CN117642268A - Pvt特性计算模型推定系统和方法 - Google Patents

Pvt特性计算模型推定系统和方法 Download PDF

Info

Publication number
CN117642268A
CN117642268A CN202280034806.5A CN202280034806A CN117642268A CN 117642268 A CN117642268 A CN 117642268A CN 202280034806 A CN202280034806 A CN 202280034806A CN 117642268 A CN117642268 A CN 117642268A
Authority
CN
China
Prior art keywords
calculation model
resin material
pvt
characteristic calculation
resin
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
CN202280034806.5A
Other languages
English (en)
Inventor
小林汉
八木大介
中土裕树
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.)
Hitachi Ltd
Original Assignee
Hitachi 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 Hitachi Ltd filed Critical Hitachi Ltd
Publication of CN117642268A publication Critical patent/CN117642268A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/76—Measuring, controlling or regulating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/22—Moulding
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

能够容易地推定树脂材料的PVT特性计算模型。在对树脂材料的树脂材料计算模型进行推定的PVT特性计算模型推定系统(1)中，包含控制装置(11)和由控制装置(11)使用的存储装置(13)，运算装置(11)基于通过所述第一树脂材料进行了成形时的工艺数据和成形品品质、以及至少一个以上的预定的关系式，推定所述第一树脂材料计算模型，所述预定的关系式表示第二树脂材料计算模型与对所述第二树脂材料进行了成型时的工艺数据和成形品品质的关系，所述第二树脂材料计算模型是通过实测与所述第一树脂材料为同一树脂种类的第二树脂材料的PVT特性而得到的PVT特性的计算模型，使用将所述第二树脂材料计算模型与使用所述第二树脂材料进行了成形时的工艺数据和成形品品质关联起来蓄积在存储装置(13)中的数据来生成所述预定的关系式。

Description

PVT特性计算模型推定系统和方法
技术领域
本发明涉及对树脂材料的PVT特性的计算模型即树脂材料计算模型进行推定的技术。
背景技术
在注射成形工艺中，树脂材料的物性偏差对成形品品质造成影响。特别是比容积的压力˙温度依赖性(PVT特性)对成形品的尺寸影响大，因此在对PVT特性不同的材料进行成形时需要调整成形条件。在此，成形条件的调整不容易，需要熟练作业者的技术和时间。因此，为了辅助成形条件的调整，应用使用了注射成形CAE的模拟。但是，为了使用注射成形CAE，需要构建树脂材料的PVT特性的测定计算模型，必须使用专用的比容积测定装置进行多次试验。因此，构建测定模型的低成本化是课题。针对该课题，以往研究了不使用专用装置而根据注射成形机和金属模具的信息来测定PVT特性的方法(专利文献1)。
在专利文献1所记载的方法中，将从注射成形机向金属模具填充树脂的路径通过产品部和用于测定PVT特性的柱塞单元部进行切换，检测向柱塞单元部填充了树脂时的树脂温度、树脂压力、柱塞位置，测定某个树脂温度˙压力下的比容积。另外，通过将供给到柱塞单元部的树脂反向输送给供给侧，能够反复进行多个树脂温度˙压力条件下的比容积测定处理从而取得PVT特性。
现有技术文献
专利文献
专利文献1：日本特开2006-137057号公报
发明内容
发明所要解决的课题
注射成形中的成形品品质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，简称：PP)的材料，PVT特性也按照等级单位、供应商单位而不同，因此即使在相同的成形条件下成形，金属模具内的收缩行为也不同，成形品品质发生变动。
近年来，受到塑料废弃物的海洋污染问题的影响，在塑料的再生材料的利用方面，至今为止受到了更大的关注。以欧洲为中心，在一部分地域还研究了针对原材料使用的征税、法律规定，对于使用塑料来制造产品的制造商而言，再生材料的利用成为紧迫的课题。但是，再生材料由于成形时的热历程、使用时环境导致的劣化、以及再生时的异物混入和热历程，与原材料相比PVT特性的偏差大，因此成形品品质的偏差也大于原材料。
图1是表示用于表明后述的实施例的优越性的比较例的图表，不是现有技术。图1表示与材料的种类相同(PP)且相同型号，制造批次不同的3个再生材料即批次A、批次B、批次C相对的、压力水准为50MPa时的比容积的温度依赖性。在图1中，横轴表示树脂温度，纵轴表示比容积。在此，批次是指来自供应商的交货期的不同。图1的各点标绘是通过专用的比容积测定装置得到的实测值，曲线标绘是对实测值拟合了数学式1所示的被称为2-domainTait PVT模型的计算模型的结果。图1仅示出了一压力水准(50MPa)下的温度依赖性，但即使在压力水准变化的情况下，也保持了批次间的比容积的绝对值、温度依赖变化率的大小关系。根据图1，能够确认即使是同种材料，当批次不同时PVT特性也大幅变动。
[数式1]
Tt(p)＝b5+b6p
(T>Tt): (T<Tt):
v0＝b1m+b2m(T-b) v0＝b1s+b2s(T-b5)
vt(T,p)＝0
T：树脂温度
P：对树脂施加的压力
C：常数，0.0894
v(T，p)：温度T，压力p下的比容积
v0(T)：无压力下的比容积
B(T)：对压力的灵敏度
vt(T，p)：伴随结晶的比容积减少
Tt(p)：转移温度
b1(b1m，b1s)、b2(b2m，b2s)：表示v0(T)的压力·温度依赖性的系数
b3(b3m，b3s)、b4(b4m，b4s)：表示B(T)的压力·温度依赖性的系数
b5、b6：表示Tt的压力依赖性的系数
b7、b8、b9：表示vt的压力·温度依赖性的系数(只考虑结晶树脂的情况)
图2是在树脂材料的PVT特性的测定中使用的一般的测压元件方式的测定装置的概要图。在该测定装置中，在具备包含有炉体的温度调节机构的试验槽中放入作为测定对象(试样)的树脂，测定利用活塞对树脂施加了压力时的体积，由此能够测定某个温度·压力值(温度及压力值)下的比容积。
接着，使用图3来说明一般的PVT特性计算模型的构建方法。使用图2所示的装置，在不同的温度·压力条件下反复进行预定次数的任意的温度·压力条件(温度及压力条件)下的比容积的测定。之后，选择用于表示树脂材料的PVT特性的数学模型，对比容积的测定点实施拟合，由此构建PVT特性计算模型。
图4表示所构建的PVT特性计算模型的一例。图4所示的PVT特性计算模型是针对在向树脂赋予的压力恒定的状态下使温度变化而测定出的比容积，通过2-domain Tait PVT模型进行拟合而得到的结果。根据图表，能够确认数理模型良好地表现了实测比容。
在专利文献1所记载的方法中，以不使用图2所示的测定装置而在金属模具安装用于取得PVT特性的专用单元为前提。因此，在该方法中，需要进行用于对测定用的专用单元与用于得到产品的金属模具进行连接和切换的追加开发。另外，为了得到PVT特性，需要对同一树脂在多个树脂温度、压力条件下进行测定。在此，树脂具有各种物性因赋予的温度和压力的影响而变化的性质。在该方法中，为了得到PVT特性而从专用单元反向输送树脂，一边反复使用同一树脂一边在多个温度·压力条件下进行测定，因此树脂特性有可能劣化。因此，在该方法中，需要在多个条件下反复进行测定的工时，并且由于测定树脂的劣化导致测定精度降低，在使用了所得到的PVT特性的成形中，还考虑成形品品质降低的可能性。
另外，为了与注射成形CAE协作，还需要在测定了一个树脂材料的PVT特性后，使用记述PVT特性的计算模型对实测值执行拟合来构建材料的计算模型的工序。
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容易地推定树脂材料的PVT特性计算模型的技术。
用于解决课题的手段
为了达成上述目的，一个观点的PVT特性计算模型推定系统推定作为第一树脂材料的PVT特性的计算模型的第一树脂材料计算模型，所述PVT特性计算模型推定系统包含处理器以及由所述处理器使用的存储器，所述处理器根据通过所述第一树脂材料成形时的工艺数据和成形品品质、以及至少一个以上的预定的关系式，来推定所述第一树脂材料计算模型，所述预定的关系式表示第二树脂材料计算模型与对所述第二树脂材料进行成形时的工艺数据和成形品品质之间的关系，其中，所述第二树脂材料计算模型是通过实测与所述第一树脂材料为同一树脂种类的第二树脂材料的PVT特性而得到的PVT特性的计算模型，根据将所述第二树脂材料计算模型与使用所述第二树脂材料进行了成形时的工艺数据和成形品品质关联起来而蓄积在所述存储器中的数据来生成所述预定的关系式。
发明效果
根据本发明，能够容易地推定树脂材料的PVT特性计算模型。
附图说明
图1是作为比较例的与交货期不同的再生材料相对的PVT特性图。
图2是PVT特性的测定装置的结构图。
图3说明PVT特性计算模型构建方法。
图4表示PVT特性计算模型。
图5是实施例1的PVT特性计算模型推定系统的功能框图。
图6是实施例1的注射成形机的概念图。
图7是能够用于实现实施例1的PVT特性计算模型推定系统的计算机的结构图。
图8是实施例1的用于取得注射成形中的工艺数据的金属模具的概念图。
图9是实施例1的登记特征量的处理的框图。
图10是表示实施例1的注射成形时的传感器的取得数据的时间序列变化的图表。
图11是实施例1的回归模型的学习用数据集的结构图。
图12是实施例1的回归模型学习处理的流程图。
图13是实施例1的PVT特性计算模型系数推定处理的流程图。
图14是实施例1的PVT特性计算模型系数的推定用数据集的结构图。
图15说明实施例1的推定出的PVT特性计算模型。
图16是实施例2的PVT特性计算模型推定系统的功能框图。
图17是实施例1和实施例2的PVT特性计算模型数据库的结构图。
具体实施方式
参照附图对实施方式进行说明。此外，以下说明的实施方式并不限定专利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未必全部是发明的解决手段所必须的。
在本实施方式中提供一种对树脂材料的PVT特性计算模型进行推定的系统。该系统例如基于将预先得到的第二树脂材料计算模型和使用第二树脂材料进行了成形时的工艺数据和成形品品质关联起来而蓄积的数据，预先生成了预定的关系式，该预定的关系式表示PVT特性已知的第二树脂材料的PVT特性计算模型与使用第二树脂材料以在各预定的单位间共同的基准注射成形条件进行了成形时的传感器数据和成形品品质之间的关系，根据使用第一树脂材料在基准注射成形条件下进行了成形时的工艺数据、成形品品质、以及所生成的上述预定的关系式，推定上述第一树脂材料的PVT特性计算模型。
根据本实施方式，能够根据PVT特性已知的材料的PVT特性计算模型、以及从使用所述PVT特性已知的树脂材料的成形中预先取得的传感器数据和成形品品质，以少的工时容易地得到预定的树脂材料的PVT特性计算模型。由此，例如对于再生材料那样的即使是同一型号但每个交货单位(批次)的PVT特性偏差大的材料，不需要进行用于得到每个交货单位的PVT特性计算模型的物性试验，能够基于PVT特性来调整每个交货单位的注射成形条件，从而能够实现交货单位间的偏差抑制以及再生材料的成形品品质的提高。
实施例1
图5是实施例1的PVT特性计算模型推定系统的功能框图。PVT特性计算模型推定系统1例如包含制造执行系统2、制造工厂3、学习和计算模型生成系统4。以下所述的PVT特性计算模型推定系统1的各功能的一部分或全部可以构成为软件，也可以实现为软件与硬件的协作，还可以使用具有固定的电路的硬件来实现。也可以由操作员执行制造执行系统2和制造工厂3所具有的功能的至少一部分。
制造执行系统2是对制造工厂3指示执行生产的系统。制造执行系统2向制造工厂3发送以基于预先设定的成为基准的注射成形条件(以下，称为基准成形条件)的制造条件进行生产的指示。制造条件中例如可以包含确定生产(注射成形)中使用的注射成形机的信息、确定生产中使用的金属模具的信息、确定生产中使用的材料的信息、生产的成形品的数量、生产时期、要求品质等。
对制造执行系统2进行详细说明。制造执行系统2例如具备制造条件决定部21和制造执行指示部22。
制造条件决定部21是基于基准成形条件来决定上述制造条件的功能。制造条件决定部21将与制造条件相关的信息交给制造执行指示部22。此外，将与制造条件有关的信息经由制造工厂3发送到学习和计算模型生成系统4。与制造条件有关的信息能够包含与金属模具、注射成形机以及材料有关的预定的信息。
预定的信息例如可以包含金属模具的容量、金属模具的横浇道结构，还可以包含使用的树脂材料的供应商单位的制造编号(型号)以及每个供应商的交货编号(例如，批次号)等。
制造执行指示部22是对制造工厂3指示制造执行的功能。另外，也可将制造执行称为生产。制造执行指示例如包含基准成形条件下的成形的要求。在本实施方式中，制造执行指示部22将从制造条件决定部21发送的预定的信息发送到制造工厂3。预定的信息经由制造工厂3输入到学习和计算模型生成系统4，用于针对树脂材料的供应商单位的制造编号和每个供应商的每个交货编号推定PVT特性计算模型。
对制造工厂3进行说明。制造工厂3接受来自制造执行系统2的制造执行指示，执行注射成形工艺32。以下，有时将注射成形简记为“IM”。
制造工厂3例如具有制造执行部31、多台注射成形机50(在图6中后述)、多台金属模具509(在图6中后述)以及成形品品质检查部33。以下，有时将成形品品质检查部33简记为品质检查部33。
制造执行部31在从制造执行指示部22接收到基准成形条件下的成形的指示时，针对所指示的金属模具与材料的组合，将预先指定的基准成形条件输入到注射成形机50，由此执行注射成形工艺32。即，注射成形工艺32是按照基准成形条件进行注射成形的工艺。
品质检查部33是检查在注射成形工艺32中得到的成形品的品质的功能。成形品品质例如基于尺寸、重量进行评价。成形品的品质检查可以自动进行，也可以由检查员手动进行，还可以半自动地进行。
此外，也可以基于成形品的翘曲量、毛刺、损伤、光泽、色彩来评价由品质检查部33检查的成形品品质。品质检查部33将制造执行部31接收到的制造条件与成形品品质的检查结果关联起来输出到学习和计算模型生成系统4的成形品品质记录部404。
此外，在本实施例中，关于使用金属模具时的与每个使用材料的材料特性相关的信息，预先通过制造工厂3保有的各注射成形机以及金属模具上搭载的传感器34来测定注射成形机的预定的位置以及金属模具内的预定的位置处的物理量，并输出到学习和计算模型生成系统4的传感器信息记录部401。关于搭载在金属模具的传感器的详细内容，使用图8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。
在此，注射成形机的预定的位置例如是喷嘴前端部等。金属模具内的预定的位置例如是金属模具的树脂流入口等。物理量例如包含树脂的压力、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(开模量)。材料物性例如是指树脂的密度、树脂的粘度、树脂的纤维长度的分布(在为增强纤维含量材料时)等。其中，与材料的流动性最相关的物理量是树脂的粘度，但作为与材料的流动性相关的物理量，也能够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量。
学习和计算模型生成系统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、成形品品质记录部404、PVT特性计算模型系数存储部405、连结处理部406、学习用数据库407、回归模型学习部408、回归模型保存部409、已学习模型存储部410、回归模型读出部411、推定用数据库412、PVT特性计算模型推定部413、PVT特性计算模型保存部414以及PVT特性计算模型数据库415。
一般而言，计算模型是指将某现象以数学方式抽象化的数理模型，PVT特性计算模型是指表示树脂材料的PVT特性的数理模型。另外，在本实施例的说明中，PVT特性计算模型是指针对每个预定的材料单位决定了数理模型的参数(系数)的计算模型。
传感器信息记录部401记录在制造工厂3的注射成形工艺32中由传感器34取得的金属模具内的预定位置处的物理量。特征量提取部402对由传感器信息记录部401暂时记录的物理量进行特征量提取，将预定的材料单位、注射成形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，特征量可以直接为物理量，物理量和特征量与工艺数据对应。另外，预定的材料单位例如是指每个材料供应商的树脂材料(也包括再生材料)的每个型号的单位、或者同一型号的每个批次的单位等区分材料的单位。另外，在本实施例中，将特征量数据库403中记录的将材料单位、注射成形机与金属模具的组合、以及提取出的特征量关联起来的数据组称为特征量数据集。对于特征量提取部402的处理，使用图6和图7在后面叙述。
在此，在将注射成形机与金属模具的组合固定并且将注射成形工艺32中的成形条件固定的状态下，在仅预定的材料单位发生了变化的情况下，从由传感器34得到的物理量中提取的特征量强烈受到材料单位间的材料信息(例如流动性、物性值)的变化的影响。
因此，能够记录每个材料单位固有的材料信息来作为特征量间的差。在此，从由传感器34得到的物理量中提取的特征量受到注射成形机和金属模具的机器差异的影响，因此，特征量数据集针对注射成形机与金属模具的每个组合，保存每个材料单位固有的材料信息来作为特征量间的差。在本实施例中，设为特征量数据集全部为注射成形机与金属模具的组合已固定的特征量数据集来进行说明。
成形品品质记录部404将由品质检查部33检查出的成形品品质与制造条件(预定的材料单位、注射成形机与金属模具的组合)关联起来进行记录。
在PVT特性计算模型系数存储部405中，与预定的材料单位的信息相关联地存储有由针对每个预定的材料单位预先测定出的树脂材料的PVT特性构建的PVT特性计算模型的各系数。在本实施例中，PVT特性计算模型例如可以使用2-domain-tait模型、Spencer-Glimore模型、Modified-Cell模型、Simha-Somcynsky模型等计算模型。
连结处理部406针对从特征量数据库403取得的与材料信息关联起来的特征量数据集、从成形品品质记录部404取得的成形品品质和制造条件、从PVT特性计算模型系数存储部405取得的PVT特性计算模型(第二树脂材料计算模型)的各系数，以材料信息为结合键，生成特征量数据集、成形品品质、PVT特性计算模型的各系数、以及在制造中使用的材料对应起来的数据集(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到学习用数据库407中。
另外，连结处理部406针对没有在PVT特性计算模型系数存储部405中存储系数的树脂材料(例如，PVT特性未知的树脂材料：第一树脂材料)的材料信息所对应的、从特征量数据库403取得的与材料信息关联起来的特征量数据集、以及从成形品品质记录部404取得的成形品品质以及制造条件，以材料信息为结合键，生成特征量数据集、成形品品质、以及在制造中使用的材料对应起来的数据集(以下，将该数据集称为推定用数据集)，并将该推定用数据集记录在推定用数据库412中。该推定用数据集不包含PVT特性计算模型系数。
回归模型学习部408从学习用数据库407取得学习用数据集，使用将特征量数据集和成形品品质作为说明变量，将PVT特性计算模型系数中的一个作为目标变量的回归模型，学习根据说明变量来预测目标变量的回归模型，生成已学习回归模型。
通常，回归模型是指根据说明变量(X)预测目标变量(y)的模型(y＝f(X))，回归模型内的参数根据学习用数据决定。在本实施例的说明中，在称为“回归模型”时，是指回归模型整体，在称为“已学习回归模型”时，是指根据学习用数据已决定了模型的参数的回归模型。
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、或者使用将它们组合后的回归模型。此外，在使用的回归模型例如像神经网络那样能够具有多个目标变量的情况下，可以从PVT特性计算模型的系数中选择多个来作为目标变量。
回归模型保存部409将在回归模型学习部408中生成的已学习回归模型记录在已学习回归模型存储部410。回归模型读出部411从已学习回归模型存储部410取得已学习回归模型，并向PVT特性计算模型推定部413输入。
推定用数据库412记录推定用数据集。
PVT特性计算模型推定部413用于推定PVT特性未知的树脂材料的PVT特性计算模型。PVT特性计算模型推定部413基于从推定用数据库412读出的推定用数据集和从回归模型读出部411读出的已学习回归模型(例如，基于已知的批次的信息对同一型号的PVT特性计算模型进行了学习的回归模型)，来推定PVT特性未知的预定的材料单位的树脂材料的PVT特性计算模型(第一树脂材料计算模型)，并将推定出的PVT特性计算模型(推定PVT特性计算模型)输入到PVT特性计算模型保存部414。
PVT特性计算模型保存部414将输入的推定PVT特性计算模型存储在PVT特性计算模型数据库415中。
PVT特性计算模型数据库415将PVT特性计算模型系数存储部405中存储的已知的PVT特性计算模型和由PVT特性计算模型保存部414存储的PVT特性计算模型(推定PVT特性计算模型)记录为与对应的材料单位、以及用于表示PVT特性计算模型是已知还是推定的信息关联起来的数据。图17表示本实施例的PVT特性计算模型数据库的结构。如图17所示，PVT特性计算模型数据库415存储表示预定的材料单位的树脂材料的型号和批次、已知或推定的信息、以及PVT特性计算模型的系数。
图7表示能够用于实现PVT特性计算模型推定系统1的计算机10的结构例。在此，说明通过一个计算机10实现PVT特性计算模型推定系统1的情况，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PVT特性计算模型推定系统1。另外，如上所述，制造执行系统2和制造工厂3也可以不使用专用的软件或硬件，而是由操作员实施各功能的一部分或全部，由此来实现PVT特性计算模型推定系统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，是处理器的一例。运算装置11不限于微处理器，例如也可以包含DSP(Digital Signal Processor，数字信号处理器)、GPU(GraphicsProcessing Unit，图形处理单元)等。运算装置11通过将记录在存储装置13中的计算机程序读出到存储器12中并执行，实现作为PVT特性计算模型推定系统1的各功能21、22、31、401～415、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中存储有用于实现向操作员提供GUI(Graphical User Interface：图形用户界面)的GUI部60的计算机程序和用于实现上述各功能21、22、31、401～415的计算机程序。
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进行存储。
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。也能够将从外部记录介质18存储到存储装置13中的计算机程序以及数据的全部或一部分传送到外部记录介质18来存储。
图6是注射成形机50的概念图。使用图6来说明注射成形工艺的各过程。在本实施例中，成形现象是指在注射成形工艺中产生的一连串的现象。在本实施例中，将注射成形工艺大致分为计量及塑化过程、注射及保压过程、冷却过程、以及取出过程。
在计量及塑化过程中，将塑化用电动机501作为驱动力使螺杆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。通过螺杆502的背压及转速的设定，熔融树脂的密度和增强纤维的断裂程度发生变化，这些变化对成形品品质造成影响。
在注射及保压过程中，以注射用电动机507为驱动力使螺杆502前进，经由喷嘴508将熔融树脂向金属模具509内注射。来自金属模具509的壁面的冷却和由流动引起的剪切发热并行地作用于注射到金属模具509内的熔融树脂。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。在作为闭合金属模具509的力的合模力小的情况下，在熔融树脂固化后产生微小的金属模具打开，成形品品质因该微小的间隙而受到影响。
在冷却过程中，利用保持为恒定温度的金属模具509将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形品的品质造成影响。残留应力伴随由于在金属模具内的流动而产生的材料物性的各向异性、由保压产生的密度分布、成形收缩率的不均等而产生。
在取出过程中，将用于对金属模具509进行开闭的电动机511作为驱动力来驱动合模机构512，由此打开金属模具509。并且，在将顶出用电动机513作为驱动力来驱动顶出机构514，由此将固化的成形品从金属模具509取出时，当足够的顶出力未均等地作用于成形品时，成形品中残留有残留应力，影响成形品的品质。
在注射成形机50中，进行压力控制，使得测压元件510的压力值接近所输入的成形条件内的压力值。缸505的温度由多个加热器506控制。根据螺杆502的形状、缸505的形状及喷嘴508的形状，每个注射成形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形机50的成形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，金属模具509的树脂流入口的树脂温度有时与输入到注射成形机50的成形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)根据每个注射成形机而不同，有时这成为机器差异而对成形品品质造成影响。
成形品品质通过形状特性(重量、尺寸、厚度、缩痕、毛刺、翘曲等)、外观不良等表面特性(熔接痕、银纹、烧痕、白化、伤痕、气泡、剥离、流痕、喷射纹、颜色和光泽等)、机械和光学特性(拉伸强度、耐冲击特性、透射率等)来评价。
在本实施例中，作为评价的成形品的品质，例如使用重量、尺寸。在成形品形状中没有欠注、过度保压等不良的情况下，认为成形品的重量根据树脂材料相对于金属模具容积的比容积而变化，因此重量是与PVT特性相关性大的物理量。另外，同样在没有上述不良的情况下，认为成形品的尺寸根据树脂的收缩率而变化，因此尺寸也是与PVT特性相关性大的物理量。
形状特性与注射及保压过程和冷却过程中的压力和温度的履历以及合模力具有强相关性。相对于产生的现象，表面特性的产生原因各不相同，但例如流痕和喷射痕与注射过程中的树脂的温度和速度具有强相关性。机械特性及光学特性例如在拉伸强度的情况下，需要通过破坏试验进行评价，因此大多以重量等相关的其他品质指标进行评价。
在成形条件中设定与注射成形工艺的各过程对应的参数。关于计量及塑化过程，设定计量位置、倒吸、背压、背压速度及转速等。对于注射和保压过程，分别设定压力、温度、时间和速度。关于注射及保压过程，还设定对注射和压力进行切换的螺杆位置(VP切换位置)以及金属模具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8示出了在本实施例中用于取得注射成形中的工艺数据的金属模具的概要。在图8中，图8的(A)表示金属模具70的产品部的俯视图，图8的(B)表示金属模具70的产品部的侧视图，图8的(C)表示金属模具的横浇道部75的俯视图。该金属模具70是树脂以5点的针点浇口方式从横浇道部75向产品部流入的构造。在实际的成形实验中，在产品部的传感器配置部71配置用于测定金属模具内的树脂的温度的树脂用温度传感器72、测定树脂的压力的压力传感器73、以及测定金属模具的温度的金属模具用温度传感器74，在横浇道部75的传感器配置部76配置树脂用温度传感器72和压力传感器73，取得它们的时间变化。这些树脂用温度传感器72、压力传感器73以及金属模具用温度传感器74与传感器34对应。成形中使用的树脂材料使用聚丙烯(PP)。注射成形机使用最大合模力150t及螺杆直径44mm的电动注射成形机。
图9是表示特征量提取部402对从传感器34得到的物理量进行特征量提取，并将结果记录到特征量数据库403，由此取得材料信息的方法的例子的框图。图9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”、“传感器内置金属模具”中的任一个来实现。
首先，针对任意的材料601，将固定的成形条件即基准成形条件602输入到实际的注射成形机603，由此取得金属模具内的预定部位的物理量。在此，注射成形机603对应于在图6中叙述的注射成形机50。另外，基准成形条件与在执行图5中叙述的注射成形工艺32时输入给注射成形机的条件相对应。
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形机固有的机器差异、成形条件的影响。因此，通过针对金属模具与注射成形机的每个组合设定基准成形条件602，能够抑制机器差异和成形条件的影响，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中。另外，可以针对金属模具与注射成形机的每个组合变更基准成形条件。
为了在实际的注射成形机603中取得成形现象，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内的成形现象，取得与材料信息相关的物理量的实测值608。成形品605的品质通过产品品质检查607取得，并记录在成形品品质记录部611。
从得到的物理量的实测值提取特征量(609)。所得到的物理量的实测值均作为注射成形工艺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。由于在材料间共同的基准成形条件下进行成形，通过比较材料间的特征量，能够比较材料间的材料信息。
使用图10和图11，说明用于得到在图4中叙述的PVT特性的实验例的测定结果。图10表示针对交货期不同的PP的3个材料批次A、B、C分别在基准成形条件下进行了注射成形时的在横浇道的传感器配置部76的压力传感器73以及树脂用温度传感器72的时间序列数据。如图10所示，传感器取得波形即使在同一成形条件下，每个批次的时间序列数据的变动也不同，能够确认压力传感器73的时间序列数据受到材料固有的材料信息，例如图1所示的预定的材料单位间的PVT特性的偏差的影响。
图11中包含从图10所示的每个材料批次的在金属模具内的不同位置安装的多个压力传感器及树脂温度传感器的波形中提取出的特征量的结果例。图11中的说明变量的一部分是特征量的结果例。作为特征量，具有压力传感器以及树脂温度传感器的传感器值的峰值、到峰值为止的积分值、从峰值起的积分值等。此外，虽未图示，但也可以将压力传感器以及树脂温度传感器的传感器值的最大微分值、峰值以及设置在位置的传感器值作为特征量。
根据图11，由于特征量在批次间存在偏差，因此能够确认提取出的特征量受到材料信息的影响。另外，还能够确认即使是相同的材料批次，特征量根据传感器安装位置而变化。如此，对每个批次进行特征量提取处理，将对每个批次关联了特征量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11所示，使特征量数据集为将压力传感器以及树脂用温度传感器、金属模具用温度传感器的多个传感器各自的特征量关联起来的数据集。
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含金属模具内的从树脂流入口至腔内的直浇道部或横浇道部。
除了直浇道部和横浇道部以外，例如还可以将如腔内的浇口正下部、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作为测定部位来使用。在该情况下，能够根据由安装位置不同的多个传感器得到的物理量，更高精度地求出与材料固有的PVT特性相关的物理量。
例如，在基准成形条件下的成形中，成形中的树脂的压力、温度根据金属模具内的位置而不同。因此，能够通过安装位置不同的多个传感器，在一个成形条件下测定不同的压力、温度条件下的树脂的物理量。由此，能够更高精度地求出与材料固有的PVT特性相关的物理量。
另外，恰当的测定部位根据金属模具构造和测定的物理量而不同。在金属模具开模量以外的物理量中，无论是哪种金属模具结构，如果可能，则优选将直浇道部作为测定部位。此外，在本说明书中，“优选”这一表述只不过是以能够期待某种有益效果的含义来使用，并不意味着其构成是必须的。
在侧浇口、跳跃浇口、潜入式浇口以及香蕉浇口时，在直浇道部正下方的横浇道部、浇口紧前的横浇道部等配置传感器。在针点浇口的情况下，成为三板结构，因此需要在传感器配置上下工夫，在直浇道部正下方的横浇道部等配置传感器。在针点浇口的情况下，也可以为了用于测定而设置不与腔连接的虚拟的横浇道来作为测定部位。通过设置测定专用的部位，金属模具设计的自由度提高。在针点浇口的情况下，可以为了用于测定而设置不与腔连接的虚拟的横浇道来作为测定部位。通过设置测定专用的部位，金属模具设计的自由度提高。在薄膜浇口、扇形浇口的情况下，在流入浇口部之前的横浇道部设置传感器。
对作为上述物理量而测定的参数进行说明。在本实施例中，为了进行预定的材料单位的PVT特性计算模型的推定，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。对于树脂温度传感器，能够使用热电偶等接触式温度传感器以及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，压力和温度中的任何一种物理量均记录注射成形工艺中的时间变化。
对上述物理量的特征量进行说明。在本实施例中，例如能够将压力的最大值(时间变化的峰值)、积分值以及温度的最大值(时间变化的峰值)作为特征量使用。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。另外，压力的积分值也可以在注射过程和保压过程中分开计算。认为保压过程中的压力的积分值是与浇口密封后的无压力下的比容积的温度依赖变化相关性大的物理量。
使用图11，对记录在学习用数据库407的学习用数据集进行说明。如图11所示，学习用数据集是将特征量数据集、成形品品质、PVT特性计算模型的各系数(与目标变量对应)、从制造条件决定部21取得的制造条件、以及预定的材料单位关联起来的数据。在学习用数据库407中，学习用数据集与注射成形机和金属模具的组合对应起来，针对注射成形机和金属模具的每个组合进行记录。
在本实施例中，作为学习用数据集，使用上述的PVT特性已知的材料批次A、C，作为成形品品质以重量、尺寸进行评价，作为PVT特性计算模型，使用了2-domain-Tait模型。
使用图12，对学习和计算模型生成系统4中的回归模型学习处理进行说明(回归模型学习流程图)。在回归模型学习处理中，首先，回归模型学习部408从学习用数据库407读出学习用数据集，对学习用数据集中的特征量数据集和成形品品质进行标准化处理(S101)。
图11是在回归模型学习处理中使用的针对注射成形机与金属模具的每个组合记录的学习用数据集的一例。学习用数据集将材料批次A、C的各批次名、各传感器中的压力和树脂温度的峰值、到峰值为止的积分值、从峰值起的积分值、成形品重量、尺寸、以及各批次的PVT特性计算模型的系数关联起来。
标准化处理是指如下处理：针对作为对象的学习用数据集的每一列，计算数据组的平均值及标准偏差，对各列的数据减去其列的平均值，并除以其列的标准偏差。通过标准化处理，各列的数据组的平均为0，标准偏差为1，因此能够消除列之间的单位的差异带来的影响。通常，通过进行标准化处理，具有提高回归模型的学习精度的效果。
接着，学习和计算模型生成系统4的回归模型学习部408读入学习用数据集的PVT特性计算模型系数(S102)。接着，回归模型学习部408生成将目标变量(输出参数)作为PVT特性计算模型系数之一，将说明变量(输入参数)作为标准化处理后的特征量数据集和成形品品质的回归模型，通过机器学习对该回归模型进行学习，由此生成已学习回归模型，按照所使用的PVT特性计算模型的系数的数量来重复这样的已学习回归模型，生成分别与各系数对应的已学习回归模型(S103)。由此，生成所使用的PVT特性计算模型的系数数量的已学习回归模型。
在本实施例中，示出了作为PVT特性计算模型使用了2-domain-tait模型的例子，但对于PVT特性计算模型，例如也可以使用Spencer-Glimore模型、Modified-Cell模型、Simha-Somcynsky模型等计算模型。
另外，在本实施例中，例如使用脊回归生成了已学习回归模型，但也可以使用线性回归、支持向量机、神经网络、随机森林回归等其他回归模型、或者使用将它们组合后的回归模型来生成已学习回归模型。此外，在使用的回归模型例如像神经网络那样能够具有多个目标变量的情况下，可以同时选定PVT特性计算模型的多个系数来作为回归模型中的目标变量。
接着，学习和计算模型生成系统4将与标准化处理有关的信息及已学习回归模型保存在已学习模型存储部410(S104)。
使用图13、图14来说明学习和计算模型生成系统4中的PVT特性计算模型系数推定处理(PVT特性计算模型系数推定流程图)。学习和计算模型生成系统4的PVT特性计算模型推定部413从推定用数据库412读入用于推定PVT特性计算模型的对象材料(基本上是PVT特性计算模型的系数未知的材料)的推定用数据集(例如，特征量数据集和成形品品质)，对推定用数据集进行标准化处理(S105)。标准化处理可以使用在步骤S101中计算出的各列的平均值、标准偏差来进行同样的处理。
接着，学习和计算模型生成系统4的PVT特性计算模型推定部413通过回归模型读出部411从已学习回归模型存储部410读出对应的已学习回归模型(S106)，对读出的已学习回归模型的说明变量(输入参数)输入标准化处理后的推定用数据集的值，由此对于推定用数据集生成PVT特性计算模型的系数(S107)。
图14表示推定用数据集的一例。在本实施例中，因为对回归模型使用脊回归，所以针对PVT特性计算模型的各系数重复步骤S106和S107的处理，生成进行推定的对象材料的PVT特性计算模型的所有系数。通过将这样生成的系数作为PVT特性计算模型的系数，能够确定推定对象材料的PVT特性计算模型(推定PVT特性计算模型)。
接着，学习和计算模型生成系统4的PVT特性计算模型保存部414将与标准化处理有关的信息、推定用数据集以及推定PVT特性计算模型保存在PVT特性计算模型数据库415中(S108)。
这样，在本实施例中，对于推定对象的预定单位的树脂材料，无需细致地测定该树脂材料的PVT特性，能够容易且迅速地推定PVT特性计算模型。例如，能够容易地推定同一型号的批次单位的PVT特性计算模型。
图15表示在本实施例中生成的推定PVT特性计算模型的妥当性评价结果。本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PVT特性的计算模型推定系统1时不一定必须执行。以下，对本评价的方法进行说明。
在本评价中，为了确认推定出的PVT特性计算模型的妥当性，将PVT特性计算模型已知的材料批次A、B、C中的材料批次B假定为PVT特性模型未知的材料批次。具体而言，利用材料批次A、C的学习用数据集生成已学习回归模型，使用该已学习回归模型和材料批次B的推定用数据集，推定材料批次B的PVT特性计算模型，对推定出的PVT特性计算模型和已知的材料批次B的PVT特性进行比较评价。
图15是表示推定出的材料批次B的PVT特性计算模型与通过公知的方法(将温度设为从30℃到250℃，5℃的刻度、压力水准为50、100、150MPa)测定出的材料批次B的PVT特性之间的比较的图表。在图15的图表中，横轴为温度，纵轴为比容积，图中的线标绘表示通过本实施例的方法推定出的材料批次B的PVT特性计算模型，点标绘是通过公知的方法测定出的材料批次B的PVT特性(比容积的实测值)。图15的图例所示的线、点的形状与各个压力水准对应。
在图15所示的图表中，线标绘相对于点标绘的一致度越高，意味着推定出的PVT特性计算模型的妥当性越高。作为对计算模型相对于实测值的妥当性进行定量评价的代表性的指标，使用决定系数，可以说决定系数越接近1，计算模型的妥当性越高。在图15所示的图表中，当针对测定时的每个压力水准计算了决定系数时，对于任意的压力水准，测定出的PVT特性与推定PVT特性计算模型的决定系数都是0.9以上，能够确认推定出的PVT特性计算模型的妥当性高。通过本评价，能够确认通过使用了从注射成形工艺32中的基准成形条件下的成形得到的特征量数据以及成形品品质的已学习回归模型，来推定PVT特性未知的材料的PVT特性计算模型的方法是良好的方法。
实施例2
接着，说明实施例2的PVT特性计算模型推定系统。另外，对于与实施例1的PVT特性计算模型推定系统相同的结构标注相同的附图标记。实施例2的PVT特性计算模型推定系统是通过经由因特网连接的1个以上的客户端8(客户端计算机)和云服务器80来实现实施例1中的计算机10的功能的系统。客户端8包含数据发送部801和取得数据存储部802，能够与在云服务器80上构建的学习和计算模型生成系统4连接。
在云服务器80构建了学习和计算模型生成系统4。云服务器80具有如下功能：从PVT特性计算模型数据库415向客户端8提供预定的材料单位的PVT特性计算模型的功能；使用从客户端8提供的成形品品质和传感器数据，根据已学习模型存储部410中存储的已学习回归模型来推定与对象的材料单位有关的PVT特性计算模型，并向客户端8提供推定PVT特性计算模型的功能；以及使用从客户端8提供的成形品品质、传感器信息和PVT特性计算模型，对学习用数据库407的学习用数据集进行更新，通过学习用数据集来新学习回归模型，由此更新已学习回归模型的功能。
以下，使用图16和图17，说明实施例2的PVT特性计算模型推定系统的各个功能。
使用图16，说明向客户端8提供PVT特性计算模型的功能。
客户端8能够从云服务器80取得PVT特性计算模型数据库415的每个预定的材料单位的PVT特性计算模型，能够将取得的PVT特性计算模型保存在取得数据存储部802中。存储在取得数据存储部802中的PVT特性计算模型例如也可以用于注射成形CAE等。
使用图16和图13来说明以下的功能：使用从客户端8提供的成形品品质和传感器数据，根据已学习回归模型推定PVT特性计算模型，向客户端8提供推定PVT特性计算模型的功能。客户端8通过数据发送部801向云服务器80发送推定对象材料的预定单位的信息、使用对象材料在基准成形条件下成形时的成形品品质以及传感器数据。
云服务器80的学习和计算模型生成系统4将从数据发送部801发送的推定对象材料的预定单位的信息和成形品品质存储在成形品品质记录部404中，将传感器数据交给传感器信息记录部401，执行PVT特性计算模型系数推定处理(S105～S108)。此时，因为考虑注射成形机的机器差异，所以使用学习用数据库407中的与从客户端8发送的基准成形条件的金属模具与注射成形机的组合一致的学习用数据集。
将通过PVT特性计算模型系数推定处理(S105～S108)在PVT特性计算模型保存部414中记录的推定PVT特性计算模型存储在PVT特性计算模型数据库415中。客户端8能够从云服务器80取得存储在PVT特性计算模型数据库415中的与发送了信息的材料相关的推定出的PVT特性计算模型，并且存储在取得数据存储部802中。
使用图16和图12来说明以下功能：使用从客户端8提供的成形品品质、传感器数据、以及PVT特性计算模型来更新云服务器80上的学习用数据库407，通过新学习回归模型来更新已学习回归模型的功能。客户端8向云服务器80的学习和计算模型生成系统4发送任意的预定单位的材料信息、使用对象材料在基准成形条件下进行成形时的成形品品质、传感器信息以及PVT特性计算模型。
学习和计算模型生成系统4将从数据发送部801发送的预定单位的材料信息和成形品品质存储在成形品品质记录部404中，将传感器数据存储在传感器信息记录部401中，将PVT特性计算模型存储在PVT特性计算模型系数存储部405中，执行已学习回归模型构建处理(S101～S104)。
此时，云服务器80也可以在学习用数据库407中合并根据从客户端8发送的材料信息而新构建的学习用数据集，来更新学习用数据库407。此外，云服务器80针对从客户端8发送的基准成形条件的金属模具与注射成形机的每个组合构建学习用数据库407。
在已学习回归模型构建处理(S101～S104)中，回归模型保存部409可以将使用更新后的学习用数据库407生成的已学习回归模型记录在已学习模型存储部410。另外，回归模型读出部411也可以具有选择更新前后的已学习回归模型的功能。
通过上述的根据从客户端8发送的材料信息来更新已学习回归模型的功能，能够使用来自一个以上的客户端8的数据来高效地扩充回归模型的学习所需的学习用数据集，因此能够减少用于已学习回归模型的构建、更新的工时。另外，一般而言，已知在基于机器学习的回归模型的学习中，学习用数据库的样本数越多，则回归模型的精度越好，如上述那样能够扩充学习用数据集，因此能够提高已学习回归模型的精度。
此外，本发明并不限于上述的实施例，能够在不脱离本发明的主旨的范围内适当地变形来实施。
例如，在上述实施例中，以同一型号的材料的各批次为单位，将用于表示通过树脂材料的PVT特性的实测而得到的PVT特性的计算模型、与将树脂材料进行了成形时的工艺数据和成形品品质的关系的式子关联起来存储在存储装置，推定关于同一型号的材料的预定批次的PVT特性计算模型，但例如也可以将同一树脂种类的树脂材料为单位，将用于表示通过树脂材料的PVT特性的实测而得到的PVT特性的计算模型、与将树脂材料进行了成形时的工艺数据和成形品品质的关系的式子关联起来存储在存储装置，推定关于同一树脂种类的预定的树脂材料的PVT特性计算模型。
另外，在上述实施例中，也可以通过专用的硬件电路进行处理器等运算装置进行的处理的一部分或全部。另外，上述实施例中的程序可以从程序源安装。程序源可以是程序分发服务器或者存储介质(例如可移动型的存储介质)。
附图标记说明
1…PVT特性计算模型推定系统、2…制造执行系统、3…制造工厂、4…学习和计算模型生成系统、11…运算装置、12…存储器、13…存储装置、14…输入装置、15…输出装置、16…通信装置、17…介质接口部、21…制造条件决定部、22…制造执行指示部、31…制造执行部、32…注射成形工艺、33…品质检查部、34…传感器、401…传感器信息记录部、402…特征量提取部、403…特征量数据库、404…成形品品质记录部、405…PVT特性计算模型系数存储部、406…连结处理部、407…学习用数据库、408…回归模型学习部、409…回归模型保存部、410…已学习模型存储部、411…回归模型读出部、412…推定用数据库、413…PVT特性计算模型推定部、414…PVT特性计算模型保存部、415…PVT特性计算模型数据库。

Claims (10)

1.一种PVT特性计算模型推定系统，其推定作为第一树脂材料的PVT特性的计算模型的第一树脂材料计算模型，
其特征在于，
所述PVT特性计算模型推定系统包含处理器以及与所述处理器连接的存储装置，
所述处理器根据通过所述第一树脂材料进行了成形时的工艺数据和成形品品质、以及至少一个以上的预定的关系式，来推定所述第一树脂材料计算模型，
所述预定的关系式表示第二树脂材料计算模型与对所述第二树脂材料进行了成形时的工艺数据和成形品品质之间的关系，其中，所述第二树脂材料计算模型是通过实测与所述第一树脂材料为同一树脂种类的第二树脂材料的PVT特性而得到的PVT特性的计算模型，根据将所述第二树脂材料计算模型与使用所述第二树脂材料进行了成形时的工艺数据和成形品品质关联起来而蓄积在所述存储装置中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PVT特性计算模型推定系统，其特征在于，
所述第一树脂材料和所述第二树脂材料是相同型号的树脂材料。
3.根据权利要求1所述的PVT特性计算模型推定系统，其特征在于，
所述预定的关系式是将所述第二树脂材料计算模型的系数作为输出参数，将根据基准成形条件通过所述第二树脂材料进行了成形时的工艺数据和所述成形品品质作为输入参数的回归式，使用机器学习来生成。
4.根据权利要求3所述的PVT特性计算模型推定系统，其特征在于，
针对所述第二树脂材料的每个预定的单位，基于通过在各预定的单位间共同的基准成形条件进行了成形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工艺数据。
5.根据权利要求4所述的PVT特性计算模型推定系统，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。
6.根据权利要求4或5所述的PVT特性计算模型推定系统，其特征在于，
所述特征量包含压力、温度中的至少任意一个。
7.根据权利要求6所述的PVT特性计算模型推定系统，其特征在于，
所述特征量中包含所述第二树脂材料的压力和/或温度的状态信息，
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第二树脂材料的所述状态信息。
8.根据权利要求3至7中的任意一项所述的PVT特性计算模型推定系统，其特征在于，
所述成形品品质包含成形品重量、成形品尺寸中的至少任意一个。
9.根据权利要求1至8中的任意一项所述的PVT特性计算模型推定系统，其特征在于，
所述处理器在所述存储装置中保存从多个客户端计算机经由网络发送的将实测所述PVT特性而得到的所述第二树脂材料的PVT特性的计算模型与使用所述第二树脂材料进行了成形时的工艺数据和成形品品质关联起来的数据，基于所述存储装置中保存的数据来生成所述预定的关系式，并将所述关系式经由所述网络发送到所述客户端计算机。
10.一种PVT特性计算模型推定系统的PVT特性计算模型推定方法，其推定作为第一树脂材料的PVT特性的计算模型的第一树脂材料计算模型，
其特征在于，
PVT特性计算模型推定系统基于通过所述第一树脂材料进行了成形时的工艺数据和成形品品质、以及至少一个以上的预定的关系式，来推定所述第一树脂材料计算模型，
所述预定的关系式表示第二树脂材料计算模型与对所述第二树脂材料进行了成形时的工艺数据和成形品品质之间的关系，其中，所述第二树脂材料计算模型是通过实测与所述第一树脂材料为同一树脂种类的第二树脂材料的PVT特性而得到的PVT特性的计算模型，根据将所述第二树脂材料计算模型与使用所述第二树脂材料进行了成形时的工艺数据和成形品品质关联起来而蓄积在所述存储装置中的数据来生成所述预定的关系式。
CN202280034806.5A 2021-09-03 2022-06-10 Pvt特性计算模型推定系统和方法 Pending CN117642268A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2021-143980 2021-09-03
JP2021143980A JP2023037317A (ja) 2021-09-03 2021-09-03 Ｐｖｔ特性計算モデル推定システムおよび方法
PCT/JP2022/023416 WO2023032402A1 (ja) 2021-09-03 2022-06-10 Ｐｖｔ特性計算モデル推定システムおよび方法

Publications (1)

Publication Number Publication Date
CN117642268A true CN117642268A (zh) 2024-03-01

Family

ID=85411169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280034806.5A Pending CN117642268A (zh) 2021-09-03 2022-06-10 Pvt特性计算模型推定系统和方法

Country Status (3)

Country Link
JP (1) JP2023037317A (zh)
CN (1) CN117642268A (zh)
WO (1) WO2023032402A1 (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03254922A (ja) * 1990-03-05 1991-11-13 Komatsu Ltd 射出成形機の射出制御方法
JP3999049B2 (ja) * 2002-05-31 2007-10-31 株式会社デンソー 射出成形過程シミュレーション方法
JP7118941B2 (ja) * 2018-11-16 2022-08-16 東レエンジニアリング株式会社 樹脂成形解析方法、プログラムおよび記録媒体

Also Published As

Publication number Publication date
WO2023032402A1 (ja) 2023-03-09
JP2023037317A (ja) 2023-03-15

Similar Documents

Publication Publication Date Title
Hassan An experimental work on the effect of injection molding parameters on the cavity pressure and product weight
CN111745924B (zh) 注射成形系统、成形条件修正系统以及注射成形方法
JP6825055B2 (ja) 射出成形支援システム、成形条件補正システム、射出成形支援方法、成形条件補正方法およびコンピュータプログラム
Kusić et al. The impact of process parameters on test specimen deviations and their correlation with AE signals captured during the injection moulding cycle
US20230373145A1 (en) Injection molding support system and method
CN116568481A (zh) 注射成型条件生成系统以及方法
Krebelj et al. The cooling rate dependence of the specific volume in amorphous plastic injection molding
CN113733505B (zh) 注射成型系统、成型条件校正系统以及注射成型方法
CN111745925B (zh) 注塑成型解析方法及注塑成型解析系统
US10427344B1 (en) Molding system for preparing an injection molded fiber reinforced composite article
WO2022270331A1 (ja) 射出成形システム
CN117642268A (zh) Pvt特性计算模型推定系统和方法
CN114248410B (zh) 注塑成形系统和注塑成形机的设定辅助方法
WO2024111172A1 (ja) 成形品品質ばらつき推定装置、成形品品質ばらつき推定方法、及び射出成形システム
JP2024076178A (ja) 成形品品質ばらつき推定装置、成形品品質ばらつき推定方法、及び射出成形システム
Hopmann et al. Simulation of shrinkage and warpage of semi-crystalline thermoplastics
CN114397865B (zh) 一种回收料混合比例在线检测方法、装置及存储介质
WO2024111171A1 (ja) 射出成形条件生成装置、射出成形条件生成方法、及び射出成形システム
Zielonka Characterization and Optimization of Melt Temperature Homogeneity in Injection Molding
JP2024076183A (ja) 射出成形条件生成装置、射出成形条件生成方法、及び射出成形システム
JPH11156909A (ja) 多層射出成形品の融着部強度の予測方法
Nabialek et al. Model optimisation for mould filling analysis with application CAE package C-Mold
JPH11151739A (ja) 多次射出成形品を得る射出成形における流動予測方法

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