JP2023000306A - 予測装置、製造装置及び予測方法 - Google Patents
予測装置、製造装置及び予測方法 Download PDFInfo
- Publication number
- JP2023000306A JP2023000306A JP2021101048A JP2021101048A JP2023000306A JP 2023000306 A JP2023000306 A JP 2023000306A JP 2021101048 A JP2021101048 A JP 2021101048A JP 2021101048 A JP2021101048 A JP 2021101048A JP 2023000306 A JP2023000306 A JP 2023000306A
- Authority
- JP
- Japan
- Prior art keywords
- fluororesin
- value
- prediction
- polymerization
- mfr
- 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 69
- 238000000034 method Methods 0.000 title claims description 24
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 249
- 238000003756 stirring Methods 0.000 claims abstract description 73
- 239000000203 mixture Substances 0.000 claims abstract description 28
- 239000002994 raw material Substances 0.000 claims abstract description 6
- 239000000463 material Substances 0.000 claims description 25
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000013277 forecasting method Methods 0.000 claims 1
- 229920005989 resin Polymers 0.000 abstract description 15
- 239000011347 resin Substances 0.000 abstract description 15
- 229910052731 fluorine Inorganic materials 0.000 abstract description 14
- 239000011737 fluorine Substances 0.000 abstract description 13
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 abstract description 12
- 239000000155 melt Substances 0.000 abstract description 4
- BFKJFAAPBSQJPD-UHFFFAOYSA-N tetrafluoroethene Chemical group FC(F)=C(F)F BFKJFAAPBSQJPD-UHFFFAOYSA-N 0.000 description 21
- 229920001577 copolymer Polymers 0.000 description 16
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 9
- 125000004432 carbon atom Chemical group C* 0.000 description 9
- 125000005010 perfluoroalkyl group Chemical group 0.000 description 7
- 239000005977 Ethylene Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- BQCIDUSAKPWEOX-UHFFFAOYSA-N 1,1-Difluoroethene Chemical compound FC(F)=C BQCIDUSAKPWEOX-UHFFFAOYSA-N 0.000 description 5
- 125000000217 alkyl group Chemical group 0.000 description 5
- -1 hexafluoropropylene, chlorotrifluoroethylene, trifluoroethylene, trifluoropropylene, tetrafluoropropylene, pentafluoropropylene, trifluorobutene Chemical class 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000000178 monomer Substances 0.000 description 5
- 125000006551 perfluoro alkylene group Chemical group 0.000 description 5
- QYKIQEUNHZKYBP-UHFFFAOYSA-N Vinyl ether Chemical compound C=COC=C QYKIQEUNHZKYBP-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- HCDGVLDPFQMKDK-UHFFFAOYSA-N hexafluoropropylene Chemical group FC(F)=C(F)C(F)(F)F HCDGVLDPFQMKDK-UHFFFAOYSA-N 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- UUAGAQFQZIEFAH-UHFFFAOYSA-N chlorotrifluoroethylene Chemical group FC(F)=C(F)Cl UUAGAQFQZIEFAH-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 125000001153 fluoro group Chemical group F* 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229920001519 homopolymer Polymers 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 229920002493 poly(chlorotrifluoroethylene) Polymers 0.000 description 2
- 239000005023 polychlorotrifluoroethylene (PCTFE) polymer Substances 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 230000000379 polymerizing effect Effects 0.000 description 2
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 2
- 239000004810 polytetrafluoroethylene Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 229920001567 vinyl ester resin Polymers 0.000 description 2
- QMIWYOZFFSLIAK-UHFFFAOYSA-N 3,3,3-trifluoro-2-(trifluoromethyl)prop-1-ene Chemical compound FC(F)(F)C(=C)C(F)(F)F QMIWYOZFFSLIAK-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229920000840 ethylene tetrafluoroethylene copolymer Polymers 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- XUCNUKMRBVNAPB-UHFFFAOYSA-N fluoroethene Chemical compound FC=C XUCNUKMRBVNAPB-UHFFFAOYSA-N 0.000 description 1
- 229910000856 hastalloy Inorganic materials 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000011342 resin composition Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229920005992 thermoplastic resin Polymers 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- C08F2/00—Processes of polymerisation
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Medicinal Chemistry (AREA)
- Polymers & Plastics (AREA)
- Organic Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Addition Polymer Or Copolymer, Post-Treatments, Or Chemical Modifications (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Polymerisation Methods In General (AREA)
Abstract
【課題】フッ素樹脂製造の際、重合工程においてフッ素樹脂を含む混合物のＭＦＲ値を予測する。【解決手段】フッ素樹脂の重合工程における、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でのフッ素樹脂のＭＦＲ値を予測する予測装置（１０）であって、フッ素樹脂の現在の重合工程で計測される重合槽内の圧力値と、当該重合槽内を撹拌する撹拌機の撹拌電流値とを予測用センサ値として取得する取得部（１１２）と、フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程の所定タイミングにおけるフッ素樹脂について計測されたＭＦＲ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、取得部（１１２）で取得された予測用センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物の所定タイミングにおけるＭＦＲ値を予測する予測部（１１３）とを備える。【選択図】図１
Description
本開示は、フッ素樹脂の重合工程におけるＭＦＲ値を予測する予測装置、予測方法及びフッ素樹脂を製造する製造装置に関する。
特許文献１は、熱可塑性樹脂組成物の製造方法について記載される。また、特許文献１には、フッ素樹脂のメルトフローレート（ＭＦＲ）の好ましい範囲及びその計測方法が記載される。このように、フッ素樹脂等の製造の際には、ＭＦＲを計測して、性能を評価する。
本開示は、フッ素樹脂の重合工程においてＭＦＲの計測を必須とせずに、フッ素樹脂を含む混合物のＭＦＲ値を予測可能な予測装置、予測方法及び製造装置を提供する。
本開示の予測装置は、フッ素樹脂の重合工程における、原料を投入後かつ製造終了前のタイミングの重合槽内での前記フッ素樹脂を含む混合物のＭＦＲ値を予測する予測装置であって、前記フッ素樹脂の現在の重合工程で計測される前記重合槽内の圧力値と、当該重合槽内を撹拌する撹拌機の撹拌電流値とを含む情報を予測用センサ値として取得する取得部と、前記フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程の所定タイミングにおけるフッ素樹脂について計測されたＭＦＲ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センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物の前記所定タイミングにおけるＭＦＲ値を予測する予測部と、を備える。
前記予測装置は、前記現在の重合工程の開始から現在までの経過時間を重合時間として計時する計時部をさらに備え、前記予測部は、前記予測用センサ値と共に前記計時部で計時される前記重合時間を用いて、前記ＭＦＲ値を予測することができる。
前記予測装置では、前記予測部で予測された前記ＭＦＲ値を用いて得られた前記現在の重合工程の終了時間に関する情報を出力する出力処理部をさらに備えることができる。
前記予測装置では、前記フッ素樹脂の重合工程において、前記重合槽に材料を追加投入することが可能であり、前記取得部は、前記圧力値及び前記撹拌電流値とともに、前記重合槽に投入される材料の積算量を予測用センサ値として取得し、前記予測部は、前記過去の重合工程で得られた積算量を含む学習用センサ値で学習済みの学習済みモデルにより、前記予測用センサ値を用いてＭＦＲ値を予測することができる。
前記予測装置では、前記予測部は、前記フッ素樹脂の重合工程の一部の期間に計測された前記圧力値を用いて前記ＭＦＲ値を予測することができる。
前記予測装置では、前記予測部は、前記一部の期間内の前記圧力値の平均値、最大値、最小値又は分散値の少なくともいずれかを用いてＭＦＲ値を予測することができる。
前記予測装置では、前記予測部は、前記フッ素樹脂の重合工程の一部の期間に計測された前記撹拌電流値を用いて前記ＭＦＲ値を予測することができる。
前記予測装置では、前記予測部は、前記一部の期間内の前記撹拌電流値の平均値、最大値、最小値又は分散値を用いてＭＦＲ値を予測することができる。
前記予測装置では、前記一部の期間は、前記フッ素樹脂の重合工程の開始から終了までの時間を分割した複数の期間から選択されることができる。
前記予測装置では、前記フッ素樹脂の重合工程を少なくとも２回実施し、前記取得部は、前回の重合工程で得られたフッ素樹脂のＭＦＲ値を取得し、前記予測部は、前記取得部が取得した前回の重合工程で得られたフッ素樹脂のＭＦＲ値を含む予測用センサ値を用いて前記フッ素樹脂のＭＦＲ値を予測することができる。
本開示の製造装置は、フッ素樹脂を製造する製造装置であって、前記フッ素樹脂の材料が投入される重合槽と、前記重合槽内を撹拌する撹拌機と、前記フッ素樹脂の現在の重合工程で計測される前記重合槽内の圧力値と、前記撹拌機の撹拌電流値とを予測用センサ値として取得する取得部と、前記フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程に要した時間と、当該過去の重合工程で得られたフッ素樹脂について計測されたＭＦＲ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センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物のＭＦＲ値を予測する予測部と、前記予測部で予測された前記ＭＦＲ値を用いて得られる前記現像の重合工程の終了時間に関する情報を出力する出力処理部とを備える。
本開示のフッ素樹脂の製造方法は、フッ素樹脂の材料を重合槽に投入するステップと、前記重合槽内を撹拌するステップと、前記フッ素樹脂の現在の重合工程で計測される前記重合槽内の圧力値と、前記撹拌機の撹拌電流値とを予測用センサ値として取得するステップと、前記フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程に要した時間と、当該過去の重合工程で得られたフッ素樹脂について計測されたＭＦＲ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、取得された前記予測用センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物のＭＦＲ値を予測するステップと、予測された前記ＭＦＲ値を用いて得られる前記現在の重合工程の終了時間に関する情報を用いて、現在の製造を終了させるステップと、を有する。
本開示の予測方法は、フッ素樹脂の重合工程における重合槽内での前記フッ素樹脂を含む混合物のＭＦＲ値を予測する予測方法であって、前記フッ素樹脂の現在の重合工程で計測される前記重合槽内の圧力値と、当該重合槽内を撹拌する撹拌機の撹拌電流値とを予測用センサ値として取得する取得ステップと、前記フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程に要した時間と、当該過去の重合工程で得られたフッ素樹脂について計測されたＭＦＲ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センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物のＭＦＲ値を予測する予測ステップとを含む。
前記生成方法は、フッ素樹脂の重合工程における重合槽内での前記フッ素樹脂のＭＦＲ値を予測するための学習済みモデルの生成方法であって、前記フッ素樹脂と同種のフッ素樹脂の重合工程で計測されたセンサ値と、当該重合工程に要した重合時間とを含む教師データと、当該教師データに対する正解データである当該の重合工程で得られたフッ素樹脂について計測されたＭＦＲ値とを含むデータの組を複数取得するステップと、学習器を用いて、複数の前記教師データと前記正解データとから、前記フッ素樹脂の重合工程で得られるセンサ値から、前記重合工程にあるフッ素樹脂のＭＦＲ値を出力とする学習済みモデルを生成するステップとを含む。
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、製造装置及び予測方法によれば、フッ素樹脂製造の際、重合工程においてフッ素樹脂を含む混合物のＭＦＲ値を予測することができる。
以下に、図面を参照して実施形態に係る予測装置、製造装置及び予測方法について説明する。本開示の予測装置は、重合工程においてフッ素樹脂を含む混合物のＭＦＲ値を実際に計測することなく、計測される種々のセンサ値を用いて予測するものである。したがって、予測装置は、いわゆる「ソフトセンサ」といわれるものである。また、本開示の製造装置は、フッ素樹脂のＭＦＲ値を予測する。以下の説明において、予測装置は、フッ素樹脂を製造する製造装置に含まれるものとして説明する。また、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。
以下の説明では、「重合工程」は、フッ素樹脂の重合工程であるものとする。具体的には、「重合工程」は、フッ素樹脂を製造するための材料から、重合反応によりフッ素樹脂を得るまでの過程であるとして説明する。
《フッ素樹脂》
「フッ素樹脂」とは、フッ素原子を含む樹脂であり、少なくとも１種の含フッ素モノマーを含むモノマーが重合した樹脂である。
「フッ素樹脂」とは、フッ素原子を含む樹脂であり、少なくとも１種の含フッ素モノマーを含むモノマーが重合した樹脂である。
上記含フッ素モノマーとしては、テトラフルオロエチレン、ビニリデンフルオライド、ヘキサフルオロプロピレン、クロロトリフルオロエチレン、トリフルオロエチレン、トリフルオロプロピレン、テトラフルオロプロピレン、ペンタフルオロプロピレン、トリフルオロブテン、テトラフルオロイソブテン、ヘキサフルオロイソブテン、フッ化ビニル、ＣＨ２＝ＣＦＲｆａで表される（パーフルオロアルキル）エチレン、ＣＨ２＝ＣＦ（ＯＲｆａ）で表される（パーフルオロアルキル）ビニルエーテル、ＣＨ２＝ＣＦ（ＲｆｂＯＲｆａ）で表されるパーフルオロ（アルコキシアルキルビニルエーテル）［上記式中、Ｒｆａは、炭素数１～６の直鎖または分枝鎖のパーフルオロアルキル基であり、Ｒｆｂは、炭素数１～６、好ましくは炭素数１～３の直鎖または分枝鎖のパーフルオロアルキレン基である。］等が挙げられる。上記Ｒｆａは、好ましくは炭素数１～３の直鎖または分枝鎖のパーフルオロアルキル基であり、より好ましくは炭素数１または２の直鎖または分枝鎖のパーフルオロアルキル基である。一の態様において、上記パーフルオロアルキル基は、直鎖である。別の態様において、上記パーフルオロアルキル基は、分枝鎖である。上記Ｒｆｂは、好ましくは炭素数１～３の直鎖または分枝鎖のパーフルオロアルキレン基であり、より好ましくは炭素数１または２の直鎖または分枝鎖のパーフルオロアルキレン基である。一の態様において、上記パーフルオロアルキレン基は、直鎖である。別の態様において、上記パーフルオロアルキレン基は、分枝鎖である。
他のモノマーとしては、エチレン、プロピレン、ＣＨ２＝ＣＦ（ＯＲ）［式中、Ｒは、炭素数１～６の直鎖または分枝鎖のアルキル基である。］で表されるアルキルビニルエーテル等が挙げられる。上記Ｒは、好ましくは炭素数１～３の直鎖または分枝鎖のアルキル基であり、より好ましくは炭素数１または２の直鎖または分枝鎖のアルキル基である。一の態様において、上記アルキル基は、直鎖である。別の態様において、上記アルキル基は、分枝鎖である。
上記フッ素樹脂は、上記含フッ素モノマーの単独重合体、または少なくとも１種の上記含フッ素モノマーを含む２種以上のモノマーの共重合体のいずれであってもよい。
上記フッ素樹脂としては、ポリテトラフルオロエチレン（ＰＴＦＥ）、ポリクロロトリフルオロエチレン（ＰＣＴＦＥ）、テトラフルオロエチレン（ＴＦＥ）／ヘキサフルオロプロピレン（ＨＦＰ）共重合体、ＴＦＥ／ＨＦＰ／パーフルオロ（アルキルビニルエーテル）（ＰＡＶＥ）共重合体、ＴＦＥ／ＰＡＶＥ共重合体、（テトラフルオロエチレン－パーフルオロアルキルビニルエーテル共重合体（ＰＦＡ）およびテトラフルオロエチレン－パーフルオロメチルビニルエーテル共重合体（ＭＦＡ））、エチレン（Ｅｔ）／ＴＦＥ共重合体、Ｅｔ／ＴＦＥ／ＨＦＰ共重合体、クロロトリフルオロエチレン（ＣＴＦＥ）／ＴＦＥ共重合体、Ｅｔ／ＣＴＦＥ共重合体、ＴＦＥ／フッ化ビニリデン（ＶＤＦ）共重合体、ＶＤＦ／ＨＦＰ／ＴＦＥ共重合体、ＶＤＦ／ＨＦＰ共重合体等が挙げられる。
好ましい態様において、上記フッ素樹脂は、テトラフルオロエチレン単位を含むフッ素樹脂である。テトラフルオロエチレン単位を含むフッ素樹脂としては、ＴＦＥの単独重合体、ならびに、ＴＦＥ／ＨＦＰの共重合体、ＴＦＥ／ＰＡＶＥ、ＴＦＥ／エチレン、ＴＦＥ／ビニルエーテル、ＴＦＥ／ビニルエステル、ＴＦＥ／ビニルエステル／ビニルエーテル、またはＴＦＥ／ビニルエーテル／アリルエーテルの共重合体等が挙げられる。好ましい態様において、フッ素樹脂は、ＴＦＥ／エチレンであり得る。
上記フッ素樹脂がテトラフルオロエチレン単位を含むフッ素樹脂である場合、テトラフルオロエチレン単位の含有量は、好ましくは２０モル％～８０モル％、より好ましくは３０モル％～７０モル％、さらに好ましくは３５モル％～６０モル％であり得る。特に上記フッ素樹脂がエチレン／テトラフルオロエチレン共重合体である場合、エチレン／テトラフルオロエチレンのモル比は、好ましくは２０／８０～８０／２０、より好ましくは２５／７５～７０／３０、さらに好ましくは３０／７０～６０／４０であり得る。
上記フッ素樹脂の融点は、好ましくは２００℃以上、より好ましくは２３０℃以上であり得る。
上記フッ素樹脂のメルトフローレートは、好ましくは０．１～６０、より好ましくは１～５０であり得る。メルトフローレートは、円筒形状のシリンダー内で測定対象の樹脂を加熱し、一定の重りを掛けて押し出し、１０分間に押し出された樹脂量を測定することで得られる値である。同一の温度、荷重条件であれば、ＭＦＲ値が高いほど、流動性が良い。例えば、上記の値は、ハステロイ製のシリンダーを利用し、温度条件300℃で、荷重条件5.00kgの場合の値の一例である。
《機械学習》
「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。
「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２Ａに示すように、複数組の学習データが入力される。これにより、学習器は、学習データの関係を学習し、学習データの関係をパラメータで表す学習済みモデルを生成する。また、生成された学習済みモデルを使用することで、図２Ｂに示すように、新たな入力に対し、求めたい出力を得ることが可能となる。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、以下の実施形態では、教師あり学習を利用する例で説明する。したがって、図２Ａにおいても、各『説明変数』に対応する正解データである『目的変数』が関連付けられる教師あり学習の例で示す。学習器は、例えば、機械学習手法として、ニューラルネットワーク（ＮＮ）、サポートベクターマシン（ＳＶＭ）、決定木、勾配ブースティング、ランダムフォレスト、ＸＧＢｏｏｓｔ、線形回帰、Ｒｉｄｇｅ回帰、Ｌａｓｓｏ回帰、ＥｌａｓｔｉｃＮｅｔ、偏最小２乗回帰、ガウス過程回帰、主成分分析（ＰＣＡ）等を利用することができる。また、学習器は、これらの手法を組み合わせて利用してもよい。
ここで「学習データ」とは、機械学習において学習モデルを作成する際に利用するデータである。教師あり学習の場合、「説明変数」と、この説明変数に対応する正解である「目的変数」とが一組の学習データとされて、学習器に入力される。より具体的には、機械学習では、図３に示すように、学習済みモデルの生成用に、「説明変数」と「目的変数」とが一組となる複数組で形成される「教師データセット」を利用する。用意したデータセットのうち一部を「学習データセット」として学習モデルを作成したのち、別の一部のデータセットを「検証データセット」として用い、作成した学習モデルの予測精度を検証し、改善することもできる。さらに別の一部のデータセットを「テストデータセット」として検証・改善した学習モデルの予測精度を最終確認することもできる。「説明変数」としては、重合槽内の圧力値、撹拌機の攪拌電流値などが挙げられる。「目的変数」は、フッ素樹脂を含む混合物のＭＦＲ値である。
〈製造装置〉
図１に示すように、製造装置１は、予測装置１０と、重合槽２と、撹拌機３と、制御装置４とを備える。重合槽２は、フッ素樹脂の材料が投入される。例えば、材料は、重合工程の開始のタイミングで投入される。また、材料の一部は、重合工程において、追加的に投入されてもよい。重合槽２は、外気と圧力や温度が遮断されたように、密閉して形成される。また、重合槽２には、内部の圧力値を計測する圧力センサ２１や、内部の温度値を計測する温度センサ２２が接続される。各センサ２１，２２で接続されるセンサ値は、予測装置１０により取得される。
図１に示すように、製造装置１は、予測装置１０と、重合槽２と、撹拌機３と、制御装置４とを備える。重合槽２は、フッ素樹脂の材料が投入される。例えば、材料は、重合工程の開始のタイミングで投入される。また、材料の一部は、重合工程において、追加的に投入されてもよい。重合槽２は、外気と圧力や温度が遮断されたように、密閉して形成される。また、重合槽２には、内部の圧力値を計測する圧力センサ２１や、内部の温度値を計測する温度センサ２２が接続される。各センサ２１，２２で接続されるセンサ値は、予測装置１０により取得される。
撹拌機３は、フッ素樹脂の製造の際、重合工程の開始から、終了までの間、重合槽２内に投入された材料を含む混合物を撹拌する。撹拌機３は、モータ３１と、モータ３１と接続される回転軸３２と、回転軸３２に支持される撹拌翼３３を有する。撹拌機３は、モータ３１を用いて重合槽２内に位置する撹拌翼３３を回転させることにより、重合槽２内の材料を含む混合物を撹拌することができる。撹拌機３の撹拌によって重合反応が進み、重合槽２内の混合物から、フッ素樹脂が製造される。ここで、撹拌機３の動力や回転数は、モータ３１に与えられる電流である撹拌電流に依存する。したがって、撹拌電流が大きいほど、動力が大きくなり、また、回転数が上がる。仮に、同一の回転数を保つ場合、重合槽２内における重合が進み混合物の粘性が高くなるほど、モータ３１に与える撹拌電流を大きくする必要がある。
制御装置４は、撹拌機３を制御する。制御装置４は、例えば、重合工程において撹拌機３の回転数が一定になるように、モータ３１に与える撹拌電流を制御する。ここで、制御装置４は、モータ３１において計測される撹拌電流値や、撹拌機３の回転数に応じてモータ３１に与える撹拌電流をフィードバック制御してもよい。また、後述する予測装置１０からのデータを利用して、撹拌電流をフィードフォワード制御してもよい。
制御装置４は、重合槽２内の環境を制御する。制御装置４は、例えば、重合工程において、圧力センサ２１で計測される圧力値が目標の値になるようにコンプレッサを制御する。また例えば、制御装置４は、温度センサ２２で計測される温度値が目標の値になるように温調器を制御する。ここで、制御装置４は、圧力センサ２１や温度センサ２２で計測されたセンサ値に応じて、重合槽２内の圧力や温度をフィードバック制御するようにしてもよい。また、後述する予測装置１０からのデータを利用して、圧力や温度をフィードフォワード制御してもよい。なお、制御装置４は、必ずしも、圧力及び温度の両者の計測及び制御を必須とするものではない。制御装置４は、例えば、圧力のみを計測及び制御するものであってもよい。
〈予測装置〉
予測装置１０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１０全体の制御を司るコントローラである。制御部１１は、記憶部１２に記憶される予測プログラム１２３を読み出して実行することにより、計時部１１１、取得部１１２、予測部１１３及び出力処理部１１４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。制御部１１は、例えば、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。
予測装置１０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１０全体の制御を司るコントローラである。制御部１１は、記憶部１２に記憶される予測プログラム１２３を読み出して実行することにより、計時部１１１、取得部１１２、予測部１１３及び出力処理部１１４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。制御部１１は、例えば、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１２３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。記憶部１２は、取得データ１２１、学習済みモデル１２２、及び、予測プログラム１２３を記憶する。
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。
また、予測装置１０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。
ここで、予測装置１０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。また、図示を省略するが、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１０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。
計時部１１１は、製造装置１におけるフッ素樹脂の重合工程の開始からの経過時間を重合時間として計時する。ここで、製造装置１においては、フッ素樹脂の重合工程を、複数回行うことが可能である。このような場合、計時部１１１は、重合工程毎に重合時間を計時する。したがって、計時部１１１は、現在の重合工程の重合時間を計時する。
取得部１１２は、フッ素樹脂の重合工程で計測される重合槽内の圧力値と、重合槽内の材料またはフッ素樹脂を含む混合物を撹拌する撹拌機の撹拌電流値とを予測用センサ値として取得する。また、取得部１１２は、取得した予測用センサ値を、時間情報と関連付けて取得データ１２１として、記憶部１２に記憶させる。例えば、時間情報は、計時部１１１で計時される重合時間である。また、時間情報は、時刻であってもよいが、データを取得時の重合時間と関連付けられるものであることが望ましい。
取得部１１２が各センサ値を取得するタイミングは、利用形態によって定めることができる。センサ値を取得するタイミングとは、１秒毎、１分毎、１０分毎等のような定期的なタイミングである。
予測部１１３は、機械学習により学習済みの学習済みモデルにより、取得部１１２で取得された予測用センサ値を用いて、現在の重合工程にあるフッ素樹脂の所定タイミングにおけるＭＦＲ値を予測する。例えば、所定のタイミングは、１０時間毎等のタイミングである。ここで、各タイミングは、予め定められるタイミングであれば、等間隔である必要はない。また、予測部１１３は、予測用センサ値と共に計時部１１１で計時される重合時間を用いて、ＭＦＲ値を予測することができる。
この学習済みモデルは、現在の重合工程で製造するフッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、過去の重合工程に要した時間と、過去の重合工程で得られたフッ素樹脂について計測されたＭＦＲ値との関係を学習して生成されたものである。この学習済みモデルの生成については、後に詳述する。
このとき、予測部１１３は、フッ素樹脂の重合工程の一部の期間に計測された圧力値を用いてＭＦＲ値を予測することができる。また、予測部１１３は、フッ素樹脂の重合工程の一部の期間に計測された撹拌電流値を用いてＭＦＲ値を予測することができる。この一部の期間は、フッ素樹脂の重合工程の開始から終了までの時間を分割した複数の期間から選択される。ここで、予測部１１３は、一部の期間に計測された圧力値の平均値を用いてＭＦＲ値を予測することができる。また、予測部１１３は、一部の期間に計測された撹拌電流値の平均値を用いてＭＦＲ値を予測することができる。このとき、圧力値の平均に利用する一部の期間と、撹拌電流値の平均に利用する一部の期間とは同一であってもよいし、異なっていてもよい。予測部１１３における予測についても、後に詳述する。このように、予測装置１０は、ＭＦＲ値に影響を与える程度の高い一部の期間のセンサ値を利用し、効率的にＭＦＲ値の予測精度を向上させることができる。特に、ＭＦＲ値は、測定者によっても違いが生じやすく高精度な測定が困難であった。これに対し、センサ値を利用して予測部１１３でＭＦＲ値を予測することで、信頼性の高いＭＦＲ値を得ることができる。
また、予測部１１３は、予測したＭＦＲ値を用いて現在の重合の終了時間に関する情報を求める。例えば、「終了時間に関する情報」とは、現在の重合が終了すると予想される「予想終了時刻」である。または、「終了時間に関する情報」とは、現在から重合工程が終了すると予想されるまでに要する「残り時間」であってもよい。その他、「終了時間に関する情報」とは、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ってもよい。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も含まれる。例えば、「終了時時間に関する情報」は、重合体の製造において得られたセンサ値に応じて求めることができる。具体的には、予測部１１３は、求めたＭＦＲ値を用いて、所定の計算式や対応式を利用して、終了時間に関する情報を求めることができる。このように、予測部１１３によって終了時間に関する情報を求めることにより、フッ素樹脂の重合工程において、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、終了時間に関する情報を決定することが可能となる。
出力処理部１１４は、予測部１１３で得られた現在の重合の終了時間に関する情報を出力する。このように予測された終了時間に関する情報を用いて、重合工程の終了の判断に利用することにより、製造装置１で得られるフッ素樹脂の精度を向上させることができる。また、出力処理部１１４は、予想された現在の混合物のＭＦＲ値自体を出力してもよい。
出力処理部１１４は、例えば、図４に示すような開始からの予測のＭＦＲ値の変化を表すグラフを表示する表示部ｗ１と、終了までに要する「残り時間」を表示する表示部ｗ２含む表示画面Ｗを出力部１５に出力する。表示部ｗ１には、現時点を示す指標ｔ１と予測部１１３で予測された終了時点を示す指標ｔ２とを含んでもよい。
《予測部１１３での学習》
予測部１１３は、学習器を用いて、学習済みモデルを生成する。なお、ここでは、予測部１１３内に学習器が含まれるものとして説明するが、これに限定されない。例えば、学習器は、予測装置１０の外部に存在するものでもよい。学習器が予測装置１０の外部に存在する場合、予測部１１３は、外部の学習器で生成され、記憶部１２に記憶される学習済みモデルを利用する。
予測部１１３は、学習器を用いて、学習済みモデルを生成する。なお、ここでは、予測部１１３内に学習器が含まれるものとして説明するが、これに限定されない。例えば、学習器は、予測装置１０の外部に存在するものでもよい。学習器が予測装置１０の外部に存在する場合、予測部１１３は、外部の学習器で生成され、記憶部１２に記憶される学習済みモデルを利用する。
具体的には、予測部１１３が機械学習に使用する「説明変数」は、図２Ａに上述したように、過去のフッ素樹脂の重合工程で得られた重合槽２内の「圧力値」と、撹拌機３の「撹拌電流値」と、この過去の重合工程に要した時間である「重合時間」とを含むデータである。また、この機械学習において、正解である「目的変数」は、対応する過去の重合工程で重合されたフッ素樹脂について計測された「ＭＦＲ値」である。そして、学習器は、この説明変数と目的変数とを含むデータの組を複数使用する。したがって、予測部１１３が使用する学習済みモデルは、過去の重合工程で得られた複数の「圧力値」、「撹拌電流値」、「重合時間」及び「ＭＦＲ値」の関係をパラメータで示すものである。ここで、過去の重合工程で重合されたフッ素樹脂について計測されたＭＦＲ値としては、最終的に結果物として得られたフッ素樹脂に対して計測されたＭＦＲ値の他、重合工程の途中のサンプリング作業で抜き出しされた混合物のＭＦＲ値を含んでもよい。予測部１１３は、このように機械学習で生成された学習済みモデルにより、圧力値及び撹拌電流値を用いて、ＭＦＲ値を予測する。
この場合、フッ素樹脂の種類によって、重合工程での変化等は異なるため、「説明変数」は、フッ素樹脂の種類毎に異なるものを使用するものとする。したがって、特定のフッ素樹脂（例えば、ＥＴＦＥ）の重合で取得されたデータを説明変数として生成された学習モデルは、その特定のフッ素についてのＭＦＲ値の予測に利用するものとする。なお、ここでは、学習で得られたモデルの評価については、説明を省略する。
《学習データの前処理》
ここで、「重合時間」及び「ＭＦＲ値」は、１回の重合工程で１回又は２～３回等の限定した回数のみ得られるが、「圧力値」及び「撹拌電流値」は、多数回得ることができる。したがって、学習器は、学習データとして、この複数の圧力値及び電流値をそのまま学習データとするのではなく、前処理により得られた学習データを使用してもよい。具体的には、学習器は、特定の期間の複数の圧力値の平均値及び複数の撹拌電流値の平均値を説明変数に含む学習データとすることができる。例えば、図５に示すように、異なる重合工程毎に全体の時間を等分してグループを設定し、各グループについて圧力値及び撹拌電流値の平均値を求め、学習器は、これらの平均値を説明変数とする学習データとして使用する。なお、ここで重合工程Ａ～Ｃは、異なるタイミングで行われた同種のフッ素樹脂の重合工程であるものとする。
ここで、「重合時間」及び「ＭＦＲ値」は、１回の重合工程で１回又は２～３回等の限定した回数のみ得られるが、「圧力値」及び「撹拌電流値」は、多数回得ることができる。したがって、学習器は、学習データとして、この複数の圧力値及び電流値をそのまま学習データとするのではなく、前処理により得られた学習データを使用してもよい。具体的には、学習器は、特定の期間の複数の圧力値の平均値及び複数の撹拌電流値の平均値を説明変数に含む学習データとすることができる。例えば、図５に示すように、異なる重合工程毎に全体の時間を等分してグループを設定し、各グループについて圧力値及び撹拌電流値の平均値を求め、学習器は、これらの平均値を説明変数とする学習データとして使用する。なお、ここで重合工程Ａ～Ｃは、異なるタイミングで行われた同種のフッ素樹脂の重合工程であるものとする。
図５の例は、各重合工程Ａ～Ｃについて重合時間を１０時間毎の複数のグループに分け、グループ毎に学習データで使用する値を求める例である。各重合工程について、例えば、開始から１０時間までの間に計測された圧力値及び攪拌電流値がグループ１のデータとなり、攪拌後、１０時間から２０時間までの間に計測された圧力値及び攪拌電流値がグループ２のデータとなる。具体的には、重合工程Ａでは、開始から開始後１０時間までに取得された圧力値の平均値（圧力平均値Ａ１）と、同時間に取得された撹拌電流値の平均値（撹拌電流平均値ａ１）とが、グループ１についての学習データとなる。また、開始後１０時間から開始後２０時間までの間に計測された圧力値及び撹拌電流値がグループ２のデータとなる。したがって、開始後１０時間から開始後２０時間までに取得された圧力値の平均値（圧力平均値Ａ２）と、同時間に取得された撹拌電流値の平均値（撹拌電流平均値ｂ２）とが、グループ２の学習データとなる。同様に、グループ３～２０までも圧力平均値及び撹拌電流平均値を求め、これらが、重合工程Ａの各グループの学習データとなる。また、重合工程Ｂ及びＣについても、同様に重合時間に応じてグループ毎を定め、グループ毎に圧力平均値及び撹拌電流平均値を求め、学習データとする。学習器は、このように前処理して得られた学習データを使用することができる。なお、図５に示す例では、各グループは１０時間であるものとして説明したが、この時間はこれに限定されず、状況に応じて任意に設定することができる。
なお、学習の際には、このように得られた全てのグループのデータを用いて学習するのではなく、グループ１のみの学習、グループ２のみの学習、グループ１及びグループ２を用いた学習、等のように、どのデータを用いてどのタイミングにおけるＭＦＲ値を求めたいのかによって学習に利用する値も異なる。
ここで、学習器は、全てのグループの圧力平均値及び撹拌電流平均値を学習データとする必要はなく、特定のグループの圧力平均値及び撹拌電流平均値を学習データとすればよい。図６は、学習器で利用する学習用センサ値のデータ項目の一例である。図６の例では、学習用センサ値として、重合工程の終期に該当するグループ２０及び１９の圧力平均値と、重合工程の初期に該当するグループ１の圧力平均値とを利用する。また、学習用センサ値として、重合工程の初期に該当するグループ２０及び１８の撹拌電流平均値と、重合工程の中期に該当するグループ８の撹拌電流平均値と利用する。このように、学習器は、学習用センサ値として、重合工程のうち、選択された一部の期間に得られたセンサ値を利用する。例えば、ここで利用するセンサ値は、各グループのセンサ値から、有効とされたものから選択することで決定される。なお、この場合、全てのグループについて圧力平均値及び撹拌電流平均値を求める必要はなく、選択されたグループについて圧力平均値及び撹拌電流平均値を求めれば足りる。
したがって、学習器は、「説明変数」である各グループの「圧力平均値」、各グループの「撹拌電流平均値」、及び、「重合時間」と、「目的変数」である「ＭＦＲ値」との関係を学習し、圧力値及び撹拌電流値等の入力からＭＦＲ値を予測する学習済みモデルとして求める。
なお、ここでは、学習データの前処理は、制御部１１で実行されるものとするが、これに限定されない。例えば、予測装置１０の外部で実行され、予測部１１３は、外部から入力され、記憶部１２に記憶される前処理済みの学習データを利用してもよい。
《予測部１１３での予測》
予測部１１３は、上述したように生成された学習済みモデルと、取得部１１２が取得するセンサ値を利用して、現在の重合工程での重合槽内の混合物のＭＦＲ値を予測する。ここで、学習器は、上述したように、重合工程の一部の期間について設定された複数のグループ毎の圧力値の平均値と撹拌電流値の平均値とを含む学習データにより、学習した。したがって、予測部１１３も、学習データと同一の数のグループ毎に得られた平均値を利用して取得データを前処理する。そして、前処理された取得データを用いて、学習済みモデルによりＭＦＲ値を予測する。
予測部１１３は、上述したように生成された学習済みモデルと、取得部１１２が取得するセンサ値を利用して、現在の重合工程での重合槽内の混合物のＭＦＲ値を予測する。ここで、学習器は、上述したように、重合工程の一部の期間について設定された複数のグループ毎の圧力値の平均値と撹拌電流値の平均値とを含む学習データにより、学習した。したがって、予測部１１３も、学習データと同一の数のグループ毎に得られた平均値を利用して取得データを前処理する。そして、前処理された取得データを用いて、学習済みモデルによりＭＦＲ値を予測する。
図７に示すように、現在の重合工程が開始から１５０時間である場合、予測部１１３は、所定のタイミング毎に取得データ１２１をグループ分けし、各グループについて圧力値と撹拌電流値の平均値を求め、学習済みモデルを用いてＭＦＲ値を予測する。ここで、例えば、図５を用いて学習された学習器を利用する場合、１０時間後にＭＦＲ値を予測する場合には、グループ１のデータのみを用いて学習された学習済モデルを利用する。また、１３０時間後にＭＦＲ値を予測する場合には、例えば、グループ１～グループ１３のデータを用いて学習された学習済みモデルを利用してもよい。
なお、予測部１１３でＭＦＲ値を予測するタイミングは、予測に必要な所定のグループの予測用センサ値を全て取得したタイミングである。したがって、予測部１１３は、必ずしもグループの終了毎に、ＭＦＲ値を予測する必要はない。例えば、図７に示す例では、１０時間後、２０時間後、３０時間後等は、重合工程の一般的な終了時間よりも十分に短いと考えられる。したがって、このような場合、ＭＦＲ値を予測せずに、例えば、過去の重合工程の最短時間から定められた、重合工程が終わる可能性のない所定の時間の経過後のグループの終了毎にＭＦＲ値を予測してもよい。
〈製造装置での処理〉
図８に示すフローチャートを用いて、製造装置１において実行されるフッ素樹脂の重合工程の処理の流れを説明する。まず、製造装置１では、重合槽２内にフッ素樹脂の材料が投入される（Ｓ１）。
図８に示すフローチャートを用いて、製造装置１において実行されるフッ素樹脂の重合工程の処理の流れを説明する。まず、製造装置１では、重合槽２内にフッ素樹脂の材料が投入される（Ｓ１）。
また制御装置４の制御により、重合槽２内の環境や撹拌機３の制御が開始される。また、計時部１１１により、重合時間の計時が開始される（Ｓ２）。制御装置の制御により、重合槽２内では、フッ素樹脂の重合反応が開始される。
取得部１１２は、ステップＳ２で制御装置４により制御が開始されると、入力センサ値の取得を開始する（Ｓ３）。取得部１１２は、例えば、圧力センサ２１で計測される圧力値と、モータ３１に与えられる電流の撹拌電流値とを取得する。
その後、予測部１１３は、学習済みモデル１２２により、ＭＦＲ値を予測する（Ｓ４）。上述したように、学習済みモデル１２２で用いる予測用センサ値は、前処理がされることもある。
予測部１１３は、ステップＳ４で予測したＭＦＲ値を用いて、終了時間を予測する（Ｓ５）。なお、ここでは終了時間とするが、製造の終了のための特定の操作のタイミング等であって、このタイミングに応じて、後の処理で終了を判断してもよい。
出力処理部１１４は、ステップＳ５で予測した終了時間を出力する（Ｓ６）。出力処理部１１４は、例えば、図４を用いて上述したような表示画面Ｗを出力部１５に表示することで、終了時間を出力することができる。
予測装置１０は、重合工程が終了していない場合（Ｓ７でＮＯ）、ステップＳ３に戻り、ステップＳ３～Ｓ７の処理を繰り返す。例えば、重合工程の終了は、ステップＳ５で予測される終了時間に応じて決定される。例えば、予測部１１３で終了までに要する時間を予測する時、ステップＳ５で予測される時間が０になった場合、重合工程の終了とする。
一方、重合工程が終了すると（Ｓ７でＹＥＳ）、制御装置４は制御を終了する。また、計時部１１１は、計時を終了する（Ｓ８）。これにより、製造装置１における１回の重合工程は終了する。
このように、予測装置１０では、実際に混合物のＭＦＲ値を計測せずにセンサ値を利用して、ＭＦＲ値を予測することができる。また、予測装置１０は、重合時間を利用し、ＭＦＲ値の予測精度を向上させることができる。これにより、製造装置１は、予測装置１０で予測されるＭＦＲ値を使用し、フッ素樹脂の重合工程において、フッ素樹脂の重合の終了タイミングを予測することができる。これにより、予測装置１０で予測されるＭＦＲ値を利用することで、重合工程の途中で重合槽から混合物の一部をＭＦＲ値の計測用に取り出して実際にＭＦＲ値を計測する作業を不要とすることができる。
《変形例１》
上述の説明では、予測装置１０は、学習データとして、センサ値である圧力値の平均値及び撹拌電流値の平均値を利用して学習済みモデル１２２を生成するものとして説明した。これに限定せず、センサ値の最大値、最小値又は分散値を利用してもよい。また、平均値、最大値、最小値及び分散値を組み合わせて利用してもよい。
上述の説明では、予測装置１０は、学習データとして、センサ値である圧力値の平均値及び撹拌電流値の平均値を利用して学習済みモデル１２２を生成するものとして説明した。これに限定せず、センサ値の最大値、最小値又は分散値を利用してもよい。また、平均値、最大値、最小値及び分散値を組み合わせて利用してもよい。
この場合、予測部１１３は、平均値、最大値、最小値及び分散値の少なくともいずれかを組み合わせて用いてＭＦＲ値を予測する。予測装置１０は、計測された値から得られた種々の値を有効的に利用し、ＭＦＲ値の予測精度を向上させることができる。
《変形例２》
上述の説明では、製造装置１は、ステップＳ１において、フッ素樹脂の材料を投入する例で説明した。一方、フッ素樹脂の重合工程において、重合槽２に材料等を追加投入する場合もある。このような場合、予測装置１０は、追加投入された材料の積算量をＭＦＲ値の予測に用いてもよい。
上述の説明では、製造装置１は、ステップＳ１において、フッ素樹脂の材料を投入する例で説明した。一方、フッ素樹脂の重合工程において、重合槽２に材料等を追加投入する場合もある。このような場合、予測装置１０は、追加投入された材料の積算量をＭＦＲ値の予測に用いてもよい。
具体的には、取得部１１２は、圧力値及び撹拌電流値とともに、重合槽２に投入される材料の積算量を予測用センサ値として取得する。
この場合、予測部１１３は、圧力値及び撹拌電流値とともに、過去の重合に使用した材料の積算量を含む学習データで学習された学習済みモデル１２２を利用する。また予測部１１３は、取得部１１２が取得した材料の積算量を含む予測用センサ値を用いてＭＦＲ値を予測する。
予測装置１０は、材料の積算量を用いてＭＦＲ値を予測することで、予測精度を向上させることができる。これは、材料の投入量は、重合工程にあるフッ素樹脂のＭＦＲ値に影響するためである。このように、予測装置１０は、このように投入する材料の積算量を利用し、ＭＦＲ値の予測精度を向上させることができる。
《変形例３》
上述の説明では、各回のフッ素樹脂の重合工程で得られたセンサ値を用いて、ＭＦＲ値を予測する例で説明した。一方、重合工程を複数回繰り返して実施する場合、前の重合工程で得られたデータをＭＦＲ値の予測に用いてもよい。
上述の説明では、各回のフッ素樹脂の重合工程で得られたセンサ値を用いて、ＭＦＲ値を予測する例で説明した。一方、重合工程を複数回繰り返して実施する場合、前の重合工程で得られたデータをＭＦＲ値の予測に用いてもよい。
具体的には、取得部１１２は、前回の重合工程で得られたフッ素樹脂のＭＦＲ値を取得してもよい。言い換えると、取得部１１２は、前回のバッチで得られたフッ素樹脂のＭＦＲ値を取得してもよい。
この場合、予測部１１３は、各センサ値とともに、前回の重合工程で得られたフッ素樹脂のＭＦＲ値を含む学習データで学習された学習済みモデル１２２を利用する。また、予測部１１３は、予測用センサ値とともに、取得部１１２が取得した前回の重合工程で得られたフッ素樹脂のＭＦＲ値を用いてＭＦＲ値を予測する。ここで、前回の重合工程で得られたＭＦＲ値を用いる場合、前回の重合工程において、今回の重合工程と同種のフッ素樹脂を製造されたものである場合、予測精度をより向上させることができる。
予測装置１０は、前回の重合工程で得られたＭＦＲ値を用いて、今回の重合工程のフッ素樹脂のＭＦＲ値を予測することで、予測精度を向上させることができる。これは、連続する重合工程では、種々の環境が類似するため、製造されるフッ素樹脂のＭＦＲ値も類似するためである。予測装置１０は、前回のバッチで得られたＭＦＲ値を利用し、ＭＦＲ値の予測精度を向上させることができる。
《その他変形例》
その他、学習データとして、重合工程で利用する種々のデータ、又は、重合工程で取得される種々のデータを利用することができる。この場合、学習済みモデルで利用するデータとしても、同種のデータを利用する。例えば、温度センサ２２により計測される温度値を学習用センサ値及び予測用センサ値としてもよい。
その他、学習データとして、重合工程で利用する種々のデータ、又は、重合工程で取得される種々のデータを利用することができる。この場合、学習済みモデルで利用するデータとしても、同種のデータを利用する。例えば、温度センサ２２により計測される温度値を学習用センサ値及び予測用センサ値としてもよい。
また、上述の説明では、予測部１１３が使用する学習済みモデル１２２の数は、言及していないが、予測部１１３が使用する学習済みモデルの数は限定しない。例えば、予測部１１３は、２以上の学習済みモデル１２２を組み合わせて利用してもよい。
〈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、上記実施形態を説明した。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、上記実施形態を説明した。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、製造装置及び予測方法は、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。
本開示の予測装置、製造装置及び予測方法は、例えば、フッ素樹脂の重合工程において、重合の終了のタイミングの特定に有用である。
１ 製造装置
１０ 予測装置
１１ 制御部
１１１ 計時部
１１２ 取得部
１１３ 予測部
１１４ 出力処理部
１２ 記憶部
１２１ 取得データ
１２２ 学習済みモデル
１２３ 予測プログラム
１３ 通信部
１４ 入力部
１５ 出力部
２ 重合槽
２１ 圧力センサ
２２ 温度センサ
３ 撹拌機
３１ モータ
３２ 回転軸
３３ 撹拌翼
４ 制御装置
１０ 予測装置
１１ 制御部
１１１ 計時部
１１２ 取得部
１１３ 予測部
１１４ 出力処理部
１２ 記憶部
１２１ 取得データ
１２２ 学習済みモデル
１２３ 予測プログラム
１３ 通信部
１４ 入力部
１５ 出力部
２ 重合槽
２１ 圧力センサ
２２ 温度センサ
３ 撹拌機
３１ モータ
３２ 回転軸
３３ 撹拌翼
４ 制御装置
Claims (17)
- フッ素樹脂の重合工程における、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前記フッ素樹脂を含む混合物のＭＦＲ値を予測する予測装置であって、
前記フッ素樹脂の現在の重合工程で計測される前記重合槽内の圧力値と、当該重合槽内を撹拌する撹拌機の撹拌電流値とを含む情報を予測用センサ値として取得する取得部と、
前記フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程の所定タイミングにおけるフッ素樹脂について計測されたＭＦＲ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センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物の前記所定タイミングにおけるＭＦＲ値を予測する予測部と、
を備える予測装置。 - 前記現在の重合工程の開始から現在までの経過時間を重合時間として計時する計時部をさらに備え、
前記予測部は、前記予測用センサ値と共に前記計時部で計時される前記重合時間を用いて、前記ＭＦＲ値を予測する
請求項１に記載の予測装置。 - 前記予測部で予測された前記ＭＦＲ値を用いて得られた前記現在の重合工程の終了時間に関する情報を出力する出力処理部をさらに備える
請求項１又は２に記載の予測装置。 - 前記フッ素樹脂の重合工程において、前記重合槽に材料を追加投入することが可能であり、
前記取得部は、前記圧力値及び前記撹拌電流値とともに、前記重合槽に投入される材料の積算量を予測用センサ値として取得し、
前記予測部は、前記過去の重合工程で得られた積算量を含む学習用センサ値で学習済みの学習済みモデルにより、前記予測用センサ値を用いてＭＦＲ値を予測する
請求項１乃至３のいずれか１に記載の予測装置。 - 前記予測部は、前記フッ素樹脂の重合工程の一部の期間に計測された前記圧力値を用いて前記ＭＦＲ値を予測する
請求項１乃至４のいずれか１に記載の予測装置。 - 前記予測部は、前記一部の期間内の前記圧力値の平均値、最大値、最小値又は分散値の少なくともいずれかを用いてＭＦＲ値を予測する
請求項５に記載の予測装置。 - 前記予測部は、前記フッ素樹脂の重合工程の一部の期間に計測された前記撹拌電流値を用いて前記ＭＦＲ値を予測する
請求項１乃至４のいずれか１に記載の予測装置。 - 前記予測部は、前記一部の期間内の前記撹拌電流値の平均値、最大値、最小値又は分散値を用いてＭＦＲ値を予測する
請求項７に記載の予測装置。 - 前記一部の期間は、前記フッ素樹脂の重合工程の開始から終了までの時間を分割した複数の期間から選択される
請求項５乃至８のいずれか１に記載の予測装置。 - 前記フッ素樹脂の重合工程を少なくとも２回実施し、
前記取得部は、前回の重合工程で得られたフッ素樹脂のＭＦＲ値を取得し、
前記予測部は、前記取得部が取得した前回の重合工程で得られたフッ素樹脂のＭＦＲ値を含む予測用センサ値を用いて前記フッ素樹脂のＭＦＲ値を予測する
請求項１乃至９のいずれか１に記載の予測装置。 - フッ素樹脂の重合工程において、重合槽内の当該フッ素樹脂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フッ素樹脂の性能の目標を表す目標のＭＦＲ値と、前記フッ素樹脂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ＭＦＲ値とを受け付ける受付部と、
前記フッ素樹脂と同種のフッ素樹脂の過去の製造の前記所定タイミングにおける前記フッ素樹脂のＭＦＲ値と、当該過去の製造で得られた前記フッ素樹脂のＭＦＲ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ＭＦＲ値及び前記所定タイミングにおけるＭＦＲ値とを用いて、前記フッ素樹脂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。 - フッ素樹脂の重合工程において、当該フッ素樹脂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フッ素樹脂の製造に関わる値として観測されるセンサ値を、演算用センサ値として受け付けるとともに、現在の製造における前記フッ素樹脂の性能の目標を表す目標のＭＦＲ値を目標値として受け付ける受付部と、
前記フッ素樹脂と同種のフッ素樹脂の過去の製造で得られたセンサ値と、当該過去の製造で得られた前記フッ素樹脂のＭＦＲ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センサ値から、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。 - フッ素樹脂を製造する製造装置であって、
前記フッ素樹脂の材料が投入される重合槽と、
前記重合槽内を撹拌する撹拌機と、
前記フッ素樹脂の現在の重合工程で計測される前記重合槽内の圧力値と、前記撹拌機の撹拌電流値とを予測用センサ値として取得する取得部と、
前記フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程に要した時間と、当該過去の重合工程で得られたフッ素樹脂について計測されたＭＦＲ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センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物のＭＦＲ値を予測する予測部と、
前記予測部で予測された前記ＭＦＲ値を用いて得られる前記現在の重合工程の終了時間に関する情報を出力する出力処理部と、
を備える製造装置。 - 前記フッ素樹脂の材料を重合槽に投入するステップと、
前記重合槽内を撹拌するステップと、
前記フッ素樹脂の現在の重合工程で計測される前記重合槽内の圧力値と、前記撹拌機の撹拌電流値とを予測用センサ値として取得するステップと、
前記フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程に要した時間と、当該過去の重合工程で得られたフッ素樹脂について計測されたＭＦＲ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、取得された前記予測用センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物のＭＦＲ値を予測するステップと、
予測された前記ＭＦＲ値を用いて得られる前記現在の重合工程の終了時間に関する情報を用いて、現在の製造を終了させるステップと、
を有するフッ素樹脂の製造方法。 - フッ素樹脂の原料を重合槽に投入するステップと、
現在の前記フッ素樹脂の製造において前記フッ素樹脂の製造に関わる値として観測されるＭＦＲ値を、予測用センサ値として取得するステップと、
前記フッ素樹脂と同種のフッ素樹脂の過去の製造において得られたセンサ値と、当該過去の製造の所定タイミングにおける前記フッ素樹脂のＭＦＲ値との関係を用いて、取得された前記予測用センサ値から、現在、製造される前記フッ素樹脂の所定タイミングにおける前記ＭＦＲ値を予測するステップと、
現在の製造における前記フッ素樹脂の性能の目標を表す目標のＭＦＲ値と、予測された前記所定タイミングにおけるＭＦＲ値とを受け付けるステップと、
前記フッ素樹脂と同種のフッ素樹脂の過去の製造の前記所定タイミングにおける前記フッ素樹脂のＭＦＲ値と、当該過去の製造で得られた前記フッ素樹脂のＭＦＲ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ＭＦＲ値及び前記所定タイミングにおけるＭＦＲ値とを用いて、前記フッ素樹脂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、
を有するフッ素樹脂の製造方法。 - フッ素樹脂の重合工程における重合槽内での前記フッ素樹脂を含む混合物のＭＦＲ値を予測する予測方法であって、
前記フッ素樹脂の現在の重合工程で計測される前記重合槽内の圧力値と、当該重合槽内を撹拌する撹拌機の撹拌電流値とを予測用センサ値として取得する取得ステップと、
前記フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程に要した時間と、当該過去の重合工程で得られたフッ素樹脂について計測されたＭＦＲ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、前記取得ステップで取得された予測用センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物のＭＦＲ値を予測する予測ステップと、
を含む予測方法。 - フッ素樹脂の重合工程における重合槽内での前記フッ素樹脂のＭＦＲ値を予測するための学習済みモデルの生成方法であって、
前記フッ素樹脂と同種のフッ素樹脂の重合工程で計測されたセンサ値と、当該重合工程に要した重合時間とを含む教師データと、当該教師データに対する正解データである当該の重合工程で得られたフッ素樹脂について計測されたＭＦＲ値とを含むデータの組を複数取得するステップと、
学習器を用いて、複数の前記教師データと前記正解データとから、前記フッ素樹脂の重合工程で得られるセンサ値から、前記重合工程にあるフッ素樹脂のＭＦＲ値を出力とする学習済みモデルを生成するステップと、
を含む生成方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021101048A JP2023000306A (ja) | 2021-06-17 | 2021-06-17 | 予測装置、製造装置及び予測方法 |
| CN202280042560.6A CN117500845A (zh) | 2021-06-17 | 2022-06-07 | 预测装置、制造装置和预测方法 |
| PCT/JP2022/022970 WO2022264885A1 (ja) | 2021-06-17 | 2022-06-07 | 予測装置、製造装置及び予測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021101048A JP2023000306A (ja) | 2021-06-17 | 2021-06-17 | 予測装置、製造装置及び予測方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2023000306A true JP2023000306A (ja) | 2023-01-04 |
Family
ID=84527455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021101048A Pending JP2023000306A (ja) | 2021-06-17 | 2021-06-17 | 予測装置、製造装置及び予測方法 |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP2023000306A (ja) |
| CN (1) | CN117500845A (ja) |
| WO (1) | WO2022264885A1 (ja) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05140229A (ja) * | 1991-11-22 | 1993-06-08 | Mitsubishi Kasei Corp | ポリオレフインの製造方法 |
| 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 |
| 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 |
| JP2019151833A (ja) * | 2018-02-28 | 2019-09-12 | ダイキン工業株式会社 | 熱可塑性樹脂組成物およびその製造方法 |
| 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 |
| WO2022004880A1 (ja) * | 2020-07-03 | 2022-01-06 | ダイキン工業株式会社 | 予測装置、演算装置、製造装置及び製造方法 |
-
2021
- 2021-06-17 JP JP2021101048A patent/JP2023000306A/ja active Pending
-
2022
- 2022-06-07 CN CN202280042560.6A patent/CN117500845A/zh active Pending
- 2022-06-07 WO PCT/JP2022/022970 patent/WO2022264885A1/ja active Application Filing
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05140229A (ja) * | 1991-11-22 | 1993-06-08 | Mitsubishi Kasei Corp | ポリオレフインの製造方法 |
| 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 |
| 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 |
| JP2019151833A (ja) * | 2018-02-28 | 2019-09-12 | ダイキン工業株式会社 | 熱可塑性樹脂組成物およびその製造方法 |
| 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 |
| WO2022004880A1 (ja) * | 2020-07-03 | 2022-01-06 | ダイキン工業株式会社 | 予測装置、演算装置、製造装置及び製造方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117500845A (zh) | 2024-02-02 |
| WO2022264885A1 (ja) | 2022-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11275345B2 (en) | Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device | |
| US20230119336A1 (en) | Prediction device, calculation device, manufacturing device, and manufacturing method | |
| Flores-Cerrillo et al. | Control of particle size distributions in emulsion semibatch polymerization using mid-course correction policies | |
| 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 | |
| EP3938854A1 (en) | Method of performing a process and optimizing control signals used in the process | |
| JP7274330B2 (ja) | 製造システム、情報処理方法、および製造方法 | |
| US8250006B2 (en) | Inferential sensors developed using three-dimensional pareto-front genetic programming | |
| 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 | |
| US11119456B2 (en) | Production system, information processing method, and production method | |
| US20230376855A1 (en) | Anomaly detection and tuning recommendation system | |
| Tian et al. | Efficient estimation of material property curves and surfaces via active learning | |
| WO2022264885A1 (ja) | 予測装置、製造装置及び予測方法 | |
| CN108959787B (zh) | 考虑实际工况的宏宏双驱动系统的热变形预测方法及系统 | |
| JP2010214661A (ja) | 混練判定システム | |
| Derks et al. | Parallel processing of chemical information in a local area network—II. A parallel cross-validation procedure for artificial neural networks | |
| TWI825490B (zh) | 用於通過近紅外光譜學和機器學習技術在製造過程中進行端點檢測之設備和方法，及相關電腦可讀取媒體 | |
| JP2013200245A (ja) | 前処理方法 | |
| JP7243082B2 (ja) | 混練異常度学習装置、混練異常度推定装置、混練異常度学習方法、混練異常度推定方法及びプログラム | |
| KR101837464B1 (ko) | 폴리프로필렌 중합반응 시 중합체의 시뮬레이션 방법 | |
| JP2011145905A (ja) | 予測関数生成装置、方法、及び、プログラム | |
| Ghugare et al. | Development of genetic programming based softsensor model for styrene polymerization process and its application in model based control | |
| JP2024008431A (ja) | 複合材料の物性値予測装置、物性値予測プログラム及び物性値予測方法 | |
| TW202320084A (zh) | 模型生成裝置、預測裝置、模型生成方法、預測方法，及樹脂組成物製造系統 | |
| CN114139602A (zh) | 一种基于gmm与em算法的设备参数劣化实时预警方法 | |
| JP2019524962A (ja) | エチレンビニルアセテート共重合工程の制御システム及びその制御方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220607 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220607 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220906 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20221104 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221201 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230404 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230703 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20230710 |
|
| A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20231006 |