JP2535070B2 - Quality diagnosis knowledge learning method - Google Patents
Quality diagnosis knowledge learning methodInfo
- Publication number
- JP2535070B2 JP2535070B2 JP1145612A JP14561289A JP2535070B2 JP 2535070 B2 JP2535070 B2 JP 2535070B2 JP 1145612 A JP1145612 A JP 1145612A JP 14561289 A JP14561289 A JP 14561289A JP 2535070 B2 JP2535070 B2 JP 2535070B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- value
- quality
- deduction
- item
- 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.)
- Expired - Lifetime
Links
Landscapes
- Feedback Control In General (AREA)
Description
【発明の詳細な説明】 [産業上の利用分野] 本発明の、鉄鋼プロセスなどの製造プロセスにおける
品質診断に用いる知識学習方法に関する。品質診断は現
在の操業状況から品質特性の予測・評価を迅速に行な
い、またその対応をとることにより品質特性不良の発生
を防止する。その処理を行なう知識ベースの保守を容易
にし、品質診断が永続的に使用されることを可能にす
る。The present invention relates to a knowledge learning method used for quality diagnosis in a manufacturing process such as a steel process according to the present invention. In quality diagnosis, quality characteristics are predicted and evaluated promptly based on the current operating conditions, and measures are taken to prevent the occurrence of defective quality characteristics. It facilitates maintenance of the knowledge base that does the work and allows quality diagnostics to be used permanently.
[従来の技術] 従来、鉄鋼プロセスなどの製造プロセスにおける品質
診断は、品質特性が定量的に数式モデルで予測できると
きに行なわれてきた。しかしながら、品質特性が定量的
に予測できないこともしばしばある。そのときにはルー
ルベース等の知識工業的手法により定性的な、あるいは
断片的な経験則により品質診断システムが開発されてい
る。[Prior Art] Conventionally, quality diagnosis in a manufacturing process such as a steel process has been performed when quality characteristics can be quantitatively predicted by a mathematical model. However, quality characteristics are often not quantitatively predictable. At that time, a quality diagnostic system is developed by a qualitative or fragmentary empirical rule by a knowledge-based method such as a rule base.
しかしながら、この新しいタイプの品質診断システム
に用いられる品質予測・診断方法には定まった方法が確
立しておらずシステムごとに診断方法が異なっているの
が現状である。However, the quality prediction / diagnosis method used in this new type of quality diagnosis system has not been established yet, and the diagnosis method is different for each system under the present circumstances.
また、この新しいタイプの品質診断システムに用いら
れる知識ベースは、通常KE(知識工学技術者)によって
修正され、一般技術者や操業技術者による修正は困難な
ことも多く、きめ細かな保守が出来ず問題であった。In addition, the knowledge base used for this new type of quality diagnosis system is usually modified by KE (Knowledge Engineering Engineer), and it is often difficult for general engineers and operation engineers to modify it, and detailed maintenance cannot be performed. It was a problem.
[発明が解決しようとする課題] 本発明は、製造プロセスの専門家の経験則により品質
診断に用いる知識ベースを実データを用いて自動的に修
正する知識学習方法を提案する。[Problems to be Solved by the Invention] The present invention proposes a knowledge learning method for automatically correcting a knowledge base used for quality diagnosis by using actual data according to an empirical rule of a manufacturing process expert.
それは、ひとつの定型的な品質診断方法のもとで用い
られている知識ベースの重みを自動学習する方法であ
る。It is a method for automatically learning the weights of the knowledge base used under one standard quality diagnosis method.
[課題を解決するための手段] 本発明の品質診断知識学習方法においては、製造プロ
セスにおいて得られる複数種類の操業実績データをそれ
らの狙い値からのずれに応じてランク分けし、診断する
複数の品質特性項目ごとに、前記操業実績データの狙い
値からのずれに起因する品質特性の減点値を、操業実績
データのランク値の減点値との関係、及び操業実績デー
タの種別毎に各々存在する重みの値を用いて求め、品質
特性項目ごとに各減点値に基づいてその評価値を求める
とともに、前記操業データのランク値のデータを入力デ
ータ、品質の実績値を教師信号として与えることによ
り、各品質特性項目ごとに、各操業実績データの種別毎
に前記重みの値を学習し更新する。[Means for Solving the Problem] In the quality diagnosis knowledge learning method of the present invention, a plurality of types of operation performance data obtained in the manufacturing process are ranked according to deviations from their target values, and a plurality of diagnoses are performed. For each quality characteristic item, there is a deduction value of the quality characteristic due to the deviation from the target value of the operation result data, the relationship with the deduction value of the rank value of the operation result data, and each for each type of operation result data. Obtained using the value of the weight, while obtaining the evaluation value based on each deduction value for each quality characteristic item, by giving the data of the rank value of the operation data as input data, the actual value of quality as a teacher signal, The value of the weight is learned and updated for each type of operation performance data for each quality characteristic item.
