特許 7583264 予測装置、学習装置、予測システム、予測方法、学習方法及びプログラム

(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】2024-11-06

(45)【発行日】2024-11-14

(54)【発明の名称】予測装置、学習装置、予測システム、予測方法、学習方法及びプログラム

(51)【国際特許分類】

   B22D 11/16 20060101AFI20241107BHJP

   B22D 11/18 20060101ALI20241107BHJP

   B22D 11/22 20060101ALI20241107BHJP

【ＦＩ】

B22D11/16 C

B22D11/16 Z

B22D11/18 A

B22D11/22 B

【請求項の数】 14

(21)【出願番号】P 2021017982

(22)【出願日】2021-02-08

(65)【公開番号】P2022120924

(43)【公開日】2022-08-19

【審査請求日】2023-10-19

(73)【特許権者】

【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】100106909

【弁理士】

【氏名又は名称】棚井 澄雄

(74)【代理人】

【識別番号】100175802

【弁理士】

【氏名又は名称】寺本 光生

(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

(72)【発明者】

【氏名】今西 佑典

(72)【発明者】

【氏名】山内 裕貴

【審査官】中西 哲也

(56)【参考文献】

【文献】特開２００６－０６８７４７（ＪＰ，Ａ）

【文献】特開２００７－２７５９２４（ＪＰ，Ａ）

【文献】特開２０１９－２１７５１９（ＪＰ，Ａ）

【文献】特開２００８－２９００８２（ＪＰ，Ａ）

【文献】特開２００７－１３６４８０（ＪＰ，Ａ）

【文献】国際公開第２０１４／１７７６０５（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｂ２２Ｄ １１／００－１１／２２

(57)【特許請求の範囲】

【請求項1】

鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と溶鋼の組成と溶鋼を冷却する水スプレー群による運転パターンとを、連続鋳造の各チャージの鋳造の実行前又は実行中に予測用の説明変数として取得する通信部と、
前記予測用の説明変数に対応する学習用の説明変数と学習用の目的変数との間の相関関係に基づいて生成された学習済モデルに前記予測用の説明変数を入力し、非定常バルジング性湯面レベル変動が発生するか否かを連続鋳造の各チャージの鋳造の実行前又は実行中に学習済モデルの出力に基づいて予測する予測部と
を備え、
前記学習用の説明変数は、過去の連続鋳造における、鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と溶鋼の組成と水スプレー群による運転パターンとを含むデータであり、
前記学習用の目的変数は、過去の連続鋳造における、非定常バルジング性湯面レベル変動が発生したか否かを表すデータである、
予測装置。

【請求項2】

前記通信部は、鋳造時の外気温度と冷却水の温度とのうちの少なくとも一つを、前記予測用の説明変数として更に取得する、
請求項１に記載の予測装置。

【請求項3】

鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と溶鋼の組成と溶鋼を冷却する水スプレー群による運転パターンとを含む学習用の説明変数と、非定常バルジング性湯面レベル変動が発生したか否かを表す学習用の目的変数とを取得する通信部と、
前記学習用の説明変数と前記学習用の目的変数との間の相関関係に基づいて学習済モデルを生成する学習部と
を備える学習装置。

【請求項4】

前記通信部は、鋳造時の外気温度と冷却水の温度とのうちの少なくとも一つを、前記学習用の説明変数として更に取得する、
請求項３に記載の学習装置。

【請求項5】

前記学習部は、機械学習の手法を用いて前記学習済モデルを生成する、
請求項３又は請求項４に記載の学習装置。

【請求項6】

前記機械学習の手法は、ランダムフォレストと、サポートベクターマシンと、ロジスティック回帰分析と、多項式ロジスティック回帰分類とのうちの少なくとも一つである、
請求項５に記載の学習装置。

【請求項7】

学習装置と予測装置とを備える予測システムであって、
前記学習装置は、
鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と溶鋼の組成と溶鋼を冷却する水スプレー群による運転パターンとを含む学習用の説明変数と、非定常バルジング性湯面レベル変動が発生したか否かを表す学習用の目的変数とを取得する第１通信部と、
前記学習用の説明変数と前記学習用の目的変数との間の相関関係に基づいて学習済モデルを生成する学習部とを有し、
前記予測装置は、
鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と溶鋼の組成と溶鋼を冷却する水スプレー群による運転パターンとを、連続鋳造の各チャージの鋳造の実行前又は実行中に予測用の説明変数として取得する第２通信部と、
前記予測用の説明変数に対応する前記学習用の説明変数と前記学習用の目的変数との間の相関関係に基づいて生成された学習済モデルに前記予測用の説明変数を入力し、非定常バルジング性湯面レベル変動が発生するか否かを連続鋳造の各チャージの鋳造の実行前又は実行中に学習済モデルの出力に基づいて予測する予測部とを有し、
前記学習用の説明変数は、過去の連続鋳造における、鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と溶鋼の組成と水スプレー群による運転パターンとを含むデータであり、
前記学習用の目的変数は、過去の連続鋳造における、非定常バルジング性湯面レベル変動が発生したか否かを表すデータである、
予測システム。

【請求項8】

前記第１通信部及び前記第２通信部は、鋳造時の外気温度と冷却水の温度とのうちの少なくとも一つを、前記学習用の説明変数及び前記予測用の説明変数として更に取得する、
請求項７に記載の予測システム。

【請求項9】

予測装置が実行する予測方法であって、
鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と溶鋼の組成と溶鋼を冷却する水スプレー群による運転パターンとを、連続鋳造の各チャージの鋳造の実行前又は実行中に予測用の説明変数として取得する通信ステップと、
前記予測用の説明変数に対応する学習用の説明変数と学習用の目的変数との間の相関関係に基づいて生成された学習済モデルに前記予測用の説明変数を入力し、非定常バルジング性湯面レベル変動が発生するか否かを連続鋳造の各チャージの鋳造の実行前又は実行中に学習済モデルの出力に基づいて予測する予測ステップと
を含み、
前記学習用の説明変数は、過去の連続鋳造における、鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と溶鋼の組成と水スプレー群による運転パターンとを含むデータであり、
前記学習用の目的変数は、過去の連続鋳造における、非定常バルジング性湯面レベル変動が発生したか否かを表すデータである、
予測方法。

【請求項10】

前記通信ステップは、鋳造時の外気温度と冷却水の温度とのうちの少なくとも一つを、前記予測用の説明変数として更に取得することを含む、
請求項９に記載の予測方法。

【請求項11】

学習装置が実行する学習方法であって、
鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と溶鋼の組成と溶鋼を冷却する水スプレー群による運転パターンとを含む学習用の説明変数と、非定常バルジング性湯面レベル変動が発生したか否かを表す学習用の目的変数とを取得する通信ステップと、
前記学習用の説明変数と前記学習用の目的変数との間の相関関係に基づいて学習済モデルを生成する学習ステップと
を含む学習方法。

【請求項12】

前記通信ステップは、鋳造時の外気温度と冷却水の温度とのうちの少なくとも一つを、前記学習用の説明変数として更に取得することを含む、
請求項１１に記載の学習方法。

【請求項13】

請求項１又は請求項２に記載の予測装置としてコンピュータを機能させるためのプログラム。

【請求項14】

請求項３から請求項６のいずれか一項に記載の学習装置としてコンピュータを機能させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、予測装置、学習装置、予測システム、予測方法、学習方法及びプログラムに関する。

【背景技術】

【0002】

溶融金属の連続鋳造機においては、溶融金属がレードルからタンディッシュに供給及び貯留された後、タンディッシュの下部に取り付けられた浸漬ノズルを介して、溶融金属がモールド内に連続的に注入される。モールド内の溶融金属は、水冷されたモールドで冷却され、溶融金属の表面から内部に向かう順で凝固シェルを形成し、対向して配置された複数対のロールに挟まれながら、モールドの下部から連続的に引き抜かれていく。引き抜かれる際に、溶融金属は水スプレーで冷却され、溶融金属が内部まで凝固することによって、鋳片が製造される。

【0003】

ロールが所定の間隔で設置されているため、内部に未凝固溶鋼を有する鋳片がロール間で凸状に膨らむことがある。この現象は「バルジング」と呼ばれている。

【0004】

バルジングが発生した箇所がロールに沿って元に戻ることなく、凝固シェルの一部が変形することによって、バルジングが発生した箇所を残したまま鋳片が未凝固溶鋼側に押し戻される現象が発生する。この現象は「非定常バルジング」と呼ばれている。

【0005】

一定の間隔で設置されたロールに沿って非定常バルジングが発生することで、鋳片の凝固シェルが未凝固溶鋼側に押し戻され、ロール側に押し出される動きが周期的に発生する。このような周期性外乱によって、モールド内の溶鋼の湯面で湯面レベル変動が発生する。

【0006】

モールドと凝固シェルの潤滑材として、モールドの湯面上にはパウダーが散布されている。モールド内での溶鋼の湯面レベル変動は、湯面上のパウダーを溶鋼の内部へ巻き込む。巻き込まれたパウダーが凝固後に鋳片内部の介在物となり、初期凝固の不安定化によるブレイクアウトと鋳片の品質低下とに繋がることがある。

【0007】

非定常バルジングの発生に起因する湯面レベルの変動（以下「非定常バルジング性湯面レベル変動」という。）を防ぐ為の手段として、鋳造速度を減速させ、バルジングの生じている該当ロール間での凝固シェルの厚みを増大させる手段と、湯面レベル変動を打ち消すように溶鋼供給量を調節する湯面レベル制御の手段と、水スプレーの流量を増やして冷却能力を上げることで凝固シェルの強度を増大させる手段とがある。

【先行技術文献】

【特許文献】

【0008】

【文献】特開平５－５７４１４号公報

【文献】特開２００６－６８７４７号公報

【発明の概要】

【発明が解決しようとする課題】

【0009】

しかしながら従来では、連続鋳造の各チャージの鋳造において非定常バルジングが発生した場合に所定の対処を行うことはできても、非定常バルジングが発生するか否かを連続鋳造の各チャージの鋳造の実行前又は実行中には予測することができなかった。

【0010】

上記事情に鑑み、本発明は、非定常バルジングが発生するか否かを連続鋳造の各チャージの鋳造の実行前又は実行中に予測することが可能である予測装置、学習装置、予測システム、予測方法、学習方法及びプログラムを提供することを目的としている。

【課題を解決するための手段】

【0011】

本発明の一態様は、鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と鋳造時の外気温度と溶鋼の組成と溶鋼を冷却する水スプレー群による運転パターンと冷却水の温度とのうちの少なくとも一つを、連続鋳造の各チャージの鋳造の実行前又は実行中に予測用の説明変数として取得する通信部と、前記予測用の説明変数に対応する学習用の説明変数と学習用の目的変数との間の相関関係に基づいて生成された学習済モデルに前記予測用の説明変数を入力し、非定常バルジング性湯面レベル変動が発生するか否かを連続鋳造の各チャージの鋳造の実行前又は実行中に学習済モデルの出力に基づいて予測する予測部を備え、前記学習用の説明変数は、過去の連続鋳造における、鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と鋳造時の外気温度と溶鋼の組成と水スプレー群による運転パターンと冷却水の温度とのうちの少なくとも一つを含むデータであり、前記学習用の目的変数は、過去の連続鋳造における、非定常バルジング性湯面レベル変動が発生したか否かを表すデータである、予測装置である。

【0012】

本発明の一態様は、鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と鋳造時の外気温度と溶鋼の組成と溶鋼を冷却する水スプレー群による運転パターンと冷却水の温度とのうちの少なくとも一つを含む学習用の説明変数と、非定常バルジング性湯面レベル変動が発生したか否かを表す学習用の目的変数とを取得する通信部と、前記学習用の説明変数と前記学習用の目的変数との間の相関関係に基づいて学習済モデルを生成する学習部とを備える学習装置である。

【0013】

本発明の一態様は、前記学習部は、機械学習の手法を用いて前記学習済モデルを生成する。

【0014】

本発明の一態様は、前記機械学習の手法は、ランダムフォレストと、サポートベクターマシンと、ロジスティック回帰分析と、多項式ロジスティック回帰分類とのうちの少なくとも一つである。

【0015】

本発明の一態様は、学習装置と予測装置とを備える予測システムであって、前記学習装置は、鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と鋳造時の外気温度と溶鋼の組成と溶鋼を冷却する水スプレー群による運転パターンと冷却水の温度とのうちの少なくとも一つを含む学習用の説明変数と、非定常バルジング性湯面レベル変動が発生したか否かを表す学習用の目的変数とを取得する通信部と、前記学習用の説明変数と前記学習用の目的変数との間の相関関係に基づいて学習済モデルを生成する学習部とを有し、前記予測装置は、鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と鋳造時の外気温度と溶鋼の組成と溶鋼を冷却する水スプレー群による運転パターンと冷却水の温度とのうちの少なくとも一つを、連続鋳造の各チャージの鋳造の実行前又は実行中に予測用の説明変数として取得する通信部と、前記予測用の説明変数に対応する前記学習用の説明変数と前記学習用の目的変数との間の相関関係に基づいて生成された学習済モデルに前記予測用の説明変数を入力し、非定常バルジング性湯面レベル変動が発生するか否かを連続鋳造の各チャージの鋳造の実行前又は実行中に学習済モデルの出力に基づいて予測する予測部とを有し、前記学習用の説明変数は、過去の連続鋳造における、鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と鋳造時の外気温度と溶鋼の組成と水スプレー群による運転パターンと冷却水の温度とのうちの少なくとも一つを含むデータであり、前記学習用の目的変数は、過去の連続鋳造における、非定常バルジング性湯面レベル変動が発生したか否かを表すデータである、予測システムである。

【0016】

本発明の一態様は、予測装置が実行する予測方法であって、鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と鋳造時の外気温度と溶鋼の組成と溶鋼を冷却する水スプレー群による運転パターンと冷却水の温度とのうちの少なくとも一つを、連続鋳造の各チャージの鋳造の実行前又は実行中に予測用の説明変数として取得する通信ステップと、前記予測用の説明変数に対応する学習用の説明変数と学習用の目的変数との間の相関関係に基づいて生成された学習済モデルに前記予測用の説明変数を入力し、非定常バルジング性湯面レベル変動が発生するか否かを連続鋳造の各チャージの鋳造の実行前又は実行中に学習済モデルの出力に基づいて予測する予測ステップとを含み、前記学習用の説明変数は、過去の連続鋳造における、鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と鋳造時の外気温度と溶鋼の組成と水スプレー群による運転パターンと冷却水の温度とのうちの少なくとも一つを含むデータであり、前記学習用の目的変数は、過去の連続鋳造における、非定常バルジング性湯面レベル変動が発生したか否かを表すデータである、予測方法である。

【0017】

本発明の一態様は、学習装置が実行する学習方法であって、鋳片のサイズと鋳造速度と溶鋼の温度と連続鋳造の連続操業の回数と鋳造時の外気温度と溶鋼の組成と溶鋼を冷却する水スプレー群による運転パターンと冷却水の温度とのうちの少なくとも一つを含む学習用の説明変数と、非定常バルジング性湯面レベル変動が発生したか否かを表す学習用の目的変数とを取得する通信ステップと、前記学習用の説明変数と前記学習用の目的変数との間の相関関係に基づいて学習済モデルを生成する学習ステップとを含む学習方法である。

【0018】

本発明の一態様は、予測装置としてコンピュータを機能させるためのプログラムである。

【0019】

本発明の一態様は、学習装置としてコンピュータを機能させるためのプログラムである。

【発明の効果】

【0020】

本発明により、非定常バルジングが発生するか否かを連続鋳造の各チャージの鋳造の実行前又は実行中に予測することが可能である。

【図面の簡単な説明】

【0021】

【図1】実施形態における、連続鋳造装置の構成例を示す図である。

【図2】実施形態における、学習装置の動作例を示すフローチャートである。

【図3】実施形態における、予測装置の動作例を示すフローチャートである。

【図4】実施形態における、ロジスティック回帰分類の事前予測結果の評価例を示す図である。

【図5】実施形態における、多項式ロジスティック回帰分類の事前予測結果の評価例を示す図である。

【図6】実施形態における、サポートベクターマシンを用いるクラス分類（線形カーネル）の事前予測結果の評価例を示す図である。

【図7】実施形態における、サポートベクターマシンを用いるクラス分類（非線形カーネル）の事前予測結果の評価例を示す図である。

【図8】実施形態における、ランダムフォレストを用いる事前予測結果の評価例を示す図である。

【発明を実施するための形態】

【0022】

本発明の実施形態について、図面を参照して詳細に説明する。
（第１実施形態）
図１は、実施形態における、連続鋳造装置１の構成例を示す図である。連続鋳造装置１は、連続鋳造機２と、制御装置３と、駆動装置４と、通信回線５と、予測システム６とを備える。連続鋳造機２は、タンディッシュ２０と、スライディングノズル２１と、モールド２２と、ロール群２３と、スプレー群２４と、温度センサ２５と、レベルセンサ２６とを備える。

【0023】

予測システム６は、学習装置６０と、予測装置６１とを備える。学習装置６０は、通信部６００と、記憶部６０１と、学習部６０２とを備える。予測装置６１は、通信部６１０と、記憶部６１１と、予測部６１２と、表示部６１３とを備える。

【0024】

予測システム６の各装置のうちの一部又は全部は、ＣＰＵ（Central Processing Unit）等のプロセッサが、不揮発性の記録媒体（非一時的な記録媒体）である記憶部からメモリに展開されたプログラムを実行することにより、ソフトウェアとして実現される。プログラムは、コンピュータ読み取り可能な記録媒体に記録されてもよい。コンピュータ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（Read Only Memory）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置などの非一時的な記録媒体である。プログラムは、通信回線５を経由して予測システム６に送信されてもよい。

【0025】

通信回線５は、ＬＡＮ（Local Area Network）又はＷＡＮ（Wide Area Network）等の回線である。通信回線５は、制御装置３と学習装置６０と予測装置６１との間の通信データ（例えば、制御信号、番号、説明変数、及び、目的変数）を伝送する。

【0026】

予測システム６の各装置のうちの一部又は全部は、例えば、ＬＳＩ（Large Scale Integration circuit）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＰＬＤ（Programmable Logic Device）又はＦＰＧＡ（Field Programmable Gate Array）等を用いた電子回路（electronic circuit又はcircuitry）を含むハードウェアを用いて実現されてもよい。

【0027】

温度センサ２５は、温度を計測するセンサであり、例えばサーモカメラである。温度センサ２５は、各チャージの鋳造時に、タンディッシュ２０に流し込まれる前の溶鋼１００の温度を計測する。温度センサ２５は、溶鋼１００の温度の計測値を、制御装置３に定周期で送信する。

【0028】

レベルセンサ２６は、モールド２２における溶鋼１００の湯面レベルを計測する。レベルセンサ２６は、湯面レベル「ｈ」の計測値を制御装置３に定周期で出力する。

【0029】

制御装置３は、連続鋳造機２の各部の動作を制御する装置である。制御装置３は、湯面レベル「ｈ」の計測値（サンプリング結果）に基づいて、非定常バルジング性湯面レベル変動が発生したか否かを判定する（参考文献１：特開２０１１－１４３４１４号公報）。制御装置３は、連続鋳造の各チャージの鋳造番号を、各チャージの鋳造の実行中（実行直後）に予測システム６に送信する。

【0030】

予測段階よりも前の学習段階において、制御装置３は、予測用の説明変数に対応する学習用の説明変数と、学習用の目的変数と、連続鋳造の各チャージの鋳造番号とを、学習装置６０に送信する。

【0031】

予測段階において、制御装置３は、予測用の説明変数と連続鋳造の各チャージの鋳造番号とを、予測装置６１に送信する。

【0032】

制御装置３は、非定常バルジング性湯面レベル変動の発生の有無の予測結果を、各チャージの鋳造の実行中に、予測装置６１から取得する。

【0033】

制御装置３は、溶鋼を冷却する水スプレー群による運転パターンの変更と鋳造速度の変更とを、予測結果に基づいて実行する。これによって、各チャージの鋳造前に、非定常バルジングの発生が防止される。

【0034】

第１実施形態では、予測システム６は、非定常バルジング性湯面レベル変動が発生するか否かを、連続鋳造の各チャージの鋳造の実行中に予測するシステムである。

【0035】

次に、学習装置６０（学習段階）の詳細を説明する。
（Ａ）モールド２２における鋳片のサイズが大きいほど、溶鋼１００の冷却が不足する可能性が高くなる。したがって、鋳片のサイズと、非定常バルジングの発生の有無とには相関がある。
（Ｂ）鋳造速度が速いほど、溶鋼１００の冷却が不足する可能性が高くなる。したがって、鋳造速度と、非定常バルジングの発生の有無とには相関がある。
（Ｃ）溶鋼１００の温度が高いほど、溶鋼１００の冷却が不足する可能性が高くなる。したがって、溶鋼１００の温度と、非定常バルジングの発生の有無とには相関がある。
（Ｄ）連続鋳造の連続操業の回数が多いほど、ロール群２３などの周辺機器の温度や冷却水の温度が高くなり、溶鋼１００の冷却が不足する可能性が高くなる。したがって、連続鋳造の連続操業の回数と、非定常バルジングの発生の有無とには相関がある。
（Ｅ）外気温度が高いほど、溶鋼１００や周辺機器の冷却速度が下がるので、溶鋼１００の冷却が不足する可能性が高くなる。したがって、外気温度と、非定常バルジングの発生の有無とには相関がある。
（Ｆ）溶鋼１００の組成（鋼種）に応じて例えば凝固温度が変化する等の理由で、溶鋼１００の冷却が不足する可能性が変化する。したがって、溶鋼１００の組成と、非定常バルジングの発生の有無とには相関がある。
（Ｇ）溶鋼１００を冷却するスプレー群２４に関するパターンに応じて、溶鋼１００の冷却が不足する可能性が変化する。したがって、溶鋼１００を冷却するスプレー群２４に関するパターン（例えば、複数のスプレーの配置パターン、冷却水の量）と、非定常バルジングの発生の有無とには相関がある。
（Ｈ）冷却水の温度が高いほど、溶鋼１００の冷却が不足する可能性が高くなる。したがって、冷却水の温度と、非定常バルジングの発生の有無とには相関がある。

【0036】

学習段階において通信部６００は、学習用の説明変数と学習用の目的変数と連続鋳造の各チャージの鋳造番号とを、制御装置３から取得する。

【0037】

記憶部６０１は、機械学習の学習モデルを記憶する。記憶部６０１は、説明変数と目的変数とを、チャージの鋳造番号ごとに記憶する。記憶部６０１は、機械学習の手法を表すアルゴリズムデータを、学習部６０２が実行するプログラムとして記憶する。記憶部６０１は、学習部６０２によって更新された学習モデルを、学習済モデルとして記憶してもよい。

【0038】

学習部６０２は、学習用の説明変数と学習用の目的変数との間の相関関係に基づいて機械学習の手法を用いて学習モデルを更新することによって、学習済モデルを生成する。機械学習の手法は、特定の機械学習の手法に限定されない。例えば、機械学習の手法は、ランダムフォレストと、サポートベクターマシンと、ロジスティック回帰分析と、多項式ロジスティック回帰分類とのうちのいずれでもよい。

【0039】

学習部６０２は、学習用の説明変数を、記憶部６０１から取得する。学習部６０２は、学習用の説明変数を、学習モデルに入力する。学習部６０２は、学習モデルの出力と正解データとの誤差を導出する。学習部６０２は、誤差が少なくなるように、例えば誤差逆伝播法を用いて学習モデルを更新する。

【0040】

次に、予測装置６１（予測段階）の詳細を説明する。
予測段階において、通信部６１０は、連続鋳造の各チャージの鋳造の実行中に、予測用の説明変数を制御装置３から取得する。第１実施形態では、操業データは、操業条件の設定値と操業の計測値（実測値）とのうちの少なくとも一方を表すデータである。通信部６１０は、機械学習の学習済モデルを、通信部６００から取得する。

【0041】

記憶部６１１は、機械学習の学習済モデルを記憶する。記憶部６１１は、チャージの鋳造番号ごとに記憶する。記憶部６１１は、機械学習の手法を表すアルゴリズムデータを、予測部６１２が実行するプログラムとして記憶する。

【0042】

予測部６１２は、予測用の説明変数を学習済モデルに入力し、非定常バルジング性湯面レベル変動が発生するか否か（予測結果）を、連続鋳造の各チャージの鋳造の実行中に、学習済モデルの出力（０：発生しない、１：発生する）に基づいて予測する。

【0043】

表示部６１３は、液晶ディスプレイ等の表示デバイスである。表示部６１３は、例えば、非定常バルジング性湯面レベル変動が発生するか否か（予測結果）を表す画像を、各チャージの鋳造の実行中に表示する。なお、表示部６１３は、タッチパネルを備えてもよい。タッチパネルは、所定の操作を受け付ける。タッチパネルによって受け付けられた操作に応じた信号は、例えば指示信号として、通信部６１０を経由して学習部６０２及び予測部６１２に送信される。

【0044】

次に、予測システム６の動作例について説明する。
図２は、実施形態における、学習装置６０の動作例を示すフローチャートである。図２に示された動作は、予測段階よりも前の学習段階において実行される。通信部６００は、実行されたチャージの鋳造が学習対象のチャージの鋳造であるか否かを判定する。学習対象であるか否かは、例えば連続鋳造システムを運用する担当者によって予め定められる（ステップＳ１０１）。実行されたチャージの鋳造が学習対象以外のチャージの鋳造であると判定された場合（ステップＳ１０１：ＮＯ）、通信部６００は、ステップＳ１０１の処理を、所定時間の経過後に再実行する。

【0045】

実行されたチャージの鋳造が学習対象のチャージの鋳造であると判定された場合（ステップＳ１０１：ＹＥＳ）、通信部６００は、学習用の説明変数を、制御装置３から取得する（ステップＳ１０２）。通信部６００は、学習用の目的変数を、制御装置３から取得する（ステップＳ１０３）。

【0046】

記憶部６０１は、学習用の説明変数と学習用の目的変数とを、通信部６００から取得する。学習部６０２は、学習用の説明変数と学習用の目的変数とを、記憶部６０１から取得する。学習部６０２は、学習用の説明変数を、学習モデルに入力する（ステップＳ１０４）。学習部６０２は、学習モデルの出力と学習用の目的変数との誤差を導出する（ステップＳ１０５）。学習部６０２は、誤差が少なくなるように、例えば誤差逆伝播法を用いて学習モデルを更新する（ステップＳ１０６）。

【0047】

学習部６０２は、学習段階を終了させるか否かを、所定の指示信号に基づいて判定する（ステップＳ１０７）。学習段階を継続させると判定された場合（ステップＳ１０７：ＮＯ）、学習部６０２は、ステップＳ１０１に処理を戻す。学習段階を終了させると判定された場合（ステップＳ１０７：ＹＥＳ）、学習部６０２は、更新された学習用の説明変数と学習済モデルとを、記憶部６０１に記録する（ステップＳ１０８）。

【0048】

図３は、実施形態における、予測装置６１の動作例を示すフローチャートである。図３に示された動作は、学習段階よりも後の予測段階における、例えば各チャージの鋳造の前のタイミングで実行される。

【0049】

通信部６１０は、学習済モデルを学習装置６０から取得する（ステップＳ２０１）。通信部６１０は、実行される連続鋳造のチャージの鋳造が予測対象のチャージの鋳造であるか否かを判定する。予測対象であるか否かは、例えば連続鋳造装置１を運用する担当者によって予め定められる（ステップＳ２０２）。実行されるチャージの鋳造が予測対象以外のチャージの鋳造であると判定された場合（ステップＳ２０２：ＮＯ）、通信部６１０は、ステップＳ２０２の処理を、所定時間の経過後に再実行する。

【0050】

実行される連続鋳造のチャージの鋳造が予測対象のチャージの鋳造であると判定された場合（ステップＳ２０２：ＹＥＳ）、通信部６１０は、予測用の説明変数を制御装置３から取得する。記憶部６１１は、取得された予測用の説明変数を記憶する。予測部６１２は、記憶された予測用の説明変数を、記憶部６１１から取得する（ステップＳ２０３）。

【0051】

予測部６１２は、学習済モデルを記憶部６１１から取得する。予測部６１２は、通信部６１０を用いて、学習済モデルを学習装置６０から取得してもよい。予測部６１２は、予測用の説明変数を、学習済モデルに入力する（ステップＳ２０４）。予測部６１２は、非定常バルジング性湯面レベル変動が発生するか否か（非定常バルジングが発生するか否か）を、学習済モデルの出力（０：発生しない、１：発生する）に基づいて予測する（ステップＳ２０５）。非定常バルジング性湯面レベル変動が発生しない（非定常バルジングが発生しない）と予測された場合（ステップＳ２０５：ＮＯ）、予測部６１２は、ステップＳ２０２に処理を戻す。

【0052】

非定常バルジング性湯面レベル変動が発生（非定常バルジングが発生する）と予測された場合（ステップＳ２０５：ＹＥＳ）、予測部６１２は、非定常バルジングが発生する旨を、例えば制御装置３又はオペレータに通知する。予測部６１２は、非定常バルジングが発生する旨を、表示部６１３に表示させてもよい（ステップＳ２０６）。

【0053】

制御装置３は、通知に基づいて駆動装置４の動作を制御してもよい。例えば、制御装置３は、溶鋼１００を冷却するスプレー群２４による運転パターンを、適正な操業条件となるように、各チャージの鋳造の実行中に変更してもよい。制御装置３は、通知に基づいて、適正な操業条件（例えば、適正な運転パターン及び鋳造速度）をオペレータに提示してもよい。適正な操業条件が存在しない場合、制御装置３は、通知に基づいて警告をオペレータに発してもよい。

【0054】

次に、機械学習（教師あり学習、分類問題）の手法を用いた予測結果の評価例を説明する。

【0055】

予測値は、非定常バルジング性湯面レベル変動が発生すると予測された場合に１であり、非定常バルジング性湯面レベル変動が発生しないと予測された場合に０である。実測値（計測値）は、非定常バルジング性湯面レベル変動が実際に発生した場合に１であり、非定常バルジング性湯面レベル変動が実際に発生しなかった場合に０である。

【0056】

以下では、予測値が真（正解）であること（予測値と実測値とが同じであること）を「Ｔ」と表記する。予測値が偽（不正解）であること（予測値と実測値とが異なること）を「Ｆ」と表記する。値が陽（＝１）であることを「Ｐ」と表記する。値が陰（＝０）であることを「Ｎ」と表記する。以下では、真陽性を「ＴＰ」と表記する。偽陰性を「ＦＮ」と表記する。偽陽性（過検知）を「ＦＰ」と表記する。真陰性を「ＴＮ」と表記する。

【0057】

一例として、学習用の説明変数と学習用の目的変数との組み合わせを含む評価データは、３７８点（＝ＴＰ＋ＦＮ＋ＦＰ＋ＴＮ）である。

【0058】

学習用の目的変数は、過去の連続鋳造における、非定常バルジング性湯面レベル変動の発生の有無（０：発生しない、１：発生する）である。学習用の説明変数は、過去の連続鋳造における、鋳片のサイズ（ｍｍ^２）と、鋳造速度（ｍ／ｍｉｎ）と、溶鋼１００の温度（℃）と、連続鋳造の連続操業の回数（連連鋳回数）と、外気温度（℃）と、溶鋼１００の組成（炭素、ケイ素、マンガン、リン、硫黄）と、溶鋼１００を水で冷却するスプレー群２４に関する運転パターンの識別番号である。学習用の説明変数には、冷却水（ミスト）の温度と、冷却水の量とがさらに含まれてもよい。学習用の説明変数は、季節ごと（年間における予め定められた期間ごと）に用意されてもよい。

【0059】

図４は、実施形態における、ロジスティック回帰分類の予測結果の評価例を示す図である。図４では、正則化の強度のパラメータ「Ｃ」は１である。すなわち、パラメータ「Ｃ」は、誤分類がどの程度許容されるのかを表すパラメータである。したがって、パラメータ「Ｃ」の値が大きいほど、適合率は高くなり易い。

【0060】

予測段階における適合率は、０．５６７（＝Ｐｒｅｃｉｓｉｏｎ＝ＴＰ／（ＴＰ＋ＦＰ）＝３４／（３４＋２６））である。予測段階における再現率は、０．５４８（＝Ｒｅｃａｌｌ＝ＴＰ／（ＴＰ＋ＦＮ）＝３４／（３４＋２８））である。予測段階におけるＦ１値（再現率と適合率との調和平均）は、０．５５７（＝２×Ｒｅｃａｌｌ×Ｐｒｅｃｉｓｉｏｎ／（Ｒｅｃａｌｌ＋Ｐｒｅｃｉｓｉｏｎ）＝２×０．５４８×０．５６７／（０．５４８＋０．５６７））である。なお、学習段階におけるＦ１値は、０．７６９であった。

【0061】

図５は、実施形態における、多項式ロジスティック回帰分類の予測結果の評価例を示す図である。図５では、正則化の強度のパラメータ「Ｃ」は５０である。予測段階における適合率は、０．５８３（＝２８／（２８＋２０））である。予測段階における再現率は、０．４５１（＝２８／（２８＋３４））である。予測段階におけるＦ１値は、０．５０９（＝２×０．４５１×０．５８３／（０．４５１＋０．５８３））である。なお、学習段階におけるＦ１値は、０．８５７であった。

【0062】

図６は、実施形態における、サポートベクターマシン（Support Vector Machine : SVM）を用いるクラス分類（Support Vector Classification : SVC）（線形カーネル）の予測結果の評価例を示す図である。図６では、正則化の強度のパラメータ「Ｃ」は１０である。予測段階における適合率は、０．５２９（＝３６／（３６＋３２））である。予測段階における再現率は、０．５８１（＝３６／（３６＋２６））である。予測段階におけるＦ１値は、０．５５４（＝２×０．５８１×０．５２９／（０．５８１＋０．５２９））である。なお、学習段階におけるＦ１値は、０．７８０であった。

【0063】

図７は、実施形態における、サポートベクターマシンを用いるクラス分類（非線形カーネル）の予測結果の評価例を示す図である。図７では、正則化の強度のパラメータ「Ｃ」は１０である。クラス分類には２乗の多項式が用いられる。パラメータ「γ」は、点分布図において線からの距離が短い点と線からの距離が長い点とのうちのいずれを重視するのかを表す。パラメータ「γ」の値は、０．０１である。「γ」の値が大きいほど、点分布図において線からの距離が短い点が重視される。

【0064】

予測段階における適合率は、０．３９６（＝４２／（４２＋６４））である。予測段階における再現率は、０．６７７（＝４２／（４２＋２０））である。予測段階におけるＦ１値は、０．５００（＝２×０．６７７×０．３９６／（０．６７７＋０．３９６））である。なお、学習段階におけるＦ１値は、０．７８３であった。

【0065】

図８は、実施形態における、ランダムフォレストを用いる予測結果の評価例を示す図である。予測段階における適合率は、１．０００（＝１８／（１８＋０））である。予測段階における再現率は、０．２９０（＝１８／（１８＋４４））である。予測段階におけるＦ１値は、０．４５０（＝２×１．０００×０．２９０／（１．０００＋０．２９０））である。なお、学習段階におけるＦ１値は、０．９７７であった。

【0066】

非定常バルジング性湯面レベル変動が発生しない場合であるにも関わらず、非定常バルジング性湯面レベル変動の発生を防止するための不要な対処が各チャージの鋳造の前に実行されてしまうと、連続鋳造の正常な連続操業を誤って止めてしまう。このため、偽陽性「ＦＰ」の個数は少ないほうが望ましい。ランダムフォレストが用いられた予測結果では、偽陽性「ＦＰ」の個数は０である。そこで、予測部６１２は、非定常バルジング性湯面レベル変動の発生の有無を、ランダムフォレストを優先的に用いて予測してもよい。これによって、連続鋳造の正常な連続操業を予測部６１２が誤って止めてしまう可能性を低減することができる。

【0067】

上記より、非定常バルジング性湯面レベル変動が発生するか否かを連続鋳造の各チャージの鋳造の実行中に予測することが可能である。これにより、初期凝固の不安定化によるブレイクアウトと鋳片の品質低下とを防ぐ事が出来る。加えて、学習モデルを用いて鋳造条件の最適化を行う事で、鋳造速度や出片温度の上昇を行う事が可能になる。

【0068】

上記非定常バルジング性湯面レベル変動の予測が可能になることにより、溶鋼の組成（例えば炭素量）と冷却水温度とに応じて鋳造条件の最適化を行うことが可能である。

【0069】

（第２実施形態）
第２実施形態では、予測用の説明変数の一部が予測用の仮想データ（仮想設定値及び仮想計測値）に差し替えられる点が、第１実施形態と相違する。仮想データとは、シミュレーション等を用いて予め定められるデータ（設定値及び計測値）である。予測用の説明変数の一部とは、予測用の説明変数のうちで、例えば、鋳造の実行中に値の変化が予測される説明変数である。第２実施形態では、第１実施形態との相違点を主に説明する。

【0070】

温度センサ２５は、各チャージの鋳造の実行中（実行直後）に、タンディッシュ２０に流し込まれた溶鋼１００の温度を計測する。通信部６１０は、連続鋳造の各チャージの鋳造の実行中に、予測用の説明変数を、制御装置３から取得する。予測部６１２は、予測用の説明変数の一部を、予測用の仮想データに差し替える。予測部６１２は、一部が差し替えられた予測用の説明変数を学習済モデルに入力し、非定常バルジング性湯面レベル変動が発生するか否か（予測結果）を、連続鋳造の各チャージの鋳造の実行中に、学習済モデルの出力（０：発生しない、１：発生する）に基づいて予測する。

【0071】

制御装置３は、非定常バルジング性湯面レベル変動の発生の有無の予測結果を、各チャージの鋳造の実行中に、予測装置６１から取得する。制御装置３は、通知に基づいて、適正な操業条件（例えば、適正な運転パターン及び鋳造速度）をオペレータに提示してもよい。また、制御装置３は、通知に基づいて警告をオペレータに発してもよい。これによって、各チャージの鋳造の実行中に、非定常バルジングの発生が防止される。

【0072】

このように、予測用の説明変数の一部が、予測用の仮想データと差し替えられる。一部が差し替えられた予測用の説明変数セットが、学習済モデルに入力される。このような学習済モデルが予測結果を出力する。これによって、非定常バルジング性湯面レベル変動が発生するか否かを、連続鋳造の各チャージの鋳造の実行中に予測することが可能である。操業中に、能動的な要因（例えば、鋳造速度の増速など）による非定常バルジング発生を予測して、操業条件を適正化することが可能である。

【0073】

（第３実施形態）
第３実施形態では、連続鋳造の各チャージの鋳造の実行前に、非定常バルジング性湯面レベル変動が発生するか否かが予測される点が、第１実施形態及び第２実施形態と相違する。第３実施形態では、第１実施形態及び第２実施形態との相違点を主に説明する。

【0074】

第３実施形態では、予測用の説明変数の全てが、予測用の仮想データである。すなわち、予測用の説明変数は、操業データを含まない。第３実施形態では、予測システム６は、非定常バルジング性湯面レベル変動が発生するか否かを、連続鋳造の各チャージの鋳造の実行前に予測するシステムである。例えば、図３に示された動作は、各チャージの鋳造前に実行される。

【0075】

通信部６１０は、連続鋳造の各チャージの鋳造の実行前に、操業データ（計測値等）を含まない説明変数を、予測用の説明変数として制御装置３から取得する。操業データを含まない説明変数は、例えばシミュレーションを用いて、予め定められる。予測部６１２は、学習済モデルに予測用の説明変数を入力し、非定常バルジング性湯面レベル変動が発生するか否かを、連続鋳造の各チャージの鋳造の実行前に、学習済モデルの出力（０：発生しない、１：発生する）に基づいて予測する。

【0076】

制御装置３は、非定常バルジング性湯面レベル変動の発生の有無の予測結果を、各チャージの鋳造の実行前に、予測装置６１から取得する。制御装置３は、通知に基づいて、適正な操業条件（例えば、適正な運転パターン及び鋳造速度）をオペレータに提示してもよい。適正な操業条件が存在しない場合、制御装置３は、通知に基づいて警告をオペレータに発してもよい。これによって、各チャージの鋳造の実行前に、非定常バルジングの発生が防止される。

【0077】

このように、シミュレーションに基づく予測用の説明変数セットが、学習済モデルに入力される。学習済モデルは、シミュレーションに基づく予測用の説明変数セットを用いて、予測結果を出力する。これによって、非定常バルジング性湯面レベル変動が発生するか否かを、連続鋳造の各チャージの鋳造の実行前に予測することが可能である。受動的な要因（例えば、鍋交換後のタンディッシュ２０内における温度の変動など）による非定常バルジング発生を操業前に予測して、次回の操業における操業条件（例えば、鋳造速度を減速させるか否かを判定するための条件）に反映することが可能である。

【0078】

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】

【0079】

１…連続鋳造装置、２…連続鋳造機、３…制御装置、４…駆動装置、５…通信回線、６…予測システム、２０…タンディッシュ、２１…スライディングノズル、２２…モールド、２３…ロール群、２４…スプレー群、２５…温度センサ、２６…レベルセンサ、６０…学習装置、６１…予測装置、１００…溶鋼、１０１…外殻、６００…通信部、６０１…記憶部、６０２…学習部、６１０…通信部、６１１…記憶部、６１２…予測部、６１３…表示部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】