CN117529370A - 涂膜的性状的变化量的预测方法和预测系统、涂敷物的制造条件的变化量的预测方法和预测系统、涂敷物的制造方法 - Google Patents

涂膜的性状的变化量的预测方法和预测系统、涂敷物的制造条件的变化量的预测方法和预测系统、涂敷物的制造方法 Download PDF

Info

Publication number
CN117529370A
CN117529370A CN202280040372.XA CN202280040372A CN117529370A CN 117529370 A CN117529370 A CN 117529370A CN 202280040372 A CN202280040372 A CN 202280040372A CN 117529370 A CN117529370 A CN 117529370A
Authority
CN
China
Prior art keywords
change
amount
variation
coating film
properties
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202280040372.XA
Other languages
English (en)
Inventor
沼田悠贵
铃木裕之
仲泽宪幸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Paint Holdings Co Ltd
Original Assignee
Nippon Paint Holdings Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nippon Paint Holdings Co Ltd filed Critical Nippon Paint Holdings Co Ltd
Publication of CN117529370A publication Critical patent/CN117529370A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05C—APPARATUS FOR APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05C11/00—Component parts, details or accessories not specifically provided for in groups B05C1/00 - B05C9/00
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05C—APPARATUS FOR APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05C11/00—Component parts, details or accessories not specifically provided for in groups B05C1/00 - B05C9/00
    • B05C11/10—Storage, supply or control of liquid or other fluent material; Recovery of excess liquid or other fluent material
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05C—APPARATUS FOR APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05C5/00—Apparatus in which liquid or other fluent material is projected, poured or allowed to flow on to the surface of the work
    • B05C5/02—Apparatus in which liquid or other fluent material is projected, poured or allowed to flow on to the surface of the work the liquid or other fluent material being discharged through an outlet orifice by pressure, e.g. from an outlet device in contact or almost in contact, with the work
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05D—PROCESSES FOR APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
    • B05D3/00—Pretreatment of surfaces to which liquids or other fluent materials are to be applied; After-treatment of applied coatings, e.g. intermediate treating of an applied coating preparatory to subsequent applications of liquids or other fluent materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Application Of Or Painting With Fluid Materials (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

在本发明的涂膜的性状的变化量的预测方法和预测系统中，通过基于计算机的机器学习，取得包含制造条件的变化量作为输入且将上述涂膜的性状的变化量作为输出的规定的人工智能模型，通过上述计算机，在上述人工智能模型中输入上述制造条件的变化量来预测上述涂膜的性状的变化量。在本发明的制造条件的变化量的预测方法和预测系统中，进而，基于预测出的多个上述涂膜的性状的变化量，确定最佳的上述制造条件的变化量作为为了实现目标的最佳的上述制造条件的变化量。在本发明的涂敷物的制造方法中，将上述制造条件调节预测出的上述制造条件的变化量，将上述涂料涂敷于上述对象物，得到上述涂膜，测定得到的上述涂敷物的上述涂膜的上述性状。

Description

涂膜的性状的变化量的预测方法和预测系统、涂敷物的制造 条件的变化量的预测方法和预测系统、涂敷物的制造方法
技术领域
本发明涉及涂膜的性状的变化量的预测方法和预测系统、涂敷物的制造条件的变化量的预测方法和预测系统以及涂敷物的制造方法。
背景技术
以往，在向对象物涂敷(涂装)涂料时，首先以标准条件、前次条件进行涂装，然后重复进行调节，使其接近目标的涂膜性状。在此，一直以来，标准条件、前次条件例如通过如下的伴随着逐步的手工操作的方法来进行：预先记录操作管理表等历史数据等并进行参照，由此使涂膜性状在某种程度上接近目标的涂膜性状。在该方法中，涂装管理者需要手动变化调节涂覆压力、线速度、喷出压力、电压、温度等制造条件。通过重复该操作至作为目标的膜厚、与作为目标的涂装板的色差、光泽的差异成为一定以下为止，能够得到具有规定的涂膜性状的涂膜。
上述那样的调节操作在许多方面依赖于涂装管理者的经验，并且工序上也是繁琐的。以这样的重复的调节操作的自动化为目的，在对向对象物涂敷涂料而得到的涂敷物的涂膜的性状进行评价时，提出了通过机器学习的方法来预测涂膜的性状的数值的方案等(专利文献1～8)。由此，能够基于该预测值来调节制造条件等。
现有技术文献
专利文献
专利文献1：日本特开2020-039992号公报；
专利文献2：日本特开2001-078627号公报；
专利文献3：日本特开2000-219097号公报；
专利文献4：日本特开1999-149118号公报；
专利文献5：日本特开1993-300386号公报；
专利文献6：日本特开1991-070565号公报；
专利文献7：日本特开2016-501119号公报；
专利文献8：国际公开2019/171498号小册子。
发明内容
发明要解决的问题
然而，在专利文献1～8等的方法中，在算出的预测值在品质的标准值的范围内的情况下，即使在预测值与实测值有偏离的情况下，也判定为无需进行制造条件的调节而不进行制造条件的适当的调节，结果是有时不能得到具有期望的涂膜品质的涂敷物。
因此，本发明的目的在于提供能够迅速地预测涂膜的性状的变化量的涂膜的性状的变化量的预测方法和预测系统、能够不依赖于品质的标准值的范围而调节制造条件的涂敷物的制造条件的变化量的预测方法和预测系统、以及能够制造具有期望的涂膜品质的涂敷物的涂敷物的制造方法。
用于解决问题的方案
本发明的主要构成如下所述。
(1)一种涂膜的性状的变化量的预测方法，预测向对象物涂敷涂料而得到的涂膜的性状的变化量，其特征在于，
上述涂膜的性状的变化量的预测方法包括如下工序：
人工智能模型取得工序，取得包含制造条件的变化量作为输入且将上述涂膜的性状的变化量作为输出的规定的人工智能模型；以及
性状变化量预测工序，通过计算机，在上述人工智能模型中输入上述制造条件的变化量来预测上述涂膜的性状的变化量。
(2)一种制造条件的变化量的预测方法，其特征在于，在向对象物涂敷涂料来制造涂敷物时，在通过使制造条件变化进行调节而制造具有涂敷物的涂膜的作为目标的性状的涂敷物的情况下，预测为了实现目标的最佳的上述制造条件的变化量，
上述制造条件的变化量的预测方法包括如下工序：
人工智能模型取得工序，取得包含制造条件的变化量作为输入且将上述涂膜的性状的变化量作为输出的规定的人工智能模型；以及
性状变化量预测工序，通过计算机，在上述人工智能模型中输入上述制造条件的变化量来预测上述涂膜的性状的变化量，
在上述性状变化量预测工序中，输入多个上述制造条件的变化量，预测各个上述制造条件的变化量所对应的多个上述涂膜的性状的变化量，
上述制造条件的变化量的预测方法还包括如下工序：
制造条件变化量预测工序，基于预测出的上述多个上述涂膜的性状的变化量，确定最佳的上述制造条件的变化量作为上述为了实现目标的最佳的上述制造条件的变化量。
(3)根据上述(1)或(2)所述的方法，其中，上述方法还包括如下工序：
关系数据输入工序，在上述计算机中输入示出上述制造条件的变化量与上述涂膜的性状的变化量的关系的关系数据，
上述人工智能模型取得工序通过如下方式进行：通过上述计算机，将在上述关系数据输入工序中输入的上述关系数据作为训练数据进行机器学习。
(4)根据上述(1)～(3)中任一项所述的方法，其中，上述涂膜的性状包含上述涂膜的色彩、光泽、黏度、膜厚、平滑性、目视外观、随角异色性和涂膜异常中的任一个以上。
(5)根据上述(1)～(4)中任一项所述的方法，其中，上述制造条件包含如下(a)～(d)中的任一个以上：
(a)涂料的黏度和加热残留成分中的任一个以上；
(b)向上述对象物涂敷涂料的工序中的辊圆周速度、向上述对象物的涂覆压力和涂料的流量中的任一个以上；
(c)烘烤工序中的烘烤温度和烘烤时间中的任一个以上；以及
(d)生产线的温度、湿度和涂料液温中的任一个以上。
(6)根据上述(1)～(5)中任一项所述的方法，其中，上述人工智能模型取得工序为通过机器学习制作上述人工智能模型的工序，上述机器学习使用基于神经网络、由多个决策树构成的集成树或者偏最小二乘回归法的预测算法。
(7)根据上述(6)所述的方法，其中，上述机器学习使用神经网络、随机森林或梯度提升法。
(8)根据上述(1)～(7)中任一项所述的方法，其中，在上述关系数据输入工序后，还包括对上述关系数据进行数据清洗的工序。
(9)根据上述(2)所述的方法，其中，在上述制造条件变化量预测工序中，确定以下制造条件的变化量作为上述为了实现目标的最佳的上述制造条件的变化量，上述制造条件的变化量为预测出的上述多个上述涂膜的性状的变化量中的、与上述作为目标的性状的差为最小的上述涂膜的性状的变化量所对应的制造条件的变化量。
(10)一种涂敷物的制造方法，还包括如下工序：
条件调节后制造工序，将上述制造条件调节通过上述(2)所述的方法预测出的上述制造条件的变化量，将上述涂料涂敷于上述对象物，得到上述涂膜；以及
性状测定工序，测定得到的上述涂敷物的上述涂膜的上述性状，
在上述性状测定工序中测定的上述涂膜的上述性状与期望的性状偏离规定的阈值以上的情况下，重复上述性状变化量预测工序、上述制造条件变化量预测工序、上述条件调节后制造工序和上述性状测定工序。
(11)根据上述(10)所述的涂敷物的制造方法，其中，在上述性状测定工序中测定的上述涂膜的上述性状与期望的性状偏离规定的阈值以上的情况重复了规定的次数的情况下，
上述涂敷物的制造方法包括如下工序：
人工智能模型取得子工序，取得包含上述制造条件的变化量作为输入且将上述涂膜的性状的变化量作为输出另一人工智能模型；以及
性状变化量预测子工序，通过上述计算机，在上述另一人工智能模型中输入上述制造条件的变化量来预测上述涂膜的性状的变化量，
在上述性状变化量预测子工序中，输入预先作为候选选定的多个上述制造条件的变化量，预测各个上述制造条件的变化量所对应的多个上述涂膜的性状的变化量，
上述涂敷物的制造方法还包括如下工序：
制造条件变化量预测子工序，基于预测出的上述多个上述涂膜的性状的变化量，确定另一最佳的上述制造条件的变化量作为上述为了实现目标的最佳的另一上述制造条件的变化量，
上述涂敷物的制造方法还包括如下工序：
条件调节后制造子工序，将上述制造条件调节预测出的上述另一制造条件的变化量，将上述涂料涂敷于上述对象物，得到上述涂敷物；以及
性状测定子工序，测定得到的上述涂敷物的上述涂膜的上述性状，
在上述性状测定工序中测定的上述涂膜的上述性状与期望的性状偏离规定的阈值以上的情况下，重复上述人工智能模型取得子工序、上述性状变化量预测子工序、上述制造条件变化量预测子工序、上述条件调节后制造子工序和上述性状测定子工序。
(12)根据上述(10)所述的涂敷物的制造方法，其中，上述涂敷物的制造方法还包括如下工序：
关系数据更新工序，在所述计算机中输入示出上述制造条件的变化量与在上述性状测定工序中测定的上述涂膜的性状的变化量的关系的关系数据，更新上述关系数据。
(13)一种系统，其特征在于，预测向对象物涂敷涂料而得到的涂膜的性状的变化量，
上述系统具有计算机，
上述计算机具有：
人工智能模型取得部，取得包含制造条件的变化量作为输入且将上述涂膜的性状的变化量作为输出的规定的人工智能模型；以及
性状预测部，通过在上述人工智能模型中输入上述制造条件的变化量，算出上述涂膜的性状的变化量来进行预测。
(14)一种系统，其特征在于，在向对象物涂敷涂料来制造涂敷物时，在使制造条件变化进行调节而制造具有涂敷物的涂膜的作为目标的性状的涂敷物的情况下，预测为了实现目标的最佳的上述制造条件的变化量，
上述系统具有计算机，
上述计算机具有：
人工智能模型取得部，取得包含上述制造条件的变化量作为输入且将上述涂膜的性状的变化量作为输出的规定的人工智能模型；
性状预测部，通过在上述人工智能模型中输入多个上述制造条件的变化量，算出多个上述涂膜的性状的变化量来进行预测；以及
制造条件变化量预测部，基于预测出的上述多个上述涂膜的性状的变化量，确定最佳的上述制造条件的变化量作为上述为了实现目标的最佳的上述制造条件的变化量。
(15)根据上述(11)所述的制造方法，其中，上述制造条件具有多个工序各自中的工序制造条件，
监视在将上述制造条件调节了通过上述(2)所述的方法预测出的制造条件的变化量时的各个上述工序制造条件，
在各个上述制造条件中观测到与上述变化量偏离规定的值以上而被调节的工序制造条件的情况下，
上述制造方法还包括如下工序：
性状再预测工序，在上述人工智能模型中，在将被监视的上述工序制造条件固定的基础上，输入其它多个上述制造条件的变化量，由此算出多个上述涂膜的性状的变化量来进行预测；以及
制造条件变化量再预测工序，基于预测出的上述多个上述涂膜的性状的变化量，再次确定最佳的上述制造条件的变化量作为上述为了实现目标的最佳的上述制造条件的变化量，
基于上述制造条件变化量再预测工序的结果，重新调节当前工序之后的工序中的上述制造条件的变化量。
另外，作为例如上述方法的一个方式，能够包含如下方式：在上述变化量的预测方法等中的学习时，将由测定得到的调节前后的涂膜性状的变化量与调节前的涂料的涂膜性状的固定的代表性的绝对值相加，由此将变化后的代表性的绝对值用于学习。此外，作为上述方法的一个方式，也能够包含例如如下方式：在输出预测结果时，在取得由上述方法得到的涂膜性状的变化量的预测值后，与调节前的涂料的涂膜性状的固定的代表性的绝对值相加，由此间接地取得涂膜性状的绝对值。
发明效果
根据本发明，能够提供能够迅速地预测涂膜的性状的变化量的涂膜的性状的变化量的预测方法和预测系统、能够不依赖于品质的标准值的范围而调节制造条件的涂敷物的制造条件的变化量的预测方法和预测系统、以及能够制造具有期望的涂膜品质的涂敷物的涂敷物的制造方法。
附图说明
图1为本发明的一个实施方式的涂膜的性状的变化量的预测方法的流程图。
图2为本发明的一个实施方式的制造条件的变化量的预测方法的流程图。
图3为本发明的一个实施方式的涂敷物的制造方法的流程图。
图4为示出本发明的一个实施方式的涂敷物的制造方法的子流程的流程图。
图5为CCL(彩涂线)的示意图。
图6为本发明的一个实施方式的涂膜的性状的变化量的预测系统的框图。
图7为本发明的一个实施方式的制造条件的变化量的预测系统的框图。
具体实施方式
首先，对与本发明的预测方法相关的技术进行说明。涂装根据用途对涂膜性状的容许性不同。在与色彩相关的涂膜性状的例子中，在汽车修补涂装中，能够对故障车的正常的涂装部分(相当于作为目标的涂装板)与在修理后新涂装作为修补用而调节的涂料的部分的边界进行晕涂涂装(渐变)，因此颜色的一致度为ΔE＜0.5左右，没有严格要求。另一方面，例如，作为预涂(在组装前进行涂装)用的卷材涂敷涂装中，有时在产品制造时将制造批次不同的涂装板相邻地组装，因此允许由制造批次的不同导致的颜色不同的幅度极小至例如ΔE＜0.1左右的商品也很多。该色差水平是根据色差计的机型、条件(condition)而变化的区域，因此色彩的绝对值的精度不足，需要进行如下调节：准备与顾客协商的标准板(作为目标的涂装板)，在成为相同条件的相同的时刻，测定每次制造、每次调色时与标准板的色差，将与标准板的色差控制在规定的色差内。
上述那样的调节操作在许多方面依赖于涂装管理者的经验，并且工序上也是繁琐的，因此要求调节操作的自动化。然而，在使人工智能学习制造条件与涂膜性状的绝对值的关系并进行预测的情况下，预测精度的微小偏离都有容易产生弄错校正的方向性的结果的倾向。例如，当以色彩为例时，在作为目标的色彩的b*值为3.0、调节前涂料的色彩的真实的b*值为2.9、由制造条件预测的调节前涂料的色彩的b值为3.1(即误差为0.2)的情况下，实际上，为了将b*值提高0.1应该提高干燥炉的温度，但由于绝对值的预测为超过0.1(黄色度强)，因此变为降低干燥炉的温度，在绝对值预测中，有时颜色通过调节反而远离作为目标的颜色，也有时不能进行微调。
制造条件即使设定为相同，由于涂料的性状的微小差异、使用的设备的经时变化等、难以数值化、难以进行测定、测定工时大而数据少(数据成本高)等原因，在机器学习中无法充分学习的因素积累，虽然微小但涂膜性状也会变化。这是上述的绝对值预测的人工智能产生预测误差的原因之一。因此，例如，在上述专利文献1～8等那样的方法中，在上述那样的情况下，可能变得难以进行准确的预测。
因此，本发明的目的在于提供通过机器学习的方法实现高效化且预测精度高的涂膜的性状的变化量的预测方法和预测系统、涂敷物的制造条件的变化量的预测方法和预测系统、涂敷物的制造方法、以及通过机器学习的方法实现高效化且能够使涂膜性状高精度地接近期望的涂膜性状的涂膜的制造方法。
本发明存在如下优点等优点：通过进行变化量的预测，即使预测时的制造条件的状态与制作人工智能时的制造条件的状态相比发生了变化而在绝对值的预测中产生误差，例如，在辊涂中，作为变化量，只要如在某制造条件下使涂覆压力提高50Kgf则膜厚降低1.5μm等那样地进行了学习，由于在有意地使制造条件变化的前后均同样地受到了非有意的制造条件的变化，因此影响被抵消，也能够在实用上适用于进行微调。
以下，参照附图对本发明的实施方式详细地进行例示说明。
＜涂膜的性状的变化量的预测方法＞
图1为本发明的一个实施方式的涂膜的性状的变化量的预测方法的流程图。以下，参照图1，对预测向对象物涂敷涂料而得到的涂膜的性状的变化量的方法的一个实施方式进行例示说明。另外，作为一个例子，本实施方式的涂膜的性状的变化量的预测方法能够使用后述的本发明的一个实施方式的涂膜的性状的变化量的预测系统来执行。在此，预测的涂膜性状优选至少包含涂料的色彩，此外，除色彩之外，优选还包含涂料的光泽和膜厚。另外，除色彩、光泽、膜厚以外，预测的涂膜的性状还优选包含例如对比度、随角异色性、平滑性、目视外观、电阻、接触角、污染性、日光反射比、紫外线透射率、耐久性、黏弹性、涂膜异常中的任一个以上。特别是，如果为了使膜厚变化而调节涂覆压力，则色彩和光泽也会发生变化，如果为了调节光泽而加入光泽调节剂，则色彩也会发生变化，由于像这样彼此相互影响，所以优选同时预测并调节色彩、光泽、膜厚。色彩能够使用例如L*a*b*颜色空间中的L*值、a*值、b*值(JIS Z8781-4(2013年))。色彩能够使用已知的色彩测定方法来测定，作为一个例子，色彩能够如下测定：使用由柯尼卡美能达株式会社市售的CM-512m3，在与涂膜垂直的受光部为0°的情况下，从成为25°、45°、75°的角度照射光源而测定L*值、a*值、b*值。或者，能够使用X-Rite MA68II(爱色丽公司制)来测定。测定角度能够根据目的或使用的设备来适当调节。能够使用其它任意的指标。进而，能够使用例如作为反射光谱数据的将380nm～780nm的每5nm的反射光谱强度作为色彩的指标等任意的指标。光泽没有特别限定，能够使用光泽度(gloss)作为指标。光泽度能够使用已知的光泽测定方法来测定，作为一个例子，能够使用镜面光泽度计(光泽计VG 7000(日本电色工业株式会社制))，按照JIS K 5600-4-7(镜面光泽度)来测定形成于试验板的涂膜的60°光泽度。黏度能够使用已知的黏度测定方法，作为一个例子，能够按照JIS K5600-2-2(流杯法)进行测定。平滑性优选使用波形扫描(wave-scan)值作为指标。波形扫描值优选为du(波长0.1mm以下)、Wa(波长0.1～0.3mm)、Wb(波长0.3～1.0mm)、Wc(波长1.0～3.0mm)、Wd(波长3.0～10.0mm)、We(波长10.0～30.0mm)、Lw(波长1.2～12mm)和Sw(波长0.3～1.2mm)中的任一个以上。另外，波形扫描值的值越小，则意味着表面上的该波长的凹凸越少，涂膜的外观品质越好。随角异色性能够使用变角色差计等来测量。涂膜异常具体为不均匀、鼓起、裂纹、流挂、针孔、厚边等。对于这些，也能够分别通过已知的方法来测定。
用于涂装的涂料能够准备通常用于该涂装的涂料，在例如制备涂料来准备的情况下，能够通过例如如下方式来准备：用SG磨机使颜料、树脂、添加剂和溶剂和/或水等分散，在制备多种颜料等而准备的原色涂料中加入树脂、溶剂和添加剂，使这些分散，然后重复调节。
如图1所示，在本实施方式中，首先，在计算机中输入示出制造条件的变化量与涂膜的性状的变化量的关系的关系数据(步骤S101：关系数据输入工序)。关系数据能够由历史数据等来准备。
在此，上述制造条件为向对象物涂覆涂料而得到涂膜所相关的制造条件。作为一个例子，制造条件能够为涂料的一个以上的特性，具体而言，优选为涂料的黏度和加热残留成分中的任一个以上。此外，作为其它例子，制造条件能够为向对象物涂敷涂料的工序中的各工序的条件，具体而言，在向对象物涂敷涂料的工序中，如果为辊涂，则有线速度、辊圆周速度、涂覆压力和涂料的流量、涂覆辊的状态、材质、硬度、拾取辊的种类等，优选辊圆周速度、向对象物的涂覆压力和涂料的流量中的任一个以上。在此，辊圆周速度的辊是指涂覆辊、支撑辊、拾取辊、计量辊等，没有特别限定，优选涂覆辊。此外，作为另一例，制造条件能够为在工序之间进行的烘烤工序等工序的条件，有例如烘烤工序中的烘烤温度、烘烤时间、最高到达温度等，尤其优选烘烤温度和烘烤时间中的任一个以上。进而，作为另一例，制造条件能够为生产线的环境条件，也能够为例如生产线的温度、湿度和涂料液温中的任一个以上。除此之外，可举出板厚、涂装线、底层涂布·表层涂布附着量、色差计、底层涂布的种类或颜色、粗糙度、种类等物性数据、化学性质数据等。如果为喷雾涂装，则可举出喷出压力、喷出量、喷枪的类型、烘烤工序中的烘烤温度、烘烤时间、温度和湿度等。如果为电泳涂料，则可举出涂装电压、液温、通电时间、涂装方向(水平面或垂直面)等。
综上，作为一个例子，如果为辊涂，则制造条件能够包含如下的(a)～(d)中的任一个以上：(a)涂料的黏度和加热残留成分中的任一个以上；(b)向对象物涂敷涂料的工序中的辊圆周速度、向对象物的涂覆压力和涂料的流量中的任一个以上；(c)烘烤工序中的烘烤温度和烘烤时间中的任一个以上；以及(d)生产线的温度、湿度和涂料液温中的任一个以上。
另外，为了能够进行更准确的预测，优选时常或适时或定期地更新上述关系数据。
此外，在关系数据输入工序(步骤S101)后，优选还包括对关系数据进行数据清洗的工序。在此，对准备的上述关系数据进行例如数据的归一化/标准化、新数据生成这样的加工处理、去除不适当的数据的数据过滤处理等处理。例如，对于涂膜品质的实测值与预测值的差异，能够对将标准偏差设为σ时的平均值超过±2σ的数据进行细查，删除怀疑为输入错误、记载错误等的数据。通过这样的数据清洗、归一化，能够防止后述的机器学习中的过度学习，能够进行精度更高的涂料性状的预测。但是，在本申请中，进行数据清洗不是必须的，能够省略该工序。数据清洗能够共享地应用于多个乃至全部的算法(例如去除被认为使用哪个机器学习算法都会判断为不适合的异常值那样的数据)或者也能够专门应用于实际使用的机器学习算法(例如去除在特定的算法中容易产生错误的数据)。后述的人工智能模型制作工序也能够再学习该数据清洗后的数据来制作。
接着，如图1所示，通过基于计算机的机器学习，制作包含制造条件的变化量作为输入且将涂膜的性状的变化量作为输出的规定的人工智能模型(步骤S102：人工智能模型制作工序)。在本例中，该人工智能模型制作工序如下进行：通过计算机，将在关系数据输入工序(步骤S101)中输入的关系数据作为训练数据进行机器学习。关于输入，关系数据可以仅为制造条件的变化量，或者也可以为制造条件的数值和变化量。这些能够使用测定值或设定值作为数据。关于输出，能够使用涂膜的性状的测定值，能够算出制造条件变更前后的涂膜的性状的测定值的差值作为变化量。另外，在本实施方式中，在本步骤中制作了人工智能模型，但并不一定需要制作人工智能模型，也能够从外部取得制作好的人工智能模型。能够通过例如计算机的通信部来取得人工智能模型，或者也能够通过由人转让等取得人工智能模型(人工智能模型取得工序)。
机器学习的算法能够使用任意的已知的算法，能够使用例如基于决策树、线性回归、偏最小二乘回归、套索回归、岭回归、多项式回归、高斯过程回归、支持向量机、随机森林、梯度提升、K邻近法、神经网络、贝叶斯估计或这些的集成学习的预测算法。
机器学习特别优选使用基于神经网络的预测算法。也可以对神经网络使用一边进行卷积神经网络和丢弃(dropout)一边形成三～几百层的深度学习。
此外，在制作人工智能时，可以使用TensorFlow、Keras、Caffe、PyTorch、Chainer、Scikit-learn等机器学习框架。
在此，机器学习能够为监督式学习(包含强化学习)。在本实施方式中，人工智能模型制作工序(步骤S103)如下进行：通过计算机，将在关系数据输入工序(步骤S102)中输入的上述关系数据作为学习数据(本例中为监督式数据)进行机器学习(监督式学习)。
在此，算法优选通过以下的方法来确定。即，使用各种机器学习的算法来制作多个人工智能模型，使用预先知道答案的数据对输出的预测值与该答案进行比较，由此确认各人工智能模型的精度。然后，对于多个算法中的精度高的算法，通过例如交叉验证制作模型，或利用贝叶斯优化等来确定最佳的超参数。通过用所确定的超参数对全部数据进行再学习，能够制作将制造条件的变化量作为输入且将调节后的涂膜性状的变化量作为输出的人工智能模型。
在此，在本实施方式中，对准备的上述关系数据进行预处理。在此，对准备的上述关系数据进行例如如下处理：数据的归一化/标准化、取对数、施加乘方运算(乘方处理)等规定的运算、生成新数据这样的加工处理、或去除不适当的数据的数据过滤处理等。例如，能够对涂膜性状的实测值与预测值的差异大的数据进行细查，删除怀疑为输入错误、记载错误等的数据。
如上所述，在本实施方式中，能够使用各种机器学习的算法，但上述的预处理也能够为共享应用于多个乃至全部算法的处理(例如去除被认为使用哪个机器学习算法都会判断为不合适的异常值那样的数据)，或者也能够为专门应用于实际使用的机器学习算法的处理(例如去除在特定的算法中容易产生错误的数据)。
此外，优选在预处理中追加示出在制造条件的变化量为0的情况下通过调节得到的涂膜性状的变化量为0的关系的零点关系数据(零点追加)。机器学习所使用的数据在为例如由生产线管理者的调节的记录数据的情况下，不包含“制造条件不变化”这样的数据，通过机器学习得到结果不通过制造条件不变化的情况下的涂膜性状的变化量为0的点，预测的精度可能降低。因此，通过追加上述的零点关系数据，能够避免这样的问题，能够进一步提高预测的精度。在此，也可以为接近零的数值来代替零。
此外，在将连续的调节操作的记录作为数据时，可以将它们相加的结果作为一个调节记录而使数据增加(结合，combination)。例如，在第一次和第二次的调节记录中，第一次记录为使涂覆压力增加50Kgf，膜厚下降1.2μm，第二次记录为使涂覆压力增加100Kgf，膜厚进一步下降2.6μm，将这些记录相加，进行追加如下数据的操作：从最初使涂覆压力增加150Kgf、膜厚下降3.8μm。由此，能够从学习大幅变化的数据的效果和数据增加的效果这两方面进一步提高预测的精度。
作为预处理，也能够在数据之间追加推测数据。例如，根据数据求出近似直线、近似曲线，能够将该近似直线、近似曲线上的点作为推测数据。由此，能够使数据数增大来进一步提高预测的精度。此外，也可以将历史数据与数据之间用直线、曲线连接，在该线上增加任意的数量的数据。
通过这样的预处理或归一化，能够在后述的机器学习中进行精度更高的涂膜性状的预测。但是，在本申请中，进行预处理不是必须的，也能够省略该工序。
能够通过与上述相同的方法使用预处理后的数据来制作规定的人工智能模型。
接着，在本实施方式中，通过计算机，在上述人工智能模型中输入制造条件的变化量来预测涂膜的性状的变化量(步骤S103：性状变化量预测工序)。另外，在关系数据的输入中不仅包含制造条件的变化量也包含制造条件的数值的情况下，优选向上述人工智能模型输入制造条件的数值和变化量，由此预测涂膜的性状的变化量。
在性状变化量预测工序(步骤S103)中输入的制造条件优选参照历史数据等来预先使范围收敛。
像这样通过在上述的人工智能模型中输入制造条件的变化量，能够通过计算机来算出涂膜的性状的变化量。另外，算出的涂膜的性状的变化量的预测值可以为单一的值，或者也可以由多个候选组构成。在算出的涂膜的性状的变化量的预测值由多个候选组构成的情况下，优选还包括使用规定的基准从其中适当选择单一的值的工序。上述规定的基准能够为各种方式。
根据本实施方式的涂膜的性状的变化量的预测方法，能够通过计算机的运算来迅速地得到相对于制造条件的变化量的涂膜的性状的变化量的预测值。
＜制造条件的变化量的预测方法＞
图2为本发明的一个实施方式的制造条件的变化量的预测方法的流程图。以下，参照图2，对在向对象物涂敷涂料来制造涂敷物时，通过使制造条件变化进行调节而制造具有涂敷物的涂膜的作为目标的性状的涂敷物的情况下，预测为了实现目标的最佳的制造条件的变化量的方法的一个实施方式进行例示说明。另外，作为一个例子，本实施方式的制造条件的变化量的预测方法能够使用后述的本发明的一个实施方式的制造条件的变化量的预测系统来执行。在此，与图1的实施方式同样，涂膜的性状优选包含涂膜的色彩、光泽、黏度、膜厚、平滑性、目视外观、随角异色性和涂膜异常中的任一个以上。色彩能够使用例如L*a*b*颜色空间中的L*值、a*值、b*值(JIS Z8781-4(2013年))。色彩能够使用已知的色彩测定方法来测定，作为一个例子，色彩能够如下测定：使用由柯尼卡美能达株式会社市售的CM-512m3，在与涂膜垂直的受光部为0°的情况下，从成为25°、45°、75°的角度照射光源而测定L*值、a*值、b*值。或者，能够使用X-Rite MA68II(爱色丽公司制)来测定。测定角度能够根据目的或使用的设备来适当调节。能够使用其它任意的指标。进而，能够使用例如作为反射光谱数据的将380nm～780nm的每5nm的反射光谱强度作为色彩的指标等任意的指标。光泽没有特别限定，能够使用光泽度作为指标。光泽度能够使用已知的光泽测定方法来测定，作为一个例子，能够使用镜面光泽度计(光泽计VG 7000(日本电色工业株式会社制))，按照JISK5600-4-7(镜面光泽度)来测定形成于试验板的涂膜的60°光泽度。黏度能够使用已知的黏度测定方法，作为一个例子，能够按照JIS K5600-2-2(流杯法)进行测定。平滑性优选使用波形扫描值作为指标。波形扫描值优选为du(波长0.1mm以下)、Wa(波长0.1～0.3mm)、Wb(波长0.3～1.0mm)、Wc(波长1.0～3.0mm)、Wd(波长3.0～10.0mm)、We(波长10.0～30.0mm)、Lw(波长1.2～12mm)和Sw(波长0.3～1.2mm)中的任一个以上。另外，波形扫描值的值越小，则意味着表面上的该波长的凹凸越少，涂膜的外观品质越好。随角异色性能够使用变角色差计等来测量。涂膜异常具体为不均匀、鼓起、裂纹、流挂、针孔、厚边等。对于这些，也能够分别通过已知的方法来测定。此外，对于制造条件，与图1的实施方式同样优选包含如下(a)～(d)中的任一个以上：(a)涂料的黏度和加热残留成分中的任一个以上；(b)向对象物涂敷涂料的工序中的辊圆周速度、向对象物的涂覆压力和涂料的流量中的任一个以上；(c)烘烤工序中的烘烤温度和烘烤时间中的任一个以上；以及(d)生产线的温度和湿度中的任一个以上。
对于以上的事项的进一步详细情况，由于与图1的实施方式相同，因此省略再次说明。
如图2所示，在本实施方式中，首先，在计算机中输入示出制造条件的变化量与涂膜的性状的变化量的关系的关系数据(步骤S201：关系数据输入工序)。接着，通过基于计算机的机器学习，制作包含制造条件的变化量作为输入且将涂膜的性状的变化量作为输出的规定的人工智能模型(步骤S202：人工智能模型制作工序)。对于这些步骤S201～S202，由于与图1的实施方式相同，因此省略详细的说明。
如图2所示，在本实施方式中，接着，通过计算机，在上述人工智能模型中输入制造条件的变化量来预测涂膜的性状的变化量(步骤S203：性状变化量预测工序)。另外，与图1的实施方式同样，在关系数据的输入中不仅包含制造条件的变化量也包含制造条件的数值的情况下，优选向上述人工智能模型输入制造条件的数值和变化量，由此预测涂膜的性状的变化量。在性状变化量预测工序(步骤S203)中，输入的制造条件优选参照历史数据等来预先使范围收敛。
在此，在图3的实施方式中的性状变化量预测工序(步骤S203)中，输入多个制造条件的变化量，预测各个制造条件的变化量所对应的多个涂膜的性状的变化量。在预先选定多个制造条件时，能够例如参照历史数据等。
在本实施方式中，接着，基于预测出的多个涂膜的性状的变化量确定最佳的制造条件的变化量，作为为了实现目标的最佳的制造条件的变化量(步骤S204：制造条件变化量预测工序)。具体而言，作为一个例子，在制造条件变化量预测工序(步骤S204)中，确定以下制造条件的变化量作为为了实现目标的最佳的制造条件的变化量，该制造条件的变化量为预测出的多个涂膜的性状的变化量中的、与作为目标的性状的差为最小的涂膜的性状的变化量所对应的制造条件的变化量。
根据本实施方式的制造条件的变化量的预测方法，在使涂膜的性状变化规定的变化量的情况下能够得到最佳的制造条件的变化量的预测值。因此，将制造条件调节该预测值即可。而且，该调节能够与品质的标准值的范围无关地进行，因此不会产生上述那样的问题，即：即使预测值与实测值存在偏离也判定为无需进行制造条件的调节而不进行制造条件的适当的调节，结果不能得到具有期望的涂膜品质的涂敷物的问题。
在此，在使用人工智能的涂料的制备中，在根据色彩等涂膜性状来预测需要的制造条件的变化量的情况下，也可能发生解不唯一而提示与实绩记录相差甚远(例如虽然能够得到目标的色彩，但在现实中不能进行调节)的制造条件的变化量。
因此，还包括对于制造条件分别设定变化量的数值生成范围的工序，在制造条件变化量预测工序(步骤S204)中，优选输入将设定的数值生成范围内生成的各制造条件的变化量的数值组合而成的多个上述制造条件的变化量。据此，能够高效地进行预测。
此外，优选从在制造条件变化量预测工序(步骤S204)中预测出的制造条件的变化量中，确定容许范围内的制造条件的变化量作为用于实现目标的制造条件的变化量。据此，能够在预先设定容许范围之后进行制造条件的变化量的预测，因此发生无用的配方的可能性降低，因此能够高效地得到精度更高的制造条件的变化量的预测结果。
上述的数值生成范围能够基于距离预先设定的制造条件的标准值或实绩值的一定范围来求出。由此，能够得到与标准值、实绩值的偏离小的预测值。
在此，在制造条件变化量预测工序(步骤S204)中输入的多个制造条件的变化量优选由制造条件的数量的指数个以上的候选构成。例如，在制造条件的数量为4时，为104＝1000个组合总数。该1000个相当于如下进行时的总数：在涂覆压力所容许的制造条件的变化量为-200Kgf～+250Kgf的情况下，以50Kgf间隔的10个阶段制作候选制造条件的变化量，其它三个制造条件的变化量同样地以10个阶段进行。这是因为，在对色彩差异严格地要求更细致的微调色的情况下，为10的制造条件的变化量的各原料的数量+1的指数个(在为4种原料的情况下为10000)，进而，特别是在卷材涂敷等用途等，特别是在对色彩差异要求严格的情况、容许的制造条件的变化量范围大的情况下，设为制造条件的变化量的数量+2的指数个(在变化量为4的情况下为100000)的候选，由此能够进行与这样的微调色对应的预测。
此外，优选生成各制造条件的变化量的数值，将生成的数值随机组合而生成制造条件的变化量的候选，对于候选预测用于实现目标的制造条件的变化量。例如，在需要微调膜厚等涂膜性状的情况下，在制造条件的变化量范围大的情况下，总的组合数量有时为1兆个(例如为12种原料、10个阶段或为6种原料、100个阶段)，存在难以求出预测值而不实用的问题。因此，通过使用像上述那样的随机组合，能够设为1000万个，减少组合数而缩短用于得到预测值的计算时间。总的组合数量在其他情况下例如有时也可能会成为10万个、100万个、1亿个这样的位数。
在上述方式中，也可以在数值生成范围内随机生成数值本身。
在此，优选通过对标准条件或前次条件进行多次制造条件的变化量的调节、对涂膜性状进行规定的运算、或者通过对使用将目标涂膜性状作为基准值的差距目标值而得到的制造条件的变化量进行规定的运算，确定用于实现目标的制造条件的变化量。
作为对预测出的制造条件的变化量进行规定的运算的情况，例示出例如将预测值乘以70％等的值的情况。
作为使用差距目标值的情况的第一例，例如能够设定为目标的ΔL*的70％的点。例如，如果ΔL*＝3、将差距目标值设定为与目标的ΔL*的70％的点，则通过3次调节，能够以3→0.9→0.27→0.08的方式使与目标值的差为0.1以下。作为使用差距目标值时的第二例，也可以设定为目标的ΔL*的700％的点，将得到的预测值乘以10％。
此外，在制造条件中使用涂敷物的情况下，优选以进行多次加入涂膜性状调节用涂敷物的调节为前提，使用为了实现目标的最佳的制造条件的变化量的3～99％的配方量的配方组成。通过该方法，也能够防止由涂敷物的批次间的偏差、预测误差等导致的过度加入。
进而，在事先知道大变化的预测精度比小变化的预测精度高的情况下，能够将目标变化值设定得比与目标的差大。
＜涂敷物的制造方法＞
图3为本发明的一个实施方式的涂敷物的制造方法的流程图。以下，参照图3，对在向对象物涂敷涂料来制造涂敷物时，通过使制造条件变化进行调节而制造具有涂敷物的涂膜的作为目标的性状的涂敷物的方法的一个实施方式进行例示说明。在此，与图1、图2的实施方式同样，涂膜的性状优选包含涂膜的色彩、光泽、黏度、膜厚、平滑性、目视外观、随角异色性和涂膜异常中的任一个以上。色彩能够使用例如L*a*b*颜色空间中的L*值、a*值、b*值(JIS Z8781-4(2013年))。色彩能够使用已知的色彩测定方法来测定，作为一个例子，色彩能够如下测定：使用由柯尼卡美能达株式会社市售的CM-512m3，在与涂膜垂直的受光部为0°的情况下，从成为25°、45°、75°的角度照射光源而测定L*值、a*值、b*值。或者，能够使用X-Rite MA68II(爱色丽公司制)来测定。测定角度能够根据目的或使用的设备来适当调节。能够使用其它任意的指标。进而，能够使用例如作为反射光谱数据的将380nm～780nm的每5nm的反射光谱强度作为色彩的指标等任意的指标。光泽没有特别限定，能够使用光泽度作为指标。光泽度能够使用已知的光泽测定方法来测定，作为一个例子，能够使用镜面光泽度计(光泽计VG 7000(日本电色工业株式会社制))，按照JIS K5600-4-7(镜面光泽度)来测定形成于试验板的涂膜的60°光泽度。黏度能够使用已知的黏度测定方法，作为一个例子，能够按照JIS K 5600-2-2(流杯法)进行测定。平滑性优选使用波形扫描值作为指标。波形扫描值优选为du(波长0.1mm以下)、Wa(波长0.1～0.3mm)、Wb(波长0.3～1.0mm)、Wc(波长1.0～3.0mm)、Wd(波长3.0～10.0mm)、We(波长10.0～30.0mm)、Lw(波长1.2～12mm)和Sw(波长0.3～1.2mm)中的任一个以上。另外，波形扫描值的值越小，则意味着表面上的该波长的凹凸越少，涂膜的外观品质越好。随角异色性能够使用变角色差计等来测量。涂膜异常具体为不均匀、鼓起、裂纹、流挂、针孔、厚边等。对于这些，也能够分别通过已知的方法来测定。此外，对于制造条件，与图1的实施方式同样优选包含如下(a)～(d)中的任一个以上：(a)涂料的黏度和加热残留成分中的任一个以上；(b)向对象物涂敷涂料的工序中的辊圆周速度、向对象物的涂覆压力和涂料的流量中的任一个以上；(c)烘烤工序中的烘烤温度和烘烤时间中的任一个以上；以及(d)生产线的温度和湿度中的任一个以上。
对于以上的事项的进一步详细情况，由于与图1、图2的实施方式相同，因此省略再次说明。
如图3所示，在本实施方式中，首先，在计算机中输入示出制造条件的变化量与涂膜的性状的变化量的关系的关系数据(步骤S301：关系数据输入工序)。接着，通过基于计算机的机器学习，制作包含制造条件的变化量作为输入且将涂膜的性状的变化量作为输出的规定的人工智能模型(步骤S302：人工智能模型制作工序)。接着，通过计算机，在上述人工智能模型中输入制造条件的变化量来预测涂膜的性状的变化量(步骤S303：性状变化量预测工序)。接着，基于预测出的多个涂膜的性状的变化量确定最佳的制造条件的变化量，作为为了实现目标的最佳的制造条件的变化量(步骤S304：制造条件变化量预测工序)。对于这些步骤S301～S304，由于与图2的实施方式相同(对于步骤S301、S302与图1的实施方式也相同)，因此省略详细的说明。
如图3所示，在本实施方式中，接着，将制造条件调节预测出的制造条件的变化量，向对象物涂敷涂料，得到涂膜(步骤S305：条件调节后制造工序)。接着，测定得到的涂敷物的涂膜的性状(步骤S306：性状测定工序)。测定能够使用与测定的性状对应的任意的测量方法来进行。
根据本实施方式的涂敷物的制造方法，能够预测为了得到期望的涂膜的性状而需要的性状的变化量所对应的制造条件的变化量，在基于该预测结果来调节制造条件的基础上，再次形成涂膜，因此能够制造具有期望的涂膜品质的涂敷物。
在此，在性状测定工序中测定的涂膜的性状与期望的性状偏离规定的阈值以上的情况下，优选重复性状变化量预测工序、制造条件变化量预测工序、条件调节后制造工序和性状测定工序。由此，即使在1次中的预测发生偏离那样的情况下，也能够通过多次调节来制造具有期望的涂膜品质的涂敷物。
在本实施方式中，优选还包括关系数据更新工序，在上述关系数据更新工序中，在计算机中输入示出条件调节后制造工序中调节的制造条件的变化量与性状测定工序中测定的涂膜的性状的变化量的关系的关系数据，更新关系数据。由此，更新关系数据，能够制作基于更多的数据的人工智能模型。更新能够在刚得到新数据后来进行，能够定期或适时地进行。但是，也有时可能导致过度学习等，因此该工序不是必须的，也能够省略。
图4为示出本发明的一个实施方式的涂敷物的制造方法的子流程的流程图。
在本实施方式中，在性状测定工序中测定的涂膜的性状与期望的性状偏离规定的阈值以上的情况重复了规定的次数的情况下，优选进行以下的子流程。
如图4所示，在本子流程中，首先，通过基于计算机的机器学习，制作包含制造条件的变化量作为输入且将涂膜的性状的变化量作为输出的另一人工智能模型(步骤S307：人工智能模型制作子工序)。接着，通过计算机，在另一人工智能模型中输入制造条件的变化量来预测上述涂膜的性状的变化量(步骤S308：性状变化量预测子工序)。在性状变化量预测子工序中，输入预先作为候选选定多个制造条件的变化量，预测各个制造条件的变化量所对应的多个涂膜的性状的变化量。接着，基于预测出的多个涂膜的性状的变化量确定另一最佳的制造条件的变化量，作为为了实现目标的最佳的另一制造条件的变化量(步骤S309：制造条件变化量预测子工序)。接着，将制造条件调节预测出的另一制造条件的变化量，得到向对象物涂敷涂料的涂敷物(步骤S310：条件调节后制造子工序)。接着，测定得到的涂敷物的涂膜的性状(步骤S311：性状测定子工序)。然后，如图4所示，在性状测定工序中测定的涂膜的性状与期望的性状偏离规定的阈值以上的情况下，重复人工智能模型制作子工序、性状变化量预测子工序、制造条件变化量预测子工序、条件调节后制造子工序和性状测定子工序。
各子工序除使用另一人工智能模型来得到另一预测结果这一点之外，能够与图3所示的本工序的各对应工序同样进行。
通过该子流程，即使在最初制作的人工智能模型的精度低那样的情况下，也能够制造具有具备期望性状的涂膜的涂敷物。
在图3所示的本工序或图4所示的子工序中，能够在性状测定工序中测定的涂膜的性状成为与期望的性状偏离小于规定的阈值的时刻结束本流程。另外，在本申请中，并不一定需要进行子流程。
然而，涂敷物的制造方法也大多具有多个工序。图5为作为其一个例子的CCL(Color Coating Line)的示意图。
图5中示意地示出的例子由多个工序构成，上述多个工序由如下工序构成：准备涂料的工序(工序(A))；使用辊的涂装工序(工序(B))；使用烘箱的烘烤工序(工序(C))；以及卷绕工序(工序(D))。各个工序具有工序制造条件。工序制造条件在工序(A)中为例如涂料的黏度和加热残留成分中的任一个以上，在工序(B)中为例如辊圆周速度、向对象物的涂覆压力和涂料的流量中的任一个以上，在工序(C)中为例如烘烤温度和烘烤时间中的任一个以上，此外，在工序(D)中为例如生产线的温度、湿度和涂料液温中的任一个以上。
在此，监视在将制造条件调节图3的流程中的制造条件变化量预测工序中预测出的制造条件的变化量时的各工序制造条件。例如，如果为涂料，则能够测定上述各性状、特性，如果为制造条件，则能够使用测定值或(调节后的)设定值，如果为烘烤温度、烘烤时间，则能够使用测定值或(调节后的)设定值，如果为生产线的环境条件，则能够测定温度和湿度。
然后，在各工序制造条件中，在观测到与预定的变化量偏离规定的值以上而被调节的工序制造条件的情况下，进行以下的流程。
首先，在制作的人工智能模型中，在将观测到与预定的变化量偏离规定的值以上而被调节的工序制造条件的工序制造条件固定的基础上，输入其它多个制造条件的变化量，由此算出多个涂膜的性状的变化量来进行预测(性状再预测工序)。
接着，基于预测出的多个涂膜的性状的变化量再确定最佳的制造条件的变化量，作为为了实现目标的最佳的制造条件的变化量(制造条件变化量再预测工序)。
基于制造条件变化量再预测工序的结果来调节当前工序之后的工序中的制造条件的变化量。
当通过图5的例子对以上的内容进行说明时，作为一个例子，在进行了使用当前的辊的涂装工序(工序(B))的情况下，在观测到工序(A)中的涂料的性状、特性的调节偏离的情况下，在以此为前提的基础上，再预测作为当前工序之后的工序的工序(C)和/或工序(D)的条件的最佳的变化量，由此也有时能够进行考虑了工序(A)中的调节的偏离的适当的调节。
在该例子中，使用制作的人工智能模型，代入在观测到已经进行且调节偏离的工序(A)中的涂料的性状、特性的值作为固定值，在以此为前提的基础上，输入多个工序(B)～工序(D)的制造条件的变化量，算出多个涂膜的性状的变化量并进行预测，基于预测出的多个涂膜的性状的变化量再确定工序(C)和/或工序(D)中的最佳的制造条件的变化量，作为为了实现目标的最佳的制造条件的变化量。由此，在将工序(A)中的调节的偏离作为前提的基础上，能够再预测为了得到期望的性状的涂膜最佳的工序(C)和/或工序(D)中的制造条件的变化量。然后，基于再预测出的结果来调节工序(C)和/或工序(D)中的制造条件。
涂膜需要在等待一系列的工序结束和涂料干燥之后进行其性状的评价，因此在调节偏离的情况下，在判断为需要进行再次调节之前需要时间，在此期间，可能制造具有不满足品质的基准的涂膜的涂敷物。
与此相对，根据这样的方法，能够不等待一系列的工序结束而在中途的工序中进行制造条件的再预测，因此能够尽量避免制造具有不满足品质的基准的涂膜的涂敷物。
＜涂膜的性状的变化量的预测系统＞
图6为本发明的一个实施方式的涂膜的性状的变化量的预测系统的框图。本系统为预测向对象物涂敷涂料而得到的涂膜的性状的变化量的系统。如图6所示，本实施方式的涂膜的性状的变化量的预测系统10具有计算机11。计算机11具有进行机器学习的功能。此外，计算机11具有人工智能模型制作部12和性状预测部13。人工智能模型制作部12具有进行机器学习的功能，其通过机器学习制作包含制造条件的变化量作为输入且将涂膜的性状的变化量作为输出的规定的人工智能模型。性状预测部13通过在人工智能模型中输入制造条件的变化量，算出涂膜的性状的变化量来进行预测。人工智能模型制作部12和性状预测部13能够为处理器。
向计算机11输入上述的关系数据。在本实施方式中，计算机11具有用于存储关系数据的存储部14(存储器)和用于收发关系数据的通信部15。通信部15不仅能够收发关系数据，也能够收发其它数据。人工智能模型制作部12优选具有将输入的关系数据作为训练数据进行机器学习的功能。此外，计算机11优选还具有对关系数据进行数据清洗功能部。此外，本预测系统10优选具有显示预测结果的显示部(显示器)。
对于制造条件、涂膜的性状、机器学习等的详细情况与图1所示的方法的实施方式相同，因此省略再次说明。
根据本预测系统10，能够通过计算机的运算迅速地得到相对于制造条件的变化量的涂膜的性状的变化量的预测值。
＜制造条件的变化量的预测系统＞
图7为本发明的一个实施方式的制造条件的变化量的预测系统的框图。本系统为如下系统：在向对象物涂敷涂料来制造涂敷物时，在通过使制造条件变化进行调节而制造具有涂敷物的涂膜的作为目标的性状的涂敷物的情况下，预测为了实现目标的最佳的制造条件的变化量。如图7所示，本实施方式的制造条件的预测系统20由计算机21构成。计算机21具有进行机器学习的功能。此外，计算机21具有人工智能模型制作部22、性状预测部23、存储部24和通信部25。这些与图6所示的实施方式中的人工智能模型制作部12、性状预测部13、存储部14和通信部15中说明过的各部相同，因此省略详细的说明。
性状预测部23构成为：输入多个制造条件的变化量来预测各个制造条件的变化量所对应的多个涂膜的性状的变化量。计算机21还具有制造条件预测部26，上述制造条件预测部26基于预测出的多个涂膜的性状的变化量来确定最佳的制造条件的变化量，作为为了实现目标的最佳的制造条件。制造条件预测部26能够为处理器。另外，制造条件预测部26构成为：确定以下制造条件的变化量作为为了实现目标的最佳的制造条件的变化量，该制造条件的变化量为预测出的多个涂膜的性状的变化量中的、与作为目标的涂膜的性状的差为最小的涂膜的性状的变化量所对应的制造条件的变化量。此外，计算机21优选还具有对关系数据进行数据清洗的功能部。此外，本预测系统20优选具有显示预测结果的显示部27(显示器)。
对于制造条件、涂膜的性状、机器学习等的详细情况与图2所示的方法的实施方式相同，因此省略再次说明。
根据本预测系统20，在使涂膜的性状变化规定的变化量的情况下，能够得到最佳的制造条件的变化量的预测值。因此，根据该预测值调节制造条件即可。而且，该调节能够与品质的标准值的范围无关地进行，因此不会产生上述那样的问题，即：即使预测值与实测值存在偏离也判定为无需进行制造条件的调节而不进行制造条件的适当的调节，结果不能得到具有期望的涂膜品质的涂敷物的问题。
以下，对本发明的实施例进行说明，但本发明不限定于实施例。
实施例
通过以下的实施例进一步对本发明进行具体说明，但本发明并不限定于这些。
首先，对实施例1～3和比较例1～2的涂料的制备中使用的原色涂料的制备方法进行说明。
＜白色原色涂料的制备例＞
加入20质量份的作为树脂的丙烯酸树脂、35质量份的作为有机溶剂的异佛尔酮，使用分散机均匀地溶解树脂之后，混合46质量份的作为白色颜料的氧化钛，使用沙磨机(分散介质：玻璃珠)分散至颜料粗粒的最大粒径成为10μm以下，制备白色原色涂料。
＜其它原色涂料的制备例＞
将各材料种类和量按照以下的表1那样变更，除此以外，通过与上述白色原色涂料的制备例相同的方法来制备黑色原色涂料1、黑色原色涂料2、黄色原色涂料和红色原色涂料。各个原色涂料的配方示于表1。
[表1]
＜光泽调节剂>
光泽调节剂使用作为消光剂使用的市售品的二氧化硅(silica)。
＜黏度调节剂>
黏度调节剂使用作为溶剂使用的异佛尔酮。
＜涂料组合物1的制备例>
加入5质量份的丙烯酸树脂、25质量份的氟树脂、35质量份的异佛尔酮和35质量份的环己酮，使用分散机均匀地溶解树脂之后，加入25质量份的白色原色涂料、12质量份的黑色原色涂料、69质量份的黄色原色涂料、4质量份的红色原色涂料和12质量份的光泽调节剂，使用分散机均匀地混合，制备涂料组合物1(固体成分浓度：47质量％)。
＜涂料组合物2～4的制备例>
将各材料种类和量按照以下的表2那样变更，除此以外，与上述涂料组合物1的制备例同样地制备，制备涂料组合物2～4。各个涂料组合物的配合示于表2。
[表2]
涂料组合物1 涂料组合物2 涂料组合物3 涂料组合物4
丙烯酸树脂 5 5 5 5
氟树脂 25 25 25 25
异佛尔酮 35 35 35 35
环己酮 35 35 35 35
白色原色涂料 25 97 57 2
黑色原色涂料1 2 0 0 77
黑色原色涂料2 0 1 8 0
黄色原色涂料 69 2 29 7
红色原色涂料 4 0 6 14
光泽调节剂1 2 1 0 0
光泽调节剂2 0 0 2 2
固体成分浓度(质量％) 47 47 45 38
用于制备涂料组合物的材料的详细情况如下所述。
·丙烯酸树脂：PARALOID B44(罗门哈斯公司制)，固体成分浓度：100质量％
·氟树脂：KYNAR500(阿科玛公司制)，固体成分浓度：100质量％
·白色颜料：TI-PURE R-706(氧化钛，杜邦公司制)
·黑色颜料1：三菱炭黑MA-100(炭黑，三菱化学株式会社制)
·黑色颜料2：SUNBLACK X15(炭黑，白石钙株式会社制)
·黄色颜料：TAROX合成氧化铁LL-XLO(黄色氧化铁，钛工业株式会社制)
·红色颜料：TODA COLOR 140ED(氧化铁，户田工业株式会社制)
·光泽调节剂1：GASIL HP395(合成二氧化硅，爱尼奥斯二氧化硅公司制)
·光泽调节剂2：SYLYSIA 435(二氧化硅，富士Silysia化学株式会社制)
·有机溶剂：异佛尔酮(阿科玛公司制)
·有机溶剂：环己酮(宇部兴产株式会社制)
涂膜的制作方法
以下的工序为在一个涂装线中一次性实施的工序。在原材料(锌-铝合金镀敷钢板)上辊涂装(基准膜厚：5μm)Fine Tough G底涂剂(底涂剂1)作为底涂涂料之后，在成为该到达最高温度210℃的条件下进行60秒烘烤，形成底涂膜。接着，在将涂料组合物1辊涂装(基准膜厚：15μm)之后，以原材料最高到达温度250℃进行60秒烘烤之后，立即使其冷却，由此形成调节前涂料组合物的涂膜。
膜厚的测定方法
底涂涂料、涂料组合物的膜厚由通过喷砂将切出的涂装板的涂膜去除前后的重量和涂膜比重算出。
色差的测定方法
涂膜的色彩使用Lab Scan XE(亨特立公司制)，将其与作为目标的涂装板的色彩的差异作为色差。
人工智能制作例
·人工智能模型的制作中的数据的输入
在涂装线中，作为调节涂膜的膜厚、色彩、光泽的涂装参数，将涂覆辊(AP辊)速度变化量、涂覆压力(支撑辊和AP辊的涂覆压力)变化量、原色校正添加量的各数据输入到计算机中。
此外，对于膜厚、色彩、光泽，使用涂装参数调节前的膜厚、色彩、光泽、涂料黏度和涂装参数调节后的膜厚变化量、色彩变化量、光泽变化量。
·人工智能模型的制作
预先实施数据清洗、零点导入、结合(combination)、乘方处理、归一化等预处理。在计算机中制作将调节前膜厚、色彩、光泽、涂料黏度和AP辊速度变化量、涂覆压力变化量、原色涂料添加量作为说明变量、将涂装参数调节后的膜厚变化量、色彩变化量、光泽变化量作为目标变量的规定的人工智能模型。作为机器学习的算法，对于梯度提升、随机森林、支持向量机、神经网络使用交叉验证法来确定最佳的超参数，通过确定的超参数对全部数据进行再学习，由此制作将制造条件的变化量的数据作为说明变量、将调节后涂膜性状的变化量作为目标变量的规定的人工智能模型。
同样制作预测色彩的L*、a*、b*、光泽的变化值的人工智能模型，得到合计五个人工智能模型。
比较人工智能制作例
使作为数据的输入和人工智能模型的制作中的说明变量的、AP辊速度变化量、涂覆压力变化量、原色涂料添加量为AP辊速度绝对值、涂覆压力绝对值、原色配合比，在说明变量中不使用调节前膜厚、色彩、光泽、涂料黏度，由此制作人工智能模型，除此以外，与人工智能制作例同样地制作，得到比较人工智能模型1。
同样地制作预测色彩的L*、a*、b*、光泽的绝对值的比较人工智能模型，得到合计五个人工智能模型。
以下的表3中示出人工智能制作例。
接着，对各实施例和比较例的预测的合格判定基准进行说明。
涂膜性状合格判定基准
将满足下述内容的情况作为合格判定的基准。
将标准板和调节涂料的涂装板的膜厚、L*值、a*值、b*值的差作为ΔFT、ΔL*、Δa*、Δb*。
·将为ΔFT1μm以下并且色彩满足所有下述3点的条件的情况作为合格判定的基准。
·为ΔE＝√(ΔL*2+Δa*2+Δb*2)的值为0.1以下并且ΔL*、Δa*、Δb*各自为0.1以下。
·Δ关于光泽值，光泽值为10以下时与标准板的差异为0.5以下、光泽值为10～20时与标准板的差异为1以下、光泽值为30以上时与标准板的差异为3以下的情况作为合格。
调节次数的合格判定基准
将能够进行自动化并且调节前的涂膜性状的膜厚相对于目标膜厚的差异为5μm以内、ΔE2以内时，涂膜性状的调节次数为3次以内而达到合格基准的情况作为合格。
各实施例和比较例中的评价结果如下所述。此外，表4中也示出了评价结果。
＜实施例1＞
在具有相对于作为目标的膜厚的差异为约3μm且约ΔE＝1的涂膜性状的涂料组合物1和制造条件中，对于黏度变化量、涂覆压力变化量、AP辊圆周速度变化量设定容许范围，在该范围内分别生成1000万个数字之后，随机地组合，与调节前膜厚一并输入到通过梯度提升学习完毕的五个人工智能模型中，得到涂装参数调节后的膜厚变化量、L*值变化量、a*值变化量、b*值变化量、光泽变化量的1000万个候选数据。
将与标准板的ΔFT的100％、ΔL*值、Δa*值、Δb*值的90％、Δ光泽80％的点作为变化量的差距目标值，从1000万个中取得一个同时满足：满足差距目标值的ΔL*值、Δa*值、Δb*值、光泽的变化量的制造条件，进行调节。
由于不合格，因此以100％的差距目标值同样地实施第二次调节，结果是合格，调节次数为2次、合格。
对涂料组合物2～4实施这样的调节后的平均调节次数2.0次。
＜实施例2＞
在具有相对于作为目标的膜厚的差异为约2μm且约ΔE＝2.5的涂膜性状的涂料组合物1和制造条件中，对于黏度变化量、涂覆压力变化量、原色涂料添加量、烘烤温度变化量、生产线的温度的变化量设定容许范围，在范围内生成各个1000万个数字后，随机组合，与调节前膜厚、色彩、光泽、涂料黏度一并输入到通过神经网络学习完毕的五个人工智能模型中，得到涂装参数调节后的膜厚变化量、L*值变化量、a*值变化量、b*值变化量、光泽变化量的1000万个候选数据。
将与标准板的ΔFT的100％、ΔL*值、Δa*值、Δb*值的90％、Δ光泽90％的点作为变化量的差距目标值，从1000万个中取得一个同时满足：满足差距目标值的ΔL*值、Δa*值、Δb*值、光泽的变化量的制造条件，进行调节，结果是为合格。
对涂料组合物2～4实施这样的调节后的平均调节次数为1.5次。
＜比较例1＞
在具有相对于作为目标的膜厚的差异为约2μm且约ΔE＝2.5的涂膜性状的涂料组合物1和制造条件中，不使用人工智能模型，而是经验年数3年以上的涂装管理者调节各种涂装条件至使膜厚、色彩和光泽调节合格为止实施，结果是调节次数为3次才合格。
通过对涂料组合物2～4实施这样的调节后的平均调节次数为3.5次。
＜比较例2＞
在具有相对于作为目标的膜厚的差异为约3μm且约ΔE＝1的涂膜性状的涂料组合物1和制造条件中，对于黏度绝对值、涂覆压力绝对值、AP辊速度绝对值设定容许范围，在该范围内分别生成1000万个数字之后，随机组合，输入学习完毕的五个比较人工智能模型中，得到涂装参数调节后的膜厚绝对值、L*值绝对值、a*值绝对值、b*值绝对值、光泽绝对值的1000万个候选数据。
将与标准板的ΔFT的100％、ΔL*值、Δa*值、Δb*值的90％、Δ光泽80％的点的变化量与各个绝对值相加并作为差距目标值，从1000万个中取得一个具有同时满足差距目标值的L*绝对值、a*绝对值、b*绝对值、光泽绝对值的AP辊圆周速度绝对值、涂覆压力绝对值、原色配合比的组合，进行调节。由于不合格，因此以100％的差距目标值同样地实施第二次的调节，但不合格，即使与第二次同样地之后调节3次(合计5次)，也不合格。
对四个涂料组合物2～4实施这样的调节，但均在5次以内时不能调节。
实施例1、2通过平均1.5次、2.0次的调节而成为合格，满足上述的合格基准。另一方面，在比较例1中，即使是具有经验的涂装管理者，调节次数也为3次以上，工时容易增加并且不能自动化，为依赖于涂装管理者的技能的状态。在比较例2中，使用基于比较人工智能制作例的人工智能模型来实施膜厚调节，结果是不能调节涂装参数。这是因为：即使在预测值与实测值偏离的情况下，在预测值在作为目标的膜厚的范围内的情况下，也判断为无需进行调节，不能进行涂装参数的变更，或者，当在绝对值预测中逐渐接近目标时，经常发生性状通过调节反而远离作为目标的性状的现象。
[表3]
[表4]
附图标记说明
10：预测系统
11：计算机
12：人工智能模型制作部
13：性状预测部
14：存储部
15：通信部
20：预测系统
21：计算机
22：人工智能模型制作部
23：性状预测部
24：存储部
25：通信部
26：制造条件预测部
27：显示部

Claims (15)

1.一种涂膜的性状的变化量的预测方法，预测向对象物涂敷涂料而得到的涂膜的性状的变化量，其特征在于，所述涂膜的性状的变化量的预测方法包括如下工序：
人工智能模型取得工序，取得包含制造条件的变化量作为输入且将所述涂膜的性状的变化量作为输出的规定的人工智能模型；以及
性状变化量预测工序，通过计算机，在所述人工智能模型中输入所述制造条件的变化量来预测所述涂膜的性状的变化量。
2.一种制造条件的变化量的预测方法，其特征在于，在向对象物涂敷涂料来制造涂敷物时，在通过使制造条件变化进行调节而制造具有涂敷物的涂膜的作为目标的性状的涂敷物的情况下，预测为了实现目标的最佳的所述制造条件的变化量，所述制造条件的变化量的预测方法包括如下工序：
人工智能模型取得工序，取得包含制造条件的变化量作为输入且将所述涂膜的性状的变化量作为输出的规定的人工智能模型；以及
性状变化量预测工序，通过计算机，在所述人工智能模型中输入所述制造条件的变化量来预测所述涂膜的性状的变化量，
在所述性状变化量预测工序中，输入多个所述制造条件的变化量，预测各个所述制造条件的变化量所对应的多个所述涂膜的性状的变化量，
所述制造条件的变化量的预测方法还包括如下工序：
制造条件变化量预测工序，基于预测出的所述多个所述涂膜的性状的变化量，确定最佳的所述制造条件的变化量作为所述为了实现目标的最佳的所述制造条件的变化量。
3.根据权利要求1或2所述的方法，其中，所述方法还包括如下工序：
关系数据输入工序，在所述计算机中输入示出所述制造条件的变化量与所述涂膜的性状的变化量的关系的关系数据，
所述人工智能模型取得工序通过如下方式进行：通过所述计算机，将在所述关系数据输入工序中输入的所述关系数据作为训练数据进行机器学习。
4.根据权利要求1～3中任一项所述的方法，其中，所述涂膜的性状包含所述涂膜的色彩、光泽、黏度、膜厚、平滑性、目视外观、随角异色性和涂膜异常中的任一个以上。
5.根据权利要求1～4中任一项所述的方法，其中，所述制造条件包含如下(a)～(d)中的任一个以上：
(a)涂料的黏度和加热残留成分中的任一个以上；
(b)向所述对象物涂敷涂料的工序中的辊圆周速度、向所述对象物的涂覆压力和涂料的流量中的任一个以上；
(c)烘烤工序中的烘烤温度和烘烤时间中的任一个以上；以及
(d)生产线的温度、湿度和涂料液温中的任一个以上。
6.根据权利要求1～5中任一项所述的方法，其中，所述人工智能模型取得工序为通过机器学习制作所述人工智能模型的工序，
所述机器学习使用基于神经网络、由多个决策树构成的集成树或者偏最小二乘回归法的预测算法。
7.根据权利要求6所述的方法，其中，所述机器学习使用神经网络、随机森林或梯度提升法。
8.根据权利要求1～7中任一项所述的方法，其中，在所述关系数据输入工序后，还包括对所述关系数据进行数据清洗的工序。
9.根据权利要求2所述的方法，其中，在所述制造条件变化量预测工序中，确定以下制造条件的变化量作为所述为了实现目标的最佳的所述制造条件的变化量，所述制造条件的变化量为预测出的所述多个所述涂膜的性状的变化量中的、与所述作为目标的性状的差为最小的所述涂膜的性状的变化量所对应的制造条件的变化量。
10.一种涂敷物的制造方法，还包括如下工序：
条件调节后制造工序，将所述制造条件调节通过权利要求2所述的方法预测出的所述制造条件的变化量，将所述涂料涂敷于所述对象物，得到所述涂膜；以及
性状测定工序，测定得到的所述涂敷物的所述涂膜的所述性状，
在所述性状测定工序中测定的所述涂膜的所述性状与期望的性状偏离规定的阈值以上的情况下，重复所述性状变化量预测工序、所述制造条件变化量预测工序、所述条件调节后制造工序和所述性状测定工序。
11.根据权利要求10所述的涂敷物的制造方法，其中，在所述性状测定工序中测定的所述涂膜的所述性状与期望的性状偏离规定的阈值以上的情况重复了规定的次数的情况下，
所述涂敷物的制造方法包括如下工序：
人工智能模型取得子工序，取得包含所述制造条件的变化量作为输入且将所述涂膜的性状的变化量作为输出的另一人工智能模型；以及
性状变化量预测子工序，通过所述计算机，在所述另一人工智能模型中输入所述制造条件的变化量来预测所述涂膜的性状的变化量，
在所述性状变化量预测子工序中，输入预先作为候选选定的多个所述制造条件的变化量，预测各个所述制造条件的变化量所对应的多个所述涂膜的性状的变化量，
所述涂敷物的制造方法还包括如下工序：
制造条件变化量预测子工序，基于预测出的所述多个所述涂膜的性状的变化量，确定另一最佳的所述制造条件的变化量作为所述为了实现目标的最佳的另一所述制造条件的变化量，
所述涂敷物的制造方法还包括如下工序：
条件调节后制造子工序，将所述制造条件调节预测出的所述另一制造条件的变化量，将所述涂料涂敷于所述对象物，得到所述涂敷物；以及
性状测定子工序，测定得到的所述涂敷物的所述涂膜的所述性状，
在所述性状测定工序中测定的所述涂膜的所述性状与期望的性状偏离规定的阈值以上的情况下，重复所述人工智能模型取得子工序、所述性状变化量预测子工序、所述制造条件变化量预测子工序、所述条件调节后制造子工序和所述性状测定子工序。
12.根据权利要求10所述的涂敷物的制造方法，其中，所述涂敷物的制造方法还包括如下工序：
关系数据更新工序，在所述计算机中输入示出所述制造条件的变化量与在所述性状测定工序中测定的所述涂膜的性状的变化量的关系的关系数据来更新所述关系数据。
13.一种系统，其特征在于，预测向对象物涂敷涂料而得到的涂膜的性状的变化量，
所述系统具有计算机，
所述计算机具有：
人工智能模型取得部，取得包含制造条件的变化量作为输入且将所述涂膜的性状的变化量作为输出的规定的人工智能模型；以及
性状预测部，通过在所述人工智能模型中输入所述制造条件的变化量，算出所述涂膜的性状的变化量来进行预测。
14.一种系统，其特征在于，在向对象物涂敷涂料来制造涂敷物时，在使制造条件变化进行调节而制造具有涂敷物的涂膜的作为目标的性状的涂敷物的情况下，预测为了实现目标的最佳的所述制造条件的变化量，
所述系统具有计算机，
所述计算机具有：
人工智能模型取得部，取得包含所述制造条件的变化量作为输入且将所述涂膜的性状的变化量作为输出的规定的人工智能模型；
性状预测部，通过在所述人工智能模型中输入多个所述制造条件的变化量，算出多个所述涂膜的性状的变化量来进行预测；以及
制造条件变化量预测部，基于预测出的所述多个所述涂膜的性状的变化量，确定最佳的所述制造条件的变化量作为所述为了实现目标的最佳的所述制造条件的变化量。
15.根据权利要求11所述的制造方法，其中，所述制造条件具有多个工序各自中的工序制造条件，
监视在将所述制造条件调节了通过权利要求2所述的方法预测出的制造条件的变化量时的各个所述工序制造条件，
在各个所述工序制造条件中观测到与所述变化量偏离规定的值以上而被调节的工序制造条件的情况下，
所述制造方法还包括如下工序：
性状再预测工序，在所述人工智能模型中，在将被监视的所述工序制造条件固定的基础上，输入其它多个所述制造条件的变化量，由此算出多个所述涂膜的性状的变化量来进行预测；以及
制造条件变化量再预测工序，基于预测出的所述多个所述涂膜的性状的变化量，再次确定最佳的所述制造条件的变化量作为所述为了实现目标的最佳的所述制造条件的变化量，
基于所述制造条件变化量再预测工序的结果，重新调节当前工序之后的工序中的所述制造条件的变化量。
CN202280040372.XA 2021-06-21 2022-06-21 涂膜的性状的变化量的预测方法和预测系统、涂敷物的制造条件的变化量的预测方法和预测系统、涂敷物的制造方法 Pending CN117529370A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2021-102753 2021-06-21
JP2021102753 2021-06-21
PCT/JP2022/024739 WO2022270506A1 (ja) 2021-06-21 2022-06-21 塗膜の性状の変動量の予測方法及び予測システム、塗布物の製造条件の変動量の予測方法及び予測システム、塗布物の製造方法

Publications (1)

Publication Number Publication Date
CN117529370A true CN117529370A (zh) 2024-02-06

Family

ID=84545442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280040372.XA Pending CN117529370A (zh) 2021-06-21 2022-06-21 涂膜的性状的变化量的预测方法和预测系统、涂敷物的制造条件的变化量的预测方法和预测系统、涂敷物的制造方法

Country Status (4)

Country Link
JP (1) JPWO2022270506A1 (zh)
CN (1) CN117529370A (zh)
AU (1) AU2022299794A1 (zh)
WO (1) WO2022270506A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116641035B (zh) * 2023-07-26 2023-10-13 南京诺源医疗器械有限公司 一种用于腹腔镜光学件的镀膜方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3443873B2 (ja) * 1992-09-16 2003-09-08 日産自動車株式会社 自動車の塗装条件管理装置
DE19936148A1 (de) * 1999-07-31 2001-02-01 Abb Research Ltd Verfahren zur Ermittlung von Sprühparametern für eine Lacksprühanlage
JP2002180295A (ja) * 2000-12-20 2002-06-26 Fuji Heavy Ind Ltd 電着塗装解析方法および電着塗装解析装置
EP1675690A1 (en) * 2003-10-24 2006-07-05 E.I. Dupont De Nemours And Company Method for predicting and applying painting parameters and use thereof
JP2006218425A (ja) * 2005-02-14 2006-08-24 Kansai Paint Co Ltd 塗装方法、塗装制御装置及び塗装設備
JP4730009B2 (ja) * 2005-06-20 2011-07-20 Ｊｆｅスチール株式会社 塗装膜厚制御方法及びそのシステム
JP6719965B2 (ja) * 2016-05-06 2020-07-08 ダイハツ工業株式会社 塗装条件設定方法及びプログラム
WO2019171498A1 (ja) * 2018-03-07 2019-09-12 日立化成株式会社 塗布制御システム、塗布制御方法、および塗布制御プログラム

Also Published As

Publication number Publication date
AU2022299794A1 (en) 2024-01-18
JPWO2022270506A1 (zh) 2022-12-29
WO2022270506A1 (ja) 2022-12-29

Similar Documents

Publication Publication Date Title
JP7116266B1 (ja) 塗料性状の予測方法、補正配合組成の予測方法、塗料性状の予測システム、補正配合補正の予測システム、及び塗料の製造方法
CN117529370A (zh) 涂膜的性状的变化量的预测方法和预测系统、涂敷物的制造条件的变化量的预测方法和预测系统、涂敷物的制造方法
US10401224B2 (en) Method for ascertaining texture parameters of a paint
CN106054840B (zh) 一种全流程产品质量在线管控系统
JP2017508952A (ja) 色処方を決定するための方法及びシステム
CN110263488B (zh) 一种基于集成即时学习的工业混炼胶门尼粘度软测量方法
CN116060642A (zh) 一种激光选区熔化成型质量监测分析方法
CN117970818A (zh) 一种基于物联网的工业设备调控方法
Lv et al. Integrated parameter and tolerance design for multiple response optimization
Mao et al. Coating thickness modeling and prediction for hot-dip galvanized steel strip based on GA-BP neural network
EP4193332A1 (en) System and method for assessing a coated surface with respect to surface defects
Safari et al. A Nash bargaining model for flow shop scheduling problem under uncertainty: a case study from tire manufacturing in Iran
US20230173533A1 (en) Coating production line system
CN104136913A (zh) 利用湿色测量预测由涂料成分得到的涂料金属光泽的方法
US20220107631A1 (en) Coating Process and Quality Control of Coated Objects
JP7429456B2 (ja) 自動調整方法及び自動調整システム
TW202340884A (zh) 預防保養後的腔室條件監控及模擬
JP2006218425A (ja) 塗装方法、塗装制御装置及び塗装設備
WO2024143003A1 (ja) 塗料の製造方法
CN106127326B (zh) 一种化工材料加工熔融指数预报方法
Al-Meslemi Predictive modeling for metal additive manufacturing: key characteristics and porosity characterization
WO2022202365A1 (ja) 検査支援システム、検査支援方法、及びプログラム
JP2021183666A (ja) 学習モデル生成方法、プログラム、記憶媒体、学習済みモデル
JP2023001804A (ja) 自動車ボディ及び／又は自動車部品の塗膜の塗膜品質の予測方法及び予測システム、塗装条件の予測方法及び予測システム、自動車ボディ及び／又は自動車部品の複層塗膜形成方法
Ju et al. Modeling quality propagation in automotive paint shops: An application study

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination