[发明专利]强热减量推定装置、强热减量推定方法、机械学习装置和机械学习方法

说明书

以短时间、高精度地推定强热减量。强热减量推定装置(1)包括一个或多个处理器，其使用通过机械学习构筑的学习后模型(LM)执行推定铸件砂的强热减量的推定步骤。学习后模型(LM)的输入为(1)在焙烧期间中检测的与所述铸件砂的重量有关的砂重量数据、(2)与所述铸件砂的性质有关的砂性质数据、与在所述铸件砂中添加的添加物有关的添加物数据和在所述焙烧期间中检测的与焙烧环境有关的焙烧环境数据中的至少任一个。学习后模型(LM)的输出为强热减量的推定值。

技术领域

本发明涉及使用学习后模型推定铸件砂的强热减量的装置和方法。另外，涉及构筑这样的学习后模型的装置和方法。

背景技术

作为用于铸模的造型的铸件砂之一，广泛地使用了通过固化剂的化学反应而固化的铸件砂(自固化性工艺、气体固化工艺等中使用的砂)。在铸造中利用的铸件砂通过砂再生机研磨，采用混炼机与新的树脂和固化剂混炼后，在造型中再利用。此时，砂再生机、混炼机等的工作条件根据铸造中利用的铸件砂的强热减量而最优化。

铸件砂的强热减量表示在铸造中利用的在铸件砂残留的树脂的量，通过在使铸件砂干燥后进行焙烧而测定。焙烧温度为1000℃，焙烧时间为60分钟。作为强热减量的定义，广泛使用了(W0-W60)/W0。其中，W0[g]为干燥后且焙烧前的铸件砂的重量，W60为焙烧后的铸件砂的重量。强热减量也有时称为“LOI”。

但是，为了按照上述的定义测定强热减量，干燥需要60分钟，焙烧需要60分钟，合计需要120分钟以上的时间。因此，强热减量的测定对于铸造业者而言，成为了时间的负担大的处理。另外，由于强热减量的测定需要的时间长，因此在进行强热减量的测定的期间，不能根据强热减量来使砂再生机、混炼机等的工作条件最优化，成为了使铸件的品质降低的主要因素。

在专利文献1中，公开了由振动压缩的铸件砂的静电值(静电容量)来推定强热减量的方法。根据专利文献1中记载的方法，在没有将铸件砂焙烧的情况下就能够推定强热减量。因此，根据专利文献1中记载的方法，能够减轻强热减量的测定对铸造业者增加的时间的负担。

现有技术文献

专利文献

专利文献1：日本特开2015-208781号

发明内容

发明要解决的课题

但是，对于专利文献1中记载的方法而言，存在着难以高精度地得到强热减量的问题。

本发明的一个方案鉴于上述的问题而完成，在于实现能够以短时间、高精度地推定强热减量的技术。

用于解决课题的手段

本发明的一个方案涉及的强热减量推定装置包括使用通过机械学习构筑的学习后模型来执行推定铸件砂的强热减量的推定步骤的一个或多个处理器。另外，本发明的一个方案涉及的强热减量推定方法包含一个或多个处理器使用通过机械学习构筑的学习后模型推定铸件砂的强热减量的推定步骤。

另外，本发明的一个方案涉及的机械学习装置包括通过使用了学习用数据集的有教师的学习来执行构筑推定强热减量的学习后模型的构筑步骤的一个或多个处理器。另外，本发明的一个方案涉及的机械学习方法包含一个或多个处理器通过使用了学习用数据集的有教师的学习来构筑推定强热减量的学习后模型的构筑步骤。

而且，在上述强热减量推定装置、上述强热减量推定方法、上述机械学习装置和上述机械学习方法中，(a)上述学习后模型的输入为(1)在焙烧期间中检测的与所述铸件砂的重量有关的砂重量数据、和(2)与所述铸件砂的性质有关的砂性质数据、与在所述铸件砂中添加的添加物有关的添加物数据和在所述焙烧期间中检测的与焙烧环境有关的焙烧环境数据中的至少任一个，(b)所述学习后模型的输出为强热减量的推定值、或者在比所述焙烧期间长的预定的时间焙烧后的所述铸件砂的重量的推定值。

发明的效果