JP7311598B2 - 学習モデルの生成方法、コンピュータプログラム、学習モデル、制御装置、及び制御方法 - Google Patents
学習モデルの生成方法、コンピュータプログラム、学習モデル、制御装置、及び制御方法 Download PDFInfo
- Publication number
- JP7311598B2 JP7311598B2 JP2021529575A JP2021529575A JP7311598B2 JP 7311598 B2 JP7311598 B2 JP 7311598B2 JP 2021529575 A JP2021529575 A JP 2021529575A JP 2021529575 A JP2021529575 A JP 2021529575A JP 7311598 B2 JP7311598 B2 JP 7311598B2
- Authority
- JP
- Japan
- Prior art keywords
- powder
- learning model
- data
- processing apparatus
- raw material
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 115
- 238000004590 computer program Methods 0.000 title claims description 15
- 239000000843 powder Substances 0.000 claims description 436
- 238000009700 powder processing Methods 0.000 claims description 387
- 239000002994 raw material Substances 0.000 claims description 229
- 238000004364 calculation method Methods 0.000 claims description 155
- 238000012545 processing Methods 0.000 claims description 144
- 238000005259 measurement Methods 0.000 claims description 110
- 238000002156 mixing Methods 0.000 claims description 54
- 239000002245 particle Substances 0.000 claims description 54
- 238000001035 drying Methods 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 36
- 238000010586 diagram Methods 0.000 claims description 35
- 239000000428 dust Substances 0.000 claims description 28
- 230000007613 environmental effect Effects 0.000 claims description 24
- 238000013329 compounding Methods 0.000 claims description 19
- 239000000654 additive Substances 0.000 claims description 18
- 238000004381 surface treatment Methods 0.000 claims description 18
- 230000000996 additive effect Effects 0.000 claims description 17
- 239000012530 fluid Substances 0.000 claims description 14
- 238000005469 granulation Methods 0.000 claims description 14
- 230000003179 granulation Effects 0.000 claims description 14
- 238000003756 stirring Methods 0.000 claims description 12
- 238000010521 absorption reaction Methods 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 8
- 239000002826 coolant Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000002441 X-ray diffraction Methods 0.000 claims description 6
- 238000004949 mass spectrometry Methods 0.000 claims description 6
- 238000002834 transmittance Methods 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 4
- 239000003507 refrigerant Substances 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000004455 differential thermal analysis Methods 0.000 claims description 2
- 238000002411 thermogravimetry Methods 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims 1
- 238000010298 pulverizing process Methods 0.000 description 69
- 238000004891 communication Methods 0.000 description 48
- 239000000543 intermediate Substances 0.000 description 41
- 239000007789 gas Substances 0.000 description 39
- 238000003860 storage Methods 0.000 description 37
- 239000000463 material Substances 0.000 description 18
- 230000002093 peripheral effect Effects 0.000 description 13
- 230000004913 activation Effects 0.000 description 12
- 238000000227 grinding Methods 0.000 description 7
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000007747 plating Methods 0.000 description 6
- 238000007751 thermal spraying Methods 0.000 description 6
- 238000005299 abrasion Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 229910052751 metal Inorganic materials 0.000 description 5
- 239000002184 metal Substances 0.000 description 5
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 4
- 239000004810 polytetrafluoroethylene Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000007740 vapor deposition Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 3
- -1 SUS304 and SUS316 Substances 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 239000000919 ceramic Substances 0.000 description 3
- 238000010668 complexation reaction Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 229910003460 diamond Inorganic materials 0.000 description 3
- 239000010432 diamond Substances 0.000 description 3
- 238000005401 electroluminescence Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 229910052759 nickel Inorganic materials 0.000 description 3
- 102200082816 rs34868397 Human genes 0.000 description 3
- 102220342298 rs777367316 Human genes 0.000 description 3
- UONOETXJSWQNOL-UHFFFAOYSA-N tungsten carbide Chemical compound [W+]#[C-] UONOETXJSWQNOL-UHFFFAOYSA-N 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 239000010419 fine particle Substances 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 239000011361 granulated particle Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010791 quenching Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000001373 regressive effect Effects 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 239000010935 stainless steel Substances 0.000 description 2
- 229910001220 stainless steel Inorganic materials 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 229910001069 Ti alloy Inorganic materials 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052786 argon Inorganic materials 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 239000001506 calcium phosphate Substances 0.000 description 1
- 229910000389 calcium phosphate Inorganic materials 0.000 description 1
- 235000011010 calcium phosphates Nutrition 0.000 description 1
- 238000005255 carburizing Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 239000011195 cermet Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 229910010272 inorganic material Inorganic materials 0.000 description 1
- 239000011147 inorganic material Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000007561 laser diffraction method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 229910000625 lithium cobalt oxide Inorganic materials 0.000 description 1
- BFZPBUKRYWOWDV-UHFFFAOYSA-N lithium;oxido(oxo)cobalt Chemical compound [Li+].[O-][Co]=O BFZPBUKRYWOWDV-UHFFFAOYSA-N 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- VTHJTEIRLNZDEV-UHFFFAOYSA-L magnesium dihydroxide Chemical compound [OH-].[OH-].[Mg+2] VTHJTEIRLNZDEV-UHFFFAOYSA-L 0.000 description 1
- 239000000347 magnesium hydroxide Substances 0.000 description 1
- 229910001862 magnesium hydroxide Inorganic materials 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000011368 organic material Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000000790 scattering method Methods 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 238000005563 spheronization Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 229920003002 synthetic resin Polymers 0.000 description 1
- 239000000057 synthetic resin Substances 0.000 description 1
- 239000010936 titanium Substances 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- QORWJWZARLRLPR-UHFFFAOYSA-H tricalcium bis(phosphate) Chemical compound [Ca+2].[Ca+2].[Ca+2].[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O QORWJWZARLRLPR-UHFFFAOYSA-H 0.000 description 1
- 239000001993 wax Substances 0.000 description 1
- 238000004260 weight control Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Drying Of Solid Materials (AREA)
Description
本発明は、学習モデルの生成方法、コンピュータプログラム、学習モデル、制御装置、及び制御方法に関する。
粉体処理プロセスは、貯蔵、供給、輸送、粉砕、分級、混合、乾燥、造粒、複合化、球形化など種々のプロセスの組み合わせにより構成される（例えば、特許文献１を参照）。ユーザが望む品質を持った製品又は中間体を安定的に得るためには、粉体処理装置の操作条件を適切に設定する必要がある。
しかしながら、粉体処理プロセスにおいて取り扱う粉体は、粉体の種類、サイズ、形状等に応じて千差万別の性質を示す。このため、粉体処理装置に設定される操作条件は、現場技術者の経験や勘に依存している要素が多いという問題点を有している。
本発明は、現場技術者の経験や勘に依存することなく、粉体処理装置に関する制御パラメータを決定できる学習モデルの生成方法、コンピュータプログラム、学習モデル、制御装置、及び制御方法を提供することを目的とする。
本発明の一態様に係る学習モデルの生成方法は、コンピュータを用いて、乾燥処理、混合処理、複合化処理、表面処理、及び造粒処理の何れか１つを含む粉体処理を行う粉体処理装置に関して、前記粉体処理装置の動作状態を示す計測データと、前記粉体処理装置から得られる粉体に関する粉体データとを取得し、取得した計測データと粉体データとを教師データに用いて、ユーザが所望する粉体についての目標値が入力された場合、前記粉体処理装置に対する制御パラメータについての演算結果を出力するよう構成された学習モデルを生成する。
本願によれば、現場技術者の経験や勘に依存することなく、粉体処理装置に関する制御パラメータを決定できる。
以下、本発明をその実施の形態を示す図面に基づいて具体的に説明する。
（実施の形態１）
図１は実施の形態１に係る粉体処理システム１の全体構成を示す模式図である。実施の形態１に係る粉体処理システム１は、例えば、原料供給機２、熱風発生機３、粉体処理装置４Ａ、サイクロン５、集塵機６、ブロワ７、製品タンク８、集塵タンク９及び制御装置１００（図３を参照）を備える。
（実施の形態１）
図１は実施の形態１に係る粉体処理システム１の全体構成を示す模式図である。実施の形態１に係る粉体処理システム１は、例えば、原料供給機２、熱風発生機３、粉体処理装置４Ａ、サイクロン５、集塵機６、ブロワ７、製品タンク８、集塵タンク９及び制御装置１００（図３を参照）を備える。
原料供給機２は、粉体原料を粉体処理装置４Ａへ供給するための装置である。原料供給機２が粉体処理装置４Ａへ供給する粉体原料は、無機材料、有機材料、又は金属材料の粉体を製造するための原料であり、例えば、粉体塗料、電池材料、磁性材料、トナー材料、染料、樹脂、ワックス、ポリマ、医薬品、触媒、金属粉、シリカ、はんだ、セメント、食品などを含む。
原料供給機２は、原料供給路ＴＰ１を介して粉体処理装置４Ａに接続されている。原料供給路ＴＰ１内には、粉体原料を搬送するためのスクリューフィーダ２１（図２を参照）が設けられている。スクリューフィーダ２１は、粉体原料が固体の場合であって、粉体原料を一定速度で連続的に投入する場合に好ましい。スクリューフィーダ２１に代えて、ダブルダンパーやロータリーバルブ等を用いてもよい。また、熱風発生機３が発生させる熱風を原料供給路ＴＰ１に導入し、熱風と共に粉体原料を粉体処理装置４Ａに供給してもよい。更に、原料供給機２は、ロードセルなどの重量センサＳ１（図３を参照）を用いて重量管理を行い、粉体処理装置４Ａにおいて連続処理を行う場合であっても、装置内滞留量が一定となるように粉体原料の供給量を調節してもよい。また、原料供給機２は、内蔵タイマ（不図示）の出力と、重量センサＳ１により計測される粉体原料の供給量とに基づき、単位時間あたりの粉体原料の供給量（すなわち供給速度）を計測してもよい。重量センサＳ１は、原料供給機２だけでなく、粉体処理装置４Ａ、サイクロン５、及び集塵機６に設けられてもよい。
熱風発生機３は、粉体処理装置４Ａに導入する熱風を発生させるための装置であり、加熱ヒータなどの熱源、送風機、及び熱風の温度及び流量を制御する制御装置などを備える。熱風発生機３は、上記の構成に限らず、公知の構成を用いればよい。例えば、粉体処理装置４Ａに導入した熱風の一部を回収し、熱風発生機３と粉体処理装置４Ａとの間で循環させてもよい。
熱風発生機３は、気体導入路ＴＰ２を介して粉体処理装置４Ａに接続されている。熱風発生機３が発生させた熱風は、気体導入路ＴＰ２を介し、熱媒として粉体処理装置４Ａに導入される。熱風発生機３が発生させる熱風の温度は、粉体処理装置４Ａで処理される粉体に応じて適宜設定される。例えば、粉体処理装置４Ａにおいて粉体を乾燥させるために２００℃～６００℃程度の熱風を発生させてもよい。
実施の形態１に係る粉体処理装置４Ａは乾燥処理を行う装置である。粉体処理装置４Ａは、気流乾燥機であり、例えばホソカワミクロン株式会社製のドライマイスタ（登録商標）が用いられる。粉体処理装置４Ａは、装置内に供給された粉体原料を粉砕する粉砕機能、及び粉体原料を粉砕して得られる粉体を分級する分級機能を有する。粉体処理装置４Ａの内部構成については図２を用いて具体的に詳述する。
粉体処理装置４Ａにて処理された粉体は、粉体輸送路ＴＰ３を介してサイクロン５に輸送される。本実施の形態では、粉体処理装置４Ａからサイクロン５に至る粉体輸送路ＴＰ３の中途に粒子径センサＳ２を設置し、粒子径センサＳ２により粉体処理装置４Ａを通過する粉体の粒子径を常時若しくは定期的なタイミング（例えば５秒間隔）にて計測する。サイクロン５により収集される粉体は製品タンク８に取り出され、製品として回収される。
粒子径センサＳ２は、例えばレーザ回折・散乱法を用いて粒度分布を測定する装置であり、Ｄ１０，Ｄ５０，Ｄ９０の値を出力する。ここで、Ｄ１０，Ｄ５０，Ｄ９０は、それぞれ粒度分布における累積体積分布の小径側から累積１０％、５０％、９０％に相当する粒子径を表す。累積体積分布とは、粉末の粒子径（μｍ）と、小径側からの積算頻度（体積％）との関係を表す分布である。Ｄ５０は、一般には平均粒子径（メジアン径）ともいわれる。Ｄ１０，Ｄ５０，Ｄ９０に代えて、粒子径の頻度分布において出現比率が最も大きい粒子径を表すモード径を用いてもよく、各種算術平均値（個数平均、長さ平均、面積平均、体積平均など）を用いてもよい。
なお、本実施の形態では、粉体輸送路ＴＰ３に粒子径センサＳ２を設置する構成としたが、原料供給機２、サイクロン５から製品タンク８に至る経路、集塵機６から集塵タンク９に至る経路等に設置されてもよい。
なお、本実施の形態では、粉体輸送路ＴＰ３に粒子径センサＳ２を設置する構成としたが、原料供給機２、サイクロン５から製品タンク８に至る経路、集塵機６から集塵タンク９に至る経路等に設置されてもよい。
サイクロン５には、集塵経路ＴＰ４を介して集塵機６が接続されている。集塵機６は、サイクロン５を通過した微粉等を捕集するためのバグフィルタを備える。集塵機６のバグフィルタを通過した気体は、排風路ＴＰ５を通じてブロワ７へ流れ、ブロワ７の排出口から排出される。一方、集塵機６のバグフィルタにより捕集された微粉等は集塵タンク９に取り出され、回収される。
集塵機６には、排風路ＴＰ５を介してブロワ７が接続されている。このブロワ７を駆動することにより、粉体処理装置４Ａからサイクロン５への気体の流れ（すなわち、粉体処理装置４Ａから粉体を取り出す気体の流れ）、及びサイクロン５から集塵機６への気体の流れを形成する。本実施の形態では、集塵機６からブロワ７に至る排風路ＴＰ５の中途に流量センサＳ３（図３を参照）を設置し、粉体処理装置４Ａから粉体を取り出す際の吐出・吸引流量を常時若しくは定期的なタイミング（例えば５秒間隔）にて計測する。排風路ＴＰ５に流量センサＳ３を設置する構成に代えて、原料供給路ＴＰ１、気体導入路ＴＰ２、粉体輸送路ＴＰ３、集塵経路ＴＰ４、ブロワ７の排出口等に流量センサＳ３を設置してもよい。
制御装置１００は、粉体処理装置４Ａに関する動作を制御する装置であり、粉体処理システム１を構成する各種装置及び各種センサとの間で必要なデータを授受できるように構成されている。制御装置１００は、粉体処理装置４Ａに対する制御指令を粉体処理装置４Ａへ送信することによって、粉体処理装置４Ａの動作を直接的に制御する。また、制御装置１００は、粉体処理装置４Ａに接続された原料供給機２、熱風発生機３、サイクロン５、集塵機６、及びブロワ７の少なくとも１つに対する制御指令を送信することによって、粉体処理装置４Ａの動作を間接的に制御してもよい。
図１の例では、原料供給機２、熱風発生機３、粉体処理装置４Ａ、サイクロン５、集塵機６、及びブロワ７を備える粉体処理システム１について説明したが、粉体処理装置４Ａに接続される機器は、上記のものに限定されず、各種機器を組み合わせて粉体処理システム１を構築することが可能である。
図２は実施の形態１に係る粉体処理装置４Ａの構成を示す模式的断面図である。粉体処理装置４Ａは、その内部において乾燥処理を行う円筒形状のケーシング４１０を備える。このケーシング４１０には、原料投入口４１１、気体導入口４１２、粉砕ロータ４１３、ガイドリング４１４、分級ロータ４１５、粉体取出口４１６等が設けられている。
ケーシング４１０の素材は、従来から粉体処理装置のケーシングに用いられている公知の材料を用いればよい。具体的には、ＳＳ４００、Ｓ２５Ｃ、Ｓ４５Ｃ、ＳＰＨＣ（Steel Plate Hot Commercial）などの鉄系鋼材、ＳＵＳ３０４、ＳＵＳ３１６などのステンレス鋼材、ＦＣ２０、ＦＣ４０などの鉄鋳物材、ＳＣＳ１３、１４などのステンレス鋳物材などの金属、あるいは、セラミックス、ガラスなどを用いればよい。また、内壁面に耐磨耗材を貼り付けるなどすれば、アルミニウム、その他木材や合成樹脂であってもよい。
ケーシング４１０の内面は、装置の耐久性向上のために、ハードクロムメッキ処理などのメッキ処理、タングステンカーバイド溶射などの耐磨耗溶射材処理、真空下で行う金属蒸着、ダイヤモンド構造の炭素蒸着などの耐磨耗処理が施されていてもよい。また、処理粉体の付着又は固着による気流の乱れ、または、ケーシング４１０内の閉塞を防ぐために、ケーシング４１０の内面には、バフ研磨、電解研磨、ＰＴＦＥ（Polytetrafluoroethylene）などのコーティング、ニッケルなどのメッキ処理が施されてもよい。
ケーシング４１０には、原料供給機２から供給される粉体原料をケーシング４１０内に投入するための原料投入口４１１が設けられている。この原料投入口４１１は、粉砕ロータ４１３の回転円盤４１３Ａよりも上方の位置に設けられることが好ましい。原料供給機２から供給される粉体原料は、原料供給路ＴＰ１内のスクリューフィーダ２１によって搬送され、原料投入口４１１よりケーシング４１０内に投入される。
ケーシング４１０には、熱風発生機３による熱風（気体）をケーシング４１０内に導入するための気体導入口４１２が設けられている。気体導入口４１２は、気体導入路ＴＰ２を介して熱風発生機３に接続されている。この気体導入口４１２の位置は特に限定されないが、回転する粉砕ロータ４１３を介してケーシング４１０内に気体が導入されるように、粉砕ロータ４１３よりも下方の位置に設けられることが好ましい。本実施の形態では、粉砕ロータ４１３の回転方向と交差する方向から気体を導入する構成としたが、粉砕ロータ４１３の回転方向に沿って気体を導入する構成としてもよい。
気体導入口４１２から導入された気体は、ケーシング４１０内部を旋回しつつ循環する気流を形成すると共に、ケーシング４１０の内部から分級ロータ４１５を経て、粉体取出口４１６からサイクロン５及び集塵機６に到達する。ケーシング４１０内の気流は、サイクロン５及び集塵機６を介して接続されているブロワ７による吸引によって形成されてもよく、気体導入口４１２側からの吹き込み（加圧）によって形成されてもよい。ケーシング４１０内に導入される気体の種類は、目的とする処理品に応じて適宜決めればよい。例えば、空気を用いてもよく、酸化防止のために、窒素、アルゴンなどの不活性ガスを用いてもよい。
ここで、粉体処理の処理条件によっては、粉体に軟化現象が生じ、粉体同士が融着して粒子径にばらつきが生じたり、収率が低下したりする場合がある。そこで、ケーシング４１０内の１又は複数箇所に温度センサＳ４、湿分センサＳ５、圧力センサＳ６（図３を参照）を設け、温度、湿分、圧力等を逐次的に観測してもよい。また、流量センサＳ３、温度センサＳ４、湿分センサＳ５、圧力センサＳ６を、粉体処理システム１を構成する各装置又は装置間の経路に設けてもよい。通常、温度センサＳ４は気体導入路ＴＰ２、湿分センサＳ５は粉体輸送路ＴＰ３に設けることが多い。また、ケーシング４１０内に別途設けてもよい。
また、本実施の形態では、ケーシング４１０内に熱風発生機３からの熱風を導入する構成としたが、図に示していない冷風発生機を用いて、ケーシング４１０内に－２０℃～５℃程度の冷風（冷媒）を導入する構成としてもよい。この場合、結露防止のために、ケーシング４１０内に導入される気体は除湿された気体であることが好ましい。その他に、熱によって風味がなくなったり、変質し易い食品等を処理する場合には、０～１５℃に調節された冷風空気を用いてもよい。
更に、ケーシング４１０の内部温度を調節するために、ケーシング４１０の周囲にジャケット部を設けてもよい。ジャケット部は、別に設けたタンクから熱媒または冷媒を循環供給することによって、ケーシング４１０の内部温度を調節する。
粉砕ロータ４１３は、回転円盤４１３Ａと、回転円盤４１３Ａの上面周縁部から上向きに突出する複数のハンマ４１３Ｂとを備えるロータであり、粉砕モータ４１３Ｍ（図３を参照）の動力によって所望の回転速度にて回転するように構成されている。ここで、粉砕モータ４１３Ｍは、粉体処理システム１が備える駆動部の１つである。粉砕モータ４１３Ｍの回転速度は、回転速度センサＳ７（図３を参照）によって常時若しくは定期的なタイミング（例えば５秒間隔）にて計測される。粉砕ロータ４１３のハンマ４１３Ｂは、回転円盤４１３Ａの上面周縁部にて周方向に等間隔に複数配置される。なお、ハンマ４１３Ｂの形状、寸法、個数、及び素材は、要求される製品粉体の粒子径や円形度等に応じて適宜設計される。例えば、図２では、棒状のハンマ４１３Ｂを示しているが、直方体状のハンマであってもよく、平面視において台形状のハンマであってもよい。また、ハンマ４１３Ｂに代えて、刃物状の構造物を用いてもよい。
粉砕ロータ４１３は、粉砕モータ４１３Ｍの動力によって回転し、ケーシング４１０内に旋回する気流を発生させると共に、ハンマ４１３Ｂの作用により、ケーシング４１０内に導入された粉体原料に衝撃、圧縮、摩砕、剪断等の機械エネルギを与え、粉体原料を粉砕する。粉砕ロータ４１３は、粉体原料を攪拌する回転体の一例である。
粉砕ロータ４１３の素材は、従来から粉体処理装置の粉砕ロータに用いられている公知の材料を用いればよい。例えば、ＳＳ４００、Ｓ２５Ｃ、Ｓ４５Ｃ、ＳＵＳ３０４、ＳＵＳ３１６、ＳＵＳ６３０などを用いることができる。また、ハンマ４１３Ｂについては、衝撃力に耐え得るように、超硬合金のチップを付けたり、磨耗性及び強靭性を備えたセラミックスやサーメットなどの金属とセラミックスとの複合物を用いてもよい。
更に、粉砕ロータ４１３の表面は、装置の耐久性向上のために、ハードクロムメッキなどのメッキ処理、タングステンカーバイド溶射などの耐磨耗溶射材処理、真空下で行う金属蒸着、ダイヤモンド構造の炭素蒸着などの耐磨耗処理、ＳＵＳ６３０の焼き入れ硬化処理などが施されていてもよい。また、粉砕ロータ４１３の表面には、バフ研磨、電解研磨、ＰＴＦＥなどのコーティング、ニッケルなどのメッキ処理が施されていてもよい。
本実施の形態では、回転円盤４１３Ａの上面周縁部から上向きに突出したハンマ４１３Ｂの構成について説明したが、回転円盤４１３Ａの下面周縁部から下向きに突出したハンマを用いてもよい。このように下向きに突出したハンマは、ケーシング４１０内の粉体原料を直接的に粉砕するものではないが、ケーシング４１０内に強い旋回気流を形成することができるため、粉体原料同士を衝突させて間接的に粉体原料を粉砕することができる。
また、ケーシング４１０の内周面であって、ハンマ４１３Ｂと対向する位置には粉砕ライナが設けられてもよい。粉砕ライナは、粉砕ロータ４１３の回転軸方向に沿った中心軸を有する筒状の部材であり、この筒状の部材の内周面には、三角形、波形、くさび形の溝が設けられてもよい。
ガイドリング４１４は、ケーシング４１０内に旋回する気流を発生させ、ケーシング４１０内で処理される粉体を分級ロータ４１５へ導くための円筒状の部材である。ガイドリング４１４は、粉砕ロータ４１３の上方にて粉砕ロータ４１３と同軸に配され、ケーシング４１０の内部に固定される。ガイドリング４１４の固定方法は特に限定されるものではないが、粉体処理装置４Ａの動作中はケーシング４１０内部にて回転することなく固定される必要がある。これは、ケーシング４１０内部で、処理対象の粉体の流動状態を適切な状態に制御するためである。図２では、内径が上下方向で変化しないガイドリング４１４を示したが、上側から下側に向かって連続的に内径が大きくなるもの（若しくは小さくなるもの）であってもよい。
粉体原料を粉砕することによって製造される粉体は、ケーシング４１０の下部から流入する熱風と激しく接触することによって効率的に乾燥される。乾燥粉砕された粉体は、気流によってケーシング４１０の上部に設けられた分級ロータ４１５へ導かれる。
分級ロータ４１５は、放射状に配される複数の分級羽根４１５Ａを備えたロータであり、分級モータ４１５Ｍ（図３を参照）の動力によって所望の回転速度にて回転するように構成されている。ここで、分級モータ４１５Ｍは、粉体処理システム１が備える駆動部の１つである。分級モータ４１５Ｍの回転速度は、回転速度センサＳ８（図３を参照）によって常時若しくは定期的なタイミング（例えば５秒間隔）にて計測される。分級ロータ４１５は、粉砕ロータ４１３の上方に設けられており、高速回転による遠心力により、ケーシング４１０内で処理された粉体のうち所定粒子径未満の粉体のみを通過させ、通過させた粉体のみを粉体取出口４１６へ導く。
分級ロータ４１５の素材は、従来から粉体処理装置の分級ロータに用いられている公知の材料を用いればよい。例えば、ＳＳ４００、Ｓ２５Ｃ、Ｓ４５Ｃ、ＳＵＳ３０４、ＳＵＳ３１６、チタン、チタン合金、アルミ合金などを用いることができる。また、分級ロータ４１５の表面は、装置の耐久性向上のために、浸炭焼入れなどの熱硬化処理、タングステンカーバイド溶射材処理、ハードクロムメッキなどのメッキ処理、溶射後に熱硬化処理を施すための特殊溶射材処理、真空下で行う金属蒸着、ダイヤモンド構造の炭素蒸着などの耐磨耗処理が施されていてもよい。
また、分級ロータ４１５への粉体の付着や固着を防止するため、分級ロータ４１５の表面には、バフ研磨、電解研磨、ＰＴＦＥなどのコーティング、ニッケルなどのメッキ処理が施されていてもよい。
ここで、分級ロータ４１５を通過する粉体の粒子径は、分級ロータ４１５の回転速度等を制御することによって設定することができる。すなわち、分級ロータ４１５の回転速度を制御することによって、ケーシング４１０内から所定粒子径未満の粉体を取り出すことができる。一方、分級ロータ４１５を通過できない粉体は、ケーシング４１０内を循環し、繰り返し処理される。
分級ロータ４１５を通過し、粉体取出口４１６に導かれた粉体は、ブロワ７によって作り出される気体の流れによって外部に取り出され、後段のサイクロン５及び集塵機６へ導かれる。
以下、粉体処理システム１における制御系の構成について説明する。
図３は実施の形態１に係る制御装置１００の内部構成を示すブロック図である。制御装置１００は、汎用又は専用のコンピュータにより構成されており、制御部１０１、記憶部１０２、入力部１０３、出力部１０４、通信部１０５、操作部１０６、及び表示部１０７を備える。
図３は実施の形態１に係る制御装置１００の内部構成を示すブロック図である。制御装置１００は、汎用又は専用のコンピュータにより構成されており、制御部１０１、記憶部１０２、入力部１０３、出力部１０４、通信部１０５、操作部１０６、及び表示部１０７を備える。
制御部１０１は、例えば、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などを備える。制御部１０１が備えるＲＯＭには、制御装置１００が備えるハードウェア各部の動作を制御する制御プログラム等が記憶される。制御部１０１内のＣＰＵは、ＲＯＭに記憶された制御プログラムや後述する記憶部１０２に記憶された各種コンピュータプログラムを実行し、ハードウェア各部の動作を制御することによって、本発明に係る制御装置としての機能を実現する。制御部１０１が備えるＲＡＭには、演算の実行中に利用されるデータ等が一時的に記憶される。
制御部１０１は、ＣＰＵ、ＲＯＭ、及びＲＡＭを備える構成としたが、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＤＳＰ（Digital Signal Processor）、量子プロセッサ、揮発性又は不揮発性のメモリ等を備える１又は複数の演算回路又は制御回路であってもよい。また、制御部１０１は、日時情報を出力するクロック、計測開始指示を与えてから計測終了指示を与えるまでの経過時間を計測するタイマ、数をカウントするカウンタ等の機能を備えていてもよい。
記憶部１０２は、ハードディスク、フラッシュメモリなどを用いた記憶装置を備える。記憶部１０２には、制御部１０１によって実行されるコンピュータプログラム、外部から取得した各種データ、装置内部で生成した各種データ等が記憶される。
記憶部１０２に記憶されるコンピュータプログラムは、制御対象の装置の動作を制御するための制御プログラムＰＧ１、粉体処理装置４Ａにより処理される粉体の粒子径と、粉体処理装置４Ａに関する制御パラメータとの関係を学習させるための学習プログラムＰＧ２等を含む。
制御プログラムＰＧ１及び学習プログラムＰＧ２を含むコンピュータプログラムは、コンピュータプログラムを読み取り可能に記録した非一時的な記録媒体Ｍ１により提供されてもよい。記録媒体Ｍ１は、例えば、ＣＤ－ＲＯＭ、ＵＳＢメモリ、コンパクトフラッシュ（登録商標）、ＳＤ（Secure Digital）カード、マイクロＳＤカード、などの可搬型メモリである。制御部１０１は、図に示していない読取装置を用いて、記録媒体Ｍ１から各種プログラムを読み取り、読み取った各種プログラムを記憶部１０２に記憶させる。
本実施の形態では、制御部１０１が学習プログラムＰＧ２を実行することにより、制御装置１００は学習フェーズに移行する。学習フェーズは、例えば制御装置１００の導入時に実施される。また、学習フェーズは、操作部１０６を通じてユーザの指示を受付けた場合、若しくは定期的なタイミングで実施されるものであってもよい。
学習フェーズにおいて、制御部１０１は、粉体データとして粉体処理装置４Ａから得られる粉体の湿分のデータを取得し、粉体処理装置４Ａの動作状態を示す計測データとして、粉体処理装置４Ａに供給される熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、乾燥処理の処理時間等のデータを取得する。ここで、粉体の湿分は湿分センサＳ５により計測される。熱媒の温度及び流量は温度センサＳ４及び流量センサＳ３により計測される。粉体原料の供給量又は供給速度は、重量センサＳ１により計測される重量に基づき算出される。粉砕ロータ４１３の回転速度は回転速度センサＳ７により計測される。分級ロータ４１５の回転速度は回転速度センサＳ８により計測される。乾燥処理の処理時間は、制御部１０１の内蔵タイマにより計測される。なお、乾燥処理の処理時間は、バッチ処理では粉体処理装置４Ａの運転時間に対応し、連続処理ではケーシング４１０内の粉体の滞留時間に対応する。これらのデータは、事前に収集されていてもよく、学習フェーズへの移行後に収集されてもよい。
制御部１０１は、収集した粉体データ及び計測データを教師データに用いて、粉体処理装置４Ａから得られる粉体の湿分と粉体処理装置４Ａに関する制御パラメータとの関係を学習することにより、学習モデル２１０を生成する。ここで、粉体処理装置４Ａに関する制御パラメータは、粉体処理装置４Ａに供給する熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、並びに、乾燥処理の処理時間を含む。
学習フェーズにおいて生成された学習モデル２１０は記憶部１０２に記憶される。学習モデル２１０は、その定義情報によって定義される。学習モデル２１０の定義情報は、例えば、学習モデル２１０の構造情報、ノード間の重み及びバイアスなどのパラメータを含む。
また、本実施の形態では、制御部１０１が制御プログラムＰＧ１を実行することにより、制御装置１００は運用フェーズに移行する。運用フェーズは、学習モデル２１０の実行後に実施される。
運用フェーズにおいて、制御装置１００は、粉体処理装置４Ａを含む装置の動作を制御する。このとき、制御部１０１は、ユーザが所望する粉体についての目標値を受付ける。実施の形態１において、目標値は粉体の湿分である。制御部１０１は、受付けた目標値を学習モデル２１０に入力し、学習モデル２１０を用いた演算を実行することにより、粉体処理装置４Ａに供給する熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、並びに、乾燥処理の処理時間を含む制御パラメータに関する演算結果を取得する。制御部１０１は、学習モデル２１０から得られる演算結果に基づき、制御対象の装置の動作を制御する。
入力部１０３は、各種装置及びセンサを接続するための接続インタフェースを備える。入力部１０３に接続される装置は、原料供給機２、熱風発生機３、粉体処理装置４Ａ、サイクロン５、集塵機６、及びブロワ７を含む。入力部１０３が備える接続インタフェースは、有線のインタフェースであってもよく、無線のインタフェースであってもよい。入力部１０３には、原料供給機２、熱風発生機３、粉体処理装置４Ａ、サイクロン５、集塵機６、及びブロワ７から出力されるデータが入力される。
また、入力部１０３に接続されるセンサは、重量センサＳ１、粒子径センサＳ２、流量センサＳ３、温度センサＳ４、湿分センサＳ５、圧力センサＳ６、粉砕ロータ４１３用の回転速度センサＳ７、及び分級ロータ４１５用の回転速度センサＳ８を含む。入力部１０３には、これらのセンサから出力される計測データが入力される。
なお、入力部１０３に接続されるセンサは、上記のセンサに限定されるものではなく、含塵濃度を計測する含塵濃度センサ、音圧若しくは周波数を計測する音圧・周波数センサ等を含んでもよい。更に、粉体の組成、物性、形状などを計測するために、ＢＥＴ（Brunauer - Emmett - Teller）値、ＮＩＲ（Near Infrared）、ＸＲＤ（X-ray Diffraction）、ＴＧ－ＤＴＡ（Thermogravimetry - Differential Thermal Analysis）、ＭＳ（Mass Spectrometry）、ＳＥＭ（Scanning Electron Microscope）、ＦＥ－ＳＥＭ（Field Emission - SEM）、ＴＥＭ（Transmission Electron Microscope）などのデータを出力する計測装置が入力部１０３に接続されてもよい。
また、制御装置１００は、入力部１０３を通じて各種装置及びセンサからデータを取得する構成としたが、これらの装置及びセンサが通信インタフェースを備える場合、後述する通信部１０５を通じてデータを取得してもよい。
出力部１０４は、制御対象の装置を接続する接続インタフェースを備える。出力部１０４に接続される装置は、原料供給機２、熱風発生機３、粉体処理装置４Ａ、サイクロン５、集塵機６、及びブロワ７を含む。出力部１０４が備える接続インタフェースは、有線のインタフェースであってもよく、無線のインタフェースであってもよい。制御部１０１は、出力部１０４を通じて制御指令を出力することにより、制御対象の装置の動作を制御する。例えば、粉砕ロータ４１３の回転速度を制御する場合、制御部１０１は、粉砕ロータ４１３の駆動部である粉砕モータ４１３Ｍに対する制御指令を生成し、出力部１０４を通じて粉体処理装置４Ａへ出力することにより、粉砕ロータ４１３の回転速度を制御する。分級ロータ４１５の回転速度を制御する場合も同様であり、制御部１０１は、分級ロータ４１５の駆動部である分級モータ４１５Ｍに対する制御指令を生成し、出力部１０４を通じて粉体処理装置４Ａへ出力することにより、分級ロータ４１５の回転速度を制御する。また、粉体処理装置４Ａが備えるケーシング４１０からの吐出・吸引流量を制御する場合、制御部１０１は、ブロワ７に対する制御指令を生成し、出力部１０４を通じてブロワ７へ出力することにより、ケーシング４１０からの吐出・吸引流量を制御する。
通信部１０５は、各種の通信データを送受信する通信インタフェースを備える。通信部１０５が備える通信インタフェースは、例えば、ＷｉＦｉ（登録商標）やイーサネット（登録商標）で用いられるＬＡＮ（Local Area Network）の通信規格に準じた通信インタフェースである。代替的に、Ｂｌｕｅｔｏｏｔｈ（登録商標） 、ＺｉｇＢｅｅ（登録商標）、３Ｇ、４Ｇ、５Ｇ、ＬＴＥ（Long Term Evolution）等の通信規格に準じた通信インタフェースであってもよい。
通信部１０５は、例えば、粉体処理システム１のユーザが使用する端末装置５００と通信を行う。通信部１０５は、粉体処理システム１の遠隔操作を受付けるために、端末装置５００から送信される操作データ又は設定データを受信してもよい。制御部１０１は、通信部１０５を通じて、端末装置５００から送信される操作データ又は設定データを受信した場合、受信した操作データ又は設定データに応じた処理を実行する。例えば、ユーザが所望する湿分のデータを受信した場合、制御部１０１は、学習モデル２１０を用いた演算を実行し、粉体処理装置４Ａに関する制御パラメータを取得する処理を行ってもよい。また、制御部１０１は、端末装置５００に表示させるユーザインタフェース画面の画面データを生成し、生成した画面データを通信部１０５を通じて端末装置５００へ送信してもよい。
操作部１０６は、キーボードやマウスなどの入力インタフェースを備えており、各種操作及び各種設定を受付ける。制御部１０１は、操作部１０６を通じて受付けた各種操作及び各種設定に基づき、適宜の処理を行い、必要に応じて設定情報を記憶部１０２に記憶させる。なお、本実施の形態では、制御装置１００が操作部１０６を備える構成としたが、操作部１０６は必須ではなく、外部に接続されたコンピュータ（例えば、端末装置５００）を通じて操作を受付ける構成であってもよい。
表示部１０７は、液晶パネル又は有機ＥＬ（Electro-Luminescence）パネル等の表示パネルを備えており、ユーザに対して報知すべき情報を表示する。表示部１０７は、例えば、通信部１０５を通じて受信した各種センサＳ１～Ｓ６の計測データを表示してもよく、操作部１０６を通じて受付けた各種操作及び各種設定に基づく情報を表示してもよい。また、表示部１０７は、学習モデル２１０による演算結果を表示してもよい。なお、本実施の形態では、制御装置１００が表示部１０７を備える構成としたが、表示部１０７は必須ではなく、ユーザに報知すべき情報を外部のコンピュータ（例えば、端末装置５００）へ出力し、出力先のコンピュータに情報を表示させてもよい。
本実施の形態では、制御装置１００を単一のコンピュータとして説明したが、単一のコンピュータである必要はなく、複数のコンピュータにより構成されてもよく、複数の仮想コンピュータにより構成されてもよい。
図４は端末装置５００の内部構成を示すブロック図である。端末装置５００は、パーソナルコンピュータ、スマートフォン、タブレット端末などのコンピュータであり、制御部５０１、記憶部５０２、通信部５０３、操作部５０４、及び表示部５０５を備える。
制御部５０１は、例えば、ＣＰＵ、ＲＯＭ、ＲＡＭなどを備える。制御部５０１が備えるＲＯＭには、端末装置５００が備えるハードウェア各部の動作を制御する制御プログラム等が記憶される。制御部５０１内のＣＰＵは、ＲＯＭに記憶された制御プログラムや後述する記憶部５０２に記憶された各種コンピュータプログラムを実行し、ハードウェア各部の動作を制御する。また、制御部５０１は、日時情報を出力するクロック、計測開始指示を与えてから計測終了指示を与えるまでの経過時間を計測するタイマ、数をカウントするカウンタ等の機能を備えてもよい。制御部５０１が備えるＲＡＭには、演算の実行中に利用されるデータ等が一時的に記憶される。
記憶部５０２は、ハードディスク、フラッシュメモリなどを用いた記憶装置を備える。記憶部５０２には、制御部５０１によって実行されるコンピュータプログラム、外部から取得した各種データ、装置内部で生成した各種データ等が記憶される。記憶部５０２に記憶されるコンピュータプログラムは、端末装置５００から制御装置１００にアクセスするためのアプリケーションプログラムを含んでもよい。
通信部５０３は、各種データを送受信する通信インタフェースを備える。通信部５０３が備える通信インタフェースは、例えば、ＷｉＦｉ（登録商標）やイーサネット（登録商標）で用いられるＬＡＮの通信規格に準じた通信インタフェースである。代替的に、Ｂｌｕｅｔｏｏｔｈ（登録商標） 、ＺｉｇＢｅｅ（登録商標）、３Ｇ、４Ｇ、５Ｇ、ＬＴＥ等の通信規格に準じた通信インタフェースであってもよい。
通信部５０３は、例えば、粉体処理システム１の制御装置１００と通信を行う。端末装置５００が通信部５０３を通じて受信するデータは、制御装置１００のインタフェース画面を表示部５０５に表示させるための画面データ、粉体処理装置４Ａを含む装置の設定状態及び動作状態を示すデータ等を含む。ここで、設定状態を示すデータには、熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、乾燥処理の処理時間等に関する設定値が含まれる。また、動作状態を示すデータには、熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、乾燥処理の処理時間等の計測データが含まれる。通信部５０３にて受信したデータは制御部５０１へ出力される。端末装置５００が通信部５０３を通じて送信するデータは、粉体処理システム１を遠隔操作する際の操作データ又は設定データ等を含む。
操作部５０４は、キーボードやマウスなどの入力インタフェースを備えており、各種操作及び各種設定を受付ける。制御部５０１は、操作部５０４を通じて受付けた各種操作及び各種設定に基づき、適宜の処理を行い、必要に応じて設定情報を記憶部５０２に記憶させる。
表示部５０５は、液晶パネル又は有機ＥＬパネル等の表示パネルを備えており、ユーザに対して報知すべき情報を表示する。表示部５０５は、例えば、通信部５０３にて受信した画面データに基づき、制御装置１００のインタフェース画面を表示する。また、表示部５０５は、通信部５０３にて受信した粉体処理装置４Ａを含む装置の設定状態及び動作状態を示すデータに基づき、粉体処理装置４Ａを含む装置の設定状態及び動作状態を表示してもよい。
以下、制御装置１００において用いられる学習モデル２１０について説明する。
図５は実施の形態１における学習モデル２１０の構成例を示す模式図である。学習モデル２１０は、例えば、深層学習を含む機械学習の学習モデルであり、ニューラルネットワークによって構成されている。学習モデル２１０は、入力層２１１、中間層２１２Ａ，２１２Ｂ、及び出力層２１３を備える。図５の例では、２つの中間層２１２Ａ，２１２Ｂを記載しているが、中間層の数は２つに限定されず、３つ以上であってもよい。
図５は実施の形態１における学習モデル２１０の構成例を示す模式図である。学習モデル２１０は、例えば、深層学習を含む機械学習の学習モデルであり、ニューラルネットワークによって構成されている。学習モデル２１０は、入力層２１１、中間層２１２Ａ，２１２Ｂ、及び出力層２１３を備える。図５の例では、２つの中間層２１２Ａ，２１２Ｂを記載しているが、中間層の数は２つに限定されず、３つ以上であってもよい。
入力層２１１、中間層２１２Ａ，２１２Ｂ、及び出力層２１３には、１つまたは複数のノードが存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重みおよびバイアスで結合されている。学習モデル２１０の入力層２１１には、入力層２１１が備えるノードの数と同数のデータが入力される。本実施の形態において、入力層２１１のノードに入力されるデータは、ユーザが所望する粉体についての目標値のデータである。実施の形態１において、粉体についての目標値は、粉体処理装置４Ａから得られる粉体の湿分である。学習モデル２１０の入力層２１１に入力する目標値のデータは、スカラーに限定する必要はなく、ベクトルデータ、画像データ等の何らかの構造を有するデータであってもよい。
学習モデル２１０に入力された目標値のデータは、入力層２１１を構成するノードを通じて、最初の中間層２１２Ａが備えるノードへ出力される。最初の中間層２１２Ａに入力されたデータは、中間層２１２Ａを構成するノードを通じて、次の中間層２１２Ｂが備えるノードへ出力される。このとき、ノード間において設定されている重み及びバイアスを含む活性化関数を用いて出力が算出される。以下同様にして、ノード間において設定されている重み及びバイアスを含む活性化関数を用いた演算を実行し、出力層２１３による演算結果が得られるまで次々と後の層に伝達される。ノード間を結合する重み、バイアス等のパラメータは、所定の学習アルゴリズムによって学習される。各種パラメータを学習する学習アルゴリズムには、例えば深層学習の学習アルゴリズムが用いられる。本実施の形態では、粉体処理装置４Ａから得られる粉体に関する粉体データ（湿分データ）と、熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、並びに、乾燥処理の処理時間を含む計測データとを教師データとして、所定の学習アルゴリズムによってノード間の重み及びバイアスを含む各種パラメータを学習することができる。
出力層２１３は、粉体処理装置４Ａに対する制御パラメータについての演算結果を出力する。ここで、制御パラメータは、粉体処理装置４Ａに供給する熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、並びに、乾燥処理の処理時間を含む。演算結果として、例えば、上述した複数の制御パラメータの組み合わせの良否を示す確率を出力してもよい。具体的には、出力層２１３を第１ノードから第ｎノードまでのｎ個のノードにより構成し、第１ノードから、熱媒の温度がＨＴ１、熱媒の流量ＨＦ１、粉体原料の供給量がＳＡ１、粉砕ロータ４１３の回転速度がＣＶ１、分級ロータ４１５の回転速度がＣＣ１、ケーシング４１０内の圧力がＣＰ１、乾燥処理の処理時間がＤＴ１である確率Ｐ１を出力し、第２ノードから、熱媒の温度がＨＴ２、熱媒の流量がＨＦ２、粉体原料の供給量がＳＡ２、粉砕ロータ４１３の回転速度がＣＶ２、分級ロータ４１５の回転速度がＣＣ２、ケーシング４１０内の圧力がＣＰ２、乾燥処理の処理時間がＤＴ２である確率Ｐ２を出力し、…、第ｎノードから、熱媒の温度がＨＴｎ、熱媒の流量ＨＦｎ、粉体原料の供給量がＳＡｎ、粉砕ロータ４１３の回転速度がＣＶｎ、分級ロータ４１５の回転速度がＣＣｎ、ケーシング４１０内の圧力がＣＰｎ、乾燥処理の処理時間がＤＴｎである確率Ｐｎを出力してもよい。出力層２１３を構成するノードの数や各ノードに割り当てる演算結果は、上述の例に限定されるものではなく、適宜設計することが可能である。
制御装置１００は、粉体処理装置４Ａから得られる粉体に関する粉体データ（実施の形態１では、粉体の湿分のデータ）と、粉体処理装置４Ａに供給される熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、及び乾燥処理の処理時間を含む計測データとを収集し、これらのデータを教師データに用いて、上述したような学習モデル２１０を生成する。
図６は制御装置１００が収集するデータの一例を示す概念図である。制御装置１００の制御部１０１は、入力部１０３を通じて、粉体処理装置４Ａの動作状態を示す計測データと、粉体処理装置４Ａから得られる粉体に関する粉体データとを取得する。具体的には、制御部１０１は、温度センサＳ４により計測される熱媒の温度（℃）、流量センサＳ３により計測される熱媒の流量（ｍ3 ／ｍｉｎ）、重量センサＳ１により計測される重量に基づき計算される粉体原料の供給量（ｋｇ／ｈ）、回転速度センサＳ７により計測される粉砕ロータ４１３の回転速度（ｒｐｍ）、回転速度センサＳ８により計測される分級ロータ４１５の回転速度（ｒｐｍ）、圧力センサＳ６により計測されるケーシング４１０内の圧力（ａｔｍ）、制御部１０１の内蔵タイマにより計測される乾燥処理の処理時間（ｍｉｎ）等を計測データとして取得する。また、制御部１０１は、湿分センサＳ５により計測される粉体の湿分（％）を粉体データとして取得する。制御部１０１は、取得した計測データ及び粉体データをタイムスタンプと共に記憶部１０２に記憶させる。なお、図６は、５秒間隔で収集したデータを記憶部１０２に記憶させた例を示しているが、データを収集する時間間隔は５秒に限らず、任意に設定すればよい。
制御部１０１は、収集した上記データを教師データに用いて、粉体処理装置４Ａから得られる粉体の湿分と、粉体処理装置４Ａに関する制御パラメータとの関係を学習し、上述したような学習モデル２１０を生成する。
以下、学習フェーズにおける制御装置１００の動作について説明する。
図７は制御装置１００による学習モデル２１０の生成手順を説明するフローチャートである。制御装置１００の制御部１０１は、粉体処理装置４Ａの動作状態を示す計測データと、粉体処理装置４Ａから得られる粉体に関する粉体データとを収集する（ステップＳ１０１）。ステップＳ１０１において収集する計測データは、上述したように、熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、及び乾燥処理の処理時間を含む。また、ステップＳ１０１において収集する粉体データは、粉体処理装置４Ａから得られる粉体の湿分を示すデータを含む。収集した計測データ及び粉体データは、タイムスタンプと共に、記憶部１０２に記憶される。
図７は制御装置１００による学習モデル２１０の生成手順を説明するフローチャートである。制御装置１００の制御部１０１は、粉体処理装置４Ａの動作状態を示す計測データと、粉体処理装置４Ａから得られる粉体に関する粉体データとを収集する（ステップＳ１０１）。ステップＳ１０１において収集する計測データは、上述したように、熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、及び乾燥処理の処理時間を含む。また、ステップＳ１０１において収集する粉体データは、粉体処理装置４Ａから得られる粉体の湿分を示すデータを含む。収集した計測データ及び粉体データは、タイムスタンプと共に、記憶部１０２に記憶される。
計測データ及び粒子径データの収集後、制御部１０１は、記憶部１０２に記憶されているデータから、一組の教師データを選択する（ステップＳ１０２）。すなわち、制御部１０１は、熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、乾燥処理の処理時間の計測値と、そのときに得られた粉体の湿分の値とを記憶部１０２から一組だけ選択する。
制御部１０１は、選択した教師データに含まれる湿分の値を学習モデル２１０へ入力し（ステップＳ１０３）、学習モデル２１０による演算を実行する（ステップＳ１０４）。すなわち、制御部１０１は、学習モデル２１０の入力層２１１を構成するノードに湿分の値を入力し、中間層２１２Ａ，２１２Ｂにおいてノード間の重み及びバイアスを用いた演算を行い、演算結果を出力層２１３のノードから出力する処理を行う。なお、学習が開始される前の初期段階では、学習モデル２１０を記述する定義情報には初期値が与えられているものとする。
次いで、制御部１０１は、ステップＳ１０４で得られた演算結果を評価し（ステップＳ１０５）、学習が完了したか否かを判断する（ステップＳ１０６）。具体的には、制御部１０１は、ステップＳ１０４で得られる演算結果と教師データとに基づく誤差関数（目的関数、損失関数、コスト関数ともいう）を用いて、演算結果を評価することができる。制御部１０１は、最急降下法などの勾配降下法により誤差関数を最適化（最小化又は最大化）する課程で、誤差関数が閾値以下（又は閾値以上）となった場合、学習が完了したと判断する。なお、過学習の問題を避けるために、交差検定、早期打ち切りなどの手法を取り入れ、適切なタイミングにて学習を終了させてもよい。
学習が完了していないと判断した場合（Ｓ１０６：ＮＯ）、制御部１０１は、学習モデル２１０のノード間の重み及びバイアスを更新して（ステップＳ１０７）、処理をステップＳ１０２へ戻し、別の教師データを用いた学習を継続する。制御部１０１は、学習モデル２１０の出力層２１３から入力層２１１に向かって、ノード間の重み及びバイアスを順次更新する誤差逆伝播法を用いて、各ノード間の重み及びバイアスを更新することができる。
学習が完了したと判断した場合（Ｓ１０６：ＹＥＳ）、制御部１０１は、学習済みの学習モデル２１０として記憶部１０２に記憶させ（ステップＳ１０８）、本フローチャートによる処理を終了する。
以上のように、本実施の形態に係る制御装置１００は、学習フェーズにおいて、粉体処理装置４Ａの動作状態を示す計測データと、粉体処理装置４Ａから得られる粉体に関する粉体データとを収集する。制御装置１００は、収集したデータを教師データとして用いることにより、ユーザが所望する粉体についての目標値（実施の形態１では湿分の値）の入力に応じて、熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、及び乾燥処理の処理時間を制御する制御パラメータに関する演算結果を出力する学習モデル２１０を生成できる。
なお、本実施の形態では、制御装置１００において学習モデル２１０を生成する構成としたが、学習モデル２１０を生成する外部サーバ（不図示）を設け、外部サーバにて学習モデル２１０を生成してもよい。この場合、制御装置１００は、通信等により、外部サーバから学習モデル２１０を取得し、取得した学習モデル２１０を記憶部１０２に記憶させればよい。
次に、運用フェーズにおける制御装置１００の動作を説明する。なお、運用フェーズにおいては、学習モデル２１０は学習済みであるとする。
図８は制御装置１００による制御手順を説明するフローチャートである。制御装置１００の制御部１０１は、操作部１０６を通じて、ユーザが所望する粉体についての目標値（実施の形態１では湿分の値）の入力を受付ける（ステップＳ１２１）。
次いで、制御部１０１は、受付けた目標値のデータを学習モデル２１０の入力層２１１へ入力し、学習モデル２１０による演算を実行する（ステップＳ１２２）。このとき、制御部１０１は、受付けた目標値のデータを入力層２１１のノードに与える。入力層２１１のノードに与えられたデータは、隣接する中間層２１２Ａのノードへ出力される。中間層２１２Ａではノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、演算結果は後段の中間層２１２Ｂへ出力される。中間層２１２Ｂにおいて、更に、ノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、演算結果は出力層２１３の各ノードへ出力される。出力層２１３の各ノードは、粉体処理装置４Ａの制御パラメータに関する演算結果を出力する。具体的には、出力層２１３の各ノードは、熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、及び乾燥処理の処理時間を制御する制御パラメータに関する演算結果を出力する。
次いで、制御部１０１は、学習モデル２１０から演算結果を取得し（ステップＳ１２３）、制御に用いる制御パラメータを決定する（ステップＳ１２４）。学習モデル２１０の出力層２１３は、例えば、制御パラメータに関する演算結果として、熱媒の温度がＨＴｉ、熱媒の流量がＨＦｉ、粉体原料の供給量がＳＡｉ、粉砕ロータ４１３の回転速度がＣＶｉ、分級ロータ４１５の回転速度がＣＣｉ、ケーシング４１０内の圧力がＣＰｉ、乾燥処理の処理時間がＤＴｉである確率Ｐｉ（ｉ＝１～ｎ）を各ノードから出力する。制御部１０１は、これらの確率Ｐｉ（ｉ＝１～ｎ）のうち、最も高い確率に対応した熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、乾燥処理の処理時間の組み合わせを特定することにより、制御に用いる制御パラメータを決定する。
次いで、制御部１０１は、ステップＳ１２４において決定した制御パラメータに基づき、制御を実行する（ステップＳ１２５）。すなわち、制御部１０１は、ケーシング４１０内に導入される熱媒の温度及び流量がそれぞれステップＳ１２４で決定した値となるように、熱風発生機３の動作を制御する制御指令を生成し、生成した制御指令を出力部１０４を通じて熱風発生機３へ出力する。同様に、制御部１０１は、粉体原料の供給量、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、乾燥処理の処理時間がそれぞれステップＳ１２４で決定した値となるように、原料供給機２、粉砕ロータ４１３、分級ロータ４１５、ブロワ７、粉体処理装置４Ａの動作を制御する制御指令を生成し、生成した制御指令を出力部１０４を通じて各装置へ出力する。
以上のように、本実施の形態に係る制御装置１００は、ユーザが所望する粉体についての目標値を受付けることにより、熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、及び乾燥処理の処理時間を制御する制御パラメータを決定できる。すなわち、本実施の形態では、現場技術者の経験や勘に依存することなく、粉体処理装置４Ａに関する制御パラメータを決定できる。制御装置１００は、目標値を有する粉体が得られるように、決定した制御パラメータに基づく制御を実行する。
本実施の形態では、ニューラルネットワークによって構成される機械学習の学習モデル２１０を用いて制御パラメータに関する演算結果を取得する構成について説明したが、学習モデル２１０は特定の手法を用いて得られるモデルに限定されない。例えば、深層学習によるニューラルネットワークに代えて、パーセプトロン、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク、残差ネットワーク、自己組織化マップ等による学習モデルであってもよい。
また、上記のニューラルネットワークによる学習モデルに代えて、線形回帰、ロジスティック回帰、サポートベクターマシン等を含む回帰分析手法、決定木、回帰木、ランダムフォレスト、勾配ブースティング木等の探索木を用いた手法、単純ベイズ等を含むベイズ推定法、ＡＲ（Auto Regressive）、ＭＡ（Moving Average）、ＡＲＩＭＡ（Auto Regressive Integrated Moving Average）、状態空間モデル等を含む時系列予測手法、Ｋ近傍法等を含むクラスタリング手法、ブースティング、バギング等を含むアンサンブル学習を用いた手法、階層型クラスタリング、非階層型クラスタリング、トピックモデル等を含むクラスタリング手法、アソシエーション分析、強調フィルタリング等を含むその他の手法により学習された学習モデルであってもよい。
更に、ＰＬＳ（Partial Least Squares）回帰、重回帰分析、主成分分析、因子分析、クラスター分析等を含む多変量分析を用いて学習モデルを構築してもよい。
更に、ＰＬＳ（Partial Least Squares）回帰、重回帰分析、主成分分析、因子分析、クラスター分析等を含む多変量分析を用いて学習モデルを構築してもよい。
本実施の形態では、粉体処理装置４Ａから得られる粉体の粉体データ（湿分のデータ）と、粉体処理装置４Ａに導入する熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、及び乾燥処理の処理時間を含む計測データとを教師データに用いて、学習モデル２１０を生成する構成とした。代替的に、上記粉体データ（湿分のデータ）と、選択した一部の計測データとを教師データに用いて、学習モデル２１０を生成する構成としてもよい。
また、制御装置１００は、計測データとして、ケーシング４１０内から粉体を取り出す際の吐出・吸引流量若しくは温度、及び、粉体処理装置４Ａの駆動電力若しくは駆動電流の少なくとも１つを更に含む教師データを用いて、学習モデル２１０を生成してもよい。
更に、制御装置１００は、粉体データとして、単位時間あたりの収量（すなわち処理能力）を更に含む教師データを用いて、学習モデル２１０を生成してもよい。この場合、制御装置１００は、粉体処理装置４Ａから得られる粉体の湿分及び単位時間あたりの収量を含む粉体データと上述の計測データとを教師データに用いて、ユーザが所望する粉体の湿分及び単位時間あたりの収量が入力された場合、粉体処理装置４Ａに対する制御パラメータについての演算結果を出力するように構成された学習モデル２１０を生成すればよい。
更に、制御装置１００は、原料データを更に含む教師データに用いて、学習モデル２１０を生成してもよい。教師データに用いる原料データは、粉体原料の湿分、温度、かさ密度（若しくは真密度）、及び粒子径の少なくとも１つを含む。制御装置１００は、取得した粉体データ、原料データ、及び計測データを教師データとし、粉体データ及び原料データの入力に応じて、粉体処理装置４Ａに対する制御パラメータについての演算結果を出力するように構成された学習モデル２１０を生成すればよい。
更に、制御装置１００は、製品データ、排ガスデータ、及び環境データの少なくとも１つを更に含む教師データを用いて、学習モデル２１０を生成してもよい。教師データに用いる製品データは、製品粉体の温度、かさ密度（若しくは真密度）、及び粒子径の少なくとも１つを含む。排ガスデータは、ブロワ７を通じて排出される気体の流量及び湿分の少なくとも１つを含む。環境データは、粉体処理を実行する環境の温度及び湿度の少なくとも１つを含む。制御装置１００は、取得した粉体データ、製品データ、排ガスデータ、環境データ、計測データを教師データとし、粉体データと、製品データ、排ガスデータ、環境データの少なくとも１つとの入力に応じて、粉体処理装置４Ａに対する制御パラメータについての演算結果を出力するように構成された学習モデル２１０を生成すればよい。
また、本実施の形態では、ケーシング４１０内に熱風を導入して粉体を乾燥させる直接加熱式の粉体処理装置４Ａについて説明したが、粉体処理装置４Ａは、間接加熱媒体乾燥機、媒体攪拌型気流乾燥機、攪拌型凍結乾燥機などの乾燥機であってもよい。間接加熱媒体乾燥機として、例えば、ホソカワミクロン株式会社製のソリッドエアー（登録商標）、トーラスディスク、及びミクロン サーモプロセッサ（登録商標）を用いることができる。また、媒体攪拌型気流乾燥機として、例えば、ホソカワミクロン株式会社製のゼルビス（登録商標）を用いることができる。攪拌型凍結乾燥機として、ホソカワミクロン株式会社製のアクティブフリーズドライヤ（登録商標）を用いることができる。これらの乾燥機は、処理対象の粉体原料を攪拌するための回転体として、パドル、スクリュー、ロータ等を備えているので、学習モデル２１０を用いた演算で求める制御パラメータのうち、粉砕ロータ４１３の回転速度及び分級ロータ４１５の回転速度に代えて、上記回転体の回転速度を用いればよい。
（実施の形態２）
実施の形態２では、混合処理についての適用例を説明する。実施の形態２に係る粉体処理システム１は、乾燥処理を行う粉体処理装置４Ａに代えて、混合処理を行う粉体処理装置４Ｂを備える。
実施の形態２では、混合処理についての適用例を説明する。実施の形態２に係る粉体処理システム１は、乾燥処理を行う粉体処理装置４Ａに代えて、混合処理を行う粉体処理装置４Ｂを備える。
図９は実施の形態２に係る粉体処理装置４Ｂの構成を示す模式図である。粉体処理装置４Ｂは、その内部において混合処理を行う逆円錐型のケーシング４２０を備える。このケーシング４２０には、原料投入口４２１Ａ，４２１Ｂ、スイングアーム４２２、スクリュー４２３、粉体取出口４２４等が設けられている。
原料投入口４２１Ａ，４２１Ｂはケーシング４２０の上部に設けられている。原料投入口４２１Ａ，４２１Ｂには、それぞれ異なる種類の粉体原料を供給する原料供給機２が接続される。原料供給機２から供給される異なる種類の粉体原料は、原料供給路ＴＰ１内のスクリューフィーダ２１によって搬送され、原料投入口４２１Ａ，４２１Ｂよりケーシング４２０内に投入される。
ケーシング４２０の内部に設けられているスクリュー４２３は、スクリューモータ４２３Ｍの駆動により、ケーシング４２０の内周面に沿う長軸の回りに回転（自転）するように構成されている。スクリュー４２３の上端はスイングアーム４２２の一端に連結されている。このスイングアーム４２２は、スイングモータ４２２Ｍの駆動により、スイングアーム４２２の他端を中心として水平面内で回転するように構成されている。スクリュー４２３は、スイングアーム４２２の回転に伴い、ケーシング４２０の内周面に沿って回転（公転）するように構成されている。
スクリュー４２３が自転することによって、スクリュー４２３の近傍の粉体原料は攪拌されながら上昇運動し、スクリュー４２３から離れた部分では重力により下降運動する。同時に、スイングアーム４２２が回転し、スクリュー４２３がケーシング４２０の内周面に沿って公転することにより、ケーシング４２０内の粉体原料全体は大きく移動する。このように、粉体処理装置４Ｂは、スクリュー４２３を自転させつつ公転させることによって、ケーシング４２０内に投入された粉体原料を攪拌する。このとき、偏析現象がほとんど発生することなく、速やかに複数種の粉体原料を混合させることができる。
スクリュー４２３の作用によって混合された粉体は、ケーシング４２０の下部に設けられた粉体取出口４２４を通じて、粉体処理装置４Ｂの外部へ取り出される。
なお、粉体処理装置４Ｂは、ケーシング４２０の内部温度を調節するためにジャケット部を備えていてもよい。ジャケット部は、別に設けたタンクから供給される流体（熱媒又は冷媒）によって、ケーシング４２０の内部温度を調節する。
実施の形態２に係る制御装置１００は、入力部１０３を通じて、粉体処理装置４Ｂの動作状態を示す計測データと、粉体処理装置４Ｂから得られる粉体に関する粉体データとを取得する。制御装置１００が取得する計測データは、粉体処理装置４Ｂに供給する粉体原料の供給量（又は供給速度）、粉体原料を攪拌するためのスクリュー４２３の回転速度、粉体処理装置４Ｂに供給する流体（熱媒又は冷媒）の供給量（又は供給速度）、並びに混合処理の処理時間を含む。粉体データは、粉体処理装置４Ｂから得られる粉体の混合度のデータである。混合度は、２種類以上の粉体の混ざり具合を表す指標値であり、例えば、色差計、吸光度計、ＮＩＲ、ＰＨ計、画像解析、クロマトグラフィ等を用いて計測することが可能である。
制御装置１００は、取得した計測データと粉体データとを教師データに用いて、学習モデル２２０（図１０を参照）を生成する。学習モデル２２０の生成手順は、実施の形態１と同様であるため、その説明を省略することとする。
学習モデル２２０は、ユーザが所望する粉体についての目標値（混合度）が入力された場合、粉体処理装置４Ｂに対する制御パラメータについての演算結果を出力するよう構成される。ここで、粉体処理装置４Ｂに対する制御パラメータは、粉体原料の供給量（又は供給速度）、スクリュー４２３の回転速度、粉体処理装置４Ｂに供給する流体の供給量（又は供給速度）、及び混合処理の処理時間を含む。
図１０は実施の形態２における学習モデル２２０の構成例を示す模式図である。学習モデル２２０は、実施の形態１において説明した学習モデル２１０と同様に、それぞれが１又は複数のノードを備えた入力層２２１、中間層２２２Ａ，２２２Ｂ、及び出力層２２３を備える。中間層の数は２つに限定されず、３つ以上であってもよい。
学習モデル２２０は、ユーザが所望する粉体についての目標値（実施の形態２では混合度）の入力に対して、粉体処理装置４Ｂに対する制御パラメータについての演算結果を出力するように構成される。
制御装置１００は、学習モデル２２０を用いた演算を行う場合、ユーザが所望する目標値（混合度）を学習モデル２２０に入力する。学習モデル２２０に入力された目標値のデータは、入力層２２１を構成するノードを通じて、最初の中間層２２２Ａが備えるノードへ出力される。最初の中間層２２２Ａに入力されたデータは、中間層２２２Ａを構成するノードを通じて、次の中間層２２２Ｂが備えるノードへ出力される。このとき、ノード間において設定されている重み及びバイアスを含む活性化関数を用いて出力が算出される。以下同様にして、ノード間において設定されている重み及びバイアスを含む活性化関数を用いた演算を実行し、出力層２２３による演算結果が得られるまで次々と後の層に伝達される。
出力層２２３は、粉体処理装置４Ｂに対する制御パラメータについての演算結果を出力する。演算結果として、例えば、上述した複数の制御パラメータの組み合わせの良否を示す確率を出力してもよい。具体的には、出力層２２３を第１ノードから第ｎノードまでのｎ個のノードにより構成し、第１ノードから、粉体原料の供給量がＳＡ１、スクリュー４２３の回転速度がＳＶ１、流体の供給量がＦＡ１、混合処理の処理時間がＭＴ１である確率Ｐ１を出力し、…、第ｎノードから、粉体原料の供給量がＳＡｎ、スクリュー４２３の回転速度がＳＶｎ、流体の供給量がＦＡｎ、混合処理の処理時間がＭＴｎである確率Ｐｎを出力してもよい。出力層２２３を構成するノードの数や各ノードに割り当てる演算結果は、上述の例に限定されるものではなく、適宜設計することが可能である。
制御装置１００の制御部１０１は、出力層２２３から出力される確率のうち、確率が最も高い組み合わせ（本実施の形態では、粉体原料の供給量、スクリュー４２３の回転速度、粉体処理装置４Ｂに供給する流体の供給量、及び混合処理の処理時間の組み合わせ）を特定することにより、制御に用いる制御パラメータを決定する。制御部１０１は、決定した制御パラメータに基づき、原料供給機２、スクリューモータ４２３Ｍ、熱媒又は冷媒の供給源、粉体処理装置４Ｂの動作を制御する制御指令を生成し、出力部１０４を通じて各装置へ出力する。
以上のように、実施の形態２では、混合処理を行う粉体処理装置４Ｂに関して、ユーザが所望する粉体についての目標値（混合度）の入力に応じて、粉体原料の供給量（又は供給速度）、スクリュー４２３の回転速度、粉体処理装置４Ｂに供給する流体の供給量（又は供給速度）、及び混合処理の処理時間を制御するための制御パラメータに関する演算結果を出力する学習モデル２２０を生成する。また、学習モデル２２０を用いることにより、粉体原料の供給量（又は供給速度）、スクリュー４２３の回転速度、粉体処理装置４Ｂに供給する流体の供給量（又は供給速度）、及び混合処理の処理時間を制御するための制御パラメータに関する演算結果が得られる。制御装置１００は、所望の混合度を有する粉体が得られるように、学習モデル２２０の演算結果に基づき、粉体処理システム１の動作を制御することができる。
本実施の形態では、粉体処理装置４Ｂから得られる粉体の粉体データ（混合度のデータ）と、粉体処理装置４Ｂに供給する粉体原料の供給量（又は供給速度）、粉体原料を攪拌するためのスクリュー４２３の回転速度、粉体処理装置４Ｂに供給する流体の供給量（又は供給速度）、並びに混合処理の処理時間を含む計測データとを教師データに用いて、学習モデル２２０を生成する構成とした。代替的に、上記粉体データ（湿分のデータ）と、選択した一部の計測データとを教師データに用いて、学習モデル２２０を生成する構成としてもよい。
また、制御装置１００は、計測データとして、ケーシング４２０内の湿度、及び、粉体処理装置４Ｂの駆動電力若しくは駆動電流の少なくとも１つを更に含む教師データを用いて、学習モデル２２０を生成してもよい。
更に、制御装置１００は、粉体データとして、粉体処理装置４Ｂから得られる粉体の濃度、及び湿分を更に含む教師データを用いて、学習モデル２２０を生成してもよい。この場合、制御装置１００は、粉体処理装置４Ｂから得られる粉体の混合度、濃度及び湿分を含む粉体データと上述の計測データとを教師データに用いて、ユーザが所望する粉体の混合度、濃度、及び湿分が入力された場合、粉体処理装置４Ｂに対する制御パラメータについての演算結果を出力するように構成された学習モデル２２０を生成すればよい。
更に、制御装置１００は、原料データを更に含む教師データに用いて、学習モデル２２０を生成してもよい。教師データに用いる原料データは、粉体原料の混合比率、混合度、粒子径、かさ密度（若しくは真密度）、及び流動性の少なくとも１つを含む。制御装置１００は、取得した粉体データ、原料データ、及び計測データを教師データとし、粉体データ及び原料データの入力に応じて、粉体処理装置４Ｂに対する制御パラメータについての演算結果を出力するように構成された学習モデル２２０を生成すればよい。
更に、制御装置１００は、製品データ、及び環境データの少なくとも１つを更に含む教師データを用いて、学習モデル２２０を生成してもよい。教師データに用いる製品データは、製品粉体の温度、及びかさ密度（若しくは真密度）の少なくとも１つを含む。環境データは、粉体処理を実行する環境の温度及び湿度の少なくとも１つを含む。制御装置１００は、取得した粉体データ、製品データ、環境データ、計測データを教師データとし、粉体データと、製品データ、環境データの少なくとも１つとの入力に応じて、粉体処理装置４Ｂに対する制御パラメータについての演算結果を出力するように構成された学習モデル２２０を生成すればよい。
本実施の形態では、粉体処理装置４Ｂを、回転体（スクリュー４２３）の回転により粉体を混合する混合機とした。このような混合機として、例えば、ホソカワミクロン株式会社製のナウタミキサ（登録商標）、バイトミックス、サイクロミックス（登録商標）を用いることができる。
また、回転体の回転により粉体を混合する混合機に代えて、風力混合により混合する混合機を用いてもよい。この場合、回転体の回転速度に代えて、ケーシング４２０内に導入する流体の流量（流速）を学習モデル２２０により決定する制御パラメータとすればよい。
（実施の形態３）
実施の形態３では、複合化処理についての適用例を説明する。実施の形態３に係る粉体処理システム１は、乾燥処理を行う粉体処理装置４Ａに代えて、複合化処理を行う粉体処理装置４Ｃを備える。
実施の形態３では、複合化処理についての適用例を説明する。実施の形態３に係る粉体処理システム１は、乾燥処理を行う粉体処理装置４Ａに代えて、複合化処理を行う粉体処理装置４Ｃを備える。
図１１は実施の形態３に係る粉体処理装置４Ｃの構成を示す模式図である。粉体処理装置４Ｃは、その内部において複合化処理を行う水平円筒状のケーシング４３０を備える。このケーシング４３０には、原料投入口４３１、パドル４３２、粉体取出口４３３等が設けられている。
原料投入口４３１はケーシング４３０の上部に設けられている。原料投入口４３１には、処理対象の粉体原料を供給する原料供給機２が接続される。原料供給機２から供給される異なる種類の粉体原料は、原料供給路ＴＰ１内のスクリューフィーダ２１によって搬送され、原料投入口４３１よりケーシング４３０内に投入される。なお、粉体原料は予め混合されたものを用いてもよく、粉体処理装置４Ｃに別々に供給してもよい。
ケーシング４３０の内部に設けられているパドル４３２は、パドルモータ４３２Ｍの駆動により、例えば周速４０ｍ／ｓ以上の速度で回転するように構成されている。パドル４３２の形状及び配列は、衝撃力・圧縮力・剪断力が個々の粉体粒子に均一に作用するように設計されている。粉体処理装置４Ｃは、パドルモータ４３２Ｍを駆動し、パドル４３２を回転させることによって、ケーシング４３０内に投入された粉体原料に衝撃力・圧縮力・剪断力を作用させ、微粒子（子粒子）をそれより大きなサイズの粒子（母粒子）上に分散、固定化する複合化処理を行う。
パドル４３２の作用によって複合化された粉体は、ケーシング４３０の下部に設けられた粉体取出口４３３を通じて、粉体処理装置４Ｃの外部へ取り出される。
粉体処理装置４Ｃは、ケーシング４３０の内部温度を調節するためにジャケット部を備えていてもよい。ジャケット部は、別に設けたタンクから供給される流体（熱媒又は冷媒）によって、ケーシング４３０の内部温度を調節する。
実施の形態３に係る制御装置１００は、入力部１０３を通じて、粉体処理装置４Ｃの動作状態を示す計測データと、粉体処理装置４Ｃから得られる粉体に関する粉体データとを取得する。制御装置１００が取得する計測データは、粉体処理装置４Ｃに供給する粉体原料の供給量（又は供給速度）、パドル４３２の回転速度、粉体処理装置４Ｃの負荷動力、並びに複合化処理の処理時間を含む。粉体データは、粉体処理装置４Ｃから得られる粉体の複合化度のデータである。複合化度は、複数種の粉体が一体化した度合いを表す指標であり、ＢＥＴ、ＮＩＲ、ＸＲＤ、ＴＧ－ＤＴＡ、ＭＳ、ＳＥＭ、ＦＥ－ＳＥＭ、及びＴＥＭ等を用いて計測することが可能である。複合化度は、数値により表される指標であってもよく、イメージ（画像データ）により表される指標であってもよい。
制御装置１００は、取得した計測データと粉体データとを教師データに用いて、学習モデル２３０（図１２を参照）を生成する。学習モデル２３０の生成手順は、実施の形態１と同様であるため、その説明を省略することとする。
学習モデル２３０は、ユーザが所望する粉体についての目標値（複合化度）が入力された場合、粉体処理装置４Ｃに対する制御パラメータについての演算結果を出力するよう構成される。ここで、粉体処理装置４Ｃに対する制御パラメータは、粉体原料の供給量（又は供給速度）、パドル４３２の回転速度、粉体処理装置４Ｃの負荷動力、及び複合化処理の処理時間を含む。
図１２は実施の形態３における学習モデル２３０の構成例を示す模式図である。学習モデル２３０は、実施の形態１において説明した学習モデル２１０と同様に、それぞれが１又は複数のノードを備えた入力層２３１、中間層２３２Ａ，２３２Ｂ、及び出力層２３３を備える。中間層の数は２つに限定されず、３つ以上であってもよい。
学習モデル２３０は、ユーザが所望する粉体についての目標値（実施の形態３では複合化度）の入力に対して、粉体処理装置４Ｃに対する制御パラメータについての演算結果を出力するように構成される。
制御装置１００は、学習モデル２３０を用いた演算を行う場合、ユーザが所望する目標値（複合化度）を学習モデル２３０に入力する。学習モデル２３０に入力された目標値のデータは、入力層２３１を構成するノードを通じて、最初の中間層２３２Ａが備えるノードへ出力される。最初の中間層２３２Ａに入力されたデータは、中間層２３２Ａを構成するノードを通じて、次の中間層２３２Ｂが備えるノードへ出力される。このとき、ノード間において設定されている重み及びバイアスを含む活性化関数を用いて出力が算出される。以下同様にして、ノード間において設定されている重み及びバイアスを含む活性化関数を用いた演算を実行し、出力層２３３による演算結果が得られるまで次々と後の層に伝達される。
出力層２３３は、粉体処理装置４Ｃに対する制御パラメータについての演算結果を出力する。演算結果として、例えば、上述した複数の制御パラメータの組み合わせの良否を示す確率を出力してもよい。具体的には、出力層２３３を第１ノードから第ｎノードまでのｎ個のノードにより構成し、第１ノードから、粉体原料の供給量がＳＡ１、パドル４３２の回転速度がＰＶ１、負荷動力がＬＰ１、複合化処理の処理時間がＣＴ１である確率Ｐ１を出力し、…、第ｎノードから、粉体原料の供給量がＳＡｎ、パドル４３２の回転速度がＰＶｎ、負荷動力がＬＰｎ、複合化処理の処理時間がＣＴｎである確率Ｐｎを出力してもよい。出力層２３３を構成するノードの数や各ノードに割り当てる演算結果は、上述の例に限定されるものではなく、適宜設計することが可能である。
制御装置１００の制御部１０１は、出力層２３３から出力される確率のうち、確率が最も高い組み合わせ（本実施の形態では、粉体原料の供給量、パドル４３２の回転速度、負荷動力、及び複合化処理の処理時間の組み合わせ）を特定することにより、制御に用いる制御パラメータを決定する。制御部１０１は、決定した制御パラメータに基づき、原料供給機２、パドルモータ４３２Ｍ、粉体処理装置４Ｃの動作を制御する制御指令を生成し、出力部１０４を通じて各装置へ出力する。
以上のように、実施の形態３では、複合化処理を行う粉体処理装置４Ｃに関して、ユーザが所望する粉体についての目標値（複合化度）の入力に応じて、粉体原料の供給量、パドル４３２の回転速度、負荷動力、及び混合処理の処理時間を制御するための制御パラメータに関する演算結果を出力する学習モデル２３０を生成する。また、学習モデル２３０を用いることにより、粉体原料の供給量、パドル４３２の回転速度、及び複合化処理の処理時間を制御するための制御パラメータに関する演算結果が得られる。制御装置１００は、所望の複合化度を有する粉体が得られるように、学習モデル２３０の演算結果に基づき、粉体処理システム１の動作を制御することができる。
本実施の形態では、粉体処理装置４Ｃから得られる粉体の粉体データ（複合化度のデータ）と、粉体処理装置４Ｃに供給する粉体原料の供給量（又は供給速度）、粉体原料を攪拌するためのパドル４３２の回転速度、並びに複合化処理の処理時間を含む計測データとを教師データに用いて、学習モデル２３０を生成する構成とした。代替的に、上記粉体データ（複合化度のデータ）と、選択した一部の計測データとを教師データに用いて、学習モデル２３０を生成する構成としてもよい。
また、制御装置１００は、計測データとして、ケーシング４３０内の湿度及び圧力、ケーシング４３０内に導入する冷媒の温度及び流量、粉体処理装置４Ｃの駆動電力若しくは駆動電流の少なくとも１つを更に含む教師データを用いて、学習モデル２３０を生成してもよい。
更に、制御装置１００は、粉体データとして、粉体処理装置４Ｃから得られる粉体の導電率、熱伝導度、及び透過率を更に含む教師データを用いて、学習モデル２３０を生成してもよい。この場合、制御装置１００は、粉体処理装置４Ｃから得られる粉体の複合化度、導電率、熱伝導度、及び透過率を含む粉体データと上述の計測データとを教師データに用いて、ユーザが所望する粉体の複合化度、導電率、熱伝導度、及び透過率が入力された場合、粉体処理装置４Ｃに対する制御パラメータについての演算結果を出力するように構成された学習モデル２３０を生成すればよい。
更に、制御装置１００は、原料データを更に含む教師データに用いて、学習モデル２３０を生成してもよい。教師データに用いる原料データは、粉体原料の混合比率、かさ密度（若しくは真密度）、ＢＥＴ、ＮＩＲ、ＸＲＤ、ＴＧ－ＤＴＡ、ＭＳ、ＳＥＭ、ＦＥ－ＳＥＭ、及びＴＥＭ等から得られるデータの少なくとも１つを含む。制御装置１００は、取得した粉体データ、原料データ、及び計測データを教師データとし、粉体データ及び原料データの入力に応じて、粉体処理装置４Ｃに対する制御パラメータについての演算結果を出力するように構成された学習モデル２３０を生成すればよい。
更に、制御装置１００は、製品データ、及び環境データの少なくとも１つを更に含む教師データを用いて、学習モデル２３０を生成してもよい。教師データに用いる製品データは、製品粉体のかさ密度（若しくは真密度）及び粒子径の少なくとも１つを含む。環境データは、粉体処理を実行する環境の温度及び湿度の少なくとも１つを含む。制御装置１００は、取得した粉体データ、製品データ、環境データ、計測データを教師データとし、粉体データと、製品データ及び環境データの少なくとも１つとの入力に応じて、粉体処理装置４Ｃに対する制御パラメータについての演算結果を出力するように構成された学習モデル２３０を生成すればよい。
本実施の形態では、粉体処理装置４Ｃを、パドル４３２の回転により粉体を複合化する複合化処理装置とした。このような複合化処理装置として、例えば、ホソカワミクロン株式会社製のノビルタ（登録商標）、ナノキュラ（登録商標）、メカノフュージョン（登録商標）を用いることができる。
なお、本実施の形態では、粉体処理装置４Ｃを用いて複合化を行ったが、目標値を混合度として混合処理を行ってもよく、単一原料に対し、目標値を円形度として球形化などの表面処理を行ってもよい。
なお、本実施の形態では、粉体処理装置４Ｃを用いて複合化を行ったが、目標値を混合度として混合処理を行ってもよく、単一原料に対し、目標値を円形度として球形化などの表面処理を行ってもよい。
（実施の形態４）
実施の形態４では、表面処理についての適用例を説明する。実施の形態４に係る粉体処理システム１は、乾燥処理を行う粉体処理装置４Ａに代えて、表面処理を行う粉体処理装置４Ｄを備える。
実施の形態４では、表面処理についての適用例を説明する。実施の形態４に係る粉体処理システム１は、乾燥処理を行う粉体処理装置４Ａに代えて、表面処理を行う粉体処理装置４Ｄを備える。
図１３は実施の形態４に係る粉体処理装置４Ｄの構成を示す模式図である。粉体処理装置４Ｄは、その内部において表面処理を行う円筒形状のケーシング４４０を備える。このケーシング４４０には、原料投入口４４１、気体導入口４４２、粉砕ロータ４４３、分級ロータ４４４、粉体取出口４４５、微粉取出口４４６等が設けられている。
原料投入口４４１は粉砕ロータ４４３よりも上側に設けられている。原料投入口４４１には粉体原料を供給する原料供給機２が接続される。原料供給機２から供給される粉体原料は、原料供給路ＴＰ１内のスクリューフィーダ２１によって搬送され、原料投入口４４１よりケーシング４４０内に投入される。
ケーシング４４０には、気体導入口４４２が設けられている。この気体導入口４４２の位置は特に限定されないが、回転する粉砕ロータ４４３を介してケーシング４４０内に気体が導入されるように、粉砕ロータ４４３よりも下方の位置に設けられることが好ましい。
粉砕ロータ４４３は、回転円盤４４３Ａと、回転円盤４４３Ａの上面周縁部から上向きに突出する複数のハンマ４４３Ｂとを備えるロータであり、粉砕モータ４１３Ｍ（図３を参照）の動力によって所望の回転速度にて回転するように構成されている。ここで、粉砕モータ４１３Ｍは、粉体処理システム１が備える駆動部の１つである。粉砕モータ４１３Ｍの回転速度は、回転速度センサＳ７（図３を参照）によって常時若しくは定期的なタイミング（例えば５秒間隔）にて計測される。
粉砕ロータ４４３は、粉砕モータ４１３Ｍの動力によって回転し、ケーシング４４０内に旋回する気流を発生させると共に、ハンマ４４３Ｂの作用により、ケーシング４４０内に導入された粉体原料に衝撃、圧縮、摩砕、剪断等の機械エネルギを与え、粉体原料に表面処理を施す。粉砕ロータ４４３は、粉体原料を攪拌する回転体の一例である。粉体原料に表面処理を施して製造される粉体は、ケーシング４４０の下部から流入する気流によって、ケーシング４４０の上部に設けられた分級ロータ４４４へ導かれる。
分級ロータ４４４は、放射状に配される複数の分級羽根４４４Ａを備えたロータであり、分級モータ４１５Ｍ（図３を参照）の動力によって所望の回転速度にて回転するように構成されている。ここで、分級モータ４１５Ｍは、粉体処理システム１が備える駆動部の１つである。分級モータ４１５Ｍの回転速度は、回転速度センサＳ８（図３を参照）によって常時若しくは定期的なタイミング（例えば５秒間隔）にて計測される。分級ロータ４４４は、粉砕ロータ４４３の上方に設けられており、高速回転による遠心力により、ケーシング４４０内で処理された粉体のうち所定粒子径未満の粉体のみを通過させ、通過させた粉体のみを微粉取出口４４６へ導く。一方、分級ロータ４４４を追加しなかった粉体は、粉体取出口４４５へ導かれ、製品粉体として粉体処理装置４Ｄの外部へ取り出される。
なお、粉体処理装置４Ｄは、ケーシング４４０の内部温度を調節するためにジャケット部を備えていてもよい。ジャケット部は、別に設けたタンクから供給される流体（熱媒又は冷媒）によって、ケーシング４４０の内部温度を調節する。
実施の形態４に係る制御装置１００は、入力部１０３を通じて、粉体処理装置４Ｄの動作状態を示す計測データと、粉体処理装置４Ｄから得られる粉体に関する粉体データとを取得する。制御装置１００が取得する計測データは、粉体処理装置４Ｄに供給する粉体原料の供給量（又は供給速度）、粉砕ロータ４４３の回転速度、分級ロータ４４４の回転速度、表面処理の処理時間、及び粉体処理装置４Ｄの負荷動力を含む。粉体データは、粉体処理装置４Ｄから得られる粉体の円形度のデータである。円形度は、粉体処理装置４Ｄより得られる粉体（粒子）の形状を表す指標であり、例えば粒子形状分析装置や画像解析によって計測される。
制御装置１００は、取得した計測データと粉体データとを教師データに用いて、学習モデル２４０（図１４を参照）を生成する。学習モデル２４０の生成手順は、実施の形態１と同様であるため、その説明を省略することとする。
学習モデル２４０は、ユーザが所望する粉体についての目標値（混合度）が入力された場合、粉体処理装置４Ｄに対する制御パラメータについての演算結果を出力するよう構成される。ここで、粉体処理装置４Ｄに対する制御パラメータは、粉体原料の供給量（又は供給速度）、粉砕ロータ４４３の回転速度、分級ロータ４４４の回転速度、表面処理の処理時間、及び粉体処理装置４Ｄの負荷動力を含む。
図１４は実施の形態４における学習モデル２４０の構成例を示す模式図である。学習モデル２４０は、実施の形態１において説明した学習モデル２１０と同様に、それぞれが１又は複数のノードを備えた入力層２４１、中間層２４２Ａ，２４２Ｂ、及び出力層２４３を備える。中間層の数は２つに限定されず、３つ以上であってもよい。
学習モデル２４０は、ユーザが所望する粉体についての目標値（実施の形態４では円形度）の入力に対して、粉体処理装置４Ｄに対する制御パラメータについての演算結果を出力するように構成される。
制御装置１００は、学習モデル２４０を用いた演算を行う場合、ユーザが所望する目標値（円形度）を学習モデル２４０に入力する。学習モデル２４０に入力された目標値のデータは、入力層２４１を構成するノードを通じて、最初の中間層２４２Ａが備えるノードへ出力される。最初の中間層２４２Ａに入力されたデータは、中間層２４２Ａを構成するノードを通じて、次の中間層２４２Ｂが備えるノードへ出力される。このとき、ノード間において設定されている重み及びバイアスを含む活性化関数を用いて出力が算出される。以下同様にして、ノード間において設定されている重み及びバイアスを含む活性化関数を用いた演算を実行し、出力層２４３による演算結果が得られるまで次々と後の層に伝達される。
出力層２４３は、粉体処理装置４Ｄに対する制御パラメータについての演算結果を出力する。演算結果として、例えば、上述した複数の制御パラメータの組み合わせの良否を示す確率を出力してもよい。具体的には、出力層２４３を第１ノードから第ｎノードまでのｎ個のノードにより構成し、第１ノードから、粉体原料の供給量がＳＡ１、粉砕ロータ４４３の回転速度がＣＶ１、分級ロータ４４４の回転速度がＣＣ１、負荷動力がＬＰ１、表面処理の処理時間ＳＴ１である確率Ｐ１を出力し、…、第ｎノードから、粉体原料の供給量がＳＡｎ、粉砕ロータ４４３の回転速度がＣＶｎ、分級ロータ４４４の回転速度がＣＣｎ、負荷動力がＬＰｎ、表面処理の処理時間ＳＴｎである確率Ｐｎを出力してもよい。出力層２４３を構成するノードの数や各ノードに割り当てる演算結果は、上述の例に限定されるものではなく、適宜設計することが可能である。
制御装置１００の制御部１０１は、出力層２４３から出力される確率のうち、確率が最も高い組み合わせ（本実施の形態では、粉体原料の供給量、粉砕ロータ４４３の回転速度、分級ロータ４４４の回転速度、負荷動力、及び表面処理の処理時間の組み合わせ）を特定することにより、制御に用いる制御パラメータを決定する。制御部１０１は、決定した制御パラメータに基づき、原料供給機２、粉砕モータ４１３Ｍ、及び粉体処理装置４Ｄの動作を制御する制御指令を生成し、出力部１０４を通じて各装置へ出力する。
以上のように、実施の形態４では、表面処理を行う粉体処理装置４Ｄに関して、ユーザが所望する粉体についての目標値（円形度）の入力に応じて、粉体原料の供給量（又は供給速度）、粉砕ロータ４４３の回転速度、分級ロータ４４４の回転速度、粉体処理装置４Ｄの負荷動力、及び表面処理の処理時間を制御するための制御パラメータに関する演算結果を出力する学習モデル２４０を生成する。また、学習モデル２４０を用いることにより、粉体原料の供給量（又は供給速度）、粉砕ロータ４４３の回転速度、分級ロータ４４４の回転速度、粉体処理装置４Ｄの負荷動力、及び表面処理の処理時間を制御するための制御パラメータに関する演算結果が得られる。制御装置１００は、所望の円形度を有する粉体が得られるように、学習モデル２４０の演算結果に基づき、粉体処理システム１の動作を制御することができる。
本実施の形態では、粉体処理装置４Ｄから得られる粉体の粉体データ（円形度のデータ）と、粉体処理装置４Ｄに供給する粉体原料の供給量（又は供給速度）、粉砕ロータ４４３の回転速度、分級ロータ４４４の回転速度、粉体処理装置４Ｄの負荷動力、及び表面処理の処理時間を含む計測データとを教師データに用いて、学習モデル２４０を生成する構成とした。代替的に、上記粉体データ（円形度のデータ）と、選択した一部の計測データとを教師データに用いて、学習モデル２４０を生成する構成としてもよい。
また、制御装置１００は、計測データとして、粉体処理装置４Ｄの駆動電力又は駆動電流、ケーシング４４０内に導入する流体（気体又は液体）の流量、流速又は温度、ケーシング４４０内の温度、粉体処理装置４Ｄに供給する冷媒（又は熱媒）の流量又は温度の少なくとも１つを更に含む教師データを用いて、学習モデル２４０を生成してもよい。
更に、制御装置１００は、粉体データとして、粉体処理装置４Ｄから得られる粉体の流動性、及びかさ密度（若しくは真密度）を更に含む教師データを用いて、学習モデル２４０を生成してもよい。流動性及びかさ密度は公知のパウダテスタを用いて計測される。制御装置１００は、粉体処理装置４Ｄから得られる粉体の流動性、及びかさ密度（若しくは真密度）を含む粉体データと上述の計測データとを教師データに用いて、ユーザが所望する粉体の円形度、流動性、及びかさ密度（若しくは真密度）が入力された場合、粉体処理装置４Ｄに対する制御パラメータについての演算結果を出力するように構成された学習モデル２４０を生成すればよい。更に、上記の流動性、及びかさ密度に加え、ＢＥＴ値、粉体の温度、粒子径の何れか１つを含む計測データを用いてもよい。
更に、制御装置１００は、原料データを更に含む教師データに用いて、学習モデル２４０を生成してもよい。教師データに用いる原料データは、粉体原料のＢＥＴ値、粒子径、円形度、かさ密度、及び流動性の少なくとも１つを含む。制御装置１００は、取得した粉体データ、原料データ、及び計測データを教師データとし、粉体データ及び原料データの入力に応じて、粉体処理装置４Ｄに対する制御パラメータについての演算結果を出力するように構成された学習モデル２４０を生成すればよい。
更に、制御装置１００は、製品データ、及び環境データの少なくとも１つを更に含む教師データを用いて、学習モデル２４０を生成してもよい。教師データに用いる製品データは、製品粉体の湿分を含んでもよい。環境データは、粉体処理を実行する環境の温度及び湿度の少なくとも１つを含む。制御装置１００は、取得した粉体データ、製品データ、環境データ、計測データを教師データとし、粉体データと、製品データ、環境データの少なくとも１つとの入力に応じて、粉体処理装置４Ｄに対する制御パラメータについての演算結果を出力するように構成された学習モデル２４０を生成すればよい。
本実施の形態では、粉体処理装置４Ｄを、粉砕ロータ４４３及び分級ロータ４４４の回転により表面処理を行う表面処理装置とした。このような表面処理装置として、例えば、ホソカワミクロン株式会社製のファカルティ（登録商標）を用いることができる。
また、本実施の形態では、ブロワ７を用いて、粉体処理装置４Ｄから粉体を取り出す気体の流れを形成する構成としたが、ブロワ７に代えてポンプを用いてもよい。
更に、本実施の形態では、粉体処理装置４Ｄに気体を導入する構成としたが、気体を導入する構成に代えて、液体を導入する構成としてもよい。
また、本実施の形態では、ブロワ７を用いて、粉体処理装置４Ｄから粉体を取り出す気体の流れを形成する構成としたが、ブロワ７に代えてポンプを用いてもよい。
更に、本実施の形態では、粉体処理装置４Ｄに気体を導入する構成としたが、気体を導入する構成に代えて、液体を導入する構成としてもよい。
（実施の形態５）
実施の形態５では、造粒処理についての適用例を説明する。実施の形態５に係る粉体処理システム１は、乾燥処理を行う粉体処理装置４Ａに代えて、造粒処理を行う粉体処理装置４Ｅを備える。
実施の形態５では、造粒処理についての適用例を説明する。実施の形態５に係る粉体処理システム１は、乾燥処理を行う粉体処理装置４Ａに代えて、造粒処理を行う粉体処理装置４Ｅを備える。
図１５は実施の形態５に係る粉体処理装置４Ｅの構成を示す模式図である。粉体処理装置４Ｅは、その内部において造粒処理を行う円筒形状のケーシング４５０を備える。このケーシング４５０には、原料投入口４５１、添加剤投入口４５２、ロータ４５３、フレキシブルウォール４５４、粉体取出口４５５等が設けられている。
原料投入口４５１はケーシング４５０の上部に設けられている。原料投入口４５１には、処理対象の粉体原料を供給する原料供給機２が接続される。原料供給機２から供給される粉体原料は、原料供給路ＴＰ１内のスクリューフィーダ２１によって搬送され、原料投入口４５１よりケーシング４５０内に投入される。
添加剤投入口４５２は原料投入口４５１と対向するようにケーシング４５０の上部に設けられている。添加剤投入口４５２を通じてケーシング４５０内に投入される添加剤は、水、油などの液体である。添加剤投入口４５２は、添加剤を噴霧するためのノズル（不図示）を備える。粉体処理装置４Ｅは、添加剤投入口４５２から液滴を噴霧することにより、ケーシング４５０内を均質に加湿する。加湿が進み、造粒が始まる水分以上になった粉体は、噴霧した液滴を包み込むように凝集成長を繰り返し、多孔状の造粒粒子へと成長する。
ケーシング４５０の内部の設けられているロータ４５３は、ロータモータ４５３Ｍの駆動により上下方向の軸の回りに回転するように構成されている。ロータ４５３は、ナイフブレード４５３Ａを備えており、粉体原料に旋回、回転、重力による圧密の３種類の動きを与えることで、均質な混合、加湿、造粒を行う。
また、ケーシング４５０の内周面にはフレキシブルウォール４５４が設けられている。フレキシブルウォール４５４の外周面は、ローラ４５４Ａが多数付設されたローラゲージ４５４Ｂによって囲まれている。フレキシブルウォール４５４は、ローラゲージ４５４Ｂが上下運動することによって変形し、加湿によって内壁に付着した凝集物を剥離する機能を有する。
ケーシング４５０内で製造された粉体（造粒粒子）は、ケーシング４５０の下部に設けられた粉体取出口４５５を通じて、粉体処理装置４Ｅの外部へ取り出される。
実施の形態５に係る制御装置１００は、入力部１０３を通じて、粉体処理装置４Ｅの動作状態を示す計測データと、粉体処理装置４Ｅから得られる粉体に関する粉体データとを取得する。制御装置１００が取得する計測データは、粉体処理装置４Ｅに供給する粉体原料の供給量（又は供給速度）、ロータ４５３の回転速度、ケーシング４５０内の圧力、並びにケーシング４５０内に投入する添加剤の投入量を含む。粉体データは、粉体処理装置４Ｅから得られる粉体の粒子径及び形状のデータである。粉体の形状は、粒子形状分析装置又は画像解析によって得られるデータである。
制御装置１００は、取得した計測データと粉体データとを教師データに用いて、学習モデル２５０（図１６を参照）を生成する。学習モデル２５０の生成手順は、実施の形態１と同様であるため、その説明を省略することとする。
学習モデル２５０は、ユーザが所望する粉体についての目標値（粒子径及び形状）が入力された場合、粉体処理装置４Ｅに対する制御パラメータについての演算結果を出力するよう構成される。ここで、粉体処理装置４Ｅに対する制御パラメータは、粉体原料の供給量（又は供給速度）、ロータ４５３の回転速度、処理室内の圧力、及び添加剤の投入量を含む。
図１６は実施の形態５における学習モデル２５０の構成例を示す模式図である。学習モデル２５０は、実施の形態１において説明した学習モデル２１０と同様に、それぞれが１又は複数のノードを備えた入力層２５１、中間層２５２Ａ，２５２Ｂ、及び出力層２５３を備える。中間層の数は２つに限定されず、３つ以上であってもよい。
学習モデル２５０は、ユーザが所望する粉体についての目標値（実施の形態５では粒子径及び形状）の入力に対して、粉体処理装置４Ｅに対する制御パラメータについての演算結果を出力するように構成される。
制御装置１００は、学習モデル２５０を用いた演算を行う場合、ユーザが所望する目標値（粒子径及び形状）を学習モデル２５０に入力する。学習モデル２５０に入力された目標値のデータは、入力層２５１を構成するノードを通じて、最初の中間層２５２Ａが備えるノードへ出力される。最初の中間層２５２Ａに入力されたデータは、中間層２５２Ａを構成するノードを通じて、次の中間層２５２Ｂが備えるノードへ出力される。このとき、ノード間において設定されている重み及びバイアスを含む活性化関数を用いて出力が算出される。以下同様にして、ノード間において設定されている重み及びバイアスを含む活性化関数を用いた演算を実行し、出力層２５３による演算結果が得られるまで次々と後の層に伝達される。
出力層２５３は、粉体処理装置４Ｅに対する制御パラメータについての演算結果を出力する。演算結果として、例えば、上述した複数の制御パラメータの組み合わせの良否を示す確率を出力してもよい。具体的には、出力層２５３を第１ノードから第ｎノードまでのｎ個のノードにより構成し、第１ノードから、粉体原料の供給量がＳＡ１、ロータ４５３の回転速度がＲＶ１、ケーシング４５０内の圧力がＣＰ１、添加剤の投入量がＡＡ１である確率Ｐ１を出力し、…、第ｎノードから、粉体原料の供給量がＳＡｎ、ロータ４５３の回転速度がＲＶｎ、ケーシング４５０内の圧力がＣＰｎ、添加剤の投入量がＡＡｎである確率Ｐｎである確率Ｐｎを出力してもよい。出力層２５３を構成するノードの数や各ノードに割り当てる演算結果は、上述の例に限定されるものではなく、適宜設計することが可能である。
制御装置１００の制御部１０１は、出力層２５３から出力される確率のうち、確率が最も高い組み合わせ（本実施の形態では、粉体原料の供給量、ロータ４５３の回転速度、ケーシング４５０内の圧力、及び添加剤の投入量の組み合わせ）を特定することにより、制御に用いる制御パラメータを決定する。制御部１０１は、決定した制御パラメータに基づき、原料供給機２、ロータモータ４５３Ｍ、ノズル等の動作を制御する制御指令を生成し、出力部１０４を通じて各装置へ出力する。
以上のように、実施の形態５では、造粒処理を行う粉体処理装置４Ｅに関して、ユーザが所望する粉体についての目標値（粒子径及び形状）の入力に応じて、粉体原料の供給量、ロータ４５３の回転速度、ケーシング４５０内の圧力、及び添加剤の投入量を制御するための制御パラメータに関する演算結果を出力する学習モデル２５０を生成する。また、学習モデル２５０を用いることにより、粉体原料の供給量、ロータ４５３の回転速度、ケーシング４５０内の圧力、及び添加剤の投入量を制御するための制御パラメータに関する演算結果が得られる。制御装置１００は、所望の粒子径及び形状を有する粉体が得られるように、学習モデル２５０の演算結果に基づき、粉体処理システム１の動作を制御することができる。
本実施の形態では、粉体処理装置４Ｅから得られる粉体の粉体データ（粒子径及び形状のデータ）と、粉体処理装置４Ｅに供給する粉体原料の供給量（又は供給速度）、粉体原料を攪拌するためのロータ４５３の回転速度、ケーシング４５０内の圧力、及びケーシング４５０内に投入する添加剤の投入量を含む計測データとを教師データに用いて、学習モデル２５０を生成する構成とした。代替的に、上記粉体データ（粒子径及び形状のデータ）と、選択した一部の計測データとを教師データに用いて、学習モデル２５０を生成する構成としてもよい。
また、制御装置１００は、計測データとして、ケーシング４５０内の湿度、粉体処理装置４Ｅの駆動電力若しくは駆動電流の少なくとも１つを更に含む教師データを用いて、学習モデル２５０を生成してもよい。
更に、制御装置１００は、粉体データとして、粉体処理装置４Ｅから得られる粉体の流動性、かさ密度、硬度、吸水量若しくは吸油量を更に含む教師データを用いて、学習モデル２５０を生成してもよい。この場合、制御装置１００は、粉体処理装置４Ｅから得られる粉体の流動性、かさ密度、硬度、吸水量若しくは吸油量を含む粉体データと上述の計測データとを教師データに用いて、ユーザが所望する粉体の流動性、かさ密度、硬度、吸水量若しくは吸油量が入力された場合、粉体処理装置４Ｅに対する制御パラメータについての演算結果を出力するように構成された学習モデル２５０を生成すればよい。
更に、制御装置１００は、原料データを更に含む教師データに用いて、学習モデル２５０を生成してもよい。教師データに用いる原料データは、粉体原料のＢＥＴ値、粒子径、流動性、かさ密度の少なくとも１つを含む。制御装置１００は、取得した粉体データ、原料データ、及び計測データを教師データとし、粉体データ及び原料データの入力に応じて、粉体処理装置４Ｅに対する制御パラメータについての演算結果を出力するように構成された学習モデル２５０を生成すればよい。
更に、制御装置１００は、製品データ、及び環境データの少なくとも１つを更に含む教師データを用いて、学習モデル２５０を生成してもよい。教師データに用いる製品データは、製品粉体の湿分を含む。環境データは、粉体処理を実行する環境の温度及び湿度の少なくとも１つを含む。制御装置１００は、取得した粉体データ、製品データ、環境データ、計測データを教師データとし、粉体データと、製品データ及び環境データの少なくとも１つとの入力に応じて、粉体処理装置４Ｅに対する制御パラメータについての演算結果を出力するように構成された学習モデル２５０を生成すればよい。
本実施の形態では、粉体処理装置４Ｅを、添加剤の投入と、ロータ４５３の回転とにより造粒する造粒処理装置とした。このような造粒処理装置として、例えば、ホソカワミクロン株式会社製のフレキソミックスを用いることができる。また、同様の処理を行う流動層式の造粒処理装置にも適用可能である。このような造粒処理装置として、ホソカワミクロン株式会社製のアグロマスタ（登録商標）を用いることができる。
（実施の形態６）
実施の形態６では、実施の形態１で説明した学習モデル２１０の再学習手順について説明する。
なお、粉体処理システム１の全体構成、及び粉体処理システム１における各装置の構成については実施の形態１と同様であるため、その説明を省略することとする。
実施の形態６では、実施の形態１で説明した学習モデル２１０の再学習手順について説明する。
なお、粉体処理システム１の全体構成、及び粉体処理システム１における各装置の構成については実施の形態１と同様であるため、その説明を省略することとする。
図１７は学習モデル２１０の再学習手順を説明するフローチャートである。実施の形態１において説明したように、運用フェーズにおいて、制御装置１００の制御部１０１は、ユーザが所望する粉体についての目標値（湿分）の入力を受付け、受付けた湿分のデータを学習モデル２１０へ入力することにより、制御パラメータに関する演算結果を取得する。制御部１０１は、学習モデル２１０から取得した演算結果に基づき、粉体処理システム１を構成する各装置の動作を制御する。制御部１０１は、運用フェーズにおいて、熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、及び乾燥処理の処理時間を含む計測データと、粉体処理装置４Ａから得られる粉体の粉体データ（湿分のデータ）とを収集してもよい。収集した計測データ及び粉体データは、タイムスタンプと共に、記憶部１０２に記憶される。
制御部１０１は、運用フェーズ開始後の適宜のタイミングにて、粉体データが示す実測値と、ユーザによって入力された目標値とを比較する（ステップＳ６０１）。制御部１０１は、比較結果に基づき、再学習を実行するか否かを判断する（ステップＳ６０２）。
実測値が目標値に近い場合（例えば、両者の差が１０％未満である場合）、制御部１０１は、再学習を実行しないと判断し（Ｓ６０２：ＮＯ）、本フローチャートによる処理を終了する。
一方、実測値が目標値に近くない場合（例えば、両者の差が１０％以上である場合）、制御部１０１は、再学習を実行すると判断する（Ｓ６０２：ＹＥＳ）。
再学習を実行すると判断した場合、制御部１０１は、運用開始後に収集したデータを記憶部１０２から読み出し（ステップＳ６０３）、教師データを選択する（ステップＳ６０４）。なお、ステップＳ６０３以降の再学習手順は、粉体処理システム１が稼働していないタイミングにて実行すればよい。
制御部１０１は、選択した教師データに含まれる湿分のデータを学習モデル２１０へ入力し（ステップＳ６０５）、学習モデル２１０による演算を実行する（ステップＳ６０６）。すなわち、制御部１０１は、学習モデル２１０の入力層２１１を構成するノードに湿分のデータを入力し、中間層２１２Ａ，２１２Ｂにおいてノード間の重み及びバイアスを用いた演算を行い、演算結果を出力層２１３のノードから出力する処理を行う。
次いで、制御部１０１は、ステップＳ６０６の演算により得られる演算結果を評価し（ステップＳ６０７）、学習が完了したか否かを判断する（ステップＳ６０８）。具体的には、制御部１０１は、ステップＳ６０６で得られる演算結果と教師データとに基づく誤差関数（目的関数、損失関数、コスト関数ともいう）を用いて、演算結果を評価することができる。
学習が完了していないと判断した場合（Ｓ６０８：ＮＯ）、制御部１０１は、学習モデル２１０のノード間の重み及びバイアスを更新して（ステップＳ６０９）、処理をステップＳ６０４へ戻し、別の教師データを用いた学習を継続する。制御部１０１は、学習モデル２１０の出力層２１３から入力層２１１に向かって、ノード間の重み及びバイアスを順次更新する誤差逆伝播法を用いて、各ノード間の重み及びバイアスを更新することができる。
学習が完了したと判断した場合（Ｓ６０８：ＹＥＳ）、制御部１０１は、学習済みの学習モデル２１０として記憶部１０２に記憶させ（ステップＳ６１０）、本フローチャートによる処理を終了する。
以上のように、本実施の形態に係る制御装置１００は、学習モデル２１０の再学習を必要に応じて実行するので、運用フェーズの開始後においても、粉体処理システム１による粉体処理の精度を高めることができる。
なお、実施の形態６では、学習モデル２１０の再学習手順について説明したが、実施の形態２～５において説明した学習モデル２２０～２５０についても、同様の手順にて再学習することが可能である。
（実施の形態７）
実施の形態７では、粉体処理装置４Ａにおける制御パラメータの調整手順について説明する。
なお、粉体処理システム１の全体構成、及び粉体処理システム１における各装置の構成については実施の形態１と同様であるため、その説明を省略することとする。
実施の形態７では、粉体処理装置４Ａにおける制御パラメータの調整手順について説明する。
なお、粉体処理システム１の全体構成、及び粉体処理システム１における各装置の構成については実施の形態１と同様であるため、その説明を省略することとする。
図１８は制御パラメータの調整手順を説明するフローチャートである。実施の形態１において説明したように、運用フェーズにおいて、制御装置１００の制御部１０１は、ユーザが所望する粉体についての目標値（湿分）の入力を受付け、受付けた目標値のデータを学習モデル２１０へ入力することにより、制御パラメータに関する演算結果を取得する。制御部１０１は、学習モデル２１０から取得した演算結果に基づき、粉体処理システム１を構成する各装置の動作を制御する。制御部１０１は、運用フェーズにおいて、熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、及び乾燥処理の処理時間を含む計測データと、粉体処理装置４Ａから得られる粉体の粉体データ（湿分のデータ）とを収集してもよい。収集した計測データ及び粉体データは、タイムスタンプと共に、記憶部１０２に記憶される。
制御部１０１は、運用フェーズ開始後の適宜のタイミングにて、粉体データが示す実測値と、ユーザによって入力された目標値とを比較する（ステップＳ７０１）。制御部１０１は、比較結果に基づき、制御パラメータを調整するか否かを判断する（ステップＳ７０２）。
実測値が目標値に近い場合（例えば、両者の差が１０％未満である場合）、制御部１０１は、制御パラメータを調整しないと判断し（Ｓ７０２：ＮＯ）、本フローチャートによる処理を終了する。
一方、実測値が目標値に近くない場合（例えば、両者の差が１０％以上である場合）、制御部１０１は、制御パラメータを調整すると判断する（Ｓ７０２：ＹＥＳ）。
制御パラメータを調整すると判断した場合、制御部１０１は、ステップＳ７０２の比較結果に応じて制御パラメータを調整し（ステップＳ７０３）、調整後の制御パラメータに基づき粉体処理装置４Ａを含む装置の動作を制御する（ステップＳ７０４）。例えば、湿分の実測値が目標値より低い（高い）場合、制御部１０１は、熱媒の温度が高く（低く）なるように熱風発生機３の動作を制御してもよい。また、制御部１０１は、粉砕ロータ４１３の回転速度が高く（低く）なるように、粉砕モータ４１３Ｍの動作を制御してもよい。更に、制御部１０１は、分級ロータ４１５の回転速度が高く（低く）なるように分級モータ４１５Ｍの動作を制御してもよい。更に、制御部１０１は、ケーシング４１０内の圧力が低く（高く）なるように、ブロワ７の動作を制御してもよい。更に、制御部１０１は、粉体原料の供給量（又は供給速度）が低く（高く）なるように、原料供給機２の動作を制御してもよい。更に、制御部１０１は、乾燥処理の処理時間が長く（短く）なるように、粉体処理装置４Ａの動作を制御してもよい。
以上のように、本実施の形態では、粉体処理システム１の稼働中に実測値と目標値との間に一定以上の乖離が生じた場合、その乖離が小さくなるように制御パラメータを調整することができる。
実施の形態７では、粉体処理装置４Ａに対する適用例を説明したが、粉体処理装置４Ｂ～４Ｅについて同様の手法を適用できることは勿論のことである。
（実施の形態８）
実施の形態８では、端末装置５００から粉体処理システム１の動作を制御する構成について説明する。
なお、粉体処理システム１の全体構成、及び粉体処理システム１における各装置の構成については実施の形態１と同様であるため、その説明を省略することとする。
実施の形態８では、端末装置５００から粉体処理システム１の動作を制御する構成について説明する。
なお、粉体処理システム１の全体構成、及び粉体処理システム１における各装置の構成については実施の形態１と同様であるため、その説明を省略することとする。
図１９は端末装置５００及び制御装置１００が実行する処理の手順を説明するフローチャートである。端末装置５００の制御部５０１は、通信部５０３を通じて、制御装置１００にアクセスする（ステップＳ８０１）。
制御装置１００の制御部１０１は、粉体処理装置４Ａが稼働していないときに端末装置５００からアクセスを受付けた場合、例えば、ユーザが所望する粉体の目標値を受付ける目標値入力画面の画面データを生成し（ステップＳ８０２）、生成した画面データを通信部１０５より端末装置５００へ送信する（ステップＳ８０３）。なお、粉体処理装置４Ａが稼働しているときに端末装置５００からアクセスを受付けた場合、制御部１０１は、以下で説明するステップＳ８０３以降の処理を実行すればよい。
端末装置５００の制御部５０１は、制御装置１００から送信される目標値入力画面の画面データを通信部５０３より受信する（ステップＳ８０４）。制御部５０１は、受信した画面データに基づき目標値入力画面を表示部５０５に表示し（ステップＳ８０５）、ユーザが所望する粉体についての目標値の入力を受付ける（ステップＳ８０６）。ステップＳ８０６で受付ける目標値は例えば粉体の湿分である。
図２０は目標値入力画面の一例を示す模式図である。図２０に一例として示す目標値入力画面は、「目標値１」の項目において「湿分」が設定され、その下の項目において、湿分に対する目標値が設定された状態を示している。この目標値入力画面において、例えばユーザが所望する粉体の単位時間あたりの収量のデータを受け付けてもよい。更に、学習モデル２１０に与える原料データ、製品データ、排ガスデータ、環境データ等を受け付けてもよい。制御部５０１は、ステップＳ８０６において受付けた目標値のデータを制御装置１００へ送信する（ステップＳ８０７）。
制御装置１００の制御部１０１は、端末装置５００から送信される目標値のデータを通信部１０５より受信する（ステップＳ８０８）。制御部１０１は、受信した目標値のデータを学習モデル２１０に入力し、学習モデル２１０による演算を実行する（ステップＳ８０９）。次いで、制御部１０１は、学習モデル２１０から演算結果を取得し（ステップＳ８１０）、演算結果に基づき制御パラメータを決定する（ステップＳ８１１）。制御部１０１は、決定した制御パラメータに基づき、粉体処理装置４Ａを含む粉体処理システム１の動作を制御する（ステップＳ８１２）。
粉体処理システム１の稼働中、制御部１０１は、粉体処理装置４Ａから得られる粉体の湿分、熱媒の温度及び流量、粉体原料の供給量（又は供給速度）、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング１４３内の圧力、粉体処理装置４Ａにおける処理時間等についての計測データを入力部１０３より随時取得する。制御部１０１は、適宜のタイミングにて、上記計測データの少なくとも１つと、粉体処理システム１の全体図とを含むモニタリング画面の画面データを生成する（ステップＳ８１３）。制御部１０１は、生成した画面データを通信部１０５より端末装置５００へ送信する（ステップＳ８１４）。
端末装置５００の制御部５０１は、制御装置１００から送信される画面データを通信部５０３より受信する（ステップＳ８１５）。制御部５０１は、受信した画面データに基づき、モニタリング画面を表示部５０５に表示する（ステップＳ８１６）。
図２１はモニタリング画面の一例を示す模式図である。図２１に示した例は、粉体処理装置４Ａから得られる計測データと、粉体処理システム１の全体図とを含むモニタリング画面を表示部５０５に表示した状態を示している。計測データに代えて、若しくは、粒子径の計測データと共に、ユーザにより入力された目標値、学習モデル２１０の演算結果に基づき設定された制御値などをモニタリング画面に表示してもよい。
以上のように、本実施の形態では、端末装置５００を用いて粉体処理システム１を遠隔操作できると共に、粉体処理システム１の稼働状況を端末装置５００にて監視することができる。
実施の形態８では、粉体処理装置４Ａに対する適用例を説明したが、粉体処理装置４Ｂ～４Ｅについて同様の手法を適用できることは勿論のことである。
（実施の形態９）
実施の形態９では、端末装置５００において粉体処理の種別を選択する構成について説明する。
なお、粉体処理システム１の全体構成、及び粉体処理システム１における各装置の構成については実施の形態１と同様であるが、制御装置１００の記憶部１０２には、実施の形態１～５において説明した学習モデル２１０～２５０が記憶されており、制御装置１００は、学習モデル２１０～２５０を用いた演算結果に基づき、粉体処理装置４Ａ～４Ｅの動作を制御するものとする。
実施の形態９では、端末装置５００において粉体処理の種別を選択する構成について説明する。
なお、粉体処理システム１の全体構成、及び粉体処理システム１における各装置の構成については実施の形態１と同様であるが、制御装置１００の記憶部１０２には、実施の形態１～５において説明した学習モデル２１０～２５０が記憶されており、制御装置１００は、学習モデル２１０～２５０を用いた演算結果に基づき、粉体処理装置４Ａ～４Ｅの動作を制御するものとする。
図２２は端末装置５００及び制御装置１００が実行する処理の手順を説明するフローチャートである。端末装置５００の制御部５０１は、通信部５０３を通じて、制御装置１００にアクセスする（ステップＳ９０１）。
制御装置１００の制御部１０１は、粉体処理装置４Ａが稼働していないときに端末装置５００からアクセスを受付けた場合、粉体処理の種別を選択するための処理種別選択画面の画面データを生成し（ステップＳ９０２）、生成した画面データを通信部１０５より端末装置５００へ送信する（ステップＳ９０３）。なお、粉体処理装置４Ａが稼働しているときに端末装置５００からアクセスを受付けた場合、制御部１０１は、図１９に示すフローチャートのステップＳ８０３以降の処理を実行すればよい。
端末装置５００の制御部５０１は、制御装置１００から送信される処理種別選択画面の画面データを通信部５０３より受信する（ステップＳ９０４）。制御部５０１は、受信した画面データに基づき処理種別選択画面を表示部５０５に表示し（ステップＳ９０５）、種別選択を受付ける（ステップＳ９０６）。図２３は処理種別選択画面の一例を示す模式図である。この処理種別選択画面は、ユーザインタフェースのコンポーネントとして配置されるラジオボタンにより、乾燥処理、混合処理、複合化処理、表面処理、及び造粒処理の中から、ユーザが希望する粉体処理の種別選択を受付けるように構成されている。制御部５０１は、種別選択を受付けた場合、選択結果を通信部５０３より制御装置１００へ送信する（ステップＳ９０７）。
制御装置１００の制御部１０１は、端末装置５００から送信される選択結果を通信部５０３より受信する（ステップＳ９０８）。選択結果を受信した後、制御部１０１は、図１９に示すフローチャートのステップＳ８０２以降の処理を実行する。すなわち、制御部１０１は、ユーザにより選択された粉体処理の種別に応じて、目標値の入力を受付ける処理、受付けた目標値を対応する学習モデル２１０（又は学習モデル２２０～２５０）に入力し、演算結果を取得する処理、取得した演算結果に基づき粉体処理システム１の動作を制御する処理等を実行すればよい。
以上のように、実施の形態９では、ユーザにより選択された粉体処理の種別に応じて、学習モデル２１０～２５０の何れかを選択し、選択した学習モデル２１０（又は学習モデル２２０～２５０）の演算結果を利用して、粉体処理システム１の動作を制御することができる。
（実施の形態１０）
実施の形態１０では、粉体原料の種別に応じて学習モデル２１０を生成する構成について説明する。
なお、粉体処理システム１の全体構成、及び粉体処理システム１における各装置の構成については実施の形態１と同様であるため、その説明を省略することとする。
実施の形態１０では、粉体原料の種別に応じて学習モデル２１０を生成する構成について説明する。
なお、粉体処理システム１の全体構成、及び粉体処理システム１における各装置の構成については実施の形態１と同様であるため、その説明を省略することとする。
実施の形態１０に係る制御装置１００は、粉体原料の種別毎に、粉体処理装置４Ａの動作状態を示す計測データと、粉体処理装置４Ａから得られる粉体の粉体データとを収集する。図２４は実施の形態１０におけるデータの収集例を示す概念図である。制御装置１００の制御部１０１は、入力部１０３を通じて、粉体処理装置４Ａの動作状態を示す計測データと、粉体処理装置４Ａから得られる粉体に関する粉体データとを取得する。制御部１０１が取得する計測データ及び粉体データは実施の形態１と同様である。制御部１０１は、取得した計測データ及び粉体データをタイムスタンプや粉体原料の種別に関する情報と共に記憶部１０２に記憶させる。ここで、粉体原料の種別に関する情報とは、粉体原料の種別名を示す文字情報であってもよく、粉体原料の種別を特定できる任意の識別子であってもよい。粉体原料の種別に関する情報は、データの収集前若しくはデータの収集後に操作部１０６を通じて受付ければよい。
制御部１０１は、収集した上記データを教師データに用いて、粉体処理装置４Ａから得られる粉体の湿分と、粉体処理装置４Ａに関する制御パラメータとの関係を学習し、上述したような学習モデル２１０を生成する。図２４の例は、水酸化マグネシウム、コバルト酸リチウム、リン酸カルシウムといった粉体原料の種別毎にデータを収集し、記憶部１０２に記憶させた状態を示している。
制御部１０１は、粉体原料の種別毎に収集したデータを教師データに用いて、学習モデル２１０を生成する。
図２５は実施の形態１０に係る学習モデル２１０の生成手順を説明するフローチャートである。制御装置１００の制御部１０１は、学習モデル２１０の生成に先立ち、粉体原料の種別に関する情報を受付ける（ステップＳ１００１）。制御部１０１は、例えば、粉体原料の種別をユーザに問い合わせる画面を表示部１０７に表示させ、表示させた画面を通じて、粉体原料の種別に関する情報を受付けることができる。また、制御部１０１は、粉体原料の種別に関する問い合わせを通信部１０５より端末装置５００へ送信し、端末装置５００からの返信を受信することにより、粉体原料の種別に関する情報を受付けてもよい。
次いで、制御部１０１は、ステップＳ１００１で受付けた種別に関連付けて記憶されているデータを記憶部１０２から読込む（ステップＳ１００２）。制御部１０１は、読込んだデータから、教師データに用いるデータを選択する（ステップＳ１００３）。すなわち、制御部１０１は、読込んだデータから、熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、乾燥処理の処理時間の計測値と、そのときに得られた粉体の湿分の値とを一組だけ選択する。
次いで、制御部１０１は、選択した教師データに含まれる湿分のデータを学習モデル２１０へ入力し（ステップＳ１００４）、学習モデル２１０による演算を実行する（ステップＳ１００５）。すなわち、制御部１０１は、学習モデル２１０の入力層２１１を構成するノードに湿分の値を入力し、中間層２１２Ａ，２１２Ｂにおいてノード間の重み及びバイアスを用いた演算を行い、演算結果を出力層２１３のノードから出力する処理を行う。なお、学習が開始される前の初期段階では、学習モデル２１０を記述する定義情報には初期値が与えられているものとする。
次いで、制御部１０１は、ステップＳ１００５で得られた演算結果を評価し（ステップＳ１００６）、学習が完了したか否かを判断する（ステップＳ１００７）。具体的には、制御部１０１は、ステップＳ１００５で得られた演算結果と教師データとに基づく誤差関数（目的関数、損失関数、コスト関数ともいう）を用いて、演算結果を評価することができる。制御部１０１は、最急降下法などの勾配降下法により誤差関数を最適化（最小化又は最大化）する過程で、誤差関数が閾値以下（又は閾値以上）となった場合、学習が完了したと判断する。なお、過学習の問題を避けるために、交差検定、早期打ち切りなどの手法を取り入れ、適切なタイミングにて学習を終了させてもよい。
学習が完了していないと判断した場合（Ｓ１００７：ＮＯ）、制御部１０１は、学習モデル２１０のノード間の重み及びバイアスを更新して（ステップＳ１００８）、処理をステップＳ１００３へ戻し、別の教師データを用いた学習を継続する。制御部１０１は、学習モデル２１０の出力層２１３から入力層２１１に向かって、ノード間の重み及びバイアスを順次更新する誤差逆伝播法を用いて、各ノード間の重み及びバイアスを更新することができる。
学習が完了したと判断した場合（Ｓ１００７：ＹＥＳ）、制御部１０１は、粉体原料の種別に関する情報に関連付けて、学習済みの学習モデル２１０を記憶部１０２に記憶させ（ステップＳ１００９）、本フローチャートによる処理を終了する。
以上のように、実施の形態１０に係る制御装置１００は、粉体原料の種別に応じた学習モデル２１０を生成できる。実施の形態１０における学習モデル２１０は、実施の形態１と同様であるが、学習モデル２１０に代えて、実施の形態２～５において説明した学習モデル２２０～２５０を粉体原料の種別毎に生成してもよい。
なお、本実施の形態では、制御装置１００において学習モデル２１０を生成する構成としたが、学習モデル２１０を生成する外部サーバ（不図示）を設け、外部サーバにて学習モデル２１０を生成してもよい。この場合、制御装置１００は、通信等により、外部サーバから学習モデル２１０を取得し、取得した学習モデル２１０を記憶部１０２に記憶させればよい。
図２６は制御装置１００による制御手順を説明するフローチャートである。制御装置１００の制御部１０１は、操作部１０６を通じて、粉体原料の種別に関する情報、及びユーザが所望する粉体の目標値（湿分）を受付ける（ステップＳ１２２１）。
次いで、制御部１０１は、受付けた粉体原料の種別に応じた学習モデル２１０を記憶部１０２から読み込む（ステップＳ１２２２）。制御部１０１は、受付けた湿分のデータをステップＳ１２２２で読み込んだ学習モデル２１０の入力層２１１へ入力し、学習モデル２１０による演算を実行する（ステップＳ１２２３）。このとき、制御部１０１は、受付けた湿分のデータを入力層２１１のノードに与え、中間層２１２Ａ，２１２Ｂによる演算を実行する。学習モデル２１０の出力層２１３は、熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、及び乾燥処理の処理時間を制御する制御パラメータに関する演算結果を出力する。
次いで、制御部１０１は、学習モデル２１０から演算結果を取得し（ステップＳ１２２４）、制御に用いる制御パラメータを決定する（ステップＳ１２２５）。制御部１０１は、演算結果として出力される確率に基づき、熱媒の温度及び流量、粉体原料の供給量又は供給速度、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、乾燥処理の処理時間の組み合わせを決定すればよい。
次いで、制御部１０１は、ステップＳ１２２５において決定した制御パラメータに基づき、制御を実行する（ステップＳ１２２６）。すなわち、制御部１０１は、ケーシング４１０内に導入される熱媒の温度及び流量がそれぞれステップＳ１２２５で決定した値となるように、熱風発生機３の動作を制御する制御指令を生成し、生成した制御指令を出力部１０４を通じて熱風発生機３へ出力する。同様に、制御部１０１は、粉体原料の供給量、粉砕ロータ４１３の回転速度、分級ロータ４１５の回転速度、ケーシング４１０内の圧力、乾燥処理の処理時間がそれぞれステップＳ１２２５で決定した値となるように、原料供給機２、粉砕ロータ４１３、分級ロータ４１５、ブロワ７、粉体処理装置４Ａの動作を制御する制御指令を生成し、生成した制御指令を出力部１０４を通じて各装置へ出力する。
以上のように、本実施の形態に係る制御装置１００は、粉体原料の種別に応じた学習モデル２１０を用いて、制御パラメータを決定することができる。制御装置１００は、所望の粒子径を有する粉体が得られるように、決定した制御パラメータに基づく制御を実行することができる。
なお、本実施の形態では、粉体原料の種別毎に生成した学習モデル２１０を用いて、制御パラメータを決定する構成としたが、実施の形態２～５において説明した学習モデル２２０～２５０を粉体原料の種別毎に生成し、生成した学習モデル２２０～２５０を用いて、制御パラメータを決定する構成としてもよい。
以上のように、本実施の形態に係る制御装置１００は、粉体原料の種別に応じた学習モデル２１０を用いて、制御パラメータを決定することができる。制御装置１００は、所望の湿分を有する粉体が得られるように、決定した制御パラメータに基づく制御を実行することができる。
今回開示された実施形態は、全ての点において例示であって、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、上述した意味ではなく、請求の範囲によって示され、請求の範囲と均等の意味及び範囲内での全ての変更が含まれることが意図される。
例えば、実施の形態１～５では、粉体処理システム１がそれぞれ粉体処理装置４Ａ～４Ｅを１つずつ含む構成としたが、粉体処理システム１は、複数の粉体処理装置４Ａ～４Ｅを組み合わせて構築されるものであってもよい。
１…粉体処理システム、２…原料供給機、３…熱風発生機、４Ａ～４Ｅ…粉体処理装置、５…サイクロン、６…集塵機、７…ブロワ、８…製品タンク、９…集塵タンク、４１０…ケーシング、４１１…原料投入口、４１２…気体導入口、４１３…粉砕ロータ、４１４…ガイドリング、４１５…分級ロータ、４１６…粉体取出口、Ｓ１…重量センサ、Ｓ２…粒子径センサ、Ｓ３…流量センサ、Ｓ４…温度センサ、Ｓ５…湿分センサ、Ｓ６…圧力センサ、Ｓ７…回転速度センサ、Ｓ８…回転速度センサ、１００…制御装置、１０１…制御部、１０２…記憶部、１０３…入力部、１０４…出力部、１０５…通信部、１０６…操作部、１０７…表示部、４１３Ｍ…粉砕モータ、４１５Ｍ…分級モータ、５００…端末装置、５０１…制御部、５０２…記憶部、５０３…通信部、５０４…操作部、５０５…表示部
Claims (37)
- コンピュータが、
乾燥処理を行う粉体処理装置に関して、前記粉体処理装置の動作状態を示す計測データと、前記粉体処理装置から得られる粉体について計測された湿分を含む粉体データとを複数組取得し、
取得した複数組の計測データと粉体データとを教師データに用いて、ユーザが所望する粉体についての目標値として湿分が入力された場合、前記粉体処理装置に対する制御パラメータについての演算結果を出力するよう構成された学習モデルを生成する
学習モデルの生成方法。 - 前記目標値は、ユーザが所望する粉体の単位時間あたりの収量を更に含み、
前記乾燥処理により得られる粉体について計測された単位時間あたりの収量を含む粉体データを教師データに用いて、前記学習モデルを生成する
請求項１に記載の学習モデルの生成方法。 - 前記計測データは、熱媒の温度及び流量、粉体原料の供給量又は供給速度、前記粉体原料を攪拌するための回転体の回転速度、前記粉体原料を処理する処理室内の圧力、並びに、前記乾燥処理の処理時間を含み、
前記目標値が入力された場合、前記熱媒の温度及び流量、前記粉体原料の供給量又は供給速度、前記回転体の回転速度、前記処理室内の圧力、並びに、前記乾燥処理の処理時間を含む制御パラメータについての演算結果を出力するよう構成された学習モデルを生成する
請求項１又は請求項２に記載の学習モデルの生成方法。 - 前記計測データは、前記粉体を分級するための回転体の回転速度を更に含み、
前記目標値が入力された場合、前記粉体を分級するための回転体の回転速度を更に含む制御パラメータについての演算結果を出力するよう構成された学習モデルを生成する
請求項３に記載の学習モデルの生成方法。 - コンピュータが、
混合処理を行う粉体処理装置に関して、前記粉体処理装置の動作状態を示す計測データと、前記粉体処理装置から得られる粉体の混合度を含む粉体データとを複数組取得し、
取得した複数組の計測データと粉体データとを教師データに用いて、ユーザが所望する粉体についての目標値として混合度が入力された場合、前記粉体処理装置に対する制御パラメータについての演算結果を出力するよう構成された学習モデルを生成する
学習モデルの生成方法。 - 前記目標値は、ユーザが所望する粉体の濃度又は湿分を更に含み、
前記混合処理により得られる粉体について計測された濃度又は湿分を含む粉体データを教師データに用いて、前記学習モデルを生成する
請求項５に記載の学習モデルの生成方法。 - 前記計測データは、粉体原料の供給量又は供給速度、前記粉体原料を攪拌するための回転体の回転速度、前記粉体処理装置に供給する流体の供給量又は供給速度、並びに、前記混合処理の処理時間を含み、
前記目標値が入力された場合、前記粉体原料の供給量又は供給速度、前記回転体の回転速度、前記流体の供給量又は供給速度、並びに、前記混合処理の処理時間を含む制御パラメータについての演算結果を出力するよう構成された学習モデルを生成する
請求項５又は請求項６に記載の学習モデルの生成方法。 - 前記コンピュータが、
複合化処理を行う粉体処理装置に関して、前記粉体処理装置の動作状態を示す計測データと、前記粉体処理装置から得られる粉体について計測された複合化度を含む粉体データとを複数組取得し、
取得した複数組の計測データと粉体データとを教師データに用いて、ユーザが所望する粉体についての目標値として複合化度が入力された場合、前記粉体処理装置に対する制御パラメータについての演算結果を出力するよう構成された学習モデルを生成する
請求項１から請求項７の何れか１つに記載の学習モデルの生成方法。 - 前記目標値は、ユーザが所望する粉体の導電率、熱伝導率又は透過率を更に含み、
前記複合化処理により得られる粉体について計測された導電率、熱伝導率又は透過率を含む粉体データを教師データに用いて、前記学習モデルを生成する
請求項８に記載の学習モデルの生成方法。 - 前記計測データは、粉体原料の供給量又は供給速度、前記粉体原料を攪拌するための回転体の回転速度、前記複合化処理の処理時間、並びに、前記粉体処理装置の負荷動力を含み、
前記目標値が入力された場合、前記粉体原料の供給量又は供給速度、前記回転体の回転速度、前記複合化処理の処理時間、並びに、前記粉体処理装置の負荷動力を含む制御パラメータについての演算結果を出力するように構成された学習モデルを生成する
請求項８又は請求項９に記載の学習モデルの生成方法。 - 前記コンピュータが、
表面処理を行う粉体処理装置に関して、前記粉体処理装置の動作状態を示す計測データと、前記粉体処理装置から得られる粉体について計測された円形度を含む粉体データとを複数組取得し、
取得した複数組の計測データと粉体データとを教師データに用いて、ユーザが所望する粉体についての目標値として円形度が入力された場合、前記粉体処理装置に対する制御パラメータについての演算結果を出力するよう構成された学習モデルを生成する
請求項１から請求項１０の何れか１つに記載の学習モデルの生成方法。 - 前記目標値は、ユーザが所望する粉体の密度又は流動性を更に含み、
前記表面処理により得られる粉体について計測された密度又は流動性を含む粉体データを教師データに用いて、前記学習モデルを生成する
請求項１１に記載の学習モデルの生成方法。 - 前記計測データは、粉体原料の供給量又は供給速度、前記粉体原料を攪拌するための回転体の回転速度、前記粉体を分級するための回転体の回転速度、前記表面処理の処理時間、並びに、前記粉体処理装置の負荷動力を含み、
前記目標値が入力された場合、前記粉体原料の供給量又は供給速度、攪拌用及び分級用の前記回転体の回転速度、前記表面処理の処理時間、並びに、前記粉体処理装置の負荷動力を含む制御パラメータについての演算結果を出力するように構成された学習モデルを生成する
請求項１１又は請求項１２に記載の学習モデルの生成方法。 - 前記粉体処理装置を含む系内に流れる流体は、気体又は液体である
請求項１１から請求項１３の何れか１つに記載の学習モデルの生成方法。 - 前記コンピュータが、
造粒処理を行う粉体処理装置に関して、前記粉体処理装置の動作状態を示す計測データと、前記粉体処理装置から得られる粉体について計測された粒子径及び形状を含む粉体データとを複数組取得し、
取得した複数組の計測データと粉体データとを教師データに用いて、ユーザが所望する粉体についての目標値として粒子径及び形状が入力された場合、前記粉体処理装置に対する制御パラメータについての演算結果を出力するよう構成された学習モデルを生成する
請求項１から請求項１４の何れか１つに記載の学習モデルの生成方法。 - 前記目標値は、ユーザが所望する粉体の密度、流動性、硬度、吸水量、又は吸油量を更に含み、
前記造粒処理により得られる粉体について計測された密度、流動性、硬度、吸水量、又は吸油量を含む粉体データを教師データに用いて、前記学習モデルを生成する
請求項１５に記載の学習モデルの生成方法。 - 前記計測データは、粉体原料の供給量又は供給速度、前記粉体原料を攪拌するための回転体の回転速度、前記粉体原料を処理する処理室内の圧力、並びに、前記処理室に投入する添加剤の投入量を含み、
前記目標値が入力された場合、前記粉体原料の供給量又は供給速度、前記回転体の回転速度、前記処理室内の圧力、並びに、前記処理室に投入する添加剤の投入量を含む制御パラメータについての演算結果を出力するように構成された学習モデルを生成する
請求項１５又は請求項１６に記載の学習モデルの生成方法。 - 前記計測データは、前記粉体処理装置の駆動電力若しくは駆動電流、前記粉体処理装置に供給する冷媒の流量若しくは温度、前記粉体処理装置の処理室から粉体を取り出す際の吐出・吸引流量若しくは温度、及び、前記処理室内の温度、湿度若しくは圧力の少なくとも１つを更に含み、
前記目標値が入力された場合、前記粉体処理装置の駆動電力若しくは駆動電流、前記冷媒の流量若しくは温度、前記吐出・吸引流量若しくは温度、又は、前記処理室内の温度、湿度若しくは圧力の少なくとも１つを更に含む制御パラメータについての演算結果を出力するよう構成された学習モデルを生成する
請求項１から請求項１７の何れか１つに記載の学習モデルの生成方法。 - 前記教師データは、粉体処理に用いた粉体原料の原料データを更に含み、
前記原料データを更に含む教師データを用いて、前記目標値と、前記粉体処理装置に供給する粉体原料の原料データとが入力された場合、前記制御パラメータについての演算結果を出力するよう構成された学習モデルを生成する
請求項１から請求項１８の何れか１つに記載の学習モデルの生成方法。 - 前記原料データは、前記粉体原料の湿分、温度、密度、粒子径、円形度、混合度、流動性、ＢＥＴ（Brunauer - Emmett - Teller）値、ＮＩＲ（Near Infrared）、ＸＲＤ（X-ray Diffraction）、ＴＧ－ＤＴＡ（Thermogravimetry - Differential Thermal Analysis）、ＭＳ（Mass Spectrometry）、ＳＥＭ（Scanning Electron Microscope）、ＦＥ－ＳＥＭ（Field Emission - SEM）、及びＴＥＭ（Transmission Electron Microscope）のデータの少なくとも１つを含む
請求項１９に記載の学習モデルの生成方法。 - 前記教師データは、粉体処理を実行する際の環境データを更に含み、
前記環境データを更に含む教師データを用いて、前記目標値と、前記粉体処理を実行する際の環境データとが入力された場合、前記制御パラメータについての演算結果を出力するよう構成された学習モデルを生成する
請求項１から請求項２０の何れか１つに記載の学習モデルの生成方法。 - 教師データに用いる計測データと粉体データとを再取得し、
再取得した前記計測データと前記粉体データとを教師データに用いて、前記学習モデルを再学習する
請求項１から請求項２１の何れか１つに記載の学習モデルの生成方法。 - コンピュータに、
乾燥処理を行う粉体処理装置に関して、前記粉体処理装置の動作状態を示す計測データと、前記粉体処理装置から得られる粉体について計測された湿分を含む粉体データとを複数組取得し、
取得した複数組の計測データと粉体データとを教師データに用いて、ユーザが所望する粉体についての目標値として湿分が入力された場合、前記粉体処理装置に対する制御パラメータについての演算結果を出力するよう構成された学習モデルを生成する
処理を実行させるためのコンピュータプログラム。 - コンピュータに、
混合処理を行う粉体処理装置に関して、前記粉体処理装置の動作状態を示す計測データと、前記粉体処理装置から得られる粉体の混合度を含む粉体データとを複数組取得し、
取得した複数組の計測データと粉体データとを教師データに用いて、ユーザが所望する粉体についての目標値として混合度が入力された場合、前記粉体処理装置に対する制御パラメータについての演算結果を出力するよう構成された学習モデルを生成する
処理を実行させるためのコンピュータプログラム。 - ユーザが所望する粉体についての目標値として前記粉体の湿分が入力される入力層、
乾燥処理を行う粉体処理装置に対する制御パラメータについての演算結果を出力する出力層、及び
前記粉体処理装置から得られる粉体について計測された湿分を含む粉体データと、前記粉体処理装置の動作状態を示す計測データとを複数組含む教師データを用いて、前記入力層に入力される湿分と、前記出力層が出力する演算結果との関係を学習してある中間層
を備え、
前記入力層にユーザが所望する粉体についての目標値として湿分が入力された場合、前記中間層にて演算し、前記制御パラメータについての演算結果を出力するようコンピュータを機能させる
学習モデル。 - ユーザが所望する粉体についての目標値として前記粉体の混合度が入力される入力層、
混合処理を行う粉体処理装置に対する制御パラメータについての演算結果を出力する出力層、及び
前記粉体処理装置から得られる粉体の混合度を含む粉体データと、前記粉体処理装置の動作状態を示す計測データとを複数組含む教師データを用いて、前記入力層に入力される混合度と、前記出力層が出力する演算結果との関係を学習してある中間層
を備え、
前記入力層にユーザが所望する粉体についての目標値として混合度が入力された場合、前記中間層にて演算し、前記制御パラメータについての演算結果を出力するようコンピュータを機能させる
学習モデル。 - ユーザが所望する粉体についての目標値として前記粉体の湿分を受付ける受付部と、
乾燥処理を行う粉体処理装置から得られる粉体について計測された湿分を含む粉体データと、前記粉体処理装置の動作状態を示す計測データとを複数組含む教師データを用いて学習してあり、湿分を入力した場合、前記粉体処理装置に対する制御パラメータについての演算結果を出力するように構成された学習モデルと、
前記受付部にて受付けた湿分を前記学習モデルへ入力し、前記学習モデルによる演算を実行する演算処理部と、
前記学習モデルによる演算結果に基づき、前記粉体処理装置に関する動作を制御する制御部と
を備える制御装置。 - ユーザが所望する粉体についての目標値として前記粉体の混合度を受付ける受付部と、
混合処理を行う粉体処理装置から得られる粉体の混合度を含む粉体データと、前記粉体処理装置の動作状態を示す計測データとを複数組含む教師データを用いて学習してあり、混合度を入力した場合、前記粉体処理装置に対する制御パラメータについての演算結果を出力するように構成された学習モデルと、
前記受付部にて受付けた混合度を前記学習モデルへ入力し、前記学習モデルによる演算を実行する演算処理部と、
前記学習モデルによる演算結果に基づき、前記粉体処理装置に関する動作を制御する制御部と
を備える制御装置。 - 前記粉体処理装置が実行する粉体処理の種別毎に前記学習モデルを備え、
前記受付部は、粉体処理の種別に対する選択を受付け、
前記演算処理部は、前記受付部により受付けた粉体処理の種別に対応した学習モデルを選択し、選択した学習モデルへ前記目標値を入力することによって前記学習モデルによる演算を実行する
請求項２７又は請求項２８に記載の制御装置。 - 粉体原料の種別毎に前記学習モデルを備え、
前記受付部は、粉体原料の種別に対する選択を受付け、
前記演算処理部は、前記受付部により受付けた粉体原料の種別に対応した学習モデルを選択し、選択した学習モデルへ前記目標値を入力することによって前記学習モデルによる演算を実行する
請求項２７又は請求項２８に記載の制御装置。 - 前記学習モデルの演算結果に基づき動作が制御されている粉体処理装置から、粉体の湿分又は混合度の実測値を含む粉体データを取得し、取得した粉体データに含まれる実測値と前記粉体について受付けた湿分又は混合度についての目標値との比較結果に応じて、前記実測値が前記目標値に近づくように、前記制御パラメータを調整する調整部を備え、
前記制御部は、調整後の制御パラメータに基づき、前記粉体処理装置に関する動作を制御する
請求項２７から請求項３０の何れか１つに記載の制御装置。 - 前記目標値、前記粉体データ、前記計測データ、前記粉体処理装置の運転履歴、及び前記粉体処理装置を含む装置構成図の少なくとも１つを表示するための画面データを生成する生成部と、
生成した画面データを出力する出力部と
を備える請求項２７から請求項３１の何れか１つに記載の制御装置。 - 前記制御部は、前記粉体処理装置、並びに、前記粉体処理装置に接続される原料供給機、熱風発生機、サイクロン、集塵機、ブロワ、及びポンプの少なくとも１つの動作を制御する
請求項２７から請求項３２の何れか１つに記載の制御装置。 - コンピュータが、
ユーザが所望する粉体についての目標値として前記粉体の湿分を受付け、
受付けた湿分を、乾燥処理を行う粉体処理装置から得られる粉体について計測された湿分を含む粉体データと、前記粉体処理装置の動作状態を示す計測データとを複数組含む教師データを用いて学習してあり、湿分の入力に応じて、前記粉体処理装置に対する制御パラメータについての演算結果を出力するように構成された学習モデルへ入力し、
前記学習モデルによる演算を実行し、
前記学習モデルによる演算結果に基づき、前記粉体処理装置に関する動作を制御する
制御方法。 - コンピュータが、
ユーザが所望する粉体についての目標値として前記粉体の混合度を受付け、
受付けた混合度を、混合処理を行う粉体処理装置から得られる粉体の混合度を含む粉体データと、前記粉体処理装置の動作状態を示す計測データとを複数組含む教師データを用いて学習してあり、混合度の入力に応じて、前記粉体処理装置に対する制御パラメータについての演算結果を出力するように構成された学習モデルへ入力し、
前記学習モデルによる演算を実行し、
前記学習モデルによる演算結果に基づき、前記粉体処理装置に関する動作を制御する
制御方法。 - コンピュータに、
ユーザが所望する粉体についての目標値として前記粉体の湿分を受付け、
受付けた湿分を、乾燥処理を行う粉体処理装置から得られる粉体について計測された湿分を含む粉体データと、前記粉体処理装置の動作状態を示す計測データとを複数組含む教師データを用いて学習してあり、湿分の入力に応じて、前記粉体処理装置に対する制御パラメータについての演算結果を出力するように構成された学習モデルへ入力し、
前記学習モデルによる演算を実行し、
前記学習モデルによる演算結果に基づき、前記粉体処理装置に関する動作を制御する
処理を実行させるためのコンピュータプログラム。 - コンピュータに、
ユーザが所望する粉体についての目標値として前記粉体の混合度を受付け、
受付けた混合度を、混合処理を行う粉体処理装置から得られる粉体の混合度を含む粉体データと、前記粉体処理装置の動作状態を示す計測データとを複数組含む教師データを用いて学習してあり、混合度の入力に応じて、前記粉体処理装置に対する制御パラメータについての演算結果を出力するように構成された学習モデルへ入力し、
前記学習モデルによる演算を実行し、
前記学習モデルによる演算結果に基づき、前記粉体処理装置に関する動作を制御する
処理を実行させるためのコンピュータプログラム。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2019/026150 WO2021001897A1 (ja) | 2019-07-01 | 2019-07-01 | 学習モデルの生成方法、コンピュータプログラム、学習モデル、制御装置、及び制御方法 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JPWO2021001897A1 JPWO2021001897A1 (ja) | 2021-01-07 |
| JPWO2021001897A5 JPWO2021001897A5 (ja) | 2022-01-25 |
| JP7311598B2 true JP7311598B2 (ja) | 2023-07-19 |
Family
ID=74100530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021529575A Active JP7311598B2 (ja) | 2019-07-01 | 2019-07-01 | 学習モデルの生成方法、コンピュータプログラム、学習モデル、制御装置、及び制御方法 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7311598B2 (ja) |
| WO (1) | WO2021001897A1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113039497A (zh) | 2018-08-24 | 2021-06-25 | 思拓凡瑞典有限公司 | 用于生物制药产品的监测系统和方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001157851A (ja) | 1999-12-02 | 2001-06-12 | Mitsubishi Heavy Ind Ltd | 石炭粉砕性自動推定方法とその装置 |
| JP2002233787A (ja) | 2001-12-20 | 2002-08-20 | Hosokawa Micron Corp | 粉体処理装置および粉体処理方法 |
| JP2003200079A (ja) | 2001-12-28 | 2003-07-15 | Kawasaki Heavy Ind Ltd | 砕石プラントの運転方法及び装置 |
| JP2003275281A (ja) | 2002-03-20 | 2003-09-30 | Hosokawa Micron Corp | 薬物含有複合粒子の製造方法 |
| JP2010084976A (ja) | 2008-09-30 | 2010-04-15 | Mitsubishi Heavy Ind Ltd | 湿潤粉体の乾燥装置及び乾燥方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0924291A (ja) * | 1995-07-14 | 1997-01-28 | Mitsubishi Chem Corp | 部分分級割合モデルを用いた粉体生産方法の制御方法および粉体生産装置 |
| JP3390783B2 (ja) * | 1997-09-30 | 2003-03-31 | 川崎重工業株式会社 | 破砕・粉砕処理システム |
-
2019
- 2019-07-01 WO PCT/JP2019/026150 patent/WO2021001897A1/ja active Application Filing
- 2019-07-01 JP JP2021529575A patent/JP7311598B2/ja active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001157851A (ja) | 1999-12-02 | 2001-06-12 | Mitsubishi Heavy Ind Ltd | 石炭粉砕性自動推定方法とその装置 |
| JP2002233787A (ja) | 2001-12-20 | 2002-08-20 | Hosokawa Micron Corp | 粉体処理装置および粉体処理方法 |
| JP2003200079A (ja) | 2001-12-28 | 2003-07-15 | Kawasaki Heavy Ind Ltd | 砕石プラントの運転方法及び装置 |
| JP2003275281A (ja) | 2002-03-20 | 2003-09-30 | Hosokawa Micron Corp | 薬物含有複合粒子の製造方法 |
| JP2010084976A (ja) | 2008-09-30 | 2010-04-15 | Mitsubishi Heavy Ind Ltd | 湿潤粉体の乾燥装置及び乾燥方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021001897A1 (ja) | 2021-01-07 |
| JPWO2021001897A1 (ja) | 2021-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Suresh et al. | A comprehensive review on process and engineering aspects of pharmaceutical wet granulation | |
| CN103384563B (zh) | 热处理设备及制造调色剂的方法 | |
| Teżyk et al. | Recent progress in continuous and semi-continuous processing of solid oral dosage forms: a review | |
| Kwade | Wet comminution in stirred media mills—research and its practical application | |
| Hou et al. | Parameters optimization of a nano-particle wet milling process using the Taguchi method, response surface method and genetic algorithm | |
| JP7311598B2 (ja) | 学習モデルの生成方法、コンピュータプログラム、学習モデル、制御装置、及び制御方法 | |
| CN107673083B (zh) | 基于变速率学习的螺杆式物料下料装置及其控制器 | |
| WO2020245915A1 (ja) | 学習モデルの生成方法、コンピュータプログラム、学習モデル、制御装置、及び制御方法 | |
| EP3012019B1 (en) | Particle production device and particle production method using same | |
| CN107405679B (zh) | 铸造砂冷却器 | |
| CN111047104A (zh) | 粉磨系统的能耗优化方法 | |
| JP2018143944A (ja) | 噴霧乾燥装置 | |
| Dahlgren et al. | Continuous twin screw wet granulation and drying—control strategy for drug product manufacturing | |
| Rahmanian et al. | Strength and structure of granules produced in continuous granulators | |
| WO2020245914A1 (ja) | コンピュータプログラム、サーバ装置、表示システム、及び表示方法 | |
| JP7311571B2 (ja) | 粉体処理システムの診断装置、診断方法、及びコンピュータプログラム | |
| JP7311599B2 (ja) | 粉体処理システムの診断装置、診断方法、及びコンピュータプログラム | |
| Rojas et al. | Solids transport modeling in a fluidized drum granulator | |
| JP2002126561A (ja) | 解砕装置 | |
| Emady et al. | Granulation and tabletting | |
| Takeuchi et al. | Development of a novel particle size control system for hammer milling | |
| CN205055904U (zh) | 一种用于电工级氧化镁生产的全自动混合设备 | |
| Nadeem et al. | Estimation of pellet size and strength of limestone and manganese concentrate using soft computing techniques | |
| Kenekar et al. | Multi-objective optimization of high-shear wet granulation process for better granule properties and fluidized bed drying characteristics | |
| Pazhayattil et al. | Scaling-Up of Solid Orals: Granulation, Drying, Size Reduction, Blending, Compression, and Coating Technologies |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211021 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211021 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230110 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230224 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230627 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230706 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7311598 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |