JP2017120638A - Result prediction apparatus and result prediction method - Google Patents

Result prediction apparatus and result prediction method Download PDF

Info

Publication number
JP2017120638A
JP2017120638A JP2016248612A JP2016248612A JP2017120638A JP 2017120638 A JP2017120638 A JP 2017120638A JP 2016248612 A JP2016248612 A JP 2016248612A JP 2016248612 A JP2016248612 A JP 2016248612A JP 2017120638 A JP2017120638 A JP 2017120638A
Authority
JP
Japan
Prior art keywords
result
database
data
performance
actual
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
JP2016248612A
Other languages
Japanese (ja)
Other versions
JP6508185B2 (en
Inventor
弘靖 茂森
Hiroyasu Shigemori
弘靖 茂森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JFE Steel Corp
Original Assignee
JFE Steel Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by JFE Steel Corp filed Critical JFE Steel Corp
Publication of JP2017120638A publication Critical patent/JP2017120638A/en
Application granted granted Critical
Publication of JP6508185B2 publication Critical patent/JP6508185B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

PROBLEM TO BE SOLVED: To provide a result prediction apparatus and a result prediction method capable of accurately predicting a result to any required conditions.SOLUTION: A result prediction apparatus 1 in an embodiment has a result data update section 12 that limits the number of result data to be stored in a result database 11, and when storing a new piece of result data in the result database 11, deletes a part of the result data stored in the result database 11. Since this configuration avoids a result prediction using a piece of result data which does not contribute to improvement of prediction accuracy of result or adversely influences on the result prediction accuracy, a result to any required conditions can be accurately predicted.SELECTED DRAWING: Figure 1

Description

本発明は、任意の要求条件に対する結果を予測する結果予測装置及び結果予測方法に関する。   The present invention relates to a result prediction apparatus and a result prediction method for predicting a result for an arbitrary requirement.

任意の要求条件に対する結果を予測する方法として、実績データベースに格納されている複数の過去の条件と任意の要求条件との間の距離を算出し、算出された距離から複数の過去の条件の重みを算出し、算出された重みを用いて複数の過去の条件の近傍をフィッティングする関数を作成し、作成された関数を用いて任意の要求条件に対する結果を予測する方法が知られている（例えば非特許文献１，２，特許文献１，２参照）。ここで、上記の方法では、複数の過去の条件と任意の要求条件との間の距離の計算には、複数の過去の条件を変数とする軸によって規定される条件空間におけるノルムが用いられる。具体的には、非特許文献１，２には、ノルムの一種であるユークリッド距離及び正規化ユークリッド距離が記載されている。また、特許文献１にはマハラノビス距離が記載され、特許文献２には出力変数との影響係数による距離が記載されている。   As a method of predicting the result for an arbitrary requirement, the distance between the multiple past conditions stored in the performance database and the arbitrary requirement is calculated, and the weight of the multiple past conditions is calculated from the calculated distance. A method is known in which a function for fitting the vicinity of a plurality of past conditions is created using the calculated weight, and a result for an arbitrary requirement condition is predicted using the created function (for example, Non-Patent Documents 1 and 2, and Patent Documents 1 and 2). Here, in the above method, a norm in a condition space defined by an axis having a plurality of past conditions as variables is used to calculate the distance between the plurality of past conditions and an arbitrary required condition. Specifically, Non-Patent Documents 1 and 2 describe a Euclidean distance and a normalized Euclidean distance which are a kind of norm. Patent Document 1 describes the Mahalanobis distance, and Patent Document 2 describes a distance based on an influence coefficient with the output variable.

特開２００１−２９０５０８号公報JP 2001-290508 A 特開２００４−３５５１８９号公報JP 2004-355189 A

William S. Cleveland and Susan J. Devlin: Locally Weighted Regression: An approach to Regression Analysis by Local Fitting, Journal of the American Statistical Association, Vol. 83, No. 403, September 1988.William S. Cleveland and Susan J. Devlin: Locally Weighted Regression: An approach to Regression Analysis by Local Fitting, Journal of the American Statistical Association, Vol. 83, No. 403, September 1988. Zheng. Q. and H. Kimura: Locally Weighted Regression Based on k Bipartite Neighbors, Proc. 42ndJapan Joint Automatic Control.Zheng. Q. and H. Kimura: Locally Weighted Regression Based on k Bipartite Neighbors, Proc. 42ndJapan Joint Automatic Control.

非特許文献１，２や特許文献１，２記載の方法では、実績データベースに格納されているデータは所与のものとして、結果の予測精度を向上させるための工夫を行っており、実績データベースへのデータの格納方法についての工夫は行っていない。このため、非特許文献１，２や特許文献１，２記載の方法によれば、結果の予測精度の向上に寄与しない、若しくは、結果の予測精度に対して悪影響を与えるデータを用いて結果予測を行っているために、任意の要求条件に対する結果を精度よく予測できない可能性がある。   In the methods described in Non-Patent Documents 1 and 2 and Patent Documents 1 and 2, the data stored in the results database is given, and the device is devised to improve the prediction accuracy of the results. There is no ingenuity on how to store the data. For this reason, according to the methods described in Non-Patent Documents 1 and 2 and Patent Documents 1 and 2, result prediction is performed using data that does not contribute to improvement of the prediction accuracy of the result or adversely affects the prediction accuracy of the result. Therefore, there is a possibility that the result for an arbitrary requirement cannot be accurately predicted.

本発明は、上記課題に鑑みてなされたものであって、その目的は、任意の要求条件に対する結果を精度よく予測可能な結果予測装置及び結果予測方法を提供することにある。   The present invention has been made in view of the above problems, and an object thereof is to provide a result prediction apparatus and a result prediction method capable of accurately predicting a result with respect to an arbitrary requirement.

本発明に係る結果予測装置は、過去の条件の実績値と該条件によって得られた結果とを関連付けして実績データとして格納している実績データベースを用いて、任意の要求条件に対する結果を予測する結果予測装置であって、前記実績データベースに格納される前記実績データの数を制限し、前記実績データベースに新しい実績データを格納する際、前記実績データベースに格納されている実績データの一部を削除する実績データ更新部を備えることを特徴とする。   The result prediction apparatus according to the present invention predicts a result for an arbitrary required condition by using a result database that associates a result value of a past condition and a result obtained by the condition and stores the result as result data. A result prediction device that limits the number of the actual data stored in the actual database and deletes a part of the actual data stored in the actual database when storing new actual data in the actual database The performance data update part to be provided is provided.

