JPH10149203A - Method and device for tuning physical model parameter - Google Patents

Method and device for tuning physical model parameter

Info

Publication number
JPH10149203A
JPH10149203A JP32352396A JP32352396A JPH10149203A JP H10149203 A JPH10149203 A JP H10149203A JP 32352396 A JP32352396 A JP 32352396A JP 32352396 A JP32352396 A JP 32352396A JP H10149203 A JPH10149203 A JP H10149203A
Authority
JP
Japan
Prior art keywords
physical model
parameters
tuning
product
process
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.)
Pending
Application number
JP32352396A
Other languages
Japanese (ja)
Inventor
Fumio Fukuda
Kozo Yamamura
耕造 山村
二三雄 福田
Original Assignee
Nippon Steel Corp
新日本製鐵株式会社
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 Nippon Steel Corp, 新日本製鐵株式会社 filed Critical Nippon Steel Corp
Priority to JP32352396A priority Critical patent/JPH10149203A/en
Publication of JPH10149203A publication Critical patent/JPH10149203A/en
Application status is Pending legal-status Critical

Links

Abstract

PROBLEM TO BE SOLVED: To simply optimize a physical model parameter and to quickly and surely set a really optimum parameter.
SOLUTION: Experience data to be turned from a data base are entered (step S3), a group of parameters within a range to be adapted as respective parameters of a physical model is sequentially changed to execute the calculation of the physical model and the accumulated value of model mean square error is found out in each parameter group based on the calculation result of each product and its corresponding experiment data (steps S4 to S9). Since a parameter group of which accumulation value is minimum is set up as an optimum parameter (step S10), an unappreciable value to the physical model is not selected and always optimum parameter can be set by using a direct method for changing the values of all parameters within a specified range and executing calculation.
COPYRIGHT: (C)1998,JPO

Description

【発明の詳細な説明】 DETAILED DESCRIPTION OF THE INVENTION

【0001】 [0001]

【発明の属する技術分野】本発明は物理モデルパラメータのチューニング方法および装置に関し、特に、製品の製造プロセスを近似すべく数式で表した物理モデルのパラメータを自動的に最適化するためのチューニング方法および装置に用いて好適なものである。 Relates tuning method and apparatus of the present invention is a physical model parameters BACKGROUND OF THE INVENTION, in particular, tuning method for automatically optimizing the parameters of the physical model represented by the formula in order to approximate the manufacturing process of the product and it is suitable for use in the apparatus.

【0002】 [0002]

【従来の技術】鉄鋼を始めとする多くの産業における製造プロセスでは、複数の製品を様々な工程で処理して製造している。 BACKGROUND OF THE INVENTION manufacturing process in many industries, including steel, is produced by processing a plurality of products in a variety of processes. このような製造プロセスに対して、製品に所望の特性(例えば鋼材の温度、厚み、硬さなどの目標値)が得られるように処理条件を設定し直す場合、対象となる製造プロセスを実際に稼働させて得られた結果に基づいて処理条件の最適化を行うと、コストが膨大なものとなってしまう。 For such a manufacturing process, desired properties to the product when re-setting the processing conditions as is obtained (e.g., steel temperature, thickness, target values, such as hardness), actually the fabrication process of interest When the optimization of processing conditions on the basis of the results obtained by running cost becomes enormous.

【0003】そこで、従来は、処理プロセスを数式で近似した物理モデルをコンピュータ上に設定しておく。 [0003] Therefore, conventionally, the treatment process is set to the physical model approximated by equations on a computer. そして、この物理モデルに対して処理条件を様々に変えながら所望の特性となる出力結果が得られるまで繰り返し、所望の特性が得られるようになった時点でそのときの処理条件を実際の処理プロセスにおける処理条件として設定し、その後で処理プロセスを実際に稼働させるのが一般であった。 Then, the output result is repeated until the resulting, then the actual processing process processing conditions they become desired characteristics can be obtained as the desired characteristics while variously changing the process conditions for this physical model It sets as the processing condition in, that thereafter the process the process actually operated was generally.

【0004】ところが、この方法では、物理モデルが現実の処理プロセスと完全に一致していれば問題はないが、一致していない場合は、最適であるとして設定した処理条件によっても実際に処理プロセスを経て得られる製品は、所望の特性とならないことがある。 [0004] However, in this method, the physical model is completely no problem if they match the actual treatment process, if they do not match, actually treatment process by processing conditions set as the optimum products obtained through is sometimes not a desired property. すなわち、 That is,
物理モデルを用いて行うシミュレーションの精度および信頼性は、物理モデルの完成度に大きく依存しており、 Accuracy and reliability of the simulation performed using the physical model is highly dependent on the completeness of the physical model,
物理モデルと現実の処理プロセスとが大きく違っていると、所望の特性を得るのは極めて困難である。 If the physical model and the actual treatment process are very different, it is extremely difficult to obtain the desired properties.

【0005】そのため、処理プロセスを実際に稼働して得られる実績データを利用して、物理モデル自体を現実の処理プロセスに近づけるべく設定し直す必要がある。 [0005] Therefore, by using the actual data obtained by actually running the treatment process, there is a need to re-set in order to approximate the physical model itself to the reality of the treatment process.
すなわち、所望の特性となる出力結果が正しく得られるようにするために、物理モデルを表す数式の係数(パラメータ)を最適化する必要があり、従来そのためのパラメータチューニング方法が幾つか考えられていた。 That is, in order to obtain a desired characteristic output is correct, it is necessary to optimize the coefficients of equation (parameter) representing the physical model, parameter tuning method therefore has been considered several conventional .

【0006】図4は、従来の物理モデルパラメータのチューニング方法の一例を説明するための図である。 [0006] Figure 4 is a diagram for explaining an example of a method for tuning conventional physical model parameters. 図4 Figure 4
において、現実の処理プロセスAを近似する物理モデルCは、プロセス制御コンピュータ(以下、プロコンと言う)B上において係数(パラメータ)を使って数式で設定されており、実際に処理プロセスAに供給される材料の情報として、図示しないセンサ等により得られた各種測定値が入力されている。 In the physical model C which approximates the actual treatment process A, the process control computer (hereinafter, referred to as process control) using the coefficients (parameters) on the B is set in a formula, it is supplied to the actual treatment process A that as the material information, various measurements obtained by the sensor (not shown) or the like is inputted.

【0007】プロコンBは、上記各種測定値を入力値として所望の特性が得られるような物理モデルCを実行させて処理条件(例えば、処理プロセスAが圧延機の場合、圧延機のミルのギャップ長や圧延スピード等の条件)を計算し、実際のプロセス設定値として処理プロセスAに供給する。 [0007] process control B is to execute the physical model C, such as to obtain desired characteristics of the various measurement values ​​as input values ​​the processing conditions (e.g., when the processing Process A of the rolling mill, gap mill rolling mill calculate the conditions) and long and rolling speed, and supplies the processed process a as the actual process settings.

【0008】このプロセス設定値の下で実際に処理プロセスAを稼働すると、どのような処理条件でどのような結果が得られたかを表す実績データがプロコンBに蓄えられる。 [0008] running the actual treatment process A under the process set values, actual data representing what results were obtained in any process condition is stored in the process computer B. 上述のように、処理プロセスAと物理モデルC As mentioned above, processes A and the physical model C
とが完全に一致していないと、この実績データは所望の特性とはなっていない。 When bets are not perfectly matched, the actual data is not in the desired properties. そこで、この実績データを利用して物理モデルCのパラメータを調整し、物理モデルC Therefore, by adjusting the parameters of the physical model C utilizing this record data, physical model C
を処理プロセスAに近づける必要がある。 There is a need to bring the processing process A.

