WO2022195974A1 - 射出成形条件生成システムおよび方法 - Google Patents

Abstract

射出成形の品質を向上できるようにした射出成形条件生成システムを提供すること。射出成形条件生成システム１は、第１樹脂材料の第１材料特性値を取得すると、成形品の品質に関する品質パラメータの目標値と第１材料特性値と所定の関係式とに基づいて、第１樹脂材料を用いた射出成形の射出成形条件を生成し（４１７）、所定の関係式は、樹脂材料の材料特性値と、射出成形機へ入力する複数の射出成形条件と、材料特性値および各射出成形条件に基づいて射出成形機で成形される成形品の品質に関する品質パラメータとの関係を示す式であり（４１６）、樹脂材料の材料特性値と射出成形条件と品質パラメータとが紐付けられて蓄積されたデータを基にして生成される。

Description

射出成形条件生成システムおよび方法

　本発明は、射出成形条件生成システムおよび方法に関する。

　射出成形プロセスにおいて、成形機に入力する複数の射出成形条件や、樹脂の材料特性ばらつき等の様々な要因が、成形品品質に影響を与える。そのため、成形品品質を安定化させるために成形条件を調節することは、容易な作業ではなく、熟練作業者の技術と時間を要する。この課題に対して、従来より、作業者に依存せず射出成形条件を最適化するための方法が検討されている（特許文献１）。

　特許文献１に記載の方法では、射出成形プロセス中の射出成形圧力を部分的に決定する制御信号を提供する射出成形コントローラを射出成形機に接続し、射出成形サイクルにおける第１の時間で圧力制御出力からの第１の制御信号を測定し、続く射出成形サイクルにおける第２の時間で圧力制御出力からの第２の制御信号を測定し、第１の制御信号と第２の制御信号とを比較した結果に基づいて、射出成形サイクルにおける第３の時間における圧力の制御信号を調節する。つまり、特許文献１では、射出成形プロセス中の材料特性の変化を、コントローラ制御信号の変化として測定し、その変化に基づく圧力の調節をすることで、作業者に依存せず、材料特性の変化を考慮した射出成形条件（圧力）の制御が可能となる。

特開２０１６－５２７１０９号公報

　特許文献１に記載の方法では、射出成形運転中のサイクル毎に圧力を逐次調節することが前提である。したがって、特許文献１に記載の方法では、射出成形運転中に圧力制御出力からの制御信号を測定し、測定値に応じた圧力制御を行うための特殊なコントローラと、コントローラと射出成形機を常時接続するための開発とが必要であり、そのための追加開発と工数が必要となる。

　射出成形における成形条件と品質との関係は、樹脂の材料特性の影響を受ける。例えば、同一種類（例えば、ポリプロピレン）の材料であっても、グレード単位やサプライヤ単位によって流動性が異なるため、同じ成形条件を入力しても金型内における樹脂の挙動が大きく異なり、成形品品質もばらつく。

　ここで、近年、プラスチック廃棄物による海洋汚染問題や、中国や東南アジアによるプラスチック廃棄物の輸入禁止措置を受けて、プラスチックのリサイクル材の活用にこれまで以上に大きな注目が集まっている。欧州を中心に一部の地域でバージン材の使用に対する課税や法規制も検討されており、プラスチックを用いた製品を製造するメーカにとってリサイクル材の活用は喫緊の課題となっている。しかし、リサイクル材は、成形時の熱履歴、使用時環境による劣化、およびリサイクル時の異物混入や熱履歴によって、バージン材と比較して材料特性のばらつきが大きいため、バージン材以上に成形品品質のばらつきも大きくなる。

　図１７は、後述する実施例の優位を明らかにするための比較例を示すグラフであり、背景技術ではない。図１７には、例えば、ロットＡ、ロットＢ、ロットＣの３つのリサイクル材を用いて成形した際の、成形品重量の分布が示されている。図１７の横軸は成形品重量を示し、図１７の縦軸は確率密度を示す。図１７には、納品時期の異なる３つのリサイクル材に対して、同一の金型と射出成形機および同一の成形条件で成形した際の成形品重量の分布が示されている。

　以下では、納品時期による違いをロットとして表記する。図１７において、１ロットあたりの成形品の個数は４０個である。図１７の成形品重量の分布は、全て成形品の個数で規格化してある。

　図１７より、同一の成形条件で成形した場合でも、ロット間の重量ばらつきは、ロット内のばらつきよりも十分大きい。このため、リサイクル材においては、納品ロット毎の材料特性の違いが、成形条件と品質との関係に影響を与えていることが確認できる。

　樹脂の材料特性の影響に対して、特許文献１では、射出成形運転中の材料特性の変化をコントローラ制御信号の変化として測定する。特許文献１では、コントローラ制御信号の変化に基づいて射出成形条件の圧力を制御することにより、材料特性の変化に応じた調節を行う。しかし、圧力のみの制御では、樹脂の温度特性や流動性が大きく変化した場合、圧力の調節量が大きくなる。したがって、特許文献１に記載の方法では、圧力が低くなりすぎる場合はショートショットが発生する可能性が高くなり、圧力が大きくなりすぎる場合はバリ等の外観不良が発生する可能性が高くなる。

　本発明は、上記課題に鑑みてなされたものであり、その目的は、射出成形の品質を向上できるようにした射出成形条件生成システムおよび方法を提供することにある。

　上記課題を解決すべく、本発明に従う射出成形条件生成システムは、計算機を用いて射出成形条件を生成する射出成形条件生成システムであって、計算機はプロセッサとプロセッサにより使用されるメモリを含み、プロセッサは、第１樹脂材料の第１材料特性値を取得すると、成形品の品質に関する品質パラメータの目標値と第１材料特性値と所定の関係式とに基づいて、第１樹脂材料を用いた射出成形の射出成形条件を生成し、所定の関係式は、樹脂材料の材料特性値と、射出成形機へ入力する複数の射出成形条件と、材料特性値および各射出成形条件に基づいて射出成形機で成形される成形品の品質に関する品質パラメータとの関係を示す式であり、樹脂材料の材料特性値と射出成形条件と品質パラメータとが紐付けられてメモリに蓄積されたデータを基にして生成される。

　本発明によれば、射出成形機に使用する樹脂材料の材料特性値と成形品の品質とに適した射出成形条件を得ることができる。

射出成形機の成形条件最適化システムの機能ブロック図。 射出成形条件生成システムの実現に使用することができる計算機の構成図。 射出成形機の概念図。 成形条件の最適化を検証する実験に用いた金型の概念図。 センサから得られた物理量から特徴量を抽出し特徴量データベースに記録するブロック図。 圧力センサおよび樹脂センサの取得データの時系列変化を示すグラフ。 特徴量抽出結果例の説明図。 プロセスデータセットの説明図。 学習モードのフローチャート。 特徴量データセットをＵＭＡＰにより変換した結果例を示すグラフ。 次元削減後の特徴量データセット例を示す説明図。 学習用データセット例の説明図。 学習済み回帰モデルの性能評価を説明するためのグラフ。 最適化モードのフローチャート。 グリッドサーチ法における説明変数の組み合わせ例を示す説明図。 最適化された成形条件の妥当性を確認するための成形品の重量分布図。 比較例としての、納品時期が異なるリサイクル材に対して同一成形条件で成形した際の成形品の重量分布図。

　以下、図面に基づいて、本発明の実施の形態を説明する。本実施形態では、材料特性のばらつきに起因する成形品品質ばらつきを抑制する技術を提供する。本実施形態に係る射出成形条件生成システムは、射出成形機との常時接続が不要であり、適切な射出成形条件を射出成形機へ提供することができる。

　以下に説明する実施形態は、特許請求の範囲にかかる発明を限定するものではなく、また実施形態の中で説明されている諸要素及びその組み合わせの全てが発明の解決手段に必須であるとは限らない。

　本実施形態に係るシステムは、樹脂材料の材料特性値と要求された品質とに応じて射出成形条件を最適化する。このシステムは、例えば、射出成形に使用する樹脂材料の材料特性値と、射出成形機に入力する複数の射出成形条件と、前記樹脂材料と前記射出成形条件に基づいて射出成形機で成形される成形品品質に係わる品質パラメータと、の関係性を示す関係式を、過去の成形時に得られた、材料特性値と、前記射出成形条件と、品質パラメータと、が紐づいた蓄積データを基に予め生成しておき、第１材料の第１材料特性値を取得し、前記第１材料特性値と、品質パラメータの目標値と、前記所定の関係式と、から、前記第１材料に適する射出成形条件を生成する。

　本実施形態によれば、樹脂の材料特性が変動する場合であっても、作業者のスキルによらず、かつ、射出成形プロセス中のリアルタイム制御を必要とせず、成形品質を安定化するための最適な成形条件を得ることができる。

　図１～図１６を用いて実施例１を説明する。図１は、射出成形機の成形条件を生成するシステム１の機能ブロック図を示す。

　射出成形条件生成システム１は、例えば、生産管理システム２と、製造実行システム３と、学習及び最適化システム４と、製造工場５を含む。以下に述べる射出成形条件生成システム１の各機能の一部または全部は、ソフトウェアとして構成してもよいし、ソフトウェアとハードウェアとの協働として実現してよいし、固定的な回路を有するハードウェアを用いて実現してもよい。生産管理システム２、製造実行システム３、および製造工場５の有する機能の少なくとも一部を、オペレータが実行してもよい。

　生産管理システム２は、生産計画を管理するシステムであり、少なくとも生産計画管理部２１を含む。生産計画管理部２１は、受注状況および在庫状況に合わせて、生産仕様、数量、および時期などを含む産計画を生成する機能である。

　製造実行システム３は、製造工場５に対して生産実行を指示するシステムである。製造実行システム３は、生産管理システム２により生成された生産計画に基づいて、製造条件を決定し、製造条件を含む生産指示を製造工場５に送る。製造条件には、例えば、生産（射出成形）に用いる射出成形機を特定する情報、生産に使用する金型を特定する情報、生産に使用する材料を特定する情報、生産する成形品の数量、生産時期、要求品質などが含まれてもよい。

　製造実行システム３について説明する。製造実行システム３は、例えば、製造条件決定部３１と、生産実績記憶部３２と、生産実績取得部３３と、製造実行指示部３４と、生産実績記録部３５とを備える。

　製造条件決定部３１は、生産管理システム２の生産計画管理部２１より生成される生産計画に基づいて、上述の製造条件を決定する機能である。製造条件決定部３１は、製造条件に関する情報を学習及び最適化システム４に送信することができる。製造条件に関する情報は、金型、射出成形機および材料とに関する所定の情報を含むことができる。

　所定の情報は、例えば、金型の容量、金型のランナー構成を含む。所定の情報として、さらに例えば、生産する成形品の要求品質や、使用する樹脂材料のサプライヤ単位の製造番号およびサプライヤごとの納品番号等を含んでいても良い。学習及び最適化システム４は、成形条件を最適化するために、製造条件決定部３１から受信した成形品の要求品質情報を最適条件生成部４１７に入力し、最適化された成形条件を生成する。

　生産実績記憶部３２は、生産実績を記憶する機能である。本実施例において、生産実績とは、射出成形機と金型と材料との組み合わせに対して、良好な成形品品質が得られることが確認された成形条件のことを示す。良好な成形品品質とは、成形品質が製造実行システム３において決定される要求品質を満たすことを意味する。

　生産実績取得部３３は、生産実績記憶部３２から生産実績を取得する機能である。生産実績取得部３３は、製造条件決定部３１により決定された金型（以下、第１の金型とする）および、製造条件決定部３１により決定された使用材料（以下、第１の材料とする）による生産実績を、生産実績記憶部３２から読み出して取得する。

　生産実績取得部３３は、第１の金型と第１の材料との組み合わせによる生産実績がない場合、製造実行指示部３４に対して、第１の金型と第１の材料との組み合わせによる成形条件最適化の要求あるいは、最適化結果に基づく成形の要求を行う。

　成形条件最適化の要求とは、製造工場５において、予め設定しておいた基準となる射出成形条件（以下、基準条件とする。）で試し成形を行い、試し成形に係わる情報を学習及び最適化システム４に入力し、要求品質を満たす成形条件を生成することを意味する。学習及び最適化システム４に入力する情報の例は、後述する。また、最適化結果に基づく成形とは、学習及び最適化システム４にて出力される、良好な成形条件と期待される成形条件で成形することを意味する。

　一方、第１の金型と第１の材料との組み合わせによる生産実績がある場合、生産実績取得部３３は、製造実行指示部３４に対して、製造実績での成形の要求あるいは、学習のための試し成形（以下、学習用試し成形とする）の要求を行う。

　ここで、学習用試し成形とは、成形条件を変えながら射出成形を行い、得られる情報を学習及び最適化システム４に入力し、最適な成形条件を抽出するためのデータとして保存することを意味する。学習用試し成形の詳細に関しては、図８を用いて後述する。

　製造実行指示部３４は、製造工場５において製造実行を指示する機能である。なお、製造実行を生産と呼ぶこともできる。製造実行指示には、例えば、生産実績取得部３３により入力される成形条件最適化の要求、最適化結果に基づく成形の要求、製造実績での成形の要求、学習用試し成形の要求とが含まれる。

　生産実績記録部３５は、製造工場５において良好な成形品品質が得られることが確認された成形条件を、生産実績記憶部３２へ記録させる機能である。生産実績記録部３５は、製造工場５の品質検査部５７から取得される、成形品の品質結果を示す情報に基づいて、良好な成形品品質が得られた成形条件を生産実績記憶部３２に登録する。

　製造工場５を説明する。製造工場５は、製造実行システム３からの製造実行指示部を受けて、射出成形プロセス５３から５６までのいずれか一つまたは複数を実行する。以下、射出成形を「ＩＭ」と略記する場合がある。

　製造工場５は、例えば、製造実行部５１と、複数台の射出成形機５０（図３で後述）と、複数台の金型（図３で後述）と、成形条件作成部５２と、成形品品質検査部５７とを有する。以下、成形品品質検査部５７を品質検査部５７と略記する場合がある。

　製造実行部５１は、製造実行システム３の製造実行指示部３４から入力される製造条件に基づいて、射出成形プロセスを実行する。製造実行部５１は、生産実績での成形を要求された場合、指示された金型と材料との組み合わせに対して、生産実績を射出成形機に入力することにより、射出成形プロセス５３を実行する。すなわち、射出成形プロセス５３は、指定された金型と材料との組み合わせを用いて、良品生産の実績のある成形条件で行われる射出成形プロセスである。

　製造実行部５１は、学習用試し成形を要求された場合、成形条件作成部５２に、学習用試し成形の指示を出す。成形条件作成部５２は、製造実行部５１から学習用試し成形の指示を受け取ると、指示された金型と材料との組み合わせに対して、学習及び最適化システム４の学習用データベース４１２に保存するための成形条件を複数作成する。製造実行部５１は、作成された複数の成形条件を所定のショット単位ごとに変更しながら射出成形機へ入力することにより、射出成形プロセス５４を実行する。すなわち、射出成形プロセス５４は、所定のショット単位毎に成形条件を変更して、その成形条件に従って試し成形するプロセスである。

　製造実行部５１は、成形条件最適化を要求された場合、成形条件作成部５２に、基準条件での成形の指示を出す。成形条件作成部５２は、製造実行部５１から基準条件での成形の指示を受け取ると、指示された金型と材料との組み合わせに対して、予め指定された基準条件を射出成形機に入力することにより射出成形プロセス５５を実行する。すなわち、射出成形プロセス５５は、基準条件に従って射出成形するプロセスである。

　製造実行部５１は、最適化結果に基づく成形を要求された場合、成形条件作成部５２に対して、最適化結果に基づく成形を指示する。成形条件作成部５２は、製造実行部５１から最適化結果に基づく成形の指示を受け取ると、学習及び最適化システム４から、指示された金型と材料との組み合わせに対して、最適条件生成部４１７で生成される最適化された成形条件を受け取り、受け取った成形条件を射出成形機に入力することにより射出成形プロセス５６を実行する。すなわち、射出成形プロセス５６は、最適化された成形条件に従って射出成形するプロセスである。

　品質検査部５７は、射出成形プロセスで得られた成形品の品質の良否を判定する機能である。成形品品質は、例えば、寸法、反り量、バリ、傷、光沢、色彩などに基づいて評価される。成形品の品質検査は、自動的に行われてもよいし、検査員により手動で行われてもよいし、半自動で行われてもよい。

　品質検査部５７は、成形品の品質が良好であった場合、製造条件と、射出成形機と金型との組み合わせと、成形条件と、成形品品質の検査結果とを紐づけて、製造実行システム３の生産実績記録部３５に出力する。また、射出成形プロセス５４～５６を実施した場合、製造条件と、射出成形機と金型との組み合わせと、成形条件と、成形品品質の検査結果とを紐づけて、学習及び最適化システム４のプロセスデータ記録部４０７に出力する。

　なお、本実施例において、第１の金型を使用した際の、使用材料ごとの材料特性に係わる情報は、予め製造工場５が保有する各射出成形機および金型に搭載されたセンサ５８により、金型内の所定の位置おける物理量を測定して、学習及び最適化システム４のセンサ情報記録部４０１に出力することで取得される。金型に搭載されたセンサの詳細に関しては、図４を用いて後述する。ここで、材料特性に係わる情報とは、例えば、材料の流動性や材料物性、およびこれらに相関する物理量を意味する。

　射出成形機の所定の位置とは、例えば、ノズル先端部などである。金型内の所定の位置は、例えば、金型の樹脂流入口などである。物理量には、例えば、樹脂の圧力、樹脂の温度、樹脂の速度、樹脂の材料物性、および金型の開き量（型開き量）が含まれる。材料物性とは、例えば、樹脂の密度、樹脂の粘度、樹脂の繊維長の分布（強化繊維含有量材料の場合）などである。このうち、材料の流動性に最も相関する物理量は樹脂の粘度であるが、その他の圧力、温度、および速度から算出した流動性に相関する特徴量を用いることもできる。

　学習及び最適化システム４について説明する。学習および最適化システム４は、指定された金型と樹脂材料の組合せによる生産実績がない場合に、適切な射出成形条件を生成する機能である。なお、本実施例にいう最適な射出成形条件とは、適切な射出成形条件の意味である。

　学習及び最適化システム４は、製造実行システム３の生産実績記憶部３２において、第１の金型と第１の材料との組み合わせによる生産実績がなく、条件最適化を実施する場合の材料（以下、これらを第２の材料とする）に対して、過去に実施したＩＭプロセス５４および、第２の材料を用いたＩＭプロセス５５に基づく情報と、要求品質とを入力として、第２の材料が要求品質を満たすための最適な成形条件を生成する機能である。

　学習及び最適化システム４は、例えば、センサ情報記録部４０１、特徴量抽出部４０２、特徴量データベース４０３、次元削減モデル学習部４０４、学習済み次元削減モデル保存部４０５、学習済み次元削減モデル記憶部４０６、プロセスデータ記録部４０７、プロセスデータベース４０８、次元削減モデル読み出し部４０９、次元削減実行部４１０、連結処理部４１１、学習用データベース４１２、回帰モデル学習部４１３、回帰モデル保存部４１４、学習済みモデル記憶部４１５、回帰モデル読み出し部４１６、最適条件生成部４１７を含む。

　センサ情報記録部４０１について説明する。センサ情報記録部４０１は、製造工場５の射出成形プロセス５５中においてセンサ５８で取得する、金型内の所定の位置における物理量を記録する機能である。特徴量抽出部４０２は、センサ情報記録部で一時記録された物理量に対して特徴量抽出を行い、所定の材料単位と、射出成形機と金型との組み合わせと、抽出した特徴量を紐づけて特徴量データベース４０３に記録する。ここで、所定の材料単位とは、例えば、材料サプライヤごとの型番またはロット等の、材料を区別する単位を意味する。

　特徴量データベース４０３に記録されたデータ群のことを本実施例では、特徴量データセットという。特徴量抽出部４０２における処理に関しては、図６および図７を用いて後述する。射出成形機と金型の組み合わせを固定すると共に、射出成形プロセス５５における成形条件を固定した状態において、所定の材料単位だけが変化した場合、センサ５８から得られる物理量から抽出される特徴量は、材料単位間の材料情報（例えば、流動性や物性値）の変化の影響を強く受ける。

　このため、材料単位間の材料情報のばらつきを特徴量間のばらつきとして記録することが可能なる。ここで、センサ５８から得られる物理量から抽出される特徴量は、射出成形機および金型の機差による影響を受けるため、材料単位間の材料情報のばらつきを特徴量間のばらつきとして保存する。すなわち、特徴量データセットは、射出成形機と金型の組み合わせごとに記録される。以下で説明する特徴量データセットは、全て、射出成形機と金型の組み合わせが固定されている。

　次元削減モデル学習部４０４は、特徴量データベースに記録された、特徴量データセットに対して、次元削減モデルを用いて、特徴量の次元をより低次元なベクトルに変換する機能である。変換後の次元は、学習及び最適化システムのユーザが任意の次元を設定できる。次元削減とは、入力ベクトルの情報をできるだけ失わないようにして、入力ベクトルより低次元なベクトルに抽出する教師無し学習手法である、次元削減モデルには、例えば、主成分分析やオートエーダ、ＵＭＡＰ等が存在する。

　一般に、多次元ベクトルを低次元なベクトルに変換することにより、データの解釈性が向上したり、回帰モデル生成時の汎化性能が向上したりする可能性がある。特徴量データベース４０３の特徴量データセットを用いて、次元削減モデルを学習することにより、学習済みの次元削減モデルが生成される。学習済み次元削減モデルに、特徴量データベースに記録された特徴量データを入力すると、ユーザが指定した次元数に変換されたベクトルが出力される。

　学習済み次元削減モデル保存部４０５は、次元削減モデル学習部４０４により生成された次元削減モデルを、学習済み次元削減モデル記憶部４０６に記録する機能である。

　プロセスデータ記録部４０７について説明する。プロセスデータ記録部４０７は、射出成形プロセス５４または射出成形プロセス５５のいずれかによって成形された成形品品質と、射出成形機に入力した成形条件と、所定の材料単位と、射出成形機と金型との組み合わせと、を紐づけてプロセスデータベース４０８に記録する。

　本実施例では、プロセスデータベースに記録されたデータ群をプロセスデータセットという。特徴量データセットと同様、プロセスデータセットも射出成形機と金型の組み合わせごとに記録される。以下で述べるプロセスデータセットでは、射出成形機と金型の組み合わせは固定されているものとする。

　次元削減モデル読み出し部４０９は、学習済み次元削減モデル記憶部４０６に記録された学習済み次元削減モデルを読み出す機能である。読み出された次元削減モデルは、次元削減実行部４１０に出力される。

　次元削減実行部４１０は、特徴量データベース４０３から読み込んだ特徴量データセットに対して、次元削減モデル読み出し部４０９から読み出された学習済み次元削減モデルを用いて、特徴量データベースの次元を削減する機能である。次元削減結果に関する詳細は、図９～図１１を用いて後述する。次元削減後のデータセットは、連結処理部４１１に出力される。

　連結処理部４１１は、次元削減実行部４１０から出力された材料情報と紐づいた次元削減後の特徴量データセットと、プロセスデータベース４０８から取得した材料情報と、成形条件と、成形品品質とが紐づいたプロセスデータセットに対して、材料情報を結合キーとして、成形条件と、成形品品質と、次元削減後のベクトルとが対応したデータセット（以下、このデータセットを学習用データセットという）を生成し、この学習用データセットを学習用データベース４１２に記録する。

　ここで、連結処理部４１１は、次元削減後の特徴量データセットを必ずしも用いる必要はなく、次元削減後の特徴量データセットの代わりに、特徴量データベース４０３から、材料情報に紐づいた特徴量データセットをプロセスデータベースセットと結合して、学習用データセットを生成し、これを学習用データベース４１２に記録してもよい。本実施例における以下の説明では、次元削減後のベクトルを用いて学習用データセットを生成した場合で説明する。

　回帰モデル学習部４１３は、学習用データベース４１２から学習用データセットを取得し、説明変数を次元削減後のベクトルおよび成形条件、目的変数を成形品品質として回帰モデルを用いて、説明変数から目的変数を予測する回帰モデルを学習し、学習済み回帰モデルを生成する機能である。

　一般に回帰モデルとは、説明変数（Ｘ）から目的変数（ｙ）を予測するモデル（ｙ＝ｆ（Ｘ））のことを指し、モデル内のパラメータは学習用データによって決定される。本実施例の説明において「回帰モデル」と述べるときは、回帰モデル全般のことを指し、「学習済み回帰モデル」と述べるときは、学習用データによって、モデルのパラメータが決定された回帰モデルのことを指す。

　本実施例において、回帰モデルには、例えば線形回帰、リッジ回帰、サポートベクタマシン、ニューラルネットワーク、ランダムフォレスト回帰等の回帰モデル、またはこれらを組み合わせた回帰モデルを用いてよい。また、使用する回帰モデルが、例えばニューラルネットワークのように１つ以上の目的変数を持つことができる場合は、目的変数として成形品品質を１つ以上選定してもよい。具体的な回帰モデルの学習に関しては、図９～図１３を用いて後述する。

　回帰モデル保存部４１４は、回帰モデル学習部４１３において生成された学習済み回帰モデルを、学習済み回帰モデル記憶部４１５に記録する機能である。回帰モデル読み出し部４１６は、学習済み回帰モデル記憶部４１５から学習済み回帰モデルを取得し、最適条件生成部４１７へ入力する。

　最適条件生成部４１７は、要求された品質を達成するための成形条件（射出成形条件）を生成する機能である。最適条件生成部４１７は、製造条件決定部３１から成形品の要求品質を取得し、回帰モデル読み出し部４１６から学習済み回帰モデルを取得し、連結処理部４１１から第２の材用に対する次元削減後の特徴量データを取得することにより、要求品質を達成するための最適な成形条件を生成する。最適な成形条件生成に関しては図１４～図１６を用いて後述する。

　図２は、射出成形条件生成システム１の実現に使用することができる計算機１０の構成例を示す。ここでは、一つの計算機１０から射出成形条件生成システム１を実現する場合を説明するが、これに限らず、複数の計算機を連携させることにより一つまたは複数の射出成形条件生成システム１を構築することもできる。また、上述の通り、生産管理システム２、製造実行システム３、および製造工場５は、専用のソフトウェアやハードウェアを用いず、各機能の一部または全部をオペレータが実施することで、射出成形条件生成システム１を実現することもできる。

　計算機１０は、例えば、演算装置１１，メモリ１２、記憶装置１３、入力装置１４、出力装置１５、通信装置１６、媒体インターフェース部１７を備えており、それら各装置１１～１７は通信経路ＣＮ１により接続されている。通信経路ＣＮ１は、例えば、内部バス、ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）などである。

　演算装置１１は、例えばマイクロプロセッサなどから構成されている。演算装置１１は、マイクロプロセッサに限らず、例えば、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）などを含んでもよい。演算装置１１は、記憶装置１３に記録されたコンピュータプログラムをメモリ１２に読み出して実行することにより、射出成形条件生成システム１としての各機能２１，３１～３５、４０１～４１７、５１、５２、６０を実現する。

　記憶装置１３は、コンピュータプログラムとデータとを記憶する装置であり、例えば、フラッシュメモリまたはハードディスクなどの書き換え可能な記憶媒体を有する。記憶装置１３には、オペレータにＧＵＩ（Ｇｒａｐｈｉｃａｌ　Ｕｓｅｒ　Ｉｎｔｅｒｆａｃｅ）を提供するＧＵＩ部６０を実現するためのコンピュータプログラムと、上述した各機能２１、３１～３５、４０１～４１７、５１、５２を実現するためのコンピュータプログラムとが格納される。

　入力装置１４は、オペレータが計算機１０に情報を入力する装置である。入力装置１４としては、例えば、キーボード、タッチパネル、マウスなどのポインティングデバイス、音声指示装置（いずれも不図示）などがある。出力装置１５は、計算機１０が情報を出力する装置である。出力装置１５としては、例えば、ディスプレイ、プリンタ、音声合成装置（いずれも不図示）などがある。

　通信装置１６は、外部の情報処理装置と計算機１０とを通信経路ＣＮ２を介して通信させる装置である。外部の情報処理装置としては、図示せぬ計算機のほかに、外部記憶装置１９がある。計算機１０は外部記憶装置１９に記録されたデータ（計算機固有情報、生産実績など）およびコンピュータプログラムを読み込むことができる。計算機１０は、記憶装置１３に記憶されたコンピュータプログラムおよびデータの全部または一部を、外部記憶装置１９に送信して記憶させることもできる。

　媒体インターフェース部１７は、外部記録媒体１８に読み書きする装置である。外部記録媒体１８としては、例えば、ＵＳＢ　（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）メモリ、メモリカード、ハードディスクなどがある。外部記録媒体１８から記憶装置１３に記憶されたコンピュータプログラムおよびデータの全部または一部を外部記録媒体１８に転送して記憶させることもできる。

　図３は、射出成形機５０の概念図である。図３を用いて、射出成形プロセスの各過程を説明する。本実施例において、成形現象とは、射出成形プロセスにおいて生じる一連の現象を示す。本実施例では、射出成形プロセスを、計量及び可塑化過程と、射出および保圧過程と、冷却過程と、取出過程とに大別する。

　計量および可塑化過程では、可塑化用モータ５０１を駆動力としてスクリュー５０２を後退させ、ホッパー５０３から樹脂ペレット５０４をシリンダ５０５内へ供給する。そして、ヒータ５０６による加熱とスクリュー５０２の回転とにより、樹脂を可塑化させて均一な溶融状態とする。スクリュー５０２の背圧および回転数の設定により、溶融樹脂の密度と強化繊維の破断度合いとが変化し、これらの変化は成形品品質に影響を与える。

　射出および保圧過程では、射出用モータ５０７を駆動力としてスクリュー５０２を前進させ、ノズル５０８を介して溶融樹脂を金型５０９内へ射出する。金型５０９内に射出された溶融樹脂には、金型５０９の壁面からの冷却と、流動に起因するせん断発熱とが並行して作用する。すなわち溶融樹脂は、冷却作用と加熱作用を受けながら金型５０９内を流動する。金型５０９を閉じておく力である型締め力が小さい場合は、溶融樹脂の固化後に微小な金型開きが生じてしまい、その微小な隙間により成形品品質が影響を受ける。

　冷却過程では、一定温度に保持された金型５０９により、溶融樹脂が固化温度以下に冷却される。この冷却過程において発生する残留応力は、成形品の品質に影響を与える。残留応力は、金型内での流動により生じる材料物性の異方性、保圧による密度分布、成形収縮率の不均等に伴い発生する。

　取出過程では、金型５０９を開閉するモータ５１１を駆動力として型締機構５１２を駆動させることにより、金型５０９を開く。そして、突き出し用モータ５１３を駆動力としてエジェクタ機構５１４を駆動させることにより、固化した成形品を金型５０９から取り出す場合において、十分な突き出し力が成形品に均等に作用しなかったときには、成形品に残留応力が残ってしまい、成形品の品質に影響する。

　射出成形機５０において、ロードセル５１０による圧力値が、入力された成形条件内の圧力値へ近づくように圧力制御される。シリンダ５０５の温度は、複数のヒータ５０６により制御される。スクリュー５０２の形状とシリンダ５０５の形状とノズル５０８の形状とによって、射出成形機毎に異なる圧力損失が生じる。これにより、金型５０９の樹脂流入口における圧力は、射出成形機に入力された成形条件に示される圧力よりも低い値となる。さらに、ヒータ５０６の配置とノズル部における樹脂のせん断発熱とに起因して、金型５０９の樹脂流入口における樹脂温度は、射出成形機に入力された成形条件に示される樹脂温度と異なる場合がある。

　射出機構の構成（スクリュー５０２の形状、シリンダ５０５の形状、ノズル５０８の形状、ヒータ５０６の配置等）は、射出成形機ごとに異なり、これが機差となり成形品品質に影響を与える場合がある。

　成形品の品質は、形状特性（重量、長さ、厚さ、ヒケ、バリ、反りなど）と、外観不良などの表面特性（ウェルド、シルバー、焼け、白化、傷、気泡、剥離、フローマーク、ジェッティング、色・光沢など）と、機械的・光学特性（引張強度、耐衝撃特性、透過率など）で評価される。

　形状特性は、射出および保圧過程と冷却過程とにおける、圧力および温度の履歴と型締力とに強い相関がある。表面特性は、発生する現象に対してそれぞれ発生要因が異なるが、例えばフローマークおよびジェッティングは、射出過程における樹脂の温度と速度に強い相関がある。機械的および光学的特性は、例えば引張強度の場合、破壊試験での評価が必要となるため、重量などの相関する他の品質指標で評価されることが多い。

　成形条件には、射出成形プロセスの各過程に対応したパラメータが設定される。計量および可塑化過程については、計量位置、サックバック、背圧、背圧速度、および回転数などが設定される。射出および保圧過程については、圧力と温度と時間と速度とがそれぞれ設定される。射出および保圧過程については、射出と圧力とを切り替えるスクリュー位置（ＶＰ切替位置）と、金型５０９の型締め力も設定される。冷却過程については、保圧後の冷却時間が設定される。温度に関するパラメータとして、複数のヒータ５０６の温度、および金型５０９を冷却するための冷媒の温度および流量などが設定される。

　図４は、本実施例において、成形条件の最適化を検証する実験に用いた金型の概要を示す。図４には、製品部の上面図７０と、製品部の側面図７１と、ランナー部の上面図７２とが示されている。この金型は、ランナー部から５点のピンゲート方式で製品部へ樹脂が流入する構造である。実際の成形実験では、ランナーのセンサ配置部７３に圧力センサおよび樹脂センサ（いずれも不図示）を配置し、これらの時間変化を取得した。成形に使用する材料は、ポリプロピレン（ＰＰ）を用いた。射出成形機は、最大型締力１５０ｔおよびスクリュー径４４ｍｍの電動射出成形機を用いた。

　図５は、センサ５８から得られた物理量に対して特徴量抽出部４０２における特徴量抽出を行い、その結果を特徴量データベース４０３へ記録することで、材料情報を取得する方法の例を示すブロック図である。図５に示す材料情報の取得情報は、所定の位置に所定の物理量を計測するセンサが設けられた「センサ付き金型」、「センサ内臓金型」のいずれかを用いることにより実現される。

　まず任意の材料６０１に対して、固定された成形条件である基準成形条件６０２を、実際の射出成形機６０３へ入力することにより、金型内の所定部位における物理量を取得する。ここで、射出成形機６０３は、図３で述べた射出成形機５０に対応する。また、基準条件とは、図１で述べた射出成形プロセス５５を実行する際に射出成形機に入力される条件に対応する。

　金型内の所定部位における物理量は、使用する材料自体の材料情報、金型および射出成形機固有の機差、成形条件の影響をうける。このため、金型と射出成形機の組み合わせごとに基準条件６０１を設定することにより、機差および成形条件の影響を抑制して、材料固有の材料情報を物理量の特徴量として特徴量データベース６１０に記録できる。すなわち、基準条件は、金型と射出成形機の組み合わせごとに変更してもよい。

　実際の射出成形機６０３において成形現象を取得するためには、金型内センサ６０６を用いる。金型６０４内の任意の位置に金型内センサ６０６を配置することにより、金型６０４内の成形現象を直接測定して、材料情報と相関した物理量の実測値６０８を取得することができる。成形品６０５の品質は、製品品質検査６０７により取得できる。

　得られた物理量から、特徴量が抽出される（６０９）。得られた物理量は、いずれも射出成形プロセス中の時間変化として取得されるため、直接評価することは難しい。そこで、本実施例では、物理量の時間変化から、材料情報と相関する特徴量を取得することにより、材料情報の定量的評価した。材料間で共通した基準条件で成形することによって、材料間の特徴量を比較することで、材料間の材料情報が比較可能となる。

　図６および図７を用いて、図４で述べた成形条件の最適化を検証する実験例の測定結果を説明する。図６は、納品時期の異なる３つのＰＰの材料ロットＰ、Ｑ、Ｒそれぞれに対して、基準条件で射出成形した際のランナーのセンサ配置部７３における、圧力センサおよび樹脂センサの時系列データを示す。図６に示すように、同一成形条件であっても、ロット毎に時系列データの変動が異なっており、圧力センサの時系列データが、材料固有の材料情報の影響を受けていることが確認できる。

　図７は、図６における材料ロット毎の圧力センサおよび樹脂温度センサから、ピーク値、最大微分値、ピーク値までの積分値、ピーク値からの積分値を特徴量として抽出した結果例（樹脂温度センサに関しては数値省略）である。図７によれば、特徴量がロット間でばらついていることから、抽出した特徴量が材料情報の影響を受けていることが確認できる。このように、ロット毎に特徴量抽出処理を行い、ロット毎に特徴量が紐づいたデータセットを特徴量データセットといい、特徴量データベース４０３に記録される。本実施例では、図７に示すように、圧力センサおよび樹脂温度センサで４次元ずつ、計８次元の特徴量データセットを使用した。

　以下、物理量を測定する金型の部位、樹脂情報に相関する物理量のパラメータおよび特徴量について説明する。

　まず、物理量を測定する金型内の部位（以下、測定部位）について説明する。いずれの金型構造においても、測定部位は、少なくとも金型内の樹脂流入口からキャビティ内に至るまでのスプルー部あるいはランナー部を含むことが好ましい。

　キャビティ内を測定部位としてもよいが、上述の手順で材料固有の材料情報を導出する際には、樹脂流入口からキャビティに至るまでの各物理量の損失を考慮する必要がある。このため、樹脂流入口からキャビティ内に至るまでの解析精度が保証されている必要がある。また、キャビティ内にセンサを設けて測定する場合、センサ形状に起因した跡が成形品に残る可能性がある。このため、外観品質が要求される場所には、センサを導入できないという制約が生じる。

　そこで、本実施例では、樹脂流入口に近く、外観品質は要求されないスプルー部あるいはランナー部を測定部位とすることにより、簡便かつ高精度に材料固有の材料情報に相関する物理量を求めることができるようにした。

　スプルー部およびランナー部に加えて、例えば、キャビティ内のゲート直下部、樹脂合流部（ウェルド部）、流動末端部などのように、特徴的な流動が観測されうる部位を測定部位として使用してもよい。この場合、複数のセンサにより得られる物理量から、より高精度に材料固有の材料情報に相関する物理量を求めることができる。

　例えば、複数の測定部位でのフローフロントの通過時刻から、溶融樹脂の流速を求めることができるため、溶融樹脂の速度についての材料情報を導出できる。さらに、このときの圧力と温度とを測定することにより、金型内の溶融樹脂の粘度を推定できる。

　なお、金型構造と測定する物理量とによって、適切な測定部位は異なる。金型開き量以外の物理量では、いずれの金型構造であっても、可能であるならスプルー部を測定部位とするのが好ましい。なお、本明細書において「好ましい」という表現は、何らかの有利な効果を期待できるという意味で使用しているにすぎず、その構成が必須であることを意味していない。

　サイドゲート、ジャンプゲート、サブマリンゲート、およびバナナゲートでは、スプルー部直下のランナー部や、ゲート直前のランナー部などにセンサ配置する。ピンゲートの場合、３プレート構造となるため、センサ配置には工夫が必要だが、スプルー部直下のランナー部などにセンサを配置する。ピンゲートの場合、キャビティには繋がらないダミーのランナーを測定用に設けて測定部位としてもよい。測定専用の部位を設けることにより、金型設計の自由度が向上する。ピンゲートの場合、キャビティには繋がらないダミーのランナーを測定用に設けて測定部位としてよい。測定専用の部位を設けることにより、金型設計の自由度が向上する。フィルムゲートやファンゲートの場合、ゲート部に流入する前のランナー部にセンサを設置する。

　上述の物理量として測定するパラメータについて説明する。本実施例では、材料情報に応じた成形条件の最適化を行うために、少なくとも圧力および温度を測定する。圧力と温度の測定には、例えば、金型内圧力センサ、金型表面温度センサ、樹脂温度センサなどを用いることができる。樹脂温度センサには、熱電対などの接触式温度センサ、または赤外線放射温度計などの非接触式温度センサのいずれかまたは両方を用いることができる、圧力と温度とのいずれの物理量も、射出成形プロセス中の時間変化を記録する。

　射出成形条件の最適化システム１は、金型開き量と温度と圧力とに加えて、フローフロント速度やフローフロント通過時刻を取得してもよい。フローフロントの速度とフローフロントの通過とを検出するセンサからは、射出成形プロセス中の時間変化ではなく、フローフロント通過時点の情報を得ることができる。フローフロント通過時刻を取得する場合は、少なくとも２つ以上のセンサを設けて、２点間での樹脂の通過時刻を比較する。フローフロントの速度と通過時刻とを検出することにより、射出速度をより正確に評価することができる。

　上述の物理量の特徴量について説明する。本実施例においては、例えば、圧力の最大値（時間変化のピーク値）と積分値と、温度の最大値（時間変化のピーク値）とを用いることができる。また、圧力の時間変化に対して、時間微分値の最大値を取得することも有効である。圧力の時間微分値の最大値は、材料の瞬間粘度と相関がある。圧力の積分値は、射出過程と保圧過程で分けて算出してもよい。射出過程における圧力の積分値は、射出過程における材料の平均粘度と相関がある。

　赤外線放射式の樹脂温度センサを用いる場合、射出過程における温度センサの時間変化の出力値に対して、時間微分値の最大値を取得してもよい。この特徴量は、溶融樹脂のフローフロント速度と相関がある。フローフロント速度を取得する場合、そのまま流動速度に相関する特徴量として用いる。フローフロント通過時刻を取得する場合、２点間の通過時刻から流速を計算して特徴量として用いる。射出速度の設定値（基準条件において材料によらず固定値）に対する流速の関係を記録しておくことで、射出速度をより正確に記録可能になる。

　図８を用いて、プロセスデータベース４０８に記録されるプロセスデータセットを説明する。プロセスデータベース４０８には、射出成形プロセス５４または射出成形プロセス５５によって成形された成形品の成形品品質と、射出成形機に入力した成形条件と、所定の材料単位と、射出成形機と金型の組み合わせとが紐づいたデータが記録されており、プロセスデータセットは、射出成形機と金型の組み合わせごとに記録される。

　本実施例では、前述した材料ロットＰ，Ｑ，Ｒを使用し、成形品品質として成形品重量を設定し、成形条件のパラメータとして、型締圧、金型温度、成形ノズル温度、射出速度、保圧圧力、Ｖ－Ｐ切替位置、冷却時間を設定した。成形条件のパラメータには上述以外のパラメータを追加または、上述のパラメータのどれか一つ以上を削減してもよいが、成形条件のパラメータとしては、成形品品質（本実施例の場合は成形品重量）に相関するパラメータを少なくとも１つ以上含んでいることが好ましい。

　本実施例における、射出成形機と金型の組み合わせごとに記録されるプロセスデータベースの一例が図８であり、成形条件、材用ロット、成形品重量が紐づいている。具体的には、図８の＃１の場合、成形条件のパラメータとして、型締圧を１２０［ｔ］、金型温度を３０［℃］、成形ノズル温度を１８０［℃］、射出速度を４０［ｍｍ／ｓ］、保圧圧力を３０［ｋｇ／ｍ２］、Ｖ－Ｐ切替位置を１０［ｍｍ］、冷却時間を３５［ｓ］を設定し、材料ロットとしてロットＰを用いて複数回ショットを行った時の成形品重量の平均値が６２．８３［ｇ］であったことを示している。ここで、試し成形において変更する成形条件および材料ロットは、例えば実験計画法に基づいて決定してもよいし、ＣＡＥシミュレーションによる結果をもとに決定してもよい。

　図９～図１６を用いて、学習及び最適化システム４における成形条件最適化の方法について説明する。学習及び最適化システム４は、最適化モードおよび学習モードの２つの機能を備える。最適化モードでは、第２の材料に対して要求品質を満たす最適な成形条件を生成する。一方、学習モードでは、最適化モードに使用するための学習済み次元削減モデルおよび学習済み回帰モデルを生成する。

　図９～図１３を用いて、学習モードについて説明する。図９は、学習モードのフローチャートを示す。学習モードが開始すると、まず、学習及び最適化システム４は、特徴量データベース４０３より特徴量データセット（特徴量データセットの例は図７）を読み出し、標準化処理を行う（Ｓ１０１）。

　標準化処理とは、対象とするデータセットの各列ごとに、データ群の平均値及び標準偏差を算出し、データ群の当該数値から平均値を引き、標準偏差で割る処理である。標準化処理により各列のデータ群は平均が０、標準偏差が１になるため、列間の単位の違いによる影響を除くことができる。一般に、標準化処理を行うことにより、次元削減モデルや回帰モデルの学習精度を向上させる効果がある。

　次に、学習及び最適化システム４は、標準化処理がされた特徴量データセットに対して、次元削減モデルの学習を行う（Ｓ１０２）。本実施例では、次元削減モデルとしてＵＭＡＰを用いて、８次元の特徴量データセットを２次元に削減した。

　ＵＭＡＰは、入力データ間の位置情報を保持しながら入力データよりも低次元なデータに変換する、非線形な次元削減モデルである。次元削減に関する他の公知のモデルとしては主成分分析、オートエンコーダが存在し、これらを特徴量データセットの次元削減モデルとして使用してもよい。

　図１０は、材料ロットＰ、Ｑ、Ｒそれぞれを射出成形プロセス５５における基準条件で４０ショットずつ成形した特徴量データセット（次元数：８、サンプル数１２０）に対して、次元削減モデルのＵＭＡＰを用いて２次元ベクトルＺ（Ｚ１、Ｚ２）に変換し、２次元平面にプロットしたグラフである。

　図１０における１点は１ショットと対応し、材料ロットに応じて点の形状が異なっている。図１０より、材料ロットが同じ点同士の距離は近く、材料ロットが異なる点同士の距離は遠いので、次元削減後のベクトルＺは、ロット間の材料情報の違いを表現できていることが確認できる。すなわち、学習済み次元削減モデルは、８次元の入力データから材料情報に相関する２次元のデータを生成する。本実施例では次元削減後のベクトルを２次元としたが、入力次元数よりも低ければ１次元以上のどの次元に削減してもよい。

　図９に戻る。学習及び最適化システム４は、標準化処理に係わる情報と学習済み次元削減モデルを、学習済み次元削減モデル記憶部４０６へ保存する（Ｓ１０３）。標準化処理に係わる情報とは、特徴量データセットの各列の平均値および標準偏差を意味する。

　学習及び最適化システム４は、図１１に示すように、次元削減モデルから得られた次元削減後のベクトルＺに対して、各ベクトルの次元の平均値をロット毎に計算し、平均値をロットと対応付け、これを次元削減後の特徴量データセットとして生成する（Ｓ１０４）。

　学習及び最適化システム４は、次元削減後の特徴量データセットと、プロセスデータベース４０８に保存されているプロセスデータセットとを読み出し、ロットを結合キーとして結合させることにより、学習用データセットを生成し、これを学習用データベース４１２に記録させる（Ｓ１０５）。

　図１２は、図８に示したプロセスデータセットと図１１に示した次元削減後の特徴量データセットとを結合して生成した学習用データセットの例を示す。図１２より、図８のプロセスデータセットにおける材料ロットの列が、次元削減後の特徴量Ｚ（Ｚ１，Ｚ２）で置き換えられていることが確認できる。

　学習用データセットを基に回帰モデルを生成する際、学習用データセットの次元数が不必要に多い場合、学習にかかるコストが高くなりかつ精度も不安定になる可能性が高くなる。このため、プロセスデータセットと次元削減後のデータセットを結合して学習用データセットを生成する方が好ましい。しかし、プロセスデータセットと次元削減を実施していない特徴量データセットとを結合して学習用データセットを生成してもよい。

　学習及び最適化システム４は、学習用データセットに対して、ステップＳ１０１で行ったように、データセットの各列ごとに標準化処理を実施する（Ｓ１０６）。

　学習及び最適化システム４は、標準化処理後のデータセットを用いて、目的変数（出力パラメータ）として重量、説明変数（入力パラメータ）として、型締圧、金型温度、成形ノズル温度、射出速度、保圧圧力、Ｖ－Ｐ切替位置、冷却時間、Ｚ１、Ｚ２とした回帰モデルを機械学習により生成する（Ｓ１０７）。

　本実施例では、サポートベクタ回帰を用いて学習済み回帰モデルを生成したが、回帰モデルには、線形回帰、リッジ回帰、サポートベクタマシン、ニューラルネットワーク、ランダムフォレスト回帰等の回帰モデル、又は、これらを組み合わせた回帰モデルを用いてよい。

　図１３は、本実施例において、サポートベクタ回帰によって生成された学習済み回帰モデルの性能評価結果を示す。本性能評価は、本実施例で生成した学習済み回帰モデルの有効性を確かめるために行ったものであり、射出成形条件の最適化システム１を実行するうえで必ずしも実施する必要はない。以下、本性能評価の方法について説明する。

　前述した図１２のデータ構造で示される学習用データセットに対して、無作為抽出を行うことにより、第１データセットおよび第２データセットに分割した。そして、本性能評価では、第１データセットを用いて、サポートベクタ回帰の学習済み回帰モデルを生成した。本性能評価では、学習済み回帰モデルに第１データセットおよび第２データセットの説明変数を入力することにより、成形品重量の予測値を算出した。

　図１３は、成形品の実測重量と予測重量の関係を示すグラフである。横軸は、成形品品質検査部５７で測定された成形品の実測重量を示す。縦軸は、学習済み回帰モデルに基づく成形品の予測重量を示す。点線の直線は、実測重量と予測重量が一致するときの参考線を示す。各点が参考線に近いほど予測値の精度が高い。

　一般に回帰モデルの予測精度を定量評価する代表的な指標としては、決定係数が使用され、決定係数が１に近づくほど、回帰モデルの予測精度が高いことを示す。図１３より、第１データセットおよび第２データセットの決定係数は０．９以上と高いことが確認できる。また、回帰モデルの学習に使用していない第２のデータセットに対する決定係数と、回帰モデルの学習に使用した第１のデータセットに対する決定係数との乖離が小さいことから、本学習済み回帰モデルの汎化性能も良好なことを確認できる。本評価によって、射出成形プロセス５４における試し成形から得られる成形条件および材料情報に相関する次元削減後の特徴量Ｚを含んだ学習用データセットを用いることで、成形品重量を予測する良好なモデルが得られることが確認できる。

　図９に戻る。学習及び最適化システム４は、標準化処理に係わる情報および学習済みの回帰モデルを、学習済み回帰モデル記憶部４１５に保存して（Ｓ１０８）、学習モードを終了する。

　図１４～図１６を用いて、学習及び最適化システム４における最適化モードについて説明する。最適化モードは、第２の材料が要求品質を満たすための最適な成形条件を、学習モードで生成した次元削減モデルおよび学習済み回帰モデル、第２の材料の特徴量データセット、最適化アルゴリズムに基づいて生成する。

　図１４は、最適化モードのフローチャートを示す。最適化モードでは、製造条件決定部３１から、要求品質情報として成形品の目標重量を読み出す（Ｓ２０１）。

　学習及び最適化システム４は、第２の材料を用いて、射出成形プロセス５５における基準条件での成形を所定のショット数行う（Ｓ２０２）。学習及び最適化システム４は、その成形結果に対し、特徴量抽出部４０２によって第２の材料の特徴量データセットを作成する（Ｓ２０３）。

　学習及び最適化システム４は、学習済み次元削減モデル記憶部４０６から、学習モードで生成された特徴量データベースの標準化処理情報および学習済み次元削減モデルを読み出す（Ｓ２０４）。

　学習及び最適化システム４は、第２の材料の特徴量データセットに対して、特徴量データベースの標準化処理情報に基づく標準化処理と、学習済み次元削減モデルに基づく次元削減とを実施し、第２の材料の次元削減後の特徴量を生成する（Ｓ２０５）。本実施例における、第２の材料の次元削減後の特徴量は（Ｚ１，Ｚ２）＝（０．３８，－４．０）となった。

　学習及び最適化システム４は、学習済み回帰モデル記憶部４１５から学習用データベースの標準化処理情報および学習済み回帰モデルを読み出し（Ｓ２０６）、目標重量、第２の材料の次元削減後の特徴量データセット、標準化処理情報、学習済み回帰モデル、公知の最適化アルゴリズムを基に、成形条件を最適化する。

　本実施例では、最適化アルゴリズムとしてグリッドサーチ法を用いた例で説明する。最適化アルゴリズムには、グリッドサーチ法以外にも、勾配法、疑似アニーリング法、遺伝的アルゴリズム、ベイズ最適化を使用してよい。また、これらの最適化アルゴリズムを組み合わせて、成形条件の最適化を行ってもよい。

　図１４のステップＳ２０７～Ｓ２０９を用いて、グリッドサーチ法による成形条件最適化の方法を説明する。まず、グリッドサーチ法の概要を説明する。

　グリッドサーチ法とは、説明変数の各パラメータに対して候補値を複数設定しておき、各パラメータの候補値の組み合わせで構成される説明変数の全組み合わせに対して、学習済み回帰モデルを用いて目的変数の予測値を算出し、予測値と目標値との乖離が最も小さい説明変数の組み合わせを抽出する最適化アルゴリズムである。グリッドサーチ法は、他の一般的な最適化アルゴリズムと比較して、局所的な特徴が大域的特徴よりも強い問題に対してもロバストに大域的最適解を求めることができるだけでなく、説明変数の空間全域における目的変数の分布を把握することも可能となる。

　本実施例では、まず、回帰モデルの説明変数のパラメータの全組み合わせを作成しておく（Ｓ２０７）。本実施例における回帰モデルの説明変数のパラメータには、図１２の学習用データセットの例に示すように、成形条件に係わるパラメータ（型締圧、金型温度、成形ノズル温度、射出速度、保圧圧力、Ｖ－Ｐ切替位置、冷却時間）と、材料情報に係わるパラメータ（次元削減後の特徴量Ｚ１およびＺ２）とが存在する。

　説明変数のパラメータの中で、成形条件に係わるパラメータに関しては、各パラメータの最大値と最小値とを決めておき、射出成形機における各パラメータの設定分解能を刻み幅として候補値を作成しておく。材料情報に係わるパラメータに関しては、ステップＳ２０５で作成した特徴量データセットの値を用いて、説明変数のパラメータの組み合わせを作成した。成形条件に係わるパラメータに関して、例えば型締圧は、最小値を１２０［ｔ］、最大値を１５０［ｔ］として、１［ｔ］ずつ変化させた。図１５は、本実施例において作成したパラメータの組み合わせ例を示す。このように、材料情報に係わるパラメータを固定することで、第２の材料を使用した際の最適な成形条件が生成可能となる。

　学習及び最適化システム４は、パラメータの組み合わせ毎に、学習用データベースの標準化処理情報と学習済み回帰モデルを用いて、成形品重量を算出する（Ｓ２０８）。

　学習及び最適化システム４は、予測値と目標値との乖離を定量評価するために、予測値と目標値の差の絶対値を算出し、差の絶対値を昇順ソートすることにより、最も目標重量に近づく成形条件を最適条件として生成する（Ｓ２０９）。

　予測値と目標値との乖離を定量評価について、本実施例では、予測値と目標値との差の絶対値を設定したが、例えば予測値と目標値の差の事情値等、予測値と目標値との乖離を表す他の指標を設定してもよい。

　本実施例では、要求品質が成形品重量だけの場合を説明したが、要求品質が成形品重量と成形品寸法のように複数存在する場合にも適用可能である。要求品質で対象とする目標値と予測との乖離を表す任意の指標を設定することができる。

　図１６は、本実施例において、第２の材料を使用して、射出成形プロセス５５における基準条件で成形した成形品の重量および、第２の材料に対して生成された最適化条件で成形した成形品の重量の分布を示す。

　最適な成形条件を生成するうえで最適条件生成部４１７に入力した、要求品質（成形品重量）は、６３．８９［ｇ］であり、図１６では、縦軸に平行な点線で示している。各分布において、成形品の個数は４０個であり、それぞれ成形品の個数で規格されており、縦軸は確率密度を示す。

　図１６によれば、成形品重量が要求品質に近づいており、生成した成形条件の妥当性を確認できる。このように樹脂の材料特性が変動しても、要求品質を満たす成形条件の最適化が可能となる。

１：射出成形条件生成システム、２：生産管理システム、３：製造実行システム、４：学習及び最適化システム、５：製造工場、３１：製造条件決定部、３２：生産実績記憶部、３３：生産実績取得部、３４：製造実行指示部、３５：生産実績記録部、４０１：センサ情報記録部、４０２：特徴量抽出部、４０３：特徴量データベース、４０４：次元削減モデル学習部、４０５：学習済み次元削減モデル保存部、４０６：次元削減モデル読み出し部、４０７：プロセスデータ記録部、４０８：プロセスデータベース、４０９：次元削減モデル読み出し部、４１０：次元削減実行部、４１１：連結処理部、４１２：学習用データベース、４１３：回帰モデル学習部、４１４：回帰モデル保存部、４１５：学習済み回帰モデル記憶部、４１６：回帰モデル読み出し部、４１７：最適条件生成部、５１：製造実行部、５２：成形条件作成部、５７：成形品品質検査部、５８：センサ

Claims (11)

1. 　計算機を用いて射出成形条件を生成する射出成形条件生成システムであって、
   　前記計算機はプロセッサと前記プロセッサにより使用されるメモリを含み、
   　前記プロセッサは、第１樹脂材料の第１材料特性値を取得すると、成形品の品質に関する品質パラメータの目標値と前記第１材料特性値と前記所定の関係式とに基づいて、前記第１樹脂材料を用いた射出成形の射出成形条件を生成し、
   　前記所定の関係式は、樹脂材料の材料特性値と、射出成形機へ入力する複数の射出成形条件と、前記材料特性値および前記各射出成形条件に基づいて前記射出成形機で成形される成形品の品質に関する品質パラメータとの関係を示す式であり、樹脂材料の材料特性値と射出成形条件と品質パラメータとが紐付けられて前記メモリに蓄積されたデータを基にして生成される
   射出成形条件生成システム。
2. 　請求項１記載の射出成形条件生成システムであって、
   　前記所定の関係式の生成に使用される前記材料特性値は、樹脂材料の所定の単位毎に、各所定の単位間で共通の基準射出成形条件により成形した際の、金型内センサの測定値の特徴量に基づいて生成される
   射出成形条件生成システム。
3. 　請求項２記載の射出成形条件生成システムであって、
   　前記所定の単位は、材料サプライヤから供給されるリサイクル材の納品単位である
   射出成形条件生成システム。
4. 　請求項２記載の射出成形条件生成システムであって、
   　前記所定の単位は、同一種類のバージン材が複数の異なる材料サプライヤから供給される場合の、材料サプライヤ単位である
   射出成形条件生成システム。
5. 　請求項２～請求項４のいずれか一項に記載の射出成形条件生成システムであって、
   　前記所定の関係式は、
   　　試行用樹脂材料に対して射出成形条件を変えながら試し成形した際の成形品の品質に関する品質パラメータを出力パラメータとし、前記射出成形条件と前記試行用樹脂材料の材料特性値とを入力パラメータとする回帰式であって、機械学習モデルを用いて生成される
   射出成形条件生成システム。
6. 　請求項５記載の射出成形条件生成システムであって、
   　前記所定の関係式における前記射出成形条件には、
   　　型締め圧、射出速度、射出成形機のノズル部の温度、保圧圧力、速度―圧力制御切替位置、金型温度のうち少なくともいずれか一つが含まれる
   射出成形条件生成システム。
7. 　請求項５または請求項６のいずれかに記載の射出成形条件生成システムであって、
   　前記所定の関係式における前記品質パラメータには、
   　　前記所定の単位における、成形品の重量の平均値、成形品の寸法の平均値、成形品の反り量の平均値、成形品の不良率のうち少なくともいずれか一つが含まれる
   射出成形条件生成システム。
8. 　請求項５～請求項７のいずれか一項に記載の射出成形条件生成システムであって、
   　前記特徴量には、温度、速度、圧力のうち少なくともいずれか一つが含まれる
   射出成形条件生成システム。
9. 　請求項５～請求項８のいずれか一項に記載の射出成形条件生成システムであって、
   　前記特徴量には、樹脂材料の流動性が含まれており、
   　前記樹脂材料の流動性は、前記金型内センサの測定値のピーク値、射出開始からピークまでの前記測定値の積分値、射出開始から型開きまでの前記測定値の積分値、前記測定値の最大微分値のうちの少なくともいずれか一つに基づいて計算される
   射出成形条件生成システム。
10. 　請求項７～請求項９のいずれか一項に記載の射出成形条件生成システムであって、
    　前記特徴量の次元数を削減し、削減後の特徴量を前記材料特性値として使用する
    射出成形条件生成システム。
11. 　計算機を用いて射出成形条件を生成する射出成形条件生成方法であって、
    　前記計算機は、
    　　第１樹脂材料の第１材料特性値を取得し、
    　　成形品の品質に関する品質パラメータの目標値と前記第１材料特性値と前記所定の関係式とに基づいて、前記第１樹脂材料を用いた射出成形の射出成形条件を生成し、
    　　生成された射出成形条件を出力し、
    　前記所定の関係式は、樹脂材料の材料特性値と、射出成形機へ入力する複数の射出成形条件と、前記材料特性値および前記各射出成形条件に基づいて前記射出成形機で成形される成形品の品質に関する品質パラメータとの関係を示す式であり、樹脂材料の材料特性値と射出成形条件と品質パラメータとが紐付けられて蓄積されたデータを基にして生成される
    射出成形条件生成方法。

Images