JP7512870B2 - Viscosity estimation device, viscosity estimation method, viscosity estimation program, recording medium, and method for manufacturing molded product - Google Patents
Viscosity estimation device, viscosity estimation method, viscosity estimation program, recording medium, and method for manufacturing molded product Download PDFInfo
- Publication number
- JP7512870B2 JP7512870B2 JP2020199488A JP2020199488A JP7512870B2 JP 7512870 B2 JP7512870 B2 JP 7512870B2 JP 2020199488 A JP2020199488 A JP 2020199488A JP 2020199488 A JP2020199488 A JP 2020199488A JP 7512870 B2 JP7512870 B2 JP 7512870B2
- Authority
- JP
- Japan
- Prior art keywords
- viscosity
- constant
- melt flow
- mfr
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 29
- 238000004519 manufacturing process Methods 0.000 title claims description 17
- 239000011347 resin Substances 0.000 claims description 49
- 229920005989 resin Polymers 0.000 claims description 49
- 238000000465 moulding Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 18
- 239000000155 melt Substances 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 description 15
- 230000015654 memory Effects 0.000 description 13
- 238000013500 data storage Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 4
- 239000004433 Thermoplastic polyurethane Substances 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000004141 dimensional analysis Methods 0.000 description 3
- 229920002803 thermoplastic polyurethane Polymers 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 229920001971 elastomer Polymers 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Injection Moulding Of Plastics Or The Like (AREA)
- Extrusion Moulding Of Plastics Or The Like (AREA)
Description
本発明は、樹脂の粘度を推定する粘度推定技術に適用して有効な技術に関する。 The present invention relates to a technology that is effective when applied to viscosity estimation technology for estimating the viscosity of resin.
非特許文献1には、樹脂の粘度を測定するレオメータに関する技術が記載されている。
Non-Patent
一般に、樹脂成型技術では、原料である樹脂材料の粘度が温度とせん断速度に依存することから、粘度によって成型品の品質が変化する。また、樹脂の種類によっては、同じグレードの樹脂材料でも、製品ロットの違いなどによって品質にばらつきが生じて粘度が変化することがある。したがって、成型品の品質を維持するためには、樹脂材料の粘度の変化に応じて、その都度、温度やせん断速度などの成型条件を最適化する必要がある。すなわち、成型品の製造工程においては、粘度変化を吸収するように成型条件を調整するために、樹脂の粘度を把握する必要がある。 In general, in resin molding technology, the viscosity of the raw resin material depends on temperature and shear rate, and the quality of the molded product changes depending on the viscosity. Furthermore, depending on the type of resin, even resin materials of the same grade may vary in quality due to differences in product lots, etc. Therefore, in order to maintain the quality of molded products, it is necessary to optimize molding conditions such as temperature and shear rate each time according to changes in the viscosity of the resin material. In other words, in the manufacturing process of molded products, it is necessary to understand the viscosity of the resin in order to adjust the molding conditions to absorb the viscosity changes.
この点に関し、樹脂の粘度を把握する技術としては、レオメータを使用して粘度を実測する以外に手段がないのが現状である。ところが、レオメータを使用する技術の導入や運用は、経済的にもリードタイム的にも困難な場合が多い。このことから、成型条件の調整は、作業者の経験に基づいて行われることが多い。つまり、現状の技術では、粘度の測定は、難しく手間がかかることから、粘度の測定に基づいて成型条件を調整することは、実現することが困難である。したがって、容易に粘度を把握できる技術が望まれている。 In this regard, currently there is no technology to grasp the viscosity of resin other than actually measuring the viscosity using a rheometer. However, introducing and operating technology that uses a rheometer is often difficult both financially and in terms of lead time. For this reason, molding conditions are often adjusted based on the experience of the worker. In other words, with current technology, measuring viscosity is difficult and time-consuming, so it is difficult to adjust molding conditions based on viscosity measurements. Therefore, there is a demand for technology that can easily grasp viscosity.
一実施の形態における粘度推定装置は、メルトフローレートに基づいて粘度を推定する粘度推定部を備える。 In one embodiment, the viscosity estimation device includes a viscosity estimation unit that estimates viscosity based on the melt flow rate.
一実施の形態における粘度推定方法は、メルトフローレートに基づいて粘度を推定する粘度推定工程を備える。 The viscosity estimation method in one embodiment includes a viscosity estimation step that estimates the viscosity based on the melt flow rate.
一実施の形態におけるプログラムは、メルトフローレートに基づいて粘度を推定する粘度推定処理を備える。プログラムは、コンピュータ読み取り可能な記録媒体に記録される。 The program in one embodiment includes a viscosity estimation process that estimates viscosity based on the melt flow rate. The program is recorded on a computer-readable recording medium.
一実施の形態における成型品の製造方法は、メルトフローレートに基づいて樹脂の粘度を推定する粘度推定工程と、推定された粘度に基づいて成型条件を調整する成型条件調整工程と、調整された成型条件で樹脂を成型する成型工程と、を備える。 The manufacturing method for a molded product in one embodiment includes a viscosity estimation process for estimating the viscosity of the resin based on the melt flow rate, a molding condition adjustment process for adjusting the molding conditions based on the estimated viscosity, and a molding process for molding the resin under the adjusted molding conditions.
一実施の形態によれば、容易に樹脂の粘度を把握することができる。 According to one embodiment, the viscosity of the resin can be easily grasped.
実施の形態を説明するための全図において、同一の部材には原則として同一の符号を付し、その繰り返しの説明は省略する。なお、図面をわかりやすくするために平面図であってもハッチングを付す場合がある。 In all drawings used to explain the embodiments, the same components are generally given the same reference numerals, and repeated explanations will be omitted. In addition, hatching may be used even in plan views to make the drawings easier to understand.
<実施の形態における基本思想>
本実施の形態における基本思想は、メルトフローレート(以下、「MFR」という)に基づいて樹脂の粘度を推定する思想である。
<Basic Concept of the Embodiment>
The basic idea in this embodiment is to estimate the viscosity of a resin based on the melt flow rate (hereinafter referred to as "MFR").
ここで、まず、「MFR」について説明する。 First, let us explain "MFR".
「MFR」とは、溶液状態にある樹脂の流動性を示す尺度の一つである。この「MFR」を測定する試験機械は、「JIS K6760」で定められた押出し形プラストメータを使用する。また、「MFR」の測定方法は、「JIS K7210」に規定されている。 "MFR" is a scale that indicates the fluidity of a resin in a solution state. The test machine used to measure this "MFR" is an extrusion-type plastometer specified in "JIS K6760." The method for measuring "MFR" is specified in "JIS K7210."
図1は、「MFR」を測定する測定方法の概要を示す図である。 Figure 1 shows an overview of the measurement method for measuring "MFR".
図1に示すように、「MFR」の測定装置10は、加熱可能なバレル1を有している。そして、このバレル1には、円筒状の貫通孔が設けられている。この貫通孔の内部には、テストサンプルである樹脂2が挿入される。そして、樹脂2の上部からピストンヘッド3を介してピストン4で樹脂2に圧力をかけることができるように構成されている。特に、ピストン4の上部には、錘5が配置され、この錘5によって、ピストン4から樹脂2に圧力が加わるようになっている。一方、貫通孔の底部には、開口部を有するダイ6が設けられている。このように構成されている測定装置10では、貫通孔に挿入された樹脂2を一定の温度で加熱するとともに一定の圧力で加圧する。そして、この条件の下で、貫通孔の底部に設けられたダイ6の開口部から10分間に押し出された樹脂量を測定する。これにより、測定装置10で「MFR」を測定することができる。一般的に、「MFR」の値が大きいほど、樹脂の溶融時の流動性や加工性は良好となる。
As shown in FIG. 1, the "MFR"
例えば、「MFR」が大きいということは、押し出される樹脂量が多くなることを意味することから、これは、流動性が高く粘度が低い状態に対応すると理解できる。つまり、定性的には、「MFR」が大きくなると粘度は低くなると考えることができる。言い換えれば、「MFR」が小さくなると粘度は大きくなると考えることができる。 For example, a large "MFR" means that a larger amount of resin is extruded, which can be understood to correspond to a state of high fluidity and low viscosity. In other words, qualitatively, it can be considered that as the "MFR" increases, the viscosity decreases. In other words, it can be considered that as the "MFR" decreases, the viscosity increases.
この点に関し、一般的に、粘度は、以下に示す(数式1)で表される。 In this regard, viscosity is generally expressed as follows (Equation 1):
ここで、
η:粘度
η0:定数
dγ/dt:せん断速度
n:定数
α:定数
T:樹脂の温度
この(数式1)によると、定数が分かっていることを前提として、せん断速度と樹脂の温度が分かれば粘度を推定することができるが、(数式1)には、「MFR」が含まれていない。このことから、「MFR」が分かったとしても(数式1)からは粘度を推定することはできない。すなわち、「MFR」と粘度との定性的な関係は分かっているにしても、定量的に(数式1)に基づいて「MFR」から粘度を推定することはできないのである。このように、現状では、「MFR」と粘度とを関係付ける関係式は得られていない。
here,
η: Viscosity η 0 : Constant dγ/dt: Shear rate n: Constant α: Constant T: Resin temperature According to this (Formula 1), assuming that the constants are known, the viscosity can be estimated if the shear rate and the resin temperature are known, but (Formula 1) does not include "MFR". For this reason, even if "MFR" is known, the viscosity cannot be estimated from (Formula 1). In other words, even if the qualitative relationship between "MFR" and viscosity is known, the viscosity cannot be quantitatively estimated from "MFR" based on (Formula 1). Thus, at present, a relational equation relating "MFR" and viscosity has not been obtained.
ここで、「MFR」から粘度を推定できれば、以下に示すような優れた利点を得ることができる。すなわち、「MFR」は、例えば、樹脂材料メーカからロットごとに提供されることが多い。このことから、「MFR」と粘度とを関係付ける関係式が得られれば、レオメータによる粘度測定を行うことなく、メーカから提供される「MFR」から粘度を推定することができる。このことは、粘度の測定を行うことなく、粘度を把握することができることを意味する。これにより、成型品の製造工程においては、粘度を測定しなくても「MFR」から粘度を把握することができる。このため、粘度変化を吸収するように成型条件を調整することが容易になるという利点が得られることになる。 If the viscosity can be estimated from the "MFR", the following excellent advantages can be obtained. That is, for example, the "MFR" is often provided by a resin material manufacturer for each lot. Therefore, if a relational equation relating the "MFR" to the viscosity can be obtained, the viscosity can be estimated from the "MFR" provided by the manufacturer without measuring the viscosity with a rheometer. This means that the viscosity can be grasped without measuring it. As a result, in the manufacturing process of molded products, the viscosity can be grasped from the "MFR" without measuring the viscosity. This has the advantage that it becomes easier to adjust the molding conditions to absorb viscosity changes.
本発明者は、この点に着目して、鋭意検討した結果、(数式1)に基づいて、以下に示す(数式2)を想到している。 The inventors have focused on this point and, as a result of extensive research, have come up with the following (Formula 2) based on (Formula 1).
ここで、
η:粘度
C:定数
MFR:メルトフローレート
dγ/dt:せん断速度
n:定数
α:定数
T:樹脂の温度
この(数式2)によると、「MFR」が大きくなると粘度が小さくなるという定性的理解に合致している。そして、(MFR)nは、次元解析によって決定している。具体的に、(数式2)に含まれる「sec」の単位に着目する。つまり、粘度の単位が「Pa・sec」、せん断速度の単位が「1/sec」、「MFR」の単位が「cc/10min」=「cc/600sec」であることを考慮する。このとき、(数式2)の左辺における「sec」の次元は「Pa・sec」から「1次元」となる。これに対し、(数式2)の右辺における「sec」の次元は、1/(MFR)n×(dγ/dt)n-1から(sec)n×(1/sec)n-1=(sec)であり、「1次元」となる。このような次元解析より、(数式2)における「MFR」の依存性が1/(MFR)nの形で導入されることは理にかなっている。
here,
η: Viscosity C: Constant MFR: Melt flow rate dγ/dt: Shear rate n: Constant α: Constant T: Resin temperature According to this (Formula 2), it is consistent with the qualitative understanding that the viscosity decreases as the "MFR" increases. And (MFR) n is determined by dimensional analysis. Specifically, attention is paid to the unit of "sec" included in (Formula 2). That is, it is considered that the unit of viscosity is "Pa·sec", the unit of shear rate is "1/sec", and the unit of "MFR" is "cc/10 min" = "cc/600 sec". At this time, the dimension of "sec" on the left side of (Formula 2) becomes "one-dimensional" from "Pa·sec". In contrast, the dimension of "sec" on the right side of (Formula 2) is 1/(MFR) n ×(dγ/dt) n-1 , so (sec) n ×(1/sec) n-1 =(sec), which is "one-dimensional." From such dimensional analysis, it makes sense that the dependency of "MFR" in (Formula 2) is introduced in the form of 1/(MFR) n .
このようにして、粘度と「MFR」との定性的関係と次元解析に基づいて想到された(数式2)によれば、定数が分かっていることを前提として、「MFR」とせん断速度と樹脂の温度が分かれば粘度を推定することができる。つまり、(数式2)は、「MFR」と粘度とを関係付ける関係式であることがわかる。したがって、(数式2)に含まれる定数を適切に決定することができれば、(数式2)に基づいて、「MFR」から粘度を精度よく推定することができると考えられる。このことから、(数式2)に含まれる定数を決定することが重要であり、本実施の形態では、機械学習を使用して(数式2)に含まれる定数を決定する。 In this way, according to (Formula 2) which was conceived based on the qualitative relationship between viscosity and "MFR" and dimensional analysis, it is possible to estimate viscosity if "MFR", shear rate, and resin temperature are known, assuming that the constants are known. In other words, it can be seen that (Formula 2) is a relational equation relating "MFR" and viscosity. Therefore, if the constants included in (Formula 2) can be appropriately determined, it is considered possible to accurately estimate viscosity from "MFR" based on (Formula 2). For this reason, it is important to determine the constants included in (Formula 2), and in this embodiment, the constants included in (Formula 2) are determined using machine learning.
