JP7389972B1 - ホットスタンプ成形品のリサイクル方法およびリサイクルシステム - Google Patents

Abstract

【課題】高い耐候性を有する加飾済み被加飾体から、加飾体を除去し、被加飾体をリサイクルすることを可能とする。
【解決手段】リサイクルシステム１は、再生したい被加飾体から加飾体を除去するための表層変性処理装置２０（例えばプラズマ処理装置２１）を備える。また、リサイクルシステム１のサーバ４０は、最適処理条件予測プログラムＰ１０備え、機械学習により最適な表層変性（プラズマ）処理条件を導出する。得られた表層変性処理条件により表層変性処理を行うことにより、加飾体の除去漏れ（処理不足）や、リサイクルする被加飾体に焦げが生じること（過剰処理）を防ぐことができる。
【選択図】図１

Description

本発明は、ホットスタンプ成形品のリサイクル方法およびリサイクルシステムに関するものである。

自動車や二輪車、船舶の内外装を装飾（加飾）する有力な方法の一つとして、ホットスタンプ成形が挙げられる。ホットスタンプ成形は、有機溶剤を使用する必要がないことや、選択的に加飾を施すに際し、マスキングを必要としないこと、成形工程において乾燥工程を必要としないことなどの利点がある。

特許文献１は、大判の加飾シートの替わりに加飾部分の大きさに合わせてあらかじめ裁断されている加飾シート片を用いる、ホットスタンプ成形装置やホットスタンプ成形方法について開示している。

ところで近年において、環境への負荷を低減する技術が特に求められている。
加飾済みのホットスタンプ成形品についても、加飾部分を除去し、被加飾体をリサイクルする技術が求められている。

しかしながら、被加飾体、特に、自動車部品などのように、高耐候性を求められる被加飾体から、加飾体を除去することは困難である。加飾体と被加飾体は接着剤などにより十分に密着し、また、加飾体を多層膜にすることなどにより、高耐候性を付与しているためである。
また、加飾から相当の時間が経過し、さらに日光照射下などの過酷な環境に置かれることにより、加飾体や接着剤などが変質し、より除去しにくくなっている場合も考えられる。

加飾部分を除去する方法として有機溶剤等による洗浄が挙げられるが、有機溶剤の使用による環境負荷が大きいため、採用ができない。
また、ブラシやカッターなどで加飾体を削ぐことも考えられるが、加飾シート部分の膜厚（全体）は通常５００μｍ以下であるため、加飾部分のみをきれいに除去することは難しい。
よって、環境負荷が大きくなく、被加飾体を損傷しない他の手段が求められる。

特許文献２には、塗装された合成樹脂成形品を、該合成樹脂成形品が変形しない状態で加熱処理してから冷却処理し、次いで粉砕分別することを特徴とする塗装された合成樹脂成形品の再利用方法が開示されている。
しかしながら、ここで挙げられているのは塗装されている合成樹脂品であり、塗装部分に接着剤が含まれる場合や、接着剤層を含む多層膜である場合については言及されていない。

さらに、加熱処理で被加飾体に焦げなどが着いた場合、被加飾体がリサイクルに適さなくなる。
つまり、加熱処理を用いる場合、処理が不十分であれば加飾体が除去できず、処理が過剰であれば被加飾体に損傷を与えてしまうという問題がある。

特許第６８４３３６３号公報 特開平１１－１８８７３０号公報

解決しようとする問題点は、加飾されている被加飾体から加飾体を除去してリサイクルするにあたり、接着層を含む多層構造の加飾体を除去することが困難である点、また、そのための適切な処理条件の発見が困難である点である。

本発明は、熱可塑性接着剤を含む接着剤層を含む加飾体（加飾シート片など）で被加飾体を加飾すること、またその加飾体を除去するにあたり、表層変性処理を行うことを最も主要な特徴とする。
プラズマ処理などの表層変性処理は、通常表面改質に用いられることが多いが、本発明はこの表層変性処理を加飾体の除去に用いている点が特徴である。

本発明は、上記課題を鑑みてなされたものであり、例えば以下の手段を採用している。
すなわち、ホットスタンプ成形により被加飾体を加飾シートで加飾する工程、および被加飾体から加飾体を除去して被加飾体をリサイクルする工程を備え、
前記加飾シートは、熱可塑性接着剤を含む接着層を備え、
前記被加飾体から加飾体を除去して被加飾体をリサイクルする工程は、
コロナ処理、プラズマ処理、フレーム処理、または高温熱風処理を含む表層変性処理により加飾体を変性させる表層変性処理工程を含むことを特徴とする、ホットスタンプ成形品のリサイクル方法を提供する。

本発明に係るホットスタンプ成形品のリサイクル方法は、例えば高い耐候性を有する加飾済み被加飾体からであっても、加飾体を除去し、被加飾体をリサイクルできるという利点がある。
また、加飾体の除去に際し、表層変性処理を行うことにより、加飾体に含まれる熱可塑性接着剤が溶融し、除去しやすくなる。

最適処理条件予測システムの概要を示す図（ネットワーク構成図）である。 本実施形態のホットスタンプ成形装置１０を示す図である。 本実施形態における端末３０のハードウェア構成図である。 本実施形態におけるサーバ４０のハードウェア構成図である。 本実施形態の下治具を載置する工程を示す図である。 本実施形態の被加飾体を固定する工程を示す図である。 本実施形態の枠体を載置する工程を示す図である。 本実施形態の加飾シート片を固定する工程を示す図である。 本実施形態の押圧体を配設する工程を示す図である。 本実施形態の分画シートを配設する工程を示す図である。 本実施形態のチャンバーを密閉する工程を示す図である。 本実施形態の加飾シート片を加熱する工程を示す図である。 本実施形態のチャンバー内を減圧する工程を示す図である。 本実施形態の取り出し工程を示す図である。 ホットスタンプ成形方法における第二の実施形態を示す図である。 ホットスタンプ成形方法における第三の実施形態を示す図である。 ホットスタンプ成形方法における第四の実施形態を示す図である。 データ取得処理を示すフローチャートである。 処理条件学習処理を示すフローチャートである。 処理条件推論処理を示すフローチャートである。

本発明の実施形態を図面に基づいて説明する。以下の各実施形態では、同一又は対応する部分については同一の符号を付して説明を適宜省略する場合がある。
また、以下に用いる図面は本実施形態を説明するために用いるものであり、実際の装置の構成などとは異なる場合がある。

（実施形態の概要）
本実施形態の概要について、図１を用いて説明する。
図１は、リサイクルシステム１の概要を示す図（ネットワーク図）である。
リサイクルシステム１は、ホットスタンプ成形により被加飾体に加飾するためのホットスタンプ成形装置１０と、再生したい被加飾体から加飾体を除去するための表層変性処理装置２０とを備える。表層変性処理装置２０は、例えばプラズマ処理装置２１であり、被加飾体の表層に密着している加飾体を変性させて除去することができる。
ホットスタンプ成形装置１０はホットスタンプ成形方法を提供し、表層変性処理装置２０はリサイクル方法を提供する。
また、リサイクルシステム１は、端末３０とサーバ４０を備える。端末３０とサーバ４０は、前述のリサイクル方法において、少なくとも表層変性処理装置２０のデータを取得し、機械学習を用いて最適な表層変性処理条件を導出する。
サーバ４０は、この機械学習を実行するための最適処理条件予測プログラムＰ１０を備える。

（実施形態の詳細）
以下、本実施形態に係るリサイクルシステム１について、詳細を説明する。
リサイクルシステム１は、リサイクル方法を提供する表層変性処理装置２０のほか、最適な表層変性処理条件を予測する最適処理条件予測プログラムＰ１０を備えるサーバ４０を含み、ユーザに対し、最適な表層変性処理条件をオンラインで提供する。
すなわちリサイクルシステムシステム１において、最適処理条件予測プログラムＰ１０による情報処理が、ハードウェア資源を用いて具体的に実現される。
以下、リサイクルシステム１を構成する、１．装置、２．製造・リサイクル方法、３．プログラム処理、および４．データについて順に説明する。

（用語の定義）
ここで、いくつか言葉の定義を行う。
「表層変性」は、被加飾体の少なくとも一部分（表層）を加飾している加飾体における性質の変化である。この性質の変化により、加飾体が被加飾体から除去しやすくなる。
例えば、加飾シートの熱可塑性接着剤層を加熱することで、接着剤を溶融し、除去しやすくすることなどが挙げられる。
このほか、加飾体にダメージを与え、劣化させることも変性に含まれる。

「処理対象物品に係るデータ」は、被加飾体などの処理対象物に関するデータである。装置の設定に係るデータや、処理（ホットスタンプ成形、表層変性処理）に係るデータと区別するための用語である。

便宜上、機械学習の学習段階における処理対象物品に係るデータを、「学習用処理対象物品データ」、推論段階における処理対象物品に係るデータを「推論用処理対象物品データ」と称する場合がある。
ただし、「学習用処理対象物品データ」から正解データを除いて機械学習モデルのテストに用いる場合や、「推論用処理対象物品データ」に正解データを紐づけて「学習用処理対象物品データ」とする場合があるため、「学習用処理対象物品データ」と「推論用処理対象物品データ」は由来がまったく別のデータとは限らない。

処理対象物品に係るデータは例えば、加飾前の被加飾体（成形前サンプル）や加飾済み被加飾体（成形サンプル）に係るデータである。
例えば、「学習用処理対象物品データ」は、ホットスタンプ成形に関わる加飾前の被加飾体（成形前サンプル）に関するデータと、表層変性処理に関わる加飾済み被加飾体（成形サンプル）に関するデータの双方を含み得る。

「加飾シート部分の膜厚」は、（接着層、装飾層、および保護層を備える）加飾シート全体の膜厚を意味するほか、接着層、装飾層、または保護層いずれか単独の膜厚であってもよい。また、接着層、装飾層、または保護層のうち、任意の複数の層の合計の膜厚であってもよい。

「表層変性処理に係るデータ」は、表層変性処理工程に係るデータである。例えば、表層変性処理装置２０などの装置の設定に係るデータや、実際の処理により得られるデータである。このほか、表層変性処理装置２０の環境条件に係るデータも含み得る。
「表層変性処理の結果に係るデータ」は、加飾体除去度などの表層変性処理の程度や、表層変性処理が成功したか失敗したかなどの結果を示すデータである。

「最適」の語は、コンピュータが算出する範囲での最適を意味する。例えば、最適な処理条件という場合は、機械学習モデル等が予測する限りでの最適な処理条件であり、他に最良となる処理条件はあり得る。

「３Ｄデータ」は、３Ｄスキャナにより得られる、三次元構造を表すためのデータである。３Ｄデータには、３Ｄスキャナで取得したデータを変換したデータも含む。例えば点群データをメッシュデータに変換するような場合である。データ形式として、点群データ、メッシュ（ポリゴン）データ、ＣＡＤデータが挙げられる。

「ユーザ」は、リサイクルシステム１や、リサイクルシステム１が備える各装置を使用するユーザである。

１．装置
図１に示すように、本実施形態のリサイクルシステム１は、ホットスタンプ成形装置１０、表層変性処理装置２０、端末３０、およびサーバ４０を備える。また、少なくとも端末３０とサーバ４０は、ネットワークＮを介して接続されている。ネットワークＮは例えばインターネットなどである。

上述した通り、サーバ４０は最適処理条件予測プログラムＰ１０を備える。
また、端末３０は、最適処理条件予測プログラムＰ１０とデータを送受信し、最適処理条件予測プログラムＰ１０を操作するためのソフトウェア（アプリケーションソフトウェアＳ２０。以下「アプリＳ２０」とする。）をインストールしている。
以下、各装置について説明する。

＜ホットスタンプ成形装置１０＞
ホットスタンプ成形装置１０は、被加飾体に加飾フィルム（本実施形態では加飾シート片１７）を密着させるための装置である。
ホットスタンプとは、加熱した箔（加飾シート）を被加飾体に押圧し、転写する技術を指す。ホットスタンプは箔押しとも呼ばれる。塗装と異なり、ホットスタンプは直接塗工（直接印刷）を必要としない。またホットスタンプは、乾燥工程を必要としないという利点がある。

本発明に適したホットスタンプ成形装置１０は、特許第６８４３３６３号明細書、米国特許出願第１７／５２０３０６号明細書、または欧州特許出願第２１８１５０９１号明細書に記載されており、その内容は参照により本明細書に組み込まれる。
またこれは、後述する製造方法（ホットスタンプ成形方法）でも同様である。

図２は本実施形態のホットスタンプ成形装置１０を示す図である。
図２に示すように、第一の実施形態に係るホットスタンプ成形装置１０は、上部チャンバー１１１、吊持部１２１、下部チャンバー１１２、支持部１２２、載置台１２３、真空ポンプ１４１、および加圧タンク１４２を備える。また、ホットスタンプ成形装置１０は不図示のヒータ１４３を備える。

＜上部チャンバー１１１＞
図２に示すように、上部チャンバー１１１は、次項の下部チャンバー１１２とともに、チャンバー１１０を構成する。チャンバー１１０は、内部に載置した被加飾体を加工するための筐体である。上部チャンバー１１１は吊持部１２１により吊持される。上部チャンバー１１１は不図示の駆動装置により、上昇および下降することができる。上部チャンバー１１１が下降して下部チャンバー１１２と密接することで、チャンバー１１０内に密閉空間を形成することができる。

＜下部チャンバー１１２＞
下部チャンバー１１２はチャンバー１１０を構成する。下部チャンバー１１２は内部に支持部１２２、載置台１２３を備える。本実施形態において、支持部１２２は固定されている。しかしながら、支持部１２２の構造はこれに限られるものではなく、支持部１２２が駆動装置によって上昇または下降し、載置台１２３が応動するものであっても良い。

＜載置台１２３＞
載置台１２３は下部チャンバー１１２内に設置される台である。図２に示すように、載置台１２３は支持部１２２に支持される。載置台１２３は後述する下治具１５１や被加飾体１６、枠体１５２を載置する。載置台１２３は、上下方向に貫通する小さな穴を多数備える。後述する真空ポンプ１４１がこの小さな穴を通じて載置台１２３上の空気を除去し、減圧する。

＜分画シート１３０＞
分画シート１３０は上部チャンバー１１１と下部チャンバー１１２を分画するシートである。図２に示すように、分画シート１３０は上部チャンバー１１１の開口部を覆うように配設される。本実施形態において、分画シート１３０は上部チャンバー１１１端部に固定される。
分画シート１３０は気密性を保つため、空気を通さない素材が用いられる。分画シート１３０を構成する素材として例えば、アクリル（メタクリル）樹脂、ポリアクリロニトリル樹脂、ポリプロピレン樹脂、ポリエチレンテレフタレート樹脂、ポリスチレン樹脂、ポリカーボネート樹脂、ポリアミド樹脂などの樹脂、スチレンブタジエンゴム、クロロプレンゴム、アクリロニトリルゴム、エチレンプロピレンゴム、シリコンゴム、ウレタンゴムなどのゴム素材が好適に用いられる。
なお、後述する変形例のように（図１７）、押圧体１５３と分画シート１３０は一体化させても良い。

分画シート１３０は、後述するチャンバー１１０内の圧変化工程において、上部チャンバー１１１と下部チャンバー１１２との間の圧力差を維持する。
加飾シートにより上部チャンバー１１１と下部チャンバー１１２を分画する場合と比較すると、加飾機能を有しない分画シート１３０を別途用いることで、加飾シートを節約できる利点がある。

＜真空ポンプ１４１＞
真空ポンプ１４１はチャンバー１１０内を減圧するためのポンプである。真空ポンプ１４１は下部チャンバー１１２側から空気を除去する。
図２は真空ポンプ１４１が通気管を通じて下部チャンバー１１２と接続されている様子を示す。真空ポンプ１４１としては、例えば市販の気体輸送式真空ポンプが用いられる。本実施形態の真空ポンプ１４１は、チャンバー１１０内を０．０６ＭＰａ以下に減圧することができる。
なお、真空ポンプ１４１を通気管により上部チャンバー１１１と接続し、上部チャンバー１１１側も減圧できるようにしてもよい。この場合、ホットスタンプ成形装置１０は上部チャンバー１１１と下部チャンバー１１２の圧力差を制御することが出来る。

＜加圧タンク１４２＞
加圧タンク１４２は、チャンバー１１０内を加圧するための装置である。本実施形態において、加圧タンク１４２は上部チャンバー１１１側から加圧する。
図２は加圧タンク１４２が通気管を通じて上部チャンバー１１１と接続されている様子を示す。上部チャンバー１１１側を加圧することで、後述する分画シート１３０や押圧体１５３に圧が掛かり、加飾シート片１７を被加飾体１６に密着させる。加圧タンク１４２としては市販の加圧ポンプが好適に用いられる。本実施形態の加圧タンク１４２はチャンバー１１０内を０．１ＭＰａ以上に加圧するものであり、好ましくは０．５ＭＰａ以上に加圧するものである。

＜ヒータ１４３＞
ヒータ１４３は後述する加飾シート片１７を加熱するための加熱装置である（不図示）。例えば、ヒータ１４３は上部チャンバー１１１の内側上部に配設され、チャンバー１１０内部全体を加熱する。ただし、これに限られるものではなく、他の部位に備え付けられていてもよい。
例えば、ヒータ１４３は下部チャンバー１１２に配設されていても良い。またその他の例として、ヒータ１４３が電熱線を備えており、この電熱線を上記枠体１５２に巻き付けることで枠体１５２周辺を加熱するようにしても良い。この場合、枠体１５２内部に配設される加飾シート片１７を選択的かつ効率的に加熱できるという利点がある。

＜下治具１５１＞
下治具１５１は後述する被加飾体１６を載置台１２３上に固定するための治具である。下治具１５１は、図２に示す被加飾体１６の内側に配設されている（図５参照）。被加飾体１６の形状に合わせ、下治具１５１の形状は適宜変更することができる。

＜枠体１５２＞
枠体１５２は上下方向が開放された、上面視で四角形の枠である。
図２に示すように、枠体１５２は載置台１２３上に載置され、また、枠体１５２は被加飾体１６を囲うように配設される。枠体１５２の高さは、加飾フィルムが固定された被加飾体１６よりも高くなるよう設計される。
なお、枠体１５２の上面視形状は四角形に限られるものではなく、例えば円形や、四角以外の多角形などであってもよい。

被加飾体１６の周囲に枠体１５２を配設することにより、後述する押圧体１５３が加飾シート片１７を真上から押圧することができ、均一な加飾が可能になるという利点がある。また、被加飾体１６周辺に押圧体１５３、枠体１５２、載置台１２３で囲われた閉鎖空間が形成されることにより、被加飾体１６周辺の減圧が効率的に行われる。さらに、被加飾体１６の物理的な強度が高くない場合に、被加飾体１６に過大な圧力が掛かることを抑制し、被加飾体１６を保護するという利点もある。

＜押圧体１５３＞
押圧体１５３は後述する加飾シート片１７を被加飾体１６に押圧するための弾性体である。押圧体１５３は枠体１５２の上側を覆うように配設される。
図２は押圧体１５３が枠体１５２上に架設された状態を示す。下治具１５１、被加飾体１６、および被加飾体１６上の加飾シート片１７は、載置台１２３、枠体１５２および押圧体１５３に囲われた空間内に包含される。
後述するチャンバー内の圧変化工程において、押圧体１５３は加飾シート片１７を物理的に押圧し、加飾シート片１７と被加飾体１６を密着させる。

押圧体１５３を構成する素材として例えば、アクリル（メタクリル）樹脂、ポリアクリロニトリル樹脂、ポリプロピレン樹脂、ポリエチレンテレフタレート樹脂、ポリスチレン樹脂、ポリカーボネート樹脂、ポリアミド樹脂などの樹脂、スチレンブタジエンゴム、クロロプレンゴム、アクリロニトリルゴム、エチレンプロピレンゴム、シリコンゴム、ウレタンゴムなどのゴム、またはアルミニウムなどの金属薄膜、が好適に用いられる。このような素材を用いることにより、押圧体１５３はチャンバー内の圧変化工程において変形することができる。

＜被加飾体１６＞
被加飾体１６は加飾の対象となる部材である。被加飾体１６は立体形状を有しており、一部または全体に凸形状や凹形状を有してもよい。
図２に示すように、被加飾体１６は載置台１２３上に載置され、加飾シート片１７により加飾される。詳細はホットスタンプ成形方法の箇所で説明する。
被加飾体１６として例えば、車両部品や船舶部品が挙げられる。車両部品とは例えば、自動車のラジエータグリルやエアコンの吹出口、センターパネルなどである。図２に示すように、被加飾体１６は下治具１５１に固定される。

＜加飾シート片１７＞
加飾シート片１７は、被加飾体１６の加飾部分の大きさに合わせてあらかじめ裁断されている加飾シートである。
加飾シートは被加飾体に意匠性を与える加飾体である。
図２に示すように、加飾シート片１７は被加飾体１６に当接するように固定される。

本実施形態における加飾シート片１７は、複数の層を備える多層構造である。つまり加飾シート片１７は、当接している被加飾体１６から近い順に、少なくとも接着層、装飾層、および保護層を備える。ただし層構成はこれに限られない。

接着層はホットスタンプ成形時に被加飾体１６に当接し、加熱条件下において被加飾体１６に接着する層である。
接着層として例えば、接着剤や粘着剤が挙げられる。本実施形態において、接着層は熱可塑性接着剤を含む。接着剤として熱可塑性接着剤を用いることにより、後述するリサイクル方法の表層変性処理工程において、加飾シート片１７が被加飾体１６から分離し易くなり、被加飾体１６のリサイクルが容易になる。

装飾層は加飾後の被加飾体の意匠性に寄与する層である。
装飾層には例えば、木目調や石目調、光沢調の意匠が印刷され、蒸着される。

保護層は加飾シート片１７の表面を保護する層である。当該保護層により、被加飾体は耐傷性や耐候性を得ることができる。

加飾シート（加飾シート片１７）の膜厚は製品により異なるが、本実施形態の加飾シート片１７の膜厚は３００μｍである。また、そのうち接着層の膜厚は製品により異なるが、５μｍ以上５０μｍ以下ある。ただし、加飾シートの膜厚や接着層の膜厚はこれに限られない。

図２に示すように、加飾シート片１７は被加飾体１６上に固定される。即ち、被加飾部分に少なくとも一つの加飾シート片１７が固定される。被加飾体１６上に加飾シート片１７を固定する方法は任意の方法が用いられる。例えば、クリップやピンのような固定器具により固定する方法や、粘着テープのような粘着体で固定する方法が用いられる。
また、上述した枠体１５２を用いる場合、加飾シート片１７の大きさは、枠体１５２と同等か、枠体１５２よりも小さい。

加飾シート片１７を用いることで加飾シートの使用量を節約できる。例えばある被加飾体１６と別の被加飾体１６の間など、加飾を要しない部分に加飾シート片１７を用いる必要がないためである。
また、２以上の加飾部位が近接する場合において、当該２箇所の加飾部位を１枚の加飾シートで加飾すると、それぞれの加飾部に掛かる応力により、加飾のずれが生じる可能性がある。これに対し、それぞれの加飾部位に別個独立した加飾シート片１７を用いることで、加飾シート同士が相互作用せず、加飾のずれを抑制できる。

また、ホットスタンプ成形方法に加飾シート片１７を用いることにより、被加飾体１６のサイズに合わせてムラなく加飾できる。
つまり、加飾シート片１７で加飾する部分のうち、加飾シート１７が被加飾体１６に最初に当接している部分（押圧中心）から離れた場所であっても、押圧体１５３が等しく圧をかけることができるため、加飾シート片１７を等しく十分に密着させることができる。

＜表層変性処理装置２０＞
表層変性処理装置２０は、被加飾体の少なくとも一部を被覆している加飾体の性質を変化させて除去する、あるいは除去しやすくするための装置である。
例えば、表層変性処理装置２０は、熱などにより加飾体が含む熱可塑性接着剤を変性させ、被加飾体から加飾体を除去しやすくする。

本実施形態において、表層変性処理装置２０はプラズマ処理装置２１、コロナ処理装置２２、フレーム処理装置２３、または高温熱風処理装置２４である。
通常これらの装置は、表面活性化処理や親水化処理と呼ばれる表面処理に用いられるが、本実施形態において、表層変性処理装置２０は接着剤の熱可塑性樹脂を溶融し、または加飾体を劣化させるために使用される。

本実施形態において、プラズマ処理装置２１、コロナ処理装置２２、フレーム処理装置２３、および高温熱風処理装置２４のいずれも、パラメータとして処理日、処理時間（処理開始時間、処理終了時間など）を変化させることができ、またこれらのデータを取得することができる。よって、以下重複する説明は省略する。なお、処理開始時間と処理終了時間は処理時間でもよい。

本実施形態において表層変性処理装置２０はプラズマ処理装置２１であるが、これに限られるものではなく、コロナ処理装置２２、フレーム処理装置２３、または高温熱風処理装置２４などを好適に用い得る。
以下各装置について説明する。ただし、各装置に係るパラメータの好ましい範囲は例示であり、記載した範囲に限定されるものではない。

プラズマ処理装置２１は、プラズマにより加飾体を変性させ、除去しやすくする装置である。
プラズマは熱電離、光電離、圧力電離、放電などにより発生するが、本実施形態においては放電によりプラズマを発生させる装置を用いている。また、プラズマ処理は大気圧プラズマ処理、真空プラズマ処理などが挙げられる。プラズマ処理装置２１は、市販のものを適宜用いることができる。

プラズマ処理装置２１は例えば、上述したパラメータ（処理日、処理開始時間、処理終了時間）のほか、放電出力、電流（量）、およびプラズマ処理対象の移動速度をパラメータとして変化させることができる。
また、本実施形態のプラズマ処理装置２１は減圧を行わないが、チャンバーなどを用いて圧力を変化させる場合は圧力などもパラメータになり得る。

プラズマ処理の放電出力は４００Ｗ以上８００Ｗ以下が好ましく、本実施形態の放電出力は４００Ｗ（電流４Ａ）である。
プラズマ放電ノズルとプラズマ処理対象との距離は５ｍｍ以上５０ｍｍ以下の範囲が好適に用いられる。また、プラズマ処理対象を移動させる速度は２０ｍｍ／秒以上４００ｍｍ／秒以下の範囲が好適に用いられる。
なお、プラズマ処理時間と結果については後述する。

コロナ処理装置２２は、コロナ放電により加飾体を変性させ、除去しやすくする装置である。コロナ処理装置２２は、市販のものを適宜用いることができる。
コロナ処理装置２２は例えば、上述したパラメータのほか、放電量、コロナ処理対象と放電管との距離、およびコロナ処理対象の移動速度をパラメータとして変化させることができる。

本実施形態において例えば、コロナ処理の放電量は５０Ｗ・分／ｍ^２以上４００Ｗ・分／ｍ^２以下が好ましい。また、放電管とフレーム処理対象との距離は５ｍｍ以上１０ｍｍ以下が好ましい。さらに、コロナ処理対象を移動させる速度は３０ｍｍ／秒以上３００ｍｍ／秒以下が好ましい。

フレーム処理装置２３は、フレーム（炎）により加飾体を変性させ、除去しやすくする装置である。フレーム処理装置２３はバーナーを備える。フレーム処理装置２３は、市販のものを適宜用いることができる。

フレーム処理装置２３は例えば、上述したパラメータのほか、燃料ガスを含む空気の空気量（出力）やガス圧、燃料ガスと空気の混合比率、バーナーとフレーム処理対象との距離、および、バーナーまたはフレーム処理対象を移動させる速度をパラメータとして変化させることができる。

本実施形態において、フレーム処理のガス圧は０．０１ＭＰａ以上１．５０ＭＰａ以下が好ましい。また、バーナーとフレーム処理対象との距離は５０ｍｍ以上１００ｍｍ以下が好ましい。さらに、フレーム処理対象を移動させる速度は５０ｍｍ／秒以上５００ｍｍ／秒以下が好ましい。

高温熱風処理装置２４は、高温の熱風により加飾体を変性させ、除去しやすくする装置である。本実施形態では、高温熱風処理装置２４としてヒートガンを使用している。
高温熱風処理装置２４、例えばヒートガンは、市販のものを適宜用いることができる。ヒートガンはヒーティングガンまたは工業用ドライヤなどと呼ばれる。

高温熱風装置は例えば、上述したパラメータのほか、加熱温度、風量、熱風噴射口と高温熱風処理対象との距離、および、熱風噴射口または高温熱風処理対象を移動させる速度をパラメータとして変化させることができる。風量は風速であってもよく、風速は市販の風速計で測定してもよい。

本実施形態において、高温熱風処理の加熱温度は例えば４００℃である。熱風噴射口と高温熱風処理対象との距離は５０ｍｍ以上１００ｍｍ以下が好ましい。また、使用しているヒートガンの消費電力１ＫＷである。

図１に示すように、本実施形態において表層変性処理装置２０は、ホットスタンプ成形装置１０と同様に、端末３０とデータ交換可能な態様で接続されており、次項の端末３０は、表層変性処理装置２０の設定や動作などに係る各種データを取得することができる。

＜端末３０＞
端末３０は、後述するホットスタンプ成形（真空成形）方法やリサイクル方法で得たデータを取得し、取得したデータをサーバ４０に送信する。また、端末３０は、サーバ４０による機械学習の結果を受信することができる。

図３は、本実施形態における端末３０のハードウェア構成図である。
図３に示すように、端末３０は、制御部３１、記憶部３２、通信制御部３３、入力部３４および出力部３５を備える。

また制御部３１は、プロセッサ３１１、ＲＯＭ３１２、ＲＡＭ３１３、計時部３１４を備える。
なお、本実施形態において、機器間の接続態様（ネットワークトポロジ）は特に限定されない。例えばバス型であってもよいし、スター型、メッシュ型などであってもよい（以下のコンピュータにおいて同じ）。

プロセッサ３１１は、ＲＯＭ３１２や記憶部３２などに記憶されたプログラムに従って、情報処理や各種装置の制御を行う。本実施形態において、プロセッサ３１１はＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）である。

なお、プロセッサ３１１はＣＰＵに限られるものではない。ＣＰＵ、ＤＳＰ（Ｄｅｇｉｔａｌ Ｓｉｇｎａｌ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、またはＧＰＧＰＵ（Ｇｅｎｅｒａｌ Ｐｕｒｐｏｓｅ ｃｏｍｐｕｔｉｎｇ ｏｎ ＧＰＵ）など、各種プロセッサを単独で、あるいは組み合わせて用いてもよい。
例えば、ＣＰＵとＧＰＵを統合したプロセッサはＡＰＵ（Ａｃｃｅｌｅｒａｔｅｄ Ｐｒｏｅｓｓｉｎｇ Ｕｎｉｔ）などと呼ばれるが、このようなプロセッサを用いてもよい。

図３に戻り、ＲＯＭ３１２は、プロセッサ３１１が各種制御や演算を行うための各種プログラムやデータがあらかじめ格納された、リードオンリーメモリである。

ＲＡＭ３１３は、プロセッサ３１１にワーキングメモリとして使用されるランダムアクセスメモリである。このＲＡＭ３１３には、本実施形態の各種処理を行うための各種エリアが確保可能になっている。

計時部３１４は、計時処理を行う。本実施形態において、計時部３１４は例えば、時刻の同期などに用いられる。

記憶部３２は、プログラムやデータなどの情報を記憶するための装置である。記憶部はストレージとも称する。本実施形態において、記憶部３２はサーバ４０に内蔵されるが、これに限られるものではなく、専用ＨＤＤ（ハードディスクドライブ）等の外部記憶を備えていてもよい。

記憶部３２は、データの読み書きが可能な記憶媒体と、当該記憶媒体に読み書きするドライブとを含む。
当該記憶媒体は、特に制限されないが、例えば、内蔵型でも外付型でもよく、ＨＤ（ハードディスク）、ＣＤ－ＲＯＭなどが挙げられる。
当該ドライブは、特に制限されないが、例えばＨＤＤ（ハードディスクドライブ）、ＳＳＤ（ソリッドステートドライブ）等が挙げられる。

図３に示すように、記憶部３２は、プログラム格納部３２ａとデータ格納部３２ｂを備え、各種処理に必要なプログラムやデータを備える。
例えば、プログラム格納部３２ａは、サーバ４０と通信して最適処理条件予測プログラムＰ１０を操作するためのアプリＳ２０をインストールしている。
このほか、プログラム格納部３２ａは、端末３０に接続されている機器を制御するための制御プログラム、例えば通信制御部３３を制御する通信制御プログラムなどを格納している。

なお、アプリＳ２０は、プログラムにより後述する機械学習に必要な処理を行うほか、機械学習用サーバとの通信の確立や、ユーザ認証など、その他必要な各種プログラムを備える。

ユーザがアプリＳ２０を起動すると、端末３０のプロセッサ３１１は、ブラウザに最適処理条件予測プログラムＰ１０に係るユーザーインターフェースなどを表示させ、次項の通信制御部３３の機能によりサーバ４０と通信を行う。

図３に戻り、通信制御部３３は、端末３０と、外部にある端末等との間で通信を行うための装置である。外部にある端末とは例えば、後述するサーバ４０などである。通信制御部３３は、図１に示すように、端末３０をネットワークＮに接続する。
本実施形態における通信制御部３３の通信方式は有線ＬＡＮによる方式であるが、通信方式は公知のものを適宜用いることができる。

本実施形態における通信制御部３３の通信方式は、有線でも無線でもよい。端末３０がデスクトップＰＣであれば有線、無線の両方の場合が考えられる。また、端末３０がタブレットやスマートフォンであれば、無線による通信方式が考えられる。

有線であれば、例えばＩＥＥＥ８０２．３（例えばバス型やスター型の有線ＬＡＮ）で規定される通信方式を好適に用いることができるが、それ以外にも、ＩＥＥＥ８０２．５（例えばリング型の有線ＬＡＮ）で規定される通信方式などを用いてもよい。
無線であれば、例えばＩＥＥＥ８０２．１１（例えばＷｉ－Ｆｉ）で規定される通信方式を好適に用いることができるが、それ以外にも、ＩＥＥＥ８０２．１５（例えばブルートゥース（登録商標）、ＢＬＥ（ブルートゥース（登録商標）ローエナジー）など）、ＩＥＥＥ８０２．１６（例えばＷｉＭＡＸ）、または赤外線通信などの光通信で規定される通信方式などを用いてもよい。

図３に示すように、入力部３４は、ユーザからの入力を受け付ける装置である。
入力部３４として例えば、キーボード、ポインティングデバイスとしてのマウス、トラックパッド、タブレット、またはタッチパネルなどが挙げられる。

出力部３５は、情報を出力する装置である。出力部３５は例えば、情報を画像や音声、帳票などの形で出力する。
出力部３５として例えば、ディスプレイ（液晶ディスプレイや有機ＥＬディスプレイ）などの表示装置や、スピーカなどの音声出力装置、プリンタなどの帳票出力装置が挙げられる。

表示装置がタッチパネルやタッチスクリーンの場合、入力部３４は、画像などを表示する表示部の表面に配置される。この場合、入力部３４は、当該表示部に表示される各種操作キーに対応した、ユーザのタッチ位置を特定し、当該操作キーの入力を受け付ける。

＜サーバ４０＞
サーバ４０は、最適処理条件予測プログラムＰ１０による処理を実行するためのコンピュータである。最適処理条件予測プログラムＰ１０は、機械学習により、表層変性処理装置２０の最適な表層変性処理条件を予測するための処理を実行する。
サーバ４０のプロセッサ４１１は、機械学習モデルの学習や推論などを含む各種処理を実行する。

図１においてサーバ４０は１台のみ図示しているが、数は１台に限られるものではなく、複数のサーバにより実現してもよい。
例えば、機械学習を実行するためのサーバは、他の機能を発揮するためのサーバとは別のサーバであってもよい。また、負荷分散や可用性の観点から、複数のサーバを用いることも考えられる。

図４は本実施形態のサーバ４０のハードウェア構成図である。
図４に示すように、サーバ４０は、制御部４１、記憶部４２、および通信制御部４３を備える。
また制御部４１は、プロセッサ４１１、ＲＯＭ４１２、ＲＡＭ４１３、計時部４１４を備える。
なお、端末３０の箇所ですでに説明したコンピュータの機能などについては、説明を省略する。また、サーバ４０は入力部や出力部を備え得るが、説明は省略する。

プロセッサ４１１は、サーバ４０において最適処理条件予測部４１５としても機能する（不図示）。最適処理条件予測部４１５は、最適処理条件予測プログラムＰ１０を実行して最適処理条件予測処理を行う。

また、一のプログラムは、別のプログラムを含んでいてもよい。例えば本実施形態において、最適処理条件予測プログラムＰ１０は、データ取得プログラムＰ１１や処理条件学習プログラムＰ１２、および処理条件推論プログラムＰ１３を含む。

図４に戻り、ＲＡＭ４１３は、プロセッサ４１１にワーキングメモリとして使用されるランダムアクセスメモリである。
記憶部４２に格納された最適処理条件予測プログラムＰ１０などの各種プログラムや、最適処理条件予測データベースＤ１などの各種データがプロセッサ４１１により読み出され、ＲＡＭ４１３に記録（格納）される。

図４に示すように、記憶部４２は、プログラム格納部４２ａとデータ格納部４２ｂを備え、各種処理に必要なプログラムやデータを備える。
例えば、プログラム格納部４２ａは、本実施形態に係る最適処理条件予測プログラムＰ１０のほか、サーバ４０に接続されている機器を制御するための制御プログラム、例えば通信制御部４３を制御する通信制御プログラムなどを格納している。

図４に示すように、通信制御部４３は、サーバ４０と、外部にある端末等との間で通信を行うための装置である。外部にある端末とは端末３０などである。通信制御部４３は、図１に示すように、サーバ４０をネットワークＮに接続する。

２．製造・リサイクル方法
＜真空成形方法＞
本実施形態のホットスタンプ成形方法は、上述のホットスタンプ成形装置１０を使用して被加飾体１６の表面に加飾シート片１７を密着させて成形する真空成形方法であって、以下の工程を備える。以下、図を参照しつつ説明する。

（１）上部チャンバー１１１と下部チャンバー１１２を備えるチャンバー１１０内に、加飾シート片１７を固定した被加飾体１６を載置する工程、
（２）前記上部チャンバー１１１と下部チャンバー１１２を密接させ、チャンバー１１０を密閉する工程、
（３）前記加飾シート片１７を加熱した状態で前記チャンバー１１０内を減圧し、前記加飾シート片１７を前記被加飾体１６に密着させる工程、
（４）チャンバー１１０内の上部チャンバー１１１側を加圧する工程、
（５）加圧・減圧状態を解除し、チャンバー１１０を開放して加工後の被加飾体１６を取り出す工程

（１）上部チャンバー１１１と下部チャンバー１１２を備えるチャンバー１１０内に、加飾シート片１７を固定した被加飾体１６を載置する工程
図５はチャンバー１１０内部の載置台１２３上に、下治具１５１を載置した状態を示す。下治具１５１を用いることにより、後述する被加飾体１６が加飾中に移動し、加飾部分にずれが生じることを防ぐ。図に示すように、下治具１５１は載置台１２３上に複数載置することができる。
なお、本実施形態では下治具１５１を用いる方法を説明するが、被加飾体１６が加工中に移動等せず、安定するのであれば、下治具１５１は用いなくてもよい。

図６は下治具１５１に被加飾体１６を固定した状態を示す。被加飾体１６を下治具１５１に固定する方法は任意の方法が用いられる。例えば、被加飾体１６と下治具１５１が嵌合して固定する方法であっても良いし、クリップやピンのような固定器具や粘着テープのような粘着体を用いて固定する方法でも良い。

図７は固定した被加飾体１６の周辺に枠体１５２を載置した状態を示す。枠体１５２は被加飾体１６を囲うように配設される。なお、枠体１５２を用いない例については後述する。１つの被加飾体１６に対して１つの枠体１５２を用いるが、これに限られるものではなく、複数の被加飾体１６に対して１つの枠体１５２を用いても良い。１つの被加飾体１６に対して１つの枠体１５２を用いると、押圧体１５３による圧を真上から掛けることができる。これにより、加飾シート片１７に意図しない方向からの圧が掛かって加飾位置がずれることが抑制される。

図８は被加飾体１６上に加飾シート片１７を固定した状態を示す。加飾シート片１７は被加飾体１６に接するように固定される。つまり、加飾シート片１７は被加飾体１６に当接している。
被加飾体１６上に加飾シート片１７を固定する方法は任意の方法が用いられる。例えば、クリップやピンのような固定器具により固定する方法や、粘着テープのような粘着体で固定する方法が用いられる。

なお本実施形態において、下治具１５１に被加飾体１６を固定した後に加飾シート片１７を固定しているが、加飾シート片１７を被加飾体１６に固定した後に下治具１５１に固定しても良い。

図９は加飾シート片１７の上側に押圧体１５３を配設した状態を示す。本実施形態では、枠体１５２上に押圧体１５３を架設している。なお、図中の加飾シート片１７と押圧体１５３の間に隙間があるが、これに限られるものではなく、押圧体１５３は加飾シート片１７に接触していても良い。

図１０は上部チャンバー１１１端部に分画シート１３０を固定した状態を示す図である。上述の通り、分画シートは上部チャンバー１１１と下部チャンバー１１２の圧力差を維持する。
なお、分画シートはこの段階で取り付けるのではなく、あらかじめ上部チャンバー１１１に固定していても良い。

（２）前記上部チャンバー１１１と下部チャンバー１１２を密接させ、チャンバー１１０を密閉する工程
図１１はチャンバー１１０を密閉した状態を示す。図１１中の白抜き矢印は、上部チャンバー１１１が下降していることを示す。本実施形態では、上部チャンバー１１１を下降させ、下部チャンバー１１２と密接させる。このとき、上部チャンバー１１１と下部チャンバー１１２で形成された内部空間は密閉された状態であり、気密性を有する。また、分画シート１３０は上部チャンバー１１１と下部チャンバー１１２を分画し、上部チャンバー１１１と下部チャンバー１１２間で空気の移動は生じない。なおこの状態において、分画シート１３０は押圧体１５３と接触し、緊張状態にあることが好ましい。押圧体１５３を固定するためである。

（３）前記加飾シート片１７を加熱した状態で前記チャンバー１１０内を減圧し、前記加飾シート片１７を前記被加飾体１６に密着させる工程
図１２は加飾シート片１７を加熱した状態を示す。不図示のヒータ１４３によってチャンバー１１０内部を加熱する。熱可塑性を有する加飾シート片１７が加熱により柔らかくなり、被加飾体１６に密着しやすくなる。
加飾シート片１７が加工しやすくなる温度は素材によって異なるが、通常この工程におけるチャンバー１１０内部の温度は９０度から２００度になるよう設定され、特に１００度から１４０度の間の温度が好適に用いられる。

図１３はチャンバー１１０内を減圧した状態を示す図である。本工程では、真空ポンプ１４１が下部チャンバー１１２内を減圧する。載置台１２３に複数の穴が開いているため、押圧体１５３、枠体１５２、載置台１２３で囲われる被加飾体１６周辺の空間（以後「被加飾体周辺空間」と呼称する）が減圧される。
なお本実施形態において減圧とは、下部チャンバー１１２内部が０．０６ＭＰａ以下になることを意味する。

減圧により、被加飾体１６と加飾シート片１７の間から空気が抜けるため、被加飾体１６と加飾シート片１７が密着する。
また、被加飾体周辺空間が減圧されることにより、弾性を有する押圧体１５３は、被加飾体周辺空間の体積が小さくなるよう変形する。この結果、押圧体１５３が加飾シート片１７を押圧するため、被加飾体１６と加飾シート片１７がさらに密着する。

本実施形態において加飾シート片１７を加熱した後にチャンバー１１０内を減圧しているが、これに限られたものではなく、加飾シート片１７の加熱とチャンバー１１０内の減圧は同時に行っても良いし、チャンバー１１０内を減圧してから加飾シート片１７を加熱しても良い。ただし、加飾シート片１７を加熱した後にチャンバー１１０内を減圧した方が、作業効率的に好ましい。

（４）チャンバー１１０内の上部チャンバー１１１側を加圧する工程
図１３に示すように、チャンバー１１０は加圧タンク１４２に接続されている。本実施形態におけるホットスタンプ成形装置１０は分画シート１３０を備えているため、分画シート１３０より上側と下側で圧の状態を変えることができる。
本実施形態において、まず上部チャンバー１１１側の減圧状態を解除することにより、押圧体１５３が加飾シートを強く押圧する。その後、加圧タンク１４２を用いて上部チャンバー１１１側を加圧状態にする。この加圧により、押圧体１５３が加飾シート片１７をさらに強く押圧するため、加飾シート片１７と被加飾体１６はより強力に密着する。
なお、本項の加圧工程が無くても加飾シート片１７と被加飾体１６は密着するが、加圧工程を加えることにより加飾シート片１７と被加飾体１６は強力に密着する。

なお本実施形態において、上部チャンバー１１１内は０．１ＭＰａ以上０．８ＭＰａ以下に設定される。加飾シート片１７を被加飾体１６に密着させる観点から、０．５ＭＰａ以上０．８ＭＰａ以下であることが好ましい。

本実施形態において、所望の圧力になるまでチャンバー内を減圧し、または加圧する。例えば一つの実施形態において、減圧時間は１分間であり、加圧時間は１分間である。これより長くしても密着の程度は変化しない。

（５）加圧・減圧状態を解除し、チャンバー１１０を開放して加工後の被加飾体１６を取り出す工程
図１４は減圧・加圧状態を解除し、チャンバー１１０内を常温に戻して開放した状態を示す。図１４中の白抜き矢印は、上部チャンバー１１１が上昇したことを示す。上記所定の減圧・加圧時間経過後は、減圧・加圧状態を解除し、被加飾体周辺空間を常圧に戻す。また、チャンバー１１０を開放することで、被加飾体１６を冷却（放冷）する。
なおここで、加飾シート片１７の余剰部分を除去する工程を加えても良い。例えば、抜型やレーザーカットを用いて余剰部分を除去することができる。

（ホットスタンプ成形方法におけるそのほかの実施形態）
以上、ホットスタンプ成形方法の一例を挙げて説明したが、これに限られるものではない。ここでは、ホットスタンプ成形方法におけるそのほかの実施形態を例示する。

図１５は、ホットスタンプ成形方法における第二の実施形態を示す図である。
図１５は、加飾を要する部分を複数箇所備える被加飾体１６の加飾箇所ごとに、複数の独立した加飾シート片１７を固定し、加飾する例である。

図１５は、２組の枠体１５２と押圧体１５３が載置された状態を示す。１つの枠体１５２内部には、２箇所の加飾部分を備える被加飾体１６が１つ載置されている。また、２箇所の加飾部分のそれぞれに、独立した加飾シート片１７が固定される。なお、２箇所の加飾部分のそれぞれに異なる意匠の加飾シート片１７を用いることもできるため、デザイン設計の自由度が向上する。
ここで、図１５はチャンバー１０を密閉する前の状態を示している。上述した実施形態の説明における図１０に対応する。ホットスタンプ成形方法は上述した方法と同様であるため省略する。

図１６は、ホットスタンプ成形方法における第三の実施形態を示す図である。
図１６は、前項同様、複数の加飾部分を備える被加飾体１６に、複数の独立した加飾シート片１７を固定し、加飾する例である。

図１６は１つの枠体１５２内に複数の加飾部分を備える１つの被加飾体１６を載置した状態を示す。本実施形態において、１つの枠体１５２内に４か所の加飾部分を備える被加飾体１６を載置台１２３上に載置する。４か所の加飾部分のそれぞれに、独立した別個の加飾シート片１７を固定することができる。
ここで、図１６はチャンバー１０を密閉する前の状態を示している点は前項同様であり、ホットスタンプ成形方法は上述した方法と同様であるため省略する。

図１７は、ホットスタンプ成形方法における第四の実施形態を示す図である。
図１７は、押圧体１５３を複数用意するのではなく、押圧体１５３を分画シート１３０と一体化させ、１枚にする例である。
この場合、連続して加飾を行う際に、毎回押圧体１５３を配設しなくてもよいという利点がある。さらに、押圧時に押圧体１５３と枠体１５２とのずれが生じにくくなるという利点がある。

上述したもののほか、ホットスタンプ成形方法として加飾シート片１７ではなく加飾シートを用いる場合は、公知の方法が適宜用いられる。
例えば、加飾シート片１７ではなく加飾シートを用いる場合、上述した分画シート１３０に相当する部分に加飾シートを配設し、ホットスタンプ成形を行う。この場合、枠体１５２や押圧体１５３は不要である。

＜リサイクル方法＞
リサイクル方法は、加飾済みの被加飾体（ホットスタンプ成形品）から加飾体を除去し、被加飾体の材料（プラスチック等）をリサイクルする方法である。
被加飾体の材料（プラスチック等）をリサイクルすることを「被加飾体をリサイクルする」と称する。
また、このリサイクル方法のことを、ホットスタンプ成形品のリサイクル方法と称する。

本実施形態のリサイクル方法は表層変性処理工程を含み、表層変性処理工程により加飾済みの被加飾体（ホットスタンプ成形品）から加飾体を除去する。
表層変性処理工程では、機械学習により最適な表層変性処理条件を決定する。
また、本実施形態のリサイクル方法は、得られた被加飾体を断片化する断片化処理工程を備える。断片化された被加飾体は、押出機で再度溶融し、ペレット化するなどしてリサイクルされる。

以下では、表層変性処理工程および断片化処理工程のほか、機械学習モデルの作成について、図を参照しつつ説明する。
ここでは、以下の（１）から（３）に沿って説明する。

（１）加飾済み被加飾体の準備
（２）表層変性処理工程
（２－１）機械学習モデルの学習
（２－２）機械学習モデルによる推論
（３）断片化処理工程

（１）加飾済み被加飾体の準備
ここでは、機械学習モデルの学習に必要な加飾済み被加飾体（以下において「成形サンプル」とする。）について説明する。
成形サンプルは、実際に使用された製品に限らず、機械学習用のサンプルを作成してもよい。このような例は変形例の箇所で説明する。

用意した成形サンプルについて、加飾シート部分の膜厚を測定する。加飾シート部分の膜厚は、表層変性処理の処理時間に影響し得る。膜厚は、市販の非接触型膜厚計を適宜用いることができる。

なお、本実施形態において、加飾シート部分の膜厚は、接着層、装飾層、および保護層を備える加飾シートの膜厚であるが、ホットスタンプ時の熱反応や経年劣化等により、加飾シートの膜厚は新品時とは変動し得るため、加飾シート部分の膜厚は成形サンプルごとに測定することが好ましい。
ただし、加飾シート部分の膜厚として（新品の）加飾シートの膜厚を用いてもよい。この場合、測定の手間を省略できる。

さらに、作成したそれぞれの成形サンプルについて、３Ｄスキャナで撮影して３Ｄデータを取得する。本実施形態において、取得するデータは点群データである。
３Ｄスキャナは市販のものを適宜用いることができるが、３Ｄスキャナの解像度については、最小ポイント間隔１ｍｍ以下が好ましく、０．１ｍｍ以下がより好ましい。
これらのデータは、表層変性処理の対象となる成形サンプル（加飾済み被加飾体）のデータとして表層変性工程データベースＤ１２に格納される。

ここで、３Ｄデータを取得する理由について説明する。
多くの場合において、被加飾体は凹凸のある立体的形状を有するため、同一の被加飾体であっても、加飾体が除去しやすい部分と除去しにくい部分が生じることがある。
例えば、ある被加飾体について、凸部では加飾体を除去しやすく、凹部では加飾体を除去しにくい傾向がある。

よって、これら凹凸などの立体的形状に係る情報を学習データとして加えることで、より詳細な推論が可能となる。
例えば、凸部では加飾体を除去しやすく、凹部では除去しにくいという情報を機械学習モデルが記憶することで、新規の形状のものであっても、ホットスタンプ成形品が有する凹凸形状を考慮して処理条件を推論することができる。

なお、被加飾体の立体的形状は無限に存在し得る一方で、製品として取り扱う被加飾体はある程度決まっていることが一般的である。
よって、立体的形状が同一の被加飾体（以下「同一製品」とする。）については、３Ｄデータを新規に取得せず、同一製品ですでに取得済みの３Ｄデータを再利用してもよい。この場合、データ取得の手間を省くことができる。

上述した成形サンプルの準備に係る条件などは一例であり、そのほかの態様も適応し得る。
例えば、使用する３Ｄデータは、点群データに限られるものではなく、メッシュデータ（ポリゴンデータ）、ＣＡＤデータなどであってもよい。

（２）表層変性処理工程
表層変性処理工程は、被加飾体上の加飾体を変性して除去するための工程である。変性により、加飾体が除去されやすくなる。

機械学習モデルの学習のため、上記で作成した成形サンプルについて、種々の条件のもと表層変性処理を行う。
以下では、特に断りの無い場合、表層変性処理がプラズマ処理である場合について説明する。

また本実施形態の表層変性処理工程において、表層変性処理後に加飾体除去処理を行う。
加飾体除去処理は、表層変性処理により変性して除去し易くなっているが、被加飾体上に残っているような加飾体の残渣を除去する処理である。

本実施形態において、加飾体除去処理として圧縮空気を用いた圧縮空気処理（エアブローなどとも呼ばれる）を用いているが、これに限られない。
例えば、表層変性処理後の被加飾体を回転ドラムの中で回転させて加飾体を除去する方法や、人手により除去する方法であってもよい。

（２－１）機械学習モデルの学習
本実施形態の機械学習モデルは、
（一）加飾前の被加飾体（成形前サンプル）や加飾済み被加飾体（成形サンプル）などの処理対象物品に係るデータ、
（二）ホットスタンプ成形工程や表層変性処理工程などの処理に係るデータ、および、
（三）表層変性処理の結果に係るデータ
を入力データとし、これらの関係などを学習する。
特に、成形サンプルに係るデータ、表層変性処理工程係るデータ、表層変性処理の結果に係るデータが重量である。
以下項目ごとに説明する。

（一）処理対象物品に係るデータは、加飾前の被加飾体（成形前サンプル）や加飾済み被加飾体（成形サンプル）に係るデータである。
なお上述したように、学習段階における処理対象物品に係るデータを、「学習用処理対象物品データ」と称する場合がある。

加飾前の被加飾体（成形前サンプル）に係るデータは、ホットスタンプ成形工程の処理対象物品に係るデータである。例えば、成形前サンプルのロット番号や、サンプル材料名などである。このほか、被加飾体を加飾する加飾シート片のデータも含めてよい。

加飾済み被加飾体（成形サンプル）に係るデータは、表面変性処理工程の処理対象物品に係るデータである。例えば、成形サンプルの情報（ロット番号、サンプル材料名など）、成形サンプルの外観・形状（３Ｄデータなど）、または成形サンプルの状態（加飾シート部分の膜厚など）のデータである。
成形サンプルの状態に係るデータは、例えば加飾シート部分の膜厚（接着層の膜厚含む）である。

処理対象物品に係るデータは、後述するホットスタンプ成形工程データベースＤ１１または表層変性工程データベースＤ１２に格納されている。

なお、成形サンプルの外観データは、３Ｄデータに限らず、ラジエータグリル、センターパネルといった、部品名であってもよい。おおよそ同じ形状であると区分できるためである。このほか、お椀型や円柱型など、形状の特長を外観データとしてもよい。

（二）処理に係るデータは、ホットスタンプ成形装置１０や表層変性処理装置２０などの装置の設定に係るデータや、実際の処理により得られるデータである。ここに表層変性処理装置２０の環境条件に係るデータも含めてよい。

装置の設定に係るデータや、実際の処理により得られるデータは、後述するホットスタンプ成形工程データベースＤ１１や表層変性工程データベースＤ１２に格納されている。
また、環境条件に係るデータは、後述する環境データベースＤ１３に格納されている。

ここで、装置の設定に係るデータとは例えば、表層変性処理装置２０がプラズマ処理装置２１である場合、放電出力や処理時間などである。
また環境条件に係るデータとは、例えば処理時における気温、湿度などである。詳細は後述する。

実際の処理により得られるデータとは例えば、処理開始時間や処理終了時間、装置稼働時の実測パラメータなどである。装置稼働時の実測パラメータとは、稼働時の装置内温度や装置内圧力などである。

（三）表層変性処理の結果に係るデータは、上述したように、例えば加飾体除去度などの表層変性処理による加飾体の除去の程度や、表層変性処理が成功したか失敗したかなどの結果を示すデータである。加飾体除去度については後述する。
本実施形態において、このデータがいわゆる正解データに関わる。加飾体除去度が最も高くなる表層変性処理条件を見つけることが本実施形態の機械学習モデルの目的だからである。

機械学習で用いるアルゴリズムとして、例えばＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）などを用いることができる。また、機械学習の一態様として、ディープラーニング（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ（ＤＬ））を用いてもよい。ディープラーニングで用いるアルゴリズムとして、例えば畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＣＮＮ））や再帰型ニューラルネットワーク（Ｒｅｃｃｕｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＲＮＮ））など、公知の方法を用いることができる。

機械学習モデルの判断（推論）に影響するパラメータ（例えば重みやバイアス）は、管理者が適宜調整することができる。

表１は、処理時間を変化させて表層変性処理を行い、加飾シートの除去の程度（加飾体除去度）を目視で観察した結果の例を示す。
ただし、この表１はどのような結果が得られるかを示すための例であるため、各表層変性処理装置２０のパラメータを調整することにより結果は変動する。

表１中において、Ｎは加飾シートがまったく除去できていない、Ｃは除去が不十分である、Ｂは大部分が除去できている、Ａは十分除去できていることを意味する。また、ＮＧは被加飾体に焦げが見られ、処理が過剰であったことを示す。

表１に示すように、プラズマ処理の場合、処理時間１０秒が最も良い結果を与えるが、処理時間が１５秒以上になると被加飾体に焦げが見られた。
コロナ処理の場合、処理時間５秒が最も良い結果を与えるが、処理時間が１０秒以上になると被加飾体に焦げが見られた。また、プラズマ処理に比べ、加飾体の除去にムラが見られた。
フレーム処理の場合、処理時間５秒が最も良い結果を与えるが、処理時間が１０秒以上になると被加飾体に焦げが見られた。
ヒートガンによる高温熱風処理の場合、処理時間４秒が最も良い結果を与えるが、処理時間が７．５秒以上になると被加飾体に焦げが見られた。

本実施形態において、加飾シートが十分除去できているときに最もよいスコアを与え（例えば上記表１でＡの場合に１０点）、そこから加飾シートの除去の程度が悪くなるごとにスコアを低くしている（例えばＢで８点、Ｃで５点、Ｎで０点）。また、焦げが発生したときは除去ができていない以上に悪いスコアを付している（例えばＮＧの場合に－２点）。

上記表１は、プラズマ処理、コロナ処理、フレーム処理、そして高温熱風処理における処理条件における一例であり、処理対象物品や表層変性処理の条件を種々変化させて表層変性処理を行い、それぞれについて加飾体除去度のデータを取得する。
また、環境条件に係るデータも変化するため、これらも含めて機械学習モデルは学習データとする。

なお、加飾体除去度について、表１では処理時間ごとの結果を記載しているが、これに限られるものではなく、加飾体の除去が十分に完了した時間のみをデータとして記録してもよい。この場合、詳細な傾向は見られなくなるものの、データ収集が容易になり、またデータが軽くなる利点がある。

また、本実施形態では加飾体除去度を目視で確認しているが、これに画像処理を用いて自動化してもよい。
例えば、表層変性処理工程前後のそれぞれで被加飾体の画像データを取得し、その画像から被加飾体上から除去できずに残っている加飾体の比率を解析し、加飾体除去率に使用してもよい。

例えば、被加飾体が白色、加飾体が黒色であったとする。表層変性処理工程を経た成形サンプルは、加飾体が除去されて白色部分が露出する。
一例を挙げると、表層変性処理工程前に１００％であった加飾体の黒色部分が、表層変性処理工程後において４０％となっている場合は、加飾体除去度は６０％と言える。

また、焦げの色、例えば茶色、なども記憶させておき、過剰な加熱処理により焦げが生じた場合はその比率を表示するようにしてもよい。
この場合に得られる情報は例えば、白色部分（加飾体が除去できた被加飾体部分）８０％、黒色部分（残った加飾体部分）１０％、茶色部分（焦げ部分）１０％などである。

加飾体除去度の算出に画像処理を用いることにより、人の目で見る場合と比べ、判定のばらつきが少なくなるという利点がある。

（２－２）機械学習モデルによる推論
機械学習モデルが十分に学習したあと、得られた学習モデルにより推論を行う。
本実施形態の機械学習モデルは、処理対象物品に係るデータと環境条件（気温、湿度など））とを入力データとして、加飾体除去度について定量化した値を出力する。
また、本実施形態の機械学習モデルは、この加飾体除去度が最も高くなる最適な表層変性処理条件を推論し、定量化した値として出力する。
この推論する処理を処理条件推論処理、この推論する工程を処理条件推論工程と称する。

ここで、処理対象物品に係るデータとは、加飾済み被加飾体（成形サンプル）に係るデータであり、例えば、成形サンプルの情報（ロット番号、サンプル材料名など）、成形サンプルの外観・形状（３Ｄデータなど）、または成形サンプルの状態（加飾シート部分の膜厚など）のデータである。
成形サンプルの状態に係るデータは、加飾シート部分の膜厚のほか、接着層の膜厚などであってもよい。

なお上述したように、推論段階における処理対象物品に係るデータを、「推論用処理対象物品データ」と称する場合がある。
また、「加飾体除去度について定量化した値を出力する」とは、定量化した値を算出できればよく、ユーザに対して表示することを必ずしも要しない。
なお、「加飾体除去度が最も高くなる」の語は、上記で定義した「最適」と同様、機械学習モデルが算出する範囲で加飾体除去度が最も高くなることを意味する。

ここで、処理条件推論処理の例を挙げて説明する。
加飾済み被加飾体の形状データや、測定により得られた加飾シート部分の膜厚を学習済み機械学習モデルに入力すると、機械学習モデルは加飾体除去度が最も高くなる表層変性処理条件を定量化した値として出力する。

例えば、表層変性処理がプラズマ処理であれば、プラズマ出力に係る放電出力や処理時間の条件を、定量化した値として出力する。
つまり、表層変性処理条件を定量化した値として出力とは、ユーザが調整可能な表層処理装置の設定パラメータなどを、数値として出力することを意味する。

そして、機械学習モデルが予測（推論）した最適な処理条件を表層変性処理装置２０に連携させ、当該処理条件に沿った表層変性処理を行い、加飾体の除去を行う。
なおこの連携は、表層変性処理装置２０に処理条件の設定を自動的に反映させてもよいし、端末３０の表示部３５（ディスプレイなど）に表示された処理条件を手入力で表層変性処理装置２０に入力してもよい。

（３）断片化処理工程
断片化処理工程では、加飾体を除去した被加飾体を断片化する。断片化とは例えば、裁断や粉砕である。
上述したように、本実施形態において、断片化された被加飾体は、押出機で再度溶融し、ペレット化するなどしてリサイクルされる。
断片化や溶融、ペレット化の方法は公知の方法が適宜用いられる。

以上のように、機械学習モデルの学習後は、当該機械学習モデルが推論する最適条件を用いて表層変性処理工程を行い、加飾済み被加飾体から加飾体を除去する。その後、断片化処理工程により当該被加飾体を断片化して被加飾体をリサイクルする。

２．プログラム処理
＜最適処理条件予測処理＞
本実施形態のリサイクルシステム１において実行されるプログラム処理について説明する。

本実施形態において、サーバ４０のプロセッサ４１１は、最適処理条件予測プログラムＰ１０に基づき、最適処理条件予測処理を行う。
最適処理条件とは、表層変性処理における最適な処理条件を意味する。最適の語は上記で定義したとおりである。

最適処理条件予測プログラムＰ１０は、少なくともデータ取得プログラムＰ１１、処理条件学習プログラムＰ１２、および処理条件推論プログラムＰ１３を含み、プロセッサ４１１はこれらの各プログラムに基づいて、データ取得処理、処理条件学習処理、および処理条件推論処理をそれぞれ実行する。

最適処理条件予測プログラムＰ１０は、最適処理条件予測処理の実行により、コンピュータを最適処理条件予測手段として機能させるプログラムである。またこの際、プロセッサ４１１を備えるコンピュータの制御部４１は、最適処理条件予測部４１５（または最適処理条件予測装置）として機能する。

本実施形態において、端末３０やサーバ４０などの各コンピュータはそれぞれプロセッサを備えるが、単にプロセッサという場合は、最適処理条件予測プログラムＰ１０により処理を行うプロセッサ、本実施形態ではサーバ４０のプロセッサ４１１、を指すものとする。

＜２－１．データ取得処理＞
データ取得処理は、プロセッサ４１１が機械学習に必要な学習データ、つまり、処理対象物品に係るデータ（学習用処理対象物品データ）、表層変性処理に係るデータ、および、表層変性処理の結果に係るデータを取得し、機械学習に入力可能な形に整える処理である。

プロセッサ４１１は、データ取得プログラムＰ１１に基づき、データ取得処理を行う。
すなわち、データ取得プログラムＰ１１は、プロセッサ４１１によるデータ取得処理の実行により、コンピュータをデータ取得手段として機能させる。

図１８は、データ取得処理を示すフローチャートである。
データ取得処理において、プロセッサ４１１は、端末３０から送信されている各種データを取得し、機械学習に適した形にデータを加工する。
ここで前提として、端末３０は、ホットスタンプ成形装置１０や表層変性処理装置２０の処理・動作により得たデータを取得し、サーバ４０に送信している。それらのデータはサーバ４０のデータ格納部４２ｂに格納されている。

以下では、取得するデータが表層変性処理装置２０を用いる処理（表層変性処理）に係るデータであり、また表層変性処理装置２０がプラズマ処理装置２１である例を示す。

プロセッサ４１１は、ユーザによるデータ取得処理開始の指示を、端末３０からアプリＳ２０を通じて受け付けることにより、データ取得処理を開始する。

図１８に示すように、プロセッサ４１１はデータ格納部４２ｂに保存された、学習のために必要なデータを取得する（ステップ１１）。

本実施形態において、プロセッサ４１１は、成形サンプルに係るデータ（学習用処理対象物品データ）、プラズマ処理に係るデータ、および加飾体除去度のデータを取得する。

なお、ここでは取得するデータが、表層変性処理装置２０の処理に係るデータである例を挙げたが、ステップ１１でさらに、ホットスタンプ成形装置１０の処理に係るデータを取得してもよい。
通常ホットスタンプ成形からリサイクルまで相当の期間を有するため、ホットスタンプ成形装置１０のデータは加飾体の除去に大きく影響しないと考えられるが、加飾シート片１７のロットなどによって表層変性処理の結果に差異が生じる可能性がある。
このような場合を考慮し、ホットスタンプ成形装置１０のデータをさらに入力しておくことで、機械学習モデルが新たな傾向を発見し得るという利点がある。
ホットスタンプ成形工程のデータについてはデータベースの項で後述する。

続いてプロセッサ４１１は、取得したデータについてラベル付けを行う（ステップ１２）。ラベル付けは、処理対象物品や表層変性処理条件と、表層変性処理の結果、いわゆる正解データとの紐づけである。
ラベル付けは上述したとおり、プラズマ処理装置２１による加飾体除去度に基づいて行われる。
なお、データ格納部４２ｂに保存されているデータがすでにラベル付けされている場合は、このステップは省略してもよい。

プロセッサ４１１は、データの前処理を行う（ステップ１３）。前処理とは、機械学習モデルへの入力に適した形にデータを整える処理である。例えば、ブランクデータがある場合は所定の文字等でそのブランクを埋める処理などである。本実施形態の前処理方法は、公知の方法が適宜用いられる。
プロセッサ４１１は、適切に前処理が終了したら各種データを保存し（ステップ１４）、データ取得処理を終了する。

＜２－２．処理条件学習処理＞
処理条件学習処理は、処理対象物品に係るデータ、表層変性処理に係るデータ、および、表層変性処理の結果に係るデータを学習データとして、機械学習モデルがこれらの関係を学習するため処理である。

プロセッサ４１１は、処理条件学習プログラムＰ１２に基づき、処理条件学習処理を行う。
すなわち、処理条件学習プログラムＰ１２は、プロセッサ４１１による処理条件学習処理の実行により、コンピュータを処理条件学習手段として機能させる。

図１９は、処理条件学習処理を示すフローチャートである。
本実施形態の処理条件学習処理において、プロセッサ４１１は、成形サンプルに係るデータ、プラズマ処理に係るデータ、および加飾体除去度のデータを入力データとし、これらの関係を学習する。
プロセッサ４１１は、ユーザによる処理条件学習処理開始の指示を、端末３０からアプリＳ２０を通じて受け付けることにより、処理条件学習処理を開始する。

図１９に示すように、プロセッサ４１１は前処理済みのデータを取得する（ステップ２１）。
つづいてプロセッサ４１１は、取得している成形サンプルに係るデータ（学習用処理対象物品データ）、プラズマ処理に係るデータ、および加飾体除去度のデータから学習に用いるデータサンプルを抽出し（ステップ２２）、機械学習モデルのトレーニングを行う。
データサンプルを抜き出して繰り返し学習（トレーニング）することにより、１回の学習におけるサーバ４０の負担を減らし、また学習の処理時間短くできるという利点がある。この機械学習モデルのトレーニングにおいて、プロセッサ４１１は特徴量を抽出する（ステップ２３）。

続いて、プロセッサ４１１は、機械学習モデルのテストを行い、パラメータの調整等により機械学習モデルの修正を行う（ステップ２４）。学習が十分であると判断できる場合（ステップ２５Ｙｅｓ）、プロセッサ４１１は、その機械学習モデルを保存して（ステップ２６）学習処理を終了する。
学習が十分でない場合には（ステップ２５Ｎｏ）、再度データサンプルの抽出を行い、学習を進める。

学習が十分か否かを判断する条件はユーザが適宜定めることができる。例えばある一定の回数の学習を行ったら、学習を終わりにするようにしてもよい。
そのほか、テストで機械学習モデルが出力した加飾体除去度と、実際の加飾体除去度を比較するようにしてもよい。

＜２－３．処理条件推論処理＞
処理条件推論処理は、処理対象物品に係るデータや環境データなどを入力データとして、機械学習モデルが加飾体除去度について定量化した値を出力し、また、最適な表層変性処理条件を定量化して出力するための処理である。
つまり、処理条件推論処理において、プロセッサ４１１は、加飾済みの被加飾体（成形サンプル）から加飾体を除去するための最適な処理条件を予測する。

プロセッサ４１１は、処理条件推論プログラムＰ１３に基づき、処理条件推論処理を行う。
すなわち、処理条件推論プログラムＰ１３は、プロセッサ４１１による処理条件推論処理の実行により、コンピュータを処理条件推論手段として機能させる。

図２０は、処理条件推論処理を示すフローチャートである。
プロセッサ４１１は、ユーザによる処理条件推論処理開始の指示を端末３０からアプリＳ２０を通じて受け付けることにより、処理条件推論処理を開始する。

まずプロセッサ４１１は、機械学習モデルに入力する入力データを取得する（ステップ３１）。入力データとは、処理対象物品に係るデータ（推論用処理対象物品データ）や、環境データである。

推論用処理対象物品データは例えば、成形サンプルの情報（ロット番号、サンプル材料名など）、成形サンプルの外観・形状（３Ｄデータなど）、または成形サンプルの状態（加飾シート部分の膜厚など）のデータなどのうち、機械学習モデルに入力可能なものである。
環境データは、気温や湿度である。

なおこのとき、ホットスタンプ成形工程におけるデータなどを入力データに含めてもよいが、学習時にホットスタンプ成形工程におけるデータを学習データに含めていない場合は、推論時にもホットスタンプ成形工程におけるデータを入力する必要はない。

続いて、プロセッサ４１１は、取得したデータを学習済み機械学習モデルに入力する（ステップ３２）。
機械学習モデルは、加飾体除去度が大きくなるような表層変性処理条件を演算し、最適な表層変性処理条件について、定量化した値として出力する（ステップ３３）。
このとき、加飾体除去度の値も表示するようにしてもよい。
プロセッサ４１１は、推論結果などのデータを保存し（ステップ３４）、処理条件推論処理を終了する。

ここで、プロセッサ４１１が得た推論結果は、端末３０を通じて表層変性処理装置２０にフィードバックし、表層変性処理工程を開始するようにしてもよい。

以上のような構成により、サーバ４０のプロセッサ４１１は、成形サンプルに係るデータ、ホットスタンプ成形工程やリサイクル工程における処理条件に係るデータ、または表層変性処理の結果である加飾体除去度のデータから、機械学習により最適な表面変性処理条件について学習し、また、入力されたデータをもとに推論を行う。

３．データ
以下、本実施形態のリサイクルシステム１が扱うデータについて、図を用いて説明する。
本実施形態において、サーバ４０の記憶部４２（データ格納部４２ｂ）は、最適処理条件予測データベースＤ１を備える。
最適処理条件予測データベースＤ１は、ホットスタンプ成形工程データベースＤ１１、表層変性工程データベースＤ１２、および環境データベースＤ１３を備える。

＜ホットスタンプ成形工程データベースＤ１１＞
ホットスタンプ成形工程データベースＤ１１は、ホットスタンプ成形に関するデータを備えるデータベースである。
ホットスタンプ成形に関するデータは、ホットスタンプ成形の対象となるサンプルのデータや、ホットスタンプ成形処理に関するデータを含む。例えば、ホットスタンプ成形の対象となる成形前サンプル（加飾前の被加飾体）のデータ、加飾体（加飾シート）のデータ、ホットスタンプ成形装置１０の設定に関するデータ、またはホットスタンプ成形によりホットスタンプ成形装置１０から得られるデータである。

ホットスタンプ成形の対象となる成形前サンプル（加飾前の被加飾体）のデータは例えば、被加飾体名、被加飾ロット番号などである。

表２は、ホットスタンプ成形工程データベースＤ１１が備えるデータを例示するものである。

表２に示すように、本実施形態において、ホットスタンプ成形工程データベースＤ１１は、一意のホットスタンプ処理Ｎｏ．（番号）のほか、被加飾体名、被加飾体ロット番号、加飾シート名称、加飾シートロット番号、ヒータ温度、処理日、処理時間、加圧開始時間、加圧度、減圧開始時間、減圧度、スタンプ開始時間、スタンプ終了時間のデータを含む。
ここで、処理開始時間と処理終了時間は、処理時間に関わる。

また、データはこれに限るものではなく、処理対象物品の３Ｄデータや、加飾シートメーカー名、加飾シート製品番号、加飾シート部分の膜厚、または裁断した加飾シート（加飾シート片）の大きさなどのデータを備えていてもよい。

なお、表２は説明のためのものであり、ホットスタンプ成形工程データベースＤ１１は複数のデータベースに分かれていてもよい。
例えば、一意の加飾シートＩＤのほか、加飾シート名称、加飾シートロット番号、加飾シートメーカー名、および加飾シート製品番号をデータとして含む加飾シートデータベースを別途用意し、ホットスタンプ成形工程データベースＤ１１には加飾シートＩＤのみ含めるようにしてもよい。

＜表層変性工程データベースＤ１２＞
表層変性工程データベースＤ１２は、表層変性処理に関するデータを備えるデータベースである。
表層変性処理に関するデータは、表層変性処理の対象となる成形サンプル（加飾済み被加飾体）のデータと、表層変性処理に関するデータを含む。

表層変性処理の対象となる成形サンプルのデータは例えば、処理対象サンプル名、サンプルロット番号、またはサンプル材料名である。

サンプル材料名は、処理を行うサンプルの被加飾体部分の材料名である。本実施形態において、被加飾体部分の材料名は例えば、ＡＢＳ（アクリロニトリル－ブタジエン－ポリスチレン）樹脂、ポリカーボネート樹脂、アクリル（メタクリル）樹脂、ＡＥＳ（アクリロニトリル－エチレン－プロピレン－ジエン－スチレン）樹脂、ガラス繊維を含む樹脂、ポリプロピレン樹脂、ポリスチレン樹脂などであるが、これに限られない。

また、データは上記に限るものではなく、例えば成形サンプルの３Ｄデータを備えていてもよい。表層変性工程データベースＤ１２がこの３Ｄデータを備えることにより、プロセッサ４１１は、被加飾体の形状と、最適な表層変性処理条件との関連を学習することができる。

表層変性処理に関するデータは例えば、表層変性処理装置２０の設定に関するデータや、表層変性処理により表層変性処理装置２０から得られるデータである。

表３は、表層変性処理装置２０がプラズマ処理装置２１である場合において、表層変性工程データベースＤ１２が備えるデータを例示するものである。

表３に示すように、本実施形態において、表層変性工程データベースＤ１２は、一意のプラズマ処理番号のほか、処理対象サンプル名、サンプルロット番号、サンプル材料名、加飾シート部分の膜厚、処理日、処理開始時間、処理終了時間、放電出力、電流（量）、および、プラズマ処理対象となる被加飾体の移動速度、のデータを含む。
ここで、処理開始時間と処理終了時間、または処理対象の移動速度は、処理時間に関わる。

表４は、表層変性処理装置２０が高温熱風処理装置２４である場合において、表層変性工程データベースＤ１２が備えるデータを例示するものである。
表４において、処理対象サンプル名、サンプルロット番号、サンプル材料名、加飾シート部分の膜厚、処理日、処理開始時間、および処理終了時間は省略している。

表４に示すように、本実施形態において、表層変性工程データベースＤ１２は、一意の高温熱風処理番号のほか、加熱温度、風量、熱風噴射口と処理対象との距離、および、高温熱風処理対象となる被加飾体の移動速度、のデータを含む。

＜環境データベースＤ１３＞
環境データベースＤ１３は、各種装置（ホットスタンプ成形装置１０や表層変性処理装置２０など）が稼働しているときの環境データを備えるデータベースである。

環境データは、各種装置（ホットスタンプ成形装置１０や表層変性処理装置２０など）が取得しているものであってもよいし、環境を測定するための測定装置から取得するものであってもよい。環境を測定するための測定装置とは、例えば温湿度計、気圧計などである。
また本実施形態において、環境データは表層変性処理装置２０が接地してある場所の環境データを取得している。
表５は、環境データベースＤ１３が備えるデータを例示するものである。

表５に示すように、本実施形態において、環境データベースＤ１３は、日付、時間、気温、および湿度のデータを備える。
ただし、これに限られるものではなく、気圧のデータや、表層変性処理装置２０の位置を示すＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）のデータを備えていてもよい。

これは、表層変性処理条件が、表層変性処理装置２０を設置する地域によっても変わり得るためである。例えば、日本で表層変性処理を行った場合と、米国で表層変性処理を行った場合で処理条件は変わり得るため、地域条件のデータを取得しておくことで、より正確な予測が可能となり得る。

なお、ＧＰＳのデータは例えば、ＤＥＧ（度１０進）表記で保存されるが、これに限られるものではなく、ＤＭＳ（度分秒）表記など、そのほかの公知の表記方法で保持してもよい。

また、本実施形態では環境データベースＤ１３を独立したデータベースとしているが、環境データはホットスタンプ成形工程データベースＤ１１や表層変性工程データベースＤ１２に含めてもよい。

以上のような構成により、ホットスタンプ成形時のデータ、表層変性処理時のデータ、およびその時の環境データと、幅広い多くのデータを備えることで、表層変性処理条件に関連するパラメータは何か、最適な表層変性処理条件は何かについて、機械学習が発見することをサポートすることができる。

なお、これらのデータベース構成は一例であり、これ以外のデータベース構成を取り得る。例えば、ホットスタンプ成形工程データベースＤ１１や表層変性工程データベースＤ１２から処理対象物品（被加飾体など）に関するデータを独立させ、データベースを作成してもよい。

（変形例）
本発明は上述の実施形態に限られるものではなく、本発明の趣旨を逸脱しない範囲において、上述の実施形態に種々の変更を加えたものを含む。

例えば、本実施形態において機械学習に関する処理はサーバ４０が行うが、端末３０で行うようにしてもよい。この場合、ホットスタンプ成形（真空成形）方法やリサイクル方法で得たデータを取得する端末３０と、機械学習に関する処理を行う端末３０は分けてもよい。

（加飾済み被加飾体の準備における変形例）
ここでは、機械学習モデルの学習に必要な加飾済み被加飾体（成形サンプル）は、実際に使用された被加飾体に限らず、種々の形状のものを用意してもよい。
これにより、機械学習に必要な多くのデータを用意することができる。

例えば、本実施形態に係る成形サンプルは、例えば、平面形状の樹脂板、立体形状を有する樹脂などであってもよい。
平面形状の樹脂板とは、例えば５ｃｍ×５ｃｍの樹脂の板である。

また、成形サンプルについて加速試験を行ってもよい。経時劣化した成形サンプルは、実際にリサイクル処理対象となるホットスタンプ成形品に近い挙動を示すことが期待できるためである。

この場合、加速試験の条件は、ＪＩＳ規格に定める促進耐候性試験（ＪＩＳ Ｄ ０２０５）の条件を用いるが、これに限られない。
例えば、加速試験として、耐候性試験の代わりに耐光性試験や温度サイクル試験、温湿度サイクル試験などを用いてもよい。

同一の形状を有する被加飾体のうち、加速試験を行わなかった成形サンプルと加速試験を行った成形サンプルとを用意した。どちらの成形サンプルも、加飾シート部分の膜厚は３００μｍである。
これらの成形サンプルに対して、大気圧条件下（減圧無し）、４００Ｗの条件でプラズマ処理を行った。このときの気温は２５℃、湿度は３０％である。
この結果、加速試験を行った成形サンプルは、より加飾体が除去しにくいという結果が得られた。

（リサイクル方法による変形例）
本実施形態のリサイクル方法は断片化工程を備えているが、リサイクルの方法はこれに限られない。例えば、加飾体を除去した被加飾体を、上述した断片化以外の方法で分解し、再生してもよい。
分解は例えば、被加飾体を構成する樹脂を、光反応や熱反応による解重合などにより分解してもよい。ここで解重合は、樹脂の主鎖などを構成する少なくとも一部の結合を切断することを意味する。

本実施形態を含む発明は、換言すると以下の特徴を備える。下記は本願出願時における特許請求の範囲と対応する。ただし、出願後における特許請求の範囲の補正により、当該補正後の特許請求の範囲の記載とは異なる場合がある。
（１）第１の発明は、ホットスタンプ成形により被加飾体を加飾シートで加飾する工程、および被加飾体から加飾体を除去して被加飾体をリサイクルする工程を備え、
前記加飾シートは、熱可塑性接着剤を含む接着層を備え、
前記被加飾体から加飾体を除去して被加飾体をリサイクルする工程は、
コロナ処理、プラズマ処理、フレーム処理、または高温熱風処理を含む表層変性処理により加飾体を変性させる表層変性処理工程を含むことを特徴とする、ホットスタンプ成形品のリサイクル方法を提供する。
（２）第２の発明は、前記ホットスタンプ成形により被加飾体を加飾シートで加飾する工程は、前記加飾シートが加飾シート片であり、かつ、
別個独立した複数の加飾シート片が当接している被加飾体を、上部チャンバーと下部チャンバーとを備えるチャンバー内に載置する工程、
前記上部チャンバーと下部チャンバーを密接させ、前記上部チャンバーまたは前記下部チャンバーの開口部を覆うように配設した分画シートにより、前記上部チャンバー内の空間と前記下部チャンバー内の空間を前記分画シートで分画する態様でチャンバーを密閉する工程、
前記加飾シート片を加熱した状態で前記チャンバー内を減圧し、前記加飾シート片を前記被加飾体に密着させる工程、を備えることを特徴とする、第１の発明に記載のリサイクル方法を提供する。
この場合、加飾シート片を用いるホットスタンプ成形方法は、被加飾体のサイズに合わせてムラなく加飾できるため、加飾体除去も容易という利点がある。ムラなく加飾されていることにより、表層変性処理が局所的な処理を可能とするものでなくとも加飾体の除去ができるためである。
このほか、加飾シート片を用いるホットスタンプ成形方法は、大判の加飾シートを用いる場合と比較して加飾シート使用量が少なく、素材を効率的に使用できるため、より環境によいという利点がある。
（３）第３の発明は、前記表層変性処理工程が、さらに、機械学習モデルを用いて表層変性処理の処理条件を推論する処理条件推論工程を備え、
前記機械学習モデルは、
処理対象物品に係るデータ、表層変性処理に係るデータ、および、表層変性処理の結果に係るデータを学習データとして学習を行い、
少なくとも処理対象物品に係るデータを入力データとして、表層変性処理条件について定量化した値を出力する機械学習モデルであることを特徴とする、第１の発明に記載のリサイクル方法を提供する。
この場合、データの入力のみで処理条件を予測できるため、最適な表層変性処理条件を得るために実際の成形サンプルで試行錯誤する必要が無くなり、最適な表層変性処理条件を見出すための検討の効率が向上する。特に、成形サンプルを焦がしてしまい、無駄にする可能性を抑制できる。
（４）第４の発明は、前記学習データおよび前記入力データに係る前記処理対象物品に係るデータが、当該処理対象物品を加飾している加飾シート部分の膜厚を含むことを特徴とする、第３の発明に記載のリサイクル方法を提供する。
この場合、表層変性処理時間に深く関わり得る加飾シート部分の膜厚を学習データとして含めることにより、機械学習モデルがより適切な表層変性処理条件を提示する可能性が高くなる。
（５）第５の発明は、前記処理対象物品に係るデータが、処理対象物品の３Ｄデータを含むことを特徴とする、第３の発明に記載のリサイクル方法を提供する。
この場合、成形サンプルの立体形状を学習データとして含めることにより、機械学習モデルがより適切な表層変性処理条件を提示する可能性が高くなる。
（６）第６の発明は、前記表層変性処理がプラズマ処理であり、前記表層変性処理に係るデータが少なくともプラズマ処理の処理時間に係るデータを含むことを特徴とする、第３の発明に記載のリサイクル方法を提供する。
この場合、プラズマ処理はより広い面の処理ができるなどの利点があり、コロナ処理、フレーム処理、または高温熱風処理よりも、ホットスタンプ成形品の表層変性処理に適しているため、加飾体除去度が向上する。
（７）第７の発明は、コンピュータを、処理対象物品に係るデータ、表層変性処理に係るデータ、および表層変性処理の結果に係るデータを取得するデータ取得手段、
前記データ取得手段で取得したデータを学習データとして学習する処理条件学習手段、
少なくとも処理対象物品に係るデータを含むデータを入力データとして、表層変性処理条件について定量化した値を出力する処理条件推論手段、として機能させ、
前記データ取得手段および前記処理条件推論手段における前記処理対象物品は、熱可塑性接着剤を含む接着層を備える加飾シートを用いて、ホットスタンプ成形により加飾している被加飾体であり、
前記表層変性処理は、コロナ処理、プラズマ処理、フレーム処理、または高温熱風処理であり、
前記表層変性処理に係るデータは、少なくとも表層変性処理の処理時間を含むことを特徴とする、表層変性処理条件を予測するための最適処理条件予測プログラムを提供する。

自動車部品に限らず、高耐候性などが不可欠な製品の加飾と、そのリサイクルに適用することができる。

１ リサイクルシステム
１０ ホットスタンプ成形装置
１１０ チャンバー
１１１ 上部チャンバー
１１２ 下部チャンバー
１２１ 吊持部
１２２ 支持部
１２３ 載置台
１３０ 分画シート
１４１ 真空ポンプ
１４２ 加圧タンク
１４３ ヒータ
１５１ 下治具
１５２ 枠体
１５３ 押圧体
１６ 被加飾体
１７ 加飾シート片
２０ 表層変性処理装置
２１ プラズマ処理装置
２２ コロナ処理装置
２３ フレーム処理装置
２４ 高温熱風処理装置
３０ 端末
３１ 制御部
３１１ プロセッサ
３１２ ＲＯＭ
３１３ ＲＡＭ
３１４ 計時部
３２ 記憶部
３２ａ プログラム格納部
３２ｂ データ格納部
３３ 通信制御部
３４ 入力部
３５ 出力部
４０ サーバ
４１ 制御部
４１１ プロセッサ
４１２ ＲＯＭ
４１３ ＲＡＭ
４１４ 計時部
４１５ 最適処理条件予測部
４２ 記憶部
４２ａ プログラム格納部
４２ｂ データ格納部
４３ 通信制御部
Ｎ ネットワーク
Ｐ１０ 最適処理条件予測プログラム
Ｐ１１ データ取得プログラム
Ｐ１２ 処理条件学習プログラム
Ｐ１３ 処理条件推論プログラム
Ｓ２０ アプリケーションソフトウェア（アプリ）
Ｄ１ 最適処理条件予測データベース
Ｄ１１ ホットスタンプ成形工程データベース
Ｄ１２ 表層変性工程データベース
Ｄ１３ 環境データベース

Claims (6)

1. ホットスタンプ成形により被加飾体を加飾シートで加飾する工程、および
   被加飾体から加飾体を除去して被加飾体をリサイクルする工程を備え、
   前記加飾シートは、熱可塑性接着剤を含む接着層を備え、
   前記被加飾体から加飾体を除去して被加飾体をリサイクルする工程は、
   コロナ処理、プラズマ処理、フレーム処理、または高温熱風処理を含む表層変性処理により加飾体を変性させる表層変性処理工程を含み、
   前記表層変性処理工程は、さらに、機械学習モデルを用いて表層変性処理の処理条件を推論する処理条件推論工程を備え、
   前記機械学習モデルは、
   処理対象物品に係るデータ、表層変性処理に係るデータ、および、表層変性処理の結果に係るデータを学習データとして学習を行い、
   少なくとも処理対象物品に係るデータを入力データとして、表層変性処理条件について定量化した値を出力する機械学習モデルであることを特徴とする、
   ホットスタンプ成形品のリサイクル方法。
2. 前記ホットスタンプ成形により被加飾体を加飾シートで加飾する工程は、
   前記加飾シートが加飾シート片であり、かつ、
   別個独立した複数の加飾シート片が当接している被加飾体を、上部チャンバーと下部チャンバーとを備えるチャンバー内に載置する工程、
   前記上部チャンバーと下部チャンバーを密接させ、前記上部チャンバーまたは前記下部チャンバーの開口部を覆うように配設した分画シートにより、前記上部チャンバー内の空間と前記下部チャンバー内の空間を前記分画シートで分画する態様でチャンバーを密閉する工程、
   前記加飾シート片を加熱した状態で前記チャンバー内を減圧し、前記加飾シート片を前記被加飾体に密着させる工程、
   を備えることを特徴とする、請求項１に記載のリサイクル方法。
3. 前記学習データおよび前記入力データに係る前記処理対象物品に係るデータが、当該処理対象物品を加飾している加飾シート部分の膜厚を含むことを特徴とする、請求項１または２に記載のリサイクル方法。
4. 前記学習データおよび前記入力データに係る前記処理対象物品に係るデータが、当該処理対象物品の３Ｄデータを含むことを特徴とする、請求項１または２に記載のリサイクル方法。
5. 前記表層変性処理がプラズマ処理であり、
   前記表層変性処理に係るデータが少なくともプラズマ処理の処理時間に係るデータを含むことを特徴とする、請求項１または２に記載のリサイクル方法。
6. コンピュータを、
   処理対象物品に係るデータ、表層変性処理に係るデータ、および表層変性処理の結果に係るデータを取得するデータ取得手段、
   前記データ取得手段で取得したデータを学習データとして学習する処理条件学習手段、
   少なくとも処理対象物品に係るデータを含むデータを入力データとして、表層変性処理条件について定量化した値を出力する処理条件推論手段、
   として機能させ、
   前記データ取得手段および前記処理条件推論手段における前記処理対象物品は、熱可塑性接着剤を含む接着層を備える加飾シートを用いて、ホットスタンプ成形により加飾している被加飾体であり、
   前記表層変性処理は、コロナ処理、プラズマ処理、フレーム処理、または高温熱風処理であり、
   前記表層変性処理に係るデータは、少なくとも表層変性処理の処理時間を含むことを特徴とする、
   表層変性処理条件を予測するための最適処理条件予測プログラム。

Images