本発明に係る結果予測装置は、上記発明において、前記実績データ更新部は、前記実績データベースに格納されている各実績データについて該実績データベースに格納された時刻を算出し、今回格納する新しい実績データの格納時刻との時間差が最も大きい実績データを前記実績データベースから削除することを特徴する。   In the result prediction apparatus according to the present invention, in the above invention, the record data update unit calculates a time stored in the record database for each record data stored in the record database and stores the new record data stored this time The actual data having the largest time difference from the storage time is deleted from the actual database.

本発明に係る結果予測装置は、上記発明において、前記実績データ更新部は、条件空間における今回格納する新しい実績データと前記実績デーベースに格納されている実績データとの間の距離を算出し、算出された距離が最も短い実績データを前記実績データベースから削除することを特徴する。   In the above invention, the result prediction apparatus according to the present invention calculates the distance between the new result data stored this time in the condition space and the result data stored in the result database in the above-mentioned invention, The record data having the shortest calculated distance is deleted from the record database.

本発明に係る結果予測装置は、上記発明において、前記実績データ更新部は、今回格納する新しい実績データと処理対象の実績データ以外の実績データとから計算される条件空間の条件数が最も多い実績データを実績データベースから削除することを特徴とする。   The result prediction apparatus according to the present invention is the result prediction apparatus according to the above invention, wherein the result data update unit has the largest number of condition spaces in the condition space calculated from new result data stored this time and result data other than the result data to be processed It is characterized by deleting data from the performance database.

本発明に係る結果予測装置は、上記発明において、前記実績データ更新部は、今回格納する新しい実績データの格納時刻と前記実績データベースに格納されている実績データの格納時刻との時間差と、条件空間における今回格納する新しい実績データと前記実績データベースに格納されている実績データとの間の距離と、今回格納する新しい実績データと処理対象の実績データ以外の実績データとから計算される条件空間の条件数とから計算される評価関数の値に基づいて、前記実績データベースから削除する実績データを選択することを特徴とする。   In the result prediction device according to the present invention, in the above invention, the actual data update unit includes a time difference between a storage time of new actual data stored this time and a storage time of actual data stored in the actual database, and a condition space. The condition space condition calculated from the distance between the new actual data stored this time and the actual data stored in the actual database, and the new actual data stored this time and actual data other than the actual data to be processed The record data to be deleted from the record database is selected based on the value of the evaluation function calculated from the number.

本発明に係る結果予測方法は、過去の条件の実績値と該条件によって得られた結果とを関連付けして実績データとして格納している実績データベースを用いて、任意の要求条件に対する結果を予測する結果予測方法であって、前記実績データベースに格納される前記実績データの数を制限し、前記実績データベースに新しい実績データを格納する際、前記実績データベースに格納されている実績データの一部を削除する実績データ更新ステップを含むことを特徴とする。   The result prediction method according to the present invention predicts a result for an arbitrary required condition by using a result database that associates a result value of a past condition and a result obtained by the condition and stores the result as result data. A result prediction method that limits the number of actual data stored in the actual database and deletes a part of the actual data stored in the actual database when storing new actual data in the actual database Including a performance data update step.

本発明に係る結果予測装置及び結果予測方法によれば、任意の要求条件に対する結果を精度よく予測することができる。   According to the result prediction apparatus and the result prediction method according to the present invention, it is possible to accurately predict a result for an arbitrary required condition.

図１は、本発明の一実施形態である結果予測装置の構成を示すブロック図である。FIG. 1 is a block diagram showing a configuration of a result prediction apparatus according to an embodiment of the present invention. 図２は、図１に示す実績データベースの構成を示す図である。FIG. 2 is a diagram showing the configuration of the performance database shown in FIG. 図３は、従来の結果予測装置を用いて予測された引張強度の予測値と実測値との関係を示す図である。FIG. 3 is a diagram showing a relationship between a predicted value of tensile strength predicted using a conventional result prediction apparatus and an actual measurement value. 図４は、本発明の一実施形態である結果予測装置を用いて予測された引張強度の予測値と実測値との関係を示す図である。FIG. 4 is a diagram showing the relationship between the predicted value of tensile strength predicted using the result prediction apparatus according to the embodiment of the present invention and the actual measurement value. 図５は、本発明の一実施形態である結果予測装置を用いて予測された引張強度の予測値と実測値との関係を示す図である。FIG. 5 is a diagram showing the relationship between the predicted value of the tensile strength predicted using the result prediction apparatus according to the embodiment of the present invention and the actual measurement value. 図６は、本発明の一実施形態である結果予測装置を用いて予測された引張強度の予測値と実測値との関係を示す図である。FIG. 6 is a diagram showing the relationship between the predicted value of tensile strength and the actual measurement value predicted using the result prediction apparatus according to the embodiment of the present invention. 図７は、従来及び本発明の一実施形態である結果予測装置を用いて予測された引張強度の予測誤差絶対値と累積確率密度との関係を示す図である。FIG. 7 is a diagram illustrating the relationship between the absolute value of the prediction error of the tensile strength and the cumulative probability density predicted using the result prediction apparatus according to the related art and one embodiment of the present invention.

以下、図面を参照して、本発明の一実施形態である結果予測装置の構成及びその動作について説明する。   Hereinafter, the configuration and operation of a result prediction apparatus according to an embodiment of the present invention will be described with reference to the drawings.

〔構成〕
初めに、図１，図２を参照して、本発明の一実施形態である結果予測装置の構成について説明する。図１は、本発明の一実施形態である結果予測装置の構成を示すブロック図である。図２は、図１に示す実績データベース１１の構成を示す図である。 〔Constitution〕
First, the configuration of a result prediction apparatus according to an embodiment of the present invention will be described with reference to FIGS. FIG. 1 is a block diagram showing a configuration of a result prediction apparatus according to an embodiment of the present invention. FIG. 2 is a diagram showing the configuration of the performance database 11 shown in FIG.

