JP4365536B2

JP4365536B2 - 鋼材の製造プロセス異常判定装置

Info

Publication number: JP4365536B2
Application number: JP2001042056A
Authority: JP
Inventors: 弘靖茂森; 勇岡村
Original assignee: JFE Steel Corp
Current assignee: JFE Steel Corp
Priority date: 2001-02-19
Filing date: 2001-02-19
Publication date: 2009-11-18
Anticipated expiration: 2021-02-19
Also published as: JP2002241846A

Description

【０００１】
【発明の属する技術分野】
本発明は、鋼材の製造プロセス異常判定装置に係り、特に、鋳造された鋳片を、加熱、圧延、冷却、熱処理などして製造される鋼材の製造プロセスの管理に用いるのに好適な、鋼材の製造プロセス異常判定装置に関する。
【０００２】
【従来の技術】
鋼材の材質推定方法には、まず、特開平５−２７９７３７、特開平５−１４２１２６、特開平５−１０７２４３、特開平５−９３７２０、特開平５−８７８０２、特開平５−８７８０１、特開平５−８７８００、特開平５−７２２００、特開平５−２６８７２、特開平５−２６８７１、特開平５−２６８７０、特開平９−２９２３９１、特開平１１−２１６２６、特開平５−２７９７３７等のように、製造過程の物理現象を解明し、それを模倣した数式モデルを物理モデルとして用いる方法がある。
【０００３】
一方、対象の物理現象に関係なく、製造過程の物理現象をブラックボックスとして、このブラックボックスへの入力、及び、ブラックボックスからの出力の履歴データから、該ブラックボックスのモデルを作成するアプローチがあり、例えば鋼材の材質に大きく影響があると考えられる要因をいくつか選定し、その要因により重回帰を行って同定した回帰モデルを用いる方法が一般によく知られている。
【０００４】
又、特開平８−２４０５８７のように、材質推定モデルとして階層型ニューラルネットワークモデルを用いる方法もある。
【０００５】
【発明が解決しようとする課題】
しかしながら、従来の材質推定方法は、いずれにしても、製造実績から材質の推定値を出力するだけで、その推定誤差を評価することができない。そのため、特に未経験の新たな入力データに対してモデルを用いて出力した材質推定値の信頼性評価ができず、その材質推定値が、製品の要求仕様（機械試験特性範囲などの材質許容範囲）を満足するか否かの判断が困難であるという問題点を有していた。
【０００６】
従って、材質推定値により製造プロセスの管理まで行うことは、全く考えられていなかった。
【０００７】
本発明は、前記従来の問題点を解消するべくなされたもので、材質推定値を利用して製造プロセスの異常をリアルタイムで判定して、不良品の大量発生を防止することを課題とする。
【０００８】
【課題を解決するための手段】
本発明は、鋼材の製造プロセス異常判定装置において、過去に製造した製品毎に、素材成分実績、操業実績及び材質実績を蓄積する材質記憶手段と、材質を推定しようとする製品の素材成分情報及び操業情報が入力されると、ルールに従って、材質に与える影響の大きい入力値のみを入力変数にする入力変数限定手段と、入力変数とされた素材成分情報及び操業情報の入力値と、前記材質記憶手段に蓄積されている製品毎の素材成分実績及び操業実績のデータとの距離を定義した距離関数を用いて、入力値に近いデータをもつ過去に製造した製品事例を複数抽出し、抽出された製品事例の材質実績のデータから平均値とその標準偏差を計算し、これらを材質推定値とその推定誤差として出力する材質推定計算手段と、実際に前記推定計算に使用した入力値と同一の条件で製造して得られた製品の材質実績が、（材質推定値±推定誤差）の範囲内であるか否かにより製造プロセスの異常を診断するプロセス異常診断手段とを備えることにより、前記課題を解決したものである。
【０００９】
又、前記材質記憶手段に蓄積されている製品毎の素材成分実績、操業実績、及び、材質実績を、素材成分実績や操業実績のデータが近いグループに分類して、機械試験特性の予測精度を向上したものである。
【００１０】
【発明の実施の形態】
以下、図面を参照して、本発明の実施形態を詳細に説明する。
【００１１】
図１において、２０は本発明に係る製造プロセス異常診断装置である。該製造プロセス異常診断装置２０には、ローカルエリアネットワーク（ＬＡＮ）３０を介して、製造実績収集装置２２と材料試験実績収集装置２４が接続されている。これら各装置２０、２２、２４は計算機、例えばワークステーションから構成することができる。
【００１２】
製造実績収集装置２２は、過去に製造した製品１４毎に、素材１０の成分実績と、加熱、圧延、冷却、熱処理などの製造プロセス１２における操業条件の実績値（以下操業実績と称する）とを製造実績として収集し、材質推定装置２０へ供給する。また、材料試験実績収集装置２４は、同じく、過去に製造された製品１４毎に、製品の材料試験で得られた機械試験特性値実績（強度、靭性等。以下材質実績と称する）を収集し、材質推定装置２０へ供給する。
【００１３】
材質推定装置２０は、図２に示す如く、入力変数限定手段２０Ａ、材質推定計算手段２０Ｂ、入力変数限定ルール格納手段２０Ｃ、材質記憶手段２０Ｄ、及び、プロセス異常診断手段２０Ｅを備えている。
【００１４】
ここで、前記製造実績収集装置２２及び材料試験実績収集装置２４で収集された素材成分実績、操業実績及び材質実績は、事例として材質記憶手段２０Ｄにデータベースとして蓄積される。具体的には、図３に示す如く、製品毎の素材成分実績（成分１〜成分Ｋ）、操業実績（操業１〜操業Ｌ）及び材質実績（材質１〜材質Ｍ）が記載された表形式とすることができる。この材質記憶手段に蓄積された事例（過去に製造された製品毎のデータ。図３の１行分に相当。）のデータベースは、更に素材成分実績や操業実績が近いグループに分類（クラスタリングと称する）して、各グループ毎のデータベースとして材質記憶手段に蓄積させることもできる。
【００１５】
前記入力変数限定ルール格納手段２０Ｃには、多数の材質影響要因の中から製品の材質推定に使用する入力変数を選択するためのルールが格納されている。即ち、材質影響要因には、鋳片の化学成分（含有元素、含有量等）及び寸法、加熱条件（鋼材抽出温度、在炉時間等）、圧延条件（鋼材温度履歴、圧延寸法、圧下率、圧延速度等）、冷却条件（鋼材温度履歴、冷却速度等）、熱処理条件（炉内温度履歴、炉内雰囲気等）等、非常に多くのものがあり、例えば５０〜１００にものぼる。このような多数の材質影響要因を有する対象に対して、全ての材質影響要因を入力変数として用いて材質推定を行うと、入力空間の次元が多すぎて推定に非常に長い時間を要することから、入力変数を選択することで推定に使用する入力変数を限定して推定時間の短縮を図る。そのためのルールを格納するのが入力変数限定ルール格納手段２０Ｃである。例えば、材質を作り込む冶金プロセスには、素材のある成分Ａは、ある含有量ａ以上にならないと材質に影響しないという特性がある。従って、材質影響要因Ａは入力値ａ以上の入力空間領域では入力変数として材質推定に用いるが、入力値ａ未満の領域では用いない。このように材質影響要因の特性に着目して、入力空間の領域により、入力変数にする材質影響要因を限定することができる。こうした入力変数限定ルールは、様々な方法で作成できる。例えば、物理現象に関する先見情報を蓄積したルールを予め作成しておくことができる。あるいは、決定木などにより、蓄積したデータから自動的にルールを作成することもできる。
【００１６】
入力変数限定手段２０Ａは、材質を推定しようとする製品に関する入力情報、即ち、素材の成分情報（含有元素、含有量等）の入力値及び製造プロセス１２における加熱条件（鋼材抽出温度、在炉時間等）、圧延条件（鋼材温度履歴、圧延寸法、圧下率、圧延速度等）、冷却条件（鋼材温度履歴、冷却速度等）、熱処理条件（炉内温度履歴、炉内雰囲気等）などの操業情報の入力値を基に、入力変数限定ルールを参照して材質推定に使用する入力変数を選択・限定し、この結果を材質推定計算手段２０Ｂに出力する。更に、入力された成分情報や操業情報の中から限定された入力変数に対応する成分情報の入力値及び操業情報の入力値を抽出して、材質推定計算手段２０Ｂに出力する。
【００１７】
材質推定計算手段２０Ｂは、材質記憶手段２０Ｄに貯蔵されているデータの中から、入力変数とされた入力値に近い素材成分実績及び操業実績のデータを有する事例を複数個抽出する。入力値と事例との距離は、距離関数（後述）を用いて求める。そして抽出された事例の材質に関する材質実績のデータを用いて、材質を推定して出力する。併せて、推定誤差も出力する。
【００１８】
プロセス異常診断手段２０Ｅは、材質推定計算手段２０Ｂから出力される材質推定値及びその推定誤差と、実際に上記推定計算に使用した成分情報及び操業情報の入力値と同一の条件で製造して得られた製品の材質実績と、を比較し、この材質実績値が（材質推定値±推定誤差）の範囲内にあるかどうかを判定する。即ち、材質実績がこの範囲内にあれば製造プロセスは正常であると判断し、範囲外であれば製造プロセスは異常である判断し、これらの判断結果を出力する。
【００１９】
ここで、前記各手段２０Ａ〜２０Ｅは１つの計算機の中に構築することもできるが、複数計算機で構築してもよい。
【００２０】
以下、図４を参照して、製造プロセスの異常判定の手順を説明する。
【００２１】
まず、ステップ１００で、材質を推定しようとする製品に関する情報（素材の成分とその含有量、加熱炉における鋼材抽出温度や在炉時間、熱間圧延における圧延温度、圧下率、寸法、及び圧延速度、その他各種製造条件）を材質推定装置２０に入力する。入力は人間が行ってもよいし、他の計算機が行ってもよい。
【００２２】
次にステップ１０２で、入力変数限定手段２０Ａは入力変数限定ルール格納手段２０Ｃに格納されているルールを参照して、入力された素材成分情報及び操業情報を基に、出力に対する影響が大きい入力変数を選択する。例えば、素材成分中の不可避的不純物Ｐは通常含有量が0.01質量％以下であれば製品の材質に悪影響を及ぼさないが、これより多く含有されると材質に悪影響を与えるというルールがあれば、入力されたＰの含有量が0.006質量％の場合は、Ｐは入力変数とはされないが、0.02質量％であれば、入力変数として選択されることになる。このようにして限定された入力変数、及びこれらの入力変数に相当する素材成分情報及び操業情報の入力値は材質推定計算手段２０Ｂに供給される。
【００２３】
次いで、ステップ１０４に進み、材質推定計算手段２０Ｂはステップ１０２で抽出された入力変数及び材質記憶手段２０Ｄに格納された各事例の入力変数に対応する素材成分実績、操業実績を用いて、各事例の実績と入力値との間の距離を計算する。距離の計算には、製品毎の素材成分実績及び操業実績のデータとの距離を定義した距離関数を用いる。この距離関数としては、例えば、選択された入力変数の数に相当する次元空間のユークリッド距離を用いることができる。ユークリッド距離Ｌは、入力値を（Ｘ１０、Ｘ２０、・・・）とし、材質記憶手段２０Ｄ内のデータを（Ｘ１、Ｘ２、・・・）とすると、次式で表わされる。
【００２４】
Ｌ＝［ｗ１（Ｘ１−Ｘ１０）²＋ｗ２（Ｘ２−Ｘ２０）²＋・・・］^1/2・・・（１）
【００２５】
ここで、ｗｉは重み係数であり、例えば、入力値が出力値に与える影響を多重回帰分析により求めることができる。
【００２６】
そして、上記（１）式に基づいて材質記憶手段２０Ｄに貯蔵されている各事例の素材成分実績及び操業実績のデータと入力値の間の距離を計算する。この距離は貯蔵されている事例の数だけ算出される。
【００２７】
次いでステップ１０６に進み、図５に示す如く、入力値の近傍にある事例のデータを材質記憶手段２０Ｄに蓄積されているデータから取得する。これには様々な方法があるが、例えば材質記憶手段２０Ｄの中のデータで、前記（１）式で計算した距離Ｌが小さい方からＮ個（Ｎは予め定めた定数）の事例を入力値近傍にある事例と定義することができる。
【００２８】
次いでステップ１０８に進み、入力値の近傍にある取得された事例のデータのうち材質実績のデータ（図３の材質１〜材質Ｍ）を用いて、その入力値に対する材質推定値（出力値）とその推定誤差を計算する。
【００２９】
これには、様々な方法があるが、例えば上記のようにして取得された材質実績のデータの平均値［材質１］〜［材質Ｍ］を次式で算出し、これらを材質推定値として出力し、同じくそれらの標準偏差を計算し、推定誤差として出力することができる。あるいは、特開平６−９５８８０に記載されているように、近傍の事例との類似度を評価することもできる。
【００３０】
［材質１］＝Σ材質１i／Ｎ
［材質２］＝Σ材質２i／Ｎ
・・・・・・・・・・・
［材質Ｍ］＝Σ材質Ｍi／Ｎ・・・（２）
ここで、ｉ＝１〜Ｎ
【００３１】
出力値（材質推定値）としては、例えば、引張強度、降伏点、伸び、シャルピー吸収エネルギーなどの材質を表わす出力変数を用いることができる。
【００３２】
上述のステップ１０６およびステップ１０８の処理は、いずれも材質推定計算手段２０Ｂが行う。
【００３３】
次にステップ１１０に進み、前記材質推定計算手段２０Ｂからの出力値と、実際に上記推定計算に使用した入力値（成分情報及び操業情報）と同一の条件で製造して得られた製品の材質実績とを用いて、プロセス異常診断手段２０Ｅが製造プロセス１２の異常診断を、図６に示す如く、行う。即ち、前記材質推定計算手段２０Ｂから入力される材質推定値及びその推定誤差と、前記材料試験実績収集装置２４から入力される、推定計算に用いたのと同じ条件で製造した製品の材質実績とを比較し、材質実績が、（材質推定値±推定誤差）の範囲内であれば製造プロセス正常と判断し、範囲外であれば製造プロセス異常と判断してオペレータに知らせる。
【００３４】
本実施形態においては、材質記憶手段に蓄積されている事例を、特にクラスタリングしていないが、素材成分実績、操業実績が広範囲にわたる場合には事例を近いグループにクラスタリングし、各グループ毎のデータベースを材質記憶手段に構築するようにしてもよい。例えば、成分Ｃの含有量に応じて、極低炭素鋼、低炭素鋼、中炭素鋼、高炭素鋼のようなグループにクラスタリングすることが考えられる。これによれば、信頼性の高い推定値を得ることができ、また、推定に要する時間を更に短縮することができる。
【００３５】
また、本実施形態では、材質推定装置への過去の事例収集は、製造実績収集装置、材料試験実績収集装置が行うことで説明したが、これに限らず、人間が直接入力してもよいし、フロッピーディスクなどの記録媒体を介してもよい。
【００３６】
さらに、材質推定値の推定誤差は材質推定計算手段が計算、出力することで、説明したが、別の手段が行うようにしてもよい。
【００３７】
【発明の効果】
本発明によれば、材質推定値とその推定誤差が得られるようになったので、材料試験結果が得られたときに、その材質実績が、その範囲内に入っているか否かで、製造プロセスの異常をリアルタイムに検出することができるようになる。従って、不良製品の大量発生を未然に防ぐことが可能となる。
【図面の簡単な説明】
【図１】本発明を実現する装置構成の例を示すブロック図
【図２】本発明にかかる製造プロセス異常判定装置の実施形態を示すブロック図
【図３】前記実施形態で用いられる材質データベースの例を示す図表
【図４】同じく製造プロセスの異常判定の手順を示す流れ図
【図５】同じく入力データの近傍の事例データから局所的に推定するモデルを示す図
【図６】同じくプロセス異常診断手段の処理手順を示す流れ図
【符号の説明】
１０…素材
１２…製造プロセス
１４…製品
２０…製造プロセス異常判定装置
２０Ａ…入力変数限定手段
２０Ｂ…材質推定計算手段
２０Ｃ…入力変数限定ルール格納手段
２０Ｄ…材質記憶手段
２０Ｅ…プロセス異常診断手段
２２…製品実績収集装置
２４…材料試験実績収集装置
３０…ローカルエリアネットワーク（ＬＡＮ）

Claims

過去に製造した製品毎に、素材成分実績、操業実績及び材質実績を蓄積する材質記憶手段と、
材質を推定しようとする製品の素材成分情報及び操業情報が入力されると、ルールに従って、材質に与える影響の大きい入力値のみを入力変数にする入力変数限定手段と、
入力変数とされた素材成分情報及び操業情報の入力値と、前記材質記憶手段に蓄積されている製品毎の素材成分実績及び操業実績のデータとの距離を定義した距離関数を用いて、入力値に近いデータをもつ過去に製造した製品事例を複数抽出し、抽出された製品事例の材質実績のデータから平均値とその標準偏差を計算し、これらを材質推定値とその推定誤差として出力する材質推定計算手段と、
実際に前記推定計算に使用した入力値と同一の条件で製造して得られた製品の材質実績が、（材質推定値±推定誤差）の範囲内であるか否かにより製造プロセスの異常を診断するプロセス異常診断手段と、を備えたことを特徴とする鋼材の製造プロセス異常判定装置。
前記材質記憶手段に蓄積されている製品毎の素材成分実績、操業実績及び材質実績は、素材成分実績や操業実績のデータが近いグループに分類されていることを特徴とする請求項１に記載の鋼材の製造プロセス異常判定装置。