KR20230002976A - 기계 학습 방법, 기계 학습 장치, 기계 학습 프로그램, 통신 방법 및 혼련 장치 - Google Patents

기계 학습 방법, 기계 학습 장치, 기계 학습 프로그램, 통신 방법 및 혼련 장치 Download PDF

Info

Publication number
KR20230002976A
KR20230002976A KR1020227040873A KR20227040873A KR20230002976A KR 20230002976 A KR20230002976 A KR 20230002976A KR 1020227040873 A KR1020227040873 A KR 1020227040873A KR 20227040873 A KR20227040873 A KR 20227040873A KR 20230002976 A KR20230002976 A KR 20230002976A
Authority
KR
South Korea
Prior art keywords
kneading
machine learning
rotors
chamber
kneaded product
Prior art date
Application number
KR1020227040873A
Other languages
English (en)
Inventor
히카루 하마다
야스아키 야마네
노리후미 야마다
가즈오 미야사카
Original Assignee
가부시키가이샤 고베 세이코쇼
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 가부시키가이샤 고베 세이코쇼 filed Critical 가부시키가이샤 고베 세이코쇼
Publication of KR20230002976A publication Critical patent/KR20230002976A/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B7/00—Mixing; Kneading
    • B29B7/02—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type
    • B29B7/06—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type with movable mixing or kneading devices
    • B29B7/10—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type with movable mixing or kneading devices rotary
    • B29B7/18—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type with movable mixing or kneading devices rotary with more than one shaft
    • B29B7/183—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type with movable mixing or kneading devices rotary with more than one shaft having a casing closely surrounding the rotors, e.g. of Banbury type
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B7/00—Mixing; Kneading
    • B29B7/30—Mixing; Kneading continuous, with mechanical mixing or kneading devices
    • B29B7/58—Component parts, details or accessories; Auxiliary operations
    • B29B7/72—Measuring, controlling or regulating
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B7/00—Mixing; Kneading
    • B29B7/02—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type
    • B29B7/06—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type with movable mixing or kneading devices
    • B29B7/10—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type with movable mixing or kneading devices rotary
    • B29B7/18—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type with movable mixing or kneading devices rotary with more than one shaft
    • B29B7/183—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type with movable mixing or kneading devices rotary with more than one shaft having a casing closely surrounding the rotors, e.g. of Banbury type
    • B29B7/186—Rotors therefor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B7/00—Mixing; Kneading
    • B29B7/02—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type
    • B29B7/06—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type with movable mixing or kneading devices
    • B29B7/10—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type with movable mixing or kneading devices rotary
    • B29B7/18—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type with movable mixing or kneading devices rotary with more than one shaft
    • B29B7/20—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type with movable mixing or kneading devices rotary with more than one shaft with intermeshing devices, e.g. screws
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B7/00—Mixing; Kneading
    • B29B7/02—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type
    • B29B7/22—Component parts, details or accessories; Auxiliary operations
    • B29B7/24—Component parts, details or accessories; Auxiliary operations for feeding
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B7/00—Mixing; Kneading
    • B29B7/02—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type
    • B29B7/22—Component parts, details or accessories; Auxiliary operations
    • B29B7/24—Component parts, details or accessories; Auxiliary operations for feeding
    • B29B7/242—Component parts, details or accessories; Auxiliary operations for feeding in measured doses
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B7/00—Mixing; Kneading
    • B29B7/02—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type
    • B29B7/22—Component parts, details or accessories; Auxiliary operations
    • B29B7/28—Component parts, details or accessories; Auxiliary operations for measuring, controlling or regulating, e.g. viscosity control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B7/00—Mixing; Kneading
    • B29B7/02—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type
    • B29B7/22—Component parts, details or accessories; Auxiliary operations
    • B29B7/28—Component parts, details or accessories; Auxiliary operations for measuring, controlling or regulating, e.g. viscosity control
    • B29B7/283—Component parts, details or accessories; Auxiliary operations for measuring, controlling or regulating, e.g. viscosity control measuring data of the driving system, e.g. torque, speed, power
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B7/00—Mixing; Kneading
    • B29B7/02—Mixing; Kneading non-continuous, with mechanical mixing or kneading devices, i.e. batch type
    • B29B7/22—Component parts, details or accessories; Auxiliary operations
    • B29B7/28—Component parts, details or accessories; Auxiliary operations for measuring, controlling or regulating, e.g. viscosity control
    • B29B7/286—Component parts, details or accessories; Auxiliary operations for measuring, controlling or regulating, e.g. viscosity control measuring properties of the mixture, e.g. temperature, density
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B7/00—Mixing; Kneading
    • B29B7/30—Mixing; Kneading continuous, with mechanical mixing or kneading devices
    • B29B7/34—Mixing; Kneading continuous, with mechanical mixing or kneading devices with movable mixing or kneading devices
    • B29B7/38—Mixing; Kneading continuous, with mechanical mixing or kneading devices with movable mixing or kneading devices rotary
    • B29B7/46—Mixing; Kneading continuous, with mechanical mixing or kneading devices with movable mixing or kneading devices rotary with more than one shaft
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B7/00—Mixing; Kneading
    • B29B7/30—Mixing; Kneading continuous, with mechanical mixing or kneading devices
    • B29B7/34—Mixing; Kneading continuous, with mechanical mixing or kneading devices with movable mixing or kneading devices
    • B29B7/38—Mixing; Kneading continuous, with mechanical mixing or kneading devices with movable mixing or kneading devices rotary
    • B29B7/46—Mixing; Kneading continuous, with mechanical mixing or kneading devices with movable mixing or kneading devices rotary with more than one shaft
    • B29B7/48—Mixing; Kneading continuous, with mechanical mixing or kneading devices with movable mixing or kneading devices rotary with more than one shaft with intermeshing devices, e.g. screws
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B7/00—Mixing; Kneading
    • B29B7/30—Mixing; Kneading continuous, with mechanical mixing or kneading devices
    • B29B7/58—Component parts, details or accessories; Auxiliary operations
    • B29B7/60—Component parts, details or accessories; Auxiliary operations for feeding, e.g. end guides for the incoming material
    • B29B7/603—Component parts, details or accessories; Auxiliary operations for feeding, e.g. end guides for the incoming material in measured doses, e.g. proportioning of several materials
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B7/00—Mixing; Kneading
    • B29B7/30—Mixing; Kneading continuous, with mechanical mixing or kneading devices
    • B29B7/58—Component parts, details or accessories; Auxiliary operations
    • B29B7/72—Measuring, controlling or regulating
    • B29B7/726—Measuring properties of mixture, e.g. temperature or density
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B7/00—Mixing; Kneading
    • B29B7/30—Mixing; Kneading continuous, with mechanical mixing or kneading devices
    • B29B7/58—Component parts, details or accessories; Auxiliary operations
    • B29B7/72—Measuring, controlling or regulating
    • B29B7/728—Measuring data of the driving system, e.g. torque, speed, power, vibration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B7/00—Mixing; Kneading
    • B29B7/74—Mixing; Kneading using other mixers or combinations of mixers, e.g. of dissimilar mixers ; Plant
    • B29B7/7476—Systems, i.e. flow charts or diagrams; Plants
    • B29B7/7495—Systems, i.e. flow charts or diagrams; Plants for mixing rubber
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
    • B29B7/00—Mixing; Kneading
    • B29B7/80—Component parts, details or accessories; Auxiliary operations
    • B29B7/82—Heating or cooling
    • B29B7/823—Temperature control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Processing And Handling Of Plastics And Other Materials For Molding In General (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Electrophonic Musical Instruments (AREA)
  • Stored Programmes (AREA)

Abstract

기계 학습 방법은, 혼련물의 성능 평가에 관한 적어도 하나의 제1 평가 파라미터와, 적어도 하나의 혼련 조건을 포함하는 상태 변수를 취득하고, 상태 변수에 기초하여, 적어도 하나의 혼련 조건의 결정 결과에 대한 보수를 계산하고, 상태 변수로부터 적어도 하나의 혼련 조건을 결정하기 위한 함수를, 보수에 기초하여 갱신하고, 함수의 갱신을 반복함으로써, 보수가 가장 많이 얻어지는 혼련 조건을 결정하고, 적어도 하나의 제1 평가 파라미터는, 혼련물에 관한 물성 특성 및 형상 특성 중 적어도 하나를 포함한다.

Description

기계 학습 방법, 기계 학습 장치, 기계 학습 프로그램, 통신 방법 및 혼련 장치
본 발명은, 혼련 장치의 혼련 조건을 기계 학습하는 기술에 관한 것이다.
특허문헌 1에는, 순시 전력값, 온도, 로터의 회전수 및 램의 위치 등의 밀폐식 고무 혼련기의 상태의 측정 데이터와 측정 데이터에 대응하는 혼련의 이상도를 나타내는 주어진 교사 데이터를 포함하는 학습 데이터를 기계 학습함으로써, 혼련이 정상적인지 이상인지를 나타내는 기계 학습 모델을 생성한다. 그리고, 당해 기계 학습 모델을 사용하여 혼련의 이상을 판정하는 기술이 개시되어 있다.
그러나, 특허문헌 1은, 기계 학습 모델을 사용하여 혼련의 이상 유무를 판정하는 기술이며, 혼련 장치에 있어서의 혼련 조건을 결정하는 기술은 아니다. 그 때문에, 특허문헌 1에서는, 적절한 혼련물이 얻어지는 혼련 조건을 결정할 수는 없다.
종래, 적절한 혼련 조건은, 숙련된 기술자에 의한 오랜 경험에 의존하여 결정되고 있고, 용이하게 결정하는 것이 곤란하였다.
일본 특허 공개 제2020-32676호 공보
본 발명은, 상술한 문제를 해결하기 위해 이루어진 것이며, 숙련된 기술자에 의한 오랜 경험에 의존하지 않고, 적절한 혼련물이 얻어지는 혼련 조건을 용이하게 결정하는 기계 학습 장치 등을 제공하는 것을 목적으로 한다.
본 발명의 일 형태에 관한 기계 학습 방법은, 고분자 재료를 혼련하여 혼련물을 얻기 위한 혼련 장치의 혼련 조건을 기계 학습 장치가 결정하는 기계 학습 방법이며, 상기 혼련 장치는, 상기 혼련물의 재료가 투입되는 챔버와, 상기 챔버에 투입된 상기 재료를 혼련하는 2축 이상의 로터와, 상기 2축 이상의 로터의 제어, 상기 재료의 혼련 시간의 제어 및 상기 혼련 장치의 동작 스텝의 제어를 담당하는 제어기를 갖고, 상기 혼련물의 성능 평가에 관한 적어도 하나의 제1 평가 파라미터와, 적어도 하나의 혼련 조건을 포함하는 상태 변수를 취득하고, 상기 상태 변수에 기초하여, 상기 적어도 하나의 혼련 조건의 결정 결과에 대한 보수를 계산하고, 상기 상태 변수로부터 상기 적어도 하나의 혼련 조건을 결정하기 위한 함수를, 상기 보수에 기초하여 갱신하고, 상기 함수의 갱신을 반복함으로써, 상기 보수가 가장 많이 얻어지는 혼련 조건을 결정하고, 상기 적어도 하나의 제1 평가 파라미터는, 상기 혼련물에 관한 물성 특성 및 형상 특성 중 적어도 하나를 포함한다.
본 발명의 다른 일 형태에 관한 기계 학습 장치는, 고분자 재료를 혼련하여 혼련물을 얻기 위한 혼련 장치의 혼련 조건을 결정하는 기계 학습 장치이며, 상기 혼련 장치는, 상기 혼련물을 얻기 위한 재료가 투입되는 챔버와, 상기 챔버에 투입된 상기 재료를 혼련하는 2축 이상의 로터와, 상기 2축 이상의 로터의 제어, 상기 재료의 혼련 시간의 제어 및 상기 혼련 장치의 동작 스텝의 제어를 담당하는 제어기를 갖고, 상기 혼련물의 성능 평가에 관한 적어도 하나의 제1 평가 파라미터와, 적어도 하나의 혼련 조건을 포함하는 상태 변수를 취득하는 상태 취득부와, 상기 상태 변수에 기초하여, 상기 적어도 하나의 혼련 조건의 결정 결과에 대한 보수를 계산하는 보수 계산부와, 상기 상태 변수로부터 상기 적어도 하나의 혼련 조건을 결정하기 위한 함수를, 상기 보수에 기초하여 갱신하는 갱신부와, 상기 함수의 갱신을 반복함으로써, 상기 보수가 가장 많이 얻어지는 혼련 조건을 결정하는 결정부를 구비하고, 상기 적어도 하나의 제1 평가 파라미터는, 상기 혼련물에 관한 물성 특성 및 형상 특성 중 적어도 하나를 포함한다.
본 발명의 또 다른 일 형태에 관한 기계 학습 프로그램은, 고분자 재료를 혼련하여 혼련물을 얻기 위한 혼련 장치의 혼련 조건을 결정하는 기계 학습 장치의 기계 학습 프로그램이며, 상기 혼련 장치는, 상기 혼련물을 얻기 위한 재료가 투입되는 챔버와, 상기 챔버에 투입된 상기 재료를 혼련하는 2축 이상의 로터와, 상기 2축 이상의 로터의 제어, 상기 재료의 혼련 시간의 제어 및 상기 혼련 장치의 동작 스텝의 제어를 담당하는 제어기를 갖고, 상기 혼련물의 성능 평가에 관한 적어도 하나의 제1 평가 파라미터와, 적어도 하나의 혼련 조건을 포함하는 상태 변수를 취득하는 상태 취득부와, 상기 상태 변수에 기초하여, 상기 적어도 하나의 혼련 조건의 결정 결과에 대한 보수를 계산하는 보수 계산부와, 상기 상태 변수로부터 상기 적어도 하나의 혼련 조건을 결정하기 위한 함수를, 상기 보수에 기초하여 갱신하는 갱신부와, 상기 함수의 갱신을 반복함으로써, 상기 보수가 가장 많이 얻어지는 혼련 조건을 결정하는 결정부로서 컴퓨터를 기능시키고, 상기 적어도 하나의 제1 평가 파라미터는, 상기 혼련물에 관한 물성 특성 및 형상 특성 중 적어도 하나를 포함한다.
본 발명의 또 다른 일 형태에 관한 통신 방법은, 고분자 재료를 혼련하여 혼련물을 얻는 혼련 장치의 혼련 조건을 기계 학습할 때의 통신 방법이며, 상기 혼련물을 얻기 위한 재료가 투입되는 챔버와, 상기 챔버에 투입된 상기 재료를 혼련하는 2축 이상의 로터와, 상기 2축 이상의 로터의 제어, 상기 재료의 혼련 시간의 제어 및 상기 혼련 장치의 동작 스텝의 제어를 담당하는 제어기를 갖고, 상기 혼련물의 성능 평가에 관한 적어도 하나의 제1 평가 파라미터와, 적어도 하나의 혼련 조건을 포함하는 상태 변수를 관측하고, 상기 상태 변수를 네트워크 상에 송신하고, 기계 학습 완료된 혼련 조건을 수신하고, 상기 적어도 하나의 제1 평가 파라미터는, 상기 혼련물에 관한 물성 특성 및 형상 특성 중 적어도 하나를 포함한다.
본 발명의 또 다른 일 형태에 관한 혼련 장치는, 고분자 재료를 혼련하여 혼련물을 얻는 혼련 장치이며, 상기 혼련물을 얻기 위한 재료가 투입되는 챔버와, 상기 챔버에 투입된 상기 재료를 혼련하는 2축 이상의 로터와, 상기 2축 이상의 로터의 제어, 상기 재료의 혼련 시간의 제어 및 상기 혼련 장치의 동작 스텝의 제어를 담당하는 제어기와, 상기 혼련물의 성능 평가에 관한 적어도 하나의 제1 평가 파라미터와, 적어도 하나의 혼련 조건을 포함하는 상태 변수를 취득하는 상태 관측부와, 상기 상태 변수를 네트워크 상에 송신하고, 기계 학습 완료된 혼련 조건을 수신하는 통신부를 구비하고, 상기 적어도 하나의 제1 평가 파라미터는, 상기 혼련물에 관한 물성 특성 및 형상 특성 중 적어도 하나를 포함한다.
본 발명에 따르면, 적절한 혼련 조건을 숙련된 기술자에 의해 오랜 경험에 의존하지 않고 용이하게 결정할 수 있다.
도 1은 본 실시 형태에 관한 혼련 장치의 정면 단면도이다.
도 2는 실시 형태에 있어서의 혼련 장치를 기계 학습시키는 기계 학습 시스템의 전체 구성도이다.
도 3은 혼련 조건의 일례를 도시하는 도면이다.
도 4는 혼련 조건의 일례를 도시하는 도면이다.
도 5는 혼련 조건의 일례를 도시하는 도면이다.
도 6은 혼련 조건의 일례를 도시하는 도면이다.
도 7은 제1 평가 파라미터의 일례를 도시하는 도면이다.
도 8은 제2 평가 파라미터의 일례를 도시하는 도면이다.
도 9는 도 2에 도시하는 기계 학습 시스템에 있어서의 처리의 일례를 나타내는 흐름도이다.
도 10은 본 발명의 변형예에 관한 기계 학습 시스템의 전체 구성도이다.
이하 첨부 도면을 참조하면서, 본 발명의 실시 형태에 대하여 설명한다. 또한, 이하의 실시 형태는, 본 발명을 구체화한 일례이며, 본 발명의 기술적 범위를 한정하는 성격의 것은 아니다.
도 1은, 본 실시 형태에 관한 혼련 장치(300)의 정면 단면도이다. 도 1에 도시한 바와 같이, 혼련 장치(300)는 케이싱(3)과, 한 쌍의 로터(2축 이상의 로터의 일례)(4)와, 도어(5)와, 호퍼(6)와, 웨이트(8)와, 실린더(9)와, 피스톤(10)과, 피스톤 로드(11)와, 모터(12)와, 감속기(13)와, 구동부(14)와, 제어기(320)와, 입력부(350)를 포함한다. 케이싱(3)은 내부에 챔버(2)를 갖는다. 한 쌍의 로터(4)는 챔버(2) 내에 마련되어 있다. 호퍼(6)는 공급통(7)에 마련되어 있다. 공급통(7)은 케이싱(3)의 상방에 세워 설치되고, 호퍼(6)로부터 투입된 재료를 챔버(2)에 공급한다. 웨이트(8)는 공급통(7) 내에 있어서 상하 이동 가능하게 삽입 관통되어 있다.
실린더(9)는, 예를 들어 유압 실린더 또는 공압 실린더로 구성되고, 공급통(7)의 상부에 연결되어 있다. 피스톤(10)은 실린더(9) 내에 배치되어 있다. 피스톤(10)은 실린더(9)의 하부 덮개측을 기밀하게 관통하는 피스톤 로드(11)를 통해 웨이트(8)에 연결되어 있다. 웨이트(8)는 실린더(9) 내의 상부에 형성되어 있는 공간이 가압됨으로써 하강한다. 이에 의해, 웨이트(8)는 호퍼(6)로부터 공급되는 재료를 챔버(2)에 압입한다. 재료는, 주로 수지 또는 고무 등의 고분자 재료를 포함한다. 또한, 재료는, 필러(카본 또는 실리카 등), 약품 및 오일 등을 포함해도 된다.
케이싱(3)은 저부에 배출구를 갖는다. 도어(5)는 드롭 도어라고도 칭해지고, 액추에이터(도시 생략)로부터의 동력에 의해 배출구를 개폐한다. 도어(5)는 챔버(2)로 재료가 혼련되어 있는 경우, 배출구를 폐색한다. 도어(5)는 배출구를 개방함으로써, 챔버(2)에서 혼련된 혼련물을 배출한다.
한 쌍의 로터(4)는 수평 방향에 있어서 서로 인접하여 평행하게 배치되어 있다. 한 쌍의 로터(4)는 각각 내향으로 회전한다. 한 쌍의 로터(4)는 각각 외주면에 복수의 혼련 날개(도시 생략)를 갖는다. 각 혼련 날개의 정상부와 챔버(2) 사이에는 간극이 있다. 한 쌍의 로터(4)가 회전하면, 이 간극에 있어서 재료에 전단력이 부여된다. 각 혼련 날개는, 한 쌍의 로터(4)의 축심 둘레에 나선상으로 비틀어져 있다. 이 비틀림에 의해, 재료는 한 쌍의 로터(4)의 축방향으로 밀려, 축방향으로 흐른다.
케이싱(3)은 한 쌍의 로터(4)의 축방향으로 연장되고, 순환 매체가 흐르는 유로(도시 생략)를 갖는다. 한 쌍의 로터(4), 웨이트(8), 도어(5)의 각각도, 순환 매체가 흐르는 유로(도시 생략)를 갖는다.
모터(12)는, 한 쌍의 로터(4)를 감속기(13)를 통해 회전시킨다. 감속기(13)는 모터(12)와 한 쌍의 로터(4) 사이에 마련되고, 한 쌍의 로터(4)의 회전 속도를 감속시킨다. 구동부(14)는 에어 유닛 또는 유압 유닛으로 구성되어 있다. 구동부(14)는 실린더(9) 내의 상부 공간을 가압함으로써 웨이트(8)를 하강시키고, 상기 공간을 감압함으로써 웨이트(8)를 상승시킨다.
제어기(320)는 혼련 장치(300)의 전체 제어를 담당한다. 예를 들어, 제어기(320)는 구동부(14)를 구동하기 위한 제어 신호를 출력함으로써, 웨이트(8)의 상승 및 하강을 제어한다. 또한, 제어기(320)는, 도시 생략된 가열기를 제어함으로써 챔버(2) 내의 재료의 온도를 제어한다. 또한, 제어기(320)는 모터(12)를 구동하기 위한 제어 신호를 출력함으로써, 한 쌍의 로터(4)의 회전을 제어한다. 또한, 제어기(320)는 액추에이터(도시 생략)에 제어 신호를 출력함으로써, 도어(5)의 개폐를 제어한다. 입력부(350)는 스위치 등의 조작 장치로 구성되고, 유저로부터의 지시를 접수한다. 벨트 컨베이어(15)는 재료를 호퍼(6)를 향해 반송한다. 또한, 제어기(320)는 한 쌍의 로터(4)의 제어, 재료의 혼련 시간의 제어 및 혼련 장치의 동작 스텝의 제어를 담당한다.
도 2는, 실시 형태에 있어서의 혼련 장치(300)를 기계 학습시키는 기계 학습 시스템의 전체 구성도이다. 기계 학습 시스템은, 서버(100), 통신 장치(200) 및 혼련 장치(300)를 포함한다. 서버(100) 및 통신 장치(200)는 네트워크 NT1을 통해 서로 통신 가능하게 접속되어 있다. 통신 장치(200) 및 혼련 장치(300)는 네트워크 NT2를 통해 서로 통신 가능하게 접속되어 있다. 네트워크 NT1은, 예를 들어 인터넷 등의 광역 통신망이다. 네트워크 NT2는, 예를 들어 로컬에어리어 네트워크 이다. 서버(100)는, 예를 들어 1 이상의 컴퓨터로 구성되는 클라우드 서버이다. 통신 장치(200)는, 예를 들어 혼련 장치(300)를 사용하는 유저가 소지하는 컴퓨터이다. 통신 장치(200)는 혼련 장치(300)를 네트워크 NT1에 접속하는 게이트웨이로서 기능한다. 통신 장치(200)는 유저 자신이 소지하는 컴퓨터에 전용의 어플리케이션 소프트웨어를 인스톨함으로써 실현된다. 혹은 통신 장치(200)는, 혼련 장치(300)의 제조 메이커가 유저에게 제공하는 전용의 장치여도 된다.
이하, 각 장치의 구성을 구체적으로 설명한다. 서버(100)는 프로세서(102) 및 통신부(101)를 포함한다. 프로세서(102)는 CPU 등을 포함하는 제어 장치이다. 프로세서(102)는 보수 계산부(110), 갱신부(120), 결정부(130) 및 학습 제어부(140)를 포함한다. 프로세서(102)가 구비하는 각 블록은, 컴퓨터를 기계 학습 시스템에 있어서의 서버(100)로서 기능시키는 기계 학습 프로그램을 프로세서(102)가 실행함으로써 실현되어도 되고, 전용의 전기 회로로 실현되어도 된다.
보수 계산부(110)는 상태 관측부(321)가 관측한 상태 변수에 기초하여, 적어도 하나의 혼련 조건의 결정 결과에 대한 보수를 계산한다.
갱신부(120)는 상태 관측부(321)가 관측한 상태 변수로부터 혼련 조건을 결정하기 위한 함수를, 보수 계산부(110)에 의해 계산된 보수에 기초하여 갱신한다. 함수로서는, 후술하는 행동 가치 함수가 채용된다.
결정부(130)는 적어도 하나의 혼련 조건을 변경시키면서, 함수의 갱신을 반복함으로써, 보수가 가장 많이 얻어지는 혼련 조건을 결정한다.
학습 제어부(140)는 기계 학습의 전체 제어를 담당한다. 본 실시 형태의 기계 학습 시스템은 강화 학습에 의해 혼련 조건을 학습한다. 강화 학습이란, 에이전트(행동 주체)가 환경의 상황에 기초하여 어떤 행동을 선택하고, 선택한 행동에 기초하여 환경을 변화시켜, 환경 변화에 수반하는 보수를 에이전트에 부여함으로써, 에이전트에 의해 양호한 행동의 선택을 학습시키는 기계 학습 방법이다. 강화 학습으로서는, Q 학습 및 TD 학습을 채용할 수 있다. 이하의 설명에서는, Q 학습을 예로 들어 설명한다. 본 실시 형태에서는, 보수 계산부(110), 갱신부(120), 결정부(130), 학습 제어부(140) 및 후술하는 상태 관측부(321)가 에이전트에게 상당한다. 본 실시 형태에 있어서, 통신부(101)는 상태 변수를 취득하는 상태 취득부의 일례이다.
통신부(101)는 서버(100)를 네트워크 NT1에 접속하는 통신 회로로 구성된다. 통신부(101)는 상태 관측부(321)에 의해 관측된 상태 변수를 통신 장치(200)를 통해 수신한다. 통신부(101)는 결정부(130)가 결정한 혼련 조건을 통신 장치(200)를 통해 혼련 장치(300)에 송신한다. 통신부(101)는 학습 제어부(140)가 결정한 혼련 실행 커맨드를 혼련 장치(300)에 송신한다.
통신 장치(200)는 송신기(201) 및 수신기(202)를 포함한다. 송신기(201)는 혼련 장치(300)로부터 송신된 상태 변수를 서버(100)에 송신함과 함께, 서버(100)로부터 송신된 혼련 조건을 혼련 장치(300)에 송신한다. 수신기(202)는 혼련 장치(300)로부터 송신된 상태 변수를 수신함과 함께, 서버(100)로부터 송신된 혼련 조건을 수신한다.
혼련 장치(300)는 통신부(310), 제어기(320), 메모리(330), 센서부(340) 및 입력부(350)를 포함한다.
통신부(310)는 혼련 장치(300)를 네트워크 NT2에 접속하기 위한 통신 회로이다. 통신부(310)는 상태 관측부(321)에 의해 관측된 상태 변수를 서버(100)에 송신한다. 통신부(310)는 서버(100)의 결정부(130)가 결정한 혼련 조건을 수신한다. 통신부(310)는 학습 제어부(140)가 결정한 후술하는 처리 실행 커맨드를 수신한다.
제어기(320)는 CPU 등을 포함하는 컴퓨터이다. 제어기(320)는 상태 관측부(321) 및 혼련 실행부(322)를 포함한다. 통신부(310)는 상태 관측부(321)가 취득한 상태 변수를 서버(100)에 송신한다. 제어기(320)가 구비하는 각 블록은, 예를 들어 CPU가 기계 학습 시스템의 혼련 장치(300)로서 기능시키는 기계 학습 프로그램을 실행함으로써 실현된다.
상태 관측부(321)는 혼련 종료 후에 있어서, 혼련물의 성능 평가에 관한 제1 평가 파라미터와, 적어도 하나의 혼련 조건을 포함하는 상태 변수를 관측한다. 여기서, 혼련 조건은, 센서부(340)의 계측값 및 혼련 실행부(322)의 설정값이다. 또한, 제1 평가 파라미터, 센서부(340)의 계측값 등이다. 또한, 상태 관측부(321)는 혼련 장치(300)의 동작 안정성에 관한 제2 평가 파라미터를 취득해도 된다.
도 3 내지 도 6은, 혼련 조건의 일례를 도시하는 도면이다. 혼련 조건은, 크게 중분류로 분류된다. 중분류에는, 재료에 관한 제1 파라미터와, 로터 제어에 관한 제2 파라미터와, 동작 스텝에 관한 제3 파라미터와, 웨이트 동작에 관한 제4 파라미터와, 온도 조절에 관한 제5 파라미터와, 기계 사양에 관한 제6 파라미터 중 적어도 하나가 포함된다.
제1 파라미터는, 배합량을 포함하는 투입 재료 종류, 재료 중량, 재료 비중, 투입 순서 및 충전율 중 적어도 하나를 포함한다. 투입 재료 종류는, 재료의 구성물의 종류를 더 포함한다. 배합량은, 재료의 구성물의 각 종류의 양 또는 각 종류의 양의 비율을 포함한다. 구성물의 종류로서는, 예를 들어 고무 또는 수지, 카본, 오일, 및 약품 등이다. 재료 중량은, 재료의 구성물의 중량을 포함한다. 재료 비중은, 투입 재료의 구성물의 각 종류의 비중을 나타낸다. 투입 순서는, 재료의 구성물을 투입하는 순번이다. 충전율은 챔버(2)의 용적에 대한, 챔버(2)에 투입되는 재료의 용적 비율(체적률)이다.
제2 파라미터는, 로터 회전수, 로터 위상 및 로터 속도비 중 적어도 하나를 포함한다. 로터 회전수는, 각 동작 스텝에 있어서의 한 쌍의 로터(4)의 단위 시간당의 회전수이다.
혼련 장치(300)는 도어(5)로부터 혼련물을 배출할 때까지, 재료가 복수회 호퍼(6)로부터 투입되는 스텝 처리를 행한다. 이하, 1회의 스텝 처리에 있어서, 재료가 투입되고 나서 다음에 재료가 투입 또는 청소될 때까지를 스텝 단위라고 칭한다. 즉, 1회의 스텝 처리는, 1회째의 스텝 단위(1st), 2회째의 스텝 단위(2nd)라고 하는 바와 같이 1 이상의 스텝 단위로 구획된다. 또한, 각 스텝 단위는, 재료 투입 공정과 혼련 공정 또는 청소 공정으로 구획된다. 이들 재료 투입 공정, 혼련 공정 및 청소 공정 각각을 총칭하여 동작 스텝(스텝의 일례)이라고 칭한다.
재료 투입 시는, 재료 투입 공정의 실시 시를 나타낸다. 재료 투입 공정에서는, 재료가 호퍼(6)로부터 투입되고, 웨이트(8)에 의해 챔버(2)에 재료가 압입된다. 혼련 시는 혼련 공정의 실시 시를 나타낸다. 혼련 공정에서는, 웨이트(8)가 하강된 상태에서 한 쌍의 로터(4)에 의해 재료가 혼련된다. 청소 시는 청소 공정의 실시 시를 나타낸다. 청소 공정은 2회째 이후의 스텝 단위에 있어서 재료 투입 공정을 대신하여 적절히 행해진다. 2회째 이후 스텝 단위에 있어서 재료 투입 공정 또는 청소 공정의 개시 시에는 웨이트(8)가 상승된다. 2회째 이후의 스텝 단위에 있어서 혼련 공정의 개시 시에는 웨이트가 하강된다.
예를 들어 「1st. 재료 투입 시」는 1회째의 스텝 단위의 재료 투입 공정에서의 로터 회전수를 나타내고, 「1st. 혼련 시」는 1회째의 스텝 단위의 혼련 공정에서의 로터 회전수를 나타낸다. 또한, 「2nd. 재료 투입 시 or 청소 시」는, 2회째의 스텝 단위의 재료 투입 공정에서의 로터 회전수 또는 2회째의 청소 공정에서의 로터의 회전수를 나타낸다. 이들은 3회째 이후의 스텝 단위에 대해서도 동일하다. 여기서는, 3회째까지의 스텝 단위가 나타내어져 있지만, 4회째 이후의 스텝 단위가 있어도 된다.
로터 위상은, 한 쌍의 로터(4)의 설치 각도이다. 예를 들어, 한 쌍의 로터(4)는 90도, 180도 등의 각도로 위상이 어긋나게 되어 설치된다. 로터 속도비는 한 쌍의 로터(4)의 단위 시간당 회전수의 차이다.
도 4를 참조한다. 제3 파라미터는, 각 스텝의 혼련 시간, 재료 투입 시간, 스텝 진행 조건, 토탈 혼련 시간 및 적산 전력량 중 적어도 하나를 포함한다. 각 스텝의 혼련 시간은, 각 스텝 단위의 혼련 공정에 요해지는 시간이다. 예를 들어 「1st 혼련 STEP」은 1회째의 스텝 단위의 혼련 공정의 시간을 나타낸다. 여기서는, 3회까지의 스텝 단위가 나타내어져 있지만 4회째 이후의 스텝 단위가 있어도 된다. 또한, 각 스텝의 혼련 시간은, 복수의 스텝 단위의 혼련 시간 중 적어도 하나의 스텝 단위의 혼련 시간으로 구성되어도 된다. 예를 들어, 각 스텝의 혼련 시간은, 「1st 혼련 STEP」의 혼련 시간만으로 구성되어도 된다.
재료 투입 시간은, 각 스텝 단위의 재료 투입 공정의 시간이다. 예를 들어 「1st 투입 STEP」은 1회째의 스텝 단위의 재료 투입 공정의 시간이다. 또한, 재료 투입 시간은, 복수의 스텝 단위의 재료 투입 시간 중 적어도 하나의 스텝 단위의 재료 투입 시간으로 구성되어도 된다. 예를 들어, 재료 투입 시간은, 「1st 투입 STEP」의 혼련 시간만으로 구성되어도 된다.
스텝 진행 조건은, 각 동작 스텝으로부터 다음 동작 스텝으로 진행하기 위한 조건이다. 스텝 진행 조건은, 혼련 시간, 재료의 온도, 유지 혼련 온도, 순시 전력, 적산 전력, 순시 전류, 토크 및 재료의 배출 시 온도 중 적어도 하나를 포함한다. 혼련 시간은, 다음 동작 스텝으로 진행하기 위한 소정의 혼련 시간을 나타낸다. 혼련 시간이 소정의 혼련 시간에 도달하면, 혼련 공정이 종료되고, 다음 동작 스텝으로 진행한다. 재료의 온도는, 다음 동작 스텝으로 진행하기 위한 재료의 소정의 온도를 나타낸다. 재료의 온도가 소정의 온도에 도달하면, 혼련 공정이 종료되고, 다음 동작 스텝으로 진행한다. 유지 혼련 온도는, 혼련 공정에 있어서 온도를 일정하게 하여 혼련하는 경우의 설정 온도이다. 순시 전력은, 다음 동작 스텝으로 진행하기 위한 모터(12)의 소정의 순시 전력을 나타낸다. 모터(12)의 순시 전력이 소정의 순시 전력에 도달하면, 혼련 공정이 종료되고, 다음 동작 스텝으로 진행한다. 적산 전력은, 다음 동작 스텝으로 진행하기 위한 모터(12)의 소정의 적산 전력을 나타낸다. 모터(12)의 적산 전력이 소정의 적산 전력에 도달하면, 혼련 공정이 종료되고, 다음 동작 스텝으로 진행한다. 순시 전류는, 다음 동작 스텝으로 진행하기 위한 모터(12)의 소정의 순시 전류를 나타낸다. 모터(12)의 순시 전류가 소정의 순시 전류에 도달하면, 혼련 공정이 종료되고, 다음 동작 스텝으로 진행한다. 토크는, 다음 동작 스텝으로 진행하기 위한 모터(12)의 소정의 토크를 나타낸다. 모터(12)의 토크가 소정의 토크에 도달하면, 혼련 공정이 종료되고, 다음 동작 스텝으로 진행한다. 재료의 배출 시 온도는, 재료를 배출할 때의 소정의 온도이다. 또한, 스텝 진행 조건은, 다음 단위 스텝으로 진행하기 위한 복수의 조건 중 적어도 하나의 조건으로 구성되어도 된다. 예를 들어, 스텝 진행 조건은, 혼련 시간, 재료의 온도, 유지 혼련 온도, 순시 전력, 적산 전력, 순시 전류, 토크 및 재료의 배출 시 온도의 조건 중 적어도 하나의 조건으로 구성되어 있어도 된다.
토탈 혼련 시간은, 1개의 배치 처리의 토탈 혼련 시간이다. 적산 전력량은 1개의 배치 처리에 가해진 토탈의 전력량이다.
도 5를 참조한다. 제4 파라미터는 웨이트 실린더 압력, 웨이트 위치 및 웨이트 속도 중 적어도 하나를 포함한다. 웨이트 실린더 압력은, 각 스텝 단위의 혼련 공정에 있어서 웨이트(8)가 챔버(2)의 내부의 재료를 압박하는 압력이다. 예를 들어 「1st 혼련 STEP」은 1회째의 스텝 단위의 혼련 공정에서의 웨이트 실린더 압력을 나타낸다.
웨이트 위치는, 웨이트(8)가 재료를 압박할 때의 웨이트(8)의 위치이다. 웨이트 속도는, 웨이트(8)가 재료를 압박할 때의 웨이트(8)의 속도이다.
제5 파라미터는, 외기 온도, 기계 각 부 온도 및 순환 매체 온도 중 적어도 하나를 포함하는, 외기 온도는 스텝 처리 중의 외기온이다. 기계 각 부 온도는 스텝 처리 중에 있어서의 기계의 각 부의 온도이다. 기계의 각 부는, 예를 들어 도 1에 도시하는 공급통(7), 실린더(9), 모터(12), 감속기(13), 케이싱(3), 한 쌍의 로터(4) 및 도어(5) 등이다.
순환 매체 온도는 챔버입, 챔버출, 로터입, 로터출, 웨이트입, 웨이트출, 도어입, 도어출 중 적어도 하나를 포함한다. 챔버입은 케이싱(3)에 들어가는 순환 매체의 온도이다. 챔버출은 케이싱(3)으로부터 나오는 순환 매체의 온도이다. 로터입은 한 쌍의 로터(4)에 들어가는 순환 매체의 온도이다. 로터출은 한 쌍의 로터(4)로부터 나오는 순환 매체의 온도이다. 웨이트입은 웨이트(8)에 들어가는 순환 매체의 온도이다. 웨이트출은 웨이트(8)로부터 나오는 순환 매체의 온도이다. 도어입은 도어(5)에 들어가는 순환 매체의 온도이다. 도어출은 도어(5)로부터 나오는 순환 매체의 온도이다. 순환 매체 온도는 혼련물의 성능에 영향을 준다. 또한, 순환 매체 온도는, 혼련되는 재료의 열 이력의 계산에 이용할 수 있다. 순환 매체는, 예를 들어, 냉각수, 증기, 핫 오일 등이다. 순환 매체는 케이싱(3), 한 쌍의 로터(4), 웨이트(8) 및 도어(5) 등을 가열 및／또는 냉각을 한다.
도 6을 참조한다. 제6 파라미터는, 로터 종류, 표면 처리, 도어 톱 형상 및 웨이트 형상 중 적어도 하나를 포함한다. 로터 종류는 형상에 따른 한 쌍의 로터(4)의 종류를 나타낸다. 표면 처리는 챔버(2)에 실시된 경화 처리의 종류를 나타낸다. 표면 처리에는, 패딩 도금 등이 있다. 표면 처리에 의해 챔버(2)의 내마모성 및 내부식성이 향상된다. 도어 톱 형상은, 형상에 따른 도어(5)의 종류를 나타낸다. 웨이트 형상은 형상에 따른 도어(5)의 종류를 나타낸다.
이상이 혼련 조건의 일례이다. 또한, 상술한 혼련 조건 중 특히 중요한 파라미터는 이하와 같다. 제1 파라미터에 있어서는, 예를 들어 「배합량」 및 「충전율」이다. 제2 파라미터에 있어서는, 예를 들어 혼련 시의 「로터 회전수」이다. 제3 파라미터에 있어서는, 예를 들어 「각 스텝의 혼련 시간」, 「스텝 진행 조건」, 「토탈 혼련 시간」 및 「적산 전력량」이다. 제4 파라미터에 있어서는, 예를 들어 「웨이트 실린더 압력」이다. 제5 파라미터에 있어서는, 예를 들어 「순환 매체 온도」이다.
다음에, 제1 평가 파라미터에 대하여 설명한다. 도 7은 제1 평가 파라미터의 일례를 도시하는 도면이다. 제1 평가 파라미터는, 크게 중분류로 분류된다. 중분류에는, 물성 및 형상 특성 중 적어도 하나가 포함된다. 물성은, 무니 점도, 가황 특성, 페인 효과, 첨가물의 분산, 동적 점탄성(Tanδ), 경도, 인장 응력, 신장, 인장 강도, 배출 실제 중량, 배출 실제 온도, 마모 특성, 굽힘 강도, 충격 강도, 파괴 강도, 탄성률, 모세관 점도, 유동 특성 및 고무 혼련 회전수(표면 갱신량) 중 적어도 하나를 포함한다. 형상 특성은, 부스러기 잔여물 및 표면 성상 중 적어도 하나를 포함한다.
다음에, 제2 평가 파라미터에 대하여 설명한다. 도 8은 제2 평가 파라미터의 일례를 도시하는 도면이다. 제2 평가 파라미터는, 상태-웨이트, 상태-베어링, 상태-유압 및 상태-로터 중 적어도 하나의 중분류를 포함한다. 상태-웨이트는 웨이트의 상태를 나타낸다. 상태-웨이트는 웨이트압 변동을 포함한다. 웨이트압 변동은 혼련 시에 있어서의 웨이트(8)의 누르는 압력의 변동을 나타낸다. 재료의 밀어올림에 의해 누르는 압력은 변동한다. 상태-베어링은, 한 쌍의 로터(4)가 갖는 베어링의 상태를 나타낸다. 상태-베어링은 스러스트 하중 및 레이디얼 하중 중 적어도 한쪽을 포함한다. 스러스트 하중은 혼련 시에 한 쌍의 로터(4)의 베어링에 가해진 스러스트 방향의 하중이다. 레이디얼 하중은 혼련 시에 한 쌍의 로터(4)의 베어링에 가해진 레이디얼 방향의 하중이다.
상태-유압은 혼련 장치(300)가 갖는 유압 기기를 동작시키기 위한 작동유의 유압 상태를 나타낸다. 상태-유압은, 믹서 회로 압력, 웨이트 회로 압력 및 오일 청정도 중 적어도 하나를 포함한다. 믹서 회로 압력은, 도어(5)를 구동하는 액추에이터에 공급되는 작동유의 압력이다. 웨이트 회로 압력은 웨이트(8)를 상하 이동시키는 액추에이터에 공급되는 작동유의 압력이다. 오일 청정도는 작동유의 청정도이다.
상태-로터는, 로터(4)의 상태를 도시한다. 상태-로터는, 순시 전력, 적산 전력, 순시 전류 및 토크 중 적어도 하나를 포함한다. 순시 전력은 모터(12)의 순시 전력이다. 적산 전력은 모터(12)의 적산 전력이다. 순시 전류는 모터(12)의 순시 전류이다. 토크는 모터(12)의 토크이다.
제1 평가 파라미터 및 제2 평가 파라미터 중 특히 중요한 파라미터는, 예를 들어 무니 점도, 가황 특성, 페인 효과, 첨가물의 분산, 동적 점탄성, 경도, 배출 실제 중량 및 배출 실제 온도이다.
도 2를 다시 참조한다. 혼련 실행부(322)는 혼련 장치(300)에 의한 혼련 처리의 실행을 제어한다. 예를 들어, 혼련 실행부(322)는 제어기(320)의 설명에서 상술한 바와 같이, 웨이트(8)의 상승 및 하강의 제어, 웨이트 실린더의 압력 제어, 가열기의 제어, 모터(12)의 제어, 도어(5)의 개폐 제어 등을 행한다.
메모리(330)는, 예를 들어 불휘발성의 기억 장치이며, 최종적으로 결정된 최적인 혼련 조건 등을 기억한다.
센서부(340)는, 도 3 내지 도 6에 예시된 혼련 조건, 도 7에 예시된 제1 평가 파라미터 및 도 8에 예시된 제2 평가 파라미터의 계측에 사용되는 각종 센서이다. 구체적으로는, 센서부(340)는 로터 회전수를 검출하는 센서, 혼련 시간 및 재료 투입 시간 등을 계측하는 타이머, 재료의 온도 또는 순환 매체의 온도를 계측하는 센서, 모터(12)에 공급되는 전류, 전압 및 전력을 계측하는 센서, 모터(12)의 토크를 계측하는 센서, 웨이트(8)의 압력을 계측하는 센서, 외기온 센서, 웨이트(8)의 위치를 계측하는 센서, 그리고 웨이트(8)의 속도를 계측하는 센서 등이다. 또한, 센서부(340)는 재료 및 혼련물의 중량을 계측하는 센서, 한 쌍의 로터(4)의 베어링에 가해지는 스러스트 방향 및 레이디얼 방향의 하중을 계측하는 센서 등이다.
입력부(350)는 키보드 및 마우스 등의 입력 장치이다. 입력부(350)는, 예를 들어 도 6에 도시하는 제6 파라미터에 포함되는 각종 데이터가 유저에 의해 입력된다. 또한, 입력부(350)는, 예를 들어 도 7에 도시하는 제1 평가 파라미터의 계측값이 유저에 의해 입력된다. 또한, 입력부(350)는, 예를 들어 도 8에 도시하는 오일 청정도 등의 각종 데이터가 입력된다.
도 9는, 도 2에 도시하는 기계 학습 시스템에 있어서의 처리의 일례를 나타내는 흐름도이다. 스텝 S1에서는, 학습 제어부(140)는 입력부(350)를 사용하여 유저에 의해 입력된, 혼련 조건의 입력값을 취득한다. 여기서 취득되는 입력값은, 도 3에 도시하는 배합량을 포함하는 투입 재료 종류, 재료 중량, 재료 비중, 투입 순서, 충전율, 로터 위상 및 로터 속도비, 도 6에 도시하는 로터 종류, 표면 처리, 도어 톱 형상, 웨이트 형상, 그리고 도 5에 도시하는 외기 온도 등이다.
스텝 S2에서는, 학습 제어부(140)는 적어도 하나의 혼련 조건과 각 혼련 조건에 대한 설정값을 결정한다. 여기서, 설정 대상으로 되는 혼련 조건은, 도 3 내지 도 6에 열거된 혼련 조건 중, 설정값이 설정 가능한 적어도 하나의 혼련 조건이다. 설정값이 설정 가능한 혼련 조건에는, 예를 들어 도 3 내지 도 6에서 예시된 혼련 조건 중 스텝 S1에 있어서 입력값으로서 취득된 혼련 조건 이외의 혼련 조건이 포함된다. 여기서, 결정되는 혼련 조건의 설정값은 강화 학습에 있어서의 행동에 상당한다.
구체적으로는, 학습 제어부(140)는 설정 대상으로 되는 혼련 조건의 각각에 대하여 설정값을 랜덤하게 선택한다. 여기서, 설정값은, 혼련 조건의 각각에 대하여 소정의 범위 내로부터 랜덤하게 선택된다. 혼련 조건의 설정값의 선택 방법으로서는, 예를 들어 ε-greedy법을 채용할 수 있다.
스텝 S3에서는, 학습 제어부(140)는 혼련 장치(300)에 혼련 실행 커맨드를 송신함으로써, 혼련 장치(300)에 혼련 처리를 개시시킨다. 혼련 실행 커맨드가 통신부(310)에 의해 수신되면, 혼련 실행부(322)는 혼련 실행 커맨드에 따라서 혼련 조건을 설정하고, 혼련 처리를 개시한다. 혼련 실행 커맨드에는, 스텝 S1에서 설정된 혼련 조건의 입력값 및 스텝 S2에서 결정된 혼련 조건의 설정값 등이 포함된다.
혼련 처리가 종료되면, 상태 관측부(321)는 상태 변수를 관측한다(스텝 S4). 구체적으로는, 상태 관측부(321)는 도 7 및 도 8에 도시하는 제1 평가 파라미터 및 제2 평가 파라미터와, 도 3 내지 도 6에 도시하는 혼련 조건 중 관측 대상으로 되는 혼련 조건을 상태 변수로서 취득한다. 상태 관측부(321)는 입력부(350)에 입력된 각종 계측기의 계측값 및 센서부(340)에 의해 계측된 계측값을, 혼련 조건, 제1 평가 파라미터 및 제2 평가 파라미터로서 취득하면 된다. 또한, 혼련 장치(300)가 각종 계측기와 통신함으로써 제1 평가 파라미터 및 제2 평가 파라미터는 취득되어도 된다. 또한, 관측 대상으로 되는 혼련 조건은 도 3 내지 도 6에 도시하는 혼련 조건 중으로부터 미리 정해진 혼련 조건이 채용된다. 또한, 상태 관측부(321)는 취득한 상태 변수를 통신부(310)를 통해 서버(100)에 송신한다.
스텝 S5에서는, 결정부(130)는, 제1 평가 파라미터 및 제2 평가 파라미터를 평가한다. 여기서, 결정부(130)는, 스텝 S4에서 취득된 제1 평가 파라미터 및 제2 평가 파라미터 중 평가 대상으로 되는 평가 파라미터(이하, 대상 평가 파라미터라고 칭함)가 소정의 기준값에 도달하고 있는지 여부를 판정함으로써 제1 평가 파라미터 및 제2 평가 파라미터를 평가한다. 대상 평가 파라미터는, 도 7 및 도 8에 열기된 제1 평가 파라미터 및 제2 평가 파라미터 중 1개 또는 복수의 평가 파라미터이다. 대상 평가 파라미터가 복수인 경우, 기준값은, 각 대상 평가 파라미터에 대응하는 복수의 기준값이 존재하게 된다. 기준값은, 예를 들어, 대상 평가 파라미터가 일정한 기준에 도달하고 있는 것을 나타내는 미리 정해진 값을 채용할 수 있다.
기준값은, 예를 들어 상한값과 하한값을 포함하는 값이어도 된다. 이 경우, 대상 평가 파라미터가 상한값과 하한값의 범위 내에 들어간 경우, 기준값에 도달했다고 판정된다. 기준값은 하나의 값이어도 된다. 이 경우, 대상 평가 파라미터가 기준값을 초과한 경우, 또는 기준값을 하회한 경우에 일정한 기준을 만족한다고 판정된다.
결정부(130)는, 대상 평가 파라미터가 기준값에 도달하고 있다고 판정한 경우(스텝 S6에서 "예"), 스텝 S2에서 설정한 혼련 조건을 최종적인 혼련 조건으로서 출력한다(스텝 S7). 한편, 결정부(130)는, 대상 평가 파라미터가 기준값에 도달하고 있지 않다고 판정한 경우(스텝 S6에서 "아니오"), 처리를 스텝 S8로 진행한다. 또한, 대상 평가 파라미터가 복수인 경우, 결정부(130)는, 모든 대상 평가 파라미터가 기준값에 도달한 경우, 스텝 S6에서 "예"라고 판정하면 된다.
스텝 S8에서는, 보수 계산부(110)는 대상 평가 파라미터가 기준값에 근접하고 있는지 여부를 판정한다. 대상 평가 파라미터가 기준값에 근접하고 있는 경우(스텝 S8에서 "예"), 보수 계산부(110)는 에이전트에 대한 보수를 증대시킨다(스텝 S9). 한편, 대상 평가 파라미터가 기준값에 근접하고 있지 않은 경우(스텝 S8에서 "아니오"), 보수 계산부(110)는 에이전트에 대한 보수를 감소시킨다(스텝 S10). 이 경우, 보수 계산부(110)는, 미리 정해진 보수의 증감값에 따라서 보수를 증감시키면 된다. 또한, 대상 평가 파라미터가 복수인 경우, 보수 계산부(110)는, 복수의 대상 평가 파라미터의 각각에 대해서, 스텝 S8의 판정을 행하면 된다. 이 경우, 보수 계산부(110)는, 복수의 대상 평가 파라미터의 각각에 대해서, 스텝 S8의 판정 결과에 기초하여 보수를 증감시키면 된다. 또한, 보수의 증감값은 대상 평가 파라미터에 따라서 상이한 값이 채용되어도 된다. 예를 들어, 제1 평가 파라미터 및 제2 평가 파라미터 중 상술한 중요한 평가 파라미터에 관한 보수의 증감값은 다른 평가 파라미터에 비하여 크게 설정되어 있어도 된다.
스텝 S11에서는, 갱신부(120)는 에이전트에 부여한 보수를 사용하여 행동 가치 함수를 갱신한다. 본 실시 형태에서 채용되는 Q 학습은, 어떤 환경 상태 s 하에서, 행동 a를 선택하는 것에 대한 가치인 Q값(Q(s, a))를 학습하는 방법이다. 또한, 환경 상태 st는, 상기의 플로의 상태 변수에 상당한다. 그리고, Q 학습에서는, 어떤 환경 상태 s일 때, Q(s, a)의 가장 높은 행동 a가 선택된다. Q 학습에서는, 시행 착오에 의해, 어떤 환경 상태 s 하에서 다양한 행동 a를 취하고, 그때의 보수를 사용하여 올바른 Q(s, a)가 학습된다. 행동 가치 함수 Q(st, at)의 갱신식은 이하의 식 (1)로 표시된다.
Figure pct00001
여기서, st, at는, 각각, 시각 t에 있어서의 환경 상태와 행동을 나타낸다. 행동 at에 의해, 환경 상태는 st+1로 변화하고, 그 환경 상태의 변화에 의해, 보수 rt+1이 산출된다. 또한, max가 붙은 항은, 환경 상태 st+1 하에서, 그 때에 알고 있는 가장 가치가 높은 행동 a를 선택한 경우의 Q값(Q(st+1, a))에 γ를 곱한 것이다. 여기서, γ는 할인율이며, 0 <γ≤1(통상적으로는 0.9 내지 0.99)의 값을 취한다. α는 학습 계수이며, 0 <α≤1(통상적으로는 0.1 정도)의 값을 취한다.
이 갱신식은, 상태 s에 있어서의 행동 a의 Q값인 Q(st, at)보다도, 행동 a에 의한 다음 환경 상태 st+1에 있어서의 최선의 행동을 취했을 때의 Q값에 기초하는 γㆍmaxQ(st+1, a)의 쪽이 크면, Q(st, at)를 크게 한다. 한편, 이 갱신식은, Q(st, at)보다도 γㆍmaxQ(st+1, a)의 쪽이 작으면, Q(st, at)를 작게 한다. 즉, 어떤 상태 st에 있어서의 어떤 행동 a의 가치를, 그것에 의한 다음 상태 st+1에 있어서의 최선의 행동 가치에 접근하도록 하고 있다. 이에 의해, 최적인 혼련 조건이 결정된다.
스텝 S11의 처리가 종료되면, 처리는 스텝 S2로 되돌아가고, 혼련 조건의 설정값이 변경되고, 마찬가지로 하여 행동 가치 함수가 갱신된다. 갱신부(120)는 행동 가치 함수를 갱신했지만, 본 발명은 이것에 한정되지 않고, 행동 가치 테이블을 갱신해도 된다.
Q(s, a)는, 모든 상태와 행동의 페어(s, a)에 대한 값이 테이블 형식으로 보존되어도 된다. 혹은, Q(s, a)는 모든 상태와 행동의 페어(s, a)에 대한 값을 근사하는 근사 함수에 의해 표현되어도 된다. 이 근사 함수는 다층 구조의 뉴럴 네트워크에 의해 구성되어도 된다. 이 경우, 뉴럴 네트워크는, 실제로 혼련 장치(300)를 움직이게 하여 얻어진 데이터를 실시간으로 학습하고, 다음 행동에 반영시키는 온라인 학습을 행하면 된다. 이에 의해, 심층 강화 학습이 실현된다.
종래, 혼련 장치에 있어서는, 양호한 혼련물이 얻어지도록 혼련 조건을 변화시킴으로써 혼련 조건의 개발이 행해져 왔다. 양호한 혼련 조건을 얻기 위해서는, 제1 평가 파라미터 및 제2 평가 파라미터와 혼련 조건의 관계성을 발견하는 것이 요구된다. 그러나, 도 3 내지 도 6에 도시된 바와 같이 혼련 조건의 종류는 방대하므로, 이러한 관계성을 규정하기 위해서는 매우 많은 물리 모델이 필요해져, 물리 모델에 의해 이러한 관계성을 기술하는 것은 곤란하다는 지견이 얻어졌다. 또한, 이러한 물리 모델을 구축하기 위해서는, 어느 파라미터가 어느 평가 파라미터의 평가에 영향을 주고 있는 것인지를 인위적으로 찾아내는 것도 요구되어, 이 구축은 곤란하다.
본 실시 형태에 의하면, 상술한 제1 내지 제6 파라미터와, 제1 평가 파라미터 및 제2 평가 파라미터가 상태 변수로서 관측된다. 그리고, 관측된 상태 변수에 기초하여, 혼련 조건의 결정 결과에 대한 보수가 계산되고, 계산된 보수에 기초하여, 상태 변수로부터 혼련 조건을 결정하기 위한 행동 가치 함수가 갱신되고, 이 갱신이 반복되어 보수가 가장 많이 얻어지는 혼련 조건이 학습된다. 이와 같이, 본 실시 형태는, 상술한 물리 모델을 사용하지 않고, 기계 학습에 의해 혼련 조건이 결정된다. 그 결과, 본 실시 형태는, 적절한 혼련 조건을 숙련된 기술자에 의한 오랜 경험에 의존하지 않고 용이하게 결정할 수 있다.
또한, 본 발명은 이하의 변형예를 채용할 수 있다.
(1) 도 10은, 본 발명의 변형예에 관한 기계 학습 시스템의 전체 구성도이다. 이 변형예에 관한 기계 학습 시스템은, 혼련 장치(300A) 단체로 구성되어 있다. 혼련 장치(300A)는 제어기(320A), 입력부(391) 및 센서부(392)를 포함한다. 제어기(320A)는 기계 학습부(370) 및 혼련부(380)를 포함한다. 기계 학습부(370)는 보수 계산부(371), 갱신부(372), 결정부(373) 및 학습 제어부(374)를 포함한다. 보수 계산부(371) 내지 학습 제어부(374)는, 각각, 도 2에 도시하는 보수 계산부(110) 내지 학습 제어부(140)와 동일하다. 혼련부(380)는 상태 관측부(381) 및 혼련 실행부(382)를 포함한다. 상태 관측부(381) 및 혼련 실행부(322)는, 각각 도 2에 도시하는 상태 관측부(321) 및 혼련 실행부(322)와 동일하다. 입력부(391) 및 센서부(392)는, 각각 도 2에 도시하는 입력부(350) 및 센서부(340)와 동일하다. 본 변형예에 있어서 상태 관측부(381)는, 상태 정보를 취득하는 상태 취득부의 일례이다.
이와 같이, 이 변형예에 관한 기계 학습 시스템에 의하면, 혼련 장치(300A) 단체로 최적인 혼련 조건을 학습시킬 수 있다.
(2) 상기의 흐름도에서는, 처리의 종료 후에 상태 변수가 관측되어 있었지만, 이것은 일례이며, 1회의 처리 중에 상태 변수가 복수 관측되어도 된다. 예를 들어, 상태 변수가 순시로 계측 가능한 파라미터만으로 구성되어 있는 경우, 1회의 처리 중에 복수의 상태 변수를 관측할 수 있다. 이에 의해, 학습 시간의 단축이 도모된다.
(실시 형태의 정리)
본 발명의 일 형태에 관한 기계 학습 방법은, 고분자 재료를 혼련하여 혼련물을 얻기 위한 혼련 장치의 혼련 조건을 기계 학습 장치가 결정하는 기계 학습 방법이며, 상기 혼련 장치는, 상기 혼련물의 재료가 투입되는 챔버와, 상기 챔버에 투입된 상기 재료를 혼련하는 2축 이상의 로터와, 상기 2축 이상의 로터의 제어, 상기 재료의 혼련 시간의 제어 및 상기 혼련 장치의 동작 스텝의 제어를 담당하는 제어기를 갖고, 상기 혼련물의 성능 평가에 관한 적어도 하나의 제1 평가 파라미터와, 적어도 하나의 혼련 조건을 포함하는 상태 변수를 취득하고, 상기 상태 변수에 기초하여, 상기 적어도 하나의 혼련 조건의 결정 결과에 대한 보수를 계산하고, 상기 상태 변수로부터 상기 적어도 하나의 혼련 조건을 결정하기 위한 함수를, 상기 보수에 기초하여 갱신하고, 상기 함수의 갱신을 반복함으로써, 상기 보수가 가장 많이 얻어지는 혼련 조건을 결정하고, 상기 적어도 하나의 제1 평가 파라미터는, 상기 혼련물에 관한 물성 특성 및 형상 특성 중 적어도 하나를 포함한다.
본 형태에 의하면, 적어도 하나의 혼련 조건이 상태 변수로서 취득된다. 또한, 혼련물의 물성 특성 및 형상 특성 중 적어도 하나를 포함하는 제1 평가 파라미터가 상태 변수로서 취득된다.
그리고, 취득된 상태 변수에 기초하여, 혼련 조건의 결정 결과에 대한 보수가 계산되고, 계산된 보수에 기초하여, 상태 변수로부터 혼련 조건을 결정하기 위한 함수가 갱신되고, 이 갱신이 반복되어 보수가 가장 많이 얻어지는 혼련 조건이 학습된다. 그 때문에, 본 구성은 적절한 혼련 조건을 숙련된 기술자에 의한 오랜 경험에 의존하지 않고 용이하게 결정할 수 있다.
상기 기계 학습 방법에 있어서, 상기 적어도 하나의 혼련 조건은, 상기 재료에 관한 제1 파라미터와, 상기 로터의 제어에 관한 제2 파라미터 중 적어도 하나여도 된다.
본 구성에 의하면, 혼련물의 재료에 관한 제1 파라미터와, 로터의 제어에 관한 제2 파라미터 중 적어도 하나의 혼련 조건이 상태 변수로서 취득되므로, 제1 파라미터 및 제2 파라미터를 고려하여 보다 최적인 혼련 조건을 결정할 수 있다.
상기 기계 학습 방법에 있어서, 상기 적어도 하나의 혼련 조건은, 상기 재료에 관한 제1 파라미터와, 상기 로터의 제어에 관한 제2 파라미터와, 복수의 스텝 중 적어도 하나의 혼련 시간, 각 스텝 중 적어도 하나의 재료 투입 시간, 다음 스텝으로 진행하기 위한 조건 중 적어도 하나의 조건, 토탈 혼련 시간 및 적산 전력량 중 적어도 하나로부터 선택되는 동작 스텝에 관한 제3 파라미터 중 적어도 하나여도 된다.
본 구성에 의하면, 혼련물의 재료에 관한 제1 파라미터와, 로터의 제어에 관한 제2 파라미터와, 동작 스텝에 관한 제3 파라미터 중 적어도 하나의 혼련 조건이 상태 변수로서 취득되므로, 제1 파라미터, 제2 파라미터 및 제3 파라미터를 고려하여 보다 최적인 혼련 조건을 결정할 수 있다.
상기 기계 학습 방법에 있어서, 상기 혼련 장치는, 또한 웨이트를 구비하고, 상기 적어도 하나의 혼련 조건은, 상기 웨이트의 동작에 관한 제4 파라미터를 포함하는 것이 바람직하다.
본 형태에 의하면, 웨이트에 관한 제4 파라미터가 상태 변수로서 또한 취득되어 있으므로, 보다 적절한 혼련 조건을 결정할 수 있다.
상기 기계 학습 방법에 있어서, 상기 혼련 장치는, 또한 온도 조절 기구를 구비하고, 상기 적어도 하나의 혼련 조건은, 온도 조절에 관한 제5 파라미터를 포함하는 것이 바람직하다.
본 형태에 의하면, 온도 조절에 관한 제5 파라미터가 상태 변수로서 또한 취득되어 있으므로, 보다 적절한 혼련 조건을 결정할 수 있다.
상기 기계 학습 방법에 있어서, 상기 제1 파라미터는, 상기 재료의 배합량, 상기 재료의 구성 요소의 투입 순서 및 상기 챔버에 대한 상기 재료의 충전율 중 적어도 하나를 포함하는 것이 바람직하다.
본 형태에 의하면, 재료의 배합량, 재료의 구성 요소의 투입 순서 및 챔버에 대한 재료의 충전율 중 적어도 하나가 제1 파라미터로서 채용되어 있으므로, 보다 적절한 혼련 조건을 결정할 수 있다.
상기 기계 학습 방법에 있어서, 상기 제2 파라미터는, 상기 2축 이상의 로터의 회전수, 상기 2축 이상의 로터의 위상 및 각 로터의 속도비 중 적어도 하나를 포함하는 것이 바람직하다.
본 형태에 의하면, 2축 이상의 로터의 회전수, 2축 이상의 로터의 위상 및 각 로터의 속도비 중 적어도 하나가 제2 파라미터로서 채용되어 있으므로, 보다 적절한 혼련 조건을 결정할 수 있다.
상기 기계 학습 방법에 있어서, 상기 제3 파라미터에 있어서의 상기 다음 스텝으로 진행하기 위한 조건은, 각 스텝의 혼련 시간, 상기 재료의 온도, 각 스텝에 있어서 유지해야 할 상기 재료의 온도, 상기 2축 이상의 로터를 구동하는 모터의 순시 전력, 상기 모터의 적산 전력, 상기 모터의 순시 전류, 상기 모터의 토크 및 상기 재료의 배출 온도 중 적어도 하나를 포함하는 것이 바람직하다.
본 형태에 의하면, 다음 스텝으로 진행하기 위한 조건으로서, 각 스텝의 혼련 시간, 각 스텝에 있어서 유지해야 할 재료의 온도, 2축 이상의 로터를 구동하는 모터의 순시 전력, 모터의 적산 전력, 모터의 순시 전류, 모터의 토크 및 재료의 배출 시 온도 중 적어도 하나가 제3 파라미터로서 채용되어 있으므로, 보다 적절한 혼련 조건을 결정할 수 있다.
상기 기계 학습 방법에 있어서, 상기 제4 파라미터는, 상기 재료를 상기 챔버에 압입할 때의 상기 웨이트의 누르는 압력, 상기 웨이트의 위치 및 상기 웨이트의 속도 중 적어도 하나를 포함하는 것이 바람직하다.
본 형태에 의하면, 재료를 챔버에 압입할 때의 웨이트의 누르는 압력, 웨이트의 위치 및 웨이트의 속도 중 적어도 하나가 제4 파라미터로서 채용되어 있으므로, 보다 적절한 혼련 조건을 결정할 수 있다.
상기 기계 학습 방법에 있어서, 상기 제5 파라미터는, 상기 챔버에 들어가는 순환 매체의 온도, 상기 챔버로부터 나오는 순환 매체의 온도, 상기 2축 이상의 로터에 들어가는 순환 매체의 온도, 상기 2축 이상의 로터로부터 나오는 순환 매체의 온도, 상기 재료를 배출하는 도어에 들어가는 순환 매체의 온도 및 상기 도어로부터 나오는 순환 매체의 온도 중 적어도 하나를 포함하는 것이 바람직하다.
본 형태에 의하면, 챔버에 들어가는 순환 매체의 온도, 챔버로부터 나오는 순환 매체의 온도, 2축 이상의 로터에 들어가는 순환 매체의 온도, 로터로부터 나오는 순환 매체의 온도, 도어에 들어가는 순환 매체의 온도 및 도어로부터 나오는 순환 매체의 온도 중 적어도 하나가 제5 파라미터로서 채용되어 있으므로, 보다 적절한 혼련 조건을 결정할 수 있다.
상기 기계 학습 방법에 있어서, 상기 상태 변수는, 상기 혼련 장치의 동작 안정성에 관한 제2 평가 파라미터를 더 포함하는 것이 바람직하다.
본 형태에 의하면, 상태 변수에는 동작의 안정성에 관한 파라미터가 포함되어 있으므로, 혼련 장치의 동작 안정성을 도모하면서, 적절한 혼련물이 얻어지는 혼련 조건을 얻을 수 있다.
상기 기계 학습 방법에 있어서, 상기 물성 특성은, 무니 점도, 가황 특성, 페인 효과, 첨가물의 분산, 동적 점탄성, 경도, 상기 혼련물의 중량 및 상기 혼련물의 온도 중 적어도 하나를 포함하는 것이 바람직하다.
본 형태에 의하면, 무니 점도, 가황 특성, 페인 효과, 첨가물의 분산, 동적 점탄성, 경도, 혼련물의 중량 및 혼련물의 온도 중 적어도 하나가 물성 특성으로서 채용되어 있으므로, 이들의 물성 특성을 충족하는 혼련물을 얻는 것이 가능한 혼련 조건을 용이하게 얻을 수 있다.
상기 기계 학습 방법에 있어서, 상기 함수는 심층 강화 학습을 사용하여 실시간으로 갱신되는 것이 바람직하다.
본 형태에 의하면, 함수의 갱신이 심층 강화 학습을 사용하여 실시간으로 행해지므로, 함수의 갱신을 정확하고 또한 빠르게 행할 수 있다.
상기 기계 학습 방법에 있어서, 상기 보수의 계산에서는, 상기 적어도 하나의 제1 평가 파라미터가 각 제1 평가 파라미터에 대응하는 소정의 기준값에 근접하고 있는 경우, 상기 보수를 증대시키고, 상기 적어도 하나의 제1 평가 파라미터가 각 제1 평가 파라미터에 대응하는 기준값에 근접하고 있지 않은 경우, 상기 보수를 감소시키는 것이 바람직하다.
본 형태에 의하면, 제1 평가 파라미터가 기준값에 근접함에 따라서 보수가 증대되므로, 제1 평가 파라미터를 빠르게 기준값에 도달시킬 수 있다.
또한, 본 발명에 있어서, 상기의 기계 학습 방법이 구비하는 각 처리는 기계 학습 장치에 실장되어도 되고, 기계 학습 프로그램으로서 실장되어 유통되어도 된다. 이 기계 학습 장치는, 서버로 구성되어도 되고, 혼련 장치로 구성되어도 된다.
본 발명의 다른 일 형태에 관한 통신 방법은, 고분자 재료를 혼련하여 혼련물을 얻는 혼련 장치의 혼련 조건을 기계 학습할 때의 통신 방법이며, 상기 혼련물을 얻기 위한 재료가 투입되는 챔버와, 상기 챔버에 투입된 상기 재료를 혼련하는 2축 이상의 로터와, 상기 2축 이상의 로터의 제어, 상기 재료의 혼련 시간의 제어 및 상기 혼련 장치의 동작 스텝의 제어를 담당하는 제어기를 갖고, 상기 혼련물의 성능 평가에 관한 적어도 하나의 제1 평가 파라미터와, 적어도 하나의 혼련 조건을 포함하는 상태 변수를 관측하고, 상기 상태 변수를 네트워크 상에 송신하고, 기계 학습 완료된 혼련 조건을 수신하고, 상기 적어도 하나의 제1 평가 파라미터는, 상기 혼련물에 관한 물성 특성 및 형상 특성 중 적어도 하나를 포함한다.
본 형태에 의하면, 혼련 조건을 기계 학습할 때에 필요한 정보가 제공된다. 이러한 통신 방법은, 혼련 장치에도 실장 가능하다.

Claims (18)

  1. 고분자 재료를 혼련하여 혼련물을 얻기 위한 혼련 장치의 혼련 조건을 기계 학습 장치가 결정하는 기계 학습 방법이며,
    상기 혼련 장치는,
    상기 혼련물의 재료가 투입되는 챔버와,
    상기 챔버에 투입된 상기 재료를 혼련하는 2축 이상의 로터와,
    상기 2축 이상의 로터의 제어, 상기 재료의 혼련 시간의 제어 및 상기 혼련 장치의 동작 스텝의 제어를 담당하는 제어기를 갖고,
    상기 혼련물의 성능 평가에 관한 적어도 하나의 제1 평가 파라미터와, 적어도 하나의 혼련 조건을 포함하는 상태 변수를 취득하고,
    상기 상태 변수에 기초하여, 상기 적어도 하나의 혼련 조건의 결정 결과에 대한 보수를 계산하고,
    상기 상태 변수로부터 상기 적어도 하나의 혼련 조건을 결정하기 위한 함수를, 상기 보수에 기초하여 갱신하고,
    상기 함수의 갱신을 반복함으로써, 상기 보수가 가장 많이 얻어지는 혼련 조건을 결정하고,
    상기 적어도 하나의 제1 평가 파라미터는, 상기 혼련물에 관한 물성 특성 및 형상 특성 중 적어도 하나를 포함하는
    기계 학습 방법.
  2. 제1항에 있어서,
    상기 적어도 하나의 혼련 조건은,
    상기 재료에 관한 제1 파라미터와,
    상기 로터의 제어에 관한 제2 파라미터 중 적어도 하나인, 기계 학습 방법.
  3. 제1항에 있어서,
    상기 적어도 하나의 혼련 조건은,
    상기 재료에 관한 제1 파라미터와,
    상기 로터의 제어에 관한 제2 파라미터와,
    복수의 스텝 중 적어도 하나의 혼련 시간, 각 스텝 중 적어도 하나의 재료 투입 시간, 다음 스텝으로 진행하기 위한 조건 중 적어도 하나의 조건, 토탈 혼련 시간 및 적산 전력량 중 적어도 하나로부터 선택되는 동작 스텝에 관한 제3 파라미터 중 적어도 하나인, 기계 학습 방법.
  4. 제1항에 있어서,
    상기 혼련 장치는, 또한 웨이트를 구비하고,
    상기 적어도 하나의 혼련 조건은, 상기 웨이트의 동작에 관한 제4 파라미터를 포함하는, 기계 학습 방법.
  5. 제1항에 있어서,
    상기 혼련 장치는, 또한 온도 조절 기구를 구비하고,
    상기 적어도 하나의 혼련 조건은, 온도 조절에 관한 제5 파라미터를 포함하는, 기계 학습 방법.
  6. 제2항에 있어서,
    상기 제1 파라미터는, 상기 재료의 배합량, 상기 재료의 구성 요소의 투입 순서 및 상기 챔버에 대한 상기 재료의 충전율 중 적어도 하나를 포함하는, 기계 학습 방법.
  7. 제2항에 있어서,
    상기 제2 파라미터는, 상기 2축 이상의 로터의 회전수, 상기 2축 이상의 로터의 위상 및 각 로터의 속도비 중 적어도 하나를 포함하는, 기계 학습 방법.
  8. 제3항에 있어서,
    상기 제3 파라미터에 있어서의 상기 다음 스텝으로 진행하기 위한 조건은, 다음 스텝으로 진행하기 위한 혼련 시간, 상기 재료의 온도, 각 스텝에 있어서 유지해야 할 상기 재료의 온도, 상기 2축 이상의 로터를 구동하는 모터의 순시 전력, 상기 모터의 적산 전력, 상기 모터의 순시 전류, 상기 모터의 토크 및 상기 재료의 배출 온도 중 적어도 하나를 포함하는, 기계 학습 방법.
  9. 제4항에 있어서,
    상기 제4 파라미터는, 상기 재료를 상기 챔버에 압입할 때의 상기 웨이트의 누르는 압력, 상기 웨이트의 위치 및 상기 웨이트의 속도 중 적어도 하나를 포함하는, 기계 학습 방법.
  10. 제5항에 있어서,
    상기 제5 파라미터는, 상기 챔버에 들어가는 순환 매체의 온도, 상기 챔버로부터 나오는 순환 매체의 온도, 상기 2축 이상의 로터에 들어가는 순환 매체의 온도, 상기 2축 이상의 로터로부터 나오는 순환 매체의 온도, 상기 재료를 배출하는 도어에 들어가는 순환 매체의 온도 및 상기 도어로부터 나오는 순환 매체의 온도 중 적어도 하나를 포함하는, 기계 학습 방법.
  11. 제1항에 있어서,
    상기 상태 변수는, 상기 혼련 장치의 동작 안정성에 관한 제2 평가 파라미터를 더 포함하는, 기계 학습 방법.
  12. 제1항에 있어서,
    상기 물성 특성은, 무니 점도, 가황 특성, 페인 효과, 첨가물의 분산, 동적 점탄성, 경도, 상기 혼련물의 중량 및 상기 혼련물의 온도 중 적어도 하나를 포함하는, 기계 학습 방법,
  13. 제1항에 있어서,
    상기 함수는 심층 강화 학습을 사용하여 실시간으로 갱신되는, 기계 학습 방법.
  14. 제1항 내지 제13항 중 어느 한 항에 있어서,
    상기 보수의 계산에서는, 상기 적어도 하나의 제1 평가 파라미터가 각 제1 평가 파라미터에 대응하는 소정의 기준값에 근접하고 있는 경우, 상기 보수를 증대시키고, 상기 적어도 하나의 제1 평가 파라미터가 각 제1 평가 파라미터에 대응하는 기준값에 근접하고 있지 않은 경우, 상기 보수를 감소시키는, 기계 학습 방법.
  15. 고분자 재료를 혼련하여 혼련물을 얻기 위한 혼련 장치의 혼련 조건을 결정하는 기계 학습 장치이며,
    상기 혼련 장치는,
    상기 혼련물을 얻기 위한 재료가 투입되는 챔버와,
    상기 챔버에 투입된 상기 재료를 혼련하는 2축 이상의 로터와,
    상기 2축 이상의 로터의 제어, 상기 재료의 혼련 시간의 제어 및 상기 혼련 장치의 동작 스텝의 제어를 담당하는 제어기를 갖고,
    상기 혼련물의 성능 평가에 관한 적어도 하나의 제1 평가 파라미터와, 적어도 하나의 혼련 조건을 포함하는 상태 변수를 취득하는 상태 취득부와,
    상기 상태 변수에 기초하여, 상기 적어도 하나의 혼련 조건의 결정 결과에 대한 보수를 계산하는 보수 계산부와,
    상기 상태 변수로부터 상기 적어도 하나의 혼련 조건을 결정하기 위한 함수를, 상기 보수에 기초하여 갱신하는 갱신부와,
    상기 함수의 갱신을 반복함으로써, 상기 보수가 가장 많이 얻어지는 혼련 조건을 결정하는 결정부를 구비하고,
    상기 적어도 하나의 제1 평가 파라미터는, 상기 혼련물에 관한 물성 특성 및 형상 특성 중 적어도 하나를 포함하는
    기계 학습 장치.
  16. 고분자 재료를 혼련하여 혼련물을 얻기 위한 혼련 장치의 혼련 조건을 결정하는 기계 학습 장치의 기계 학습 프로그램이며,
    상기 혼련 장치는,
    상기 혼련물을 얻기 위한 재료가 투입되는 챔버와,
    상기 챔버에 투입된 상기 재료를 혼련하는 2축 이상의 로터와,
    상기 2축 이상의 로터의 제어, 상기 재료의 혼련 시간의 제어 및 상기 혼련 장치의 동작 스텝의 제어를 담당하는 제어기를 갖고,
    상기 혼련물의 성능 평가에 관한 적어도 하나의 제1 평가 파라미터와, 적어도 하나의 혼련 조건을 포함하는 상태 변수를 취득하는 상태 취득부와,
    상기 상태 변수에 기초하여, 상기 적어도 하나의 혼련 조건의 결정 결과에 대한 보수를 계산하는 보수 계산부와,
    상기 상태 변수로부터 상기 적어도 하나의 혼련 조건을 결정하기 위한 함수를, 상기 보수에 기초하여 갱신하는 갱신부와,
    상기 함수의 갱신을 반복함으로써, 상기 보수가 가장 많이 얻어지는 혼련 조건을 결정하는 결정부로서 컴퓨터를 기능시키고,
    상기 적어도 하나의 제1 평가 파라미터는, 상기 혼련물에 관한 물성 특성 및 형상 특성 중 적어도 하나를 포함하는
    기계 학습 프로그램.
  17. 고분자 재료를 혼련하여 혼련물을 얻는 혼련 장치의 혼련 조건을 기계 학습할 때의 통신 방법이며,
    상기 혼련물을 얻기 위한 재료가 투입되는 챔버와,
    상기 챔버에 투입된 상기 재료를 혼련하는 2축 이상의 로터와,
    상기 2축 이상의 로터의 제어, 상기 재료의 혼련 시간의 제어 및 상기 혼련 장치의 동작 스텝의 제어를 담당하는 제어기를 갖고,
    상기 혼련물의 성능 평가에 관한 적어도 하나의 제1 평가 파라미터와, 적어도 하나의 혼련 조건을 포함하는 상태 변수를 관측하고,
    상기 상태 변수를 네트워크 상에 송신하고, 기계 학습 완료된 혼련 조건을 수신하고,
    상기 적어도 하나의 제1 평가 파라미터는, 상기 혼련물에 관한 물성 특성 및 형상 특성 중 적어도 하나를 포함하는
    통신 방법.
  18. 고분자 재료를 혼련하여 혼련물을 얻는 혼련 장치이며,
    상기 혼련물을 얻기 위한 재료가 투입되는 챔버와,
    상기 챔버에 투입된 상기 재료를 혼련하는 2축 이상의 로터와,
    상기 2축 이상의 로터의 제어, 상기 재료의 혼련 시간의 제어 및 상기 혼련 장치의 동작 스텝의 제어를 담당하는 제어기와,
    상기 혼련물의 성능 평가에 관한 적어도 하나의 제1 평가 파라미터와, 적어도 하나의 혼련 조건을 포함하는 상태 변수를 취득하는 상태 관측부와,
    상기 상태 변수를 네트워크 상에 송신하고, 기계 학습 완료된 혼련 조건을 수신하는 통신부를 구비하고,
    상기 적어도 하나의 제1 평가 파라미터는, 상기 혼련물에 관한 물성 특성 및 형상 특성 중 적어도 하나를 포함하는
    혼련 장치.
KR1020227040873A 2020-05-29 2021-05-14 기계 학습 방법, 기계 학습 장치, 기계 학습 프로그램, 통신 방법 및 혼련 장치 KR20230002976A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
JPJP-P-2020-094033 2020-05-29
JP2020094033 2020-05-29
JPJP-P-2020-205926 2020-12-11
JP2020205926A JP6886552B1 (ja) 2020-05-29 2020-12-11 機械学習方法、機械学習装置、機械学習プログラム、通信方法、及び混練装置
PCT/JP2021/018408 WO2021241278A1 (ja) 2020-05-29 2021-05-14 機械学習方法、機械学習装置、機械学習プログラム、通信方法、及び混練装置

Publications (1)

Publication Number Publication Date
KR20230002976A true KR20230002976A (ko) 2023-01-05

Family

ID=76310228

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227040873A KR20230002976A (ko) 2020-05-29 2021-05-14 기계 학습 방법, 기계 학습 장치, 기계 학습 프로그램, 통신 방법 및 혼련 장치

Country Status (7)

Country Link
US (1) US20230202070A1 (ko)
JP (1) JP6886552B1 (ko)
KR (1) KR20230002976A (ko)
CN (1) CN115551687A (ko)
AR (1) AR122177A1 (ko)
TW (1) TWI797628B (ko)
WO (1) WO2021241278A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6953393B2 (ja) * 2018-12-28 2021-10-27 株式会社神戸製鋼所 混練装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020032676A (ja) 2018-08-31 2020-03-05 横浜ゴム株式会社 混練異常度学習装置、混練異常度推定装置、混練異常度学習方法、混練異常度推定方法及びプログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3636404B1 (en) * 2017-06-06 2023-11-29 Nihon Spindle Manufacturing Co., Ltd. Kneading device
JP6947539B2 (ja) * 2017-06-06 2021-10-13 日本スピンドル製造株式会社 混練装置
KR102337023B1 (ko) * 2017-07-06 2021-12-08 미츠비시 쥬고 기카이 시스템 가부시키가이샤 혼련기 제어 장치, 혼련기 제어 방법, 프로그램

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020032676A (ja) 2018-08-31 2020-03-05 横浜ゴム株式会社 混練異常度学習装置、混練異常度推定装置、混練異常度学習方法、混練異常度推定方法及びプログラム

Also Published As

Publication number Publication date
AR122177A1 (es) 2022-08-24
CN115551687A (zh) 2022-12-30
US20230202070A1 (en) 2023-06-29
JP6886552B1 (ja) 2021-06-16
WO2021241278A1 (ja) 2021-12-02
TW202212085A (zh) 2022-04-01
TWI797628B (zh) 2023-04-01
JP2021187150A (ja) 2021-12-13

Similar Documents

Publication Publication Date Title
US10082771B2 (en) Machine learning method and machine learning apparatus learning operating command to electric motor and machine tool including machine learning apparatus
KR20230002976A (ko) 기계 학습 방법, 기계 학습 장치, 기계 학습 프로그램, 통신 방법 및 혼련 장치
JP6928669B2 (ja) 制御システム、工場システム、学習システム、推定用モデルの生成方法及びアクチュエータの状態推定方法
JP5906793B2 (ja) 密閉式ゴム混練機を備えた混練システム
CN110348056A (zh) 一种基于连续介质损伤力学的高温微动疲劳寿命预测模型及其方法
Abeykoon A novel soft sensor for real-time monitoring of the die melt temperature profile in polymer extrusion
JP6872018B2 (ja) 混練機制御装置、混練機制御方法、プログラム
EP3988270A1 (en) Machine learning method, machine learning device, and machine learning program
KR20160086899A (ko) 밀폐식 혼련 장치의 스러스트 하중 계측 장치 및 그 교정 방법
JP2010214661A (ja) 混練判定システム
EP4177278A1 (en) Prediction device, calculation device, manufacturing device, and manufacturing method
JP6972971B2 (ja) 制御システム、機械学習装置、メンテナンス支援装置、及びメンテナンス支援方法
JP7487477B2 (ja) 射出成形装置の検査方法および検査システム
JP2015214119A (ja) ゴム混練物の品質評価方法
CN112912707B (zh) 用于传动装置的改进的运行方法
JP2018055299A (ja) プラントシミュレーション装置およびプラントシミュレーション方法
JP2021026608A (ja) 物性データ予測方法及び物性データ予測装置
CN111989198A (zh) 异常检测装置以及异常检测方法
JP2017077649A (ja) 密閉式ゴム混練機の混練安定性の評価方法
JP2019202416A (ja) ゴム材料の混練方法およびシステム
Sarghini Analysis and Simulation of Pasta Dough Extrusion Process by CFD
JP2018180798A (ja) 製造システムおよび製造方法
JP2019202415A (ja) ゴム材料の混練方法およびシステム
Rietz et al. Implementation of a predictive modeling technique on a DCS
Zhao Integrated prognostics for component health management