本実施の形態における基本思想は、「MFR」に基づいて粘度を推定する思想であり、詳細には、「MFR」と粘度とを関係付ける(数式2)に基づいて粘度を推定する思想である。そして、基本思想においては、「MFR」から精度よく粘度を推定できるように、(数式2)に含まれる定数を機械学習で決定する。 The basic idea of this embodiment is to estimate viscosity based on "MFR", and more specifically, to estimate viscosity based on (Equation 2) that relates "MFR" to viscosity. In this basic idea, the constants included in (Equation 2) are determined by machine learning so that viscosity can be estimated from "MFR" with high accuracy.
<粘度推定装置の構成>
以下では、上述した基本思想を具現化する粘度推定装置について説明する。
<Configuration of Viscosity Estimation Device>
A viscosity estimation device that embodies the above-mentioned basic concept will be described below.
<<ハードウェア構成>>
まず、本実施の形態おける粘度推定装置のハードウェア構成について説明する。
<<Hardware configuration>>
First, the hardware configuration of the viscosity estimation device in this embodiment will be described.
図2は、本実施の形態における粘度推定装置100のハードウェア構成の一例を示す図である。なお、図2に示す構成は、あくまでも粘度推定装置100のハードウェア構成の一例を示すものであり、粘度推定装置100のハードウェア構成は、図2に記載されている構成に限らず、他の構成であってもよい。
Figure 2 is a diagram showing an example of the hardware configuration of the
図2において、粘度推定装置100は、プログラムを実行するCPU(Central Processing Unit)101を備えている。このCPU101は、バス113を介して、例えば、ROM(Read Only Memory)102、RAM(Random Access Memory)103、および、ハードディスク装置112と電気的に接続されており、これらのハードウェアデバイスを制御するように構成されている。
In FIG. 2, the
また、CPU101は、バス113を介して入力装置や出力装置とも接続されている。入力装置の一例としては、キーボード105、マウス106、通信ボード107、および、スキャナ111などを挙げることができる。一方、出力装置の一例としては、ディスプレイ104、通信ボード107、および、プリンタ110などを挙げることができる。さらに、CPU101は、例えば、リムーバルディスク装置108やCD/DVD-ROM装置109と接続されていてもよい。
The
粘度推定装置100は、例えば、ネットワークと接続されていてもよい。例えば、粘度推定装置100がネットワークを介して他の外部機器と接続されている場合、粘度推定装置100の一部を構成する通信ボード107は、LAN(ローカルエリアネットワーク)、WAN(ワイドエリアネットワーク)やインターネットに接続されている。
The
RAM103は、揮発性メモリの一例であり、ROM102、リムーバルディスク装置108、CD/DVD-ROM装置109、ハードディスク装置112の記録媒体は、不揮発性メモリの一例である。これらの揮発性メモリや不揮発性メモリによって、粘度推定装置100の記憶装置が構成される。
ハードディスク装置112には、例えば、オペレーティングシステム(OS)201、プログラム群202、および、ファイル群203が記憶されている。プログラム群202に含まれるプログラムは、CPU101がオペレーティングシステム201を利用しながら実行する。また、RAM103には、CPU101に実行させるオペレーティングシステム201のプログラムやアプリケーションプログラムの少なくとも一部が一次的に格納されるとともに、CPU101による処理に必要な各種データが格納される。
The
ROM102には、BIOS(Basic Input Output System)プログラムが記憶され、ハードディスク装置112には、ブートプログラムが記憶されている。粘度推定装置100の起動時には、ROM102に記憶されているBIOSプログラムおよびハードディスク装置112に記憶されているブートプログラムが実行され、BIOSプログラムおよびブートプログラムにより、オペレーティングシステム201が起動される。
The
プログラム群202には、粘度推定装置100の機能を実現するプログラムが記憶されており、このプログラムは、CPU101により読み出されて実行される。また、ファイル群203には、CPU101による処理の結果を示す情報、データ、信号値、変数値やパラメータがファイルの各項目として記憶されている。
The
ファイルは、ハードディスク装置112やメモリなどの記録媒体に記録される。ハードディスク装置112やメモリなどの記録媒体に記録された情報、データ、信号値、変数値やパラメータは、CPU101によりメインメモリやキャッシュメモリに読み出され、抽出・検索・参照・比較・演算・処理・編集・出力・印刷・表示に代表されるCPU101の動作に使用される。例えば、上述したCPU101の動作の間、情報、データ、信号値、変数値やパラメータは、メインメモリ、レジスタ、キャッシュメモリ、バッファメモリなどに一次的に記憶される。
The files are recorded on a recording medium such as the
粘度推定装置100の機能は、ROM102に記憶されたファームウェアで実現されていてもよいし、あるいは、ソフトウェアのみ、素子・デバイス・基板・配線に代表されるハードウェアのみ、ソフトウェアとハードウェアとの組み合わせ、さらには、ファームウェアとの組み合わせで実現されていてもよい。ファームウェアとソフトウェアは、プログラムとして、ハードディスク装置112、リムーバルディスク、CD-ROM、DVD-ROMなどに代表される記録媒体に記録される。プログラムは、CPU101により読み出されて実行される。すなわち、プログラムは、コンピュータを粘度推定装置100として機能させるものである。
The functions of the
このように、粘度推定装置100は、処理装置であるCPU101、記憶装置であるハードディスク装置112やメモリ、入力装置であるキーボード105、マウス106、通信ボード107、出力装置であるディスプレイ104、プリンタ110、通信ボード107を備えるコンピュータである。そして、粘度推定装置100の機能は、処理装置、記憶装置、入力装置、および、出力装置を利用して実現される。
In this way, the
<<機能ブロック構成>>
次に、粘度推定装置100の機能ブロック構成について説明する。
<<Function block configuration>>
Next, the functional block configuration of the
図3は、粘度推定装置の機能を示す機能ブロック図である。 Figure 3 is a functional block diagram showing the functions of the viscosity estimation device.
粘度推定装置100は、入力部301と、定数決定部302と、粘度推定部303と、出力部304と、データ記憶部305を有している。
The
入力部301は、「MFR」と樹脂の温度とせん断速度との組み合わせと粘度とを関連付けた既知データ群であって、「MFR」と温度とせん断速度と粘度が既知の既知データ群を入力するように構成されている。
The
図4は、既知データ群の一例を示す図である。 Figure 4 shows an example of a known data group.
既知データ群400には、複数の既知データが含まれており、複数の既知データのそれぞれは、「MFR」と温度とせん断速度との組み合わせとともに、これらの組み合わせと関連付けられた粘度から構成されている。例えば、既知データの一例としては、図4に示すように、「MFR」が「17.6527」、「温度」が「190」、「せん断速度」が「60.8」、「粘度」が「10307.03」であるデータを挙げることができる。
The known
この既知データは、例えば、同一グレードで「MFR」の異なる樹脂材料の粘度を温度とせん断速度を変化させて計測することにより取得される。このとき、粘度の測定には、例えば、レオメータを使用して行われる。 This known data is obtained, for example, by measuring the viscosity of resin materials of the same grade but different "MFR" while changing the temperature and shear rate. In this case, the viscosity is measured using, for example, a rheometer.
本実施の形態では、既知データ群に基づいて、(数式2)に含まれる定数を決定する。このため、(数式2)の定数を高精度に決定する観点から、既知データ群に含まれる既知データのデータ数は、多いことが望ましい。例えば、既知データ群は、「MFR」と「温度」と「せん断速度」の異なる既知データを合計で20データ以上有していることが望ましい。 In this embodiment, the constants included in (Equation 2) are determined based on the known data group. For this reason, from the viewpoint of determining the constants in (Equation 2) with high accuracy, it is desirable that the known data group contains a large number of pieces of known data. For example, it is desirable that the known data group contains a total of 20 or more pieces of different known data for "MFR", "temperature", and "shear rate".
入力部301に入力された複数の既知データのそれぞれは、データ記憶部305に記憶される。また、データ記憶部305には、(数式2)も記憶される。
Each of the multiple known data input to the
定数決定部302は、データ記憶部305に記憶されている既知データ群を使用して、(数式2)に含まれる定数(「C」、「n」、「α」)を決定するように構成されている。具体的に、図5に示すように、定数決定部302は、既知データ群を教師データとして、入力を「MFR」と温度とせん断速度とするとともに出力を粘度とするニューラルネットワークを学習させることにより、(数式2)に含まれる定数を決定するように構成される。
The
粘度推定部303は、「MFR」に基づいて粘度を推定するように構成されており、詳細には、上述した(数式2)に基づいて、粘度を推定するように構成されている。特に、粘度推定部303は、定数決定部302で決定した定数を代入した(数式2)に基づいて、粘度を推定する。すなわち、粘度推定部303は、定数決定部302で決定した定数を代入した(数式2)に基づいて、粘度との対応が未知の「MFR」と温度とせん断速度の組み合わせから粘度を推定するように構成されている。これにより、粘度が未知の樹脂に対して、「MFR」と温度とせん断速度がわかれば粘度を把握できることになる。
The
出力部304は、粘度推定部303で推定された樹脂の粘度を出力する機能を有する。
The
以上のようして、粘度推定装置100が構成されていることになる。
The
<粘度推定装置の動作(粘度推定方法)>
続いて、本実施の形態における粘度推定装置100の動作について説明する。
<Operation of Viscosity Estimation Device (Viscosity Estimation Method)>
Next, the operation of the
粘度推定装置100の動作には、(数式2)に含まれる定数を決定して、粘度の推定に使用される関係式を決定する第1動作と、この関係式を用いて粘度が未知の樹脂の「MFR」と「温度」と「せん断速度」に基づいて、粘度を推定する第2動作があるので、以下では、それぞれの動作について説明することにする。
The operation of the
<<第1動作>>
図6は、粘度推定装置の第1動作を説明するフローチャートである。
<<First Operation>>
FIG. 6 is a flowchart illustrating a first operation of the viscosity estimation device.
まず、既知データ群は取得されているものとする。 First, it is assumed that a set of known data has been acquired.
図6において、入力部301は、既知データ群を入力する(S101)。そして、入力部301に入力された既知データ群は、データ記憶部305に記憶される。
In FIG. 6, the
次に、定数決定部302は、データ記憶部305に記憶されている既知データ群を教師データとして、入力を「MFR」と温度とせん断速度とするとともに出力を粘度とするニューラルネットワークを学習させることにより、(数式2)に含まれる定数を決定する(S102)。これにより、粘度と「MFR」とを関係付ける関係式である(数式2)が決定される。このようにして、粘度と「MFR」の関係式が得られる。
Next, the
<<第2動作>>
図7は、粘度推定装置の第2動作を説明するフローチャートである。
<<Second Operation>>
FIG. 7 is a flowchart illustrating a second operation of the viscosity estimation device.
ここでは、既に上述した第1動作が行われて、(数式2)の定数が決定されているとする。 Here, it is assumed that the first operation described above has already been performed and the constants in (Equation 2) have been determined.
図7において、入力部301は、粘度が未知の未知データを入力する(S201)。この未知データには、粘度が未知の樹脂における「MFR」と「温度」と「せん断速度」のそれぞれのデータが含まれている。この未知データは、データ記憶部305に記憶される。
In FIG. 7, the
次に、粘度推定部303は、データ記憶部305に記憶されている未知データを(数式2)に代入する。すなわち、粘度が未知の未知データに含まれる既知の「MFR」と「温度」と「せん断速度」を(数式2)に代入する(S202)。これにより、(数式2)に基づいて粘度が推定される(S203)。そして、粘度推定部303で推定された粘度は、出力部304から出力される(S204)。このようにして、粘度推定装置100によれば、「MFR」と「温度」と「せん断速度」に基づいて、粘度を推定することができる。
Next, the
以上のようにして、粘度推定装置100を動作させることにより、本実施の形態における粘度推定方法が実現される。
By operating the
<粘度推定プログラム>
上述した粘度推定装置100で実施される粘度推定方法は、粘度推定処理をコンピュータに実行させる粘度推定プログラムにより実現することができる。
<Viscosity estimation program>
The viscosity estimation method performed by the above-described
例えば、図2に示すコンピュータからなる粘度推定装置100において、ハードディスク装置112に記憶されているプログラム群202の1つとして、本実施の形態における粘度推定プログラムを導入することができる。そして、この粘度推定プログラムを粘度推定装置100であるコンピュータに実行させることにより、本実施の形態における粘度推定方法を実現することができる。
For example, in the
粘度推定処理に関するデータを作成するための各処理をコンピュータに実行させる粘度推定プログラムは、コンピュータで読み取り可能な記録媒体に記録して頒布することができる。記録媒体には、例えば、ハードディスクやフレキシブルディスクに代表される磁気記憶媒体、CD-ROMやDVD-ROMに代表される光学記憶媒体、ROMやEEPROMなどの不揮発性メモリに代表されるハードウェアデバイスなどが含まれる。 The viscosity estimation program that causes a computer to execute each process for creating data related to the viscosity estimation process can be recorded on a computer-readable recording medium and distributed. Recording media include, for example, magnetic storage media such as hard disks and flexible disks, optical storage media such as CD-ROMs and DVD-ROMs, and hardware devices such as non-volatile memory such as ROMs and EEPROMs.
<定数決定部に対するさらなる工夫>
定数決定部302は、既知データ群を教師データとして、入力を「MFR」と温度とせん断速度とするとともに出力を粘度とするニューラルネットワークを学習させることにより、(数式2)に含まれる定数を決定する。
<Further improvements to the constant determination section>
The
ここで、ニューラルネットワークによる機械学習で(数式2)に含まれる定数を決定する手法は、複数ある。ただし、本実施の形態では、教師データとして使用する既知データ群の特殊性から機械学習による定数の決定を安定的に行うことができないおそれがあることを本発明者は新規に見出した。つまり、本発明者は、既知データ群においては、データ数を確保できるとしても、異なる「MFR」の種類が少ないという特殊性から機械学習による定数の決定を安定して行うことができない場合があることを新規な知見として獲得した。そこで、本発明者は、この知見に基づいて様々な手法を試す中で最も安定的に機械学習による定数の決定を行う手法を見出したので、以下では、この手法を説明する。 There are several methods for determining the constants included in (Equation 2) using machine learning with a neural network. However, in this embodiment, the inventor has newly discovered that the constants may not be determined stably using machine learning due to the unique nature of the known data group used as training data. In other words, the inventor has newly discovered that even if the number of data can be secured in a known data group, the small number of different "MFR" types means that it may not be possible to stably determine the constants using machine learning. Based on this discovery, the inventor has tried various methods and found the most stable method for determining constants using machine learning, which will be described below.
<<粘度推定装置の構成>>
図8は、粘度推定装置の機能ブロック図である。
<<Configuration of Viscosity Estimation Device>>
FIG. 8 is a functional block diagram of the viscosity estimation device.
図8と図3とは、ほぼ同様の構成をしているため、以下では、図8で追加した追加点を中心に説明する。図8において、粘度推定装置100は、分類部306を有している。
Since FIG. 8 and FIG. 3 have almost the same configuration, the following description will focus on the additional points added in FIG. 8. In FIG. 8, the
この分類部306は、既知データ群をN個(Nは自然数)の異なる「MFR」ごとに分類する機能を有する。すなわち、分類部306は、既知データ群をN種類の分類データ群に分類するように構成されている。例えば、分類部306は、図4に示す既知データ群400を第1分類データ群400Aと第2分類データ群400Bと第3分類データ群400Cに分類するように構成されている。
The
ここで、第1分類データ群400Aは、「MFR」が同一の「17.6527」で、「温度」と「せん断速度」と「粘度」が異なるデータ群から構成される。同様に、第2分類データ群400Bは、「MFR」が同一の「15.8989」で、「温度」と「せん断速度」と「粘度」が異なるデータ群であり、第3分類データ群400Cは、「MFR」が同一の「3.4669」で、「温度」と「せん断速度」と「粘度」が異なるデータ群である。
Here, the first
定数決定部302は、予備定数決定部307と平均値算出部308を含んでいる。
The
予備定数決定部307は、分類部306で分類されたN種類の分類データ群のそれぞれを教師データとして、入力を「MFR」と温度とせん断速度とするとともに出力を粘度とするニューラルネットワークを学習させることにより、N個の異なる「MFR」ごとに以下の(数式3)に含まれる複数の予備定数を決定するように構成されている。
The preliminary
ここで、
η:粘度
ηi:予備定数
dγ/dt:せん断速度
ni:予備定数
αi:予備定数
T:温度
例えば、予備定数決定部307では、(数式3)に含まれる予備定数を「MFR」ごとに教師データである分類データ群との誤差が最小になるようにニューラルネットワークを学習させる。ここで、予備定数を決定する一例について説明する。
here,
η: viscosity η i : preliminary constant dγ/dt: shear rate n i : preliminary constant α i : preliminary constant T: temperature For example, in the preliminary
(数式3)の対数を取ると、以下の(数式4)が得られる。 Taking the logarithm of (Equation 3) gives us the following (Equation 4).
この(数式4)において、「ln(dγ/dt)」と「T」を変数として、機械学習を使用して重回帰分析(Lasso回帰やRidge回帰)する。これにより、予備定数決定部307によって、N個の異なる「MFR」ごとに予備定数(ηi、ni、αi)「i=1・・・N」を決定することができる。
In this (Formula 4), multiple regression analysis (Lasso regression or Ridge regression) is performed using machine learning with "ln(dγ/dt)" and "T" as variables. This allows the preliminary
平均値算出部308は、N個の異なる「MFR」ごとに決定された複数の予備定数のうちの一部の予備定数について平均値を算出するように構成されている。具体的に、平均値算出部308は、予備定数「αi」について、以下の(数式5)に基づいて平均値「<α>」を算出するとともに、予備定数「ni」について、以下の(数式6)に基づいて平均値「<n>」を算出するように構成されている。
The average
そして、定数決定部302は、上述した平均値を初期値とするとともに既知データ群を教師データとして、入力を「MFR」と温度とせん断速度とするとともに出力を粘度とするニューラルネットワークを学習させることにより、(数式2)に含まれる定数を決定するように構成されている。
The
例えば、(数式2)の対数を取ると、以下の(数式7)が得られる。 For example, if we take the logarithm of (Formula 2), we get the following (Formula 7).
この(数式7)において、「n」と「α」に対する初期値として上述した平均値を代入した後、既知データ群を教師データとして、入力を「MFR」と温度とせん断速度とするとともに出力を粘度とするニューラルネットワークを学習させることにより、(数式7)に含まれる定数を決定することができる。 In this (Formula 7), the above-mentioned average values are substituted as the initial values for "n" and "α", and then a neural network is trained using a group of known data as training data, with "MFR", temperature, and shear rate as inputs and viscosity as output, to determine the constants contained in (Formula 7).
<<粘度推定装置の動作>>
図9は、粘度推定装置の動作を説明するフローチャートである。
<<Operation of Viscosity Estimation Device>>
FIG. 9 is a flowchart illustrating the operation of the viscosity estimation device.
図9において、まず、入力部301は、既知データ群を入力する(S301)。そして、入力部301に入力された既知データ群は、データ記憶部305に記憶される。次に、分類部306は、データ記憶部305に記憶されている既知データ群を同一の「MFR」ごとの分類データ群に分類する(S302)。例えば、既知データ群の中に「MFR」がN種類ある場合、分類部306は、既知データ群をN種類の分類データ群に分類する。そして、分類部306で分類された分類データ群もデータ記憶部305に記憶される。
In FIG. 9, first, the
続いて、粘度推定装置100は、「N=1」に設定した後(S303)、予備定数決定部307は、第N分類データに基づいて、(数式3)に含まれる予備定数を決定する(S304)。具体的に、予備定数決定部307は、第N分類データを教師データとして、入力を「温度」と「せん断速度」とするとともに出力を「粘度」とするニューラルネットワークを学習させることにより、(数式3)に含まれる予備定数を決定する。
Next, the
その後、粘度推定装置100は、「N=Nmax」であるか判定する(S305)。
Then, the
ここで、粘度推定装置100は、「N=Nmax」ではないと判定すると、「N=N+1」として(S306)、S204を繰り返す。そして、この繰り返しは、「N=Nmax」になるまで続けられる。その後、粘度推定装置100は、「N=Nmax」であると判定すると、平均値算出部308は、N個の異なる「MFR」ごとに決定された複数の予備定数のうちの一部の予備定数について平均値を算出する(S307)。
Here, if the
次に、定数決定部302は、上述した平均値を初期値とするとともに既知データ群を教師データとして、入力を「MFR」と温度とせん断速度とするとともに出力を粘度とするニューラルネットワークを学習させることにより、(数式2)に含まれる定数を決定する(S308)。これにより、決定された定数を(数式2)に代入して、最終的に、粘度と「MFR」とを関係付ける関係式(数式2)を決定することができる(S309)。
Next, the
<効果の検証>
本実施の形態によれば、「MFR」に基づいて粘度を推定することができる。
<Verification of effectiveness>
According to this embodiment, the viscosity can be estimated based on the "MFR".
以下では、本実施の形態で推定された粘度が実測された粘度と高精度に一致するという検証結果について説明する。具体的に、樹脂材料として熱可塑性ポリウレタンを使用して、本実施の形態における技術的思想の有用性を検証したので、この検証結果を説明する。 Below, we will explain the verification results that show that the viscosity estimated in this embodiment matches the actually measured viscosity with high accuracy. Specifically, we used thermoplastic polyurethane as the resin material to verify the usefulness of the technical idea in this embodiment, and we will explain the verification results.
グレードは同じであるが、製造ロットの異なる4種類の熱可塑性ポリウレタンを用意した。そして、それぞれの熱可塑性ポリウレタンについて、「MFR」をメルトインデクサ(東洋精機製)にて温度200℃および荷重5kgで計測した。 Four types of thermoplastic polyurethanes were prepared, all of the same grade but from different production lots. The "MFR" of each type of thermoplastic polyurethane was then measured at a temperature of 200°C and a load of 5 kg using a melt indexer (manufactured by Toyo Seiki Co., Ltd.).
粘度は、キャピログラフ(東洋精機製)にて、温度185℃~210℃、せん断速度6.08~6080(1/s)の間で変化させて計測した。合計の計測点数は60点である。 The viscosity was measured using a Capillograph (manufactured by Toyo Seiki) at temperatures ranging from 185°C to 210°C and shear rates ranging from 6.08 to 6080 (1/s). A total of 60 measurements were taken.
製造ロットの異なる4種類のサンプルのうち、3種類のサンプルデータを既知データ群として「MFR」を取り入れた(数式2)の定数を決定した。すなわち、3種類のサンプルデータを教師データとして機械学習によって、(数式2)の定数を決定した。 Of the four types of samples from different production lots, the constants in (Formula 2) were determined by incorporating "MFR" using three types of sample data as a known data group. In other words, the constants in (Formula 2) were determined by machine learning using the three types of sample data as training data.
図10は、定数の決定に使用していないサンプルでの粘度実測値と、「MFR」を考慮した(数式2)を使用して推定した粘度推定値との比較結果を示すグラフである。図10において、縦軸は粘度実測値を示している一方、横軸は粘度推定値を示している。 Figure 10 is a graph showing the results of a comparison between the measured viscosity values of samples not used to determine the constants and the estimated viscosity values estimated using (Equation 2) that takes into account "MFR." In Figure 10, the vertical axis shows the measured viscosity values, while the horizontal axis shows the estimated viscosity values.
図10から算出された粘度実測値と粘度推定値との相関係数は、「0.9893」であり、ほぼ1であることがわかる。ここで、相関係数が1に近いほど、粘度実測値と粘度推定値との誤差が小さいことを考慮すると、図10の検証結果は、本実施の形態で推定された粘度が実測された粘度と高精度に一致することを裏付けているということができる。 The correlation coefficient between the measured viscosity value and the estimated viscosity value calculated from FIG. 10 is 0.9893, which is almost 1. Considering that the closer the correlation coefficient is to 1, the smaller the error between the measured viscosity value and the estimated viscosity value, the verification results in FIG. 10 support the idea that the viscosity estimated in this embodiment matches the measured viscosity with high accuracy.
次に、図11は、粘度を実測する技術(比較例)と、「MFR」を使用して粘度を推定する本実施の形態における技術的思想との対比結果を示す表である。 Next, Figure 11 is a table showing the results of a comparison between a technology that actually measures viscosity (comparative example) and the technical idea of this embodiment, which estimates viscosity using "MFR."
図11に示すように、比較例では、キャピラリ型レオメータで温度を3水準およびせん断速度を5水準という合計15点のデータを取った場合の計測時間が示されている。この結果、比較例での粘度の計測時間は3時間~6時間程度必要であり、樹脂材料も約150g使用する。図11に示す結果に基づくと、比較例では、粘度の計測時間が長くなることから、成型品の製造工程ラインでの運用は困難であることがわかる。 As shown in Figure 11, the comparative example shows the measurement time when a capillary rheometer is used to collect data for a total of 15 points, with three temperature levels and five shear rate levels. As a result, the viscosity measurement time required for the comparative example is approximately 3 to 6 hours, and approximately 150 g of resin material is used. Based on the results shown in Figure 11, it can be seen that the comparative example would be difficult to use on a manufacturing process line for molded products, as the viscosity measurement time is long.
これに対し、図11の本実施の形態の欄には、「MFR」に基づく粘度の推定に要する時間と使用される樹脂材料の量が示されている。図11において、本実施の形態によれば、「MFR」は、温度を1水準でN=3(Nは種類)で計測した場合、約1時間程度で終了する。また、「MFR」が既知であれば、計測する必要はなく計算するだけなので、数秒で終了する。また、樹脂材料の使用量は、「MFR」を計測する場合、150gであり、比較例と同等である。このような図11に示す結果に基づくと、本実施の形態では、短時間で粘度を推定することができるとともに、粘度の推定精度が高いことから(図10参照)、成型品の製造工程ラインでの運用が可能となる。 In contrast, the column for this embodiment in FIG. 11 shows the time required to estimate the viscosity based on "MFR" and the amount of resin material used. In FIG. 11, according to this embodiment, when "MFR" is measured at one temperature level and N=3 (N is the number of types), it takes about one hour. Also, if "MFR" is known, there is no need to measure it, and it only takes a few seconds to calculate it. Also, when "MFR" is measured, the amount of resin material used is 150 g, which is the same as the comparative example. Based on the results shown in FIG. 11, this embodiment can estimate the viscosity in a short time, and since the viscosity estimation accuracy is high (see FIG. 10), it can be used in the manufacturing process line of molded products.
したがって、本実施の形態は、粘度の測定は難しく手間がかかるため、粘度の測定に基づいて成型条件を調整することを実現することが困難であるという従来の認識を覆している。そして、「MFR」をうまく利用して容易に粘度を把握できることを実現した技術的思想は、成型品の製造工程ラインにおいて、粘度変化を吸収するように成型条件を調整することが容易になる点で重要な技術的意義を有しているということができる。 Therefore, this embodiment overturns the conventional understanding that it is difficult and time-consuming to measure viscosity, and therefore difficult to adjust molding conditions based on viscosity measurements. Furthermore, the technical idea of making it possible to easily grasp viscosity by making good use of "MFR" can be said to have important technical significance in that it makes it easier to adjust molding conditions to absorb viscosity changes in the manufacturing process line of molded products.
以下では、本実施の形態における技術的思想を利用した成型品の製造工程を説明する。 The manufacturing process for a molded product that utilizes the technical concept of this embodiment is described below.
<成型品の製造方法>
図12は、「MFR」に基づいて粘度を推定する本実施の形態における技術的思想を取り入れた成型品の製造方法の流れを示すフローチャートである。
<Manufacturing method of molded products>
FIG. 12 is a flow chart showing the flow of a manufacturing method for a molded product incorporating the technical idea of this embodiment in which viscosity is estimated based on "MFR."
図12において、まず、本実施の形態における技術的思想を使用して、「MFR」に基づく粘度の推定を行う(S401)。この結果、粘度を推定できる。そして、推定された粘度に基づいて、成型条件の調整を行う(S402)。具体的には、粘度を推定することにより、粘度変化を把握することができることから、この粘度変化を吸収するように温度やせん断速度などの成型条件を調整する。特に、粘度変化に対してどのように成型条件を調整すればよいかということは経験などから把握することができる。したがって、この経験に基づいて、粘度変化に対する成型条件の調整は、プログラムによって自動化することができる。この自動化を実現することができれば、推定された粘度が入力されると、自動的に成型条件が出力されるという構成を実現できる。その後、調整された成型条件で樹脂の成型を行う(S403)。この結果、本実施の形態における成型品の製造方法によれば、樹脂材料の粘度変化に応じて、その都度、温度やせん断速度などの成型条件を最適化することができる。すなわち、本実施の形態における成型品の製造方法によれば、粘度変化を吸収するように成型条件を調整することができることから、成型品の品質を維持することができるという顕著な効果を得ることができる。 In FIG. 12, first, the viscosity is estimated based on the "MFR" using the technical idea of this embodiment (S401). As a result, the viscosity can be estimated. Then, based on the estimated viscosity, the molding conditions are adjusted (S402). Specifically, by estimating the viscosity, the viscosity change can be grasped, and the molding conditions such as temperature and shear rate are adjusted to absorb this viscosity change. In particular, it is possible to grasp from experience how to adjust the molding conditions in response to the viscosity change. Therefore, based on this experience, the adjustment of the molding conditions in response to the viscosity change can be automated by a program. If this automation can be realized, a configuration can be realized in which the molding conditions are automatically output when the estimated viscosity is input. Then, the resin is molded under the adjusted molding conditions (S403). As a result, according to the manufacturing method of the molded product in this embodiment, the molding conditions such as the temperature and shear rate can be optimized each time according to the viscosity change of the resin material. In other words, according to the manufacturing method of the molded product in this embodiment, the molding conditions can be adjusted to absorb the viscosity change, and therefore, a remarkable effect can be obtained in that the quality of the molded product can be maintained.
以上、本発明者によってなされた発明をその実施の形態に基づき具体的に説明したが、本発明は前記実施の形態に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能であることは言うまでもない。 The invention made by the inventor has been specifically described above based on the embodiment thereof, but it goes without saying that the invention is not limited to the above embodiment and can be modified in various ways without departing from the gist of the invention.
樹脂材料には、プラスチック材料やゴム材料などが含まれ、「MFR」を取得できれば、本実施の形態における技術的思想を適用できる樹脂材料の種類は限定されない。すなわち、本実施の形態における技術的思想は、粘度変化が品質に影響を与える樹脂材料であって「MFR」を取得できる樹脂材料に幅広く適用することができる。 Resin materials include plastic materials and rubber materials, and there is no limit to the type of resin material to which the technical ideas of this embodiment can be applied as long as the "MFR" can be obtained. In other words, the technical ideas of this embodiment can be widely applied to resin materials whose quality is affected by viscosity changes and for which an "MFR" can be obtained.
1 バレル
2 樹脂
3 ピストンヘッド
4 ピストン
5 錘
6 ダイ
10 測定装置
100 粘度推定装置
101 CPU
102 ROM
103 RAM
104 ディスプレイ
105 キーボード
106 マウス
107 通信ボード
108 リムーバルディスク装置
109 CD/DVD-ROM装置
110 プリンタ
111 スキャナ
112 ハードディスク装置
113 バス
201 オペレーティングシステム
202 プログラム群
203 ファイル群
301 入力部
302 定数決定部
303 粘度推定部
304 出力部
305 データ記憶部
306 分類部
307 予備定数決定部
308 平均値算出部
400 既知データ群
400A 第1分類データ群
400B 第2分類データ群
400C 第3分類データ群
REFERENCE SIGNS
102 ROM
103 RAM
Claims (7)
前記粘度推定装置は、メルトフローレートに基づいて前記粘度を推定する粘度推定部を備え、
前記粘度推定部は、以下に示す数式2に基づいて、前記粘度を推定する、粘度推定装置。
η:粘度
C:定数
MFR:メルトフローレート
dγ/dt:せん断速度
n:定数
α:定数
T:温度 A viscosity estimation device configured to estimate a viscosity of a resin, comprising:
The viscosity estimation device includes a viscosity estimation unit that estimates the viscosity based on a melt flow rate,
The viscosity estimation unit estimates the viscosity based on Equation 2 shown below .
η: Viscosity
C: constant
MFR: Melt flow rate
dγ/dt: shear rate
n: constant
α: constant
T: Temperature
前記粘度推定装置は、
メルトフローレートと樹脂の温度とせん断速度との組み合わせと粘度とを関連付けた既知データ群であって、前記メルトフローレートと前記温度と前記せん断速度と前記粘度が既知の前記既知データ群を入力する既知データ群入力部と、
前記既知データ群を教師データとして、入力を前記メルトフローレートと前記温度と前記せん断速度とするとともに出力を前記粘度とするニューラルネットワークを学習させることにより、前記数式2に含まれる定数を決定する定数決定部と、
を有し、
前記粘度推定部は、前記定数決定部で決定された前記定数を代入した前記数式2に基づいて、前記粘度との対応が未知の前記メルトフローレートと前記温度と前記せん断速度の組み合わせから前記粘度を推定する、粘度推定装置。 2. The viscosity estimation device according to claim 1 ,
The viscosity estimation device comprises:
a known data group input unit for inputting a known data group that associates a combination of a melt flow rate, a resin temperature, a shear rate, and a viscosity, the known data group including the melt flow rate, the temperature, the shear rate, and the viscosity;
a constant determination unit that determines a constant included in the formula 2 by learning a neural network using the known data group as teacher data, the input being the melt flow rate, the temperature, and the shear rate, and the output being the viscosity;
having
The viscosity estimation unit estimates the viscosity from a combination of the melt flow rate, the temperature, and the shear rate, the correspondence between which is unknown and the viscosity, based on the formula 2 into which the constant determined by the constant determination unit is substituted.
前記既知データ群は、N個(Nは自然数)の異なる前記メルトフローレートごとに分類されたN種類の分類データ群から構成され、
前記定数決定部は、
前記N種類の分類データ群のそれぞれを教師データとして、入力をメルトフローレートと前記温度と前記せん断速度とするとともに出力を前記粘度とするニューラルネットワークを学習させることにより、前記N個の異なる前記メルトフローレートごとに以下の数式3に含まれる複数の予備定数を決定する予備定数決定部と、
前記N個の異なる前記メルトフローレートごとに決定された前記複数の予備定数のうちの一部の予備定数について平均値を算出する平均値算出部と、
を有し、
前記定数決定部は、前記平均値を初期値とするとともに前記既知データ群を教師データとして、入力を前記メルトフローレートと前記温度と前記せん断速度とするとともに出力を前記粘度とするニューラルネットワークを学習させることにより、前記数式2に含まれる定数を決定する、粘度推定装置。
η:粘度
ηi:予備定数
dγ/dt:せん断速度
ni:予備定数
αi:予備定数
T:温度 3. The viscosity estimation device according to claim 2 ,
The known data group is composed of N types of classified data groups classified according to N different melt flow rates (N is a natural number),
The constant determination unit is
a preliminary constant determination unit that determines a plurality of preliminary constants included in the following formula 3 for each of the N different melt flow rates by learning a neural network that uses each of the N types of classification data groups as teacher data and has the melt flow rate, the temperature, and the shear rate as inputs and the viscosity as output;
An average value calculation unit that calculates an average value for some of the plurality of preliminary constants determined for each of the N different melt flow rates;
having
The constant determination unit determines the constants included in Equation 2 by training a neural network using the average value as an initial value and the group of known data as training data, the neural network having the melt flow rate, the temperature, and the shear rate as inputs and the viscosity as an output.
η: viscosity η i : preliminary constant dγ/dt: shear rate n i : preliminary constant α i : preliminary constant T: temperature
前記粘度推定方法は、メルトフローレートに基づいて前記粘度を推定する粘度推定工程を備え、
前記粘度推定工程は、以下に示す数式2に基づいて、前記粘度を推定する、粘度推定方法。
η:粘度
C:定数
MFR:メルトフローレート
dγ/dt:せん断速度
n:定数
α:定数
T:温度 A viscosity estimation method for estimating a viscosity of a resin, comprising the steps of:
The viscosity estimation method includes a viscosity estimation step of estimating the viscosity based on a melt flow rate,
The viscosity estimation method, in which the viscosity estimation step estimates the viscosity based on Equation 2 shown below .
η: Viscosity
C: constant
MFR: Melt flow rate
dγ/dt: shear rate
n: constant
α: constant
T: Temperature
前記粘度推定プログラムは、メルトフローレートに基づいて前記粘度を推定する粘度推定処理を備え、
前記粘度推定処理は、以下に示す数式2に基づいて、前記粘度を推定する、粘度推定プログラム。
η:粘度
C:定数
MFR:メルトフローレート
dγ/dt:せん断速度
n:定数
α:定数
T:温度 A viscosity estimation program for causing a computer to execute a process for estimating a viscosity of a resin,
the viscosity estimation program includes a viscosity estimation process for estimating the viscosity based on a melt flow rate,
The viscosity estimation process estimates the viscosity based on the following formula 2 .
η: Viscosity
C: constant
MFR: Melt flow rate
dγ/dt: shear rate
n: constant
α: constant
T: Temperature
推定された前記粘度に基づいて成型条件を調整する成型条件調整工程と、
調整された前記成型条件で前記樹脂を成型する成型工程と、
を備える、成型品の製造方法であって、
前記粘度推定工程は、以下に示す数式2に基づいて、前記粘度を推定する、成型品の製造方法。
η:粘度
C:定数
MFR:メルトフローレート
dγ/dt:せん断速度
n:定数
α:定数
T:温度
A viscosity estimation step of estimating a viscosity of the resin based on a melt flow rate;
a molding condition adjusting step of adjusting molding conditions based on the estimated viscosity;
a molding step of molding the resin under the adjusted molding conditions;
A method for manufacturing a molded product, comprising:
The method for manufacturing a molded product, wherein the viscosity estimation step estimates the viscosity based on Equation 2 shown below.
η: Viscosity
C: constant
MFR: Melt flow rate
dγ/dt: shear rate
n: constant
α: constant
T: Temperature
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020199488A JP7512870B2 (en) | 2020-12-01 | 2020-12-01 | Viscosity estimation device, viscosity estimation method, viscosity estimation program, recording medium, and method for manufacturing molded product |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020199488A JP7512870B2 (en) | 2020-12-01 | 2020-12-01 | Viscosity estimation device, viscosity estimation method, viscosity estimation program, recording medium, and method for manufacturing molded product |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022087515A JP2022087515A (en) | 2022-06-13 |
JP7512870B2 true JP7512870B2 (en) | 2024-07-09 |
Family
ID=81975822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020199488A Active JP7512870B2 (en) | 2020-12-01 | 2020-12-01 | Viscosity estimation device, viscosity estimation method, viscosity estimation program, recording medium, and method for manufacturing molded product |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7512870B2 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002535456A (en) | 1999-01-29 | 2002-10-22 | ダイネオン・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツング・ウント・コンパニー・コマンディトゲゼルシャフト | Ethylene tetrafluoride / propylene hexafluoride copolymer having relatively good ductility |
JP2003301060A (en) | 2002-02-05 | 2003-10-21 | Sumitomo Chem Co Ltd | Thermoplastic resin for injection foam molding |
JP2009001595A (en) | 2005-10-11 | 2009-01-08 | Daikin Ind Ltd | Fluororesin molded article |
JP2016523986A (en) | 2013-04-04 | 2016-08-12 | アーヒム・メトリング・ヨゼフ・ランフトゥル・ゲーベーエルACHIM METHLING JOESEF RANFTL GbR | Method for decomposing synthetic polymer and apparatus for carrying out the method |
-
2020
- 2020-12-01 JP JP2020199488A patent/JP7512870B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002535456A (en) | 1999-01-29 | 2002-10-22 | ダイネオン・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツング・ウント・コンパニー・コマンディトゲゼルシャフト | Ethylene tetrafluoride / propylene hexafluoride copolymer having relatively good ductility |
JP2003301060A (en) | 2002-02-05 | 2003-10-21 | Sumitomo Chem Co Ltd | Thermoplastic resin for injection foam molding |
JP2009001595A (en) | 2005-10-11 | 2009-01-08 | Daikin Ind Ltd | Fluororesin molded article |
JP2016523986A (en) | 2013-04-04 | 2016-08-12 | アーヒム・メトリング・ヨゼフ・ランフトゥル・ゲーベーエルACHIM METHLING JOESEF RANFTL GbR | Method for decomposing synthetic polymer and apparatus for carrying out the method |
Also Published As
Publication number | Publication date |
---|---|
JP2022087515A (en) | 2022-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6954082B2 (en) | Learning program, prediction program, learning method, prediction method, learning device and prediction device | |
KR102107378B1 (en) | Method For optimizing hyper-parameter automatically and Apparatus thereof | |
TW202004559A (en) | Feature interpretation method and device for GBDT model | |
Jimoh et al. | A PROMETHEE based evaluation of software defect predictors | |
US11514992B2 (en) | Method and apparatus for reading a flash memory device | |
JP2015087973A (en) | Generation device, generation method, and program | |
JP4592471B2 (en) | Shape prediction method, shape prediction apparatus, shape prediction program, and storage medium for injection molded product | |
WO2017022234A1 (en) | Manufacturing process analysis device, manufacturing process analysis method, and recording medium whereupon manufacturing process analysis program is stored | |
JP7512870B2 (en) | Viscosity estimation device, viscosity estimation method, viscosity estimation program, recording medium, and method for manufacturing molded product | |
JP2010020388A (en) | Information processing device, information processing method, and program | |
JP7109339B2 (en) | Polymer design apparatus, program and method | |
JP7392304B2 (en) | Prediction program, prediction method and prediction device | |
JP2022087429A (en) | Physical property value estimate system and physical property value estimate method | |
CN113096711A (en) | Read threshold tracking method and device based on Kalman filtering | |
US20090240648A1 (en) | Evaluation method of numeric analysis | |
US8180775B2 (en) | Computer-implemented method for clustering data and computer-readable medium encoded with computer program to execute thereof | |
CN114139625A (en) | Part quality classification method and system based on degradation trajectory curve analysis | |
CN110299184B (en) | Flash memory read voltage determination method and device, computer equipment and storage medium | |
CN112348584A (en) | Vehicle estimation method, device and equipment | |
JP2020161044A (en) | System, method, and program for managing data | |
WO2009081696A1 (en) | Data analysis device, data analysis method, and program | |
US20220197261A1 (en) | Workpiece quality analysis method and workpiece quality analysis system | |
WO2017124926A1 (en) | Sensor test method and apparatus | |
CN113408221B (en) | Probe service life prediction method, system, device and storage medium | |
JP4662909B2 (en) | Feature evaluation method, apparatus and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230714 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240222 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240305 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240417 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240528 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240610 |