特許 7456592 黒鉛球状化処理装置、学習装置、および、マグネシウム投入量の決定方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-03-18

(45)【発行日】2024-03-27

(54)【発明の名称】黒鉛球状化処理装置、学習装置、および、マグネシウム投入量の決定方法

(51)【国際特許分類】

   C21C 1/10 20060101AFI20240319BHJP

   G06N 20/00 20190101ALI20240319BHJP

【ＦＩ】

C21C1/10 103

G06N20/00 130

【請求項の数】 7

(21)【出願番号】P 2020054703

(22)【出願日】2020-03-25

(65)【公開番号】P2021155772

(43)【公開日】2021-10-07

【審査請求日】2023-01-10

(73)【特許権者】

【識別番号】000142595

【氏名又は名称】株式会社栗本鐵工所

(73)【特許権者】

【識別番号】519135633

【氏名又は名称】公立大学法人大阪

(74)【代理人】

【識別番号】110001586

【氏名又は名称】弁理士法人アイミー国際特許事務所

(72)【発明者】

【氏名】上杉 徳照

(72)【発明者】

【氏名】小川 耕平

【審査官】岡田 隆介

(56)【参考文献】

【文献】特開２００５－２８１８０４（ＪＰ，Ａ）

【文献】国際公開第２０１９／２３０３９９（ＷＯ，Ａ１）

【文献】中国特許出願公開第１０５７８５８８２（ＣＮ，Ａ）

【文献】秋山和輝 他，人工知能を用いた球状黒鉛鋳鉄の取鍋Mg歩留まりに対する各種因子の影響度調査，鋳造工学 第１７１回全国講演大会講演概要集，公益社団法人日本鋳造工学会，2018年05月，第42頁

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｃ２１Ｃ １／１０

Ｃ２２Ｃ ３３／１０

(57)【特許請求の範囲】

【請求項1】

取鍋内の溶湯にマグネシウムを投入するマグネシウム供給手段を備えた黒鉛球状化処理装置であって、
過去の杯におけるマグネシウム投入量と黒鉛球状化処理後の溶湯のマグネシウム含有量との組、または歩留まりを示す結果データを含む、実績データを記憶するデータ記憶手段と、
前記データ記憶手段に記憶された過去の実績データのうち、前記結果データを含む直近の所定数の実績データを用いて、処理杯ごとに、処理後の溶湯のマグネシウム含有量または歩留まりを予測し、当該予測結果と、予め定められた目標残留マグネシウム量と、処理杯の処理湯量とに基づいて、前記マグネシウム供給手段からのマグネシウム投入量を決定する決定手段とを備える、黒鉛球状化処理装置。

【請求項2】

前記決定手段は、処理湯量、処理前温度、および元湯成分の少なくとも一つを含む処理杯の溶湯条件データと、前記直近の所定数の実績データとに基づいて、処理後の溶湯のマグネシウム含有量または歩留まりを予測する予測手段を含む、請求項１に記載の黒鉛球状化処理装置。

【請求項3】

前記データ記憶手段に記憶される実績データは、前記結果データに加え、前記溶湯条件データをさらに含む、請求項２に記載の黒鉛球状化処理装置。

【請求項4】

機械学習により生成された学習モデルを記憶するモデル記憶手段をさらに備え、
前記決定手段は、少なくとも前記直近の所定数の実績データを前記学習モデルに入力して、処理後の溶湯のマグネシウム含有量または歩留まりを予測する、請求項１～３のいずれかに記載の黒鉛球状化処理装置。

【請求項5】

取鍋内の溶湯にマグネシウムを投入するマグネシウム供給手段を備えた黒鉛球状化処理装置における黒鉛球状化処理ごとの、マグネシウム投入量と黒鉛球状化処理後の溶湯のマグネシウム含有量との組、または歩留まりを示す結果データを含む、過去の実績データを記憶する履歴データ記憶手段と、
前記履歴データ記憶手段に記憶された過去の実績データのうち、前記結果データを含む直近の所定数の実績データと、処理杯の処理後の溶湯のマグネシウム含有量または歩留まりとの相関を機械学習して学習モデルを生成する生成手段と、
前記生成手段により生成された前記学習モデルを記憶するモデル記憶手段とを備える、学習装置。

【請求項6】

前記学習モデルを評価する評価手段をさらに備え、
前記評価手段は、前記学習モデルを用いて予測される処理後の溶湯のマグネシウム含有量または歩留まりよりも、実測値の方が低くなった場合に、同量だけ高くなった場合よりも誤差を大きく評価する、請求項５に記載の学習装置。

【請求項7】

黒鉛球状化処理装置におけるマグネシウム投入量の決定方法であって、
過去の杯におけるマグネシウム投入量と黒鉛球状化処理後の溶湯のマグネシウム含有量との組、または歩留まりを示す結果データを含む、実績データを記憶部に記憶するステップと、
前記記憶部に記憶された過去の実績データのうち、前記結果データを含む直近の所定数の実績データを用いて、処理杯ごとに、処理後の溶湯のマグネシウム含有量または歩留まりを予測するステップと、
前記予測するステップにおける予測結果と、予め定められた目標残留マグネシウム量と、処理杯の処理湯量とに基づいて、処理杯のマグネシウム投入量を決定するステップとを備える、マグネシウム投入量の決定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、黒鉛球状化処理装置、学習装置、および、マグネシウム投入量の決定方法に関する。

【背景技術】

【0002】

球状黒鉛鋳鉄、すなわちダクタイル鋳鉄は、強度および延性に優れているため、上下水道用の鉄管など様々な分野の製品に利用されている。ダクタイル鋳鉄は、溶湯にマグネシウムを添加して晶出する黒鉛を球状化する黒鉛球状化処理を経て製造される。

【0003】

特開２００５－２８１８０４号公報（特許文献１）では、黒鉛球状化処理において生じるマグネシウムのフェーディングに対処するために、溶湯中のマグネシウム含有量を実時間で予測演算し、その結果に基づいて、マグネシウムの補充添加のタイミングおよび量を制御する技術が提案されている。具体的には、取鍋内の溶湯中の成分を分析して得られた実測値、溶湯温度、溶湯量、および経過時間を所定の積分式に代入して、溶湯中のマグネシウム含有量を予測演算している。

【0004】

特開２００５－２９８８４３号公報（特許文献２）では、制御装置の演算部が、溶鉄の質量、処理前の溶鉄中Ｓ（硫黄）濃度、ならびに、事前に操作盤に入力した処理後の溶鉄中Ｍｇ（マグネシウム）濃度の目標値およびＭｇの添加歩留まり設定値に基づいて、Ｍｇ投入量を、鉄被覆Ｍｇワイヤーの長さとして演算する技術が提案されている。

【0005】

また、菅野 利猛 著，“鋳造分野におけるＩｏＴ化への挑戦”，素形材Ｖｏｌ．５９（非特許文献１）では、ニューラルネットワークを用いて黒鉛球状化処理における取鍋のＭｇ歩留まりを予測した例が記載されている。ＡＩに入力するデータを単純な生データだけにすると、実測Ｍｇ歩留まり（教師データ）と予測Ｍｇ歩留まりとの相関は低く、生データに理論的データを加味すると、相関が高くなることが記載されている。生データは、取鍋の比表面積、Ｍｇの添加量、球状化処理温度、ワイヤーの送り速度、元湯の成分値である。理論的データは、溶存可能Ｍｇ量、Ｍｇと結合する各種元素（Ｏ、Ｓ、Ｎ）の分子量比と反応量である。

【先行技術文献】

【特許文献】

【0006】

【文献】特開２００５－２８１８０４号公報

【文献】特開２００５－２９８８４３号公報（特許第３９３９３０７号）

【非特許文献】

【0007】

【文献】菅野 利猛 著，“鋳造分野におけるＩｏＴ化への挑戦”，素形材Ｖｏｌ．５９，Ｎｏ．６，ｐｐ．１３－１９，２０１８年６月発行

【発明の概要】

【発明が解決しようとする課題】

【0008】

黒鉛球状化処理において、投入したマグネシウムの一部は気化したり他の元素と化合したりして溶湯中に留まれないため、処理後のマグネシウム含有量は、マグネシウム投入量の他、溶解主原料、副原料、溶解方法、球状化処理方法、などの様々な詳細な条件により複雑に変動する。したがって、特許文献１、２のような技術を用いてマグネシウム投入量を演算する場合、事前に人が予測する等の方法で歩留まりを設定する必要がある。

【0009】

また、非特許文献１では、黒鉛球状化後のマグネシウム歩留まりをＡＩで予測しているが、生データおよび理論的データに含まれる多くの条件データを説明変数として入力したとしても、歩留まりに影響する全ての条件を事前に把握することは困難であるため、マグネシウム歩留まりを高精度に予測できるとは限らない。そのため、多くの条件データに基づいて取鍋へのマグネシウム投入量を決定したとしても、目標のマグネシウム含有量を実現できない可能性がある。

【0010】

本発明は、上記のような課題を解決するためになされたものであって、その目的は、効率良く目標のマグネシウム含有量を実現することのできる黒鉛球状化処理装置、および、マグネシウム投入量の決定方法を提供することである。

【0011】

また、効率良く目標のマグネシウム含有量を実現するために好適な学習装置を提供することも、他の目的とする。

【課題を解決するための手段】

【0012】

この発明のある局面に従う黒鉛球状化処理装置は、取鍋内の溶湯にマグネシウムを投入するマグネシウム供給手段を備えた黒鉛球状化処理装置であって、データ記憶手段と、決定手段とを備える。データ記憶手段は、過去の杯におけるマグネシウム投入量と黒鉛球状化処理後の溶湯のマグネシウム含有量との組、または歩留まりを示す結果データを含む、実績データを記憶する。決定手段は、データ記憶手段に記憶された過去の実績データに基づいて、処理杯ごとに、処理後の溶湯のマグネシウム含有量または歩留まりを予測して、マグネシウム供給手段からのマグネシウム投入量を決定する。

【0013】

好ましくは、決定手段は、処理湯量、処理前温度、および元湯成分の少なくとも一つを含む処理杯の溶湯条件データと、過去の実績データとに基づいて、処理後の溶湯のマグネシウム含有量または歩留まりを予測する予測手段を含む。

【0014】

データ記憶手段に記憶される実績データは、結果データに加え、溶湯条件データをさらに含むことが望ましい。

【0015】

より好ましくは、黒鉛球状化処理装置は、機械学習により生成された学習モデルを記憶するモデル記憶手段をさらに備える。この場合、決定手段（予測手段）は、少なくとも過去の実績データを学習モデルに入力して、処理後の溶湯のマグネシウム含有量または歩留まりを予測する。

【0016】

この発明の他の局面に従う学習装置は、生成手段と、モデル記憶手段とを備える。生成手段は、過去の杯におけるマグネシウム投入量と黒鉛球状化処理後の溶湯のマグネシウム含有量との組、または歩留まりを示す結果データを含む、過去の実績データと、処理杯の処理後の溶湯のマグネシウム含有量または歩留まりとの相関を機械学習して学習モデルを生成する。モデル記憶手段は、生成手段により生成された学習モデルを記憶する。

【0017】

好ましくは、学習装置は、学習モデルを評価する評価手段をさらに備える。この場合、評価手段は、学習モデルを用いて予測される処理後の溶湯のマグネシウム含有量または歩留まりよりも、実測値の方が低くなった場合に、同量だけ高くなった場合よりも誤差（損失）を大きく評価することが望ましい。

【0018】

この発明のさらに他の局面に従うマグネシウム投入量の決定方法は、黒鉛球状化処理装置におけるマグネシウム投入量の決定方法であって、過去の杯におけるマグネシウム投入量と黒鉛球状化処理後の溶湯のマグネシウム含有量との組、または歩留まりを示す結果データを含む、実績データを記憶部に記憶するステップと、記憶部に記憶された過去の実績データに基づいて、処理杯ごとに、処理後の溶湯のマグネシウム含有量または歩留まりを予測するステップと、予測結果に応じて、処理杯のマグネシウム投入量を決定するステップとを備える。

【発明の効果】

【0019】

本発明によれば、効率良く目標のマグネシウム含有量を実現することができる。

【図面の簡単な説明】

【0020】

【図1】本発明の実施の形態におけるダクタイル鋳鉄の製造工程を概略的に示す図である。

【図2】（Ａ）は、本発明の実施の形態に係る黒鉛球状化処理装置の機能構成を示すブロック図であり、（Ｂ）は、本発明の実施の形態に係る学習装置の機能構成を示すブロック図である。

【図3】本発明の実施の形態における予測モデルを用いたＭｇ歩留まりの予測方法を、比較例と比較して概念的に示す図である。

【図4】本発明の実施野形態における予測モデルでＭｇ歩留まりを予測した場合のシミュレーション結果を、比較例と比較して示す図である。

【図5】予測モデルの評価に用いる誤差関数（損失関数）の種類を示す図である。

【図6】本発明の実施の形態における黒鉛球状化処理を示すフローチャートである。

【発明を実施するための形態】

【0021】

本発明の実施の形態について図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付してその説明は繰返さない。

【0022】

＜ダクタイル鋳鉄の製造工程の概要＞
はじめに、図１を参照して、ダクタイル鋳鉄の製造工程の概要について説明する。図１は、本実施の形態におけるダクタイル鋳鉄の製造工程を概略的に示す図である。

【0023】

本実施の形態において、ダクタイル鋳鉄は、溶解工程Ｐ１、脱硫工程Ｐ２、溶湯保持工程Ｐ３、溶湯成分分析工程Ｐ４、成分調整工程Ｐ５、球状化処理工程Ｐ６、除滓工程Ｐ７、鋳造工程Ｐ８を順に経て、製造される。

【0024】

溶解工程Ｐ１において、銑鉄、屑鉄、鋼材等の溶湯材が、キュポラなどの溶解炉１１において溶解される。溶解炉１１としては、たとえば電気炉が採用され得る。

【0025】

脱硫工程Ｐ２において、溶解炉１１で生成された溶湯が、脱硫用の取鍋１２へと注入され、取鍋１２内の溶湯中の硫黄分が除去される。なお、脱硫工程Ｐ２は省略してもよい。

【0026】

溶湯保持工程Ｐ３において、脱硫後の溶湯が、溶湯保持用の低周波炉１３に注入され、保持される。

【0027】

溶湯成分分析工程Ｐ４においては、ＱＶ（カントバック）分析装置１４によって、低周波炉１３内の溶湯の成分が分析される。低周波炉１３内の溶湯は、成分分析後に、所定容量（たとえば６ｔ）の取鍋１５に注入される。

【0028】

成分調整工程Ｐ５においては、ＱＶ分析装置１４による分析結果に基づいて、溶湯中の成分を調整する。具体的には、ＱＶ分析装置１４による分析結果が成分調整装置１６に入力され、成分調整装置１６によって、取鍋１５内の溶湯に添加するカーボン（Ｃ）、シリコン（Ｓｉ）、などの元素成分量が調整される。

【0029】

球状化処理工程Ｐ６においては、黒鉛球状化処理装置（以下「球状化処理装置」と略す）２０が、溶湯中の黒鉛を球状化する処理を実行する。本実施の形態では、コアードワイヤー装置２１によって、取鍋１５内にマグネシウムが投入される。

【0030】

コアードワイヤー装置２１は、ワイヤーコイル２６からワイヤー２２を引き出して取鍋１５に供給する供給装置２３と、ワイヤーコイル２６から供給装置２３へのワイヤー２２の移動をガイドするガイド部材２４とを含む。ワイヤー２２は、粒状のマグネシウム合金が鉄製外皮内に内包されて構成されたコアードワイヤーである。ワイヤー２２が取鍋１５に供給されることにより、取鍋１５内の溶湯にマグネシウムが添加（投入）される。供給装置２３は、マグネシウム供給手段として機能し、ワイヤー２２を引き出すための駆動部を含む（図示せず）。

【0031】

供給装置２３は、制御装置２５により制御される。制御装置２５は、球状化処理の度に（すなわち処理杯ごとに）、取鍋１５へのマグネシウム投入量を決定し、供給装置２３に指示する。供給装置２３は、指示されたマグネシウム投入量に応じた長さ分、取鍋１５にワイヤー２２を供給する。制御装置２５は、上述のＱＶ分析装置１４と有線または無線にて接続されており、ＱＶ分析装置１４による分析結果をマグネシウム投入量の決定に利用可能である。本実施の形態に係る球状化処理装置２０は、コアードワイヤー装置２１、制御装置２５、およびＱＶ分析装置１４を含む。なお、制御装置２５は、コアードワイヤー装置２１に組み込まれていてもよい。

【0032】

除滓工程Ｐ７においては、球状化処理後の取鍋１５Ａがコアードワイヤー装置２１から取り出され、取鍋１５Ａ内の溶湯からスラグが除去される。除滓処理後の取鍋１５Ｂは、クレーン等の搬送手段で鋳造工程Ｐ８へと搬送される。上述のＱＶ分析装置１４は、球状化処理後の取鍋１５Ａ内の溶湯の成分を分析し、その分析結果を球状化処理装置２０の制御装置２５に出力する。なお、球状化処理前の溶湯の成分を分析するＱＶ分析装置と、球状化処理後の溶湯の成分を分析するＱＶ分析装置とが、個別に設けられていてもよい。

【0033】

鋳造工程Ｐ８において、取鍋１５Ｂ内の溶湯を鋳型に流し込み、ダクタイル鋳鉄が鋳造される。

【0034】

球状化処理後の取鍋１５Ａ内の溶湯のマグネシウム含有量（以下「残留Ｍｇ量」ともいう）が規定量よりも少ない場合、ダクタイル鋳鉄の品質が低下する。そのため、球状化処理工程Ｐ６においては、残留Ｍｇ量が目標値（規定量以上）の目標残留Ｍｇとなるように、できるだけ過不足なくマグネシウムを取鍋１５に投入することが望まれる。

【0035】

本実施の形態に係る球状化処理装置２０は、Ｍｇ歩留まりを示す結果データを含む、過去の実績データに基づいて、マグネシウム投入量（以下「投入Ｍｇ量」ともいう）を決定する点を、主な特徴としている。Ｍｇ歩留まりは、次式により表わされる。
Ｍｇ歩留まり＝｛処理湯量（出湯湯量＋残湯量）×残留Ｍｇ量｝／投入Ｍｇ量

【0036】

なお、Ｍｇ歩留まりは、上記式に表わされるように、投入Ｍｇ量および残留Ｍｇ量により求められるため、Ｍｇ歩留まりに代えて、投入Ｍｇ量と残留Ｍｇ量との組を結果データとして用いてもよい。

【0037】

＜球状化処理装置の機能構成＞
図２（Ａ）を参照して、球状化処理装置２０の機能構成について説明する。図２（Ａ）は、本実施の形態に係る球状化処理装置２０の機能構成を示すブロック図である。

【0038】

球状化処理装置２０は、データ記憶部３１と、モデル記憶部３２と、決定部３３と、指示出力部３４と、結果取得部３５とを含む。これら各部３１～３５は、図１に示した制御装置２５に含まれる。

【0039】

データ記憶部３１は、過去の実績データを、球状化処理ごと（杯ごと）に記憶する。データ記憶部３１には、直近の所定数（たとえば２個）の実績データ（過去の杯情報）のみが記憶されてもよい。実績データは、球状化処理の各種条件を示す溶湯条件データと、球状化処理の結果データとを含む。

【0040】

溶湯条件データは、処理湯量、処理前温度、および元湯成分の全て、または少なくとも一つを含む。元湯成分はＣ含有量およびＳ含有量の両方、または少なくとも一方を含む。

【0041】

本実施の形態において、結果データはＭｇ歩留まりを表わす。なお、上述のように、結果データは投入Ｍｇ量および残留Ｍｇ量であってもよい。つまり、データ記憶部３１は、過去の杯におけるマグネシウム投入量と黒鉛球状化処理後の溶湯のマグネシウム含有量との組、または歩留まりを示す結果データを含む、実績データを記憶していればよい。

【0042】

モデル記憶部３２は、予測モデル３２Ａを記憶する。予測モデル３２Ａは、後述する学習装置１００において生成された学習モデルである。

【0043】

決定部３３は、データ記憶部３１に記憶された過去の実績データに基づいて、処理杯ごとに、処理後の溶湯のＭｇ歩留まりを予測して、投入Ｍｇ量を決定する。つまり、決定部３３は、予測モデル３２Ａに少なくとも過去の実績データを入力することにより、Ｍｇ歩留まりを予測する予測部３６と、予測部３６での予測結果（予測歩留まり）に応じて投入Ｍｇ量を演算する演算部３７とを含む。予測部３６によるＭｇ歩留まりの予測方法については後に詳述する。

【0044】

演算部３７は、次式により投入Ｍｇ量を演算する。
投入Ｍｇ量＝（目標残留Ｍｇ×処理湯量）／予測歩留まり

【0045】

指示出力部３４は、決定部３３により決定された投入Ｍｇ量に応じた長さのワイヤー２２を取鍋１５に供給するよう、供給装置２３に指示し、黒鉛の球状化を実施する。

【0046】

結果取得部３５は、黒鉛球状化処理後の取鍋１５Ａ内の溶湯成分の分析結果をＱＶ分析装置１４から取得し、残留Ｍｇ量を検出する。また、検出した残留Ｍｇ量に基づいて、Ｍｇ歩留まりを算出する。算出したＭｇ歩留まりが、結果データとしてデータ記憶部３１に記憶される。

【0047】

なお、決定部３３、指示出力部３４、および結果取得部３５の機能は、ＣＰＵなどのプロセッサがソフトウェアを実行することにより実現され得る。データ記憶部３１およびモデル記憶部３２は、不揮発性のメモリ、または、コンピュータに対して着脱可能な記録媒体により実現される。

【0048】

＜Ｍｇ歩留まりの予測方法＞
図３を参照して、本実施の形態における予測モデル３２Ａを用いたＭｇ歩留まりの予測方法について説明する。図３（Ａ）には比較例による予測方法を概念的に示し、図３（Ｂ）に本実施の形態（実施例）による予測方法を概念的に示している。

【0049】

図３（Ａ）を参照して、通常の予測モデルであれば、これから処理する処理杯情報を説明変数として、目的変数であるＭｇ歩留まり（または残留Ｍｇ量）を予測するように機械学習される。処理杯情報は溶湯条件データＤａに相当し、Ｍｇ歩留まり（実測値）は結果データＤｂに相当する。溶湯条件データＤａは、たとえば、各処理の基本情報（日付、時間、製品種）と、処理前の溶湯の各元素成分（Ｃ、Ｓｉ、Ｍｎ、Ｐ、Ｓ、Ｃｕ、など）の割合を示す元湯成分と、残湯量および出湯湯量により特定される処理湯量と、処理前の溶湯温度を示す元湯温度とを含み、添加剤量をさらに含んでいる。

【0050】

これに対し、図３（Ｂ）を参照して、本実施の形態における予測モデル３２Ａは、処理杯情報だけでなく、過去の杯の情報すなわち実績データを説明変数として、Ｍｇ歩留まりを予測するように機械学習されている。ここで、実績データには、目的変数の答え（実測結果）であるＭｇ歩留まりが含まれる。

【0051】

直近の二杯分の実績データを説明変数に含める場合、一杯前の実績データは、一杯前の球状化処理に関する溶湯条件データＤａ１および結果データＤｂ１を含み、二杯前の実績データは、二杯前の球状化処理に関する溶湯条件データＤａ２および結果データＤｂ２を含む。

【0052】

＜予測モデルの生成方法＞
図２（Ｂ）を参照して、予測モデル３２Ａの生成方法について説明する。図２（Ｂ）は、学習装置１００の機能構成を示すブロック図である。

【0053】

学習装置１００は、履歴データ記憶部１０１と、モデル生成部１０２と、モデル記憶部１０３と、評価部１０４とを含む。学習装置１００は、ＣＰＵ（Central Processing Unit）などのプロセッサおよびメモリを含むコンピュータにより実現される。

【0054】

モデル生成部１０２は、球状化処理装置２０での球状化処理ごとに処理履歴データを生成し、生成した処理履歴データ１，２，・・・，ｎを、履歴データ記憶部１０１に記憶する。

【0055】

各処理履歴データ（ｋ）は、上述の実績データに相当し、固有の識別データに対応付けて記憶された溶湯条件データおよび結果データを含む。識別データは、たとえば、図３（Ａ）に示した基本情報に含まれる日付および製品種類が含まれる。溶湯条件データは、処理湯量、処理前温度、および元湯成分の全て、または、少なくとも一つを含む。溶湯条件データはまた、処理時間を含んでもよい。

【0056】

モデル生成部１０２は、履歴データ記憶部１０１に記憶された複数の処理履歴データに基づいて、処理杯のＭｇ歩留まりを予測するための学習モデル、すなわち予測モデル１０３Ａを生成する。具体的には、処理杯の溶湯条件データおよび過去の実績データ（Ｍｇ歩留まりを含む）と、処理杯の結果データであるＭｇ歩留まりとの相関を機械学習して、予測モデル１０３Ａを生成する。つまり、図３（Ｂ）に示したように、処理杯の溶湯条件データおよび過去の実績データを説明変数とし、処理杯のＭｇ歩留まりを目的変数とする予測モデル１０３Ａを生成する。

【0057】

機械学習に用いるアルゴリズムとしては、たとえば（重）回帰分析が採用され得るが、ニューラルネットワーク、サポートベクトルマシン、決定木、ｋ－ＮＮなど他の手法が採用されてもよい。

【0058】

評価部１０４は、モデル生成部１０２により生成された予測モデル１０３Ａの精度を評価し、評価結果をモデル生成部１０２に出力する。モデル生成部１０２は、Ｍｇ歩留まりの予測値と実測値（結果）との誤差を無くすように、予測モデル１０３Ａを適宜修正する。

【0059】

ここで、評価部１０４は、予測モデル１０３Ａを用いて予測されるＭｇ歩留まりよりも、実測値（結果）の方が低くなった場合には、同量だけ高くなった場合よりも誤差（損失）を大きく評価することが望ましい。予測モデルの目的変数を処理後の溶湯の残留Ｍｇ量とする場合も同様である。

【0060】

図５を参照して、予測モデル１０３Ａの評価に用いる誤差関数（損失関数）について説明する。機械学習の評価に用いる誤差関数としては、次の例１、２のようなものが一般的である。例１の誤差関数は、図５（Ｂ）のグラフに示されるように、予測値と実測値との差をそのまま絶対値で表し、絶対値の平均を評価結果として算出するものである。例２の誤差関数は、図５（Ｃ）のグラフに示されるように、予測値と実測値との差を二乗し、その平均の平方根を評価結果として算出するものである。

【0061】

これに対し、本実施の形態の誤差関数は、図５（Ｄ）のグラフに示されるように、予測値と実測値との差が正の値である場合にのみ、その値を定数倍（たとえば２倍）して、絶対値の平均を評価結果として算出するものである。そのため、図５（Ａ）に示されるように、予測値と実測値との差が正（＋側）のケースがいくつかあると、評価部１０４による評価結果（誤差）が、例１および例２の評価結果（誤差）よりも高くなり得る。

【0062】

このような評価方法を採用することにより、後の鋳造工程Ｐ８を経て得られる完成品の品質低下を防止できる。

【0063】

モデル生成部１０２により生成された予測モデル１０３Ａが、球状化処理装置２０のモデル記憶部３２に予め、予測モデル３２Ａとして記憶されている。なお、球状化処理装置２０が、学習装置１００の機能を備え、球状化処理装置２０において予測モデル３２Ａを随時更新できるようにしてもよい。

【0064】

＜シミュレーション結果＞
図４（Ａ）は、比較例の予測モデルでＭｇ歩留まりを予測する場合のシミュレーション結果を示す表であり、図４（Ｂ）は、本実施の形態の予測モデル１０３ＡでＭｇ歩留まりを予測した場合のシミュレーション結果を示す表である。

【0065】

図４（Ａ）は、図３（Ａ）に示した比較例に従ったＭｇ歩留まりの予測値および実測値（目的変数）を、基準値（Ｍｇ歩留まりの目標値）との差として示した表である。図４（Ｂ）は、図３（Ｂ）に示した本実施の形態における予測方法に従ったＭｇ歩留まりの予測値および実測値（目的変数）を、同じく、基準値（Ｍｇ歩留まりの目標値）との差として示した表である。

【0066】

図４（Ａ）を参照して、比較例においては、説明変数の欄ＣＡ１に、当該杯データ（処理杯情報）のみが含まれている。当該杯データは、図３（Ａ）に示した溶湯条件データに相当する。目的変数の欄ＣＡ２には、各回のＭｇ歩留まり実測値が、基準値（目標値）からの差分として示されている。予測値の欄ＣＡ３には、欄ＣＡ１の説明変数を入力として予測した場合の各回の予測Ｍｇ歩留まりが、基準値（目標値）からの差分として示されている。

【0067】

図４（Ｂ）を参照して、本実施例においては、説明変数の欄ＣＢ１に、当該杯データに加え、１杯前データおよび２杯前データが含まれている。１杯前データおよび２杯前データは、実績データに相当し、溶湯条件データと歩留まりデータ（結果データ）とを含んでいる。目的変数の欄ＣＢ２、および、予測値の欄ＣＢ３は、上記欄ＣＡ２，ＣＡ３と同様に、各値が、基準値（目標値）からの差分として示されている。

【0068】

図４（Ａ），（Ｂ）のシミュレーション結果の評価を下記に示す。

【0069】

【表1】

【0070】

表１に示されるように、マグネシウムの使用割合は、本実施例および比較例ともに同等で、予測誤差および目標下限外れ率は、比較例の方が実施例よりも高い。ここでの予測誤差は、図５の例２に従って計算した二乗平均平方根誤差であり、予測値と実測値との差を二乗し、その平均の平方根を誤差として表している。目標下限外れ率とは、予測値が目標下限値を外れて低くなった割合を表わす。マグネシウムの使用割合は、Ｍｇ歩留まり実測値（答え）に従って運用した場合に使用する球状化処理用Ｍｇ量（投入量）を１とした場合のＭｇ量を表わす。

【0071】

上記の評価結果から、本実施の形態のように、予測モデル１０３Ａの説明変数に過去の実績データを含めることで、比較例よりも精度良くＭｇ歩留まりを予測できることが判明した。特に、目的変数であるＭｇ歩留まり（実測値）を実績データに含ませることによって予測精度を向上できることを見出した。

【0072】

＜球状化処理装置の動作＞
図２（Ａ）および図６を参照して、球状化処理装置２０の動作について説明する。図６は、本実施の形態における黒鉛球状化処理を示すフローチャートである。

【0073】

はじめに、球状化処理装置２０の決定部３３が、ＱＶ分析装置１４などから処理杯の溶湯条件データを取得するとともに、データ記憶部３１に記憶された過去２杯分の実績データを取得する（ステップＳ１）。

【0074】

決定部３３の予測部３６が、ステップＳ１で取得した情報に基づいて、処理杯のＭｇ歩留まりを予測する（ステップＳ３）。つまり、処理杯の溶湯条件データおよび過去２杯分の実績データを予測モデル３２Ａに入力し、予測モデル３２Ａの出力値を予測値として取得する。

【0075】

続いて、決定部３３の演算部３７は、ステップＳ３で予測したＭｇ歩留まりと、予め定められた目標残留Ｍｇ量、処理杯の溶湯条件データに含まれる処理湯量とに基づいて、投入Ｍｇ量を演算する（ステップＳ５）。

【0076】

指示出力部３４が、ステップＳ５で演算した投入Ｍｇ量に応じてワイヤーを供給するように、コアードワイヤー装置２１の供給装置２３に指示する（ステップＳ７）。これにより、取鍋１５内の溶湯に適量のマグネシウムが自動的に投入され、溶湯中の黒鉛が球状化される（ステップＳ９）。

【0077】

黒鉛の球状化が終了すると、結果取得部３５が、取鍋１５Ａ内の溶湯の成分分析結果を取得し、残留Ｍｇ量を検出する（ステップＳ１１）。また、検出した残留Ｍｇ量と、処理湯量と、ステップＳ５で演算した投入Ｍｇ量とに基づいて、Ｍｇ歩留まり（実測値）を算出する（ステップＳ１３）。

【0078】

結果取得部３５は、算出したＭｇ歩留まり（実測値）をデータ記憶部３１に記憶する（ステップＳ１５）。つまり、ステップＳ１で取得された処理杯の溶湯条件データと、ステップＳ１３で得た結果データとを含む実績データが、直近（１杯前）の実績データとして、データ記憶部３１に記憶される。

【0079】

この処理が終わると、ステップＳ１に戻り、上記処理が繰り返される。

【0080】

＜変形例＞
（１）Ｍｇ歩留まりの予測に用いられる過去の実績データは、直前の２杯分に限定されない。たとえば、１杯前と３杯前の実績データを用いてもよい。なお、Ｍｇ歩留まりの予測に用いられる実績データは、製品種類が同一の実績データであることが望ましい。

【0081】

（２）Ｍｇ歩留まりの予測に用いられる過去の実績データは、複数杯が望ましいものの、２杯分に限定されず、３杯以上であってもよい。あるいは、１杯分の過去の実績データに基づいてＭｇ歩留まりを予測してもよい。

【0082】

（３）Ｍｇ歩留まりの予測に用いられる過去の実績データは、処理杯の溶湯条件データおよび結果データの双方を含むこととしたが、結果データのみを含んでいてもよい。

【0083】

（４）Ｍｇ歩留まりの予測に、処理杯の溶湯条件データおよび過去の実績データの双方が用いられることとしたが、少なくとも過去の実績データが用いられればよい。つまり、予測モデル１０３Ａの説明変数は、過去の実績データのみであってもよい。

【0084】

（５）本実施の形態では、球状化処理装置２０の制御装置２５が、予測モデル１０３Ａを用いて投入Ｍｇ量を決定する方法について説明したが、投入Ｍｇ量の決定方法は、球状化処理装置２０から独立したコンピュータにおいても実行可能である。

【0085】

（６）球状化処理装置２０の制御装置２５が実行する投入Ｍｇ量の決定方法を、プログラムとして提供することもできる。同様に、学習装置１００により実行される学習方法を、プログラムとして提供することもできる。このようなプログラムは、ＣＤ－ＲＯＭ（Compact Disc-ROM）などの光学媒体や、メモリカードなどのコンピュータ読取り可能な一時的でない（non-transitory）記録媒体にて記録させて提供することができる。また、ネットワークを介したダウンロードによって、プログラムを提供することもできる。

【0086】

本発明にかかるプログラムは、コンピュータのオペレーティングシステム（ＯＳ）の一部として提供されるプログラムモジュールのうち、必要なモジュールを所定の配列で所定のタイミングで呼出して処理を実行させるものであってもよい。その場合、プログラム自体には上記モジュールが含まれずＯＳと協働して処理が実行される。このようなモジュールを含まないプログラムも、本発明にかかるプログラムに含まれ得る。

【0087】

また、本発明にかかるプログラムは他のプログラムの一部に組込まれて提供されるものであってもよい。その場合にも、プログラム自体には上記他のプログラムに含まれるモジュールが含まれず、他のプログラムと協働して処理が実行される。このような他のプログラムに組込まれたプログラムも、本発明にかかるプログラムに含まれ得る。

【0088】

今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

【符号の説明】

【0089】

２０ 球状化処理装置，２１ コアードワイヤー装置，２３ 供給装置，２５ 制御装置，３１ データ記憶部，３２，１０３ モデル記憶部，３２Ａ，１０３Ａ 予測モデル，３３ 決定部，３４ 指示出力部，３５ 結果取得部，３６ 予測部，３７ 演算部，１００ 学習装置，１０１ 履歴データ記憶部，１０２ モデル生成部，１０４ 評価部。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】