知財求人 - 知財ポータルサイト「IP Force」
(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】P2022041852
(43)【公開日】2022-03-11
(54)【発明の名称】再生条件特定装置及び再生条件特定方法
(51)【国際特許分類】
B22C 1/00 20060101AFI20220304BHJP
B22C 5/04 20060101ALI20220304BHJP
【ＦＩ】
B22C1/00 L
B22C5/04 C
【審査請求】未請求
【請求項の数】8
【出願形態】ＯＬ
(21)【出願番号】P 2021050826
(22)【出願日】2021-03-24
(31)【優先権主張番号】P 2020146916
(32)【優先日】2020-09-01
(33)【優先権主張国・地域又は機関】JP
(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
【テーマコード（参考）】
4E092
【Ｆターム（参考）】
4E092AA01
4E092AA21
4E092AA41
4E092BA04
4E092CA01
4E092CA02
4E092CA03
4E092CA04
(57)【要約】
【課題】再生される鋳物砂から溶出する粘結剤の量を目標値で維持するための再生条件を特定する技術を提供する。
【解決手段】再生条件特定装置（１）は、砂再生システムにより再生された鋳物砂から溶出する粘着剤の量から、前記砂再生システムにおける再生条件を特定する再生条件特定ステップを実行する一又は複数のプロセッサを備える。
【選択図】図１
【解決手段】再生条件特定装置（１）は、砂再生システムにより再生された鋳物砂から溶出する粘着剤の量から、前記砂再生システムにおける再生条件を特定する再生条件特定ステップを実行する一又は複数のプロセッサを備える。
【選択図】図１
【特許請求の範囲】
【請求項1】
砂再生システムにより再生された鋳物砂から溶出する粘着剤の量から、前記砂再生システムにおける再生条件を特定する再生条件特定ステップを実行する一又は複数のプロセッサを備えている、
ことを特徴とする再生条件特定装置。
ことを特徴とする再生条件特定装置。
【請求項2】
前記プロセッサは、
前記再生条件を示す再生条件データと、前記砂再生システムにより再生された鋳物砂から溶出する粘結剤の量を表す粘結剤データとのセットを参照して、当該再生条件データと当該粘結剤データとの関係を表す非線形の関係式を、非線形回帰アルゴリズムを用いて特定する関係式特定ステップ、を更に実行し、
前記再生条件特定ステップにおいて、前記粘結剤データ及び前記関係式を用いた演算により、前記再生条件データを特定する、
を実行する一又は複数のプロセッサを備える、
ことを特徴とする請求項１に記載の再生条件特定装置。
前記再生条件を示す再生条件データと、前記砂再生システムにより再生された鋳物砂から溶出する粘結剤の量を表す粘結剤データとのセットを参照して、当該再生条件データと当該粘結剤データとの関係を表す非線形の関係式を、非線形回帰アルゴリズムを用いて特定する関係式特定ステップ、を更に実行し、
前記再生条件特定ステップにおいて、前記粘結剤データ及び前記関係式を用いた演算により、前記再生条件データを特定する、
を実行する一又は複数のプロセッサを備える、
ことを特徴とする請求項１に記載の再生条件特定装置。
【請求項3】
前記プロセッサは、前記再生条件特定ステップにおいて特定した再生条件データを用いて前記砂再生システムを制御する制御ステップ、を実行する
ことを特徴とする請求項１又は２に記載の再生条件特定装置。
ことを特徴とする請求項１又は２に記載の再生条件特定装置。
【請求項4】
前記粘結剤データは、前記鋳物砂を混練する際の温度において当該鋳物砂から溶出する粘結剤の量、及び、前記温度よりも高い温度において前記鋳物砂から溶出する粘結剤の量、の少なくともいずれか一方を示すデータを含む、
ことを特徴とする請求項２に記載の再生条件特定装置。
ことを特徴とする請求項２に記載の再生条件特定装置。
【請求項5】
前記再生条件データは、前記砂再生システムにおいて前記鋳物砂と微粉とを分離するための風量、前記鋳物砂を加熱する焼却装置への前記鋳物砂の投入量、及び加熱温度、前記鋳物砂を研磨する砂研磨装置の研磨電流値、及び前記鋳物砂から残滓を除去するための風量、並びに、前記砂再生システムにより再生された再生砂と新砂とを混合する際の前記再生砂の投入量及び前記新砂の投入量、の少なくともいずれかを示すデータを含む、
ことを特徴とする請求項２に記載の再生条件特定装置。
ことを特徴とする請求項２に記載の再生条件特定装置。
【請求項6】
前記プロセッサは、前記関係式特定ステップにおいて、遺伝的アルゴリズムによって前記非線形の関係式を特定する、
ことを特徴とする請求項２又は５に記載の再生条件特定装置。
ことを特徴とする請求項２又は５に記載の再生条件特定装置。
【請求項7】
前記プロセッサは、前記粘結剤データと前記再生条件データとの相関関係を機械学習した学習済モデルを用いて、前記再生条件データから前記粘結剤データを推定する推定ステップ、を更に実行し、
前記プロセッサは、前記関係式特定ステップにおいて、前記学習済モデルに入力した再生条件データと、前記推定ステップにおいて推定した粘結剤データとの関係を表す前記非線形の関係式を特定する、
ことを特徴とする請求項２、５又は６に記載の再生条件特定装置。
前記プロセッサは、前記関係式特定ステップにおいて、前記学習済モデルに入力した再生条件データと、前記推定ステップにおいて推定した粘結剤データとの関係を表す前記非線形の関係式を特定する、
ことを特徴とする請求項２、５又は６に記載の再生条件特定装置。
【請求項8】
一又は複数のプロセッサが、砂再生システムにより再生された鋳物砂から溶出する粘着剤の量から、前記砂再生システムにおける再生条件を特定する再生条件特定ステップ、
を含むことを特徴とする再生条件特定方法。
を含むことを特徴とする再生条件特定方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、砂再生システムが再生する鋳物砂の砂性状を管理する装置及び方法に関する。
【背景技術】
【0002】
鋳型の造型に用いる鋳物砂の砂性状を管理する技術が知られている。例えば特許文献１には、鋳物砂試験装置の測定値を活用して、従来において砂管理技術者が経験的に判断していた鋳物砂の管理方法を記述した知識ベースからデータを呼出して表示するシステムが記載されている。
【0003】
また、特許文献２には、ファンドリー（鋳造工場）において鋳造棄却品を削減することを目的とする砂最適化用コンピュータ利用システムが記載されている。特許文献２に記載のシステムでは、砂のｐＨ値等のパラメータの値、パラメータ、棄却、棄却種別の相関関係をプロセッサモジュールが計算し、規範的ソリューションを生成する。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開平０７－０５１７９１号公報（１９９５年２月２８日公開）
【特許文献2】特表２０１６－５０８８８２号公報（２０１６年３月２４日公開）
【発明の概要】
【発明が解決しようとする課題】
【0005】
ところで、再生された鋳物砂を用いて造型される鋳型は、鋳物砂の砂性状（特に、鋳物砂から溶出する粘結剤（バインダー）の量）によってその品質が変化する。そのため、再生される鋳物砂の砂性状、特に粘結剤の溶出量を安定させることが重要である。粘結剤の溶出量を安定させるためには、鋳物砂の再生工程における再生条件（プラントの制御パラメータ、等）を適切に設定する必要がある。しかしながら、再生条件をどのように設定すればよいかは再生工程の管理者等の経験則によるものもあり、再生条件を適切に設定して粘結剤の溶出量を安定させることは困難であった。上述の特許文献１及び２に記載の技術でも、再生される鋳物砂からの粘結剤の溶出量を適切に維持することは困難であった。
【0006】
本発明の一態様は、砂再生システムが再生する鋳物砂から溶出する粘結剤の量を目標値で維持するための再生条件を特定する技術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】
【0007】
上記の課題を解決するために、本発明の一態様に係る再生条件特定装置は、再生条件特定ステップを実行する一又は複数のプロセッサを備えている。また、本発明の一態様に係る再生条件特定方法は、再生条件特定ステップを含んでいる。
【0008】
そして、前記再生条件特定装置及び前記再生条件特定方法において、再生条件特定ステップは、前記プロセッサが、砂再生システムにより再生された鋳物砂から溶出する粘着剤の量から、前記砂再生システムにおける再生条件を特定するステップである。
【発明の効果】
【0009】
本発明の一態様によれば、砂再生システムが再生する鋳物砂から溶出する粘結剤の量を目標値で維持するための再生条件を特定することができる。
【図面の簡単な説明】
【0010】
【図1】本発明の第１の実施形態に係る砂管理システムの構成を示す図である。
【図5】遺伝的アルゴリズムを例示する図である。
【図6】再生条件特定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】再生条件特定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】本発明の第２の実施形態に係る砂管理システムの構成を示す図である。
【図14】学習済モデルと遺伝的アルゴリズムとを例示する図である。
【発明を実施するための形態】
【0011】
【0012】
砂管理システムＳ１は、鋳型の造型に用いる鋳物砂を管理するためのシステムである。砂管理システムＳ１は、図１に示すように、鋳造システムＳ１１と、砂再生システムＳ１２と、再生条件特定装置１と、データロガー２と、を備えている。
【0013】
鋳造システムＳ１１は、鋳物砂（後述する再生砂と新砂との混合物）を用いて鋳造を行うシステムである。鋳造システムＳ１１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鋳枠に充填することによって、鋳型を造型する。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。また、鋳造システムＳ１１は、鋳型に溶湯を流し込んだ後、鋳型に注入された溶湯を冷却する。冷却された溶湯は、鋳型の内部で凝固して鋳物となる。鋳造システムＳ１１は、鋳型に振動を与えることによって、鋳型を解体して砂塊にするとともに、冷却により得られた鋳物を取り出す。
【0014】
砂再生システムＳ１２は、鋳造システムＳ１１にて得られた砂塊から鋳物砂を再生するシステムである。砂再生システムＳ１２の構成については、参照する図面を代えて後述する。
【0015】
再生条件特定装置１は、再生条件特定方法Ｍ１を実施するための装置である。再生条件特定方法Ｍ１は、砂再生システムＳ１２における再生条件を示す再生条件データと、砂再生システムＳ１２により再生された鋳物砂から溶出する粘結剤の量を表す粘結剤データとのセットを参照して、再生条件データと粘結剤データとの関係を表す非線形の関係式を、非線形回帰アルゴリズムを用いて特定する関係式特定ステップを含む。また、再生条件特定方法Ｍ１は、粘結剤データ及び特定した関係式を用いた演算により、再生条件データを特定する再生条件特定ステップを含む。再生条件特定装置１の構成及び再生条件特定方法Ｍ１の流れの詳細については、参照する図面を代えて後述する。
【0016】
粘結剤データは、再生された鋳物砂から溶出する粘結剤の量を表すデータである。粘結剤データは、例えば、溶出バインダー量、及び、残留バインダー量、の少なくともいずれか一方を示すデータを含む。溶出バインダー量とは、鋳物砂を混練する際の温度において鋳物砂から溶出する粘結剤の量をいう。残留バインダー量とは、混練する際の温度よりも高い所定の温度において鋳物砂から溶出する粘結剤の量をいう。溶出バインダー量又は残留バインダー量は、例えば、ｐＨ、導電率又は強度により表される。
【0017】
再生条件データは、砂再生システムＳ１２における再生条件を示すデータである。再生条件の詳細については参照する図面を代えて後述する。
【0018】
データロガー２は、粘結剤データ及び再生条件データを収集すると共に、収集した粘結剤データ及び再生条件データを再生条件特定装置１に提供する。データロガー２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。
【0019】
（砂再生システム）
図２は、砂再生システムＳ１２の構成を示すブロック図である。図２に示すように、砂再生システムＳ１２は、解砕機２１、微粉抜装置２２、集塵機２３、流動培焼装置２４、砂冷却装置２５、砂研磨装置２６、集塵機２７、砂分級装置２８、及び集塵機２９を備えている。
図２は、砂再生システムＳ１２の構成を示すブロック図である。図２に示すように、砂再生システムＳ１２は、解砕機２１、微粉抜装置２２、集塵機２３、流動培焼装置２４、砂冷却装置２５、砂研磨装置２６、集塵機２７、砂分級装置２８、及び集塵機２９を備えている。
【0020】
解砕機２１は、鋳造システムＳ１１にて得られた砂塊を解砕して砂粒にする。解砕機２１の解砕により得られる砂粒の集合には、再生対象となる鋳物砂の砂粒のほかに、シリカ、水ガラス等の鋳物砂以外の微粉が含まれている。
【0021】
微粉抜装置２２は、解砕機２１により得られた砂粒の集合から鋳物砂以外の微粉（シリカ、水ガラス、等）を分離する。微粉抜装置２２は、砂粒に送風する送風機２２１を備える。送風機２２１の送風により微粉が集塵機２３に集められる。微粉抜装置２２は、微粉抜装置２２における風量を測定し、測定値をデータロガー２に出力する。
【0022】
集塵機２３には、微粉抜装置２２により砂粒から取り除かれた微粉が集まる。集塵機２３は、集塵機２３における風量を測定し、測定値をデータロガー２に出力する。
【0023】
流動培焼装置２４は、微粉が取り除かれた粒状体の鋳物砂を加熱する焼却装置である。流動培焼装置２４は、微粉抜装置２２から吸引又は圧送により鋳物砂を搬送し、搬送した鋳物砂を加熱する。加熱することで水ガラスの結晶中に含まれる結晶水が蒸発する。結晶水の蒸発に伴い、水ガラスの結晶中に空隙が生じることになる。これにより、鋳物砂に含まれる水ガラス等の粘結剤が脆くなり、砂が解砕しやすくなる。
【0024】
流動培焼装置２４には、予め設定された量（以下「鋳物砂投入量」とも記載する）の鋳物砂が投入される。ここで、鋳物砂投入量とは、例えば、単位時間あたり（連続処理の場合）又は１回の処理あたり（バッチ処理の場合）に流動培焼装置２４に投入される鋳物砂の重量又は体積のことを指す。流動培焼装置２４は、設定された鋳物砂投入量を、データロガー２に提供する。
【0025】
また、流動培焼装置２４は、流動培焼装置２４の加熱温度を測定し、測定値をデータロガー２に出力する。
【0026】
砂冷却装置２５は、加熱された鋳物砂を冷却する。砂冷却装置２５は、例えば、外気を取り込むことで、鋳物砂を冷却する空冷式冷却装置である。砂冷却装置２５は、約４００度の鋳物砂の温度を、次工程に適した温度（例えば、８０度以下）まで低下させる。
【0027】
砂研磨装置２６は、粒状体の鋳物砂同士を衝突させることにより、鋳物砂から水ガラス等の粘結剤の残滓を剥離させるとともに、鋳物砂を球形にする装置である。砂研磨装置２６は、砂冷却装置２５から吸引又は圧送により鋳物砂を搬送する。また、砂研磨装置２６は、回転ドラム（図示略）を回転させる。回転ドラムの回転による遠心力により、鋳物砂が巻き上がり、鋳物砂同士が衝突して研磨され、残滓が除去される。砂研磨装置２６により得られる鋳物砂、すなわち、表面に付着した残滓が除去された後の鋳物砂のことを、以下、「再生砂」とも記載する。砂研磨装置２６は、研磨電流値を測定し、測定値をデータロガー２に出力する。
【0028】
集塵機２７には、砂研磨装置２６により鋳物砂から剥離された水ガラス等の残滓のうちの軽いものが集まる。集塵機２７は、集塵機２７における風量を測定し、測定値をデータロガー２に出力する。
【0029】
砂分級装置２８は、再生砂と、再生砂から剥離された水ガラス等の残滓を分離する。また、砂分級装置２８は、残滓が分離された再生砂に、新砂、すなわち、未使用の鋳物砂を加える。再生砂と新砂との混合物は、鋳造システムＳ１１において鋳物砂として利用される。
【0030】
砂分級装置２８は、再生砂に送風する送風機２８１を備える。送風機２８１の送風により残滓が集塵機２９に集められる。砂分級装置２８は、砂分級装置２８における風量を測定し、測定値をデータロガー２に出力する。
【0031】
また、砂分級装置２８には、予め設定された量（以下「再生砂投入量」とも記載する）の再生砂が投入される。ここで、再生砂投入量とは、例えば、単位時間あたり（連続処理の場合）又は１回の処理あたり（バッチ処理の場合）に砂分級装置２８に投入される再生砂の重量又は体積のことを指す。砂分級装置２８は、設定された再生砂投入量を、データロガー２に提供する。
【0032】
また、砂分級装置２８には、予め設定された量（以下「新砂投入量」とも記載する）の新砂が投入される。ここで、新砂投入量とは、例えば、単位時間あたり（連続処理の場合）又は１回の処理あたり（バッチ処理の場合）に砂分級装置２８に投入される新砂の重量又は体積のことを指す。砂分級装置２８は、設定された新砂投入量を、データロガー２に提供する。
【0033】
データロガー２が砂再生システムＳ１２から収集する再生条件データは、以下の一部又は全部のデータを含む。
・微粉抜装置２２における風量
・集塵機２３における風量
・流動培焼装置２４への鋳物砂投入量
・流動培焼装置２４の加熱温度
・砂研磨装置２６の研磨電流値
・集塵機２７の風量
・砂分級装置２８への再生砂投入量
・砂分級装置２８への新砂投入量
すなわち、データロガー２が収集する再生条件データは、微粉抜装置２２及び集塵機２３における風量、流動培焼装置２４への鋳物砂の投入量及び加熱温度、砂研磨装置２６の研磨電流値及び鋳物砂から残滓を除去するための風量、並びに、砂再生システムＳ１２により再生された再生砂と新砂とを混合する際の再生砂の投入量及び新砂の投入量、の少なくともいずれかを示すデータを含む。
・微粉抜装置２２における風量
・集塵機２３における風量
・流動培焼装置２４への鋳物砂投入量
・流動培焼装置２４の加熱温度
・砂研磨装置２６の研磨電流値
・集塵機２７の風量
・砂分級装置２８への再生砂投入量
・砂分級装置２８への新砂投入量
すなわち、データロガー２が収集する再生条件データは、微粉抜装置２２及び集塵機２３における風量、流動培焼装置２４への鋳物砂の投入量及び加熱温度、砂研磨装置２６の研磨電流値及び鋳物砂から残滓を除去するための風量、並びに、砂再生システムＳ１２により再生された再生砂と新砂とを混合する際の再生砂の投入量及び新砂の投入量、の少なくともいずれかを示すデータを含む。
【0034】
【0035】
再生条件特定装置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。
【0036】
二次メモリ１３には、再生条件特定プログラムＰ１、粘結剤データ及び再生条件データが格納されている。プロセッサ１１は、二次メモリ１３に格納されている再生条件特定プログラムＰ１、粘結剤データ及び再生条件データを一次メモリ１２上に展開する。そして、プロセッサ１１は、一次メモリ１２上に展開された再生条件特定プログラムＰ１に含まれる命令に従って、再生条件特定方法Ｍ１に含まれる各ステップを実行する。一次メモリ１２上に展開された粘結剤データと再生条件データとは、再生条件特定方法Ｍ１の関係式特定ステップＭ１１（後述）をプロセッサ１１が実行する際に利用される。なお、再生条件特定プログラム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。
【0037】
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。プロセッサ１１は、「演算装置」と呼ばれることもある。
【0038】
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（登録商標） 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、再生条件特定装置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を介して再生条件特定装置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、再生条件特定装置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、再生条件特定装置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。
【0039】
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２が挙げられる。再生条件特定方法Ｍ１において取得するデータは、データロガー２を介して再生条件特定装置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。再生条件特定方法Ｍ１においてユーザに提供する情報は、これらの出力デバイスを介して再生条件特定装置１から出力される。なお、再生条件特定装置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、再生条件特定装置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。
【0040】
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。再生条件特定方法Ｍ１において再生条件特定装置１が他のコンピュータ（例えば、データロガー２）から取得するデータ（例えば、粘結剤データ、再生条件データ）、及び、再生条件特定方法Ｍ１において再生条件特定装置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。
【0041】
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）を用いて再生条件特定方法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再生条件特定方法Ｍ１を実行する構成を採用してもよい。この場合、連携して再生条件特定方法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、連携して再生条件特定方法Ｍ１を実行する態様などが考えられる。
【0042】
また、本実施形態においては、再生条件特定方法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）に粘結剤データ及び再生条件データ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、再生条件特定方法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粘結剤データ及び再生条件データを格納する構成を採用してもよい。この場合、粘結剤データ及び再生条件データを格納するメモリが内蔵されたコンピュータは、再生条件特定方法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粘結剤データ及び再生条件データを格納し、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再生条件特定方法Ｍ１を実行する態様などが考えられる。
【0043】
また、本実施形態においては、単一のメモリ（二次メモリ１３）に粘結剤データ及び再生条件データ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、複数のメモリに粘結剤データ及び再生条件データを分散して格納する構成を採用してもよい。この場合、粘結剤データ及び再生条件データを格納する複数のメモリは、単一のコンピュータ（再生条件特定方法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（再生条件特定方法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粘結剤データ及び再生条件データを分散して格納する構成などが考えられる。
【0044】
（粘結剤データの測定方法）
砂再生システムＳ１２により生成される、再生砂と新砂との混合物である鋳物砂の粘結剤データを測定する測定方法の一例について説明する。
砂再生システムＳ１２により生成される、再生砂と新砂との混合物である鋳物砂の粘結剤データを測定する測定方法の一例について説明する。
【0045】
粘結剤データの測定は砂再生システムＳ１２の管理者等のユーザにより行われてもよくまた、粘結剤データを測定する装置が粘結剤データの測定処理を実行してもよい。ユーザが行う場合、ユーザは、再生された鋳物砂の一部を採取し、採取した鋳物砂を、温度の管理された純水に満たされた電極付き測定用カップに所定量投入する。ユーザは、投入された鋳物砂を純水の中で所定時間かき混ぜて粘結剤を溶出させ、ｐＨを測定する。または、ユーザは、電極に電圧を印加して導電率を測定する。ユーザは、測定されたｐＨ又は導電率を表す粘結剤データをデータロガー２に入力する。
【0046】
測定装置が粘結剤データを測定する場合、測定装置（図示略）は、再生された鋳物砂の一部を採取し、採取した鋳物砂を、温度の管理された純水に満たされた電極付き測定用カップに所定量投入する。測定装置は、投入された鋳物砂を純水の中で所定時間かき混ぜて粘結剤を溶出させ、ｐＨを測定する。または、測定装置は、電極に電圧を印加して導電率を測定する。測定装置は、測定されたｐＨ又は導電率を表す粘結剤データをデータロガー２に出力する。
【0047】
別の粘結剤データの測定方法について説明する。再生された鋳物砂の一部を採取し、採取した鋳物砂を温度の管理された純水に満たされた測定用カップに所定量投入する。測定装置は、投入された鋳物砂を純水の中で所定時間かき混ぜて粘結剤を溶出させる。その後、この鋳物砂でテストピースを造型し、テストピースの強度を測定する。このテストピースの強度が粘着剤データとなる。粘着剤データは、前述と同様にユーザがデータロガー２に入力してもよく、測定装置がデータロガー２に出力してもよい。
【0048】
【0049】
再生条件特定方法Ｍ１は、関係式特定ステップＭ１１と、関係式出力ステップＭ１２と、判定ステップＭ１３と、再生条件特定ステップＭ１４と、制御ステップＭ１５と、を含んでいる。
【0050】
関係式特定ステップＭ１１は、プロセッサ１１が、砂再生システムＳ１２における再生条件を示す再生条件データｘ１，ｘ２，…，ｘｎと、砂再生システムＳ１２により再生された鋳物砂から溶出する粘結剤の量を表す粘結剤データｙとのセットを参照して、再生条件データと粘結剤データとの関係を表す非線形の関係式を、非線形回帰アルゴリズムを用いて特定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、遺伝的アルゴリズムを用いて関係式ｙ＝ｆ（ｘ１，ｘ２，…，ｘｎ）を特定する。なお、関係式特定ステップＭ１１の具体例については、参照する図面を代えて後述する。
【0051】
関係式出力ステップＭ１２は、プロセッサ１１が、関係式特定ステップＭ１１にて特定した関係式ｙ＝ｆ（ｘ１，ｘ２，…，ｘｎ）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ｙ＝ｆ（ｘ１，ｘ２，…，ｘｎ）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。
【0052】
ディスプレイに出力された関係式ｙ＝ｆ（ｘ１，ｘ２，…，ｘｎ）を目視により確認したユーザは、再生条件特定装置１が特定した関係式ｙ＝ｆ（ｘ１，ｘ２，…，ｘｎ）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、判断結果を再生条件特定装置１に入力するためのユーザ操作を行う。
【0053】
判定ステップＭ１３は、プロセッサ１１が、関係式特定ステップＭ１１にて特定した関係式ｙ＝ｆ（ｘ１，ｘ２，…，ｘｎ）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Ｍ１３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、後述する再生条件特定ステップＭ１４を実行する。一方、判定ステップＭ１３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Ｍ１１以降の処理を再び実行する。なお、関係式特定ステップＭ１１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Ｍ１１において用いる粘結剤データ及び再生条件データ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。
【0054】
再生条件特定ステップＭ１４は、関係式特定ステップＭ１１にて特定された関係式ｙ＝ｆ（ｘ１，ｘ２，…，ｘｎ）を用いて、粘結剤データｙを目標値に一致させるために、再生条件データｘ１，ｘ２，…，ｘｎをどのような値に設定すれば良いかを特定するステップである。すなわち、本実施形態において、プロセッサ１１は、粘結剤データ及び関係式を用いた演算により、再生条件データを特定する。
【0055】
本実施形態において、プロセッサ１１は、関係式ｙ＝ｆ（ｘ１，ｘ２，…，ｘｎ）に、粘結剤データｙの目標値を代入することによって、再生条件データｘ１，ｘ２，…，ｘｎを未知数とする方程式を得る。そして、プロセッサ１１は、この方程式を解くことによって、再生条件データｘ１，ｘ２，…，ｘｎの設定値を得る。なお、未知数である再生条件データｘ１，ｘ２，…，ｘｎの個数が２個以上である場合、上記の方程式の解を一意に決定することはできない。この場合、プロセッサ３１は、上記の方程式の解の少なくとも何れか１つを、再生条件データｘ１，ｘ２，…，ｘｎの設定値とする。
【0056】
制御ステップＭ１５は、プロセッサ１１が、再生条件データの値が再生条件特定ステップＭ１４にて特定した設定値になるよう、砂再生システムＳ１２を制御するステップである。すなわち、本実施形態において、プロセッサ３１は、再生条件特定ステップＭ１４にて特定した再生条件データを用いて砂再生システムＳ１２を制御する。
【0057】
本実施形態において、プロセッサ１１は、風量が再生条件特定ステップＭ１４にて特定した設定値になるよう、微粉抜装置２２、砂研磨装置２６、及び砂分級装置２８を制御する。また、プロセッサ３１は、鋳物砂投入量及び加熱温度が再生条件特定ステップＭ１４にて特定した設定値になるよう、流動培焼装置２４を制御する。また、プロセッサ３１は、研磨電流値が再生条件特定ステップＭ１４にて特定した設定値になるよう、砂研磨装置２６を制御する。また、プロセッサ３１は、再生砂投入量及び新砂投入量が再生条件特定ステップＭ１４にて特定した設定値になるよう、砂分級装置２８を制御する。
【0058】
なお、本実施形態においては、粘結剤データｙと再生条件データｘ１，ｘ２，…，ｘｎとの関係を表す非線形の関係式を特定するためのアルゴリズムとして、遺伝的アルゴリズムを用いている。しかしながら、本発明は、これに限定されない。すなわち、粘結剤データｙと再生条件データｘ１，ｘ２，…，ｘｎとの関係を表す非線形の関係式を特定するためのアルゴリズムとして、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。
【0059】
（関係式特定ステップの具体例）
再生条件特定方法Ｍ１に含まれる関係式特定ステップＭ１１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Ｍ１１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。
再生条件特定方法Ｍ１に含まれる関係式特定ステップＭ１１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Ｍ１１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。
【0060】
本具体例に係る関係式特定ステップＭ１１においては、遺伝的アルゴリズムを用いて関係式ｙ＝ｆ（ｘ１，ｘ２，…，ｘｎ）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。
適応度Ｄｉは適応度関数によって与えられる。
【0061】
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Ｍ１１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３１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３１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。
【0062】
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Ｍ１１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。
【0063】
ステップＭ１２１において、プロセッサ３１は、粘結剤データ及び再生条件データを取得する。本動作例では、プロセッサ３１は、二次メモリ３３に記憶された粘結剤データ及び再生条件データを読み出すことにより、粘結剤データ及び再生条件データを取得する。
【0064】
ステップＭ１２２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、ユーザが再生条件特定装置１に入力する。
【0065】
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。
【0066】
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。
【0067】
ステップＭ１２３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。
【0068】
ステップＭ１２４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。
【0069】
ステップＭ１２５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Ｍ１２５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。
【0070】
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Ｍ１２６；ＮＯ）、ステップＭ１２５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Ｍ１２６；ＹＥＳ）ステップＭ１２７の処理を実行する。
【0071】
ステップＭ１２７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Ｍ１２７の詳細については、参照する図面を代えて後述する。
【0072】
ステップＭ１３０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Ｍ１３１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Ｍ１３１；ＮＯ）、プロセッサ１１はステップＭ１２４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Ｍ１３１；ＹＥＳ）、プロセッサ１１は、ステップＭ１３２の処理に進む。
【0073】
ステップＭ１３２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、粘結剤データと再生条件データの関係を表す非線形の関係式を特定する。
【0074】
図７は、プロセッサ１１が実行するステップＭ１２７の流れを例示するフローチャートである。ステップＭ２０１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Ｍ２０１；「操作ｍ１」）、プロセッサ１１は、ステップＭ２０２の処理に進む。操作ｍ２を選択した場合（ステップＭ２０１；「操作ｍ２」）、プロセッサ１１は、ステップＭ２１１の処理に進む。操作ｍ３を選択した場合（ステップＭ２０１；「操作ｍ３」）、プロセッサ１１は、ステップＭ２２１の処理に進む。操作ｍ４を選択した場合（ステップＭ２０１；「操作ｍ４」）、プロセッサ１１は、ステップＭ２３１の処理に進む。操作ｍ５を選択した場合（ステップＭ２０１；「操作ｍ５」）、プロセッサ１１は、処理を終了する。
【0075】
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Ｍ２０２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。
【0076】
ステップＭ２０３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Ｍ２０３の処理の内容は、図６のステップＭ１２３～Ｍ１２５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。
【0077】
ステップＭ２０４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。
【0078】
ステップＭ２０５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Ｍ２０２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Ｍ２０３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。
【0079】
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Ｍ２１１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。
【0080】
ステップＭ２１２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Ｍ２１３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Ｍ２０２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Ｍ２１２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Ｍ２１２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。
【0081】
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Ｍ２２１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Ｍ２２２において、プロセッサ１１は、ステップＭ２２１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。
【0082】
ステップＭ２２３において、プロセッサ１１は、ステップＭ２２２で選択したサブツリーを、元のサブツリー（ステップＭ２２１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。
【0083】
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Ｍ２３１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Ｍ２３２において、プロセッサ１１は、ステップＭ２３１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。
【0084】
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。
【0085】
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。
【0086】
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。
【0087】
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。
【0088】
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。
【0089】
以上説明したように本実施形態によれば、再生条件特定装置１が、非線形回帰アルゴリズムによって、粘結剤データと再生条件データとの関係を表す非線形の関係式を特定し、粘結剤データの目標値を関係式に代入して演算することにより、再生条件データを特定する。これにより、砂再生システムＳ１２が再生する鋳物砂の砂性状を安定させるための再生条件データを特定することができる。
【0090】
［第２の実施形態］
（砂管理システムの構成）
本発明の第２の実施形態に係る砂管理システムＳ２の構成について、図１２を参照して説明する。図１２は、砂管理システムＳ２の構成を示すブロック図である。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。
（砂管理システムの構成）
本発明の第２の実施形態に係る砂管理システムＳ２の構成について、図１２を参照して説明する。図１２は、砂管理システムＳ２の構成を示すブロック図である。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。
【0091】
砂管理システムＳ２は、鋳造システムＳ１１と、砂再生システムＳ１２と、再生条件特定装置１Ｂと、データロガー２と、機械学習装置５と、を備えている。これらのうち、鋳造システムＳ１１、砂再生システムＳ１２、データロガー２は、上述の第１の実施形態と同様の構成を有する。
【0092】
機械学習装置５は、機械学習方法Ｍ２を実施するための装置である。機械学習方法Ｍ２は、データロガー２から提供されたデータを用いて学習用データセットＤＳ（粘結剤データと再生条件データとのセット）を構築すると共に、学習用データデータセットを用いた機械学習（教師あり学習）によって学習済モデルＬＭ１を構築するための方法である。学習済モデルＬＭ１としては、例えば、畳み込みニューラルネットワークや再帰型ニューラルネットワークなどのニューラルネットワークモデル、線形回帰などの回帰モデル、又は、回帰木などの木モデルなどのアルゴリズムを用いることができる。機械学習装置５の構成及び機械学習方法Ｍ２の流れの詳細については、参照する図面を代えて後述する。
【0093】
学習済モデルＬＭ１は、入力データと出力データとの相関関係を機械学習した学習済モデルである。学習済モデルＬＭ１の入力は、上述の再生条件データｘ１，ｘ２，…，ｘｎを含む。学習済モデルＬＭ１の出力は、上述の粘結剤データｙを含む。
【0094】
〔再生条件特定装置〕
再生条件特定装置１Ｂは、データ収集装置１１１を備える。データ収集装置１１１は、学習済モデルＬＭ１への入力データと学習済モデルＬＭ１からの出力データとを一時的に保持し、次段の非線形回帰アルゴリズム（例えば、遺伝的アルゴリズムＧＡ）に保持した入力データと出力データとを同期させて入力する。データ収集装置１１１は例えば、半導体メモリ、ハードディスク等の情報記憶手段（例えば、二次メモリ１３）と入出力手段を備えたバッファである。なお、図１２の例では、データ収集装置１１１が再生条件特定装置１Ｂに含まれる構成を例示しているが、データ収集装置１１１が再生条件特定装置１Ｂと別体の装置として構成されていてもよい。また、データ収集装置１１１は、ハードウェア単体で構成されてもよく、また、ハードウェアとソフトウェアとにより構成されてもよい。
再生条件特定装置１Ｂは、データ収集装置１１１を備える。データ収集装置１１１は、学習済モデルＬＭ１への入力データと学習済モデルＬＭ１からの出力データとを一時的に保持し、次段の非線形回帰アルゴリズム（例えば、遺伝的アルゴリズムＧＡ）に保持した入力データと出力データとを同期させて入力する。データ収集装置１１１は例えば、半導体メモリ、ハードディスク等の情報記憶手段（例えば、二次メモリ１３）と入出力手段を備えたバッファである。なお、図１２の例では、データ収集装置１１１が再生条件特定装置１Ｂに含まれる構成を例示しているが、データ収集装置１１１が再生条件特定装置１Ｂと別体の装置として構成されていてもよい。また、データ収集装置１１１は、ハードウェア単体で構成されてもよく、また、ハードウェアとソフトウェアとにより構成されてもよい。
【0095】
データ収集装置１１１が再生条件特定装置１Ｂと別体の装置として構成される場合、データ収集装置１１１は、例えばメモリ（図示略）とプロセッサ（図示略）とを含む。
【0096】
再生条件特定装置１Ｂは、再生条件特定方法ＭＢ１を実施する。再生条件特定方法ＭＢ１の流れの詳細については、参照する図面を代えて後述する。再生条件特定装置１Ｂの二次メモリ１３には、再生条件特定プログラムＰ２、粘結剤データ及び再生条件データに加えて、学習済モデルＬＭ１が格納されている。プロセッサ１１は、二次メモリ１３に格納されている学習済モデルＬＭ１を一次メモリ１２上に展開する。一次メモリ１２上に展開された学習済モデルＬＭ１は、再生条件特定方法ＭＢ１の推定ステップＭＢ１１（後述）をプロセッサ１１が実行する際に利用される。なお、学習済モデルＬＭ１が二次メモリ１３に格納されているとは、学習済モデルＬＭ１を規定するパラメータが二次メモリ１３に格納されていることを指す。
【0097】
〔再生条件特定方法の流れ〕
再生条件特定方法ＭＢ１の流れについて、図１３を参照して説明する。図１３は、再生条件特定方法ＭＢ１の流れを示すフローチャートである。再生条件特定方法ＭＢ１は、推定ステップＭＢ１１、関係式特定ステップＭＢ１２、関係式出力ステップＭ１２、判定ステップＭ１３、再生条件特定ステップＭ１４、制御ステップＭ１５、を含む。これらのステップのうち、関係式出力ステップＭ１２、判定ステップＭ１３、再生条件特定ステップＭ１４、制御ステップＭ１５の処理は、上述の第１の実施形態において図４で説明した各ステップの処理と同じである。
再生条件特定方法ＭＢ１の流れについて、図１３を参照して説明する。図１３は、再生条件特定方法ＭＢ１の流れを示すフローチャートである。再生条件特定方法ＭＢ１は、推定ステップＭＢ１１、関係式特定ステップＭＢ１２、関係式出力ステップＭ１２、判定ステップＭ１３、再生条件特定ステップＭ１４、制御ステップＭ１５、を含む。これらのステップのうち、関係式出力ステップＭ１２、判定ステップＭ１３、再生条件特定ステップＭ１４、制御ステップＭ１５の処理は、上述の第１の実施形態において図４で説明した各ステップの処理と同じである。
【0098】
推定ステップＭＢ１１は、プロセッサ１１が、学習済モデルＬＭ１を用いて、入力データから出力データを推定するステップである。推定ステップＭＢ１１において、プロセッサ１１は、データロガー２が収集した再生条件データを取得し、取得した再生条件データｘ１，ｘ２，…，ｘｎを含む入力データを学習済モデルＬＭ１に入力することにより、出力データを取得する。学習済モデルＬＭ１が出力する出力データは、上述の粘結剤データを含む。学習済モデルＬＭ１に入力された入力データと、学習済モデルＬＭ１から出力された出力データとは、データ収集装置１１１に一時的に保持される。
【0099】
関係式特定ステップＭＢ１２は、プロセッサ１１が、学習済モデルＬＭ１に入力した再生条件データと、推定ステップＭＢ１１において推定した粘結剤データとの関係を表す非線形の関係式を、遺伝的アルゴリズムＧＡにより特定するステップである。データ収集装置１１１は、一時的に保持していた学習済モデルＬＭ１の入力データと出力データとを、遺伝的アルゴリズムＧＡに時間的同期をつけて入力する。このように、データ収集装置１１１は、学習済モデルＬＭ１のデータを纏めて（ある程度の情報単位にして）次段の遺伝的アルゴリズムＧＡに入力する、一種のバッファとして動作する。
【0100】
図１４は、学習済モデルＬＭ１と遺伝的アルゴリズムＧＡとを例示する図である。学習済モデルＬＭ１は、複数の層により構成されるディープニューラルネットワークである。学習済モデルＬＭ１は、入力データが入力される入力層ＬＸ、隠れ層ＬＹ、出力データを出力する出力層ＬＺを含む複数の層を含む。各層は複数のノードがエッジで結ばれる構造となっている。
【0101】
各層は、活性化関数と呼ばれる関数を持ち、エッジは重みを持つことができる。各ノードの出力値は、そのノードと接続する前の層のノードの出力値から計算される。すなわち、前の層のノードの出力値、接続エッジの重みの値、そして層が持つ活性化関数から各ノードの出力値が計算される。
【0102】
図１４の例において、入力層ＬＸは、ノードＸ１、Ｘ２、Ｘ３、Ｘ４を含む。すなわち、この例で、学習済モデルＬＭ１に入力される入力データは、ノードＸ１、Ｘ２、Ｘ３、Ｘ４の出力値ｘ１、ｘ２、ｘ３、ｘ４を含む。
【0103】
隠れ層ＬＹは、ノードＹ１、Ｙ２、Ｙ３を含む。ノードＹ１、Ｙ２、Ｙ３の出力値ｙ１、ｙ２、ｙ３は、隠れ層ＬＹの前の層である入力層ＬＸのノードの出力値ｘ１、ｘ２、ｘ３、ｘ４から計算される。
【0104】
出力層ＬＺは、ノードＺ１を含む。ノードＺ１の出力値ｚ１は、出力層ＬＺの前の層である隠れ層ＬＹのノードの出力値ｙ１、ｙ２、ｙ３、ｙ４から計算される。すなわち、この例で、学習済モデルＬＭ１の出力データは、ノードＺ１の出力値ｚ１である。
【0105】
データ収集装置１１１は、学習済モデルＬＭ１への入力データと学習済モデルＬＭ１の出力データを一時的に保持し、保持したデータを次段の遺伝的アルゴリズムＧＡに入力する。
【0106】
関係式特定ステップＭＢ１２における関係式の特定方法は、上述した第１の実施形態で示した関係式特定ステップＭ１１の特定方法と同様である。関係式を特定すると、プロセッサ１１は、関係式出力ステップＭ１２及び判定ステップＭ１３を実行する。また、プロセッサ１１は、再生条件特定ステップＭ１４に進み、粘結剤データを、特定した関係式に代入して演算することにより、再生条件データを特定する。また、制御ステップＭ１５において、プロセッサ１１は、特定した再生条件データを用いて砂再生システムＳ１２を制御する。
【0107】
本実施形態によれば、再生条件特定装置１は、遺伝的アルゴリズムＧＡにより特定した非線形の関係式を用いて、学習済モデルＬＭ１の出力を推定し、推定した学習済モデルＬＭ１の出力を用いて、粘着剤データを目標値で維持するための再生条件を特定する。すなわち、再生条件特定装置１は、学習済モデルＬＭ１を用いることなく、入力データから再生条件を推定することができる。
【0108】
また、本実施形態では、データ収集装置１１１が学習済モデルＬＭ１の入力データと出力データとをバッファリングし、遺伝的アルゴリズムＧＡに時間的同期をつけて入力する。学習済モデルＬＭ１からの出力と遺伝的アルゴリズムＧＡへの入力の時間的同期を図ることができるため、次段の遺伝的アルゴリズムＧＡが最終解を出力するまでの時間を先読みすることができる。
【0109】
また、本実施形態では、データ収集装置１１１が、学習済モデルＬＭ１のデータを纏めて（ある程度の情報単位にして）次段の遺伝的アルゴリズムＧＡに入力する一種のバッファとして働く。これにより、次段の遺伝的アルゴリズムＧＡの世代演算処理において無駄なメモリ空間及び無駄な演算処理を削減でき、遺伝的アルゴリズムの世代演算処理を効率化できる。
【0110】
【0111】
機械学習装置５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５１と、一次メモリ５２と、二次メモリ５３と、入出力インタフェース５４と、通信インタフェース５５と、バス５６とを備えている。プロセッサ５１、一次メモリ５２、二次メモリ５３、入出力インタフェース５４、及び通信インタフェース５５は、バス５６を介して相互に接続されている。
【0112】
二次メモリ５３には、機械学習プログラムＰ５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。教師データＤＳ１，ＤＳ２…は、粘結剤データと再生条件データとのセットである。プロセッサ５１は、二次メモリ５３に格納されている機械学習プログラムＰ５を一次メモリ５２上に展開する。そして、プロセッサ５１は、一次メモリ５２上に展開された機械学習プログラムＰ５に含まれる命令に従って、機械学習方法Ｍ２に含まれる各ステップを実行する。二次メモリ５３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の学習済モデル構築ステップＭ２２（後述）において利用される。また、機械学習方法Ｍ２の学習済モデル構築ステップＭ２２にて構築された学習済モデルＬＭ１も、二次メモリ５３に格納される。なお、機械学習プログラムＰ５が二次メモリ５３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５３に記憶されていることを指す。また、学習済モデルＬＭ１が二次メモリ５３に格納されているとは、学習済モデルＬＭ１を規定するパラメータが二次メモリ５３に格納されていることを指す。
【0113】
プロセッサ５１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。プロセッサ５１は、「演算装置」と呼ばれることもある。
【0114】
また、一次メモリ５２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５２は、「主記憶装置」と呼ばれることもある。また、二次メモリ５３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５３は、「補助記憶装置」と呼ばれることもある。なお、二次メモリ５３は、機械学習装置５に内蔵されていてもよいし、入出力インタフェース５４又は通信インタフェース５５を介して機械学習装置５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、機械学習装置５における記憶を２つのメモリ（一次メモリ５２及び二次メモリ５３）により実現しているが、これに限定されない。すなわち、機械学習装置５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５２として利用し、そのメモリの他の記憶領域を二次メモリ５３として利用すればよい。
【0115】
入出力インタフェース５４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５４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５４に接続される入力デバイスとしては、データロガー２が挙げられる。機械学習方法Ｍ２において取得するデータは、データロガー２を介して機械学習装置５に入力され、一次メモリ５２に記憶される。また、入出力インタフェース５４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。機械学習方法Ｍ２においてユーザから取得するデータは、これらの入力デバイスを介して機械学習装置５に入力され、一次メモリ５２に記憶される。また、入出力インタフェース５４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。機械学習方法Ｍ２においてユーザに提供する情報は、これらの出力デバイスを介して機械学習装置５から出力される。なお、機械学習装置５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、機械学習装置５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。
【0116】
通信インタフェース５５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５５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。機械学習装置５が他のコンピュータ（例えば、再生条件特定装置１）に提供するデータ（例えば、学習済モデルＬＭ１）は、これらのネットワークを介して送受信される。
【0117】
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５１）を用いて機械学習方法Ｍ２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機械学習方法Ｍ２を実行する構成を採用してもよい。この場合、連携して機械学習方法Ｍ２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、連携して機械学習方法Ｍ２を実行する態様などが考えられる。
【0118】
また、本実施形態においては、機械学習方法Ｍ２を実行するプロセッサ（プロセッサ５１）と同じコンピュータに内蔵されたメモリ（二次メモリ５３）に学習用データセットＤＳ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、機械学習方法Ｍ２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学習用データセットＤＳを格納する構成を採用してもよい。この場合、学習用データセットＤＳを格納するメモリが内蔵されたコンピュータは、機械学習方法Ｍ２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学習用データセットＤＳ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機械学習方法Ｍ２を実行する態様などが考えられる。
【0119】
また、本実施形態においては、単一のメモリ（二次メモリ５３）に学習用データセットＤＳ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、複数のメモリに学習用データセットＤＳを分散して格納する構成を採用してもよい。この場合、学習用データセットＤＳを格納する複数のメモリは、単一のコンピュータ（機械学習方法Ｍ２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（機械学習方法Ｍ２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学習用データセットＤＳを分散して格納する構成などが考えられる。
【0120】
また、本実施形態においては、再生条件特定方法Ｍ１及び機械学習方法Ｍ２を異なるプロセッサ（プロセッサ１１及びプロセッサ５１）を用いて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、再生条件特定方法Ｍ１及び機械学習方法Ｍ２を同一のプロセッサを用いて実行してもよい。この場合、機械学習方法Ｍ２を実行することによって、このプロセッサと同じコンピュータに内蔵されたメモリに学習済モデルＬＭ１が格納さる。そして、このプロセッサは、再生条件特定方法Ｍ１を実行する際に、このメモリに格納された学習済モデルＬＭ１を利用し、関係式及び再生条件を特定する。
【0121】
【0122】
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、学習済モデル構築ステップＭ２２と、を含んでいる。
【0123】
学習用データセット構築ステップＭ２１は、プロセッサ５１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。各教師データＤＳｉ（ｉ＝１，２，…）には、粘結剤データ、及び再生条件データが含まれている。教師データＤＳｉに含まれる粘結剤データは、学習済モデルＬＭ１に入力する入力データ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５１は、再生条件特定装置１と同様の方法でこのデータを取得する。また、教師データＤＳｉには、再生条件データが含まれる。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、粘結剤データと、再生条件データとを関連付けて二次メモリ１３に格納する。以上のプロセスをプロセッサ１１が繰り返すことによって、学習用データセットＤＳが構築される。
【0124】
学習済モデル構築ステップＭ２２は、プロセッサ５１が、学習済モデルＬＭ１を構築するステップである。学習済モデル構築ステップＭ２２において、プロセッサ５１は、学習用データセットＤＳを用いた教師あり学習によって、学習済モデルＬＭ１を構築する。そして、プロセッサ１１は、構築した学習済モデルＬＭ１を二次メモリ５３に格納する。
【0125】
〔まとめ〕
態様１に係る再生条件特定装置は、砂再生システムにより再生された鋳物砂から溶出する粘着剤の量から、前記砂再生システムにおける再生条件を特定する再生条件特定ステップを実行する一又は複数のプロセッサを備えている。
態様１に係る再生条件特定装置は、砂再生システムにより再生された鋳物砂から溶出する粘着剤の量から、前記砂再生システムにおける再生条件を特定する再生条件特定ステップを実行する一又は複数のプロセッサを備えている。
【0126】
上記の構成によれば、再生条件特定装置は、砂再生システムが再生する鋳物砂の砂性状を目標値で維持するための再生条件データを特定する。
【0127】
態様２に係る再生条件特定装置は、態様１に係る再生条件特定装置の特徴に加えて、以下の特徴を有している。すなわち、態様２に係る再生条件特定装置において、前記プロセッサは、前記再生条件データと、前記砂再生システムにより再生された鋳物砂から溶出する粘結剤の量を表す粘結剤データとのセットを参照して、当該再生条件データと当該粘結剤データとの関係を表す非線形の関係式を、非線形回帰アルゴリズムを用いて特定する関係式特定ステップ、を更に実行し、前記再生条件特定ステップにおいて、前記粘結剤データ及び前記関係式を用いた演算により、前記再生条件データを特定する。
【0128】
上記の構成によれば、再生条件特定装置は、砂再生システムが再生する鋳物砂の砂性状を目標値で維持するための再生条件データを特定する。
【0129】
態様３に係る再生条件特定装置は、態様１又は２に係る再生条件特定装置の特徴に加えて、以下の特徴を有している。すなわち、態様３に係る再生条件特定装置において、前記プロセッサは、前記再生条件特定ステップにおいて特定した再生条件データを用いて前記砂再生システムを制御する制御ステップ、を実行する。
【0130】
上記の構成によれば、再生条件特定装置は、特定した再生条件データを用いて砂再生システムを制御することにより、砂再生システムが再生する鋳物砂の砂性状を安定させることができる。
【0131】
態様４に係る再生条件特定装置は、態様２に係る再生条件特定装置の特徴に加えて、以下の特徴を有している。すなわち、態様４に係る再生条件特定装置において、前記粘結剤データは、前記鋳物砂を混練する際の温度において当該鋳物砂から溶出する粘結剤の量を表す溶出バインダー量、又は、前記温度よりも高い温度において前記鋳物砂から溶出する粘結剤の量を表す残留バインダー量、の少なくともいずれか一方を示すデータを含んでいる。
【0132】
上記の構成によれば、再生条件特定装置は、砂再生システムが再生する鋳物砂の溶出バインダー量又は残留バインダー量を安定させることができる。
【0133】
態様５に係る再生条件特定装置は、態様２に係る再生条件特定装置の特徴に加えて、以下の特徴を有している。すなわち、態様５に係る再生条件特定装置において、前記再生条件データは、前記砂再生システムにおいて前記鋳物砂と微粉とを分離するための風量、前記鋳物砂を加熱する焼却装置への前記鋳物砂の投入量、及び加熱温度、前記鋳物砂を研磨する砂研磨装置の研磨電流値、及び前記鋳物砂から残滓を除去するための風量、並びに、前記砂再生システムにより再生された再生砂と新砂とを混合する際の前記再生砂の投入量及び前記新砂の投入量、の少なくともいずれかを示すデータを含んでいる。
【0134】
上記の構成によれば、再生条件特定装置は、鋳物砂の砂性状を目標値で維持するための再生条件として、砂再生システムにおいて鋳物砂と微粉とを分類するための風量、鋳物砂を加熱する焼却装置への鋳物砂の投入量、及び加熱温度、鋳物砂を研磨する砂研磨装置の研磨電流値、及び鋳物砂から残滓を除去するための風量、並びに、砂再生システムにより再生された再生砂の量及び新砂量、の少なくともいずれか一つを特定することができる。
【0135】
態様６に係る再生条件特定装置は、態様２又は５に係る再生条件特定装置の特徴に加えて、以下の特徴を有している。すなわち、態様６に係る再生条件特定装置において、前記プロセッサは、前記関係式特定ステップにおいて、遺伝的アルゴリズムによって前記非線形の関係式を特定する。
【0136】
上記の構成によれば、再生条件特定装置は、砂再生システムが再生する鋳物砂の砂性状を目標値で維持するための再生条件データを特定することができる。
【0137】
態様７に係る再生条件特定装置は、態様２、５又は６に係る再生条件特定装置の特徴に加えて、以下の特徴を有している。すなわち、態様７に係る再生条件特定装置において、前記プロセッサは、前記粘結剤データと前記再生条件データとの相関関係を機械学習した学習済モデルを用いて、前記粘結剤データから前記再生条件データを推定する推定ステップ、を更に実行し、前記プロセッサは、前記関係式特定ステップにおいて、前記学習済モデルに入力した粘結剤データと、前記推定ステップにおいて推定した再生条件データとの関係を表す前記非線形の関係式を特定する。
【0138】
上記の構成によれば、再生条件特定装置は、学習済モデルを用いることなく、砂再生システムが再生する鋳物砂の砂性状を目標値で維持するための再生条件データを特定することができる。
【0139】
態様８に係る再生条件特定方法は、一又は複数のプロセッサが、砂再生システムにより再生された鋳物砂から溶出する粘着剤の量から、前記砂再生システムにおける再生条件を特定する再生条件特定ステップ、を含んでいる。
【0140】
上記の構成によれば、砂再生システムが再生する鋳物砂の砂性状を安定させるための再生条件データを特定することができる。
【0141】
〔付記事項１〕
上述の各実施形態では、再生条件特定ステップＭ１４において、プロセッサ１１は、関係式ｙ＝ｆ（ｘ１，ｘ２，…，ｘｎ）に粘結剤データｙの目標値を代入することによって、再生条件データｘ１，ｘ２，…，ｘｎを未知数とする方程式を得た。そして、プロセッサ３１は、この方程式を解くことによって、再生条件データｘ１，ｘ２，…，ｘｎの設定値を得た。関係式に代入するデータは、上述した実施形態で示したものに限られない。例えば、粘結剤データｙの目標値に加えて、再生条件データｘ１，ｘ２，…，ｘｎの一部の設定値が上記関係式に代入されてもよい。この場合、プロセッサ３１は、関係式に各値を代入することにより得られる方程式を解くことにより、再生条件データｘ１，ｘ２，…，ｘｎの残りの設定値を得る。
上述の各実施形態では、再生条件特定ステップＭ１４において、プロセッサ１１は、関係式ｙ＝ｆ（ｘ１，ｘ２，…，ｘｎ）に粘結剤データｙの目標値を代入することによって、再生条件データｘ１，ｘ２，…，ｘｎを未知数とする方程式を得た。そして、プロセッサ３１は、この方程式を解くことによって、再生条件データｘ１，ｘ２，…，ｘｎの設定値を得た。関係式に代入するデータは、上述した実施形態で示したものに限られない。例えば、粘結剤データｙの目標値に加えて、再生条件データｘ１，ｘ２，…，ｘｎの一部の設定値が上記関係式に代入されてもよい。この場合、プロセッサ３１は、関係式に各値を代入することにより得られる方程式を解くことにより、再生条件データｘ１，ｘ２，…，ｘｎの残りの設定値を得る。
【0142】
〔付記事項２〕
上述の第２の実施形態では、学習済モデルＬＭ１として、教師あり学習により機械学習された学習済モデルを用いたが、教師なし学習により機械学習された学習済モデルが用いられてもよい。教師なし学習により機械学習された学習済モデルについても、プロセッサ１１が、学習済モデルの入力と出力との関係を表す非線形の関係式を、遺伝的アルゴリズムにより特定する。
上述の第２の実施形態では、学習済モデルＬＭ１として、教師あり学習により機械学習された学習済モデルを用いたが、教師なし学習により機械学習された学習済モデルが用いられてもよい。教師なし学習により機械学習された学習済モデルについても、プロセッサ１１が、学習済モデルの入力と出力との関係を表す非線形の関係式を、遺伝的アルゴリズムにより特定する。
【0143】
〔付記事項３〕
上述の第２の実施形態では、機械学習装置５が、学習済モデルＬＭ１を構築したが、学習済モデルＬＭ１は、機械学習装置５以外の他の装置により予め構築されていてもよい。この場合、再生条件特定装置１は、他の装置により予め構築された学習済モデルを用いて上述の再生条件特定方法ＭＢ１を実施する。
上述の第２の実施形態では、機械学習装置５が、学習済モデルＬＭ１を構築したが、学習済モデルＬＭ１は、機械学習装置５以外の他の装置により予め構築されていてもよい。この場合、再生条件特定装置１は、他の装置により予め構築された学習済モデルを用いて上述の再生条件特定方法ＭＢ１を実施する。
【0144】
〔付記事項４〕
上述の第２の実施形態では、再生条件データｘ１，ｘ２，…，ｘｎを入力とし、粘結剤データｙを出力とする学習済モデルＬＭ１を用いたが、本発明に係る学習済モデルは上述した実施形態で示したものに限られない。学習済モデルは、例えば、再生条件データの一部及び粘結剤データを入力とし、再生条件データのうちのいずれかを出力とする学習済モデルであってもよい。また、学習済モデルは、例えば、粘結剤データを入力とし、再生条件データを出力とする学習済モデルであってもよい。
上述の第２の実施形態では、再生条件データｘ１，ｘ２，…，ｘｎを入力とし、粘結剤データｙを出力とする学習済モデルＬＭ１を用いたが、本発明に係る学習済モデルは上述した実施形態で示したものに限られない。学習済モデルは、例えば、再生条件データの一部及び粘結剤データを入力とし、再生条件データのうちのいずれかを出力とする学習済モデルであってもよい。また、学習済モデルは、例えば、粘結剤データを入力とし、再生条件データを出力とする学習済モデルであってもよい。
【0145】
〔付記事項５〕
上述の第２の実施形態では、プロセッサ１１が、学習済モデルの入力データと出力データとの関係を表す非線形の関係式を解の候補とする遺伝的アルゴリズムにより、当該関係式を特定したが、入力データと出力データとの関係を表す関係式の特定方法は上述の第２の実施形態で示した方法に限られない。例えば、プロセッサ１１が、入力データを表す数値と隠れ層に属する一部又は全部のノードの各々の出力値との関係を表す非線形の第１の関係式、及び、当該ノードの各々の出力値と出力データを表す数値との関係を表す非線形の第２の関係式を解の候補とする遺伝的アルゴリズムにより、当該第１の関係式及び当該第２の関係式を特定してもよい。この場合、プロセッサ１１は、例えば特定した第１の関係式と第２の関係式との連立方程式を解くことにより、入力データを表す数値と出力データを表す数値との関係を表す非線形の関係式を特定する。
上述の第２の実施形態では、プロセッサ１１が、学習済モデルの入力データと出力データとの関係を表す非線形の関係式を解の候補とする遺伝的アルゴリズムにより、当該関係式を特定したが、入力データと出力データとの関係を表す関係式の特定方法は上述の第２の実施形態で示した方法に限られない。例えば、プロセッサ１１が、入力データを表す数値と隠れ層に属する一部又は全部のノードの各々の出力値との関係を表す非線形の第１の関係式、及び、当該ノードの各々の出力値と出力データを表す数値との関係を表す非線形の第２の関係式を解の候補とする遺伝的アルゴリズムにより、当該第１の関係式及び当該第２の関係式を特定してもよい。この場合、プロセッサ１１は、例えば特定した第１の関係式と第２の関係式との連立方程式を解くことにより、入力データを表す数値と出力データを表す数値との関係を表す非線形の関係式を特定する。
【0146】
また、学習済モデルの入力データと出力データとの関係を表す非線形の関係式を特定するためのアルゴリズムは、遺伝的アルゴリズムに限られず、他の非線形アルゴリズムであってもよい。一例として、プロセッサ１１は、入力データと出力データとの関係を表す非線形の関係式を、モンテカルロ法を用いて特定してもよい。この場合、一例として、プロセッサ１１は、関係式の長さ、および、関係式の要素（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係式を作成し、作成した複数の関係式のなかから、最も誤差の小さい関係式を選択することによって、入力データから出力データを導出する関係式を構築する。
【0147】
また、上述の第２の実施形態では、プロセッサ１１が学習済モデルＬＭ１の入力と出力との関係を表す非線形の関係式を非線形回帰により特定し、特定した関係式に粘着剤の量を代入して演算することにより、再生条件を特定した。再生条件を特定する方法は上述した実施形態で示したものに限られない。一例として、プロセッサ１１は、学習済モデルＬＭ１に粘着剤データを入力して得られる再生条件データが表す再生条件を特定してもよい。
【0148】
〔付記事項６〕
本発明は上述した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、上述した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他の実施形態についても本発明の技術的範囲に含まれる。
本発明は上述した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、上述した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他の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】
【0149】
１、１Ｂ 再生条件特定装置
２ データロガー
５ 機械学習装置
１１、５１ プロセッサ
１２、５２ 一次メモリ
１３、５３ 二次メモリ
１４、５４ 入出力インタフェース
１５、５５ 通信インタフェース
１６、５６ バス
Ｍ１、ＭＢ１ 再生条件特定方法
Ｍ１１、ＭＢ１２ 関係式特定ステップ
Ｍ１２ 関係式出力ステップ
Ｍ１３ 判定ステップ
Ｍ１４ 再生条件特定ステップ
Ｍ１５ 制御ステップ
Ｍ２ 機械学習方法
Ｍ２１ 学習用データセット構築ステップ
Ｍ２２ 学習済モデル構築ステップ
ＭＢ１１ 推定ステップ
Ｓ１、Ｓ２ 砂管理システム
Ｓ１１ 鋳造システム
Ｓ１２ 砂再生システム
２ データロガー
５ 機械学習装置
１１、５１ プロセッサ
１２、５２ 一次メモリ
１３、５３ 二次メモリ
１４、５４ 入出力インタフェース
１５、５５ 通信インタフェース
１６、５６ バス
Ｍ１、ＭＢ１ 再生条件特定方法
Ｍ１１、ＭＢ１２ 関係式特定ステップ
Ｍ１２ 関係式出力ステップ
Ｍ１３ 判定ステップ
Ｍ１４ 再生条件特定ステップ
Ｍ１５ 制御ステップ
Ｍ２ 機械学習方法
Ｍ２１ 学習用データセット構築ステップ
Ｍ２２ 学習済モデル構築ステップ
ＭＢ１１ 推定ステップ
Ｓ１、Ｓ２ 砂管理システム
Ｓ１１ 鋳造システム
Ｓ１２ 砂再生システム
【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】
【図16】