JP7293962B2 - 成形品の品質異常予測システム - Google Patents

Description

本発明は、成形品の品質異常予測システムに関する。

成形機の型に加熱溶融した成形材料（溶融材料）を供給し、成形品を成形する技術が知られている。溶融材料は、型のキャビティに射出され且つ充填された状態で保圧及び冷却されることにより固化し、キャビティの形状に応じた形状に成形される。ここで、成形品の品質は、溶融材料の流動性を考慮して成形品を成形する際の成形条件を変更することにより確保される。このとき、溶融材料の流動性は種々の条件に依存して必ずしも一定ではなく、成形品の品質異常を予測するには、豊富な知識や経験が必要とされる。

例えば、下記特許文献１には、成形品の品質要素の１つである質量が溶融材料の流動性に起因して変化することを防止するために機械学習を用いた技術が開示されている。特許文献１に開示された技術では、溶融材料の射出中においてスクリュ側への溶融材料の逆流を防ぐ逆流防止弁の摩耗量を機械学習を利用して高精度に推定するようになっている。

特開２０１７－２０２６３２号公報

発明者は、キャビティに供給された溶融材料から型が受ける圧力を把握することで、溶融材料の流動性に関連する成形品の品質要素の異常を予測できることを見出した。又、機械学習を用いることで成形品の品質要素の異常の予測精度が向上することを見出した。

本発明は、機械学習を用いて、品質要素の異常を予測する品質異常予測システムを提供することを目的とする。

本発明に係る成形品の品質異常予測システムは、成形機の型のキャビティに成形材料を溶融した溶融材料を供給することにより成形品を成形する成形方法に適用され、型に配置され、キャビティにおいて供給された溶融材料から受ける圧力を検出する第一圧力センサと、少なくとも第一圧力センサによって検出された圧力データを用いて取得される時間であってキャビティ内に溶融材料の充填が開始されてから完了するまでに要する充填時間を訓練データセットとする機械学習により生成された学習済みモデルであって、充填時間と成形材料の吸水に起因する成形品の品質要素とに関する学習済みモデルを記憶する学習済みモデル記憶部と、新たに第一圧力センサにより検出された圧力データを用いて取得された充填時間と学習済みモデルとに基づいて、新たに成形した成形品の品質要素の異常を予測する異常予測部と、を備える。

これによれば、キャビティに溶融樹脂を充填する際の充填時間及び成形品の品質要素を訓練データセットとする機械学習を行うことにより生成された学習済みモデルを用いて、品質要素の異常を精度よく予測することができる。ここで、生成された学習済みモデルは、少なくとも、溶融材料の流動性に関連する充填時間と成形品の品質要素との関係を定義するモデルとなる。従って、製造途中において、成形品の成形時における充填時間と生成された学習済みモデルとに基づくことによって、成形品の品質要素を予測することができる。

品質異常予測システムの構成を示す図である。 成形機（射出成形機）を示す図である。 図２に示す型を拡大した図である。 図３のＩＶ－ＩＶ線における型の断面図である。 品質異常予測システムを示すブロック図である。 充填時間を説明するための図である。 充填時間を説明するための図である。 充填時間を説明するための図である。 ポリアミド６６のＰＶＴ（Pressure-Volume-Temperature）線図である。 成形温度を変化させた場合の時間と圧力との関係を示すグラフである。 粘度を変化させた場合の時間と圧力との関係を示すグラフである。 成形材料が吸水した水分量の増加に伴う充填時間の短縮を説明するための図である。 品質異常予測システムとしての成形不良予測システムを示すブロック図である。 充填時間の良否判定を説明するための図である。 低温域における充填時間の良否判定を説明するための図である。 中温域における充填時間の良否判定を説明するための図である。 高温域における充填時間の良否判定を説明するための図である。

（１．品質異常予測システムの適用対象）
品質異常予測システムは、成形機の型のキャビティに溶融材料を供給することにより成形品を成形する成形方法に適用される。本例では、成形機１が成形材料である樹脂又はゴム等の射出成形を行う射出成形機である場合を例に挙げて説明するが、成形機１は、射出成形機以外の成形機、例えば、ブロー成形機や圧縮成形機であっても良い。尚、成形材料である樹脂については、単体のポリアミド等の熱可塑性樹脂や、熱可塑性樹脂の基材に充填剤を添加した強化樹脂を例示することができる。充填剤としては、ミクロンサイズ又はナノサイズのフィラーを挙げることができる。フィラーとしては、例えば、ガラス繊維や炭素繊維等を挙げることができる。

（２．品質異常予測システム１００の構成）
品質異常予測システム１００は、１又は複数の成形機１と、機械学習装置１１０とを備えて構成される。機械学習装置１１０は、少なくとも成形機１において検出された成形時データである圧力データに基づいて得られる充填時間を訓練データセットとして機械学習を行うことにより、充填時間と成形品の品質要素とに関する学習済みモデルを生成する。そして、機械学習装置１１０は、学習済みモデルと、新たな充填時間とに基づいて、新たに成形された成形品の品質要素を予測する。

品質異常予測システム１００は、図１に示すように、複数の成形機１と、機械学習装置１１０とを備える。機械学習装置１１０は、第一サーバ１１１と、第二サーバ１１２とを備える。但し、第一サーバ１１１と第二サーバ１１２とは、別装置として説明するが、同一装置によって構成することも可能である。

第一サーバ１１１は、機械学習における学習フェーズとして機能する。第一サーバ１１１は、取得した訓練データセットを用いた機械学習により学習済みモデルを生成する。第一サーバ１１１は、複数の成形機１と通信可能に設けられ、複数の成形機１の各々が成形品を成形した際に得られた成形時データを、訓練データセットの一部として取得する。成形時データには、例えば、圧力データ、成形条件に関するデータ等が含まれる。圧力データは、型に供給された溶融材料から型が受ける圧力を示すデータである。

第一サーバ１１１は、更に、複数の成形機１の各々が成形した成形品の品質要素に関するデータ（以下、「品質要素データ」と称呼する。）を、訓練データセットにおける教師データとして取得する。そして、第一サーバ１１１は、教師あり学習を行うことにより、成形時データと成形品の品質要素とに関する学習済みモデルを生成する。尚、第一サーバ１１１における機械学習は、教師あり学習の場合を例に挙げて説明するが、他の機械学習アルゴリズムを適用することも可能である。

第一サーバ１１１は、計測器（図示省略）により計測された品質要素データを作業者が入力することによって取得するようにしても良い。又、第一サーバ１１１は、計測器によって計測された品質要素データを、計測器から直接取得するようにしても良い。品質要素データは、対応する成形品に紐付けされたデータである。品質要素データは、例えば、成形品の各種寸法、質量、ボイド体積等が例示される。

このように、品質異常予測システム１００において、第一サーバ１１１は、複数の成形機１の各々が成形品を成形した際に得られる成形時データ及び品質要素データを取得する。これにより、第一サーバ１１１は、多量の成形時データ及び品質要素データを訓練データセットとする機械学習により、学習済みモデルを生成する。従って、第一サーバ１１１は、学習済みモデルの学習精度を向上させることができ、学習済みモデルの高精度化を図ることができる。

第二サーバ１１２は、機械学習における推論フェーズとして機能する。第二サーバ１１２は、第一サーバ１１１により生成された学習済みモデルを取得する。更に、第二サーバ１１２は、複数の成形機１の各々に通信可能に設けられる。そして、第二サーバ１１２は、第一サーバ１１１により生成された学習済みモデルを用い、且つ、複数の成形機１の各々が新たに成形品を成形した際の成形時データを入力データとし、新たに成形した成形品の品質要素を予測して出力データとして出力する。

第二サーバ１１２によって予測された成形品の品質要素は、成形機１に送信し、成形機１の成形条件を調整することに用いても良い。又、予測された成形品の品質要素が不良であると判断された場合には、成形機が不良であると判断された成形品の廃棄処理又は選別処理を行うようにしても良い。

ここで、図示を省略するが、複数の成形機１の各々に対して、第二サーバ１１２と同様の処理を行う品質予測装置を配置することもできる。即ち、品質予測装置は、第二サーバ１１２と同様に、機械学習における推論フェーズを実行する。そして、品質予測装置は、対応する成形機１における成形時データと、第一サーバ１１１により生成された学習済みモデルとに基づいて、対応する成形機１により成形された成形品の品質要素を予測する。

又、品質異常予測システムは、単体の成形機１と、機械学習装置とにより構成されるようにしても良い。機械学習装置は、第一サーバ１１１に相当する機械学習の学習フェーズを実行可能であると共に、第二サーバ１１２又は品質予測装置に相当する機械学習の推論フェーズを実行可能である。

（３．成形機１の例）
（３－１．成形機１の構成）
次に、図２を参照して、成形機１の一例である射出成形機について説明する。射出成形機としての成形機１は、ベッド２と、射出装置３と、型４と、型締装置５と、動作指令部６と、制御装置７とを主に備える。

射出装置３は、ベッド２上に配置される。射出装置３は、ホッパ３１と、加熱シリンダ３２と、スクリュ３３と、ノズル３４と、ヒータ３５と、駆動装置３６と、射出装置用センサ３７とを主に備える。

ホッパ３１は、成形材料であるペレット（粒状の成形材料）の投入口である。加熱シリンダ３２は、ホッパ３１に投入されたペレットを加熱溶融してできた溶融材料を加圧する。又、加熱シリンダ３２は、ベッド２に対して軸方向に移動可能に設けられる。スクリュ３３は、加熱シリンダ３２の内部に配置され、回転可能且つ軸方向への移動可能に設けられる。ノズル３４は、加熱シリンダ３２の先端に設けられた射出口であり、スクリュ３３の軸方向移動によって、加熱シリンダ３２の内部の溶融材料を型４に供給する。

ヒータ３５は、例えば、加熱シリンダ３２の外側に設けられ、加熱シリンダ３２の内部のペレットを加熱する。駆動装置３６は、加熱シリンダ３２の軸方向への移動、スクリュ３３の回転及び軸方向移動等を行う。射出装置用センサ３７は、溶融材料の貯留量、保圧力、保圧時間、射出速度、駆動装置３６の状態等を取得するセンサを総称する。但し、射出装置用センサ３７は、上記に限られず、種々の情報を取得するようにしても良い。

型４は、固定側である第一型４１と、可動側である第二型４２とを備えた金型である。型４は、第一型４１と第二型４２とを型締めすることで、第一型４１と第二型４２との間にキャビティＣを形成する。第一型４１は、ノズル３４から供給された溶融材料をキャビティＣまで導く供給路４３（スプルー、ランナー、ゲート）を備える。更に、第一型４１又は第二型４２は、第一圧力センサ４４及び第二圧力センサ４５を備える。第一圧力センサ４４及び第二圧力センサ４５は、溶融材料から受ける圧力を検出する。

型締装置５は、ベッド２上において射出装置３に対向配置される。型締装置５は、装着された型４の開閉動作を行うと共に、型４を締め付けた状態において、キャビティＣに射出された溶融材料の圧力により型４が開かないようにする。

型締装置５は、固定盤５１、可動盤５２、ダイバー５３、駆動装置５４、型締装置用センサ５５を備える。固定盤５１には、第一型４１が固定される。固定盤５１は、射出装置３のノズル３４に当接可能であり、ノズル３４から射出される溶融材料を型４へ導く。可動盤５２には、第二型４２が固定される。可動盤５２は、固定盤５１に対して接近及び離間可能である。ダイバー５３は、可動盤５２の移動を支持する。駆動装置５４は、例えば、シリンダ装置によって構成されており、可動盤５２を移動させる。型締装置用センサ５５は、型締力、金型温度、駆動装置５４の状態等を取得するセンサを総称する。

動作指令部６は、成形条件に関する動作指令データを制御装置７に与える。又、成形機１は、第二サーバ１１２による品質要素の予測結果に基づき、動作指令部６に記憶された動作指令データの調整を行う動作指令データ調整部８を備える。動作指令部６は、動作指令データ調整部８により調整された動作指令データを制御装置７に与えるので、成形機１は、成形する成形品の品質を高めることができる。

制御装置７は、動作指令部６からの動作指令データに基づいて、射出装置３の駆動装置３６及び型締装置５の駆動装置５４を制御する。例えば、制御装置７は、射出装置用センサ３７及び型締装置用センサ５５から各種情報を取得して、動作指令データに応じた動作を行うように、射出装置３の駆動装置３６及び型締装置５の駆動装置５４を制御する。

（３－２．成形機１による成形品の成形方法）
続いて、射出成形機としての成形機１による成形品の成形方法について説明する。成形機１による成形方法では、計量工程、型締工程、射出充填工程、保圧工程、冷却工程、離型取出工程が順次実行される。計量工程において、ヒータ３５の加熱及びスクリュ３３の回転に伴うせん断摩擦熱によってペレットが溶融されながら、溶融材料が加熱シリンダ３２の先端とノズル３４との間に貯留される。溶融材料の貯留量の増加に伴ってスクリュ３３が後退するため、スクリュ３３の後退位置から溶融材料の貯留量の計量が行われる。

計量工程に続く型締工程では、可動盤５２を移動させて、第一型４１に第二型４２を合わせ、型締めを行う。更に、加熱シリンダ３２を軸方向に移動させて型締装置５に近づけ、ノズル３４を型締装置５の固定盤５１に接続する。続いて、射出充填工程において、スクリュ３３の回転を停止した状態において、スクリュ３３をノズル３４に向けて所定の押し込み力で移動させることにより、溶融材料を高い圧力で型４に射出充填する。キャビティＣに溶融材料が充填されると、引き続き、保圧工程に移行する。

保圧工程では、キャビティＣに溶融材料が充填された状態で更に溶融材料をキャビティＣに押し込み、キャビティＣ内の溶融材料に所定の圧力（保圧力）を所定時間加える保圧処理を行う。具体的には、スクリュ３３に一定の押し込み力を付与することにより、溶融材料に所定の保圧力を付与する。

そして、所定の保圧力により所定時間の保圧処理を行った後、冷却工程へ移行する。冷却工程では、溶融材料の押し込みを停止して保圧力を減少させる処理（保圧減少処理）を行い、型４を冷却する。型４を冷却することにより、型４に供給された溶融材料が固化する。最後に、離型取出工程において、第一型４１から第二型４２を離間させて、成形品を取り出す。

（４．型４の詳細構成）
ここで、図３及び図４を参照しながら、型４の詳細な構成を説明する。尚、型４は、所謂、多数個取り金型であり、型４には複数のキャビティＣが形成されているが、図面を簡素化するため、図３及び図４には、１つのキャビティＣをのみ図示している。又、本例において、成形機１が成形する成形品は、等速ジョイントに用いられる保持器である。従って、成形品は環状特に円環状であり、キャビティＣは保持器の形状に倣った環状特に円環状に形成される。尚、成形品及びキャビティＣの形状は、環状以外の形状、例えば、Ｃ形状や矩形枠状等であっても良いことは言うまでもない。

供給路４３は、スプルー４３ａと、ランナー４３ｂと、ゲート４３ｃとを備える。スプルー４３ａは、ノズル３４から溶融材料が供給される通路である。ランナー４３ｂは、スプルー４３ａから分岐する通路であり、スプルー４３ａに供給された溶融材料は、ランナー４３ｂに流入する。ゲート４３ｃは、ランナー４３ｂに流入した溶融材料をキャビティＣに導く通路であり、ゲート４３ｃの流路断面積は、ランナー４３ｂの流路断面積よりも小さい。型４には、キャビティＣと同数のランナー４３ｂ及びゲート４３ｃが形成され、スプルー４３ａに供給された溶融材料は、ランナー４３ｂ及びゲート４３ｃを介して各々のキャビティＣに供給される。

尚、キャビティＣが環状である場合であって、第一型４１が１つのゲート４３ｃを備える場合、キャビティＣ内における溶融材料の流入経路は、ゲート４３ｃからキャビティＣの環状の周方向に流動する経路となる。即ち、キャビティＣにおいて、溶融材料は、最初にゲート４３ｃの近傍に流入し、最後にゲート４３ｃからの最遠距離に流入する。

又、型４には、キャビティＣにおいて、供給された溶融材料から受ける圧力を時間的に連続して検出する第一圧力センサ４４が設けられる。第一圧力センサ４４は、第一型４１又は第二型４２の何れか一方又は双方に設けられる。又、第一圧力センサ４４は、接触式のセンサであっても良く、非接触式のセンサであっても良い。

具体的に、型４は、第一圧力センサ４４として、６つの第一圧力センサ４４ａ－４４ｆを備える。尚、本例においては、６つの第一圧力センサ４４ａ－４４ｆは、何れも第一型４１に設けられる。そして、６つの第一圧力センサ４４ａ－４４ｆのうちの一部（第一圧力センサ４４ａ－４４ｃ）は、流入経路における中間位置に対し、ゲート４３ｃよりもゲート４３ｃからの最遠位置寄りに配置される。一方、６つの第一圧力センサ４４ａ－４４ｆのうちの他の一部（第一圧力センサ４４ｄ－４４ｆ）は、流入経路における中間位置に対し、ゲート４３ｃからの最遠位置よりもゲート４３ｃ寄りの位置に配置される。

６つの第一圧力センサ４４ａ－４４ｆのうち、第一圧力センサ４４ａは、流入経路において最もゲート４３ｃから離れた位置に配置される。又、第一圧力センサ４４ｂは、次にゲート４３ｃから離れた位置に配置され、順次、第一圧力センサ４４ｃ－４４ｅが、ゲート４３ｃから離れた位置に配置される。そして、第一圧力センサ４４ｆは、最もゲート４３ｃから近い位置に配置される。

具体的に、第一圧力センサ４４ａは、ゲート４３ｃからキャビティＣに流入した溶融材料が最後に到達する領域に配置される。一方、第一圧力センサ４４ｆは、ゲート４３ｃの延長線上の領域であって、キャビティＣ内において溶融材料が最初に流入する領域に配置される。

更に、型４には、供給路４３において、溶融材料から受ける圧力を検出する第二圧力センサ４５が設けられる。尚、第二圧力センサ４５は、第一型４１又は第二型４２の何れか一方に対し、少なくとも１つ配置される。又、第二圧力センサ４５は、接触式のセンサであっても良く、非接触式のセンサであっても良い。具体的に、本例において、型４は、１つの第二圧力センサ４５を備える。第二圧力センサ４５は、第一型４１に配置され、ランナー４３ｂにおいて、溶融材料から受ける圧力を時間的に連続して検出する。

型４は、更に、温度センサ４６を備えるようにしても良い。温度センサ４６は、第一圧力センサ４４ａ－４４ｆと同様に、例えば、第一型４１に設けられる。温度センサ４６は、型４内における溶融材料の温度Ｔを検出する。但し、温度センサ４６は、型４の所定位置の温度を検出することにより、溶融材料の温度を間接的に検出することもできる。又、型４には、複数の第一圧力センサ４４ａ－４４ｆと同様に、複数の温度センサ４６を配置しても良い。即ち、複数の温度センサ４６の各々は、ゲート４３ｃからの距離が異なる複数の位置に配置される。

（５．機械学習装置１１０の構成）
次に、図５を参照しながら、機械学習装置１１０（図１を参照）の構成を説明する。図５に示すように、機械学習装置１１０は、学習フェーズを実行可能な学習処理装置２１０と、推論フェーズを実行可能な品質予測装置２２０とを備える。ここで、学習処理装置２１０は、上述した品質異常予測システム１００における第一サーバ１１１に相当する。又、品質予測装置２２０は、上述した品質異常予測システム１００における第二サーバ１１２に相当する。

学習処理装置２１０は、品質要素データ入力部２１１と、訓練データセット取得部２１２と、訓練データセット記憶部２１３と、学習済みモデル生成部２１４とを備える。品質要素データ入力部２１１は、対応する成形品に紐付けられた品質要素データを入力する。品質要素データは、例えば、成形品の形状（各種寸法）や質量、引け等の外観不良の有無等に加え、成形品の成形に影響を及ぼす成形材料（より詳しくは、溶融材料）の加水分解状態が例示される。

訓練データセット取得部２１２は、成形機１から圧力データ、温度データ等の成形時データ、並びに、品質要素データ入力部２１１に入力された品質要素データを主な訓練データセットとして取得する。尚、訓練データセットにおいては、成形時データとして、成形材料であるペレットの製造ロットごとに生じるバラつき要素である水分量や粘度等を表すデータや、射出装置用センサ３７及び型締装置用センサ５５によって検出された各種データを加えることができる。取得された訓練データセットは、訓練データセット記憶部２１３に記憶される。

学習済みモデル生成部２１４は、訓練データセット記憶部２１３に記憶された成形時データ及び品質要素データに基づき、紐付けされた成形時データと品質要素データとを訓練データセットとする機械学習を行う。これにより、学習済みモデル生成部２１４は、成形時データと成形品の品質要素とに関する学習済みモデルを生成する。

品質予測装置２２０は、学習済みモデル記憶部２２１と、成形時データ取得部２２２と、異常予測部２２３と、出力部２２４とを主に備える。学習済みモデル記憶部２２１は、学習済みモデル生成部２１４が生成した学習済みモデルを記憶する。成形時データ取得部２２２は、成形機１が新たに成形品を成形した際に、第一圧力センサ４４、第二圧力センサ４５及び温度センサ４６等が検出した成形時データを取得する。

尚、本例では、成形時データ取得部２２２は、６つの第一圧力センサ４４ａ－４４ｆ及び第二圧力センサ４５が検出した全ての圧力データを取得しているが、必ずしもこれに限られるものではない。即ち、成形時データ取得部２２２は、６つの第一圧力センサ４４ａ－４４ｆ及び第二圧力センサ４５が検出した圧力データの一部のみを取得しても良い。つまり、成形時データ取得部２２２は、品質予測装置２２０による品質予測において必要とされる圧力データのみを選択して取得することができる。

異常予測部２２３は、成形時データ取得部２２２が取得した成形時データと、学習済みモデル記憶部２２１に記憶された学習済みモデルとに基づいて、新たに成形した成形品の品質要素の異常を予測する。尚、異常予測部２２３が異常を予測する品質要素は、品質要素データとして品質要素データ入力部２１１に入力される品質要素に含まれる。従って、異常予測部２２３が異常を予測する品質要素としては、例えば、成形品の形状（各種寸法）や質量、引け等の外観不良の有無等に加え、成形品の成形に影響を及ぼす成形材料（より詳しくは、溶融材料）の加水分解状態が例示される。

又、異常予測部２２３は、予測した品質要素、或いは、成形時データ取得部２２２によって取得された成形時データと、予め設定された許容値とに基づいて、成形品の良否判定を行うこともできる。この場合、異常予測部２２３は、成形機１による成形品の成形後であって成形機１による成形工程の次工程の実行前に、成形品の品質要素についての良否判定を行うと良い。

出力部２２４は、異常予測部２２３による予測結果を出力する。出力部２２４は、例えば、表示装置（図示省略）への表示による案内、音声による案内、表示灯による案内等を行う。この場合、出力部２２４は、品質予測装置２２０に設けられた表示装置等に案内を行うようにしても良いし、複数の成形機１の各々に設けられた表示装置等に案内を行うようにしても良い。又、出力部２２４は、管理装置に設けられた表示装置等に案内を行うようにしても良い。又、出力部２２４は、作業者又は管理者が所有する携帯端末に案内を行うこともできる。

更に、出力部２２４は、異常予測部２２３が良否判定を行う場合には、良否判定結果を成形機１に出力して、成形機１に対して良否判定結果に応じた処理を実行させることも可能である。例えば、成形品の品質要素の良否判定結果において不良であると判定された場合には、出力部２２４は、成形機１に対して、不良であると判定された成形品の廃棄処理又は選別処理を実行することが可能である。

尚、本例では、成形機１による成形品の成形時に得られるデータとして、第一圧力センサ４４と第二圧力センサ４５とが時間的に連続して検出した圧力データ、及び、温度センサ４６が検出した温度データ等を用いて生成した学習済みモデルに基づいて、成形品の品質要素を予測しているが、これに限られるものではない。即ち、温度データを用いずに生成した学習済みモデルを用いて、成形品の品質要素を予測しても良い。

このように、学習処理装置２１０において、学習済みモデル生成部２１４は、成形時データと品質要素データとを訓練データセットとする機械学習により、少なくとも圧力データと成形品の品質要素とに関する学習済みモデルを生成する。又、品質予測装置２２０において、学習済みモデル記憶部２２１は、学習済みモデル生成部２１４が生成した学習済みモデルを記憶する。そして、異常予測部２２３が、新たな成形品を成形した際に得られた少なくとも圧力データに基づいて得られる充填時間Ｊと、学習済みモデル記憶部２２１に記憶された学習済みモデルとに基づき、新たに成形した成形品の品質要素を予測する。従って、機械学習装置１１０は、成形品の品質要素を高精度に予測することができる。以下に、機械学習装置１１０を用いた品質要素の予測方法について、具体例を挙げながら説明する。

（６．品質異常予測システム１００の具体例）
次に、品質異常予測システム１００の具体例である成形不良予測システム１００ａ（図８を参照）について説明する。成形不良予測システム１００ａは、ポリアミド６６に所定量の充填剤としてのフィラー（ガラス繊維）を含有させた成形材料を用い、成形機１が成形した成形品の品質要素の良否を予測する品質異常予測システムである。

ここで、成形不良予測システム１００ａが、キャビティＣに溶融材料を充填する充填時間Ｊに基づいて、射出成形において成形品の成形不良を生じさせる溶融材料の加水分解状態を予測する場合を例に挙げて説明する。尚、充填時間Ｊは、少なくとも第一圧力センサ４４により検出された圧力データの変化に基づいて計測又は算出される（取得される）時間である。又、溶融材料の加水分解状態は、後に詳述するように、成形品の成形不良即ち品質要素に影響を与える。

射出成形によって成形品を成形する場合には、上述したように、射出充填工程において溶融材料がキャビティＣに充填される。従って、溶融樹脂のキャビティＣ内への充填が十分である場合には成形される成形品の品質要素は良好になり、溶融樹脂のキャビティＣ内への充填が不十分である場合には成形される成形品の品質要素は悪化する。即ち、キャビティＣ内に溶融樹脂が充填された充填状態は、成形品の品質要素に影響を及ぼす。充填状態の良否を判断する１つの指標として、キャビティＣ内に溶融樹脂を充填する際の充填時間Ｊを挙げることができる。

（６－１．充填時間Ｊについて）
図６Ａ、図６Ｂ及び図６Ｃを参照して、射出充填工程における溶融材料の充填時間Ｊについて説明する。充填時間Ｊは、キャビティＣ内に溶融材料の充填が開始されてから完了するまでに要する時間である。充填時間Ｊは、第一圧力センサ４４が時間的に連続して検出する圧力データにおいて、溶融材料から受ける圧力の上昇開始即ち立ち上がりが生じた時点を終点として決定される。本例においては、充填時間Ｊは、図６Ａに示すように、第二圧力センサ４５がランナー４３ｂ内の圧力の上昇開始即ち立ち上がりを検知した時点が始点であり、ゲート４３ｃから最遠位置となる第一圧力センサ４４ａがキャビティＣ内の圧力の立ち上がりを検知した時点が終点である時間とする。ここで、複数の第一圧力センサ４４ｂ－４４ｆが圧力の立ち上がりを検知した各々の時点うち、第一圧力センサ４４ａが圧力の立ち上がりを検知した時点は最も遅くなる（図６Ｃを参照）。

尚、充填時間Ｊは、第二圧力センサ４５によって検出された圧力データを用いることなく、６つの第一圧力センサ４４ａ－４４ｆのうちの少なくとも２つによって検出された圧力データを用いて取得することも可能である。この場合、充填時間Ｊは、図６Ｂに示すように、例えば、ゲート４３ｃに最近位置となる第一圧力センサ４４ｆがキャビティＣ内の圧力の立ち上がりを検知した時点を始点とし、第一圧力センサ４４ａが圧力の立ち上がりを検知した時点を終点とする時間となる。

又、充填時間Ｊの終点については、最遠位置の第一圧力センサ４４ａに限定されることはなく、６つの第一圧力センサ４４ａ－４４ｆのうちの何れかによって圧力の立ち上がりを検知した時点を終点とすることができる。例えば、図６Ｃに示すように、第二圧力センサ４５が圧力の立ち上がりを検知した時点を始点とし、第一圧力センサ４４ａよりもゲート４３ｃ寄りの第一圧力センサ４４ｄが圧力の立ち上がりを検知した時点を充填時間Ｊの終点とすることもできる。

（６－２．充填時間Ｊと成形品の品質要素との関係について）
充填時間Ｊは、図７Ａに示すように、溶融材料の比容積が増加する程、短縮される。又、充填時間Ｊは、図７Ｂに示すように、溶融材料の温度である成形温度が増加するほど、短縮される。更に、充填時間Ｊは、図７Ｃに示すように、成形材料であるペレットの材料物性の製造ロットごとのバラつき要素であるペレットの粘度数が小さくなる程、短縮される。そして、このような充填時間Ｊの短縮は、図８に示すように、ペレットが吸水している水分量に依存して発生するものと考えられる。

即ち、比容積の増加については、加熱シリンダ３２内で成形材料を加熱して溶融材料にする際に、ペレットが吸水している水分によって溶融材料に加水分解が生じることに起因する。ここで、加水分解は、成形材料が吸水している水分量が多い程生じやすくなる傾向を有し、水分量が少なくなる程生じにくくなる傾向を有する。溶融材料に加水分解が生じると、溶融材料の粘度が低下し、その結果、溶融材料の流動性が高まる。

粘度の低下した溶融材料においては、スクリュ３３の回転に対するせん断抵抗が低下し、その結果、ノズル３４から溶融材料を射出する際に射出圧力が低下する。射出圧力が低下した状態で射出されてキャビティＣに到達した溶融材料は、射出圧力の低下に伴いキャビティＣ内で圧縮されないために比容積が増大する。従って、比容積が増大する状態では、成形材料の水分量が多いことによって溶融材料に加水分解が生じており、溶融材料の粘度が小さくなる。その結果、図８に示すように、溶融材料が射出された後に第一圧力センサ４４ａが圧力上昇を検出するまでの充填時間Ｊは短くなる。

又、加熱シリンダ３２内で加熱される溶融材料の温度即ち成形温度が増加する程、ペレットが吸水している水分によって溶融材料の加水分解が促進される。更に、ペレットが吸水している水分量が多い程、溶融材料の加水分解が促進される。その結果、溶融材料の粘度は低下する。従って、成形温度が高い程、且つ、水分量が多い程、溶融材料の粘度は低下するため、キャビティＣ内において溶融材料は流動性が高まる。その結果、図８に示すように、第一圧力センサ４４ａが圧力上昇を早期に検出する。即ち、成形温度が高い程、充填時間Ｊは短縮される。

又、製造ロットごとにばらつきが生じる材料物性、特に、ペレットの粘度数は、例えば、ペレットが吸水している水分量によって異なる。即ち、水分量が増える程、ペレットの粘度数は減少し、水分量が少なくなる程、ペレットの粘度数は増加する。従って、ペレットの水分量が多くなると粘度数が減少するため、キャビティＣ内において溶融材料は流動性が高まり、その結果、図８に示すように、第一圧力センサ４４ａが圧力上昇を早期に検出する。即ち、粘度数が小さい程、換言すれば、ペレットの水分量が多い程、充填時間Ｊは短縮される。

このように、充填時間Ｊが短縮される状況においては、成形品の品質要素が悪化し、その結果、射出成形される成形品に成形不良が生じる虞がある。即ち、充填時間Ｊが短縮される場合には、キャビティＣ内に溶融材料が十分に充填されない可能性があると共に成形品が加水分解の進んだ溶融材料から成形される可能性がある。この場合、成形品には、例えば、機械強度の悪化や外観不良が生じる可能性が高くなる。従って、射出成形においては、充填時間Ｊを管理することにより、成形品の品質要素である溶融材料の加水分解状態（或いは、ペレットの水分量）を把握することが可能になると共に、成形品の品質を良好に維持することが可能となる。

（６－３．成形不良予測システム１００ａの構成）
次に、図９を参照しながら、成形不良予測システム１００ａの構成を説明する。図９に示すように、成形不良予測システム１００ａは、複数の成形機１（図１を参照）と、学習処理装置２１０ａと、成形不良予測装置２２０ａとを備える。

学習処理装置２１０ａは、加水分解状態データ入力部２１１ａと、訓練データセット取得部２１２ａと、訓練データセット記憶部２１３ａと、学習済みモデル生成部２１４ａとを備える。加水分解状態データ入力部２１１ａは、品質要素データ入力部２１１の一例である。そして、加水分解状態データ入力部２１１ａは、成形機１が成形した成形品における加水分解の有無や加水分解の進行具合を表す加水分解状態データが、品質要素データとして入力される。尚、加水分解の有無については、成形品の機械特性の低下や、成形品の寸法変化、外観不良に発生によって確認することができる。

又、加水分解の進行具体については、ペレットの水分量によって確認することができる。上述したように、ペレットの水分量が少ない程、加水分解の進行具合は小さくなり、ペレットの水分量が多い程、加水分解の進行具合は大きくなる。従って、加水分解状態データ入力部２１１ａは、加水分解状態データとして、ペレットの水分量を入力することもできる。ここで、ペレットの水分量は、ペレットを乾燥させる前の重量とペレットを乾燥させた後の重量との重量差を測定することによって取得することができる。

更に、加水分解状態データには、溶融材料の加水分解に関連し得る要素である加熱シリンダ３２内における溶融材料の温度（射出温度）を含むことができる。又、加水分解状態データには、溶融材料に加水分解が生じた際の粘度に影響を及ぼすペレットの製造ロットごとのバラつき要素としての粘度数や充填剤であるガラス繊維の充填量を含むことができる。更に、加水分解状態データに加えて、品質要素である成形品の形状（各種寸法）や質量、引け等の外観不良の有無等を表す品質要素データを入力することも可能である。

訓練データセット取得部２１２ａは、品質要素データとして加水分解状態データ入力部２１１ａに入力された加水分解状態データを取得する。又、訓練データセット取得部２１２ａは、複数の成形機１の各々から、射出充填工程において第一圧力センサ４４及び第二圧力センサ４５が時間的に連続して検出した圧力データを取得する。ここで、訓練データセット取得部２１２ａは、第一圧力センサ４４、特に、第一圧力センサ４４ａが時間的に連続して検出した圧力データと第二圧力センサ４５が時間的に連続して検出した圧力データとを用いて時間差を算出することによって充填時間Ｊを取得する。取得された訓練データセット、即ち、充填時間Ｊ及び加水分解状態データは、訓練データセット記憶部２１３ａに記憶される。

学習済みモデル生成部２１４ａは、訓練データセット記憶部２１３ａに記憶された充填時間Ｊ及び加水分解状態データに基づき、紐付けされた充填時間Ｊと加水分解状態データとを訓練データセットとする機械学習を行う。これにより、学習済みモデル生成部２１４ａは、充填時間Ｊと加水分解の有無（進行具合）とに関する学習済みモデルを生成する。

特に、加水分解状態データに対してバラつき要素を加えた場合、溶融材料に加水分解が生じた状態における粘度のバラつきを訓練データセットに反映することができる。これにより、学習済みモデル生成部２１４ａは、例えば、製造ロットごとに生じ得る成形材料の材料物性のバラつきを考慮した訓練データセットを用いて学習することができる。従って、加水分解状態データに対してバラつき要素を加えた場合には、学習済みモデル生成部２１４ａによる学習の精度をより向上させることができる。

成形不良予測装置２２０ａは、品質予測装置２２０の一例である。成形不良予測装置２２０ａは、学習済みモデル記憶部２２１ａと、成形時データ取得部２２２ａと、成形不良予測部２２３ａと、出力部２２４ａとを備える。学習済みモデル記憶部２２１ａは、学習済みモデル生成部２１４ａが生成した学習済みモデルを記憶する。成形時データ取得部２２２ａは、成形機１が新たに成形品を成形した際に６つの第一圧力センサ４４ａ－４４ｆの各々が時間的に連続して検出した圧力データと、第二圧力センサ４５が時間的に連続して検出した圧力データとを成形時データとして取得する。

異常予測部２２３の一例である成形不良予測部２２３ａは、成形時データ取得部２２２ａが取得した成形時データと、学習済みモデル記憶部２２１ａに記憶された学習済みモデルとを取得する。そして、成形不良予測部２２３ａは、成形時データと学習済みモデルとに基づいて、溶融材料の加水分解状態を予測する、ひいては、新たに成形した成形品の加水分解に起因して発生する成形不良（品質）を予測する。

出力部２２４ａは、成形不良予測部２２３ａによる予測結果を出力する。この場合、出力部２２４ａは、予測結果を図示省略の表示装置やランプ等を用いて作業者に案内したり、或いは、成形機１の動作指令部６に予測結果を表す信号として出力したりすることが可能である。成形機１の動作指令部６に信号を出力した場合には、動作指令部６は動作指令データ調整部８によって予測結果を反映するように調整された動作指令データを制御装置７に与える。制御装置７は動作指令データに基づき、良品である場合には成形品の成形を継続し、不良品である場合には成形品の成形を止めたり不良品をライン外に排出したりする。

ここで、本例の成形不良予測システム１００ａにおいて、成形時データは、射出充填工程において６つの第一圧力センサ４４ａ－４４ｆにより時間的に連続して検出された圧力データと、第二圧力センサ４５が時間的に連続して検出した圧力データとを含む。しかし、成形時データは、第二圧力センサ４５が検出した圧力データを省略しても良い。又、成形時データは、６つの第一圧力センサ４４ａ－４４ｆをのうちの一部のみにより時間的に連続して検出した圧力データとすることも可能である。

具体的に、訓練データセット取得部２１２ａ及び成形時データ取得部２２２ａは、成形時データとして、６つの第一圧力センサ４４ａ－４４ｆのうちの少なくとも２つから時間的に連続した圧力データを取得すれば良い。これにより、学習済みモデル生成部２１４ａは、キャビティＣ内に充填される溶融材料の充填時間Ｊと加水分解の有無や進行具体（加水分解状態データ）との相関を持たせた学習済みモデルを生成できる。

そして、成形不良予測部２２３ａは、充填時間Ｊに基づいて、溶融材料の加水分解の有無（進行具合）や成形材料の水分量即ち成形品の品質要素を予測するので、予測精度を高めることができる。尚、この場合における充填時間Ｊは、第一圧力センサ４４ｂ－４４ｆのうちの２つにおいて、ゲート４３ｃ寄りの一方により時間的に連続して検出された圧力データにおいて立ち上がりを開始した時点を始点とし、ゲート４３ｃから最遠位置寄りの他方により時間的に連続して検出された圧力データにおいて立ち上がりを開始した時点を終点として決定される。

又、訓練データセット取得部２１２ａ及び成形時データ取得部２２２ａは、流入経路における中間位置よりもゲート４３ｃ寄りの位置に配置された第一圧力センサ４４ｄ－４４ｆのうちの少なくとも１つが時間的に連続して検出した圧力データと、流入経路における中間位置よりもゲート４３ｃから最遠位置寄りの位置に配置された第一圧力センサ４４ａ－４４ｃのうちの少なくとも１つが時間的に連続して検出した圧力データとを取得することが好ましい。

これにより、学習済みモデル生成部２１４ａは、キャビティＣ内に充填される溶融材料の充填時間Ｊと加水分解の有無や進行具体（加水分解状態データ）との相関性がより高い学習済みモデルを生成できる。そして、成形不良予測部２２３ａは、成形品の成形不良の予測精度を更に向上させることができる。尚、この場合における充填時間Ｊは、第一圧力センサ４４ｄ－４４ｆのうちの１つにより時間的に連続して検出された圧力データにおいて立ち上がりを開始した時点を始点とし、第一圧力センサ４４ａ－４４ｃのうちの１つにより時間的に連続して検出された圧力データにおいて立ち上がりを開始した時点を終点として決定される。

更に、この場合、訓練データセット取得部２１２ａ及び成形時データ取得部２２２ａは、６つの第一圧力センサ４４ａ－４４ｆの中で、ゲート４３ｃから最遠位置に配置される第一圧力センサ４４ａ、及び、最もゲート４３ｃ寄りに配置される第一圧力センサ４４ｆの２つから圧力データを取得することが好ましい。

つまり、これら２つの第一圧力センサ４４ａ，４４ｆは、６つの第一圧力センサ４４ａ－４４ｆのうち、流入経路において互いに最も離れた位置に配置される。そして、キャビティＣに流入する溶融材料は、第一圧力センサ４４ｆが配置された領域から比較的に離間している第一圧力センサ４４ａが配置された領域に向けて順に充填される。

従って、充填時間Ｊは、第一圧力センサ４４ｆが溶融材料から圧力を受けることによって圧力が立ち上がりを開始した時点を始点とし、第一圧力センサ４４ａが溶融材料から圧力を受けることによって圧力が立ち上がりを開始した時点を終点として決定される。従って、第二圧力センサ４５を省略し、且つ、６つの第一圧力センサ４４ａ－４４ｆのうちの一部から取得した圧力データを成形時データとする場合には、２つの第一圧力センサ４４ａ，４４ｆの圧力データを含めると良い。そして、この場合には、学習済みモデル生成部２１４ａは、精度の高い学習済みモデルを生成でき、成形不良予測部２２３ａは、溶融材料の加水分解の予測精度、ひいては、加水分解が影響した成形不良の予測精度を高めることができる。

特に、成形機１において、型４には、１つのキャビティＣに対してゲート４３ｃが一箇所だけ設けられ、キャビティＣに流入した溶融材料は、ゲート４３ｃからキャビティＣの環状の周方向に流動する。このような場合において、充填時間Ｊは、溶融材料の流動性に依存して変化する。溶融材料の流動性は、溶融材料における加水分解の状態、換言すれば、ペレットが吸水している水分量の影響を受ける。そして、水分量が多く、加水分解の進行具体が大きい程、即ち、溶融材料の流動性が高い程、成形品における機械特性が低下すると共に、寸法変化が大きく又外観不良を生じさせる。

この点に関し、学習済みモデル生成部２１４ａは、少なくともゲート４３ｃから最遠位置に配置された第一圧力センサ４４ａにより検出された圧力データに基づく充填時間Ｊを訓練データセットとする学習済みモデルを生成する。そして、成形不良予測部２２３ａは、少なくとも第一圧力センサ４４ａにより検出された圧力データに基づく充填時間Ｊと学習済みモデルとに基づき、成形品の成形不良を予測する。よって、成形不良予測システム１００ａは、成形品の成形不良の予測精度を高めることができる。

（６－４．成形不良予測部２２３ａによる予測の第一例）
次に、成形不良予測部２２３ａによる予測の第一例を説明する。第一例においては、成形不良予測部２２３ａは、成形時データ取得部２２２ａを介して、第一圧力センサ４４ａから時間的に連続して検出された圧力データと第二圧力センサ４５から時間的に連続して検出された圧力データとを入力する。そして、成形不良予測部２２３ａは、入力した圧力データに基づき、新たに成形品を成形した際の充填時間Ｊを算出する。続いて、成形不良予測部２２３ａは、図１０に示すように、加水分解の進行具合が成形不良を生じさせない充填時間の上限側の許容値である上限充填時間ＪＭ及び下限側の許容値である下限充填時間ＪＬと、充填時間Ｊとを比較する。

この比較により、図１０にて実線により示すように、充填時間Ｊが上限充填時間ＪＭ及び下限充填時間ＪＬによって規定される許容範囲内にあれば、成形不良予測部２２３ａは、成形材料（ペレット）の水分量や加水分解の進行具合即ち予測値が適切であると予測する。つまり、成形不良予測部２２３ａは、充填時間Ｊが許容範囲内である場合には、キャビティＣ内に溶融材料が十分に充填されており、新たに成形した成形品が良品であると予測することができる。

一方、充填時間Ｊが上限充填時間ＪＭよりも長い、或いは、充填時間Ｊが下限充填時間ＪＬよりも短い、即ち、図１０にて一点鎖線により示すように充填時間Ｊが許容範囲外にあれば、成形不良予測部２２３ａは、成形材料（ペレット）の水分量や加水分解の進行具合即ち予測値が不適切であると予測する。つまり、成形不良予測部２２３ａは、キャビティＣ内に溶融材料が適切に充填されておらず、新たに成形した成形品が成形不良品であると予測することができる。

ここで、成形不良予測部２２３ａが用いる上限充填時間ＪＭ及び下限充填時間ＪＬは、経験的に又は実験的に予め設定しておくことが可能である。しかし、上述したように、成形材料の材料物性については製造ロットごとのバラつきが生じやすい。このため、学習済みモデル生成部２１４ａが生成する学習済みモデルに基づいて、上限充填時間ＪＭ及び下限充填時間ＪＬを適宜更新して用いることも可能である。

学習済みモデル生成部２１４ａは、加水分解状態データと充填時間Ｊとを訓練データセットとして学習する。この場合、例えば、加水分解状態データのうち、成形不良を生じさせない上限の加水分解の進行具合を表す加水分解状態データと、そのときの充填時間Ｊ即ち上限充填時間ＪＭとの相関を学習することができる。又、例えば、加水分解状態データのうち、成形不良を生じさせない下限の加水分解の進行具合を表す加水分解状態データと、そのときの充填時間Ｊ即ち下限充填時間ＪＬとの相関を学習することができる。

このように、学習済みモデル生成部２１４ａが上限充填時間ＪＭ又は下限充填時間ＪＬと加水分解の有無（進行具合）とに関する学習済みモデルを生成すると、成形不良予測部２２３ａはこの学習済みモデルを用いることができる。即ち、成形不良予測部２２３ａは、学習された上限充填時間ＪＭ及び下限充填時間ＪＬによって規定される許容範囲に充填時間Ｊが含まれるか否かを判定することができる。従って、溶融材料の加水分解の有無（進行具合）や成形材料の水分量、換言すれば、成形品の成形不良を高い精度で予測することができる。

（６－５．成形不良予測部２２３ａによる予測の第二例）
次に、成形不良予測部２２３ａによる予測の第二例を説明する。上述した第一例においては、成形不良予測部２２３ａは、成形時データとして第一圧力センサ４４ａにより時間的に連続して検出された圧力データ及び第二圧力センサ４５により時間的に連続して検出された圧力データを入力するようにした。

ところで、図７Ｂに示したように、成形材料を溶融した溶融材料においては、成形温度が高くなる程、粘度が低下し、その結果、充填時間Ｊが短縮される傾向を有する。即ち、充填時間Ｊは、成形温度に依存して変化する。そこで、第二例においては、成形不良予測部２２３ａが、成形時データとして上記圧力データに加え、温度センサ４６により検出された温度Ｔを入力して、品質要素を予測する。

この第二例においては、学習済みモデル生成部２１４ａは、第一圧力センサ４４ａ及び第二圧力センサ４５により時間的に連続して検出された圧力データに加え、温度センサ４６によって検出された温度Ｔを訓練データセットとする。そして、学習済みモデル生成部２１４ａは、訓練データセットを用いて機械学習を行い、学習済みモデルを生成する。

この場合、学習済みモデル生成部２１４ａは、成形材料の溶融開始温度Ｔｋ以上に設定された第一温度Ｔ１と、成形上限温度Ｔｔ未満に設定され且つ第一温度Ｔ１よりも高温の第二温度Ｔ２とによって分割される温度域ごとに学習済みモデルを生成する。即ち、学習済みモデル生成部２１４ａは、溶融開始温度Ｔｋ以上且つ第一温度Ｔ１未満の低温域、第一温度Ｔ１以上且つ第二温度Ｔ２未満の中温域、及び、第二温度Ｔ２以上且つ成形上限温度Ｔｔ未満の高温域について学習済みモデルを生成する。

具体的に、学習済みモデル生成部２１４ａは、充填時間Ｊ、加水分解状態データ及び温度Ｔに基づき、上記温度域の各々において紐付けされた充填時間Ｊと加水分解状態データとを訓練データセットとする機械学習を行う。これにより、学習済みモデル生成部２１４ａは、低温域、中温域及び高温域の各々について、充填時間Ｊと加水分解の有無（進行具合）とに関する学習済みモデルを生成する。尚、学習済みモデル生成部２１４ａは、温度域ごとに学習済みモデルを生成することに代えて、温度センサ４６によって検出された温度Ｔごとに学習済みモデルを生成するようにしても良い。

成形不良予測部２２３ａは、成形時データ取得部２２２ａから第一圧力センサ４４ａ及び第二圧力センサ４５によって時間的に連続して検出された圧力データと温度センサ４６によって検出された温度Ｔとを入力する。そして、成形不良予測部２２３ａは、入力した圧力データに基づき、新たに成形した成形品の充填時間Ｊを算出する。

続いて、成形不良予測部２２３ａは、入力した温度Ｔに対応し、図１１Ａ、図１１Ｂ及び図１１Ｃに示すように、低温域、中温域及び高温域の各々において設定された上限充填時間ＪＭ及び下限充填時間ＪＬと、充填時間Ｊとを比較する。ここで、上述したように、溶融材料は、温度Ｔが高温になる程、加水分解が促進されて流動性が高くなり、その結果、キャビティＣ内への充填時間Ｊが短くなる傾向を有する。従って、図１１Ａ、図１１Ｂ及び図１１Ｃの順で、上限充填時間ＪＭ及び下限充填時間ＪＬは短くなるように決定される。

この比較により、温度Ｔの対応する温度域において、充填時間Ｊが上限充填時間ＪＭ及び下限充填時間ＪＬによって規定される許容範囲内にあれば、成形不良予測部２２３ａは、成形材料（ペレット）の水分量や加水分解の進行具合が適切であると予測する。つまり、成形不良予測部２２３ａは、充填時間Ｊが許容範囲内である場合には、新たに成形した成形品が良品であると予測することができる。

一方、温度Ｔの対応する温度域において、充填時間Ｊが上限充填時間ＪＭよりも長い、或いは、充填時間Ｊが下限充填時間ＪＬよりも短い、即ち、充填時間Ｊが許容範囲外にあれば、成形不良予測部２２３ａは、成形材料（ペレット）の水分量や加水分解の進行具合が不適切であると予測する。つまり、成形不良予測部２２３ａは、新たに成形した成形品が成形不良品であると予測することができる。

（６－６．成形不良予測部２２３ａによる予測の第三例）
次に、成形不良予測部２２３ａによる予測の第三例を説明する。上述したように、学習済みモデル生成部２１４ａは、加水分解状態データ（水分量）と充填時間Ｊとを訓練データセットとする機械学習を行い、学習済みモデルを生成する。このため、学習済みモデルは、加水分解状態データ（加水分解の有無、加水分解の進行具合、或いは、水分量）と充填時間Ｊとの相関を定義するものである。従って、成形不良予測部２２３ａは、学習済みモデルを用いることにより、充填時間Ｊを入力とした場合には加水分解状態データを出力することが可能となる。

一方、成形不良予測部２２３ａは、学習済みモデルを用いることにより、加水分解状態データを入力とし場合には充填時間Ｊを出力することも可能となる。即ち、上述した第一例及び第二例における入力と出力とを逆にすることが可能である。そこで、第三例においては、成形不良予測部２２３ａは、加水分解状態データとして入力し、加水分解状態データに対応する充填時間Ｊを出力する。

この第三例においては、成形不良予測部２２３ａは、図９（図５）にて破線により示すように、成形時データ取得部２２２ａを介して、加水分解状態データ入力部２１１ａから加水分解状態データを入力する。尚、加水分解状態データの入力に際しては、例えば、成形機１の成形条件を設定する作業者や管理者が入力することが可能である。そして、成形不良予測部２２３ａは、学習済みモデルに基づき、入力した加水分解状態データに対応する充填時間Ｊを出力する。

そして、成形不良予測部２２３ａは、充填時間Ｊが許容範囲内であれば、例えば、現在の成形材料（溶融材料）を用いて良品となる成形品を成形可能であると予測する。一方、成形不良予測部２２３ａは、充填時間Ｊが許容範囲外であれば、例えば、現在の成形材料（溶融材料）は加水分解が進行し、成形不良となる成形品が成形されると予測する。尚、このように、出力される充填時間Ｊは、例えば、成形機１の動作を管理する作業者が成形機１の成形条件を設定する場合に、有益な情報となる。

（７．品質異常予測システムの効果）
以上説明したように、学習済みモデル生成部２１４は、少なくとも第一圧力センサ４４の圧力データに基づいて計測又は算出して取得可能な充填時間Ｊと品質要素データとを訓練データセットとする機械学習を行い、学習済みモデルを生成する。よって、学習済みモデル生成部２１４は、成形材料の吸水に伴う水分量によって変動し得る流動性に関連する充填時間Ｊ、及び、品質要素データとして成形材料の吸水に伴う水分量に応じて発生する溶融樹脂の加水分解状態データとの相関性が高い学習済みモデルを生成できる。

又、学習済みモデル生成部２１４は、第一圧力センサ４４の圧力データと、第二圧力センサ４５の圧力データと、温度データとに加え、バラつき要素をも加えた訓練データセットとする機械学習を行い、学習済みモデルを生成することができる。これにより、学習済みモデル生成部２１４は、充填時間Ｊ及び品質要素データとの相関性が明確化した学習済みモデルを生成できるので、学習済みモデルを高精度化できる。

（８．その他）
上記した品質異常予測システム１００としての成形不良予測システム１００ａの成形機１において、型４には６つの第一圧力センサ４４ａ－４４ｆが配置される場合を例に挙げて説明したが、必ずしもこれに限られるものではない。つまり、型４には複数の第一圧力センサ４４が配置されていればよく、第一圧力センサ４４の数が５つ以下又は７つ以上としてもよい。

この場合、複数の第一圧力センサ４４は、流入経路においてゲート４３ｃの距離が異なる複数の位置に配置されていればよい。例えば、成形不良予測システム１００ａにおいて、６つの第一圧力センサ４４ａ－４４ｆは、何れも図４に示す右側半分に配置されているが第一圧力センサ４４は、環状のキャビティＣの周方向における何れの位置に配置してもよい。

上記した品質異常予測システム１００の成形機１において、型４には１つのキャビティＣに対してゲート４３ｃが１つのみであるが、１つのキャビティＣに対して２つ以上のゲート４３ｃを設けてもよい。

１…成形機、４…型、４１…第一型、４２…第二型、４３…供給路、４３ｂ…ランナー、４３ｃ…ゲート、４４ａ－４４ｆ…第一圧力センサ、４５…第二圧力センサ、４６…温度センサ、１００…品質異常予測システム、１００ａ…成形不良予測システム（品質異常予測システム）、１１０…機械学習装置、１１１…第一サーバ、１１２…第二サーバ、２１０，２１０ａ…学習処理装置、２１１…品質要素データ入力部、２１１ａ…加水分解状態データ入力部、２１２，２１２ａ…訓練データセット取得部、２１３，２１３ａ…訓練データセット記憶部、２１４，２１４ａ…学習済みモデル生成部、２２０…品質予測装置、２２０ａ…成形不良予測装置、２２１，２２１ａ…学習済みモデル記憶部、２２２，２２２ａ…成形時データ取得部、２２３…異常予測部、２２３ａ…成形不良予測部（異常予測部）、２２４，２２４ａ…出力部

Claims (15)

1. 成形機の型のキャビティに成形材料を溶融した溶融材料を供給することにより成形品を成形する成形方法に適用され、
   前記型に配置され、前記キャビティにおいて供給された前記溶融材料から受ける圧力を検出する第一圧力センサと、
   少なくとも前記第一圧力センサによって検出された圧力データを用いて取得される時間であって前記キャビティ内に前記溶融材料の充填が開始されてから完了するまでに要する充填時間を訓練データセットとする機械学習により生成された学習済みモデルであって、前記充填時間と前記成形材料の吸水に起因する前記成形品の品質要素とに関する前記学習済みモデルを記憶する学習済みモデル記憶部と、
   新たに前記第一圧力センサにより検出された圧力データを用いて取得された前記充填時間と前記学習済みモデルとに基づいて、新たに成形した前記成形品の前記品質要素の異常を予測する異常予測部と、
   を備えた、成形品の品質異常予測システム。
2. 前記成形品の品質異常予測システムは、前記キャビティにおいて異なる複数の位置で、前記溶融材料から受ける圧力を各々検出する複数の前記第一圧力センサを備え、
   前記学習済みモデル記憶部は、複数の前記第一圧力センサにより検出された複数の前記圧力データを用いて取得された前記充填時間と前記成形品の前記品質要素とに関する前記学習済みモデルを記憶する、請求項１に記載の成形品の品質異常予測システム。
3. 前記充填時間の始点は、複数の前記第一圧力センサのうちの１つの前記第一圧力センサが圧力の立ち上がりを検知した時点であり、
   前記充填時間の終点は、複数の前記第一圧力センサのうちの他の前記第一圧力センサが圧力の立ち上がりを検知した時点である、請求項２に記載の成形品の品質異常予測システム。
4. 前記充填時間の終点は、複数の前記第一圧力センサが圧力の立ち上がりを検知した各々の時点のうち最も遅い時点である、請求項２に記載の成形品の品質異常予測システム。
5. 複数の前記第一圧力センサは、前記キャビティ内において前記型のゲートから前記溶融材料が流入する流入経路において、前記ゲートからの距離が異なる複数の位置に配置される、請求項２－４の何れか一項に記載の成形品の品質異常予測システム。
6. 複数の前記第一圧力センサは、前記流入経路における前記ゲート寄りの位置と、前記流入経路において前記ゲートからの最遠位置寄りの位置との２箇所に少なくとも配置される、請求項５に記載の成形品の品質異常予測システム。
7. 前記成形品及び前記キャビティは、環状であり、
   前記型は、１箇所の前記ゲートを有し、
   前記流入経路は、前記ゲートから前記キャビティの環状の周方向に流動する経路である、請求項５又は６に記載の成形品の品質異常予測システム。
8. 前記品質異常予測システムは、更に、前記型のランナーに配置される第二圧力センサを備え、
   前記学習済みモデル記憶部は、前記第一圧力センサにより検出された前記圧力データ及び前記第二圧力センサにより検出された前記圧力データを用いて取得された前記充填時間と前記成形品の前記品質要素とに関する前記学習済みモデルを記憶し、
   前記異常予測部は、新たに前記第一圧力センサにより検出された前記圧力データ及び前記第二圧力センサにより検出された前記圧力データを用いて取得された前記充填時間と、前記学習済みモデルとに基づいて、新たに成形した前記成形品の前記品質要素を予測する、請求項１－７の何れか一項に記載の成形品の品質異常予測システム。
9. 前記充填時間の始点は、前記第二圧力センサが圧力の立ち上がりを検知した時点であり、
   前記充填時間の終点は、前記第一圧力センサが圧力の立ち上がりを検知した時点である、請求項８に記載の成形品の品質異常予測システム。
10. 前記成形品の品質異常予測システムは、更に、前記型に配置され、前記キャビティにおける前記溶融材料の温度を検出する温度センサを備え、
    前記学習済みモデル記憶部は、少なくとも前記第一圧力センサにより検出された前記圧力データにより検出された前記圧力データを用いて取得された前記充填時間、前記温度センサにより検出された温度データ、及び、前記成形品の前記品質要素に関する前記学習済みモデルを記憶し、
    前記異常予測部は、新たに前記第一圧力センサにより検出された前記圧力データを用いて取得された前記充填時間、新たに前記温度センサにより検出された前記温度データ、及び、前記学習済みモデルに基づいて、新たに成形した前記成形品の前記品質要素を予測する、請求項１－９の何れか一項に記載の成形品の品質異常予測システム。
11. 前記異常予測部は、前記品質要素の予測値と許容値とに基づいて前記成形品の良否判定を行う、請求項１－１０の何れか一項に記載の成形品の品質異常予測システム。
12. 前記異常予測部は、前記成形品の成形後であって次工程の実行前に、前記成形品の良否判定を行う、請求項１１に記載の成形品の品質異常予測システム。
13. 前記成形品の品質異常予測システムは、前記成形品の良否判定において不良と判定された前記成形品の廃棄処理又は選別処理を実行する、請求項１１又は１２に記載の成形品の品質異常予測システム。
14. 前記成形品の品質異常予測システムは、更に、
    少なくとも前記第一圧力センサにより検出された前記圧力データを用いて取得された前記充填時間を前記訓練データセットとする機械学習により前記学習済みモデルを生成し、生成した前記学習済みモデルを前記学習済みモデル記憶部に記憶する学習済みモデル生成部を備える、請求項１－１３の何れか一項に記載の成形品の品質異常予測システム。
15. 前記品質要素は、前記成形材料の吸水に起因して前記溶融材料に発生する加水分解の状態を表すものである、請求項１－１４の何れか一項に記載の成形品の品質異常予測システム。

Images