特開 2022-156989 造型条件導出装置、造型条件導出方法、機械学習装置及び機械学習方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022156989

(43)【公開日】2022-10-14

(54)【発明の名称】造型条件導出装置、造型条件導出方法、機械学習装置及び機械学習方法

(51)【国際特許分類】

   B22D 46/00 20060101AFI20221006BHJP

【ＦＩ】

B22D46/00

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2021060962

(22)【出願日】2021-03-31

(71)【出願人】

【識別番号】000191009

【氏名又は名称】新東工業株式会社

(74)【代理人】

【識別番号】110000338

【氏名又は名称】特許業務法人ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ

(72)【発明者】

【氏名】野口 陽平

(57)【要約】

【課題】鋳造用の鋳型の造型条件を、ユーザが設定するよりも合理的に設定することができる造型条件導出装置、造型条件導出方法、機械学習装置及び機械学習方法を実現する。
【解決手段】造型条件導出装置（１）は、鋳型の少なくとも１つの造型条件を導出する導出ステップを実行する１又は複数のプロセッサを備えており、導出ステップは、少なくとも１つの造型条件以外の鋳型の造型条件、鋳型の材料である砂の性状条件、及び鋳型の品質条件から、少なくとも１つの造型条件を導出するステップである。
【選択図】図１

【特許請求の範囲】

【請求項1】

鋳型の少なくとも１つの造型条件を導出する導出ステップを実行する１又は複数のプロセッサを備えており、
前記導出ステップは、前記少なくとも１つの造型条件以外の鋳型の造型条件、前記鋳型の材料である砂の性状条件、及び前記鋳型の品質条件から、前記少なくとも１つの造型条件を導出するステップである、
造型条件導出装置。

【請求項2】

前記導出ステップは、前記少なくとも１つの造型条件以外の鋳型の造型条件、前記鋳型の材料である砂の性状条件、及び前記鋳型の品質条件を入力とし、前記少なくとも１つの造型条件を出力とする学習済モデルを用いて実行される、
ことを特徴とする請求項１に記載の造型条件導出装置。

【請求項3】

前記学習済モデルは、学習用データセットを用いた非線形回帰アルゴリズムにより特定された非線形関数式、又は前記学習用データセットを用いた教師あり学習により構築された学習済ニューラルネットワークモデルである、請求項２に記載の造型条件導出装置。

【請求項4】

前記入力には、前記鋳型を用いて製造される鋳造品の品質条件が更に含まれている、請求項２又は３に記載の造型条件導出装置。

【請求項5】

前記プロセッサは、前記学習済モデルから出力された前記少なくとも１つの造型条件を含む前記造型条件を用いて造型機を制御する、請求項２から４のいずれか１項に記載の造型条件導出装置。

【請求項6】

１又は複数のプロセッサが実行する、鋳型の少なくとも１つの造型条件を導出する導出ステップを含んでおり、
前記導出ステップは、前記少なくとも１つの造型条件以外の鋳型の造型条件、前記鋳型の材料である砂の性状条件、及び前記鋳型の品質条件から、前記少なくとも１つの造型条件を導出するステップである、
造型条件導出方法。

【請求項7】

学習用データセットを用いた非線形回帰アルゴリズムによって、鋳型の少なくとも１つの造型条件を演算する非線形関数式を特定するステップ、又は前記学習用データセットを用いた教師あり学習によって、前記少なくとも１つの造型条件を推定する学習済ニューラルネットワークモデルを構築するステップを実行する１又は複数のプロセッサを備えており、
前記非線形関数式、又は前記学習済ニューラルネットワークモデルの入力は、前記少なくとも１つの造型条件以外の鋳型の造型条件、前記鋳型の材料である砂の性状条件、及び前記鋳型の品質条件であり、
前記非線形関数式、又は前記学習済ニューラルネットワークモデルの出力は、前記少なくとも１つの造型条件である、
機械学習装置。

【請求項8】

１又は複数のプロセッサが実行する、学習用データセットを用いた非線形回帰アルゴリズムによって、鋳型の少なくとも１つの造型条件を演算する非線形関数式を特定するステップ、又は前記学習用データセットを用いた教師あり学習によって、前記少なくとも１つの造型条件を推定する学習済ニューラルネットワークモデルを構築するステップを含んでおり、
前記非線形関数式、又は前記学習済ニューラルネットワークモデルの入力は、前記少なくとも１つの造型条件以外の鋳型の造型条件、前記鋳型の材料である砂の性状条件、及び前記鋳型の品質条件であり、
前記非線形関数式、又は前記学習済ニューラルネットワークモデルの出力は、前記少なくとも１つの造型条件である、
機械学習方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、造型条件導出装置、造型条件導出方法、機械学習装置及び機械学習方法に関する。

【背景技術】

【0002】

鋳造品を製造するためには、まず鋳物砂で鋳型を造型し、次いでその鋳型に溶湯を注湯する。そのため、所定の品質を満たす鋳造品を製造するためには、鋳造条件のみならず、鋳型の造型条件についても検討する必要がある。しかし、鋳造条件及び鋳型の造型条件は、互いに影響を与える多くのパラメータが存在するため、これまでは熟練者の経験に基づく判断によって設定されていた。しかし経験に基づく方法では、必ずしも最適な条件を設定することができるとは限らなかった。そのため、これまで様々な改良された条件設定方法が検討されてきた。例えば、特許文献１には、鋳造条件および不具合とその要因に関する経験的知識を知識ベースにまとめておき、入力した初期条件に応じて推論エンジンで推論して最適鋳造条件を設定し、製造した製品の状態等を検出し、再度の推論により鋳造条件を再設定する鋳造機の条件設定方法が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開平０５－００８０２５号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、特許文献１に開示された技術は、鋳造機の鋳造条件を設定することはできるが、鋳造用の鋳型の造型条件を設定することはできない。

【0005】

本発明の一態様は、鋳造用の鋳型の造型条件を、ユーザが設定するよりも合理的に設定することができる造型条件導出装置、造型条件導出方法、機械学習装置及び機械学習方法を実現することを目的とする。

【課題を解決するための手段】

【0006】

上記の課題を解決するために、本発明の一態様に係る造型条件導出装置は、鋳型の少なくとも１つの造型条件を導出する導出ステップを実行する１又は複数のプロセッサを備えており、前記導出ステップは、前記少なくとも１つの造型条件以外の鋳型の造型条件、前記鋳型の材料である砂の性状条件、及び前記鋳型の品質条件から、前記少なくとも１つの造型条件を導出するステップである。

【0007】

本発明の一態様に係る造型条件導出方法は、１又は複数のプロセッサが実行する、鋳型の少なくとも１つの造型条件を導出する導出ステップを含んでおり、前記導出ステップは、前記少なくとも１つの造型条件以外の鋳型の造型条件、前記鋳型の材料である砂の性状条件、及び前記鋳型の品質条件から、前記少なくとも１つの造型条件を導出するステップである。

【0008】

本発明の一態様に係る機械学習装置は、学習用データセットを用いた非線形回帰アルゴリズムによって、鋳型の少なくとも１つの造型条件を演算する非線形関数式を特定するステップ、又は前記学習用データセットを用いた教師あり学習によって、前記少なくとも１つの造型条件を推定する学習済ニューラルネットワークモデルを構築するステップを実行する１又は複数のプロセッサを備えており、前記非線形関数式、又は前記学習済ニューラルネットワークモデルの入力は、前記少なくとも１つの造型条件以外の鋳型の造型条件、前記鋳型の材料である砂の性状条件、及び前記鋳型の品質条件であり、前記非線形関数式、又は前記学習済ニューラルネットワークモデルの出力は、前記少なくとも１つの造型条件である。

【0009】

本発明の一態様に係る機械学習方法は、１又は複数のプロセッサが実行する、学習用データセットを用いた非線形回帰アルゴリズムによって、鋳型の少なくとも１つの造型条件を演算する非線形関数式を特定するステップ、又は前記学習用データセットを用いた教師あり学習によって、前記少なくとも１つの造型条件を推定する学習済ニューラルネットワークモデルを構築するステップを含んでおり、前記非線形関数式、又は前記学習済ニューラルネットワークモデルの入力は、前記少なくとも１つの造型条件以外の鋳型の造型条件、前記鋳型の材料である砂の性状条件、及び前記鋳型の品質条件であり、前記非線形関数式、又は前記学習済ニューラルネットワークモデルの出力は、前記少なくとも１つの造型条件である。

