JP7342450B2 - 品質予測システム及び成形機 - Google Patents

Description

本発明は、品質予測システム及び成形機に関するものである。

成形機の型に加熱溶融した材料（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、保圧が終了してから溶融材料が固化するまでの間、樹脂材料の体積が収縮する。このとき、溶融材料は、必ずしも全体に亘って均等に収縮するとは限らず、成形品の品質を予測するには、豊富な知識や経験が必要とされる。

これに対し、特許文献１には、ゲートから注入された樹脂材料が金型に沿って流動し、その後に冷却された硬化していく過程をシミュレーションする流動解析の結果に基づき、射出成形された成形品の品質を予測する技術が開示されている。また、特許文献２には、射出成形した成形品の体積収縮率を予測する技術が開示されている。

特開２００８－２０７４４０号公報 特開２００７－８３８０２号公報

上記した特許文献１及び２に記載の技術に対し、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、成形品の品質要素を予測できること、及び、機械学習を用いることで成形品の品質要素の予測精度が向上することを見い出した。

本発明は、機械学習を用いて、成形品の品質要素を予測する品質予測システム及びその品質予測システムに用いられる成形機を提供することを目的とする。

（１．第一の品質予測システム）
第一の品質予測システムは、成形機の型のキャビティに溶融材料を供給し、所定の保圧力により所定時間の保圧処理を行った後に前記保圧力を減少させる処理を行うことにより成形品を成形する成形方法に適用される。前記品質予測システムは、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、異なる複数の位置で、各々検出する複数の検出する第一圧力センサと、前記保圧力の減少処理のときに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と前記成形品の形状とを前記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、前記保圧力の減少処理のときに複数の前記第一圧力センサの各々により検出された複数の前記圧力データと前記成形品の形状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、前記保圧力の減少処理のときに新たに複数の前記第一圧力センサの各々により検出された複数の圧力データ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形状精度を予測する品質予測部とを備える。

第一の品質予測システムによれば、成形機の型には、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、異なる複数の位置で、各々検出する複数の第一圧力センサが配置される。また、学習済みモデル記憶部には、保圧力の減少処理のときに複数の第一圧力センサにより検出された複数の圧力データと成形品の形状と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、保圧力の減少処理のときに複数の第一圧力センサの各々により検出された複数の圧力データと成形品の形状とに関する学習済みモデルが記憶される。そして、品質予測部は、保圧力の減少処理のときに新たに複数第一圧力センサの各々により検出された複数の圧力データと学習済みモデルとに基づき、新たに成形した当該成形品の形状精度を予測する。よって、品質予測システムは、成形品の形状精度を高精度に予測することができる。

（２．第二の品質予測システム）
第二の品質予測システムは、成形機の型のキャビティに溶融材料を供給し、所定の保圧力により所定時間の保圧処理を行った後に前記保圧力を減少させる処理を行う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、異なる複数の位置で、各々検出する複数の第一圧力センサと、前記保圧力の減少処理のときに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と前記成形品の形状とを前記訓練データセットとする機械学習により、前記保圧力の減少処理のときに複数の前記第一圧力センサの各々により検出された複数の前記圧力データと前記成形品の形状とに関する学習済みモデルを生成する学習済みモデル生成部とを備える。これにより、第一の品質予測システムと同様に、成形品の形状精度を高精度に予測することが可能となる。

（３．成形機）
成形機は、上記の第一の品質予測システムに用いられる成形機であって、前記成形機の制御装置に動作指令データを与える動作指令部と、前記品質予測部による前記形状精度の予測結果に基づき、前記動作指令データの調整を行う動作指令データ調整部とを備える。当該成形機によれば、動作指令部は、動作指令データ調整部により調整された動作指令データを制御装置に与える。よって、成形機は、成形する成形品の品質を高めることができる。

第一例の品質予測システムの構成を示す図である。 第二例の品質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３に示す型を拡大した図である。 図４のＶ－Ｖ線における型の断面図である。 品質予測システムを示すブロック図である。 成形条件Ｘで成形した成形品の保圧減少推移データを示すグラフである。 成形条件Ｙで成形した成形品の保圧減少推移データを示すグラフである。 第一例の品質予測システムとしての形状予測システムを示すブロック図である。 第一例の品質予測システムとしての形状予測システムで学習済みモデル生成部が用いる訓練データセットを示す図である。 成形品の保圧処理推移データを示すグラフである。 第二例の品質予測システムとしての質量予測システムを示すブロック図である。 第二例の品質予測システムとしての質量予測システムで学習済みモデル生成部が用いる訓練データセットを示す図である。 ボイド体積と質量との関係を示す図である。 第三例の品質予測システムとしてのボイド体積予測システムを示すブロック図である。 第三例の品質予測システムとしてのボイド体積予測システムで学習済みモデル生成部が用いる訓練データセットを示す図である。

（１．品質予測システムの適用対象）
品質予測システムは、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、成形機が、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よく、ダイキャスト等の金属鋳造を行う鋳造機であってもよい。

（２．品質予測システム１００，２００の構成）
品質予測システム１００，２００は、１又は複数の成形機１と、機械学習装置１１０，２１０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を訓練データセットとして機械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。そして、機械学習装置１１０，２１０は、学習済みモデルと、新たな成形時データとに基づいて、新たに成形された成形品の品質要素を予測する。

（２－１．第一例の品質予測システム１００の構成）
図１を参照しながら、第一例の品質予測システム１００の構成を説明する。図１に示すように、第一例の品質予測システム１００は、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。ただし、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、同一装置により構成してもよい。

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、温度データ、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。温度データは、型に供給された溶融材料の温度を示すデータである。

第一サーバ１１１は、さらに、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」と称す）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。なお、第一サーバ１１１における機械学習は、教師あり学習である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できる。

第一サーバ１１１は、計測器（図示せず）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よい。また、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よい。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、焼けの程度等が例示される。

このように、品質予測システム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ので、多量の成形時データ及び品質要素データを取得できる。そして、第一サーバ１１１は、取得した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。これにより、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。さらに、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て、新たに成形した成形品の品質要素を予測する。

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よい。また、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１が当該成形品の廃棄処理又は選別処理を行うようにしてもよい。

（２－２．第二例の品質予測システム２００の構成）
図２を参照しながら、第二例の品質予測システム２００の構成を説明する。図２に示すように、第二例の品質予測システム２００は、複数の成形機１と、機械学習装置２１０を備える。機械学習装置２１０は、第一サーバ１１１と、複数の品質予測装置２１２とを備える。ここで、第一サーバ１１１は、第一例の第一サーバ１１１と同一構成である。

複数の品質予測装置２１２の各々は、複数の成形機１の各々に対応して配置されており、第一例の品質予測システム１００における第二サーバ１１２と実質的に同様の処理を行う。つまり、品質予測装置２１２は、対応する成形機１による成形時データと、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。

（２－３．第三例の品質予測システムの構成）
上記の品質予測システム１００，２００は、複数の成形機１を含む構成について説明した。この他に、品質予測システムは、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よい。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２１２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３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、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。また、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、溶融材料の粘度、駆動装置３６の状態等を取得するセンサを総称する。ただし、当該センサ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よい。

型４は、固定側である第一型４ａと、可動側である第二型４ｂとを備えた金型である。型４は、第一型４ａと第二型４ｂとを型締めすることで、第一型４ａと第二型４ｂとの間にキャビティＣを形成する。第一型４ａ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４ｃ（スプルー、ランナー、ゲート）を備える。さらに、第一型４ａ又は第二型４ｂは、圧力センサ４４，４５を備える。圧力センサ４４，４５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、タイバー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４ａ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４ｂ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。タイバー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。また、成形機１は、第二サーバ１１２又は品質予測装置２１２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４ａに第二型４ｂを合わせ、型締めを行う。さらに、加熱シリンダ３２を軸方向へ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（保圧力減少処理）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４ａから第二型４ｂ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４及び図５を参照しながら、型４の詳細な構成を説明する。なお、型４は、いわゆる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４及び図５には、１つのキャビティＣをのみ図示している。また、本実施形態において、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。なお、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よい。

供給路４ｃは、スプルー４１と、ランナー４２と、ゲート４３とを備える。スプルー４１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４２は、スプルー４１から分岐する通路であり、スプルー４１に供給された溶融材料は、ランナー４２に流入する。ゲート４３は、ランナー４２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４３の流路断面積は、ランナー４２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４２及びゲート４３が形成され、スプルー４１に供給された溶融材料は、ランナー４２及びゲート４３を介して各々のキャビティＣに供給される。

なお、キャビティＣが環状である場合であって、第一型４ａが１つのゲート４３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４３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。つまり、キャビティＣにおいて、溶融材料は、最初にゲート４３の近傍に流入し、最後にゲート４３からの最遠距離に流入する。

また、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４ａ又は第二型４ｂの何れか一方又は双方に設けられる。また、第一圧力センサ４４は、接触式のセンサであってもよく、非接触式のセンサであってもよい。

具体的に、型４は、６つの第一圧力センサ４４ａ－４４ｆを備える。６つの第一圧力センサ４４ａ－４４ｆは、何れも第一型４ａに設けられる。そして、６つの第一圧力センサ４４ａ－４４ｆの各々は、ゲート４３からの距離が異なる複数の位置に配置され、配置された各々の位置で溶融材料から受ける圧力を検出する。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４３よりもゲート４３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４３からの最遠位置よりもゲート４３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４３から離れた位置に配置される。また、第一圧力センサ４４ｂは、次にゲート４３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４３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４３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４３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４３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。

さらに、型４には、供給路４ｃ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。なお、第二圧力センサ４５は、第一型４ａ又は第二型４ｂの何れか一方に対し、少なくとも１つ配置される。また、第二圧力センサ４５は、接触式のセンサであってもよく、非接触式のセンサであってもよい。具体的に、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４ａに配置され、ランナー４２において、溶融材料から受ける圧力を検出する。

型４は、さらに、温度センサ４６を備えるようにしてもよい。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４ａ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を検出する。ただし、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。また、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を配置してもよい。すなわち、複数の温度センサ４６の各々は、ゲート４３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１１０，２１０の構成）
次に、図６を参照しながら、機械学習装置１１０，２１０（図１及び図２に示す）の構成を説明する。図６に示すように、機械学習装置１１０，２１０は、学習フェーズを実行可能な学習処理装置３１０と、推論フェーズを実行可能な品質予測装置３２０とを備える。ここで、学習処理装置３１０は、上述した品質予測システム１００，２００における第一サーバ１１１に相当する。また、品質予測装置３２０は、上述した第一例の品質予測システム１００における第二サーバ１１２に相当し、第二例の品質予測システム２００における品質予測装置２１２に相当する。

学習処理装置３１０は、品質要素データ入力部３１１と、訓練データセット取得部３１２と、訓練データセット記憶部３１３と、学習済みモデル生成部３１４とを備える。品質要素データ入力部３１１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、ボイド体積や焼けの程度等が例示される。

訓練データセット取得部３１２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３１１に入力された品質要素データを訓練データセットとして取得する。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３１３に記憶される。学習済みモデル生成部３１４は、訓練データセット記憶部３１３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。

品質予測装置３２０は、学習済みモデル記憶部３２１と、成形時データ取得部３２２と、品質予測部３２３と、出力部３２４とを主に備える。学習済みモデル記憶部３２１は、学習済みモデル生成部３１４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３２２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。

なお、本例において、成形時データ取得部３２２は、６つの第一圧力センサ４４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３２２は、６つの第一圧力センサ４４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よい。即ち、成形時データ取得部３２２は、品質予測装置３２０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。

品質予測部３２３は、成形時データ取得部３２２が取得した成形時データと、学習済みモデル記憶部３２１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を予測する。なお、品質予測部３２３が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３１１に入力される品質要素に含まれる。また、品質予測部３２３が予測する品質要素としては、成形品の形状（各種寸法）や質量、ボイド体積や焼け等が例示される。

また、品質予測部３２３は、予測した品質要素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、品質予測部３２３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、成形品の良否判定を行うとよい。

出力部３２４は、品質予測部３２３による予測結果を出力する。出力部３２４は、例えば、表示装置（図示せず）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。この場合に、出力部３２４は、品質予測装置３２０に設けられた表示装置等に案内を行うようにしてもよいし、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よい。また、出力部３２４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よい。また、出力部３２４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。

さらに、出力部３２４は、品質予測部３２３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３２４は、成形機１に対して、当該成形品の廃棄処理又は選別処理を実行するようにしてもよい。

なお、本例では、成形機１による形成品の成形時に得られるデータとして、第一圧力センサ４４、第二圧力センサ４５が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を用いて、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よい。

このように、学習処理装置３１０において、学習済みモデル生成部３１４は、少なくとも圧力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。また、品質予測装置３２０において、学習済みモデル記憶部３２１は、学習済みモデル生成部３１４が生成した学習済みモデルを記憶する。そして、品質予測部３２３は、新たな成形品を成形した際に得られた圧力データと、学習済みモデル記憶部３２１に記憶された学習済みモデルとに基づき、新たに成形した当該成形品の品質要素を予測する。よって、機械学習装置１１０，２１０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１１０，２１０を用いた各種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．第一例の品質予測システム１００，２００）
次に、品質予測システム１００，２００の第一例である形状予測システム１００ａについて説明する。形状予測システム１００ａは、成形機１が成形した成形品の形状精度を予測する品質予測システムである。ここでは、形状予測システム１００ａが、成形品の寸法のうち、環状に成形された成形品の外周面又は内周面の真円度を予測する場合を例に挙げて説明する。

（６－１：形状予測システム１００ａにおける圧力データ）
図７Ａ及び図７Ｂを参照して、射出充填工程から保圧工程を介して冷却工程までにおいて、６つの第一圧力センサ４４ａ－４４ｆにより検出される圧力データについて説明する。図７Ａには、射出充填工程から冷却工程までにおいて、所定の成形条件Ｘで成形した成形品の成形時における圧力推移データを示すグラフが示され、図７Ｂには、射出充填工程から冷却工程までにおいて、成形条件Ｘとは異なる成形条件Ｙで成形した成形品の成形時における圧力推移データを示すグラフが示されている。

成形条件Ｘで成形した成形品の真円度は、成形条件Ｙで成形した成形品の真円度と比べて、大きくなった。つまり、成形条件Ｘで成形した成形品は、成形条件Ｙで成形した成形品よりも形状精度が低くなった。以下、圧力推移データと形状精度との関係についての考察を述べる。

図７Ａ及び図７Ｂにおいて、Ｔ１－Ｔ２間が射出充填工程であり、Ｔ２－Ｔ３間が保圧工程であり、Ｔ３以降が冷却工程である。保圧処理の開始時刻は、キャビティＣ内に充填されたときであるため、全ての第一圧力センサ４４の圧力データがゼロでない値（微小の所定値よりも大きな値）になったときである。保圧処理の終了時刻、即ち、保圧力減少処理の開始時刻は、スクリュ３３による押し込み力の付与を停止したときである。なお、以下において、保圧処理における圧力推移データを「保圧処理推移データ」と称し、保圧力減少処理における圧力推移データを「減少処理推移データ」と称す。

保圧力減少処理が開始された際に、キャビティＣ内の溶融材料が全域に亘って均等に収縮することで、固化後の成形品の形状精度が向上すると考えられる。そして、キャビティＣ内に充填された溶融材料が、保圧力減少処理を開始してから全域に亘って均等に収縮した場合、６つの第一圧力センサ４４の減少処理推移データが近似すると考えられる。一方、保圧力減少処理を開始してからの溶融材料の収縮度合が、キャビティＣにおける溶融材料の位置によって大きく異なる場合、６つの第一圧力センサ４４の減少処理推移データのバラツキが大きくなると考えられる。

図７Ａに示すグラフと図７Ｂに示すグラフとを比較した場合、成形条件Ｘの減少処理推移データは、成形条件Ｙの減少処理推移データと比べて、各々の減少処理推移データ間での挙動のバラツキが大きいと判断できる。特に、成形条件Ｘの減少処理推移データに関して、第一圧力センサ４４ａの減少処理推移データの挙動は、第一圧力センサ４４ｆの減少処理推移データの挙動との違いが大きいと判断できる。

つまり、成形条件Ｘでは、キャビティＣに充填された溶融材料のうち、ゲート４３の近傍に位置する溶融材料と、ゲート４３から離れて位置する溶融材料との間で、保圧力減少処理を開始してからの成形品の収縮度合にバラツキが発生したと判断できる。その結果、成形条件Ｘにより成形された成形品は、成形条件Ｙにより成形された成形品と比べて、形状精度が低く、真円度が大きくなると判断できる。このように、６つの第一圧力センサ４４ａ－４４ｆの各々の保圧力減少処理データの違いやバラツキは、成形品の形状精度との相関性が高い。

（６－２：形状予測システム１００ａの構成）
次に、図８を参照しながら、形状予測システム１００ａの構成を説明する。図８に示すように、形状予測システム１００ａは、複数の成形機１（図１及び図２に示す）と、学習処理装置３１０ａと、形状予測装置３２０ａとを備える。

なお、形状予測システム１００ａにおいて、圧力データは、保圧力減少処理のときに圧力センサ４４，４５により検出された型４内の圧力データである。以下、保圧力減少処理における圧力データを「減少処理圧力データ」と定義し、保圧力を減少開始してからの経過時間と圧力データとの関係を「減少処理推移データ」と定義する。

学習処理装置３１０は、形状データ入力部３１１ａと、訓練データセット取得部３１２ａと、訓練データセット記憶部３１３ａと、学習済みモデル生成部３１４ａとを備える。形状データ入力部３１１ａは、品質要素データ入力部３１１の一例である。そして、形状データ入力部３１１ａには、成形機１が成形した成形品における外周面及び内周面の真円度の測定値が、品質要素データとして入力される。

訓練データセット取得部３１２ａは、品質要素データとして形状データ入力部３１１ａに入力された成形品の形状データ（真円度データ）を取得する。また、訓練データセット取得部３１２ａは、複数の成形機１の各々において、保圧力減少処理のときに圧力センサ４４，４５が検出した圧力データを、減少処理圧力データとして収集する。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３１３ａに記憶される。

学習済みモデル生成部３１４ａは、訓練データセット記憶部３１３ａに記憶された減少処理圧力データ及び形状データに基づき、紐付けされた減少処理圧力データと形状データとを訓練データセットとする機械学習を行うことにより、減少処理圧力データと成形品の形状（真円度）とに関する学習済みモデルを生成する。

形状予測装置３２０ａは、品質予測装置３２０の一例である。形状予測装置３２０ａは、学習済みモデル記憶部３２１ａと、成形時データ取得部３２２ａと、形状予測部３２３ａと、出力部３２４ａとを備える。学習済みモデル記憶部３２１ａは、学習済みモデル生成部３１４ａ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３２２ａ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の各々が検出した圧力データを、減少処理圧力データとして取得する。品質予測部３２３の一例である形状予測部３２３ａは、成形時データ取得部３２２ａが取得した減少処理圧力データ（減少処理推移データ）と、学習済みモデル記憶部３２１ａ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形状（真円度）を予測する。

ここで、本例の形状予測システム１００ａにおいて、減少処理圧力データは、保圧力減少処理において６つの第一圧力センサ４４ａ－４４ｆにより検出された圧力データを含む。この点に関して、減少処理圧力データは、第二圧力センサ４５により検出された圧力データを含むようにしてもよい。また、減少処理圧力データは、６つの第一圧力センサ４４ａ－４４ｆのうち一部のみにより検出され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３１２ａ及び成形時データ取得部３２２ａは、減少処理圧力データとして、６つの第一圧力センサ４４ａ－４４ｆのうち少なくとも２つから圧力データを取得すればよい。これにより、学習済みモデル生成部３１４ａは、溶融材料のキャビティＣ内での位置による収縮度合の違いやバラツキと形状精度（形状データ、特に真円度データ）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、形状予測部３２３ａは、溶融材料のキャビティＣ内での位置による収縮度合の違いやバラツキに基づいて、成形品の形状（真円度）を予測するので、予測精度を高めることができる。

また、訓練データセット取得部３１２ａ及び成形時データ取得部３２２ａは、流入経路における中間位置よりもゲート４３寄りの位置に配置された第一圧力センサ４４ｄ－４４ｆのうち少なくとも何れか１つが検出した減少処理圧力データと、流入経路における中間位置よりもゲート４３からの最遠位置寄りの位置に配置された第一圧力センサ４４ａ－４４ｃの少なくとも何れか１つが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３１４ａは、溶融材料のキャビティＣ内での位置による収縮度合の違いやバラツキと、形状精度との相関性がより高い学習済みモデルを生成でき、形状予測部３２３ａは、成形品の形状（真円度）の予測精度を更に向上させることができる。

さらにこの場合、訓練データセット取得部３１２ａ及び成形時データ取得部３２２ａは、６つの第一圧力センサ４４ａ－４４ｆの中で、ゲート４３から最遠の位置に配置される第一圧力センサ４４ａ、及び、最もゲート４３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、流入経路において最も離れた位置に配置される。そして、キャビティＣに充填された溶融材料のうち、当該２つの第一圧力センサ４４ａ，４４ｆの各々が配置された領域に位置する溶融材料は、保圧力を減少開始されてからの収縮度合にバラつきが生じやすいと考えられる。従って、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減少処理圧力データとする場合には、当該２つの第一圧力センサ４４ａ，４４ｆの圧力データを含めることにより、学習済みモデル生成部３１４ａは、精度の高い学習済みモデルを生成でき、形状予測部３２３ａは、成形品の形状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４３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４３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、ゲート４３からキャビティＣに溶融材料を押し込むことによりキャビティＣに充填された溶融材料に加わる圧力は、ゲート４３に近い位置と遠い位置とで差が大きくなる場合があり、この差が成形品の形状精度に影響を与える。

この点に関し、学習済みモデル生成部３１４ａは、ゲート４３からの距離が異なる複数の位置に配置された複数の第一圧力センサ４４が検出した各々の減少処理圧力データ（減少処理推移データ）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、形状予測部３２３ａは、複数の第一圧力センサ４４が検出した各々の減少処理圧力データ（減少処理推移データ）と学習済みモデルとに基づき、成形品の形状（真円度）を予測する。よって、形状予測システム１００ａは、成形品の形状（真円度）の予測精度を高めることができる。

ここで、図９を参照して、学習済みモデル生成部３１４ａが学習済みモデルを生成する際に用いる訓練データセットの一例を説明する。学習済みモデル生成部３１４ａは、複数の第一圧力センサ４４の減少処理圧力データそのものだけでなく、減少処理推移データから得られる統計量を訓練データセットとすることができる。なお、第二圧力センサ４５の圧力データを減少処理圧力データとして取得する場合においても同様である。

例えば、図９に示すように、訓練データセットには、減少処理推移データを時間積分した積分値や、減少処理推移データを時間微分した微分値、保圧力を減少開始してから圧力データがゼロに近い所定値以下となるまでに要した時間である保圧減少時間等が含まれる。このように、学習済みモデル生成部３１４ａは、積分値や微分値、保圧減少時間等の統計量を訓練データセットとすることにより、訓練データセットを的確に捉えることができるので、学習済みモデルを高精度化できる。

また、訓練データセットには、複数の第一圧力センサ４４間での減少処理圧力データのバラツキを示す統計量が含まれる。上記したように、減少処理圧力データのバラツキが大きいほど、成形品の真円度が大きくなるという関係を有する。従って、学習済みモデル生成部３１４ａは、減少処理圧力データのバラツキを示す統計量を訓練データセットとして含むことで、当該バラツキと、成形品の形状精度、特に真円度との相関性が高い学習済みモデルを生成できる。

減少処理圧力データのバラツキを示す統計量の例としては、複数の第一圧力センサ４４の減少処理圧力データの差、複数の減少処理圧力データの分散、複数の減少処理推移データの時間積分値の差、減少処理推移データの時間積分値の分散、減少処理推移データの時間微分値の平均値の差、減少処理推移データの時間微分値の平均値の分散、各々の第一圧力センサ４４間での保圧減少時間の差等が例示される。

以上説明したように、学習済みモデル生成部３１４ａは、減少処理のときに複数の第一圧力センサ４４の各々が検出した６つの減少処理圧力データ（減少処理推移データ）と形状データ（真円度データ）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。そして、学習済みモデル記憶部３２１ａは、学習済みモデル生成部３１４ａが生成した学習済みモデルを記憶する。さらに、形状予測部３２３ａは、新たな成形品を成形した際に成形時データ取得部３２２ａが取得した減少処理圧力データ（減少処理推移データ）と、学習済みモデル記憶部３２１ａに記憶された学習済みモデルとに基づき、新たに成形した当該成形品の形状（真円度）を予測する。よって、形状予測システム１００ａは、成形品の形状を高精度に予測することができる。

さらに、複数の第一圧力センサ４４は、キャビティＣにおいて異なる複数の位置に配置される。そして、各々の第一圧力センサ４４は、保圧力減少処理のときに、配置された各々の位置で溶融材料から受ける圧力を検出する。また、訓練データセット取得部３１２ａは、複数の第一圧力センサ４４の各々が検出した複数の圧力データを取得して訓練データセット記憶部３１３ａに記憶する。そして、学習済みモデル生成部３１４ａは、複数の圧力データを訓練データセットとする機械学習を行うことにより、学習済みモデルを生成する。これにより、学習済みモデル生成部３１４ａは、溶融材料のキャビティＣ内での位置による収縮度合の違いやバラツキと、形状データ（真円度データ）との相関性が高い学習済みモデルを生成できる。よって、形状予測システム１００ａは、高精度な学習済みモデルを生成することができ、その結果、成形品の形状予測の精度を高めることができる。

（７．第二例の品質予測システム１００，２００）
品質予測システム１００，２００の第二例である質量予測システム１００ｂについて説明する。質量予測システム１００ｂは、成形機１が成形した成形品の質量を予測する品質予測システムである。

（７－１：質量予測システム１００ｂにおける圧力データ）
図１０を参照して、射出充填工程から保圧工程を介して冷却工程までにおいて、第一圧力センサ４４ａ及び第二圧力センサ４５により検出される圧力データについて説明する。図１０には、射出充填工程から冷却工程までにおいて、所定の成形条件で成形した成形品の成形時における圧力推移データを示すグラフが示されている。Ｔ１，Ｔ２及びＴ３は、図７Ａ及び図７Ｂと同様である。なお、以下において、保圧処理における圧力データを「保圧処理圧力データ」と定義し、保圧処理において保圧処理を開始してからの経過時間と圧力データとの関係を「保圧処理推移データ」と定義する。

ここで、成形品の質量は、保圧処理圧力データと相関を有することが分かった。具体的に、保圧処理の時間が長いほど、成形品の質量が大きくなる関係を有する。また、保圧処理のときの保圧力が大きいほど、成形品の質量が大きくなる関係を有する。さらに、保圧処理推移データのバラツキが大きいほど、成形品の質量が低下する関係を有する。

また、型４の供給路４ｃにおいて溶融材料から加わる圧力は、キャビティＣにおいて溶融材料から加わる圧力と比べて、ノズル３４に近い分、保圧処理時に射出装置３から加わる圧力との相関性が高い。そして、キャビティＣ内で第一圧力センサ４４ａが溶融材料から受ける圧力は、圧力損失の発生分だけ、供給路４ｃにおいて溶融材料から加わる圧力よりも小さくなる。即ち、第一圧力センサ４４ａの保圧処理圧力データは、第二圧力センサ４５の保圧処理圧力データよりも保圧力が小さくなる。そして、両者の差が大きいほど圧力損失が大きいことを意味し、結果として成形品の質量が小さくなることと考えられる。

（７－２：質量予測システム１００ｂの構成）
次に、図１１を参照しながら、質量予測システム１００ｂの構成を説明する。図１１に示すように、質量予測システム１００ｂは、複数の成形機１（図１及び図２に示す）と、学習処理装置３１０ｂと、質量予測装置３２０ｂとを備える。学習処理装置３１０ｂは、質量データ入力部３１１ｂと、訓練データセット取得部３１２ｂと、訓練データセット記憶部３１３ｂと、学習済みモデル生成部３１４ｂとを備える。

質量データ入力部３１１ｂは、品質要素データ入力部３１１の一例であって、質量データ入力部３１１ｂには、成形機１が成形した成形品の質量の測定値が、品質要素データとして入力される。訓練データセット取得部３１２ｂは、品質要素データとして質量データ入力部３１１ｂに入力された成形品の質量データを取得する。また、訓練データセット取得部３１２ｂは、複数の成形機１の各々において、保圧処理のときに第一圧力センサ４４ａ及び第二圧力センサ４５が検出した圧力データを、保圧処理圧力データとして収集する。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３１３ｂに記憶される。

学習済みモデル生成部３１４ｂは、訓練データセット記憶部３１３ｂに記憶された保圧処理圧力データ及び質量データに基づき、紐付けされた保圧処理圧力データと質量データとを訓練データセットとする機械学習を行うことにより、保圧処理圧力データと成形品の質量とに関する学習済みモデルを生成する。

質量予測装置３２０ｂは、品質予測装置３２０の一例である。質量予測装置３２０ｂは、学習済みモデル記憶部３２１ｂと、成形時データ取得部３２２ｂと、質量予測部３２３ｂと、出力部３２４ｂとを備える。学習済みモデル記憶部３２１ｂは、学習済みモデル生成部３１４ｂ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３２２ｂ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４４ａ及び第二圧力センサ４５が検出した保圧処理圧力データを取得する。品質予測部３２３の一例である質量予測部３２３ｂは、成形時データ取得部３２２ｂが取得した保圧処理圧力データ（保圧処理推移データ）と、学習済みモデル記憶部３２１ｂ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質量を予測する。

なお、第二例の品質予測システム１００である質量予測システム１００ｂにおいて、訓練データセット取得部３１２ｂ及び成形時データ取得部３２２ｂは、６つの第一圧力センサ４４ａ－４４ｆのうち第一圧力センサ４４ａの圧力データのみを、保圧処理圧力データとしているが、これに限られるものではない。つまり、訓練データセット取得部３１２ｂ及び成形時データ取得部３２２ｂは、第一圧力センサ４４ａ以外の第一圧力センサ４４ｂ－４４ｆから圧力データを保圧処理圧力データとして取得してもよい。

また、訓練データセット取得部３１２ｂ及び成形時データ取得部３２２ｂは、複数の第一圧力センサ４４ａ－４４ｆから圧力データを保圧処理圧力データとして取得してもよい。この場合において、訓練データセット取得部３１２ｂ及び成形時データ取得部３２２ｂは、６つの第一圧力センサ４４ａ－４４ｆの中で、ゲート４３から最遠の位置に配置される第一圧力センサ４４ａの圧力データを含めて取得することが好ましい。

つまり、第一圧力センサ４４ａは、流入経路においてゲート４３からの最遠位置に配置されているため、第一圧力センサ４４ａから溶融材料が受ける圧力は、キャビティＣに充填された溶融材料の中で最も圧力損失が大きくなる。よって、第一圧力センサ４４ａの保圧処理圧力データと第二圧力センサ４５の保圧処理圧力データとの差は、他の第一圧力センサ４４ｂ－４４ｆの保圧処理圧力データと第二圧力センサ４５の保圧処理圧力データとの差よりも大きくなりやすいと考えられる。従って、複数の第一圧力センサ４４ａ－４４ｆのうちの一部から取得した圧力データ、及び、第二圧力センサ４５の圧力データを保圧処理圧力データとする場合には、第一圧力センサ４４ａの圧力データを含めることにより、学習済みモデル生成部３１４ｂは、精度の高い学習済みモデルを生成でき、質量予測部３２３ｂは、成形品の質量の予測精度を高めることができる。

また、訓練データセット取得部３１２ｂ及び成形時データ取得部３２２ｂは、少なくとも６つの第一圧力センサ４４ａ－４４ｆのうち１つから検出した圧力データを保圧処理圧力データとして取得してもよい。つまり、学習済みモデル生成部３１４ｂは、第二圧力センサ４５の保圧処理圧力データを訓練データセットとせずに学習済みモデルを生成してもよい。この場合においても、学習済みモデル生成部３１４ｂは、第一圧力センサ４４の保圧処理圧力データと、成形品の質量データとを訓練データセットとする学習済みモデルを生成することができる。よって、質量予測部３２３ｂは、第一圧力センサ４４から新たに得られた保圧処理圧力データ（保圧処理推移データ）に基づいて、新たに成形された成形品の質量を予測することができる。

次に、図１２を参照して、学習済みモデル生成部３１４ｂが学習済みモデルを生成する際に用いる訓練データセットの一例を説明する。学習済みモデル生成部３１４ｂは、圧力センサ４４，４５の保圧処理圧力データそのものだけでなく、保圧処理推移データから得られる統計量を訓練データセットとする。

例えば、図１２に示すように、訓練データセットには、保圧処理推移データを時間積分した積分値が含まれる。このように、積分値を訓練データセットとすることにより、学習済みモデル生成部３１４ｂは、訓練データセットを的確に捉えることができるので、学習済みモデルを高精度化できる。

また、訓練データセットには、保圧処理の時間、保圧処理圧力データの最大値や平均値等が含まれる。この場合、学習済みモデル生成部３１４ｂは、成形品の質量に対する保圧処理における時間と保圧力との影響度合いの違いを反映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。

さらに、訓練データセットには、複数の圧力センサ４４，４５間での保圧処理圧力データのバラツキを示す統計量が含まれる。上記したように、保圧処理圧力データのバラツキが大きいほど、成形品の質量が低下するという関係を有する。従って、当該バラツキを示す統計量が訓練データセットとして含まれることにより、学習済みモデル生成部３１４ｂは、当該バラツキと成形品の質量との相関性が高い学習済みモデルを生成できる。

保圧処理圧力データのバラツキを示す統計量の例としては、複数の圧力センサ４４，４５の保圧処理圧力データの差、複数の保圧処理圧力データの分散、複数の保圧処理推移データの時間積分値の差、保圧処理推移データの時間積分値の分散、保圧処理推移データの時間微分値の平均値の差、保圧処理推移データの時間微分値の平均値の分散等が挙げられる。

以上説明したように、学習済みモデル生成部３１４ｂは、圧力センサ４４，４５の保圧処理圧力データと質量データ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３１４ｂは、保圧処理時にキャビティＣに充填された溶融材料が受ける保圧力及び保圧処理の時間と質量データとの相関性が高い学習済みモデルを生成できる。

そして、学習済みモデル生成部３１４ｂは、第一圧力センサ４４の保圧処理推移データと、第二圧力センサ４５の保圧処理推移データと、質量データ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。これにより、学習済みモデル生成部３１４ｂは、保圧処理時にキャビティＣに充填された溶融材料が受ける圧力及び保圧時間と質量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．第三例の品質予測システム１００，２００）
品質予測システム１００，２００の第三例であるボイド体積予測システム１００ｃについて説明する。ボイド体積予測システム１００ｃは、成形機１が成形した成形品のボイド体積を予測する品質予測システムである。

（８－１．ボイド体積予測システム１００ｃにおける成形時データ）
成形品のボイド体積は、成形品の質量と相関を有することが分かった。ボイド体積と質量との相関については、図１３に示すとおりである。つまり、同一の型４により成形された成形品において、質量が大きいほど、ボイド体積が小さくなる関係を有する。特に、質量が所定値以上の場合には、ボイド体積は、０に近い値となる。一方、質量が所定値以下の場合には、バラツキはあるが、質量が大きいほどボイド体積が小さくなる関係を有する。

ここで、上述した質量予測システム１００ｂにおいて、成形品の質量は、保圧処理圧力データと相関を有する。具体的には、保圧処理の時間が長いほど、成形品の質量が大きくなる関係を有する。また、保圧処理のときの保圧力が大きいほど、成形品の質量が大きくなる関係を有する。さらに、保圧処理推移データのバラツキが大きいほど、成形品の質量が低下する関係を有する。さらに、第一圧力センサ４４ａの保圧処理圧力データは、第二圧力センサ４５の保圧処理圧力データよりも保圧力が小さくなる。そして、両者の差が大きいほど圧力損失が大きいことを意味し、結果として成形品の質量が小さくなることと考えられる。つまり、成形品の質量と保圧処理圧力データとの関係、及び、質量とボイド体積との関係に基づいて、ボイド体積と保圧処理圧力データとの関係を導くことができる。

また、ボイド体積は、溶融材料の温度に相関を有する。溶融材料の温度と冷却後の温度との差が小さいほど、樹脂の収縮量が小さくなることから、ボイド体積は小さくなる傾向がある。一方、溶融材料の温度と冷却後の温度の差が大きいほど、樹脂の収縮量が大きくなることから、ボイド体積が大きくなる傾向がある。

（８－２．ボイド体積予測システム１００ｃの構成）
次に、図１４を参照しながら、ボイド体積予測システム１００ｃの構成を説明する。図１４に示すように、ボイド体積予測システム１００ｃは、複数の成形機１（図１及び図２に示す）と、学習処理装置３１０ｃと、ボイド体積予測装置３２０ｃとを備える。学習処理装置３１０ｃは、ボイド体積データ入力部３１１ｃと、訓練データセット取得部３１２ｃと、訓練データセット記憶部３１３ｃと、学習済みモデル生成部３１４ｃとを備える。

ボイド体積データ入力部３１１ｃは、品質要素データ入力部３１１の一例であって、ボイド体積データ入力部３１１ｃには、成形機１が成形した成形品のボイド体積の測定値が、品質要素データとして入力される。ここで、ボイド体積は、Ｘ線ＣＴ、超音波、光干渉断層法等により計測することができる。これらの手法により計測されたボイド体積を、品質要素データとして、ボイド体積データ入力部３１１ｃに入力される。

訓練データセット取得部３１２ｃは、品質要素データとしてボイド体積データ入力部３１１ｃに入力された成形品のボイド体積データを取得する。また、訓練データセット取得部３１２ｃは、複数の成形機１の各々において、保圧処理のときに第一圧力センサ４４ａ及び第二圧力センサ４５が検出した圧力データを、保圧処理圧力データとして収集する。さらに、訓練データセット取得部３１２ｃは、複数の成形機１の各々において、保圧処理のときに温度センサ４６が検出した温度データを収集する。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３１３ｃに記憶される。

学習済みモデル生成部３１４ｃは、訓練データセット記憶部３１３ｃに記憶された保圧処理圧力データ、温度データ、及び、ボイド体積データに基づき、紐付けされた保圧処理圧力データとボイド体積データとを訓練データセットとする機械学習を行うことにより、保圧処理圧力データと成形品のボイド体積とに関する学習済みモデルを生成する。

ボイド体積予測装置３２０ｃは、品質予測装置３２０の一例である。ボイド体積予測装置３２０ｃは、学習済みモデル記憶部３２１ｃと、成形時データ取得部３２２ｃと、ボイド体積予測部３２３ｃと、出力部３２４ｃとを備える。学習済みモデル記憶部３２１ｃは、学習済みモデル生成部３１４ｃ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３２２ｃ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４４ａ及び第二圧力センサ４５が検出した保圧処理圧力データを取得する。さらに、成形時データ取得部３２２ｃは、成形機１が新たに成形品を成形した際に温度センサ４６が検出した温度データを取得する。

品質予測部３２３の一例であるボイド体積予測部３２３ｃは、成形時データ取得部３２２ｃが取得した保圧処理圧力データ（保圧処理推移データ）及び温度データと、学習済みモデル記憶部３２１ｃ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ボイド体積を予測する。

また、訓練データセット取得部３１２ｃ及び成形時データ取得部３２２ｃは、複数の第一圧力センサ４４ａ－４４ｆから圧力データを保圧処理圧力データとして取得してもよい。この場合において、訓練データセット取得部３１２ｃ及び成形時データ取得部３２２ｃは、６つの第一圧力センサ４４ａ－４４ｆの中で、ゲート４３から最遠の位置に配置される第一圧力センサ４４ａの圧力データを含めて取得することが好ましい。

つまり、第一圧力センサ４４ａは、流入経路においてゲート４３からの最遠位置に配置されているため、第一圧力センサ４４ａから溶融材料が受ける圧力は、キャビティＣに充填された溶融材料の中で最も圧力損失が大きくなる。よって、第一圧力センサ４４ａの保圧処理圧力データと第二圧力センサ４５の保圧処理圧力データとの差は、他の第一圧力センサ４４ｂ－４４ｆの保圧処理圧力データと第二圧力センサ４５の保圧処理圧力データとの差よりも大きくなりやすいと考えられる。従って、複数の第一圧力センサ４４ａ－４４ｆのうちの一部から取得した圧力データ、及び、第二圧力センサ４５の圧力データを保圧処理圧力データとする場合には、第一圧力センサ４４ａの圧力データを含めることにより、学習済みモデル生成部３１４ｃは、精度の高い学習済みモデルを生成でき、ボイド体積予測部３２３ｃは、成形品のボイド体積の予測精度を高めることができる。

また、訓練データセット取得部３１２ｃ及び成形時データ取得部３２２ｃは、少なくとも６つの第一圧力センサ４４ａ－４４ｆのうち１つから検出した圧力データを保圧処理圧力データとして取得してもよい。つまり、学習済みモデル生成部３１４ｃは、第二圧力センサ４５の保圧処理圧力データを訓練データセットとせずに学習済みモデルを生成してもよい。この場合においても、学習済みモデル生成部３１４ｃは、第一圧力センサ４４の保圧処理圧力データと、成形品のボイド体積データとを訓練データセットとする学習済みモデルを生成することができる。よって、ボイド体積予測部３２３ｃは、第一圧力センサ４４から新たに得られた保圧処理圧力データ（保圧処理推移データ）に基づいて、新たに成形された成形品のボイド体積を予測することができる。
また、ボイド体積予測部３２３ｃは、ボイド体積の予測値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。さらに、ボイド体積予測部３２３ｃは、ボイド体積の予測値に基づいて成形品の強度を判定することもできる。この場合、ボイド体積予測部３２３ｃ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、成形品の良否判定を行うとよい。

次に、図１４を参照して、学習済みモデル生成部３１４ｃが学習済みモデルを生成する際に用いる訓練データセットの一例を説明する。学習済みモデル生成部３１４ｃは、圧力センサ４４，４５の保圧処理圧力データそのものだけでなく、保圧処理推移データから得られる統計量を訓練データセットとする。

例えば、図１４に示すように、訓練データセットには、保圧処理推移データを時間積分した積分値が含まれる。このように、積分値を訓練データセットとすることにより、学習済みモデル生成部３１４ｃは、訓練データセットを的確に捉えることができるので、学習済みモデルを高精度化できる。

また、訓練データセットには、保圧処理の時間、保圧処理圧力データの最大値や平均値等が含まれる。この場合、学習済みモデル生成部３１４ｃは、成形品のボイド体積に対する保圧処理における時間と保圧力との影響度合いの違いを反映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。

さらに、訓練データセットには、複数の圧力センサ４４，４５間での保圧処理圧力データのバラツキを示す統計量が含まれる。上記したように、保圧処理圧力データのバラツキが大きいほど、成形品のボイド体積が低下するという関係を有する。従って、当該バラツキを示す統計量が訓練データセットとして含まれることにより、学習済みモデル生成部３１４ｃは、当該バラツキと成形品のボイド体積との相関性が高い学習済みモデルを生成できる。

保圧処理圧力データのバラツキを示す統計量の例としては、複数の圧力センサ４４，４５の保圧処理圧力データの差、複数の保圧処理圧力データの分散、複数の保圧処理推移データの時間積分値の差、保圧処理推移データの時間積分値の分散、保圧処理推移データの時間微分値の平均値の差、保圧処理推移データの時間微分値の平均値の分散等が挙げられる。

以上説明したように、学習済みモデル生成部３１４ｃは、圧力センサ４４，４５の保圧処理圧力データ、温度データ及びボイド体積データ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３１４ｃは、保圧処理時にキャビティＣに充填された溶融材料が受ける保圧力及び保圧処理の時間、保圧処理の溶融材料の温度とボイド体積データとの相関性が高い学習済みモデルを生成できる。

そして、学習済みモデル生成部３１４ｃは、第一圧力センサ４４の保圧処理圧力データと、第二圧力センサ４５の保圧処理圧力データと、温度センサ４６の温度データと、ボイド体積データ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。これにより、学習済みモデル生成部３１４ｃは、保圧処理時にキャビティＣに充填された溶融材料が受ける圧力及び保圧時間と、溶融材料の温度と、ボイド体積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。

（９．その他）
上記した第一例の品質予測システム１００，２００としての形状予測システム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４３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、形状予測システム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。

上記した品質予測システム１００，２００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４３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４３を設けてもよい。

１：成形機、 ４：型、 ６：動作指令部、 ７：制御装置、 ８：動作指令データ調整部、 ４２：ランナー、 ４３：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、 １００，２００：品質予測システム、 １００ａ：形状予測システム（品質予測システム）、 １００ｂ：質量予測システム（品質予測システム）、 １００ｃ：ボイド体積予測システム（品質予測システム）、 １１０，２１０：機械学習装置、 １１１：第一サーバ、 １１２：第二サーバ、 ２１２：品質予測装置、 ３１０，３１０ａ，３１０ｂ，３１０ｃ：学習処理装置、 ３１１：品質要素データ入力部、 ３１１ａ：形状データ入力部、 ３１１ｂ：質量データ入力部、 ３１１ｃ：ボイド体積データ入力部、 ３１２，３１２ａ，３１２ｂ，３１２ｃ：訓練データセット取得部、 ３１３，３１３ａ，３１３ｂ，３１３ｃ：訓練データセット記憶部、 ３１４，３１４ａ，３１４ｂ，３１４ｃ：モデル生成部、 ３２０：品質予測装置、 ３２０ａ：形状予測装置、 ３２０ｂ：質量予測装置、 ３２０ｃ：ボイド体積予測装置、 ３２１，３２１ａ，３２１ｂ，３２１ｃ：モデル記憶部、 ３２２，３２２ａ，３２２ｂ，３２２ｃ：成形時データ取得部、 ３２３：品質予測部、 ３２３ａ：形状予測部、 ３２３ｂ：質量予測部、 ３２３ｃ：ボイド体積予測部、 ３２４，３２４ａ，３２４ｂ，３２４ｃ：出力部

Claims (20)

1. 成形機の型のキャビティに溶融材料を供給し、所定の保圧力により所定時間の保圧処理を行った後に前記保圧力を減少させる処理を行う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、異なる複数の位置で、各々検出する複数の第一圧力センサと、
   前記保圧力の減少処理のときに複数の前記第一圧力センサにより検出された複数の圧力データと前記成形品の形状と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、前記保圧力の減少処理のときに複数の前記第一圧力センサの各々により検出された複数の前記圧力データと前記成形品の形状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、
   前記保圧力の減少処理のときに新たに複数の前記第一圧力センサの各々により検出された複数の圧力データ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形状精度を予測する品質予測部と、
   を備えた、成形品の品質予測システム。
2. 前記訓練データセットは、前記保圧処理のときに複数の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含まない、請求項１に記載の品質予測システム。
3. 前記成形方法は、前記保圧処理を行った後に冷却工程を含み、
   前記冷却工程は、前記溶融材料の押し込みを停止して前記保圧力を減少させる処理を行い、
   前記保圧力の減少開始時は、前記冷却工程の開始時である、請求項１又は２に記載の品質予測システム。
4. 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１－３の何れか一項に記載の品質予測システム。
5. 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４に記載の品質予測システム。
6. 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４又は５に記載の品質予測システム。
7. 前記品質予測部は、前記形状精度として、前記成形品の前記環状における外周面又は内周面の真円度を予測する、請求項６に記載の品質予測システム。
8. 前記訓練データセットは、各々の前記第一圧力センサ間での前記圧力データのバラツキを示す値を含む、請求項１－７の何れか一項に記載の品質予測システム。
9. 前記訓練データセットは、前記保圧力を減少開始してからの経過時間と前記圧力データとの関係を減少処理推移データと定義した場合に、前記減少処理推移データを時間積分した積分値を含む、請求項１－８の何れか一項に記載の品質予測システム。
10. 前記訓練データセットは、前記保圧力を減少開始してからの経過時間と前記圧力データとの関係を減少処理推移データと定義した場合に、前記減少処理推移データを時間微分した微分値を含む、請求項１－９の何れか一項に記載の品質予測システム。
11. 前記訓練データセットは、前記保圧力を減少開始してから前記第一圧力センサにより検出された前記圧力データが所定値以下となるまでに要した時間を保圧減少時間と定義した場合に、各々の前記第一圧力センサ間での前記保圧減少時間の差を含む、請求項１－１０の何れか一項に記載の品質予測システム。
12. 前記品質予測部は、前記形状精度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１－１１の何れか一項に記載の品質予測システム。
13. 前記品質予測部は、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１２に記載の品質予測システム。
14. 前記品質予測システムは、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１２又は１３に記載の品質予測システム。
15. 前記品質予測システムは、さらに、
    前記保圧力の減少処理のときに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と前記成形品の形状と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１－１４の何れか一項に記載の品質予測システム。
16. 前記品質予測システムは、さらに、
    複数の前記成形機と通信可能に設けられたサーバと、
    複数の前記成形機のそれぞれに対応するように設けられた複数の品質予測装置と、
    を備え、
    前記サーバは、
    複数の前記成形機から前記保圧力の減少処理のときに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取得すると共に、複数の前記成形機により成形された前記成形品の形状を取得する訓練データセット取得部と、
    前記訓練データセット取得部により取得された前記圧力データと前記成形品の形状とに基づき、前記学習済みモデルを生成する前記学習済みモデル生成部と、
    を備え、
    前記品質予測装置は、
    対応する前記成形機から前記保圧力の減少処理のときに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取得する成形時データ取得部と、
    前記学習済みモデル記憶部と、
    前記品質予測部と、
    を備える、請求項１５に記載の品質予測システム。
17. 成形機の型のキャビティに溶融材料を供給し、所定の保圧力により所定時間の保圧処理を行った後に前記保圧力を減少させる処理を行う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、異なる複数の位置で、各々検出する複数の第一圧力センサと、
    前記保圧力の減少処理のときに複数の前記第一圧力センサにより検出された複数の圧力データと前記成形品の形状とを訓練データセットとする機械学習により、前記保圧力の減少処理のときに複数の前記第一圧力センサの各々により検出された複数の前記圧力データと前記成形品の形状とに関する学習済みモデルを生成する学習済みモデル生成部と、
    を備えた、成形品の品質予測システム。
18. 前記訓練データセットは、前記保圧処理のときに複数の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含まない、請求項１７に記載の品質予測システム。
19. 前記成形方法は、前記保圧処理を行った後に冷却工程を含み、
    前記冷却工程は、前記溶融材料の押し込みを停止して前記保圧力を減少させる処理を行い、
    前記保圧力の減少開始時は、前記冷却工程の開始時である、請求項１７又は請求項１８に記載の品質予測システム。
20. 請求項１－１６の何れか一項に記載の品質予測システムに用いられる前記成形機であって、
    前記成形機の制御装置に動作指令データを与える動作指令部と、
    前記品質予測部による前記形状精度の予測結果に基づき、前記動作指令データの調整を行う動作指令データ調整部と、
    を備えた、成形機。

Images