JPH0452221A - 鉄鋼製品の製造可否判定装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 ［産業上の利用分野］ 本発明は、鉄鋼製品の受注時及び受注前検討時の製品仕
様に対する製造の可否判定に関する。

［従来の技術］ 鉄鋼製品は従来より最も広く利用されている素材であり
、それの利用形態に応じて様々な内容の製品仕様が、利
用者から製造業者に対して注文明細の形で要求される。

注文明細中には、例えば、引張強度条件、衝撃保証条件
、試験片採取部位。

試験片採取方向１等々が指定される。

従って鉄鋼製品の製造業者は、個々の製品の注文明細に
対して、製造可否の判定を行なう。つまり、無条件で製
造可能２条件材で製造可能、確性試験を行ったうえでな
いと判定できない、製造不可能、のいずれであるかを判
定し注文者に対して回答する。この種の可否判定は非常
に難しい点があるが、信頼性の高い判定を短期間で行な
うことが、製造業者にとって顧客サービス上、非常に重
要なことである。

この種の可否判定を支援するシステムは従来より存在し
、実際に使用されている。即ち、このシステムは、過去
の製造可否検討実績に関するデータベースと、注文明細
の内容と一致するデータを検索する装置とを組合せたも
のである。注文明細条件が検索された過去の実績と完全
に一致する場合には、それが参照実績として製造可否判
定に利用される。従って、注文明細条件が規格に沿った
内容である場合には、一致する過去のデータが存在する
Ｓ、率が高く、システｔ１の検索結果が製造可否判定に
大きな役割を果たす。

［発明が解決しようとする課題］ しかしながら、利用者から製造業者に対して要求される
注文明細条件が規格に定義された以外の条件にわたる場
合には、それが過去の製造可否検討実績と完全に一致す
ることは極めて希であり、そのような場合には従来の検
索システムでは、専門家が類似した注文明細の事例を捜
し出すのに利用できる他は役に立たず、可否判定の大部
分は、専門家の推定に頼ることになる。

また人間の推定によって判定する場合、判定に長時間を
要し、また専門家の熟練度が低いと回答できる範囲が限
定されるので、判定に確性試験を必要とする頻度も高く
なる。確性試験の実施は、製品のコストアップにつなが
る。

そこで本発明は、過去に一致する実績が存在しない注文
明細条件に対しても、自動的に製造可否判定ができるシ
ステムを提供することを課題とする。

［課題を解決するための手段１］ 上記課題を解決するために、本発明の１番目の構成にお
いては、複数の入力端子と少なくとも１つの出力端子を
有し前記複数の入力端子に印加される信号レベルと前記
出力端子のレベルとの相関を決定する複数の重み係数を
保持する手段を含むネットワーク手段、を複数備えると
ともに、対象鉄鋼製品の仕様に関する少なくとも大きさ
の情報と材質条件の情報を入力する手段；入力された仕
様の内容が予め定めた複数グループのいずれに属するか
を識別し、その識別結果に応じて前記複数のネットワー
ク手段の中から１つを選択する、選択手段；過去の判定
実績に基づいて前記ネットワーク手段の重み係数の学習
を実施する手段；及び前記選択手段によって選択された
ネットワーク手段の出力を判定結果として出力する手段
；を設ける。

［作用１］ この構成においては、自動的に製造可否判定を実施する
ために、ネットワーク手段、即ちニューラルネットワー
クを用いている。過去の判定実績に基づいて、予めネッ
トワークの重み係数の学習を行なわせておき、ネットワ
ークの入力層に、鉄鋼製品の仕様、つまり大きさや材質
条件の情報を入力し、出力層から判定結果を取り出す。

ニューラルネットワークにおいては、学習した内容に応
じてその結合構造（結合の強さ）が変わるが、学習して
いない情報に対しても、かなり高い精度で結果を出力す
ることができる。このため、鉄鋼製品の仕様として入力
された情報が、過去の実績として存在しない場合であっ
ても、確実に、しかも短時間で判定結果を得られる。

ところで、ニューラルネットワークの判定精度は、その
学習のしかたに応じて大きく変化するので、学習が容易
かどうかは非常に重要である７、鉄鋼製品の製造可否判
定においては、入力される仕様の情報として、例えばＨ
形鋼ではフランジ厚み。

引張強度特性、衝撃保証条件、試験片採取部位。

試験片採取方向等々の多数のものがあるが、これらの多
数の情報を単一のネットワークの入力層に全て印加する
ような構成にした場合、ネットワークの構造が非常に複
雑になり、学習の所要時間も膨大なものになる。

そのため、本発明においては、仕様として入力される情
報の内容を複数の分類に識別するとともに、使用するネ
ットワーク手段を複数にして、分類毎に独立したネット
ワーク手段を使用するように構成しである。従って、各
々のネットワークの構成が簡単になり、その学習所要時
間も短縮される。また、実際に学習のために製造可否判
定に関する知識を専門家から獲得する場合においても。

判定事例を複数の分類に分けた方が効率が良く、学習の
ための作業が容易になる。

なお、ここでいう「判定実績」は、その時の注文仕様情
報とそれに対する実際の製造結果との組合せでなる実績
情報、及び、その時の注文仕様情報とそれに対する確性
試験等の結果との組合せでなる実績情報、の両方を意味
している。

［課題を解決するための手段２］ 前記課題を解決するために、本発明の２番目の構成にお
いては、過去の実績が蓄積されたデータベースを有し、
対象鉄鋼製品の仕様に関する情報を入力してそれに対す
る判定結果を出力する一次判定手段；及び該一次判定手
段が二次判定を要求する時に、前記仕様の情報を入力し
て二次判定結果を出力する二次判定手段；を備えるとと
もに、該二次判定手段には、複数の入力端子と少なくと
も１つの出力端子を有し前記複数の入力端子に印加され
る信号レベルと前記８力端子のレベルとの相関を決定す
る複数の重み係数を保持する手段を含むネットワーク手
段、及び過去の判定実績に基づいて前記ネットワーク手
段の重み係数の学習を実施する手段を設ける。

［作用２］ この構成においては、自動的に製造可否判定を実施する
ために、過去の実績が蓄積されたデータベースの内容に
基づいて判定を行なう一次判定手段と、−次判定におい
て充分な判定結果が得られない時に判定を行なう二次判
定手段を設けてあり、二次判定手段にはネットワーク手
段、即ちニューラルネットワークを用いている。

一次判定手段としては、従来の検索システムや、所定の
判定ルールに基づく判定処理を実施する装置を利用でき
る。一次判定手段は、あいまいな要素がないので判定精
度が高く、高い信頼性が期待できる。しかしながら、判
定できる範囲がある程度限定されるので、その範囲を外
れるものは、実際には製造可能であっても、例えば「確
性試験が必要」として判定される確率は高い。確性試験
を行なう場合には、正しい判定結果が得られるまでに長
時間を要する。

本発明においては、一次判定手段の判定結果が不充分で
ある時には、二次判定手段によって結果が出力される。

二次判定手段は、ニューラルネットワークを利用してい
るので、一次判定手段に比べると判定精度は落ちるが、
データベース上に存在しない特殊な条件が入力される場
合であっても、直ちに判定結果を出力することができる
。この結果は確性試験の結果が得られるまでの暫定的な
情報としては充分に利用できる。

本発明の他の目的及び特徴は、以下の、図面を参照した
実施例説明によって明らかになろう。

［実施例コ 第１図に、実施例の製造可否判定装置の構成を示す。第
１図を参照すると、キーボードとＣＲＴデイスプレィを
含む入出力装［ＩＯがエキスパートシステムＥＳに接続
されている。エキスパートシステムＥＳは、データ処理
用の計算機本体と記憶装置ならびにニューラルネットワ
ーク群３０を含むハードウェアと、記憶装置上に蓄積さ
れた様々なソフトウェアで構成されている。ソフトウェ
アの部分は、データベース１０．推論エンジン２゜及び
知識ベース３０で構成されている。またこの例では、エ
キスパートシステムの計算機にはホスト計算機ＣＰＵも
接続されている。

詳細については後述するが、データベース４０は鉄鋼製
品の製造事例及び製造可否検討事例に関する多数の実績
情報を整理して登録したもの、知識ベース１０は実際の
製造可否判定に必要とされるルール群の情報を登録した
もの、推論エンジン２０は知識ベース１０上に記述され
たルールに従ってデータベース４０上の情報の検索や判
定を実施し判定結果を導出するプログラムである。

つまり、鉄鋼製品に関する注文明細条件を利用者が入出
力装置ＩＩＯから入力すると、エキスパートシステムＥ
Ｓは推論エンジン２０の動作を起動し、各種ルールの判
定と実績データの検索とを繰り返し、最終的な判定結果
を入出力装！ＩＯに出力する。

第１図の装置を機能的に並べると第２図に示すような構
成になる。第２図から分かるように、この装置には、−
次製造可否検討システム１００と二次製造可否検討シス
テム２００が備わっている。

最初に一次製造可否検討システム１００が起動し、それ
によって充分な結果が得られない時には、続いて二次製
造可否検討システム２００が起動する。

二次製造可否検討システム２００は、ニューラルネット
振り分はルール１１とニューラルネット群３０によって
構成されている。ニューラルネット群はこの例ではＡ、
Ｂ、Ｃ，Ｄの４つだけを示しであるが、実際には後述す
ように更に多くのものが備わっている。各々のニューラ
ルネットワークには、それぞれの学習知識を記憶する記
憶装置が接続されている。各々のニューラルネットワー
クは独立しており、いずれのネットワークを使用するか
が、ニューラルネット振り分はルール１１によって決定
される。

エキスパートシステムＥＳの、処理の概略を第９図に示
す。なお、ステップ８１〜Ｓ５は一次製造可否検討シス
テム１００に属する部分である。

以下、第９図の各処理ステップの内容について説明する
。

ステップＳ１で、鉄鋼製品に対する要求仕様の情報が注
文明細条件として、入力装置２から入力されると、次の
ステップＳ２に進む。ここでは条件の一部を満足する製
造事例及び製造可否検討事例をデータベース４０上で探
索する。データベース４０上のデータの１件分を次の第
１表に示す。

データベース１０上には、第１表に示すように各々の製
造事例又は製造可否検討事例について様々な項目の情報
が登録されている。なお、製造事例とは、実際に製造さ
れた製品に関するものであり、製造可否検討事例とは、
試験や分析によって製造可能であることが確かめられた
ものであり、いずれも１００％製造可能な、過去の実績
として扱うことができる。データベース１０上には、多
数の事例（製造事例及び製造可否検討事例：以下同様）
が登録されている。

このステップＳ２でデータを検索する際には、知識ベー
ス３０上に存在する様々な検索条件のルールを参照して
、所定の条件を満足するものを抽出する。次に検索条件
のルールの代表例を項目別に示す。なお以下の説明にお
いて、「要求仕様ノとは注文明細条件をデータベース項
目に基づいて展開した仕様を指す。また、要求仕様の値
が存在しないものは検索の際には考慮しない。

（１）寸法形状項目： 検索する事例は要求仕様の品名と同じでなげればならな
い。

検索する事例は要求仕様のシリーズと同じでなれればな
らない。

検索する事例は要求仕様のフランジ厚よりも厚くなけれ
ばならない。

（２）引張試験項目： 検索する事例は要求仕様の引張試験方向が２方向の場合
は２方向でなければならない。

（３）衝撃試験項目： 検索する事例は要求仕様の衝撃試験方向が２方向の場合
は２方向でなければならない。

検索する事例は要求仕様の衝撃試験採取部位がフランジ
１／２部の場合はコーナ一部又はフランジ１／４部又は
フランジ１／６部でなければならない。

検索する事例は要求仕様の引張試験採取部位がウェブ１
／３部の場合はコーナ一部又はフランジ１／４部又はフ
ランジ１７６部でなければならない。

検索する事例は要求仕様の耐力区分が上降伏点の場合は
上降伏点でなければならない。

検索する事例は要求仕様の引張強さ上限値以下でなけれ
ばならない。

検索する事例は要求仕様の衝撃試験片種類が２　ｍ　ｍ
　Ｖの場合は２　ｍ　ｍ　Ｖでなければならない。

検索する事例は要求仕様の衝撃試験温度値以下でなけれ
ばならない。

（４）曲げ試験項目： 検索する事例は要求仕様の曲げ試験方向がＺの場合は２
方向でなければならない。

検索する事例は要求仕様の曲げ試験採取部位がコーナ一
部の場合はコーナ一部でなければならない。

検索する事例は要求仕様の曲げ角度値以上でなければな
らない。

（５）溶接性項目： 検索する事例は要求仕様の成分ＣＥＱ式がＡの場合はＡ
又はＣ又はＤ又はＥ又はＦ又はＧ又はＩ又はＪ又はＫ又
はＬ又はＭ又はＮ又はＰ又はＱ又はＲ又はＴ又はＵでな
ければならない。

（ＣＥ　Ｑ式の記号の定義） Ａ　：　Ｃ＋Ｍｎ／６ Ｂ　：　Ｃ＋Ｍｎ／１０ Ｃ：　Ｃ＋Ｍｎ／６＋Ｓｉ／２４ Ｄ　：　　Ｃ＋Ｍｎ／６＋Ｓｉ／２４＋Ｃｒ１５＋Ｖ／
１４Ｔ　：　　Ｃ＋Ｍｎ／６＋（Ｎｉ＋Ｃｕ）／１５Ｕ
　：　　Ｃ＋Ｋｎ／６＋　（Ｎｉ＋Ｃｕ）／１５＋　（
Ｃｒ＋Ｎｏ＋Ｖ）１５ 検索する事例は要求仕様の成分ＣＥＱ上限値以下でなけ
ればならない。

次のステップＳ３では、ステップＳ２の検索の結果、１
つ以上の参照可能な（有効な）事例が抽出されたか否か
を識別する。参照可能な事例が抽出された場合には、ス
テップＳ４に進む。

ステップＳ４においては、製造可否判定の前処理として
、単一の事例を選択する。即ち、ステップＳ２の処理で
抽出された事例が１つのみならそれに基づいて判定を実
施するが、複数の参照可能な事例が抽出された場合には
、その中で最も適当な１つの事例を選択し、選択された
事例に基づいて判定を実施する。

実際には、抽出された各々の事例について、それの満足
度を示すカウンタ数と称する値を求めて、カウンタ数が
最小の事例を最初に選択する。カウンタ数は、当該事例
が注文明細条件に対して何個の項目について満足してい
ないかを示す数である６ここでは、カウンタ数を求める
ために、知識ベース３０上にカウンタ数の計算ルールが
登録されており、推論エンジンはその計算ルールを参照
しなからカウンタ数を計算する。計算ルールの代表例を
項目別に分けて次に示す。

（１）成分項目： 探索した事例のＣ下限が要求仕様のＣ下限よりも小さけ
ればカウンタとする（１を加える）。

探索した事例のＣ上限が要求仕様のＣ上限よりも大きけ
ればカウンタとする。

探索した事例のＭｎ／Ｃ下限が要求仕様のＭｎ／Ｃ下限
よりも小さければカウンタとする。

（２）母材熱処理方法： 探索した事例の母材熱処理に指定がない場合、要求仕様
の母材熱処理に指定があればカウンタとする。

探索した事例の母材熱処理方法が焼ならしの場合、要求
仕様が焼ならしでない場合はカウンタとする。

なお、上記ルールに基づいて計算したカウンタ数が最小
の事例が複数検出された場合には、それらから１つを選
択するために、製造コストが一番安い事例及び最も新し
い事例、という条件を加えて選択する。これによって、
最終的には１つの事例だけが検出される。

ステップＳ５では、ステップＳ４で検出した１つの事例
に基づいて、製造可否を判定する。まず、検出された事
例データから、エキストラ、製造工期、確性試験の要否
及び期間、成分（Ｃ，Ｓｉ。

Ｍｎ、Ｐ、Ｓ、Ｃｕ、Ｎ　ｉ　、Ｃｒ、Ｍｏ、Ｎｂ。

Ｖ、Ｔ　ｉ、Ｂ、Ａｔ、Ｃａ、Ｎｔ　Ｈ＋　Ｍｎ／Ｃ，
Ｎｂ／Ｖ。

Ｖ／Ｎ等）上下限の目標値や母材熱処理方法、脱酸条件
、制御圧延方法等の製造方法に関連する項目の値を取り
出す。これらの値はそのまま、今回の注文明細条件に対
する結果の値となる。次に、ステップＳ４と同様の方法
によって製造方法に関する項目について今回の注文明細
条件の値と結果の値を比較して、今回の注文明細条件に
対するカウンタ値を導き出す。カウンタ値は例えば、今
回の注文明細条件のＭｎ上限が１．３５％の時に結果の
Ｍｎ上限目標値が１．６０％であった場合には、Ｍｎ上
限のカウンタ値は１．６０％となり、また今回の注文明
細条件のＣ上限が０．２３％の時に結果のＣ上限目標値
が０．１７％の場合はＣ上限のカウンタ値はない。

上記のようにして導き出されたカウンタ値が存在する項
目が１つもなく、かつ確性試験が必要でなければ、製造
可否判定結果は「製造可能」となる、また逆に、カウン
タ値が存在する項目が１つでもあるか、あるいは、確性
試験が必要であれば、製造可否判定結果は「条件付で製
造可能」となり、その条件とは、確性試験の期間や湛出
されたカウンタ値となる。製造可否判定の結果の例を次
に示す。

「今回の注文明細条件に対する製造可否判定結果は製造
可能である。」 「今回の注文明細条件に対する製造可否判定結果はＭｎ
上限を１．３５％から１．６０％に上げることを条件と
して製造可能である。」 「今回の注文明細条件に対する製造可否判定結果は焼な
らし処理を行うことを条件として製造可能である。また
、熱処理エキストラとしてＸ円／シＯｎ必要である。」 これらの製造可否判定結果は、データベース１０に登録
され、次回の製造可否判定の際に利用される。

ステップＳ２において、最低限の注文明細条件を満足す
る事例データが見つからなかった場合には、ステップＳ
３を通り、ステップＳ６．Ｓ７に進む。

ステップＳ６では、ニューラルネットワークを使用して
判定結果を出力させる。この結果は短時間で得られる。

ステップＳ７は人間の介入が必要な作業であり、材質試
験データ（引張試験に関する散布図データや衝撃試験に
おける遷移図データ等）を利用して更に詳細な判定を行
なうか、あるいは確性試験を実際に行なうことで製造可
否を判定する。従ってその結果が得られるまでには長い
時間を必要とする。この結果は、新しい実績としてデー
タベース１ｏに登録され、以降の製造可否判定の際に利
用される。

次にステップＳ６の二次製造可否判定について詳紺に説
明する。

鉄鋼製品の製造可否判定においては、入力される製品仕
様として、Ｈ形鋼の場合、フランジ厚み。

引張強度特性、衝撃保証条件、試験片採取部位。

試験片採取方向等々の多数のものがある。仮にこれらを
全てを単一のニューラルネットワークに対する入力のパ
ラメータとすると、ネットワークの構造が非常に複雑に
なってしまう。ネットワークの構造が複雑になると、そ
れの学習処理の際に計算が複雑になりパラメータの数も
多くなるので膨大な時間が必要になる。ニューラルネッ
トワークにおいては、学習の良悪は非常に重要であり、
精度の高い結果を得るためにはネットワークの構造を簡
単にした方が良い。

また、例えばＨ形鋼の場合、フランジ厚みと引張強度特
性に関する注文明細条件は、■基本成分である炭素、珪
素、マンガンの含有量、■圧延前のスラブの種類（ＩＣ
〜分塊スラブか連続鋳造スラブか）や形状、及び■圧延
方法、という基本的な製造方法と大きな関係がある。更
に衝撃保証条件、試験片採取部位、試験片採取方向が厳
しくなると、特殊元素の添加のための精錬プロセスの変
更や圧延中の冷却条件の変更が必要となり、ＩＪｉｊ造
可否に対する影響が大きい。従って同一サイズのＨ形鋼
の製造可否検討を行なうにしても、これらの条件の付き
方や有無によって判断方法を変える必要があるので、シ
ステムとしてもそれらを予め分類して対応するのが望ま
しい。

そのため、この実施例では、多数の独立したニューラル
ネットワークを設けてあり、それらのいずれかを選択的
に使用するために、ニューラルネット振り分はルール１
１が存在する。ルール１１の内容は、第５図に示すよう
になっている。即ち。

フランジ厚の大小、引張強度条件の有無、衝撃保証条件
の有無、試験片採取部位の違い、及び試験片採取方向の
違いに応じて、それぞれ独立したニューラルネットワー
クが存在し、その時の入力仕様に応じたネットワークが
選択されるようになっている。このため、各々のニュー
ラルネットワークは比較的簡単な構成になっている。

１つのニューラルネットワークの構成を第３図に示す。

第３図を参照すると、この例では、ネットワークは入力
層、中間層、及び出力層の３層構成になっており、各層
にはそれぞれ、１６個、１１個及び５個のユニットが設
けである。入力層の１〜５番、６〜１０番、及び１１〜
１５番には、それぞれ、引張強度Ｔｓ、フランジ厚ｔｆ
及び衝撃保証温度Ｔｉｖの情報が入力される。出力層の
各ユニットには、次のような意味付けを行なっである。

１：製造不可 ２：はぼ製造不可 ３：確性試験必要 ４：はぼ製造可能 ５：製造可能 入力層に印加される引張強度Ｔｓ、フランジ厚ｔｆ及び
衝撃保証温度Ｔｉｖの情報は、それぞれの値の大きさに
応じて第４図に示すように５つのランクのいずれかに区
分され、区分位置に応じて、入力層の各ユニットに印加
する情報のパターンが変わる。例えば、引張強度Ｔｓが
４５であれば、４０〜５０の範囲内にあるので、入力層
の２番のユニットが対象レベルになり、１，３．４及び
５番のユニットは非対象レベルになる。対象レベルＹｉ
は。

次式から求められる。

Ｙ　　ｉ　　＝　（（Ｘ　　ｉ　　−Ｘ１Ｍ１ｎ）／　
（Ｘｉ阿ａｘ　−Ｘ　１Ｍ１ｎ））＋　Ａ但し、　Ｘ　
ｉ　：入力レベル Ｘ１Ｍ１ｎ：　　ｉ番ユニットの範囲の下限値ＸｉＭａ
ｘ　：　（ｉ＋１）番ユニットの範囲の下限値Ａ：　バ
イアス値（０，５） 例えば、引張強度Ｔｓの入力レベルＸｉが５２なら、Ｘ
　１Ｍ１ｎは５０、Ｘ　ｉＭａｘは５５であるから、（
（５２−５０）／（５５−５０））＋０．５７）計算に
より、０．９が入力層の対象ユニット（３番）に印加さ
れる。バイアス値Ａは、同一因子に関する非対象レベル
鰐ある入力層ユニットとの分化を明確にするために設け
である。また、非対象レベルの入力層ユニットに対して
は、微小値（０，１）をバイアス値として印加シている
。つまり、引張強度Ｔｓの入力レベルＸｉが５２なら１
，２，４及び５番の入カニニットにはいずれも０．１が
印加さ九る。フランジ厚及び衝撃温度についても同様で
ある。

この実施例では、二次製造可否検討システムに関し、製
造可否判定モードと知識更新モードとが設けられている
。事前にニューラルネットワーク群３０の学習が終了し
ている時には、製造可否判定モードが起動すると、入力
された注文明細条件の内容に応じて、第５図に示すよう
なルールによって選択された１つのニューラルネットワ
ークに対して、その注文明細条件が上述のようなパター
ンに変換されて入力層に入力情報として入力される。

その結果、当該ニューラルネットワークの出力層に判定
結果が出力されるので、それを暫定的な判定結果として
出力する。つまり、ニューラルネットワークを使用する
場合、人間の判断と同じようにあいまいな部分があり、
１００％の信頼性は期待できないので、最終的には人間
による詳細な検討や確性試験（Ｓ７）も行なう必要があ
る。知識更新モードにおいては、実績データを入力し、
ネットワーク上の各部の重みパラメータ（結合強さ）を
自動的に学習させる。学習のアルゴリズムとしては、公
知の逆伝播法（パックプロパゲーション）を用いている
。

ここで用いているニューラルネットワークの基本的な動
作原理については、公知のものと同一であるが、以下に
−通り説明する。

ネットワークを構成するユニットの１つの基本構造を第
６ａ図に示す。第６ａ図を参照する。Ｓ階層にあるユニ
ットｊは、ひとつ下の（ｓ　−１）階層（Ｓ階層より入
力層に近い）の複数個のユニットから入力情報を受け、
ユニット内部で一定の規則に基づいて変換し、出力する
多入力−出力素子としての機能を有する。更に、ユニッ
トの結合部では、それぞれ可変の結合の重みＷ　ａ　ｊ
　ｉを設定する。、　Ｗａｊｉは、正、０又は負の値を
とり、正は興奮状態、負は抑制状態に対応する。０なら
ユニット間に結合がないことと同じである。

階層Ｓにある番号ｊのユニットの入力の総和ＮＥＴｓｊ
は次式で表わされる。

ＮＥＴｓｊ＝Σ（Ｗｓｊｉ　・Ｏ（ｓ　−１）ｉ）　・
・”（１）但し、ｉ：ユニットｊの下層ユニットの番号
出力Ｏｓｉは、ＮＥＴｓｊを入出力関数ｆによって変換
することで得られる。ここでは、関数ｆとしてシグモイ
ド状（Ｓ字形）のロジスティック関数０ｓｊ＝　ｆ　（
Ｎ　Ｅ　Ｔｓｊ） ＝　１　／　（１＋ｅｘｐ　（−ＮＥＴｓｊ））　　・
”（２）を使用している（第７ｃ図参照）。この関数は
、単調有界で、連続（ｎ同機分可能）な非線形関数で、
値域は［０，１］、入力値が大きくなると１に近づき、
小さくなると０に近づく。また閾値θａｊ（ｉ＋１）を
加えて、次式のようにし、それぞれのユニットに別々の
入出力関数を与えることで、ネットワークに蓄える記憶
の自由度を増させた。

○５ｊ＝＝　ｆ　（Ｎ　Ｅ　Ｔｓｊ） ＝　１７　（１＋ｅｘｐ　（−ＮＥＴｓｊ十θ５ｊ（ｉ
＋　ｔ　）））・・・（２ｂ） 実際には、各階調に対し、入力値を固定したユニット（
第３図のダミーユニット）を追加することでこの機能を
実現している。

このようにして、任意の入力データのパターンＰにおい
て、個々の中間層のユニットｊに対する出力値Ｏｓｊが
得られ、これを順次上の階層のユニットに伝播させるこ
とにより、最終的に出力層（階層番号０）のユニット２
に対する出力値Ｏｏｚを得る（順伝播：第６ｃ図参照）
。

この実施例では、学習法として公知の逆伝播（パックプ
ロパゲーション）法を採用している。

これは、得られた出力層の出力値に対して、望ましい出
力値（教師データ）に近づけるように結合の重みを後向
き（出力層から入力層に向かう方向）に順次変更してい
くものである。

いま、得られた出力層の出力値と望ましい出力値の差を
評価するために、任意の入力データのパターンＰにおい
て、出力層ユニット２の実際の出力値をＯｏｚ、望まし
い出力値をＴｐｚとして誤差関数Ｅｐｚを次のように定
義する。

Ｅｐｚ＝Σ　（（Ｔｐｚ−Ｏｐｚ）２／２）　　＝・（
３）ここで、パターンＰに対しての結合の重みＷ　ｓｊ
　ｉの変化量を ΔＷｓｊｉ＝ニー　ηｌδＥ　ｐｚ／　ａ　Ｗｓｊｉ）
　　　　・・・（４）とおく。これは最急降下法を用い
て最適解を得るためである。これを更に変形すると次式
が得られる。

ΔＷｓｊｉ＝　　７１　・（δＥｐｚ／θＷｉｉ）＝−
ｒｔ−ＣδＥｐｚ／　ｄＮＥｒｓｊ）　（６０猶／δＷ
ｓｊｉ）＝−η・（δＥ　ｐｚ／δＮＥｒ５ｊ）　・（
θ／δＷｓｊｉ）Σ（Ｗｓｊｉ・Ｏ（ｓ　−１）ｉ）＝
−ｒｔ−ＣδＥｐｚ／δＮＥＴｓｊ）○Ｃ５−ｔ）ｉ＝
−η・δ幻・０（ｓ−１）ｉ　　　　　　　　　　　　
、　・・・・（５）但し、δｓｊ＝δＥｐｚ／δＮＥＴ
ｓｊとする。

第（５）式におけるδｓｊは、階層Ｓが出力層か中間層
かで異なり、それぞれ次のように表わせる。

Ｓが出力層の場合（ｓ＝ｏ）： δｏｚ＝（Ｔｐｚ−○ｏｚ）・ｆ　’ｏｚ（ＮＥＴｏｚ
）　　−（６）Ｓが中間層の場合： δＳｊ　＝　ｆ’　ｓｊ　（ＮＥＴｓｊ）−Σ（δ（ｓ
＋１）ｋ−Ｗ（ｓ＋　１　）ｋｊ）・・・（７） 但し、ｋは（ｓ　＋　１　）階層のユニット番号を表わ
す。

またδｓｊは再帰関数になっている。

このようにして、第（６）式又は第（７）式を第（５）
式に代入することにより、結合の重みの変化量ΔＷｓｊ
ｉが出力層から入力層に向かって変更される。但し、学
習前の初期の結合の重みはランダムに設定しておく。更
に、他の入力データのパターンにおける、出力層の出力
値を求め（順伝播）、そのパターンにおける教師データ
のパターンといま得られた出力値に基づいて、結合の重
みを逐次更新する（逆伝播二バックプロパゲーション）
。これを、全ての教師データのパターンについて行ない
、１回の学習を終える。

学習は、誤差関数が収束するまで繰り返し実行する。結
合の重みΔＷｓｊｉを一般化した式を次に示す。

ΔＷｓｊｉ（ｎ＋１）＝η・δｓｊ・ｏ（ｓ−１）ｉ＋
　ａ　・ΔＷｓｊｉ（ｎ）　　・・・（８）但し、ｎ：
学習回数 第（８）式におけるηは、学習係数と呼ばれ、この値を
小さくすれば学習の精度は良くなるが、学習速度は遅く
なる。逆に大きくすると振動を起こす可能性が高くなる
。この振動は、最急降下法のような最小化法では、しば
しば問題になるもので、最小化したい関数の局面が深い
渓谷状になっていることが原因である。この振動を避け
るために、第（８）式の第２項によって、修正方向に慣
性を与える方法が良く用いられる。これにより、学習は
谷の両岸を往復することなく、渓流の流れの方向に進み
易くなる。ここで、αは慣性係数と呼ばれるものである
。この実施例では、殆どの場合、η＝０．１、α＝０．
０を用いた。３層ニューラルネットの学習処理の概略を
第６ｄ図に示すので参照されたい。

ところでこの実施例では、第３図に示すように、ニュー
ラルネットワークの入力層と中間層に、常に出力値が１
になるロジスティック関数閾値調整用のダミーユニット
が１個ずつ設けられている。

前記第（１）式において、（ｓ−１）階層にダミーユニ
ット１個を追加した場合、第（１）式は次のように表わ
される。

ＮＥＴｓｊ＝Σ（Ｗｓｊｉ・０（ｓ−ｔ　）ｉ）＋Ｗｓ
ｊ（ｉ＋ｔ　）Ｏ（ｓ　　ｔ　）（ｉ＋ｔ　）＝Σ（Ｗ
ｓｊｉ・Ｏ（ｓ　　１　）ｉ）＋Ｗｓｊ（ｉ＋１　）・
１　　　　　　・・・（９）この第（９）式と前記第（
２ｂ）式を参照すれば、Ｗｓｊ（ｉ＋　１　）が閾値を
表わしていることが分かる。

つまり、学習ごとに閾値を更新できるようになっている
。

実際には、ネットワークの構造として、第３図の他に第
８ａ図及び第８ｂ図に示すものについても試験を行なっ
たが、学習の安定性や効率の点で、第３図の構造が一番
良い結果が得られた、中間層のユニット数としては、入
力層のユニット数と出力層のユニット数との和の半分程
度のものが学習に関し効率的であった。

この例では、入力層にデータを印加すると、出力層のい
ずれか１つのユニットに１が出力され、他のユニットが
０を出力する。１を出力した出カニニットの番号を判定
結果として採用している。

実施例で用いた教師データ（実績データ）の一部分を次
の第２表に示す。

第　　２　　表 実施例では、学習後のニューラルネットワークの判定の
正答率として１００％が得られた。

なお上記実施例においては、−次製造可否検討システム
として、ルールベースの知識に基づいて一致する実績デ
ータが存在しない製品仕様に対しても自動的に判定を行
なうシステムを用いているが、例えば多数の実績データ
を登録したデータベース備えて完全に一致する実績デー
タが存在するか否かを検索によって検出するシステムに
よって一次製造可否検討システムを置きかえてもよい。

なお、第３図においては図面を見易くするためにネット
ワークの接続関係を一部分だけしか示していない。実際
には、入力層の全ユニットは中間層の全ユニットに各々
結合され、中間層の全ユニットは出力層の全ユニットに
各々結合されている。

また第８ａ図では、実際には、中間層の全てのユニット
は、出力層の全てのユニットと結合されている。第８ｂ
図では、実際には、入力層の全ユニットが中間層ｌの全
ユニットに結合され、中間層１の全ユニットが中間Ｍ２
の全ユニットに結合され、中間層２の全ユニットが出力
層の全ユニットに結合されている。

なお、ネットワークの構造としては、実施例のＮ層構造
（第７ａ図参照）の他に、第７ｂ図に示すような相互結
合型のネットワーク構造にすることも可能である。

［発明の効果］ 以上のとおり本発明によれば、判定すべき製品仕様と一
致する実績データが過去に存在しない場合であっても、
人間が介入することなく、自動的に製造可否の判定を行
なうことができる。しかも、ネットワーク手段（３０）
を用いているので、実績データが少ない条件下において
も、比較的信頼性の高い判定結果が直ちに得られる。ま
た、複数の独立したネットワーク手段を用い、かつそれ
らの中から使用するネットワーク手段を選択する選択手
段を備えているので、ネットワークの構造が単純化され
、学習の所要時間や効率の点で非常に望ましい結果が得
られる。

【図面の簡単な説明】

第１図は実施例の装置の構成を示すブロック図、第２図
は第１図の装置を機能的な結合関係で表わしたブロック
図である。 第３図はニューラルネットワーク群のうち、第５図のル
ールのＮ００３の条件で選択されるネットワークの構成
を示すブロック図である６ 第４図は、入力データの範囲とそれが印加されるネット
ワークの入力層のユニット番号との対応を示すマツプで
ある。 第５図は、入力データの条件と選択されるネットワーク
との対応関係を示すマツプである。 第６ａ図、第６ｂ図、第６ｃ図及び第６ｄ図は、ニュー
ラルネットワークの一部分又は全体の動作を示すブロッ
ク図である。 第７ａ図及び第７ｂ図はネットワークの構造例を示すブ
ロック図、第７ｃ図はシグモイド状の関数を示すグラフ
である。 第８ａ図及び第８ｂ図はニューラルネットワークの変形
例を示すブロック図である。 第９図は、実施例のシステムの処理の内容の概略を示す
フローチャートである。 １０：知識ベース １１：ニューラルネット振り分はルール（選択手段）２
０：推論エンジン ３０：ニューラルネットワーク群（ネットワーク手段）
４０：データベース １００ニー次製造可否検討システム ２００：二次製造可否検討システム ＣＰＵ：ホスト計算機　　ＥＳ：エキスパートシステム
Ｉ○二人出力装置 瞥づ冑級う１さ 市３図 唱ら１呵８予ｔルべ゛）ン シ呵罷う１さ 声４区 第５図 起動ニューラルネット振り分はルール 声６ｂ図 〔ｙｌ＝ａｌＸＩ士ａ２Ｘ２＋ａ３Ｘ３）（ｙ２−ｂ＋
ｘ＋　＋ｂｚｘｚ　＋ｂ３ｘ３〕埒４（ｓ＝＋） 貴６ｃ図 １贈（ｓ＝２） 幻涌（ｓ＝ｏ＝３） 声６ｂ図 煮１印パターン 声８ａ図 声８ｂ因 一一−Ｔｓ−一」 ニヰ― □ＴｉＶ−Ｊ 声７８図 声７ｂス 月７Ｃ図 東 図 手続本南正書（自発） 平成２年 事件の表示 平成２年特許願第１６１７８９号 ２、発明の名称 鉄鋼製品の製造可否判定装置 ３、補正をする者 事件との関係　　特許出願人 住所　　東京都千代田区大手町二丁目６番３号名称　　
（６６５）新日本製鐵株式会社代表者　白木全作 ４、代理人 住所 〒１０３　電話：　０３−８６４−６０５２東京都中央
区東日本橋２丁目２７番６号５、補正の対象 明細書の発明の詳細な説明の欄、及び 第６ｂ図 （ｙ１＝ａｌＸＩ＋ａ２Ｘ２＋ａ３Ｘ１）〔ｙ２Ｉｗｂ
１ｘ１ｆｂ２ｘ２十ｂ３ｘ３〕６、補正の内容 （１）明細書中の以下に示す頁及び行の「誤」とした内
容に訂正する。 とした内容を正 属する項目名の「試験部位」を「採取部位」に訂正する
。 （３）添付した図面に朱書きで示した通り、の一方の図
番を第６ｄ図に訂正する。 ２つある第６ｂ図 ７、添付書類の目録 図面（第６ｂ図）・・・・ １葉 声６谷図 仔パ７−ン

Claims (2)

【特許請求の範囲】
1. （１）複数の入力端子と少なくとも１つの出力端子を有
   し前記複数の入力端子に印加される信号レベルと前記出
   力端子のレベルとの相関を決定する複数の重み係数を保
   持する手段を含むネットワーク手段、を複数備えるとと
   もに、 対象鉄鋼製品の仕様に関する少なくとも大きさの情報と
   材質条件の情報を入力する手段； 入力された仕様の内容が予め定めた複数グループのいず
   れに属するかを識別し、その識別結果に応じて前記複数
   のネットワーク手段の中から１つを選択する、選択手段
   ； 過去の判定実績に基づいて前記ネットワーク手段の重み
   係数の学習を実施する手段；及び 前記選択手段によって選択されたネットワーク手段の出
   力を判定結果として出力する手段；を備える鉄鋼製品の
   製造可否判定装置。
2. （２）過去の実績が蓄積されたデータベースを有し、対
   象鉄鋼製品の仕様に関する情報を入力してそれに対する
   判定結果を出力する一次判定手段；及び該一次判定手段
   が二次判定を要求する時に、前記仕様の情報を入力して
   二次判定結果を出力する二次判定手段；を備えるととも
   に、該二次判定手段は、複数の入力端子と少なくとも１
   つの出力端子を有し前記複数の入力端子に印加される信
   号レベルと前記出力端子のレベルとの相関を決定する複
   数の重み係数を保持する手段を含むネットワーク手段、
   及び過去の判定実績に基づいて前記ネットワーク手段の
   重み係数の学習を実施する手段を含む、鉄鋼製品の製造
   可否判定装置。