【発明の効果】

【0010】

本発明の一態様によれば、鋳造用の鋳型の造型条件を、ユーザが設定するよりも合理的に設定することができる造型条件導出装置、造型条件導出方法、機械学習装置及び機械学習方法を実現することができる。

【図面の簡単な説明】

【0011】

【図1】本発明の実施形態１に係る造型条件演算システムの全体構成図である。

【図2】実施形態１に係る造型条件演算装置のブロック構成図である。

【図3】実施形態１に係る造型条件演算方法を示すフローチャートである。

【図4】実施形態１に係る機械学習方法を示すフローチャートである。

【図5】遺伝的アルゴリズムを例示する図である。

【図6】造型条件演算装置が実施する関係式特定ステップの流れを示すフローチャートである。

【図7】造型条件演算装置が実施する処理の流れを示すフローチャートである。

【図8】クロスオーバーの内容を例示する図である。

【図9】サブツリー突然変異の内容を例示する図である。

【図10】ホイスト突然変異の内容を例示する図である。

【図11】点突然変異の内容を例示する図である。

【図12】本発明の実施形態２に係る造型条件推定システムの全体構成図である。

【図13】実施形態２に係る造型条件推定装置の構成を示すブロック構成図である。

【図14】実施形態２に係る造型条件推定方法のフローチャートである。

【図15】実施形態２に係る機械学習方法を示すフローチャートである。

【発明を実施するための形態】

【0012】

〔実施形態１〕
以下、本発明の一実施形態について、図面を参照して詳細に説明する。図１は、本発明の実施形態１に係る造型条件演算システムＳ１の全体構成図である。

【0013】

造型条件演算システムＳ１は、鋳型の造型条件（以下、単に「造型条件」と称する）を演算して設定するためのシステムである。造型条件演算システムＳ１は、図１に示すように、造型条件演算装置１と、データロガー５とを備える。造型条件演算システムＳ１は、機械学習装置２を備えてもよい。造型条件演算装置１は、特許請求の範囲に記載した「造型条件導出装置」の一形態である。

【0014】

鋳型は、造型機７によって造型される。鋳型は、鋳物砂に粘結剤（バインダー）を含む添加物を加えて混練し、混練された鋳物砂を造型機７の鋳枠に充填し、押し固めることによって造型される。粘結剤は、例えば、水ガラス等の無機材料である。造型される鋳型は例えば、主型又は中子である。

【0015】

鋳型造型機の運転条件は、鋳型の材料である砂の性状によって変更される。以下、鋳型造型機の運転条件を造型条件と称し、砂の性状に関する条件を砂性状条件と称する。造型条件は多くの種類があり、１つの造型条件を変えると、他の造型条件も変える必要がある。従って、所定の品質条件を満たす鋳型を造型するためには、複数の砂性状条件に応じて複数の造型条件を適切に組み合わせる必要がある。そのため、品質条件を満たす鋳型を製造するための砂性状条件と造型条件との最適な組み合わせを見つけることは容易なことではない。従来は、熟練者の経験則に基づく判断で造型条件の組み合わせが設定されていた。しかし、本実施形態では、造型条件演算装置１を用いて、所定の品質条件を満たす鋳型を製造するための、砂性状条件と造型条件の最適な組み合わせを設定する。

【0016】

砂性状条件は、コンパクタビリティ、水分量、通気度、及び砂温度のうちの少なくとも１つである。コンパクタビリティは、砂に所定の圧縮力を加えて圧縮した場合の、圧縮前後の体積の減少率である。水分量は、砂に含まれる水分割合であり、砂を加熱乾燥した場合の重量の減少量で求めることができる。通気度は、注湯時に発生するガスを透過させる（外部に放出する）能力である。砂温度は、造型前の砂の温度である。これらは、例えば専用の砂性状測定装置で測定することができる。

【0017】

造型条件は、スクイズ圧力、ボードセット位置、砂入れ時間、砂入れ時のエアレーション圧力及び／又はブロー圧力（本明細書では、両者を併せてエアレーション条件と称する。）、パターンプレートの種類（型）、離型剤の塗布量、及びレベリングフレームの動作タイミングのうちの少なくとも１つである。

【0018】

スクイズ圧力は、砂を充填した後にスクイズボードを押し込む圧力である。ボードセット位置は、砂を投入する前のスクイズボードの初期位置である。ボードセット位置により、投入する砂の量が変わる。砂入れ時間は、砂を投入する時間である。砂入れ時のエアレーション条件は、砂を投入する際に砂を均一に充填するために供給するエアの圧力である。パターンプレートの種類は、鋳型の形状（鋳造品の形状）を決める型の種類である。離型剤の塗布量は、パターンプレートに塗布する離型剤の塗布量である。レベリングフレームの動作タイミングは、枠付き造型機に設けられているレベリングフレームを動作させるタイミングである。

【0019】

また、造型された鋳型の品質条件（品質を評価するための評価項目）は、鋳型強度、型落ちの有無、及び砂付着の有無のうちの少なくとも１つである。鋳型強度は、鋳型を所定の方向に圧力をかけた場合に、変形又は亀裂等の破損が生じない圧力である。型落ちとは、鋳型の一部が剥落することである。砂付着とは、鋳型に余分な砂が付着することである。鋳型強度は、例えば強度計測機で計測される。型落ちの有無、及び砂付着の有無は、例えば鋳型判定機によって判定される。あるいは、これらは作業者が目視で判定してもよい。

【0020】

品質評価については、例えば、所定の値以上の強度を有する場合に、所定の品質を満たすと評価される。あるいは、鋳型強度に加えて、所定量以上の型落ちがないこと、及び砂付着が認められないこと、を満たす場合に、所定の品質を満たすと評価してもよい。

【0021】

（造型条件演算装置）
造型条件演算装置１について説明する。造型条件演算装置１は、造型条件演算方法Ｍ１を実施するための装置である。造型条件演算装置１は、データロガー５から、砂性状データ（砂性状条件とも称する）を取得する。具体的には、データロガー５は、砂性状条件を砂性状測定装置６から収集し、収集した砂性状条件を造型条件演算装置１に提供する。また、造型条件演算装置１は、データロガー５から、少なくとも１つの造型条件以外の造型条件を取得する。具体的には、データロガー５は、少なくとも１つの造型条件以外の造型条件を造型機７から収集し、造型条件演算装置１に提供する。あるいは、ユーザが少なくとも１つの造型条件以外の造型条件を直接、造型条件演算装置１に入力してもよい。品質条件は、ユーザが造型条件演算装置１に入力したものである。データロガー５は、例えば、ＰＬＣ（Programmable Logic Controller）やＩＰＣ（Industrial PC）などにより構成することができる。

【0022】

造型条件演算装置１は、少なくとも１つの造型条件を、学習用データセットを用いた非線形回帰アルゴリズムＬＭにより特定された関係式（本実施形態では非線形関数式）Ｆを用いて演算する。具体的には、造型条件演算装置１は、データロガー５から取得した砂性状条件、少なくとも１つの造型条件以外の造型条件、及び品質条件を非線形関数式Ｆに入力することにより、少なくとも１つの造型条件を演算する。言い換えれば、非線形関数式Ｆの入力は、少なくとも１つの造型条件以外の鋳型の造型条件、鋳型の材料である砂の性状条件、及び鋳型の品質条件であり、非線形関数式Ｆの出力は、少なくとも１つの造型条件である。非線形関数式Ｆは、特許請求の範囲に記載した「学習済モデル」の一形態である。

【0023】

（造型条件演算装置の構成）
造型条件演算装置１の構成について、図２を参照して説明する。図２は、実施形態１に係る造型条件演算装置１の構成を示すブロック構成図である。

【0024】

造型条件演算装置１は、汎用コンピュータを用いて実現されており、プロセッサ１１と、一次メモリ１２と、二次メモリ１３と、入出力インタフェース１４と、通信インタフェース１５と、バス１６とを備えている。プロセッサ１１、一次メモリ１２、二次メモリ１３、入出力インタフェース１４、及び通信インタフェース１５は、バス１６を介して相互に接続されている。

【0025】

二次メモリ１３には、造型条件演算プログラムＰ１、非線形関数式Ｆ、砂性状条件、造型データ（造型条件とも称する）、及び品質データ（品質条件とも称する）が格納されている。プロセッサ１１は、二次メモリ１３に格納されている造型条件演算プログラムＰ１、非線形関数式Ｆ、砂性状条件、造型条件、及び品質条件を一次メモリ１２上に展開する。そして、プロセッサ１１は、一次メモリ１２上に展開された造型条件演算プログラムＰ１に含まれる命令に従って、造型条件演算方法Ｍ１に含まれる各ステップを実行する。一次メモリ１２上に展開された砂性状条件、造型条件、及び品質条件は、造型条件演算方法Ｍ１の造型条件演算ステップＭ１２（後述）をプロセッサ１１が実行する際に利用される。なお、造型条件演算プログラムＰ１が二次メモリ１３に格納されているとは、ソースコード、又は、ソースコードをコンパイルすることにより得られた実行形式ファイルが二次メモリ１３に記憶されていることを指す。

【0026】

プロセッサ１１として利用可能なデバイスとしては、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphic Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＭＰＵ（Micro Processing Unit）、ＦＰＵ（Floating point number Processing Unit）、ＰＰＵ（Physics Processing Unit）、マイクロコントローラ、又は、これらの組み合わせを挙げることができる。

【0027】

また、一次メモリ１２として利用可能なデバイスとしては、例えば、半導体ＲＡＭ（Random Access Memory）を挙げることができる。一次メモリ１２は、「主記憶装置」と呼ばれることもある。また、二次メモリ１３として利用可能なデバイスとしては、例えば、フラッシュメモリ、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、ＯＤＤ（Optical Disk Drive）、ＦＤＤ（Floppy Disk Drive）、又は、これらの組み合わせを挙げることができる。二次メモリ１３は、「補助記憶装置」と呼ばれることもある。なお、二次メモリ１３は、造型条件演算装置１に内蔵されていてもよいし、入出力インタフェース１４又は通信インタフェース１５を介して造型条件演算装置１と接続された他のコンピュータ（例えば、クラウドサーバを構成するコンピュータ）に内蔵されていてもよい。なお、本実施形態においては、造型条件演算装置１における記憶を２つのメモリ（一次メモリ１２及び二次メモリ１３）により実現しているが、これに限定されない。すなわち、造型条件演算装置１における記憶を１つのメモリにより実現してもよい。この場合、例えば、そのメモリの或る記憶領域を一次メモリ１２として利用し、そのメモリの他の記憶領域を二次メモリ１３として利用すればよい。

【0028】

入出力インタフェース１４には、入力デバイス及び／又は出力デバイスが接続される。入出力インタフェース１４としては、例えば、ＵＳＢ（Universal Serial Bus）、ＡＴＡ（Advanced Technology Attachment）、ＳＣＳＩ（Small Computer System Interface）、ＰＣＩ（Peripheral Component Interconnect）などのインタフェースが挙げられる。入出力インタフェース１４に接続される入力デバイスとしては、データロガー５が挙げられる。造型条件演算方法Ｍ１において取得するデータは、データロガー５を介して造型条件演算装置１に入力され、一次メモリ１２に記憶される。また、入出力インタフェース１４に接続される入力デバイスとしては、キーボード、マウス、タッチパッド、マイク、又は、これらの組み合わせが挙げられる。また、入出力インタフェース１４に接続される出力デバイスとしては、ディスプレイ、プロジェクタ、プリンタ、スピーカ、ヘッドホン、又は、これらの組み合わせが挙げられる。造型条件演算方法Ｍ１においてユーザから取得するデータは、これらの出力デバイスを介して造型条件演算装置１に入力され、一次メモリ１２に記憶される。なお、造型条件演算装置１は、ラップトップ型コンピュータのように、入力デバイスとして機能するキーボードと、出力デバイスとして機能するディスプレイとを、それぞれ内蔵してもよい。或いは、造型条件演算装置１は、タブレット型コンピュータのように、入力デバイス及び出力デバイスの両方として機能するタッチパネルを内蔵していてもよい。

【0029】

通信インタフェース１５には、ネットワークを介して他のコンピュータが有線接続又は無線接続される。通信インタフェース１５としては、例えば、イーサネット（登録商標）、Ｗｉ－Ｆｉ（登録商標）などのインタフェースが挙げられる。利用可能なネットワークとしては、ＰＡＮ（Personal Area Network）、ＬＡＮ（Local Area Network）、ＣＡＮ（Campus Area Network）、ＭＡＮ（Metropolitan Area Network）、ＷＡＮ（Wide Area Network）、ＧＡＮ（Global Area Network）、又は、これらのネットワークを含むインターネットワークが挙げられる。インターネットワークは、イントラネットであってもよいし、エクストラネットであってもよいし、インターネットであってもよい。造型条件演算方法Ｍ１において造型条件演算装置１が他のコンピュータ（例えば、データロガー５）から取得するデータ（例えば、砂性状条件、造型条件、及び品質条件）、及び、造型条件演算方法Ｍ１において造型条件演算装置１が他のコンピュータに提供するデータは、これらのネットワークを介して送受信される。

【0030】

なお、本実施形態においては、単一のプロセッサ（プロセッサ１１）を用いて造型条件演算方法Ｍ１を実行する構成を採用しているが、本発明は、これに限定されない。すなわち、複数のプロセッサを用いて造型条件演算方法Ｍ１を実行する構成を採用してもよい。この場合、連携して造型条件演算方法Ｍ１を実行する複数のプロセッサは、単一のコンピュータに設けられ、バスを介して相互に通信可能に構成されていてもよいし、複数のコンピュータに分散して設けられ、ネットワークを介して相互に通信可能に構成されていてもよい。一例として、クラウドサーバを構成するコンピュータに内蔵されたプロセッサと、そのクラウドサーバの利用者が所有するコンピュータに内蔵されたプロセッサとが、連携して造型条件演算方法Ｍ１を実行する態様などが考えられる。

【0031】

また、本実施形態においては、造型条件演算方法Ｍ１を実行するプロセッサ（プロセッサ１１）と同じコンピュータに内蔵されたメモリ（二次メモリ１３）に砂性状条件、造型条件、又は品質条件を格納する構成を採用しているが、本発明は、これに限定されない。すなわち、造型条件演算方法Ｍ１を実行するプロセッサと異なるコンピュータに内蔵されたメモリに砂性状条件、造型条件、又は品質条件を格納する構成を採用してもよい。この場合、砂性状条件、造型条件、又は品質条件を格納するメモリが内蔵されたコンピュータは、造型条件演算方法Ｍ１を実行するプロセッサが内蔵されたコンピュータとネットワークを介して相互に通信可能に構成される。一例として、クラウドサーバを構成するコンピュータに内蔵されたメモリに砂性状条件、造型条件、又は品質条件を格納し、そのクラウドサーバの利用者が所有するコンピュータに内蔵されたプロセッサが造型条件演算方法Ｍ１を実行する態様などが考えられる。

【0032】

また、本実施形態においては、単一のメモリ（二次メモリ１３）に砂性状条件、造型条件、又は品質条件を格納する構成を採用しているが、本発明は、これに限定されない。すなわち、複数のメモリに砂性状条件、造型条件、又は品質条件を分散して格納する構成を採用してもよい。この場合、砂性状条件、造型条件、又は品質条件を格納する複数のメモリは、単一のコンピュータ（造型条件演算方法Ｍ１を実行するプロセッサが内蔵されたコンピュータであってもよいし、そうでなくてもよい）に設けられていてもよいし、複数のコンピュータ（造型条件演算方法Ｍ１を実行するプロセッサが内蔵されたコンピュータを含んでいてもよいし、そうでなくてもよい）に分散して設けられていてもよい。一例として、クラウドサーバを構成する複数のコンピュータの各々に内蔵されたメモリに砂性状条件、造型条件、又は品質条件を分散して格納する構成などが考えられる。

【0033】

（造型条件演算方法）
次に、造型条件演算装置１が実施する造型条件演算方法Ｍ１の流れについて説明する。造型条件演算方法Ｍ１は、砂性状条件、少なくとも１つの造型条件以外の造型条件、及び品質条件から、少なくとも１つの造型条件を演算する方法である。造型条件演算方法は、特許請求の範囲に記載した「造型条件導出方法」の一形態である。

【0034】

図３は、実施形態１に係る造型条件演算方法Ｍ１のフローチャートである。図３に示すように、造型条件演算方法Ｍ１は、データ収集ステップＭ１１と、造型条件演算ステップＭ１２と、を含む。なお、造型条件演算方法Ｍ１は、プロセッサ１１が、非線形関数式Ｆから出力された少なくとも１つの造型条件を含む造型条件を用いて、造型機７を制御する制御ステップＭ１３をさらに含んでもよい。その場合、造型条件演算装置１は、造型機７を制御する制御装置を兼ねる。非線形関数式Ｆから出力された少なくとも１つの造型条件を含む造型条件とは、例えば、非線形関数式Ｆから出力された造型条件と、出力された造型条件以外の造型条件を併せた造型条件である。

【0035】

データ収集ステップＭ１１は、造型条件演算装置１のプロセッサ１１が砂性状条件、少なくとも１つの造型条件以外の造型条件、及び品質条件を取得するステップである。具体的には、プロセッサ１１は、データロガー５から砂性状条件を取得し、造型機７から少なくとも１つの造型条件以外の造型条件を取得し、ユーザの入力から品質条件を取得する。

【0036】

造型条件演算ステップＭ１２は、プロセッサ１１が、一部の造型条件以外の造型条件を、非線形関数式Ｆを用いて演算するステップである。造型条件演算ステップＭ１２は、特許請求の範囲に記載した「鋳型の少なくとも１つの造型条件を導出する導出ステップ」の一例である。造型条件演算ステップＭ１２において、少なくとも１つの造型条件以外の造型条件と砂性状条件と品質条件とを組み合わせた条件から、少なくとも１つの造型条件が導出される。

【0037】

少なくとも１つの造型条件と、その少なくとも１つの造型条件以外の造型条件について説明する。鋳型を製造するにあたっては、所定の造型条件（少なくとも１つの造型条件）が鋳型の品質に大きな影響を与えることがこれまでの経験から判明している。所定の造型条件とは、例えば、スクイズ圧力、ボードセット位置、及びエアレーション条件のうちの少なくとも１つである。そのため、これらのうちの少なくとも１つの造型条件を除いた造型条件と砂性状条件とから、品質条件を満たす最適な少なくとも１つの造型条件を決めることが重要となる。

【0038】

例えば、砂性状条件をｘ（ｘ１，ｘ２，…，ｘｌ）、造型条件をｙ（ｙ１，ｙ２，…，ｙｍ）、及び品質条件をｚ（ｚ１，ｚ２，…，ｚｎ）とする。所定の造型条件をｙ１（例えばスクイズ圧力）とすると、所定の造型条件を除いた造型条件は（ｙ２，…，ｙｍ）の（ｍ－１）個の造型条件である。所定の造型条件ｙ１は、砂性状条件（ｘ１，ｘ２，…，ｘｌ）、ｙ１を除いた造型条件（ｙ２，…，ｙｍ）、品質条件（ｚ１，ｚ２，…，ｚｎ）を関数式Ｆに入れることにより演算される。つまり、
ｙ１＝Ｆ（ｘ１，ｘ２，…，ｘｌ，ｙ２，…，ｙｍ，ｚ１，ｚ２，…，ｚｎ）
である。関数式Ｆの特定方法については後述する。なお、所定の造型条件は１つに限らず、複数であってもよい。その場合、関数式Ｆに入力される造型条件は、その複数の造型条件を除いた造型条件である。

【0039】

制御ステップＭ１３は、演算した少なくとも１つの造型条件、並びにステップＭ１１で取得した少なくとも１つの造型条件以外の造型条件及び砂性状条件を用いて、プロセッサ１１が造型機７を制御するステップである。このステップにより、ステップＭ１１で取得した品質条件を満たす鋳型が造型機７により造型される。

【0040】

以上の造型条件演算装置１又は造型条件演算方法Ｍ１によれば、鋳造用の鋳型の最適な造型条件を、非線形関数式Ｆを用いて演算して設定することができる。従って、鋳造用の鋳型の造型条件を、ユーザが設定するよりも合理的に設定することができる。

【0041】

（変形例１）
上述の実施形態では、非線形関数式Ｆに入力されるデータは、砂性状条件、少なくとも１つの造型条件以外の造型条件、及び品質条件である。しかし、データの内容はこれに限らない。例えば、非線形関数式Ｆの入力に、鋳型を用いて製造される鋳造品の品質条件が含まれていてもよい。鋳造品の品質条件は、鋳造品の強度、及び欠陥（「す」等）の有無のうちの少なくとも１つである。

【0042】

鋳型の品質は鋳造される鋳造品の品質に直接関連するため、基本的には、鋳型の品質を管理することにより鋳造品の品質も管理される。しかし、鋳型で製造される鋳造品の品質を、鋳型の造型条件を決定する際のデータに加えることで、より精度の良い鋳型の造型条件を設定できる。

【0043】

（機械学習装置）
次に、実施形態１に係る機械学習装置２について説明する。機械学習装置２は、砂性状条件、造型条件、及び品質条件のデータセットを学習用データセットＤＳとして取得し、学習用データセットＤＳに基づいて砂性状条件、造型条件、及び品質条件の間の関係式を特定する。

【0044】

機械学習装置２は、機械学習方法Ｍ２を実施するための装置である。図１に示すように、機械学習装置２は、実際に鋳型を製造した際に、データロガー５から、砂性状条件と、造型条件と、品質条件と、を取得する。具体的には、データロガー５は、砂性状測定装置６から砂性状条件を収集し、造型機７から造型条件を取得し、鋳型判定機８から品質条件を取得して学習用データセットＤＳを作成する。なお、機械学習装置２は、砂性状条件、造型条件、及び品質条件の少なくとも１つをユーザから取得してもよい。

【0045】

データロガー５は、収集した砂性状条件、造型条件、及び品質条件を機械学習装置２に提供する。機械学習装置２は、取得した砂性状条件、造型条件、及び品質条件を含む学習用データセットＤＳを非線形回帰アルゴリズムＡＲに入力し、非線形関数式Ｆを特定する。

【0046】

また、ユーザが、過去に鋳型を製造した際に記録された、砂性状条件、造型条件、及び品質条件を集めて、学習用データセットＤＳとして機械学習装置２に入力してもよい。新たに鋳型を製造した際のデータのみを用いる場合は、学習用データセットＤＳの数を大きくして非線形関数式Ｆの精度を高めるまでに時間がかかる。しかし、過去に鋳型を製造した際のデータセットを学習用データセットＤＳに含めることにより、非線形関数式Ｆの精度を高めることができる。

【0047】

本実施形態においては、機械学習装置２は、造型条件演算装置１が兼ねている。つまり、機械学習装置２は、造型条件演算装置１で説明したプロセッサ１１と、一次メモリ１２と、二次メモリ１３と、入出力インタフェース１４と、通信インタフェース１５と、バス１６とによって構成される。以下ではその前提で説明するが、機械学習装置２は、造型条件演算装置１と情報通信可能な異なるコンピュータで構成されてもよい。

【0048】

二次メモリ１３には、機械学習プログラムＰ２及び学習用データセットＤＳが格納されている。学習用データセットＤＳは、教師データＤＳ１，ＤＳ２…の集合である。プロセッサ１１の機能は、先に説明したものと同様である。二次メモリ１３に格納された学習用データセットＤＳは、機械学習方法Ｍ２の学習用データセット構築ステップＭ２１（後述）にて構築され、機械学習方法Ｍ２の関係式特定ステップＭ２２（後述）において利用される。また、機械学習方法Ｍ２の関係式特定ステップＭ２２にて特定された関係式Ｆも、二次メモリ１３に格納される。

【0049】

機械学習方法Ｍ２においてユーザから取得するデータは、入力デバイスを介して機械学習装置２に入力され、一次メモリ１２に記憶される。機械学習方法Ｍ２においてユーザに提供する情報は、出力デバイスを介して機械学習装置２から出力される。機械学習装置２が造型条件演算装置１とは別のコンピュータとして構成されている場合は、造型条件演算装置１に提供するデータ（例えば、非線形関数式Ｆ）は、ネットワークを介して送受信されてもよい。

【0050】

（機械学習方法）
次に、機械学習方法Ｍ２の流れについて説明する。機械学習方法Ｍ２は、砂性状条件と、造型条件と、品質条件とから、これらの条件の間の関係式Ｆを、アルゴリズム（本実施形態においては非線形回帰アルゴリズムＡＲ）を用いて特定する方法である。本実施形態においては、非線形回帰アルゴリズムＡＲとして遺伝的アルゴリズムを用いている。しかし、本発明はこれに限定されず、例えばロジスティック回帰等の遺伝的アルゴリズム以外の非線形回帰アルゴリズムを用いてもよい。

【0051】

図４は、実施形態１に係る機械学習方法Ｍ２を示すフローチャートである。機械学習方法Ｍ２は、学習用データセット構築ステップＭ２１と、関係式特定ステップＭ２２と、関係式出力ステップＭ２３と、判定ステップＭ２４と、を含んでいる。

【0052】

学習用データセット構築ステップＭ２１は、プロセッサ１１が、教師データＤＳ１，ＤＳ２，…の集合である学習用データセットＤＳを構築するステップである。

【0053】

各教師データＤＳｉ（ｉ＝１，２，…）には、砂性状条件、造型条件、及び品質条件が含まれている。教師データＤＳｉに含まれる砂性状条件、造型条件、及び品質条件は、造型条件演算装置１が非線形関数式Ｆに入力する砂性状条件、造型条件、及び品質条件と同様のデータである。学習用データセット構築ステップＭ２１において、プロセッサ１１は、データロガー５からこれらのデータを取得し、学習用データセットＤＳを構築する。構築した学習用データセットＤＳは、二次メモリ１３に格納される。

【0054】

関係式特定ステップＭ２２は、プロセッサ１１が、学習用データセットを用いた非線形回帰アルゴリズムによって、鋳型の少なくとも１つの造型条件を演算する非線形関数式を特定するステップである。具体的には、関係式特定ステップＭ２２では、プロセッサ１１が、砂性状条件ｘ１，ｘ２，…，ｘｌ、造型条件ｙ１，ｙ２，…，ｙｍ、及び品質条件ｚ１，ｚ２，…，ｚｎを含む学習用データセットＤＳを参照して、条件ｘ、ｙ、ｚの間の関係を表す非線形関数式を、非線形回帰アルゴリズムを用いて特定する。本実施形態において、プロセッサ１１は、遺伝的アルゴリズムを用いて関係式を特定する。

【0055】

関係式特定ステップＭ２２においては、例えば、砂性状条件、少なくとも１つの造型条件以外の鋳型の造型条件、及び品質条件の組み合わせと、少なくとも１つの造型条件との関係を特定する。ユーザは、少なくとも１つの造型条件以外の鋳型の造型条件と、砂性状条件と、品質条件とを入力した場合に、少なくとも１つの造型条件を出力する関係式を特定するように、プロセッサ１１に入力する。

【0056】

例えば、プロセッサ１１に、スクイズ圧力を除いた造型条件と、砂性状条件と、品質条件とを入力した場合に、スクイズ圧力を出力する関係式を特定させることが好ましい。また、例えばプロセッサ１１に、ボードセット位置を除いた造型条件と、砂性状条件と、品質条件とを入力した場合に、ボードセット位置を出力する関係式を特定させることが好ましい。あるいは、例えばプロセッサ１１に、エアレーション条件を除いた造型条件と、砂性状条件と、品質条件とを入力した場合に、エアレーション条件を出力する関係式を特定させることが好ましい。あるいは、プロセッサ１１に、スクイズ圧力、ボードセット位置、及びエアレーション条件のうちの２つ、又は３つを除いた造型条件を含むデータセットを入力した場合に、除かれた２つ、又は３つの条件を出力する関係式を特定させることが好ましい。

【0057】

関係式出力ステップＭ２３は、プロセッサ１１が、関係式特定ステップＭ２２にて特定した関係式を出力するステップである。本実施形態において、プロセッサ１１は、関係式をディスプレイに出力（表示）する。このとき、プロセッサ１１は、関係式を表すグラフをディスプレイに表示してもよい。

【0058】

ディスプレイに出力された関係式を目視により確認したユーザは、造型条件演算装置１が特定した関係式が適切な関係式であるか否かを判断する。そして、この判断を終えたユーザは、判断結果を機械学習装置２に入力するためのユーザ操作を行う。

【0059】

判定ステップＭ２４は、プロセッサ１１が、関係式特定ステップＭ２２にて特定した関係式が適切な関係式であるか否かを、上述したユーザ操作に応じて判定するステップである。判定ステップＭ２４にて「適切な関係式である」と判定された場合、プロセッサ１１は、特定された関係式Ｆを二次メモリ１３に格納する。一方、判定ステップＭ２４にて「適切な関係式でない」と判定された場合、プロセッサ１１は、前述した関係式特定ステップＭ２２以降の処理を再び実行する。なお、関係式特定ステップＭ２２以降の処理を再び実行する場合、プロセッサ１１は、関係式特定ステップＭ２２において用いる砂性状条件、造型条件、及び品質条件のセットを変更したり、遺伝的アルゴリズムで用いるパラメータを変更したりする処理を行ってもよい。

【0060】

（関係式特定ステップの具体例）
機械学習方法Ｍ２に含まれる関係式特定ステップＭ２２の具体例について、図５及び図６を参照して説明する。図５は、遺伝的アルゴリズムＧＡを例示する図である。図６は、プロセッサ１１が実行する関係式特定ステップＭ２２の流れを例示するフローチャートである。図５の例では、遺伝的アルゴリズムＧＡは、第一世代Ｇ１～第四世代Ｇ４を含む。

【0061】

本具体例に係る関係式特定ステップＭ２２においては、遺伝的アルゴリズムを用いて条件ｘ、ｙ、ｚの間の関係を表す非線形関数式を特定する。ここで、遺伝的アルゴリズムとは、解の候補を遺伝子で表現した個体ｉを複数用意し、適応度Ｄｉの高い個体ｉを優先的に選択して交叉、突然変異などの操作を繰り返しながら解を探索するアルゴリズムのことを指す。本実施形態において、個体ｉは、非線形の関係式をツリー構造で表したものであり、関係式に含まれる演算子及び引数がツリーのノードで表される。
適応度Ｄｉは適応度関数によって与えられる。

【0062】

プロセッサ１１は、所定のモジュール（以下、「Ａモジュール」という）を用いて関係式特定ステップＭ２２を実行する。Ａモジュールは、遺伝的アルゴリズムを実行するモジュールである。Ａモジュールでは、プロセッサ１１は、まず、新しいデータを予測するために、既知の独立変数とそれらの従属変数ターゲットの間の関係を表す単純なランダム式の母集団を作成することから始める。次に、プロセッサ１１は、遺伝子操作を受ける集団から最も適した個体を選択することにより、集団を進化させて次の世代の集団を生成する。上記の操作により、上記関係を最もよく示す関係式が特定される。

【0063】

本具体例では、Ａモジュールとして、遺伝的プログラミングを実行するモジュールが用いられる。遺伝的プログラミングとは、遺伝的アルゴリズムを拡張したものであり、遺伝子型の表現としてツリー構造を用いる。なお、図６に示す関係式特定ステップＭ２２の流れは例示であり、遺伝的アルゴリズムＧＡを用いた関係式の特定方法は図６に示した方法に限定されるものではない。遺伝的アルゴリズムＧＡを用いた関係式の特定方法として、他の種々の手法が採用され得る。

【0064】

ステップＭ２２１において、プロセッサ１１は、データセットＤＳを取得する。本動作例では、プロセッサ１１は、二次メモリ１３に記憶されたデータセットＤＳを読み出すことにより、砂性状データ、造型データ、及び品質データを取得する。

【0065】

ステップＭ２２２において、プロセッサ１１は、遺伝的アルゴリズムＧＡで用いるパラメータ（以下「個体パラメータ」という）を取得する。個体パラメータは例えば、生成個体数Ｎ、トーナメントサイズＮｔ、交叉確率Ｐｃ、突然変異確率Ｐｍｓ、進化世代数Ｎｇ、構文木に用いる演算子Ｏｊ、構文木の最大の深さｄ、事象発生確率Ｐｋ１～Ｐｋ５を含む。各個体パラメータの値は例えば、ユーザが造型条件演算装置１に入力する。

【0066】

生成個体数Ｎは、集合に含める個体ｉの数を表す。トーナメントサイズＮｔは、現世代の集合からランダムに選択する個体ｉの数である。突然変異確率Ｐｍｓは、遺伝子が突然変異をする確率である。構文木に用いる演算子Ｏｉは、例えば、Max、Min、sqrt（ルート）、log（自然対数）、＋、－、×、÷、sin(ラジアン)、cos(ラジアン)、tan(ラジアン)、abs、neg、invである。Maxは、最大値を選択する演算子である。Minは、最小値を選択する演算子である。negは符号をマイナスにする演算子である。invはゼロに近い引数を0にする演算子である。

【0067】

事象発生確率Ｐｋ１～Ｐｋ５は、次世代の集合を進化させる操作として操作ｍ１～ｍ５がそれぞれ選択される確率である。プロセッサ１１は、操作ｍ１～ｍ５のいずれかの方法で次世代の集合を進化させる。事象発生確率Ｐｋ１～Ｐｋ５の総和は１とする。一例として、事象発生確率Ｐｋ１、Ｐｋ２、Ｐｋ３、Ｐｋ４、Ｐｋ５の値は、それぞれ、「０．１」、「０．２」、「０．３」、「０．４」、「０．１」である。操作ｍ１～ｍ５については参照する図面を代えて後述する。

【0068】

ステップＭ２２３において、プロセッサ１１は、指定された個体パラメータ（構文木に用いる演算子Ｏｉ、構文木の最大の深さｄ、等）に基づいて、Ｎ個の個体ｉをランダムに生成し、最初の現世代となるＮ個の個体ｉの集合を生成する。

【0069】

ステップＭ２２４において、プロセッサ１１は、現世代の集合に含まれる個体ｉのそれぞれの適応度Ｄｉを算出する。適応度Ｄｉは、適応度関数によって与えられる。

【0070】

ステップＭ２２５において、プロセッサ１１は、現世代の集合からトーナメントサイズＮｔの数の個体ｉをランダムに取り出し、その中で最も適応度Ｄｉの高い個体ｉを選択し、次世代の集合に追加する。ステップＭ２２５において選択された個体ｉ、すなわち、次世代の集合に追加された個体ｉを「勝者ツリー」ともいう。

【0071】

プロセッサ１１は、次世代の個体数が現世代と同じＮ個になるまで、すなわち次世代の個体数がＮに達していない間は（ステップＭ２２６；ＮＯ）、ステップＭ２２５の処理を繰り返す。プロセッサ１１は、次世代の個体数がＮに達すると（ステップＭ２２６；ＹＥＳ）ステップＭ２２７の処理を実行する。

【0072】

ステップＭ２２７において、プロセッサ１１は、次世代の集合を進化させる処理を実行する。なお、ステップＭ２２７の詳細については、参照する図面を代えて後述する。

【0073】

ステップＭ２３０において、プロセッサ１１は、次世代の集合を現世代の集合に上書きする。ステップＭ２３１において、プロセッサ１１は、進化世代数Ｎｇに達したかを判定する。進化世代数Ｎｇに達していない場合（ステップＭ２３１；ＮＯ）、プロセッサ１１はステップＭ２２４の処理に戻る。一方、進化世代数Ｎｇに達している場合（ステップＭ２３１；ＹＥＳ）、プロセッサ１１は、ステップＭ２３２の処理に進む。

【0074】

ステップＭ２３２において、プロセッサ１１は、現世代の集合に含まれる個体ｉの中から適応度Ｄｉが最も高い個体ｉを特定する。以上の処理により、プロセッサ１１は、砂性状データ、造型データ、及び品質データの関係を表す非線形の関係式を特定する。

【0075】

図７は、プロセッサ１１が実行するステップＭ２２７の流れを例示するフローチャートである。ステップＭ５０１において、プロセッサ１１は、ユーザにより設定された事象発生確率Ｐｋ１～Ｐｋ５に基づき、操作ｍ１～ｍ５のいずれかを選択する。操作ｍ１を選択した場合（ステップＭ５０１；「操作ｍ１」）、プロセッサ１１は、ステップＭ５０２の処理に進む。操作ｍ２を選択した場合（ステップＭ５０１；「操作ｍ２」）、プロセッサ１１は、ステップＭ５１１の処理に進む。操作ｍ３を選択した場合（ステップＭ５０１；「操作ｍ３」）、プロセッサ１１は、ステップＭ５２１の処理に進む。操作ｍ４を選択した場合（ステップＭ５０１；「操作ｍ４」）、プロセッサ１１は、ステップＭ５３１の処理に進む。操作ｍ５を選択した場合（ステップＭ５０１；「操作ｍ５」）、プロセッサ１１は、処理を終了する。

【0076】

操作ｍ１は、クロスオーバーである。クロスオーバーとは、個体間で遺伝物質を混合する方法である。クロスオーバーの場合、ステップＭ５０２において、プロセッサ１１は、次世代の集合に含まれる勝者ツリーについて、各勝者ツリーに含まれるサブツリーをランダムに選択する。

【0077】

ステップＭ５０３において、プロセッサ１１は、ドナー用の次世代の集合を生成する。ステップＭ５０３の処理の内容は、図６のステップＭ２２３～Ｍ２２５の内容と同様である。すなわち、プロセッサ１１は、まず、ユーザにより指定された個体パラメータに基づいて、Ｎ個の個体ｉをランダムに生成し、Ｎ個の個体ｉの集合（以下「ドナー集合」という）を生成する。次いで、プロセッサ１１は、ドナー集合に含まれる個体ｉのそれぞれの適応度Ｄｉを算出する。次いで、プロセッサ１１は、ドナー集合からトーナメントサイズＮｔの数の個体ｉをランダムに取り出し、その中で最も適応度Ｄｉの高い個体ｉを選択し、次世代のドナー集合に追加する。この処理により選択される個体ｉを「ドナーツリー」ともいう。プロセッサ１１は、次世代のドナーツリーの数がＮになるまで、ドナーツリーの選択処理を繰り返す。

【0078】

ステップＭ５０４において、プロセッサ１１は、ドナーツリーに含まれるサブツリー（以下「ドナーサブツリー」という）をランダムに選択する。

【0079】

ステップＭ５０５において、プロセッサ１１は、勝者ツリーにおいてサブツリーの入れ替えを行う。本実施形態では、プロセッサ１１は、勝者ツリーからステップＭ５０２で選択したサブツリー取り除き、そのサブツリーがあった箇所にステップＭ５０３で選択したドナーサブツリーを移植する。すなわち、プロセッサ１１は、勝者ツリーに含まれるサブツリーをドナーサブツリーで置換する。このサブツリーが置換された勝者ツリーが、次世代の子孫（個体）となる。

【0080】

操作ｍ２は、サブツリーを突然変異させる操作である。サブツリーを突然変異させることにより、絶滅した機能とオペレーターを集団に再導入し、多様性を維持することができる。この場合、ステップＭ５１１において、プロセッサ１１は、勝者ツリーに含まれるサブツリーをランダムに選択する。

【0081】

ステップＭ５１２において、プロセッサ１１は、サブツリーをランダムに生成する。ステップＭ５１３において、プロセッサ１１は、勝者ツリーにおいてサブツリーの入れ替えを行う。本実施形態では、プロセッサ１１は、勝者ツリーからステップＭ５０２で選択したサブツリーを取り除き、取り除いたサブツリーがあった箇所に、ステップＭ５１２で生成したサブツリーを移植する。すなわち、プロセッサ１１は、勝者ツリーに含まれるサブツリーをステップＭ５１２で生成したサブツリーで置換する。このサブツリーが置換された勝者ツリーが、次世代の子孫（個体）となる。

【0082】

操作ｍ３は、ホイスト突然変異である。ホイスト突然変異は、ツリーの膨らみと戦う突然変異操作である。ステップＭ５２１において、プロセッサは、勝者ツリーに含まれるサブツリーをランダムに選択する。ステップＭ５２２において、プロセッサ１１は、ステップＭ５２１で選択したサブツリーに含まれるサブツリーをランダムに選択する。

【0083】

ステップＭ５２３において、プロセッサ１１は、ステップＭ５２２で選択したサブツリーを、元のサブツリー（ステップＭ５２１で選択したサブツリー）の位置まで巻き上げる。このサブツリーが巻き上げられた勝者ツリーが、次世代の子孫（個体）となる。

【0084】

操作ｍ４は、点突然変異である。点突然変異は、多様性を維持するために、絶滅した関係式と演算子を集団に再導入する操作である。ステップＭ５３１において、プロセッサ１１は、勝者ツリーのノードをランダムに選択する。ステップＭ５３２において、プロセッサ１１は、ステップＭ５３１で選択したノードを、他のノードに置換する。これにより、勝者ツリーの表す関係式は、元のノードと同じ数の引数を必要とする他の関係式に置き換えられる。置き換えにより得られる勝者ツリーが、次世代の子孫（個体）となる。

【0085】

操作ｍ５は、再生である。この場合、勝者ツリーは複製され、変更されることなく次の世代に含められる。

【0086】

図８～図１１は、勝者ツリーに対して行われる操作の内容を例示する図である。図８は、操作ｍ１（クロスオーバー）の内容を例示する図である。図８の例では、勝者ツリーｔｒ１１のサブツリーｔｒ１１１が、ドナーツリーｔｒ１２のサブツリーｔｒ１２１で置換され、勝者ツリーｔｒ１３となる。勝者ツリーｔｒ１３が、次世代の子孫（個体）となる。

【0087】

図９は、操作ｍ２（サブツリー突然変異）の内容を例示する図である。図９の例では、勝者ツリーｔｒ１１のサブツリーｔｒ１１１が、サブツリーｔｒ２２で置換され、勝者ツリーｔｒ２３となる。勝者ツリーｔｒ２３が、次世代の子孫（個体）となる。

【0088】

図１０は、操作ｍ３（ホイスト突然変異）の内容を例示する図である。図１０の例では、勝者ツリーｔｒ１１のサブツリーｔｒ１１２１が、サブツリーｔｒ１１２の位置まで巻き上げられ、勝者ツリーｔｒ３１となる。勝者ツリーｔｒ３１が、次世代の子孫（個体）となる。

【0089】

図１１は、操作ｍ４（点突然変異）の内容を例示する図である。図１１の例では、勝者ツリーｔｒ１１に含まれるノードｎ２１及びノードｎ３４が、ノードｎ４２１及びノードｎ４３４に置換され、勝者ツリーｔｒ４１となる。勝者ツリーｔｒ４１が、次世代の子孫（個体）となる。

【0090】

以上の機械学習装置２及び機械学習方法Ｍ２によれば、機械学習装置２が、非線形回帰アルゴリズムによって、造型条件を合理的に導出できる関係式（非線形関数式）を特定することができる。

【0091】

（変形例２）
上述の実施形態では、機械学習装置２が取得するデータセットは、砂性状条件、造型条件、及び品質条件から構成される。しかし、データセットの内容はこれに限らない。例えば、非線形関数式Ｆに入力するデータセットに、鋳型を用いて製造された鋳造品の品質条件を加えてもよい。

【0092】

〔実施形態２〕
本発明の他の実施形態について、以下に図面を参照して説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。図１２は、本発明の実施形態２に係る造型条件推定システムＳ２の全体構成図である。

【0093】

造型条件推定システムＳ２は、鋳型の造型条件を推定して設定するためのシステムである。造型条件推定システムＳ２は、図１２に示すように、造型条件推定装置３と、データロガー５とを備える。造型条件演算システムＳ１は、機械学習装置４を備えてもよい。造型条件推定装置３は、特許請求の範囲に記載した「造型条件導出装置」の一形態である。

【0094】

（造型条件推定装置）
造型条件推定装置３について説明する。造型条件推定装置３は、造型条件推定方法Ｍ３を実施するための装置である。造型条件推定装置３は、データロガー５から、砂性状条件と少なくとも１つの造型条件以外の造型条件を取得する。また、造型条件推定装置３は、ユーザが造型条件推定装置３に入力した品質条件を取得する。

【0095】

造型条件推定装置３は、少なくとも１つの造型条件を、学習用データセットを用いた教師あり学習により構築された学習済ニューラルネットワークモデルＬＭを用いて推定する。学習済ニューラルネットワークモデルＬＭは、少なくとも１つの造形条件を、この造型条件以外の鋳型の造型条件、鋳型の材料である砂の性状条件、及び鋳型の品質条件から推定するニューラルネットワークモデル（より具体的には、ディープニューラルネットワークモデル）である。言い換えれば、学習済ニューラルネットワークモデルＬＭの入力は、少なくとも１つの造型条件以外の鋳型の造型条件、鋳型の材料である砂の性状条件、及び鋳型の品質条件であり、学習済ニューラルネットワークモデルＬＭの出力は、少なくとも１つの造型条件である。学習済ニューラルネットワークモデルＬＭは、特許請求の範囲に記載した「学習済モデル」の一形態である。

【0096】

（造型条件推定装置の構成）
造型条件推定装置３の構成について、図１３を参照して説明する。造型条件推定装置３は、造型条件推定方法Ｍ３を実施するための装置である。図１３は、実施形態２に係る造型条件推定装置３の構成を示すブロック構成図である。

【0097】

造型条件推定装置３は、汎用コンピュータを用いて実現されており、プロセッサ３１と、一次メモリ３２と、二次メモリ３３と、入出力インタフェース３４と、通信インタフェース３５と、バス３６とを備えている。学習済ニューラルネットワークモデルＬＭは、例えば二次メモリ３３に格納されている。各要素は、実施形態１の造型条件演算装置１で説明した要素と対応している。また、プロセッサ３１及びメモリ（一次メモリ３２と二次メモリ３３）の構成についても、造型条件演算装置１で説明したバリエーションが適用可能である。従ってこれらの詳細については説明を省略する。

【0098】

二次メモリ３３には、造型条件推定プログラムＰ３、学習済ニューラルネットワークモデルＬＭ、砂性状条件、造型条件、及び品質条件が格納されている。プロセッサ３１の機能は、実施形態１で説明したプロセッサ１１と同様である。一次メモリ３２上に展開された砂性状条件、造型条件、及び品質条件は、造型条件推定方法Ｍ３の推定ステップＭ３２（後述）をプロセッサ３１が実行する際に利用される。

【0099】

（造型条件推定方法）
次に、造型条件推定装置３が実施する造型条件推定方法Ｍ３の流れについて説明する。造型条件推定方法Ｍ３は、砂性状条件、少なくとも１つの造型条件以外の鋳型の造型条件、及び品質条件から、少なくとも１つの造型条件を推定する方法である。造型条件推定方法は、特許請求の範囲に記載した「造型条件導出方法」の一形態である。

【0100】

図１４は、実施形態２に係る造型条件推定方法Ｍ３のフローチャートである。図１４に示すように、造型条件推定方法Ｍ３は、データ収集ステップＭ３１と、推定ステップＭ３２と、を含む。なお、造型条件推定方法Ｍ３は、プロセッサ３１が、推定した造型条件、及び先に取得した造型条件を用いて、造型機７を制御する制御ステップＭ３３をさらに含んでもよい。その場合、造型条件推定装置３は、造型機７を制御する制御装置を兼ねる。

【0101】

データ収集ステップＭ３１は、プロセッサ３１が砂性状条件、少なくとも１つの造型条件以外の鋳型の造型条件、及び品質条件を取得するステップである。データ収集ステップＭ３１は、実施形態１で説明したデータ収集ステップＭ１１と同様である。

【0102】

推定ステップＭ３２は、プロセッサ３１が、少なくとも１つの造型条件を、学習済ニューラルネットワークモデルＬＭを用いて推定するステップである。推定ステップＭ３２は、特許請求の範囲に記載した「造型条件を導出する導出ステップ」の一例である。推定ステップＭ３２においては、例えば、少なくとも１つの造型条件以外の鋳型の造型条件、砂性状条件、及び品質条件を組み合わせた条件から、その品質条件を満たすその一部以外の造型条件が導出される。

【0103】

例えば、学習済ニューラルネットワークモデルＬＭの入力は、少なくとも１つの造型条件以外の鋳型の造型条件、鋳型の材料である砂の性状条件、及び鋳型の品質条件であり、学習済ニューラルネットワークモデルＬＭの出力は、少なくとも１つの造型条件である。

【0104】

制御ステップＭ３３は、導出した造型条件、並びにステップＭ３１で取得した造型条件及び砂性状条件を用いて、プロセッサ３１が造型機７を制御するステップである。このステップにより、ステップＭ３１で取得した品質条件を満たす鋳型が造型機７により造型される。

【0105】

以上の造型条件推定装置３又は造型条件推定方法Ｍ３によれば、鋳造用の鋳型の造型条件を、学習済ニューラルネットワークモデルＬＭを用いて推定して設定することができる。従って、鋳造用の鋳型の造型条件を、ユーザが設定するよりも合理的に設定することができる。

【0106】

（機械学習装置）
次に、実施形態２に係る機械学習装置４について説明する。機械学習装置４は、機械学習方法Ｍ４を実施するための装置である。機械学習装置４は、砂性状条件、造型条件、及び品質条件のデータセットを学習用データセットＤＳとして取得する。そして、学習用データセットＤＳをニューラルネットワークモデルＮＮＭに入力し、学習済ニューラルネットワークモデルＬＭを生成する。学習済ニューラルネットワークモデルＬＭは、砂性状条件、少なくとも１つの造型条件以外の鋳型の造型条件、及び品質条件を用いて、少なくとも１つの造型条件を推定して導出する。ニューラルネットワークモデルＮＮＭは、例えば、ディープニューラルネットワークモデル、再帰型ニューラルネットワークモデル等を用いることができる。

【0107】

図１２に示すように、機械学習装置４は、データロガー５から、砂性状条件と、造型条件と、品質条件と、を取得する。このプロセスは、実施形態１の機械学習装置２がデータを取得するプロセスと同様である。機械学習装置４は、取得した砂性状条件、造型条件、及び品質条件を含む学習用データセットＤＳをニューラルネットワークモデルＮＮＭに入力し、学習済ニューラルネットワークモデルＬＭを生成する。

【0108】

本実施形態においては、機械学習装置４は、造型条件推定装置３が兼ねている。つまり、機械学習装置４は、造型条件推定装置３で説明した構成と同じである。以下ではその前提で説明するが、機械学習装置４は、造型条件推定装置３と情報通信可能な異なるコンピュータで構成されてもよい。

【0109】

二次メモリ３３には、機械学習プログラムＰ４及び学習用データセットＤＳが格納されている。学習用データセットＤＳは、教師データＤＳ１，ＤＳ２…の集合である。プロセッサ３１の機能は、実施形態１で説明したプロセッサ１１と同様である。二次メモリ３３に格納された学習用データセットＤＳは、機械学習方法Ｍ４の学習用データセット構築ステップＭ４１（後述）にて構築され、機械学習方法Ｍ４の学習済モデル構築ステップＭ４２（後述）において利用される。また、機械学習方法Ｍ４の学習済モデル構築ステップＭ４２にて構築された学習済ニューラルネットワークモデルＬＭも、二次メモリ３３に格納される。

【0110】

機械学習方法Ｍ４においてユーザから取得するデータは、入力デバイスを介して機械学習装置４に入力され、一次メモリ３２に記憶される。機械学習方法Ｍ４においてユーザに提供する情報は、出力デバイスを介して機械学習装置４から出力される。

【0111】

（機械学習方法）
機械学習方法Ｍ４の流れについて説明する。機械学習方法Ｍ４は、砂性状条件と、造型条件と、品質条件とを、ニューラルネットワークモデルＮＮＭに入力して、学習済ニューラルネットワークモデルＬＭを生成する方法である。

【0112】

図１５は、実施形態２に係る機械学習方法Ｍ４を示すフローチャートである。機械学習方法Ｍ４は、学習用データセット構築ステップＭ４１と、学習済モデル構築ステップＭ４２と、を含んでいる。

【0113】

学習用データセット構築ステップＭ４１は、プロセッサ３１が、教師データＤＳ１，ＤＳ２，…の集合である学習用データセットＤＳを構築するステップである。

【0114】

各教師データＤＳｉ（ｉ＝１，２，…）には、砂性状条件、造型条件、及び品質条件が含まれている。教師データＤＳｉに含まれる砂性状条件、造型条件、及び品質条件は、造型条件推定装置３が学習済ニューラルネットワークモデルＬＭに入力する砂性状条件、造型条件、及び品質条件と同様のデータである。学習用データセット構築ステップＭ４１において、プロセッサ３１は、データロガー５からこれらのデータを取得し、学習用データセットＤＳを構築する。

【0115】

学習済モデル構築ステップＭ４２は、プロセッサ３１が、学習用データセットを用いた教師あり学習によって、少なくとも１つの造型条件を推定する学習済ニューラルネットワークモデルを構築するステップである。具体的には、学習済モデル構築ステップＭ４２では、プロセッサ３１が、学習用データセットＤＳをニューラルネットワークモデルＮＮＭに入力することにより、学習済ニューラルネットワークモデルＬＭを構築する。より具体的には、プロセッサ３１は、例えば、砂性状条件、少なくとも１つの造型条件以外の鋳型の造型条件、及び品質条件を入力し、少なくとも１つの造型条件を出力させる学習をニューラルネットワークモデルＮＮＭに対して行う。

【0116】

以上の機械学習装置４及び機械学習方法Ｍ４によれば、造型条件を合理的に導出できる学習済ニューラルネットワークモデルＬＭを構築することができる。

【0117】

なお、実施形態１の変形例１、２に記載した事項は、実施形態２においても適用可能である。つまり、学習済ニューラルネットワークモデル（又は学習済モデル）ＬＭの入力に、鋳型を用いて鋳造された鋳造品の品質条件を加えてもよい。

【0118】

また、実施形態１においては、非線形回帰アルゴリズム（具体的には遺伝的アルゴリズム）を用いて、鋳型の或る造形条件を、鋳型の他の造形条件、砂の性状条件、及び鋳型の品質条件から導出する関数式を構築する構成について説明したが、関係式を構築する方法は、非線形回帰アルゴリズムに限定されない。例えば、モンテカルロ法を用いて関数式を構築してもよい。この場合、例えば、関数式の長さ、及び、関数式の要素（変数や演算子など）をランダムに選択することによって複数の関数式を作成し、これらの関数式のなかから誤差の最も小さい関数式を選択することによって、鋳型の或る造形条件を、鋳型の他の造形条件、砂の性状条件、及び鋳型の品質条件から導出する関数式を構築する。

【0119】

また、実施形態１，２においては、学習済モデル（具体的には関数式又はニューラルネットワーク）を用いて、鋳型の或る造形条件を、鋳型の他の造形条件、砂の性状条件、及び鋳型の品質条件から導出する構成について説明したが、本発明は、これに限定されない。例えば、鋳型の或る造形条件と、鋳型の他の造形条件、砂の性状条件、及び鋳型の品質条件とを関連付けたテーブルを参照して、鋳型の或る造形条件を、鋳型の他の造形条件、砂の性状条件、及び鋳型の品質条件から導出してもよい。

【0120】

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

【符号の説明】

【0121】

１ 造型条件演算装置、２，４ 機械学習装置、３ 造型条件推定装置、５ データロガー、６ 砂性状測定装置、７ 造型機、８ 鋳型判定機、１１，３１ プロセッサ、１２，３２ 一次メモリ、１３，３３ 二次メモリ、１４，３４ 入出力ＩＦ、１５，３５ 通信ＩＦ、１６，３６ バス

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】