JP7116266B1 - 塗料性状の予測方法、補正配合組成の予測方法、塗料性状の予測システム、補正配合補正の予測システム、及び塗料の製造方法 - Google Patents
塗料性状の予測方法、補正配合組成の予測方法、塗料性状の予測システム、補正配合補正の予測システム、及び塗料の製造方法 Download PDFInfo
- Publication number
- JP7116266B1 JP7116266B1 JP2021577702A JP2021577702A JP7116266B1 JP 7116266 B1 JP7116266 B1 JP 7116266B1 JP 2021577702 A JP2021577702 A JP 2021577702A JP 2021577702 A JP2021577702 A JP 2021577702A JP 7116266 B1 JP7116266 B1 JP 7116266B1
- Authority
- JP
- Japan
- Prior art keywords
- paint
- adjustment
- properties
- composition
- corrected
- 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.)
- Active
Links
- 239000003973 paint Substances 0.000 title claims abstract description 833
- 239000000203 mixture Substances 0.000 title claims abstract description 251
- 238000000034 method Methods 0.000 title claims abstract description 131
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 47
- 238000012937 correction Methods 0.000 title abstract description 70
- 239000002994 raw material Substances 0.000 claims abstract description 195
- 239000013022 formulation composition Substances 0.000 claims abstract description 77
- 238000002156 mixing Methods 0.000 claims abstract description 68
- 230000008859 change Effects 0.000 claims abstract description 60
- 238000013473 artificial intelligence Methods 0.000 claims description 95
- 238000000576 coating method Methods 0.000 claims description 79
- 239000011248 coating agent Substances 0.000 claims description 77
- 238000013329 compounding Methods 0.000 claims description 63
- 238000010801 machine learning Methods 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000009472 formulation Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000010238 partial least squares regression Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 abstract description 5
- 239000003086 colorant Substances 0.000 description 22
- 238000005259 measurement Methods 0.000 description 19
- 239000000049 pigment Substances 0.000 description 17
- 239000000463 material Substances 0.000 description 16
- 239000011347 resin Substances 0.000 description 15
- 229920005989 resin Polymers 0.000 description 15
- 239000002904 solvent Substances 0.000 description 15
- HJOVHMDZYOCNQW-UHFFFAOYSA-N isophorone Chemical compound CC1=CC(=O)CC(C)(C)C1 HJOVHMDZYOCNQW-UHFFFAOYSA-N 0.000 description 14
- 239000000654 additive Substances 0.000 description 13
- 239000008199 coating composition Substances 0.000 description 12
- 238000002360 preparation method Methods 0.000 description 11
- 239000004034 viscosity adjusting agent Substances 0.000 description 11
- 239000003607 modifier Substances 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 239000002245 particle Substances 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 7
- 238000004040 coloring Methods 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 7
- 238000005507 spraying Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 230000000996 additive effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000001035 drying Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004070 electrodeposition Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000004615 ingredient Substances 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 4
- 239000000843 powder Substances 0.000 description 4
- 238000007639 printing Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 229920000178 Acrylic resin Polymers 0.000 description 3
- 239000004925 Acrylic resin Substances 0.000 description 3
- 239000011230 binding agent Substances 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000002845 discoloration Methods 0.000 description 3
- 238000009503 electrostatic coating Methods 0.000 description 3
- -1 etc. Substances 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000011164 primary particle Substances 0.000 description 3
- 230000009257 reactivity Effects 0.000 description 3
- 238000000985 reflectance spectrum Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 239000011163 secondary particle Substances 0.000 description 3
- 238000002834 transmittance Methods 0.000 description 3
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 239000011324 bead Substances 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- JHIVVAPYMSGYDF-UHFFFAOYSA-N cyclohexanone Chemical compound O=C1CCCCC1 JHIVVAPYMSGYDF-UHFFFAOYSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000003085 diluting agent Substances 0.000 description 2
- 238000003618 dip coating Methods 0.000 description 2
- 239000003822 epoxy resin Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 239000012948 isocyanate Substances 0.000 description 2
- 150000002513 isocyanates Chemical class 0.000 description 2
- 239000002932 luster Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 239000011049 pearl Substances 0.000 description 2
- 229920000647 polyepoxide Polymers 0.000 description 2
- 229920001225 polyester resin Polymers 0.000 description 2
- 239000004645 polyester resin Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000377 silicon dioxide Substances 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- GPPRMDWJKBFBMZ-UHFFFAOYSA-N 4-morpholin-4-ylphenol Chemical compound C1=CC(O)=CC=C1N1CCOCC1 GPPRMDWJKBFBMZ-UHFFFAOYSA-N 0.000 description 1
- DOKVLJLABBCKOJ-UHFFFAOYSA-N 6-hydrazinyl-1,3,5-triazine-2,4-diamine Chemical compound NNC1=NC(N)=NC(N)=N1 DOKVLJLABBCKOJ-UHFFFAOYSA-N 0.000 description 1
- 239000004606 Fillers/Extenders Substances 0.000 description 1
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- CTQNGGLPUBDAKN-UHFFFAOYSA-N O-Xylene Chemical compound CC1=CC=CC=C1C CTQNGGLPUBDAKN-UHFFFAOYSA-N 0.000 description 1
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 1
- 235000010724 Wisteria floribunda Nutrition 0.000 description 1
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 1
- 239000012615 aggregate Substances 0.000 description 1
- 229920000180 alkyd Polymers 0.000 description 1
- 150000001412 amines Chemical class 0.000 description 1
- 239000002518 antifoaming agent Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010227 cup method (microbiological evaluation) Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007607 die coating method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000002612 dispersion medium Substances 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 239000001023 inorganic pigment Substances 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000012860 organic pigment Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000012508 resin bead Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007761 roller coating Methods 0.000 description 1
- 238000007665 sagging Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 229920002803 thermoplastic polyurethane Polymers 0.000 description 1
- OGIDPMRJRNCKJF-UHFFFAOYSA-N titanium oxide Inorganic materials [Ti]=O OGIDPMRJRNCKJF-UHFFFAOYSA-N 0.000 description 1
- 239000001993 wax Substances 0.000 description 1
- 239000008096 xylene Substances 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
- C09D—COATING COMPOSITIONS, e.g. PAINTS, VARNISHES OR LACQUERS; FILLING PASTES; CHEMICAL PAINT OR INK REMOVERS; INKS; CORRECTING FLUIDS; WOODSTAINS; PASTES OR SOLIDS FOR COLOURING OR PRINTING; USE OF MATERIALS THEREFOR
- C09D201/00—Coating compositions based on unspecified macromolecular compounds
-
- C—CHEMISTRY; METALLURGY
- C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
- C09D—COATING COMPOSITIONS, e.g. PAINTS, VARNISHES OR LACQUERS; FILLING PASTES; CHEMICAL PAINT OR INK REMOVERS; INKS; CORRECTING FLUIDS; WOODSTAINS; PASTES OR SOLIDS FOR COLOURING OR PRINTING; USE OF MATERIALS THEREFOR
- C09D7/00—Features of coating compositions, not provided for in group C09D5/00; Processes for incorporating ingredients in coating compositions
- C09D7/80—Processes for incorporating ingredients
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
-
- 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
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/32—Paints; Inks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Materials Engineering (AREA)
- Wood Science & Technology (AREA)
- Organic Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Paints Or Removers (AREA)
Abstract
Description
(1)機械学習の手法により、調整前の塗料に、塗料性状調整用の原料を加えた際の、調整後の塗料性状を予測する、塗料性状の予測方法であって、
前記塗料性状調整用の原料の補正配合組成のデータを入力として含み、調整後の塗料性状を出力とする、所定の人工知能モデルにおいて、コンピュータにより、前記補正配合組成を入力することによって、前記調整後の塗料性状を算出して予測する、塗料性状予測工程を含むことを特徴とする、塗料性状の予測方法。
ここで、「補正配合組成のデータ」は、配合成分及びその配合量に関するデータとすることができ、当該データに代えてあるいは当該データに加えて、商品名(品番)のデータを用いることもできる。配合成分に関しては、色材、バインダー、添加剤等の各成分の形状、化学的性状等や、色彩(L*値、a*値、b*値、分光反射スペクトル)についても当該データに含ませることができる。形状としては、色材等の形状(球状、鱗片状、繊維状等)、平均一次粒子径、平均二次粒子径、平均分散粒子径、粒子径分布、アスペクト比、厚さ等が挙げられる。化学的特性としては、分子量、分子量分布、変色温度、反応性等が挙げられる。
前記塗料性状調整用の原料の補正配合組成のデータを入力として含み、調整後の塗料性状の変動量を出力とする、所定の人工知能モデルにおいて、コンピュータにより、前記補正配合組成を入力することによって、前記調整後の塗料性状の変動量を算出して予測する、塗料性状予測工程を含むことを特徴とする、塗料性状の予測方法。
請求項1に記載の塗料性状の予測方法の前記塗料性状予測工程によって、前記調整後の塗料性状を算出して予測することを含み、
前記塗料性状予測工程では、複数の前記補正配合組成を入力し、各々の前記補正配合組成に対応する複数の前記調整後の塗料性状を予測し、
予測した前記複数の前記調整後の塗料性状に基づいて得られる前記補正配合組成を、前記目標を達成するための塗料性状調整用の原料の配合組成として決定する、補正配合予測工程をさらに含むことを特徴とする、補正配合組成の予測方法。
請求項2に記載の塗料性状の予測方法の前記塗料性状予測工程によって、前記調整後の塗料性状の変動量を算出して予測することを含み、
前記塗料性状予測工程では、複数の前記補正配合組成を入力し、各々の前記補正配合組成に対応する複数の前記調整後の塗料性状の変動量を予測し、
予測した前記複数の前記調整後の塗料性状の変動量に基づいて得られる前記補正配合組成を、前記目標を達成するための塗料性状調整用の原料の配合組成として決定する、補正配合予測工程をさらに含むことを特徴とする、補正配合組成の予測方法。
前記所定の人工知能モデルを取得する、人工知能モデル取得工程と、をさらに含み、
前記人工知能モデル取得工程においては、前記コンピュータにより、前記関係データ入力工程において入力された前記関係データを学習データとして機械学習することにより前記所定の人工知能モデルを作成する、上記(2)又は(4)に記載の方法。
(a)前記塗料の粘度及び加熱残分のいずれか1つ以上、
(b)対象物に前記塗料を塗布する工程における、ロール周速、前記対象物への塗着圧、及び塗料の流量のいずれか1つ以上、
(c)焼き付け工程における焼き付け温度及び焼き付け時間のいずれか1つ以上、及び
(d)製造ラインの温度及び湿度のいずれか1つ以上、
の(a)~(d)うちのいずれか1つ以上を含む、上記(1)~(5)のいずれか1つに記載の方法。
前記塗料性状予測工程では、設定された前記数値生成範囲内で生成された各原料の配合量の数値を組み合わせてなる前記複数の前記補正配合組成を入力する、上記(4)又は(12)に記載の方法。
前記補正配合予測工程において予測した前記補正配合組成の中から、前記許容範囲内のものを、前記目標を達成するための塗料性状調整用の原料の配合組成として決定する、上記(13)に記載の方法。
予測した前記塗料性状調整用の原料の配合組成に所定の演算を行うことにより、あるいは、前記目標となる塗料性状を基準値としたギャップ目標値を用いて得られた前記塗料性状調整用の原料のギャップ配合組成に所定の演算を行うことにより、前記目標を達成するための塗料性状調整用の原料の配合組成として決定する、上記(4)に記載の方法。
調整後の塗料性状を測定して合否を判定する、合否判定工程と、をさらに含み、
前記合否判定工程における判定結果が合格となるまで、前記補正配合組成予測工程、前記調整工程、及び前記合否判定工程を繰り返す、塗料の製造方法。
前記塗料性状調整用の原料の補正配合組成のデータを入力として含み、調整後の塗料性状を出力とする、所定の人工知能モデルにおいて、前記補正配合組成を入力することによって、前記調整後の塗料性状を算出して予測する、塗料性状予測部を備えたコンピュータを備えていることを特徴とする、システム。
前記塗料性状調整用の原料の補正配合組成のデータを入力として含み、調整後の塗料性状の変動量を出力とする、所定の人工知能モデルにおいて、前記補正配合組成を入力することによって、前記調整後の塗料性状の変動量を算出して予測する、塗料性状予測部を備えたコンピュータを備えていることを特徴とする、システム。
上記(19)に記載のシステムの前記塗料性状予測部によって、前記調整後の塗料性状を算出して予測するように構成され、
前記塗料性状予測部は、複数の前記補正配合組成が入力され、各々の前記補正配合組成に対応する複数の前記調整後の塗料性状を予測するように構成され、
予測した前記複数の前記調整後の塗料性状に基づいて得られる前記補正配合組成を、前記目標を達成するための塗料性状調整用の原料の配合組成として決定する、補正配合組成予測部をさらに備えたコンピュータを備えていることを特徴とする、システム。
上記(20)に記載のシステムの前記塗料性状予測部によって、前記調整後の塗料性状の変動量を算出して予測するように構成され、
前記塗料性状予測部は、複数の前記補正配合組成が入力され、各々の前記補正配合組成に対応する複数の前記調整後の塗料性状の変動量を予測するように構成され、
予測した前記複数の前記調整後の塗料性状の変動量に基づいて得られる前記補正配合組成を、前記目標を達成するための塗料性状調整用の原料の配合組成として決定する、補正配合組成予測部をさらに備えたコンピュータを備えていることを特徴とする、システム。
図1は、本発明の一実施形態にかかる塗料性状の予測方法のフローチャートである。以下、図1を参照して、調整前の塗料に、塗料性状調整用の原料を加えた際の、調整後の塗料性状(又は塗料性状の変動量)を予測する方法の一実施形態を例示説明する。なお、本実施形態の塗料性状の予測方法は、一例としては、後述の本発明の一実施形態にかかる塗料性状の予測システムを用いて実行することができる。ここで、予測する塗料性状は、少なくとも塗料の色彩を含むことが好ましく、また、色彩に加え、塗料の光沢及び/又は粘度をさらに含むことも好ましい。なお、予測する塗料性状は、色彩、光沢、粘度以外には、例えば、膜厚、隠ぺい率、フリップフロップ性、平滑性、目視外観、電気抵抗、接触角、汚染性、日射反射率、紫外線透過率、耐候性、粘弾性、塗膜異常、曳糸性、引火点、泡立ち性等を含むこともできる。特に、光沢を変化させると色彩も変化し、原色塗料を加えると光沢が変化する。粘度を調整するために溶剤や水などの希釈剤や粘性調整剤を加えると同様に色彩が変化し、原色塗料を加えると粘度が変化するように、互いに影響を及ぼすので、色彩調整において光沢、粘度を同時に予測して調整することが好ましい。
さらに、この方法は、一例としては、必要塗料量の90~98%を仕込む初期仕込みの段階で一度測色することで当該原色ロットを用いることができる。これにより、現在の色彩値を得ることができるので、原色ロットの色彩差があっても、残り2~10%しかないので影響を小さくすることができる。さらには、初期仕込みの色彩の情報から、当該原色ロットの着色力を反映して残りの2~10%の仕込み量を調整することもできる。
なお、調整前の塗料は、特には限定されないが、形態としては、例えば、水性塗料、溶剤系塗料、粉体塗料、無溶剤塗料等とすることができる。また、用途としては、例えば、コイル用塗料、一般工業用塗料、自動車用塗料、自動車補修用塗料、建築用塗料、重防食塗料、船舶用塗料とすることができ、塗装方法としては、スプレー塗装、ローラー塗装、刷毛塗装、ロール塗装(ナチュラル、リバース回転含む)、カーテンフロー塗装、ダイコート、電着塗装、粉体塗装、静電塗装とすることができ、乾燥方法としては、焼き付け乾燥、強制乾燥、自然乾燥、紫外線硬化とすることができ、配合組成としては、樹脂原料、顔料、意匠原料、溶媒(水を含む)、添加剤などが挙げられる。樹脂原料としては、アクリル樹脂、ポリエステル樹脂、エポキシ樹脂、アルキッド樹脂、フッ素樹脂、ウレタン樹脂、アミノメラミン樹脂、イソシアネート樹脂、ブロックイソシアネート樹脂、ウレタン変性ポリエステル樹脂などのそれらの互いの変性樹脂とすることができ、顔料としては、無機顔料、有機顔料、着色顔料、体質顔料、意匠原料としては、メタリック、パール等の光輝材、骨材、シリカ、樹脂ビーズ、ワックス等、添加剤としては、粘度調整剤、シリコーン系添加剤、防錆剤、触媒、消泡剤等が挙げられる。
所定の人工知能モデルは、入力として、塗料の製造条件に関するデータをさらに含み、
(a)塗料の粘度及び加熱残分のいずれか1つ以上、
(b)対象物に前記塗料を塗布する工程における、ロール周速、対象物への塗着圧、及び塗料の流量のいずれか1つ以上、
(c)焼き付け工程における焼き付け温度及び焼き付け時間のいずれか1つ以上、及び
(d)製造ラインの温度及び湿度のいずれか1つ以上、
の(a)~(d)うちのいずれか1つ以上を含むことが好ましい。
また、塗装条件等で膜厚が変動しうる場合は、特に隠蔽の完全でない塗膜の場合は、膜厚も色彩や光沢に影響を与えるので、膜厚も同時に予測したり、一度膜厚を予測したりして、その膜厚データを使用して、再度、色彩や光沢予測をしても良い。
ここで、本明細書における「塗料性状の変動量」は、上記調整後の塗料性状の変動量の数値(値)そのものであってもよく、上記調整後の塗料における塗料性状の変動割合であってもよい。ここで「塗料性状の変動割合」として、例えば、「調整後の塗料性状の変動量の数値(値)/塗料性状調製用の原料の添加量」や「調整後の塗料性状の数値(値)/塗料性状調製用の原料の添加割合」や「各調整後の塗料性状の数値(値)/調整後の塗料性状の数値(値)の絶対値の総和」などが挙げられる。
なお、補正配合組成は、例えば調整前塗料組成物の総量で各補正配合量を除した値を用いることができ、あるいは、原色の総量で各補正配合量を除した値を用いることもできる。
また、関係データは、調整前の塗料の塗料性状、塗料性状調整用の原料の補正配合組成、及び調整後の塗料性状に加え、例えば塗膜作製時のプライマー情報及び/又は色彩、光沢測色時の測定器情報との関係を含んでいても良い。
なお、色彩の数値でなく、反射スペクトルの形状そのものを画像データとして指標とし、色彩データとしてもよい。
機械学習は、ニューラルネットワークによる予測アルゴリズムを用いていることが特に好ましい。ニューラルネットワークには、畳み込みニューラルネットワーク及びドロップアウトを行いながら3~数百の層を形成するディープラーニングを使用しても良い。
また、人工知能を作成するにあたって、TensorFlow、Keras、Caffe、PyTorch、Chainer、Scikit-learnなどの機械学習フレームワークを使用しても良い。
上述のように、本実施形態では、様々な機械学習のアルゴリズムを用いることができるが、上記の前処理は、複数ないし全てのアルゴリズムに共通に適用できるものとすることができ(例えばいずれの機械学習アルゴリズムでも不適切と判断されると考えられる異常値のようなデータを取り除く)、あるいは、実際に用いる機械学習アルゴリズムにもっぱら適用できるものとすることもできる(例えば特定のアルゴリズムにおいてエラーを生じさせやすいデータを取り除く)。
上記と同様の方法で前処理後のデータを用いて所定の人工知能モデルを作成することができる。
なお、本実施形態では、ステップS101~ステップ104において、調整前の塗料の塗料性状のデータを用いており、人工知能モデルではこれを説明変数としているが、必ずしも説明変数に調整前の塗料の塗料性状のデータを含めなくても良い。例えば、自動車補修用塗料の色調整においては、車種の情報や塗色ナンバーを説明変数とすることもできる。
一方で、調整前の塗料の塗料性状のデータを用いる場合、特に塗布を行ったものを測定してデータを得る場合においては、板厚、膜厚、PMT(到達最高温度) 、焼付温度、及び下塗り条件等のデータを説明変数の調整前の塗料の塗料性状のデータに含めることができる。
入力する補正配合組成は、予測の精度を高めるために、機械学習のために入力した上記関係データの元となるデータ(例えば製造実績データ等)を参照する等して、予め候補となる範囲を絞っておくことが好ましい。
なお、「塗料性状調整用の原料の補正配合組成のデータを入力として含み、調整後の塗料性状を出力とする、所定の人工知能モデルにおいて、コンピュータにより、補正配合組成を入力することによって、調整後の塗料性状を算出して予測する」における「調整後の塗料性状を算出して予測する」には、調整後の塗料性状が有する所望性状と、調整前の塗料に塗料性状調製用の原料を加えた際の予測塗料性状との差が、機械学習の手法により予測されることによって、調整後の塗料性状が算出され予測される態様が含まれうる。この場合、機械学習により上記差がダイレクトに予測されることにより、調整後の塗料性状が算出され予測される。
本例のように、塗料性状として色彩に加えて光沢及び/又は粘度を同時に予測することにより、これらの相互の影響まで考慮したより一層高い精度での予測が可能となる。
また、所定の人工知能モデルの出力に塗料性状の変動量を用いることにより、計測器による誤差やばらつきを相殺して、予測の精度をさらに高めることができる。
図2は、本発明の一実施形態にかかる補正配合組成の予測方法のフローチャートである。以下、図2を参照して、調整前の塗料に、塗料性状調整用の原料を加えて、目標となる塗料性状を有する塗料を調製する場合に、目標を達成するための塗料性状調整用の原料の配合組成を予測する方法の一実施形態を例示説明する。なお、本実施形態の補正配合組成の予測方法は、一例としては、後述の本発明の一実施形態にかかる補正配合組成の予測システムを用いて実行することができる。ここで、図1の実施形態と同様に、塗料性状は、少なくとも塗料の色彩を含むことが好ましく、また、色彩に加え、塗料の光沢及び/又は粘度をさらに含むことも好ましい。なお、塗料性状は、色彩、光沢、粘度以外には、例えば、膜厚、隠ぺい率、フリップフロップ性、平滑性、目視外観、電気抵抗、接触角、汚染性、日射反射率、紫外線透過率、耐候性、粘弾性、塗膜異常、曳糸性、泡立ち性等を含むこともできる。また、予測する補正配合組成は、一例としては、原料の各原色塗料(黒原色塗料、白原色塗料、青原色塗料、黄原色塗料、赤原色塗料等)の量の指標の数値や色彩の数値や、光沢調整剤及び/又は粘性調整剤の量の指標の数値である。その他の詳細については、図1の実施形態と同様であるため説明を省略する。なお、調整前の塗料の調製については、図1の実施形態と同様であるため説明を省略する。
例えば、コンピュータに、調整前塗料組成物の塗料性状、塗料性状調整用の原料の標準配合および、調整前塗料組成物製造時に加えた原料の配合を入力する。配合予測のデータ入力は、塗料性状調整用の原料の補正配合変動範囲の下限、上限値を設定し、その設定した補正配合の変動範囲に基づいて、塗料性状調整用の原料の補正配合組成の組み合わせ候補(各原色塗料、つや消し材、粘度調整剤の添加量の組み合わせ)(例えば)10万通りの候補データを作成する。塗料性状調整用の原料の補正配合変動範囲の下限、上限値を可能性のある最大の範囲(例えば、原色塗料と光沢調整剤は調整前塗料全量に対して0~2%の範囲の量、粘度調整剤は同じく0~10%の範囲)に設定した補正配合の変動範囲に基づいて、塗料性状調整用の原料の補正配合組成の候補データを準備することができる。また、予め多数の候補データを作成することに代えて、ベイズ最適化のような逐次探索アルゴリズムや遺伝的アルゴリズムを用いて複数の候補データおよび塗料性状(又は塗料性状の変動量)の予測値を得ることもできる。
具体的には、一例としては、補正配合予測工程(ステップS205)において、予測した複数の調整後の塗料性状(又は塗料性状の変動量)の中から目標となる塗料性状との(例えばE値の)差が所定の基準値以下(例えばΔEが0.1以下、光沢0.2以下など)調整後の塗料性状(又はその変動量)に対応する補正配合組成を、目標を達成するための塗料性状調整用の原料の配合組成として決定する。一例としては、ΔEが最小となるように選択することができる。
塗料性状として色彩に加えて光沢及び/又は粘度を同時に予測することにより、これらの相互の影響まで考慮したより一層高い精度での予測が可能となる。
また、所定の人工知能モデルの出力に塗料性状の変動量を用いることにより、計測器による誤差やばらつきを相殺して、予測の精度をさらに高めることができる。
そこで、補正配合組成の各原料に対し、それぞれ配合量の数値生成範囲を設定する工程をさらに含み、塗料性状予測工程(ステップS204)では、設定された数値生成範囲内で生成された各原料の配合量の数値を組み合わせてなる複数の前記補正配合組成を入力することが好ましい。これによれば、予測を効率的に行うことができる。
なお、上記数値生成範囲を許容範囲と同一の範囲として、設定された数値生成範囲(許容範囲)内で生成された各原料の配合量の数値を組み合わせてなる複数の補正配合組成を入力しても良い。
数値そのものを数値生成範囲内でランダムに生成しても良い
予測した塗料性状調整用の原料の配合組成に所定の演算を行う場合としては、例えば、予測値に70%等の値を乗じることが例示される。塗料の調色においては、マイナー原色を入れ過ぎた場合(例えば、白っぽいベージュの塗料に黒色原料を1%入れるべきところ、黒色原料を2%入れてしまうと、白色原料を99%入れて元に戻す必要が生じてしまう。原色は、ロット間にばらつきがあることが知られており、また、人工知能による予測精度が100%とは限らないため、上記のような原色を入れ過ぎてしまう問題が生じやすい。そこで、合格しないとわかっていてもあえて上記のような演算を行うことで、ロット間のばらつきや予測誤差等に起因する入れ過ぎを防止することができる。
ギャップ目標値を用いる場合の第1の例としては、例えば目標のΔL*の70%の点に設定することができる。例えば、ΔL*=3、ギャップ目標値を目標とのΔL*の70%の点に設定すると、3回の調整により、3→0.9→0.27→0.08と目標値からの差を0.1以下とすることができる。調色士による調整でも通常3~4回以上かかるとされているため、それと同等以下の調整回数で済むこととなる。ギャップ目標値を用いる場合の第2の例としては、目標のΔL*の800%の点に設定して、得られた予測値に10%を乗じても良い。
図3は、本発明の一実施形態にかかる塗料の製造方法のフローチャートである。また、図4は、本発明の一実施形態にかかる塗料の製造方法のサブフローを示すフローチャートである。以下、図3、4を参照して、調整前の塗料に、塗料性状調整用の原料を加えて、目標となる塗料性状を有する塗料を調製して製造する方法の一実施形態を例示説明する。ここで、図1、図2の実施形態と同様に、塗料性状は、少なくとも塗料の色彩を含むことが好ましく、また、色彩に加え、塗料の光沢及び/又は粘度をさらに含むことも好ましい。なお、塗料性状は、色彩、光沢、粘度以外には、例えば膜厚、隠ぺい率、フリップフロップ性、平滑性、目視外観、電気抵抗、接触角、汚染性、日射反射率、紫外線透過率、耐候性、粘弾性、塗膜異常、曳糸性、泡立ち性等を含むこともできる。また、予測する補正配合組成は、一例としては、原料の各原色塗料(黒原色塗料、白原色塗料、青原色塗料、黄原色塗料、赤原色塗料等)の量の数値や色彩の数値や、光沢調整剤及び/又は粘性調整剤の量の数値である。その他の詳細については、図1、図2の実施形態と同様であるため説明を省略する。また、調整前の塗料の調製については、図1、図2の実施形態と同様であるため説明を省略する。
図3に示す本工程における合否判定工程又は図4に示すサブ工程における合否判定サブ工程の判定結果が合格となった時点で、本実施形態のフローを終了する(ステップS309)。なお、本開示において、必ずしもサブフローを行う必要はない。
塗料性状として色彩に加えて光沢及び/又は粘度を同時に予測することにより、これらの相互の影響まで考慮したより一層高い精度での予測が可能となり、塗料性状をより一層所期したものに近づけ得る。
また、所定の人工知能モデルの出力に塗料性状の変動量を用いることにより、計測器による誤差やばらつきを相殺して、予測の精度をさらに高めて塗料性状をさらに所定の狙い値に近づけ得る。
図5は、本発明の一実施形態にかかる塗料性状の予測システムのブロック図である。本システムは、調整前の塗料に、塗料性状調整用の原料を加えた際の、調整後の塗料の塗料性状を予測するシステムである。図5に示すように、本実施形態の塗料性状の予測システム10は、コンピュータ11を備えている。コンピュータ11は、機械学習する機能を有する。また、コンピュータ11は、人工知能モデル取得部12、塗料性状予測部13を有する。人工知能モデル取得部12は、調整前の塗料の塗料性状のデータ、塗料性状調整用の原料の補正配合組成のデータを入力とし、調整後の塗料性状(又は塗料性状の変動量)を出力とする、所定の人工知能モデルを機械学習により作成するものである。人工知能モデル取得部12は、人工知能モデルを外部から通信等により取得する通信部とすることもできる。本実施形態では、コンピュータ11の人工知能取得部12により人工知能モデルを取得するものとしているが、外部から入手する場合には必ずしもコンピュータ11を用いる必要はなく、人間によって譲渡等により取得することもできる。塗料性状予測部13は、人工知能モデルにおいて、調整前の塗料の塗料性状のデータ、及び、補正配合組成を入力することによって、調整後の塗料性状(又は塗料性状の変動量)を算出して予測するものである。人工知能モデル取得部12及び塗料性状予測部13は、プロセッサとすることができる。
本予測システム10によれば、人工知能モデルを用いてデータを入力することで塗料性状(又はその変動量)の予測値を得ることができるため、効率化を達成することができる。また、人工知能モデルは、調整前の塗料の塗料性状のデータ、及び、塗料性状調整用の原料の補正配合組成のデータを入力とし、調整後の塗料性状(又は塗料性状の変動量)を出力とするものであるため、調整前の塗料の原料の情報が現時点での塗料性状を予測するのに役に立つものであるかどうかにかかわらず、実際に測定した調整前の塗料の塗料性状のデータを入力して上記の予測値を得ることができ、たとえ現時点での塗料性状が当初の原料から得られる塗料性状から変化しているような場合であっても、そのことは予測値の算出に影響せず、調整後の塗料性状を高い精度で予測することができる。
塗料性状として色彩に加えて光沢及び/又は粘度を同時に予測することにより、これらの相互の影響まで考慮したより一層高い精度での予測が可能となる。
また、所定の人工知能モデルの出力に塗料性状の変動量を用いることにより、計測器による誤差やばらつきを相殺して、予測の精度をさらに高めることができる。
図6は、本発明の一実施形態にかかる補正配合組成の予測システムのブロック図である。本システムは、調整前の塗料に、塗料性状調整用の原料を加えて、目標となる塗料性状を有する塗料を調整する際の、目標を達成するための塗料性状調整用の原料の配合組成を予測するシステムである。図6に示すように、本実施形態の補正配合組成の予測システム20は、コンピュータ21で構成されている。コンピュータ21は、機械学習する機能を有する。また、コンピュータ21は、人工知能モデル取得部22、塗料性状予測部23、記憶部24、及び通信部25を有する。これらについては、図5に示した補正配合組成の実施形態での人工知能モデル取得部12、塗料性状予測部13、記憶部14、及び通信部15で説明したのと同様であるため、詳細な説明を省略する。
コンピュータ21は、予測した複数の調整後の塗料性状(又は塗料性状の変動量)に基づいて得られる補正配合組成を、目標を達成するための塗料性状調整用の原料の配合組成として決定する、補正配合組成予測部26をさらに有する。補正配合組成予測部26は、プロセッサとすることができる。なお、補正配合組成予測部26は、予測した複数の調整後の塗料性状の中から目標となる塗料性状との差が所定の範囲内となる(例えばΔEが0.1以下、光沢が0.2以下等)調整後の塗料性状(又はその変動量)に対応する補正配合組成を、目標を達成するための塗料性状調整用の原料の配合組成として決定することができるように構成されている。また、コンピュータ21は、関係データに対して前処理を行う機能部をさらに有することが好ましい。前処理の詳細は、塗料性状の予測方法の実施形態で説明したのと同様であるため、再度の説明は省略する。また、本予測システム20は、予測結果を表示する表示部(ディスプレイ)を備えることが好ましい。
本実施形態の補正配合組成の予測システムによれば、人工知能モデルを用いてデータを入力することで補正配合組成の予測値を得ることができるため、効率化を達成することができる。また、人工知能モデルは、調整前の塗料の塗料性状のデータ、及び、塗料性状調整用の原料の補正配合組成のデータを入力とし、調整後の塗料性状(又は塗料性状の変動量)を出力とするものである。さらに、本実施形態では、予め候補として選定した複数の補正配合組成を入力して複数の塗料性状(又は塗料性状の変動量)の予測値を出力として得て、当該予測値に基づいて(本例では目標値との差が所定の範囲内になるように(例えばΔEが0.1以下、光沢が0.2以下等))調整後の塗料性状に対応する補正配合組成を、目標を達成するために最適な塗料性状調整用の原料の配合組成として決定している。このため、調整前の塗料の原料の情報が現時点での塗料性状を予測するのに役に立つものであるかどうかにかかわらず、実際に測定した調整前の塗料の塗料性状のデータを入力して上記の予測値を得ることができ、たとえ現時点での塗料性状が当初の原料から得られる塗料性状から変化しているような場合であっても、そのことは予測値の算出に影響せず、目標とする塗料性状にするための補正配合組成を高い精度で予測することができる。
塗料性状として色彩に加えて光沢及び/又は粘度を同時に予測することにより、これらの相互の影響まで考慮したより一層高い精度での予測が可能となる。
また、所定の人工知能モデルの出力に塗料性状の変動量を用いることにより、計測器による誤差やばらつきを相殺して、予測の精度をさらに高めることができる。
ここで、コンピュータ21は、調整前の塗料に、予測した補正配合組成を有する原料を加えた、調整後の塗料性状を測定した結果から合否を判定する、合否判定部27をさらに備えていることが好ましい。合否判定部27は、プロセッサとすることができる。これによれば、上述の実施形態にかかる塗料の製造方法のフローを実行することができる。
また、予測した補正配合組成に対する許容範囲を決定し、補正配合予測部が、予測した補正配合組成の中から、許容範囲内のものを、目標を達成するための塗料性状調整用の原料の配合組成として決定することが好ましい。
なお、上記数値生成範囲を許容範囲と同一の範囲として、設定された数値生成範囲(許容範囲)内で生成された各原料の配合量の数値を組み合わせてなる複数の補正配合組成が入力されても良い。
また、調整前の塗料に塗料性状調整用の原料を加える調整を複数回行い、目標を達成するための塗料性状調整用の原料の配合組成の予測を複数回行い、予測した前記塗料性状調整用の原料の配合組成に所定の演算を行うことにより、あるいは、目標となる塗料性状を基準値としたギャップ目標値を用いて得られた塗料性状調整用の原料のギャップ配合組成に所定の演算を行うことにより、目標を達成するための塗料性状調整用の原料の配合組成として決定することも好ましい。
これらの詳細については、方法の実施形態において説明したのと同様であるので、再度の説明は省略する。また、方法の実施形態と同様に、塗料性状の変動量に代えて、塗料性状(の絶対値)を用いることもできる。
<原色製造例1>
アクリル樹脂(固形分濃度:40質量%)39質量部、イソホロン15質量部、酸化チタン46質量部を混合し、サンドミル(分散媒体:ガラスビーズ)を用いて、顔料粗粒の最大粒子径が10μm以下になるまで分散し、白色原色塗料を調製した。
<原色製造例2~5>
顔料をそれぞれ、黒色の焼成顔料、黄色酸化鉄、ベンガラ、に変更する以外は、製造例1の方法で黒原色塗料1、2、黄色原色塗料、赤色原色塗料を以下の表1の通り調製した。
・光沢調整剤
INEOS SILICAS社製GASIL HP395(光沢調整剤1)または、富士シリシア化学社製サイリシア435(光沢調整剤2)を使用して調整した。
・粘度調整剤
イソホロンを使用した。
・調整前塗料組成物 製造例1
アクリル樹脂(固形分濃度:40質量%)31質量部、シクロヘキサノン3質量部、キシレン11質量部、KTL-20N(喜多村社製)5.5質量部、白色原色85質量部、黒色原色1質量部、黄色原色13質量部、赤色原色1質量部、光沢調整剤3質量部、イソホロン20質量部を加えてディスパーで均一に混合し、調整前塗料組成物1(固形分濃度: 40質量%を製造した。
・調整前塗料組成物 製造例2
以下の表2の通り原色塗料を添加した以外は、製造例1と同様に製造し、調整前塗料組成物2~4(固形分濃度:40質量%)を製造した。
下塗り塗料として、ファインタフG プライマー(プライマー1)を、乾燥膜厚が5μm になるようにバーコーター塗装した後、素材(亜鉛-アルミニウム合金めっき鋼板)の到達最高温度210℃ となる条件で60秒間焼付けを行い、下塗り塗膜を形成した。次に、塗料組成物1 を、乾燥膜厚が15μmとなるようにバーコーター又はロールコーターで塗装した後、所定の素材最高到達温度で60秒間焼付けた後、ただちに冷却させることで、調整前塗料組成物の塗膜を形成した。
各実施例及び比較例に記載の各測定は、下記記載の方法で測定した。
・色彩データの測定
塗膜の作製方法に記載の方法で記載した各種塗膜について、色彩色差計CR-300 (コニカミノルタ社製)、分光光度計LabScan XE(HunterLab社製)、分光色彩計SE6000(日本電色工業社製)または、カラーメーターSM-T(スガ試験機社製)の各種色差計を用いて色彩を測定した。
・光沢データの測定
塗膜の作製方法に記載の方法で掲載した各種塗膜について、VG7000(日本電色工業社製)を用いて光沢を測定した。
・粘度データの測定
フォードカップ♯4、25℃で各種塗料を測定したときの秒数を粘度の値とした。
・調整前塗料組成物及び調整後塗料組成物の塗料性状の取得
下塗り塗料(プライマー)にはいずれも、日本ペイント・インダストリアルコーティングス社製の
ファインタフG プライマー(プライマー1)
ファインタフC プライマー(プライマー2)
NSC 4800 NCプライマー (プライマー3)
の色相の違う3種類のエポキシ樹脂系プライマーのいずれかを用いて、塗膜作製方法に記載の方法で、調整前塗料組成物及び調整後塗料組成物の塗膜を形成した。
得られた塗膜の色彩は
CR-400(コニカミノルタ社製) (色差計1)
SE6000(日本電色工業社製) (色差計2)
Lab Scan XE(HunterLab社製)(色差計3)
のいずれかを用いて測定し、L*、a*、b*値または、目標とする標準板とのL*、a*、b*値差を取得した。
・調整後塗料組成物の取得
得られた、調整前塗料組成物、塗料性状調整用の原料(各原色塗料、光沢調整剤、イソホロン)を添加、目標とする塗料性状を保有する、調整後塗料組成物を得た。
・人工知能モデル作成用の学習データの取得
上記「調整前塗料組成物 製造例」と同様の方法で作成した27色の塗料種(調整前塗料性状:L*値24~94、a*値-3~10、b*値-2~37、光沢3~55、粘度130~280秒)、膜厚14~22μm、各6ロット、計162個の塗料を準備した。塗装方法はバーコーター3ロット、ロールコーター3ロットとし、合格するまで調整を繰り返し、その塗料性状調整履歴をもとに、調整前塗料組成物の塗料性状、塗料性状調整用の原料の補正配合組成および調整後塗料組成物の塗料性状の人工知能モデル作成用の全5829関係データをコンピュータに入力した。このとき、調整前塗料組成物性状には色彩値、光沢、粘度及び膜厚を用い、調整後塗料組成物の塗料性状には調整により変動した色彩値、光沢、粘度、及び膜厚の変動量を用いた。塗料性状調整用の各原料の補正配合組成は、塗料の総量で各補正配合量を除した値を用いた。さらに、関連条件データとして、焼き付け工程における焼き付け温度(240℃~260℃で変動)、プライマー種、色差計を記録した。
このとき、色差計は色差計1~3をロット毎にランダムに使用した。同様にプライマー種もプライマー1~3をロット毎にランダムに使用した。
(推定精度)
推定精度は、本実施形態にかかわる色彩データについての実測値と予測値とを比較した
誤差から求める。実測値と予測値とに基づいて、各推定対象の実測値と予測値からなる散布図の決定係数を算出する。決定係数は(1-(残差平方和/全平方和))で表される。
実施例1 ~ 11 及び比較例1、2 では、表3 に示す推定対象(L*値、a*値、 b*値、光沢、粘度、膜厚) の決定係数に基づいて算出した。
決定係数の値が1に近いほど、学習した人工知能モデルの精度が高いといえる。
ここで学習した人工知能モデルの精度が高いことは、塗料性状予測システムの予測の精度が高いことを意味する。
(調色回数)
調色回数は、わずかに初期仕込み配合を変更した調整前塗料を5つ用意して、人工知能によって予測された補正配合組成に従って、各々調整した際に合格するまでの調色回数の平均値を示す。ここで調回数が小さいことは、塗料性状予測システムの予測の精度および補正配合組成の算出方法の精度が高いことを意味する。
(製造量率)
製造量率は予定された製造量を1とした時の調整後の製造量の割合を示す。ここで製造量率が100%を大きく超えないことは、塗料性状予測システムの予測の精度および補正配合組成の算出方法の精度が高くかつ、多少の誤差を許容しつつも、無駄な塗料を製造しない効率的なシステムであることを意味する。
下記3点の条件すべてを満たすことを合格判定の基準とした。
標準板と調整塗料の塗装板のL*値、a*値、b*値の差をΔL*、Δa*、Δb*とした。
・ΔE=√(ΔL*2 +Δa*2 +Δb*2)の値が0.1以下であり、かつΔL*、Δa*、Δb*各々が0.1以下であること。
・Δ光沢値は、光沢値が10以下は標準板との差異が0.5以下、10~20は1以下、30以上は3以下であること。
・目標値と実測値の粘度の差が10秒以下であること
事前にデータクレンジング、ゼロ点導入、コンビネーション、累乗処理、正規化などの前処理を実施した。コンピュータに関係データの調整前塗料組成物の塗料性状であるL*値、a*値、b*値、光沢、粘度データ、及び、塗料性状調整用原料の補正配合のデータ、色差計、プライマー種を説明変数とし、調整後塗料組成物のL*値の変動量を目的変数とする、所定の人工知能モデルをニューラルネットワークを用いて作成した。
同様にしてa*、b*の変動値を予測する人工知能を作成し、合計3つの人工知能を得たのち、それぞれの推定精度を算出して平均推定精度を確認した。
その後、各塗料性状調整用の原料の補正配合組成のうち、白色原色、黒色原色1、黄色原色、赤色原色の4つの原料に対し許容範囲を設定し、その範囲内で各々10万通りの数字を生成したのちに、ランダムに組み合わせて、10万通りの候補データを得た。候補データを学習済みの3つの人工知能に入力し、3つの塗料性状の予測値を得た。
標準板との色差の70%の点をギャップ目標値とし、ギャップ目標値を満たすL,a,bの変動量を同時に満たす4つの原料の補正配合を10万通りの中から一つ取得し、調色を行った。許容範囲を設定した4つの原料以外は補正に用いていない。
ギャップ目標値を用いているので、合格しておらず、2回目の調色をギャップ目標値90%で同様に実施したところ、同様にギャップ目標値を用いているので、合格しなかった。3回目の調色をギャップ目標値100%(ギャップ目標なし)で同様に実施したところ合格した。結果を表3に示す。
予測に使用する配合組成データを調整前塗料の全体配合比とし、予測する調整後の塗料性状を絶対値とし、元となる塗料の塗料性状に関するデータを使わない以外は、実施例1と同様に実施した。
光沢および粘度の予測を加えて、許容範囲を設定する原料に光沢調整剤1とイソホロンを入れること以外は、実施例1と同様に実施した。この際、粘度の推定精度は10で除した数値を使用した。
補正配合組成数を1000通りにする以外は、実施例2と同様に実施した。
許容範囲を設定する原料3にして補正配合組成数を1000通りにする以外は、実施例2と同様に実施した。
予測する調整後の塗料性状を絶対値にする以外は、実施例2と同様に実施した。
学習データ及び予測対象を1種類の塗色とし、元となる塗料の塗料性状に関するデータを使用しないこと以外は、実施例2と同様に実施した。
PLSを使用する以外は、実施例2と同様に実施した。
勾配ブースティングを使用する以外は、実施例2と同様に実施した。
ランダム数値生成およびランダム組み合わせをせず、補正配合量を許容範囲内で等間隔に白色原色、黒色原色1、黄色原色、赤色原色は10段階、光沢調整剤1は5段階、イソホロンは2段階の総当たりで10万通りとすること以外、実施例2と同様に実施した。
ギャップ目標を設定せず、標準板との色差ゼロを初回から狙う方法にて実施する以外は、実施例2と同様に実施した。
配合量の数値生成範囲も許容範囲も設定せず、ランダム組み合わせもせず、作業者が過去の調整記録を参考にして算出した候補補正配合を人工知能に入力して、予測させることによって補正配合を決定すること以外、実施例2と同様に実施した。
焼き付け工程における焼き付け温度を説明変数に加え、さらに、塗料性状変動量として膜厚の変動量予測を加えたこと以外、実施例1と同様に実施した。
11:コンピュータ、
12:人工知能モデル取得部、
13:塗料性状予測部、
14:記憶部、
15:通信部、
20:予測システム
21:コンピュータ、
22:人工知能モデル取得部、
23:塗料性状予測部、
24:記憶部、
25:通信部、
26:補正配合組成予測部、
27:合否判定部
Claims (23)
- 機械学習の手法により、調整前の塗料に、塗料性状調整用の原料を加えた際の、調整後の塗料性状を予測する、塗料性状の予測方法であって、
調整前の塗料性状のデータ及び前記塗料性状調整用の原料の補正配合組成のデータを入力として含み、調整前の塗料に塗料性状調整用の原料を加えた際の調整後の塗料性状を出力とする、所定の人工知能モデルにおいて、コンピュータにより、前記調整前の塗料性状のデータ及び前記補正配合組成を入力することによって、前記調整後の塗料性状を算出して予測する、塗料性状予測工程を含むことを特徴とする、塗料性状の予測方法。 - 機械学習の手法により、調整前の塗料に、塗料性状調整用の原料を加えた際の、調整後の塗料性状の変動量を予測する、塗料性状の予測方法であって、
調整前の塗料性状のデータ及び前記塗料性状調整用の原料の補正配合組成のデータを入力として含み、調整前の塗料に塗料性状調整用の原料を加えた際の調整後の塗料性状の変動量を出力とする、所定の人工知能モデルにおいて、コンピュータにより、前記調整前の塗料性状のデータ及び前記補正配合組成を入力することによって、前記調整後の塗料性状の変動量を算出して予測する、塗料性状予測工程を含むことを特徴とする、塗料性状の予測方法。 - 機械学習の手法により、調整前の塗料に、塗料性状調整用の原料を加えて、目標となる塗料性状を有する塗料を調製する場合に、目標を達成するための塗料性状調整用の原料の配合組成を予測する方法であって、
請求項1に記載の塗料性状の予測方法の前記塗料性状予測工程によって、前記調整後の塗料性状を算出して予測することを含み、
前記塗料性状予測工程では、複数の前記調整前の塗料性状のデータ及び前記補正配合組成を入力し、各々の前記補正配合組成に対応する複数の前記調整後の塗料性状を予測し、
予測した前記複数の前記調整後の塗料性状に基づいて得られる前記補正配合組成を、前記目標を達成するための塗料性状調整用の原料の配合組成として決定する、補正配合予測工程をさらに含むことを特徴とする、補正配合組成の予測方法。 - 機械学習の手法により、調整前の塗料に、塗料性状調整用の原料を加えて、目標となる塗料性状を有する塗料を調製する場合に、目標を達成するための塗料性状調整用の原料の配合組成を予測する方法であって、
請求項2に記載の塗料性状の予測方法の前記塗料性状予測工程によって、前記調整後の塗料性状の変動量を算出して予測することを含み、
前記塗料性状予測工程では、複数の前記調整前の塗料性状のデータ及び前記補正配合組成を入力し、各々の前記補正配合組成に対応する複数の前記調整後の塗料性状の変動量を予測し、
予測した前記複数の前記調整後の塗料性状の変動量に基づいて得られる前記補正配合組成を、前記目標を達成するための塗料性状調整用の原料の配合組成として決定する、補正配合予測工程をさらに含むことを特徴とする、補正配合組成の予測方法。 - 前記塗料性状調整用の原料の補正配合組成、及び調整後の塗料性状の変動量の関係を示す関係データを前記コンピュータに入力する、関係データ入力工程と、
前記所定の人工知能モデルを取得する、人工知能モデル取得工程と、をさらに含み、
前記人工知能モデル取得工程においては、前記コンピュータにより、前記関係データ入力工程において入力された前記関係データを学習データとして機械学習することにより前記所定の人工知能モデルを作成する、請求項2又は4に記載の方法。 - 前記所定の人工知能モデルは、入力として、前記塗料の製造条件に関するデータをさらに含み、
(a)前記塗料の粘度及び加熱残分のいずれか1つ以上、
(b)対象物に前記塗料を塗布する工程における、ロール周速、前記対象物への塗着圧、及び塗料の流量のいずれか1つ以上、
(c)焼き付け工程における焼き付け温度及び焼き付け時間のいずれか1つ以上、及び
(d)製造ラインの温度及び湿度のいずれか1つ以上、
の(a)~(d)うちのいずれか1つ以上を含む、請求項1~5のいずれか一項に記載の方法。 - 前記塗料性状は、少なくとも前記塗料の色彩を含む、請求項1~6のいずれか一項に記載の方法。
- 前記塗料性状は、前記色彩に加え、前記塗料の光沢及び/又は粘度をさらに含む、請求項7に記載の方法。
- 前記機械学習は、決定木、線形回帰、部分的最小二乗回帰、ラッソ回帰、リッジ回帰、多項式回帰、ガウス過程回帰、サポートベクターマシーン、ランダムフォレスト、勾配ブースティング、K近傍法、ニューラルネットワーク、ベイズ推定、又はこれらのアンサンブル学習による予測アルゴリズムを用いている、請求項1~8のいずれか一項に記載の方法。
- 前記機械学習は、ニューラルネットワークによる予測アルゴリズムを用いている、請求項9に記載の方法。
- 前記補正配合予測工程において、予測した前記複数の前記調整後の塗料性状の変動量の中から前記目標となる塗料性状との差が所定の基準値以下となる前記調整後の塗料性状の変動量に対応する前記補正配合組成を、前記目標を達成するための塗料性状調整用の原料の配合組成として決定する、請求項4に記載の方法。
- 前記補正配合組成の各原料に対し、それぞれ配合量の数値生成範囲を設定する工程をさらに含み、
前記塗料性状予測工程では、設定された前記数値生成範囲内で生成された各原料の配合量の数値を組み合わせてなる前記複数の前記補正配合組成を入力する、請求項4又は11に記載の方法。 - 予測した前記補正配合組成に対する許容範囲を決定する工程をさらに含み、
前記補正配合予測工程において予測した前記補正配合組成の中から、前記許容範囲内のものを、前記目標を達成するための塗料性状調整用の原料の配合組成として決定する、請求項12に記載の方法。 - 前記調整前の塗料に前記塗料性状調整用の原料を加える調整を複数回行い、前記目標を達成するための塗料性状調整用の原料の配合組成の予測を複数回行い、
予測した前記塗料性状調整用の原料の配合組成に所定の演算を行うことにより、あるいは、前記目標となる塗料性状を基準値としたギャップ目標値を用いて得られた前記塗料性状調整用の原料のギャップ配合組成に所定の演算を行うことにより、前記目標を達成するための塗料性状調整用の原料の配合組成として決定する、請求項4に記載の方法。 - 前記調整前の塗料に、請求項4に記載の方法により予測した前記補正配合組成を有する原料を加えて、塗料を調整する、調整工程と、
調整後の塗料性状を測定して合否を判定する、合否判定工程と、をさらに含み、
前記合否判定工程における判定結果が合格となるまで、前記補正配合予測工程、前記調整工程、及び前記合否判定工程を繰り返す、塗料の製造方法。 - 予測した前記補正配合組成、及び前記合否判定工程において測定された前記調整後の塗料性状の変動量のデータの関係を示す関係データを前記コンピュータに入力して前記関係データをアップデートする、関係データアップデート工程をさらに含む、請求項15に記載の塗料の製造方法。
- 前記塗料は、コイルコーティング用の塗料である、請求項1~16のいずれか一項に記載の方法。
- 機械学習の手法により、調整前の塗料に、塗料性状調整用の原料を加えた際の、調整後の塗料の塗料性状を予測するシステムであって、
調整前の塗料性状のデータ及び前記塗料性状調整用の原料の補正配合組成のデータを入力として含み、調整前の塗料に塗料性状調整用の原料を加えた際の調整後の塗料性状を出力とする、所定の人工知能モデルにおいて、前記調整前の塗料性状のデータ及び前記補正配合組成を入力することによって、前記調整後の塗料性状を算出して予測する、塗料性状予測部を備えたコンピュータを備えていることを特徴とする、システム。 - 機械学習の手法により、調整前の塗料に、塗料性状調整用の原料を加えた際の、調整後の塗料の塗料性状の変動量を予測するシステムであって、
調整前の塗料性状のデータ及び前記塗料性状調整用の原料の補正配合組成のデータを入力として含み、調整前の塗料に塗料性状調整用の原料を加えた際の調整後の塗料性状の変動量を出力とする、所定の人工知能モデルにおいて、前記調整前の塗料性状のデータ及び前記補正配合組成を入力することによって、前記調整後の塗料性状の変動量を算出して予測する、塗料性状予測部を備えたコンピュータを備えていることを特徴とする、システム。 - 機械学習の手法により、調整前の塗料に、塗料性状調整用の原料を加えて、目標となる塗料性状を有する塗料を調製する際の、目標を達成するための塗料性状調整用の原料の配合組成を予測するシステムであって、
請求項18に記載のシステムの前記塗料性状予測部によって、前記調整後の塗料性状を算出して予測するように構成され、
前記塗料性状予測部は、複数の前記調整前の塗料性状のデータ及び前記補正配合組成が入力され、各々の前記補正配合組成に対応する複数の前記調整後の塗料性状を予測するように構成され、
予測した前記複数の前記調整後の塗料性状に基づいて得られる前記補正配合組成を、前記目標を達成するための塗料性状調整用の原料の配合組成として決定する、補正配合組成予測部をさらに備えたコンピュータを備えていることを特徴とする、システム。 - 機械学習の手法により、調整前の塗料に、塗料性状調整用の原料を加えて、目標となる塗料性状を有する塗料を調製する際の、目標を達成するための塗料性状調整用の原料の配合組成を予測するシステムであって、
請求項19に記載のシステムの前記塗料性状予測部によって、前記調整後の塗料性状の変動量を算出して予測するように構成され、
前記塗料性状予測部は、複数の前記調整前の塗料性状のデータ及び前記補正配合組成が入力され、各々の前記補正配合組成に対応する複数の前記調整後の塗料性状の変動量を予測するように構成され、
予測した前記複数の前記調整後の塗料性状の変動量に基づいて得られる前記補正配合組成を、前記目標を達成するための塗料性状調整用の原料の配合組成として決定する、補正配合組成予測部をさらに備えたコンピュータを備えていることを特徴とする、システム。 - 前記コンピュータは、前記調整前の塗料に、予測した前記補正配合組成を有する原料を加えた、調整後の塗料性状を測定した結果から合否を判定する、合否判定部をさらに備えている、請求項21に記載のシステム。
- 前記所定の人工知能モデルを取得する、人工知能モデル取得部をさらに備える、請求項18~22のいずれか一項に記載のシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020207077 | 2020-12-14 | ||
JP2020207077 | 2020-12-14 | ||
PCT/JP2021/045719 WO2022131180A1 (ja) | 2020-12-14 | 2021-12-10 | 塗料性状の予測方法、補正配合組成の予測方法、塗料性状の予測システム、補正配合補正の予測システム、及び塗料の製造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2022131180A1 JPWO2022131180A1 (ja) | 2022-06-23 |
JP7116266B1 true JP7116266B1 (ja) | 2022-08-09 |
Family
ID=82057796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021577702A Active JP7116266B1 (ja) | 2020-12-14 | 2021-12-10 | 塗料性状の予測方法、補正配合組成の予測方法、塗料性状の予測システム、補正配合補正の予測システム、及び塗料の製造方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7116266B1 (ja) |
CN (1) | CN116583570A (ja) |
WO (1) | WO2022131180A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2024093925A (ja) * | 2022-12-27 | 2024-07-09 | 日本ペイント・インダストリアルコーティングス株式会社 | 塗料の製造方法 |
CN116673475B (zh) * | 2023-07-05 | 2024-02-02 | 苏州中耀科技有限公司 | 一种mim工件烧结方法 |
CN117055483B (zh) * | 2023-08-11 | 2024-02-06 | 北京维他科技有限公司 | 一种乙二胺四乙酸铁钠的生产控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11228881A (ja) * | 1998-02-16 | 1999-08-24 | Nisshinbo Ind Inc | 調色精度を高めることができる塗料のコンピュータ調色方法 |
JP2002226735A (ja) * | 2001-02-02 | 2002-08-14 | Nippon Paint Co Ltd | 塗料液のコンピュータ調色方法とこの方法を用いた塗料の製造方法 |
JP2004323801A (ja) * | 2003-04-30 | 2004-11-18 | Kikusui Chemical Industries Co Ltd | 仕上げ材セット及びその調色方法 |
JP2006213854A (ja) * | 2005-02-04 | 2006-08-17 | Natoko Kk | 非隠蔽性塗料の色合わせ装置、そのプログラム、塗装物製造装置、非隠蔽性塗料の色合わせ方法、及び塗装物の製造方法 |
JP2011506961A (ja) * | 2007-12-12 | 2011-03-03 | ビー・エイ・エス・エフ、コーポレーション | 効果顔料を有するペイント塗料を決定するためのシステムおよび方法 |
JP6703639B1 (ja) * | 2019-12-27 | 2020-06-03 | 関西ペイント株式会社 | 塗料の製造方法及び色彩データを予測する方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021132654A1 (ja) * | 2019-12-27 | 2021-07-01 | 関西ペイント株式会社 | 塗料の製造方法、色彩データを予測する方法及びコンピュータ調色システム |
-
2021
- 2021-12-10 JP JP2021577702A patent/JP7116266B1/ja active Active
- 2021-12-10 CN CN202180084266.7A patent/CN116583570A/zh active Pending
- 2021-12-10 WO PCT/JP2021/045719 patent/WO2022131180A1/ja active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11228881A (ja) * | 1998-02-16 | 1999-08-24 | Nisshinbo Ind Inc | 調色精度を高めることができる塗料のコンピュータ調色方法 |
JP2002226735A (ja) * | 2001-02-02 | 2002-08-14 | Nippon Paint Co Ltd | 塗料液のコンピュータ調色方法とこの方法を用いた塗料の製造方法 |
JP2004323801A (ja) * | 2003-04-30 | 2004-11-18 | Kikusui Chemical Industries Co Ltd | 仕上げ材セット及びその調色方法 |
JP2006213854A (ja) * | 2005-02-04 | 2006-08-17 | Natoko Kk | 非隠蔽性塗料の色合わせ装置、そのプログラム、塗装物製造装置、非隠蔽性塗料の色合わせ方法、及び塗装物の製造方法 |
JP2011506961A (ja) * | 2007-12-12 | 2011-03-03 | ビー・エイ・エス・エフ、コーポレーション | 効果顔料を有するペイント塗料を決定するためのシステムおよび方法 |
JP6703639B1 (ja) * | 2019-12-27 | 2020-06-03 | 関西ペイント株式会社 | 塗料の製造方法及び色彩データを予測する方法 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2022131180A1 (ja) | 2022-06-23 |
WO2022131180A1 (ja) | 2022-06-23 |
CN116583570A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7116266B1 (ja) | 塗料性状の予測方法、補正配合組成の予測方法、塗料性状の予測システム、補正配合補正の予測システム、及び塗料の製造方法 | |
CN102165294B (zh) | 颜色匹配方法 | |
CN1784592B (zh) | 制备匹配涂料组合物的方法和用于该方法的装置 | |
EP1238249B2 (en) | Computer-implemented method and apparatus for matching paint | |
US20090157212A1 (en) | System and method of determining paint formula having a effect pigment | |
JP6703639B1 (ja) | 塗料の製造方法及び色彩データを予測する方法 | |
CN101680805A (zh) | 颜色匹配方法 | |
WO2021132654A1 (ja) | 塗料の製造方法、色彩データを予測する方法及びコンピュータ調色システム | |
JP2006218426A (ja) | 塗装方法、塗装制御装置及び塗装設備 | |
JP6936416B1 (ja) | 塗料の製造方法及び色彩データを予測する方法 | |
WO2022270506A1 (ja) | 塗膜の性状の変動量の予測方法及び予測システム、塗布物の製造条件の変動量の予測方法及び予測システム、塗布物の製造方法 | |
US10152494B2 (en) | Process for matching paint | |
JP2812558B2 (ja) | 迅速な色直し方法 | |
CN110998284A (zh) | 多角度涂料组合物色强度测量 | |
CN104136913A (zh) | 利用湿色测量预测由涂料成分得到的涂料金属光泽的方法 | |
KR100461224B1 (ko) | 도료 제조 방법, 도장 방법 및 도료 제조 데이터 관리시스템 | |
JP7429456B2 (ja) | 自動調整方法及び自動調整システム | |
US20140350867A1 (en) | System for producing liquid composition | |
RU2313071C2 (ru) | Способ определения цветовой рецептуры | |
JP2006218425A (ja) | 塗装方法、塗装制御装置及び塗装設備 | |
WO2024143003A1 (ja) | 塗料の製造方法 | |
CN114127522A (zh) | 用于效果颜色的鲁棒颜色匹配和调节过程的方法和系统 | |
JP2023001804A (ja) | 自動車ボディ及び/又は自動車部品の塗膜の塗膜品質の予測方法及び予測システム、塗装条件の予測方法及び予測システム、自動車ボディ及び/又は自動車部品の複層塗膜形成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211227 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20211227 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220208 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220322 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220517 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220601 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220712 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220728 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7116266 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R157 | Certificate of patent or utility model (correction) |
Free format text: JAPANESE INTERMEDIATE CODE: R157 |