JPWO2018062398A1 - アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体 - Google Patents

アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体 Download PDF

Info

Publication number
JPWO2018062398A1
JPWO2018062398A1 JP2018542864A JP2018542864A JPWO2018062398A1 JP WO2018062398 A1 JPWO2018062398 A1 JP WO2018062398A1 JP 2018542864 A JP2018542864 A JP 2018542864A JP 2018542864 A JP2018542864 A JP 2018542864A JP WO2018062398 A1 JPWO2018062398 A1 JP WO2018062398A1
Authority
JP
Japan
Prior art keywords
aluminum
aluminum product
characteristic
parameters
parameter
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.)
Granted
Application number
JP2018542864A
Other languages
English (en)
Other versions
JP6889173B2 (ja
Inventor
信吾 岩村
信吾 岩村
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.)
UACJ Corp
Original Assignee
UACJ 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 UACJ Corp filed Critical UACJ Corp
Publication of JPWO2018062398A1 publication Critical patent/JPWO2018062398A1/ja
Application granted granted Critical
Publication of JP6889173B2 publication Critical patent/JP6889173B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22F—CHANGING THE PHYSICAL STRUCTURE OF NON-FERROUS METALS AND NON-FERROUS ALLOYS
    • C22F1/00—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working
    • C22F1/04—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working of aluminium or alloys based thereon
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21C—MANUFACTURE OF METAL SHEETS, WIRE, RODS, TUBES OR PROFILES, OTHERWISE THAN BY ROLLING; AUXILIARY OPERATIONS USED IN CONNECTION WITH METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL
    • B21C23/00—Extruding metal; Impact extrusion
    • B21C23/002—Extruding materials of special alloys so far as the composition of the alloy requires or permits special extruding methods of sequences
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D2/00—Arrangement of indicating or measuring devices, e.g. for temperature or viscosity of the fused mass
    • B22D2/006—Arrangement of indicating or measuring devices, e.g. for temperature or viscosity of the fused mass for the temperature of the molten metal
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Physics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Organic Chemistry (AREA)
  • Metallurgy (AREA)
  • Materials Engineering (AREA)
  • Thermal Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Continuous Casting (AREA)

Abstract

アルミ製品の製造条件の最適化に寄与するために、特性予測装置（１）は、アルミ製品の製造条件を示す複数のパラメータを取得するデータ取得部（１１１）と、入力層と少なくとも１つの中間層と出力層とを含み、複数の上記パラメータを入力層への入力データとして、該パラメータが示す製造条件で製造されたアルミ製品の特性値を出力層から出力するニューラルネットワーク（１１２）と、を備えている。

Description

本発明は、所定の製造条件で製造されたアルミニウム製品の特性を示す特性値を出力するアルミニウム製品の特性予測装置等に関する。
金属製品の特性を予測する方法について、従来から研究が進められている。例えば、下記の特許文献１には、アルミニウム合金板の製造条件から、一次回帰式により、その製造条件で製造されたアルミニウム合金板の材質を予測する技術が開示されている。
日本国公開特許公報「特開２００２−２２４７２１号公報（公開日：２００２年８月１３日）」
アルミニウム製品の製造においては、所望の製品特性を得るために、各工程における製造条件を最適化する必要がある。しかしながら、工業的な製造工程は複雑であり、制御するパラメータが多いため、最適化の指針が立て難いのが現状である。
現在主流となっているのは、経験的に影響が大きいと判断されるパラメータに着目し、トライアンドエラーにより好適な製造条件を探す方法である。この方法は、時間と労力がかかる上に、多数のパラメータの中から限られた数のパラメータのみを選んで検討することになるため、最も適した製造条件を選ぶことができない。
このような問題に対し、例えば特許文献１のような一次回帰式を用いた予測の他、重回帰分析、主成分分析、部分最小二乗法などの分析手法を用いて、過去の製造実績データから製品特性の予測を行うことが考えられる。しかしながら、このような分析手法は、複雑な工業的製造プロセスに適用するには表現力が不足している。このため、従来技術では、アルミニウム製品の特性に対して特に強い影響を持つパラメータの傾向を明らかにする程度のことが限界であり、アルミニウム製品の製造条件を最適化することは難しいという問題がある。
本発明は、前記の問題点に鑑みてなされたものであり、その目的は、アルミニウム製品の製造条件の最適化に寄与するアルミニウム製品の特性予測装置等を実現することにある。
上記の課題を解決するために、本発明の一態様に係るアルミニウム製品の特性予測装置は、所定の製造条件で製造された製品の特性を示す特性値を出力する特性予測装置であって、アルミニウム製品の製造条件を示す複数のパラメータを取得するデータ取得部と、入力層と少なくとも１つの中間層と出力層とを含み、複数の上記パラメータを上記入力層への入力データとして、該パラメータが示す製造条件で製造されたアルミニウム製品の特性値を上記出力層から出力するニューラルネットワークと、を備えている。
上記の課題を解決するために、本発明の一態様に係るアルミニウム製品の特性予測方法は、所定の製造条件で製造されたアルミニウム製品の特性を示す特性値を出力する特性予測装置を用いた特性予測方法であって、アルミニウム製品の製造条件を示す複数のパラメータを取得するデータ取得ステップと、入力層と少なくとも１つの中間層と出力層とを含み、複数の上記パラメータを上記入力層への入力データとして、該パラメータが示す製造条件で製造されたアルミニウム製品の特性値を上記出力層から出力するニューラルネットワークによって算出された特性値を出力する出力ステップと、を含む。
本発明の一態様によれば、アルミニウム製品の製造条件の最適化に寄与する特性予測装置等を提供することができるという効果を奏する。
本発明の一実施形態に係る特性予測装置の要部構成を示すブロック図である。 上記特性予測装置が備えるニューラルネットワークの構成の一例を示す図である。 上記ニューラルネットワークの計算方法を説明する図である。 上記ニューラルネットワークの学習処理の一例を示すフローチャートである。 上記ニューラルネットワークの最適化処理の一例を示すフローチャートである。 上記特性予測装置による特性予測処理の一例を示すフローチャートである。 本発明の実施例１において使用したパラメータを示す図である。 本発明の実施例４において使用したパラメータを示す図である。 アルミニウム製品のマンガン添加量と鉄添加量を変化させた場合の引張強さの変化を示す等高線図である。
〔装置構成〕
本実施形態に係る特性予測装置１について、図１に基づいて説明する。図１は、特性予測装置１の要部構成を示すブロック図である。特性予測装置１は、アルミニウム（以下、アルミと記載）製品の製造条件を入力データとし、その製造条件にて製造されたアルミ製品が有する特性の予測値を示すパラメータ（以下、特性値と呼ぶ）を出力する装置である。
特性予測装置１は、特性予測装置１の各部を統括して制御する制御部１１、制御部１１が使用する各種データを記憶する記憶部１２を備えている。また、特性予測装置１は、特性予測装置１に対するユーザの入力操作を受け付ける入力部１３、および特性予測装置１がデータを出力するための出力部１４を備えている。さらに、制御部１１には、データ取得部１１１、ニューラルネットワーク１１２、誤差計算部１１３、学習部１１４、評価部１１５、最適化部１１６、および特性予測部１１７が含まれている。そして、記憶部１２には、学習データセット１２１および検定データセット１２２が記憶されている。
データ取得部１１１は、ニューラルネットワーク１１２に入力するパラメータを取得する。例えば、データ取得部１１１は、アルミ製品の特性値をニューラルネットワーク１１２にて算出する場合には、アルミ製品の製造条件を示す複数のパラメータを取得する。詳細は後述するが、データ取得部１１１が取得するパラメータには、特性の予測に用いるパラメータの他、学習データセット１２１に含まれるパラメータおよび検定データセット１２２に含まれるパラメータがある。
ニューラルネットワーク１１２は、複数のニューロンを介して情報を伝達する動物の脳神経系を模擬した情報処理モデルにより、データ取得部１１１が取得したパラメータに対する出力値を出力する。この出力値は、アルミニウム製品の特性値である。ニューラルネットワーク１１２の詳細は後述する。
誤差計算部１１３および学習部１１４は、ニューラルネットワーク１１２の学習システムを実現するものであり、ニューラルネットワーク１１２の学習に関する処理を行う。また、評価部１１５および最適化部１１６は、ニューラルネットワーク１１２の超パラメータを最適化する最適化システムを実現するものであり、ニューラルネットワーク１１２の最適化に関する処理を行う。最適化システムは必須ではないが、特性予測装置１は、高精度な予測を行うという観点から、最適化システムを含むことが好ましい。学習および最適化の詳細は後述する。
なお、超パラメータとは、ニューラルネットワーク１１２の特性予測計算および学習の枠組みを規定する１または複数のパラメータである。超パラメータには、ネットワーク構造に関する超パラメータと、学習条件に関する超パラメータとがある。ネットワーク構造に関する超パラメータとしては、例えば、階層数、各階層のノード数、各階層の各ノードが持つ活性化関数の種類、および最終階層の各ノードが持つ誤差関数の種類等が挙げられる。また、学習条件に関する超パラメータとしては、例えば、学習回数および学習率等が挙げられる。また、学習を高速化する方法として、例えば、パラメータの正規化、事前学習、学習率の自動調整、Momentum、ミニバッチ法などがある。また、過学習を抑制する方法として、例えばDropOut、L1Norm、L2Norm、Weight Decayなどがある。このような方法を適用する場合、それら方法に関連したパラメータも超パラメータに含まれる。なお、超パラメータは、連続値であってもよいし、離散値であってもよい。例えば、特定の高速化手法を使用するか否かといった離散情報を、０と１のような二値を用いて表し、これを超パラメータとしてもよい。以下において「超パラメータ」とは、１または複数の超パラメータの値のセットを意味しているものとする。後述の最適化処理において（図５参照）、最適化部１１６が超パラメータを決定する場合、最適化部１１６は、超パラメータの値のセットに含まれる１つ以上の値が異なる別の超パラメータを次々に決定する。
特性予測部１１７は、学習済みのニューラルネットワーク１１２が出力する出力値を、アルミ製品の特性値として出力部１４に出力させる。例えば、出力部１４が情報を表示出力する表示部である場合には、特性予測部１１７は、アルミ製品の特性値を出力部１４に表示させる。なお、特性値は、連続値（例えば強度値など）、離散値（例えば品質やグレードを示す値など）、および０／１の二値（不良の有無などを示す値など）の何れであってもよい。
学習データセット１２１は、ニューラルネットワーク１１２の学習に用いるデータであり、アルミ製品の製造条件を示す複数のパラメータと、該製造条件で製造されたアルミ製品の特性値とが対になった学習データを複数含む。各学習データに含まれるパラメータと特性値は、個数は同じであるが少なくとも一部の値が他の学習データと異なっている。学習データセット１２１は、パラメータの個数と特性値の個数との合計個数よりも多くの学習データを含んでいればよいが、過学習になることを回避するという観点からは、多数の学習データを含むことが好ましい。
検定データセット１２２は、ニューラルネットワーク１１２の性能評価に用いるデータであり、アルミ製品の製造条件を示す複数のパラメータと、該製造条件で製造されたアルミ製品の特性値とが対になった検定データを複数含む。各検定データに含まれるパラメータと特性値は、個数は同じであるが少なくとも一部の値が他の学習データと異なっている。検定データセット１２２は、学習データセット１２１と同様に、パラメータの個数と特性値の個数との合計個数よりも多くの検定データを含んでいればよく、過学習になることを回避するという観点からは、多数の検定データを含むことが好ましい。
学習データおよび検定データは、実際にアルミ製品を所定の製造条件で製造して、製造されたアルミ製品の特性値を測定することで生成することができる。パラメータおよび特性値の詳細は後述する。
〔ニューラルネットワークの構成〕
ニューラルネットワーク１１２の構成について図２に基づいて説明する。図２は、ニューラルネットワーク１１２の構成の一例を示す図である。図２のニューラルネットワーク１１２は、Ｘ１〜Ｘｉのｉ個の入力データから、Ｚ１〜Ｚｋのｋ個の出力データを出力する。Ｘ１〜Ｘｉは、アルミ製品の製造条件を示すパラメータであり、Ｚ１〜Ｚｋは特性値である。
図２のニューラルネットワーク１１２は、第１層である入力層から最終層である出力層までのＮ層から成る一方向結合のニューラルネットワークである。各層は、定数からなるバイアス項を持つこともできる。Ｎ層のうち第２層から第Ｎ−１層までが中間層である。入力層を構成するノードの数は、入力データと同じ個数とする。よって、図２の例では、入力層は、Ｙ１〜Ｙｉのｉ個のノードから成る。また、出力層を構成するノードの数は、出力データと同じ個数とする。よって、図２の例では、出力層は、Ｙ１〜Ｙｋのｋ個のノードから成る。図２の例には、複数の中間層を記載しているが、中間層は１層であってもよい。中間層に含まれる各層は、少なくとも２つのノードで構成される。
〔ニューラルネットワークの計算方法〕
ニューラルネットワーク１１２の計算方法について図３に基づいて説明する。図３は、ニューラルネットワーク１１２の計算方法を説明する図である。より詳細には、図３では、ニューラルネットワーク１１２に含まれる複数の階層のうち、階層（ｎ−１）と階層（ｎ）を示しており、このうち階層（ｎ）のノードＹｊ （ｎ）における計算方法を示している。
なお、階層（ｎ−１）はｉ個のノードを含むｉ次元の階層であり、階層（ｎ）はｊ個のノードを含むｊ次元の階層である。また、ｎ≧３である。第１階層、すなわち入力層の各ノードの値は、入力データであるパラメータ値をそのままあるいは規格化して適用することができる。
ノードＹｊ （ｎ）は、下位階層である階層（ｎ−１）に属するｉ個のノードのそれぞれから、それらノードのノード値を取得する。この際、各ノード値について、ノード間の接続毎に設定された重みパラメータＷｊｉ （ｎ−１）による重み付けを行う。これにより、ノードＹｊ （ｎ）が受け取る情報量Ａｊ （ｎ）は、下記の数式（１）のような線形関数で定義される。このＡを活性と言う。
Figure 2018062398
この活性Ａが高くなったとき、ノードＹｊ （ｎ）の値は、下記の数式（２）に示すように活性化関数ｆに応じた値を示す。
Figure 2018062398
活性化関数ｆとしては、任意の関数を用いることができ、例えば下記の数式（３）に示すシグモイド関数を用いることもできる。
Figure 2018062398
ニューラルネットワーク１１２は、以上のようにして、中間層から出力層までの各階層の各ノードのノード値を、下位の階層から順次算出する。これにより、ニューラルネットワーク１１２は、出力層におけるＺ１〜Ｚｋの値を出力することができる。これらの値は、アルミ製品の特性の予測値（特性値）であるから、これらの計算を特性予測計算と呼ぶ。
〔ニューラルネットワークの学習〕
学習部１１４は、ニューラルネットワーク１１２が学習データセット１２１を最もよく説明できるように、すなわち、出力層の値と学習データにおける特性値との差が最小となるように、ニューラルネットワーク１１２における全ての重みＷを最適化する。
誤差計算部１１３は、学習データに含まれる複数のパラメータをニューラルネットワーク１１２に入力したときに出力される特性値と、該学習データに含まれる特性値との誤差（以下、学習誤差と呼ぶ）を算出する。誤差計算部１１３は、例えばこれらの値の２乗誤差の和を学習誤差として算出してもよい。この場合、学習誤差は、下記の数式（４）に示すような誤差関数Ｅ（Ｗ）で表される。
Figure 2018062398
また、パラメータ（この場合ＹとＺ）を０以上１以下の数値範囲で規格化した場合、学習誤差Ｘ（単位：％）は、下記の数式（５）で表すこともできる。
Figure 2018062398
学習部１１４は、誤差計算部１１３が算出した学習誤差が小さくなるように重みＷを更新する。重みＷの更新には、例えば誤差逆伝播法を適用してもよい。誤差逆伝播法を適用する場合、活性化関数としてシグモイド関数を用いていれば、学習部１１４による重みパラメータＷの修正量は下記の数式（６）で表される。
Figure 2018062398
数式（６）において、εは学習率であり、設計者が任意に設定することができる。また、数式（６）において、δは誤差信号である。二乗誤差の和を示す誤差関数を用いる場合、出力層の誤差信号は下記の数式（７）のように表すことができ、出力層以外の誤差信号は下記の数式（８）のように表すことができる。
Figure 2018062398
Figure 2018062398
学習部１１４は、以上の計算を全ての重みＷについて行い、各重みＷの値を更新する。この計算を繰り返し行うことで、重みＷが最適な値に収束していく。この計算手順を構造学習計算と呼ぶ。
〔予測可能な特性値と特性値を予測するためのパラメータについて〕
特性予測装置１は、アルミ製品の製造において生じる諸評価項目に関する特性値を出力することができる。例えば、アルミ製品の材料組織に関する特性値、アルミ製品の物性値、不良率、製造コスト等を示す特性値を出力することもできる。
材料組織に関する特性値は、材料組織により支配的に決定される特性値であり、例えば機械的性質、粗大な結晶粒による外観不良（外観品質）、部分溶融、異方性、成形性、または耐食性等を示すものであってもよい。これらの特性は、アルミの組織（材料組織）に強く関連しているためである。これらのうち、外観品質は、アルミ製品に特徴的な特性であると言える。例えば飲料用のアルミ缶などのように、アルミ製品には外観の美しさを活かした用途があるためである。また、材料組織関連以外の特性値として、表面特性や製造コスト等が挙げられる。
上記のような特性値の具体例としては、下記のようなものが挙げられる。なお、学習データを生成する際に、特性値を実測する必要があるため、特性値は、多数のアルミ製品について測定することが容易なものとすることが好ましい。
＜機械的性質を示す特性値＞：引張強さ、耐力、破壊靭性
＜外観不良を示す特性値＞：結晶粒径または表面の目視評価の結果を示す値
＜部分溶融を示す特性値＞：表面欠陥数、伸び（部分溶融があることで影響を受ける因子）を示す値
＜異方性を示す特性値＞：耳率、０／４５／９０°の機械的性質の差分を示す値
＜成形性を示す特性値＞：伸びを示す値
＜耐食性を示す特性値＞：ＳＣＣ（Stress Corrosion Cracking）破断時間、ＳＷＡＴ（Surface Water Absorption Test）試験結果を示す値
＜表面特性を示す特性値＞：表面欠陥数を示す値
＜製造コストを示す特性値＞：各工程に要したエネルギー量、時間、間接費などを示す値
アルミ製品がアルミ合金である場合、主要添加元素（合金成分）と、各製造工程における加工熱履歴が、材料組織に及ぼす影響が大きい。よって、アルミ合金の材料組織に関する特性値を予測する場合には、ニューラルネットワーク１１２に入力するパラメータとして、合金成分を示すパラメータと、各製造工程における加工熱履歴を示すパラメータとを用いることが望ましい。ニューラルネットワーク１１２に入力するパラメータを、合金成分を示すパラメータと加工熱履歴を示すパラメータに限定することにより、パラメータの種類を大幅に削減することができ、高速な学習と、予測精度の向上を図ることができる。
なお、主要なアルミ合金は、アルミに対して、けい素、鉄、銅、マンガン、マグネシウム、クロム、亜鉛、チタン、ジルコニウム、および、ニッケルの少なくとも何れかを含んでいる。このため、ニューラルネットワーク１１２に入力するパラメータ群には、これらの元素の添加量を示すパラメータが含まれていることが好ましい。
また、製造工程における加工熱履歴を示すパラメータとしては、例えば、温度を示すパラメータ、加工度を示すパラメータ、および加工時間を示すパラメータが挙げられる。具体例を挙げれば、連結した４機の圧延機を用いて熱間仕上圧延を行う工程においては、加工熱履歴を示すパラメータとして下記のようなパラメータを使用することができる。
１パス目（１機目の圧延機）：［入側温度、出側温度、板厚変化量、圧延速度］
２パス目（２機目の圧延機）：［入側温度、出側温度、板厚変化量、圧延速度］
３パス目（３機目の圧延機）：［入側温度、出側温度、板厚変化量、圧延速度］
４パス目（４機目の圧延機）：［入側温度、出側温度、板厚変化量、圧延速度］
圧延後 ：［冷却速度（温度、時間）］
なお、加工熱履歴を示すパラメータではないが、熱間仕上圧延工程に関するパラメータとしては、例えば、張力、コイルサイズ、クーラント量、および圧延ロール粗さ等が挙げられる。また、溶体化処理工程の加工熱履歴を示すパラメータとしては、例えば、昇温速度、保持温度、保持時間、冷却速度、および冷却遅れ時間等が挙げられる。
〔アルミ製品と製造工程の例〕
特性予測装置１により特性を予測することが可能なアルミ製品としては、例えば、アルミ鋳物材、アルミ板材（圧延材）、アルミ箔材、アルミ押出材、アルミ鍛造材等が挙げられる。これらのアルミ製品の製造工程には、下記のような工程が含まれるので、ニューラルネットワーク１１２に入力するパラメータとして、これらの製造工程の少なくとも何れか１工程における製造条件を示すパラメータを適用することが可能である。
＜アルミ鋳物材＞：溶解工程、脱ガス工程、連続鋳造工程、半連続鋳造工程、ダイキャスト工程
＜アルミ板材（圧延材）＞：溶解工程、脱ガス工程、鋳造工程、連続鋳造工程、均質化処理工程、熱間粗圧延工程、熱間仕上圧延工程、冷間圧延工程、溶体化処理工程、時効処理工程、矯正工程、焼鈍工程、表面処理工程
＜アルミ箔材＞：溶解工程、脱ガス工程、鋳造工程、連続鋳造工程、均質化処理工程、熱間粗圧延工程、熱間仕上圧延工程、冷間圧延工程、溶体化処理工程、時効処理工程、矯正工程、焼鈍工程、表面処理工程、箔圧延工程
＜アルミ押出材＞：溶解工程、脱ガス工程、鋳造工程、均質化処理工程、熱間押出工程、引き抜き工程、溶体化処理工程、時効処理工程、矯正工程、焼鈍工程、表面処理工程、切断工程
＜アルミ鍛造材＞：（アルミ鋳物材、アルミ圧延材、またはアルミ押出材を素材として）熱間鍛造工程、冷間鍛造工程、溶体化処理工程、時効処理工程、焼鈍工程
〔特定のアルミ製品において適用することが望ましいパラメータの例〕
特性を予測するアルミ製品が、熱処理型のアルミ合金である場合、溶体化処理後の室温保持時間を、ニューラルネットワーク１１２に入力するパラメータに含めることが好ましい。熱処理型のアルミ合金は、溶体化処理工程後の室温に応じて強度が変わるため、溶体化処理後の室温保持時間がパラメータとして重要であるからである。熱処理型のアルミ合金としては、例えば自動車ボディシート材として主に用いられる、Ａｌ−Ｍｇ−Ｓｉ系合金が挙げられる。このＡｌ−Ｍｇ−Ｓｉ系合金（６０００系アルミニウム合金）の他に、Ａｌ−Ｃｕ−Ｍｇ系合金（２０００系アルミニウム合金）、Ａｌ−Ｚｎ−Ｍｇ−Ｃｕ系合金（７０００系アルミニウム合金）等も熱処理型のアルミ合金である。
また、特性を予測するアルミ製品が、ジルコニウム、クロム、およびマンガンの少なくとも何れかを含む熱処理型のアルミ合金、または高強度鍛造材である場合、ジルコニウム添加量を示すパラメータ、均質化処理の熱履歴（時間、温度）を示すパラメータ、および溶体化処理の熱履歴（時間、温度、冷却速度）を示すパラメータを、ニューラルネットワーク１１２に入力するパラメータに含めることが好ましい。これらの組み合わせを誤ると、熱処理不適あるいは粗大結晶粒発生等により、製品の強度が低下する場合があるためである。高強度鍛造材としては、例えば航空機等に用いられるＡｌ−Ｚｎ−Ｍｇ−Ｃｕ系合金が挙げられる。
また、特性を予測するアルミ製品が、純度９９．９％以上の高純度アルミである場合、鉄の添加量を示すパラメータを、ニューラルネットワーク１１２に入力するパラメータに含めることが好ましい。高純度アルミでは、ｐｐｍオーダーの僅かな鉄の添加量の違いにより結晶粒径や外観品質等が大きく変わり得るためである。
〔パラメータの集約〕
複数のパラメータ間に相関がある場合、それらのパラメータを集約してパラメータ数を減らしてもよい。例えば、何らかの加工プロセスにおけるパラメータの中に、加工前の寸法と加工後の寸法が含まれている場合、それらを加工度という一つのパラメータに集約してもよい。このような次元圧縮は、物理理論、経験則、およびシミュレーション計算などに基づいて行うことができる。
次元圧縮により、パラメータをより上位の概念に置き換えることができる。これは、予測計算の結果を理論的、経験的に理解する際に役立つ。また、パラメータ数が少なくなるため、学習速度も向上する。
例えば、加工前後の寸法を示す複数のパラメータを、加工度という１つのパラメータに集約する以外にも、下記のような集約が可能である。
＜材料温度、加工度、被加工材のサイズ、および加工設備のサイズを示す複数のパラメータ＞：加工発熱量、および設備からの抜熱量を示すパラメータに集約
＜合金成分、温度、および時間を示す複数のパラメータ＞：固溶量、析出物の分散状態（数、サイズ、体積率）を示すパラメータに集約
＜析出物の分散状態を示す複数のパラメータ＞：再結晶抑止力を示すパラメータに集約
＜加工度を示す複数のパラメータ＞：転位密度というパラメータに集約
＜転位密度、再結晶抑止力、温度、および時間を示す複数のパラメータ＞：再結晶率というパラメータに集約
工業的な製造工程は複雑であり、上記のような関係性を見出すことは一般には容易ではないが、特性予測装置１を用いることで、これらの関係性を見出すことができる。
〔学習処理〕
特性予測装置１が実行する学習処理について図４に基づいて説明する。図４は、学習処理の一例を示すフローチャートである。
まず、データ取得部１１１は、記憶部１２に記憶されている学習データセット１２１を取得する（Ｓ１）。なお、各超パラメータが未設定である場合、これら超パラメータについても取得し、ニューラルネットワーク１１２に適用してもよい。超パラメータは、例えば入力部１３を介してユーザが入力してもよい。
次に、学習部１１４は、ニューラルネットワーク１１２の重みＷを乱数により決定し（Ｓ２）、決定した重みＷをニューラルネットワーク１１２に適用する。なお、重みＷの初期値の決定方法はこの例に限られない。
次に、データ取得部１１１は、取得した学習データセット１２１の中から学習データを１つ選択し（Ｓ３）、選択した学習データの各パラメータをニューラルネットワーク１１２の入力層に入力する。これにより、ニューラルネットワーク１１２は、入力された各パラメータから出力値を算出する（Ｓ４）。
次に、誤差計算部１１３は、ニューラルネットワーク１１２が算出した出力値と、Ｓ３で選択された学習データに含まれる特性値との誤差（学習誤差）を算出する（Ｓ５）。そして、学習部１１４は、Ｓ５で算出された誤差が最小化されるように重みＷを調整する（Ｓ６）。
次に、学習部１１４は、学習を終了するか否かを判定する（Ｓ７）。学習部１１４が学習を終了すると判定した場合（Ｓ７でＹＥＳ）、学習処理は終了となり、これにより、ニューラルネットワーク１１２は学習済みの状態となる。一方、学習部１１４が学習を終了しないと判定した場合（Ｓ７でＮＯ）、処理はＳ３に戻る。２回目以降のＳ３の処理では、データ取得部１１１は、取得した学習データセット１２１の中から、未選択の学習データを選択する。そして、この学習データを用いたＳ４からＳ７の処理が再度行われる。つまり、学習処理では、Ｓ７で学習を終了すると判定されるまで、学習データを変更しながら重みパラメータを調整する処理を繰り返して行う。
なお、Ｓ７では、学習部１１４は、例えば学習回数（Ｓ３からＳ６の一連の処理を行った回数）が、所定回数に達した場合に、学習を終了すると判定してもよい。また、Ｓ７では、学習部１１４は、例えば評価部１１５が算出したニューラルネットワーク１１２の評価値が目標値に達した場合に、学習を終了すると判定してもよい。すなわち、検定データを用いて、評価部１１５に検定誤差を算出させ、この検定誤差の値に基づいて学習を終了するかを判定してもよい。ニューラルネットワーク１１２が過学習状態となっている場合には、学習誤差が小さかったとしても、検定誤差が大きくなる。つまり、予測精度が高いニューラルネットワーク１１２は、学習誤差と検定誤差の何れもが小さい値となる。よって、検定誤差が目標値以下となるまで学習を行うことにより、ニューラルネットワーク１１２の予測精度を高めることができる。
〔最適化処理〕
最適な超パラメータは、学習等に用いるデータセットに応じて異なっているので、特性予測装置１に高精度な予測性能を発揮させるためには、超パラメータの最適化が必要である。以下、特性予測装置１が実行する最適化処理について図５に基づいて説明する。図５は、最適化処理の一例を示すフローチャートである。
まず、データ取得部１１１は、記憶部１２に記憶されている検定データセット１２２と学習データセット１２１を取得する（Ｓ１１）。次に、最適化部１１６は、ニューラルネットワーク１１２の超パラメータのそれぞれを乱数により決定し（Ｓ１２）、決定した各超パラメータをニューラルネットワーク１１２に適用する。なお、ユーザは、超パラメータの範囲を指定してもよく、範囲が指定された場合には、最適化部１１６は、その範囲内で超パラメータを決定する。また、超パラメータの初期値の決定方法はこの例に限られない。
次に、データ取得部１１１、誤差計算部１１３、および学習部１１４は、図４に示した学習処理を行う（Ｓ１３）。これにより、Ｓ１２で決定した超パラメータを適用したニューラルネットワーク１１２が学習済みの状態となる。
次に、評価部１１５は、学習済みのニューラルネットワーク１１２の性能を評価し（Ｓ１４）、評価結果を記憶部１２に記録する（Ｓ１５）。具体的には、評価部１１５は、検定データセット１２２に含まれる検定データの各パラメータをニューラルネットワーク１１２の入力層に入力し、ニューラルネットワーク１１２に出力値を算出させる。そして、評価部１１５は、ニューラルネットワーク１１２が算出した出力値と、検定データに含まれる特性値との誤差値（検定誤差値）を算出し、算出した誤差値をニューラルネットワーク１１２の評価値として記録する。また、評価部１１５は、ニューラルネットワーク１１２の学習終了時における学習誤差の値も併せて記録してもよい。
入力層に入力する検定データ数がＤであるとき、誤差値Ｅ０は、例えば下記の数式（９）で表される。なお、数式（９）におけるＫは予測する特性値の個数である。また、検定誤差をパーセントで表すこともできる。この場合、パラメータを０以上１以下の数値範囲で規格化すれば、検定誤差は、２×Ｅ００．５×１００となる。
Figure 2018062398
次に、最適化部１１６は、ニューラルネットワーク１１２の超パラメータの最適化が完了したか否かを判定する（Ｓ１６）。最適化部１１６は、最適化が完了したと判定した場合（Ｓ１６でＹＥＳ）、ニューラルネットワーク１１２に適用する超パラメータを決定し（Ｓ１７）、最適化処理を終了する。適用する超パラメータは、Ｓ１５で記録された評価結果が最も良好であった、すなわち検定誤差（学習誤差も記録している場合には検定誤差および学習誤差）が最小であった超パラメータである。これにより、ニューラルネットワーク１１２は最適化済みの状態となる。
一方、最適化部１１６が、最適化は完了していないと判定した場合（Ｓ１６でＮＯ）、処理はＳ１２に戻り、Ｓ１２からＳ１６の処理が再度行われる。なお、２回目以降のＳ１４の処理では、評価部１１５は、検定データセット１２２に含まれる検定データのうち未選択の検定データを用いて性能評価を行う。このように、最適化処理では、Ｓ１６で最適化が完了したと判定されるまで、超パラメータを決定し、その超パラメータを適用したニューラルネットワーク１１２の学習を行い、学習済みのニューラルネットワーク１１２の性能を評価し、その評価結果を記録する、という一連の処理を繰り返して行う。最適化部１１６は、この一連の処理を繰り返して行う間に、複数通りの超パラメータを決定することになる。評価部１１５は、Ｓ１２において最適化部１１６が決定した超パラメータ毎に学習済みニューラルネットワーク１１２の性能を評価する。評価部１１５は、学習済みニューラルネットワーク１１２の性能を評価する場合、所定の基準に基づいて算出された評価値を評価結果として用いてもよい。
なお、Ｓ１６では、最適化部１１６は、例えば処理回数（Ｓ１２からＳ１６の一連の処理を行った回数）が、所定回数に達した場合に、最適化が完了したと判定してもよい。また、Ｓ１６では、最適化部１１６は、例えば評価部１１５が算出した評価値が目標値に達した場合に、最適化が完了したと判定してもよい。
また、最適化部１１６は、２回目以降のＳ１２の処理では、確率密度関数を用いて、乱数で決定するよりも好適な超パラメータを決定してもよい。この確率密度関数は、Ｓ１４の性能評価で算出した検定誤差に基づいて生成することができる。この確率密度関数は、検定誤差が小さい数値範囲であるときに大きい値を、検定誤差が大きい数値範囲であるときに小さな値を返す関数であればよく、関数の形式は問わない。例えば、検定誤差の逆数を確率密度関数としてもよい。
以上のように、最適化部１１６は、ニューラルネットワーク１１２の超パラメータを複数通り決定し、決定した値に対応するニューラルネットワーク１２２の性能を示す評価値を比較して、特性値の予測に用いる超パラメータを決定する。よって、ニューラルネットワーク１１２の性能をより高めることのできる超パラメータを適用することができる。
〔特性予測処理〕
特性予測装置１が実行する特性予測処理（特性予測方法）について図６に基づいて説明する。図６は、特性予測処理の一例を示すフローチャートである。なお、特性予測処理に使用するニューラルネットワーク１１２は、図４または図５の処理によって少なくとも学習が完了している。
まず、ユーザは、アルミ製品の製造条件を示すパラメータを、入力部１３を介して特性予測装置１に入力する。データ取得部１１１は、このパラメータを取得し（Ｓ２１、データ取得ステップ）、ニューラルネットワーク１１２に入力する。
次に、ニューラルネットワーク１１２は、Ｓ２１で取得したパラメータを用いて、上記製造条件で製造されたアルミ製品の特性値を算出する（Ｓ２２）。そして、特性予測部１１７は、Ｓ２２で算出された特性値を出力部１４に出力させる（Ｓ２３、出力ステップ）。
〔傾向探索（一次元あるいは二次元）〕
特性予測装置１は、アルミ製品の製造条件を示すパラメータの一部が変化した場合に、特性値がどのように変化するかを示すデータを出力することもできる。この場合、データ取得部１１１は、アルミ製品の製造条件を示すパラメータの入力を受け付けると共に、変化させるパラメータ（以下、対象パラメータと呼ぶ）の指定を受け付ける。さらに、データ取得部１１１は、パラメータを変化させる範囲（上限値と下限値）の指定を受け付ける。
次に、データ取得部１１１は、上記範囲内において、対象パラメータの値を複数選択する。例えば、データ取得部１１１は、上記範囲を等間隔で複数に区切り、各区切り目における値を選択してもよい。これにより、上記範囲から均等に値を選択することができる。そして、データ取得部１１１は、選択した値の対象パラメータを含むパラメータ群をニューラルネットワーク１１２に入力して、特性値を出力させる。この処理を、選択した値のそれぞれについて行うことにより、対象パラメータの変化に応じて、特性値がどのように変化するかを示すデータを出力することが可能になる。なお、対象パラメータ以外のパラメータは、各処理において同じ値とする。これらのパラメータとしては、平均値や中央値などの代表値を用いてもよい。
特性予測部１１７は、１つの対象パラメータの変化に応じて特性値がどのように変化するかを示すデータを出力する場合、対象パラメータの値と特性値の組を座標平面にプロットした散布図を生成して、出力部１４に出力させてもよい。また、特性予測部１１７は、２つの対象パラメータの変化に応じて特性値がどのように変化するかを示すデータを出力する場合、後述する図９に示すような等高線図を作成して、出力部１４に出力させてもよい。
〔条件探索（多次元）〕
特性予測装置１は、ユーザが設定した製品特性を実現する製造条件を探索することもできる。この場合、データ取得部１１１は、特性値の条件の入力を受け付ける。
次に、データ取得部１１１は、ニューラルネットワーク１１２に入力するパラメータの値を乱数により決定する。この際、学習データセット１２１におけるパラメータの範囲内の値を決定することが好ましい。続いて、ニューラルネットワーク１１２は、データ取得部１１１が決定したパラメータの値から特性値を算出する。そして、特性予測部１１７は、算出された特性値が、入力された条件を満たしているか否かを判定し、判定結果を記録する。
所定の終了条件を満たすまで上記段落の各処理を繰り返し行い、終了条件を満たした時点で処理を終了する。終了条件は自由に設定することができる。例えば，所定の繰り返し回数に達した、条件を満たすパラメータ値が算出された等を終了条件としてもよい。そして、特性予測部１１７は、条件探索の結果を出力部１４に出力させる。例えば、特性予測部１１７は、条件を満たすパラメータ値を出力部１４に出力させてもよい。これにより、ユーザの所望の製品特性を実現する製造条件を特定することができる。また、条件を満たすパラメータ値が複数組見出された場合、そのような製品特性を実現する製造条件の傾向を特定することもできる。
なお、特性予測装置１は、図６に示した特性予測処理、傾向探索、および条件探索の他にも、様々な予測計算が可能である。
〔信頼度計算〕
ニューラルネットワーク１１２の学習結果は、学習データセット１２１の条件範囲内から得ている。このため、ニューラルネットワーク１１２は、その条件から大きく外れる範囲については予測することができない。したがって、例えば上述の〔傾向探索〕のように、最大値と最小値の間から選択したパラメータを用いて計算したような場合、学習データセット１２１から外れたパラメータを選択してしまい、これにより信頼度が低い特性値が出力される可能性がある。
そこで、特性予測装置１は、計算に使用したパラメータが、学習データセット１２１に含まれるパラメータからどの程度外れているのかを判定し、この判定結果に応じて、ニューラルネットワーク１１２が出力する特性値の信頼度を評価する評価部を備えていてもよい。信頼度は、例えば以下のような方法で評価できる。
まず、学習データセット１２１をクラスター解析し、所定数の代表的な製造条件のパラメータ毎にグループ化する。次に、予測計算に使用するパラメータ群が、各グループのパラメータ群に対してどの程度乖離しているかを定量化する。これは、例えばパラメータごとの二乗誤差の平均などで与えられる。そして、最も乖離が小さい値を信頼度とする。
製造条件のパラメータを入力して特性値を出力させる場合、併せて信頼度を評価してもよい。これにより、入力されたパラメータの信頼度が低い場合には、算出した特性値を破棄したり、信頼度が低い旨の通知と共に特性値を出力したりすることも可能になる。
〔システムによる実現例〕
特性予測装置１が有する機能の一部を、特性予測装置１と通信可能な他の装置に持たせた特性予測システムによっても、特性予測装置１と同様の機能を実現できる。例えば、特性予測装置１と通信可能なサーバにニューラルネットワークを配置し、ニューラルネットワークによる計算はこのサーバに行わせてもよい。この場合、特性予測装置１は、ニューラルネットワーク１１２を備えている必要はない。また、例えば、誤差計算部１１３と学習部１１４を特性予測装置１と通信可能なサーバに配置して、このサーバに学習処理を行わせてもよい。同様に、評価部１１５と最適化部１１６を特性予測装置１と通信可能なサーバに配置して、このサーバに最適化処理を行わせてもよい。
〔ソフトウェアによる実現例〕
特性予測装置１の制御ブロック（特に制御部１１）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ＣＰＵ（Central Processing Unit）を用いてソフトウェアによって実現してもよい。
後者の場合特性予測装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するＣＰＵ、上記プログラムおよび各種データがコンピュータ（またはＣＰＵ）で読み取り可能に記録されたＲＯＭ（Read Only Memory）または記憶装置（これらを「記録媒体」と称する）、上記プログラムを展開するＲＡＭ（Random Access Memory）などを備えている。そして、コンピュータ（またはＣＰＵ）が上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記記録媒体としては、「一時的でない有形の媒体」、例えば、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
本発明の一実施例について図７に基づいて説明する。図７は、実施例１において使用したパラメータを示す図である。本実施例におけるアルミ製品は、３０００系アルミ合金薄板材である。このアルミ製品は、図７に示すように、鋳造工程（半連続鍛造）、均質化処理工程、熱間粗圧延工程（可逆式シングル圧延機による）、熱間仕上圧延工程（不可逆式タンデム圧延機による）、および冷間圧延工程で製造される。
実施例１において使用したパラメータは、上記の各工程における製造条件を示すパラメータと、合金成分（アルミ以外の添加成分）を示すパラメータである。つまり、図７に示す全パラメータをニューラルネットワーク１１２に入力した。また、予測した特性値は、上記の製造工程で製造された３０００系アルミ合金薄板材の引張強さである。
超パラメータには、一般的な値あるいは関数を適用した。具体的には、学習率は０．１、活性化関数はシグモイド関数、誤差関数は二乗誤差を示す関数とした。また、学習回数は、１０００００回とした。そして、ニューラルネットワーク１１２の構造は、中間層を１層有する３層構造とした。
学習および検定には、工場生産における３６００ロット分の製造実績データを用いた。具体的には、３６００ロットのうち、７５％にあたる２５００ロットを学習データセット１２１として用い、２５％にあたる９００ロットを検定データセット１２２として用いた。また、入力パラメータと出力パラメータは、パラメータごとに０以上１以下の値に規格化して用いた。
以上のような条件により、ニューラルネットワーク１１２の学習を行い、検定データを用いて、学習後のニューラルネットワーク１１２の予測精度（性能）を評価した。結果は、下記の表１に示すように、学習誤差（上述の数式（５）で算出）は１２．１％、検定誤差（２×Ｅ００．５×１００、Ｅ０は上述の数式（９）で算出）は１４．０％となった。この結果から、特性予測装置１の予測精度が十分に高いことが示された。
Figure 2018062398
〔比較例〕
実施例１と同じ製造実績データを用い、重回帰分析にて特性予測を行った。具体的には、３６００ロット分の製造実績データを用いた学習が完了した重回帰式を用いて、検定データから引張強さの予測を行った。結果は、表１に示すように、学習誤差が２１．２％、検定誤差が５８．９％であった。このように、比較例では、十分な予測精度が得られなかった。
実施例２では、ニューラルネットワーク１１２の中間層を２層とした以外は、実施例１と同じ条件で予測精度の評価を行った。結果は、表１に示すように、学習誤差は１０．２％、検定誤差は１１．５％となった。ニューラルネットワーク１１２の中間層を２層（ニューラルネットワーク１１２全体では４層構造）としたことにより、予測精度が実施例１よりもさらに高まったことが分かる。
実施例３では、ニューラルネットワーク１１２の中間層を未定義とし、最適化システムを使用して超パラメータを最適化した以外は、実施例１と同じ条件で予測精度の評価を行った。最適化システムにおける超パラメータの探索回数（図５のＳ１２からＳ１６までの一連の処理の繰り返し回数）は１０００回とした。
結果は、表１に示すように、学習誤差は９．１％、検定誤差は９．８％となった。最適化システムにより決定されたニューラルネットワーク１１２の中間層の数は、５層（ニューラルネットワーク１１２全体では７層構造）であった。また、最適化処理を行ったことにより、予測精度が実施例２よりもさらに高まったことが分かる。
実施例４では、実施例１〜３とは異なり、図８に示す各パラメータを使用した。これらのパラメータは材料組織に関わるパラメータである。また、ニューラルネットワーク１１２の中間層を未定義とし、最適化システムを使用して超パラメータを最適化した。結果は、表１に示すように、学習誤差は３．５％、検定誤差は５．６％となり、全実施例の中で最も高い予測精度を示した。このことから、パラメータの選び方が高い予測精度を実現するための大きな要因となっていることが分かる。また、最適化システムにより決定された中間層の数は、４層であった。
また、特性予測装置１のニューラルネットワーク１１２を実施例４のようにして学習、最適化した上で、アルミ製品のマンガン添加量と鉄添加量を変化させた場合の引張強さの変化を予測した。マンガン添加量および鉄添加量は、製造指示条件の下限値から上限値の範囲内で変化させた。
この結果を図９に示す。図９は、アルミ製品のマンガン添加量と鉄添加量を変化させた場合の引張強さの変化を示す等高線図である。縦軸がマンガン添加量を規格化して０以上１以下の数値範囲とした値を示し、横軸が鉄添加量を規格化して０以上１以下の数値範囲とした値を示している。このような等高線図を用いることにより、所望の引張強さのアルミ製品を製造するために、マンガン添加量と鉄添加量をどのように設定すればよいかを特定することができる。
〔まとめ〕
本発明の一態様に係るアルミニウム製品の特性予測装置は、所定の製造条件で製造された製品の特性を示す特性値を出力する特性予測装置１であって、アルミニウム製品の製造条件を示す複数のパラメータを取得するデータ取得部１１１と、入力層と少なくとも１つの中間層と出力層とを含み、複数の上記パラメータを上記入力層への入力データとして、該パラメータが示す製造条件で製造されたアルミニウム製品の特性値を上記出力層から出力するニューラルネットワーク１１２と、を備えている。なお、上記特性値は、連続値（例えば強度値など）、離散値（例えば品質やグレードを示す値など）、および０／１の二値（不良の有無などを示す値など）の何れであってもよい。
上記の構成によれば、アルミニウム製品の製造条件を示す複数のパラメータを取得する。そして、ニューラルネットワークにより、複数の上記パラメータを入力層への入力データとして、該パラメータが示す製造条件で製造されたアルミニウム製品の特性値を出力層から出力する。
ニューラルネットワークは、複雑な工業的製造プロセスに適用するに足りる表現力を備えているから、上記の構成によれば、複数のパラメータが示す製造条件で製造されたアルミニウム製品の特性値を高精度に予測することが可能になる。また、上記特性予測装置によれば、データ取得部が取得する複数のパラメータが示す製造条件でアルミニウム製品を実際に製造することなく、その特性値を予測することができるから、上記特性予測装置はアルミニウム製品の製造条件の最適化に極めて有用である。なお、アルミニウム製品の特性予測にニューラルネットワークを適用した従来例は無く、アルミニウム製品の特性予測にニューラルネットワークを活用する方法は、従来確立されていなかった。
上記特性予測装置は、上記ニューラルネットワークの超パラメータを複数通り決定し、決定した値に対応するニューラルネットワークの性能を示す評価値を比較して、特性値の予測に用いる超パラメータを決定する最適化部１１６をさらに備えていてもよい。
上記の構成によれば、複数通りの超パラメータに基づく評価値を比較して特性値の予測に用いる超パラメータを決定するので、常に同一の超パラメータを用いる場合と比べてニューラルネットワークの性能を向上させることができる。よって、アルミニウム製品の特性予測精度を向上させることができる。
上記アルミニウム製品は、アルミニウム鋳物材、アルミニウム圧延材、アルミニウム箔材、アルミニウム押出材、およびアルミニウム鍛造材、の何れかであってもよく、上記アルミニウム製品がアルミニウム鋳物材である場合、上記複数のパラメータには、溶解工程、脱ガス工程、連続鋳造工程、半連続鋳造工程、およびダイキャスト工程の少なくとも何れかにおける製造条件を示すパラメータが含まれ、上記アルミニウム製品がアルミニウム圧延材である場合、上記複数のパラメータには、溶解工程、脱ガス工程、鋳造工程、連続鋳造工程、均質化処理工程、熱間粗圧延工程、熱間仕上圧延工程、冷間圧延工程、溶体化処理工程、時効処理工程、矯正工程、焼鈍工程、および表面処理工程の少なくとも何れかにおける製造条件を示すパラメータが含まれ、上記アルミニウム製品がアルミニウム箔材である場合、上記複数のパラメータには、溶解工程、脱ガス工程、鋳造工程、連続鋳造工程、均質化処理工程、熱間粗圧延工程、熱間仕上圧延工程、冷間圧延工程、溶体化処理工程、時効処理工程、矯正工程、焼鈍工程、表面処理工程、および箔圧延工程の少なくとも何れかにおける製造条件を示すパラメータが含まれ、上記アルミニウム製品がアルミニウム押出材である場合、上記複数のパラメータには、溶解工程、脱ガス工程、鋳造工程、均質化処理工程、熱間押出工程、引き抜き工程、溶体化処理工程、時効処理工程、矯正工程、焼鈍工程、表面処理工程、および切断工程の少なくとも何れかにおける製造条件を示すパラメータが含まれ、上記アルミニウム製品がアルミニウム鍛造材である場合、上記複数のパラメータには、アルミニウム鋳物材、アルミニウム圧延材、またはアルミニウム押出材を素材として行われる、熱間鍛造工程、冷間鍛造工程、溶体化処理工程、時効処理工程、および焼鈍工程の少なくとも何れかにおける製造条件を示すパラメータが含まれていてもよい。
上記の構成によれば、アルミニウム鋳物材、アルミニウム圧延材、アルミニウム箔材、アルミニウム押出材、およびアルミニウム鍛造材の何れかについて、特性値を予測することができる。
上記複数のパラメータには、上記アルミニウム製品における、鉄、けい素、亜鉛、銅、マグネシウム、マンガン、クロム、チタン、ニッケル、およびジルコニウムの少なくとも何れかの添加量を示すパラメータと、上記アルミニウム製品の製造工程における加工熱履歴を示すパラメータと、が含まれていてもよく、上記特性値は、上記アルミニウム製品の材料組織により支配的に決定される特性値であってもよい。
これにより、アルミニウム製品の材料組織により支配的に決定される特性値を高精度に予測することが可能になる。主要添加元素と各製造工程における加工熱履歴は、アルミニウム製品の材料組織への影響が大きい因子であるからである。
上記アルミニウム製品は、熱処理型のアルミニウム合金であり、上記複数のパラメータには、溶体化処理後の室温保持時間を示すパラメータが含まれていてもよい。
上記の構成によれば、熱処理型のアルミニウム合金の特性を高精度に予測することが可能になる。熱処理型のアルミニウム合金は、溶体化処理工程後の室温に応じて強度が変わるため、溶体化処理後の室温保持時間がパラメータとして重要であるからである。
上記アルミニウム製品は、ジルコニウム、クロム、およびマンガンの少なくとも何れかを含む熱処理型のアルミニウム合金、または高強度鍛造材であり、上記複数のパラメータには、ジルコニウム添加量を示すパラメータ、均質化処理の熱履歴を示すパラメータ、および溶体化処理の熱履歴を示すパラメータが含まれていてもよい。
上記の構成によれば、必要な強度を有する、ジルコニウム、クロム、およびマンガンの少なくとも何れかを含む熱処理型のアルミニウム合金、または高強度鍛造材の製造工程の最適化に寄与することが可能になる。上記熱処理型のアルミニウム合金または高強度鍛造材では、上記パラメータの組み合わせを誤ると、熱処理不適あるいは粗大結晶粒発生により、製品の強度が低下する場合があるためである。
上記アルミニウム製品は、純度９９．９％以上の高純度アルミニウムであり、上記複数のパラメータには、鉄の添加量を示すパラメータが含まれていてもよい。
上記の構成によれば、純度９９．９％以上の高純度アルミニウムの特性を高精度に予測することが可能になる。純度９９．９％以上の高純度アルミニウムでは、ｐｐｍオーダーの僅かな鉄の添加量の違いにより結晶粒径や外観品質が大きく変わり得るためである。
上記の課題を解決するために、本発明の一態様に係るアルミニウム製品の特性予測方法は、所定の製造条件で製造されたアルミニウム製品の特性を示す特性値を出力する特性予測装置を用いた特性予測方法であって、アルミニウム製品の製造条件を示す複数のパラメータを取得するデータ取得ステップ（Ｓ２１）と、入力層と少なくとも１つの中間層と出力層とを含み、複数の上記パラメータを上記入力層への入力データとして、該パラメータが示す製造条件で製造されたアルミニウム製品の特性値を上記出力層から出力するニューラルネットワークによって算出された特性値を出力する出力ステップ（Ｓ２３）と、を含む。該特性予測方法によれば、上記特性予測装置と同様の作用効果を奏する。
本発明の各態様に係る特性予測装置は、コンピュータによって実現してもよく、この場合には、コンピュータを上記特性予測装置が備える各部（ソフトウェア要素）として動作させることにより上記特性予測装置をコンピュータにて実現させる特性予測装置の制御プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。
１ 特性予測装置
１１１ データ取得部
１１２ ニューラルネットワーク
１１６ 最適化部
Ｓ２１ データ取得ステップ
Ｓ２３ 出力ステップ

Claims (10)

  1. 所定の製造条件で製造された製品の特性を示す特性値を出力するアルミニウム製品の特性予測装置であって、
    アルミニウム製品の製造条件を示す複数のパラメータを取得するデータ取得部と、
    入力層と少なくとも１つの中間層と出力層とを含み、複数の上記パラメータを上記入力層への入力データとして、該パラメータが示す製造条件で製造されたアルミニウム製品の特性値を上記出力層から出力するニューラルネットワークと、を備えていることを特徴とするアルミニウム製品の特性予測装置。
  2. 上記ニューラルネットワークの超パラメータを複数通り決定し、決定した値に対応するニューラルネットワークの性能を示す評価値を比較して、特性値の予測に用いる超パラメータを決定する最適化部をさらに備えていることを特徴とする請求項１に記載のアルミニウム製品の特性予測装置。
  3. 上記アルミニウム製品は、アルミニウム鋳物材、アルミニウム圧延材、アルミニウム箔材、アルミニウム押出材、およびアルミニウム鍛造材、の何れかであり、
    上記アルミニウム製品がアルミニウム鋳物材である場合、上記複数のパラメータには、溶解工程、脱ガス工程、連続鋳造工程、半連続鋳造工程、およびダイキャスト工程の少なくとも何れかにおける製造条件を示すパラメータが含まれ、
    上記アルミニウム製品がアルミニウム圧延材である場合、上記複数のパラメータには、溶解工程、脱ガス工程、鋳造工程、連続鋳造工程、均質化処理工程、熱間粗圧延工程、熱間仕上圧延工程、冷間圧延工程、溶体化処理工程、時効処理工程、矯正工程、焼鈍工程、および表面処理工程の少なくとも何れかにおける製造条件を示すパラメータが含まれ、
    上記アルミニウム製品がアルミニウム箔材である場合、上記複数のパラメータには、溶解工程、脱ガス工程、鋳造工程、連続鋳造工程、均質化処理工程、熱間粗圧延工程、熱間仕上圧延工程、冷間圧延工程、溶体化処理工程、時効処理工程、矯正工程、焼鈍工程、表面処理工程、および箔圧延工程の少なくとも何れかにおける製造条件を示すパラメータが含まれ、
    上記アルミニウム製品がアルミニウム押出材である場合、上記複数のパラメータには、溶解工程、脱ガス工程、鋳造工程、均質化処理工程、熱間押出工程、引き抜き工程、溶体化処理工程、時効処理工程、矯正工程、焼鈍工程、表面処理工程、および切断工程の少なくとも何れかにおける製造条件を示すパラメータが含まれ、
    上記アルミニウム製品がアルミニウム鍛造材である場合、上記複数のパラメータには、アルミニウム鋳物材、アルミニウム圧延材、またはアルミニウム押出材を素材として行われる、熱間鍛造工程、冷間鍛造工程、溶体化処理工程、時効処理工程、および焼鈍工程の少なくとも何れかにおける製造条件を示すパラメータが含まれることを特徴とする請求項１または２に記載のアルミニウム製品の特性予測装置。
  4. 上記複数のパラメータには、
    上記アルミニウム製品における、鉄、けい素、亜鉛、銅、マグネシウム、マンガン、クロム、チタン、ニッケル、およびジルコニウムの少なくとも何れかの添加量を示すパラメータと、
    上記アルミニウム製品の製造工程における加工熱履歴を示すパラメータと、が含まれており、
    上記特性値は、上記アルミニウム製品の材料組織により支配的に決定される特性値である、ことを特徴とする請求項１から３の何れか１項に記載のアルミニウム製品の特性予測装置。
  5. 上記アルミニウム製品は、熱処理型のアルミニウム合金であり、
    上記複数のパラメータには、溶体化処理後の室温保持時間を示すパラメータが含まれることを特徴とする請求項１から４の何れか１項に記載のアルミニウム製品の特性予測装置。
  6. 上記アルミニウム製品は、ジルコニウム、クロム、およびマンガンの少なくとも何れかを含む熱処理型のアルミニウム合金、または高強度鍛造材であり、
    上記複数のパラメータには、ジルコニウム添加量を示すパラメータ、均質化処理の熱履歴を示すパラメータ、および溶体化処理の熱履歴を示すパラメータが含まれることを特徴とする請求項１から４の何れか１項に記載のアルミニウム製品の特性予測装置。
  7. 上記アルミニウム製品は、純度９９．９％以上の高純度アルミニウムであり、
    上記複数のパラメータには、鉄の添加量を示すパラメータが含まれることを特徴とする請求項１から４の何れか１項に記載のアルミニウム製品の特性予測装置。
  8. 所定の製造条件で製造された製品の特性を示す特性値を出力する特性予測装置を用いたアルミニウム製品の特性予測方法であって、
    アルミニウム製品の製造条件を示す複数のパラメータを取得するデータ取得ステップと、
    入力層と少なくとも１つの中間層と出力層とを含み、複数の上記パラメータを上記入力層への入力データとして、該パラメータが示す製造条件で製造されたアルミニウム製品の特性値を上記出力層から出力するニューラルネットワークによって算出された特性値を出力する出力ステップと、を含むことを特徴とするアルミニウム製品の特性予測方法。
  9. 請求項１に記載のアルミニウム製品の特性予測装置としてコンピュータを機能させるための制御プログラムであって、上記データ取得部および上記ニューラルネットワークとしてコンピュータを機能させるための制御プログラム。
  10. 請求項９に記載の制御プログラムを記録したコンピュータ読み取り可能な記録媒体。
JP2018542864A 2016-09-30 2017-09-28 アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体 Active JP6889173B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2016194723 2016-09-30
JP2016194723 2016-09-30
PCT/JP2017/035248 WO2018062398A1 (ja) 2016-09-30 2017-09-28 アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体

Publications (2)

Publication Number Publication Date
JPWO2018062398A1 true JPWO2018062398A1 (ja) 2019-07-25
JP6889173B2 JP6889173B2 (ja) 2021-06-18

Family

ID=61762639

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018542864A Active JP6889173B2 (ja) 2016-09-30 2017-09-28 アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体

Country Status (4)

Country Link
US (1) US20200024712A1 (ja)
JP (1) JP6889173B2 (ja)
CN (1) CN109843460A (ja)
WO (1) WO2018062398A1 (ja)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6703020B2 (ja) * 2018-02-09 2020-06-03 ファナック株式会社 制御装置及び機械学習装置
JP7197037B2 (ja) * 2019-01-17 2022-12-27 Ｊｆｅスチール株式会社 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置
JP7056592B2 (ja) * 2019-01-17 2022-04-19 Ｊｆｅスチール株式会社 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置
WO2020152750A1 (ja) * 2019-01-21 2020-07-30 Ｊｆｅスチール株式会社 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置
JP7330712B2 (ja) * 2019-02-12 2023-08-22 株式会社日立製作所 材料特性予測装置および材料特性予測方法
JP7281958B2 (ja) * 2019-05-08 2023-05-26 株式会社Uacj 特徴予測装置、製造条件最適化装置、特徴予測装置の制御方法、制御プログラム
JP2020185573A (ja) * 2019-05-10 2020-11-19 オーエム金属工業株式会社 自動材料選択装置及び自動材料選択プログラム
US11156991B2 (en) 2019-06-24 2021-10-26 Nanotronics Imaging, Inc. Predictive process control for a manufacturing process
CN110321658B (zh) * 2019-07-10 2023-09-01 江苏金恒信息科技股份有限公司 一种板材性能的预测方法及装置
CN110378799B (zh) * 2019-07-16 2022-07-12 东北大学 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法
JP2021081930A (ja) * 2019-11-18 2021-05-27 日本放送協会 学習装置、情報分類装置、及びプログラム
JP7410379B2 (ja) * 2019-11-27 2024-01-10 富士通株式会社 資源使用量予測方法および資源使用量予測プログラム
EP3916667A1 (en) * 2020-05-29 2021-12-01 Fortia Financial Solutions Real-time time series prediction for anomaly detection
EP4166252A4 (en) * 2020-06-15 2023-11-29 JFE Steel Corporation DEVICE FOR MEASURING MECHANICAL PROPERTIES, METHOD FOR MEASURING MECHANICAL PROPERTIES, SUBSTANCE PRODUCTION SYSTEM, SUBSTANCE MANAGEMENT METHOD AND SUBSTANCE PRODUCTION METHOD
WO2021256443A1 (ja) * 2020-06-15 2021-12-23 Ｊｆｅスチール株式会社 機械的特性の計測装置、機械的特性の計測方法、物質の製造設備、物質の管理方法および物質の製造方法
JP7200982B2 (ja) * 2020-09-14 2023-01-10 Ｊｆｅスチール株式会社 材料特性値予測システム及び金属板の製造方法
JP7314891B2 (ja) * 2020-09-14 2023-07-26 Ｊｆｅスチール株式会社 鋼帯の製造方法
CN117043777A (zh) * 2021-03-17 2023-11-10 株式会社力森诺科 材料特性预测方法和模型生成方法
JP7420157B2 (ja) * 2021-03-23 2024-01-23 Ｊｆｅスチール株式会社 圧延制御装置および圧延制御方法
JP2022190798A (ja) 2021-06-15 2022-12-27 トヨタ自動車株式会社 予測システム、予測方法及びプログラム
JP2023000828A (ja) * 2021-06-18 2023-01-04 富士フイルム株式会社 情報処理装置、情報処理方法及びプログラム
TWI787940B (zh) * 2021-08-04 2022-12-21 中國鋼鐵股份有限公司 加熱爐的爐溫設定值的優化方法
JP7493128B2 (ja) 2021-08-19 2024-05-31 Ｊｆｅスチール株式会社 操業条件提示方法および操業条件提示装置
TWI819578B (zh) * 2022-04-20 2023-10-21 國立中央大學 多目標參數最佳化系統、方法及電腦程式產品
CN117548603A (zh) * 2023-10-26 2024-02-13 武汉理工大学 一种基于铝合金成分的高性能锻造工艺

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0371907A (ja) * 1989-05-02 1991-03-27 Kobe Steel Ltd 金属圧延形状調整装置
JPH05266227A (ja) * 1992-03-19 1993-10-15 Fujitsu Ltd ニューロ利用サービス
JPH083621A (ja) * 1994-06-15 1996-01-09 Nippon Steel Corp 製鋼工程における溶鋼温度の調整方法
JPH08240587A (ja) * 1995-03-03 1996-09-17 Nippon Steel Corp ニュ−ラルネットワ−クを用いた厚鋼板の材質予測方法
JPH09157808A (ja) * 1995-12-06 1997-06-17 Kobe Steel Ltd アルミニウム合金材の高温強度予測方法及びその装置
JPH11501747A (ja) * 1995-03-14 1999-02-09 シーメンス アクチエンゲゼルシヤフト ニューロン回路網の設計装置ならびにニューロン回路網
JPH11202903A (ja) * 1998-01-07 1999-07-30 Nippon Steel Corp 製造プロセスの状態量推定方法
JP2000326051A (ja) * 1999-05-20 2000-11-28 Hitachi Metals Ltd 鋳造方案設計方法及び鋳造方案設計システムならびに記録媒体
JP2001349883A (ja) * 2000-06-09 2001-12-21 Hitachi Metals Ltd 金属材料の特性予測方法
JP2006095590A (ja) * 2004-09-30 2006-04-13 Honda Motor Co Ltd アルミダイキャスト製品の鋳造条件の最適化方法
JP2007039714A (ja) * 2005-08-01 2007-02-15 Furukawa Sky Kk 高温高速成形用アルミニウム合金板およびそれを用いた高温高速成形方法
JP2007070733A (ja) * 2006-10-06 2007-03-22 Sumitomo Chemical Co Ltd 冷間加工材
JP2010106314A (ja) * 2008-10-30 2010-05-13 Jfe Steel Corp 鋼製品の製造方法
JP2013053361A (ja) * 2011-09-06 2013-03-21 Furukawa-Sky Aluminum Corp 耐熱強度に優れた飛翔体用アルミニウム合金
US20150356402A1 (en) * 2014-06-04 2015-12-10 GM Global Technology Operations LLC Quick analysis of residual stress and distortion in cast aluminum components

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761423B (zh) * 2013-12-31 2016-06-29 中南大学 一种基于pso-elm的热轧板材组织-性能预测方法
CN105404926B (zh) * 2015-11-06 2017-12-05 重庆科技学院 基于bp神经网络与mbfo算法的铝电解生产工艺优化方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0371907A (ja) * 1989-05-02 1991-03-27 Kobe Steel Ltd 金属圧延形状調整装置
JPH05266227A (ja) * 1992-03-19 1993-10-15 Fujitsu Ltd ニューロ利用サービス
JPH083621A (ja) * 1994-06-15 1996-01-09 Nippon Steel Corp 製鋼工程における溶鋼温度の調整方法
JPH08240587A (ja) * 1995-03-03 1996-09-17 Nippon Steel Corp ニュ−ラルネットワ−クを用いた厚鋼板の材質予測方法
JPH11501747A (ja) * 1995-03-14 1999-02-09 シーメンス アクチエンゲゼルシヤフト ニューロン回路網の設計装置ならびにニューロン回路網
JPH09157808A (ja) * 1995-12-06 1997-06-17 Kobe Steel Ltd アルミニウム合金材の高温強度予測方法及びその装置
JPH11202903A (ja) * 1998-01-07 1999-07-30 Nippon Steel Corp 製造プロセスの状態量推定方法
JP2000326051A (ja) * 1999-05-20 2000-11-28 Hitachi Metals Ltd 鋳造方案設計方法及び鋳造方案設計システムならびに記録媒体
JP2001349883A (ja) * 2000-06-09 2001-12-21 Hitachi Metals Ltd 金属材料の特性予測方法
JP2006095590A (ja) * 2004-09-30 2006-04-13 Honda Motor Co Ltd アルミダイキャスト製品の鋳造条件の最適化方法
JP2007039714A (ja) * 2005-08-01 2007-02-15 Furukawa Sky Kk 高温高速成形用アルミニウム合金板およびそれを用いた高温高速成形方法
JP2007070733A (ja) * 2006-10-06 2007-03-22 Sumitomo Chemical Co Ltd 冷間加工材
JP2010106314A (ja) * 2008-10-30 2010-05-13 Jfe Steel Corp 鋼製品の製造方法
JP2013053361A (ja) * 2011-09-06 2013-03-21 Furukawa-Sky Aluminum Corp 耐熱強度に優れた飛翔体用アルミニウム合金
US20150356402A1 (en) * 2014-06-04 2015-12-10 GM Global Technology Operations LLC Quick analysis of residual stress and distortion in cast aluminum components

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ビショップ Ｃ．Ｍ． CHRISTOPHER M. BISHOP, パターン認識と機械学習 上 初版 PATTERN RECOGNITION AND MACHINE LEARNING, vol. 第1版, JPN6020004764, 10 December 2007 (2007-12-10), ISSN: 0004325581 *
ロサント シリル CYRILLE ROSSANT, ＩＰＹＴＨＯＮデータサイエンスクックブック 初版 IPYTHON INTERACTIVE COMPUTING AND VISUALIZATION CO, vol. 第1版, JPN6020004766, 25 December 2015 (2015-12-25), pages 271, ISSN: 0004325582 *
中島 伸一 SHINNICHI NAKAJIMA, 変分ベイズ学習 VARIATIONAL BAYESIAN LEARNING, JPN6020004769, 19 April 2016 (2016-04-19), pages 16 - 21, ISSN: 0004325583 *
斎藤 康毅 KOUKI SAITOU, ゼロから作るＤＥＥＰ ＬＥＡＲＮＩＮＧ 初版 DEEP LEARNING FROM SCRATCH, vol. 第1版, JPN6020004770, 28 September 2016 (2016-09-28), pages 197 - 198, ISSN: 0004325584 *

Also Published As

Publication number Publication date
JP6889173B2 (ja) 2021-06-18
CN109843460A (zh) 2019-06-04
WO2018062398A1 (ja) 2018-04-05
US20200024712A1 (en) 2020-01-23

Similar Documents

Publication Publication Date Title
JP6889173B2 (ja) アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体
Lin* et al. Development of dislocation-based unified material model for simulating microstructure evolution in multipass hot rolling
CN104602830B (zh) 材料组织预测装置、产品制造方法及材料组织预测方法
Djavanroodi et al. Artificial neural network modeling of ECAP process
Bakhtiari et al. Modeling, analysis and multi-objective optimization of twist extrusion process using predictive models and meta-heuristic approaches, based on finite element results
JP6439780B2 (ja) 電磁鋼板の磁気特性予測装置及び磁気特性制御装置
JP5604945B2 (ja) 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体
Quan et al. Artificial neural network modeling to evaluate the dynamic flow stress of 7050 aluminum alloy
US11803165B2 (en) Manufacturing support system for predicting property of alloy material, method for generating prediction model, and computer program
GB2600213A (en) Plate performance prediction method and apparatus
Su et al. Physical-based constitutive model considering the microstructure evolution during hot working of AZ80 magnesium alloy
JP7390138B2 (ja) 情報処理装置、情報処理方法、および情報処理プログラム
Piot et al. A semitopological mean-field model of discontinuous dynamic recrystallization: Toward a correct and rapid prediction of grain-size distribution
CN106067075B (zh) 一种建筑用能负荷预测模型建立、负荷预测方法及其装置
JP6978224B2 (ja) 材料組織計算装置および制御プログラム
JP7438615B2 (ja) 情報処理装置及びプログラム
CN114783540A (zh) 一种基于粒子群优化bp神经网络的多元合金性能预测方法
TWI778789B (zh) 配方建構系統、配方建構方法、內儲程式之電腦可讀取記錄媒體與非暫時性電腦程式產品
WO2019189455A1 (ja) 製造方法、情報処理装置、関係式算出装置、および、製造システム
JP2002236119A (ja) 鋼材の材質推定装置
JP7281958B2 (ja) 特徴予測装置、製造条件最適化装置、特徴予測装置の制御方法、制御プログラム
JP2019173096A5 (ja)
Singarimbun Adaptive Moment Estimation To Minimize Square Error In Backpropagation Algorithm
JP5423524B2 (ja) 熱延コイルの製造条件決定装置および方法ならびに熱延コイルの製造方法
JP2023039965A (ja) 材料特性予測方法及びモデル生成方法

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190903

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190903

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20190903

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20190912

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20191023

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20191223

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20200212

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200511

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20200511

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200511

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20200604

C21 Notice of transfer of a case for reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C21

Effective date: 20200609

C272 Notice of ex officio correction

Free format text: JAPANESE INTERMEDIATE CODE: C272

Effective date: 20200609

A912 Re-examination (zenchi) completed and case transferred to appeal board

Free format text: JAPANESE INTERMEDIATE CODE: A912

Effective date: 20200814

C211 Notice of termination of reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C211

Effective date: 20200818

C22 Notice of designation (change) of administrative judge

Free format text: JAPANESE INTERMEDIATE CODE: C22

Effective date: 20201013

C13 Notice of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: C13

Effective date: 20210106

C19 Decision taken to dismiss amendment

Free format text: JAPANESE INTERMEDIATE CODE: C19

Effective date: 20210119

C30A Notification sent

Free format text: JAPANESE INTERMEDIATE CODE: C3012

Effective date: 20210119

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210303

C302 Record of communication

Free format text: JAPANESE INTERMEDIATE CODE: C302

Effective date: 20210318

C22 Notice of designation (change) of administrative judge

Free format text: JAPANESE INTERMEDIATE CODE: C22

Effective date: 20210323

C23 Notice of termination of proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C23

Effective date: 20210330

C03 Trial/appeal decision taken

Free format text: JAPANESE INTERMEDIATE CODE: C03

Effective date: 20210511

C30A Notification sent

Free format text: JAPANESE INTERMEDIATE CODE: C3012

Effective date: 20210511

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210520

R150 Certificate of patent or registration of utility model

Ref document number: 6889173

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150