型芯品质推断系统、型芯品质推断方法、非临时性存储介质、学习完毕模型、机器学习设备

技术领域

本发明涉及一种型芯品质推断系统、型芯品质推断方法、非临时性存储介质、学习完毕模型、以及机器学习设备。

背景技术

通常，在对铸造用的型芯进行造型的型芯造型装置中，通过将作为型芯的原料的型芯砂、水玻璃、水、表面活性剂等混炼而成的混炼砂填充至模具并加热，来造型型芯。

在日本特开2020-110811中，公开了一种技术：在这样的型芯造型装置中，对混炼砂填充至模具时的模具的温度进行测定，并在与作为造型型芯的适当温度的烧结温度的差分为规定值以上的情况下报告异常，由此知晓型芯的品质降低的可能性。

发明内容

在此，本发明人在型芯造型装置的品质管理中发现了以下的问题。在型芯造型装置中，以预先计算的最佳的比例对型芯砂、水玻璃、水、表面活性剂等进行混炼，但由于在混炼时水分蒸发，所以实际向模具填充时在混炼砂中含有的水量例如受到温度、湿度等周围环境的影响。此外，由于在混炼砂中含有的水量，其动态粘度变化，作为结果，向模具填充时的混炼砂的行为受到周围环境的影响。

但是，在日本特开2020-110811记载的型芯造型装置的品质管理中，未考虑这种周围环境的影响，在型芯造型装置的品质管理上存在进一步提高的空间。

本发明提供一种能够更高精度地推断型芯的品质的型芯品质推断系统、型芯品质推断方法、非临时性存储介质、学习完毕模型、以及能够学习型芯的品质的机器学习设备。

本发明的第一方式所涉及的型芯品质推断系统对型芯的品质进行推断，前述型芯是通过将在混炼槽中混炼的混炼砂填充至模具并加热而造型的，前述型芯品质推断系统具备计算机，其执行以下的操作：取得前述模具的模温信息；取得与造型前述型芯的周围环境相关的环境信息；以及基于前述模温信息、前述环境信息，推断前述型芯的品质。

通过这样的结构，由于在考虑与造型型芯的周围环境相关的环境信息的基础上，推断造型的型芯的品质，所以能够根据在混炼砂中含有的水量的变化，更高精度地推断型芯的品质。

在上述方式的型芯品质推断系统中，前述环境信息也可以包含周围环境的湿度信息和气压信息中的至少一者。通过这样的结构，通过考虑湿度信息和气压信息中的至少一者，能够根据在混炼砂中含有的水量的变化，更高精度地推断型芯的品质。

在上述方式的型芯品质推断系统中，前述计算机也可以基于造型前述型芯的位置信息，取得前述环境信息。通过这样的结构，通过基于位置信息取得环境信息，不需要设置用于取得环境信息的传感器等，能够削减成本。

在上述方式的型芯品质推断系统中，前述计算机也可以在前述混炼砂向前述模具的填充完成之前，推断通过前述混炼砂造型的前述型芯的品质。通过这样的结构，通过在混炼砂的填充完成之前进行推断，能够基于推断结果，控制模具的模温，防止在型芯中产生不良。

在上述方式的型芯品质推断系统中，前述计算机也可以在前述混炼槽中的前述混炼砂的混炼完成之前，推断通过前述混炼砂造型的前述型芯的品质。通过这样的结构，通过在混炼槽中的混炼砂的混炼完成之前进行推断，能够对在混炼槽中混炼时的水分投入量进行控制，防止在型芯中产生不良。

在上述方式的型芯品质推断系统中，前述计算机也可以通过使用利用了CAE的、模具内的混炼砂的行为解析，推断前述型芯的品质。通过这样的结构，通过利用CAE，解析在模具内的混炼砂的行为，能够根据在模具内的行为，推断型芯的品质。

在上述方式的型芯品质推断系统中，前述计算机也可以基于使用前述行为解析得到的、混炼砂的填充时或加热时的前述模具的模温信息，推断前述型芯的品质。通过这样的结构，通过在模具内的混炼砂的行为解析，基于模具的模温信息，推断型芯的品质，从而能够推断被模温影响的型芯的品质。

在上述方式的型芯品质推断系统中，前述计算机也可以基于使用前述行为解析得到的、混炼砂的填充时的行为信息，推断前述型芯的品质。通过这样的结构，通过在模具内的混炼砂的行为解析，基于在混炼砂的填充时的行为信息，推断型芯的品质，从而能够推断被混炼砂的行为影响的型芯的品质。

在上述方式的型芯品质推断系统中，前述计算机也可以基于前述模温信息和前述环境信息，并使用学习完毕模型，来推断前述型芯的品质，前述学习完毕模型是使用以模温信息和环境信息作为输入、以与型芯的品质相关的品质信息作为输出的监督数据进行机器学习的。通过这样的结构，由于预先使用学习了模温信息及环境信息、与型芯的品质信息的关系的学习完毕模型来推断造型的型芯的品质，所以能够根据在混炼砂中含有的水量的变化，更高精度地推断型芯的品质。

在上述方式的型芯品质推断系统中，前述计算机还可以执行以下操作：针对推断结果，承接修正；以及在承接了前述修正的情况下，基于修正后的内容，更新前述学习完毕模型。通过这样的结构，能够使学习完毕模型适当地再学习，能够更高精度地推断型芯的品质。

在上述方式的型芯品质推断系统中，前述计算机也可以进一步执行：基于前述推断结果对造型型芯的造型条件进行控制。通过这样的结构，通过基于推断结果控制造型条件，能够防止在型芯中产生不良。

在上述方式的型芯品质推断系统中，前述计算机也可以对前述模具的模温和在前述混炼槽中混炼时的水分投入量中的至少一者进行控制。通过这样的结构，通过调节模温和水分投入量，能够防止在型芯中产生不良。

本发明的第二方式所涉及的型芯品质推断方法通过计算机对型芯的品质进行推断，前述型芯是通过将在混炼槽中混炼的混炼砂填充至模具并加热而造型的，前述型芯品质推断方法包括：取得前述模具的模温信息；取得与造型前述型芯的周围环境相关的环境信息；以及基于前述模温信息和前述环境信息，推断前述型芯的品质。

本发明的第三方式所涉及的非临时性存储介质存储一个或多个计算机可执行的指令，前述指令用于推断型芯的品质，前述型芯是通过将在混炼槽中混炼的混炼砂填充至模具并加热而造型的，前述指令使前述一个或多个计算机执行以下的功能。前述指令包括：取得前述模具的模温信息；取得与造型前述型芯的周围环境相关的环境信息；以及基于前述模温信息和前述环境信息，推断前述型芯的品质。

此外，本发明的第四方式所涉及的学习完毕模型使计算机发挥功能，前述功能为基于填充了混炼砂的模具的模温信息和与造型型芯的周围环境相关的环境信息，输出与前述型芯的品质相关的品质信息，使用以前述模温信息和前述环境信息作为输入、以前述品质信息作为输出的监督数据进行机器学习。

通过这样的结构，由于在考虑与造型型芯的周围环境相关的环境信息的基础上，推断造型的型芯的品质，所以能够根据在混炼砂中含有的水量的变化，更高精度地推断型芯的品质。

此外，本发明第五方式所涉及的机器学习设备对型芯的品质进行学习，前述型芯是通过将在混炼槽中混炼的混炼砂填充至模具并加热而造型的，前述机器学习设备具备计算机，其执行以下的操作：取得前述模具的模温信息；取得与造型前述型芯的周围环境相关的环境信息；取得与前述型芯的品质相关的品质信息；以及使用以前述模温信息和前述环境信息作为输入、以前述品质信息作为输出的监督数据，对造型的型芯的品质进行学习。

通过这样的结构，对造型的型芯的品质进行学习，能够在考虑与周围环境相关的环境信息的基础上，生成能够推断造型的型芯的品质的学习完毕模型。

根据本发明，能够提供一种能够更高精度地推断型芯的品质的型芯品质推断系统、型芯品质推断方法、非临时性存储介质、学习完毕模型、以及能够学习型芯的品质的机器学习设备。

附图说明

下面将参考附图描述本发明的示例性实施例的特征、优点以及技术和工业意义，在附图中，相同的标记表示相同的元件。

图1是混炼砂的混炼时的型芯造型装置的整体概略剖视图。

图2是混炼砂的填充时的型芯造型装置的整体概略剖视图。

图3是表示第一实施方式所涉及的型芯品质推断系统的硬件结构的概略的图。

图4是表示第一实施方式所涉及的型芯品质推断系统的功能结构的图。

图5是第一实施方式所涉及的型芯品质推断处理的流程图。

图6是表示第二实施方式所涉及的型芯品质推断系统的功能结构的图。

图7是表示第二实施方式所涉及的机器学习设备的功能结构的图。

图8是表示在第二实施方式所涉及的机器学习中使用的神经网络的图。

图9是表示第二实施方式所涉及的学习处理的流程的流程图。

图10是第二实施方式所涉及的型芯品质推断处理的流程图。

具体实施方式

以下，参照附图，详细说明应用了本发明的具体实施方式。但是，本发明并不限定于以下的实施方式。此外，为了明确说明，以下的记载和附图被适当地简化。

首先，在说明应用了本发明的实施方式所涉及的型芯品质推断系统之前，对用于造型型芯的型芯造型装置进行简单说明，该型芯是通过型芯品质推断系统推断品质的型芯。图1、图2是表示型芯造型装置的概略的整体剖视图。

