特開2023-174332演算装置、予測装置、演算プログラムおよび予測モデル生成方法
(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】P2023174332
(43)【公開日】2023-12-07
(54)【発明の名称】演算装置、予測装置、演算プログラムおよび予測モデル生成方法
(51)【国際特許分類】
G06N 20/00 20190101AFI20231130BHJP
B22D 46/00 20060101ALI20231130BHJP
B22D 11/16 20060101ALI20231130BHJP
【ＦＩ】
G06N20/00
B22D46/00
B22D11/16 104N
【審査請求】未請求
【請求項の数】13
【出願形態】ＯＬ
(21)【出願番号】P 2022087126
(22)【出願日】2022-05-27
(71)【出願人】
【識別番号】000006655
【氏名又は名称】日本製鉄株式会社
(74)【代理人】
【識別番号】110000338
【氏名又は名称】弁理士法人 ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ
(72)【発明者】
【氏名】關 翼人
【テーマコード（参考）】
4E004
【Ｆターム（参考）】
4E004MB16
4E004MC22
4E004MC30
4E004NA01
4E004NC01
4E004PA07
(57)【要約】
【課題】経時変化する観測対象の状態と状態に起因する結果とが一対一で対応していない場合であっても、観測対象の状態の経時変化が従来よりも十分に反映された結果を予測できるようにする。
【解決手段】演算装置（１００）は、結果データ（ｙｓ）と一対一で対応していない時系列の観測データ群（Ｇ）のうち、結果が生じた時刻を含む所定の時間帯における一の時刻の観測データ（ｘts）を入力、結果を一の時刻に生じたものと見立てた中間予測値（ｙ^ts）を出力とする第一モデルを機械学習により構築する第一学習部（６１）と、同時間帯における複数の中間予測値（ｙ^ts）を入力、時間帯における最終予測値（ｙ^ｓ）を出力とする第二モデルを機械学習により構築する第二学習部（６２）と、モデル出力部（６３）と、を備える。
【選択図】図５
【解決手段】演算装置（１００）は、結果データ（ｙｓ）と一対一で対応していない時系列の観測データ群（Ｇ）のうち、結果が生じた時刻を含む所定の時間帯における一の時刻の観測データ（ｘts）を入力、結果を一の時刻に生じたものと見立てた中間予測値（ｙ^ts）を出力とする第一モデルを機械学習により構築する第一学習部（６１）と、同時間帯における複数の中間予測値（ｙ^ts）を入力、時間帯における最終予測値（ｙ^ｓ）を出力とする第二モデルを機械学習により構築する第二学習部（６２）と、モデル出力部（６３）と、を備える。
【選択図】図５
【特許請求の範囲】
【請求項1】
経時変化する観測対象の状態を観測し続けて得られる時系列の観測データ群であって、前記状態に起因する結果を示す結果データと一対一で対応していない観測データ群のうち、前記結果が生じた時刻を含む所定の時間帯における一の時刻の観測データを入力、前記結果を前記一の時刻に生じたものと見立てた中間予測値を出力とする第一モデルを機械学習により構築する第一学習部と、
前記時間帯における複数時刻の各観測データを前記第一モデルに入力することにより得られる複数の中間予測値を入力、前記時間帯における結果データの予測値である最終予測値を出力とする第二モデルを機械学習により構築する第二学習部と、
前記第一モデルおよび前記第二モデルにより構成される予測モデルを出力するモデル出力部と、を備える演算装置。
前記時間帯における複数時刻の各観測データを前記第一モデルに入力することにより得られる複数の中間予測値を入力、前記時間帯における結果データの予測値である最終予測値を出力とする第二モデルを機械学習により構築する第二学習部と、
前記第一モデルおよび前記第二モデルにより構成される予測モデルを出力するモデル出力部と、を備える演算装置。
【請求項2】
前記観測データは、連続鋳造機が備える鋳型における一の時刻の温度を示すものであり、
前記最終予測値は、前記鋳型で鋳造された鋼材の品質、または前記鋳型の中の溶鋼の流動状態を示すものである、請求項１に記載の演算装置。
前記最終予測値は、前記鋳型で鋳造された鋼材の品質、または前記鋳型の中の溶鋼の流動状態を示すものである、請求項１に記載の演算装置。
【請求項3】
前記鋼材の品質は、前記鋼材の表面におけるピンホールの個数である、請求項２に記載の演算装置。
【請求項4】
前記第二学習部は、複数の前記中間予測値を確率分布の形にしたものを入力とする機械学習により、当該第二モデルを構築する、請求項１に記載の演算装置。
【請求項5】
前記第一学習部および前記第二学習部は、前記時間帯に生じた結果をバッグ、複数の前記中間予測値をインスタンスとするマルチインスタンス学習により、前記第一モデルおよび前記第二モデルをそれぞれ構築する、請求項１に記載の演算装置。
【請求項6】
新たな観測データを取得するデータ取得部と、
前記予測モデルに前記新たな観測データを入力して結果に関する最終予測値を算出する予測部と、
前記予測値を出力する予測出力部と、
を備える、請求項１～５のいずれか一項に記載の演算装置。
前記予測モデルに前記新たな観測データを入力して結果に関する最終予測値を算出する予測部と、
前記予測値を出力する予測出力部と、
を備える、請求項１～５のいずれか一項に記載の演算装置。
【請求項7】
前記予測出力部は、前記予測モデルを構成する前記第一モデルに前記新たな観測データが入力されたときに得られる前記中間予測値を出力することが可能である、請求項６に記載の演算装置。
【請求項8】
前記観測データは、連続鋳造機が備える鋳型における一の時刻の温度を示すものであり、
前記最終予測値は、前記鋳型で鋳造された鋼材の品質、または前記鋳型の中の溶鋼の流動状態を示すものであり、
前記予測部は、前記予測モデルを構成する前記第二モデルを用い、鋳片における鋼材の先端部となる部位の凝固が開始されてから後端部となる部位の凝固が終了するまでの間の時間帯に対応する複数の前記中間予測値が入力されたときの前記最終予測値を算出する、請求項６に記載の演算装置。
前記最終予測値は、前記鋳型で鋳造された鋼材の品質、または前記鋳型の中の溶鋼の流動状態を示すものであり、
前記予測部は、前記予測モデルを構成する前記第二モデルを用い、鋳片における鋼材の先端部となる部位の凝固が開始されてから後端部となる部位の凝固が終了するまでの間の時間帯に対応する複数の前記中間予測値が入力されたときの前記最終予測値を算出する、請求項６に記載の演算装置。
【請求項9】
前記予測部は、
予定している全ての鋼材を鋳造する全期間に前記第一モデルが出力する全ての前記中間予測値のうち、前記全期間よりも短い第一時間に対応する一部の中間予測値を前記第二モデルへ入力して前記予測値を出力させ、
前記第一時間の開始から所定時間後に開始する、前記全期間よりも短い第二時間に対応する一部の中間予測値を第二モデルに入力して前記予測値を出力させる、請求項７に記載の演算装置。
予定している全ての鋼材を鋳造する全期間に前記第一モデルが出力する全ての前記中間予測値のうち、前記全期間よりも短い第一時間に対応する一部の中間予測値を前記第二モデルへ入力して前記予測値を出力させ、
前記第一時間の開始から所定時間後に開始する、前記全期間よりも短い第二時間に対応する一部の中間予測値を第二モデルに入力して前記予測値を出力させる、請求項７に記載の演算装置。
【請求項10】
経時変化する観測対象の状態を観測し続けて得られる時系列の観測データ群であって、前記状態に起因する結果を示す結果データと一対一で対応していない観測データ群のうち、前記結果が生じた時刻を含む所定の時間帯における一の時刻の観測データを入力、前記結果を前記一の時刻に生じたものと見立てた中間予測値を出力とする機械学習により構築された第一モデルと、
前記時間帯における複数時刻の各観測データを前記第一モデルに入力することにより得られる複数の中間予測値を入力、前記時間帯における結果データの予測値である最終予測値を出力とする機械学習により構築された第二モデルと、
により構成される予測モデルを用いて、前記結果に関する最終予測値を算出する予測部と、
前記最終予測値を出力する予測出力部と、
を備える予測装置。
前記時間帯における複数時刻の各観測データを前記第一モデルに入力することにより得られる複数の中間予測値を入力、前記時間帯における結果データの予測値である最終予測値を出力とする機械学習により構築された第二モデルと、
により構成される予測モデルを用いて、前記結果に関する最終予測値を算出する予測部と、
前記最終予測値を出力する予測出力部と、
を備える予測装置。
【請求項11】
請求項１に記載の演算装置としてコンピュータを機能させるための演算プログラムであって、
上記第一学習部、上記第二学習部および上記モデル出力部としてコンピュータを機能させるための演算プログラム。
上記第一学習部、上記第二学習部および上記モデル出力部としてコンピュータを機能させるための演算プログラム。
【請求項12】
更に上記予測部としてコンピュータを機能させるようになっており、
前記コンピュータに、
上記第一モデルが順次出力する複数の上記中間予測値のうち、第一時間に対応する一部の中間予測値を上記第二モデルへ入力して最終予測値を出力する処理を実行させ、
前記第一時間の開始から所定時間後に開始する第二時間に対応する一部の中間予測値を前記第二モデルに入力して最終予測値を出力する処理を実行させる、請求項１１に記載の演算プログラム。
前記コンピュータに、
上記第一モデルが順次出力する複数の上記中間予測値のうち、第一時間に対応する一部の中間予測値を上記第二モデルへ入力して最終予測値を出力する処理を実行させ、
前記第一時間の開始から所定時間後に開始する第二時間に対応する一部の中間予測値を前記第二モデルに入力して最終予測値を出力する処理を実行させる、請求項１１に記載の演算プログラム。
【請求項13】
経時変化する観測対象の状態を観測し続けて得られる時系列の観測データ群であって、前記状態に起因する結果を示す結果データと一対一で対応していない観測データ群のうち、前記結果が生じた時刻を含む所定の時間帯における一の時刻の観測データを入力、前記結果を前記一の時刻に生じたものと見立てた中間予測値を出力とする第一モデルを機械学習により構築するステップと、
前記時間帯における複数時刻の各観測データを前記第一モデルに入力することにより得られる複数の中間予測値を入力、前記時間帯における結果データの予測値である最終予測値を出力とする第二モデルを機械学習により構築するステップと、
前記第一モデルおよび前記第二モデルにより構成される予測モデルを出力するステップと、を有する予測モデル生成方法。
前記時間帯における複数時刻の各観測データを前記第一モデルに入力することにより得られる複数の中間予測値を入力、前記時間帯における結果データの予測値である最終予測値を出力とする第二モデルを機械学習により構築するステップと、
前記第一モデルおよび前記第二モデルにより構成される予測モデルを出力するステップと、を有する予測モデル生成方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、演算装置、予測装置、演算プログラムおよび予測モデル生成方法に関する。
【背景技術】
【0002】
連続鋳造を行う際に、鋳型に配置された測温素子によって鋳型の温度を測定し、その測定値に基づいてスラブ表面の欠陥の判定を行う技術が従来から知られている。例えば特許文献１には、鋳型長辺に埋設する測温素子の配置を工夫するとともに、配置された測温素子によって測定された鋳型の温度を取得する工程と、取得した温度に基づいて主成分分析を行って複数の主成分スコアを算出する工程と、算出された複数の主成分スコアに基づいて鋳片表面の欠陥発生の有無を判定する工程と、を備える連続鋳造スラブの表面欠陥判定方法が記載されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１５－１６０２３９号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
連続鋳造により一の鋳片を鋳造する間、鋳型の温度は絶えず変化する（複数の状態をとり得る）。一方、鋳片表面の欠陥発生の有無は、「有り」、「無し」のいずれか一つに定まる。このように、観測対象の状態が経時変化し、複数の状態が観測されても、状態に起因する結果が状態の数と同数得られない（状態と結果が一対一で対応しない）場合がある。このような場合の結果を判定する際には、複数の状態（状態の経時変化）が結果に反映されるようにするのが望ましい。しかしながら、上述のような従来技術は、複数の主成分スコアの一つでも閾値を超えた場合に欠陥発生と判定するようになっている。このため、従来技術を用いた判定では、閾値を超えていない主成分スコアが持つ温度の経時変化の要素の分まで十分に反映されない判定結果となってしまう可能性がある。
【0005】
本発明の一態様は、経時変化する観測対象の状態と、状態に起因する結果と、が一対一で対応していない場合であっても、観測対象の状態の経時変化が従来よりも十分に反映された結果を予測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】
【0006】
上記の課題を解決するために、本発明の一態様に係る演算装置は、経時変化する観測対象の状態を観測し続けて得られる時系列の観測データ群であって、前記状態に起因する結果を示す結果データと一対一で対応していない観測データ群のうち、前記結果が生じた時刻を含む所定の時間帯における一の時刻の観測データを入力、前記結果を前記一の時刻に生じたものと見立てた中間予測値を出力とする第一モデルを機械学習により構築する第一学習部と、前記時間帯における複数時刻の各観測データを前記第一モデルに入力することにより得られる複数の中間予測値を入力、前記時間帯における結果データの予測値である最終予測値を出力とする第二モデルを機械学習により構築する第二学習部と、前記第一モデルおよび前記第二モデルにより構成される予測モデルを出力するモデル出力部と、を備える。
【0007】
本発明の一態様に係る予測装置は、経時変化する観測対象の状態を観測し続けて得られる時系列の観測データ群であって、前記状態に起因する結果を示す結果データと一対一で対応していない観測データ群のうち、前記結果が生じた時刻を含む所定の時間帯における一の時刻の観測データを入力、前記結果を前記一の時刻に生じたものと見立てた中間予測値を出力とする機械学習により構築された第一モデルと、前記時間帯における複数時刻の各観測データを前記第一モデルに入力することにより得られる複数の中間予測値を入力、前記時間帯における結果データの予測値である最終予測値を出力とする機械学習により構築された第二モデルと、により構成される予測モデルを用いて、前記結果に関する最終予測値を算出する予測部と、前記最終予測値を出力する予測出力部と、を備える。
【0008】
本発明の各態様に係る演算装置および予測装置は、コンピュータによって実現してもよく、この場合には、コンピュータを演算装置および予測装置が備える各部（ソフトウェア要素）として動作させることにより演算装置および予測装置をコンピュータにて実現させる演算装置の演算プログラム、予測装置の予測プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。
【0009】
本発明の一態様に係る予測モデル生成方法は、経時変化する観測対象の状態を観測し続けて得られる時系列の観測データ群であって、前記状態に起因する結果を示す結果データと一対一で対応していない観測データ群のうち、前記結果が生じた時刻を含む所定の時間帯における一の時刻の観測データを入力、前記結果を前記一の時刻に生じたものと見立てた中間予測値を出力とする第一モデルを機械学習により構築するステップと、前記時間帯における複数時刻の各観測データを前記第一モデルに入力することにより得られる複数の中間予測値を入力、前記時間帯における結果データの予測値である最終予測値を出力とする第二モデルを機械学習により構築するステップと、前記第一モデルおよび前記第二モデルにより構成される予測モデルを出力するステップと、を有する。
【発明の効果】
【0010】
本発明の一態様によれば、経時変化する観測対象の状態と、状態に起因する結果と、が一対一で対応していない場合であっても、観測対象の状態の経時変化が従来よりも十分に反映された結果を予測することができる。
【図面の簡単な説明】
【0011】
【図1】本発明の一態様の実施形態１に係る演算装置の機能的構成を示すブロック図である。
【図2】同実施形態１に係る演算装置が予測に用いる観測データの一例を示す図である。
【図3】同実施形態１に係る演算装置を用いた予測モデル生成方法の流れを示すフローチャートである。
【図4】同予測モデル生成方法の一の概念図である。
【図5】同実施形態１に係る演算装置を用いた予測方法の流れを示すフローチャートである。
【図6】同予測方法の他の概念図である。
【図7】本発明の一態様の実施形態２に係る演算装置の機能的構成を示すブロック図である。
【図8】本発明の他の態様の実施形態に係る予測装置の機能的構成を示すブロック図である。
【図9】実施例に係る鋼材のサンプルにおけるピンホールの個数と、その個数のピンホールを有するサンプルについて実施例に係る演算装置（予測装置）が予測したピンホールの発生確率との関係を示すグラフである。
【図10】（ａ）はサンプルの鋳造時刻と、サンプルにおけるピンホールの発生の有無との関係を示すグラフ、（ｂ）はサンプルの鋳造時刻と、実施例に係る演算装置（予測装置）が予測したピンホールの発生の有無との関係を示すグラフである。
【発明を実施するための形態】
【0012】
＜発明１実施形態１＞
以下、本発明の一態様の一実施形態について、詳細に説明する。
以下、本発明の一態様の一実施形態について、詳細に説明する。
【0013】
【0014】
演算装置１００は、予測モデル８１（学習済モデル）を出力するものである。本実施形態に係る演算装置１００は、予測モデル８１を用いた予測も行うようになっている。本実施形態に係る演算装置１００は、複数の独立した装置で構成されている。具体的には、演算装置１００は、例えば図１に示したように、データ収集装置１００ａと、予測装置１００ｂと、を備えている。
【0015】
〔データ収集装置１００ａ〕
データ収集装置１００ａは、収集側制御部１と、第一計測部２と、第二計測部３と、収集側記憶部４と、収集側通信部５と、を備える。
データ収集装置１００ａは、収集側制御部１と、第一計測部２と、第二計測部３と、収集側記憶部４と、収集側通信部５と、を備える。
【0016】
（第一計測部２）
第一計測部２は、観測データ群Ｇを生成する。観測データ群Ｇは、経時変化する観測対象の状態を観測し続けて得られる観測データｘtsの集まりを時系列に並べたものである。本実施形態に係る観測データ群Ｇは、連続鋳造機が備える鋳型Ｍの温度変化を観測し続けて得られる。本実施形態に係る観測データｘtsは、連続鋳造機が備える鋳型Ｍにおける一の時刻の温度を示すデータである。
第一計測部２は、観測データ群Ｇを生成する。観測データ群Ｇは、経時変化する観測対象の状態を観測し続けて得られる観測データｘtsの集まりを時系列に並べたものである。本実施形態に係る観測データ群Ｇは、連続鋳造機が備える鋳型Ｍの温度変化を観測し続けて得られる。本実施形態に係る観測データｘtsは、連続鋳造機が備える鋳型Ｍにおける一の時刻の温度を示すデータである。
【0017】
本実施形態に係る第一計測部２は、複数の熱電対２１と、変換装置２２と、を備えている。複数の熱電対２１は、鋳型Ｍの表面に行列状に配列される。本実施形態に係る複数の熱電対２１は、鋳型Ｍの前面、背面および左右両側面の少なくともいずれかの面全体に配列される。各熱電対２１は、鋳型Ｍにおける自身が取り付けられた部位の温度に応じた電気信号を出力する。変換装置２２は、各熱電対２１から所定時間が経過する度に入力された電気信号を数値（温度）に変換する。この所定時間が経過する度に得られる各数値を、所定の時間帯（鋳片における鋼材Ｓの先端部となる部位の凝固が開始されてから後端部となる部位の凝固が終了するまでの時間帯、以下、一の鋼材Ｓが鋳造された時間帯）ごとに集めたものが観測データ群Ｇとなり、そのうちの一つが観測データｘtsとなる。また、本実施形態に係る観測データｘtsは、第一計測部２が上記のように構成されることにより、図２に示したように、一の時刻の鋳型Ｍの少なくとも一の面（図２には４面の場合を例示）の温度分布を示すデータとなる。
【0018】
（第二計測部３）
第二計測部３は、結果データｙｓを生成する。結果データｙｓは、経時変化する観測対象の状態に起因する結果を示すデータである。本実施形態に係る結果データｙｓは、鋳型Ｍで鋳造された鋼材Ｓの品質を示すデータである。本実施形態に係る鋼材Ｓの品質は、鋼材Ｓの表面におけるピンホールの個数である。ピンホールは鋼材Ｓの表面に生じるもので、比較的容易に探すことができる。このため、鋼材Ｓの品質をこのように設定することにより、溶鋼の流動状態を予測するために必要な結果データｙｓを容易に得ることができる。
第二計測部３は、結果データｙｓを生成する。結果データｙｓは、経時変化する観測対象の状態に起因する結果を示すデータである。本実施形態に係る結果データｙｓは、鋳型Ｍで鋳造された鋼材Ｓの品質を示すデータである。本実施形態に係る鋼材Ｓの品質は、鋼材Ｓの表面におけるピンホールの個数である。ピンホールは鋼材Ｓの表面に生じるもので、比較的容易に探すことができる。このため、鋼材Ｓの品質をこのように設定することにより、溶鋼の流動状態を予測するために必要な結果データｙｓを容易に得ることができる。
【0019】
本実施形態に係る第二計測部３は、図１に示したように、カメラ３１と、解析装置３２と、を備えている。カメラ３１は、鋼材Ｓの表面を撮影し画像データを生成する。解析装置３２は、画像データを解析し、ピンホールの個数を示す情報を生成する。この生成された情報が結果データｙｓとなる。第二計測部３は、一の鋼材Ｓが鋳造された時間帯に対して一の結果データｙｓを生成する。一方、一の鋼材Ｓが鋳造された時間帯に観測データｘtsは複数生成される。すなわち、観測データｘtsは、結果データｙｓと一対一で対応していない。なお、鋼材Ｓの品質は、鋳型Ｍの温度に応じた溶鋼の流動状態に依存することが知られている。このため、結果データｙｓは、溶鋼の流動状態を示すデータであってもよい。その場合、第二計測部３は、例えば、鋳型Ｍの湯面を撮影するカメラと解析装置とを備えるものであってもよいし、鋳型Ｍの中の溶鋼の状態をリアルタイムで直接観測するセンサであってもよい。
【0020】
（収集側記憶部４）
収集側記憶部４には、データベース４１が構築されている。データベース４１には、複数の観測データｘtsおよび複数の結果データｙｓが蓄積されている。なお、データベース４１は、観測データｘtsを蓄積するものと結果データｙｓを蓄積するものとに分かれていてもよい。
収集側記憶部４には、データベース４１が構築されている。データベース４１には、複数の観測データｘtsおよび複数の結果データｙｓが蓄積されている。なお、データベース４１は、観測データｘtsを蓄積するものと結果データｙｓを蓄積するものとに分かれていてもよい。
【0021】
（収集側通信部５）
収集側通信部５は、予測装置１００ｂとの間で、データ、制御信号等を、有線または無線で送受信する。
収集側通信部５は、予測装置１００ｂとの間で、データ、制御信号等を、有線または無線で送受信する。
【0022】
（収集側制御部１）
収集側制御部１は、第一データ収集部１１と、第二データ収集部１２と、第一データ出力部１３と、第二データ出力部１４と、を備える。
収集側制御部１は、第一データ収集部１１と、第二データ収集部１２と、第一データ出力部１３と、第二データ出力部１４と、を備える。
【0023】
・第一データ収集部１１
第一データ収集部１１は、第一計測部２から観測データｘtsを取得し、それをデータベース４１に蓄積する。
第一データ収集部１１は、第一計測部２から観測データｘtsを取得し、それをデータベース４１に蓄積する。
【0024】
・第二データ収集部１２
第二データ収集部１２は、第二計測部３から結果データｙｓを取得し、それをデータベース４１に蓄積する。
第二データ収集部１２は、第二計測部３から結果データｙｓを取得し、それをデータベース４１に蓄積する。
【0025】
・第一データ出力部１３
第一データ出力部１３は、データベース４１から観測データｘtsを取得し、それを予測装置１００ｂへ出力する。本実施形態に係る第一データ出力部１３は、観測データｘtsを、収集側通信部５を介して予測装置１００ｂへ送信する。第一データ出力部１３は、観測データｘtsの出力を、予測装置１００ｂからの要求に応じて行ってもよいし、自動で行ってもよい。
第一データ出力部１３は、データベース４１から観測データｘtsを取得し、それを予測装置１００ｂへ出力する。本実施形態に係る第一データ出力部１３は、観測データｘtsを、収集側通信部５を介して予測装置１００ｂへ送信する。第一データ出力部１３は、観測データｘtsの出力を、予測装置１００ｂからの要求に応じて行ってもよいし、自動で行ってもよい。
【0026】
・第二データ出力部１４
第二データ出力部１４は、データベース４１から結果データｙｓを取得し、それを予測装置１００ｂへ出力する。本実施形態に係る第二データ出力部１４は、観測データｘtsを、収集側通信部５を介して予測装置１００ｂへ送信する。第二データ出力部１４は、結果データｙｓの出力を、予測装置１００ｂからの要求に応じて行ってもよいし、自動で行ってもよい。
第二データ出力部１４は、データベース４１から結果データｙｓを取得し、それを予測装置１００ｂへ出力する。本実施形態に係る第二データ出力部１４は、観測データｘtsを、収集側通信部５を介して予測装置１００ｂへ送信する。第二データ出力部１４は、結果データｙｓの出力を、予測装置１００ｂからの要求に応じて行ってもよいし、自動で行ってもよい。
【0027】
〔予測装置１００ｂ〕
予測装置１００ｂは、予測側制御部６と、予測側通信部７と、予測側記憶部８と、を備える。
予測装置１００ｂは、予測側制御部６と、予測側通信部７と、予測側記憶部８と、を備える。
【0028】
（予測側通信部７）
予測側通信部７は、データ収集装置１００ａとの間で、データ、制御信号等を、有線または無線で送受信する。
予測側通信部７は、データ収集装置１００ａとの間で、データ、制御信号等を、有線または無線で送受信する。
【0029】
（予測側記憶部８）
予測側記憶部８は、機械学習により構築中（もしくは構築前）の予測モデル（以下、学習中モデル）を格納している。また、本実施形態に係る予測側記憶部８は、機械学習が済んだ予測モデル８１を格納することが可能となっている。予測モデル８１の詳細については後述する。
予測側記憶部８は、機械学習により構築中（もしくは構築前）の予測モデル（以下、学習中モデル）を格納している。また、本実施形態に係る予測側記憶部８は、機械学習が済んだ予測モデル８１を格納することが可能となっている。予測モデル８１の詳細については後述する。
【0030】
（予測側制御部６）
予測側制御部６は、第一学習部６１と、第二学習部６２と、モデル出力部６３と、第一データ取得部６４と、第二データ取得部６５と、第一変換部６６と、第二変換部６７と、予測部６８と、予測出力部６９と、を備える。
予測側制御部６は、第一学習部６１と、第二学習部６２と、モデル出力部６３と、第一データ取得部６４と、第二データ取得部６５と、第一変換部６６と、第二変換部６７と、予測部６８と、予測出力部６９と、を備える。
【0031】
・第一データ取得部６４
第一データ取得部６４は、観測データｘtsを取得する。本実施形態に係る第一データ取得部６４は、予測側通信部７を介してデータ収集装置１００ａから観測データｘtsを受信する。
第一データ取得部６４は、観測データｘtsを取得する。本実施形態に係る第一データ取得部６４は、予測側通信部７を介してデータ収集装置１００ａから観測データｘtsを受信する。
【0032】
・第二データ取得部６５
第二データ取得部６５は、結果データｙｓを取得する。本実施形態に係る第二データ取得部６５は、予測側通信部７を介してデータ収集装置１００ａから結果データｙｓを受信する。
第二データ取得部６５は、結果データｙｓを取得する。本実施形態に係る第二データ取得部６５は、予測側通信部７を介してデータ収集装置１００ａから結果データｙｓを受信する。
【0033】
・第一変換部６６
第一変換部６６は、取得した観測データｘtsを次元数が低減された形に変換する。本実施形態に係る観測データｘtsは、鋳型Ｍの温度分布を示すデータであり、各部位の温度を示す多数の数値を含んでいる（高次元のデータである）。このため、本実施形態に係る第一変換部６６は、この多数の数値に、例えば、特徴量抽出、主成分分析、一部数値の抽出等の処理を施す。こうすることで、この後の観測データｘtsを用いる各種演算を容易に行うことができるようになる。なお、上記第一データ取得部６４が取得する観測データｘtsの次元数が所定以下である場合、観測データｘtsの次元数に比べて観測データｘtsの数が十分に多い場合等には、予測側制御部６は、この第一変換部６６を備えていなくてもよい。
第一変換部６６は、取得した観測データｘtsを次元数が低減された形に変換する。本実施形態に係る観測データｘtsは、鋳型Ｍの温度分布を示すデータであり、各部位の温度を示す多数の数値を含んでいる（高次元のデータである）。このため、本実施形態に係る第一変換部６６は、この多数の数値に、例えば、特徴量抽出、主成分分析、一部数値の抽出等の処理を施す。こうすることで、この後の観測データｘtsを用いる各種演算を容易に行うことができるようになる。なお、上記第一データ取得部６４が取得する観測データｘtsの次元数が所定以下である場合、観測データｘtsの次元数に比べて観測データｘtsの数が十分に多い場合等には、予測側制御部６は、この第一変換部６６を備えていなくてもよい。
【0034】
・第二変換部６７
第二変換部６７は、取得した結果データｙｓをより単純な形に変換する。本実施形態に係る結果データｙｓは、ピンホールの個数を示すデータである。このため、本実施形態に係る第二変換部６７は、ピンホールの個数を、例えばピンホールの有無（１個以上または０個）に変換する。こうすることで、この後の結果データｙｓを用いる各種演算を容易に行うことができるようになる。また、本実施形態に係る第二変換部６７は、一の鋼材Ｓが鋳造された時間帯に対応する一の結果データｙｓから、同時間帯に対応する複数の観測データｘtsを取得した各時刻にそれぞれ生じた結果と見立てた、観測データｘtsと同数の中間データｙtsを複製する。すなわち、一の鋼材Ｓが鋳造された時間帯に対応する全ての中間データｙtsには、いずれも同じ結果データｙｓの値が格納される。なお、上記第二データ取得部６５が取得する結果データｙｓが離散数である場合、結果データｙｓの数が十分に多い場合等には、予測側制御部６は、この第二変換部６７を備えていなくてもよい。
第二変換部６７は、取得した結果データｙｓをより単純な形に変換する。本実施形態に係る結果データｙｓは、ピンホールの個数を示すデータである。このため、本実施形態に係る第二変換部６７は、ピンホールの個数を、例えばピンホールの有無（１個以上または０個）に変換する。こうすることで、この後の結果データｙｓを用いる各種演算を容易に行うことができるようになる。また、本実施形態に係る第二変換部６７は、一の鋼材Ｓが鋳造された時間帯に対応する一の結果データｙｓから、同時間帯に対応する複数の観測データｘtsを取得した各時刻にそれぞれ生じた結果と見立てた、観測データｘtsと同数の中間データｙtsを複製する。すなわち、一の鋼材Ｓが鋳造された時間帯に対応する全ての中間データｙtsには、いずれも同じ結果データｙｓの値が格納される。なお、上記第二データ取得部６５が取得する結果データｙｓが離散数である場合、結果データｙｓの数が十分に多い場合等には、予測側制御部６は、この第二変換部６７を備えていなくてもよい。
【0035】
・第一学習部６１
第一学習部６１は、第一モデルを機械学習により構築する。第一モデルは、上記観測データ群Ｇのうち、結果が生じた時刻を含む所定の時間帯における一の時刻ｔsの観測データｘtsを入力、結果を一の時刻ｔsに生じたものと見立てた中間予測値ｙ^tsを出力とするモデルである。本実施形態に係る第一学習部６１は、データ収集装置１００ａのデータベース４１から取得した（第一変換部６６で変換された）複数の観測データｘts、及び複数の中間データｙtsの組を教師データとする機械学習により、例えば下記数１で表される第一モデルを構築する。なお、第一学習部６１は、第二計測部３から直接取得した結果データｙｓ（すなわちピンホールの個数）を用いて機械学習してもよい。
第一学習部６１は、第一モデルを機械学習により構築する。第一モデルは、上記観測データ群Ｇのうち、結果が生じた時刻を含む所定の時間帯における一の時刻ｔsの観測データｘtsを入力、結果を一の時刻ｔsに生じたものと見立てた中間予測値ｙ^tsを出力とするモデルである。本実施形態に係る第一学習部６１は、データ収集装置１００ａのデータベース４１から取得した（第一変換部６６で変換された）複数の観測データｘts、及び複数の中間データｙtsの組を教師データとする機械学習により、例えば下記数１で表される第一モデルを構築する。なお、第一学習部６１は、第二計測部３から直接取得した結果データｙｓ（すなわちピンホールの個数）を用いて機械学習してもよい。
【0036】
【数1】
【0037】
・第二学習部６２
第二学習部６２は、第二モデルを機械学習により構築する。第二モデルは、所定の時間帯における複数時刻の各観測データｘtsを第一モデルに入力することにより得られる複数の中間予測値ｙ^tsを入力、同時間帯における最終予測値ｙ^ｓを出力とするモデルである。本実施形態に係る第二学習部６２は、複数の中間予測値ｙ^tsを確率分布（分位点、平均、最頻値、分散、フィルタ等の記述統計量により固定次元の特徴量としたもの）の形にしたもの、および結果データｙｓの組を教師データとする機械学習により、例えば下記数２で表される第二モデルを構築する。これにより、機械学習の結果得られる予測モデル８１を、より高い精度で予測するものとすることができる。
第二学習部６２は、第二モデルを機械学習により構築する。第二モデルは、所定の時間帯における複数時刻の各観測データｘtsを第一モデルに入力することにより得られる複数の中間予測値ｙ^tsを入力、同時間帯における最終予測値ｙ^ｓを出力とするモデルである。本実施形態に係る第二学習部６２は、複数の中間予測値ｙ^tsを確率分布（分位点、平均、最頻値、分散、フィルタ等の記述統計量により固定次元の特徴量としたもの）の形にしたもの、および結果データｙｓの組を教師データとする機械学習により、例えば下記数２で表される第二モデルを構築する。これにより、機械学習の結果得られる予測モデル８１を、より高い精度で予測するものとすることができる。
【0038】
【数2】
【0039】
なお、第一学習部６１および第二学習部６２は、所定の時間帯に生じた結果をバッグ、複数の中間データｙtsをインスタンスとするマルチインスタンス学習により、例えば下記数３で表される第一モデルおよび第二モデルをそれぞれ構築してもよい。このようにすれば、第二モデルに、確率分布を入力とするものよりも簡素なものを用いることができる。このため、装置を簡素化でき、機械学習や予測を短時間で行える。
【0040】
【数3】
【0041】
・モデル出力部６３
モデル出力部６３は、第一モデルおよび第二モデルにより構成される予測モデル８１を出力する。本実施形態に係るモデル出力部６３は、予測モデル８１を予測側記憶部８へ記憶させる。なお、モデル出力部６３は、予測モデル８１を予測部６８又は他の装置（予測のみを行う予測装置等）へ送信してもよい。
モデル出力部６３は、第一モデルおよび第二モデルにより構成される予測モデル８１を出力する。本実施形態に係るモデル出力部６３は、予測モデル８１を予測側記憶部８へ記憶させる。なお、モデル出力部６３は、予測モデル８１を予測部６８又は他の装置（予測のみを行う予測装置等）へ送信してもよい。
【0042】
・予測部６８
予測部６８は、予測モデル８１を用いて、結果に関する最終予測値ｙ^sを算出する。本実施形態に係る予測部６８は、予測モデル８１に新たな観測データｘtsを入力して結果に関する最終予測値ｙ^sを算出する。具体的には、予測部６８は、まず、第一モデルを用いて新たな観測データｘtsが入力された場合の中間予測値ｙ^tsを算出する。次に、予測部６８は、第二モデルを用いて複数の中間予測値ｙ^tsの確率分布が入力された場合の数値を算出する。この第二モデルを用いて算出された数値が最終予測値ｙ^sとなる。こうすることで、観測データ群Ｇが結果データｙｓと一対一で対応していない場合であっても、ユーザは、新たな観測データｘtsを入力することにより、当該観測データｘtsが得られた時刻を含む時間帯に生じる結果に関する最終予測値ｙ^sを得ることができる。
予測部６８は、予測モデル８１を用いて、結果に関する最終予測値ｙ^sを算出する。本実施形態に係る予測部６８は、予測モデル８１に新たな観測データｘtsを入力して結果に関する最終予測値ｙ^sを算出する。具体的には、予測部６８は、まず、第一モデルを用いて新たな観測データｘtsが入力された場合の中間予測値ｙ^tsを算出する。次に、予測部６８は、第二モデルを用いて複数の中間予測値ｙ^tsの確率分布が入力された場合の数値を算出する。この第二モデルを用いて算出された数値が最終予測値ｙ^sとなる。こうすることで、観測データ群Ｇが結果データｙｓと一対一で対応していない場合であっても、ユーザは、新たな観測データｘtsを入力することにより、当該観測データｘtsが得られた時刻を含む時間帯に生じる結果に関する最終予測値ｙ^sを得ることができる。
【0043】
本実施形態に係る予測部６８は、第二モデルを用い、一の鋼材Ｓが鋳造された時間帯に対応する複数の中間予測値ｙ^tsが入力されたときの最終予測値ｙ^sを算出する。こうすることで、鋳型Ｍの温度の経時変化のデータが鋼材Ｓの品質等のデータと一対一で対応することがない連続鋳造を行う場合であっても、ユーザは、複数の中間予測値ｙ^tsに対応する時間帯に鋳造される鋼材Ｓの品質等に関する最終予測値ｙ^sを得ることができる。なお、予測部６８は、第一モデルを用いて中間予測値ｙ^tsを算出したところで動作を終了してもよい。
【0044】
・予測出力部６９
予測出力部６９は、最終予測値ｙ^sを出力する。本実施形態に係る予測出力部６９は、最終予測値ｙ^sを、出力対象９へ出力する。出力対象９は、最終予測値ｙ^sを表示する表示部、最終予測値ｙ^sを記憶する記憶部、最終予測値ｙ^sを送信する通信部、他の装置（電磁拡販装置（Electro Magnetic Stirrer：ＥＭＳ）等）等を含む。なお、予測出力部６９は、第一モデルに新たな観測データｘtsが入力されたときに得られる中間予測値ｙ^tsを出力することが可能となっていてもよい。このようにすれば、各時刻の新たな観測データｘtsがリアルタイムで予測モデル８１に入力されることにより、この後生じることになる結果の予測（中間予測値ｙ^ts）が時刻ごとに出力されることになる。この結果を利用すれば状態を変える手段（ＥＭＳ等）を、所望の結果が得られる（ピンホールが発生しにくくなるような溶鋼流動となる）ように制御することができる。
予測出力部６９は、最終予測値ｙ^sを出力する。本実施形態に係る予測出力部６９は、最終予測値ｙ^sを、出力対象９へ出力する。出力対象９は、最終予測値ｙ^sを表示する表示部、最終予測値ｙ^sを記憶する記憶部、最終予測値ｙ^sを送信する通信部、他の装置（電磁拡販装置（Electro Magnetic Stirrer：ＥＭＳ）等）等を含む。なお、予測出力部６９は、第一モデルに新たな観測データｘtsが入力されたときに得られる中間予測値ｙ^tsを出力することが可能となっていてもよい。このようにすれば、各時刻の新たな観測データｘtsがリアルタイムで予測モデル８１に入力されることにより、この後生じることになる結果の予測（中間予測値ｙ^ts）が時刻ごとに出力されることになる。この結果を利用すれば状態を変える手段（ＥＭＳ等）を、所望の結果が得られる（ピンホールが発生しにくくなるような溶鋼流動となる）ように制御することができる。
【0045】
（演算装置その他）
演算装置１００は、第一変換部６６および第二変換部６７の少なくとも一方を備えていなくてもよい。その場合、第一学習部６１および第二学習部６２は、第一データ取得部６４が取得した観測データｘtsおよび第二データ取得部６５が取得した結果データｙｓの少なくとも一方を直接入力するようにしてもよい。また、予測側制御部６が有していた一部機能（例えば、第一，第二変換部６６，６７等）は、収集側制御部１に持たせてもよい。
演算装置１００は、第一変換部６６および第二変換部６７の少なくとも一方を備えていなくてもよい。その場合、第一学習部６１および第二学習部６２は、第一データ取得部６４が取得した観測データｘtsおよび第二データ取得部６５が取得した結果データｙｓの少なくとも一方を直接入力するようにしてもよい。また、予測側制御部６が有していた一部機能（例えば、第一，第二変換部６６，６７等）は、収集側制御部１に持たせてもよい。
【0046】
また、演算装置１００は、予測部６８および予測出力部６９を備えていなくてもよい。その場合、演算装置１００は、モデル出力部６３が予測モデル８１を出力したところで動作を終了してもよい。
【0047】
【0048】
予測モデル生成方法は、図３に示したように、第一データ収集ステップＡ１と、第二データ収集ステップＡ２と、第一データ取得ステップＡ３と、第二データ取得ステップＡ４と、第一変換ステップＡ５と、第二変換ステップＡ６と、第一学習ステップＡ７と、第二学習ステップＡ８と、モデル出力ステップＡ９と、を有している。
【0049】
（第一，第二データ収集ステップＡ１，Ａ２）
初めの第一データ収集ステップＡ１では、データ収集装置１００ａの第一データ収集部１１が第一計測部２から観測データｘtsを取得し、それをデータベース４１に蓄積する。そして、第二データ収集ステップＡ２では、データ収集装置１００ａの第二データ収集部１２が第二計測部３から結果データｙｓを取得し、それをデータベース４１に蓄積する。なお、第一データ収集ステップＡ１および第二データ収集ステップＡ２は、同時に行ってもよいし、第二データ収集ステップＡ２を第一データ収集ステップＡ１より先に行ってもよい。また、データベース４１にあらかじめ十分な数の観測データｘtsおよび結果データｙｓが蓄積されている場合、この第一，第二データ収集ステップＡ１，Ａ２は省略してもよい。
初めの第一データ収集ステップＡ１では、データ収集装置１００ａの第一データ収集部１１が第一計測部２から観測データｘtsを取得し、それをデータベース４１に蓄積する。そして、第二データ収集ステップＡ２では、データ収集装置１００ａの第二データ収集部１２が第二計測部３から結果データｙｓを取得し、それをデータベース４１に蓄積する。なお、第一データ収集ステップＡ１および第二データ収集ステップＡ２は、同時に行ってもよいし、第二データ収集ステップＡ２を第一データ収集ステップＡ１より先に行ってもよい。また、データベース４１にあらかじめ十分な数の観測データｘtsおよび結果データｙｓが蓄積されている場合、この第一，第二データ収集ステップＡ１，Ａ２は省略してもよい。
【0050】
（第一，第二データ取得ステップＡ３，Ａ４）
観測データｘtsおよび結果データｙｓがデータベース４１に蓄積された後は、第一データ取得ステップＡ３に移る。第一データ取得ステップＡ３では、予測装置１００ｂの第一データ取得部６４がデータ収集装置１００ａのデータベース４１から観測データｘtsを取得する。そして、第二データ取得ステップＡ４では、予測装置１００ｂの第二データ取得部６５がデータ収集装置１００ａのデータベース４１から結果データｙｓを取得する。なお、第一データ取得ステップＡ３および第二データ取得ステップＡ４は、同時に行ってもよいし、第二データ取得ステップＡ４を第一データ取得ステップＡ３より先に行ってもよい。
観測データｘtsおよび結果データｙｓがデータベース４１に蓄積された後は、第一データ取得ステップＡ３に移る。第一データ取得ステップＡ３では、予測装置１００ｂの第一データ取得部６４がデータ収集装置１００ａのデータベース４１から観測データｘtsを取得する。そして、第二データ取得ステップＡ４では、予測装置１００ｂの第二データ取得部６５がデータ収集装置１００ａのデータベース４１から結果データｙｓを取得する。なお、第一データ取得ステップＡ３および第二データ取得ステップＡ４は、同時に行ってもよいし、第二データ取得ステップＡ４を第一データ取得ステップＡ３より先に行ってもよい。
【0051】
（第一，第二変換ステップＡ５，Ａ６）
観測データｘtsを取得した後は、第一変換ステップＡ５に移る。第一変換ステップＡ５では、予測装置１００ｂの第一変換部６６が、取得した観測データｘtsを次元数が低減された形式に変換する。一方、結果データｙｓを取得した後は、第二変換ステップＡ６に移る。第二変換ステップＡ６では、予測装置１００ｂの第二変換部６７が、取得した結果データｙｓをより単純な形に変換する。なお、第一変換ステップＡ５および第二変換ステップＡ６は、同時に行ってもよいし、第二変換ステップＡ６を第一変換ステップＡ５より先に行ってもよい。また、第一変換ステップＡ５および第二変換ステップＡ６の少なくとも一方を行わなくてもよい。
観測データｘtsを取得した後は、第一変換ステップＡ５に移る。第一変換ステップＡ５では、予測装置１００ｂの第一変換部６６が、取得した観測データｘtsを次元数が低減された形式に変換する。一方、結果データｙｓを取得した後は、第二変換ステップＡ６に移る。第二変換ステップＡ６では、予測装置１００ｂの第二変換部６７が、取得した結果データｙｓをより単純な形に変換する。なお、第一変換ステップＡ５および第二変換ステップＡ６は、同時に行ってもよいし、第二変換ステップＡ６を第一変換ステップＡ５より先に行ってもよい。また、第一変換ステップＡ５および第二変換ステップＡ６の少なくとも一方を行わなくてもよい。
【0052】
（第一学習ステップＡ７）
観測データｘtsおよび結果データｙｓを変換した後は、第一学習ステップＡ７に移る。第一学習ステップＡ７では、予測装置１００ｂの第一学習部６１が、上記第一モデルを機械学習により構築する。例えば、図４に示したような、時間帯ｔ1～ｔ2に鋳造された鋼材Ｓについて機械学習させる場合、同時間帯ｔ1～ｔ2に、所定時間が経過する度（ｔ11，ｔ12・・ｔ1n）に取得した観測データｘts(ｔ11)，ｘts(ｔ12)・・ｘts(ｔ1n)、及び対応する時間帯の結果データｙｓを複製した中間データｙts(ｔ11)，ｙts(ｔ12)・・ｙts(ｔ1n)の組を教師データとして機械学習させる。
観測データｘtsおよび結果データｙｓを変換した後は、第一学習ステップＡ７に移る。第一学習ステップＡ７では、予測装置１００ｂの第一学習部６１が、上記第一モデルを機械学習により構築する。例えば、図４に示したような、時間帯ｔ1～ｔ2に鋳造された鋼材Ｓについて機械学習させる場合、同時間帯ｔ1～ｔ2に、所定時間が経過する度（ｔ11，ｔ12・・ｔ1n）に取得した観測データｘts(ｔ11)，ｘts(ｔ12)・・ｘts(ｔ1n)、及び対応する時間帯の結果データｙｓを複製した中間データｙts(ｔ11)，ｙts(ｔ12)・・ｙts(ｔ1n)の組を教師データとして機械学習させる。
【0053】
（第二学習ステップＡ８）
第一モデルを機械学習させた後は、図３に示したように、第二学習ステップＡ８に移る。第二学習ステップＡ８では、予測装置１００ｂの第二学習部６２が、上記第二モデルを機械学習により構築する。例えば、図４に示したような、時間帯ｔ1～ｔ2に鋳造された鋼材Ｓについて機械学習させる場合、観測データｘts(ｔ11)，ｘts(ｔ12)・・ｘts(ｔ1n)を第一モデルに入力して得られる中間予測値ｙ^ts(ｔ11)，ｙ^ts(ｔ12)・・ｙ^ts(ｔ1n)の確率分布、および結果データｙｓの組を教師データとして機械学習させる。
第一モデルを機械学習させた後は、図３に示したように、第二学習ステップＡ８に移る。第二学習ステップＡ８では、予測装置１００ｂの第二学習部６２が、上記第二モデルを機械学習により構築する。例えば、図４に示したような、時間帯ｔ1～ｔ2に鋳造された鋼材Ｓについて機械学習させる場合、観測データｘts(ｔ11)，ｘts(ｔ12)・・ｘts(ｔ1n)を第一モデルに入力して得られる中間予測値ｙ^ts(ｔ11)，ｙ^ts(ｔ12)・・ｙ^ts(ｔ1n)の確率分布、および結果データｙｓの組を教師データとして機械学習させる。
【0054】
（モデル出力ステップＡ９）
第二モデルを機械学習させた後は、図３に示したように、モデル出力ステップＡ９に移る。モデル出力ステップＡ９では、予測装置１００ｂのモデル出力部６３が、第一モデルおよび第二モデルにより構成される予測モデル８１を出力する。このモデル出力ステップＡ９では、予測モデル８１を、予測装置１００ｂの予測側記憶部８へ記憶してもよいし、予測部６８又は他の装置へ送信してもよい。
第二モデルを機械学習させた後は、図３に示したように、モデル出力ステップＡ９に移る。モデル出力ステップＡ９では、予測装置１００ｂのモデル出力部６３が、第一モデルおよび第二モデルにより構成される予測モデル８１を出力する。このモデル出力ステップＡ９では、予測モデル８１を、予測装置１００ｂの予測側記憶部８へ記憶してもよいし、予測部６８又は他の装置へ送信してもよい。
【0055】
【0056】
予測方法は、図５に示したように、第三データ取得ステップＢ１と、予測ステップＢ２と、予測出力ステップＢ３と、第三変換ステップＢ４と、を有している。
【0057】
（第三データ取得ステップＢ１）
初めの第三データ取得ステップＢ１では、予測装置１００ｂの第一データ取得部６４が新たな観測データｘtsを取得する。このとき、連続鋳造機は、連続鋳造を行っている。そして、鋳型Ｍの温度は、経時変化している。このため、第一データ取得部６４は、所定時間が経過する度に観測データｘtsの取得を繰り返すことにより、複数の観測データｘtsを取得する。得られた複数の観測データｘtsの組は、鋳造された複数の鋼材Ｓ1，Ｓ2・・のいずれかと対応している。例えば図６に示したような、時刻ｔ1～ｔ2の時間帯に、所定時間が経過する度（ｔ21，ｔ22・・ｔ2n）に取得した観測データｘts(ｔ21)，ｘts(ｔ22)・・ｘts(ｔ2n)からなる観測データ群Ｇは、同時間帯に鋳造された鋼材Ｓ2と対応している。
初めの第三データ取得ステップＢ１では、予測装置１００ｂの第一データ取得部６４が新たな観測データｘtsを取得する。このとき、連続鋳造機は、連続鋳造を行っている。そして、鋳型Ｍの温度は、経時変化している。このため、第一データ取得部６４は、所定時間が経過する度に観測データｘtsの取得を繰り返すことにより、複数の観測データｘtsを取得する。得られた複数の観測データｘtsの組は、鋳造された複数の鋼材Ｓ1，Ｓ2・・のいずれかと対応している。例えば図６に示したような、時刻ｔ1～ｔ2の時間帯に、所定時間が経過する度（ｔ21，ｔ22・・ｔ2n）に取得した観測データｘts(ｔ21)，ｘts(ｔ22)・・ｘts(ｔ2n)からなる観測データ群Ｇは、同時間帯に鋳造された鋼材Ｓ2と対応している。
【0058】
（第三変換ステップＢ４）
観測データｘtsを取得した後は、第三変換ステップＢ４に移る。第三変換ステップＢ４では、予測装置１００ｂの第一変換部６６が、取得した観測データｘtsを次元数が低減された形式に変換する。なお、取得した観測データｘtsの次元数が初めから小さい場合には、第三変換ステップＢ４を行わなくてもよい。
観測データｘtsを取得した後は、第三変換ステップＢ４に移る。第三変換ステップＢ４では、予測装置１００ｂの第一変換部６６が、取得した観測データｘtsを次元数が低減された形式に変換する。なお、取得した観測データｘtsの次元数が初めから小さい場合には、第三変換ステップＢ４を行わなくてもよい。
【0059】
（予測ステップＢ２）
新たな観測データｘtsを取得した後（もしくは新たな観測データｘtsの変換後）は、予測ステップＢ２に移る。本実施形態に係る予測ステップＢ２は、第一予測ステップＢ２１と、予測対象選択ステップＢ２２と、第二予測ステップＢ２３と、第三予測ステップＢ２４と、に分かれている。
新たな観測データｘtsを取得した後（もしくは新たな観測データｘtsの変換後）は、予測ステップＢ２に移る。本実施形態に係る予測ステップＢ２は、第一予測ステップＢ２１と、予測対象選択ステップＢ２２と、第二予測ステップＢ２３と、第三予測ステップＢ２４と、に分かれている。
【0060】
初めの第一予測ステップＢ２１では、予測部６８が第一モデルを用い、新たな観測データｘts（もしくは変換後の観測データｘts）が入力された場合の中間予測値ｙ^tsを算出する。予測部６８には観測データｘtsが順次入力されるため、予測部６８は、中間予測値ｙ^tsを順次算出する（図６に示したような連続的な中間予測値ｙ^tsが得られる）。
【0061】
中間予測値ｙ^tsを算出した後は、図５に示したように、予測対象選択ステップＢ２２に移る。この予測対象選択ステップＢ２２では、鋼材Ｓごとの最終予測値ｙ^sが必要であるか否かを判断する。具体的には、結果の変化があまりなく（例えば、一の鋼材Ｓの中で部位ごとの品質が均一で）、代表値に丸め込む必要性が高い場合には、鋼材Ｓごとの最終予測値ｙ^sが必要であると判断する。一方、結果の変化が頻繁に起こり（例えば、一の鋼材Ｓの中で部位ごとに品質が変動し、あるいは観測データｘtsと結果データｙｓの対応関係が一対一の対応に近く）、代表値に丸め込む必要性が低い（細かく予測したい）場合は、鋼材Ｓごとの最終予測値ｙ^sが必要ではないと判断する。判断は、鋼材Ｓの表面を撮影し画像データ、結果データｙｓ等に基づいて予測部６８が行ってもよいし、人が行ってもよい。
【0062】
予測対象選択ステップＢ２２で鋼材Ｓごとに最終予測値ｙ^sが必要であると判断した場合は、第二予測ステップＢ２３に移る。第二予測ステップＢ２３では、第二モデルを用い中間予測値ｙ^tsが入力された場合の数値を算出する。本実施形態に係る第二予測ステップＢ２３では、予測部６８が、一の鋼材Ｓが鋳造された時間帯に対応する複数の中間予測値ｙ^tsを第二モデルに入力して最終予測値ｙ^sを算出する。例えば図６に示すように、時間帯ｔ1～ｔ2に一の鋼材Ｓ2が鋳造された場合、同時間帯に観測データｘts(ｔ21)，ｘts(ｔ22)・・ｘts(ｔ2n)を取得した時刻ｔ21，ｔ22・・ｔ2nに対応する中間予測値ｙ^ts(ｔ21)，ｙ^ts(ｔ22)・・ｙ^ts(ｔ2n)が第二モデルに入力されたときの最終予測値ｙ^s（鋼材Ｓ2についての最終予測値）を算出する。このとき、第二モデルによって、複数の中間予測値ｙ^ts(ｔ21)，ｙ^ts(ｔ22)・・ｙ^ts(ｔ2n)に対応する出力が一つの代表値に丸め込まれる（入出力の時間的な対応関係の曖昧さを吸収する）。このため、算出される最終予測値ｙ^s（鋼材Ｓごとの最終予測値）は、０～１の範囲内の数値（確率値）となる。なお、算出された確率値を離散化し、鋼材単位で「０」または「１」を示す値としてもよい。
【0063】
予測対象選択ステップＢ２２で鋼材Ｓごとには最終予測値ｙ^sが必要ではないと判断した場合は、第三予測ステップＢ２４に移る。第三予測ステップＢ２４では、予定している全ての鋼材Ｓ1、Ｓ2・・Ｓnを鋳造する全期間（最初の鋼材Ｓ1の鋳造を開始してから最後のＳnの鋳造を終えるまでの期間）に第一モデルが出力する全ての中間予測値ｙ^tsのうち、全期間よりも短い第一時間（例えば、図６におけるｔ1～ｔ2）に対応する一部の中間予測値ｙ^tsを前記第二モデルへ入力して、一の最終予測値ｙ^sを出力させる（ステップＢ２４１）。そして、第一時間の開始から所定時間後に開始する、全期間よりも短い第二時間（例えば、図６におけるｔ3～ｔ5の一部の期間）に対応する一部の中間予測値ｙ^tsを第二モデルに入力して、別の最終予測値ｙ^sを出力させる（ステップＢ２４２）。
【0064】
第一，第二時間の長さは、例えば、一の鋼材Ｓが鋳造された時間帯の長さの平均値とすることができる。この長さを短く設定すれば、細かい変化を認識することができる。一方、第一時間、第二時間の長さを長く設定すれば、緩やかな変化（傾向）を認識することができる。所定時間の長さは、一の観測データｘtsが得られてから次の観測データｘtsが得られるまでの時間以上の長さ（例えば１０秒）に設定することができる。この長さを短くするほど予測の頻度が高くなる。以上説明してきたような第三予測ステップＢ２４を実行すれば、一の鋼材Ｓについて得られた二以上の最終予測値ｙ^sは、結果に関する予測の経時変化を表す。このため、結果の変化が頻繁に起こり（例えば、一の鋼材Ｓの中で部位ごとに品質が変動し、あるいは観測データｘtsと結果データｙｓの対応関係が一対一の対応に近く）、代表値に丸め込む必要性が低い（細かく予測したい）場合等の結果に関する予測を行うことができる。
【0065】
なお、第一モデルが中間予測値ｙ^tsを出力した後、中間予測値ｙ^tsを第二モデルに入力することなく予測ステップＢ２を終了としてもよい。また、上記第三予測ステップＢ２４では、第一時間、第二時間にそれぞれ最終予測値ｙ^sを出力させることとした。しかし、第三予測ステップＢ２４では、第二時間の開始から所定時間後に開始する第三時間・・第（ｎ－１）時間の開始から所定時間後に開始する第ｎ時間にそれぞれ最終予測値ｙ^sを出力させても（３以上の最終予測値ｙ^sを得るようにしても）よい。なお、第一、第二・・第ｎ時間の長さは等しくてもよいし、これらのうち少なくとも一つの時間が他の時間と異なっていてもよい。また、第一、第二・・第ｎ時間の少なくともいずれかは、複数の鋼材の鋳造時間に跨っていてもよい。また、設定する所定時間の長さによって予測される予測の経時変化の仕方が変わってくる。このため、所定時間を複数設定してもよい。
【0066】
（予測出力ステップＢ３）
最終予測値ｙ^sを算出した後は、予測出力ステップＢ３に移る。予測出力ステップＢ３では、演算装置１００の予測出力部６９が、算出した最終予測値ｙ^sを出力する。なお、予測出力ステップＢ３では、最終予測値ｙ^sを予測側記憶部８へ記憶してもよいし、図示しない表示部へ表示してもよいし、他の装置へ送信してもよい。
最終予測値ｙ^sを算出した後は、予測出力ステップＢ３に移る。予測出力ステップＢ３では、演算装置１００の予測出力部６９が、算出した最終予測値ｙ^sを出力する。なお、予測出力ステップＢ３では、最終予測値ｙ^sを予測側記憶部８へ記憶してもよいし、図示しない表示部へ表示してもよいし、他の装置へ送信してもよい。
【0067】
〔作用効果〕
本実施形態に係る演算装置１００によれば、一対一で対応付けられていない観測データ群Ｇおよび結果データｙｓを予測モデルに機械学習させる際に、第二モデルによる複数の中間予測値ｙ^tsから（一つの）結果データｙｓを出力する動作が、複数の中間予測値ｙ^tsに対応する出力を一つの代表値に丸め込む（入出力の時間的な対応関係の曖昧さを吸収する）フィルタとして機能する。このため、経時変化する観測対象の状態と、状態に起因する結果と、が一対一で対応していない場合であっても、観測対象の状態の経時変化が従来よりも十分に反映された結果を予測する予測モデル８１を得ることができる。特に、本実施形態のように、前記観測データｘtsを鋳型Ｍにおける一の時刻の温度を示すデータとし、結果データｙsを鋳型Ｍで鋳造された鋼材Ｓの品質、または鋳型Ｍの中の溶鋼の流動状態とした場合に、鋳型Ｍの温度の経時変化から、製造される鋼材Ｓの品質を鋼材単位で予測する鋼材製造用の予測モデル８１を得ることができる。具体的には、図６に示したように、第二モデルが出力する最終予測値ｙ^sが、結果データｙsが示す実際の観測結果に沿ったものとなる。なお、最終予測値ｙ^sを確率値そのものではなく、鋼材単位で離散化された「０」または「１」とする場合には、結果データｙsと概ね一致することになる。
本実施形態に係る演算装置１００によれば、一対一で対応付けられていない観測データ群Ｇおよび結果データｙｓを予測モデルに機械学習させる際に、第二モデルによる複数の中間予測値ｙ^tsから（一つの）結果データｙｓを出力する動作が、複数の中間予測値ｙ^tsに対応する出力を一つの代表値に丸め込む（入出力の時間的な対応関係の曖昧さを吸収する）フィルタとして機能する。このため、経時変化する観測対象の状態と、状態に起因する結果と、が一対一で対応していない場合であっても、観測対象の状態の経時変化が従来よりも十分に反映された結果を予測する予測モデル８１を得ることができる。特に、本実施形態のように、前記観測データｘtsを鋳型Ｍにおける一の時刻の温度を示すデータとし、結果データｙsを鋳型Ｍで鋳造された鋼材Ｓの品質、または鋳型Ｍの中の溶鋼の流動状態とした場合に、鋳型Ｍの温度の経時変化から、製造される鋼材Ｓの品質を鋼材単位で予測する鋼材製造用の予測モデル８１を得ることができる。具体的には、図６に示したように、第二モデルが出力する最終予測値ｙ^sが、結果データｙsが示す実際の観測結果に沿ったものとなる。なお、最終予測値ｙ^sを確率値そのものではなく、鋼材単位で離散化された「０」または「１」とする場合には、結果データｙsと概ね一致することになる。
【0068】
＜第一発明実施形態２＞
本発明の他の実施形態について、以下に説明する。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。
本発明の他の実施形態について、以下に説明する。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。
【0069】
本実施形態に係る演算装置１００Ａは、データ収集機能と、予測モデル構築機能が一つの装置にまとめられている。具体的には、本実施形態に係る演算装置１００Ａは、図７に示したように、第一計測部２および第二計測部３の他、制御部６Ａと、記憶部８Ａと、を備えている。また、本実施形態に係る演算装置１００Ａは、上記実施形態１に係る演算装置１００が備えていた収集側通信部５および予測側通信部７に相当する構成を備えていない。
【0070】
制御部６Ａは、上記実施形態１に係る演算装置１００の収集側制御部１の機能の一部、および予測側制御部６の機能の一部を兼ね備えている。具体的には、制御部６Ａは、第一データ収集部１１と、第二データ収集部１２と、第一データ取得部６４と、第二データ取得部６５と、第一変換部６６と、第二変換部６７と、第一学習部６１と、第二学習部６２と、モデル出力部６３と、予測部６８と、予測出力部６９と、を備えている。
【0071】
記憶部８Ａは、上記実施形態１に係る演算装置１００の収集側記憶部４の機能、および予測側記憶部８の機能を兼ね備えている。具体的には、記憶部８Ａには、データベース４１が構築されている。また、記憶部８Ａは、これから学習中モデルを格納している。また、本実施形態に係る記憶部８Ａは、機械学習が済んだ予測モデル８１を格納することが可能となっている。
【0072】
〔作用効果〕
本実施形態に係る演算装置１００Ａによれば、上記実施形態１に係る演算装置１００が奏する作用効果に加え、通信部が不要になるとともに、制御部、記憶部を一つずつにできる。その結果、演算装置１００Ａを上記実施形態１に係る演算装置１００よりもコンパクト、かつ低コストで製造可能なものとすることができる。
本実施形態に係る演算装置１００Ａによれば、上記実施形態１に係る演算装置１００が奏する作用効果に加え、通信部が不要になるとともに、制御部、記憶部を一つずつにできる。その結果、演算装置１００Ａを上記実施形態１に係る演算装置１００よりもコンパクト、かつ低コストで製造可能なものとすることができる。
【0073】
＜発明２実施形態＞
次に、本発明の他の態様の一実施形態について、詳細に説明する。なお、説明の便宜上、上記第一発明の各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。
次に、本発明の他の態様の一実施形態について、詳細に説明する。なお、説明の便宜上、上記第一発明の各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。
【0074】
〔予測装置２００〕
上記本発明の一態様は演算装置１００，１００Ａのとおり、予測モデルの構築と当該予測モデルを用いた予測を同一の装置で行っているのに対し、本発明の他の態様は既に他の装置により構築済みの予測モデルを用いて予測のみを行う予測装置２００となっている。予測装置２００は、例えば図８に示したように、第一計測部２と、第一データ取得部６４と、予測部６８と、予測出力部６９と、記憶部８Ｂと、を備える。本実施形態に係る予測装置２００は、第一変換部６６を更に備えている。本実施形態に係る第一データ取得部６４、第一変換部６６、予測部６８および予測出力部６９は、制御部６Ｂに含まれている。なお、制御部６Ｂは、他の装置から新しい予測モデル８１を取得するモデル取得部を備えていてもよい。
上記本発明の一態様は演算装置１００，１００Ａのとおり、予測モデルの構築と当該予測モデルを用いた予測を同一の装置で行っているのに対し、本発明の他の態様は既に他の装置により構築済みの予測モデルを用いて予測のみを行う予測装置２００となっている。予測装置２００は、例えば図８に示したように、第一計測部２と、第一データ取得部６４と、予測部６８と、予測出力部６９と、記憶部８Ｂと、を備える。本実施形態に係る予測装置２００は、第一変換部６６を更に備えている。本実施形態に係る第一データ取得部６４、第一変換部６６、予測部６８および予測出力部６９は、制御部６Ｂに含まれている。なお、制御部６Ｂは、他の装置から新しい予測モデル８１を取得するモデル取得部を備えていてもよい。
【0075】
第一計測部２は、データベースが構築された記憶部を介さずに制御部６Ａ（第一変換部６６または予測部６８）と接続されている。このため、制御部６Ａは、第一計測部２が生成した観測データｘtsを、リアルタイムで直接取得する。
【0076】
記憶部８Ｂは、予測モデル８１を記憶している。
【0077】
〔予測方法〕
予測装置２００を用いた予測方法は、上記実施形態１に係る予測装置１００ｂを用いたものと同様、第三データ取得ステップＢ１と、予測ステップＢ２と、予測出力ステップＢ３と、を有している。
予測装置２００を用いた予測方法は、上記実施形態１に係る予測装置１００ｂを用いたものと同様、第三データ取得ステップＢ１と、予測ステップＢ２と、予測出力ステップＢ３と、を有している。
【0078】
〔作用効果〕
本実施形態に係る予測装置２００によれば、第二モデルによる複数の中間予測値ｙ^tsから（一つの）最終予測値ｙ^sを出力する動作が、複数の中間予測値ｙ^tsに対応する出力を一つの代表値に丸め込む（入出力の時間的な対応関係の曖昧さを吸収する）フィルタとして機能する。このため、経時変化する観測対象の状態と、状態に起因する結果と、が一対一で対応していない場合であっても、観測対象の状態の経時変化が従来よりも十分に反映された結果を予測することができる。
本実施形態に係る予測装置２００によれば、第二モデルによる複数の中間予測値ｙ^tsから（一つの）最終予測値ｙ^sを出力する動作が、複数の中間予測値ｙ^tsに対応する出力を一つの代表値に丸め込む（入出力の時間的な対応関係の曖昧さを吸収する）フィルタとして機能する。このため、経時変化する観測対象の状態と、状態に起因する結果と、が一対一で対応していない場合であっても、観測対象の状態の経時変化が従来よりも十分に反映された結果を予測することができる。
【0079】
〔ソフトウェアによる実現例〕
上記演算装置１００，１００Ａおよび予測装置２００（以下、「装置」と呼ぶ）の機能は、当該装置としてコンピュータを機能させるための演算プログラムであって、当該装置の各制御ブロック（特に予測側制御部６，制御部６Ａ，６Ｂに含まれる各部）としてコンピュータを機能させるための演算プログラムにより実現することができる。
この場合、上記装置は、上記演算プログラムを実行するためのハードウェアとして、少なくとも１つの制御装置（例えばプロセッサ）と少なくとも１つの記憶装置（例えばメモリ）を有するコンピュータを備えている。この制御装置と記憶装置により上記演算プログラムを実行することにより、上記各実施形態で説明した各機能が実現される。
上記演算プログラムは、一時的ではなく、コンピュータ読み取り可能な、１または複数の記録媒体に記録されていてもよい。この記録媒体は、上記装置が備えていてもよいし、備えていなくてもよい。後者の場合、上記演算プログラムは、有線または無線の任意の伝送媒体を介して上記装置に供給されてもよい。
また、上記各制御ブロックの機能の一部または全部は、論理回路により実現することも可能である。例えば、上記各制御ブロックとして機能する論理回路が形成された集積回路も本発明の範疇に含まれる。この他にも、例えば量子コンピュータにより上記各制御ブロックの機能を実現することも可能である。
上記演算装置１００，１００Ａおよび予測装置２００（以下、「装置」と呼ぶ）の機能は、当該装置としてコンピュータを機能させるための演算プログラムであって、当該装置の各制御ブロック（特に予測側制御部６，制御部６Ａ，６Ｂに含まれる各部）としてコンピュータを機能させるための演算プログラムにより実現することができる。
この場合、上記装置は、上記演算プログラムを実行するためのハードウェアとして、少なくとも１つの制御装置（例えばプロセッサ）と少なくとも１つの記憶装置（例えばメモリ）を有するコンピュータを備えている。この制御装置と記憶装置により上記演算プログラムを実行することにより、上記各実施形態で説明した各機能が実現される。
上記演算プログラムは、一時的ではなく、コンピュータ読み取り可能な、１または複数の記録媒体に記録されていてもよい。この記録媒体は、上記装置が備えていてもよいし、備えていなくてもよい。後者の場合、上記演算プログラムは、有線または無線の任意の伝送媒体を介して上記装置に供給されてもよい。
また、上記各制御ブロックの機能の一部または全部は、論理回路により実現することも可能である。例えば、上記各制御ブロックとして機能する論理回路が形成された集積回路も本発明の範疇に含まれる。この他にも、例えば量子コンピュータにより上記各制御ブロックの機能を実現することも可能である。
【0080】
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。
【実施例0081】
本発明の一実施例について以下に説明する。
【0082】
まず、複数の鋼材Ｓのサンプルを用意した。本実施例では、複数キャスト２７５個のスラブをサンプルとして用意した。また、実施例１～３に係る演算装置１００、および比較例に係る演算装置をそれぞれ用意した。実施例１に係る演算装置１００の予測モデル８１は、Random Forestを用い、第二モデルに入力する複数の中間予測値ｙ^tsを確率分布の形にする機械学習により構築されたものである。実施例２に係る演算装置１００の予測モデル８１は、Lassoを用い、第二モデルに入力する複数の中間予測値ｙ^tsを確率分布の形にする機械学習により構築されたものである。実施例３に係る演算装置１００の予測モデル８１は、Lassoを用い、マルチインスタンス学習により構築されたものである。比較例１に係る演算装置の予測モデルは、実績データに基づく単純な多数派モデルである。比較例２に係る演算装置の予測モデルは、実施例１と同様のRandom Forestを用いて構築されたものであるが、鋳型の温度ではなく、鋳造速度等の製造条件を観測データｘtsとして機械学習させたものとなっている。
【0083】
次に、第二計測部３を用いて各サンプルのピンホールの個数を計測した。そして、その結果を、ピンホールの個数を横軸、サンプルの数を縦軸とするグラフにまとめたところ、ピンホールが０個（無し）のサンプルは１３１あった。また、ピンホールが１個以上（有り）のサンプルは１４４あった。
【0084】
次に、上記各サンプルを鋳造したときに収集した複数の観測データ群Ｇを、順次実施例１～３に係る演算装置１００（または演算装置１００Ａ，予測装置２００）にそれぞれ取得させ、各サンプルに対する最終予測値ｙ^sをそれぞれ出力させた。そして、交差検証法を用いて、キャストごとの予測精度およびＰ値をそれぞれ算出した。算出した各値をまとめたところ、下記表１に示したようになった。表１によれば、実施例１，３に係る演算装置１００の予測精度は、いずれも比較例１，２に係る演算装置の予測結果よりも高かった。また、実施例１に係る演算装置１００の予測精度は、実施例２，３に係る演算装置の予測結果と比べても高かった。また、実施例２，３に係る演算装置１００のＰ値は、実施例１に係る演算装置１００および比較例１に係る演算装置のＰ値よりも高い。実施例は精度およびP値の観点より、温度情報をもとにピンホール発生有無を一定の性能で予測できていることがわかる。
【0085】
【表1】
【0086】
次に、交差検証法を用いて、各サンプルにおけるピンホールの発生確率をそれぞれ算出した。そして、その結果を、実際に計測したピンホールの個数を横軸、算出した発生確率を縦軸とするグラフにまとめたところ、図９に示したような結果となった。図９からは、実際のピンホールの個数が多いスラブほど、ピンホールの発生確率の平均的が高くなる傾向を示すことが見て取れる。
【0087】
【符号の説明】
【0088】
１００ 演算装置
１００ａ データ収集装置
１ 収集側制御部
１１ 第一データ収集部
１２ 第二データ収集部
１３ 第一データ出力部
１４ 第二データ出力部
２ 第一計測部
２１ 熱電対
２２ 変換装置
３ 第二計測部
３１ カメラ
３２ 解析装置
４ 収集側記憶部
４１ データベース
５ 収集側通信部
１００ｂ 予測装置
予測側制御部
６１ 第一学習部
６２ 第二学習部
６３ モデル出力部
６４ 第一データ取得部
６５ 第二データ取得部
６６ 第一変換部
６７ 第二変換部
６８ 予測部
６９ 予測出力部
７ 予測側通信部
８ 予測側記憶部
８１ 予測モデル
９ 出力対象
１００Ａ 演算装置
６Ａ 制御部
８Ａ 記憶部
２００ 予測装置
６Ｂ 制御部
８Ｂ 記憶部
ｘts 観測データ
ｙs 結果データ
ｙ^s 最終予測値
ｙts 中間データ
ｙ^ts 中間予測値
Ｍ 鋳型
Ｓ，Ｓ1，Ｓ2・・ 鋼材
１００ａ データ収集装置
１ 収集側制御部
１１ 第一データ収集部
１２ 第二データ収集部
１３ 第一データ出力部
１４ 第二データ出力部
２ 第一計測部
２１ 熱電対
２２ 変換装置
３ 第二計測部
３１ カメラ
３２ 解析装置
４ 収集側記憶部
４１ データベース
５ 収集側通信部
１００ｂ 予測装置
予測側制御部
６１ 第一学習部
６２ 第二学習部
６３ モデル出力部
６４ 第一データ取得部
６５ 第二データ取得部
６６ 第一変換部
６７ 第二変換部
６８ 予測部
６９ 予測出力部
７ 予測側通信部
８ 予測側記憶部
８１ 予測モデル
９ 出力対象
１００Ａ 演算装置
６Ａ 制御部
８Ａ 記憶部
２００ 予測装置
６Ｂ 制御部
８Ｂ 記憶部
ｘts 観測データ
ｙs 結果データ
ｙ^s 最終予測値
ｙts 中間データ
ｙ^ts 中間予測値
Ｍ 鋳型
Ｓ，Ｓ1，Ｓ2・・ 鋼材
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】