特許 7522336 熱処理方法および熱処理プログラム

(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】2024-07-17

(45)【発行日】2024-07-25

(54)【発明の名称】熱処理方法および熱処理プログラム

(51)【国際特許分類】

   C21D 11/00 20060101AFI20240718BHJP

【ＦＩ】

C21D11/00 104

【請求項の数】 4

(21)【出願番号】P 2020018591

(22)【出願日】2020-02-06

(65)【公開番号】P2021123758

(43)【公開日】2021-08-30

【審査請求日】2023-01-24

(73)【特許権者】

【識別番号】000005197

【氏名又は名称】株式会社不二越

(74)【代理人】

【識別番号】100176072

【弁理士】

【氏名又は名称】小林 功

(74)【代理人】

【識別番号】100169225

【弁理士】

【氏名又は名称】山野 明

(74)【代理人】

【識別番号】100158355

【弁理士】

【氏名又は名称】岡島 明子

(72)【発明者】

【氏名】園部 勝

【審査官】山本 佳

(56)【参考文献】

【文献】特開２００７－２３９０４３（ＪＰ，Ａ）

【文献】特開平０５－２１４４５１（ＪＰ，Ａ）

【文献】特開平１１－２０２９０３（ＪＰ，Ａ）

【文献】国際公開第２０１７／０５６５８２（ＷＯ，Ａ１）

【文献】国際公開第２００８／０９９４５７（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｃ２１Ｄ １１／００

Ｃ２１Ｄ １／００

Ｃ２１Ｄ ９／００ － ９／４４

Ｇ０６Ｎ １０／００ － ９９／００

(57)【特許請求の範囲】

【請求項1】

洗浄装置および熱処理装置を含んで構成される熱処理システムを用いた熱処理方法であって、
前記洗浄装置および前記熱処理装置を制御するプログラマブルロジックコントローラが、
前記洗浄装置内の洗浄媒体にワークを浸漬させた際の前記洗浄媒体の初期状態から定常状態までの温度を示すアナログ信号を取得するステップと、
前記アナログ信号を、前記初期状態から前記定常状態までの区間における前記温度の時系列であるデジタル信号に変換するステップと、
前記初期状態から前記定常状態までの温度差を温度変化量と定義し、前記初期状態から前記定常状態までの時間差を所要時間と定義するとき、前記所要時間で規格化された経過時間である規格化時間と、前記温度変化量で規格化された温度である規格化温度との関係を示す加熱・冷却曲線を、２つの関数パラメータを含むベータ関数を用いて近似することにより近似曲線を生成するステップと、
前記加熱・冷却曲線と前記近似曲線との残差平方和を算出するステップと、
前記温度変化量と、前記所要時間と、前記温度変化量を前記所要時間で除した予熱昇温速度とのうちのいずれか２つの値、および前記残差平方和を入力とし、前記熱処理装置における予熱温度、均熱所要時間、初期ガス量または油冷所要時間である制御値を出力とする学習済みのニューラルネットワークを用いて推論処理を行うステップと、
前記熱処理装置により前記ワークの熱処理が施される前に、前記推論処理を通じて得られた前記制御値を前記熱処理装置に出力するステップと、
を実行することを特徴とする熱処理方法。

【請求項2】

前記ニューラルネットワークの入力には、前記２つの関数パラメータがさらに含まれることを特徴とする請求項１に記載の熱処理方法。

【請求項3】

洗浄装置および熱処理装置を含んで構成される熱処理システムを用いた熱処理方法であって、
前記洗浄装置および前記熱処理装置を制御するプログラマブルロジックコントローラに、
前記洗浄装置内の洗浄媒体にワークを浸漬させた際の前記洗浄媒体の初期状態から定常状態までの温度を示すアナログ信号を取得するステップと、
前記アナログ信号を、前記初期状態から前記定常状態までの区間における前記温度の時系列であるデジタル信号に変換するステップと、
前記初期状態から前記定常状態までの温度差を温度変化量と定義し、前記初期状態から前記定常状態までの時間差を所要時間と定義するとき、前記所要時間で規格化された経過時間である規格化時間と、前記温度変化量で規格化された温度である規格化温度との関係を示す加熱・冷却曲線を、２つの関数パラメータを含むベータ関数を用いて近似することにより近似曲線を生成するステップと、
前記加熱・冷却曲線と前記近似曲線との残差平方和を算出するステップと、
前記温度変化量と、前記所要時間と、前記温度変化量を前記所要時間で除した予熱昇温速度とのうちのいずれか２つの値、および前記残差平方和を入力とし、前記熱処理装置における予熱温度、均熱所要時間、初期ガス量または油冷所要時間である制御値を出力とする学習済みのニューラルネットワークを用いて推論処理を行うステップと、
前記熱処理装置により前記ワークの熱処理が施される前に、前記推論処理を通じて得られた前記制御値を前記熱処理装置に出力するステップと、
を実行させることを特徴とする熱処理プログラム。

【請求項4】

前記ニューラルネットワークの入力には、前記２つの関数パラメータがさらに含まれることを特徴とする請求項３に記載の熱処理プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、熱処理技術に関し、より詳細には、浸漬加熱および乾燥機能を有する洗浄装置を備えた熱処理システムにおいて、人工知能（ＡＩ：Artificial Intelligence）の処理を用いて加熱および冷却を行う熱処理技術に関する。

【背景技術】

【0002】

従来、熱処理における加熱、均熱および冷却時間は、どのような重量および表面積のワークでも対応できるように十分な安全を考えて、作業者による冗長な時間設定がなされていた。このため、熱処理の作業工程（サイクルタイム）が長めに設定されることになり、生産性を向上させることが難しかった。そこで、加熱、均熱および冷却の処理時間を短縮するための技術が求められている。

【0003】

このような技術の例として、例えば特許文献１には、熱処理装置において、被処理体を加熱手段（載置台）上に載置して所定温度に加熱した後、被処理体を加熱手段の上方位置に移動して、冷却温度調整体によって被処理体を所定温度に冷却することが開示されている。これにより、被処理体の加熱および冷却処理時間の短縮を図ることができるとされている。

【0004】

また、例えば特許文献２には、真空加熱室、つまり高周波加熱誘導装置にてワークを予め加熱した後に水素加熱室でワークを加熱する熱処理装置が開示されている。これにより、短時間でワークを昇温させることができるとともに、ワークの温度を容易に適切な温度に昇温および保持することができるので、熱処理時間を短縮することができるとされている。

【0005】

しかしながら、特許文献１および特許文献２に開示されている熱処理装置は、１つのワークの重量および表面積、二以上のワークを積み重ねた荷姿（行、列、段数）などの入力値が数値化されておらず、その評価方法も数値で評価されにくい。このため、処理時間の短縮にさらなる検討の余地がある。

【0006】

ここで、３Ｄ画像解析によってワークの表面積を求め、ＡＩを用いて、アナログ／デジタル変換器を備えた産業用設備等のフィードバック制御の処理を行えば、多量のデータ（ビッグデータ）を分離・分析して入力値を数値化することが可能となる。

【0007】

また、近年は、様々な生産現場において、プログラマブルロジックコントローラ（ＰＬＣ：Programmable Logic Controller）などの制御装置の内部でＡＩ処理を行う技術が普及されつつある。

【0008】

このような技術の例として、例えば特許文献３には、時系列データの収集および格納の機能を搭載した制御装置において、制御装置が管理する１または複数の観測値から特徴量を生成し、その生成した特徴量を統計処理した上で、学習データとして保持して、何らかの新たな観測値が入力されると、当該入力された観測値が学習データからどの程度外れているのかを示す度合いを算出するとともに、その算出された外れの度合いに基づいて、異常の有無や劣化傾向を判断するＡＩ処理が実施されることが開示されている。これにより、制御対象の製造装置や設備に生じる異常や劣化傾向を実質的にリアルタイムに検出できるとされている。

【先行技術文献】

【特許文献】

【0009】

【文献】特開平８－１６２４０５号公報

【文献】特開２００８－１８０４８７号公報

【文献】特開２０１８－１５１９１７号公報

【文献】特開２０１７－１８７８５０号公報

【発明の概要】

【発明が解決しようとする課題】

【0010】

しかしながら、特許文献３に開示されている制御装置は、制御対象の製造装置や設備などに応じて任意に構成することができる制御演算機能を有していることが記載されているが、スケーリングや平滑化（ノイズ除去）などの具体的なＡＩ処理の演算方法に関しては開示されていない。

【0011】

本発明は、上記問題点に鑑みてなされたものであり、その目的は、アナログ制御系のＡＩ処理に適した簡便な符号化方式を提供することで加熱および冷却等の処理時間を最適化することによりそれらの処理時間を短縮し、生産性の向上、省エネルギー化、品質安定化を実現することにある。

【課題を解決するための手段】

【0012】

上記課題を解決するために本発明に係る熱処理方法は、洗浄装置から洗浄媒体の温度変化量のアナログ信号を取得するステップと、アナログ信号をデジタル信号に変換するステップと、変換されたデジタル信号の温度変化量を、ベータ関数を用いて近似することにより符号化するステップと、温度変化量と近似に用いたベータ関数との残差平方和を算出するステップと、昇温時間、温度変化量および残差平方和をＡＩ処理の入力因子として入力するステップと、を含むことができる。

【0013】

また、本発明に係る熱処理方法は、洗浄装置から洗浄媒体の温度変化量のアナログ信号を取得するステップと、アナログ信号をデジタル信号に変換するステップと、変換されたデジタル信号の温度変化量を、ベータ関数を用いて近似することにより符号化するステップと、経時変化の実測値と近似に用いたベータ関数との残差平方和を算出するステップと、昇温時間、温度変化量および残差平方和をＡＩ処理の教育用因子として入力するステップと、を含むことができる。

【発明の効果】

【0014】

本発明に係る熱処理方法によれば、アナログ制御系のＡＩ処理に適した簡便な符号化方式を提供することで加熱および冷却等の処理時間を最適化することによりそれらの処理時間を短縮し、生産性の向上、省エネルギー化、品質安定化を実現することができる。なお、ここに記載された効果は、必ずしも限定されるものではなく、本技術中に記載されたいずれかの効果であってもよい。

【図面の簡単な説明】

【0015】

【図1】本発明の一実施形態に係る熱処理システムの構成例を示す模式図である。

【図2】本発明の一実施形態に係る演算処理装置の詳細な構成例を示すブロック図である。

【図3】本発明の一実施形態に係るニューラルネットワークの例を説明する模式図である。

【図4A】本発明の一実施形態に係る演算処理装置による情報処理の流れの例を示すフローチャートである。

【図4B】本発明の一実施形態に係る演算処理装置による情報処理の流れの例を示すフローチャートである。

【図5】本発明の一実施例を説明するための観測値と時間との関係を表すグラフである。

【図6】本発明の一実施例を説明するためのベータ累積分布関数を表すグラフである。

【図7】ベータ関数を表す式である。

【図8】各ノードに入力される合計値を表す式である。

【図9】ＡＩ処理部の学習機能を表す式である。

【図10】荷姿による液浸放熱曲線を表すグラフである。

【図11】荷姿による輻射放熱曲線を表すグラフである。

【図12】荷姿の違いによるM.A.Aronovの大気炉における均熱時間の目安を定式化したグラフである。

【発明を実施するための形態】

【0016】

以下、本発明の実施形態について図面を参照しながら説明する。以下に説明する実施形態は、本発明の代表的な実施形態の一例を示したものであり、これにより本発明の範囲が狭く解釈されることはない。また、各実施形態は、いずれも組み合わせることが可能である。

【0017】

まず、本発明の一実施形態に係る熱処理システムについて説明する。図１は、本発明の一実施形態に係る熱処理システム１０の構成例を示す模式図である。

【0018】

図１に示すように、熱処理システム１０は、一例として、洗浄装置１１と、洗浄装置１１に通信接続された演算処理装置１２と、演算処理装置１２に通信接続された熱処理炉１３と、を備えている。なお、洗浄装置１１および熱処理炉１３の台数は、本実施形態に限らず、何台設置していてもよい。また、熱処理システム１０は、一または二以上のワークＭの荷姿を撮像する撮像装置であるカメラ１４と、洗浄装置１１および演算処理装置１２の間に洗浄装置１１内の洗浄媒体である洗浄液ＬにワークＭを浸漬させた際の洗浄液Ｌの温度変化量Ｃを計測する温度センサ１５と、を備えている。

【0019】

演算処理装置１２は、画像取得部２１と、フーリエ変換部２２と、Ａ／Ｄ変換部２３と、β関数変換部２４と、記憶部２５と、ＡＩ処理部２６と、を備える。演算処理装置１２は、カメラ１４で撮像したワークＭの画像情報および温度センサ１５で計測した洗浄液Ｌの温度変化量Ｃの情報を取得し、必要な処理を行ってから、熱処理炉１３へ出力する。また、演算処理装置１２は、熱処理炉１３から送られてきたアナログ信号を取得し、取得したアナログ信号をデジタル信号に変換して必要な処理を行ってから、洗浄装置１１へ出力するフィードバック制御も行うことができる。

【0020】

なお、演算処理装置１２は、様々な産業機器に適用することができ、本実施形態のような産業機器の一例である洗浄装置１１および熱処理炉１３の他に、産業用ロボット等にも適用することができる。

【0021】

次に、図２を用いて、本実施形態に係る演算処理装置の詳細な構成例について説明する。図２は、本実施形態に係る演算処理装置１２の詳細な構成例を示すブロック図である。

【0022】

図２に示すように、演算処理装置１２は、画像取得部２１、フーリエ変換部２２、Ａ／Ｄ変換部２３、β関数変換部２４、記憶部２５およびＡＩ処理部２６の他、信号取得部２７と、符号化部２８と、復号部２９と、出力部３０と、を備えている。

【0023】

画像取得部２１は、カメラ１４で撮像したワークＭの荷姿（行、列、段数）の画像情報を取得して、その画像情報をフーリエ変換部２２へ送信する。フーリエ変換部２２は、受信した画像情報をフーリエ変換し、１/１、１/２、１/３、・・・、１/２０周期の荷姿の縦（行）、横(列)、高さ（段数）の情報として記憶部２５へ送信する。

【0024】

信号取得部２７は、洗浄装置１１内の洗浄液ＬにワークＭを浸漬させた際に温度センサ１５で測定した洗浄液Ｌの温度変化量Ｃの情報や、洗浄装置１１または熱処理炉１３からのアナログ信号を取得して、それらをＡ／Ｄ変換部２３へ送信する。

【0025】

Ａ／Ｄ変換部２３は、アナログ／デジタル変換器（Ａ／Ｄ変換器）等を用いて、洗浄装置１１および温度センサ１５等から送られてきたアナログ信号をデジタル信号に変換する。

【0026】

符号化部２８は、Ａ／Ｄ変換部２３で変換された洗浄液Ｌの温度変化量Ｃの情報等を、図７の式（Ｂ）で表されるベータ関数を用いて近似することにより符号化して、その符号化したデータをβ関数変換部２４へ送信する。また、符号化部２８は、Ａ／Ｄ変換部２３で変換されたデジタル信号の初期値から目標値までの経時変化を、図７の式（Ｂ）で表されるベータ関数を用いて近似することにより符号化して、その符号化したデータをβ関数変換部２４へ送信することもできる。ここで、式（Ｂ）のαおよびβは、ベータ関数の自由度を表す定数である。

【0027】

β関数変換部２４は、Ａ／Ｄ変換部２３で変換された洗浄液Ｌの温度変化量Ｃと、その温度変化量Ｃを符号化するための近似に用いたベータ関数（β関数）の自由度を表す定数α、βと、昇温速度（熱交換速度）ｔと、ワークＭの潜熱（体積×比熱）の絶対値ｘと、温度変化量Ｃおよび近似に用いたベータ関数から算出した残差平方和σと、を記憶部２５へ送信する。また、β関数変換部２４は、Ａ／Ｄ変換部２３で変換されたデジタル信号の初期値から目標値までの経時変化の実測値と、その経時変化を符号化するための近似に用いたベータ関数と、の残差平方和を算出して記憶部２５へ送信することもできる。

【0028】

ベータ関数は、２つの因子で曲線の偏りと凸度を表すので、初期値と最終値（目的値）、規格化した経過時間とベータ関数の高さを与え、どのベータ関数が一番アナログ信号に近いかを判断することで、どのような経路を通ったかを大雑把に把握することができる。アナログ信号にはいろいろな雑音（ノイズ）が含まれているが、実際の制御系ではノイズを評価するよりも目的値にどのようにして到達したかのほうがより重要である場合が多く、データ量削減のためにベータ関数を用いた。

【0029】

記憶部２５は、フーリエ変換部２２で変換された情報、Ａ／Ｄ変換部２３で変換されたデジタル信号またはβ関数変換部２４で変換された情報を一時保存する。記憶部２５に記憶された情報は、必要に応じて復号部２９へ送信される。

【0030】

復号部２９は、洗浄装置１１の予熱昇温速度ｔ、初期状態から定常状態までの温度変化量Ｃ、およびβ関数変換部２４で算出された残差平方和σを記憶部２５から取得して復号する。また、復号部２９は、Ａ／Ｄ変換部２３で変換されたデジタル信号の初期値、目標値、および初期値から目標値までの経過時間と、符号化部２８で符号化された経時変化の因子と、β関数変換部２４で算出された残差平方和と、を記憶部２５から取得して復号することもできる。復号部２９は、復号した情報をＡＩ処理部２６へ送信する。

【0031】

ＡＩ処理部２６は、復号部２９から、洗浄装置１１の予熱昇温速度ｔ、初期状態から定常状態までの温度変化量Ｃ、およびβ関数変換部２４で算出された残差平方和σをＡＩ処理の入力因子として取得する。また、ＡＩ処理部２６は、復号部２９から、初期値、目標値、初期値から目標値までの経過時間、符号化された経時変化の因子、および残差平方和をＡＩ処理の入力因子として取得することもできる。このように、ＡＩ処理部２６は、記憶部２５からデジタル信号を取得して熱処理炉１３が最適に作業を行えるように情報処理を行う。

【0032】

さらに、ＡＩ処理部２６は、復号部２９から、洗浄装置１１の予熱昇温速度ｔ、初期状態から定常状態までの温度変化量Ｃ、およびβ関数変換部２４で算出された残差平方和σをＡＩ処理の教育用因子として取得することもできる。また、ＡＩ処理部２６は、復号部２９から、初期値、目標値、初期値から目標値までの経過時間、符号化された経時変化の因子、および残差平方和をＡＩ処理の教育用因子として取得することもできる。

【0033】

出力部３０は、ＡＩ処理部２６で処理した情報を取得して、その情報を熱処理炉１３または洗浄装置１１へ送信する。

【0034】

次に、図３を用いて、本実施形態に係る演算処理装置１２を用いたＡＩ処理の例について説明する。図３は、本実施形態に係るＡＩ処理に用いるニューラルネットワークの例を説明する模式図である。なお、ニューラルネットワークについては各種の文献に説明が記載されており、以下の説明は、例えば特許文献４を参照して記載した。

【0035】

始めに、機械学習について簡単に説明する。機械学習のプロセスは、学習フェーズと認識フェーズの２つを有している。学習フェーズでは、演算処理装置に認識させたい情報を学習させる処理であり、識別器を作成する処理を行う。認識フェーズでは、演算処理装置が識別器を用いて識別対象の情報から認識対象を認識する処理を行う。

【0036】

次に、ニューラルネットワークの例について説明する。図３に示すように、ＡＩ処理部２６に、入力された学習用データＶ１、Ｖ２およびＶ３は、入力層３１、中間層３２～３４、出力層３５の順に流れていく。本実施形態では、一例として、３層の中間層３２～３４を有する多層型のニューラルネットワークを用いている。図３では、一例として、層の数が５個、入力層３１のノード３０１－１～３０１－３の数が３個、第１中間層３２のノード３０２－１～３０２－３の数が３個、第２中間層３３のノード３０３－１～３０３－４の数が４個、第３中間層３４のノード３０４－１～３０４－３の数が３個、出力層３５のノード３０５－１～３０５－４の数が４個である。

【0037】

また、本実施形態のニューラルネットワークは、一例として、第２中間層３３に教師データを送る第１教育層３６と、出力層３５に教師データを送る第２教育層３７と、を有している。図３では、一例として、第１教育層３６のノード３０６－１～３０６－４の数が４個で、第２教育層３７のノード３０７－１～３０７－４の数が４個である。第１教育層３６のノード３０６－１～３０６－４および第２教育層３７のノード３０７－１～３０７－４は、それぞれ第２中間層３３のノード３０３－１～３０３－４および出力層３５のノード３０５－１～３０５－４の各ノードに対応している。なお、本実施形態では、一例として、教師関数のベースを以下の図１２で説明するM.A.Aronovの曲線の式を用いる。

【0038】

入力層３１に入力されたデータＶｊは初期設定が与えられている重み値Ｗｊと乗算され、次の層の各ノードに入力される。

【0039】

例えば、第１中間層３２のノード３０２－１～３０２－３のそれぞれへ入力される値（合計値）は図８の式（１）のようになる。式（１）のＬ１は入力層のノードの数、ｊは入力層の各ノードである。

【0040】

このように、各ノードには、直前の層の全てのノードへの入力と重み値の乗算の合計値が入力される。各ノードはこの合計値を活性化関数に代入して次の層の各ノードに出力する。活性化関数は、合計値に対しノードが発火（後段の層にデータを伝えるかどうか）するかどうかを決定する関数である。活性化関数としては、例えば、シグモイド関数（出力は０～１）やtanh関数（出力は－１～＋１）等が使用されるが、これらに限られない。活性化関数により合計値が閾値未満では０（又は－１）が、閾値以上では１が出力される。したがって、合計値が０に変換される場合は後段の層にデータが伝えられない。

【0041】

ここで、認識フェーズでは、出力層３５までデータが伝わると出力層３５の各ノード３０５－１～３０５－４が同様に活性化関数による値を出力する。出力層３５は、分類の数と同じ数のノードを有する。分類は、例えば、洗浄装置および熱処理装置を用いて熱処理を用いる場合、予熱温度、均熱所要時間、初期ガス量および油冷所要時間、などであり、出力層３５の各ノード３０５－１～３０５－４がこれらのうちのいずれかに対応する。

【0042】

一方、学習フェーズでは、入力されたデータが予熱温度であれば、「予熱温度」に対応するノードが１を出力する可能性が高くなるように学習される。このような正しい分類をＡＩ処理部２６の認識機能部が行えるように、学習用のオリジナルの情報は教師データとして分類を有する。ＡＩ処理部２６の学習機能部は、予熱温度、均熱所要時間、初期ガス量および油冷所要時間、という分類がある学習用のオリジナルの情報に教師データとして"１"を与え、そうでない情報に教師データとして（"０"（又は－１））を与える。出力層３５のノードの出力と教師データの１又は０との差が誤差であるため、学習部４５は図９の式（２）および式（３）に示す誤差逆伝播法で入力層３１から出力層３５に至るまでの重み値を修正する。誤差逆伝播法では修正後の重み値は以下のように算出される。本実施形態では、教師データは、焼入れ装置である熱処理炉１３における焼入れ後の油温上昇（昇温速度ｔ）のベータ関数を用いている。

【0043】

図９の式（３）のＥは誤差の大きさであり、tjは出力層３５のｊ番目の教師データであり、yjはｊ番目のノードの出力値である。したがって、教師データと出力層３５のノードの差の二乗を出力層３５のノードで合計した値が誤差Ｅである。式（２）はこの誤差Ｅがゼロに近づくように重み値ｗを更新することを意味する。なお、εは正の微小値である。

【0044】

図９の式（４）と式（５）は重み値の具体的な算出方法を示す。まず、出力層３５では、式（４）を用いて、出力層３５の各ノードの出力値 ｙjN と教師データtjとの誤差からΔjN を計算する。また、中間層３２～３４では、式（５）を使って誤差信号Δjｎ （ｎ ＜Ｎ ) を計算する。式（５）のΔjn+1の初期値がΔjNである。なお、Ｌn+1は後段の層のノードの数であり、Δjn+1は後段の層の誤差信号であり、値ｗk,jn+1,nは第ｎ層のｊ番目のノードと第ｎ＋１層のｋ番目のノードの間の重み値である。第ｎ層のｊ番目のノードと第ｎ－１層のｉ番目のノードの間の重み値の修正量は図９の式（６）で表される。

【0045】

次に、図４Ａおよび図４Ｂを用いて、本実施形態に係る演算処理装置によるフィードバック制御の情報処理の流れについて説明する。図４Ａおよび図４Ｂは、演算処理装置１２による情報処理の流れの例を示すフローチャートである。本実施形態の情報処理は、例えば、洗浄装置１１を洗浄装置とし熱処理炉１３を熱処理装置とする熱処理における情報処理に用いることができる。

【0046】

まず初めに、カメラ１４で一または二以上のワークＭの荷姿（行、列、段数）を撮像し、その後、ワークＭを洗浄装置１１内の洗浄液Ｌに浸漬させ、温度センサ１５で洗浄液Ｌの温度変化量Ｃを計測する。演算処理装置１２では、画像取得部２１が、カメラ１４で撮像したワークＭの荷姿（行、列、段数）の画像情報を取得して、その画像情報をフーリエ変換部２２へ送信する。フーリエ変換部２２は、受信した画像情報をフーリエ変換し、１/１、１/２、１/３、・・・、１/２０周期の荷姿の縦（行）、横(列)、高さ（段数）の情報として記憶部２５へ送信する。上記処理以降に、以下の処理を開始する。

【0047】

Ｓ１０１において、信号取得部２７は、温度センサ１５から送られてきた昇温速度（熱交換速度）ｔ、ワークＭの潜熱（体積×比熱）の絶対値ｘ、初期状態から定常状態までの洗浄液Ｌの温度変化量Ｃ等のアナログ信号を取得する。上記の他、アナログ信号としては、例えば、計測した給液時間、算出したワークの体積、算出したワークの重量、推定したワークの総比熱、計測した復温時間、および計測した温度下降量、などが挙げられる。

【0048】

Ｓ１０２において、Ａ／Ｄ変換部２３は、信号取得部２７で取得したアナログ信号をデジタル信号に変換する。変換されたデジタル信号は、符号化部２８に送信されるか、または記憶部２５に一時保存される。

【0049】

Ｓ１０３において、符号化部２８は、Ａ／Ｄ変換部２３で変換された洗浄液Ｌの温度変化量Ｃの情報を、あらかじめ用意したベータ関数または逐次計算により求めたベータ関数と整合させる。

【0050】

Ｓ１０４において、符号化部２８は、ステップＳ１０３で整合させたベータ関数のうち、最も適した最適ベータ関数を選定する。

【0051】

Ｓ１０５において、符号化部２８は、ステップＳ１０４で選定した最適ベータ関数を用いて近似することにより、Ａ／Ｄ変換部２３で変換された洗浄液Ｌの温度変化量Ｃの情報を符号化する。符号化した温度変化量Ｃの値は、記憶部２５に一時保存される。ここで、機械制御において、デジタル信号が制御信号である場合は、アナログ信号から変換された制御信号の制御開始から目標到達までの経時変化を、ベータ関数を用いて近似することにより符号化する。

【0052】

Ｓ１０６において、β関数変換部２４は、Ａ／Ｄ変換部２３で変換された洗浄液Ｌの温度変化量Ｃの情報と、その温度変化量Ｃの情報を符号化するための近似に用いた最適ベータ関数と、の残差平方和σを算出する。算出した残差平方和の値は、記憶部２５に一時保存される。

【0053】

Ｓ１０７において、復号部２９は、洗浄装置１１の予熱昇温時間、初期状態から定常状態までの温度変化量Ｃ、およびβ関数変換部２４で算出されたの残差平方和σ、を記憶部２５から取得して復号する。

【0054】

Ｓ１０８において、ＡＩ処理部２６は、復号部２９で復号された各データをＡＩ処理部２６内のニューラルネットワークの入力層３１に入力する。

【0055】

Ｓ１０９において、ＡＩ処理部２６は、入力層３１に入力されたデータを第１中間層３２へ伝播させる。

【0056】

Ｓ１１０において、ＡＩ処理部２６は、第１中間層３２に入力されたデータを第２中間層３３へ伝播させる。

【0057】

演算処理装置１２は、第２中間層３３へ伝播させたデータを出力部３０から熱処理炉１３へ出力する。

【0058】

次に、Ｓ１１１において、ＡＩ処理部２６は、熱処理炉１３から取得した教師データ１を、ステップＳ１０１からＳ１０７と同様の処理を行って第１教育層３６へ教育用因子として入力する。

【0059】

Ｓ１１２において、ＡＩ処理部２６は、第１教育層３６に入力された教師データ１を第２中間層３３へ逆伝播させる。

【0060】

Ｓ１１３において、ＡＩ処理部２６は、教師データ１により学習した学習済みデータ１を第２中間層３３から第１中間層３２へ逆伝播させる。

【0061】

Ｓ１１４において、ＡＩ処理部２６は、学習済みデータ１を第１中間層３２から入力層３１へ逆伝播させる。

【0062】

演算処理装置１２が、入力層３１へ逆伝播させた学習済みデータ１を出力部３０から洗浄装置１１へ送信して情報処理を終了する。

【0063】

一方、Ｓ２０１において、ＡＩ処理部２６は、第２中間層３３に入力されたデータを第３中間層３４へ伝播させる。

【0064】

Ｓ２０２において、ＡＩ処理部２６は、第３中間層３４に入力されたデータを出力層３５へ伝播させる。

【0065】

Ｓ２０３において、演算処理装置１２は、出力層３５から設定値を出力部３０へ送信し出力部３０から熱処理炉１３へ出力する。

【0066】

次に、Ｓ２０４において、ＡＩ処理部２６は、熱処理炉１３から取得した教師データ２を、ステップＳ１０１からＳ１０７と同様の処理を行って第２教育層３７へ教育用因子として入力する。

【0067】

Ｓ２０５において、ＡＩ処理部２６は、第２教育層３７に入力された教師データ２を出力層３５へ逆伝播させる。

【0068】

Ｓ２０６において、ＡＩ処理部２６は、教師データ２により学習した学習済みデータ２を出力層３５から第３中間層３４へ逆伝播させる。

【0069】

第３中間層３４へ逆伝播させた学習済みデータ２を出力部３０から洗浄装置１１へ送信して情報処理を終了する。

【0070】

ここで、上記処理による効果の確認は、加熱電流の長さおよび積分値を用いて行う。また、教師データには、焼入れ後の油温上昇等の油温の変化、定常状態になるまでの時間とベータ関数を用いることができる。

【0071】

上記情報処理は、本実施形態に係る演算処理装置１２の情報処理方法を実現する情報処理プログラムを演算処理装置１２等のコンピュータに実行させることによって行うことができる。

【0072】

以上より、本実施形態に係る熱処理方法によれば、情報を取得した後でビッグデータとして処理するのではなく、ＩＯＴ機器等の産業機器側でベータ関数を用いて入力層３１に入力する入力因子を符号化することにより入力因子の数を数種類に減らしているため、入力層３１のノードを激減させることができる。これにより、ＡＩ処理を行う場合に専用のハードおよびソフトを必要とせず、汎用のＰＬＣで対応が可能となるので、ＰＬＣによるビッグデータの演算を容易にし、かつ、アナログ制御系のＡＩ処理に適した簡便な符号化方式を提供することができる。

【0073】

本実施形態に係る熱処理システムによれば、現在値に対する目標値のあるアナログ制御システムにおいて、制御経路をその特徴を保持したままで非常に少ないデータ量に圧縮することができる。また、本実施形態に係る熱処理システムでは、加熱・冷却に対する有効比表面積を１つの数量ではなく、５つの数量で数値化すること、および加熱・冷却を代表的な２種類に分離している。

【0074】

また、機械制御におけるアナログ信号は、上述したようにベータ関数を用いて符号化することで、現在値に対する目標値とそれにかかった時間、およびその経路という信号に圧縮し、どれだけ近いかという残差を加えることで厳密ではないものの非常に効率的に圧縮することができる。

【0075】

また、ＩＯＴ機器に複雑な演算機能を持たせるとＩＯＴ機器のプログラムが困難になるため、あらかじめ用意しておいた複数のβ関数の値を準備しておき、それらに対する残差が少ないβ関数を選択して返すというプログラムにすることで、ＩＯＴ機器側の負担を減らし、かつ、その後のＡＩ処理に必要十分な情報量を伝達することが可能となる。なお、ＩＯＴ機器の演算時間および演算能力に余裕がある場合は、ＩＯＴ機器側でガウスニュートン法等を用いてβ関数の最適化を実施することもできる。

【0076】

＜実施例＞
以下に、図５および図６を用いて、本実施形態に係る情報処理方法を用いた実施例について説明する。本実施例では、一例として、熱処理におけるフィードバック制御の情報処理について説明する。図５は、観測値と時間との関係を表すグラフである。図６は、経時変化を符号化するための近似に用いるベータ累積分布関数を表すグラフである。

【0077】

図５に示すように、熱処理炉の温度制御の様に開始時ｔｓにおける観測値Ｏｓから所望の目標値Ｏｅに向かってヒーターなどの制御機器を使用するフィードバック制御において、目標値Ｏｅに達した時点ｔｅまたはあらかじめ想定しておいた観測打ち切り時間ｔｅまでの観測値Ｏ（ｔ）の経時変化をバッファメモリに蓄積する。

【0078】

次に、図６に示すように、目標値に達した時点またはあらかじめ設定した制御打ち切り時間に到達した時点で、バッファメモリ内のデータを経過時間ΔＴと開始時の観測地Ｏｓと目標値Ｏｅの差ΔＯで規格化（符号化）する。

【0079】

そして、規格化された信号をあらかじめ用意しておいたまたは逐次計算により求めたベータ累積分布関数と比較し、残差の平方和を計算する。このとき、比較するベータ累積分布関数は、所望の経路分類と計算負荷等に合わせて選択される。

【0080】

本実施例の情報処理方法によれば、例えば、熱処理炉の加熱の場合、５種類程度の入力因子を用意するだけでも、ＡＩ処理を活用しない場合に比べて、その後の工程管理を効率的に行うことが可能となる。

【0081】

また、実際の制御においても、人間の感覚のような、ワークが重い、軽い、中ぐらいという程度であっても、まったく制御していないよりははるかに制御性因子としては細分化されるようになる。さらに、機械制御において、「いつもとちがう」というのは予防保全において重要な要素であり、よく見られるベータ関数をあらかじめ用意しておくというのは大事な要素になる。例えば、ノイズが入ったとか、いつもと違う（異常な、想定外の）データの時には残差が大きくなるので、異常と判定することができる。

【0082】

ここで、図１０から図１２を用いて、熱処理を行うワークの荷姿と熱量との関係性について説明する。図１０は、荷姿による液浸放熱曲線を表すグラフである。図１１は、荷姿による輻射放熱曲線を表すグラフである。
図１２は、荷姿の違いによるM.A.Aronovの大気炉における均熱時間の目安を定式化したグラフである。

【0083】

本実施形態では、加熱および冷却等の処理時間を最適化することによりそれらの処理時間を短縮するため、様々なワークの大きさや重量、荷姿に対する加熱と冷却のしやすさを２つの接触（液浸）加熱・冷却と輻射加熱・冷却に分けて有効比表面積で数値化している。

【0084】

製品は必ず表面を通じて熱の授受を行う。授受の量（絶対値）は体積（×比熱）に依存し、同一ワーク（熱処理の場合：鉄）の比熱が一定であることから、２種類の加熱・冷却方法に対して、有効比表面積という数値を定義することで、加熱・冷却にしやすさが数値化できる。

【0085】

図１０に示すように、液（気体）に接触する面積が多いほど早く、液浸（気化）比表面積は洗浄装置とリファイニング（ガス冷）、焼き戻し炉の保持時間を決めるのに重要であることがわかる。

【0086】

図１１に示すように、シールド効果が出るので、物の数が多いほど遅く、輻射比表面積は真空加熱炉の均熱時間を決めるのに重要であることがわかる。

【0087】

したがって、接触（液浸）加熱・冷却時と放射加熱・冷却時のそれぞれ加熱・冷却曲線は、製品の大きさ、表面積に依存しており、加熱・冷却曲線を有効比表面積という数値にすればよい。現在値から目標値までの経路をベータ関数と最小二乗近似で一番近い数値としている。最終的に、加熱・冷却曲線は、時間、温度差、ベータ因子１、ベータ因子２、ベータ因子高さ、の５ワードに圧縮される。

【0088】

図１２（ａ）は隙間なくワークを積み込んだ荷姿の場合、図１２（ｂ）は隙間を空けてワークを積み込んだ荷姿の場合、図１２（ｃ）は軸物を立てた荷姿の場合、図１２（ｄ）は歯車を横向きに積んだ荷姿の場合、の均熱時間の目安を表している。ここで、Ｔab：均熱時間（分）、Ｎ：段数（列数）、Ｄ：製品径（ｍｍ）、Ｔ：厚さ（ｍｍ）としている。

【0089】

本実施形態に係る熱処理方法は、洗浄装置１１から熱処理装置１３へ熱処理に必要な荷姿（重量、比表面積）に関する情報を送る方法である。上記熱処理方法によれば、熱処理システムにおける、加熱を要する熱処理などの後工程において、加熱温度および表面処理時の必要なガス量を低減し、加熱時間を短縮することができる。これにより、アナログ制御系のＡＩ処理に適した簡便な符号化方式を提供することで加熱および冷却等の処理時間を最適化することによりそれらの処理時間を短縮し、生産性の向上、省エネルギー化、品質安定化を実現することができる。

【0090】

さらに、本実施形態に係る熱処理方法を制御用のＰＬＣに適用するだけでなく、温度調節計に適用することにより、ＰＬＣの処理負担を減らし、より一般化することが可能となる。

【産業上の利用可能性】

【0091】

本発明は、産業機器の制御装置等でＡＩ処理を活用し、後工程の処理サイクルを削減する技術分野に関するものであり、産業上の利用可能性を有するものである。

【符号の説明】

【0092】

１０ 熱処理システム
１１ 洗浄装置
１２ 演算処理装置
１３ 熱処理炉
１４ カメラ
１５ 温度センサ
２１ 画像取得部
２２ フーリエ変換部
２３ Ａ／Ｄ変換部
２４ β関数変換部
２５ 記憶部
２６ ＡＩ処理部
２７ 信号取得部
２８ 符号化部
２９ 復号部
３０ 出力部
３１ 入力層
３２～３４ 中間層
３５ 出力層
３６、３７ 教育層
Ｍ ワーク
Ｌ 洗浄液

【図1】

【図2】

【図3】

【図4A】

【図4B】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】