図１に示すように、本発明の一実施形態である結果予測装置１は、ワークステーション等の情報処理装置によって構成され、実績データベース１１、実績データ更新部１２、影響係数計算部１３、距離計算部１４、類似度計算部１５、予測式作成部１６、及び予測計算部１７を主な構成要素として備えている。実績データ更新部１２、影響係数計算部１３、距離計算部１４、類似度計算部１５、予測式作成部１６、及び予測計算部１７の機能は、情報処理装置内の演算処理装置がコンピュータプログラムを実行することによって実現される。   As shown in FIG. 1, a result prediction apparatus 1 according to an embodiment of the present invention is configured by an information processing apparatus such as a workstation, and results database 11, results data update unit 12, influence coefficient calculation unit 13, distance calculation. Unit 14, similarity calculation unit 15, prediction formula creation unit 16, and prediction calculation unit 17. The functions of the performance data update unit 12, the influence coefficient calculation unit 13, the distance calculation unit 14, the similarity calculation unit 15, the prediction formula creation unit 16, and the prediction calculation unit 17 are such that the arithmetic processing unit in the information processing apparatus uses a computer program. It is realized by executing.

実績データベース１１は、過去に適用した条件の実績値とその条件によって得られた結果のデータとを関連付けして実績データとして格納している。具体的には、図２に示すように、実績データベース１１には、過去に適用された条件であるＭ個の入力変数とこれらの入力変数の組合せによって得られた結果である出力変数（観測データ）とからなるＮ個の実績データが格納されている。観測データとしては、例えば製鉄プロセスであれば、鉄鋼の素材成分や加熱、圧延、冷却等の操業条件を入力変数とし、鉄鋼の材質、例えば強度を出力変数とする例を例示できる。本実施形態では、出力変数の項目名称をＹ、Ｍ個の入力変数の項目名称をＸｍ（ｍ＝１，２，…，Ｍ）とする。また、出力変数はＮ個あり、ｎ番目（ｎ＝１，２，…，Ｎ）の出力変数の値をｙｎと表記し、入力変数の値をｘｍ ｎと表記する。 The result database 11 stores the result value of the condition applied in the past and the result data obtained under the condition in association with each other. Specifically, as shown in FIG. 2, in the results database 11, output variables (observation data) that are results obtained by combining M input variables, which are conditions applied in the past, and combinations of these input variables. N pieces of performance data consisting of As the observation data, for example, in the case of an iron manufacturing process, an example in which raw material components of steel and operating conditions such as heating, rolling, and cooling are used as input variables and steel material, for example, strength is used as an output variable. In this embodiment, the item name of the output variable is Y, and the item names of the M input variables are X m (m = 1, 2,..., M). Also, the output variable is the N, n-th (n = 1,2, ..., N ) the values of the output variables is expressed as y n, the value of the input variable is denoted as x m n.

図１に戻る。実績データ更新部１２は、実績データベース１１の中に今回格納する新しい実績データに基づいて実績データベース１１に格納する実績データを更新する。実績データ更新部１２による実績データ更新処理の詳細については後述する。   Returning to FIG. The record data update unit 12 updates record data stored in the record database 11 based on the new record data stored this time in the record database 11. Details of the result data update processing by the result data update unit 12 will be described later.

影響係数計算部１３は、実績データベース１１に格納されている条件によって規定される条件空間において、各条件が結果に対して影響する程度を表わす影響係数を算出する。具体的には、影響係数計算部１３は、図２に示したＭ個の入力変数により規定される条件空間において、各条件について過去に得られている結果に対する影響係数を算出する。本実施形態では、結果を予測したい要求条件ｘ’を入力ベクトルとし、要求条件ｘ’を以下に示す数式（１）のように表記する。そして、影響係数計算部１３は、大域的な回帰式のパラメータを推定する。すなわち、影響係数計算部１３は、図２で与えられたＮ個の出力変数を用いて結果を予測するための回帰式モデルを作成し、この回帰式のパラメータを推定する。ここで、回帰式は以下の数式（２）に示すように線形式とし、この回帰式のパラメータｂ，ａ１，ａ２，…，ａＭを最小２乗法により求める。そして、影響係数計算部１３は、このパラメータから定数ｂを除いて係数のみを抽出した以下の数式（３）に示す偏回帰係数ベクトルを次に説明する距離計算に用いる影響係数とする。 The influence coefficient calculation unit 13 calculates an influence coefficient representing the degree to which each condition affects the result in the condition space defined by the conditions stored in the result database 11. Specifically, the influence coefficient calculation unit 13 calculates an influence coefficient for a result obtained in the past for each condition in the condition space defined by the M input variables shown in FIG. In the present embodiment, the requirement condition x ′ for which the result is to be predicted is an input vector, and the requirement condition x ′ is expressed as in the following formula (1). Then, the influence coefficient calculation unit 13 estimates global regression equation parameters. That is, the influence coefficient calculation unit 13 creates a regression equation model for predicting a result using the N output variables given in FIG. 2, and estimates parameters of this regression equation. Here, the regression equation is in a linear form as shown in the following equation (2), and parameters b, a 1 , a 2 ,..., A M of the regression equation are obtained by the least square method. Then, the influence coefficient calculation unit 13 uses the partial regression coefficient vector shown in the following equation (3) obtained by extracting only the coefficient by removing the constant b from this parameter as the influence coefficient used for the distance calculation described below.

Figure 2017120638
Figure 2017120638

Figure 2017120638
Figure 2017120638

Figure 2017120638
Figure 2017120638

距離計算部１４は、影響係数計算部１３によって算出された影響係数に基づいて条件空間の軸を変換し、変換された条件空間において実績データベース１１に格納されている過去の条件の実績値と要求条件ｘ’との間の距離を算出する。詳しくは、まず距離計算部１４は、数式（４）に示す条件空間のある点ｘに対する数式（１）に示す要求条件ｘ’からの距離を計算するための距離関数Ｌを数式（３）に示す影響係数を用いた以下に示す数式（５）により定義する。次に、距離計算部１４は、数式（５）で定義した距離関数Ｌを用いて過去の条件の実績値と要求条件ｘ’との間の距離を算出する。すなわち、距離計算部１４は、図２に示したＮ個の観測データのそれぞれについて、数式（１）に示す要求条件ｘ’からの距離を算出する。具体的には、ｎ番目の観測データｘｎの要求条件ｘ’からの距離Ｌｎは以下に示す数式（６）から求めることができる。以下では、１〜Ｎ番目の観測データについて計算された要求条件ｘ’からの距離をまとめて以下に示す数式（７）のように表記する。 The distance calculation unit 14 converts the condition space axis based on the influence coefficient calculated by the influence coefficient calculation unit 13, and the past condition actual values and requests stored in the actual result database 11 in the converted condition space. The distance between the condition x ′ is calculated. Specifically, the distance calculation unit 14 first calculates a distance function L for calculating the distance from the requirement condition x ′ shown in the formula (1) for the point x in the condition space shown in the formula (4) to the formula (3). It is defined by the following formula (5) using the influence coefficient shown. Next, the distance calculation unit 14 calculates the distance between the actual value of the past condition and the required condition x ′ using the distance function L defined by Equation (5). That is, the distance calculation unit 14 calculates the distance from the requirement condition x ′ shown in Equation (1) for each of the N pieces of observation data shown in FIG. Specifically, the distance L n from the requirement condition x ′ of the n-th observation data x n can be obtained from the following formula (6). Hereinafter, the distances from the requirement condition x ′ calculated for the 1st to Nth observation data are collectively expressed as the following formula (7).

Figure 2017120638
Figure 2017120638

Figure 2017120638
Figure 2017120638

Figure 2017120638
Figure 2017120638

Figure 2017120638
類似度計算部１５は、距離計算部１４によって算出された距離に基づいて、過去の条件の実績値と要求条件ｘ’との類似度を算出する。詳しくは、まず類似度計算部１５は、要求条件ｘ’からの近さを表わす類似度関数Ｗを以下に示す数式（８）のように定義する。次に、類似度計算部１５は、類似度関数Ｗを用いて過去の条件の実績値の要求条件ｘ’に対する類似度を計算する。すなわち、類似度計算部１５は、図２に示すＮ個の観測データそれぞれについて、上記数式（６）によって計算された距離を用いて要求条件ｘ’に対する類似度を算出する。ｎ番目の観測データの要求条件ｘ’に対する類似度Ｗｎは以下に示す数式（９）を用いて算出できる。以下では、１〜Ｎ番目の観測データの要求条件に対する類似度をまとめて以下に示す数式（１０）のように表記する。
Figure 2017120638
 Based on the distance calculated by the distance calculation unit 14, the similarity calculation unit 15 calculates the similarity between the past condition actual value and the required condition x ′. Specifically, first, the similarity calculation unit 15 defines a similarity function W representing the proximity from the requirement condition x ′ as shown in the following formula (8). Next, using the similarity function W, the similarity calculation unit 15 calculates the similarity with respect to the requirement condition x ′ of the actual value of the past condition. That is, the similarity calculation unit 15 calculates the similarity with respect to the request condition x ′ using the distance calculated by the above equation (6) for each of the N pieces of observation data illustrated in FIG. The similarity W n with respect to the requirement condition x ′ of the n-th observation data can be calculated using the following formula (9). Below, the similarity with respect to the required conditions of the 1st to Nth observation data is collectively expressed as the following formula (10).

Figure 2017120638
Figure 2017120638

Figure 2017120638
Figure 2017120638

Figure 2017120638
Figure 2017120638

予測式作成部１６は、類似度計算部１５によって算出された類似度に基づいて、要求条件近傍の予測式を作成する。詳しくは、予測式作成部１６は、回帰式のパラメータを推定計算し、与えられたＮ個の観測データとそれぞれの類似度とを用いて回帰式モデルを作成する。具体的には、回帰式は以下の数式（１１）に示す線形式とし、この回帰式が要求条件ｘ’に対する結果を予測するために使用する最終的な予測式となる。ここで、便宜上、数式（１１）に示す予測式は、数式（２）に示す線形式と同一式で表わされているが、数式（１１）に示す予測式では、以下の数式（１２）に示すパラメータθを、類似度ｗを重みとする重み付き最小２乗法により算出する。これにより、類似度の大きい観測データ（要求条件ｘ’に近いデータ）は重みが大きく、類似度の小さい観測データ（要求条件ｘ’から遠いデータ）は重みが小さくなるような回帰式が得られ、要求条件ｘ’の近傍のデータをより精度良くフィッティングする回帰式モデルを得ることができる。   The prediction formula creation unit 16 creates a prediction formula near the request condition based on the similarity calculated by the similarity calculation unit 15. Specifically, the prediction formula creation unit 16 estimates and calculates the parameters of the regression formula, and creates a regression formula model using the given N pieces of observation data and the respective similarities. Specifically, the regression formula is a linear form shown in the following formula (11), and this regression formula is the final prediction formula used to predict the result for the requirement x ′. Here, for the sake of convenience, the prediction formula shown in Formula (11) is represented by the same formula as the linear form shown in Formula (2). However, in the prediction formula shown in Formula (11), the following Formula (12) Is calculated by a weighted least square method with the similarity w as a weight. As a result, a regression equation is obtained in which observation data with high similarity (data close to the requirement x ′) has a large weight, and observation data with low similarity (data far from the requirement x ′) has a small weight. Thus, it is possible to obtain a regression model that fits data in the vicinity of the requirement condition x ′ with higher accuracy.

Figure 2017120638
Figure 2017120638

Figure 2017120638
Figure 2017120638

予測計算部１７は、予測式作成部１６によって作成された予測式に要求条件ｘ’を入力することによって、要求条件ｘ’に対する結果を算出する。詳しくは、予測計算部１７は、数式（１）に示す要求条件ｘ’の値を数式（１１）に示す回帰式の右辺に代入することによって要求条件ｘ’に対する結果を算出する。   The prediction calculation unit 17 calculates the result for the request condition x ′ by inputting the request condition x ′ into the prediction formula created by the prediction formula creation unit 16. Specifically, the prediction calculation unit 17 calculates the result for the requirement condition x ′ by substituting the value of the requirement condition x ′ shown in Equation (1) into the right side of the regression equation shown in Equation (11).

このような構成を有する結果予測装置１では、実績データ更新部１２が、以下に示すデータ更新処理を実行することによって、任意の要求条件に対する結果を精度よく予測可能にする。以下、データ更新処理を実行する際の実績データ更新部１２の動作について説明する。   In the result prediction apparatus 1 having such a configuration, the result data update unit 12 executes the data update process described below, thereby making it possible to accurately predict a result for an arbitrary request condition. Hereinafter, the operation of the record data update unit 12 when executing the data update process will be described.

〔実績データ更新処理〕
実績データ更新部１２は、以下の数式（１３）に示す新しい実績データが与えられた時、以下のようにして実績データベース１１の内容を更新する。なお、実績データ更新部１２は、実績データベース１１に格納されている以下の数式（１４）に示す実績データを予め格納された時刻順に配列する。すなわち、実績データ更新部１２は、実績データベース１１の内容が更新された後、直ちにｎの値が小さいほど格納された時刻が早くなり、ｎの値が大きいほど格納された時刻が遅くなるように実績データを配列する。 [Result data update processing]
When the new performance data shown in the following formula (13) is given, the performance data update unit 12 updates the contents of the performance database 11 as follows. In addition, the performance data update part 12 arranges the performance data shown in the following numerical formula (14) stored in the performance database 11 in order of the time stored beforehand. That is, the result data update unit 12 immediately after the contents of the result database 11 are updated, the stored time is earlier as the value of n is smaller, and the stored time is delayed as the value of n is larger. Arrange the performance data.

Figure 2017120638
Figure 2017120638

Figure 2017120638
Figure 2017120638

実績データベース１１の内容を更新する際、実績データ更新部１２は、実績データベース１１に格納する実績データの数はＮ個に限定し、実績データベース１１に数式（１３）に示す新しい実績データを格納する場合、実績データベース１１から実績データを１つ削除する。ここで、実績データベース１１から削除する実績データは以下のようにして選択する。まず、実績データ更新部１２は、実績データベース１１に格納されている実績データの中から今回格納する新しい実績データの格納時刻と最も格納時刻の差が大きい実績データを選択する。そして、実績データ更新部１２は、選択された実績データを実績データベース１１から削除する。これにより、結果の予測精度に対して悪影響を与える可能性がある最も古い実績データを削除できる。   When updating the contents of the record database 11, the record data updating unit 12 limits the number of record data stored in the record database 11 to N, and stores new record data shown in the formula (13) in the record database 11. In this case, one result data is deleted from the result database 11. Here, the record data to be deleted from the record database 11 is selected as follows. First, the performance data update unit 12 selects performance data having the largest difference between the storage time of the new performance data stored this time and the storage time from the performance data stored in the performance database 11. Then, the record data update unit 12 deletes the selected record data from the record database 11. Thereby, the oldest performance data that may adversely affect the prediction accuracy of the result can be deleted.

また、実績データ更新部１２は、実績データベース１１から削除する実績データを次のように選択してもよい。すなわち、実績データ更新部１２は、実績データベース１１に格納されている実績データの中から今回格納する新しい実績データとの条件空間における距離が最も短い実績データを実績データベース１１から削除する実績データとして選択してもよい。これにより、結果の予測精度の向上に寄与しない実績データを削除できる。なお、今回格納する新しい実績データと実績データベース１１の中のｎ番目の実績データｚｎとの条件空間における距離は以下に示す数式（１５）により求めることができる。 Moreover, the performance data update part 12 may select the performance data deleted from the performance database 11 as follows. That is, the record data update unit 12 selects the record data having the shortest distance in the condition space with the new record data stored this time from the record data stored in the record database 11 as the record data to be deleted from the record database 11. May be. Thereby, the performance data which does not contribute to the improvement of the prediction accuracy of the result can be deleted. The distance in the condition space between the new record data stored this time and the nth record data z n in the record database 11 can be obtained by the following formula (15).

Figure 2017120638
Figure 2017120638

さらに、実績データ更新部１２は、実績データベース１１から削除する実績データを次のように選択してもよい。すなわち、まず、実績データ更新部１２は、実績データベース１１に格納されているＮ個の実績データの中からある１つのｋ番目（１≦ｋ≦Ｎ）の実績データを処理対象の実績データとして選択する。次に、実績データ更新部１２は、以下に示す数式（１６）を用いて、今回格納する新しい実績データ＊ｚと実績データベース１１に格納されているｋ番目の実績データｚｋ以外の実績データとから計算される条件空間の条件数ｃｏｎｄ（ｋ）を算出する。そして、実績データ更新部１２は、実績データを削除したときの予測精度の悪化を抑えるために、以下の数式（１７）に示す条件を満足するｋ番目のデータを削除するデータとして選択する。これにより、実績データを削除することによって生じる実績データの偏りを最小限に抑えることができる。 Further, the record data update unit 12 may select record data to be deleted from the record database 11 as follows. That is, first, the performance data update unit 12 selects one k-th (1 ≦ k ≦ N) performance data from N pieces of performance data stored in the performance database 11 as the performance data to be processed. To do. Next, the performance data update unit 12 uses the following formula (16) to store new performance data * z stored this time and performance data other than the kth performance data z k stored in the performance database 11. The condition number cond (k) of the condition space calculated from is calculated. And the performance data update part 12 selects the kth data which satisfy | fills the conditions shown in the following Numerical formula (17) as data to delete, in order to suppress the deterioration of prediction accuracy when performance data is deleted. Thereby, the deviation of the performance data caused by deleting the performance data can be minimized.

Figure 2017120638
Figure 2017120638
Figure 2017120638
Figure 2017120638

ここで、数式（１６）において、σｍａｘ（ｋ）及びσｍｉｎ（ｋ）はそれぞれ、ｋ番目の実績データｚｋ以外の実績データと今回格納する新しい実績データ＊ｚとから構成される行列［ｚ１，ｚ２，…，ｚｋ−１，ｚｋ＋１，…，ｚＮ，＊ｚ］を特異値分解したときの最大特異値及び最小特異値を示し、最小特異値に対する最大特異値の比が条件空間の条件数となる。条件空間の条件数の大きさは実績データの偏りを表し、条件空間の条件数が大きければ実績データの偏りが大きくなるために、回帰式のパラメータθの計算誤差が大きくなり、予測精度が悪くなる。 Here, in Equation (16), σ max (k ) and sigma min (k) is a matrix composed of each new performance data * z for storing the current and the k-th record data z k other than actual data [ z 1 , z 2 ,..., z k−1 , z k + 1 ,..., z N , * z] indicate the maximum singular value and the minimum singular value, and the ratio of the maximum singular value to the minimum singular value Is the condition number of the condition space. The size of the condition number in the condition space represents the bias in the actual data. If the condition number in the condition space is large, the bias in the actual data becomes large. Therefore, the calculation error of the parameter θ of the regression equation becomes large, and the prediction accuracy is poor. Become.

さらに、実績データ更新部１２は、実績データベース１１から削除する実績データを次のように選択してもよい。すなわち、実績データ更新部１２は、今回格納する新しい実績データの格納時刻と実績データベース１１に格納されている実績データの格納時刻との時間差と、条件空間における今回格納する新しい実績データと実績データベース１１に格納されている実績データとの間の距離と、今回格納する新しい実績データ＊ｚと実績データベース１１に格納されているｋ番目の実績データｚｋ以外の実績データとから計算される条件空間の条件数とから計算される評価関数の値に基づいて実績データベース１１から削除するデータを選択してもよい。なお、この場合、評価関数は、以下に示す数式（１８）のように表され、評価関数Ｆｎの値が最も小さいデータを選択するようにする。 Further, the record data update unit 12 may select record data to be deleted from the record database 11 as follows. That is, the performance data update unit 12 determines the time difference between the storage time of the new performance data stored this time and the storage time of the performance data stored in the performance database 11, the new performance data stored this time in the condition space, and the performance database 11. Of the condition space calculated from the distance between the actual data stored in the actual data, the new actual data * z stored this time, and the actual data other than the kth actual data z k stored in the actual database 11 Data to be deleted from the performance database 11 may be selected based on the value of the evaluation function calculated from the condition number. In this case, the evaluation function is expressed as Equation (18) below, the value of the evaluation function F n is to select the smallest data.

Figure 2017120638
Figure 2017120638

以上の説明から明らかなように、本発明の一実施形態における結果予測装置１では、実績データ更新部１２が、実績データベース１１に格納される実績データの数を制限し、実績データベース１１に新しい実績データを格納する際、実績データベース１１に格納されている実績データの一部を削除する。このような構成によれば、結果の予測精度の向上に寄与しない、若しくは、結果の予測精度に対して悪影響を与える実績データを用いて結果予測を行うことを抑制できるので、任意の要求条件に対する結果を精度よく予測できる。   As is clear from the above description, in the result prediction apparatus 1 according to the embodiment of the present invention, the record data update unit 12 limits the number of record data stored in the record database 11, and a new record in the record database 11. When storing the data, a part of the result data stored in the result database 11 is deleted. According to such a configuration, it is possible to suppress the result prediction using actual data that does not contribute to the improvement of the prediction accuracy of the result or adversely affects the prediction accuracy of the result. The result can be predicted accurately.

実施例として、本発明の一実施形態における結果予測装置を薄鋼板の引張強度推定に適用した結果を示す。薄鋼板の引張強度推定は、１００個の熱延鋼板の観測データを基に評価を行った結果であり、１００個の中の１つの観測データの例を以下に示す。また、比較のために、従来技術である特許文献２記載の実績データベースに格納される実績データの数に限定が無い方法を適用した所、図３に示す引張強度（ＴＳ）の予測値及び実績値の散布図と図７（ａ）に示す引張強度予測誤差絶対値の累積確率密度が得られた。   As an example, the result of applying the result prediction apparatus in one embodiment of the present invention to the estimation of the tensile strength of a thin steel sheet is shown. The estimation of the tensile strength of a thin steel sheet is a result of evaluation based on observation data of 100 hot-rolled steel sheets, and an example of one observation data out of 100 is shown below. Further, for comparison, a method in which the number of results data stored in the results database described in Patent Document 2 as a prior art is not limited is applied, the predicted value and results of tensile strength (TS) shown in FIG. The cumulative probability density of the scatter diagram of the values and the absolute value of the tensile strength prediction error shown in FIG. 7A was obtained.

板厚：１５．６６［ｍｍ］
板幅：１２５７［ｍｍ］
化学成分[％]：Ｃ：0.063，Ｓi：0.19，Ｍn：1.44，Ｐ：0.018，Ｓ：0.0023，Ａl：0.021，Ｎb：0.04，Ｖ：0.019，Ｔi：0.008，Ｃu：0.01，Ｎi：0.01，Ｃr：0.03，Ｃa：0.0001，Ｎ：0.0038，Ｏ：0.0036，Ｍo：0.001，Ｂ：0.001
加熱炉抽出温度：１１９１［℃］
仕上ミル前面温度：９４８［℃］
仕上ミル後面温度：８２４［℃］
巻取温度：５１９［℃］ Plate thickness: 15.66 [mm]
Board width: 1257 [mm]
Chemical composition [%]: C: 0.063, Si: 0.19, Mn: 1.44, P: 0.018, S: 0.0023, Al: 0.021, Nb: 0.04, V: 0.019, Ti: 0.008, Cu: 0.01, Ni: 0.01, Cr: 0.03, Ca: 0.0001, N: 0.0038, O: 0.0036, Mo: 0.001, B: 0.001
Furnace extraction temperature: 1191 [° C]
Finishing mill front surface temperature: 948 [° C]
Finishing mill rear surface temperature: 824 [° C]
Winding temperature: 519 [° C]

図３及び図７（ａ）に示すように、従来の結果予測装置を用いて予測された引張強度の予測誤差のＲＭＳＥ（Root Mean Square Error：根平均二乗誤差）は１０．７２［ＭＰａ］であった。これに対して、本発明の一実施形態である結果予測装置を用いて予測された引張強度の予測誤差のＲＭＳＥは、図４〜６及び図７（ｂ），（ｃ），（ｄ）に示すように、１０．０７，９．１９，８．１９［ＭＰａ］であった。なお、図４及び図７（ｂ）に示した結果は、実績データベースに格納されている実績データの中から今回格納する新しい実績データと最も格納時刻の差が大きい実績データを実績データベースから削除する実績データとして選択したものである。また、図５及び図７（ｃ）に示した結果は、実績データベースに格納されている実績データの中から今回格納する新しいデータとの条件空間における距離が最も短い実績データを実績データベースから削除する実績データとして選択したものである。また、図６及び図７（ｄ）に示した結果は、数式（１８）に示した評価関数の値に基づいて実績データベースから削除する実績データを選択したものである。   As shown in FIGS. 3 and 7A, the RMSE (Root Mean Square Error) of the tensile strength prediction error predicted using the conventional result prediction apparatus is 10.72 [MPa]. there were. On the other hand, the RMSE of the prediction error of the tensile strength predicted using the result prediction apparatus according to the embodiment of the present invention is shown in FIGS. 4 to 6 and FIGS. 7B, 7C, and 7D. As shown, it was 10.07, 9.19, 8.19 [MPa]. The results shown in FIGS. 4 and 7B are obtained by deleting, from the performance database, the performance data having the largest difference in storage time from the new performance data stored this time, among the performance data stored in the performance database. This is selected as actual data. Further, the results shown in FIGS. 5 and 7C are obtained by deleting, from the performance database, the performance data having the shortest distance in the condition space with the new data stored this time from the performance data stored in the performance database. This is selected as actual data. The results shown in FIG. 6 and FIG. 7D are obtained by selecting the record data to be deleted from the record database based on the value of the evaluation function shown in Equation (18).

このように、本発明の一実施形態である結果予測装置による予測誤差のＲＭＳＥは、従来の結果予測装置による予測誤差のＲＭＳＥと比較して大幅に小さくなっている。このことから、本発明の一実施形態である結果予測装置によれば、任意の要求条件に対する結果を精度高く予測できることが確認された。   As described above, the RMSE of the prediction error by the result prediction apparatus according to the embodiment of the present invention is significantly smaller than the RMSE of the prediction error by the conventional result prediction apparatus. From this, it was confirmed that according to the result prediction apparatus which is one embodiment of the present invention, it is possible to predict a result for an arbitrary required condition with high accuracy.

以上、本発明者によってなされた発明を適用した実施の形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施の形態、実施例、及び運用技術等は全て本発明の範疇に含まれる。   Although the embodiment to which the invention made by the present inventor is applied has been described above, the present invention is not limited by the description and the drawings that form a part of the disclosure of the present invention according to this embodiment. That is, other embodiments, examples, operational techniques, and the like made by those skilled in the art based on this embodiment are all included in the scope of the present invention.

１ 結果予測装置
１１ 実績データベース
１２ 実績データ更新部
１３ 影響係数計算部
１４ 距離計算部
１５ 類似度計算部
１６ 予測式作成部
１７ 予測計算部 DESCRIPTION OF SYMBOLS 1 Result prediction apparatus 11 Result database 12 Result data update part 13 Influence coefficient calculation part 14 Distance calculation part 15 Similarity degree calculation part 16 Prediction formula creation part 17 Prediction calculation part

Claims (6)

過去の条件の実績値と該条件によって得られた結果とを関連付けして実績データとして格納している実績データベースを用いて、任意の要求条件に対する結果を予測する結果予測装置であって、
前記実績データベースに格納される前記実績データの数を制限し、前記実績データベースに新しい実績データを格納する際、前記実績データベースに格納されている実績データの一部を削除する実績データ更新部を備えることを特徴とする結果予測装置。 A result prediction device that predicts a result for an arbitrary request condition by using a result database that associates a result value of a past condition and a result obtained by the condition and stores it as result data,
A performance data update unit is provided that limits the number of performance data stored in the performance database and deletes part of the performance data stored in the performance database when storing new performance data in the performance database. A result prediction apparatus characterized by that. 前記実績データ更新部は、前記実績データベースに格納されている各実績データについて該実績データベースに格納された時刻を算出し、今回格納する新しい実績データの格納時刻との時間差が最も大きい実績データを前記実績データベースから削除することを特徴する請求項１に記載の結果予測装置。   The actual data update unit calculates the time stored in the actual database for each actual data stored in the actual database, and stores the actual data having the largest time difference from the storage time of the new actual data stored this time. The result prediction apparatus according to claim 1, wherein the result prediction apparatus is deleted from the result database. 前記実績データ更新部は、条件空間における今回格納する新しい実績データと前記実績デーベースに格納されている実績データとの間の距離を算出し、算出された距離が最も短い実績データを前記実績データベースから削除することを特徴する請求項１に記載の結果予測装置。   The actual data update unit calculates a distance between new actual data stored this time in the condition space and actual data stored in the actual database, and the actual data having the shortest calculated distance is the actual database. The result prediction apparatus according to claim 1, wherein the result prediction apparatus is deleted from 前記実績データ更新部は、今回格納する新しい実績データと処理対象の実績データ以外の実績データとから計算される条件空間の条件数が最も多い実績データを実績データベースから削除することを特徴とする請求項１に記載の結果予測装置。   The performance data update unit deletes performance data having the largest number of condition spaces in the condition space calculated from new performance data stored this time and performance data other than the processing target performance data from the performance database. Item 2. The result prediction apparatus according to Item 1. 前記実績データ更新部は、今回格納する新しい実績データの格納時刻と前記実績データベースに格納されている実績データの格納時刻との時間差と、条件空間における今回格納する新しい実績データと前記実績データベースに格納されている実績データとの間の距離と、今回格納する新しい実績データと処理対象の実績データ以外の実績データとから計算される条件空間の条件数とから計算される評価関数の値に基づいて、前記実績データベースから削除する実績データを選択することを特徴とする請求項１に記載の結果予測装置。   The actual data update unit stores the time difference between the storage time of the new actual data stored this time and the storage time of the actual data stored in the actual database, the new actual data stored this time in the condition space, and the actual database Based on the value of the evaluation function calculated from the distance between the actual data and the new actual data to be stored this time and the number of conditions in the condition space calculated from the actual data other than the actual data to be processed The result prediction apparatus according to claim 1, wherein the result data to be deleted from the result database is selected. 過去の条件の実績値と該条件によって得られた結果とを関連付けして実績データとして格納している実績データベースを用いて、任意の要求条件に対する結果を予測する結果予測方法であって、
前記実績データベースに格納される前記実績データの数を制限し、前記実績データベースに新しい実績データを格納する際、前記実績データベースに格納されている実績データの一部を削除する実績データ更新ステップを含むことを特徴とする結果予測方法。 A result prediction method for predicting a result with respect to an arbitrary requirement condition using a result database that associates a result value of a past condition and a result obtained by the condition and stores the result as a result data,
Including a performance data update step of limiting a number of the performance data stored in the performance database and deleting a part of the performance data stored in the performance database when storing new performance data in the performance database. A result prediction method characterized by that.
JP2016248612A 2015-12-24 2016-12-22 Result prediction device and result prediction method Active JP6508185B2 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015250836 2015-12-24
JP2015250836 2015-12-24

Publications (2)

Publication Number Publication Date
JP2017120638A true JP2017120638A (en) 2017-07-06
JP6508185B2 JP6508185B2 (en) 2019-05-08

Family

ID=59272262

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016248612A Active JP6508185B2 (en) 2015-12-24 2016-12-22 Result prediction device and result prediction method

Country Status (1)

Country Link
JP (1) JP6508185B2 (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020071493A (en) * 2018-10-29 2020-05-07 株式会社神戸製鋼所 Result prediction device, result prediction method and program
JP2020128975A (en) * 2019-02-07 2020-08-27 Ｊｆｅスチール株式会社 Method for generating prediction model, method for predicting corrosion amount of metallic material, program for generating prediction model, and device of generating prediction model
WO2021014804A1 (en) 2019-07-22 2021-01-28 Ｊｆｅスチール株式会社 Method for generating quality prediction model, quality prediction model, quality prediction method, method for manufacturing metal material, device for generating quality prediction model, and quality prediction device
WO2022149344A1 (en) 2021-01-06 2022-07-14 Ｊｆｅスチール株式会社 Quality abnormality analysis method, metal material manufacturing method, and quality abnormality analysis device

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003239022A (en) * 2002-02-15 2003-08-27 Jfe Steel Kk Device for preparing steel manufacturing condition
JP2013025367A (en) * 2011-07-15 2013-02-04 Wakayama Univ Facility state monitoring method and device of the same

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003239022A (en) * 2002-02-15 2003-08-27 Jfe Steel Kk Device for preparing steel manufacturing condition
JP2013025367A (en) * 2011-07-15 2013-02-04 Wakayama Univ Facility state monitoring method and device of the same

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
小林健，外３名: "多重共線性を考慮した回帰式の変数選択 −混合整数半正定値計画法を用いた解法−", 日本オペレーションズ・リサーチ学会 ２０１４年秋季研究発表会アブストラクト集 （第３４回企業事例交流, JPN6018028068, 28 August 2014 (2014-08-28), JP, pages 164 - 165, ISSN: 0003841924 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020071493A (en) * 2018-10-29 2020-05-07 株式会社神戸製鋼所 Result prediction device, result prediction method and program
JP2020128975A (en) * 2019-02-07 2020-08-27 Ｊｆｅスチール株式会社 Method for generating prediction model, method for predicting corrosion amount of metallic material, program for generating prediction model, and device of generating prediction model
JP7020500B2 (en) 2019-02-07 2022-02-16 Ｊｆｅスチール株式会社 Prediction model generation method, corrosion amount prediction method for metal materials, prediction model generation program and prediction model generation device
WO2021014804A1 (en) 2019-07-22 2021-01-28 Ｊｆｅスチール株式会社 Method for generating quality prediction model, quality prediction model, quality prediction method, method for manufacturing metal material, device for generating quality prediction model, and quality prediction device
KR20220007653A (en) 2019-07-22 2022-01-18 제이에프이 스틸 가부시키가이샤 Quality prediction model generation method, quality prediction model, quality prediction method, metal material manufacturing method, quality prediction model generation apparatus and quality prediction apparatus
WO2022149344A1 (en) 2021-01-06 2022-07-14 Ｊｆｅスチール株式会社 Quality abnormality analysis method, metal material manufacturing method, and quality abnormality analysis device
KR20230116870A (en) 2021-01-06 2023-08-04 제이에프이 스틸 가부시키가이샤 Quality anomaly analysis method, metal material manufacturing method, and quality anomaly analysis device

Also Published As

Publication number Publication date
JP6508185B2 (en) 2019-05-08

Similar Documents

Publication Publication Date Title
JP6508185B2 (en) Result prediction device and result prediction method
JP6439780B2 (en) Magnetic property prediction device and magnetic property control device for electrical steel sheet
JP2020500420A (en) Yield prediction system and method for machine learning based semiconductor manufacturing
JP6531821B2 (en) Prediction model update system, prediction model update method and prediction model update program
CN110321658B (en) Method and device for predicting plate performance
JP2008146621A (en) Device and method for analyzing quality improvement condition of product, computer program, and computer readable recording medium
JP5068637B2 (en) Operation and quality related analysis apparatus, analysis method, program, and computer-readable recording medium in manufacturing process
JP2008112288A (en) Prediction type creation device, result prediction device, quality design device, prediction type creation method and method for manufacturing product
JP5604945B2 (en) Quality prediction apparatus, quality prediction method, computer program, and computer-readable recording medium
JP2012027683A (en) Quality prediction device, quality prediction method, program and computer readable recording medium
WO2019188941A1 (en) Analysis system, analysis method, and program
JP5962290B2 (en) Steel heat transfer coefficient prediction apparatus and cooling control method
JP4474847B2 (en) Result prediction device
WO2016151620A1 (en) Simulation system, simulation method, and simulation program
JP2013103227A (en) Method for controlling plate width of thick plate
JP5167891B2 (en) Result prediction apparatus and product quality prediction method using the same
JP6617842B1 (en) Metal material design support method and design support device
JP5195331B2 (en) Quality prediction apparatus, prediction method, program, and computer-readable recording medium in manufacturing process
JP2009064054A (en) Control method and control apparatus of product quality
JP2006309709A (en) Result prediction device, control device and quality design device
JP6699340B2 (en) Cooling control method and manufacturing method for thick steel plate
JP2016091343A (en) Information processing system, information processing method, and program
JP2020071493A (en) Result prediction device, result prediction method and program
JP5488140B2 (en) Quality prediction apparatus, quality prediction method, computer program, and computer-readable recording medium
JP6933070B2 (en) Product property predictors, methods, and programs, as well as manufacturing process control systems

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20170721

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180629

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180724

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180919

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20190305

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190318

R150 Certificate of patent or registration of utility model

Ref document number: 6508185

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250