特開 2024-154753 予測方法、混合物の製造方法、学習装置、予測装置及びプログラム

(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】P2024154753

(43)【公開日】2024-10-31

(54)【発明の名称】予測方法、混合物の製造方法、学習装置、予測装置及びプログラム

(51)【国際特許分類】

   G16C 60/00 20190101AFI20241024BHJP

【ＦＩ】

G16C60/00

【審査請求】未請求

【請求項の数】14

【出願形態】ＯＬ

(21)【出願番号】P 2023068773

(22)【出願日】2023-04-19

(71)【出願人】

【識別番号】000002093

【氏名又は名称】住友化学株式会社

(74)【代理人】

【識別番号】100107766

【弁理士】

【氏名又は名称】伊東 忠重

(74)【代理人】

【識別番号】100070150

【弁理士】

【氏名又は名称】伊東 忠彦

(72)【発明者】

【氏名】堀田 友樹

(72)【発明者】

【氏名】田中 直広

(57)【要約】

【課題】グラスライニング機器の破損を予測する。
【解決手段】コンピュータが、１種類以上の固体及び１種類以上の液体を含む混合物に関する帯電パラメータと、混合物によるグラスライニング機器の破損に関する情報とを含むデータセットに基づいて、帯電パラメータと破損との関係を学習した学習済みモデルを生成する手順と、１種類以上の固体及び１種類以上の液体を含む原料混合物に関する帯電パラメータを学習済みモデルに入力することで、原料混合物によるグラスライニング機器の破損を予測する手順と、を実行する。
【選択図】図４

【特許請求の範囲】

【請求項1】

コンピュータが、
１種類以上の固体及び１種類以上の液体を含む混合物に関する帯電パラメータと、前記混合物によるグラスライニング機器の破損に関する情報とを含むデータセットに基づいて、前記帯電パラメータと前記破損との関係を学習した学習済みモデルを生成する手順と、
１種類以上の固体及び１種類以上の液体を含む原料混合物に関する前記帯電パラメータを前記学習済みモデルに入力することで、前記原料混合物による前記グラスライニング機器の破損を予測する手順と、
を実行する予測方法。

【請求項2】

前記混合物は、スラリーである、
請求項１に記載の予測方法。

【請求項3】

前記スラリーは、高帯電スラリーである、
請求項２に記載の予測方法。

【請求項4】

前記帯電パラメータは、前記混合物を前記グラスライニング機器に接触させたときに前記グラスライニング機器の帯電状態を変化させる因子を含む、
請求項１に記載の予測方法。

【請求項5】

前記帯電パラメータは、前記混合物の物性値と前記グラスライニング機器による撹拌条件とを含む、
請求項４に記載の予測方法。

【請求項6】

前記コンピュータが、
前記グラスライニング機器の帯電状態を変化させる複数の因子を説明変数とし、前記グラスライニング機器の破損に関する情報を目的変数とする回帰モデルを学習する手順と、
前記回帰モデルにおける各説明変数の重要度に基づいて前記複数の因子から前記帯電パラメータを決定する手順と、
をさらに実行する請求項４に記載の予測方法。

【請求項7】

前記学習済みモデルは、多変量解析モデル又は回帰モデルである、
請求項１に記載の予測方法。

【請求項8】

前記多変量解析モデルは、主成分分析モデルである、
請求項７に記載の予測方法。

【請求項9】

前記回帰モデルは、ロジスティック回帰モデルである、
請求項７に記載の予測方法。

【請求項10】

請求項１から９のいずれかに記載の予測方法により、１種類以上の固体及び１種類以上の液体を含む原料混合物によるグラスライニング機器の破損を予測する工程と、
前記グラスライニング機器の破損の予測結果が前記原料混合物により前記グラスライニング機器が破損しないことを示すとき、前記原料混合物を前記グラスライニング機器に接触させる工程と、
を含む混合物の製造方法。

【請求項11】

１種類以上の固体及び１種類以上の液体を含む混合物に関する帯電パラメータと、前記混合物によるグラスライニング機器の破損に関する情報とを含むデータセットを取得するように構成されているデータ取得部と、
前記データセットに基づいて前記帯電パラメータと前記破損との関係を学習した学習済みモデルを生成するように構成されているモデル学習部と、
を備える学習装置。

【請求項12】

１種類以上の固体及び１種類以上の液体を含む原料混合物に関する帯電パラメータを取得するように構成されているパラメータ取得部と、
前記原料混合物に関する前記帯電パラメータを、１種類以上の固体及び１種類以上の液体を含む混合物に関する前記帯電パラメータと前記混合物によるグラスライニング機器の破損との関係を学習した学習済みモデルに入力することで、前記原料混合物による前記グラスライニング機器の破損を予測するように構成されている破損予測部と、
を備える予測装置。

【請求項13】

コンピュータに、
１種類以上の固体及び１種類以上の液体を含む混合物に関する帯電パラメータと、前記混合物によるグラスライニング機器の破損に関する情報とを含むデータセットを取得する手順と、
前記データセットに基づいて前記帯電パラメータと前記破損との関係を学習した学習済みモデルを生成する手順と、
を実行させるためのプログラム。

【請求項14】

コンピュータに、
１種類以上の固体及び１種類以上の液体を含む原料混合物に関する帯電パラメータを取得する手順と、
前記原料混合物に関する前記帯電パラメータを、１種類以上の固体及び１種類以上の液体を含む混合物に関する前記帯電パラメータと前記混合物によるグラスライニング機器の破損との関係を学習した学習済みモデルに入力することで、前記原料混合物による前記グラスライニング機器の破損を予測する手順と、
を実行させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、予測方法、混合物の製造方法、学習装置、予測装置及びプログラムに関する。

【背景技術】

【0002】

グラスライニング機器は運転中に発生する静電気に起因して破損することがある。例えば、非特許文献１には、静電気によるグラスライニング撹拌槽の損傷事例及びグラスライニング機器における静電気対策が開示されている。

【先行技術文献】

【非特許文献】

【0003】

【非特許文献1】沢田雅光、「静電気によるＧＬの損傷とその対策」、神鋼パンテック技報、Ｖｏｌ．３４、Ｎｏ．３、ｐｐ．２２－２７、１９９０年

【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、従来のグラスライニング機器の静電気対策は破損防止の効果が不明である。例えば、非特許文献１に開示されている静電気対策は定性条件のみであり、グラスライニング機器の破損を防止するための基準が明確ではない。

【0005】

本開示の一態様は、グラスライニング機器の破損を予測することを目的とする。

【課題を解決するための手段】

【0006】

本開示の一態様による予測方法は、コンピュータが、１種類以上の固体及び１種類以上の液体を含む混合物に関する帯電パラメータと、混合物によるグラスライニング機器の破損に関する情報とを含むデータセットに基づいて、帯電パラメータと破損との関係を学習した学習済みモデルを生成する手順と、１種類以上の固体及び１種類以上の液体を含む原料混合物に関する帯電パラメータを学習済みモデルに入力することで、原料混合物によるグラスライニング機器の破損を予測する手順と、を実行する。

【発明の効果】

【0007】

本開示の一態様によれば、グラスライニング機器の破損を予測することができる。

【図面の簡単な説明】

【0008】

【図1】混合物製造システムの一例を示す図である。

【図2】コンピュータのハードウェア構成の一例を示すブロック図である。

【図3】混合物製造システムの機能構成の一例を示すブロック図である。

【図4】製造方法の一例を示すフローチャートである。

【図5】決定処理の一例を示すフローチャートである。

【図6】学習処理の一例を示すフローチャートである。

【図7】予測処理の一例を示すフローチャートである。

【図8】検証結果の一例を示す図である。

【発明を実施するための形態】

【0009】

以下、本開示の各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能を有する構成要素については、同一の符号を付することにより重複した説明を省略する。

【0010】

［実施形態］
本開示の一実施形態は、グラスライニング機器を用いて固体と液体とを含む混合物を製造する混合物製造システムである。グラスライニング機器は、グラスライニングが施された機器である。グラスライニングは、鋼等の金属基材にグラス層を形成する表面処理法である。グラスライニング機器において、グラス層が形成された部位はグラスライニング面等とも呼ばれる。

【0011】

グラスライニング機器は、一例として、耐食性、不活性、耐熱性等を有し、化学工業、医薬品工業、食品工業、電子産業等の分野で広く用いられている。グラスライニング機器は、一例として、反応機（又は反応釜）、撹拌翼、撹拌槽、熱交換器、乾燥機、蒸発機、濾過機等が挙げられる。

【0012】

グラスライニング機器は、混合物を撹拌することで帯電し、その電荷が放電することでグラスライニング面にピンホールや剥離等の局部的な破損が生じることがある。グラスライニング面が破損したグラスライニング機器を継続して使用すると、その破損部から金属基材に腐食が進行し、金属の溶出による内容物の汚染や内容物の機器外への漏出等の問題が発生する。そのため、グラスライニング面に破損が生じた場合、グラスライニング機器の使用を停止し、破損部の補修や機器の更新等の対処を行う必要がある。

【0013】

例えば非特許文献１には、グラスライニング機器における静電気対策として、体積抵抗率の小さい材料を使用する、強い撹拌を避ける、内容物の量を減らす等が挙げられている。しかしながら、これらの静電気対策は定性条件であり、グラスライニング機器におけるグラスライニング面の破損（以下、「ＧＬ破損」とも呼ぶ）を防止するための明確な基準は示されていない。また、これらの静電気対策によりＧＬ破損をどの程度防止できるかも不明である。

【0014】

本実施形態における混合物製造システムは、ＧＬ破損のリスクを低減することを目的とする。混合物製造システムは、ＧＬ破損のリスクを低減するために、混合物を製造する際のＧＬ破損を予測する。混合物を製造する前にＧＬ破損のリスクを評価することができれば、混合物の組成やグラスライニング機器の使用条件を調整することができ、その結果、ＧＬ破損を未然に防止することができる。

【0015】

＜全体構成＞
本実施形態における混合物製造システムの全体構成について、図１を参照しながら説明する。図１は、本実施形態における混合物製造システムの全体構成の一例を示すブロック図である。

【0016】

図１に示されているように、本実施形態における混合物製造システム１０は、グラスライニング機器１、学習装置２及び予測装置３を含む。なお、学習装置２及び予測装置３は、ＬＡＮ（Local Area Network）又はインターネット等の通信ネットワークを介してデータ通信可能に接続されている。

【0017】

グラスライニング機器１は、１種類以上の固体及び１種類以上の液体を含む混合物（以下、「原料混合物」とも呼ぶ）を撹拌することで、１種類以上の固体及び１種類以上の液体を含む混合物（以下、「目的混合物」とも呼ぶ）を製造する機器である。本実施形態における混合物は、例えば、スラリーであってもよい。本実施形態におけるスラリーは、例えば、高い帯電性を有する高帯電スラリーであってもよい。高帯電スラリーとしては、例えば、グラスライニング機器に投入し、撹拌した際に、接地面と機器内のガラス面との電位差が０．１ｋＶ以上となるスラリーが例示される。高帯電スラリーの一例は、溶媒にヘプタン又はヘキサンを用いているスラリー等である。

【0018】

学習装置２は、予測モデルを学習するパーソナルコンピュータ、ワークステーション、サーバ等の情報処理装置である。予測モデルは、混合物に関する帯電パラメータとＧＬ破損との関係を学習した機械学習モデルである。具体的には、予測モデルは、混合物に関する帯電パラメータを説明変数とし、ＧＬ破損のリスクを示す評価値を目的変数とする回帰モデルである。

【0019】

予測装置３は、グラスライニング機器１のＧＬ破損を予測するパーソナルコンピュータ、ワークステーション、サーバ等の情報処理装置である。予測装置３は、グラスライニング機器１に投入する原料混合物に関する帯電パラメータを、学習装置２により生成された学習済みの予測モデルに入力することで、グラスライニング機器１のＧＬ破損を予測する。

【0020】

≪帯電パラメータ≫
帯電パラメータは、グラスライニング機器１を用いて混合物を製造するときに、グラスライニング機器１の帯電状態に影響を与えるパラメータ群である。帯電パラメータは、グラスライニング機器１の帯電状態を変化させる候補パラメータのうち、ＧＬ破損との関係が強いパラメータを抽出したものである。

【0021】

候補パラメータは、グラスライニング機器１を帯電させる帯電因子と、グラスライニング機器１を除電する除電因子とを列挙したパラメータ群である。帯電因子及び除電因子は、混合物の物性に関する因子、混合物に関する撹拌条件に関する因子、及びそれらの両方に関する因子を含む。

【0022】

本実施形態では、一例として、下記の候補パラメータ（１）～（２５）を用いる。なお、以下の説明は、グラスライニング機器１がグラスライニング反応釜であり、混合物がスラリーである場合の候補パラメータの一例である。

【0023】

（１）スラリー濃度［ｗｔ％］：スラリー濃度は、グラスライニング反応釜内のスラリーの濃度である。スラリー濃度は、スラリー中の固体重量をスラリーの総重量で除算した値である。

【0024】

（２）最低温度［℃］：最低温度は、スラリーを撹拌する際の取り扱い最低温度である。

【0025】

（３）最高温度［℃］：最高温度は、スラリーを撹拌する際の取り扱い最高温度である。

【0026】

（４）粉体抵抗［Ω・ｍ］：粉体抵抗は、固体の体積抵抗率である。体積抵抗率は、導電率とも呼ばれる。粉体抵抗は、対数値に変換して利用してもよい。

【0027】

（５）溶剤抵抗［Ω・ｍ］：溶剤抵抗は、液体の体積抵抗率である。溶剤抵抗は、粉体抵抗と同様に、対数値に変換して利用してもよい。

【0028】

（６）釜容積［ｍ^３］：釜容積は、グラスライニング反応釜の容積である。なお、スラリーの種類によって釜容積は異なる。

【0029】

（７）スラリー液量［ｍ^３］：スラリー液量は、グラスライニング反応釜内のスラリーの体積である。なお、スラリー液量は、液体のみの体積ではなく、液体の体積と固体の体積との和である。

【0030】

（８）槽径［ｍ］：槽径は、グラスライニング反応釜の内径である。なお、グラスライニング反応釜の大きさによって槽径は異なる。

【0031】

（９）翼径［ｍ］：翼径は、グラスライニング反応釜における撹拌の内径である。なお、撹拌翼の形状やグラスライニング反応釜の大きさによって翼径は異なる。

【0032】

（１０）回転数［ｒｐｍ］：回転数は、グラスライニング反応釜における撹拌翼が１分間に回転する回数である。

【0033】

（１１）動力数：動力数は、撹拌翼の形状やバッフル板の種類及び枚数によって定まる。動力数は、グラスライニング反応釜固有の値である。動力数は、後述の（２２）対単位伝面及び（２３）翼先端速度を計算する際に用いられる。

【0034】

（１２）液密度［ｋｇ／ｍ^３］：液密度は、液体の密度である。

【0035】

（１３）固体真密度［ｋｇ／ｍ^３］：固体真密度は、固体の密度である。

【0036】

（１４）溶剤粘度［ｍＰａ・ｓ］：溶剤粘度は、液体の粘度である。

【0037】

（１５）粒子径［μｍ］：粒子径は、固体の粒子の大きさである。粒子径は、乾燥状態の固体の粒子径（「ドライケーキ」又は「Ｄ／Ｃ」とも呼ばれる）を用いる。なお、粒子径はある程度の分布を持つため、代表値として積算値が５０％の地点の粒子径（「Ｄ５０」又は「メジアン径」とも呼ばれる）を用いる。

【0038】

（１６）終末沈降速度［ｍ／ｓ］：終末沈降速度は、撹拌していない状態で、Ｄ５０の固体をスラリーに用いる液体に入れたとき、固体が液体中を落下するときに到達する速度である。

【0039】

（１７）浮遊限界速度［ｒｐｍ］：浮遊限界速度は、グラスライニング反応釜で撹拌する際、グラスライニング反応釜の下部に沈降したＤ５０の固体をグラスライニング反応釜の上部まで浮遊させるために必要な撹拌の回転数である。

【0040】

（１８）浮遊限界速度比：浮遊限界速度比は、（１０）回転数と（１７）浮遊限界速度との比である。浮遊限界速度比が１より大きいと、固体はグラスライニング反応釜内で均一に撹拌できる。一方、浮遊限界速度比が１より小さいと、グラスライニング反応釜の下部で固体が滞留しやすい。

【0041】

（１９）平均温度［℃］：平均温度は、（２）最低温度と（３）最高温度との平均値である。

【0042】

（２０）接液面積［ｍ^２］：接液面積は、グラスライニング反応釜にスラリーを入れた際に、グラスライニング面とスラリーとが接する面積である。

【0043】

（２１）対単位容積［ｋＷ／ｍ^３］：対単位容積は、スラリーの単位体積あたりに、撹拌が与えるエネルギーの量である。

【0044】

（２２）対単位伝面［Ｗ／ｍ^２］：対単位伝面は、接液面の単位面積あたりに、撹拌が与えるエネルギーの量である。

【0045】

（２３）翼先端速度［ｍ／ｓ］：翼先端速度は、（９）翼径である撹拌翼を（１０）回転数で回した際の撹拌の先端部分の速度である。

【0046】

（２４）液深［ｍ］：液深は、（６）釜容積のグラスライニング反応釜に（７）スラリー液量のスラリーを入れた際のスラリーの深さである。

【0047】

（２５）比表面積［ｍ^２／ｍ^３］：比表面積は、（７）スラリー液量の単位体積あたりの（２０）接液面積である。

【0048】

＜ハードウェア構成＞
本実施形態における混合物製造システム１０に含まれる各装置のハードウェア構成について、図２を参照しながら説明する。

【0049】

≪コンピュータのハードウェア構成≫
本実施形態における学習装置２及び予測装置３は、例えばコンピュータにより実現される。図２は、本実施形態におけるコンピュータのハードウェア構成の一例を示すブロック図である。

【0050】

図２に示されているように、本実施形態におけるコンピュータ５００は、ＣＰＵ（Central Processing Unit）５０１、ＲＯＭ（Read Only Memory）５０２、ＲＡＭ（Random Access Memory）５０３、ＨＤＤ（Hard Disk Drive）５０４、入力装置５０５、表示装置５０６、通信Ｉ／Ｆ（Interface）５０７及び外部Ｉ／Ｆ５０８を有する。ＣＰＵ５０１、ＲＯＭ５０２及びＲＡＭ５０３は、いわゆるコンピュータを形成する。コンピュータ５００の各ハードウェアは、バスライン５０９を介して相互に接続されている。なお、入力装置５０５及び表示装置５０６は外部Ｉ／Ｆ５０８に接続して利用する形態であってもよい。

【0051】

ＣＰＵ５０１は、ＲＯＭ５０２又はＨＤＤ５０４等の記憶装置からプログラムやデータをＲＡＭ５０３上に読み出し、処理を実行することで、コンピュータ５００全体の制御や機能を実現する演算装置である。コンピュータ５００は、ＣＰＵ５０１に加えて又はＣＰＵ５０１に代えて、ＧＰＵ（Graphics Processing Unit）を有していてもよい。

【0052】

ＲＯＭ５０２は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリ（記憶装置）の一例である。ＲＯＭ５０２は、ＨＤＤ５０４にインストールされている各種プログラムをＣＰＵ５０１が実行するために必要な各種プログラム、データ等を格納する主記憶装置として機能する。具体的には、ＲＯＭ５０２には、コンピュータ５００の起動時に実行されるＢＩＯＳ（Basic Input/Output System）、ＥＦＩ（Extensible Firmware Interface）等のブートプログラムや、ＯＳ（Operating System）設定、ネットワーク設定等のデータが格納されている。

【0053】

ＲＡＭ５０３は、電源を切るとプログラムやデータが消去される揮発性の半導体メモリ（記憶装置）の一例である。ＲＡＭ５０３は、例えば、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等である。ＲＡＭ５０３は、ＨＤＤ５０４にインストールされている各種プログラムがＣＰＵ５０１によって実行される際に展開される作業領域を提供する。

【0054】

ＨＤＤ５０４は、プログラムやデータを格納している不揮発性の記憶装置の一例である。ＨＤＤ５０４に格納されるプログラムやデータには、コンピュータ５００全体を制御する基本ソフトウェアであるＯＳ、及びＯＳ上において各種機能を提供するアプリケーション等がある。なお、コンピュータ５００はＨＤＤ５０４に替えて、記憶媒体としてフラッシュメモリを用いる記憶装置（例えばＳＳＤ：Solid State Drive等）を利用するものであってもよい。

【0055】

入力装置５０５は、ユーザが各種信号を入力するために用いるタッチパネル、操作キーやボタン、キーボードやマウス、音声等の音データを入力するマイクロホン等である。

【0056】

表示装置５０６は、画面を表示する液晶や有機ＥＬ（Electro-Luminescence）等のディスプレイ、音声等の音データを出力するスピーカ等で構成されている。

【0057】

通信Ｉ／Ｆ５０７は、通信ネットワークに接続し、コンピュータ５００がデータ通信を行うためのインタフェースである。

【0058】

外部Ｉ／Ｆ５０８は、外部装置とのインタフェースである。外部装置には、ドライブ装置５１０等がある。

【0059】

ドライブ装置５１０は、記録媒体５１１をセットするためのデバイスである。ここでいう記録媒体５１１には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体５１１には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。これにより、コンピュータ５００は外部Ｉ／Ｆ５０８を介して記録媒体５１１の読み取り及び／又は書き込みを行うことができる。

【0060】

なお、ＨＤＤ５０４にインストールされる各種プログラムは、例えば、配布された記録媒体５１１が外部Ｉ／Ｆ５０８に接続されたドライブ装置５１０にセットされ、記録媒体５１１に記録された各種プログラムがドライブ装置５１０により読み出されることでインストールされる。あるいは、ＨＤＤ５０４にインストールされる各種プログラムは、通信Ｉ／Ｆ５０７を介して、通信ネットワークとは異なる他のネットワークよりダウンロードされることでインストールされてもよい。

【0061】

＜機能構成＞
本実施形態における混合物製造システム１０の機能構成について、図３を参照しながら説明する。図３は、本実施形態における混合物製造システムの機能構成の一例を示すブロック図である。

【0062】

≪学習装置の機能構成≫
図３に示されているように、本実施形態における学習装置２は、データ記憶部１００、パラメータ決定部１０１、データ取得部１０２及びモデル学習部１０３を備える。

【0063】

データ記憶部１００は、例えば、図２に示されているＨＤＤ５０４によって実現される。パラメータ決定部１０１、データ取得部１０２及びモデル学習部１０３は、例えば、図２に示されているＨＤＤ５０４からＲＡＭ５０３上に展開されたプログラムがＣＰＵ５０１に実行させる処理によって実現される。

【0064】

データ記憶部１００には、予測モデルを学習するためのデータセットが予め記憶されている。データセットは、混合物に関する候補パラメータとその混合物をグラスライニング機器で撹拌したときの破損有無を示す情報とが関連付けられた複数のデータを含む。データセットは、過去にグラスライニング機器を用いて混合物を製造したときの実績を記録したデータを含んでもよいし、文献等に記載されたデータを含んでもよい。

【0065】

パラメータ決定部１０１は、データ記憶部１００から読み出したデータセットに基づいて、帯電パラメータを決定する。具体的には、まず、パラメータ決定部１０１は、データセットに基づいて回帰モデルを学習する。回帰モデルは、各候補パラメータを説明変数とし、ＧＬ破損の有無を目的変数とする機械学習モデルである。

【0066】

次に、パラメータ決定部１０１は、学習済みの回帰モデルから各説明変数の重要度を取得する。説明変数の重要度は、各説明変数が予測結果に与える影響度合いを示すスコアである。そして、パラメータ決定部１０１は、各説明変数の重要度に基づいて、候補パラメータから帯電パラメータを抽出する。

【0067】

本実施形態における回帰モデルは、一例として、部分的最小二乗回帰（PLS; Partial Least Square）に基づく回帰モデルである。回帰モデルがＰＬＳ回帰の場合、需要度はＶＩＰ（Variable Importance in Projection）スコアを用いることができる。

【0068】

帯電パラメータの抽出条件は、パラメータ数に基づく条件であってもよいし、重要度に基づく条件であってもよい。パラメータ数に基づく条件は、重要度が高い順に所定数の候補パラメータを抽出する条件である。重要度に基づく条件は、重要度が所定の閾値以上の候補パラメータを抽出する条件である。

【0069】

帯電パラメータを抽出するとき、他の候補パラメータと類似する特性を示す候補パラメータを除外してもよい。例えば、抽出した複数の候補パラメータの中に類似する特性を示す複数の候補パラメータが含まれる場合、重要度が高い方の候補パラメータのみを帯電パラメータとして抽出してもよい。複数の候補パラメータが類似する特性を示すか否かは、ドメイン知識に基づいて判定してもよい。

【0070】

データ取得部１０２は、予測モデルを学習するための学習データをデータ記憶部１００から取得する。学習データは、データ記憶部１００に記憶されているデータセットのうち、パラメータ決定部１０１により決定された帯電パラメータに関するデータを抽出したものである。

【0071】

モデル学習部１０３は、データ取得部１０２により取得された学習データに基づいて、予測モデルを学習する。予測モデルは、各帯電パラメータを説明変数とし、ＧＬ破損のリスクを示す評価値を目的変数とするモデルである。

【0072】

本実施形態における予測モデルは、多変量解析に基づくモデルである。多変量解析は、一例として、主成分分析（PCA; Principal Component Analysis）である。予測モデルは、学習データを主成分分析して得られる第１主成分を、ＧＬ破損のリスクを示す評価値として出力する。モデル学習部１０３は、破損有の学習データと破損無の学習データとの距離が最大となるように、第１主成分の係数を学習する。また、モデル学習部１０３は、破損有の学習データと破損無の学習データとを分離する境界値を学習する。

【0073】

本実施形態における予測モデルは、回帰モデルであってもよい。回帰モデルは、一例として、ロジスティック回帰モデルであってもよい。

【0074】

≪予測装置の機能構成≫
図３に示されているように、本実施形態における予測装置３は、モデル記憶部２００、パラメータ取得部２０１及び破損予測部２０２を備える。

【0075】

モデル記憶部２００は、例えば、図２に示されているＨＤＤ５０４によって実現される。パラメータ取得部２０１及び破損予測部２０２は、例えば、図２に示されているＨＤＤ５０４からＲＡＭ５０３上に展開されたプログラムがＣＰＵ５０１に実行させる処理によって実現される。

【0076】

モデル記憶部２００には、学習済みの予測モデル及び境界値が記憶される。予測モデル及び境界値は、学習装置２により学習され、予測装置３に転送される。

【0077】

パラメータ取得部２０１は、原料混合物に関する帯電パラメータを取得する。例えば、パラメータ取得部２０１は、混合物製造システム１０のユーザにより予測装置３に入力された帯電パラメータを受け付けることで、帯電パラメータを取得する。

【0078】

破損予測部２０２は、モデル記憶部２００から読み出した予測モデル及び境界値並びにパラメータ取得部２０１により取得された帯電パラメータに基づいて、原料混合物によるグラスライニング機器１のＧＬ破損を予測する。具体的には、まず、破損予測部２０２は、帯電パラメータを予測モデルに入力することで、ＧＬ破損のリスクを示す評価値を計算する。次に、破損予測部２０２は、計算した評価値を境界値と比較することで、原料混合物によりグラスライニング機器１が破損するか否かを判定する。

【0079】

＜混合物の製造方法の処理手順＞
本実施形態における混合物の製造方法について、図４乃至図７を参照しながら説明する。図４は、本実施形態における混合物の製造方法の一例を示すフローチャートである。

【0080】

ステップＳ１において、学習装置２は、データ記憶部１００に記憶されているデータセットに基づいて、帯電パラメータを決定する。学習装置２は、決定した帯電パラメータを示す情報を予測装置３に送信する。

【0081】

≪決定処理≫
本実施形態における決定処理（図４のステップＳ１）について、図５を参照しながらより詳細に説明する。図５は、本実施形態における決定処理の一例を示すフローチャートである。決定処理は、学習装置２のパラメータ決定部１０１により実行される。

【0082】

ステップＳ１－１において、パラメータ決定部１０１は、データ記憶部１００からデータセットを読み出す。パラメータ決定部１０１は、データセットの一部（例えば、４分の３）のみを読み出し、残りの一部（例えば、４分の１）は検証データとして用いてもよい。

【0083】

ステップＳ１－２において、パラメータ決定部１０１は、ステップＳ１－１で読み出したデータセットに基づいて、各候補パラメータを説明変数とし、ＧＬ破損の有無を目的変数とする回帰モデルを学習する。

【0084】

ステップＳ１－３において、パラメータ決定部１０１は、ステップＳ１－２で学習した回帰モデルから各説明変数の重要度を取得する。次に、パラメータ決定部１０１は、各候補パラメータを重要度の降順で整列する。

【0085】

ステップＳ１－４において、パラメータ決定部１０１は、重要度が高い候補パラメータを抽出する。次に、パラメータ決定部１０１は、抽出した候補パラメータを帯電パラメータとして決定する。そして、パラメータ決定部１０１は、帯電パラメータを示す情報をデータ取得部１０２に送る。また、パラメータ決定部１０１は、帯電パラメータを示す情報を予測装置３に送信する。

【0086】

図４に戻って説明する。ステップＳ２において、学習装置２は、データ記憶部１００に記憶されているデータセットから帯電パラメータに関する学習データを抽出する。次に、学習装置２は、学習データに基づいて、予測モデルを学習する。学習装置２は、学習済みの予測モデルを予測装置３に送信する。

【0087】

≪学習処理≫
本実施形態における学習処理（図４のステップＳ２）について、図６を参照しながらより詳細に説明する。図６は、本実施形態における学習処理の一例を示すフローチャートである。学習処理は、学習装置２のデータ取得部１０２及びモデル学習部１０３により実行される。

【0088】

ステップＳ２－１において、データ取得部１０２は、パラメータ決定部１０１から帯電パラメータを示す情報を受け取る。次に、データ取得部１０２は、データ記憶部１００に記憶されているデータセットのうち、帯電パラメータに関するデータを抽出する。これにより、データ取得部１０２は、予測モデルを学習するための学習データを取得する。なお、データ取得部１０２は、データセットの一部（例えば、４分の３）のみを学習データとして読み出し、残りの一部（例えば、４分の１）は検証データとして用いてもよい。データ取得部１０２は、取得した学習データをモデル学習部１０３に送る。

【0089】

ステップＳ２－２において、モデル学習部１０３は、データ取得部１０２から学習データを受け取る。次に、モデル学習部１０３は、学習データに基づいて、各帯電パラメータを説明変数とし、ＧＬ破損のリスクを示す評価値を目的変数とする予測モデルを学習する。また、モデル学習部１０３は、評価値を判定するための境界値を学習する。

【0090】

ステップＳ２－３において、モデル学習部１０３は、ステップＳ２－２で学習した予測モデル及び境界値を予測装置３に送信する。予測装置３は、学習済みの予測モデル及び境界値を学習装置２から受信する。予測装置３は、受信した予測モデル及び境界値をモデル記憶部２００に記憶する。

【0091】

図４に戻って説明する。ステップＳ３において、混合物製造システム１０のユーザは、原料混合物を準備する。原料混合物の準備は、実際に原料混合物を準備してもよいし、原料混合物の帯電パラメータを計算可能な設計情報を準備してもよい。

【0092】

ステップＳ４において、予測装置３は、帯電パラメータに関する情報及び学習済みの予測モデルを学習装置２から受信する。次に、予測装置３は、原料混合物に関する帯電パラメータを取得する。続いて、予測装置３は、学習済みの予測モデル及び原料混合物の帯電パラメータに基づいて、原料混合物によるグラスライニング機器１のＧＬ破損を予測する。

【0093】

≪予測処理≫
本実施形態における予測処理（図４のステップＳ４）について、図７を参照しながらより詳細に説明する。図７は、本実施形態における予測処理の一例を示すフローチャートである。予測処理は、予測装置３により実行される。

【0094】

ステップＳ４－１において、予測装置３のパラメータ取得部２０１は、学習装置２から帯電パラメータを示す情報を受信する。次に、パラメータ取得部２０１は、原料混合物に関する帯電パラメータを取得する。パラメータ取得部２０１は、取得した帯電パラメータを破損予測部２０２に送る。

【0095】

ステップＳ４－２において、予測装置３の破損予測部２０２は、パラメータ取得部２０１から原料混合物に関する帯電パラメータを受け取る。次に、破損予測部２０２は、モデル記憶部２００から予測モデル及び境界値を読み出す。

【0096】

ステップＳ４－３において、予測装置３の破損予測部２０２は、原料混合物に関する帯電パラメータを予測モデルに入力する。これにより、予測モデルからＧＬ破損のリスクを示す評価値が出力される。次に、破損予測部２０２は、ＧＬ破損のリスクを示す評価値を境界値と比較することで、原料混合物によりグラスライニング機器１が破損するか否かを判定する。

【0097】

ステップＳ４－４において、予測装置３の破損予測部２０２は、原料混合物によるＧＬ破損の予測結果を出力する。破損予測部２０２は、例えば、予測装置３が備える表示装置５０６に予測結果を表示する。

【0098】

混合物製造システム１０のユーザは、予測装置３の表示装置５０６に表示された予測結果を参照することで、グラスライニング機器１を用いて目的混合物を製造するか否かを判断することができる。

【0099】

図４に戻って説明する。ステップＳ５において、混合物製造システム１０は、ＧＬ破損の予測結果を判定する。予測結果が破損しないことを示す場合（ＹＥＳ）、混合物製造システム１０はステップＳ６に処理を進める。一方、予測結果が破損することを示す場合（ＮＯ）、混合物製造システム１０はステップＳ３に処理を戻す。

【0100】

ステップＳ３に戻った後、混合物製造システム１０のユーザは、原料混合物の組成又はグラスライニング機器１の使用条件を調整する。その後、混合物製造システム１０はステップＳ３からステップＳ５までの処理を再度実行する。このように、グラスライニング機器１が破損しないと判定されるまで、原料混合物の組成又はグラスライニング機器１の使用条件を繰り返し調整することで、グラスライニング機器１を破損しない原料混合物の組成及びグラスライニング機器１の使用条件を決定することができる。

【0101】

ステップＳ６において、グラスライニング機器１を用いて目的混合物を製造する。目的混合物の製造は、原料混合物をグラスライニング機器１に接触させる工程を含む。原料混合物をグラスライニング機器１に接触させる工程とは、例えば、原料混合物をグラスライニング反応釜に投入し、帯電パラメータが示す撹拌条件を満たすように原料混合物を撹拌することを含む。

【0102】

＜検証結果＞
本実施形態によるＧＬ破損の予測精度を検証した結果について、図８を参照しながら説明する。図８は、検証結果の一例を示す図である。

【0103】

予測精度の検証では、事前に収集した４８件のデータセットのうち、３８件のデータセットを用いて予測モデルを学習した。また、学習に用いた３８件のデータセットとは異なる１０件のデータセットをテストデータとして、ＧＬ破損を予測した。そして、テストデータにおけるＧＬ破損の実績値と、本実施形態による予測結果とを比較した。

【0104】

図８に示されているように、実績値が破損有であったテストデータ２件は、いずれも破損有と予測された。また、実績値が破損無であったテストデータ８件は、いずれも破損無と予測された。すなわち、１０件のテストデータすべてについて、実績値と予測結果とが一致する結果となった。本検証では１０件のテストデータに対する正答率は１００％であった。

【0105】

ＧＬ破損の予測では、特に再現率（実績値が破損有のデータのうち破損有と予測されたデータの割合）を向上することが重要である。実際にＧＬ破損が発生するケースを見逃すと、運転の停止、破損部の補修又は機器の更新等の重大な結果をもたらすためである。図８に示した検証結果では、実績値が破損有であったテストデータを破損無と予測したケースは存在しない。したがって、この観点からも、本実施形態におけるＧＬ破損の予測精度は良好であったと評価できる。

【0106】

本検証により、本実施形態における予測装置３は、混合物によるＧＬ破損を精度よく予測できることが示された。

【0107】

＜実施形態の効果＞
本実施形態における学習装置２は、混合物に関する帯電パラメータと混合物によるＧＬ破損に関する情報とを含むデータセットに基づいて予測モデルを学習する。本実施形態における予測装置３は、原料混合物に関する帯電パラメータを学習済みの予測モデルに入力することで、原料混合物によるグラスライニング機器１のＧＬ破損を予測する。したがって、本実施形態によれば、グラスライニング機器１のＧＬ破損を予測することができる。

【0108】

本実施形態における混合物は、１種類以上の固体及び１種類以上の液体を含む。１種類以上の固体及び１種類以上の液体を含む混合物は、スラリーであってもよい。スラリーは、高帯電スラリーであってもよい。したがって、本実施形態によれば、スラリーを製造するときのグラスライニング機器１のＧＬ破損を予測することができる。

【0109】

本実施形態における帯電パラメータは、混合物をグラスライニング機器１に接触させたときにグラスライニング機器１の帯電状態を変化させる因子である。帯電パラメータは、混合物の物性値とグラスライニング機器１による撹拌条件とを含んでもよい。ＧＬ破損は、混合物を撹拌することで生じる静電気が一因であることが知られている。したがって、本実施形態によれば、静電気によるグラスライニング機器１のＧＬ破損を精度よく予測することができる。

【0110】

本実施形態における予測モデルは、多変量解析モデル又は回帰モデルである。多変量解析モデルは、主成分分析モデルであってもよい。主成分分析モデルによれば、低次元の評価値に基づいてＧＬ破損を判定することができる。回帰モデルは、ロジスティック回帰モデルであってもよい。したがって、本実施形態によれば、少ない計算量でグラスライニング機器１のＧＬ破損を判定することができる。

【0111】

本実施形態における混合物製造システム１０は、原料混合物によるＧＬ破損がないと予測されたとき、原料混合物をグラスライニング機器１に接触させる工程を実行する。したがって、本実施形態によれば、混合物を製造するときのグラスライニング機器１のＧＬ破損のリスクを低減することができる。

【0112】

［補足］
上記で説明した実施形態の各機能は、一又は複数の処理回路によって実現することが可能である。ここで、本明細書における「処理回路」とは、電子回路により実装されるＣＰＵ（Central Processing Unit）又はＧＰＵ（Graphics Processing Unit）のようにソフトウェアによって各機能を実行するようプログラミングされたプロセッサや、上記で説明した各機能を実行するよう設計されたＡＳＩＣ（Application Specific Integrated Circuit）、ＤＳＰ（Digital Signal Processor）、ＦＰＧＡ（Field Programmable Gate Array）や従来の回路モジュール等の機器を含むものとする。

【0113】

以上、本発明の実施の形態について詳述したが、本発明はこれらの実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形又は変更が可能である。

【符号の説明】

【0114】

１ グラスライニング機器
２ 学習装置
３ 予測装置
１０ 混合物製造システム
１００ データ記憶部
１０１ パラメータ決定部
１０２ データ取得部
１０３ モデル学習部
２００ モデル記憶部
２０１ パラメータ取得部
２０２ 破損予測部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】