JP5488140B2 - 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体 - Google Patents
品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体 Download PDFInfo
- Publication number
- JP5488140B2 JP5488140B2 JP2010087866A JP2010087866A JP5488140B2 JP 5488140 B2 JP5488140 B2 JP 5488140B2 JP 2010087866 A JP2010087866 A JP 2010087866A JP 2010087866 A JP2010087866 A JP 2010087866A JP 5488140 B2 JP5488140 B2 JP 5488140B2
- Authority
- JP
- Japan
- Prior art keywords
- quality
- value
- operation data
- quality prediction
- division pattern
- 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 - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 204
- 238000004590 computer program Methods 0.000 title description 3
- 230000006870 function Effects 0.000 claims description 172
- 238000009499 grossing Methods 0.000 claims description 168
- 238000004364 calculation method Methods 0.000 claims description 129
- 230000000694 effects Effects 0.000 claims description 123
- 230000007774 longterm Effects 0.000 claims description 120
- 238000011156 evaluation Methods 0.000 claims description 109
- 230000008569 process Effects 0.000 claims description 84
- 238000004519 manufacturing process Methods 0.000 claims description 75
- 239000000463 material Substances 0.000 claims description 60
- 230000014509 gene expression Effects 0.000 claims description 49
- 229910000831 Steel Inorganic materials 0.000 claims description 31
- 239000010959 steel Substances 0.000 claims description 31
- 238000013075 data extraction Methods 0.000 claims description 24
- 238000005096 rolling process Methods 0.000 claims description 21
- 238000005098 hot rolling Methods 0.000 claims description 11
- 238000004804 winding Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 8
- 238000007790 scraping Methods 0.000 claims description 5
- 229910052799 carbon Inorganic materials 0.000 claims description 4
- 239000000498 cooling water Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000037303 wrinkles Effects 0.000 claims 1
- 239000000047 product Substances 0.000 description 90
- 238000012545 processing Methods 0.000 description 48
- 238000003860 storage Methods 0.000 description 36
- 238000010586 diagram Methods 0.000 description 16
- 239000000284 extract Substances 0.000 description 16
- 230000007547 defect Effects 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 9
- 239000000654 additive Substances 0.000 description 7
- 230000000996 additive effect Effects 0.000 description 7
- 238000012937 correction Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明の実施形態に係る品質予測装置は、過去に製造された製品の品質情報を製造順番に並べた時系列品質データにより、指数平滑法にて品質予測を行う手法において、同一ロット材が連続した場合に予測精度を高めるために短期学習を行うものである。上述したように、短期学習を有効に機能させるために、適切に同一ロットを規定する必要がある。以下に示す本発明の実施形態では、活性度関数を用いて同一ロットを規定する。ここでは、各データ点に対応する活性度関数の値からなる多次元ベクトル間の距離を、各データ間の類似性を表す指標と考え、データ間の類似性の度合いに基づいて、同一ロットであるか否かを判定する。活性度関数に基づいて類似していると判断された同一ロット材が連続する間は指数平滑法による短期学習を行って予測精度を高める。そして、製品のロットが同一でなくなった場合に短期学習係数を初期化した後、品質予測を開始する。
はじめに、一般的な指数平滑法を用いた品質予測について説明する。指数平滑法は、段落0006に記載したように、蓄積された時系列データを解析して、現在の状態を予測する方法である。時系列品質データの実績値(以下、品質実績値)をy(i)、品質データの予測値(以下、品質予測値)をy^(i)で表すこととする。ここで、iは時系列データの順番を表す添字であり、製造連番などが該当する。指数平滑法では、現在の製造連番iに対応する製品の品質予測値y^(i)を、直前に製造した製品の品質予測値y^(i−1)と品質実績値y(i−1)から、数式(1)を用いて求める。
次に、一般的な指数平滑法における短期学習について説明する。本方法では、大きな枠での誤差平均をなくし、全体的な追従性を確保することを目的とする長期学習と、同一ロット材が連続した場合に直近材への追従性を向上させることを目的とする短期学習の、二つの指数平滑法を組み合わせて、長期学習による長期学習予測値と短期学習による短期学習係数とから算出される品質予測値を収束させるように行われる。品質予測値y^(i)は、下記数式(2)または(3)で表される。なお、数式(2)は、乗法型短期学習を行う場合の品質予測値の算出式であり、数式(3)は、加法型短期学習を行う場合の品質予測値の算出式である。
まず、本発明の第1の実施形態に係る品質予測装置の構成とこれによる品質予測方法について説明する。本実施形態では、同一ロットを判定するために用いる製品の所属局所領域を決定するための分割パターンの決定方法の異なる2つの品質予測装置(品質予測装置100、200)と、オンラインで機能する品質予測装置(品質予測装置300)とについて説明する。
[品質予測装置の構成]
まず、図1および図2に基づいて、本発明の実施形態に係る品質予測装置100の構成について説明する。なお、図1は、本実施形態に係る品質予測装置100の機能構成を示すブロック図である。図2は、本実施形態に係る最小誤差分割パターン選択部140の機能構成を示すブロック図である。
次に、図3〜図7に基づいて、本実施形態にかかる品質予測装置100による品質予測処理について詳細に説明する。なお、図3は、本実施形態にかかる品質予測装置100による品質予測処理を示すフローチャートである。図4は、分割パターン候補作成部120による分割パターン候補の作成処理を示す説明図である。図5は、二次元の操業変数空間において、分割パターン候補を作成する手順を模式的に示す説明図である。図6は、3分割された二次元の操業変数空間において、分割パターン候補を作成する手順を模式的に示す説明図である。図7は、図3のステップS108で行われる、最小誤差分割パターン選択部140による指数平滑計算処理を示すフローチャートである。
次に、図8〜図11に基づいて、品質予測装置200とこれによる品質予測方法について説明する。図8は、品質予測装置200の機能構成を示すブロック図である。図9は、分割パターン候補作成部220による分割パターン候補の作成処理を示す説明図である。図10は、コード変数の分割パターン候補の作成処理を示すフローチャートである。図11は、コード変数の分割パターン候補の作成処理におけるコード入れ替え処理を示す説明図である。
品質予測装置200は、図8に示すように、データ抽出部210と、分割パターン候補作成部220と、活性度関数算出部230と、最小誤差分割パターン選択部240と、指数平滑係数算出部250と、学習誤差評価部260と、分割指数平滑モデル決定部270と、品質予測値出力部280と、データベース290と、からなる。ここで、データ抽出部210、活性度関数算出部230、最小誤差分割パターン選択部240、指数平滑係数算出部250、学習誤差評価部260、分割指数平滑モデル決定部270、品質予測値出力部280、およびデータベース290については、図1のデータ抽出部110、活性度関数算出部130、最小誤差分割パターン選択部140、指数平滑係数算出部150、学習誤差評価部160、分割指数平滑モデル決定部170、品質予測値出力部180、およびデータベース190とほぼ同様に機能する。品質予測装置200では、操業データとして操業変数とコード変数とを用いるため、分割パターン候補作成部220による分割パターン候補の作成処理が、上記実施形態の分割パターン候補作成部120と相違する。
次に、品質予測装置200による品質予測処理について詳細に説明する。品質予測装置200による品質予測処理も、上記品質予測装置100と同様に、図3に示すフローチャートに沿って行われる。このため、以下においては上記品質予測装置100と同様の処理を行う部分については詳細な説明を省略する。
本実施形態に係る上記品質予測装置100、200による品質予測方法を用いて、オンラインの品質予測装置として構成する場合には、分割パターンの探索は処理時間的に難しい。そこで、予めオフラインで求めた分割パターンおよび活性度関数を用いて、品質予測を行う。以下、図12および図13に基づいて、本実施形態に係るオンラインでの品質予測装置300の構成およびこれによる処理を説明する。なお、図12は、品質予測装置300の構成を示すブロック図である。図13は、本実施形態にかかる品質予測装置300による局所領域予測値ならびに短期学習係数の更新処理を示すフローチャートである。なお、図12では、局所領域予測値ならびに短期学習係数の更新処理に必要な処理部(すなわち、更新処理部を構成する処理部)のみを記載している。したがって、本実施形態にかかる品質予測装置300は、図1および図8に記載している他の処理部を備えることもできる。
品質予測装置300は、図12に示すように、操業データ入力部310と、活性度関数演算部320と、活性度関数記憶部325と、品質データ入力部330と、局所領域予測値更新部340と、局所領域予測値記憶部345と、実績短期学習係数演算部350と、実績短期学習係数記憶部355と、長期学習予測値演算部360と、短期学習係数演算部370と、品質予測値演算部380とを備える。
次に、図13に基づいて、本実施形態にかかる局所領域予測値の更新ならびに短期学習係数算出処理について説明する。まず、品質予測装置300の操業データ入力部310に製造プロセス5から収集された製品の操業データu(i)が入力される(ステップS301)。例えば、操業データ入力部310に第1番目の製品に関する第1の操業データが入力されるとする。操業データ入力部310は、入力された第1の操業データを活性度関数演算部320へ出力する。
次に、本実施形態に係る第2の実施形態に係る品質予測装置を用いた品質予測方法を説明する。本実施形態に係る品質予測装置は、第1の実施形態に係る品質予測装置100、200と同様の構成とすることができる。そして、本実施形態の品質予測処理も、第1の実施形態に係る品質予測装置100、200を用いて、図3に示すフローチャートに沿って品質予測処理が実行される。
本発明の実施形態にかかる製造プロセスにおける品質予測装置100、200、300は、コンピュータにより実現可能である。図14に、本発明の実施形態にかかる品質予測装置として機能し得るコンピュータシステム400の構成例を示す。コンピュータシステム400は、CPU401と、ROM402と、RAM403と、キーボードコントローラ(KBC)405と、CRTコントローラ(CRTC)406と、ディスクコントローラ(DKC)407と、ネットワークインターフェースコントローラ(NIC)408とが、システムバス404を介して互いに通信可能に接続されている。
100、200、300 品質予測装置
110、210 データ抽出部
120、220 分割パターン候補作成部
130、230、320 活性度関数算出部
140、240 最小誤差分割パターン選択部
141、345 局所領域予測値記憶部
142、360 長期学習予測値演算部
143、355 実績短期学習係数記憶部
144、370 短期学習係数演算部
145 モデル誤差評価部
146 分割パターン選択部
150、250 指数平滑係数算出部
160、260 学習誤差評価部
170、270 分割指数平滑モデル決定部
180、280 品質予測値出力部
190、290 データベース
222 数値分割作成部
224 コード分割作成部
310 操業データ入力部
325 活性度関数記憶部
330 品質データ入力部
340 局所領域予測値更新部
350 実績短期学習係数演算部
380 品質予測値演算部
Claims (14)
- 製造プロセスにおける品質予測装置であって、
複数の製品に関する操業データおよび品質データを記憶するデータベースから、所定の選択条件に該当する操業データおよび品質データを抽出するデータ抽出部と、
抽出された前記操業データについて、前記操業データに含まれる変数が値としてとる領域を全体領域として、当該全体領域を複数の局所領域に分割する分割パターン候補を複数個作成する分割パターン候補作成部と、
前記各分割パターン候補について、前記各局所領域における品質予測値が全体領域における品質予測値に寄与する割合である寄与率を表す活性度関数を、局所領域毎に算出する活性度関数算出部と、
前記各分割パターン候補について、前記各局所領域における、過去の品質データと過去の品質予測値とから、指数平滑法に基づき設定された指数平滑関数によって算出される現在の品質予測値と、前記活性度関数とに基づいて、全体領域における品質予測値である長期学習予測値を算出するとともに、前記長期学習予測値と前記品質データとの差異の予測値を表す短期学習係数を算出し、前記長期学習予測値と前記短期学習係数とに基づき算出される全体領域における品質予測値と前記品質データとの差である予測誤差が最小となる分割パターンを選択する最小誤差分割パターン選択部と、
前記最小誤差分割パターン選択部により選択された分割パターンの品質予測値と、予め設定された評価基準値との比較結果に基づいて、前記予測誤差の収束が十分であるか否かを判定する学習誤差評価部と、
前記学習誤差評価部にて収束が十分であると判定された前記分割パターンの、前記全体領域における品質予測値を算出する関係式を用いて、品質予測値を出力する品質予測値出力部と、
前記指数平滑関数において、現在の品質予測値に対する過去の品質予測の影響の強さを決定する指数平滑係数を算出する指数平滑係数算出部と、
を備え、
前記最小誤差分割パターン選択部は、
前記各操業データに対応する前記活性度関数を用いて前記操業データ間の類似性を表す評価指標値を算出し、
前記各局所領域のうち、時系列に並べられた複数の前記操業データにおいて、現在の操業データと、時系列上で該現在の操業データの直前に位置する操業データとの類似性を、前記評価指標値に基づいて判定し、
前記現在の操業データと、時系列上で該現在の操業データの直前に位置する操業データとが類似していると判定する場合には、指数平滑法に基づいて前記短期学習係数を更新し、
前記現在の操業データと、時系列上で該現在の操業データの直前に位置する操業データとが類似していないと判定する場合には、前記短期学習係数を初期化することを特徴とする、品質予測装置。 - 前記最小誤差分割パターン選択部は、
前記長期学習予測値を算出する長期学習予測値演算部と、
前記長期学習予測値演算部により算出された前記長期学習予測値と過去の品質データとに基づいて、前記短期学習係数を算出する短期学習係数演算部と、
前記長期学習予測値と前記短期学習係数とに基づいて、全体領域における前記品質予測値を算出し、該品質予測値と前記品質データとの差である予測誤差を算出するモデル誤差評価部と、
を備えることを特徴とする、請求項1に記載の品質予測装置。 - 前記評価指標値は、任意に選択された2つの前記操業データに対する前記活性度関数の値からなる多次元ベクトル間の距離であることを特徴とする、請求項1または2に記載の品質予測装置。
- 前記最小誤差分割パターン選択部は、
前記現在の操業データと、時系列上で該操業データの直前に位置する操業データとが、類似していないと判定する場合であり、かつ、前記現在の操業データと類似していると判断される操業データに対応する製品のうちで現在の操業データに対応する製品の直前に処理された製品と、現在の操業データに対応する製品との間に処理された製品の数が所定値未満である場合には、前記短期学習係数を初期化する代わりに、該短期学習係数を更新することを特徴とする、請求項1〜3のいずれか1項に記載の品質予測装置。 - 前記学習誤差評価部により前記予測誤差の収束が十分であると判定される複数の分割パターンから一の前記分割パターンを選択する分割指数平滑モデル決定部をさらに備え、
前記指数平滑係数算出部は、複数の指数平滑係数を設定し、
前記各指数平滑係数について、前記分割パターン候補作成部により分割パターン候補を作成して、前記活性度関数算出部、前記最小誤差分割パターン選択部および前記学習誤差評価部により、前記予測誤差の収束が十分である前記分割パターンをそれぞれ決定し、
前記分割指数平滑モデル決定部は、前記各指数平滑係数についてそれぞれ決定された前記分割パターンのうち、分割数が最も少ない前記分割パターンを選択することを特徴とする、請求項1〜4のいずれか1項に記載の品質予測装置。 - 前記分割パターン候補作成部は、
前記操業データに含まれる数値情報である操業変数からなる操業変数空間を分割する数値分割作成部と、
当該操業データに含まれる文字コード情報であるコード変数からなるグループを分割するコード分割作成部と、
を備え、
前記数値分割作成部により作成された分割パターン候補および前記コード分割作成部により作成された分割パターン候補を、全体領域の分割パターン候補とすることを特徴とする、請求項1〜5のいずれか1項に記載の品質予測装置。 - 前記活性度関数は、前記局所領域の重心に中心を持つ正規分布関数と、前記コード変数をグループに分けた結果を表すコード分割情報から算出される二値関数とを組み合わせて構成される関数であることを特徴とする、請求項6に記載の品質予測装置。
- 前記コード分割作成部は、探索法を用いて前記コード変数からなるグループを分割することを特徴とする、請求項6または7に記載の品質予測装置。
- 前記分割パターン候補作成部は、最適化手法を用いて、前記操業変数と前記コード変数とからなる分割パターン候補を一括して生成することを特徴とする、請求項6または7に記載の品質予測装置。
- 前記製造プロセスは、鉄鋼プロセスであって、
前記品質データは、製品の表面疵、機械強度特性値、形状の平坦度、製品サイズ、内部応力、又はこれら品質に影響を及ぼすプロセス値であることを特徴とする、請求項1〜9のいずれか1項に記載の品質予測装置。 - 前記製造プロセスは、鉄鋼製品である薄鋼板の熱間圧延プロセスであり、
前記品質予測装置による予測対象となる品質を、熱延ランアウトテーブル出側での捲き取り温度としたとき、
前記製造プロセスの操業変数は、被圧延材が精錬工程を終了した時点での溶鋼内のC量、Si量、Mn量、B量、被圧延材の目標板幅、目標板厚、等価炭素量、仕上圧延出側目標温度、巻取目標温度、冷却水温、及びコード変数として材質コードから少なくとも一つ以上選択することを特徴とする、請求項10に記載の品質予測装置。 - 品質予測装置による製造プロセスにおける品質予測方法であって、
前記品質予測装置のデータ抽出部により、複数の製品に関する操業データおよび品質データを記憶するデータベースから、所定の選択条件に該当する操業データおよび品質データを抽出するデータ抽出ステップと、
前記品質予測装置の分割パターン候補作成部により、抽出された前記操業データについて、前記操業データに含まれる変数が値としてとる領域を全体領域として、当該全体領域を複数の局所領域に分割する分割パターン候補を複数個作成する分割パターン候補作成ステップと、
前記品質予測装置の活性度関数算出部により、前記各分割パターン候補について、前記各局所領域における品質予測値が全体領域における品質予測値に寄与する割合である寄与率を表す活性度関数を、局所領域毎に算出する活性度関数算出ステップと、
前記品質予測装置の最小誤差分割パターン選択部により、前記各分割パターン候補について、前記各局所領域における、過去の品質データと過去の品質予測値とから、指数平滑法に基づき設定された指数平滑関数によって算出される現在の品質予測値と、前記活性度関数とに基づいて、全体領域における品質予測値である長期学習予測値を算出する長期学習予測値算出ステップと、
前記最小誤差分割パターン選択部により、前記長期学習予測値と前記品質データとの差異の予測値を表す短期学習係数を算出する短期学習係数算出ステップと、
前記最小誤差分割パターン選択部により、前記長期学習予測値と前記短期学習係数とに基づき算出される全体領域における品質予測値と前記品質データとの差である予測誤差が最小となる分割パターンを選択する最小誤差分割パターン選択ステップと、
前記品質予測装置の学習誤差評価部により、前記選択された分割パターンの品質予測値と、予め設定された評価基準値との比較結果に基づいて、前記予測誤差の収束が十分であるか否かを判定する収束判定ステップと、
前記品質予測装置の品質予測値出力部により、前記予測誤差の収束が十分であるか否かを判定するステップにより収束が十分であると判定された前記分割パターンの、前記全体領域における品質予測値を算出する関係式を用いて、品質予測値を出力する出力ステップと、
を含み、
前記短期学習係数算出ステップでは、前記最小誤差分割パターン選択部により、
前記各操業データに対応する前記活性度関数を用いて前記操業データ間の類似性を表す評価指標値を算出し、
前記各局所領域のうち、時系列に並べられた複数の前記操業データにおいて、現在の操業データと、時系列上で該現在の操業データの直前に位置する操業データとの類似性を、前記評価指標値に基づいて判定し、
前記現在の操業データと、時系列上で該現在の操業データの直前に位置する操業データとが類似していると判定する場合には、指数平滑法に基づいて前記短期学習係数を更新し、
前記現在の操業データと、時系列上で該現在の操業データの直前に位置する操業データとが類似していないと判定する場合には、前記短期学習係数を初期化することを特徴とする、品質予測方法。 - コンピュータを、
複数の製品に関する操業データおよび品質データを記憶するデータベースから、所定の選択条件に該当する操業データおよび品質データを抽出するデータ抽出手段と、
抽出された前記操業データについて、前記操業データに含まれる変数が値としてとる領域を全体領域として、当該全体領域を複数の局所領域に分割する複数の分割パターン候補を複数個作成する分割パターン候補作成手段と、
前記各分割パターン候補について、前記各局所領域における品質予測値が全体領域における品質予測値に寄与する割合である寄与率を表す活性度関数を、局所領域毎に算出する活性度関数算出手段と、
前記各分割パターン候補について、前記各局所領域における、過去の品質データと過去の品質予測値とから、指数平滑法に基づき設定された指数平滑関数によって算出される現在の品質予測値と、前記活性度関数とに基づいて、全体領域における品質予測値である長期学習予測値を算出するとともに、前記長期学習予測値と前記品質データとの差異の予測値を表す短期学習係数を算出し、前記長期学習予測値と前記短期学習係数とに基づき算出される全体領域における品質予測値と前記品質データとの差である予測誤差が最小となる分割パターンを選択する最小誤差分割パターン選択手段と、
前記最小誤差分割パターン選択手段により選択された分割パターンの品質予測値と、予め設定された評価基準値との比較結果に基づいて、前記予測誤差の収束が十分であるか否かを判定する学習誤差評価手段と、
前記学習誤差評価手段にて収束が十分であると判定された前記分割パターンの、前記全体領域における品質予測値を算出する関係式を用いて、品質予測値を出力する品質予測値出力手段と、
前記指数平滑関数において、現在の品質予測値に対する過去の品質予測の影響の強さを決定する指数平滑係数を算出する指数平滑係数算出手段と、
を備え、
前記最小誤差分割パターン選択手段は、
前記各操業データに対応する前記活性度関数を用いて前記操業データ間の類似性を表す評価指標値を算出し、
前記各局所領域のうち、時系列に並べられた複数の前記操業データにおいて、現在の操業データと、時系列上で該現在の操業データの直前に位置する操業データとの類似性を、前記評価指標値に基づいて判定し、
前記現在の操業データと、時系列上で該現在の操業データの直前に位置する操業データとが類似していると判定する場合には、指数平滑法に基づいて前記短期学習係数を更新し、
前記現在の操業データと、時系列上で該現在の操業データの直前に位置する操業データとが類似していないと判定する場合には、前記短期学習係数を初期化することを特徴とする、品質予測装置として機能させるためのプログラム。 - コンピュータに、
複数の製品に関する操業データおよび品質データを記憶するデータベースから、所定の選択条件に該当する操業データおよび品質データを抽出するデータ抽出手段と、
抽出された前記操業データについて、前記操業データに含まれる変数が値としてとる領域を全体領域として、当該全体領域を複数の局所領域に分割する複数の分割パターン候補を複数個作成する分割パターン候補作成手段と、
前記各分割パターン候補について、前記各局所領域における品質予測値が全体領域における品質予測値に寄与する割合である寄与率を表す活性度関数を、局所領域毎に算出する活性度関数算出手段と、
前記各分割パターン候補について、前記各局所領域における、過去の品質データと過去の品質予測値とから、指数平滑法に基づき設定された指数平滑関数によって算出される現在の品質予測値と、前記活性度関数とに基づいて、全体領域における品質予測値である長期学習予測値を算出するとともに、前記長期学習予測値と前記品質データとの差異の予測値を表す短期学習係数を算出し、前記長期学習予測値と前記短期学習係数とに基づき算出される全体領域における品質予測値と前記品質データとの差である予測誤差が最小となる分割パターンを選択する最小誤差分割パターン選択手段と、
前記最小誤差分割パターン選択手段により選択された分割パターンの品質予測値と、予め設定された評価基準値との比較結果に基づいて、前記予測誤差の収束が十分であるか否かを判定する学習誤差評価手段と、
前記学習誤差評価手段にて収束が十分であると判定された前記分割パターンの、前記全体領域における品質予測値を算出する関係式を用いて、品質予測値を出力する品質予測値出力手段と、
前記指数平滑関数において、現在の品質予測値に対する過去の品質予測の影響の強さを決定する指数平滑係数を算出する指数平滑係数算出手段と、
を備え、
前記最小誤差分割パターン選択手段は、
前記各操業データに対応する前記活性度関数を用いて前記操業データ間の類似性を表す評価指標値を算出し、
前記各局所領域のうち、時系列に並べられた複数の前記操業データにおいて、現在の操業データと、時系列上で該現在の操業データの直前に位置する操業データとの類似性を、前記評価指標値に基づいて判定し、
前記現在の操業データと、時系列上で該現在の操業データの直前に位置する操業データとが類似していると判定する場合には、指数平滑法に基づいて前記短期学習係数を更新し、
前記現在の操業データと、時系列上で該現在の操業データの直前に位置する操業データとが類似していないと判定する場合には、前記短期学習係数を初期化することを特徴とする、品質予測装置として機能させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010087866A JP5488140B2 (ja) | 2010-04-06 | 2010-04-06 | 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010087866A JP5488140B2 (ja) | 2010-04-06 | 2010-04-06 | 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2011221645A JP2011221645A (ja) | 2011-11-04 |
JP5488140B2 true JP5488140B2 (ja) | 2014-05-14 |
Family
ID=45038589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010087866A Expired - Fee Related JP5488140B2 (ja) | 2010-04-06 | 2010-04-06 | 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5488140B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020527330A (ja) * | 2018-01-05 | 2020-09-10 | イルミナ インコーポレイテッド | シーケンシングシステムにおける試薬冷却器の不安定性およびフローセル加熱器の障害の予測 |
US11288576B2 (en) | 2018-01-05 | 2022-03-29 | Illumina, Inc. | Predicting quality of sequencing results using deep neural networks |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111212434B (zh) * | 2019-12-31 | 2023-06-13 | 宁波奥克斯电气股份有限公司 | 一种wifi模组质量预测方法、装置、设备及存储介质 |
CN115408864B (zh) * | 2022-09-01 | 2023-10-31 | 国网安徽省电力有限公司电力科学研究院 | 电子式互感器误差状态自适应预测方法、***及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003132118A (ja) * | 2001-10-25 | 2003-05-09 | Nippon Steel Corp | 品質不合予測装置 |
JP3875875B2 (ja) * | 2001-11-02 | 2007-01-31 | 新日本製鐵株式会社 | 製造プロセスにおける操業分析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体 |
JP4681426B2 (ja) * | 2005-11-15 | 2011-05-11 | 新日本製鐵株式会社 | 製造プロセスにおける操業と品質の関連解析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 |
JP5169098B2 (ja) * | 2007-09-14 | 2013-03-27 | Jfeスチール株式会社 | 品質予測装置、品質予測方法及び製造方法 |
JP5169096B2 (ja) * | 2007-09-14 | 2013-03-27 | Jfeスチール株式会社 | 品質予測装置、品質予測方法及び製品の製造方法 |
-
2010
- 2010-04-06 JP JP2010087866A patent/JP5488140B2/ja not_active Expired - Fee Related
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020527330A (ja) * | 2018-01-05 | 2020-09-10 | イルミナ インコーポレイテッド | シーケンシングシステムにおける試薬冷却器の不安定性およびフローセル加熱器の障害の予測 |
US11288576B2 (en) | 2018-01-05 | 2022-03-29 | Illumina, Inc. | Predicting quality of sequencing results using deep neural networks |
US11604202B2 (en) | 2018-01-05 | 2023-03-14 | Illumina, Inc. | Predicting sequencer subsystem instability in sequencing systems |
Also Published As
Publication number | Publication date |
---|---|
JP2011221645A (ja) | 2011-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5604945B2 (ja) | 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体 | |
JP5434837B2 (ja) | 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体 | |
JP5516390B2 (ja) | 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体 | |
JP4681426B2 (ja) | 製造プロセスにおける操業と品質の関連解析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 | |
JP5157874B2 (ja) | 製品材質値の予測方法、装置、操業条件の決定方法、プログラム及びコンピュータ読み取り可能な記録媒体 | |
CN107377634B (zh) | 一种热轧带钢出口凸度预报方法 | |
JP5068637B2 (ja) | 製造プロセスにおける操業と品質の関連解析装置、解析方法、プログラム、及びコンピュータ読み取り可能な記録媒体 | |
KR101889668B1 (ko) | 압연 시뮬레이션 장치 | |
KR101011546B1 (ko) | 예측식 작성장치 및 예측식 작성방법 | |
JP4855353B2 (ja) | 製品の品質改善条件解析装置、解析方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 | |
JP5375507B2 (ja) | 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体 | |
JP5867349B2 (ja) | 品質予測装置、操業条件決定方法、品質予測方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体 | |
JP2008112288A (ja) | 予測式作成装置、結果予測装置、品質設計装置、予測式作成方法及び製品の製造方法 | |
JP5704040B2 (ja) | 製品品質の管理方法、及び製品品質の管理装置 | |
JP6439780B2 (ja) | 電磁鋼板の磁気特性予測装置及び磁気特性制御装置 | |
JP5488140B2 (ja) | 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体 | |
JP5195331B2 (ja) | 製造プロセスにおける品質予測装置、予測方法、プログラム及びコンピュータ読み取り可能な記録媒体 | |
JP5962290B2 (ja) | 鋼材の熱伝達係数予測装置及び冷却制御方法 | |
JP5003362B2 (ja) | 製品品質の制御方法及び制御装置 | |
JP4932294B2 (ja) | 製造仕様決定支援システム、製造仕様決定支援方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 | |
JP5375506B2 (ja) | 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体 | |
JP7449776B2 (ja) | 熱間圧延ライン制御システムおよび熱間圧延ライン制御方法 | |
JP4696775B2 (ja) | 板幅制御方法および装置 | |
JP2020071493A (ja) | 結果予測装置、結果予測方法、及びプログラム | |
JP5522060B2 (ja) | 品質予測装置、操業条件決定方法、品質予測方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20120809 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130709 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130730 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130821 |
|
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: 20140128 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140210 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 5488140 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |