WO2021261039A1 - 熱処理炉の制御方法、熱処理システム及びプログラム - Google Patents

熱処理炉の制御方法、熱処理システム及びプログラム Download PDF

Info

Publication number
WO2021261039A1
WO2021261039A1 PCT/JP2021/011684 JP2021011684W WO2021261039A1 WO 2021261039 A1 WO2021261039 A1 WO 2021261039A1 JP 2021011684 W JP2021011684 W JP 2021011684W WO 2021261039 A1 WO2021261039 A1 WO 2021261039A1
Authority
WO
WIPO (PCT)
Prior art keywords
temperature
heat treatment
learning model
information
control information
Prior art date
Application number
PCT/JP2021/011684
Other languages
English (en)
French (fr)
Inventor
一生 小谷
正宏 木村
孝司 三宅
尚志 錦
和彦 諏訪
健 岡本
Original Assignee
三菱重工業株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 三菱重工業株式会社 filed Critical 三菱重工業株式会社
Publication of WO2021261039A1 publication Critical patent/WO2021261039A1/ja

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
    • C21D1/34—Methods of heating
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D11/00—Process control or regulation for heat treatments
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D9/00—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric

Definitions

  • the present disclosure relates to a heat treatment furnace control method, a heat treatment system and a program that enable automatic operation of the heat treatment furnace.
  • PWHT Post Weld Heat Treatment
  • a batch type gas heat treatment furnace or an electric heat treatment furnace is used to heat the object to be heat-treated.
  • the operation of the heat treatment furnace often depends on personal operation, and in particular, in a heat treatment furnace that handles heat-treated objects having various shapes, dimensions, and weights, it corresponds to the characteristics of each heat-treated object. Since adjustment is required, it is essential to operate the furnace by a skilled technician.
  • Patent Document 1 describes a welding work management / recording system that supports PWHT construction. Using this system, it is possible to display work information to be performed regarding PWHT construction and record work records.
  • an object of the present invention is to provide a heat treatment furnace control method, a heat treatment system, and a program that can solve the above-mentioned problems.
  • the control method of the heat treatment furnace of the present disclosure is a control method of controlling the heat treatment furnace using a computer, and controls information of the heat treatment furnace in the initial heating section for heating the object to be heat-treated, the atmospheric temperature of the heat treatment furnace, and the temperature of the atmosphere of the heat treatment furnace.
  • the heat treatment system of the present disclosure uses as learning data the control information of the heat treatment furnace in the initial heating section for heating the object to be heat-treated, the atmospheric temperature of the heat treatment furnace, and the temperature information including the temperature of the object to be heat-treated.
  • the individual learning model creation unit that creates an individual learning model that learns the correspondence between the control information and the temperature information, and the control information that achieves the target temperature according to the progress of the heat treatment based on the control information and the temperature information.
  • the control information is calculated based on the basic learning model for outputting the heat treatment, the control information during the heat treatment, and the temperature information, and the temperature information during the heat treatment, the target temperature, and the individual learning model.
  • a control unit that corrects the calculated control information based on the above and controls the heat treatment furnace based on the corrected control information.
  • the program of the present disclosure uses a computer to learn control information of the heat treatment furnace in the initial heating section for heating the object to be heat-treated, and temperature information including the ambient temperature of the heat treatment furnace and the temperature of the object to be heat-treated.
  • a step of creating an individual learning model that learns the correspondence between the control information and the temperature information, and the control information that achieves the target temperature according to the progress of the heat treatment based on the control information and the temperature information.
  • the heat treatment furnace can be automatically operated.
  • FIG. 2 is a second diagram showing an example of an individual learning model or the like according to an embodiment. It is a 2nd flowchart which shows an example of the control of the heat treatment furnace which concerns on embodiment. It is a figure which shows an example of the hardware composition of the control device which concerns on embodiment.
  • FIG. 1 is a first schematic view showing an example of a heat treatment system according to an embodiment.
  • the heat treatment system 1 includes a heat treatment furnace 10 and a control device 20 for controlling the heat treatment furnace 10.
  • the heat treatment furnace 10 is a batch type heat treatment furnace. That is, one heat-treated object 30A is installed in the furnace to perform heat treatment, and when the heat treatment of the heat-treated object 30A is completed, the heat-treated object 30A is taken out from the heat treatment furnace 10 and the next heat-treated object 30B is heat-treated. It is used to install in a furnace and start heat treatment.
  • the heat treatment furnace 10 is, for example, a gas heat treatment furnace.
  • FIG. 1 is a cross-sectional view of the heat treatment furnace 10 when viewed from above.
  • Burners 11-1 to 11-20 are arranged on the wall surface of the heat treatment furnace 10. Fuel gas and air are sent to the burner 11-1, and the fuel gas is burned to radiate a flame into the furnace to heat the inside of the furnace.
  • the fuel system of the burner 11-1 is provided with a valve V1 for adjusting the air flow rate to be mixed with the fuel gas.
  • valves V2 to V20 are provided in the fuel system of each burner, respectively.
  • the object to be heat-treated 30 is placed at an arbitrary place in the heat treatment furnace 10 and heat-treated.
  • Temperature sensors 12-1 to 12-6 such as thermoelectric pairs are attached to the outer surface and inner surface of the object 30 to be heat-treated, and the temperature during the heat treatment is measured.
  • temperature sensors 13-1 to 13-2 for measuring the atmospheric temperature in the furnace are arranged at predetermined positions.
  • the number and arrangement of the burner 11-1 and the like, the temperature sensor 12-1 and the like, the temperature sensor 13-1 and the like in FIG. 1 are examples, and are not limited to the numbers and arrangements shown.
  • the control device 20 is connected to the temperature sensors 12-1 to 12-6 and the temperature sensors 13-1 to 13-2, and acquires the temperature measured by each temperature sensor.
  • the control device 20 is connected to the valves V1 to V20, outputs an opening command value to the valves V1 to V20, and controls the opening of the valves V1 to V20.
  • the control device 20 monitors the temperature measured by the temperature sensors 12-1 to 12-6 and the temperature sensors 13-1 to 13-2, and the temperature sensors 12-1 to 12-6.
  • the opening degree of the valves V1 to V20 is controlled so that the temperature measured by is a desired temperature. By appropriately adjusting the opening degree of the valves V1 to V20 by the control device 20, the temperature of the object to be heat-treated 30 or the temperature of the atmosphere in the furnace is appropriately controlled.
  • the object to be heat-treated 30 having various shapes, dimensions (size, plate thickness, etc.) and weight is heat-treated.
  • the reproducibility of heat treatment is high, and if only the object to be heat-treated 30 having the same shape, size, and weight is repeatedly heat-treated, the same control can be repeated for the control of valves V1 to V20 during the heat treatment. It may be possible to obtain similar results.
  • various objects to be heat-treated 30 are targeted, it is necessary to control the valves V1 to V20 according to the characteristics of the object to be heat-treated 30 each time in order to achieve appropriate temperature control.
  • the control device 20 automatically controls the valves V1 to V20.
  • the control device 20 is a basic learning created based on past furnace operation performance data so that the temperature (or the temperature of the atmosphere in the furnace) of the object to be heat-treated 30 during heat treatment changes at a desired temperature. Based on the model and the individual learning model in which the characteristics of the individual heat-treated objects 30 are learned, the opening degrees of the valves V1 to V20 are calculated, and each valve is controlled.
  • the control device 20 includes a sensor information acquisition unit 21, a setting reception unit 22, a basic learning model creation unit 23, an individual learning model creation unit 24, a control unit 25, and a storage unit 26.
  • the sensor information acquisition unit 21 acquires the temperature measured by the temperature sensors 12-1 to 12-6 and the temperature sensors 13-1 to 13-2.
  • the setting receiving unit 22 receives settings such as the shape, dimensions, weight, and heat treatment conditions of the heat-treated object 30.
  • the basic learning model creation unit 23 creates a basic learning model.
  • the basic learning model is a trained model created offline by a neural network or the like using the past expert's furnace operation information and temperature information as training data so that the expert's furnace operation can be reproduced. For example, it is controlled by the time-series operating information (opening of valves V1 to V20) actually performed by an expert in the process of heat-treating one object to be heat-treated 30 in the heat treatment furnace 10 and the operation of the expert.
  • the temperature of the heat-treated object 30 and the atmosphere temperature in the furnace at each time are used as a set of learning data, and such learning data is accumulated for the heat-treated object 30 having various shapes, sizes, and weights.
  • the basic learning model creation unit 23 learns the relationship between the time-series valve opening and each temperature by using, for example, a recurrent neural network (RNN: Recurrent Neural Network) using the accumulated learning data, and performs basic learning. Create a model.
  • RNN Recurrent Neural Network
  • the heat treatment includes steps of raising the temperature, holding the temperature, and lowering the temperature. In the steps of raising and lowering the temperature, it is required to raise or lower the temperature inside the furnace at a predetermined speed or lower, and in the step of holding, it is required to keep the temperature inside the furnace within a predetermined range.
  • the basic learning model outputs the opening degrees of the valves V1 to V20 at predetermined time intervals for controlling the temperature in the furnace in each step of raising the temperature, holding the temperature, and lowering the temperature within an appropriate range.
  • the individual learning model creation unit 24 creates an individual learning model.
  • the individual learning model corrects the opening degree of the valves V1 to V20 to compensate for the individual difference of the heat-treated object 30, the individual difference of the burners 11-1 to 11-20, the influence of the position in the furnace where the heat-treated object 30 is installed, and the like. Output the amount.
  • the individual learning model learns the characteristics of the object to be heat-treated 30 to be heat-treated, and the relationship between the temperature of the object to be heat-treated 30 and the output of the burners 11-1 to 11-20. Therefore, the individual learning model is created by collecting training data online after actually installing the heat-treated object 30 in the heat treatment furnace 10 and starting the furnace operation, and using the training data.
  • the opening degree of the valves V1 to V20 is adjusted before the temperature inside the furnace reaches a predetermined temperature (for example, 300 ° C.) at which the heat treatment is considered to have started.
  • the output of the burners 11-1 to 11-20 is changed by various changes.
  • the temperature inside the furnace measured by the temperature sensors 13-1 and 13-2 and the temperature of the object to be heat-treated 30 measured by the temperature sensors 12-1 to 12-6 are collected, and the burner 11-1 Investigate the relationship and responsiveness between ⁇ 11-20 (opening of valves V1 to V20) and each temperature sensor.
  • the individual learning model provides information such as how much of the valves V1 to V20 should be opened or closed to affect the temperature of which part of the heat-treated object 30.
  • the control unit 25 controls the opening degree of the valves V1 to V20.
  • the control unit 25 calculates the basic opening degree of the valves V1 to V20 for realizing the temperature rise, the holding, and the temperature lowering based on the predetermined heat treatment plan based on the basic learning model. Even if the control is performed based on the basic learning model, the temperature inside the furnace can be generally controlled according to the heat treatment plan, but the shape, dimensions, weight, etc. of the heat-treated object 30 may deviate from the plan.
  • the control unit 25 is a valve such that the temperature measured by the temperature sensors 12-1 to 12-6 and the temperature sensors 13-1 to 13-2 becomes the target temperature planned in the heat treatment plan based on the individual learning model. The opening degree correction amount for each of V1 to V20 is calculated.
  • the control unit 25 adds the correction amount calculated based on the individual learning model to the basic opening degree calculated based on the basic learning model, and calculates the opening degree command value for each of the valves V1 to V20. During the heat treatment, the control unit 25 calculates the opening command value in a predetermined control cycle, outputs the opening command value to each valve, and controls the opening of the valves V1 to V20.
  • the storage unit 26 stores the basic learning model, the individual learning model, the measured value of the temperature measured by the temperature sensor 12-1 and the like during the heat treatment, and the opening command value output by the control unit 25.
  • FIG. 2 is a diagram showing an example of heat treatment control according to the embodiment.
  • the vertical axis of the graph in FIG. 2 indicates the temperature (or the temperature of the atmosphere in the furnace) of the object to be heat-treated 30 during the heat treatment, and the horizontal axis indicates time.
  • the solid line P1 indicates the planned value of the heat treatment. That is, as shown by the line P1, the desired heat treatment can be realized by raising, holding, and lowering the temperature inside the furnace.
  • the broken line P2 shows an example of the transition of the temperature of the heat-treated object 30 when the furnace is automatically operated by the control device 20.
  • the period from the start of the operation of the heat treatment furnace 10 at time T0 until the temperature of the heat-treated object 30 reaches a predetermined X (° C.) is referred to as an initial learning section.
  • the period until the temperature drops to X (° C.) or less due to the temperature decrease is a section regarded as heat treatment.
  • the initial learning section in which the temperature of the object to be heat-treated 30 is less than X (° C.) is not regarded as heat treatment. No temperature recording is required in the initial learning section.
  • the individual learning model creation unit 24 uses the initial learning section to learn the relationship between the output change of the burners 11-1 to 11-20 and the temperature change of the heat-treated object 30, and the characteristics of the responsiveness. create. Specifically, in cooperation with the control unit 25, the control unit 25 changes the opening degree of the valves V1 to V20, and then the temperature sensors 12-1 to 12-6 and the temperature sensors 13-1 to 13-2 are used. The measured temperature is acquired via the sensor information acquisition unit 21. For example, the control unit 25 may control the valve so as to cause a temperature transition similar to temperature rise, hold, and temperature drop in the initial learning section, as illustrated in the range P3.
  • the individual learning model creation unit 24 determines the opening degree of the valves V1 to V20 individually or by combining a plurality of valves, and changes in the opening degree of the valves and the temperature change of the heat-treated object 30 measured by the temperature sensor 12-1 or the like. Learn the relationship. For example, when the individual learning model creation unit 24 opens the valve V4 (burner 11-4) K1 degree from the present and the valve V5 (burner 11-5) K2 degree from the present, the temperature sensor 12-1 is opened after a predetermined time. Learns the relationship between the temperature of the burner 11-1 and the like and the temperature of the object to be heat-treated 30, such as "the temperature measured by the lamp rises by 10 ° C.”.
  • This relationship is the shape, size, weight of the heat-treated object 30, the installation position of the heat-treated object 30, or the performance of the burners 11-1 to 11-20 at that time (responsiveness to each valve opening, etc.). It depends on such things.
  • the characteristics of the individual heat-treated objects 30 learned in the initial learning section are used in the heat treatment after the time T1.
  • it is not essential to raise, hold, or lower the temperature of the heat-treated object 30 as shown in the range P3. Create an individual learning model while raising the temperature. Alternatively, the individual learning model may be created by only raising and holding the temperature.
  • the control unit 25 When the temperature of the object to be heat-treated 30 reaches X ° C. at time T1, the control unit 25 starts the heat treatment.
  • the control unit 25 raises the temperature of the heat-treated object 30 to Y ° C. by controlling the valves V1 to V20, holds Y ° C. for a predetermined time, and then lowers the temperature.
  • the control unit 25 controls to raise the temperature of the heat-treated object 30.
  • Times T1 to T2 are intervals for raising the temperature. In the temperature rising section, it is required to raise the temperature in the furnace at a speed of V1 (° C./H) or lower.
  • the basic learning model calculates the opening degree of the valves V1 to V20 that raises the temperature inside the furnace at a speed of V1 or less based on the past actual operation data of the furnace, and outputs the value to the control unit 25.
  • the control unit 25 acquires the temperatures measured by the temperature sensors 12-1 to 12-6 and the temperature sensors 13-1 to 13-2 via the sensor information acquisition unit 21, and is defined in the heat treatment plan. Compare with the target temperature at that time.
  • the control unit 25 If the difference between the temperature measured by the temperature sensor 12-1 or the like and the target temperature is within a predetermined allowable range, the control unit 25 outputs the opening degree output by the basic learning model to the valves V1 to V20. When the difference between the temperature measured by the temperature sensor 12-1 and the planned value exceeds the allowable range, the control unit 25 adds the correction amount output by the individual learning model to the opening output by the basic learning model, and valves V1 to Output to V20. For example, if the temperature measured by the temperature sensor 12-1 is 10 ° C. lower than the target temperature, the individual learning model adds a correction amount of K1 degree to the valve V4 and K2 degree to the valve V5. calculate.
  • the control unit 25 adds the above correction amount to the openings of the valves V4 and V5 among the valve openings output by the basic learning model for the next control cycle, and outputs the correction amount to each valve. As a result, in the next control cycle, the temperature that is 10 ° C. lower than the target temperature is compensated. Similarly, when the temperature measured by the temperature sensor 12-1 or the like is likely to rise faster than the speed V1, the control unit 25 calculates a correction amount for suppressing an excessive temperature rise based on the individual learning model. Correct the valve opening output by the basic learning model.
  • the control unit 25 controls to maintain the temperature of the heat-treated object 30.
  • Times T2 to T3 are holding intervals. In the holding section, it is required to keep the temperature within the permissible range based on the maximum temperature specified in the heat treatment plan.
  • the control unit 25 acquires the temperature measured by the temperature sensors 12-1 to 12-6 and the temperature sensors 13-1 to 13-2 via the sensor information acquisition unit 21.
  • the control unit 25 inputs the latest temperature and the opening degree of the valves V1 to V20 into the basic learning model.
  • the basic learning model outputs the valve opening degree for maintaining the temperature of the heat-treated object 30 based on the past furnace operation performance data.
  • the control unit 25 refers to the individual learning model and outputs a valve opening that compensates for the difference between the latest temperature and the target temperature measured by the temperature sensors 12-1 to 12-6 and 13-1 to 13-2. .. For example, if the latest temperature achieved by the opening degree of the valves V1 to V20 output last time is 10 ° C. lower than the target temperature, the control unit 25 opens the valve to compensate for the 10 ° C. based on the individual learning model. Outputs the correction amount of degree. The control unit 25 adds the correction amount output by the individual learning model to the opening degree output by the basic learning model and outputs the correction amount to the valves V1 to V20. As a result, the temperature of the object to be heat-treated 30 is maintained within the allowable range.
  • the control unit 25 controls to lower the temperature of the heat-treated object 30.
  • Times T3 to T4 are sections of temperature decrease. In the temperature lowering section, it is required to lower the temperature of the heat-treated object 30 at a speed of V2 (° C./H) or lower.
  • the control unit 25 acquires the temperature measured by the temperature sensors 12-1 to 12-6 and the temperature sensors 13-1 to 13-2 via the sensor information acquisition unit 21.
  • the control unit 25 inputs the latest temperature and the opening degree of the valves V1 to V20 into the basic learning model.
  • the basic learning model outputs the valve opening for decreasing at the speed V2 based on the past furnace operation performance data.
  • the individual learning model outputs a valve opening that compensates for the difference between the temperature measured by the temperature sensors 12-1 to 12-6 (or the temperature sensors 13-1 to 13-2) and the planned value (target temperature). ..
  • the control unit 25 adds the correction amount output by the individual learning model to the opening degree output by the basic learning model and outputs the correction amount to the valves V1 to V20. As a result, the temperature inside the furnace decreases at a speed of V2 or less.
  • FIG. 3 is a diagram showing an example of a basic learning model according to an embodiment.
  • the basic learning model is created by using past furnace operation performance data as training data.
  • the furnace operation performance data includes the valve opening command value output during the past heat treatment, the temperature inside the furnace measured during the heat treatment, and the temperature of the object to be heat-treated 30.
  • the basic learning model includes the temperature (actual value) of the object to be heat-treated 30 at time T included in the furnace operation actual data, the atmosphere temperature in the furnace (actual value), and the valve V1 to V20 opening (actual value). Is input, and the valve V1 to V20 opening degree (actual value) at the next time T + 1 is learned and created to be output.
  • the time difference between the time T and the time T + 1 is a predetermined control cycle.
  • the basic learning model may be created for each heat treatment plan (for each shape of the solid line P1 of the heat treatment plan exemplified in FIG. 2, for example, for each combination of temperature rise time, maximum temperature, holding time, and temperature decrease time). Alternatively, the basic learning model may be created for each temperature rising section, holding section, and temperature falling section.
  • the basic learning model may be created in common for all the objects to be heat-treated 30, or may be created according to shape, dimensions, weight, and other features.
  • the basic learning model creating unit 23 creates a basic learning model in advance before the heat treatment and stores it in the storage unit 26.
  • FIG. 4 is a first diagram showing an example of an individual learning model according to an embodiment.
  • FIG. 4A shows an example of an individual learning model.
  • the individual learning model creation unit 24 creates a function indicating the contribution of the burners 11-1 to 11-20 to the temperature measured by the temperature sensor 12-1 or the like in the initial learning section.
  • the individual learning model creation unit 24 individually changes the opening degree of the valves V1 to V20 in the initial learning section, and sets the temperature measured by the temperature sensors T12-1 to T12-6 and T13-1 to T13-2. get. Then, information indicating the effect that the change in the opening degree of each valve contributes to the temperature measured by the temperature sensor T12-1 or the like is collected, and for example, a correspondence table or a function shown in FIG. 4A is created.
  • the data in the first row of the correspondence table shown in FIG. 4A shows, for example, that when the valve V4 is opened + K1 degree and the valve V5 is opened + K2 degree, the temperature sensor T12- after a predetermined time (for example, after one control cycle). It is shown that the temperature measured by 1 rises by 10 ° C. and that the control of the valve V1 does not affect the temperature measured by the temperature sensor T12-1.
  • the burner 11-4 and the like that contribute to the temperature measured by the temperature sensor 12-1 and the like and their contribution (for example, the degree of contribution thereof). It is possible to grasp (such as opening + K1 because the temperature rises by 10 ° C).
  • the individual learning model creation unit 24 may learn the characteristics and tendencies of the heat-treated object 30 in the heat treatment, and may provide the learned characteristic information as predictive information to the subsequent heat treatment process.
  • FIG. 4B shows an example of the prediction information of the heat-treated object 30.
  • the data in the first column shown in FIG. 4B shows when the valve V1 is opened at K01 degrees, the valve V2 is opened at K02 degrees, ..., The valve V20 is opened at K20 degrees in the initial learning section. , Indicates that the temperature measured by the temperature sensor T12-1 is 10 ° C. lower than the expected temperature.
  • the data in the second column show that the temperature measured by the temperature sensor T12-2 when the valves V1 to V20 were opened with the same opening degree was within the expected temperature range.
  • the assumed temperature is an estimated value of the temperature measured by the temperature sensor 12-1 or the like after a predetermined time when the valves V1 to V20 are controlled by the valve opening degree output by the basic learning model.
  • the prediction information exemplified in FIG. 4B shows a tendency that the temperature measured by the temperature sensor T12-1 is unlikely to rise in the heat-treated object 30 to be heat-treated.
  • the control unit 25 bases the correction amount for compensating for these characteristics and tendencies based on the individual learning model previously exemplified in FIG. 4A.
  • This correction amount may be added to the opening degree of the burners V1 to V20 output by the basic learning model, and a command value may be output to each valve (feed forward processing).
  • the control unit 25 selects and selects a basic learning model suitable for the characteristics and tendencies grasped in the initial learning section.
  • the learning model may be used to control the valve during heat treatment.
  • FIG. 5 is a first flowchart showing an example of control of the heat treatment furnace according to the embodiment.
  • the basic learning model creation unit 23 creates a basic learning model based on the past furnace operation performance data (step S1).
  • the basic learning model creation unit 23 creates a basic learning model for each heat treatment plan, for example.
  • the basic learning model creation unit 23 stores the basic learning model in the storage unit 26.
  • the process of step S1 is executed before the operation of the heat treatment furnace 10 is started.
  • the heat-treated object 30 is installed in the furnace, and the operation of the heat-treated furnace 10 is started (step S2).
  • the operator corresponds to, for example, a heat treatment plan (for example, information defining how many hours the temperature is raised to the maximum temperature, how many hours the temperature is maintained at the maximum temperature, and how many hours the temperature is lowered, which corresponds to the solid line P1 in FIG. Information) is input to the control device 20.
  • the setting reception unit 22 receives the input of the heat treatment plan and stores the input heat treatment plan in the storage unit 26.
  • the control unit 25 ignites the burners 11-1 to 11-20 and starts heating the heat-treated object 30. As described with reference to FIG. 2, when the operation of the heat treatment furnace 10 is started, it is not regarded as heat treatment until the temperature of the object to be heat treated 30 reaches X (° C.).
  • the individual learning model creation unit 24 creates an individual learning model (step S3).
  • the individual learning model creation unit 24 creates the individual learning model illustrated in FIG. 4A.
  • the individual learning model creation unit 24, together with the individual learning model creates prediction information that predicts the tendency of the temperature change in the heat treatment of the object to be heat-treated 30 exemplified in FIG. 4 (b).
  • the individual learning model creation unit 24 stores the individual learning model and the prediction information in the storage unit 26.
  • the control unit 25 starts the heat treatment.
  • the control unit 25 controls the opening degree of the burners 11-1 to 11-20 based on the heat treatment plan stored in the storage unit 26.
  • the control unit 25 reads out the basic learning model corresponding to the heat treatment plan to be executed this time from the basic learning models stored in the storage unit 26, and takes the following steps S5 in a predetermined control cycle until the heat treatment is completed.
  • the process of ⁇ S9 is repeatedly executed (step S4).
  • the control unit 25 calculates the valve opening degree based on the basic learning model (step S5). Specifically, the control unit 25 finally uses the read basic learning model as the latest temperature measured by the temperature sensor 12-1 and the like, the latest temperature measured by the temperature sensor 13-1 and the like, and valves V1 to V20. Enter the output opening command value. The basic learning model outputs the opening degree of the valves V1 to V20.
  • the control unit 25 corrects the valve opening degree based on the prediction information (step S6). Specifically, the control unit 25 reads out the prediction information stored in the storage unit 26, and assumes the characteristics of the heat-treated object 30 (for example, a part of the temperature is assumed to be X1 ° C. higher than expected as a whole). It is more difficult for the temperature to rise by X2 ° C., etc.), and the correction amount of the valve opening is calculated so that the temperature of the heat-treated object 30 can be controlled as expected. For example, when the overall temperature of the object to be heat-treated 30 rises by X1 ° C. with respect to a certain valve opening degree, the control unit 25 refers to the individual learning model stored in the storage unit 26 to X1.
  • the control unit 25 may use the correspondence table in addition to the correspondence table. Based on the above information, the correction amount of the opening degree of the valves V1 to V20 for suppressing the temperature rise of X1 ° C. is calculated by linear interpolation or the like. The control unit 25 adds the calculated correction amount to the valve opening degree calculated in step S5.
  • control unit 25 acquires the temperature measured by the temperature sensors 12-1 to 12-6 and the temperature measured by the temperature sensors 13-1 to 13-2 through the sensor information acquisition unit 21 (step S7).
  • the control unit 25 corrects the valve opening degree based on the actual temperature (step S8). Specifically, the control unit 25 compares the current target temperature planned in the heat treatment plan (for example, the temperature corresponding to the elapsed time from the start of the heat treatment) with the temperature acquired in step S7. At this time, the temperature of the object to be heat-treated 30, that is, the temperature measured by the temperature sensors 12-1 to 12-6 is compared, and in addition, the temperature measured by the temperature sensors 13-1 to 13-2 is compared. You may. If the difference between the two is within the permissible range, the control unit 25 assumes that the valve opening degree calculated in step S6 is positive and does not correct it in step S8.
  • the current target temperature planned in the heat treatment plan for example, the temperature corresponding to the elapsed time from the start of the heat treatment
  • the control unit 25 refers to the individual learning model and calculates the valve opening degree for compensating for the temperature difference. For example, if the temperature measured by the temperature sensor 12-1 is 10 ° C. lower than the target temperature, the control unit 25 acquires the correction amount + K1 for the valve V4 and the correction amount + K2 for the valve V5 from the individual learning model, and steps S6. Of the corrected valve opening calculated in step 1, K1 is added to the opening of the valve V4, and K2 is added to the opening of the valve V5.
  • control unit 25 outputs the opening command value for each valve calculated in step S8 to the valves V1 to V20 (step S9).
  • control unit 25 repeats the processes after step S5.
  • the control unit 25 repeats the processes of steps S5 to S9 until the heat treatment is completed (until the temperature reduction is completed), and controls the temperature of the heat treatment furnace 10 according to the heat treatment plan.
  • the heat treatment furnace 10 is automatically operated based on the basic learning model constructed by learning the relationship between the time-series temperature and the valve opening based on the past furnace operation performance data.
  • the heat treatment according to the heat treatment plan can be automated.
  • the burden on personnel can be reduced.
  • an individual learning model corresponding to each heat-treated object 30 is created each time in the initial learning section.
  • the valve opening degree output by the basic learning model can be corrected by a correction amount based on the individual learning model, and the heat treatment can be performed according to the properties of the object to be heat-treated 30.
  • control is performed by the basic learning model and the individual learning model in all the steps of raising the temperature, holding, and lowering the temperature, but the control unit 25, for example, performs basic learning only in the steps of raising the temperature and holding the temperature.
  • Control may be performed by the model and the individual learning model, or for example, control by the basic learning model and the individual learning model may be performed only in the step of raising the temperature.
  • control of the gas heat treatment furnace has been described as an example, but the control method of the present embodiment is applied to a heat treatment furnace using heavy oil or kerosene as fuel instead of the fuel gas, and these fuels are used.
  • the burner for adjusting the supply amount of the above may be controlled by the same method as described above.
  • the control method of the present embodiment can also be applied to the control of the electric heat treatment furnace. Next, a case where the electric heat treatment furnace is controlled by the control method of the present embodiment will be described with reference to FIGS. 6 to 8.
  • FIG. 6 is a second schematic view showing an example of the heat treatment system according to the embodiment.
  • the heat treatment system 1A includes a heat treatment furnace 10A and a control device 20A.
  • the heat treatment furnace 10A is an electric heat treatment furnace. Similar to FIG. 1, FIG. 6 shows a cross section of the heat treatment furnace 10A when viewed from above, and heaters h1 to h8 are arranged on the wall surface of the heat treatment furnace 10A.
  • the heater h1 is connected to a power source via a power adjusting device r1 such as a thyristor, and is energized by being supplied with electric power from the power adjusting device r1 to generate heat.
  • a power adjusting device r1 such as a thyristor
  • the control device 20A controls the electric power output by the power adjusting device r1 to control the temperature of the heater h1. Similarly, the control device 20A can control the power adjusting devices r2 to r8 to individually control the temperatures of the heaters h2 to h8.
  • the number of heaters in FIG. 6 is an example and is not limited to the one shown in the figure. Similar to the example shown in FIG. 1, the heat-treated object 30 is installed in the furnace, the temperature sensors 12-1 to 12-6 are attached to the outer surface and the inner surface thereof, and the temperature sensors are attached to the predetermined positions in the furnace. 13-1 to 13-2 are arranged.
  • the control device 20A includes a sensor information acquisition unit 21, a setting reception unit 22, a basic learning model creation unit 23A, an individual learning model creation unit 24A, a control unit 25A, and a storage unit 26.
  • the control unit 25A controls the output power of the power adjusting devices r1 to r8.
  • the control unit 25A controls the output power of the power adjusting devices r1 to r8 so that the temperature measured by the temperature sensors 12-1 to 12-6 becomes a desired temperature, and executes the heat treatment.
  • the basic learning model creation unit 23A is based on the command value of the output power of the power adjusting devices r1 to r8 collected during the past heat treatment, the temperature in the furnace atmosphere measured during the heat treatment, and the temperature of the object to be heat-treated 30. Create a basic learning model. For example, in the basic learning model, when the temperature (actual value) of the heat-treated object 30 at time T, the atmosphere temperature in the furnace (actual value), and the output power (actual value) of the power adjusting devices r1 to r8 are input, the next time It is created to output the output power (actual value) of the power adjusting devices r1 to r8 in T + 1.
  • the individual learning model creation unit 24A is a function or prediction information indicating the contribution of the heaters h1 to h8 (output voltages of the power regulators r1 to r8) to the temperature measured by the temperature sensor 12-1 and the like in the initial learning section. To create.
  • the method of making is the same as that of the gas heat treatment furnace except that the control value is changed from the burner opening degree to the output power of the power adjusting device r1 or the like.
  • FIG. 7 shows an example of an individual learning model.
  • FIG. 7 is a second diagram showing an example of the individual learning model according to the embodiment.
  • the individual learning model creation unit 24A creates a correspondence table or a function showing the contributions of the heaters h1 to h8 illustrated in FIG. 7A.
  • the data in the first row of the correspondence table shown in FIG. 7A is, for example, when the output of the power regulator r4 is increased by + L1 kW and the output of the power regulator r5 is increased by + L2 kW, after a predetermined time (for example, one control cycle). Later), it is shown that the temperature measured by the temperature sensor T12-1 rises by 10 ° C., and that the control of the power regulator r1 does not affect the temperature measured by the temperature sensor T12-1.
  • the individual learning model creation unit 24A creates prediction information of the heat-treated object 30 illustrated in FIG. 7 (b).
  • the output of the power regulator r1 is M01
  • the output of the power regulator r2 is M02
  • ... The output of the power regulator r8 in the initial learning section.
  • M08 is set to
  • the temperature measured by the temperature sensor T12-1 is 10 ° C. lower than the assumed temperature.
  • the data in the second column shows that the temperature measured by the temperature sensor T12-2 when the outputs of the power regulators r1 to r8 were similarly controlled was within the range of the assumed temperature. From the prediction information exemplified in FIG. 7B, it is possible to grasp the tendency that the temperature measured by the temperature sensor T12-1 attached to the heat-treated object 30 is unlikely to rise before the heat treatment.
  • FIG. 8 is a second flowchart showing an example of control of the heat treatment furnace according to the embodiment.
  • the same treatment as that of the gas heat treatment furnace illustrated in FIG. 5 will be briefly described with the same reference numerals.
  • the basic learning model creation unit 23A creates a basic learning model based on the past furnace operation performance data (temperature of the heat-treated object 30, temperature in the furnace atmosphere, output power of the power regulators r1 to r8) ( Step S1).
  • the heat-treated object 30 is installed in the furnace, and the operation of the heat-treated furnace 10 is started (step S2).
  • the control unit 25A energizes the heaters r1 to r8 and starts heating the heat-treated object 30.
  • the individual learning model creation unit 24A uses the temperature of the heat-treated object 30, the atmosphere temperature in the furnace, and the outputs of the heaters r1 to r8. Information showing the relationship is collected, and an individual learning model (FIG. 7 (a)) and prediction information (FIG. 7 (b)) are created (step S3).
  • control unit 25A When the temperature of the object to be heat-treated 30 reaches X ° C., the control unit 25A starts the heat treatment.
  • the control unit 25A controls the outputs of the power adjusting devices r1 to r8 based on the heat treatment plan stored in the storage unit 26.
  • the control unit 25A repeatedly executes the following processes of steps S5A to S9A in a predetermined control cycle (step S4).
  • the control unit 25A calculates the electric power to be supplied to the heaters h1 to h8 based on the basic learning model (step S5A). Specifically, the control unit 25A finally uses the basic learning model as the latest temperature measured by the temperature sensor 12-1 and the like, the latest temperature measured by the temperature sensor 13-1 and the like, and the power regulators r1 to r8. Enter the command value of the specified output power. The basic learning model outputs the command value of the output power to each of the power adjusting devices r1 to r8.
  • the control unit 25A corrects the electric power supplied to the heaters h1 to h8 based on the prediction information exemplified in FIG. 7B (step S6A). For example, when the temperature of the entire heat-treated object 30 tends to rise by X1 ° C. with respect to the outputs of the heaters h1 to h8, the control unit 25A uses the individual learning model stored in the storage unit 26. With reference to this, the command value of the output power to the power adjusting devices r1 to r8 that suppress the rise of X1 ° C. is calculated. The control unit 25A adds the calculated correction amount to the output power calculated in step S5A.
  • control unit 25A acquires the temperature measured by the temperature sensors 12-1 to 12-6 and the temperature measured by the temperature sensors 13-1 to 13-2 through the sensor information acquisition unit 21 (step S7A).
  • the control unit 25A corrects the electric power supplied to the heaters h1 to h8 based on the actual temperature (step S8A). For example, if the temperature measured by the temperature sensor 12-1 is 10 ° C. lower than the target temperature, the control unit 25A refers to the correction amount + L1 for the power adjustment device r4 and the correction amount + L2 for the power adjustment device r5 with reference to the individual learning model.
  • K1 is added to the value of the power supplied to the heater h4 by the power adjusting device r4, and the power supplied to the heater h5 by the power adjusting device r5. Add K2 to the value.
  • control unit 25A outputs the command value of the power calculated in step S8A to the power adjusting devices r1 to r8 (step S9A).
  • the control unit 25A repeats the processes of steps S5A to S9A until the heat treatment is completed, and controls the temperature of the heat treatment furnace 10 according to the heat treatment plan.
  • the control method of the present embodiment may be applied to other types of heat treatment furnaces.
  • the temperature of the heat-treated object 30 is controlled and the temperature of the heat-treated object 30 is controlled to a desired temperature.
  • the temperature of the atmosphere in the furnace is controlled in place of the temperature of the heat-treated object 30.
  • the ambient temperature in the furnace may be controlled to a desired temperature.
  • a weighted average of the temperature of the object to be heat-treated 30 and the temperature of the atmosphere in the furnace may be calculated, and the value may be controlled to a desired value.
  • FIG. 9 is a diagram showing an example of the hardware configuration of the control device according to the embodiment.
  • the computer 900 includes a CPU 901, a main storage device 902, an auxiliary storage device 903, an input / output interface 904, and a communication interface 905.
  • the control device 20 described above is mounted on the computer 900.
  • Each of the above-mentioned functions is stored in the auxiliary storage device 903 in the form of a program.
  • the CPU 901 reads the program from the auxiliary storage device 903, expands it to the main storage device 902, and executes the above processing according to the program.
  • the CPU 901 reserves a storage area in the main storage device 902 according to the program.
  • the CPU 901 secures a storage area for storing the data being processed in the auxiliary storage device 903 according to the program.
  • the term "computer system” as used herein includes hardware such as an OS and peripheral devices.
  • the "computer system” shall include the homepage providing environment (or display environment) if the WWW system is used.
  • the "computer-readable recording medium” refers to a portable medium such as a CD, DVD, or USB, or a storage device such as a hard disk built in a computer system.
  • the above program may be for realizing a part of the above-mentioned functions, and may be further realized for realizing the above-mentioned functions in combination with a program already recorded in the computer system.
  • the control devices 20 and 20A may be composed of a plurality of computers 900.
  • the basic learning model creation units 23 and 23A and the individual learning model creation units 24 and 24A may be mounted on another computer 900.
  • the control method of the heat treatment furnaces 10 and 10A is a control method for controlling the heat treatment furnace using a computer, and is a control method in the initial heating section (initial learning section) for heating the object to be heated.
  • Control information of the heat treatment furnace (opening command value of valves V1 to V20, command value of power supplied to heaters h1 to h8 instructed to power adjusting devices r1 to r8) and ambient temperature of the heat treatment furnace (temperature sensor 13-).
  • the control information and the temperature are used as training data, including temperature information including (temperature measured by 1 to 13-2) and temperature of the object to be heat-treated (temperature measured by temperature sensors 12-1 to 12-6).
  • a step of creating an individual learning model in which the correspondence of information is learned (step S3 of FIGS. 5 and 8), and the control of achieving the target temperature according to the progress of the heat treatment based on the control information and the temperature information.
  • a step of calculating the control information (step S5 in FIG. 5, step S5A in FIG. 8) based on the basic learning model for outputting information, the control information during the heat treatment, and the temperature information, and the heat treatment. It has a step (step S8 in FIG. 5 and step S8A in FIG. 8) for correcting the calculated control information based on the temperature information, the target temperature, and the individual learning model.
  • the operation of the heat treatment furnaces 10 and 10A can be automated. Since a unique individual learning model is created for each heat-treated object 30 and control information is corrected based on the individual learning model, the heat treatment furnaces 10 and 10A are automatically operated for the heat-treated object 30 having various characteristics. Can be done.
  • the control method of the heat treatment furnaces 10 and 10A according to the second aspect is the control method of the heat treatment furnaces 10 and 10A of (1), and in the step of creating the individual learning model, in the initial heating section.
  • the temperature sensor attached to the heat-treated object measures by controlling the output of a plurality of heating elements (burners V1 to V20, heaters h1 to h8) provided in the heat treatment furnaces 10 and 10A to be individually changed.
  • the temperature to be heat-treated is acquired, and information indicating the responsiveness of the temperature to the control for each heating element is accumulated.
  • the control method of the heat treatment furnaces 10 and 10A according to the third aspect is the control method of the heat treatment furnaces 10 and 10A of (2), and the individual learning model is a temperature sensor attached to the heat-treated object. Outputs the correction amount of the control value for the heating element that compensates for the difference between the temperature measured by the heating element and the target temperature. Based on the output valve opening correction amount, the current state measured by the temperature sensor by controlling the opening of one or more burners corresponding to the temperature sensor attached to the object to be heat treated and the power supply to the heater. The temperature can be brought closer to the target temperature.
  • the control method of the heat treatment furnaces 10 and 10A according to the fourth aspect is the control method of the heat treatment furnaces 10 and 10A of (3), and the heat generation output by the basic learning model in the correction step.
  • the control information is calculated by adding the correction amount to the control value for the body.
  • the control method of the heat treatment furnaces 10 and 10A according to the fifth aspect is the control method of the heat treatment furnaces 10 and 10A of (1) to (4), and the control information and the control information are described in the initial heating section. It further includes a step (step S6 in FIG. 5 and step S6A in FIG. 8) of calculating the tendency of the change of the temperature information based on the temperature information and correcting the control information based on the tendency. By correcting the control information in advance in consideration of the characteristics of the heat-treated object 30, the target temperature can be achieved with high accuracy.
  • the control method of the heat treatment furnaces 10 and 10A according to the sixth aspect is the control method of the heat treatment furnaces 10 and 10A of (1) to (5), and in the step of creating the individual learning model, the above.
  • the temperature of the heat treatment furnace is raised, kept, and lowered, and the individual learning model is created using the control information and the temperature information acquired during that period as learning data.
  • By creating an individual learning model by raising, keeping, and lowering the temperature of the atmosphere in the furnace in the initial heating section (initial learning section), in each step (heating step, heat retention step, temperature lowering step) in the heat treatment.
  • the temperature change of the object to be heat-treated 30 can be predicted with high accuracy.
  • the correction amount for achieving the target temperature can be calculated with high accuracy even when the temperature deviates from the target temperature.
  • the control method of the heat treatment furnaces 10 and 10A according to the seventh aspect is the control method of the heat treatment furnaces 10 and 10A of (1) to (6), and each time the heat treatment is performed, in the initial heating section.
  • the individual learning model is created. As a result, it is possible to obtain an individual learning model for the object to be heat-treated 30 to be actually heat-treated.
  • the control method of the heat treatment furnaces 10 and 10A according to the eighth aspect is the control method of the heat treatment furnaces 10 and 10A of (1) to (7), and the control information and the temperature in the past furnace operation.
  • a step of creating the basic learning model that outputs the control information at the next time point when the target temperature based on a predetermined heat treatment plan is achieved by inputting the control information and the temperature information at a certain time point using the information as learning data. Further includes step S1) of FIG. Thereby, it is possible to calculate the furnace operation information for automatically executing the temperature control of the heat treatment furnace 10 according to the heat treatment plan.
  • the heat treatment system 1 includes control information of the heat treatment furnace in the initial heating section for heating the object to be heat-treated, and temperature information including the atmospheric temperature of the heat treatment furnace and the temperature of the object to be heat-treated.
  • the individual learning model creation units 24 and 24A that create an individual learning model that learns the correspondence between the control information and the temperature information, and the progress of the heat treatment based on the control information and the temperature information.
  • the control information is calculated based on the basic learning model that outputs the control information that achieves the corresponding target temperature, the control information during the heat treatment, and the temperature information, and the temperature information during the heat treatment.
  • the control units 25, 25A that correct the calculated control information based on the target temperature and the individual learning model, and control the heat treatment furnace based on the corrected control information.
  • the program according to the tenth aspect includes, in the computer 900, the control information of the heat treatment furnace in the initial heating section for heating the object to be heat-treated, the atmospheric temperature of the heat treatment furnace, and the temperature of the object to be heat-treated.
  • a step of correcting the calculated control information based on the target temperature and the individual learning model is executed.
  • the heat treatment furnace can be automatically operated.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Thermal Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Mechanical Engineering (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Heat Treatment Processes (AREA)
  • Heat Treatment Of Articles (AREA)
  • Feedback Control In General (AREA)
  • Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)

