JPH0575968B2 - - Google Patents
Info
- Publication number
- JPH0575968B2 JPH0575968B2 JP1145613A JP14561389A JPH0575968B2 JP H0575968 B2 JPH0575968 B2 JP H0575968B2 JP 1145613 A JP1145613 A JP 1145613A JP 14561389 A JP14561389 A JP 14561389A JP H0575968 B2 JPH0575968 B2 JP H0575968B2
- Authority
- JP
- Japan
- Prior art keywords
- value
- knowledge
- primary
- diagnosis
- data
- 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
- 238000003745 diagnosis Methods 0.000 claims description 60
- 238000000034 method Methods 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims 1
- 238000012986 modification Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 21
- 150000002978 peroxides Chemical class 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 15
- 238000005261 decarburization Methods 0.000 description 12
- 229910000831 Steel Inorganic materials 0.000 description 9
- 230000007547 defect Effects 0.000 description 9
- 239000010959 steel Substances 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 6
- 238000005502 peroxidation Methods 0.000 description 6
- 239000011248 coating agent Substances 0.000 description 4
- 238000000576 coating method Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000036571 hydration Effects 0.000 description 3
- 238000006703 hydration reaction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002715 modification method Methods 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 229910001224 Grain-oriented electrical steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Devices For Executing Special Programs (AREA)
Description
【発明の詳細な説明】
［産業上の利用分野］
本発明は、鉄鋼プロセスなどの製造プロセスに
おけるプロセス診断に用いる知識修正方法に関す
る。プロセス診断は、現在の操業状況からプロセ
ス診断の予測・評価を迅速に行ない、またその対
応をとることにより操業の安定化をはかる。そし
てその処理を行なう知識ベースの保守を容易に
し、プロセス診断が永続的に使用されることを可
能にする。DETAILED DESCRIPTION OF THE INVENTION [Field of Industrial Application] The present invention relates to a knowledge modification method used for process diagnosis in a manufacturing process such as a steel process. Process diagnosis aims to stabilize operations by quickly predicting and evaluating the process based on the current operating status, and by taking appropriate action. It also facilitates the maintenance of the knowledge base that performs the processing, allowing process 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
るプロセス診断は、診断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、診断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
工学的手法により定性的な、あるいは断片的な経
験則によりプロセス診断システムが開発されてい
る。[Prior Art] Conventionally, process diagnosis in manufacturing processes such as steel processes has been performed when diagnostic characteristics can be quantitatively predicted using a mathematical model. However, diagnostic properties often cannot be quantitatively predicted. At that time, process diagnosis systems are developed using qualitative or piecemeal empirical rules using knowledge engineering methods such as rule-based methods.
しかしながら、この新しいタイプのプロセス診
断システムに用いられるプロセス予予測・診断方
法には定まつた方法が確立しておらず、システム
ごとに異なつているのが現状である。 However, there is no established method for process prediction/diagnosis used in this new type of process diagnosis system, and the method differs from system to system.
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）によつて修正され、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
出来ず問題であつた。 In addition, the knowledge base used in this new type of quality diagnosis system is usually modified by a KE (Knowledge Engineering Engineer), and it is often difficult for general engineers or operational engineers to modify it, making detailed maintenance difficult. 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
るプロセス診断に用いる知識ベースを一般技術者
や操業技術者が修正できる知識修正方法を提供す
ることを課題とする。[Problems to be Solved by the Invention] An object of the present invention is to provide a knowledge modification method that allows general engineers and operation engineers to modify the knowledge base used for process diagnosis based on the empirical rules of manufacturing process experts. .
［課題を解決するための手段］
上記課題を解決するために、本発明のプロセス
診断知識修正方法においては、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
の狙い値からのいずれに応じてランク分けし、診
断する複数の一次診断特性項目ごとに、前記操業
実績データの狙い値からのずれに起因する特性の
一次減点値を、操業実績データのランク値と一次
減点値との関係を用いて求め、該一次診断特性項
目ごとの減点値に応じた一次評価値を、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
る二次診断特性項目ごとに、前記複数の一次評価
値の狙い値からのずれに起因する二次減点値を、
一次評価値のランク値と二次減点値との関係を用
いて求め、二次減点値に従つて最終評価結果を生
成する、処理を知識ベース上の情報に基づいて実
行するとともに、知識修正指示に応答して、知識
テーブル上の情報を表示するとともにそれの修正
を行ない、修正後の前記知識テーブル上の情報に
基づいて、前記知識ベースの更新情報を自動的に
生成する。[Means for Solving the Problems] In order to solve the above problems, in the process diagnosis knowledge correction method of the present invention, multiple types of operational performance data obtained in the manufacturing process are adjusted according to which of their target values. For each of the plurality of primary diagnostic characteristic items to be ranked and diagnosed, the primary deduction value of the characteristic due to the deviation from the target value of the operation performance data is calculated using the relationship between the rank value of the operation performance data and the primary deduction value. The primary evaluation values according to the deducted points for each primary diagnostic characteristic item are ranked according to the deviation from their target values, and the plurality of primary evaluation values are determined for each secondary diagnostic characteristic item to be diagnosed. The secondary deduction value due to the deviation from the target value is
The process is calculated using the relationship between the rank value of the primary evaluation value and the secondary demerit value, and the final evaluation result is generated according to the secondary demerit value.The process is executed based on the information on the knowledge base, and knowledge correction instructions are given. In response to this, the information on the knowledge table is displayed and corrected, and update information for the knowledge base is automatically generated based on the corrected information on the knowledge table.
［作用］
本発明のプロセス診断においては、階層的に複
数回の診断を実行する。例えば、一次診断では、
鋼帯温度、水和量、付着量、脱炭性などの様々な
操業実績データを入力してそれらのランク値を生
成し、各々のランク値から一次減点値を生成し、
この一次減点値に応じた評価値を一次評価値とす
る。そして、二次診断では、前記一次評価値を入
力してそれらのランク値を生成し、一次評価値の
ランク値から二次減点値を生成しこの二次減点値
に基づいて最終評価結果を得る。[Operation] In the process diagnosis of the present invention, diagnosis is performed hierarchically multiple times. For example, in the primary diagnosis,
Input various operational performance data such as steel strip temperature, hydration amount, adhesion amount, decarburization property, etc., generate rank values for them, and generate primary demerit points from each rank value.
The evaluation value corresponding to this primary demerit value is defined as the primary evaluation value. In the secondary diagnosis, the primary evaluation values are input and their rank values are generated, a secondary demerit value is generated from the rank value of the primary evaluation value, and a final evaluation result is obtained based on this secondary demerit value. .
入力される操業実績データの種類が多く、それ
らの各々と最終評価結果との相関が比較的小さい
場合であつても、操業実績データとの相関が比較
的大きい中間的な一次評価項目を設けることによ
り、正確な一次診断を行なうことができ、また一
次診断の結果を利用して、それとの相関が比較的
大きな最終評価項目に対する診断を行なうことに
より、正確な二次診断を行なうことができる。つ
まり、一次診断と二次診断とを組合せることによ
り、正確な中間状態の予測を行ない、正確なプロ
セス診断を行なうことができる。 Even if there are many types of operational performance data that are input and the correlation between each of them and the final evaluation results is relatively small, provide intermediate primary evaluation items that have a relatively high correlation with the operational performance data. Therefore, an accurate primary diagnosis can be made, and an accurate secondary diagnosis can be made by using the results of the primary diagnosis and making a diagnosis for the final evaluation item that has a relatively large correlation with the results. In other words, by combining primary diagnosis and secondary diagnosis, it is possible to accurately predict intermediate states and perform accurate process diagnosis.
これらの診断は、診断システム上に設けられた
知識ベース上の情報に基づいて実行行されるが、
この知識ベース上の情報は、知識テーブル上の情
報に基づいて自動的に生成される。知識ベース上
の情報は、実際に推論などの診断処理を実行する
コンピユータの実行するソフトウエアに適合する
ものでなければならず、特別な技術者を除き、そ
れを人間が理解するのは困難である。本発明にお
いては、人間の理解し易い形式で様々な情報が蓄
積された知識テーブルが設けられており、それに
蓄積された情報はエデイタを利用して一般のオペ
レータが編集し修正できる。知識ベースの情報
は、知識テーブル上の情報に基づいて、自動的に
生成されるので、オペレータが知識テーブルを修
正すれば、診断に利用される知識ベース上の知識
も自動的に更新される。 These diagnoses are performed based on information on the knowledge base provided on the diagnostic system, but
Information on this knowledge base is automatically generated based on information on the knowledge table. The information on the knowledge base must be compatible with the software executed by the computer that actually performs diagnostic processing such as inference, and is difficult for humans to understand except for special engineers. be. In the present invention, a knowledge table is provided in which various information is stored in a format that is easy for humans to understand, and the information stored in the knowledge table can be edited and modified by a general operator using an editor. The information in the knowledge base is automatically generated based on the information on the knowledge table, so if the operator modifies the knowledge table, the knowledge on the knowledge base used for diagnosis is automatically updated.
従つて、一般技術者や操業技術者が知識ベース
の修正を必要に応じて逐次行なうことができ、そ
の保守は極めて容易である。 Therefore, general engineers and operational engineers can modify the knowledge base as needed, and its maintenance is extremely easy.
［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。[Example] Next, an example 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、ハードウエア装
置として、中央処理装置及び記憶装置を含むコン
ピユ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イスプレイが備
わつている。 In this embodiment, a system for performing quality diagnosis regarding quality characteristics (including film characteristics, etc.) 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 is equipped with a keyboard as an input device and a display as 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
つて行なわれ、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つて防
止される。 For example, the actual quality diagnosis of coating properties is performed by experts based on the operational record data of the decarburization line, and the actual quality of the coating is obtained about 10 days later. Therefore, the occurrence of coating defects during this period is prevented by the quality prediction of this quality diagnosis system.
第１図に、この品質診断システムに備わつたソ
フトウエ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 the main parts of the configuration of software programs and data to be processed or referred to in this quality diagnosis system.
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
業実積データ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
イスプレイ上にわかり易く表示される。 An outline of the processing of this system will be explained with reference to FIG. The inference engine 20 processes the input actual operation data 10 and performs quality evaluation, that is, diagnosis. The evaluation result, ie, 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。従つて、
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
システムを構築にするは、知識ベース６０上のデ
ータの更新は不可欠である。 Processing by the inference engine 20 is performed based on data on the knowledge base 60. knowledge base 60
The above data is a rule base expressed in a form suitable for processing by the inference engine 20. Therefore,
The data on the knowledge base 60 is difficult for general operators to understand. However, in order to construct a system with high diagnostic accuracy, it is essential to update the data on the knowledge base 60.
そこでこの実施例では、知識ベース６０上に設
けられるデータのうち、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、一般のオペレータにも理解
できる。 Therefore, in this embodiment, a knowledge table 40 is provided in which, among the data provided on the knowledge base 60, only various necessary parameters are expressed in a tabular format. The data on the knowledge table 40 is relatively easy to understand and can be understood even by a general 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、エデイタ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イ
スプレイ上に表示する。デイ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。この編集処理によつて、知識テー
ブル４０上のデータが更新されれる。 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 on the knowledge table 40 are sequentially displayed on the display. Move the cursor that appears on the display to locate the data,
Further, by performing an input operation, editing processing such as correction, deletion, addition, etc. is performed on the data at that position. Through this editing process, the data on the knowledge table 40 is updated.
エデイタ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成する。 When the processing of the editor 70 is completed, the data conversion program 50 is started and the knowledge base 60 is converted based on the data on the updated knowledge table 40.
Regenerate the data held on top.
また、専門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つて、知識ベース６０の
内容も更新される。 Further, when the actual quality diagnosis result (performance evaluation value) by the expert is obtained, the learning processing 80 program is started, and the output of the inference engine 20 and
Based on the input performance evaluation value, the weight data existing on the knowledge table 40 is updated. Along with this learning of the knowledge table, the contents of the knowledge base 60 are also updated.
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、階層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階層になつている。第２図にお
いて、ステツプ１〜３が一次診断の処理に対応
し、ステツプ４〜６が二次診断の処理に対応して
いる。 The processing flow of the inference engine 20 in FIG. 1 is schematically shown in FIG. 2. The inference processing of the inference engine 20 is structured hierarchically, and in this example, there are two levels: primary diagnosis and secondary diagnosis. In FIG. 2, steps 1 to 3 correspond to primary diagnosis processing, and steps 4 to 6 correspond to secondary diagnosis processing.
第２図のステツプ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 performance 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、dp１，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、操業実績項目のdp
１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 operational performance items in Figure 3a, dp1, dp2, dp3, dp4, steel strip temperature 1,
Since 10 types of operational performance data are input: steel strip temperature 2, steel strip temperature 3, hydration, adhesion, and decarburization, a rank value is determined for each of them. The range of deviation from the target value of each rank for each operational performance item is divided as shown in FIG. 3a. Referring to Figure 3a, dp of operational performance items
1 is divided into 5 ranks from 1 to 5, and dp2 is from 1 to 5.
It can be seen that dp3 is divided into 6 ranks of 6, and dp3 is divided into 7 ranks of 1 to 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”がランクの数を示し、それに
続く10個のデータが各ランプの範囲を示してい
る。これら10個のデータは、２つずつ組になつて
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。従つて例えばdp１の各ラ
ンクの範囲は、40.0以上、40.0〜38.0，38.0〜
22.0，22.0〜13.0，及び13.0以下になつている。
他の項目についても同様である。 Figures 4a, 4b, 4c and 4d show part of the data on the knowledge table 40, of which Figure 4a shows data corresponding to the range of rankings in Figure 3a. It is shown.
That is, if you pay attention to the top two lines of Figure 4a, the first "dp1" indicates the classification of the operational performance item, the next "5" indicates the number of ranks, and the following 10 data indicates the range of each lamp. These 10 pieces of data are arranged in sets of 2, and each of the 5 sets of data is associated with each rank. Moreover, the symbol "*" represents more than or less than. Therefore, for example, the range of each rank of dp1 is 40.0 or more, 40.0~38.0, 38.0~
22.0, 22.0-13.0, and below 13.0.
The same applies to other items.
実際のランク分け処理は、知識ベース６０上に
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 performed based on data on the knowledge base 60, which data is basically the same as the data on the knowledge table 40. Note that each range of ranking is given for each steel type standard.
第２図のステツプ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. Diagnostic items for this primary diagnosis include:
As shown in the intermediate characteristic items in Figure 3c, "Overoxidation A", "Peroxidation B", "Peroxidation C", "Underoxidation A", "Underoxidation B", "Underoxidation 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、dp
１，dp２，dp３，dp４，……の各々の項目の重
みがそれぞれ、０，70，５，10，……になつてお
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、その項目のータ
が診断結果に悪影響を及ぼすことを示している。 Figure 3b shows the knowledge (data on the knowledge table and knowledge base) used to calculate the deduction value regarding "peroxide A" in the primary diagnosis,
Specifically, it shows the weight of the deduction value for each operation performance item and the characteristic patterns that have a negative impact on the diagnosis results. That is, in the example of Figure 3b, dp
The weights of the items 1, dp2, dp3, dp4, . . . are respectively 0, 70, 5, 10, . . . , and the total weight of the 10 items is set to 100%. Additionally, the ☆ mark in each column indicates that the data for that item has a negative impact on the diagnostic results.
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。 Knowledge table 40 corresponding to the data in Figure 3b
The above data is shown in Figure 4b. 4th b
In the figure, a list of primary diagnosis items is shown first, followed by detailed data regarding each of the primary diagnosis items. If you pay attention to 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 points to 40 points),
The 2nd to 11th lines show information regarding each operation performance item. For example, in the numerical sequence following dp2, the first "1" is the number of patterns, the next "7" is the number of the calculation formula to be used, the following "6" is the number of ranks,
The next "5" and "6" indicate the rank interval of the deterioration pattern, and the last 70.0 indicates the weight (defective 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）×70/100＝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。 Based on this knowledge, the deduction value is calculated. For example, regarding the operational performance item dp2, if the operational performance data has a rank of 6, the deduction value for it is calculated as (80-40)×70/100=28 points. Here, 80-40 corresponds to the change range of the diagnostic results 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つて求められ
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 performed when the rank value of the operation performance data dp2 is at most 6 within the range of 1 to 6, but if the rank value is smaller than that,
The deduction value is multiplied by a coefficient ranging from 0 to 1.0. The coefficient is determined by the specified calculation formula. In this example, a calculation formula as shown in FIG. 7 is used. Note that FIG. 7 only shows a portion, and there are actually 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３番の計算式を
利用して、dp２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×log43＝22.2が減点値になる。 Referring to Figure 4b, the calculation formula for dp2 of peroxide A is No. 7, but if you use calculation formula No. 3 and perform calculations when the rank of dp2 operation performance data is 5, it will be 28 points. ×log 4 3=22.2 is the point deduction value.
他の診断項目についても、同様に知識ベース上
のデータを参照しながら計算により求められる。 Other diagnostic items are similarly calculated by referring to data on the knowledge base.
第２図のステツプ３では、ステツプ２で求めた
各操業実績項目ごとの減点値を、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図に示す形式でデイスプ
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。デイ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 Figure 2, the demerit points for each operational performance item obtained in Step 2 are totaled for each primary diagnosis item, and the demerit points for each primary diagnosis item are summed for each operational performance item. . An example of the results of this process is shown in table form in FIG. This information can be displayed on a display in the format shown in FIG. 6, if desired. The larger the displayed demerit value is, the more important it is for improving process characteristics. By referring to the demerit value displayed on the display, it is possible to instantly know which items are having an adverse effect on process characteristics.
第２図のステツプ４，５及び６は、それぞれ前
述のステツプ１，２及び３と基本的に同様であ
り、ステツプ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 steps 1, 2, and 3 described above, and the results obtained in the primary diagnosis of steps 1 to 3,
That is, eight types of data for each intermediate characteristic item (peroxidation A, peroxidation B, peroxidation C, underoxidation A, underoxidation B, underoxidation C, decarburization abnormality A, and decarburization abnormality B) are input data. Diagnosis is performed on four diagnostic items: film defect, decarburization defect, magnetic defect, and gloss defect.
ステツプ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。ステツプ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, ranking is performed as shown in FIG. 3c. A portion of the data on the knowledge table 40 regarding this ranking is shown in FIG. 4c. In the calculation process of demerit points in step 5, demerit points are calculated for each of the four diagnostic items of coating defect, decarburization defect, magnetic defect, and gloss defect. Demerit points are determined based on the knowledge shown. A portion of the data on the knowledge table 40 corresponding 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。従つてそれら
の説明は省略する。 In addition, Fig. 3c, Fig. 3d, Fig. 4c, and Fig. 4d
The meaning of the information written in each item of the figure is the same as that of FIG. 3a, FIG. 3b, FIG. 4a, and FIG. 4b which were already explained. Therefore, their explanation will be omitted.
第２図のステツプ６では、ステツプ５で求めた
各一次診断項目（中間特性項目）ごとの減点値
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、表形式でデイスプレイ上に表
示することができる。 In step 6 of Figure 2, the demerit points for each primary diagnosis item (intermediate characteristic item) obtained in step 5 are totaled for each secondary diagnosis item, and the demerit value for each secondary diagnosis item is summed up for each secondary diagnosis item. Total for each primary diagnosis item. The results of this processing can be displayed in tabular form on the display, if necessary, as in the case of FIG.
第２図のステツプ７では、ステツプ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
らをデイ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 Figure 2, the evaluation value for each diagnosis item is obtained by subtracting the demerit points for each diagnosis item obtained in step 6 from the full score value, and the total demerit points for each operation performance item are sorted in descending order of the demerit points. In addition to rearranging them and displaying them on the display, the operating conditions to be corrected are also displayed and the operator is informed of them.
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。 A portion of the data on the knowledge base 60 of FIG. 1 is shown in FIGS. 5a, 5b, 5c, and 5d.
まず第５ａ図を参照する。一番上の部分に表記
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
“HYPOTHES”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。 Reference is first made to FIG. 5a. The content of “FINDINGS” written at the top is a list of names of operational performance items input in the primary diagnosis. Also, the next “INTERMEDIATE−HYPOTHES”
The contents are a list defining the names of data to be referred to when ranking operational performance data and data to be referred to when calculating demerit points. The content of "HYPOTHES" that follows is a list of names of primary diagnosis items. Furthermore, the content of the next "FH-RULE" is a list of names of rules that exist regarding ranking.
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
セツト、即ちdp１のランクを１にする、ことが
定義されれている。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 at the top is a list of names of rules that exist regarding calculation of demerit points and their total value. Below this, the contents of each rule regarding ranking are written. For example, "##d-dank-dp1-" written in the first part.
1 ##” is the definition of rank 1 regarding dp1 of the operation performance item.Here, if the value of dp1 is 40.0 or more, “rank-dp1” is set to 1, that is, the rank of dp1 is set. 1. Following this, definitions regarding rank 2, rank 3, rank 4, and so on 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−call15′(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、“func−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, definitions of rules corresponding to each of the rule names written in "HH-RULE" in FIG. 5b are written. For example, in the first part of FIG.
5, execute the process described in the "THEN" column. For example, the deduction value for ([dp1][underoxidation]) is (func−call15′(3)′(2)′(5)′)
(50.0)′(0.0)rank−dp1). Here, "func-call" indicates a LISP language function that can be executed by the inference engine 20,
The data that follows indicates the parameters 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。 In addition, the contents of ## Peroxide A demerit point total calculation ## in FIG.
Here, if the data of [dp2] [peroxide A] is 0.0 or more, [dp1] [peroxide A], [dp2] [peroxide A], [dp3], [peroxide A], [dpz ] [Peroxide A], [Steel temperature 1] [Peroxide A], [Steel temperature 2] [Peroxide A], [Steel temperature 3] [Peroxide A], [Amount of hydration] [Peroxide A] , [Amount of adhesion], [Peroxide A], and [Decarburization property] [Peroxide A] are stored in the "Total Peroxide A Deduction Points".
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］，［dp
１］［酸化不足Ａ］，［dp１］［過酸化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。 In addition, the content of ##dp1-total demerit point calculation ## in Figure 5d is the definition of the rule regarding the total calculation of the demerit value of dp1 of the operation performance item, and in this example, the value of [dp1] [peroxide B] is greater than or equal to 0.0,
[dp1] [Peroxide A], [dp1] [Peroxide B], [dp
1] [Underoxidation A], [dp1] [Peroxidation C], [dp1]
[Oxidation deficiency B], [dp1] [Oxidation deficiency C], [dp1]
The sum of [decarburization abnormality A], [dp1] [decarburization abnormality B] is
Store in “dp1-total demerit points”.
この知識ベースのデータは、第１図に示すデー
タ変換５０の処理によつて、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 automatically generated based on the data on the knowledge table 40 by the processing of the data conversion 50 shown in FIG. Please refer to FIG. 8 for an overview of the processing of the data conversion 50.
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）、〓1A，……〓ｎが学習
される重み、ｙは品質評価予測値、ｄはその専問
家によつて実際に評価された結果、即ち実績評価
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、ここでは直交学習法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 process 80 of FIG. 1. In Figure 9 , x 1 ,... , y indicates the predicted quality evaluation value, and d indicates the actual evaluation result by the expert, that is, the actual evaluation value. As a learning algorithm, orthogonal learning, error backpropagation, etc. can be used, but the orthogonal learning algorithm is used here.
〓ｉの修正値を〓〓ｉとすると、
〓〓＝（〓〓1，〓〓2，……，〓〓ｎ）′
〓〓＝〔ｋ（ｄ−ｙ）／（〓＋F′F）〕・Ｆ
但し、Ｆ＝（f1（x1），f2（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
ルの学習に伴なつて知識ベースも更新される。 If the correction value of 〓i is 〓〓i, 〓〓=(〓〓 1 , 〓〓 2 , ..., 〓〓n)′ 〓〓= [k(d-y)/(〓+F′F)]・F However, F = (f 1 (x 1 ), f 2 (x 2 ), ...fn (xn))' In other words, for each quality characteristic item, the defective contribution rate is calculated using the performance evaluation value d as a teacher signal. , that is, the weight values on the knowledge table are learned. The knowledge base is also updated as the knowledge table is learned.
なお上記実施例においては、一次診断と二次診
断との二階層のみの処理について説明したが、同
様の方法で三次診断や四次診断の処理を加え、多
段プロセス診断を行なうように変更してもよい。 In the above embodiment, only two-layered processing of primary diagnosis and secondary diagnosis was explained, but it can be modified to add tertiary diagnosis and quaternary diagnosis processing using the same method to perform multi-stage process diagnosis. Good too.
［効果］
以上説明したように、本発明によれば、診断の
際に参照される知識の情報を、知識テーブルと知
識ベースの両方に設け、知識ベースの情報を知識
テーブルから自動的に生成するので、知識の修正
が極めて容易でる。また、複数回の診断を行ない
階層的にプロセス診断を実施するので、中間的な
状態の予測を正確に行なうことができ、高精度の
プロセス診断が可能である。[Effects] As described above, according to the present invention, knowledge information to be referred to during diagnosis is provided in both the knowledge table and the knowledge base, and the knowledge base information is automatically generated from the knowledge table. Therefore, it is extremely easy to modify knowledge. Further, since the process diagnosis is performed hierarchically by performing the diagnosis multiple times, it is possible to accurately predict intermediate states, and highly accurate process diagnosis is possible.
第１図は本発明を実施する品質診断システムの
ソフトウエア及びデータの構成を示すブロツク図
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ヤートである。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４
ａ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ヤートである。第９
図は、第１図の学習処理８０の構成を示すブロツ
ク図である。
FIG. 1 is a block diagram showing the software and data structure of a quality diagnosis system implementing the present invention. FIG. 2 is a flowchart outlining the processing of the inference engine 20 of FIG. 3rd a
Figures 3b, 3c and 3d are plan views showing the knowledge content of the embodiment in tabular form. Fourth
Figures a, 4b, 4c and 4d are the first
FIG. 4 is a plan view showing a list of contents of a portion of data on the knowledge table 40 in the figure. Figures 5a and 5b
5c and 5d are plan views showing a list 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. Figure 7 shows
FIG. 7 is a plan view showing the contents of a part of a group of calculation formulas used for point deduction calculation. FIG. 8 is a flowchart showing the processing of data conversion 50 of FIG. 9th
FIG. 1 is a block diagram showing the configuration of the learning process 80 in FIG.
Claims (1)
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、診断する複数の一次診断特性項
目ごとに、前記操業実績データの狙い値からのず
れに起因する特性の一次減点値を、操業実績デー
タのランク値と一次減点値との関係を用いて求
め、該一次診断特性項目ごとの減点値に応じた一
次評価値を、それらの狙い値からのずれに応じて
ランク分けし、診断する二次診断特性項目ごと
に、前記複数の一次評価値の狙い値からのずれに
起因する二次減点値を、一次評価値のランク値と
二次減点値との関係を用いて求め、二次減点値に
従つて最終評価結果を生成する、処理を知識ベー
ス上の情報に基づいて実行するとともに、知識修
正指示に応答して、知識テーブル上の情報を表示
するとともにそれの修正を行ない、修正後の前記
知識テーブル上の情報に基づいて、前記知識ベー
スの更新情報を自動的に生成する、プロセス診断
知識修正方法。1 Ranking multiple types of operational performance data obtained in the manufacturing process according to deviations from their target values, and determining the cause of the deviations from the target values of the operational performance data for each of the multiple primary diagnostic characteristic items to be diagnosed. The primary demerit point value of the characteristic to be evaluated is calculated using the relationship between the rank value of the operation performance data and the primary demerit point value, and the primary evaluation value according to the demerit value for each primary diagnostic characteristic item is calculated based on the deviation from those target values. For each secondary diagnostic characteristic item to be diagnosed, the secondary demerit points due to the deviation of the plurality of primary evaluation values from the target value are divided into ranks according to the rank value of the primary evaluation value and the secondary demerit point value. The process is performed based on the information on the knowledge base, and the information on the knowledge table is displayed in response to knowledge modification instructions. A method for correcting process diagnosis knowledge, wherein update information for the knowledge base is automatically generated based on the corrected information on the knowledge table.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1145613A JPH0310116A (en) | 1989-06-08 | 1989-06-08 | Correcting method for process diagnostic knowledge |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1145613A JPH0310116A (en) | 1989-06-08 | 1989-06-08 | Correcting method for process diagnostic knowledge |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0310116A JPH0310116A (en) | 1991-01-17 |
| JPH0575968B2 true JPH0575968B2 (en) | 1993-10-21 |
Family
ID=15389085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP1145613A Granted JPH0310116A (en) | 1989-06-08 | 1989-06-08 | Correcting method for process diagnostic knowledge |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0310116A (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006190087A (en) * | 2005-01-06 | 2006-07-20 | Chugoku Electric Power Co Inc:The | Operation support system |
| JP6815954B2 (en) * | 2017-08-29 | 2021-01-20 | 株式会社神戸製鋼所 | Plant operating status estimation device and operating status estimation method |
-
1989
- 1989-06-08 JP JP1145613A patent/JPH0310116A/en active Granted
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0310116A (en) | 1991-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bainbridge | The process controller | |
| JPH03263227A (en) | Knowledge data base processing system and expert system | |
| JP7214417B2 (en) | Data processing method and data processing program | |
| JP2019144779A (en) | Causal estimation apparatus, causal estimation method, and program | |
| KR950007882B1 (en) | Apparatus and method for automatically generating membership function and/or fuzzy inference rule for fuzzy inference system | |
| JPH08202431A (en) | Operation procedure guide device | |
| JP2019012473A (en) | Data filtering device and method | |
| JPH0575968B2 (en) | ||
| JP2535070B2 (en) | Quality diagnosis knowledge learning method | |
| JPH0575969B2 (en) | ||
| JPH0750492B2 (en) | Quality diagnosis knowledge correction method | |
| US20230100924A1 (en) | Skill output device, skill output method, and skill output program | |
| Schnelle et al. | A real-time expert system for quality control | |
| JPH042921A (en) | Process diagnostic method | |
| JP2643295B2 (en) | Fuzzy control arithmetic unit and fuzzy inference method | |
| JPH02112063A (en) | Quality diagnostic method | |
| JPH05265512A (en) | Learning type controller and fuzzy inference device | |
| JPH02183334A (en) | Quality diagnosis knowledge adjusting method | |
| JP2770228B2 (en) | Knowledge-based plant information processing system | |
| WO2023233858A1 (en) | Calculation device and calculation method for neural network | |
| JP2000237937A (en) | Design support method of production system | |
| JP3085365B2 (en) | Process procedure automatic adjustment method, process procedure automatic adjustment system, and recording medium recording process procedure automatic adjustment program | |
| JP7517286B2 (en) | Information processing device, evaluation method, and evaluation program | |
| US20230409176A1 (en) | Safety design support system and safety design support method | |
| WO2023181127A1 (en) | Product quality analysis assistance system |