操業予測装置、操業予測方法、及びコンピュータプログラム
【課題】下工程の操業結果を予測するための予測モデルの学習用データを適切に選別しつつ、過学習を抑制する。
【解決手段】学習用実績データに最も近いＳＯＭニューロンを勝者ＳＯＭニューロン６０２とし、勝者ＳＯＭニューロン６０２の値とその近傍にある近傍ＳＯＭニューロン６０３の値とを、学習用実績データの値に近づけるように修正してＳＯＭの学習を行う。ＳＯＭの学習終了時のＳＯＭニューロン６０２、６０３のそれぞれについて、値が最も近い学習用実績データを相互に関連付けて記憶する。そして、操業結果予測対象データと値が近い所定数のＳＯＭニューロン６０２、６０３と、そのＳＯＭニューロン６０２、６０３に関連付けられている学習用実績データとを学習用データ１０１、１０２とする。
【解決手段】学習用実績データに最も近いＳＯＭニューロンを勝者ＳＯＭニューロン６０２とし、勝者ＳＯＭニューロン６０２の値とその近傍にある近傍ＳＯＭニューロン６０３の値とを、学習用実績データの値に近づけるように修正してＳＯＭの学習を行う。ＳＯＭの学習終了時のＳＯＭニューロン６０２、６０３のそれぞれについて、値が最も近い学習用実績データを相互に関連付けて記憶する。そして、操業結果予測対象データと値が近い所定数のＳＯＭニューロン６０２、６０３と、そのＳＯＭニューロン６０２、６０３に関連付けられている学習用実績データとを学習用データ１０１、１０２とする。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、操業予測装置、操業予測方法、及びコンピュータプログラムに関し、特に、予測モデルを用いて操業の予測を行うために用いて好適なものである。
【背景技術】
【０００２】
例えば、鋼材を製造するための製鋼プロセスの各工程における目標温度は、下工程からの要求によって決定される。すなわち、連続鋳造工程（ＣＣ）における鉄の凝固温度を起点として、下工程における溶鋼温度降下量を順次推定（予測）することで、各工程における目標温度が決定される。ここで問題になるのは、各工程及び工程間における溶鋼温度の降下量の不確かさである。各工程における溶鋼温度の降下量は、様々な要因の影響を受け、同一の鋼種の鋼材を製造する場合であっても、各工程及び工程間における溶鋼温度の降下量は一定ではない。そのため、従来は、オペレータが自身の経験・知見を駆使しつつも、安全側（すなわち高温側）に製鋼プロセスの各工程の目標温度を設定せざるを得なかった。
【０００３】
そこで、操業実績データを活用して製鋼プロセスの各工程における目標温度を、階層型ニューラルネットワーク等の予測モデルを使ってパターン分類・予測することが考えられる。このような技術として特許文献１に記載の技術がある。特許文献１では、まず、転炉の吹止温度の終点挙動を、ニューラルネットワーク等を用いて大局的にグローバル推定した後、自己組織化マップモデル等を用いて、転炉吹練に関する操業条件を複数のグループにクラスタリングする。そして、クラスタリングしたグループ毎に、推定した転炉の吹止温度の誤差を、ニューラルネットワーク等を用いて評価・学習し、グローバル推定した転炉の吹止温度を、同定した誤差を用いて修正する。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００１−２９４９２８号公報
【非特許文献】
【０００５】
【非特許文献１】T.Kohonen著、「Self-organizing maps」、Springer、１９９６年
【発明の概要】
【発明が解決しようとする課題】
【０００６】
しかしながら、前述した従来の技術では、ニューラルネットワーク等の予測モデルの学習をする際に、操業実績データのみを学習用データとして用いているので、データ数が少ないことによる未学習部分の発生や過学習により、予測の精度が低下してしまう虞がある。一方で、学習用データをむやみに多くすると、計算の負荷が大きくなるばかりでなく、不適切な学習用データを採用してしまう虞がある。
本発明はこのような問題点に鑑みてなされたものであり、下工程の操業結果を予測するための予測モデルの学習用データを適切に選別しつつ、過学習を抑制できるようにすることを目的とする。
【課題を解決するための手段】
【０００７】
本発明の操業予測装置は、製品又は半製品を製造するための操業条件である操業影響因子を入力とし、該操業影響因子の影響を受けて決定される操業結果である操業結果因子を出力とする予測モデルを用いて操業結果因子の予測を行う操業予測装置であって、過去の操業実績についての前記操業影響因子及び前記操業結果因子の情報を含む複数の実績データから選択された学習用実績データと、該実績データのうちの２つのデータの間を補間する補間データから選択された学習用補間データと、を学習用データとして、前記予測モデルの学習を行うことを特徴とする。
【０００８】
本発明の操業予測方法は、製品又は半製品を製造するための操業条件である操業影響因子を入力とし、該操業影響因子の影響を受けて決定される操業結果である操業結果因子を出力とする予測モデルを用いて操業結果因子の予測を行う操業予測方法であって、過去の操業実績についての前記操業影響因子及び前記操業結果因子の情報を含む複数の実績データから選択された学習用実績データと、該実績データのうちの２つのデータの間を補間する補間データから選択された学習用補間データと、を学習用データとして、前記予測モデルの学習を行うことを特徴とする。
【０００９】
本発明のコンピュータプログラムは、前記操業予測方法の各工程をコンピュータに実行させることを特徴とする。
【発明の効果】
【００１０】
本発明によれば、過去の操業実績についての操業影響因子及び操業結果因子の情報を含む複数の実績データから選択された学習用実績データと、該実績データのうちの２つのデータの間を補間する補間データから選択された学習用補間データと、を学習用データとして、操業影響因子を入力とし操業結果因子を出力とする予測モデルの学習を行う。したがって、予測モデルの学習用データとして適切な補間データを学習用補間データとして選択し加えることによって、学習用データのデータ数が少ないことで生じる未学習部分の発生や過学習を抑制することができる。よって、予測モデルを用いた操業の予測を正確に行えるようにする。
【図面の簡単な説明】
【００１１】
【図１】本発明の第１の実施形態を示し、ＮＮを用いた予測結果と真の入出力関係との一例を概念的に示す図である。
【図２】本発明の第１の実施形態を示し、操業予測装置の機能的な構成の一例を示す図である。
【図３】本発明の第１の実施形態を示し、ＳＯＭの概念の一例を示す図である。
【図４】本発明の第１の実施形態を示し、ＳＯＭを使って生成する補間データの配置の一例を示す図である。
【図５】本発明の第１の実施形態を示し、ＳＯＭを使って生成する補間データの数に合わせてＳＯＭの設定パラメータを算出する方法の一例を説明する図である。
【図６】本発明の第１の実施形態を示し、ＳＯＭによる学習の様子の一例を概念的に示す図である。
【図７−１】本発明の第１の実施形態を示し、操業予測装置の処理動作の一例を説明するフローチャートである。
【図７−２】本発明の第１の実施形態を示し、図７−１に続くフローチャートである。
【図８】本発明の第２の実施形態を示し、操業予測装置の機能的な構成の一例を示す図である。
【図９】本発明の第２の実施形態を示し、操業予測装置の処理動作の（一部の）一例を説明するフローチャートである。
【図１０】本発明の実施例を示し、転炉の吹止温度の予測値（予測温度）と実績値（実績温度）との関係の一例を示す図である。
【発明を実施するための形態】
【００１２】
以下、図面を参照しながら、本発明の実施形態を説明する。
＜第１の実施形態＞
まず、本発明の第１の実施形態について説明する。
図１は、予測モデルを用いた予測結果と真の入出力関係との一例を概念的に示す図である。具体的に図１（ａ）は、従来のように、実績データのみを学習用データとして用いた局所予測モデルによる予測結果と真の入出力関係との一例を示す。
図１（ａ）に示すように、実績データ１０１のみを学習用データとした局所予測モデルを用いると、学習用データの数が少ないために、予測結果１１０と真の入出力関係１２０との差が大きくなることがある。
これに対して、図１（ｂ）は、本実施形態での局所予測モデルによる予測結果と真の入出力関係との一例を示す。本実施形態では、後述する実績データから構築した自己組織化マップ（ＳＯＭ）を用いて、疎らに存在する実績データを補間する補間データを生成する。図１（ｂ）に示すように、実績データ１０１にＳＯＭによる補間データ１０２を学習用データとして加えて局所予測モデルの学習を行うと、予測結果１３０の真の入出力関係１２０に対する精度の向上が可能となる。
以下、このように局所予測モデルによる予測結果を向上させて、局所予測モデルを用いた操業の予測を正確に行えるようにする操業予測装置の一実施形態について説明する。
【００１３】
図２は、操業予測装置２００の機能的な構成の一例を示す図である。操業予測装置２００は、例えば、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＨＤＤ、及び各種のインターフェースを備えた情報処理装置（例えばＰＣ）を用いることにより実現される。尚、本実施形態では、製鋼プロセスにおける転炉の吹止温度を操業結果因子とする場合を例に挙げて説明する。転炉の吹止温度は転炉における最高温度であり、ここで必要な温度を正確に予測することができれば、吹止温度が過剰に高く設定されている場合にそれを適切な値に下げることにより、製鋼プロセスにおける操業温度を下げることが可能となる。
【００１４】
ここで、製鋼プロセスの一例を簡単に説明する。まず、製銑プロセスで得られた溶銑を転炉に装入する。次に、転炉により、溶銑中の燐や炭素等を取り除き（一次精錬を行い）、これにより出来上がった溶鋼を転炉から取鍋に移す。溶鋼を転炉から取鍋に移す作業を出鋼と呼ぶ。出鋼の際に、溶鋼と同時に、成分調整のための合金を併せて投入する。次に、取鍋内の溶鋼に含まれる水素や窒素等の気体を取り除くと共に、成分調整のための合金を溶鋼に添加する二次精錬を行う。最後に、取鍋内の溶鋼を連続鋳造機（の鋳型）に流し込み、連続鋳造機により鋼片を製造する。
【００１５】
操業予測装置２００は、後述するＳＯＭを使用して補間データを生成し、実績データと生成した補間データとを用いて、階層型ニューラルネットワークとして構築された予測モデルを学習し、学習後の予測モデル（階層型ニューラルネットワーク）を用いた操業の予測を行う装置である。
【００１６】
以下に、図２に示す操業予測装置２００の各ブロックの詳細を説明する。
（データ取得部２０１）
データ取得部２０１は、データを外部から取得して記憶する。本実施形態では、データとして、実績データＸj及び操業結果予測対象データＦを取得する。実績データＸjとは、後述するＳＯＭ学習部２０６にて、ＳＯＭの学習に用いられる操業実績データである。実績データＸjとしては、以下の（１）〜（３７）の３７次元の実績データを取得するものとする。操業結果予測対象データＦとは、オペレータによるユーザインターフェースの操作に基づいて入力されるデータであって、後述する予測モデルへの入力とするデータである。操業結果予測対象データＦとしては、以下の（１）〜（３６）の３６次元の実績データを取得するものとする。
【００１７】
（１）装入量合計（材料因子）；転炉へ投入される溶銑の総量（重量）
（２）Ｄ０１（材料因子）；金属種Ｄ０１の投入量（重量）
（３）Ｄ０２（材料因子）；金属種Ｄ０２の投入量（重量）
（４）Ｄ０３（材料因子）；金属種Ｄ０３の投入量（重量）
（５）Ｄ０４（材料因子）；金属種Ｄ０４の投入量（重量）
（６）Ｄ０５（材料因子）；金属種Ｄ０５の投入量（重量）
（７）Ｄ０６（材料因子）；金属種Ｄ０６の投入量（重量）
（８）Ｄ０７（材料因子）；金属種Ｄ０７の投入量（重量）
（９）Ｄ０８（材料因子）；金属種Ｄ０８の投入量（重量）
（１０）Ｄ０９（材料因子）；金属種Ｄ０９の投入量（重量）
（１１）Ｄ１０（材料因子）；金属種Ｄ１０の投入量（重量）
（１２）Ｄ合計（材料因子）；金属種Ｄ０１〜Ｄ１０の投入量（重量）の合計
【００１８】
（１３）Ｇ０１（材料因子）；金属種Ｇ０１の投入量（重量）
（１４）Ｇ０２（材料因子）；金属種Ｇ０２の投入量（重量）
（１５）Ｇ０３（材料因子）；金属種Ｇ０３の投入量（重量）
（１６）Ｇ０４（材料因子）；金属種Ｇ０４の投入量（重量）
（１７）Ｇ０５（材料因子）；金属種Ｇ０５の投入量（重量）
（１８）Ｇ０６（材料因子）；金属種Ｇ０６の投入量（重量）
（１９）Ｇ合計（材料因子）；金属種Ｇ０１〜Ｇ１０の投入量（重量）の合計
【００１９】
（２０）取鍋最終（温度因子）；出鋼温度（転炉から取鍋に移されたときの溶鋼の温度）
（２１）装入（鍋状況因子）；装入の処理にかかった時間
（２２）鍋ＮＯ（鍋状況因子）；取鍋に固有の番号
（２３）修理後回数（鍋状況因子）；取鍋の耐火物を簡単に補修（熱間補修）してからの取鍋の使用回数
（２４）累計回数（鍋状況因子）；大規模に取鍋の耐火物を補修（冷間補修）してからの取鍋の使用回数
（２５）鍋下がり（鍋状況因子）；取鍋に関する情報
（２６）スラグ厚（鍋状況因子）；取鍋に関する情報
（２７）即時開孔（鍋状況因子）；取鍋に関する情報
（２８）ＡＭＥＰＡ回数（鍋状況因子）；取鍋に設置のスラグ検出器に関する情報
（２９）ＡＭＥＰＡ可否（鍋状況因子）；取鍋に設置のスラグ検出器に関する情報
（３０）空鍋時間（鍋状況因子）；取鍋に関する情報（取鍋から溶鋼が連続鋳造機に流し込まれた後、当該取鍋に転炉から次の溶鋼が移されるまでの時間（すなわち、取鍋が空となっている時間））
（３１）炉号（鍋状況因子）；どの転炉を使用したかを示す情報
（３２）炉代（鍋状況因子）；使用している転炉の鍋に固有の番号
（３３）炉回数（代）（鍋状況因子）；溶鋼を出す孔（出鋼孔）の交換回数を示す情報（この孔は使用すると大きくなる）
（３４）炉回数（回）（鍋状況因子）；溶鋼を出す孔の交換後の使用回数を示す情報
（３５）銑鉄（温度因子）；溶銑の温度
（３６）取鍋１（温度因子）；出鋼温度（「取鍋最終」とは計測タイミングが異なる）
（３７）吹止温度（操業結果因子）；転炉の吹止温度
【００２０】
ここで、（３７）の操業結果因子は、予測対象である転炉の吹止温度であり、ここでは、転炉の吹き止めから出鋼完了までの温度降下量の実績値に出鋼温度目標値を加えた温度が操業結果因子として設定される。操業結果因子として得られる吹止温度は、操業上の目標値として使用されるものである。（１）〜（１９）の材料因子は、転炉へ投入される溶銑の総量と、製造している製品（鋼片）の成分（金属種）と、転炉吹き止め後に生じる溶鋼温度に与える製造条件の１つである「各金属種の投入量（ton／溶鋼量）」とを示す因子である。各金属種は、出鋼時と二次精錬時に投入（添加）されるが、材料因子として含まれる投入量は、出鋼時の投入量を示す。（２１）〜（３４）の鍋状況因子は、出鋼時に溶鋼を受ける器である取鍋の状況を示す因子である。（２０）、（３５）、（３６）の温度因子は、吹き止め後の温度降下を示す因子である。予測を行う際には実績が存在しないので、温度因子として目標値を用いる。ここで、（１）〜（１９）の材料因子、（２１）〜（３４）の鍋状況因子、及び（２０）、（３５）、（３６）の温度因子は、溶鋼を製造するための操業条件であり、（３７）の操業結果因子（操業結果として決まる因子）に影響を与えるので、操業影響因子と呼ばれる。
各チャージに付随する実績データの中には、使用する二次精錬設備名や連続鋳造設備名等、出鋼過程に全く関係ないものが含まれる。そこで、本実施形態では、出鋼過程に関係する３７次元の実績データを採用するようにした。ただし、採用する実績データは、３７次元の実績データに限定されるものではない。
【００２１】
データ取得部２０１は、例えば、通信インターフェースが上位のコンピュータから実績データＸjと操業結果予測対象データＦの受信を行った後、又は、ＣＰＵが記憶媒体に記憶された実績データＸjと操業結果予測対象データＦの読み出しを行った後、又は、オペレータによるユーザインターフェースの操作に基づいて入力された操業結果予測対象データの読み出しを行った後、ＣＰＵが実績データＸjと操業結果予測対象データＦをＨＤＤ等に記憶することによって実現される。
尚、実績データに含まれる因子は前述したものに限定されず、また、各因子の具体的な項目の内容及び数も前述したものに限定されない。
【００２２】
（データ正規化部２０２）
データ正規化部２０２は、データ取得部２０１で取得された実績データＸj及び操業結果予測対象データＦの値を正規化する。データ正規化部２０２は、実績データＸの各因子の項目毎に予め設定されている最大値及び最小値を記憶媒体から読み出し、以下の（１）式の計算を行うことにより正規化値を算出する。
正規化値＝（実績値−最小値）／（最大値−最小値） ・・・（１）
【００２３】
（１）式において、「実績値」は、実績データＸj及び操業結果予測対象データＦの値である。また、「最大値」は、実績データＸj及び操業結果予測対象データＦの各項目において想定される最大値であり、「最小値」は、実績データＸj及び操業結果予測対象データＦの各項目において想定される最小値である。このように「最大値」及び「最小値」は、想定値であり、オペレータにより予め操業予測装置２００に設定されるものである。ただし、「最大値」及び「最小値」を、それぞれ実績データＸj及び操業結果予測対象データＦの最大値及び最小値としてもよい。
（１）式の計算を行うことによって、実績データＸj及び操業結果予測対象データＦは０以上１以下の値のデータとなる。以降に説明する各ブロックで使用される実績データＸj及び操業結果予測対象データＦは、全て、データ正規化部２０２で正規化された実績データＸj及び操業結果予測対象データＦである。以下の説明では、必要に応じて「正規化した実績データ」、「正規化した操業結果予測対象データ」を、それぞれ「実績データ」、「操業結果予測対象データ」と称する。
【００２４】
データ正規化部２０２は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＨＤＤ等から、実績データＸj及び操業結果予測対象データＦと、実績データＸj及び操業結果予測対象データＦの各項目の「最大値及び最小値」とを読み出して（１）式の計算を行い、その結果を、ＲＡＭ等に記憶することによって実現される。
【００２５】
（ＳＯＭパラメータ設定部２０３）
本実施形態では、後述するように、自己組織化マップ（Self-Organizing Maps）を用いて、階層型ニューラルネットワークとして構築された予測モデルの学習に用いる「実績データの補間データ」を生成するようにしている。以下に、自己組織化マップの概要を説明する。尚、自己組織化マップの詳細については、非特許文献１等に記載されている。また、以下の説明では、必要に応じて「ニューラルネットワーク」を「ＮＮ」と称し、「自己組織化マップ」を「ＳＯＭ」と称する。
【００２６】
ＳＯＭとは、多次元ベクトルの形で表現されたデータの集合から各々のデータの類似性を見出し、類似するデータ同士を２次元平面上の近傍へマッピングしておくことで、多数の高次元データを分類し、その特徴を抽出するデータマイニング手法である。ＳＯＭは、教師無し競合学習のアルゴリズムを持つ階層型ＮＮに相当する。ただし、ＳＯＭは、予測モデル構築に用いられる階層型ＮＮとは別のＮＮである。ＳＯＭは、データに関する外的基準を与えることなく、高次元データをその特徴に応じて分類し、低次元のマップ上に視覚化できることが特徴である。
【００２７】
図３は、ＳＯＭの概念の一例を示す図である。
図３に示すように、ＳＯＭは、入力層３０１と競合層３０２の２つの層からなる。
第１層は、ｎ次元の入力層３０１（Ｘj＝（Ｘj1，Ｘj2，・・・，Ｘjn）は（ｊ＝１，２，・・・，Ｊ；Ｊは実績データの数）である。前述したように本実施形態では、実績データは３７次元のデータであるので、ｎは「１９」となる。第２層は、例えば２次元の格子状に配置されたＳＯＭニューロンからなる競合層３０２である。尚、ここで、「ＳＯＭニューロン」という呼称の「ＳＯＭ」は、予測モデルに用いられるＮＮのニューロンと区別して説明するための都合上、付したものである。このように、ＳＯＭには、入力層３０１のＳＯＭニューロンと競合層３０２のＳＯＭニューロンとが存在するが、以降に説明するＳＯＭの学習においては、競合層３０２のＳＯＭニューロンが対象になるので、今後断り無しに「ＳＯＭニューロン」と言う場合には、競合層３０２のＳＯＭニューロンを指すものとする。
ＳＯＭによる補間データの作成の考え方としては、複数の実績データＸjを、競合層３０２のＳＯＭニューロンのうちの１つにそれぞれ対応付けて、複数の実績データＸjに対応付いたＳＯＭニューロンの値（ＳＯＭニューロンの内部に保持している参照ベクトル）を実績データＸjに近づくように修正を行う。これと同時に競合層３０２上で隣接する近傍のＳＯＭニューロンに対しても同様に、ＳＯＭニューロンの値の修正量を減じて修正を行う。これを繰り返して得られる競合層３０２のＳＯＭニューロンが、補間データを表すものとする。
【００２８】
入力層３０１のＳＯＭニューロンと競合層３０２のＳＯＭニューロンとは、全て連結している。図３は、競合層３０２のＳＯＭニューロンの１つであるｉと、入力層３０１の各ニューロンとの結合を示す図であり、競合層３０２の全てのＳＯＭニューロンｉと入力層３０１の各ＳＯＭニューロンとの間に、同様の結合が存在する。競合層３０２のＳＯＭニューロンｉと入力層３０１との結合重み係数ベクトルを、参照ベクトル（ｍi（ｔ）＝（ｍ1i，ｍ2i，・・・，ｍni）、（ｉ＝１，２，・・・，Ｉ；Ｉは競合層３０２のニューロンの数））と呼ぶ。また、参照ベクトルは、ＳＯＭニューロンに設定する２つの設定項目のうちの１つであり、ＳＯＭニューロンの値とも呼ぶ。尚、ｔは、後述するＳＯＭの学習の回数であり、初期値を０とし、学習が行われる度にインクリメントされる。以降のＳＯＭの学習では、実績データＸjを教師として、参照ベクトルを教師に近付けるように修正するように学習が行われる。
【００２９】
ＳＯＭパラメータ設定部２０３は、競合層３０２（仮想空間）において、２次元の格子状にＳＯＭニューロンを配置する。このときＳＯＭニューロンに設定する２つの設定項目うちの１つである競合層３０２の仮想空間上の位置を示す座標が設定される。２次元の格子状にＳＯＭニューロンを配置する場合、ＳＯＭニューロンの座標を（Ｘ1，Ｘ2）で表す。以降のＳＯＭの学習では、競合層３０２の仮想空間上の位置を示す座標は、一度定められた座標を修正しない。実績データＸjを教師として、参照ベクトルを教師に近付けるように修正するように学習が行われる。ここで配置されるＳＯＭニューロンの数Ｉは、実績データのセット数Ｊ（前述した（１）〜（３７）のデータのセットの数）よりも多くし、この条件の下で、隣接する２つの実績データＸjの間を補間する補間データの数Ｐの２乗に比例する、具体的には、ＳＯＭニューロンの数Ｉが、以下の（２）式のようになるのが好ましい。
Ｉ＝Ｊ×（Ｐ＋１）2 ・・・（２）
【００３０】
例えば、ＳＯＭニューロンを競合層３０２の２次元の仮想空間に格子状に配置した状況で、実績データＸjを用いてＳＯＭニューロンを十分学習した結果、実績データＸjと見なせるＳＯＭニューロン（仮に実績ＳＯＭニューロンと呼ぶ）と、補間データとなるＳＯＭニューロン（仮に補間ＳＯＭニューロンと呼ぶ）とが競合層３０２（仮想空間上）で配置が均一となるように生成されたとする。
【００３１】
図４は、ＳＯＭを使って生成する補間データの配置の一例を示す図である。
図４には、一例として、２個の実績ＳＯＭニューロン４０１の間に１個の補間ＳＯＭニューロン４０２が生成されるように配置した場合を示す（実際には必ずしもこのように配置されない）。２種類のＳＯＭニューロン４０１、４０２が均一に生成されているので、４つのＳＯＭニューロンを１単位として、全体はこの単位の繰り返し配置となっている（図４に示す領域４０３に含まれる４つのＳＯＭニューロン４０１ａ、４０２ａ、４０２ｃ、４０２ｄが１単位であり、図４では４単位分を示している）。この場合、１つの実績データＸjに対して４倍（内訳は、実績ＳＯＭニューロン４０１が１、補間ＳＯＭニューロン４０２が３）のＳＯＭニューロンを用意する必要がある。
【００３２】
図５は、ＳＯＭを使って生成する補間データの数に合わせてＳＯＭの設定パラメータ（ＳＯＭニューロンの数Ｉ）を算出する方法の一例を説明する図である。
２個の実績ＳＯＭニューロン４０１の間にＰ個の補間ＳＯＭニューロン４０２を配置する場合のＳＯＭニューロンの繰り返し配置の１単位分を図５に示す。１単位に含まれるＳＯＭニューロン４０１、４０２の合計数は（１＋Ｐ）2個あり、その内の１個が実績ＳＯＭニューロン４０１であり、それ以外は補間ＳＯＭニューロン４０２に相当する。つまり実績データＸjの（１＋Ｐ）2倍の個数のＳＯＭニューロンを用意する必要がある。尚、ここで説明のために使用した実績ＳＯＭニューロン４０１と補間ＳＯＭニューロン４０２との両者を、後述する勝者実績データ抽出部２１２では、実績データＸjの補間データとして区別なくＳＯＭニューロンと扱っている。
