JPH10149203A - Method and device for tuning physical model parameter - Google Patents
Method and device for tuning physical model parameterInfo
- Publication number
- JPH10149203A JPH10149203A JP32352396A JP32352396A JPH10149203A JP H10149203 A JPH10149203 A JP H10149203A JP 32352396 A JP32352396 A JP 32352396A JP 32352396 A JP32352396 A JP 32352396A JP H10149203 A JPH10149203 A JP H10149203A
- Authority
- JP
- Japan
- Prior art keywords
- physical model
- parameter
- tuning
- parameters
- model
- 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.)
- Pending
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
Description
【０００１】[0001]
【発明の属する技術分野】本発明は物理モデルパラメー
タのチューニング方法および装置に関し、特に、製品の
製造プロセスを近似すべく数式で表した物理モデルのパ
ラメータを自動的に最適化するためのチューニング方法
および装置に用いて好適なものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a method and an apparatus for tuning a physical model parameter, and more particularly, to a tuning method and an automatic tuning method for automatically optimizing a physical model parameter expressed by a mathematical expression so as to approximate a product manufacturing process. It is suitable for use in an apparatus.
【０００２】[0002]
【従来の技術】鉄鋼を始めとする多くの産業における製
造プロセスでは、複数の製品を様々な工程で処理して製
造している。このような製造プロセスに対して、製品に
所望の特性（例えば鋼材の温度、厚み、硬さなどの目標
値）が得られるように処理条件を設定し直す場合、対象
となる製造プロセスを実際に稼働させて得られた結果に
基づいて処理条件の最適化を行うと、コストが膨大なも
のとなってしまう。2. Description of the Related Art In a manufacturing process in many industries including steel, a plurality of products are processed in various steps. For such a manufacturing process, if the processing conditions are set again so as to obtain desired characteristics (for example, target values such as temperature, thickness, hardness, etc. of the steel material), the target manufacturing process is actually If the processing conditions are optimized based on the results obtained during operation, the cost will be enormous.
【０００３】そこで、従来は、処理プロセスを数式で近
似した物理モデルをコンピュータ上に設定しておく。そ
して、この物理モデルに対して処理条件を様々に変えな
がら所望の特性となる出力結果が得られるまで繰り返
し、所望の特性が得られるようになった時点でそのとき
の処理条件を実際の処理プロセスにおける処理条件とし
て設定し、その後で処理プロセスを実際に稼働させるの
が一般であった。Therefore, conventionally, a physical model in which a processing process is approximated by a mathematical expression is set on a computer. The physical model is repeatedly changed until the output result with the desired characteristics is obtained while changing the processing conditions variously. When the desired characteristics are obtained, the processing conditions at that time are changed to the actual processing process. In general, it is generally set as the processing condition in and then the processing process is actually operated.
【０００４】ところが、この方法では、物理モデルが現
実の処理プロセスと完全に一致していれば問題はない
が、一致していない場合は、最適であるとして設定した
処理条件によっても実際に処理プロセスを経て得られる
製品は、所望の特性とならないことがある。すなわち、
物理モデルを用いて行うシミュレーションの精度および
信頼性は、物理モデルの完成度に大きく依存しており、
物理モデルと現実の処理プロセスとが大きく違っている
と、所望の特性を得るのは極めて困難である。However, in this method, there is no problem if the physical model completely matches the actual processing process, but if it does not match, the actual processing process may be changed according to the processing conditions set as optimal. The product obtained through the above may not have the desired properties. That is,
The accuracy and reliability of a simulation performed using a physical model greatly depends on the degree of perfection of the physical model.
If the physical model is very different from the actual processing process, it is extremely difficult to obtain desired characteristics.
【０００５】そのため、処理プロセスを実際に稼働して
得られる実績データを利用して、物理モデル自体を現実
の処理プロセスに近づけるべく設定し直す必要がある。
すなわち、所望の特性となる出力結果が正しく得られる
ようにするために、物理モデルを表す数式の係数（パラ
メータ）を最適化する必要があり、従来そのためのパラ
メータチューニング方法が幾つか考えられていた。For this reason, it is necessary to reset the physical model itself so as to be closer to the actual processing process by using the actual data obtained by actually operating the processing process.
That is, it is necessary to optimize coefficients (parameters) of a mathematical expression representing a physical model in order to correctly obtain an output result having desired characteristics. Conventionally, several parameter tuning methods have been considered. .
【０００６】図４は、従来の物理モデルパラメータのチ
ューニング方法の一例を説明するための図である。図４
において、現実の処理プロセスＡを近似する物理モデル
Ｃは、プロセス制御コンピュータ（以下、プロコンと言
う）Ｂ上において係数（パラメータ）を使って数式で設
定されており、実際に処理プロセスＡに供給される材料
の情報として、図示しないセンサ等により得られた各種
測定値が入力されている。FIG. 4 is a diagram for explaining an example of a conventional physical model parameter tuning method. FIG.
In the above, the physical model C approximating the actual processing process A is set in a process control computer (hereinafter, referred to as a process control) B by a mathematical expression using coefficients (parameters), and is actually supplied to the processing process A. Various measured values obtained by a sensor or the like (not shown) are input as material information.
【０００７】プロコンＢは、上記各種測定値を入力値と
して所望の特性が得られるような物理モデルＣを実行さ
せて処理条件（例えば、処理プロセスＡが圧延機の場
合、圧延機のミルのギャップ長や圧延スピード等の条
件）を計算し、実際のプロセス設定値として処理プロセ
スＡに供給する。The process controller B executes the physical model C such that desired characteristics can be obtained by using the above-mentioned various measured values as input values and executes processing conditions (for example, when the processing process A is a rolling mill, the gap of the mill of the rolling mill is controlled). Conditions such as length and rolling speed) are calculated and supplied to the processing process A as actual process set values.
【０００８】このプロセス設定値の下で実際に処理プロ
セスＡを稼働すると、どのような処理条件でどのような
結果が得られたかを表す実績データがプロコンＢに蓄え
られる。上述のように、処理プロセスＡと物理モデルＣ
とが完全に一致していないと、この実績データは所望の
特性とはなっていない。そこで、この実績データを利用
して物理モデルＣのパラメータを調整し、物理モデルＣ
を処理プロセスＡに近づける必要がある。When the processing process A is actually operated under the process set value, actual data indicating what processing conditions and what results were obtained is stored in the process controller B. As described above, the processing process A and the physical model C
If they do not completely match, the performance data will not have the desired characteristics. Therefore, the parameters of the physical model C are adjusted using the performance data, and the physical model C is adjusted.
Needs to be closer to the process A.
【０００９】物理モデルＣのパラメータをチューニング
する場合は、まず、物理モデルＣをパソコン等の簡易コ
ンピュータＤで実行できるようにプログラミングしてお
き（これを物理モデルＣ′と記す）、プロコンＢ内の図
示しない実績データメモリに格納されている実績データ
（実績に対応する処理条件のデータを含む）のうち、必
要な情報を人手により抽出して上記簡易コンピュータＤ
に入力する。When tuning the parameters of the physical model C, first, the physical model C is programmed so that it can be executed by a simple computer D such as a personal computer (this is referred to as a physical model C '). From the result data (including the processing condition data corresponding to the result) stored in a result data memory (not shown), necessary information is manually extracted and the simple computer D is used.
To enter.
【００１０】次に、この抽出した処理条件および実績値
のデータを入力値として、物理モデルＣ′の係数を逐次
変更して当該物理モデルＣ′の計算を実行し、その計算
値に対応する実績値にできるだけ近い出力値が得られる
ように、重回帰等の手法によりモデル係数を最適化す
る。Next, using the extracted processing condition and actual value data as input values, the coefficients of the physical model C 'are sequentially changed to calculate the physical model C', and the actual value corresponding to the calculated value is obtained. The model coefficients are optimized by a method such as multiple regression so that an output value as close as possible to the value is obtained.
【００１１】最適化は、例えば上記計算値をＸｉ、実績
値をＴｉとすれば（ｉ＝１〜Ｎ：Ｎは抽出した実績デー
タの数）、計算値Ｘｉと実績値Ｔｉとの二乗誤差平均
（下記数１）が最小となるときの係数を最適値とする方
法を採る。最後に、以上のようにして得た最適な係数
を、プロコンＢで実行される物理モデルＣの係数として
使用できるように人手で入れ替える。In the optimization, for example, if the calculated value is Xi and the actual value is Ti (i = 1 to N: N is the number of extracted actual data), the mean square error between the calculated value Xi and the actual value Ti is obtained. A method is adopted in which a coefficient when (the following expression 1) is minimized is an optimum value. Finally, the optimum coefficients obtained as described above are manually replaced so that they can be used as the coefficients of the physical model C executed in the process controller B.
【００１２】[0012]
【数１】 (Equation 1)
【００１３】しかしながら、以上のような最適化処理で
は、人手による作業が多く、非常に面倒であるという問
題がある。そこで従来、このように実際の操業と切り離
したオフラインによる方法ではなく、処理プロセスＡで
製品を１つ処理して１つの実績データが出力される度
に、それを使って最適化を行うオンラインによる方法が
考えられている（例えば特開平６−３２５０１４号公
報）。[0013] However, the above-described optimization processing involves a lot of manual work and is very troublesome. Therefore, conventionally, instead of the offline method separated from the actual operation as described above, each time one product is processed in the processing process A and one result data is output, optimization is performed using the data by using the online data. A method has been considered (for example, JP-A-6-325014).
【００１４】図５は、このオンラインによる物理モデル
パラメータのチューニング方法の例を説明するための図
である。図５の例では、プロコンＢは、実際に処理プロ
セスＡに供給される材料の情報として、図示しないセン
サ等により得られる各種測定値を入力値として物理モデ
ルＣを実行させ、その出力値（予測値）Ｘｉを計算す
る。FIG. 5 is a diagram for explaining an example of the method of tuning physical model parameters online. In the example of FIG. 5, the process controller B causes the physical model C to execute as input values of various measured values obtained by a sensor or the like (not shown) as information of materials actually supplied to the processing process A, and outputs the output values (predicted values). Value) Xi is calculated.
【００１５】一方、処理プロセスＡで実際に材料を処理
して得られる実績値Ｔｉは、１つの材料を処理する度に
プロコンＢに入力される。例えば、物理モデルＣがＹ＝
ａＸ＋ｂ（係数ａ，ｂは物理モデルＣを表すパラメー
タ）なる数式で表されるとき、プロコンＢは、上記予測
値Ｘｉが実績値Ｔｉと一致するように重回帰処理Ｅを行
って、出力値Ｙｉ＝ａ1 Ｘｉ＋ｂ1 を得る（ａ1 ，ｂ1
は重回帰分析によって得られた最適値）。なお、重回帰
分析手法については、例えば「竹村彰通、現代数理統計
学（創文社現代経済学選書）」に記載されている。On the other hand, the actual value Ti obtained by actually processing the material in the processing process A is input to the process control B every time one material is processed. For example, if the physical model C is Y =
When expressed by a formula of aX + b (coefficients a and b are parameters representing the physical model C), the process controller B performs the multiple regression processing E so that the predicted value Xi matches the actual value Ti, and outputs the output value Yi = A 1 Xi + b 1 (a 1 , b 1
Is the optimal value obtained by multiple regression analysis). The multiple regression analysis method is described, for example, in "Akimichi Takemura, Modern Mathematical Statistics (Soubunsha Modern Economics Selection Book)".
【００１６】さらに、プロコンＢは、上記のようにして
得られた重回帰処理後の出力値Ｙｉに対してホワイトノ
イズの影響を除去する補正処理Ｆを行うことにより出力
値Ｗｉを得て、それを処理プロセスＡに対するプロセス
設定値とする。このようなオンラインによる方法を採る
ことで、物理モデルＣの最適化を自動的に行えるように
している。Further, the process controller B obtains an output value Wi by performing a correction process F for removing the influence of white noise on the output value Yi obtained after the multiple regression process obtained as described above. Is a process setting value for the processing process A. By adopting such an online method, the physical model C can be automatically optimized.
【００１７】[0017]
【発明が解決しようとする課題】しかしながら、上記に
示した図４および図５の方法は何れも、物理モデルパラ
メータの最適化のために重回帰手法を用いている。この
重回帰手法によると、予測値Ｘｉが実績値Ｔｉと一致す
るように強制的に処理が行われるので、重回帰分析によ
って得られるパラメータの最適値が物理モデルＣに対し
て現実的に適用可能な値かどうかについては全く無視さ
れており、必ずしも最適なパラメータが得られるとは限
らないという問題があった。However, each of the above-described methods shown in FIGS. 4 and 5 uses the multiple regression technique for optimizing the physical model parameters. According to this multiple regression method, the process is forcibly performed so that the predicted value Xi matches the actual value Ti, so that the optimal values of the parameters obtained by the multiple regression analysis can be applied to the physical model C in a realistic manner. However, there is a problem that the optimum parameter is not always obtained.
【００１８】また、図４の例の場合は、人手による作業
が多いという問題に加えて、普遍的な物理モデルＣに最
適化するためには、使用する実績データは製造物の全種
類（鉄鋼に例えるならば、全鋼種や全製品サイズ）を対
象としなければならず、最適化作業に膨大な時間を要す
るという問題があった。In addition, in the case of the example of FIG. 4, in addition to the problem that there are many manual operations, in order to optimize the universal physical model C, the actual data used is limited to all types of products (steel and steel). For example, all steel types and all product sizes) have to be targeted, and there is a problem that an enormous amount of time is required for optimization work.
【００１９】さらに、図５の例の場合は、最適化作業は
いわゆる学習制御であり、十分な量の製品製造が行わ
れ、重回帰分析の結果が有効となるだけの製造が実施さ
れた後からでなければ、出力値ＹｉまたはＷｉの信頼性
は低い。例えば、熱間圧延における圧延機の物理モデル
などのように、圧延機に材料が到達する前に一度だけ計
算してプロセス設定値を推測する物理モデルについて
は、重回帰分析の結果が有効となるまでの間は、精度が
悪く使いものにならないという問題があった。Further, in the case of the example shown in FIG. 5, the optimization work is a so-called learning control, and after a sufficient amount of product has been manufactured and the manufacturing has been carried out so that the results of the multiple regression analysis are valid. Otherwise, the reliability of the output value Yi or Wi is low. For example, for a physical model such as a physical model of a rolling mill in hot rolling that estimates a process set value by calculating only once before the material reaches the rolling mill, the result of the multiple regression analysis is effective. Until then, there was a problem that the accuracy was poor and it could not be used.
【００２０】本発明は、このような問題を解決するため
に成されたものであり、人手による作業を減らして物理
モデルパラメータの最適化を簡単に行えるようにすると
ともに、物理モデルに対して現実的に適用可能な真に最
適なパラメータを短時間のうちに確実に設定できるよう
にすることを目的とする。The present invention has been made to solve such a problem. The present invention reduces the number of manual operations so that the optimization of the physical model parameters can be easily performed, and the physical model can be realized in real time. It is an object of the present invention to be able to surely set a truly optimum parameter which can be applied in a short time.
【００２１】[0021]
【課題を解決するための手段】本発明の物理モデルパラ
メータのチューニング方法は、現実の処理プロセスを数
式で表した物理モデルが上記現実の処理プロセスに近づ
くように、上記物理モデルのパラメータを最適化する物
理モデルパラメータのチューニング方法において、上記
処理プロセスにおける実績データを一製品毎に複数格納
して成るデータベースの中からチューニング処理に使用
する製品の実績データを取り込み、最適化対象となる物
理モデルの各パラメータとして採りうる最小値から最大
値までを所定の刻み幅で逐次変更して上記物理モデルを
計算する処理を、一製品毎に、取り込んだ全ての製品に
ついて実行し、一製品毎の計算結果とそれに対応する実
績データとからモデル二乗誤差平均の累算値を各パラメ
ータの組ごとに求め、その累算値が最小となるパラメー
タの組を上記物理モデルの最適パラメータとして設定す
るようにしたことを特徴とする。According to the tuning method of the physical model parameters of the present invention, the parameters of the physical model are optimized so that the physical model, which represents the actual processing process by a mathematical formula, approaches the actual processing process. In the tuning method of the physical model parameters to be performed, the actual data of the product used for the tuning process is fetched from a database configured by storing a plurality of actual data in the above-described processing process for each product, and each physical model to be optimized is obtained. The process of calculating the physical model by sequentially changing the minimum value to the maximum value that can be taken as a parameter at a predetermined step size is performed for each product, for all the products taken in, and the calculation result for each product and From the corresponding actual data, the accumulated value of the model squared error average is calculated for each parameter set. , A set of parameters that the accumulated value is minimized is characterized in that so as to set as an optimal parameter of the physical model.
【００２２】本発明の他の特徴とするところは、上記デ
ータベースの中からチューニング処理に使用する製品と
して取り込む実績データをユーザが指定可能なように成
されていることである。Another feature of the present invention is that the user can designate performance data to be taken in as a product used in the tuning process from the database.
【００２３】また、本発明の物理モデルパラメータのチ
ューニング装置は、現実の処理プロセスを数式で表した
物理モデルが上記現実の処理プロセスに近づくように、
上記物理モデルのパラメータを最適化する物理モデルパ
ラメータのチューニング装置において、上記処理プロセ
スにおける実績データを一製品毎に複数格納するように
してデータベースを構築するデータベース構築手段と、
上記データベースの中からチューニング処理に使用する
製品の実績データを指定するとともに、最適化対象とな
る物理モデルの各パラメータとして採りうる最小値と最
大値および所定の刻み幅を指定してチューニング要求を
行うチューニング要求手段と、上記チューニング要求手
段により指定された各パラメータの最小値から最大値ま
でを所定の刻み幅で逐次変更して上記物理モデルを計算
するという処理を、一製品毎に、指定された全ての製品
について実行する物理モデル実行手段と、上記物理モデ
ル実行手段における一製品毎の計算結果とそれに対応す
る実績データとからモデル二乗誤差平均の累算値を各パ
ラメータの組ごとに求め、その求めた累積二乗誤差平均
値を各パラメータの組と共にメモリに記憶させるモデル
誤差計算手段と、上記メモリに記憶された各パラメータ
の組ごとの累積二乗誤差平均のうち、値が最小となるパ
ラメータの組を上記物理モデルの最適パラメータとして
設定するパラメータ同定手段とを備える。Also, the physical model parameter tuning apparatus of the present invention provides a physical model in which an actual processing process is expressed by a mathematical formula so as to approach the actual processing process.
In the physical model parameter tuning device for optimizing the parameters of the physical model, a database construction means for constructing a database so as to store a plurality of results data in the processing process for each product,
Performs a tuning request by specifying actual data of a product used in the tuning process from the database and specifying a minimum value and a maximum value that can be taken as each parameter of a physical model to be optimized and a predetermined step size. The tuning request means and the process of sequentially changing the minimum to maximum values of the parameters specified by the tuning request means at predetermined intervals and calculating the physical model are designated for each product. Physical model execution means to be executed for all products, and the accumulated value of the average of the model squared error is obtained for each set of parameters from the calculation result for each product in the physical model execution means and the actual data corresponding thereto. Model error calculation means for storing the calculated cumulative square error average value in a memory together with a set of parameters; Of the cumulative mean square error for each set of parameters stored in serial memory, and a parameter identification means for setting a set of parameters whose values is minimum as an optimum parameter of the physical model.
【００２４】本発明の他の特徴とするところは、上記チ
ューニング要求手段が更に、チューニング対象とする物
理モデルおよびそれに使用する各パラメータのうち任意
のパラメータを指定可能なように構成されることであ
る。Another feature of the present invention is that the tuning requesting means is further configured to be able to designate an arbitrary parameter among a physical model to be tuned and parameters used for the physical model. .
【００２５】本発明のその他の特徴とするところは、上
記データベース構築手段が、上記処理プロセスの実操業
を制御するプロセスコンピュータから製品の実績データ
を一製品毎に逐次取り込んで上記データベースを構築す
るように構成されていることである。Another feature of the present invention is that the database construction means constructs the database by successively taking in actual product data for each product from a process computer for controlling the actual operation of the processing process. Is configured.
【００２６】上記のように構成した本発明によれば、物
理モデルの各パラメータとして採りうる最小値から最大
値までの範囲内でのみパラメータの組が変更されて所定
の処理が行われ、そのパラメータの組の中から最適なも
のが選ばれるので、物理モデルに対して適用不可能な値
が最適なパラメータとして選ばれることがなくなり、よ
り現実的な最適解としてパラメータの組が求められるよ
うになる。しかも、従来のような重回帰手法ではなく、
各パラメータの値をしらみ潰しに変えて計算した結果に
基づいて最適なパラメータの組を求めるという直接的な
手法を用いているので、データベース中の製品の全種類
を対象としなくても普遍的な物理モデルに最適化するこ
とが可能となる。さらに、チューニングを行う装置内に
物理モデルそのものやデータベースが備えられているの
で、チューニング処理に使用する実績データ等の取り込
みは、所望のデータを指定するだけで自動的に行われる
し、求められた最適なパラメータの組も物理モデルに自
動的に反映されるようになり、人手による作業を格段に
少なくすることが可能となる。According to the present invention configured as described above, a set of parameters is changed only within a range from a minimum value to a maximum value that can be taken as each parameter of the physical model, and a predetermined process is performed. Since the optimal one is selected from the set of the parameters, the value that cannot be applied to the physical model is not selected as the optimal parameter, and the parameter set is obtained as a more realistic optimal solution. . Moreover, instead of the conventional multiple regression method,
Since we use a direct method of finding the optimal set of parameters based on the results calculated by changing the value of each parameter to crushing, it is a universal method without targeting all types of products in the database It is possible to optimize to a physical model. Furthermore, since the physical model itself and the database are provided in the tuning apparatus, actual data and the like used for the tuning process are automatically acquired only by designating desired data, and the required data is obtained. The optimal set of parameters is also automatically reflected in the physical model, so that manual work can be significantly reduced.
【００２７】[0027]
【発明の実施の形態】以下、本発明の一実施形態を図面
に基づいて説明する。図１は、本実施形態による物理モ
デルパラメータのチューニング方法の処理手順の大まか
な流れを示すフローチャートである。なお、ここでは処
理プロセスの一例として、製品を製造する製造プロセス
を考えるが、本発明はその他のプロセスでも適用可能で
ある。DESCRIPTION OF THE PREFERRED EMBODIMENTS One embodiment of the present invention will be described below with reference to the drawings. FIG. 1 is a flowchart showing a rough flow of a processing procedure of a physical model parameter tuning method according to the present embodiment. Here, as an example of the processing process, a manufacturing process for manufacturing a product is considered, but the present invention can be applied to other processes.
【００２８】図１において、ステップＳ１では、所定の
データベースの中からチューニング処理に使用する製品
の実績データを指定する。上記所定のデータベースは、
処理プロセスで実際に材料を処理して製品を製造したと
きの処理条件およびそれに対応する処理実績のデータを
一製品毎に複数格納して成るものであり、処理プロセス
において１つの製品が製造される毎に逐次蓄積されてき
たものである。In FIG. 1, in step S1, actual data of a product to be used for the tuning process is designated from a predetermined database. The predetermined database is:
A plurality of processing conditions and corresponding processing results data when products are manufactured by actually processing materials in a processing process are stored for each product, and one product is manufactured in the processing process. It has been sequentially accumulated every time.
【００２９】ステップＳ２では、最適化対象となる物理
モデルの各パラメータとして採りうる最小値と最大値、
およびその最小値から最大値に至るまでの所定の刻み幅
を指定する。一般に、物理モデルは、最初は現実の処理
プロセスを想定してユーザにより構築されるので、その
物理モデルに適用可能なパラメータの範囲はモデル固有
の値としてあらかじめ分かっているのが通常である。し
たがって、ユーザは、そのような範囲として最小値と最
大値とを指定する。In step S2, a minimum value and a maximum value that can be taken as each parameter of the physical model to be optimized,
And a predetermined step width from the minimum value to the maximum value. In general, a physical model is initially constructed by a user assuming an actual processing process, so that a range of parameters applicable to the physical model is usually known in advance as a model-specific value. Therefore, the user specifies a minimum value and a maximum value as such a range.
【００３０】このようにユーザがステップＳ１およびス
テップＳ２で必要な指定を行うと、次のステップＳ３
で、指定された範囲の実績データが上記データベースか
ら取り出された後、ステップＳ４で、取り出された実績
データの中から１つ目の製品の実績データが設定され
る。さらに、ステップＳ５では、上記ステップＳ２にて
指定された各パラメータの最小値が各々設定される。When the user makes the necessary designations in steps S1 and S2, the next step S3
After the result data in the specified range is retrieved from the database, in step S4, the result data of the first product is set from the retrieved result data. Further, in step S5, the minimum value of each parameter specified in step S2 is set.
【００３１】そして、ステップＳ６で、上記ステップＳ
４にて設定された製品を実際に処理プロセスで処理した
ときと同じ処理条件（取り込まれた実績データ中に含ま
れている）の下で、上記ステップＳ５にて設定されたパ
ラメータの組を使って物理モデルの計算が実行される。
ステップＳ７では、ステップＳ６における物理モデルの
計算結果と、同じ製品についての実績データとの二乗誤
差平均が求められ、それがそのときのパラメータの組に
対応したメモリ領域に記憶される。Then, in step S6, the above step S
Using the set of parameters set in step S5 under the same processing conditions (included in the captured result data) as when the product set in step 4 was actually processed in the processing process The calculation of the physical model is executed.
In step S7, the average of the square error of the calculation result of the physical model in step S6 and the actual data of the same product is obtained, and this is stored in the memory area corresponding to the parameter set at that time.
【００３２】その後、ステップＳ８で全てのパラメータ
の組について処理が終了したかどうかが判断される。こ
の段階ではまだ全ての組について処理が終了していない
ので、ステップＳ５に戻る。ステップＳ５では、上記ス
テップＳ２にて指定された刻み幅の分だけパラメータ値
が変更され、新たなパラメータの組が設定される。従来
例で示したように、物理モデルがＹ＝ａＸ＋ｂなる数式
で表されるとき、例えば一方のパラメータａの値が固定
され、もう一方のパラメータｂの値がこのパラメータｂ
に設定された刻み幅の分だけ増やされる。Thereafter, in step S8, it is determined whether the processing has been completed for all sets of parameters. At this stage, since the processing has not been completed for all the sets, the process returns to step S5. In step S5, the parameter value is changed by the step width specified in step S2, and a new parameter set is set. As shown in the conventional example, when the physical model is represented by a mathematical formula of Y = aX + b, for example, the value of one parameter a is fixed and the value of the other parameter b is
Is incremented by the step size set in.
【００３３】そして、このようにして設定された新たな
パラメータの組を使ってステップＳ６およびステップＳ
７の処理が再び行われ、そのとき求められた二乗誤差平
均がそのパラメータの組に対応したメモリ領域に記憶さ
れる。以下同様にして、物理モデルの各パラメータが指
定された最小値から最大値までを指定された刻み幅で逐
次変更され、処理モデルの二乗誤差平均が各パラメータ
の組ごとに求められ、それらがそれぞれのパラメータの
組に対応したメモリ領域に記憶される。Then, by using the new set of parameters set in this way, step S6 and step S6 are executed.
The processing of step 7 is performed again, and the mean square error obtained at that time is stored in the memory area corresponding to the set of parameters. Similarly, in the same manner, each parameter of the physical model is sequentially changed from the specified minimum value to the maximum value at the specified step size, and the square error average of the processing model is obtained for each set of parameters. Is stored in the memory area corresponding to the set of parameters.
【００３４】次に、ステップＳ８の処理を抜けてステッ
プＳ９に進むと、ここでは上記ステップＳ１にて指定さ
れた製品の全てについて上述のような処理が終了したか
どうかが判断される。この段階では、まだ１つ目の製品
しか処理していないので、ステップＳ４に戻り、次に２
番目の製品の実績データが設定される。そして、この２
番目の製品についてもステップＳ５〜Ｓ８の処理が繰り
返し行われる。Next, when the process goes out of step S8 and proceeds to step S9, it is determined here whether or not the above-described process has been completed for all the products specified in step S1. At this stage, since only the first product has been processed, the process returns to step S4, and then returns to step S4.
Result data of the second product is set. And this 2
The processing of steps S5 to S8 is repeated for the second product.
【００３５】以下同様に、上記ステップＳ１にて指定さ
れた全ての製品について処理が終了するまでステップＳ
４〜Ｓ９の処理が行われる。このとき、異なる製品で同
じパラメータの組を使って求められた二乗誤差平均は、
それまでに求められている同じパラメータの組の二乗誤
差平均に累算されていく。これにより、メモリ上には、
各パラメータの組ごとに累算された二乗誤差平均の値が
格納されることになる。最後に、ステップＳ１０で、上
記メモリに格納された全ての累積二乗誤差平均の値が比
較され、その最小値に対応するパラメータの組が当該物
理モデルパラメータの最適値として同定される。In the same manner, step S1 is repeated until the processing is completed for all the products specified in step S1.
Steps 4 to S9 are performed. At this time, the mean square error obtained using the same set of parameters for different products is
It is accumulated to the mean square error of the same set of parameters determined so far. Thus, on the memory,
The value of the mean square error accumulated for each set of parameters is stored. Finally, in step S10, all the accumulated squared error average values stored in the memory are compared, and a set of parameters corresponding to the minimum value is identified as an optimal value of the physical model parameter.
【００３６】なお、この図１の例では、１つの製品につ
いて全ての係数の組を用いて物理モデル計算を実行した
後、次の製品について物理モデル計算を実行するという
ような処理手順としているが、逆に、１つの係数の組を
用いて全ての製品について物理モデル計算を実行して累
積二乗誤差平均を求めた後、次の係数の組を用いて物理
モデル計算を実行するというような処理手順としても良
い。In the example of FIG. 1, the processing procedure is such that the physical model calculation is executed for one product using all the coefficient sets, and then the physical model calculation is executed for the next product. Conversely, after performing a physical model calculation for all products using one set of coefficients to obtain a cumulative mean square error, performing a physical model calculation using the next set of coefficients It is good as a procedure.
【００３７】図２は、本発明による物理モデルパラメー
タのチューニング装置を利用したシステムの構成例を示
す図である。図２において、１は製造プロセス制御用コ
ンピュータ（プロコン）であり、図示しない処理プロセ
スの実操業を制御するものである。ここでは、処理プロ
セスの一例として、様々な工程で複数の鉄鋼製品を製造
する製造プロセス（例えば熱延プロセス）を考える。FIG. 2 is a diagram showing an example of the configuration of a system using the physical model parameter tuning apparatus according to the present invention. In FIG. 2, reference numeral 1 denotes a manufacturing process control computer (processor) which controls the actual operation of a processing process (not shown). Here, as an example of the processing process, a manufacturing process (for example, a hot rolling process) for manufacturing a plurality of steel products in various steps is considered.
【００３８】この場合プロコン１は、例えば、製造する
コイルの厚み、硬さ、温度等の条件に応じて圧延機にミ
ルのギャップ長情報や荷重情報あるいは加熱情報などの
指示を与える設定計算を行ったり、実際に製造プロセス
を稼働して得られる実績データ（どのような処理条件の
下でそのような結果が得られたかを表す情報）を取り込
んだりする処理を行う。In this case, the process controller 1 performs a setting calculation for giving an instruction of mill gap length information, load information or heating information to the rolling mill according to conditions such as the thickness, hardness and temperature of the coil to be manufactured. Or a process of taking in actual data (information indicating under what processing conditions such a result was obtained) obtained by actually operating the manufacturing process.
【００３９】２は解析用コンピュータ（例えばエンジニ
アリングワークステーション：ＥＷＳ、以下解析用ＥＷ
Ｓと記す）であり、本発明による物理モデルパラメータ
のチューニング装置の主要部を成すものである。本実施
形態の場合、物理モデルはこの解析用ＥＷＳ２上に設定
されており、製造される製品が所望の特性となるように
最適な処理条件を探し出す処理や物理モデルの係数（パ
ラメータ）をチューニングする処理は、主にこの解析用
ＥＷＳ２で行われる。Reference numeral 2 denotes an analysis computer (eg, an engineering workstation: EWS, hereinafter referred to as an analysis EW).
S), which is a main part of the physical model parameter tuning apparatus according to the present invention. In the case of the present embodiment, the physical model is set on the EWS 2 for analysis, and the process of searching for the optimum processing conditions and the tuning of the coefficients (parameters) of the physical model are performed so that the manufactured product has desired characteristics. The processing is mainly performed in the analysis EWS2.
【００４０】解析用ＥＷＳ２は、プロコン１により取り
込まれた実績データを、１つの製品が製造される毎に入
力し、それを製造実績データ蓄積ディスク３に逐次蓄積
していく。これにより形成されるデータベースは、製造
プロセスで実際に材料を処理して製品を製造したときの
処理条件およびそれに対応する処理実績のデータが一製
品毎に複数格納されて構成される。物理モデルのパラメ
ータをチューニングする際は、このデータベース内の実
績データを利用する。The analysis EWS 2 inputs the result data taken in by the computer 1 every time one product is manufactured, and sequentially stores the data on the manufacturing result data storage disk 3. The database formed in this way is configured by storing a plurality of processing condition data and the corresponding processing result data when a product is manufactured by actually processing a material in a manufacturing process for each product. When tuning the parameters of the physical model, the actual data in this database is used.
【００４１】４はオペレータとのインタフェース用端末
であり、後述するパラメータチューニング要求などの指
示は、これらのインタフェース用端末４を通して行う。
図示しているように、プロコン１、解析用ＥＷＳ２およ
びインタフェース用端末４は、ＬＡＮ（Local Area Net
work）などのネットワークによって接続されており、相
互にデータの送受信が行われるように構成されている。Reference numeral 4 denotes an interface terminal with an operator, and instructions such as a parameter tuning request to be described later are made through these interface terminals 4.
As shown in the figure, the process controller 1, the analysis EWS 2, and the interface terminal 4 are connected to a LAN (Local Area Net).
work), and are configured to mutually transmit and receive data.
【００４２】図３は、図２に示したシステムにおけるデ
ータフローおよび制御フローを示す概念図である。な
お、図３において、実線の矢印はデータフローを示し、
点線の矢印は制御フローを示している。また、括弧付き
の数字は、処理が行われる順番を示している。以下、こ
の図３に基づいて本実施形態を詳しく説明する。FIG. 3 is a conceptual diagram showing a data flow and a control flow in the system shown in FIG. In FIG. 3, solid arrows indicate data flows,
The dotted arrow indicates the control flow. The numbers in parentheses indicate the order in which the processing is performed. Hereinafter, the present embodiment will be described in detail with reference to FIG.
【００４３】図３に示しているように、プロコン１は、
製造実績データ送信手段１１を備えている。この製造実
績データ送信手段１１は、１つの製品の製造が完了（例
えば熱延プロセスを例にとれば圧延完了）する毎に、そ
のときの製造指示データ（例えば、製品目標厚み）や圧
延実績データ（例えば、圧延温度、圧延荷重や材料成
分）および圧延実績データから計算で求めた値など、製
品毎の製造実績データを解析用ＥＷＳ２に送信する
（１）。As shown in FIG. 3, the process control 1
A production result data transmission unit 11 is provided. Each time the production of one product is completed (for example, rolling is completed in the case of a hot rolling process), the production result data transmission means 11 outputs production instruction data (for example, product target thickness) and rolling result data at that time. The manufacturing result data for each product, such as values (for example, rolling temperature, rolling load, and material composition) and values calculated from the rolling result data, are transmitted to the EWS 2 for analysis (1).
【００４４】解析用ＥＷＳ２では、製造実績データ受信
手段１２において、プロコン１から送信されてくる製品
毎の製造実績データを受信し、製造実績データ蓄積手段
１３に供給する（２）。製造実績データ蓄積手段１３
は、与えられる製造実績データを、鋼種（普通鋼、電磁
鋼、合金鋼など）毎および時系列に製造実績データ蓄積
ディスク（製造実績データバンク）３の所定のエリアに
格納する（３）。In the EWS 2 for analysis, the production performance data receiving means 12 receives the production performance data for each product transmitted from the process controller 1 and supplies it to the production performance data storage means 13 (2). Manufacturing result data storage means 13
Stores the given production performance data in a predetermined area of the production performance data storage disk (production performance data bank) 3 for each steel type (such as ordinary steel, electromagnetic steel, and alloy steel) and in chronological order (3).
【００４５】この製造実績データを格納するデータエリ
アとしては、例えば、製品で２０万個分の容量を持つイ
ンデックスサイクリックファイルを使用する。すなわ
ち、コイルナンバーや鋼種などをキーとして製品１個分
毎のデータ検索が可能であり、データエリアが満杯のと
きは、該当鋼種の最も古いデータから消去して格納でき
る構造のファイルである。従来、実績データを格納する
データベースはプロコン内にあり、プロコンの動作スピ
ードが速くなければならないことを考慮して記憶容量が
小さいものを使わざるを得なかったが、本実施形態の場
合は、データベースは解析用ＥＷＳ２内にあるので、大
容量のものを使用することができる。As a data area for storing the production result data, for example, an index cyclic file having a capacity of 200,000 products is used. That is, it is possible to retrieve data for each product by using the coil number, steel type, etc. as a key, and when the data area is full, it is a file having a structure capable of deleting and storing the oldest data of the corresponding steel type. Conventionally, the database for storing the performance data is in the computer, and in consideration of the fact that the operation speed of the computer must be high, a computer having a small storage capacity has to be used, but in the case of this embodiment, the database is Is located in the EWS 2 for analysis, so that a large capacity can be used.
【００４６】物理モデルのパラメータをチューニングす
る際は、まずオペレータがインタフェース用端末４を用
いてチューニング要求を行う（４）。このとき入力する
情報は、例えば以下の〜である。When tuning the parameters of the physical model, the operator first makes a tuning request using the interface terminal 4 (4). The information to be input at this time is, for example, the following.
【００４７】チューニング対象とする物理モデル（例
えば、変形抵抗モデル、ストリップ温度予測モデルな
ど） チューニング対象モデルのチューニング対象係数（例
えば、Ｙ＝ａＸ＋ｂという物理モデル式のａ，ｂ。一部
のみの指定も可能。） 係数の初期値（最小値）、刻み幅、最大値例えば、 チューニングに使用する製造実績データのインデック
ス（例えば、何日の何時から何日の何時までに製造され
た製品の実績データであるかを示す時刻指定や、コイル
ナンバー指定など）Physical model to be tuned (for example, deformation resistance model, strip temperature prediction model, etc.) Tuning target coefficients of the tuned model (for example, a and b of a physical model formula of Y = aX + b. Partial designation is also possible. Possible.) Initial value (minimum value), step size, maximum value of coefficient Index of production performance data to be used for tuning (for example, time designation indicating the date and time of a product manufactured from what time and date, and coil number designation, etc.)
【００４８】チューニング管理手段１４がこのチューニ
ング要求を受けると、対象実績データ準備手段１５に対
して使用実績データの準備指示を出す（５）。すなわ
ち、チューニング管理手段１４は、インタフェース用端
末４により上記のように指定された使用実績データの
インデックスを対象実績データ準備手段１５に渡して、
その準備完了報告を待つ。When the tuning management means 14 receives this tuning request, it issues an instruction to prepare the use result data to the target result data preparation means 15 (5). That is, the tuning management unit 14 passes the index of the use result data designated by the interface terminal 4 as described above to the target result data preparation unit 15,
Wait for its ready report.
【００４９】対象実績データ準備手段１５は、上記使用
実績データのインデックスを受け取ると、そのインデッ
クスに基づいて１製品ずつ該当データを製造実績データ
バンク３から探し出し、シミュレーション用実績データ
エリア１６に格納する（６）。そして、その格納処理が
終了したら、チューニング管理手段１４に対して準備完
了報告を行う（７）。Upon receiving the index of the use result data, the target result data preparation means 15 searches the production result data bank 3 for the corresponding data one by one based on the index, and stores the data in the simulation result data area 16 ( 6). When the storage processing is completed, a preparation completion report is made to the tuning management means 14 (7).
【００５０】このように、本実施形態によれば、データ
ベース中に格納されている全ての製造実績データの中か
ら、チューニング処理に使用するデータを任意に指定す
ることができる。これにより、例えば製造プロセスで何
らかのトラブルが続いたときに、そのトラブルが生じた
部分の実績データだけを指定して物理モデルの適否を調
べるといったように、より現実的な使い方に対応するこ
とができる。また、チューニング対象モデルやチューニ
ング対象係数も固定ではなく指定できるので、操作性を
より向上させることができる。また、後述するように、
データベース内の実績データを全て用いなくても最適な
パラメータの組が求まるので、全実績データを対象とし
なければならなかった従来と比べて処理時間が短くて済
む。As described above, according to the present embodiment, data to be used for the tuning process can be arbitrarily specified from all the production result data stored in the database. This makes it possible to cope with a more realistic usage such as, for example, when some trouble continues in the manufacturing process, specifying only the actual data of the part where the trouble has occurred and checking the suitability of the physical model. . Further, since the tuning target model and the tuning target coefficient can be specified instead of being fixed, the operability can be further improved. Also, as described below,
Since the optimum set of parameters can be obtained without using all the actual data in the database, the processing time can be shorter than in the conventional case where all the actual data must be used.
【００５１】次に、準備完了報告を受けたチューニング
管理手段１４は、インタフェース用端末４により上記
のように指定された係数ａ，ｂの組を係数テーブル１７
に書き込む（８）。最初は、係数ａ，ｂ共に初期値（ａ
＝２．０、ｂ＝１００．０）を書き込む。係数テーブル
１７への書き込みが終わったら、次にモデル計算指示を
出し（９）、係数テーブル１７内の係数値を使って、上
記で指定された対象物理モデル１８の計算を以下のよ
うに実行する。Next, upon receiving the preparation completion report, the tuning management means 14 stores the set of coefficients a and b specified by the interface terminal 4 as described above in the coefficient table 17.
(8). Initially, both the coefficients a and b have initial values (a
= 2.0, b = 100.0). When the writing to the coefficient table 17 is completed, a model calculation instruction is issued next (9), and the calculation of the target physical model 18 specified above is executed using the coefficient values in the coefficient table 17 as follows. .
【００５２】すなわち、モデル計算に必要な入力情報の
うち、製造命令項目や温度情報などについては、シミュ
レーション用実績データエリア１６内の製造実績データ
格納エリアから１製品毎に読み込み（１０）、モデル係
数については、係数テーブル１７から読み込んで（１
１）、モデル計算を実行する。そして、その計算結果を
シミュレーション用実績データエリア１６内の計算結果
格納エリアにそのとき使用したモデル係数と共に格納す
る（１２）。That is, among the input information necessary for the model calculation, the manufacturing command items and the temperature information are read from the manufacturing result data storage area in the simulation result data area 16 for each product (10), and the model coefficient is calculated. Is read from the coefficient table 17 (1
1) Execute the model calculation. Then, the calculation result is stored in the calculation result storage area in the simulation result data area 16 together with the model coefficient used at that time (12).
【００５３】１つの係数セットについてモデル計算が完
了すると、モデル誤差計算手段１９に対してモデル計算
完了報告が行われる（１３）。この報告を受けたモデル
誤差計算手段１９は、モデル計算に使用したモデル係
数、対象物理モデル１８の計算結果、およびそれと製造
命令項目が同じの実績値をシミュレーション用実績デー
タエリア１６から読み込み（１４）、下記数２のように
してモデル二乗誤差平均ＥＳを計算し、誤差蓄積エリア
２０に格納する（１５）。When the model calculation is completed for one coefficient set, a model calculation completion report is sent to the model error calculating means 19 (13). Upon receiving this report, the model error calculation means 19 reads from the simulation result data area 16 the model coefficient used for the model calculation, the calculation result of the target physical model 18, and the actual value having the same manufacturing instruction item as the model coefficient (14). Then, the model squared error average ES is calculated as shown in the following Expression 2 and stored in the error accumulation area 20 (15).
【００５４】[0054]
【数２】 (Equation 2)
【００５５】このようにして１つの係数セットについて
モデル誤差の計算が終了したら、モデル誤差計算手段１
９は、チューニング管理手段１４に対して誤差計算完了
報告を行う（１６）。これに対応してチューニング管理
手段１４は、チューニング対象係数の全ての組み合わせ
による計算が完了したかどうかを判断し、未完了であれ
ば、再び（８）の処理に戻る。When the calculation of the model error is completed for one coefficient set in this way, the model error calculating means 1
9 reports an error calculation completion to the tuning management means 14 (16). In response to this, the tuning management unit 14 determines whether or not the calculation has been completed for all combinations of the tuning target coefficients. If the calculation has not been completed, the process returns to (8).
【００５６】これにより、上述した（８）〜（１６）の
処理をチューニング対象係数の組み合わせを以下のよう
に変えながら繰り返し行う。 ａ＝２．０ ｂ＝１００．０ （１回目） ａ＝２．０ ｂ＝１２０．０ （２回目） ａ＝２．０ ｂ＝１４０．０ （３回目） … … … ａ＝２．０ ｂ＝２０００．０ （９６回目） ａ＝２．１ ｂ＝１００．０ （９７回目） ａ＝２．１ ｂ＝１２０．０ （９８回目） … … … ａ＝３．５ ｂ＝２０００．０ （１４４０回目）Thus, the above-mentioned processes (8) to (16) are repeatedly performed while changing the combination of the tuning target coefficients as follows. a = 2.0 b = 100.0 (first time) a = 2.0 b = 120.0 (second time) a = 2.0 b = 140.0 (third time) ... a = 2.0 b = 2000.0 (the 96th time) a = 2.1 b = 100.0 (the 97th time) a = 2.1 b = 120.0 (the 98th time) ... a = 3.5 b = 2000.0 (1440 times)
【００５７】以上のようなモデル誤差の計算を、上記
のように指定された全ての製品について実行する。この
ような繰り返し処理の過程で、モデル誤差計算手段１９
は、誤差蓄積エリア２０にモデル二乗誤差平均を格納す
る際に、同じ係数セットについて求められた二乗誤差平
均については値を累算して格納していく。したがって、
チューニング処理に使用する製品がｋ個目のとき、モデ
ル二乗誤差平均は以下のようになっている。The calculation of the model error as described above is executed for all the products specified as described above. In the course of such repetitive processing, the model error calculating means 19
When storing the model square error average in the error accumulation area 20, the values of the square error average obtained for the same coefficient set are accumulated and stored. Therefore,
When the number of products used for the tuning process is the k-th, the average of the model square errors is as follows.
【００５８】[0058]
【表１】 [Table 1]
【００５９】指定された全ての製品についてチューニン
グ対象係数の全ての組み合わせによる計算が完了した場
合には、チューニング管理手段１４は、モデル係数同定
手段２１に対して係数同定指示を出す（１７）。この指
示を受けたモデル係数同定手段２１は、誤差蓄積エリア
２０から、各係数セットごとに累算されたモデル二乗誤
差平均の最小値を探し出して（１８）、それに対応する
モデル係数の組み合わせを抽出する。そして、その抽出
したモデル係数の組み合わせを同定値として新モデル係
数テーブル２２に格納する（１９）。また、その結果を
ＣＲＴへ表示する（２０）。When the calculation is completed for all combinations of the coefficients to be tuned for all the specified products, the tuning management means 14 issues a coefficient identification instruction to the model coefficient identification means 21 (17). Upon receiving this instruction, the model coefficient identification unit 21 searches the error accumulation area 20 for the minimum value of the average of the model square errors accumulated for each coefficient set (18), and extracts a combination of the corresponding model coefficients. I do. Then, the combination of the extracted model coefficients is stored in the new model coefficient table 22 as an identification value (19). The result is displayed on the CRT (20).
【００６０】新モデル係数テーブル２２に格納されたモ
デル係数の組み合わせは、同じ装置内にある物理モデル
１８に自動的に反映されるようになる。また、上述した
ように、製造実績データの収集も製造実績データ送信手
段１１、製造実績データ受信手段１２および製造実績デ
ータ蓄積手段１３により自動的に行われ、チューニング
処理に使用する実績データ等の取り込みは、所望のデー
タを指定するだけで自動的に行われるので、人手による
作業を格段に少なくすることができる。The combination of the model coefficients stored in the new model coefficient table 22 is automatically reflected on the physical model 18 in the same device. Further, as described above, the production result data is automatically collected by the production result data transmitting means 11, the production result data receiving means 12, and the production result data accumulating means 13, and the acquisition of the result data used for the tuning process is performed. Is automatically performed only by designating desired data, so that manual work can be significantly reduced.
【００６１】また、本実施形態では、以上詳しく説明し
たように、物理モデルの各パラメータとして採りうる範
囲をあらかじめ指定してその範囲内でのみ処理を行って
いるので、物理モデルに対して現実的に適用不可能な値
が最適なパラメータとして選ばれることがなくなる。し
かも、指定された範囲内で各パラメータの値をしらみ潰
しに変えて計算するという直接的な手法を用いているの
で、常に最適なパラメータを設定することが可能とな
る。また、図５のような学習制御でもないので、本装置
の導入当初から信頼性のある最適パラメータを得ること
ができる。Further, in this embodiment, as described in detail above, a range that can be taken as each parameter of the physical model is specified in advance, and processing is performed only within that range. Is not selected as an optimal parameter. In addition, since a direct method is used in which the value of each parameter is changed into a specified value within the specified range and the calculation is performed, it is possible to always set an optimum parameter. In addition, since the learning control is not the one shown in FIG. 5, reliable optimum parameters can be obtained from the beginning of the introduction of the present apparatus.
【００６２】[0062]
【発明の効果】本発明は上述したように、実績データが
格納されたデータベースの中からチューニング処理に使
用する製品の実績データを指定し、最適化対象となる物
理モデルの各パラメータとして採りうる範囲内で各パラ
メータの組を逐次変更して物理モデル計算を実行し、一
製品毎の計算結果と対応する実績データとから各パラメ
ータの組ごとに求めたモデル二乗誤差平均の累算値が最
小となるパラメータの組を上記物理モデルの最適パラメ
ータとして設定するようにしたので、物理モデルに対し
て適用不可能な値が最適なパラメータとして選ばれるこ
とがなくなるとともに、指定された範囲内で各パラメー
タの値をしらみ潰しに変えて計算するという直接的な手
法を用いることで常に最適なパラメータを設定すること
が可能となる。また、この処理の際にデータベース内の
実績データを全て用いなくても良いので、処理時間を短
くすることもできる。さらに、チューニング処理に使用
する実績データを取り込む処理や、求めた最適なパラメ
ータの組を物理モデルに適用する処理が非常に簡単にで
きるようになる。よって、人手による作業を減らして物
理モデルパラメータの最適化が簡単に行えるようになる
とともに、真に最適なパラメータを短時間のうちに確実
に設定できるようになる。As described above, according to the present invention, the actual data of the product used for the tuning process is specified from the database in which the actual data is stored, and the range which can be taken as each parameter of the physical model to be optimized. Within each parameter set, the physical model calculation is performed by sequentially changing the parameters, and the accumulated value of the model squared error average obtained for each parameter set from the calculation result for each product and the corresponding actual data is the minimum. Is set as the optimal parameter of the physical model, so that a value that cannot be applied to the physical model is not selected as the optimal parameter, and the value of each parameter is set within the specified range. It is possible to always set the optimal parameters by using a direct method of changing the value into a squeezed value and calculating. In addition, since it is not necessary to use all the actual data in the database at the time of this processing, the processing time can be shortened. Further, the process of taking in the actual data used for the tuning process and the process of applying the obtained optimal parameter set to the physical model can be performed very easily. Therefore, the optimization of the physical model parameters can be easily performed by reducing the number of manual operations, and the truly optimum parameters can be surely set in a short time.
【図面の簡単な説明】[Brief description of the drawings]
【図１】本実施形態による物理モデルパラメータのチュ
ーニング方法の処理手順の大まかな流れを示すフローチ
ャートである。FIG. 1 is a flowchart illustrating a rough flow of a processing procedure of a physical model parameter tuning method according to the present embodiment.
【図２】本発明による物理モデルパラメータのチューニ
ング装置を利用したシステムの構成例を示す図である。FIG. 2 is a diagram illustrating a configuration example of a system using a physical model parameter tuning device according to the present invention.
【図３】図２に示したシステムにおけるデータフローお
よび制御フローを示す概念図である。FIG. 3 is a conceptual diagram showing a data flow and a control flow in the system shown in FIG.
【図４】従来の物理モデルパラメータのチューニング方
法の一例（オフラインによる方法）を説明するための図
である。FIG. 4 is a diagram for explaining an example of a conventional physical model parameter tuning method (off-line method).
【図５】従来の物理モデルパラメータのチューニング方
法の他の例（オンラインによる方法）を説明するための
図である。FIG. 5 is a diagram for explaining another example (on-line method) of a conventional method of tuning physical model parameters.
１ プロセス制御用コンピュータ（プロコン） ２ 解析用ＥＷＳ ３ 製造実績データ蓄積ディスク（製造実績データバン
ク） ４ インタフェース用端末 １１ 製造実績データ送信手段 １２ 製造実績データ受信手段 １３ 製造実績データ蓄積手段 １４ チューニング管理手段 １５ 対象実績データ準備手段 １６ シミュレーション用実績データエリア １７ 係数テーブル １８ 対象物理モデル １９ モデル誤差計算手段 ２０ 誤差蓄積エリア ２１ モデル係数同定手段 ２２ 新モデル係数テーブルDESCRIPTION OF SYMBOLS 1 Process control computer (Procon) 2 Analysis EWS 3 Manufacturing result data storage disk (manufacturing result data bank) 4 Interface terminal 11 Manufacturing result data transmitting means 12 Manufacturing result data receiving means 13 Manufacturing result data storing means 14 Tuning management means 15 target actual data preparation means 16 actual result data area for simulation 17 coefficient table 18 target physical model 19 model error calculation means 20 error accumulation area 21 model coefficient identification means 22 new model coefficient table
Claims (5)
モデルが上記現実の処理プロセスに近づくように、上記
物理モデルのパラメータを最適化する物理モデルパラメ
ータのチューニング方法において、 上記処理プロセスにおける実績データを一製品毎に複数
格納して成るデータベースの中からチューニング処理に
使用する製品の実績データを取り込み、最適化対象とな
る物理モデルの各パラメータとして採りうる最小値から
最大値までを所定の刻み幅で逐次変更して上記物理モデ
ルを計算する処理を、一製品毎に、取り込んだ全ての製
品について実行し、一製品毎の計算結果とそれに対応す
る実績データとからモデル二乗誤差平均の累算値を各パ
ラメータの組ごとに求め、その累算値が最小となるパラ
メータの組を上記物理モデルの最適パラメータとして設
定するようにしたことを特徴とする物理モデルパラメー
タのチューニング方法。1. A physical model parameter tuning method for optimizing physical model parameters such that a physical model representing a real processing process by a mathematical formula approaches the real processing process. The actual data of the products used for the tuning process is fetched from a database that stores multiple products for each product, and the minimum and maximum values that can be taken as the parameters of the physical model to be optimized are set in a predetermined step size. The process of calculating the physical model by sequentially changing the above is performed for each product, for all the products taken in, and the accumulated value of the model square error average is calculated from the calculation result for each product and the corresponding actual data. Is determined for each parameter set, and the parameter set that minimizes the accumulated value is determined as the optimal parameter of the physical model. The method of tuning a physical model parameters, characterized in that it has set as the meter.
処理に使用する製品として取り込む実績データをユーザ
が指定可能なように成されたことを特徴とする請求項１
に記載の物理モデルパラメータのチューニング方法。2. The system according to claim 1, wherein the result data taken from the database as a product used in the tuning process can be specified by a user.
Tuning method of physical model parameters described in.
モデルが上記現実の処理プロセスに近づくように、上記
物理モデルのパラメータを最適化する物理モデルパラメ
ータのチューニング装置において、 上記処理プロセスにおける実績データを一製品毎に複数
格納するようにしてデータベースを構築するデータベー
ス構築手段と、 上記データベースの中からチューニング処理に使用する
製品の実績データを指定するとともに、最適化対象とな
る物理モデルの各パラメータとして採りうる最小値と最
大値および所定の刻み幅を指定してチューニング要求を
行うチューニング要求手段と、 上記チューニング要求手段により指定された各パラメー
タの最小値から最大値までを所定の刻み幅で逐次変更し
て上記物理モデルを計算するという処理を、一製品毎
に、指定された全ての製品について実行する物理モデル
実行手段と、 上記物理モデル実行手段における一製品毎の計算結果と
それに対応する実績データとからモデル二乗誤差平均の
累算値を各パラメータの組ごとに求め、その求めた累積
二乗誤差平均値を各パラメータの組と共にメモリに記憶
させるモデル誤差計算手段と、 上記メモリに記憶された各パラメータの組ごとの累積二
乗誤差平均のうち、値が最小となるパラメータの組を上
記物理モデルの最適パラメータとして設定するパラメー
タ同定手段とを備えたことを特徴とする物理モデルパラ
メータのチューニング装置。3. A physical model parameter tuning apparatus for optimizing the parameters of the physical model so that a physical model representing a real processing process by a mathematical formula approaches the real processing process. And a database construction means for constructing a database by storing a plurality of products for each product, and designating actual data of products used for the tuning process from among the above databases, and as parameters of a physical model to be optimized. A tuning request means for requesting a tuning by designating a minimum value and a maximum value which can be taken and a predetermined step size; and sequentially changing a minimum value to a maximum value of each parameter specified by the tuning request means at a predetermined step size. To calculate the physical model For each product, a physical model executing means for executing all designated products, and a calculation result of a model squared error average from each of the calculation results for each product in the physical model executing means and the corresponding actual data, for each parameter. And a model error calculating means for storing the obtained cumulative mean square error value in a memory together with each set of parameters, and a value of the cumulative mean square error for each set of parameters stored in the memory. A parameter identification unit for setting a set of parameters that minimizes the parameter as an optimal parameter of the physical model.
ーニング対象とする物理モデルおよびそれに使用する各
パラメータのうち任意のパラメータを指定可能なように
構成されることを特徴とする請求項３に記載の物理モデ
ルパラメータのチューニング装置。4. The physical device according to claim 3, wherein the tuning request means is further configured to be able to designate an arbitrary parameter among a physical model to be tuned and each parameter used for the physical model. Model parameter tuning device.
プロセスの実操業を制御するプロセスコンピュータから
製品の実績データを一製品毎に逐次取り込んで上記デー
タベースを構築することを特徴とする請求項３または４
に記載の物理モデルパラメータのチューニング装置。5. The database construction means according to claim 3, wherein said database construction means fetches the actual data of the products for each product one by one from a process computer for controlling the actual operation of the processing process, and constructs the database.
A tuning device for a physical model parameter according to item 1.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP32352396A JPH10149203A (en) | 1996-11-19 | 1996-11-19 | Method and device for tuning physical model parameter |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP32352396A JPH10149203A (en) | 1996-11-19 | 1996-11-19 | Method and device for tuning physical model parameter |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH10149203A true JPH10149203A (en) | 1998-06-02 |
Family
ID=18155650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP32352396A Pending JPH10149203A (en) | 1996-11-19 | 1996-11-19 | Method and device for tuning physical model parameter |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH10149203A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008040660A (en) * | 2006-08-03 | 2008-02-21 | Toyota Motor Corp | Model creation method and adaptation method |
| WO2013030860A1 (en) * | 2011-08-26 | 2013-03-07 | 株式会社日立製作所 | Predictive sequential calculation device |
| CN103105778A (en) * | 2013-02-05 | 2013-05-15 | 中原工学院 | Estimation method for industrial process simulation mathematical model parameters |
-
1996
- 1996-11-19 JP JP32352396A patent/JPH10149203A/en active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008040660A (en) * | 2006-08-03 | 2008-02-21 | Toyota Motor Corp | Model creation method and adaptation method |
| JP4539619B2 (en) * | 2006-08-03 | 2010-09-08 | トヨタ自動車株式会社 | Model creation method and fitting method |
| WO2013030860A1 (en) * | 2011-08-26 | 2013-03-07 | 株式会社日立製作所 | Predictive sequential calculation device |
| JPWO2013030860A1 (en) * | 2011-08-26 | 2015-03-23 | 株式会社日立製作所 | Predictive sequential computer |
| US9483306B2 (en) | 2011-08-26 | 2016-11-01 | Hitachi, Ltd. | Predictive sequential calculation device |
| CN103105778A (en) * | 2013-02-05 | 2013-05-15 | 中原工学院 | Estimation method for industrial process simulation mathematical model parameters |
| CN103105778B (en) * | 2013-02-05 | 2015-07-15 | 中原工学院 | Estimation method for industrial process simulation mathematical model parameters |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6061640A (en) | Method of and apparatus for extracting abnormal factors in a processing operation | |
| US6243696B1 (en) | Automated method for building a model | |
| JPH09244705A (en) | Device and method for supporting control model constitution | |
| WO2002052365A2 (en) | Model predictive control (mpc) system using doe based model | |
| US20080288091A1 (en) | Control parameters for searching | |
| DE102019001783A1 (en) | CONTROL, MACHINE LEARNING DEVICE AND SYSTEM | |
| US6856848B2 (en) | Method and apparatus for controlling progress of product processing | |
| CN117787507B (en) | Full chain optimizing method and device for tape rolling process | |
| KR101409545B1 (en) | Data retrieval system | |
| JP2005519394A (en) | Automatic experiment planning method and system | |
| JPH10149203A (en) | Method and device for tuning physical model parameter | |
| CN116305885A (en) | Method, device and storage medium for predicting or controlling iron loss of silicon steel | |
| CN115511398A (en) | Welding quality intelligent detection method and system based on time sensitive network | |
| JPH10198402A (en) | Method and device for identifying initial value of learning parameter | |
| JPH05334430A (en) | Automatic vectorizing device | |
| JPH06332506A (en) | Nonlinear controller | |
| JPH08137508A (en) | Modeling device and controller | |
| JP6684777B2 (en) | Good product / defective determination system and good product / defective determination method | |
| JP2002236119A (en) | Material estimating device for steel product | |
| JP3752593B2 (en) | Process control apparatus and process control information management method | |
| Teng et al. | Exploration with multi-sample target values for distributional reinforcement learning | |
| JP2002241847A (en) | Device for controlling quality of steel product | |
| CN113110306B (en) | Machine table and operation method thereof | |
| WO2021234903A1 (en) | Information processing device, work plan specifying method, and work plan specifying program | |
| JP3377396B2 (en) | Control device for material testing machine |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20020326 |