CN110920008A - 成型条件确定辅助装置以及注射成型机 - Google Patents

Abstract

本发明提供了成型条件确定辅助装置以及注射成型机。成型条件确定辅助装置(50)具备：成型时状态数据调整量获取部(60)，使用第一学习模型，获取相当于由传感器(37)、(45)检测出的成型时状态数据与成型时状态数据目标值的差分的值亦即成型时状态数据调整量；以及成型条件要素调整量获取部(71)，使用第二学习模型，获取与成型时状态数据调整量对应的成型条件要素的调整量。

Description

成型条件确定辅助装置以及注射成型机

技术领域

本发明涉及成型条件确定辅助装置以及注射成型机。

背景技术

在将注射成型等的熔融材料供给至模型的型腔来成型成型品的方法中，在产生了不合格品的情况下，作业者需要变更成型条件。而且，由于是使用熔融材料以及模型的成型方法，所以设置设备的工厂的地域的环境、工厂内的环境、工厂内的设备的设置状态、设备的经年劣化程度、季节等各种重要因素会给成型品的品质带来影响。因此，在考虑了各种重要因素的成型条件的变更中，需要熟练技术。对于不熟练者而言，对于应将哪个成型条件变更哪一程度的判断并不容易。

然而，近年来随着计算机的处理速度的提高，人工智能迅速发展，例如，在日本特开2017－30152号公报中，记载有能够通过机器学习，在短时间内进行注射成型的操作条件的调整。即，基于与成型品相关的物理量数据(相当于成型品的品质)和机器学习中的报酬条件来计算报酬，并基于报酬、操作条件调整以及物理量数据来机器学习操作条件调整。

物理量数据是成型品的质量、形状、根据成型品的图像数据计算的外观、长度、角度、面积、体积、光学成型品的光学检查结果、成型品强度测量结果等，相当于成型品的品质。另外，操作条件(相当于成型条件)是合模条件、喷射条件、射出保压条件、计量条件、温度条件、喷嘴接触条件、树脂供给条件、模厚条件，成型品取出条件、热流道条件等。换句话说，通过日本特开2017－30152号公报所记载的技术，在成型品中出现了不合格品的情况下，能够自动地调整成型条件。因此，无需由作业者进行调整。

在日本特开2017－30152号公报中，基于成型品的品质要素来确定报酬，并基于该报酬来调整成型条件。然而，由于如上所述成型品的品质要素是成型品的质量、形状、根据成型品的图像数据计算的外观、长度、角度、面积、体积、光学成型品的光学检查结果、成型品强度测量结果等，所以是在结束成型之后能够通过进行检查工序而获取的信息。若在执行检查工序之前，能够预测成型品的异常，则能够抑制不合格品的产生。

发明内容

本发明的目的之一在于提供能够使用可在获取成型品的品质要素之前获取的信息，来调整成型条件要素的成型条件确定辅助装置以及注射成型机。

作为本发明的一个方式的成型条件确定辅助装置，其被应用于通过向成型机的模具的型腔供给熔融材料而成型成型品的成型方法，具备：

第一学习模型存储部，存储第一学习模型(model)，通过至少将由安装于成型机的传感器检测出的成型时状态数据设为第一学习数据的机器学习而生成所述第一学习模型，所述第一学习模型与所述成型时状态数据和所述成型品的品质要素相关；

第二学习模型存储部，存储第二学习模型，通过将所述成型时状态数据和成型条件要素设为第二学习数据的机器学习而生成所述第二学习模型，所述第二学习模型与所述成型时状态数据和所述成型条件要素相关；

成型时状态数据调整量获取部，使用所述第一学习模型，获取与由所述传感器检测出的所述成型时状态数据与成型时状态数据目标值的差分相当的值亦即成型时状态数据调整量；以及

成型条件要素调整量获取部，使用所述第二学习模型，获取与所述成型时状态数据调整量对应的所述成型条件要素的调整量。

在机器学习的推理阶段，能够获取成型时状态数据，并基于获取到的该成型时状态数据获取成型条件要素的调整量。而且，成型时状态数据是由安装于成型机的传感器检测出的数据。因此，成型时状态数据是能够在通过检查工序获取成型品的品质要素之前获取的信息。因此，能够在执行检查工序之前，预测成型品的异常，并能够抑制不合格品的产生。

然而，成型品的品质要素是重要的要素。因此，该辅助装置存储有表示成型时状态数据与成型品的品质要素的关系的第一学习模型。而且，通过考虑第一学习模型和成型时状态数据，获取成型时状态数据调整量，以使得成型品的品质要素的值成为规定值。

进一步，该辅助装置存储有表示成型时状态数据与成型条件要素的关系的第二学习模型。而且，通过考虑第二学习模型与成型时状态数据调整量，来获取成型条件要素的调整量。换句话说，通过根据获取到的成型条件要素的调整量来调整成型条件要素，能够使成型品的品质要素良好。

作为本发明的另一方式的注射成型机具有上述的成型条件确定辅助装置。由此，能够使由注射成型机成型的成型品的品质良好。

附图说明

通过以下参照附图对本发明的优选实施方式进行的详细描述，本发明前述的和其它的特点和优点得以进一步明确。其中，附图标记表示本发明的要素，其中，

图1是表示注射成型机的图。

图2是表示第一例的成型条件确定辅助装置的框图。

图3是作为成型时状态数据的例子，示出成型一个成型品时的保压数据随着时间的经过的举动的曲线图。

图4是表示第一学习模型生成部中的第一学习数据的图。

图5是表示第二学习模型生成部中的第二学习数据的图。

图6是表示第一例的成型条件确定辅助装置中的辅助处理的流程图。

图7是表示金属模具的放大图。

图8是图7的VIII－VIII线上的金属模具的剖视图。

图9A是表示成型条件X下的成型时的第一压力传感器的压力推移数据的图。

图9B是表示成型条件Y下的成型时的第一压力传感器的压力推移数据的图。

图10是表示第一压力传感器以及第二压力传感器的压力推移数据的曲线图。

图11是表示第二例的成型条件确定辅助装置的框图。

图12是表示第二例的成型条件确定辅助装置中的辅助处理的流程图。

具体实施方式

成型条件确定辅助装置50适用于通过将熔融材料供给至成型机的模型来成型成型品的方法。适用对象的成型方法例如是树脂或者橡胶等的注射成型、压铸等金属铸造。以下，作为适用对象，主要以注射成型为例进行说明。

参照图1对进行注射成型的注射成型机1进行说明。在这里，成型条件确定辅助装置50可以为注射成型机1所具备的部分结构，也可以为与注射成型机1分体的结构。注射成型机1具备底座(bed)2、射出装置3、合模装置4以及控制装置5。射出装置3配置在底座2上，是将成型材料加热熔融，并施加高压使其流入金属模具6的型腔C的装置。将加热熔融后的成型材料称为熔融材料。

射出装置3具备料斗31、加热缸32、螺杆33、喷嘴34、加热器35、驱动装置36、射出装置用传感器37等。料斗31是颗粒(成型成粒状的材料)的投入口。加热缸32对被投入料斗31的颗粒进行加热使其熔融，并且对熔融材料进行加压。加热缸32被设置为能够相对于底座2沿轴向移动。螺杆33配置于加热缸32的内部，并被设置为能够旋转并且能够沿轴向移动。

喷嘴34是设置于加热缸32的前端的射出口，通过螺杆33的轴向移动，将加热缸32的内部的熔融材料供给至金属模具6的型腔C。加热器35例如设置于加热缸32的外侧，对加热缸32的内部的颗粒进行加热。驱动装置36进行朝向加热缸32的轴向的移动、螺杆33的旋转以及轴向移动等。射出装置用传感器37对获取熔融材料的存积量、保压力、保压力时间、射出速度、驱动装置36的状态等的传感器进行统称。但是，该传感器37并不限于上述，也可以获取各种信息。

合模装置4在底座2上与射出装置3对置配置。合模装置4进行所安装的金属模具6的开闭动作，并且在夹紧金属模具6的状态下，金属模具6不会因射出至金属模具6的型腔C的熔融材料的压力而打开。

合模装置4具备固定盘41、可动盘42、连接杆43、驱动装置44、合模装置用传感器45。固定盘41固定有固定侧的第一金属模具6a。固定盘41能够抵接于射出装置3的喷嘴34，将从喷嘴34射出的熔融材料导入金属模具6的型腔C。型腔C形成于第一金属模具6a与第二金属模具6b之间，是与产品形状对应的区域。可动盘42固定有可动侧的第二金属模具6b，能够相对于固定盘41接近以及分离。连接杆43支承可动盘42的移动。驱动装置44例如由缸装置构成，使可动盘42移动。合模装置用传感器45对获取合模力、金属模具温度、驱动装置44的状态等的传感器进行统称。

在金属模具6，在第一金属模具6a与第二金属模具6b之间形成有型腔C。第一金属模具6a在喷嘴34到型腔C之间具备供给路径6c(注口、浇道、浇口)。进一步，第一金属模具6a或者第二金属模具6b具备压力传感器6d、6e。压力传感器6d、6e检测从熔融材料接受的压力。

控制装置5基于与成型条件相关的指令值，控制射出装置3的驱动装置36以及合模装置4的驱动装置44。特别是，控制装置5从射出装置用传感器37、合模装置用传感器45、以及压力传感器6d、6e获取各种信息，来控制射出装置3的驱动装置36以及合模装置4的驱动装置44，以进行与指令值相应的动作。

在这里，对注射成型机1的注射成型方法进行说明。依次执行计量工序、合模工序、射出填充工序、保压工序、冷却工序、脱模取出工序。在计量工序中，颗粒因加热器35的加热以及伴随着螺杆33的旋转的剪切摩擦热而熔融，并且熔融材料存积于加热缸32的前端与喷嘴34之间。由于随着熔融材料的存积量的增加螺杆33后退，所以根据螺杆33的后退位置进行熔融材料的存积量的计量。

接着，在合模工序中，通过使可动盘42移动，使第一金属模具6a与第二金属模具6b对准，来进行合模。进一步，将喷嘴34连接于合模装置4的固定盘41。接着，在射出填充工序中，在停止了螺杆33的旋转的状态下，通过利用规定的推力使螺杆33朝向喷嘴34移动，从而将熔融材料以较高的压力射出填充至金属模具6的型腔C。

在射出填充之后，在保压工序中，进行在型腔C中填充有熔融材料的状态下进一步将熔融材料压入型腔C并对型腔C内的熔融材料施加规定的保压力规定时间的保压处理。具体而言，通过对螺杆33赋予一定的推力，对熔融材料赋予规定的保压力。在型腔C内的熔融材料产生的压力根据型腔C的位置而不同。

而且，在通过规定的保压力进行了规定时间的保压处理之后，移至冷却工序。在冷却工序中，进行停止熔融材料的推入并减少保压力的处理(保压力减少处理)，进一步对金属模具6进行冷却。通过对金属模具6进行冷却，使金属模具6的型腔C中的熔融材料固化。最后，在脱模取出工序中，使第一金属模具6a与第二金属模具6b分离，并取出成型品。

参照图2～图5，对第一例的成型条件确定辅助装置50(以下，称为辅助装置)的结构进行说明。辅助装置50具备在机器学习的学习阶段中发挥功能的部分、和在机器学习的推理阶段中发挥功能的部分。

即，如图2所示，辅助装置50具备成型条件数据库51、成型时状态数据库52、成型品品质数据库53、第一学习模型生成部54、第一学习模型存储部55、第二学习模型生成部56、第二学习模型存储部57作为以学习阶段发挥功能的部分。另外，辅助装置50具备第一学习模型存储部55、第二学习模型存储部57、成型时状态数据调整量获取部60、成型条件要素调整量获取部71、条件变更部72作为以推理阶段发挥功能的部分。

成型条件数据库51将作为指令值输入至控制装置5的多个成型品的成型条件要素与各个成型品对应地加以存储。所谓的成型条件要素例如包括金属模具温度、保压力、射出速度、保压力时间、合模力、加热缸32中的熔融材料的存积量等。在成型条件数据库51中，存储有与多个成型品相关的成型条件要素。换句话说，在成型条件数据库51中，存储有与多个成型品的形状、多个成型品的材质相关的成型条件要素。

成型时状态数据库52将由安装于注射成型机1的射出装置用传感器37、合模装置用传感器45、以及压力传感器6d、6e检测出的成型时状态数据，与各个成型品对应地加以存储。所谓的成型时状态数据是在成型品的成型时获取的数据。

在这里，成型时状态数据可以为伴随着对象的数据类型的时间的举动，也可以为从该举动信息获得的规定的统计量。例如，如图3所示，成型时状态数据可以为一个成型品成型时的保压数据随着时间经过的举动，也可以为根据该举动获得的统计量。

此外，举动对于对象的数据类型存在取样时间的数量的量。统计量例如能够从整个期间(从成型开始到成型结束的期间)的积分值、规定的部分期间的积分值、规定的定时(timing)的微分值、最大值、最大微分值等各种统计量中来选择。成型时状态数据除了保压数据以外，能够包括例如金属模具温度数据、射出速度数据、合模力数据、加热缸32中的熔融材料的存积量等。

在这里，保压数据也能够为对由射出装置用传感器37检测的螺杆33赋予的推力数据，也能够为由压力传感器6d、6e检测的金属模具6内的压力数据。对螺杆33赋予的推力是可由控制装置5控制的参数，但由压力传感器6d、6e检测的压力不是可由控制装置5控制的参数。

成型品品质数据库53将多个成型品的品质要素与各个成型品对应地加以存储。品质要素中包括质量、形状、空隙状态、燃烧状态等。品质要素是在成型品的成型后，由检查装置(未图示)等检查出的信息。另外，品质要素可以为各要素的检查数值本身的值，也可以为将各要素的检查数值置换为评价值后的值。

此外，对于成型条件数据库51、成型时状态数据库52以及成型品品质数据库53，以是单独的数据库的情况为例，但也能够为它们成为一体的数据库。在该情况下，对成型条件要素、成型时状态数据以及成型品的品质要素与各个成型品对应地加以存储。

如图4所示，第一学习模型生成部54至少进行将成型时状态数据库52中存储的成型时状态数据设为第一学习数据的机器学习。在本例中，第一学习模型生成部54进行将成型时状态数据和品质要素数据库中存储的品质要素设为第一学习数据的机器学习。第一学习模型生成部54通过该机器学习，生成与成型时状态数据和品质要素相关的第一学习模型。第一学习模型以有监督学习为例，但也能够应用其他机器学习算法。第一学习模型例如应用回归模型等。由第一学习模型生成部54生成的第一学习模型存储于第一学习模型存储部55。

如图5所示，第二学习模型生成部56进行将成型时状态数据库52中存储的成型时状态数据和成型条件数据库51中存储的成型条件要素设为第二学习数据的机器学习。第二学习模型生成部56通过该机器学习，生成与成型时状态数据和成型条件要素相关的第二学习模型。第二学习模型例如应用回归模型等。由第二学习模型生成部56生成的第二学习模型存储于第二学习模型存储部57。

成型时状态数据调整量获取部60在进行对象的成型品的成型时，使用第一学习模型获取成型时状态数据调整量。具体而言，成型时状态数据调整量获取部60基于由射出装置用传感器37以及合模装置用传感器45检测出的成型时状态数据，获取成型时状态数据调整量。所谓的成型时状态数据调整量是相当于由传感器37、45检测出的成型时状态数据与成型时状态数据目标值的差分的值。

成型时状态数据调整量获取部60具备品质要素目标值获取部61、成型时状态数据目标值获取部62、成型时状态数据获取部63、第二成型时状态数据调整量获取部64。

品质要素目标值获取部61获取与对象的成型品相关的品质要素目标值，例如，品质要素中的用于划分合格品的边界值。所谓的对象的成型品是当前进行成型的成型品、或者之后进行成型的预定的成型品。品质要素目标值是预先设定的信息。品质要素目标值获取部61通过作业者的输入获取与对象的成型品相关的品质要素的目标值。品质要素目标值例如是与质量为○○kg、表示形状的值为○○m、空隙状态的指标值、燃烧状态的指标值等相关的目标值。

成型时状态数据目标值获取部62使用第一学习模型存储部55中存储的第一学习模型，获取与由品质要素目标值获取部61获取的品质要素目标值对应的成型时状态数据目标值。如上所述，第一学习模型是与成型时状态数据和品质要素相关的模型。因此，通过使用第一学习模型，输入品质要素目标值，输出与成型时状态数据相关的信息，即成型时状态数据目标值。此外，成型时状态数据目标值与成型时状态数据库52中存储的成型时状态数据相同类型。即，成型时状态数据目标值可以为对象的数据类型随着时间的举动，也可以为根据该举动信息获得的规定的统计量。

成型时状态数据获取部63在进行对象的成型品的成型时，获取由射出装置用传感器37、合模装置用传感器45、以及压力传感器6d、6e检测出的成型时状态数据。此外，这里的成型时状态数据与成型时状态数据库52中存储的成型时状态数据相同类型。即，成型时状态数据可以为对象的数据类型随着时间的举动，也可以为根据该举动信息获得的规定的统计量。

第二成型时状态数据调整量获取部64计算由成型时状态数据获取部63获取到的成型时状态数据和由成型时状态数据目标值获取部62获取到的成型时状态数据目标值的差分，并获取该差分作为上述成型时状态数据调整量。

成型条件要素调整量获取部71使用第二学习模型存储部57中存储的第二学习模型，获取与由第二成型时状态数据调整量获取部64获取到的成型时状态数据调整量对应的成型条件要素的调整量。如上所述，第二学习模型是与成型时状态数据和成型条件要素相关的模型。因此，通过使用第二学习模型，输入成型时状态数据调整量，输出与成型条件要素相关的信息，即成型条件要素的调整量。所谓的成型条件要素的调整量例如是金属模具温度的指令值的上升量5℃等。

条件变更部72基于由成型条件要素调整量获取部71获取到的成型条件要素的调整量，来变更注射成型机1的控制装置5中的成型条件要素的值(指令值)。条件变更部72不用受理由作业者输入的执行处理信号，自动地执行变更处理。此外，条件变更部72也可以在受理由作业者输入的执行处理信号的情况下，执行变更处理。

参照图6对第一例的辅助装置50的辅助处理进行说明。在这里，辅助处理存在学习阶段和推理阶段，对辅助处理中的推理阶段进行说明。换句话说，对生成第一学习模型以及第二学习模型后的处理进行说明。

品质要素目标值获取部61获取品质要素目标值(S1)。接着，成型时状态数据目标值获取部62使用第一学习模型，获取与品质要素目标值对应的成型时状态数据目标值(S2)。接着，成型时状态数据获取部63获取成型时状态数据(S3)。接着，第二成型时状态数据调整量获取部64基于成型时状态数据和成型时状态数据目标值，来获取它们的差分亦即成型时状态数据调整量(S4)。

成型条件要素调整量获取部71判定该调整量是否大于规定值(S5)。在该调整量为规定值以下的情况下(S5：否)，返回到步骤S3，反复上述处理。另一方面，在该调整量大于规定值的情况下(S5：是)，成型条件要素调整量获取部71使用第二学习模型，获取成型条件要素调整量(S6)。

接着，条件变更部72基于成型条件要素调整量，变更控制装置5中的成型条件要素的值(S7)。而且，在具有相同类型的成型品的情况下(S8：否)，返回到步骤S3，对下一个成型品反复处理。另一方面，在没有相同类型的成型品的情况下(S8：是)，结束辅助处理。此外，在进行不同类型的成型品的成型的情况下，从步骤S1开始执行处理。

如上所述，在机器学习的推理阶段，能够获取成型时状态数据，并基于获取到的该成型时状态数据获取成型条件要素的调整量。而且，所谓的成型时状态数据，是由安装于注射成型机1的传感器37、45检测出的数据。因此，成型时状态数据是能够在通过检查工序获取成型品的品质要素之前获取的信息。因此，在执行检查工序之前，能够预测成型品的异常，并能够抑制不合格品的产生。

然而，成型品的品质要素是重要的要素。因此，该辅助装置50生成表示成型时状态数据与成型品的品质要素的关系的第一学习模型。而且，通过考虑第一学习模型与成型时状态数据，获取成型时状态数据调整量，以使成型品的品质要素的值成为规定值。

进一步，该辅助装置50生成表示成型时状态数据与成型条件要素的关系的第二学习模型。而且，通过考虑第二学习模型和成型时状态数据调整量，获取成型条件要素的调整量。换句话说，通过根据获取到的成型条件要素的调整量调整成型条件要素，能够使成型品的品质要素良好。

进一步，在成型时状态数据调整量获取部60中，成型时状态数据目标值获取部62使用第一学习模型，获取与预先设定的品质要素目标值对应的成型时状态数据目标值。而且，第二成型时状态数据调整量获取部64获取由传感器37、45检测出的成型时状态数据与成型时状态数据目标值的差分亦即成型时状态数据调整量。像这样，能够通过使用第一学习模型获得成型时状态数据目标值，其结果，能够获得成型时状态数据调整量。这样，能够可靠地获得成型时状态数据调整量。

另外，在辅助处理中，由于预先设定有品质要素目标值，所以成型时状态数据目标值能够预先获取。换句话说，在辅助处理中，不用每次成型都进行使用第一学习模型的处理。因此，能够使辅助处理的执行时间成为短时间。

第二学习模型生成部56需要在变更成型条件要素的值之前，预先生成第二学习模型。因此，在上述，对第二学习模型生成部56预先生成第二学习模型的情况进行了说明。

但是，存在成型条件要素与成型时状态数据的关系根据注射成型机1的经年劣化而变化的情况。例如，即使以最初的指令值控制保压力，也存在由于部件的摩耗等，实际的保压力在初始和经年劣化后不同的情况。因此，第二学习模型生成部56也可以根据注射成型机1的经年劣化而更新第二学习模型。由此，在使用第二学习模型获取成型条件要素调整量时，能够考虑注射成型机1的经年劣化状态。因此，能够以更高精度，获取成型条件要素调整量。

接下来，对在第一例的辅助装置50中使用的第一学习模型的第一例进行说明。第一学习模型是与作为成型时状态数据的金属模具6内的压力数据和表示作为品质要素的成型品的形状的值相关的学习模型。

参照图7和图8对金属模具6的详细结构进行说明。金属模具6具备至少一个型腔C。在本例中，成型机1成型的成型品为用于等速万向节的保持器。因此，成型品是环状，特别是圆环状。型腔C也形成为环状，特别是圆环状。此外，成型品也能够为环状以外的形状，例如C形状、矩形框状。而且，型腔C为与成型品对应的形状。

第一金属模具6a在喷嘴34与型腔C之间，具备熔融材料的供给路径6c。第一金属模具6a作为供给路径6c，具备一个注口6c1、一个或者多个浇道6c2、以及一个或者多个浇口6c3。在本例中，以第一金属模具6a具备一个注口6c1、一个浇道6c2、一个浇口6c3的情况为例。

注口6c1是从喷嘴34供给熔融材料的通路。浇道6c2是从注口6c1分支的通路，被供给至注口6c1的熔融材料流入浇道6c2。浇口6c3是将流入浇道6c2的熔融材料导入型腔C的通路，浇口6c3的流路剖面积比浇道6c2的流路剖面积小。

在型腔C为环状的情况下，且第一金属模具6a具备一个浇口6c3的情况下，型腔C内的熔融材料的流入路径为从浇口6c3沿型腔C的环状的周向流动的路径。换句话说，在型腔C内，熔融材料最初流入浇口6c3的位置，最后流入距离浇口6c3最远的位置。

此外，能够在金属模具6，设置多个型腔C。在该情况下，在第一金属模具6a，形成与型腔C数目相同的浇道6c2以及浇口6c3，被供给至注口6c1的熔融材料经由浇道6c2以及浇口6c3被供给至各个型腔C。

另外，如上所述，在金属模具6，配置有第一压力传感器6d。金属模具6作为第一压力传感器6d，在型腔C中，具备检测从所供给的熔融材料接受的压力的6个第一压力传感器6d1～6d6。6个第一压力传感器6d1～6d6分别在型腔C内在从浇口6c3熔融材料流入的流入路径上，配置于距离浇口6c3的距离不同的位置。

在这里，多个第一压力传感器6d1～6d6中的一部分在流入路径上，配置于比距离浇口6c3最远的位置靠近浇口6c3的位置。另外，多个第一压力传感器6d1～6d6中的另一部分在流入路径中，配置于比浇口6c3靠近距离浇口6c3最远的位置。

第一压力传感器6d1在型腔C内在流入路径上配置于最远离浇口6c3的位置。第一压力传感器6d2配置于第二远离浇口6c3的位置。第一压力传感器6d3～6d5依次配置于远离浇口6c3的位置。而且，第一压力传感器6d6配置于最接近浇口6c3的位置。

具体而言，第一压力传感器6d1配置于从浇口6c3流入型腔C的熔融材料最后所到达的区域。另一方面，第一压力传感器6d6配置于浇口6c3的延长线上的区域，并配置于在型腔C内熔融材料最初流入的区域。

进一步，如上所述，在金属模具6，配置有第二压力传感器6e。详细而言，第一金属模具6a具备至少一个第二压力传感器6e。在本例中，以第一金属模具6a具备一个第二压力传感器6e的情况为例。第二压力传感器6e配置于注口6c1、浇道6c2以及浇口6c3的任意一个，检测在喷嘴34与型腔C之间的供给路径上从熔融材料接受的压力。在本例中，第二压力传感器6e配置于浇道6c2，在浇道6c2上检测第一金属模具6a从熔融材料接受的压力。

参照图9A以及图9B，对从射出填充工序经由保压工序到冷却工序中，由6个第一压力传感器6d1～6d6检测的压力数据进行说明。在图9A中，示出表示在从射出填充工序到冷却工序中，由规定的成型条件X成型的成型品的成型时的压力推移数据的曲线图，在图9B中，示出表示在射出填充工序至冷却工序中，由与成型条件X不同的成型条件Y成型的成型品的成型时的压力推移数据的曲线图。

在这里，由成型条件X成型的成型品的圆度比由成型条件Y成型的成型品的圆度相比增大。换句话说，以成型条件X成型的成型品的形状精度(特别是，圆度)比以成型条件Y成型的成型品低。以下，对压力推移数据与形状精度(特别是，圆度)的关系的考察进行描述。

在图9A以及图9B中，T1－T2间是射出填充工序，T2－T3间是保压工序，T3以下是冷却工序。由于保压处理的开始时刻是被填充至型腔C内时，所以是全部的第一压力传感器6d的压力数据不是零的值(比微小的规定值大的值)时。保压处理的结束时刻，即保压力减少处理的开始时刻是停止对螺杆33赋予推力时。将保压处理中的压力推移数据称为“保压处理推移数据”，将保压力减少处理中的压力推移数据称为“减少处理推移数据”。

在这里，认为在开始保压力减少处理时，型腔C内的熔融材料遍及整个区域均衡地收缩，从而固化后的成型品的形状精度提高。而且，认为在被填充至型腔C内的熔融材料在开始保压力减少处理后遍及整个区域均衡地收缩的情况下，6个第一压力传感器6d的减少处理推移数据近似。另一方面，认为在开始保压力减少处理后的熔融材料的收缩程度根据型腔C中的熔融材料的位置较大地不同的情况下，6个第一压力传感器6d的减少处理推移数据的偏差增大。

在对图9A所示的曲线图和图9B所示的曲线图进行比较的情况下，能够判断为成型条件X的减少处理推移数据与成型条件Y的减少处理推移数据相比，各个的减少处理推移数据间的举动的偏差较大。特别是，关于成型条件X的减少处理推移数据，能够判断为第一压力传感器6d1的减少处理推移数据的举动与第一压力传感器6d6的减少处理推移数据的举动的差异较大。

因此，能够判断在被填充至型腔C的熔融材料中位于浇口6c3的附近的熔融材料与位于远离浇口6c3的熔融材料之间，在开始保压力减少处理后的成型品的收缩程度上产生偏差。其结果，能够判断根据成型条件X成型的成型品与根据成型条件Y成型的成型品相比，形状精度低，且圆度大。像这样，6个第一压力传感器6d1～6d6各自的保压力减少推移数据的差异、偏差与成型品的形状精度的相关性较高。

接下来，对第一学习模型的第一例的详细内容进行说明。第一学习模型的第一例是与作为成型时状态数据的金属模具6内的压力数据和表示作为品质要素的成型品的形状的值相关的学习模型。第一学习模型通过至少将作为成型时状态数据的金属模具6内的压力数据设为第一学习数据的机器学习来生成。在本例中，表示成型品的形状的值是圆环状的成型品的外周面或者内周面的圆度。在这里，第一学习模型也可以将表示作为品质要素的成型品的形状的值包括于第一学习数据。进一步，第一学习数据除了压力数据以外，也可以包括各种成型时状态数据。

在这里，该压力数据是在进行保压力减少处理时由压力传感器6d、6e检测出的金属模具6内的压力数据。将保压力减少处理中的压力数据定义为“减少处理压力数据”，并将开始减少保压力后的经过时间与压力数据的关系定义为“减少处理推移数据”。

而且，金属模具6内的减少处理压力数据包括在保压力减少处理中由第一压力传感器6d1～6d6检测出的压力数据。进一步，减少处理压力数据也可以包括由第二压力传感器6e检测出的压力数据。另外，金属模具6内的压力数据也能够为仅由第一压力传感器6d1～6d6的一部分检测出的压力数据。

在这里，第一学习数据也可以包括表示减少处理压力数据的偏差的值。如图9A和图9B所示，具有减少处理压力数据的偏差越大，成型品的圆度越大的关系。因此，作为第一学习数据，通过包含表示该偏差的值，第一学习模型能够增强与成型品的形状精度，特别是圆度的相关性。

作为表示偏差的值，能够为多个压力传感器6d、6e的减少处理压力数据之差、多个减少处理压力数据的方差、多个减少处理推移数据的时间积分值之差、减少处理推移数据的时间积分值的方差、减少处理推移数据的时间微分值的平均值之差、减少处理推移数据的时间微分值的平均值的方差等。进一步，在将从开始减少保压力到压力数据成为接近零的规定值以下所需的时间定义为保压减少时间的情况下，作为表示偏差的值，也能够为各个第一压力传感器6d间的保压减少时间之差。

在本例中，以如下方式进行图6所示的第一例的辅助处理。品质要素目标值获取部61作为品质要素目标值，获取成型品的环状的外周面或者内周面的圆度的目标值(S1)。成型时状态数据目标值获取部62使用上述的第一学习模型，至少获取与作为品质要素目标值的圆度的目标值对应的成型时状态数据目标值(S2)。在本例中，成型时状态数据目标值获取部62获取与金属模具6内的减少处理压力数据相关的值的目标值作为成型时状态数据目标值。

成型时状态数据获取部63至少获取减少处理压力数据(S3)。而且，第二成型时状态数据调整量获取部64基于成型时状态数据与成型时状态数据目标值，获取它们的差分亦即成型状态数据调整量(S4)。之后，进行上述的处理(S5、S6)，变更成型条件要素的值(S7)。综上所述，通过进行使用该第一学习模型的处理，能够确定用于使作为品质要素的成型品的圆度良好的成型条件。

接下来，对在第一例的辅助装置50中使用的第一学习模型的第二例进行说明。第一学习模型是与作为成型时状态数据的金属模具6内的压力数据和作为品质要素的成型品的质量相关的学习模型。

参照图10，对在从射出填充工序经由保压工序到冷却工序中由第一压力传感器6d以及第二压力传感器6e检测的压力数据进行说明。在图10中，在射出填充工序至冷却工序中，示有表示以规定的成型条件成型的成型品的成型时的压力推移数据的曲线图。T1、T2、T3与图9A以及图9B相同。在这里，将保压处理中的压力数据定义为“保压处理压力数据”，将在保压处理中开始保压处理后的经过时间与压力数据的关系定义为“保压处理推移数据”。

在这里，可知成型品的质量与保压处理压力数据具有相关性。具有保压处理的时间越长，成型品的质量越大的关系。另外，具有保压处理时的保压力越大，成型品的质量越大的关系。进一步，具有保压处理推移数据的偏差越大，成型品的质量越降低的关系。

另外，在金属模具6的供给路径6c中由熔融材料施加的压力与在型腔C中由熔融材料施加的压力相比，由于接近喷嘴34，而与在保持处理时由射出装置3施加的压力的相关性较高。另一方面，由于第一压力传感器6d1在流入路径中配置于距离浇口6c3的最远位置，所以认为第一压力传感器6d1从熔融材料接受的压力在被填充至型腔C的熔融材料中压力损失最大。

换句话说，第一压力传感器6d1的压力数据变得比第二压力传感器6e的压力数据小。而且，认为两者的差越大，意味着压力损失越大，作为结果质量越小。

接下来，对第一学习模型的第二例进行说明。第一学习模型的第二例是与作为成型时状态数据的金属模具6内的压力数据和作为品质要素的成型品的质量相关的学习模型。第一学习模型通过至少将作为成型时状态数据的金属模具6内的压力数据设为第一学习数据的机器学习而生成。在这里，第一学习模型也可以作为品质要素将成型品的质量包括于第一学习数据。进一步，第一学习数据也可以除了压力数据以外，还包括各种成型时状态数据。

该压力数据是在进行保压处理时由压力传感器6d、6e检测出的金属模具6内的压力数据。而且，金属模具6内的保压处理压力数据包括在保压处理中由第一压力传感器6d1～6d6检测出的压力数据、以及由第二压力传感器6e检测出的压力数据。但是，金属模具6内的压力数据也能够为仅由第一压力传感器6d1～6d6的一部分检测出的压力数据。

第一学习数据也可以包括对表示保压处理的时间以及进行保压处理时的保压力的保压处理推移数据进行时间积分所得的积分值。其中，在成型品的质量中，保压处理的时间的影响程度与进行保压处理时的保压力的影响程度不同。因此，第一学习数据也可以包括保压处理的时间本身、以及压力数据本身的至少一方。例如，第一学习数据也可以作为压力数据本身，包括在进行保压处理时由第一压力传感器6d1～6d6检测出的压力数据的最大值以及平均值的至少一方。

进一步，第一学习数据也可以包括由压力传感器6d、6e检测的保压处理压力数据的偏差。如上所述，具有保压处理压力数据的偏差越大，成型品的质量越降低的关系。因此，作为第一学习数据，通过包括表示该偏差的值，能够增强与成型品的质量的相关性。

特别是，处于距离浇口6c3最远位置的压力数据与供给路径6c中的压力数据之差越大，成型品的质量越降低。因此，金属模具6内的保压处理压力数据也可以包含在保压处理中，至少配置于靠近距离浇口6c3最远位置的位置的第一压力传感器6d1的压力数据、以及配置于供给路径6c的第二压力传感器6e的压力数据。

第一学习数据作为表示偏差的值，也可以包括以下的至少一个。作为表示偏差的值，能够为多个压力传感器6d、6e的保压处理压力数据之差、多个保压处理压力数据的方差、多个保压处理推移数据的时间积分值之差、保压处理推移数据的时间积分值的方差、保压处理推移数据的时间微分值的平均值之差、保压处理推移数据的时间微分值的平均值的方差等。

在本例中，以如下的方式进行图6所示的第一例的辅助处理。品质要素目标值获取部61作为品质要素目标值，获取成型品的质量的目标值(S1)。成型时状态数据目标值获取部62使用上述的第一学习模型，至少获取与作为品质要素目标值的质量的目标值对应的成型时状态数据目标值(S2)。在本例中，成型时状态数据目标值获取部62获取与金属模具6内的保压处理压力数据相关的值的目标值作为成型时状态数据目标值。

成型时状态数据获取部63至少获取保压处理压力数据(S3)。而且，第二成型时状态数据调整量获取部64基于成型时状态数据和成型时状态数据目标值，获取它们的差分亦即成型状态数据调整量(S4)。之后，进行上述的处理(S5、S6)，变更成型条件要素的值(S7)。综上所述，通过进行使用该第一学习模型的处理，从而能够确定用于使作为品质要素的成型品的质量成为所希望值的成型条件。

参照图11对第二例的成型条件确定辅助装置150(以下，称为辅助装置)的结构进行说明。在这里，第二例的辅助装置150对于与第一例的辅助装置50相同结构标注相同附图标记并省略说明。

辅助装置150具备在机器学习的学习阶段发挥功能的部分、和在机器学习的推理阶段发挥功能的部分。即，如图11所示，辅助装置150具备成型条件数据库51、成型时状态数据库52、成型品品质数据库53、第一学习模型生成部54、第一学习模型存储部55、第二学习模型生成部56、

第二学习模型存储部57作为以学习阶段发挥功能的部分。另外，辅助装置150具备第一学习模型存储部55、第二学习模型存储部57、成型时状态数据调整量获取部160、成型条件要素调整量获取部71、条件变更部72作为推理阶段发挥功能的部分。

换句话说，第二例的辅助装置150相对于第一例的辅助装置50，仅成型时状态数据调整量获取部160不同。以下，对成型时状态数据调整量获取部160进行说明。

成型时状态数据调整量获取部160在进行对象的成型品的成型时，使用第一学习模型获取成型时状态数据调整量这点与第一例的获取部60相同。换句话说，成型时状态数据调整量获取部160基于由射出装置用传感器37以及合模装置用传感器45检测出的成型时状态数据，获取成型时状态数据调整量。

成型时状态数据调整量获取部160具备成型时状态数据获取部161、品质要素获取部162、品质要素目标值获取部163、品质要素调整量获取部164、第二成型时状态数据调整量获取部165。

成型时状态数据获取部161在进行对象的成型品的成型时，获取由射出装置用传感器37、合模装置用传感器45、以及压力传感器6d、6e检测出的成型时状态数据。此外，这里的成型时状态数据是与成型时状态数据库52中存储的成型时状态数据相同的类型。即，成型时状态数据可以为对象的数据类型随着时间的举动，也可以为根据该举动信息获得的规定的统计量。

品质要素获取部162使用第一学习模型，获取与由成型时状态数据获取部161获取到的成型时状态数据对应的品质要素的值。品质要素目标值获取部163获取与对象的成型品相关的品质要素目标值，例如品质要素中的用于划分合格品的边界值。品质要素目标值是预先设定的信息。

品质要素调整量获取部164计算由品质要素目标值获取部163获取到的品质要素目标值与由品质要素获取部162获取到的品质要素的值的差分，并获取该差分作为品质要素调整量。

第二成型时状态数据调整量获取部165使用第一学习模型存储部55中存储的第一学习模型，获取与由品质要素调整量获取部164获取到的品质要素调整量对应的成型时状态数据调整量。在这里，获取到的成型时状态数据调整量为相当于由传感器37、45检测出的成型时状态数据与成型时状态数据目标值的差分的值。

参照图12对第二例的辅助装置150的辅助处理进行说明。在这里，辅助处理存在学习阶段和推理阶段，对辅助处理中的推理阶段进行说明。换句话说，对生成第一学习模型以及第二学习模型之后的处理进行说明。

成型时状态数据获取部161获取成型时状态数据(S11)。接着，品质要素获取部162使用第一学习模型，获取与成型时状态数据对应的品质要素的值(S12)。接着，品质要素目标值获取部163获取品质要素目标值(S13)。品质要素调整量获取部164基于品质要素的值与品质要素目标值，获取它们的差分亦即品质要素调整量(S14)。

接着，第二成型时状态数据调整量获取部165判定品质要素调整量是否大于规定值(S15)。在品质要素调整量为规定值以下的情况下(S15：否)，返回到步骤S11，并反复上述处理。另一方面，在品质要素调整量大于规定值的情况下(S15：是)，第二成型时状态数据调整量获取部165使用第一学习模型，获取成型时状态数据调整量(S16)。接着，成型条件要素调整量获取部71使用第二学习模型，获取成型条件要素调整量(S17)。

接着，条件变更部72基于成型条件要素调整量，变更控制装置5中的成型条件要素的值(S18)。而且，在具有相同类型成型品的情况下(S19：否)，返回到步骤S11，并对后续成型品反复处理。另一方面，在没有相同类型的成型品的情况下(S19：是)，结束辅助处理。此外，在进行不同类型的成型品的成型的情况下，从步骤S11开始执行处理。

在成型时状态数据调整量获取部160中，品质要素获取部162使用第一学习模型，推断与成型时状态数据对应的品质要素的值。而且，品质要素调整量获取部164获取品质要素调整量。之后，第二成型时状态数据调整量获取部165再次使用第一学习模型，获取成型时状态数据调整量。像这样，第一学习模型在2个工序中被使用。在本例中，也能够可靠地获得成型时状态数据调整量。

接下来，对在第二例的辅助装置150中使用的第一学习模型的第一例进行说明。第一学习模型是与作为成型时状态数据的金属模具6内的压力数据和表示作为品质要素的成型品的形状的值相关的学习模型。在该第一学习模型，能够应用上述第一例的辅助装置50中的第一学习模型的第一例。

在本例中，以如下的方式进行图10所示的第二例的辅助处理。成型时状态数据获取部161至少获取减少处理压力数据(S11)。接着，品质要素获取部162使用上述的第一学习模型，获取与减少处理压力数据对应的品质要素的值(S12)。在本例中，品质要素的值是成型品的外周面或者内周面的圆度。而且，品质要素目标值获取部163获取成型品的圆度的目标值作为品质要素目标值(S13)。品质要素调整量获取部164基于作为品质要素的值的成型品的圆度和作为品质要素目标值的成型品的圆度的目标值，获取它们的差分亦即品质要素调整量(S14)。

之后，进行上述的处理(S15、S16、S17)，变更成型条件要素的值(S18)。综上所述，通过进行使用该第一学习模型的处理，能够确定用于使作为品质要素的成型品的圆度良好的成型条件。

接下来，对在第二例的辅助装置150中使用的第一学习模型的第二例进行说明。第一学习模型是与作为成型时状态数据的金属模具6内的压力数据和作为品质要素的成型品的质量相关的学习模型。在该第一学习模型，能够应用上述第一例的辅助装置50中的第一学习模型的第二例。

在本例中，在图11所示的第二例的辅助处理中，成型时状态数据获取部161至少获取保压处理压力数据(S11)。接着，品质要素获取部162使用上述的第一学习模型，获取与保压处理压力数据对应的品质要素的值(S12)。在本例中，品质要素的值是成型品的质量。而且，品质要素目标值获取部163获取成型品的质量的目标值作为品质要素目标值(S13)。品质要素调整量获取部164基于作为品质要素的值的成型品的质量和作为品质要素目标值的成型品的质量的目标值，获取它们的差分亦即品质要素调整量(S14)。

之后，进行上述的处理(S15、S16、S17)，变更成型条件要素的值(S18)。综上所述，通过进行使用该第一学习模型的处理，从而能够确定用于使作为品质要素的成型品的质量成为所希望值的成型条件。

Claims (12)

1.一种成型条件确定辅助装置，其被应用于通过向成型机的模具的型腔供给熔融材料而成型成型品的成型方法，具备：

第一学习模型存储部，存储第一学习模型，通过至少将由安装于成型机的传感器检测出的成型时状态数据设为第一学习数据的机器学习而生成所述第一学习模型，所述第一学习模型与所述成型时状态数据和所述成型品的品质要素相关；

第二学习模型存储部，存储第二学习模型，通过将所述成型时状态数据和成型条件要素设为第二学习数据的机器学习而生成所述第二学习模型，所述第二学习模型与所述成型时状态数据和所述成型条件要素相关；

成型时状态数据调整量获取部，使用所述第一学习模型，获取与由所述传感器检测出的所述成型时状态数据与成型时状态数据目标值的差分相当的值亦即成型时状态数据调整量；以及

成型条件要素调整量获取部，使用所述第二学习模型，获取与所述成型时状态数据调整量对应的所述成型条件要素的调整量。

2.根据权利要求1所述的成型条件确定辅助装置，其中，

所述第一学习模型是通过将所述成型时状态数据和所述成型品的品质要素设为所述第一学习数据的机器学习而生成的学习模型。

3.根据权利要求1或2所述的成型条件确定辅助装置，其中，

所述成型时状态数据调整量获取部具备：

成型时状态数据目标值获取部，使用所述第一学习模型，获取与预先设定的品质要素目标值对应的所述成型时状态数据目标值；以及

第二成型时状态数据调整量获取部，获取由所述传感器检测出的所述成型时状态数据与所述成型时状态数据目标值的差分亦即所述成型时状态数据调整量。

4.根据权利要求1或2所述的成型条件确定辅助装置，其中，

所述成型时状态数据调整量获取部具备：

品质要素获取部，使用所述第一学习模型，获取与由所述传感器检测出的所述成型时状态数据对应的所述品质要素的值；

品质要素调整量获取部，获取由预先设定的品质要素目标值与由所述品质要素获取部获取到的所述品质要素的值的差分亦即品质要素调整量；以及

第二成型时状态数据调整量获取部，使用所述第一学习模型，作为与由所述传感器检测出的所述成型时状态数据与所述成型时状态数据目标值的差分相当的值，获取与所述品质要素调整量对应的所述成型时状态数据调整量。

5.根据权利要求1或2所述的成型条件确定辅助装置，其中，

所述成型条件确定辅助装置还具备条件变更部，所述条件变更部基于由所述成型条件要素调整量获取部获取到的所述成型条件要素的调整量，变更所述成型机的控制装置中的成型条件要素的值。

6.根据权利要求1或2所述的成型条件确定辅助装置，其中，

所述第二学习模型存储部存储根据成型机的逐渐劣化而被更新的所述第二学习模型。

7.根据权利要求1或2所述的成型条件确定辅助装置，其中，

所述传感器在所述模具的型腔中包括压力传感器，所述压力传感器检测从所供给的所述熔融材料接受的压力，

所述成型时状态数据包括由所述压力传感器检测出的压力数据。

8.根据权利要求7所述的成型条件确定辅助装置，其中，

所述成型方法进行在通过规定的保压力进行规定时间的保压处理之后使所述保压力减少的处理，

所述传感器包括分别检测在所述型腔中不同的多个位置产生的压力的多个所述压力传感器，

所述成型时状态数据包括在进行所述保压力的减少处理时由多个所述压力传感器检测出的多个所述压力数据，

所述品质要素是所述成型品的形状，

所述第一学习模型是通过至少将所述压力数据设为所述第一学习数据的机器学习而生成，且与表示所述压力数据和所述形状的值相关的学习模型。

9.根据权利要求7所述的成型条件确定辅助装置，其中，

成型所述成型品的方法进行在通过规定的保压力进行规定时间的保压处理之后使所述保压力减少的处理，

所述成型时状态数据包括在进行所述保压处理时由所述压力传感器检测出的所述压力数据，

所述品质要素是所述成型品的质量，

所述第一学习模型是通过至少将所述压力数据设为所述第一学习数据的机器学习而生成，且与所述压力数据和所述质量相关的学习模型。

10.根据权利要求4所述的成型条件确定辅助装置，其中，

成型所述成型品的方法进行通过规定的保压力进行规定时间的保压处理之后使所述保压力减少的处理，

所述传感器在所述型腔内的不同的多个位置包括分别检测从所供给的所述熔融材料接受的压力的多个压力传感器，

所述成型时状态数据包括在进行所述保压力的减少处理时由多个所述压力传感器检测出的多个压力数据，

所述品质要素是所述成型品的形状，

所述品质要素获取部使用所述第一学习模型，获取至少表示与所述压力数据对应的所述成型品的形状的值。

11.根据权利要求4所述的成型条件确定辅助装置，其中，

成型所述成型品的方法进行通过规定的保压力进行规定时间的保压处理之后使所述保压力减少的处理，

所述传感器在所述型腔中包括检测从所供给的所述熔融材料接受的压力的压力传感器，

所述成型时状态数据包括在进行所述保压处理时由所述压力传感器检测出的压力数据，

所述品质要素是所述成型品的质量，

所述品质要素获取部使用所述第一学习模型，获取至少与所述压力数据对应的所述成型品的质量。

12.一种注射成型机，具有权利要求1或2所述的成型条件确定辅助装置。

Images