TW202308830A - 資料集製作方法、學習模型產生方法、可讀取地記錄電腦程式之記錄媒體、及資料集製作裝置 - Google Patents
資料集製作方法、學習模型產生方法、可讀取地記錄電腦程式之記錄媒體、及資料集製作裝置 Download PDFInfo
- Publication number
- TW202308830A TW202308830A TW111123180A TW111123180A TW202308830A TW 202308830 A TW202308830 A TW 202308830A TW 111123180 A TW111123180 A TW 111123180A TW 111123180 A TW111123180 A TW 111123180A TW 202308830 A TW202308830 A TW 202308830A
- Authority
- TW
- Taiwan
- Prior art keywords
- condition parameter
- molding
- forming condition
- forming
- physical quantity
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 59
- 238000004590 computer program Methods 0.000 title claims description 13
- 238000000465 moulding Methods 0.000 claims abstract description 211
- 238000010801 machine learning Methods 0.000 claims abstract description 33
- 238000001746 injection moulding Methods 0.000 claims description 60
- 230000008859 change Effects 0.000 claims description 54
- 238000012545 processing Methods 0.000 claims description 49
- 238000002347 injection Methods 0.000 claims description 32
- 239000007924 injection Substances 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 11
- 238000010438 heat treatment Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 239000012778 molding material Substances 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims 4
- 230000004048 modification Effects 0.000 abstract description 8
- 238000012986 modification Methods 0.000 abstract description 8
- 238000005259 measurement Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 239000011347 resin Substances 0.000 description 9
- 229920005989 resin Polymers 0.000 description 9
- 230000007547 defect Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
- B29C45/766—Measuring, controlling or regulating the setting or resetting of moulding conditions, e.g. before starting a cycle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
- B29C45/768—Detecting defective moulding conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76939—Using stored or historical data sets
- B29C2945/76949—Using stored or historical data sets using a learning system, i.e. the system accumulates experience from previous occurrences, e.g. adaptive control
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
[議題]
提供一種資料集製作方法,能夠自動製作學習模型的機械學習用的資料集,學習模型是用來調整設定於成形機的成形條件參數。
[解決手段]
從設定於成形機的第1以及第2成形條件參數之中,變更第1成形條件參數,使得成形品的品質惡化,並取得物理量資料,物理量資料表示製造的成形品的狀態或該成形機的狀態;變更設定於成形機的第2成形條件參數,並取得物理量資料,物理量資料表示製造的成形品的狀態或該成形機的狀態;將變更前的第2成形條件參數、此時得到的物理量資料、變更後的第2成形條件參數、以及設定變更後的第2成形條件參數時得到的物理量資料對應記憶;以及藉由不斷重複第1以及第2成形條件參數的變更以及物理量資料的取得,來製作機械學習用的資料集。
Description
本發明是關於一種資料集製作方法、學習模型產生方法、可讀取地記錄電腦程式之記錄媒體、及資料集製作裝置。
