JP6922675B2 - 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム - Google Patents
製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム Download PDFInfo
- Publication number
- JP6922675B2 JP6922675B2 JP2017216618A JP2017216618A JP6922675B2 JP 6922675 B2 JP6922675 B2 JP 6922675B2 JP 2017216618 A JP2017216618 A JP 2017216618A JP 2017216618 A JP2017216618 A JP 2017216618A JP 6922675 B2 JP6922675 B2 JP 6922675B2
- Authority
- JP
- Japan
- Prior art keywords
- predicted
- value
- product
- learning
- objective variable
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Control Of Metal Rolling (AREA)
- General Factory Administration (AREA)
Description
本発明は、製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システムに関する。
製品を製造する製造プロセスにおいて、予測対象製品の製造条件を入力として、製造プロセスにおける所定の状態を表わす値を目的変数として予測し、また、製造条件の実績値と目的変数の実績値とを用いて機械学習を行う手法が用いられている。
例えば鋼板の熱間圧延の冷却では、伝熱理論に基づくモデルで鋼板温度を計算し、冷却装置出側の温度（冷却停止温度）が所望の値となるように操作量である冷却水量や搬送速度を設定する。しかしながら、鋼種毎の表面性状に起因する熱伝達率の違い等、モデルで表現しきれない部分があり、誤差が生じることがある。これらの誤差を実績から経験的に予測し、補償するのに機械学習が用いられている。
また、熱延鋼板の熱間圧延での幅制御では、製品幅が所望の値になるように操作量である粗圧延機出側の幅（粗出側幅）狙い値を設定する。ただし、その後の仕上げ圧延では、圧延機間の張力や熱収縮に起因する「幅縮み」が起きる。所望の製品幅となる粗出側幅を得るためには、この幅縮み量を予測する必要があるが、鋼種や張力と幅縮み量の関係を表わした一般的なモデルはいまだに確立していない。そこで、幅縮み量を実績から経験的に予測し、製品幅に反映させるのに機械学習が用いられている。
例えば鋼板の熱間圧延の冷却では、伝熱理論に基づくモデルで鋼板温度を計算し、冷却装置出側の温度（冷却停止温度）が所望の値となるように操作量である冷却水量や搬送速度を設定する。しかしながら、鋼種毎の表面性状に起因する熱伝達率の違い等、モデルで表現しきれない部分があり、誤差が生じることがある。これらの誤差を実績から経験的に予測し、補償するのに機械学習が用いられている。
また、熱延鋼板の熱間圧延での幅制御では、製品幅が所望の値になるように操作量である粗圧延機出側の幅（粗出側幅）狙い値を設定する。ただし、その後の仕上げ圧延では、圧延機間の張力や熱収縮に起因する「幅縮み」が起きる。所望の製品幅となる粗出側幅を得るためには、この幅縮み量を予測する必要があるが、鋼種や張力と幅縮み量の関係を表わした一般的なモデルはいまだに確立していない。そこで、幅縮み量を実績から経験的に予測し、製品幅に反映させるのに機械学習が用いられている。
機械学習の方式として、例えば特許文献１にあるように、層別学習が知られている。層別学習では、製造条件（例えば鋼板のサイズ、成分、温度等）によって区分された層別テーブルに値を保存しておく。そして、予測対象材が該当する区分の値を目的変数の予測値として出力し、また、実圧延を行った製品が該当する区分の値を目的変数の実績値で指数平滑処理により更新する。
しかしながら、層別学習では下記のような問題があり、予測精度には限界がある。
・層別が粗すぎると、目的変数の傾向の異なる製品を同じ区分で学習することになり、予測精度が上がらない。
・層別が細かすぎると、１区分に入ってくる実績が少なくなり、学習が進まず、予測精度が上がらない。
・考慮する製造条件数を増やすと、層別が細かくなりすぎ学習が進まないため、考慮可能な製造条件数は高々４条件程度である。そのため、他にも目的変数の変動の要因となりそうな製造条件があっても考慮できず、予測精度が上がらない。
・同一区分内では製造条件によらず目的変数は一値として扱うため、製造条件と目的変数間の関係性を表現できず、予測精度が上がらない。
しかしながら、層別学習では下記のような問題があり、予測精度には限界がある。
・層別が粗すぎると、目的変数の傾向の異なる製品を同じ区分で学習することになり、予測精度が上がらない。
・層別が細かすぎると、１区分に入ってくる実績が少なくなり、学習が進まず、予測精度が上がらない。
・考慮する製造条件数を増やすと、層別が細かくなりすぎ学習が進まないため、考慮可能な製造条件数は高々４条件程度である。そのため、他にも目的変数の変動の要因となりそうな製造条件があっても考慮できず、予測精度が上がらない。
・同一区分内では製造条件によらず目的変数は一値として扱うため、製造条件と目的変数間の関係性を表現できず、予測精度が上がらない。
そこで、近年の計算機能力向上を背景として、入力値又は入力値から抽出される特徴量と学習対象の値との関係を解析する学習法（本願においては知能的機械学習法と呼ぶ）の適用が提案されている。
知能的機械学習法に関する技術として、特許文献２には、厚鋼板の冷却停止時における温度制御の精度を向上させるため、過去の操業実績をデータベースに保存しておき、次回以降の冷却制御を行う前に、圧延実績や冷却条件等の製造条件が当該厚鋼板と類似した実績データを抽出し、抽出した過去データから、当該厚鋼板の冷却停止温度予測モデルに係る誤差や熱伝達係数補正量を推定し、この誤差や熱伝達係数補正量と温度予測モデルとを組み合わせて、冷却ゾーンの水冷装置の水量や鋼板搬送速度の決定を行う手法が開示されており、所謂Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法を適用することが提案されている。また、特許文献３には、圧延機の設定計算における学習制御において、材料特有のモデル誤差を、ニューラルネットで求める手法が開示されている。
知能的機械学習法に関する技術として、特許文献２には、厚鋼板の冷却停止時における温度制御の精度を向上させるため、過去の操業実績をデータベースに保存しておき、次回以降の冷却制御を行う前に、圧延実績や冷却条件等の製造条件が当該厚鋼板と類似した実績データを抽出し、抽出した過去データから、当該厚鋼板の冷却停止温度予測モデルに係る誤差や熱伝達係数補正量を推定し、この誤差や熱伝達係数補正量と温度予測モデルとを組み合わせて、冷却ゾーンの水冷装置の水量や鋼板搬送速度の決定を行う手法が開示されており、所謂Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法を適用することが提案されている。また、特許文献３には、圧延機の設定計算における学習制御において、材料特有のモデル誤差を、ニューラルネットで求める手法が開示されている。
しかしながら、Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法やニューラルネットワークを用いた学習法を適用しても、目的変数を精度良く予測することができず、誤差が残ることがある。
この誤差の原因として、例えば圧延であれば、ロールの摩耗や熱膨張、設備の経時劣化等、定量値が得られず、製造条件として入力できない因子の存在が挙げられる。
ここで、ロールの摩耗や設備の経時劣化等の因子は、ある製品の製造時点とその次の製品の製造時点の間で急激に進行するとは考えられず、ロール研磨や交換、設備補修等がない限り、時間方向で連続性（時間的連続性）があるといえる。
本願では、これらの時間的連続性があり、誤差の原因となる因子を、時間的連続性がある誤差因子とする。そして、時間的連続性がある誤差因子による目的変数への影響代を時間変動成分とする。
この誤差の原因として、例えば圧延であれば、ロールの摩耗や熱膨張、設備の経時劣化等、定量値が得られず、製造条件として入力できない因子の存在が挙げられる。
ここで、ロールの摩耗や設備の経時劣化等の因子は、ある製品の製造時点とその次の製品の製造時点の間で急激に進行するとは考えられず、ロール研磨や交換、設備補修等がない限り、時間方向で連続性（時間的連続性）があるといえる。
本願では、これらの時間的連続性があり、誤差の原因となる因子を、時間的連続性がある誤差因子とする。そして、時間的連続性がある誤差因子による目的変数への影響代を時間変動成分とする。
特許文献３には、過去の同一仕様の圧延材または同種仕様の圧延材のモデル誤差の実績から、前記同一仕様の圧延材または同種仕様の圧延材に特有のモデルの誤差を推定し、数式モデル計算値に修正を加える長期学習制御と、圧延機の温度変化や摩耗などの圧延状態の短期的変化に伴い生ずるモデル誤差を、至近の圧延材のモデル誤差の実績から推定し、モデル計算値に修正を加える短期学習制御とを、圧延モデルに反映させる圧延機制御方法において、前記長期学習制御をニューラルネットワークを用いて行い、前記短期学習制御を指数平滑処理で行うことが開示されている。
しかしながら、特許文献３では、ニューラルネットワークをメインとして目的変数そのものを学習し、指数平滑学習は補助的な役割として、ニューラルネットワーク学習による予測値の目的変数の実績値からの誤差を学習し、補正する方式を採っている。この方式では、長期学習制御におけるニューラルネットワークの学習対象に時間変動成分が含まれるため、短期学習制御と相まって時間変動成分を二重に学習するかたちになり、目的変数の予測精度向上の阻害要因となる。
本発明は上記のような点に鑑みてなされたものであり、製造プロセスにおける所定の状態を表わす値の予測精度を向上させることを目的とする。
上記の課題を解決するための本発明の要旨は、以下のとおりである。
［１］ 製品を製造する製造プロセスを対象にして、
予測対象製品の製造条件を入力として、前記製造プロセスにおける所定の状態を表わす値を目的変数として予測し、
製造条件の実績値と目的変数の実績値とを用いて学習を行う製造プロセスの状態予測装置であって、
予測対象製品の製造条件を入力として、製造条件に起因する目的変数への影響代の予測値である第１の予測値を出力する第１の予測手段と、
時間的連続性がある誤差因子の目的変数への影響代の予測値である第２の予測値を出力する第２の予測手段と、
前記第１の予測手段が出力した第１の予測値と前記第２の予測手段が出力した第２の予測値との和又は積を、目的変数の予測値として出力する演算手段とを備え、
前記第１の予測手段は、過去に製品を製造した際の目的変数の実績値と前記第２の予測手段が出力した第２の予測値との差又は比を第１の実績値とし、過去に製品を製造した際の製造条件の実績値と第１の実績値との関係を解析し、前記解析した関係を予測対象製品の第１の予測値出力に反映する機能を有する第１の学習法により学習し、
前記第２の予測手段は、過去に製品を製造した際の目的変数の実績値と前記第１の予測手段が出力した第１の予測値との差又は比を第２の実績値とし、時間的に新しい第２の実績値を優先的に予測対象製品の第２の予測値出力に反映する機能を有する第２の学習法により学習することを特徴とする製造プロセスの状態予測装置。
［２］ 前記第１の学習法は、Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法又はニューラルネットワークを用いた学習法であることを特徴とする［１］に記載の製造プロセスの状態予測装置。
［３］ 前記第２の学習法は、指数平滑学習法又は移動平均学習法であることを特徴とする［１］又は［２］に記載の製造プロセスの状態予測装置。
［４］ 熱延鋼板を製造する熱間圧延プロセスを対象にして、
予測対象製品となる熱延鋼板の製造条件である圧延条件を入力として、粗圧延した後に仕上げ圧延で当該熱延鋼板に生じる幅縮み量を目的変数として予測することを特徴とする［１］乃至［３］のいずれか一つに記載の製造プロセスの状態予測装置。
［５］ ［１］乃至［４］のいずれか一つに記載の製造プロセスの状態予測装置と、
予測対象製品の製造条件と、前記製造プロセスの状態予測装置が出力した目的変数の予測値とに基づいて、前記製造プロセスにおける所定の設定値を設定する設定計算手段とを備えたことを特徴とする製造プロセスの制御システム。
［６］ 製品を製造する製造プロセスを対象にして、
予測対象製品の製造条件を入力として、前記製造プロセスにおける所定の状態を表わす値を目的変数として予測し、
製造条件の実績値と目的変数の実績値とを用いて学習を行う製造プロセスの状態予測方法であって、
第１の予測手段が、予測対象製品の製造条件を入力として、製造条件に起因する目的変数への影響代の予測値である第１の予測値を出力するステップと、
第２の予測手段が、時間的連続性がある誤差因子の目的変数への影響代の予測値である第２の予測値を出力するステップと、
演算手段が、前記第１の予測手段が出力した第１の予測値と前記第２の予測手段が出力した第２の予測値との和又は積を、目的変数の予測値として出力するステップとを有し、
さらに、
前記第１の予測手段が、過去に製品を製造した際の目的変数の実績値と前記第２の予測手段が出力した第２の予測値との差又は比を第１の実績値とし、過去に製品を製造した際の製造条件の実績値と第１の実績値との関係を解析し、前記解析した関係を予測対象製品の第１の予測値出力に反映する機能を有する第１の学習法により学習するステップと、
前記第２の予測手段が、過去に製品を製造した際の目的変数の実績値と前記第１の予測手段が出力した第１の予測値との差又は比を第２の実績値とし、時間的に新しい第２の実績値を優先的に予測対象製品の第２の予測値出力に反映する機能を有する第２の学習法により学習するステップとを有することを特徴とする製造プロセスの状態予測方法。
［７］ 前記第１の学習法は、Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法又はニューラルネットワークを用いた学習法であることを特徴とする［６］に記載の製造プロセスの状態予測方法。
［８］ 前記第２の学習法は、指数平滑学習法又は移動平均学習法であることを特徴とする［６］又は［７］に記載の製造プロセスの状態予測方法。
［９］ 製品を製造する製造プロセスを対象にして、
予測対象製品の製造条件を入力として、前記製造プロセスにおける所定の状態を表わす値を目的変数として予測し、
製造条件の実績値と目的変数の実績値とを用いて学習を行うためのプログラムであって、
予測対象製品の製造条件を入力として、製造条件に起因する目的変数への影響代の予測値である第１の予測値を出力する第１の予測手段と、
時間的連続性がある誤差因子の目的変数への影響代の予測値である第２の予測値を出力する第２の予測手段と、
前記第１の予測手段が出力した第１の予測値と前記第２の予測手段が出力した第２の予測値との和又は積を、目的変数の予測値として出力する演算手段としてコンピュータを機能させ、
前記第１の予測手段は、過去に製品を製造した際の目的変数の実績値と前記第２の予測手段が出力した第２の予測値との差又は比を第１の実績値とし、過去に製品を製造した際の製造条件の実績値と第１の実績値との関係を解析し、前記解析した関係を予測対象製品の第１の予測値出力に反映する機能を有する第１の学習法により学習し、
前記第２の予測手段は、過去に製品を製造した際の目的変数の実績値と前記第１の予測手段が出力した第１の予測値との差又は比を第２の実績値とし、時間的に新しい第２の実績値を優先的に予測対象製品の第２の予測値出力に反映する機能を有する第２の学習法により学習することを特徴とするプログラム。
［１０］ 前記第１の学習法は、Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法又はニューラルネットワークを用いた学習法であることを特徴とする［９］に記載のプログラム。
［１１］ 前記第２の学習法は、指数平滑学習法又は移動平均学習法であることを特徴とする［９］又は［１０］に記載のプログラム。
［１］ 製品を製造する製造プロセスを対象にして、
予測対象製品の製造条件を入力として、前記製造プロセスにおける所定の状態を表わす値を目的変数として予測し、
製造条件の実績値と目的変数の実績値とを用いて学習を行う製造プロセスの状態予測装置であって、
予測対象製品の製造条件を入力として、製造条件に起因する目的変数への影響代の予測値である第１の予測値を出力する第１の予測手段と、
時間的連続性がある誤差因子の目的変数への影響代の予測値である第２の予測値を出力する第２の予測手段と、
前記第１の予測手段が出力した第１の予測値と前記第２の予測手段が出力した第２の予測値との和又は積を、目的変数の予測値として出力する演算手段とを備え、
前記第１の予測手段は、過去に製品を製造した際の目的変数の実績値と前記第２の予測手段が出力した第２の予測値との差又は比を第１の実績値とし、過去に製品を製造した際の製造条件の実績値と第１の実績値との関係を解析し、前記解析した関係を予測対象製品の第１の予測値出力に反映する機能を有する第１の学習法により学習し、
