CN116324323A - 生成预测熔化炉的能量效率的学习完毕预测模型的方法、预测熔化炉的能量效率的方法以及计算机程序 - Google Patents

Abstract

生成学习完毕模型的方法包括：步骤(S110)，按每一次加料取得工艺状态参数；步骤(S130)，对在m次量(m为2以上的整数)的加料中取得的一个或多个工艺状态参数的数据集应用机器学习来执行前处理；步骤(S140)，生成学习数据集；以及步骤(S150)，生成学习完毕模型。学习数据集基于在前处理中提取出的n(n为1以上的整数)维特征量而生成，至少包含表示按每一次加料设定的工艺基本信息的一个或多个工艺目标参数。

Description

生成预测熔化炉的能量效率的学习完毕预测模型的方法、预 测熔化炉的能量效率的方法以及计算机程序

技术领域

本发明涉及生成预测熔化炉的能量效率的学习完毕预测模型的方法、预测熔化炉的能量效率的方法、以及计算机程序。

背景技术

期望钢铁业以及非铁金属业中的熔化工艺的节能化。在熔化工艺中，使用熔化炉(高炉)的熔化工艺的条件根据各种因素而不同，但至今为止，大多依赖于作业人员的经验、试错。因此，有时白白地消耗能量、材料。

伴随近年的ICT技术的进展，利用数据，对使熔化工艺最佳化的方法进行了研究。例如，在专利文献1中公开了一种方法，从由设置于高炉设备的各种传感器测量出的时间序列数据中提取工艺变量并保存于检索用表中，从检索表中检索类似度高的工艺变量，基于过去的类似的熔化工艺的事例来预测熔化工艺的将来的状态。

在先技术文献

专利文献

专利文献1：日本特开2007-4728号公报

发明内容

发明所要解决的课题

根据专利文献1所记载的方法，由于使用从时间序列数据提取的工艺变量，因此能够高速且高精度地求出在该时刻求取的工艺变量，基于过去的类似的熔化工艺的事例，来预测熔化工艺的将来的状态。

然而，专利文献1所记载的方法中使用的推论算法是检索过去的类似的熔化工艺的事例检索基础。因此，所得到的工艺变量只会在过去的实绩的范围内且其类似事例的附近。因此，难以得到不在类似事例的附近的范围的解。

本发明鉴于上述课题而作，其目的在于提供一种预测熔化炉的能量效率的学习完毕预测模型的生成方法、利用该预测模型来预测能量效率的方法、以及利用该预测模型能够辅助满足所希望的能量效率的熔化炉的运转条件的选定的系统。

用于解决课题的手段

本发明的生成预测熔化炉的能量效率的学习完毕预测模型的方法在非限定性且例示的实施方式中，包括：按从原料装入到熔化完成为止的每一次加料，取得属性不同的一个或多个工艺状态参数的步骤，其中，各个工艺状态参数由基于来自设置于所述熔化炉的各种传感器的输出而取得的连续的时间序列数据组规定；对在m次量(m为2以上的整数)的加料中取得的所述一个或多个工艺状态参数的数据集应用机器学习来执行前处理的步骤，其中，所述前处理包括从包含按每一次加料取得的时间序列数据组的各个工艺状态参数提取n维特征量(n为1以上的整数)的处理；基于所提取出的n维特征量来生成学习数据集的步骤，其中，所述学习数据集至少包含表示按每一次加料设定的工艺基本信息的一个或多个工艺目标参数；以及使用所生成的所述学习数据集来训练预测模型，并生成所述学习完毕预测模型的步骤。

本发明的预测熔化炉的能量效率的方法在非限定性且例示的实施方式中，包括：作为运行时的输入，接收输入数据的步骤，该输入数据包含控制模式候补、工艺模式候补、以及表示按从原料装入到熔化完成为止的每一次加料所设定的工艺基本信息的一个或多个工艺目标参数；向预测模型输入所述输入数据，并输出每一次加料的预测能量效率的步骤，所述预测模型是利用基于从属性不同的一个或多个工艺状态参数提取的n维特征量而生成的学习数据集进行学习而得到的学习完毕模型，所述一个或多个工艺状态参数分别由基于来自设置于所述熔化炉的各种传感器的输出按每一次加料取得的连续的时间序列数据组规定，所述学习数据集包括一个或多个工艺目标参数，该一个或多个工艺目标参数包含所述输入数据中所包含的所述工艺目标参数的数据范围。

本发明的计算机程序在非限定性且例示的实施方式中，用于使计算机执行如下步骤：取得预测熔化炉的能量效率的预测模型的步骤；接收输入数据的步骤，该输入数据包含控制模式候补、工艺模式候补、以及表示按从原料装入到熔化完成为止的每一次加料所设定的工艺基本信息的一个或多个工艺目标参数；以及向所述预测模型输入所述输入数据，并输出每一次加料的预测能量效率的步骤，所述预测模型是利用基于从属性不同的一个或多个工艺状态参数提取的n维特征量而生成的学习数据集进行学习而得到的学习完毕模型，所述一个或多个工艺状态参数分别由基于来自设置于所述熔化炉的各种传感器的输出按每一次加料取得的连续的时间序列数据组规定，所述学习数据集包括一个或多个工艺目标参数，该一个或多个工艺目标参数包含所述输入数据中所包含的所述工艺目标参数。

发明效果

本发明的例示的实施方式提供一种预测熔化炉的能量效率的学习完毕预测模型的生成方法、利用该预测模型来预测能量效率的方法、以及能够利用该预测模型来辅助满足所希望的能量效率的熔化炉的运转条件的选定的系统。

附图说明

图1是例示熔化炉的结构的示意图。

图2是例示本发明的实施方式所涉及的熔化炉的运转辅助系统的概略结构的框图。

图3是表示本发明的实施方式所涉及的数据处理装置的硬件结构例的框图。

图4是表示具有保存有庞大的数据的数据库的云服务器的结构例的硬件框图。

图5是例示本发明的实施方式所涉及的、生成预测熔化炉的能量效率的学习完毕预测模型的处理过程的流程图。

图6是表示第一实现实例的处理过程的流程图。

图7是用于说明对工艺状态参数组应用编码处理，提取n维特征向量的处理的图。

图8是表示神经网络的结构例的图。

图9例示包含从预测模型输出的每一次加料的预测能量效率的表。

图10是表示第二实现实例的处理过程的流程图。

图11是表示第三实现实例的处理过程的流程图。

图12是用于说明对l×m×n维特征向量应用聚类，生成m维控制模式向量的处理的图。

图13例示包含从预测模型输出的每一次加料的预测能量效率的表。

图14是表示第四实现实例的处理过程的流程图。

图15是用于说明对规定主要的工艺状态参数的时间序列工艺数据组应用编码处理以及聚类，生成m维工艺模式向量的处理的图。

图16例示包含从预测模型输出的每一次加料的预测能量效率的表。

图17是表示第五实现实例的处理过程的流程图。

图18是例示将输入数据输入到学习完毕模型，并输出包含能量效率的预测值的输出数据的处理的图。

图19A是表示比较例中的预测精度的评价结果的图表。

图19B是表示第一实现实例中的预测精度的评价结果的图表。

图19C是表示第二实现实例中的预测精度的评价结果的图表。

图19D是表示第三实现实例中的预测精度的评价结果的图表。

图19E是表示第四实现实例中的预测精度的评价结果的图表。

图20是表示第五实现实例中的预测精度的评价结果的图表。

具体实施方式

铝(Al)合金(以下记为“铝合金”。)等合金材料经过包括多种工艺的多个制造工艺来制造。例如，用于半连续(DC)铸造铝合金的制造工艺可以包括：用熔化炉熔化材料的工艺；在保持炉中保持熔融金属，进行成分调整、温度调整的工艺；使用连续脱气装置对氢气进行脱气的工艺；利用RMF(Rigid Media Tube Filter：刚性介质管过滤器)除去夹杂物的工艺；以及铸造板坯的工艺。熔化工艺可以包括在熔化炉中装入材料后追加装入热料或冷料的处理(材料的再利用)、除去浮渣的处理、进行再加热的处理等进一步的工艺。这一系列的工序是在线工序。

根据本申请发明人的研究，在线工序中，熔化工艺的最佳化受到后工序的影响，因此很复杂。此外，基于物理模型的模拟存在极限，基于模拟的工艺的最佳化困难。

材料制造商例如可以在数年、10年、20年或者更长年月的期间，将在制造的阶段取得的庞大的时间序列工艺数据蓄积于数据库中。时间序列工艺数据可以与设计/开发的信息、制造时的气候数据、试验数据等建立关联地蓄积于数据库中。这样的数据组被称为大数据。然而，在材料制造商中，现状是还没有有效地灵活利用大数据。

鉴于这样的课题，本申请发明人构思设想出一种新的方法，能够利用灵活利用现有的大数据而构筑的数据驱动型的能量效率的预测模型，将熔化工艺的条件最佳化。

以下，参照附图，对本发明的生成预测熔化炉的能量效率的学习完毕预测模型的方法、预测熔化炉的能量效率的方法以及运转辅助系统详细进行说明。其中，存在省略所需以上过度详细的说明的情况。例如，有时省略已经众所周知的事项的详细说明以及对于实质上相同的结构或处理的重复说明的情况。这是为了避免以下的说明不必要地变得冗长，使本领域技术人员容易理解。此外，有时对实质上相同的结构或处理标注相同的参照符号。

以下的实施方式为例示，本发明的生成预测熔化炉的能量效率的学习完毕预测模型的方法、预测熔化炉的能量效率的方法以及运转辅助系统并不限定于以下的实施方式。例如，在以下的实施方式中示出的数值、形状、材料、步骤、该步骤的顺序等仅为一例，只要在技术上不产生矛盾则能够进行各种改变。此外，只要在技术上不产生矛盾，则能够将一个方式与其他方式组合。

图1是例示熔化炉700的结构的示意图。本实施方式中的熔化炉700是从上方装入材料703的顶部加料式。通过使从高速燃烧器701喷射的火焰702与材料直接接触，从而使材料熔化。可以在熔化炉设置一个或多个传感器。在图示的例子中，测量从熔化炉700的烟道704排出的废气的流量的流量传感器705A、检测燃烧废气所包含的特定的成分的气体传感器708、测量高速燃烧器701中的燃烧空气的流量的流量传感器705B、测量高速燃烧器701中的燃烧气体的流量的流量传感器705C、测量熔化炉700内的压力的压力传感器706、以及测量熔化炉700内的炉内气氛的温度的温度传感器707设置于熔化炉700。

各种传感器以给定的采样间隔测量数据。给定的采样间隔的例子为1秒钟或1分钟。由各种传感器测量出的数据例如保存于数据库100中。各种传感器与数据库之间的通信例如通过遵循Wi-Fi(注册商标)标准的无线通信来实现。

在此，对本说明书中记载的用语进行定义。

本实施方式中的熔化炉的能量效率的预测值是指燃料使用量预测值相对于平均燃料使用量的比率。但是，熔化炉的能量效率的预测值并不限定于此，可以与能够由其他计算式定义的所有能量效率的预测值相关联。例如，熔化炉的能量效率的预测值可以通过遵循国际标准ISO 14404的CO₂原单位来定义。

将基于来自设置于熔化炉700的各种传感器的输出而取得的时间序列数据称为“工艺数据”。工艺数据的例子是废气流量(m³/h)、燃烧空气流量(m³/h)、燃烧气体流量(m³/h)、炉内压力(kPa)，炉内气氛温度(℃)、或废气分析浓度(％)。

将从原料装入到熔化完成为止的每一次加料所取得的连续的时间序列数据组称为“工艺状态参数”。换言之，工艺状态参数由每一次加料所取得的工艺数据的连续的时间序列数据组规定。与工艺数据同样，工艺状态参数的例子是废气流量、燃烧空气流量、燃烧气体流量、炉内压力、炉内气氛温度。

将表示每一次加料所设定的熔化工艺的基本信息的数据称为“工艺目标参数”。工艺目标参数的例子是材料装入量(ton)、熔化时间(min)。工艺目标参数是非时间序列数据，作为固有值而给出。

将包含外部环境因子的参数称为“干扰参数”。干扰参数的例子是平均气温(℃)等气候数据。气候数据是时间序列数据。干扰参数除了气候数据以外，例如，可以包含与作业人员、作业组相关的数据、作业时刻等。

图2是例示本实施方式所涉及的熔化炉的运转辅助系统1000的概略结构的框图。熔化炉的运转辅助系统(以下简记为“系统”。)1000具备存储有基于来自多个传感器的输出而取得的多个时间序列工艺数据的数据库100以及数据处理装置200。在本实施方式中，数据库100保存与废气流量、燃烧空气流量、燃烧气体流量、炉内压力、炉内气氛温度分别相关的、通过多次加料而取得的工艺状态参数组。数据库100可以保存每一次加料的材料装入量、熔化时间的工艺目标参数。进而，数据库100例如能够将平均气温等气候数据与工艺目标参数建立关联地保存。数据处理装置200能够访问数据库100中蓄积的庞大的数据，取得属性不同的一个或多个工艺状态参数以及一个或多个工艺目标参数。

数据库100是半导体存储器、磁存储装置或光学存储装置等存储装置。

数据处理装置200具备数据处理装置的主体201以及显示装置220。例如，在数据处理装置的主体201中安装有用于生成预测模型的软件(或固件)、以及用于在运行时利用学习完毕的预测模型来预测能量效率的软件，上述预测模型是用于生成灵活利用数据库100中蓄积的数据来预测熔化炉的能量效率的模型。这样的软件例如可记录于光盘等计算机可读取的记录介质中，作为封装软件来销售或者经由因特网来提供。

显示装置220例如是液晶显示器或有机EL显示器。显示装置220例如基于从主体201输出的输出数据来显示每次加料的能量效率的预测值。

数据处理装置200的典型例为个人计算机。或者，数据处理装置200可以是作为熔化炉的运转辅助系统而发挥作用的专用的装置。

图3是表示数据处理装置200的硬件结构例的框图。数据处理装置200具备输入装置210、显示装置220、通信I/F230、存储装置240、处理器250、ROM(Read Only Memory：只读存储器)260以及RAM(Random Access Memory：随机存取存储器)270。这些构成要素经由总线280相互可通信地连接。

输入装置210是用于将来自用户的指示变换为数据而输入到计算机的装置。输入装置210例如是键盘、鼠标或触摸面板。

通信I/F230是用于在数据处理装置200与数据库100之间进行数据通信的接口。只要能够传输数据，则其方式、协议并无限定。例如，通信I/F230能够进行遵循USB、IEEE1394(注册商标)或以太网(注册商标)等的有线通信。通信I/F230能够进行遵循Bluetooth(注册商标)标准以及/或者Wi-Fi标准的无线通信。任一标准均包含利用2.4GHz频段或5.0GHz频段的频率的无线通信标准。

存储装置240例如是磁存储装置、光学存储装置、半导体存储装置或者它们的组合。光学存储装置的例子是光盘驱动器或光磁盘(MD)驱动器等。磁存储装置的例子是硬盘驱动器(HDD)、软盘(FD)驱动器或磁带记录器。半导体存储装置的例子是固态驱动器(SSD)。

处理器250是半导体集成电路，也被称为中央运算处理装置(CPU)或微处理器。处理器250依次执行保存在ROM260中的、记述了用于训练预测模型或者灵活利用学习完毕模型的命令组的计算机程序，来实现所希望的处理。处理器250被广泛解释为包含搭载有CPU的FPGA(Field Programmable Gate Array：现场可编程门阵列)、GPU(GraphicsProcessing Unit：图形处理单元)、ASIC(Application Specific Integrated Circuit：专用集成电路)或ASSP(Application Specific Standard Product：专用标准产品)的用语。

ROM260例如是可写入的存储器(例如PROM)、可改写的存储器(例如闪存)、或者读出专用的存储器。ROM260存储有控制处理器的动作的程序。ROM260不需要是单一的记录介质，可以是多个记录介质的集合。多个集合体的一部分也可以是可拆卸的存储器。

RAM270提供用于在引导时暂时展开保存在ROM260中的控制程序的作业区域。RAM270不需要是单一的记录介质，可以是多个记录介质的集合。

以下，说明几个本发明的系统1000的代表性结构例。

在某一个结构例中，系统1000具备图1所示的数据库100以及数据处理装置200。数据库100是与数据处理装置200不同的其他硬件。或者，能够通过将存储有庞大的数据的光盘等存储介质读入数据处理装置的主体201，从而取代数据库100而访问存储介质来读出庞大的数据。

图4是表示具有保存有庞大的数据的数据库340的云服务器300的结构例的硬件框图。

在另一个结构例中，系统1000如图4所示，具备一个或多个数据处理装置200以及云服务器300的数据库340。云服务器300具有处理器310、存储器320、通信I/F330以及数据库340。庞大的数据可以保存于云服务器300上的数据库340中。例如，多个数据处理装置200可以经由在公司内构筑的局域网(LAN)400连接。局域网400经由因特网服务提供商(IPS)与因特网350连接。各个数据处理装置200能够经由因特网350访问云服务器300的数据库340。

系统1000可以具备一个或多个数据处理装置200以及云服务器300。在该情况下，取代数据处理装置200具备的处理器250或者与处理器250协作，云服务器300具备的处理器310能够依次执行记述了用于训练预测模型或者灵活利用学习完毕模型的命令组的计算机程序。或者，例如，也可以是与同一LAN400连接的多个数据处理装置200协作执行记述了这样的命令组的计算机程序。通过这样使多个处理器进行分散处理，能够降低对各个处理器的运算负荷。

＜1.学习完毕预测模型的生成＞

图5是例示本实施方式中的生成预测熔化炉的能量效率的学习完毕预测模型的处理过程的流程图。以下，学习完毕预测模型记载为“学习完毕模型”。

本实施方式的学习完毕模型用于预测铝合金的制造所使用的熔化炉的能量效率。但是，学习完毕模型也可以利用于预测铝合金以外的合金材料的制造所使用的熔化炉的能量效率。

本实施方式的生成学习完毕模型的方法包括：步骤S110，按每一次加料取得工艺状态参数；步骤S120，判定是否取得了m次加料量(m为2以上的整数)的工艺状态参数组；步骤S130，执行前处理；步骤S140，生成学习数据集；以及步骤S150，生成学习完毕模型。

执行各处理(或任务)的主体是一个或多个处理器。可以由一个处理器执行一个或多个处理，也可以由多个处理器协作来执行一个或多个处理。各处理以软件的模块单位记述于计算机程序中。但是，在使用FPGA等的情况下，这些处理的全部或一部分可以实现为硬件加速器。在以下的说明中，执行各个步骤的主体设为具备处理器250的数据处理装置200。

在步骤S110中，数据处理装置200访问数据库100，取得或获得从原料装入到熔化完成为止的每一次加料的、属性不同的一个或多个工艺状态参数。在本实施方式中，数据处理装置200访问保存在数据库100内的废气流量、燃烧空气流量、燃烧气体流量、炉内压力以及炉内气氛温度各自的工艺数据组，按每一次加料获得工艺状态参数。即，作为工艺状态参数，按每一次加料取得废气流量、燃烧空气流量、燃烧气体流量、炉内压力以及炉内气氛温度这5个。

数据处理装置200可以在多次加料的时间序列工艺数据组被保存到数据库100后访问数据库100，一并取得多次加料的工艺状态参数组(离线处理)。或者，数据处理装置200可以在一次加料的时间序列工艺数据组被保存到数据库100后，每次都访问数据库100，取得一次加料的工艺状态参数(在线处理)。

在步骤S120中，数据处理装置200反复执行步骤S110，直到取得m次加料量的工艺状态参数组。本实施方式中的加料次数m例如为1000次左右。数据处理装置200在取得包含m次加料量的工艺状态参数组的数据集时，进入到接下来的步骤S130。数据集包含在m次量的加料中所取得的废气流量、燃烧空气流量、燃烧气体流量、炉内压力以及炉内气氛温度这5个工艺状态参数组。

在步骤130中，数据处理装置200对在步骤S120中取得的数据集应用机器学习来执行前处理。在前处理中，针对属性不同的各个工艺状态参数，从包含按每一次加料取得的时间序列数据组的工艺状态参数提取n维特征量(n为1以上的整数)。在本说明书中，n维特征量有时记为n维特征向量。

在本实施方式中的前处理中应用的机器学习的例子是卷积自动编码器(CAE)、变分自动编码器(VAE)等自动编码器、以及k-means法、c-means法、混合高斯分布(GMM)、树状图法、频谱聚类或概率潜在语义解析法(PLSA或PLSI)等聚类。关于前处理，在后面详细说明。

在步骤S140中，数据处理装置200基于从每一次加料的各个工艺状态参数提取出的n维特征量来生成学习数据集。学习数据集至少包含表示按每一次加料设定的工艺基本信息的一个或多个工艺目标参数。学习数据集还能够包含一个或多个干扰参数，该一个或多个干扰参数包括气候数据等外部环境因子。在本实施方式中，学习数据集包含材料装入量、熔化时间这2个工艺目标参数、以及平均气温的干扰参数。但是，学习数据集可以包含其他工艺目标参数以及干扰参数。但是，干扰参数不是必须的参数，但通过包含在学习数据集中，能够提高能量效率的预测精度。

在步骤S150中，数据处理装置200使用所生成的学习数据集来训练预测模型，生成学习完毕模型。在本实施方式中，预测模型是有教师预测模型，利用神经网络来构筑。神经网络的例子是多层感知器(MLP)。MLP也被称为正向传播型神经网络。但是，有教师预测模型并不限定于神经网络，例如也可以是支持向量机或随机森林等。

本实施方式中的预测熔化炉的能量效率的学习完毕模型能够按照各种处理过程(即算法)来生成。以下，对算法的第一至第四实现实例进行说明。在第一至第四实现实例中，分别执行固有的前处理。包含记述了这样的算法的命令组的计算机程序例如可以经由因特网来提供。以下，以各个实现实例所固有的前处理为主来进行说明。

[第一实现实例]

图6是表示第一实现实例的处理过程的流程图。

第一实现实例的处理流程包括：取得工艺状态参数组的步骤(S110、S120)；执行前处理的步骤S130A；生成学习数据集的步骤S140；以及生成预学习完毕模型的步骤S150。

数据处理装置200取得包含m次加料量的工艺状态参数组的数据集。在本实现实例中，数据集包含废气流量、燃烧空气流量、燃烧气体流量，炉内压力以及炉内气氛温度这5个在m次量的加料中所取得的工艺状态参数组。

各种传感器的采样间隔根据测量对象的数据的属性而不同。例如，废气流量、燃烧空气流量、燃烧气体流量、炉内压力的工艺数据由流量传感器705、压力传感器706以采样间隔1秒进行测量，炉内气氛温度由温度传感器707以采样间隔1分钟进行测量。

在步骤130中，数据处理装置200针对各个工艺状态参数，对包含按每一次加料所取得的时间序列数据组的各个工艺状态参数应用编码处理S131A，提取n维特征量(或n维特征向量)。在本实施方式中，根据传感器的采样间隔提取的特征量的维数不同。数据处理装置200针对由以采样间隔1秒测量出的时间序列工艺数据组规定的工艺参数，提取n₁维特征向量。数据处理装置200针对由以采样间隔1分钟采样的系列工艺数据规定的工艺参数，提取n₂维特征向量。在本实现实例中，数据处理装置200从废气流量、燃烧空气流量、燃烧气体流量、炉内压力各自的工艺状态参数提取20维特征向量，从炉内气氛温度的工艺状态参数提取5维特征向量。

图7是用于说明对工艺状态参数组500应用编码处理S131A，提取n维特征向量的处理的图。在编码处理S131A中，应用作为自动编码器的一种的CAE或VAE的向量变换模型。在此，对CAE以及VAE的概要进行说明。

自动编码器是经过输入侧的降维(编码)以及输出侧的升维(解码)，输入与输出一致地反复学习参数的机器学习模型。自动编码器的学习可以是无教师学习或有教师学习。CAE具有在编码部分以及解码部分取代全连接层而利用了卷积层的网络构造。另一方面，VAE具有被表示为遵循N维正态分布的随机变量(潜在变量)的中间层。能够利用对输入数据进行降维而得到的潜在变量作为特征量。

本实现实例中的编码处理S131A是CAE。如图7所例示，数据处理装置200通过对工艺状态参数组500应用CAE，能够从规定工艺状态参数的时间序列工艺数据组提取每一次加料的n维特征向量。规定各个工艺状态参数的时间序列工艺数据组例如表现为30000维特征量。30000维相当于一次加料期间中的采样数(30000次)。

数据处理装置200通过对工艺状态参数组500应用CAE，从而按每一个工艺状态参数，生成m×n维特征向量。若将工艺状态参数的种类的数量设为l，则作为整体，生成l×m×n维特征向量510。在图7中，按每个工艺状态参数图示了按每次加料排列了n维特征向量的m×n维特征向量的表。

在使用平均值、积分值、斜率等作业人员或熟练者能够研究的代表值的情况下，由于它们只能在他们等能够研究的范围内计算，因此有可能产生遗漏。另一方面，通过对工艺状态参数组500应用编码处理，能够高精度地提取特征量，还能够提取预料外的特征量。

再次参照图6。

在步骤140中，数据处理装置200生成包含在步骤S130中生成的l×m×n维特征向量510、工艺目标参数以及干扰参数的学习数据集。本实现实例中的学习数据集包含与废气流量、燃烧空气流量、燃烧气体流量、炉内压力各自的工艺状态参数相关的[m×20]维特征向量、与炉内气氛温度的工艺状态参数相关的[m×5]维特征向量、材料装入量(工艺目标参数)、熔化时间(工艺目标参数)、以及平均气温(干扰参数)。

在步骤S150中，数据处理装置200使用在步骤S140中生成的学习数据集来训练预测模型，生成学习完毕模型。本实现实例中的预测模型是MLP。

图8是表示神经网络的结构例的图。图示的神经网络是由从第1层即输入层到第N层(最终层)即输出层为止的N层构成的MLP。N层当中的第2层至第N-1层是中间层(也称为“隐藏层”。)。构成输入层的单元(也称为“节点”。)的数量为与作为输入数据的特征量的维数相同的n个。即，输入层由n个单元构成。输出层由1个单元构成。在本实现实例中，中间层的数量为10个，单元的总数为500个。

在MLP中信息从输入侧向输出侧单向地传播。一个单元接收多个输入，计算一个输出。若将多个输入设为[x₁，x₂，x₃，……，x_i(i为2以上的整数)]，则向单元的总输入通过对各个输入x乘以不同的权重w进行相加，并对其加上偏置b的式1来给出。在此，[w₁，w₂，w₃，……，w_i]是针对各输入的权重。单元的输出z通过针对总输入u的被称为激活函数的式2的函数f的输出来给出。激活函数一般是单调增加的非线性函数。激活函数的例子是逻辑S型函数(日语：ロジスティックシグモイド関数)，由式3给出。式3中的e是纳皮尔数。

[式1]

u＝x₁w₁+x₂w₂+x₃w₃+……w_iw_i+b

[式2]

z＝f(u)

[式3]

f(u)＝[1/(1+e^-u)]

各层所包含的全部单元彼此在层间连接。由此，左侧的层的单元的输出成为右侧的层的单元的输入，通过该连接，信号从右侧的层向左侧的层单向地传播。通过一边使权重w以及偏置b的参数最佳化一边依次决定各层的输出，从而得到输出层的最终的输出。

作为训练数据，使用能量效率的实绩值。以神经网络中的输出层的输出接近实绩值的方式，基于损失函数(平方误差)使权重w以及偏置b的参数最佳化。在本实现实例中，例如进行10000次的学习。

图9例示包含从预测模型输出的每一次加料的预测能量效率的表。对预测模型进行训练后的结果如图9所例示，得到每一次加料的能量效率的预测值作为输出数据。该能量效率的预测值例如可以显示于显示装置220。作业人员能够确认显示于显示装置220的能量效率的预测值的列表，能够基于该能量效率的预测值，来选定所希望的熔化炉的运转条件。

[第二实现实例]

图10是表示第二实现实例的处理过程的流程图。

第二实现实例中的前处理在作为编码处理S131A而应用VAE这一点上，与第一实现实例不同。以下，主要说明与第一实现实例的不同点。

在步骤130B中，数据处理装置200针对各个工艺状态参数，对按每一次加料取得的时间序列工艺数据组应用VAE作为编码处理S131A，提取n维特征量。

在本实现实例中，数据处理装置200通过对工艺状态参数应用VAE，能够将作为输入的时间序列工艺数据组进行降维，变换为低维的潜在变量。例如，能够将表现为30000维特征量的时间序列工艺数据组变换为10维的潜在变量。

根据本实现实例，通过对时间序列工艺数据组应用VAE，能够按每个工艺状态参数提取10维特征向量。通过利用将VAE与神经网络统合而生成的预测模型，能够高精度地预测能量效率。进而，基于VAE的数据生成、即灵活利用被压缩为低维的潜在变量在能够按时间序列进行工艺的评价这一点上是有益的。例如，能够在工艺的每个阶段对熔化炉的运转条件进行调节。

[第三实现实例]

图11是表示第三实现实例的处理过程的流程图。

第三实现实例在基于n维特征量来生成控制模式这一点上，与第一或第二实现实例不同。以下，主要说明不同点。

数据处理装置200通过基于所提取出的n维特征量对规定各个工艺状态参数的时间序列工艺数据组进行模式化，来决定控制模式。

本实现实例中的前处理包括：步骤S130A，对规定工艺状态参数的时间序列工艺数据组应用编码处理S131A来提取n维特征量；以及步骤130C，对结合特征量(或结合特征向量)应用聚类S131B来生成控制模式。步骤S130A的处理如在第一实现实例中所述。聚类的例子是GMM或K-means法。本实现实例中的聚类是GMM。以下，简单地说明GMM以及k-means法各自的代表性的算法。这些算法能够比较简单地安装于数据处理装置200。

(混合高斯分布)

混合高斯分布(GMM)是基于概率分布的解析法，是表现为多个高斯分布的线性组合的模型。模型例如通过最大似然法来进行拟合。特别是，在数据组中存在多个集合的情况下，通过使用混合高斯分布，能够进行聚类。在GMM中，根据所提供的数据点，计算多个高斯分布各自的平均值以及方差。

(i)初始化各高斯分布的平均值以及方差。

(ii)针对每个簇计算对数据点赋予的权重。

(iii)基于通过(ii)计算出的权重，来更新各高斯分布的平均值以及方差。

(iv)反复执行(ii)以及(iii)，直到通过(iii)更新后的各高斯分布的平均值的变化变得充分小为止。

(k-means法)

关于k-means法，其方法比较简单，此外，能够应用于比较大的数据，因此在数据分析中被广泛利用。

(i)从多个数据点中，选择与簇的数量相应的适当的点，将它们指定为各簇的重心(或代表点)。数据也被称为“记录”。

(ii)计算各数据点与各簇的重心之间的距离，从存在与簇数相应数量的重心中，将距离最近的重心的簇设为该数据点所属的簇。

(iii)针对每个簇，计算属于各簇的多个数据点的平均值，将表示平均值的数据点设为各簇的新的重心。

(iv)反复执行(ii)以及(iii)，直到簇间的全部数据点的移动收敛、或者达到计算步骤数的上限。

在步骤S130C中，数据处理装置200通过将在步骤S130A中提取出的n维特征量作为输入数据来执行聚类，从而决定包含表示m次量的加料的各个工艺属于哪个组的标签的控制模式。例如，通过聚类，能够将所输入的n维特征向量分类为10组。

在步骤S132中，数据处理装置200将从各个工艺状态参数按每一次加料取得的n维特征向量全部结合而生成每一次加料的结合特征向量。数据处理装置200例如将从废气流量、燃烧空气流量、燃烧气体流量、炉内压力分别提取出的20维特征向量与从炉内气氛温度提取出的5维特征向量进行结合，按每一次加料生成85维结合特征向量。数据处理装置200最终生成m次量的加料的85维结合特征向量。

数据处理装置200通过对结合特征向量应用聚类，来决定包含表示m次量的加料的各个工艺属于哪个组的标签的控制模式。数据处理装置200执行聚类，例如将每一次加料的结合特征向量分类为10组。数据处理装置200生成由关于m次的加料的m个控制模式规定的m维控制模式向量520。

图12是用于说明对在步骤S130中生成的l×m×n维特征向量510应用聚类S131B，生成m维控制模式向量520的处理的图。控制模式例如包含标签AA至JJ这10种模式。控制模式是将熔化炉的控制状态提取为模式，更具体而言，主要着眼于时间序列工艺数据的时间变化、微变动、细微的差异而将熔化炉的控制状态模式化。所谓熔化炉的控制状态，是指例如熔化初期的燃烧气体流量高的状态、熔化后期的炉内压力低的状态等。但是，控制模式也可以如后述那样包含与熔化炉的运转相关的信息。

图13例示包含从预测模型输出的每一次加料的预测能量效率的表。在本实现实例中，学习数据集除了工艺目标参数、干扰参数以外，还包含m维控制模式向量。通过在学习数据集中包含m维控制模式向量，能够提高能量效率的预测精度。例如，时间序列工艺数据的微小的偏差的影响得到抑制，能够提高鲁棒性。此外，通过与实际作业相关联，能够容易地在所希望的熔化炉的运转条件下控制熔化炉。

与第一或第二实现实例同样地，训练预测模型的结果如图13所例示，能得到每一次加料的能量效率的预测值作为输出数据。

[第四实现实例]

图14是表示第四实现实例的处理过程的流程图。

第四实现实例在基于主要的工艺状态参数来生成工艺模式这一点上，与第一、第二或第三实现实例不同。以下，主要说明不同点。

本实现实例中的前处理包括：步骤S130D，基于在步骤S130A中提取出的n维特征量来生成控制模式；以及步骤S130E，基于主要的工艺状态参数来生成工艺模式。

步骤S130A的处理如在第三实施例中所述。即，数据处理装置200例如从分别规定废气流量、燃烧空气流量、燃烧气体流量、炉内压力的时间序列工艺数据组中提取20维特征向量，从规定炉内气氛温度的时间序列工艺数据组中提取5维特征向量。

步骤S130D的处理与第三实现实例中的步骤S130C的处理不同。不同点在于，将采样间隔相同的一个或多个工艺状态参数分组为2个以上的组。在步骤S130D中，数据处理装置200将从属于同一组的至少一个工艺状态参数的各个工艺状态参数按每一次加料取得的n维特征量全部结合而生成每组的结合特征量。在第四实现实例中，以采样间隔1秒取得的多个工艺状态参数当中的、废气流量、燃烧空气流量、燃烧气体流量这3个被分配为组A，炉内压力被分配为组B。以采样间隔1分钟取得的工艺状态参数为1个，因此炉内气氛温度被分配为组C。

数据处理装置200将从属于组A的废气流量、燃烧空气流量、燃烧气体流量的工艺状态参数分别提取出的20维特征量全部结合而生成每组的结合特征量。组A的结合特征量的维度是60维。数据处理装置200将从属于组B的炉内压力的工艺状态参数提取出的20维特征量全部结合而生成每组的结合特征量。在该情况下，由于结合特征量的对象为1个，因此组B的结合特征量的维度是与炉内压力的特征量的维度相同的20维。数据处理装置200将从属于组C的炉内气氛温度的工艺状态参数提取出的5维特征量全部结合而生成每组的结合特征量。由于结合特征量的对象为1个，因此组C的结合特征量的维度是与炉内气氛温度的特征量的维度相同的5维。

数据处理装置200通过对每组的结合特征量应用聚类S131B，从而按每组决定包含表示m次量的加料的各个工艺属于哪个组的标签的控制模式。本实现实例中的聚类是GMM。例如，通过GMM，能够将所输入的n维特征量分类为10组。

数据处理装置200通过对组A的60维结合特征量应用GMM，从而生成包含每一次加料的控制模式A的m维控制模式向量。数据处理装置200通过对组B的20维结合特征量应用GMM，从而生成包含每一次加料的控制模式B的m维控制模式向量。数据处理装置200通过对组C的5维结合特征量应用聚类，从而生成包含每一次加料的控制模式C的m维控制模式向量。例如，控制模式A、B以及C分别包含例如标签AA至JJ这10种模式。控制模式A是与燃烧器控制相关的控制模式，控制模式B是与炉压模式相关的控制模式，模式C是与温度相关的控制模式。

在步骤S130E中，数据处理装置200通过对规定一个或多个工艺状态参数中的至少一个的时间序列工艺数据组应用机器学习，将m次量的加料的各个工艺模式化，来决定工艺模式。若更详细地说明，则数据处理装置200通过对规定主要的工艺状态参数的一个的时间序列工艺数据组应用编码处理以及聚类，来决定包含表示m次量的加料的各个工艺属于哪个组的标签的工艺模式。

主要的工艺状态参数是指在一个或多个工艺状态参数中直接支配熔化工艺的参数。例如，熔化炉的能量效率由炉盖的开闭、燃烧器的开启/关闭等较大地支配。因此，在本实施方式中，将反映该情况的参数设为主要的工艺状态参数。主要的工艺状态参数的例子是燃烧气体流量。

图15是用于说明对规定主要的工艺状态参数的时间序列工艺数据组应用编码处理以及聚类，生成m维工艺模式向量530的处理的图。

在步骤S130E中，数据处理装置200在一个或多个工艺状态参数中，对规定主要的工艺状态参数的一个的时间序列工艺数据组应用编码处理以及聚类，由此决定包含表示m次量的加料的各个工艺属于哪个组的标签的工艺模式。本实现实例中的编码处理是VAE，聚类是k-means法。

工艺模式例如包含标签AAA至DDD这4种模式。工艺模式与熔化工艺所需的作业相关。工艺模式是着眼于作业的有无、作业顺序、作业定时的组合，将规定主要的工艺状态参数的时间序列工艺数据组进行模式化，提取特征而得到的。上述的控制模式与工艺模式同样地能够包含与作业相关的信息，但在包含与作业相关的信息以外的例如熔化炉的控制状态等信息这一点上与工艺模式不同。

数据处理装置200对规定燃烧气体流量的时间序列工艺数据组应用VAE，从燃烧气体流量的工艺状态参数例如按每一次加料提取二维特征量。数据处理装置200通过对所提取出的二维特征量应用k-means法，来决定包含表示m次量的加料的各个工艺属于哪个组的标签的工艺模式。数据处理装置200生成包含每一次加料的工艺模式的m维工艺模式向量530。

图16例示包含从预测模型输出的每一次加料的预测能量效率的表。本实现实例中的学习数据集除了工艺目标参数、干扰参数、m维控制模式向量以外，还包含m维工艺模式向量。通过在工艺模式的生成处理中应用聚类，其结果有时会成为例如与作业人员分类的情况不同的结果，能够客观地提取工艺模式。由此，能够提高能量效率的预测精度。

优选通过对学习完毕模型调整超参数，来使预测模型的精度最佳化。该调整例如能够使用网格搜索来进行。

本发明的实施方式的生成学习完毕预测模型的方法还可以包括如下步骤：取得与一个或多个工艺状态参数不同的一个以上的其他工艺状态参数，通过传统方法从所取得的一个以上的其他工艺状态参数提取特征量。其他工艺状态参数与上述的废气流量、燃烧空气流量、燃烧气体流量等工艺状态参数不同。其他工艺状态参数例如是熔化炉的燃烧废气的成分值或燃烧废气温度。可以基于所提取的n维特征量和通过传统方法提取的特征量来生成学习数据集。

[第五实现实例]

图17是表示第五实现实例的处理过程的流程图。

第五实现实例在基于应用机器学习而提取的n维特征量和通过传统方法提取的特征量来生成学习数据集这一点上与第一实现实例不同。以下，主要说明不同点。

第五实现实例中的其他工艺状态参数是熔化炉的燃烧废气的成分值。第五实现实例的处理流程还包括：步骤(S171)，连续地分析熔化炉的燃烧废气的成分值，取得废气成分值的分析数据；以及步骤(S172)，从所取得的分析数据，通过传统方法来提取燃烧器燃烧时的废气成分值的特征量。传统方法的例子基于理论或经验法则。

在步骤S171中，数据处理装置200例如基于从具备气体传感器708的燃烧废气分析装置输出的输出值，取得例如O₂、CO、CO₂、NO、NO₂等各种燃烧废气的成分值的连续的数据组。例如，能够按每一次加料取得连续的数据组。数据处理装置200分析连续的数据组，取得各个废气成分值的分析数据。气体成分值的例子是气体成分的浓度。

在步骤S172中，数据处理装置200从按每个废气成分取得的分析数据，按每个废气成分提取燃烧器燃烧时的废气成分值的特征量。废气成分值的特征量例如由一维特征向量表示。作为废气成分值的特征量，例如能够使用通过对在燃烧器燃烧时得到的数据进行分析而取得的分析值的中央值等。

在步骤S140中，数据处理装置200基于应用机器学习而提取的n维特征量和通过传统方法提取的废气成分值的特征量，来生成学习数据集。本实现实例中的数据处理装置200生成包含在步骤S130中生成的l×m×n维特征向量510、工艺目标参数、干扰参数、以及在步骤S172中提取出的废气成分值的特征量的学习数据集。

由于废气成分值是特殊的工艺数据，因此与机器学习相比，优选通过传统方法来提取特征量。因此，本实现实例将燃烧废气成分值与上述的工艺状态参数区别处理。但是，也可以将废气成分值作为工艺状态参数的一个来处理，如在第一实现实例中说明的那样，将机器学习应用于燃烧废气成分值来提取特征量。

在步骤S150中，数据处理装置200使用在步骤S140中生成的学习数据集来训练预测模型，生成学习完毕模型。

＜2.运行时＞

通过将包含控制模式候补、工艺模式候补等的输入数据输入到上述的学习完毕模型，能够进行熔化炉的能量效率预测、输出能量效率满足给定的基准值的控制模式以及工艺模式。给定的基准值可以设定为能量效率的目标值。

图18是例示向学习完毕模型输入输入数据，并输出包含能量效率的预测值的输出数据的处理的图。

本实施方式所涉及的预测熔化炉的能量效率的方法包括：作为运行时的输入，接收包含控制模式候补、工艺模式候补、表示按从原料装入到熔化完成为止的每一次加料所设定的工艺基本信息的一个或多个工艺目标参数、以及一个或多个干扰参数的输入数据的步骤；以及将输入数据输入到学习完毕模型，并输出每一次加料的预测能量效率的步骤。但是，在使预测模型学习时所利用的学习数据集中不包含干扰参数的情况下，运行时的输入数据中不包含干扰参数。在本实施方式中，设为输入数据包含干扰参数来进行说明。

学习完毕模型例如能够按照上述的第一至第四实现实例来生成。用于预测模型的训练的学习数据集包含：包含输入数据所包含的工艺目标参数的数据范围的一个或多个工艺目标参数；以及包含输入数据所包含的干扰参数的数据范围的一个或多个干扰参数。换言之，输入数据中的一个或多个工艺目标参数从学习数据集所包含的一个或多个工艺目标参数的数据范围中选择。同样地，输入数据中的一个或多个干扰参数从学习数据集所包含的一个或多个干扰参数的数据范围中选择。

在此，对控制模式候补以及工艺模式候补进行说明。

控制模式候补包含在生成预测模型时由前处理生成的所有控制模式。在由前处理生成4种(模式AA、BB、CC、DD)控制模式的情况下，4个模式全部可以成为控制模式候补。根据输入数据所包含的工艺目标参数、工艺模式、干扰参数，能量效率最高的控制模式可以不同。因此，在本实施方式中，为了根据工艺目标参数、工艺模式、干扰参数的变化使控制模式最佳化，采用从控制模式候补中选择所希望的控制模式的方式。所希望的控制模式是指能量效率满足给定的基准值即目标值的控制模式。

工艺模式候补是作业人员从在生成预测模型时由前处理生成的工艺模式中，作为在熔化工艺中能够选择的模式候补而选择的工艺模式。工艺模式候补以选择所希望的控制模式时的制约条件的含义来使用。作业人员例如能够按照作业预定选择一个或者多个工艺模式候补。例如，在由前处理生成的工艺模式包含AAA模式(材料的装入次数：1次、炉内清扫：无)、BBB模式(材料的装入次数：1次、炉内清扫：有)、CCC模式(材料的装入次数：2次、炉内清扫：无)、DDD模式(材料的装入次数：2次、炉内清扫：有)这4个模式时，考虑在熔化工艺中材料装入的次数自由、不需要炉床清扫的情况。在该情况下，作业人员例如能够经由数据处理装置200的输入装置210，作为可选择的模式候补而选择AAA模式、CCC模式这两个。

在图18中，例示了在作为输入数据而输入了包含AA至DD模式这4个的控制模式候补、包含由作业人员选择的AAA、CCC模式这2个的工艺模式候补的情况下学习完毕模型所输出的输出数据的表。

输出数据将控制模式候补以及工艺模式候补的全部组合与能量效率的预测值的对应建立关联。该能量效率的预测值是每一次加料的预测值。在图示的例子中，示出了8种组合与能量预测值的对应关系。数据处理装置200从8种组合中选择能量效率满足目标值的控制模式候补以及工艺模式候补的组合作为所希望的控制模式以及工艺模式。数据处理装置200可以将所选择的控制模式以及工艺模式输出并显示于显示装置220，也可以例如输出到日志文件。在图示的例子中，显示了控制模式候补BB以及工艺模式候补CCC被选择为满足目标值的所希望的控制模式以及工艺模式的结果。

(实施例)

本申请发明人通过与比较例进行比较，进行了第一至第四实现实例中的能量效率的预测精度的研究。在比较例中，根据规定工艺状态参数的时间序列工艺数据计算出平均值，将其作为代表值用于输入数据。此外，在比较例中，通过多元回归来预测能量效率，计算出预测精度。

图19A至图19E分别是表示比较例、第一至第四实现实例中的预测精度的评价结果的图表。图表的横轴表示能量效率预测值(a.u.)，纵轴表示能量效率实绩值(a.u.)。在图表中示出了成为预测值＝实绩值的直线。能量效率预测值是指燃料使用量预测值Q1相对于平均燃料使用量P的比率(Q1/P)，能量效率实绩值是指燃料使用量实绩值Q2相对于平均燃料使用量P的比率(Q2/P)。

比较例中的决定系数R²是0.44。第一至第四实现实例中的决定系数R²分别是0.57、0.65、0.50、0.54。第一至第四实现实例中的决定系数R²均高于比较例的决定系数R²。在第一至第四实现实例中，尤其认为第二实现实例是高精度地预测能量效率的最佳模型的一个。

也进行了第五实现实例中的能量效率的预测精度的研究。在该预测精度的研究中，追加计算了废气成分值的特征量。比较例如上所述。

图20是表示第五实现实例中的预测精度的评价结果的图表。图表的横轴表示能量效率预测值(a.u.)，纵轴表示能量效率实绩值(a.u.)。在图表中示出了成为预测值＝实绩值的直线。表示比较例的预测精度的评价结果的图表如图19A所示。

比较例中的决定系数R²为0.44，另一方面，第五实现实例中的决定系数R²为0.51。第五实现实例中的决定系数R²也高于比较例的决定系数R²。通过追加废气成分值的特征量，能够进行基于废气的成分值的解析。

根据本实施方式，通过利用将CAE、VAE等编码处理、GMM、k-means等聚类和神经网络等有教师预测模型统合而生成的预测模型，能够高精度地预测能量效率。此外，提供一种熔化炉的运转辅助系统，其能够在所希望的操作炉计划以及材料投入量下，利用学习完毕模型，推荐用于使能量效率最大化的控制模式以及工艺模式。

产业上的可利用性

本发明的技术能够在除了预测在合金材料的制造中使用的熔化炉的能量效率的预测模型的生成以外，还利用学习完毕模型来进行熔化炉的运转条件的选定的辅助系统中广泛使用。

符号说明

100、340：存储装置(数据库)

200：数据处理装置

201：数据处理装置的主体

210：输入装置

220：显示装置

230、330：通信I/F

240：存储装置

250、310：处理器

260：ROM

270：RAM

280：总线

300：云服务器

320：存储器

350：因特网

400：局域网

700：熔化炉

701：高速燃烧器

702：火焰

703：材料

704：烟道

705A、705B、705C：流量传感器

706：压力传感器

707：温度传感器

708：气体传感器

1000：运转辅助系统。

Claims (20)

1.一种方法，其生成预测熔化炉的能量效率的学习完毕预测模型，其中，

所述方法包括：

按从原料装入到熔化完成为止的每一次加料，取得属性不同的一个或多个工艺状态参数的步骤，各个工艺状态参数由基于来自设置于所述熔化炉的各种传感器的输出而取得的连续的时间序列数据组规定；

对在m次量的加料中取得的所述一个或多个工艺状态参数的数据集应用机器学习来执行前处理的步骤，所述前处理包括从包含按每一次加料取得的时间序列数据组的各个工艺状态参数提取n维特征量的处理，m为2以上的整数，n为1以上的整数；

基于所提取的n维特征量来生成学习数据集的步骤，所述学习数据集至少包含表示按每一次加料设定的工艺基本信息的一个或多个工艺目标参数；以及

使用所生成的所述学习数据集来训练预测模型，并生成所述学习完毕预测模型的步骤。

2.根据权利要求1所述的方法，其中，

所述学习数据集包含一个或多个干扰参数。

3.根据权利要求2所述的方法，其中，

所述一个或多个干扰参数包含外部环境因子。

4.根据权利要求1至3中任一项所述的方法，其中，

所述前处理还包括：通过基于所提取出的所述n维特征量对规定各个工艺状态参数的时间序列数据组进行模式化，来决定控制模式的处理，

所述学习数据集还包含所述控制模式。

5.根据权利要求4所述的方法，其中，

在所述前处理中，通过将所提取出的所述n维特征量作为输入数据来执行聚类，从而决定包含表示所述m次量的加料的各个工艺属于哪个组的标签的所述控制模式。

6.根据权利要求4或5所述的方法，其中，

所述前处理还包括：通过对规定所述一个或多个工艺状态参数中的至少一个的时间序列数据组应用机器学习，对所述m次量的加料的各个工艺进行模式化，来决定工艺模式的处理，

所述学习数据集还包含所述工艺模式。

7.根据权利要求6所述的方法，其中，

在所述前处理中，通过对规定所述一个或多个工艺状态参数当中直接支配熔化工艺的主要的工艺状态参数的一个的时间序列数据组应用编码处理以及聚类，来决定包含表示所述m次量的加料的各个工艺属于哪个组的标签的所述工艺模式。

8.根据权利要求7所述的方法，其中，

所述主要的工艺状态参数的一个为燃烧气体流量。

9.根据权利要求1至3中任一项所述的方法，其中，

所述前处理还包括：将从各个工艺状态参数按每一次加料取得的n维特征量全部结合而生成每一次加料的结合特征量，并通过对所述结合特征量应用聚类，来决定包含表示所述m次量的加料的各个工艺属于哪个组的标签的控制模式的处理，

所述学习数据集还包含所述控制模式。

10.根据权利要求1至3中任一项所述的方法，其中，

所述一个或多个工艺状态参数被分组为2个以上的组，

所述前处理还包括：将从属于同一组的至少一个工艺状态参数的各个工艺状态参数按每一次加料取得的n维特征量全部结合而生成每组的结合特征量，并通过对所述每组的结合特征量应用聚类，从而按每组决定包含表示所述m次量的加料的各个工艺属于哪个组的标签的控制模式的处理，

所述学习数据集还包含所述每组的控制模式。

11.根据权利要求10所述的方法，其中，

所述前处理还包括：通过对规定所述一个或多个工艺状态参数当中直接支配熔化工艺的主要的工艺状态参数的一个的所述时间序列数据组应用编码处理以及聚类，来决定包含表示所述m次量的加料的各个工艺属于哪个组的标签的工艺模式的处理，

所述学习数据集还包含所述工艺模式。

12.根据权利要求1至3中任一项所述的方法，其中，

所述方法还包括：取得与所述一个或多个工艺状态参数不同的一个以上的其他工艺状态参数，通过传统方法从所取得的所述一个以上的其他工艺状态参数提取特征量的步骤，

在生成所述学习数据集的步骤中，基于所提取出的所述n维特征量和通过传统方法提取出的所述特征量来生成所述学习数据集。

13.根据权利要求12所述的方法，其中，

所述一个以上的其他工艺状态参数包含所述熔化炉的燃烧废气的成分值。

14.根据权利要求1至13中任一项所述的方法，其中，

所述学习完毕预测模型预测在铝合金的制造中使用的熔化炉的能量效率。

15.一种方法，其预测熔化炉的能量效率，其中，

所述方法包括：

作为运行时的输入，接收输入数据的步骤，该输入数据包含控制模式候补、工艺模式候补、以及表示按从原料装入到熔化完成为止的每一次加料所设定的工艺基本信息的一个或多个工艺目标参数；以及

向预测模型输入所述输入数据，并输出每一次加料的预测能量效率的步骤，

所述预测模型是利用基于从属性不同的一个或多个工艺状态参数提取的n维特征量而生成的学习数据集进行学习而得到的学习完毕模型，

所述一个或多个工艺状态参数分别由基于来自设置于所述熔化炉的各种传感器的输出按每一次加料取得的连续的时间序列数据组规定，

所述学习数据集包括一个或多个工艺目标参数，该一个或多个工艺目标参数包含所述输入数据中所包含的所述工艺目标参数的数据范围。

16.根据权利要求15所述的方法，其中，

所述输入数据还包含一个或多个干扰参数，

所述学习数据集还包括一个或多个干扰参数，该一个或多个干扰参数包含所述输入数据中所包含的所述干扰参数的数据范围。

17.根据权利要求15或16所述的方法，其中，

所述方法还包括将每一次加料的预测能量效率显示于显示装置的步骤。

18.根据权利要求15至17中任一项所述的方法，其中，

所述方法还包括：向所述预测模型输入所述输入数据，并输出能量效率满足给定的基准值的控制模式以及工艺模式的步骤。

19.一种计算机程序，其中，所述计算机程序用于使计算机执行如下步骤：

取得预测熔化炉的能量效率的预测模型的步骤；

接收输入数据的步骤，该输入数据包含控制模式候补、工艺模式候补、以及表示按从原料装入到熔化完成为止的每一次加料所设定的工艺基本信息的一个或多个工艺目标参数；以及

向所述预测模型输入所述输入数据，并输出每一次加料的预测能量效率的步骤，

所述预测模型是利用基于从属性不同的一个或多个工艺状态参数提取的n维特征量而生成的学习数据集进行学习而得到的学习完毕模型，

所述一个或多个工艺状态参数分别由基于来自设置于所述熔化炉的各种传感器的输出按每一次加料取得的连续的时间序列数据组规定，

所述学习数据集包括一个或多个工艺目标参数，该一个或多个工艺目标参数包含所述输入数据中所包含的所述工艺目标参数的数据范围。

20.根据权利要求19所述的计算机程序，其中，

所述输入数据还包含一个或多个干扰参数，

所述学习数据集还包括一个或多个干扰参数，该一个或多个干扰参数包含所述输入数据中所包含的所述干扰参数的数据范围。

Images