JP6913166B2 - スクリュ形状推定装置、スクリュ形状推定方法、スクリュ形状推定プログラム - Google Patents

Description

本発明の実施形態は、射出成形機や押出成形機に代表されるスクリュにより樹脂等の材料を混練する混練装置の押出条件を推定する装置に関する。

樹脂ペレットの連続生産やフィルム・シート製品などの樹脂製品の連続生産においては押出成形機（以後、押出機と称する）が用いられる。この押出プロセスにおいては吐出される樹脂の品質を目的レベル以上に達成させることが大前提である。この「品質」とは、複数原料の十分な混練状態が達成出来ること、混練過多による劣化物などの異物が存在しないこと、混練過少による樹脂の未溶融成分や原料の凝集塊が存在しないこと、過度の温度上昇による熱劣化成分が存在しないこと、など多くの基準に基づいており、これら基準をすべてクリアしなければ製造販売に至ることができない。使用原料が既に決定されており原料自体の改質が行えない前提では、基準達成のためには押出機のスクリュ形状最適化と運転・操作条件の最適化が極めて重要となる。

関連する技術に、金型で樹脂成形品を成形すべく金型に溶融樹脂材料を押し出すためのプランジャ部材が設けられた射出成形機の運転条件を設定する方法であって、射出成形機から金型への溶融樹脂材料の注入により製品となる樹脂成形品を成形する運転条件下で、射出成形機から計測手段に溶融樹脂材料を射出し、射出成形機のプランジャ部材の複数の押出位置毎における計測手段内での溶融樹脂材料の流動長を計測し、他の射出成形機から金型への樹脂材料の注入により樹脂成形品を製造するに先立ち、他の射出成形機から計測手段内に溶融樹脂材料を射出するについて押出位置毎に対応する他の射出成形機の押出位置毎で、各押出位置毎の計測された流動長に等しい流動長を得るべく他の射出成形機の運転条件を設定することを特徴とする、射出成形機の運転条件設定方法が知られている（下記特許文献１参照）。

特開２００７−００７９５１号公報

上述したスクリュ形状は押出機の心臓部ともいえる最重要部品であり、この形状決定に要する時間がプロセスの開発期間を支配する要因となる。しかしながら、スクリュ形状を最適化するためには多くの経験に基づいた知識やノウハウが必要とされ、経験の浅い技術者ではその形状を考案することは容易ではないという問題があった。

本発明は上述した問題点を解決するためになされたものであり、混練装置のスクリュ形状を推定するスクリュ形状推定装置、スクリュ形状推定方法、およびスクリュ形状推定プログラムを提供することを目的とする。

上述した課題を解決するため、本発明の一態様は、樹脂物性を含む入力情報を取得すると共に、混練後の樹脂または混練装置に関する物理量の要求値を出力情報として取得する情報取得部と、前記入力情報、前記物理量、および複数のスクリュ形状の相関関係を含む知識情報を記憶する記憶部と、前記入力情報および前記知識情報に基づいて、前記要求値を満足するスクリュ形状を推定する形状推定部と、を備える。

本発明によれば、混練装置のスクリュ形状を推定することができる。本発明のその他の効果については、以下の発明を実施するための形態の項でも説明する。

実施形態におけるスクリュ形状の推定対称となる２軸スクリュ式の押出機を示す概略縦断面図である。 実施形態に係るスクリュ形状推定装置のハードウェア構成を示すブロック図である。 実施形態に係るスクリュ形状推定装置の機能構成を示す機能ブロック図である。 実施形態に係る学習ファイルのデータ構造を示す図である。 実施形態に係るスクリュ形状推定装置が機能として有する学習部による深層学習を説明するための図である。 実施形態に係るスクリュ形状推定処理を示すフローチャートである。 スクリュ形状推定処理における学習処理を示すフローチャートである。 学習処理における解析学習処理を示すフローチャートである。 学習処理における実測学習処理を示すフローチャートである。 スクリュ形状推定処理における推定処理を示すフローチャートである。 最適化データに含まれるスクリュの描画された形状データを示す図である。 実施例におけるスクリュの混練領域の場所を説明するための図である。 混練領域におけるスクリュに用いるエレメントの種類を示す表である。 数値解析時に用いた混練領域のスクリュ形状を示す表である。 実験および解析結果を示す表であり、（ａ）は押出量１０ｋｇ／ｈの場合を示し、（ｂ）は押出量３０ｋｇ／ｈの場合を示す。 推定処理により推定された指定条件を満たす最適なスクリュ形状を示す表である。 最適なスクリュ形状を用いた実験および解析結果を示す表である。 スクリュ形状推定プログラムが情報処理装置に適用される場合を示す図である。

以下、本発明の実施の形態について図面を参照しつつ説明する。なお、本明細書及び図面において、実質的に同一の機能を有する構成要素については、同一の符号を付することにより重複説明を省略する。

本実施形態に係るスクリュ形状推定装置は、人工知能アルゴリズムを有すると共に、数値解析ソフトウェアが組み込まれたものであり、数値解析結果や実験結果を人工知能により学習し、指定した条件に最適なスクリュ形状およびその押出条件を推定する装置である。スクリュ形状の推定対称となる押出機を図１に例示する。図１は、実施形態におけるスクリュ形状の推定対称となる２軸スクリュ式の押出機を示す概略縦断面図である。本実施形態に係るスクリュ形状推定装置は、図１に示されるような、樹脂材料を溶融するためのシリンダ１と、シリンダ１の上流側に設けられ樹脂材料が投入されるホッパ２と、シリンダ１内に回転自在に設けられ、樹脂材料を溶融混練すると共にシリンダ１先端部（下流側）へ搬送する２軸のスクリュ３とを備える押出機４の当該スクリュ３の最適な形状を推定するものとして以後説明を行う。なお、推定対称を２軸のスクリュ３とするが、これに限定されるものではなく、単軸スクリュや、シングルまたはダブルフライトスクリュ等の他種多様なスクリュをその推定対象とすることができる。

（装置構成）
先ず、本実施形態に係るスクリュ形状推定装置の装置構成について図２を用いて説明する。図２は、本実施形態に係るスクリュ形状推定装置のハードウェア構成を示すブロック図である。図２に示されるように、スクリュ形状推定装置１０は、ＣＰＵ(Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ)１１、メモリ１２、入力部１３、入出力ＩＦ（ＩｎｔｅｒＦａｃｅ）１４、表示部１５、記憶装置１６、を備える。

ＣＰＵ１１はメモリ１２上に展開されるＯＳ(Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ)、ＢＩＯＳ(Ｂａｓｉｃ Ｉｎｐｕｔ／Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ)、汎用アプリケーション等の各種プログラムを実行し、スクリュ形状推定装置１０の制御を行う。

メモリ１２は、ＲＡＭ(Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ)等の揮発性の記憶領域であり、実行されるプログラムの作業領域として利用される。

入力部１３は、スクリュ形状推定装置１０を使用するユーザからの入力を受け付けるものであり、例えば、ディスプレイ上の特定の位置を指定するためのポインティングデバイスであるマウスや、文字または特定の機能等が割り当てられた複数のキーが配列されたキーボードである。

入出力ＩＦ１４は、スクリュ形状推定装置１０による外部の機器への信号やデータの入出力を行うためのインターフェイスであり、本実施形態においては外部装置のデータベース２０に格納された実測データ２０２の取得を行う。この実測データ２０２は、各種装置において実験された結果を有するものであり、実験毎に纏められたデータである。実測データ２０２の詳細については後述する。

表示部１５は、ＯＳおよびＯＳ上で動作するアプリケーションのＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）や解析結果を表示するディスプレイ等の出力装置である。このような出力装置により、例えば、ユーザが入力するプロセス種別等の項目や、後述するスクリュ形状推定処理により推定されたスクリュ形状を２次元に描画して表示する。

記憶装置１６は、ＨＤＤ（Ｈａｒｄ ｄｉｓｋ ｄｒｉｖｅ）等の不揮発性の記憶領域であり、スクリュ形状推定処理において用いられる各種パラメータや当該処理により算出される各物理量、後述する学習ファイル１６１や知識ファイル１６２（図２参照）といったデータが格納される。

（機能構成）
次に、スクリュ形状推定装置１０の機能構成について図３を用いて説明する。図３は、本実施の形態に係るスクリュ形状推定装置の機能構成を示す機能ブロック図である。図３に示されるように、スクリュ形状推定装置１０は、取得部１０１と、判定部１０２と、解析部１０３と、ファイル生成部１０４と、学習部１０５と、探索部１０６と、形状作成部１０７とを機能として有する。これら機能は、ＣＰＵ１１やメモリ１２等の前述したハードウェア資源が協働することにより実現され、これらの機能により後述するスクリュ形状推定処理が実行される。

取得部１０１は、数値解析により所定の物理量を算出するための各種パラメータや、解析結果、実験結果等のデータを取得する。これらのデータはユーザにより手入力されたものを取得してもよく、外部装置のデータベース２０から取得してもよい。本実施形態においては、プロセス種別、運転条件、構成データをパラメータとして取得する。これらの各パラメータについての詳細は後述する。

判定部１０２は、データベース２０が更新されたか否かや、解析学習処理や実測学習処理を実行するか否か等、後述するスクリュ形状推定処理における各種判定を行う。

解析部１０３は、取得された各種パラメータに基づいて数値解析、具体的にはＣＡＥ（Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｅｎｇｉｎｅｅｒｉｎｇ）解析を行い、解析結果として吐出樹脂温度等の各種物理量の算出を行う。この解析部１０３による数値解析としては、格子メッシュ法やＦＡＮ（Ｆｌｏｗ Ａｎａｌｙｓｉｓ Ｎｅｔｗｏｒｋ）法、２次元または３次元流動計算等、既存の溶融モデルや計算フローを用いた手法が挙げられ、物理量を算出可能なものであればよい。この解析部１０３は、既存の数値解析ソフトウェア（シミュレーションソフトウェア）を読み込むことにより実現されてもよく、このようなソフトウェアとしては、例えば株式会社日本製鋼所製の「ＴＥＸ−ＦＡＮ」等が挙げられる。ここで算出される物理量としては、吐出樹脂温度、比動力（Ｅｓｐ.）固相占有率、滞留時間、混練領域最大樹脂圧力、混練領域充満長、モータ動力、最大トルク等が挙げられる。

ファイル生成部１０４は、解析部１０３の解析結果や、取得部１０１による実験結果としてのパラメータの取得に応じて学習ファイル１６１を生成し、記憶装置１６内に格納する。学習ファイル１６１は、学習部１０５による学習を行わせるためのものであり、プロセス種別を識別するプロセス種別番号、押出量（原料供給量）等の運転条件、スクリュやシリンダ形状等の構成データ、および解析結果や実験結果としての吐出樹脂温度等の各種物理量の項目が設けられて各項目に値が入力されたものである。学習ファイル１６１の詳細については後述する。

学習部１０５は、記憶装置１６内に格納された学習ファイル１６１にアクセスし、これに基づいてプロセス種別、運転条件、構成データ、および物理量の相関関係を学習、具体的には深層学習（ディープラーニング）を行い、学習結果を知識ファイル１６２として記憶装置１６内に格納する。この学習は学習ファイル１６１が生成される度に行われ、知識ファイル１６２がその都度更新される。学習部１０５による学習および知識ファイル１６２の詳細については後述する。

探索部１０６は、ユーザによる指定条件の入力に応じて、記憶装置１６内に格納された知識ファイル１６２にアクセスし、当該指定条件を満足する最適なスクリュ形状を探索する。なお、スクリュ形状に限らず、シリンダ等の構成データや、各種運転条件を探索してもよい。

形状作成部１０７は、記憶装置１６内に予め格納されたＩＤリスト１６３にアクセスし、探索部１０６により探索されたスクリュ形状をＩＤリスト１６３に示される形状データに基づき２次元データとして作成し、ユーザに視認可能に表示部１５に表示させる。

（学習ファイル１６１）
次に、上述した学習ファイル１６１について図４を用いて説明する。図４は、本実施形態に係る学習ファイルのデータ構造を示す図である。図４に示されるように、本実施形態に係る学習ファイル１６１は、押出条件、即ち解析条件や実験条件として設定された必須項目である基本項目１６１ａと、実験結果として計測された数値を示す実測項目１６１ｂと、解析結果として算出された数値を示す解析項目１６１ｃと、実測項目１６１ｂと解析項目１６１ｃとにおける対応する項目のそれぞれの数値の差を示す誤差項目１６１ｄとを有する。

基本項目１６１ａには、押出条件である、プロセス種別、押出機の運転条件、押出機の構成データが含まれており、具体的には、プロセス種別としてプロセス種別番号、運転条件として押出量、スクリュ回転数、構成データとして押出機サイズ番号、スクリュ構成番号１〜ｎ、およびシリンダ構成番号１〜ｎを有する。実測項目１６１ｂには、基本項目１６１ａの条件での実験により計測された物理量として、実測吐出樹脂温度、実測比動力、実測固相占有率、実測滞留時間、実測混練領域最大（樹脂）圧力、実測最大トルクを有する。

解析項目１６１ｃには、基本項目１６１ａの条件での数値解析結果として算出された物理量として、解析吐出樹脂温度、解析比動力、解析固相占有率、解析滞留時間、解析混練領域最大（樹脂）圧力、および解析最大トルクを有する。誤差項目１６１ｄには、実測項目１６１ｂと解析項目１６１ｃとで共通する項目、例えば誤差吐出樹脂温度、誤差比動力等を有する。これらの基本項目１６１ａ、実測項目１６１ｂ、解析項目１６１ｃ、および誤差項目１６１ｄには、それぞれ数値が入力される。

実際の押出機による押出プロセスでは、樹脂原料の違いやフィラーなどの副原料の有無、それに伴うシリンダ設定温度の違い、押出機のサイズ、押出量やスクリュ回転数の違いなど、実に様々な種別に分類される。特に、原料の種類が変わると、それぞれの供給位置や供給配分を考慮したシリンダ構成と、どの領域で混練を必要とするかの考えに基づくスクリュ構成が大幅に変わる。このことから、本実施形態においては学習ファイルに樹脂原料の情報つまりプロセス種別の情報を有する。プロセス種別番号は、例えば１＝「ポリプロピレン＋粉体系フィラー」、２＝「ポリプロピレン＋繊維系フィラー」等で示される大枠の分類である。これは数値解析と比較して実験による数千、数万パターンのデータを収集することは、時間、費用的に困難であるため、プロセス種別を細かく分類すると１つの種別あたりのデータ数が低下し、延いては知識ファイル１６２の精度の低下に繋がる。したがって、本実施形態においてはプロセス種別を大枠の括りとして設定することにより１つの種別あたりのデータ数の低下を避け、知識ファイルの精度向上を実現している。

また、押出機サイズ番号は、押出機のサイズ、例えばシリンダやスクリュの全長を固有に示す番号である。スクリュ構成番号１〜ｎは、この押出機サイズに応じたスクリュを構成するニーディングディスク等の部品（エレメント）を、その位置と共に示す番号であり、例えば１，２，４，６の値が設定されて入れば、それらの番号に固有に紐づけられたスクリュのディスクが組み合わされてスクリュが構成されていることを示す。なお、樹脂を搬送する搬送領域と樹脂を溶融混練する混練領域をここで併せて示すようにすることが好ましい。シリンダ構成番号１〜ｎは、押出機サイズに応じたシリンダを構成する部品を、その位置と共に示す番号であり、シリンダ内径のサイズに対応するものである。

なお、基本項目１６１ａとしては、上述したデータに限らず、主原料のかさ密度、複数樹脂の混練や無機フィラーの混練プロセスを考慮した副原料の種類、供給量や共有位置データ、脱揮プロセスにおける原料供給時の原料樹脂への含有溶剤濃度、等の項目を含めてもよい。同様に、実測項目１６１ｂおよび解析項目１６１ｃに、混練領域充満長や、モーター動力、吐出樹脂の溶融状態（未融解の有無）等の項目を含めてもよい。吐出樹脂の溶融状態については、未融解無し、即ち完全溶融であれば１、未融解有りであれば２などの番号で示せばよい。なお、解析項目１６１ｃは、実測項目１６１ｂと同一であるが、実際の計測が困難であるが数値解析で算出可能な物理量に関しては、解析項目１６１ｃに固有に項目が設定されてもよい。例えば、分散混練の指標となる剪断応力や、分配混練の指標となる剪断ひずみの累積値の項目を更に設けることにより、そのスクリュ形状が発現する分散混練や分配混練の指標の学習を行わせることができる。

なお、本実施形態においては、実測項目１６１ｂは、解析項目１６１ｃと同一の項目を有しているが、上述したように実験によっては計測していない項目もある。その場合には学習ファイルの生成時に当該項目に対して「９９９９」や「−」等の誤差の算出には適用しないと設定した値が入力される。これは解析項目１６１ｃにおいても同様であり、数値解析時に算出されない項目については「９９９９」や「−」等の値を入力すればよい。本実施形態においては、実測項目１６１ｂ自体の項目数を減らして実験結果として計測が容易な実測吐出樹脂温度、実測比動力のみを実測項目１６１ｂとしてもよい。

（深層学習）
次に、本実施形態に係る学習部１０５の深層学習について図５を用いて説明する。図５は、実施形態に係るスクリュ形状推定装置が機能として有する学習部による深層学習を説明するための図である。図５に示されるように、学習部１０５は、主として入力層３１、中間層（隠れ層）３２、出力層３３を有する多層構造のニューラルネットワーク３０により実現される機能である。ニューラルネットワーク３０は、入力層３１、中間層３２、出力層３３に複数のノードが含まれる。ニューラルネットワーク３０は、例えば入力層３１の１以上のノード３１１ａ〜３１１ｄが中間層３２の１以上のノード３２（１）と接続され、中間層３２内で多段に配されたノード３２（１）〜３２（ｎ）が中間層３２内においてそれぞれ隣接するノード間で接続され、中間層３２の１以上のノード３２（ｎ）と出力層３３の１以上のノード３３１ａ〜ｄが接続され、入力層３１から出力層３３まで多段にノードを接続した構成となっている。

各ノード３１１，３２（１）〜３２(ｎ)，および３３１間を接続する経路３４（１）〜３４（ｎ＋１）には、それぞれ重み係数が設定されており、あるノードの演算結果が重み係数に基づいて他のノードに伝達することとなる。また、各ノードには活性化関数が設定されており、伝達された演算結果が正規化処理される。

学習部１０５は、入力層３１のノード３１１への入力パターン（入力データ）として既知である基本項目１６１ａの値を与え、出力層３３のノード３３１の出力パターン（教師データ）として既知である解析項目１６１ｃおよび誤差項目１６１ｄの値を与える。これにより、押出条件と入力ノード３１１とが対応付けられ、解析結果および実験結果との誤差を示す物理量が出力ノード３３１と対応付けられる。

例えば入力ノード３１１ａはプロセス種別番号の値を受け付け、入力ノード３１１ｂは押出機サイズ番号の値を受け付ける、と設定される。また、入力ノード３１１ｃはスクリュ構成番号の値を受け付け、入力ノード３１１ｄはシリンダ構成番号の値を受け付ける、と設定される。また、例えば出力ノード３３１ａは物理量として吐出樹脂温度の値を出力し、出力ノード３３１ｂは物理量として比動力の値を出力する、と設定される。また、例えば出力ノード３３１ｃは物理量として吐出樹脂温度誤差の値を出力し、出力ノード３３１ｄは物理量として比動力誤差の値を出力する、と設定される。

このように設定することにより、あるプロセス種別やスクリュ形状により中間層３２を経た学習を行うことで出力層３３つまり出力値が得られる。この学習で得られた出力値と、予め教師データとして与えていた出力層の値に差異が生じている場合は、学習の精度が不十分であることを意味する。そのため、所定の結果や当該結果に誤差が生じることを学び、経路３４（１）〜３４（ｎ＋１）の経路における各ノードに対する重み係数を調整して決定する。この時、誤差項目１６１ｄに関する出力ノードについては、その値が最小（例えば０）に近くなるよう重み係数が調整される。これを繰り返すことにより、次第に学習によって得られる出力層３３の値と教師データとの差異が縮まり、その誤差がほぼ無くなったと判断できる状態になった段階で学習を終了させる。この段階になると、ある条件に対するスクリュ形状に代表される他の条件の最適値を割り出すような学習が完了したと見なすことができる。

知識ファイル１６２は、この学習結果そのものであり、ある条件に対するスクリュ形状に代表される他の条件の最適値を網羅したものである。換言すれば、押出条件（プロセス種別、運転条件、および／または構成データ）と、解析結果や実験結果としての物理量との相関関係を示すノウハウである。したがって、例えばあるプロセス種別により所望の吐出樹脂温度の要求値を満足するスクリュ形状がどのような形状であるかの情報が知識ファイルには含まれているといえる。学習部１０５は入力パターンと出力パターンとが与えられるたびに深層学習を行うため、必然的に知識ファイル１６２が更新されることとなり、知識ファイル１６２の精度が高まる。

学習部１０５による重み係数を決定する手法としては、バックプロパゲーション等の既存の手法を用いればよく、活性化関数についても同様である。したがって、重み係数や活性化関数を決定する手法についての詳細は省略する。

（処理動作）
以下、図面を用いて本実施形態に係るスクリュ形状推定装置１０の動作の詳細を説明する。図６は、実施形態に係るスクリュ形状推定処理を示すフローチャートである。なお、この処理において算出される各値は、適宜メモリ１２または記憶装置１６に格納される。そのため、本フロー内においては各値の格納処理は割愛する。

図６に示されるように、スクリュ形状推定装置１０の起動後、判定部１０２は、学習を行うための学習処理を実行するか、スクリュ形状の推定を行うための推定処理を実行するかの選択肢を表示部１５に表示させ（Ｓ１０１）、ユーザにより学習処理が選択されたか否かを判定する（Ｓ１０２）。学習処理および推定処理についての詳細は後述する。学習処理が選択された場合（Ｓ１０２，ＹＥＳ）、学習処理が実行される（Ｓ１０３）。学習処理後、取得部１０１は、続けて推定処理を実行するか否かの選択肢を表示部１５に表示させ（Ｓ１０４）、判定部１０２は、ユーザにより推定処理を実行する選択がなされたか否かを判定する（Ｓ１０５）。推定処理を実行する選択がなされた場合（Ｓ１０５，ＹＥＳ）、推定処理が実行され（Ｓ１０６）、本フローは終了となる。

一方、ステップＳ１０２の判定処理において、学習処理が選択されなかった、即ち推定処理が選択された場合（Ｓ１０２，ＮＯ）、ステップＳ１０６の推定処理に移行する。また、ステップＳ１０５の判定処理において、推定処理を実行しない選択がなされた場合（Ｓ１０５，ＮＯ）、本フローは終了となる。

次に、上述した学習処理の詳細を図面を参照しつつ説明する。図７は、学習処理を示すフローチャートである。

図７に示されるように、先ず判定部１０２は、解析結果を学習するための解析学習処理を実行するか、実験結果を学習するための実測学習処理を実行するかの選択肢を表示部１５に表示させ（Ｓ２０１）、ユーザにより解析学習処理が選択されたか否かを判定する（Ｓ２０２）。解析学習処理が選択された場合（Ｓ２０２，ＹＥＳ）、後述する解析学習処理が実行される（Ｓ２０３）。解析学習処理後、取得部１０１は、続けて実測学習処理を実行するか否かの選択肢を表示部１５に表示させ（Ｓ２０４）、判定部１０２は、ユーザにより実測学習処理を実行する選択がなされたか否かを判定する（Ｓ２０５）。実測学習処理を実行する選択がなされた場合（Ｓ２０５，ＹＥＳ）、後述する実測学習処理が実行され（Ｓ２０６）、本フローは終了となる。

一方、ステップＳ２０２の判定処理において、解析学習処理が選択されなかった、即ち実測学習処理が選択された場合（Ｓ２０２，ＮＯ）、ステップＳ２０６の推定処理に移行する。また、ステップＳ２０５の判定処理において、実測学習処理を実行しない選択がなされた場合（Ｓ２０５，ＮＯ）、本フローは終了となる。

次に、上述した解析学習処理の詳細を図面を参照しつつ説明する。図８は、解析学習処理を示すフローチャートである。

図８に示されるように、先ず取得部１０１は、入力フォームを表示部１５に表示させ（Ｓ３０１）、学習ファイル１６１を生成するための各種パラメータを取得する（Ｓ３０２）。ここで取得するパラメータは、数値解析を行うための解析条件（押出条件）であり、樹脂物性、運転条件、構成データに関するパラメータである。必要なパラメータは数値解析の手法や解析結果にどのような物理量を必要とするかにもよるが、樹脂物性としては、例えばプロセス種別番号、粘度フィッティングによるモデルパラメータ、固体および液体の密度、比熱、熱伝導率、融点、溶融熱量等が挙げられる。運転条件としては、例えば押出量、スクリュ回転数、スクリュ先端圧力、シリンダ設定温度、シリンダ設定温度境界位置、スクリュ位置、メッシュ刻み数、計算サイクル数、計量樹脂量、原料樹脂温度、背圧等が挙げられる。構成データとしては、例えばスクリュ構成番号、シリンダ構成番号、シリンダ径、スクリュ径、スクリュ溝深さ、スクリュリード、メインフライト幅、メインフライトクリアランス、サブフライト開始位置、サブフライト終了位置、サブフライトクリアランス等が挙げられる。なお、ユーザはプロセス種別番号、スクリュ構成番号、シリンダ構成番号についての入力を行う際、これら番号とその内容（樹脂名やエレメント形状、シリンダ形状等）とが対応付いたＩＤ対比表を参照するとよい。このＩＤ対比表は予め記憶装置１６に格納されていることが好ましい。

パラメータ取得後、解析部１０３は、取得されたパラメータに基づいて数値解析を行い、解析結果として各種物理量を算出する（Ｓ３０３）。ここで算出される物理量は、当該パラメータや数値解析の手法にもよるが、例えば吐出樹脂温度、比動力、固相占有率、混練領域最大樹脂圧力、滞留時間、混練領域充満長、モータ動力、最大トルク、可塑化能力等が挙げられる。算出された各種物理量は、ファイル生成部１０４により読み取り可能な形式、例えば学習ファイル１６１の解析項目１６１ｃと同一の項目を有し、当該項目に各値が入力されたファイルとして保存される。

数値解析後、ファイル生成部１０４は、取得された解析条件および解析結果に基づいて学習ファイル１６１を生成する（Ｓ３０４）。具体的には、解析条件から基本項目１６１ａに相当する情報を取得すると共に、解析結果から解析項目１６１ｃに相当する情報を取得し、これらから学習ファイル１６１を生成する。なお、ここでの段階では生成された学習ファイル１６１の実測項目１６１ｂ、誤差項目１６１ｄには「９９９９」等の学習には使用しないことを示す値が入力される。

なお、解析条件からの基本項目１６１ａの情報取得を可能とするために、樹脂物性と、樹脂および／またはフィラーと、プロセス種別とを紐付けたテーブルを予め記憶装置１６内に格納することが好ましい。これにより、ステップＳ３０１においてユーザが樹脂やフィラーを選択するのみで数値解析処理に必要な樹脂物性の各パラメータの値を自動に取得することができ、また、学習ファイル１６１の生成時には選択された樹脂および／またはフィラーのプロセス種別を自動に取得することができる。また、ステップＳ３０１において樹脂物性のパラメータを入力する際に、入力フォームにプロセス種別を選択する項目を設けることでユーザにプロセス種別を決定させるようにしてもよい。

学習ファイル１６１生成後、判定部１０２は、表示部１５に学習を実行するか否かの選択肢を表示させ（Ｓ３０５）、学習を実行するとユーザが選択したか否かを判定する（Ｓ３０６）。学習を実行しないと選択された場合（Ｓ３０６，ＮＯ）、他にも学習させたい数値解析があると判断し、ステップＳ３０１の入力フォーム表示の処理へ移行する。一方、学習を実行すると選択された場合（Ｓ３０６，ＹＥＳ）、学習部１０５は生成された学習ファイル１６１に基づいて深層学習を実行し（Ｓ３０７）、知識ファイル１６２が更新され（Ｓ３０８）、本フローは終了となる。

次に、上述した実測学習処理の詳細を図面を参照しつつ説明する。図９は、実測学習処理を示すフローチャートである。

図９に示されるように、先ず判定部１０２は、外部装置のベータベース２０にアクセスし、データベース２０に更新があったか否かを判定する（Ｓ４０１）。具体的には、データベース２０内に、取得していない実測データ２０２が格納されているか否かを判定する。データベース２０に更新があった場合（Ｓ４０１，ＹＥＳ）、取得部１０１は、取得していない実測データを選択し（Ｓ４０２）、当該データから学習ファイルへ反映する反映情報を取得する（Ｓ４０３）。

実測データ２０２は、例えば実験時の実験条件（押出条件）としてプロセス種別、運転条件、構成データが含まれ、実験結果として吐出樹脂温度（押出機先端樹脂温度）や比動力（Ｅｓｐ．）等の計測された各種物理量が含まれる。本実施形態においては、この実測データ２０２は取得部１０１およびファイル生成部１０４により読み取り可能な形式、例えば学習ファイル１６１の基本項目１６１ａおよび実測項目１６１ｂと同一の項目を有し、当該項目に各値が入力されたファイルとして保存される。したがって、上述した反映情報は、実測データ２０２における基本項目１６１ａおよび実測項目１６１ｂと同一の項目の各値である。

反映情報取得後、判定部１０２は、反映情報に対応する学習ファイル１６１があるか否かを判定する（Ｓ４０４）。具体的には判定部１０２は、反映情報の基本項目の各値と、学習ファイル１６１の基本項目１６１ａの各値とが同一、即ち同一押出条件であるか否かを判定する。反映情報に対応する学習ファイル１６１がある場合（Ｓ４０４，ＹＥＳ）、ファイル生成部１０４は、反映情報に対応すると判定された学習ファイル１６１の実測項目１６１ｂの各値（学習しないとされた値９９９９等）を反映情報の実測項目の各値に書き換え、当該実測項目１６１ｂの値と該実測項目１６１ｂに対応する解析項目１６１ｃの値との差分を算出し、当該学習ファイル１６１の誤差項目の各値（学習しないとされた値９９９９等）を算出した各値に書き換えて学習ファイル１６１を更新する（Ｓ４０５）。

学習ファイル１６１更新後、判定部１０２は、データベース２０にアクセスし、未選択の実測データがあるか否かを判定する（Ｓ４０６）。未選択の実測データがある場合（Ｓ４０６，ＹＥＳ）、ステップＳ４０２の実測データの選択処理へ移行する。一方、未選択の実測データがない場合（Ｓ４０６，ＮＯ）、判定部１０２は表示部１５に実測データの手入力を行うかの選択肢を表示させ（Ｓ４０７）、手入力を行うとユーザが選択したか否かを判定する（Ｓ４０８）。

手入力を行わないと選択された場合（Ｓ４０８，ＮＯ）、学習部１０５は更新された学習ファイル１６１に基づく深層学習を行い（Ｓ４０９）、知識ファイル１６２が更新され（Ｓ４１０）、本フローは終了となる。

一方、ステップＳ４０１の判定処理において、データベース２０に更新がなかった場合（Ｓ４０１，ＮＯ）、取得部１０１は、入力フォームを表示部１５に表示させ（Ｓ４１１）、反映情報を取得する（Ｓ４０２）。なお、ここで表示され得る入力フォームは、ステップＳ３０１の入力フォーム表示処理時に表示した入力フォームと同様の形式でよく、したがってユーザはＩＤ対比表を参照してプロセス種別番号やスクリュ構成番号等の入力を行えばよい。

また、ステップＳ４０４の判定処理において、反映情報に対応する学習ファイル１６１がない場合（Ｓ４０４，ＮＯ）、解析部１０３は反映情報における基本項目の情報に基づき数値解析処理を実行する（Ｓ４１２）。解析処理後、ファイル生成部１０４は、数値解析結果に基づいて、基本項目１６１ａ、解析項目１６１ｃに解析条件や解析結果の値が、実測項目１６１ｂ、誤差項目１６１ｄに学習しないとされた値９９９９等が入力された学習ファイル１６１を生成し（Ｓ４１３）、ステップＳ４０５の学習ファイル１６１の更新処理へ移行する。また、ステップＳ４０８の判定処理において、手入力を行うと選択された場合（Ｓ４０８，ＹＥＳ）、他の学習すべき実験結果があると判断してステップＳ４１１の入力フォーム表示処理へ移行する。

次に、上述した推定処理の詳細を図面を参照しつつ説明する。図１０は、推定処理を示すフローチャートである。

図１０に示されるように、先ず取得部１０１は、入力フォームを表示部１５に表示させ（Ｓ５０１）、ユーザから指定条件の入力を促してこれらを取得する（Ｓ５０２）。指定条件は、少なくとも押出条件と所望の要求物理量を含むものであり、ここでの押出条件は、プロセス種別等の学習ファイル１６１における基本項目１６１ａの各種項目に対応する。要求物理量は、吐出樹脂温度等の実測項目１６１ｂや解析項目１６１ｃの各種項目に対応するものであり、要求物理量を設定する際にはその要求値も併せて入力する。なお、押出条件として何を入力するかは適宜であるが、少なくともプロセス種別が入力されることが好ましい。これはプロセス種別が異なることにより解析結果や実験結果が大きく異なるため、プロセス種別が設定されていない場合、推定処理結果が膨大になる可能性があるためである。また、押出条件としてのスクリュ形状番号を推定対象であることを示す空欄（入力せず）に設定する。スクリュ回転数等の他の押出条件も併せて推定したい場合には、当該条件も空欄とすればよい。なお要求物理量以外の物理量については、空欄等の要求しないことを示す設定を行うことにより、スクリュ形状が推定された段階で最適な押出条件も推定されるため、装置サイドで自動に予測値（以後、予測情報と称する）が出力されることとなる。

例えば、ユーザがポリエチレンを吐出樹脂温度２００℃で押出成形するための最適なスクリュ形状を知りたい場合、プロセス種別をポリエチレン、スクリュ形状番号の各値を空欄、要求物理量を吐出樹脂温度、その要求値を２００℃と入力フォームに入力すればよい。なお、当該入力フォームは、学習ファイル１６１の各項目に基づいて生成するようにしてもよい。これにより、学習ファイル１６１に新たな項目が設けられ学習がなされた際に、自動に推定処理の対象とすることができる。

指定条件取得後、探索部１０６は知識ファイル１６２にアクセスすることにより、指定条件に含まれる押出条件での要求物理量の要求値を満足する最適なスクリュ形状を探索し（Ｓ５０３）、当該スクリュ形状を選定する（Ｓ５０４）。押出条件の値は不変であるが、要求値については多少の誤差が含まれる。これは要求値の物理量が出力パターンとして学習されたためである。したがって、ここでの「要求値を満足」とは、設定した値から所定の範囲の誤差を含むものであり、その誤差は学習の精度によって適宜設定される。なお、複数パターンのスクリュ形状で要求値を満足するとされた場合には、その全てまたは要求値の一致度から上位数パターンを選定する等すればよい。

最適スクリュ形状選定後、形状作成部１０７は、記憶装置１６に予め格納されているスクリュ構成番号とエレメント毎の形状データとが紐付いたＩＤリスト１６３にアクセスし、選定されたスクリュ形状のスクリュ構成番号に対応する形状データを読み込む（Ｓ５０５）。当該形状データは２Ｄデータであればよいが、３Ｄデータとしてもよい。読み込み後、形状作成部１０７は、読み込んだ形状データに基づいてスクリュ形状を作成（描画）し（Ｓ５０６）、当該スクリュ形状と共に、空欄に設定した押出条件の最適値や、例えば当該押出条件での吐出樹脂温度や押出機４の負荷状態等の予測情報を、最適化データとして提示して（Ｓ５０７）、本フローは終了となる。

図１１は、最適化データに含まれるスクリュの描画された形状データを示す図である。図１１に示されるようにスクリュ形状は、ユーザが視覚的にイメージ可能に表示される。なお、ここでは「Ｌ／Ｄ」、「リード、角度」、「条数」、および「外径φ」の項目が表示されているが、これはＩＤリスト１６３のスクリュ構成番号に紐付いているものであり、ＩＤリスト１６３にアクセスした段階でこれら情報を取得している。

（実施例）
以下、図面を用いて本実施形態に係るスクリュ形状推定装置１０を用いた実施例について説明する。図１２は本実施例におけるスクリュの混練領域の場所を説明するための図であり、図１３は混練領域におけるスクリュに用いるエレメントの種類を示す表であり、図１４は数値解析時に用いた混練領域のスクリュ形状を示す表である。本実施例においては、２軸スクリュを有する２軸スクリュ式押出機によるポリプロピレンの解析、実験結果をスクリュ形状推定装置１０に学習させ、所望の要求物理量の要求値を満足するスクリュ形状の推定を行った。

学習を目的としたスクリュ形状の評価を行うために用いた押出機は、シリンダ内径＝φ２６．５ｍｍ（以後、この寸法をＤとする）、スクリュ全長であるＬ／Ｄ＝５２．５ｍｍ（Ｌは実長［ｍｍ］）の仕様のＴＥＸ２５αIIIとした。当該押出機に挿入したスクリュは、図１２における符号４０に示されるＬ／Ｄ＝４の部位を樹脂の溶融可塑化を行う混練領域とし、それ以外は全て搬送を目的としたフルフライトスクリュとした。Ｌ／Ｄ＝４の混練領域を構成する混練スクリュは、図１３に示される順ねじれニーディングディスク、逆ねじれニーディングディスク、および直交ニーディングディスクの３種を、それぞれスクリュ長０．５，１．０，１．５の３種を用意し、計９形状のニーディングディスクのみから構成させるものとした。Ｌ／Ｄ＝４における９形状のニーディングディスクの組み合わせは４万６０９０通りあり、本実施例においては全通りで解析を行い、図１４に示されるスクリュＡ〜Ｄの４種のスクリュ形状のみを実験の対象とした。

押出実験ではプロセス種別をポリプロピレンとし、その流動性の評価指標であるＭＦＲは９．０である。運転条件として押出量１０ｋｇ／ｈでスクリュ回転速度１００，２００，３００の３パターンを各スクリュ形状Ａ〜Ｄのそれぞれで、また押出量３０ｋｇ／ｈでスクリュ回転速度２００，３００，４００の３パターンを各スクリュ形状Ａ〜Ｄのそれぞれで押出実験を行った。シリンダ設定温度は全実験で同一とした。即ち、押出実験においては押出量とスクリュ回転数のみを変更して実験を行った。また、これらスクリュ形状の全押出条件について、シミュレーションソフト「ＴＥＸ−ＦＡＮ」で数値解析処理を実施した。

図１５は、実験および解析結果を示す表であり、（ａ）は押出量１０ｋｇ／ｈの場合を示し、（ｂ）は押出量３０ｋｇ／ｈの場合を示す。図１５に示されるように、実験結果においては、押出量１０ｋｇ／ｈでは全ての条件で未溶融成分の吐出は確認されなかったが、３０ｋｇ／ｈでは多くの条件で未溶融成分が発生した。これは、スクリュ形状Ａ〜Ｄでは樹脂を溶融可塑化させるに十分な混練エネルギーを付与できていないことを意味し、吐出樹脂温度が２００℃を超えた条件においても均一な混練ができていないことが示唆される。解析結果と実験結果では吐出樹脂温度にいくらかの差異が生じているものの、未溶融成分の発生予測は実際の傾向を良好に予測できている。高回転領域では予測結果の方が実測よりも１５℃程度高く樹脂温度を予測しているが、全体的にその傾向は類似している。

次に、Ｌ／Ｄ＝４の混練領域を構成可能な４万６０９０通りのスクリュ形状全てを対象とし、「ＴＥＸ−ＦＡＮ」を用いて数値解析を行った。解析条件は前述した押出条件と同一である。得られた解析結果は総数２８万件弱となったが、これらの解析結果と実験結果とをスクリュ形状推定装置１０に入力し（未融解の有無も含む）、学習処理Ｓ１０３により図１４に示した解析結果と実験結果とからなる学習ファイル１６１と、これら以外の上記解析結果からなる学習ファイル１６１とを生成し、深層学習を行わせた。また、当該深層学習により得られた知識ファイル１６２を用い、推定処理Ｓ１０６を実施した。指定条件としては、プロセス種別をポリプロピレン、押出機のサイズ番号を上記ＴＥＸ２５αIIIの番号、押出量を３０ｋｇ／ｈ、スクリュ回転数を空欄、要求物理量を吐出樹脂温度、その要求値を２００℃、未融解を無し（完全溶融）とした。

図１６は、推定処理により推定された指定条件を満たす最適なスクリュ形状を示す表である。図１６に示されるように、推定処理Ｓ１０６を実施した結果、スクリュ形状はスクリュＥ〜スクリュＨが推定された。また、指定条件を満たすと推定されたスクリュ回転数はいずれのスクリュ形状においても３００ｒｐｍであった。推定されたスクリュＥ〜Ｈは、図１４に示されるスクリュＡ〜Ｄと比較して、搬送能力が高い順ねじれニーディングディスクの採用が少なく、混練領域の樹脂圧力を上昇させる効果の高い逆ねじれニーディングディスクや混練性能自体が最も長けている直交ニーディングディスクの採用が多いことがわかる。これは図１５（ｂ）に示される３０ｋｇ／ｈ押出で混練エネルギーが低かったことをスクリュ形状推定装置１０が学習したことを裏付けるものであり、その結果として混練能力がより高いスクリュＥ〜Ｈを推奨形状として出力したことが示唆される。

図１７は、最適なスクリュ形状を用いた実験および解析結果を示す表である。指定条件を満たす押出量は３００ｒｐｍであるが、検証のために２５０〜４００ｒｐｍまで５０ｒｐｍ間隔の評価を行った。図１７の解析の欄に示されるように、いずれのスクリュ形状およびスクリュ回転数においても予測された吐出樹脂温度は要求値の２００℃を超えている。これは、図１５（ｂ）に示す過去の実験結果で解析結果が実測値よりも高く予測されていたことをスクリュ形状推定装置１０が学習した結果によるものと推察される。また、これらスクリュ形状では全ての条件で未溶融成分の吐出は生じないと予測された。

一方、実際の二軸押出機を用いた検証実験結果を示す図１７の実測の欄に示されるように、３００ｒｐｍにて全てのスクリュ形状において未溶融成分の発生は確認されず、また吐出温度も２００℃±１℃程度の誤差範囲内を示すことがわかった。このことから、スクリュ形状推定装置１０における深層学習を用いた機械学習を実施し、推定した最適スクリュ形状が精度良く求まったことを実証できた。つまり、本実施例によれば、学習およびスクリュ形状を含む指定条件の最適化を行うスクリュ形状推定装置１０は、押出機のスクリュ形状決定において極めて有用であり、かつ高精度で指定条件の出力を得られることが判明した。

以上に説明したように、本実施形態に係るスクリュ形状推定装置１０によれば、知識ファイル１６２を用いることにより、指定条件に応じた最適なスクリュ形状を推定でき、これをユーザに提示することができる。したがって、スクリュ形状についての知識やノウハウを有さない経験の浅いユーザであっても、容易に指定条件に応じた最適なスクリュ形状を認識することができる。

また、押出量といった運転条件や解析結果および実験結果で得られる物理量を学習ファイル１６１に組み込み、学習を行わせることにより、最適なスクリュ形状を採用した場合の最適な押出条件や予測情報も同時に推定することが可能となる。したがって、ユーザは理想とする押出機の装置構成および押出条件を把握することができる。

また、本実施形態によれば、最適化データを提案する際に、形状作成部１０７によりスクリュ形状を描画することができるため、ユーザに視覚的なイメージを与えることができ、実際の押出機への適用利便性の向上が可能となる。

以上に説明した実施形態においては、実験結果と押出条件が同一の解析結果を有する学習ファイル１６１がない場合には数値解析が実行される。そのため、学習ファイル１６１には、解析結果のみを含む、即ち実測項目１６１ｂと誤差項目１６１ｄとに値を有さないものと、解析結果および実験結果とを含むものの２種類があると説明した。しかしながら、実験結果と押出条件が同一の解析結果を有する学習ファイル１６１がない場合に数値解析を行わず、実験結果のみを含む、即ち解析項目１６１ｃと誤差項目１６１ｄとに値を有さない学習ファイル１６１による深層学習がなされるようにしてもよい。また、ステップＳ１０３の学習処理において、ステップＳ２０６の実測学習処理を省き、即ち知識ファイル１６２を数値解析結果のみからなる学習ファイル１６１を用いた深層学習により生成するようにしてもよい。

以上に説明した実施形態においては、スクリュ形状推定装置１０側で最適なスクリュ形状を選定し、これを表示部１５に表示したが、これに限定する必要はない。例えば要求物理量の要求値を満足するとされた数値範囲以上の数値範囲を設定し、最適なスクリュ形状としてより広い範囲でユーザに提示するようにしてもよく、探索結果をリスト化して表示するようにしてもよい。リスト化した場合、要求値（複数あれば各要求値）の一致度によりソートし、上から順に最適とされたものを列挙してユーザに選択されたもののみをステップＳ５０６のスクリュ形状作成処理にかけて描画するようにしてもよい。

以上に説明した実施形態においては、形状作成部１０７がスクリュ形状を描画すると説明したが、ＩＤリスト１６３にシリンダ構成番号とその形状データとを含め、シリンダ形状も視覚的にイメージ可能に描画するようにしてもよい。

以上に説明した実施形態においては、実績データ２０２または入力フォームから反映情報を取得して基本項目１６１ａが一致する学習ファイル１６１に反映情報を落とし込む手法をとっているが、これに限定される必要はない。実績データ２０２または入力フォームから一度基本項目１６１ａおよび実測項目１６１ｂのみに値が入力された学習ファイル１６１を生成、格納した後に、基本項目１６１ａが一致し且つ解析項目１６１ｃに値が入力されている学習ファイル１６１を読み込んで情報の統合を行うようにしてもよい。

以上に説明した実施形態においては、最適化データの提示により推定処理を終えているが、最適化データを提示すると共に、解析部１０３による最適化データを用いた数値解析を行うようにしてもよい。このようにすることにより、最適化データの検証を自動的に行うことができると共に、解析結果として樹脂がどのような物性で押し出されるか等の予測を併せて出力することができる。

本発明は、その要旨または主要な特徴から逸脱することなく、他の様々な形で実施することができる。そのため、前述の実施形態は、あらゆる点で単なる例示に過ぎず、限定的に解釈してはならない。本発明の範囲は、特許請求の範囲によって示すものであって、明細書本文には、何ら拘束されない。更に、特許請求の範囲の均等範囲に属する全ての変形、様々な改良、代替および改質は、全て本発明の範囲内のものである。

また、実施の形態にて述べたスクリュ形状推定装置１０における各種ステップを、スクリュ形状推定プログラムとして、図１８に示されるような、コンピュータにより読み取り可能な可搬型の記録媒体８に記憶させ、当該記録媒体８を情報処理装置９に読み込ませることにより、前述した機能を情報処理装置９に実現させることができる。記録媒体８としては、例えば、光ディスク（ＣＤ−ＲＯＭ、ＤＶＤディスク等）、磁気ディスク（ハードディスクドライブ等）、フラッシュメモリ、ＩＣカード、更にネットワークを介することで伝送可能な媒体等、コンピュータで読み取りや実行が可能な全ての媒体が含まれる。

１０ スクリュ形状推定装置、１６ 記憶装置（記憶部）、１６１ 学習ファイル（学習情報）、１６２ 知識ファイル（知識情報）、１０１ 取得部（情報取得部）、１０２ 判定部（情報判定部）、１０３ 解析部（数値解析部）、１０４ ファイル生成部、１０５ 学習部（相関関係学習部）、１０６ 探索部、１０７ 形状作成部（形状推定部）。

Claims (8)

1. 樹脂物性を含む入力情報を取得すると共に、混練後の樹脂または混練装置に関する物理量の要求値を出力情報として取得する情報取得部と、
   前記入力情報、前記物理量、および複数のスクリュ形状の相関関係を含む知識情報を記憶する記憶部と、
   前記入力情報および前記知識情報に基づいて、前記要求値を満足するスクリュ形状を推定する形状推定部と
   を備え、
   前記知識情報には、樹脂物性を含むプロセス種別、押出量を含む運転条件、およびスクリュ形状を含む構成データを解析条件とし、該解析条件に基づく数値解析により得られる解析結果として生成された学習情報に基づいて学習された、プロセス種別、運転条件、構成データ、および解析結果の相関関係が反映されている
   ことを特徴とするスクリュ形状推定装置。
2. 前記解析条件に基づく数値解析により得られる解析結果を前記学習情報として生成する情報生成部と、
   前記学習情報に基づいてプロセス種別、運転条件、構成データ、および解析結果の相関関係を学習し、前記知識情報に反映させる相関関係学習部と
   を更に備えることを特徴とする請求項１記載のスクリュ形状推定装置。
3. 前記情報取得部は、所定のプロセス種別、運転条件、および構成データを実験条件として実施された実験により得られる、前記物理量を含む実験結果を取得し、
   前記情報生成部は、前記実験結果を前記学習情報に反映させる
   ことを特徴とする請求項２記載のスクリュ形状推定装置。
4. 前記実験結果の実験条件と共通する解析条件の解析結果が前記学習情報に含まれているか否かを判定する情報判定部を更に備え、
   前記情報生成部は、前記実験結果の実験条件と共通する解析条件の解析結果が前記学習情報に含まれていると判定された場合、該実験結果と該解析結果とに共通する物理量の差分を誤差情報として前記学習情報に反映する
   ことを特徴とする請求項３記載のスクリュ形状推定装置。
5. 前記実験結果の実験条件と共通する解析条件の解析結果が前記学習情報に含まれていないと判定された場合、該解析条件により数値解析を行う数値解析部を更に備え、
   前記情報生成部は、数値解析部により解析された解析結果を前記学習情報に反映すると共に、該実験結果と該解析結果とに共通する物理量の差分を誤差情報として前記学習情報に反映する
   ことを特徴とする請求項４記載のスクリュ形状推定装置。
6. 前記相関関係学習部による学習は、プロセス種別および複数のスクリュ形状を入力データとし、前記物理量を教師データとした深層学習である
   ことを特徴とする請求項２記載のスクリュ形状推定装置。
7. スクリュ形状推定装置が実行するスクリュ形状推定方法であって、
   樹脂物性を含む入力情報を取得すると共に、混練後の樹脂または混練装置に関する物理量の要求値を出力情報として取得し、
   前記入力情報、前記物理量、および複数のスクリュ形状の相関関係を含む知識情報を記憶部に記憶し、
   前記入力情報および前記知識情報に基づいて、前記要求値を満足するスクリュ形状を推定し、
   前記知識情報には、樹脂物性を含むプロセス種別、押出量を含む運転条件、およびスクリュ形状を含む構成データを解析条件とし、該解析条件に基づく数値解析により得られる解析結果として生成された学習情報に基づいて学習された、プロセス種別、運転条件、構成データ、および解析結果の相関関係が反映されている
   ことを特徴とするスクリュ形状推定方法。
8. コンピュータを、
   樹脂物性を含む入力情報を取得すると共に、混練後の樹脂または混練装置に関する物理量の要求値を出力情報として取得する情報取得部と、
   前記入力情報、前記物理量、および複数のスクリュ形状の相関関係を含む知識情報を記憶する記憶部と、
   前記入力情報および前記知識情報に基づいて、前記要求値を満足するスクリュ形状を推定する形状推定部
   として機能させ、
   前記知識情報には、樹脂物性を含むプロセス種別、押出量を含む運転条件、およびスクリュ形状を含む構成データを解析条件とし、該解析条件に基づく数値解析により得られる解析結果として生成された学習情報に基づいて学習された、プロセス種別、運転条件、構成データ、および解析結果の相関関係が反映されている
   ことを特徴とするスクリュ形状推定プログラム。

Images