前記第２の予測手段は、過去に製品を製造した際の目的変数の実績値と前記第１の予測手段が出力した第１の予測値との差又は比を第２の実績値とし、時間的に新しい第２の実績値を優先的に予測対象製品の第２の予測値出力に反映する機能を有する第２の学習法により学習することを特徴とする製造プロセスの状態予測装置。
［２］ 前記第１の学習法は、Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法又はニューラルネットワークを用いた学習法であることを特徴とする［１］に記載の製造プロセスの状態予測装置。
［３］ 前記第２の学習法は、指数平滑学習法又は移動平均学習法であることを特徴とする［１］又は［２］に記載の製造プロセスの状態予測装置。
［４］ 熱延鋼板を製造する熱間圧延プロセスを対象にして、
予測対象製品となる熱延鋼板の製造条件である圧延条件を入力として、粗圧延した後に仕上げ圧延で当該熱延鋼板に生じる幅縮み量を目的変数として予測することを特徴とする［１］乃至［３］のいずれか一つに記載の製造プロセスの状態予測装置。
［５］ ［１］乃至［４］のいずれか一つに記載の製造プロセスの状態予測装置と、
予測対象製品の製造条件と、前記製造プロセスの状態予測装置が出力した目的変数の予測値とに基づいて、前記製造プロセスにおける所定の設定値を設定する設定計算手段とを備えたことを特徴とする製造プロセスの制御システム。
［６］ 製品を製造する製造プロセスを対象にして、
予測対象製品の製造条件を入力として、前記製造プロセスにおける所定の状態を表わす値を目的変数として予測し、
製造条件の実績値と目的変数の実績値とを用いて学習を行う製造プロセスの状態予測方法であって、
第１の予測手段が、予測対象製品の製造条件を入力として、製造条件に起因する目的変数への影響代の予測値である第１の予測値を出力するステップと、
第２の予測手段が、時間的連続性がある誤差因子の目的変数への影響代の予測値である第２の予測値を出力するステップと、
演算手段が、前記第１の予測手段が出力した第１の予測値と前記第２の予測手段が出力した第２の予測値との和又は積を、目的変数の予測値として出力するステップとを有し、
さらに、
前記第１の予測手段が、過去に製品を製造した際の目的変数の実績値と前記第２の予測手段が出力した第２の予測値との差又は比を第１の実績値とし、過去に製品を製造した際の製造条件の実績値と第１の実績値との関係を解析し、前記解析した関係を予測対象製品の第１の予測値出力に反映する機能を有する第１の学習法により学習するステップと、
前記第２の予測手段が、過去に製品を製造した際の目的変数の実績値と前記第１の予測手段が出力した第１の予測値との差又は比を第２の実績値とし、時間的に新しい第２の実績値を優先的に予測対象製品の第２の予測値出力に反映する機能を有する第２の学習法により学習するステップとを有することを特徴とする製造プロセスの状態予測方法。
［７］ 前記第１の学習法は、Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法又はニューラルネットワークを用いた学習法であることを特徴とする［６］に記載の製造プロセスの状態予測方法。
［８］ 前記第２の学習法は、指数平滑学習法又は移動平均学習法であることを特徴とする［６］又は［７］に記載の製造プロセスの状態予測方法。
［９］ 製品を製造する製造プロセスを対象にして、
予測対象製品の製造条件を入力として、前記製造プロセスにおける所定の状態を表わす値を目的変数として予測し、
製造条件の実績値と目的変数の実績値とを用いて学習を行うためのプログラムであって、
予測対象製品の製造条件を入力として、製造条件に起因する目的変数への影響代の予測値である第１の予測値を出力する第１の予測手段と、
時間的連続性がある誤差因子の目的変数への影響代の予測値である第２の予測値を出力する第２の予測手段と、
前記第１の予測手段が出力した第１の予測値と前記第２の予測手段が出力した第２の予測値との和又は積を、目的変数の予測値として出力する演算手段としてコンピュータを機能させ、
前記第１の予測手段は、過去に製品を製造した際の目的変数の実績値と前記第２の予測手段が出力した第２の予測値との差又は比を第１の実績値とし、過去に製品を製造した際の製造条件の実績値と第１の実績値との関係を解析し、前記解析した関係を予測対象製品の第１の予測値出力に反映する機能を有する第１の学習法により学習し、
前記第２の予測手段は、過去に製品を製造した際の目的変数の実績値と前記第１の予測手段が出力した第１の予測値との差又は比を第２の実績値とし、時間的に新しい第２の実績値を優先的に予測対象製品の第２の予測値出力に反映する機能を有する第２の学習法により学習することを特徴とするプログラム。
［１０］ 前記第１の学習法は、Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法又はニューラルネットワークを用いた学習法であることを特徴とする［９］に記載のプログラム。
［１１］ 前記第２の学習法は、指数平滑学習法又は移動平均学習法であることを特徴とする［９］又は［１０］に記載のプログラム。
本発明によれば、製造プロセスにおける所定の状態を表わす値の予測精度を向上させることができる。
以下、添付図面を参照して、本発明の好適な実施形態について説明する。
（第１の実施形態）
図１に、第１の実施形態に係る製造プロセスの制御システムの構成例を示す。
本実施形態に係る製造プロセスの制御システムは、製造プロセスにおいて実操業を実施するための設備１と、上位コンピュータ２と、学習器３と、プロセスコンピュータ４とを備える。
図１のうち、学習器３が本発明である製造プロセスの状態予測装置として機能するものであり、それ以外の構成は図１の構成に限定されるものでない。製造プロセス制御への機械学習の適用構成として公知なものであればすべて適用可能である。
設備１は、例えば鋼板の圧延に用いられる圧延機である。なお、圧延機を図示するが、圧延機に限られるものではなく、鋼板の冷却に用いられる冷却装置等であってもよい。
（第１の実施形態）
図１に、第１の実施形態に係る製造プロセスの制御システムの構成例を示す。
本実施形態に係る製造プロセスの制御システムは、製造プロセスにおいて実操業を実施するための設備１と、上位コンピュータ２と、学習器３と、プロセスコンピュータ４とを備える。
図１のうち、学習器３が本発明である製造プロセスの状態予測装置として機能するものであり、それ以外の構成は図１の構成に限定されるものでない。製造プロセス制御への機械学習の適用構成として公知なものであればすべて適用可能である。
設備１は、例えば鋼板の圧延に用いられる圧延機である。なお、圧延機を図示するが、圧延機に限られるものではなく、鋼板の冷却に用いられる冷却装置等であってもよい。
上位コンピュータ２は、プロセスコンピュータ４の上位にあるビジネスコンピュータであり、予測対象製品の製造条件を出力する。予測対象製品の製造条件は、製品毎に与えられる値の集合であり、鋼板の圧延であれば予測対象製品となる鋼板のサイズ、鋼種、温度等がある。
図１の例では、予測対象製品の製造条件が上位コンピュータ２から与えられるようにしたが、これに限定されるものではなく、例えば前工程のプロセスコンピュータから与えられるようにしてもよい。
図１の例では、予測対象製品の製造条件が上位コンピュータ２から与えられるようにしたが、これに限定されるものではなく、例えば前工程のプロセスコンピュータから与えられるようにしてもよい。
学習器３は、予測対象製品の製造条件を入力として、製造プロセスにおける所定の状態を表わす値を目的変数として予測する。また、学習器３は、製造条件の実績値（以下、製造条件実績値と称する）と、目的変数の実績値（以下、目的変数実績値と称する）とを用いて機械学習を行う。製造プロセスにおける所定の状態を表わす値とは、物理モデルを用いて製造プロセスの状態や製品の状態を表わす値を計算する場合のモデル誤差（例えば鋼板の圧延工程であれば圧延荷重実績値とモデル計算値との比や冷却停止温度実績値とモデル計算値との差等）や、製造プロセスの状態や製品の状態そのものを表わす値（例えば熱延鋼板における幅縮み量等）である。
本実施形態において、学習器３は、製造条件起因成分学習部３１と、時間変動成分学習部３２とを備える。
本実施形態において、学習器３は、製造条件起因成分学習部３１と、時間変動成分学習部３２とを備える。
プロセスコンピュータ４は、予測対象製品の製造条件と、学習器３が出力した目的変数の予測値（以下、目的変数予測値と称する）とに基づいて、製造プロセスにおける所定の設定値を設定する設定計算部として機能する（以下では、設定計算部４と呼ぶこともある）。プロセスコンピュータ４は、予測対象製品の製造条件と、学習器３が出力した目的変数予測値とに基づいて、所望の製品特性（圧延であれば例えば鋼板のサイズ、平坦度、機械特性等）が得られるような設備１の設定値（例えば各圧延機の開度、ロールシフト量、冷却水量等）を設定する。設備１は、プロセスコンピュータ４により設定される設定値に基づいて操業を実施し、センサ等により得られる目的変数実績値と製造条件実績値とを学習器３に出力する。
なお、学習器３へ入力される製造条件と、設定計算部４へ入力される製造条件とは同じであってもよいし、学習器３と設定計算部４へ、別個に選択された製造条件が入力されてもよい。一般的には、目的変数に関連する製造条件が選定され、学習器３へ入力される。設定計算部４では目的変数に関連するもの以外の計算も行うことが多いため、目的変数に関連するもの以外の製造条件も設定計算部４へ入力される。ただし、設定計算部４で使用しないが、目的変数に関連するという知見が操業等から得られている製造条件は、設定計算部４に入力されないが、学習器３に入力される場合もある。
また、図１の例では、上位コンピュータ２からの製造条件と設備１からの製造条件実績値とを区別して描いているが、製造条件実績値は実操業後の製造条件という意味で、計測器がない場合や、設定値と実績値にほとんど違いがない場合等は、操業前に与えられた製造条件をそのまま操業後の製造条件実績値として扱うこともある。
また、図１の例では、上位コンピュータ２からの製造条件と設備１からの製造条件実績値とを区別して描いているが、製造条件実績値は実操業後の製造条件という意味で、計測器がない場合や、設定値と実績値にほとんど違いがない場合等は、操業前に与えられた製造条件をそのまま操業後の製造条件実績値として扱うこともある。
次に、学習器３の詳細を説明する。学習器３が、本発明である製造プロセスの状態予測装置として機能する。
製造条件起因成分学習部３１は、予測対象製品の製造条件を入力として、製造条件に起因する目的変数への影響代の予測値（以下、製造条件起因成分予測値と呼ぶ）を出力する。詳細は後述するが、製造条件起因成分学習部３１は知能的機械学習法による学習機能を有しており、予測対象製品の製造条件を入力として、採用している知能的機械学習法のルールに基づいて製造条件起因成分予測値を出力する。本実施形態では、製造条件起因成分学習部３１が本発明でいう第１の予測手段に相当し、製造条件起因成分予測値が本発明でいう第１の予測値に相当する。
製造条件起因成分学習部３１は、予測対象製品の製造条件を入力として、製造条件に起因する目的変数への影響代の予測値（以下、製造条件起因成分予測値と呼ぶ）を出力する。詳細は後述するが、製造条件起因成分学習部３１は知能的機械学習法による学習機能を有しており、予測対象製品の製造条件を入力として、採用している知能的機械学習法のルールに基づいて製造条件起因成分予測値を出力する。本実施形態では、製造条件起因成分学習部３１が本発明でいう第１の予測手段に相当し、製造条件起因成分予測値が本発明でいう第１の予測値に相当する。
時間変動成分学習部３２は、予測対象製品の製造条件に因らずに、時間的連続性がある誤差因子の目的変数への影響代の予測値（以下、時間変動成分予測値と呼ぶ）を出力する。詳細は後述するが、時間変動成分学習部３２は時間追従型学習法による学習機能を有しており、採用している時間追従型学習法のルールに基づいて時間変動成分予測値を出力する。本実施形態では、時間変動成分学習部３２が本発明でいう第２の予測手段に相当し、時間変動成分予測値が本発明でいう第２の予測値に相当する。
演算部３３は、製造条件起因成分学習部３１が出力した製造条件起因成分予測値と、時間変動成分学習部３２が出力した時間変動成分予測値との和を、目的変数予測値として出力する。本実施形態では、演算部３３が本発明でいう演算手段に相当する。
演算部３４は、目的変数実績値と、時間変動成分学習部３２が出力した時間変動成分予測値との差を演算して、製造条件起因成分学習部３１に出力する。
製造条件起因成分学習部３１は、製品を製造した際の、製造条件実績値と、演算部３４の演算結果（すなわち、目的変数実績値と時間変動成分学習部３２が出力した時間変動成分予測値との差）とに基づいて、知能的機械学習法により学習する。知能的機械学習法とは、入力値又は入力値から抽出される特徴量と学習対象の値との関係を解析する機能を有する学習法であり、例えばＪｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法、ニューラルネットワークを用いた学習法、サポートベクター回帰による学習法が該当する。製造条件起因成分学習部３１での知能的機械学習法は、過去に製品を製造した際の目的変数の実績値と時間変動成分学習部３２が出力した時間変動成分予測値との差を第１の実績値とし、過去に製品を製造した際の製造条件の実績値と第１の実績値との関係を解析し、当該解析した関係を予測対象製品の製造条件起因成分予測値出力に反映する機能を有する。製造条件起因成分学習部３１では、製造条件実績値を入力値とし、図５の左図に示すように目的変数実績値と時間変動成分予測値との差を学習対象の値として、製造条件と、目的変数実績値と時間変動成分予測値との差との関係を解析する。
製造条件起因成分学習部３１は、製品を製造した際の、製造条件実績値と、演算部３４の演算結果（すなわち、目的変数実績値と時間変動成分学習部３２が出力した時間変動成分予測値との差）とに基づいて、知能的機械学習法により学習する。知能的機械学習法とは、入力値又は入力値から抽出される特徴量と学習対象の値との関係を解析する機能を有する学習法であり、例えばＪｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法、ニューラルネットワークを用いた学習法、サポートベクター回帰による学習法が該当する。製造条件起因成分学習部３１での知能的機械学習法は、過去に製品を製造した際の目的変数の実績値と時間変動成分学習部３２が出力した時間変動成分予測値との差を第１の実績値とし、過去に製品を製造した際の製造条件の実績値と第１の実績値との関係を解析し、当該解析した関係を予測対象製品の製造条件起因成分予測値出力に反映する機能を有する。製造条件起因成分学習部３１では、製造条件実績値を入力値とし、図５の左図に示すように目的変数実績値と時間変動成分予測値との差を学習対象の値として、製造条件と、目的変数実績値と時間変動成分予測値との差との関係を解析する。
演算部３５は、目的変数実績値と、製造条件起因成分学習部３１が出力した製造条件起因成分予測値との差を演算して、時間変動成分学習部３２に出力する。
時間変動成分学習部３２は、製品を製造した際の演算部３５の演算結果（すなわち、目的変数実績値と製造条件起因成分学習部３１が出力した製造条件起因成分予測値との差）に基づいて、時間追従型学習法により学習する。時間追従型学習法とは、時間的に新しい学習対象の値を優先的に予測値に反映する機能を有する学習法であり、例えば指数平滑学習法又は移動平均学習法（重みつき移動平均も含む）が該当する。時間変動成分学習部３２での時間追従型学習法は、過去に製品を製造した際の目的変数の実績値と製造条件起因成分学習部３１が出力した製造条件起因成分予測値との差を第２の実績値とし、時間的に新しい第２の実績値を優先的に予測対象製品の時間変動成分予測値出力に反映する機能を有する。時間変動成分学習部３２では、図５の右図に示すように目的変数実績値と製造条件起因成分予測値との差を、時間的に新しいものほど優先的に時間変動成分予測値に反映する。
時間変動成分学習部３２は、製品を製造した際の演算部３５の演算結果（すなわち、目的変数実績値と製造条件起因成分学習部３１が出力した製造条件起因成分予測値との差）に基づいて、時間追従型学習法により学習する。時間追従型学習法とは、時間的に新しい学習対象の値を優先的に予測値に反映する機能を有する学習法であり、例えば指数平滑学習法又は移動平均学習法（重みつき移動平均も含む）が該当する。時間変動成分学習部３２での時間追従型学習法は、過去に製品を製造した際の目的変数の実績値と製造条件起因成分学習部３１が出力した製造条件起因成分予測値との差を第２の実績値とし、時間的に新しい第２の実績値を優先的に予測対象製品の時間変動成分予測値出力に反映する機能を有する。時間変動成分学習部３２では、図５の右図に示すように目的変数実績値と製造条件起因成分予測値との差を、時間的に新しいものほど優先的に時間変動成分予測値に反映する。
図２は、学習器３による処理例を示すフローチャートである。学習器３による処理は、一般的な製造プロセス制御における機械学習と同様、予測対象製品の製造に際して目的変数予測値を出力する予測フェーズと、操業を実施して目的変数実績値と製造条件実績値とが得られた際にその実績値に基づいて学習部３１、３２の内部状態を更新する学習フェーズとを有する。図２のフローチャートは、予測対象製品が変わるたびに繰り返し実行される。
予測フェーズにおいて、ステップＳ１で、製造条件起因成分学習部３１は、予測対象製品の製造条件を入力として、採用している知能的機械学習法のルールに基づいて製造条件起因成分予測値を出力する（知能的機械学習の予測処理）。Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法の場合、記憶領域から予測対象製品の製造条件と類似する製造条件のデータ（類似データ）を抽出し、類似データを用いた回帰式を生成し、その回帰式に予測対象製品の製造条件を入力して製造条件起因成分予測値を得る。また、ニューラルネットワークを用いた学習法の場合、入力層のユニットに予測対象製品の製造条件を入力し、出力層のユニットより製造条件起因成分予測値を得る。
また、ステップＳ２で、時間変動成分学習部３２は、採用している時間追従型学習法のルールに基づいて時間変動成分予測値を出力する（時間追従型学習の予測処理）。指数平滑学習法の場合、学習値（目的変数実績値と製造条件起因成分予測値との差を用い、後述する方法で更新してきた値）を保持しており、それをそのまま時間変動成分予測値として出力する。また、移動平均学習法の場合、例えば１０個の移動平均とするとき、過去１０製品分の目的変数実績値とその製品製造時の製造条件起因成分予測値との差を保存しておき、それらの平均値（重みつき移動平均の場合は加重平均）を時間変動成分予測値として出力する。
ステップＳ３で、演算部３３は、ステップＳ１において出力される製造条件起因成分予測値と、ステップＳ２において出力される時間変動成分予測値との和を、目的変数予測値として出力する。
ステップＳ４で、設定計算部として機能するプロセスコンピュータ４は、予測対象製品の製造条件と、ステップＳ３において出力される目的変数予測値とに基づいて、設備１の設定値を設定する。これを受けて、設備１は設定値に基づいて操業を実施する。
ステップＳ４で、設定計算部として機能するプロセスコンピュータ４は、予測対象製品の製造条件と、ステップＳ３において出力される目的変数予測値とに基づいて、設備１の設定値を設定する。これを受けて、設備１は設定値に基づいて操業を実施する。
学習フェーズにおいて、ステップＳ５で、製造条件起因成分学習部３１は、製造条件実績値を入力値とし、目的変数実績値と時間変動成分予測値との差を学習対象の値として、採用している知能的機械学習法のルールに基づいて内部状態を更新する（知能的機械学習の学習処理）。Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法の場合、記憶領域に、目的変数実績値と時間変動成分予測値との差を製造条件実績値に紐付けて保存する。また、ニューラルネットワークを用いた学習法の場合、誤差逆伝搬法によりユニット間の重み係数を更新する。
また、ステップＳ６で、時間変動成分学習部３２は、目的変数実績値と製造条件起因成分予測値との差を学習対象の値として、採用している時間追従型学習法のルールに基づいて内部状態を更新する（時間追従型学習の学習処理）。指数平滑学習法の場合、今回の製品についての目的変数実績値と製造条件起因成分予測値との差に学習係数（０よりも大きく、１よりも小さい値）を乗じた値と、前回の学習値に（１−学習係数）を乗じた値との和を、新たな学習値とする。また、移動平均学習法の場合、保存している過去１０製品分の目的変数実績値とその製品製造時の製造条件起因成分予測値との差のうち、最も古い製品を製造した時のものを廃棄し、新しい製品（今回の製品）のものを保存する。
図３に、図２の具体例として、製造条件起因成分学習部３１にＪｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法を採用し、時間変動成分学習部３２に層別なし指数平滑学習法を採用した場合の処理の流れを示す。
予測フェーズにおいて、製造条件起因成分学習部３１に、予測対象製品の製造条件ｘ［ｑ］が入力される。ｘは製品毎に与えられる値の集合をベクトルで表わしたものである。角括弧内は製品を表わすインデックスで、ｑは予測対象製品を指す。
図３では表現の簡便化のため、製造条件起因成分学習部３１に入力される製造条件も、設定計算部４に入力される製造条件もｘ［ｑ］で同じにしているが、上述のように設定計算部４に用いる製造条件を学習器３では用いない場合もあるし、設定計算部４に用いない製造条件を学習器３で用いる場合もある。
Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法を採用する場合、データベースとなる記憶領域ＤＢが設けられており、記憶領域ＤＢ内には過去製品の製造条件実績値ｘact［０］，・・・，ｘact［ｑ−１］と、目的変数実績値とその製品製造時の時間変動成分予測値との差ｙact［０］−ｙ＾time［０］，・・・，ｙact［ｑ−１］−ｙ＾time［ｑ−１］とが保存されている。なお、ｙ＾timeの表記は、ｙtimeの上に＾が付されているものとする。この記憶領域ＤＢに予測対象製品の製造条件ｘ［ｑ］を入力し、それと類似する製造条件のデータ（類似データ）ｘact［ｉnbr］，ｙact［ｉnbr］−ｙ＾time［ｉnbr］（ｉnbr＝ｉnbr0，・・・，ｉnbrN）を抽出する。類似度は、予測対象製品の製造条件ｘ［ｑ］との製造条件空間におけるユークリッド距離等により判定する。このようにして抽出した類似データを用いて、局所回帰モデルを生成する。回帰法としては、式（１）に示すリッジ回帰（λは正則化係数）等がある。そして、生成した局所回帰モデルに、予測対象製品の製造条件ｘ［ｑ］を入力し、式（２）に示すように、製造条件起因成分予測値ｙ＾spec［ｑ］を得る。なお、ｙ＾specの表記は、ｙspecの上に＾が付されているものとする。
図３では表現の簡便化のため、製造条件起因成分学習部３１に入力される製造条件も、設定計算部４に入力される製造条件もｘ［ｑ］で同じにしているが、上述のように設定計算部４に用いる製造条件を学習器３では用いない場合もあるし、設定計算部４に用いない製造条件を学習器３で用いる場合もある。
Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法を採用する場合、データベースとなる記憶領域ＤＢが設けられており、記憶領域ＤＢ内には過去製品の製造条件実績値ｘact［０］，・・・，ｘact［ｑ−１］と、目的変数実績値とその製品製造時の時間変動成分予測値との差ｙact［０］−ｙ＾time［０］，・・・，ｙact［ｑ−１］−ｙ＾time［ｑ−１］とが保存されている。なお、ｙ＾timeの表記は、ｙtimeの上に＾が付されているものとする。この記憶領域ＤＢに予測対象製品の製造条件ｘ［ｑ］を入力し、それと類似する製造条件のデータ（類似データ）ｘact［ｉnbr］，ｙact［ｉnbr］−ｙ＾time［ｉnbr］（ｉnbr＝ｉnbr0，・・・，ｉnbrN）を抽出する。類似度は、予測対象製品の製造条件ｘ［ｑ］との製造条件空間におけるユークリッド距離等により判定する。このようにして抽出した類似データを用いて、局所回帰モデルを生成する。回帰法としては、式（１）に示すリッジ回帰（λは正則化係数）等がある。そして、生成した局所回帰モデルに、予測対象製品の製造条件ｘ［ｑ］を入力し、式（２）に示すように、製造条件起因成分予測値ｙ＾spec［ｑ］を得る。なお、ｙ＾specの表記は、ｙspecの上に＾が付されているものとする。
時間変動成分学習部３２は、保持している学習値ｙ＾time［ｑ］をそのまま時間変動成分予測値として出力する。
演算部３３は、製造条件起因成分学習部３１が出力した製造条件起因成分予測値ｙ＾spec［ｑ］と、時間変動成分学習部３２が出力した時間変動成分予測値ｙ＾time［ｑ］との和を、目的変数予測値として出力する。
設定計算部として機能するプロセスコンピュータ４は、予測対象製品の製造条件ｘ［ｑ］と、目的変数予測値ｙ＾spec［ｑ］＋ｙ＾time［ｑ］とに基づいて、設備１の設定値を設定する。これを受けて、設備１は設定値に基づいて操業を実施する。これにより、目的変数実績値ｙact［ｑ］、製造条件実績値ｘact［ｑ］が得られる。
学習フェーズにおいて、製造条件起因成分学習部３１は、記憶領域ＤＢに、目的変数実績値と時間変動成分予測値との差ｙact［ｑ］−ｙ＾time［ｑ］を製造条件実績値ｘact［ｑ］に紐付けて保存する。
時間変動成分学習部３２は、目的変数実績値と製造条件起因成分予測値との差ｙact［ｑ］−ｙ＾spec［ｑ］を、それまでの学習により得られている時間変動成分予測値ｙ＾time［ｑ］に反映すべく、式（３）式により、学習値である時間変動成分予測値ｙ＾time［ｑ＋１］を更新する。αは学習係数である（０＜α＜１）。
以上のように、製造条件に起因する目的変数への影響代である製造条件起因成分と、時間的連続性がある誤差因子の目的変数への影響代である時間変動成分とを切り分けて学習することにより、製造プロセスにおける所定の状態を表わす値の予測精度を向上させることができる。これにより、製造プロセスにおける所定の状態が所望の状態となるように製造プロセスを高精度に制御することが可能になる。
（第２の実施形態）
図４に、第２の実施形態に係る製造プロセスの制御システムの構成例を示す。
以下、図１に示す第１の実施形態と同様の構成要素には同一の符号を付して説明し、第１の実施形態との相違点だけを説明する。
第２の実施形態は、第１の実施形態の演算部３３、３４、３５において＋を×に、−を÷に置き替えたものとなっている。
具体的には、演算部３３は、製造条件起因成分学習部３１が出力した製造条件起因成分予測値と、時間変動成分学習部３２が出力した時間変動成分予測値との積を、目的変数予測値として出力する。
また、演算部３４は、目的変数実績値と、時間変動成分学習部３２が出力した時間変動成分予測値との比を演算して、製造条件起因成分学習部３１に出力する。
また、演算部３５は、目的変数実績値と、製造条件起因成分学習部３１が出力した製造条件起因成分予測値との比を演算して、時間変動成分学習部３２に出力する。
図４に、第２の実施形態に係る製造プロセスの制御システムの構成例を示す。
以下、図１に示す第１の実施形態と同様の構成要素には同一の符号を付して説明し、第１の実施形態との相違点だけを説明する。
第２の実施形態は、第１の実施形態の演算部３３、３４、３５において＋を×に、−を÷に置き替えたものとなっている。
具体的には、演算部３３は、製造条件起因成分学習部３１が出力した製造条件起因成分予測値と、時間変動成分学習部３２が出力した時間変動成分予測値との積を、目的変数予測値として出力する。
また、演算部３４は、目的変数実績値と、時間変動成分学習部３２が出力した時間変動成分予測値との比を演算して、製造条件起因成分学習部３１に出力する。
また、演算部３５は、目的変数実績値と、製造条件起因成分学習部３１が出力した製造条件起因成分予測値との比を演算して、時間変動成分学習部３２に出力する。
例えば冷却工程の温度等のモデル計算値と実績値との差を目的変数として学習することが一般的である製造プロセスには、第１の実施形態のように差学習を用いればよい。それに対して、例えば圧延工程の圧延荷重等のモデル計算値と実績値との比を目的変数として学習することが一般的である製造プロセスには、第２の実施形態のように比学習を用いるのがよい。いずれの方式が良いかの知見がない場合は、両者を学習シミュレーションする等して製造プロセスの特性を鑑み、選択すればよい。
なお、学習器３は、例えばＣＰＵ、ＲＯＭ、ＲＡＭ等を備えたコンピュータにより実現される。
この場合に、図１では、一つのコンピュータが学習器３として機能するかのように図示するが、複数のコンピュータが相まって学習器３として機能し、ネットワークを介して相互に入出力を行うような形態でもよい。
また、図１では、学習器３をプロセスコンピュータ４と別途設置する構成として図示するが、例えばプロセスコンピュータ４の計算能力が十分に高い場合は、プロセスコンピュータ４が学習器３として機能するように構成してもよく、本発明を適用する製造プロセスの状態予測装置のハードウェア構成は限定されるものではない。
この場合に、図１では、一つのコンピュータが学習器３として機能するかのように図示するが、複数のコンピュータが相まって学習器３として機能し、ネットワークを介して相互に入出力を行うような形態でもよい。
また、図１では、学習器３をプロセスコンピュータ４と別途設置する構成として図示するが、例えばプロセスコンピュータ４の計算能力が十分に高い場合は、プロセスコンピュータ４が学習器３として機能するように構成してもよく、本発明を適用する製造プロセスの状態予測装置のハードウェア構成は限定されるものではない。
本発明を適用した手法による効果を数値実験により検証した。
図６に、数値実験のための機能構成を示す。数値実験では、熱延鋼板を製造する熱間圧延プロセスを対象にして、予測対象製品となる熱延鋼板の製造条件である圧延条件を入力として、粗圧延した後に仕上げ圧延で当該熱延鋼板に生じる幅縮み量を目的変数として予測する。幅縮み量は、粗圧延機で圧延後の熱延鋼板の出側の幅（粗出側幅）と、仕上げ圧延機で圧延後の当該熱延鋼板の出側の幅（仕上げ出側幅）との差分として定義される。
本発明を適用した手法（発明法と呼ぶ）では、パーソナルコンピュータ１００で製造条件起因成分学習部３１、時間変動成分学習部３２、演算部３３〜３５を再現して、数値実験を行った。工場の操業実績記録に残っている製造条件をパーソナルコンピュータ１００に入力し、それに基づく幅縮み量の予測値を、同じく操業実績記録に残っている幅縮み量の実績値と比較した。製造条件起因成分学習部３１にはＪｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法を採用し、時間変動成分学習部には層別なし指数平滑学習法を採用した。
図６に、数値実験のための機能構成を示す。数値実験では、熱延鋼板を製造する熱間圧延プロセスを対象にして、予測対象製品となる熱延鋼板の製造条件である圧延条件を入力として、粗圧延した後に仕上げ圧延で当該熱延鋼板に生じる幅縮み量を目的変数として予測する。幅縮み量は、粗圧延機で圧延後の熱延鋼板の出側の幅（粗出側幅）と、仕上げ圧延機で圧延後の当該熱延鋼板の出側の幅（仕上げ出側幅）との差分として定義される。
本発明を適用した手法（発明法と呼ぶ）では、パーソナルコンピュータ１００で製造条件起因成分学習部３１、時間変動成分学習部３２、演算部３３〜３５を再現して、数値実験を行った。工場の操業実績記録に残っている製造条件をパーソナルコンピュータ１００に入力し、それに基づく幅縮み量の予測値を、同じく操業実績記録に残っている幅縮み量の実績値と比較した。製造条件起因成分学習部３１にはＪｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法を採用し、時間変動成分学習部には層別なし指数平滑学習法を採用した。
また、比較法１として、特許文献３の手法を参考に、知能的機械学習法で目的変数実績を学習し、目的変数実績値と知能的機械学習予測値との差を指数平滑学習で学習、補正する手法の数値実験も行った。なお、特許文献３ではニューラルネットワークを用いた学習法を採用しているが、ここでは発明法と同条件で比較するためＪｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法を採用した。
また、比較法２として、製造条件起因成分学習部３１に知能的機械学習法でなく、指数平滑処理による層別学習を採用する手法の数値実験も行った。
また、比較法２として、製造条件起因成分学習部３１に知能的機械学習法でなく、指数平滑処理による層別学習を採用する手法の数値実験も行った。
図７に、幅縮み実績値と、発明法による幅縮み予測値との関係をプロットした、幅縮み量予測精度を表わす散布図を示す。
一方、図８に、比較法１による幅縮み量予測精度を表わす散布図を示す。図９に、比較法２による幅縮み量予測精度を表わす散布図を示す。
発明法では、比較法１より５％程度の予測誤差のばらつきが減少していることが確認できる。これは、比較法１と比べて、発明法では製造条件起因成分と時間変動成分との切り分けがより良くできていることを示している。
また、比較法２と比較しても、発明法の予測精度が良いことが確認できる。これは、製造条件起因成分学習部３１に指数平滑処理による層別学習を採用する場合、背景技術の欄で既述した層別学習での問題に起因して予測精度が上がらないためであり、換言すれば、製造条件起因成分学習部３１に知能的機械学習法を用いる本発明の特徴が効果を発揮していることを示している。
一方、図８に、比較法１による幅縮み量予測精度を表わす散布図を示す。図９に、比較法２による幅縮み量予測精度を表わす散布図を示す。
発明法では、比較法１より５％程度の予測誤差のばらつきが減少していることが確認できる。これは、比較法１と比べて、発明法では製造条件起因成分と時間変動成分との切り分けがより良くできていることを示している。
また、比較法２と比較しても、発明法の予測精度が良いことが確認できる。これは、製造条件起因成分学習部３１に指数平滑処理による層別学習を採用する場合、背景技術の欄で既述した層別学習での問題に起因して予測精度が上がらないためであり、換言すれば、製造条件起因成分学習部３１に知能的機械学習法を用いる本発明の特徴が効果を発揮していることを示している。
以上、本発明を一実施形態と共に説明したが、上記実施形態は本発明を実施するにあたっての具体化の例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその技術的思想、又はその主要な特徴から逸脱することなく、様々な形で実施することができる。
本発明は、上記実施形態のように鋼板の冷却や幅制御に適用されるだけでなく、汎用的に適用可能であって、製造プロセスにおける所定の状態を表わす値を予測するのに広く効果を有する。
また、本発明は、本発明の機能を実現するソフトウェア（プログラム）を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータがプログラムを読み出して実行することによっても実現可能である。
本発明は、上記実施形態のように鋼板の冷却や幅制御に適用されるだけでなく、汎用的に適用可能であって、製造プロセスにおける所定の状態を表わす値を予測するのに広く効果を有する。
また、本発明は、本発明の機能を実現するソフトウェア（プログラム）を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータがプログラムを読み出して実行することによっても実現可能である。
１：設備、２：上位コンピュータ、３：学習器、４：プロセスコンピュータ、３１：製造条件起因成分学習部、３２：時間変動成分学習部、３３〜３５：演算器、１００：パーソナルコンピュータ
Claims (11)
- 製品を製造する製造プロセスを対象にして、
予測対象製品の製造条件を入力として、前記製造プロセスにおける所定の状態を表わす値を目的変数として予測し、
製造条件の実績値と目的変数の実績値とを用いて学習を行う製造プロセスの状態予測装置であって、
予測対象製品の製造条件を入力として、製造条件に起因する目的変数への影響代の予測値である第１の予測値を出力する第１の予測手段と、
時間的連続性がある誤差因子の目的変数への影響代の予測値である第２の予測値を出力する第２の予測手段と、
前記第１の予測手段が出力した第１の予測値と前記第２の予測手段が出力した第２の予測値との和又は積を、目的変数の予測値として出力する演算手段とを備え、
前記第１の予測手段は、過去に製品を製造した際の目的変数の実績値と前記第２の予測手段が出力した第２の予測値との差又は比を第１の実績値とし、過去に製品を製造した際の製造条件の実績値と第１の実績値との関係を解析し、前記解析した関係を予測対象製品の第１の予測値出力に反映する機能を有する第１の学習法により学習し、
前記第２の予測手段は、過去に製品を製造した際の目的変数の実績値と前記第１の予測手段が出力した第１の予測値との差又は比を第２の実績値とし、時間的に新しい第２の実績値を優先的に予測対象製品の第２の予測値出力に反映する機能を有する第２の学習法により学習することを特徴とする製造プロセスの状態予測装置。 - 前記第１の学習法は、Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法又はニューラルネットワークを用いた学習法であることを特徴とする請求項１に記載の製造プロセスの状態予測装置。
- 前記第２の学習法は、指数平滑学習法又は移動平均学習法であることを特徴とする請求項１又は２に記載の製造プロセスの状態予測装置。
- 熱延鋼板を製造する熱間圧延プロセスを対象にして、
予測対象製品となる熱延鋼板の製造条件である圧延条件を入力として、粗圧延した後に仕上げ圧延で当該熱延鋼板に生じる幅縮み量を目的変数として予測することを特徴とする請求項１乃至３のいずれか１項に記載の製造プロセスの状態予測装置。 - 請求項１乃至４のいずれか１項に記載の製造プロセスの状態予測装置と、
予測対象製品の製造条件と、前記製造プロセスの状態予測装置が出力した目的変数の予測値とに基づいて、前記製造プロセスにおける所定の設定値を設定する設定計算手段とを備えたことを特徴とする製造プロセスの制御システム。 - 製品を製造する製造プロセスを対象にして、
予測対象製品の製造条件を入力として、前記製造プロセスにおける所定の状態を表わす値を目的変数として予測し、
製造条件の実績値と目的変数の実績値とを用いて学習を行う製造プロセスの状態予測方法であって、
第１の予測手段が、予測対象製品の製造条件を入力として、製造条件に起因する目的変数への影響代の予測値である第１の予測値を出力するステップと、
第２の予測手段が、時間的連続性がある誤差因子の目的変数への影響代の予測値である第２の予測値を出力するステップと、
演算手段が、前記第１の予測手段が出力した第１の予測値と前記第２の予測手段が出力した第２の予測値との和又は積を、目的変数の予測値として出力するステップとを有し、
さらに、
前記第１の予測手段が、過去に製品を製造した際の目的変数の実績値と前記第２の予測手段が出力した第２の予測値との差又は比を第１の実績値とし、過去に製品を製造した際の製造条件の実績値と第１の実績値との関係を解析し、前記解析した関係を予測対象製品の第１の予測値出力に反映する機能を有する第１の学習法により学習するステップと、
前記第２の予測手段が、過去に製品を製造した際の目的変数の実績値と前記第１の予測手段が出力した第１の予測値との差又は比を第２の実績値とし、時間的に新しい第２の実績値を優先的に予測対象製品の第２の予測値出力に反映する機能を有する第２の学習法により学習するステップとを有することを特徴とする製造プロセスの状態予測方法。 - 前記第１の学習法は、Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法又はニューラルネットワークを用いた学習法であることを特徴とする請求項６に記載の製造プロセスの状態予測方法。
- 前記第２の学習法は、指数平滑学習法又は移動平均学習法であることを特徴とする請求項６又は７に記載の製造プロセスの状態予測方法。
- 製品を製造する製造プロセスを対象にして、
予測対象製品の製造条件を入力として、前記製造プロセスにおける所定の状態を表わす値を目的変数として予測し、
製造条件の実績値と目的変数の実績値とを用いて学習を行うためのプログラムであって、
予測対象製品の製造条件を入力として、製造条件に起因する目的変数への影響代の予測値である第１の予測値を出力する第１の予測手段と、
時間的連続性がある誤差因子の目的変数への影響代の予測値である第２の予測値を出力する第２の予測手段と、
前記第１の予測手段が出力した第１の予測値と前記第２の予測手段が出力した第２の予測値との和又は積を、目的変数の予測値として出力する演算手段としてコンピュータを機能させ、
前記第１の予測手段は、過去に製品を製造した際の目的変数の実績値と前記第２の予測手段が出力した第２の予測値との差又は比を第１の実績値とし、過去に製品を製造した際の製造条件の実績値と第１の実績値との関係を解析し、前記解析した関係を予測対象製品の第１の予測値出力に反映する機能を有する第１の学習法により学習し、
前記第２の予測手段は、過去に製品を製造した際の目的変数の実績値と前記第１の予測手段が出力した第１の予測値との差又は比を第２の実績値とし、時間的に新しい第２の実績値を優先的に予測対象製品の第２の予測値出力に反映する機能を有する第２の学習法により学習することを特徴とするプログラム。 - 前記第１の学習法は、Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅ学習法又はニューラルネットワークを用いた学習法であることを特徴とする請求項９に記載のプログラム。
- 前記第２の学習法は、指数平滑学習法又は移動平均学習法であることを特徴とする請求項９又は１０に記載のプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017216618A JP6922675B2 (ja) | 2017-11-09 | 2017-11-09 | 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017216618A JP6922675B2 (ja) | 2017-11-09 | 2017-11-09 | 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2019087152A JP2019087152A (ja) | 2019-06-06 |
| JP6922675B2 true JP6922675B2 (ja) | 2021-08-18 |
Family
ID=66764260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017216618A Active JP6922675B2 (ja) | 2017-11-09 | 2017-11-09 | 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6922675B2 (ja) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378799B (zh) * | 2019-07-16 | 2022-07-12 | 东北大学 | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 |
| JP7140073B2 (ja) * | 2019-08-23 | 2022-09-21 | Ｊｆｅスチール株式会社 | 学習モデル生成方法、データベース構築方法、ミルセットアップ設定方法、圧延材の製造方法、処理対象の製造方法、及び学習モデル生成装置 |
| JP7211386B2 (ja) * | 2020-02-28 | 2023-01-24 | Ｊｆｅスチール株式会社 | モデル学習方法、走間板厚変更方法、鋼板の製造方法、モデル学習装置、走間板厚変更装置および鋼板の製造装置 |
| JP6955811B1 (ja) * | 2020-03-31 | 2021-10-27 | Ｍｉ−６株式会社 | 試験評価システム、プログラムおよび試験評価方法 |
| WO2021229949A1 (ja) * | 2020-05-15 | 2021-11-18 | Ｊｆｅスチール株式会社 | 厚鋼板の温度偏差予測方法、厚鋼板の温度偏差制御方法、厚鋼板の温度偏差予測モデルの生成方法、厚鋼板の製造方法、及び厚鋼板の製造設備 |
| JP7294242B2 (ja) * | 2020-06-10 | 2023-06-20 | Ｊｆｅスチール株式会社 | 表面粗さの予測方法、鋼帯の製造方法および学習済の機械学習モデルの生成方法 |
| JP7314872B2 (ja) * | 2020-07-10 | 2023-07-26 | Ｊｆｅスチール株式会社 | 設定値決定方法、製品製造方法、圧延材の製造方法、及び設定値決定装置 |
| JP7314891B2 (ja) * | 2020-09-14 | 2023-07-26 | Ｊｆｅスチール株式会社 | 鋼帯の製造方法 |
| JP7200982B2 (ja) * | 2020-09-14 | 2023-01-10 | Ｊｆｅスチール株式会社 | 材料特性値予測システム及び金属板の製造方法 |
| CN118786229A (zh) | 2022-03-28 | 2024-10-15 | 杰富意钢铁株式会社 | 烧结机的运行管理方法、烧结矿的制造方法以及控制装置 |
| CN115860211B (zh) * | 2022-11-29 | 2024-10-25 | 北京科技大学 | 一种基于局部在线建模的铸坯质量预测方法 |
| JP7616438B2 (ja) | 2022-12-19 | 2025-01-17 | Ｊｆｅスチール株式会社 | 仕上圧延材の幅制御方法及び熱延鋼板の製造方法 |
| CN115608793B (zh) * | 2022-12-20 | 2023-04-07 | 太原科技大学 | 一种机理融合数据的精轧温度调控方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2839746B2 (ja) * | 1991-06-17 | 1998-12-16 | 株式会社神戸製鋼所 | プロセスラインにおける学習制御方法 |
| JP3223856B2 (ja) * | 1997-04-17 | 2001-10-29 | 日本鋼管株式会社 | 圧延機の制御方法及び圧延機の制御装置 |
-
2017
- 2017-11-09 JP JP2017216618A patent/JP6922675B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2019087152A (ja) | 2019-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6922675B2 (ja) | 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム | |
| TWI554340B (zh) | 壓延模擬裝置 | |
| Solak et al. | Derivative observations in Gaussian process models of dynamic systems | |
| JP6881137B2 (ja) | 製品の状態予測装置及び方法、製造プロセスの制御システム、並びにプログラム | |
| JP6662109B2 (ja) | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム | |
| JP6834209B2 (ja) | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム | |
| JP3223856B2 (ja) | 圧延機の制御方法及び圧延機の制御装置 | |
| JP2011221642A (ja) | 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体 | |
| JP5195331B2 (ja) | 製造プロセスにおける品質予測装置、予測方法、プログラム及びコンピュータ読み取り可能な記録媒体 | |
| JP2022132895A (ja) | 合金材料の特性を予測する製造支援システム、予測モデルを生成する方法およびコンピュータプログラム | |
| JP5962290B2 (ja) | 鋼材の熱伝達係数予測装置及び冷却制御方法 | |
| JP6699340B2 (ja) | 厚鋼板の冷却制御方法および製造方法 | |
| Li et al. | IoT-based framework for digital twins in steel production: A case study of key parameter prediction and optimization for CSR | |
| JP7135962B2 (ja) | 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法 | |
| JP5167891B2 (ja) | 結果予測装置、及び、これを用いた製品品質予測方法 | |
| Idzik et al. | Coupling of an analytical rolling model and reinforcement learning to design pass schedules: towards properties controlled hot rolling | |
| Hu et al. | Enhanced predictive modeling of hot rolling work roll wear using TCN-LSTM-Attention | |
| JP7102962B2 (ja) | 制御設定値決定装置、制御設定値決定方法、及びプログラム | |
| JP5682131B2 (ja) | 鋼材の材質予測装置 | |
| Meng et al. | Novel shape control system of hot-rolled strip based on machine learning fused mechanism model | |
| JP6020263B2 (ja) | 圧延荷重の学習制御装置および学習制御方法、並びにこれを用いた金属板製造方法 | |
| Zheng et al. | An approach to model building for accelerated cooling process using instance-based learning | |
| Sikdar et al. | A holistic framework for multiple response optimization of hot strip rolling process | |
| Peng et al. | A novel deep ensemble reinforcement learning based control method for strip flatness in cold rolling steel industry | |
| JP2020071493A (ja) | 結果予測装置、結果予測方法、及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200703 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210528 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210629 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210712 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 6922675 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |