金属材料的品质预测模型生成方法、金属材料的品质预测方法、金属材料的品质影响因子推定方法、金属材料的制造方法、品质预测模型生成方法、金属材料的品质预测模型生成装置、金属材料的品质预测装置以及金属材料的品质影响因子推定装置与流程
本发明涉及金属材料的品质预测模型生成方法、金属材料的品质预测方法、金属材料的品质影响因子推定方法、金属材料的制造方法、品质预测模型生成方法、金属材料的品质预测模型生成装置、金属材料的品质预测装置以及金属材料的品质影响因子推定装置。
背景技术:
1、在专利文献1中公开了如下方法:使用对考虑材料的长度方向的品质判定位置而将材料的制造时的制造条件数据和最终工序中的品质数据关联起来的数据进行学习的模型,来预测材料的品质。
2、现有技术文献
3、专利文献
4、专利文献1:日本专利第7207547号公报
技术实现思路
1、发明所要解决的课题
2、材料的品质能够根据单一或多个制造条件而进行各种变化,品质不良的出现方式也根据成为其因素的制造条件而不同。因此,为了高精度地预测品质不良、或者高精度地推定品质不良的因素,需要根据品质不良的种类,适当地活用对应的制造条件的信息作为因素。
3、然而,在现有技术中,由于使用了以统一的粒度关联起来的制造条件数据和品质数据,因此没有充分且适当地活用信息。在现有技术中,具体而言,在金属材料的制造的各工序中,以与评价品质的最终工序中的品质数据以及制造条件数据的粒度(金属材料的长度的单位)对齐为前提。因此,未充分且适当地考虑本来可能成为品质不良的主要因素的中间工序中的制造条件数据的粒度所对应的活用。
4、例如在各工序为轧制工序的情况下,经过各工序,金属材料的主要是长度方向的长度变长。在与最终工序的金属材料的长度单位对齐的情况下,对应的中间工序中的金属材料的长度有时随着工序的追溯而变得比中间工序的实际的制造条件数据的测定周期短。
5、因此,对于中间工序的金属材料的制造条件数据,通过进行用于与评价品质的最终工序的金属材料的长度单位对齐的插补(例如线性插补等),转换为最终工序的金属材料的长度的单位的数据。然后,生成将转换后的中间工序中的制造条件数据与最终工序的品质数据以及制造条件数据关联起来的数据集。
6、但是,在比中间工序的实际的制造条件数据的测定周期短的情况下,即使进行了数据的插补,也有可能无法准确地反映实际的制造条件的变动。特别是在制造条件急剧变化的情况下或非线性地变动的情况下,有时通过线性插补无法完全捕捉其变动,存在品质预测模型的预测精度降低的风险。另外,若通过插补而各工序的数据点增加,则品质预测模型会过度拟合,成为泛化性能下降的原因。
7、因此,对于本来可能成为品质不良的主要因素的中间工序中的制造条件数据通过插补而被转换,并与最终工序中的品质不良数据关联起来的数据集进行学习的模型(金属材料的品质预测模型)的精度有时无法充分提高。因此,在现有技术中,金属材料的品质的预测精度的提高、品质不良的因素的推定中的可靠性的提高存在极限。
8、本发明是鉴于上述情况而完成的,其目的在于,提供一种金属材料的品质预测模型生成方法、金属材料的品质预测方法、金属材料的品质影响因子推定方法、金属材料的制造方法、品质预测模型生成方法、金属材料的品质预测模型生成装置、金属材料的品质预测装置以及金属材料的品质影响因子推定装置,基于包括表示品质预测模型的预测精度的指标、表示对最终工序的品质的预测造成的影响的重要度指标的特定的指标,来决定将各制造工序的制造条件数据和品质数据对齐而关联起来的数据的粗糙度(粒度),并适当地活用各工序的制造条件的粒度,由此能够高精度地预测材料相对于任意的制造条件的品质,并高精度地推定品质不良的因素。
9、用于解决课题的手段
10、为了解决上述课题并达成目的,本发明的金属材料的品质预测模型生成方法包括:第一收集步骤,将各工序中的金属材料的制造条件按根据工序不同而确定的所述金属材料的每个规定范围进行收集;第二收集步骤,将所述各工序的最终工序中的所述金属材料的品质按针对所述最终工序确定的每个规定范围进行评价并收集;保存步骤,对于在所述第一收集步骤中收集到的所述各工序中的所述金属材料的制造条件和在所述第二收集步骤中收集到的所述最终工序中的所述金属材料的品质,以所述各工序中的特定的一个工序中的规定范围的宽度为基准,对其他工序中的所述制造条件和所述品质进行编辑,并将所述制造条件和所述品质按作为补充了所述各工序中的所述制造条件和所述品质的疏密差异的规定范围的、与所述各工序的数量对应的每个统一规定范围反复关联并保存;模型生成步骤,根据在所述保存步骤中保存的每个所述统一规定范围的制造条件,按每个所述统一规定范围生成一个或多个预测每个所述统一规定范围的品质的品质预测模型;以及模型选定步骤,在所述模型生成步骤中生成了多个所述品质预测模型的情况下,基于特定的指标的评价,从多个所述品质预测模型中选定在所述金属材料的品质的预测中使用的所述品质预测模型。
11、在上述发明中,本发明的金属材料的品质预测模型生成方法的所述保存步骤,将所述各工序的全部工序作为对象,单独地选择所述特定的一个工序,将所选择的所述特定的一个工序中的规定范围作为所述统一规定范围,并将所述制造条件和所述品质按一个或多个所述统一规定范围的每个范围反复关联并保存。
12、在上述发明中,本发明的金属材料的品质预测模型生成方法在所述模型选定步骤中,作为所述特定的指标,基于表示所述品质预测模型的预测精度的指标,从多个所述品质预测模型中选定在所述金属材料的品质的预测中使用的所述品质预测模型。
13、在上述发明中,本发明的金属材料的品质预测模型生成方法的所述模型选定步骤基于重要度指标从多个所述品质预测模型中选定在所述金属材料的品质的预测中使用的所述品质预测模型,所述重要度指标表示成为各品质预测模型的输入的制造条件对成为输出的品质的预测造成的影响。
14、在上述发明中,在本发明的金属材料的品质预测模型生成方法的所述模型选定步骤中,根据将所述最终工序的规定范围作为所述统一规定范围而关联的实际数据来生成品质预测模型,针对所生成的品质预测模型,按每个制造条件计算重要度指标,提取所述重要度指标成为最大的制造条件,选定根据将提取的制造条件所属的工序的规定范围作为所述统一规定范围而关联的实际数据来生成的品质预测模型,作为在所述金属材料的品质的预测中使用的所述品质预测模型。
15、在上述发明中,在本发明的金属材料的品质预测模型生成方法的所述模型选定步骤中,根据将所述最终工序的规定范围作为所述统一规定范围而关联的实际数据来生成第一品质预测模型;针对所述第一品质预测模型,按每个制造条件计算第一重要度指标,提取所述第一重要度指标成为最大的制造条件;根据将提取的制造条件所属的工序的规定范围作为所述统一规定范围而关联的实际数据来生成第二品质预测模型;针对所述第二品质预测模型,按每个制造条件计算第二重要度指标,提取所述第二重要度指标成为最大的制造条件;将所述第二重要度指标成为最大的制造条件与所述第一重要度指标成为最大的制造条件一致时的所述第二品质预测模型选定为在所述金属材料的品质的预测中使用的所述品质预测模型。
16、在上述发明中,本发明的金属材料的品质预测模型生成方法的所述模型生成步骤使用包括线性回归、局部回归、主成分回归、pls回归、逻辑回归、支持向量机、决策树、回归树、随机森林、梯度提升树、神经网络在内的统计分析方法以及机器学习方法来生成所述品质预测模型。
17、为了解决上述的课题并达成目的,本发明的金属材料的品质预测方法包括品质预测步骤,所述品质预测步骤使用通过上述的金属材料的品质预测模型生成方法生成的品质预测模型,按每个规定范围预测在任意的制造条件下制造的金属材料的品质。
18、为了解决上述的课题并达成目的,本发明的金属材料的品质影响因子推定方法包括影响因子推定步骤,所述影响因子推定步骤使用通过上述的金属材料的品质预测模型生成方法生成的品质预测模型,推定成为对金属材料的品质造成影响的因子的制造条件。
19、在上述发明中,在本发明的本发明的金属材料的品质影响因子推定方法的所述影响因子推定步骤中,按每个制造条件计算所述品质预测模型的重要度指标,将所述重要度指标高的制造条件推定为成为对所述金属材料的品质造成影响的因子的制造条件。
20、为了解决上述的课题并达成目的,本发明的金属材料的制造方法包括:品质预测步骤,使用品质预测模型来预测成为输出的品质,所述品质预测模型在输入中包括通过上述的金属材料的品质影响因子推定方法推定出的、成为对金属材料的品质造成影响的因子的制造条件;制造条件决定步骤,以使预测的品质落入预先设定的范围的方式,决定成为对所述金属材料的品质造成影响的因子的制造条件;以及金属材料制造步骤,根据决定的制造条件来制造金属材料。
21、为了解决上述课题并达成目的,本发明的品质预测模型生成方法包括:第一收集步骤,将各工序中的材料的制造条件按根据工序不同而确定的所述材料的每个规定范围进行收集;第二收集步骤,将所述各工序的最终工序中的所述材料的品质按针对所述最终工序确定的每个规定范围进行评价并收集;保存步骤,对于在所述第一收集步骤中收集到的所述各工序中的所述材料的制造条件和在所述第二收集步骤中收集到的所述最终工序中的所述材料的品质,以所述各工序中的特定的一个工序中的规定范围的宽度为基准,对其他工序中的所述制造条件和所述品质进行编辑,并将所述制造条件和所述品质按作为补充了所述各工序中的所述制造条件和所述品质的疏密差异的规定范围的、与所述各工序的数量对应的每个统一规定范围反复关联并保存;模型生成步骤,根据在所述保存步骤中保存的每个所述统一规定范围的制造条件,按每个所述统一规定范围生成一个或多个预测每个所述统一规定范围的品质的品质预测模型;以及模型选定步骤,在所述模型生成步骤中生成了多个所述品质预测模型的情况下,基于特定的指标的评价,从多个所述品质预测模型中选定在所述材料的品质的预测中使用的所述品质预测模型。
22、为了解决上述课题并达成目的,本发明的金属材料的品质预测模型生成装置具备:第一收集部,将各工序中的金属材料的制造条件按根据工序不同而确定的所述金属材料的每个规定范围进行收集;第二收集部,将所述各工序的最终工序中的所述金属材料的品质按针对所述最终工序确定的每个规定范围进行评价并收集;保存部,对于由所述第一收集部收集到的所述各工序中的所述金属材料的制造条件和由所述第二收集部收集到的所述最终工序中的所述金属材料的品质,以所述各工序中的特定的一个工序中的规定范围的宽度为基准,对其他工序中的所述制造条件和所述品质进行编辑,并将所述制造条件和所述品质按作为补充了所述各工序中的所述制造条件和所述品质的疏密差异的规定范围的、与所述各工序的数量对应的统一规定范围反复关联并保存;模型生成部,根据由所述保存部保存的每个所述统一规定范围的制造条件,按每个所述统一规定范围生成一个或多个预测每个所述统一规定范围的品质的品质预测模型;以及模型选定部,在由所述模型生成部生成了多个所述品质预测模型的情况下,基于特定的指标的评价,从多个所述品质预测模型中选定在所述金属材料的品质的预测中使用的所述品质预测模型。
23、为了解决上述的课题并达成目的,本发明的金属材料的品质预测装置具备品质预测部,所述品质预测部使用由上述的金属材料的品质预测模型生成装置生成的品质预测模型,按每个规定范围预测在任意的制造条件下制造的金属材料的品质。
24、为了解决上述的课题并达成目的,本发明的金属材料的品质影响因子推定装置具备影响因子推定部,所述影响因子推定部使用由上述的金属材料的品质预测模型生成装置生成的品质预测模型,推定成为对金属材料的品质造成影响的因子的制造条件。
25、发明效果
26、根据本发明的金属材料的品质预测模型生成方法、金属材料的品质预测方法、金属材料的品质影响因子推定方法、金属材料的制造方法、品质预测模型生成方法、金属材料的品质预测模型生成装置、金属材料的品质预测装置以及金属材料的品质影响因子推定装置,通过适当地活用制造金属材料的各工序的制造条件数据的粒度,能够使与作为对象的品质有关的最大限度的信息反映到所生成的品质预测模型。因此,能够高精度地预测品质,并高精度地推定品质不良的因素。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com