WO2020100726A1 - 樹脂成形解析方法、プログラムおよび記録媒体 - Google Patents

樹脂成形解析方法、プログラムおよび記録媒体 Download PDF

Info

Publication number
WO2020100726A1
WO2020100726A1 PCT/JP2019/043782 JP2019043782W WO2020100726A1 WO 2020100726 A1 WO2020100726 A1 WO 2020100726A1 JP 2019043782 W JP2019043782 W JP 2019043782W WO 2020100726 A1 WO2020100726 A1 WO 2020100726A1
Authority
WO
WIPO (PCT)
Prior art keywords
molded product
resin
resin molding
molding
information
Prior art date
Application number
PCT/JP2019/043782
Other languages
English (en)
French (fr)
Inventor
山田　高光
正人 廣井
Original Assignee
東レエンジニアリング株式会社
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
Priority claimed from JP2019199733A external-priority patent/JP7118941B2/ja
Application filed by 東レエンジニアリング株式会社 filed Critical 東レエンジニアリング株式会社
Publication of WO2020100726A1 publication Critical patent/WO2020100726A1/ja

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Definitions

  • the present invention relates to a resin molding analysis method, a program, and a recording medium.
  • Patent Document 1 a resin molding condition is set, a molding simulation including a flow analysis is performed, and molding constraint conditions relating to a weld (resin merging portion) and an air trap (mixing of air bubbles) are set for a result of the molding simulation.
  • a molding simulation method resin molding analysis method in which it is determined whether or not the conditions are satisfied, the resin molding conditions are changed, and molding simulation is repeated.
  • the present invention has been made to solve the above problems, and an object of the present invention is to provide a resin capable of suppressing an increase in processing time when performing analysis of resin molding.
  • a molding analysis method, a program, and a recording medium are provided.
  • a resin molding analysis method relates to a resin molding condition information and a resin by correlating an output value based on an actually measured value of a characteristic of a corresponding resin molded product.
  • the characteristics of the resin molded product are estimated based on a plurality of accumulated resin molding information from the inputted resin molding conditions and output as characteristic information.
  • the characteristic information of the resin molded product can be output without performing the simulation by configuring as described above. Therefore, the simulation is performed once or plural times. Compared with the case, it is possible to suppress an increase in processing time when performing analysis of resin molding.
  • the characteristics of the resin molded product are estimated based on multiple resin molding information that is obtained by actually measuring the characteristics of the resin molded product, the characteristics of the resin molded product can be compared to when the characteristics are estimated only by simulation. Can be estimated according to the measured value.
  • it is possible to utilize a plurality of accumulated resin molding information it is possible to more accurately estimate the characteristics of the resin molded product as compared with the case where the characteristics of the resin molded product are individually estimated.
  • the resin molding analysis method preferably, based on the input resin molding conditions, based on a plurality of accumulated resin molding information, a resin state at the time of molding and details of characteristics of a molded product Parameters for simulation are estimated and simulation is performed using the estimated parameters.
  • the parameters for performing the simulation can be adjusted based on the accumulated plurality of pieces of resin molding information. Therefore, the parameters of the simulation capable of accurately estimating the characteristics of the resin molded product. Can be easily set.
  • machine learning is performed based on a plurality of resin molding information including resin molding condition information and actual measurement values of the characteristics of the corresponding resin molded product, and molding is performed based on the plurality of resin molding information.
  • the parameters are optimized when performing a simulation of the resin state at the time and the details of the characteristics of the molded product. According to this structure, the parameters at the time of performing the simulation are optimized, so that the parameters for the simulation capable of accurately estimating the characteristics of the resin molded product can be set more easily.
  • the resin molding conditions are classified based on the plurality of resin molding information, and the resin of the corresponding classification is classified based on the input resin molding conditions.
  • the parameters of the molding information are used to simulate the state of the resin during molding and the details of the characteristics of the molded product. According to this structure, it is possible to narrow down the resin molding information to be used by classifying the accumulated plural resin molding information, and thus it is possible to easily set the parameter of the corresponding resin molding information.
  • the resin molding conditions are classified based on a plurality of resin molding information, and from the input resin molding conditions, based on the resin molding information of the corresponding classification, The characteristics of the resin molded product are estimated and output as characteristic information. According to this structure, the characteristics of the resin molded product can be more accurately and quickly estimated based on the resin molding information of the corresponding classification.
  • the classification of the resin molding conditions is the size of the molded product, the complexity of the molded product, the shape of the molded product, the resin data, the molding conditions. At least one of them is digitized. According to this structure, by digitizing at least one of the size of the molded product, the complexity of the molded product, the shape of the molded product, the resin data, and the molding condition, the resin molding condition can be easily set for each similar condition. Can be classified into.
  • the characteristic of the molded product is at least the warp of the molded product, the pressure during molding, the temperature during molding, the orientation of the molded product, and the weld state of the molded product. Including one.
  • the characteristics of the molded product include the warpage of the molded product, the pressure during molding, the temperature during molding, the orientation of the molded product, and the weld condition of the molded product. At least one can be acquired.
  • the characteristics of the molded product are a resin filling pattern, appearance characteristics of the molded product, resin physical property values of the molded product, strain during molding, mass of the molded product, molding Length of product, distortion of molded product, stress of molded product, mechanical property of molded product, thermal property of molded product, electrical property of molded product, chemical property of molded product, molding property of molded product, molding At least one of the optical characteristics of the product and the color tone of the molded product is included.
  • the output value based on the actual measurement value of the characteristic of the resin molded product is machine-learned between the actual measurement value of the characteristic and the actual measurement value of the characteristic. And the interpolated value interpolated as a result. According to this structure, even if the number of actually measured values is not sufficient, the interpolated value can be acquired by machine learning, so that the number of output value data can be easily increased.
  • the physical property values of the same kind of resin material in different states are predicted based on the known physical property values of the resin material.
  • the known resin Based on the physical property value of the material, it is possible to predict and acquire the physical property value of the resin material of the same type and in a different state used for resin molding, so that the simulation can be performed based on the acquired physical property value of the resin material. .. Further, since it is not necessary to actually measure the physical property value of the unknown resin material, it is not necessary to separately provide a measuring device for measuring the physical property value of the resin material.
  • the physical property values of the same kind of resin material in different states are predicted based on the basic information of the known resin material and the content rate of the recycled material contained in the resin material. According to this structure, even if the recycled material that is molded and subjected to heat is mixed with the resin material and used, the physical property value of the resin material can be predicted and acquired, and thus the resin containing the recycled material can be obtained. It is possible to accurately perform a simulation when resin molding is performed using a material.
  • the program according to the second aspect of the present invention causes a computer to execute the resin molding analysis method according to the first aspect.
  • the storage medium according to the third aspect of the present invention has the program according to the second aspect recorded therein and is readable by a computer.
  • the storage medium according to the third aspect of the present invention by recording the program according to the second aspect, it is possible to suppress the increase in processing time at the time of performing the analysis of resin molding and can be read by a computer.
  • a recording medium can be provided.
  • FIG. 6 is a diagram for explaining output of characteristic information according to an embodiment. It is a figure for demonstrating the optimization of the parameter at the time of performing a simulation by one Embodiment. It is a figure for explaining classification of resin molding conditions by one embodiment. It is a figure for demonstrating the interpolation of the characteristic of the resin molded product by one Embodiment. It is a flow chart for explaining the 1st example of the resin molding analysis processing by one embodiment. It is a flow chart for explaining the 2nd example of the resin molding analysis processing by one embodiment.
  • FIG. 6 is a flowchart illustrating a learning phase according to an exemplary embodiment. 6 is a flowchart illustrating an operation phase according to an embodiment.
  • the resin molding analysis method includes at least one of warpage of a molded product, pressure during molding, temperature during molding, orientation of the molded product, and weld state of the molded product when molding a resin. This is a method of analyzing the characteristics of a molded product. Also, when developing a new molded product, we propose suitable parameters from the product category and product shape feature amount.
  • the resin molding analysis method according to the present embodiment can be implemented by causing the computer 1 to execute the program 3a.
  • the resin molding analysis method can be implemented, for example, by an apparatus configuration as shown in FIG.
  • the computer 1 is configured to be able to execute the program 3a.
  • the resin molding analysis apparatus 100 is configured by causing the computer 1 to execute the program 3a. Part or all of the processing performed by causing the computer 1 to execute the program 3a may be performed by hardware such as a dedicated arithmetic circuit.
  • a computer 1 includes a storage unit including one or more processors 2 including a CPU (Central Processing Unit), a ROM (Read Only Memory), a RAM (Random Access Memory), and a storage device. 3 and 3.
  • the storage device is, for example, a hard disk drive or a semiconductor storage device.
  • the computer 1 can perform resin molding analysis by causing the processor 2 to execute the program 3a stored in the storage unit 3.
  • the program 3a may be provided from an external server or the like via a network such as the Internet or a transmission path 8 such as a LAN (Local Area Network).
  • the recording medium 7 is a computer-readable recording medium such as an optical disk, a magnetic disk, a non-volatile semiconductor memory, and the program 3a is recorded therein.
  • the storage unit 3 stores various kinds of analysis data 3b used for performing resin molding analysis.
  • the analysis data 3b includes resin molding condition information and resin molding information including the characteristics of the resin molded product, parameters, product category information, and shape characteristics when simulating the state of the resin at the time of molding and the detailed characteristics of the molded product.
  • the amount, optimum parameter group, error rate, numerical data used for analysis, data of analysis conditions, etc. are stored.
  • the computer 1 also includes a display unit 4 such as a liquid crystal display device, an input unit 5 including input devices such as a keyboard and a mouse, and a reading unit 6 for reading the program 3a and various data from a recording medium 7.
  • the reading unit 6 is a reader device or the like according to the type of the recording medium 7.
  • the analysis condition data can be input by the user using the input unit 5.
  • the analysis data 3b may be read from a recording medium created by the user or may be created by the user in an external server or the like and acquired from the external server via the transmission path 8.
  • the resin molding analysis method includes a learning phase and an operation phase.
  • the learning phase as shown in FIG. 2, resin molding information is accumulated.
  • the accumulated resin molding information is learned by machine learning. Specifically, the accumulation of the resin molding information is input as the resin molding condition information in association with the input condition definition and the actually measured value of the characteristic of the molded product.