[作用] 本発明の品質診断においては、各々の操業実績データ
からそのランク値を生成し、各々のランク値から減点値
を生成し、操業実績データの項目毎の減点値を総合的に
評価して、品質の評価値を予測値として求める。減点値
の計算に際しては、操業実績データ種別毎、例えば鋼帯
温度,水和量,付着量,脱炭性などの区分毎に設定した
重みの値が用いられる。この重みの値が、品質診断の結
果に大きな影響を与えるので、重みの値を調整すること
によって、品質診断の特性を変えることができる。重み
の値が適切であれば、高精度の品質診断が可能になる。[Operation] In the quality diagnosis of the present invention, the rank value is generated from each operation performance data, the deduction value is generated from each rank value, and the deduction value for each item of the operation performance data is comprehensively evaluated. Then, the quality evaluation value is obtained as a predicted value. In the calculation of the deduction value, the value of the weight set for each operation performance data type, for example, for each category such as steel strip temperature, hydration amount, adhesion amount, decarburization property is used. Since the value of the weight has a great influence on the result of the quality diagnosis, the characteristic of the quality diagnosis can be changed by adjusting the value of the weight. If the weight value is appropriate, highly accurate quality diagnosis is possible.
本発明においては、品質の実績値が得られると、操業
実績データのランク値を品質診断の入力データ、品質の
実績値を教師データとして与え、前記重みの値を学習に
よって求め、その値を自動的に更新する。この学習処理
に、ニューラルネットの分野で用いられている学習アル
ゴリズムを利用することにより効果的な学習が可能にな
る。In the present invention, when the quality actual value is obtained, the rank value of the operation actual data is given as the input data of the quality diagnosis, the actual quality value is given as the teacher data, the value of the weight is obtained by learning, and the value is automatically calculated. To update. Effective learning can be performed by using a learning algorithm used in the field of neural networks for this learning process.
[実施例] 次に本発明の実施例について図面を参照して説明す
る。[Embodiment] Next, an embodiment of the present invention will be described with reference to the drawings.
この実施例では、方向性電磁鋼板プロセス全体の品質
特性(被膜特性などを含む)に関する品質診断を行なう
システムについて説明する。なお図示しないが、このシ
ステムでは、ハードウェア装置として、中央処理装置及
び記憶装置を含むコンピュータシステム本体と、それに
接続された端末装置を備えている。端末装置には、入力
装置であるキーボードと出力装置であるディスプレイが
備わっている。In this embodiment, a system for performing quality diagnosis regarding quality characteristics (including coating characteristics) of the entire grain-oriented electrical steel sheet process will be described. Although not shown, this system includes, as hardware devices, a computer system main body including a central processing unit and a storage device, and a terminal device connected thereto. The terminal device includes a keyboard that is an input device and a display that is an output device.
例えば被膜特性の実際の品質診断は、脱炭ラインの操
業実績データを基に、専門家の経験則によって行なわ
れ、その被膜品質の実績は、約10日後に得られる。その
ため、その間の被膜不良発生が、この品質診断システム
の品質予測によって防止される。For example, the actual quality diagnosis of the coating properties is performed based on the operation result data of the decarburization line by the empirical rule of the expert, and the actual result of the coating quality is obtained after about 10 days. Therefore, the occurrence of coating defects during that time is prevented by the quality prediction of the quality diagnostic system.
第1図は、この品質診断システムに備わったソフトウ
ェアプログラム及び処理又は参照するデータの構成の主
要部分を示してある。FIG. 1 shows a main part of a software program provided in the quality diagnostic system and a structure of processing or data to be referred to.
第1図を参照して、このシステムの処理の概略を説明
する。推論エンジン20は、入力される操業実績データ10
を処理し、品質の評価、即ち診断を行なう。評価の結
果、即ち診断値30は、ディスプレイ上にわかり易く表示
される。The outline of the processing of this system will be described with reference to FIG. The inference engine 20 uses the input operation result data 10
Is processed and quality is evaluated, that is, diagnosis is performed. The evaluation result, that is, the diagnostic value 30, is displayed on the display in an easy-to-understand manner.
推論エンジン20の処理は、知識ベース60上にデータに
基づいて実行される。知識ベース60上のデータは、推論
エンジン20の処理に適合する形で表記されたルールベー
スである。従って、知識ベース60上のデータは、一般の
オペレータには理解が困難である。しかし、診断精度の
高いシステムを構築するは、知識ベース60上のデータの
更新は不可欠である。The processing of the inference engine 20 is executed based on the data on the knowledge base 60. The data on the knowledge base 60 is a rule base described in a form suitable for the processing of the inference engine 20. Therefore, the data on the knowledge base 60 is difficult for a general operator to understand. However, to build a system with high diagnostic accuracy, updating the data on the knowledge base 60 is essential.
そこでこの実施例では、知識ベース60上に設けられた
データのうち、それに必要とされる各種パラメータのみ
を表形式で表記した知識テーブル40を設けてある。知識
テーブル40上のデータは比較的分かり易く、一般にオペ
レータにも理解できる。Therefore, in this embodiment, of the data provided on the knowledge base 60, a knowledge table 40 is provided in which only various parameters required for the data are written in a table format. The data on the knowledge table 40 is relatively easy to understand and is generally understandable to the operator.
オペレータが端末装置のキーボードから所定の操作を
行なえば、エディタ70のプログラムが起動し、知識テー
ブル40上のデータを順次にディスプレイ上に表示する。
ディスプレイ上に表示されるカーソルを移動してデータ
の位置を特定し、更に入力操作を行なうことにより、そ
の位置のデータに対して、訂正,削除,追加などの編集
処理が行なわれる。この編集処理によって、知識テーブ
ル40上のデータが更新される。When the operator performs a predetermined operation from the keyboard of the terminal device, the program of the editor 70 is activated and the data in the knowledge table 40 is sequentially displayed on the display.
By moving the cursor displayed on the display to specify the position of the data and further performing an input operation, editing processing such as correction, deletion and addition is performed on the data at that position. By this editing process, the data on the knowledge table 40 is updated.
エディタ70の処理が終了すると、データ変換50のプロ
グラムが起動し、更新された知識テーブル40上のデータ
に基づいて、知識ベース60上に保持されるデータを再生
成する。When the processing of the editor 70 is completed, the program of the data conversion 50 is activated, and the data held in the knowledge base 60 is regenerated based on the updated data in the knowledge table 40.
また、専問家による実際の品質診断の結果(実績評価
値)が得られた時には、学習処理80のプログラムが起動
し、推論エンジン20の出力と、入力された実績評価値に
基づいて、知識テーブル40上に存在する重みデータを更
新する。この知識テーブルの学習に伴なって、知識ベー
ス60の内容も更新される。Moreover, when the result (actual evaluation value) of the actual quality diagnosis by the expert is obtained, the program of the learning process 80 is started, and the knowledge is calculated based on the output of the inference engine 20 and the input actual value evaluation value. The weight data existing on the table 40 is updated. The contents of the knowledge base 60 are updated as the knowledge table is learned.
第1図の推論エンジン20の処理の流れを概略で第2図
に示す。推論エンジン20の推論処理は、段階的に構成さ
れており、この例では一次診断と二次診断の2階層にな
っている。第2図において、ステップ1〜3が一次診断
の処理に対応し、ステップ4〜6が二次診断の処理に対
応している。An outline of the processing flow of the inference engine 20 of FIG. 1 is shown in FIG. The inference processing of the inference engine 20 is configured in stages, and in this example, there are two layers of primary diagnosis and secondary diagnosis. In FIG. 2, steps 1 to 3 correspond to the primary diagnosis processing, and steps 4 to 6 correspond to the secondary diagnosis processing.
第2図のステップ1では、入力される操業実績データ
をその狙い値からのずれの大きさに応じてランク分けす
る。In step 1 of FIG. 2, the input operation result data is ranked according to the magnitude of deviation from the target value.
この例では、第3a図の操業実績項目に示すように、dp
1,dp2,dp3,dp4,鋼帯温度1,鋼帯温度2,鋼帯温度3,水和
性,付着量及び脱炭性の10種類の操業実績データが入力
されるので、それらの各々について、それのランク値を
求める。各操業実績項目毎の各ランクの狙い値からのず
れの範囲は、第3a図のように区分されている。第3a図を
参照すると、操業実績項目とdp1は1〜5の5ランクに
区分され、dp2は1〜6の6ランクに区分され、dp3は1
〜7の7ランクに区分されることが分かる。In this example, as shown in the operation result item in Fig. 3a, dp
1, dp2, dp3, dp4, steel strip temperature 1, steel strip temperature 2, steel strip temperature 3, hydration property, adhesion amount and decarburization performance data of 10 types are entered. , Find the rank value of it. The range of deviation from the target value of each rank for each operation result item is divided as shown in Fig. 3a. Referring to FIG. 3a, the operation performance items and dp1 are divided into 5 ranks 1 to 5, dp2 is divided into 6 ranks 1 to 6, and dp3 is 1
It can be seen that they are divided into 7 ranks of ~ 7.
第4a図,第4b図,第4c図及び第4d図は知識テーブル40
上のデータの一部分を示しているが、これらのうち第4a
図に、第3a図のランク分けの範囲に対応するデータが示
されている。即ち、第4a図の最上部の2行に注目する
と、最初に表記された“dp1"が操業実績項目の区分を示
し、次の“5"がランク数を示し、それに続く10個のデー
タが各ランクの範囲を示している。これら10個のデータ
は、2つずつ組になっており、5組のデータの各組が各
々のランクに対応付けられている。また、“*”の記号
は以上又は以下を表わしている。従って例えば、dp1の
各ランクの範囲は、40.0以上,40.0〜38.0,38.0〜22.0,2
2.0〜13.0,及び13.0以下になっている。他の項目につい
ても同様である。The knowledge table 40 is shown in FIGS. 4a, 4b, 4c and 4d.
A portion of the above data is shown, of which 4a
The figure shows data corresponding to the range of ranking in FIG. 3a. In other words, paying attention to the top two lines in Fig. 4a, the first "dp1" indicates the division of the operation result item, the next "5" indicates the rank number, and the following 10 data are The range of each rank is shown. Each of these 10 pieces of data is in pairs, and each pair of 5 pieces of data is associated with each rank. The symbol "*" represents the above or below. Therefore, for example, the range of each rank of dp1 is 40.0 or more, 40.0 to 38.0, 38.0 to 22.0, 2
2.0 to 13.0, and 13.0 or less. The same applies to other items.
実際のランク分け処理は、知識ベース60上のデータに
基づいて実行されるが、そのデータは基本的には知識テ
ーブル40上のデータと同一である。なお、ランク分けの
各範囲は、鋼種規格ごとに与えられる。The actual ranking process is executed based on the data on the knowledge base 60, but the data is basically the same as the data on the knowledge table 40. Each range of rank classification is given for each steel grade standard.
第2図のステップ2では、診断項目ごとに、減点値を
計算する。この一次診断の診断項目には、第3c図の中間
特性項目に示されるように、“過酸化A",“過酸化B",
“過酸化C",“酸化不足A",“酸化不足B",“酸化不足C",
“脱炭異常A",及び“脱炭異常B"の8個の項目が存在す
る。In step 2 of FIG. 2, a deduction value is calculated for each diagnostic item. The diagnostic items of this primary diagnosis include "peroxidation A", "peroxidation B", as shown in the intermediate characteristic items of FIG. 3c.
"Peroxidation C", "Insufficient oxidation A", "Insufficient oxidation B", "Insufficient oxidation C",
There are eight items: "Decarburization abnormality A" and "Decarburization abnormality B".
第3b図は、一次診断の中の“過酸化A"に関する、減点
値の計算に利用される知識(知識テーブル及び知識ベー
ス上のデータ)を示しており、具体的には、各操業実績
項目ごとの減点値の重みの値と、診断結果に悪影響を及
ぼす特性パターンを示している。つまり、第3b図の例で
は、dp1,dp2,dp3,dp4,・・・の各々の項目の重みがそれ
ぞれ、0,70,5,10,・・・になっており、10項目の重みの
合計が100%に設定されている。また、各欄中の☆マー
クは、その項目のデータが診断結果に悪影響を及ぼすこ
とを示している。Fig. 3b shows the knowledge (data on the knowledge table and knowledge base) used to calculate the deduction value for "Peroxidation A" in the primary diagnosis. Specifically, each operation performance item The value of the weight of the deduction value for each and the characteristic pattern that adversely affects the diagnosis result are shown. That is, in the example of FIG. 3b, the weight of each item of dp1, dp2, dp3, dp4, ... Is 0, 70, 5, 10, .. The total is set to 100%. Moreover, the star mark in each column indicates that the data of the item adversely affects the diagnosis result.
第3b図のデータに対応する知識テーブル40上のデータ
は、第4b図に示されている。第4b図においては、最初
に、一次診断項目のリストが表記され、続いて一次診断
項目の各々に関する詳細なデータが表記されている。過
酸化Aの項目の内容を示す欄に注目すると、第1行に
は、評価結果の値の変化する範囲(80点〜40点)が示さ
れ、第2行〜第11行には各操業実績項目に関する情報が
示されている。例えば、dp2に続く数値列のうち、最初
の“1"はパターン数、次の“7"は使用する計算式の番
号、続く“6"はランク数、次の“5"と“6"は悪化パター
ンのランク区間、最後の70.0は重み(不良化寄与率
(%))を示している。The data on the knowledge table 40 that corresponds to the data in Figure 3b is shown in Figure 4b. In FIG. 4b, first, a list of primary diagnostic items is shown, followed by detailed data on each of the primary diagnostic items. Focusing on the column showing the contents of the peroxide A item, the first line shows the range in which the value of the evaluation result changes (80 to 40 points), and the second to eleventh lines show each operation. Information about actual items is shown. For example, in the numerical sequence following dp2, the first "1" is the number of patterns, the next "7" is the number of the formula to be used, the following "6" is the number of ranks, and the next "5" and "6" are The rank section of the deterioration pattern, 70.0 at the end, indicates the weight (deterioration contribution rate (%)).
この知識に基づいて、減点値が計算される。例えば、
操業実績項目のdp2に関し、操業実績データのランクが
6であれば、それに対する減点値は、(80−40)×70/1
00=28点と計算される。ここで、80−40は過酸化Aに関
する診断結果の変化範囲に対応し、70/100が重みに対応
する。A deduction value is calculated based on this knowledge. For example,
Regarding the operation result item dp2, if the operation result data rank is 6, the deduction value for that is (80-40) x 70/1
00 = 28 points is calculated. Here, 80-40 corresponds to the change range of the diagnostic result regarding peroxide A, and 70/100 corresponds to the weight.
上記計算は、操業実績データ(dp2)のランク値がそ
れの変化する範囲(1〜6)の中で最大(6)の場合で
あるが、ランク値がそれより小さい場合には、0〜1.0
の範囲の係数が減点値に乗算される。その係数は、指定
された計算式によって求められる。この例では、第7図
に示すような計算式が利用される。なお第7図は一部分
を示しており、実際には7種類の計算式がある。The above calculation is for the case where the rank value of the operation record data (dp2) is the maximum (6) within the range (1-6) in which it changes, but when the rank value is smaller than that, it is 0-1.0.
The deduction value is multiplied by the coefficient in the range. The coefficient is obtained by the specified calculation formula. In this example, the calculation formula as shown in FIG. 7 is used. Note that FIG. 7 shows a part, and in reality, there are seven types of calculation formulas.
第4b図を参照すると、過酸化Aのdp2に関する計算式
は7番であるが、仮に4番の計算式を利用して、dp2の
操業実績データのランクが5の場合の計算を行なうと28
点×log4 3=22.2が減点値になる。Referring to FIG. 4b, the calculation formula for dp2 of peroxide A is No. 7, but if the calculation formula of No. 4 is used to calculate when the rank of dp2 operation record data is 5, 28
Point × log 4 3 = 22.2 becomes deduction value.
他の診断項目についても、同様に知識ベース上にデー
タを参照しながら計算により求められる。Other diagnostic items are also calculated by referring to the data on the knowledge base.
第2図のステップ3では、ステップ2で求めた各操業
実績項目ごとに減点値を、一次診断項目ごとに合計し、
また、一次診断項目ごとの減点値を、各操業実績項目ご
とに合計する。この処理の結果の一例を第6図に表形式
で示す。この情報は、必要に応じて、第6図に示す形式
でディスプレイ上に表示することができる。表示される
減点値は、それが大きいものほどプロセス特性を改善す
るのに重要である。ディスプレイ上の減点値の表示を参
照することにより、プロセス特性に悪影響を及ぼしてい
る項目を瞬時に知ることができる。In step 3 of FIG. 2, the deduction points for each operation result item obtained in step 2 are summed up for each primary diagnosis item,
In addition, the deduction points for each primary diagnosis item are totaled for each operation performance item. An example of the result of this processing is shown in FIG. This information can be displayed on the display in the format shown in FIG. 6 if desired. The larger the deduction value displayed, the more important it is to improve the process characteristics. By referring to the display of the deduction value on the display, it is possible to instantly know the item that adversely affects the process characteristics.
第2図のステップ4,5及び6は、それぞれ前述のステ
ップ1,2及び3と基本的に同様であり、ステップ1〜3
の一次診断で得られた結果、即ち中間特性項目毎の8種
類のデータ(過酸化A,過酸化B,過酸化C,酸化不足A,酸化
不足B,酸化不足C,脱炭異常A及び脱炭異常B)を入力デ
ータとして、被膜不良,脱炭不良,磁性不良,及び光沢
不良の4つの診断項目について診断を行なう。Steps 4, 5 and 6 in FIG. 2 are basically the same as the above-mentioned steps 1, 2 and 3, respectively.
The results obtained by the primary diagnosis, that is, eight kinds of data for each intermediate characteristic item (peroxidation A, peroxidation B, peroxidation C, oxidation deficiency A, oxidation deficiency B, oxidation deficiency C, decarburization abnormality A and desorption Using the charcoal anomaly B) as input data, diagnosis is performed on four diagnostic items: coating defect, decarburization defect, magnetic defect, and gloss defect.
ステップ4の処理では、第3c図に示すようなランク分
けを行なう。このランク分けに関する知識テーブル40上
のデータの一部分が、第4c図に示されている。ステップ
5の減点値の計算処理においては、被膜不良,脱炭不
良,磁性不良,及び光沢不良の4つの診断項目について
各々減点値を求めるが、例えば被膜不良の診断項目につ
いては、第3d図に示すような知識に基づいて、減点値が
求められる。この処理で参照されるデータに対応する知
識テーブル40上のデータの一部分が第4d図に示されてい
る。In the process of step 4, the ranking is performed as shown in FIG. 3c. Part of the data on the knowledge table 40 regarding this ranking is shown in FIG. 4c. In the deduction point calculation process of step 5, deduction values are obtained for each of the four diagnostic items of film defect, decarburization defect, magnetic defect, and gloss defect. For example, for the film defect diagnostic item, see FIG. 3d. The deduction value is calculated based on the knowledge as shown. Part of the data on the knowledge table 40 that corresponds to the data referenced in this process is shown in FIG. 4d.
なお第3c図,第3d図,第4c図及び第4d図の各項目に表
記された情報の意味は、それぞれ、既に説明した第3a
図,第3b図,第4a図及び第4b図のものと同様である。従
ってそれらの説明は省略する。Note that the meanings of the information described in each item in FIGS. 3c, 3d, 4c, and 4d are the same as those already described in 3a.
Similar to Figures, 3b, 4a and 4b. Therefore, their description will be omitted.
第2図のステップ6では、ステップ5で求めた各一次
診断項目(中間特性項目)ごとに減点値を、二次診断項
目ごとに合計し、また、二次診断項目ごとの減点値を、
各一次診断項目ごとに合計する。この処理の結果は、第
6図の場合と同様に、必要に応じて、表形式でディスプ
レイ上に表示することができる。In step 6 of FIG. 2, the deduction values for each primary diagnosis item (intermediate characteristic item) obtained in step 5 are summed up for each secondary diagnosis item, and the deduction value for each secondary diagnosis item is calculated.
Sum up each primary diagnostic item. As in the case of FIG. 6, the result of this processing can be displayed on the display in a tabular format, if necessary.
第2図のステップ7では、ステップ6で求めた診断項
目ごとの減点値を満点値から減算して、各診断項目の評
価値を求め、また操業実績項目ごとの減点の合計をそれ
の大きい順に並べかえ、それらをディスプレイに表示す
るとともに、修正すべき操業条件を表示して、それをオ
ペレータに知らせる。In step 7 of FIG. 2, the deduction value for each diagnostic item obtained in step 6 is subtracted from the full score value to obtain an evaluation value for each diagnostic item, and the total deduction points for each operation result item are arranged in descending order. They are rearranged, displayed on the display, and the operating conditions to be corrected are displayed to inform the operator.
第1図の知識ベース60上のデータの一部分を、第5a
図,第5b図,第5c図及び第5d図に示す。Part of the data on the knowledge base 60 in FIG.
Shown in Figures, 5b, 5c and 5d.
まず第5a図を参照する。一番上の部分の表記された
“FINDINGS"の内容は、一次診断で入力される操業実績
項目の名称のリストである。また、次の“INTERMEDIATE
−HYPOTHES"の内容は、操業実績データをランク分けす
る場合に参照するデータ及び減点値を求める際に参照す
るデータの名称を定義したリストである。続く“HYPOTH
ES"の内容は、一次診断項目の名称のリストである。ま
た、次の“FH−RULE"の内容は、ランク分けに関し存在
するルールの名称リストである。First, refer to FIG. 5a. The content of "FINDINGS" written in the top part is a list of the names of the operation result items input in the primary diagnosis. In addition, next "INTERMEDIATE
The content of "HYPOTHES" is a list that defines the names of the data to be referred to when ranking the operation result data and the data to be referred to when obtaining the deduction value.
The content of "ES" is a list of the names of the primary diagnostic items. The content of "FH-RULE" below is a list of the names of the rules that exist for rank classification.
次に第5b図を参照する。一番上の部分に表記された
“HH−RULE"の内容は、減点値及びそれの合計値の計算
に関し存在するルールの名称リストである。これの下方
に、ランク分けに関する各々のルールの内容が表記して
ある。例えば、最初の部分に表記された“##d−dank
−dp1−1##”の内容は、操業実績項目のdp1に関する
ランク1の定義であり、ここでは、dp1の値がもし40.0
以上であれば、“rank−dp1"に1をセット、即ちdp1の
ランクを1にする、ことが定義されている。これに続い
て、ランク2,ランク3,ランク4,・・・に関する定義が表
記されている。Reference is now made to Figure 5b. The content of "HH-RULE" written in the top part is a list of names of existing rules regarding the calculation of the deduction value and its total value. Below this, the content of each rule regarding ranking is described. For example, "## d-dank written in the first part
-Dp1-1 ### ”is the definition of rank 1 related to the operation result item dp1, and here, the value of dp1 is 40.0.
If it is above, "rank-dp1" is set to 1, that is, the rank of dp1 is set to 1. Following this, definitions regarding rank 2, rank 3, rank 4, ... Are written.
次に第5c図及び第5d図を参照する。これらの部分に
は、第5b図の“HH−RULE"に表記されたルール名称の各
々に対応するルールの定義が表記されている。例えば、
第5c図の最初の部分では、“dp1−不良減点”に関する
ルールが定義されており、ここでは、dp1のランクが1
〜5の範囲にある場合に、“THEN"の欄に表記された処
理を実行する。例えば、([dp1][酸化不足])の減
点値は、(func−call 15′(3)′(2)′(5)′
(50.0)′(0.0)rank−dp1)の処理結果として計算さ
れる。ここで、“fucn−call"は、推論エンジン20が実
行できるLISP言語の関数を示し、それに続くデータは関
数のパラメータを示している。Reference is now made to Figures 5c and 5d. In these parts, the definition of the rule corresponding to each of the rule names described in "HH-RULE" in FIG. 5b is described. For example,
In the first part of Fig. 5c, the rule regarding "dp1-defects deduction" is defined, where the rank of dp1 is 1
If it is in the range of to 5, the processing described in the "THEN" column is executed. For example, the deduction value of ([dp1] [insufficient oxidation]) is (func-call 15 '(3)' (2) '(5)'
It is calculated as the processing result of (50.0) '(0.0) rank-dp1). Here, “fucn-call” indicates a LISP language function that can be executed by the inference engine 20, and the data that follows the function indicates a parameter of the function.
また第5c図の##過酸化A減点合計計算##の内容
は、一次診断項目の過酸化Aに関する減点値の合計計算
に関するルールの定義であり、ここでは、[dp2][過
酸化A]のデータが0.0以上であると、[dp1][過酸化
A],[dp2][過酸化A],[dp3][過酸化A],
[dpz][過酸化A],[鋼温1][過酸化A],[鋼
温2][過酸化A],[鋼温3][過酸化A],[水和
量][過酸化A],[付着量][過酸化A],[脱炭
性][過酸化A]の総和を、“過酸化A減点合計”にス
トアする。The content of ## Peroxidation A deduction total calculation ## in FIG. 5c is the definition of the rule regarding the total deduction value calculation for the primary diagnosis item Peroxidation A. Here, [dp2] [Peroxidation A] Is 0.0 or more, [dp1] [peroxidation A], [dp2] [peroxidation A], [dp3] [peroxidation A],
[Dpz] [peroxidation A], [steel temperature 1] [peroxidation A], [steel temperature 2] [peroxidation A], [steel temperature 3] [peroxidation A], [hydration amount] [peroxidation The sum of [A], [adhesion amount] [peroxidation A], [decarburization] [peroxidation A] is stored in the "peroxide A deduction total".
また第5d図の##dp1−減点合計計算##の内容は、
操業実績項目のdp1の減点値の合計計算に関するルール
の定義であり、この例では、[dp1][過酸化B]の値
が0.0以上であると、[dp1][過酸化A],[dp1]
[過酸化B],[dp1][酸化不足A],[dp1][酸化
不足C],[dp1][酸化不足B],[dp1][酸化不足
C],[dp1][脱炭異常A],[dp1][脱炭異常B]
の総和を、“dp1−減点合計”にストアする。Also, the contents of ## dp1 − total deduction calculation ## in FIG.
This is the definition of the rule regarding the total calculation of the deduction value of dp1 of the operation result item. In this example, when the value of [dp1] [peroxidation B] is 0.0 or more, [dp1] [peroxidation A], [dp1 ]
[Peroxidation B], [dp1] [oxidation deficiency A], [dp1] [oxidation deficiency C], [dp1] [oxidation deficiency B], [dp1] [oxidation deficiency C], [dp1] [decarburization abnormality A] ], [Dp1] [Decarburization abnormality B]
Store the total sum of “dp1−total deduction”.
この知識ベースのデータは、第1図に示すデータ変換
50の処理によって、知識テーブル40上のデータに基づい
て自動的に生成される。データ変換50の処理の概略を第
8図に示すので参照されたい。This knowledge base data is converted to the data shown in Fig. 1.
By the processing of 50, it is automatically generated based on the data on the knowledge table 40. Please refer to the outline of the process of the data conversion 50 shown in FIG.
第9図に、第1図の学習処理80における処理の概略を
示す。第9図において、x1,……xnは操業実績データの
ランク値、f1,……fnは乗算係数関数式(第7図参
照)、ω1,……ωnが学習される重み(小数点表示した
もの)、yは品質評価予測値(減点値)、dはその専門
家によって実際に評価された結果、即ち実績評価値(減
点値)を示している。学習のアルゴリズムとして、直交
学習や誤差逆伝播法などを用いることができるが、ここ
では直交学習のアルゴリズムが用いられている。FIG. 9 shows an outline of the processing in the learning processing 80 of FIG. In FIG. 9, x 1 , ..., Xn are rank values of the operation result data, f 1 , ..., Fn are multiplication coefficient functional expressions (see FIG. 7), and ω 1 ,. (Displayed), y indicates a quality evaluation predicted value (deduction value), and d indicates a result actually evaluated by the expert, that is, an actual evaluation value (deduction value). As a learning algorithm, an orthogonal learning method or an error backpropagation method can be used, but the orthogonal learning algorithm is used here.
ωiの修正値をΔωiとすると、 Δω=Δω1,Δω2,……,Δωn)′ Δω=〔k(d−y)/(λ+F′F)〕・F 但し、k,λは学習調整値、F=(f1(x1),f
2(x2),……,fn(xn))′つまり、各品質特性項目に
ついて、実績評価値dを教師信号として、不良化寄与
率、即ち、知識テーブル上の重みの値が学習される。知
識テーブルの学習に伴なって知識ベースも更新される。If the modified value of ωi is Δωi, Δω = Δω 1 , Δω 2 , ..., Δωn) ′ Δω = [k (d−y) / (λ + F′F)] · F where k and λ are learning adjustment values , F = (f 1 (x 1 ), f
2 (x 2 ), ..., fn (xn)) ′ That is, for each quality characteristic item, the defective contribution ratio, that is, the value of the weight on the knowledge table is learned using the performance evaluation value d as a teacher signal. . The knowledge base is updated as the knowledge table is learned.
[効果] 以上説明したように、本発明によれば、品質診断シス
テム上の知識が学習によって自動的に更新されるので、
高精度の品質診断が可能になり、知識の保守も容易にな
る。[Effect] As described above, according to the present invention, since knowledge on the quality diagnosis system is automatically updated by learning,
High-accuracy quality diagnosis is possible and knowledge maintenance is easy.
第1図は本発明を実施する品質診断システムのソフトウ
ェア及びデータの構成を示すブロック図である。 第2図は、第1図の推論エンジン20の処理の概略を示す
フローチャートである。 第3a図,第3b図,第3c図及び第3d図は、実施例の知識の
内容を表形式で示す平面図である。 第4a図,第4b図,第4c図及び第4d図は、第1図の知識テ
ーブル40上のデータの一部分の内容のリストを示す平面
図である。 第5a図,第5b図,第5c図及び第5d図は、第1図の知識ベ
ース60上のデータの一部分の内容のリストを示す平面図
である。 第6図は、デイスプレイに表示される情報の一例を示す
正面図である。 第7図は、減点計算に利用される計算式群の一部分の内
容を示す平面図である。 第8図は、第1図のデータ変換50の処理を示すフローチ
ャートである。 第9図は、第1図の学習処理80の構成を示すブロック図
である。FIG. 1 is a block diagram showing a software and data structure of a quality diagnostic system for carrying out the present invention. FIG. 2 is a flow chart showing an outline of processing of the inference engine 20 of FIG. 3a, 3b, 3c and 3d are plan views showing the contents of knowledge of the embodiment in tabular form. FIGS. 4a, 4b, 4c and 4d are plan views showing a list of the contents of a part of the data on the knowledge table 40 of FIG. 5a, 5b, 5c and 5d are plan views showing a listing of the contents of a portion of the data on the knowledge base 60 of FIG. FIG. 6 is a front view showing an example of information displayed on the display. FIG. 7 is a plan view showing the contents of a part of the formula group used for the deduction calculation. FIG. 8 is a flowchart showing the process of the data conversion 50 of FIG. FIG. 9 is a block diagram showing the structure of the learning process 80 of FIG.
───────────────────────────────────────────────────── フロントページの続き (72)発明者 三島 由久 福岡県北九州市八幡東区枝光1―1―1 新日本製鐡株式會社設備技術本部内 (56)参考文献 特開 平2−183335(JP,A) 特開 平2−183334(JP,A) 特開 平2−206721(JP,A) ─────────────────────────────────────────────────── ─── Continuation of the front page (72) Yuhisa Mishima 1-1-1 Edamitsu, Hachimanto-ku, Kitakyushu, Kitakyushu, Fukuoka Inside the Engineering Department, Nippon Steel Co., Ltd. (56) Reference JP-A-2-183335 ( JP, A) JP-A-2-183334 (JP, A) JP-A-2-206721 (JP, A)
Claims (1)
操業実績データをそれらの狙い値からのずれに応じてラ
ンク分けし、診断する複数の品質特性項目ごとに、前記
操業実績データの狙い値からのずれに起因する品質特性
の減点値を、操業実績データのランク値と減点値との関
係、及び操業実績データの種別毎に各々存在する重みの
値を用いて求め、品質特性項目ごとに各減点値に基づい
てその評価値を求めるとともに、前記操業データのラン
ク値のデータ入力データ、品質と実績値を教師信号とし
て与えることにより、各品質特性項目ごとに、各操業実
績データの種別毎の前記重みの値を学習し更新する、品
質診断知識学習方法。1. A plurality of types of operation result data obtained in a manufacturing process are ranked according to deviations from their target values, and a plurality of quality characteristic items to be diagnosed are classified from the target values of the operation result data. The demerit value of the quality characteristic due to the deviation is obtained by using the relationship between the rank value of the operation result data and the deduction value, and the weight value existing for each type of the operation result data, and deducted for each quality characteristic item. While obtaining the evaluation value based on the value, by giving the data input data of the rank value of the operation data, the quality and the actual value as a teacher signal, for each quality characteristic item, for each type of each operation actual data, A quality diagnostic knowledge learning method that learns and updates weight values.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1145612A JP2535070B2 (en) | 1989-06-08 | 1989-06-08 | Quality diagnosis knowledge learning method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1145612A JP2535070B2 (en) | 1989-06-08 | 1989-06-08 | Quality diagnosis knowledge learning method |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH0310301A JPH0310301A (en) | 1991-01-17 |
JP2535070B2 true JP2535070B2 (en) | 1996-09-18 |
Family
ID=15389064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP1145612A Expired - Lifetime JP2535070B2 (en) | 1989-06-08 | 1989-06-08 | Quality diagnosis knowledge learning method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2535070B2 (en) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5196997A (en) * | 1991-01-22 | 1993-03-23 | International Business Machines Corporation | Method and apparatus for quality measure driven process control |
CN111291567B (en) * | 2020-02-05 | 2023-08-25 | 北京明略软件***有限公司 | Evaluation method and device for manual labeling quality, electronic equipment and storage medium |
-
1989
- 1989-06-08 JP JP1145612A patent/JP2535070B2/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
JPH0310301A (en) | 1991-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7214417B2 (en) | Data processing method and data processing program | |
Chen | Economic design of variable sampling interval T2 control charts—a hybrid Markov Chain approach with genetic algorithms | |
WO2019160138A1 (en) | Causality estimation device, causality estimation method, and program | |
US11803165B2 (en) | Manufacturing support system for predicting property of alloy material, method for generating prediction model, and computer program | |
JPH07121495A (en) | Construction method of expert system by using one or more neural networks | |
JP2020060827A (en) | Control device and control method | |
KR950007882B1 (en) | Apparatus and method for automatically generating membership function and/or fuzzy inference rule for fuzzy inference system | |
JP2535070B2 (en) | Quality diagnosis knowledge learning method | |
JPH07129534A (en) | Method for conversion of existing expert system into expert system using one or more neural networks | |
JPH0575968B2 (en) | ||
JPH0750492B2 (en) | Quality diagnosis knowledge correction method | |
JPH0575969B2 (en) | ||
JPH0663791B2 (en) | Process diagnosis method | |
JPH10154900A (en) | Method and system for analyzing failure of printed board for mounting electronic device | |
JPH05128284A (en) | Neuro-processor | |
JPH0750491B2 (en) | Quality diagnosis knowledge adjustment method | |
Schnelle et al. | A real-time expert system for quality control | |
JP2643295B2 (en) | Fuzzy control arithmetic unit and fuzzy inference method | |
JP3085365B2 (en) | Process procedure automatic adjustment method, process procedure automatic adjustment system, and recording medium recording process procedure automatic adjustment program | |
JPH02112063A (en) | Quality diagnostic method | |
WO2023233858A1 (en) | Calculation device and calculation method for neural network | |
Affisco et al. | Quality assurance and expert systems—A framework and conceptual model | |
JP2778888B2 (en) | Plant abnormality diagnosis device | |
JPH07105165A (en) | Neural network information processor | |
JP3608237B2 (en) | Neural network learning device |