特開 2024-142648 連続式焼結機用予測モデル機械学習方法および該装置、連続式焼結機用管理指標予測方法および該装置、ならびに、焼結鉱製造方法

(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】P2024142648

(43)【公開日】2024-10-11

(54)【発明の名称】連続式焼結機用予測モデル機械学習方法および該装置、連続式焼結機用管理指標予測方法および該装置、ならびに、焼結鉱製造方法

(51)【国際特許分類】

   C22B 1/16 20060101AFI20241003BHJP

   C22B 1/20 20060101ALI20241003BHJP

   G01N 25/02 20060101ALN20241003BHJP

【ＦＩ】

C22B1/16 R

C22B1/20 T

C22B1/20 U

C22B1/20 V

G01N25/02 Z

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2023054885

(22)【出願日】2023-03-30

(71)【出願人】

【識別番号】000001199

【氏名又は名称】株式会社神戸製鋼所

(74)【代理人】

【識別番号】100115381

【弁理士】

【氏名又は名称】小谷 昌崇

(74)【代理人】

【識別番号】100111453

【弁理士】

【氏名又は名称】櫻井 智

(72)【発明者】

【氏名】土屋 雅大

(72)【発明者】

【氏名】桑名 孝汰

(72)【発明者】

【氏名】大菅 宏児

(72)【発明者】

【氏名】燒谷 将大

【テーマコード（参考）】

2G040

4K001

【Ｆターム（参考）】

2G040AB15

2G040BA05

2G040BA29

2G040CA03

2G040CA11

2G040CA23

2G040CB02

2G040CB11

2G040DA01

2G040DA15

2G040EA03

2G040GA07

2G040HA07

2G040ZA08

4K001AA10

4K001BA02

4K001CA17

4K001CA33

4K001CA40

(57)【要約】

【課題】本発明は、より精度良く焼成熱量の管理を可能とする連続式焼結機用予測モデル機械学習方法および該装置、これらそれぞれで生成した機械学習済みの管理指標予測モデルで管理指標を予測する連続式焼結機用管理指標予測方法および該装置、ならびに、前記連続式焼結機用管理指標予測方法を用いた焼結鉱製造方法を提供する。
【解決手段】本発明の連続式焼結機用予測モデル機械学習方法は、焼結鉱を連続的に製造する連続式焼結機におけるシンターケーキの破断面の破断面画像に基づいて、焼成熱量を管理するための所定の管理指標を予測する管理指標予測モデルを機械学習する第１機械学習工程Ｓ１３と、第１機械学習工程Ｓ１３で前記管理指標予測モデルを機械学習するために用いられ、前記破断面画像および教師データを含む第１学習データセットを入力する第1学習データ入力工程Ｓ１１とを備える。
【選択図】図９

【特許請求の範囲】

【請求項1】

焼結鉱を連続的に製造する連続式焼結機におけるシンターケーキの破断面の破断面画像に基づいて、焼成熱量を管理するための所定の管理指標を予測する管理指標予測モデルを機械学習する第１機械学習工程と、
前記第１機械学習工程で前記管理指標予測モデルを機械学習するために用いられ、前記破断面画像および教師データを含む第１学習データセットを入力する第1学習データ入力工程とを備える、
連続式焼結機用予測モデル機械学習方法。

【請求項2】

前記管理指標予測モデルは、前記連続式焼結機における排ガス温度、排ガス組成、吸引圧力、冷却クーラの排ガス温度、排鉱以降の成品温度のうちの少なくとも１つにさらに基づいて前記管理指標を予測するモデルであり、
前記第1学習データセットは、前記管理指標予測モデルに入力される、前記連続式焼結機における排ガス温度、排ガス組成、吸引圧力、冷却クーラの排ガス温度、排鉱以降の成品温度のうちの少なくとも１つをさらに含む、
請求項１に記載の連続式焼結機用予測モデル機械学習方法。

【請求項3】

前記管理指標予測モデルは、
前記連続式焼結機における排ガス温度、排ガス組成、吸引圧力、冷却クーラの排ガス温度、排鉱以降の成品温度のうちの少なくとも１つが入力され、前記管理指標を予測するための第１出力を出力する第１サブモデルと、
前記破断面画像が入力され、前記管理指標を予測するための第２出力を出力する第２サブモデルと、
前記第１および第２出力を結合して、前記管理指標を出力する第３サブモデルとを備える、
請求項２に記載の連続式焼結機用予測モデル機械学習方法。

【請求項4】

前記破断面を撮像可能に配設されたカメラによって生成された画像に基づいて、前記シンターケーキが破断する破断タイミングを予測する破断予測モデルを機械学習する第２機械学習工程と、
前記第２機械学習工程で前記破断予測モデルを機械学習するために用いられ、前記画像および教師データを含む第２学習データセットを入力する第２学習データ入力工程とをさらに備える、
請求項１に記載の連続式焼結機用予測モデル機械学習方法。

【請求項5】

焼結鉱を連続的に製造する連続式焼結機におけるシンターケーキの破断面の破断面画像に基づいて、焼成熱量を管理するための所定の管理指標を予測する管理指標予測モデルを機械学習する第１機械学習部と、
前記第１機械学習部で前記管理指標予測モデルを機械学習するために用いられ、前記破断面画像および教師データを含む第１学習データセットを入力する第１学習データ入力部とを備える、
連続式焼結機用予測モデル機械学習装置。

【請求項6】

焼結鉱を連続的に製造する連続式焼結機におけるシンターケーキの破断面の破断面画像を生成する画像生成工程と、
前記画像生成工程で生成した破断面画像に基づいて、焼成熱量を管理するための所定の管理指標を予測する機械学習済みの管理指標予測モデルで前記管理指標を予測する管理指標予測工程とを備える、
連続式焼結機用管理指標予測方法。

【請求項7】

焼結鉱を連続的に製造する連続式焼結機におけるシンターケーキの破断面の破断面画像を生成する画像生成部と、
前記画像生成部で生成した破断面画像に基づいて、焼成熱量を管理するための所定の管理指標を予測する機械学習済みの管理指標予測モデルで前記管理指標を予測する管理指標予測部とを備える、
連続式焼結機用管理指標予測装置。

【請求項8】

請求項７に記載の連続式焼結機用管理指標予測方法と、
前記管理指標予測工程で予測した管理指標を出力する出力工程と、
前記出力工程で出力された管理指標に基づいて、粉コークス配合量、鉱石配合量、副原料配合量、焼結速度、焼成風量、鉱層厚および富化酸素量のうちの少なくとも１つを調整する調整工程とを備える、
焼結鉱製造方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、連続式焼結機における焼成熱量を管理するための所定の管理指標を予測する連続式焼結機用予測モデル機械学習方法および連続式焼結機用予測モデル機械学習装置、これらそれぞれで生成した機械学習済みの管理指標予測モデルで管理指標を予測する連続式焼結機用管理指標予測方法および連続式焼結機用管理指標予測装置、ならびに、前記連続式焼結機用管理指標予測方法を用いた焼結鉱製造方法に関する。

【背景技術】

【0002】

焼結プロセスでは、低融点のカルシウムフェライト系融液を生成させ、スラグボンドを形成することによって粒子間を結合して粉鉱石が造粒物に塊成化される。そのため、焼成熱量が少な過ぎると成品品質の１つである焼結強度が低下するため、十分な焼成熱量が必要である。この焼成熱量は、成品中における酸化鉄（Ｆｅ_３Ｏ_４）の割合（ＦｅＯ割合）と相関するため、このＦｅＯ割合を焼成熱量のコントロール指標に使用できる。このＦｅＯ割合は、化学分析により判明し、この化学分析に時間がかかるため、リアルタイムで測定することができない。このため、焼成熱量に変化が生じた場合、この焼成熱量の変化の時点から、例えば３～４時間の遅れが生じてしまう。したがって、化学分析を用いた手法では、焼成熱量に変化が生じても略リアルタイムに焼成熱量をコントロールすることが難しい。このため、画像を用いた手法があり、例えば、特許文献１に開示された手法がある。

【0003】

この特許文献１に開示された焼結鉱原料の熱レベル制御方法は、連続的に焼成されて移動してくる焼結ケーキの断面を焼結機排鉱部にて赤外線カメラで撮影すると共に、その映像を画像解析装置により解析して単位時間内に所定温度以上の高温赤熱帯が出現する頻度を測定し、該測定結果に基づいて焼結原料のコークス配合率調整を行うものである。これにより、前記特許文献１によれば、焼結原料の熱レベルが十分適正に制御され得る。そして、具体的には、前記特許文献１によれば、前記所定温度は、９００［℃］であって、前記頻度が２０回となるように、焼結原料のコークス配合率が調整され、これら温度９００［℃］および頻度２０回は、予備実験によって設定されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開平１－１８８６３６号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

ところで、前記特許文献１に開示された焼結鉱原料の熱レベル制御方法は、単位時間内に所定温度以上の高温赤熱帯が出現する頻度に基づいて焼成熱量を管理していることになるが、前記温度９００［℃］および頻度２０回は、予備実験によって人の判断で設定されているので、改善の余地がある。

【0006】

本発明は、上述の事情に鑑みて為された発明であり、その目的は、より精度良く焼成熱量の管理を可能とする連続式焼結機用予測モデル機械学習方法および連続式焼結機用予測モデル機械学習装置、これらそれぞれで生成した機械学習済みの管理指標予測モデルで管理指標を予測する連続式焼結機用管理指標予測方法および連続式焼結機用管理指標予測装置、ならびに、前記連続式焼結機用管理指標予測方法を用いた焼結鉱製造方法を提供することである。

【課題を解決するための手段】

【0007】

本発明者は、種々検討した結果、上記目的は、以下の本発明により達成されることを見出した。すなわち、本発明の一態様にかかる連続式焼結機用予測モデル機械学習方法は、焼結鉱を連続的に製造する連続式焼結機におけるシンターケーキの破断面の破断面画像に基づいて、焼成熱量を管理するための所定の管理指標を予測する管理指標予測モデルを機械学習する第１機械学習工程と、前記第１機械学習工程で前記管理指標予測モデルを機械学習するために用いられ、前記破断面画像および教師データを含む第１学習データセットを入力する第1学習データ入力工程とを備える。

【0008】

このような連続式焼結機用予測モデル機械学習方法は、管理指標予測モデルを機械学習するので、破断面画像から人に気付かれない特徴量が管理指標予測モデルに取り込まれ得るから、上記連続式焼結機用予測モデル機械学習方法は、より精度の良い管理指標を予測し得る管理指標予測モデルを生成し得る。このため、より精度良く焼成熱量の管理が可能となる。

【0009】

他の一態様では、上述の連続式焼結機用予測モデル機械学習方法において、前記管理指標予測モデルは、前記連続式焼結機における排ガス温度、排ガス組成、吸引圧力、冷却クーラの排ガス温度、排鉱以降の成品温度のうちの少なくとも１つにさらに基づいて前記管理指標を予測するモデルであり、前記第1学習データセットは、前記管理指標予測モデルに入力される、前記連続式焼結機における排ガス温度、排ガス組成、吸引圧力、冷却クーラの排ガス温度、排鉱以降の成品温度のうちの少なくとも１つをさらに含む。

【0010】

このような連続式焼結機用予測モデル機械学習方法は、管理指標予測モデルが破断面画像だけでなく、さらに、連続式焼結機における排ガス温度、排ガス組成、吸引圧力、冷却クーラの排ガス温度、排鉱以降の成品温度のうちの少なくとも１つに基づくので、さらにより精度の良い管理指標を予測し得る管理指標予測モデルを生成し得る。

【0011】

他の一態様では、上述の連続式焼結機用予測モデル機械学習方法において、前記管理指標予測モデルは、前記連続式焼結機における排ガス温度、排ガス組成、吸引圧力、冷却クーラの排ガス温度、排鉱以降の成品温度のうちの少なくとも１つが入力され、前記管理指標を予測するための第１出力を出力する第１サブモデルと、前記破断面画像が入力され、前記管理指標を予測するための第２出力を出力する第２サブモデルと、前記第１および第２出力を結合して、前記管理指標を出力する第３サブモデルとを備える。

【0012】

このような連続式焼結機用予測モデル機械学習方法は、前記連続式焼結機における排ガス温度、排ガス組成、吸引圧力、冷却クーラの排ガス温度、排鉱以降の成品温度のうちの少なくとも１つが入力される第１サブモデルと、前記破断断面画像が入力される第２サブモデルとを備えるので、それぞれの特徴量を機械学習でき、その結果の第１および第２出力を結合するので、さらにより精度の良い管理指標を予測し得る管理指標予測モデルを生成し得る。

【0013】

他の一態様では、これら上述の連続式焼結機用予測モデル機械学習方法において、前記破断面を撮像可能に配設されたカメラによって生成された画像に基づいて、前記シンターケーキが破断する破断タイミングを予測する破断予測モデルを機械学習する第２機械学習工程と、前記第２機械学習工程で前記破断予測モデルを機械学習するために用いられ、前記画像および教師データを含む第２学習データセットを入力する第２学習データ入力工程とをさらに備える。

【0014】

このような連続式焼結機用予測モデル機械学習方法は、破断タイミングを予測する破断予測モデルを機械学習するので、機械学習した管理指標予測モデルで前記管理指標を予測する際に、適切な破断面画像が利用できる。

【0015】

本発明の他の一態様にかかる連続式焼結機用予測モデル機械学習装置は、焼結鉱を連続的に製造する連続式焼結機におけるシンターケーキの破断面の破断面画像に基づいて、焼成熱量を管理するための所定の管理指標を予測する管理指標予測モデルを機械学習する第１機械学習部と、前記第１機械学習部で前記管理指標予測モデルを機械学習するために用いられ、前記破断面画像および教師データを含む第１学習データセットを入力する第１学習データ入力部とを備える。

【0016】

このような連続式焼結機用予測モデル機械学習装置は、管理指標予測モデルを機械学習するので、破断面画像から人に気付かれない特徴量が管理指標予測モデルに取り込まれ得るから、上記連続式焼結機用予測モデル機械学習方法は、より精度の良い管理指標を予測し得る管理指標予測モデルを生成し得る。このため、より精度良く焼成熱量の管理が可能となる。

【0017】

本発明の他の一態様にかかる連続式焼結機用管理指標予測方法は、焼結鉱を連続的に製造する連続式焼結機におけるシンターケーキの破断面の破断面画像を生成する画像生成工程と、前記画像生成工程で生成した破断面画像に基づいて、焼成熱量を管理するための所定の管理指標を予測する機械学習済みの管理指標予測モデルで前記管理指標を予測する管理指標予測工程とを備える。

【0018】

このような連続式焼結機用管理指標予測方法は、上述の連続式焼結機用予測モデル機械学習方法で機械学習した機械学習済みの管理指標予測モデルを用いることで、より精度の良い管理指標を予測し得る。このため、より精度良く焼成熱量の管理が可能となる。

【0019】

本発明の他の一態様にかかる連続式焼結機用管理指標予測装置は、焼結鉱を連続的に製造する連続式焼結機におけるシンターケーキの破断面の破断面画像を生成する画像生成部と、前記画像生成部で生成した破断面画像に基づいて、焼成熱量を管理するための所定の管理指標を予測する機械学習済みの管理指標予測モデルで前記管理指標を予測する管理指標予測部とを備える。

【0020】

このような連続式焼結機用管理指標予測装置は、上述の連続式焼結機用予測モデル機械学習装置で機械学習した機械学習済みの管理指標予測モデルを用いることで、より精度の良い管理指標を予測し得る。このため、より精度良く焼成熱量の管理が可能となる。

【0021】

本発明の他の一態様にかかる焼結鉱製造方法は、上述の連続式焼結機用管理指標予測方法と、前記管理指標予測工程で予測した管理指標を出力する出力工程と、前記出力工程で出力された管理指標に基づいて、粉コークス配合量、鉱石配合量、副原料配合量、焼結速度、焼成風量、鉱層厚および富化酸素量のうちの少なくとも１つを調整する調整工程とを備える。

【0022】

このような焼結鉱製造方法は、上述の連続式焼結機用管理指標予測方法を用いることで、より精度の良い管理指標を予測し得るから、より精度良く焼成熱量の管理が可能となる。したがって、所望の品質の成品（焼結鉱）が安定的に得ることができる。

【発明の効果】

【0023】

本発明にかかる連続式焼結機用予測モデル機械学習方法および連続式焼結機用予測モデル機械学習装置は、より精度良く焼成熱量の管理を可能とする。本発明によれば、これらそれぞれで生成した機械学習済みの管理指標予測モデルで管理指標を予測する連続式焼結機用管理指標予測方法および連続式焼結機用管理指標予測装置、ならびに、前記連続式焼結機用管理指標予測方法を用いた焼結鉱製造方法の提供が可能となる。

【図面の簡単な説明】

【0024】

【図1】実施形態における、連続式焼結機用予測モデル機械学習装置を含む連続式焼結機用管理指標予測装置の構成を示すブロック図である。

【図2】連続式焼結機の概略構成を示す模式図である。

【図3】前記連続式焼結機用管理指標予測装置における破断予測モデルの構成を示すブロック図である。

【図4】一例として、破断タイミングを説明するための時系列に連続した複数の画像を示す図である。

【図5】前記連続式焼結機用管理指標予測装置における管理指標予測モデルの構成を示すブロック図である。

【図6】一例として、破断面画像として抽出する抽出領域の演算方法を説明するための図である。

【図7】一例として、平均化破断面画像の生成方法を説明するための図である。

【図8】一例として、標準化測定値の生成方法を説明するための図である。

【図9】機械学習に関する前記連続式焼結機用管理指標予測装置の動作を示すフローチャートである。

【図10】画像および測定値の収集に関する前記連続式焼結機用管理指標予測装置の動作を示すフローチャートである。

【図11】管理指標の予測に関する前記連続式焼結機用管理指標予測装置の動作を示すフローチャートである。

【図12】一例として、予測値と実測値との相関性を示す分布図である。

【図13】一例として、予測値と実測値との時系列推移を示すグラフである。

【発明を実施するための形態】

【0025】

以下、図面を参照して、本発明の１または複数の実施形態が説明される。しかしながら、発明の範囲は、開示された実施形態に限定されない。なお、各図において同一の符号を付した構成は、同一の構成であることを示し、適宜、その説明を省略する。本明細書において、総称する場合には添え字を省略した参照符号で示し、個別の構成を指す場合には添え字を付した参照符号で示す。

【0026】

実施形態における連続式焼結機用予測モデル機械学習装置は、第１学習データ入力部と第１機械学習部とを備える。前記第１機械学習部は、焼結鉱を連続的に製造する連続式焼結機におけるシンターケーキの破断面の破断面画像に基づいて、焼成熱量を管理するための所定の管理指標を予測する管理指標予測モデルを機械学習するものである。前記第１学習データ入力部は、前記第１機械学習部で前記管理指標予測モデルを機械学習するために用いられ、前記破断面画像および教師データを含む第１学習データセットを入力するものである。実施形態における連続式焼結機用管理指標予測装置は、画像生成部と、管理指標予測部とを備える。前記画像生成部は、焼結鉱を連続的に製造する連続式焼結機におけるシンターケーキの破断面の破断面画像を生成するものである。前記管理指標予測部は、前記画像生成部で生成した破断面画像に基づいて、焼成熱量を管理するための所定の管理指標を予測する機械学習済みの管理指標予測モデルで前記管理指標を予測するものである。以下、連続式焼結機用予測モデル機械学習装置を含む連続式焼結機用管理指標予測装置ならびにこれに実装された連続式焼結機用予測モデル機械学習方法および連続式焼結機用管理指標予測方法について、より具体的に説明する。

【0027】

図１は、実施形態における、連続式焼結機用予測モデル機械学習装置を含む連続式焼結機用管理指標予測装置の構成を示すブロック図である。図２は、連続式焼結機の概略構成を示す模式図である。図３は、前記連続式焼結機用管理指標予測装置における破断予測モデルの構成を示すブロック図である。図４は、一例として、破断タイミングを説明するための時系列に連続した複数の画像を示す図である。図４Ａは、サンプリングタイミングＴ１の画像を示し、図４Ｂは、サンプリングタイミングＴ１の次のサンプリングタイミングＴ１＋１の画像を示し、図４Ｃは、サンプリングタイミングＴ１＋１の次のサンプリングタイミングＴ１＋２の画像を示し、図４Ｄは、サンプリングタイミングＴ１＋２の次のサンプリングタイミングＴ１＋３の画像を示し、図４Ｅは、サンプリングタイミングＴ１＋３の次のサンプリングタイミングＴ１＋４の画像を示し、図４Ｆは、サンプリングタイミングＴ１＋４の次のサンプリングタイミングＴ１＋５の画像を示し、図４Ｇは、サンプリングタイミングＴ１＋５の次のサンプリングタイミングＴ１＋６の画像を示す。図５は、前記連続式焼結機用管理指標予測装置における管理指標予測モデルの構成を示すブロック図である。図５Ａは、前記管理指標予測モデルの全体構成を示し、図５Ｂは、前記管理指標予測モデルのＣＮＮ部分の構成を示す。図６は、一例として、破断面画像として抽出する抽出領域の演算方法を説明するための図である。図７は、一例として、平均化破断面画像の生成方法を説明するための図である。図８は、一例として、標準化測定値の生成方法を説明するための図である。

【0028】

まず、連続式焼結機について、説明する。連続式焼結機Ｓは、焼結鉱を連続的に製造する装置であり、例えば、図２に示すように、上流側から下流側へ、複数の原料槽ＨＰ、造粒機ＤＭおよび焼結機ＢＫの各設備をこの順で順次に備える。

【0029】

複数の原料槽ＨＰは、例えば、主原料の粉鉱石（例えば粉鉄鉱石）を貯留する鉱石ホッパー、副原料の石灰石を貯留する石灰石ホッパー、および、固体燃料の粉コークスを貯留する粉コークスホッパー等を備える。複数の原料槽ＨＰの下部には、粉鉱石、石灰石および粉コークス等それぞれを所定量切り出す原料槽下切出しフィーダーが配置され、これによって切り出された粉鉱石、石灰石および粉コークス等は、焼結原料（不図示）を形成し、例えばベルトコンベア装置等の搬送装置ＢＣによって次工程の造粒機ＤＭへ運搬され、造粒機ＤＭに投入口から投入される。

【0030】

造粒機ＤＭは、前記焼結原料を造粒して焼結原料の造粒物を生成する装置であり、例えば、ドラムミキサを備える。造粒機ＤＭでは、ドラムミキサを回転しながら水分を前記焼結原料に添加することによって、前記焼結原料の造粒物が生成される。造粒機ＤＭの出側には、例えば図略のベルトコンベア装置等の搬送装置が配置され、前記焼結原料の造粒物は、これによって次工程の焼結機ＢＫへ運搬され、焼結機ＢＫのサージホッパー１０１に装入される。

【0031】

焼結機ＢＫは、前記焼結原料の造粒物を焼結する装置である。焼結機ＢＫでは、サージホッパー１０１に装入された前記焼結原料の造粒物は、ドラムフィーダー（ロールフィーダ－）１０２によって所定量切り出され無端移動式（無限軌道式）のパレット１０５上に装入され、前記焼結原料の造粒物による鉱石層が形成される。パレット１０５は、一対のローラ１０６、１０６に懸架され、この一対のローラ１０６、１０６によって駆動される。前記鉱石層は、サージホッパー１０１の下流側に配設された点火炉１０３によって、前記鉱石層の上表面に点火される。パレット１０５の下部に配設された吸引機１０７によって空気が吸引され、これによって前記鉱石層内に空気が導入され、前記焼結原料の造粒物における粉コークスが燃焼する。この燃焼による燃焼熱よって前記焼結原料の造粒物が焼き固められ、シンターケーキ（焼結ケーキ）ＳＣになり、パレット１０５によって下流端の排鉱部に運搬され、排鉱される。排鉱部では、シンターケーキＳＣは、その自重によって破断し、この破断したシンターケーキＳＣは、クラッシャー１０４によって砕かれ、図略の冷却クーラによって冷却され、焼結鉱が生成される。この排鉱部には、シンターケーキＳＣの破断面を撮像可能に後述のカメラ１１が配設されている。

【0032】

このような連続式焼結機Ｓにおける焼成熱量を管理するための所定の管理指標を予測する連続式焼結機用管理指標予測装置Ｄは、前記管理指標を予測する管理指標予測モデルを機械学習する連続式焼結機用予測モデル機械学習装置を含み、例えば、図１に示すように、画像生成部１と、センサ群２と、制御処理部３と、入力部４と、表示部５と、インターフェース部（ＩＦ部）６と、記憶部７とを備える。

【0033】

画像生成部１は、焼結鉱を連続的に製造する連続式焼結機ＳにおけるシンターケーキＳＣの破断面の破断面画像を生成する装置である。画像生成部１は、例えば、カメラ１１と、破断面画像抽出部１２（３２）とを備える。カメラ１１は、シンターケーキＳＣの破断面を撮像可能に配設される。カメラ１１は、制御処理部３に有線または無線によって接続され、制御処理部３の制御に従って、画像を生成する装置であり、例えば、カラーデジタルカメラ等である。カメラ１１は、その生成した画像を制御処理部３へ出力する。本実施形態では、カメラ１１は、所定のサンプリング間隔で撮像し、時系列に連続した複数の画像を生成し、その生成した各画像を制御処理部３へ出力する。破断面画像抽出部１２（３２）は、制御処理部３に機能的に構成され、カメラ１１によって生成された画像から、機械学習済みの後述の破断予測モデルによってシンターケーキＳＣが破断する破断タイミングを予測し、この予測した破断タイミングの画像を前記破断面画像として抽出するものである。

【0034】

センサ群２は、連続式焼結機Ｓにおける所定の各所に配設された複数ｋのセンサ２ｋを備えて構成される。複数のセンサ２ｋそれぞれは、制御処理部３に有線または無線によって接続され、制御処理部３の制御に従って、その配設箇所における所定の物理量を測定し、その測定結果を制御処理部３へ出力する。センサ群２における複数のセンサ２ｋは、連続式焼結機Ｓにおける排ガス温度、排ガス組成、吸引圧力、前記冷却クーラの排ガス温度、排鉱以降の成品温度のうちの少なくとも１つを測定するセンサを含む。複数のセンサ２ｋは、本実施形態では、吸引機１０７の排ガス温度を複数の箇所で測定する複数の温度計を含む。例えば吸引機１０７における風箱やブロワーでの温度が測定される。複数のセンサ２ｋは、本実施形態では、吸引機１０７の排ガス組成（例えばＮＯ_ｘ、Ｏ_２、ＣＯ_、ＣＯ_２等）を複数の箇所で測定するセンサ（例えばＮＯ_ｘセンサ、Ｏ_２センサ、ＣＯセンサ、ＣＯ_２センサ等）を含む。複数のセンサ２ｋは、本実施形態では、吸引機１０７の吸引圧力を複数の箇所で測定する複数の圧力計を含む。複数のセンサ２ｋは、本実施形態では、前記冷却クーラの排ガス温度を複数の箇所で測定する複数の温度計を含む。複数のセンサ２ｋは、本実施形態では、排鉱以降の成品温度（焼結鉱の温度）を複数の箇所で測定する複数の温度計を含む。これら複数の配設箇所（測定箇所）は、後述の管理指標予測モデルを勘案して予め適宜に設定される。

【0035】

入力部４は、制御処理部３に接続され、例えば、機械学習の開始を指示するコマンドや、管理指標の予測の開始を指示するコマンド等の各種コマンド、および、機械学習の第１および第２学習データセット等の、連続式焼結機用管理指標予測装置Ｄを動作させる上で必要な各種データを連続式焼結機用管理指標予測装置Ｄに入力する機器であり、例えば、キーボードや、マウスや、所定の機能を割り付けられた複数の入力スイッチ等である。表示部５は、制御処理部３に接続され、制御処理部３の制御に従って、入力部４から入力されたコマンドやデータ、および、カメラ１１による画像やセンサ群２による測定結果や予測結果の管理指標等を表示する機器であり、例えばＣＲＴディスプレイ、ＬＣＤ（液晶表示装置）および有機ＥＬディスプレイ等の表示装置である。

【0036】

なお、入力部４および表示部５は、タッチパネルにより構成されてもよい。このタッチパネルを構成する場合において、入力部４は、例えば抵抗膜方式や静電容量方式等の操作位置を検出して入力する位置入力装置である。このタッチパネルでは、表示部５の表示面上に位置入力装置が設けられ、表示部５に入力可能な１または複数の入力内容の候補が表示され、ユーザが、入力したい入力内容を表示した表示位置に触れると、位置入力装置によってその位置が検出され、検出された位置に表示された表示内容がユーザの操作入力内容として連続式焼結機用管理指標予測装置Ｄに入力される。このようなタッチパネルでは、ユーザは、入力操作を直感的に理解し易いので、ユーザにとって取り扱い易い連続式焼結機用管理指標予測装置Ｄが提供される。

【0037】

ＩＦ部６は、制御処理部３に接続され、制御処理部３の制御に従って、例えば、外部の機器との間でデータを入出力する回路であり、例えば、シリアル通信方式であるＲＳ－２３２Ｃのインターフェース回路、Ｂｌｕｅｔｏｏｔｈ（登録商標）規格を用いたインターフェース回路、および、ＵＳＢ規格を用いたインターフェース回路等である。また、ＩＦ部６は、例えば、データ通信カードや、ＩＥＥＥ８０２．１１規格等に従った通信インターフェース回路等の、外部の機器と通信信号を送受信する通信インターフェース回路であってもよい。

【0038】

記憶部７は、制御処理部３に接続され、制御処理部３の制御に従って、各種の所定のプログラムおよび各種の所定のデータを記憶する回路である。

【0039】

前記各種の所定のプログラムには、例えば、制御処理プログラムが含まれ、前記制御処理プログラムには、例えば、制御プログラム、破断面画像抽出プログラム、前処理プログラム、管理指標予測プログラム、第１機械学習プログラムおよび第２機械学習プログラム等が含まれる。前記制御プログラムは、連続式焼結機用管理指標予測装置Ｄの各部１、２、４～７を当該各部の機能に応じてそれぞれ制御するプログラムである。前記破断面画像抽出プログラムは、カメラ１１によって生成された画像から、機械学習済みの破断予測モデルによってシンターケーキＳＣが破断する破断タイミングを予測し、この予測した破断タイミングの画像を前記破断面画像として抽出するプログラムである。前記前処理プログラムは、前記管理指標予測プログラムに引き渡す前に、前記破断面画像抽出プログラムで抽出した破断面画像およびセンサ群２における各センサ２ｋそれぞれで測定した各測定結果に対し、所定の前処理を実施するプログラムである。前記管理指標予測プログラムは、前記画像生成部１で生成した破断面画像（破断面画像抽出プログラムによって抽出した破断面画像）に基づいて、焼成熱量を管理するための所定の管理指標を予測する機械学習済みの管理指標予測モデルで前記管理指標を予測するプログラムである。前記第１機械学習プログラムは、第１学習データセットで管理指標予測モデルを機械学習するプログラムである。前記第２機械学習プログラムは、第２学習データセットで破断予測モデルを機械学習するプログラムである。

【0040】

前記各種の所定のデータには、例えば、前記第１および第２学習データセット、管理指標予測モデル、破断予測モデル、演算途中の各種演算結果、最終的な演算結果等の、これら各プログラムを実行する上で必要なデータが含まれる。

【0041】

このような記憶部７は、例えば不揮発性の記憶素子であるＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）や書き換え可能な不揮発性の記憶素子であるＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等を備える。そして、記憶部７は、前記所定のプログラムの実行中に生じるデータ等を記憶するいわゆる制御処理部３のワーキングメモリとなるＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等を含む。また、記憶部７は、比較的記憶容量の大きいハードディスク装置を備えて構成されてもよい。

【0042】

記憶部７は、前記第１学習データセットを記憶する第１学習データ記憶部７１および前記第２学習データセットを記憶する第２学習データ記憶部７２を機能的に備える。

【0043】

前記第１学習データセットは、前記管理指標予測モデルを機械学習するために用いられ、前記破断面画像およびその教師データを含む。本実施形態では、前記管理指標予測モデルは、焼結鉱を連続的に製造する連続式焼結機におけるシンターケーキの破断面の破断面画像に基づいて、焼成熱量を管理するための所定の管理指標を予測するだけでなく、前記連続式焼結機Ｓにおける排ガス温度、排ガス組成、吸引圧力、冷却クーラの排ガス温度、排鉱以降の成品温度のうちの少なくとも１つにさらに基づいて前記管理指標を予測するモデルであるので、前記第1学習データセットは、前記管理指標予測モデルに入力される、前記連続式焼結機Ｓにおける排ガス温度、排ガス組成、吸引圧力、冷却クーラの排ガス温度、排鉱以降の成品温度のうちの少なくとも１つをさらに含む。本実施形態では、前記第１学習データセットは、過去実績データから生成された、破断面画像、前記連続式焼結機Ｓにおける排ガス温度、排ガス組成（ＮＯ_ｘ成分比、Ｏ_２成分比、ＣＯ成分比、ＣＯ_２成分比）、吸引圧力、冷却クーラの排ガス温度、排鉱以降の成品温度の各データおよびその教師データを含む第１学習データを、複数、備える。なお、同種の物理量をセンサ２ｋでも前記センサ２ｋの配設箇所が異なれば、異なる種類のデータとして扱われる。例えば、配設箇所ａに配設された温度計ａによって測定された排ガス温度と、前記配設箇所ａとは異なる配設箇所ｂに配設された温度計ｂによって測定された排ガス温度とは、異なるデータとして扱われる。前記排ガス組成（ＮＯ_ｘ成分比、Ｏ_２成分比、ＣＯ成分比、ＣＯ_２成分比）、吸引圧力、冷却クーラの排ガス温度および排鉱以降の成品温度それぞれについても同様である。前記第１学習データセットの教師データは、焼成熱量と好適に相関する、例えばＦｅＯ割合等である。

【0044】

前記第２学習データセットは、前記破断予測モデルを機械学習するために用いられ、シンターケーキＳＣの破断面を撮像可能に配設されたカメラ１１によって生成された画像およびその教師データを含む。前記第２学習データセットの教師データは、破断面画像（破断タイミング）であるか否かを表す情報（破断識別情報）である。前記第２学習データセットは、過去実績データから生成される前記画像およびその教師データを含む第２学習データを、複数、備える。

【0045】

このような第１および第２学習データセットそれぞれは、例えば、入力部４から入力され、記憶部７における第１および第２学習データ記憶部７１、７２それぞれに記憶される。あるいは、例えば、第１および第２学習データセットを記憶した記憶媒体（例えばＵＳＢメモリ等）や記録媒体（例えばＣＤ－Ｒ等）からＩＦ部６を介して入力されて記憶されてよく、あるいは例えば、ネットワークおよびＩＦ部６を介して通信可能に接続された、第１および第２学習データセットを管理するサーバ装置から入力されて記憶されてよい。

【0046】

制御処理部３は、連続式焼結機用管理指標予測装置Ｄの各部１、２、４～７を当該各部の機能に応じてそれぞれ制御し、破断予測モデルを機械学習し、管理指標予測モデルを機械学習し、機械学習済みの破断予測モデルおよび機械学習済みの管理指標予測モデルを用いて前記画像生成部１で生成した破断面画像（破断面画像抽出部３２（１２）によって抽出した破断面画像）に基づいて、焼成熱量を管理するための所定の管理指標を予測するための回路である。制御処理部３は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）およびその周辺回路を備えて構成される。制御処理部３には、前記制御処理プログラムが実行されることによって、制御部３１、破断面画像抽出部３２（１２）、前処理部３３、管理指標予測部３４、第１機械学習部３５および第２機械学習部３６が機能的に構成される。

【0047】

制御部３１は、連続式焼結機用管理指標予測装置Ｄの各部１、２、４～７を当該各部の機能に応じてそれぞれ制御し、連続式焼結機用管理指標予測装置Ｄの全体の制御を司るものである。

【0048】

破断面画像抽出部３２（１２）は、上述したように、カメラ１１によって生成された画像から、機械学習済みの破断予測モデルによってシンターケーキＳＣが破断する破断タイミングを予測し、この予測した破断タイミングの画像を前記破断面画像として抽出するものである。

【0049】

前記破断予測モデルは、例えば、公知の、深層学習（ディープラーニング、Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）の畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＣＮＮ）を備えて構成される。より具体的には、本実施形態では、破断予測モデルＴＭは、図３に示すように、7個の第1ないし第7処理部２０１～２０７を備え、この順で直列に接続されている。第１処理部２０１は、第１畳込み層（Ｃｏｎｖ１）、第１活性化層（ＲｅＬＵ）および第１プーリング層（Ｍａｘｐｏｏｌ）を備える。第２処理部２０２は、第１ドロップアウト層（Ｄｒｏｐｏｕｔ）を備える。第３処理部２０３は、第２畳込み層（Ｃｏｎｖ１）、第２活性化層（ＲｅＬＵ）および第２プーリング層（Ｍａｘｐｏｏｌ）を備える。第４処理部２０４は、第２ドロップアウト層（Ｄｒｏｐｏｕｔ）を備える。第５処理部２０５は、第１リニア層（Ｌｉｎｅａｒ）を備える。第６処理部２０６は、第２リニア層（Ｌｉｎｅａｒ）を備える。第７処理部２０７は、ソフトマックス層（Ｓｏｆｔｍａｘ）を備える。前記第１および第２畳込み層は、入力チャネル数および出力チャネル数が必ずしも互いに同じではないが、その構造が同一であり、当該層の入力画像に対し畳み込み演算（所定の画像フィルタ（Ｋｅｒｎｅｌ）によるフィルタリング）を実行するものであり、前記入力画像の特徴を抽出する。前記第１および第２活性層は、入力チャネル数および出力チャネル数が必ずしも互いに同じではないが、その構造が同一であり、畳込み層とプーリング層との間でデータの伝播のさせ方を調整するものであり、本実施形態では、ＲｅＬＵ関数を備えて構成される。このＲｅＬＵ関数は、入力が０以下の場合、０を出力し、入力が０を超えている場合、その値をそのまま出力する関数であり、機械学習が速くなるというメリットがある。なお、ＲｅＬＵ関数に代え、シグモイド関数やｔａｎｈ関数等であってもよい。前記第１および第２プーリング層は、入力チャネル数および出力チャネル数が必ずしも互いに同じではないが、その構造が同一であり、当該層の出力（特徴マップ）のサイズを、所定の処理で小さくするものである。前記所定の処理には、本実施形態では、例えば、マックスプーリングが用いられる。このマックスプーリングは、例えば１２×１２サイズの特徴マップを３×３サイズに縮小する場合、１２×１２サイズの特徴マップを４×４サイズの９個の領域に分け、各領域の中で各最大値を抽出し、前記３×３サイズの各値とする。なお、前記マックスプーリングに代え、領域の平均値を求めるアベレージプリングが用いられてもよい。前記第１および第２ドロップアウト層は、入力チャネル数および出力チャネル数が必ずしも互いに同じではないが、その構造が同一であり、過学習を回避するものであり、複数のノードを備え、機械学習の更新ごと、前記複数のノードを一定確率でランダムに選択して非活性化（無効化）するものである。前記第１および第２リニア層は、入力チャネル数および出力チャネル数が必ずしも互いに同じではないが、その構造が同一であり、入力層と出力層との間に２層の中間層（合計４層）を備える全結合のニューラルネットワークである。前記ソフトマックス層は、入力を確率に変換して出力するためのソフトマックス関数を備えて構成され、０～１の数値を出力する。第１処理部２０１の前記第１畳込み層は、３個の入力チャンネルおよび１６個の出力チャンネルを備え、第１処理部２０１は、１６個の出力チャンネルを備える。カメラ１１は、カラー画像を生成するので、このカラー画像から、赤画素値から成るＲ画像、緑画素値から成るＧ画像および青画素値から成るＢ画像が生成され、これら３個のＲ画像、Ｇ画像およびＢ画像それぞれが前記３個の入力チャネルそれぞれに入力される。カラーの成分ごとに機械学習することで、より適切に破断面画像の特徴が抽出できる。第３処理部２０３の前記第２畳込み層は、１６個の入力チャンネルおよび８個の出力チャンネルを備え、第３処理部２０３は、８個の出力チャンネルを備える。第５処理部２０５の前記第１リニア層は、８個の入力ノードおよび４個の出力ノードを備え、第５処理部２０５は、４個の出力ノードを備える。第６処理部２０６の前記第２リニア層は、４個の入力ノードおよび２個の出力ノードを備え、第６処理部２０６は、２個の出力ノードを備える。第７処理部２０７の前記ソフトマックス層は、２個の入力チャンネルおよび１個の出力ノードを備え、第７処理部２０７は、１個の出力ノードを備える。これにより第１処理部２０１に入力された画像が破断面画像であるか否かを確率で、第７処理部２０７が出力する。

【0050】

このような構成の機械学習済みの破断予測モデルＴＭには、例えば、カメラ１１で生成された図４に示す時系列に連続した複数の画像が順次に入力され、前記機械学習済みの破断予測モデルＴＭは、各画像ごとに、破断面画像であるか否かを判定する。例えば、破断面画像抽出部３２（１２）は、前記機械学習済みの破断予測モデルの出力と予め設定された所定の閾値（破断面画像判定閾値）とを比較し、破断面画像であるか否かを判定する。例えば、前記破断面画像判定閾値は、０．５とされ、破断面画像抽出部３２（１２）は、前記機械学習済みの破断予測モデルＴＭの出力が０．５以下である場合、入力の画像が破断面画像ではないと判定し、前記機械学習済みの破断予測モデルＴＭの出力が０．５を超えている場合、入力の画像が破断面画像であると判定する。図４に示す例では、図４Ａおよび図４Ｇに示す各画像が破断面画像と判定され、図４Ｂないし図４Ｆに示す各画像が破断面画像ではないと判定される。なお、上述の第２学習データセットでは、このような図４に示す各画像と各画像それぞれに付された各破断識別情報（教師データ）を備えて各第２学習データが構成され、前記第２学習データセットは、このような第２学習データを、複数、備える。

【0051】

管理指標予測部３４は、前記画像生成部１で生成した破断面画像に基づいて、機械学習済みの管理指標予測モデルで管理指標を予測するものである。

【0052】

前記管理指標予測モデルは、例えば、ニューラルネットワークおよびＣＮＮを備えて構成される。より具体的には、本実施形態では、管理指標予測モデルＶＭは、図５に示すように、前記連続式焼結機Ｓにおける排ガス温度、排ガス組成、吸引圧力、冷却クーラの排ガス温度、排鉱以降の成品温度のうちの少なくとも１つが入力され、前記管理指標を予測するための第１出力を出力する第１サブモデル３０１と、前記破断断面画像が入力され、前記管理指標を予測するための第２出力を出力する第２サブモデル３０２と、前記第１および第２出力を結合して、前記管理指標を出力する第３サブモデル３０３とを備える。本実施形態では、第１サブモデル３０１は、前記連続式焼結機Ｓにおける排ガス温度、排ガス組成、吸引圧力、冷却クーラの排ガス温度、排鉱以降の成品温度の各データが入力され、前記管理指標を予測するための第１出力を出力する。

【0053】

第１サブモデル３０１は、ニューラルネットワークを備えて構成され、より具体的には、図５Ａに示すように、４個の第１１ないし第１４処理部３０１１～３０１４を備え、この順で直列に接続されている。第１１処理部３０１１は、第１１リニア層を備え、第１２処理部３０１２は、第１２リニア層を備え、第１４処理部３０１４は、第１３リニア層を備える。第１３処理部３０１３は、第１１ドロップアウト層を備える。これら第１１ないし第１３リニア層は、入力チャネル数および出力チャネル数が必ずしも互いに同じではないが、その構造が前記第１および第２リニア層と同一であり、前記第１１ドロップアウト層は、入力チャネル数および出力チャネル数が必ずしも互いに同じではないが、その構造が前記第１および第２ドロップアウト層と同一である。第１１処理部３０１１の前記第１１リニア層は、３８個の入力ノードおよび１５個の出力ノードを備え、第１１処理部３０１１は、１５個の出力ノードを備える。第１２処理部３０１２の前記第１２リニア層は、１５個の入力ノードおよび１５個の出力ノードを備え、第１２処理部３０１２は、１５個の出力ノードを備える。第１４処理部３０１４の前記第１３リニア層は、１５個の入力ノードおよび５個の出力ノードを備え、第１４処理部３０１４は、５個の出力ノードを備える。第１１処理部３０１１には、連続式焼結機Ｓにおける複数の配設箇所それぞれで測定した複数の排ガス温度、連続式焼結機Ｓにおける複数の配設箇所それぞれで測定した複数の排ガス組成、連続式焼結機Ｓにおける複数の配設箇所それぞれで測定した複数の吸引圧力、連続式焼結機Ｓにおける複数の配設箇所それぞれで測定した複数の冷却クーラの排ガス温度、連続式焼結機Ｓにおける複数の配設箇所それぞれで測定した複数の排鉱以降の成品温度の、合計３８個の各データが入力され、第１４処理部３０１４から、管理指標を予測するための特徴量（センサ測定特徴量）が出力される。

【0054】

第２サブモデル３０２は、ＣＮＮを備えて構成され、より具体的には、図５Ａに示すように、１０個の第２１－１ないし第２１－１０処理部３０２１－１～３０２１－１０と、４個の第２２ないし２５処理部３０２２～３０２５とを備え、１０個の第２１－１ないし第２１－１０処理部３０２１－１～３０２１－１０は、並列であり、４個の第２２ないし２５処理部３０２２～３０２５は、この順で直列に接続され、１０個の第２１－１ないし第２１－１０処理部３０２１－１～３０２１－１０の各出力は、第２２処理部３０２２の入力に接続される。１０個の第２１－１ないし第２１－１０処理部３０２１－１～３０２１－１０は、同一構成であり、図５Ｂに示すように、９個の第３１ないし第３９処理部３０２１１～３０２１９を備え、この順で直列に接続されている。第３１処理部３０２１１は、第３１畳込み層、第３１活性化層および第３１プーリング層を備える。第３２処理部３０２１２は、第３１ドロップアウト層を備える。第３３処理部３０２１３は、第３２畳込み層、第３２活性化層および第３２プーリング層を備える。第３４処理部３０２１４は、第３１リニア層を備える。第３５処理部３０２１５は、第３２ドロップアウト層を備える。第３６処理部３０２１６は、第３２リニア層を備える。第３７処理部３０２１７は、第３３ドロップアウト層を備える。第３８処理部３０２１８は、第３３リニア層を備える。第３９処理部３０２１９は、第３４リニア層を備える。前記第３１および第３２畳込み層は、入力チャネル数および出力チャネル数が必ずしも互いに同じではないが、その構造が前記第１および第２畳込み層と同一であり、前記第３１および第３２活性化層は、入力チャネル数および出力チャネル数が必ずしも互いに同じではないが、その構造が前記第１および第２活性化層と同一であり、前記第３１および第３２プーリング層は、入力チャネル数および出力チャネル数が必ずしも互いに同じではないが、その構造が前記第１および第２プーリング層と同一である。前記第３１ないし第３３ドロップアウト層は、入力チャネル数および出力チャネル数が必ずしも互いに同じではないが、その構造が前記第１および第２ドロップアウト層と同一であり、前記３１ないし第３４リニア層は、入力ノード数および出力ノード数が必ずしも互いに同じではないが、その構造が前記第１および第２リニア層と同一である。第３１処理部３０２１１の前記第３１畳込み層は、前記第１畳込み層と同様に、３個の入力チャンネルおよび１６個の出力チャンネルを備え、第３１処理部３０２１１は、１６個の出力チャンネルを備える。第３３処理部３０２１３の前記第３２畳込み層は、１６個の入力チャンネルおよび１６個の出力チャンネルを備え、第３３処理部３０２１３は、１６個の出力チャンネルを備える。第３４処理部３０２１４の前記第３１リニア層は、１６枚の４×４９の圧縮画像（３次元データ）を１次元データ３１３６（＝１６×４×４９）に圧縮した入力ノードおよび２５６個の出力ノードを備え、第３４処理部３０２１４は、２５６個の出力ノードを備える。なお、前記第３１リニア層には、縦４×横４９×チャンネル数１６の各圧縮画像を１次元に圧縮した３１３６ノードに入力される。第３６処理部３０２１６の前記第３２リニア層は、２５６個の入力ノードおよび３２個の出力ノードを備え、第３６処理部３０２１６は、３２個の出力ノードを備える。第３８処理部３０２１８の前記第３３リニア層は、３２個の入力ノードおよび３２個の出力ノードを備え、第３８処理部３０２１８は、３２個の出力ノードを備える。第３９処理部３０２１９の前記第３４リニア層は、３２個の入力ノードおよび５個の出力ノードを備え、第３９処理部３０２１９は、５個の出力ノードを備える。第３１処理部３０２１１には、破断面画像が入力され、第３９処理部３０３１９から、管理指標を予測するための特徴量（破断面画像特徴量）が出力される。

【0055】

第３サブモデル３０３は、第４１リニア層を備えて構成される。前記４１リニア層は、入力ノード数および出力ノード数が必ずしも互いに同じではないが、その構造が前記第１および第２リニア層と同一である。第３サブモデル３０３の前記第４１リニア層は、１０個の入力ノードおよび１個の出力ノードを備え、第３サブモデル３０３は、１個の出力ノードを備える。第３サブモデル３０３には、第１および第２サブモデル３０１、３０２の各出力が入力され、第３サブモデル３０３から管理指標が出力される。

【0056】

前処理部３３は、管理指標予測部３４に引き渡す前に、画像生成部１で生成した破断面画像（破断面画像抽出部１２（３２）で抽出した破断面画像）およびセンサ群２における各センサ２ｋそれぞれで測定した各測定結果に対し、所定の前処理を実施するものである。本実施形態では、前記所定の前処理は、破断面画像から、破断面を写し込んだ領域部分の画像（破断面領域画像）を切り出す処理（領域抽出処理）、前記領域部分の位置を補正する処理（切出し位置補正処理）、前記破断面領域画像のサイズを調整する処理（サイズ調整処理）、サイズ調整後の、複数の破断面領域画像を平均化した画像（破断面領域平均画像）を生成する処理（画像平均化処理）、および、前記各測定結果を標準化する処理（標準化処理）を含む。

【0057】

まず、前記領域抽出処理および前記切出し位置補正処理について説明する。画像生成部１の破断面画像抽出部１２（３２）によって抽出された破断面画像には、シンターケーキＳＣの破断面を写し込んだ画像領域以外の画像領域も存在する。破断面画像そのものが用いられてもよいが、情報処理量を低減し予測精度を向上するために、破断面画像から破断面を写し込んだ領域部分が切り出される。このため、前記領域抽出処理は、破断面画像抽出部１２（３２）によって抽出された破断面画像から、破断面を写し込んだ領域部分の破断面領域画像を切り出す処理である。ここで、画像生成部１のカメラ１１は、上述したように、シンターケーキＳＣの破断面を撮像可能に配設され、固定されるので、基本的には、破断面領域画像の領域部分は、破断面画像における特定の位置の領域となる。しかしながら、実際には、シンターケーキＳＣの破断面の位置は、例えば前記焼結原料の造粒物の切出し量やパレット１０５の移動に伴う振動等によってばらつくため、前記特定の位置の領域からズレる。前記切出し位置補正処理は、このズレを補正する処理である。より具体的には、図６に示すように、前記特定の位置の領域は、所定サイズの矩形形状に設定され、カメラ１１の固定的な配設によって規定される前記特定の位置の領域における４個の第１ないし第４頂点ＩＰ１～ＩＰ４の各座標値が初期値とされる（ＩＰ１（ｘ１、ｙ１）、ＩＰ２（ｘ２、ｙ２）、ＩＰ３（ｘ３、ｙ３）、ＩＰ４（ｘ４、ｙ４）；ＩＰｍ（ｘｍ、ｙｍ）、ｍ＝１、２、３、４）。この初期値ｘｍ、ｙｍに補正値△ｘｍ、△ｙｍを加算した値ｘｍ＋△ｘｍ、ｙｍ＋△ｙｍが、今回、破断面画像から破断面領域画像を切り出す際に用いる前記破断面領域画像の領域部分における４個の第１ないし第４頂点ＴＰ１～ＴＰ４の各座標値となる（ＴＰ１（ｘ１＋△ｘ１、ｙ１＋△ｙ１）、ＴＰ２（ｘ２＋△ｘ２、ｙ２＋△ｙ２）、ＴＰ３（ｘ３＋△ｘ３、ｙ３＋△ｙ３）、ＴＰ４（ｘ４＋△ｘ４、ｙ４＋△ｙ４））。前記補正値△ｘｍ、△ｙｍは、今回、破断面領域画像を切り出す破断面画像に対する過去の、複数の破断面画像それぞれでの第１ないし第４頂点ＴＰ１～ＴＰ４の各座標値における、前記初期値ｘｍ、ｙｍからのズレ量（差分）の各平均値である。すなわち、時点ｔｊでの第１ないし第４頂点ＴＰ１～ＴＰ４の各座標値をｘｍ＿ｔｊ、ｙｍ＿ｔｊとし、過去の複数の破断面画像の枚数をｎ＋１とした場合、前記補正値△ｘｍ、△ｙｍは、△ｘｍ＝（Σ（ｘｍ－ｘｍ＿ｔｊ））／（ｎ＋１）、△ｙｍ＝（Σ（ｙｍ－ｙｍ＿ｔｊ））／（ｎ＋１）である。ここで、Σは、ｊについて０からｎまでの和を求める。したがって、今回、破断面画像から破断面領域画像を切り出す場合、前処理部３３は、まず、前記切出し位置補正処理として、前記補正値△ｘｍ、△ｙｍを求め、そして、前記領域抽出処理として、今回の破断面画像から、第１ないし第４頂点ＴＰ１（ｘ１＋△ｘ１、ｙ１＋△ｙ１）、ＴＰ２（ｘ２＋△ｘ２、ｙ２＋△ｙ２）、ＴＰ３（ｘ３＋△ｘ３、ｙ３＋△ｙ３）、ＴＰ４（ｘ４＋△ｘ４、ｙ４＋△ｙ４）の矩形形状の領域部分の画像を、前記破断面領域画像として切り出す。

【0058】

次に、前記サイズ調整処理について説明する。上述のように、前記切出し位置補正処理が実施されるので、破断面領域画像のサイズが多少ばらつく。その一方、管理指標予測モデルＶＭの第２サブモデル３０２に入力される画像のサイズは、固定である。このため、前記サイズ調整処理は、破断面領域画像のサイズと第２サブモデル３０２の入力における画像のサイズとを比較し、不一致の場合に、第２サブモデル３０２の入力における画像のサイズとなるように前記破断面領域画像のサイズを調整する処理である。より具体的には、前処理部３３は、前記サイズ調整処理として、破断面領域画像のサイズと第２サブモデル３０２の入力における画像のサイズとを比較し、この比較の結果、破断面領域画像のサイズが第２サブモデル３０２の入力における画像のサイズより小さい場合、第２サブモデル３０２の入力における画像のサイズとなるように、例えば画素の線形補間によって前記破断面領域画像を拡大し、前記比較の結果、破断面領域画像のサイズが第２サブモデル３０２の入力における画像のサイズより大きい場合、第２サブモデル３０２の入力における画像のサイズとなるように、例えば画素を間引くことによって前記破断面領域画像を縮小する。

【0059】

次に、前記画像平均化処理について説明する。管理指標予測モデルＶＭにおける第２サブモデル３０２は、本実施形態では、並列に複数の第２１処理部３０２１を備え、今回から過去における複数の破断面画像に基づく複数の画像が入力されるように構成されている。図５に示す例では、１０個の画像が管理指標予測モデルＶＭにおける第２サブモデル３０２に入力される。ここで、管理指標予測モデルＶＭにおける第２サブモデル３０２には、前記今回の破断面領域画像そのもの、および、前記過去の９個の破断面領域画像それぞれのそのものが入力されてよいが、本実施形態では、ノイズを低減するために、今回から過去へ、所定時間ＴＷごとに破断面領域画像を平均化した１０個の破断面領域平均画像が入力される。このため、前記画像平均化処理は、今回から過去へ、所定時間ＴＷごとのそれぞれについて、当該所定時間ＴＷにおける、破断面画像から切り出され、サイズ調整後の破断面領域画像を平均することによって、当該所定時間ＴＷの破断面領域平均画像を生成する処理である。前記平均では、同一画素位置ごとに画素値の平均値が求められ、この求めた画素値の平均値が破断面領域平均画像の画素値とされる。より具体的には、前処理部３３は、図７に示すように、まず、今回を時点０とした場合、第１時間範囲０～ＴＷにおける破断面画像から切り出されてサイズ調整後の破断面領域画像を平均することによって、第１時間範囲０～ＴＷの第１破断面領域平均画像を生成する。前処理部３３は、次に、第２時間範囲ＴＷ～２×ＴＷにおける破断面画像から切り出されてサイズ調整後の破断面領域画像を平均することによって、第２時間範囲ＴＷ～２×ＴＷの第２破断面領域平均画像を生成する。以下同様に、前処理部３３によって、第３時間範囲２×ＴＷ～３×ＴＷについて、第３時間範囲２×ＴＷ～３×ＴＷの第３破断面領域平均画像が生成され、第４時間範囲３×ＴＷ～４×ＴＷについて、第４時間範囲３×ＴＷ～４×ＴＷの第４破断面領域平均画像が生成され、第５時間範囲４×ＴＷ～５×ＴＷについて、第５時間範囲４×ＴＷ～５×ＴＷの第５破断面領域平均画像が生成され、第６時間範囲５×ＴＷ～６×ＴＷについて、第６時間範囲５×ＴＷ～６×ＴＷの第６破断面領域平均画像が生成され、第７時間範囲６×ＴＷ～７×ＴＷについて、第７時間範囲６×ＴＷ～７×ＴＷの第７破断面領域平均画像が生成され、第８時間範囲７×ＴＷ～８×ＴＷについて、第８時間範囲７×ＴＷ～８×ＴＷの第８破断面領域平均画像が生成され、第９時間範囲８×ＴＷ～９×ＴＷについて、第９時間範囲８×ＴＷ～９×ＴＷの第９破断面領域平均画像が生成され、第１０時間範囲９×ＴＷ～１０×ＴＷについて、第１０時間範囲９×ＴＷ～１０×ＴＷの第１０破断面領域平均画像が生成される。このように生成された１０個の第１ないし第１０破断面領域平均画像が管理指標予測モデルＶＭの第２サブモデル３０２に入力される。

【0060】

次に、前記標準化処理について説明する。前記標準化処理は、前記画像平均化処理に応じて前記所定時間ＴＷにおける、センサ群２の各センサ２ｋで測定された各測定値を標準化する処理である。より具体的には、前処理部３３は、センサ群２の各センサ２ｋそれぞれについて、今回から過去へ、所定時間ＴＷにおいて、当該センサ２ｋで測定した各測定値を標準化することによって、当該センサ２ｋにおける今回の標準化測定結果を生成する。前記標準化では、図８に示すように、今回の測定結果ＭＶ０から今回から過去へ所定時間ＴＷにおける各測定結果の平均値ＡＶを減算し、この減算結果を今回から過去へ所定時間ＴＷにおける各測定結果の標準偏差ＳＧで除算することによって、この除算結果として今回の標準化測定結果ＮＭＶが求められる（ＮＭＶ＝（ＭＶ０－ＡＶ）／ＳＧ）。

【0061】

図１に戻って、第１機械学習部３５は、記憶部７の第１学習データ記憶部７１に記憶された第１学習データセットを用いて未機械学習の管理指標予測モデルを機械学習するものである。機械学習済みの管理指標予測モデルは、記憶部７に記憶される。

【0062】

第２機械学習部３５は、記憶部７の第２学習データ記憶部７２に記憶された第２学習データセットを用いて未機械学習の破断予測モデルを機械学習するものである。機械学習済みの破断予測モデルは、記憶部７に記憶される。

【0063】

入力部４（またはＩＦ部６）、第１機械学習部３５、第１学習データ記憶部７１、第２機械学習部３６および第２学習データ記憶部７２は、連続式焼結機用予測モデル機械学習装置の一例を相当する。なお、図１に示す例では、センサ群２、制御処理部３および記憶部７は、連続式焼結機用予測モデル機械学習装置に含まれる。画像生成部１、管理指標予測部３４および記憶部７は、連続式焼結機用管理指標予測装置の一例に相当する。なお、図１に示す例では、センサ群２、制御処理部３、表示部５および記憶部７は、前記連続式焼結機用管理指標予測装置に含まれる。

【0064】

次に、本実施形態の動作について説明する。図９は、機械学習に関する前記連続式焼結機用管理指標予測装置の動作を示すフローチャートである。図１０は、画像および測定値の収集に関する前記連続式焼結機用管理指標予測装置の動作を示すフローチャートである。図１１は、管理指標の予測に関する前記連続式焼結機用管理指標予測装置の動作を示すフローチャートである。

【0065】

このような構成の、連続式焼結機用予測モデル機械学習装置を含む連続式焼結機用管理指標予測装置Ｄは、その電源が投入されると、必要な各部の初期化を実行し、その稼働を始める。制御処理部３には、その制御処理プログラムの実行によって、制御部５１、温度調整部５２、回転速度演算部５３、回転速度調整部５４、フィードバック制御部５５および機械学習部５６が機能的に構成され、温度調整部５２には、予測部５２１および判定部５２２が機能的に構成される。

【0066】

まず、機械学習に関する連続式焼結機用管理指標予測装置Ｄの動作について説明する。図９において、連続式焼結機用管理指標予測装置Ｄは、入力部４またはＩＦ部６からの第１学習データセットの、ユーザ（オペレータ）による入力を受け付け、制御処理部３によって、この第１学習データセットを記憶部７の第１学習データ記憶部７１に記憶する（Ｓ１１、第１学習データ入力工程）。

【0067】

続いて、連続式焼結機用管理指標予測装置Ｄは、入力部４またはＩＦ部６からの第２学習データセットの、ユーザによる入力を受け付け、制御処理部３によって、この第２学習データセットを記憶部７の第２学習データ記憶部７２に記憶する（Ｓ１２、第１学習データ入力工程）。

【0068】

続いて、連続式焼結機用管理指標予測装置Ｄは、制御処理部３の第１機械学習部３５によって、第１学習データ記憶部７１に記憶された第１学習データセットを用いて未機械学習の管理指標予測モデルを機械学習し、この機械学習済みの管理指標予測モデルを記憶部７に記憶する（Ｓ１３、第１機械学習工程）。

【0069】

そして、連続式焼結機用管理指標予測装置Ｄは、制御処理部３の第２機械学習部３６によって、第２学習データ記憶部７２に記憶された第２学習データセットを用いて未機械学習の破断予測モデルを機械学習し、この機械学習済みの破断予測モデルを記憶部７に記憶し（Ｓ１４、第１機械学習工程）、本処理を終了する。

【0070】

このように連続式焼結機用管理指標予測装置Ｄは、未機械学習の管理指標予測モデルおよび未機械学習の破断予測モデルを機械学習する。

【0071】

次に、画像および各測定値の収集に関する連続式焼結機用管理指標予測装置Ｄの動作について説明する。

【0072】

図１０において、サンプリングタイミングになると、連続式焼結機用管理指標予測装置Ｄは、制御処理部３の制御部３１によって、カメラ１１で生成した画像を前記カメラ１１から取得し、この取得した画像を前記サンプリングタイミングの時刻（サンプリング時刻、サンプリングの回数）と対応付けて記憶部７に記憶し、センサ群２の各センサ２ｋそれぞれで測定した各測定結果を前記各センサ２ｋそれぞれから取得し、この取得した各測定結果を、測定元のセンサ２ｋおよび前記サンプリングタイミングの時刻（サンプリング時刻、サンプリングの回数）と対応付けて記憶部７に記憶する（Ｓ２１、画像測定結果取得工程）。

【0073】

続いて、連続式焼結機用管理指標予測装置Ｄは、制御処理部３の破断面画像抽出部３２（１２）によって、前記処理Ｓ２１で取得した画像が破断面画像であるか否かを判定する（Ｓ２２、破断面画像特定工程）。より具体的には、破断面画像抽出部３２（１２）は、前記処理Ｓ２１で取得した画像を破断予測モデルＴＭに入力し、その出力値を破断面画像判定閾値０．５と比較する。この比較の結果、破断面画像抽出部３２（１２）は、前記出力値が破断面画像判定閾値０．５以下である場合、前記入力の画像が破断面画像ではないと判定し（Ｎｏ）、連続式焼結機用管理指標予測装置Ｄは、次に、処理Ｓ２４を実行する。前記比較の結果、前記出力値が破断面画像判定閾値０．５を超えている場合、前記入力の画像が破断面画像であると判定し（Ｙｅｓ）、連続式焼結機用管理指標予測装置Ｄは、次に、処理Ｓ２３を実行する。

【0074】

なお、処理Ｓ２１および処理Ｓ２２は、焼結鉱を連続的に製造する連続式焼結機におけるシンターケーキの破断面の破断面画像を生成する画像生成工程の一例に相当する。

【0075】

前記処理Ｓ２３（破断面画像マーキング工程）では、連続式焼結機用管理指標予測装置Ｄは、制御処理部３の破断面画像抽出部３２（１２）によって、前記処理Ｓ２１で取得した画像が破断面画像であることを表す情報（破断面画像フラグ）を、記憶部７に記憶した、前記処理Ｓ２１で取得した画像にさらに対応付けて記憶部７に記憶し、次に、処理Ｓ２４を実行する。

【0076】

前記処理Ｓ２４では、連続式焼結機用管理指標予測装置Ｄは、制御処理部３によって、終了か否かを判定する。この判定の結果、終了の場合（Ｙｅｓ）には、連続式焼結機用管理指標予測装置Ｄは、本処理を終了し、一方、前記判定の結果、非終了の場合（Ｎｏ）には、連続式焼結機用管理指標予測装置Ｄは、処理を処理Ｓ２１に戻す。例えば、連続式焼結機Ｓの運転が終了された場合や入力部４から終了を指示するコマンドが入力された場合等では、連続式焼結機用管理指標予測装置Ｄは、前記終了と判定する。

【0077】

このように連続式焼結機用管理指標予測装置Ｄは、カメラ１１から画像を収集して記憶し、この画像が破断面画像である場合にはその旨を付し、各センサ２ｋから各測定結果（各測定値）を収集して記憶する。

【0078】

次に、管理指標の予測に関する前記連続式焼結機用管理指標予測装置Ｄの動作について説明する。

【0079】

図１１において、管理指標の予測の開始を指示するコマンドが入力されると、連続式焼結機用管理指標予測装置Ｄは、制御処理部３の制御部３１によって、直近にサンプリングしたサンプリングタイミングを時点０として、第１ないし第１０時間範囲０～ＴＷ、ＴＷ～２×ＴＷ、２×ＴＷ～３×ＴＷ、３×ＴＷ～４×ＴＷ、４×ＴＷ～５×ＴＷ、５×ＴＷ～６×ＴＷ、６×ＴＷ～７×ＴＷ、７×ＴＷ～８×ＴＷ、８×ＴＷ～９×ＴＷ、９×ＴＷ～１０×ＴＷそれぞれにおける各破断面画像を、各画像に対応付けられているサンプリング時刻および破断面画像フラグを参照して記憶部７から取得し、前記第１時間範囲０～ＴＷにおける各測定結果を、各測定結果に対応付けられているサンプリング時刻を参照して記憶部７から取得する（Ｓ３１、破断面画像測定結果取得工程）。なお、ユーザによって前記時点０とする時刻が指定され、入力部４から入力されてもよい。

【0080】

続いて、連続式焼結機用管理指標予測装置Ｄは、制御処理部３の前処理部３３によって、これら各破断面画像および各測定結果に対し、所定の前処理を実施する（Ｓ３２、前処理工程）。より具体的には、本実施形態では、前処理部３３は、まず、第１ないし第１０時間範囲０～ＴＷ、ＴＷ～２×ＴＷ、２×ＴＷ～３×ＴＷ、３×ＴＷ～４×ＴＷ、４×ＴＷ～５×ＴＷ、５×ＴＷ～６×ＴＷ、６×ＴＷ～７×ＴＷ、７×ＴＷ～８×ＴＷ、８×ＴＷ～９×ＴＷ、９×ＴＷ～１０×ＴＷそれぞれにおける各破断面画像それぞれについて、当該破断面画像に対し、前記切出し位置補正処理を実施して領域抽出処理を実施する。これによって前記各破断面画像それぞれから各破断面領域画像が切り出される。次に、前処理部３３は、各破断面領域画像それぞれに対し前記サイズ調整処理を実施する。次に、前処理部３３は、第１ないし第１０時間範囲０～ＴＷ、ＴＷ～２×ＴＷ、２×ＴＷ～３×ＴＷ、３×ＴＷ～４×ＴＷ、４×ＴＷ～５×ＴＷ、５×ＴＷ～６×ＴＷ、６×ＴＷ～７×ＴＷ、７×ＴＷ～８×ＴＷ、８×ＴＷ～９×ＴＷ、９×ＴＷ～１０×ＴＷそれぞれについて、当該時間範囲におけるサイズ調整後の各破断面領域画像に対し、前記画像平均化処理を実施する。これによって第１ないし第１０時間範囲０～ＴＷ、ＴＷ～２×ＴＷ、２×ＴＷ～３×ＴＷ、３×ＴＷ～４×ＴＷ、４×ＴＷ～５×ＴＷ、５×ＴＷ～６×ＴＷ、６×ＴＷ～７×ＴＷ、７×ＴＷ～８×ＴＷ、８×ＴＷ～９×ＴＷ、９×ＴＷ～１０×ＴＷそれぞれの各破断面領域平均画像が生成される。一方、前処理部３３は、前記第１時間範囲０～ＴＷにおける各測定結果に対し、各センサ２ｋの各測定結果ごとに前記標準化処理を実施する。これによって各センサ２ｋの各測定結果ごとに時点０の各標準化測定結果が生成される。

【0081】

続いて、連続式焼結機用管理指標予測装置Ｄは、制御処理部３の管理指標予測部３４によって、管理指標を予測する（Ｓ３３、管理指標予測工程）。より具体的には、本実施形態では、管理指標予測部３４は、前記処理Ｓ３２で生成した各センサ２ｋそれぞれにおける時点０の各標準化測定結果を、管理指標予測モデルＶＭの第１サブモデル３０１に入力するとともに、前記処理Ｓ３２で生成した第１ないし第１０時間範囲０～ＴＷ、ＴＷ～２×ＴＷ、２×ＴＷ～３×ＴＷ、３×ＴＷ～４×ＴＷ、４×ＴＷ～５×ＴＷ、５×ＴＷ～６×ＴＷ、６×ＴＷ～７×ＴＷ、７×ＴＷ～８×ＴＷ、８×ＴＷ～９×ＴＷ、９×ＴＷ～１０×ＴＷそれぞれの各破断面領域平均画像を、管理指標予測モデルＶＭの第２サブモデル３０２に入力し、管理指標予測モデルＶＭの出力値を前記時点０での管理指標として得る。前記所定時間ＴＷは、例えば６分とされ、前記時点０から過去６分間の各測定結果による、各センサ２ｋそれぞれにおける時点０の各標準化測定結果が、管理指標予測モデルＶＭの第１サブモデル３０１に入力され、前記時点０から過去１時間の１０枚の破断面領域平均化画像が管理指標予測モデルＶＭの第２サブモデル３０２に入力される。

【0082】

そして、連続式焼結機用管理指標予測装置Ｄは、制御処理部３の制御部３１によって、この管理指標を表示部５に表示し（Ｓ３４、表示工程（出力工程））、本処理を終了する。なお、必要に応じて、前記管理指標は、ＩＦ部６を介して外部の機器へ出力されてもよい。

【0083】

このように連続式焼結機用管理指標予測装置Ｄは、前記時点０での管理指標を予測する。連続式焼結機用管理指標予測装置Ｄは、略リアルタイムで管理指標を予測できる。

【0084】

次に、一実施例の結果について説明する。図１２は、一例として、予測値と実測値との相関性を示す分布図である。図１２の横軸は、ＦｅＯ割合の予測値（管理指標）［％］であり、その縦軸は、ＦｅＯ割合の実測値（実績値）［％］である。図１３は、一例として、予測値と実測値との時系列推移を示すグラフである。図１３の横軸は、経過時間（時刻）であり、その縦軸は、ＦｅＯ割合である。図１３において、実線は、ＦｅＯ割合の予測値（管理指標）を表し、●は、ＦｅＯ割合の実測値を表す。

【0085】

ＦｅＯ割合は、通常、６～１０［％］であり、図１２から分かるように、ＦｅＯ割合の予測値（管理指標予測モデルＶＭで予測した管理指標）は、ＦｅＯ割合の実測値と相関している。その相関係数Ｒ^２は、０．３８８であった。

【0086】

図１３から分かるように、ＦｅＯ割合の予測値（管理指標予測モデルＶＭで予測した管理指標）は、時間経過に対し、ＦｅＯ割合の実測値と同様に推移している。

【0087】

以上説明したように、実施形態における、連続式焼結機用管理指標予測装置Ｄに備えられた連続式焼結機用予測モデル機械学習装置およびこれに実装された連続式焼結機用予測モデル機械学習方法は、管理指標予測モデルＶＭを機械学習するので、破断面画像から人に気付かれない特徴量が管理指標予測モデルＶＭに取り込まれ得るから、上記連続式焼結機用予測モデル機械学習装置および連続式焼結機用予測モデル機械学習方法は、より精度の良い管理指標を予測し得る管理指標予測モデルＶＭを生成し得る。このため、より精度良く焼成熱量の管理が可能となる。

【0088】

上記連続式焼結機用予測モデル機械学習装置および連続式焼結機用予測モデル機械学習方法は、管理指標予測モデルＶＭが破断面画像だけでなく、さらに、連続式焼結機Ｓにおける排ガス温度、排ガス組成、吸引圧力、冷却クーラの排ガス温度、排鉱以降の成品温度のうちの少なくとも１つに基づくので、さらにより精度の良い管理指標を予測し得る管理指標予測モデルＶＭを生成し得る。

【0089】

上記連続式焼結機用予測モデル機械学習装置および連続式焼結機用予測モデル機械学習方法は、連続式焼結機Ｓにおける排ガス温度、排ガス組成、吸引圧力、冷却クーラの排ガス温度、排鉱以降の成品温度のうちの少なくとも１つが入力される第１サブモデル３０１と、前記破断断面画像が入力される第２サブモデル３０２とを備えるので、それぞれの特徴量を機械学習でき、その結果の第１および第２出力を結合するので、さらにより精度の良い管理指標を予測し得る管理指標予測モデルＶＭを生成し得る。

【0090】

上記連続式焼結機用予測モデル機械学習装置および連続式焼結機用予測モデル機械学習方法は、破断タイミングを予測する破断予測モデルＴＭを機械学習するので、機械学習した管理指標予測モデルＶＭで前記管理指標を予測する際に、適切な破断面画像が利用できる。

【0091】

実施形態における連続式焼結機用管理指標予測装置Ｄおよびこれに実装された連続式焼結機用管理指標予測方法は、上述の連続式焼結機用予測モデル機械学習装置および連続式焼結機用予測モデル機械学習方法で機械学習した機械学習済みの管理指標予測モデルＶＭを用いることで、より精度の良い管理指標を予測し得る。このため、より精度良く焼成熱量の管理が可能となる。

【0092】

なお、上述の実施形態における連続式焼結機用管理指標予測装置Ｄおよび連続式焼結機用管理指標予測方法を用いて予測した管理指標に基づいて、連続式焼結機Ｓの操業条件が調整されてもよい。より具体的には、例えば、上述の処理Ｓ３４で表示または出力された管理指標に基づいて、粉コークス配合量、鉱石配合量、副原料配合量、焼結速度、焼成風量、鉱層厚および富化酸素量のうちの少なくとも１つが調整される。より詳しくは、管理指標（ＦｅＯ割合）が大きいほど、焼結熱量が大きいことを意味する。このため、管理指標（ＦｅＯ割合）が相対的に大きい場合（例えば予め設定した閾値（調整判定閾値）以上の場合）、焼結熱量が現状より少なくなるように、前記調整が実施される。例えば、粉コークスは、熱を発生する熱源であるので、前記焼結原料における粉コークス配合量を現状より少なくするように、前記粉コークス配合量が調整される。あるいは例えば、鉱石に結晶水を含む場合、鉱石は、熱を消費（吸収）する消費源（吸熱源）であるので、前記焼結原料における鉱石配合量を現状より多くなるように、前記鉱石配合量が調整される。あるいは例えば、副原料が石灰石である場合、石灰石は、消費源（吸熱源）であるので、前記焼結原料における石灰石配合量を現状より多くなるように、前記石灰石配合量が調整される。あるいは例えば、焼結速度が現状より速くなるように、前記焼結速度が調整される。すなわち、パレット１０５の速度が現状より速くなるように、前記パレット１０５の速度が調整される。あるいは例えば、焼成風量が現状より多くなるように、前記焼成風量が調整される。すなわち、吸引機１０７の吸引量が現状より多くなるように、前記吸引量が調整される。あるいは例えば、鉱層厚が現状より厚くなるように、前記鉱層厚が調整される。すなわち、ドラムフィーダー１０２の切出し量が現状より多くなるように、前記切出し量が調整される。あるいは例えば、焼結機ＢＫの焼成に、富化酸素が用いられる場合、富化酸素量が現状より少なくなるように、前記富化酸素量が調整される。これら操業条件のうちの複数を組み合わせて調整が実施されてもよい。例えば、前記焼結原料における粉コークス配合量を現状より少なくするように、前記粉コークス配合量が調整されると共に、前記焼結原料における石灰石配合量を現状より多くなるように、前記石灰石配合量が調整される。一方、管理指標（ＦｅＯ割合）が相対的に小さい場合（例えば前記調整判定閾値未満の場合）、焼結熱量が現状より多くなるように、前記調整が実施される。この場合では、操業条件が上述とは逆に調整が実施される。例えば、前記焼結原料における粉コークス配合量を現状より多くなるように、前記粉コークス配合量が調整される。

【0093】

このような焼結鉱製造方法は、上述の連続式焼結機用管理指標予測装置Ｄおよび連続式焼結機用管理指標予測方法を用いることで、より精度の良い管理指標を予測し得るから、より精度良く焼成熱量の管理が可能となる。したがって、所望の品質の成品（焼結鉱）が安定的に得ることができる。連続式焼結機用管理指標予測装置Ｄが略リアルタイムで管理指標を予測できるので、より適切な焼成熱量で焼成が実施でき、成品品質の１つである焼結強度がより適正化できる。さらに、粉コークスの過剰配合の回避が可能となり、生産コストの低減や二酸化炭素の排出量の低減が可能となる。

【0094】

本発明を表現するために、上述において図面を参照しながら実施形態を通して本発明を適切且つ十分に説明したが、当業者であれば上述の実施形態を変更および／または改良することは容易に為し得ることであると認識すべきである。したがって、当業者が実施する変更形態または改良形態が、請求の範囲に記載された請求項の権利範囲を離脱するレベルのものでない限り、当該変更形態または当該改良形態は、当該請求項の権利範囲に包括されると解釈される。

【符号の説明】

【0095】

Ｓ 連続式焼結機
Ｄ 連続式焼結機用予測モデル機械学習装置を含む連続式焼結機用管理指標予測装置
１ 画像生成部
２ センサ群
３ 制御処理部
４ 入力部
５ 表示部
６ インターフェース部（ＩＦ部）
７ 記憶部
１１ カメラ
３１ 制御部
３２（１２） 破断面画像抽出部
３３ 前処理部
３４ 管理指標予測部
３５ 第１機械学習部
３６ 第２機械学習部
７１ 第１学習データ記憶部
７２ 第２学習データ記憶部

【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】