JP2022013148A - 予測装置、演算装置、製造装置及び製造方法 - Google Patents
予測装置、演算装置、製造装置及び製造方法 Download PDFInfo
- Publication number
- JP2022013148A JP2022013148A JP2020115514A JP2020115514A JP2022013148A JP 2022013148 A JP2022013148 A JP 2022013148A JP 2020115514 A JP2020115514 A JP 2020115514A JP 2020115514 A JP2020115514 A JP 2020115514A JP 2022013148 A JP2022013148 A JP 2022013148A
- Authority
- JP
- Japan
- Prior art keywords
- polymer
- value
- production
- target
- performance
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 289
- 229920000642 polymer Polymers 0.000 claims abstract description 191
- 239000002994 raw material Substances 0.000 claims abstract description 44
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 38
- 229920001971 elastomer Polymers 0.000 claims description 96
- 239000005060 rubber Substances 0.000 claims description 96
- 238000004364 calculation method Methods 0.000 claims description 77
- 238000010801 machine learning Methods 0.000 claims description 24
- 238000003756 stirring Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000009477 glass transition Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 238000004073 vulcanization Methods 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 238000005979 thermal decomposition reaction Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 description 24
- 238000000034 method Methods 0.000 description 20
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 229910052731 fluorine Inorganic materials 0.000 description 12
- 239000011737 fluorine Substances 0.000 description 12
- BFKJFAAPBSQJPD-UHFFFAOYSA-N tetrafluoroethene Chemical group FC(F)=C(F)F BFKJFAAPBSQJPD-UHFFFAOYSA-N 0.000 description 12
- 238000010092 rubber production Methods 0.000 description 11
- 239000000178 monomer Substances 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 229920001973 fluoroelastomer Polymers 0.000 description 7
- HCDGVLDPFQMKDK-UHFFFAOYSA-N hexafluoropropylene Chemical group FC(F)=C(F)C(F)(F)F HCDGVLDPFQMKDK-UHFFFAOYSA-N 0.000 description 7
- 230000010365 information processing Effects 0.000 description 7
- BQCIDUSAKPWEOX-UHFFFAOYSA-N 1,1-Difluoroethene Chemical compound FC(F)=C BQCIDUSAKPWEOX-UHFFFAOYSA-N 0.000 description 6
- 241000357292 Monodactylus Species 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- -1 perfluoro Chemical group 0.000 description 5
- 238000000611 regression analysis Methods 0.000 description 5
- 229920000459 Nitrile rubber Polymers 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 238000001938 differential scanning calorimetry curve Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- BLTXWCKMNMYXEA-UHFFFAOYSA-N 1,1,2-trifluoro-2-(trifluoromethoxy)ethene Chemical compound FC(F)=C(F)OC(F)(F)F BLTXWCKMNMYXEA-UHFFFAOYSA-N 0.000 description 2
- 239000004709 Chlorinated polyethylene Substances 0.000 description 2
- 229920002943 EPDM rubber Polymers 0.000 description 2
- 244000043261 Hevea brasiliensis Species 0.000 description 2
- 239000005062 Polybutadiene Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000012986 chain transfer agent Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 229920001577 copolymer Polymers 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000003999 initiator Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 229920003052 natural elastomer Polymers 0.000 description 2
- 229920001194 natural rubber Polymers 0.000 description 2
- 229920001084 poly(chloroprene) Polymers 0.000 description 2
- 229920002857 polybutadiene Polymers 0.000 description 2
- 230000000379 polymerizing effect Effects 0.000 description 2
- 238000012628 principal component regression Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000010063 rubber manufacturing process Methods 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- KHXKESCWFMPTFT-UHFFFAOYSA-N 1,1,1,2,2,3,3-heptafluoro-3-(1,2,2-trifluoroethenoxy)propane Chemical compound FC(F)=C(F)OC(F)(F)C(F)(F)C(F)(F)F KHXKESCWFMPTFT-UHFFFAOYSA-N 0.000 description 1
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical group [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- WKBOTKDWSSQWDR-UHFFFAOYSA-N Bromine atom Chemical group [Br] WKBOTKDWSSQWDR-UHFFFAOYSA-N 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- BZHJMEDXRYGGRV-UHFFFAOYSA-N Vinyl chloride Chemical compound ClC=C BZHJMEDXRYGGRV-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 229920000800 acrylic rubber Polymers 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 125000003277 amino group Chemical group 0.000 description 1
- 229920005549 butyl rubber Polymers 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 239000011203 carbon fibre reinforced carbon Chemical group 0.000 description 1
- 125000003178 carboxy group Chemical group [H]OC(*)=O 0.000 description 1
- 238000004581 coalescence Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 125000004093 cyano group Chemical group *C#N 0.000 description 1
- 229920003244 diene elastomer Polymers 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229920005558 epichlorohydrin rubber Polymers 0.000 description 1
- 125000004185 ester group Chemical group 0.000 description 1
- 238000005469 granulation Methods 0.000 description 1
- 230000003179 granulation Effects 0.000 description 1
- 229920006168 hydrated nitrile rubber Polymers 0.000 description 1
- 150000004678 hydrides Chemical class 0.000 description 1
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 229920003049 isoprene rubber Polymers 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- GRPIQKZLNSCFTB-UHFFFAOYSA-N n-[bis(dimethylamino)-fluoroimino-$l^{5}-phosphanyl]-n-methylmethanamine Chemical compound CN(C)P(=NF)(N(C)C)N(C)C GRPIQKZLNSCFTB-UHFFFAOYSA-N 0.000 description 1
- 125000005010 perfluoroalkyl group Chemical group 0.000 description 1
- 229920000058 polyacrylate Polymers 0.000 description 1
- 238000004184 polymer manufacturing process Methods 0.000 description 1
- 229920005672 polyolefin resin Polymers 0.000 description 1
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 description 1
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 description 1
- 238000000197 pyrolysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 229920002379 silicone rubber Polymers 0.000 description 1
- 239000004945 silicone rubber Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 229920003048 styrene butadiene rubber Polymers 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J19/0006—Controlling or regulating processes
- B01J19/0033—Optimalisation processes, i.e. processes with adaptive control systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J19/06—Solidifying liquids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/44—Resins; Plastics; Rubber; Leather
- G01N33/445—Rubber
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J2219/00049—Controlling or regulating processes
- B01J2219/00243—Mathematical modelling
-
- C—CHEMISTRY; METALLURGY
- C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
- C08F—MACROMOLECULAR COMPOUNDS OBTAINED BY REACTIONS ONLY INVOLVING CARBON-TO-CARBON UNSATURATED BONDS
- C08F14/00—Homopolymers and copolymers of compounds having one or more unsaturated aliphatic radicals, each having only one carbon-to-carbon double bond, and at least one being terminated by a halogen
- C08F14/18—Monomers containing fluorine
-
- C—CHEMISTRY; METALLURGY
- C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
- C08F—MACROMOLECULAR COMPOUNDS OBTAINED BY REACTIONS ONLY INVOLVING CARBON-TO-CARBON UNSATURATED BONDS
- C08F2400/00—Characteristics for processes of polymerization
- C08F2400/02—Control or adjustment of polymerization parameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/44—Resins; Plastics; Rubber; Leather
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Organic Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medicinal Chemistry (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Food Science & Technology (AREA)
- Polymers & Plastics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Polymerisation Methods In General (AREA)
- Addition Polymer Or Copolymer, Post-Treatments, Or Chemical Modifications (AREA)
Abstract
【課題】製造される重合体の性能のばらつきを軽減する。【解決手段】重合体の製造において、原料を投入後の重合槽内の当該重合体の性能を表す性能値を予測する予測装置（１０Ａ）であって、現在の重合体の製造において当該重合体の製造に関わる値として観測される観測値を、予測用観測値として取得する取得部（１１１）と、重合体と同種の重合体の過去の製造において得られた観測値と、当該過去の製造の所定タイミングにおける重合体の性能値との関係を用いて、取得部で取得された予測用観測値から、現在、製造される前記重合体の前記所定タイミングにおける前記性能値を予測する予測部（１１２）とを備える。【選択図】図２
Description
本開示は、重合体の製造に利用する予測装置、演算装置、製造装置及び製造方法に関する。
従来から、様々な分野でソフトセンサが利用される。ソフトセンサは、測定が困難で頻繁に測定されないプロセス変数ｙ１や、また、測定に時間を要するプロセス変数ｙ２に代えて、温度や圧力等の比較的計測しやすいプロセス変数を利用して推定するものである。例えば、特許文献１では、メルトフローレートを推測するソフトセンサを具備するポリオレフィン樹脂の造粒システムが開示される。
本開示は、特定の性能値を有する重合体を得るための製造過程において必要な工程を削減することのできる、予測装置、演算装置、製造装置及び製造方法を提供する。
本開示の予測装置は、重合体の製造において、原料を投入後の重合槽内の当該重合体の性能を表す性能値を予測する予測装置であって、現在の重合体の製造において当該重合体の製造に関わる値として観測される観測値を、予測用観測値として取得する取得部と、前記重合体と同種の重合体の過去の製造において得られた観測値と、当該過去の製造の所定タイミングにおける前記重合体の性能値との関係を用いて、前記取得部で取得された予測用観測値から、現在、製造される前記重合体の前記所定タイミングにおける前記性能値を予測する予測部とを備えてもよい。
上記の予測装置では、前記予測部は、前記重合体と同種の重合体の過去の製造において得られた学習用観測値と、当該過去の製造の所定タイミングにおける前記重合体の性能値との関係を機械学習により学習済みの学習済みモデルにより、前記取得部で取得された予測用観測値を用いて、現在、製造される前記重合体の前記所定タイミングにおける前記性能値を予測してもよい。
上記の予測装置では、前記取得部は、前記観測値を、前記現在の製造の開始からの経過時間とともに取得し、当該経過時間及び前記観測値のセットを予測用観測値とし、前記予測部は、過去の製造における前記観測値と、前記過去の製造の開始からの経過時間とをセットとする学習用観測値と、当該過去の製造の所定タイミングにおける前記性能値との関係を用いて、現在、製造される前記重合体の前記所定タイミングにおける前記性能値を予測してもよい。
上記の予測装置では、前記取得部は、過去の製造において得られた複数種の観測値及び過去の製造で得られた前記重合体の性能値から、遺伝的アルゴリズムにより選択された、前記性能値の予測に適した少なくとも１の観測値又は性能値を用いて学習された前記学習済みモデル利用して、前記重合体の前記所定タイミングにおける前記性能値を予測してもよい。
上記の予測装置では、前記観測値は、前記重合槽内にて前記原料を含む反応混合物を攪拌する攪拌機の攪拌電流値、攪拌電力値、前記重合槽内の圧力値、製造の開始から現時点までのいずれかの原料の投入量、および、製造の開始から現時点までの全原料の投入量のうち少なくともいずれかを含むものであってもよい。
上記の予測装置では、前記性能値は、ムーニー粘度、平均分子量、比重、硬さ、伸び、キュラスト最低値、キュラスト最高値、キュラスト誘導時間、キュラスト適正加硫時間、引っ張り強さ、100％引っ張り応力、ガラス転移点、熱分解開始温度、および、圧縮永久ひずみ率のいずれかであってもよい。
上記の予測装置では、前記重合体は、ゴムであってもよい。
上記の予測装置では、前記所定タイミングは、製造する重合体の所定の原料の投入量が所定値となったタイミング、又は、製造開始から所定時間が経過したタイミングであってもよい。
本開示の演算装置は、重合体の製造において、重合槽内の当該重合体の製造の終了のための特定の操作が行われる目標タイミングを求める演算装置であって、現在の製造における前記重合体の性能の目標を表す目標の性能値と、前記重合体の原料を投入後かつ製造終了前の所定タイミングにおける性能値とを受け付ける受付部と、前記重合体と同種の重合体の過去の製造の前記所定タイミングにおける前記重合体の性能値と、当該過去の製造で得られた前記重合体の性能値と、当該過去の製造の目標タイミングとの関係と、前記受付部で受け付けた前記目標の性能値及び前記所定タイミングにおける性能値とを用いて、現在、製造中の前記重合体が前記目標の性能値に達する目標タイミングを求める演算部とを備えてもよい。
上記の演算装置では、前記演算部は、前記重合体と同種の重合体の過去の製造の所定タイミングにおける前記重合体の性能値と、当該過去の製造で得られた前記重合体の性能値と、当該過去の製造の目標タイミングとの関係を機械学習により学習済みの第２の学習済みモデルにより、前記目標の性能値及び前記所定タイミングにおける性能値とを用いて、現在、製造中の前記重合体が前記目標の性能値に達する前記目標タイミングを求めてもよい。
上記の演算装置では、上記に記載の予測装置と接続され、前記受付部は、前記所定タイミングにおける性能値として、前記予測装置で予測された前記性能値を受け付けてもよい。
本開示の他の演算装置は、重合体の製造において、当該重合体の製造の終了の判断に用いる目標タイミングを求める演算装置であって、現在の製造において前記重合体の製造に関わる値として観測される観測値を、演算用観測値として受け付けるとともに、現在の製造における前記重合体の性能の目標を表す目標の性能値を目標値として受け付ける受付部と、前記重合体と同種の重合体の過去の製造で得られた観測値と、当該過去の製造で得られた前記重合体の性能値と、当該過去の製造の目標タイミングとの関係を用いて、前記受付部で受け付けた前記演算用観測値から、前記現在の製造の目標タイミングを求める演算部とを備えてもよい。
上記の演算装置では、前記演算部は、前記重合体と同種の重合体の過去の製造で得られた学習用観測値と、当該過去の製造で得られた重合体の性能値と、当該過去の製造の目標タイミングとの関係を機械学習により学習済みの第３の学習済みモデルを用いて、前記演算用観測値から、前記目標タイミングを求めてもよい。
上記の演算装置では、前記重合体は、ゴムであってもよい。
本開示の製造装置は、重合体の原料が投入される重合槽と、現在の前記重合体の製造において前記重合体の製造に関わる値として観測される観測値を、予測用観測値として取得する取得部と、前記重合体と同種の重合体の過去の製造において得られた観測値と、当該過去の製造の所定タイミングにおける前記重合体の性能値との関係を用いて、前記取得部で取得された前記予測用観測値から、現在、製造される前記重合体の前記所定タイミングにおける前記性能値を予測する予測部と、現在の製造における前記重合体の性能の目標を表す目標の性能値と、前記予測部で予測された前記所定タイミングにおける性能値とを受け付ける受付部と、前記重合体と同種の重合体の過去の製造の前記所定タイミングにおける前記重合体の性能値と、当該過去の製造で得られた前記重合体の性能値と、当該過去の製造の目標タイミングとの関係と、前記受付部で受け付けた前記目標の性能値及び前記所定タイミングにおける性能値とを用いて、現在、製造中の前記重合体が前記目標の性能値に達する目標タイミングを求める演算部と、前記演算部に得られた目標タイミングを用いて現在の製造を終了させる制御部とを備えてもよい。
本開示の製造方法は、重合体の原料を重合槽に投入するステップと、現在の前記重合体の製造において前記重合体の製造に関わる値として観測される観測値を、予測用観測値として取得するステップと、前記重合体と同種の重合体の過去の製造において得られた観測値と、当該過去の製造の所定タイミングにおける前記重合体の性能値との関係を用いて、取得された前記予測用観測値から、現在、製造される前記重合体の所定タイミングにおける前記性能値を予測するステップと、現在の製造における前記重合体の性能の目標を表す目標の性能値と、予測された前記所定タイミングにおける性能値とを受け付けるステップと、前記重合体と同種の重合体の過去の製造の前記所定タイミングにおける前記重合体の性能値と、当該過去の製造で得られた前記重合体の性能値と、当該過去の製造の目標タイミングとの関係と、受け付けた前記目標の性能値及び前記所定タイミングにおける性能値とを用いて、現在、製造中の前記重合体が前記目標の性能値に達する目標タイミングを求めるステップと、求められた前記目標タイミングを用いて現在の製造を終了させるステップと、を有してもよい。
これらの概括的かつ特定の態様は、システム、方法、及びコンピュータプログラム、並びに、それらの組み合わせにより、実現されてもよい。
本開示の予測装置、演算装置、製造装置及び製造方法によれば、重合体の製造過程において必要な工程を削減することができる。
重合体の製造方法の一例に、重合槽内に製造対象である重合体の原料を投入し、重合槽内での重合反応により得られるものがある。この場合、重合槽内への原料の投入は、一度に全ての原料を投入するものばかりではなく、製造途中においても原料を投入することもある。例えば、原料には、モノマーや開始剤が含まれるが、初期投入するもの、間欠投入するもの、連続投入するもの等がありえる。また、一の重合体の生成に利用する複数種の原料毎に、異なる方法が組み合わせられる場合もある。具体的には、原料Ａ及び原料Ｂを用いてある重合体を製造する際、原料Ａについては初期投入するのみであるが、原料Ｂについては間欠投入する場合もある。
このような重合体の製造は、常に同一の製造時間で終了するものではなく、同一の重合体を製造する場合であっても、あるときには５０時間を要するが、あるときには７０時間を要する等、時間のみによって製造の各工程を定めることができるものではない。例えば、製造過程において、特定の原料の投入量が所定の量になった場合に、次の工程に進む場合がある。また例えば、製造過程にある重合体の性能が所定の値となったことを条件として、次の工程に進むことがある。例えば、原料の投入量に応じて次の工程に進むような場合には、原料の投入量を観測することで比較的容易に実現できる。一方、製造過程にある重合体の性能が所定の値に応じて次の工程に進む場合、製造過程にある重合体の性能値をリアルタイムで観測することは困難である。したがって、重合体の製造において各状況を把握しにくく、製造される重合体の性能がばらつきやすい傾向がある。
製造中の重合体の性能値を観測するため、製造中の重合体の一部を重合槽から抜き出して計測する必要があるが、重合槽からの重合体の抜き出し作業は少なくない作業時間を要する。
ところで、重合体の製造は、多種の材料が利用され、多種の機器が利用される。また、製造に要する時間も長くなる。そのため、ソフトセンサで利用可能なデータの候補は多数ある。したがって、どのデータをソフトセンサに利用するのが好ましいかは不明であり、簡単にソフトセンサを利用することも困難である。
以下に、図面を参照して説明する各実施の形態に係る予測装置、演算装置、製造装置及び製造方法は、製造過程において必要な工程を削減するものである。本開示の「予測装置」は、重合体の製造において、製造に関わる値として得られる観測値を用いて、所定のタイミングの重合体の性能を特定する『性能値』を予測するものである。予測装置を使用することにより、重合体の製造において、実際に重合槽から重合体を取り出して計測することなく性能値を予測することが可能となる。したがって、例えば、重合体を実測することなく、重合体の製造における重合の進行の程度を把握することができる。
「演算装置」は、重合体の製造において、所定のタイミングの重合体の性能値又は製造で得られる観測値を用いて、重合体の製造の終了の判断に用いる『目標タイミング』を求めるものである。演算装置を使用することにより、重合体の製造において、実際に重合槽から重合体を取り出してその性能を計測することなく、目標タイミングを決定することが可能となる。
「製造方法」及び「製造装置」は、予測される性能値や求められる目標タイミングを利用して、重合体を製造するものである。以下の説明では、同一の構成について、同一の符号を付して説明を省略する。
製造装置における製造対象である「重合体」は、１種又は２種以上のモノマーが重合して得られた化合物であるポリマーである。以下では、「重合体」は、『ゴム』であるものとして説明するが、これに限定されない。例えば、『ゴム』は、『フッ素ゴム』または『非フッ素ゴム』等である。
一の態様において、上記重合体はフッ素ゴムであり、特別にはパーフルオロゴムである。
上記フッ素ゴムのガラス転移温度は、２５℃以下であり、好ましくは０℃以下、より好ましくは－５℃以下、さらに好ましくは－１０℃以下であり、－２０℃以下であってもよい。ここで、ガラス転移温度は、示差走査熱量計（日立テクノサイエンス社製、Ｘ－ＤＳＣ８２３ｅ）を用い、－７５℃まで冷却した後、２０℃／分で昇温することによりＤＳＣ曲線を得て、ＤＳＣ曲線の二次転移前後のベースラインの延長線と、ＤＳＣ曲線の変曲点における接線との交点を示す温度をガラス転移温度とする。
上記フッ素ゴムとしては、例えばテトラフルオロエチレン（ＴＦＥ）、フッ化ビニリデン（ＶｄＦ）及び式（１）：
ＣＦ２＝ＣＦ－Ｒｆ ａ （１）
（式中、Ｒｆ ａは－ＣＦ３又は－ＯＲｆ ｂ（Ｒｆ ｂは炭素数１～５のパーフルオロアルキル基））で表されるパーフルオロエチレン系不飽和化合物（例えばヘキサフルオロプロピレン（ＨＦＰ）、パーフルオロ（アルキルビニルエーテル）（ＰＡＶＥ）等）よりなる群から選択される少なくとも１種の単量体に由来する構造単位を含むゴムが挙げられる。
ＣＦ２＝ＣＦ－Ｒｆ ａ （１）
（式中、Ｒｆ ａは－ＣＦ３又は－ＯＲｆ ｂ（Ｒｆ ｂは炭素数１～５のパーフルオロアルキル基））で表されるパーフルオロエチレン系不飽和化合物（例えばヘキサフルオロプロピレン（ＨＦＰ）、パーフルオロ（アルキルビニルエーテル）（ＰＡＶＥ）等）よりなる群から選択される少なくとも１種の単量体に由来する構造単位を含むゴムが挙げられる。
上記フッ素ゴムとしては、テトラフルオロエチレン（ＴＦＥ）／パーフルオロアルキルビニルエーテル系フッ素ゴムなどのテトラフルオロエチレン（ＴＦＥ）を含むパーフルオロゴム、フッ化ビニリデン（ＶｄＦ）系フッ素ゴム、ＴＦＥ／プロピレン（Ｐｒ）系フッ素ゴム、ＴＦＥ／Ｐｒ／ＶｄＦ系フッ素ゴム、エチレン（Ｅｔ）／ヘキサフルオロプロピレン（ＨＦＰ）系フッ素ゴム、Ｅｔ／ＨＦＰ／ＶｄＦ系フッ素ゴム、Ｅｔ／ＨＦＰ／ＴＦＥ系フッ素ゴム、フルオロシリコーン系フッ素ゴム、フルオロホスファゼン系フッ素ゴム等が挙げられる。
上記パーフルオロゴムとしては、ＴＦＥ／ＰＡＶＥからなるものなどが挙げられる。ＴＦＥ／ＰＡＶＥの組成は、（５０～９０）／（５０～１０）（モル％）であることが好ましく、より好ましくは、（５０～８０）／（５０～２０）（モル％）であり、更に好ましくは、（５５～７５）／（４５～２５）（モル％）である。
この場合のＰＡＶＥとしては、たとえばパーフルオロメチルビニルエーテル（ＰＭＶＥ）、パーフルオロプロピルビニルエーテル（ＰＰＶＥ）などが挙げられ、これらをそれぞれ単独で、または任意に組み合わせて用いることができる。
上記フッ素ゴムは、フッ素含有率が５０質量％以上であることが好ましく、５５質量％以上であることがより好ましく、６０質量％以上であることが更に好ましい。フッ素含有率の上限は、特に限定されるものではないが、７１質量％以下であることが好ましい。
上記フッ素ゴムとして例示したものは主単量体の構成であり、架橋性基を与える単量体を共重合したものも好適に用いることができる。架橋性基を与える単量体としては、製造法や架橋系に応じて適切な架橋性基を導入できるものであればよく、たとえばヨウ素原子、臭素原子、炭素－炭素二重結合、シアノ基、カルボキシル基、水酸基、アミノ基、エステル基などを含む公知の重合性化合物、連鎖移動剤などが挙げられる。
上記非フッ素ゴムとしては、アクリロニトリル－ブタジエンゴム（ＮＢＲ）またはその水素化物（ＨＮＢＲ）、スチレン－ブタジエンゴム（ＳＢＲ）、クロロプレンゴム（ＣＲ）、ブタジエンゴム（ＢＲ）、天然ゴム（ＮＲ）、イソプレンゴム（ＩＲ）等のジエン系ゴム、エチレン－プロピレン－ターモノマー共重合体ゴム、シリコーンゴム、ブチルゴム、エピクロロヒドリンゴム、アクリルゴム、塩素化ポリエチレン（ＣＰＥ）、アクリロニトリル－ブタジエンゴムと塩化ビニルのポリブレンド（ＰＶＣ－ＮＢＲ）、エチレンプロピレンジエンゴム（ＥＰＤＭ）等が挙げられる。
以下では、「性能値」は、ゴムの『ムーニー粘度』であるものとして説明するが、これに限定されない。具体的には、性能値は、重合対の性能を表すものであればよい。例えば、「性能値」は、製造される重合体の『平均分子量』、『４℃の水を基準とする比重（以下、単に「比重」という）』、『硬度』、『伸び』、『キュラスト最低値』、『キュラスト最高値』、『キュラスト誘導時間』、『キュラスト適正加硫時間』、『引っ張り強さ』、『100％引っ張り応力』、『ガラス転移点』、『熱分解開始温度』、および、『圧縮永久ひずみ率』のいずれかである。また、性能値は、これらの性能値から選択された複数を用いて関数により得られる値であってもよい。
また、「目標タイミング」は、製造の終了のための特定の操作が行われるタイミングであり、ここでは、『製造終了時のゴムの目標とする性能値を得るために特定の操作が行われるタイミング』であるとする。製造の終了のための特定の操作とは、例えば、原料の投入を停止すること、攪拌を停止すること、槽の圧力を下げること、冷却を開始することなどである。この「目標タイミング」は、状況に応じて求める必要がある。例えば、「目標タイミング」は、重合体の製造に関わる値として観測される観測値に応じて求めることができる。製造の『開始』は、例えば、最初の原料の投入のタイミングにより定められる。また、製造の『終了』は、目標タイミングに達した後、所定の終了の条件に達したことにより、製造された重合体の取り出しや移送が可能となったタイミングである。『終了の条件』とは、例えば、重合が実質的に停止する、重合槽内が所定の温度となる、重合槽内が所定の圧力値となる、最終の投入から所定時間が経過する、等である。
「観測値」は、ゴムの製造において、重合体の製造において当該重合体の製造に関わる値として観測される値であって例えば、製造装置に設置されるセンサ等で計測される計測値や、計測値を用いて所定の演算式により得られた値（演算結果）である。例えば、温度センサや圧力センサが利用されるとき、これらの計測値も、観測値である。また例えば、『ある原料についての、開始から現在までの投入量の合計』、『全原料についての、開始から現在までの投入量の合計』も、観測値である。なお、性能値の予測や目標タイミングの演算には、複数種の観測値が利用されてよく、その数も限定されない。また、同一時刻の異なる種類の観測値を複数用いてもよいし、これらの組み合わせを用いてもよい。
［実施の形態１］
図１乃至図７Ｂを用いて、実施の形態１に係る製造装置１Ａについて説明する。図１は、ゴムの製造に用いられる製造装置１Ａの一例である。図１に示す製造装置１Ａは、原料を重合槽３内に投入して製造されるゴムの製造において、ソフトセンサを用いて、重合槽３内のゴムの性能を特定する性能値であるムーニー粘度を予測する予測装置１０Ａと、ソフトセンサを用いて、重合槽３内のゴムの製造の目標タイミングを求める演算装置２０Ａとを含む。また、製造装置１Ａは、演算装置２０Ａにより得られた目標タイミングを用いて、現在の製造を終了させるための特定の操作を行う操作部３０を含む。
図１乃至図７Ｂを用いて、実施の形態１に係る製造装置１Ａについて説明する。図１は、ゴムの製造に用いられる製造装置１Ａの一例である。図１に示す製造装置１Ａは、原料を重合槽３内に投入して製造されるゴムの製造において、ソフトセンサを用いて、重合槽３内のゴムの性能を特定する性能値であるムーニー粘度を予測する予測装置１０Ａと、ソフトセンサを用いて、重合槽３内のゴムの製造の目標タイミングを求める演算装置２０Ａとを含む。また、製造装置１Ａは、演算装置２０Ａにより得られた目標タイミングを用いて、現在の製造を終了させるための特定の操作を行う操作部３０を含む。
製造装置１Ａに投入される原料には、モノマー、開始剤、連鎖移動剤等が含まれる。また、原料には、初期投入するもの、間欠投入するもの、連続投入するもの等があるが実施の形態１に係る製造装置１Ａでは、間欠的に投入するもの又は連続投入するものを例として説明する。
具体的には、図１に示すように、予測装置１０Ａは、第１のソフトセンサであるムーニー粘度予測モデルＭ１を用いて、『観測値』から製造の所定のタイミングのゴムの性能値である『ムーニー粘度』を予測する。また、演算装置２０Ａは、第２のソフトセンサである目標タイミング演算モデルＭ２を用いて、所定タイミングの『ムーニー粘度』からゴムの製造の『目標タイミング』を求める。そして、製造装置１Ａは、求めた目標タイミングを利用して重合槽３内への材料の投入を終了し、ゴムの製造を終了させることができる。例えば、製造装置１Ａは、目標タイミングに達した後、重合槽３内での攪拌を終了したり、温度の調整を終了したりして、ゴムの取り出し等を可能な状態にすることができる。
製造装置１Ａは、ゴムの重合に用いる重合槽３を備え、攪拌機３１を制御する制御信号を出力することができ、制御の結果（例えば、撹拌機の回転数や、回転のために利用した電流量）を受信することができる。また、製造装置１Ａは、原料が保存される保存槽４１，４２が接続され、原料の投入を制御する制御信号を出力することができる。製造装置１Ａは、例えば、圧力センサ３３で計測された重合槽３内の圧力値を、観測値として利用し、保存槽４１，４２から重合槽３への投入タイミングを制御することができる。
以下では、第１のソフトセンサとして学習済モデルであるムーニー粘度予測モデルＭ１を用いて、第２のソフトセンサとして学習済モデルである目標タイミング演算モデルＭ２を用いた例で説明するが、これらに限定されない。第１のソフトセンサは、単に、必要な『観測値』を入力とし、所定タイミングにおけるゴムの『ムーニー粘度』を予測する関数であってもよい。また、第２のソフトセンサも、単に、所定タイミングにおけるゴムの『ムーニー粘度』と、製造するゴムの目標の『性能値』とを入力とし、『目標タイミング』を演算する関数であってもよい。
〈予測装置〉
図２に示すように、予測装置１０Ａは、制御部１１と、記憶部１２と、通信部１３とを備える情報処理装置である。制御部１１は、予測装置１０Ａ全体の制御を司るコントローラである。例えば、制御部１１は、記憶部１２に記憶される予測プログラムＰ１を読み出して実行することにより、取得部１１１、予測部１１２としての処理を実現する。また、制御部１１は、ハードウェアとソフトウェアの協働により所定の機能を実現するものに限定されず、所定の機能を実現する専用に設計されたハードウェア回路でもよい。すなわち、制御部１１は、ＣＰＵ、ＭＰＵ、ＧＰＵ、ＦＰＧＡ、ＤＳＰ、ＡＳＩＣ等、種々のプロセッサで実現することができる。
図２に示すように、予測装置１０Ａは、制御部１１と、記憶部１２と、通信部１３とを備える情報処理装置である。制御部１１は、予測装置１０Ａ全体の制御を司るコントローラである。例えば、制御部１１は、記憶部１２に記憶される予測プログラムＰ１を読み出して実行することにより、取得部１１１、予測部１１２としての処理を実現する。また、制御部１１は、ハードウェアとソフトウェアの協働により所定の機能を実現するものに限定されず、所定の機能を実現する専用に設計されたハードウェア回路でもよい。すなわち、制御部１１は、ＣＰＵ、ＭＰＵ、ＧＰＵ、ＦＰＧＡ、ＤＳＰ、ＡＳＩＣ等、種々のプロセッサで実現することができる。
記憶部１２は種々の情報を記録する記録媒体である。記憶部１２は、例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ＳＳＤ（Solid State Device）、ハードディスク、その他の記憶デバイス又はそれらを適宜組み合わせて実現される。記憶部１２には、制御部１１が実行する予測プログラムＰ１の他、学習及び予測のために使用する種々のデータ等が格納される。例えば、記憶部１２は、予測用観測値１２１、途中ムーニー粘度１２２、ムーニー粘度予測モデルＭ１、及び、予測プログラムＰ１を記憶する。なお、ムーニー粘度予測モデルＭ１は、予測プログラムＰ１に含まれるものであってもよい。
通信部１３は、外部の装置（図示せず）とのデータ通信を可能とするためのインタフェース回路（モジュール）である。
予測装置１０Ａは、入力部１４及び出力部１５を備えることができる。入力部１４は、操作信号やデータの入力に利用される操作ボタン、マウス、キーボード等の入力手段である。出力部１５は、処理結果やデータの出力等に利用されるディスプレイ等の出力手段である。
取得部１１１は、現在の製造においてゴムの製造に関わる値として観測される観測値を、予測用観測値１２１として取得する。また、取得部１１１は、記憶部１２に予測用観測値１２１を記憶させる。
このとき、取得部１１１は、現在の製造に関する時刻情報とともに観測値を取得し、時刻情報及び観測値のセットを予測用観測値としてもよい。時刻情報は、典型的には現在の製造の開始からの経過時間である。なお、時刻情報は、経過時間以外の時刻情報であってもよい。すなわち、経過時間に代えて、製造の開始時の時刻情報と、各観測値を観測した時刻情報とを利用し、製造開始からの経過時間とすることができる。
予測部１１２は、現在製造中のゴムと同種のゴムの過去の製造で得られた観測値と、過去の製造の所定タイミングにおけるゴムのムーニー粘度との関係を用いて、取得部１１１で取得された予測用観測値から、現在、製造されるゴムの所定タイミングにおけるムーニー粘度を予測する。『所定タイミング』は、原料を投入後かつ製造終了前のタイミングであり、例えば、所定の原料の投入量が所定値となったタイミング、製造開始から所定時間（例えば、３時間）が経過したタイミング等である。なお、この『所定タイミングにおけるムーニー粘度』を、以下では、必要に応じて、『途中ムーニー粘度』として説明する。
予測部１１２は、予測した途中ムーニー粘度１２２を、記憶部１２に記憶させる。または、予測部１１２は、途中ムーニー粘度１２２を、演算装置２０Ａに出力してもよい。
ここで、予測部１１２は、途中ムーニー粘度１２２の予測に、機械学習により学習済みの学習済みモデルであるムーニー粘度予測モデルＭ１を利用することができる。このムーニー粘度予測モデルＭ１は、製造中のゴムと同種のゴムの過去の製造で得られた観測値である学習用観測値と、過去の製造の途中ムーニー粘度との関係を学習したものである。したがって、ムーニー粘度予測モデルＭ１は、取得部１１１で取得された予測用観測値を入力として、製造中のゴムの途中ムーニー粘度を予測することができる。機械学習については、図５Ａを用いて後述する。
例えば、ムーニー粘度予測モデルＭ１が、重回帰分析を利用するモデルである場合、予測対象の『途中ムーニー粘度』が回帰分析の『目的変数』となり、『観測値』が回帰分析の『説明変数』となる。また、ムーニー粘度予測モデルＭ１の入力データとなる予測用観測値１２１は、過去の製造において得られた複数種の観測値から、遺伝的アルゴリズムにより選択された、１の観測値、又は、複数の観測値の組み合わせであってもよい。したがって、遺伝的アルゴリズムにより選択された予測用観測値１２１は、ムーニー粘度の予測に適した観測値である。具体的には、選択された観測値を用いてムーニー粘度予測モデルＭ１を構築した場合に、このムーニー粘度予測モデルＭ１の予測性能が高くなるように、遺伝的アルゴリズムを用いて、観測値を選択する。
例えば、予測用観測値１２１は、重合槽３内にて原料を含む反応混合物を攪拌する攪拌機３１の『攪拌電流値』、『攪拌電力値』、重合槽３内の『圧力値』、製造の開始から現時点までのいずれかの原料の『投入量』、および、製造の開始から現時点までの全原料の『投入量』のうち少なくともいずれかを含む。すなわち、予測用観測値１２１は、これら複数種から選択された一種の値であっても良いし、複数種の値の組み合わせであってもよい。
なお、予測用観測値１２１は、センサ３２，３３や流量計４３，４４で実際に計測された計測値の他、計測値を用いて演算された値であってもよい。この場合、例えば、取得部１１１は、所定の演算式により、取得する計測値を用いて、予測用観測値１２１を求めて記憶部１２に記憶させる。
予測用観測値１２１が観測値とともに経過時間を含む場合、予測部１１２は、過去の製造における観測値と、過去の製造の開始からの経過時間とをセットとする学習用観測値と、過去の製造の途中ムーニー粘度との関係を用いて、現在の製造で製造されるゴムの途中ムーニー粘度を予測する。
このように予測装置１０Ａによって、途中ムーニー粘度１２２を予測することにより、製造中に重合槽３からゴムを抜き出して実測するような複雑な経過を経ずに、製造中のゴムのムーニー粘度を知ることができる。この途中ムーニー粘度を利用してゴムの製造の終了を判断することができるため、製造工程を削減することができる。
〈演算装置〉
図３に示すように、演算装置２０Ａは、制御部２１と、記憶部２２と、通信部２３とを備える情報処理装置である。また、演算装置２０Ａは、入力部２４及び出力部２５を備えることができる。例えば、制御部２１は、記憶部２２に記憶される演算プログラムＰ２を読み出して実行することにより、受付部２１１及び演算部２１２としての処理を実現する。また例えば、記憶部２２は、途中ムーニー粘度１２２、目標値２２１、目標タイミング２２２、目標タイミング演算モデルＭ２、及び、演算プログラムＰ２を記憶する。なお、目標タイミング演算モデルＭ２は、演算プログラムＰ２に含まれるものであってもよい。
図３に示すように、演算装置２０Ａは、制御部２１と、記憶部２２と、通信部２３とを備える情報処理装置である。また、演算装置２０Ａは、入力部２４及び出力部２５を備えることができる。例えば、制御部２１は、記憶部２２に記憶される演算プログラムＰ２を読み出して実行することにより、受付部２１１及び演算部２１２としての処理を実現する。また例えば、記憶部２２は、途中ムーニー粘度１２２、目標値２２１、目標タイミング２２２、目標タイミング演算モデルＭ２、及び、演算プログラムＰ２を記憶する。なお、目標タイミング演算モデルＭ２は、演算プログラムＰ２に含まれるものであってもよい。
受付部２１１は、ゴムの所定タイミングにおける性能値（途中ムーニー粘度）と、現在の製造におけるゴムの目標のムーニー粘度と、を受け付ける。『目標のムーニー粘度』を、以下では、必要に応じて『目標値』として説明する。例えば、受付部２１１が受け付ける途中ムーニー粘度１２２は、予測装置１０Ａによって予測されたものであってもよい。また、受付部２１１は、受け付けた途中ムーニー粘度１２２及び目標値２２１を、記憶部２２に記憶させる。
また、例えば、同一の性能のゴムを複数回製造する場合、演算装置２０Ａは、各回で新たに目標値を受け付ける必要はなく、過去に受け付け、記憶部２２に記憶した目標値２２１を読み出して利用してもよい。
演算部２１２は、製造中のゴムと同種のゴムの過去の製造の途中ムーニー粘度と、過去の製造で得られたゴムの最終のムーニー粘度と、ゴムの製造の目標タイミングとの関係と、受付部２１１で受け付けた目標値及び途中ムーニー粘度を用いて、現在のゴムの製造の終了の判断に利用される目標タイミングを求める。また、演算部２１２は、求めた目標タイミングを操作部３０に出力する。なお、過去の製造の途中ムーニー粘度、最終ムーニー粘度、及び、目標タイミングは、全て実測値である。
ここで、演算部２１２は、目標タイミング２２２の演算に、機械学習により学習済みの学習済みモデルである目標タイミング演算モデルＭ２を利用することができる。この目標タイミング演算モデルＭ２は、製造中のゴムと同種のゴムの過去の途中ムーニー粘度と、最終ムーニー粘度と、目標タイミングとの関係を機械学習により学習したものである。したがって、目標タイミング演算モデルＭ２は、受付部２１１が受け付けた目標値２２１及び途中ムーニー粘度１２２を用いて、現在、製造するゴムの性能を目標値とするために、現在のゴムの製造終了の判断に利用する目標タイミングを求めることができる。機械学習については、図７Ａを用いて、後述する。
このように演算装置２０Ａによって、目標タイミング２２２を求めることにより、ゴムのムーニー粘度が目標となる状態で製造工程を終了させることが可能となる。したがって、演算結果で得られた目標タイミング２２２を利用することにより、従来の簡素なソフトセンサと比較して、製造されるゴムのムーニー粘度のばらつきを低減することができる。なお、演算装置２０Ａにより目標値を利用し得られた目標タイミングに基づいて製造を終了した場合であっても、必ずしも得られたゴムのムーニー粘度（最終ムーニー粘度）が目標値と一致するのではなく、この目標値から所望の範囲内に収まるということである。
なお、受付部２１１が、予測装置１０Ａで予測された途中ムーニー粘度を、受け付ける例で説明した。しかしながら、製造中のゴムを重合槽３から抜き出して実際に計測することが可能な場合、受付部２１１は、実測された途中ムーニー粘度を受け付けてもよい。特に、観測値を取得する機器等に異常が生じ、正確な観測値を取得できないことにより予測装置１０Ａが、正確に途中ムーニー粘度を予測できない場合、予測装置１０Ａの利用を中止し、重合槽３から抜き出した製造中のゴムの途中ムーニー粘度を利用することが有効である。
図１の例では、予測装置１０Ａ、演算装置２０Ａ及び操作部３０は、別体として示されるが、複数が１台の情報処理装置によって構成されていても良い。例えば、全てが１台の情報処理装置によって構成されていても良いし、予測装置１０Ａ及び演算装置２０Ａ、または演算装置２０Ａ及び操作部３０が１台の情報処理装置によって構成されていてもよい。
〈製造方法〉
図４に示すフローチャートを用いて、製造装置１Ａにおけるゴムの製造処理について説明する。製造装置１Ａにおいてゴムの製造が開始されると、予測装置１０Ａの取得部１１１は、予測用観測値１２１を取得する（Ｓ１１）。なお、取得部１１１は、外部のセンサや装置から取得した値を用いて、演算により予測用観測値１２１を取得してもよい。
図４に示すフローチャートを用いて、製造装置１Ａにおけるゴムの製造処理について説明する。製造装置１Ａにおいてゴムの製造が開始されると、予測装置１０Ａの取得部１１１は、予測用観測値１２１を取得する（Ｓ１１）。なお、取得部１１１は、外部のセンサや装置から取得した値を用いて、演算により予測用観測値１２１を取得してもよい。
予測部１１２は、ステップＳ１１で取得された予測用観測値１２１を用いて、製造中のゴムの途中ムーニー粘度１２２を求める（Ｓ１２）。これにより、製造装置１Ａでは、複雑な工程により実測することなく、途中ムーニー粘度を得ることができる。
演算装置２０Ａの受付部２１１は、ステップＳ１２で得られた途中ムーニー粘度１２２と、製造中のゴムの目標値２２１とを受け付ける（Ｓ１３）。
演算部２１２は、ステップＳ１３で受け付けた途中ムーニー粘度１２２と、目標値２２１を用いて、製造中のゴムの製造終了の判断に利用される目標タイミング２２２を求める（Ｓ１４）。
これにより、製造装置１Ａでは、ステップＳ１４で得られた目標タイミング２２２を利用して、終了の条件に達するまでゴムの製造を継続し、条件に達した場合にゴムの製造を終了する（Ｓ１５）。
これにより、製造装置１Ａでは、抜き取り検査をする必要がないため、人手による検査工程を不要とすることができるため、製造工程を削減することができる。
なお、上述したステップＳ１及びＳ２の処理は、予測装置１０Ａで実行され、ステップＳ３及びＳ４の処理は、演算装置２０Ｂで実行されるものとする。また仮に、製造装置１Ａにより、途中ムーニー粘度の実測を実施可能である場合、ステップＳ３では、製造中のゴムのサンプリングにより実測された途中ムーニー粘度を受け付け、ステップＳ４では、実測された途中ムーニー粘度を用いて目標タイミングを求めてもよい。このような場合、サンプリングされた途中ムーニー粘度を用いて、過去の経験則で得られたソフトセンサから、目標値が得られる目標タイミングを求めることが可能となる。
ここで、製造装置１Ａは、１台のコンピュータにより実現されてもよいし、ネットワークを介して接続される複数台のコンピュータの組み合わせにより実現されてもよい。例えば、図２に示す予測装置１０Ａと図３に示す演算装置２０Ａとは、別々のコンピュータである必要はなく、同一のコンピュータで実現されてもよい。その場合、制御部１１，２１、記憶部１２，２２、通信部１３，２３、入力部１４，２４、及び、出力部１５，２５が同一であるものとする。また、例えば、記憶部１２に記憶されるデータの全部又は一部が、ネットワークを介して接続される外部の記録媒体に記憶され、予測装置１０Ａは、外部の記録媒体に記憶されるデータを使用するように構成されていてもよい。
〈機械学習〉
図５Ａ及び図５Ｂを用いて、機械学習を用いたムーニー粘度予測モデルＭ１の生成及び利用の概略を示し、図７Ａ及び図７Ｂを用いて、機械学習を用いた目標タイミング演算モデルＭ２の生成及び利用の概略を示す。「機械学習」は、入力されたデータに含まれる特徴を学習し、新たに入力されたデータに対応する結果を推定する「モデル」を生成する手法である。具体的には、機械学習は、「学習器」により学習される。このように生成されたモデルを「学習済みモデル」とする。
図５Ａ及び図５Ｂを用いて、機械学習を用いたムーニー粘度予測モデルＭ１の生成及び利用の概略を示し、図７Ａ及び図７Ｂを用いて、機械学習を用いた目標タイミング演算モデルＭ２の生成及び利用の概略を示す。「機械学習」は、入力されたデータに含まれる特徴を学習し、新たに入力されたデータに対応する結果を推定する「モデル」を生成する手法である。具体的には、機械学習は、「学習器」により学習される。このように生成されたモデルを「学習済みモデル」とする。
「学習器」には、図５Ａに示すように、過去のゴムの製造で得られた複数組の入力データと正解データが入力される。具体的には、ムーニー粘度予測モデルＭ１を生成する場合、入力データとして、過去のゴムの製造で得られた『観測値』を用い、正解データとして、過去のゴムの製造において実測された『途中ムーニー粘度』を用いる。これにより、学習器は、学習用データセットの関係である観測値と途中ムーニー粘度の関係を学習し、この観測値と途中ムーニー粘度の関係をパラメータで表す学習済みモデルであるムーニー粘度予測モデルＭ１を生成する。また、生成されたムーニー粘度予測モデルＭ１を使用することで、図５Ｂに示すように、新たな入力である『観測値』に対し、求めたい出力である『途中ムーニー粘度』を得ることができる。したがって、ムーニー粘度予測モデルＭ１により得られる出力は、実測値ではなく予測値としての『途中ムーニー粘度』である。
より具体的には、機械学習では、図６に示すように、学習済みモデルを生成する際には、過去のゴムの製造で得られた観測値である「入力データ」と、対応する製造で得られたゴムの途中ムーニー粘度である「正解データ」とが一組となる複数組で形成される「データセット」を利用する。この際、この過去の運転で得られた「データセット」のうち一部を、『学習用』の学習用データセットとし、残りを学習の確認である『評価用』の評価用データセットとする。学習用データセットは、トレーニング用データセットともいう。また、評価用データセットは、例えば、テスト用データセットともいう。
なお、「データセット」を、「学習用データセット」と「評価用データセット」とに分ける際、時系列で古いものを「学習用データセット」とし、新しいものを「評価用データセット」とすることが好ましい。例えば、製造装置１Ａにおける製造で得られる観測値は、時系列的に変化することがある。例えば、機器の経年劣化に影響を受ける観測値については、近い時期に得られた複数の観測値は、離れた時期に得られた観測値よりも類似する場合もある。したがって、新しいデータの方が、今後の製造で得られるデータと類似する傾向がある。このような場合、より新しい観測値を評価に利用した方が、今後製造装置１Ａで実際に製造される観測値と類似する観測値で予測モデルを評価することができる可能性がある。そのため、過去の製造で得られたデータのうち、例えば、所定割合の古いデータを学習用データセットとし、残りの新しいデータを評価用データセットとすることで、今後の製造で得られるデータと類似するデータでムーニー粘度予測モデルＭ１を評価することができる。
また、図７Ａに示すように、目標タイミング演算モデルＭ２を生成する場合、入力データとして、実測された『途中ムーニー粘度』及び『目標タイミング』を用い、正解データとして、実測された『最終ムーニー粘度』を用いる。これにより、学習器は、学習用データセットの関係である途中ムーニー粘度と、目標タイミングと、最終ムーニー粘度との関係を学習し、この学習データセットの関係をパラメータで表す学習済みモデルである目標タイミング演算モデルＭ２を生成する。上述したように、最終ムーニー粘度は、過去の製造で得られたゴムについて実測されたムーニー粘度であるため、図７Ａに示す学習用データセットを利用して、各途中ムーニー粘度及び目標タイミングの場合に、どのような性能のゴムが製造されるかの関係を学習することができる。そして、このように生成された目標タイミング演算モデルＭ２は、図７Ｂに示すように、『途中ムーニー粘度』と『目標値』とを入力とし、最終ムーニー粘度が目標値となるような、『目標タイミング』を求めることができる。目標タイミング演算モデルＭ２の入力とする『途中ムーニー粘度』は、実測値であってもよいし、精度の高い予測値であってもよい。したがって、ムーニー粘度予測モデルＭ１で得られた途中ムーニー粘度を、目標タイミング演算モデルＭ２の入力としてもよいし、実測された途中ムーニー粘度であってもよい。
図示を用いた説明は省略するが、目標タイミング演算モデルＭ２の生成に利用するデータも、図６を用いて上述したように、古いものから学習用データセットを選択し、新しいものからテストデータセットを選択することが好ましい。
機械学習には、教師あり学習、教師なし学習、強化学習等があるが、図５Ａ及び図７Ａで上述した例は、教師あり学習である。学習器は、例えば、機械学習として、上述した重回帰分析等を利用することができる。また、学習器は、重回帰分析以外の回帰手法（例えば、ＰＣＲ (Principal Component Regression) 、ＰＬＳ (Partial Least Squares)、ＳＶＲ (Support Vector Regression)、ＤＴ (Decision Tree)、ＲＦ (Random Forest)、ＧＰＲ (Gaussian Process Regression)、ＮＮ (Neural Network)、Model Tree等）を利用してもよい。上記のアルゴリズムの頭にＴＤ（Time Difference）、ＪＩＴ (Just In Time)、ＭＷ（Moving Window)を付けることもできる。また、学習器は、ＬＷＰＬＳ（Locally Weighted Partial Least Squares）を利用することもできる。さらに、学習器は、これらの手法を組み合わせて利用してもよい。
［実施の形態２］
図８乃至図１１Ｂを用いて、実施の形態２に係る製造装置１Ｂについて説明する。図８は、ゴムの製造に用いられる製造装置１Ｂの一例である。図８に示す製造装置１Ｂは、原料を重合槽３内に投入して製造されるゴムの製造において、ソフトセンサを用いて、ゴムの製造の目標タイミングを求める演算装置２０Ｂを含む。また、製造装置１Ｂは、演算装置２０Ｂにより得られた目標タイミングを用いて、現在の製造を終了させるための特定の操作を行う操作部３０を含む。なお、実施の形態２に係る製造装置１Ｂにおいて、上述した製造装置１Ａと同一の構成については同一の図面を用いて、説明を省略する。ここでも製造装置１Ｂでは、原料を間欠的に投入するもの又は連続投入するものとして説明する。
図８乃至図１１Ｂを用いて、実施の形態２に係る製造装置１Ｂについて説明する。図８は、ゴムの製造に用いられる製造装置１Ｂの一例である。図８に示す製造装置１Ｂは、原料を重合槽３内に投入して製造されるゴムの製造において、ソフトセンサを用いて、ゴムの製造の目標タイミングを求める演算装置２０Ｂを含む。また、製造装置１Ｂは、演算装置２０Ｂにより得られた目標タイミングを用いて、現在の製造を終了させるための特定の操作を行う操作部３０を含む。なお、実施の形態２に係る製造装置１Ｂにおいて、上述した製造装置１Ａと同一の構成については同一の図面を用いて、説明を省略する。ここでも製造装置１Ｂでは、原料を間欠的に投入するもの又は連続投入するものとして説明する。
具体的には、図８に示すように、演算装置２０Ｂは、第３のソフトセンサである第２目標タイミング演算モデルＭ３を用いて、『観測値』からゴムの製造の『目標タイミング』を求める。そして、製造装置１Ｂは、求めた目標タイミングを利用して重合槽３内への材料の投入を終了し、ゴムの製造を終了させることができる。具体的には、製造装置１Ｂは、目標タイミングに達した後、重合槽３内での攪拌を終了したり、温度の調整を終了し、ゴムを取り出し可能な状態にすることができる。
〈演算装置〉
図９に示すように、演算装置２０Ｂは、制御部２１と、記憶部２２と、通信部２３とを備える情報処理装置である。また、演算装置２０Ｂは、入力部２４及び出力部２５を備えることができる。例えば、制御部２１は、記憶部２２に記憶される第２演算プログラムＰ３を読み出して実行することにより、受付部２１３及び演算部２１４としての処理を実現する。また例えば、記憶部２２は、演算用観測値２２３、目標値２２１、目標タイミング２２２、第２目標タイミング演算モデルＭ３、及び、第２演算プログラムＰ３を記憶する。なお、第２目標タイミング演算モデルＭ３は、第２演算プログラムＰ３に含まれるものであってもよい。
図９に示すように、演算装置２０Ｂは、制御部２１と、記憶部２２と、通信部２３とを備える情報処理装置である。また、演算装置２０Ｂは、入力部２４及び出力部２５を備えることができる。例えば、制御部２１は、記憶部２２に記憶される第２演算プログラムＰ３を読み出して実行することにより、受付部２１３及び演算部２１４としての処理を実現する。また例えば、記憶部２２は、演算用観測値２２３、目標値２２１、目標タイミング２２２、第２目標タイミング演算モデルＭ３、及び、第２演算プログラムＰ３を記憶する。なお、第２目標タイミング演算モデルＭ３は、第２演算プログラムＰ３に含まれるものであってもよい。
受付部２１３は、現在の製造においてゴムの製造に関わる値として観測される観測値を、演算用観測値２２３として受け付ける。なお、演算用観測値２２３は、上述した予測用観測値１２１と同一であってよい。また、受付部２１３は、現在の製造の目標値２２１を受け付ける。また、受付部２１３は、受け付けた演算用観測値２２３及び目標値２２１を、記憶部２２に記憶させる。
演算部２１４は、製造中のゴムと同種のゴムの過去の製造で得られた観測値と、過去の製造で製造されたゴムの最終ムーニー粘度と、過去の製造の目標タイミングとの関係を用いて、受付部２１３で受け付けた演算用観測値２２３及び目標値２２１から、現在の製造の目標タイミングを求める。なお、過去の製造の観測値、最終ムーニー粘度、及び、目標タイミングは、全て実測値である。
ここで、演算部２１４は、目標タイミングの演算に、機械学習により学習済みの学習済みモデルである第２目標タイミング演算モデルＭ３を利用することができる。この第２目標タイミング演算モデルＭ３は、製造中のゴムと同種のゴムの過去の製造において得られた観測値である学習用観測値と、過去の製造で得られたゴムの最終ムーニー粘度と、過去の製造の目標タイミングとの関係を機械学習により学習したものである。したがって、第２目標タイミング演算モデルＭ３は、受付部２１３が受け付けた演算用観測値及び目標値を用いて、現在、製造するゴムの性能を目標値とするために、現在のゴムの製造終了の判断に利用する目標タイミングを求めることができる。機械学習については、図１１Ａを用いて後述する。
なお、図８の例では、演算装置２０Ｂ及び操作部３０は、別体として示されるが、１台の情報処理装置によって構成されていても良い
このように演算装置２０Ｂによって、目標タイミング２２２を求めることにより、ゴムのムーニー粘度が目標となる状態で製造を終了させることが可能となる。したがって、演算結果で得られた目標タイミング２２２を利用することにより、実測に関する工程を削減することができる。なお、演算装置２０Ｂにより目標値を利用し得られた目標タイミングに基づいて製造を終了した場合であっても、必ずしも得られたゴムのムーニー粘度（最終ムーニー粘度）が目標値と一致するのではなく、この目標値から所望の範囲内に収まるということである。また、第２目標タイミング演算モデルＭ３の使用により、従来の簡素なソフトセンサと比較し、ゴム品質のばらつきを低減させることができる。
〈製造処理〉
図９に示すフローチャートを用いて、製造装置１Ｂにおけるゴムの製造処理について説明する。製造装置１Ｂにおいてゴムの製造が開始されると、演算装置２０Ｂの受付部２１３は、演算用観測値２２３及び目標値２２１を取得する（Ｓ２１）。なお、取得部１１１は、外部のセンサや装置から受け付けた値を用いて、演算により演算用観測値２２３を求めてもよい。
図９に示すフローチャートを用いて、製造装置１Ｂにおけるゴムの製造処理について説明する。製造装置１Ｂにおいてゴムの製造が開始されると、演算装置２０Ｂの受付部２１３は、演算用観測値２２３及び目標値２２１を取得する（Ｓ２１）。なお、取得部１１１は、外部のセンサや装置から受け付けた値を用いて、演算により演算用観測値２２３を求めてもよい。
演算部２１４は、ステップＳ２１で受け付けた演算用観測値２２３と、目標値２２１とを用いて、製造中のゴムの製造終了の判断に利用される目標タイミング２２２を求める（Ｓ２２）。
これにより、製造装置１Ｂでは、ステップＳ２２で得られた演算用観測値２２３、目標タイミング２２２を利用して、終了の条件に達するまでゴムの製造を継続し、条件に達した場合にゴムの製造を終了する（Ｓ５）。
これにより、製造装置１Ｂでは、抜き取り検査をすることなく、実測に関する工程を削減することができ、容易な手順でゴムの品質のばらつきを低減することができる。
〈機械学習〉
図１１Ａ及び図１１Ｂを用いて、機械学習を用いた第２目標タイミング演算モデルＭ３の生成及び利用の概略を示す。図１１Ａに示すように、第２目標タイミング演算モデルＭ３を生成する場合、入力データとして、過去のゴムの製造で得られた『観測値』及び過去の製造で得られたゴムについて実測された『最終ムーニー粘度』を用い、正解データとして、過去のゴムの製造において実測された『目標タイミング』を用いる。学習器は、このような学習データセットの関係である観測値と、最終ムーニー粘度と、目標タイミングとの関係を学習し、この学習データセットの関係をパラメータで表す学習済みモデルである第２目標タイミング演算モデルＭ３を生成する。上述したように、最終ムーニー粘度は、過去の製造で得られたゴムについて実測されたムーニー粘度であるため、図１１Ａに示す学習データセットの利用により、各観測値及び最終ムーニー粘度の場合に、どのような目標タイミングであったかの関係を表すことができる。そして、生成された第２目標タイミング演算モデルＭ３は、図１１Ｂに示すように、『観測値』及び『目標値』を入力とし、最終ムーニー粘度が目標値となるような『目標タイミング』を求めることができる。
図１１Ａ及び図１１Ｂを用いて、機械学習を用いた第２目標タイミング演算モデルＭ３の生成及び利用の概略を示す。図１１Ａに示すように、第２目標タイミング演算モデルＭ３を生成する場合、入力データとして、過去のゴムの製造で得られた『観測値』及び過去の製造で得られたゴムについて実測された『最終ムーニー粘度』を用い、正解データとして、過去のゴムの製造において実測された『目標タイミング』を用いる。学習器は、このような学習データセットの関係である観測値と、最終ムーニー粘度と、目標タイミングとの関係を学習し、この学習データセットの関係をパラメータで表す学習済みモデルである第２目標タイミング演算モデルＭ３を生成する。上述したように、最終ムーニー粘度は、過去の製造で得られたゴムについて実測されたムーニー粘度であるため、図１１Ａに示す学習データセットの利用により、各観測値及び最終ムーニー粘度の場合に、どのような目標タイミングであったかの関係を表すことができる。そして、生成された第２目標タイミング演算モデルＭ３は、図１１Ｂに示すように、『観測値』及び『目標値』を入力とし、最終ムーニー粘度が目標値となるような『目標タイミング』を求めることができる。
〈効果及び補足〉
以上のように、本出願において開示する技術の例示として、上記各実施の形態を説明した。しかしながら、本開示における技術は、これに限定されず、適宜、変更、置き換え、付加、省略などを行った実施の形態にも適用可能である。
以上のように、本出願において開示する技術の例示として、上記各実施の形態を説明した。しかしながら、本開示における技術は、これに限定されず、適宜、変更、置き換え、付加、省略などを行った実施の形態にも適用可能である。
本開示の全請求項に記載の予測装置、演算装置、製造装置及び製造方法は、ハードウェア資源、例えば、プロセッサ、メモリ、及びプログラムとの協働などによって、実現される。
本開示のしみ予測装置、演算装置、製造装置及び製造方法は、例えば、重合体の製造に有用である。
１Ａ，１Ｂ 製造装置
１０Ａ 予測装置
２０Ａ，２０Ｂ 演算装置
１１，２１ 制御部
１２，２２ 記憶部
１３，２３ 通信部
１４，２４ 入力部
１５，２５ 出力部
１１１ 取得部
１１２ 予測部
２１１，２１３ 受付部
２１２，２１４ 演算部
１２１ 予測用観測値
１２２ 途中ムーニー粘度
２２１ 目標値
２２２ 目標タイミング
２２３ 演算用観測値
１０Ａ 予測装置
２０Ａ，２０Ｂ 演算装置
１１，２１ 制御部
１２，２２ 記憶部
１３，２３ 通信部
１４，２４ 入力部
１５，２５ 出力部
１１１ 取得部
１１２ 予測部
２１１，２１３ 受付部
２１２，２１４ 演算部
１２１ 予測用観測値
１２２ 途中ムーニー粘度
２２１ 目標値
２２２ 目標タイミング
２２３ 演算用観測値
Claims (16)
- 重合体の製造において、原料を投入後かつ製造終了前の所定タイミングの重合槽内の当該重合体の性能を表す性能値を予測する予測装置であって、
現在の重合体の製造において当該重合体の製造に関わる値として観測される観測値を、予測用観測値として取得する取得部と、
前記重合体と同種の重合体の過去の製造において得られた観測値と、当該過去の製造の所定タイミングにおける前記重合体の性能値との関係を用いて、前記取得部で取得された予測用観測値から、現在、製造される前記重合体の前記所定タイミングにおける前記性能値を予測する予測部と、
を備える予測装置。 - 前記予測部は、前記重合体と同種の重合体の過去の製造において得られた学習用観測値と、当該過去の製造の所定タイミングにおける前記重合体の性能値との関係を機械学習により学習済みの学習済みモデルにより、前記取得部で取得された予測用観測値を用いて、現在、製造される前記重合体の前記所定タイミングにおける前記性能値を予測する
請求項１に記載の予測装置。 - 前記取得部は、前記観測値を、前記現在の製造の開始からの経過時間とともに取得し、当該経過時間及び前記観測値のセットを予測用観測値とし、
前記予測部は、過去の製造における前記観測値と、前記過去の製造の開始からの経過時間とをセットとする学習用観測値と、当該過去の製造の所定タイミングにおける前記性能値との関係を用いて、現在、製造される前記重合体の前記所定タイミングにおける前記性能値を予測する
請求項２に記載の予測装置。 - 前記取得部は、過去の製造において得られた複数種の観測値及び過去の製造で得られた前記重合体の性能値から、遺伝的アルゴリズムにより選択された、前記性能値の予測に適した少なくとも１の観測値又は性能値を用いて学習された前記学習済みモデル利用して、前記重合体の前記所定タイミングにおける前記性能値を予測する、請求項２又は３のいずれか１に記載の予測装置。
- 前記観測値は、前記重合槽内にて前記原料を含む反応混合物を攪拌する攪拌機の攪拌電流値、攪拌電力値、前記重合槽内の圧力値、製造の開始から現時点までのいずれかの原料の投入量、および、製造の開始から現時点までの全原料の投入量のうち少なくともいずれかを含む
請求項１乃至４のいずれか１に記載の予測装置。 - 前記性能値は、ムーニー粘度、分子量、比重、硬さ、伸び、キュラスト最低値、キュラスト最高値、キュラスト誘導時間、キュラスト適正加硫時間、引っ張り強さ、100％引っ張り応力、ガラス転移点、熱分解開始温度、および、圧縮永久ひずみ率のいずれかである
請求項１乃至５のいずれか１に記載の予測装置。 - 前記重合体は、ゴムである
請求項１乃至６のいずれか１に記載の予測装置。 - 前記所定タイミングは、製造する重合体の所定の原料の投入量が所定値となったタイミング、又は、製造開始から所定時間が経過したタイミングである、請求項１乃至７のいずれか１に記載の予測装置。
- 重合体の製造において、重合槽内の当該重合体の製造の終了のための特定の操作が行われる目標タイミングを求める演算装置であって、
現在の製造における前記重合体の性能の目標を表す目標の性能値と、前記重合体の原料を投入後かつ製造終了前の所定タイミングにおける性能値とを受け付ける受付部と、
前記重合体と同種の重合体の過去の製造の前記所定タイミングにおける前記重合体の性能値と、当該過去の製造で得られた前記重合体の性能値と、当該過去の製造の目標タイミングとの関係と、前記受付部で受け付けた前記目標の性能値及び前記所定タイミングにおける性能値とを用いて、前記重合体の製造終了の判断に利用される目標タイミングを求める演算部と、
を備える演算装置。 - 前記演算部は、前記重合体と同種の重合体の過去の製造の所定タイミングにおける前記重合体の性能値と、当該過去の製造で得られた前記重合体の性能値と、当該過去の製造の目標タイミングとの関係を機械学習により学習済みの第２の学習済みモデルにより、前記目標の性能値及び前記所定タイミングにおける性能値とを用いて、現在、製造中の前記重合体が前記目標の性能値に達する前記目標タイミングを求める
請求項９に記載の演算装置。 - 請求項１又は２に記載の予測装置と接続され、
前記受付部は、前記所定タイミングにおける性能値として、前記予測装置で予測された前記性能値を受け付ける
請求項９又は１０に記載の演算装置。 - 重合体の製造において、当該重合体の製造の終了の判断に用いる目標タイミングを求める演算装置であって、
現在の製造において前記重合体の製造に関わる値として観測される観測値を、演算用観測値として受け付けるとともに、現在の製造における前記重合体の性能の目標を表す目標の性能値を目標値として受け付ける受付部と、
前記重合体と同種の重合体の過去の製造で得られた観測値と、当該過去の製造で得られた前記重合体の性能値と、当該過去の製造の目標タイミングとの関係を用いて、前記受付部で受け付けた前記演算用観測値から、前記現在の製造の目標タイミングを求める演算部と、
を備える演算装置。 - 前記演算部は、前記重合体と同種の重合体の過去の製造で得られた学習用観測値と、当該過去の製造で得られた重合体の性能値と、当該過去の製造の目標タイミングとの関係を機械学習により学習済みの第３の学習済みモデルを用いて、前記演算用観測値から、前記目標タイミングを求める
請求項１２に記載の演算装置。 - 前記重合体は、ゴムである
請求項９乃至１３のいずれか１に記載の演算装置。 - 重合体の原料が投入される重合槽と、
現在の前記重合体の製造において前記重合体の製造に関わる値として観測される観測値を、予測用観測値として取得する取得部と、
前記重合体と同種の重合体の過去の製造において得られた観測値と、当該過去の製造の所定タイミングにおける前記重合体の性能値との関係を用いて、前記取得部で取得された前記予測用観測値から、現在、製造される前記重合体の前記所定タイミングにおける前記性能値を予測する予測部と、
現在の製造における前記重合体の性能の目標を表す目標の性能値と、前記予測部で予測された前記所定タイミングにおける性能値とを受け付ける受付部と、
前記重合体と同種の重合体の過去の製造の前記所定タイミングにおける前記重合体の性能値と、当該過去の製造で得られた前記重合体の性能値と、当該過去の製造の目標タイミングとの関係と、前記受付部で受け付けた前記目標の性能値及び前記所定タイミングにおける性能値とを用いて、前記重合体の製造終了の判断に利用される目標タイミングを求める演算部と、
前記演算部に得られた目標タイミングを用いて現在の製造を終了させるための特定の操作を行う操作部と、
を備える製造装置。 - 重合体の原料を重合槽に投入するステップと、
現在の前記重合体の製造において前記重合体の製造に関わる値として観測される観測値を、予測用観測値として取得するステップと、
前記重合体と同種の重合体の過去の製造において得られた観測値と、当該過去の製造の所定タイミングにおける前記重合体の性能値との関係を用いて、取得された前記予測用観測値から、現在、製造される前記重合体の所定タイミングにおける前記性能値を予測するステップと、
現在の製造における前記重合体の性能の目標を表す目標の性能値と、予測された前記所定タイミングにおける性能値とを受け付けるステップと、
前記重合体と同種の重合体の過去の製造の前記所定タイミングにおける前記重合体の性能値と、当該過去の製造で得られた前記重合体の性能値と、当該過去の製造の目標タイミングとの関係と、受け付けた前記目標の性能値及び前記所定タイミングにおける性能値とを用いて、前記重合体の製造終了の判断に利用される目標タイミングを求めるステップと、
求められた前記目標タイミングを用いて現在の製造を終了させるステップと、
を有する重合体の製造方法。
Priority Applications (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020115514A JP2022013148A (ja) | 2020-07-03 | 2020-07-03 | 予測装置、演算装置、製造装置及び製造方法 |
| CN202180044223.6A CN115916848A (zh) | 2020-07-03 | 2021-07-02 | 预测装置、演算装置、制造装置和制造方法 |
| PCT/JP2021/025156 WO2022004880A1 (ja) | 2020-07-03 | 2021-07-02 | 予測装置、演算装置、製造装置及び製造方法 |
| EP21833888.7A EP4177278A1 (en) | 2020-07-03 | 2021-07-02 | Prediction device, calculation device, manufacturing device, and manufacturing method |
| US18/084,637 US20230119336A1 (en) | 2020-07-03 | 2022-12-20 | Prediction device, calculation device, manufacturing device, and manufacturing method |
| JP2023043354A JP2023088967A (ja) | 2020-07-03 | 2023-03-17 | 予測装置、演算装置、製造装置及び製造方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020115514A JP2022013148A (ja) | 2020-07-03 | 2020-07-03 | 予測装置、演算装置、製造装置及び製造方法 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023043354A Division JP2023088967A (ja) | 2020-07-03 | 2023-03-17 | 予測装置、演算装置、製造装置及び製造方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022013148A true JP2022013148A (ja) | 2022-01-18 |
Family
ID=79316476
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020115514A Pending JP2022013148A (ja) | 2020-07-03 | 2020-07-03 | 予測装置、演算装置、製造装置及び製造方法 |
| JP2023043354A Pending JP2023088967A (ja) | 2020-07-03 | 2023-03-17 | 予測装置、演算装置、製造装置及び製造方法 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023043354A Pending JP2023088967A (ja) | 2020-07-03 | 2023-03-17 | 予測装置、演算装置、製造装置及び製造方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230119336A1 (ja) |
| EP (1) | EP4177278A1 (ja) |
| JP (2) | JP2022013148A (ja) |
| CN (1) | CN115916848A (ja) |
| WO (1) | WO2022004880A1 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2023000306A (ja) * | 2021-06-17 | 2023-01-04 | ダイキン工業株式会社 | 予測装置、製造装置及び予測方法 |
| GB202213747D0 (en) * | 2022-09-20 | 2022-11-02 | Univ Court Univ Of Glasgow | Methods and platform for chemical synthesis |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04320405A (ja) * | 1991-04-18 | 1992-11-11 | Sumitomo Heavy Ind Ltd | ポリマー微粒子製造装置 |
| JPH05140230A (ja) * | 1991-11-22 | 1993-06-08 | Mitsubishi Kasei Corp | ポリオレフインを製造するための重合反応運転支援装置 |
| JP2001294603A (ja) * | 2000-04-12 | 2001-10-23 | Mitsubishi Chemicals Corp | 半回分式乳化重合プロセスによるポリマー粒子の製造方法 |
| JP2003076934A (ja) * | 2001-09-03 | 2003-03-14 | Tosoh Corp | ポリマーの物性予測方法及びそれを用いたプラントの運転制御方法 |
| JP2007191657A (ja) * | 2006-01-23 | 2007-08-02 | Hitachi Ltd | ポリマー重合装置 |
| JP2011525967A (ja) * | 2008-06-05 | 2011-09-29 | ジ アドミニストレイターズ オブ ザ チューレン エデュケイショナル ファンド | ポリマー合成中の機能進化をモニタリングする方法及び装置 |
| JP2015520674A (ja) * | 2012-05-25 | 2015-07-23 | ザ ユニヴァーシティー コート オブ ザ ユニヴァーシティー オブ グラスゴーＴｈｅ Ｕｎｉｖｅｒｓｉｔｙ Ｃｏｕｒｔ Ｏｆ Ｔｈｅ Ｕｎｉｖｅｒｓｉｔｙ Ｏｆ Ｇｌａｓｇｏｗ | 具現化された化学合成を含む進化的合成の方法 |
| JP2018162410A (ja) * | 2017-03-27 | 2018-10-18 | 三井化学株式会社 | 超高分子量エチレン重合体の重合工程における極限粘度推算装置及び極限粘度推算方法及び極限粘度推算プログラム並びに極限粘度推算装置を用いた超高分子量エチレン重合体の重合システム及びこれを用いた重合方法 |
| JP2019178256A (ja) * | 2018-03-30 | 2019-10-17 | 三井化学株式会社 | オレフィン系共重合体を製造する際の重合工程における制御特性値推算装置及び制御特性値推算方法及び制御特性値推算プログラム並びに制御特性値推算装置を用いたオレフィン共重合体の重合システム及びこれを用いた重合方法 |
| WO2020054183A1 (ja) * | 2018-09-10 | 2020-03-19 | 富士フイルム株式会社 | フロー反応支援装置及び方法、フロー反応設備及び方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5608424B2 (ja) | 2010-05-27 | 2014-10-15 | 日本ポリプロ株式会社 | ポリオレフィン樹脂の造粒システム及びそれを用いた造粒方法 |
| JP7295644B2 (ja) | 2019-01-17 | 2023-06-21 | 株式会社Fuji | フィーダ運搬装置 |
-
2020
- 2020-07-03 JP JP2020115514A patent/JP2022013148A/ja active Pending
-
2021
- 2021-07-02 CN CN202180044223.6A patent/CN115916848A/zh active Pending
- 2021-07-02 WO PCT/JP2021/025156 patent/WO2022004880A1/ja active Application Filing
- 2021-07-02 EP EP21833888.7A patent/EP4177278A1/en active Pending
-
2022
- 2022-12-20 US US18/084,637 patent/US20230119336A1/en active Pending
-
2023
- 2023-03-17 JP JP2023043354A patent/JP2023088967A/ja active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04320405A (ja) * | 1991-04-18 | 1992-11-11 | Sumitomo Heavy Ind Ltd | ポリマー微粒子製造装置 |
| JPH05140230A (ja) * | 1991-11-22 | 1993-06-08 | Mitsubishi Kasei Corp | ポリオレフインを製造するための重合反応運転支援装置 |
| JP2001294603A (ja) * | 2000-04-12 | 2001-10-23 | Mitsubishi Chemicals Corp | 半回分式乳化重合プロセスによるポリマー粒子の製造方法 |
| JP2003076934A (ja) * | 2001-09-03 | 2003-03-14 | Tosoh Corp | ポリマーの物性予測方法及びそれを用いたプラントの運転制御方法 |
| JP2007191657A (ja) * | 2006-01-23 | 2007-08-02 | Hitachi Ltd | ポリマー重合装置 |
| JP2011525967A (ja) * | 2008-06-05 | 2011-09-29 | ジ アドミニストレイターズ オブ ザ チューレン エデュケイショナル ファンド | ポリマー合成中の機能進化をモニタリングする方法及び装置 |
| JP2015520674A (ja) * | 2012-05-25 | 2015-07-23 | ザ ユニヴァーシティー コート オブ ザ ユニヴァーシティー オブ グラスゴーＴｈｅ Ｕｎｉｖｅｒｓｉｔｙ Ｃｏｕｒｔ Ｏｆ Ｔｈｅ Ｕｎｉｖｅｒｓｉｔｙ Ｏｆ Ｇｌａｓｇｏｗ | 具現化された化学合成を含む進化的合成の方法 |
| JP2018162410A (ja) * | 2017-03-27 | 2018-10-18 | 三井化学株式会社 | 超高分子量エチレン重合体の重合工程における極限粘度推算装置及び極限粘度推算方法及び極限粘度推算プログラム並びに極限粘度推算装置を用いた超高分子量エチレン重合体の重合システム及びこれを用いた重合方法 |
| JP2019178256A (ja) * | 2018-03-30 | 2019-10-17 | 三井化学株式会社 | オレフィン系共重合体を製造する際の重合工程における制御特性値推算装置及び制御特性値推算方法及び制御特性値推算プログラム並びに制御特性値推算装置を用いたオレフィン共重合体の重合システム及びこれを用いた重合方法 |
| WO2020054183A1 (ja) * | 2018-09-10 | 2020-03-19 | 富士フイルム株式会社 | フロー反応支援装置及び方法、フロー反応設備及び方法 |
Non-Patent Citations (3)
| Title |
|---|
| 小野道雄: "ゴムの工業的合成法 第９回オレフィン系エラストマー", 日本ゴム協会誌, vol. 89(3), JPN6022053669, 2016, pages 63 - 67, ISSN: 0005038580 * |
| 機械学習モデルのデータ分割／評価方法［オンライン］, JPN6023015733, 4 January 2020 (2020-01-04), ISSN: 0005038581 * |
| 長澤陸夫: "エチレンプロピレン系ゴムの構造と物性", 日本ゴム協会誌, vol. 51(9), JPN6022053670, 1978, pages 677 - 683, ISSN: 0005038579 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115916848A (zh) | 2023-04-04 |
| EP4177278A1 (en) | 2023-05-10 |
| JP2023088967A (ja) | 2023-06-27 |
| WO2022004880A1 (ja) | 2022-01-06 |
| US20230119336A1 (en) | 2023-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022004880A1 (ja) | 予測装置、演算装置、製造装置及び製造方法 | |
| US10664754B2 (en) | Information processing apparatus | |
| JP2017120649A (ja) | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム | |
| CN111832813A (zh) | 一种海底隧道断层活化突水预测方法及系统 | |
| US11119456B2 (en) | Production system, information processing method, and production method | |
| JP6711323B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
| JP2023088967A5 (ja) | ||
| CN110769453B (zh) | 非稳定网络环境下的多模态监测数据动态压缩控制方法 | |
| Milani et al. | Fast and reliable meta-data model for the mechanistic analysis of NR vulcanized with sulphur | |
| JP2020166749A (ja) | 製造システム、情報処理方法、および製造方法 | |
| CN116306062A (zh) | 建设工程智能监测方法、系统、装置和存储介质 | |
| CN106568647A (zh) | 一种基于神经网络的混凝土强度预测方法 | |
| CN106991074A (zh) | 基于加速因子不变原则的加速退化试验优化设计方法 | |
| JP2020015959A (ja) | 成分濃度演算装置及び成分濃度演算方法 | |
| CN116258087A (zh) | 冰铜品位软测量方法、装置、电子设备及存储介质 | |
| CN113223634B (zh) | 基于二维自注意力增强gru模型高炉铁水硅含量预测方法 | |
| WO2022264885A1 (ja) | 予測装置、製造装置及び予測方法 | |
| CN114861979A (zh) | 一种基于lstm和tdnn的滚动轴承剩余寿命预测方法 | |
| CN114386603A (zh) | 基于时序因果网络的火电厂发电机故障预警方法 | |
| CN116626272B (zh) | 一种橡胶测试系统与方法 | |
| CN111967142A (zh) | 一种考虑认知不确定性的性能退化实验建模与分析方法 | |
| Gocheva-Ilieva | Using MARS for modeling and predicting tensile strength of low alloy steels | |
| KR101837464B1 (ko) | 폴리프로필렌 중합반응 시 중합체의 시뮬레이션 방법 | |
| KR102510547B1 (ko) | 인공신경망을 이용한 탄소섬유 복합재의 건전성 예지 진단 방법 및 진단 장치 | |
| He et al. | Combined mechanistic and genetic programming approach to modeling pilot NBR production: influence of feed compositions on rubber Mooney viscosity |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210702 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220405 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20220606 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220802 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20221220 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230317 |
|
| C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20230317 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20230327 |
|
| C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20230328 |
|
| A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20230421 |
|
| C211 | Notice of termination of reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C211 Effective date: 20230425 |