JP7277273B2 - 機械学習装置、及び設計支援装置 - Google Patents
機械学習装置、及び設計支援装置 Download PDFInfo
- Publication number
- JP7277273B2 JP7277273B2 JP2019108902A JP2019108902A JP7277273B2 JP 7277273 B2 JP7277273 B2 JP 7277273B2 JP 2019108902 A JP2019108902 A JP 2019108902A JP 2019108902 A JP2019108902 A JP 2019108902A JP 7277273 B2 JP7277273 B2 JP 7277273B2
- Authority
- JP
- Japan
- Prior art keywords
- molding
- design support
- mold
- unit
- shrinkage rate
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C33/00—Moulds or cores; Details thereof or accessories therefor
- B29C33/38—Moulds or cores; Details thereof or accessories therefor characterised by the material or the manufacturing process
- B29C33/3835—Designing moulds, e.g. using CAD-CAM
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/22—Moulding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
- Moulds For Moulding Plastics Or The Like (AREA)
Description
本発明は、機械学習装置、及び設計支援装置に関する。
プラスチック等の樹脂製品（以下、「成形品」ともいう）は、例えば、射出成形機が樹脂を金型に射出することにより成形される。換言すれば、金型を設計することにより、所望する様々な形状の成形品を成形することができる。
その金型の設計では、溶解した樹脂が当該金型（キャビティ）に流し込まれ冷却された後に、成形品として金型から取り出されるが、その冷却により樹脂の体積が縮む成形収縮を考慮して、金型（キャビティ）の大きさを成形品より大きく設計する必要がある。例えば、ＡＢＳ（アクリロニトリル・ブタジエン・スチレン）の成形収縮率は、４／１０００から９／１０００で、全長１０００ｍｍのものが４ｍｍから９ｍｍ縮む。
また、成形収縮率は、溶解した樹脂が金型内を流れ方向と、当該流れ方向に垂直な垂直方向とで異なる。すなわち、流れ方向は、成形収縮率が小さく、垂直方向は、成形収縮率が大きくなる。
さらに、成形収縮率は、樹脂に添加されるガラス繊維等の添加剤によっても大きく変化する。例えば、ポリフェニレンサルファイド（ＰＰＳ）に３０％のガラス繊維が配合される場合には、流れ方向の成形収縮率は０．３％から０．４％、垂直方向の成形収縮率は０．６％から０．７％となる。また、液晶ポリマー（ＬＣＰ）に４０％のガラス繊維が配合される場合には、流れ方向の成形収縮率は０．１％から０．１５％、垂直方向の成形収縮率は０．３％から０．５％となる。すなわち、垂直方向の成形収縮率は、流れ方向の成形収縮率より２倍から３倍程度大きくなる。
また、ガラス繊維が配合された樹脂では、成形収縮率が全ての方向で均等に発生せず、流れ方向に大きく依存する。これは、金型に流し込まれる際に配向が発生し、樹脂の分子とガラス繊維が一定方向に揃うことが原因と考えられる。
そこで、流動解析により成形品の体積収縮の分布と、残留応力解析により複屈折度の分布とを求めるとともに、複屈折度と成形収縮異方性の関係を測定し、複屈折度の分布に従って測定された収縮異方性にあわせて体積収縮率を流れ方向と垂直方向との成形収縮率に与え、成形品の成形収縮量と収縮方向の分布を予測する技術が知られている。例えば、特許文献１参照。
その金型の設計では、溶解した樹脂が当該金型（キャビティ）に流し込まれ冷却された後に、成形品として金型から取り出されるが、その冷却により樹脂の体積が縮む成形収縮を考慮して、金型（キャビティ）の大きさを成形品より大きく設計する必要がある。例えば、ＡＢＳ（アクリロニトリル・ブタジエン・スチレン）の成形収縮率は、４／１０００から９／１０００で、全長１０００ｍｍのものが４ｍｍから９ｍｍ縮む。
また、成形収縮率は、溶解した樹脂が金型内を流れ方向と、当該流れ方向に垂直な垂直方向とで異なる。すなわち、流れ方向は、成形収縮率が小さく、垂直方向は、成形収縮率が大きくなる。
さらに、成形収縮率は、樹脂に添加されるガラス繊維等の添加剤によっても大きく変化する。例えば、ポリフェニレンサルファイド（ＰＰＳ）に３０％のガラス繊維が配合される場合には、流れ方向の成形収縮率は０．３％から０．４％、垂直方向の成形収縮率は０．６％から０．７％となる。また、液晶ポリマー（ＬＣＰ）に４０％のガラス繊維が配合される場合には、流れ方向の成形収縮率は０．１％から０．１５％、垂直方向の成形収縮率は０．３％から０．５％となる。すなわち、垂直方向の成形収縮率は、流れ方向の成形収縮率より２倍から３倍程度大きくなる。
また、ガラス繊維が配合された樹脂では、成形収縮率が全ての方向で均等に発生せず、流れ方向に大きく依存する。これは、金型に流し込まれる際に配向が発生し、樹脂の分子とガラス繊維が一定方向に揃うことが原因と考えられる。
そこで、流動解析により成形品の体積収縮の分布と、残留応力解析により複屈折度の分布とを求めるとともに、複屈折度と成形収縮異方性の関係を測定し、複屈折度の分布に従って測定された収縮異方性にあわせて体積収縮率を流れ方向と垂直方向との成形収縮率に与え、成形品の成形収縮量と収縮方向の分布を予測する技術が知られている。例えば、特許文献１参照。
しかしながら、従来技術では、樹脂の種類、当該樹脂に配合される添加剤の種類、及びその配合率の要素が考慮されておらず、厳密な成形収縮率を算出することが困難な場合がある。また、金型の設計において、成形品の成形条件、及び流れ方向と垂直方向との成形収縮率を予め設定することは難しく、それなりの経験が作業員に求められる。このため、金型の設計では、金型の試作、試作した金型を用いた試射、試射された成形品のサイズ測定、そして金型の再設計（又は成形条件の調整）といった手順が繰り返し行われ、金型の試作数が増えるとともに、コストも増加するという問題がある。
そこで、金型の設計において、予め設定された成形条件に応じた成形収縮率を予測することが望まれている。
（１）本開示の機械学習装置の一態様は、任意の射出成形機による任意の成形品の成形における少なくとも樹脂の種類、添加剤の種類、前記添加剤の配合率、金型の表面温度、及び保圧と保圧時間との積を含む任意の成形条件を含む入力データを取得する入力データ取得部と、前記入力データに含まれる前記成形条件で成形された前記成形品において測定された樹脂の流れ方向の成形収縮率、及び前記流れ方向に垂直な垂直方向の成形収縮率、を示すラベルデータを取得するラベル取得部と、前記入力データ取得部により取得された入力データと、前記ラベル取得部により取得されたラベルデータと、を用いて、教師あり学習を実行し、学習済みモデルを生成する学習部と、を備える。
（２）本開示の設計支援装置の一態様は、（１）の機械学習装置により生成された学習済みモデルと、予め設定された成形条件を入力する入力部と、前記入力部により入力された前記成形条件を前記学習済みモデルに入力し、前記成形条件における前記流れ方向の成形収縮率、及び前記垂直方向の成形収縮率を予測する予測部と、を備える。
一態様によれば、金型の設計において、予め設定された成形条件に応じた成形収縮率を予測することができる。
以下、本開示の一実施形態について、図面を用いて説明する。
＜一実施形態＞
図１は、一実施形態に係る設計支援システムの機能的構成例を示す機能ブロック図である。図１に示すように、設計支援システムは、ＣＡＤ（Ｃｏｍｐｕｔｅｒ－Ａｉｄｅｄ Ｄｅｓｉｇｎ）装置１０、設計支援装置２０、及び機械学習装置３０を有する。
＜一実施形態＞
図１は、一実施形態に係る設計支援システムの機能的構成例を示す機能ブロック図である。図１に示すように、設計支援システムは、ＣＡＤ（Ｃｏｍｐｕｔｅｒ－Ａｉｄｅｄ Ｄｅｓｉｇｎ）装置１０、設計支援装置２０、及び機械学習装置３０を有する。
ＣＡＤ装置１０、設計支援装置２０、及び機械学習装置３０は、図示しない接続インタフェースを介して互いに直接接続されてもよい。また、ＣＡＤ装置１０、設計支援装置２０、及び機械学習装置３０は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やインターネット等の図示しないネットワークを介して相互に接続されていてもよい。この場合、ＣＡＤ装置１０、設計支援装置２０、及び機械学習装置３０は、かかる接続によって相互に通信を行うための図示しない通信部を備えている。なお、後述するように、ＣＡＤ装置１０は、設計支援装置２０及び機械学習装置３０を含むようにしてもよい。
ＣＡＤ装置１０は、コンピュータの画面上に製図を行うＣＡＤソフトウェアを、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を用いて動作させる。そして、ＣＡＤ装置１０は、予め設計された成形品のＣＡＤデータ、予め設定された成形条件、及び後述する設計支援装置２０により当該成形条件で予測された樹脂の流れ方向と垂直方向の成形収縮率に基づいて、当該成形品を成形する金型を製図（設計）する。金型の製図は２次元ＣＡＤ又は３次元ＣＡＤを用いて行われる。２次元ＣＡＤを用いる場合には、Ｘ、Ｙの平面上に、金型の正面図、上面図、側面図等を作製する。３次元ＣＡＤを用いる場合には、Ｘ、Ｙ及びＺの立体空間上に、金型の立体像を作成する。
設計支援装置２０は、運用フェーズにおいて、ＣＡＤ装置１０による金型の設計において、予め設定された成形条件を、ＣＡＤ装置１０から取得してもよい。設計支援装置２０は、取得した成形条件を、後述する機械学習装置３０から提供された学習済みモデルに入力することにより、流れ方向と垂直方向との成形収縮率を予測することができる。
なお、成形条件には、成形収縮率に対する影響の度合いが大きい、少なくとも樹脂（材料）の種類（エポキシ樹脂やポリウレタン樹脂等の熱硬化性樹脂、ポリエステルやポリ塩化ビニル等の熱可塑性樹脂）、添加剤の種類（ガラス繊維、安定剤、着色剤等）、添加剤の配合率、金型の表面温度、及び保圧と保圧時間との積が含まれる。
以下、成形条件に含まれる樹脂の種類、添加剤の種類、添加剤の配合率、金型の表面温度、及び保圧と保圧時間との積の各々と、成形収縮率との関係について簡単に説明する。
（１）樹脂（材料）の種類： 樹脂の材種によって基本的な収縮範囲が決まる。ただし、樹脂メーカや樹脂グレード等によって収縮に微妙な差がある。
（２）添加剤の種類及び配合率： ガラス繊維等が配合された樹脂では、成形収縮率が小さくなる傾向にある。また、前述したように、ガラス繊維等が配合された樹脂では、流れ方向の成形収縮率は、垂直方向の成形収縮率より小さくなる。
（３）金型の表面温度： 成形加工時の金型のキャビティの表面温度によって樹脂の成形収縮率は変化する。一般的に表面温度が高い方が、成形収縮率は大きくなる傾向がある。
（４）保圧と保圧時間との積： 樹脂充填後の保圧の高さと保圧時間との積によっても、成形収縮率は変化する。一般的に保圧が高く保圧時間が長いと、成形収縮率は小さくなる傾向がある。
（１）樹脂（材料）の種類： 樹脂の材種によって基本的な収縮範囲が決まる。ただし、樹脂メーカや樹脂グレード等によって収縮に微妙な差がある。
（２）添加剤の種類及び配合率： ガラス繊維等が配合された樹脂では、成形収縮率が小さくなる傾向にある。また、前述したように、ガラス繊維等が配合された樹脂では、流れ方向の成形収縮率は、垂直方向の成形収縮率より小さくなる。
（３）金型の表面温度： 成形加工時の金型のキャビティの表面温度によって樹脂の成形収縮率は変化する。一般的に表面温度が高い方が、成形収縮率は大きくなる傾向がある。
（４）保圧と保圧時間との積： 樹脂充填後の保圧の高さと保圧時間との積によっても、成形収縮率は変化する。一般的に保圧が高く保圧時間が長いと、成形収縮率は小さくなる傾向がある。
次に、設計支援装置２０を説明する前に、学習済みモデルを生成するための機械学習について説明する。
＜機械学習装置３０＞
機械学習装置３０は、例えば、予め、任意の射出成形機による任意の成形品の成形における任意の成形条件を、入力データとして取得する。
また、機械学習装置３０は、取得した入力データにおける成形条件で成形された成形品において測定された樹脂の流れ方向の成形収縮率、及び垂直方向の成形収縮率、をラベル（正解）として取得する。
機械学習装置３０は、取得した入力データとラベルとの組の訓練データにより教師あり学習を行い、後述する学習済みモデルを構築する。
そうすることで、機械学習装置３０は、構築した学習済みモデルを設計支援装置２０に提供することができる。
機械学習装置３０について、具体的に説明する。
＜機械学習装置３０＞
機械学習装置３０は、例えば、予め、任意の射出成形機による任意の成形品の成形における任意の成形条件を、入力データとして取得する。
また、機械学習装置３０は、取得した入力データにおける成形条件で成形された成形品において測定された樹脂の流れ方向の成形収縮率、及び垂直方向の成形収縮率、をラベル（正解）として取得する。
機械学習装置３０は、取得した入力データとラベルとの組の訓練データにより教師あり学習を行い、後述する学習済みモデルを構築する。
そうすることで、機械学習装置３０は、構築した学習済みモデルを設計支援装置２０に提供することができる。
機械学習装置３０について、具体的に説明する。
機械学習装置３０は、図１に示すように、入力データ取得部３０１、ラベル取得部３０２、学習部３０３、及び記憶部３０４を有する。
入力データ取得部３０１は、学習フェーズにおいて、図示しない通信部を介して、任意の射出成形機による任意の成形品における任意の成形条件を入力データとして、図示しない射出成形機や、当該射出成形機を制御する制御装置（図示しない）等から取得する。また、入力データ取得部３０１は、ＣＡＤ装置１０により設計された金型の試作品を用いて予め設定された成形条件で成形品が試射された場合、当該成形条件を入力データとして取得してもよい。入力データ取得部３０１は、取得した入力データを記憶部３０４に対して出力する。
入力データ取得部３０１は、学習フェーズにおいて、図示しない通信部を介して、任意の射出成形機による任意の成形品における任意の成形条件を入力データとして、図示しない射出成形機や、当該射出成形機を制御する制御装置（図示しない）等から取得する。また、入力データ取得部３０１は、ＣＡＤ装置１０により設計された金型の試作品を用いて予め設定された成形条件で成形品が試射された場合、当該成形条件を入力データとして取得してもよい。入力データ取得部３０１は、取得した入力データを記憶部３０４に対して出力する。
ラベル取得部３０２は、取得した入力データの成形条件で成形された成形品を金型から取り出した際の寸法チェック時に測定された樹脂の流れ方向の成形収縮率、及び垂直方向の成形収縮率を示すデータをラベルデータ（正解データ）として取得する。また、ラベル取得部３０２は、前述した金型の試作品を用いて予め設定された成形条件で成形品が試射された場合、当該成形品の寸法チェック時に測定された流れ方向の成形収縮率、及び垂直方向の成形収縮率を、ラベルデータ（正解データ）として取得してもよい。ラベル取得部３０２は、取得したラベルデータを記憶部３０４に対して出力する。
なお、流れ方向（又は垂直方向）の成形収縮率は、流れ方向（又は垂直方向）に沿った成形品の各部所と金型の各部所とのサイズを比較することにより算出することができる。
なお、流れ方向（又は垂直方向）の成形収縮率は、流れ方向（又は垂直方向）に沿った成形品の各部所と金型の各部所とのサイズを比較することにより算出することができる。
学習部３０３は、上述の入力データとラベルとの組を訓練データとして受け付け、受け付けた訓練データを用いて、教師あり学習を行うことにより、予め設定された成形条件に基づいて、樹脂の流れ方向の成形収縮率、及び垂直方向の成形収縮率を予測する学習済みモデル２５０を構築する。
そして、学習部３０３は、構築した学習済みモデル２５０を設計支援装置２０に対して提供する。
なお、教師あり学習を行うための訓練データは、多数用意されることが望ましい。例えば、顧客の工場等で実際に稼働している様々な場所の射出成形機や、当該射出成形機の制御装置のそれぞれから訓練データが取得されてもよい。
そして、学習部３０３は、構築した学習済みモデル２５０を設計支援装置２０に対して提供する。
なお、教師あり学習を行うための訓練データは、多数用意されることが望ましい。例えば、顧客の工場等で実際に稼働している様々な場所の射出成形機や、当該射出成形機の制御装置のそれぞれから訓練データが取得されてもよい。
図２は、図１の設計支援装置２０に提供される学習済みモデル２５０の一例を示す図である。ここでは、学習済みモデル２５０は、図２に示すように、樹脂の種類、添加剤の種類、添加剤の配合率、金型の表面温度、及び保圧と保圧時間との積の成形条件を入力層として、流れ方向の「成形収縮率」、及び垂直方向の「成形収縮率」を示すデータを出力層とする多層ニューラルネットワークを例示する。
また、学習部３０３は、学習済みモデル２５０を構築した後に、新たな訓練データを取得した場合には、学習済みモデル２５０に対してさらに教師あり学習を行うことにより、一度構築した学習済みモデル２５０を更新するようにしてもよい。
上述した教師あり学習は、オンライン学習で行ってもよく、バッチ学習で行ってもよく、ミニバッチ学習で行ってもよい。
オンライン学習とは、図示しない射出成形機による射出成形が行われ、訓練データが作成される都度、即座に教師あり学習を行うという学習方法である。また、バッチ学習とは、図示しない射出成形機による射出成形が行われ、訓練データが作成されることが繰り返される間に、繰り返しに応じた複数の訓練データを収集し、収集した全ての訓練データを用いて、教師あり学習を行うという学習方法である。さらに、ミニバッチ学習とは、オンライン学習と、バッチ学習の中間的な、ある程度訓練データが溜まるたびに教師あり学習を行うという学習方法である。
オンライン学習とは、図示しない射出成形機による射出成形が行われ、訓練データが作成される都度、即座に教師あり学習を行うという学習方法である。また、バッチ学習とは、図示しない射出成形機による射出成形が行われ、訓練データが作成されることが繰り返される間に、繰り返しに応じた複数の訓練データを収集し、収集した全ての訓練データを用いて、教師あり学習を行うという学習方法である。さらに、ミニバッチ学習とは、オンライン学習と、バッチ学習の中間的な、ある程度訓練データが溜まるたびに教師あり学習を行うという学習方法である。
記憶部３０４は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等であり、入力データ取得部３０１により取得された入力データ、ラベル取得部３０２により取得されたラベルデータ、及び学習部３０３により構築された学習済みモデル２５０等を記憶する。
以上、設計支援装置２０が備える学習済みモデル２５０を生成するための機械学習について説明した。
次に、運用フェーズにおける設計支援装置２０について説明する。
以上、設計支援装置２０が備える学習済みモデル２５０を生成するための機械学習について説明した。
次に、運用フェーズにおける設計支援装置２０について説明する。
＜運用フェーズにおける設計支援装置２０＞
図１に示すように、運用フェーズにおける設計支援装置２０は、入力部２０１、予測部２０２、出力部２０３、及び記憶部２０４を含んで構成される。
なお、設計支援装置２０は、図１の機能ブロックの動作を実現するために、ＣＰＵ等の図示しない演算処理装置を備える。また、設計支援装置２０は、各種の制御用プログラムを格納したＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やＨＤＤ等の図示しない補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのＲＡＭといった図示しない主記憶装置を備える。
図１に示すように、運用フェーズにおける設計支援装置２０は、入力部２０１、予測部２０２、出力部２０３、及び記憶部２０４を含んで構成される。
なお、設計支援装置２０は、図１の機能ブロックの動作を実現するために、ＣＰＵ等の図示しない演算処理装置を備える。また、設計支援装置２０は、各種の制御用プログラムを格納したＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やＨＤＤ等の図示しない補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのＲＡＭといった図示しない主記憶装置を備える。
そして、設計支援装置２０において、演算処理装置が補助記憶装置からＯＳやアプリケーションソフトウェアを読み込み、読み込んだＯＳやアプリケーションソフトウェアを主記憶装置に展開させながら、これらのＯＳやアプリケーションソフトウェアに基づいた演算処理を行なう。この演算結果に基づいて、設計支援装置２０が各ハードウェアを制御する。これにより、図１の機能ブロックによる処理は実現される。つまり、設計支援装置２０は、ハードウェアとソフトウェアが協働することにより実現することができる。
入力部２０１は、ＣＡＤ装置１０による金型の設計時（又は再設計時）に、例えば、ＣＡＤ装置１０から予め設定された成形条件を入力する。入力部２０１は、入力された成形条件を予測部２０２に対して出力する。
予測部２０２は、入力部２０１から取得した成形条件を、図２の学習済みモデル２５０に入力し、予め設計された成形品における樹脂の流れ方向の成形収縮率、及び垂直方向の成形収縮率を予測する。
出力部２０３は、予測部２０２により予測された流れ方向の成形収縮率、及び垂直方向の成形収縮率を、ＣＡＤ装置１０に含まれる液晶ディスプレイ等の出力装置（図示しない）に出力してもよい。なお、出力部２０３は、スピーカ（図示せず）を介して音声により出力してもよい。
そうすることで、ＣＡＤ装置１０は、予め設計された成形品のＣＡＤデータ、予め設定された成形条件、及び予測された流れ方向と垂直方向との成形収縮率に基づいて、金型（キャビティ）の寸法を算出し金型を設計することができる。その後、設計された金型が試作された場合、試作された金型を用いて試射され、試射された成形品の寸法チェック時に流れ方向の成形収縮率、及び垂直方向の成形収縮率が測定される。この場合、機械学習装置３０において、入力データ取得部３０１は予め設定された成形条件を入力データとして取得し、ラベル取得部３０２は測定された流れ方向の成形収縮率、及び垂直方向の成形収縮率をラベルとして取得する。そして、学習部３０３は、入力データとラベルとの組を新たな訓練データとして受け付け、教師あり学習を行うことにより、学習済みモデル２５０を更新する。
なお、予め設定された成形条件が調整され、同じ試作された金型を用いて成形品が試射された場合も、入力データ取得部３０１は調整された成形条件を入力データとして取得し、ラベル取得部３０２は測定された流れ方向の成形収縮率、及び垂直方向の成形収縮率をラベルとして取得してもよい。学習部３０３は、入力データとラベルとの組を新たな訓練データとして受け付け、教師あり学習を行うことにより、学習済みモデル２５０を更新してもよい。
なお、予め設定された成形条件が調整され、同じ試作された金型を用いて成形品が試射された場合も、入力データ取得部３０１は調整された成形条件を入力データとして取得し、ラベル取得部３０２は測定された流れ方向の成形収縮率、及び垂直方向の成形収縮率をラベルとして取得してもよい。学習部３０３は、入力データとラベルとの組を新たな訓練データとして受け付け、教師あり学習を行うことにより、学習済みモデル２５０を更新してもよい。
そして、ＣＡＤ装置１０により金型が再設計される場合、入力部２０１は、ＣＡＤ装置１０から予め設定された成形条件を入力する。予測部２０２は、入力された成形条件を更新された学習済みモデル２５０に入力することで、新たな流れ方向の成形収縮率、及び垂直方向の成形収縮率を予測する。
すなわち、ＣＡＤ装置１０により金型が設計され、設計された金型が試作され、試作された金型を用いて成形品が試射され、試射された成形品の寸法チェック時に流れ方向と垂直方向との成形収縮率が測定されるといった手順が繰り返し行われる度に、学習済みモデル２５０が更新される。これにより、設計支援装置２０が学習済みモデル２５０を用いて予測する流れ方向の成形収縮率、及び垂直方向の成形収縮率の精度が向上するため、少ない金型の試作数で、最終的な金型の形状、及び最終的な成形条件を決定することができる。
すなわち、ＣＡＤ装置１０により金型が設計され、設計された金型が試作され、試作された金型を用いて成形品が試射され、試射された成形品の寸法チェック時に流れ方向と垂直方向との成形収縮率が測定されるといった手順が繰り返し行われる度に、学習済みモデル２５０が更新される。これにより、設計支援装置２０が学習済みモデル２５０を用いて予測する流れ方向の成形収縮率、及び垂直方向の成形収縮率の精度が向上するため、少ない金型の試作数で、最終的な金型の形状、及び最終的な成形条件を決定することができる。
記憶部２０４は、ＲＯＭやＨＤＤ等であり、各種の制御用プログラムとともに、学習済みモデル２５０を記憶してもよい。
＜運用フェーズにおける設計支援装置２０の予測処理＞
次に、本実施形態に係る設計支援装置２０の予測処理に係る動作について説明する。
図３は、運用フェーズにおける設計支援装置２０の予測処理について説明するフローチャートである。
次に、本実施形態に係る設計支援装置２０の予測処理に係る動作について説明する。
図３は、運用フェーズにおける設計支援装置２０の予測処理について説明するフローチャートである。
ステップＳ１１において、入力部２０１は、ＣＡＤ装置１０による金型の設計時（又は再設計時）に、ＣＡＤ装置１０から、予め設定された成形条件を入力する。
ステップＳ１２において、予測部２０２は、ステップＳ１１で入力された成形条件を学習済みモデル２５０に入力し、予め設計された成形品における樹脂の流れ方向の成形収縮率、及び垂直方向の成形収縮率を予測する。
ステップＳ１３において、出力部２０３は、ステップＳ１２で予測された流れ方向と垂直方向との成形収縮率を、ＣＡＤ装置１０に出力する。
以上により、一実施形態に係る設計支援装置２０は、予め設計された成形品の金型の設計時（又は再設計時）に、予め設定された成形条件を学習済みモデル２５０に入力することにより、当該成形条件に応じた成形収縮率を予測することができる。
また、設計支援装置２０は、予測された流れ方向と垂直方向との成形収縮率を、ＣＡＤ装置１０に出力することにより、ＣＡＤ装置１０は、予め設計された成形品のＣＡＤデータ、予め設定された成形条件、及び予測された流れ方向と垂直方向との成形収縮率に基づいて、金型を設計することができる。そして、金型の試作、試作した金型を用いた成形品の試射、試射された成形品のサイズ測定、金型の再設計といった手順が繰り返し行われる度に、機械学習装置３０により学習済みモデル２５０が更新される。これにより、設計支援装置２０が学習済みモデル２５０を用いて予測する流れ方向の成形収縮率、及び垂直方向の成形収縮率の精度が向上するため、金型の試作数を減らすことができ、成形品のコストの削減が可能となる。また、試作した金型を用いた試射する時間コストも削減することができる。
また、設計支援装置２０は、学習済みモデル２５０を用いることにより、作業員が設計された成形品における樹脂の流れ方向と垂直方向との成形収縮率を予測する必要がなくなり、作業員の負担を軽減することができる。
また、設計支援装置２０は、予測された流れ方向と垂直方向との成形収縮率を、ＣＡＤ装置１０に出力することにより、ＣＡＤ装置１０は、予め設計された成形品のＣＡＤデータ、予め設定された成形条件、及び予測された流れ方向と垂直方向との成形収縮率に基づいて、金型を設計することができる。そして、金型の試作、試作した金型を用いた成形品の試射、試射された成形品のサイズ測定、金型の再設計といった手順が繰り返し行われる度に、機械学習装置３０により学習済みモデル２５０が更新される。これにより、設計支援装置２０が学習済みモデル２５０を用いて予測する流れ方向の成形収縮率、及び垂直方向の成形収縮率の精度が向上するため、金型の試作数を減らすことができ、成形品のコストの削減が可能となる。また、試作した金型を用いた試射する時間コストも削減することができる。
また、設計支援装置２０は、学習済みモデル２５０を用いることにより、作業員が設計された成形品における樹脂の流れ方向と垂直方向との成形収縮率を予測する必要がなくなり、作業員の負担を軽減することができる。
以上、一実施形態について説明したが、設計支援装置２０、及び機械学習装置３０は、上述の実施形態に限定されるものではなく、目的を達成できる範囲での変形、改良等を含む。
＜変形例１＞
上述の実施形態では、機械学習装置３０は、ＣＡＤ装置１０、及び設計支援装置２０と異なる装置として例示したが、機械学習装置３０の一部又は全部の機能を、ＣＡＤ装置１０、又は設計支援装置２０が備えるようにしてもよい。
上述の実施形態では、機械学習装置３０は、ＣＡＤ装置１０、及び設計支援装置２０と異なる装置として例示したが、機械学習装置３０の一部又は全部の機能を、ＣＡＤ装置１０、又は設計支援装置２０が備えるようにしてもよい。
＜変形例２＞
また例えば、上述の実施形態では、設計支援装置２０は、ＣＡＤ装置１０と異なる装置として例示したが、設計支援装置２０の一部又は全部の機能を、ＣＡＤ装置１０が備えるようにしてもよい。
あるいは、設計支援装置２０の入力部２０１、予測部２０２、出力部２０３及び記憶部２０４の一部又は全部を、例えば、サーバが備えるようにしてもよい。また、クラウド上で仮想サーバ機能等を利用して、設計支援装置２０の各機能を実現してもよい。
さらに、設計支援装置２０は、設計支援装置２０の各機能を適宜複数のサーバに分散される、分散処理システムとしてもよい。
また例えば、上述の実施形態では、設計支援装置２０は、ＣＡＤ装置１０と異なる装置として例示したが、設計支援装置２０の一部又は全部の機能を、ＣＡＤ装置１０が備えるようにしてもよい。
あるいは、設計支援装置２０の入力部２０１、予測部２０２、出力部２０３及び記憶部２０４の一部又は全部を、例えば、サーバが備えるようにしてもよい。また、クラウド上で仮想サーバ機能等を利用して、設計支援装置２０の各機能を実現してもよい。
さらに、設計支援装置２０は、設計支援装置２０の各機能を適宜複数のサーバに分散される、分散処理システムとしてもよい。
＜変形例３＞
また例えば、上述の実施形態では、予め設定された成形条件は、樹脂（材料）の種類（エポキシ樹脂等の熱硬化性樹脂や、ポリエステル等の熱可塑性樹脂）、添加剤の種類（ガラス繊維、安定剤、着色剤等）、添加剤の配合率、金型の表面温度、及び保圧と保圧時間との積を含むとしたが、これに限定されない。
例えば、保圧と保圧時間との積は、樹脂充填後の冷却時間を考慮して設定されるが、成形条件は、保圧と保圧時間との積とともに、冷却時間を独立したパラメータとして含んでもよい。
また、金型の表面温度は、樹脂充填後の冷却速度を考慮して設定されるが、成形条件は、金型の表面温度とともに、冷却速度を独立したパラメータとして含んでもよい。
また、成形条件は、予め設計された成形品のＣＡＤデータが示す成形品の肉厚の情報を含んでもよい。
また例えば、上述の実施形態では、予め設定された成形条件は、樹脂（材料）の種類（エポキシ樹脂等の熱硬化性樹脂や、ポリエステル等の熱可塑性樹脂）、添加剤の種類（ガラス繊維、安定剤、着色剤等）、添加剤の配合率、金型の表面温度、及び保圧と保圧時間との積を含むとしたが、これに限定されない。
例えば、保圧と保圧時間との積は、樹脂充填後の冷却時間を考慮して設定されるが、成形条件は、保圧と保圧時間との積とともに、冷却時間を独立したパラメータとして含んでもよい。
また、金型の表面温度は、樹脂充填後の冷却速度を考慮して設定されるが、成形条件は、金型の表面温度とともに、冷却速度を独立したパラメータとして含んでもよい。
また、成形条件は、予め設計された成形品のＣＡＤデータが示す成形品の肉厚の情報を含んでもよい。
＜変形例４＞
また例えば、上述の実施形態では、設計支援装置２０は、機械学習装置３０から提供された学習済みモデル２５０を用いて、１つのＣＡＤ装置１０から取得した成形条件に基づいて樹脂の流れ方向と垂直方向との成形収縮率を予測したが、これに限定されない。例えば、図４に示すように、サーバ５０は、機械学習装置３０により生成された学習済みモデル２５０を記憶し、ネットワーク６０に接続されたｍ個の設計支援装置２０Ａ（１）－２０Ａ（ｍ）と学習済みモデル２５０を共有してもよい（ｍは２以上の整数）。これにより、新たなＣＡＤ装置、及び設計支援装置が配置されても学習済みモデル２５０を適用することができる。
なお、設計支援装置２０Ａ（１）－２０Ａ（ｍ）の各々は、ＣＡＤ装置１０Ａ（１）－１０Ａ（ｍ）の各々と接続される。
また、ＣＡＤ装置１０Ａ（１）－１０Ａ（ｍ）の各々は、図１のＣＡＤ装置１０に対応する。設計支援装置２０Ａ（１）－２０Ａ（ｍ）の各々は、図１の設計支援装置２０に対応する。
あるいは、図５に示すように、サーバ５０は、例えば、設計支援装置２０として動作し、ネットワーク６０に接続されたＣＡＤ装置１０Ａ（１）－１０Ａ（ｍ）の各々に対して、取得した成形条件に基づいて流れ方向と垂直方向との成形収縮率を予測してもよい。これにより、新たなＣＡＤ装置が配置されても学習済みモデル２５０を適用することができる。
また例えば、上述の実施形態では、設計支援装置２０は、機械学習装置３０から提供された学習済みモデル２５０を用いて、１つのＣＡＤ装置１０から取得した成形条件に基づいて樹脂の流れ方向と垂直方向との成形収縮率を予測したが、これに限定されない。例えば、図４に示すように、サーバ５０は、機械学習装置３０により生成された学習済みモデル２５０を記憶し、ネットワーク６０に接続されたｍ個の設計支援装置２０Ａ（１）－２０Ａ（ｍ）と学習済みモデル２５０を共有してもよい（ｍは２以上の整数）。これにより、新たなＣＡＤ装置、及び設計支援装置が配置されても学習済みモデル２５０を適用することができる。
なお、設計支援装置２０Ａ（１）－２０Ａ（ｍ）の各々は、ＣＡＤ装置１０Ａ（１）－１０Ａ（ｍ）の各々と接続される。
また、ＣＡＤ装置１０Ａ（１）－１０Ａ（ｍ）の各々は、図１のＣＡＤ装置１０に対応する。設計支援装置２０Ａ（１）－２０Ａ（ｍ）の各々は、図１の設計支援装置２０に対応する。
あるいは、図５に示すように、サーバ５０は、例えば、設計支援装置２０として動作し、ネットワーク６０に接続されたＣＡＤ装置１０Ａ（１）－１０Ａ（ｍ）の各々に対して、取得した成形条件に基づいて流れ方向と垂直方向との成形収縮率を予測してもよい。これにより、新たなＣＡＤ装置が配置されても学習済みモデル２５０を適用することができる。
なお、一の実施形態における、設計支援装置２０、及び機械学習装置３０に含まれる各機能は、ハードウェア、ソフトウェア又はこれらの組み合わせによりそれぞれ実現することができる。ここで、ソフトウェアによって実現されるとは、コンピュータがプログラムを読み込んで実行することにより実現されることを意味する。
設計支援装置２０、及び機械学習装置３０に含まれる各構成部は、電子回路等を含むハードウェア、ソフトウェア又はこれらの組み合わせにより実現することができる。ソフトウェアによって実現される場合には、このソフトウェアを構成するプログラムが、コンピュータにインストールされる。また、これらのプログラムは、リムーバブルメディアに記録されてユーザに配布されてもよいし、ネットワークを介してユーザのコンピュータにダウンロードされることにより配布されてもよい。また、ハードウェアで構成する場合、上記の装置に含まれる各構成部の機能の一部又は全部を、例えば、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ゲートアレイ、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＣＰＬＤ（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）等の集積回路（ＩＣ）で構成することができる。
プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（Ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（Ｔａｎｇｉｂｌｅ ｓｔｏｒａｇｅ ｍｅｄｉｕｍ）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えば、フレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば、光磁気ディスク）、ＣＤ－ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ ＰＲＯＭ）、フラッシュＲＯＭ、ＲＡＭを含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（Ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は、無線通信路を介して、プログラムをコンピュータに供給できる。
なお、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。
以上を換言すると、本開示の機械学習装置、及び設計支援装置は、次のような構成を有する各種各様の実施形態を取ることができる。
（１）本開示の機械学習装置３０は、任意の射出成形機による任意の成形品の成形における少なくとも樹脂の種類、添加剤の種類、添加剤の配合率、金型の表面温度、及び保圧と保圧時間との積を含む任意の成形条件を含む入力データを取得する入力データ取得部３０１と、入力データに含まれる成形条件で成形された成形品において測定された樹脂の流れ方向の成形収縮率、及び流れ方向に垂直な垂直方向の成形収縮率、を示すラベルデータを取得するラベル取得部３０２と、入力データ取得部３０１により取得された入力データと、ラベル取得部３０２により取得されたラベルデータと、を用いて、教師あり学習を実行し、学習済みモデル２５０を生成する学習部３０３と、を備える。
この機械学習装置３０によれば、成形品における流れ方向の成形収縮率、及び垂直方向の成形収縮率を予測する学習済みモデル２５０を生成することができる。
（１）本開示の機械学習装置３０は、任意の射出成形機による任意の成形品の成形における少なくとも樹脂の種類、添加剤の種類、添加剤の配合率、金型の表面温度、及び保圧と保圧時間との積を含む任意の成形条件を含む入力データを取得する入力データ取得部３０１と、入力データに含まれる成形条件で成形された成形品において測定された樹脂の流れ方向の成形収縮率、及び流れ方向に垂直な垂直方向の成形収縮率、を示すラベルデータを取得するラベル取得部３０２と、入力データ取得部３０１により取得された入力データと、ラベル取得部３０２により取得されたラベルデータと、を用いて、教師あり学習を実行し、学習済みモデル２５０を生成する学習部３０３と、を備える。
この機械学習装置３０によれば、成形品における流れ方向の成形収縮率、及び垂直方向の成形収縮率を予測する学習済みモデル２５０を生成することができる。
（２）本開示の設計支援装置２０は、（１）の機械学習装置３０により生成された学習済みモデル２５０と、予め設定された成形条件を入力する入力部２０１と、入力部２０１により入力された成形条件を学習済みモデル２５０に入力し、成形条件における流れ方向の成形収縮率、及び垂直方向の成形収縮率を予測する予測部２０２と、を備える。
この設計支援装置２０によれば、金型の設計において、設計する金型で成形する成形品における成形収縮率を予測することができる。
この設計支援装置２０によれば、金型の設計において、設計する金型で成形する成形品における成形収縮率を予測することができる。
（３）学習済みモデル２５０を、設計支援装置２０からネットワークを介してアクセス可能に接続されるサーバ５０に備えてもよい。
そうすることで、新たなＣＡＤ装置１０、及び設計支援装置２０が配置されても学習済みモデル２５０を適用することができる。
そうすることで、新たなＣＡＤ装置１０、及び設計支援装置２０が配置されても学習済みモデル２５０を適用することができる。
（４）機械学習装置３０を備えてもよい。
そうすることで、上述の（１）から（３）のいずれかと同様の効果を奏することができる。
そうすることで、上述の（１）から（３）のいずれかと同様の効果を奏することができる。
１０ ＣＡＤ装置
２０ 設計支援装置
２０１ 入力部
２０２ 予測部
２５０ 学習済みモデル
３０ 機械学習装置
３０１ 入力データ取得部
３０２ ラベル取得部
３０３ 学習部
５０ サーバ
２０ 設計支援装置
２０１ 入力部
２０２ 予測部
２５０ 学習済みモデル
３０ 機械学習装置
３０１ 入力データ取得部
３０２ ラベル取得部
３０３ 学習部
５０ サーバ
Claims (4)
- 任意の射出成形機による任意の成形品の成形における少なくとも樹脂の種類、添加剤の種類、前記添加剤の配合率、金型の表面温度、及び保圧と保圧時間との積を含む任意の成形条件を含む入力データを取得する入力データ取得部と、
前記入力データに含まれる前記成形条件で成形された前記成形品において測定された樹脂の流れ方向の成形収縮率、及び前記流れ方向に垂直な垂直方向の成形収縮率、を示すラベルデータを取得するラベル取得部と、
前記入力データ取得部により取得された入力データと、前記ラベル取得部により取得されたラベルデータと、を用いて、教師あり学習を実行し、学習済みモデルを生成する学習部と、
を備える機械学習装置。 - 請求項１に記載の機械学習装置により生成された学習済みモデルと、
予め設定された成形条件を入力する入力部と、
前記入力部により入力された前記成形条件を前記学習済みモデルに入力し、前記成形条件における前記流れ方向の成形収縮率、及び前記垂直方向の成形収縮率を予測する予測部と、
を備える設計支援装置。 - 前記学習済みモデルを、前記設計支援装置からネットワークを介してアクセス可能に接続されるサーバに備える、請求項２記載の設計支援装置。
- 請求項１に記載の機械学習装置を備える、請求項２又は請求項３に記載の設計支援装置。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019108902A JP7277273B2 (ja) | 2019-06-11 | 2019-06-11 | 機械学習装置、及び設計支援装置 |
| DE102020206459.8A DE102020206459A1 (de) | 2019-06-11 | 2020-05-25 | Maschinenlerneinrichtung und eine Entwurfsunterstützungseinrichtung |
| US16/883,054 US11602876B2 (en) | 2019-06-11 | 2020-05-26 | Machine learning device and design support device |
| CN202010500581.0A CN112069722A (zh) | 2019-06-11 | 2020-06-04 | 机器学习装置以及设计辅助装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019108902A JP7277273B2 (ja) | 2019-06-11 | 2019-06-11 | 機械学習装置、及び設計支援装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020199714A JP2020199714A (ja) | 2020-12-17 |
| JP7277273B2 true JP7277273B2 (ja) | 2023-05-18 |
Family
ID=73657106
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019108902A Active JP7277273B2 (ja) | 2019-06-11 | 2019-06-11 | 機械学習装置、及び設計支援装置 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11602876B2 (ja) |
| JP (1) | JP7277273B2 (ja) |
| CN (1) | CN112069722A (ja) |
| DE (1) | DE102020206459A1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2023119452A (ja) * | 2022-02-16 | 2023-08-28 | 株式会社日立製作所 | システム、配合比決定方法およびプログラム |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009233881A (ja) | 2008-03-26 | 2009-10-15 | Polyplastics Co | 射出成形プロセス解析方法 |
| JP2019014187A (ja) | 2017-07-10 | 2019-01-31 | 株式会社日本製鋼所 | 計算機と複数台の射出成形機とからなる射出成形機システム |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05309711A (ja) * | 1992-04-03 | 1993-11-22 | Sony Corp | 成形制御方法および装置 |
| JP2007083602A (ja) | 2005-09-22 | 2007-04-05 | Sanko Gosei Ltd | 射出成形品の成形収縮率予測方法 |
| JP4167282B2 (ja) | 2006-10-27 | 2008-10-15 | 日精樹脂工業株式会社 | 射出成形機の支援装置 |
| JP7159758B2 (ja) * | 2018-09-27 | 2022-10-25 | 株式会社ジェイテクト | 成形条件決定支援装置および射出成形機 |
| US11443202B2 (en) * | 2019-07-03 | 2022-09-13 | Google Llc | Real-time on the fly generation of feature-based label embeddings via machine learning |
-
2019
- 2019-06-11 JP JP2019108902A patent/JP7277273B2/ja active Active
-
2020
- 2020-05-25 DE DE102020206459.8A patent/DE102020206459A1/de active Pending
- 2020-05-26 US US16/883,054 patent/US11602876B2/en active Active
- 2020-06-04 CN CN202010500581.0A patent/CN112069722A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009233881A (ja) | 2008-03-26 | 2009-10-15 | Polyplastics Co | 射出成形プロセス解析方法 |
| JP2019014187A (ja) | 2017-07-10 | 2019-01-31 | 株式会社日本製鋼所 | 計算機と複数台の射出成形機とからなる射出成形機システム |
Also Published As
| Publication number | Publication date |
|---|---|
| US11602876B2 (en) | 2023-03-14 |
| US20200391414A1 (en) | 2020-12-17 |
| JP2020199714A (ja) | 2020-12-17 |
| DE102020206459A1 (de) | 2021-01-14 |
| CN112069722A (zh) | 2020-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5811133A (en) | Injection molding apparatus for predicting deformation amount in injection-molded article | |
| Kim et al. | Residual stress distributions and their influence on post-manufacturing deformation of injection-molded plastic parts | |
| JP6825055B2 (ja) | 射出成形支援システム、成形条件補正システム、射出成形支援方法、成形条件補正方法およびコンピュータプログラム | |
| US20200307053A1 (en) | Injection molding system, molding condition correction system, and injection molding method | |
| US9919465B1 (en) | Molding system for preparing an injection molded fiber reinforced composite article | |
| US10562218B2 (en) | Method for setting up a molding system | |
| JP7277273B2 (ja) | 機械学習装置、及び設計支援装置 | |
| US9862133B1 (en) | Molding system for preparing an injection molded fiber reinforced composite article | |
| US10384386B2 (en) | Method for setting up a molding system | |
| CN111745925B (zh) | 注塑成型解析方法及注塑成型解析系统 | |
| CN112770890A (zh) | 控制用于加工塑料的机器的方法 | |
| CN115938507A (zh) | 注射成型翘曲预测 | |
| US11986986B2 (en) | Injection molding system and setting support method for injection molding machine | |
| JP6618069B2 (ja) | 複合成形品の設計支援装置、複合成形品の製造方法、コンピュータ・ソフトウェア、記憶媒体 | |
| CN112060520B (zh) | 机器学习装置、预测装置以及控制装置 | |
| WO2024111172A1 (ja) | 成形品品質ばらつき推定装置、成形品品質ばらつき推定方法、及び射出成形システム | |
| JP5889077B2 (ja) | 成形品収縮変形予測装置、成形品収縮変形予測方法及び成形品収縮変形予測プログラム | |
| WO2023238492A1 (ja) | システム、超臨界射出成形支援方法およびプログラム | |
| CN116050220B (zh) | 基于sdas分布的转向节疲劳耐久仿真分析方法与装置 | |
| WO2024111171A1 (ja) | 射出成形条件生成装置、射出成形条件生成方法、及び射出成形システム | |
| JP2022113537A (ja) | 樹脂成形品解析方法およびプログラム | |
| Moritzer et al. | Validation and Comparison of Fem-Simulation Results of the Fused Deposition Modeling Process under Consideration of Different Mesh Resolutions | |
| Huang et al. | Development and Application of Simulation Software | |
| Fan et al. | Geometric nonlinearity in 3D warpage simulation of injection molded plastics | |
| JP2022081208A (ja) | 樹脂成形品解析方法、プログラム、記録媒体および樹脂成形品解析装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220317 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221220 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230110 |
|
| 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: 20230404 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230508 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7277273 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |