CN110948810A - 成型条件决定辅助装置以及注塑成型机 - Google Patents

Abstract

本发明涉及成型条件决定辅助装置以及注塑成型机。成型条件决定辅助装置(50)被应用在通过将熔融材料向模具供给而对成型品进行成型的方法。辅助装置(50、150)具备：通过将多个成型条件要素与成型品的多个品质要素作为学习数据的机器学习，针对上述品质要素的每一个生成品质要素与成型条件要素的影响度相关的学习模型的学习模型生成部(53)；接受确认对象的品质要素的输入的输入部(55)；以及使用学习模型，输出对确认对象的品质要素具有影响度的成型条件要素的输出部(56)。

Description

成型条件决定辅助装置以及注塑成型机

技术领域

本发明涉及成型条件决定辅助装置以及注塑成型机。

背景技术

在将注塑成型等的熔融材料向模具供给而对成型品进行成型的方法中，在产生了不合格品的情况下，作业者需要改变成型条件。而且，由于是使用熔融材料以及模具的成型方法，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、设备的老化程度、季节等各种因素对成型品的品质造成影响。因此，变更考虑了各种因素的成型条件需要熟练技术。对于不熟练者而言，很难判断应该将什么样的成型条件改变到什么样的程度。

然而，随着近几年计算机的处理速度的提高，人工智能迅速地发展，例如在日本特开2017-30152号公报中记载了通过机器学习，能够短时间进行注塑成型的操作条件的调整的技术。即基于与成型品相关的物理量数据(相当于成型品的品质)和机器学习的报酬条件来计算报酬，基于报酬、操作条件调整以及物理量数据对操作条件调整进行机器学习。

物理量数据是根据成型品的重量、尺寸、成型品的图像数据计算出的外观、长度、角度、面积、体积、光学成型品的光学检查结果、成型品强度计测结果等，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、顶出条件、注塑保压条件、计量条件、温度条件、喷嘴触摸条件，树脂供给条件、模厚条件、成型品取出条件、热流道条件等。即利用日本特开2017-30152号公报记载的技术，在成型品中产生了不合格品的情况下，能够自动地调整成型条件。因此，不需要作业者来调整。

然而，从作业者的教育、技术的继承等的观点考虑，不能说完全自动地进行成型条件的改变是合适的。另外，即使在计算机发展了的情况下，今后也并不是作业者完全不进行设备的操作的情况。

发明内容

本发明的目的在于提供一种在产生了不合格品的情况下等，能够辅助作业者进行成型条件的决定的装置以及注塑成型机。

作为本发明的一实施方式的成型条件决定辅助装置适用于通过将熔融材料向模具供给而对成型品进行成型的方法的成型条件决定辅助装置。

上述成型条件决定辅助装置具备：学习模型生成部，其通过将多个成型条件要素和上述成型品的多个品质要素作为学习数据的机器学习，以上述品质要素为单位生成与上述品质要素及上述成型条件要素的影响度相关的学习模型；输入部，其接受确认对象的上述品质要素的输入；以及输出部，其使用上述学习模型，输出对上述确认对象的上述品质要素具有上述影响度的上述成型条件要素。

在产生了不合格品的情况下，作业者在多个品质要素中，确认哪个品质要素是不良的。而且，作业者通过输入作为不良的品质要素，输入部接受确认对象的品质要素的输入。这样，输出部输出对该确认对象的品质要素具有影响度的成型条件要素。这里，输入部接受的品质要素、与对该品质要素具有影响度的成型条件要素的关系应用机器学习，由此能够容易地掌握。因此，输出部使用通过机器学习生成了的学习模型，由此能够容易地输出对确认对象的品质要素具有影响度的成型条件要素。

而且，作业者能够掌握为了将成为不良的品质要素设为良好，改变哪个成型条件要素即可。即作业者通过掌握品质要素与成型条件要素的关系性并且重复作业，能够提高熟练度。

附图说明

本发明的前述和其他特征和优点将从以下参照附图的实施方式的描述中变得清楚，附图中相同标号用来表示相同元件，附图中：

图1是表示注塑成型机的图。

图2是表示第一个例子的成型条件决定辅助装置的框图。

图3是表示学习模型生成部的学习数据的图。

图4是表示在学习模型生成部中生成的学习模型的图。

图5是表示显示部的第一显示样式的图。

图6是表示显示部的第二显示样式的图。

图7是表示显示部的第三显示样式的图。

图8是表示第二个例子的成型条件决定辅助装置的框图。

图9是表示显示部的第四显示样式的图。

图10是表示显示部的第五显示样式的图。

具体实施方式

成型条件决定辅助装置50适用于通过将熔融材料向成型机的模具供给而对成型品进行成型的方法。适用对象的成型方法例如是树脂或者橡胶等的注塑成型，压铸等的金属铸造。以下，作为适用对象，主要以注塑成型为例来进行说明。

参照图1对进行注塑成型的注塑成型机1进行说明。这里，成型条件决定辅助装置50可以作为注塑成型机1具备的局部构成，也可作为与注塑成型机1不同的其它构成。注塑成型机1具备底座2、注塑装置3、合模装置4以及控制装置5。注塑装置3被配置于底座2上，是使成型材料加热熔融，并施加高压而向模具6的空腔流入的装置。将被加热熔融了的成型材料称为熔融材料。

注塑装置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、注塑装置用传感器37等。料斗31是颗粒(粒状的成型材料)的投入口。加热缸32加热并熔融已向料斗31投入的颗粒，并且对熔融材料进行加压。加热缸32被设置为相对于底座2能够在轴向移动。螺杆33被配置于加热缸32的内部，被设置为能够旋转且能够在轴向移动。

喷嘴34是被设置于加热缸32的前端的注塑口，通过螺杆33的轴向移动，将加热缸32的内部的熔融材料向模具6的空腔供给。加热器35例如被设置于加热缸32的外侧，加热加热缸32的内部的颗粒。驱动装置36进行加热缸32在轴向上的移动、螺杆33的旋转以及轴向移动等。注塑装置用传感器37总称为取得熔融材料的存积量、保压压力、保压时间、注塑速度、驱动装置36的状态等的传感器。但是，该传感器37并不限于上述情况，也可取得各种信息。

合模装置4在底座2上与注塑装置3对置配置。合模装置4进行被安装的模具6的开闭动作，并且被设为在紧固了模具6的状态下，模具6不会因向模具6的空腔注塑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、拉杆43、驱动装置44、合模装置用传感器45。固定盘41供固定侧的第一模具6a固定。固定盘41能够与注塑装置3的喷嘴34抵接，将从喷嘴34注塑的熔融材料向模具6的空腔引导。可动盘42供可动侧的第二模具6b固定，能够与固定盘41接近以及分离。拉杆43支承可动盘42的移动。驱动装置44例如由气缸装置构成，使可动盘42移动。合模装置用传感器45总称为取得合模力、模具温度、驱动装置44的状态等的传感器。

控制装置5基于与成型条件相关的指令值，控制注塑装置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以从注塑装置用传感器37以及合模装置用传感器45取得各种信息，进行与指令值对应的动作的方式，控制注塑装置3的驱动装置36以及合模装置4的驱动装置44。

这里，对注塑成型机1的注塑成型方法进行说明。计量工序、合模工序、注塑填充工序、保压冷却工序、脱模取出工序被依次执行。在计量工序中，颗粒利用伴随着加热器35的加热以及螺杆33的旋转的剪切摩擦热而被熔融，并且熔融材料被存积在加热缸32的前端与喷嘴34之间。伴随着熔融材料的存积量的增加而螺杆33后退，所以从螺杆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，使可动盘42移动，合并第一模具6a与第二模具6b，由此进行合模。并且，使喷嘴34与合模装置4的固定盘41连接。接着，在注塑填充工序中，在使螺杆33的旋转停止了的状态下，使螺杆33朝向喷嘴34移动，由此以高的压力将熔融材料注塑填充于模具6的空腔。在注塑填充后，在保压冷却工序中，以模具6的空腔的熔融材料被保持为规定的压力的方式，使喷嘴34保持按压在固定盘41来进行保压。而且，冷却模具6从而使模具6的空腔的熔融材料固化。最后，在脱模取出工序中，使第一模具6a与第二模具6b分离，取出成型品。

参照图2-图4对第一个例子的成型条件决定辅助装置50(以下，称为辅助装置)的结构进行说明。辅助装置50具备：成型条件数据库51、成型品品质数据库52、学习模型生成部53、学习模型存储部54、输入部55、输出部56以及显示部57。

成型条件数据库51将向控制装置5作为指令值输入的多个成型品的成型条件要素、与各个成型品相关联地存储。成型条件要素例如如图3所示，包含模具温度、保压压力、注塑速度、保压时间、合模力、加热缸32的熔融材料的存积量等。在成型条件数据库51存储有与多个成型品相关的成型条件要素。即在成型条件数据库51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。

成型品品质数据库52将多个成型品的品质要素与各个成型品相关联地存储。如图3所示，品质要素包含质量、尺寸、空隙状态、烧伤(焼け)状态等。品质要素是在成型品的成型后，通过检查装置(未图示)等检查出的信息。另外，品质要素可以作为各要素的检查数值其本身的值，也可作为将各要素的检查数值置换为评价值而得到的值。

此外，虽以成型条件数据库51与成型品品质数据库52是各个不同的数据库的情况进行了举例，但也能够设为它们成为一体的数据库。在该情况下，成型条件要素与成型品的品质要素与各个成型品相关联地存储。

学习模型生成部53在机器学习的学习阶段中发挥功能，生成学习模型。学习模型应用概率图模型(Graphical Model)，即是表示了概率变量间的带条件依赖构造那样的概率模型。在学习模型生成部53中应用的机器学习虽以有教师的学习为例，但也能够应用其它的机器学习算法。机器学习例如是深度学习、图形套索、图形高斯模型、贝叶斯网络等。由学习模型生成部53生成了的学习模型被存储于学习模型存储部54。

如图3所示，学习模型生成部53将在与各个成型品建立了关联的状态下，被存储于成型条件数据库51的成型条件要素，以及被存储于成型品品质数据库52的品质要素作为学习数据而取得。即学习模型生成部53对各个成型品进行将成型条件要素及品质要素作为学习数据的机器学习。

而且，学习模型生成部53通过该机器学习，针对每个品质要素生成与品质要素及成型条件要素的影响度相关的学习模型。学习模型例如是如图4所示那样的概率图模型。即学习模型示出了各品质要素依存于哪个成型条件要件(是否有影响度)。而且，学习模型还示出了各品质要素对哪个成型条件要件具有哪种程度的影响度(依赖度)。

例如在图4中，可知作为品质要素之一的成型品的质量在成型条件要素中，具有A为40％、B为20％、E为6％、F为5％、G为5％的影响度。另外，作为品质要素之一的成型品的形状也同样。此外，在图4中，A等的符号是概念化且简化地表示各成型条件要素，例如是保压压力等。

输入部55、输出部56以及显示部57在机器学习的推断阶段(也称为推论阶段)中发挥功能。这里，在推断阶段中，如以下那样被利用。使用注塑成型机1的作业者取得成型品的品质要素。在已取得的成型品的品质要素偏离目标值的情况下，作业者为了使该品质要素与目标值接近，需要调整成型条件要素。因此，作业者使用辅助装置50，输入偏离了目标值的品质要素。这样，辅助装置50自动地输出对该品质要素具有影响度的成型条件要素。因此，由于通过输入偏离了目标值的品质要素，能够得到对该品质要素具有影响度的成型条件要素，所以作业者能够判断只要调整具有影响度的成型条件要素即可。这里，在以下，将作业者向辅助装置50输入的品质要素称为确认对象的品质要素。

输入部55接受由作业者进行的确认对象的品质要素的输入。确认对象的品质要素如上所述，例如是偏离了目标值的品质要素。并且，输入部55在输出与确认对象的品质要素对应的成型条件要素的影响度的情况下，将输出影响度作为由作业者进行的输入信息而接受。并且，输入部55接受后述的输出部56输出的输出条件的输入。输出条件是将输出对象设为影响度降序和影响度升序的任一个(显示顺序)，设为全部和预先设定的输出的要素数量的任一个(显示要素数量)，是否输出影响度的值等。

输出部56使用被存储于学习模型存储部54的学习模型，输出对向输入部55输入了的确认对象的品质要素具有影响度的成型条件要素。但是，输出部56也可输出影响度高的成型条件要素。例如输出部56可输出影响度的值比规定值高的成型条件要素，也可输出以影响度的降序从上位开始的预先设定的要素数量的成型条件要素。当然，输出部56也可输出具有影响度的全部的成型条件要素。并且，输出部56也可以针对具有影响度的成型条件要素的每一个输出影响度的值。显示部57显示被向输入部55输入了的输入信息以及输出条件，以及通过输出部56输出了的输出信息。显示部57的详细内容将在后述。

参照图5对显示部57的第一显示样式进行说明。本样式在输入部55中，作为输入信息亦即确认对象的品质要素输入了质量，作为输出条件，输入了影响度降序、全部、无影响度。在该情况下，在显示部57(图5的左栏)显示输入信息、输出条件。

并且，在显示部57(图5的右栏)显示通过输出部56输出了的输出信息。如图5所示，在显示部57以影响度的降序显示对成型品的质量具有影响度的成型条件要素的全部。即，在显示部57对质量影响度最高的“A”被显示在最上段，按顺序显示了“C”、“E”、“F”、“G”。

作业者在质量偏离了目标值的情况下，如上述那样通过输入部55输入质量。这样，如图5所示，在显示部57进行了显示，从而作业者能够掌握对质量造成影响的成型条件要素。例如作业者能够按影响度的降序，调整成型条件要素，使成型品的品质成为目标值。

这样，在产生了不合格品的情况下，作业者在多个品质要素中，确认哪个品质要素是不良的。然后，作业者输入作为不良的品质要素，由此输入部接受确认对象的品质要素的输入。这样，输出部56输出对该确认对象的品质要素具有影响度的成型条件要素。这里，输入部55接受的品质要素、与对该品质要素具有影响度的成型条件要素的关系应用机器学习，由此能够容易地掌握。因此，输出部56通过使用通过机器学习生成了的学习模型，能够容易地输出对确认对象的品质要素具有影响度的成型条件要素。

而且，作业者能够掌握为了将成为不良的品质要素做成良好而改变哪个成型条件要素即可。即作业者能够通过掌握品质要素与成型条件要素的关系并且重复作业，提高熟练度。

参照图6对显示部57的第二显示样式进行说明。本样式在输入部55中，作为输入信息亦即确认对象的品质要素输入了质量，作为输出条件输入了影响度降序、全部、有影响度。在该情况下，在显示部57(图6的左栏)显示输入信息、输出条件。

并且，在显示部57(图6的右栏)显示通过输出部56输出了的输出信息。如图6所示，在显示部57以影响度的降序显示了对成型品的质量具有影响度的成型条件要素的全部。即，在显示部57，对质量影响度最高的“A”被显示在最上段，以其影响度是40％的情况一起进行了显示。并且在显示部57依次显示了“C：20％”、“E：6％”、“F：5％”、“G：5％”。

作业者在质量偏离了目标值的情况下，如上述那样通过输入部55输入质量。这样，如图6所示，在显示部57进行了显示，从而作业者能够掌握对质量造成影响的成型条件要素。并且，作业者能够掌握对质量造成影响的成型条件要素的影响度。例如作业者能够考虑与目标值的偏离量，判断调整哪种程度的影响度的成型条件要素。例如作业者能够选择调整影响度20％的成型条件要素而不是影响度最高的成型条件要素。

这样，作业者通过考虑成型条件要素的影响度的值而能够检讨怎样调整具有何种程度的影响度的成型条件要素。例如在品质要素稍微偏离目标值的情况下、品质要素较大地偏离了目标值的情况下，能够检讨调整哪个成型条件要素。

参照图7对显示部57的第三显示样式进行说明。本样式在输入部55中，作为输入信息亦即确认对象的品质要素输入了质量，作为输出条件输入了影响度降序、作为被设定的要素数量的上位四个、和有影响度。在该情况下，在显示部57(图7的左栏)显示输入信息、输出条件。

并且，在显示部57(图7的右栏)显示通过输出部56输出了的输出信息。如图7所示，在显示部57以影响度的降序显示了对成型品的质量具有影响度的成型条件要素中的上位四个。即，在显示部57，对质量影响度最高的“A”被显示在最上段，其影响度是40％的情况一起进行了显示。并且，在显示部57依次显示了“C：20％”、“E：6％”、“F：5％”。

作业者在质量偏离了目标值的情况下，如上述那样通过输入部55输入质量。这样，如图7所示，通过在显示部57显示，从而作业者能够掌握对质量造成影响的成型条件要素。并且，作业者能够掌握对质量造成影响的成型条件要素的影响度。例如作业者能够考虑与目标值的偏离量来判断是否调整何种程度的影响度的成型条件要素。例如作业者能够选择调整影响度20％的成型条件要素而不是影响度最高的成型条件要素。另外，大体上通过调整影响度是上位的规定量的成型条件要素就足够了，所以作为输出信息仅显示规定的要素数量的部分，从而能够更容易观察显示部57的显示内容。

参照图8对第二个例子的成型条件决定辅助装置150(以下，称为辅助装置)的结构进行说明。辅助装置150具备：成型条件数据库51、成型品品质数据库52、学习模型生成部53、学习模型存储部54、品质目标值存储部158、输入部155、输出部156、显示部157。此外，对于与第一个例子的辅助装置50相同的构成标注同一符号并省略说明。

输入部155接受确认对象的品质要素、输出条件(与是否输出显示顺序、显示要素数量、影响度有关的信息)的输入。并且，输入部155在确认对象的品质要素偏离了目标值的情况下，能够接受确认对象的品质要素、以及与品质要素的目标值的偏离量的输入。或者输入部155能够接受确认对象的品质要素的值其本身的输入。

品质目标值存储部158存储有与对象的成型品相关的品质要素的目标值。品质要素的目标值在向输入部155输入了成型品的品质要素的值的情况下，作为用于比较的信息而被使用。

输出部156使用学习模型输出对确认对象的品质要素具有影响度的成型条件要素。输出部156具有与上述第一个例子的辅助装置50的输出部56相同的功能。并且，输出部156具有在将以对确认对象的品质要素仅调整偏离量作为目的情况下，根据影响度推荐要调整的成型条件要素的功能。即输出部156使用学习模型，在确认对象的品质要素中，基于影响度以及偏离量，推荐要调整的成型条件要素。并且，输出部156除了根据影响度推荐要调整的上述成型条件要素之外，还具有推荐要调整的成型条件要素的调整量的功能。

显示部157显示向输入部155输入了的输入信息以及输出条件，以及通过输出部156输出了的输出信息。显示部157的详细内容将在后述。

参照图9对显示部157的第四显示样式进行说明。本样式在输入部155中，作为输入信息亦即确认对象的品质要素输入质量、以及该确认对象的品质要素的值与目标值的偏离量。另外，本样式在输入部155中，作为输出条件输入了调整推荐顺序、作为被设定的要素数量为上位四个、和有影响度。在该情况下，在显示部157(图9的左栏)显示输入信息、输出条件。

并且，在显示部157(图9的右栏)显示通过输出部156输出了的输出信息。如图9所示，在显示部157以推荐顺序的降序显示了对成型品的质量具有影响度的成型条件要素中的调整推荐顺序的上位四个。即在显示部157，为了调整质量的偏离量，推荐顺序最高的“C”被显示在最上段，其影响度是20％以及该调整量的值也一起显示。并且，在显示部157按推荐顺序显示了“E：6％(影响度)、○○(调整量)”、“F：5％(影响度)、○○(调整量)”、“G：5％(影响度)、○○(调整量)”。

作业者在质量偏离了目标值的情况下，如上述那样通过输入部155输入质量以及偏离量。这样，如图9所示，通过在显示部157显示，从而作业者能够掌握对质量造成影响的成型条件要素。并且，作业者能够掌握为了对质量仅调整偏离量而将哪个成型条件要素调整为哪种程度。

这里，在对确认对象的品质要素仅调整偏离量的情况下，推荐对象并不限于一个，会输出多个推荐对象。在这种情况下，多个推荐对象按推荐顺序被显示于显示部157，从而作业者能够掌握多个推荐对象。由此，作业者能够以成型品的品质要素成为目标值的方式调整。

参照图10对显示部157的第五显示样式进行说明。本样式在输入部155中，作为输入信息亦即确认对象的品质要素输入质量、以及该确认对象的品质要素的值。另外，本样式在输入部155中，作为输出条件，输入了调整推荐顺序、作为被设定的要素数量的上位四个、和影响度。在该情况下，在显示部157(图10的左栏)显示输入信息、输出条件。

并且，在显示部157(图10的右栏)显示通过输出部156输出了的输出信息。如图10所示，在显示部157中以推荐顺序的降序显示了对成型品的质量具有影响度的成型条件要素中的调整推荐顺序的上位四个。这里，输出部156比较被向输入部155输入了的确认对象的品质要素的值、与被存储于品质目标值存储部158的目标值，由此能够得到偏离量。而且，输出部156基于该偏离量，来决定调整推荐顺序。

而且，在显示部157中为了调整质量的偏离量，推荐顺序最高的“C”被显示在最上段，其影响度是20％、以及该调整量的值也被一起显示。并且，在显示部157按推荐顺序显示了“E：6％(影响度)、○○(调整量)”、“F：5％(影响度)、○○(调整量)”、“G：5％(影响度)、○○(调整量)”。

作业者在确认对象的品质要素偏离了目标值的情况下，输入确认对象的品质要素的值其本身而不计算偏离量。这样，如图10所示，通过在显示部157显示，从而作业者能够掌握为了调整质量的偏离量以哪种程度调整哪个成型条件要素即可。

Claims (8)

1.一种成型条件决定辅助装置，被用于通过将熔融材料向模具供给而对成型品进行成型的方法，其特征在于，包括：

学习模型生成部，其通过将多个成型条件要素和上述成型品的多个品质要素作为学习数据的机器学习，针对上述品质要素的每一个生成与上述品质要素及上述成型条件要素的影响度相关的学习模型；

输入部，其接受确认对象的上述品质要素的输入；以及

输出部，其使用上述学习模型，输出对上述确认对象的上述品质要素具有上述影响度的上述成型条件要素。

2.根据权利要求1所述的成型条件决定辅助装置，其中，上述输出部输出对上述确认对象的上述品质要素上述影响度高的上述成型条件要素。

3.根据权利要求1或2所述的成型条件决定辅助装置，其中，上述输出部输出具有上述影响度的上述成型条件要素、以及上述影响度的值。

4.根据权利要求1或2所述的成型条件决定辅助装置，其中，

上述输出部预先设定有输出的要素数量，将对上述确认对象的上述品质要素具有上述影响度的上述成型条件要素从上述影响度的值高的一方起输出上述要素数量。

5.根据权利要求1或2所述的成型条件决定辅助装置，其中，

上述输入部在上述确认对象的上述品质要素偏离了目标值的情况下，接受上述确认对象的上述品质要素、以及与上述品质要素的上述目标值的偏离量的输入，

在以将上述确认对象的上述品质要素调整上述偏离量作为目的情况下，上述输出部根据上述影响度来推荐要调整的上述成型条件要素。

6.根据权利要求5所述的成型条件决定辅助装置，其中，上述输出部根据上述影响度，推荐要调整的上述成型条件要素、以及要调整的上述成型条件要素的调整量。

7.根据权利要求1或2所述的成型条件决定辅助装置，其中，上述学习模型是概率图模型。

8.一种注塑成型机，其特征在于，具有权利要求1或2所述的成型条件决定辅助装置。

Images