2021 Fiscal Year Annual Research Report
Development of algorithms for manufacture informatics and its evaluation in steel industry
| Project/Area Number |
19H04176
|
|---|
| Research Institution | Kyushu University |
|---|
Principal Investigator |
西郷 浩人 九州大学, システム情報科学研究院, 准教授 (90586124)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
齊藤 敬高 九州大学, 工学研究院, 准教授 (80432855)
|
|---|
| Project Period (FY) |
2019-04-01 – 2023-03-31
|
| Keywords | 機械学習 / 鉄鋼生産 / 異常検知 / 回帰 / ベイズ最適化 / CNN / 解釈可能性 |
|---|
| Outline of Annual Research Achievements |
本研究が目指すのは最新の機械 学習手法に基づいて鉄鋼産業における問題を定式化した上で、生産や操業の効率化を進めることである。以下に、次の 2 つの テーマ【1】操業時の異常検知問題、【2】マルチタスク学習による 高温状態の粘度予測について研究実績の概要を説明する。
【1】 操業時の異常検知問題とは、高炉内部の圧力データより異常の発生を事前検知する問題である。ただし、圧力データは高炉内の表面でしか測定することが できなく、内部の様子を動的に知る手段が無いのが難点である。我々は、3DCNNによる異常検知システムを新規に構築し、その結果が２DCNNおよび最近傍法より優れていることを示した。この結果は国内学会であるIBISとSIGFPAIにおいて発表済みである。
【2】高温状態の粘度予測モデルの作成とは、【1】と同じく、高炉内の物質の状態を予測するための方法である。ただし、予測するのは異常ではなく混在した物 質(スラグ)の粘度である。この指標は高炉内の状態について、【1】とは異なる情報源となるため重要である。我々は室温及び高温の実験系のデータより溶融物の粘性の正確な予測を目指した。具体的には、流体力学で知られるEinstein-Roscoeの式をガウス過程回帰で拡張することにより、データ駆動の予測モデルを構築した。シミュレーションデータ及び高温の実験系のデータにおいて提案モデルは従来の機器学習手法よりも優れた回帰性能を達成した。また、室温データの利用により高温データの予測パラメータの改善ができることも示した。これらの結果は国際誌に掲載予定である。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
理由
【1】 構築した異常検知予測システムについては、計算機実験において良好な結果を示すとともに、共同研究者にもポジティブに評価して頂いている。
【2】高温状態の粘度予測モデルの作成においては一定の成果が得られた。
|
| Strategy for Future Research Activity |
【1】創業時の異常検知問題については、半教師あり学習によるラベルコストの低減について検討する。
【2】高温状態の粘度予測モデルの作成において、今後は類似の問題への拡張可能性について検討する。
|