本実施形態では、ＳＯＭパラメータ設定部２０３は、５０×８２個のＳＯＭニューロン４０１、４０２を配置するものとする。実績データの数Ｊ＝１０２４個に対して補間データの数Ｐ＝１個としたので、ＳＯＭニューロンの数を１０２４×（１＋１）2＝４０９６個以上となるように、ＳＯＭニューロンを２次元の格子状に配置した。
【００３３】
次に、ＳＯＭパラメータ設定部２０３は、競合層３０２で２次元の格子状に配置したＳＯＭニューロンの参照ベクトルに対して初期値を設定する。すなわち、ＳＯＭパラメータ設定部２０３は、２次元の格子状に配置したＳＯＭニューロンｉと、３７次元の入力層３０１とを、３７次元の参照ベクトルの初期値（ｍi（０））で連結することを、２次元の格子状に配置したＳＯＭニューロンｉのそれぞれについて行う（図３を参照）。３７次元の参照ベクトルの初期値は、例えば、乱数を用いることにより決定することができる。このＳＯＭニューロンの値（３７次元の参照ベクトル）は、実績データＸjと対比されるデータとなる。
【００３４】
図６は、ＳＯＭによる学習（競合学習）の様子の一例を概念的に示す図である。競合学習は、競合層３０２に配置したＳＯＭニューロンの一部を選択し、参照ベクトルを実績データＸjに合わせて修正を繰り返すことで行われる。図６に示す矢印付きの丸は、競合層３０２におけるＳＯＭニューロンを示し、丸内の矢印は、当該ＳＯＭニューロンの値（参照ベクトル）を表す。概念としては、図６に示す例のように、ＳＯＭパラメータ設定部２０３によって、初期状態６０１が設定される。
ＳＯＭパラメータ設定部２０３は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＳＯＭの初期状態の設定（ＳＯＭニューロンの配置（座標）と初期値の設定）を行い、その結果を、ＲＡＭ等に記憶することにより実現される。
【００３５】
（実績データ選択部２０４）
実績データ選択部２０４は、実績データ正規化部２０２で正規化された実績データＸj（のセット）のうち、未選択の実績データＸjを１つ選択する。
実績データ選択部２０４は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等から実績データを読み出して、当該実績データをＳＯＭの学習対象の実績データとしてＲＡＭ等に記憶することにより実現される。
（勝者ＳＯＭニューロン決定部２０５）
勝者ＳＯＭニューロン決定部２０５は、実績データ選択部２０４で選択された実績データＸjの値（ベクトル）と、２次元の格子状に配置されたＳＯＭニューロンの値（参照ベクトル）とのユークリッド距離を算出する。そして、勝者ＳＯＭニューロン決定部２０５は、算出したユークリッド距離が最小となるＳＯＭニューロンを勝者ＳＯＭニューロンとして決定する。概念としては、図６に示す例のように、初期状態６０１のＳＯＭニューロンの中から、実績データ６１０と矢印の方向が最も近いＳＯＭニューロン６０２を選択することを指し、実績データ６１０と最も近いということで選択されたことを例えて「勝者」と名付けている。
【００３６】
具体的には、勝者ＳＯＭニューロン決定部２０５は、以下の（３）式の計算を行って勝者ＳＯＭニューロン６０２を決定する。
｜Ｘj−ｍc（ｔ）｜＝ｍｉｎ｜Ｘj−ｍi（ｔ）｜ ・・・（３）
ここで、Ｘjは、ｊ番目の３７次元の実績データ（３７次元の参照ベクトルに相当）であり、ｍi（ｔ）は、ＳＯＭニューロンｉの現在値（３７次元の参照ベクトル）である。また、ｍｉｎは、最小を採用することを示し、ｃは勝者ＳＯＭニューロン６０２であることを示す。
尚、本実施形態では、ＳＯＭニューロンの数が４１００個（＝５０×８２）であるので（すなわちｉが１〜４１００をとり得るので）、（３）式の右辺の「Ｘj−ｍi（ｔ）」の値は４１００個得られる。
勝者ＳＯＭニューロン決定部２０５は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等から、ＳＯＭの初期状態６０１と、ＳＯＭの学習対象の実績データとを読み出して（３）式の計算を行って勝者ＳＯＭニューロン６０２を決定し、決定した勝者ＳＯＭニューロン６０２の情報をＲＡＭ等に記憶することによって実現される。
【００３７】
（ＳＯＭ学習部２０６）
ＳＯＭ学習部２０６は、勝者ＳＯＭニューロン決定部２０５により決定された勝者ＳＯＭニューロン６０２の値（参照ベクトル）と、競合層６０２上の配置で勝者ＳＯＭニューロン６０２に近い位置にある近傍ＳＯＭニューロンの値（参照ベクトル）とを、実績データ選択部２０４で選択された実績データＸjの値（ベクトル）に近づける処理（学習処理）を、全ての実績データＸjについて個別に行う。全ての実績データＸjについて１度ずつ学習処理を行うことよって、学習回数を１回と数え、ｔを１だけ増加させる。概念としては、図６に示す例のように、勝者ＳＯＭニューロン６０２と近傍ＳＯＭニューロン６０３ａ〜６０３ｈの矢印の方向が、実績データ６１０の矢印の方向に近づくようにする（図６の「更新」と示されているＳＯＭニューロン６０２と６０３ａ〜６０３ｈを含むハッチング箇所を参照）。
【００３８】
本実施形態では、競合層３０２上の配置で勝者ＳＯＭニューロン６０２の座標に近いほど、参照ベクトルの修正量を大きくすると共に、ＳＯＭの学習の回数ｔが小さいほど、参照ベクトルの修正量を大きくするようにしている。具体的には、ＳＯＭ学習部２０６は、以下の（４）式の計算を行って、ＳＯＭの学習を行う（勝者ＳＯＭニューロン６０２の値と近傍ＳＯＭニューロン６０３ａ〜６０３ｈの値とを修正する）。
ｍi（ｔ＋１）＝ｍi（ｔ）＋ｈci（ｔ）×｜Ｘj−ｍi（ｔ）｜ ・・・（４）
【００３９】
（４）式において、ｍi（ｔ）は、i番目の勝者ＳＯＭニューロン６０２の、学習回数ｔにおける値（参照ベクトル）、又は近傍ＳＯＭニューロン６０３の、学習回数ｔにおける値（参照ベクトル）である。Ｘjは、実績データ選択部２０４で選択されたｊ番目の実績データの値（ベクトル）である。また、ｍi（ｔ＋１）は、ｉ番目の勝者ＳＯＭニューロン６０２の、学習回数ｔ＋１（すなわち更新後）における値（参照ベクトル）、又は近傍ＳＯＭニューロン６０３の、学習回数ｔ＋１における値（参照ベクトル）である。ここで、ｈci（ｔ）は近傍関数と称されるものであり、例えば、以下の（５）式〜（７）式のように表される。近傍関数ｈci（ｔ）は、ＳＯＭニューロンの値（参照ベクトル）と実績データの値（ベクトル）との差を小さくするための変更量を決める係数である。近傍関数ｈci（ｔ）が１の場合には、１回の学習（修正）でＳＯＭニューロンの値は実績データの値と一致することになる。
【００４０】
ｈci（ｔ）＝α（ｔ）×[（Ｒcut（ｔ）−ｒci）／Ｒcut（ｔ）] ・・・（５）
α（ｔ）＝α0×（１−ｔ／Ｔ） ・・・（６）
Ｒcut（ｔ）＝Ｒcut0×（１−ｔ／Ｔ） ・・・（７）
ここで、α（ｔ）は学習率であり、その値は学習回数ｔに依存する。Ｒcut（ｔ）は競合層３０２でＳＯＭニューロンが配置されている仮想空間（２次元平面）上での距離を示す、カットオフ距離であり、その値は学習回数ｔに依存する（本実施形態では、このカットオフ距離Ｒcut（ｔ）をＳＯＭニューロンの座標を用いたマンハッタン距離で表す）。マンハッタン距離とは、２点の各座標の差の絶対値の総和を距離と定義するものである。
式で表すと、点ａ（座標（ａ1，ａ2））と点ｂ（座標（ｂ1，ｂ2））の間のマンハッタン距離Ｌ(ａ，ｂ)は以下の（８）式で表せる。
【００４１】
【数１】
【００４２】
（８）式において、添字ｋはベクトルの各要素を表している。ｎは、競合層３０２上の仮想空間の次元数を表している。
勝者ＳＯＭニューロン６０２から、競合層３０２上の配置で、このカットオフ距離Ｒcut（ｔ）内にあるＳＯＭニューロンが近傍ＳＯＭニューロン６０３となる。また、（５）式のｒciは、勝者ＳＯＭニューロン６０２と近傍ＳＯＭニューロン６０３との競合層３０２上での距離である（本実施形態では、この距離ｒciをマンハッタン距離で表す）。尚、勝者ＳＯＭニューロン６０２について（４）式の計算をする場合には、ｒciは０（ゼロ）になる。また、（６）式において、α0は学習率α（ｔ）の初期値であり、（７）式において、Ｒcut0はカットオフ距離Ｒcut（ｔ）の初期値であり、（６）式及び（７）式において、Ｔは総学習回数である。
【００４３】
（５）式〜（７）式に示すように、本実施形態では、競合層３０２上の配置で、勝者ＳＯＭニューロン６０２から近い位置にある近傍ＳＯＭニューロン６０３であるほど学習量（参照ベクトルの修正量）が大きくなり、学習回数ｔが増加するほど学習量（参照ベクトルの修正量）が小さくなるようにしている。
本実施形態では、総学習回数Ｔは１００であり、カットオフ距離Ｒcut（ｔ）は、その初期値Ｒcut0をＲcut0＝２４としたので、２４から０まで学習回数ｔの増加と共に減少する関数である。学習率α（ｔ）は、その初期値α0をα0＝０．５としたので、０．５から０まで学習回数ｔの増加と共に減少する関数であるとする。
ＳＯＭ学習部２０６は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等から、勝者ＳＯＭニューロン６０２の情報と、ＳＯＭの状態（競合層３０２上の各ＳＯＭニューロン（座標と参照ベクトル））と、実績データＸjとを読み出すと共に、ＨＤＤ等から、総学習回数Ｔと、学習率の初期値α0と、カットオフ距離の初期値Ｒcut0を読み出して、（４）式〜（７）式の計算を行って勝者ＳＯＭニューロン６０２及び近傍ＳＯＭニューロン６０３の値（参照ベクトル）を更新し、更新後のＳＯＭの状態の情報をＲＡＭ等に記憶することによって実現される。
【００４４】
（ＳＯＭ学習終了判定部２０７、ＳＯＭ記憶部２０８）
ＳＯＭ学習終了判定部２０７は、ＳＯＭ学習部２０６によるＳＯＭの学習を終了するか否かを判定する。例えば、ＳＯＭ学習部２０６によるＳＯＭの学習を総学習回数Ｔ実行すると、ＳＯＭ学習終了判定部２０７は、ＳＯＭ学習部２０６によるＳＯＭの学習を終了すると判定することができる。また、勝者ＳＯＭニューロン６０２及び近傍ＳＯＭニューロン６０３について求めた（４）式の右辺第２項の値を加算し、加算値が所定値を下回った場合には、勝者ＳＯＭニューロン６０２及び近傍ＳＯＭニューロン６０３の値（参照ベクトル）の修正量が小さくなったと判断し、ＳＯＭ学習終了判定部２０７は、ＳＯＭ学習部２０６によるＳＯＭの学習を終了すると判定することができる。このように、ＳＯＭ学習終了判定部２０７によるＳＯＭの学習の終了判定の方法は、特に限定されるものではない。
【００４５】
そして、ＳＯＭ学習部２０６によるＳＯＭの学習を終了すると判定すると、ＳＯＭ記憶部２０８は、そのときにＳＯＭ学習部２０６で学習されたＳＯＭの状態（競合層３０２上の各ＳＯＭニューロン（座標と参照ベクトル））を、学習終了時のＳＯＭニューロン（座標と参照ベクトル）として記憶媒体に記憶する。
ＳＯＭ学習終了判定部２０７は、例えば、ＣＰＵが、コンピュータプログラムに従って、前述した判定基準による判定を行うことによって実現される。また、ＳＯＭ記憶部２０８は、例えば、ＣＰＵが、コンピュータプログラムに従って、学習終了時のＳＯＭの状態の情報をＲＡＭ等に記憶することによって実現される。
【００４６】
以上説明した処理により、ＳＯＭの学習と、ＳＯＭによる補間データの生成とが行われる。以降説明する処理では、以下の手順で予測モデルの学習を行う。以下で学習される予測モデルは、操業結果予測対象データＦの１つに対して、１つ構築される。つまり、１個の操業結果予測対象データＦに対する予測を行った後に予測モデルが破棄され、また異なる操業結果予測対象データＦに対して新たな予測モデルを構築することを繰り返す。
【００４７】
ａ）ＳＯＭによって生成されたそれぞれの補間データに最も近い実績データＸj（つまり、当該補間データがどの実績データＸjを補間するものであるのか）を選択して、補間データとの紐付けを少なくとも１つ行う。補間データと紐付けられた実績データＸjを、当該補間データに対する勝者実績データと呼ぶ（勝者実績データ関連部２０９）。
ｂ）操業結果予測対象データＦ（段落［００１８］で説明した、まだ操業実績が存在しない操業であって、操業結果因子を予測モデルによって予測したい対象である操業についての操業影響因子からなるデータ）から１つを選択して、予測モデル学習用ＳＯＭニューロン選択用データとして指定する（操業結果予測対象データ指定部２１０）。
【００４８】
ｃ）前記予測モデル学習用ＳＯＭニューロン選択用データは、予測したい操業結果因子がまだ存在しないデータであるため、当該予測モデル学習用ＳＯＭニューロン選択用データに近い操業条件の補間データ（ＳＯＭニューロン）を、予測モデル学習用ＳＯＭニューロン（＝学習用補間データ）として選択する（予測モデル学習用ＳＯＭニューロン選択部２１１）。
ｄ）前記ａ）で行った紐付けに従い、前記予測モデル学習用ＳＯＭニューロンに紐付けられた勝者実績データを選択する。この勝者実績データは、操業結果因子を予測したい操業結果予測対象データに近い操業条件の実績データ（＝学習用実績データ）ということになる（勝者実績データ抽出部２１２）。
ｅ）前記ｃ）で選択された予測モデル学習用ＳＯＭニューロン（これを学習用補間データと呼ぶ）と、前記ｄ）で選択された勝者実績データ（これを学習用実績データと呼ぶ）とを用いて、予測モデルの学習を行う。
以下に、各処理について詳細の手順を説明する。
【００４９】
（勝者実績データ関連部２０９）
勝者実績データ関連部２０９では、予測モデルを構築する際に補間データとして使用されるＳＯＭニューロンが、何れの実績データＸjの補間データになっているかを少なくとも１つ示す。勝者実績データ関連部２０９は、学習終了時のＳＯＭニューロンｉを１つ指定して、指定したＳＯＭニューロンｉと、実績データ正規化部２０２で正規化された全ての実績データＸjの値（ベクトル）とのユークリッド距離を算出する。そして、勝者実績データ関連部２０９は、算出したユークリッド距離が最小となる実績データＸjを、指定したＳＯＭニューロンに対する勝者実績データＸcとして決定する。この具体的な計算は、例えば、（９）式のｍi（ｔ）を、学習終了時のＳＯＭニューロンの値（参照ベクトル）とし、Ｘjを、実績データの値（ベクトル）とし、Ｘcを、勝者実績データの値（ベクトル）とすれば実現できる。尚、この勝者実績データの決定は、競合層３０２上のＳＯＭニューロンのそれぞれについて個別に行われる。
｜ｍi（ｔ）−Ｘc｜＝ｍｉｎ｜ｍi（ｔ）−Ｘj｜ ・・・（９）
【００５０】
そして、勝者実績データ関連部２０９は、学習終了時のＳＯＭニューロンのそれぞれと、当該ＳＯＭニューロンとユークリッド距離が最も近い勝者実績データＸcの値とを相互に関連付けて記憶媒体に記憶する。
勝者実績データ関連部２０９は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等から、全ての実績データの値（ベクトル）と、学習終了時のＳＯＭニューロンの値とを読み出し、前述した計算を行って、勝者実績データの値を算出し、学習終了時のＳＯＭニューロンの夫々に対して、勝者実績データＸcの値を関連付けてＲＡＭ等に記憶することにより実現される。
【００５１】
（操業結果予測対象データ指定部２１０）
操業結果予測対象データ指定部２１０は、データ正規化部２０２で正規化された操業結果予測対象データＦ（ベクトル）の１つを指定して、それを予測モデル学習用ＳＯＭニューロン選択用データＦsとする。本実施形態では、材料因子は１９次元の情報であり、鍋状況因子は１４次元の情報であり、温度因子は３次元の情報である。よって、予測モデル学習用ＳＯＭニューロン選択用データＦsは３６次元のベクトルで表現される。ただし、転炉の吹止温度を操業結果因子として予測する際には、温度因子に関しては実績値を入手できないため、目標値を用いる。
操業結果予測対象データ指定部２１０は、例えば、ＣＰＵが、ＲＡＭ等から、操業結果予測対象データの値（ベクトル）を読み出して予測モデル学習用ＳＯＭニューロン選択用データの情報としてＲＡＭ等に記憶することにより実現される。
【００５２】
（予測モデル学習用ＳＯＭニューロン選択部２１１）
予測モデル学習用ＳＯＭニューロン選択部２１１は、予測モデルとして構築するニューラルネットワーク（ＮＮ）を構築する際に必要となる学習用補間データを、ＳＯＭニューロンから選択するものである。学習終了時のＳＯＭニューロンの値（参照ベクトル：３７次元）のうち予測モデルの計算によって得られる因子（本実施形態では、操業結果因子１次元）を除く値ｍi-（３６次元ベクトル）と、操業結果予測対象データ指定部２１０で指定された予測モデル学習用ＳＯＭニューロン選択用データＦsの値（３６次元ベクトル）とのユークリッド距離を算出する。そして、予測モデル学習用ＳＯＭニューロン選択部２１１は、算出したユークリッド距離が小さいものから順に、所定数のＳＯＭニューロンを予測モデル学習用ＳＯＭニューロン（学習用補間データ）として選択する。尚、以下の説明では、前記所定数を必要に応じて「近傍点数」と称する。
【００５３】
具体的な計算は、例えば、（１０）式のＦsを、予測モデル学習用ＳＯＭニューロン選択用データの値（ベクトル）とし、ｍi-（ｔ）を、学習終了時のＳＯＭニューロンの値のうち予測モデル学習用ＳＯＭニューロン選択用データに対応する因子の値（＝ＮＮの予測によって得られる因子を除く値（ベクトル））とし、ｍc-（ｔ）を、選択するＳＯＭニューロンの値（ベクトル）とすれば実現できる。
｜Ｆs−ｍc-（ｔ）｜＝ｍｉｎ｜Ｆs−ｍi-（ｔ）｜ ・・・（１０）
【００５４】
ここで、本実施形態では、近傍点数として、「２５、１２１、２２５、４４１、及び６２５」の５つの数を予め設定している。本実施形態では、近傍点数が、これら５つの近傍点数のそれぞれの場合について、後述するようにして（ＮＮ予測結果出力部２１６により）操業結果因子（転炉の吹止温度）を算出する。そして、算出された５つの操業結果因子（転炉の吹止温度）のうち、以下の（１１）式で定義される決定係数Ｒ2の値が最も大きくなったときの操業結果因子（転炉の吹止温度）を採用する。
【００５５】
【数２】
【００５６】
（１１）式において、ｊは、１，２，・・・，Ｊの整数（Ｊは実績データの数）である。ｙjは、転炉の吹止温度の実績値である。ｙ-は、転炉の吹止温度の実績値ｙjの平均値である。ｆjは、転炉の吹止温度の予測値である。
【００５７】
予測モデル学習用ＳＯＭニューロン選択部２１１は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等から、予測モデル学習用ＳＯＭニューロン選択用データＦsの情報と、学習終了時のＳＯＭニューロンの値とを読み出し、前述した計算を行って、ＳＯＭニューロンを予測モデル学習用ＳＯＭニューロンとして選択し、選択後の予測モデル学習用ＳＯＭニューロンの値をＲＡＭ等に記憶することにより実現される。
【００５８】
（勝者実績データ抽出部２１２）
勝者実績データ抽出部２１２では、予測モデルの学習に用いる学習用実績データとして、ＳＯＭニューロンによる補間データに対応する勝者実績データＸcを抽出する。すなわち、勝者実績データ抽出部２１２は、予測モデル学習用ＳＯＭニューロン選択部２１１で選択された予測モデル学習用ＳＯＭニューロン（学習用補間データ）に対し、勝者実績データ関連部２０９によって関連付けられた勝者実績データＸcの値（ベクトル）を抽出する。そして、勝者実績データ抽出部２１２は、予測モデル学習用ＳＯＭニューロン選択部２１１で選択された予測モデル学習用ＳＯＭニューロンの値（参照ベクトル）と、抽出した勝者実績データの値（ベクトル）とをＮＮの学習に使用するデータ（学習用データ）とする。ここで、勝者実績データ抽出部２１２は、抽出した勝者実績データの中に、同じ実績データが重複する場合には、それらの重複を除いたものを学習用実績データとする。重複する実績データを学習用実績データとすると、後述するＮＮの学習が適切に行われなくなる虞があるからである。
勝者実績データ抽出部２１２は、例えば、ＣＰＵが、ＲＡＭ等から、予測モデル学習用ＳＯＭニューロンの値（参照ベクトル）と、当該予測モデル学習用ＳＯＭニューロンに関連付けられている勝者実績データの値（ベクトル）を読み出し、勝者実績データの値の重複を排除した上で、それらを学習用データとしてＲＡＭ等に記憶することにより実現される。
【００５９】
（ＮＮ学習部２１３、ＮＮ記憶部２１４）
ＮＮ学習部２１３は、予測モデルの一例である階層型ニューラルネットワークの結合重み係数（重み行列）の学習を行う。
本実施形態では、出力層を操業結果因子（転炉の吹止温度）とし、入力層を操業影響因子（材料因子、鍋状況因子、及び温度因子）とする、３層のニューラルネットワークを用いるものとする。ここで、出力層と入力層の数は、それぞれの因子の数に等しい数とする。すなわち、出力層の数を１とし、入力層の数を３６とする。また、中間層の数は、入力層の数と、学習用データ（のセット）の数とのうち、何れか少ない方の数とする。
【００６０】
ＮＮ学習部２１３は、３層のニューラルネットワークの入力層と出力層に、勝者実績データ抽出部２１２で抽出された学習用実績データ（ＳＯＭニューロンによる補間データに対応する勝者実績データＸc）と、予測モデル学習用ＳＯＭニューロン選択部２１１で選択された学習用補間データ（予測モデル学習用ＳＯＭニューロン）とからなる学習用データを与え、それらの値に合うように、入力層と中間層とを結合する結合重み係数（重み行列）及び中間層と出力層とを結合する結合重み係数（重み行列）を更新（学習）する。本実施形態では、この学習をバックプロパゲーションにより行うものとする。ただし、ＮＮの学習の方法は、バックプロパゲーションに限定されるものではない。そして、ＮＮ学習部２１３は、このような学習を、入力層と出力層に与える学習用データを異ならせて繰り返し行う。ここで、全ての学習用データを１度ずつ学習に使用する（全ての学習用データの値を１度ずつ入力層と出力層に与える）ことで１回の学習が行われる。
【００６１】
ＮＮ学習部２１３は、このような学習を行う度に、ＮＮの学習を終了させるか否かを判定する。例えば、学習回数が所定値（例えば１０万回）になったときにＮＮの学習を終了させると判断することができる。また、学習後のニューラルネットワークによる予測の結果と、学習用データの値との平均学習誤差が所定値（例えば１％）を下回ったときにＮＮの学習を終了させると判断することができる。
ＮＮ学習部２１３は、ＮＮの学習を終了すると判断したときに得られているニューラルネットワークの情報をＮＮ記憶部２１４に記憶する。
ＮＮ学習部２１３は、例えば、ＣＰＵが、ＲＡＭ等から、学習用データを読み出して前述した処理を行ってニューラルネットワークを学習し、学習終了後のニューラルネットワークの情報を、例えばＨＤＤにより実現されるＮＮ記憶部２１４に記憶することによって実現される。尚、ＮＮ学習部２１３によるニューラルネットワークの学習は、公知の技術で実現できるので、ここでは、その詳細な説明を省略する。
【００６２】
（ＮＮ予測部２１５）
ＮＮ予測部２１５は、オペレータによるユーザインターフェースの操作に基づいて、ＮＮ記憶部２１４に記憶されているニューラルネットワークの入力層に与える入力データ（操業結果予測対象データ指定部２１０で指定された予測モデル学習用ＳＯＭニューロン選択用データＦs）を取得し、取得したデータをニューラルネットワークの入力層に与えて操業結果因子を得る（予測する）。本実施形態では、ＮＮ予測部２１５は、材料因子、鍋状況因子、及び温度因子のデータ（操業結果予測対象データ）を取得し、操業結果因子（転炉の吹止温度）を得る。操業結果予測対象データには、まだ操業実績が存在しない温度因子のデータを含む為、実績のない温度因子には目標値を設定し、入力に用いる。
ＮＮ予測部２１５は、例えば、ＣＰＵが、ユーザインターフェースの操作に基づく入力データをＲＡＭ等に記憶すると共に、ＨＤＤ等から、学習終了後のニューラルネットワークの情報を読み出して、前述した処理を行うことによって、転炉の吹止温度の予測値を求めることにより実現される。
【００６３】
（ＮＮ予測結果出力部２１６）
ＮＮ予測結果出力部２１６は、ＮＮ予測部２１５で予測された操業結果因子を出力する。ＮＮ予測結果出力部２１６は、例えば、転炉の吹止温度の予測値を、液晶ディスプレイ等の表示装置に表示したり、操業予測装置２００に接続されたリムーバル記憶媒体に記憶したり、操業予測装置２００内のＨＤＤ等に記憶したりすることができる。
ＮＮ予測結果出力部２１６は、例えば、ＣＰＵが、ＲＡＭ等から、転炉の吹止温度の予測値を読み出して、表示データを生成したり、リムーバル記憶媒体やＨＤＤ等に記憶したりする処理を行うことにより実現される。
【００６４】
（ＮＮ破棄部２１７）
予測モデル学習に用いたＳＯＭニューロンや実績データが特定の条件に適合したデータのみであるため、幅広い条件での予測に用いるには一般性に欠ける。そのため、ＮＮ破棄部２１７では、特定の条件が一致しない場合に予測モデルを再利用することが難しいので、これを破棄させる。ＮＮ破棄部２１７は、ＮＮ予測結果出力部２１６による処理が１回終了すると、ＮＮ記憶部２１４に記憶されている学習終了後のニューラルネットワークの情報を破棄（削除）する。このように本実施形態では、one-timeのＮＮの学習を採用するようにしている。
ＮＮ破棄部２１７は、例えば、ＣＰＵが、転炉の吹止温度の予測値の出力処理を終えた後、ＨＤＤ等に記憶されている学習終了後のニューラルネットワークの情報を破棄する処理を行うことにより実現される。
【００６５】
（動作フローチャート）
次に、図７のフローチャートを参照しながら、操業予測装置２００の処理動作の一例を説明する。
まず、図７−１のステップＳ１において、データ取得部２０１は、実績データＸjと操業結果予測対象データＦを外部から取得する。
次に、ステップＳ２において、データ正規化部２０２は、ステップＳ１で取得された実績データＸjと操業結果予測対象データＦの値を正規化する。
次に、ステップＳ３において、ＳＯＭパラメータ設定部２０３は、競合層３０２において、２次元の格子状にＳＯＭニューロンを配置し、配置したＳＯＭニューロンのそれぞれに対して初期値（ｍi（０））を設定する。
【００６６】
次に、ステップＳ４において、実績データ選択部２０４は、ステップＳ２で正規化された実績データＸj（のセット）のうち、未選択のものを１つ選択する。
次に、ステップＳ５において、勝者ＳＯＭニューロン決定部２０５は、ステップＳ４で選択された実績データＸjの値（ベクトル）とユークリッド距離が最も近いＳＯＭニューロンを勝者ＳＯＭニューロンと６０２して決定する。
次に、ステップＳ６において、ＳＯＭ学習部２０６は、ステップＳ５で決定された勝者ＳＯＭニューロン６０２の値（参照ベクトル）と、競合層３０２上の座標位置で勝者ＳＯＭニューロン６０２に近い位置にある近傍ＳＯＭニューロン６０３の値（参照ベクトル）とを、ステップＳ４で選択された実績データＸjの値（ベクトル）に近づけるように修正（学習）する。
【００６７】
次に、ステップＳ７において、ＳＯＭ学習終了判定部２０７は、ＳＯＭの学習を終了するか否かを判定する。判定基準の一例は前述した通りである。この判定の結果、ＳＯＭの学習を終了しない場合には、ステップＳ４に戻り、別の実績データが選択され、勝者ＳＯＭニューロン６０２の決定と、勝者ＳＯＭニューロン６０２及び近傍ＳＯＭニューロン６０３の修正とを行う。そして、ＳＯＭの学習を終了すると判定されると、ステップＳ８に進む。
ステップＳ８に進むと、ＳＯＭ記憶部２０８は、ステップＳ７でＳＯＭの学習を終了すると判定されたときのＳＯＭの状態（競合層３０２上の各ＳＯＭニューロン（座標と参照ベクトル））を、学習終了時のＳＯＭニューロンの値（参照ベクトル）として記憶する。
【００６８】
次に、ステップＳ９において、勝者実績データ関連部２０９は、ステップＳ２で正規化された全ての実績データＸjの値（ベクトル）のうち、ステップＳ８で記憶された学習終了時のＳＯＭニューロンの値（参照ベクトル）とユークリッド距離が最も近い実績データを勝者実績データＸcとして決定する。そして、勝者実績データ関連部２０９は、学習終了時のＳＯＭニューロンのそれぞれと、当該ＳＯＭニューロンとユークリッド距離が最も近い勝者実績データＸcの値とを相互に関連付けて記憶する。
次に、図７−２のステップＳ１０において、操業結果予測対象データ指定部２１０は、ステップＳ２で正規化された操業結果予測対象データＦの内の１つを予測モデル学習用ＳＯＭニューロン選択用データＦsとして指定する。
【００６９】
次に、ステップＳ１１において、予測モデル学習用ＳＯＭニューロン選択部２１１は、ステップＳ８で記憶された学習終了時のＳＯＭニューロンのうち、予測モデルによって得られる因子（操業結果因子）を除く値（ベクトル）が、ステップＳ１０で指定された予測モデル学習用ＳＯＭニューロン選択用データＦsの値（ベクトル）と近いものを、予測モデル学習用ＳＯＭニューロンとして所定数（近傍点数）だけ選択する。本実施形態では、近傍点数は、「２５、１２１、２２５、４４１、６２５」であるので、５組の予測モデル学習用ＳＯＭニューロンが選択される。これら５組の予測モデル学習用ＳＯＭニューロンのそれぞれについてステップＳ１１〜Ｓ１７の処理が繰り返し行われることにより転炉の吹止温度の予測値が５つ得られる。そして、これら５つの転炉の吹止温度の予測値から、（１１）式を用いて決定係数Ｒ2が算出される。本実施形態では、これら５つの操業結果因子（転炉の吹止温度の予測値）のうち、最も大きな値の決定係数Ｒ2が算出されたときの操業結果因子（転炉の吹止温度の予測値）が採用される。
【００７０】
次に、ステップＳ１２において、勝者実績データ抽出部２１２は、ステップＳ１１で選択された予測モデル学習用ＳＯＭニューロンに関連付けて記憶されている勝者実績データＸcの値（ベクトル）を抽出する（ステップＳ９を参照）。そして、勝者実績データ抽出部２１２は、ステップＳ１１で選択された予測モデル学習用ＳＯＭニューロンの値（参照ベクトル）と、抽出した勝者実績データＸcの値（ベクトル）とを予測モデルの学習に使用する学習用データとする。
【００７１】
次に、ステップＳ１３において、ＮＮ学習部２１３は、３層のニューラルネットワークの入力層と出力層に、ステップＳ１１で選択された予測モデル学習用ＳＯＭニューロンと、ステップＳ１２で抽出された勝者実績データＸcとからなる学習用データを与え、それらの値に合うように、入力層と中間層とを結合する結合重み係数（重み行列）及び中間層と出力層とを結合する結合重み係数（重み行列）を更新（学習）する。
次に、ステップＳ１４において、ＮＮ学習部２１３は、予測モデルの一例であるニューラルネットワークの学習を終了するか否かを判定する。判定基準の一例は前述した通りである。この判定の結果、ニューラルネットワークの学習を終了しないと判定された場合には、ステップＳ１３に戻る。そして、ニューラルネットワークの学習を終了すると判定されると、ステップＳ１５に進む。
【００７２】
ステップＳ１５に進むと、ＮＮ学習部２１３は、学習終了時のニューラルネットワークの情報をＮＮ記憶部２１４に記憶する。
次に、ステップＳ１６において、ＮＮ破棄部２１７は、学習終了時のニューラルネットワークを使用した転炉の吹止温度の予測値がＮＮ予測部２１５によって求められ、且つ、その結果に対する出力処理がＮＮ予測結果出力部２１６によって行われるまで（学習終了時のニューラルネットワークを使用した予測・出力が行われるまで）待機する。そして、学習終了時のニューラルネットワークを使用した予測・出力が行われると、ステップＳ１７に進む。
ステップＳ１７に進むと、ＮＮ破棄部２１７は、ステップＳ１５でＮＮ記憶部２１４に記憶された学習終了後のニューラルネットワークの情報を破棄（削除）する。
【００７３】
（まとめ）
本実施形態の冒頭で説明したように、実績データ１０１のみを学習用データとした局所予測モデルを用いると、学習用データの数が少ないために、予測結果１１０と真の入出力関係１２０との差が大きくなることがある（図１（ａ）を参照）。これに対し、本実施形態では、以上の説明から明らかなように、実績データを元にＳＯＭを構築し得られるＳＯＭニューロンが、実績データに対する予測モデルの構築の際に補間データとして用いることが出来る。すなわち、図１（ｂ）に示すように、実績データ１０１に加えてＳＯＭニューロン１０２を学習用データとして加えた局所予測モデルを用いると、予測結果１３０の真の入出力関係１２０に対する精度が向上する。
【００７４】
以上のように本実施形態では、実績データに最も近いＳＯＭニューロンを勝者ＳＯＭニューロン６０２とし、勝者ＳＯＭニューロン６０２の値とそのＳＯＭニューロン６０２の座標の近傍にある近傍ＳＯＭニューロン６０３の値とを、実績データの値に近づけるように修正してＳＯＭの学習を行う。ＳＯＭの学習終了時のＳＯＭニューロン６０２、６０３のそれぞれについて、値が最も近い実績データを相互に関連付けて記憶する。そして、操業結果予測対象データと値が近い所定数（近傍点数）のＳＯＭニューロン６０２、６０３と、そのＳＯＭニューロン６０２、６０３に関連付けられている実績データとを学習用データ１０１、１０２とする。したがって、予測モデルの学習用データとして適切な補間データを生成し加えることによって、データ数が少ないことで生じる未学習部分の発生や過学習を抑制することができる。よって、操業予測（転炉の吹止温度の予測）を正確に行うことができる。
【００７５】
また、本実施形態では、ニューラルネットワークを使用した予測・出力が１回行われると、そのニューラルネットワークを破棄するようにした。したがって、直近の操業実績を反映させたニューラルネットワークを構築することができ、実際の操業を可及的に反映させた予測を行うことができる。
【００７６】
（変形例）
本実施形態では、予測モデルとして階層型ニューラルネットワークを用いた場合を例に挙げて説明したが、予測モデルは階層型ニューラルネットワークに限定されない。すなわち、操業結果因子に影響を与える因子であって、製品又は半製品を製造するための操業因子である操業影響因子を入力し、当該操業影響因子の影響を受けて決定される操業結果である操業結果因子を出力する予測モデルであれば、どのような予測モデルであってもよい。また、操業結果因子は、転炉の吹止温度に限定されない。さらに、操業影響因子も、前述したものに限定されない。
【００７７】
また、本実施形態では、予測モデル学習用ＳＯＭニューロン選択用データと値が近い所定数（近傍点数）の全てのＳＯＭニューロン６０２、６０３を学習用補間データとし、そのＳＯＭニューロン６０２、６０３に関連付けられている実績データを学習用実績データとし、学習用補間データと学習用実績データとをあわせて学習用データとした場合を例に挙げて説明した。しかしながら、例えば、予測モデル学習用ＳＯＭニューロン選択用データと値が近い所定数（近傍点数）のＳＯＭニューロン６０２、６０３のうち、予測モデル学習用ＳＯＭニューロン選択用データに最も値が近いＳＯＭニューロン６０２、６０３を除いたものと、所定数のＳＯＭニューロン６０２、６０３に関連付けられている学習用実績データとを学習用データとしてもよい。このようにすれば、学習用実績データに過剰にフィッティングされたニューラルネットワークが構築されることを、より確実に防止することができる。
【００７８】
＜第２の実施形態＞
次に、本発明の第２の実施形態について説明する。
前述した第１の実施形態では、実績データＸjに含まれる、３６個の操業影響因子のデータ（３６次元のデータ）の全てを用いて、ＳＯＭの学習を行うようにした。これに対し、本実施形態では、ＳＯＭの学習に用いる操業影響因子を選択し、選択した操業影響因子のデータを用いてＳＯＭの学習を行う。このように、本実施形態と、第１の実施形態とは、実績データ選択部２０４で選択される実績データＸjが、全ての操業影響因子のデータではなく、前記のようにして選択された操業影響因子のデータである点が主として異なる。よって、本実施形態の説明において、第１の実施形態と同一の部分については、図１〜図７に付した符号と同一の符号を付す等して詳細な説明を省略する。
【００７９】
図８は、操業予測装置８００の機能的な構成の一例を示す図である。本実施形態の操業予測装置８００も、第１の実施形態で説明した操業予測装置２００と同様に、例えば、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＨＤＤ、及び各種のインターフェースを備えた情報処理装置（例えばＰＣ）を用いることにより実現される。
【００８０】
（感度計算用ＮＮ学習部８０１）
感度計算用ＮＮ学習部８０１は、後述する操業影響因子の感度を計算するために使用する感度計算用階層型ニューラルネットワークの結合重み係数（重み行列）の学習を行う。感度計算用階層型ニューラルネットワークの学習方法は、ＮＮ学習部２１３で説明した階層型ニューラルネットワークと同じであるので、ここでは、その詳細な説明を省略する。
【００８１】
ただし、感度計算用ＮＮ学習部８０１が構築する感度計算用階層型ニューラルネットワークは、予測モデル学習用ＳＯＭニューロンと勝者実績データＸcとからなる学習用データを用いて得られるものではなく、実績データＸjを学習用データとして用いることにより得られる通常の階層型ニューラルネットワークである。ここで、感度計算用階層型ＮＮ学習部８０１は、データ正規化部２０２により正規化された実績データＸjを用いて感度計算用階層型ニューラルネットワークを構築する。よって、感度計算用階層型ニューラルネットワークへの入力と、感度計算用階層型ニューラルネットワークからの出力は、正規化された値となる。
感度計算用階層型ＮＮ学習部８０１は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等から実績データを読み出して、感度計算用階層型ニューラルネットワークの学習を行い、その結果を示す情報をＲＡＭ等に記憶することにより実現される。
【００８２】
（第１の感度計算用操業結果因子導出部８０２）
第１の感度計算用操業結果因子導出部８０２は、前記（１）〜（３６）の操業影響因子の全ての値が（同一の）特定の値であるデータを、感度計算用階層型ＮＮ学習部８０１により学習された感度計算用階層型ニューラルネットワークに入力することにより、その出力である操業結果因子を得る。本実施形態では、特定の値として、正規化値の最大値である「１」と最小値である「０」との中央値である「０．５」を採用する。
尚、以下の説明では、第１の感度計算用操業結果因子導出部８０２で導出された操業結果因子の値を、必要に応じて「操業結果因子の基準値」と称する。
第１の感度計算用操業結果因子導出部８０２は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等に記憶されている感度計算用階層型ニューラルネットワークに対して「０．５」を入力することにより、操業結果因子の基準値の情報を導出してＲＡＭ等に記憶することにより実現される。
【００８３】
（第２の感度計算用操業結果因子導出部８０３）
第２の感度計算用操業結果因子導出部８０３は、前記（１）〜（３６）の操業影響因子のうち、１つの操業影響因子の値が、第１の感度計算用操業結果因子導出部８０２で設定された特定の値とは異なる値であり、残りの操業影響因子の値が、第１の感度計算用操業結果因子導出部８０２で設定された特定の値であるデータを、感度計算用ＮＮ学習部８０１により学習された感度計算用階層型ニューラルネットワークに入力することにより、その出力である操業結果因子を得る。本実施形態では、第１の感度計算用操業結果因子導出部８０２で設定された特定の値とは異なる値として、正規化値の最大値である「１」を採用する。また、本実施形態では、前記（１）〜（３６）の操業影響因子の数は「３６」である。よって、第２の感度計算用操業結果因子導出部８０３は、３６個の操業結果因子のそれぞれの値を「１」としたときの操業結果因子を３６個得る。尚、以下の説明では、第２の感度計算用操業結果因子導出部８０３で導出された操業結果因子の値を、必要に応じて「操業結果因子の変動値」と称する。
【００８４】
第２の感度計算用操業結果因子導出部８０３は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等に記憶されている感度計算用階層型ニューラルネットワークに対して、１つの操業影響因子の値として「１」を、残りの操業影響因子の値として「０．５」を、それぞれ入力することにより、操業結果因子の変動値の情報を導出してＲＡＭ等に記憶することにより実現される。
【００８５】
（感度導出部８０４）
感度導出部８０４は、前記（１）〜（３６）の操業影響因子の感度をそれぞれ導出する。本実施形態では、操業影響因子の感度は、第１の感度計算用操業結果因子導出部８０２で導出された「操業結果因子の基準値」と、第２の感度計算用操業結果因子導出部８０３で得られた「操業結果因子の変動値」との差分の絶対値で定義される。
【００８６】
前述したように、本実施形態では、前記（１）〜（３６）の操業影響因子の数は「３６」であり、第２の感度計算用操業結果因子導出部８０３により３６個の操業結果因子の変動値が得られる。よって、感度導出部８０４は、３６個の操業影響因子のそれぞれについて感度を導出する。
感度導出部８０４は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等から、第１の操業影響因子の基準値と第２の操業影響因子の変動値とを読み出し、前述した計算を行って、各操業影響因子の感度を導出してＲＡＭ等に記憶することにより実現される。
【００８７】
（操業影響因子選択用ＮＮ学習部８０５、誤差評価部８０６、操業影響因子選択部８０７の概要）
本実施形態では、操業影響因子を入力層とし、操業結果因子を出力層とする３層の階層型ニューラルネットワークである操業影響因子選択用階層型ニューラルネットワークを用いて、ＳＯＭの学習を行うのに使用する１又は複数の操業影響因子を決定する。
このために、まず、操業影響因子選択用ＮＮ学習部８０５は、操業影響因子選択用階層型ニューラルネットワークを構築する。誤差評価部８０６は、構築された操業影響因子選択用階層型ニューラルネットワークの入力層に操業影響因子の実績データを与えることによって操業結果因子の予測値を導出し、当該操業結果因子の予測値と操業結果因子の実績データとの誤差を導出する。このような操業影響因子選択用階層型ニューラルネットワークの構築と誤差の導出とを、操業影響因子選択用階層型ニューラルネットワークの入力層（操業影響因子）を、感度の高いものから順に１つずつ増やして行う。これにより、入力層の数が異なる複数の操業影響因子選択用階層型ニューラルネットワークのそれぞれについての誤差（評価）が得られる。操業影響因子選択部８０７は、これら複数の操業影響因子選択用階層型ニューラルネットワークのうち、誤差が最も小さい操業影響因子選択用階層型ニューラルネットワークを割り出し、割り出した操業影響因子選択用階層型ニューラルネットワークの入力層となっている操業影響因子を、ＳＯＭの学習を行うのに使用する１又は複数の操業影響因子として決定する。以下に、操業影響因子選択用ＮＮ学習部８０５、誤差評価部８０６、及び操業影響因子選択部８０７が有する機能の詳細を説明する。
【００８８】
（操業影響因子選択用ＮＮ学習部８０５）
操業影響因子選択用ＮＮ学習部８０５は、操業影響因子選択用階層型ニューラルネットワークの結合重み係数（重み行列）の学習を行う。
操業影響因子選択用ＮＮ学習部８０５は、感度導出部８０４で導出された「各操業影響因子の感度」の値が大きい順に、操業影響因子を１つずつ選択し、操業影響因子を１つずつ増やす。次に、操業影響因子選択用ＮＮ学習部８０５は、選択した操業影響因子を、操業影響因子選択用階層型ニューラルネットワークの入力層とし、前記（３７）の操業結果因子（転炉の吹止温度）を出力層とする、３層の階層型ニューラルネットワークを、操業影響因子選択用階層型ニューラルネットワークとして構築する。
【００８９】
そして、操業影響因子選択用ＮＮ学習部８０５は、構築した操業影響因子選択用階層型ニューラルネットワークの結合重み係数（重み行列）の学習を行う。操業影響因子選択用階層型ニューラルネットワークの学習方法は、ＮＮ学習部２１３で説明した階層型ニューラルネットワークと同じであるので、ここでは、その詳細な説明を省略する。
【００９０】
ただし、操業影響因子選択用ＮＮ学習部８０５が構築する操業影響因子選択用階層型ニューラルネットワークも、前述した感度計算用階層型ニューラルネットワークと同様に、実績データＸjを学習用データとして用いる通常の階層型ニューラルネットワークである。また、操業影響因子選択用ＮＮ学習部８０５は、前述した感度計算用階層型ニューラルネットワークと同様に、データ正規化部２０２により正規化された実績データＸjを用いて感度計算用階層型ニューラルネットワークを構築する。よって、操業影響因子選択用階層型ニューラルネットワークへの入力と、操業影響因子選択用階層型ニューラルネットワークからの出力は、正規化された値となる。
【００９１】
操業影響因子選択用ＮＮ学習部８０５は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等から実績データを読み出して、操業影響因子選択用階層型ニューラルネットワークの学習を行い、その結果を示す情報をＲＡＭ等に記憶することにより実現される。
【００９２】
（誤差評価部８０６）
誤差評価部８０６は、操業影響因子選択用ＮＮ学習部８０５により学習された操業影響因子選択用階層型ニューラルネットワークの入力層に、当該入力層に対応する操業影響因子の実績データＸjを入力することにより、その出力である操業結果因子の予測値を得る。そして、誤差評価部８０６は、当該操業結果因子の予測値と、操業結果因子の実績データＸjの値との誤差を、実績データＸjのそれぞれについて導出し、それらの誤差二乗和を算出する。
本実施形態では、前記（１）〜（３６）の操業影響因子の数は「３６」であるので、操業影響因子選択用ＮＮ学習部８０５により、３６個の操業影響因子選択用階層型ニューラルネットワークが構築される。したがって、誤差評価部８０６は、操業結果因子の予測値の計算として３６回の計算を行う。よって、３６個の誤差二乗和が算出される。また、本実施形態では、操業影響因子選択用ＮＮ学習部８０５により１つの操業影響因子選択用階層型ニューラルネットワークが構築される度に、誤差評価部８０６により１つの誤差二乗和が算出され、このような操業影響因子選択用階層型ニューラルネットワークの構築と誤差二乗和の算出とが３６回繰り返し行われるようにしている。
誤差評価部８０６は、例えば、ＣＰＵが、コンピュータプログラムに従って、前述した誤差二乗和を導出し、導出した誤差二乗和をＲＡＭ等に記憶することにより実現される。
【００９３】
（操業影響因子選択部８０７）
操業影響因子選択部８０７は、誤差評価部８０６により導出された３６個の誤差二乗和のうち、最も値が小さい誤差二乗和が得られたときに操業影響因子選択用ＮＮ選択部８０５で選択された操業影響因子を、ＳＯＭの学習に使用する操業影響因子として決定する。
操業影響因子選択部８０７は、例えば、ＣＰＵが、コンピュータプログラムに従って、最も値が小さい誤差二乗和が得られたときの操業影響因子の情報をＲＡＭ等に記憶することにより実現される。
【００９４】
学習用実績データ選択部２０４においては、データ正規化部２０２で正規化された実績データＸj（のセット）のうち、操業影響因子選択部８０７で選択された操業影響因子のデータが選択されることになる。
【００９５】
（動作フローチャート）
次に、図９のフローチャートを参照しながら、操業予測装置８００の処理動作の一例を説明する。図９に示すフローチャートは、例えば、図７−１のステップＳ２とステップＳ３の間で実行されるものである。
まず、ステップＳ２１において、感度計算用ＮＮ学習部８０１は、実績データＸjを学習用データとして感度計算用階層型ニューラルネットワークの結合重み係数（重み行列）の学習を行う。
次に、ステップＳ２２において、第１の感度計算用操業結果因子導出部８０２は、前記（１）〜（３６）の操業影響因子の全ての値が「０．５」であるデータを、ステップＳ２１で学習された後の感度計算用階層型ニューラルネットワークに入力することにより、その出力である操業結果因子の基準値を得る。
【００９６】
次に、ステップＳ２３において、第２の感度計算用操業結果因子導出部８０３は、前記（１）〜（３６）の操業影響因子のうち、未選択の操業影響因子を１つ選択する。
次に、ステップＳ２４において、第２の感度計算用操業結果因子導出部８０３は、ステップＳ２３で選択した操業影響因子の値が「１」であるデータと、残りの操業影響因子の値が「０．５」であるデータを、ステップＳ２１で学習された後の感度計算用階層型ニューラルネットワークに入力することにより、その出力である操業結果因子の変動値を得る。
【００９７】
次に、ステップＳ２５において、第２の感度計算用操業結果因子導出部８０３は、前記（１）〜（３６）の操業影響因子の全てを選択したか否かを判定する。この判定の結果、前記（１）〜（３６）の操業影響因子の全てを選択していない場合には、ステップＳ２３に戻る。そして、前記（１）〜（３６）の操業影響因子の全てを選択するまで、ステップＳ２３〜Ｓ２５の処理を繰り返し行う。
そして、前記（１）〜（３６）の操業影響因子の全てについて、操業結果因子の変動値が得られると、ステップＳ２６に進む。
【００９８】
ステップＳ２６に進むと、感度導出部８０４は、ステップＳ２２で導出された「操業結果因子の基準値」と、ステップＳ２４で導出された「３６個の操業結果因子の変動値」との差分の絶対値である感度をそれぞれ導出する。
次に、ステップＳ２７において、操業影響因子選択用ＮＮ学習部８０５は、ステップＳ２６で導出された３６個の未選択の感度のうち、最も値が大きい感度が得られたときの操業結果因子を１つ選択する。
次に、ステップＳ２８において、操業影響因子選択用ＮＮ学習部８０５は、実績データＸjを学習用データとして、現在の時点までにステップＳ２７で選択された全ての操業影響因子を入力層とする操業影響因子選択用階層型ニューラルネットワークを構築し、構築した操業影響因子選択用階層型ニューラルネットワークの結合重み係数（重み行列）の学習を行う。
【００９９】
次に、ステップＳ２９において、誤差評価部８０６は、ステップＳ２８で構築された操業影響因子選択用階層型ニューラルネットワークの入力層に、当該入力層に対応する操業影響因子の実績データＸjを入力することにより得られた操業結果因子の値と、操業結果因子の実績データＸjの値との誤差二乗和を導出する。
次に、ステップＳ３０において、誤差評価部８０６は、前記（１）〜（３６）の操業影響因子の全てを選択したか否かを判定する。この判定の結果、前記（１）〜（３６）の操業影響因子の全てを選択していない場合には、ステップＳ２７に戻る。そして、前記（１）〜（３６）の操業影響因子の全てを選択するまで、ステップＳ２７〜Ｓ３０の処理を繰り返し行う。
【０１００】
そして、前記（１）〜（３６）の操業影響因子の全てについての誤差が得られると、ステップＳ３１に進む。
ステップＳ３１に進むと、操業影響因子選択部８０７は、ステップＳ２９で導出された「前記（１）〜（３６）の操業影響因子の全てについての誤差二乗和」のうち、最も値が小さい誤差二乗和が得られたときの操業影響因子を、ＳＯＭの学習に使用する操業影響因子として決定する。
そして、図７のフローチャートのステップＳ３に進む。この場合、ステップＳ４において選択される実績データＸjは、前記（１）〜（３６）の操業影響因子のうち、ステップＳ３１で決定された操業影響因子のデータとなる。
【０１０１】
第１の実施形態で説明したように、ＳＯＭは、多次元ベクトルの形で表現された実績データの集合から各々のデータの類似性を見出し、類似するデータ同士を２次元平面上の近傍へマッピングしておくことで、多数の高次元データを分類し、その特徴を抽出するデータマイニング手法である。したがって、操業結果因子に与える影響が小さい操業影響因子であっても、離散的な値をとる操業影響因子等、各々の値を明確に分類することができる操業影響因子が、ＳＯＭによる実績データＸjの分類に大きく影響を与えてしまう虞がある。そうすると、予測モデルの学習に使用する学習用データが、必ずしも予測モデルの学習に適したものにならなくなる虞がある。これに対し、本実施形態では、操業結果因子の基準値と操業結果因子の変動値との差分の絶対値で定義される感度に基づいて、ＳＯＭの学習に使用する操業影響因子を選択するようにした。したがって、操業結果因子に与える影響が相対的に大きい操業影響因子の感度の値が相対的に大きくなる傾向になる。よって、操業結果因子に与える影響が相対的に小さい操業影響因子を可及的に排除して、ＳＯＭの学習を行うことができる。その結果、予測モデルの学習に使用する学習用データを、より予測モデルの学習に適したものにすることができる。
【０１０２】
尚、本実施形態では、操業影響因子の感度に基づいて、ＳＯＭの学習に使用する操業影響因子を自動的に選択するようにした。しかしながら、必ずしもこのようにする必要はない。例えば、ユーザが、操業予測装置から提示された操業影響因子の感度を参照して、ＳＯＭの学習に使用する操業影響因子を選択し、操業予測装置が、ユーザにより選択された操業影響因子の実績データＸjを用いてＳＯＭの学習を行ってもよい。また、ＳＯＭの学習に使用する操業影響因子を自動的に選択する方法は、前述した方法に限定されるものではない。例えば、操業影響因子の感度の大きいものから所定の数（又は所定の割合）の操業影響因子をＳＯＭの学習に使用する操業影響因子として選択してもよい。このように、ＳＯＭの学習に使用する操業影響因子については、感度に基づいて選択していればどのようにして選択してもよい。
【０１０３】
また、本実施形態では、全ての操業影響因子について誤差二乗和を導出するようにした。しかしながら、必ずしもこのようにする必要はない。例えば、誤差二乗和の値が、前回の値よりも大きくなった時点で誤差二乗和の導出を止め、それまでに導出した誤差二乗和の中で最も値が小さい誤差二乗和が得られたときの操業影響因子を、ＳＯＭの学習に使用する操業影響因子として決定してもよい。本実施形態では、操業影響因子選択用階層型ニューラルネットワークを学習する際に、入力層として採用する操業影響因子として、感度が大きい操業影響因子から順番に選択する。したがって、操業影響因子の選択数がある範囲までは、操業影響因子の選択数が多くなると誤差二乗和は小さくなるが、その範囲を超えると、操業影響因子の選択数が多くなると誤差二乗和は逆に大きくなる場合が多いと考えらえる。よって、誤差二乗和の値が、前回の値よりも大きくなった時点で誤差二乗和の導出を止めても、操業影響因子の選択に大きな誤りは起こらない。
【０１０４】
＜実施例＞
次に、本実施形態の実施例を説明する。
ここでは、４８００件（４８００チャージ）の実績データＸjを使用した。１件の実績データＸjは、前述した（１）〜（３７）の３７次元のデータである。これら４８００組の実績データＸjを時間順にソートして、操業時間が新しい８００件の実績データＸjを検証用データとし、残りの４０００件の実績データＸjを学習用データとした。
【０１０５】
学習用データは、操業結果因子と操業影響因子の全てが既知であるとする。本実施例では、ＳＯＭのマップサイズ（２次元の格子状に配置したＳＯＭニューロンの数）を「４００×４００」とした。また、前述した操業影響因子の感度に基づいて、ＳＯＭの学習に使用する操業影響因子を選択する計算を行った結果、前記（１）〜（３６）の操業影響因子のうち、ＳＯＭの学習に用いる操業影響因子は、以下の２１個の操業影響因子となった。よって、実績データ選択部２０４で選択される実績データＸjは、これら２１個の操業影響因子のデータとなる。
【０１０６】
（１）装入量合計（材料因子）；溶鋼量
（２）Ｄ０１（材料因子）；金属種Ｄ０１の投入量
（３）Ｄ０２（材料因子）；金属種Ｄ０２の投入量
（４）Ｄ０３（材料因子）；金属種Ｄ０３の投入量
（５）Ｄ０４（材料因子）；金属種Ｄ０４の投入量
（６）Ｄ０５（材料因子）；金属種Ｄ０５の投入量
（７）Ｄ０６（材料因子）；金属種Ｄ０６の投入量
（８）Ｄ０７（材料因子）；金属種Ｄ０７の投入量
（９）Ｄ０８（材料因子）；金属種Ｄ０８の投入量
（１０）Ｄ０９（材料因子）；金属種Ｄ０９の投入量
（１１）Ｄ１０（材料因子）；金属種Ｄ１０の投入量
（１２）Ｄ合計（材料因子）；金属種Ｄ０１〜Ｄ１０の投入量の合計
【０１０７】
（１３）Ｇ０１（材料因子）；金属種Ｇ０１の投入量
（１４）Ｇ０２（材料因子）；金属種Ｇ０２の投入量
（１５）Ｇ０３（材料因子）；金属種Ｇ０３の投入量
（１６）Ｇ０４（材料因子）；金属種Ｇ０４の投入量
（１７）Ｇ０５（材料因子）；金属種Ｇ０５の投入量
（１８）Ｇ０６（材料因子）；金属種Ｇ０６の投入量
（１９）Ｇ合計（材料因子）；金属種Ｇ０１〜Ｇ１０の投入量の合計
（２０）取鍋最終（温度因子）；出鋼温度
（３０）空鍋時間（鍋状況因子）；空鍋時間
【０１０８】
一方、検証用データは、操業結果因子（転炉の吹止温度）を未知とする（伏せておく）データである。この操業結果因子が予測対象であり、この検証用データが、操業結果予測対象データ指定部２１０で指定される予測モデル学習用ＳＯＭニューロン選択用データＦsとなる。
【０１０９】
そして、検証用データと、学習用データを用いた学習が終了した時のＳＯＭニューロンの値のうち、操業結果因子を除く値とのユークリッド距離が小さいものから順に、予め設定した近傍点数（＝２５、１２１、２２５、４４１、６２５）と同数のＳＯＭニューロンを予測モデル学習用ＳＯＭニューロン（学習用補間データ）として選択した。
そして、予測モデル学習用ＳＯＭニューロンの値と、予測モデル学習用ＳＯＭニューロンに関連付けて記憶されている勝者実績データＸcの値とを学習モデルの学習に使用する学習データとして、３層のニューラルネットワークの結合重み係数（重み行列）を更新（学習）した。
ここで、３層のニューラルネットワークのニューロン数を、以下のようにした。
入力層：２１
中間層：２１
出力層：１
また、結合重み係数（重み行列）については、ＰＳＯ（Particle Swarm Optimization）を用いて計算（学習）した。
【０１１０】
学習が終了した３層のニューラルネットワークの入力層に、検証用データを入力することにより、当該３層のニューラルネットワークの出力層から出力される操業結果因子（転炉の吹止温度）を予測温度とした。
そして、予め設定されている近傍点数（２５、１２１、２２５、４４１、６２５）のうち、最も値が大きい決定係数Ｒ2が得られたときの近傍点数は「２２５」であった。また、近傍点数が「２２５」であるときの決定係数Ｒ2の値は「０．８３３」であった。よって、近傍点数が「２２５」であるときの操業結果因子（転炉の吹止温度）を予測温度として採用した。
【０１１１】
そして、検証用データの（伏せておいた）操業結果因子（転炉の吹止温度）を実績温度とした。図１０は、転炉の吹止温度の予測値（予測温度）と実績値（実績温度）との関係の一例を示す図である。図１０に示すように、転炉の吹止温度の予測値（予測温度）と実績値（実績温度）とには高い相関があることが分かる。
【０１１２】
（請求項との関係）
尚、本実施形態では、例えば、操業結果因子（転炉の吹止温度）が「操業予測因子」に対応する。また、例えば、材料因子、鍋状況因子、及び温度因子が「操業影響因子」に対応する。
また、例えば、データ取得部２０１を用いることにより「データ取得手段」が実現され、勝者ＳＯＭニューロン決定部２０５を用いることにより「勝者ＳＯＭニューロン決定手段」が実現される。また、ＳＯＭ学習部２０６を用いることにより「ＳＯＭ学習手段」が実現され、カットオフ距離Ｒcut（ｔ）が「所定の範囲」に対応する。また、予測モデル学習用ＳＯＭニューロン選択部２１１を用いることにより「予測モデル学習用ＳＯＭニューロン選択手段」が実現される。また、勝者実績データ関連部２０９を用いることにより「勝者実績データ関連手段」が実現される。また、ＮＮ学習部２１３を用いることにより「予測モデル学習手段」が実現される。また、ＳＯＭパラメータ設定部２０３を用いることにより「ＳＯＭパラメータ設定手段」が実現される。また、データ正規化部２０２を用いることにより「データ正規化手段」が実現される。また、ＮＮ記憶部２１４を用いることにより「予測モデル記憶手段」が実現される。また、ＮＮ破棄部２１７を用いることにより「破棄手段」が実現される。また、第１の感度計算用操業結果因子導出部８０２を用いることにより「第１の感度計算用操業結果因子導出手段」が実現される。また、第２の感度計算用操業結果因子導出部８０３を用いることにより「第２の感度計算用操業結果因子導出手段」が実現される。また、感度導出部８０４を用いることにより「感度導出手段」が実現される。また、操業影響因子選択用ＮＮ学習部８０５、誤差評価部８０６、及び操業影響因子選択部８０７を用いることにより「操業影響因子選択手段」が実現される。
【０１１３】
また、例えば、ステップＳ１の処理を実行することによりデータ取得工程が実現され、ステップＳ５の処理を実行することにより勝者ＳＯＭニューロン決定工程が実現される。また、例えば、ステップＳ６の処理を実行することによりＳＯＭ学習工程が実現される。また、例えば、ステップＳ１１の処理を実行することにより予測モデル学習用ＳＯＭニューロン選択工程が実現される。また、ステップＳ９の処理を実行することにより勝者実績データ関連工程が実現される。また、ステップＳ１３の処理を実行することにより予測モデル学習工程が実現される。また、例えば、ステップＳ１５の処理を実行することにより予測モデル記憶工程が実現され、ステップＳ１７の処理を実行することにより破棄工程が実現される。また、例えば、ステップＳ３の処理を実行することによりＳＯＭパラメータ設定工程が実現される。また、例えば、ステップＳ２の処理を実行することによりデータ正規化工程が実現される。また、ステップＳ２２の処理を実行することにより第１の感度計算用操業結果因子導出工程が実現される。また、ステップＳ２３〜Ｓ２５の処理を実行することにより第２の感度計算用操業結果因子導出工程が実現される。また、ステップＳ２６の処理を実行することにより感度導出工程が実現される。また、ステップＳ２７〜Ｓ３１の処理を実行することにより操業影響因子選択工程が実現される。
【０１１４】
尚、以上説明した本発明の実施形態は、コンピュータがプログラムを実行することによって実現することができる。また、プログラムをコンピュータに供給するための手段、例えばかかるプログラムを記録したＣＤ−ＲＯＭ等のコンピュータ読み取り可能な記録媒体、又はかかるプログラムを伝送する伝送媒体も本発明の実施の形態として適用することができる。また、前記プログラムを記録したコンピュータ読み取り可能な記録媒体などのプログラムプロダクトも本発明の実施の形態として適用することができる。前記のプログラム、コンピュータ読み取り可能な記録媒体、伝送媒体及びプログラムプロダクトは、本発明の範疇に含まれる。
また、以上説明した本発明の実施形態は、何れも本発明を実施するにあたっての具体化の例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその技術思想、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。
【符号の説明】
【０１１５】
２００ 操業予測装置
２０１ データ取得部
２０２ データ正規化部
２０３ ＳＯＭパラメータ設定部
２０４ 学習用実績データ選択部
２０５ 勝者ＳＯＭニューロン決定部
２０６ ＳＯＭ学習部
２０７ ＳＯＭ学習終了判定部
２０８ ＳＯＭ記憶部
２０９ 勝者実績データ関連部
２１０ 操業結果予測対象データ指定部
２１１ 予測モデル学習用ＳＯＭニューロン選択部
２１２ 勝者実績データ抽出部
２１３ ＮＮ学習部
２１４ ＮＮ記憶部
２１５ ＮＮ予測部
２１６ ＮＮ予測結果出力部
２１７ ＮＮ破棄部
６０１ 初期状態
６０２ 勝者ＳＯＭニューロン
６０３ 近傍ＳＯＭニューロン
【技術分野】
【０００１】
本発明は、操業予測装置、操業予測方法、及びコンピュータプログラムに関し、特に、予測モデルを用いて操業の予測を行うために用いて好適なものである。
【背景技術】
【０００２】
例えば、鋼材を製造するための製鋼プロセスの各工程における目標温度は、下工程からの要求によって決定される。すなわち、連続鋳造工程（ＣＣ）における鉄の凝固温度を起点として、下工程における溶鋼温度降下量を順次推定（予測）することで、各工程における目標温度が決定される。ここで問題になるのは、各工程及び工程間における溶鋼温度の降下量の不確かさである。各工程における溶鋼温度の降下量は、様々な要因の影響を受け、同一の鋼種の鋼材を製造する場合であっても、各工程及び工程間における溶鋼温度の降下量は一定ではない。そのため、従来は、オペレータが自身の経験・知見を駆使しつつも、安全側（すなわち高温側）に製鋼プロセスの各工程の目標温度を設定せざるを得なかった。
【０００３】
そこで、操業実績データを活用して製鋼プロセスの各工程における目標温度を、階層型ニューラルネットワーク等の予測モデルを使ってパターン分類・予測することが考えられる。このような技術として特許文献１に記載の技術がある。特許文献１では、まず、転炉の吹止温度の終点挙動を、ニューラルネットワーク等を用いて大局的にグローバル推定した後、自己組織化マップモデル等を用いて、転炉吹練に関する操業条件を複数のグループにクラスタリングする。そして、クラスタリングしたグループ毎に、推定した転炉の吹止温度の誤差を、ニューラルネットワーク等を用いて評価・学習し、グローバル推定した転炉の吹止温度を、同定した誤差を用いて修正する。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００１−２９４９２８号公報
【非特許文献】
【０００５】
【非特許文献１】T.Kohonen著、「Self-organizing maps」、Springer、１９９６年
【発明の概要】
【発明が解決しようとする課題】
【０００６】
しかしながら、前述した従来の技術では、ニューラルネットワーク等の予測モデルの学習をする際に、操業実績データのみを学習用データとして用いているので、データ数が少ないことによる未学習部分の発生や過学習により、予測の精度が低下してしまう虞がある。一方で、学習用データをむやみに多くすると、計算の負荷が大きくなるばかりでなく、不適切な学習用データを採用してしまう虞がある。
本発明はこのような問題点に鑑みてなされたものであり、下工程の操業結果を予測するための予測モデルの学習用データを適切に選別しつつ、過学習を抑制できるようにすることを目的とする。
【課題を解決するための手段】
【０００７】
本発明の操業予測装置は、製品又は半製品を製造するための操業条件である操業影響因子を入力とし、該操業影響因子の影響を受けて決定される操業結果である操業結果因子を出力とする予測モデルを用いて操業結果因子の予測を行う操業予測装置であって、過去の操業実績についての前記操業影響因子及び前記操業結果因子の情報を含む複数の実績データから選択された学習用実績データと、該実績データのうちの２つのデータの間を補間する補間データから選択された学習用補間データと、を学習用データとして、前記予測モデルの学習を行うことを特徴とする。
【０００８】
本発明の操業予測方法は、製品又は半製品を製造するための操業条件である操業影響因子を入力とし、該操業影響因子の影響を受けて決定される操業結果である操業結果因子を出力とする予測モデルを用いて操業結果因子の予測を行う操業予測方法であって、過去の操業実績についての前記操業影響因子及び前記操業結果因子の情報を含む複数の実績データから選択された学習用実績データと、該実績データのうちの２つのデータの間を補間する補間データから選択された学習用補間データと、を学習用データとして、前記予測モデルの学習を行うことを特徴とする。
【０００９】
本発明のコンピュータプログラムは、前記操業予測方法の各工程をコンピュータに実行させることを特徴とする。
【発明の効果】
【００１０】
本発明によれば、過去の操業実績についての操業影響因子及び操業結果因子の情報を含む複数の実績データから選択された学習用実績データと、該実績データのうちの２つのデータの間を補間する補間データから選択された学習用補間データと、を学習用データとして、操業影響因子を入力とし操業結果因子を出力とする予測モデルの学習を行う。したがって、予測モデルの学習用データとして適切な補間データを学習用補間データとして選択し加えることによって、学習用データのデータ数が少ないことで生じる未学習部分の発生や過学習を抑制することができる。よって、予測モデルを用いた操業の予測を正確に行えるようにする。
【図面の簡単な説明】
【００１１】
【図１】本発明の第１の実施形態を示し、ＮＮを用いた予測結果と真の入出力関係との一例を概念的に示す図である。
【図２】本発明の第１の実施形態を示し、操業予測装置の機能的な構成の一例を示す図である。
【図３】本発明の第１の実施形態を示し、ＳＯＭの概念の一例を示す図である。
【図４】本発明の第１の実施形態を示し、ＳＯＭを使って生成する補間データの配置の一例を示す図である。
【図５】本発明の第１の実施形態を示し、ＳＯＭを使って生成する補間データの数に合わせてＳＯＭの設定パラメータを算出する方法の一例を説明する図である。
【図６】本発明の第１の実施形態を示し、ＳＯＭによる学習の様子の一例を概念的に示す図である。
【図７−１】本発明の第１の実施形態を示し、操業予測装置の処理動作の一例を説明するフローチャートである。
【図７−２】本発明の第１の実施形態を示し、図７−１に続くフローチャートである。
【図８】本発明の第２の実施形態を示し、操業予測装置の機能的な構成の一例を示す図である。
【図９】本発明の第２の実施形態を示し、操業予測装置の処理動作の（一部の）一例を説明するフローチャートである。
【図１０】本発明の実施例を示し、転炉の吹止温度の予測値（予測温度）と実績値（実績温度）との関係の一例を示す図である。
【発明を実施するための形態】
【００１２】
以下、図面を参照しながら、本発明の実施形態を説明する。
＜第１の実施形態＞
まず、本発明の第１の実施形態について説明する。
図１は、予測モデルを用いた予測結果と真の入出力関係との一例を概念的に示す図である。具体的に図１（ａ）は、従来のように、実績データのみを学習用データとして用いた局所予測モデルによる予測結果と真の入出力関係との一例を示す。
図１（ａ）に示すように、実績データ１０１のみを学習用データとした局所予測モデルを用いると、学習用データの数が少ないために、予測結果１１０と真の入出力関係１２０との差が大きくなることがある。
これに対して、図１（ｂ）は、本実施形態での局所予測モデルによる予測結果と真の入出力関係との一例を示す。本実施形態では、後述する実績データから構築した自己組織化マップ（ＳＯＭ）を用いて、疎らに存在する実績データを補間する補間データを生成する。図１（ｂ）に示すように、実績データ１０１にＳＯＭによる補間データ１０２を学習用データとして加えて局所予測モデルの学習を行うと、予測結果１３０の真の入出力関係１２０に対する精度の向上が可能となる。
以下、このように局所予測モデルによる予測結果を向上させて、局所予測モデルを用いた操業の予測を正確に行えるようにする操業予測装置の一実施形態について説明する。
【００１３】
図２は、操業予測装置２００の機能的な構成の一例を示す図である。操業予測装置２００は、例えば、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＨＤＤ、及び各種のインターフェースを備えた情報処理装置（例えばＰＣ）を用いることにより実現される。尚、本実施形態では、製鋼プロセスにおける転炉の吹止温度を操業結果因子とする場合を例に挙げて説明する。転炉の吹止温度は転炉における最高温度であり、ここで必要な温度を正確に予測することができれば、吹止温度が過剰に高く設定されている場合にそれを適切な値に下げることにより、製鋼プロセスにおける操業温度を下げることが可能となる。
【００１４】
ここで、製鋼プロセスの一例を簡単に説明する。まず、製銑プロセスで得られた溶銑を転炉に装入する。次に、転炉により、溶銑中の燐や炭素等を取り除き（一次精錬を行い）、これにより出来上がった溶鋼を転炉から取鍋に移す。溶鋼を転炉から取鍋に移す作業を出鋼と呼ぶ。出鋼の際に、溶鋼と同時に、成分調整のための合金を併せて投入する。次に、取鍋内の溶鋼に含まれる水素や窒素等の気体を取り除くと共に、成分調整のための合金を溶鋼に添加する二次精錬を行う。最後に、取鍋内の溶鋼を連続鋳造機（の鋳型）に流し込み、連続鋳造機により鋼片を製造する。
【００１５】
操業予測装置２００は、後述するＳＯＭを使用して補間データを生成し、実績データと生成した補間データとを用いて、階層型ニューラルネットワークとして構築された予測モデルを学習し、学習後の予測モデル（階層型ニューラルネットワーク）を用いた操業の予測を行う装置である。
【００１６】
以下に、図２に示す操業予測装置２００の各ブロックの詳細を説明する。
（データ取得部２０１）
データ取得部２０１は、データを外部から取得して記憶する。本実施形態では、データとして、実績データＸj及び操業結果予測対象データＦを取得する。実績データＸjとは、後述するＳＯＭ学習部２０６にて、ＳＯＭの学習に用いられる操業実績データである。実績データＸjとしては、以下の（１）〜（３７）の３７次元の実績データを取得するものとする。操業結果予測対象データＦとは、オペレータによるユーザインターフェースの操作に基づいて入力されるデータであって、後述する予測モデルへの入力とするデータである。操業結果予測対象データＦとしては、以下の（１）〜（３６）の３６次元の実績データを取得するものとする。
【００１７】
（１）装入量合計（材料因子）；転炉へ投入される溶銑の総量（重量）
（２）Ｄ０１（材料因子）；金属種Ｄ０１の投入量（重量）
（３）Ｄ０２（材料因子）；金属種Ｄ０２の投入量（重量）
（４）Ｄ０３（材料因子）；金属種Ｄ０３の投入量（重量）
（５）Ｄ０４（材料因子）；金属種Ｄ０４の投入量（重量）
（６）Ｄ０５（材料因子）；金属種Ｄ０５の投入量（重量）
（７）Ｄ０６（材料因子）；金属種Ｄ０６の投入量（重量）
（８）Ｄ０７（材料因子）；金属種Ｄ０７の投入量（重量）
（９）Ｄ０８（材料因子）；金属種Ｄ０８の投入量（重量）
（１０）Ｄ０９（材料因子）；金属種Ｄ０９の投入量（重量）
（１１）Ｄ１０（材料因子）；金属種Ｄ１０の投入量（重量）
（１２）Ｄ合計（材料因子）；金属種Ｄ０１〜Ｄ１０の投入量（重量）の合計
【００１８】
（１３）Ｇ０１（材料因子）；金属種Ｇ０１の投入量（重量）
（１４）Ｇ０２（材料因子）；金属種Ｇ０２の投入量（重量）
（１５）Ｇ０３（材料因子）；金属種Ｇ０３の投入量（重量）
（１６）Ｇ０４（材料因子）；金属種Ｇ０４の投入量（重量）
（１７）Ｇ０５（材料因子）；金属種Ｇ０５の投入量（重量）
（１８）Ｇ０６（材料因子）；金属種Ｇ０６の投入量（重量）
（１９）Ｇ合計（材料因子）；金属種Ｇ０１〜Ｇ１０の投入量（重量）の合計
【００１９】
（２０）取鍋最終（温度因子）；出鋼温度（転炉から取鍋に移されたときの溶鋼の温度）
（２１）装入（鍋状況因子）；装入の処理にかかった時間
（２２）鍋ＮＯ（鍋状況因子）；取鍋に固有の番号
（２３）修理後回数（鍋状況因子）；取鍋の耐火物を簡単に補修（熱間補修）してからの取鍋の使用回数
（２４）累計回数（鍋状況因子）；大規模に取鍋の耐火物を補修（冷間補修）してからの取鍋の使用回数
（２５）鍋下がり（鍋状況因子）；取鍋に関する情報
（２６）スラグ厚（鍋状況因子）；取鍋に関する情報
（２７）即時開孔（鍋状況因子）；取鍋に関する情報
（２８）ＡＭＥＰＡ回数（鍋状況因子）；取鍋に設置のスラグ検出器に関する情報
（２９）ＡＭＥＰＡ可否（鍋状況因子）；取鍋に設置のスラグ検出器に関する情報
（３０）空鍋時間（鍋状況因子）；取鍋に関する情報（取鍋から溶鋼が連続鋳造機に流し込まれた後、当該取鍋に転炉から次の溶鋼が移されるまでの時間（すなわち、取鍋が空となっている時間））
（３１）炉号（鍋状況因子）；どの転炉を使用したかを示す情報
（３２）炉代（鍋状況因子）；使用している転炉の鍋に固有の番号
（３３）炉回数（代）（鍋状況因子）；溶鋼を出す孔（出鋼孔）の交換回数を示す情報（この孔は使用すると大きくなる）
（３４）炉回数（回）（鍋状況因子）；溶鋼を出す孔の交換後の使用回数を示す情報
（３５）銑鉄（温度因子）；溶銑の温度
（３６）取鍋１（温度因子）；出鋼温度（「取鍋最終」とは計測タイミングが異なる）
（３７）吹止温度（操業結果因子）；転炉の吹止温度
【００２０】
ここで、（３７）の操業結果因子は、予測対象である転炉の吹止温度であり、ここでは、転炉の吹き止めから出鋼完了までの温度降下量の実績値に出鋼温度目標値を加えた温度が操業結果因子として設定される。操業結果因子として得られる吹止温度は、操業上の目標値として使用されるものである。（１）〜（１９）の材料因子は、転炉へ投入される溶銑の総量と、製造している製品（鋼片）の成分（金属種）と、転炉吹き止め後に生じる溶鋼温度に与える製造条件の１つである「各金属種の投入量（ton／溶鋼量）」とを示す因子である。各金属種は、出鋼時と二次精錬時に投入（添加）されるが、材料因子として含まれる投入量は、出鋼時の投入量を示す。（２１）〜（３４）の鍋状況因子は、出鋼時に溶鋼を受ける器である取鍋の状況を示す因子である。（２０）、（３５）、（３６）の温度因子は、吹き止め後の温度降下を示す因子である。予測を行う際には実績が存在しないので、温度因子として目標値を用いる。ここで、（１）〜（１９）の材料因子、（２１）〜（３４）の鍋状況因子、及び（２０）、（３５）、（３６）の温度因子は、溶鋼を製造するための操業条件であり、（３７）の操業結果因子（操業結果として決まる因子）に影響を与えるので、操業影響因子と呼ばれる。
各チャージに付随する実績データの中には、使用する二次精錬設備名や連続鋳造設備名等、出鋼過程に全く関係ないものが含まれる。そこで、本実施形態では、出鋼過程に関係する３７次元の実績データを採用するようにした。ただし、採用する実績データは、３７次元の実績データに限定されるものではない。
【００２１】
データ取得部２０１は、例えば、通信インターフェースが上位のコンピュータから実績データＸjと操業結果予測対象データＦの受信を行った後、又は、ＣＰＵが記憶媒体に記憶された実績データＸjと操業結果予測対象データＦの読み出しを行った後、又は、オペレータによるユーザインターフェースの操作に基づいて入力された操業結果予測対象データの読み出しを行った後、ＣＰＵが実績データＸjと操業結果予測対象データＦをＨＤＤ等に記憶することによって実現される。
尚、実績データに含まれる因子は前述したものに限定されず、また、各因子の具体的な項目の内容及び数も前述したものに限定されない。
【００２２】
（データ正規化部２０２）
データ正規化部２０２は、データ取得部２０１で取得された実績データＸj及び操業結果予測対象データＦの値を正規化する。データ正規化部２０２は、実績データＸの各因子の項目毎に予め設定されている最大値及び最小値を記憶媒体から読み出し、以下の（１）式の計算を行うことにより正規化値を算出する。
正規化値＝（実績値−最小値）／（最大値−最小値） ・・・（１）
【００２３】
（１）式において、「実績値」は、実績データＸj及び操業結果予測対象データＦの値である。また、「最大値」は、実績データＸj及び操業結果予測対象データＦの各項目において想定される最大値であり、「最小値」は、実績データＸj及び操業結果予測対象データＦの各項目において想定される最小値である。このように「最大値」及び「最小値」は、想定値であり、オペレータにより予め操業予測装置２００に設定されるものである。ただし、「最大値」及び「最小値」を、それぞれ実績データＸj及び操業結果予測対象データＦの最大値及び最小値としてもよい。
（１）式の計算を行うことによって、実績データＸj及び操業結果予測対象データＦは０以上１以下の値のデータとなる。以降に説明する各ブロックで使用される実績データＸj及び操業結果予測対象データＦは、全て、データ正規化部２０２で正規化された実績データＸj及び操業結果予測対象データＦである。以下の説明では、必要に応じて「正規化した実績データ」、「正規化した操業結果予測対象データ」を、それぞれ「実績データ」、「操業結果予測対象データ」と称する。
【００２４】
データ正規化部２０２は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＨＤＤ等から、実績データＸj及び操業結果予測対象データＦと、実績データＸj及び操業結果予測対象データＦの各項目の「最大値及び最小値」とを読み出して（１）式の計算を行い、その結果を、ＲＡＭ等に記憶することによって実現される。
【００２５】
（ＳＯＭパラメータ設定部２０３）
本実施形態では、後述するように、自己組織化マップ（Self-Organizing Maps）を用いて、階層型ニューラルネットワークとして構築された予測モデルの学習に用いる「実績データの補間データ」を生成するようにしている。以下に、自己組織化マップの概要を説明する。尚、自己組織化マップの詳細については、非特許文献１等に記載されている。また、以下の説明では、必要に応じて「ニューラルネットワーク」を「ＮＮ」と称し、「自己組織化マップ」を「ＳＯＭ」と称する。
【００２６】
ＳＯＭとは、多次元ベクトルの形で表現されたデータの集合から各々のデータの類似性を見出し、類似するデータ同士を２次元平面上の近傍へマッピングしておくことで、多数の高次元データを分類し、その特徴を抽出するデータマイニング手法である。ＳＯＭは、教師無し競合学習のアルゴリズムを持つ階層型ＮＮに相当する。ただし、ＳＯＭは、予測モデル構築に用いられる階層型ＮＮとは別のＮＮである。ＳＯＭは、データに関する外的基準を与えることなく、高次元データをその特徴に応じて分類し、低次元のマップ上に視覚化できることが特徴である。
【００２７】
図３は、ＳＯＭの概念の一例を示す図である。
図３に示すように、ＳＯＭは、入力層３０１と競合層３０２の２つの層からなる。
第１層は、ｎ次元の入力層３０１（Ｘj＝（Ｘj1，Ｘj2，・・・，Ｘjn）は（ｊ＝１，２，・・・，Ｊ；Ｊは実績データの数）である。前述したように本実施形態では、実績データは３７次元のデータであるので、ｎは「１９」となる。第２層は、例えば２次元の格子状に配置されたＳＯＭニューロンからなる競合層３０２である。尚、ここで、「ＳＯＭニューロン」という呼称の「ＳＯＭ」は、予測モデルに用いられるＮＮのニューロンと区別して説明するための都合上、付したものである。このように、ＳＯＭには、入力層３０１のＳＯＭニューロンと競合層３０２のＳＯＭニューロンとが存在するが、以降に説明するＳＯＭの学習においては、競合層３０２のＳＯＭニューロンが対象になるので、今後断り無しに「ＳＯＭニューロン」と言う場合には、競合層３０２のＳＯＭニューロンを指すものとする。
ＳＯＭによる補間データの作成の考え方としては、複数の実績データＸjを、競合層３０２のＳＯＭニューロンのうちの１つにそれぞれ対応付けて、複数の実績データＸjに対応付いたＳＯＭニューロンの値（ＳＯＭニューロンの内部に保持している参照ベクトル）を実績データＸjに近づくように修正を行う。これと同時に競合層３０２上で隣接する近傍のＳＯＭニューロンに対しても同様に、ＳＯＭニューロンの値の修正量を減じて修正を行う。これを繰り返して得られる競合層３０２のＳＯＭニューロンが、補間データを表すものとする。
【００２８】
入力層３０１のＳＯＭニューロンと競合層３０２のＳＯＭニューロンとは、全て連結している。図３は、競合層３０２のＳＯＭニューロンの１つであるｉと、入力層３０１の各ニューロンとの結合を示す図であり、競合層３０２の全てのＳＯＭニューロンｉと入力層３０１の各ＳＯＭニューロンとの間に、同様の結合が存在する。競合層３０２のＳＯＭニューロンｉと入力層３０１との結合重み係数ベクトルを、参照ベクトル（ｍi（ｔ）＝（ｍ1i，ｍ2i，・・・，ｍni）、（ｉ＝１，２，・・・，Ｉ；Ｉは競合層３０２のニューロンの数））と呼ぶ。また、参照ベクトルは、ＳＯＭニューロンに設定する２つの設定項目のうちの１つであり、ＳＯＭニューロンの値とも呼ぶ。尚、ｔは、後述するＳＯＭの学習の回数であり、初期値を０とし、学習が行われる度にインクリメントされる。以降のＳＯＭの学習では、実績データＸjを教師として、参照ベクトルを教師に近付けるように修正するように学習が行われる。
【００２９】
ＳＯＭパラメータ設定部２０３は、競合層３０２（仮想空間）において、２次元の格子状にＳＯＭニューロンを配置する。このときＳＯＭニューロンに設定する２つの設定項目うちの１つである競合層３０２の仮想空間上の位置を示す座標が設定される。２次元の格子状にＳＯＭニューロンを配置する場合、ＳＯＭニューロンの座標を（Ｘ1，Ｘ2）で表す。以降のＳＯＭの学習では、競合層３０２の仮想空間上の位置を示す座標は、一度定められた座標を修正しない。実績データＸjを教師として、参照ベクトルを教師に近付けるように修正するように学習が行われる。ここで配置されるＳＯＭニューロンの数Ｉは、実績データのセット数Ｊ（前述した（１）〜（３７）のデータのセットの数）よりも多くし、この条件の下で、隣接する２つの実績データＸjの間を補間する補間データの数Ｐの２乗に比例する、具体的には、ＳＯＭニューロンの数Ｉが、以下の（２）式のようになるのが好ましい。
Ｉ＝Ｊ×（Ｐ＋１）2 ・・・（２）
【００３０】
例えば、ＳＯＭニューロンを競合層３０２の２次元の仮想空間に格子状に配置した状況で、実績データＸjを用いてＳＯＭニューロンを十分学習した結果、実績データＸjと見なせるＳＯＭニューロン（仮に実績ＳＯＭニューロンと呼ぶ）と、補間データとなるＳＯＭニューロン（仮に補間ＳＯＭニューロンと呼ぶ）とが競合層３０２（仮想空間上）で配置が均一となるように生成されたとする。
【００３１】
図４は、ＳＯＭを使って生成する補間データの配置の一例を示す図である。
図４には、一例として、２個の実績ＳＯＭニューロン４０１の間に１個の補間ＳＯＭニューロン４０２が生成されるように配置した場合を示す（実際には必ずしもこのように配置されない）。２種類のＳＯＭニューロン４０１、４０２が均一に生成されているので、４つのＳＯＭニューロンを１単位として、全体はこの単位の繰り返し配置となっている（図４に示す領域４０３に含まれる４つのＳＯＭニューロン４０１ａ、４０２ａ、４０２ｃ、４０２ｄが１単位であり、図４では４単位分を示している）。この場合、１つの実績データＸjに対して４倍（内訳は、実績ＳＯＭニューロン４０１が１、補間ＳＯＭニューロン４０２が３）のＳＯＭニューロンを用意する必要がある。
【００３２】
図５は、ＳＯＭを使って生成する補間データの数に合わせてＳＯＭの設定パラメータ（ＳＯＭニューロンの数Ｉ）を算出する方法の一例を説明する図である。
２個の実績ＳＯＭニューロン４０１の間にＰ個の補間ＳＯＭニューロン４０２を配置する場合のＳＯＭニューロンの繰り返し配置の１単位分を図５に示す。１単位に含まれるＳＯＭニューロン４０１、４０２の合計数は（１＋Ｐ）2個あり、その内の１個が実績ＳＯＭニューロン４０１であり、それ以外は補間ＳＯＭニューロン４０２に相当する。つまり実績データＸjの（１＋Ｐ）2倍の個数のＳＯＭニューロンを用意する必要がある。尚、ここで説明のために使用した実績ＳＯＭニューロン４０１と補間ＳＯＭニューロン４０２との両者を、後述する勝者実績データ抽出部２１２では、実績データＸjの補間データとして区別なくＳＯＭニューロンと扱っている。
本実施形態では、ＳＯＭパラメータ設定部２０３は、５０×８２個のＳＯＭニューロン４０１、４０２を配置するものとする。実績データの数Ｊ＝１０２４個に対して補間データの数Ｐ＝１個としたので、ＳＯＭニューロンの数を１０２４×（１＋１）2＝４０９６個以上となるように、ＳＯＭニューロンを２次元の格子状に配置した。
【００３３】
次に、ＳＯＭパラメータ設定部２０３は、競合層３０２で２次元の格子状に配置したＳＯＭニューロンの参照ベクトルに対して初期値を設定する。すなわち、ＳＯＭパラメータ設定部２０３は、２次元の格子状に配置したＳＯＭニューロンｉと、３７次元の入力層３０１とを、３７次元の参照ベクトルの初期値（ｍi（０））で連結することを、２次元の格子状に配置したＳＯＭニューロンｉのそれぞれについて行う（図３を参照）。３７次元の参照ベクトルの初期値は、例えば、乱数を用いることにより決定することができる。このＳＯＭニューロンの値（３７次元の参照ベクトル）は、実績データＸjと対比されるデータとなる。
【００３４】
図６は、ＳＯＭによる学習（競合学習）の様子の一例を概念的に示す図である。競合学習は、競合層３０２に配置したＳＯＭニューロンの一部を選択し、参照ベクトルを実績データＸjに合わせて修正を繰り返すことで行われる。図６に示す矢印付きの丸は、競合層３０２におけるＳＯＭニューロンを示し、丸内の矢印は、当該ＳＯＭニューロンの値（参照ベクトル）を表す。概念としては、図６に示す例のように、ＳＯＭパラメータ設定部２０３によって、初期状態６０１が設定される。
ＳＯＭパラメータ設定部２０３は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＳＯＭの初期状態の設定（ＳＯＭニューロンの配置（座標）と初期値の設定）を行い、その結果を、ＲＡＭ等に記憶することにより実現される。
【００３５】
（実績データ選択部２０４）
実績データ選択部２０４は、実績データ正規化部２０２で正規化された実績データＸj（のセット）のうち、未選択の実績データＸjを１つ選択する。
実績データ選択部２０４は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等から実績データを読み出して、当該実績データをＳＯＭの学習対象の実績データとしてＲＡＭ等に記憶することにより実現される。
（勝者ＳＯＭニューロン決定部２０５）
勝者ＳＯＭニューロン決定部２０５は、実績データ選択部２０４で選択された実績データＸjの値（ベクトル）と、２次元の格子状に配置されたＳＯＭニューロンの値（参照ベクトル）とのユークリッド距離を算出する。そして、勝者ＳＯＭニューロン決定部２０５は、算出したユークリッド距離が最小となるＳＯＭニューロンを勝者ＳＯＭニューロンとして決定する。概念としては、図６に示す例のように、初期状態６０１のＳＯＭニューロンの中から、実績データ６１０と矢印の方向が最も近いＳＯＭニューロン６０２を選択することを指し、実績データ６１０と最も近いということで選択されたことを例えて「勝者」と名付けている。
【００３６】
具体的には、勝者ＳＯＭニューロン決定部２０５は、以下の（３）式の計算を行って勝者ＳＯＭニューロン６０２を決定する。
｜Ｘj−ｍc（ｔ）｜＝ｍｉｎ｜Ｘj−ｍi（ｔ）｜ ・・・（３）
ここで、Ｘjは、ｊ番目の３７次元の実績データ（３７次元の参照ベクトルに相当）であり、ｍi（ｔ）は、ＳＯＭニューロンｉの現在値（３７次元の参照ベクトル）である。また、ｍｉｎは、最小を採用することを示し、ｃは勝者ＳＯＭニューロン６０２であることを示す。
尚、本実施形態では、ＳＯＭニューロンの数が４１００個（＝５０×８２）であるので（すなわちｉが１〜４１００をとり得るので）、（３）式の右辺の「Ｘj−ｍi（ｔ）」の値は４１００個得られる。
勝者ＳＯＭニューロン決定部２０５は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等から、ＳＯＭの初期状態６０１と、ＳＯＭの学習対象の実績データとを読み出して（３）式の計算を行って勝者ＳＯＭニューロン６０２を決定し、決定した勝者ＳＯＭニューロン６０２の情報をＲＡＭ等に記憶することによって実現される。
【００３７】
（ＳＯＭ学習部２０６）
ＳＯＭ学習部２０６は、勝者ＳＯＭニューロン決定部２０５により決定された勝者ＳＯＭニューロン６０２の値（参照ベクトル）と、競合層６０２上の配置で勝者ＳＯＭニューロン６０２に近い位置にある近傍ＳＯＭニューロンの値（参照ベクトル）とを、実績データ選択部２０４で選択された実績データＸjの値（ベクトル）に近づける処理（学習処理）を、全ての実績データＸjについて個別に行う。全ての実績データＸjについて１度ずつ学習処理を行うことよって、学習回数を１回と数え、ｔを１だけ増加させる。概念としては、図６に示す例のように、勝者ＳＯＭニューロン６０２と近傍ＳＯＭニューロン６０３ａ〜６０３ｈの矢印の方向が、実績データ６１０の矢印の方向に近づくようにする（図６の「更新」と示されているＳＯＭニューロン６０２と６０３ａ〜６０３ｈを含むハッチング箇所を参照）。
【００３８】
本実施形態では、競合層３０２上の配置で勝者ＳＯＭニューロン６０２の座標に近いほど、参照ベクトルの修正量を大きくすると共に、ＳＯＭの学習の回数ｔが小さいほど、参照ベクトルの修正量を大きくするようにしている。具体的には、ＳＯＭ学習部２０６は、以下の（４）式の計算を行って、ＳＯＭの学習を行う（勝者ＳＯＭニューロン６０２の値と近傍ＳＯＭニューロン６０３ａ〜６０３ｈの値とを修正する）。
ｍi（ｔ＋１）＝ｍi（ｔ）＋ｈci（ｔ）×｜Ｘj−ｍi（ｔ）｜ ・・・（４）
【００３９】
（４）式において、ｍi（ｔ）は、i番目の勝者ＳＯＭニューロン６０２の、学習回数ｔにおける値（参照ベクトル）、又は近傍ＳＯＭニューロン６０３の、学習回数ｔにおける値（参照ベクトル）である。Ｘjは、実績データ選択部２０４で選択されたｊ番目の実績データの値（ベクトル）である。また、ｍi（ｔ＋１）は、ｉ番目の勝者ＳＯＭニューロン６０２の、学習回数ｔ＋１（すなわち更新後）における値（参照ベクトル）、又は近傍ＳＯＭニューロン６０３の、学習回数ｔ＋１における値（参照ベクトル）である。ここで、ｈci（ｔ）は近傍関数と称されるものであり、例えば、以下の（５）式〜（７）式のように表される。近傍関数ｈci（ｔ）は、ＳＯＭニューロンの値（参照ベクトル）と実績データの値（ベクトル）との差を小さくするための変更量を決める係数である。近傍関数ｈci（ｔ）が１の場合には、１回の学習（修正）でＳＯＭニューロンの値は実績データの値と一致することになる。
【００４０】
ｈci（ｔ）＝α（ｔ）×[（Ｒcut（ｔ）−ｒci）／Ｒcut（ｔ）] ・・・（５）
α（ｔ）＝α0×（１−ｔ／Ｔ） ・・・（６）
Ｒcut（ｔ）＝Ｒcut0×（１−ｔ／Ｔ） ・・・（７）
ここで、α（ｔ）は学習率であり、その値は学習回数ｔに依存する。Ｒcut（ｔ）は競合層３０２でＳＯＭニューロンが配置されている仮想空間（２次元平面）上での距離を示す、カットオフ距離であり、その値は学習回数ｔに依存する（本実施形態では、このカットオフ距離Ｒcut（ｔ）をＳＯＭニューロンの座標を用いたマンハッタン距離で表す）。マンハッタン距離とは、２点の各座標の差の絶対値の総和を距離と定義するものである。
式で表すと、点ａ（座標（ａ1，ａ2））と点ｂ（座標（ｂ1，ｂ2））の間のマンハッタン距離Ｌ(ａ，ｂ)は以下の（８）式で表せる。
【００４１】
【数１】
【００４２】
（８）式において、添字ｋはベクトルの各要素を表している。ｎは、競合層３０２上の仮想空間の次元数を表している。
勝者ＳＯＭニューロン６０２から、競合層３０２上の配置で、このカットオフ距離Ｒcut（ｔ）内にあるＳＯＭニューロンが近傍ＳＯＭニューロン６０３となる。また、（５）式のｒciは、勝者ＳＯＭニューロン６０２と近傍ＳＯＭニューロン６０３との競合層３０２上での距離である（本実施形態では、この距離ｒciをマンハッタン距離で表す）。尚、勝者ＳＯＭニューロン６０２について（４）式の計算をする場合には、ｒciは０（ゼロ）になる。また、（６）式において、α0は学習率α（ｔ）の初期値であり、（７）式において、Ｒcut0はカットオフ距離Ｒcut（ｔ）の初期値であり、（６）式及び（７）式において、Ｔは総学習回数である。
【００４３】
（５）式〜（７）式に示すように、本実施形態では、競合層３０２上の配置で、勝者ＳＯＭニューロン６０２から近い位置にある近傍ＳＯＭニューロン６０３であるほど学習量（参照ベクトルの修正量）が大きくなり、学習回数ｔが増加するほど学習量（参照ベクトルの修正量）が小さくなるようにしている。
本実施形態では、総学習回数Ｔは１００であり、カットオフ距離Ｒcut（ｔ）は、その初期値Ｒcut0をＲcut0＝２４としたので、２４から０まで学習回数ｔの増加と共に減少する関数である。学習率α（ｔ）は、その初期値α0をα0＝０．５としたので、０．５から０まで学習回数ｔの増加と共に減少する関数であるとする。
ＳＯＭ学習部２０６は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等から、勝者ＳＯＭニューロン６０２の情報と、ＳＯＭの状態（競合層３０２上の各ＳＯＭニューロン（座標と参照ベクトル））と、実績データＸjとを読み出すと共に、ＨＤＤ等から、総学習回数Ｔと、学習率の初期値α0と、カットオフ距離の初期値Ｒcut0を読み出して、（４）式〜（７）式の計算を行って勝者ＳＯＭニューロン６０２及び近傍ＳＯＭニューロン６０３の値（参照ベクトル）を更新し、更新後のＳＯＭの状態の情報をＲＡＭ等に記憶することによって実現される。
【００４４】
（ＳＯＭ学習終了判定部２０７、ＳＯＭ記憶部２０８）
ＳＯＭ学習終了判定部２０７は、ＳＯＭ学習部２０６によるＳＯＭの学習を終了するか否かを判定する。例えば、ＳＯＭ学習部２０６によるＳＯＭの学習を総学習回数Ｔ実行すると、ＳＯＭ学習終了判定部２０７は、ＳＯＭ学習部２０６によるＳＯＭの学習を終了すると判定することができる。また、勝者ＳＯＭニューロン６０２及び近傍ＳＯＭニューロン６０３について求めた（４）式の右辺第２項の値を加算し、加算値が所定値を下回った場合には、勝者ＳＯＭニューロン６０２及び近傍ＳＯＭニューロン６０３の値（参照ベクトル）の修正量が小さくなったと判断し、ＳＯＭ学習終了判定部２０７は、ＳＯＭ学習部２０６によるＳＯＭの学習を終了すると判定することができる。このように、ＳＯＭ学習終了判定部２０７によるＳＯＭの学習の終了判定の方法は、特に限定されるものではない。
【００４５】
そして、ＳＯＭ学習部２０６によるＳＯＭの学習を終了すると判定すると、ＳＯＭ記憶部２０８は、そのときにＳＯＭ学習部２０６で学習されたＳＯＭの状態（競合層３０２上の各ＳＯＭニューロン（座標と参照ベクトル））を、学習終了時のＳＯＭニューロン（座標と参照ベクトル）として記憶媒体に記憶する。
ＳＯＭ学習終了判定部２０７は、例えば、ＣＰＵが、コンピュータプログラムに従って、前述した判定基準による判定を行うことによって実現される。また、ＳＯＭ記憶部２０８は、例えば、ＣＰＵが、コンピュータプログラムに従って、学習終了時のＳＯＭの状態の情報をＲＡＭ等に記憶することによって実現される。
【００４６】
以上説明した処理により、ＳＯＭの学習と、ＳＯＭによる補間データの生成とが行われる。以降説明する処理では、以下の手順で予測モデルの学習を行う。以下で学習される予測モデルは、操業結果予測対象データＦの１つに対して、１つ構築される。つまり、１個の操業結果予測対象データＦに対する予測を行った後に予測モデルが破棄され、また異なる操業結果予測対象データＦに対して新たな予測モデルを構築することを繰り返す。
【００４７】
ａ）ＳＯＭによって生成されたそれぞれの補間データに最も近い実績データＸj（つまり、当該補間データがどの実績データＸjを補間するものであるのか）を選択して、補間データとの紐付けを少なくとも１つ行う。補間データと紐付けられた実績データＸjを、当該補間データに対する勝者実績データと呼ぶ（勝者実績データ関連部２０９）。
ｂ）操業結果予測対象データＦ（段落［００１８］で説明した、まだ操業実績が存在しない操業であって、操業結果因子を予測モデルによって予測したい対象である操業についての操業影響因子からなるデータ）から１つを選択して、予測モデル学習用ＳＯＭニューロン選択用データとして指定する（操業結果予測対象データ指定部２１０）。
【００４８】
ｃ）前記予測モデル学習用ＳＯＭニューロン選択用データは、予測したい操業結果因子がまだ存在しないデータであるため、当該予測モデル学習用ＳＯＭニューロン選択用データに近い操業条件の補間データ（ＳＯＭニューロン）を、予測モデル学習用ＳＯＭニューロン（＝学習用補間データ）として選択する（予測モデル学習用ＳＯＭニューロン選択部２１１）。
ｄ）前記ａ）で行った紐付けに従い、前記予測モデル学習用ＳＯＭニューロンに紐付けられた勝者実績データを選択する。この勝者実績データは、操業結果因子を予測したい操業結果予測対象データに近い操業条件の実績データ（＝学習用実績データ）ということになる（勝者実績データ抽出部２１２）。
ｅ）前記ｃ）で選択された予測モデル学習用ＳＯＭニューロン（これを学習用補間データと呼ぶ）と、前記ｄ）で選択された勝者実績データ（これを学習用実績データと呼ぶ）とを用いて、予測モデルの学習を行う。
以下に、各処理について詳細の手順を説明する。
【００４９】
（勝者実績データ関連部２０９）
勝者実績データ関連部２０９では、予測モデルを構築する際に補間データとして使用されるＳＯＭニューロンが、何れの実績データＸjの補間データになっているかを少なくとも１つ示す。勝者実績データ関連部２０９は、学習終了時のＳＯＭニューロンｉを１つ指定して、指定したＳＯＭニューロンｉと、実績データ正規化部２０２で正規化された全ての実績データＸjの値（ベクトル）とのユークリッド距離を算出する。そして、勝者実績データ関連部２０９は、算出したユークリッド距離が最小となる実績データＸjを、指定したＳＯＭニューロンに対する勝者実績データＸcとして決定する。この具体的な計算は、例えば、（９）式のｍi（ｔ）を、学習終了時のＳＯＭニューロンの値（参照ベクトル）とし、Ｘjを、実績データの値（ベクトル）とし、Ｘcを、勝者実績データの値（ベクトル）とすれば実現できる。尚、この勝者実績データの決定は、競合層３０２上のＳＯＭニューロンのそれぞれについて個別に行われる。
｜ｍi（ｔ）−Ｘc｜＝ｍｉｎ｜ｍi（ｔ）−Ｘj｜ ・・・（９）
【００５０】
そして、勝者実績データ関連部２０９は、学習終了時のＳＯＭニューロンのそれぞれと、当該ＳＯＭニューロンとユークリッド距離が最も近い勝者実績データＸcの値とを相互に関連付けて記憶媒体に記憶する。
勝者実績データ関連部２０９は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等から、全ての実績データの値（ベクトル）と、学習終了時のＳＯＭニューロンの値とを読み出し、前述した計算を行って、勝者実績データの値を算出し、学習終了時のＳＯＭニューロンの夫々に対して、勝者実績データＸcの値を関連付けてＲＡＭ等に記憶することにより実現される。
【００５１】
（操業結果予測対象データ指定部２１０）
操業結果予測対象データ指定部２１０は、データ正規化部２０２で正規化された操業結果予測対象データＦ（ベクトル）の１つを指定して、それを予測モデル学習用ＳＯＭニューロン選択用データＦsとする。本実施形態では、材料因子は１９次元の情報であり、鍋状況因子は１４次元の情報であり、温度因子は３次元の情報である。よって、予測モデル学習用ＳＯＭニューロン選択用データＦsは３６次元のベクトルで表現される。ただし、転炉の吹止温度を操業結果因子として予測する際には、温度因子に関しては実績値を入手できないため、目標値を用いる。
操業結果予測対象データ指定部２１０は、例えば、ＣＰＵが、ＲＡＭ等から、操業結果予測対象データの値（ベクトル）を読み出して予測モデル学習用ＳＯＭニューロン選択用データの情報としてＲＡＭ等に記憶することにより実現される。
【００５２】
（予測モデル学習用ＳＯＭニューロン選択部２１１）
予測モデル学習用ＳＯＭニューロン選択部２１１は、予測モデルとして構築するニューラルネットワーク（ＮＮ）を構築する際に必要となる学習用補間データを、ＳＯＭニューロンから選択するものである。学習終了時のＳＯＭニューロンの値（参照ベクトル：３７次元）のうち予測モデルの計算によって得られる因子（本実施形態では、操業結果因子１次元）を除く値ｍi-（３６次元ベクトル）と、操業結果予測対象データ指定部２１０で指定された予測モデル学習用ＳＯＭニューロン選択用データＦsの値（３６次元ベクトル）とのユークリッド距離を算出する。そして、予測モデル学習用ＳＯＭニューロン選択部２１１は、算出したユークリッド距離が小さいものから順に、所定数のＳＯＭニューロンを予測モデル学習用ＳＯＭニューロン（学習用補間データ）として選択する。尚、以下の説明では、前記所定数を必要に応じて「近傍点数」と称する。
【００５３】
具体的な計算は、例えば、（１０）式のＦsを、予測モデル学習用ＳＯＭニューロン選択用データの値（ベクトル）とし、ｍi-（ｔ）を、学習終了時のＳＯＭニューロンの値のうち予測モデル学習用ＳＯＭニューロン選択用データに対応する因子の値（＝ＮＮの予測によって得られる因子を除く値（ベクトル））とし、ｍc-（ｔ）を、選択するＳＯＭニューロンの値（ベクトル）とすれば実現できる。
｜Ｆs−ｍc-（ｔ）｜＝ｍｉｎ｜Ｆs−ｍi-（ｔ）｜ ・・・（１０）
【００５４】
ここで、本実施形態では、近傍点数として、「２５、１２１、２２５、４４１、及び６２５」の５つの数を予め設定している。本実施形態では、近傍点数が、これら５つの近傍点数のそれぞれの場合について、後述するようにして（ＮＮ予測結果出力部２１６により）操業結果因子（転炉の吹止温度）を算出する。そして、算出された５つの操業結果因子（転炉の吹止温度）のうち、以下の（１１）式で定義される決定係数Ｒ2の値が最も大きくなったときの操業結果因子（転炉の吹止温度）を採用する。
【００５５】
【数２】
【００５６】
（１１）式において、ｊは、１，２，・・・，Ｊの整数（Ｊは実績データの数）である。ｙjは、転炉の吹止温度の実績値である。ｙ-は、転炉の吹止温度の実績値ｙjの平均値である。ｆjは、転炉の吹止温度の予測値である。
【００５７】
予測モデル学習用ＳＯＭニューロン選択部２１１は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等から、予測モデル学習用ＳＯＭニューロン選択用データＦsの情報と、学習終了時のＳＯＭニューロンの値とを読み出し、前述した計算を行って、ＳＯＭニューロンを予測モデル学習用ＳＯＭニューロンとして選択し、選択後の予測モデル学習用ＳＯＭニューロンの値をＲＡＭ等に記憶することにより実現される。
【００５８】
（勝者実績データ抽出部２１２）
勝者実績データ抽出部２１２では、予測モデルの学習に用いる学習用実績データとして、ＳＯＭニューロンによる補間データに対応する勝者実績データＸcを抽出する。すなわち、勝者実績データ抽出部２１２は、予測モデル学習用ＳＯＭニューロン選択部２１１で選択された予測モデル学習用ＳＯＭニューロン（学習用補間データ）に対し、勝者実績データ関連部２０９によって関連付けられた勝者実績データＸcの値（ベクトル）を抽出する。そして、勝者実績データ抽出部２１２は、予測モデル学習用ＳＯＭニューロン選択部２１１で選択された予測モデル学習用ＳＯＭニューロンの値（参照ベクトル）と、抽出した勝者実績データの値（ベクトル）とをＮＮの学習に使用するデータ（学習用データ）とする。ここで、勝者実績データ抽出部２１２は、抽出した勝者実績データの中に、同じ実績データが重複する場合には、それらの重複を除いたものを学習用実績データとする。重複する実績データを学習用実績データとすると、後述するＮＮの学習が適切に行われなくなる虞があるからである。
勝者実績データ抽出部２１２は、例えば、ＣＰＵが、ＲＡＭ等から、予測モデル学習用ＳＯＭニューロンの値（参照ベクトル）と、当該予測モデル学習用ＳＯＭニューロンに関連付けられている勝者実績データの値（ベクトル）を読み出し、勝者実績データの値の重複を排除した上で、それらを学習用データとしてＲＡＭ等に記憶することにより実現される。
【００５９】
（ＮＮ学習部２１３、ＮＮ記憶部２１４）
ＮＮ学習部２１３は、予測モデルの一例である階層型ニューラルネットワークの結合重み係数（重み行列）の学習を行う。
本実施形態では、出力層を操業結果因子（転炉の吹止温度）とし、入力層を操業影響因子（材料因子、鍋状況因子、及び温度因子）とする、３層のニューラルネットワークを用いるものとする。ここで、出力層と入力層の数は、それぞれの因子の数に等しい数とする。すなわち、出力層の数を１とし、入力層の数を３６とする。また、中間層の数は、入力層の数と、学習用データ（のセット）の数とのうち、何れか少ない方の数とする。
【００６０】
ＮＮ学習部２１３は、３層のニューラルネットワークの入力層と出力層に、勝者実績データ抽出部２１２で抽出された学習用実績データ（ＳＯＭニューロンによる補間データに対応する勝者実績データＸc）と、予測モデル学習用ＳＯＭニューロン選択部２１１で選択された学習用補間データ（予測モデル学習用ＳＯＭニューロン）とからなる学習用データを与え、それらの値に合うように、入力層と中間層とを結合する結合重み係数（重み行列）及び中間層と出力層とを結合する結合重み係数（重み行列）を更新（学習）する。本実施形態では、この学習をバックプロパゲーションにより行うものとする。ただし、ＮＮの学習の方法は、バックプロパゲーションに限定されるものではない。そして、ＮＮ学習部２１３は、このような学習を、入力層と出力層に与える学習用データを異ならせて繰り返し行う。ここで、全ての学習用データを１度ずつ学習に使用する（全ての学習用データの値を１度ずつ入力層と出力層に与える）ことで１回の学習が行われる。
【００６１】
ＮＮ学習部２１３は、このような学習を行う度に、ＮＮの学習を終了させるか否かを判定する。例えば、学習回数が所定値（例えば１０万回）になったときにＮＮの学習を終了させると判断することができる。また、学習後のニューラルネットワークによる予測の結果と、学習用データの値との平均学習誤差が所定値（例えば１％）を下回ったときにＮＮの学習を終了させると判断することができる。
ＮＮ学習部２１３は、ＮＮの学習を終了すると判断したときに得られているニューラルネットワークの情報をＮＮ記憶部２１４に記憶する。
ＮＮ学習部２１３は、例えば、ＣＰＵが、ＲＡＭ等から、学習用データを読み出して前述した処理を行ってニューラルネットワークを学習し、学習終了後のニューラルネットワークの情報を、例えばＨＤＤにより実現されるＮＮ記憶部２１４に記憶することによって実現される。尚、ＮＮ学習部２１３によるニューラルネットワークの学習は、公知の技術で実現できるので、ここでは、その詳細な説明を省略する。
【００６２】
（ＮＮ予測部２１５）
ＮＮ予測部２１５は、オペレータによるユーザインターフェースの操作に基づいて、ＮＮ記憶部２１４に記憶されているニューラルネットワークの入力層に与える入力データ（操業結果予測対象データ指定部２１０で指定された予測モデル学習用ＳＯＭニューロン選択用データＦs）を取得し、取得したデータをニューラルネットワークの入力層に与えて操業結果因子を得る（予測する）。本実施形態では、ＮＮ予測部２１５は、材料因子、鍋状況因子、及び温度因子のデータ（操業結果予測対象データ）を取得し、操業結果因子（転炉の吹止温度）を得る。操業結果予測対象データには、まだ操業実績が存在しない温度因子のデータを含む為、実績のない温度因子には目標値を設定し、入力に用いる。
ＮＮ予測部２１５は、例えば、ＣＰＵが、ユーザインターフェースの操作に基づく入力データをＲＡＭ等に記憶すると共に、ＨＤＤ等から、学習終了後のニューラルネットワークの情報を読み出して、前述した処理を行うことによって、転炉の吹止温度の予測値を求めることにより実現される。
【００６３】
（ＮＮ予測結果出力部２１６）
ＮＮ予測結果出力部２１６は、ＮＮ予測部２１５で予測された操業結果因子を出力する。ＮＮ予測結果出力部２１６は、例えば、転炉の吹止温度の予測値を、液晶ディスプレイ等の表示装置に表示したり、操業予測装置２００に接続されたリムーバル記憶媒体に記憶したり、操業予測装置２００内のＨＤＤ等に記憶したりすることができる。
ＮＮ予測結果出力部２１６は、例えば、ＣＰＵが、ＲＡＭ等から、転炉の吹止温度の予測値を読み出して、表示データを生成したり、リムーバル記憶媒体やＨＤＤ等に記憶したりする処理を行うことにより実現される。
【００６４】
（ＮＮ破棄部２１７）
予測モデル学習に用いたＳＯＭニューロンや実績データが特定の条件に適合したデータのみであるため、幅広い条件での予測に用いるには一般性に欠ける。そのため、ＮＮ破棄部２１７では、特定の条件が一致しない場合に予測モデルを再利用することが難しいので、これを破棄させる。ＮＮ破棄部２１７は、ＮＮ予測結果出力部２１６による処理が１回終了すると、ＮＮ記憶部２１４に記憶されている学習終了後のニューラルネットワークの情報を破棄（削除）する。このように本実施形態では、one-timeのＮＮの学習を採用するようにしている。
ＮＮ破棄部２１７は、例えば、ＣＰＵが、転炉の吹止温度の予測値の出力処理を終えた後、ＨＤＤ等に記憶されている学習終了後のニューラルネットワークの情報を破棄する処理を行うことにより実現される。
【００６５】
（動作フローチャート）
次に、図７のフローチャートを参照しながら、操業予測装置２００の処理動作の一例を説明する。
まず、図７−１のステップＳ１において、データ取得部２０１は、実績データＸjと操業結果予測対象データＦを外部から取得する。
次に、ステップＳ２において、データ正規化部２０２は、ステップＳ１で取得された実績データＸjと操業結果予測対象データＦの値を正規化する。
次に、ステップＳ３において、ＳＯＭパラメータ設定部２０３は、競合層３０２において、２次元の格子状にＳＯＭニューロンを配置し、配置したＳＯＭニューロンのそれぞれに対して初期値（ｍi（０））を設定する。
【００６６】
次に、ステップＳ４において、実績データ選択部２０４は、ステップＳ２で正規化された実績データＸj（のセット）のうち、未選択のものを１つ選択する。
次に、ステップＳ５において、勝者ＳＯＭニューロン決定部２０５は、ステップＳ４で選択された実績データＸjの値（ベクトル）とユークリッド距離が最も近いＳＯＭニューロンを勝者ＳＯＭニューロンと６０２して決定する。
次に、ステップＳ６において、ＳＯＭ学習部２０６は、ステップＳ５で決定された勝者ＳＯＭニューロン６０２の値（参照ベクトル）と、競合層３０２上の座標位置で勝者ＳＯＭニューロン６０２に近い位置にある近傍ＳＯＭニューロン６０３の値（参照ベクトル）とを、ステップＳ４で選択された実績データＸjの値（ベクトル）に近づけるように修正（学習）する。
【００６７】
次に、ステップＳ７において、ＳＯＭ学習終了判定部２０７は、ＳＯＭの学習を終了するか否かを判定する。判定基準の一例は前述した通りである。この判定の結果、ＳＯＭの学習を終了しない場合には、ステップＳ４に戻り、別の実績データが選択され、勝者ＳＯＭニューロン６０２の決定と、勝者ＳＯＭニューロン６０２及び近傍ＳＯＭニューロン６０３の修正とを行う。そして、ＳＯＭの学習を終了すると判定されると、ステップＳ８に進む。
ステップＳ８に進むと、ＳＯＭ記憶部２０８は、ステップＳ７でＳＯＭの学習を終了すると判定されたときのＳＯＭの状態（競合層３０２上の各ＳＯＭニューロン（座標と参照ベクトル））を、学習終了時のＳＯＭニューロンの値（参照ベクトル）として記憶する。
【００６８】
次に、ステップＳ９において、勝者実績データ関連部２０９は、ステップＳ２で正規化された全ての実績データＸjの値（ベクトル）のうち、ステップＳ８で記憶された学習終了時のＳＯＭニューロンの値（参照ベクトル）とユークリッド距離が最も近い実績データを勝者実績データＸcとして決定する。そして、勝者実績データ関連部２０９は、学習終了時のＳＯＭニューロンのそれぞれと、当該ＳＯＭニューロンとユークリッド距離が最も近い勝者実績データＸcの値とを相互に関連付けて記憶する。
次に、図７−２のステップＳ１０において、操業結果予測対象データ指定部２１０は、ステップＳ２で正規化された操業結果予測対象データＦの内の１つを予測モデル学習用ＳＯＭニューロン選択用データＦsとして指定する。
【００６９】
次に、ステップＳ１１において、予測モデル学習用ＳＯＭニューロン選択部２１１は、ステップＳ８で記憶された学習終了時のＳＯＭニューロンのうち、予測モデルによって得られる因子（操業結果因子）を除く値（ベクトル）が、ステップＳ１０で指定された予測モデル学習用ＳＯＭニューロン選択用データＦsの値（ベクトル）と近いものを、予測モデル学習用ＳＯＭニューロンとして所定数（近傍点数）だけ選択する。本実施形態では、近傍点数は、「２５、１２１、２２５、４４１、６２５」であるので、５組の予測モデル学習用ＳＯＭニューロンが選択される。これら５組の予測モデル学習用ＳＯＭニューロンのそれぞれについてステップＳ１１〜Ｓ１７の処理が繰り返し行われることにより転炉の吹止温度の予測値が５つ得られる。そして、これら５つの転炉の吹止温度の予測値から、（１１）式を用いて決定係数Ｒ2が算出される。本実施形態では、これら５つの操業結果因子（転炉の吹止温度の予測値）のうち、最も大きな値の決定係数Ｒ2が算出されたときの操業結果因子（転炉の吹止温度の予測値）が採用される。
【００７０】
次に、ステップＳ１２において、勝者実績データ抽出部２１２は、ステップＳ１１で選択された予測モデル学習用ＳＯＭニューロンに関連付けて記憶されている勝者実績データＸcの値（ベクトル）を抽出する（ステップＳ９を参照）。そして、勝者実績データ抽出部２１２は、ステップＳ１１で選択された予測モデル学習用ＳＯＭニューロンの値（参照ベクトル）と、抽出した勝者実績データＸcの値（ベクトル）とを予測モデルの学習に使用する学習用データとする。
【００７１】
次に、ステップＳ１３において、ＮＮ学習部２１３は、３層のニューラルネットワークの入力層と出力層に、ステップＳ１１で選択された予測モデル学習用ＳＯＭニューロンと、ステップＳ１２で抽出された勝者実績データＸcとからなる学習用データを与え、それらの値に合うように、入力層と中間層とを結合する結合重み係数（重み行列）及び中間層と出力層とを結合する結合重み係数（重み行列）を更新（学習）する。
次に、ステップＳ１４において、ＮＮ学習部２１３は、予測モデルの一例であるニューラルネットワークの学習を終了するか否かを判定する。判定基準の一例は前述した通りである。この判定の結果、ニューラルネットワークの学習を終了しないと判定された場合には、ステップＳ１３に戻る。そして、ニューラルネットワークの学習を終了すると判定されると、ステップＳ１５に進む。
【００７２】
ステップＳ１５に進むと、ＮＮ学習部２１３は、学習終了時のニューラルネットワークの情報をＮＮ記憶部２１４に記憶する。
次に、ステップＳ１６において、ＮＮ破棄部２１７は、学習終了時のニューラルネットワークを使用した転炉の吹止温度の予測値がＮＮ予測部２１５によって求められ、且つ、その結果に対する出力処理がＮＮ予測結果出力部２１６によって行われるまで（学習終了時のニューラルネットワークを使用した予測・出力が行われるまで）待機する。そして、学習終了時のニューラルネットワークを使用した予測・出力が行われると、ステップＳ１７に進む。
ステップＳ１７に進むと、ＮＮ破棄部２１７は、ステップＳ１５でＮＮ記憶部２１４に記憶された学習終了後のニューラルネットワークの情報を破棄（削除）する。
【００７３】
（まとめ）
本実施形態の冒頭で説明したように、実績データ１０１のみを学習用データとした局所予測モデルを用いると、学習用データの数が少ないために、予測結果１１０と真の入出力関係１２０との差が大きくなることがある（図１（ａ）を参照）。これに対し、本実施形態では、以上の説明から明らかなように、実績データを元にＳＯＭを構築し得られるＳＯＭニューロンが、実績データに対する予測モデルの構築の際に補間データとして用いることが出来る。すなわち、図１（ｂ）に示すように、実績データ１０１に加えてＳＯＭニューロン１０２を学習用データとして加えた局所予測モデルを用いると、予測結果１３０の真の入出力関係１２０に対する精度が向上する。
【００７４】
以上のように本実施形態では、実績データに最も近いＳＯＭニューロンを勝者ＳＯＭニューロン６０２とし、勝者ＳＯＭニューロン６０２の値とそのＳＯＭニューロン６０２の座標の近傍にある近傍ＳＯＭニューロン６０３の値とを、実績データの値に近づけるように修正してＳＯＭの学習を行う。ＳＯＭの学習終了時のＳＯＭニューロン６０２、６０３のそれぞれについて、値が最も近い実績データを相互に関連付けて記憶する。そして、操業結果予測対象データと値が近い所定数（近傍点数）のＳＯＭニューロン６０２、６０３と、そのＳＯＭニューロン６０２、６０３に関連付けられている実績データとを学習用データ１０１、１０２とする。したがって、予測モデルの学習用データとして適切な補間データを生成し加えることによって、データ数が少ないことで生じる未学習部分の発生や過学習を抑制することができる。よって、操業予測（転炉の吹止温度の予測）を正確に行うことができる。
【００７５】
また、本実施形態では、ニューラルネットワークを使用した予測・出力が１回行われると、そのニューラルネットワークを破棄するようにした。したがって、直近の操業実績を反映させたニューラルネットワークを構築することができ、実際の操業を可及的に反映させた予測を行うことができる。
【００７６】
（変形例）
本実施形態では、予測モデルとして階層型ニューラルネットワークを用いた場合を例に挙げて説明したが、予測モデルは階層型ニューラルネットワークに限定されない。すなわち、操業結果因子に影響を与える因子であって、製品又は半製品を製造するための操業因子である操業影響因子を入力し、当該操業影響因子の影響を受けて決定される操業結果である操業結果因子を出力する予測モデルであれば、どのような予測モデルであってもよい。また、操業結果因子は、転炉の吹止温度に限定されない。さらに、操業影響因子も、前述したものに限定されない。
【００７７】
また、本実施形態では、予測モデル学習用ＳＯＭニューロン選択用データと値が近い所定数（近傍点数）の全てのＳＯＭニューロン６０２、６０３を学習用補間データとし、そのＳＯＭニューロン６０２、６０３に関連付けられている実績データを学習用実績データとし、学習用補間データと学習用実績データとをあわせて学習用データとした場合を例に挙げて説明した。しかしながら、例えば、予測モデル学習用ＳＯＭニューロン選択用データと値が近い所定数（近傍点数）のＳＯＭニューロン６０２、６０３のうち、予測モデル学習用ＳＯＭニューロン選択用データに最も値が近いＳＯＭニューロン６０２、６０３を除いたものと、所定数のＳＯＭニューロン６０２、６０３に関連付けられている学習用実績データとを学習用データとしてもよい。このようにすれば、学習用実績データに過剰にフィッティングされたニューラルネットワークが構築されることを、より確実に防止することができる。
【００７８】
＜第２の実施形態＞
次に、本発明の第２の実施形態について説明する。
前述した第１の実施形態では、実績データＸjに含まれる、３６個の操業影響因子のデータ（３６次元のデータ）の全てを用いて、ＳＯＭの学習を行うようにした。これに対し、本実施形態では、ＳＯＭの学習に用いる操業影響因子を選択し、選択した操業影響因子のデータを用いてＳＯＭの学習を行う。このように、本実施形態と、第１の実施形態とは、実績データ選択部２０４で選択される実績データＸjが、全ての操業影響因子のデータではなく、前記のようにして選択された操業影響因子のデータである点が主として異なる。よって、本実施形態の説明において、第１の実施形態と同一の部分については、図１〜図７に付した符号と同一の符号を付す等して詳細な説明を省略する。
【００７９】
図８は、操業予測装置８００の機能的な構成の一例を示す図である。本実施形態の操業予測装置８００も、第１の実施形態で説明した操業予測装置２００と同様に、例えば、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＨＤＤ、及び各種のインターフェースを備えた情報処理装置（例えばＰＣ）を用いることにより実現される。
【００８０】
（感度計算用ＮＮ学習部８０１）
感度計算用ＮＮ学習部８０１は、後述する操業影響因子の感度を計算するために使用する感度計算用階層型ニューラルネットワークの結合重み係数（重み行列）の学習を行う。感度計算用階層型ニューラルネットワークの学習方法は、ＮＮ学習部２１３で説明した階層型ニューラルネットワークと同じであるので、ここでは、その詳細な説明を省略する。
【００８１】
ただし、感度計算用ＮＮ学習部８０１が構築する感度計算用階層型ニューラルネットワークは、予測モデル学習用ＳＯＭニューロンと勝者実績データＸcとからなる学習用データを用いて得られるものではなく、実績データＸjを学習用データとして用いることにより得られる通常の階層型ニューラルネットワークである。ここで、感度計算用階層型ＮＮ学習部８０１は、データ正規化部２０２により正規化された実績データＸjを用いて感度計算用階層型ニューラルネットワークを構築する。よって、感度計算用階層型ニューラルネットワークへの入力と、感度計算用階層型ニューラルネットワークからの出力は、正規化された値となる。
感度計算用階層型ＮＮ学習部８０１は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等から実績データを読み出して、感度計算用階層型ニューラルネットワークの学習を行い、その結果を示す情報をＲＡＭ等に記憶することにより実現される。
【００８２】
（第１の感度計算用操業結果因子導出部８０２）
第１の感度計算用操業結果因子導出部８０２は、前記（１）〜（３６）の操業影響因子の全ての値が（同一の）特定の値であるデータを、感度計算用階層型ＮＮ学習部８０１により学習された感度計算用階層型ニューラルネットワークに入力することにより、その出力である操業結果因子を得る。本実施形態では、特定の値として、正規化値の最大値である「１」と最小値である「０」との中央値である「０．５」を採用する。
尚、以下の説明では、第１の感度計算用操業結果因子導出部８０２で導出された操業結果因子の値を、必要に応じて「操業結果因子の基準値」と称する。
第１の感度計算用操業結果因子導出部８０２は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等に記憶されている感度計算用階層型ニューラルネットワークに対して「０．５」を入力することにより、操業結果因子の基準値の情報を導出してＲＡＭ等に記憶することにより実現される。
【００８３】
（第２の感度計算用操業結果因子導出部８０３）
第２の感度計算用操業結果因子導出部８０３は、前記（１）〜（３６）の操業影響因子のうち、１つの操業影響因子の値が、第１の感度計算用操業結果因子導出部８０２で設定された特定の値とは異なる値であり、残りの操業影響因子の値が、第１の感度計算用操業結果因子導出部８０２で設定された特定の値であるデータを、感度計算用ＮＮ学習部８０１により学習された感度計算用階層型ニューラルネットワークに入力することにより、その出力である操業結果因子を得る。本実施形態では、第１の感度計算用操業結果因子導出部８０２で設定された特定の値とは異なる値として、正規化値の最大値である「１」を採用する。また、本実施形態では、前記（１）〜（３６）の操業影響因子の数は「３６」である。よって、第２の感度計算用操業結果因子導出部８０３は、３６個の操業結果因子のそれぞれの値を「１」としたときの操業結果因子を３６個得る。尚、以下の説明では、第２の感度計算用操業結果因子導出部８０３で導出された操業結果因子の値を、必要に応じて「操業結果因子の変動値」と称する。
【００８４】
第２の感度計算用操業結果因子導出部８０３は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等に記憶されている感度計算用階層型ニューラルネットワークに対して、１つの操業影響因子の値として「１」を、残りの操業影響因子の値として「０．５」を、それぞれ入力することにより、操業結果因子の変動値の情報を導出してＲＡＭ等に記憶することにより実現される。
【００８５】
（感度導出部８０４）
感度導出部８０４は、前記（１）〜（３６）の操業影響因子の感度をそれぞれ導出する。本実施形態では、操業影響因子の感度は、第１の感度計算用操業結果因子導出部８０２で導出された「操業結果因子の基準値」と、第２の感度計算用操業結果因子導出部８０３で得られた「操業結果因子の変動値」との差分の絶対値で定義される。
【００８６】
前述したように、本実施形態では、前記（１）〜（３６）の操業影響因子の数は「３６」であり、第２の感度計算用操業結果因子導出部８０３により３６個の操業結果因子の変動値が得られる。よって、感度導出部８０４は、３６個の操業影響因子のそれぞれについて感度を導出する。
感度導出部８０４は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等から、第１の操業影響因子の基準値と第２の操業影響因子の変動値とを読み出し、前述した計算を行って、各操業影響因子の感度を導出してＲＡＭ等に記憶することにより実現される。
【００８７】
（操業影響因子選択用ＮＮ学習部８０５、誤差評価部８０６、操業影響因子選択部８０７の概要）
本実施形態では、操業影響因子を入力層とし、操業結果因子を出力層とする３層の階層型ニューラルネットワークである操業影響因子選択用階層型ニューラルネットワークを用いて、ＳＯＭの学習を行うのに使用する１又は複数の操業影響因子を決定する。
このために、まず、操業影響因子選択用ＮＮ学習部８０５は、操業影響因子選択用階層型ニューラルネットワークを構築する。誤差評価部８０６は、構築された操業影響因子選択用階層型ニューラルネットワークの入力層に操業影響因子の実績データを与えることによって操業結果因子の予測値を導出し、当該操業結果因子の予測値と操業結果因子の実績データとの誤差を導出する。このような操業影響因子選択用階層型ニューラルネットワークの構築と誤差の導出とを、操業影響因子選択用階層型ニューラルネットワークの入力層（操業影響因子）を、感度の高いものから順に１つずつ増やして行う。これにより、入力層の数が異なる複数の操業影響因子選択用階層型ニューラルネットワークのそれぞれについての誤差（評価）が得られる。操業影響因子選択部８０７は、これら複数の操業影響因子選択用階層型ニューラルネットワークのうち、誤差が最も小さい操業影響因子選択用階層型ニューラルネットワークを割り出し、割り出した操業影響因子選択用階層型ニューラルネットワークの入力層となっている操業影響因子を、ＳＯＭの学習を行うのに使用する１又は複数の操業影響因子として決定する。以下に、操業影響因子選択用ＮＮ学習部８０５、誤差評価部８０６、及び操業影響因子選択部８０７が有する機能の詳細を説明する。
【００８８】
（操業影響因子選択用ＮＮ学習部８０５）
操業影響因子選択用ＮＮ学習部８０５は、操業影響因子選択用階層型ニューラルネットワークの結合重み係数（重み行列）の学習を行う。
操業影響因子選択用ＮＮ学習部８０５は、感度導出部８０４で導出された「各操業影響因子の感度」の値が大きい順に、操業影響因子を１つずつ選択し、操業影響因子を１つずつ増やす。次に、操業影響因子選択用ＮＮ学習部８０５は、選択した操業影響因子を、操業影響因子選択用階層型ニューラルネットワークの入力層とし、前記（３７）の操業結果因子（転炉の吹止温度）を出力層とする、３層の階層型ニューラルネットワークを、操業影響因子選択用階層型ニューラルネットワークとして構築する。
【００８９】
そして、操業影響因子選択用ＮＮ学習部８０５は、構築した操業影響因子選択用階層型ニューラルネットワークの結合重み係数（重み行列）の学習を行う。操業影響因子選択用階層型ニューラルネットワークの学習方法は、ＮＮ学習部２１３で説明した階層型ニューラルネットワークと同じであるので、ここでは、その詳細な説明を省略する。
【００９０】
ただし、操業影響因子選択用ＮＮ学習部８０５が構築する操業影響因子選択用階層型ニューラルネットワークも、前述した感度計算用階層型ニューラルネットワークと同様に、実績データＸjを学習用データとして用いる通常の階層型ニューラルネットワークである。また、操業影響因子選択用ＮＮ学習部８０５は、前述した感度計算用階層型ニューラルネットワークと同様に、データ正規化部２０２により正規化された実績データＸjを用いて感度計算用階層型ニューラルネットワークを構築する。よって、操業影響因子選択用階層型ニューラルネットワークへの入力と、操業影響因子選択用階層型ニューラルネットワークからの出力は、正規化された値となる。
【００９１】
操業影響因子選択用ＮＮ学習部８０５は、例えば、ＣＰＵが、コンピュータプログラムに従って、ＲＡＭ等から実績データを読み出して、操業影響因子選択用階層型ニューラルネットワークの学習を行い、その結果を示す情報をＲＡＭ等に記憶することにより実現される。
【００９２】
（誤差評価部８０６）
誤差評価部８０６は、操業影響因子選択用ＮＮ学習部８０５により学習された操業影響因子選択用階層型ニューラルネットワークの入力層に、当該入力層に対応する操業影響因子の実績データＸjを入力することにより、その出力である操業結果因子の予測値を得る。そして、誤差評価部８０６は、当該操業結果因子の予測値と、操業結果因子の実績データＸjの値との誤差を、実績データＸjのそれぞれについて導出し、それらの誤差二乗和を算出する。
本実施形態では、前記（１）〜（３６）の操業影響因子の数は「３６」であるので、操業影響因子選択用ＮＮ学習部８０５により、３６個の操業影響因子選択用階層型ニューラルネットワークが構築される。したがって、誤差評価部８０６は、操業結果因子の予測値の計算として３６回の計算を行う。よって、３６個の誤差二乗和が算出される。また、本実施形態では、操業影響因子選択用ＮＮ学習部８０５により１つの操業影響因子選択用階層型ニューラルネットワークが構築される度に、誤差評価部８０６により１つの誤差二乗和が算出され、このような操業影響因子選択用階層型ニューラルネットワークの構築と誤差二乗和の算出とが３６回繰り返し行われるようにしている。
誤差評価部８０６は、例えば、ＣＰＵが、コンピュータプログラムに従って、前述した誤差二乗和を導出し、導出した誤差二乗和をＲＡＭ等に記憶することにより実現される。
【００９３】
（操業影響因子選択部８０７）
操業影響因子選択部８０７は、誤差評価部８０６により導出された３６個の誤差二乗和のうち、最も値が小さい誤差二乗和が得られたときに操業影響因子選択用ＮＮ選択部８０５で選択された操業影響因子を、ＳＯＭの学習に使用する操業影響因子として決定する。
操業影響因子選択部８０７は、例えば、ＣＰＵが、コンピュータプログラムに従って、最も値が小さい誤差二乗和が得られたときの操業影響因子の情報をＲＡＭ等に記憶することにより実現される。
【００９４】
学習用実績データ選択部２０４においては、データ正規化部２０２で正規化された実績データＸj（のセット）のうち、操業影響因子選択部８０７で選択された操業影響因子のデータが選択されることになる。
【００９５】
（動作フローチャート）
次に、図９のフローチャートを参照しながら、操業予測装置８００の処理動作の一例を説明する。図９に示すフローチャートは、例えば、図７−１のステップＳ２とステップＳ３の間で実行されるものである。
まず、ステップＳ２１において、感度計算用ＮＮ学習部８０１は、実績データＸjを学習用データとして感度計算用階層型ニューラルネットワークの結合重み係数（重み行列）の学習を行う。
次に、ステップＳ２２において、第１の感度計算用操業結果因子導出部８０２は、前記（１）〜（３６）の操業影響因子の全ての値が「０．５」であるデータを、ステップＳ２１で学習された後の感度計算用階層型ニューラルネットワークに入力することにより、その出力である操業結果因子の基準値を得る。
【００９６】
次に、ステップＳ２３において、第２の感度計算用操業結果因子導出部８０３は、前記（１）〜（３６）の操業影響因子のうち、未選択の操業影響因子を１つ選択する。
次に、ステップＳ２４において、第２の感度計算用操業結果因子導出部８０３は、ステップＳ２３で選択した操業影響因子の値が「１」であるデータと、残りの操業影響因子の値が「０．５」であるデータを、ステップＳ２１で学習された後の感度計算用階層型ニューラルネットワークに入力することにより、その出力である操業結果因子の変動値を得る。
【００９７】
次に、ステップＳ２５において、第２の感度計算用操業結果因子導出部８０３は、前記（１）〜（３６）の操業影響因子の全てを選択したか否かを判定する。この判定の結果、前記（１）〜（３６）の操業影響因子の全てを選択していない場合には、ステップＳ２３に戻る。そして、前記（１）〜（３６）の操業影響因子の全てを選択するまで、ステップＳ２３〜Ｓ２５の処理を繰り返し行う。
そして、前記（１）〜（３６）の操業影響因子の全てについて、操業結果因子の変動値が得られると、ステップＳ２６に進む。
【００９８】
ステップＳ２６に進むと、感度導出部８０４は、ステップＳ２２で導出された「操業結果因子の基準値」と、ステップＳ２４で導出された「３６個の操業結果因子の変動値」との差分の絶対値である感度をそれぞれ導出する。
次に、ステップＳ２７において、操業影響因子選択用ＮＮ学習部８０５は、ステップＳ２６で導出された３６個の未選択の感度のうち、最も値が大きい感度が得られたときの操業結果因子を１つ選択する。
次に、ステップＳ２８において、操業影響因子選択用ＮＮ学習部８０５は、実績データＸjを学習用データとして、現在の時点までにステップＳ２７で選択された全ての操業影響因子を入力層とする操業影響因子選択用階層型ニューラルネットワークを構築し、構築した操業影響因子選択用階層型ニューラルネットワークの結合重み係数（重み行列）の学習を行う。
【００９９】
次に、ステップＳ２９において、誤差評価部８０６は、ステップＳ２８で構築された操業影響因子選択用階層型ニューラルネットワークの入力層に、当該入力層に対応する操業影響因子の実績データＸjを入力することにより得られた操業結果因子の値と、操業結果因子の実績データＸjの値との誤差二乗和を導出する。
次に、ステップＳ３０において、誤差評価部８０６は、前記（１）〜（３６）の操業影響因子の全てを選択したか否かを判定する。この判定の結果、前記（１）〜（３６）の操業影響因子の全てを選択していない場合には、ステップＳ２７に戻る。そして、前記（１）〜（３６）の操業影響因子の全てを選択するまで、ステップＳ２７〜Ｓ３０の処理を繰り返し行う。
【０１００】
そして、前記（１）〜（３６）の操業影響因子の全てについての誤差が得られると、ステップＳ３１に進む。
ステップＳ３１に進むと、操業影響因子選択部８０７は、ステップＳ２９で導出された「前記（１）〜（３６）の操業影響因子の全てについての誤差二乗和」のうち、最も値が小さい誤差二乗和が得られたときの操業影響因子を、ＳＯＭの学習に使用する操業影響因子として決定する。
そして、図７のフローチャートのステップＳ３に進む。この場合、ステップＳ４において選択される実績データＸjは、前記（１）〜（３６）の操業影響因子のうち、ステップＳ３１で決定された操業影響因子のデータとなる。
【０１０１】
第１の実施形態で説明したように、ＳＯＭは、多次元ベクトルの形で表現された実績データの集合から各々のデータの類似性を見出し、類似するデータ同士を２次元平面上の近傍へマッピングしておくことで、多数の高次元データを分類し、その特徴を抽出するデータマイニング手法である。したがって、操業結果因子に与える影響が小さい操業影響因子であっても、離散的な値をとる操業影響因子等、各々の値を明確に分類することができる操業影響因子が、ＳＯＭによる実績データＸjの分類に大きく影響を与えてしまう虞がある。そうすると、予測モデルの学習に使用する学習用データが、必ずしも予測モデルの学習に適したものにならなくなる虞がある。これに対し、本実施形態では、操業結果因子の基準値と操業結果因子の変動値との差分の絶対値で定義される感度に基づいて、ＳＯＭの学習に使用する操業影響因子を選択するようにした。したがって、操業結果因子に与える影響が相対的に大きい操業影響因子の感度の値が相対的に大きくなる傾向になる。よって、操業結果因子に与える影響が相対的に小さい操業影響因子を可及的に排除して、ＳＯＭの学習を行うことができる。その結果、予測モデルの学習に使用する学習用データを、より予測モデルの学習に適したものにすることができる。
【０１０２】
尚、本実施形態では、操業影響因子の感度に基づいて、ＳＯＭの学習に使用する操業影響因子を自動的に選択するようにした。しかしながら、必ずしもこのようにする必要はない。例えば、ユーザが、操業予測装置から提示された操業影響因子の感度を参照して、ＳＯＭの学習に使用する操業影響因子を選択し、操業予測装置が、ユーザにより選択された操業影響因子の実績データＸjを用いてＳＯＭの学習を行ってもよい。また、ＳＯＭの学習に使用する操業影響因子を自動的に選択する方法は、前述した方法に限定されるものではない。例えば、操業影響因子の感度の大きいものから所定の数（又は所定の割合）の操業影響因子をＳＯＭの学習に使用する操業影響因子として選択してもよい。このように、ＳＯＭの学習に使用する操業影響因子については、感度に基づいて選択していればどのようにして選択してもよい。
【０１０３】
また、本実施形態では、全ての操業影響因子について誤差二乗和を導出するようにした。しかしながら、必ずしもこのようにする必要はない。例えば、誤差二乗和の値が、前回の値よりも大きくなった時点で誤差二乗和の導出を止め、それまでに導出した誤差二乗和の中で最も値が小さい誤差二乗和が得られたときの操業影響因子を、ＳＯＭの学習に使用する操業影響因子として決定してもよい。本実施形態では、操業影響因子選択用階層型ニューラルネットワークを学習する際に、入力層として採用する操業影響因子として、感度が大きい操業影響因子から順番に選択する。したがって、操業影響因子の選択数がある範囲までは、操業影響因子の選択数が多くなると誤差二乗和は小さくなるが、その範囲を超えると、操業影響因子の選択数が多くなると誤差二乗和は逆に大きくなる場合が多いと考えらえる。よって、誤差二乗和の値が、前回の値よりも大きくなった時点で誤差二乗和の導出を止めても、操業影響因子の選択に大きな誤りは起こらない。
【０１０４】
＜実施例＞
次に、本実施形態の実施例を説明する。
ここでは、４８００件（４８００チャージ）の実績データＸjを使用した。１件の実績データＸjは、前述した（１）〜（３７）の３７次元のデータである。これら４８００組の実績データＸjを時間順にソートして、操業時間が新しい８００件の実績データＸjを検証用データとし、残りの４０００件の実績データＸjを学習用データとした。
【０１０５】
学習用データは、操業結果因子と操業影響因子の全てが既知であるとする。本実施例では、ＳＯＭのマップサイズ（２次元の格子状に配置したＳＯＭニューロンの数）を「４００×４００」とした。また、前述した操業影響因子の感度に基づいて、ＳＯＭの学習に使用する操業影響因子を選択する計算を行った結果、前記（１）〜（３６）の操業影響因子のうち、ＳＯＭの学習に用いる操業影響因子は、以下の２１個の操業影響因子となった。よって、実績データ選択部２０４で選択される実績データＸjは、これら２１個の操業影響因子のデータとなる。
【０１０６】
（１）装入量合計（材料因子）；溶鋼量
（２）Ｄ０１（材料因子）；金属種Ｄ０１の投入量
（３）Ｄ０２（材料因子）；金属種Ｄ０２の投入量
（４）Ｄ０３（材料因子）；金属種Ｄ０３の投入量
（５）Ｄ０４（材料因子）；金属種Ｄ０４の投入量
（６）Ｄ０５（材料因子）；金属種Ｄ０５の投入量
（７）Ｄ０６（材料因子）；金属種Ｄ０６の投入量
（８）Ｄ０７（材料因子）；金属種Ｄ０７の投入量
（９）Ｄ０８（材料因子）；金属種Ｄ０８の投入量
（１０）Ｄ０９（材料因子）；金属種Ｄ０９の投入量
（１１）Ｄ１０（材料因子）；金属種Ｄ１０の投入量
（１２）Ｄ合計（材料因子）；金属種Ｄ０１〜Ｄ１０の投入量の合計
【０１０７】
（１３）Ｇ０１（材料因子）；金属種Ｇ０１の投入量
（１４）Ｇ０２（材料因子）；金属種Ｇ０２の投入量
（１５）Ｇ０３（材料因子）；金属種Ｇ０３の投入量
（１６）Ｇ０４（材料因子）；金属種Ｇ０４の投入量
（１７）Ｇ０５（材料因子）；金属種Ｇ０５の投入量
（１８）Ｇ０６（材料因子）；金属種Ｇ０６の投入量
（１９）Ｇ合計（材料因子）；金属種Ｇ０１〜Ｇ１０の投入量の合計
（２０）取鍋最終（温度因子）；出鋼温度
（３０）空鍋時間（鍋状況因子）；空鍋時間
【０１０８】
一方、検証用データは、操業結果因子（転炉の吹止温度）を未知とする（伏せておく）データである。この操業結果因子が予測対象であり、この検証用データが、操業結果予測対象データ指定部２１０で指定される予測モデル学習用ＳＯＭニューロン選択用データＦsとなる。
【０１０９】
そして、検証用データと、学習用データを用いた学習が終了した時のＳＯＭニューロンの値のうち、操業結果因子を除く値とのユークリッド距離が小さいものから順に、予め設定した近傍点数（＝２５、１２１、２２５、４４１、６２５）と同数のＳＯＭニューロンを予測モデル学習用ＳＯＭニューロン（学習用補間データ）として選択した。
そして、予測モデル学習用ＳＯＭニューロンの値と、予測モデル学習用ＳＯＭニューロンに関連付けて記憶されている勝者実績データＸcの値とを学習モデルの学習に使用する学習データとして、３層のニューラルネットワークの結合重み係数（重み行列）を更新（学習）した。
ここで、３層のニューラルネットワークのニューロン数を、以下のようにした。
入力層：２１
中間層：２１
出力層：１
また、結合重み係数（重み行列）については、ＰＳＯ（Particle Swarm Optimization）を用いて計算（学習）した。
【０１１０】
学習が終了した３層のニューラルネットワークの入力層に、検証用データを入力することにより、当該３層のニューラルネットワークの出力層から出力される操業結果因子（転炉の吹止温度）を予測温度とした。
そして、予め設定されている近傍点数（２５、１２１、２２５、４４１、６２５）のうち、最も値が大きい決定係数Ｒ2が得られたときの近傍点数は「２２５」であった。また、近傍点数が「２２５」であるときの決定係数Ｒ2の値は「０．８３３」であった。よって、近傍点数が「２２５」であるときの操業結果因子（転炉の吹止温度）を予測温度として採用した。
【０１１１】
そして、検証用データの（伏せておいた）操業結果因子（転炉の吹止温度）を実績温度とした。図１０は、転炉の吹止温度の予測値（予測温度）と実績値（実績温度）との関係の一例を示す図である。図１０に示すように、転炉の吹止温度の予測値（予測温度）と実績値（実績温度）とには高い相関があることが分かる。
【０１１２】
（請求項との関係）
尚、本実施形態では、例えば、操業結果因子（転炉の吹止温度）が「操業予測因子」に対応する。また、例えば、材料因子、鍋状況因子、及び温度因子が「操業影響因子」に対応する。
また、例えば、データ取得部２０１を用いることにより「データ取得手段」が実現され、勝者ＳＯＭニューロン決定部２０５を用いることにより「勝者ＳＯＭニューロン決定手段」が実現される。また、ＳＯＭ学習部２０６を用いることにより「ＳＯＭ学習手段」が実現され、カットオフ距離Ｒcut（ｔ）が「所定の範囲」に対応する。また、予測モデル学習用ＳＯＭニューロン選択部２１１を用いることにより「予測モデル学習用ＳＯＭニューロン選択手段」が実現される。また、勝者実績データ関連部２０９を用いることにより「勝者実績データ関連手段」が実現される。また、ＮＮ学習部２１３を用いることにより「予測モデル学習手段」が実現される。また、ＳＯＭパラメータ設定部２０３を用いることにより「ＳＯＭパラメータ設定手段」が実現される。また、データ正規化部２０２を用いることにより「データ正規化手段」が実現される。また、ＮＮ記憶部２１４を用いることにより「予測モデル記憶手段」が実現される。また、ＮＮ破棄部２１７を用いることにより「破棄手段」が実現される。また、第１の感度計算用操業結果因子導出部８０２を用いることにより「第１の感度計算用操業結果因子導出手段」が実現される。また、第２の感度計算用操業結果因子導出部８０３を用いることにより「第２の感度計算用操業結果因子導出手段」が実現される。また、感度導出部８０４を用いることにより「感度導出手段」が実現される。また、操業影響因子選択用ＮＮ学習部８０５、誤差評価部８０６、及び操業影響因子選択部８０７を用いることにより「操業影響因子選択手段」が実現される。
【０１１３】
また、例えば、ステップＳ１の処理を実行することによりデータ取得工程が実現され、ステップＳ５の処理を実行することにより勝者ＳＯＭニューロン決定工程が実現される。また、例えば、ステップＳ６の処理を実行することによりＳＯＭ学習工程が実現される。また、例えば、ステップＳ１１の処理を実行することにより予測モデル学習用ＳＯＭニューロン選択工程が実現される。また、ステップＳ９の処理を実行することにより勝者実績データ関連工程が実現される。また、ステップＳ１３の処理を実行することにより予測モデル学習工程が実現される。また、例えば、ステップＳ１５の処理を実行することにより予測モデル記憶工程が実現され、ステップＳ１７の処理を実行することにより破棄工程が実現される。また、例えば、ステップＳ３の処理を実行することによりＳＯＭパラメータ設定工程が実現される。また、例えば、ステップＳ２の処理を実行することによりデータ正規化工程が実現される。また、ステップＳ２２の処理を実行することにより第１の感度計算用操業結果因子導出工程が実現される。また、ステップＳ２３〜Ｓ２５の処理を実行することにより第２の感度計算用操業結果因子導出工程が実現される。また、ステップＳ２６の処理を実行することにより感度導出工程が実現される。また、ステップＳ２７〜Ｓ３１の処理を実行することにより操業影響因子選択工程が実現される。
【０１１４】
尚、以上説明した本発明の実施形態は、コンピュータがプログラムを実行することによって実現することができる。また、プログラムをコンピュータに供給するための手段、例えばかかるプログラムを記録したＣＤ−ＲＯＭ等のコンピュータ読み取り可能な記録媒体、又はかかるプログラムを伝送する伝送媒体も本発明の実施の形態として適用することができる。また、前記プログラムを記録したコンピュータ読み取り可能な記録媒体などのプログラムプロダクトも本発明の実施の形態として適用することができる。前記のプログラム、コンピュータ読み取り可能な記録媒体、伝送媒体及びプログラムプロダクトは、本発明の範疇に含まれる。
また、以上説明した本発明の実施形態は、何れも本発明を実施するにあたっての具体化の例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその技術思想、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。
【符号の説明】
【０１１５】
２００ 操業予測装置
２０１ データ取得部
２０２ データ正規化部
２０３ ＳＯＭパラメータ設定部
２０４ 学習用実績データ選択部
２０５ 勝者ＳＯＭニューロン決定部
２０６ ＳＯＭ学習部
２０７ ＳＯＭ学習終了判定部
２０８ ＳＯＭ記憶部
２０９ 勝者実績データ関連部
２１０ 操業結果予測対象データ指定部
２１１ 予測モデル学習用ＳＯＭニューロン選択部
２１２ 勝者実績データ抽出部
２１３ ＮＮ学習部
２１４ ＮＮ記憶部
２１５ ＮＮ予測部
２１６ ＮＮ予測結果出力部
２１７ ＮＮ破棄部
６０１ 初期状態
６０２ 勝者ＳＯＭニューロン
６０３ 近傍ＳＯＭニューロン
【特許請求の範囲】
【請求項１】
製品又は半製品を製造するための操業条件である操業影響因子を入力とし、該操業影響因子の影響を受けて決定される操業結果である操業結果因子を出力とする予測モデルを用いて操業結果因子の予測を行う操業予測装置であって、
過去の操業実績についての前記操業影響因子及び前記操業結果因子の情報を含む複数の実績データから選択された学習用実績データと、該実績データのうちの２つのデータの間を補間する補間データから選択された学習用補間データと、を学習用データとして、前記予測モデルの学習を行うことを特徴とする操業予測装置。
【請求項２】
自己組織化マップを用いて、前記補間データの生成と、生成された該補間データからの前記学習用補間データの選択とを行うことを特徴とする、請求項１に記載の操業予測装置。
【請求項３】
前記実績データと、前記操業結果因子を予測する対象である操業に対する前記操業影響因子の情報を含む操業結果予測対象データと、を取得するデータ取得手段と、
前記操業影響因子及び前記操業結果因子の情報が設定されて自己組織化マップに配置されたＳＯＭニューロンであって、前記実績データの値に最も値が近いＳＯＭニューロンを勝者ＳＯＭニューロンとして決定することを、前記データ取得手段により取得された実績データについて個別に行う勝者ＳＯＭニューロン決定手段と、
前記勝者ＳＯＭニューロンの値と、前記自己組織化マップにおいて該勝者ＳＯＭニューロンから所定の範囲内に位置しているＳＯＭニューロンである近傍ＳＯＭニューロンの値と、を前記実績データの値に近づけるように修正して、前記自己組織化マップを学習することを、前記データ取得手段により取得された実績データについて個別に行うＳＯＭ学習手段と、
前記ＳＯＭ学習手段により学習された後の前記自己組織化マップに配置されているＳＯＭニューロンのうち、前記操業影響因子の値が、前記データ取得手段により取得された操業結果予測対象データと近い所定数のＳＯＭニューロンを、予測モデル学習用ＳＯＭニューロンとして選択する予測モデル学習用ＳＯＭニューロン選択手段と、
前記データ取得手段により取得された実績データから、前記予測モデル学習用ＳＯＭニューロン選択手段により選択された予測モデル学習用ＳＯＭニューロンに値が最も近い実績データを、勝者実績データとして決定することを、前記予測モデル学習用ＳＯＭニューロンのそれぞれについて個別に行う勝者実績データ関連手段と、
前記ＳＯＭ学習手段により学習された後の前記自己組織化マップに配置されているＳＯＭニューロンを前記補間データとし、前記予測モデル学習用ＳＯＭニューロン選択手段により選択された予測モデル学習用ＳＯＭニューロンを前記学習用補間データとし、該予測モデル学習用ＳＯＭニューロンに対応する前記勝者実績データを前記学習用実績データとして、前記予測モデルを学習する予測モデル学習手段と、を有することを特徴とする、請求項２に記載の操業予測装置。
【請求項４】
前記データ取得手段により取得された実績データの数よりも多い数のＳＯＭニューロンを自己組織化マップに配置するＳＯＭパラメータ設定手段を有することを特徴とする請求項３に記載の操業予測装置。
【請求項５】
前記ＳＯＭ学習手段は、前記自己組織化マップにおいて前記勝者ＳＯＭニューロンに近い位置に配置されているＳＯＭニューロンであるほど、ＳＯＭニューロンの値の修正量を多くすると共に、学習の回数が少ないほど、ＳＯＭニューロンの値の修正量を多くすることを特徴とする請求項３又は４に記載の操業予測装置。
【請求項６】
前記データ取得手段により取得された実績データと、操業結果予測対象データとを正規
化するデータ正規化手段を有し、
前記データ取得手段により取得された実績データと操業結果予測対象データとして、前記データ正規化手段により正規化された実績データと操業結果予測対象データとが使用されるようにすることを特徴とする請求項３〜５の何れか１項に記載の操業予測装置。
【請求項７】
前記予測モデル学習手段により学習された後の予測モデルを記憶する予測モデル記憶手段と、
前記予測モデル学習手段により学習された後の予測モデルを使用した前記操業結果因子の予測が１回終了すると、前記予測モデル記憶手段から当該予測モデルを破棄する破棄手段と、を有することを特徴とする請求項３〜６の何れか１項に記載の操業予測装置。
【請求項８】
複数の前記操業影響因子を入力とし、前記操業結果因子を出力とするニューラルネットワークに、当該複数の操業影響因子の値として特定の値を入力して前記操業結果因子の値を導出する第１の感度計算用操業結果因子導出手段と、
前記ニューラルネットワークに、前記複数の操業影響因子のうちの１つの操業影響因子の値として前記特定の値と異なる値を入力すると共に、残りの操業影響因子の値として前記特定の値を入力して前記操業結果因子の値を導出することを、前記複数の操業影響因子のそれぞれについて行う第２の感度計算用操業結果因子導出手段と、
前記第１の感度計算用操業結果因子導出手段により導出された操業結果因子の値と、前記第２の感度計算用操業結果因子導出手段により導出された操業結果因子の値とに基づいて、前記操業影響因子の感度を、前記複数の操業影響因子のそれぞれについて導出する感度導出手段と、
前記感度導出手段により導出された、前記複数の操業影響因子の感度に基づいて、前記複数の操業影響因子の一部を選択する操業影響因子選択手段と、を有し、
前記勝者ＳＯＭニューロン決定手段は、前記操業影響因子選択手段により選択された操業影響因子及び前記操業結果因子の情報が設定されて自己組織化マップに配置されたＳＯＭニューロンであって、前記実績データの値に最も値が近いＳＯＭニューロンを勝者ＳＯＭニューロンとして決定することを、前記データ取得手段により取得された実績データについて個別に行うことを特徴とする請求項３〜７の何れか１項に記載の操業予測装置。
【請求項９】
製品又は半製品を製造するための操業条件である操業影響因子を入力とし、該操業影響因子の影響を受けて決定される操業結果である操業結果因子を出力とする予測モデルを用いて操業結果因子の予測を行う操業予測方法であって、
過去の操業実績についての前記操業影響因子及び前記操業結果因子の情報を含む複数の実績データから選択された学習用実績データと、該実績データのうちの２つのデータの間を補間する補間データから選択された学習用補間データと、を学習用データとして、前記予測モデルの学習を行うことを特徴とする操業予測方法。
【請求項１０】
自己組織化マップを用いて、前記補間データの生成と、生成された該補間データからの前記学習用補間データの選択とを行うことを特徴とする、請求項９に記載の操業予測方法。
【請求項１１】
前記実績データと、前記操業結果因子を予測する対象である操業に対する前記操業影響因子の情報を含む操業結果予測対象データと、を取得するデータ取得工程と、
前記操業影響因子及び前記操業結果因子の情報が設定されて自己組織化マップに配置されたＳＯＭニューロンであって、前記実績データの値に最も値が近いＳＯＭニューロンを勝者ＳＯＭニューロンとして決定することを、前記データ取得工程により取得された実績データについて個別に行う勝者ＳＯＭニューロン決定工程と、
前記勝者ＳＯＭニューロンの値と、前記自己組織化マップにおいて該勝者ＳＯＭニューロンから所定の範囲内に位置しているＳＯＭニューロンである近傍ＳＯＭニューロンの値と、を前記実績データの値に近づけるように修正して、前記自己組織化マップを学習することを、前記データ取得工程により取得された実績データについて個別に行うＳＯＭ学習工程と、
前記ＳＯＭ学習工程により学習された後の前記自己組織化マップに配置されているＳＯＭニューロンのうち、前記操業影響因子の値が、前記データ取得工程により取得された操業結果予測対象データと近い所定数のＳＯＭニューロンを、予測モデル学習用ＳＯＭニューロンとして選択する予測モデル学習用ＳＯＭニューロン選択工程と、
前記データ取得工程により取得された実績データから、前記予測モデル学習用ＳＯＭニューロン選択工程により選択された予測モデル学習用ＳＯＭニューロンに値が最も近い実績データを、勝者実績データとして決定することを、前記予測モデル学習用ＳＯＭニューロンのそれぞれについて個別に行う勝者実績データ関連工程と、
前記ＳＯＭ学習工程により学習された後の前記自己組織化マップに配置されているＳＯＭニューロンを前記補間データとし、前記予測モデル学習用ＳＯＭニューロン選択工程により選択された予測モデル学習用ＳＯＭニューロンを前記学習用補間データとし、該予測モデル学習用ＳＯＭニューロンに対応する前記勝者実績データを前記学習用実績データとして、前記予測モデルを学習する予測モデル学習工程と、を有することを特徴とする、請求項１０に記載の操業予測方法。
【請求項１２】
前記データ取得工程により取得された実績データの数よりも多い数のＳＯＭニューロンを自己組織化マップに配置するＳＯＭパラメータ設定工程を有することを特徴とする請求項１１に記載の操業予測方法。
【請求項１３】
前記ＳＯＭ学習工程は、前記自己組織化マップにおいて前記勝者ＳＯＭニューロンに近い位置に配置されているＳＯＭニューロンであるほど、ＳＯＭニューロンの値の修正量を多くすると共に、学習の回数が少ないほど、ＳＯＭニューロンの値の修正量を多くすることを特徴とする請求項１１又は１２に記載の操業予測方法。
【請求項１４】
前記データ取得工程により取得された実績データと、操業結果予測対象データとを正規化するデータ正規化工程を有し、
前記データ取得工程により取得された実績データと操業結果予測対象データとして、前記データ正規化工程により正規化された実績データと操業結果予測対象データとが使用されるようにすることを特徴とする請求項１１〜１３の何れか１項に記載の操業予測方法。
【請求項１５】
前記予測モデル学習工程により学習された後の予測モデルを記憶する予測モデル記憶工程と、
前記予測モデル学習工程により学習された後の予測モデルを使用した前記操業結果因子の予測が１回終了すると、前記予測モデル記憶工程から当該予測モデルを破棄する破棄工程と、を有することを特徴とする請求項１１〜１４の何れか１項に記載の操業予測方法。
【請求項１６】
複数の前記操業影響因子を入力とし、前記操業結果因子を出力とするニューラルネットワークに、当該複数の操業影響因子の値として特定の値を入力して前記操業結果因子の値を導出する第１の感度計算用操業結果因子導出工程と、
前記ニューラルネットワークに、前記複数の操業影響因子のうちの１つの操業影響因子の値として前記特定の値と異なる値を入力すると共に、残りの操業影響因子の値として前記特定の値を入力して前記操業結果因子の値を導出することを、前記複数の操業影響因子のそれぞれについて行う第２の感度計算用操業結果因子導出工程と、
前記第１の感度計算用操業結果因子導出工程により導出された操業結果因子の値と、前記第２の感度計算用操業結果因子導出工程により導出された操業結果因子の値とに基づいて、前記操業影響因子の感度を、前記複数の操業影響因子のそれぞれについて導出する感度導出工程と、
前記感度導出工程により導出された、前記複数の操業影響因子の感度に基づいて、前記複数の操業影響因子の一部を選択する操業影響因子選択工程と、を有し、
前記勝者ＳＯＭニューロン決定工程は、前記操業影響因子選択工程により選択された操業影響因子及び前記操業結果因子の情報が設定されて自己組織化マップに配置されたＳＯＭニューロンであって、前記実績データの値に最も値が近いＳＯＭニューロンを勝者ＳＯＭニューロンとして決定することを、前記データ取得工程により取得された実績データについて個別に行うことを特徴とする請求項１１〜１５の何れか１項に記載の操業予測方法。
【請求項１７】
請求項９〜１６の何れか１項に記載の操業予測方法の各工程をコンピュータに実行させることを特徴とするコンピュータプログラム。
【請求項１】
製品又は半製品を製造するための操業条件である操業影響因子を入力とし、該操業影響因子の影響を受けて決定される操業結果である操業結果因子を出力とする予測モデルを用いて操業結果因子の予測を行う操業予測装置であって、
過去の操業実績についての前記操業影響因子及び前記操業結果因子の情報を含む複数の実績データから選択された学習用実績データと、該実績データのうちの２つのデータの間を補間する補間データから選択された学習用補間データと、を学習用データとして、前記予測モデルの学習を行うことを特徴とする操業予測装置。
【請求項２】
自己組織化マップを用いて、前記補間データの生成と、生成された該補間データからの前記学習用補間データの選択とを行うことを特徴とする、請求項１に記載の操業予測装置。
【請求項３】
前記実績データと、前記操業結果因子を予測する対象である操業に対する前記操業影響因子の情報を含む操業結果予測対象データと、を取得するデータ取得手段と、
前記操業影響因子及び前記操業結果因子の情報が設定されて自己組織化マップに配置されたＳＯＭニューロンであって、前記実績データの値に最も値が近いＳＯＭニューロンを勝者ＳＯＭニューロンとして決定することを、前記データ取得手段により取得された実績データについて個別に行う勝者ＳＯＭニューロン決定手段と、
前記勝者ＳＯＭニューロンの値と、前記自己組織化マップにおいて該勝者ＳＯＭニューロンから所定の範囲内に位置しているＳＯＭニューロンである近傍ＳＯＭニューロンの値と、を前記実績データの値に近づけるように修正して、前記自己組織化マップを学習することを、前記データ取得手段により取得された実績データについて個別に行うＳＯＭ学習手段と、
前記ＳＯＭ学習手段により学習された後の前記自己組織化マップに配置されているＳＯＭニューロンのうち、前記操業影響因子の値が、前記データ取得手段により取得された操業結果予測対象データと近い所定数のＳＯＭニューロンを、予測モデル学習用ＳＯＭニューロンとして選択する予測モデル学習用ＳＯＭニューロン選択手段と、
前記データ取得手段により取得された実績データから、前記予測モデル学習用ＳＯＭニューロン選択手段により選択された予測モデル学習用ＳＯＭニューロンに値が最も近い実績データを、勝者実績データとして決定することを、前記予測モデル学習用ＳＯＭニューロンのそれぞれについて個別に行う勝者実績データ関連手段と、
前記ＳＯＭ学習手段により学習された後の前記自己組織化マップに配置されているＳＯＭニューロンを前記補間データとし、前記予測モデル学習用ＳＯＭニューロン選択手段により選択された予測モデル学習用ＳＯＭニューロンを前記学習用補間データとし、該予測モデル学習用ＳＯＭニューロンに対応する前記勝者実績データを前記学習用実績データとして、前記予測モデルを学習する予測モデル学習手段と、を有することを特徴とする、請求項２に記載の操業予測装置。
【請求項４】
前記データ取得手段により取得された実績データの数よりも多い数のＳＯＭニューロンを自己組織化マップに配置するＳＯＭパラメータ設定手段を有することを特徴とする請求項３に記載の操業予測装置。
【請求項５】
前記ＳＯＭ学習手段は、前記自己組織化マップにおいて前記勝者ＳＯＭニューロンに近い位置に配置されているＳＯＭニューロンであるほど、ＳＯＭニューロンの値の修正量を多くすると共に、学習の回数が少ないほど、ＳＯＭニューロンの値の修正量を多くすることを特徴とする請求項３又は４に記載の操業予測装置。
【請求項６】
前記データ取得手段により取得された実績データと、操業結果予測対象データとを正規
化するデータ正規化手段を有し、
前記データ取得手段により取得された実績データと操業結果予測対象データとして、前記データ正規化手段により正規化された実績データと操業結果予測対象データとが使用されるようにすることを特徴とする請求項３〜５の何れか１項に記載の操業予測装置。
【請求項７】
前記予測モデル学習手段により学習された後の予測モデルを記憶する予測モデル記憶手段と、
前記予測モデル学習手段により学習された後の予測モデルを使用した前記操業結果因子の予測が１回終了すると、前記予測モデル記憶手段から当該予測モデルを破棄する破棄手段と、を有することを特徴とする請求項３〜６の何れか１項に記載の操業予測装置。
【請求項８】
複数の前記操業影響因子を入力とし、前記操業結果因子を出力とするニューラルネットワークに、当該複数の操業影響因子の値として特定の値を入力して前記操業結果因子の値を導出する第１の感度計算用操業結果因子導出手段と、
前記ニューラルネットワークに、前記複数の操業影響因子のうちの１つの操業影響因子の値として前記特定の値と異なる値を入力すると共に、残りの操業影響因子の値として前記特定の値を入力して前記操業結果因子の値を導出することを、前記複数の操業影響因子のそれぞれについて行う第２の感度計算用操業結果因子導出手段と、
前記第１の感度計算用操業結果因子導出手段により導出された操業結果因子の値と、前記第２の感度計算用操業結果因子導出手段により導出された操業結果因子の値とに基づいて、前記操業影響因子の感度を、前記複数の操業影響因子のそれぞれについて導出する感度導出手段と、
前記感度導出手段により導出された、前記複数の操業影響因子の感度に基づいて、前記複数の操業影響因子の一部を選択する操業影響因子選択手段と、を有し、
前記勝者ＳＯＭニューロン決定手段は、前記操業影響因子選択手段により選択された操業影響因子及び前記操業結果因子の情報が設定されて自己組織化マップに配置されたＳＯＭニューロンであって、前記実績データの値に最も値が近いＳＯＭニューロンを勝者ＳＯＭニューロンとして決定することを、前記データ取得手段により取得された実績データについて個別に行うことを特徴とする請求項３〜７の何れか１項に記載の操業予測装置。
【請求項９】
製品又は半製品を製造するための操業条件である操業影響因子を入力とし、該操業影響因子の影響を受けて決定される操業結果である操業結果因子を出力とする予測モデルを用いて操業結果因子の予測を行う操業予測方法であって、
過去の操業実績についての前記操業影響因子及び前記操業結果因子の情報を含む複数の実績データから選択された学習用実績データと、該実績データのうちの２つのデータの間を補間する補間データから選択された学習用補間データと、を学習用データとして、前記予測モデルの学習を行うことを特徴とする操業予測方法。
【請求項１０】
自己組織化マップを用いて、前記補間データの生成と、生成された該補間データからの前記学習用補間データの選択とを行うことを特徴とする、請求項９に記載の操業予測方法。
【請求項１１】
前記実績データと、前記操業結果因子を予測する対象である操業に対する前記操業影響因子の情報を含む操業結果予測対象データと、を取得するデータ取得工程と、
前記操業影響因子及び前記操業結果因子の情報が設定されて自己組織化マップに配置されたＳＯＭニューロンであって、前記実績データの値に最も値が近いＳＯＭニューロンを勝者ＳＯＭニューロンとして決定することを、前記データ取得工程により取得された実績データについて個別に行う勝者ＳＯＭニューロン決定工程と、
前記勝者ＳＯＭニューロンの値と、前記自己組織化マップにおいて該勝者ＳＯＭニューロンから所定の範囲内に位置しているＳＯＭニューロンである近傍ＳＯＭニューロンの値と、を前記実績データの値に近づけるように修正して、前記自己組織化マップを学習することを、前記データ取得工程により取得された実績データについて個別に行うＳＯＭ学習工程と、
前記ＳＯＭ学習工程により学習された後の前記自己組織化マップに配置されているＳＯＭニューロンのうち、前記操業影響因子の値が、前記データ取得工程により取得された操業結果予測対象データと近い所定数のＳＯＭニューロンを、予測モデル学習用ＳＯＭニューロンとして選択する予測モデル学習用ＳＯＭニューロン選択工程と、
前記データ取得工程により取得された実績データから、前記予測モデル学習用ＳＯＭニューロン選択工程により選択された予測モデル学習用ＳＯＭニューロンに値が最も近い実績データを、勝者実績データとして決定することを、前記予測モデル学習用ＳＯＭニューロンのそれぞれについて個別に行う勝者実績データ関連工程と、
前記ＳＯＭ学習工程により学習された後の前記自己組織化マップに配置されているＳＯＭニューロンを前記補間データとし、前記予測モデル学習用ＳＯＭニューロン選択工程により選択された予測モデル学習用ＳＯＭニューロンを前記学習用補間データとし、該予測モデル学習用ＳＯＭニューロンに対応する前記勝者実績データを前記学習用実績データとして、前記予測モデルを学習する予測モデル学習工程と、を有することを特徴とする、請求項１０に記載の操業予測方法。
【請求項１２】
前記データ取得工程により取得された実績データの数よりも多い数のＳＯＭニューロンを自己組織化マップに配置するＳＯＭパラメータ設定工程を有することを特徴とする請求項１１に記載の操業予測方法。
【請求項１３】
前記ＳＯＭ学習工程は、前記自己組織化マップにおいて前記勝者ＳＯＭニューロンに近い位置に配置されているＳＯＭニューロンであるほど、ＳＯＭニューロンの値の修正量を多くすると共に、学習の回数が少ないほど、ＳＯＭニューロンの値の修正量を多くすることを特徴とする請求項１１又は１２に記載の操業予測方法。
【請求項１４】
前記データ取得工程により取得された実績データと、操業結果予測対象データとを正規化するデータ正規化工程を有し、
前記データ取得工程により取得された実績データと操業結果予測対象データとして、前記データ正規化工程により正規化された実績データと操業結果予測対象データとが使用されるようにすることを特徴とする請求項１１〜１３の何れか１項に記載の操業予測方法。
【請求項１５】
前記予測モデル学習工程により学習された後の予測モデルを記憶する予測モデル記憶工程と、
前記予測モデル学習工程により学習された後の予測モデルを使用した前記操業結果因子の予測が１回終了すると、前記予測モデル記憶工程から当該予測モデルを破棄する破棄工程と、を有することを特徴とする請求項１１〜１４の何れか１項に記載の操業予測方法。
【請求項１６】
複数の前記操業影響因子を入力とし、前記操業結果因子を出力とするニューラルネットワークに、当該複数の操業影響因子の値として特定の値を入力して前記操業結果因子の値を導出する第１の感度計算用操業結果因子導出工程と、
前記ニューラルネットワークに、前記複数の操業影響因子のうちの１つの操業影響因子の値として前記特定の値と異なる値を入力すると共に、残りの操業影響因子の値として前記特定の値を入力して前記操業結果因子の値を導出することを、前記複数の操業影響因子のそれぞれについて行う第２の感度計算用操業結果因子導出工程と、
前記第１の感度計算用操業結果因子導出工程により導出された操業結果因子の値と、前記第２の感度計算用操業結果因子導出工程により導出された操業結果因子の値とに基づいて、前記操業影響因子の感度を、前記複数の操業影響因子のそれぞれについて導出する感度導出工程と、
前記感度導出工程により導出された、前記複数の操業影響因子の感度に基づいて、前記複数の操業影響因子の一部を選択する操業影響因子選択工程と、を有し、
前記勝者ＳＯＭニューロン決定工程は、前記操業影響因子選択工程により選択された操業影響因子及び前記操業結果因子の情報が設定されて自己組織化マップに配置されたＳＯＭニューロンであって、前記実績データの値に最も値が近いＳＯＭニューロンを勝者ＳＯＭニューロンとして決定することを、前記データ取得工程により取得された実績データについて個別に行うことを特徴とする請求項１１〜１５の何れか１項に記載の操業予測方法。
【請求項１７】
請求項９〜１６の何れか１項に記載の操業予測方法の各工程をコンピュータに実行させることを特徴とするコンピュータプログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７−１】
【図７−２】
【図８】
【図９】
【図１０】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７−１】
【図７−２】
【図８】
【図９】
【図１０】
【公開番号】特開２０１２−２２６７３２（Ｐ２０１２−２２６７３２Ａ）
【公開日】平成２４年１１月１５日（２０１２．１１．１５）
【国際特許分類】
【出願番号】特願２０１２−２６４３４（Ｐ２０１２−２６４３４）
【出願日】平成２４年２月９日（２０１２．２．９）
【出願人】（０００００６６５５）新日本製鐵株式会社 (6,474)
【公開日】平成２４年１１月１５日（２０１２．１１．１５）
【国際特許分類】
【出願日】平成２４年２月９日（２０１２．２．９）
【出願人】（０００００６６５５）新日本製鐵株式会社 (6,474)
[ Back to top ]