如图1和图2所示，型芯造型装置100包含混炼槽110、原料供给器件120、基座130、活塞140、气缸150、以及模具160。

混炼槽110是用于通过对原料进行混炼来制造混炼砂的收纳槽。混炼槽110是上部开口并且具有底部的、例如圆筒形状的有底容器。混炼槽110具有内径150～350mm、高度150～350mm左右的尺寸，例如具有内径250mm、高度250mm左右的尺寸。在混炼槽110中，从开口的上部通过原料供给器件120(型芯砂供给器件121、水玻璃供给器件122、水供给器件123、表面活性剂供给器件124)供给作为型芯的原料的型芯砂、水玻璃、水、表面活性剂等液状的添加剂。在此，水玻璃发挥粘合剂的作用。作为粘合剂，不限于水玻璃，可以使用粘土类、水泥等无机物。

在混炼槽110的底部，设置了贯通孔111，其用于注塑在混炼槽110的内部通过未图示的混炼叶片等混炼原料而制造的混炼材料S。此外，在该贯通孔111中，例如设置了带有切口的橡胶状的阀等，抑制混炼材料S从混炼槽110漏出，并且在注塑时成为开口的结构。

基座130是用于支承混炼槽110的部件。在基座130的上表面，形成了与设置在混炼槽110的底部的贯通孔111嵌合的凸部，通过从下侧支承设置在贯通孔111的阀进行按压。

以此方式，在载置于基座130上的混炼槽110内，原料被混炼之后，收纳了混炼材料S的混炼槽110从基座130上移送到模具160上。移送例如可以通过具有电机等驱动器件、保持混炼槽110的保持器件等的输送装置来执行。此外，在图1中，表示混炼槽110载置在基座130上的状态，模具160上的混炼槽110以双点划线表示。在图2中，表示混炼槽110在移送后载置在模具160上的状态，基座130上的混炼槽110以双点划线表示。

如图2所示，在将混炼槽110载置在模具160上之后，通过活塞140将混炼槽110内的混炼材料S注塑到模具160中进行填充。在此，活塞140能够通过气缸150在上下方向移动。当通过未图示的控制部使气缸150下降时，活塞140下降，将混炼材料S注塑到模具160内进行填充。

填充在模具160内的混炼材料S在模具160内部、通过由模具热控制器161进行了温度调节的模具160而加热，沿模具160的内壁硬化，由此对模具形状的型芯进行造型。在此，模具热控制器161对模具160的各部分进行加热、降温、温度保持，可以设置在模具160的内部，也可以设置在外部。具体而言，通过加热器、冷却水循环器等调节模温。此外，在模具160上设置了温度传感器162，连续或非连续地测定模具160的模温。温度传感器162例如可以是热电偶等接触温度传感器，也可以是非接触温度传感器。此外，关于温度传感器162的设置场所、设置数量等，根据模具160的形状等适当地确定。

被造型的型芯从模具160取出。例如，左模163构成为能够相对于右模164进行相对移动，左模163从右模164离开，由此能够从模具160取出型芯。

在此，说明了对通过本发明所涉及的型芯品质推断系统推断品质的型芯进行造型的型芯造型装置的一例，但其结构、造型流程也可以进行各种改变，在本发明所涉及的型芯品质推断系统中，对作为推断对象的型芯进行造型的型芯造型装置并不限定于上述的型芯造型装置的结构。

第一实施方式

接着，说明第一实施方式所涉及的型芯品质推断系统。图3是表示本实施方式所涉及的型芯品质推断系统200的硬件结构的概略的框图。

如图3所示，型芯品质推断系统200具有个人计算机等通常的信息处理装置所具有的计算机资源。具体而言，具备CPU(Central Processing Unit)201、ROM(Read OnlyMemory)202、RAM(Random Access Memory)203、HDD(Hard Disk Drive)204、通信接口(I/F)205、以及输入输出接口(I/F)206。此外，这些部件中的每一个部件可经由数据总线207相互通信地连接。

此外，在此说明了型芯品质推断系统200的各部由嵌入了型芯造型装置100的控制功能的信息处理装置实现的示例，但是型芯品质推断系统可以由与具有型芯造型装置100的控制功能的控制装置独立设置的信息处理装置实现。此外，这些功能的一部分或全部也可以在边缘、服务器(云)等外部装置中实现。具体而言，也可以汇集与工厂内的各设备相关的信息，并在具有作为进行数据的管理、解析等的平台的功能的工厂内服务器、跨多个工厂管理设备的工厂间服务器中实现。

CPU 201是综合控制型芯品质推断系统200的微处理器。具体而言，读出存储在ROM202、HDD 204中的在本实施方式中执行的各种控制程序，并执行在RAM 203上加载的这些程序。在此，作为存储装置，也可以代替HDD 204或在HDD 204上附加SSD(Solid StateDrive)。

通信接口205实施型芯品质推断系统200与外部设备的通信。在此，通信不论是无线有线，都可以通过各种通信技术来实现。在本实施方式中，例如从设置在型芯造型装置100上的温度传感器162接收模具160的模温信息。

输入输出接口206实施型芯品质推断系统200与外部的输入输出。例如，具有显示与推断的型芯品质相关的信息的显示器等输出装置、用于作业者使用的输入装置。

接着，说明本实施方式所涉及的型芯品质推断系统200的功能结构。图4是表示本实施方式所涉及的型芯品质推断系统200的功能结构的框图。

如图4所示，作为功能结构，型芯品质推断系统200具有模温信息取得部301、环境信息取得部302、推断部303、控制部304、以及显示部305。它们通过CPU 201执行存储在ROM202等中的各种控制程序，从而发挥功能。此外，型芯品质推断系统200的功能的一部分或全部也可以通过硬件电路来实现。

模温信息取得部301取得填充了混炼砂S的模具160的模温信息。具体而言，从设置于模具160、测定模温的温度传感器162取得模温信息。此外，在模具160中，例如在设置了多个温度传感器162的情况下，可以取得模温以及与模温建立关联的模具160中的温度传感器162的位置信息来作为模温信息。在此，也可以从温度传感器162只取得模温，在模温信息取得部301中，进行模温与位置信息的建立关联，并取得作为模温信息。

环境信息取得部302取得与造型型芯的周围环境相关的环境信息。具体而言，能够基于型芯造型装置100被使用的位置信息，利用与从外部提供的该位置信息对应的气象信息、气象预报信息等，取得温度、湿度、气压等环境信息。例如，环境信息取得部302在取得设置了型芯造型装置100的位置信息时，将该位置信息与气象信息请求一起发送到经由因特网等通信网连接的气象信息提供服务器。气象信息提供服务器从数据库中读出由接收的位置信息确定的位置的气象信息等，向环境信息取得部302发送。以此方式，环境信息取得部302能够取得与位置信息对应的气象信息等。

在此，关于位置信息，也可以在型芯造型装置100、型芯品质推断系统200中具有GPS功能等取得位置信息的功能，并通过GPS功能取得位置信息，也可以利用由使用型芯品质推断系统200的使用者等输入的位置信息。以此方式，通过基于位置信息取得环境信息，不需要设置用于取得环境信息的传感器等，能够削减成本。当然，也可以采用从设置在型芯造型装置100的周边的、测定气温、湿度、气压等环境信息的传感器，并通过有线或无线的通信手段来取得环境信息的结构。

推断部303基于由模温信息取得部301取得的模温信息、以及由环境信息取得部302取得的环境信息，推断造型的型芯的品质。推断部303例如将型芯的品质与预先设定的基准值进行比较，推断是否为比基准值高的品质(即、合格品)、或是否是基准值以下的品质(即、不合格品)。此时，基准值不一定为一个，也可以为多个。进一步地，也可以用数值、排名来表现品质的程度、生成表示具体的品质的内容的信息。

具体而言，通过使用利用了CAE(Computer Aided Engineering)的、在模具160内的混炼砂S的行为解析，推断上述型芯的品质。通过使用利用了CAE的解析，例如能够实施以计算式难以推断的品质的推断。在该解析中使用的软件只要是从各种市售的解析软件、将市售的解析软件修正、改良为本解析用的软件等中适当选择的即可。

首先，解析的对象是从混炼槽110通过活塞140填充至模具160中的混炼材料S在模具160内(包含作为模具160的入口的浇口部分)的行为，使用这些对象部位的图纸数据(CAD数据)，构筑解析模型。构筑的解析模型存储在推断部303中，通过针对该解析模型输入解析条件，进行在模具160内的混炼砂S的行为解析，输出解析结果。对于解析结果，可以根据各种软件选择各种输出形式。

在此，混炼材料S在模具160内的行为受到混炼砂S包含的水量、动态粘度等的影响。此外，混炼砂S是型芯砂、水玻璃、水、表面活性剂等混炼得到，但由于在混炼时水分蒸发，所以在实际向模具填充时在混炼砂S中含有的水量、混炼砂S的动态粘度受周围的环境信息的影响。在本实施方式中，作为解析条件，至少输入模温信息和环境信息，进行行为解析，因此能够考虑这些影响地、高精度地进行行为解析。在此，作为环境信息，可以使用气温信息、湿度信息、气压信息中的任一者，例如，也可以组合使用气温信息和湿度信息、湿度信息和气压信息、气温信息和气压信息这样的两个以上的信息。通过这样的结构，可以详细地考虑对于在混炼砂S中含有的水量、动态粘度的影响而更高精度地实施行为解析。

此外，在本实施方式中，将模温信息、以及作为环境信息以外的任意解析条件的、与混炼砂S的原料种类、混炼时投入的水量等原料比例、混炼砂S的动态粘度、基于活塞140的注塑压等造型条件相关的信息，作为在推断部303中预先设定或存储的条件，进行行为解析，但也可以在解析时输入与这些相关的信息，进行行为解析。在这种情况下，型芯品质推断系统200还具有取得混炼砂S的原料种类、水量等原料比例、混炼砂S的动态粘度、注塑压等造型条件的功能，由此能够在解析时输入这些信息，进行行为解析。

以此方式，基于利用了CAE的、使用混炼砂S的行为解析而得到的信息，推断造型的型芯的品质。具体而言，基于混炼砂S的填充时、加热时的模具160的模温信息，推断型芯的品质。即，关于在填充时、加热时与混炼砂S接触的部分的模温，对于造型的型芯的品质影响大，因此，当模温偏离于预先确定的规定的温度范围时，会产生不良。例如，如果模温为高于规定范围的温度，则会产生型芯的折断、裂纹等不良情况。另一方面，如果模温低于规定范围，则会产生型芯向模具160的粘贴的不良情况。此外，在本实施方式中，基于使用行为解析得到的模温信息来推断型芯的品质，因此能够在混炼砂S实际向模具160填充之前推断填充时的模温，并且与温度传感器162相比能够推断更详细的温度分布信息，因此能够高精度地推断型芯的品质。

进一步地，推断部303也可以基于使用混炼砂S的行为解析得到的混炼砂S的填充时的行为信息，推断型芯的品质。具体而言，基于混炼砂S在模具160内的流速信息、能量信息，推断型芯的品质。即，关于混炼砂S在模具160内的行为信息，对于造型的型芯的品质影响大，因此当流速、能量等偏离于预先确定的规定范围时，会产生不良。例如，如果是混炼砂S的动态粘度高、流速慢的状态，则在造型的型芯中，会产生砂堵塞、褶皱这样的不良情况。另一方面，如果是混炼砂S的动态粘度低、流速快的状态，则在造型的型芯中，会产生向模具160粘贴、变形不良这样的不良情况。因此，推断部303能够基于这些信息来推断型芯的品质。此外，上述的模温、流速、能量的规定值预先利用实验等通过确认品质的好坏来设定。

控制部304根据基于推断部303的推断结果，控制对型芯进行造型的造型条件。具体而言，在通过推断部303推断为在造型的型芯中产生不良的情况下，通过进行调节模具160的模温、在混炼槽110中混炼时的水分投入量的控制，防止在造型的型芯中产生不良。例如，在由推断部303推断为混炼砂S的填充时的模具160的模温偏离于规定范围的情况下，通过对模具热控制器161进行控制，从而实施温度控制，以使模温成为规定范围内。此外，在推断为流速比规定范围慢的情况下，通过控制水供给器件123，调节在混炼槽110中混炼时的水分投入量，从而进行控制，以使流速成为规定范围内。此外，在此说明的造型条件的控制只不过是一例，同样地，也可以通过控制型芯砂供给器件121、水玻璃供给器件122、表面活性剂供给器件124等、调节混炼时间，来调节在混炼砂S中含有的水量，也可以通过控制气缸150的动作，调节基于活塞140的注塑压，通过控制其他各种造型条件，可以防止在型芯中产生不良。在此，控制部304不一定必须设置在型芯品质推断系统200中，例如，也可以根据基于推断部303的推断结果，通过作业者操作另外设置的控制装置，防止在型芯中产生的不良。

显示部305显示由推断部303推断的型芯的品质的推断结果、用于防止由控制部304确定的不良的制造条件等。通过显示部305，显示与型芯的品质的不良的产生相关的信息、警告，由此，能够向作业者通知这些信息，例如，作业者能够进行型芯的造型条件的调节、造型的中止等。此外，在此，说明了型芯品质推断系统200作为信息处理装置而具有显示部305的例子，但也可以在型芯造型装置100上设置显示部305，也可以是在操作者持有的平板终端等设置显示部305的结构。

接着，说明本实施方式所涉及的型芯品质推断系统200中的推断流程的流程，即、型芯品质推断方法。图5是本实施方式所涉及的型芯品质推断处理的流程图。本流程并不限定于此，例如，在型芯造型装置100中，在每次进行型芯造型处理时，在进行混炼槽110内的混炼砂S的混炼的定时开始流程。

首先，在步骤S11中，模温信息取得部301取得填充了混炼砂S的模具160的模温信息。接着，在步骤S12中，环境信息取得部302取得与造型型芯的周围环境相关的环境信息。此外，环境信息取得部302可以在每次进行推断处理时取得环境信息，也可以每隔固定期间进行取得，并在多次的推断处理中使用相同的值。此外，关于步骤S11、S12，也可以适当改变顺序。

接着，在步骤S13中，推断部303基于由模温信息取得部301取得的模温信息、以及由环境信息取得部302取得的环境信息，推断造型的型芯的品质。在此，基于推断部303的推断优选在作为该推断的对象的型芯的造型过程中，在混炼砂S向模具160的填充完成之前进行。通过在混炼砂S的填充完成之前进行推断，能够基于推断结果，控制模具160的模温，能够防止在型芯中产生不良。进一步地，基于推断部303的推断优选在作为该推断的对象的型芯的造型过程中，在混炼槽110中的混炼砂S的混炼完成之前进行。通过在混炼槽110中的混炼砂S的混炼完成之前进行推断，能够控制在混炼槽110中混炼时的水分投入量，防止在型芯中产生不良。此外，以此方式在想要与型芯造型过程中规定的定时相比而较早地推断型芯的品质的情况下，能够通过将开始本流程的定时迎合解析时间进行调节、使在上述的行为解析中使用的解析软件回退化等来实施。

接着，在步骤S14中，通过控制部304根据基于推断部303的推断结果，控制造型型芯的造型条件，结束本流程。此外，虽然在本流程中进行了省略，但也可以增加通过显示部305显示由推断部303推断的型芯的品质的推断结果、用于防止由控制部304确定的不良的制造条件等的步骤。此外，在此，说明了在型芯造型装置100中，对于每次进行型芯造型过程进行推断处理的例子，但也可以对于多次的型芯造型过程进行一次推断处理，也可以在与型芯造型过程独立的虚拟环境中进行推断处理。即，也可以适当地确定开始本流程的定时、基于推断部303的推断的定时。例如，也可以采用在下一次的造型过程中使用本次的造型过程中的推断结果来控制造型条件的结构。

根据以上的说明，本实施方式所涉及的型芯品质推断系统具有取得模具的模温信息的模温信息取得部301、取得与造型型芯的周围环境相关的环境信息的环境信息取得部302、以及基于模温信息和环境信息推断型芯的品质的推断部303，因此在考虑了与造型型芯的周围环境相关的环境信息的基础上，推断造型的型芯的品质，因此，能够根据在混炼砂中含有的水量的变化，高精度地推断型芯的品质。

第二实施方式

接着，说明第二实施方式所涉及的型芯品质推断系统200。关于第二实施方式所涉及的型芯品质推断系统200的硬件结构，由于与第一实施方式所涉及的型芯品质推断系统200相同，所以在此省略说明。此外，由于功能结构也包含共同的部分，因此在此说明存在差异的部分。

图6是表示本实施方式所涉及的型芯品质推断系统200的功能结构的框图。如图6所示，作为功能的结构，型芯品质推断系统200具有模温信息取得部301、环境信息取得部302、推断部303、控制部304、显示部305、修正承接部306、以及模型更新部307。

关于第二实施方式所涉及的型芯品质推断系统200的推断部303，基于由模温信息取得部301取得的模温信息和由环境信息取得部302取得的环境信息，并使用学习完毕模型来推断造型的型芯的品质，学习完毕模型是使用以模温信息和环境信息作为输入、以与型芯的品质相关的品质信息作为输出的监督数据进行机器学习的。在此，学习完毕模型是预先在型芯品质推断系统200、边缘、服务器(云)等外部装置中，使用以模温信息和环境信息作为输入、与型芯的品质相关的品质信息作为输出的监督数据进行学习，并存储在推断部303中的模型。关于具体的学习的方法，此后详述。

修正承接部306针对基于推断部303的型芯的品质的推断结果，承接修正。具体而言，在作业者、检查装置检查实际被造型的型芯等，并通过与基于推断部303的推断不同的其他器件确认造型的型芯的品质的情况下，如果基于推断部303的推断结果与基于其他器件的确认结果不同，承接基于其他器件的修正。在此，在结果为一致的情况下，也可以承接没有修正的信息。此外，关于基于其他器件的确认，除了上述以外，实际上也可以使用在将混炼砂S填充至模具160时从温度传感器162得到的模温信息等。

模型更新部307在修正承接部306承接了修正的情况下，基于修正后的内容，更新存储在推断部303中的学习完毕模型。具体而言，通过后述的学习的方法，使用包含了修正后的内容的学习用数据集，针对已经学习了的学习完毕模型进行再学习。通过这样的结构，能够适当地使存储在推断部303中的学习完毕模型学习，能够更高精度地推断型芯的品质。

接着，说明第二实施方式所涉及的机器学习设备400。在此，省略针对机器学习设备400的硬件结构的详细说明，但与型芯品质推断系统200同样地，具有通常的信息处理装置所具有的计算机资源。此外，在此，对机器学习设备400的各部由与型芯品质推断系统200独立的信息处理装置来实现的例子进行说明，但也可以作为组装在型芯品质推断系统200的内部的结构来实现，也可以它们的一部分或全部的功能在边缘、服务器(云)等外部装置中实现。具体而言，在存在大量型芯造型装置100的工厂等中，在工厂内的各单元中存在的各型芯造型装置100、各型芯品质推断系统200经由网络连接到雾服务器，此外，针对每个单元设置的雾服务器经由网络连接到云服务器。在这样的结构中，机器学习设备400可以设置在雾服务器上，也可以设置在云服务器上。以此方式，通过在服务器上设置机器学习设备400，能够经由网络从多个型芯造型装置等收集信息，进行学习。

接着，说明本实施方式所涉及的机器学习设备400的功能结构。图7是表示本实施方式所涉及的机器学习设备400的功能结构的框图。

机器学习设备400具有模温信息取得部301、环境信息取得部302、品质信息取得部401、以及学习部402。模温信息取得部301和环境信息取得部302如上所述地，分别取得填充了混炼砂S的模具160的模温信息、与造型型芯的周围环境相关的环境信息。

品质信息取得部401取得与造型型芯的品质相关的品质信息。具体而言，将由模温信息取得部301取得的模温信息和由环境信息取得部302取得的环境信息建立关联，取得与在这些条件下被造型的型芯的品质相关的品质信息。在此，在本实施方式中，作为品质信息，说明了使用在实际造型型芯时测定的、混炼砂S的填充时、加热时的模具160的模温信息的例子，但同样地也可以使用测定的、混炼砂S的填充时的行为信息等作为品质信息，也可以由作业者等检查实际造型的型芯，并将作为检查结果信息输入的型芯的品质的良好与否作为品质信息来使用。

学习部402生成并存储监督数据，并进行基于该监督数据对造型的型芯的品质进行学习的所谓的有监督学习，其中监督数据是以由模温信息取得部301取得的模温信息和由环境信息取得部302取得的环境信息作为输入、以与这些信息建立了关联的品质信息作为输出。此外，有监督学习指的是，使监督数据、即某输入和针对该输入的输出的学习用数据集学习，并生成根据输入推断输出的学习完毕模型的学习，在本发明中，可以使用在有监督学习中使用的各种方法。

在此，以神经网络为例，说明通过机器学习设备400对被造型的型芯的品质进行学习的学习阶段、使用进行了学习的学习完毕模型并通过型芯品质推断系统200对造型的型芯的品质进行推断的运用阶段。

首先，在学习阶段中，生成学习用数据集。例如，将由模温信息取得部301取得的模具160内的多处的模温信息、以及由环境信息取得部302取得的周围环境的气温信息、湿度信息、气压信息作为输入值，将在这些条件下实际造型了型芯时的混炼砂S向模具160填充时的模具160的模温信息作为输出值，生成一个学习用数据集并进行存储。通过准备多个表示这些输入与输出的关系的数据，生成在机器学习中使用的学习用数据集。

接着，参照图8，说明在学习中使用的的神经网络。图8表示“多输入-输出”的阶层型神经网络。在此，为了简化，将隐藏层记述为2层，但实际上，进一步多层化是不言自明的，输入层、隐藏层的节点数也可以根据学习用数据集任意改变。

对于这样的神经网络的输入层的各节点，使用上述的学习用数据集，并输入输入值，由此将混炼砂S填充至模具160时的模具160的模温信息作为推断值从输出层输出。然后，以该推断值与作为学习用数据集而准备的、实际造型了型芯时的混炼砂S向模具160填充时的模具160的模温信息一致的方式，进行学习。具体而言，使用反向传播等进行学习，直到这些值的误差收敛到预先确定的设定误差以下为止，并学习了神经网络的权重、偏差(以下，总称为“权重”)。以此方式，对于由模温信息取得部301取得的模温信息、由环境信息取得部302取得的环境信息的输入，生成输出向模具160填充混炼砂S时的模具160的模温信息的神经网络(学习完毕模型)。

以此方式学习了权重的神经网络被输出至型芯品质推断系统200的推断部303，并执行运用阶段。在运用阶段，如图8所示，对于学习的神经网络的输入层，输入由模温信息取得部301取得的模温信息、由环境信息取得部302取得的环境信息的输入值，并从输出层作为推断值而输出混炼砂S向模具160的填充时的模具160的模温信息。推断部303对由神经网络输出的模具160的模温信息与预先设定的规定范围进行比较，推断型芯的品质。此外，通过同样的方法，可以生成输出混炼砂S的填充时的行为信息的神经网络、输出型芯的品质的良好与否的神经网络。进一步地，在本实施方式中，说明了将模温信息和环境信息用作输入值的例子，除此之外，能够将混炼砂S的原料种类、水量等原料比例、混炼砂S的动态粘度、注塑压等各种造型条件作为输入值来使用。

接着，说明本实施方式所涉及的机器学习设备400中的学习阶段的流程、即学习方法。图9是本实施方式所涉及的学习处理的流程图。本流程例如在规定量以上的学习用数据集累积在机器学习设备400中的状态下开始。此外，也可以在从上一次的学习起新累积了规定量以上的学习用数据集的情况下，执行本学习处理，进行再学习。

首先，在步骤S21中，学习部402读取存储在机器学习设备400中的学习用数据集的各数据。

接着，在步骤S22中，学习部402读取神经网络的输入层、隐藏层、输出层的各节点数，并生成神经网络。

在步骤S23中，学习部402使用读取的学习用数据集来学习神经网络的权重。具体地，学习部402将学习用数据集的输入值输入到输入层，并以输出的神经网络的输出值与学习用数据集的输出值之间的误差变小的方式，使用反向传播执行神经网络的权重的学习。当依次针对全部的数据实施学习时，进入步骤S24。

在步骤S24中，学习部402在对神经网络中的输出值与学习用数据集的输出值之间的误差是否收敛于预先确定的设定误差以下进行判断，并在判断为收敛于该设定误差以下的情况下，进入步骤S25，存储学习的神经网络的权重。另一方面，在判断为未收敛于设定误差以下的情况下，学习部402在步骤S23中再次学习权重，并继续学习直到神经网络中的输出值与学习用数据集的输出值之间的误差收敛于设定误差以下为止。

接着，说明本实施方式所涉及的型芯品质推断系统200中的运用阶段的流程、即型芯品质推断方法。图10是本实施方式所涉及的型芯品质推断处理的流程图，但其中的大部分与第一实施方式所涉及的型芯品质推断处理的流程共通，因此在此对存在差异的部分进行说明。本流程是在上述的学习处理完成，学习完毕模型被存储在推断部303中的状态下开始。

首先，在步骤S31、S32中，同样地，取得模温信息和环境信息，之后，在步骤S33中，推断部303基于模温信息和环境信息，使用完成了上述学习处理的学习完毕模型，对造型的型芯的品质进行推断。在此，与第一实施方式同样地，基于推断部303的推断优选在作为该推断的对象的型芯的造型过程中，在混炼砂S向模具160的填充完成之前进行，更优选在混炼槽110中的混炼砂S的混炼完成之前进行。以此方式，在想要与型芯造型过程中规定的定时相比而较早地推断型芯的品质的情况下，可以通过如上所述地选择简单的结构来作为学习完毕模型的模型结构、减少作为输入使用的信息等来实施。

接着，在步骤S34中，修正承接部306承接针对基于推断部303的型芯品质的推断结果的修正。

接着，在步骤S35中，通过模型更新部307，在修正承接部306承接了修正的情况下，基于修正后的内容，存储在推断部303中的学习完毕模型进行更新，结束本流程。此外，虽然在本流程中省略，但也可以如第一实施方式所涉及的型芯品质推断处理的流程中说明的那样，增加基于控制部304的造型条件的控制的步骤、显示基于显示部305的型芯的品质的推断结果等的步骤。

在本实施方式所涉及的型芯品质推断系统中，特别是推断部303基于模温信息和环境信息，并使用以模温信息和环境信息作为输入、以与型芯的品质相关的品质信息作为输出的监督数据进行机器学习的学习完毕模型来推断型芯的品质，因此预先使用学习了模温信息和环境信息、与型芯的品质信息的关系的学习完毕的模型来推断造型的型芯的品质，因此具有能够根据在混炼砂中含有的水量的变化来高精度地推断型芯的品质这样的效果。

其他实施方式

在第一、第二实施方式中，型芯品质推断系统200、机器学习设备400对于每个型芯造型装置100进行设置的情况作为示例进行了说明，但也可以采用它们在多个型芯造型装置100之间共有，并对通过多个型芯造型装置100造型的型芯的品质进行推断、学习的结构。此外，在第一、第二实施方式中，说明了推断部303通过使用利用了CAE的、在模具160内的混炼砂S的行为解析来推断型芯的品质的示例、使用利用监督数据进行了机器学习的学习完毕模型来推断型芯的品质的例子，但关于推断方法，不限于此，也可以使用基于预先计算的数学式的推断、多变量解析等各种方法。

此外，本发明不限于上述实施方式，在不脱离主旨的范围内能够通过加以适当改变以各种方式实施。