JP2021066084A - 学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機及び成形装置システム - Google Patents

学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機及び成形装置システム Download PDF

Info

Publication number
JP2021066084A
JP2021066084A JP2019192840A JP2019192840A JP2021066084A JP 2021066084 A JP2021066084 A JP 2021066084A JP 2019192840 A JP2019192840 A JP 2019192840A JP 2019192840 A JP2019192840 A JP 2019192840A JP 2021066084 A JP2021066084 A JP 2021066084A
Authority
JP
Japan
Prior art keywords
set value
learning model
degree
molding machine
defect
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
Application number
JP2019192840A
Other languages
English (en)
Other versions
JP7344754B2 (ja
Inventor
峻之 平野
Toshiyuki Hirano
峻之 平野
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.)
Japan Steel Works Ltd
Original Assignee
Japan Steel Works 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 Japan Steel Works Ltd filed Critical Japan Steel Works Ltd
Priority to JP2019192840A priority Critical patent/JP7344754B2/ja
Priority to CN202080073194.1A priority patent/CN114829102A/zh
Priority to PCT/JP2020/038176 priority patent/WO2021079751A1/ja
Priority to US17/770,419 priority patent/US20220402183A1/en
Priority to TW109135887A priority patent/TW202126462A/zh
Publication of JP2021066084A publication Critical patent/JP2021066084A/ja
Application granted granted Critical
Publication of JP7344754B2 publication Critical patent/JP7344754B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • B29C45/768—Detecting defective moulding conditions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D17/00—Pressure die casting or injection die casting, i.e. casting in which the metal is forced into a mould under high pressure
    • B22D17/20—Accessories: Details
    • B22D17/32—Controlling equipment
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76003—Measured parameter
    • B29C2945/76163—Errors, malfunctioning
    • 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
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76929—Controlling method
    • B29C2945/76939—Using stored or historical data sets
    • B29C2945/76949—Using stored or historical data sets using a learning system, i.e. the system accumulates experience from previous occurrences, e.g. adaptive control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32193—Ann, neural base quality management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45244—Injection molding

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mechanical Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

【課題】成形機の設定値を決定するための学習モデルを生成することができ、しかも学習モデルの学習に必要な訓練データを削減することができる学習モデル生成方法を提供する。【解決手段】成形機に係る設定値と、成形に係る物理量を計測して得られる計測値と、成形機が生成する成形品の良否度合いとを含む第１訓練データを収集し、収集した第１訓練データに基づく機械学習にて、設定値及び計測値が入力された場合、成形品の良否度合いを出力する第１学習モデルを生成し、成形品の不良タイプ別の不良度合いと、計測値と、不良度合いを低減させることが可能な設定値とを含む第２訓練データを収集し、収集した第２訓練データ及び第１学習モデルから出力される良否度合いに基づく機械学習にて、不良度合い及び計測値が入力された場合、不良度合いを低減させることが可能な設定値を出力する第２学習モデルを生成する。【選択図】図５

Description

本発明は、学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機及び成形装置システムに関する。
特許文献１には、消費電力が小さい最適な操作条件を強化学習器によって決定し、操作条件を調整する射出成形システム及び機械学習器が開示されている。
特許文献２には、機械学習により射出成形機の異常を診断する異常診断装置が開示されている。
特許第６３４６１２８号公報 特許第６２９４２６８号公報
しかしながら、特許文献１に係る射出成形システムは、成形機に係る設定値を強化学習によって決定するシステムであり、膨大な訓練データないし訓練作業が必要であるという問題があった。成形過程の正確なシミュレーションは極めて困難であり、実機を用いた成形制御、成形結果の確認作業が必要である。たとえ成形制御及び成形結果の確認作業を自動化できたとしても、膨大な樹脂材料が必要であり、学習過程で多量の不良品が発生し得ることには変わりがなく、現実的には強化学習を完了させることは困難である。
特許文献２の装置は、射出成形の異常診断を行うことができるが、成形機の最適な設定値を決定することはできない。
本発明の目的は、成形機の設定値を決定するための学習モデルを生成することができ、しかも学習モデルの学習に必要な訓練データを削減することができる学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機及び成形装置システムを提供することにある。
本発明に係る学習モデル生成方法は、成形機に係る設定値を決定するための学習モデルを生成する学習モデル生成方法であって、前記成形機に係る前記設定値と、前記成形機による成形が実行されたときに該成形に係る物理量を計測して得られる計測値と、前記設定値が設定され、かつ前記計測値が得られる状態において前記成形機が生成する成形品の良否度合いとを含む第１訓練データを収集し、収集した第１訓練データに基づく機械学習にて、前記設定値及び前記計測値が入力された場合、前記成形機が生成する成形品の良否度合いを出力する第１学習モデルを生成し、成形品の不良タイプ別の不良度合いと、前記計測値と、前記不良度合い及び前記計測値が得られる状態において少なくとも前記不良度合いを低減させることが可能な前記設定値又は該設定値の変更量とを含む第２訓練データを収集し、収集した第２訓練データ及び前記第１学習モデルから出力される良否度合いに基づく機械学習にて、前記不良度合い及び前記計測値が入力された場合、少なくとも前記不良度合いを低減させることが可能な前記設定値又は該設定値の変更量を出力する第２学習モデルを生成する。
本発明に係るコンピュータプログラムは、コンピュータに、成形機に係る設定値を決定するための学習モデルを生成させるためのコンピュータプログラムであって、前記コンピュータに、前記成形機に係る前記設定値と、前記成形機による成形が実行されたときに該成形に係る物理量を計測して得られる計測値と、前記設定値が設定され、かつ前記計測値が得られる状態において前記成形機が生成する成形品の良否度合いとを含む第１訓練データを収集し、収集した第１訓練データに基づく機械学習にて、前記設定値及び前記計測値が入力された場合、前記成形機が生成する成形品の良否度合いを出力する第１学習モデルを生成し、成形品の不良タイプ別の不良度合いと、前記計測値と、前記不良度合い及び前記計測値が得られる状態において少なくとも前記不良度合いを低減させることが可能な前記設定値又は該設定値の変更量とを含む第２訓練データを収集し、収集した第２訓練データ及び前記第１学習モデルから出力される良否度合いに基づく機械学習にて、前記不良度合い及び前記計測値が入力された場合、少なくとも前記不良度合いを低減させることが可能な前記設定値又は該設定値の変更量を出力する第２学習モデルを生成する処理を実行させる。
本発明に係る設定値決定装置は、成形機に係る設定値を決定するための学習モデルを生成し、生成された学習モデルに基づいて前記設定値を決定する設定値決定装置であって、前記成形機に係る前記設定値と、前記成形機による成形が実行されたときに該成形に係る物理量を計測して得られる計測値と、前記設定値が設定され、かつ前記計測値が得られる状態において前記成形機が生成する成形品の良否度合いとを含む第１訓練データを収集する第１収集処理部と、該第１収集処理部が収集した第１訓練データに基づく機械学習にて、前記設定値及び前記計測値が入力された場合、前記成形機が生成する成形品の良否度合いを出力する第１学習モデルを生成する第１学習処理部と、成形品の不良タイプ別の不良度合いと、前記計測値と、前記不良度合い及び前記計測値が得られる状態において少なくとも前記不良度合いを低減させることが可能な前記設定値又は該設定値の変更量とを含む第２訓練データを収集する第２収集処理部と、該第２収集処理部が収集した第２訓練データ及び前記第１学習モデルから出力される良否度合いに基づく機械学習にて、前記不良度合い及び前記計測値が入力された場合、少なくとも前記不良度合いを低減させることが可能な前記設定値又は該設定値の変更量を出力する第２学習モデルを生成する第２学習処理部とを備える。
本発明に係る成形機は、成形機が生産する成形品の不良タイプ別の不良度合いを取得する第１取得部と、前記成形機による成形が実行されたときに前記成形に係る物理量を計測して得られる計測値を取得する第２取得部と、前記第１取得部が取得した前記不良度合い及び前記第２取得部が取得した前記計測値が入力された場合、前記不良度合い及び前記計測値が得られる状態において少なくとも前記不良度合いを低減させることが可能な前記成形機に係る設定値が出力される学習モデルとを備え、前記第１取得部が取得した前記不良度合いと、前記第２取得部が取得した前記計測値とを前記学習モデルに入力することによって、前記設定値を出力させ、出力された該設定値に基づいて動作する。
本発明に係る成形装置システムは、上記設定値決定装置と、成形機とを備える。
上記によれば、成形機の設定値を決定するための学習モデルを生成することができ、しかも学習モデルの学習に必要な訓練データを削減することができる。
実施形態１に係る成形装置システムの構成例を示すブロック図である。 実施形態１に係る学習モデル生成方法を示すフローチャートである。 第１学習モデルの生成方法を示す模式図である。 第２学習モデルの生成方法を示すフローチャートである。 第２学習モデルの生成方法を示す模式図である。 実施形態２に係る成形機を示すブロック図である。 設定値決定方法を示すフローチャートである。 実施形態３に係る成形装置システムを示すブロック図である。 変形例に係る成形装置システムを示すブロック図である。
以下、本発明の実施形態に係る学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機及び成形装置システムの具体例を、以下に図面を参照しつつ説明する。以下に記載する実施形態の少なくとも一部を任意に組み合わせてもよい。なお、本発明はこれらの例示に限定されるものではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。
（実施形態１）
図１は、実施形態１に係る成形装置システムの構成例を示すブロック図である。実施形態１に係る成形装置システムは、設定値決定装置１及び成形機２を備える。
成形機２は、例えば射出成形機、中空成形機、フィルム成形機、押出機、二軸スクリュ押出機、紡糸押出機、造粒機、マグネシウム射出成形機等である。以下、本実施形態１では成形機２は、射出成形機であるものとして説明する。射出成形機は、射出装置と、当該射出装置の前方に配置される型締装置とを備える。射出装置は、加熱シリンダと、当該加熱シリンダ内で回転方向と軸方向とに駆動可能に設けられているスクリュと、当該スクリュを回転方向に駆動する回転モータと、スクリュを軸方向に駆動するモータ等から構成されている。型締装置は、金型を開閉させ、射出装置から射出された溶融樹脂が金型に充填される際、金型が開かないように金型を締め付けるトグル機構と、当該トグル機構を駆動するモータとを備える。
成形機２には、金型内樹脂温度、ノズル温度、シリンダ温度、ホッパ温度、型締力、射出速度、射出加速度、射出ピーク圧力、射出ストローク、シリンダ先端樹脂圧、逆防リング着座状態、保圧切替圧力、保圧切替速度、保圧切替位置、保圧完了位置、クッション位置、計量背圧、計量トルク、計量完了位置、スクリュ後退速度、サイクル時間、型閉時間、射出時間、保圧時間、計量時間、型開時間等の成形条件を定める設定値が設定され、当該設定値に従って動作する。最適な設定値は成形品によって異なる。
設定値調整装置は、コンピュータであり、演算部１１、記憶部１２、入力インタフェース１３及び出力インタフェース１４を備える。演算部１１は、ＣＰＵ（Central Processing Unit）、マルチコアＣＰＵ、ＧＰＵ（Graphics Processing Unit）、ＧＰＧＰＵ（General-purpose computing on graphics processing units）、ＴＰＵ（Tensor Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＮＰＵ（Neural Processing Unit）等の演算回路、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等の内部記憶装置、Ｉ／Ｏ端子等を有する。演算部１１は、後述の記憶部１２が記憶するコンピュータプログラム１２ａを実行することにより、本実施形態に係る設定値決定装置１として機能する。なお、設定値決定装置１の各機能部は、ソフトウェア的に実現しても良いし、一部又は全部をハードウェア的に実現しても良い。
記憶部１２、入力インタフェース１３及び出力インタフェース１４は演算部１１に接続されている。
なお、設定値決定装置１は、図示しないネットワークに接続されたサーバ装置であっても良い。
記憶部１２は、ハードディスク、ＥＥＰＲＯＭ（Electrically Erasable Programmable ROM）、フラッシュメモリ等の不揮発性メモリである。記憶部１２は、本実施形態１に係る学習モデル生成方法をコンピュータに実施させるためのコンピュータプログラム１２ａを記憶している。学習モデル生成方法は、成形品の良品度合いが向上するように成形機２に係る設計値を決定する方法である。また、記憶部１２は、後述のモデル生成方法にて生成された第１学習モデル１２ｂ及び第２学習モデル１２ｃを記憶する。
本実施形態に係るコンピュータプログラム１２ａは、記録媒体３にコンピュータ読み取り可能に記録されている態様でも良い。記憶部１２は、図示しない読出装置によって記録媒体３から読み出されたコンピュータプログラム１２ａを記憶する。記録媒体３はフラッシュメモリ等の半導体メモリである。また、記録媒体３はＣＤ（Compact Disc）−ＲＯＭ、ＤＶＤ（Digital Versatile Disc）−ＲＯＭ、ＢＤ（Blu-ray(登録商標)Disc）等の光ディスクでも良い。更に、記録媒体３は、フレキシブルディスク、ハードディスク等の磁気ディスク、磁気光ディスク等であっても良い。更にまた、図示しない通信網に接続されている図示しない外部サーバから本実施形態に係るコンピュータプログラム１２ａをダウンロードし、記憶部１２に記憶させても良い。
演算部１１は、ＣＰＵ（Central Processing Unit）、マルチコアＣＰＵ、ＧＰＵ（Graphics Processing Unit）、ＧＰＧＰＵ（General-purpose computing on graphics processing units）、ＴＰＵ（Tensor Processing Unit）等のプロセッサ、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等の内部記憶装置、Ｉ／Ｏ端子等を有し、当該Ｉ／Ｏ端子には記憶部１２、入力インタフェース１３及び出力インタフェース１４が接続されている。演算部１１は、記憶部１２が記憶するコンピュータプログラム１２ａを実行することにより、成形機２に係る設定値を決定するための第１学習モデル１２ｂ及び第２学習モデル１２ｃを生成する。第１及び第２学習モデル１２ｂ、１２ｃの生成方法の詳細は後述する。
入力インタフェース１３には、設定部１ａ、不良度合入力部１ｂ及び計測部１ｃが接続されている。
設定部１ａは、成形機２の成形条件を定める設定値を手入力するためのインタフェースである。設定部１ａは、例えば、ボタン、タッチパネル等を有する操作パネルである。設定部１ａは入力された設定値のデータを入力インタフェース１３へ出力する。
不良度合入力部１ｂは、成形機２によって成形された成形品の不良タイプ別に不良度合いを入力するためのインタフェースである。不良タイプには、例えばヒケ、バリ、ボイド、等の種類がある。不良度合いは、不良の程度、不良の発生率等である。不良度合入力部１ｂは、例えば、ボタン、タッチパネル等を有する操作パネルであり、手入力で不良度合いを受け付ける。不良度合入力部１ｂは入力された不良タイプ別の不良度合いのデータを入力インタフェース１３へ出力する。また、不良度合入力部１ｂは、例えば成形品を撮像するカメラと、該カメラで撮像された画像を解析することによって不良タイプ別の不良度合いを算出する画像解析プロセッサとを備える構成であっても良い。当該不良度合入力部１ｂは、画像解析によって得られた不良タイプ別不良度合いのデータを入力インタフェース１３へ出力する。
計測部１ｃは、成形機２による成形が実行されたときに該成形に係る物理量を計測する装置である。計測部１ｃは、計測処理によって得られた物理量データを設定値決定装置１へ出力する。物理量には、温度、位置、速度、加速度、電流、電圧、圧力、時間、画像データ、トルク、力、歪、消費電力等がある。
計測部１ｃによって計測される情報は、例えば成形品情報、成形条件（計測値）、周辺機器設定値（計測値）、雰囲気情報等を含む。当該周辺機器は、成形機２と連動するシステムを構成する機器であり、型締装置ないし金型を含む。周辺機器は、例えば、成形品取出装置（ロボット）、インサート品挿入装置、入子挿入装置、インモールド成形の箔送り装置、フープ成形用フープ送り装置、ガスアシスト成形用ガス注入装置、超臨界流体を用いた発泡成形用のガス注入装置や長繊維注入装置、ＬＩＭ成形用材混合装置、成形品のバリ取り装置、ランナ切断装置、成形品重量計、成形品強度試験機、成形品の光学検査装置、成形品撮影装置及び画像処理装置、成形品運搬用ロボット等である。
成形品情報は、例えば成形品を撮像して得たカメラ画像、レーザ変位センサにて得た成形品の変形量、光学的計測器にて得られた成形品の色度、輝度等の光学的計測値、重量計にて計測された成形品の重量、強度計測器にて計測された成形品の強度等の情報を含む。成形品情報は、成形品が正常であるか否か、不良タイプ、不良の程度を表現している。
成形条件は、温度計、圧力計、速度測定器、加速度測定器、位置センサ、タイマ、重量計等を用いて計測して得た、金型内樹脂温度、ノズル温度、シリンダ温度、ホッパ温度、型締力、射出速度、射出加速度、射出ピーク圧力、射出ストローク、シリンダ先端樹脂圧、逆防リング着座状態、保圧切替圧力、保圧切替速度、保圧切替位置、保圧完了位置、クッション位置、計量背圧、計量トルク、計量完了位置、スクリュ後退速度、サイクル時間、型閉時間、射出時間、保圧時間、計量時間、型開時間等の情報を含む。
周辺機器設定値は、温度計、計量器等を用いて計測して得た、固定値設定された金型温度、変動値設定された金型温度、ペレット供給量等の情報を含む。
雰囲気情報は、温度計、湿度計、流量計等を用いて得た雰囲気温度、雰囲気湿度、対流に関する情報（レイノルズ数等）等の情報をふくむ。
計測部１ｃは、その他、金型開き量、バックフロー量、タイバー変形量、ヒータ加熱率を計測しても良い。
計測部１ｃは、計測処理によって得られた計測値のデータを入力インタフェース１３へ出力する。
出力インタフェース１４には成形機２が接続されている。出力インタフェース１４は、演算部１１による演算処理で算出された設定値のデータを成形機２へ出力する。設定値は、射出速度、射出ストローク、シリンダ温度、型締力、保圧時間等の成形条件を定める値である。
図２は、実施形態１に係る学習モデル生成方法を示すフローチャートである。設定値決定装置１の演算部１１は、成形機２に係る設定値を決定するための学習モデルを生成する学習モデル生成方法を実行する。
演算部１１は、成形品の良否を判定ないし分類することができる第１学習モデル１２ｂを学習させるための第１訓練データを収集する（ステップＳ１１）。
第１訓練データは、成形機２に係る設定値と、成形機２による成形が実行されたときに該成形に係る物理量を計測して得られる計測値と、設定値が設定され、かつ計測値が得られる状態において成形機２が生成する成形品の良否度合いとを含む。
成形品の良否度合いは、良品及び不良品を（１，０）等の２値で示すデータであっても良いし、成形品の品質の程度を数値で示すデータであっても良い。成形品の良否度合いは、不良度合入力部１ｂから出力される不良度合いに基づいて算出したものであっても良い。
なお、第１訓練データは、一の成形機２から設定値、計測値及び良否度合いのデータを取得して記憶部１２に記憶させることによって収集しても良いし、複数の成形機２から得られる設定値、計測値及び良否度合いのデータを集積したものであっても良い。また、外部のサーバ又は記憶装置に蓄積されている設定値、計測値及び良否度合いのデータを取得することによって、第１訓練データを収集しても良い。
図３は、第１学習モデル１２ｂの生成方法を示す模式図である。ステップＳ１１の処理で第１訓練データを収集した演算部１１は、収集した第１訓練データに基づく機械学習にて、設定値及び計測値が入力された場合、当該設定値が設定され、かつ当該計測値が得られる状態において成形機２が生成する成形品の良否度合いを出力する第１学習モデル１２ｂを生成する（ステップＳ１２）。
第１学習モデル１２ｂは、例えば成形品が良品である確率と、前記成形品が不良品である確率とを出力する分類型のニューラルネットワーク（機械学習器）である。第１学習モデル１２ｂは、入力層と、隠れ層と、出力層とを備える。
入力層は、成形条件を定める複数項目の設定値がそれぞれ入力される複数のノードと、複数項目の計測値がそれぞれ入力される複数のノードとを有する。
隠れ層は、複数のノードを有する中間層を複数備え、入力側の中間層のノードは入力層のノードと結合されている。各ノードの活性化関数は、例えばシグモイド関数、ハイパボリックタンジェント関数、ＲｅＬｕ関数、Ｌｅａｋｙ ＲｅＬＵ関数である。なお、隠れ層の一部をドロップアウト層としても良い。
出力層は、成形品が良品である確率を出力するノードと、前記成形品が不良品である確率を出力するノードとを有する。出力層の各ノードは、出力側の中間層のノードと結合されている。
演算部１１は、第１訓練データを用いた誤差逆伝播法、誤差勾配降下法等によって、第１学習モデル１２ｂの重み係数を最適化することにより、第１学習モデル１２ｂを機械学習させる。具体的には、演算部１１は、下記式（１）で表される第１目的関数が最小化するように、重み係数を調整する。
Figure 2021066084
次いで、演算部１１は、不良度合いを低減させることが可能な設定値又は当該設定値の変更量を出力することができる第２学習モデル１２ｃを学習させるための第２訓練データを収集する（ステップＳ１３）。
