【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は，操業条件ガイダンス装置に係り，例えば圧延などのプロセスの運転において，圧延機運転条件，およびロールやクーラント成分などの環境条件といった操業条件の決定および設定において利用される操業条件ガイダンス装置に関するものである。

【０００２】

【従来の技術】生産プロセスを高い効率で操業するためには，優れた設備と優れた操業ノウハウの双方が必要である。 この内，操業ノウハウは，生産に従事するオペレータやエンジニアが経験的に蓄積していくものであるが，近年のハードウエア，ソフトウエア両面におけるコンピュータ技術の進歩を背景に， １． ノウハウの蓄積を支援するシステム ２． ノウハウの保存を支援するシステム の開発が試みられている。 ノウハウの保存を支援するシステムは，「知識ベースシステム」あるいは「エキスパートシステム」と呼ばれるシステムである。 このシステムは，熟練者へのヒアリングや事例分析を通じてノウハウをコンピュータ内に蓄積していこうとするものであり，これまでに様々な分野で数多くのシステムが開発，
実用化されている。 これよりもニーズは強いものの開発が困難であるのが，ノウハウの蓄積を支援するシステムである。 このシステムは，一般に「知識獲得支援システム」あるいは「機械学習システム」と呼ばれ，事例を分析して，その背後にある原理なり法則を発見する過程を，コンピュータ上で実現しようとするものである。 従来は，主としてノウハウの保存を支援するシステムにより，操業条件ガイダンスを行っていた。 具体的には，熟練者に対して最適な操業条件をヒアリングし，標準操業条件を決定する。 そして，この標準操業条件をマニュアル化し，それをオペレータに表示していた。

【０００３】

【発明が解決しようとする課題】上記したような従来の操業条件ガイダンス方法では，熟練者の知識の整理，検証に多大な時間とコストがかかる上に，実用化およびメンテナンスにもコストがかかる。 また，標準操業条件の前提となる環境の状態と現在の環境の状態との間に差がある場合，その差異を考慮して操業条件縮小方法をガイダンスするような機能がないため，実運用において柔軟性に欠ける。 一方，ノウハウの蓄積を支援するシステムとして，特開平７−２９００６号公報に紹介されたニューラルネットワークの保持データ分析方法を利用することが考えられる。 本発明は，上記事情に鑑みてなされたものであり，その目的とするところは，ノウハウの蓄積を支援するシステムを具現化し，これにより最適操業条件の発見，見直しに要するコストを低減するとともに，
さらに環境条件の変動の際にも，安定して良好な操業を実現し得る操業条件ガイダンス装置を提供することである。

【０００４】

【課題を解決するための手段】上記目的を達成するために第１の発明は，データベースに蓄積され，プロセス運転における運転条件と環境条件との組合せである操業条件と，該操業条件下での操業状態の実データとよりなる操業事例を用いてニューラルネットワークをトレーニングするトレーニング手段と，上記トレーニング後のニューラルネットワークの保持データを分析することにより所望の操業状態を実現可能な操業条件の範囲を抽出する抽出手段と，上記抽出された操業条件の範囲が１つだけ存在するときはそのまま，複数存在するときはさらにその中から，範囲の大きさ及び／又は抽出精度に基づいて１つを選択した上で，該１つの操業条件の範囲をガイダンスする第１のガイダンス手段とを具備してなる操業条件ガイダンス装置として構成されている。

【０００５】第２の発明は，データベースに蓄積され，
プロセス運転における運転条件と環境条件との組合せである操業条件と，該操業条件下での操業状態の実データとよりなる操業事例を用いてニューラルネットワークをトレーニングするトレーニング手段と，上記トレーニング後のニューラルネットワークの保持データを分析することにより所望の操業状態を実現可能な操業条件の範囲を抽出する抽出手段と，ある環境条件が与えられたとき，上記ある環境条件に対応する運転条件が存在する場合には，上記抽出された操業条件の範囲の中から，該ある環境条件に対応する運転条件をガイダンスし，上記ある環境条件に対応する運転条件が存在しない場合には，
環境条件の変更をガイダンスする第２のガイダンス手段とを具備してなる操業条件ガイダンス装置である。

【０００６】第３の発明は，データベースに蓄積され，
プロセス運転における運転条件と環境条件との組合せである操業条件と，該操業条件下での操業状態の実データとよりなる操業事例を用いてニューラルネットワークをトレーニングするトレーニング手段と，上記トレーニング後のニューラルネットワークの保持データを分析することにより所望の操業状態を実現可能な操業条件の範囲を抽出する抽出手段と，上記抽出された操業条件の範囲が１つだけ存在するときはそのまま，複数存在するときはさらにその中から，範囲の大きさ及び／又は抽出精度に基づいて１つを選択した上で，該１つの操業条件の範囲をガイダンスする第１のガイダンス手段と，ある環境条件が与えられたとき，上記ある環境条件に対応する運転条件が存在する場合には，上記抽出された操業条件の範囲の中から，該ある環境条件に対応する運転条件をガイダンスし，上記ある環境条件に対応する運転条件が存在しない場合には，環境条件の変更をガイダンスする第２のガイダンス手段とを具備してなる操業条件ガイダンス装置である。

【０００７】第４の発明は，データベースに蓄積され，
プロセス運転における運転条件と環境条件との組合せである操業条件と，該操業条件下での操業状態の実データとよりなる操業事例を用いてニューラルネットワークをトレーニングするトレーニング手段と，上記トレーニング後のニューラルネットワークの保持データを分析することにより所望の操業状態を実現可能な操業条件の範囲を抽出する抽出手段と，上記抽出された操業条件の範囲が１つだけ存在するときはそのまま，複数存在するときはさらにその中から，範囲の大きさ及び／又は抽出精度に基づいて１つを選択した上で，該１つの操業条件の範囲をガイダンスする第１のガイダンス手段と，ある環境条件が与えられたとき，上記ある環境条件に対応する運転条件が存在する場合には，上記選択された１つの操業条件の範囲の中から，該ある環境条件に対応する運転条件をガイダンスし，上記ある環境条件に対応する運転条件が存在しない場合には，環境条件の変更をガイダンスする第３のガイダンス手段とを具備してなる操業条件ガイダンス装置である。

【０００８】

【発明の実施の形態】及び

【実施例】以下添付図面を参照して，本発明の実施の形態及び実施例につき説明し，本発明の理解に供する。
尚，以下の実施の形態及び実施例は，本発明を具体化した一例であって，本発明の技術的範囲を限定する性格のものではない。 ここに，図１は本発明の実施の形態及び実施例に係る操業条件ガイダンス装置Ａの概略構成を示す模式図，図２は本装置Ａの動作手順を示すフロー図，
図３は操業条件探索例を示す説明図，図４は３層ニューラルネットの一例を示す説明図，図５は標準操業条件探索手順を示すフロー図，図６は運転条件ガイダンス手順を示すフロー図である。 今，アルミ箔の圧延を例にとって説明する。 生産プロセスにおける操業条件は，大きく分けて環境条件と運転条件との２種類がある。 アルミ箔圧延においては，ロールの研磨状態，クーラント油の成分などが環境条件であり，プッシュアップ力，前方・後方張力などが運転条件であると見なされる。 運転条件は，オペレータが随時直接介入できる変数であり，環境条件は，その背景となるものである。

【０００９】圧延速度を最大限に向上させるためには，
次の２つのガイダンス機能が必要である。 １． 最適環境条件のガイダンス機能：ロールの研磨仕様，クーラント成分の標準条件を決定し，また，ロール替えやクーラント成分計測／添加剤投入サイクルを決定してオペレータ及びエンジニアにガイダンスする機能。 ２． 最適運転条件のガイダンス機能：与えられた環境条件のもとで最大限の速度を出すための圧延機運転条件をオペレータにガイダンスする機能。 環境条件，運転条件は，操業標準としてマニュアル化し，それに従って生産が行われるという状態が望ましいが，後者の機能は，現在の環境条件がマニュアルに指定されたものと異なる場合において，その条件下で最善の操業を行うための運転条件を決定する問題をも含んでいる。 従って，このようなマニュアル化がどこまでできるかが，生産現場の実力を計るための指標となる。

【００１０】しかし，実際には次のような困難がある。 １． 数多くの変数の値の組合せの中から最も有効なものを発見するのは，人手では困難である。 ２． 定期的に操業標準を見直し，その精度を確認するというマニュアルのメンテナンス作業に多大なコストがかかる。 本発明は，操業データを収集したデータベースと，それを用いた学習プログラムにより，上記の点を解決しようとするものである。 理論的，解析的な知識が，最適操業条件を定量的に決定するほどまでには十分には得られていないような場合，あるいは操業条件が現場固有のクセ（設備，環境操業条件上の制約）に依存するような場合に，とりわけ本発明は有効である。

【００１１】図１に示すごとく，本発明（第１〜第４の発明）の実施の形態及び実施例に係る操業条件ガイダンス装置Ａは，主としてデータベース１に蓄積され，プロセス運転における運転条件と環境条件との組合せである操業条件と，ガイダンス操業条件下での操業状態の実データとよりなる操業事例を用いてニューラルネットワークをトレーニングする学習部４の図示しないトレーニング部（第１〜第４の発明のトレーニング手段に相当）
と，トレーニング後のニューラルネットワークの保持データを分析することにより，所望の操業状態を実現可能な操業条件の範囲を抽出する学習部４の標準操業条件抽出部４ａ（第１〜第４の発明の抽出手段に相当）と，この抽出された操業条件の範囲が１つだけ存在するときはそのまま，複数存在するときはさらにその中から，範囲の大きさ及び／又は抽出精度に基づいて１つを選択した上で，その１つの操業条件の範囲をガイダンスする学習部４の標準操業条件選択部４ｂ及び標準操業条件ガイダンス部５（いずれも第１，第３，第４の発明の第１のガイダンス手段に相当）と，ある環境条件が与えられたとき，ある環境条件に対応する運転条件が存在する場合には，上記抽出された操業条件の範囲の中から，ある環境条件に対応する運転条件をガイダンスし，ある環境条件に対応する運転条件が存在しないばあいには，環境条件の変更をガイダンスする運転条件ガイダンス部６（第２，第３の発明の第２のガイダンス手段に相当），あるいは，ある環境条件が与えられたとき，ある環境条件に対応する運転条件が存在する場合には，上記選択された操業条件の範囲の中から，ある環境条件に対応する運転条件をガイダンスし，ある環境条件に対応する運転条件が存在しないばあいには，環境条件の変更をガイダンスする運転条件ガイダンス部６′（第４の発明の第３のガイダンス部に相当）とを具備してなる。 尚，学習部４
は，後述するデータ評価部２と共に，操業条件探索処理用コンピュータ７内に構築される。 また，標準操業条件ガイダンス部５及び運転条件ガイダンス部６（６′）は同コンピュータ７内に構築されるか，あるいは独立のハードウエアにて構築される。

【００１２】以下，図１，図２を参照して本装置Ａの動作をステップＳ１，Ｓ２，…順に説明する。 まずデータベース１は，ロールショップＯａにおけるロール研磨データ，圧延機Ｏｂのクーラント成分の計測における添加剤投入データ，操業管理システムＯｃの各コイルの圧延実績データ等を蓄積する（Ｓ１）。 次に，データ評価部２は，データベース１に蓄積された各データに対して以下の点に関する評価を行う（Ｓ２）。 １． 信頼できるデータか？ ２． データの良否（見習うべき状態を表すデータかそれとも避けるべき状態を表するデータか）？

【００１３】最初の評価では，採取されたデータを操業条件の探索処理に活用するか否かを判断する。 ここでは，「典型的な事例」に基づいて最適操業条件の探索を行うこととし，例えば，圧延開始直後に箔が破断したような「特殊事例」は学習用のデータから除去することにする。 具体的には，圧延時間，圧延機稼働に対してしきい値を設け，そのしきい値以下の時間しか圧延を行わなかったコイルのデータは用いないことにする。 また，オペレータの手入力に依存するデータに関し，入力ミスの疑いがあるものはこの段階で除去する。 即ち，人間による評価，確認，及び実績値と各平均実績値との乖離度合いの評価に基づいて除去する。 ２番目の評価では，データをいわゆる「正事例」と「負事例」のいずれかに分類する。 ここでは，高速で圧延できたコイルのデータが正事例となり，高速で圧延できなかったコイルのデータが負事例となる。 高速圧延であるか否かは，予め高速／低速の基準速度を指定しておき，圧延速度がそれを上回るか，下回るかにより決定する。 直観的には，正事例に典型的で，負事例に非典型的な環境条件，および運転条件が標準操業の候補となる。

【００１４】そのような条件を捜し出すために次に学習部４により，学習処理を行う（Ｓ３）。 この学習処理にあたっては，前述した特開平７−２９００６号公報の方法を用いる。 簡単のため，ここでは図３に示すように操業条件決定のための変数が２次元である場合を考える。
図中の○印は，高速圧延が実現できた事例，×印は実現出来なかった事例を示す。 まず，図４に示すような多層ニューラルネットを用いて操業条件変数の値（ｘ１，ｘ
２）とその結果を表す変数ｚの値（高速圧延ならば１，
そうでなければ０）の対応関係を学習部４のトレーニング部により学習させる。 例えば，バックプロパゲーションと呼ばれる周知のアルゴリズムを用いることにより，
入力操業に図３中の○印，×印に対応する操業条件変数（ｘ１，ｘ２）の値を入力すると，出力層のニューロンに変数ｚの値（１か０か）が現れるようなニューラルネットを生成することができる。 前述した特開平７−２９
００６号公報では，このニューラルネットより，図３中に示してあるような領域を発見し，「もし（ｘ１，ｘ
２）の値が領域Ｈ１またはＨ２またはＨ３内にあればｚ
の値は１」といったようなルールを出力する。

【００１５】このように，操業条件変数の値が１，２，
あるいは３個ぐらいまでならば人間の手により，ｚの値が１である（即ち高速圧延が実現できる）ような操業条件の範囲を見つけだすことができる。 しかし，操業条件を決定する変数の値がそれ以上になると人間の手でＨ
１，Ｈ２，Ｈ３のような領域を発見することは不可能になる。 ここでは，学習後のニューラルネットを入力すると，Ｈ１，Ｈ２，Ｈ３といった領域を自動的に発見することができる。 このためには，次のような操作が必要となる。 即ち，学習用のデータＤを生成するデータ生成操作，ニューラルネットを生成し，バックプロパゲーションによりニューラルネットの学習を行うニューラルネット生成操作，ルール抽出操作，生成されたルール例の中から標準操業の候補を選ぶルール選択操作が必要である。

【００１６】以下に図５を参照して，標準操作条件の検索のための各操作についてステップＳ１１，Ｓ１２，…
順に詳述する。 まず，学習用データ生成操作を行い，学習用データベース３に蓄積する（Ｓ１１）。 コイルのデータは，シングル圧延かダブリング圧延か，特殊材料か通常材料か，製品の厚み，パス，幅（パス番号とは，仕上げ圧延か，仕上げ前の圧延かを区別する番号）により類別される。 各コイルには，（シングル／ダブリング圧延識別子）−（材料識別子）−（製品厚み識別子）−
（パス番号）−（幅識別子）という分類コードが付与される。 例えばＳ−ＨＧＢ−７０−５０−１６５１，製品厚み７μ，幅１６５１ｍｍクラスのＨＧＢ材の仕上げパスシングル圧延のコイルである。 このデータは，各分類コードごとに分類されてデータベース１内に格納されている。 上記したデータ評価により，典型的な正，負事例を抽出する。 ある分類コードに属する正事例コイルの集合をＰ，負事例のコイルの集合をＮとする。

【００１７】集合ＰおよびＮ内のコイルのそれぞれに対し，コイルデータの中から，環境条件および運転条件に関連したデータを抽出する。 環境条件としては，クーラントにおけるアルコール，エステル，水分の濃度，前回計測あるいは添加剤投入時点からの経過時間，粘度など，あるいは，ロール研磨における仕上げ粗度，クラウン，径，最終工程での研磨作業時間，ロール研磨後の圧延使用時間などのクーラント，ロール条件を抽出する。
運転条件としては，プッシュアップ力，前方・後方張力，クーラントの流量と温度，ベンデイング，ＶＣロール，形状制御パラメータを抽出する。 ここで，簡単化のために，あるコイルの環境条件ベクトルをｘ，運転条件ベクトルをｙ，正事例／負事例を表す変数をｚ（正事例ならば１，負事例ならば０）とする。 従って１つのコイルに対して，ｘ，ｙ，ｚの３つのベクトルが対応する。

【００１８】次に，ｎ＝１とおいた後（Ｓ１２），ニューラルネットの生成操作を行う（Ｓ１３）。 （ｘ，ｙ）
を入力，ｚを出力の教師データとしてバックプロパゲーションによりニューラルネットを学習させるにあたって，ニューラルネットの構造を決定する必要がある。 ここでは，３層のニューラルネットを用いることにする。
従って，中間層のニューロンの数ｎがニューラルネット生成パラメータとなる。 具体的に各々のニューラルネットに対して，バックプロパゲーション学習を適用する（Ｓ１４）。 次にルール抽出操作を行う（Ｓ１５）。 このルールにおいては，高速圧延のために，ｘ，ｙがとるべき値の範囲が指定される（以下単に領域と呼ぶ）。 中間層ｎ子のニューラルネットにおいて発見された領域を，Ｈ１（ｎ），Ｈ２（ｎ），…，Ｈｍ _n （ｎ）とする。 ｎ＝ｎ＋１とし（Ｓ１６），ｎが上限値Ｎになるまで上記ステップＳ１３〜Ｓ１６をくり返す（Ｓ１７）。
尚，Ｎは予め設定しておいた値である。

【００１９】次に，ルール選択操作を行う（Ｓ１６）。
標準操業としては，上記ステップＳ１５で発見された領域｛Ｈｉ（ｊ）｝の中から１つを選べばよい。 直観的に言えば，「典型的かつ高速圧延の再現性の高い領域」を選びだせばよい。 そのために，各領域Ｈｉ（ｊ）に対して次の評価指標の計算を行う。 １． サイズ：領域Ｈｉ（ｊ）に含まれる正事例の数 ２． 精度：領域Ｈｉ（ｊ）に含まれる事例の数（正事例の数と負事例の数との和）に対する正事例の数の比率 サイズが大きく，精度の高い領域が操業標準の候補として好ましい。 とりわけ，ここではサイズの大きい領域を選ぶことにする。 一般的に，サイズの小さい領域の方が精度が高くなる傾向がある。 しかし，サイズの小さい領域は例外的な領域であることも多く，高速圧延の再現性の観点から，ここではサイズにより重みを置いて領域の選択を行う。 尚，サイズは抽出された操業条件の範囲の大きさに，また精度は抽出精度にそれぞれ相当する。

【００２０】ここに，領域の具体的な選択方法を述べる。 領域｛Ｈｉ（ｊ）｝をサイズにより大きい順に並べ，最大のものをとる。 もし，一位，二位のもののサイズが同じであれば，精度の高い方をとる。 精度も同じであれば，中間層の数の小さい方をとる。 それも同じであれば，ランダムに選ぶ。 今，上記の基準で選択された領域をＨ０とし，それを生成したニューラルネットをＮＮ
０で表すことにする。 このニューラルネットＮＮ０が，
学習によって得られた知識であり，ガイダンス情報はこのニューラルネットＮＮ０から引き出される。 操業標準の候補は，領域Ｈ０の中心で与えられることにする。 即ち，領域Ｈ０に含まれる正事例の環境の平均，および運転条件の平均を，環境条件，運転条件の標準とする。 そして，これを標準操作条件として出力する（Ｓ１９）。

【００２１】次に，図６を参照して，与えられた環境条件（ある環境条件に相当）のもとでの運転条件の決定を行う場合について述べる。 尚，この場合も上記図５のステップＳ１１〜Ｓ１７については共通であり，これらの処理が既に行われているものとする。 また一般的には，
領域Ｈの生成元となったニューラルネットＮＮ０を用いて，入力の環境条件部分ｘをｘ′に固定し，出力ｚを最大にするような，運転条件ｙを探索する必要がある。 しかし，ここでは，計算効率を考慮して次のような簡易方法を用いることにする。 まず，環境条件を入力し（Ｓ２
１），次にニューラルネットＮＮ０を用いて生成された領域をＨ１，Ｈ２，…，Ｈｎ０で表す。 そして，Ｈｉ，
ｉ＝１，２，…，ｎ０の中でｘ′に最も近い環境条件を持つ領域Ｈ′を，次の距離関数を用いて探す（Ｓ２
２）。

【００２２】今，環境条件ベクトルｘと領域Ｈの環境条件部分Ｈｘとの距離Ｄｉｓｔ（ｘ，Ｈｘ）を次のように定義する。

【数１】

【００２３】即ち，点ｘの各成分の座標とＨｘをその成分の領域に射影して得られる閉区間との距離の和で距離を定義する。 もし，環境条件がｘ′において，正事例である（高速圧延が実現出来た例がある）ならば，距離Ｄ
ｉｓｔ（ｘ，Ｈｉ）＝０であるような領域Ｈｉが存在する。 逆に，距離Ｄｉｓｔ（ｘ，Ｈｉ）＝０であるような領域Ｈｉが存在しない場合は，環境条件ｘ′のまわりで高速圧延が実現できた事例が無いことを意味している。
従って，上記のような領域Ｈｉがある場合には（Ｓ２
３），その運転条件（の平均）をガイダンス出力する（Ｓ２４）。 領域Ｈｉが存在しない場合には（Ｓ２
３），参照すべき高速圧延の事例が存在しないこと，および環境条件の改善が必要であることをガイダンス出力する（Ｓ２５）。

【００２４】上述したような事例にもとづくアプローチでは，結果の成否は収集されたデータの量と質とに大きく依存するため，探索された操業条件は必ずしも正しいとは限らない。 ガイダンスの通り実行して高速圧延が実現できなかった場合は，現在の操業標準条件の「反例」
が得られたことになる。 一般的に，反例があってはじめて新しい知識が得られたものとなり，その意味では，不適切な操業は正しい操業条件の標準を求める上でも重要である。 実際には，操業条件に従って圧延を実施し，その有効性（高速圧延ができたか否か）をオペレータに評価させる。 標準操業に従って圧延し，高速圧延が実現できた割合を「的中率」と呼ぶ。 的中率が，予め与えられたしきい値以下の場合には，上述の手順で操業条件の探索を，（新たに得られたデータを付け加えて）再度行う。

【００２５】このように標準操業条件の精度（即ち的中率）を観測し，基準値を下回った場合に探索処理を自動起動することにより，標準の精度向上，維持が可能となる。 尚，上記した例では，領域内に複数の点が含まれている場合について一般化しているが，１点のみが含まれている場合でもよい。 また，運転条件のガイダンスに当たっては，ある環境条件が与えられたとき，抽出された操業条件の代わりに，運転条件ガイダンス部６′により選択された操業条件の中から，対応する運転条件をガイダンスさせてもよい。 その場合は，探索範囲が狭くなるものの，探索時間が短くてすむ。 以上のようにして，本装置Ａでは，ノウハウの蓄積を支援するシステムを具現化し，これにより最適操業条件の発見，見直しに要するコストを低減すると共に，環境条件の変動のもとでも安定して良好な操業が実現できる。

【００２６】

【発明の効果】本発明に係る操業条件ガイダンス装置は，上記したように構成されているため，最適操業条件の発見，見直しに要するコストが低減できると共に，環境条件の変動のもとでも，安定して良好な操業が実現できる。

【図面の簡単な説明】

【図１】 本発明の実施の形態及び実施例に係る操業条件ガイダンス装置Ａの概略構成を示す模式図。

【図２】 本装置Ａの動作手順を示すフロー図。

【図３】 操業条件探索例を示す説明図。

【図４】 ３層ニューラルネットの一例を示す説明図。

【図５】 標準操業条件探索手順を示すフロー図。

【図６】 運転条件ガイダンス手順を示すフロー図。

【符号の説明】

Ａ…操業条件ガイダンス装置 １…データベース ２…データ評価部 ３…学習用データ ４…学習部（トレーニング手段等を具備） ４ａ…標準操業条件抽出部（抽出手段に相当） ４ｂ…標準操業条件選択部（第１のガイダンス手段の一部に相当） ５…標準操業条件ガイダンス部（第１のガイダンス手段の一部に相当） ６…運転条件ガイダンス部（第２のガイダンス手段に相当） ６′…運転条件ガイダンス部（第３のガイダンス手段に相当）