特開 2024-112234 推定装置、推定方法、コンピュータープログラム、モデル構築装置及びモデル構築方法

(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】P2024112234

(43)【公開日】2024-08-20

(54)【発明の名称】推定装置、推定方法、コンピュータープログラム、モデル構築装置及びモデル構築方法

(51)【国際特許分類】

   C21C 7/00 20060101AFI20240813BHJP

   F27D 19/00 20060101ALI20240813BHJP

【ＦＩ】

C21C7/00 P

C21C7/00 R

F27D19/00 Z

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2023017178

(22)【出願日】2023-02-07

(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】100149548

【弁理士】

【氏名又は名称】松沼 泰史

(74)【代理人】

【識別番号】100140774

【弁理士】

【氏名又は名称】大浪 一徳

(74)【代理人】

【識別番号】100134359

【弁理士】

【氏名又は名称】勝俣 智夫

(74)【代理人】

【識別番号】100188592

【弁理士】

【氏名又は名称】山口 洋

(74)【代理人】

【識別番号】100217249

【弁理士】

【氏名又は名称】堀田 耕一郎

(74)【代理人】

【識別番号】100221279

【弁理士】

【氏名又は名称】山口 健吾

(74)【代理人】

【識別番号】100207686

【弁理士】

【氏名又は名称】飯田 恭宏

(74)【代理人】

【識別番号】100224812

【弁理士】

【氏名又は名称】井口 翔太

(72)【発明者】

【氏名】坂野 龍命

【テーマコード（参考）】

4K013

4K056

【Ｆターム（参考）】

4K013BA02

4K013BA16

4K013CA04

4K013FA02

4K056AA02

4K056CA02

4K056FA01

(57)【要約】

【課題】二次精錬後の溶鋼内の成分量に関してより高い精度の情報を得ること。
【解決手段】二次精錬における操業に関する情報である操業情報と、前記二次精錬の実施によって減少した後の所定の成分の成分量に関する情報である含有量情報と、を含む既知データを用いて予め構築された推定モデルを用いて、推定対象の二次精錬における操業情報に応じた前記所定の成分の含有量情報を推定する制御部、を備える推定装置である。
【選択図】図８

【特許請求の範囲】

【請求項1】

二次精錬における操業に関する情報である操業情報と、前記二次精錬の実施によって減少した後の所定の成分の成分量に関する情報である含有量情報と、を含む既知データを用いて予め構築された推定モデルを用いて、推定対象の二次精錬における操業情報に応じた前記所定の成分の含有量情報を推定する制御部、を備える推定装置。

【請求項2】

前記制御部は、推定された前記所定の成分の含有量情報と、前記所定の成分を含む合金の費用に関する情報と、に基づいて、前記二次精錬の実施において投入される前記合金の種別と量を判定する、請求項１に記載の推定装置。

【請求項3】

前記推定モデルは、前記二次精錬の実施において所定の基準よりも炭素が減少した操業における既知データを用いずに得られた非脱炭素推定モデルを含み、
前記制御部は、推定対象の二次精錬において前記所定の基準よりも炭素が減少しないことが見込まれる場合には、前記非脱炭素推定モデルを用いて前記所定の成分の含有量情報を推定する、請求項１又は２に記載の推定装置。

【請求項4】

前記操業情報は、前記二次精錬の実施において投入される酸素の量を含む、請求項１又は２に記載の推定装置。

【請求項5】

前記推定モデルは、投入される成分の種別及び量に応じて分けられたグループ毎に取得され、
前記制御部は、推定対象の二次精錬において投入される成分の種別及び量に応じたグループの推定モデルを用いて前記所定の成分の含有量情報を推定する、請求項１又は２に記載の推定装置。

【請求項6】

前記制御部は、各成分について規格で定められた上限値を用いた推定処理と、各成分について規格で定められた下限値を用いた推定処理と、を実行することによって、上限値に応じた含有量情報と下限値に応じた含有量情報とを取得する、請求項１又は２に記載の推定装置。

【請求項7】

二次精錬における操業に関する情報である操業情報と、前記二次精錬の実施によって減少した後の所定の成分の成分量に関する情報である含有量情報と、を含む既知データを用いて予め構築された推定モデルを用いて、推定対象の二次精錬における操業情報に応じた前記所定の成分の含有量情報を推定する制御ステップ、を有する推定方法。

【請求項8】

二次精錬における操業に関する情報である操業情報と、前記二次精錬の実施によって減少した後の所定の成分の成分量に関する情報である含有量情報と、を含む既知データを用いて予め構築された推定モデルを用いて、推定対象の二次精錬における操業情報に応じた前記所定の成分の含有量情報を推定する制御部、を備える推定装置、としてコンピューターを機能させるためのコンピュータープログラム。

【請求項9】

二次精錬における操業に関する情報である操業情報と、前記二次精錬の実施によって減少した後の所定の成分の成分量に関する情報である含有量情報と、を含む既知データを用いて、推定対象の二次精錬における操業情報に応じた前記所定の成分の含有量情報を推定するための推定モデルを構築する制御部、を備えるモデル構築装置。

【請求項10】

二次精錬における操業に関する情報である操業情報と、前記二次精錬の実施によって減少した後の所定の成分の成分量に関する情報である含有量情報と、を含む既知データを取得し、
前記既知データを用いて推定対象の二次精錬における操業情報に応じた前記所定の成分の含有量情報を推定するための推定モデルを構築する、モデル構築方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、推定装置、推定方法、コンピュータープログラム、モデル構築装置及びモデル構築方法に関する。

【背景技術】

【0002】

従来から精錬設備における溶鋼内の成分濃度を推定する技術が提案されている。特許文献１には、溶湯中及びスラグ中の成分濃度の推定精度を向上可能な精錬プロセス状態推定装置が開示されている。特許文献２には、平衡点到達前に脱炭完了判定を行うことにより脱炭処理時間を短縮可能な真空脱ガス設備の制御装置が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１８－１５０５８９号公報

【特許文献2】特開２０２０－１３２９９９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、二次精錬では合金の投入や酸素の吹き込み等が行われ複数の要因で溶鋼内の成分量が変化する。そのため、従来の技術では、二次精錬後の溶鋼内の成分量に関して十分な精度の情報を得ることが困難であった。

【0005】

本発明は、上述した事情に鑑みてなされたものであり、二次精錬後の溶鋼内の成分量に関してより高い精度の情報を得ることが可能となる技術を提供するものである。

【課題を解決するための手段】

【0006】

（１）本発明の一態様は、二次精錬における操業に関する情報である操業情報と、前記二次精錬の実施によって減少した後の所定の成分の成分量に関する情報である含有量情報と、を含む既知データを用いて予め構築された推定モデルを用いて、推定対象の二次精錬における操業情報に応じた前記所定の成分の含有量情報を推定する制御部、を備える推定装置である。

【0007】

（２）本発明の一態様は、上記（１）に記載の推定装置において、前記制御部は、推定された前記所定の成分の含有量情報と、前記所定の成分を含む合金の費用に関する情報と、に基づいて、前記二次精錬の実施において投入される前記合金の種別と量を判定する。

【0008】

（３）本発明の一態様は、上記（１）又は（２）に記載の推定装置において、前記推定モデルは、前記二次精錬の実施において所定の基準よりも炭素が減少した操業における既知データを用いずに得られた非脱炭素推定モデルを含み、前記制御部は、推定対象の二次精錬において前記所定の基準よりも炭素が減少しないことが見込まれる場合には、前記非脱炭素推定モデルを用いて前記所定の成分の含有量情報を推定する。

【0009】

（４）本発明の一態様は、上記（１）～（３）のいずれか一つに記載の推定装置において、前記操業情報は、前記二次精錬の実施において投入される酸素の量を含む。

【0010】

（５）本発明の一態様は、上記（１）～（４）のいずれか一つに記載の推定装置において、前記推定モデルは、投入される成分の種別及び量に応じて分けられたグループ毎に取得され、前記制御部は、推定対象の二次精錬において投入される成分の種別及び量に応じたグループの推定モデルを用いて前記所定の成分の含有量情報を推定する。

【0011】

（６）本発明の一態様は、上記（１）～（５）のいずれか一つに記載の推定装置において、前記制御部は、各成分について規格で定められた上限値を用いた推定処理と、各成分について規格で定められた下限値を用いた推定処理と、を実行することによって、上限値に応じた含有量情報と下限値に応じた含有量情報とを取得する。

【0012】

（７）本発明の一態様は、二次精錬における操業に関する情報である操業情報と、前記二次精錬の実施によって減少した後の所定の成分の成分量に関する情報である含有量情報と、を含む既知データを用いて予め構築された推定モデルを用いて、推定対象の二次精錬における操業情報に応じた前記所定の成分の含有量情報を推定する制御ステップ、を有する推定方法である。

【0013】

（８）本発明の一態様は、二次精錬における操業に関する情報である操業情報と、前記二次精錬の実施によって減少した後の所定の成分の成分量に関する情報である含有量情報と、を含む既知データを用いて予め構築された推定モデルを用いて、推定対象の二次精錬における操業情報に応じた前記所定の成分の含有量情報を推定する制御部、を備える推定装置、としてコンピューターを機能させるためのコンピュータープログラムである。

【0014】

（９）本発明の一態様は、二次精錬における操業に関する情報である操業情報と、前記二次精錬の実施によって減少した後の所定の成分の成分量に関する情報である含有量情報と、を含む既知データを用いて、推定対象の二次精錬における操業情報に応じた前記所定の成分の含有量情報を推定するための推定モデルを構築する制御部、を備えるモデル構築装置である。

【0015】

（１０）本発明の一態様は、二次精錬における操業に関する情報である操業情報と、前記二次精錬の実施によって減少した後の所定の成分の成分量に関する情報である含有量情報と、を含む既知データを取得し、前記既知データを用いて推定対象の二次精錬における操業情報に応じた前記所定の成分の含有量情報を推定するための推定モデルを構築する、モデル構築方法である。

【発明の効果】

【0016】

本発明により、二次精錬後の溶鋼内の成分量に関してより高い精度の情報を得ることが可能となる。

【図面の簡単な説明】

【0017】

【図1】二次精錬前後の処理の流れの概略を示す図である。

【図2】本発明の推定システム１００のシステム構成を示す概略ブロック図である。推定システム１００は、含有量情報を推定する際に使用される。

【図3】端末装置１０の機能構成の具体例を示す概略ブロック図である。

【図4】モデル構築装置２０の機能構成の具体例を示す概略ブロック図である。

【図5】クラスタリングの具体例を示す図である。

【図6】モデル構築装置２０の処理の具体例を示すフローチャートである。

【図7】推定装置３０の機能構成の具体例を示す概略ブロック図である。

【図8】推定装置３０の処理の具体例を示すフローチャートである。

【図9】推定システム１００による推定精度向上の効果を示す図である。

【図10】本システムの推定精度を評価するための評価指標として、ＲＭＳＥ（平均平方二乗誤差）を用いた評価の結果を示す図である。

【図11】本システムの推定精度を評価するための評価指標として、正答率を用いた評価の結果を示す図である。

【図12】炭素投入量と炭素減少量推定値との関係を示す図である。

【図13】本実施形態に適用される情報処理装置９０のハードウェア構成例の概略を示す図である。

【図14】推定装置３０の変形例を示す図である。

【図15】推定装置３０の変形例を示す図である。

【発明を実施するための形態】

【0018】

［概略］
まず、本発明の概略について説明する。図１は、二次精錬前後の処理の流れの概略を示す図である。横軸は処理の流れを示し、縦軸は溶鋼に含まれる所定の成分の量を示す。所定の成分は、例えば二次精錬において特に減少しやすい成分（以下「特定成分」という。）である。このような特定成分の具体例として、酸化しやすい成分がある。酸化しやすい成分が二次精錬において特に減少しやすいことは、二次精錬におけるＯＢ処理において酸化して溶鋼から抜けてしまうことが一つの原因である。このような特定成分の具体例として、炭素、ケイ素、マンガン、アルミニウムがある。

【0019】

図１に示されるように、二次精錬では脱Ｃ（脱炭素）処理、ＯＢ（Oxygen Blowing）処理、後環流処理などの過程で溶鋼内の所定の成分が減少する。一方で、１回又は複数回のタイミングで行われる合金投入処理によって溶鋼内の所定の成分が増加する。その結果、二次精錬が行われる前の成分量（処理前含有量）と、二次精錬が行われた後の成分量（処理後含有量）とには差が生じてしまう。より高い品質の鋼を生産するためには、処理後含有量が所定の規格の範囲に収まっている必要がある。本発明では、二次精錬の実施によって所定の成分が減少した後の成分量に関する情報（以下「含有量情報」という。）をより高い精度で取得する。含有量情報は、例えば二次精錬後の成分の量そのものを示しても良いし、二次精錬の実施によって減った成分量（減少量）を示しても良い。

【0020】

［システムの詳細］
次に、本発明の具体的な構成例について、図面を参照しながら説明する。図２は、本発明の推定システム１００のシステム構成を示す概略ブロック図である。推定システム１００は、含有量情報を推定する際に使用される。以下、このような推定を行うための操作をする者をユーザーと呼ぶ。

【0021】

推定システム１００は、端末装置１０とモデル構築装置２０と推定装置３０とを含む。端末装置１０と推定装置３０とは、ネットワーク７０を介して通信可能に接続される。モデル構築装置２０と推定装置３０とは、ネットワーク７０を介して通信可能に接続されもよい。ネットワーク７０は、無線通信を用いたネットワークであってもよいし、有線通信を用いたネットワークであってもよい。ネットワーク７０は、例えばインターネットを用いて構成されてもよいし、ローカルエリアネットワーク（ＬＡＮ）を用いて構成されてもよい。ネットワーク７０は、複数のネットワークが組み合わされて構成されてもよい。

【0022】

図３は、端末装置１０の機能構成の具体例を示す概略ブロック図である。端末装置１０は、例えばスマートフォン、タブレット、パーソナルコンピューター、専用機器などの情報機器を用いて構成される。端末装置１０は、通信部１１、操作部１２、出力部１３、記憶部１４及び制御部１５を備える。

【0023】

通信部１１は、通信機器である。通信部１１は、例えばネットワークインターフェースとして構成されてもよい。通信部１１は、制御部１５の制御に応じて、ネットワーク７０を介して他の装置とデータ通信する。通信部１１は、無線通信を行う装置であってもよいし、有線通信を行う装置であってもよい。

【0024】

操作部１２は、キーボード、ポインティングデバイス（マウス、タブレット等）、ボタン、タッチパネル等の既存の入力装置を用いて構成される。操作部１２は、ユーザーの指示を端末装置１０に入力する際にユーザーによって操作される。操作部１２は、入力装置を端末装置１０に接続するためのインターフェースであっても良い。この場合、操作部１２は、入力装置においてユーザーの入力に応じ生成された入力信号を端末装置１０に入力する。操作部１２は、マイク及び音声認識装置を用いて構成されてもよい。この場合、操作部１２はユーザーによって発話された文言を音声認識し、認識結果の文字列情報を端末装置１０に入力する。この場合、操作部１２は音声の入力のみを行い、音声認識は制御部１５によって実行されてもよい。操作部１２は、ユーザーの指示を端末装置１０に入力可能な構成であればどのように構成されてもよい。

【0025】

出力部１３は、情報をユーザーが認知可能な形で出力する。出力部１３は、例えば液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ等の画像表示装置であってもよい。出力部１３は、画像表示装置を端末装置１０に接続するためのインターフェースであっても良い。この場合、出力部１３は、画像データを表示するための映像信号を生成し、自身に接続されている画像表示装置に映像信号を出力する。出力部１３は、スピーカー等の音響を出力する装置であってもよい。出力部１３は、スピーカーやヘッドホン等の音響出力装置を端末装置１０に接続するためのインターフェースであってもよい。この場合、出力部１３は、音響データを再生するための音響信号を生成し、自身に接続されている音響出力装置に音響信号を出力する。

【0026】

記憶部１４は、磁気ハードディスク装置や半導体記憶装置等の記憶装置を用いて構成される。記憶部１４は、制御部１５によって使用されるデータを記憶する。記憶部１４は、制御部１５が処理を行う際に必要となるデータを記憶する。

【0027】

制御部１５は、ＣＰＵ（Central Processing Unit）等の１又は複数のハードウェアプロセッサーと１又は複数のメモリー（主記憶装置）とを用いて構成される。メモリーは、例えばＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等の記憶装置を用いて構成される。制御部１５は、１又は複数のハードウェアプロセッサーが、メモリーに格納される１又は複数のプログラムを実行することによって各種の演算を実行して機能する。なお、制御部１５の各機能の全て又は一部は、ＡＳＩＣ（Application Specific Integrated Circuit）やＰＬＤ（Programmable Logic Device）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアを用いて実現されても良い。上記のプログラムは、コンピューター読み取り可能な記録媒体に記録されても良い。コンピューター読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ、半導体記憶装置（例えばＳＳＤ：Solid State Drive）等の可搬媒体、コンピューターシステムに内蔵されるハードディスクや半導体記憶装置等の記憶装置である。上記のプログラムは、電気通信回線を介して送信されてもよい。

【0028】

制御部１５は、例えば予め自装置（端末装置１０）にインストールされたアプリケーションを実行してもよい。このようなアプリケーションの具体例として、推定システム１００の専用アプリケーションとして端末装置１０に提供されるアプリケーションがある。このようなアプリケーションの他の具体例として、ＷＥＢブラウザーのアプリケーションがある。制御部１５は、実行中のアプリケーションのプログラムにしたがって動作する。

【0029】

制御部１５は、ユーザーの操作や推定装置３０から受信される情報に応じて端末装置１０を制御する。例えば、制御部１５は、ユーザーが操作部１２を操作することによって入力された情報を、通信部１１を用いることによって推定装置３０へ送信する。例えば、制御部１５は、推定装置３０から送信された情報がネットワーク７０を介して通信部１１で受信されると、受信された情報に基づいて画面データを生成し、出力部１３に画面データを表示させる。このような画面データには、推定装置３０から送信された画像や文字が含まれる。例えば、制御部１５は、推定装置３０から送信された情報がネットワーク７０を介して通信部１１で受信されると、受信された情報に基づいて音声データを生成し、出力部１３から音声データを出力させる。

【0030】

以下、制御部１５の動作の具体例について説明する。以下の例では、出力部１３の具体例として画像表示装置が用いられる。ただし、上述したように出力部１３は画像表示装置を用いて構成される必要はなく、音声出力装置を用いて構成されてもよいし、画像表示装置及び音声出力装置の両方を用いて構成されてもよい。

【0031】

制御部１５は、推定装置３０が推定処理を実行するために必要となる情報を入力することをユーザーに対して指示する文字や画像を有した画面データを生成する。制御部１５は、生成した画面データを出力部１３に表示させる。制御部１５は、例えば脱炭素処理が実施されるか否かに関する情報の入力を指示してもよい。ユーザーは、操作部１２を操作することによって、求められた情報を端末装置１０に入力する。制御部１５は、入力された情報を、通信部１１を用いて推定装置３０に送信する。制御部１５は、推定装置３０から推定結果を受信する。制御部１５は、推定結果を示す情報を示す画面データを生成する。制御部１５は、生成した画面データを出力部１３に表示させる。

【0032】

図４は、モデル構築装置２０の機能構成の具体例を示す概略ブロック図である。モデル構築装置２０は、例えばパーソナルコンピューターやサーバー装置などの情報処理装置を用いて構成される。モデル構築装置２０は、通信部２１、記憶部２２及び制御部２３を備える。

【0033】

通信部２１は、通信機器である。通信部２１は、例えばネットワークインターフェースとして構成されてもよい。通信部２１は、制御部２３の制御に応じて、ネットワーク７０を介して他の装置とデータ通信する。通信部２１は、無線通信を行う装置であってもよいし、有線通信を行う装置であってもよい。

【0034】

記憶部２２は、磁気ハードディスク装置や半導体記憶装置等の記憶装置を用いて構成される。記憶部２２は、制御部２３によって使用されるデータを記憶する。記憶部２２は、例えば既知データ記憶部２２１、前処理済既知データ記憶部２２２及び推定モデル記憶部２２３として機能してもよい。

【0035】

既知データ記憶部２２１は、モデル構築装置２０において実行されるモデル構築処理に用いられる既知データを記憶する。既知データは、例えば教師あり学習処理に用いられる教師データであってもよい。既知データ記憶部２２１が記憶する既知データは、二次精錬の操業に関する情報である操業情報（説明変数）と、その操業情報に応じた含有量情報（目的変数）と、を含むデータである。既知データは、例えば説明変数に示される操業情報の元で実際に操業を行うことによって得られた目的変数（含有量情報）との組み合わせとして定義されてもよい。既知データは、例えば説明変数に示される操業情報の元で操業のシミュレーションを行うことによって得られた目的変数（含有量情報）との組み合わせとして定義されてもよい。既知データは、上述した複数の取得方法によって得られた値が混在する形で定義されてもよい。以下、操業情報及び含有量情報について説明する。

【0036】

操業情報は、例えば溶鋼における特定成分毎の処理前含有量（重さ：単位は例えばトン）と、ＯＢ処理前のタイミングで溶鋼に投入される各特定成分の量（重さ：単位は例えばトン）と、ＯＢ処理後のタイミングで溶鋼に投入される各特定成分の量（重さ：単位は例えばトン）と、ＯＢ処理において吹き込まれる酸素の量（体積：単位は例えばノルマルリューベ）と、を含んでもよい。

【0037】

含有量情報は、二次精錬の実施によって所定の成分が減少してしまった後の成分量に関する情報である。含有量情報は、例えば溶鋼における各特定成分の減少量（重さ：例えばトン）である。

【0038】

既知データは、さらにＯＢ処理前の各特定成分の溶鋼に対する含有率（例えば質量パーセント）を含んでもよい。含有率は、例えばクラスタリング（前処理に含まれる）において使用されてもよい。上述した既知データの各値は、例えば操業情報に応じた二次精錬を実際に行うことによって得られてもよい。

【0039】

前処理済既知データ記憶部２２２は、前処理制御部２３２によって実行される前処理によって得られた情報を記憶する。例えば、既知データのうち、脱炭素処理が行われた二次精錬に関する既知データを除いた既知データが、非脱炭素既知データとして記憶されても良い。この場合、例えば、既知データのうち、脱炭素処理が行われた二次精錬に関する既知データが、脱炭素既知データとして記憶されても良い。例えば、ＯＢ処理前の各特定成分の溶鋼に対する含有率に基づいて複数のグループにクラスタリングされた既知データがグループ毎に記憶されてもよい。

【0040】

推定モデル記憶部２２３は、既知データ記憶部２２１や前処理済既知データ記憶部２２２に記憶される既知データを用いたモデル構築処理によって得られる推定モデルを記憶する。推定モデル記憶部２２３は、例えば既知データを教師データとして用いた教師あり学習処理によって得られる学習済モデルを推定モデルとして記憶してもよい。前処理としてクラスタリングが行われている場合、推定モデル記憶部２２３は、クラスタリングによって分けられたグループ毎に得られる推定モデルを記憶してもよい。

【0041】

制御部２３は、上述の制御部１５と同様に構成される。例えば、制御部２３は、ＣＰＵ等のプロセッサーとメモリーとを用いて構成される。制御部２３は、プロセッサーがプログラムを実行することによって、情報制御部２３１、前処理制御部２３２及びモデル構築制御部２３３として機能する。なお、制御部２３の各機能の全て又は一部は、ＡＳＩＣやＰＬＤやＦＰＧＡ等のハードウェアを用いて実現されても良い。上記のプログラムは、コンピューター読み取り可能な記録媒体に記録されても良い。コンピューター読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ、半導体記憶装置（例えばＳＳＤ）等の可搬媒体、コンピューターシステムに内蔵されるハードディスクや半導体記憶装置等の記憶装置である。上記のプログラムは、電気通信回線を介して送信されてもよい。

【0042】

情報制御部２３１は、情報の入出力を制御する。例えば、情報制御部２３１は、他の機器（情報処理装置や記憶媒体）から既知データを取得し、既知データ記憶部２２１に記録する。情報制御部２３１は、例えばビジコン（ビジネスコンピューター）から既知データに相当するデータを取得してもよい。例えば、ビジコンからプロセスデータを受信することによって、既知データが取得されてもよい。例えば、情報制御部２３１は、推定モデル記憶部２２３に記憶されている推定モデルを、他の装置（例えば推定装置３０）に対して送信する。

【0043】

前処理制御部２３２は、既知データに対して所定の前処理を実行することによって、前処理済既知データを生成する。前処理制御部２３２は、例えば既知データから、脱炭素処理が行われた二次精錬に関する既知データを除いて、非脱炭素既知データを生成してもよい。前処理制御部２３２は、例えば既知データから、脱炭素処理が行われた二次精錬に関する既知データのみを抽出して、脱炭素既知データを生成してもよい。脱炭素処理が行われたか否かについては、例えば二次精錬の過程で減少した炭素の量に関する情報に基づいて判断されてもよい。このような情報は、例えば以下のような式に基づいて定義されてもよい。例えば、以下のような式で得られた値が１０％未満である場合には、その既知データは非脱炭素既知データとして分類されてもよい。例えば、以下のような式で得られた値が１０％以上である場合には、その既知データは脱炭素既知データとして分類されてもよい。

【0044】

【数1】

【0045】

前処理制御部２３２は、例えば既知データをクラスタリングしてもよい。クラスタリングは、例えばＯＢ処理前の一部の特定成分の溶鋼に対する含有率に基づいて行われてもよい。例えば、マンガンの含有率、ケイ素の含有率及び炭素の含有率に基づいてクラスタリングされてもよい。図５は、クラスタリングの具体例を示す図である。図５に示されるように、以下の４つのグループに分類されてもよい。
分類１：マンガンの含有率がケイ素の含有率よりも低いグループ
分類２：マンガンの含有率がケイ素の含有率以上であり、且つ、マンガンの含有率が炭素の含有率よりも低いグループ
分類３：マンガンの含有率がケイ素の含有率の６倍よりも高く、且つ、マンガンの含有率が炭素の含有率以上であるグループ
分類４：マンガンの含有率がケイ素の含有率の１倍～６倍の間の値であり、且つ、マンガンの含有率が炭素の含有率以上であるグループ
クラスタリングは、他の基準で行われてもよい。例えば、ｋ－ｍｅａｎｓ法を用いてクラスタリングが行われてもよい。

【0046】

モデル構築制御部２３３は、前処理済既知データ記憶部２２２に記憶される前処理済既知データを用いてモデル構築処理を行うことで推定モデルを構築する。モデル構築制御部２３３は、例えば、前処理済既知データ記憶部２２２に記憶されている前処理済既知データを教師データとして用いて教師あり学習処理を実行することで推定モデルを構築してもよい。以下の説明では、モデル構築制御部２３３が教師あり学習処理を行うことで推定モデルを構築するような例を用いてモデル構築装置２０の具体例について説明する。なお、モデル構築制御部２３３が実行する処理は教師あり学習処理に限定される必要はない。例えば、モデル構築制御部２３３は既知データを用いた統計処理を行うことによって推定モデルを構築してもよい。

【0047】

このような学習処理の具体例として、例えば、Ｒｉｄｇｅ回帰が用いられてもよいし、ニューラルネットワークやディープラーニング等の他の学習技術が用いられてもよい。Ｒｉｄｇｅ回帰は、推定モデルの構築において過学習を抑止できるという利点を有する。例えば、以下のような回帰式及びコスト関数を用いることで学習処理が実行されてもよい。

【0048】

【数2】

【0049】

上記の式では、Ｌ２正則化が用いられている。ただし、このような式に限定される必要は無く、例えばＬ１正則化を用いることでＬａｓｓｏ回帰が用いられてもよいし、Ｌ１正則化及びＬ２正則化を用いることでＥｌａｓｔｉｃ Ｎｅｔ回帰が用いられても良いし、他の回帰モデルが用いられてもよい。

【0050】

また、上記の式では、教師データの説明変数として１３の値が用いられている。このような１３の値として、例えば特定成分（炭素、ケイ素、マンガン及びアルミニウム）毎の処理前含有量と、ＯＢ処理前のタイミングで溶鋼に投入される各特定成分の量と、ＯＢ処理後のタイミングで溶鋼に投入される各特定成分の量と、ＯＢ処理において吹き込まれる酸素の量と、がある。教師データの目的変数としては、各特定成分の減少量がある。モデル構築制御部２３３は、特定成分毎にモデル構築処理（例えば学習処理）を行うことによって、特定成分毎に推定モデルを生成する。例えば、モデル構築制御部２３３は、説明変数として上述した１３の値を用い、目的変数として炭素の減少量を用いることによって、炭素に関する推定モデルを生成する。ケイ素、マンガン及びアルミニウムについても、それぞれ目的変数として減少量を用いることによって、各特定成分の推定モデルが生成される。

【0051】

モデル構築制御部２３３は、非脱炭素既知データについて、上述したモデル構築処理（例えば学習処理）を行うことによって、特定成分毎に推定モデルを生成してもよい。モデル構築制御部２３３は、脱炭素既知データについて、上述したモデル構築処理（例えば学習処理）を行うことによって、特定成分毎に推定モデルを生成してもよい。このようにモデル構築処理が行われることによって、非脱炭素既知データに関する特定成分毎の推定モデルと、脱炭素既知データに関する特定成分毎の推定モデルと、が生成される。

【0052】

モデル構築制御部２３３は、非脱炭素既知データ及び脱炭素既知データのそれぞれについて、クラスタリングされたグループ毎に上述したモデル構築処理（例えば学習処理）を行うことによって、特定成分毎に推定モデルを生成してもよい。このようにモデル構築処理が行われることによって、非脱炭素既知データについてグループ毎且つ特定成分毎の推定モデルと、脱炭素既知データについてグループ毎且つ特定成分毎の推定モデルと、が生成される。例えば非脱炭素既知データがＭ種類のグループにクラスタリングされ、脱炭素既知データがＮ種類のグループにクラスタリングされ、特定成分が上述したように４種類の成分を含む場合には、（Ｍ＋Ｎ）×４種類の推定モデルが生成される。モデル構築制御部２３３は、それぞれの推定モデルを推定モデル記憶部２２３に記録する。このようなモデル構築制御部２３３によって得られた推定モデルは、推定装置３０に対して送信され、推定装置３０の推定モデル記憶部３２１に記録されてもよい。このような推定モデルは、入力として操業情報を与えることによって、出力として推定モデルに応じた特定成分の含有量情報（例えば減少量）の推定値を得ることが可能である。

【0053】

図６は、モデル構築装置２０の処理の具体例を示すフローチャートである。まず、情報制御部２３１は既知データを取得する（ステップＳ１０１）。既知データは、例えばユーザーによって入力されてもよいし、他の情報機器から通信によって取得されてもよいし、モデル構築装置２０に接続された記録媒体から取得されてもよい。前処理制御部２３２は、既知データに対して上述したような所定の前処理を実行する（ステップＳ１０２）。モデル構築制御部２３３は、前処理済既知データを用いてモデル構築処理を実行し、推定モデルを推定モデル記憶部２２３に記録する（ステップＳ１０３）。

【0054】

図７は、推定装置３０の機能構成の具体例を示す概略ブロック図である。推定装置３０は、例えばパーソナルコンピューターやサーバー装置などの情報処理装置を用いて構成される。推定装置３０は、通信部３１、記憶部３２及び制御部３３を備える。

【0055】

通信部３１は、通信機器である。通信部３１は、例えばネットワークインターフェースとして構成されてもよい。通信部３１は、制御部３３の制御に応じて、ネットワーク７０を介して他の装置とデータ通信する。通信部３１は、無線通信を行う装置であってもよいし、有線通信を行う装置であってもよい。

【0056】

記憶部３２は、磁気ハードディスク装置や半導体記憶装置等の記憶装置を用いて構成される。記憶部３２は、制御部３３によって使用されるデータを記憶する。記憶部３２は、例えば推定モデル記憶部３２１として機能してもよい。

【0057】

推定モデル記憶部３２１は、予めモデル構築処理によって生成された推定モデルの情報を記憶する。このようなモデル構築処理は、例えば他の装置（例えばモデル構築装置２０）によって実行されてもよいし、自装置（推定装置３０）によって実行されてもよい。

【0058】

制御部３３は、上述の制御部１５、２３と同様に構成される。例えば、制御部３３は、ＣＰＵ等のプロセッサーとメモリーとを用いて構成される。制御部３３は、プロセッサーがプログラムを実行することによって、情報制御部３３１、推定モデル選択部３３２、推定部３３３及び合金判定部３３４として機能する。なお、制御部３３の各機能の全て又は一部は、ＡＳＩＣやＰＬＤやＦＰＧＡ等のハードウェアを用いて実現されても良い。上記のプログラムは、コンピューター読み取り可能な記録媒体に記録されても良い。コンピューター読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ、半導体記憶装置（例えばＳＳＤ）等の可搬媒体、コンピューターシステムに内蔵されるハードディスクや半導体記憶装置等の記憶装置である。上記のプログラムは、電気通信回線を介して送信されてもよい。

【0059】

情報制御部３３１は、端末装置１０等の他の装置から情報を取得する。取得される情報の具体例として、例えば端末装置１０に入力された情報、転炉や二次精錬や鋳造等を行う設備を監視する装置や制御する装置（例えばビジコン）から取得される情報（例えば操業情報）がある。情報制御部３３１は、取得された情報をメモリー等の記憶装置に記録する。情報制御部３３１は、端末装置１０等の他の装置に対して情報を送信する。送信される情報の具体例として、例えば推定部３３３によって推定された情報や、合金判定部３３４によって判定された情報がある。このような情報制御部３３１による他の装置との間の情報のやりとりは、例えば通信部３１による通信によって行われてもよい。

【0060】

情報制御部３３１は、取得された情報に基づいて一部の説明変数を導出してもよい。例えば、情報制御部３３１は、二次精錬のＯＢ処理において吹き込まれる酸素の量を導出してもよい。このような処理は、例えば以下のように行われてもよい。まず、情報制御部３３１は、鋳込み開始時刻、転炉出鋼時刻、転炉出鋼時の溶鋼の温度、溶鋼量を取得する。情報制御部３３１は、これらの情報に基づいて、二次精錬において必要とされる上昇温度値を取得する。情報制御部３３１は、例えば温度下降推定処理を行うことによって、ＯＢ処理後から鋳造開始時までに低下する温度の値を算出する。情報制御部３３１は、その値に基づいて上昇温度値を取得してもよい。そして、情報制御部３３１は、必要とされる上昇温度値に基づいてＯＢ量推定処理を行うことによって、必要とされる酸素量を取得する。

【0061】

推定モデル選択部３３２は、推定部３３３において使用される推定モデルを選択する。推定モデル選択部３３２は、例えば推定対象の二次精錬において脱炭素処理が行われるのか否かに基づいて、非脱炭素既知データを用いて生成された推定モデルと、脱炭素既知データを用いて生成された推定モデルと、のどちらを用いるか選択してもよい。推定モデル選択部３３２は、推定対象の二次精錬において脱炭素処理が行われない場合は、非脱炭素既知データを用いて生成された推定モデルの中から推定モデルを選択する。推定モデル選択部３３２は、推定対象の二次精錬において脱炭素処理が行われる場合は、脱炭素既知データを用いて生成された推定モデルの中から推定モデルを選択する。推定モデル選択部３３２は、例えばユーザーによる入力に基づいて、脱炭素処理が行われるか否かを判定してもよい。推定モデル選択部３３２は、例えばビジコン等の装置から取得される操業情報に基づいて、脱炭素処理が行われるか否かを判定してもよい。推定モデル選択部３３２は、これらの判定結果に応じて推定モデルを選択してもよい。

【0062】

推定モデル選択部３３２は、推定対象の二次精錬に関するプロセスデータに基づいて、推定対象の二次精錬が複数のグループの中のどのグループに属するか判定する。推定モデル選択部３３２は、モデル構築装置２０において行われたクラスタリング処理と同じ基準に基づいてグループを判定する。例えば、モデル構築装置２０においてＯＢ処理前の各特定成分の溶鋼に対する含有率に基づいてクラスタリングが行われたのであれば、推定モデル選択部３３２は、推定対象の二次精錬におけるＯＢ処理前の各特定成分の溶鋼に対する含有率の見込み量に基づいてグループを判定する。推定モデル選択部３３２は、判定結果のグループに分類されている推定モデルを選択する。

【0063】

推定モデル選択部３３２は、ＯＢ処理前の各特定成分の溶鋼に対する含有率を以下のように算出してもよい。以下、このような処理の具体例について説明する。まず、推定モデル選択部３３２は、見込みの合金投入量（重さ）の上限値と、見込みのＯＢ処理前の成分値（割合）の上限値と、を算出する。

【0064】

見込みの合金投入量（重さ）の上限値は、目標成分値の上限値から処理前含有量を減算し、その値に対してこの時点における推定減少量を加算することで算出されてもよい。目標成分値の上限値は、例えば規格で定められている含有率の上限値（以下「規格上限値」という。）に基づいて算出されてもよい。より具体的には、目標成分値の上限値は、規格上限値に出鋼重量を乗算して算出されてもよい。上限値推定減少量は、既に推定部３３３によって取得されている場合にはその最新の推定値が用いられても良い。推定減少量は、まだ推定部３３３によって取得されていない場合は、所定の初期値が用いられても良い。所定の初期値は“ゼロ”であってもよい。

【0065】

見込みのＯＢ処理前の成分値（割合）の上限値は、処理前含有量と、見込みの合金投入量の上限値と、の合計値を出鋼重量で除算することによって算出されてもよい。推定モデル選択部３３２は、算出された上限値に基づいてクラスタリングのグループを判定する。推定モデル選択部３３２は、判定結果のグループに分類されている推定モデルを、上限値に応じた推定モデルとして選択する。推定モデル選択部３３２は、このような処理を特定成分毎に行うことによって、特定成分ごとの上限値に応じた推定モデルを選択する。

【0066】

推定モデル選択部３３２は、同様の処理に基づいて下限値に応じた推定モデルをさらに選択してもよい。この場合の処理は、上述した処理において“上限値”を“下限値”に読み替えて同様の処理を行えばよい。このように上限値及び／又は下限値を特定成分毎に算出する処理を投入量範囲推定処理という。

【0067】

次に推定部３３３の処理について説明する。推定部３３３は、推定モデル選択部３３２によって選択された推定モデルと、推定対象の二次精錬における説明変数とを用いて、含有量情報（例えば減少量）を推定する。推定部３３３は、このような推定処理を特定成分毎に実行することで、特定成分毎に含有量情報を推定する。推定モデル選択部３３２によって上限値に応じた推定モデルと下限値に応じた推定モデルとが選択されている場合には、推定部３３３はそれぞれの推定モデルを用いて上限値に応じた含有量情報と下限値に応じた含有量情報とを推定してもよい。

【0068】

推定部３３３は、特定成分毎に、終了条件に基づいて推定処理を終了するか否か判定する。以下、終了条件の具体例について説明する。推定部３３３は、例えば含有量情報の推定値が所定の精度の値として得られたことを終了条件として判定し、終了条件が満たされた場合に推定処理を終了すると判定する。このような判定において、推定部３３３は例えば以下のような式に基づいて判定を行ってもよい。なお、α及びβの値は任意の定数であり、予め定められた値である。RMSEの値は、選択された推定モデルのモデル構築時（例えば学習処理時）に使用された既知データにおいて取得されたRMSEの値である。規格上限値及び規格下限値は、鋼種及び成分毎に異なる値であってもよい。

【0069】

【数3】

【数4】

【0070】

推定部３３３は、上限値に応じた含有量情報に関しては式３を用いて終了判定を行い、下限値に応じた含有量情報に関しては式４を用いて終了判定を行う。

【0071】

推定部３３３は、推定処理を終了すると判定した場合には、その時点で最新の含有量情報を用いて合金を判定することを合金判定部３３４に指示する。推定部３３３は、推定処理を終了しないと判定した場合には、その時点で最新の含有量情報を用いて推定モデルを新たに選択することを推定モデル選択部３３２に指示する。

【0072】

次に合金判定部３３４の処理について説明する。合金判定部３３４は、特定成分に関しては、最新の含有量情報を用いて合金の種別と、種別毎の投入量と、を判定する。合金判定部３３４は、他の成分に関しては、特に含有量情報を用いることなく合金の種別を判定する。他の成分の具体例として、リン、硫黄、銅、クロム、ニッケル、モリブデン、チタン、バナジウム、ニオブ、窒素、ホウ素、カルシウム等がある。合金判定部３３４は、特定成分及び上記他の成分に含まれるそれぞれの成分について下限値を求め、その下限値を超える値が投入されるように合金の種別を判定してもよい。合金判定部３３４は、それぞれの成分について上限値及び下限値を求め、下限値と上限値との間の量が投入されるように合金の種別を判定してもよい。これらの判定において、合金判定部３３４は線形計画法を用いてコスト（価格）が最小（最安）となる合金の種別とその量とを判定してもよい。具体的には、以下の式に基づいて合金の種別（銘柄）が判定されてもよい。

【0073】

【数5】

【0074】

図８は、推定装置３０の処理の具体例を示すフローチャートである。まず、情報制御部３３１はビジコン等から操業情報等の種々の情報を取得する（ステップＳ２０１）。情報制御部３３１は、温度下降推定処理を実行することによって、ＯＢ処理後から鋳造開始時までに低下する温度の値を算出する（ステップＳ２０２）。情報制御部３３１は、低下する温度の値に基づいてＯＢ量推定処理を行うことによって、必要とされる酸素量を推定する（ステップＳ２０３）。

【0075】

推定モデル選択部３３２は、上述の投入量範囲推定処理を行うことで、特定成分毎に上限値と下限値とを算出する（ステップＳ２０４）。推定モデル選択部３３２は、投入量の範囲を示す情報（例えば下限値及び上限値）に基づいて、特定成分毎に推定モデルを選択する（ステップ２０５）。このとき、推定モデル選択部３３２は、さらに二次精錬において見込まれる炭素減少量にも基づいて推定モデルを選択してもよい。

【0076】

推定部３３３は、推定モデル選択部３３２によって選択された推定モデルに基づいて、特定成分毎に含有量情報（例えば減少量）を推定する（ステップＳ２０６）。推定部３３３は、推定結果に基づいて、終了条件が満たされたか否か判定する（ステップＳ２０７）。終了条件が満たされていない場合には（ステップＳ２０７－ＮＯ）、ステップＳ２０４以降の処理が実行される。このとき、ステップＳ２０４の処理ではステップＳ２０６の処理で推定された含有量情報を用いて新たな上限値や下限値が算出される。

【0077】

終了条件が満たされている場合には（ステップＳ２０７－ＹＥＳ）、合金判定部３３４は、合金判定処理を行うことによって、最適な合金の種別と量とを判定する（ステップＳ２０８）。そして、合金判定部３３４は、判定結果を出力する（ステップＳ２０９）。合金判定部３３４は、例えば判定結果を端末装置１０に送信する。

【0078】

このように構成された推定システム１００では、二次精錬後の溶鋼内の成分量に関してより高い精度の情報を得ることが可能となる。具体的には以下の通りである。

【0079】

図９は、推定システム１００による推定精度向上の効果を示す図である。図９は、従来方法と本システムを使用した方法とで、鋼種AN18X26について二次精錬した際の二次精錬後の炭素成分値（％）のヒストグラムである。図９では、従来方法と本システムを使用した方法とで、それぞれ４３２Ｃｈ（チャージ）の操業を実施し、得られた溶鋼の炭素成分値毎にチャージ数が縦軸に表されている。規格下限値と規格上限値との間に位置しているチャージでは、規格範囲内の溶鋼が製造されているため、再処理を行う必要がない。従来方法及び本システムの方法とで、それぞれ以下のような値が得られている。
従来方法：下限値以下１２４Ｃｈ、上限値以上８Ｃｈ、範囲外合計１３２Ｃｈ
本システム：下限値以下７３Ｃｈ、上限値以上１５Ｃｈ、範囲外合計８８Ｃｈ

【0080】

このように、本システムが適用されることによって、二次精錬後の溶鋼において適正な炭素成分量がより多くのＣｈで得られている。そのため、本システムの適用によって、二次精錬における炭素成分の減少量（含有量情報）をより精度高く推定し、その推定値に応じて二次精錬における炭素の投入量を精度よく制御することができている。図９では、炭素成分についてのみ示しているが、炭素以外の特定成分に関しても同様である。

【0081】

図１０は、本システムの推定精度を評価するための評価指標として、ＲＭＳＥ（平均平方二乗誤差）を用いた評価の結果を示す図である。図１１は、本システムの推定精度を評価するための評価指標として、正答率を用いた評価の結果を示す図である。図１０及び図１１の横軸は推定モデル構築時の既知データの利用方法の分類を示す。“全データ”は全ての既知データを用いて推定モデルを構築する方法を示す。“脱Ｃ除去”は、非脱炭素既知データと脱炭素既知データとを分けて推定モデルを構築する方法を示す。“操業分類”は、経験のあるオペレーターが既知データを複数のグループに分類し、グループ毎に推定モデルを構築する方法を示す。“提案分類”は、ＯＢ処理前の溶鋼に対する各特定成分の含有率に基づいて複数のグループにクラスタリングし、グループ毎に推定モデルを構築する方法を示す。図１０及び図１１の縦軸はＲＭＳＥの値を示す。正答率は、許容誤差の範囲内の結果が得られたものを正答としてカウントして得られた値である。許容誤差は、例えば以下のような式によって表されてもよい。

【0082】

【数6】

【0083】

図１０及び図１１において、“全データ”は得られた既知データを全て教師データとして使用してＲｉｄｇｅ回帰を用いた学習処理を行って得られた推定モデルで推定を行った場合の値を示す。本実施形態では、目標精度としてＲＭＳＥでは２３．９ｋｇ以下という精度を設定し、正答率では８０．６％以上という精度を設定した。しかし、“全データ”のやり方では実現できなかった。これに対し、ＲＭＳＥに関しては“脱Ｃ除去”及び“提案分類”では、目標を達成できている。また、正答率に関しては“提案分類”において目標を達成できている。提案分類は、本システムにおいて得られた推定結果を示す。このように、どちらの評価指標においても、本システムでは目標精度を達成できている。このように本システムにおいて目標精度を達成できているいくつかの要素について説明する。

【0084】

推定システム１００では、実際の二次精錬の操業によって得られた既知データを教師データとして用いた機械学習の結果を用いて、二次精錬の実施によって所定の成分が減少してしまった後の成分量に関する情報（含有量情報）を取得する。例えば、ＯＢ処理前のタイミングで溶鋼に投入される各特定成分の量と、ＯＢ処理後のタイミングで溶鋼に投入される各特定成分の量と、が説明変数として用いられてもよい。ＯＢ処理前に投入された各成分のその後の減少量と、ＯＢ処理後に投入された各成分のその後の減少量とでは異なる可能性がある。このように、ＯＢ処理前とＯＢ処理後とで分けて各成分の投入量が説明変数として用いられることによって、上述した可能性による変化を反映させて、より高い精度で推定処理を行うことが可能となる。

【0085】

また、例えば、ＯＢ処理において吹き込まれる酸素の量が説明変数として用いられてもよい。ＯＢ処理において吹き込まれる酸素の量と各成分（特に炭素）の減少量には相関があることが考えられる。そのため、ＯＢ処理において吹き込まれる酸素の量が説明変数として用いられることによって、より高い精度で推定処理を行うことが可能となる。

【0086】

推定システム１００では、既知データを、非脱炭素既知データと、脱炭素既知データと、に分けて使用している。そして、所定の基準に応じて脱炭素処理が行われない二次精錬においては、推定モデルとして非脱炭素既知データを用いて学習して得られた推定モデルが使用される。一方で、所定の基準に応じて脱炭素処理が行われる二次精錬においては、推定モデルとして脱炭素既知データを用いて学習して得られた推定モデルが使用される。

【0087】

図１２は、炭素投入量と炭素減少量推定値との関係を示す図である。縦軸は二次精錬における炭素の減少量の推定値を示し、横軸は二次精錬における炭素の投入量を示す。おおよそ領域９０１付近に位置しているデータと領域９０２付近に位置しているデータとでは、分布の傾向が異なっている。そのため、これらの傾向に応じて推定システム１００では上述したように既知データを脱炭素処理が行われたものと脱炭素処理が行われなかったものに分けてモデル構築処理（例えば学習処理）が行われた。これによって、それぞれ分布の傾向が近い既知データを用いてモデル構築処理（例えば学習処理）を行うことが可能となり、より精度よく推定を行うことが可能となった。

【0088】

推定システム１００では、鋼種に応じて既知データをクラスタリングすることで複数のグループに分類し、各グループに分類された既知データに基づいてモデル構築処理（例えば機械学習）が行われる。その結果、グループ毎に異なる推定モデルが得られる。推定処理を行う際には、二次精錬の対象となっている鋼種に応じた推定モデルを用いて推定処理が行われる。鋼種によって各成分（特に特定成分）の含有量が異なるため、鋼種と二次精錬における各成分の減少量には一定の相関関係がある。そのため、鋼種に応じた推定モデルを用いた推定処理が行われることによって、より精度よく推定を行うことが可能となった。

【0089】

推定システム１００では、二次精錬後の各成分の含有量に関する推定結果に基づいて、二次精錬において投入される各成分の量が推定される。各成分の推定結果に基づいて、各成分の投入量に関して下限値及び上限値が判定される。そして、成分毎の下限値及び上限値に基づいて、最適な合金種別毎の投入量が判定される。このような判定は、例えば線形計画法に基づいて、各合金に含まれる成分量とコストとに基づいて行われる。このような処理が行われるため、目的とした鋼種に関する各成分の含有量の規定を順守しつつ、コストに関してより適切な（より安価な）合金の組み合わせを選択することが可能となる。

【0090】

図１３は、本実施形態に適用される情報処理装置９０のハードウェア構成例の概略を示す図である。情報処理装置９０は、プロセッサー９１、主記憶装置９２、通信インターフェース９３、補助記憶装置９４、入出力インターフェース９５及び内部バス９６を備える。プロセッサー９１、主記憶装置９２、通信インターフェース９３、補助記憶装置９４及び入出力インターフェース９５は、内部バス９６を介して互いに通信可能に接続される。情報処理装置９０は、例えばモデル構築装置２０及び推定装置３０に適用されてもよい。この場合、例えば通信部２１及び通信部３１は通信インターフェース９３を用いて構成されてもよい。例えば記憶部２２及び記憶部３２は補助記憶装置９４を用いて構成されてもよい。また、制御部２３及び制御部３３は、プロセッサー９１及び主記憶装置９２を用いて構成されてもよい。

【0091】

（変形例）
本実施形態では、端末装置１０と推定装置３０とが異なる装置として構成されているが、一体の装置として構成されてもよい。図１４は、このように構成された推定装置３０の変形例を示す図である。図１４に示される推定装置３０は、操作部３４及び出力部３５を備える。図１４に示される推定装置３０の操作部３４及び出力部３５は、それぞれ端末装置１０の操作部１２及び出力部１３と同様に機能する。制御部３３は、操作部３４に対する操作に応じて動作し、出力部３５を用いて情報を出力する。

【0092】

本実施形態では、モデル構築装置２０と推定装置３０とが異なる装置として構成されているが、一体の装置として構成されてもよい。図１５は、このように構成された推定装置３０の変形例を示す図である。図１５に示される推定装置３０の記憶部３２は、既知データ記憶部３２２及び前処理済既知データ記憶部３２３としても機能する。図１５に示される推定装置３０の制御部３３は、前処理制御部３３５及びモデル構築制御部３３６としても機能する。既知データ記憶部３２２及び前処理済既知データ記憶部３２３は、それぞれモデル構築装置２０の既知データ記憶部２２１及び前処理済既知データ記憶部２２２と同様に機能する。前処理制御部３３５及びモデル構築制御部３３６は、それぞれモデル構築装置２０の前処理制御部２３２及びモデル構築制御部２３３と同様に機能する。

【0093】

モデル構築装置２０は、複数の情報処理装置を用いて実装されてもよい。例えば、クラウド等の装置を用いてモデル構築装置２０が実装されてもよい。例えば、モデル構築装置２０において、記憶部２２と制御部２３とがそれぞれ異なる情報処理装置に実装されてもよい。例えば、モデル構築装置２０の記憶部２２が複数の情報処理装置に分散して実装されてもよい。推定装置３０は、複数の情報処理装置を用いて実装されてもよい。例えば、クラウド等の装置を用いて推定装置３０が実装されてもよい。例えば、推定装置３０において、記憶部３２と制御部３３とがそれぞれ異なる情報処理装置に実装されてもよい。例えば、推定装置３０の記憶部３２が複数の情報処理装置に分散して実装されてもよい。

【0094】

以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

【符号の説明】

【0095】

１００…推定システム， １０…端末装置， １１…通信部， １２…操作部， １３…出力部， １４…記憶部， １５…制御部， ２０…モデル構築装置， ２１…通信部， ２２…記憶部， ２２１…既知データ記憶部， ２２２…前処理済既知データ記憶部， ２２３…推定モデル記憶部， ２３…制御部， ２３１…情報制御部， ２３２…前処理制御部， ２３３…モデル構築制御部， ３０…推定装置， ３１…通信部， ３２…記憶部， ３２１…推定モデル記憶部， ３３…制御部， ３３１…情報制御部， ３３２…推定モデル選択部， ３３３…推定部， ３３４…合金判定部

【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】