CN116568481A - 注射成型条件生成系统以及方法 - Google Patents

Abstract

本发明提供一种能够提高注射成型的品质的注射成型条件生成系统。注射成型条件生成系统(1)在取得了第一树脂材料的第一材料特性值时，基于与成型品的品质相关的品质参数的目标值、第一材料特性值和预定的关系式，生成使用了第一树脂材料的注射成型的注射成型条件(417)，预定的关系式是表示树脂材料的材料特性值、向注射成型机输入的多个注射成型条件、以及与基于材料特性值和各注射成型条件由注射成型机成型的成型品的品质相关的品质参数之间的关系的式子(416)，基于将树脂材料的材料特性值、注射成型条件和品质参数相关联地进行积蓄而得到的数据来生成预定的关系式。

Description

注射成型条件生成系统以及方法

技术领域

本发明涉及一种注射成型条件生成系统以及方法。

背景技术

在注射成型工序中，输入到成型机的多个注射成型条件、树脂的材料特性偏差等各种因素对成型品品质造成影响。因此，为了使成型品品质稳定化而调节成型条件并不是容易的作业，需要熟练作业者的技术和时间。针对该课题，一直以来研究了不依赖于作业者而用于使注射成型条件最佳化的方法(专利文献1)。

在专利文献1所记载的方法中，将用于提供控制信号的注射成型控制器与注射成型机连接，其中，控制信号用于部分地决定注射成型工序中的注射成型压力，在注射成型周期中的第一时间内测定来自压力控制输出的第一控制信号，在接下来的注射成型周期的第二时间内测定来自压力控制输出的第二控制信号，根据将第一控制信号与第二控制信号进行比较的结果，调节注射成型周期中的第三时间内的压力的控制信号。即，在专利文献1中，将注射成型工序中的材料特性的变化作为控制器控制信号的变化进行测定，进行基于该变化的压力调节，由此能够不依赖于作业者而进行考虑了材料特性的变化的注射成型条件(压力)的控制。

现有技术文献

专利文献

专利文献1：日本特开2016-527109号公报

发明内容

发明要解决的课题

在专利文献1所记载的方法中，前提是在注射成型运转的每个周期中依次调节压力。因此，在专利文献1所记载的方法中，需要用于在注射成型运转中测定来自压力控制输出的控制信号并进行与测定值相应的压力控制的特殊的控制器、以及用于将控制器与注射成型机始终连接的开发，因此需要追加开发和工时。

注射成型中的成型条件与品质的关系受到树脂的材料特性的影响。例如，即使是同一种类(例如聚丙烯)的材料，流动性也以等级单位、供应商单位而不同，因此即使输入相同的成型条件，金属模具内的树脂的行为也大不相同，成型品品质也有偏差。

在此，近年来，由于塑料废弃物引起的海洋污染问题、中国和东南亚的禁止进口塑料废弃物的措施，在塑料的再利用材料的有效利用方面，受到了比以往更大的关注。以欧洲为中心，一部分地区还研究了针对原始材料的使用的征税或法规，对于制造使用了塑料的产品的制造商而言，再生材料的有效利用成为紧迫的课题。但是，再生材料因成型时的热历程、使用环境导致的劣化、以及再生时的异物混入或热历程，与原始材料相比，材料特性的偏差大，因此成型品品质的偏差也增大至原始材料以上。

图17是表示用于明示后述的实施例的优势的比较例的图表，不是背景技术。图17中示出了例如使用批次A、批次B、批次C这3个再生材料进行成型时的成型品重量的分布。图17的横轴表示成型品重量，图17的纵轴表示概率密度。图17中示出了对于交货时期不同的3个再生材料，在通过相同的金属模具和注射成型机以及相同的成型条件进行成型时的成型品重量的分布。

以下，将基于交货时期的不同标记为批次。在图17中，每1批次的成型品的个数为40个。图17的成型品重量的分布全部以成型品的个数进行标准化。

根据图17可知，即使在相同的成型条件下进行成型时，批次间的重量偏差也比批次内的偏差充分大。因此，能够确认在再生材料中，每个交货批次的材料特性的差异对成型条件与品质的关系造成影响。

关于树脂的材料特性的影响，在专利文献1中，将注射成型运转中的材料特性的变化作为控制器控制信号的变化进行测定。在专利文献1中，基于控制器控制信号的变化来控制注射成型条件的压力，由此进行与材料特性的变化相应的调节。但是，在仅是压力的控制中，在树脂的温度特性、流动性大幅变化的情况下，压力的调节量变大。因此，在专利文献1所记载的方法中，在压力变得过低的情况下，发生填充不足的可能性变高，在压力变得过大的情况下，发生毛刺等外观不良的可能性变高。

本发明是鉴于上述课题而作出的，其目的在于提供一种能够提高注射成型品质的注射成型条件生成系统以及方法。

用于解决课题的手段

为了解决上述课题，本发明的注射成型条件生成系统是使用计算机生成注射成型条件的注射成型条件生成系统，计算机包含处理器和由处理器使用的存储器，处理器在取得了第一树脂材料的第一材料特性值时，基于与成型品的品质相关的品质参数的目标值、第一材料特性值和预定的关系式，生成使用了第一树脂材料的注射成型的注射成型条件，预定的关系式是表示树脂材料的材料特性值、向注射成型机输入的多个注射成型条件、以及与基于材料特性值和各注射成型条件由注射成型机成型的成型品的品质相关的品质参数的关系的式子，预定的关系式是基于将树脂材料的材料特性值、注射成型条件和品质参数相关联地积蓄在存储器中而得到的数据来生成的。

发明效果

根据本发明，能够得到适合于在注射成型机中使用的树脂材料的材料特性值和成型品品质的注射成型条件。

附图说明

图1是注射成型机的成型条件最佳化系统的功能框图。

图2是能够用于实现注射成型条件生成系统的计算机的结构图。

图3是注射成型机的概念图。

图4是在验证成型条件的最佳化的实验中使用的金属模具的概念图。

图5是从由传感器得到的物理量中提取特征量并记录到特征量数据库中的框图。

图6是表示压力传感器及树脂传感器的取得数据的时间序列变化的图表。

图7是特征量提取结果例的说明图。

图8是工序数据集的说明图。

图9是学习模式的流程图。

图10是表示通过UMAP对特征量数据集进行转换后的结果例的图表。

图11是表示维度削减后的特征量数据集例子的说明图。

图12是学习用数据集例子的说明图。

图13是用于说明已学习回归模型的性能评价的图表。

图14是最佳化模式的流程图。

图15是表示网格搜索法中的说明变量的组合例的说明图。

图16是用于确认最佳化后的成型条件的妥当性的成型品的重量分布图。

图17是作为比较例的针对交货时期不同的再生材料在同一成型条件下成型时的成型品的重量分布图。

具体实施方式

以下，基于附图对本发明的实施方式进行说明。在本实施方式中，提供一种用于抑制由材料特性的偏差引起的成型品品质偏差的技术。本实施方式的注射成型条件生成系统不需要与注射成型机始终连接，能够向注射成型机提供适当的注射成型条件。

以下说明的实施方式并不限定保护范围所涉及的发明，另外，在实施方式中说明的各要素及其组合并非全部是发明的解决手段所必须的。

本实施方式的系统根据树脂材料的材料特性值和所要求的品质，来使注射成型条件最佳化。该系统例如基于将过去成型时得到的材料特性值、所述注射成型条件和品质参数关联起来的积蓄数据，预先生成用于表示注射成型中使用的树脂材料的材料特性值、输入到注射成型机的多个注射成型条件、以及与基于所述树脂材料和所述注射成型条件由注射成型机成型的成型品品质相关的品质参数之间的关联性的关系式，取得第一材料的第一材料特性值，根据所述第一材料特性值、品质参数的目标值和所述预定的关系式，生成适合于所述第一材料的注射成型条件。

根据本实施方式，即使在树脂的材料特性发生变动的情况下，也不依赖于作业者的技能，且不需要注射成型工序中的实时控制，能够得到用于使成型品质稳定化的最佳的成型条件。

实施例1

使用图1～图16对实施例1进行说明。图1表示生成注射成型机的成型条件的系统1的功能框图。

注射成型条件生成系统1例如包含生产管理系统2、制造执行系统3、学习及最佳化系统4、制造工厂5。以下叙述的注射成型条件生成系统1的各功能的一部分或全部功能可以构成为软件，也可以作为软件与硬件的协作来实现，还可以使用具有固定电路的硬件来实现。也可以由操作员执行生产管理系统2、制造执行系统3以及制造工厂5所具有的功能的至少一部分。

生产管理系统2是管理生产计划的系统，至少包含生产计划管理部21。生产计划管理部21是与订货状况以及库存状况相匹配地生成生产计划的功能，其中，生产计划包含生产规格、数量以及时期等。

制造执行系统3是对制造工厂5指示执行生产的系统。制造执行系统3基于由生产管理系统2生成的生产计划来决定制造条件，并将包含制造条件的生产指示发送至制造工厂5。在制造条件中，例如可以包含用于确定生产(注射成型)所使用的注射成型机的信息、用于确定生产所使用的金属模具的信息、用于确定生产所使用的材料的信息、生产的成型品的数量、生产时期、要求品质等。

对制造执行系统3进行说明。制造执行系统3例如具备制造条件决定部31、生产实绩存储部32、生产实绩取得部33、制造执行指示部34以及生产实绩记录部35。

制造条件决定部31是基于生产管理系统2的生产计划管理部21生成的生产计划来决定上述制造条件的功能。制造条件决定部31能够将与制造条件相关的信息发送至学习及最佳化系统4。与制造条件相关的信息能够包含与金属模具、注射成型机以及材料相关的预定的信息。

预定的信息例如包含金属模具的容量、金属模具的流道结构。作为预定的信息，例如还可以包含生产的成型品的要求品质、所使用的树脂材料的供应商单位的制造编号以及每个供应商的交货编号等。学习及最佳化系统4为了使成型条件最佳化，将从制造条件决定部31接收到的成型品的要求品质信息输入到最佳条件生成部417，生成最佳化后的成型条件。

生产实绩存储部32是存储生产实绩的功能。在本实施例中，生产实绩表示确认了针对注射成型机、金属模具和材料的组合能够得到良好的成型品品质的成型条件。良好的成型品品质是指成型品质满足在制造执行系统3中决定的要求品质。

生产实绩取得部33是从生产实绩存储部32取得生产实绩的功能。生产实绩取得部33从生产实绩存储部32读出并取得基于制造条件决定部31决定的金属模具(以下，称为第一金属模具)以及制造条件决定部31决定的使用材料(以下，称为第一材料)的生产实绩。

在没有基于第一金属模具与第一材料的组合的生产实绩时，生产实绩取得部33对制造执行指示部34要求基于第一金属模具与第一材料的组合的成型条件最佳化，或者要求基于最佳化结果的成型。

要求成型条件最佳化是指在制造工厂5中，以预先设定的成为基准的注射成型条件(以下，设为基准条件)进行试成型，将与试成型相关的信息输入到学习及最佳化系统4，生成满足要求品质的成型条件。关于输入到学习及最佳化系统4的信息的例子，在后面叙述。另外，基于最佳化结果的成型是指以学习及最佳化系统4输出的良好的成型条件和期待的成型条件进行成型。

另一方面，在存在基于第一金属模具与第一材料的组合的生产实绩的情况下，生产实绩取得部33对制造执行指示部34要求制造实绩下的成型，或者要求用于学习的试成型(以下，设为学习用试成型)。

在此，学习用的试成型是指一边改变成型条件一边进行注射成型，将得到的信息输入到学习及最佳化系统4，作为用于提取最佳成型条件的数据而进行保存。关于学习用试成型的详细内容，使用图8在后面叙述。

制造执行指示部34是在制造工厂5中指示执行制造的功能。另外，也可以将执行制造称为生产。在制造执行指示中，例如包含由生产实绩取得部33输入的成型条件最佳化的要求、基于最佳化结果的成型的要求、制造实绩下的成型的要求、学习用试成型的要求。

生产实绩记录部35是将确认了在制造工厂5中得到良好的成型品品质的成型条件记录到生产实绩存储部32的功能。生产实绩记录部35根据从制造工厂5的品质检查部57取得的表示成型品的品质结果的信息，将得到了良好的成型品品质的成型条件登记到生产实绩存储部32中。

对制造工厂5进行说明。制造工厂5接收来自制造执行系统3的制造执行指示，执行注射成型工序53至56中的任一个或多个。以下，有时将注射成型简记为“IM”。

制造工厂5例如具有制造执行部51、多台注射成型机50(在图3中后述)、多台金属模具(在图3中后述)、成型条件生成部52以及成型品品质检查部57。以下，有时将成型品品质检查部57简记为品质检查部57。

制造执行部51基于从制造执行系统3的制造执行指示部34输入的制造条件，执行注射成型工序。制造执行部51在被要求了以生产实绩进行成型时，针对所指示的金属模具与材料的组合，将生产实绩输入到注射成型机，由此执行注射成型工序53。即，注射成型工序53是使用所指定的金属模具与材料的组合，在具有生产出合格品的实绩的成型条件下进行的注射成型工序。

制造执行部51在被要求了学习用试成型的情况下，向成型条件生成部52发出学习用试成型的指示。成型条件生成部52在从制造执行部51接收到学习用试成型的指示时，针对所指示的金属模具与材料的组合，生成用于保存在学习及最佳化系统4的学习用数据库412中的多个成型条件。制造执行部51将所生成的多个成型条件按照每个预定的注射单位进行变更并向注射成型机输入，由此执行注射成型工序54。即，注射成型工序54是按照每个预定的注射单位变更成型条件并按照该成型条件进行试成型的工序。

制造执行部51在被要求了成型条件最佳化的情况下，向成型条件生成部52发出基准条件下的成型的指示。成型条件生成部52若从制造执行部51接收到基准条件下的成型的指示，则针对所指示的金属模具与材料的组合，将预先指定的基准条件输入给注射成型机，由此执行注射成型工序55。即，注射成型工序55是按照基准条件进行注射成型的工序。

制造执行部51在被要求了基于最佳化结果的成型的情况下，对成型条件生成部52指示基于最佳化结果的成型。成型条件生成部52当从制造执行部51接收到基于最佳化结果的成型的指示时，从学习及最佳化系统4接收针对所指示的金属模具与材料的组合而由最佳条件生成部417生成的最佳化的成型条件，并将接收到的成型条件输入到注射成型机，由此执行注射成型工序56。即，注射成型工序56是按照最佳化的成型条件进行注射成型的工序。

品质检查部57是判定通过注射成型工序得到的成型品的品质的好坏的功能。例如，基于尺寸、翘曲量、毛刺、伤痕、光泽、色彩等来评价成型品品质。成型品的品质检查可以自动地进行，也可以由检查员手动地进行，还可以半自动地进行。

品质检查部57在成型品的品质良好的情况下，将制造条件、注射成型机与金属模具的组合、成型条件、成型品品质的检查结果关联起来输出到制造执行系统3的生产实绩记录部35。另外，在实施了注射成型工序54～56的情况下，将制造条件、注射成型机与金属模具的组合、成型条件、成型品品质的检查结果关联起来输出到学习及最佳化系统4的工序数据记录部407。

此外，在本实施例中，关于使用第一金属模具时的与每个使用材料的材料特性相关的信息，通过预先使用在制造工厂5所具有的各注射成型机以及金属模具上搭载的传感器58来测定金属模具内的预定位置的物理量，并将该物理量输出给学习及最佳化系统4的传感器信息记录部401而取得。关于搭载在金属模具的传感器的详细内容，使用图4在后面叙述。在此，与材料特性相关的信息例如是指材料的流动性、材料物性以及与它们相关的物理量。

注射成型机的预定位置例如是喷嘴前端部等。金属模具内的预定位置例如是金属模具的树脂流入口等。物理量例如包括树脂的压力、树脂的温度、树脂的速度、树脂的材料物性以及金属模具的打开量(模具打开量)。材料物性例如是树脂的密度、树脂的粘度、树脂的纤维长度的分布(在为含有增强纤维的材料时)等。其中，与材料的流动性最相关的物理量是树脂的粘度，但也可以使用其他的根据压力、温度以及速度计算出的与流动性相关的特征量。

对学习及最佳化系统4进行说明。学习及最佳化系统4是在没有基于指定的金属模具与树脂材料的组合的生产实绩的情况下，生成适当的注射成型条件的功能。此外，本实施例中所说的最佳的注射成型条件是指适当的注射成型条件。

学习及最佳化系统4是如下功能：对于在制造执行系统3的生产实绩存储部32中没有基于第一金属模具与第一材料的组合的生产实绩，从而执行条件最佳化时的材料(以下，将它们作为第二材料)，将基于过去执行的IM工序54及使用了第二材料的IM工序55的信息以及要求品质作为输入，生成用于第二材料满足要求品质的最佳的成型条件。

学习及最佳化系统4例如包含传感器信息记录部401、特征量提取部402、特征量数据库403、维度削减模型学习部404、已学习维度削减模型保存部405、已学习维度削减模型存储部406、工序数据记录部407、工序数据库408、维度削减模型读出部409、维度削减执行部410、连结处理部411、学习用数据库412、回归模型学习部413、回归模型保存部414、已学习模型存储部415、回归模型读出部416、最佳条件生成部417。

对传感器信息记录部401进行说明。传感器信息记录部401是如下功能：记录在制造工厂5的注射成型工序55中由传感器58取得的金属模具内的预定位置的物理量。特征量提取部402对于由传感器信息记录部暂时记录的物理量进行特征量提取，并将预定的材料单位、注射成型机与金属模具的组合、以及提取出的特征量关联起来记录在特征量数据库403。在此，预定的材料单位例如是指每个材料供应商的型号或批次等用于区分材料的单位。

在本实施例中，将记录在特征量数据库403中的数据组称为特征量数据集。关于特征量提取部402中的处理，使用图6以及图7在后面叙述。在固定了注射成型机与金属模具的组合，并且固定了注射成型工序55中的成型条件的状态下，在仅预定的材料单位发生了变化的情况下，从由传感器58得到的物理量中提取的特征量强烈地受到材料单位之间的材料信息(例如，流动性、物性值)的变化的影响。

因此，能够将材料单位间的材料信息的偏差记录为特征量间的偏差。在此，从传感器58所得到的物理量中提取的特征量受到注射成型机以及金属模具的机械误差的影响，因此将材料单位间的材料信息的偏差保存为特征量间的偏差。即，针对注射成型机与金属模具的每个组合记录特征量数据集。以下说明的特征量数据集全部固定了注射成型机与金属模具的组合。

维度削减模型学习部404为如下功能：针对记录在特征量数据库中的特征量数据集，使用维度削减模型将特征量的维度转换为更低维度的向量。关于转换后的维度，学习及最佳化系统的用户能够设定任意的维度。维度削减是指以尽可能不丢失输入向量的信息的方式提取为比输入向量低的维度的向量的无监督学习方法，在维度削减模型中，例如存在主成分分析、自动编码、UMAP等。

一般而言，通过将多维向量转换为低维的向量，有可能使数据的解释性提高，或者使生成回归模型时的通用性能提高。使用特征量数据库403的特征量数据集来学习维度削减模型，由此生成已学习的维度削减模型。在将记录在特征量数据库中的特征量数据输入到已学习维度削减模型时，输出转换为用户所指定的维度数的向量。

已学习维度削减模型保存部405是将维度削减模型学习部404生成的维度削减模型记录在已学习维度削减模型存储部406的功能。

对工序数据记录部407进行说明。工序数据记录部407将通过注射成型工序54或注射成型工序55中的任一个而成型的成型品品质、输入到注射成型机的成型条件、预定的材料单位、以及注射成型机与金属模具的组合相关联地记录到工序数据库408中。

在本实施例中，将记录在工序数据库中的数据组称为工序数据集。与特征量数据集同样地，按照注射成型机与金属模具的每个组合来记录工序数据集。在以下所述的工序数据集中，设为已固定了注射成型机与金属模具的组合。

维度削减模型读出部409是如下的功能：读出在已学习维度削减模型存储部406中记录的已学习维度削减模型。将读出的维度削减模型输出到维度削减执行部410。

维度削减执行部410为如下功能：针对从特征量数据库403读入的特征量数据集，使用从维度削减模型读出部409读出的已学习维度削减模型来减少特征量数据库的维度。关于维度削减结果的详细内容，使用图9～图11在后面叙述。将维度削减后的数据集输出到连结处理部411。

连结处理部411针对从维度削减执行部410输出的与材料信息相关联的维度削减后的特征量数据集、以及从工序数据库408取得的将材料信息、成型条件以及成型品品质关联起来的工序数据集，将材料信息作为结合关键字，生成成型条件、成型品品质以及维度削减后的向量对应起来的数据集(以下，将该数据集称为学习用数据集)，并将该学习用数据集记录在学习用数据库412。

在此，连结处理部411不一定必须使用维度削减后的特征量数据集，也可以代替维度削减后的特征量数据集，而从特征量数据库403将与材料信息相关联的特征量数据集与工序数据库集结合来生成学习用数据集，并将其记录在学习用数据库412。在本实施例的以下的说明中，以使用维度削减后的向量来生成学习用数据集的情况进行说明。

回归模型学习部413是如下功能：从学习用数据库412取得学习用数据集，将说明变量设为维度削减后的向量以及成型条件，将目标变量设为成型品品质，使用回归模型来学习根据说明变量预测目标变量的回归模型，生成已学习回归模型。

一般而言，回归模型是指根据说明变量(X)来预测目标变量(y)的模型(y＝f(X))，模型内的参数根据学习用数据决定。在本实施例的说明中，在叙述为“回归模型”时，是指回归模型整体，在叙述为“已学习回归模型”时，是指根据学习用数据决定了模型参数的回归模型。

在本实施例中，回归模型例如可以使用线性回归、脊回归、支持向量机、神经网络、随机森林回归等回归模型、或者将它们组合后的回归模型。另外，在使用的回归模型例如像神经网络那样能够具有1个以上的目标变量的情况下，也可以选定1个以上的成型品品质作为目标变量。关于具体的回归模型的学习，使用图9～图13在后面叙述。

回归模型保存部414是将在回归模型学习部413中生成的已学习回归模型记录在已学习回归模型存储部415的功能。回归模型读出部416从已学习回归模型存储部415取得已学习回归模型，并输入给最佳条件生成部417。

最佳条件生成部417是如下功能：生成用于达成所要求的品质的成型条件(注射成型条件)。最佳条件生成部417从制造条件决定部31取得成型品的要求品质，从回归模型读出部416取得已学习回归模型，从连结处理部411取得针对第二材料的维度削减后的特征量数据，由此生成用于达成要求品质的最佳的成型条件。关于最佳的成型条件生成，使用图14～图16在后面叙述。

图2表示能够用于实现注射成型条件生成系统1的计算机10的结构例。在此，对由一个计算机10实现注射成型条件生成系统1的情况进行说明，但不限于此，也可以通过使多个计算机协作来构建一个或多个注射成型条件生成系统1。另外，如上所述，生产管理系统2、制造执行系统3以及制造工厂5也可以不使用专用的软件或硬件，而由操作员执行各功能的一部分或者全部，由此实现注射成型条件生成系统1。

计算机10例如具备运算装置11、存储器12、存储装置13、输入装置14、输出装置15、通信装置16、介质接口部17，这些各装置11～17通过通信路径CN1连接。通信路径CN1例如是内部总线、LAN(Local Area Network：局域网)等。

运算装置11例如由微处理器等构成。运算装置11不限于微处理器，例如也可以包括DSP(Digital Signal Processor：数字信号处理器)、GPU(Graphics Processing Unit：图形处理单元)等。运算装置11将存储装置13中记录的计算机程序读出到存储器12中并执行，由此实现作为注射成型条件生成系统1的各功能21、31～35、401～417、51、52、60。

存储装置13是存储计算机程序和数据的装置，例如具有闪存或硬盘等可改写的存储介质。在存储装置13中存储有用于实现GUI部60的计算机程序和用于实现上述各功能21、31～35、401～417、51、52的计算机程序，其中，GUI部60向操作员提供GUI(Graphical UserInterface：图形用户界面)。

输入装置14是操作员向计算机10输入信息的装置。作为输入装置14，例如有键盘、触摸面板、鼠标等指示设备、声音指示装置(均未图示)等。输出装置15是计算机10输出信息的装置。作为输出装置15，例如有显示器、打印机、声音合成装置(均未图示)等。

通信装置16是使外部的信息处理装置与计算机10经由通信路径CN2进行通信的装置。作为外部的信息处理装置，除了未图示的计算机之外，还有外部存储装置19。计算机10能够读入记录在外部存储装置19中的数据(计算机固有信息、生产实绩等)以及计算机程序。计算机10也能够将存储在存储装置13中的计算机程序和数据的全部或一部分发送到外部存储装置19来存储。

介质接口部17是对外部记录介质18进行读写的装置。作为外部记录介质18，例如有USB(Universal Serial Bus：通用串行总线)存储器、存储卡、硬盘等。还能够从外部记录介质18将存储在存储装置13中的计算机程序和数据的全部或一部分传送到外部记录介质18来存储。

图3是注射成型机50的概念图。使用图3对注射成型工序的各过程进行说明。在本实施例中，成型现象表示在注射成型工序中产生的一系列的现象。在本实施例中，将注射成型工序大致分为计量和塑化过程、注射和保压过程、冷却过程、以及取出过程。

在计量和塑化过程中，以塑化用电动机501为驱动力使螺杆502后退，从料斗503向缸505内供给树脂颗粒504。然后，通过加热器506的加热和螺杆502的旋转，使树脂塑化而成为均匀的熔融状态。根据螺杆502的背压及转速的设定，熔融树脂的密度与强化纤维的断裂程度发生变化，这些变化对成型品品质造成影响。

在注射和保压过程中，以注射用电动机507为驱动力使螺杆502前进，经由喷嘴508向金属模具509内注射熔融树脂。在注射到金属模具509内的熔融树脂中，来自金属模具509壁面的冷却和由流动引起的剪切发热并行地发挥作用。即，熔融树脂一边受到冷却作用和加热作用一边在金属模具509内流动。在将金属模具509闭合的力即合模力小的情况下，在熔融树脂固化后产生微小的金属模具打开，由于该微小的间隙，成型品品质受到影响。

在冷却过程中，利用保持为恒定温度的金属模具509使熔融树脂冷却至固化温度以下。在该冷却过程中产生的残留应力对成型品的品质造成影响。伴随着因金属模具内的流动而产生的材料物性的各向异性、基于保压的密度分布、成型收缩率的不均等而产生残留应力。

在取出过程中，将用于开闭金属模具509的电动机511作为驱动力来驱动合模机构512，由此将金属模具509打开。然后，在通过将顶出用电动机513作为驱动力来驱动顶出机构514，从而将固化的成型品从金属模具509取出的情况下，当没有对成型品均匀地作用足够的顶出力时，在成型品中残留有残留应力，影响成型品的品质。

在注射成型机50中进行压力控制，使得负载传感器510的压力值接近所输入的成型条件内的压力值。缸505的温度由多个加热器506控制。根据螺杆502的形状、缸505的形状和喷嘴508的形状，每个注射成型机产生不同的压力损失。由此，金属模具509的树脂流入口的压力成为比输入到注射成型机的成型条件所示的压力低的值。并且，由于加热器506的配置和喷嘴部中的树脂的剪切发热，有时金属模具509的树脂流入口的树脂温度与输入到注射成型机的成型条件所示的树脂温度不同。

注射机构的结构(螺杆502的形状、缸505的形状、喷嘴508的形状、加热器506的配置等)按注射成型机而不同，有时其成为机械误差而对成型品品质造成影响。

通过形状特性(重量、长度、厚度、缩痕、毛刺、翘曲等)、外观不良等表面特性(接缝、银纹、烧伤、白化、伤痕、气泡、剥离、流痕、喷射痕、颜色/光泽等)、机械/光学特性(拉伸强度、耐冲击特性、透射率等)来评价成型品的品质。

形状特性与注射和保压过程以及冷却过程中的压力及温度的履历和合模力具有强相关性。关于表面特性，对于产生的现象，其产生原因分别不同，但是例如流痕和喷射纹与注射过程中的树脂的温度和速度具有强相关性。关于机械以及光学的特性，例如在拉伸强度的情况下，需要利用破坏试验进行评价，因此大多利用重量等相关的其他品质指标来进行评价。

在成型条件中设定与注射成型工序的各过程对应的参数。关于计量和塑化过程，设定计量位置、回吸、背压、背压速度及转速等。关于注射和保压过程，分别设定压力、温度、时间和速度。关于注射和保压过程，还设定对注射和压力进行切换的螺杆位置(VP切换位置)和金属模具509的合模力。关于冷却过程，设定保压后的冷却时间。作为与温度相关的参数，设定多个加热器506的温度、以及用于冷却金属模具509的制冷剂的温度和流量等。

图4表示在本实施例中，在验证成型条件的最佳化的实验中使用的金属模具的概要。图4示出了产品部的俯视图70、产品部的侧视图71以及流道部的俯视图72。该金属模具是树脂从流道部以5点的浇口方式向产品部流入的构造。在实际的成型实验中，在流道的传感器配置部73配置压力传感器和树脂传感器(均未图示)，取得它们的时间变化。关于成型中使用的材料，使用聚丙烯(PP)。关于注射成型机，使用最大合模力为150t以及螺杆直径为44mm的电动注射成型机。

图5是框图，其表示对于从传感器58得到的物理量进行特征量提取部402中的特征量提取，并将其结果记录到特征量数据库403，由此来取得材料信息的方法的例子。图5所示的材料信息的取得信息通过使用在预定的位置设置了用于测量预定的物理量的传感器的“带传感器的金属模具”、“内置传感器的金属模具”中的任一个来实现。

首先，对于任意的材料601，将固定的成型条件即基准成型条件602输入到实际的注射成型机603，由此取得金属模具内的预定部位的物理量。在此，注射成型机603与图3中所述的注射成型机50对应。并且，基准条件对应于在执行图1所述的注射成型工序55时输入到注射成型机的条件。

金属模具内的预定部位的物理量受到所使用的材料自身的材料信息、金属模具以及注射成型机固有的机械误差、成型条件的影响。因此，通过对金属模具与注射成型机的每个组合设定基准条件601，能够抑制机械误差以及成型条件的影响，将材料固有的材料信息作为物理量的特征量记录在特征量数据库610。即，可以针对金属模具与注射成型机的每个组合变更基准条件。

为了在实际的注射成型机603中取得成型现象，使用金属模具内传感器606。通过在金属模具604内的任意位置配置金属模具内传感器606，能够直接测定金属模具604内的成型现象，从而取得与材料信息相关的物理量的实测值608。成型品605的品质能够通过产品品质检查607来取得。

从得到的物理量中提取特征量(609)。所得到的物理量均作为注射成型工序中的时间变化而取得，因此难以直接评价。因此，在本实施例中，根据物理量的时间变化，取得与材料信息相关的特征量，由此进行材料信息的定量评价。通过在材料间通用的基准条件下进行成型，能够通过比较材料间的特征量来比较材料间的材料信息。

使用图6及图7，对于用于验证在图4中所述的成型条件的最佳化的实验例的测定结果进行说明。图6表示对交货时期不同的3个PP的材料批次P、Q、R分别以基准条件进行注射成型时的流道的传感器配置部73中的压力传感器以及树脂传感器的时间序列数据。如图6所示，能够确认即使是同一成型条件，每个批次的时间序列数据的变动也不同，压力传感器的时间序列数据受到材料固有的材料信息的影响。

图7是从图6中的每个材料批次的压力传感器以及树脂温度传感器提取出峰值、最大微分值、到峰值为止的积分值、从峰值开始的积分值来作为特征量的结果例(关于树脂温度传感器省略数值)。根据图7，由于特征量在批次间存在偏差，因此能够确认所提取的特征量受到材料信息的影响。这样，对每个批次进行特征量提取处理，针对每个批次将特征量关联起来的数据集称为特征量数据集，记录在特征量数据库403中。在本实施例中，如图7所示，在压力传感器以及树脂温度传感器中各为4维，使用了共计8维的特征量数据集。

以下，对测定物理量的金属模具的部位、与树脂信息相关的物理量的参数以及特征量进行说明。

首先，对测定物理量的金属模具内的部位(以下，称为测定部位)进行说明。在任意一个金属模具结构中，优选测定部位至少包括从金属模具内的树脂流入口至型腔内的直浇道部或流道部。

也可以将型腔内作为测定部位，但在通过上述步骤导出材料固有的材料信息时，需要考虑从树脂流入口到型腔的各物理量的损失。因此，需要保证从树脂流入口到型腔内的解析精度。另外，在型腔内设置传感器来进行测定的情况下，有可能在成型品上残留由传感器形状引起的痕迹。因此，在要求外观品质的场所，产生无法导入传感器的制约。

因此，在本实施例中，通过将接近树脂流入口的不要求外观品质的直浇道部或流道部作为测定部位，能够简便且高精度地求出与材料固有的材料信息相关的物理量。

除了直浇道部以及流道部之外，例如也可以将型腔内的浇口正下方部、树脂合流部(熔接部)、流动末端部等那样能够观测到特征性的流动的部位用作测定部位。在该情况下，能够根据由多个传感器得到的物理量，更高精度地求出与材料固有的材料信息相关的物理量。

例如，能够根据多个测定部位的流动前沿的通过时刻来求出熔融树脂的流速，因此能够导出关于熔融树脂的速度的材料信息。而且，通过测定此时的压力和温度，能够推定金属模具内的熔融树脂的粘度。

此外，适当的测定部位根据金属模具结构和测定的物理量而不同。在金属模具打开量以外的物理量下，无论为何种金属模具结构，如果可能则优选以直浇道部为测定部位。此外，在本说明书中，“优选”这样的表述只不过是以能够期待某种有利效果的含义来使用，并不意味着其结构是必须的。

在侧浇口、跳跃式浇口、潜伏式浇口以及香蕉浇口中，将传感器配置在直浇道部正下方的流道部、浇口紧前的流道部等。在针形浇口的情况下，由于成为3板构造，因此需要对传感器的配置下工夫，在直浇道部正下方的流道部等配置传感器。在针形浇口的情况下，也可以为了测定用而设置不与型腔连接的虚设的流道来作为测定部位。通过设置测定专用的部位，金属模具设计的自由度提高。在针形浇口的情况下，为了测定用可以设置不与型腔连接的虚设的流道来作为测定部位。通过设置测定专用的部位，金属模具设计的自由度提高。在膜状浇口或扇形浇口的情况下，在流入浇口部之前的流道部设置传感器。

对作为上述物理量而测定的参数进行说明。在本实施例中，为了进行与材料信息对应的成型条件的最佳化，至少测定压力以及温度。在压力和温度的测定中，例如能够使用金属模具内压力传感器、金属模具表面温度传感器、树脂温度传感器等。在树脂温度传感器中，能够使用热电偶等接触式温度传感器、或红外线辐射温度计等非接触式温度传感器中的任意一方或双方，对于压力和温度中的任一方的物理量都记录注射成型工序中的时间变化。

注射成型条件的最佳化系统1除了取得金属模具打开量、温度和压力以外，还可以取得流动前沿速度、流动前沿通过时刻。从用于检测流动前沿的速度和流动前沿的通过的传感器能够得到流动前沿通过时刻的信息，而不是得到注射成型工序中的时间变化。在取得流动前沿通过时刻的情况下，设置至少2个以上的传感器，对2点间的树脂的通过时刻进行比较。通过检测流动前沿的速度和通过时刻，能够更准确地评价注射速度。

对上述物理量的特征量进行说明。在本实施例中，例如能够使用压力的最大值(时间变化的峰值)和积分值、以及温度的最大值(时间变化的峰值)。另外，对于压力的时间变化，取得时间微分值的最大值也是有效的。压力的时间微分值的最大值与材料的瞬间粘度相关。压力的积分值也可以在注射过程和保压过程中分开计算。注射过程中的压力的积分值与注射过程中的材料的平均粘度相关。

在使用红外线辐射式的树脂温度传感器的情况下，可以针对注射过程中的温度传感器的时间变化的输出值，取得时间微分值的最大值。该特征量与熔融树脂的流动前沿速度相关。在取得流动前沿速度的情况下，直接用作与流动速度相关的特征量。在取得流动前沿通过时刻的情况下，根据2点间的通过时刻来计算流速从而用作特征量。通过记录流速相对于注射速度的设定值(在基准条件下与材料无关地为固定值)的关系，能够更准确地记录注射速度。

使用图8，对记录在工序数据库408中的工序数据集进行说明。在工序数据库408中记录有将通过注射成型工序54或注射成型工序55成型的成型品的成型品品质、输入到注射成型机的成型条件、预定的材料单位、注射成型机与金属模具的组合关联起来的数据，针对注射成型机与金属模具的每个组合记录工序数据集。

在本实施例中，使用上述的材料批次P、Q、R，设定成型品重量来作为成型品品质，设定合模压力、金属模具温度、成型喷嘴温度、注射速度、保压压力、V-P切换位置、冷却时间来作为成型条件的参数。也可以对成型条件的参数追加上述参数以外的参数，或者削减上述参数中的任意一个以上的参数，但作为成型条件的参数，优选包含至少1个以上的与成型品品质(在本实施例的情况下为成型品重量)相关的参数。

图8是本实施例中的针对注射成型机与金属模具的每个组合记录的工序数据库的一例，将成型条件、材料用批次、成型品重量关联起来。具体而言，在图8的#1的情况下，作为成型条件的参数，设定合模压力为120[t]、金属模具温度为30[℃]、成型喷嘴温度为180[℃]、注射速度为40[mm/s]、保压压力为30[kg/m²]、V-P切换位置为10[mm]、冷却时间为35[s]，表示了作为材料批次使用批次P进行多次注射时的成型品重量的平均值为62.83[g]。在此，在试成型中变更的成型条件以及材料批次例如可以基于实验规划法来决定，也可以基于CAE模拟的结果来决定。

使用图9～图16，对学习及最佳化系统4中的成型条件最佳化的方法进行说明。学习及最佳化系统4具备最佳化模式及学习模式这2个功能。在最佳化模式中，生成对于第二材料满足要求品质的最佳的成型条件。另一方面，在学习模式中，生成用于在最佳化模式中使用的已学习维度削减模型以及已学习回归模型。

使用图9～图13，对学习模式进行说明。图9表示学习模式的流程图。当学习模式开始时，首先，学习及最佳化系统4从特征量数据库403读出特征量数据集(特征量数据集的例子是图7)，进行标准化处理(S101)。

标准化处理是指针对作为对象的数据集的各列，计算数据组的平均值以及标准偏差，从数据组的该数值中减去平均值，并除以标准偏差的处理。通过标准化处理，各列的数据组的平均值为0，标准偏差为1，因此能够去除列间的单位的差异所带来的影响。通常，通过进行标准化处理，具有提高维度削减模型、回归模型的学习精度的效果。

接着，学习及最佳化系统4对进行了标准化处理的特征量数据集进行维度削减模型的学习(S102)。在本实施例中，作为维度削减模型使用UMAP，将8维的特征量数据集削减为2维。

UMAP是在保持输入数据之间的位置信息的同时将输入数据转换成具有比输入数据的维度低的维度的数据的非线性维度削减模型。作为与维度削减相关的其他公知的模型，存在主成分分析、自动编码，也可以将它们用作特征量数据集的维度削减模型。

图10是对于将材料批次P、Q、R分别在注射成型工序55中的基准条件下各注射40次进行成型而得到的特征量数据集(维数：8、样本数120)，使用维度削减模型UMAP转换为2维向量Z(Z1、Z2)，并绘制在2维平面上的图表。

图10中的1点对应于1次注射，点的形状根据材料批次而不同。根据图10，材料批次相同的点彼此的距离近，材料批次不同的点彼此的距离远，因此能够确认维度削减后的向量Z能够表现批次间的材料信息的差异。即，已学习维度削减模型根据8维的输入数据生成与材料信息相关的2维的数据。在本实施例中，将维度削减后的向量设为2维，但只要比输入维数低，则可以削减为1维以上的任意维度。

返回图9。学习及最佳化系统4将与标准化处理相关的信息和已学习维度削减模型保存到已学习维度削减模型存储部406(S103)。与标准化处理相关的信息是指特征量数据集的各列的平均值以及标准偏差。

如图11所示，学习及最佳化系统4针对从维度削减模型得到的维度削减后的向量Z，按每个批次计算各向量的维度的平均值，将平均值与批次对应起来，将其作为维度削减后的特征量数据集来生成(S104)。

学习及最佳化系统4读出维度削减后的特征量数据集和保存在工序数据库408中的工序数据集，将批次作为结合键进行结合来生成学习用数据集，并将其记录在学习用数据库412中(S105)。

图12表示将图8所示的工序数据集与图11所示的维度削减后的特征量数据集结合而生成的学习用数据集的例子。根据图12，能够确认图8的工序数据集中的材料批次的列被维度削减后的特征量Z(Z1，Z2)置换。

在基于学习用数据集来生成回归模型时，在学习用数据集的维数不必要地过多的情况下，学习所花费的成本变高并且精度也变得不稳定的可能性变高。因此，优选将工序数据集与维度削减后的数据集结合来生成学习用数据集。但是，也可以将工序数据集与未实施维度削减的特征量数据集结合来生成学习用数据集。

学习及最佳化系统4对学习用数据集，如在步骤S101中进行的那样，针对数据集的各列实施标准化处理(S106)。

学习及最佳化系统4使用标准化处理后的数据集，通过机器学习来生成将重量作为目标变量(输出参数)，将合模压力、金属模具温度、成型喷嘴温度、注射速度、保压压力、V-P切换位置、冷却时间、Z1、Z2作为说明变量(输入参数)的回归模型(S107)。

在本实施例中，使用支持向量回归来生成已学习回归模型，但回归模型也可以使用线性回归、脊回归、支持向量机、神经网络、随机森林回归等回归模型、或者将它们组合而成的回归模型。

图13示出了本实施例中通过支持向量回归生成的已学习回归模型的性能评价结果。本性能评价是为了确认在本实施例中生成的已学习回归模型的有效性而进行的，在执行注射成型条件的最佳化系统1方面不一定需要执行本性能评价。以下，对本性能评价的方法进行说明。

通过对上述图12的数据结构所示的学习用数据集进行随机提取，分割为第一数据集和第二数据集。而且，在本性能评价中，使用第一数据集来生成支持向量回归的已学习回归模型。在本性能评价中，通过向已学习回归模型输入第一数据集以及第二数据集的说明变量，计算出成型品重量的预测值。

图13是表示成型品的实测重量与预测重量的关系的图表。横轴表示由成型品品质检查部57测定出的成型品的实测重量。纵轴表示基于已学习回归模型的成型品的预测重量。虚线的直线表示实测重量与预测重量一致时的参考线。各点越接近参考线，预测值的精度越高。

通常，作为对回归模型的预测精度进行定量评价的代表性指标，使用决定系数，决定系数越接近1，表示回归模型的预测精度越高。根据图13，能够确认第一数据集以及第二数据集的决定系数高达0.9以上。另外，在回归模型的学习中没有使用的第二数据集的决定系数与在回归模型的学习中使用的第一数据集的决定系数的乖离较小，因此能够确认本已学习回归模型的通用性能也良好。通过本评价，能够确认通过使用包含有与从注射成型工序54中的试成型得到的成型条件以及材料信息相关的维度削减后的特征量Z的学习用数据集，能够得到预测成型品重量的良好的模型。

返回图9。学习及最佳化系统4将与标准化处理相关的信息及已学习的回归模型保存在已学习回归模型存储部415(S108)，并结束学习模式。

使用图14～图16，对学习及最佳化系统4中的最佳化模式进行说明。最佳化模式基于在学习模式中生成的维度削减模型以及已学习回归模型、第二材料的特征量数据集、最佳化算法，来生成用于使第二材料满足要求品质的最优的成型条件。

图14表示最佳化模式的流程图。在最佳化模式中，从制造条件决定部31读出成型品的目标重量作为要求品质信息(S201)。

学习及最佳化系统4使用第二材料，以预定的注射次数进行注射成型工序55中的基准条件下的成型(S202)。学习及最佳化系统4针对该成型结果，通过特征量提取部402生成第二材料的特征量数据集(S203)。

学习及最佳化系统4从已学习维度削减模型存储部406读出在学习模式下生成的特征量数据库的标准化处理信息以及已学习维度削减模型(S204)。

学习及最佳化系统4对第二材料的特征量数据集执行基于特征量数据库的标准化处理信息的标准化处理和基于已学习维度削减模型的维度削减，生成第二材料的维度削减后的特征量(S205)。本实施例中的第二材料的维度削减后的特征量为(Z1，Z2)＝(0.38，-4.0)。

学习及最佳化系统4从已学习回归模型存储部415读出学习用数据库的标准化处理信息及已学习回归模型(S206)，基于目标重量、第二材料的维度削减后的特征量数据集、标准化处理信息、已学习回归模型、公知的最佳化算法，来使成型条件最佳化。

在本实施例中，以作为最佳化算法使用网格搜索法的例子进行说明。在最佳化算法中，除了网格搜索法以外，也可以使用梯度法、模拟退火法、遗传算法、贝叶斯最佳化。另外，也可以组合这些最佳化算法来进行成型条件的最佳化。

使用图14的步骤S207～S209来说明基于网格搜索法的成型条件最佳化的方法。首先，说明网格搜索法的概要。

网格搜索法是指如下的最佳化算法：针对说明变量的各参数设定多个候选值，针对由各参数的候选值的组合构成的说明变量的全部组合，使用已学习回归模型来计算目标变量的预测值，提取预测值与目标值的乖离最小的说明变量的组合。网格搜索法与其他一般的最佳化算法相比，不仅对于局部特征比全局特征强的问题也能够稳健地求出全局最优解，还能够掌握说明变量的空间整个区域中的目标变量的分布。

在本实施例中，首先，生成回归模型的说明变量的参数的全部组合(S207)。在本实施例中的回归模型的说明变量的参数中，如图12的学习用数据集的例子所示，存在与成型条件相关的参数(合模压力、金属模具温度、成型喷嘴温度、注射速度、保压压力、V-P切换位置、冷却时间)以及与材料信息相关的参数(维度削减后的特征量Z1以及Z2)。

在说明变量的参数中，关于与成型条件相关的参数，决定各参数的最大值和最小值，将注射成型机中的各参数的设定分辨率作为步长来生成候选值。关于与材料信息有关的参数，使用在步骤S205中生成的特征量数据集的值，生成说明变量的参数的组合。关于与成型条件相关的参数，例如对于合模压力，将最小值设为120[t]，将最大值设为150[t]，使合模压力每次变化1[t]。图15示出了在本实施例中生成的参数的组合例。这样，通过固定与材料信息相关的参数，能够生成使用了第二材料时的最佳的成型条件。

学习及最佳化系统4针对参数的每个组合，使用学习用数据库的标准化处理信息和已学习回归模型来计算成型品重量(S208)。

学习及最佳化系统4为了定量评价预测值与目标值的乖离，计算预测值与目标值之差的绝对值，对差的绝对值进行升序排序，由此生成最接近目标重量的成型条件来作为最佳条件(S209)。

关于针对预测值与目标值的乖离的定量评价，在本实施例中，设定了预测值与目标值之差的绝对值，但也可以设定例如预测值与目标值之差的情况值等表示预测值与目标值的乖离的其他指标。

在本实施例中，说明了要求品质仅为成型品重量的情况，但也能够应用于如成型品重量和成型品尺寸那样存在多个要求品质的情况。能够按照要求品质来设定用于表示成为对象的目标值与预测的乖离的任意指标。

图16表示在本实施例中，使用第二材料在注射成型工序55中的基准条件下成型的成型品的重量、以及在对第二材料生成的最佳化条件下成型的成型品的重量的分布。

为了生成最佳的成型条件向最佳条件生成部417输入的要求品质(成型品重量)为63.89[g]，在图16中，通过与纵轴平行的虚线来表示。在各分布中，成型品的个数为40个，分别以成型品的个数进行了标准化，纵轴表示概率密度。

根据图16，成型品重量接近要求品质，能够确认所生成的成型条件的妥当性。这样，即使树脂的材料特性发生变动，也能够实现满足要求品质的成型条件的最佳化。

附图标记的说明

1：注射成型条件生成系统，2：生产管理系统，3：制造执行系统，4：学习及最佳化系统，5：制造工厂，31：制造条件决定部，32：生产实绩存储部，33：生产实绩取得部，34：制造执行指示部，35：生产实绩记录部，401：传感器信息记录部，402：特征量提取部，403：特征量数据库，404：维度削减模型学习部，405：已学习维度削减模型保存部，406：维度削减模型读出部，407：工序数据记录部，408：工序数据库，409：维度削减模型读出部，410：维度削减执行部，411：连结处理部，412：学习用数据库，413：回归模型学习部，414：回归模型保存部，415：已学习回归模型存储部，416：回归模型读出部，417：最佳条件生成部，51：制造执行部，52：成型条件生成部，57：成型品品质检查部，58：传感器。

Claims (11)

1.一种注射成型条件生成系统，其使用计算机来生成注射成型条件，其特征在于，

所述计算机包含处理器和由所述处理器使用的存储器，

所述处理器在取得了第一树脂材料的第一材料特性值时，基于与成型品的品质相关的品质参数的目标值、所述第一材料特性值和预定的关系式，生成使用了所述第一树脂材料的注射成型的注射成型条件，

所述预定的关系式是表示树脂材料的材料特性值、向注射成型机输入的多个注射成型条件、以及与基于所述材料特性值和各个所述注射成型条件由所述注射成型机成型的成型品的品质相关的品质参数之间的关系的式子，基于将树脂材料的材料特性值、注射成型条件和品质参数相关联地积蓄在所述存储器中而得到的数据来生成所述预定的关系式。

2.根据权利要求1所述的注射成型条件生成系统，其特征在于，

针对树脂材料的每个预定的单位，基于以各预定的单位间通用的基准注射成型条件进行了成型时的金属模具内传感器的测定值的特征量来生成在所述预定的关系式的生成中使用的所述材料特性值。

3.根据权利要求2所述的注射成型条件生成系统，其特征在于，

所述预定的单位是从材料供应商供给的再生材料的交货单位。

4.根据权利要求2所述的注射成型条件生成系统，其特征在于，

所述预定的单位是从多个不同的材料供应商供给同一种类的原始材料时的材料供应商单位。

5.根据权利要求2至4中的任意一项所述的注射成型条件生成系统，其特征在于，

所述预定的关系式是以下的回归式，使用机器学习模型来生成，其中，所述回归式将与一边对试行用树脂材料改变注射成型条件一边进行试成型时的成型品的品质相关的品质参数作为输出参数，将所述注射成型条件和所述试行用树脂材料的材料特性值作为输入参数。

6.根据权利要求5所述的注射成型条件生成系统，其特征在于，

所述预定的关系式中的所述注射成型条件包括合模压力、注射速度、注射成型机的喷嘴部的温度、保压压力、速度-压力控制切换位置、金属模具温度中的至少任意一个。

7.根据权利要求5或6所述的注射成型条件生成系统，其特征在于，

所述预定的关系式中的所述品质参数包括所述预定的单位下的成型品的重量的平均值、成型品的尺寸的平均值、成型品的翘曲量的平均值、成型品的不良率中的至少任意一个。

8.根据权利要求5至7中的任意一项所述的注射成型条件生成系统，其特征在于，

所述特征量包括温度、速度、压力中的至少任意一个。

9.根据权利要求5至8中的任意一项所述的注射成型条件生成系统，其特征在于，

所述特征量中包含树脂材料的流动性，

基于所述金属模具内传感器的测定值的峰值、从注射开始到峰值为止的所述测定值的积分值、从注射开始到开模为止的所述测定值的积分值、所述测定值的最大微分值中的至少任意一个来计算所述树脂材料的流动性。

10.根据权利要求7至9中的任意一项所述的注射成型条件生成系统，其特征在于，

削减所述特征量的维数，将削减后的特征量作为所述材料特性值来使用。

11.一种注射成型条件生成方法，使用计算机来生成注射成型条件，其特征在于，

所述计算机取得第一树脂材料的第一材料特性值；

所述计算机基于与成型品的品质相关的品质参数的目标值、所述第一材料特性值以及预定的关系式，生成使用了所述第一树脂材料的注射成型的注射成型条件；

所述计算机输出所生成的注射成型条件，

所述预定的关系式是表示树脂材料的材料特性值、向注射成型机输入的多个注射成型条件、以及与基于所述材料特性值和各个所述注射成型条件由所述注射成型机成型的成型品的品质相关的品质参数之间的关系的式子，基于将树脂材料的材料特性值、注射成型条件和品质参数相关联地进行积蓄而得到的数据来生成所述预定的关系式。