JP2004288144A - Operation result analysis apparatus, operation result analysis method, and computer-readable storage medium for manufacturing process - Google Patents
Operation result analysis apparatus, operation result analysis method, and computer-readable storage medium for manufacturing process Download PDFInfo
- Publication number
- JP2004288144A JP2004288144A JP2003198436A JP2003198436A JP2004288144A JP 2004288144 A JP2004288144 A JP 2004288144A JP 2003198436 A JP2003198436 A JP 2003198436A JP 2003198436 A JP2003198436 A JP 2003198436A JP 2004288144 A JP2004288144 A JP 2004288144A
- Authority
- JP
- Japan
- Prior art keywords
- operation result
- data
- index
- manufacturing process
- result index
- 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
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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】操業結果としての処理量や品質が決まる複数の工程から成るプロセス全般において、操業チャートデータと、これに対応した操業結果の良否を示す操業結果指標のデータを解析する場合に、チャートデータに含まれている様々な時間または空間スケールにわたる波形特徴量を用いた解析を可能とすること。
【解決手段】製造プロセスにおける操業チャートデータと操業結果指標のデータを、単一又は複数の時間或いは長さスケールで分割し、分割された各部分波形に対する特徴量を抽出して、更に同じ分割スケールで品質の特徴量を算出する。操業と品質の特徴量間の関連を解析するための処理を行い、結果情報を出力する。これによりチャートデータに含まれた有効な情報を欠落させずに抽出し、更に大量の操業結果指標との比較を行うことで詳細な操業と品質の関係を解析することが可能となる。
【選択図】 図１An object of the present invention is to analyze operation chart data and data of an operation result index indicating the quality of an operation result corresponding to the operation chart data in a general process including a plurality of steps in which the throughput and quality as the operation result are determined. To enable analysis using waveform features over various time or space scales included in.
An operation chart data and an operation result index data in a manufacturing process are divided on a single or a plurality of time or length scales, a feature amount for each divided partial waveform is extracted, and further the same division scale is obtained. Calculates the quality feature quantity. A process for analyzing the relationship between the operation and the quality feature amount is performed, and the result information is output. As a result, it is possible to extract valid information included in the chart data without losing it and compare it with a large number of operation result indices to analyze a detailed relationship between operation and quality.
[Selection diagram] Fig. 1
Description
【０００１】
【発明の属する技術分野】
本発明は、製造プロセスの操業結果解析装置、操業結果解析方法及びコンピュータ読み取り可能な記憶媒体に関し、特に、操業結果としての処理量や品質が決まる複数の工程から成るプロセス全般において、操業チャートデータと、これに対応した操業結果の良否を示す操業結果指標のデータを解析することに用いて、好適な技術に関する。また、操業チャートデータから現在生産している製品の品質をオンラインで予測し、例えば製品品質不合が予測された場合には、早期に向先の振替や再処理等の処理を計画したり、或いは不合原因を早期に見出して、操業変更等の解決策を見出すことに用いて、好適な技術に関する。
【０００２】
【従来の技術】
従来、操業結果として処理量や品質が決まる複数の工程から成るプロセスにおいて、品質不合の発生原因を分析するために、操業と操業結果の関係を解析する方法としては、個々の製品単位で操業結果指標データと対応する操業データの対を収集して、品質と操業の関係を相関解析や重回帰等の統計的手法やニューラルネットワークや決定木のようなＡＩ手法を応用して解析する方法が知られている。ここで、解析しようとするデータが、例えば鉄鋼製造プロセスにおける操業チャートと、薄板製品の表面疵検査結果コイル展開図のような製品単位よりも詳細な分解能での情報を有する形式である場合、個々の製品単位でデータを分割し統計処理を施すことで、製品単位のデータに変換して解析する手法が知られている。特許文献１では、操業条件が独立成分分析によって抽出した操業結果の品質分布に与える影響を及ぼす度合いを見出す方法が示されている。
また、操業チャートと、チャートデータに対応した操業結果の良否を示す操業結果指標データを分析する手法としては、系統的な解析手法が知られておらず、現状では、例えば、製造プロセスに係わる品質管理部門や製造部門の担当者が人手によって、両者のデータを比較し、波形の変化情報を活用して経験と推定によって、分析を行っていた。
【０００３】
【特許文献１】
特開２００３−１５４４０９号公報
【０００４】
【発明が解決しようとする課題】
しかしながら、現実の製造プロセスにおいては、品質不合の発生要因は極めて多岐にわたり、発生要因がプロセスに及ぼす影響の時間または空間的なスケールも様々である為、個々の製品単位で操業と操業結果の関連を分析しても、データを製品単位で統計処理する際に有効な情報が欠落してしまうことに起因して、有効な解析ができない場合がある問題があった。
また、人間の経験と推定に頼る分析方法では、チャートデータに含まれている様々な時間または空間スケールに渡る波形の変化特徴量情報を詳細に抽出し、大量の操業結果指標との比較を行うことが困難であるため、やはり有効な解析ができない問題があった。
【０００５】
本発明は上述の問題点に鑑みてなされたものであり、個々の製品の詳細な操業チャートデータを予め蓄積して、製品製造時の操業の変化情報を特徴量として抽出し、解析に使用することで、詳細な操業と品質の関係を解析することが出来るようにすることを目的とする。また、同一製品内での品質のばらつきや一部に欠陥が発生した原因の分析にも、有効な解析を可能とするとともに、操業結果に基づいて製品品質を予測することも目的としている。
【０００６】
【課題を解決するための手段】
本発明の製造プロセスの操業結果解析装置は、製造プロセスにおける操業チャートデータと、前記操業チャートデータに対応した操業結果の良否を示す操業結果指標のデータを解析して、操業と操業結果の関連を解析する操業結果解析装置であって、製造プロセスの操業チャートデータ及び操業結果指標データを入力するデータ入力装置と、前記データ入力手段から入力された操業チャートデータを蓄積する操業データ蓄積装置と、前記操業データ蓄積装置から前記操業チャートデータを取り出し、そのチャート波形の特徴量を抽出する操業特徴量抽出装置と、前記データ入力手段から入力された操業結果指標データを蓄積する操業結果指標蓄積装置と、前記操業結果指標蓄積装置から操業結果指標データを取り出し、その特徴量を抽出する操業結果指標特徴量抽出装置と、前記操業特徴量抽出装置及び前記操業結果指標特徴量抽出装置から出力された特徴量間の関連を解析する関連解析装置と、前記関連解析装置の結果を出力する関連解析結果出力装置を備え、操業チャートデータにおける波形情報と操業結果の関連を抽出して定量的に解析できる様にした点に特徴を有する。
【０００７】
本発明の製造プロセスの操業結果解析装置の他の特徴とするところは、前記操業特徴量抽出装置が、前記操業データ蓄積装置に蓄積された時系列又は長さ系列の操業チャートデータを、単一又は複数の時間または長さスケールにて領域分割して、更に分割された各部分波形に対する特徴量を抽出する手段を有し、前記操業結果指標特徴量抽出装置が、前記操業特徴量抽出装置が出力する領域分割スケール情報に基づいて操業結果指標データの領域分割を行い、各部分領域における操業結果指標の特徴量を計算するようにした点にある。
【０００８】
また、本発明の製造プロセスの操業結果解析装置の他の特徴とするところは、前記操業特徴量抽出装置が、ウェーブレット変換処理を行うことによって、操業チャートデータを単一又は複数のスケールにて領域分割し、更に分割された各部分波形に対する特徴量としてウェーブレット係数を抽出する手段を有するようにした点にある。
また、本発明の製造プロセスの操業結果解析装置の他の特徴とするところは、前記操業結果指標特徴量抽出装置が、各分割領域における操業結果指標に対して平均、分散、最大、最小などの統計処理や補間処理を行い、各分割領域に対する特徴量として抽出する手段を有するようにした点にある。
また、本発明の製造プロセスの操業結果解析装置の他の特徴とするところは、前記関連解析装置が、前記操業特徴量抽出装置及び前記操業結果指標特徴量抽出装置から出力された特徴量を用いてデータマイニングを行う手段を有するようにした点にある。
また、本発明の製造プロセスの操業結果解析装置の他の特徴とするところは、前記製造プロセスは、鉄鋼プロセスである点にある。
また、本発明の製造プロセスの操業結果解析装置の他の特徴とするところは、前記操業結果指標は、鉄鋼製品の表面疵の個数である点にある。
【０００９】
本発明における製造プロセスの操業結果解析方法は、製造プロセスにおける操業チャートデータと、前記操業チャートデータに対応した操業結果の良否を示す操業結果指標のデータを解析して、操業と操業結果の関連を解析する操業結果解析方法であって、製造プロセスの操業チャートデータ及び操業結果指標データを入力するデータ入力工程と、前記データ入力手段から入力された操業チャートデータを蓄積する操業データ蓄積工程と、前記操業データ蓄積工程から前記操業チャートデータを取り出し、そのチャート波形の特徴量を抽出する操業特徴量抽出工程と、前記データ入力手段から入力された操業結果指標データを蓄積する操業結果指標蓄積工程と、前記操業結果指標蓄積工程から操業結果指標データを取り出し、その特徴量を抽出する操業結果指標特徴量抽出工程と、前記操業特徴量抽出及び前記操業結果指標特徴量抽出工程から出力された特徴量間の関連を解析する関連解析工程と、前記関連解析装置の結果を出力する関連解析結果出力工程を備えた点に特徴を有する。
本発明のコンピュータ読み取り可能な記憶媒体は、上記各工程として、コンピュータを機能させるプログラムを記録した点に特徴を有する。
【００１０】
さらに、本発明における製造プロセスにおける現在製造中の製品の操業チャートデータから、製造完了時の操業結果指標を予測する操業結果予測装置において、製造プロセスの過去の操業チャートデータから求めた操業特徴量である複数のスケール別ウェーブレット係数と操業結果指標特徴量の相関解析結果に基づき操業結果指標と相関のある任意のウェーブレット係数を選択し、選択したウェーブレット係数と操業結果指標との関係を表す相関モデル式を求め、該相関モデル式又は該相関モデル式に基づく論理モデル式を予め求め操業結果指標ごとに用意した操業結果指標判定モデルと、予測したい操業結果指標と製造中の操業チャートデータを入力するデータ入力装置と、入力したデータに基づき操業結果指標に関連した前記選択したウェーブレット係数を算出するオンライン操業特徴量抽出装置と、前記操業結果指標判定モデルの判定結果を出力するオンライン操業結果指標予測結果出力装置から成り、製造プロセスにおける製造中の操業チャートデータから、製造完了時の操業結果指標を予測することを特徴とする製造プロセスの操業結果予測装置を備えた点に特徴を有する。
【００１１】
【発明の実施の形態】
以下、添付の図面を参照して、製造プロセスの操業結果解析装置及びの実施の形態について説明する。
ここで、操業データは、例えば、温度、圧力、流量等の実数値の時間或いは長さ系列チャートデータとして与えられる。また、上記操業データに対応した操業結果は、例えば、品質や処理量等の実数値や不合発生の有無等の属性値情報が、時間或いは長さ系列として分布した形式で与えられる。
【００１２】
図１は、本実施の形態による製造プロセスの操業結果解析装置のコンピュータ上に構築する構成例を示す図である。同図のＳ００１はデータ入力装置であり、製造プロセスからの収集された操業設定値やプロセス状態量測定値のチャートデータ、及び品質等の操業結果指標データを操業結果解析装置に入力する。これらのデータは、例えばネットワークを介して他のコンピュータ、或いは本操業結果解析装置が格納されているコンピュータの記憶装置から入力する。図２に、操業チャートデータ及び操業結果指標データの例を示す。
【００１３】
Ｓ１０１は、操業データ蓄積装置であり、前記データ入力装置からインプットされた情報のうち、操業設定値やプロセス状態量測定値等、操業に係わるデータをハードディスク等の記憶装置に保存・蓄積し、かつ参照の指示が入力された場合は、蓄積された情報を随時、出力する機能を有する。
Ｓ１０２は、操業結果指標データ蓄積装置であり、前記データ入力装置からインプットされた情報のうち、品質など操業の結果として得られる指標に係わる操業結果指標データをハードディスク等の記憶装置に蓄積し、かつ参照の指示が入力された場合は、蓄積された情報を随時、出力する機能を有する。
【００１４】
Ｓ２０１は、操業特徴量抽出装置であり、操業データ蓄積装置Ｓ１０１から取り出した時間又は長さ系列の操業チャートデータを、単一又は複数のスケールにて分割し、更に分割した各部分に対する波形特徴量を抽出する。
このような複数のスケールでの領域の分割処理と波形特徴量の抽出を行う方法としては、例えば文献「ウェーブレットによる信号処理と画像処理」（共立出版株式会社発行、ＩＳＢＮ−４−３２０−０８５４９−３）に記載された離散ウェーブレット変換を応用する方法がある。
【００１５】
離散ウェーブレット変換処理によれば、基底ウェーブレットと呼ばれる特徴量として抽出したい波形要素ψ（ｔ）（ｔは時間又は長さ）を用い、式（１）に基づいて時間又は長さ方向のサイズを表すスケールパラメータａ、時刻又は長さ方向位置を表すシフトパラメータｂを変化させた基底ウェーブレットψａ，ｂ（ｔ）を導出する。このψａ，ｂ（ｔ）と操業チャートデータｆ（ｔ）との内積演算を式（２）を用いて行うことで、それぞれのスケールａ、シフトｂに対応したウェーブレット係数（Ｗψｆ）（ｂ，ａ）を計算する。
【数１】
離散ウェーブレット変換を行うにあたり領域分割を決定するスケール、シフトの組み合わせは、チャートデータが同一サンプリング間隔のデータ列で与えられている場合、例えば式（３）に従う組み合わせとすることができる。
ａ＝２ｊ，ｂ＝２ｊｋ ｊ，ｋは自然数 （３）
【００１７】
式（２）より、ウェーブレット係数は、このスケール条件における基底ウェーブレットと操業チャートとの類似性を表す指標と見なすことが出来ることから、ウェーブレット解析におけるスケールパラメータを操業チャートの領域分割スケール、ウェーブレット係数を操業特徴量として用いることが出来る。
【００１８】
基底ウェーブレットとしては、上記文献に記載されているメイエウェーブレット、ハールウェーブレット、ドビッシーウェーブレット等の種々の関数群に加えて、式（４）で表される２乗可積分条件を満たす関数ψを使用することが出来る。
【数２】
また、解析に使用する基底ウェーブレットψは、解析の目的や操業チャートデータの波形挙動に対する人間の過去の経験に基づいて適切な波形を選定しても良く、或いは独立成分分析や主成分分析等を用いて得られた波形を元に式（４）を満たす関数を作成しても良い。
この為、波形特徴量として抽出したい基底ウェーブレットを複数設定し、各基底ウェーブレットに対して、様々なスケールでの特徴量を自動的に抽出する処理が可能である。図３に複数の基底ウェーブレットを用いる場合の計算処理例のフローチャートを示す。
【００２０】
Ｓ２０２は、操業結果指標特徴量抽出装置である。前記操業特徴量抽出装置Ｓ２０１より、解析中の操業情報と、ウェーブレット変換等を用いて算出した領域分割情報を受け取り、前記操業結果指標データ蓄積装置Ｓ１０２から、解析中の操業に対応する操業結果指標データを入手する。前記領域分割情報に基づいて、操業結果指標データも同一の領域分割を行い、更に、各領域において操業結果指標特徴量を計算する。操業結果指標特徴量を算出する方法としては、例えば、平均、分散等の統計量を用いる方法がある。この結果、例えば、図４に模式的に示すような、操業特徴量と操業結果指標特徴量の対を得ることが出来る。
【００２１】
Ｓ３０１は、関連解析装置であり、前記操業特徴量抽出装置Ｓ２０１、及び前記操業結果指標特徴量抽出装置Ｓ２０２で算出された特徴量について、同一の分割スケールで評価された特徴量のデータセットを作成し、更に、操業と操業結果の関連性を解析するための、処理を実行する。解析方法としては、例えば、図５に示すような散布図や相関係数解析、重回帰分析などの統計処理による方法や、或いは所謂データマイニングと呼称される分野で用いられている解析手法である決定木やニューラルネットワーク等を用いる方法がある。
Ｓ４０１は、関連解析結果出力装置であり、前記関連解析装置Ｓ３０１にて実行された操業特徴量と操業結果特徴量の解析処理結果を表示装置あるいは印字装置に出力する。この出力結果を分析することによって、品質などの操業結果指標と、ある分割スケール条件下での操業波形特徴量の間に有意な関連がないか分析することが出来る。
【００２２】
以上に述べた本実施の形態による製造プロセスの操業結果解析装置によれば、操業チャートと品質の関連を分析する際に、操業チャートデータを様々なスケールに自動分割し、更に各スケールにおける波形特徴量と品質との関連を抽出して、分析に使用することが出来る為、操業チャートに含まれる情報を有効に活用して、精度の高い解析を短時間で行うことが可能である。また、同一製品内での品質のばらつきや一部に欠陥が発生したような場合でも、製品内での操業条件の変化情報を用いて、品質との関連を解析することが可能である。
【００２３】
次に上記の解析装置を基に、製造プロセスの品質予測を行う場合の実施の形態を述べる。
図８は、本実施の形態による製造プロセスの操業結果予測装置をコンピュータ上に構築した例を示す図である。同図のＳ００１〜Ｓ３０１は、上記で説明した図１の同番号の装置と同じ機能を有する。
ここで操業データは、前記操業結果解析装置と同様に、温度、圧力、流量等の実数値の時間或いは長さ系列チャートデータとして与えられる。また、操業データに対応した操業結果も同様に、品質や処理量等の実数値や不合発生の有無等の属性値情報が、時間或いは長さ系列として分布した形式である。
【００２４】
Ｓ５０１は、ウェーブレット波形選択装置であり、前記操業特徴量抽出装置Ｓ２０１で用いられる式（１）に基づく、様々なスケールの基底ウェーブレットψａ （ｉ）（ｔ）（ｔは時間又は長さ、ａは時間又は長さ方向のサイズを表すスケールパラメータ、ｉは波形形状を表すパラメータ）が複数ある中で、Ｓ３０１で算出される関連性を示す指標を用いて、操業結果と関連性の強い基底ウェーブレットψａ （ｉ）（ｔ）を選択する。
具体的な選択方法として例えば、操業結果とウェーブレット係数の相関係数を求め、その絶対値とユーザーが与えた相関係数の閾値を比較し、閾値よりも大きな相関と評価された基底ウェーブレットを選択する方法がある。
Ｓ６０１は、操業結果指標判定モデル作成装置であり、Ｓ５０１で選択された基底ウェーブレットに対応するウェーブレット係数を用いて操業結果指標判定モデルを作成する。操業結果指標判定モデルの作成は、任意のタイミングに行われる。
【００２５】
操業結果指標判定モデルは、例えば以下の手順で作成することが出来る。
１．Ｓ５０１で選択した基底ウェーブレットに対応するウェーブレット係数と操業結果指標データをそれぞれＳ２０１及びＳ２０２から取り出す。
２．入力をウェーブレット係数、出力を操業結果指標とした回帰モデルを相関モデル式として作成する。
３．操業結果の良否を判定するための操業結果指標の閾値をユーザーが入力する。
４．操業結果良否の閾値に対応するウェーブレット係数を前記回帰モデルから求め、ウェーブレット係数境界値とする。
５．上記２〜４の手順をＳ５０１で選択した全ての基底ウェーブレットに対し繰り返し行う。このようにして得られた複数のウェーブレット係数境界値を用いてウェーブレット係数から操業結果良否を判定するＩＦ−ＴＨＥＮルールの論理モデル式からなる操業結果指標判定モデルを作成する。
また、操業結果指標判定モデルを作成する手法は上記の手順に限定されるものではなく、例えば特開２００２−２２９９７１号公報に述べるクラスタ分析部を用いてＩＦ−ＴＨＥＮルールを作成してもよい。以上によって操業結果指標判定モデルを作成する。
【００２６】
Ｓ７００は、オンライン操業特徴量抽出装置である。Ｓ００１データ入力装置から入力された操業チャートデータに対し、Ｓ２０１と等しい装置構成で特徴量抽出処理を行う。このときＳ５０１にて選択された基底ウェーブレットに対するウェーブレット係数を計算する。
Ｓ７０１は、操業結果指標判定モデルであり、Ｓ７００から出力されるウェーブレット係数をＳ６０１の操業結果指標判定モデル作成装置で作成した判定モデルに入力し、オンラインで操業結果の予測指標を算出する。
Ｓ７０２は、オンライン操業結果指標予測結果出力装置であり、前記関連解析装置Ｓ７０１にて実行された操業結果の予測指標を表示装置あるいは印字装置に出力する。この指標を例えば操業オペレータ等に提示することで、現在製造中の製品品質に関する予測結果を提供することができる。
【００２７】
【実施例】
以下では、鉄鋼製品の製造プロセスにおける連続鋳造工程の操業チャートデータと、薄板製品の表面に生ずる線状疵の発生個数の関連を、本手法で解析した実施例について説明する。
今回の解析例では、操業チャート情報には、スラブ鋳造鋳型内湯面レベル、鋳造される溶鋼のスループット量（トン／分）、及び鋳型に埋め込まれた熱電対情報から導出された鋳型内流動の偏流係数の３項目を解析した。これら操業チャート情報は、全てスラブ鋳造位置に換算して０．１ｍピッチの長さ系列情報としてデータ変換されている。また、操業結果として得られる操業結果指標には、鋳造されたスラブを元に製造したメッキ鋼板の表面疵を疵検査装置で検査した結果をスラブ鋳造位置に換算処理し、長さ系列の疵発生情報としたものを用いている。
【００２８】
解析データの単位としては、連続鋳造における連々鋳（キャスト）単位にチャートデータと表面疵データをまとめ、ウェーブレット変換のアルゴリズムに基づいて、０．２ｍ、０．４ｍ、０．８ｍ、１．６ｍ、３．２ｍ、６．４ｍ、１２．８ｍの単位で領域分割を行い、ウェーブレット係数を算出するものとした。また、表面疵情報については、上記領域分割単位ごとに発生した疵個数を単位面積当りの個数に換算したものを用い、ウェーブレット係数との相関を解析するものとした。
【００２９】
図６は、あるキャストにおける湯面レベル量のチャートデータと、基底ウェーブレットとしてハールウェーブレットを用いた場合の各々のスケールにおけるウェーブレット係数と、操業結果である疵の発生分布の例、更に長さ方向で分割した単位面積当りの疵個数を示す図である。
図６のグラフの横軸は、全ての段で共通であって鋳造長さ位置を示している。１段目は、湯面レベル量の操業チャートデータである。２〜６段目は、それぞれスケールが５〜１（長さ３．２ｍ〜０．２ｍピッチに対応）のウェーブレット係数の絶対値である。７段目は、製造最終工程で検査された疵発生分布を鋳造された鋳片上の位置に展開した図である。８段目は、７段目の疵情報をスケール３（＝０．８ｍに相当）の長さ単位で集計した単位面積当りの疵個数を示す図である。
上記のような操業チャート及び疵情報を９８キャスト、約４か月分収集し、各キャストに対するウェーブレット係数を算出、疵個数との関連を相関係数で評価するものとした。
【００３０】
図７は、ウェーブレット係数と単位面積当りの疵個数の相関係数を、操業項目、及びスケール別に示した図である。相関係数値は、−１〜１の範囲を取るものであり、その絶対値が１に近いほど関連が強く、逆に０に近い場合は相関がないことを示している。この図より、鋳型内湯面レベルのスケール３（＝０．８ｍ）の係数が最も疵個数と関連が高いことが明らかとなった。
この結果を利用して、疵多発時の製鋼操業を調査したところ、上記の湯面レベルの変動は、オペレータによる浸漬ノズルの詰まり防止操作、具体的にはノズル開度の操作により注入流量が変動し、湯面レベル変動を発生させることに対応しており、この操作によって、浸漬ノズル内に付着した非金属介在物が、鋳型内に多く混入して、表面疵の発生要因の一つとなっていることが明らかとなった。この知見に基づいて、ノズルの詰まり防止操作の実行に関して作業標準を設け、操業規制を行ったところ、表面疵発生率の低減による歩留まり向上の効果を得ることが出来た。
【００３１】
次に、上記の解析結果を利用して薄板製品の表面品質に関わる指標である線状疵の発生個数を予測するのに、本発明を応用した実施例を説明する。
図７の、ウェーブレット係数と単位面積当りの疵個数の相関解析結果に対して、今回相関係数の閾値として０．８を指定し基底ウェ−ブレットを選択した。図７より、鋳型内湯面レベルのスケール３（＝０．８ｍ、以降、基底Ａと呼ぶ）の相関係数、偏流係数のスケール５（＝３．２ｍ、以降、基底Ｂと呼ぶ）の相関係数が閾値より大きな値であり、この２つを選択した。
【００３２】
次に、操業結果指標判定モデルとして操業から品質良否のクラス分類を行うＩＦ−ＴＨＥＮルールからなる論理モデル式を作成した。ＩＦ−ＴＨＥＮルールで用いるウェーブレット係数の境界値を求めるため、基底Ａ、Ｂそれぞれのウェーブレット係数と疵個数の相関モデル式を１次の回帰式として求めた。疵個数と基底Ａウェーブレット係数の回帰式を式（５）、基底Ｂウェーブレット係数との回帰式を式（６）に示す。
Ｄａ＝１．２３＊Ｗａ ＋ ０．２２ （５）
Ｄａ：予測疵個数 Ｗａ：基底ウェーブレットＡのウェーブレット係数
Ｄｂ＝−２４．００＊Ｗｂ ＋ ５３．４ （６）
Ｄｂ：予測疵個数 Ｗｂ：基底ウェーブレットＢのウェーブレット係数
今回の実施例では品質良否を決める疵個数の閾値を７個／ｍ２とし、境界値を求めたところ、式（５）、式（６）からそれぞれ以下のように得ることが出来た。
基底ウェーブレットＡのウェーブレット係数 Ｗａ＝５．５１
基底ウェーブレットＢのウェーブレット係数 Ｗｂ＝１．９３
【００３３】
上記の手順で求めた境界値を用いて、疵個数が多く品質不良と予測される条件を指定するＩＦ−ＴＨＥＮルールの論理モデル式からなる操業結果指標判定モデルを作成した。得られた操業結果指標判定モデルを図９に模式的に示す。横軸に基底Ａのウェーブレット係数、縦軸に基底Ｂのウェーブレット係数を示し、境界値は破線で示してある、疵個数が７個／ｍ２以上で、不合と判定される領域はハッチングを施している領域である。
上記の手順で得られた操業結果指標判定モデルを用いてオンラインでの品質予測を行い重度欠陥が予測される鋼材に対しては保留を行うよう操業標準を設定し２ヶ月間運用したところ、最終工程での疵によって不合格となる鋼材量が低減する効果を得ることができた。
【００３４】
なお、今回の実施例では、コンピュータ上のプログラムとして製造プロセスの操業結果解析装置を実現したが、演算装置、メモリ等を組み合わせたハードウェアによって構成されるものであっても良い。
また、本発明の製造プロセスの操業結果解析装置は、複数の機器から構成されるものであっても、一つの機器から構成されるものであっても良い。
また、上述した実施の形態は、コンピュータのＣＰＵ或いはＭＰＵ、ＲＡＭ、ＲＯＭ等で構成されるものであり、ＲＡＭやＲＯＭに記録されたプログラムが動作することで実施される。したがって、前記実施の形態の機能を実現するためのソフトウェアのプログラムコードをコンピュータに供給するための手段、例えばかかるプログラムコードを格納した記憶媒体は本発明の範疇に含まれる。
【００３５】
【発明の効果】
以上に述べたように本発明によれば、操業チャートデータと操業結果指標データを単一、又は複数の時間或いは長さスケールで分割し、分割された各部分波形に対する特徴量を抽出して、更に同じ分割スケールで品質の特徴量を算出して、両者の関連を解析するための情報を出力することにより、チャートデータに含まれた有効な情報を欠落させることなく抽出し、更に大量の操業結果指標との比較を行うことで詳細な操業と品質の関係を解析することができる。
また、上記解析によって操業結果と関連が高いと評価された特徴量を用いて品質判定モデルを作成し，オンライン操業チャートデータから現在製造中の製品品質を予測することができる。
【図面の簡単な説明】
【図１】本発明の実施の形態の製造プロセスの操業結果解析装置の構成例を示す図である。
【図２】操業チャートデータと操業結果の例としての疵展開データを示す図である。
【図３】複数の基底ウェーブレットを用いる場合の計算処理フローの例を示す図である。
【図４】操業チャートの特徴量であるウェーブレット係数と疵展開図を説明する模式図である。
【図５】ウェーブレット係数と疵個数の相関を示す散布図である。
【図６】実施例における操業チャートデータと、そのウェーブレット係数計算結果、操業結果指標である疵展開図、及びその長さ方向の単位面積当りの疵個数を示す図である。
【図７】実施例のウェーブレット係数と疵個数の相関係数を示す表である。
【図８】本発明の実施の形態の製造プロセスの操業結果予測装置の構成例を示す図である。
【図９】実施例のウェーブレット係数による操業結果指標判定モデルを示す模式図である。
【符号の説明】
Ｓ００１：データ入力装置
Ｓ１０１：操業データ蓄積装置
Ｓ１０２：操業結果指標データ蓄積装置
Ｓ２０１：操業特徴量抽出装置
Ｓ２０２：操業結果指標特徴量抽出装置
Ｓ３０１：関連解析装置
Ｓ４０１：関連解析結果出力装置
Ｓ５０１：ウェーブレット波形選択装置
Ｓ６０１：操業結果指標判定モデル作成装置
Ｓ７００：オンライン操業特徴量抽出装置
Ｓ７０１：操業結果指標判定モデル
Ｓ７０２：オンライン操業結果指標予測結果出力装置[0001]
TECHNICAL FIELD OF THE INVENTION
The present invention relates to an operation result analysis apparatus for a manufacturing process, an operation result analysis method, and a computer-readable storage medium.In particular, in an entire process including a plurality of steps in which a processing amount and quality as an operation result are determined, operation chart data and The present invention relates to a technique suitable for use in analyzing operation result index data indicating the quality of operation results corresponding to this. In addition, the quality of the product currently being produced is predicted online from the operation chart data, and, for example, when product quality mismatch is predicted, processing such as transfer of destination and reprocessing is planned early, or The present invention relates to a suitable technique that is used for finding a cause of incompatibility at an early stage and finding a solution such as an operation change.
[0002]
[Prior art]
Conventionally, in a process consisting of multiple processes where the throughput and quality are determined as operation results, the method of analyzing the relationship between operations and operation results in order to analyze the cause of quality inconsistency has been the operation results for each product. It is known how to collect a pair of index data and corresponding operation data and analyze the relationship between quality and operation by applying statistical methods such as correlation analysis and multiple regression and AI methods such as neural networks and decision trees. Have been. Here, when the data to be analyzed is, for example, an operation chart in a steel manufacturing process and a format having information at a more detailed resolution than a product unit, such as a coil development diagram of a surface defect inspection result of a thin sheet product, A method is known in which data is divided for each product and subjected to statistical processing to be converted into data for each product and analyzed.
As a method of analyzing operation charts and operation result index data indicating the quality of operation results corresponding to the chart data, a systematic analysis method is not known. A person in charge of the management department or the manufacturing department manually compares the two data, and analyzes the information based on experience and estimation using the change information of the waveform.
[0003]
[Patent Document 1]
JP 2003-154409 A
[0004]
[Problems to be solved by the invention]
However, in the actual manufacturing process, the causes of quality inconsistency are extremely diverse, and the time or spatial scale of the influence of the causes on the process varies. However, there is a problem that effective analysis may not be performed due to a lack of effective information when statistically processing data on a product basis.
Analysis methods that rely on human experience and estimation perform detailed extraction of waveform change feature information over various time or space scales contained in chart data and compare it with a large number of operation result indicators. However, there is a problem that effective analysis cannot be performed.
[0005]
The present invention has been made in view of the above-described problems, and stores in advance detailed operation chart data of individual products, extracts operation change information during product manufacturing as a feature amount, and uses the information for analysis. In this way, it is an object of the present invention to be able to analyze a detailed relationship between operation and quality. It is also intended to enable effective analysis to analyze the cause of quality variations and defects in some products within the same product, and to predict product quality based on operation results.
[0006]
[Means for Solving the Problems]
The operation result analysis device of the manufacturing process of the present invention analyzes operation chart data in the manufacturing process and data of an operation result index indicating the quality of the operation result corresponding to the operation chart data, and associates the operation with the operation result. An operation result analysis device for analyzing, comprising: a data input device for inputting operation chart data and operation result index data of a manufacturing process; an operation data storage device for accumulating operation chart data input from the data input means; An operation characteristic amount extraction device that extracts the operation chart data from the operation data storage device and extracts a characteristic amount of the chart waveform, and an operation result index storage device that accumulates operation result index data input from the data input unit, Extract operation result index data from the operation result index storage device and extract the feature amount thereof An operation result index feature amount extraction device, an operation analysis amount extraction device, an association analysis device for analyzing the association between the characteristic amounts output from the operation result index amount extraction device, and a result of the association analysis device. A characteristic feature is that a relation analysis result output device is provided, and the relation between waveform information and operation results in operation chart data can be extracted and quantitatively analyzed.
[0007]
Another feature of the operation result analysis device of the manufacturing process of the present invention is that the operation characteristic amount extraction device converts the time-series or length-sequence operation chart data stored in the operation data storage device into a single unit. Or, a region is divided into a plurality of time or length scales, and further includes a unit for extracting a feature amount for each of the divided partial waveforms, wherein the operation result index feature amount extraction device includes the operation feature amount extraction device. The point is that the operation result index data is divided into regions based on the output region division scale information, and the feature amount of the operation result index in each partial region is calculated.
[0008]
Another feature of the operation result analysis device of the manufacturing process of the present invention is that the operation characteristic amount extraction device performs a wavelet transform process to convert the operation chart data into a single area or a plurality of scales. The point is that a means for extracting a wavelet coefficient as a feature amount for each of the divided partial waveforms is provided.
Further, another feature of the operation result analysis device of the manufacturing process of the present invention is that the operation result index feature amount extraction device is configured such that the operation result index in each divided region has an average, a variance, a maximum, and a minimum. The point is that a means for performing a statistical process or an interpolation process and extracting it as a feature amount for each divided region is provided.
Further, another feature of the operation result analysis device of the manufacturing process of the present invention is that the relation analysis device uses the feature amount output from the operation feature amount extraction device and the operation result index feature amount extraction device. In that it has means for performing data mining.
Another feature of the apparatus for analyzing operation results of a manufacturing process according to the present invention is that the manufacturing process is a steel process.
Another feature of the operation result analysis apparatus of the manufacturing process of the present invention is that the operation result index is the number of surface flaws of a steel product.
[0009]
The operation result analysis method of the manufacturing process according to the present invention analyzes the operation chart data in the manufacturing process and the data of the operation result index indicating the quality of the operation result corresponding to the operation chart data, and associates the operation with the operation result. An operation result analysis method for analyzing, comprising: a data input step of inputting operation chart data and operation result index data of a manufacturing process; an operation data accumulating step of accumulating operation chart data input from the data input means; Extracting the operation chart data from the operation data accumulation step, an operation characteristic amount extraction step of extracting a characteristic amount of the chart waveform, and an operation result index accumulation step of accumulating operation result index data input from the data input unit, The operation result index data is extracted from the operation result index accumulation step, and the feature amount thereof is extracted. An operation result index feature amount extraction step, an association analysis step of analyzing the relationship between the operation feature amount extraction and the feature amount output from the operation result index feature amount extraction step, and outputting a result of the association analysis device. It is characterized in that it has a related analysis result output step.
The computer-readable storage medium of the present invention is characterized in that a program for causing a computer to function is recorded as each of the above steps.
[0010]
Furthermore, from the operation chart data of the product currently being manufactured in the manufacturing process of the present invention, in an operation result prediction device that predicts an operation result index at the time of completion of the manufacturing, the operation characteristic amount obtained from the past operation chart data of the manufacturing process is used. Correlation model formula that selects an arbitrary wavelet coefficient that is correlated with the operation result index based on the correlation analysis results of a plurality of scale-based wavelet coefficients and operation result index features, and expresses the relationship between the selected wavelet coefficient and the operation result index Is obtained, the correlation model formula or a logical model formula based on the correlation model formula is obtained in advance, an operation result index determination model prepared for each operation result index, and an operation result index to be predicted and data for inputting an operation chart data during manufacture. An input device and the selected window associated with the operation result index based on the input data. An online operation feature quantity extraction device that calculates a bullet coefficient, and an online operation result index prediction result output device that outputs a determination result of the operation result index determination model, and based on operation chart data during manufacturing in the manufacturing process, when manufacturing is completed. The present invention is characterized in that an operation result predicting device for a manufacturing process, which is characterized by predicting the operation result index of the manufacturing process, is provided.
[0011]
BEST MODE FOR CARRYING OUT THE INVENTION
Hereinafter, an embodiment of a device for analyzing operation results of a manufacturing process and an embodiment will be described with reference to the accompanying drawings.
Here, the operation data is given as real-time time or length series chart data such as temperature, pressure, and flow rate. The operation result corresponding to the operation data is given in a form in which real value such as quality and processing amount and attribute value information such as presence or absence of inconsistency are distributed as time or length series.
[0012]
FIG. 1 is a diagram showing a configuration example constructed on a computer of an operation result analysis apparatus for a manufacturing process according to the present embodiment. S001 in the figure is a data input device, which inputs operation setting values and chart data of process state quantity measurement values collected from the manufacturing process and operation result index data such as quality to the operation result analysis device. These data are input from, for example, another computer or a storage device of the computer in which the operation result analysis device is stored via a network. FIG. 2 shows an example of operation chart data and operation result index data.
[0013]
S101 is an operation data storage device, among the information input from the data input device, saves and accumulates data related to operation, such as operation setting values and process state quantity measurement values, in a storage device such as a hard disk, and It has a function of outputting accumulated information as needed when a reference instruction is input.
S102 is an operation result index data storage device, among the information input from the data input device, stores operation result index data related to an index obtained as a result of the operation such as quality in a storage device such as a hard disk, and It has a function of outputting accumulated information as needed when a reference instruction is input.
[0014]
S201 is an operation feature amount extraction device, which divides the operation chart data of the time or length series taken out from the operation data storage device S101 into single or plural scales, and further, a waveform feature amount for each of the divided portions. Is extracted.
As a method of performing the area division processing and the extraction of the waveform feature amount on a plurality of scales, for example, a document “Signal Processing and Image Processing by Wavelet” (published by Kyoritsu Shuppan Co., Ltd., ISBN-4-320-08549-) There is a method of applying the discrete wavelet transform described in 3).
[0015]
According to the discrete wavelet transform process, a waveform element ψ (t) (t is time or length) to be extracted as a feature amount called a base wavelet is used, and the size in the time or length direction is represented based on Expression (1). A base wavelet た in which a scale parameter a and a shift parameter b representing a time or a longitudinal position are changed.a, b(T) is derived. This ψa, bBy calculating the inner product of (t) and the operation chart data f (t) using equation (2), a wavelet coefficient (Wψf) (b, a) corresponding to each scale a and shift b is calculated. .
(Equation 1)
When the discrete wavelet transform is performed, the combination of scale and shift that determines the area division can be, for example, a combination according to Expression (3) when the chart data is given by a data string at the same sampling interval.
a = 2j, B = 2jk j, k are natural numbers (3)
[0017]
From the equation (2), the wavelet coefficient can be regarded as an index indicating the similarity between the base wavelet and the operation chart under this scale condition. Therefore, the scale parameter in the wavelet analysis is set to the area division scale of the operation chart and the wavelet coefficient. It can be used as an operation feature.
[0018]
As the base wavelet, in addition to various function groups such as the Meyer wavelet, the Haar wavelet, and the Debussy wavelet described in the above literature, a function を 満 た す that satisfies the square integrable condition represented by the equation (4) is used. I can do it.
(Equation 2)
In addition, for the base wavelet ψ used for analysis, an appropriate waveform may be selected based on human's past experience with respect to the purpose of the analysis and the waveform behavior of operation chart data, or independent component analysis, principal component analysis, or the like. A function that satisfies Equation (4) may be created based on the waveform obtained by using the function.
Therefore, it is possible to set a plurality of base wavelets to be extracted as waveform feature amounts, and to automatically extract feature amounts at various scales for each base wavelet. FIG. 3 shows a flowchart of an example of calculation processing when a plurality of basis wavelets are used.
[0020]
S202 is an operation result index feature amount extraction device. Operation information under analysis and region division information calculated using wavelet transform or the like are received from the operation characteristic amount extraction device S201, and an operation result index corresponding to the operation under analysis is received from the operation result index data storage device S102. Get the data. Based on the region division information, the operation result index data is also subjected to the same region division, and the operation result index characteristic amount is calculated for each region. As a method of calculating the operation result index feature amount, for example, there is a method of using statistics such as average and variance. As a result, for example, a pair of an operation characteristic amount and an operation result index characteristic amount as schematically shown in FIG. 4 can be obtained.
[0021]
S301 is a relation analysis device, which creates a data set of feature amounts evaluated on the same division scale for the feature amounts calculated by the operation feature amount extraction device S201 and the operation result index feature amount extraction device S202. Then, a process for analyzing the association between the operation and the operation result is executed. The analysis method is, for example, a method based on statistical processing such as a scatter diagram, correlation coefficient analysis, or multiple regression analysis as shown in FIG. 5, or an analysis method used in a field called data mining. There is a method using a decision tree, a neural network, or the like.
S401 is an association analysis result output device, which outputs the operation characteristic amount and the analysis result of the operation result characteristic amount executed by the association analysis device S301 to a display device or a printing device. By analyzing this output result, it is possible to analyze whether there is a significant association between the operation result index such as quality and the operation waveform feature amount under a certain division scale condition.
[0022]
According to the operation result analysis device of the manufacturing process according to the present embodiment described above, when analyzing the relationship between the operation chart and the quality, the operation chart data is automatically divided into various scales, and further, the waveform characteristics at each scale are further divided. Since the relation between quantity and quality can be extracted and used for analysis, highly accurate analysis can be performed in a short time by effectively utilizing the information included in the operation chart. Further, even in the case where the quality varies within the same product or a defect occurs partially, it is possible to analyze the relationship with the quality using the change information of the operating conditions within the product.
[0023]
Next, an embodiment in which quality prediction of a manufacturing process is performed based on the above-described analyzer will be described.
FIG. 8 is a diagram illustrating an example in which the operation result prediction device of the manufacturing process according to the present embodiment is constructed on a computer. Steps S001 to S301 in the same figure have the same functions as the above-described devices of the same numbers in FIG.
Here, the operation data is provided as real-time time or length series chart data such as temperature, pressure, and flow rate, similarly to the operation result analysis apparatus. Similarly, the operation result corresponding to the operation data has a format in which real value such as quality and processing amount and attribute value information such as presence / absence of inconsistency are distributed as time or length series.
[0024]
S501 is a wavelet waveform selection device, which is based on the expression (1) used in the operation feature amount extraction device S201 and has various scales of base wavelet ψ.a (I)(T) In the case where there are a plurality of (t is time or length, a is a scale parameter indicating a size in a time or length direction, and i is a parameter indicating a waveform shape), an index indicating a relevancy calculated in S301 is set. By using the base wavelet 強 いa (I)Select (t).
As a specific selection method, for example, a correlation coefficient between the operation result and the wavelet coefficient is obtained, an absolute value thereof is compared with a threshold value of a correlation coefficient provided by a user, and a base wavelet evaluated as having a correlation larger than the threshold value is selected. There is a way to do that.
In step S601, the operation result index determination model creating device creates an operation result index determination model using the wavelet coefficient corresponding to the base wavelet selected in step S501. Creation of the operation result index determination model is performed at an arbitrary timing.
[0025]
The operation result index determination model can be created, for example, by the following procedure.
1. Wavelet coefficients and operation result index data corresponding to the base wavelet selected in S501 are extracted from S201 and S202, respectively.
2. A regression model using the input as a wavelet coefficient and the output as an operation result index is created as a correlation model equation.
3. The user inputs a threshold value of the operation result index for determining whether the operation result is good or bad.
4. A wavelet coefficient corresponding to the threshold value of the operation result is determined from the regression model, and is set as a wavelet coefficient boundary value.
5. The
Further, the method of creating the operation result index determination model is not limited to the above procedure, and the IF-THEN rule may be created using, for example, a cluster analysis unit described in JP-A-2002-229971. Thus, an operation result index determination model is created.
[0026]
S700 is an online operation feature amount extraction device. A feature amount extraction process is performed on the operation chart data input from the S001 data input device with the same device configuration as in S201. At this time, a wavelet coefficient for the base wavelet selected in S501 is calculated.
S701 is an operation result index determination model. The wavelet coefficient output from S700 is input to the determination model created by the operation result index determination model creation device of S601, and a prediction index of the operation result is calculated online.
S702 is an online operation result index prediction result output device, and outputs the operation result prediction index executed by the association analysis device S701 to a display device or a printing device. By presenting this index to, for example, an operation operator or the like, it is possible to provide a prediction result regarding the quality of a product currently being manufactured.
[0027]
【Example】
Hereinafter, an example in which the relationship between the operation chart data of the continuous casting process in the steel product manufacturing process and the number of linear flaws generated on the surface of a thin sheet product is analyzed by the present method will be described.
In this analysis example, the operation chart information includes the level of the molten metal in the slab casting mold, the throughput of the molten steel to be cast (ton / min), and the drift of the flow in the mold derived from the thermocouple information embedded in the mold. Three items of coefficients were analyzed. All of these operation chart information are converted into data of a 0.1 m pitch length sequence in terms of a slab casting position. In addition, in the operation result index obtained as the operation result, the result of inspecting the surface flaw of the plated steel sheet manufactured based on the cast slab with the flaw inspection device is converted into the slab casting position, and the length series flaw is generated. The information is used.
[0028]
As a unit of the analysis data, the chart data and the surface flaw data are summarized in a continuous casting (cast) unit in the continuous casting, and based on a wavelet transform algorithm, 0.2m, 0.4m, 0.8m, 1.6m, Region division is performed in units of 3.2 m, 6.4 m, and 12.8 m to calculate wavelet coefficients. As for the surface flaw information, the correlation between the surface flaw information and the wavelet coefficient was analyzed using the information obtained by converting the number of flaws generated for each of the above-mentioned area division units into the number per unit area.
[0029]
FIG. 6 shows chart data of the level of the molten metal level in a certain cast, wavelet coefficients at each scale when a Haar wavelet is used as the base wavelet, and an example of the distribution of occurrence of flaws as an operation result, and further in the length direction. It is a figure which shows the number of flaws per divided unit area.
The horizontal axis of the graph in FIG. 6 is common to all stages and indicates the casting length position. The first row is operation chart data of the level of the molten metal level. The second to sixth stages are the absolute values of the wavelet coefficients having a scale of 5 to 1 (corresponding to a pitch of 3.2 m to 0.2 m). The seventh stage is a diagram in which the flaw occurrence distribution inspected in the final production step is developed at a position on the cast slab. The eighth row is a diagram showing the number of flaws per unit area in which the flaw information of the seventh row is tabulated in units of length of scale 3 (corresponding to 0.8 m).
The operation chart and the flaw information as described above were collected for 98 casts for about four months, the wavelet coefficient for each cast was calculated, and the relationship with the number of flaws was evaluated by a correlation coefficient.
[0030]
FIG. 7 is a diagram showing the correlation coefficient between the wavelet coefficient and the number of flaws per unit area for each operation item and scale. The correlation coefficient value ranges from -1 to 1. The closer the absolute value is to 1, the stronger the association, and the closer the absolute value is to 0, there is no correlation. From this figure, it was clarified that the coefficient of scale 3 (= 0.8 m) of the mold level in the mold had the highest relation with the number of flaws.
Using this result, we investigated the steelmaking operation at the time of frequent occurrence of flaws, and found that the fluctuation of the molten metal level caused the operator to prevent clogging of the immersion nozzle, specifically, the injection flow rate fluctuated by the operation of the nozzle opening. However, this operation corresponds to the change in the level of the molten metal, and this operation causes a large amount of non-metallic inclusions adhering to the inside of the immersion nozzle to be mixed into the mold, which is one of the causes of surface flaws. It became clear that there was. Based on this knowledge, a work standard was established regarding the execution of the nozzle clogging prevention operation, and the operation was regulated. As a result, the effect of improving the yield by reducing the incidence of surface flaws was obtained.
[0031]
Next, an example in which the present invention is applied to predict the number of occurrences of linear flaws, which is an index related to the surface quality of a thin sheet product, using the above analysis results will be described.
Based on the correlation analysis result between the wavelet coefficient and the number of flaws per unit area in FIG. 7, 0.8 was designated as the threshold value of the correlation coefficient, and the base wavelet was selected. From FIG. 7, the correlation coefficient of the scale 3 (= 0.8 m, hereinafter referred to as a base A) of the mold level in the mold and the phase relation of the scale 5 (= 3.2 m, hereinafter referred to as the base B) of the drift coefficient are shown. The number was greater than the threshold and these two were selected.
[0032]
Next, as an operation result index determination model, a logical model expression composed of IF-THEN rules for classifying the quality of operation from quality to operation was created. In order to find the boundary value of the wavelet coefficient used in the IF-THEN rule, the correlation model equation between the wavelet coefficient of each of the bases A and B and the number of flaws was found as a first-order regression equation. Equation (5) shows the regression equation between the number of flaws and the base A wavelet coefficient, and equation (6) shows the regression equation between the base B wavelet coefficient.
Da = 1.23 * Wa + 0.22 (5)
Da: Predicted number of flaws Wa: Wavelet coefficient of base wavelet A
Db = −24.00 * Wb + 53.4 (6)
Db: Predicted number of flaws Wb: Wavelet coefficient of base wavelet B
In this embodiment, the threshold of the number of flaws for determining quality is 7 / m2When the boundary values were determined, the following values could be obtained from Expressions (5) and (6), respectively.
Wavelet coefficient of base wavelet A Wa = 5.51
Wavelet coefficient Wb = 1.93 of base wavelet B
[0033]
Using the boundary values obtained in the above procedure, an operation result index determination model was created which was composed of a logical model expression of an IF-THEN rule that specifies conditions under which the number of flaws is large and quality is predicted to be poor. FIG. 9 schematically shows the obtained operation result index determination model. The horizontal axis indicates the wavelet coefficient of the base A, the vertical axis indicates the wavelet coefficient of the base B, and the boundary value is indicated by a broken line.2In the above, the area determined to be incongruent is the hatched area.
Using the operation result index judgment model obtained in the above procedure, online quality prediction was performed, and operation standards were set for steel materials with severe defects expected to be put on hold and operated for 2 months. The effect of reducing the amount of rejected steel material due to flaws in the process could be obtained.
[0034]
In the present embodiment, the operation result analysis device of the manufacturing process is realized as a program on a computer. However, the operation result analysis device may be configured by hardware combining an arithmetic device, a memory, and the like.
Further, the operation result analysis device for the manufacturing process of the present invention may be constituted by a plurality of devices or may be constituted by one device.
Further, the above-described embodiment is configured by a computer CPU, MPU, RAM, ROM, or the like, and is implemented by operating a program recorded in the RAM or ROM. Therefore, means for supplying a program code of software for realizing the functions of the above-described embodiments to a computer, for example, a storage medium storing such a program code is included in the scope of the present invention.
[0035]
【The invention's effect】
As described above, according to the present invention, the operation chart data and the operation result index data are divided by a single or a plurality of time or length scales, and a feature amount for each divided partial waveform is extracted. Furthermore, by calculating the quality feature quantity on the same division scale and outputting information for analyzing the relationship between the two, the effective information included in the chart data is extracted without loss, and a large amount of operation is performed. By comparing with the result index, it is possible to analyze the detailed relationship between operation and quality.
Further, it is possible to create a quality judgment model by using the feature amount evaluated to be highly related to the operation result by the above analysis, and to predict the quality of the product currently being manufactured from the online operation chart data.
[Brief description of the drawings]
FIG. 1 is a diagram illustrating a configuration example of an operation result analysis apparatus for a manufacturing process according to an embodiment of the present invention.
FIG. 2 is a diagram showing operation chart data and flaw development data as an example of operation results.
FIG. 3 is a diagram illustrating an example of a calculation processing flow when a plurality of basis wavelets are used.
FIG. 4 is a schematic diagram for explaining a wavelet coefficient, which is a feature amount of an operation chart, and a flaw development diagram.
FIG. 5 is a scatter diagram showing a correlation between a wavelet coefficient and the number of flaws.
FIG. 6 is a diagram showing operation chart data, a wavelet coefficient calculation result thereof, a flaw development view as an operation result index, and the number of flaws per unit area in the length direction in the embodiment.
FIG. 7 is a table showing a correlation coefficient between the wavelet coefficient and the number of flaws in the example.
FIG. 8 is a diagram illustrating a configuration example of an operation result prediction device for a manufacturing process according to an embodiment of the present invention.
FIG. 9 is a schematic diagram illustrating an operation result index determination model based on wavelet coefficients according to the embodiment.
[Explanation of symbols]
S001: Data input device
S101: Operation data storage device
S102: Operation result index data storage device
S201: Operation feature amount extraction device
S202: Operation result index feature value extraction device
S301: Related analysis device
S401: Related analysis result output device
S501: Wavelet waveform selection device
S601: Operation result index determination model creation device
S700: Online operation feature quantity extraction device
S701: Operation result index determination model
S702: Online operation result index prediction result output device
Claims (10)
製造プロセスの操業チャートデータ及び操業結果指標データを入力するデータ入力装置と、
前記データ入力手段から入力された操業チャートデータを蓄積する操業データ蓄積装置と、
前記操業データ蓄積装置から前記操業チャートデータを取り出し、そのチャート波形の特徴量を抽出する操業特徴量抽出装置と、
前記データ入力手段から入力された操業結果指標データを蓄積する操業結果指標蓄積装置と、
前記操業結果指標蓄積装置から操業結果指標データを取り出し、その特徴量を抽出する操業結果指標特徴量抽出装置と、
前記操業特徴量抽出装置及び前記操業結果指標特徴量抽出装置から出力された特徴量間の関連を解析する関連解析装置と、
前記関連解析装置の結果を出力する関連解析結果出力装置を有し、操業チャートデータにおける波形情報と操業結果の関連を抽出して定量的に解析できる様にすることを特徴とする製造プロセスの操業結果解析装置。Operation chart data in the manufacturing process, by analyzing the operation result index data indicating the quality of the operation result corresponding to the operation chart data, an operation result analysis device for analyzing the relationship between the operation and the operation result,
A data input device for inputting operation chart data and operation result index data of the manufacturing process,
An operation data storage device that stores operation chart data input from the data input unit,
An operation feature amount extraction device that extracts the operation chart data from the operation data storage device and extracts a feature amount of the chart waveform,
An operation result index storage device that stores the operation result index data input from the data input unit,
An operation result index feature amount extraction device that extracts operation result index data from the operation result index storage device and extracts a feature amount thereof,
An association analysis device that analyzes the association between the feature amounts output from the operation feature amount extraction device and the operation result index feature amount extraction device,
Operating the manufacturing process, comprising a related analysis result output device for outputting a result of the related analysis device, and extracting and quantitatively analyzing a relationship between waveform information and operation results in the operation chart data. Result analyzer.
製造プロセスの操業チャートデータ及び操業結果指標データを入力するデータ入力工程と、
前記データ入力手段から入力された操業チャートデータを蓄積する操業データ蓄積工程と、
前記操業データ蓄積工程から前記操業チャートデータを取り出し、そのチャート波形の特徴量を抽出する操業特徴量抽出工程と、
前記データ入力手段から入力された操業結果指標データを蓄積する操業結果指標蓄積工程と、
前記操業結果指標蓄積工程から操業結果指標データを取り出し、その特徴量を抽出する操業結果指標特徴量抽出工程と、
前記操業特徴量抽出及び前記操業結果指標特徴量抽出工程から出力された特徴量間の関連を解析する関連解析工程と、
前記関連解析装置の結果を出力する関連解析結果出力工程を有し、操業チャートデータにおける波形情報と操業結果の関連を抽出して定量的に解析できる様にすることを特徴とする製造プロセスの操業結果解析方法。An operation result analysis method for analyzing operation chart data in a manufacturing process and data of an operation result index indicating the quality of operation results corresponding to the operation chart data, and analyzing the relationship between the operation and the operation result,
A data input step of inputting operation chart data and operation result index data of the manufacturing process,
An operation data accumulation step of accumulating operation chart data input from the data input means,
An operation feature amount extraction step of extracting the operation chart data from the operation data accumulation step and extracting a feature amount of the chart waveform,
An operation result index accumulation step of accumulating the operation result index data input from the data input means,
An operation result index feature amount extraction step of extracting operation result index data from the operation result index accumulation step and extracting a feature amount thereof,
An association analysis step of analyzing the association between the feature quantities output from the operation feature quantity extraction and the operation result index feature quantity extraction step,
Operating the manufacturing process, comprising a related analysis result output step of outputting a result of the related analysis apparatus, and extracting a relationship between waveform information and operation results in the operation chart data so as to enable quantitative analysis. Result analysis method.
製造プロセスの過去の操業チャートデータから求めた操業特徴量である複数のスケール別ウェーブレット係数と操業結果指標特徴量の相関解析結果に基づき操業結果指標と相関のある任意のウェーブレット係数を選択し、
選択したウェーブレット係数と操業結果指標との関係を表す相関モデル式を求め、
該相関モデル式又は該相関モデル式に基づく論理モデル式を予め求め操業結果指標ごとに用意した操業結果指標判定モデルと、
予測したい操業結果指標と製造中の操業チャートデータを入力するデータ入力装置と、
入力したデータに基づき操業結果指標に関連した前記選択したウェーブレット係数を算出するオンライン操業特徴量抽出装置と、
前記操業結果指標判定モデルの判定結果を出力するオンライン操業結果指標予測結果出力装置と、
から成り、製造プロセスにおける製造中の操業チャートデータから、製造完了時の操業結果指標を予測することを特徴とする製造プロセスの操業結果予測装置。From the operation chart data of the product currently being manufactured in the manufacturing process, in an operation result prediction device that predicts an operation result index at the time of completion of production,
Based on the correlation analysis result between the plurality of scale-based wavelet coefficients and the operation result index features, which are the operation features obtained from the past operation chart data of the manufacturing process, select an arbitrary wavelet coefficient having a correlation with the operation result index,
Find a correlation model expression that represents the relationship between the selected wavelet coefficient and the operation result index,
An operation result index determination model prepared in advance for each operation result index, wherein the correlation model expression or a logical model expression based on the correlation model expression is obtained in advance,
A data input device for inputting an operation result index to be predicted and operation chart data during manufacture,
An online operation feature amount extraction device that calculates the selected wavelet coefficient related to the operation result index based on the input data,
An online operation result index prediction result output device that outputs a determination result of the operation result index determination model,
An operation result predicting device for a manufacturing process, wherein an operation result index at the time of completion of manufacturing is predicted from operation chart data during manufacturing in the manufacturing process.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003198436A JP2004288144A (en) | 2003-01-29 | 2003-07-17 | Operation result analysis apparatus, operation result analysis method, and computer-readable storage medium for manufacturing process |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003020749 | 2003-01-29 | ||
| JP2003198436A JP2004288144A (en) | 2003-01-29 | 2003-07-17 | Operation result analysis apparatus, operation result analysis method, and computer-readable storage medium for manufacturing process |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2004288144A true JP2004288144A (en) | 2004-10-14 |
Family
ID=33301599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003198436A Pending JP2004288144A (en) | 2003-01-29 | 2003-07-17 | Operation result analysis apparatus, operation result analysis method, and computer-readable storage medium for manufacturing process |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2004288144A (en) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006252342A (en) * | 2005-03-11 | 2006-09-21 | Nippon Steel Corp | Quality analysis method, quality analysis apparatus, computer program, and computer-readable storage medium |
| WO2007139088A1 (en) * | 2006-05-29 | 2007-12-06 | Kyoto University | Variable deciding method, variable deciding device, program, and recording medium |
| JP2009070227A (en) * | 2007-09-14 | 2009-04-02 | Jfe Steel Kk | Quality prediction apparatus, quality prediction method, and product manufacturing method |
| JP2009157555A (en) * | 2007-12-26 | 2009-07-16 | Fujitsu Ltd | Image analysis program, image analysis apparatus, and image analysis method |
| JP2011008735A (en) * | 2009-06-29 | 2011-01-13 | Toshiba Corp | Monitoring method and monitoring apparatus for batch manufacturing process |
| JP2014174943A (en) * | 2013-03-13 | 2014-09-22 | Yahoo Japan Corp | Time series data analysis device, time series data analysis method and program |
| JP2015001002A (en) * | 2013-06-14 | 2015-01-05 | 新日鐵住金株式会社 | Slapping prediction method in converter blowing. |
| JP2016106338A (en) * | 2016-03-17 | 2016-06-16 | ヤフー株式会社 | Time series data analysis device, time series data analysis method, and program |
| JP2019023612A (en) * | 2017-07-24 | 2019-02-14 | タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ | System and method for signal analysis |
| WO2019131773A1 (en) * | 2017-12-27 | 2019-07-04 | 三菱電機株式会社 | Manufacturing process statistical processing system, manufacturing process statistical processing method, and program |
| JP2020166407A (en) * | 2019-03-28 | 2020-10-08 | 三菱重工航空エンジン株式会社 | Model generation device, abnormality occurrence prediction device, abnormality occurrence prediction model generation method and abnormality occurrence prediction method |
-
2003
- 2003-07-17 JP JP2003198436A patent/JP2004288144A/en active Pending
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006252342A (en) * | 2005-03-11 | 2006-09-21 | Nippon Steel Corp | Quality analysis method, quality analysis apparatus, computer program, and computer-readable storage medium |
| WO2007139088A1 (en) * | 2006-05-29 | 2007-12-06 | Kyoto University | Variable deciding method, variable deciding device, program, and recording medium |
| JP2009070227A (en) * | 2007-09-14 | 2009-04-02 | Jfe Steel Kk | Quality prediction apparatus, quality prediction method, and product manufacturing method |
| JP2009157555A (en) * | 2007-12-26 | 2009-07-16 | Fujitsu Ltd | Image analysis program, image analysis apparatus, and image analysis method |
| JP2011008735A (en) * | 2009-06-29 | 2011-01-13 | Toshiba Corp | Monitoring method and monitoring apparatus for batch manufacturing process |
| JP2014174943A (en) * | 2013-03-13 | 2014-09-22 | Yahoo Japan Corp | Time series data analysis device, time series data analysis method and program |
| JP2015001002A (en) * | 2013-06-14 | 2015-01-05 | 新日鐵住金株式会社 | Slapping prediction method in converter blowing. |
| JP2016106338A (en) * | 2016-03-17 | 2016-06-16 | ヤフー株式会社 | Time series data analysis device, time series data analysis method, and program |
| JP2019023612A (en) * | 2017-07-24 | 2019-02-14 | タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ | System and method for signal analysis |
| WO2019131773A1 (en) * | 2017-12-27 | 2019-07-04 | 三菱電機株式会社 | Manufacturing process statistical processing system, manufacturing process statistical processing method, and program |
| JP2020166407A (en) * | 2019-03-28 | 2020-10-08 | 三菱重工航空エンジン株式会社 | Model generation device, abnormality occurrence prediction device, abnormality occurrence prediction model generation method and abnormality occurrence prediction method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2004288144A (en) | Operation result analysis apparatus, operation result analysis method, and computer-readable storage medium for manufacturing process | |
| KR20190013038A (en) | System and method for trend predicting based on Multi-Sequences data Using multi feature extract technique | |
| JP4681426B2 (en) | Apparatus and method for analyzing relation between operation and quality in manufacturing process, computer program, and computer-readable recording medium | |
| JP5704040B2 (en) | Product quality management method and product quality management device | |
| Bidyuk et al. | An approach to identifying and filling data gaps in machine learning procedures | |
| JP4299508B2 (en) | Operation and quality related analysis device in manufacturing process, related analysis method, and computer-readable storage medium | |
| JP3733057B2 (en) | Operation analysis apparatus in manufacturing process, method thereof, and computer-readable storage medium | |
| JP2019032807A (en) | Factor analysis system, factor analysis method and program | |
| JP7310352B2 (en) | Quality control system | |
| JP2004078780A (en) | Prediction method, prediction device, prediction program, and recording medium storing prediction program | |
| CN107222328B (en) | Method and device for predicting saturation inflection point | |
| JP2020166442A (en) | Information processing equipment, calculation method and calculation program | |
| JP6613937B2 (en) | Quality prediction apparatus, quality prediction method, program, and computer-readable recording medium | |
| KR102404983B1 (en) | Device and method for variable selection using ridge regression | |
| CN111178576B (en) | Operation optimization method based on refining device operation data | |
| JP2019191634A (en) | Data analysis method, data analysis program and data analysis system | |
| JP4102019B2 (en) | Analysis apparatus, method, and computer-readable storage medium in manufacturing process | |
| CN119695843A (en) | Uncertainty analysis method, device and storage medium for wind power forecasting | |
| JP3943841B2 (en) | Steel material estimation equipment | |
| JP4653547B2 (en) | Apparatus and method for analyzing relation between operation and quality in manufacturing process, computer program, and computer-readable recording medium | |
| CN118674297A (en) | A method for analyzing quality-affecting data in steelmaking process | |
| CN117114200A (en) | Coupled time series predictability analysis method based on fractal diffusion entropy analysis algorithm (MF-DEA) | |
| JP4373881B2 (en) | Multiple crack growth analysis method and apparatus | |
| JP2008204282A (en) | Process data prediction system and process management apparatus using the same | |
| JP4230890B2 (en) | Model identification device, model identification program, and method of operating model identification device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050914 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20080523 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080610 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20081028 |