WO2022210425A1 - 射出成形条件の探索支援装置及びその方法、プログラム及び記録媒体 - Google Patents

射出成形条件の探索支援装置及びその方法、プログラム及び記録媒体 Download PDF

Info

Publication number
WO2022210425A1
WO2022210425A1 PCT/JP2022/014669 JP2022014669W WO2022210425A1 WO 2022210425 A1 WO2022210425 A1 WO 2022210425A1 JP 2022014669 W JP2022014669 W JP 2022014669W WO 2022210425 A1 WO2022210425 A1 WO 2022210425A1
Authority
WO
WIPO (PCT)
Prior art keywords
injection molding
quality
probability
molding condition
molding conditions
Prior art date
Application number
PCT/JP2022/014669
Other languages
English (en)
French (fr)
Inventor
夏越 浅川
真修 中園
Original Assignee
住友重機械工業株式会社
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
Application filed by 住友重機械工業株式会社 filed Critical 住友重機械工業株式会社
Priority to DE112022001901.8T priority Critical patent/DE112022001901T5/de
Priority to JP2023511204A priority patent/JPWO2022210425A1/ja
Priority to CN202280008207.6A priority patent/CN116600964A/zh
Publication of WO2022210425A1 publication Critical patent/WO2022210425A1/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
    • B29C45/766—Measuring, controlling or regulating the setting or resetting of moulding conditions, e.g. before starting a cycle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76929—Controlling method
    • B29C2945/76939—Using stored or historical data sets
    • B29C2945/76949—Using stored or historical data sets using a learning system, i.e. the system accumulates experience from previous occurrences, e.g. adaptive control

Definitions

  • the present disclosure relates to an injection molding condition search support device, its method, program, and recording medium.
  • Patent Document 1 relates to an injection molding machine with a machine learning function, and in particular discloses a device and method for supporting determination of molding conditions. Specifically, it learns the correlation between the molding conditions and the quality of the molded product, and when a quality-related defect occurs, the user is presented with which molding conditions should be adjusted in order to improve the quality defect. See paragraphs 0009 to 0010 of the same document).
  • the technology for obtaining good product conditions by modeling the relationship between injection molding conditions and molding quality using machine learning assumes a well-learned model.
  • the accuracy may decrease because the influence of noise on molding quality cannot be considered.
  • a situation where there is not enough learning data is, for example, the launch of a new mold.
  • Different molds have different relationships between injection molding conditions and molding quality, so even if there is existing learning data, it cannot be used as it is.
  • Noise related to molding quality is considered to be small for molding quality measured by various sensors, but tends to be large for quality evaluated by humans.
  • the inventors of the present application have developed an apparatus and method for assisting the search for injection molding conditions that can facilitate reducing or avoiding the effects of noise on molding quality and/or restrictions on the number of learning data. I found a new meaning in providing.
  • An injection molding condition search support device is an injection molding condition search support device for an injection molding machine that manufactures a molded product by executing injection molding based on input of injection molding conditions, A prediction model generation unit that generates a prediction model for predicting quality regarding unknown injection molding conditions based on prior data in which injection molding condition data and molded product quality data are associated, wherein the prediction model includes (i) injection molding A prediction model for calculating a first probability distribution in which the predicted value and variance of quality continuously change according to changes in conditions, and/or (ii) the occurrence of specific phenomena related to quality according to changes in injection molding conditions.
  • a predictive model generation unit including a predictive model for calculating a second probability distribution whose probability changes continuously; Evaluation of one or more first probability distributions on quality and/or evaluation of two or more second probability distributions on two or more specific phenomena and/or at least one first probability distribution and at least one second probability
  • An injection molding condition determination unit is included that determines the next injection molding condition to be set in the injection molding machine based on the evaluation of the distribution.
  • An injection molding condition search support method is an injection molding condition search support method for an injection molding machine that manufactures a molded product by executing injection molding based on input of injection molding conditions, Generating a predictive model that predicts quality for unknown injection molding conditions based on prior data associated with injection molding condition data and molded product quality data, the predictive model: (i) in response to changes in the injection molding conditions; A prediction model for calculating a first probability distribution in which the predicted value and variance of quality change continuously, and/or (ii) the probability of occurrence of a specific phenomenon related to quality changes continuously according to changes in injection molding conditions.
  • a prediction model for calculating a second probability distribution to Determining the next injection molding condition to be set in the injection molding machine based on the evaluation of one or more first probability distributions regarding quality and/or the evaluation of two or more second probability distributions regarding two or more specific phenomena. do.
  • a program for implementing this method is similarly comprehensible, and the concept is substantially disclosed in this specification.
  • the program can be distributed by being recorded on a non-temporary recording medium (for example, an optical disk, a magnetic disk, a hard disk, a semiconductor memory, etc.) as well as being downloaded from a server.
  • a non-transitory storage medium is a tangible object that does not contain a communication line on which such programs are temporarily propagated as data.
  • an apparatus and method for assisting in the search for injection molding conditions that can facilitate reducing or avoiding the effects of constraints on the number of training data and/or noise on molding quality.
  • FIG. 1 is a schematic diagram showing a schematic configuration of an injection molding machine according to one aspect of the present disclosure
  • FIG. 2 is a schematic block diagram mainly showing a control section of the injection molding machine
  • FIG. 2 is a schematic block diagram mainly showing a predictive model generator and an injection molding condition determiner
  • It is a schematic diagram which shows a 1st probability distribution.
  • FIG. 10 is a schematic diagram showing two different second probability distributions derived by the classification model derivation unit for each of two different qualities
  • 4 is a schematic flow chart showing the operation of the control section of the injection molding machine;
  • Non-limiting embodiments and features of the present invention will now be described with reference to FIGS.
  • a person skilled in the art can combine each embodiment and/or each feature without undue explanation, and can also understand the synergistic effect of this combination. Redundant explanations among the embodiments will be omitted in principle.
  • the referenced drawings are primarily for the purpose of describing the invention and are simplified for drawing convenience. Each feature is not valid only for the search support device disclosed in this specification, but is understood as a universal feature that applies to various other search support devices not disclosed in this specification. .
  • an injection molding machine 1 has a mold clamping device 2 and an injection device 3 mounted on a common or different base 4 .
  • the injection molding machine 1 continuously manufactures molded products based on cooperative operations of the mold clamping device 2 and the injection device 3 .
  • the mold clamping device 2 is configured to repeat a mold closing, mold clamping, and mold opening loop.
  • the injection device 3 is configured to repeat a loop of a metering process, a filling process, and a holding pressure process.
  • a mold device 5 is attached to the mold clamping device 2 .
  • a specific configuration of the mold device 5 is determined by the shape, size, and number of injection-molded articles.
  • the mold device 5 can be of the two-plate or three-plate type. In some forms, mold assembly 5 has one or more stationary molds 51 and one or more movable molds 52 .
  • the mold clamping device 2 has a stationary platen 21 , a movable platen 22 , a toggle mechanism 23 , a toggle support 24 , a plurality of tie bars 25 , a mold clamping motor 26 and a mold thickness adjusting mechanism 27 .
  • the toggle support 24 and the movable platen 22 are connected via the toggle mechanism 23 , and the movable platen 22 can move forward and backward with respect to the stationary platen 21 based on the operation of the toggle mechanism 23 .
  • the operation of the mold clamping motor 26 changes the state of the toggle mechanism 23 and changes the position of the movable platen 22 .
  • the mold device 5 can be introduced into the space between the stationary platen 21 and the movable platen 22 .
  • fixed and movable molds 51, 52 are attached to fixed and movable platens 21, 22, respectively.
  • the movable platen 22 is moved toward the stationary platen 21 to close the mold device 5, then clamp the mold, and finally open the mold.
  • the mold is closed in a state in which the opposing surface of the fixed mold 51 and the opposing surface of the movable mold 52 are in contact with each other and the half cavity of the fixed mold 51 and the half cavity of the movable mold 52 are in spatial communication. be.
  • Mold clamping is a state in which the movable mold 52 is strongly pressed by the fixed mold 51 in order to withstand the injection pressure of the material from the injection device 3 .
  • Mold opening is a state in which the facing surface of the fixed mold 51 and the facing surface of the movable mold 52 are not in contact with each other and a space is provided between them.
  • the toggle mechanism 23 includes a crosshead 23a that receives a driving force from a mold clamping motor 26, first and second links 23b and 23c that are pivotably connected between the toggle support 24 and the movable platen 22, the crosshead 23a and the first link 23c. It has a third link 23d connecting between the links 23b.
  • the rotational force generated by the mold clamping motor 26 is converted into linear thrust by a force transducer such as a ball screw 262 via a belt 261 and applied to the crosshead 23a. For example, when the output shaft of the mold clamping motor 26 rotates forward, the crosshead 23a moves straight toward the fixed platen 21, the angle formed by the first link 23b and the second link 23c increases, and the movable platen 22 moves toward the fixed platen.
  • the crosshead 23a In response to the reverse rotation of the output shaft of the mold clamping motor 26, the crosshead 23a is moved away from the fixed platen 21, the angle formed by the first link 23b and the second link 23c becomes smaller, and the movable platen 22 moves toward the fixed platen. Go straight away from 21.
  • the direction in which the movable platen 22 and the movable mold 52 attached thereto move toward the stationary platen 21 and the stationary mold 51 attached thereto is defined as the front side or the injection device side, This opposite direction can also be defined as the rear side or the reflection molding device side.
  • the toggle mechanism 23 operates to double the thrust applied to the crosshead 23 a and transmit it to the movable platen 22 .
  • the magnification is also called toggle magnification.
  • the toggle magnification changes according to the angle formed by the first link 23b and the second link 23c. As the angle formed by the first link 23b and the second link 23c approaches 180°, the toggle magnification also increases.
  • the mold thickness adjustment mechanism 27 is configured to adjust the position of the toggle support 24 with respect to the stationary platen 21 (the front-to-rear distance between the two, so to speak, the mold thickness).
  • the mold thickness adjusting mechanism 27 includes a mold thickness adjusting motor 27a.
  • the rotational force generated by the mold thickness adjusting motor 27a is transmitted to the nut screwed on the screw shaft at the rear end of the tie bar 25 via the belt 271, changing the position of the toggle support 24 along the tie bar 25 and fixing it.
  • the position of the toggle support 24 with respect to the platen 21 (that is, the spacing therebetween) is changed.
  • the rotational force of the mold thickness adjusting motor 27a is transmitted to the nut via transmission elements such as belts and gears (or directly).
  • the mold clamping device 2 includes an ejector device 28 for ejecting the molded product from the mold device 5.
  • the ejector device 28 is attached behind the movable platen 22, for example.
  • the ejector device 28 includes an ejector rod and an ejector motor that powers the ejector rod.
  • the rotational force generated by the ejector motor is converted into linear force by the ball screw and transmitted to the ejector rod.
  • the ejector rod When the ejector rod is advanced, it pushes the ejector plate of the mold device 5 .
  • the molded product of the movable mold 52 is pushed by the ejector pin and ejected from the mold device 5 .
  • the injection molding machine 1 operates an ejector device in synchronization with mold opening.
  • the injection device 3 supplies molten resin material to the mold device 5 attached to the mold clamping device 2 .
  • the injection device can be of the in-line screw type or pre-plasticizer type. In this specification, the injection device is described as an in-line screw type, but it should not be limited to this.
  • the injection device 3 has a cylinder 31 , a screw 32 , a heater 33 , a metering motor 34 , an injection motor 35 , a moving motor 36 , a guide rail 37 , a first movable support 38 and a second movable support 39 .
  • the cylinder 31 is a metal cylindrical member that accommodates the screw 32, and has a cylinder body portion 31a and a nozzle portion 31b.
  • the cylinder body 31a accommodates the screw 32 .
  • the nozzle portion 31b has a straight channel with a channel diameter smaller than that of the cylinder body 31a, and has a discharge port for discharging the molten plastic material supplied from the cylinder body 31a.
  • the cylinder body 31a has a material supply port 31c for receiving plastic material, such as pellets, supplied from a hopper 31f or an automated plastic material supply device. The pellets are melted by the heat transmitted from the heater 33 through the cylinder body 31a, and conveyed toward the front side, that is, toward the nozzle section 31b as the screw 32 rotates.
  • the moving direction of the screw 32 during filling is the front side
  • the moving direction of the screw 32 during metering is the rear side.
  • the screw 32 has a shaft portion and a spiral flight provided on the outer circumference of the shaft portion, and conveys solid and molten resin materials to the front side of the cylinder 31 according to its rotation.
  • the screw 32 can be rotated by receiving rotational force from the metering motor 34 .
  • the output shaft of the weighing motor 34 and the screw 32 are mechanically connected via the belt 341 .
  • the screw 32 can receive a driving force from the injection motor 35 and move forward (to approach the nozzle portion 31b) and rearward (to move away from the nozzle portion 31b) within the stationary cylinder 31 .
  • the output shaft of the injection motor 35 is connected to the screw shaft of the ball screw 351 via the belt 353 .
  • a first movable support 38 is fixed to the nut 352 of the ball screw 351 .
  • a screw 32 is rotatably attached to the first movable support 38 .
  • the main body of the weighing motor 34 is fixed to the first movable support 38 .
  • the first movable support 38 moves according to the operation of the injection motor 35, and the screw 32 and the metering motor 34 move.
  • a first movable support 38 is movably mounted on a guide rail 37 fixed to the base 4 .
  • the direction toward the mold clamping device 2 can be called the front, and the direction away from the mold clamping device 2 can be called the rear.
  • the cylinder 31 advances toward the mold clamping device 2 by receiving the driving force from the moving motor 36 and retreats away from the mold clamping device 2 .
  • the output shaft of the moving motor 36 is connected to the screw shaft of the ball screw 361 .
  • the second movable support 39 is coupled to the nut 362 of the ball screw 361 via an elastic member (for example, spring) 363 .
  • the rear end of the cylinder 31 is fixed to the second movable support 39 .
  • the second movable support 39 and the cylinder 31 move according to the operation of the moving motor 36 .
  • a second movable support 39 is movably mounted on a guide rail 37 fixed to the base 4 .
  • each motor may incorporate a meter such as an encoder. The motor is feedback-controlled based on the output signal of the encoder.
  • a backflow prevention ring (not shown) is attached to the tip (front end) of the screw 32 .
  • the anti-backflow ring prevents the molten plastic material stored in the storage space 31e from flowing back when the screw 32 is moved toward the nozzle portion 31b in the cylinder 31. As shown in FIG.
  • the heater 33 is attached to the outer periphery of the cylinder 31 and generates heat, for example, by feedback-controlled energization.
  • the heater 33 is attached to the outer periphery of the cylinder body portion 31a and/or the nozzle portion 31b in any manner.
  • the heater 33 gives heat to the cylinder 31, and the pellets fed into the cylinder body 31a through the hopper 31f are melted.
  • the screw 32 rotates in the cylinder body 31a according to the rotational force from the weighing motor 34, and the plastic material is fed forward along the helical groove of the screw 32. In this process, the plastic material is gradually melted. be.
  • the screw 32 is retracted, and the molten plastic material is stored in the storage space 31e (referred to as "weighing process").
  • the number of rotations of the screw 32 is detected using the encoder of the metering motor 34 .
  • the injection motor 35 may be driven to apply back pressure to the screw 32 to limit its rapid retraction.
  • Back pressure on the screw 32 is detected using, for example, a pressure detector.
  • the screw 32 is retracted to the metering completion position, a predetermined amount of molten plastic material is accumulated in the storage space 31e in front of the screw 32, and the metering process is completed.
  • the screw 32 moves toward the nozzle portion 31b from the filling start position to the filling completion position in accordance with the driving force from the injection motor 35, and the molten plastic material stored in the storage space 31e flows into the nozzle portion 31b. It is supplied into the mold device 5 through the ejection port (called a “filling step”).
  • the position and speed of the screw 32 are detected using an encoder of the injection motor 35, for example.
  • V/P switching switching from the filling process to the holding pressure process
  • the position at which V/P switching takes place is also called the V/P switching position.
  • the set speed of the screw 32 may be changed according to the position of the screw 32, time, and the like.
  • the screw 32 When the position of the screw 32 reaches the set position in the filling process, the screw 32 may be temporarily stopped at the set position, and then V/P switching may be performed. Just before the V/P switching, instead of stopping the screw 32, the screw 32 may be slowly advanced or slowly retracted. Also, the screw position detector that detects the position of the screw 32 and the screw speed detector that detects the speed of the screw 32 are not limited to the encoder of the injection motor 35, and other types of detectors can be used.
  • the holding pressure of the plastic material in front of the screw 32 is maintained at the set pressure according to the forward movement of the screw 32, and the remaining plastic material is extruded into the mold device 5 (referred to as the "holding pressure process"). be called).
  • the shortage of plastic material due to cooling shrinkage in the mold device 5 can be replenished.
  • the holding pressure is detected using, for example, a pressure detector.
  • the set value of the holding pressure may be changed according to the elapsed time from the start of the holding pressure process.
  • the plastic material in the cavity inside the mold device 5 is gradually cooled, and when the holding pressure process is completed, the entrance of the cavity is closed with the solidified plastic material.
  • This condition is called a gate seal and prevents backflow of plastic material from the cavity.
  • the cooling process is started. In the cooling process solidification of the plastic material of the cavity takes place.
  • the metering step of the next molding cycle may be started during the cooling step.
  • the injection molding machine 1 has a control panel 7 (see FIG. 1) in which a control system for controlling the mold clamping device 2 and/or the injection device 3 is stored.
  • a control system housed in the control panel 7 sequences the mold clamping motor 26 , the ejector motor, the metering motor 34 and the injection motor 35 .
  • the control system performs mold closing, mold clamping, and mold opening based on the control of the mold clamping motor 26 .
  • the control system performs metering, filling, and holding pressure based on control of metering motor 34 and injection motor 35 .
  • the control system can eject the molded product from the movable mold 52 of the mold device 5 based on the control of the ejector motor.
  • the control system can position the cylinder 31 to the proper position under control of the movement motor 36 .
  • the control system can also control the temperature of the heater 33 and the mold device 5 in addition to the control described above.
  • the weighing process, mold closing process, mold clamping process, filling process, holding pressure process, cooling process, mold opening process, and ejecting process are performed in this order.
  • the order described here is the order of the start time of each step.
  • the filling process, holding pressure process, and cooling process are performed from the start of the mold clamping process to the end of the mold clamping process.
  • the end of the mold closing process coincides with the start of the mold opening process.
  • a plurality of steps may be performed at the same time.
  • the metering step may occur during the cooling step of the previous molding cycle, in which case the mold closing step may occur at the beginning of the molding cycle.
  • the filling process may also be initiated during the mold closing process.
  • the ejecting process may be initiated during the mold opening process.
  • an injection molding machine control section 60 is provided so as to be communicable with the injection molding machine main body 1' including the mold clamping device 2 and the injection device 3 described above.
  • the injection molding machine main body 1' performs injection molding based on input of injection molding conditions (that is, a combination of two or more individual setting conditions) to manufacture molded products.
  • the injection molding machine controller 60 may be incorporated in the control panel 7 described above, or may be provided separately from the control panel 7 described above.
  • the injection molding machine controller 60 can be embodied in a computer.
  • At least one CPU Central Processing Unit
  • at least one memory hard drive, semiconductor memory
  • a program read from the memory is executed by the CPU
  • a desired function e.g., prediction model generation unit 65, program modules such as the injection molding condition determination unit 66
  • the injection molding machine control unit 60 has a data storage unit 61 , an injection molding condition search support unit 64 , an injection molding condition setting unit 67 , and a buffer unit 68 .
  • the data storage unit 61 is a database in which advance data is stored.
  • the prior data consists of (i) injection molding condition data, (ii) at least one quality data (data represented by continuous and/or discrete values) associated with each other.
  • Injection molding condition data (individual setting conditions) and quality data both take real numbers, but are not necessarily limited to this.
  • Quality data may include continuous quality values.
  • the quality data may include discrete valued quality indicators.
  • injection molding conditions include two or more individual conditions (individual conditions represented by continuous and/or discrete values).
  • injection molding condition data X (X 1 -X 4 ) and quality data Y (Y 1 -Y 4 ) can be presented.
  • injection molding condition data X and quality data Y other than those shown in Table 1 can also be used. That is, any set condition X 1 -X 4 and any quality Y 1 -Y 4 presented in Table 1 can be excluded.
  • Various molding conditions can be adopted as explanatory variables, and similar various qualities can be adopted as objective variables.
  • X 1 to X 4 shown in Table 1 are to be understood as non-limiting examples with respect to their individual content and their order.
  • the number of setting conditions is also four for easy understanding. In an injection molding machine, the number of setting conditions is generally 10 or more, and the burden of searching for injection molding conditions is enormous.
  • the probability of occurrence of a specific phenomenon related to the quality of an injection-molded product is represented by discrete values, where the first real number "1" is assigned to the presence of burrs or sink marks, and the second real number "0" is assigned to the absence of burrs or sink marks. assigned to.
  • Discrete quality evaluation is not limited to using two evaluation values, and it is also possible to use three or more evaluation values.
  • the injection molding condition search support unit 64 has a prediction model generation unit 65 and an injection molding condition determination unit 66 .
  • the search support unit 64 performs SMBO (Sequential Model-based Optimization) (for example, Bayesian optimization) using a probabilistic prediction model with respect to quality represented by continuous values. (2) the value of the objective function (i.e., the first injection Optimizing (maximizing or minimizing) the value that indicates the feasibility of the molding conditions. The injection molding condition when the value of the objective function becomes the optimum value is selected as the next injection molding condition. Additionally or alternatively, the search support unit 64 performs classification predictions such as logistic regression and Gaussian process identification, and in short, (1) for calculating the probability distribution regarding the probability of occurrence of a specific phenomenon related to the quality of the molded product.
  • SMBO Simple Model-based Optimization
  • the value of the objective function (that is, the value indicating the likelihood of the second injection molding condition), which is a function of the probability of occurrence of two or more probability distributions regarding two or more specific phenomena ( maximize or minimize).
  • the injection molding condition that gives the optimum value of the objective function is selected as the next injection molding condition.
  • an objective function that is a function of the expected value (or average value) and variance (e.g., standard deviation) of the first probability distribution and is a function of the occurrence probability of one probability distribution related to one specific phenomenon can also be used.
  • the prediction model generation unit 65 generates a prediction model that predicts the quality of unknown injection molding conditions based on prior data in which injection molding condition data and molded product quality data are associated. Quality is represented by continuous values and by discrete values. Therefore, different prediction models are generated depending on whether the quality is continuous or discrete. Specifically, as a prediction model, (i) a first probability distribution in which the predicted value and variance of quality continuously change according to changes in injection molding conditions, or (ii) a specified probability distribution according to changes in injection molding conditions A method is derived for calculating a second probability distribution in which the probability of occurrence of a phenomenon varies continuously.
  • the prediction model (i) may be called a regression model, and the prediction model (ii) may be called a classification model for distinction.
  • the injection molding condition determination unit 66 evaluates one or more first probability distributions regarding quality and/or evaluates two or more second probability distributions regarding two or more specific phenomena, and/or evaluates at least one first probability A next injection molding condition to be set in the injection molding machine is determined based on the evaluation of the distribution and the at least one second probability distribution. Specifically, the injection molding condition determination unit 66 determines parameters (eg, expected value (or average value), variance (eg, standard deviation)) or variables (eg, occurrence probability) related to the first and/or second probability distributions. ), the probability distribution is evaluated using an objective function for calculating a value indicating the likelihood of the injection molding conditions.
  • parameters eg, expected value (or average value), variance (eg, standard deviation)
  • variables eg, occurrence probability
  • the injection molding condition when the value of the objective function becomes the optimum value (maximum or minimum value) is determined as the next injection molding condition to be set in the injection molding machine main body 1'.
  • Such cooperation between the predictive model generation unit 65 and the injection molding condition determination unit 66 makes it possible to obtain probabilistically promising (that is, better quality molded products) in light of past injection molding conditions and past quality. It is possible to determine the following injection molding conditions.
  • the probabilistic prediction model as described above, it is possible to obtain a prediction distribution of molding quality corresponding to unknown injection molding conditions, and molding conditions that are expected to stochastically exceed the best quality of prior data. can be specified. Therefore, it is useful for searching for injection molding conditions even at a stage where there is little prior data, and is particularly useful for those who have no knowledge or experience in searching for injection molding conditions. It should be noted that the next injection molding condition may be determined regardless of quality or with low correlation at the stage where prior data is scarce.
  • the injection molding condition determination unit 66 uses an objective function to calculate a value indicating the likelihood of the injection molding condition from the parameters or variables relating to the first and/or second probability distributions, as described above. Evaluate distributions, but are not limited to this. Evaluation of the probability distribution can also be performed in multiple stages, for example, a range of promising injection molding conditions can be determined, and then injection molding conditions can be specified within that range. It is also possible to obtain a plurality of promising injection molding conditions and select a desired one from among them. Various computational techniques, such as weighting, are available for determining values that indicate the likelihood of injection molding conditions.
  • the quality value may contain noise.
  • noise For example, there is a possibility that the evaluation results of quality (especially the presence or absence of appearance abnormalities such as burrs and sink marks) will vary between experts and beginners.
  • the probabilistic prediction model it is possible to determine probabilistically promising next injection molding conditions in consideration of the influence of such noise. This increases the chances of obtaining a molded part of better quality.
  • the prediction model generation unit 65 has a regression model derivation unit 71, a classification model derivation unit 72, and a model storage unit 73.
  • the regression model derived by the regression model derivation unit 71 is stored in the model storage unit 73 .
  • the classification model derived by the classification model derivation unit 72 is stored in the model storage unit 73 . Both the regression model derivation unit 71 and the classification model derivation unit 72 can be employed, or only one of them can be employed.
  • the regression model derivation unit 71 may generate a model for calculating probability distributions based on/according to a Gaussian process (thus using the model to calculate the expected value (or mean) and variance of quality for certain injection molding conditions). is obtained). An average value can also be obtained in addition to or as an alternative to the expected value.
  • the unknown quality y for any injection molding condition x is obtained as a Gaussian probability distribution. That is, the expected value ⁇ (x) and variance ⁇ (x) of the predicted value of quality are obtained.
  • Equation 1 shows a probability distribution model of molding quality ynew corresponding to unknown injection molding condition xnew .
  • D denotes a known (x,y).
  • Equation 1 The distribution of the molding quality y new corresponding to the unknown injection molding condition x new is expressed on the right side of Equation 1 as is represented by k * is a vector representation of the relationship between x new and known x 1 to x N using a kernel function.
  • k ** is a scalar representation of the relationship between x new and x new using a kernel function.
  • K is a matrix representation of the known relationships between x 1 to x N using a kernel function.
  • Equation 2 The expected value of the predicted Gaussian distribution can be expressed as shown in Equation 2.
  • the variance can be expressed as shown in Equation 3.
  • a kernel function (for example, the Gaussian kernel of Equation 4) is used in calculating the prediction distribution.
  • ⁇ of the kernel function a point-estimated value that maximizes the marginal likelihood of the Gaussian process can be used, but the present invention is not limited to this. Hyperparameters can also be estimated as random variables.
  • FIG. 4 shows an image example of the probability distribution calculated from the model.
  • the molding conditions X 10 to X 30 and quality values corresponding to these are included in the preliminary data.
  • the solid line in FIG. 4 indicates that the expected value of quality changes continuously as the injection molding conditions change.
  • the dashed-dotted line in FIG. 4 schematically shows a Gaussian distribution with the expected value of quality as a vertex.
  • the two dotted lines above and below the solid line in FIG. 4 define a credible interval based on a given probability, for example a 95% probability credible interval.
  • the quality will be a value within the credible interval with a given probability (eg, 95% probability).
  • a good implementation of the Gaussian process will result in a small variance in quality predictions for known injection molding conditions and a high variance in quality predictions for unknown injection molding conditions.
  • Using such a probability distribution (specifically, using the expected value (or average value) and variance of quality), it is possible to predict quality for unknown injection molding conditions. More specifically, the molding condition X next is more likely than the molding condition X 10 to obtain a quality value exceeding the molding quality target value, and the molding condition X next can be selected as a promising molding condition.
  • the injection molding conditions appear to be one variable in FIG. 4, the injection molding conditions are actually determined by a plurality of setting conditions.
  • Injection molding conditions that are worth exploring using an objective function (e.g., to calculate a value that indicates the likelihood of an injection molding condition as a function of the expected value and variance of the predicted quality) (e.g., the objective function Injection molding conditions when the value becomes the optimum value) can be obtained.
  • an objective function e.g., to calculate a value that indicates the likelihood of an injection molding condition as a function of the expected value and variance of the predicted quality
  • the classification model deriving unit 72 is configured to generate a model for calculating the occurrence probability of a specific phenomenon related to the quality of the molded product from the injection molding conditions (two or more individual setting conditions). Generate such a model based on the instrument.
  • logistic regression for example, a logistic function is used to fit the probability of occurrence, thereby obtaining a regression curve as shown in FIG.
  • the probability of occurrence of a specific phenomenon continuously changes according to changes in injection molding conditions.
  • a regression curve presents an area where the probability of occurrence of a specific phenomenon changes from a low value to a high value, and it is possible to evaluate the probability distribution by focusing on this.
  • Injection molding conditions worth searching for using an objective function for example, calculating the sum or logarithmic sum of occurrence probabilities of two or more specific phenomena) molding conditions) can be obtained.
  • the upper part of FIG. 5 shows an example of the probability distribution regarding the occurrence of sink marks.
  • the upper solid line in FIG. 5 indicates the sink mark occurrence probability.
  • the area determined by the molding condition value X 20 and the molding condition value X 30 is the area where there is a transition from the presence of sink marks to the absence of sink marks, and the quality value related to sink marks is the defective product value (indicating that the product is defective). This is the area where the value changes from 100% to 100% (indicating that the product is good).
  • the area determined by the molding condition value X20 and the molding condition value X30 is the area where there is a transition from no burrs to burrs. This is the area where the defective product value transitions (indicating that the product is defective).
  • FIG. 5 there is an area where the probability of occurrence of a specific phenomenon changes from a low value (eg, 0.2 or less) to a high value (eg, 0.8 or more), and an area where the occurrence probability of another specific phenomenon is high. It may be useful to select injection molding conditions that belong to both areas varying from values (eg, 0.8 or higher) to low values (eg, 0.2 or lower). Quality is not limited to correlated qualities such as burrs and sink marks.
  • the injection molding condition determination unit 66 determines parameters (eg, expected value (or average value), variance (eg, standard deviation)) or variables (eg, occurrence probability) related to the first and/or second probability distributions. ) to determine the next injection molding conditions to be set for the injection molding machine main body 1′ using an objective function for calculating a value indicating the likelihood of the injection molding conditions. Specifically, the molding conditions are selected when the value of the objective function becomes the optimum value. Gradient method and MCMC (Metropolis-Hasting) method are available as optimization tools for optimizing (maximizing or minimizing) the value of the objective function.
  • parameters eg, expected value (or average value), variance (eg, standard deviation)
  • variables eg, occurrence probability
  • An objective function relating to an upper confidence bound can be used for the evaluation of the first probability distribution of (i).
  • UCB(x) indicates the value of UCB under injection molding condition x
  • ⁇ (x) indicates the expected value of quality predicted under injection molding condition x
  • ⁇ (x) denotes the standard deviation of the expected quality at injection molding condition x
  • k indicates a hyperparameter.
  • PI (x) indicates the value of PI under injection molding conditions x
  • ⁇ (x) indicates the expected value of quality predicted under injection molding condition x
  • ⁇ (x) denotes the standard deviation of the expected quality at injection molding condition x
  • y denotes the quality value
  • y max indicates the maximum value of quality.
  • maximizing UCB(x) means that the sum of the expected quality value and variance (eg, standard deviation) increases.
  • a molded product of better quality can be obtained stochastically.
  • k which is a hyperparameter
  • the search for unknown molding conditions is prioritized.
  • Equation 6 similarly to Equation 5, a molded product of better quality can be stochastically obtained by obtaining the injection molding condition x when PI(x) is maximized. Determining the injection molding condition x in this way is equivalent to evaluating the probability distribution based on the objective function.
  • Equation 7 the product (P all (x)) of the individual occurrence probabilities (P n (x)) of N (N is a natural number of 2 or more) quality under the injection molding condition x is calculated. .
  • Expression 8 the logarithmic value of the product of occurrence probabilities in Expression 7 is calculated, and can be understood in the same way as Expression 7.
  • Equation 7 maximization of P all (x) means that the probability of occurrence (P n (x)) is increased as an overall trend in N qualities.
  • the expected value and the variance are incorporated into the objective function (thus, the value of the objective function (the injection The value indicating the likelihood of the molding condition) becomes a function of the expected value and the variance), and in the case of the second probability distribution of (ii), the probability of occurrence is incorporated into the objective function (therefore, the value of the objective function (injection molding The plausibility value of the condition) is a function of the probability of occurrence).
  • the injection molding condition x when the value of the objective function is optimized eg, maximized or minimized
  • a probable injection molding condition x that results in a molded product of better quality is determined.
  • the injection molding condition x when the value of the objective function is maximized is calculated.
  • the injection molding condition x when the value of the objective function is minimized is calculated.
  • An optimization tool is used to optimize the value of the objective function. For example, gradient method, MCMC (Metropolis-Hasting) method can be used.
  • the objective function can specify the search range. If there is a target value for some quality, the target value can be defined in the objective function. When optimizing for multiple qualities, the importance of these qualities can be set. It is also possible to maximize or minimize quality for which there is no target value.
  • the evaluation of (i) the first probability distribution and the evaluation of (ii) the second probability distribution can also be performed using a common objective function. That is, the objective function for the first probability distribution and the objective function for the second probability distribution are combined to form a common objective function.
  • this objective function is the function of UCB(x) in Equation 5 and P all (x) in Equation 7.
  • Equation 6 can be used in place of Equation 5
  • Equation 8 can be used in place of Equation 7 for such integration of objective functions.
  • the injection molding condition determination unit 66 has an objective function storage unit 74 and an arithmetic execution unit 75, as shown in FIG.
  • An objective function is stored in the objective function storage unit 74 .
  • the calculation execution unit 75 incorporates parameters or variables relating to the probability distribution calculated from the prediction model stored in the model storage unit 73 into the objective function, and uses an optimization tool to obtain the value of the objective function (probability of the injection molding conditions). Find the injection molding condition x when the value shown) becomes the optimum value. In this way, the following injection molding conditions are determined.
  • the molding conditions under which the value of the objective function becomes the optimum value are not necessarily the molding conditions under which a molded product of better quality is expected to be obtained. For example, at a stage where there is little prior data for deriving a prediction model, useful molding conditions are selected to improve prediction accuracy.
  • the injection molding condition x next that is most likely to exceed the target quality is specified and can be selected.
  • the injection molding condition x next that is most likely to exceed the target quality is specified and can be selected.
  • the upper bound of the 95% credible interval is chosen.
  • the selected conditions are balanced in terms of both distance from known molding conditions and quality values.
  • injection molding conditions are chosen that are likely to exceed the known maximum for quality.
  • the injection molding condition determining unit 66 can select molding conditions with relatively large dispersion of predicted values of quality as the next injection molding conditions. By selecting molding conditions with a large quality variance, it is possible to suppress the selection of injection molding conditions that are spatially or in coordinate space close to known injection molding conditions, and to enable efficient search for injection molding conditions. .
  • the injection molding condition x that maximizes the objective function is defined as an area where the probability of occurrence of a specific phenomenon changes from a low value (e.g., 0.2 or less) to a high value (e.g., 0.8 or more) and another specific phenomenon. It can be an injection molding condition belonging to both areas where the probability of occurrence of changes from a high value (eg, 0.8 or more) to a low value (eg, 0.2 or less).
  • the injection molding condition setting unit 67 instructs the injection molding machine body 1' to operate based on the received search candidate injection molding conditions.
  • the injection molding machine main body 1 ′ operates based on the injection molding conditions designated by the injection molding condition setting section 67 to manufacture molded products.
  • Injection molding may be performed after confirmation by the user.
  • the user inspects the part and enters the quality data into the buffer section.
  • the injection molding condition data and the quality data are stored in the buffer section 68 in association with each other.
  • the user stores the data stored in the buffer section 68 in the data storage section 61 using input means (not shown). New data is added in this way.
  • the prediction model generation unit 65 can generate a new prediction model using the updated database with new data added.
  • the user sets an objective function (S1).
  • the user operates the injection molding machine 1 to obtain and register prior information in which the injection molding condition data and the quality data are associated with each other (S2). For example, prior data as shown in Table 1 are registered in the database.
  • the prediction model generator 65 generates a prediction model based on the prior data prepared in S2 (S3).
  • the predictive model may be for calculating either or both of the first or second probability distributions as described above.
  • the injection molding condition determination unit 66 determines injection molding conditions for the next search candidate using an objective function that is a function of parameters or variables of the probability distribution (S4).
  • the injection molding condition x under which the value of the objective function becomes the optimum value is selected as the next injection molding condition.
  • the injection molding conditions determined in this manner are set by the injection molding condition setting unit 67 as operating conditions for the injection molding machine main body 1' (S5), and the injection molding machine main body 1' operates under these conditions (S6).
  • the quality of the molded product manufactured in this manner is evaluated by a user or a quality judgment device (S7).
  • the injection molding condition data and the quality data are added as prior data associated with each other (S8).
  • the prediction model is derived again, the loop of S3 to S8 is repeated, and the prediction model continues to be updated.
  • Injection molding machine 61 Data storage unit 65: Prediction model generation unit 66: Injection molding condition determination unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

予測モデル生成部（６５）は、射出成形条件データと成形品の品質データが関連付けられた事前データに基づいて未知の射出成形条件に関する品質を予測する予測モデルを生成する。予測モデルは、（ｉ）射出成形条件の変化に応じて品質の予測値及び分散が連続的に変化する第１確率分布を算出するための予測モデル、及び／又は（ｉｉ）射出成形条件の変化に応じて特定現象の発生確率が連続的に変化する第２確率分布を算出するための予測モデルを含む。射出成形条件決定部６６は、１以上の品質に関する第１確率分布の評価、及び／又は、２以上の特定現象に関する２以上の第２確率分布の評価、及び／又は、少なくとも一つの第１確率分布と少なくとも一つの第２確率分布の評価に基づいて、射出成形機に設定されるべき次の射出成形条件を決定する。

Description

射出成形条件の探索支援装置及びその方法、プログラム及び記録媒体
　本開示は、射出成形条件の探索支援装置及びその方法、プログラム及び記録媒体に関する。
　特許文献１は、機械学習機能が付与された射出成形機に関し、特には成形条件の決定を支援する装置及び方法を開示する。具体的には、成形条件と成形品の品質の相関関係を学習させ、品質に関する不具合が発生した際、その品質の不具合の改善のため、どの成形条件を調整すべきかがユーザーに提示される（同文献の段落０００９～００１０等参照）。
特開２０２０－４９８４３号公報
　射出成形条件と成形品質の関係を機械学習によりモデル化して良品条件を得る技術は、十分に学習されたモデルを前提としており、従って、十分に学習データが存在しない段階では活用できないことが見込まれ、また学習データが十分にあっても成形品質に関するノイズの影響を考慮できないために確度が低下してしまうおそれもある。
　十分に学習データが存在しない局面としては、例えば、新しい金型の立ち上げが挙げられる。金型が異なると射出成形条件と成形品質の関係が異なるため、既存の学習データがあるとしても、そのまま活用することはできない。成形品質に関するノイズは、各種センサーにより計測される成形品質については小さいと考えられるが、ヒトにより評価される品質については大きくなる傾向があると考えられる。
　本願発明者は、上述の例示の課題に照らして、学習データの数に関する制約及び／又は成形品質に関するノイズの影響の低減又は回避を促進可能である射出成形条件の探索を支援する装置及び方法の提供に意義があることを新たに見出した。
　本開示の一態様に係る射出成形条件の探索支援装置は、射出成形条件の入力に基づいて射出成形を実行して成形品を製造する射出成形機に関する射出成形条件の探索支援装置であって、
　射出成形条件データと成形品の品質データが関連付けられた事前データに基づいて未知の射出成形条件に関する品質を予測する予測モデルを生成する予測モデル生成部にして、予測モデルは、（ｉ）射出成形条件の変化に応じて品質の予測値及び分散が連続的に変化する第１確率分布を算出するための予測モデル、及び／又は（ｉｉ）射出成形条件の変化に応じて品質に関する特定現象の発生確率が連続的に変化する第２確率分布を算出するための予測モデルを含む、予測モデル生成部と、
　１以上の品質に関する第１確率分布の評価、及び／又は、２以上の特定現象に関する２以上の第２確率分布の評価、及び／又は、少なくとも一つの第１確率分布と少なくとも一つの第２確率分布の評価に基づいて、射出成形機に設定されるべき次の射出成形条件を決定する射出成形条件決定部を含む。
　本開示の別態様に係る射出成形条件の探索支援方法は、射出成形条件の入力に基づいて射出成形を実行して成形品を製造する射出成形機に関する射出成形条件の探索支援方法であって、
　射出成形条件データと成形品の品質データが関連付けられた事前データに基づいて未知の射出成形条件に関する品質を予測する予測モデルを生成し、予測モデルは、（ｉ）射出成形条件の変化に応じて品質の予測値及び分散が連続的に変化する第１確率分布を算出するための予測モデル、及び／又は（ｉｉ）射出成形条件の変化に応じて品質に関する特定現象の発生確率が連続的に変化する第２確率分布を算出するための予測モデルを含み、
　１以上の品質に関する第１確率分布の評価、及び／又は、２以上の特定現象に関する２以上の第２確率分布の評価に基づいて、射出成形機に設定されるべき次の射出成形条件を決定する。
　この方法を実施するためのプログラムも同様にして理解可能であり、またそのコンセプトが本明細書に実質的に開示されている。プログラムは、サーバーからのダウンロードの他、非一時的な記録媒体（例えば、光ディスク、磁気ディスク、ハードディスク、半導体メモリ等）に記録されて流通し得る。非一次的な記録媒体は、そのようなプログラムがデータとして一時的に伝搬されている通信回線を含まない有形物である。
　本開示の一態様によれば、学習データの数に関する制約及び／又は成形品質に関するノイズの影響の低減又は回避を促進可能である射出成形条件の探索を支援する装置及び方法が提供される。
本開示の一態様に係る射出成形機の概略的な構成を示す模式図である。 射出成形機の制御部を主に示す概略的なブロック図である。 予測モデル生成部と射出成形条件決定部を主に示す概略的なブロック図である。 第１確率分布を示す模式図である。 二つの異なる品質毎に分類モデル導出部により導出された二つの異なる第２確率分布を示す模式図である。 射出成形機の制御部の動作を示す概略的なフローチャートである。
　以下、図１乃至図６を参照しつつ、本発明の非限定の実施形態及び特徴について説明する。当業者は、過剰説明を要せず、各実施形態及び／又は各特徴を組み合わせることができ、この組み合わせによる相乗効果も理解可能である。実施形態間の重複説明は、原則的に省略する。参照図面は、発明の記述を主たる目的とするものであり、作図の便宜のために簡略化されている。各特徴は、本明細書に開示された探索支援装置にのみ有効であるものではなく、本明細書に開示されていない他の様々な探索支援装置にも通用する普遍的な特徴として理解される。
　図１に示すように、射出成形機１は、共通又は異なるベース４上に実装された型締装置２及び射出装置３を有する。射出成形機１は、型締装置２と射出装置３の協調的な動作に基づいて成形品を連続的に製造する。型締装置２は、型閉、型締、及び型開のループを繰り返すように構成される。射出装置３は、計量工程、充填工程、及び保圧工程のループを繰り返すように構成される。型締装置２に対して金型装置５が取り付けられる。金型装置５の具体的な構成は、射出成形品の形状、大きさ、及び個数によって決定される。金型装置５は、２プレート式又は３プレート式であり得る。幾つかの形態では、金型装置５は、１以上の固定金型５１及び１以上の可動金型５２を有する。
　以下、型締装置２及び射出装置３の構成及び動作についてより詳しく述べる。型締装置２は、固定プラテン２１、可動プラテン２２、トグル機構２３、トグルサポート２４、複数のタイバー２５、型締モータ２６、及び型厚調整機構２７を有する。トグル機構２３を介してトグルサポート２４と可動プラテン２２が連結され、トグル機構２３の作動に基づいて可動プラテン２２が固定プラテン２１に対して進退可能である。具体的には、型締モータ２６の作動によりトグル機構２３の状態が変化し、可動プラテン２２の位置が変化する。固定プラテン２１と可動プラテン２２の間隔が大きい時、固定プラテン２１と可動プラテン２２の間の空間に金型装置５を導入することができる。この状態で、固定及び可動金型５１，５２が、各々、固定及び可動プラテン２１，２２に取り付けられる。この後、可動プラテン２２が固定プラテン２１に向けて動かされて金型装置５が型閉、続いて型締され、最後に型開される。なお、型閉は、固定金型５１の対向面と可動金型５２の対向面が接触して固定金型５１の半キャビティーと可動金型５２の半キャビティーが空間的に連通した状態である。型締は、射出装置３から材料の射出圧に耐えるべく、可動金型５２が固定金型５１により強く押し付けられた状態である。型開は、固定金型５１の対向面と可動金型５２の対向面が接触せず、両者の間に間隔が空けられた状態である。
　トグル機構２３は、型締モータ２６から駆動力を受けるクロスヘッド２３ａ、トグルサポート２４と可動プラテン２２の間で枢動自在に結合した第１及び第２リンク２３ｂ，２３ｃ、クロスヘッド２３ａと第１リンク２３ｂの間を結合する第３リンク２３ｄを有する。型締モータ２６で生成される回転力は、ベルト２６１を介してボールねじ２６２といった力変換装置によって直線的な推力に変換されてクロスヘッド２３ａに付与される。例えば、型締モータ２６の出力軸の正回転に応じてクロスヘッド２３ａが固定プラテン２１に向けて直進し、第１リンク２３ｂと第２リンク２３ｃのなす角が大きくなり、可動プラテン２２が固定プラテン２１に向けて直進する。型締モータ２６の出力軸の逆回転に応じてクロスヘッド２３ａが固定プラテン２１から離間する方向に動かされ、第１リンク２３ｂと第２リンク２３ｃのなす角が小さくなり、可動プラテン２２が固定プラテン２１から離れる方向に直進する。なお、型締装置２において可動プラテン２２及びそこに取り付けられた可動金型５２が固定プラテン２１及びそこに取り付けられた固定金型５１に向けて移動する方向を前側又は射出装置側と定義し、この反対方向を後側又は反射出成形装置側と定義することもできる。
　トグル機構２３は、クロスヘッド２３ａに付与される推力を倍増して可動プラテン２２に伝達するように作動する。その倍率は、トグル倍率とも呼ばれる。トグル倍率は、第１リンク２３ｂと第２リンク２３ｃとのなす角に応じて変化する。第１リンク２３ｂと第２リンク２３ｃのなす角が１８０°に近づくとトグル倍率も増加する。
　型厚調整機構２７は、固定プラテン２１に対するトグルサポート２４の位置（両者の前後間隔、言わば、型厚）を調整するように構成される。型厚調整機構２７は、型厚調整モータ２７ａを含む。型厚調整モータ２７ａで生成される回転力が、ベルト２７１を介してタイバー２５の後端部のねじ軸に螺合したナットに伝達し、タイバー２５沿いのトグルサポート２４の位置が変更され、固定プラテン２１に対するトグルサポート２４の位置（即ち、両者の間隔）が変更される。型厚調整モータ２７ａの回転力は、ベルト及び歯車といった伝達要素を介して（又は直接的に）ナットに伝達される。
　型締装置２は、金型装置５から成形品を排出するためのエジェクタ装置２８を含む。エジェクタ装置２８は、例えば、可動プラテン２２の後方に取り付けられる。エジェクタ装置２８は、エジェクタロッドと、エジェクタロッドに対して動力を供給するエジェクタモータを含む。エジェクタモータで生成される回転力がボールねじにより直線力に変換され、エジェクタロッドに伝達する。エジェクタロッドを前進させると、これにより金型装置５のエジェクタプレートが押される。エジェクタピンにより可動金型５２の成形品が押され、金型装置５から排出される。射出成形機１は、型開に同調してエジェクタ装置を作動させる。
　射出装置３は、型締装置２に取り付けられた金型装置５に対して溶融樹脂材料を供給する。射出装置は、インラインスクリュー式又はプリプラ式であり得る。本明細書では、射出装置がインラインスクリュー式であるものとして説明するが、これに限られるべきものではない。射出装置３は、シリンダー３１、スクリュー３２、ヒーター３３、計量モータ３４、射出モータ３５、移動モータ３６、ガイドレール３７、第１可動サポート３８、及び第２可動サポート３９を有する。
　シリンダー３１は、スクリュー３２を収容する金属製の筒材であり、シリンダー胴部３１ａとノズル部３１ｂを有する。シリンダー胴部３１ａは、スクリュー３２を収容する。ノズル部３１ｂは、シリンダー胴部３１ａの流路径に比べて小さい流路径を持つ直線流路を有し、またシリンダー胴部３１ａから供給される溶融プラスチック材料を吐出する吐出口を有する。シリンダー胴部３１ａは、ホッパー３１ｆ又は自動化されたプラスチック材料供給装置から供給されるプラスチック材料、例えば、ペレットを受け入れる材料供給口３１ｃを有する。ペレットは、シリンダー胴部３１ａを介してヒーター３３から伝達する熱に応じて溶融し、またスクリュー３２の回転に応じて前側、即ち、ノズル部３１ｂに向けて搬送される。なお、後述の説明から分かるように、充填時のスクリュー３２の移動方向が前側であり、計量時のスクリュー３２の移動方向が後側である。
　スクリュー３２は、軸部と軸部の外周に螺旋状に設けられたフライトを有し、その回転に応じて固体及び溶融状態の樹脂材料をシリンダー３１の前側に搬送する。スクリュー３２は、計量モータ３４からの回転力を受けて回転することができる。例えば、計量モータ３４の出力軸とスクリュー３２がベルト３４１を介して機械的に連結される。また、スクリュー３２は、射出モータ３５からの駆動力を受けて静止中のシリンダー３１内において前側（ノズル部３１ｂに接近する側）及び後側（ノズル部３１ｂから離れる側）に動くことができる。例えば、射出モータ３５の出力軸がボールねじ３５１のねじ軸にベルト３５３を介して連結される。ボールねじ３５１のナット３５２に対して第１可動サポート３８が固定される。第１可動サポート３８に対してスクリュー３２が回転可能に取り付けられる。同様、第１可動サポート３８に対して計量モータ３４の本体部が固定される。射出モータ３５の作動に応じて第１可動サポート３８が移動し、スクリュー３２及び計量モータ３４が移動する。第１可動サポート３８は、ベース４に固定されたガイドレール３７上に移動可能に実装される。型締装置２に向かう方向を前方とし、型締装置２から離れる方向を後方と呼ぶことができる。
　シリンダー３１は、移動モータ３６からの駆動力を受けて型締装置２に向けて前進し、また型締装置２から離れるように後退する。例えば、移動モータ３６の出力軸がボールねじ３６１のねじ軸に連結される。ボールねじ３６１のナット３６２に対して弾性部材（例えば、ばね）３６３を介して第２可動サポート３９が結合される。第２可動サポート３９に対してシリンダー３１がその後端部で固定される。移動モータ３６の作動に応じて第２可動サポート３９及びシリンダー３１が移動する。第２可動サポート３９は、ベース４に固定されたガイドレール３７上に移動可能に実装される。なお、各モータにはエンコーダといった計器が組み込まれ得る。エンコーダの出力信号に基づいてモータがフィードバック制御される。
　スクリュー３２の先端（前端）には逆流防止リング（不図示）が取り付けられる。逆流防止リングは、スクリュー３２がシリンダー３１内においてノズル部３１ｂ側に動かされる時、貯留空間３１ｅに貯留した溶融プラスチック材料が逆流することを抑制する。
　ヒーター３３は、シリンダー３１の外周に取り付けられ、例えば、フィードバック制御された通電により発熱する。ヒーター３３は、シリンダー胴部３１ａ及び／又はノズル部３１ｂの外周に任意の態様で取り付けられる。
　射出装置３の動作の概要について述べれば、ヒーター３３からシリンダー３１に対して熱を与え、ホッパー３１ｆを介してシリンダー胴部３１ａ内に供給されるペレットが溶融される。計量モータ３４からの回転力に応じてシリンダー胴部３１ａ内でスクリュー３２が回転し、スクリュー３２の螺旋状の溝に沿ってプラスチック材料が前側に送られ、この過程でプラスチック材料が徐々に溶融される。スクリュー３２の前側に溶融プラスチック材料が供給されるに応じてスクリュー３２が後退され、溶融プラスチック材料が貯留空間３１ｅに貯留される（「計量工程」と呼ばれる）。スクリュー３２の回転数は、計量モータ３４のエンコーダを用いて検出する。計量工程では、スクリュー３２の急激な後退を制限すべく、射出モータ３５を駆動してスクリュー３２に対して背圧を加えてよい。スクリュー３２に対する背圧は、例えば圧力検出器を用いて検出する。スクリュー３２が計量完了位置まで後退し、スクリュー３２の前方の貯留空間３１ｅに所定量の溶融プラスチック材料が蓄積され、計量工程が完了する。
　計量工程に続いて、射出モータ３５からの駆動力に応じてスクリュー３２がノズル部３１ｂに向けて充填開始位置から充填完了位置まで動き、貯留空間３１ｅに貯留された溶融プラスチック材料がノズル部３１ｂの吐出口を介して金型装置５内に供給される（「充填工程」と呼ばれる）。スクリュー３２の位置や速度は、例えば射出モータ３５のエンコーダを用いて検出する。スクリュー３２の位置が設定位置に達すると、充填工程から保圧工程への切換（所謂、Ｖ／Ｐ切換）が行われる。Ｖ／Ｐ切換が行われる位置をＶ／Ｐ切換位置とも呼ぶ。スクリュー３２の設定速度は、スクリュー３２の位置や時間などに応じて変更されてもよい。
　充填工程においてスクリュー３２の位置が設定位置に達した時、その設定位置にスクリュー３２を一時停止させ、その後にＶ／Ｐ切換を行ってもよい。Ｖ／Ｐ切換の直前において、スクリュー３２の停止の代わりに、スクリュー３２の微速前進または微速後退が行われてもよい。また、スクリュー３２の位置を検出するスクリュー位置検出器、およびスクリュー３２の速度を検出するスクリュー速度検出器は、射出モータ３５のエンコーダに限定されず、他の種類の検出器を使用できる。
　充填工程に続いて、スクリュー３２の前側移動に応じてスクリュー３２の前方のプラスチック材料の保持圧が設定圧に維持され、残存するプラスチック材料が金型装置５に押し出される（「保圧工程」と呼ばれる）。金型装置５内での冷却収縮による不足分のプラスチック材料を補充できる。保持圧は、例えば圧力検出器を用いて検出する。保持圧の設定値は、保圧工程の開始からの経過時間に応じて変更されてもよい。保圧工程では金型装置５内のキャビティーのプラスチック材料が徐々に冷却され、保圧工程完了時にはキャビティーの入口が固化したプラスチック材料で塞がれる。この状態はゲートシールと呼ばれ、キャビティーからのプラスチック材料の逆流が防止される。保圧工程後、冷却工程が開始される。冷却工程では、キャビティーのプラスチック材料の固化が行われる。成形サイクル時間の短縮のため、冷却工程中に次の成形サイクルの計量工程が開始されても良い。
　保圧工程に続いて、上述の計量工程が行われる。
　射出成形機１は、型締装置２及び／又は射出装置３を制御するための制御システムが格納された制御盤７（図１参照）を有する。制御盤７に格納される制御システムは、型締モータ２６、エジェクタモータ、計量モータ３４、及び射出モータ３５をシーケンス制御する。制御システムは、型締モータ２６の制御に基づいて、型閉、型締、及び型開を行う。制御システムは、計量モータ３４及び射出モータ３５の制御に基づいて、計量、充填、保圧を行う。制御システムは、エジェクタモータの制御に基づいて金型装置５の可動金型５２から成形品を突き出すことができる。制御システムは、移動モータ３６の制御に基づいてシリンダー３１を適切な位置に位置付けることができる。制御システムは、上述の制御に加えて、ヒーター３３及び金型装置５の温調も制御することができる。
　例えば、一回の成形サイクルにおいて、計量工程、型閉工程、型締工程、充填工程、保圧工程、冷却工程、型開工程、および突き出し工程がこの順で行われる。ここで述べた順番は、各工程の開始時間の早い順である。充填工程、保圧工程、および冷却工程は、型締工程の開始から型締工程の終了までの間に行われる。型締工程の終了は型開工程の開始と一致する。尚、成形サイクル時間の短縮のため、同時に複数の工程を行ってもよい。例えば、計量工程は、前回の成形サイクルの冷却工程中に行われてもよく、この場合、型閉工程が成形サイクルの最初に行われることとしてもよい。また、充填工程は、型閉工程中に開始されてもよい。また、突き出し工程は、型開工程中に開始されてもよい。
　図２に示すように、上述の型締装置２及び射出装置３を含む射出成形機本体１’に対して通信可能に射出成形機制御部６０が設けられる。射出成形機本体１’は、射出成形条件（即ち、２以上の個別の設定条件の組み合わせ）の入力に基づいて射出成形を実行して成形品を製造する。射出成形機制御部６０は、上述の制御盤７に組み込まれ、又は上述の制御盤７とは別に設けられ得る。射出成形機制御部６０は、コンピュータで具現化することができる。例えば、少なくとも一つのＣＰＵ（Central Processing Unit）と少なくとも一つのメモリ（ハードドライブ、半導体メモリ）が設けられ、メモリから読み出されたプログラムがＣＰＵで実行され、所望の機能（例えば、予測モデル生成部６５、射出成形条件決定部６６等のプログラムモジュール）が具現化される。射出成形機制御部６０の一部又は全部の機能をネットワーク又はクラウド上に置くことも可能である。
　射出成形機制御部６０は、データ記憶部６１、射出成形条件の探索支援部６４、射出成形条件設定部６７、及びバッファ部６８を有する。データ記憶部６１は、事前データが記憶されたデータベースである。例えば、事前データは、お互いに関連付けられた（ｉ）射出成形条件データ、（ｉｉ）少なくとも一つの品質データ（連続値及び／又は離散値により表されるデータ）から構成される。射出成形条件データ（個々の設定条件）及び品質データは、いずれも実数値を取るが、必ずしもこれに限られない。品質データとして、連続値の品質値が含まれ得る。品質データとして、離散値の品質指標が含まれ得る。繰り返すが、射出成形条件は、２以上の個別条件（連続値及び／又は離散値により表される個別条件）を含むものである。
　表１に示すように、非限定の一例として、射出成形条件データＸ（Ｘ1～Ｘ4）と品質データＹ（Ｙ1～Ｙ4）を提示することができる。勿論、表１に提示以外の射出成形条件データＸ及び品質データＹも採用可能である。即ち、表１に提示したいずれかの設定条件Ｘ1～Ｘ4及びいずれかの品質Ｙ1～Ｙ4を除外することもできる。様々な成形条件が説明変数として採用可能であり、同様の様々な品質が目的変数として採用可能である。典型的には、射出成形条件データＸは、設定条件（又はサブ条件）Ｘ1～Ｘn（ｎは２以上の自然数）の組み合わせとして構成される（即ち、Ｘ＝（Ｘ1，Ｘ2，Ｘ3～Ｘn））。表１に示したＸ1～Ｘ4は、個々の内容及びこれらの順番に関して非限定の例として理解される。設定条件の個数も簡便な理解のために４つとしている。射出成形機においては、一般的には、設定条件の個数は、１０以上であり、射出成形条件の探索負担が膨大である。
Figure JPOXMLDOC01-appb-T000001
　表１では、射出成形品の品質に関する特定現象の発生確率が離散値で表され、第１実数の「１」がバリ又はヒケ有りに割り当てられ、第２実数の「０」がバリ又はヒケ無しに割り当てられている。離散的な品質評価は、２つの評価値を用いる態様に限られず、３つ以上の評価値を用いることも可能である。
　射出成形条件の探索支援部６４は、予測モデル生成部６５と、射出成形条件決定部６６を有する。探索支援部６４は、連続値で表される品質に関して確率的予測モデルを用いたＳＭＢＯ(Sequential Model-based Optimization)（例えば、ベイズ最適化）を実施し、端的には、（１）第１確率分布を算出するための予測モデルを生成し、（２）第１確率分布の期待値（又は平均値）と分散（例えば、標準偏差）の関数である目的関数の値（即ち、第１の射出成形条件の有望さを示す値）を最適化（最大化又は最小化）する。目的関数の値が最適値になる時の射出成形条件が次の射出成形条件として選択される。追加又は代替として、探索支援部６４は、ロジスティック回帰やガウス過程識別といった分類の予測を実施し、端的には、（１）成形品の品質に関する特定現象の発生確率に関する確率分布を算出するためのモデルを生成し、（２）２以上の特定現象に関する２以上の確率分布の発生確率の関数である目的関数の値（即ち、第２の射出成形条件の有望さを示す値）を最適化（最大化又は最小化）する。目的関数の値が最適値になる射出成形条件が次の射出成形条件として選択される。なお、第１確率分布の期待値（又は平均値）と分散（例えば、標準偏差）の関数であり、かつ１つ特定現象に関する１つの確率分布の発生確率の関数である目的関数を利用することもできる。
　予測モデル生成部６５は、射出成形条件データと成形品の品質データが関連付けられた事前データに基づいて未知の射出成形条件に関する品質を予測する予測モデルを生成する。品質としては、連続値により表されるものと、離散値により表されるものがある。従って、品質が連続値であるか離散値であるかに対応して異なる予測モデルが生成される。具体的には、予測モデルとして、（ｉ）射出成形条件の変化に応じて品質の予測値及び分散が連続的に変化する第１確率分布、又は（ｉｉ）射出成形条件の変化に応じて特定現象の発生確率が連続的に変化する第２確率分布を算出するためのものが導出される。（ｉ）の予測モデルを回帰モデルと呼び、（ｉｉ）の予測モデルを分類モデルと呼んで区別する場合がある。
　射出成形条件決定部６６は、１以上の品質に関する第１確率分布の評価、及び／又は、２以上の特定現象に関する２以上の第２確率分布の評価、及び／又は、少なくとも一つの第１確率分布と少なくとも一つの第２確率分布の評価に基づいて、射出成形機に設定されるべき次の射出成形条件を決定する。具体的には、射出成形条件決定部６６は、第１及び／又は第２確率分布に関するパラメータ（例えば、期待値（又は平均値）、分散（例えば、標準偏差））又は変数（例えば、発生確率）から射出成形条件の有望さを示す値を算出する目的関数を利用して確率分布を評価する。目的関数の値が最適値（最大又は最小値）になるときの射出成形条件を射出成形機本体１’に設定されるべき次の射出成形条件として決定する。このような予測モデル生成部６５と射出成形条件決定部６６の協働によって、過去の射出成形条件と過去の品質に照らして確率的に有望な（即ち、より良い品質の成形品が得られる可能性が高い）次の射出成形条件を決定することができる。
　上述のように確率的予測モデルを用いると未知の射出成形条件に対応する成形品質の予測分布を得ることができ、確率的に事前データの最良品質を超える品質が得られることが見込まれる成形条件を特定することができる。従って、事前データが少ない段階でも射出成形条件の探索に有用であり、射出成形条件の探索に関して知識と経験がない者にとって特に有用である。なお、事前データが少ない段階では、品質とは無関係に、或いは低い相関で次の射出成形条件が決定され得ることに留意されたい。
　有利には、射出成形条件決定部６６は、上述のように、第１及び／又は第２確率分布に関するパラメータ又は変数から射出成形条件の有望さを示す値を算出する目的関数を利用して確率分布を評価するが、これに限られない。確率分布の評価は、多段階で行うこともでき、例えば、有望な射出成形条件の範囲を求め、次に、その範囲内で射出成形条件を特定することもできる。複数の有望な射出成形条件を求め、この中から所望のものを選択することもできる。射出成形条件の有望さを示す値の決定のために重み付けといった様々な演算手法が利用可能である。
　品質の値にはノイズが含まれる可能性がある。例えば、熟練者と初心者では品質（特には、バリ、ヒケといった外観異常の有無）の評価結果にばらつきが生じる可能性がある。確率的予測モデルを活用することによって、このようなノイズの影響も踏まえて確率的に有望な次の射出成形条件を決定することができる。これによって、より良い品質の成形品が得られる可能性が高まる。
　図３に示すように、予測モデル生成部６５は、回帰モデル導出部７１、分類モデル導出部７２、及びモデル記憶部７３を有する。回帰モデル導出部７１で導出された回帰モデルがモデル記憶部７３に記憶される。同様、分類モデル導出部７２で導出された分類モデルがモデル記憶部７３に記憶される。回帰モデル導出部７１と分類モデル導出部７２の両方とも採用可能であり、若しくは、いずれか一方のみも採用可能である。
　回帰モデル導出部７１は、ガウス過程に基づいて／に従う確率分布を算出するためのモデルを生成し得る（従って、モデルを用いて、ある射出成形条件に関する品質の期待値（又は平均値）と分散が得られる）。期待値の追加又は代替として平均値を得ることもできる。ガウス過程を利用すると、任意の射出成形条件ｘに対する未知の品質ｙがガウス分布の確率分布として得られる。即ち、品質の予測値の期待値μ（ｘ）と分散σ（ｘ）が得られる。
　数１は、未知の射出成形条件ｘnewに対応する成形品質ｙnewの確率分布モデルを示す。Ｄは、既知の（ｘ，ｙ）を示す。
Figure JPOXMLDOC01-appb-M000002
　未知の射出成形条件ｘnewに対応する成形品質ｙnewの分布は、数１の右辺において、
Figure JPOXMLDOC01-appb-I000003
により表される。ｋ*は、ｘnewと既知のｘ1～ｘNの関係性をカーネル関数によりベクトル表現したものである。ｋ**は、ｘnewとｘnewの関係性をカーネル関数によりスカラー表現したものである。Ｋは、既知のｘ1～ｘNの関係性をカーネル関数により行列表現したものである。
　予測されるガウス分布の期待値は、数２に示すように表すことができる。同様、分散は、数３に示すように表すことができる。
Figure JPOXMLDOC01-appb-M000004
Figure JPOXMLDOC01-appb-M000005
　予測分布の計算に際してカーネル関数（例えば、数４のガウスカーネル）が用いられる。カーネル関数のハイパーパラメータθは、ガウス過程の周辺尤度が最大になる値に点推定した値を用いることができるが、これに限られない。ハイパーパラメータを確率変数として推定することもできる。
Figure JPOXMLDOC01-appb-M000006
　図４にモデルから算出される確率分布のイメージ例を示す。成形条件Ｘ10～Ｘ30とこれらに対応の品質値は事前データに含まれるものである。図４の実線は、射出成形条件の変化に従って品質の期待値が連続的に変化することを示す。図４の一点破線は、品質の期待値を頂点とするガウス分布を模式的に示す。図４の実線の上下両側の２つの点線は、所定確率に基づく信用区間を定め、例えば、９５％の確率の信用区間を定める。品質は、所定確率（例えば、９５％の確率）で信用区間内の値になる。ガウス過程の適切な実施により、既知の射出成形条件に関する品質の予測値の分散が小さく、未知の射出成形条件に関する品質の予測値の分散が大きい。このような確率分布を活用して（具体的には、品質の期待値（又は平均値）と分散を活用して）、未知の射出成形条件に関する品質の予測が可能である。より具体的には、成形条件Ｘ10よりも成形条件Ｘnextのほうが成形品質目標値を超える品質値が得られる可能性が高く、有望な成形条件として成形条件Ｘnextを選択することができる。なお、図４では射出成形条件が一つの変数のように見えるが、実際には、射出成形条件は、複数の設定条件から定まるものである。目的関数（例えば、予測される品質の期待値と分散を関数とする射出成形条件の有望さを示す値を算出するもの）を利用して探索する価値が高い射出成形条件（例えば、目的関数の値が最適値になる時の射出成形条件）を求めることができる。
　分類モデル導出部７２は、射出成形条件（２以上の個別の設定条件）から成形品の品質に関する特定現象の発生確率を算出するモデルを生成するように構成され、例えば、ロジスティック回帰やガウス過程識別器に基づいてそのようなモデルを生成する。ロジスティック回帰の場合、例えば、ロジスティック関数で発生確率のあてはめを行い、これにより図５に示すような回帰曲線が得られる。図５に示すように射出成形条件の変化に応じて特定現象の発生確率が連続的に変化する。例えば、回帰曲線は、特定現象の発生確率が低い値から高い値に変化する区域を提示し、これに着目して確率分布の評価が可能になる。目的関数（例えば、２以上の特定現象に関する発生確率の和又は対数和を算出するもの）を利用して探索する価値が高い射出成形条件（例えば、目的関数の値が最適値になる時の射出成形条件）を求めることができる。
　図５の上段にヒケの発生に関する確率分布の例を示す。図５の上段の実線は、ヒケの発生確率を示す。ヒケについて、成形条件値Ｘ20と成形条件値Ｘ30から定まる区域が、ヒケ有りからヒケ無しに推移する区域であり、またヒケに関する品質の値が（不良品であることを示す）不良品値から（良品であることを示す）良品値に推移する区域である。
　図５の下段にバリの発生に関する確率分布の例を示す。図５の下段の実線は、バリの発生確率を示す。バリについて、成形条件値Ｘ20と成形条件値Ｘ30から定まる区域が、バリ無しからバリ有りに推移する区域であり、またバリに関する品質の値が（良品であることを示す）良品値から（不良品であることを示す）不良品値に推移する区域である。
　図５から分かるように、ある特定現象の発生確率が低い値（例えば、０．２以下）から高い値（例えば、０．８以上）に変化する区域と、別の特定現象の発生確率が高い値（例えば、０．８以上）から低い値（例えば、０．２以下）に変化する区域の両方に属する射出成形条件を選択することが有効であり得る。品質は、バリとヒケのような相関関係がある品質に限られない。
　上述したように、射出成形条件決定部６６は、第１及び／又は第２確率分布に関するパラメータ（例えば、期待値（又は平均値）、分散（例えば、標準偏差））又は変数（例えば、発生確率）から射出成形条件の有望さを示す値を算出する目的関数を利用して射出成形機本体１’に設定されるべき次の射出成形条件として決定する。具体的には、目的関数の値が最適値になるときの成形条件が選択される。目的関数の値の最適化（最大又は最小化）のために、最適化ツールとして、勾配法、ＭＣＭＣ（メトロポリス・ヘイスティング）法が利用可能である。
　（ｉ）の第１確率分布の評価のために上限信頼区間（UCB(Upper Confidence Bound)）に関する目的関数を用いることができる。
Figure JPOXMLDOC01-appb-M000007
 　ここで、
　ＵＣＢ（ｘ）は、射出成形条件ｘにおけるＵＣＢの値を示し、
　μ（ｘ）は、射出成形条件ｘにおいて予測される品質の期待値を示し、
　σ（ｘ）は、射出成形条件ｘにおける予測される品質の標準偏差を示し、
　ｋは、ハイパーパラメータを示す。
　上述の数５の追加又は代替として次の目的関数（即ち、品質に関する既存最大値を更新する確率（PI(Probability of Improvement)に関するもの））を用いることもできる。
Figure JPOXMLDOC01-appb-M000008
 　ここで、
　ＰＩ（ｘ）は、射出成形条件ｘにおけるＰＩの値を示し、
　μ（ｘ）は、射出成形条件ｘにおいて予測される品質の期待値を示し、
　σ（ｘ）は、射出成形条件ｘにおける予測される品質の標準偏差を示し、
　ｙは、品質の値を示し、
　ｙmaxは、品質の最大値を示す。
　数５の場合、ＵＣＢ（ｘ）の最大化は、品質の期待値と分散（例えば、標準偏差）の和が大きくなることを意味する。ＵＣＢ（ｘ）が最大になる時の射出成形条件ｘを算出することで確率的により良い品質の成形品が得られることが見込まれる。なお、ハイパーパラメータであるｋの値を大きくすることにより未知の成形条件の探索が優先される。数６についても数５と同様、ＰＩ（ｘ）が最大になる時の射出成形条件ｘを求めることで確率的により良い品質の成形品が得られる。このように射出成形条件ｘを決定することは、目的関数に基づいて確率分布を評価することに等しい。
　（ｉｉ）の第２確率分布の評価のために次の目的関数を用いることができる。数７において、射出成形条件ｘの時のＮ（Ｎは２以上の自然数を示す）個の品質の個々の発生確率（Ｐn（ｘ））の積（Ｐall（ｘ））が算出される。数８では、数７の発生確率の積の対数値が算出され、数７と同様に理解できる。
Figure JPOXMLDOC01-appb-M000009
Figure JPOXMLDOC01-appb-M000010
　数７の場合、Ｐall（ｘ）の最大化は、Ｎ個の品質において全体的な傾向として発生確率（Ｐn（ｘ））が高められることを意味する。Ｐall（ｘ）が最大になる時の射出成形条件ｘを算出することでＮ個の品質に関してより良い品質の成形品が得られることが見込まれる。数８についても数７と同様である。
　上述の説明から分かるように、本実施形態においては、（ｉ）の第１確率分布の場合、期待値と分散（例えば、標準偏差）が目的関数に組み込まれ（従って、目的関数の値（射出成形条件の有望さを示す値）は、期待値と分散の関数になる）、（ｉｉ）の第２確率分布の場合、発生確率が目的関数に組み込まれる（従って、目的関数の値（射出成形条件の有望さを示す値）は、発生確率の関数になる）。目的関数の値を最適化（例えば、最大化又は最小化）する時の射出成形条件ｘを算出することで確率的により良い品質の成形品に帰結する有望な射出成形条件ｘが決定される。成形品の品質が高い時に値が増加し、成形品の品質が低い時に値が減少する目的関数が用いられる時、目的関数の値が最大になる時の射出成形条件ｘが算出される。成形品の品質が高い時に値が減少し、成形品の品質が低い時に値が増加する目的関数が用いられる時、目的関数の値が最小になる時の射出成形条件ｘが算出される。
　目的関数の値を最適化するために最適化ツールが用いられる。例えば、勾配法、ＭＣＭＣ（メトロポリス・ヘイスティング）法が利用可能である。目的関数では、探索範囲の指定をすることができる。ある品質について目標値がある場合、目的関数において目標値を定義することができる。複数種の品質について最適化する場合、これらの品質の重要度を設定することができる。目標値が存在しない品質の最大化又は最小化も可能である。
　（ｉ）の第１確率分布の評価と（ｉｉ）の第２確率分布の評価を共通の目的関数を用いて行うこともできる。即ち、第１確率分布に関する目的関数と第２確率分布に関する目的関数を組み合わせて共通の目的関数とする。例えば、この目的関数は、数５のＵＣＢ（ｘ）と数７のＰall（ｘ）の関数である。このような目的関数の統合のため、数５の代わりに数６を用い、数７の代わりに数８を用いることができることは言うまでも無い。
　射出成形条件決定部６６は、図３に示すように、目的関数記憶部７４と演算実行部７５を有する。目的関数記憶部７４には目的関数が記憶される。演算実行部７５は、モデル記憶部７３に記憶された予測モデルから算出される確率分布に関するパラメータ又は変数を目的関数に組み込み、最適化ツールを用いて目的関数の値（射出成形条件の有望さを示す値）が最適値になる時の射出成形条件ｘを求める。このようにして次の射出成形条件が決定される。具体的には、（ｉ）の第１確率分布の場合、期待値と分散（例えば、標準偏差）の関数である目的関数が用いられ、（ｉｉ）の第２確率分布の場合、発生確率の関数である目的関数が用いられる。なお、目的関数の値が最適値になる時の成形条件は、必ずしもより良い品質の成形品が得られることが見込まれる成形条件ではない。例えば、予測モデルの導出のための事前データが少ない段階では、予測精度を高めるために有用な成形条件が選択される。
　（ｉ）の第１確率分布については、目標品質を超える可能性が高い成形条件を選択すると良い。この目的にため、例えば、数５，６に示した目的関数が用いられる。図４に示す確率分布においては、目標品質を超える可能性が最も高く見込まれる射出成形条件ｘnextが特定され、これが選択可能になる。例えば、ｋ＝２でＵＣＢを用いる場合、９５％信用区間の上限が選択される。この選択された条件は、既知の成形条件からの距離と品質値の両方に関してバランスが取れている。なお、ＰＩを用いる場合、品質に関する既知の最大値を超える可能性が高い射出成形条件が選択される。好ましい特徴の一つとして、射出成形条件決定部６６は、品質の予測値の分散が相対的に大きい成形条件を次の射出成形条件として選択し得る。品質の分散が大きい成形条件を選択することによって既知の射出成形条件に空間的又は座標空間で近い射出成形条件を選択してしまうことが抑制され、射出成形条件の効率的な探索が可能になる。
　（ｉｉ）の第２確率分布については、より高い発生確率の品質の数が増加する可能性がある成形条件を選択することが良い。この目的のため、数７，８に示した目的関数が用いられる。目的関数が最大化する射出成形条件ｘは、ある特定現象の発生確率が低い値（例えば、０．２以下）から高い値（例えば、０．８以上）に変化する区域と、別の特定現象の発生確率が高い値（例えば、０．８以上）から低い値（例えば、０．２以下）に変化する区域の両方に属する射出成形条件であり得る。
　探索候補の射出成形条件が選択されると、これが射出成形条件決定部６６から射出成形条件設定部６７とバッファ部６８に伝送される。射出成形条件設定部６７は、受け取った探索候補の射出成形条件に基づいて射出成形機本体１’が動作するように指示する。射出成形機本体１’は、射出成形条件設定部６７により指定された射出成形条件に基づいて動作して成形品を製造する。なお、ユーザーの確認を経て射出成形が実施され得る。続いて、ユーザーは、成形品を検査し、その品質データをバッファ部に入力する。このようにしてバッファ部６８には射出成形条件データと品質データが関連付けて記憶される。続いて、ユーザーは、不図示の入力手段を用いてバッファ部６８に記憶されたデータをデータ記憶部６１に格納する。このようにして新たなデータが追加される。予測モデル生成部６５は、このように新たなデータが追加されて更新されたデータベースを用いて新たに予測モデルを生成することができる。
　最後に、図６を参照して射出成形機制御部６０の動作について説明する。まず、ユーザーは、目的関数を設定する（Ｓ１）。次にユーザーは、射出成形機１を動作させて射出成形条件データと品質データがお互いに関連付けられた事前情報を得て登録する（Ｓ２）。例えば、表１に示したような事前データがデータベースに登録される。次に、予測モデル生成部６５は、Ｓ２で用意した事前データに基づいて予測モデルを生成する（Ｓ３）。予測モデルは、上述したように第１又は第２確率分布のいずれか又は両方を算出するためのものであり得る。次に、射出成形条件決定部６６は、確率分布のパラメータ又は変数の関数である目的関数を用いて次の探索候補の射出成形条件を決定する（Ｓ４）。具体的には、目的関数の値が最適値になる時の射出成形条件ｘを次の射出成形条件として選択する。このように決定された射出成形条件が射出成形条件設定部６７により射出成形機本体１’の動作条件として設定され（Ｓ５）、射出成形機本体１’がこの条件にて動作する（Ｓ６）。このようにして製造された成形品の品質が、ユーザー又は品質判断装置によって評価される（Ｓ７）。そして射出成形条件データと共に品質データが関連付けられた事前データとして追加される（Ｓ８）。新たな事前データの追加後、予測モデルの導出が再び行われ、Ｓ３～Ｓ８のループが繰り返され、予測モデルの更新が継続する。
１　　　　　：射出成形機
６１　　　　：データ記憶部
６５　　　　：予測モデル生成部
６６　　　　：射出成形条件決定部

Claims (16)

  1. 　射出成形条件の入力に基づいて射出成形を実行して成形品を製造する射出成形機に関する射出成形条件の探索支援装置であって、
    　射出成形条件データと成形品の品質データが関連付けられた事前データに基づいて未知の射出成形条件に関する品質を予測する予測モデルを生成する予測モデル生成部にして、前記予測モデルは、（ｉ）射出成形条件の変化に応じて品質の予測値及び分散が連続的に変化する第１確率分布を算出するための予測モデル、及び／又は（ｉｉ）射出成形条件の変化に応じて品質に関する特定現象の発生確率が連続的に変化する第２確率分布を算出するための予測モデルを含む、予測モデル生成部と、
    　１以上の品質に関する前記第１確率分布の評価、及び／又は、２以上の特定現象に関する２以上の前記第２確率分布の評価、及び／又は、少なくとも一つの前記第１確率分布と少なくとも一つの前記第２確率分布の評価に基づいて、前記射出成形機に設定されるべき次の射出成形条件を決定する射出成形条件決定部を備える、射出成形条件の探索支援装置。
  2. 　前記射出成形条件決定部は、前記第１及び／又は第２確率分布に関するパラメータ及び／又は変数から射出成形条件の有望さを示す値を算出する目的関数を利用して次の射出成形条件を決定することを特徴とする請求項１に記載の射出成形条件の探索支援装置。
  3. 　前記パラメータは、前記第１確率分布における前記品質の予測値及び分散を含むことを特徴とする請求項２に記載の射出成形条件の探索支援装置。
  4. 　前記変数は、前記第２確率分布における前記特定現象の発生確率を含むことを特徴とする請求項２又は３に記載の射出成形条件の探索支援装置。
  5. 　前記射出成形条件の有望さを示す値は、前記１以上の品質に関する前記第１確率分布における前記品質の予測値及び分散の関数であり、かつ前記２以上の特定現象に関する２以上の前記第２確率分布における前記発生確率の関数であることを特徴とする請求項２乃至４のいずれか一項に記載の射出成形条件の探索支援装置。
  6. 　前記目的関数は、上限信頼区間（UCB（Upper Confidence Bound））又は品質に関する既存最大値を更新する確率（PI（Probability of Improvement））に関することを特徴とする請求項２乃至５のいずれか一項に記載の射出成形条件の探索支援装置。
  7. 　前記目的関数は、前記２以上の特定現象に関する２以上の前記第２確率分布における前記発生確率の積又はこの対数値に関することを特徴とする請求項２乃至６のいずれか一項に記載の射出成形条件の探索支援装置。
  8. 　前記予測モデル生成部は、ガウス過程に基づいて前記第１確率分布を生成することを特徴とする請求項１乃至７のいずれか一項に記載の射出成形条件の探索支援装置。
  9. 　前記射出成形条件決定部は、上限信頼区間（UCB（Upper Confidence Bound））又は品質に関する既存最大値を更新する確率（PI（Probability of Improvement））に基づいて次の射出成形条件を決定するように構成されることを特徴とする請求項８に記載の射出成形条件の探索支援装置。
  10. 　前記射出成形条件決定部は、品質の予測値の分散が相対的に大きい成形条件を次の射出成形条件として選択するように構成されることを特徴とする請求項８又は９に記載の射出成形条件の探索支援装置。
  11. 　前記予測モデル生成部は、ロジスティック回帰又はガウス過程識別器に基づいて、射出成形条件から特定現象の発生確率を算出する分類モデルを生成するように構成されることを特徴とする請求項１乃至１０のいずれか一項に記載の射出成形条件の探索支援装置。
  12. 　前記射出成形条件決定部は、前記２以上の特定現象に関する２以上の前記第２確率分布における前記発生確率の積又はこの対数値に基づいて次の射出成形条件を決定するように構成されることを特徴とする請求項１１に記載の射出成形条件の探索支援装置。
  13. 　前記射出成形条件決定部は、ある特定現象の発生確率が０．２以下の値から０．８以上の値に変化する区域と、別の特定現象の発生確率が０．８以上の値から０．２以下の値に変化する区域の両方に属する射出成形条件を前記次の射出成形条件として選択するように構成されることを特徴とする請求項１１又は１２に記載の射出成形条件の探索支援装置。
  14. 　射出成形条件の入力に基づいて射出成形を実行して成形品を製造する射出成形機に関する射出成形条件の探索支援方法であって、
    　射出成形条件データと成形品の品質データが関連付けられた事前データに基づいて未知の射出成形条件に関する品質を予測する予測モデルを生成し、前記予測モデルは、（ｉ）射出成形条件の変化に応じて品質の予測値及び分散が連続的に変化する第１確率分布を算出するための予測モデル、及び／又は（ｉｉ）射出成形条件の変化に応じて品質に関する特定現象の発生確率が連続的に変化する第２確率分布を算出するための予測モデルを含み、
    　１以上の品質に関する前記第１確率分布の評価、及び／又は、２以上の特定現象に関する２以上の第２確率分布の評価に基づいて、前記射出成形機に設定されるべき次の射出成形条件を決定する、射出成形条件の探索支援方法。
  15. 　射出成形条件データと成形品の品質データが関連付けられた事前データに基づいて未知の射出成形条件に関する品質を予測する予測モデルを生成し、前記予測モデルは、（ｉ）射出成形条件の変化に応じて品質の予測値及び分散が連続的に変化する第１確率分布を算出するための予測モデル、及び／又は（ｉｉ）射出成形条件の変化に応じて品質に関する特定現象の発生確率が連続的に変化する第２確率分布を算出するための予測モデルを含み、
    　１以上の品質に関する前記第１確率分布の評価、及び／又は、２以上の特定現象に関する２以上の第２確率分布の評価に基づいて、射出成形機に設定されるべき次の射出成形条件を決定する処理をコンピュータに実行させるためのプログラム。
  16. 　請求項１５に記載のプログラムが記憶された非一時的な記録媒体。
PCT/JP2022/014669 2021-03-31 2022-03-25 射出成形条件の探索支援装置及びその方法、プログラム及び記録媒体 WO2022210425A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE112022001901.8T DE112022001901T5 (de) 2021-03-31 2022-03-25 Suchhilfsvorrichtung für spritzgiessbedingung und verfahren dafür, programm und speichermedium
JP2023511204A JPWO2022210425A1 (ja) 2021-03-31 2022-03-25
CN202280008207.6A CN116600964A (zh) 2021-03-31 2022-03-25 注射成型条件的搜索支援装置及其方法、程序及记录介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021062347 2021-03-31
JP2021-062347 2021-03-31

Publications (1)

Publication Number Publication Date
WO2022210425A1 true WO2022210425A1 (ja) 2022-10-06

Family

ID=83456251

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/014669 WO2022210425A1 (ja) 2021-03-31 2022-03-25 射出成形条件の探索支援装置及びその方法、プログラム及び記録媒体

Country Status (4)

Country Link
JP (1) JPWO2022210425A1 (ja)
CN (1) CN116600964A (ja)
DE (1) DE112022001901T5 (ja)
WO (1) WO2022210425A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023145549A1 (ja) * 2022-01-25 2023-08-03 三菱電機株式会社 射出成形方法、成形条件導出装置、およびコンピュータ読み込み可能な記憶媒体
US11868900B1 (en) 2023-02-22 2024-01-09 Unlearn.AI, Inc. Systems and methods for training predictive models that ignore missing features
US12008478B2 (en) 2019-10-18 2024-06-11 Unlearn.AI, Inc. Systems and methods for training generative models using summary statistics and other constraints
US12020789B1 (en) * 2023-02-17 2024-06-25 Unlearn.AI, Inc. Systems and methods enabling baseline prediction correction

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190171776A1 (en) * 2017-12-01 2019-06-06 Industrial Technology Research Institute Methods, devices and non-transitory computer-readable medium for parameter optimization
WO2020040011A1 (ja) * 2018-08-24 2020-02-27 日本電信電話株式会社 Ｏｓｎｒスペクトル推定装置、ｏｓｎｒスペクトル推定方法およびプログラム
JP2020075385A (ja) * 2018-11-06 2020-05-21 株式会社東芝 製品状態推定装置
CN112101630A (zh) * 2020-08-19 2020-12-18 江苏师范大学 一种薄壁塑件注射成型工艺参数多目标优化方法
DE102019220453A1 (de) * 2019-12-20 2021-06-24 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Erstellen einer Sicherheitsfunktion für das Vermessen eines Fertigungssystems
WO2021201187A1 (ja) * 2020-03-31 2021-10-07 旭化成株式会社 装置、方法、およびプログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7159758B2 (ja) 2018-09-27 2022-10-25 株式会社ジェイテクト 成形条件決定支援装置および射出成形機

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190171776A1 (en) * 2017-12-01 2019-06-06 Industrial Technology Research Institute Methods, devices and non-transitory computer-readable medium for parameter optimization
WO2020040011A1 (ja) * 2018-08-24 2020-02-27 日本電信電話株式会社 Ｏｓｎｒスペクトル推定装置、ｏｓｎｒスペクトル推定方法およびプログラム
JP2020075385A (ja) * 2018-11-06 2020-05-21 株式会社東芝 製品状態推定装置
DE102019220453A1 (de) * 2019-12-20 2021-06-24 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Erstellen einer Sicherheitsfunktion für das Vermessen eines Fertigungssystems
WO2021201187A1 (ja) * 2020-03-31 2021-10-07 旭化成株式会社 装置、方法、およびプログラム
CN112101630A (zh) * 2020-08-19 2020-12-18 江苏师范大学 一种薄壁塑件注射成型工艺参数多目标优化方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12008478B2 (en) 2019-10-18 2024-06-11 Unlearn.AI, Inc. Systems and methods for training generative models using summary statistics and other constraints
WO2023145549A1 (ja) * 2022-01-25 2023-08-03 三菱電機株式会社 射出成形方法、成形条件導出装置、およびコンピュータ読み込み可能な記憶媒体
US12020789B1 (en) * 2023-02-17 2024-06-25 Unlearn.AI, Inc. Systems and methods enabling baseline prediction correction
US11868900B1 (en) 2023-02-22 2024-01-09 Unlearn.AI, Inc. Systems and methods for training predictive models that ignore missing features
US11966850B1 (en) 2023-02-22 2024-04-23 Unlearn.AI, Inc. Systems and methods for training predictive models that ignore missing features

Also Published As

Publication number Publication date
CN116600964A (zh) 2023-08-15
JPWO2022210425A1 (ja) 2022-10-06
DE112022001901T5 (de) 2024-01-11

Similar Documents

Publication Publication Date Title
WO2022210425A1 (ja) 射出成形条件の探索支援装置及びその方法、プログラム及び記録媒体
JP6529183B2 (ja) 射出成形機の成形最適化方法
Chen et al. A review of current developments in process and quality control for injection molding
US20200101649A1 (en) Device for assisting molding condition determination and injection molding apparatus
US20080054527A1 (en) Injection molding apparatus and method of using the same
US11537945B2 (en) Machine learning device and machine learning method
US7840306B2 (en) Molding-system set-up based on molded-part attribute
JP6514622B2 (ja) 射出成形機の成形支援方法
CN111611715B (zh) 一种注射成形工艺参数无模型优化方法
JP6591260B2 (ja) 射出成形用情報管理装置、および射出成形機
Huang et al. Cavity pressure‐based holding pressure adjustment for enhancing the consistency of injection molding quality
JP7342450B2 (ja) 品質予測システム及び成形機
US20200206998A1 (en) Quality prediction system and molding machine
JP7293962B2 (ja) 成形品の品質異常予測システム
US20230241826A1 (en) Method and device for reducing the amount of reworking required on mold cavities prior to their use in series production
WO2022210424A1 (ja) 品質予測装置及びその方法、プログラム並びに記録媒体
JP2022057084A (ja) 射出成形機
US20230093303A1 (en) Method for adapting a component description of a workpiece to be produced with amorphous properties
JP2023017386A (ja) 成形条件調整方法、コンピュータプログラム、成形条件調整装置及び射出成形機
US20220297362A1 (en) Artificial intelligence-based injection molding system and method for generating molding condition in injection molding system
JP7483436B2 (ja) 射出成形機及びステータス決定装置
WO2023032375A1 (ja) 成形条件パラメータ調整方法、コンピュータプログラム、成形条件パラメータ調整装置及び成形機
JPH05329873A (ja) ロータリー成形システム
Kazmer Precision Process Control of Injection Molding
JP2009006661A (ja) 成形方法

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: 22780638

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2023511204

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 202280008207.6

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 112022001901

Country of ref document: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22780638

Country of ref document: EP

Kind code of ref document: A1