JP2020108947A - 品質予測システム及び成形機 - Google Patents
品質予測システム及び成形機 Download PDFInfo
- Publication number
- JP2020108947A JP2020108947A JP2019119336A JP2019119336A JP2020108947A JP 2020108947 A JP2020108947 A JP 2020108947A JP 2019119336 A JP2019119336 A JP 2019119336A JP 2019119336 A JP2019119336 A JP 2019119336A JP 2020108947 A JP2020108947 A JP 2020108947A
- Authority
- JP
- Japan
- Prior art keywords
- pressure
- data
- quality prediction
- prediction system
- learned model
- 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.)
- Granted
Links
- 238000000465 moulding Methods 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 claims abstract description 113
- 239000012768 molten material Substances 0.000 claims abstract description 91
- 238000010801 machine learning Methods 0.000 claims abstract description 47
- 238000003860 storage Methods 0.000 claims abstract description 43
- 239000011800 void material Substances 0.000 claims description 70
- 230000007704 transition Effects 0.000 claims description 61
- 238000011946 reduction process Methods 0.000 claims description 23
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000002950 deficient Effects 0.000 claims description 3
- 238000002347 injection Methods 0.000 description 21
- 239000007924 injection Substances 0.000 description 21
- 238000010438 heat treatment Methods 0.000 description 13
- 238000001816 cooling Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000001746 injection moulding Methods 0.000 description 7
- 238000005429 filling process Methods 0.000 description 6
- 239000011347 resin Substances 0.000 description 6
- 229920005989 resin Polymers 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000008188 pellet Substances 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 238000000071 blow moulding Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000000748 compression moulding Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000004512 die casting Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000005058 metal casting Methods 0.000 description 1
- 239000012778 molding material Substances 0.000 description 1
- 238000012014 optical coherence tomography Methods 0.000 description 1
Images
Abstract
Description
第一の品質予測システムは、成形機の型のキャビティに溶融材料を供給することにより成形品を成形する成形方法に適用される。前記品質予測システムは、前記型に配置され、前記キャビティにおいて供給された前記溶融材料から受ける圧力を検出する第一圧力センサと、少なくとも前記第一圧力センサにより検出された圧力データを訓練データセットとする機械学習により生成された学習済みモデルであって、前記圧力データと前記品質要素とに関する前記学習済みモデルを記憶する学習済みモデル記憶部と、新たに前記第一圧力センサにより検出された圧力データと前記学習済みモデルとに基づいて、新たに成形した前記成形品の前記品質要素を予測する品質予測部とを備える。
第二の品質予測システムは、成形機の型のキャビティに溶融材料を供給することにより成形品を成形する成形方法に適用され、前記型に配置され、前記キャビティにおいて供給された前記溶融材料から受ける圧力を検出する第一圧力センサと、少なくとも前記第一圧力センサにより検出された圧力データを訓練データセットとする機械学習により、前記圧力データと前記成形品の品質要素とに関する学習済みモデルを生成する学習済みモデル生成部とを備える。これにより、第一の品質予測システムと同様に、成形品の品質要素を高精度に予測することが可能となる。
成形機は、上記の第一の品質予測システムに用いられる成形機であって、前記成形機の制御装置に動作指令データを与える動作指令部と、前記品質予測部による前記品質要素の予測結果に基づき、前記動作指令データの調整を行う動作指令データ調整部とを備える。当該成形機によれば、動作指令部は、動作指令データ調整部により調整された動作指令データを制御装置に与える。よって、成形機は、成形する成形品の品質を高めることができる。
品質予測システムは、成形機の型のキャビティに溶融材料を供給することにより成形品を成形する成形方法に適用される。本例では、成形機が、樹脂又はゴム等の射出成形を行う射出成形機である場合を例に挙げて説明するが、成形機1は、射出成形機以外の成形機、例えば、ブロー成形機や圧縮成形機であってもよく、ダイキャスト等の金属鋳造を行う鋳造機であってもよい。
品質予測システム100,200は、1又は複数の成形機1と、機械学習装置110,210とを備えて構成される。機械学習装置110は、少なくとも成形機1において検出された成形時データを訓練データセットとして機械学習を行うことにより、成形時データと成形品の品質要素とに関する学習済みモデルを生成する。そして、機械学習装置110,210は、学習済みモデルと、新たな成形時データとに基づいて、新たに成形された成形品の品質要素を予測する。
図1を参照しながら、第一例の品質予測システム100の構成を説明する。図1に示すように、第一例の品質予測システム100は、複数の成形機1と、機械学習装置110とを備える。機械学習装置110は、第一サーバ111と、第二サーバ112とを備える。ただし、第一サーバ111と第二サーバ112とは、別装置として説明するが、同一装置により構成してもよい。
図2を参照しながら、第二例の品質予測システム200の構成を説明する。図2に示すように、第二例の品質予測システム200は、複数の成形機1と、機械学習装置210を備える。機械学習装置210は、第一サーバ111と、複数の品質予測装置212とを備える。ここで、第一サーバ111は、第一例の第一サーバ111と同一構成である。
上記の品質予測システム100,200は、複数の成形機1を含む構成について説明した。この他に、品質予測システムは、単体の成形機1と、機械学習装置とにより構成されるようにしてもよい。機械学習装置は、第一サーバ111に相当する機械学習の学習フェーズを実行可能であると共に、第二サーバ112又は品質予測装置212に相当する機械学習の推論フェーズを実行可能である。
(3−1:成形機1の構成)
次に、図3を参照して、成形機1の一例である射出成形機について説明する。射出成形機としての成形機1は、ベッド2と、射出装置3と、型4と、型締装置5と、動作指令部6と、制御装置7とを主に備える。
続いて、射出成形機としての成形機1による成形品の成形方法について説明する。成形機1による成形方法では、計量工程、型締工程、射出充填工程、保圧工程、冷却工程、離型取出工程が順次実行される。計量工程において、ヒータ35の加熱及びスクリュ33の回転に伴うせん断摩擦熱によってペレットが溶融されながら、溶融材料が加熱シリンダ32の先端とノズル34の間に貯留される。溶融材料の貯留量の増加に伴ってスクリュ33が後退するため、スクリュ33の後退位置から溶融材料の貯留量の計量が行われる。
ここで、図4及び図5を参照しながら、型4の詳細な構成を説明する。なお、型4は、いわゆる多数個取り金型であり、型4には複数のキャビティCが形成されているが、図面を簡素化するため、図4及び図5には、1つのキャビティCをのみ図示している。また、本実施形態において、成形機1が成形する成形品は、等速ジョイントに用いられる保持器である。従って、成形品は、環状、特に、円環状であり、キャビティCは、保持器の形状に倣った環状、特に円環状に形成される。なお、成形品及びキャビティCの形状は、環状以外の形状、例えば、C形状や矩形枠状等であってもよい。
次に、図6を参照しながら、機械学習装置110,210(図1及び図2に示す)の構成を説明する。図6に示すように、機械学習装置110,210は、学習フェーズを実行可能な学習処理装置310と、推論フェーズを実行可能な品質予測装置320とを備える。ここで、学習処理装置310は、上述した品質予測システム100,200における第一サーバ111に相当する。また、品質予測装置320は、上述した第一例の品質予測システム100における第二サーバ112に相当し、第二例の品質予測システム200における品質予測装置212に相当する。
次に、品質予測システム100,200の第一例である形状予測システム100aについて説明する。形状予測システム100aは、成形機1が成形した成形品の形状精度を予測する品質予測システムである。ここでは、形状予測システム100aが、成形品の寸法のうち、環状に成形された成形品の外周面又は内周面の真円度を予測する場合を例に挙げて説明する。
図7A及び図7Bを参照して、射出充填工程から保圧工程を介して冷却工程までにおいて、6つの第一圧力センサ44a−44fにより検出される圧力データについて説明する。図7Aには、射出充填工程から冷却工程までにおいて、所定の成形条件Xで成形した成形品の成形時における圧力推移データを示すグラフが示され、図7Bには、射出充填工程から冷却工程までにおいて、成形条件Xとは異なる成形条件Yで成形した成形品の成形時における圧力推移データを示すグラフが示されている。
次に、図8を参照しながら、形状予測システム100aの構成を説明する。図8に示すように、形状予測システム100aは、複数の成形機1(図1及び図2に示す)と、学習処理装置310aと、形状予測装置320aとを備える。
品質予測システム100,200の第二例である質量予測システム100bについて説明する。質量予測システム100bは、成形機1が成形した成形品の質量を予測する品質予測システムである。
図10を参照して、射出充填工程から保圧工程を介して冷却工程までにおいて、第一圧力センサ44a及び第二圧力センサ45により検出される圧力データについて説明する。図10には、射出充填工程から冷却工程までにおいて、所定の成形条件で成形した成形品の成形時における圧力推移データを示すグラフが示されている。T1,T2及びT3は、図7A及び図7Bと同様である。なお、以下において、保圧処理における圧力データを「保圧処理圧力データ」と定義し、保圧処理において保圧処理を開始してからの経過時間と圧力データとの関係を「保圧処理推移データ」と定義する。
次に、図11を参照しながら、質量予測システム100bの構成を説明する。図11に示すように、質量予測システム100bは、複数の成形機1(図1及び図2に示す)と、学習処理装置310bと、質量予測装置320bとを備える。学習処理装置310bは、質量データ入力部311bと、訓練データセット取得部312bと、訓練データセット記憶部313bと、学習済みモデル生成部314bとを備える。
品質予測システム100,200の第三例であるボイド体積予測システム100cについて説明する。ボイド体積予測システム100cは、成形機1が成形した成形品のボイド体積を予測する品質予測システムである。
成形品のボイド体積は、成形品の質量と相関を有することが分かった。ボイド体積と質量との相関については、図13に示すとおりである。つまり、同一の型4により成形された成形品において、質量が大きいほど、ボイド体積が小さくなる関係を有する。特に、質量が所定値以上の場合には、ボイド体積は、0に近い値となる。一方、質量が所定値以下の場合には、バラツキはあるが、質量が大きいほどボイド体積が小さくなる関係を有する。
次に、図14を参照しながら、ボイド体積予測システム100cの構成を説明する。図14に示すように、ボイド体積予測システム100cは、複数の成形機1(図1及び図2に示す)と、学習処理装置310cと、ボイド体積予測装置320cとを備える。学習処理装置310cは、ボイド体積データ入力部311cと、訓練データセット取得部312cと、訓練データセット記憶部313cと、学習済みモデル生成部314cとを備える。
また、ボイド体積予測部323cは、ボイド体積の予測値と予め設定された許容値とに基づいて、成形品の良否判定を行うこともできる。さらに、ボイド体積予測部323cは、ボイド体積の予測値に基づいて成形品の強度を判定することもできる。この場合、ボイド体積予測部323cは、成形機1による成形品の成形後であって成形機1による成形工程の次工程の実行前に、成形品の良否判定を行うとよい。
上記した第一例の品質予測システム100,200としての形状予測システム100aの成形機1において、型4には6つの第一圧力センサ44a−44fが配置される場合を例に挙げて説明したが、必ずしもこれに限られるものではない。つまり、型4には複数の第一圧力センサ44が配置されていればよく、第一圧力センサ44の数が5つ以下又は7つ以上としてもよい。
Claims (29)
- 成形機の型のキャビティに溶融材料を供給することにより成形品を成形する成形方法に適用され、
前記型に配置され、前記キャビティにおいて供給された前記溶融材料から受ける圧力を検出する第一圧力センサと、
少なくとも前記第一圧力センサにより検出された圧力データを訓練データセットとする機械学習により生成された学習済みモデルであって、前記圧力データと前記成形品の品質要素とに関する前記学習済みモデルを記憶する学習済みモデル記憶部と、
新たに前記第一圧力センサにより検出された圧力データと前記学習済みモデルとに基づいて、新たに成形した前記成形品の前記品質要素を予測する品質予測部と、
を備えた、成形品の品質予測システム。 - 前記成形方法は、所定の保圧力により所定時間の保圧処理を行った後に前記保圧力を減少させる処理を行い、
前記品質予測システムは、前記キャビティにおいて異なる複数の位置で、前記溶融材料から受ける圧力を各々検出する複数の前記第一圧力センサを備え、
前記学習済みモデル記憶部は、前記保圧力の減少処理のときに複数の前記第一圧力センサにより検出された複数の前記圧力データと前記成形品の形状とを前記訓練データセットとする機械学習により生成された前記学習済みモデルであって、前記保圧力の減少処理のときに複数の前記第一圧力センサの各々により検出された複数の前記圧力データと前記成形品の形状とに関する前記学習済みモデルを記憶し、
前記品質予測部は、前記保圧力の減少処理のときに新たに複数の前記第一圧力センサの各々により検出された複数の圧力データと前記学習済みモデルとに基づいて、新たに成形した前記成形品の形状精度を予測する、請求項1に記載の品質予測システム。 - 複数の前記第一圧力センサは、前記キャビティ内において前記型のゲートから前記溶融材料が流入する流入経路において、前記ゲートからの距離が異なる複数の位置に配置される、請求項2に記載の品質予測システム。
- 複数の前記第一圧力センサは、前記流入経路における前記ゲート寄りの位置と、前記流入経路において前記ゲートからの最遠位置寄りの位置との2箇所に少なくとも配置される、請求項3に記載の品質予測システム。
- 前記成形品及び前記キャビティは、環状であり、
前記型は、1箇所の前記ゲートを有し、
前記流入経路は、前記ゲートから前記キャビティの環状の周方向に流動する経路である、請求項3又は4に記載の品質予測システム。 - 前記品質予測部は、前記品質要素として、前記成形品の前記環状における外周面又は内周面の真円度を予測する、請求項5に記載の品質予測システム。
- 前記訓練データセットは、各々の前記第一圧力センサ間での前記圧力データのバラツキを示す値を含む、請求項2−6の何れか一項に記載の品質予測システム。
- 前記訓練データセットは、前記保圧力を減少開始してからの経過時間と前記圧力データとの関係を減少処理推移データと定義した場合に、前記減少処理推移データを時間積分した積分値を含む、請求項2−7の何れか一項に記載の品質予測システム。
- 前記訓練データセットは、前記保圧力を減少開始してからの経過時間と前記圧力データとの関係を減少処理推移データと定義した場合に、前記減少処理推移データを時間微分した微分値を含む、請求項2−8の何れか一項に記載の品質予測システム。
- 前記訓練データセットは、前記保圧力を減少開始してから前記第一圧力センサにより検出された前記圧力データが所定値以下となるまでに要した時間を保圧減少時間と定義した場合に、各々の前記第一圧力センサ間での前記保圧減少時間の差を含む、請求項2−9の何れか一項に記載の品質予測システム。
- 前記成形方法は、所定の保圧力により所定時間の保圧処理を行った後に前記保圧力を減少させる処理を行い、
前記学習済みモデル記憶部は、前記保圧処理のときに前記第一圧力センサにより検出された前記圧力データと前記成形品の質量とを前記訓練データセットとする機械学習により生成された前記学習済みモデルであって、前記保圧処理のときに前記第一圧力センサにより検出された前記圧力データと前記成形品の質量とに関する前記学習済みモデルを記憶し、
前記品質予測部は、前記保圧処理のときに新たに前記第一圧力センサにより検出された前記圧力データと前記学習済みモデルとに基づいて、新たに成形した前記成形品の質量を予測する、請求項1に記載の品質予測システム。 - 前記第一圧力センサは、前記キャビティ内において前記型のゲートから前記溶融材料が流入する流入経路において、前記ゲートよりも前記ゲートから最遠位置寄りの位置に配置される、請求項11に記載の品質予測システム。
- 前記訓練データセットは、前記保圧処理の時間と前記第一圧力センサにより検出された前記圧力データとの関係を保圧処理推移データと定義した場合に、前記保圧処理推移データを時間積分した積分値を含む、請求項11又は12に記載の品質予測システム。
- 前記訓練データセットは、前記保圧処理のときに前記第一圧力センサにより検出された前記圧力データの最大値及び平均値の少なくとも一つを含む、請求項12に記載の品質予測システム。
- 前記品質予測システムは、さらに、前記型のランナーに配置される第二圧力センサを備え、
前記学習済みモデル記憶部は、前記保圧処理のときに前記第一圧力センサにより検出された前記圧力データ、前記保圧処理のときに前記第二圧力センサにより検出された前記圧力データ、及び、前記成形品の質量に関する前記学習済みモデルを記憶し、
前記品質予測部は、前記保圧処理のときに新たに前記第一圧力センサにより検出された前記圧力データ、前記保圧処理のときに新たに前記第二圧力センサにより検出された前記圧力データ、及び、前記学習済みモデルに基づいて、新たに成形した前記成形品の質量を予測する、請求項11−14の何れか一項に記載の品質予測システム。 - 前記成形方法は、所定の保圧力により所定時間の保圧処理を行った後に前記保圧力を減少させる処理を行い、
前記学習済みモデル記憶部は、前記保圧処理のときに前記第一圧力センサにより検出された前記圧力データと前記成形品のボイド体積とを前記訓練データセットとする機械学習により生成された前記学習済みモデルであって、前記保圧処理のときに前記第一圧力センサにより検出された前記圧力データと前記成形品のボイド体積とに関する前記学習済みモデルを記憶し、
前記品質予測部は、前記保圧処理のときに新たに前記第一圧力センサにより検出された前記圧力データと前記学習済みモデルとに基づいて、新たに成形した前記成形品のボイド体積を予測する、請求項1に記載の品質予測システム。 - 前記第一圧力センサは、前記キャビティ内において前記型のゲートから前記溶融材料が流入する流入経路において、前記ゲートよりも前記ゲートから最遠位置寄りの位置に配置される、請求項16に記載の品質予測システム。
- 前記訓練データセットは、前記保圧処理の時間と前記第一圧力センサにより検出された前記圧力データとの関係を保圧処理推移データと定義した場合に、前記保圧処理推移データを時間積分した積分値を含む、請求項16又は17に記載の品質予測システム。
- 前記訓練データセットは、前記保圧処理のときに前記第一圧力センサにより検出された前記圧力データの最大値及び平均値の少なくとも一つを含む、請求項17に記載の品質予測システム。
- 前記品質予測システムは、さらに、前記型のランナーに配置される第二圧力センサを備え、
前記学習済みモデル記憶部は、前記保圧処理のときに前記第一圧力センサにより検出された前記圧力データ、前記保圧処理のときに前記第二圧力センサにより検出された前記圧力データ、及び、前記成形品のボイド体積に関する前記学習済みモデルを記憶し、
前記品質予測部は、前記保圧処理のときに新たに前記第一圧力センサにより検出された前記圧力データ、前記保圧処理のときに新たに前記第二圧力センサにより検出された前記圧力データ、及び、前記学習済みモデルに基づいて、新たに成形した前記成形品のボイド体積を予測する、請求項16−19の何れか一項に記載の品質予測システム。 - 前記品質予測システムは、さらに、前記型に配置され、前記キャビティにおける前記溶融材料の温度を検出する温度センサを備え、
前記学習済みモデル記憶部は、前記保圧処理のときに前記第一圧力センサにより検出された前記圧力データ、前記保圧処理のときに前記温度センサにより検出された温度データ、及び、前記成形品のボイド体積に関する前記学習済みモデルを記憶し、
前記品質予測部は、前記保圧処理のときに新たに前記第一圧力センサにより検出された前記圧力データ、前記保圧処理のときに新たに前記温度センサにより検出された前記温度データ、及び、前記学習済みモデルに基づいて、新たに成形した前記成形品のボイド体積を予測する、請求項16−20の何れか一項に記載の品質予測システム。 - 前記品質予測部は、前記ボイド体積の予測値に基づいて前記成形品の強度を判定する、請求項16−21の何れか一項に記載の品質予測システム。
- 前記品質予測部は、前記品質要素の予測値と許容値とに基づいて前記成形品の良否判定を行う、請求項1−22の何れか一項に記載の品質予測システム。
- 前記品質予測部は、前記成形品の成形後であって次工程の実行前に、前記成形品の良否判定を行う、請求項23に記載の品質予測システム。
- 前記品質予測システムは、前記成形品の良否判定において不良と判定された前記成形品の廃棄処理又は選別処理を実行する、請求項23又は24に記載の品質予測システム。
- 前記品質予測システムは、さらに、
少なくとも前記第一圧力センサにより検出された圧力データを前記訓練データセットとする機械学習により前記学習済みモデルを生成し、生成した前記学習済みモデルを前記学習済みモデル記憶部に記憶する学習済みモデル生成部を備える、請求項1−25の何れか一項に記載の品質予測システム。 - 前記品質予測システムは、さらに、
複数の前記成形機と通信可能に設けられたサーバと、
複数の前記成形機のそれぞれに対応するように設けられた複数の品質予測装置と、
を備え、
前記サーバは、
複数の前記成形機から前記圧力データを取得すると共に、複数の前記成形機により成形された前記成形品の前記品質要素を取得する訓練データセット取得部と、
前記訓練データセット取得部により取得された前記圧力データと前記成形品の前記品質要素とに基づき、前記学習済みモデルを生成する前記学習済みモデル生成部と、
を備え、
前記品質予測装置は、
対応する前記成形機から少なくとも前記圧力データを取得する成形時データ取得部と、
前記学習済みモデル記憶部と、
前記品質予測部と、
を備える、請求項26に記載の品質予測システム。 - 成形機の型のキャビティに溶融材料を供給することにより成形品を成形する成形方法に適用され、
前記型に配置され、前記キャビティにおいて供給された前記溶融材料から受ける圧力を検出する第一圧力センサと、
少なくとも前記第一圧力センサにより検出された圧力データを訓練データセットとする機械学習により、前記圧力データと前記成形品の品質要素とに関する学習済みモデルを生成する学習済みモデル生成部と、
を備えた、成形品の品質予測システム。 - 請求項1−27の何れか一項に記載の品質予測システムに用いられる前記成形機であって、
前記成形機の制御装置に動作指令データを与える動作指令部と、
前記品質予測部による前記品質要素の予測結果に基づき、前記動作指令データの調整を行う動作指令データ調整部と、
を備えた、成形機。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/724,770 US20200206998A1 (en) | 2018-12-28 | 2019-12-23 | Quality prediction system and molding machine |
CN201911346313.1A CN111497163B (zh) | 2018-12-28 | 2019-12-24 | 品质预测系统以及成型机 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018247358 | 2018-12-28 | ||
JP2018247358 | 2018-12-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020108947A true JP2020108947A (ja) | 2020-07-16 |
JP7342450B2 JP7342450B2 (ja) | 2023-09-12 |
Family
ID=71569836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019119336A Active JP7342450B2 (ja) | 2018-12-28 | 2019-06-27 | 品質予測システム及び成形機 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7342450B2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021065158A1 (ja) * | 2019-10-02 | 2021-04-08 | ミネベアミツミ株式会社 | 圧力検出装置および良否判断方法 |
JP2021054026A (ja) * | 2019-10-02 | 2021-04-08 | ミネベアミツミ株式会社 | 圧力検出装置および良否判断方法 |
KR20220063341A (ko) * | 2020-11-10 | 2022-05-17 | 경기대학교 산학협력단 | 인공 지능 기반의 연속 공정 제어 장치, 이를 이용한 품질 예측 및 수율 개선 방법 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6038716U (ja) * | 1983-08-26 | 1985-03-18 | 株式会社日立製作所 | 熱硬化性樹脂成形装置 |
JPH05309711A (ja) * | 1992-04-03 | 1993-11-22 | Sony Corp | 成形制御方法および装置 |
JP2001018271A (ja) * | 1999-07-06 | 2001-01-23 | Nissei Plastics Ind Co | 射出成形方法及び射出成形機 |
JP2002331545A (ja) * | 2001-05-10 | 2002-11-19 | Meiki Co Ltd | インサート成形方法及びインサート成形用金型装置 |
JP2004009305A (ja) * | 2002-06-03 | 2004-01-15 | Mitsubishi Heavy Ind Ltd | ユーザ支援システム、ユーザ支援装置、及び、射出成形機 |
JP2006281662A (ja) * | 2005-04-01 | 2006-10-19 | Nissei Plastics Ind Co | 射出成形機の制御装置 |
JP2009286052A (ja) * | 2008-05-30 | 2009-12-10 | Masayuki Umetsu | 成形型 |
JP2010042540A (ja) * | 2008-08-11 | 2010-02-25 | Polyplastics Co | 金型、成形品評価方法、及び成形条件決定方法 |
-
2019
- 2019-06-27 JP JP2019119336A patent/JP7342450B2/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6038716U (ja) * | 1983-08-26 | 1985-03-18 | 株式会社日立製作所 | 熱硬化性樹脂成形装置 |
JPH05309711A (ja) * | 1992-04-03 | 1993-11-22 | Sony Corp | 成形制御方法および装置 |
JP2001018271A (ja) * | 1999-07-06 | 2001-01-23 | Nissei Plastics Ind Co | 射出成形方法及び射出成形機 |
JP2002331545A (ja) * | 2001-05-10 | 2002-11-19 | Meiki Co Ltd | インサート成形方法及びインサート成形用金型装置 |
JP2004009305A (ja) * | 2002-06-03 | 2004-01-15 | Mitsubishi Heavy Ind Ltd | ユーザ支援システム、ユーザ支援装置、及び、射出成形機 |
JP2006281662A (ja) * | 2005-04-01 | 2006-10-19 | Nissei Plastics Ind Co | 射出成形機の制御装置 |
JP2009286052A (ja) * | 2008-05-30 | 2009-12-10 | Masayuki Umetsu | 成形型 |
JP2010042540A (ja) * | 2008-08-11 | 2010-02-25 | Polyplastics Co | 金型、成形品評価方法、及び成形条件決定方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021065158A1 (ja) * | 2019-10-02 | 2021-04-08 | ミネベアミツミ株式会社 | 圧力検出装置および良否判断方法 |
JP2021054026A (ja) * | 2019-10-02 | 2021-04-08 | ミネベアミツミ株式会社 | 圧力検出装置および良否判断方法 |
WO2021065159A1 (ja) * | 2019-10-02 | 2021-04-08 | ミネベアミツミ株式会社 | 圧力検出装置および良否判断方法 |
JP2021054025A (ja) * | 2019-10-02 | 2021-04-08 | ミネベアミツミ株式会社 | 圧力検出装置および良否判断方法 |
JP7349868B2 (ja) | 2019-10-02 | 2023-09-25 | ミネベアミツミ株式会社 | 圧力検出装置および良否判断方法 |
JP7349869B2 (ja) | 2019-10-02 | 2023-09-25 | ミネベアミツミ株式会社 | 圧力検出装置および良否判断方法 |
KR20220063341A (ko) * | 2020-11-10 | 2022-05-17 | 경기대학교 산학협력단 | 인공 지능 기반의 연속 공정 제어 장치, 이를 이용한 품질 예측 및 수율 개선 방법 |
KR102470836B1 (ko) * | 2020-11-10 | 2022-11-25 | 경기대학교 산학협력단 | 인공 지능 기반의 연속 공정 제어 장치, 이를 이용한 품질 예측 및 수율 개선 방법 |
Also Published As
Publication number | Publication date |
---|---|
JP7342450B2 (ja) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7047073B2 (ja) | 射出成形機のpid制御を自動チューニングするためのシステムおよび方法 | |
JP7205225B2 (ja) | 成形条件決定支援装置および射出成形機 | |
JP2020108947A (ja) | 品質予測システム及び成形機 | |
US7037452B1 (en) | Automated molding technology for thermoplastic injection molding | |
KR101645378B1 (ko) | 사출 성형기의 공정 능력 있는 기본 설정을 반자동 생성하기 위한 설정 방법 | |
JP2018529557A (ja) | 射出成形プロセスにおいて射出成形可能な材料の実体積を求めるための方法 | |
CN111497163B (zh) | 品质预测系统以及成型机 | |
JP2021528285A (ja) | 射出成形機を制御するためのシステムおよびアプローチ | |
US20200206998A1 (en) | Quality prediction system and molding machine | |
US11745403B2 (en) | Injection molding system, molding condition correction system, and injection molding method | |
US11537945B2 (en) | Machine learning device and machine learning method | |
JP7293962B2 (ja) | 成形品の品質異常予測システム | |
JP7283138B2 (ja) | 成形品の品質予測システム及び成形機 | |
JP2020049703A (ja) | 射出成形機、射出成形システムおよび射出制御方法 | |
US20200094461A1 (en) | Device for assisting molding condition determination and injection molding apparatus | |
TW201902661A (zh) | 射出成型機之控制方法 | |
JP2021527584A (ja) | 射出成形機を制御するためのシステムおよびアプローチ | |
WO2023085283A1 (ja) | 情報処理装置、情報処理システム及びプログラム | |
JP3161579B2 (ja) | 射出圧縮成形の制御方法 | |
JP2021535852A (ja) | 射出成形機を制御するためのシステムおよびアプローチ | |
JP6173985B2 (ja) | ヒートアンドクール成形方法を実施するトグル式射出成形機の型締力調整方法 | |
US20210379807A1 (en) | Molding conditions determination assist device and resin state estimation device | |
JP3282435B2 (ja) | 射出プレス成形方法および射出プレス成形装置 | |
JP7411786B2 (ja) | 人工知能基盤の射出成形システムおよび射出成形システムでの成形条件生成方法 | |
JP2008238687A (ja) | 金型装置と射出成形方法、及び光学素子 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20210301 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220519 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230220 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230307 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230419 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230530 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230714 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230801 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230814 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7342450 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |