JP2019143216A

JP2019143216A - 熱処理システム

Info

Publication number: JP2019143216A
Application number: JP2018029761A
Authority: JP
Inventors: 哲正渡邊; Tetsumasa Watanabe; 昌大井上; Masahiro Inoue
Original assignee: Fuji Electronics Industry Co Ltd
Current assignee: Fuji Electronics Industry Co Ltd
Priority date: 2018-02-22
Filing date: 2018-02-22
Publication date: 2019-08-29
Anticipated expiration: 2038-02-22
Also published as: JP7082795B2

Abstract

【課題】本発明は、熟練者でなくても、ワークの形状等に合わせて誘導加熱処理が可能な熱処理システムを提供する。【解決手段】制御部は、入力部と、記憶部と、機械学習部を有し、記憶部は、過去の加熱パラメータと、過去の加熱パラメータに基づいて実施した誘導加熱における過去の加熱前後のワークの情報及び加熱コイルの情報を紐づけて記憶するものであり、入力部に加熱前のワークの情報、加熱コイルの情報、及び加熱後のワークの情報が入力されたときに、前記機械学習部が入力された加熱前後のワークの情報及び加熱コイルの情報から記憶部で記憶された過去の加熱パラメータと、過去の加熱パラメータで行った過去の加熱前後のワークの情報及び加熱コイルの情報の関係により、加熱パラメータを決定し、加熱パラメータに基づいて誘導加熱部がワークに誘導加熱を行う構成とする。【選択図】図４

Description

本発明は、ワークに対して誘導加熱処理を行う熱処理システムに関するものである。

従来から、鋼材等のワークに対して強度（耐摩耗性や耐疲労性）等の物性を付与する方策として、高周波焼入れがある（例えば、特許文献１）。
この高周波焼入れは、加熱工程と冷却工程があり、加熱工程において高周波加熱によりワークを加熱するので、短時間で加熱処理が可能であるとともに、ワークの表面付近のみを加熱でき、ワークの表面付近のみの物性を変化させることが可能である。
例えば、一般的な誘導加熱装置で円柱状のワークの外周面に高周波焼入れを行う場合、まず、ワークの外周面に加熱コイルを近接させ、当該加熱コイルに一定の周波数の電流を供給することによって、ワークの外周面で誘導電流を生じさせてワークの外周面を誘導加熱する。そして、加熱されたワークの外周面に向けて冷却液を噴射することにより急冷する。こうすることにより、ワークの表面付近のみ物性を変化できる。

特開２０１７−１４７０４１号公報特開２０１５−０６７８３８号公報

通常、ワークに誘導加熱装置で誘導加熱処理を行う際には、調整用のワークを用いて熱処理し、熱処理の状況に合わせて熟練者が加熱時に使用する電圧等の加熱パラメータを調整する。そして、調整により最適な加熱パラメータが決まると、最適な加熱パラメータで実際の製品となるワークに熱処理を行っていく。

しかしながら、加熱時に使用する加熱パラメータの調整は、熟練者の経験により蓄積された知識に大きく依存し、ワークの形状等によっては熟練者であっても困難な場合があった。

そこで、本発明は、熟練者でなくても、ワークの形状等に合わせて誘導加熱処理が可能な熱処理システムを提供することを目的としている。

上記課題を解決するための請求項１に記載の発明は、誘導加熱部と制御部を有し、前記誘導加熱部は、加熱コイルを取り付け可能であって、当該加熱コイルにより、ワークに対して誘導加熱を行うものであり、前記制御部は、入力部と、記憶部と、機械学習部を有するものであって、前記誘導加熱部での誘導加熱に使用する加熱パラメータを設定可能であり、前記記憶部は、過去の加熱パラメータと、前記過去の加熱パラメータに基づいて実施した誘導加熱における過去の加熱前のワークの情報、前記加熱コイルの情報、及び加熱後のワークの情報を紐づけて記憶するものであり、前記入力部に加熱前のワークの情報、前記加熱コイルの情報、及び加熱後のワークの情報が入力されたときに、入力された加熱前のワークの情報、前記加熱コイルの情報、及び加熱後のワークの情報から記憶部で記憶された過去の加熱パラメータと、当該過去の加熱パラメータで行った過去の加熱前のワークの情報、前記加熱コイルの情報、及び加熱後のワークの情報の関係により、加熱パラメータを決定し、当該加熱パラメータに基づいて前記誘導加熱部がワークに誘導加熱を行うことを特徴とする熱処理システムである。

本発明の構成によれば、機械学習部が作業者により入力部に入力された加熱前のワークの情報、加熱コイルの情報、及び加熱後のワークの情報から加熱パラメータを決定し、ワークに誘導加熱を行うため、作業者が加熱パラメータの調整を行う必要がなく、作業者が熟練者でなくても、ワークに合わせた誘導加熱を行うことができる。

請求項１に記載の熱処理システムにおいて、前記入力部に入力する加熱前のワークの情報は、ワークの形状、ワークの熱処理範囲、ワークの熱容量、及びワークの素材のうち、少なくとも一つの情報を含むことが好ましい（請求項２）。

請求項１又は２に記載の熱処理システムにおいて、前記加熱コイルは、コアを取り付け可能であり、前記加熱コイルの情報は、前記加熱コイルの形状、取り付けたコアの重量、取り付けたコアの材質、及び取り付けたコアの取付位置のうち、少なくとも一つの情報を含むことが好ましい（請求項３）。

請求項１乃至３のいずれかに記載の熱処理システムにおいて、前記入力部に入力する加熱後のワークの情報は、加熱後のワークの硬度、加熱後のワークの熱処理深さ、加熱後のワークの熱処理範囲、加熱後のワークの組織、加熱後のワークの変形量、及び加熱後のワークの結晶粒径のうち、少なくとも一つの情報を含むことが好ましい（請求項４）。

請求項１乃至４のいずれかに記載の熱処理システムにおいて、高周波電源と、冷却装置を有し、前記加熱コイルは、コアを取り付け可能であり、前記高周波電源は、高周波発振器と、一次側コイルと二次側コイルを備えた変圧器と、コンデンサを備えており、前記冷却装置は、前記誘導加熱部が前記ワークに誘導加熱を行った後に前記ワークにワーク冷却水を噴射して冷却するものであり、前記決定する加熱パラメータは、下記の（１）〜（１１）の加熱パラメータのうち少なくとも一つの加熱パラメータを含むことが好ましい（請求項５）。
（１）前記加熱コイルに印加する電圧
（２）前記加熱コイルによる加熱時間
（３）加熱後に前記ワークに前記ワーク冷却水をかけるまでの遅延時間
（４）前記冷却装置による前記ワークの冷却時間
（５）前記ワークの回転数
（６）前記コンデンサの電気容量
（７）前記ワーク冷却水の流量
（８）前記変圧器の一次側コイルと二次側コイルの巻き数比率
（９）前記コアの量
（１０）前記コアの前記加熱コイルへの取付位置
（１１）前記高周波発振器の出力電圧

請求項１乃至５のいずれかに記載の熱処理システムにおいて、前記機械学習部は、教師あり学習を行うものであって、過去の加熱パラメータと、当該過去の加熱パラメータで行った過去の加熱前のワークの情報、前記加熱コイルの情報、及び加熱後のワークの情報の関係を教師データとして学習することが好ましい（請求項６）。

請求項７に記載の発明は、前記機械学習部は、４層以上のニューラルネットワークに則して学習するディープラーニング部であることを特徴とする請求項１乃至６のいずれかに記載の熱処理システムである。

本発明の構成によれば、より精度良く最適な加熱パラメータを決定できる。

本発明の熱処理システムによれば、熟練者でなくても、ワークの形状等に合わせて誘導加熱処理が可能である。

本発明の第１実施形態の熱処理システムのブロック図である。図１の誘導加熱部の斜視図である。図１の加熱コイル周囲の電気回路図である。図１のディープラーニング部の説明図であり、（ａ）はニューロンのモデルを示す模式図であり、（ｂ）ニューラルネットワークモデルを示す模式図である。本発明の第２実施形態の誘導加熱部の斜視図である。図５の誘導加熱部における焼入れ時の側面図であり、（ａ）は焼入れ開始時を表し、（ｂ）は焼入れ途中を表し、（ｃ）は焼入れ終了時を表す。本発明の他の実施形態の誘導加熱部の斜視図である。本発明の他の実施形態の誘導加熱部の斜視図である。本発明の他の実施形態の誘導加熱部の斜視図である。

以下、本発明の第１実施形態の熱処理システム１について説明する。

本発明の第１実施形態の熱処理システム１は、主にワーク１００に対して高周波焼き入れを行うものである。熱処理システム１は、ワーク１００に対する加熱機能と冷却機能を備えた高周波焼き入れ装置であるともいえる。
熱処理システム１は、図１のように、誘導加熱部２と、制御部３を備えている。

誘導加熱部２は、図２のように、ワーク１００に対していわゆる固定焼きを行う部位であり、主要構成部材として、図１のように、高周波電源１０と、加熱コイル１１と、コイル移動装置１２と、コイル冷却装置１３と、ワーク冷却装置１４と、ワーク移動装置１５を備えている。

高周波電源１０は、加熱コイル１１に給電する電源装置であり、図３のように、電源側回路２０と、誘導側回路２１を備えている。
電源側回路２０は、商用電源１０１に電気的に接続される回路であって、電源接続部３０，３１と、高周波発振器３２と、コンデンサ３３と、一次側コイル３４が接続された回路である。
電源接続部３０，３１は、外部の商用電源１０１と接続可能な接続部である。
高周波発振器３２は、電源接続部３０，３１に商用電源１０１を接続した状態において、商用電源１０１から供給される商用電力を所定の周波数の電力に調整するものである。
コンデンサ３３は、力率を改善させるものである。
誘導側回路２１は、二次側コイル３５と、加熱コイル１１が接続された回路である。
二次側コイル３５は、一次側コイル３４とともに変圧器３６を構成している。

加熱コイル１１は、図２のように、銅又は銅合金等の良導体で構成され、その内部が中空の管状部材であり、一本の管状部材が湾曲され、ワーク１００の外周面に沿った形状となっている。
加熱コイル１１は、その内部に自己の昇温を抑制するコイル冷却液を流通可能となっている。本実施形態の加熱コイル１１は、いわゆる半開放コイルであり、円弧部分４１と直線部分４２を備えている。
円弧部分４１は、ワーク１００の外周面に沿って湾曲した部分であり、直線部分４２は、円弧部分４１から直立し、ワーク１００の軸方向に延びた部分である。
加熱コイル１１は、必要に応じてコア４０を所望の位置に取り付け可能となっており、コア４０をワーク１００の熱処置対象部位以外の部分に取り付けることによって、ワーク１００の熱処理対象部位を集中的に加熱することができる。

コイル移動装置１２は、加熱コイル１１をワーク１００に対して近接・離反させる移動装置である。

コイル冷却装置１３は、供給源と、循環ポンプを備え、加熱コイル１１の内部にコイル冷却水を供給し、コイル冷却水を循環させて通電中の加熱コイル１１の温度上昇を抑制する装置である。

ワーク冷却装置１４は、ワーク１００を加熱コイル１１で誘導加熱した後にワーク冷却水（いわゆる、焼入れ水）を噴射し、昇温したワーク１００を冷却する装置である。
ワーク冷却装置１４は、図２のように、焼入れ水を噴射する噴射部４５と、ワーク冷却水を噴射部４５に供給する供給源（図示せず）を備えている。
噴射部４５は、冷却時にワーク１００を挟んで加熱コイル１１と対向する位置に配され、供給源から供給されたワーク冷却水をワーク１００に向かって噴射可能となっている。

ワーク移動装置１５は、ワーク１００を加熱コイル１１に対して近接・離反させる移動装置である。

制御部３は、図１のように、誘導加熱部２の各構成装置１０〜１５を制御する部位であり、無線又は有線を介して誘導加熱部２に接続されている。
制御部３は、加熱処理時に誘導加熱部２での各構成装置１０〜１５で用いるパラメータである加熱パラメータを設定可能であり、各構成装置１０〜１５を加熱パラメータで制御可能となっている。
制御部３は、誘導加熱部２と異なる建屋に設けられていてもよい。この場合、制御部３は、誘導加熱部２とイントラネットやインターネット等のネットワークを介して通信可能に相互接続されていることが好ましい。こうすることで、建屋の異なる複数拠点で誘導加熱部２を一括管理することもできる。

制御部３は、図１のように、主要構成要素として、ディープラーニング部５０（機械学習部）と、データ蓄積部５１（記憶部）と、出力制御部５２と、入力部５３と、表示部５４を備えている。
ディープラーニング部５０は、データ蓄積部５１に蓄積された過去の加熱パラメータ、過去の加熱前のワーク１００の情報、加熱コイル１１の情報、及び加熱後のワーク１００の情報を使用して自ら機械学習をする機能をもち、当該学習に基づいて入力部５３に入力された過去の加熱前のワーク１００の情報、加熱コイル１１の情報、及び加熱後のワーク１００の情報から最適な加熱パラメータを特定し、データ蓄積部５１に記憶可能となっている。

本実施形態のディープラーニング部５０は、いわゆる教師あり学習で学習する機能があり、後述するニューラルネットワーク等のアルゴリズムに則して教師あり学習を行うことが可能となっている。
ここで、「教師あり学習」とは、教師データ、すなわち、ある入力と結果のデータの組を大量にディープラーニング部５０に与えることで、それらのデータセットにある特徴を学習し、入力から結果を推定するモデル（誤差モデル）、すなわち、入力と結果の関係性を帰納的に獲得するものである。
すなわち、ディープラーニング部５０は、過去の加熱パラメータと、過去の加熱パラメータに基づいて実施した誘導加熱における過去の加熱前のワーク１００の情報、加熱コイル１１の情報、及び加熱後のワーク１００の情報を紐づけし、加熱パラメータと、過去の加熱前のワーク１００の情報、加熱コイル１１の情報、及び加熱後のワーク１００の情報との相関関係を学習する。そして、入力部５３に過去の加熱前のワーク１００の情報、加熱コイル１１の情報、及び加熱後のワーク１００の情報が入力されると、加熱パラメータとの相関関係に基づいて、最適な加熱パラメータを決定する。
本実施形態のディープラーニング部５０の詳細については、後述する。

データ蓄積部５１は、メモリやハードディスク等の記憶装置を備え、過去及び現在の誘導加熱部２での加熱パラメータ、過去及び現在において入力部５３に入力された過去の加熱前のワーク１００の情報、加熱コイル１１の情報、及び加熱後のワーク１００の情報を記憶し、蓄積する部位である。

出力制御部５２は、誘導加熱部２での各構成装置１０〜１５をディープラーニング部５０で抽出した加熱パラメータで制御し、使用した加熱前の加熱パラメータ及び計測した加熱後の加熱パラメータをデータ蓄積部５１に送信する部位である。

入力部５３は、作業者が加熱前のワーク１００の情報、加熱コイル１１の情報、及び加熱後のワーク１００の情報を入力する部位である。

表示部５４は、作業者にコア４０の要否等の構造的な加熱パラメータを表示するものである。
なお、入力部５３と表示部５４は、例えば、タッチパネル等を採用とすることによって一体とすることもできる。

コア４０は、磁性体であって、図２のように加熱コイル１１の表面に取り付けられ、加熱コイル１１から発生する磁界を集めて特定部位の誘導電流量を増やす部材であり、例えば、フェライトコアである。

ワーク１００は、円柱状の被加熱部位を持つ鋼材であり、本実施形態では、炭素鋼材を採用している。

続いて、本発明の第１実施形態の熱処理システム１を使用してワーク１００に高周波焼入れを行う場合の一例について説明する。

まず、作業者が入力部５３に今回の加熱対象のワーク１００の情報を入力する。具体的には、入力部５３にワーク１００の素材、ワーク１００の形状（例えば、ワーク１００の直径、ワーク１００の外周面積、ワーク１００の体積）、ワーク１００の熱処理範囲、ワーク１００の熱容量を入力する。
また、作業者が入力部５３に今回の焼入れに使用する加熱コイル１１の情報を入力する。具体的には、入力部５３に加熱コイル１１の種類（本実施形態では半開放コイル）、加熱コイル１１の形状（例えば、円弧部分４１の中心角の角度、円弧部分４１の数、円弧部分４１の半径、直線部分４２の長さ）を入力する。
さらに、作業者が入力部５３に今回の加熱により製造するワーク１００の情報を入力する。具体的には、入力部５３にワーク１００の硬度、ワーク１００の熱処理範囲、ワーク１００の熱処理深さ、ワーク１００の組織、ワーク１００の変形量、ワーク１００の結晶粒径を入力する。
上記の作業者による入力部５３への加熱対象のワーク１００の情報、使用する加熱コイル１１の情報、及び加熱により製造するワーク１００の情報の入力順は、特に限定されない。

作業者の入力部５３への上記の各種情報の入力が完了すると、ディープラーニング部５０が過去の加熱パラメータと、過去の加熱パラメータで行った過去の加熱前のワーク１００の情報、加熱コイル１１の情報、及び加熱後に得られるワーク１００の情報の関係から、目的に合った加熱パラメータを決定し、加熱パラメータを表示部５４に表示する。
具体的には、ディープラーニング部５０は、下記の（１）〜（１１）の加熱パラメータのうち、少なくとも一つの加熱パラメータを決定し、表示部５４に表示する。本実施形態のディープラーニング部５０は、下記の（１）〜（１１）の加熱パラメータを全て決定し、表示部５４に表示する。
（１）加熱コイル１１に印加する電圧
（２）加熱コイル１１による加熱時間
（３）加熱後にワーク１００にワーク冷却水をかけるまでの遅延時間
（４）ワーク冷却装置１４によるワーク１００の冷却時間
（５）ワーク１００の回転数
（６）コンデンサ３３の電気容量
（７）ワーク冷却水の流量
（８）変圧器３６の一次側コイル３４と二次側コイル３５の巻き数比率
（９）コア４０の量（コア４０の厚みや重量）
（１０）コア４０の加熱コイル１１への取付位置
（１１）高周波発振器３２の出力電圧

作業者は、表示部５４を見て、各加熱パラメータを確認し、必要に応じてコア４０の設置等を行い、コア４０の設置等が完成すると、焼入れ開始命令を入力部５３に入力する。
入力部５３に焼入れ開始命令が入力されると、ディープラーニング部５０で決定された加熱パラメータに従い、コイル移動装置１２及びワーク移動装置１５により所定の距離になるようにワーク１００と加熱コイル１１を近接させ、その状態で加熱コイル１１に通電し、ワーク１００を誘導加熱し、ワーク冷却装置１４から噴射されるワーク冷却水によって冷却し、焼入れが完了する。
このとき、加熱コイル１１でワーク１００を加熱する際に、ディープラーニング部５０で変圧器３６の一次側コイル３４と二次側コイル３５の巻き数比率の変更が必要とされた場合には、作業者は、加熱途中で変圧器３６の一次側コイル３４と二次側コイル３５の巻き数比率を変更する。

続いて、本実施形態のディープラーニング部５０について説明する。

本実施形態のディープラーニング部５０は、価値関数の近似アルゴリズムとして、図４（ａ）のようなニューロンモデルを組み込んだニューラルネットワークを実現する演算装置及びメモリ等で構成されている。
すなわち、ニューロンは、図４（ａ）のように、ｍ個の入力ｘ_i（ｉは正の整数）に対する出力ｙを出力するものであり、各ｘ_iには、この入力ｘ_iに対応する重みｗ_iが掛けられ、下記式（１）により表現される出力ｙを出力する。なお、入力ｘ_i、出力ｙ、及び重みｗ_iは全てベクトルである。

ここで、ｂはバイアスであり、ｆは活性化関数である。

本実施形態のディープラーニング部５０のニューラルネットワークは、入力層６０と、中間層６１と、出力層６２を備え、中間層６１として上記のニューロン（ニューロンＮ１〜Ｎｐ）が組み合わせられ、ｐ層（ｐは４以上の正の整数）の厚みを有する深層ニューラルネットワークである。すなわち、中間層６１は、ｐ層の中間層Ｄ１〜Ｄｐを有している。
本実施形態のニューラルネットワークは、入力層６０からＳ個の入力Ｘ（Ｘ₁〜Ｘ_S：Ｓは、正の整数）が入力され、中間層６１を経て、出力層６２からＴ個の結果Ｙ（Ｙ₁〜Ｙ_T：Ｔは、正の整数）が出力される。

具体的には、入力層６０の入力Ｘ（Ｘ₁〜Ｘ_S）に対して対応する重みＷ１が掛けられて中間層６１の第１中間層Ｄ１の各ニューロンＮ１に入力される。第１中間層Ｄ１のニューロンＮ１は、それぞれ特徴ベクトルＺ１を出力し、特徴ベクトルＺ１は、中間層６１の第２中間層Ｄ２の各ニューロンＮ２に対して、対応する重みＷ２がかけられて入力される。

特徴ベクトルＺ１は、重みＷ１と重みＷ２との間の特徴ベクトルであり、入力ベクトルの特徴量を抽出したベクトルとみなすことができる。
特徴ベクトルＺ１は、中間層６１の第２中間層Ｄ２の各ニューロンＮ２に対して、対応する重みＷ２がかけられて入力される。
第２中間層Ｄ２のニューロンＮ２は、それぞれ特徴ベクトルＺ２を出力し、特徴ベクトルＺ２は、中間層６１の第３中間層Ｄ３の各ニューロンＮ３に対して、対応する重みＷ３がかけられて入力される。
中間層６１の各中間層で上記の処理が繰り返されていき、末端の第Ｐ中間層ＤｐのニューロンＮｐは、それぞれ特徴ベクトルＺｐを出力し、特徴ベクトルＺｐは、出力層６２に出力される。その結果、ニューラルネットワークは、結果Ｙ（Ｙ₁〜Ｙ_T）を出力する。
重みＷ１〜Ｗｐは、誤差逆伝搬法により学習可能なものである。誤差逆伝搬法は、各ニューロンについて、入力ｘが入力されたときの出力ｙと真の出力ｙ（教師）との差分を小さくするように、それぞれの重みＷを調整（学習）する手法である。

第１実施形態の熱処理システム１によれば、ディープラーニング部５０がワーク１００に合った加熱パラメータを決定するので、たとえ熟練者でなくてもワーク１００を最適条件で焼入れできる。

続いて、本発明の第２実施形態の熱処理システム２００について説明する。なお、第１実施形態と同様の構成については同様の付番を用い、説明を省略する。

第２実施形態の熱処理システム２００は、図５のように、誘導加熱部２０１と、制御部３（図１）を備えている。
誘導加熱部２０１は、ワーク１００に対していわゆる移動焼きを行う部位であり、主要構成部材として、高周波電源１０と、加熱コイル２０２と、コイル移動装置１２と、ワーク冷却装置２０３と、ワーク移動装置１５を備えている。
加熱コイル２０２は、加熱コイル１１と同様、一本の管状部材が屈曲、湾曲され、ワーク１００の外周面に沿った形状をしている。
加熱コイル２０２は、円コイルであり、円環部分を備えており、その内側にワーク１００を挿入可能となっている。

コイル移動装置１２は、加熱コイル２０２に加えてワーク冷却装置２０３も所望の速度で移動可能となっている。

ワーク冷却装置２０３は、図５のように、加熱コイル２０２とともに移動し、ワーク１００を加熱コイル２０２で誘導加熱した後にワーク冷却水を噴射し、昇温したワーク１００を冷却する装置である。ワーク冷却装置２０３は、ワーク冷却水を噴射する噴射部２０５と、ワーク冷却水を噴射部２０５に供給する供給源２０６を備えている。
ワーク冷却装置２０３は、加熱コイル２０２と所定の間隔を空けて離間している。

加熱コイル２０２及びワーク冷却装置２０３は、ともにコイル移動装置１２によって、ワーク１００に対する位置合わせのための移動と、移動焼きのための移動が可能となっている。

続いて、本発明の第２実施形態の熱処理システム２００を使用してワーク１００に高周波焼入れを行う場合の一例について説明する。

まず、作業者が入力部５３に今回の加熱対象のワーク１００の情報を入力する。具体的には、入力部５３にワーク１００の素材、ワーク１００の形状（例えば、ワーク１００の直径、ワーク１００の外周面積、ワーク１００の体積）、ワーク１００の熱容量を入力する。
また、作業者が入力部５３に今回の焼入れに使用する加熱コイル２０２の情報を入力する。具体的には、入力部５３に加熱コイル２０２の種類（本実施形態では円コイル）、加熱コイル２０２の形状（例えば、直径やワーク１００との対向面の面積、断面積など）を入力する。
さらに、作業者が入力部５３に今回の加熱により製造するワーク１００の情報を入力する。具体的には、入力部５３に加熱後のワーク１００の硬度、図６に示されるワーク１００の熱処理範囲Ｃ（熱処理を施す範囲）、ワーク１００の熱処理深さ、変態後のワーク１００の組織、ワーク１００の変形量、ワーク１００の結晶粒径を入力する。

作業者の入力部５３への各種情報の入力が完了すると、ディープラーニング部５０が過去の加熱パラメータと、過去の加熱パラメータで行った過去の加熱前のワーク１００の情報、加熱コイル２０２の情報、及び加熱後に得られるワーク１００の情報の関係から、目的に合った加熱パラメータを決定し、加熱パラメータを表示部５４に表示する。
具体的には、ディープラーニング部５０は、下記の（１）〜（１７）の加熱パラメータのうち、少なくとも一つの加熱パラメータを決定し、表示部５４に表示する。本実施形態のディープラーニング部５０は、少なくとも下記の（１）〜（１１）の加熱パラメータを全て決定し、表示部５４に表示する。ディープラーニング部５０は、下記の（１）〜（１７）の加熱パラメータを全て決定し、表示部５４に表示することが好ましい。
（１）加熱コイル２０２に印加する電圧
（２）加熱コイル２０２による加熱時間
（３）加熱後にワーク１００にワーク冷却水をかけるまでの遅延時間
（４）ワーク冷却装置２０３によるワーク１００の冷却時間
（５）ワーク１００の回転数
（６）コンデンサ３３の電気容量
（７）ワーク冷却水の流量
（８）変圧器３６の一次側コイル３４と二次側コイル３５の巻き数比率
（９）コア４０の量（コア４０の厚みや重さ）
（１０）コア４０の加熱コイル２０２への取付位置
（１１）高周波発振器３２の出力電圧
（１２）図６に示される加熱コイル２０２によるワーク１００の加熱開始位置Ａ１
（１３）加熱コイル２０２によるワーク１００の加熱終了位置Ａ２
（１４）ワーク冷却装置２０３によるワーク１００の冷却開始位置Ｂ１
（１５）ワーク冷却装置２０３によるワーク１００の冷却終了位置Ｂ２
（１６）ワーク１００に対する加熱コイル２０２の相対的な移動速度
（１７）ワーク１００に対するワーク冷却装置２０３の相対的な移動速度

作業者は、表示部５４を見て、各加熱パラメータを確認し、必要に応じてコア４０の設置等を行い、コア４０の設置等が完成すると、焼入れ開始命令を入力部５３に入力する。
入力部５３に焼入れ開始命令が入力されると、ディープラーニング部５０で決定された加熱パラメータに従い、コイル移動装置１２及びワーク移動装置１５により所定の距離になるようにワーク１００と加熱コイル２０２を近接させ、その状態で加熱コイル２０２に通電し、ワーク１００を誘導加熱し、コイル移動装置１２により加熱コイル２０２及びワーク冷却装置２０３を移動させながら、ワーク冷却装置２０３から噴射されるワーク冷却水によって冷却し、焼入れが完了する。

第２実施形態の熱処理システム２００によれば、長尺状のワーク１００であっても最適条件で容易に焼入れできる。

上記した第１実施形態では、加熱コイル１１は半開放コイルであったが、本発明はこれに限定されるものではない。加熱コイル１１は図７のような円形コイルなどの他の形状のコイルであってもよい。同様、上記した第２実施形態では、加熱コイル２０２は円形コイルであったが、本発明はこれに限定されるものではない。加熱コイル２０２は半開放コイルなどの他の形状のコイルであってもよい。また、図８のようにエッジのあるワーク１００の場合には、エッジに沿う形状の加熱コイル２０２を使用してもよい。

上記した第２実施形態では、加熱コイル２０２及びワーク冷却装置２０３がワーク１００に対して移動して熱処理するものであったが、本発明はこれに限定されるものではない。ワーク１００が加熱コイル２０２及びワーク冷却装置２０３に対して移動して熱処理を行うものでもよい。

上記した実施形態では、円柱状のワーク１００の外周面に加熱コイル１１（２０２）を対向させて焼入れする場合について説明したが、本発明はワーク１００の外周面に焼入れする場合に限定されるものではない。ワーク１００が中空状であって、その内周面を焼入れする場合には、図９のようにワーク１００の内部に加熱コイル１１（２０２）を挿入して焼入れしてもよい。

上記した実施形態では、円柱状のワーク１００を焼入れする場合に説明したが、本発明はこれに限定されるものではない。ワーク１００の形状は特に限定されない。円筒状や多角柱状であってもよいし、クランクシャフト等の円柱状の部位をもつ複雑な構造のものであってもよい。

上記した実施形態では、誘導加熱部２は、高周波誘導加熱を行うものであったが、本発明は高周波に限定されるものではない。誘導加熱が可能であれば、高周波よりも低い周波数で誘導加熱を行ってもよい。

上記した実施形態では、ディープラーニング部５０は、教師あり学習を行うものであったが、本発明はこれに限定されるものではない。一部のみ入力と出力のデータの組が存在し、それ以外は入力のみのデータで機械学習を行う半教師あり学習を行うものであってもよい。また、教師あり学習に加えて、教師なし学習や強化学習を行うものであってもよい。

上記した実施形態では、機械学習部として４層以上の深層ニューラルネットワークのアルゴリズムに則して学習するディープラーニング部５０の場合について説明したが、本発明は、これに限定されるものではない。３層以下のニューラルネットワークのアルゴリズムに則して学習するものであってもよい。

１，２００熱処理システム
２，２０１誘導加熱部
３制御部
１１，２０２加熱コイル
４０コア
５０ディープラーニング部（機械学習部）
５１データ蓄積部（記憶部）
５２出力制御部
５３入力部
１００ワーク

Claims

誘導加熱部と制御部を有し、
前記誘導加熱部は、加熱コイルを取り付け可能であって、当該加熱コイルにより、ワークに対して誘導加熱を行うものであり、
前記制御部は、入力部と、記憶部と、機械学習部を有するものであって、前記誘導加熱部での誘導加熱に使用する加熱パラメータを設定可能であり、
前記記憶部は、過去の加熱パラメータと、前記過去の加熱パラメータに基づいて実施した誘導加熱における過去の加熱前のワークの情報、前記加熱コイルの情報、及び加熱後のワークの情報を紐づけて記憶するものであり、
前記入力部に加熱前のワークの情報、前記加熱コイルの情報、及び加熱後のワークの情報が入力されたときに、前記機械学習部が入力された加熱前のワークの情報、前記加熱コイルの情報、及び加熱後のワークの情報から記憶部で記憶された過去の加熱パラメータと、当該過去の加熱パラメータで行った過去の加熱前のワークの情報、前記加熱コイルの情報、及び加熱後のワークの情報の関係により、加熱パラメータを決定し、当該加熱パラメータに基づいて前記誘導加熱部がワークに誘導加熱を行うことを特徴とする熱処理システム。
前記入力部に入力する加熱前のワークの情報は、ワークの形状、ワークの熱処理範囲、ワークの熱容量、及びワークの素材のうち、少なくとも一つの情報を含むことを特徴とする請求項１に記載の熱処理システム。
前記加熱コイルは、コアを取り付け可能であり、
前記加熱コイルの情報は、前記加熱コイルの形状、取り付けたコアの重量、取り付けたコアの材質、及び取り付けたコアの取付位置のうち、少なくとも一つの情報を含むことを特徴とする請求項１又は２に記載の熱処理システム。
前記入力部に入力する加熱後のワークの情報は、加熱後のワークの硬度、加熱後のワークの熱処理深さ、加熱後のワークの熱処理範囲、加熱後のワークの組織、加熱後のワークの変形量、及び加熱後のワークの結晶粒径のうち、少なくとも一つの情報を含むことを特徴とする請求項１乃至３のいずれかに記載の熱処理システム。
高周波電源と、冷却装置を有し、
前記加熱コイルは、コアを取り付け可能であり、
前記高周波電源は、高周波発振器と、一次側コイルと二次側コイルを備えた変圧器と、コンデンサを備えており、
前記冷却装置は、前記誘導加熱部が前記ワークに誘導加熱を行った後に前記ワークにワーク冷却水を噴射して冷却するものであり、
前記決定する加熱パラメータは、下記の（１）〜（１１）の加熱パラメータのうち少なくとも一つの加熱パラメータを含むことを特徴とする請求項１乃至４のいずれかに記載の熱処理システム。
（１）前記加熱コイルに印加する電圧
（２）前記加熱コイルによる加熱時間
（３）加熱後に前記ワークに前記ワーク冷却水をかけるまでの遅延時間
（４）前記冷却装置による前記ワークの冷却時間
（５）前記ワークの回転数
（６）前記コンデンサの電気容量
（７）前記ワーク冷却水の流量
（８）前記変圧器の一次側コイルと二次側コイルの巻き数比率
（９）前記コアの量
（１０）前記コアの前記加熱コイルへの取付位置
（１１）前記高周波発振器の出力電圧
前記機械学習部は、教師あり学習を行うものであって、過去の加熱パラメータと、当該過去の加熱パラメータで行った過去の加熱前のワークの情報、前記加熱コイルの情報、及び加熱後のワークの情報の関係を教師データとして学習することを特徴とする請求項１乃至５のいずれかに記載の熱処理システム。
前記機械学習部は、４層以上のニューラルネットワークに則して学習するディープラーニング部であることを特徴とする請求項１乃至６のいずれかに記載の熱処理システム。