知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2025-07-22
(45)【発行日】2025-07-30
(54)【発明の名称】品質異常要因分析支援システム
(51)【国際特許分類】
B21B 38/00 20060101AFI20250723BHJP
B21B 37/00 20060101ALI20250723BHJP
B21C 51/00 20060101ALI20250723BHJP
G05B 23/02 20060101ALN20250723BHJP
【ＦＩ】
B21B38/00 F
B21B37/00 300
B21C51/00 P
G05B23/02 301Z
【請求項の数】
6
(21)【出願番号】P 2024549733
(86)(22)【出願日】2023-07-12
(86)【国際出願番号】 JP2023025756
(87)【国際公開番号】W WO2025013249
(87)【国際公開日】2025-01-16
【審査請求日】2024-08-22
(73)【特許権者】
【識別番号】501137636
【氏名又は名称】株式会社ＴＭＥＩＣ
(74)【代理人】
【識別番号】110003199
【氏名又は名称】弁理士法人高田・高橋国際特許事務所
(72)【発明者】
【氏名】関本 真康
【審査官】中西 哲也
(56)【参考文献】
【文献】特開２０２２－０６８５９５（ＪＰ，Ａ）
【文献】特開２０１３－０２９９１６（ＪＰ，Ａ）
【文献】特開平１０－１２２９１７（ＪＰ，Ａ）
【文献】特開２０００－３１５１１１（ＪＰ，Ａ）
【文献】特開２０００－２６３１１３（ＪＰ，Ａ）
【文献】特開平０８－１６４４０９（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｂ２１Ｂ １／００－９９／００
(57)【特許請求の範囲】
【請求項1】
データ保存部と、品質異常要因推定算出部と、表示情報生成部と、を備え、
前記データ保存部は、圧延プラントで製造される製品の製造条件と、前記圧延プラントに設置された設備機器の設定条件と、前記圧延プラントに設置された計測機器から取得される実績データとしての製造時の時系列データを保存するように構成され、
品質異常要因推定算出部は、
前記製造時の時系列データから選択される前記製品の製品品質に関わる品質データから品質評価値を算出し、
算出した前記品質評価値が許容範囲を超えた異常な製品または製品群を異常製品とし、前記異常製品の前記許容範囲を超えた品質異常箇所を取得し、
前記品質評価値が前記許容範囲内である正常な製品群に関する前記時系列データ、前記製造条件および前記設定条件を正常データとして登録し、
前記正常データとして登録された前記時系列データ、または、前記正常データとして登録された前記製造条件および前記設定条件に基づいて、機械学習または統計的手法を利用する品質異常要因推定モデルを構築し、
構築した前記品質異常要因推定モデルに基づいて、前記時系列データ、または、前記製造条件および前記設定条件から前記品質異常の要因候補を推定し、推定した前記要因候補の前記品質異常に対する関連度を算出するように構成され、
前記表示情報生成部は、前記異常製品の前記品質データと、前記品質異常箇所と、前記時系列データ、または、前記製造条件および前記設定条件と、前記品質異常要因推定算出部で推定および算出した前記要因候補および前記関連度と、を表示部に表示するための情報を生成するように構成された、品質異常要因分析支援システム。
【請求項2】
前記表示情報生成部は、前記異常製品の前記製造条件、前記設定条件、前記品質評価値および前記品質異常箇所を一覧表示するための情報を生成する、請求項１に記載の品質異常要因分析支援システム。
【請求項3】
前記表示情報生成部は、前記異常製品の前記品質データのトレンドチャートと、前記品質異常要因推定算出部で推定された前記要因候補のうち前記関連度が最も高い前記要因候補に対応する前記時系列データのトレンドチャートと、各トレンドチャートにおける前記品質異常箇所と、を表示するための情報を生成する、請求項１に記載の品質異常要因分析支援システム。
【請求項4】
前記表示情報生成部は、前記異常製品の前記品質データのトレンドチャートと、前記品質異常要因推定算出部で推定された複数の前記要因候補と、各要因候補の前記関連度と、各要因候補に対応する前記時系列データのトレンドチャートと、各トレンドチャートにおける前記品質異常箇所と、を表示するための情報を生成する、請求項１に記載の品質異常要因分析支援システム。
【請求項5】
前記表示情報生成部は、前記品質データおよび前記品質異常箇所が同じ前記異常製品に対して、前記要因候補としての前記設定条件と、各設定条件の前記品質異常に対する関連度と、を表示するための情報を生成する、請求項１に記載の品質異常要因分析支援システム。
【請求項6】
前記品質異常要因推定算出部は、前記製品が製造される毎に前記品質異常要因推定モデルを再構築し、再構築した前記品質異常要因推定モデルの予測誤差が再構築前の前記品質異常要因推定モデルの予測誤差よりも小さい場合に前記品質異常要因推定モデルを更新する、請求項１から請求項５のいずれか１項に記載の品質異常要因分析支援システム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、品質異常要因分析支援システムに関する。特に、本開示は、圧延プラントで製造された鋼板などの製品が品質異常と判定された際に、品質異常の要因の分析作業を支援する品質異常要因分析支援システムに関する。
【背景技術】
【0002】
圧延プラントで製造される製品は、顧客からの要求などにより定められた品質管理基準値を満足しない場合、品質異常（品質不良を含む）と判断される。下記特許文献１には、製造プロセス異常判定装置が開示されている。
【0003】
品質異常と判断された製品は、低級材としての販売や、廃却扱いとなり、生産能率の低下を招来する。品質異常が発生した場合、その特徴を判断し、要因を分析調査するとともに、再発を防ぐための操業条件や制御設定の変更のような対策を決定して実施する必要がある。
【0004】
品質異常の特徴判断から、対策を実施するまでの一連の作業は、経験豊富な熟練者により数多くのデータや情報から総合的に判断することが必要であるため、多大な労力と時間が必要であった。下記特許文献２には、品質異常の原因推定システムが開示されている。
【先行技術文献】
【特許文献】
【0005】
【文献】日本特許第６１１６４４５号公報
【文献】日本特許第４３６５５３６号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
特許文献２では、製造時の種々の入力情報の条件が近い製品群を見つけ、当該製品群の出力結果の傾向と合っているか否かによって品質異常を事前に検知することができる。また、入力情報の条件が近い製品群の出力結果の代表値などと、対象の製品の入力情報を元に計算された予測結果の差分をもとに、対象の製品に対する予測計算の精度を改善することができる。
【0007】
しかしながら、特許文献２では、製品個々の製造条件や設定条件に対する品質異常の検出や、その要因分析に特化している。このため、特許文献２では、製品の長手方向のどの位置で品質異常が発生しているかまでは捉えることができなかった。これは、製品は長手方向に長尺であり、時系列データ（実績データ）の情報量が多すぎるため、時系列データを圧縮して品質異常を検出するのが一般的であることに起因する。このため、品質異常が発生すると、品質異常の発生箇所を特定した上で、特定した発生箇所の発生要因を分析する作業が必要であった。
【0008】
本開示は、上述のような課題を解決するためになされたものである。本開示は、製品が品質異常と判定された際に、製品の長手方向のどの位置で品質異常が発生しているかを表示すると共にその発生要因を表示することが可能な品質異常要因分析支援システムを提供することを目的とする。
【課題を解決するための手段】
【0009】
第１の観点は、品質異常要因分析支援システムに関連する。品質異常要因分析支援システムは、データ保存部と、品質異常要因推定算出部と、表示情報生成部と、を備える。データ保存部は、圧延プラントで製造される製品の製造条件と、圧延プラントに設置された設備機器の設定条件と、圧延プラントに設置された計測機器から取得される実績データとしての製造時の時系列データを保存する。品質異常要因推定算出部は、製造時の時系列データから選択される製品の製品品質に関わる品質データから品質評価値を算出する。品質異常要因推定算出部は、算出した品質評価値が許容範囲を超えた異常な製品または製品群を異常製品とし、異常製品の許容範囲を超えた品質異常箇所を取得する。品質異常要因推定算出部は、品質評価値が許容範囲内である正常な製品群に関する時系列データ、製造条件および設定条件を正常データとして登録する。品質異常要因推定算出部は、正常データとして登録された前記時系列データ、または、正常データとして登録された製造条件および設定条件に基づいて、機械学習または統計的手法を利用する品質異常要因推定モデルを構築する。品質異常要因推定算出部は、構築した品質異常要因推定モデルに基づいて、時系列データ、または、製造条件および設定条件から品質異常の要因候補を推定する。品質異常要因推定算出部は、推定した要因候補の品質異常に対する関連度を算出する。表示情報生成部は、異常製品の品質データと、品質異常箇所と、時系列データ、または、製造条件および設定条件と、品質異常要因推定算出部で推定および算出した要因候補および関連度と、を表示部に表示するための情報を生成する。
【0010】
第２の観点は、第１の観点に加えて、次の特徴を更に有する。表示情報生成部は、異常製品の製造条件、設定条件、品質評価値および品質異常箇所を一覧表示するための情報を生成する。
【0011】
第３の観点は、第１の観点に加えて、次の特徴を更に有する。表示情報生成部は、異常製品の品質データのトレンドチャートと、品質異常要因推定算出部で推定された要因候補のうち関連度が最も高い要因候補に対応する時系列データのトレンドチャートと、各トレンドチャートにおける品質異常箇所と、を表示するための情報を生成する。
【0012】
第４の観点は、第１の観点に加えて、次の特徴を更に有する。表示情報生成部は、異常製品の品質データのトレンドチャートと、品質異常要因推定算出部で推定された複数の要因候補と、各要因候補の関連度と、各要因候補に対応する時系列データのトレンドチャートと、各トレンドチャートにおける品質異常箇所と、を表示するための情報を生成する。
【0013】
第５の観点は、第１の観点に加えて、次の特徴を更に有する。表示情報生成部は、品質データおよび品質異常箇所が同じ異常製品に対して、要因候補としての設定条件と、各設定条件の品質異常に対する関連度と、を表示するための情報を生成する。
【0015】
第６の観点は、第１から第５のいずれか１つの観点に加えて、次の特徴を更に有する。品質異常要因推定算出部は、製品が製造される毎に品質異常要因推定モデルを再構築し、再構築した品質異常要因推定モデルの予測誤差が再構築前の品質異常要因推定モデルの予測誤差よりも小さい場合に品質異常要因推定モデルを更新する。
【発明の効果】
【0016】
本開示によれば、異常製品の品質評価値が許容範囲を超えた品質異常箇所を取得することで、製品の長手方向のどの位置で品質異常が発生しているかを表示することができる。さらに、正常データを用いて品質異常要因推定モデルを構築し、構築した品質異常要因推定モデルを用いて品質異常の要因候補を推定し、推定した要因候補の品質異常に対する関連度を算出することで、関連度の高い時系列データを品質異常の発生要因として表示することができる。従って、製品が品質異常と判定された際に、製品の長手方向のどの位置で品質異常が発生しているかを表示すると共にその発生要因を表示することが可能な品質異常要因分析支援システムを提供することができる。
【図面の簡単な説明】
【0017】
【図1】実施の形態１による品質異常要因分析支援システムを適用した圧延プラントの一例を示す概略図である。
【図2】データ保存部により収集、登録されるデータの構成を示す図である。
【図3】実施の形態１による品質異常要因分析支援システムの処理フローを示す図である。
【図4】品質異常要因推定モデルの入出力変数の例を示す図である。
【図5】品質情報表示機能で生成される情報によりＨＭＩ装置に表示される各種画面を示す図である。
【図6】鋼板情報一覧画面の表示内容を模式的に示す図である。
【図7】鋼板情報一覧画面にてポップアップ表示される画面の表示内容を模式的に示す図である。
【図8】品質異常要因推定結果表示画面の表示内容を模式的に示す図である。
【図9】類似品質異常要因推定分析画面の表示内容を模式的に示す図である。
【図10】品質異常要因・設定分析表示画面の表示内容を模式的に示す図である。
【図11】実施の形態２による品質異常要因分析支援システムの処理フローを示す図である。
【図12】品質異常要因分析支援システムのハードウェア構成の一例を示す図である。
【発明を実施するための形態】
【0018】
以下、図面を参照して、本開示の実施の形態による品質異常要因分析支援システムについて説明する。尚、各図において共通する要素には、同一の符号を付して重複する説明を省略する。
【0019】
実施の形態１．
図１は、実施の形態１による品質異常要因分析支援システム２０を適用した圧延プラント１の一例を示す概略図である。
図１は、実施の形態１による品質異常要因分析支援システム２０を適用した圧延プラント１の一例を示す概略図である。
【0020】
圧延プラント１は、例えば、熱間圧延ラインを有する熱間圧延プラントであるが、冷間圧延プラントであってもよい。圧延プラント１は、熱間圧延ラインを構成する主な設備機器として、加熱炉２と、粗圧延機３と、クロップシャー４と、仕上圧延機５と、冷却装置６と、巻取機７が設置されている。圧延プラント１には、圧延設備の間で鋼板Ｐｒを搬送するための搬送テーブル（図示省略）が設置されている。これらの圧延設備は、電動機やアクチュエータの電気系により駆動される。
【0021】
加熱炉２は、圧延前の鋼板（スラブ）Ｐｒを所定温度（例えば、１２００℃）に加熱するように構成されている。粗圧延機３は、少なくとも１基（通常１基～３基）の圧延スタンドを有し、加熱炉２で加熱された鋼板（スラブ）Ｐｒを順方向（圧延ラインの上流から下流）、逆方向（圧延ラインの下流から上流）で複数パス圧延する。クロップシャー４は、後述する形状検出器８１で測定された形状に基づいて、上下の刃により鋼板Ｐｒの先端部または尾端部に存する形状不良部分を切断する。仕上圧延機５は、鋼板Ｐｒの圧延方向に並設される例えば７基の圧延スタンドＦ１～Ｆ７を備えるタンデム圧延機である。各圧延スタンドＦ１～Ｆ７は、上下２本のワークロール５１と、上下２本のバックアップロール５２と、ロール回転用の電動機５３を夫々備える。バックアップロール５２には圧下装置５４が設けられ、圧下装置５４により上下のワークロール５１間のギャップを調整可能に構成されている。各圧延スタンドＦ１～Ｆ７の圧延荷重は、圧延荷重センサ５５により計測される。冷却装置６は、冷却バンクにより鋼板Ｐｒに注水することで、鋼板Ｐｒを冷却する。冷却された鋼板Ｐｒは巻取機７でコイル状に巻き取られる。
【0022】
圧延プラント１の要所には計測機器としての各種センサが設置されている。圧延プラント１の要所とは、例えば、加熱炉２の出側、粗圧延機３の出側、仕上圧延機５の出側、及び巻取機７の入側などである。各種センサは、仕上圧延機５の圧延スタンドＦ１～Ｆ７の間にも設けられ得る。各種センサは、粗圧延機３出側で鋼板Ｐｒの形状を測定可能な形状検出器８１と、仕上圧延機５の入側で鋼板Ｐｒの表面温度を計測する温度計８２と、仕上圧延機５の出側で鋼板Ｐｒの速度Ｖａを計測する速度検出器８３と、仕上圧延機５の出側で鋼板Ｐｒの板厚及び板幅を計測する板厚・板幅計８４と、巻取機７の入側で鋼板Ｐｒの表面温度を計測する温度計８５と、上記圧延荷重センサ５５を含む。各種センサは、鋼板Ｐｒと各設備機器の状態とを逐次的に計測している。各種センサにより計測された実績データは、制御計算機１１に時々刻々送信される。このため、実績データは、時系列データである。
【0023】
圧延プラント１は、階層構造を有する計算機を用いた制御系により運転（操業）されている。計算機は、ネットワークを介して互いに接続された、プロセス制御計算機（以下「制御計算機」という）１１と、上位計算機１２とを含む。制御計算機１１は、ネットワークを介して後述する品質異常要因分析支援システム２０に接続されている。制御計算機１１は、ＰＬＣ（プログラマブル・ロジック・コントローラ）等の制御用コントローラを有する。制御計算機１１には、ネットワークを介して、ＨＭＩ（Human Machine Interface）装置１３が接続されている。ＨＭＩ１３に監視対象（圧延設備）のデータを提示し、使用者（管理者を含む）が監視対象装置を監視または操作（制御）できるように構成している。圧延計画の設計者により上位計算機１２に圧延計画である熱延命令情報が入力されると、上位計算機１２から制御計算機１１に熱延命令情報が送られる。熱延命令情報には、目標板厚、目標板幅、目標温度などが含まれる。目標温度には、仕上圧延機５の出側の目標温度（以下「仕上出側温度」という）や巻取機７の入側の目標温度（以下「巻取温度」という）などが含まれる。プロセス制御計算機１１は、上位計算機１２からの製造条件である熱延命令情報（圧延計画）の入力を受けて、制御対象である各圧延設備の設定値を含む設定データを計算し、計算した設定データを圧延プラント１に送信することで、各種圧延設備の制御を実行する。
【0024】
品質異常要因分析支援システム２０は、圧延プラントライン１の各圧延設備と制御計算機１２との間で授受するデータ（圧延データ）を収集し、収集した圧延データを利用して品質異常要因分析を支援する情報を計算して使用者（管理者を含む）へ提供する。
【0025】
品質異常要因分析支援システム２０は、データ保存部２１と、品質異常要因推定算出部２２と、表示情報生成部２３と、を備える。品質異常要因分析支援システム２０の各部２１～２３の機能は、例えば、後述する図１２に示すプロセッサ２０ｂがメモリ２０ｃに記憶されたプログラムを読み出して実行することにより実現することができる。
【0026】
データ保存部２１は、圧延データを収集し、データベースＤＢに保存する機能を有する。圧延データには、前述の熱延命令情報、設定データおよび実績データが含まれる。品質異常要因推定算出部２２は、データ保存部２１に保存された圧延データを用いて、製品品質の評価と、評価の結果に基づいた品質異常要因の分析を支援するための情報の算出（計算）を実施する。表示情報生成部２３は、品質異常要因推定算出部２２の算出結果を、表示部としてのＨＭＩ装置１３に表示させる。オペレータは、ＨＭＩ装置１３に表示された情報（計算結果）を確認および操作し、分析作業を実施する。
【0027】
図２は、データ保存部２１により収集、登録されるデータの構成を示す図である。図２に示すように、データ保存部２１により収集した情報は、例えば、熱延命令情報や設定データのように鋼板Ｐｒの１つ１つに割り付いた情報と、実績データのように鋼板Ｐｒの圧延に対して時々刻々得られる時系列データと、を含み、これらの情報およびデータは鋼板Ｐｒの製造番号（以下「コイルＩＤ」という）や加熱炉２からの鋼板Ｐｒの抽出時刻などに紐づけて、データベースＤＢとして保存される。なお、図１に示す例では、データベースＤＢが品質異常要因分析支援システム２０の内部に設けられているが、品質異常要因分析支援システム２０の外部にデータベースＤＢを設けて、ネットワーク接続により情報およびデータをやりとりしてもよい。
【0028】
次に、品質異常要因推定算出部２２における、製品品質の評価および評価結果に基づいた品質異常要因の分析を支援するための情報の計算の手順を、図３を参照して説明する。図３は、実施の形態１による品質異常要因分析支援システム２０の処理フローを示す図である。
【0029】
品質異常要因推定算出部２２は、先ず、前述した時系列データである実績データのうちから選択される、例えば、仕上出側板厚や仕上出側板幅、形状、仕上出側温度、コイラ入側温度といった圧延プラント１で製造される鋼板Ｐｒの品質の評価に使用される品質データｘｉをデータ保存部２１（データベースＤＢ）から取得し（ステップＳ１）、品質評価値を算出する（ステップＳ２）。これらの品質データｘｉは、基準値である許容範囲が夫々定められており、この許容範囲に基づいて鋼板Ｐｒの品質が評価される。品質評価値は、例えば、下式（１）および（２）により計算される。
【数1】
【数2】
【0030】
ここで、ｐｅｒｆｏｒｍａｎｃｅＡは、当該鋼板Ｐｒの、仕上出側板厚や仕上出側板幅、形状、仕上出側温度、コイラ入側温度などのいずれかの品質評価値を示す。Ｉｓは、鋼板長手方向位置に対する品質評価値算出対象開始点を、ＩＬは、鋼板長手方向位置に対する品質評価値算出対象終了点を、夫々示す。鋼板Ｐｒの長手方向は、圧延方向や搬送方向に対応する。また、ｘｉは、ＩｓからＩＬまでの点ｉにおける品質データの値を示す。Ｔｏｌｅｒａｎｃｅは、仕上出側板厚や仕上出側板幅、形状、仕上出側温度、コイラ入側温度などのいずれかの品質基準値を示す。鋼板Ｐｒの長手方向における品質評価値算出対象開始点および終了点は、鋼板Ｐｒの長手方向先尾端の非定常変形部を除外（所謂、先尾端カット）した長さとして取られることが多いが、例えば、鋼板Ｐｒの長手方向先尾端の非定常変形部を除外した長さを、さらにいくつかに分割して、その区間ごとに品質評価値を算出してもよい。
【0031】
上記ステップＳ２で算出された品質評価値は、データ保存部２１により当該鋼板ＰｒのコイルＩＤなどと紐づけて保存される（ステップＳ３）。次に、算出した品質評価値が基準値としての許容範囲を満たすか否かを判断し（ステップＳ４）、品質評価値が許容範囲を満たしている場合には、その品質の正常データとして、満たさない場合には、その品質の異常データとして、夫々当該鋼板ＰｒのコイルＩＤなどと紐づけてラベル登録し（ステップＳ５）、データ保存部２１により保存する。品質の異常データのラベルは、必ずしも正常データとの区別として割り振られるのではなく、異常の特徴に応じたラベルとして登録してもよい。例えば、仕上出側板厚が許容範囲を超えた場合に、上限値に比べて厚いか、または下限値に比べて薄いか、さらに、どの程度外れているかといった情報として登録してもよい。また、許容範囲を超えた測定点、即ち、鋼板Ｐｒの長手方向の位置や、範囲も同様に登録することで、鋼板Ｐｒの長手方向のどの部分（位置）で許容範囲を超えたか特定することができる。このとき、例えば、許容範囲の上限値または下限値からの外れ具合や、許容範囲を超えた測定点の位置や範囲それぞれに対して、予め定められた数値の範囲によって、インデックス（指標）として、ラベルを登録してもよい。
【0032】
対象の品質における正常データとしてラベル登録された鋼板Ｐｒの本数が任意の本数ＮＬ集まったか否か、即ち、即ち、正常データ群に一定数ＮＬ集まったか否かを判別する（ステップＳ６）。一定数ＮＬを超えた場合、対象の品質に対する品質異常要因推定モデル（以下「モデル」ともいう）を構築し（ステップＳ７）、構築したモデルをデータ保存部２１により保存し（ステップＳ８）、本ルーチンは一旦終了する。モデル構築後に前述した品質評価値が許容範囲を超えると、上記ステップＳ４でＮＯと判別され、ステップＳ９でＹＥＳと判別され、ステップＳ１０に移行する。ステップＳ１０では、対象の品質に対する異常要因を、品質異常要因推定モデルを用いて推定する。即ち、品質異常要因推定モデルにより、品質異常の要因候補が推定され、推定された各要因候補の品質異常との関連度が算出される。対象の品質異常に関連する要因候補と推定された実績データを「関連度」として数値化して、それぞれの実績データの項目と、算出された関連度を、当該鋼板ＰｒのコイルＩＤなどと紐づけてデータ保存部２１により保存する。
【0033】
なお、本実施の形態では、品質異常要因推定モデルの構築は、前述の条件に合致したタイミングのみであり、その後は、後述する実施の形態２で説明するように、品質異常要因分析支援システム２０の使用者（管理者を含む）が決める任意のタイミングで実施されることができる。
【0034】
前述した品質異常要因推定モデルは、例えば、機械学習の範疇に入る、オートエンコーダ（ＡＥ：Auto Encoder）や、ランダムフォレスト（ＲＦ：Random Forest）、サポートベクター回帰（ＳＶＲ：Support Vector Regression）などや、統計的手法を活用した手法を用いてよい。ここで、ＡＥ、ＲＦ、ＳＶＲというアルゴリズムは、広く一般に知られているので、以下に簡単に説明する。
【0035】
ＡＥは、ニューラルネットワーク（Neural Network）モデル（以下「ＮＮモデル」という）の一種であり、入力変数と同様の変数を出力するように、正常データとラベル登録されたデータ群（以下「正常データ」という）のみにより学習されたＮＮモデルを用いて、入力変数と出力変数の乖離から異常を検出する手法である。ＮＮモデルは最も単純な構成では、入力層、中間層、出力層という３層構造であり、中間層を増やしていくこともできる。中間層を多数とることで、深層学習とすることもできる。各層は１つまたは複数のニューロンから構成され、各層のニューロンが重み係数およびバイアス値を持ち、それぞれが結合されている。通常、１つのニューロンには、活性化関数が定義され、入力値のレベルにより出力状態が変わるよう設計されている。
【0036】
ＲＦは、複数の決定木と呼ばれる入力変数の条件により出力が決定されるツリー構造の弱学習器を並列に接続させ、それぞれの出力の多数決や平均を取り最終的な出力を予測する手法である。ＳＶＲは、ふたつの集団にデータを分割する境界線、超平面を決定するサポートベクターマシンアルゴリズムを回帰問題に応用した手法である。
【0037】
いずれの手法も、入力変数から出力変数を予測計算するモデルを、学習用に用意したデータ群を用いて構築する必要がある。本実施の形態では、前述した正常データとしてラベル登録された鋼板の時系列データ、または、正常データとしてラベル登録された鋼板の設定データを用いて品質異常要因推定モデルを構築する。
【0038】
図４は、入力変数から出力変数を予測計算するモデルに対する入力変数と出力変数の構成例を図４に示す。入力変数には、対象の品質データに関連する設定データと品質評価値を用いる場合（ケースＣ，Ｄ）と、対象の品質データに関連する実績データと品質データを用いる場合（ケースＡ，Ｂ）とがある。いずれか一方にて入力変数から出力変数を予測計算するモデルを構築してもよいが、両方を構築してもよい。品質データと、当該品質データに関連する実績データとを用いる場合（ケースＡ）、出力変数は、入力変数と同様とする。ここで、ＲＦやＳＶＲでは、入力変数を品質データに関連する実績データのみとし（ケースＢ）、出力変数に品質データをとってもよい。また、鋼板Ｐｒの長手方向先尾端の非定常変形部を除外した長さをいくつかに分割した各区間にて異常のラベルを付与している場合は、対象区間を切り出して入力変数とすることができる。
【0039】
入力変数から出力変数を予測計算するモデルは、入力変数と出力変数が一致するように、つまり、入力変数から出力変数を予測計算するモデルの予測誤差が最小となるように構築する。対象の品質データに関連する実績データのみとし、出力変数に対象の品質データとした場合は、実際の対象の品質データと予測された出力変数とが一致するように構築する。いずれの場合も、その誤差を数式（誤差関数）として定義し、それが最小となるように構築（学習）する。この誤差関数は、ＡＥの場合、例えば、以下のように定義してもよい。
【数3】
【数4】
【0040】
ここで、Ｌは損失関数、ｈはＮＮの中間層、ｇは活性化関数、Ｗ１は中間層第１層のＮＮの重み係数、ＲＭＳＥは二乗平均平方根誤差、λは正則化パラメータである。Ｗ１は、入力変数の数ｊ＝｛１，２，…，ｊ｝と、中間層第１層のニューロンの数ｋ＝｛１，２，…，ｋ｝の行列で定義される。前述のように、ＡＥでは、正常データをよく予測するよう入力変数から出力変数を予測計算するモデルを構築している。即ち、後の検知対象のデータに対して、入力変数と出力変数の乖離があれば、異常と判定することができる。前述した損失関数を用いて、下式（５）および（６）により定義される関連性を示すスコアを利用して、異常判定基準を定義するとともに、後の検知対象のデータの入力変数に対して、異常の検知が可能である。
【数5】
【数6】
【0041】
ここで、γｊは、入力変数ｊに対する関連性を示すスコア、γｊ’は標準化した関連性を示すスコアである。学習に用いた正常データから算出された関連性を示すスコアγｊを用いて、異常判定基準を定義することができる。異常判定基準は、任意の数値とすることができるが、例えば、学習に用いた正常データから算出された関連性を示すスコアを降順に並べた際の上位８番目とする、などの方法を採ってもよいが、これに限定されない。この異常判定基準からの逸脱を以て品質異常に関連するデータを検出する。ＡＥの場合は、この逸脱具合Ａｂｎｏｒｍａｌｉｔｙｊを、品質異常要因推定における「関連度」とし、下式（７）のようにとる。
【数7】
【0042】
ＲＦやＳＶＲの場合は、例えば、入力変数と出力変数の二乗平均平方根誤差、または、実際の対象の品質データと予測された出力変数の二乗平均平方根誤差を損失関数として定義して、正常データにおける予測性能を向上させたモデルを構築し、その後に入力されるデータの出力を評価して品質異常に関連するデータを検出してもよい。この場合の品質異常に関連するデータを検出方法として、例えば、シャープレイ値を活用した手法であるＳＨＡＰ（Shapley Additive Explanation）を用いてもよい。ＳＨＡＰは、公知の手法であるため、ここでは、詳しく言及せず、簡単に説明する。ＳＨＡＰは、ゲーム理論における協力ゲームでのプレーヤーの平均限界貢献度（シャープレイ値）を用いて、それぞれの入力変数がどの程度予測結果へ寄与したか表すことができる。今回のように、正常データのみを用いて構築したモデルに異常データを入力すると、異常なデータ項目における寄与が大きくなるため、品質異常要因と推定することができる。
【0043】
異常要因推定モデルに統計的手法を用いた場合は、例えば、前述の正常データにおける対象の品質データに関連する実績データと品質データのデータ項目毎に、代表波形を構築し、後の検知対象のデータに対して、代表波形との類似性を見ることで、品質異常要因を推定することができる。代表波形は、例えば、下式（８）のように、各点の平均値としてもよい。
【数8】
【0044】
ここで、ｒｅｐｊ，ｉはデータ項目ｊにおける代表波形ｉ点目のデータである。代表波形との類似性は、例えば、二乗平均平方根誤差としてもよい。つまり、当該数値が大きい程、類似性が低いと評価することができる。類似性を、ＡＥにおける関連性を示すスコアと同様に扱うことで、関連度を算出して、品質異常要因を推定することができる。
【0045】
いずれの手法においても、入力変数は、データ項目毎に標準化しておくことが望ましい。標準化は、正常データの最大値および最小値により算出してもよいし、平均値と標準偏差から算出してもよい。また、ひとつの鋼板Ｐｒであっても、品質データに関連する実績データと品質データのデータ項目毎に測定点数、即ち、計測箇所における鋼板の長さ、が異なる場合が多い。そのため、近似による測定点数の補間や、鋼板の長さについても標準化してもよい。
【0046】
前述した関連度が登録された情報や、当該鋼板Ｐｒに付随した実績データなどを用いて、表示情報生成部２３にて、品質異常要因の分析を支援する。表示情報生成部２３により生成される各種画面を図５に示す。図５は、表示情報生成部２３で生成される情報によりＨＭＩ装置１３に表示される各種画面を示す図である。表示情報生成部２３では、鋼板情報一覧画面２３１、品質異常要因推定結果表示画面２３２、類似品質異常要因推定分析画面２３３、品質異常要因・設定分析表示画面２３４を表示するための情報を構成し、これらの画面２３１～２３４をＨＭＩ装置１３に表示する。品質異常要因分析の支援に係るステップを、順を追って説明する。
【0047】
先ず、鋼板情報一覧画面２３１にて、鋼板のコイルＩＤや目標板厚など主要な製品情報と、品質評価値などが表示される。図６は、鋼板情報一覧画面２３１の表示内容を模式的に示す図である。前述の鋼板ＰｒのコイルＩＤや目標板厚など主要な製品情報と、品質評価値などは、１行当たり１鋼板Ｐｒ（１コイルＩＤ）の情報として、テーブル形式で表示される。例えば、コイルＩＤ「ｘｘｘ２」のように、品質評価値が許容範囲を超えた鋼板Ｐｒの行は、背景色を変更する等、強調表示してもよい。また、品質評価値が許容範囲を超えた品質項目（例えば品質Ａ「Ａ２」）のセルの色や文字の色を変更する、といった強調表示をしてもよい。本画面２３１にて、品質評価値が許容範囲を超えた鋼板Ｐｒがあるか、また、その品質データを確認することができる。対象のコイルＩＤ「ｘｘｘ２」の鋼板Ｐｒの行の、対象の品質のセル（品質Ａ「Ａ２」）を押下することで、図７に示すような画面２３１ａがポップアップ表示され、当該鋼板Ｐｒの品質異常要因推定結果の概要を知ることができる。図７は、鋼板情報一覧画面２３１にてポップアップ表示される画面２３１ａの表示内容を模式的に示す図である。ここでは、対象の品質データ「品質Ａ」と、品質異常要因推定の内、関連度の最も上位となった、対象の品質に関連する実績データ「データｂ」が、トレンドチャートとして表示される。ここで、対象の品質の許容範囲を超えた箇所は、図中に網掛けするように強調表示され、鋼板Ｐｒの何処（どの位置）で許容範囲を超えたか確認することができる。本ポップアップ画面２３１ａでは、対象の品質異常要因として、最も関連度が高いデータｂのみが表示されているが、本ポップアップ画面２３１ａの下部の詳細表示ボタンを押下することで、図８に示す品質異常要因推定結果表示画面２３２へ遷移し、当該鋼板Ｐｒの対象の品質に対する品質異常要因推定結果の詳細を確認することができる。
【0048】
図８は、品質異常要因推定結果表示画面２３２の表示内容を模式的に示す図である。品質異常要因推定結果表示画面２３２では、前述した鋼板情報一覧画面２３１にて選択した鋼板Ｐｒ（コイルＩＤ：ｘｘｘ２）の対象の品質Ａに対する品質異常要因推定結果の詳細を表示する。当該鋼板ＰｒのコイルＩＤや目標板厚など主要な製品情報と、品質評価値などの一覧と、対象の品質データのトレンドチャートが表示される。対象品質データの品質異常要因推定結果の内、関連度が上位となった、対象の品質Ａに関連する実績データが、トレンドチャートとして表示される。関連度が上位となった、対象の品質Ａに関連する実績データは、関連度の昇順で表示され、早期に品質異常要因として考えられるデータを確認することができる。また、画面上をスクロールすることで、関連度の低いデータを順に確認することもできる。前述した鋼板情報一覧画面２３１のポップアップ画面２３１ａと同様に、対象の品質Ａの許容範囲を超えた箇所は、図中で網掛けするように強調表示され、鋼板の何処で許容範囲を超えたか確認することができる。関連度の高い実績データと許容範囲を超えた箇所を一目で確認することができるため、使用者が、熱間圧延ラインに長く携わっている熟練者であれば、容易に品質改善の対策にたどり着くことができる。使用者が熟練者ではなくとも、関連性の高いデータが上位に表示されるため、問題点の報告や対策の授受といった次のアクションへ早期に繋げることができる。
【0049】
さらに、品質異常要因推定結果表示画面２３２の類似分析ボタン２３２ａを押下することで、図９に示す類似品質異常要因推定分析画面２３３へ遷移することができる。図９は、類似品質異常要因推定分析画面２３３の表示内容を模式的に示す図である。類似品質異常要因推定分析画面２３３では、「実績データ」のタブボタンが押下されている。類似品質異常要因推定分析画面２３３では、前述した鋼板情報一覧画面２３１にて選択された鋼板Ｐｒと同様の品質異常の特徴が登録された他の鋼板Ｐｒと、品質異常要因推定結果を比較・分析することができる。同様の品質異常の特徴が登録された鋼板の対象の品質データは、同一グラフ中にトレンドチャートとして纏めて表示される。それぞれの鋼板のコイルＩＤ（図中、８つのコイルＩＤ）も同時に示されており、これを押下することで、当該鋼板Ｐｒのトレンドチャートのみが強調表示されるなど、より可視化に特化した機能が付与されてもよい。これと同時に、対象の品質の異常に関連する実績データがトレンドチャートとして一覧表示される。なお、前述した品質異常要因推定結果画面２３２と同様に、対象の品質データや関連する実績データのトレンドチャートの、対象の品質の許容範囲を超えた箇所（品質異常発生箇所）は、図中で網掛けするように強調表示されるが、該当箇所の範囲を、例えば、最小値や最大値、平均値などにより色分け表示してもよい。また、データｂ，ｄ，ａ毎の関連度の分布も同様に一覧表示する。図中では、データ毎の関連度の分布を、鋼板の出現本数の数値としてテーブル形式で表示しているが、その数値の高いものから背景色の濃淡などで強調表示してもよい。あるいは、ヒストグラムチャートとして表示してもよい。
【0050】
類似品質異常要因推定分析画面２３３の「設定データ」のタブボタンを押下することで、図１０に示す品質異常要因・設定分析表示画面２３４へ遷移することができる。図１０は、品質異常要因・設定分析表示画面２３４の表示内容を模式的に示す図である。品質異常要因・設定分析表示画面２３４では、対象の品質異常に関連する実績データだけでなく、設定データに関する分析も可能である。例えば、要因候補としての設定値４，７，２，８，５などの設定データに対する関連度を箱ヒゲ図としてチャート表示するなどして、対象の品質異常と設定データに関する分析を支援することを可能とする。
【0051】
こうした、類似した品質異常とその要因推定結果を多数の鋼板Ｐｒについて確認することで、当該品質異常が恒常的に発生しているものか否か、常に同じ要因によって発生しているか否か、鋼種や目標板厚の他、関連する設定データなど特定の条件で突発的に発生しているか否か、といった分析を支援することができる。いずれも、鋼板Ｐｒの全長に渡るトレンドチャートとして示しているが、鋼板Ｐｒの長手方向先尾端の非定常変形部を除外した長さを分割した区間毎に品質評価値を算出してる場合、その対象区間に対応したチャートとしてもよい。また、設定値は圧延前に設定されるため、圧延前に要因候補として推定された設定値を関連度に基づいて分析することで、品質異常の発生を未然に防止することができる。これと、圧延後の時系列データ（実績データ）に基づく品質異常の分析を組み合わせることで、使用者の使い勝手を向上させることができる。
【0052】
以上説明したように、本実施の形態によれば、異常製品の品質評価値が許容範囲を超えた品質異常箇所を取得することで、製品の長手方向のどの位置で品質異常が発生しているかを表示することができる。さらに、正常データを用いて品質異常要因推定モデルを構築し、構築した品質異常要因推定モデルを用いて品質異常の要因候補を推定し、推定した要因候補の品質異常に対する関連度を算出することで、関連度の高い時系列データを品質異常の発生要因として表示することができる。従って、製品が品質異常と判定された際に、製品の長手方向のどの位置で品質異常が発生しているかを表示すると共にその発生要因を表示することが可能な品質異常要因分析支援システムを提供することができる。
【0053】
実施の形態２．
次に、本開示の実施の形態２について、上記実施の形態１との相違点を中心に説明する。上記実施の形態１では、品質異常要因推定モデルの構築は、前述の条件に合致したタイミングや、品質異常要因分析支援システム２０の使用者（管理者を含む）の決定する任意のタイミングのみであった。このようなタイミングで品質異常要因推定モデルを構築するだけでは、即ち、当該タイミングでのデータセットだけでは、圧延プラント１の全ての品質異常パターンを網羅することは難しい。
次に、本開示の実施の形態２について、上記実施の形態１との相違点を中心に説明する。上記実施の形態１では、品質異常要因推定モデルの構築は、前述の条件に合致したタイミングや、品質異常要因分析支援システム２０の使用者（管理者を含む）の決定する任意のタイミングのみであった。このようなタイミングで品質異常要因推定モデルを構築するだけでは、即ち、当該タイミングでのデータセットだけでは、圧延プラント１の全ての品質異常パターンを網羅することは難しい。
【0054】
本実施の形態は、上記タイミング以降、鋼板Ｐｒの圧延が完了したタイミング毎に前述の品質異常要因推定モデルを構築する点に特徴がある。図１１は、実施の形態２による品質異常要因分析支援システムの処理フローを示す図である。
【0055】
図１１に示すルーチンは、圧延完了毎に起動される。本ルーチンでは、図３に示すルーチンと同様に、品質データｘｉを取得し（ステップＳ１）、品質評価値を算出する（ステップＳ２）。その後、品質評価値が基準値である許容範囲を外れたか否か判定する（ステップＳ４）。ここまでの処理は、実施の形態１と同様である。
【0056】
本実施の形態では、上記ステップＳ５で当該鋼板Ｐｒの品質評価値が許容範囲内であると判定された場合、正常データとしてラベルが登録され（ステップＳ５）、前回モデル構築した際に使用した正常データに新たに当該鋼板Ｐｒのデータを加えて、品質異常要因推定モデルを再構築する（ステップＳ１２）。次に、上記ステップＳ１２で再構築した品質異常要因推定モデルの損失関数から算出された誤差と、前回構築したモデルの損失関数から算出された誤差を比較し（ステップＳ１３）、再構築したモデルの誤差が小さい場合には、再構築した品質異常要因推定モデルを保存する（ステップＳ１４）。
【0057】
本実施の形態によれば、上記実施の形態１で品質異常要因推定モデルを構築した後、圧延完了毎にモデルを再構築することで、品質異常要因推定モデルを更新することができる。こにより、入力変数の再現性、あるいは、対象の品質データの予測性能が向上されるとともに、常に最新の圧延プラント１の状態に合った品質異常要因推定モデルを利用して品質異常要因を推定することが可能となる。また、再構築した品質異常要因推定モデルの予測誤差が、再構築前の現在使用中の品質異常要因推定モデルの予測誤差よりも小さい場合に、品質異常要因推定モデルを更新（データ保存部２１に保存）するようにすることで、モデル再構築による精度低下を防止することができる。
【0058】
なお、本実施の形態では、圧延完了毎にモデルを再構築しているが、これに限定されず、再構築のタイミングは使用者が適宜設定することができる。例えば、使用者が品質異常要因推定結果表示画面２３２を確認した際に違和感を得た場合に、モデルを再構築することもできる。これにより、精度を向上させることができる。
【0059】
図１２は、品質異常要因分析支援システム２０のハードウェア構成の一例を示す図である。品質異常要因分析支援システム２０の上述した各機能は、図１２に示す処理回路により実現することができる。この処理回路２０は、専用ハードウェア２０ａであってもよい。この処理回路は、プロセッサ２０ｂ及びメモリ２０ｃを備えていてもよい。この処理回路は、一部が専用ハードウェア２０ａとして形成され、更にプロセッサ２０ｂ及びメモリ２０ｃを備えていてもよい。図１２の例では、処理回路２０の一部が専用ハードウェア２０ａとして形成されるとともに、処理回路２０がプロセッサ２０ｂ及びメモリ２０ｃをも備えている。処理回路２０が、少なくとも１つの専用ハードウェア２０ａであってもよい。この場合、処理回路２０は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又はこれらを組み合わせたものが該当する。処理回路２０が、少なくとも１つのプロセッサ２０ｂ及び少なくとも１つのメモリ２０ｃを備えてもよい。この場合、品質異常要因分析支援システム２０の各機能は、ソフトウェア、ファームウェア、又はソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェア及びファームウェアはプログラムとして記述され、メモリ２０ｃに格納される。プロセッサ２０ｂは、メモリ２０ｃに記憶されたプログラムを読み出して実行することにより、品質異常要因分析支援システム２０の各機能を実現する。プロセッサ２０ｂは、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、ＤＳＰとも呼ばれる。メモリ２０ｃは、例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリー、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の、不揮発性又は揮発性の半導体メモリ等の記憶装置が該当する。メモリ２０ｃは、データベースＤＢを兼用することができる。このように、処理回路２０は、ハードウェア、ソフトウェア、ファームウェア、又はこれらの組み合わせによって、品質異常要因分析支援システム２０の各機能を実現することができる。
【0060】
以上、本発明の実施の形態について説明したが、本発明は、上記の実施の形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で種々変形して実施することができる。上記実施の形態では、表示情報生成部２３で生成した情報をＨＭＩ装置１３に送信し、ＨＭＩ装置１３で各種画面２３１，２３２，２３３，２３４を表示するように構成しているが、品質異常要因分析支援システム２０の内部に表示部を設け、この表示部に各種画面を表示するように構成してもよい。
【0061】
また、上述した実施の形態において各要素の個数、数量、量、範囲等の数に言及した場合、特に明示した場合や原理的に明らかにその数に特定される場合を除いて、その言及した数にこの発明が限定されるものではない。また、上述した実施の形態において説明する構造等は、特に明示した場合や明らかに原理的にそれに特定される場合を除いて、この発明に必ずしも必須のものではない。
【符号の説明】
【0062】
１…圧延プラント、１３…ＨＭＩ装置（表示部）、２０…品質異常要因分析支援システム，処理回路、２０ａ…専用ハードウェア、２０ｂ…プロセッサ、２０ｃ…メモリ、２１…データ保存部、２２…品質異常要因推定算出部、２３…表示情報生成部、２３１…鋼板情報一覧画面、２３２…品質異常要因推定結果表示画面、２３３…類似品質異常要因推定分析画面、２３４…品質異常要因・設定分析表示画面
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】