【0009】物理モデルCのパラメータをチューニングする場合は、まず、物理モデルCをパソコン等の簡易コンピュータDで実行できるようにプログラミングしておき(これを物理モデルC′と記す)、プロコンB内の図示しない実績データメモリに格納されている実績データ(実績に対応する処理条件のデータを含む)のうち、必要な情報を人手により抽出して上記簡易コンピュータD [0009] When tuning parameters of the physical model C, first advance programmed to run a physical model C with a simple computer D such as a personal computer (referred to as a physical model C '), in the process control B of the actual data stored in the record data memory (not shown) (including the data processing condition corresponding to the actual), necessary information is extracted by hand the simplified computer D
に入力する。 Input to.

【0010】次に、この抽出した処理条件および実績値のデータを入力値として、物理モデルC′の係数を逐次変更して当該物理モデルC′の計算を実行し、その計算値に対応する実績値にできるだけ近い出力値が得られるように、重回帰等の手法によりモデル係数を最適化する。 [0010] Next, track record data of the extracted processing conditions and actual values ​​as input values, perform calculations of 'the physical model C by sequentially changing the coefficients of the' physical model C, corresponding to the calculated value as much as possible close to the output value is obtained on the value, to optimize the model coefficients by a method multiple regression, and the like.

【0011】最適化は、例えば上記計算値をXi、実績値をTiとすれば(i=1〜N:Nは抽出した実績データの数)、計算値Xiと実績値Tiとの二乗誤差平均(下記数1)が最小となるときの係数を最適値とする方法を採る。 [0011] Optimization, for example, the calculated values ​​Xi, if the actual value Ti (i = 1~N: N number of actual data extracted), mean square error between the calculated value Xi and actual Ti (formula 1 below) takes the method of the optimum value coefficient when the minimum. 最後に、以上のようにして得た最適な係数を、プロコンBで実行される物理モデルCの係数として使用できるように人手で入れ替える。 Finally, the optimal coefficients obtained as described above, replaced manually so that it can be used as the coefficient of the physical model C which is executed by the process computer B.

【0012】 [0012]

【数1】 [Number 1]

【0013】しかしながら、以上のような最適化処理では、人手による作業が多く、非常に面倒であるという問題がある。 [0013] However, in the optimization process as described above, there is a problem that many of the work by hand, which is very cumbersome. そこで従来、このように実際の操業と切り離したオフラインによる方法ではなく、処理プロセスAで製品を1つ処理して1つの実績データが出力される度に、それを使って最適化を行うオンラインによる方法が考えられている(例えば特開平6−325014号公報)。 Therefore, conventionally, thus not in the process of the offline disconnected from the actual operation, each time one record data by one processing product on treatment process A is output, on-line to optimize with it methods have been considered (for example, Japanese Unexamined 6-325014 JP).

【0014】図5は、このオンラインによる物理モデルパラメータのチューニング方法の例を説明するための図である。 [0014] Figure 5 is a diagram for explaining an example of a method of tuning a physical model parameters according to the line. 図5の例では、プロコンBは、実際に処理プロセスAに供給される材料の情報として、図示しないセンサ等により得られる各種測定値を入力値として物理モデルCを実行させ、その出力値(予測値)Xiを計算する。 In the example of FIG. 5, process control B as material information supplied actually processes A, to perform a physical model C various measurements obtained by sensors or the like (not shown) as an input value, the output value (prediction to calculate the value) Xi.

【0015】一方、処理プロセスAで実際に材料を処理して得られる実績値Tiは、1つの材料を処理する度にプロコンBに入力される。 Meanwhile, actual value Ti obtained by treating the actual material handling process A is input to the process computer B every time processing one material. 例えば、物理モデルCがY= For example, the physical model C is Y =
aX+b(係数a,bは物理モデルCを表すパラメータ)なる数式で表されるとき、プロコンBは、上記予測値Xiが実績値Tiと一致するように重回帰処理Eを行って、出力値Yi=a 1 Xi+b 1を得る(a 1 ,b 1 aX + b when (coefficients a, b is a parameter representing the physical model C) represented by mathematical expression, process control B, as the prediction value Xi coincides with actual values ​​Ti by performing multiple regression process E, the output value Yi = obtain a 1 Xi + b 1 (a 1, b 1
は重回帰分析によって得られた最適値)。 Optimum values ​​obtained by the multiple regression analysis). なお、重回帰分析手法については、例えば「竹村彰通、現代数理統計学(創文社現代経済学選書)」に記載されている。 Note that the multiple regression analysis techniques are described, for example, "Akimichi Takemura, modern mathematical statistics (Sobunsha modern economics book selection)".

【0016】さらに、プロコンBは、上記のようにして得られた重回帰処理後の出力値Yiに対してホワイトノイズの影響を除去する補正処理Fを行うことにより出力値Wiを得て、それを処理プロセスAに対するプロセス設定値とする。 Furthermore, process control B obtains the output value Wi by performing correction processing F to remove the influence of white noise to the output value Yi after multiple regression process obtained as described above, it the a process setting for processes a. このようなオンラインによる方法を採ることで、物理モデルCの最適化を自動的に行えるようにしている。 Such online process by taking by, and to automatically perform the optimization of the physical model C.

【0017】 [0017]

【発明が解決しようとする課題】しかしながら、上記に示した図4および図5の方法は何れも、物理モデルパラメータの最適化のために重回帰手法を用いている。 [SUMMARY OF THE INVENTION However, any method of FIGS. 4 and 5 shown above, uses a multiple regression techniques to optimize the physical model parameters. この重回帰手法によると、予測値Xiが実績値Tiと一致するように強制的に処理が行われるので、重回帰分析によって得られるパラメータの最適値が物理モデルCに対して現実的に適用可能な値かどうかについては全く無視されており、必ずしも最適なパラメータが得られるとは限らないという問題があった。 According to the multiple regression approach, the forcibly processed as predictive value Xi coincides with the actual value Ti is carried out, practically applicable optimum values ​​of the parameters obtained by the multiple regression analysis with respect to the physical model C and about whether such values ​​are completely ignored, there is always a problem that is not always the optimal parameters can be obtained.

【0018】また、図4の例の場合は、人手による作業が多いという問題に加えて、普遍的な物理モデルCに最適化するためには、使用する実績データは製造物の全種類(鉄鋼に例えるならば、全鋼種や全製品サイズ)を対象としなければならず、最適化作業に膨大な時間を要するという問題があった。 [0018] In the case of the example in FIG. 4, in addition to the problem that many manual operations in order to optimize the universal physical model C is all types of actual data product to be used (steel if likened to, it must be directed to all type of steel and all product size), there is a problem that requires an enormous amount of time to the optimization work.

【0019】さらに、図5の例の場合は、最適化作業はいわゆる学習制御であり、十分な量の製品製造が行われ、重回帰分析の結果が有効となるだけの製造が実施された後からでなければ、出力値YiまたはWiの信頼性は低い。 Furthermore, in the case of the example of FIG. 5, the optimization work is the so-called learning control, a sufficient amount of product produced is performed after the production of only the results of the multiple regression analysis is valid is performed unless you from, the reliability of the output value Yi or Wi is low. 例えば、熱間圧延における圧延機の物理モデルなどのように、圧延機に材料が到達する前に一度だけ計算してプロセス設定値を推測する物理モデルについては、重回帰分析の結果が有効となるまでの間は、精度が悪く使いものにならないという問題があった。 For example, such as rolling mill of the physical model in the hot rolling, for a physical model to estimate the process setpoint calculated only once before the material reaches the rolling mill, the results of the multiple regression analysis is valid between the past, there has been a problem that the accuracy is useless bad.

【0020】本発明は、このような問題を解決するために成されたものであり、人手による作業を減らして物理モデルパラメータの最適化を簡単に行えるようにするとともに、物理モデルに対して現実的に適用可能な真に最適なパラメータを短時間のうちに確実に設定できるようにすることを目的とする。 [0020] The present invention has been made to solve such a problem, as well as to easily perform the optimization of the physical model parameters to reduce the manual labor, the real to the physical model and an object thereof is to allow reliably set to a short period of time optimal parameters applicable true manner.

【0021】 [0021]

【課題を解決するための手段】本発明の物理モデルパラメータのチューニング方法は、現実の処理プロセスを数式で表した物理モデルが上記現実の処理プロセスに近づくように、上記物理モデルのパラメータを最適化する物理モデルパラメータのチューニング方法において、上記処理プロセスにおける実績データを一製品毎に複数格納して成るデータベースの中からチューニング処理に使用する製品の実績データを取り込み、最適化対象となる物理モデルの各パラメータとして採りうる最小値から最大値までを所定の刻み幅で逐次変更して上記物理モデルを計算する処理を、一製品毎に、取り込んだ全ての製品について実行し、一製品毎の計算結果とそれに対応する実績データとからモデル二乗誤差平均の累算値を各パラメータの組ごとに求 The method of tuning a physical model parameters [SUMMARY OF] The present invention, as a physical model which represents the actual treatment process in Equation approaches the actual treatment process, optimizing the parameters of the physical model a method of tuning a physical model parameters, the actual data in the treatment process captures performance data of a product to be used in the tuning process from the database of a plurality stored for each one product, each of the physical model to be optimized from the minimum value that can be taken as a parameter by sequentially changing the maximum value at a certain interval the process of calculating the physical model, for each one product, performed for all products taken, the calculation result for each one product calculated from the actual data accumulated value of the model mean square error for each set of parameters corresponding thereto 、その累算値が最小となるパラメータの組を上記物理モデルの最適パラメータとして設定するようにしたことを特徴とする。 , A set of parameters that the accumulated value is minimized is characterized in that so as to set as an optimal parameter of the physical model.

【0022】本発明の他の特徴とするところは、上記データベースの中からチューニング処理に使用する製品として取り込む実績データをユーザが指定可能なように成されていることである。 [0022] It is a further feature of the invention is that the actual data capture from the database as a product to be used in the tuning process user is made so as to be specified.

【0023】また、本発明の物理モデルパラメータのチューニング装置は、現実の処理プロセスを数式で表した物理モデルが上記現実の処理プロセスに近づくように、 Further, the tuning device of the physical model parameters of the present invention, as a physical model which represents the actual treatment process in Equation approaches the actual treatment process,
上記物理モデルのパラメータを最適化する物理モデルパラメータのチューニング装置において、上記処理プロセスにおける実績データを一製品毎に複数格納するようにしてデータベースを構築するデータベース構築手段と、 In the tuning system of the physical model parameters to optimize the parameters of the physical model, and database construction means for constructing a database adapted to store a plurality of actual data for each one product in the treatment process,
上記データベースの中からチューニング処理に使用する製品の実績データを指定するとともに、最適化対象となる物理モデルの各パラメータとして採りうる最小値と最大値および所定の刻み幅を指定してチューニング要求を行うチューニング要求手段と、上記チューニング要求手段により指定された各パラメータの最小値から最大値までを所定の刻み幅で逐次変更して上記物理モデルを計算するという処理を、一製品毎に、指定された全ての製品について実行する物理モデル実行手段と、上記物理モデル実行手段における一製品毎の計算結果とそれに対応する実績データとからモデル二乗誤差平均の累算値を各パラメータの組ごとに求め、その求めた累積二乗誤差平均値を各パラメータの組と共にメモリに記憶させるモデル誤差計算手段と、 As well as specify the actual data of a product to be used in the tuning process from the database, the minimum and maximum values ​​that can be taken as the parameters of the physical model to be optimized and to specify the certain interval to tune request and tuning request means, the processing for calculating the physical model by sequentially changing the maximum value at a certain interval specified by the minimum value of each parameter by the tuning request means, for each one product, designated a physical model execution means for executing all of the product, obtains a cumulative value of the model mean square error for each set of parameters and a record data and corresponding calculation result for each one product in the physical model execution means, the and model error calculation means for storing in the memory the cumulative square error mean value with each set of parameters determined, 記メモリに記憶された各パラメータの組ごとの累積二乗誤差平均のうち、値が最小となるパラメータの組を上記物理モデルの最適パラメータとして設定するパラメータ同定手段とを備える。 Of the cumulative mean square error for each set of parameters stored in serial memory, and a parameter identification means for setting a set of parameters whose values ​​is minimum as an optimum parameter of the physical model.

【0024】本発明の他の特徴とするところは、上記チューニング要求手段が更に、チューニング対象とする物理モデルおよびそれに使用する各パラメータのうち任意のパラメータを指定可能なように構成されることである。 [0024] It is a further feature of the present invention is that the tuning request unit is further configured so as to be able to specify any parameters among the parameters of the physical model, and thereto a tuning target .

【0025】本発明のその他の特徴とするところは、上記データベース構築手段が、上記処理プロセスの実操業を制御するプロセスコンピュータから製品の実績データを一製品毎に逐次取り込んで上記データベースを構築するように構成されていることである。 [0025] It is a another feature of the present invention, the database construction means, so as to build the database captures successive actual data of a product for each one product from a process computer for controlling the actual operation of the treatment process it is that it is configured to.

【0026】上記のように構成した本発明によれば、物理モデルの各パラメータとして採りうる最小値から最大値までの範囲内でのみパラメータの組が変更されて所定の処理が行われ、そのパラメータの組の中から最適なものが選ばれるので、物理モデルに対して適用不可能な値が最適なパラメータとして選ばれることがなくなり、より現実的な最適解としてパラメータの組が求められるようになる。 According to the present invention configured as described above, predetermined processing set is changed parameters only within a minimum and maximum range values ​​can take as parameters of the physical model is executed, the parameter since optimum is selected from the set, inapplicable value for the physical model no longer be chosen as the optimal parameters, so the set of parameters is determined as a more realistic optimal solution . しかも、従来のような重回帰手法ではなく、 Moreover, instead of the multiple regression technique, such as in the prior art,
各パラメータの値をしらみ潰しに変えて計算した結果に基づいて最適なパラメータの組を求めるという直接的な手法を用いているので、データベース中の製品の全種類を対象としなくても普遍的な物理モデルに最適化することが可能となる。 Because of the use of direct approach of finding a set of optimum parameters based on the result of calculation by changing the value of each parameter to crush lice, without covering all kinds of products in the database universal it is possible to optimize the physical model. さらに、チューニングを行う装置内に物理モデルそのものやデータベースが備えられているので、チューニング処理に使用する実績データ等の取り込みは、所望のデータを指定するだけで自動的に行われるし、求められた最適なパラメータの組も物理モデルに自動的に反映されるようになり、人手による作業を格段に少なくすることが可能となる。 Further, since the provided physical model itself or database in a device for tuning, incorporation of such actual data to be used to tune the process, to be automatically performed only by specifying the desired data, obtained set of optimum parameters also come to be automatically reflected in the physical model, it is possible to remarkably reduce the manual operations.

【0027】 [0027]

【発明の実施の形態】以下、本発明の一実施形態を図面に基づいて説明する。 BEST MODE FOR CARRYING OUT THE INVENTION Hereinafter, an embodiment of the present invention with reference to the accompanying drawings. 図1は、本実施形態による物理モデルパラメータのチューニング方法の処理手順の大まかな流れを示すフローチャートである。 Figure 1 is a flowchart showing a general flow of a processing procedure of a method of tuning a physical model parameters according to the present embodiment. なお、ここでは処理プロセスの一例として、製品を製造する製造プロセスを考えるが、本発明はその他のプロセスでも適用可能である。 As an example of the treatment process here, consider a manufacturing process for manufacturing the product, but the present invention is also applicable in other processes.

【0028】図1において、ステップS1では、所定のデータベースの中からチューニング処理に使用する製品の実績データを指定する。 [0028] In FIG. 1, in step S1, to specify the actual data of a product to be used in the tuning process from the predetermined database. 上記所定のデータベースは、 The predetermined database,
処理プロセスで実際に材料を処理して製品を製造したときの処理条件およびそれに対応する処理実績のデータを一製品毎に複数格納して成るものであり、処理プロセスにおいて1つの製品が製造される毎に逐次蓄積されてきたものである。 Are those formed by a plurality stores data processing conditions and processing results corresponding thereto when manufactured product by processing the actual material in the processing process for each one product, one product is produced in the treatment process in which it has been sequentially accumulated for each.

【0029】ステップS2では、最適化対象となる物理モデルの各パラメータとして採りうる最小値と最大値、 [0029] In step S2, the minimum and maximum values ​​that can be taken as the parameters of the physical model to be optimized,
およびその最小値から最大値に至るまでの所定の刻み幅を指定する。 And specifying a certain interval up to the maximum value from the minimum value. 一般に、物理モデルは、最初は現実の処理プロセスを想定してユーザにより構築されるので、その物理モデルに適用可能なパラメータの範囲はモデル固有の値としてあらかじめ分かっているのが通常である。 In general, the physical model is initially because it is built by the user assumes actual treatment process, the range of applicable parameters in the physical model of in advance known as model-specific values ​​are usual. したがって、ユーザは、そのような範囲として最小値と最大値とを指定する。 Therefore, the user specifies the minimum and maximum values ​​as such a range.

【0030】このようにユーザがステップS1およびステップS2で必要な指定を行うと、次のステップS3 [0030] Doing so designated required user in step S1 and step S2, the next step S3
で、指定された範囲の実績データが上記データベースから取り出された後、ステップS4で、取り出された実績データの中から1つ目の製品の実績データが設定される。 In, actual data in the specified range after removal from the database, at step S4, the actual data of the first product from the actual data retrieved is set. さらに、ステップS5では、上記ステップS2にて指定された各パラメータの最小値が各々設定される。 Further, in step S5, the minimum value of each parameter specified in step S2 is set respectively.

【0031】そして、ステップS6で、上記ステップS [0031] Then, in step S6, the step S
4にて設定された製品を実際に処理プロセスで処理したときと同じ処理条件(取り込まれた実績データ中に含まれている)の下で、上記ステップS5にて設定されたパラメータの組を使って物理モデルの計算が実行される。 Under the same processing conditions as when treated with actually processes the products that are set at 4 (included in the actual captured data), using a set of parameters set in step S5 calculation of the physical model Te is executed.
ステップS7では、ステップS6における物理モデルの計算結果と、同じ製品についての実績データとの二乗誤差平均が求められ、それがそのときのパラメータの組に対応したメモリ領域に記憶される。 In step S7, the calculation results of the physical model in step S6, the mean square error between the actual data sought for the same product, it is stored in a memory region corresponding to the set of parameters at that time.

【0032】その後、ステップS8で全てのパラメータの組について処理が終了したかどうかが判断される。 [0032] Then, whether the set for the processing of all the parameters in step S8 is completed is determined. この段階ではまだ全ての組について処理が終了していないので、ステップS5に戻る。 So still for all of the set treatment at this stage it has not been completed, the flow returns to step S5. ステップS5では、上記ステップS2にて指定された刻み幅の分だけパラメータ値が変更され、新たなパラメータの組が設定される。 In step S5, an amount corresponding parameter values ​​of step size designated in step S2 is changed, a new set of parameters is set. 従来例で示したように、物理モデルがY=aX+bなる数式で表されるとき、例えば一方のパラメータaの値が固定され、もう一方のパラメータbの値がこのパラメータb As shown in the conventional example, when the physical model is represented by Y = aX + b becomes equation, for example, the value of one parameter a is fixed, the value of the other parameter b is the parameter b
に設定された刻み幅の分だけ増やされる。 Minute is increased by the set step size to.

【0033】そして、このようにして設定された新たなパラメータの組を使ってステップS6およびステップS [0033] Then, step S6 and step S is formed by using a set of new parameters set this way
7の処理が再び行われ、そのとき求められた二乗誤差平均がそのパラメータの組に対応したメモリ領域に記憶される。 Process 7 is performed again, this time square error mean obtained is stored in a memory region corresponding to the set of parameters. 以下同様にして、物理モデルの各パラメータが指定された最小値から最大値までを指定された刻み幅で逐次変更され、処理モデルの二乗誤差平均が各パラメータの組ごとに求められ、それらがそれぞれのパラメータの組に対応したメモリ領域に記憶される。 In the same manner, the parameters of the physical model is sequentially changed by the specified step size until a maximum value from a specified minimum value, mean square error of the processing model is determined for each set of parameters, they are It is stored in the memory region corresponding to the set of parameters.

【0034】次に、ステップS8の処理を抜けてステップS9に進むと、ここでは上記ステップS1にて指定された製品の全てについて上述のような処理が終了したかどうかが判断される。 Next, the process proceeds to step S9 exits the processing in step S8, where whether the processing described above for all of the product specified in step S1 is finished or not. この段階では、まだ1つ目の製品しか処理していないので、ステップS4に戻り、次に2 At this stage, since there is only processed yet first product, the process returns to step S4, then 2
番目の製品の実績データが設定される。 Th of the actual data of the product is set. そして、この2 Then, this 2
番目の製品についてもステップS5〜S8の処理が繰り返し行われる。 Processing of step S5~S8 is repeatedly performed for the second product.

【0035】以下同様に、上記ステップS1にて指定された全ての製品について処理が終了するまでステップS [0035] Similarly, steps S until the processing for all the products that are specified in step S1 is finished
4〜S9の処理が行われる。 Processing of 4~S9 is performed. このとき、異なる製品で同じパラメータの組を使って求められた二乗誤差平均は、 At this time, mean square error obtained using the same set of parameters in different products,
それまでに求められている同じパラメータの組の二乗誤差平均に累算されていく。 It will be accumulated in a set of mean square error of the same parameters that are sought so far. これにより、メモリ上には、 As a result, on the memory,
各パラメータの組ごとに累算された二乗誤差平均の値が格納されることになる。 So that the value of the mean square error which is accumulated for each set of parameters is stored. 最後に、ステップS10で、上記メモリに格納された全ての累積二乗誤差平均の値が比較され、その最小値に対応するパラメータの組が当該物理モデルパラメータの最適値として同定される。 Finally, in step S10, the value of all the accumulated mean square error stored in the memory are compared, the set of parameters corresponding to the minimum value is identified as the optimum value of the physical model parameters.

【0036】なお、この図1の例では、1つの製品について全ての係数の組を用いて物理モデル計算を実行した後、次の製品について物理モデル計算を実行するというような処理手順としているが、逆に、1つの係数の組を用いて全ての製品について物理モデル計算を実行して累積二乗誤差平均を求めた後、次の係数の組を用いて物理モデル計算を実行するというような処理手順としても良い。 [0036] In the example of FIG. 1, after performing the physical model calculations using the set of all coefficients for a single product, although the processing procedure as that executed the physical model calculations for the next product Conversely, after obtaining the mean cumulative square error by performing a physical model calculated for all products with a set of one coefficient, such as that performed a physical model calculation using a set of next coefficient processing it may be used as the procedure.

【0037】図2は、本発明による物理モデルパラメータのチューニング装置を利用したシステムの構成例を示す図である。 [0037] FIG. 2 is a diagram illustrating a configuration example of a system using the tuning device of the physical model parameters according to the present invention. 図2において、1は製造プロセス制御用コンピュータ(プロコン)であり、図示しない処理プロセスの実操業を制御するものである。 2, 1 is a production process control computer (PROCON), and controls the actual operation of the treatment process (not shown). ここでは、処理プロセスの一例として、様々な工程で複数の鉄鋼製品を製造する製造プロセス(例えば熱延プロセス)を考える。 Here, as an example of a treatment process, consider a manufacturing process for manufacturing a plurality of steel products in various steps (e.g. hot rolling process).

