JP7139368B2

JP7139368B2 - プレス成形システムおよびプレス成形システムの成形条件値の設定方法

Info

Publication number: JP7139368B2
Application number: JP2020017270A
Authority: JP
Inventors: 拓郎山口; 雅之菊川
Original assignee: Japan Steel Works Ltd
Current assignee: Japan Steel Works Ltd
Priority date: 2020-02-04
Filing date: 2020-02-04
Publication date: 2022-09-20
Anticipated expiration: 2040-02-04
Also published as: JP2021122840A

Description

本発明は、熱板または型部材の間で成形物の加圧成形を行うプレス成形システムおよび前記プレス成形システムの成形条件値の設定方法に関するものである。

従来、熱板または型部材の間で成形物の加圧成形を行うプレス成形システムに用いられる熱板温度制御や加圧制御等の成形条件値は、過去の経験データや経験則により設定されていた。即ち、作業者が過去の記録を見直して成形条件値を設定したり、自分の記憶している成形条件値を基に成形条件値の設定を行っていた。そのため成形条件値の設定に時間がかかるとともに、経験の浅い作業者では成形条件値の設定が難しいという問題があった。

上記の問題を解決するためのものとして特許文献１に記載された多段プレスの熱圧制御方法が知られている。特許文献１では、「複数段の熱板間にて加熱加圧される合板材料を、その縦横サイズ、材厚、接着剤種、単板樹種が異なる組合せに対応して複数種の加熱加圧条件を有する類型をコンピュータ内に予めプログラム化して組み込み、熱板間に供給される合板材料の縦横サイズ、材厚、接着剤種、単板樹種に応じて、前記類型に合致する、若しくは近似する加熱加圧条件を取り出すと共に、多段プレスの諸元に配置された検出器からの検出値をコンピュータ内へフィードバックし、この検出値と前記条件が合致若しくは近似するように、熱板温度、シリンダの吐出圧力、熱圧時間を制御する」ことを特徴としている。

特開昭６３－２４６２０１号公報（請求項１）、３頁ないし４頁

しかしながら特許文献１の多段プレスの熱圧制御方法では、複数種の加熱加圧条件を有する類型をコンピュータ内に予めプログラム化して組み込む必要があるものであった。即ち特許文献１では新たに成形を行うプレス成形物に関しては、過去の同様のプレス成形物がプレス成形された際の成形条件値のデータは使用されることはなく、当初に予めプログラム化して組み込みされた類型に近似する範囲内でしか多段プレスの熱圧制御を行うことができないものであった。更にはコンピュータ内に予めプログラム化して組み込みされた加熱加圧条件が問題があってそのまま使用できず、作業者が加熱加圧条件を修正して使用した際、当初の組み込みされた加熱加圧条件と修正された加熱加圧条件との間に乖離があったとしても、前記乖離に基づいて自動的にプログラムは修正されず、再度、加熱加圧条件をプログラム化して組み込む必要があるものであった。

そこで本発明では上記の問題を鑑みて、過去にプレス成形された際の成形条件値を用いて新たに成形を行う成形物の成形条件値を良好に生成することのできるプレス成形システムおよびプレス成形システムの成形条件値の設定方法を提供することを目的とする。また本発明では上記の問題を鑑みて、新たに成形を行う成形物のために生成された成形条件値がそのまま採用されなかった際に、次回からの新たに成形を行う成形物の成形条件値の生成に反映されることのできるプレス成形システムおよびプレス成形システムの成形条件値の設定方法を提供することを目的とする。

本発明の請求項１に記載のプレス成形システムは、熱板または型部材の間で成形物の加圧成形を行うプレス成形システムにおいて、成形物情報の項目と成形条件値と紐付した成形済の成形データを記憶する記憶部と、新たに成形を行う成形物の成形物情報に対して前記記憶部に記憶された成形済の成形データから一致または近似する成形物情報の成形データを抽出し、該抽出された成形データの成形物情報の項目に重み付けした状態でニューラルネットワークを用いて新たに成形を行う成形物の成形条件値を生成する学習部と、を備えた学習装置が設けられたことを特徴とする。

本発明の請求項２に記載のプレス成形システムは、請求項１において、新たに成形を行う成形物の成形物情報の項目に対して前記記憶部に記憶された成形済の成形データから一致または近似する成形データを抽出する教師なし学習部を備えた学習装置が設けられたことを特徴とする。

本発明の請求項３に記載のプレス成形システムは、請求項１または請求項２において、ニューラルネットワークを用いて生成された新たに成形を行う成形物の成形条件値が変更された際に強化学習を行う強化学習部を備えたことを特徴とする。

本発明の請求項４に記載のプレス成形システムの成形条件値の設定方法は、熱板または型部材の間で成形物の加圧成形を行うプレス成形システムの成形条件値の設定方法において、
新たに成形を行う成形物の成形物情報に対して前記記憶部に記憶された成形済の成形データから一致または近似する成形データを抽出し、前記一致または近似する成形データの成形物情報の項目に対して重み付けした状態でニューラルネットワークを用いて新たに成形を行う成形物の成形条件値を生成することを特徴とする。

本発明の請求項５に記載のプレス成形システムの成形条件値の設定方法は、請求項４において、回帰分析法により新たに成形を行う成形物の成形物情報の項目を説明変数、成形条件値の項目を目的変数とし、ニューラルネットワークを用いて新たに成形を行う成形物の成形条件値を生成することを特徴とする。

本発明の請求項６に記載のプレス成形システムの成形条件値の設定方法は、請求項４または請求項５において、ニューラルネットワークを用いて生成された新たに成形を行う成形物の成形条件値に対して修正が行われた際に、成形済の成形データの成形物情報の項目に付与される重み付けが変更されることを特徴とする。

本発明のプレス成形システムは、熱板または型部材の間で成形物の加圧成形を行うプレス成形システムにおいて、成形物情報の項目と成形条件値と紐付した成形済の成形データを記憶する記憶部と、新たに成形を行う成形物の成形物情報に対して前記記憶部に記憶された成形済の成形データから一致または近似する成形物情報の成形データを抽出し、該抽出された成形データの成形物情報の項目に重み付けを付与した状態でニューラルネットワークを用いて新たに成形を行う成形物の成形条件値を生成する学習部と、を備えた学習装置が設けられているので、成形済の成形データを基礎として新たに成形を行う成形物の良好な成形条件値を生成することができる。またプレス成形システムの成形条件値の設定方法についても同様の効果を奏する。

本実施形態のプレス成形システムの概略図である。本実施形態のプレス成形システムの学習装置のニューラルネットワークを示す説明図である。本実施形態のプレス成形システムの成形条件値の設定方法を示す説明図である。本実施形態のプレス成形システムの成形条件値の設定方法における成形条件値を可視化するためのチャート図である。本実施形態のプレス成形システムの成形条件値の設定方法において成形条件値を可視化するためのプロット図である。別の実施形態のプレス成形システムの成形条件値の設定方法を示す説明図である。

本発明の実施形態のプレス成形システム１１について図１を参照して説明する。プレス成形システム１１には、プレス装置１２、設定入力表示装置１３、油圧装置１４、温度制御装置１５、制御装置１６等が含まれる。まずプレス装置１２の構造について説明すると、プレス装置１２の上側の上盤１７と下側の下盤１８の間は、タイバ１９により接続されている。下盤１８には加圧シリンダ２０が取付けられ、加圧シリンダ２０のラム３８は可動盤２１の背面に固定されている。加圧シリンダ２０は、ポンプや油圧弁等を含む油圧装置１４（詳細は省略する）に接続されている。可動盤２１の上面に固定される熱板２２と、上盤１７の下面に固定される熱板２３の間には、複数の熱板２４が昇降可能に保持されている。

熱板２２，２３，２４は加圧面がそれぞれ平滑に形成された矩形の所定板厚の金属板であり、内部には熱媒油、蒸気または水等の温度制御用媒体が流通されるための通路が形成されている。そして熱板２２，２３，２４は、前記媒体を流通させる管路を介してポンプ、弁、加熱装置等を含む温度制御装置１５（詳細は図示せず）に接続されている。また熱板２２，２３，２４には温度を測定する温度センサ（図示せず）が取付けられおり、温度センサは温度制御装置１５に接続されている。なお熱板２２，２３，２４は、下盤の上面に固定される熱板２２と上盤１７の下面に固定される熱板２３と２枚の熱板２２，２３の２枚の熱板のみであってもよく、中間に設けられる熱板２４の枚数も限定されない。また熱板２２，２３，２４は電気ヒータのみ、または電気ヒータを併用して加熱されるものでもよい。更に本実施形態ではプレス装置１２は、外界と区画可能なチャンバ（図示せず）の中に収容され、前記チャンバには真空装置の真空ポンプが接続されている。

図１に示されるプレス成形システム１１では、１台のプレス装置１２に対してプレス成形制御部２５と学習装置２６を含め全ての制御を行う制御装置１６が設けられた例を模式的に示している。しかし制御装置１６は一箇所に１基が設けられるとは限らない。また複数台のプレス装置１２を備えたプレス成形システム１１の場合は、複数のプレス装置１２と、前記複数のプレス装置１２に成形物を搬入、搬出する積込・積降装置、前記積込・積降装置に成形物を積込・積降しするストッカ装置等を備えている場合が多い。従って制御装置１６は、プレス装置１２の側に設けられ油圧装置１４と温度制御装置１５の制御を行うプレス装置専用の制御装置１６と、積込・積降装置やストッカ装置を含めたプレス成形システム１１全体の制御を行う制御装置１６が別個に設けられる場合も多い。

プレス成形システム全体の制御を行う制御装置１６については、ＰＬＣ単体、ＰＬＣとパーソナルコンピュータの組み合わせ、ＰＬＣとパーソナルコンピュータとサーバーの組み合わせ等が想定される。また前記制御装置１６については、ＬＡＮ等によりプレス装置１２と接続され、プレス装置１２が設置された工場内に中央制御装置の形で設けられたものでもよく、更にはインターネット回線等を通じて前記工場外からの遠隔制御装置の形で設けられたものでもよい。また制御装置１６の学習装置２６のみが別個に設けられる場合もある。設定入力表示装置１３は制御装置１６に接続され、殆どのケースにおいて制御装置１６の近傍に配置される。

次に制御装置１６の詳細について図１の機能別に記載したブロック図で説明する。制御装置１６は、プレス装置１２の油圧装置１４や温度制御装置１５等に接続される入出力部２７（状態検出部）を備えている。また入出力部２７にはプレス装置１２の温度制御や加圧制御を行うプレス成形制御部２５が備えられている。プレス成形制御部２５は、前記油圧装置１４や温度制御装置１５のシーケンス制御の指令信号等を出力する部分であり、プレス成形に関する成形データ等もプレス成形制御部２５内の記憶部２８に記憶される。

本実施形態では制御装置１６は、人工知能であるＡＩ（ＡｒｔｆｉｆｉｃａｌＩｎｔｅｌｌｉｇｅｎｃｅ）技術を用いた学習装置２６（機械学習装置）を備えている。学習装置２６の学習部２９には、教師なし学習部３０、教師あり学習部３１、強化学習部３２が備えられている。そして教師なし学習部３０には成形データ分類部３３が設けられ、教師あり学習部３１には成形条件値最適化部３４が設けられている。そして教師なし学習部３０は、入出力部２７（状態検出部）、学習装置２６の記憶部３５、教師あり学習部３１に接続されている。また教師あり学習部３１は、教師なし学習部３０、学習装置２６の記憶部３５、プレス成形制御部２５に接続されている。更に強化学習部３２には報酬演算部３６と報酬付与部３７が設けられている。そして強化学習部３２は、入出力部２７（状態検出部）、学習装置２６の記憶部３５、プレス成形制御部２５に接続されている。

また学習装置２６の学習部２９における教師なし学習部３０、教師あり学習部３１、強化学習部３２は、図２に示されるような入力層４１、中間層４２、出力層４３を備えたニューラルネットワーク４４を備えている。または前記学習部２９のニューラルネットワーク４４は、中間層４２が複数層あって、ディープラーニング（深層学習）が行えるものも望ましい。

次に本実施形態のプレス成形システム１１の成形条件値の設定方法について図３ないし図５を参照して説明する。当初、過去の成形済の成形データ５１は、プレス成形制御部２５の記憶部２８やプレス成形制御部２５に接続されるパーソナルコンピュータやサーバー（これらも含めて本発明の制御装置１６）に保存されている。それら過去の成形済の成形データ５１がＡＩによる学習装置２６の教師なし学習部３０における教師なし学習にそのまま利用できる場合は記憶部２８等から教師なし学習部３０にデータが転送される。しかし前記教師なし学習にそのまま利用できず、作業者によるファイル変換や条件追加等の加工が必要な場合は、加工が行われた上で、学習装置２６の記憶部３５に前記成形済の成形データ５１が保存される。（図１においては模式的に、学習装置２６に記憶部３５が付設されたケースを例示しているが、学習装置２６には記憶部３５を設けずに、過去の成形済の成形データ５１が保存されているパーソナルコンピュータの記憶部やプレス成形制御部２５の記憶部２８が前記記憶部３５の代替することも十分に有り得る。）

成形済みの成形データ５１は、ロットＮＯごとに、成形物情報５２と成形条件値５３が紐付される形で保存されている。具体的には成形物情報５２の項目としては、「成形物種別」、成形物の「材料」（樹脂、エラストマ、金属板等で複数の材料の場合を含む）、成形物の「面積」（成形物が矩形の場合２辺の長さの場合をデータとして保存する場合を含む）、成形物の「枚数」（成形物の厚みをデータとして保存する場合を含む）、その他である。また成形条件値５３としては、「成形時間」、「温度」（熱板温度）、成形物加圧時の「面圧」（ＭＰａ）（ただし加圧シリンダの油圧値であってもよい）、チャンバ内真空度、その他である。ここにおいて「熱板温度」、成形物加圧時の「面圧」、チャンバ内真空度等は、時間との関係において時系列的な成形条件値が保存されることが一般的である。従って昇温率や降温率、昇圧率や降圧率もまた成形条件値５３と言える。図４に一例として示されるのはプレス成形時の成形時間と熱板温度の関係を示すグラフであり、各成形条件値５３は、図４のようなグラフが描画可能な形で保存される。

学習装置２６の記憶部３５に過去の成形済の成形データ５１を記憶させる際、または前記記憶部３５に記憶されたデータを利用する際に、前記成形物情報５２の項目には、新たに成形を行う成形物の成形物情報５４に対して成形条件値５９を生成する際に使用する重み付け５５をそれぞれ行うことが好ましい。一例としては図３の過去の成形済の成形データ５１欄の重み付け５５欄にも記載されるように、「成形物」の種類＝３０、「材料」＝３０、「面積」＝２０、「枚数」＝２０等の重み付け５５を作業者が行う。ただし成形済の成形データ５１の項目で、本発明の成形条件値５９の生成の際に使用しない成形済の成形データ５１は、重み付け５５が０となる。従って重み付け５５には、成形済の成形データ５１の項目の取捨選択も含まれる。なおこの初期の記憶時に作業者によって行われる重み付け５５は仮の値であり、後述するように強化学習部３２の強化学習により前記重み付け５５は修正される。

なお、既に保存されている成形済の成形データ５１の中に、成形に失敗した際の成形データや、当該成形物に対して既に改善された別の成形データ５１が存在しており今後は使用予定のない古い成形データがある場合は、それらも記憶することも望ましい。その場合、今後も使用予定のある成形データは正解のラベルデータ、成形に失敗した際の成形データおよび改善され今後は使用予定のない成形データは不正解のラベルデータとして保存し、教師あり学習の対象とすることも可能である。

本発明では前記のように、プレス成形システム１１において蓄積された成形済の成形データ５１が利用できるので、特許文献１のようにわざわざモデルとなる成形データを複数準備する必要がない。ただし本発明は、プレス成形システム１１をプレスメーカーの工場からプレス成形を行う顧客に向けて新規に出荷する際に、顧客ごとの成形済の成形データ５１やプレスメーカーで試験等を行った成形済の成形データ５１を予め入力し記憶部２８，３５に保存しておくことを否定するものではない。

次に作業者が新たに成形を行う成形物の成形条件値５９を定める際について記載する。一例として作業者は、新たに成形を行う成形物ＰのロットＮＯ．１２に対応させて、「成形物種別」ＡＡ、「材料」ａｂ、「面積」２４００ｃｍ^２＝２４０，０００ｍｍ^２（４００ｍｍ×６００ｍｍ）、「枚数」１０枚といった成形物情報５４の項目を設定入力表示装置１３のタッチパネル画面等から入力する。それに対して教師なし学習部３０の成形データ分類部３３では、記憶部３５に記憶されている全ての成形済の成形データ５１の中から類似の成形物情報５２の項目であると推論される成形データのグループ５６を抽出する。これらグループ化にはｋ－ｍｅａｎｓ法等のクラスタリングの手法が用いられる。または教師なし学習を行う主成分分析等の他の手法を用いてもよい。

成形データのグループ５６が抽出されると、次に教師あり学習部３１の成形条件値最適化部３４において、新たな成形物Ｐに対応する成形条件値５８の生成を行う。成形条件値５８の生成について更に詳しく説明すると、新たな成形物Ｐに対応する成形条件値５８の生成は、主として線形回帰法等の回帰分析法により行われる。具体的には新たに成形を行う成形物Ｐの成形物情報５４の項目を説明変数、成形条件値５８の項目を目的変数とし、ニューラルネットワーク４４を用いて推論が繰り返し行われる。図２のニューラルネットワーク４４との関係では、入力層４１に抽出されたグループ５６の成形物情報５２の項目および重み付け５５と、新たに成形を行う成形物の成形物情報５４の項目を紐付して正解のラベルデータとして自動的に入力がなされる。またこの際に成形済の成形データ５１のうち抽出されたグループ５６以外のデータを紐付して不正解のラベルデータとして自動的に入力がなされるようにしてもよい。

すると中間層４２において成形物情報５４の項目ごとに設定されている重み付け５５を重み付け加算がされた状態で回帰分析による回帰式（関数式）による演算が行われ、出力層４３から新たに成形を行う成形物Ｐに対する成形条件値５９が出力される。ただし前記ニューラルネットワーク４４により回帰式（関数式）を用いて行われる新たに成形を行う成形物Ｐの成形条件値５８の生成の過程については、そのアルゴリズムは予め作成されている定型的なものではなく入力値に応じて多様であるので一律に説明することは困難である。

しかしニューラルネットワーク４４内で行われている演算について基礎となる考え方（方式）を図３の例で説明すると、「成形物種別」および「材料」の項目は、「面積」および「枚数」の項目よりも多くの重み付け加算がなされている。従って新たに成形を行う成形物Ｐの「成形物種別」や「材料」に対して成形済の成形データ５１のうち「成形物種別」や「材料」が一致するか近似する成形データ（ロットＮＯ．）の成形条件値のほうに大きな重みが与えられる。また逆にこの例では新たに成形を行う成形物Ｐの「面積」や「枚数」と一致している過去データがあったとしても、重み付けが小さいのでその成形条件値５９については相対的に小さくしか評価されない。またこのような成形条件値５９の生成に数理計画法等の手法を用いてもよい。

また本実施形態では、新たに成形を行う成形物Ｐの成形条件値５９の生成に教師無し学習と教師あり学習を順に行うものについて記載したが、半教師あり学習を行うものでもよい。即ちラベルなしデータである過去の種々の成形データ５１からニューラルネットワーク４４を用いてラベルデータを作成し、更にラベルデータからニューラルネットワーク４４上で回帰式等を用いて正解（新しい成形条件値５９）を得る等の手法を採用してもよい。または新たに成形を行う成形物Ｐの成形条件値５９の生成は、上記した技術思想に基づき、教師なし学習、教師あり学習、および半教師あり学習といった枠に捉われないものでもよい。

本発明では前記学習装置２６の教師あり学習部３１の成形条件値最適化部３４により演算され出力された新たに成形を行う成形物Ｐに対する成形条件値５９は一つの「解」であり、それをそのままプレス装置１２に使用して加圧成形を行うことを除外しない。しかしプレス装置１２で加圧成形される１ロット分の成形物Ｐの金額は高額であるので、本実施形態では前記成形条件値５９はそのまま加圧成形に用いられず一旦、設定入力表示装置１３に表示される。そして作業者によるチェック作業と必要に応じて成形条件値５８の変更作業が行われる。そして前記チェック作業と必要に応じて成形条件値５８の変更作業が行われた後の成形物情報５４と成形条件値６０が紐付された成形データ６１は、プレス成形制御部２５の記憶部２８に記憶される。

図３は、学習装置２６から出力された新たに成形を行う成形物Ｐの成形条件値５８のうちの「成形時間」２．５時間が、作業者により３時間に延長される設定変更が行われる例を示している。そして新しく設定変更された成形時間を含め新たに成形を行うための成形物Ｐのための成形データ６１は、更に次回に新たに成形を行う成形物Ｐの成形条件値５９を生成する際の基礎データ（過去データ）の一つとして加えられる。更に詳しくは記憶部３５において前記クラスタリングされたグループ５６の中に加えられる。本実施形態では成形条件値５９の変更作業は作業者によって行われているが、ＡＩまたはそれ以外の機械的な手段で、成形条件値５９のチェックと必要に応じた修正作業を行うものでもよい。

また学習装置２６では、前記の作業者等による成形条件値５９の変更に伴い、学習部２９の強化学習部３２で強化学習が行われる。強化学習部３２の報酬演算部３６では、教師なし学習および教師あり学習により生成された新たに成形を行う成形物Ｐの成形条件値５９と作業者により修正された成形条件値６０との間で一致または不一致があった、不一致があった場合はどの部分であるか報酬関数の基礎とし報酬を演算する。次に。また強化学習部３２の報酬付与部３７では、前記報酬を成形済の成形データ５１の重み付け５５に付与して、次に新たに成形を行う成形物Ｐの成形条件値を算出する際に使用する成形物情報５４の重み付け６２を演算する。即ち強化学習部３２では、ニューラルネットワーク４４の入力層４１から新たに成形を行う成形物Ｐの成形条件値５９と作業者により修正された成形条件値６０との差と過去の成形済の成形データ５１の重み付け５５を入力すると中間層４２において上記の演算がなされて出力層４３から前記成形物情報５４の重み付け６２が出力される。これらの強化学習もまたニューラルネットワーク４４によりＱ学習やパンテッド・アルゴリズム等を用いて学習が行われるが、その過程で用いられるアルゴリズムは予め作成されている定型的なものではなく入力値に応じて多様であるので一律に説明することは困難である。

ただしニューラルネットワーク４４内で行われている演算について基礎となる考え方（方式）を敢えて説明するとすれば次のような考え方により行われる。新たに成形を行う成形物Ｐの成形条件値５９が作業者等により修正されなかった場合は、教師なし学習および教師あり学習による成形条件値５９の生成は正しかったものとして、クラスタリングされたグループ５６の抽出と重み付け５５に対してプラスの報酬を与えられる。

一方、新たに成形を行う成形物Ｐの成形条件値５９が作業者等により修正された場合は、教師なし学習によるグループ５６化に問題があった可能性があるとして、僅かずつグループ５６の範囲の見直しを行う方向でマイナスの報酬が与えられる。また教師あり学習においける重み付け５５についても修正が必要であるとしてマイナスの報酬が与えられる。重み付５５の修正の例を単純化して説明すると、新たに成形を行う成形物Ｐの成形条件値５９のうち作業者により修正された成形条件値６０の項目の変更後の成形条件値（図３では「成形時間」＝３．０）に着目して、クラスタリングされたグループ５６において、「成形時間」＝３．０と一致するか近似する成形データ６３（ロット）を更に抽出する。次に前記の更に抽出された成形データの成形物情報５７の項目に着目して、前記の新たに成形を行う成形物Ｐの成形物情報５４の項目をと一致または近似する項目の成形データ６３（ロット）の数に応じてその成形物情報５９の項目の重み付け５５を重み付け６２に変更する。またその際、項目の内容または数値が一致するものについては近似するものよりも加点を大きくしてもよい。

図３の例では新たに成形を行う成形物Ｐの成形物情報５４の項目に対して抽出されたグループ５６内の成形物情報５７は、「成形物種別」が２件で一致し、「樹脂の種類」ａｂが１件で一致しているので、「成形物種別」の重み付け５５を最も増加させ、次に「樹脂の種類」の重み付け５５を次に増加させている。一方、「枚数」は抽出されたグループ５６の中で近似する成形データ６３（ロット）があるので、僅かに重み付け６２を減少させ、「面積」は近似する成形データ６３（ロット）が無いので、重み付け５５を前記「枚数」よりも大きく減少させる。

ただし実際は図４にも記載されるように成形時間と熱板温度の関係において昇温率等も定まるからもっと複雑な演算となる。また成形物情報５４の項目の項目間と成形条件値５９の項目の項目間の関係も複雑な因果関係にある。従って単純に１項目のみに着目して重み付け５５の増加または減少を行うことは好ましくない。また重み付け５５の修正も小幅に行うことが望ましい。また前記項目間の因果関係の問題を解決するために数理計画法等の手法を用いることも望ましい。更に或る成形条件値５９の項目の変更と成形物情報５７の項目の間で一対一で密接な因果関係がある場合は、成形条件値５９の項目の変更に応じて、そのまま関係する成形物情報５７の項目の重み付け５５を重み付け６２に変更するようにしてもよい。一例としては、成形条件値５９の項目の「面圧」が変更された場合は、成形情物情報の項目の「枚数」の重み付け５５を増加させる等である。これらの教師あり学習等の解を強化学習させることにより次回の教師あり学習等の関数式を補正する方法は、深層強化学習として行われる場合もあり得る。更にまた本実施形態では、重み付け設定の修正は、ＡＩによる強化学習により行うが、その一部または全部を作業者による判断と手入力で行うようにしてもよい。

また学習装置２６によって生成された新たに成形を行う成形物Ｐの成形条件値５９を作業者が可視的にチェックするものとしては、図４に示されるようなグラフを設定入力表示装置１３に表示するようにしてもよい。図４は、熱板温度の成形条件値を時系列的にグラフ表示するものである。そして学習装置２６の教師あり学習部３１によって生成された成形条件値５９は実線ａ、教師なし学習部３０により類似のグループ５６として抽出された成形済の成形データ６３の熱板温度の成形条件値は鎖線（ｂ）、鎖線（ｃ）、鎖線（ｄ）で描画されている。このように学習装置２６によって生成された成形条件値５９を過去データと対比してグラフ化することにより作業者は、学習装置２６によって生成された熱板温度の成形条件値５９が抽出されたグループ５６の成形データ６３の成形条件値５８と比較して著しく乖離している部分が無いかを一目で判断することができる。

そして作業者が学習装置２６によって生成された成形時間を短縮したい場合、一例として図４の（ｂ）のように学習装置２６の成形条件値５９の成形時間よりも時間が短い成形条件値５７に対応する成形物情報５７と新たに成形を行う成形物Ｐの成形物情報５４を比較して更に成形時間が短縮可能かどうかを精査することができる。また図４のグラフは熱板温度の成形条件値を時系列的に表示しているが、加圧時の面圧、チャンバ内の真空度等、その他の成形条件値５９も同様にグラフ表示が可能である。なお設定入力表示装置１３がタッチパネルの場合、前記図４のグラフの実線部分ａを、作業者が指でタッチしてスライドさせることにより成形条件値５９の修正ができるようにしてもよい。

更に設定入力表示装置１３に表示することに可視化するものとしては、教師なし学習装置２６により類似するグループ５６として抽出された過去データの成形条件値５８と、教師あり学習部３１により生成された成形条件値５９を、図４に示されるようなプロット図に表示するようにしてもよい。図５の例は、熱板温度の最高値を縦軸、成形物の面圧の最高値を横軸にしてプロットしたものであり、学習装置２６により生成された成形条件値５９は、一目で判るように表示されている。図４では点Ｘが前記成形条件値５９を示している。そして図４のプロット図では、学習装置２６によって新しく生成された成形条件値５９の熱板温度（最高値）と成形物の面圧（最高値）の相関関係が、過去例の成形条件値５８との比較で妥当な位置にあるかどうか作業者が容易にチェックできるものである。なおプロット図における縦軸と横軸の成形条件値の項目は任意に設定可能である。

更に学習装置２６の教師あり学習部３１により生成された成形条件値５９について作業者が修正可能であることは上記した通りであるが、その際に修正した成形条件値６０の項目の値が、抽出された過去データの同じ成形条件値５８の項目の値から著しく乖離している場合は、設定入力表示装置１３に画面表示、または音声によるメッセージにより警報を発するようにしてもよい。メッセージの具体例としては、「熱板温度が高すぎるので材料が劣化する可能性があります。」或いは「昇圧速度が高すぎるのでガス抜けしない可能性があります。」等である。これらの乖離の判断方法は、前記成形条件値の平均値から一定以上の差（閾値の検出）があるかどうかにより判断してもよく、前記成形条件値５８，６０の関係から別途の演算式により演算を行って判断してもよい。

次に学習装置２６による成形条件値５９の生成と作業者による前記成形条件値５９の修正が行われ確定した成形条件値６０を用いた実際のプレス装置１２の成形サイクルについて説明する。本実施形態においてプレス装置１２で加圧成形される成形物Ｐは、プリント配線基板等の各種基板用が大多数を占める。そして前記基板は、複数枚の基盤が重ねられた状態で図示しない積込・積降装置により各熱板２２，２４の上面にそれぞれ載置される。プレス装置１２のチャンバ内が真空状態となると、前記油圧装置１４から加圧シリンダ２０の油室に作動油が供給されてラム３８および可動盤２１が上昇され、加熱された熱板２２，２３，２４の間で所定時間、成形物Ｐの加圧成形が行われる。この際にプレス装置１２のプレス成形制御部２５の記憶部２８に記憶された成形条件値６０を用いて、油圧装置１４、温度制御装置１５、図示しない真空装置等の制御が行われる。

なおプレス装置１２の成形サイクルスタート時の熱板温度と成形条件値６０の関係については不確定要素が存在するのでその点について説明する。１日のうち最初にプレス装置１２を使用する際は、季節によって工場内の室温が相違することから、熱板の温度に差が生じる場合がある。また１日のうちで２回以上同じプレス装置を使用する場合では、初回と２回目以降では成形サイクルスタート時の熱板の温度に差が生じる場合が多い。具体的には図４の例においては、初回の熱板の温度がＡであるとすると、２回目以降の熱板の温度Ｂ付近となる場合が多い。

従って本実施形態は、成形サイクルスタート時の条件を一定化するため、２回目以降のプレス成形時も含めて成形サイクルスタート時の熱板温度が最も高くなるケースを想定して保存された成形条件値６０を用いて行うプレス成形のサイクルスタートの温度Ｃを決めている。従って１日のうち最初にプレス装置１２を使用する際であって熱板温度Ａから熱板２２等の昇温を開始する場合であっても、２回目以降で熱板温度Ｂから熱板２２等の昇温を開始する場合であっても、昇温開始時は成形条件値６０による成形は用われずに熱板２２等の昇温のみが行われ、温度センサにより検出される熱板２２等の温度が成形スタート温度Ｃに到達した時点から記憶部２８に記憶されている成形条件値６０を用いたプレス成形が行われる（図２において成形スタート温度に到達するまでの部分は破線で描画）

なお別の方式として、実測された熱板温度に対応して準備された成形条件値６０を変更して使用するようにしてもよい。その場合に成形条件値６０を使用開始するための基準となる熱板温度を定めておき、前記基準となる熱板温度に対して実測された熱板温度が高い場合は成形条件値６０の成形時間がマイナスされ、基準となる熱板温度に対して実測された熱板温度が低い場合は成形条件値６０の成形時間がプラスされる。

次に図６に示される別の実施形態について説明する。図６の例では、成形物情報７１の項目と成形条件値７２と紐付した成形済の成形データ７３を入力完了した時点で学習装置２６の教師なし学習部３０によりクラスタリングが行われ、前記成形データ７３が複数のグループ７４，７５、７６に分類され、それぞれのグループに付随して重み付け７７，７８，７９がなされる。そして新たに成形を行う成形物Ｐの成形物情報８０が入力された時点で、新たに成形を行う成形物Ｐの成形物情報８０が複数のグループ７４，７５，７６のうちどのグループに属するかの判断がなされる。図６ではグループ７４に属するとして、グループ７４の成形物情報８２と成形条件値８３を含む成形データ８４の抽出が行われる。

以下の新たに成形を行う成形物Ｐに対する成形条件値８５の生成、および作業者等による成形条件値８５を修正して最終的な成形条件値８６を決定する手法は、図３の手法と同様であるので詳細な説明は省略する。図６の例では、予めグループ７４の抽出を行っており、新たに成形を行う成形物Ｐの成形品情報７５から専用の近似する過去の成形材情報のグループ７４を抽出する訳ではないので、図３の例よりも近似する過去の成形材情報のグループ７４を抽出する部分において精度が劣る可能性がある。しかし一例として成形条件値８０に対して成形物情報７１の中でも「成形物種別」のみが強い影響があり、「成形物種別」ＡＡ、「成形物種別」ＡＢ、「成形物種別」ＢＡおよびＢＢのグループ間で、かなり成形条件値７２が相違する場合、前記「成形物種別」の項目の重み付け７７，７８，７９を大きくしておけば、教師あり学習等により適切な成形条件値８５の生成が可能な場合もある。また強化学習における重み付けの修正については、前記成形データ７１のグループ７４，７５，７６の分類と重み付け７７，７８，７９が固定化されリンクされていたほうが、重み付け７７，７８，７９を修正する際の演算が容易な場合もある。また作業者にとっても、手作業による重み付け７７，７８，７９の修正が容易であり、どのグループ７４，７５，７６等についてはどんな重み付け８７，８８，８９等に修正されたか把握が容易である。

本発明については、一々列挙はしないが、上記した本実施形態のものに限定されず、当業者が本発明の趣旨を踏まえて変更を加えたものや本実施形態の各記載を掛け合わせたものについても、適用されることは言うまでもないことである。本発明は主にはＡＩを用いて成形条件値を出力するものであるが、その一部においては従来型の統計手法や演算手法を取り入れたものでもよい。

本発明のプレス成形システムは、熱板は平滑であり熱板形状の影響を受けず、加圧時間が長時間（これに限定されるものではないが一例として１分ないし６時間の加圧時間）のホットプレス装置の場合に非常に好適である。特にホットプレス装置の場合は１回の加圧成形における時間および成形物の金額が高額であるので、試し成形はできず、本発明の成形条件値の修正方法が有効である。

また本発明は、型部材の間で成形物の加圧成形を行うプレス成形システムにおいても有効に用いられる。特にプリプレグ、樹脂板、溶融樹脂材料といった成形物を、キャビティを形成する型部材の間で一定時間（これに限定されるものではないが一例として３秒ないし３０分）加圧成形するようなケースにおいて有効である。逆に多様な金型を用いて瞬間的な加圧を行う金属打ち抜きプレス等への本発明の採用は不可能ではないにしても好適ではない。更に射出成形機は、金型構造が多様であって金型構造に起因する成形条件値の相違が大きく、成形サイクルが短く良好な成形を行うための成形条件値のレンジも狭いので本発明の対象ではない。

１１，プレス成形システム
１２プレス装置
１３設定入力表示装置
１４油圧装置
１５温度制御装置
１６制御装置
２６学習装置
２８，３５記憶部
３０教師なし学習部
３１教師あり学習部
３２強化学習部
４４ニューラルネットワーク
５１成形済の成形データ
５２，５４成形物情報
５３，５８，５９，６０成形条件値
５５，６２重み付け
５６グループ
Ｐ成形物

Claims

熱板または型部材の間で成形物の加圧成形を行うプレス成形システムにおいて、
成形物情報の項目と成形条件値と紐付した成形済の成形データを記憶する記憶部と、
新たに成形を行う成形物の成形物情報に対して前記記憶部に記憶された成形済の成形データから一致または近似する成形物情報の成形データのグループを抽出し、該抽出された成形データのグループにおける成形物情報の各項目にそれぞれ重み付けした状態でニューラルネットワークを用いて新たに成形を行う成形物の成形条件値を生成するとともに前記成形条件値に対して修正が行われた際に、成形データの成形物情報の項目に付与された重み付けが変更される学習部と、を備えた学習装置が設けられたことを特徴とするプレス成形システム。
新たに成形を行う成形物の成形物情報の項目に対して前記記憶部に記憶された成形済の成形データから一致または近似する成形データを抽出する教師なし学習部を備えた学習装置が設けられたことを特徴とする請求項１に記載のプレス成形システム。
ニューラルネットワークを用いて生成された新たに成形を行う成形物の成形条件値が変更された際に強化学習を行う強化学習部を備えたことを特徴とする請求項１または請求項２に記載のプレス成形システム。
熱板または型部材の間で成形物の加圧成形を行うプレス成形システムの成形条件値の設定方法において、
新たに成形を行う成形物の成形物情報に対して、成形物情報の項目と成形条件値と紐付した成形済の成形データを記憶する記憶部に記憶された成形済の成形データから一致または近似する成形データのグループを抽出し、
前記一致または近似する成形データのグループにおける成形物情報の各項目に対してそれぞれ重み付けした状態でニューラルネットワークを用いて新たに成形を行う成形物の成形条件値を生成するとともに前記成形条件値に対して修正が行われた際に、成形データの成形物情報の項目に付与された重み付けが変更されることを特徴とするプレス成形システムの成形条件値の設定方法。
回帰分析法により新たに成形を行う成形物の成形物情報の項目を説明変数、成形条件値の項目を目的変数とし、ニューラルネットワークを用いて新たに成形を行う成形物の成形条件値を生成することを特徴とする請求項４に記載のプレス成形システムの成形条件値の設定方法。