Abstract

熱処理炉の自動運転を可能にする熱処理炉の制御方法を提供する。熱処理炉の制御方法は、被熱処理物を加熱する初期加熱区間における前記熱処理炉に対する制御情報と、前記熱処理炉の雰囲気温度および前記被熱処理物の温度を含む温度情報を学習データとして、前記制御情報と前記温度情報の対応関係を学習した個別学習モデルを作成するステップと、制御情報および温度情報に基づいて熱処理の進行に応じた目標温度を達成する基本学習モデルと、熱処理中の前記制御情報および前記温度情報と、に基づいて、前記制御情報を出力するステップと、前記熱処理中の前記温度情報と、前記温度目標値と、前記個別学習モデルに基づいて、算出した制御情報を補正するステップと、を有する。

Description

熱処理炉の制御方法、熱処理システム及びプログラム
　本開示は、熱処理炉の自動運転を可能にする熱処理炉の制御方法、熱処理システム及びプログラムに関する。本願は、２０２０年６月２３日に、日本に出願された特願２０２０－１０７６３５号に基づき優先権を主張し、その内容をここに援用する。
　原子力発電所向け圧力容器などの大型板金部品の製作には溶接が不可欠であり、炭素鋼の溶接には、溶接後熱処理（ＰＷＨＴ：Post Weld Heat Treatment)が必須とされる。ＰＷＨＴ施工では、バッチ式のガス熱処理炉や電気熱処理炉を用いて、被熱処理物の加熱を行う。熱処理炉の運転は属人的な操炉に依存していることが多く、特に、様々な形状、寸法、重量を有する被熱処理物を扱う熱処理炉では、個々の被熱処理物の特性に対応した調整が必要となるため、熟練した技能者による操炉が必須である。
　特許文献１には、ＰＷＨＴ施工を支援する溶接作業管理・記録システムが記載されている。このシステムを用いると、ＰＷＨＴ施工に関して行うべき作業情報を表示し、作業記録を記録することができる。
日本国特許第５００１６０５号公報
　被熱処理物の形状、寸法等が多様であっても、個々の被熱処理物に応じた適切な熱処理を、属人的な操炉ではなく、自動運転によって達成する方法が求められている。
　そこでこの発明は、上述の課題を解決することのできる熱処理炉の制御方法、熱処理システム及びプログラムを提供することを目的としている。
　本開示の熱処理炉の制御方法は、コンピュータを用いて熱処理炉を制御する制御方法であって、被熱処理物を加熱する初期加熱区間における、熱処理炉の制御情報と、前記熱処理炉の雰囲気温度および前記被熱処理物の温度とを含む温度情報と、を学習データとして、前記制御情報と前記温度情報の対応関係を学習した個別学習モデルを作成するステップと、前記制御情報および前記温度情報に基づいて前記熱処理の進行に応じた目標温度を達成する前記制御情報を出力する基本学習モデルと、前記熱処理中の前記制御情報および前記温度情報と、に基づいて、前記制御情報を算出するステップと、前記熱処理中の前記温度情報と、前記目標温度と、前記個別学習モデルと、に基づいて、算出した前記制御情報を補正するステップと、を有する。
　本開示の熱処理システムは、被熱処理物を加熱する初期加熱区間における、熱処理炉の制御情報と、前記熱処理炉の雰囲気温度および前記被熱処理物の温度を含む温度情報と、を学習データとして、前記制御情報と前記温度情報の対応関係を学習した個別学習モデルを作成する個別学習モデル作成部と、前記制御情報および前記温度情報に基づいて前記熱処理の進行に応じた目標温度を達成する前記制御情報を出力する基本学習モデルと、前記熱処理中の前記制御情報および前記温度情報と、に基づいて、前記制御情報を算出し、前記熱処理中の前記温度情報と、前記目標温度と、前記個別学習モデルと、に基づいて、算出した前記制御情報を補正し、補正後の前記制御情報に基づいて前記熱処理炉を制御する制御部と、を備える。
　本開示のプログラムは、コンピュータに、被熱処理物を加熱する初期加熱区間における、熱処理炉の制御情報と、前記熱処理炉の雰囲気温度および前記被熱処理物の温度とを含む温度情報と、を学習データとして、前記制御情報と前記温度情報の対応関係を学習した個別学習モデルを作成するステップと、前記制御情報および前記温度情報に基づいて前記熱処理の進行に応じた目標温度を達成する前記制御情報を出力する基本学習モデルと、前記熱処理中の前記制御情報および前記温度情報と、に基づいて、前記制御情報を算出するステップと、前記熱処理中の前記温度情報と、前記目標温度と、前記個別学習モデルと、に基づいて、算出した前記制御情報を補正するステップと、を実行させる。
　上述の熱処理炉の制御方法、熱処理システム及びプログラムによれば、熱処理炉の自動運転が可能になる。
実施形態に係る熱処理システムの一例を示す第１の概略図である。 実施形態に係る熱処理制御の一例を示す図である。 実施形態に係る基本学習モデルの一例を示す図である。 実施形態に係る個別学習モデル等の一例を示す第１の図である。 実施形態に係る熱処理炉の制御の一例を示す第１のフローチャートである。 実施形態に係る熱処理システムの一例を示す第２の概略図である。 実施形態に係る個別学習モデル等の一例を示す第２の図である。 実施形態に係る熱処理炉の制御の一例を示す第２のフローチャートである。 実施形態に係る制御装置のハードウェア構成の一例を示す図である。
＜実施形態＞
　以下、本開示の熱処理システム熱処理システムについて、図１～図９を参照しながら説明する。
（システム構成）
　図１は、実施形態に係る熱処理システムの一例を示す第１の概略図である。
　熱処理システム１は、熱処理炉１０と、熱処理炉１０の制御を行う制御装置２０と、を備える。熱処理炉１０は、バッチ式の熱処理炉である。つまり、１つの被熱処理物３０Ａを炉内へ設置して熱処理を行い、被熱処理物３０Ａの熱処理が完了すると、被熱処理物３０Ａを熱処理炉１０から取り出して、次の被熱処理物３０Ｂの熱処理を炉内に設置して熱処理を開始するというように使用される。熱処理炉１０は、例えば、ガス熱処理炉である。図１は、熱処理炉１０を上から見たときの断面図である。熱処理炉１０の壁面には、バーナー１１－１～１１－２０が配置されている。バーナー１１－１には燃料ガスと空気が送り込まれ、燃料ガスを燃焼させて火炎を炉内へ放射し、炉内を加熱する。バーナー１１－１の燃料系統には、燃料ガスと混合させる空気流量を調節するバルブＶ１が設けられている。バーナー１１－２～１１－２０についても同様に、各バーナーの燃料系統には、それぞれバルブＶ２～Ｖ２０が設けられている。バルブＶ１～Ｖ２０の制御を行って空気流量を調整することによって、燃料ガスの燃焼温度が変化し、炉内温度を制御することができる。
　被熱処理物３０は、熱処理炉１０内の任意の場所に置かれて熱処理される。被熱処理物３０の外表面や内面には、熱電対等の温度センサ１２－１～１２－６が付され、熱処理中の温度が計測される。熱処理炉１０には、炉内の雰囲気温度を計測するための温度センサ１３－１～１３－２が所定の位置に配置されている。
　図１のバーナー１１－１等、温度センサ１２－１等、温度センサ１３－１等の数や配置は一例であって、図示する数や配置に限定されるものではない。
　制御装置２０は、温度センサ１２－１～１２－６、温度センサ１３－１～１３－２と接続されていて、各温度センサが計測した温度を取得する。制御装置２０は、バルブＶ１～Ｖ２０と接続されていて、バルブＶ１～Ｖ２０に開度指令値を出力し、バルブＶ１～Ｖ２０の開度を制御する。被熱処理物３０の熱処理中、制御装置２０は、温度センサ１２－１～１２－６、温度センサ１３－１～１３－２が計測した温度を監視して、温度センサ１２－１～１２－６が計測した温度が所望の温度となるようにバルブＶ１～Ｖ２０の開度を制御する。制御装置２０がバルブＶ１～Ｖ２０の開度を適切に調節することによって、被熱処理物３０の温度あるいは炉内雰囲気温度が適切に制御される。
　熱処理炉１０では、様々な形状、寸法（大きさ、板厚など）、重量を有する被熱処理物３０が熱処理される。一般に熱処理の再現性は高く、同様の形状、寸法、重量を有する被熱処理物３０を対象に繰り返し熱処理するだけであれば、熱処理中のバルブＶ１～V２０の制御についても同様の制御を繰り返すだけで同様の結果を得ることができる可能性がある。しかし、多様な被熱処理物３０を対象とする場合、適切な温度制御を達成するためには、その都度、被熱処理物３０の特性に合わせたバルブＶ１～Ｖ２０の制御を行う必要がある。その為、従来から、熟練した技能者が、熱処理中にバルブＶ１～Ｖ２０の開度変化に対する被熱処理物３０の温度や炉内雰囲気温度の応答を確認しながら、バルブＶ１～Ｖ２０を制御している。これに対し、熱処理システム１では、制御装置２０が、バルブＶ１～Ｖ２０の制御を自動的に実行する。後述するように、制御装置２０は、熱処理中の被熱処理物３０の温度（あるいは炉内雰囲気温度）が所望の温度で推移するように、過去の操炉実績データに基づいて作成された基本学習モデルと、個々の被熱処理物３０の特性を学習した個別学習モデルと、に基づいて、バルブＶ１～Ｖ２０の開度を算出し、各バルブの制御を行う。
（制御装置の機能）
　図１に示すように制御装置２０は、センサ情報取得部２１と、設定受付部２２と、基本学習モデル作成部２３と、個別学習モデル作成部２４と、制御部２５と、記憶部２６と、を備える。
　センサ情報取得部２１は、温度センサ１２－１～１２－６、温度センサ１３－１～１３－２が計測した温度を取得する。
　設定受付部２２は、被熱処理物３０の形状、寸法、重量、熱処理条件などの設定を受け付ける。
　基本学習モデル作成部２３は、基本学習モデルを作成する。基本学習モデルとは、熟練者の操炉を再現できるように、過去の熟練者の操炉情報および温度情報を学習データとして、オフラインでニューラルネットワーク等により作成された学習済みモデルである。例えば、１つの被熱処理物３０を熱処理炉１０にて熱処理する過程において熟練者が実際に行った時系列の操炉情報（バルブＶ１～Ｖ２０の開度）と、熟練者の操炉によって制御された各時刻の被熱処理物３０の温度および炉内雰囲気温度を１組の学習データとして、このような学習データを、様々な形状、大きさ、重量を有する被熱処理物３０について蓄積する。基本学習モデル作成部２３は、蓄積された学習データを用いて、例えば、リカレント型のニューラルネットワーク（ＲＮＮ：Recurrent Neural Network）により、時系列のバルブ開度と各温度の関係を学習して基本学習モデルを作成する。次に図２を参照して説明するように、熱処理は、昇温、保持、降温の工程を含む。昇温、降温の工程では、所定の速度以下で炉内温度を上昇または低下させることが要求され、保持の工程では、所定の範囲で炉内温度を保持することが要求される。基本学習モデルは、昇温、保持、降温の各工程における炉内温度を適正範囲に制御するための所定の時間間隔ごとのバルブＶ１～Ｖ２０の開度を出力する。
　個別学習モデル作成部２４は、個別学習モデルを作成する。個別学習モデルは、被熱処理物３０の個体差、バーナー１１－１～１１－２０の個体差、被熱処理物３０を設置した炉内位置の影響等を補償するバルブＶ１～Ｖ２０の開度の補正量を出力する。個別学習モデルは、これから熱処理を行う被熱処理物３０の特性、被熱処理物３０の温度とバーナー１１－１～１１－２０の出力との関係性を学習する。従って、個別学習モデルは、実際に被熱処理物３０を熱処理炉１０内に設置して操炉を開始した後に、オンラインで学習データを収集し、この学習データを用いて作成される。例えば、被熱処理物３０を熱処理炉１０にて熱処理する過程において、炉内温度が、熱処理を開始したとみなされる所定の温度（例えば３００℃）に達する前に、バルブＶ１～Ｖ２０の開度を様々に変化させ、バーナー１１－１～１１－２０の出力を変化させる。その変化に対して、温度センサ１３－１，１３－２が計測した炉内雰囲気温度や温度センサ１２－１～１２－６が計測した被熱処理物３０の温度を収集して、バーナー１１－１～１１－２０（バルブＶ１～Ｖ２０の開度）と各温度センサとの関係性、応答性を調べる。個別学習モデルは、バルブＶ１～Ｖ２０のうち、どのバルブをどの程度開けば、又は、閉じれば、被熱処理物３０のどの部分の温度にどの程度影響するか等の情報を提供する。
　制御部２５は、バルブＶ１～Ｖ２０の開度を制御する。制御部２５は、基本学習モデルに基づいて、所定の熱処理計画に基づいた昇温、保持、降温を実現するためのバルブＶ１～Ｖ２０の基本的な開度を算出する。基本学習モデルに基づいて制御を行っても、概ね、熱処理計画に沿った炉内温度の制御が可能であるが、被熱処理物３０の形状、寸法、重量などによって計画から乖離する場合がある。制御部２５は、個別学習モデルに基づいて、温度センサ１２－１～１２－６、温度センサ１３－１～１３－２が計測した温度が、熱処理計画で計画される目標温度となるようなバルブＶ１～Ｖ２０それぞれの開度補正量を算出する。制御部２５は、基本学習モデルに基づいて算出した基本的な開度に、個別学習モデルに基づいて算出した補正量を加算して、バルブＶ１～Ｖ２０それぞれの開度指令値を算出する。制御部２５は、熱処理中、所定の制御周期で、開度指令値を算出し、その開度指令値を各バルブへ出力し、バルブＶ１～Ｖ２０の開度を制御する。
　記憶部２６は、基本学習モデル、個別学習モデル、熱処理中に温度センサ１２－１等が計測した温度の計測値や、制御部２５が出力した開度指令値を記憶する。
　図２は、実施形態に係る熱処理制御の一例を示す図である。
　図２のグラフの縦軸は、熱処理中の被熱処理物３０の温度（又は炉内雰囲気温度）、横軸は時間を示す。実線で示す線Ｐ１は、熱処理の計画値を示す。つまり、線Ｐ１が示すように炉内温度を昇温、保持、降温させると所望の熱処理が実現できる。破線Ｐ２は、制御装置２０によって自動操炉したときの被熱処理物３０の温度の推移の一例を示している。
　時間Ｔ０に熱処理炉１０の運転を開始して、被熱処理物３０の温度が所定のＸ（℃）となるまでを初期学習区間と呼ぶ。時間Ｔ１に被熱処理物３０の温度がＸ（℃）となるとそれ以降、降温によりＸ（℃）以下に低下するまでの間（時間Ｔ１～Ｔ４）は、熱処理とみなされる区間である。熱処理とみなされる区間では、所定時間ごとに温度の推移を記録することが義務付けられている。一方、被熱処理物３０の温度がＸ（℃）に満たない初期学習区間は、熱処理とはみなされない区間である。初期学習区間では、温度の記録が不要である。個別学習モデル作成部２４は、初期学習区間を利用して、バーナー１１－１～１１－２０の出力変化と被熱処理物３０の温度変化の関係性、応答性の特性を学習した個別学習モデルを作成する。具体的には、制御部２５と連携して、制御部２５にバルブＶ１～Ｖ２０の開度を変化させ、その後の温度センサ１２－１～１２－６、温度センサ１３－１～１３－２が計測した温度を、センサ情報取得部２１を介して取得する。例えば、制御部２５は、範囲Ｐ３にて例示するように、初期学習区間において昇温、保持、降温に類似する温度推移を起こさせるようなバルブの制御を行ってもよい。個別学習モデル作成部２４は、バルブＶ１～Ｖ２０の開度を個別に、あるいは、複数のバルブを組み合わせて、バルブの開度変化と温度センサ１２－１等が計測する被熱処理物３０の温度変化の関係を学習する。例えば、個別学習モデル作成部２４は、“バルブＶ４（バーナー１１－４）を現在よりＫ１度開き、バルブＶ５（バーナー１１－５）を現在よりＫ２度開くと、所定時間後に温度センサ１２－１が計測する温度が１０℃上昇する”といったバーナー１１－１等と被熱処理物３０の温度の関係性を学習する。この関係性は、被熱処理物３０の形状、寸法、重量、被熱処理物３０の設置位置、あるいは、そのときのバーナー１１－１～１１－２０の性能（各バルブ開度への応答性など）等によって異なる。初期学習区間に学習した個々の被熱処理物３０の特性は、時間Ｔ１以降の熱処理で利用される。
　初期学習区間に個別学習モデルを作成するにあたり、範囲Ｐ３に示すように被熱処理物３０の温度を、昇温、保持、降温させることは必須ではない、昇温させながら個別学習モデルを作成してもよいし、昇温と保持だけを行って個別学習モデルを作成してもよい。
　時間Ｔ１に被熱処理物３０の温度がＸ℃に到達すると、制御部２５は、熱処理を開始する。制御部２５は、バルブＶ１～Ｖ２０の制御により、被熱処理物３０の温度をＹ℃まで昇温させ、その後所定時間だけＹ℃を保持し、その後降温させる。
　まず、制御部２５は、被熱処理物３０の温度を昇温させる制御を行う。時間Ｔ１～Ｔ２は、昇温の区間である。昇温区間では、速度Ｖ１（℃／Ｈ）以下の速度で炉内温度を上昇させることが要求される。基本学習モデルは、過去の操炉実績データに基づいて、速度Ｖ１以下の速度で炉内温度を上昇させるようなバルブＶ１～Ｖ２０の開度を演算し、その値を制御部２５に出力する。その一方で、制御部２５は、温度センサ１２－１～１２－６、温度センサ１３－１～１３－２が計測した温度を、センサ情報取得部２１を介して取得し、熱処理計画に定められたその時々の目標温度と比較する。温度センサ１２－１等が計測した温度と目標温度の差が所定の許容範囲内であれば、制御部２５は、基本学習モデルが出力した開度をバルブＶ１～Ｖ２０へ出力する。温度センサ１２－１等が計測した温度と計画値の差が許容範囲を超える場合、制御部２５は、基本学習モデルが出力した開度に個別学習モデルが出力する補正量を加えてバルブＶ１～Ｖ２０へ出力する。例えば、温度センサ１２－１が計測した温度が目標温度よりも１０℃低ければ、個別学習モデルは、バルブＶ４に対してＫ１度加算し、バルブＶ５に対してＫ２度加算するような補正量を算出する。制御部２５は、次の制御周期について基本学習モデルが出力した各バルブ開度のうち、バルブＶ４，Ｖ５の開度に上記の補正量を加えて、各バルブへ出力する。これにより、次の制御周期で、目標温度よりも１０℃低下した温度が補償される。同様に、温度センサ１２－１等が計測した温度が、速度Ｖ１より高速に上昇しそうなときには、制御部２５は、個別学習モデルに基づいて、過度な温度上昇を抑える補正量を算出して、基本学習モデルが出力したバルブ開度を補正する。
　時間Ｔ２にＹ℃に至ると、制御部２５は、被熱処理物３０の温度を保持する制御を行う。時間Ｔ２～Ｔ３は、保持の区間である。保持区間では、熱処理計画に定められた最高温度を基準とする許容範囲内の温度に保持することが要求される。制御部２５は、温度センサ１２－１～１２－６、温度センサ１３－１～１３－２が計測した温度を、センサ情報取得部２１を介して取得する。制御部２５は、最新の温度とバルブＶ１～Ｖ２０の開度を基本学習モデルに入力する。基本学習モデルは、過去の操炉実績データに基づいて、被熱処理物３０の温度を保持するためのバルブ開度を出力する。制御部２５は、個別学習モデルを参照して、温度センサ１２－１～１２－６、１３－１～１３－２が計測した最新の温度と目標温度の差を補償するバルブ開度を出力する。例えば、前回出力したバルブＶ１～Ｖ２０の開度によって、達成された最新の温度が目標温度よりも１０℃低ければ、制御部２５は、個別学習モデルに基づいて、その１０℃を補償するバルブ開度の補正量を出力する。制御部２５は、基本学習モデルが出力した開度に個別学習モデルが出力する補正量を加えてバルブＶ１～Ｖ２０へ出力する。これにより、被熱処理物３０の温度が許容範囲内の温度に保持される。
　被熱処理物３０の温度Ｙ℃を所定時間維持すると、制御部２５は、被熱処理物３０の温度を降温させる制御を行う。時間Ｔ３～Ｔ４は、降温の区間である。降温区間では、速度Ｖ２（℃／Ｈ）以下の速度で被熱処理物３０の温度を低下させることが要求される。制御部２５は、温度センサ１２－１～１２－６、温度センサ１３－１～１３－２が計測した温度を、センサ情報取得部２１を介して取得する。制御部２５は、最新の温度とバルブＶ１～Ｖ２０の開度を基本学習モデルに入力する。基本学習モデルは、過去の操炉実績データに基づいて、速度Ｖ２で低下させるためのバルブ開度を出力する。個別学習モデルは、温度センサ１２－１～１２－６（あるいは、温度センサ１３－１～１３－２）が計測した温度と計画値（目標温度）との差を補償するバルブ開度を出力する。制御部２５は、基本学習モデルが出力した開度に個別学習モデルが出力する補正量を加えてバルブＶ１～Ｖ２０へ出力する。これにより、炉内温度は、速度Ｖ２以下の速度で低下していく。
　次に基本学習モデルおよび個別学習モデルの一例について説明する。
　図３は、実施形態に係る基本学習モデルの一例を示す図である。
　基本学習モデルは、過去の操炉実績データを学習データとして作成される。操炉実績データは、過去の熱処理中に出力されたバルブ開度指令値と、同熱処理中に計測された炉内雰囲気温度、被熱処理物３０の温度を含む。図示するように、基本学習モデルは、操炉実績データに含まれる時間Ｔにおける被熱処理物３０の温度（実績値）、炉内雰囲気温度（実績値）、バルブＶ１～Ｖ２０開度（実績値）を入力すると、次の時間Ｔ＋１におけるバルブＶ１～Ｖ２０開度（実績値）を出力するように学習して作成される。時間Ｔと時間Ｔ＋１の時間差は、所定の制御周期である。基本学習モデルは、熱処理計画ごと（図２に例示した熱処理計画の実線Ｐ１の形状ごと、例えば、昇温時間、最高温度、保持時間、降温時間の組合せごと）に作成されてもよい。あるいは、基本学習モデルは、昇温区間、保持区間、降温区間ごとに作成されてもよい。基本学習モデルは、全ての被熱処理物３０に対して共通に作成されてもよいし、形状別、寸法別、重量別、その他の特徴別に作成されてもよい。基本学習モデル作成部２３は、熱処理の前に予め基本学習モデルを作成し、記憶部２６に保存する。
　図４は、実施形態に係る個別学習モデルの一例を示す第１の図である。
　図４（ａ）に個別学習モデルの一例を示す。個別学習モデル作成部２４は、初期学習区間にて、温度センサ１２－１等が計測する温度へのバーナー１１－１～１１－２０の寄与度を示す関数を作成する。個別学習モデル作成部２４は、初期学習区間にて、バルブＶ１～Ｖ２０の開度を個別に変化させて、温度センサＴ１２－１～Ｔ１２－６、Ｔ１３－１～Ｔ１３－２が計測する温度を取得する。そして、各バルブの開度変化が、温度センサＴ１２－１等が計測する温度に寄与する影響を示す情報を収集し、例えば、図４（ａ）に示す対応表や関数を作成する。これらは、個別学習モデルの一例である。図４（ａ）に示す対応表の１行目のデータは、例えば、バルブＶ４を＋Ｋ１度開き、バルブＶ５を＋Ｋ２度開くと、所定時間後（例えば、１制御周期後）に温度センサＴ１２－１が計測する温度が１０℃上昇すること、バルブＶ１の制御は、温度センサＴ１２－１が計測する温度に影響しないことを示している。図４（ａ）に示す個別学習モデルを参照すれば、温度センサＴ１２－１等ごとに、その温度センサ１２－１等が計測する温度に寄与するバーナー１１－４等およびその寄与度（例えば、１０℃上昇するために＋Ｋ１開く等）を把握することができる。
　個別学習モデル作成部２４は、被熱処理物３０の熱処理における特性、傾向を学習し、学習した特性情報を後続の熱処理工程へ予測情報として提供してもよい。図４（ｂ）に被熱処理物３０の予測情報の一例を示す。図４（ｂ）に示す１列目のデータは、初期学習区間にて、バルブＶ１をＫ０１度で開き、バルブＶ２をＫ０２度で開き、・・・、バルブＶ２０をＫ２０度で開いたときに、温度センサＴ１２－１が計測する温度が想定される温度よりも１０℃低いことを示している。２列目のデータは、同様の開度でバルブＶ１～Ｖ２０を開いたときに温度センサＴ１２－２が計測する温度が、想定される温度の範囲内であった事を示している。ここで、想定される温度とは、基本学習モデルが出力するバルブ開度でバルブＶ１～Ｖ２０を制御したときに、所定時間後に温度センサ１２－１等が計測する温度の推定値である。図４（ｂ）に例示する予測情報は、これから熱処理する被熱処理物３０において、温度センサＴ１２－１が計測する温度が上昇しにくい傾向を示している。初期学習区間において把握された被熱処理物３０の特性、傾向に基づいて、制御部２５は、この特性、傾向を補償するための補正量を予め図４（ａ）に例示した個別学習モデルに基づいて算出し、この補正量を基本学習モデルが出力するバーナーＶ１～Ｖ２０の開度に加算して、各バルブに指令値を出力してもよい（フィードフォワード処理）。あるいは、被熱処理物３０の特性別に様々な基本学習モデルが用意されている場合、例えば、制御部２５は、初期学習区間で把握した特性、傾向に適した基本学習モデルを選択し、選択した基本学習モデルを用いて、熱処理中のバルブ制御を行ってもよい。
　初期学習区間にて、炉内雰囲気温度を、実際に昇温、保温、降温させて個別学習モデルを作成することで、昇温、保温、降温におけるバルブＶ１～Ｖ２０の制御に対する温度センサ１２－１～１２－６、温度センサ１３－１～１３－２が計測する温度の関係を学習することができ、昇温、保温、降温の何れについても高精度な補正量を出力する個別学習モデルを作成することができる可能性がある。予測情報についても、昇温、保温、降温の何れについても高精度な予測情報を作成できる可能性がある。
　次に熱処理システム１による熱処理炉１０の制御の一例について説明する。
　図５は、実施形態に係る熱処理炉の制御の一例を示す第１のフローチャートである。
　まず、基本学習モデル作成部２３が、過去の操炉実績データに基づいて、基本学習モデルを作成する（ステップＳ１）。基本学習モデル作成部２３は、例えば熱処理計画別に基本学習モデルを作成する。基本学習モデル作成部２３は、基本学習モデルを記憶部２６に保存する。ステップＳ１の処理は、熱処理炉１０の運転を開始する前に実行する。
　次に被熱処理物３０を炉内に設置し、熱処理炉１０の運転を開始する（ステップＳ２）。オペレータは、例えば、熱処理計画（例えば、何時間かけて最高温度まで昇温して、最高温度で何時間保持し、何時間かけて降温するかを定めた情報、図２の実線Ｐ１に相当する情報）を制御装置２０に入力する。設定受付部２２は、熱処理計画の入力受け付けて、入力された熱処理計画を記憶部２６に保存する。
　制御部２５は、バーナー１１－１～１１－２０に着火し、被熱処理物３０の加熱を開始する。図２を用いて説明したように、熱処理炉１０の運転を開始すると、被熱処理物３０の温度がＸ（℃）に至るまでは、熱処理とみなされない。この初期学習区間を利用して、個別学習モデル作成部２４が、個別学習モデルを作成する（ステップＳ３）。個別学習モデル作成部２４は、図４（ａ）に例示した個別学習モデルを作成する。個別学習モデル作成部２４は、個別学習モデルと共に図４（ｂ）に例示した被熱処理物３０の熱処理における温度変化の傾向を予測した予測情報を作成する。個別学習モデル作成部２４は、個別学習モデルと予測情報とを記憶部２６に保存する。
　次に被熱処理物３０の温度がＸ℃に至ると、制御部２５が熱処理を開始する。
　制御部２５は、記憶部２６に保存された熱処理計画に基づいて、バーナー１１－１～１１－２０の開度を制御する。制御部２５は、記憶部２６に保存された基本学習モデルのうち、今回実行する熱処理計画に対応する基本学習モデルを読み出して、熱処理が終了するまでの間、所定の制御周期で以下のステップＳ５～Ｓ９の処理を繰り返し実行する（ステップＳ４）。
　制御部２５は、基本学習モデルに基づいてバルブ開度を算出する（ステップＳ５）。具体的には、制御部２５は、読み出した基本学習モデルに、温度センサ１２－１等が計測した最新の温度、温度センサ１３－１等が計測した最新の温度、バルブＶ１～Ｖ２０へ最後に出力した開度指令値を入力する。基本学習モデルは、バルブＶ１～Ｖ２０の開度を出力する。
　次に制御部２５は、予測情報に基づきバルブ開度を補正する（ステップＳ６）。具体的には、制御部２５は、記憶部２６に保存された予測情報を読み出して、被熱処理物３０の特性（例えば、全体的に想定より温度がＸ１℃上昇する、一部の温度が想定より温度がＸ２℃上昇しにくい等）を把握し、被熱処理物３０の温度が想定どおりに制御できるようにバルブ開度の補正量を算出する。例えば、あるバルブ開度に対して、被熱処理物３０の全体の温度が想定より温度がＸ１℃上昇する場合、制御部２５は、記憶部２６に保存された個別学習モデルを参照して、Ｘ１℃の上昇を抑制するバルブ開度を算出する。例えば、個別学習モデルが、図４（ａ）に例示する対応表であって、Ｘ１℃の温度上昇を抑制するときのバルブ開度が対応表に無い場合、制御部２５は、対応表の他の情報に基づいて、線形補間などにより、Ｘ１℃の温度上昇を抑制するためのバルブＶ１～Ｖ２０の開度の補正量を算出する。制御部２５は、算出した補正量をステップＳ５で算出したバルブ開度に加算する。
　次に制御部２５は、センサ情報取得部２１を通じて、温度センサ１２－１～１２－６が計測した温度、温度センサ１３－１～１３－２が計測した温度を取得する（ステップＳ７）。
　次に制御部２５は、温度の実績に基づきバルブ開度を補正する（ステップＳ８）。具体的には、制御部２５は、熱処理計画にて計画された現在の目標温度（例えば、熱処理開始からの経過時間に対応する温度）と、ステップＳ７で取得した温度を比較する。このとき、被熱処理物３０の温度、つまり温度センサ１２－１～１２－６が計測した温度の比較を行うが、加えて、温度センサ１３－１～１３－２が計測した温度の比較を行ってもよい。両者の差が許容範囲内であれば、制御部２５は、ステップＳ６で算出したバルブ開度を正として、ステップＳ８では補正しない。ステップＳ７で取得した温度の何れかと、目標温度の差が、許容範囲を超えていれば、制御部２５は、個別学習モデルを参照して、その温度差を補償するバルブ開度を算出する。例えば、温度センサ１２－１が計測した温度が目標温度よりも１０℃低ければ、制御部２５は、バルブＶ４に対する補正量＋Ｋ１、バルブＶ５に対する補正量＋Ｋ２を個別学習モデルから取得して、ステップＳ６で算出した補正後のバルブ開度のうち、バルブＶ４の開度にＫ１を加算し、バルブＶ５の開度にＫ２を加算する。
　次に制御部２５は、バルブＶ１～Ｖ２０へ、ステップＳ８で算出した各バルブに対する開度指令値を出力する（ステップＳ９）。制御部２５は、次の制御周期が到来すると、ステップＳ５以降の処理を繰り返す。制御部２５は、熱処理が終了するまで（降温完了まで）、ステップＳ５～Ｓ９の処理を繰り返し行って熱処理炉１０の温度を熱処理計画に沿って制御する。
　以上説明したように、熱処理システム１によれば、過去の操炉実績データに基づく時系列の温度とバルブ開度の関係を学習して構築された基本学習モデルに基づいて、熱処理炉１０を自動運転することにより、熱処理計画に沿った熱処理を自動化することができる。自動操炉へ置き換えることで人員負担の軽減することができる。多様な形状、寸法、重量等を有する様々な被熱処理物３０を対象に熱処理を行う場合であっても、初期学習区間において、個々の被熱処理物３０に対応した個別学習モデルをその都度作成し、その後の熱処理において、基本学習モデルが出力したバルブ開度を、個別学習モデルに基づく補正量で補正し、被熱処理物３０の性質に合わせた熱処理を行うことができる。これにより、従来は、熟練した技能者に依存していた被熱処理物３０の性質に合わせた熱処理中の細かなバルブ開度の調整をも自動化することができる。
　上記の説明では、昇温、保持、降温の全ての工程で、基本学習モデルおよび個別学習モデルによる制御を行うこととしたが、制御部２５は、例えば、昇温と保持の工程のみ、基本学習モデルおよび個別学習モデルによる制御を行ってもよいし、例えば、昇温の工程のみ、基本学習モデルおよび個別学習モデルによる制御を行ってもよい。
　上記の実施例では、ガス熱処理炉の制御を例に説明を行ったが、燃料ガスの代わりに重油や、灯油を燃料とする熱処理炉に本実施形態の制御方法を適用して、これらの燃料の供給量を調整するバーナーを上記と同様の方法で制御してもよい。
　本実施形態の制御方法は、電気熱処理炉の制御に適用することもできる。次に図６～８を参照して、本実施形態の制御方法によって、電気熱処理炉を制御する場合について説明する。
　図６は、実施形態に係る熱処理システムの一例を示す第２の概略図である。
　熱処理システム１Ａは、熱処理炉１０Ａと、制御装置２０Ａと、を備える。熱処理炉１０Ａは、電気熱処理炉である。図１と同様に図６は、熱処理炉１０Ａを上から見たときの断面を示し、熱処理炉１０Ａの壁面には、ヒータｈ１～ｈ８が配置されている。ヒータｈ１は、サイリスタなどの電力調整装置ｒ１を介して電源と接続され、電力調整装置ｒ１から電力が供給されることにより通電し、発熱する。制御装置２０Ａは、電力調整装置ｒ１が出力する電力を制御して、ヒータｈ１の温度を制御する。同様に、制御装置２０Ａは、電力調整装置ｒ２～ｒ８を制御して、ヒータｈ２～ｈ８それぞれの温度を個別に制御することができる。図６のヒータの数は一例であり、図示したものに限定されない。図１に例示したと同様に、炉内には被熱処理物３０が設置され、その外表面や内面には温度センサ１２－１～１２－６が付され、炉内の所定位置には温度センサ１３－１～１３－２が配置されている。
　制御装置２０Ａは、センサ情報取得部２１と、設定受付部２２と、基本学習モデル作成部２３Ａと、個別学習モデル作成部２４Ａと、制御部２５Ａと、記憶部２６と、を備える。制御部２５Ａは、電力調整装置ｒ１～ｒ８の出力電力を制御する。制御部２５Ａは、温度センサ１２－１～１２－６が計測した温度が所望の温度となるように電力調整装置ｒ１～ｒ８の出力電力を制御し、熱処理を実行する。
　基本学習モデル作成部２３Ａは、過去の熱処理中に採取された電力調整装置ｒ１～ｒ８の出力電力の指令値と、同熱処理中に計測された炉内雰囲気温度、被熱処理物３０の温度に基づいて基本学習モデルを作成する。例えば、基本学習モデルは、時間Ｔにおける被熱処理物３０の温度（実績値）、炉内雰囲気温度（実績値）、電力調整装置ｒ１～ｒ８の出力電力（実績値）を入力すると、次の時間Ｔ＋１における電力調整装置ｒ１～ｒ８の出力電力（実績値）を出力するように作成される。
　個別学習モデル作成部２４Ａは、初期学習区間にて、温度センサ１２－１等が計測する温度へのヒータｈ１～ｈ８（電力調整装置ｒ１～ｒ８の出力電圧）の寄与度を示す関数や予測情報を作成する。作成方法については、制御値がバーナー開度から電力調整装置ｒ１等の出力電力へ変更になるだけで、ガス熱処理炉の場合と同様である。図７に個別学習モデルの一例を示す。
　図７は、実施形態に係る個別学習モデルの一例を示す第２の図である。
　例えば、個別学習モデル作成部２４Ａは、図７（ａ）に例示するヒータｈ１～ｈ８の寄与度を示す対応表や関数を作成する。図７（ａ）に示す対応表の１行目のデータは、例えば、電力調整装置ｒ４の出力を＋Ｌ１ｋＷ増加し、電力調整装置ｒ５の出力を＋Ｌ２ｋＷ増加すると、所定時間後（例えば、１制御周期後）に温度センサＴ１２－１が計測する温度が１０℃上昇すること、電力調整装置ｒ１の制御は、温度センサＴ１２－１が計測する温度に影響しないことを示している。
　個別学習モデル作成部２４Ａは、図７（ｂ）に例示する被熱処理物３０の予測情報を作成する。図７（ｂ）に示す１列目のデータは、初期学習区間にて、電力調整装置ｒ１の出力をＭ０１とし、電力調整装置ｒ２の出力をＭ０２とし、・・・、電力調整装置ｒ８の出力をＭ０８としたときに、温度センサＴ１２－１が計測する温度が想定される温度よりも１０℃低いことを示している。２列目のデータは、電力調整装置ｒ１～ｒ８の出力を同様に制御したときに温度センサＴ１２－２が計測する温度が、想定される温度の範囲内であった事を示している。図７（ｂ）に例示する予測情報によって、被熱処理物３０に付した温度センサＴ１２－１が計測する温度が上昇しにくい傾向を、熱処理の前に把握することができる。
　次に電気熱焼却炉を制御する場合の処理について、図８を参照して説明する。
　図８は、実施形態に係る熱処理炉の制御の一例を示す第２のフローチャートである。
　図５に例示したガス熱処理炉と同様の処理については同じ符号を付し簡単に説明する。
　まず、基本学習モデル作成部２３Ａが、過去の操炉実績データ（被熱処理物３０の温度、炉内雰囲気温度、電力調整装置ｒ１～ｒ８の出力電力）に基づいて、基本学習モデルを作成する（ステップＳ１）。
　次に被熱処理物３０を炉内に設置し、熱処理炉１０の運転を開始する（ステップＳ２）。制御部２５Ａは、ヒータｒ１～ｒ８に通電し、被熱処理物３０の加熱を開始する。被熱処理物３０の温度がＸ（℃）に至るまでの初期学習区間を利用して、個別学習モデル作成部２４Ａは、被熱処理物３０の温度と炉内雰囲気温度とヒータｒ１～ｒ８の出力の関係を示す情報を収集し、個別学習モデル（図７（ａ））、予測情報（図７（ｂ））を作成する（ステップＳ３）。
　被熱処理物３０の温度がＸ℃に至ると、制御部２５Ａが熱処理を開始する。
　制御部２５Ａは、記憶部２６に保存された熱処理計画に基づいて、電力調整装置ｒ１～ｒ８の出力を制御する。制御部２５Ａは、所定の制御周期で以下のステップＳ５Ａ～Ｓ９Ａの処理を繰り返し実行する（ステップＳ４）。
　制御部２５Ａは、基本学習モデルに基づいてヒータｈ１～ｈ８に供給する電力を算出する（ステップＳ５Ａ）。具体的には、制御部２５Ａは、基本学習モデルに、温度センサ１２－１等が計測した最新の温度、温度センサ１３－１等が計測した最新の温度、電力調整装置ｒ１～ｒ８へ最後に指示した出力電力の指令値を入力する。基本学習モデルは、電力調整装置ｒ１～ｒ８それぞれへの出力電力の指令値を出力する。
　次に制御部２５Ａは、図７（ｂ）に例示する予測情報に基づきヒータｈ１～ｈ８に供給する電力を補正する（ステップＳ６Ａ）。例えば、ヒータｈ１～ｈ８の出力に対して、被熱処理物３０の全体の温度が想定より温度がＸ１℃上昇する傾向がある場合、制御部２５Ａは、記憶部２６に保存された個別学習モデルを参照して、Ｘ１℃の上昇を抑制する電力調整装置ｒ１～ｒ８への出力電力の指令値を算出する。制御部２５Ａは、算出した補正量をステップＳ５Ａで算出した出力電力に加算する。
　次に制御部２５Ａは、センサ情報取得部２１を通じて、温度センサ１２－１～１２－６が計測した温度、温度センサ１３－１～１３－２が計測した温度を取得する（ステップＳ７Ａ）。
　次に制御部２５Ａは、温度の実績に基づきヒータｈ１～ｈ８に供給する電力を補正する（ステップＳ８Ａ）。例えば、温度センサ１２－１が計測した温度が目標温度よりも１０℃低ければ、制御部２５Ａは、電力調整装置ｒ４に対する補正量＋Ｌ１、電力調整装置ｒ５に対する補正量＋Ｌ２を、個別学習モデルを参照して取得して、ステップＳ６Ａで算出した出力電力の指令値のうち、電力調整装置ｒ４がヒータｈ４へ供給する電力の値にＫ１を加算し、電力調整装置ｒ５がヒータｈ５へ供給する電力の値にＫ２を加算する。
　次に制御部２５Ａは、電力調整装置ｒ１～ｒ８へ、ステップＳ８Ａで算出した電力の指令値を出力する（ステップＳ９Ａ）。制御部２５Ａは、熱処理が終了するまで、ステップＳ５Ａ～Ｓ９Ａの処理を繰り返し行って熱処理炉１０の温度を熱処理計画に沿って制御する。
　このように、熱処理炉が電気熱処理炉の場合であっても、本実施形態によれば、被熱処理物３０の特性に応じた熱処理の自動運転が可能になる。ガス熱処理炉、電気熱処理炉の例を挙げて説明を行ったが、他の形式の熱処理炉について、本実施形態の制御方法を適用してもよい。
　上記実施形態では、被熱処理物３０の温度を制御対象として、被熱処理物３０の温度を所望の温度に制御することとしたが、被熱処理物３０の温度に替えて炉内雰囲気温度を制御対象として、炉内雰囲気温度を所望の温度に制御するようにしてもよい。あるいは、被熱処理物３０の温度と炉内雰囲気温度の加重平均を算出して、その値を所望の値に制御するようにしてもよい。
　図９は、実施形態に係る制御装置のハードウェア構成の一例を示す図である。
　コンピュータ９００は、ＣＰＵ９０１、主記憶装置９０２、補助記憶装置９０３、入出力インタフェース９０４、通信インタフェース９０５を備える。
　上述の制御装置２０は、コンピュータ９００に実装される。そして、上述した各機能は、プログラムの形式で補助記憶装置９０３に記憶されている。ＣＰＵ９０１は、プログラムを補助記憶装置９０３から読み出して主記憶装置９０２に展開し、当該プログラムに従って上記処理を実行する。ＣＰＵ９０１は、プログラムに従って、記憶領域を主記憶装置９０２に確保する。ＣＰＵ９０１は、プログラムに従って、処理中のデータを記憶する記憶領域を補助記憶装置９０３に確保する。
　制御装置２０，２０Ａの全部または一部の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各機能部による処理を行ってもよい。ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。「コンピュータ読み取り可能な記録媒体」とは、ＣＤ、ＤＶＤ、ＵＳＢ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。このプログラムが通信回線によってコンピュータ９００に配信される場合、配信を受けたコンピュータ９００が当該プログラムを主記憶装置９０２に展開し、上記処理を実行しても良い。上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
　制御装置２０，２０Ａは、複数のコンピュータ９００によって構成されていても良い。例えば、基本学習モデル作成部２３，２３Ａや、個別学習モデル作成部２４，２４Ａを別のコンピュータ９００に実装してもよい。
　以上のとおり、本開示に係るいくつかの実施形態を説明したが、これら全ての実施形態は、例として提示したものであり、発明の範囲を限定することを意図していない。これらの実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で種々の省略、置き換え、変更を行うことができる。これらの実施形態及びその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
＜付記＞
　各実施形態に記載の熱処理炉の制御方法、熱処理システム１、１Ａ及びプログラムは、例えば以下のように把握される。
　（１）第１の態様に係る熱処理炉１０，１０Ａの制御方法は、コンピュータを用いて熱処理炉を制御する制御方法であって、被熱処理物を加熱する初期加熱区間（初期学習区間）における、熱処理炉の制御情報（バルブＶ１～Ｖ２０の開度指令値、電力調整装置ｒ１～ｒ８へ指示するヒータｈ１～ｈ８へ供給する電力の指令値）と、前記熱処理炉の雰囲気温度（温度センサ１３－１～１３－２が計測する温度）および前記被熱処理物の温度（温度センサ１２－１～１２－６が計測する温度）とを含む温度情報と、を学習データとして、前記制御情報と前記温度情報の対応関係を学習した個別学習モデルを作成するステップ（図５、図８のステップＳ３）と、前記制御情報および前記温度情報に基づいて前記熱処理の進行に応じた目標温度を達成する前記制御情報を出力する基本学習モデルと、前記熱処理中の前記制御情報および前記温度情報と、に基づいて、前記制御情報を算出するステップ（図５のステップＳ５、図８のステップＳ５Ａ）と、前記熱処理中の前記温度情報と、前記目標温度と、前記個別学習モデルと、に基づいて、算出した前記制御情報を補正するステップ（図５のステップＳ８、図８のステップＳ８Ａ）と、を有する。
　これにより、熱処理炉１０，１０Ａの運転を自動化することができる。被熱処理物３０ごとに固有の個別学習モデルを作成し、個別学習モデルに基づいて制御情報の補正を行うので、様々な特性を有する被熱処理物３０について、熱処理炉１０，１０Ａを自動運転することができる。
（２）第２の態様に係る熱処理炉１０，１０Ａの制御方法は、（１）の熱処理炉１０，１０Ａの制御方法であって、前記個別学習モデルを作成するステップでは、前記初期加熱区間において、前記熱処理炉１０，１０Ａに設けられた複数の発熱体（バーナーＶ１～Ｖ２０、ヒータｈ１～ｈ８）の出力を個別に変化させる制御を行って、前記被熱処理物に付された温度センサが計測する温度を取得し、前記発熱体別の前記制御に対する前記温度の応答性を示す情報を蓄積する。
　これにより、熱処理炉１０，１０Ａに設けられた複数の発熱体の出力と、被熱処理物に付された温度センサが計測する温度との対応関係が把握できる。例えば、被熱処理物のある位置の温度を上昇又は低下させる場合に、どの発熱体の出力を増大又は低下させればよいかといった知見が得られる。熱処理中に被熱処理物の温度を局所的に制御する際に、この知見を用いて所望の温度を達成することができる。
（３）第３の態様に係る熱処理炉１０，１０Ａの制御方法は、（２）の熱処理炉１０，１０Ａの制御方法であって、前記個別学習モデルは、前記被熱処理物に付した温度センサが計測する温度と前記目標温度の差を補償する前記発熱体に対する制御値の補正量を出力する。
　出力されたバルブ開度補正量に基づいて、被熱処理物に付した温度センサに対応する１又は複数のバーナー開度やヒータへの電力供給の制御を行うことによって、温度センサが計測した現状の温度を目標温度に近づけることができる。
（４）第４の態様に係る熱処理炉１０，１０Ａの制御方法は、（３）の熱処理炉１０，１０Ａの制御方法であって、前記補正するステップでは、前記基本学習モデルが出力する前記発熱体に対する制御値に、前記補正量を加算して前記制御情報を算出する。
　基本学習モデルが出力するバルブ開度とバルブ開度補正量を加えた開度によって各バルブを制御することによって、又は、基本学習モデルが出力する出力電力に補正量を加えた電力の指令値によって各ヒータを制御することによって、被熱処理物３０の特性に対応しつつ、熱処理計画に基づく、熱処理の進行に応じた各時点での目標温度を達成しながら熱処理を進行することができる。
（５）第５の態様に係る熱処理炉１０，１０Ａの制御方法は、（１）～（４）の熱処理炉１０，１０Ａの制御方法であって、前記初期加熱区間において、前記制御情報と前記温度情報とに基づいて、前記温度情報の変化の傾向を算出し、前記傾向に基づいて、前記制御情報を補正するステップ（図５のステップＳ６、図８のステップＳ６Ａ）、をさらに有する。
　予め被熱処理物３０の特性を考慮して制御情報を補正することで、目標温度を高精度に達成することができる。
（６）第６の態様に係る熱処理炉１０，１０Ａの制御方法は、（１）～（５）の熱処理炉１０，１０Ａの制御方法であって、前記個別学習モデルを作成するステップでは、前記熱処理炉の温度を昇温、保温、降温させて、その間に取得した前記制御情報と前記温度情報を学習データとして、前記個別学習モデルを作成する。
　初期加熱区間（初期学習区間）にて、炉内雰囲気温度を、昇温、保温、降温させて個別学習モデルを作成することで、熱処理における各工程（昇温工程、保温工程、降温工程）における被熱処理物３０の温度変化を高精度に予測することができる。また、目標温度から逸脱した場合にも高精度に目標温度を達成する補正量を算出することができる。
（７）第７の態様に係る熱処理炉１０，１０Ａの制御方法は、（１）～（６）の熱処理炉１０，１０Ａの制御方法であって、前記熱処理の度に、前記初期加熱区間において前記個別学習モデルを作成する。
　これにより、実際に熱処理を行う対象の被熱処理物３０についての個別学習モデルを得ることができる。
（８）第８の態様に係る熱処理炉１０，１０Ａの制御方法は、（１）～（７）の熱処理炉１０，１０Ａの制御方法であって、過去の操炉における前記制御情報および前記温度情報を学習データとして、ある時点における前記制御情報および前記温度情報を入力すると、所定の熱処理計画に基づく目標温度を達成する次の時点における前記制御情報を出力する前記基本学習モデルを作成するステップ（図５のステップＳ１）、をさらに有する。
　これにより、熱処理計画に沿った熱処理炉１０の温度制御を自動的に実行するための操炉情報を算出することができる。
（９）第９の態様に係る熱処理システム１は、被熱処理物を加熱する初期加熱区間における、熱処理炉の制御情報と、前記熱処理炉の雰囲気温度および前記被熱処理物の温度を含む温度情報と、を学習データとして、前記制御情報と前記温度情報の対応関係を学習した個別学習モデルを作成する個別学習モデル作成部２４，２４Ａと、前記制御情報および前記温度情報に基づいて前記熱処理の進行に応じた目標温度を達成する前記制御情報を出力する基本学習モデルと、前記熱処理中の前記制御情報および前記温度情報と、に基づいて、前記制御情報を算出し、前記熱処理中の前記温度情報と、前記目標温度と、前記個別学習モデルと、に基づいて、算出した前記制御情報を補正し、補正後の前記制御情報に基づいて前記熱処理炉を制御する制御部２５，２５Ａと、を備える。
（１０）第１０の態様に係るプログラムは、コンピュータ９００に、被熱処理物を加熱する初期加熱区間における、熱処理炉の制御情報と、前記熱処理炉の雰囲気温度および前記被熱処理物の温度とを含む温度情報と、を学習データとして、前記制御情報と前記温度情報の対応関係を学習した個別学習モデルを作成するステップと、前記制御情報および前記温度情報に基づいて前記熱処理の進行に応じた目標温度を達成する前記制御情報を出力する基本学習モデルと、前記熱処理中の前記制御情報および前記温度情報と、に基づいて、前記制御情報を算出するステップと、前記熱処理中の前記温度情報と、前記目標温度と、前記個別学習モデルと、に基づいて、算出した前記制御情報を補正するステップと、を実行させる。
　上述の熱処理炉の制御方法、熱処理システム及びプログラムによれば、熱処理炉の自動運転が可能になる。
１、１Ａ・・・熱処理システム
１０、１０Ａ・・・熱処理炉
１１－１～１１－２０・・・バーナー
Ｖ１～Ｖ２０・・・バルブ
１２－１～１２－３・・・温度センサ
１３－１～１３－２・・・温度センサ
ｒ１～ｒ８・・・電力調整装置
ｈ１～ｈ８・・・ヒータ
２０・・・制御装置
２１・・・センサ情報取得部
２２・・・設定受付部
２３、２３Ａ・・・基本学習モデル作成部
２４、２４Ａ・・・個別学習モデル作成部
２５、２５Ａ・・・制御部
２６・・・記憶部
３０・・・被熱処理物
９００・・・コンピュータ
９０１・・・ＣＰＵ、
９０２・・・主記憶装置、
９０３・・・補助記憶装置、
９０４・・・入出力インタフェース
９０５・・・通信インタフェース

Claims (10)

  1. 　コンピュータを用いた熱処理炉の制御方法であって、
    　被熱処理物を加熱する初期加熱区間における、熱処理炉の制御情報と、前記熱処理炉の雰囲気温度および前記被熱処理物の温度とを含む温度情報と、を学習データとして、前記制御情報と前記温度情報の対応関係を学習した個別学習モデルを作成するステップと、
    　前記制御情報および前記温度情報に基づいて熱処理の進行に応じた目標温度を達成する前記制御情報を出力する基本学習モデルと、前記熱処理中の前記制御情報および前記温度情報と、に基づいて、前記制御情報を算出するステップと、
    　前記熱処理中の前記温度情報と、前記目標温度と、前記個別学習モデルと、に基づいて、算出した前記制御情報を補正するステップと、
    　を有する熱処理炉の制御方法。
  2. 　前記個別学習モデルを作成するステップでは、
    　前記初期加熱区間において、前記熱処理炉に設けられた複数の発熱体の出力を個別に変化させる制御を行って、前記被熱処理物に付された温度センサが計測する温度を取得し、前記発熱体別の前記制御に対する前記温度の応答性を示す情報を蓄積する、
    　請求項１に記載の熱処理炉の制御方法。
  3. 　前記個別学習モデルは、前記被熱処理物に付した温度センサが計測する温度と前記目標温度の差を補償する前記発熱体に対する制御値の補正量を出力する、
    　請求項２に記載の熱処理炉の制御方法。
  4. 　前記補正するステップでは、
    　前記基本学習モデルが出力する前記発熱体に対する前記制御値に、前記補正量を加算して前記制御情報を算出する、
    　請求項３に記載の熱処理炉の制御方法。
  5. 　前記初期加熱区間において、前記制御情報と前記温度情報とに基づいて、前記温度情報の変化の傾向を算出し、前記傾向に基づいて、前記制御情報を補正するステップ、
    　をさらに有する請求項１から請求項４の何れか１項に記載の熱処理炉の制御方法。
  6. 　前記個別学習モデルを作成するステップでは、
    　前記熱処理炉の温度を昇温、保温、降温させて、その間に取得した前記制御情報と前記温度情報を学習データとして、前記個別学習モデルを作成する、
    　請求項１から請求項５の何れか１項に記載の熱処理炉の制御方法。
  7. 　前記熱処理の度に、前記初期加熱区間において前記個別学習モデルを作成する、
    　請求項１から請求項６の何れか１項に記載の熱処理炉の制御方法。
  8. 　過去の操炉における前記制御情報および前記温度情報を学習データとして、ある時点における前記制御情報および前記温度情報を入力すると、所定の熱処理計画に基づく目標温度を達成する次の時点における前記制御情報を出力する前記基本学習モデルを作成するステップ、
    　をさらに有する請求項１から請求項７の何れか１項に記載の熱処理炉の制御方法。
  9. 　被熱処理物を加熱する初期加熱区間における、熱処理炉の制御情報と、前記熱処理炉の雰囲気温度および前記被熱処理物の温度を含む温度情報と、を学習データとして、前記制御情報と前記温度情報の対応関係を学習した個別学習モデルを作成する個別学習モデル作成部と、
    　前記制御情報および前記温度情報に基づいて熱処理の進行に応じた目標温度を達成する前記制御情報を出力する基本学習モデルと、前記熱処理中の前記制御情報および前記温度情報と、に基づいて、前記制御情報を算出し、前記熱処理中の前記温度情報と、前記目標温度と、前記個別学習モデルと、に基づいて、算出した前記制御情報を補正し、補正後の前記制御情報に基づいて前記熱処理炉を制御する制御部と、
    　を備える熱処理システム。
  10. 　コンピュータに、
    　被熱処理物を加熱する初期加熱区間における、熱処理炉の制御情報と、前記熱処理炉の雰囲気温度および前記被熱処理物の温度とを含む温度情報と、を学習データとして、前記制御情報と前記温度情報の対応関係を学習した個別学習モデルを作成するステップと、
    　前記制御情報および前記温度情報に基づいて熱処理の進行に応じた目標温度を達成する前記制御情報を出力する基本学習モデルと、前記熱処理中の前記制御情報および前記温度情報と、に基づいて、前記制御情報を算出するステップと、
    　前記熱処理中の前記温度情報と、前記目標温度と、前記個別学習モデルと、に基づいて、算出した前記制御情報を補正するステップと、
    　を実行させるプログラム。
PCT/JP2021/011684 2020-06-23 2021-03-22 熱処理炉の制御方法、熱処理システム及びプログラム WO2021261039A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-107635 2020-06-23
JP2020107635A JP7531325B2 (ja) 2020-06-23 2020-06-23 熱処理炉の制御方法、熱処理システム及びプログラム

Publications (1)

Publication Number Publication Date
WO2021261039A1 true WO2021261039A1 (ja) 2021-12-30

Family

ID=79247256

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/011684 WO2021261039A1 (ja) 2020-06-23 2021-03-22 熱処理炉の制御方法、熱処理システム及びプログラム

Country Status (2)

Country Link
JP (1) JP7531325B2 (ja)
WO (1) WO2021261039A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115112259A (zh) * 2022-07-06 2022-09-27 钢研纳克检测技术股份有限公司 一种基于数字孪生技术的高温热处理炉智能校准方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5861233A (ja) * 1981-10-08 1983-04-12 Nippon Steel Corp 板温制御方法
CN1704487A (zh) * 2004-05-28 2005-12-07 上海宝信软件股份有限公司 一种控制带钢温度的方法
JP2017157094A (ja) * 2016-03-03 2017-09-07 新日鐵住金株式会社 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム
CN108330257A (zh) * 2018-02-26 2018-07-27 首钢京唐钢铁联合有限责任公司 退火炉加热段温度控制方法及装置
JP2020068029A (ja) * 2018-10-19 2020-04-30 Ｊｆｅスチール株式会社 工場内ライン負荷予測モデル作成方法、工場内ライン負荷予測モデル、工場内ライン生産計画作成方法、工場内ライン負荷予測モデル作成プログラム、工場内ライン負荷予測モデル作成装置、及び工場内ライン生産計画作成装置
CN111286599A (zh) * 2020-03-27 2020-06-16 西安交通大学 基于机器学习的合金热处理工艺优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5861233A (ja) * 1981-10-08 1983-04-12 Nippon Steel Corp 板温制御方法
CN1704487A (zh) * 2004-05-28 2005-12-07 上海宝信软件股份有限公司 一种控制带钢温度的方法
JP2017157094A (ja) * 2016-03-03 2017-09-07 新日鐵住金株式会社 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム
CN108330257A (zh) * 2018-02-26 2018-07-27 首钢京唐钢铁联合有限责任公司 退火炉加热段温度控制方法及装置
JP2020068029A (ja) * 2018-10-19 2020-04-30 Ｊｆｅスチール株式会社 工場内ライン負荷予測モデル作成方法、工場内ライン負荷予測モデル、工場内ライン生産計画作成方法、工場内ライン負荷予測モデル作成プログラム、工場内ライン負荷予測モデル作成装置、及び工場内ライン生産計画作成装置
CN111286599A (zh) * 2020-03-27 2020-06-16 西安交通大学 基于机器学习的合金热处理工艺优化方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115112259A (zh) * 2022-07-06 2022-09-27 钢研纳克检测技术股份有限公司 一种基于数字孪生技术的高温热处理炉智能校准方法

Also Published As

Publication number Publication date
JP2022003158A (ja) 2022-01-11
JP7531325B2 (ja) 2024-08-09

Similar Documents

Publication Publication Date Title
JP4551515B2 (ja) 半導体製造装置およびその温度制御方法
CN104451119B (zh) 一种台车式燃气热处理炉温控系统及温控方法
WO2021261039A1 (ja) 熱処理炉の制御方法、熱処理システム及びプログラム
CN102453792B (zh) 连续退火炉炉压控制方法及控制设备
KR101956365B1 (ko) 연속 소둔라인의 강판 온도 패턴 제어 시스템 및 방법
CN103939938B (zh) 脉冲燃烧式燃气及助燃气压力前馈优化控制方法
JP6985155B2 (ja) 特に再生加熱される工業炉を制御下で動作させる方法、開ループ制御及び閉ループ制御装置、並びに、加熱可能な工業炉
CN110205427A (zh) 一种智能热风炉优化控制系统及方法
CN109457105A (zh) 一种基于轧钢双蓄热加热炉的温度控制方法
JP5286729B2 (ja) 熱風炉の燃焼制御方法及びその燃焼制御装置
CN114721253A (zh) 基于人工蜂群算法的加热炉温度分数阶pid控制系统及方法
CN115576194A (zh) 基于脉冲燃烧连续退火炉的煤气总管压力控制方法
EP4023987A1 (en) Method for improving furnace temperature uniformity
JP2008001816A (ja) コークス炉の燃焼制御方法
JPS6127657B2 (ja)
CN111780565B (zh) 一种加热炉燃气主管道压力控制方法
JP2009084636A (ja) 熱風炉の燃焼制御方法及びその燃焼制御装置
CN103937957B (zh) 脉冲燃烧式炉膛压力前馈优化控制方法
JP5919815B2 (ja) ガスコック開度算出方法、コークス炉の操業方法及びコークスの製造方法
JP2006344004A (ja) 運転支援装置および運転支援方法
Butkarev et al. Boosting the hot-blast temperature in blast furnaces by means of an optimal control system
JP2019174003A (ja) 給湯ユニット用の制御装置、給湯ユニット用の貯湯タンクユニット、及び給湯ユニット
JP5418375B2 (ja) 熱風炉制御計算装置、熱風炉制御方法、及びコンピュータプログラム
Voicu et al. Digital Control Systems for Thermal Regimes in Industrial Furnaces.
JP2013096002A (ja) 熱風炉の燃焼制御方法および燃焼制御装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21828494

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21828494

Country of ref document: EP

Kind code of ref document: A1