【0038】この場合プロコン1は、例えば、製造するコイルの厚み、硬さ、温度等の条件に応じて圧延機にミルのギャップ長情報や荷重情報あるいは加熱情報などの指示を与える設定計算を行ったり、実際に製造プロセスを稼働して得られる実績データ(どのような処理条件の下でそのような結果が得られたかを表す情報)を取り込んだりする処理を行う。 [0038] In this case Procon 1, for example, carried out the thickness of the coil to be manufactured, hardness, the setting calculation which gives an indication of such a gap length information and load information, or heating information mill rolling mill according to the conditions such as temperature or, actually performing actual data obtained by running the manufacturing process to or capture (such results under what process conditions information indicating whether obtained) process.

【0039】2は解析用コンピュータ(例えばエンジニアリングワークステーション:EWS、以下解析用EW [0039] 2 is analyzing computer (for example, engineering workstations: EWS, the following analysis for EW
Sと記す)であり、本発明による物理モデルパラメータのチューニング装置の主要部を成すものである。 A referred to as S), in which forms the main part of the tuning device of the physical model parameters according to the present invention. 本実施形態の場合、物理モデルはこの解析用EWS2上に設定されており、製造される製品が所望の特性となるように最適な処理条件を探し出す処理や物理モデルの係数(パラメータ)をチューニングする処理は、主にこの解析用EWS2で行われる。 In this embodiment, the physical model is set on the analysis EWS2, to tune the coefficients of the processing and physical model product produced is find the optimal process conditions such that the desired characteristic (parameter) processing is mainly carried out in this analysis EWS2.

【0040】解析用EWS2は、プロコン1により取り込まれた実績データを、1つの製品が製造される毎に入力し、それを製造実績データ蓄積ディスク3に逐次蓄積していく。 The analysis EWS2 is the actual data captured by the process computer 1, type each time one product is produced, will successively accumulated it in manufacturing performance data storage disk 3. これにより形成されるデータベースは、製造プロセスで実際に材料を処理して製品を製造したときの処理条件およびそれに対応する処理実績のデータが一製品毎に複数格納されて構成される。 Database thus formed is constituted by a plurality stored data for each one product of the processing conditions and the processing results corresponding thereto when manufactured product by processing the actual material in the manufacturing process. 物理モデルのパラメータをチューニングする際は、このデータベース内の実績データを利用する。 When tuning the parameters of the physical model utilizes actual data in the database.

【0041】4はオペレータとのインタフェース用端末であり、後述するパラメータチューニング要求などの指示は、これらのインタフェース用端末4を通して行う。 [0041] 4 is an interface for the terminal with the operator, the instructions such as described later parameter tuning request, through terminal 4 of these interfaces.
図示しているように、プロコン1、解析用EWS2およびインタフェース用端末4は、LAN(Local Area Net As illustrated, process control 1, the terminal 4 for EWS2 and interface for analysis, LAN (Local Area Net
work)などのネットワークによって接続されており、相互にデータの送受信が行われるように構成されている。 work) are connected by a network, such as, it is configured to transmit and receive mutual data.

【0042】図3は、図2に示したシステムにおけるデータフローおよび制御フローを示す概念図である。 [0042] Figure 3 is a conceptual diagram showing the data flow and control flow in the system shown in FIG. なお、図3において、実線の矢印はデータフローを示し、 In FIG. 3, solid line arrows indicate data flow,
点線の矢印は制御フローを示している。 Dotted arrow indicates a control flow. また、括弧付きの数字は、処理が行われる順番を示している。 In addition, the numbers in parentheses indicate the order in which the processing is carried out. 以下、この図3に基づいて本実施形態を詳しく説明する。 Hereinafter, a detailed description of the present embodiment based on FIG. 3.

【0043】図3に示しているように、プロコン1は、 [0043] As shown in FIG. 3, process control 1,
製造実績データ送信手段11を備えている。 And a manufacturing performance data transmitting unit 11. この製造実績データ送信手段11は、1つの製品の製造が完了(例えば熱延プロセスを例にとれば圧延完了)する毎に、そのときの製造指示データ(例えば、製品目標厚み)や圧延実績データ(例えば、圧延温度、圧延荷重や材料成分)および圧延実績データから計算で求めた値など、製品毎の製造実績データを解析用EWS2に送信する(1)。 The manufacturing performance data transmitting means 11, one product of the production is completed each time (for example, hot-rolled process rolling completion Taking as an example), manufacturing instruction data at that time (e.g., product target thickness) and rolling Actual data (e.g., rolling temperature, rolling load and material components), such as the value calculated from and rolling the actual data, transmits the manufacturing performance data for each product analysis EWS2 (1).

【0044】解析用EWS2では、製造実績データ受信手段12において、プロコン1から送信されてくる製品毎の製造実績データを受信し、製造実績データ蓄積手段13に供給する(2)。 [0044] In analysis EWS2, in the production result data receiving means 12 receives the manufacturing performance data of each product which is transmitted from the process control 1, and supplies the produced actual data storage unit 13 (2). 製造実績データ蓄積手段13 Manufacturing performance data storage unit 13
は、与えられる製造実績データを、鋼種(普通鋼、電磁鋼、合金鋼など)毎および時系列に製造実績データ蓄積ディスク(製造実績データバンク)3の所定のエリアに格納する(3)。 Is a production given actual data, steels (carbon steel, electrical steel, such as alloy steel) stored in a predetermined area of ​​the actual production in time series and for each data storage disk (manufacturing performance data bank) 3 (3).

【0045】この製造実績データを格納するデータエリアとしては、例えば、製品で20万個分の容量を持つインデックスサイクリックファイルを使用する。 [0045] Examples of the data area to store the manufacturing performance data, for example, to use an index cyclic file with a capacity of 200,000 pieces of products. すなわち、コイルナンバーや鋼種などをキーとして製品1個分毎のデータ検索が可能であり、データエリアが満杯のときは、該当鋼種の最も古いデータから消去して格納できる構造のファイルである。 That is, data can be searched for each product one minute and coil number and steel grade as a key, when the data area is full, a file structure that can be stored is erased from the corresponding grades of the oldest data. 従来、実績データを格納するデータベースはプロコン内にあり、プロコンの動作スピードが速くなければならないことを考慮して記憶容量が小さいものを使わざるを得なかったが、本実施形態の場合は、データベースは解析用EWS2内にあるので、大容量のものを使用することができる。 Conventionally, a database that stores the actual data located in the process control, but had to use what storage capacity is small considering that the operating speed of the process control must be fast, in this embodiment, the database because in the analysis EWS2, it may be used having a large capacity.

【0046】物理モデルのパラメータをチューニングする際は、まずオペレータがインタフェース用端末4を用いてチューニング要求を行う(4)。 [0046] When tuning the parameters of the physical model, first operator performs tuning request using an interface terminal 4 (4). このとき入力する情報は、例えば以下の〜である。 Information input at this time is, for example, ~ below.

【0047】チューニング対象とする物理モデル(例えば、変形抵抗モデル、ストリップ温度予測モデルなど) チューニング対象モデルのチューニング対象係数(例えば、Y=aX+bという物理モデル式のa,b。一部のみの指定も可能。) 係数の初期値(最小値)、刻み幅、最大値例えば、 The physical model of the tuning target (e.g., deformation resistance model, the strip temperature prediction model, etc.) be tuned coefficient tuning object model (e.g., Y = aX + b: physical model formula of a, b. Also specify a part only possible.) the initial value of the coefficient (minimum value), step size, maximum value, for example, チューニングに使用する製造実績データのインデックス(例えば、何日の何時から何日の何時までに製造された製品の実績データであるかを示す時刻指定や、コイルナンバー指定など) The index of manufacturing performance data to be used for tuning (for example, the time specified and to indicate whether a product of the actual data that has been manufactured in up to what time of days from the time of many days, coil number designation, etc.)

【0048】チューニング管理手段14がこのチューニング要求を受けると、対象実績データ準備手段15に対して使用実績データの準備指示を出す(5)。 [0048] When the tuning management means 14 receives this tuning request, issues a preparation instruction of use performance data to the target performance data preparation means 15 (5). すなわち、チューニング管理手段14は、インタフェース用端末4により上記のように指定された使用実績データのインデックスを対象実績データ準備手段15に渡して、 In other words, the tuning management unit 14 passes the index of the actual use data specified as described above by the interface terminal 4 to the target performance data preparation means 15,
その準備完了報告を待つ。 Wait for the ready report.

【0049】対象実績データ準備手段15は、上記使用実績データのインデックスを受け取ると、そのインデックスに基づいて1製品ずつ該当データを製造実績データバンク3から探し出し、シミュレーション用実績データエリア16に格納する(6)。 The target performance data preparation unit 15 receives the index of the actual use data, one product on the basis of the index searches the corresponding data from the manufacturing performance data bank 3 is stored in the simulation result data area 16 ( 6). そして、その格納処理が終了したら、チューニング管理手段14に対して準備完了報告を行う(7)。 Then, when the storage process is completed, the preparation completion report to the tuning management means 14 (7).

【0050】このように、本実施形態によれば、データベース中に格納されている全ての製造実績データの中から、チューニング処理に使用するデータを任意に指定することができる。 [0050] Thus, according to this embodiment, it is possible among all the manufacturing performance data stored in the database, arbitrarily specify the data to be used in the tuning process. これにより、例えば製造プロセスで何らかのトラブルが続いたときに、そのトラブルが生じた部分の実績データだけを指定して物理モデルの適否を調べるといったように、より現実的な使い方に対応することができる。 Thus, for example, when some trouble has followed the manufacturing process, it is possible that trouble to specify only the actual data portion occurring as such examine the appropriateness of the physical model, corresponding to a more realistic use . また、チューニング対象モデルやチューニング対象係数も固定ではなく指定できるので、操作性をより向上させることができる。 Since it specified rather than be fixed-tuned object model and tuning target coefficients, it is possible to further improve operability. また、後述するように、 In addition, as will be described later,
データベース内の実績データを全て用いなくても最適なパラメータの組が求まるので、全実績データを対象としなければならなかった従来と比べて処理時間が短くて済む。 Since the set of optimum parameters without using any actual data in the database is found, the processing time compared to conventional had to covering all actual data be shortened.

【0051】次に、準備完了報告を受けたチューニング管理手段14は、インタフェース用端末4により上記のように指定された係数a,bの組を係数テーブル17 Next, the tuning management means receiving the preparation completion report 14, the coefficient is designated by the interface terminal 4, as described above a, b set the coefficient table 17
に書き込む(8)。 Write to (8). 最初は、係数a,b共に初期値(a Initially, coefficients a, b are both an initial value (a
=2.0、b=100.0)を書き込む。 = 2.0, b = 100.0) writes. 係数テーブル17への書き込みが終わったら、次にモデル計算指示を出し(9)、係数テーブル17内の係数値を使って、上記で指定された対象物理モデル18の計算を以下のように実行する。 When finished writing to the coefficient table 17, then issues a model calculation instruction (9), with the coefficient values ​​of the coefficient table 17 is performed as follows to calculate the target physical model 18 specified above .

【0052】すなわち、モデル計算に必要な入力情報のうち、製造命令項目や温度情報などについては、シミュレーション用実績データエリア16内の製造実績データ格納エリアから1製品毎に読み込み(10)、モデル係数については、係数テーブル17から読み込んで(1 [0052] That is, of the input information required for the model calculation for such production instruction items and temperature information, is read from the manufacturing performance data storage area within the simulation for the actual data area 16 for each product (10), model coefficients for reads from the coefficient table 17 (1
1)、モデル計算を実行する。 1), to perform the model calculations. そして、その計算結果をシミュレーション用実績データエリア16内の計算結果格納エリアにそのとき使用したモデル係数と共に格納する(12)。 Then, it stores the time with the model coefficients used in the calculation result storage area in the simulation result data area 16 and the calculation result (12).

【0053】1つの係数セットについてモデル計算が完了すると、モデル誤差計算手段19に対してモデル計算完了報告が行われる(13)。 [0053] Once the model calculation for one coefficient set is complete, the model calculation completion report is made to the model error calculating unit 19 (13). この報告を受けたモデル誤差計算手段19は、モデル計算に使用したモデル係数、対象物理モデル18の計算結果、およびそれと製造命令項目が同じの実績値をシミュレーション用実績データエリア16から読み込み(14)、下記数2のようにしてモデル二乗誤差平均ESを計算し、誤差蓄積エリア20に格納する(15)。 Model error calculation unit 19 which received this report, the model coefficients used in the model calculation, reading from the calculation results, and simulation results data area 16 and the manufacturing command term it the same actual values ​​of target physical model 18 (14) the model squared error mean ES calculated as the following equation 2, is stored in error accumulation area 20 (15).

【0054】 [0054]

【数2】 [Number 2]

【0055】このようにして1つの係数セットについてモデル誤差の計算が終了したら、モデル誤差計算手段1 [0055] If this way of model error calculation has been completed for one set of coefficients, model error calculation means 1
9は、チューニング管理手段14に対して誤差計算完了報告を行う(16)。 9 performs error calculation completion report to the tuning management unit 14 (16). これに対応してチューニング管理手段14は、チューニング対象係数の全ての組み合わせによる計算が完了したかどうかを判断し、未完了であれば、再び(8)の処理に戻る。 Tuning management unit 14 in response to this, it is determined whether calculation by all combinations of tuning target coefficients is completed, if not completed, the processing returns to again (8).

【0056】これにより、上述した(8)〜(16)の処理をチューニング対象係数の組み合わせを以下のように変えながら繰り返し行う。 [0056] Thus, repeated while changing as follows the combination of process tuning target coefficient of the above-mentioned (8) - (16). a=2.0 b=100.0 (1回目) a=2.0 b=120.0 (2回目) a=2.0 b=140.0 (3回目) … … … a=2.0 b=2000.0 (96回目) a=2.1 b=100.0 (97回目) a=2.1 b=120.0 (98回目) … … … a=3.5 b=2000.0 (1440回目) a = 2.0 b = 100.0 (1 time) a = 2.0 b = 120.0 (2 time) a = 2.0 b = 140.0 (3 th) ... ... ... a = 2.0 b = 2000.0 (96 th) a = 2.1 b = 100.0 (97 th) a = 2.1 b = 120.0 (98 th) ... ... ... a = 3.5 b = 2000.0 (1440 th)

【0057】以上のようなモデル誤差の計算を、上記のように指定された全ての製品について実行する。 [0057] The calculation of the above-mentioned model error, executed for all of the products that are specified as described above. このような繰り返し処理の過程で、モデル誤差計算手段19 In the course of such repeated processing, the model error calculation means 19
は、誤差蓄積エリア20にモデル二乗誤差平均を格納する際に、同じ係数セットについて求められた二乗誤差平均については値を累算して格納していく。 , When storing the model mean square error in the error accumulation area 20, the mean square error obtained for the same set of coefficients is gradually stored by accumulating the value. したがって、 Therefore,
チューニング処理に使用する製品がk個目のとき、モデル二乗誤差平均は以下のようになっている。 When the product to be used in the tuning process of the k-th, model mean square error is as follows.

【0058】 [0058]

【表1】 [Table 1]

【0059】指定された全ての製品についてチューニング対象係数の全ての組み合わせによる計算が完了した場合には、チューニング管理手段14は、モデル係数同定手段21に対して係数同定指示を出す(17)。 [0059] When the calculation by all combinations of specified all products be tuned coefficients for which is completed, the tuning management unit 14 issues a coefficient identification instruction to the model coefficient identification unit 21 (17). この指示を受けたモデル係数同定手段21は、誤差蓄積エリア20から、各係数セットごとに累算されたモデル二乗誤差平均の最小値を探し出して(18)、それに対応するモデル係数の組み合わせを抽出する。 Model coefficient identification unit 21 which receives this instruction, extracted from error accumulation area 20, locate the minimum value of the model mean square error which is accumulated for each coefficient set (18), a combination of model coefficients corresponding thereto to. そして、その抽出したモデル係数の組み合わせを同定値として新モデル係数テーブル22に格納する(19)。 Then stored in the new model coefficient table 22 a combination of the extracted model coefficients as identified value (19). また、その結果をCRTへ表示する(20)。 Also displays the result to CRT (20).

【0060】新モデル係数テーブル22に格納されたモデル係数の組み合わせは、同じ装置内にある物理モデル18に自動的に反映されるようになる。 [0060] The combination of model coefficients stored in the new model coefficient table 22 is automatically made to be reflected in the physical model 18 in the same device. また、上述したように、製造実績データの収集も製造実績データ送信手段11、製造実績データ受信手段12および製造実績データ蓄積手段13により自動的に行われ、チューニング処理に使用する実績データ等の取り込みは、所望のデータを指定するだけで自動的に行われるので、人手による作業を格段に少なくすることができる。 As described above, the collection of production performance data also manufacturing performance data transmission means 11, automatically performed by the manufacturing performance data receiving means 12 and the manufacturing performance data storage means 13, such as actual data to be used to tune the processing uptake since performed automatically simply by specifying the desired data, it is possible to significantly reduce the manual operations.

【0061】また、本実施形態では、以上詳しく説明したように、物理モデルの各パラメータとして採りうる範囲をあらかじめ指定してその範囲内でのみ処理を行っているので、物理モデルに対して現実的に適用不可能な値が最適なパラメータとして選ばれることがなくなる。 [0061] Further, in this embodiment, as described above in detail, since performing processing only within the range by range can take as parameters of the physical model in advance, realistic for the physical model can not apply to a value chosen is eliminated as the optimal parameter. しかも、指定された範囲内で各パラメータの値をしらみ潰しに変えて計算するという直接的な手法を用いているので、常に最適なパラメータを設定することが可能となる。 Moreover, because of the use of direct approach of calculating a change in the specified range to crush lice the value of each parameter, it becomes possible to always set the optimum parameters. また、図5のような学習制御でもないので、本装置の導入当初から信頼性のある最適パラメータを得ることができる。 Furthermore, since not a learning control shown in FIG. 5, it is possible to obtain the optimum parameters reliable from the start the introduction of the device.

【0062】 [0062]

【発明の効果】本発明は上述したように、実績データが格納されたデータベースの中からチューニング処理に使用する製品の実績データを指定し、最適化対象となる物理モデルの各パラメータとして採りうる範囲内で各パラメータの組を逐次変更して物理モデル計算を実行し、一製品毎の計算結果と対応する実績データとから各パラメータの組ごとに求めたモデル二乗誤差平均の累算値が最小となるパラメータの組を上記物理モデルの最適パラメータとして設定するようにしたので、物理モデルに対して適用不可能な値が最適なパラメータとして選ばれることがなくなるとともに、指定された範囲内で各パラメータの値をしらみ潰しに変えて計算するという直接的な手法を用いることで常に最適なパラメータを設定することが可能となる。 According to the present invention as described above, to specify the actual data of a product to be used in the tuning process from the database record data is stored, a range that can be taken as the parameters of the physical model to be optimized run the physical model calculated by sequentially changing the set of parameters in inner, and the accumulated value of the model mean square error determined for each set of parameters from the actual data corresponding to the calculated result for each one product Min It becomes because the set of parameters were set as the optimum parameter of the physical model, with chosen thereby preventing the optimum parameter nonapplicable values ​​for the physical model, for each parameter in the specified range it is possible to always set the optimal parameters by using the direct approach of calculating a change in value to crush lice. また、この処理の際にデータベース内の実績データを全て用いなくても良いので、処理時間を短くすることもできる。 Further, since it is not necessary using any actual data in the database during this process, it is also possible to shorten the processing time. さらに、チューニング処理に使用する実績データを取り込む処理や、求めた最適なパラメータの組を物理モデルに適用する処理が非常に簡単にできるようになる。 Furthermore, processing and capturing actual data to be used to tune the process, the process of applying a set of optimum parameters obtained in the physical model is to be very easy. よって、人手による作業を減らして物理モデルパラメータの最適化が簡単に行えるようになるとともに、真に最適なパラメータを短時間のうちに確実に設定できるようになる。 Therefore, along with the optimization of the physical model parameters to reduce the manual labor is allow easy, so a truly optimal parameters can be reliably set in a short time.

【図面の簡単な説明】 BRIEF DESCRIPTION OF THE DRAWINGS

【図1】本実施形態による物理モデルパラメータのチューニング方法の処理手順の大まかな流れを示すフローチャートである。 1 is a flowchart showing a general flow of a processing procedure of a method of tuning a physical model parameters according to the present embodiment.

【図2】本発明による物理モデルパラメータのチューニング装置を利用したシステムの構成例を示す図である。 It is a diagram illustrating a configuration example of a system using the tuning device of the physical model parameters according to the invention, FIG.

【図3】図2に示したシステムにおけるデータフローおよび制御フローを示す概念図である。 Is a conceptual diagram showing the data flow and control flow in the system shown in FIG. 3 FIG.

【図4】従来の物理モデルパラメータのチューニング方法の一例(オフラインによる方法)を説明するための図である。 [4] An example of a method for tuning conventional physical model parameters is a diagram for explaining the (method according offline).

【図5】従来の物理モデルパラメータのチューニング方法の他の例(オンラインによる方法)を説明するための図である。 5 is a diagram for explaining another example of a method for tuning conventional physical model parameters (method according online).

【符号の説明】 DESCRIPTION OF SYMBOLS

1 プロセス制御用コンピュータ(プロコン) 2 解析用EWS 3 製造実績データ蓄積ディスク(製造実績データバンク) 4 インタフェース用端末 11 製造実績データ送信手段 12 製造実績データ受信手段 13 製造実績データ蓄積手段 14 チューニング管理手段 15 対象実績データ準備手段 16 シミュレーション用実績データエリア 17 係数テーブル 18 対象物理モデル 19 モデル誤差計算手段 20 誤差蓄積エリア 21 モデル係数同定手段 22 新モデル係数テーブル 1 process control computer (Procon) 2 analysis EWS 3 manufacturing performance data storage disk (manufacturing performance data bank) 4 interface terminal 11 manufacturing performance data transmitting unit 12 manufacturing performance data receiving means 13 manufacturing performance data storage means 14 tune management means 15 target performance data preparation means 16 simulation results data area 17 coefficient table 18 the target physical model 19 model error calculating unit 20 error accumulation area 21 model coefficient identification unit 22 new model coefficients table

Claims (5)

    【特許請求の範囲】 [The claims]
  1. 【請求項1】 現実の処理プロセスを数式で表した物理モデルが上記現実の処理プロセスに近づくように、上記物理モデルのパラメータを最適化する物理モデルパラメータのチューニング方法において、 上記処理プロセスにおける実績データを一製品毎に複数格納して成るデータベースの中からチューニング処理に使用する製品の実績データを取り込み、最適化対象となる物理モデルの各パラメータとして採りうる最小値から最大値までを所定の刻み幅で逐次変更して上記物理モデルを計算する処理を、一製品毎に、取り込んだ全ての製品について実行し、一製品毎の計算結果とそれに対応する実績データとからモデル二乗誤差平均の累算値を各パラメータの組ごとに求め、その累算値が最小となるパラメータの組を上記物理モデルの最適パ The method according to claim 1] actual treatment processes as physical model expressed by equation approaches the actual treatment process, in the process of tuning the physical model parameters to optimize the parameters of the physical model, performance in the processing processes data one for each product captures actual data of a product to be used in the tuning process from the database of a plurality stored, optimized subject to a physical model of a certain interval from the minimum value to the maximum value that can be taken as the parameters in the process of calculating the physical model are sequentially changed for each one product, run on all products taken, the model squared error average of the accumulated values ​​from the calculation result for each one product and performance data corresponding thereto the calculated for each set of parameters, a set of parameters that accumulated value is minimized for the physical model best path メータとして設定するようにしたことを特徴とする物理モデルパラメータのチューニング方法。 The method of tuning a physical model parameters, characterized in that it has set as the meter.
  2. 【請求項2】 上記データベースの中からチューニング処理に使用する製品として取り込む実績データをユーザが指定可能なように成されたことを特徴とする請求項1 2. A method according to claim, characterized in that the user actual data capture as a product to be used in the tuning process from the above database is made so as to be designated 1
    に記載の物理モデルパラメータのチューニング方法。 The method of tuning a physical model parameters described.
  3. 【請求項3】 現実の処理プロセスを数式で表した物理モデルが上記現実の処理プロセスに近づくように、上記物理モデルのパラメータを最適化する物理モデルパラメータのチューニング装置において、 上記処理プロセスにおける実績データを一製品毎に複数格納するようにしてデータベースを構築するデータベース構築手段と、 上記データベースの中からチューニング処理に使用する製品の実績データを指定するとともに、最適化対象となる物理モデルの各パラメータとして採りうる最小値と最大値および所定の刻み幅を指定してチューニング要求を行うチューニング要求手段と、 上記チューニング要求手段により指定された各パラメータの最小値から最大値までを所定の刻み幅で逐次変更して上記物理モデルを計算するという処理を、一 As 3. A realistic physical model processing process expressed by formula approaches the actual treatment process, the tuning system of the physical model parameters to optimize the parameters of the physical model, performance in the processing processes data and database construction means for constructing a database so as to store a plurality every one product, as well as specify the actual data of a product to be used in the tuning process from the database, as the parameters of the physical model to be optimized sequentially changing the tuning request unit the lowest possible and the maximum value and by specifying a certain interval for tuning requests, the maximum value from the minimum value of each parameter specified by said tuning request unit at a certain interval the processing for calculating the physical model with one 製品毎に、指定された全ての製品について実行する物理モデル実行手段と、 上記物理モデル実行手段における一製品毎の計算結果とそれに対応する実績データとからモデル二乗誤差平均の累算値を各パラメータの組ごとに求め、その求めた累積二乗誤差平均値を各パラメータの組と共にメモリに記憶させるモデル誤差計算手段と、 上記メモリに記憶された各パラメータの組ごとの累積二乗誤差平均のうち、値が最小となるパラメータの組を上記物理モデルの最適パラメータとして設定するパラメータ同定手段とを備えたことを特徴とする物理モデルパラメータのチューニング装置。 For each product, and the physical model execution means for executing all of the products that are specified, the physical model execution unit calculation result for each one product in each parameter the accumulated value of the model mean square error from the actual data corresponding thereto obtained for each set, the determined and the model error calculation means for storing in memory the cumulative square error mean value with each set of parameters, among the cumulative mean square error for each set of the parameters stored in the memory, the value There tuning device of the physical model parameters, characterized in that the set of the minimum parameter and a parameter identification means for setting the optimal parameters of the physical model.
  4. 【請求項4】 上記チューニング要求手段は更に、チューニング対象とする物理モデルおよびそれに使用する各パラメータのうち任意のパラメータを指定可能なように構成されることを特徴とする請求項3に記載の物理モデルパラメータのチューニング装置。 Wherein further said tuning request means, physical as claimed in claim 3, characterized in that it is configured to be any parameters among the parameters used in the physical model and it to be tuned tuning apparatus of the model parameters.
  5. 【請求項5】 上記データベース構築手段は、上記処理プロセスの実操業を制御するプロセスコンピュータから製品の実績データを一製品毎に逐次取り込んで上記データベースを構築することを特徴とする請求項3または4 Wherein said database building means, according to claim 3 or 4, characterized in that to construct the database captures sequentially from the process computer actual data of a product for each one product for controlling the actual operation of the treatment process
    に記載の物理モデルパラメータのチューニング装置。 Tuning device of the physical model parameters described.
JP32352396A 1996-11-19 1996-11-19 Method and device for tuning physical model parameter Pending JPH10149203A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP32352396A JPH10149203A (en) 1996-11-19 1996-11-19 Method and device for tuning physical model parameter

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP32352396A JPH10149203A (en) 1996-11-19 1996-11-19 Method and device for tuning physical model parameter

Publications (1)

Publication Number Publication Date
JPH10149203A true JPH10149203A (en) 1998-06-02

Family

ID=18155650

Family Applications (1)

Application Number Title Priority Date Filing Date
JP32352396A Pending JPH10149203A (en) 1996-11-19 1996-11-19 Method and device for tuning physical model parameter

Country Status (1)

Country Link
JP (1) JPH10149203A (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008040660A (en) * 2006-08-03 2008-02-21 Toyota Motor Corp Model creation method and adaptation method
WO2013030860A1 (en) * 2011-08-26 2013-03-07 株式会社日立製作所 Predictive sequential calculation device
CN103105778A (en) * 2013-02-05 2013-05-15 中原工学院 Estimation method for industrial process simulation mathematical model parameters

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008040660A (en) * 2006-08-03 2008-02-21 Toyota Motor Corp Model creation method and adaptation method
JP4539619B2 (en) * 2006-08-03 2010-09-08 トヨタ自動車株式会社 Model creation method and fitting method
WO2013030860A1 (en) * 2011-08-26 2013-03-07 株式会社日立製作所 Predictive sequential calculation device
JPWO2013030860A1 (en) * 2011-08-26 2015-03-23 株式会社日立製作所 Predictive sequential computer
US9483306B2 (en) 2011-08-26 2016-11-01 Hitachi, Ltd. Predictive sequential calculation device
CN103105778A (en) * 2013-02-05 2013-05-15 中原工学院 Estimation method for industrial process simulation mathematical model parameters
CN103105778B (en) * 2013-02-05 2015-07-15 中原工学院 Estimation method for industrial process simulation mathematical model parameters

Similar Documents

Publication Publication Date Title
US5351202A (en) Evaluation and ranking of manufacturing line non-numeric information
Elsayed et al. Optimal levels of process parameters for products with multiple characteristics
CN100440092C (en) Quality control system for manufacturing industrial products
US5983246A (en) Distributed document classifying system and machine readable storage medium recording a program for document classifying
CN100511054C (en) Experiment management system and method
EP1443375A1 (en) Fault diagnosis
AU752024B2 (en) Method and equipment for assessing the life of members put under high in-service temperature environment for long period
EP0045857B1 (en) Process control apparatus
US6879971B1 (en) Automated method for building a model
US7092863B2 (en) Model predictive control (MPC) system using DOE based model
US5350547A (en) Method of retrieving conditions for molding using expert system
KR100503771B1 (en) Method of and apparatus for extracting abnormal factors in a processing operation
CN1129084C (en) Manufacturing process change control apparatus and its manufacturing process change control method
JP2003233652A (en) Quality control system, quality control method, quality control program, and recording medium recording quality control program
JPH11354453A (en) Adjusting method for film thickness of evaporation equipment for production of semiconductor
JPH11344450A (en) Instruction data forming method and defect classifying method and apparatus thereof
US20050114081A1 (en) Inspection method, inspection apparatus, and facility diagnosis unit
CN1834607A (en) Inspection method and inspection apparatus
CN1304501A (en) Integrated support system for supporting sheet metal machining
CN1166919C (en) Apparatus and method concerning analysis and generation of part program for measuring coordinates and surface properties
JP3412384B2 (en) Control model configuration supporting apparatus
JP2767320B2 (en) Molding conditions out method of injection molding machine
KR100402720B1 (en) Process and device for controlling a metallurgical plant
US10121107B2 (en) Machine learning device and method for optimizing frequency of tool compensation of machine tool, and machine tool having the machine learning device
CN100362332C (en) Method for online test of steel plate mechanic property during rolling process

Legal Events

Date Code Title Description
A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20020326