JP7411786B2 - 人工知能基盤の射出成形システムおよび射出成形システムでの成形条件生成方法 - Google Patents

Description

本発明は射出成形システムに関する。

射出成形は、プラスチック製品を製造するにおいて最も広範囲に利用される製造方法である。例えば、テレビ、携帯電話、ＰＤＡなどのような製品においてカバー、ケースをはじめとする多様な部品が射出成形を通じて製造され得る。

一般的に射出成形を通じての製品の製造は、次のような工程を経てなされる。まず、顔料、安定剤、可塑剤、充填剤などが添加された成形材料をホッパーに投入して溶融状態にする。次に、溶融状態の成形材料を金型内に注入した後に冷却を通じて凝固させる。次に、金型から凝固した成形材料を抽出した後に不要な部分を除去する。このような工程を経て多様な種類および大きさを有する製品が製造される。

このような射出成形を遂行する設備として、射出成形機が利用される。射出成形機は溶融状態の成形材料を供給する射出装置、および溶融状態の成形材料を冷却を通じて凝固させる型締装置を含む。

射出成形機で製品を製造するためには、温度、速度、圧力、時間などの多様な変数を人が直接設定しなければならず、このため、現場では専門家に対する依存度が高くならざるを得ない限界があり、たとえ多様な変数を専門家が設定するとしても設定する人によって工程条件が大きく異なるため、製品の品質が一定ではない問題が発生し得る。

このような問題を解決するためにシミュレーション技法が提案されたことがあるが、シミュレーション技法の場合、一般的な計算環境で約３０分～２時間の時間が必要とされるため長い時間が要求されるという問題点があり、実際の実験を正確に模写することもできないため正確度が低いという問題点がある。

本発明は前述した問題点を解決するためのものであり、短い時間内で高い正確度を有する成形条件を提供できる人工知能基盤の射出成形システムおよび射出成形システムでの成形条件生成方法を提供することをその技術的課題とする。

本発明は、ディープラーニング基盤の成形条件生成モデルを利用して成形条件を生成できる人工知能基盤の射出成形システムおよび射出成形システムでの成形条件生成方法を提供することをその技術的課題とする。

本発明は、成形条件生成モデルから誤出力される成形条件を追加で学習して、最適の成形条件を提供できる人工知能基盤の射出成形システムおよび射出成形システムでの成形条件生成方法を提供することをその技術的課題とする。

前述した目的を達成するための本発明の一側面に係る人工知能基盤の射出成形システムは、溶融状態の第１成形材料が供給される金型に対する金型情報から前記金型から生産される製品のターゲット規格データを抽出する規格データ抽出部２１０；抽出された前記ターゲット規格データを予め学習された成形条件生成モデル２３０に入力して成形条件を出力する成形条件出力部２２０；前記成形条件に従って前記第１成形材料を前記金型に供給して前記製品を生産する射出成形機１００；および生産された前記製品の生産規格データと前記ターゲット規格データを比較して前記成形条件の適合の有無を判断する判断部２５０を含み、前記判断部２５０により前記成形条件が不適合なものと判断されると、前記成形条件出力部２２０は、前記生産規格データと前記成形条件を一つのフィードバックデータセットにして生成し、前記フィードバックデータセットで前記成形条件生成モデル２３０を学習させることを特徴とする。

前述した目的を達成するための本発明の他の側面に係る人工知能基盤の射出成形システムの 成形条件生成方法は、溶融状態の成形材料が供給される金型に対する金型情報から製品の規格となるターゲット規格データを抽出する段階；抽出された前記ターゲット規格データを予め学習された成形条件生成モデルに入力して成形条件を出力する段階；前記成形条件に従って前記成形材料を前記金型に供給して製品を生産する段階；生産された前記製品の生産規格データを測定する段階；測定された前記生産規格データと前記ターゲット規格データを比較して成形条件の適合の有無を判断する段階；および前記成形条件の適合の有無の判断結果、前記成形条件が不適合なものと判断すると、不適合な成形条件と前記生産規格データを一つのフィードバックデータセットにして前記成形条件生成モデルを学習させる段階を含むことを特徴とする。

本発明によると、熟練した専門家がいなくても短い時間内で高い正確度を有する成形条件を提供できるという効果がある。

本発明によると、ディープラーニング基盤の成形条件生成モデルを利用して成形条件を生成できるため、成形条件生成モデルの性能を保障することができるという効果がある。

本発明は成形条件生成モデルから誤出力される成形条件を追加で学習することによって、漸次成形条件生成モデルの性能が向上し得るため、最適な成形条件を生成できるという効果がある。

本発明の一実施例に係る人工知能基盤の射出成形システムを示している図面である。

本発明の一実施例に係る射出成形機の構成を示している図面である。

固定金型と移動金型が型開されていることを示している図面である。

移動部によって固定金型と移動金型が型閉されることを示している図面である。

本発明の一実施例に係る成形条件生成装置の構成を示している図面である。

本発明の一実施例に係る射出成形システムでの成形条件生成方法を示しているフローチャートである。

以下では、添付される図面を参照して本発明の実施例について詳細に説明する。

図１は、本発明の一実施例に係る人工知能基盤の射出成形システムを示している図面である。

本発明に係る人工知能基盤の射出成形システム（１０、以下「射出成形システム」という）は、成形材料を利用して最適な成形条件に従って製品を生産する。このために図１に図示された通り、射出成形システム１０は射出成形機１００および成形条件生成装置２００を含む。

本発明に係る射出成形機１００は製品を製造するために射出成形を遂行する。

図２は、本発明の一実施例に係る射出成形機１００の構成を示している図面である。図１および図２を参照して射出成形機１００についてより具体的に説明する。

図１および図２に図示された通り、本発明に係る射出成形機１００は射出装置１０２および型締装置１０３を含む。

射出装置１０２は型締装置１０３に溶融状態の成形材料を供給する。射出装置１０２はバレル１２１、バレル１２１の内部に配置された射出スクリュー１２２、および射出スクリュー１２２を駆動させる射出駆動部１２３を含むことができる。バレル１２１は第１軸方向（Ｘ軸方向）に対して平行に配置され得る。第１軸方向（Ｘ軸方向）は射出装置１０２および型締装置１０３が互いに離隔した方向に対して平行な方向であり得る。バレル１２１の内部に成形材料が供給されると、射出駆動部１２３は射出スクリュー１２２を回転させることによってバレル１２１の内部に供給された成形材料を第１方向（ＦＤ矢印方向）に移動させることができる。この過程で、成形材料は摩擦および加熱によって溶融し得る。第１方向（ＦＤ矢印方向）は射出装置１０２から型締装置１０３に向かう方向であって、第１軸方向（Ｘ軸方向）に対して平行な方向であり得る。溶融状態の成形材料が射出スクリュー１２２に対して第１方向（ＦＤ矢印方向）側に位置すると、射出駆動部１２３は射出スクリュー１２２を第１方向（ＦＤ矢印方向）に移動させることができる。これに伴い、溶融状態の成形材料はバレル１２１から型締装置１０３に供給され得る。

型締装置１０３は溶融状態の成形材料を冷却を通じて凝固させる。型締装置１０３は固定金型１５０が結合された固定型板１３１、移動金型１６０が結合された移動型板１３２、および移動型板１３２を第１軸方向（Ｘ軸方向）に沿って移動させる移動部１３３を含むことができる。

図３および図４は、移動部が固定金型と移動金型を型閉させることを示している図面である。

移動部１３３が移動型板１３２を第２方向（ＳＤ矢印方向）に移動させて移動金型１６０と固定金型１５０を型閉させると、射出装置１０２は移動金型１６０と固定金型１５０の内部に溶融状態の成形材料を供給する。第２方向（ＳＤ矢印方向）は第１軸方向（Ｘ軸方向）に対して平行し、かつ第１方向（ＦＤ矢印方向）に対して反対となる方向である。その後、型締装置１０３が移動金型１６０と固定金型１５０の内部に満たされた溶融状態の成形材料を冷却を通じて凝固させると、移動部１３３は移動型板１３２を第１方向（ＦＤ矢印方向）に移動させることによって移動金型１６０と固定金型１５０を型開させる。

型締装置１０３はタイバー１３４を含むことができる。タイバー１３４は移動型板１３２の移動をガイドする。移動型板１３２はタイバー１３４に移動可能に結合され得る。移動型板１３２はタイバー１３４に沿って第１軸方向（Ｘ軸方向）に移動することができる。タイバー１３４は第１軸方向（Ｘ軸方向）に対して平行に配置され得る。タイバー１３４は固定型板１３１および移動型板１３２それぞれに挿入されるように結合され得る。

一方、本発明に係る射出成形機１００は成形条件生成装置２００により生成された成形条件に従って成形材料を型閉された移動金型１６０と固定金型１５０に供給して製品を生産する。以下では、移動金型１６０および固定金型１５０を金型と記載することにする。

成形条件生成装置２００は成形条件を生成して射出成形機１００に伝達する。この時、成形条件生成装置２００は最適な成形条件を生成するために、該当成形条件に従って生産された製品を利用して成形条件が適合であったかどうかを判断する。

以下、図５を参照して本発明に係る成形条件生成装置２００についてより具体的に説明する。

図５は、本発明の一実施例に係る成形条件生成装置２００の構成を示している図面である。図５に図示された通り、成形条件生成装置２００は規格データ抽出部２１０、成形条件出力部２２０、成形条件生成モデル２３０、および判断部２５０を含む。

規格データ抽出部２１０は金型情報から製品の規格となるターゲット規格データを抽出する。具体的には、規格データ抽出部２１０は溶融状態の第１成形材料が供給される金型に対する金型情報から、該当金型から生産される製品のターゲット規格データを抽出する。この時、第１成形材料は生産する製品に利用される成形材料を意味する。

一実施例において、規格データは形状情報および製品の重さ情報のうち少なくとも一つを含む。

一実施例において、形状情報は金型から生産される製品の全体の体積、金型のキャビティ（ｃａｖｉｔｉｙ）の体積、キャビティの個数、金型のゲートの個数、製品の表面積、キャビティの表面積、製品の第１投影面積（ＸＹ）、製品の第２投影面積（ＹＺ）、製品の第３投影面積（ＺＸ）、製品の最大厚さ、製品の平均厚さ、製品の厚さの標準偏差、ゲートの直径、ゲートから製品の末端までの最大流動距離、最大流動距離対製品の平均厚さの比のうち少なくとも一つを含むことができる。

この時、第１～第３投影面積は製品の各軸面（ＸＹ、ＹＺ、ＺＸ）から垂直に投影した面積を意味する。また、ゲートの直径は円形直径または水力直径を意味する。

一実施例において、規格データ抽出部２１０は該当製品を生産するための金型をスキャンして金型情報を生成し、金型情報から製品の形状情報を抽出することができる。このような実施例とは異なり、規格データ抽出部２１０は製品の金型図面の入力を受けて金型情報を生成し、これから製品の形状情報を抽出してもよい。

一実施例において、規格データ抽出部２１０は材料物性データベース２１５から複数個の成形材料のうち第１成形材料の固相密度を抽出する。そして、規格データ抽出部２１０は抽出された第１成形材料の固相密度と製品の全体の体積を利用して製品の重さを抽出することができる。

材料物性データベース２１５には複数個の成形材料の固相密度が保存される。図５では説明の便宜のために、成形条件生成装置２００が材料物性データベース２１５を含むものとして図示したが、これは一例に過ぎず、材料物性データベース２１５は成形条件生成装置２００と別個の構成で構成されてもよいであろう。

成形条件出力部２２０は、規格データ抽出部２１０により抽出されたターゲット規格データを予め学習された成形条件生成モデル２３０に入力して成形条件を出力する。一実施例において、成形条件は金型の温度、バレル１２１の温度、射出成形機１００の射出速度、射出成形機１００の保圧時間、および射出成形機１００の保圧圧力のうち少なくとも一つを含むことができる。

成形条件出力部２２０は出力された成形条件を射出成形機１００に伝達する。これに伴い、射出成形機１００は成形条件に従って第１成形材料を金型に供給して製品を生産することになる。

一実施例において、成形条件出力部２２０は出力された成形条件を利用して製品を生産した結果、該当成形条件が不適合なものと判断される場合、不適合な成形条件で生産された製品の生産規格データと該当成形条件を一つのフィードバックデータセットにして生成する。そして、成形条件出力部２２０はフィードバックデータセットで成形条件生成モデル２３０を学習させる。

一実施例において、成形条件出力部２２０は成形条件生成モデル２３０の学習時にフィードバックデータセットで転移学習（Ｔｒａｎｓｆｅｒ Ｌｅａｒｎｉｎｇ）をさせることができる。

成形条件出力部２２０はフィードバックデータセットを利用した成形条件生成モデル２３０の学習が完了すると、ターゲット規格データを成形条件生成モデル２３０に入力して修正された成形条件を出力することができる。

このように本発明は、不適合な成形条件で生産された製品の生産規格データと該当成形条件を一つのデータセットにして生成して成形条件生成モデル２３０を学習させることによって、漸次成形条件生成モデル２３０の性能が向上し得るだけでなく、これによって自動で最適化された成形条件を探していくことができるため、熟練した専門家がいなくても最高品質の製品を生産することができるという効果がある。

成形条件生成モデル２３０は、成形条件出力部２２０を通じてターゲット規格データが入力されると、それに従う成形条件を生成する。成形条件生成モデル２３０は成形条件出力部２２０により学習され得る。特に、本発明に係る成形条件生成モデル２３０は、成形条件出力部２２０により出力された成形条件を利用して製品を生産した結果、該当成形条件が不適合なものと判断される場合、不適合な成形条件に従って生産された製品の生産規格データと該当成形条件を一つのフィードバックデータセットにして追加で学習され得る。

一実施例において、成形条件生成モデル２３０は複数個の加重値および複数個のバイアス（ｂｉａｓ）に基づいてターゲット規格データによって成形条件が出力され得るようにするニューラルネットワークであり得る。このような実施例に従う場合、成形条件生成モデル２３０はＡＮＮ（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）アルゴリズムで具現され得る。

判断部２５０は、成形条件出力部２２０により出力された成形条件を利用して生産された製品の生産規格データと、規格データ抽出部２１０により抽出されたターゲット規格データと、を比較して成形条件の適合の有無を判断する。具体的には、判断部２５０は生産規格データがターゲット規格データから予め定められた基準範囲を逸脱すると、該当成形条件を不適合なものと判断する。また、判断部２５０は生産規格データがターゲット規格データから予め定められた基準範囲内であれば、該当成形条件を適合なものと判断する。

例えば、判断部２５０は生産規格データに含まれた製品の重さが１００ｇと測定され、ターゲット規格データに含まれた製品の重さが９０ｇと抽出され、基準範囲が５ｇであれば、生産規格データの重さがターゲット規格データの重さから基準範囲を外れるため、該当成形条件を不適合なものと判断する。

判断部２５０は成形条件が不適合なものと判断すると、射出成形機１００に停止命令を伝達する。これに伴い、射出成形機１００は製品の生産を停止する。また、判断部２５０は成形条件が不適合なものと判断すると、成形条件出力部２２０にフィードバック学習命令を伝送する。これに伴い、成形条件出力部２２０は不適合な成形条件と生産規格データを一つのフィードバックデータセットにして成形条件生成モデル２３０を学習させる。

一方、本発明に係る成形条件生成装置２００は図５に図示された通り、規格データ測定部２４０およびモデル生成部２６０を追加で含むことができる。

規格データ測定部２４０は射出成形機１００から生産される製品の生産規格データを測定する。このために、図５に図示された通り、規格データ測定部２４０は取り出しユニット２４２および規格データ生成ユニット２４４を含む。

取り出しユニット２４２は金型から生産された製品を取り出す。例えば、取り出しユニット２４２は多関節取り出しロボットであり得る。

規格データ生成ユニット２４４は取り出された製品から生産規格データを生成する。具体的には、規格データ生成ユニット２４４は製品を撮影して第１形状情報を生成し、製品の重さを測定して第１重さ情報を生成し、第１形状情報および第２重さ情報を含む生産規格データを生成する。この時、規格データ生成ユニット２４４は第１形状情報を生成するためにビジョンシステム（図示されず）で具現され得る。

一実施例において、製品の第１形状情報は製品の全体の体積、金型のキャビティ（ｃａｖｉｔｉｙ）に対応する部分の体積、キャビティに対応する部分の個数、金型のゲートに対応する部分の個数、製品の表面積、製品の第１投影面積（ＸＹ）、製品の第２投影面積（ＹＺ）、製品の第３投影面積（ＺＸ）、製品の最大厚さ、製品の平均厚さ、製品の厚さの標準偏差、ゲートに対応する部分の直径、ゲートに対応する部分から製品の末端までの最大流動距離、最大流動距離対製品の平均厚さの比のうち少なくとも一つを含むことができる。

規格データ生成ユニット２４４は生成された生産規格データを判断部２５０に伝達する。

モデル生成部２６０は成形条件生成モデル２３０を生成する。具体的には、モデル生成部２６０は複数個の学習データセットを利用してニューラルネットワークを学習させることによって成形条件生成モデル２３０を生成することができる。

モデル生成部２６０は予め収集された複数個の学習成形条件と各学習成形条件に従って生産される製品の学習規格データを統合して複数個の学習データセットを生成する。この時、学習成形条件は金型の温度、バレル１２１の温度、射出成形機１００の射出速度、射出成形機１００の保圧時間、射出成形機１００の保圧圧力のうち少なくとも一つを含むことができる。学習規格データは形状情報および製品の重さ情報のうち少なくとも一つを含むことができる。

モデル生成部２６０は、生成された複数個の学習データセットでニューラルネットワークを学習させることによって成形条件生成モデル２３０を生成する。

一例として、モデル生成部２６０は予め定められたレイヤ構造を有するニューラルネットワークを学習データセットで学習させて重さ予測システムを構築し、学習データセットを同一の値の領域に変換する最小－最大正規化（Ｍｉｎ－Ｍａｘ ｎｏｒｍａｌｉｚａｔｉｏｎ）を遂行する。この時、学習データセットは形状情報と成形条件からなるｎ次元入力データと製品の重さ情報からなる１次元出力データに分かれ得る。ｎは形状情報と成形条件に含まれた情報の数を意味し得る。例えば、形状情報が１５個の情報を含み、成形条件が５個の情報を含むと、ｎは２０である。

そして、モデル生成部２６０は入力データと出力データを学習用、検証用、およびテスト用に予め定められた比率によって分配する。モデル生成部２６０は成形条件生成モデル２３０の正確度を高めるために、形状情報のうち製品の重さ情報に関連した形状情報を抽出し、これを利用して製品の重さ予測システムを生成することになる。一実施例において、モデル生成部２６０は形状情報のうち製品の重さ情報に関連した形状情報を抽出するために敏感度分析を遂行できる。

一実施例において、モデル生成部２６０はニューラルネットワークのハイパーパラメータを決定するために、グリッドサーチ（Ｇｒｉｄ Ｓｅａｒｃｈ）またはランダムサーチ（Ｒａｎｄｏｍ Ｓｅａｒｃｈ）を進行することができる。この時、グリッドサーチは活性化関数、最適化方法、初期化方法に適用され得、ランダムサーチはハイパーパラメータに対して適用され得る。

モデル生成部２６０は生成された重さ予測システムを利用して逆に重さを提示すれば、該当重さに対応する成形条件が導き出されるようにする成形条件生成モデル２３０を生成する。これに伴い、成形条件生成モデル２３０は形状情報と重さ情報を入力すれば、該当形状情報による重さ情報が入力されてそれによる成形条件が導き出され得る。

一実施例において、モデル生成部２６０はパーティクルスウォーム最適化（Ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ）またはランダムサーチ（ｒａｎｄｏｍ ｓｅａｒｃｈ）を利用して重さ予測システムから成形条件生成モデル２６０を生成することができる。

本発明はモデル生成部２６０により生成された成形条件生成モデル２３０を通じて、使用者が射出成形に関する専門的な知識がなくても工程条件を探すことができるようにガイドできるため専門家の依存度が低くなり、該当成形条件生成モデル２３０がフィードバックデータを利用した追加学習を通じて改良され得るため、さらに高い正確度を確保して無人射出成形システムを基盤として射出分野のスマートファクトリーを構築できるようにするという効果がある。

以下、本発明に係る射出成形システムでの成形条件生成方法について図６を参照して具体的に説明する。この時、本発明に係る射出成形システムでの成形条件生成方法は、図１に図示された射出成形システムによって遂行され得る。

図６は、本発明の一実施例に係る射出成形システムでの成形条件生成方法を示しているフローチャートである。

射出成形システム１０は金型情報から製品の規格となるターゲット規格データを抽出する（Ｓ６００）。具体的には、射出成形システム１０は溶融状態の第１成形材料が供給される金型に対する金型情報から、該当金型から生産される製品のターゲット規格データを抽出する。この時、第１成形材料は生産する製品に利用される成形材料を意味する。

一実施例において、規格データは形状情報および製品の重さ情報のうち少なくとも一つを含む。

一実施例において、製品の形状情報は金型から生産される製品の全体の体積、金型のキャビティ（ｃａｖｉｔｉｙ）の体積、キャビティの個数、金型のゲートの個数、製品の表面積、キャビティの表面積、製品の第１投影面積（ＸＹ）、製品の第２投影面積（ＹＺ）、製品の第３投影面積（ＺＸ）、製品の最大厚さ、製品の平均厚さ、製品の厚さの標準偏差、ゲートの直径、ゲートから製品の末端までの最大流動距離、最大流動距離対製品の平均厚さの比のうち少なくとも一つを含むことができる。

この時、第１～第３投影面積は製品の各軸面（ＸＹ、ＹＺ、ＺＸ）から垂直に投影した面積を意味する。また、ゲートの直径は円形直径または水力直径を意味する。

射出成形システム１０は、材料物性データベース２１５から複数個の成形材料のうち第１成形材料の固相密度を抽出する。そして、射出成形システム１０は抽出された第１成形材料の固相密度と製品の全体の体積を利用して製品の重さを抽出することができる。

その後、射出成形システム１０は抽出されたターゲット規格データを予め学習された成形条件生成モデル２３０に入力して成形条件を出力する（Ｓ６１０）。一実施例において、成形条件は金型の温度、バレル１２１の温度、射出成形機１００の射出速度、射出成形機１００の保圧時間、および射出成形機１００の保圧圧力のうち少なくとも一つを含むことができる。

その後、射出成形システム１０は成形条件に従って第１成形材料を金型に供給して製品を生産することになる（Ｓ６２０）。

その後、射出成形システム１０は生産された製品の生産規格データを測定する（Ｓ６３０）。

その後、射出成形システム１０は測定された生産規格データとターゲット規格データを比較して成形条件の適合の有無を判断する（Ｓ６４０）。具体的には、また、射出成形システム１０は生産規格データがターゲット規格データから予め定められた基準範囲内であれば、該当成形条件を適合なものと判断する（Ｓ６５０）。射出成形システム１０は生産規格データがターゲット規格データから予め定められた基準範囲を逸脱すると、該当成形条件を不適合なものと判断する（Ｓ６６０）。

射出成形システム１０は成形条件が不適合なものと判断すると、製品の生産を中止する。

その後、射出成形システム１０は成形条件が不適合なものと判断すると、不適合な成形条件と生産規格データを一つのフィードバックデータセットにして成形条件生成モデル２３０を学習させる（Ｓ６７０）。

一実施例において、射出成形システム１０は成形条件生成モデル２３０をフィードバックデータセットで転移学習（Ｔｒａｎｓｆｅｒ Ｌｅａｒｎｉｎｇ）させることができる。

その後、射出成形システム１０はフィードバックデータセットを利用した成形条件生成モデル２３０の学習が完了すると、ターゲット規格データを成形条件生成モデル２３０に入力して修正された成形条件を出力する。

本発明が属する技術分野の当業者は、前述した本発明がその技術的思想や必須の特徴を変更することなく他の具体的な形態で実施され得るということが理解され得るであろう。

また、本明細書に説明されている方法は少なくとも部分的に、一つ以上のコンピュータプログラムまたは構成要素を使って具現され得る。この構成要素は、揮発性および不揮発性メモリを含むコンピュータ読み取り可能な媒体または機械読み取り可能な媒体を通じて一連のコンピュータ指示語で提供され得る。前記指示語はソフトウェアまたはファームウェアで提供され得、全体的または部分的に、ＡＳＩＣｓ、ＦＰＧＡｓ、ＤＳＰｓ、またはその他の類似素子のようなハードウェア構成に具現されてもよい。前記指示語は一つ以上のプロセッサまたは他のハードウェア構成によって実行されるように構成され得るが、前記プロセッサまたは他のハードウェア構成は前記一連のコンピュータ指示語を実行する時、本明細書に開示された方法および手続きのすべてまたは一部を遂行したり遂行できるようにする。

したがって、以上で記述した実施例はすべての面で例示的なものであり、限定的ではないものと理解されるべきである。本発明の範囲は前記詳細な説明よりは後述する特許請求の範囲によって示され、特許請求の範囲の意味および範囲そしてその等価概念から導き出されるすべての変更または変形された形態は本発明の範囲に含まれるものと解釈されるべきである。

Claims (9)

1. 製品を生産するための溶融状態の第１成形材料が供給される金型をスキャンすることによって、または、前記製品の金型図面を受けることによって、金型情報を生成し、金型に対する前記金型情報から前記金型から生産される前記製品のターゲット規格データを抽出する規格データ抽出部（２１０）；
   抽出された前記ターゲット規格データを予め学習された成形条件生成モデル（２３０）に入力して成形条件を出力する成形条件出力部（２２０）；
   前記成形条件に従って前記第１成形材料を前記金型に供給して前記製品を生産する射出成形機（１００）；および
   生産された前記製品の生産規格データと前記ターゲット規格データを比較して前記成形条件の適合の有無を判断する判断部（２５０）を含み、
   前記判断部（２５０）により前記成形条件が不適合なものと判断されると、前記成形条件出力部（２２０）は、前記生産規格データと前記成形条件を一つのフィードバックデータセットにして生成し、前記フィードバックデータセットで前記成形条件生成モデル（２３０）を学習させるものであり、
   前記規格データは、前記製品の形状情報および前記製品の重さ情報を含み、
   前記形状情報は、
   前記製品の全体の体積、前記金型のキャビティ（ｃａｖｉｔｉｙ）に対応する部分の体積、前記キャビティに対応する前記部分の個数、前記製品の表面積、前記製品の第１投影面積（ＸＹ）、前記製品の第２投影面積（ＹＺ）、前記製品の第３投影面積（ＺＸ）、前記製品の最大厚さ、前記製品の平均厚さ、前記製品の厚さの標準偏差、前記金型のゲートに対応する部分の直径、前記ゲートから前記製品の末端までの最大流動距離、前記最大流動距離対前記製品の平均厚さの比のうち少なくとも一つを含む、ことを特徴とする、人工知能基盤の射出成形システム。
2. 前記成形条件出力部（２２０）は、
   前記成形条件生成モデル（２３０）を前記フィードバックデータセットで転移学習（Ｔｒａｎｓｆｅｒ Ｌｅａｒｎｉｎｇ）させることを特徴とする、請求項１に記載の人工知能基盤の射出成形システム。
3. 前記成形条件出力部（２２０）は、前記成形条件生成モデル（２３０）の学習が完了すると、前記ターゲット規格データを前記成形条件生成モデル（２３０）に入力して修正された成形条件を出力することを特徴とする、請求項１に記載の人工知能基盤の射出成形システム。
4. 前記成形条件生成モデル（２３０）は、複数個の加重値および複数個のバイアス（ｂｉａｓ）に基づいて前記ターゲット規格データにより前記成形条件が出力されるようにするニューラルネットワークで構成されたことを特徴とする、請求項１に記載の人工知能基盤の射出成形システム。
5. 前記成形条件生成モデル（２３０）を生成するモデル生成部（２６０）をさらに含み、 前記モデル生成部（２６０）は、
   複数個の学習成形条件と各学習成形条件に従って生産される製品の学習規格データを統合して複数個の学習データセットを生成し、前記複数個の学習データセットでニューラルネットワークを学習させて前記成形条件生成モデル（２３０）を生成することを特徴とする、請求項１に記載の人工知能基盤の射出成形システム。
6. 前記成形条件は、
   前記金型の温度、バレルの温度、前記射出成形機の射出速度、前記射出成形機の保圧時間、および前記射出成形機の保圧圧力のうち少なくとも一つを含むことを特徴とする、請求項１に記載の人工知能基盤の射出成形システム。
7. 複数個の成形材料の固相密度が保存された材料物性データベース（２１５）をさらに含み、
   前記規格データ抽出部（２１０）は、
   前記材料物性データベース（２１５）から複数個の成形材料のうち前記第１成形材料の固相密度を抽出し、前記製品の全体の体積と前記第１成形材料の固相密度を利用して前記製品の重さを算出することを特徴とする、請求項１に記載の人工知能基盤の射出成形システム。
8. 生産された前記製品の前記生産規格データを測定する規格データ測定部（２４０）をさらに含み、
   前記規格データ測定部（２４０）は、
   前記金型から生産された前記製品を取り出す取り出しユニット（２４２）；取り出された前記製品を撮影して生成される第１形状情報および前記製品の重さを測定して生成される第１重さ情報を含む前記生産規格データを生成する規格データ生成ユニット（２４４）を含むことを特徴とする、請求項１に記載の人工知能基盤の射出成形システム。
9. 溶融状態の成形材料が供給される金型に対する金型情報から製品の規格となるターゲット規格データを抽出する段階；
   抽出された前記ターゲット規格データを予め学習された成形条件生成モデルに入力して成形条件を出力する段階；
   前記成形条件に従って前記成形材料を前記金型に供給して製品を生産する段階；
   生産された前記製品の生産規格データを測定する段階；
   測定された前記生産規格データと前記ターゲット規格データを比較して成形条件の適合の有無を判断する段階；および
   前記成形条件の適合の有無の判断結果、前記成形条件が不適合なものと判断すると、不適合な成形条件と前記生産規格データを一つのフィードバックデータセットにして前記成形条件生成モデルを学習させる段階を含むものであり、
   前記金型情報は、前記製品を生産するための金型をスキャンすることによって、または、前記製品の金型図面を受けることによって、生成されるものであり、
   前記規格データは、前記製品の形状情報および前記製品の重さ情報を含み、
   前記形状情報は、
   前記製品の全体の体積、前記金型のキャビティ（ｃａｖｉｔｉｙ）に対応する部分の体積、前記キャビティに対応する前記部分の個数、前記製品の表面積、前記製品の第１投影面積（ＸＹ）、前記製品の第２投影面積（ＹＺ）、前記製品の第３投影面積（ＺＸ）、前記製品の最大厚さ、前記製品の平均厚さ、前記製品の厚さの標準偏差、前記金型のゲートに対応する部分の直径、前記ゲートから前記製品の末端までの最大流動距離、前記最大流動距離対前記製品の平均厚さの比のうち少なくとも一つを含む、
   ことを特徴とする、射出成形システムでの成形条件生成方法。

Images