  • Input condition definition is product category information (use, field), analysis (calculation) mesh information (element type, number of elements, number of nodes, division condition, element quality), resin data (resin maker, grade name, base resin, latent heat) , Solidification temperature, density, specific heat, thermal conductivity, melt viscosity, PVT data, elastic modulus, Poisson's ratio, linear expansion coefficient, molding shrinkage, mechanical strength, physical properties of reinforcing material, content of reinforcing material, viscoelastic property (prony Series, shift factor), optical properties (stress optical coefficient, photoelastic coefficient, refractive index, molecular structure, gelation reaction rate, heat of curing reaction), molding conditions (time, filling rate, upper pressure limit, screw position, screw speed) , Flow rate, measuring position, resin temperature, mold temperature, VP switching timing, holding pressure, holding time, in-mold cooling condition, cycle time), mold condition (gate position, number of gate points, runner layout, cooling circuit, protrusion) Pin arrangement), boundary conditions (
  • the characteristics of the molded product include the warpage of the molded product, the pressure during molding, the temperature during molding, the orientation of the molded product, and the weld state of the molded product.
  • the characteristics of the molded product include the appearance quality of the molded product (weld line, flow mark, surface sink, burn transfer failure, etc.), physical property quality (residual stress, strength, rigidity), dimensional quality (warpage, sink, transferability). ), Including optical characteristics (birefringence).
  • the characteristics of the molded product include the resin filling pattern, the appearance characteristics of the molded product, the physical properties of the resin of the molded product, the strain during molding, the mass of the molded product, the length of the molded product, the distortion of the molded product, and the At least one of stress, mechanical property of molded product, thermal property of molded product, electrical property of molded product, chemical property of molded product, molding property of molded product, optical property of molded product, color tone of molded product. Including one. Further, the characteristics of the molded product include at least those defined by actual measurement values, and include not only quantitative ones but also qualitative indicators.
  • the characteristics of molded products as measurable measured values are the weight, length, warp (strain), stress, mechanical properties, thermal properties, electrical properties, resin physical properties, and chemical properties of molded products. , Molding characteristics, optical characteristics, appearance characteristics, and color tone.
  • the shape feature amount is calculated from the three-dimensional CAD data or the analysis mesh.
  • the recommended module is selected from the user information (license information).
  • the analysis condition generated from the parameter factor and the number of levels is generated.
  • simulation is performed and analysis is executed.
  • the difference between the analysis result output by the simulation and the actual measurement value is acquired, and the error rate is evaluated.
  • the optimum parameter group is obtained from the error rate between the analysis result and the actual measurement value. That is, machine learning is performed based on a plurality of resin molding information including resin molding condition information and actual measurement values obtained by actually measuring the characteristics of the corresponding resin molded product, and based on the plurality of resin molding information, Optimize the parameters when simulating the state and the detailed characteristics of the molded product. Then, the product category information, the shape feature amount, the optimum parameter group, and the error rate are stored. Further, the correlation of each of the product category information, the shape feature amount, the optimum parameter group, and the error rate is calculated.
  • the contribution of multiple influencing factors is calculated for the characteristics of the molded product (for example, warpage).
  • the influencing factors include the shape of the molded product, the molding conditions, and the properties of the resin.
  • the contribution degree the contribution ratios of a plurality of influencing factors are calculated.
  • the contribution ratio of the influencing factor can be determined by, for example, varying one influencing factor and comparing a plurality of resin molding information in which other influencing factors are fixed, and how much the influencing factor contributes to the characteristics of the molded product. Is calculated.
  • Parameters that affect the mold cooling analysis (refrigerant temperature, refrigerant flow rate), parameters that affect the filling / holding pressure cooling analysis (resin data, product wall thickness, air in the mold), orientation distribution analysis Affecting parameters (interference coefficient between fibers, fiber content, fiber length, aspect ratio), parameters affecting analysis of shrinkage distribution (timing of shrinkage start, solidification state), parameters affecting analysis of physical property distribution (Elastic modulus, Poisson's ratio, viscoelastic properties), etc. are included.
  • Parameters are product category information (use, field), analysis mesh information (element type, number of elements, number of nodes, division condition, element quality), resin data (resin maker, grade name, base resin, latent heat, solidification temperature) , Density, specific heat, thermal conductivity, melt viscosity, PVT data, elastic modulus, Poisson's ratio, linear expansion coefficient, molding shrinkage, mechanical strength, reinforcing material properties, reinforcing material content, viscoelastic characteristics (Prony series, shift) Factor), optical characteristics (stress optical coefficient, photoelastic coefficient, refractive index, molecular structure, gelation reaction rate, heat of curing reaction), molding conditions (time, filling rate, upper pressure limit, screw position, screw speed, flow rate, Measuring position, resin temperature, mold temperature, VP switching timing, pressure holding, pressure holding time, in-mold cooling conditions, cycle time), mold conditions (gate position, number of gate points, runner layout, cooling circuit, protruding pin arrangement) , Boundary conditions
  • the parameters include the shape of the analysis target (molded product shape, runner shape, mold shape, gate position), the calculation model of the analysis target, the resin physical property value, and the shape feature amount.
  • shape of the analysis target molded product shape, runner shape, mold shape, gate position
  • calculation model of the analysis target the resin physical property value
  • shape feature amount the shape feature amount
  • the accuracy of the simulation using the parameters optimized by machine learning is confirmed from the accumulated multiple resin molding information.
  • the resin molding condition information having the measured value is input, and the characteristic of the resin molded product output by the simulation is compared with the characteristic of the resin molded product based on the measured value to confirm the accuracy of the simulation.
  • about 80% of the measured value data is used for machine learning, and about 20% of the measured value data is used for checking the accuracy of simulation using machine learning and optimized parameters.
  • the characteristics of the resin molded product are estimated based on a plurality of accumulated resin molding information and output as characteristic information.
  • the parameters for performing simulation of the resin state during molding and the detailed characteristics of the molded product are estimated, and the estimated parameters Simulation is performed using. That is, in the operation phase, the simulation is performed using the optimum parameters registered for each category. Also, after selecting a category, a simulation is performed using the optimum parameters of information in which the shape feature values are close.
  • resin molding conditions are classified based on a plurality of resin molding information.
  • the classification of the resin molding conditions is performed by digitizing at least one of the size of the molded product, the complexity of the molded product, the shape of the molded product, the resin data, and the molding condition.
  • the classification of resin molding conditions is performed by digitizing characteristic quantities (for example, volume, surface area, wall thickness distribution, complexity, self-organizing map, etc.) representing the shape of a molded product.
  • the size of the molded product is quantified based on the surface area, volume, etc. of the molded product.
  • the complexity of the molded product and the shape of the molded product are quantified based on the protrusions, notches, holes, curvatures, etc. of the molded product.
  • Resin data is quantified based on density, specific heat, thermal conductivity, Young's modulus, Poisson's ratio, linear expansion coefficient, melt viscosity, PVT data, physical properties of reinforcing material, viscoelastic property, and optical property.
  • the molding conditions are quantified based on injection time, resin temperature, mold temperature, VP switching timing, pressure holding condition, cooling condition, cycle time, molding machine condition and the like.
  • a simulation of the state of the resin at the time of molding and the details of the characteristics of the molded product is performed using the parameters of the resin molding information of the corresponding classification. For example, based on the inputted resin molding conditions, resin molding information of the same classification or a similar classification is presented. The user selects the resin molding information, so that the simulation is performed in the state where the parameters based on the selected resin molding information are set. In this case, the characteristics of the resin molded product are estimated by mathematical analysis.
  • the characteristics of the resin molded product are estimated and output as the characteristic information based on the resin molding information of the corresponding classification. For example, resin molding information of the same classification or a similar classification is selected based on the input resin molding conditions. Then, from the resin molding information of the selected classification, the characteristics of the resin molded product under the input resin molding conditions are estimated and output. In this case, the characteristics of the resin molded product are estimated by statistical analysis.
  • the output value based on the actually measured value of the characteristic of the resin molded product is the actually measured value of the characteristic and the interpolated value obtained by interpolating the actually measured value of the characteristic by machine learning. Including. As shown in FIG. 6, based on the resin molding condition information and the actual measurement value of the characteristic of the resin molded product related to the resin molding condition information, the part where the condition is insufficient is interpolated by machine learning.
  • the birefringence of the molded product is measured by a birefringence measuring device.
  • the pressure during molding is measured by a pressure sensor provided on the mold.
  • the temperature at the time of molding is measured by a temperature sensor provided in the mold or a thermograph of the mold.
  • the displacement of the resin material is measured by a contact type three-dimensional measuring device or a non-contact type three-dimensional measuring device.
  • Machine learning An example of machine learning used in the learning phase will be described.
  • Machine learning is performed by methods such as regression, decision tree, neural network, Bayes, clustering, and ensemble learning.
  • the outline of the first example of the resin molding analysis process will be described with reference to FIG. 7.
  • the resin molding analysis process is executed by the computer 1 (processor 2).
  • step S1 the input resin molding conditions (analysis mesh, molding conditions, resin data) are acquired.
  • step S2 the characteristic (warp) of the resin molded product is statistically estimated and output based on the accumulated resin molding information. In this case, the contribution degree of the influencing factor of the sled is calculated and presented.
  • step S3 it is determined whether or not an instruction to perform the warp analysis is given. If the warp analysis is performed, the process proceeds to step S4. If the warp analysis is not performed, the process proceeds to step S5. In step S4, simulation analysis is performed using the optimum parameters. As a result, the warp analysis is performed by simulation separately from the statistical analysis in step S2. Then, it progresses to step S5.
  • step S5 it is determined whether or not an instruction to take measures against the sled is given. If the warpage countermeasure is to be taken, the operation proceeds to step S6. If the warpage countermeasure is not to be taken, the operation proceeds to step S7. In step S6, the shape factor analysis, the optimum condition analysis, and the warpage reducing material are adopted, and the warpage countermeasure is taken. Then, it progresses to step S7.
  • step S7 it is determined whether or not an instruction to end the resin molding analysis process is given. If not finished, the process proceeds to step S8, and if finished, the resin molding analysis process is finished. In step S8, the condition is changed and the process returns to step S3.
  • the outline of the second example of the resin molding analysis process will be described with reference to FIG.
  • the resin molding analysis process is executed by the computer 1 (processor 2).
  • step S11 the input resin molding conditions (analysis mesh, molding conditions, resin data) are acquired.
  • step S12 the characteristics of the resin molded product are statistically estimated and output based on the accumulated resin molding information. In this case, the contribution of the influencing factor is calculated and presented.
  • step S13 it is determined whether or not an instruction to perform a molding simulation (including mold cooling analysis, material filling analysis, pressure holding / cooling analysis, warpage analysis, etc.) has been given. If the molding simulation is performed, the process proceeds to step S14. If the molding simulation is not performed, the process proceeds to step S15. In step S14, simulation analysis is performed using the optimum parameters. As a result, the analysis of the sled is performed by simulation separately from the statistical analysis of step S12. Then, it progresses to step S15.
  • a molding simulation including mold cooling analysis, material filling analysis, pressure holding / cooling analysis, warpage analysis, etc.
  • step S15 it is determined whether or not an instruction to take measures has been given. If a countermeasure is taken, the process proceeds to step S16, and if no countermeasure is taken, the process proceeds to step S17.
  • step S16 the shape of the molded product is changed, the molding conditions are changed, and the mold requirements are changed (gate position, runner layout, nested structure), and countermeasures are taken. Then, it progresses to step S17.
  • step S17 it is determined whether or not an instruction to end the resin molding analysis process is given. If not finished, the process proceeds to step S18, and if finished, the resin molding analysis process is finished. In step S18, the condition is changed and the process returns to step S13.
  • the physical property values of the same kind of resin material in different states are predicted based on the known physical property values of the resin material. Specifically, the physical property values of the same kind of resin material in different states are predicted based on the basic information of the known resin material and the content rate of the recycled material contained in the resin material.
  • resin materials may be used for molding by mixing some recycled materials with virgin materials. It is known that the recycled material has already undergone a heat history and the reinforcing material has been broken, and the physical properties of the recycled material are significantly different from those of the virgin material. The physical property value of the resin material also changes depending on the content rate of the recycled material. However, considering the labor and cost of measurement, it is difficult to prepare material data for accurate simulation when mixing recycled materials.
  • material property values for molding simulation are generated when materials with multiple compositions are combined.
  • the resin physical property value is output.
  • the basic information is based on the catalog information provided by the resin manufacturer.
  • the resin physical properties of the resin materials of grade A, grade B, and grade C are known, and the physical properties of the resin material of grade C of the resin grade are unknown.
  • the physical property value of an unknown resin material used for resin molding is predicted based on the physical property values of a plurality of known resin materials.
  • the material physical property value when an arbitrary recycled material content is included is predicted.
  • step S21 resin molding conditions (basic information, recycled material content) are input.
  • step S22 a molding simulation is performed.
  • step S23 the difference (error) between the analysis result (simulation result) and the actual measurement value is extracted.
  • step S24 the characteristics (feature amount) of the resin molded product and the error are machine-learned.
  • step S31 resin molding conditions (basic information, recycled material content rate) are input in step S31.
  • step S32 the optimum parameter (resin physical property value) is estimated from the characteristic amount of the molded product.
  • step S33 a molding simulation is performed based on the estimated parameters to predict the characteristics after molding.
  • the characteristics of the resin molded product are estimated based on the input resin molding conditions based on the plurality of accumulated resin molding information and output as the characteristic information.
  • the characteristic information of the resin molded product can be output without performing the simulation, it is possible to increase the processing time when the resin molding is analyzed as compared with the case where the simulation is performed once or a plurality of times. Can be suppressed.
  • the characteristics of the resin molded product are estimated based on multiple resin molding information that is obtained by actually measuring the characteristics of the resin molded product, the characteristics of the resin molded product can be compared to when the characteristics are estimated only by simulation. Can be estimated according to the measured value.
  • it is possible to utilize a plurality of accumulated resin molding information it is possible to more accurately estimate the characteristics of the resin molded product as compared with the case where the characteristics of the resin molded product are individually estimated.
  • a simulation of the state of the resin at the time of molding and the details of the characteristics of the molded product is performed based on a plurality of accumulated resin molding information from the inputted resin molding conditions. Estimate the parameters at the time, and perform the simulation using the estimated parameters. As a result, the parameters for performing the simulation can be adjusted based on the accumulated plurality of pieces of resin molding information, so that the parameters of the simulation can be easily set, with which the characteristics of the resin molded product can be accurately estimated. can do.
  • machine learning is performed based on a plurality of resin molding information including the resin molding condition information and the actual measurement values obtained by actually measuring the characteristics of the corresponding resin molded product, and a plurality of resin moldings are performed.
  • the parameters are optimized when the simulation of the resin state during molding and the detailed characteristics of the molded product is performed.
  • the parameters at the time of performing the simulation are optimized, so that the parameters of the simulation capable of accurately estimating the characteristics of the resin molded product can be set more easily.
  • the resin molding conditions are classified based on the plurality of resin molding information, and the parameters of the resin molding information of the corresponding classification are used based on the input resin molding conditions.
  • a simulation of the state of the resin during molding and the details of the characteristics of the molded product is performed. Accordingly, by classifying a plurality of accumulated resin molding information, it is possible to narrow down the resin molding information to be used, so that the parameter of the corresponding resin molding information can be easily set.
  • the resin molding conditions are classified based on the plurality of resin molding information, and the resin molded products are input from the input resin molding conditions based on the corresponding classification resin molding information. And estimates and outputs the characteristic as the characteristic information. Thereby, the characteristics of the resin molded product can be more accurately and quickly estimated based on the resin molding information of the corresponding classification.
  • the classification of the resin molding conditions is performed by digitizing at least one of the size of the molded product, the complexity of the molded product, the molded product shape, the resin data, and the molding condition. ..
  • the resin molding conditions can be easily classified for each similar condition by digitizing at least one of the size of the molded product, the complexity of the molded product, the shape of the molded product, the resin data, and the molding condition. You can
  • the characteristic of the molded product is at least one of the warp of the molded product, the pressure at the time of molding, the temperature at the time of molding, the orientation of the molded product, and the weld state of the molded product. Including.
  • the characteristics of the molded product such as the warp of the molded product, the pressure at the time of molding, the temperature at the time of molding, the orientation of the molded product, and the weld state of the molded product.
  • the characteristics of the molded product include a resin filling pattern, appearance characteristics of the molded product, resin physical property values of the molded product, strain during molding, mass of the molded product, and length of the molded product. Strain of molded product, stress of molded product, mechanical property of molded product, thermal property of molded product, electrical property of molded product, chemical property of molded product, molding property of molded product, optics of molded product At least one of the physical properties and the color tone of the molded product.
  • the characteristics of the molded product include the resin filling pattern, the appearance characteristics of the molded product, the resin physical properties of the molded product, the strain during molding, the mass of the molded product, and the length of the molded product. Strain of molded product, stress of molded product, mechanical property of molded product, thermal property of molded product, electrical property of molded product, chemical property of molded product, molding property of molded product, optics of molded product It is possible to acquire at least one of the physical property and the color tone of the molded product.
  • the output value based on the actually measured value of the characteristic of the resin molded product is interpolated by machine learning between the actually measured value of the characteristic and the actually measured value of the characteristic. And the interpolated value that has been set. With this, even if the number of actually measured values is not sufficient, the interpolated value can be acquired by machine learning, so that the number of output value data can be easily increased.
  • the physical property values of the same kind of resin material in different states are predicted based on the known physical property values of the resin material.
  • the same type and state used for resin molding Since it is possible to predict and acquire the physical property values of different resin materials, it is possible to perform a simulation based on the acquired physical property values of the resin material. Further, since it is not necessary to actually measure the physical property value of the unknown resin material, it is not necessary to separately provide a measuring device for measuring the physical property value of the resin material.
  • the physical property values of the same kind of resin material in different states are predicted based on the basic information of the known resin material and the content rate of the recycled material contained in the resin material. This makes it possible to predict and obtain the physical property values of the resin material even when the recycled material that has been molded and that has been subjected to heat is mixed with the resin material, so use a resin material that contains recycled material. It is possible to accurately perform a simulation when performing resin molding.
  • the characteristic of the molded product is an example of a configuration including at least one of the warp of the molded product, the pressure during molding, the temperature during molding, the orientation of the molded product, and the weld state of the molded product.
  • the characteristics of the molded product may include characteristics other than the above.
  • the classification of the resin molding conditions shows an example of a configuration in which at least one of the size of the molded product, the complexity of the molded product, the molded product shape, the resin data, and the molding condition is digitized.
  • the present invention is not limited to this.
  • the classification of the resin molding conditions may be performed by digitizing the elements other than the above, or may be performed without digitizing the above elements and other elements.
  • the plurality of resin molding information may be stored in a computer that estimates the characteristic information of the resin molded product, or an external computer provided separately from the computer that estimates the characteristic information of the resin molded product. It may be stored in a device such as a server.
  • the processing operation of the computer was described using the flow-driven flowchart that sequentially performs processing along the processing flow, but the present invention is not limited to this.
  • the processing operation of the computer may be performed by an event driven type (event driven type) processing that executes processing in units of events.
  • the event may be completely event driven, or may be performed by combining event driving and flow driving.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Mechanical Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

樹脂成形の解析を行う際の処理時間が増大するのを抑制することが可能な樹脂成形解析方法を提供する。具体的には、樹脂成形条件情報と、対応する樹脂成形品の特性を実測した実測値に基づく出力値とを関係付けて樹脂成形情報として蓄積し、入力された樹脂成形条件から、蓄積された複数の樹脂成形情報に基づいて、樹脂成形品の特性を推定して特性情報として出力する。

Description

樹脂成形解析方法、プログラムおよび記録媒体
　この発明は、樹脂成形解析方法、プログラムおよび記録媒体に関する。
　従来、樹脂成形解析方法が知られている（たとえば、特許文献１参照）。
　特許文献１には、樹脂成形の条件を設定し、流動解析を含む成形シミュレーションを行い、成形シミュレーションの結果に対して、ウェルド（樹脂合流部分）やエアトラップ（気泡の混入）に関する成形制約条件を満たすか否かを判定し、樹脂成形の条件を変更して、成形シミュレーションを反復して行う成形シミュレーション方法（樹脂成形解析方法）が開示されている。
特開２００５－１６９７６６号公報
　しかしながら、上記特許文献１の成形シミュレーション方法（樹脂成形解析方法）では、樹脂成形の条件を変更して、成形シミュレーションを反復して行うため、１つの成形品の解析を行うのに、複数回の成形シミュレーションを行う必要がある。このため、樹脂成形の解析を行う際の処理時間が増大するという問題点がある。
　この発明は、上記のような課題を解決するためになされたものであり、この発明の１つの目的は、樹脂成形の解析を行う際の処理時間が増大するのを抑制することが可能な樹脂成形解析方法、プログラムおよび記録媒体を提供することである。
　上記目的を達成するために、この発明の第１の局面による樹脂成形解析方法は、樹脂成形条件情報と、対応する樹脂成形品の特性を実測した実測値に基づく出力値とを関係付けて樹脂成形情報として蓄積し、入力された樹脂成形条件から、蓄積された複数の樹脂成形情報に基づいて、樹脂成形品の特性を推定して特性情報として出力する。
　この発明の第１の局面による樹脂成形解析方法では、上記のように構成することによって、シミュレーションを行うことなく樹脂成形品の特性情報を出力することができるので、シミュレーションを１回または複数回行う場合に比べて、樹脂成形の解析を行う際の処理時間が増大するのを抑制することができる。また、樹脂成形品の特性を実測した実測値を蓄積した複数の樹脂成形情報に基づいて樹脂成形品の特性を推定するので、シミュレーションのみにより特性を推定する場合に比べて、樹脂成形品の特性を実測値に即して推定することができる。また、蓄積した複数の樹脂成形情報を活用することができるので、個別に樹脂成形品の特性を推定する場合に比べて、樹脂成形品の特性をより精度よく推定することができる。
　上記第１の局面による樹脂成形解析方法において、好ましくは、入力された樹脂成形条件から、蓄積された複数の樹脂成形情報に基づいて、成形時の樹脂の状態と成形品の特性の詳細とのシミュレーションを行う際のパラメータを推定し、推定したパラメータを用いてシミュレーションを行う。このように構成すれば、シミュレーションを行う際のパラメータを、蓄積された複数の樹脂成形情報に基づいて調整することができるので、樹脂成形品の特性を精度よく推定することが可能なシミュレーションのパラメータを容易に設定することができる。
　この場合、好ましくは、樹脂成形条件情報と、対応する樹脂成形品の特性を実測した実測値とを含む複数の樹脂成形情報に基づいて機械学習を行い、複数の樹脂成形情報に基づいて、成形時の樹脂の状態と成形品の特性の詳細とのシミュレーションを行う際のパラメータの最適化を行う。このように構成すれば、シミュレーションを行う際のパラメータの最適化が行われるので、樹脂成形品の特性を精度よく推定することが可能なシミュレーションのパラメータをより容易に設定することができる。
　上記複数の樹脂成形情報に基づいて機械学習を行う構成において、好ましくは、複数の樹脂成形情報に基づいて、樹脂成形条件を分類し、入力された樹脂成形条件に基づいて、対応する分類の樹脂成形情報のパラメータを用いて成形時の樹脂の状態と成形品の特性の詳細とのシミュレーションを行う。このように構成すれば、蓄積された複数の樹脂成形情報を分類することにより、使用する樹脂成形情報を絞ることができるので、対応する樹脂成形情報のパラメータを容易に設定することができる。
　上記第１の局面による樹脂成形解析方法において、好ましくは、複数の樹脂成形情報に基づいて、樹脂成形条件を分類し、入力された樹脂成形条件から、対応する分類の樹脂成形情報に基づいて、樹脂成形品の特性を推定して特性情報として出力する。このように構成すれば、対応する分類の樹脂成形情報に基づいて、樹脂成形品の特性をより精度よくかつ迅速に推定することができる。
　上記複数の樹脂成形情報に基づいて、樹脂成形条件を分類する構成において、好ましくは、樹脂成形条件の分類は、成形品の大きさ、成形品の複雑度、成形品形状、樹脂データ、成形条件のうち少なくとも１つを数値化して行う。このように構成すれば、成形品の大きさ、成形品の複雑度、成形品形状、樹脂データ、成形条件のうち少なくとも１つを数値化することにより、類似の条件ごとに樹脂成形条件を容易に分類することができる。
　上記第１の局面による樹脂成形解析方法において、好ましくは、成形品の特性は、成形品のそり、成形時の圧力、成形時の温度、成形品の配向、成形品のウェルドの状態のうち少なくとも１つを含む。このように構成すれば、樹脂成形条件を入力することにより、成形品の特性として、成形品のそり、成形時の圧力、成形時の温度、成形品の配向、成形品のウェルドの状態のうち少なくとも１つを取得することができる。
　上記第１の局面による樹脂成形解析方法において、好ましくは、成形品の特性は、樹脂の充填パターン、成形品の外観特性、成形品の樹脂物性値、成形時のひずみ、成形品の質量、成形品の長さ、成形品の歪み、成形品の応力、成形品の機械的特性、成形品の熱的特性、成形品の電気的特性、成形品の化学的特性、成形品の成形特性、成形品の光学的特性、成形品の色調のうち少なくとも１つを含む。このように構成すれば、樹脂成形条件を入力することにより、成形品の特性として、樹脂の充填パターン、成形品の外観特性、成形品の樹脂物性値、成形時のひずみ、成形品の質量、成形品の長さ、成形品の歪み、成形品の応力、成形品の機械的特性、成形品の熱的特性、成形品の電気的特性、成形品の化学的特性、成形品の成形特性、成形品の光学的特性、成形品の色調のうち少なくとも１つを取得することができる。
　上記第１の局面による樹脂成形解析方法において、好ましくは、樹脂成形品の特性を実測した実測値に基づく出力値は、特性を実測した実測値と、特性を実測した実測値を機械学習を行うことにより補間した補間値とを含む。このように構成すれば、実測値の数が十分でない場合でも、機械学習により補間値を取得することができるので、出力値のデータ数を容易に多くすることができる。
　上記第１の局面による樹脂成形解析方法において、好ましくは、既知の樹脂材料の物性値に基づいて、異なる状態の同種の樹脂材料の物性値を予測する。このように構成すれば、樹脂材料のグレード（特性の優劣を段階的に示した指標）や組成や製法の違いにより、シミュレーションに必要な樹脂材料の物性値が全て分からない場合でも、既知の樹脂材料の物性値に基づいて、樹脂成形に用いられる同種かつ状態の異なる樹脂材料の物性値を予測して取得することができるので、取得した樹脂材料の物性値に基づいてシミュレーションを行うことができる。また、未知の樹脂材料の物性値を、実際に測定する必要がないので、樹脂材料の物性値を測定するための測定装置を別途設ける必要がない。
　この場合、好ましくは、既知の樹脂材料の基本情報と、樹脂材料に含まれるリサイクル材の含有率とに基づいて、異なる状態の同種の樹脂材料の物性値を予測する。このように構成すれば、成形が行われ熱を受けたリサイクル材を樹脂材料に混ぜて使用する場合でも、樹脂材料の物性値を予測して取得することができるので、リサイクル材を含有する樹脂材料を用いて樹脂成形を行う場合のシミュレーションを精度よく行うことができる。
　この発明の第２の局面によるプログラムは、第１の局面による樹脂成形解析方法をコンピュータに実行させる。
　この発明の第２の局面によるプログラムでは、上記第１の局面による樹脂成形解析方法をコンピュータに実行させることにより、樹脂成形の解析を行う際の処理時間が増大するのを抑制することができる。
　この発明の第３の局面による記憶媒体は、第２の局面によるプログラムが記録され、コンピュータにより読み取り可能である。
　この発明の第３の局面による記憶媒体では、上記第２の局面によるプログラムを記録させることにより、樹脂成形の解析を行う際の処理時間が増大するのを抑制することが可能なコンピュータ読み取り可能な記録媒体を提供することができる。
　本発明によれば、上記のように、樹脂成形の解析を行う際の処理時間が増大するのを抑制することができる。
一実施形態による樹脂成形解析方法を実施するための構成例を示したブロック図である。 一実施形態による樹脂成形情報の蓄積を説明するための図である。 一実施形態による特性情報の出力を説明するための図である。 一実施形態によるシミュレーションを行う際のパラメータの最適化を説明するための図である。 一実施形態による樹脂成形条件の分類を説明するための図である。 一実施形態による樹脂成形品の特性の補間を説明するための図である。 一実施形態による樹脂成形解析処理の第１例を説明するためのフローチャートである。 一実施形態による樹脂成形解析処理の第２例を説明するためのフローチャートである。 一実施形態による樹脂物性値の予測処理を説明するための図である。 一実施形態による学習フェーズを説明するためのフローチャートである。 一実施形態による運用フェーズを説明するためのフローチャートである。
　以下、本発明を具体化した実施形態を図面に基づいて説明する。
　図１～図７を参照して、一実施形態による樹脂成形解析方法について説明する。
　本実施形態による樹脂成形解析方法は、樹脂を成形する場合の、成形品のそり、成形時の圧力、成形時の温度、成形品の配向、成形品のウェルドの状態のうち少なくとも１つを含む成形品の特性を解析する方法である。また、新規に成形品を開発する場合には、製品カテゴリ、製品の形状特徴量から適したパラメータを提案する。
（装置構成例）
　本実施形態による樹脂成形解析方法は、コンピュータ１にプログラム３ａを実行させることにより実施することができる。樹脂成形解析方法は、たとえば、図１に示すような装置構成によって実施可能である。コンピュータ１は、プログラム３ａを実行可能に構成されている。コンピュータ１にプログラム３ａを実行させることにより、樹脂成形解析装置１００が構成されている。コンピュータ１にプログラム３ａを実行させることにより行われる処理の一部または全部が、専用の演算回路等のハードウェアによって行われてもよい。
　図１の構成例では、コンピュータ１は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）などからなる１または複数のプロセッサ２と、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）および記憶装置などを含んだ記憶部３とを備える。記憶装置は、たとえば、ハードディスクドライブや半導体記憶装置などである。
　コンピュータ１は、記憶部３に記憶されたプログラム３ａをプロセッサ２に実行させることにより、樹脂成形解析を行うことが可能である。プログラム３ａは、記録媒体７から読み出される他、インターネットなどのネットワークやＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）などの伝送経路８を介して外部サーバなどから提供されてもよい。記録媒体７は、光学ディスク、磁気ディスク、不揮発性半導体メモリなどのコンピュータ読み取り可能な記録媒体であり、プログラム３ａが記録されている。
　記憶部３には、プログラム３ａの他、樹脂成形解析を行うために利用される各種の解析用データ３ｂが記憶されている。解析用データ３ｂは、樹脂成形条件情報および樹脂成形品の特性を含む樹脂成形情報、成形時の樹脂の状態と成形品の特性の詳細とのシミュレーションを行う際のパラメータ、製品カテゴリ情報、形状特徴量、最適なパラメータの群、誤差率、解析に用いる数値データ、解析条件のデータなどが記憶されている。
　また、コンピュータ１は、液晶表示装置などの表示部４、キーボードおよびマウスなどの入力装置からなる入力部５、記録媒体７からプログラム３ａや各種データを読み取るための読取部６を備えている。読取部６は、記録媒体７の種類に応じたリーダ装置などである。解析条件のデータは、入力部５を用いてユーザが入力することができる。解析用データ３ｂは、ユーザが作成した記録媒体から読み出したり、ユーザが外部サーバなどに作成しておいて、伝送経路８を介して外部サーバから取得したりしてもよい。
（樹脂成形解析方法）
　次に、樹脂成形解析方法について説明する。本実施形態では、図２に示すように、樹脂成形条件情報と、対応する樹脂成形品の特性を実測した実測値に基づく出力値とを関係付けて樹脂成形情報として蓄積する。そして、図３に示すように、蓄積された複数の樹脂成形情報に基づいて、樹脂成形品の特性を推定して特性情報として出力する。
　樹脂成形解析方法は、学習フェーズと、運用フェーズとを含んでいる。学習フェーズでは、図２に示すように、樹脂成形情報が蓄積される。また、学習フェーズでは、蓄積された樹脂成形情報が機械学習により学習される。具体的には、樹脂成形情報の蓄積は、樹脂成形条件情報として入力条件定義と、成形品の特性を実測した実測値とが関係付けられて入力される。入力条件定義は、製品カテゴリ情報（用途、分野）、解析（計算）メッシュ情報（要素タイプ、要素数、節点数、分割条件、要素品質）、樹脂データ（樹脂メーカ、グレード名、ベースレジン、潜熱、固化温度、密度、比熱、熱伝導率、溶融粘度、ＰＶＴデータ、弾性率、ポアソン比、線膨張係数、成形収縮率、機械的強度、強化材物性、強化材含有率、粘弾性特性（プロニー級数、シフトファクター）、光学特性（応力光学係数、光弾性係数、屈折率、分子構造、ゲル化反応率、硬化反応熱））、成形条件（時間、充填率、圧力上限、スクリュー位置、スクリュー速度、流量、計量位置、樹脂温度、金型温度、ＶＰ切替タイミング、保圧力、保圧時間、型内冷却条件、サイクルタイム）、金型条件（ゲート位置、ゲート点数、ランナーレイアウト、冷却回路、突き出しピン配置）、境界条件（ノズル部の流量・圧力、熱伝達率、雰囲気温度、雰囲気湿度）、成形機情報（成形機メーカ名、成形機型番、最大射出速度、最大射出圧力、最大保持圧力、スクリュー径、最大型締力、最大射出容量）、成形品の剛性情報を含んでいる。成形品の特性は、成形品のそり、成形時の圧力、成形時の温度、成形品の配向、成形品のウェルドの状態を含んでいる。たとえば、成形品の特性は、成形品の外観品質（ウエルドライン、フローマーク、面ヒケ、焼け転写性不良など）、物性品質（残留応力、強度、剛性）、寸法品質（そり、ヒケ、転写性）、光学特性（複屈折）を含んでいる。
　また、成形品の特性は、樹脂の充填パターン、成形品の外観特性、成形品の樹脂物性値、成形時のひずみ、成形品の質量、成形品の長さ、成形品の歪み、成形品の応力、成形品の機械的特性、成形品の熱的特性、成形品の電気的特性、成形品の化学的特性、成形品の成形特性、成形品の光学的特性、成形品の色調うち少なくとも１つを含んでいる。また、成形品の特性は、少なくとも実測値で定義しているものを含み、定量的なものだけではなく、定性的な指標も含む。測定可能な実測値（物理量）としての成形品の特性は、成形品の重量、長さ、そり（歪）、応力、機械的特性、熱的特性、電気的特性、樹脂物性値、化学的特性、成形特性、光学的特性、外観特性、色調を含んでいる。
　また、学習フェーズでは、３次元ＣＡＤデータまたは解析メッシュから形状特徴量が計算される。また、ユーザ情報（ライセンス情報）から、推奨モジュールが選定される。また、パラメータ因子および水準数から生成する解析条件が生成される。そして、シミュレーションを行い解析が実行される。シミュレーションにより出力される解析結果と、実測値との差が取得され、誤差率が評価される。解析結果と実測値との誤差率から、最適なパラメータの群が求められる。つまり、樹脂成形条件情報と、対応する樹脂成形品の特性を実測した実測値とを含む複数の樹脂成形情報に基づいて機械学習を行い、複数の樹脂成形情報に基づいて、成形時の樹脂の状態と成形品の特性の詳細とのシミュレーションを行う際のパラメータの最適化を行う。そして、製品カテゴリ情報、形状特徴量、最適なパラメータの群、誤差率が保存される。また、製品カテゴリ情報、形状特徴量、最適なパラメータの群、誤差率の各々の相関が計算される。
　また、学習フェーズでは、成形品の特性（たとえば、そり）について、複数の影響因子の寄与度を算出する。影響因子は、成形品の形状、成形条件、樹脂の性質を含む。寄与度は、複数の影響因子について、寄与する割合がそれぞれ算出される。影響因子の寄与の割合は、たとえば、１の影響因子を変動させ、他の影響因子を固定した複数の樹脂成形情報を比較することにより、影響因子の変動が成形品の特性についてどの程度寄与しているのかを算出する。
　パラメータは、金型冷却解析に影響するパラメータ（冷媒温度、冷媒流量）、充填・保圧冷却解析に影響するパラメータ（樹脂データ、製品肉厚、金型内の空気の影響）、配向分布の解析に影響するパラメータ（繊維同士の干渉係数、繊維含有率、繊維の長さ、アスペクト比）、収縮分布の解析に影響するパラメータ（収縮開始のタイミング、固化状態）、物性分布の解析に影響するパラメータ（弾性率、ポアソン比、粘弾性物性）、などを含んでいる。また、パラメータは、製品カテゴリ情報（用途、分野）、解析メッシュ情報（要素タイプ、要素数、節点数、分割条件、要素品質）、樹脂データ（樹脂メーカ、グレード名、ベースレジン、潜熱、固化温度、密度、比熱、熱伝導率、溶融粘度、ＰＶＴデータ、弾性率、ポアソン比、線膨張係数、成形収縮率、機械的強度、強化材物性、強化材含有率、粘弾性特性（プロニー級数、シフトファクター）、光学特性（応力光学係数、光弾性係数、屈折率、分子構造、ゲル化反応率、硬化反応熱））、成形条件（時間、充填率、圧力上限、スクリュー位置、スクリュー速度、流量、計量位置、樹脂温度、金型温度、ＶＰ切替タイミング、保圧力、保圧時間、型内冷却条件、サイクルタイム）、金型条件（ゲート位置、ゲート点数、ランナーレイアウト、冷却回路、突き出しピン配置）、境界条件（ノズル部の流量・圧力、熱伝達率、雰囲気温度、雰囲気湿度）、成形機情報（成形機メーカ名、成形機型番、最大射出速度、最大射出圧力、最大保持圧力、スクリュー径、最大型締力、最大射出容量）の各情報に応じたパラメータを含んでいる。また、パラメータは、解析対象の形状（成形品形状、ランナー形状、金型形状、ゲート位置）、解析対象の計算モデル、樹脂物性値、形状特徴量を含んでいる。ここで、パラメータの種類が多くなるほど、パラメータを調整するための作業が煩雑になる。本実施形態では、機械学習により最適なパラメータの群を得ることができるので、パラメータを設定する作業が煩雑になるのを抑制することが可能である。
　また、学習フェーズでは、蓄積された複数の樹脂成形情報から機械学習により最適化したパラメータを用いたシミュレーションの精度を確認する。具体的には、実測値を有する樹脂成形条件情報を入力し、シミュレーションにより出力される樹脂成形品の特性と、実測値による樹脂成形品の特性とを比較して、シミュレーションの精度を確認する。たとえば、実測値のデータの約８割ほどを機械学習に用い、実測値のデータの約２割ほどを機械学習を行い最適化したパラメータを用いたシミュレーションの精度の確認に用いる。
　運用フェーズでは、図３に示すように、入力された樹脂成形条件から、蓄積された複数の樹脂成形情報に基づいて、樹脂成形品の特性を推定して特性情報として出力する。また、入力された樹脂成形条件から、蓄積された複数の樹脂成形情報に基づいて、成形時の樹脂の状態と成形品の特性の詳細とのシミュレーションを行う際のパラメータを推定し、推定したパラメータを用いてシミュレーションを行う。つまり、運用フェーズでは、カテゴリ毎に登録されている最適パラメータを利用してシミュレーションが行われる。また、カテゴリを選択した後、形状特徴量が近い情報の最適パラメータを利用してシミュレーションが行われる。
　また、本実施形態では、図５に示すように、複数の樹脂成形情報に基づいて、樹脂成形条件を分類する。樹脂成形条件の分類は、成形品の大きさ、成形品の複雑度、成形品形状、樹脂データ、成形条件のうち少なくとも１つを数値化して行う。たとえば、樹脂成形条件の分類は、成形品形状を表す特徴量（たとえば、体積、表面積、肉厚分布、複雑度、自己組織化マップなど）を数値化して行う。成形品の大きさは、成形品の表面積、体積などに基づいて数値化される。また、成形品の複雑度および成形品形状は、成形品の突起、切欠き、穴、曲率などに基づいて数値化される。樹脂データは、密度、比熱、熱伝導率、ヤング率、ポアソン比、線膨張係数、溶融粘度、ＰＶＴデータ、強化材物性、粘弾性特性、光学特性に基づいて数値化される。成形条件は、射出時間、樹脂温度、金型温度、ＶＰ切替タイミング、保圧条件、冷却条件、サイクルタイム、成形機条件などに基づいて数値化される。
　また、本実施形態では、入力された樹脂成形条件に基づいて、対応する分類の樹脂成形情報のパラメータを用いて成形時の樹脂の状態と成形品の特性の詳細とのシミュレーションを行う。たとえば、入力された樹脂成形条件に基づいて、同じ分類、または、近い分類の樹脂成形情報が提示される。ユーザは、樹脂成形情報を選択することにより、選択された樹脂成形情報に基づくパラメータが設定された状態でシミュレーションが行われる。この場合、数理的な解析により樹脂成形品の特性が推定される。
　また、入力された樹脂成形条件から、対応する分類の樹脂成形情報に基づいて、樹脂成形品の特性を推定して特性情報として出力する。たとえば、入力された樹脂成形条件に基づいて、同じ分類、または、近い分類の樹脂成形情報が選択される。そして、選択された分類の樹脂成形情報から、入力された樹脂成形条件における樹脂成形品の特性が推定されて出力される。この場合、統計的な解析により樹脂成形品の特性が推定される。
　また、本実施形態では、樹脂成形品の特性を実測した実測値に基づく出力値は、特性を実測した実測値と、特性を実測した実測値を機械学習を行うことにより補間した補間値とを含む。図６に示すように、樹脂成形条件情報と、樹脂成形条件情報に関係付けられた樹脂成形品の特性の実測値とに基づいて、条件が足りない部分を、機械学習により補間する。
（実測値の測定方法）
　実測値の測定方法について説明する。
　成形品の樹脂の配向は、Ｘ線透過法により測定する。成形品の複屈折は、複屈折測定器により測定する。成形時の圧力は、金型に設けた圧力センサにより測定する。成形時の温度は、金型に設けた温度センサ、または、金型を撮像してサーモグラフィにより測定する。樹脂材料の変位は、接触型の３次元測定装置、または、非接触型の３次元測定装置により測定する。
（機械学習）
　学習フェーズにおいて用いられる機械学習の例について説明する。
　機械学習は、たとえば、回帰、決定木、ニューラルネットワーク、ベイズ、クラスタリング、アンサンブル学習などの方法により行われる。
（樹脂成形解析処理）
　図７を参照して、樹脂成形解析処理の第１例の概略について説明する。なお、樹脂成形解析処理は、コンピュータ１（プロセッサ２）により実行される。
　図７に示すように、ステップＳ１において、入力された樹脂成形条件（解析メッシュ、成形条件、樹脂データ）が取得される。ステップＳ２において、蓄積された樹脂成形情報に基づいて、樹脂成形品の特性（そり）が統計的に推定されて出力される。この場合に、そりの影響因子の寄与度が算出されて提示される。
　ステップＳ３において、そり解析を行う指示がされたか否かが判断される。そり解析を行う場合、ステップＳ４に進み、そり解析を行わない場合、ステップＳ５に進む。ステップＳ４において、最適パラメータによりシミュレーション解析が行われる。これにより、ステップＳ２の統計的解析とは別個に、シミュレーションによってもそりの解析が行われる。その後、ステップＳ５に進む。
　ステップＳ５において、そり対策を行う指示がされたか否かが判断される。そり対策を行う場合、ステップＳ６に進み、そり対策を行わない場合、ステップＳ７に進む。ステップＳ６において、形状因子の解析、最適条件の解析、そり低減材採用が行われて、そり対策が行われる。その後、ステップＳ７に進む。
　ステップＳ７において、樹脂成形解析処理を終了する指示がされたか否かが判断される。終了しない場合、ステップＳ８に進み、終了される場合、樹脂成形解析処理が終了される。ステップＳ８において、条件が変更されて、ステップＳ３に戻る。
　図８を参照して、樹脂成形解析処理の第２例の概略について説明する。なお、樹脂成形解析処理は、コンピュータ１（プロセッサ２）により実行される。
　図８に示すように、ステップＳ１１において、入力された樹脂成形条件（解析メッシュ、成形条件、樹脂データ）が取得される。ステップＳ１２において、蓄積された樹脂成形情報に基づいて、樹脂成形品の特性が統計的に推定されて出力される。この場合に、影響因子の寄与度が算出されて提示される。
　ステップＳ１３において、成形シミュレーション（金型冷却解析、材料充填解析、保圧・冷却解析、そり解析などを含む）を行う指示がされたか否かが判断される。成形シミュレーションを行う場合、ステップＳ１４に進み、成形シミュレーションを行わない場合、ステップＳ１５に進む。ステップＳ１４において、最適パラメータによりシミュレーション解析が行われる。これにより、ステップＳ１２の統計的解析とは別個に、シミュレーションによってもそりの解析が行われる。その後、ステップＳ１５に進む。
　ステップＳ１５において、対策を行う指示がされたか否かが判断される。対策を行う場合、ステップＳ１６に進み、対策を行わない場合、ステップＳ１７に進む。ステップＳ１６において、成形品形状変更、成形条件変更、金型要件変更（ゲート位置、ランナーレイアウト、入れ子構造）が行われて、対策が行われる。その後、ステップＳ１７に進む。
　ステップＳ１７において、樹脂成形解析処理を終了する指示がされたか否かが判断される。終了しない場合、ステップＳ１８に進み、終了される場合、樹脂成形解析処理が終了される。ステップＳ１８において、条件が変更されて、ステップＳ１３に戻る。
　また、本実施形態では、既知の樹脂材料の物性値に基づいて、異なる状態の同種の樹脂材料の物性値を予測する。具体的には、既知の樹脂材料の基本情報と、樹脂材料に含まれるリサイクル材の含有率とに基づいて、異なる状態の同種の樹脂材料の物性値を予測する。
　ここで、世界中の樹脂メーカが扱う樹脂材料の樹脂グレード（特性の優劣を段階的に示した指標）の数は、約１０万程度も存在するともいわれている。成形シミュレーションを行う際に、成形性、熱的特性、機械的特性などを必要とする。しかし、樹脂メーカが樹脂材料を販売する際に作成しているカタログ情報には、樹脂成形のシミュレーションに必要なデータの一部（密度、荷重たわみ温度、線膨張係数、成形収縮率、ＭＦＲ、弾性率、強化材の含有率など）しか含まれていない。また、成形シミュレーションを利用するユーザーは、通常はソフトウェアに内蔵されている材料データを利用するが、必要な材料データがない場合は、別途測定する場合も多い。材料データを測定するためには、特殊な測定装置を使う場合が大半である。そのため、費用も高くなる。
　また、コスト削減のため、バージン材に一部リサイクル材を混ぜて樹脂材料を成形に用いる場合がある。リサイクル材は、すでに熱履歴を受けていたり、強化材が破断しており、物性値がバージン材と大きく変わっていることが知られている。リサイクル材の含有率によって、樹脂材料の物性値も変化する。しかし、測定の手間や費用を考えると、リサイクル材を混ぜた場合の精度良いシミュレーション用の材料データを準備することが困難である。
　そこで、未知の樹脂材料の物性値を予測する処理では、複数の組成を持つ材料を組み合わせた場合の、成形シミュレーション用の材料物性値を生成する。
　たとえば、図８に示すように、樹脂グレードに応じた樹脂材料の基本情報と、リサイクル材含有率を入力すると、樹脂物性値を出力する。基本情報は、樹脂メーカが提供しているカタログ情報に基づく。図８に示すように、樹脂グレードがグレードＡ、グレードＢ、グレードＣの樹脂材料は、樹脂物性が既知でり、樹脂グレードがグレードＣの樹脂材料は、樹脂物性が未知である。この場合、既知の複数の樹脂材料の物性値に基づいて、樹脂成形に用いられる未知の樹脂材料の物性値が予測される。また、基本情報とリサイクル材含有率と、に基づいて樹脂物性値を出力することを機械学習させることにより、任意のリサイクル材含有時の材料物性値を予測する。
　図９に示すように、学習フェーズでは、ステップＳ２１において、樹脂成形条件（基本情報、リサイクル材含有率）が入力される。ステップＳ２２において、成形シミュレーションを行う。ステップＳ２３において、解析結果（シミュレーション結果）と実測値との差（誤差）を抽出する。ステップＳ２４において、樹脂成形品の特性（特徴量）と誤差とを機械学習する。
　図１０に示すように、運用フェーズでは、ステップＳ３１において、樹脂成形条件（基本情報、リサイクル材含有率）が入力される。ステップＳ３２において、成形品の特徴量から最適なパラメータ（樹脂物性値）を推定する。ステップＳ３３において、推定したパラメータに基づいて成形シミュレーションを行い、成形後の特性を予測する。
　（本実施形態の効果）
　次に、本実施形態の効果について説明する。
　本実施形態では、上記のように、入力された樹脂成形条件から、蓄積された複数の樹脂成形情報に基づいて、樹脂成形品の特性を推定して特性情報として出力する。これにより、シミュレーションを行うことなく樹脂成形品の特性情報を出力することができるので、シミュレーションを１回または複数回行う場合に比べて、樹脂成形の解析を行う際の処理時間が増大するのを抑制することができる。また、樹脂成形品の特性を実測した実測値を蓄積した複数の樹脂成形情報に基づいて樹脂成形品の特性を推定するので、シミュレーションのみにより特性を推定する場合に比べて、樹脂成形品の特性を実測値に即して推定することができる。また、蓄積した複数の樹脂成形情報を活用することができるので、個別に樹脂成形品の特性を推定する場合に比べて、樹脂成形品の特性をより精度よく推定することができる。
　また、本実施形態では、上記のように、入力された樹脂成形条件から、蓄積された複数の樹脂成形情報に基づいて、成形時の樹脂の状態と成形品の特性の詳細とのシミュレーションを行う際のパラメータを推定し、推定したパラメータを用いてシミュレーションを行う。これにより、シミュレーションを行う際のパラメータを、蓄積された複数の樹脂成形情報に基づいて調整することができるので、樹脂成形品の特性を精度よく推定することが可能なシミュレーションのパラメータを容易に設定することができる。
　また、本実施形態では、上記のように、樹脂成形条件情報と、対応する樹脂成形品の特性を実測した実測値とを含む複数の樹脂成形情報に基づいて機械学習を行い、複数の樹脂成形情報に基づいて、成形時の樹脂の状態と成形品の特性の詳細とのシミュレーションを行う際のパラメータの最適化を行う。これにより、シミュレーションを行う際のパラメータの最適化が行われるので、樹脂成形品の特性を精度よく推定することが可能なシミュレーションのパラメータをより容易に設定することができる。
　また、本実施形態では、上記のように、複数の樹脂成形情報に基づいて、樹脂成形条件を分類し、入力された樹脂成形条件に基づいて、対応する分類の樹脂成形情報のパラメータを用いて成形時の樹脂の状態と成形品の特性の詳細とのシミュレーションを行う。これにより、蓄積された複数の樹脂成形情報を分類することにより、使用する樹脂成形情報を絞ることができるので、対応する樹脂成形情報のパラメータを容易に設定することができる。
　また、本実施形態では、上記のように、複数の樹脂成形情報に基づいて、樹脂成形条件を分類し、入力された樹脂成形条件から、対応する分類の樹脂成形情報に基づいて、樹脂成形品の特性を推定して特性情報として出力する。これにより、対応する分類の樹脂成形情報に基づいて、樹脂成形品の特性をより精度よくかつ迅速に推定することができる。
　また、本実施形態では、上記のように、樹脂成形条件の分類は、成形品の大きさ、成形品の複雑度、成形品形状、樹脂データ、成形条件のうち少なくとも１つを数値化して行う。これにより、成形品の大きさ、成形品の複雑度、成形品形状、樹脂データ、成形条件のうち少なくとも１つを数値化することにより、類似の条件ごとに樹脂成形条件を容易に分類することができる。
　また、本実施形態では、上記のように、成形品の特性は、成形品のそり、成形時の圧力、成形時の温度、成形品の配向、成形品のウェルドの状態のうち少なくとも１つを含む。これにより、樹脂成形条件を入力することにより、成形品の特性として、成形品のそり、成形時の圧力、成形時の温度、成形品の配向、成形品のウェルドの状態のうち少なくとも１つを取得することができる。
　また、本実施形態では、上記のように、成形品の特性は、樹脂の充填パターン、成形品の外観特性、成形品の樹脂物性値、成形時のひずみ、成形品の質量、成形品の長さ、成形品の歪み、成形品の応力、成形品の機械的特性、成形品の熱的特性、成形品の電気的特性、成形品の化学的特性、成形品の成形特性、成形品の光学的特性、成形品の色調のうち少なくとも１つを含む。これにより、樹脂成形条件を入力することにより、成形品の特性として、樹脂の充填パターン、成形品の外観特性、成形品の樹脂物性値、成形時のひずみ、成形品の質量、成形品の長さ、成形品の歪み、成形品の応力、成形品の機械的特性、成形品の熱的特性、成形品の電気的特性、成形品の化学的特性、成形品の成形特性、成形品の光学的特性、成形品の色調のうち少なくとも１つを取得することができる。
　また、本実施形態では、上記のように、樹脂成形品の特性を実測した実測値に基づく出力値は、特性を実測した実測値と、特性を実測した実測値を機械学習を行うことにより補間した補間値とを含む。これにより、実測値の数が十分でない場合でも、機械学習により補間値を取得することができるので、出力値のデータ数を容易に多くすることができる。
　また、本実施形態では、上記のように、既知の樹脂材料の物性値に基づいて、異なる状態の同種の樹脂材料の物性値を予測する。これにより、樹脂材料のグレードや組成や製法の違いにより、シミュレーションに必要な樹脂材料の物性値が全て分からない場合でも、既知の樹脂材料の物性値に基づいて、樹脂成形に用いられる同種かつ状態の異なる樹脂材料の物性値を予測して取得することができるので、取得した樹脂材料の物性値に基づいてシミュレーションを行うことができる。また、未知の樹脂材料の物性値を、実際に測定する必要がないので、樹脂材料の物性値を測定するための測定装置を別途設ける必要がない。
　また、本実施形態では、上記のように、既知の樹脂材料の基本情報と、樹脂材料に含まれるリサイクル材の含有率とに基づいて、異なる状態の同種の樹脂材料の物性値を予測する。これにより、成形が行われ熱を受けたリサイクル材を樹脂材料に混ぜて使用する場合でも、樹脂材料の物性値を予測して取得することができるので、リサイクル材を含有する樹脂材料を用いて樹脂成形を行う場合のシミュレーションを精度よく行うことができる。
　（変形例）
　なお、今回開示された実施形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施形態の説明ではなく特許請求の範囲によって示され、さらに特許請求の範囲と均等の意味および範囲内でのすべての変更（変形例）が含まれる。
　たとえば、上記実施形態では、成形品の特性は、成形品のそり、成形時の圧力、成形時の温度、成形品の配向、成形品のウェルドの状態のうち少なくとも１つを含む構成の例を示したが、本発明はこれに限られない。本発明では、成形品の特性は、上記以外の特性を含んでいてもよい。
　また、上記実施形態では、樹脂成形条件の分類は、成形品の大きさ、成形品の複雑度、成形品形状、樹脂データ、成形条件のうち少なくとも１つを数値化して行う構成の例を示したが、本発明はこれに限られない。本発明では、樹脂成形条件の分類は、上記以外の要素を数値化して行ってもよいし、上記の要素および他の要素を数値化せずに行ってもよい。
　また、本発明では、複数の樹脂成形情報は、樹脂成形品の特性情報を推定するコンピュータに蓄積してもよいし、樹脂成形品の特性情報を推定するコンピュータとは別個に設けられた外部のサーバなどの装置に蓄積されてもよい。
　また、上記実施形態では、説明の便宜上、コンピュータの処理動作を処理フローに沿って順番に処理を行うフロー駆動型のフローチャートを用いて説明したが、本発明はこれに限られない。本発明では、コンピュータの処理動作を、イベント単位で処理を実行するイベント駆動型（イベントドリブン型）の処理により行ってもよい。この場合、完全なイベント駆動型で行ってもよいし、イベント駆動およびフロー駆動を組み合わせて行ってもよい。
　１　コンピュータ
　３ａ　プログラム
　７　記録媒体

Claims (13)

  1. 　樹脂成形条件情報と、対応する樹脂成形品の特性を実測した実測値に基づく出力値とを関係付けて樹脂成形情報として蓄積し、
    　入力された樹脂成形条件から、蓄積された複数の前記樹脂成形情報に基づいて、樹脂成形品の特性を推定して特性情報として出力する、樹脂成形解析方法。
  2. 　入力された樹脂成形条件から、蓄積された複数の前記樹脂成形情報に基づいて、成形時の樹脂の状態と成形品の特性の詳細とのシミュレーションを行う際のパラメータを推定し、
    　推定したパラメータを用いてシミュレーションを行う、請求項１に記載の樹脂成形解析方法。
  3. 　樹脂成形条件情報と、対応する樹脂成形品の特性を実測した実測値とを含む複数の前記樹脂成形情報に基づいて機械学習を行い、
    　複数の前記樹脂成形情報に基づいて、成形時の樹脂の状態と成形品の特性の詳細とのシミュレーションを行う際のパラメータの最適化を行う、請求項２に記載の樹脂成形解析方法。
  4. 　複数の前記樹脂成形情報に基づいて、樹脂成形条件を分類し、
    　入力された樹脂成形条件に基づいて、対応する分類の前記樹脂成形情報のパラメータを用いて成形時の樹脂の状態と成形品の特性の詳細とのシミュレーションを行う、請求項３に記載の樹脂成形解析方法。
  5. 　複数の前記樹脂成形情報に基づいて、樹脂成形条件を分類し、
    　入力された樹脂成形条件から、対応する分類の前記樹脂成形情報に基づいて、樹脂成形品の特性を推定して特性情報として出力する、請求項１～４のいずれか１項に記載の樹脂成形解析方法。
  6. 　樹脂成形条件の分類は、成形品の大きさ、成形品の複雑度、成形品形状、樹脂データ、成形条件のうち少なくとも１つを数値化して行う、請求項４または５に記載の樹脂成形解析方法。
  7. 　成形品の特性は、成形品のそり、成形時の圧力、成形時の温度、成形品の配向、成形品のウェルドの状態のうち少なくとも１つを含む、請求項１～６のいずれか１項に記載の樹脂成形解析方法。
  8. 　成形品の特性は、樹脂の充填パターン、成形品の外観特性、成形品の樹脂物性値、成形時のひずみ、成形品の質量、成形品の長さ、成形品の歪み、成形品の応力、成形品の機械的特性、成形品の熱的特性、成形品の電気的特性、成形品の化学的特性、成形品の成形特性、成形品の光学的特性、成形品の色調のうち少なくとも１つを含む、請求項１～７のいずれか１項に記載の樹脂成形解析方法。
  9. 　樹脂成形品の特性を実測した実測値に基づく出力値は、特性を実測した実測値と、特性を実測した実測値を機械学習を行うことにより補間した補間値とを含む、請求項１～８のいずれか１項に記載の樹脂成形解析方法。
  10. 　既知の樹脂材料の物性値に基づいて、異なる状態の同種の樹脂材料の物性値を予測する、請求項１～９のいずれか１項に記載の樹脂成形解析方法。
  11. 　既知の樹脂材料の基本情報と、樹脂材料に含まれるリサイクル材の含有率とに基づいて、異なる状態の同種の樹脂材料の物性値を予測する、請求項１０に記載の樹脂成形解析方法。
  12. 　請求項１～１１のいずれか１項に記載された樹脂成形解析方法をコンピュータに実行させる、プログラム。
  13. 　請求項１２に記載のプログラムが記録され、コンピュータにより読み取り可能な、記録媒体。
PCT/JP2019/043782 2018-11-16 2019-11-08 樹脂成形解析方法、プログラムおよび記録媒体 WO2020100726A1 (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2018215474 2018-11-16
JP2018-215474 2018-11-16
JP2019-199733 2019-11-01
JP2019199733A JP7118941B2 (ja) 2018-11-16 2019-11-01 樹脂成形解析方法、プログラムおよび記録媒体

Publications (1)

Publication Number Publication Date
WO2020100726A1 true WO2020100726A1 (ja) 2020-05-22

Family

ID=70731398

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/043782 WO2020100726A1 (ja) 2018-11-16 2019-11-08 樹脂成形解析方法、プログラムおよび記録媒体

Country Status (1)

Country Link
WO (1) WO2020100726A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022054463A1 (ja) * 2020-09-09 2022-03-17 株式会社日本製鋼所 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
CN114491957A (zh) * 2021-12-28 2022-05-13 中国航天空气动力技术研究院 树脂基体材料的热解吸热量计算方法、装置、设备及介质
WO2022195974A1 (ja) * 2021-03-15 2022-09-22 株式会社日立製作所 射出成形条件生成システムおよび方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001277320A (ja) * 2000-03-29 2001-10-09 Polyplastics Co 成形試験システムおよび成形試験方法
JP2009271781A (ja) * 2008-05-08 2009-11-19 Canon Inc 成形品の変形形状の予測方法とその装置、変形形状の予測プログラムとその記憶媒体
JP2017162294A (ja) * 2016-03-10 2017-09-14 富士ゼロックス株式会社 樹脂材料の設計方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001277320A (ja) * 2000-03-29 2001-10-09 Polyplastics Co 成形試験システムおよび成形試験方法
JP2009271781A (ja) * 2008-05-08 2009-11-19 Canon Inc 成形品の変形形状の予測方法とその装置、変形形状の予測プログラムとその記憶媒体
JP2017162294A (ja) * 2016-03-10 2017-09-14 富士ゼロックス株式会社 樹脂材料の設計方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022054463A1 (ja) * 2020-09-09 2022-03-17 株式会社日本製鋼所 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
WO2022195974A1 (ja) * 2021-03-15 2022-09-22 株式会社日立製作所 射出成形条件生成システムおよび方法
JP7522688B2 (ja) 2021-03-15 2024-07-25 株式会社日立製作所 射出成形条件生成システムおよび方法
CN114491957A (zh) * 2021-12-28 2022-05-13 中国航天空气动力技术研究院 树脂基体材料的热解吸热量计算方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
JP7118941B2 (ja) 樹脂成形解析方法、プログラムおよび記録媒体
WO2020100726A1 (ja) 樹脂成形解析方法、プログラムおよび記録媒体
Kashyap et al. Process parameter optimization of plastic injection molding: a review
Singh et al. Multi Response optimization of injection moulding Process parameters to reduce cycle time and warpage
CN114818401A (zh) 机器学习模型的训练方法、训练装置、评价系统
KR20230051258A (ko) 적어도 하나의 사출 성형 공정을 제어 및/또는 모니터링하기 위한 컴퓨터 구현 방법
KR20200003041A (ko) 스크류 형상 추정 장치, 스크류 형상 추정 방법 및 스크류 형상 추정 프로그램
Ahmed et al. Warpage prediction of Injection-molded PVC part using ensemble machine learning algorithm
CN116568481A (zh) 注射成型条件生成系统以及方法
JP5241310B2 (ja) 成形品の変形形状の予測方法とその装置、変形形状の予測プログラムとその記憶媒体
Zhao et al. An Innovative Surrogate‐Based Searching Method for Reducing Warpage and Cycle Time in Injection Molding
Tayalati et al. Application of supervised machine learning methods in injection molding process for initial parameters setting: prediction of the cooling time parameter
Turng et al. Computer aided process and design optimization for injection moulding
JP5831310B2 (ja) 金型で製造される製品の外観不良予測方法及びプログラム
JPH11224275A (ja) 成形品の設計方法
Yu et al. Offline prediction of process windows for robust injection molding
Sandu et al. Prediction of polymer flow length by coupling finite element simulation with artificial neural network
JP5889077B2 (ja) 成形品収縮変形予測装置、成形品収縮変形予測方法及び成形品収縮変形予測プログラム
JP2023054760A (ja) 樹脂成形解析方法、プログラムおよび記録媒体
JP3612973B2 (ja) 成形性解析方法
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
JP2005241443A (ja) 熱的非平衡状態における高分子材料の流動物性予測方法
JP2013176929A (ja) 成形品そり変形予測装置、成形品そり変形予測方法及び成形品そり変形予測プログラム
JPH08230008A (ja) 射出成形品のそり変形予測方法及びその装置
JP2022030606A (ja) 樹脂成形解析方法、プログラムおよび記録媒体

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19885651

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19885651

Country of ref document: EP

Kind code of ref document: A1