有一種射出成形機系統,藉由機械學習來調整射出成形機的成形條件參數(例如專利文獻1)。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本專利特開2019-166702號公報
[發明所欲解決的問題]
然而,調整成形機的成形條件參數的學習模型的機械學習用的資料集的製作,會有需要龐大的時間與勞力的問題。為了製作機械學習用的資料集,需要作業者將成形機的狀態設定為成形不良產生的狀態,進行消除成形不良的設定的調整,並進行資料的對應以及收集。
本揭露的目的,在於提供一種資料集製作方法、以及使用了自動製作的資料集的學習模型產生方法,能夠自動製作學習模型的機械學習用的資料集,學習模型是用來調整設定於成形機的成形條件參數。
本揭露的目的,在於提供一種可讀取地記錄電腦程式之記錄媒體、以及資料集製作裝置,能夠自動製作學習模型的機械學習用的資料集,學習模型是用來調整設定於成形機的成形條件參數。
[用以解決問題的手段]
本態樣相關的資料集製作方法,藉由不斷重複以下的處理,來製作機械學習用的資料集。從設定於成形機的第1成形條件參數以及第2成形條件參數之中,變更第1成形條件參數,使得成形品的品質惡化。取得物理量資料,物理量資料表示成形機所製造的成形品的狀態或該成形機的狀態。變更設定於成形機的第2成形條件參數。取得物理量資料,物理量資料表示成形機所製造的成形品的狀態或該成形機的狀態。將變更前後的第2成形條件參數以及物理量資料對應記憶。
本態樣相關的學習模型產生方法,使用上述資料集製作方法所製作的資料集,來讓學習模型進行機械學習。
本態樣相關的記錄於記錄媒體的電腦程式,藉由讓電腦不斷重複執行以下的處理,來製作機械學習用的資料集。從設定於成形機的第1成形條件參數以及第2成形條件參數之中,變更第1成形條件參數,使得成形品的品質惡化。取得物理量資料,物理量資料表示成形機所製造的成形品的狀態或該成形機的狀態。變更設定於成形機的第2成形條件參數。取得物理量資料,物理量資料表示成形機所製造的成形品的狀態或該成形機的狀態。將變更前後的第2成形條件參數以及物理量資料對應記憶。
本態樣的資料集製作裝置,藉由不斷重複以下的處理,來製作機械學習用的資料集。從設定於成形機的第1成形條件參數以及第2成形條件參數之中,變更第1成形條件參數,使得成形品的品質惡化。取得物理量資料,物理量資料表示成形機所製造的成形品的狀態或該成形機的狀態。變更設定於成形機的第2成形條件參數。取得物理量資料,物理量資料表示成形機所製造的成形品的狀態或該成形機的狀態。將變更前後的第2成形條件參數以及物理量資料對應記憶。
[發明功效]
根據本發明,能夠自動製作學習模型的機械學習用的資料集,學習模型是用來調整設定於成形機的成形條件參數。
本發明的實施形態相關的資料集製作方法、學習模型產生方法、電腦程式、以及資料集製作裝置的具體例,參照以下的圖式進行說明。以下記載的實施形態的至少一部分也可以任意組合。另外,本發明並不以這些範例為限,應以申請專利範圍所示為準,並且意旨包含申請專利範圍均等的意義以及範圍內的所有變更。
<射出成形機的整體結構>
第1圖是用來說明實施形態1相關的射出成形機2的結構例的模式圖。本實施形態1相關的射出成形機(成形機)2包含:射出裝置21、設置於該射出裝置21的前方的合模裝置22、具有本實施形態1相關的資料集製作裝置1的控制裝置23、以及測定部3。
射出裝置21包含在前端部具有噴嘴的加熱汽缸21a、以及設置於該加熱汽缸21a內可驅動旋轉方向以及軸方向的螺桿21b。射出裝置21包含在旋轉方向驅動該螺桿21b的旋轉馬達、以及在軸方向驅動螺桿21b的馬達等。射出裝置21當中,設有用來提供樹脂成形材料給加熱汽缸21a的漏斗21c、以及用來將提供給加熱汽缸21a的樹脂成形材料進行加熱以及可塑化的加熱器21d。
合模裝置22包含模裝置22a,安裝有可穿脫自如的模具。合模裝置22包含切換機構22b,用來讓模具打開或關閉,並且讓模具密合,使得從射出裝置21射出的溶融成形材料填充到模具之際,不會讓模具張開。合模裝置22包含驅動切換機構22b的合模驅動馬達22i。
模裝置22a包含安裝有可穿脫自如的固定模具22f的固定盤22d、以及同樣安裝有穿脫自如的可動模具22g的可動盤22e。切換機構22b設置於可動盤22e以及合模殼22h之間。切換機構22b藉由合模驅動馬達22i的驅動力,於前後方向(第1圖的中橫方向)讓可動盤22e移動,藉以打開或關閉固定模具22f以及可動模具22g。切換機構22b在可以在射出裝置21射出的溶融樹脂填充到模具之際讓模具閉合,使得固定模具22f以及可動模具22g不會張開。另外,合模裝置22包含頂板22c,頂板22c設有頂針,用來從模具當中取出成形品。
控制裝置23是用來控制射出裝置21以及合模裝置22的動作的裝置或電路。本實施形態1相關的控制裝置23包含資料集製作裝置1。資料集製作裝置1是自動製作學習模型5(參照第6圖)的機械學習用的資料集的裝置,學習模型5是用來調整設定於射出成形機2的成形條件參數。
射出成形機2當中設定有決定成形條件的成形條件參數,並依照該成形條件參數來動作。成形條件參數舉例來說,包含模具內樹脂溫度、噴嘴溫度、汽缸加熱溫度、漏斗溫度、合模力、射出速度、射出加速度、射出峰值壓力、射出重量等。另外,成形條件參數舉例來說,包含汽缸前端樹脂壓、反向保護環就位狀態、保壓切換壓力、保壓切換速度、保壓切換位置、保壓結束位置。另外,成形條件參數舉例來說,包含緩衝墊位置、計量背壓、計量轉矩、計量結束位置、螺桿後退速度、循環時間、關模時間、射出時間、保壓時間、計量時間、開模時間等。最佳的成形條件參數會隨著射出成形機2的環境、成形品而有所不同。
測定部3是在射出成形機2執行成形之際,測定實際成形相關的物理量的裝置。測定部3將測定處理得到的物理量資料輸出至資料集製作裝置1。
測定部3測定得到的物理量資料,包含成形品是否正常、成形品的不良種類、不良的程度關聯的資料。成形品相關的物理量資料舉例來說,為拍攝成形品得到的相機影像、雷射變位感測器得到的成形品的變形量。變形量具體而言,為成形品的毛邊、縮痕的面積或體積。另外,成形品相關的物理量資料,可以是光學量測器得到的成形品的色度、亮度等光學的量測值、重量計量測的成形品的重量、強度量測器量測的成形品的強度等資料。
<資料集製作裝置>
第2圖是用來表示實施形態1相關的資料集製作裝置1的結構例的方塊圖。資料集製作裝置1為電腦,包含處理器11、記憶部12、操作部13等作為硬體結構。
另外,資料集製作裝置1也可以是連接網路的伺服器裝置。另外,資料集製作裝置1也可以是由複數台電腦組成進行分散處理的結構,也可以由設置於1台伺服器內的複數台虛擬機器來實現,也可以使用雲端伺服器來實現。
處理器11具有CPU(Central Processing Unit,中央處理器)、多核CPU、GPU(Graphics Processing Unit,圖形處理器)、GPGPU(General-purpose computing on graphics processing units,泛用運算圖形處理器)、TPU(Tensor Processing Unit,張量處理器)、ASIC(Application Specific Integrated Circuit,應用特定積體電路)、FPGA(Field-Programmable Gate Array,場效可程式化邏輯閘陣列)、NPU(Neural Processing Unit,神經網路處理器)等演算電路、ROM(Read Only Memory,唯讀記憶體)、RAM(Random Access Memory,隨機存取記憶體)等內部記憶裝置、I/O端子等。
處理器11藉由執行後述的記憶部12記憶的電腦程式(程式產品)12a,作為取得部14、控制部15發揮功能。另外,處理器11藉由執行後述的記憶部12記憶的電腦程式(程式產品)12a,作為第1成形條件參數變更部16、第2成行條件參數變更部17、以及資料集記憶處理部18發揮功能。另外,資料集製作裝置1的各機能部也可以由軟體來實現,也可以一部分或全部由硬體來實現。
記憶部12為硬碟、EEPROM(Electrically Erasable Programmable ROM,可電氣抹除可程式化唯讀記憶體)、快閃記憶體等非揮發性記憶體。記憶部12記憶電腦程式12a,電腦程式12a用來讓電腦執行成形條件參數的調整的學習模型5的機械學習用的資料集製作處理。
本實施形態1相關的電腦程式12,也可以是可讀取地記錄於記錄媒體4的態樣。記憶部12記憶透過讀取裝置從記錄媒體4讀取出的電腦程式12a。記錄媒體4為快閃記憶體等半導體記憶體。另外,記錄媒體4也可以是CD(Compact Disc)-ROM、DVD(Digital Versatile Disc,數位多功能影音光碟)-ROM、BD(Blu-ray® Disc)等光碟。另外,記錄媒體4也可以是軟碟、硬碟等磁碟、磁器光碟等。另外,也可以從連接通訊網的外部伺服器下載本實施形態1相關的電腦程式12a,並讓記憶部12進行記憶。
操作部13為觸控面板、軟鍵、硬鍵、鍵盤、滑鼠等輸入裝置。
取得部14取得成形工程循環中的射出成形機2執行成形時由測定部3測定、輸出的物理量資料。取得部14將取得的物理量資料輸出至控制部15。
控制部15將基於設定或變更的成形條件參數的控制訊號輸出至射出裝置21以及合模裝置22,並控制射出成形機2的動作。
第1成形條件參數變更部16是用來變更成形條件參數,讓成形品的不良產生的機能部。讓成形品的不良產生的成形條件參數也稱為第1成形條件參數。第1成形條件參數舉例來說,是成形材料的計量值、以及設定射出裝置21的背壓的參數。
第2成形條件參數變更部17是用來變更成形條件參數,當成形品的不良產生時,用來探索改善成形不良的條件的機能部。為了改善成形不良而探索式地變更的成形條件參數也稱為第2成形條件參數。第2成形條件參數舉例來說,包含保壓切換位置、射出速度或保壓壓力。第2成形條件參數變更部17進行的第2成形條件參數的變更是分別探索式地挖掘。因此,第2成形條件參數變更部17進行的第2成形條件參數的變更處理,包含了使成形品的品質改善的變更處理、以及使成形品的品質惡化的變更處理。
資料集記憶處理部18是在成形工程循環中,變更第1以及第2成形條件參數,將測定成形品相關的物理量所得到的各種資料對應得到的資料集記憶於記憶部12的機能部。具體而言,資料集記憶處理部18將變更前後的第2成形條件參數、以及該第2成形條件參數變更前後得到的成形品的物理量資料對應記憶。
成形工程循環的概要如下,資料集製作裝置1在不斷重複的成形工程循環中,藉由變更成形條件參數來製作機械學習用的資料集。於射出成形之際,依序進行習知的噴射器後退工程、關模工程、合模工程、射出工程、保壓工程、計量工程、開模工程、噴射器前進工程。
<處理順序(資料集製作方法)>
第3圖是用來表示實施形態1相關的資料集製作的處理順序的流程圖。處理器11或第1成形條件參數變更部16,從設定於射出成形機2的成形條件參數之中,變更第1成形條件參數,使得成形品的品質惡化(步驟S111)。第1成形條件參數舉例來說,是成形材料的計量值、以及設定射出裝置21的背壓的參數。只要從正常的初始值去變更第1成形條件參數,就能夠產生成形品的不良。換言之,步驟S111是人為讓射出成形機2的狀態具有問題的狀態。
處理器11或控制部15基於變更的第1成形條件參數、第2成形條件參數以及其他的成形條件參數的控制訊號,輸出至射出裝置21以及合模裝22,並控制射出成形機2的動作(步驟S112)。射出成形機2的射出裝置21以及合模裝置22將依照處理器11輸出的控制訊號來進行射出成形處理。
然後,測定部3在射出成形機2執行成形時,測定成形品相關的物理量,處理器11或取得部14取得測定部3測定得到的物理量資料(步驟S113)。物理量資料舉例來說,是用來表示成形品的毛邊或縮痕的面積或體積的資料。
接著,處理器11或第2成形條件參數變更部17,從設定於射出成形機2的成形條件參數之中,變更第2成形條件參數(步驟S114)。第2成形條件參數的變更是為了使成形品的狀態改善而探索式進行的。
第2成形條件參數的變更方法並未特別限定。舉例來說,處理器11可以隨機變更第2成形條件參數。另外,處理器11也可以依照既定的機率分布來變更第2成形條件參數。另外,也可以藉由使用前次之前的成形工程循環得到的物理量資料以及第2成形條件參數的貝式最佳化,來變更第2成形條件參數。
處理器11或控制部15將基於變更的第1以及第2成形條件參數以及其他成形條件參數的控制訊號,輸出至射出裝置21以及合模裝置22,並控制射出成形機2的動作(步驟S115)。然後,測定部3在射出成形機2執行成形時,測定成形品相關的物理量,處理器11或取得部14與步驟S113相同,取得測定部3測定得到的物理量資料(步驟S116)。
處理器11或資料集記憶處理部18基於步驟S112~步驟S116的處理得到的資料,來製作學習用資料並記憶於記憶部12(步驟S117)。
第4圖是用來表示實施形態1相關的資料集的一例的說明圖。由複數個學習資料來組成機械學習用的資料集。組成資料集的學習用資料,為第2成形條件參數的變更前的成形條件參數、第2成形條件參數的變更前與變更後得到的物理量資料、以及與第2成形條件參數的變更值對應的資料。變更值可以是變更後的第2成形條件參數,也可以是變更前的第2成形條件參數對應的變更後的第2成形條件參數的變更量。包含於資料集的變更前的成形條件參數,至少包含第2成形條件參數。
接著,處理器11基於步驟S116取得的物理量資料,來判斷成形品的狀態是否已經改善(步驟S118)。舉例來說,處理器11基於物理量資料來算出毛邊或縮痕的面積或體積,並判定毛邊或縮痕的面積或體積是否不到既定值。若判定成形品的狀態並未改善(步驟S118:否),則處理器11的處理回到步驟S113。
若判定成形品的狀態已經改善(步驟S118:是),處理器11判定資料集的製作是否要結束(步驟S119)。結束條件並未特別限定,但製作既定量的資料集時,若第1成形條件參數的變更次數在臨界值以上,則可以將第1成形條件參數的變更範圍達到既定範圍時等作為結束條件。若判定為滿足結束條件(步驟S119:是),則處理器11結束處理。若判定為不滿足結束條件(步驟S119:否),則處理器11讓處理回到步驟S111,並繼續資料集的製作。
藉由以上的處理,就能夠自動製作學習模型5的機械學習用的資料集,學習模型5是用來調整設定於射出成形機2的成形條件參數。
<處理順序(學習模型產生方法)>
第5圖是用來表示實施形態1相關的學習模型產生的處理順序的流程圖。處理器11使用以第3圖說明的方法來製作機械學習用的資料集(步驟S151)。接著,處理器11基於第2成形條件參數的變更後得到的物理量資料,來算出成形品的評價值(步驟S152)。評價值可以使用毛邊或縮痕的面積或體積越小,則評價值就越大的函數或表格來算出。也可以直接使用毛邊或縮痕的面積或體積作為評價值。
接著,處理器11在記憶體上準備學習前的學習模型5(步驟S153)。
第6圖是用來概念式地表示學習模型5的結構的說明圖。學習模型5具有輸入層51、複數個中間層52、以及輸出層53。輸入層51具有複數個節點,輸入有設定於射出成形機2的成形條件參數以及成形品相關的物理量資料。
複數個中間層52具有複數個節點,用來取出輸入至輸入層51的物理量資料的特徵。物理量資料當中包含影像時,中間層52具有複數個迭代層以及槽化層。
輸出層53具有第2成形條件參數的複數個值對應的複數個節點,並輸出該值為最佳的確信度。另外,輸出層53也可以具有第2成形條件參數的複數個變更量對應的複數個節點,並輸出該值為最佳的確信度。第2成形條件參數可以為1個種類也可以為複數個種類。
學習模型5舉例來說,是輸入有成形條件參數、以及測定成形品的狀態得到的物理量資料時,輸出第2成形條件參數,或是第2成形條件參數的變更量來提高成形品的狀態的模型。當物理量資料為影像資料時,學習模型5可以是具有ResNet、DenseNet等CNN(Convolution Neural Network,卷積神經網路)的模型。當觀測資料為時序資料時,學習模型5可以是具有識別時序資料,也就是識別觀測資料的RNN(Recurrent Neural Network,遞迴神經網路)、LSTM、Vision Transformer等的模型。另外,學習模型5也可以使用上述的CNN、RNN等以外的類神經網路、Vision Transformer、SVM(Support Vector Machine,支持向量機)、貝氏網路、或XGBoost等決策樹等結構的學習模型5來組成。
回到第5圖,處理器11將資料集當中包含的成形條件參數以及物理量資料(第2成形條件參數變更前的物理量資料)輸入至學習模型5的輸入層51(步驟S154)。然後,處理器11將中間層52的權重係數最佳化,藉以輸出第2成形條件參數,使得基於成形品相關的物理量資料的評價值變高(步驟S155)。該權重係數舉例來說,為節點間的權重(結合係數)。權重係數的最佳化的方法並未特別限定,舉例來說,使用最陡下降法、誤差逆傳播法等進行各種係數的最佳化。同樣地,處理器11將中間層52的權重係數最佳化,藉以不輸出第2成形條件參數,使得基於成形品相關的物理量資料的評價值變低(步驟S156)。另外,為了方便說明,將步驟S155以及步驟S156作為個別的步驟進行說明,但各處理實質上為同等的處理,處理器11會同時執行各處理。
藉此,能夠使用自動產生的機械學習用的資料集,來讓學習模型5進行機械學習。另外,雖然是以處理器11進行學習模型5的機械學習為例說明,但資料集的製作以及學習模型5的機械學習模型,也可以由其他電腦來執行。
以上所述,根據本實施形態1,能夠自動製作學習模型5的機械學習用的資料集,學習模型5是用來調整設定於射出成形機2的成形條件參數。
具體而言,資料集製作裝置1可以變更成形材料的計量值或背壓作為第1成形條件參數,視為人為上讓成形品的不良產生的狀態,並且有效率地製作機械學習用的資料集。
另外,資料集製作裝置1也可以製作包含保壓切換裝置、射出速度或保壓壓力作為第2成形條件參數的機械學習用的資料集。換言之,為了改善成形品的狀態,可以製作用來讓調整第2成形條件參數的學習模型5進行機械學習的資料集。
另外,資料集製作裝置1也可以為了改善成形品產生的毛邊或短射,而製作用來讓調整第2成形條件參數的學習模型5進行機械學習的資料集。
另外,為了讓資料集當中包含的變更值,包含使成形品的品質改善的變更值、以及使成形品的品質更加惡化的變更值,也可以製作用來讓調整第2成形條件參數的學習模型5用更高效率進行機械學習的資料集。
另外,可以依照既定的機率分布變更第2成形條件參數,或是用貝式最佳化進行變更,來快速達到改善成形品的狀態的第2成形條件參數的變更值。因此,也可以製作包含多數用來改善成形品的狀態的機械學習有用的第2成形條件參數的變更量的資料集。
另外,根據本實施形態1相關的學習模型產生方法,可以使用自動製作的資料集,來產生用來調整成形條件參數的學習模型5。
(變形例1)
第7圖是用來說明變形例1相關的資料集的一例的說明圖。處理器11在步驟S113以及步驟S116中,可以於取得物理量之際,取得表示成形品的部位的資訊、以及該部位產生的毛邊或短射的面積或體積。舉例來說,處理器11可以取得表示成形品的第1部位的資訊、該第1部位中的毛邊或短射的面積或體積、表示成形品的第2部位的資訊、該第2部位中的毛邊或短射的面積或體積。當然,也可以取得成形品的3個以上的部位中的毛邊或短射的面積或體積。
根據變形例1,能夠製作用來改善成形品的複數個部位各別的毛邊或短射的第2成形條件參數的調整用的機械學習用的資料集。
(變形例2)
另外,上述實施形態1中,雖然是以測定部3取得表示成形品的狀態的物理量資料並且製作資料集之例進行說明,但也可以測定表示射出成形機2的狀態的物理量資料。另外,測定部3也可以取得表示成形品的狀態的物理量資料、以及表示射出成形機2的狀態的物理量資料兩者。
變形例2相關的測定部3是在射出成形機2執行成形之際,測定射出成形相關的任意物理量的裝置。測定部3將透過測定處理得到的物理量資料輸出至資料集製作裝置1。物理量當中,有包含溫度、位置、速度、加速度、電流、電壓、壓力、時間、影像資料、轉矩、力、傾斜、耗電等。
另外,測定部3可以與射出成形機2互相獨立,也可以安裝於射出單元21等。
測定部3測定的資訊舉例來說,包含表示成形品的狀態的資訊、表示射出成形機2的狀態的資訊。表示成形品的狀態的資訊,與上述實施形態1相同。
表示射出成形機2的狀態的資訊,是使用溫度計、壓力計、溫度測定器、加速度測定器、位置感測器、計時器、重量計等測定得到的。表示射出成形機2的狀態的資訊舉例來說,包含模具內樹脂溫度、噴嘴溫度、汽缸加熱溫度、漏斗溫度等資訊。表示射出成形機2的狀態的資訊舉例來說,包含合模力、射出速度、射出加速度、射出峰值壓力、射出重量、汽缸前端樹脂壓、反向保護環就位狀態、保壓切換壓力等資訊。表示射出成形機2的狀態的資訊舉例來說,包含保壓切換速度、保壓切換位置、保壓結束位置、緩衝墊位置、計量背壓、計量轉矩、計量結束位置、螺桿後退速度、循環時間、關模時間、射出時間、保壓時間、計量時間、開模時間等資訊。
另外,以間接表示射出成形機2的狀態的資訊來說,也可以包含射出成形機2的周邊機器的資訊、使用溫度計、濕度計、流量計等得到的環境溫度、環境濕度、對流相關的資訊(雷諾茲數等)等資訊。
另外,上述實施形態1以及變形例中,是以成形機為一個範例說明了進行樹脂成形的射出成形機2,但中空成形機、擠出機、雙軸螺桿擠出機、紡絲擠出機、造粒機等也可以適用本發明。另外,成形材料也不以樹脂為限,也可以將本發明提供給鎂射出成形機等。
(實施形態2)
實施形態2相關的射出成形機,其資料集製作處理以及資料集的內容與實施形態1有所不同。射出成形機的其他結構,由於與實施形態1相關的射出成形機相同,故在同樣的地方給予相同符號,並省略詳細的說明。
第8圖是用來表示實施形態2相關的資料集製作的處理順序的流程圖。處理器11執行與實施形態1當中的步驟S111~步驟S116相同的處理(步驟S211~步驟S216)。
接著,處理器11基於步驟S216取得的物理量資料,來算出表示成形品是否正常、不良種類(毛邊、縮痕等)、不良的程度的評價值(步驟S217)。
處理器11或資料集記憶處理部18基於步驟S212~步驟S217的處理得到的資料,來製作學習用資料並記憶於記憶部12(步驟S217)。
第9圖是用來表示實施形態2相關的資料集的一例的說明圖。機械學習用的資料集是由複數個學習資料所組成。組成資料集的學習用資料,是將第2成形條件參數的變更前的成形條件參數、第2成形條件參數的變更前得到的物理量資料、第2成形條件參數的變更值、以及第2成形條件參數變更後的成形品的評價值對應的資料。
以下,處理器11執行與實施形態1當中的步驟S118~步驟S119相同的處理(步驟S219~步驟S210),進行資料集的製作以及收集。
本實施形態2相關的資料集製作裝置1,與實施形態1同樣能夠自動製作學習模型5的機械學習用的資料集,學習模型5是用來調整設定於射出成形機2的成形條件參數。特別是,實施形態2相關的資料集製作裝置1能夠製作包含成形品的評價值的資料集。
(實施形態3)
實施形態3相關的射出成形機,其變更複數個成形條件參數之際的處理與實施形態1有所不同。射出成形機的其他結構,由於與實施形態1相關的射出成形機相同,故在同樣的地方給予相同符號,並省略詳細的說明。另外,實施形態3相關的技術也能應用在本實施形態2。
為了製作資料集,而變更複數個第1成形條件參數以及第2成形條件參數之際,需要考慮各參數的探索範圍,也就是各參數的上限值以及下限值。若不考慮各參數的探索範圍,則有可能讓射出成形機2產生重大的問題。舉例來說,有可能會破壞模具。另外,也可有可能讓短射的程度加劇,而無法從模具當中取出成形品。
因此,第1成形條件參數以及第2成形條件參數的探索範圍的初始設定,考慮到安全性,由操作員(人)設定較佳。另外,針對第1成形條件參數以及第2成形條件參數各自的設定值,在不考慮各參數間的相互作用,而獨立決定探索範圍時,各自的探索範圍就可以更加顧及安全。因此,得到的成形品的程度的波動並不會變得太大。
本實施形態3相關的資料集製作裝置1是為了解決上述問題。實施形態3相關的資料集製作裝置1,考慮複數個第1以及第2成形條件參數的相互作用,而動態決定各參數的探索範圍。根據這個動態的探索範圍的決定,資料集製作裝置1也可以大幅變更各參數,且不會讓射出成形機2產生重大的問題。因此,得到的成形品的程度的波動就可以變得更大。因此,可以獲得讓學習模型5學習效果更佳的資料集。以下,說明實施形態3相關的資料集裝置的結構。
第10圖是用來表示實施形態3相關的資料集製作裝置1的結構例的方塊圖。實施形態3相關的資料集製作裝置1的硬體結構與實施形態1相同。實施形態3相關的記憶部12考慮複數個第1成形條件參數以及第2成形條件參數的相關關係,並記憶表格12c,表格12c儲存了用來在不會對射出成形機2或模具產生負面影像的範圍下,動態決定探索範圍的資訊。
例如,表格12c儲存的資訊,表示至少一個第1成形條件參數的值、與其他第1成形條件參數的探索範圍的上限值或下限值的對應關係。表格12c儲存的資訊,表示複數個第1成形條件參數的值、與複數個第1成形條件參數的探索範圍的上限值或下限值的對應關係。
同樣地,表格12c儲存的資訊,表示至少一個第2成形條件參數的值、與其他第2成形條件參數的探索範圍的上限值或下限值的對應關係。表格12c儲存的資訊,表示複數個第2成形條件參數的值、與複數個第2成形條件參數的探索範圍的上限值或下限值的對應關係。
另外,表格12c儲存的資訊,也可以表示一個第1成形條件參數的值與第2成形條件參數的探索範圍的上限值與下限值的對應關係。表格12c儲存的資訊,也可以表示複數個第1成形條件參數以及第2成形條件參數的值、與複數個第1成形條件參數以及第2成形條件參數的探索範圍的上下值與下限值的對應關係。
第11圖是用來表示實施形態4相關的資料集製作的處理順訊的流程圖。處理器11將第1成形條件參數以及第2成形條件參數的探索範圍,也就是各參數的值初始設定為可變更的範圍(步驟S311)。操作員藉由對操作部13進行操作,能夠輸入第1成形條件參數以及第2成形條件參數的探索範圍,處理部11透過操作部13受理探索範圍。
接著,處理器11或第1成形條件參數變更部16,從設定於射出成形機2的成形條件參數之中,變更第1成形條件參數,使得成形品的品質惡化(步驟S312)。
處理器11參照表格12c,將變更後的第1成形條件參數的值作為關鍵,讀取第1成形條件參數的探索範圍的上限值或下限值,並且變更第1成形條件參數(步驟S313)。舉例來說,將初始設定的某個第1成形條件參數變更為探索範圍的下限值時,有時候會將其他第1成形條件參數的探索範圍變更為比上限值還要大的值。此時,在下一次的步驟S312中,第1成形條件參數將變更為超過初始設定的探索範圍。
處理器11或控制部15將基於變更後的第1成形條件參數、第2成形條件參數以及其他成形條件參數的控制訊號輸出至射出裝置21以及合模裝置22,並控制射出成形機2的動作(步驟S314)。
然後,測定部3在射出成形機2執行成形之際,測定成形品相關的物理量,處理器11或取得部14取得測定部3測定得到的物理量資料(步驟S315)。
接著,處理器11或第2成形條件參數變更部17,從設定於射出成形機2的成形條件參數之中,變更第2成形條件參數(步驟S316)。
處理器11參照表格12c,將變更後的第1成形條件參數以及第2成形條件參數的值作為關鍵,讀取第2成形條件參數的探索範圍的上限值或下限值,並且變更第2成形條件參數(步驟S317)。同第1成形條件參數,在下一次的步驟S316中,第2成形條件參數將變更為超過初始設定的探索範圍。
另外,處理器11也可以參照表格12c,將變更後的第2成形條件參數的值作為關鍵,讀取第2成形條件參數的探索範圍的上限值或下限值,並且變更第2成形條件參數。
處理器11或控制部15將基於變更後的第1以及第2成形條件參數以及其他成形條件參數的控制訊號,輸出至射出裝置21以及合模裝置22,並控制射出成形機2的動作(步驟S318)。
以下,在步驟S318~步驟S322執行的處理,是與實施形態1相關的步驟S115~步驟S119相同的處理。
藉由以上處理,就能夠一邊考慮第1以及第2成形條件參數的相關性,並且大幅變更各參數,來自動製作學習模型5的機械學習用的資料集。
與不考慮第1以及第2成形條件參數的相關性,在初始設定的探索範圍內變更各參數的情況相較起來,可以讓成形品的狀態產生大幅的波動,並且製作能讓機械學習的效果更佳的資料集。
另一方面,若無視探索範圍而完全不設限地變更第1以及第2成形條件參數,則有可能讓模具或射出成形機2損壞,但實施形態3中,使用記錄於表格12c地各參數的相關關係來進行參數變更。因此,就可以視情況來大幅度地變更參數超過初始設定的探索範圍來製作資料集,而不會對射出成形機2以及模具帶來負面影響。
1:資料集製作裝置
2:射出成形機
3:測定部
4:記錄媒體
5:學習模型
11:處理器
12:記憶部
12a:電腦程式
12b:資料集
12c:表格
13:操作部
14:取得部
15:控制部
16:第1成形條件參數變更部
17:第2成形條件參數變更部
18:資料集記憶處理部
21:射出裝置
21a:加熱汽缸
21b:螺桿
21c:漏斗
21d:加熱器
22:合模裝置
22a:模裝置
22b:切換機構
22c:頂板
22d:固定盤
22e:可動盤
22f:固定模具
22g:可動模具
22h:合模殼
22i:合模驅動馬達
51:輸入層
52:中間層
53:輸出層
S111~S119:步驟
S151~S156:步驟
S211~S220:步驟
S311~S322:步驟
第1圖是用來說明實施形態1相關的射出成形機的結構例的模式圖。
第2圖是用來表示實施形態1相關的資料集製作裝置的結構例的方塊圖。
第3圖是用來表示實施形態1相關的資料集製作的處理順序的流程圖。
第4圖是用來表示實施形態1相關的資料集的一例的說明圖。
第5圖是用來表示實施形態1相關的學習模型產生的處理順序的流程圖。
第6圖是用來概念性表示學習模型的結構的說明圖。
第7圖是用來表示變形例相關的資料集的一例的說明圖。
第8圖是用來表示實施形態2相關的資料集製作的處理順序的流程圖。
第9圖是用來表示實施形態2相關的資料集的一例的說明圖。
第10圖是用來表示實施形態3相關的資料集製作裝置的結構例的方塊圖。
第11圖是用來表示實施形態4相關的資料集製作的處理順序的流程圖。
S111~S119:步驟
Claims (13)
- 一種資料集製作方法,包含: 從設定於成形機的第1成形條件參數以及第2成形條件參數之中,變更第1成形條件參數,使得成形品的品質惡化; 取得物理量資料,該物理量資料表示設定有使得成形品的品質惡化的第1成形條件參數以及第2成形條件參數的該成形機所製造的成形品的狀態或該成形機的狀態; 變更設定於該成形機的第2成形條件參數; 取得物理量資料,該物理量資料表示設定有第1成形條件參數以及變更後的第2成形條件參數的該成形機所製造的成形品的狀態或該成形機的狀態; 將變更前的第2成形條件參數、設定該第2成形條件參數時得到的物理量資料、變更後的第2成形條件參數或第2成形條件參數的變更量、以及設定變更後的第2成形條件參數時得到的物理量資料或基於該物理量資料的評價值對應記憶;以及 藉由不斷重複第1以及第2成形條件參數的變更以及物理量資料的取得,來製作機械學習用的資料集。
- 如請求項1之資料集製作方法, 其中,該成形機為射出成形機,且包含加熱汽缸以及螺桿,用來計量成形材料、可塑化以及射出; 其中,該第1成形條件參數,包含成形材料的計量值或背壓。
- 如請求項1之資料集製作方法, 其中,該成形機為射出成形機,且包含加熱汽缸以及螺桿,用來計量成形材料、可塑化以及射出; 其中,該第2成形條件參數,包含保壓切換位置、射出速度或保壓壓力。
- 如請求項1之資料集製作方法, 其中,該成形機為射出成形機; 其中,該物理量資料包含成形品產生的毛邊或短射的面積或體積。
- 如請求項4之資料集製作方法, 其中,記憶的物理量資料,包含表示成形品的部位的資訊、以及該部位產生的毛邊或短射的面積或體積。
- 如請求項1至5任一項之資料集製作方法, 其中,變更第2成形條件參數的處理,包含: 使成形品的品質改善的第2成形條件參數的變更處理、以及 使成形品的品質惡化的第2成形條件參數的變更處理。
- 如請求項1至5任一項之資料集製作方法, 其中,變更第2成形條件參數的處理,包含: 隨機變更該第2成形條件參數的處理、依照既定的機率分布變更的處理、以及基於前次以前得到的物理量資料變更的處理。
- 如請求項1至5任一項之資料集製作方法,更包含: 初始設定複數個第1成形條件參數的可變更的探索範圍; 其中,變更第1成形條件參數的處理,在變更一個第1成形條件參數時,基於表示至少該一個第1成形條件參數的值、以及其他第1成形條件參數的探索範圍的上限值或下限值的對應關係的表格,來變更該其他第1成形條件參數的初始設定的探索範圍。
- 如請求項1至5任一項之資料集製作方法,更包含: 初始設定複數個第2成形條件參數的可變更的探索範圍; 其中,變更第2成形條件參數的處理,在變更一個第2成形條件參數時,基於表示至少該一個第2成形條件參數的值、以及其他第2成形條件參數的探索範圍的上限值或下限值的對應關係的表格,來變更該其他第2成形條件參數的初始設定的探索範圍。
- 如請求項1至5任一項之資料集製作方法,更包含: 初始設定複數個第1成形條件參數以及第2成形條件參數的可變更的探索範圍; 其中,變更第1成形條件參數的處理,在變更一個第1成形條件參數時,基於表示至少該一個第1成形條件參數的值、以及其他第1成形條件參數的探索範圍的上限值或下限值的對應關係的表格,來變更該其他第1成形條件參數的初始設定的探索範圍; 其中,變更第2成形條件參數的處理,在變更一個第1成形條件參數以及第2成形條件參數時,基於表示至少該一個第1成形條件參數以及該一個第2成形條件參數的值、以及該一個第1成形條件參數與該一個第2成形條件參數以外的第2成形條件參數的探索範圍的上限值或下限值的對應關係的表格,來變更該其他第2成形條件參數的初始設定的探索範圍。
- 一種學習模型產生方法,是用來調整成形機的成形條件參數的學習模型的產生方法,包含: 基於請求項1至10任一項之資料集製作方法,來製作資料集合;以及 利用基於製作的資料集的機械學習,當至少輸入有變更前的第2成形條件參數、以及設定該第2成形條件參數時得到的物理量資料時,產生學習模型,該學習模型輸出變更後的第2成形條件參數或第2成形條件參數的變更量,使得基於物理量資料的評價值變高。
- 一種可讀取地記錄電腦程式之記錄媒體,該電腦程式為了要製作機械學習用的資料集,而使得電腦不斷重複執行以下處理: 從設定於成形機的第1成形條件參數以及第2成形條件參數之中,變更第1成形條件參數,使得成形品的品質惡化; 取得物理量資料,該物理量資料表示設定有使得成形品的品質惡化的第1成形條件參數以及第2成形條件參數的該成形機所製造的成形品的狀態或該成形機的狀態; 變更設定於該成形機的第2成形條件參數; 取得物理量資料,該物理量資料表示設定有第1成形條件參數以及變更後的第2成形條件參數的該成形機所製造的成形品的狀態或該成形機的狀態;以及 將變更前的第2成形條件參數、設定該第2成形條件參數時得到的物理量資料、變更後的第2成形條件參數或第2成形條件參數的變更量、以及設定變更後的第2成形條件參數時得到的物理量資料或基於該物理量資料的評價值對應記憶。
- 一種資料集製作裝置,包含: 處理器,執行製作學習模型的機械學習用的資料集的處理,該學習模型是用來調整設定於成形機的成形條件參數; 其中,該處理器執行以下的處理,不斷重複第1以及第2成形條件參數的變更以及物理量資料的取得,藉以製作機械學習用的資料集: 從設定於成形機的第1成形條件參數以及第2成形條件參數之中,變更第1成形條件參數,使得成形品的品質惡化; 取得物理量資料,該物理量資料表示設定有使得成形品的品質惡化的第1成形條件參數以及第2成形條件參數的該成形機所製造的成形品的狀態或該成形機的狀態; 變更設定於該成形機的第2成形條件參數; 取得物理量資料,該物理量資料表示設定有第1成形條件參數以及變更後的第2成形條件參數的該成形機所製造的成形品的狀態或該成形機的狀態;以及 將變更前的第2成形條件參數、設定該第2成形條件參數時得到的物理量資料、變更後的第2成形條件參數或第2成形條件參數的變更量、以及設定變更後的第2成形條件參數時得到的物理量資料或基於該物理量資料的評價值對應記憶於記憶部。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021122631A JP2023018475A (ja) | 2021-07-27 | 2021-07-27 | データセット作成方法、学習モデル生成方法、コンピュータプログラム及びデータセット作成装置 |
JP2021-122631 | 2021-07-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202308830A true TW202308830A (zh) | 2023-03-01 |
Family
ID=85086516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111123180A TW202308830A (zh) | 2021-07-27 | 2022-06-22 | 資料集製作方法、學習模型產生方法、可讀取地記錄電腦程式之記錄媒體、及資料集製作裝置 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP4378658A1 (zh) |
JP (1) | JP2023018475A (zh) |
CN (1) | CN117794717A (zh) |
TW (1) | TW202308830A (zh) |
WO (1) | WO2023007945A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013182564A (ja) * | 2012-03-05 | 2013-09-12 | Renesas Electronics Corp | シミュレーション装置、シミュレーション方法及びプログラム |
JP6346128B2 (ja) * | 2015-07-28 | 2018-06-20 | ファナック株式会社 | 最適な操作条件を算出できる射出成形システム及び機械学習器 |
JP7265318B2 (ja) | 2018-03-23 | 2023-04-26 | 株式会社日本製鋼所 | 機械学習器により成形条件を調整する射出成形機システム |
JP2021012475A (ja) * | 2019-07-04 | 2021-02-04 | トヨタ紡織株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP7488638B2 (ja) * | 2019-10-04 | 2024-05-22 | 株式会社日本製鋼所 | 操作量決定装置、成形装置システム、成形機、コンピュータプログラム、操作量決定方法及び状態表示装置 |
-
2021
- 2021-07-27 JP JP2021122631A patent/JP2023018475A/ja active Pending
-
2022
- 2022-06-01 WO PCT/JP2022/022281 patent/WO2023007945A1/ja active Application Filing
- 2022-06-01 EP EP22849024.9A patent/EP4378658A1/en active Pending
- 2022-06-01 CN CN202280052315.3A patent/CN117794717A/zh active Pending
- 2022-06-22 TW TW111123180A patent/TW202308830A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
JP2023018475A (ja) | 2023-02-08 |
EP4378658A1 (en) | 2024-06-05 |
CN117794717A (zh) | 2024-03-29 |
WO2023007945A1 (ja) | 2023-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116568481A (zh) | 注射成型条件生成系统以及方法 | |
US20230373145A1 (en) | Injection molding support system and method | |
US20220339837A1 (en) | Operation Quantity Determination Device, Molding Apparatus System, Molding Machine, Non-Transitory Computer Readable Recording Medium, Operation Quantity Determination Method, and State Display Device | |
JP4536200B2 (ja) | 成形試験システムおよび成形試験方法 | |
TW202308830A (zh) | 資料集製作方法、學習模型產生方法、可讀取地記錄電腦程式之記錄媒體、及資料集製作裝置 | |
WO2022054463A1 (ja) | 機械学習方法、コンピュータプログラム、機械学習装置及び成形機 | |
US20210213662A1 (en) | Method for controlling a machine for processing plastics | |
WO2021079751A1 (ja) | 学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機及び成形装置システム | |
WO2023032375A1 (ja) | 成形条件パラメータ調整方法、コンピュータプログラム、成形条件パラメータ調整装置及び成形機 | |
WO2024106002A1 (ja) | 成形条件修正装置、成形機、成形条件修正方法及びコンピュータプログラム | |
WO2024111172A1 (ja) | 成形品品質ばらつき推定装置、成形品品質ばらつき推定方法、及び射出成形システム | |
JP2023017386A (ja) | 成形条件調整方法、コンピュータプログラム、成形条件調整装置及び射出成形機 | |
WO2024122169A1 (ja) | 自動評価装置、自動評価方法及びコンピュータプログラム | |
WO2022196755A1 (ja) | 強化学習方法、コンピュータプログラム、強化学習装置及び成形機 | |
JP2024082567A (ja) | 自動評価装置、自動評価方法及びコンピュータプログラム | |
WO2023037676A1 (ja) | 射出成形機、制御方法及びコンピュータプログラム | |
WO2023032402A1 (ja) | Pvt特性計算モデル推定システムおよび方法 | |
JP2024018556A (ja) | 成形条件調整装置、成形機、成形条件調整方法及びコンピュータプログラム | |
JP2023120015A (ja) | 成形条件調整方法、コンピュータプログラム、成形条件調整装置及び射出成形機 | |
JP2023043530A (ja) | 寿命推定方法、寿命推定装置及びコンピュータプログラム | |
CN117921966A (zh) | 信息处理装置、注射成型机及程序 |