第２訓練データは、成形品の不良タイプ別の不良度合いと、計測値と、当該不良度合い及び計測値が得られる状態において少なくとも不良度合いを低減させることが可能な設定値又は当該設定値の変更量とを含む。
なお、第２訓練データは、一の成形機２から不良タイプ別の不良度合い、計測値、及び不良度合いを低減することができた設定値又は変更量のデータを取得して記憶部１２に記憶させることによって収集しても良いし、複数の成形機２から得られる設定値、計測値及び設定値又は変更量を集積したものであっても良い。また、外部のサーバ又は記憶装置に蓄積されている設定値、計測値及び設定値又は変更量のデータを取得することによって、第２訓練データを収集しても良い。
次いで、収集した第２訓練データ及び第１学習モデル１２ｂから出力される良否度合いに基づく機械学習にて、不良度合い及び計測値が入力された場合、少なくとも不良度合いを低減させることが可能な設定値又は当該設定値の変更量を出力する第２学習モデル１２ｃを生成する（ステップＳ１４）。
図４は、第２学習モデル１２ｃの生成方法を示すフローチャート、図５は、第２学習モデル１２ｃの生成方法を示す模式図である。第２学習モデル１２ｃは、設定値又は前記変更量を出力する回帰型のニューラルネットワーク（機械学習器）である。第２学習モデル１２ｃは、入力層と、隠れ層と、出力層とを備える。
入力層は、不良タイプ別に不良度合いがそれぞれ入力される複数のノードと、複数項目の計測値がそれぞれ入力される複数のノードとを有する。
隠れ層は、複数のノードを有する中間層を複数備える。隠れ層の構成は、第１学習モデル１２ｂの隠れ層と同様の構成である。入力側の中間層のノードは入力層のノードと結合されている。
出力層は、成形条件を定める複数項目それぞれの設定値、又は当該設定値の変更量（調整量）が出力される複数のノードを有する。出力層の各ノードは、出力側の中間層のノードと結合されている。
演算部１１は、第２訓練データに含まれる不良度合い及び計測値を学習中の第２学習モデル１２ｃに入力させる（ステップＳ３１）。そして、演算部１１は、機械学習中の第２学習モデル１２ｃから出力される設定値又は変更量に基づく設定値と、第２訓練データに含まれる計測値とを第１学習モデル１２ｂに入力する（ステップＳ３２）。
ステップＳ３３において演算部１１は、第２訓練データ及び第１学習モデル１２ｂから出力される良否度合いのデータを用いた誤差逆伝播法、誤差勾配降下法等によって、第２学習モデル１２ｃの重み係数を最適化することにより、第２学習モデル１２ｃを機械学習させる。具体的には、演算部１１は、下記式（２）で表される第２目的関数が最小化するように、重み係数を調整する。
Figure 2021066084
第２学習モデル１２ｃの生成に用いる第２目的関数は、上記式（２）から分かるように、第２学習モデル１２ｃから出力される設定値又は変更量と、第２訓練データに含まれる設定値又は変更量との差分が小さくなる程、第１学習モデル１２ｂから出力される良否度合いが示す良品の度合いが高い程、又は不良の度合いが低い程、値が小さくなる関数である。
より具体的には第２目的関数は、通常の誤差項と、重み減衰項に加え、罰則項を有する。罰則項は、第１学習モデル１２ｂから出力される良否度合いが示す不良品の度合いが高い程、値が大きくなる関数である。また、罰則項は前記良否度合いに対する前記値の変化率を定めるパラメータを有する。罰則項は、当該関数にパラメータを乗算してなる構成である。
ステップＳ３３の処理を終えた演算部１１は、第２訓練データに基づく第２学習モデル１２ｃの機械学習が完了したか否かを判定する（ステップＳ３４）。第２学習モデル１２ｃの機械学習が完了していないと判定した場合（ステップＳ３４：ＮＯ）、演算部１１は処理をステップＳ３１へ戻し、第２学習モデル１２ｃの機械学習を継続する。第２学習モデル１２ｃの機械学習が完了したと判定した場合（ステップＳ３４：ＹＥＳ）、演算部１１は、第２学習モデル１２ｃの生成処理を終える。
次いで、演算部１１は、ステップＳ１１〜ステップＳ１４の処理で学習された第２学習モデル１２ｃを用いて算出される設定値のデータを、出力インタフェース１４を介して成形機２へ出力し、成形機２は第２学習モデル１２ｃの出力を用いて成形を行う（ステップＳ１５）。
次いで演算部１１は、処理をステップＳ１１へ戻し、以下同様にして第１学習モデル１２ｂ及び第２学習モデル１２ｃを機械学習させる。つまり、演算部１１は、ステップＳ１５の成形により得られる第１訓練データをステップＳ１１において収集し、収集して得た第１訓練データに基づく機械学習にて、第１学習モデル１２ｂを機械学習させる。そして、学習された第１学習モデル１２ｂの出力を利用して、第２学習モデル１２ｃを機械学習させる。
なお、ステップＳ１１へ戻し第１学習モデル１２ｂ及び第２学習モデル１２ｃを機械学習させるタイミングは特に限定されるものでは無い。例えば、演算部１１は、成形を行う都度、ステップＳ１５へ戻しても良いし、ステップＳ１５において所定回数の成形が行われた後に、処理をステップＳ１１へ戻すとよい。また、演算部１１は、第１訓練データ及び第２訓練データの収集状況に応じて、異なるタイミングで第１学習モデル１２ｂ及び第２学習モデル１２ｃを機械学習させるように構成しても良い。
以上の通り、本実施形態１によれば、罰則項を有する第２目的関数を用いて第２学習モデル１２ｃを学習させる構成であるため、成形機２の設定値を決定するための学習モデルを生成することができ、しかも学習モデルの学習に必要な訓練データを削減することができる。
第２学習モデル１２ｃの学習に必要な設定値は，少なくとも不良度合いを低減させることが可能な設定値に限定されるが、第１学習モデル１２ｂについては、不良度合いに関わらずすべての成形データを用いて学習させることが可能であるため、実時間で取得した成形データすべてを有効活用することができる。
また、第１学習モデル１２ｂ及び第２学習モデル１２ｃは逐次相互に学習させてもよいし、いずれかの学習モデルを推論のみに用いて、もう一方の学習モデルだけを学習させてもよい。
（実施形態２）
実施形態２に係る学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機は、設定値決定装置２０１が成形機２０２に設けられている点が実施形態１とことなるため、以下では主に上記相違点を説明する。その他の構成及び作用効果は実施形態１と同様であるため、対応する箇所には同様の符号を付して詳細な説明を省略する。
図６は、実施形態２に係る成形機２０２を示すブロック図である。本実施形態２に係る成形機２０２は、射出装置２２１と、当該射出装置２２１の前方に配置される型締装置２２２と、成形機２０２の動作を制御する制御装置２２０とを備える。制御装置２２０は、本実施形態１で説明した設定値決定装置２０１を備える。
図７は、設定値決定方法を示すフローチャートである。以下の処理は、第１及び第２学習モデル１２ｂ、１２ｃを生成した後に、設定値決定装置２０１及び成形機２０２の制御装置２２０が実行する処理である。設定値決定装置２０１は、不良度合入力部１ｂから不良タイプ別の不良度合いを取得する（ステップＳ２５１）。また、設定値決定装置２０１は、計測部１ｃから計測値を取得する（ステップＳ２５２）。
設定値決定装置２０１は、ステップＳ２５１及びステップＳ２５２にて取得した不良度合い及び計測値を第２学習モデル１２ｃに入力し（ステップＳ２５３）、第２学習モデル１２ｃから出力された設定値を成形機２０２に設定する（ステップＳ２５４）。成形機２０２の制御装置２２０は、設定値決定装置２０１によって決定及び設定された設定値に基づいて、成形制御を実行する（ステップＳ２５５）。
実施形態２に係る成形機２０２によれば、成形機２０２が自身で第１学習モデル１２ｂ及び第２学習モデル１２ｃの機械学習を行い、不良度合いを低減させることが可能な設定値を決定し、決定された設定値に基づいて動作することができる。
（実施形態３）
実施形態３に係る学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機及び成形装置システムは、設定値決定装置３０１が、成形機３０２の外部のサーバ装置３０４に設けられている点が実施形態１と異なるため、以下では主に上記相違点を説明する。その他の構成及び作用効果は実施形態１と同様であるため、対応する箇所には同様の符号を付して詳細な説明を省略する。
図８は、実施形態３に係る成形装置システムを示すブロック図である。本実施形態３に係る成形装置システムは、互いに通信が可能な成形機３０２及びサーバ装置３０４を備える。
成形機３０２は、射出装置３２１と、当該射出装置３２１の前方に配置される型締装置３２２と、成形機３０２の動作を制御する制御装置３２０とを備える。制御装置３２０は、不良度合入力部３０２ｂから出力される不良タイプ別の不良度合いを取得する第１取得部３２０ａと、計測部３０２ｃから出力される計測値を取得する第２取得部３２０ｂと、設定部３０２ａから出力される設定値を取得する第３取得部３２０ｃと、サーバ装置３０４と各種情報を送受信する通信部３２０ｄとを備える。
通信部３２０ｄは、設定値調整装置の動作に必要な不良度合い、計測値及び設定値等のデータをサーバ装置３０４へ送信する。また通信部３２０ｄは、不良度合いを低減させることが可能な設定値をサーバ装置３０４に要求し、要求に応じてサーバ装置３０４から送信される設定値を受信する。制御装置３２０は、受信した設定値に基づいて、成形制御を実行する。
サーバ装置３０４は、設定値調整装置と、成形機３０２と各種情報を送受信する通信装置３０４ａとを備える。設定値調整装置は、実施形態１に係る設定値調整装置と同様の構成である。但し、実施形態３に係る設定値調整装置は、上記不良度合い、計測値、設定値等のデータを通信装置３０４ａにて受信し、決定した設定値を通信装置３０４ａにて成形機３０２へ送信する点が実施形態１と異なる。
実施形態３に係る成形装置システムによれば、成形機３０２は、第１及び第２学習モデル１２ｂ、１２ｃの生成に必要な不良度合い、計測値、設定値等のデータを通信部３２０ｄにてサーバ装置３０４へ送信する。サーバ装置３０４は、成形機３０２から送信された当該データを通信装置３０４ａにて受信する。設定値決定装置３０１は、通信装置３０４ａにて受信したデータを第１訓練データ及び第２訓練データとして蓄積ないし収集する。そして、設定値決定装置３０１は、収集した第１及び第２訓練データに基づいて、第１及び第２学習モデル１２ｂ、１２ｃを生成する。
一方、サーバ装置３０４側で第１及び第２学習モデル１２ｂ、１２ｃの生成が完了した後、成形機３０２は、サーバ装置３０４に設定値を要求することができる。具体的には、成形機３０２は、不良タイプ別の不良度合い及び計測値を通信部３２０ｄにてサーバ装置３０４へ送信する。サーバ装置３０４は、通信装置３０４ａにて不良度合い及び計測値を受信する。設定値決定装置３０１は、通信装置３０４ａが受信した不良タイプ別の不良度合い及び計測値を第２学習モデル１２ｃに入力することによって、設定値又は当該設定値の変更量を出力させる。サーバ装置３０４は、第２学習モデル１２ｃから出力された設定値又は変更量を通信装置３０４ａにて成形機３０２へ送信する。成形機３０２は通信部３２０ｄにて当該設定値又は変更量を受信し、受信した設定値又は変更量に基づく設定値を自装置に設定し、成形制御を実行する。
実施形態３に係る成形装置システムによれば、サーバ装置３０４にて第１及び第２学習モデル１２ｂ、１２ｃを生成することができ、不良度合いを低減することが可能な設定値を成形機３０２に送信することができる。その他、実施形態３に係る学習モデル生成方法、コンピュータプログラム１２ａ、設定値決定装置３０１、成形機３０２及び成形装置システムは実施形態１と同様の効果を奏する。
（変形例）
図９は、変形例に係る成形装置システムを示すブロック図である。上記実施形態３においては、サーバ装置３０４から成形機３０２へ設定値を送信する構成であったが、生成された第２学習モデル３２０ｅを成形機３０２へ配信するように構成しても良い。
成形機３０２の制御装置３２０は、サーバ装置３０４から配信された第２学習モデル３２０ｅを通信部３２０ｄにて受信し、記憶する。成形機３０２は、第１取得部３２０ａにて取得した不良タイプ別の不良度合いと、第２取得部３２０ｂにて取得した計測値とを第２学習モデル３２０ｅに入力し、第２学習モデル３２０ｅから出力された設定値又は変更量に基づく設定値を自装置に設定し、成形制御を実行する。
変形例に係る学習モデル生成方法、コンピュータプログラム１２ａ、設定値決定装置３０１、成形機３０２及び成形装置システムも、図８に示した成形装置システムと同様の効果を奏する。
１ 設定値決定装置
１ａ 設定部
１ｂ 不良度合入力部
１ｃ 計測部
２ 成形機
３ 記録媒体
１１ 演算部
１２ 記憶部
１２ａ コンピュータプログラム
１２ｂ 第１学習モデル
１２ｃ 第２学習モデル
１３ 入力インタフェース
１４ 出力インタフェース

Claims (13)

  1. 成形機に係る設定値を決定するための学習モデルを生成する学習モデル生成方法であって、
    前記成形機に係る前記設定値と、前記成形機による成形が実行されたときに該成形に係る物理量を計測して得られる計測値と、前記設定値が設定され、かつ前記計測値が得られる状態において前記成形機が生成する成形品の良否度合いとを含む第１訓練データを収集し、
    収集した第１訓練データに基づく機械学習にて、前記設定値及び前記計測値が入力された場合、前記成形機が生成する成形品の良否度合いを出力する第１学習モデルを生成し、
    成形品の不良タイプ別の不良度合いと、前記計測値と、前記不良度合い及び前記計測値が得られる状態において少なくとも前記不良度合いを低減させることが可能な前記設定値又は該設定値の変更量とを含む第２訓練データを収集し、
    収集した第２訓練データ及び前記第１学習モデルから出力される良否度合いに基づく機械学習にて、前記不良度合い及び前記計測値が入力された場合、少なくとも前記不良度合いを低減させることが可能な前記設定値又は該設定値の変更量を出力する第２学習モデルを生成する
    学習モデル生成方法。
  2. 機械学習中の前記第２学習モデルから出力される前記設定値又は前記変更量に基づく設定値と、第２訓練データに含まれる前記計測値とを前記第１学習モデルに入力することによって、前記第１学習モデルから出力される前記良否度合いを用いて前記第２学習モデルを機械学習させる
    請求項１に記載の学習モデル生成方法。
  3. 前記第２学習モデルから出力される前記設定値、又は前記変更量に基づく設定値と、前記成形機による成形が実行されたときに該成形に係る物理量を計測して得られる計測値と、前記設定値が設定され、かつ前記計測値が得られる状態において前記成形機が生成する成形品の良否度合いとを含む第１訓練データに基づく機械学習にて、前記第１学習モデルを機械学習させる
    請求項１又は請求項２に記載の学習モデル生成方法。
  4. 前記第２学習モデルの生成に用いる目的関数は、
    前記第２学習モデルから出力される前記設定値又は前記変更量と、第２訓練データに含まれる前記設定値又は前記変更量との差分が小さくなる程、前記第１学習モデルから出力される前記良否度合いが示す良品の度合いが高い程、又は不良の度合いが低い程、値が小さくなる関数である
    請求項１から請求項３のいずれか１項に記載の学習モデル生成方法。
  5. 前記目的関数は、
    前記第１学習モデルから出力される前記良否度合いが示す不良品の度合いが高い程、前記値が大きくなる罰則項を有し、
    該罰則項は前記良否度合いに対する前記値の変化率を定めるパラメータを有する
    請求項４に記載の学習モデル生成方法。
  6. 前記第１学習モデルは、
    前記成形品が良品である確率と、前記成形品が不良品である確率とを出力する機械学習器であり、
    前記第２学習モデルは、
    前記設定値又は前記変更量を出力する機械学習器である
    請求項１から請求項５のいずれか１項に記載の学習モデル生成方法。
  7. 生成された前記第２学習モデルを前記成形機へ配信する
    請求項１から請求項６のいずれか１項に記載の学習モデル生成方法。
  8. コンピュータに、成形機に係る設定値を決定するための学習モデルを生成させるためのコンピュータプログラムであって、
    前記コンピュータに、
    前記成形機に係る前記設定値と、前記成形機による成形が実行されたときに該成形に係る物理量を計測して得られる計測値と、前記設定値が設定され、かつ前記計測値が得られる状態において前記成形機が生成する成形品の良否度合いとを含む第１訓練データを収集し、
    収集した第１訓練データに基づく機械学習にて、前記設定値及び前記計測値が入力された場合、前記成形機が生成する成形品の良否度合いを出力する第１学習モデルを生成し、
    成形品の不良タイプ別の不良度合いと、前記計測値と、前記不良度合い及び前記計測値が得られる状態において少なくとも前記不良度合いを低減させることが可能な前記設定値又は該設定値の変更量とを含む第２訓練データを収集し、
    収集した第２訓練データ及び前記第１学習モデルから出力される良否度合いに基づく機械学習にて、前記不良度合い及び前記計測値が入力された場合、少なくとも前記不良度合いを低減させることが可能な前記設定値又は該設定値の変更量を出力する第２学習モデルを生成する
    処理を実行させるためのコンピュータプログラム。
  9. 成形機に係る設定値を決定するための学習モデルを生成し、生成された学習モデルに基づいて前記設定値を決定する設定値決定装置であって、
    前記成形機に係る前記設定値と、前記成形機による成形が実行されたときに該成形に係る物理量を計測して得られる計測値と、前記設定値が設定され、かつ前記計測値が得られる状態において前記成形機が生成する成形品の良否度合いとを含む第１訓練データを収集する第１収集処理部と、
    該第１収集処理部が収集した第１訓練データに基づく機械学習にて、前記設定値及び前記計測値が入力された場合、前記成形機が生成する成形品の良否度合いを出力する第１学習モデルを生成する第１学習処理部と、
    成形品の不良タイプ別の不良度合いと、前記計測値と、前記不良度合い及び前記計測値が得られる状態において少なくとも前記不良度合いを低減させることが可能な前記設定値又は該設定値の変更量とを含む第２訓練データを収集する第２収集処理部と、
    該第２収集処理部が収集した第２訓練データ及び前記第１学習モデルから出力される良否度合いに基づく機械学習にて、前記不良度合い及び前記計測値が入力された場合、少なくとも前記不良度合いを低減させることが可能な前記設定値又は該設定値の変更量を出力する第２学習モデルを生成する第２学習処理部と
    を備える設定値決定装置。
  10. 請求項９に記載の設定値決定装置を備え、
    該設定値決定装置にて決定された前記設定値に基づいて動作する成形機。
  11. 成形機が生産する成形品の不良タイプ別の不良度合いを取得する第１取得部と、
    前記成形機による成形が実行されたときに前記成形に係る物理量を計測して得られる計測値を取得する第２取得部と、
    前記第１取得部が取得した前記不良度合い及び前記第２取得部が取得した前記計測値が入力された場合、前記不良度合い及び前記計測値が得られる状態において少なくとも前記不良度合いを低減させることが可能な前記成形機に係る設定値が出力される学習モデルと
    を備え、
    前記第１取得部が取得した前記不良度合いと、前記第２取得部が取得した前記計測値とを前記学習モデルに入力することによって、前記設定値を出力させ、出力された該設定値に基づいて動作する成形機。
  12. 前記学習モデルは、
    前記設定値及び前記計測値が入力された場合、前記設定値が設定され、かつ前記計測値が得られる状態において前記成形機が生成する成形品の良否度合いを出力する他の学習モデルを用いて機械学習されている
    請求項１１に記載の成形機。
  13. 請求項９に記載の設定値決定装置と、成形機と
    を備える成形装置システム。
JP2019192840A 2019-10-23 2019-10-23 学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機及び成形装置システム Active JP7344754B2 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2019192840A JP7344754B2 (ja) 2019-10-23 2019-10-23 学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機及び成形装置システム
CN202080073194.1A CN114829102A (zh) 2019-10-23 2020-10-08 学习模型生成方法、计算机程序、设定值决定装置、成型机和成型装置系统
PCT/JP2020/038176 WO2021079751A1 (ja) 2019-10-23 2020-10-08 学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機及び成形装置システム
US17/770,419 US20220402183A1 (en) 2019-10-23 2020-10-08 Learning Model Generation Method, Non-Transitory Computer Readable Recording Medium, Set Value Determination Device, Molding Machine, and Molding Apparatus System
TW109135887A TW202126462A (zh) 2019-10-23 2020-10-16 學習模型產生方法、設定值決定裝置、成形機以及成形裝置系統

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019192840A JP7344754B2 (ja) 2019-10-23 2019-10-23 学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機及び成形装置システム

Publications (2)

Publication Number Publication Date
JP2021066084A true JP2021066084A (ja) 2021-04-30
JP7344754B2 JP7344754B2 (ja) 2023-09-14

Family

ID=75619965

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019192840A Active JP7344754B2 (ja) 2019-10-23 2019-10-23 学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機及び成形装置システム

Country Status (5)

Country Link
US (1) US20220402183A1 (ja)
JP (1) JP7344754B2 (ja)
CN (1) CN114829102A (ja)
TW (1) TW202126462A (ja)
WO (1) WO2021079751A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114083770B (zh) * 2021-10-29 2024-03-22 北京百度网讯科技有限公司 工艺参数调整及模型训练方法、装置、设备与存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018185723A (ja) * 2017-04-27 2018-11-22 株式会社東芝 券売機、およびプログラム
JP2019166702A (ja) * 2018-03-23 2019-10-03 株式会社日本製鋼所 機械学習器により成形条件を調整する射出成形機システム

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0631787A (ja) * 1992-07-13 1994-02-08 Sumitomo Heavy Ind Ltd 射出成形機の成形状態表示装置
JP4499601B2 (ja) * 2005-04-01 2010-07-07 日精樹脂工業株式会社 射出成形機の制御装置
JP6346128B2 (ja) * 2015-07-28 2018-06-20 ファナック株式会社 最適な操作条件を算出できる射出成形システム及び機械学習器
JP2017132260A (ja) * 2017-03-17 2017-08-03 ファナック株式会社 射出成形における最適な操作条件を算出できるシステム
JP6557272B2 (ja) * 2017-03-29 2019-08-07 ファナック株式会社 状態判定装置
JP6573647B2 (ja) * 2017-07-10 2019-09-11 株式会社日本製鋼所 計算機と複数台の射出成形機とからなる射出成形機システム
JP6659647B2 (ja) * 2017-09-29 2020-03-04 ファナック株式会社 数値制御システム及び逆流防止弁状態検知方法
JP2019086928A (ja) * 2017-11-06 2019-06-06 ファナック株式会社 制御装置及び機械学習装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018185723A (ja) * 2017-04-27 2018-11-22 株式会社東芝 券売機、およびプログラム
JP2019166702A (ja) * 2018-03-23 2019-10-03 株式会社日本製鋼所 機械学習器により成形条件を調整する射出成形機システム

Also Published As

Publication number Publication date
US20220402183A1 (en) 2022-12-22
WO2021079751A1 (ja) 2021-04-29
CN114829102A (zh) 2022-07-29
JP7344754B2 (ja) 2023-09-14
TW202126462A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
JP6346128B2 (ja) 最適な操作条件を算出できる射出成形システム及び機械学習器
JP2021146564A (ja) 成形品判定装置、成形品判定方法、および成形品判定プログラム
KR20070039051A (ko) 매개변수형 사출 성형 시스템 및 방법
WO2021079751A1 (ja) 学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機及び成形装置システム
JP6876302B2 (ja) 情報処理装置、情報処理方法、及びプログラム
JP2019014187A (ja) 計算機と複数台の射出成形機とからなる射出成形機システム
US20220339837A1 (en) Operation Quantity Determination Device, Molding Apparatus System, Molding Machine, Non-Transitory Computer Readable Recording Medium, Operation Quantity Determination Method, and State Display Device
JP4536200B2 (ja) 成形試験システムおよび成形試験方法
WO2022054463A1 (ja) 機械学習方法、コンピュータプログラム、機械学習装置及び成形機
WO2023032375A1 (ja) 成形条件パラメータ調整方法、コンピュータプログラム、成形条件パラメータ調整装置及び成形機
WO2024106002A1 (ja) 成形条件修正装置、成形機、成形条件修正方法及びコンピュータプログラム
WO2023007945A1 (ja) データセット作成方法、学習モデル生成方法、コンピュータプログラム及びデータセット作成装置
US10882236B2 (en) Molding system, molding apparatus, inspection apparatus, inspection method, and program
WO2022196755A1 (ja) 強化学習方法、コンピュータプログラム、強化学習装置及び成形機
WO2022210424A1 (ja) 品質予測装置及びその方法、プログラム並びに記録媒体
JP2024018556A (ja) 成形条件調整装置、成形機、成形条件調整方法及びコンピュータプログラム
TWI829076B (zh) 藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法
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
CN117921966A (zh) 信息处理装置、注射成型机及程序
WO2022153645A1 (ja) 計測装置、計測方法および射出成形装置
JP2023017386A (ja) 成形条件調整方法、コンピュータプログラム、成形条件調整装置及び射出成形機
JPWO2022153645A5 (ja)
Saedon et al. Multi-objectives Optimization of Volumetric Shrinkage and Warpage for Disposable Mouth Mirrors Using Taguchi Method, ANOVA and Grey Relational Analysis (GRA)

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221005

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: 20230712

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230707

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: 20230829

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230904

R150 Certificate of patent or registration of utility model

Ref document number: 7344754

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150