WO2022270506A1 - 塗膜の性状の変動量の予測方法及び予測システム、塗布物の製造条件の変動量の予測方法及び予測システム、塗布物の製造方法 - Google Patents

Abstract

本発明の塗膜の性状の変動量の予測方法及び予測システムでは、コンピュータによる機械学習によって、製造条件の変動量を入力として含み、前記塗膜の性状の変動量を出力とする、所定の人工知能モデルを取得し、前記コンピュータにより、前記人工知能モデルにおいて、前記製造条件の変動量を入力することによって、前記塗膜の性状の変動量を予測する。本発明の製造条件の変動量の予測方法及び予測システムでは、さらに、予測した複数の前記塗膜の性状の変動量に基づいて、最適な前記製造条件の変動量を、目標を達成するために最適な前記製造条件の変動量として決定する。本発明の塗布物の製造方法では、予測した前記製造条件の変動量の分だけ前記製造条件を調整して前記対象物に前記塗料を塗布し、前記塗膜を得て、得られた前記塗布物の前記塗膜の前記性状を測定する。

Description

塗膜の性状の変動量の予測方法及び予測システム、塗布物の製造条件の変動量の予測方法及び予測システム、塗布物の製造方法

　本発明は、塗膜の性状の変動量の予測方法及び予測システム、塗布物の製造条件の変動量の予測方法及び予測システム、並びに塗布物の製造方法に関する。

　従来、対象物に塗料を塗布（塗装）する際には、まず標準条件や前回条件で塗装してから調整を繰り返し行って狙いの塗膜性状に近づけていた。ここで、標準条件や前回条件は、例えば作業管理表等の過去のデータ等を記録しておき、それを参照することで、ある程度狙いの塗膜性状に近づける、というような、逐次的な手作業を伴う手法により、行われてきた。この手法では、塗装管理者は、塗着圧、ラインスピード、塗出圧力、電圧、温度などの製造条件を手動で変動調整する必要がある。この操作を、目標とする膜厚、目標となる塗装板との色差や光沢の差が一定以下となるまで繰り返すことにより、所定の塗膜性状を有する塗膜を得ることができる。

　上記のような調整作業は、塗装管理者の経験に依存する点が多く、かつ工程上も煩雑である。このような繰り返しの調整作業の自動化を目的として、対象物に塗料を塗布して得られた塗布物の塗膜の性状を評価するに際し、機械学習の方法により、塗膜の性状の数値を予測すること等が提案されている（特許文献１～８）。これにより、該予測値に基づいて、製造条件を調整すること等ができる。

特開２０２０－０３９９９２号公報 特開２００１－０７８６２７号公報 特開２０００－２１９０９７号公報 特開１９９９－１４９１１８号公報 特開１９９３－３００３８６号公報 特開１９９１－０７０５６５号公報 特開２０１６－５０１１１９号公報 国際公開２０１９／１７１４９８号パンフレット

　しかしながら、特許文献１～８等の手法では、算出した予測値が、品質の規格値の範囲内にある場合は、予測値と実測値とに乖離がある場合であっても、製造条件の調整を行う必要がないと判定されてしまい、製造条件の適切な調整が行われない結果、所望の塗膜品質を有する塗布物を得ることができない場合があった。

　そこで、本発明は、塗膜の性状の変動量を迅速に予測可能な、塗膜の性状の変動量の予測方法及び予測システム、品質の規格値の範囲によらずに製造条件の調整を可能とする、塗布物の製造条件の変動量の予測方法及び予測システム、並びに、所望の塗膜品質を有する塗布物を製造し得る、塗布物の製造方法を提供することを目的とする。

　本発明の要旨構成は、以下の通りである。
（１）対象物に塗料を塗布して得られた塗膜の性状の変動量を予測する方法であって、
　製造条件の変動量を入力として含み、前記塗膜の性状の変動量を出力とする、所定の人工知能モデルを取得する、人工知能モデル取得工程と、
　コンピュータにより、前記人工知能モデルにおいて、前記製造条件の変動量を入力することによって、前記塗膜の性状の変動量を予測する、性状変動量予測工程と、を含むことを特徴とする、塗膜の性状の変動量の予測方法。

（２）対象物に塗料を塗布して塗布物を製造するに際し、製造条件を変動させて調整することにより、塗布物の塗膜の目標となる性状を有する塗布物を製造する場合に、目標を達成するために最適な前記製造条件の変動量を予測する方法であって、
製造条件の変動量を入力として含み、前記塗膜の性状の変動量を出力とする、所定の人工知能モデルを取得する、人工知能モデル取得工程と、
　コンピュータにより、前記人工知能モデルにおいて、前記製造条件の変動量を入力することによって、前記塗膜の性状の変動量を予測する、性状変動量予測工程と、を含み、
　前記性状変動量予測工程では、複数の前記製造条件の変動量を入力し、各々の前記製造条件の変動量に対応する複数の前記塗膜の性状の変動量を予測し、
　予測した前記複数の前記塗膜の性状の変動量に基づいて、最適な前記製造条件の変動量を、前記目標を達成するために最適な前記製造条件の変動量として決定する、製造条件変動量予測工程をさらに含むことを特徴とする、製造条件の変動量の予測方法。

（３）前記製造条件の変動量と前記塗膜の性状の変動量との関係を示す関係データを前記コンピュータに入力する、関係データ入力工程をさらに含み、
　前記人工知能モデル取得工程は、前記コンピュータにより、前記関係データ入力工程において入力された前記関係データを教師データとして機械学習することにより行われる、上記（１）又は（２）に記載の方法。

（４）前記塗膜の性状は、前記塗膜の色彩、光沢、粘度、膜厚、平滑性、目視外観、フリップフロップ性、及び塗膜異常のいずれか１つ以上を含む、上記（１）～（３）のいずれか１つに記載の方法。

（５）前記製造条件は、
（ａ）塗料の粘度及び加熱残分のいずれか１つ以上、
（ｂ）前記対象物に塗料を塗布する工程における、ロール周速、前記対象物への塗着圧、及び塗料の流量のいずれか１つ以上、
（ｃ）焼き付け工程における焼き付け温度及び焼き付け時間のいずれか１つ以上、及び
（ｄ）製造ラインの温度、湿度及び塗料液温のいずれか１つ以上、
の（ａ）～（ｄ）うちのいずれか１つ以上を含む、請求項１～４のいずれか一項に記載の方法。

（６）前記人工知能モデル取得工程は、機械学習によって前記人工知能モデルを作成する工程であり、前記機械学習は、ニューラルネットワーク、複数の決定木から構成されるアンサンブルツリー、又は部分的最小二乗回帰法による予測アルゴリズムを用いている、上記（１）～（５）のいずれか１つに記載の方法。

（７）前記機械学習は、ニューラルネットワーク、ランダムフォレスト、又は勾配ブースティング法を用いた、上記（６）に記載の方法。

（８）前記関係データ入力工程後に、前記関係データに対してデータクレンジングを行う工程をさらに含む、請求項１～７のいずれか一項に記載の方法。

（９）前記製造条件変動量予測工程において、予測した前記複数の前記塗膜の性状の変動量の中から前記目標となる性状との差が最も小さくなる前記塗膜の性状の変動量に対応する前記製造条件の変動量を、前記目標を達成するために最適な前記製造条件の変動量として決定する、上記（２）に記載の方法。

（１０）上記（２）に記載の方法により予測した前記製造条件の変動量の分だけ前記製造条件を調整して前記対象物に前記塗料を塗布し、前記塗膜を得る、条件調整後製造工程と、
　得られた前記塗布物の前記塗膜の前記性状を測定する、性状測定工程と、をさらに含み、
　前記性状測定工程において測定された前記塗膜の前記性状が、所望の性状から所定の閾値以上ずれた場合に、前記性状変動量予測工程、前記製造条件変動量予測工程、前記条件調整後製造工程、及び前記性状測定工程を繰り返す、塗布物の製造方法。

（１１）前記性状測定工程において測定された前記塗膜の前記性状が、所望の性状から所定の閾値以上ずれることが、所定の回数繰り返された場合に、
　前記製造条件の変動量を入力として含み、前記塗膜の性状の変動量を出力とする、別の人工知能モデルを取得する、人工知能モデル取得サブ工程と、
　前記コンピュータにより、前記別の人工知能モデルにおいて、前記製造条件の変動量を入力することによって、前記塗膜の性状の変動量を予測する、性状変動量予測サブ工程と、を含み、
　前記性状変動量予測サブ工程では、予め候補として選定した複数の前記製造条件の変動量を入力し、各々の前記製造条件の変動量に対応する複数の前記塗膜の性状の変動量を予測し、
　予測した前記複数の前記塗膜の性状の変動量に基づいて、別の最適な前記製造条件の変動量を、前記目標を達成するために最適な別の前記製造条件の変動量として決定する、製造条件変動量予測サブ工程をさらに含み、
　予測した前記別の製造条件の変動量の分だけ前記製造条件を調整して、前記対象物に前記塗料を塗布して前記塗布物を得る、条件調整後製造サブ工程と、
　得られた前記塗布物の前記塗膜の前記性状を測定する、性状測定サブ工程と、をさらに含み、
　前記性状測定工程において測定された前記塗膜の前記性状が、所望の性状から所定の閾値以上ずれた場合に、前記人工知能モデル取得サブ工程、前記性状変動量予測サブ工程、前記製造条件変動量予測サブ工程、前記条件調整後製造サブ工程、及び前記性状測定サブ工程を繰り返す、上記（１０）に記載の塗布物の製造方法。

（１２）前記製造条件の変動量と、前記性状測定工程において測定された前記塗膜の性状の変動量と、の関係を示す関係データを前記コンピュータに入力して前記関係データをアップデートする、関係データアップデート工程をさらに含む、上記（１０）に記載の塗布物の製造方法。

（１３）対象物に塗料を塗布して得られた塗膜の性状の変動量を予測するシステムであって、
　製造条件の変動量を入力として含み、前記塗膜の性状の変動量を出力とする、所定の人工知能モデルを取得する、人工知能モデル取得部と、
　前記人工知能モデルにおいて、前記製造条件の変動量を入力することによって、前記塗膜の性状の変動量を算出して予測する、性状予測部と、を備えたコンピュータを備えていることを特徴とする、システム。

（１４）対象物に塗料を塗布して塗布物を製造するに際し、製造条件を変動させて調整することにより、塗布物の塗膜の目標となる性状を有する塗布物を製造する場合に、目標を達成するために最適な前記製造条件の変動量を予測するシステムであって、
　前記製造条件の変動量を入力として含み、前記塗膜の性状の変動量を出力とする、所定の人工知能モデルを取得する、人工知能モデル取得部と、
　前記人工知能モデルにおいて、複数の前記製造条件の変動量を入力することによって、複数の前記塗膜の性状の変動量を算出して予測する、性状予測部と、
　予測した前記複数の前記塗膜の性状の変動量に基づいて、最適な前記製造条件の変動量を、前記目標を達成するために最適な前記製造条件の変動量として決定する、製造条件変動量予測部と、を備えたコンピュータを備えていることを特徴とする、システム。

（１５）前記製造条件は、複数の工程の各々における工程製造条件を有し、
　上記（２）に記載の方法により予測した製造条件の変動量の分だけ前記製造条件を調整した際の、各前記製造条件をモニタリングし、
　各前記製造条件のうち、前記変動量から所定の値以上ずれて調整された工程製造条件が観測された場合に、
　前記人工知能モデルにおいて、モニタリングされた前記工程製造条件を固定した上で、他の複数の前記製造条件の変動量を入力することによって、複数の前記塗膜の性状の変動量を算出して予測する、性状再予測工程と、
　予測した前記複数の前記塗膜の性状の変動量に基づいて、最適な前記製造条件の変動量を、前記目標を達成するために最適な前記製造条件の変動量として再決定する、製造条件変動量再予測工程と、をさらに含み、
　現工程より後の工程における前記製造条件の変動量を、前記製造条件変動量再予測工程の結果に基づいて調整し直す、上記（１１）に記載の製造方法。

　なお、上記変動量の予測方法等における学習時において、測定によって得られた調整前後の塗膜性状の変動量に、調整前の塗料の塗膜性状の固定された代表的な絶対値を加算することで、変動後の代表的な絶対値を学習に使用する態様についても、例えば上記方法の１態様として含まれうる。また、予測結果の出力時において、上記手法によって得られた塗膜性状の変動量の予測値を取得した後に、調整前の塗料の塗膜性状の固定された代表的な絶対値に加算することで間接的に塗膜性状の絶対値を取得することも、例えば上記方法の１態様として含まれうる。

　本発明によれば、塗膜の性状の変動量を迅速に予測可能な、塗膜の性状の変動量の予測方法及び予測システム、品質の規格値の範囲によらずに製造条件の調整を可能とする、塗布物の製造条件の変動量の予測方法及び予測システム、並びに、所望の塗膜品質を有する塗布物を製造し得る、塗布物の製造方法を提供することができる。

本発明の一実施形態にかかる塗膜の性状の変動量の予測方法のフローチャートである。 本発明の一実施形態にかかる製造条件の変動量の予測方法のフローチャートである。 本発明の一実施形態にかかる塗布物の製造方法のフローチャートである。 本発明の一実施形態にかかる塗布物の製造方法のサブフローを示すフローチャートである。 ＣＣＬの模式図である。 本発明の一実施形態にかかる塗膜の性状の変動量の予測システムのブロック図である。 本発明の一実施形態にかかる製造条件の変動量の予測システムのブロック図である。

　まず、本発明の予測方法に関連する技術について説明する。塗装は、用途によって塗膜性状への許容性が異なる。色彩に関する塗膜性状の例では、自動車補修塗装では、故障車の正常な塗装部分（目標とする塗装板に相当）と修理後に、新規に補修用として調整した塗料を塗装する部分との境をぼかし塗装する（グラデーションする）ことができるため、色の一致度はΔＥ＜０．５程度と厳密には要求されない。一方で、例えばプレコート（組み立て前に塗装する）用であるコイルコーティング塗装は、製造ロットの違う塗装板を製品製造時に隣り合わせて組み立てられることもあるため、製造ロットの違いによる色の違いを許容する幅は、例えばΔＥ＜０．１程度と極めて小さい商品も多い。この色差レベルは色差計の機種によっても、コンディションによっても変化する領域なので、色彩の絶対値では精度が不足し、標準板（目標とする塗装板）を顧客合意のもと準備して、同一コンディションとなる同じタイミングで製造毎、調色毎に標準板との色差を測定し、標準板と所定の色差内に収めるような調整を行う必要がある。

　上記のような調整作業は、塗装管理者の経験に依存する点が多く、かつ工程上も煩雑であるため、調整作業の自動化が求められている。しかしながら、製造条件から塗膜性状の絶対値を人工知能にその関係を学習させたりして予測させる場合、予測精度のわずかなずれが、補正の方向性を間違える結果がでやすい傾向がある。例えば、色彩を例にすると、目標とする色彩のｂ^＊値が３．０、調整前塗料の色彩の真のｂ^＊値が２．９、製造条件から予測される調整前塗料の色彩のｂ値が、３．１（つまり誤差が０．２）であった場合、本当はｂ^＊値を０．１上げるため乾燥炉の温度を上げるべきだが、絶対値の予測は０．１オーバー（黄味が強い）ため、乾燥炉の温度を下げることになり、絶対値予測では目標とする色から調整によってむしろ色が遠ざかってしまうこともあり、微調整が不可能なケースもあった。

　製造条件は同一の設定にしても塗料の性状のわずかな差異、使用された設備の経時変化など、数値化が難しい、測定が難しい、測定工数が大きくデータが少ない（データコストが高い）などの理由で機械学習に学習しきれない要因の積み重ねで、わずかながら塗膜性状は変動する。これが、前述の絶対値予測の人工知能による予測誤差の要因の一つとなっている。従って例えば上記特許文献１～８等のような手法では、上記のような場合に正確な予測が困難になってしまう可能性がある。

　そこで、本発明は、機械学習の手法により効率化を達成しつつも、予測精度の高い、塗膜の性状の変動量の予測方法及び予測システム、塗布物の製造条件の変動量の予測方法及び予測システム、塗布物の製造方法、並びに、機械学習の手法により効率化を達成しつつも、塗膜性状を所期したものに精度良く近づけることが可能な、塗膜の製造方法を提供することを目的とする。

　変動量の予測にすることで、予測時の製造条件の状態が人工知能を作成したときの製造条件の状態と変化が起きていて絶対値の予測に誤差が生まれていても、例えばロールコートにおいて、ある製造条件のもと塗着圧を５０Ｋｇｆ高くすると１．５μｍ膜厚が低下するなどのように変動量として学習していれば、意図的に製造条件を変動する前後も、意図的でない製造条件の変化を同様に受けているため影響が相殺されて実用的に微調整にも適用可能となる、などの利点がある。

　以下、本発明の実施形態について、図面を参照して詳細に例示説明する。

＜塗膜の性状の変動量の予測方法＞
　図１は、本発明の一実施形態にかかる塗膜の性状の変動量の予測方法のフローチャートである。以下、図１を参照して、対象物に塗料を塗布して得られた塗膜の性状の変動量を予測する方法の一実施形態を例示説明する。なお、本実施形態の塗膜の性状の変動量の予測方法は、一例としては、後述の本発明の一実施形態にかかる塗膜の性状の変動量の予測システムを用いて実行することができる。ここで、予測する塗膜の性状は、少なくとも塗料の色彩を含むことが好ましく、また、色彩に加え、塗料の光沢及び膜厚をさらに含むことも好ましい。なお、予測する塗膜性状は、色彩、光沢、膜厚以外には、例えば、隠ぺい率、フリップフロップ性、平滑性、目視外観、電気抵抗、接触角、汚染性、日射反射率、紫外線透過率、耐候性、粘弾性、塗膜異常、のいずれか１つ以上を含むことが好ましい。特に、膜厚を変化させるため塗着圧を調整すると色彩も光沢も変化し、光沢を調整しようと光沢調整剤を入れると色彩も変化するように互いに影響を及ぼすので、色彩、光沢、膜厚を同時に予測して調整することが好ましい。色彩は、例えばＬ^＊ａ^＊ｂ^＊色空間におけるＬ^＊値、ａ^＊値、ｂ^＊値（ＪＩＳ  Ｚ８７８１－４（２０１３年））を用いることができる。色彩は、既知の色彩測定方法を用いて測定することができ、一例として、コニカミノルタ株式会社から市販のＣＭ－５１２ｍ３を用いて、塗膜に垂直にある受光部を０°とした場合に、２５°、４５°、７５°となる角度から光源を照射して測定されるＬ^＊値、ａ^＊値、ｂ^＊値を測定することができる。あるいは、Ｘ－Ｒｉｔｅ  ＭＡ６８ＩＩ（エックスライト社製）を用いて測定することができる。測定角度は、目的又は使用する機器に応じて適宜調整することができる。その他任意の指標を用いることができる。さらに例えば、反射スペクトルデータであり、３８０ｎｍ～７８０ｎｍの５ｎｍ毎の反射スペクトル強度を色彩とした指標等、任意の指標を用いることもできる。光沢は、特には限定されないが、グロスを指標として用いることができる。グロスは、既知の光沢測定方法を用いて測定することができ、一例として、試験板に形成した塗膜の６０°光沢度を、鏡面光沢度計（光沢計ＶＧ  ７０００（日本電色工業社製））を用い、ＪＩＳ  Ｋ  ５６００－４－７（鏡面光沢度）に準拠して測定することができる。粘度は、既知の粘度測定方法を用いることができ、一例としては、ＪＩＳ　Ｋ　５６００－２－２（フローカップ法）に準拠して測定することができる。平滑性は、ウェーブスキャン値を指標として用いることが好ましい。ウェーブスキャン値は、ｄｕ（波長０．１ｍｍ以下）、Ｗａ（波長０．１～０．３ｍｍ）、Ｗｂ（波長０．３～１．０ｍｍ）、Ｗｃ（波長１．０～３．０ｍｍ）、Ｗｄ（波長３．０～１０．０ｍｍ）、Ｗｅ（波長１０．０～３０．０ｍｍ）、Ｌｗ（波長１．２～１２ｍｍ）、及びＳｗ（波長０．３～１．２ｍｍ）のいずれか１つ以上であることが好ましい。なお、ウェーブスキャン値は、値が小さいほど表面における当該波長の凹凸が少なく、塗膜の外観品質が良いことを意味する。フリップフロップ性は、変角色差計等を用いて計測することができる。塗膜異常は、具体的には、ムラ、フクレ、割れ、タレ、ピンホール、額縁等である。これらについても、それぞれ既知の手法で測定することができる。

　塗装に用いる塗料は、その塗装に通常用いられるものを用意することができるが、例えば塗料を調製して用意する場合には、例えば、顔料、樹脂、添加剤、及び溶剤及び／又は水をＳＧミル等で分散させて、多数の種類の顔料等を調製して用意した原色塗料に、樹脂、溶剤、及び添加剤を加えて、これらを分散させ、その後調整を繰り返すことにより用意することができる。

　図１に示すように、本実施形態では、まず、製造条件の変動量と塗膜の性状の変動量との関係を示す関係データをコンピュータに入力する（ステップＳ１０１：関係データ入力工程）。関係データは、過去のデータ等から用意することができる。

　ここで、上記製造条件は、対象物に塗料を塗布して塗膜を得ることに関連した製造条件である。一例として、製造条件は、塗料の１つ以上の特性とすることができ、具体的には、塗料の粘度及び加熱残分のいずれか１つ以上とすることが好ましい。また、他の例として、製造条件は、対象物に塗料を塗布する工程における各工程の条件とすることができ、具体的には、対象物に塗料を塗布する工程において、ロールコートであれば、ラインスピード、ロール周速、塗着圧および塗料の流量、アプリケーターロールの状態、材質、硬さ、ピックアップロールの種類などがあり、ロール周速、対象物への塗着圧、及び塗料の流量のいずれか１つ以上とすることが好ましい。ここでロール周速のロールとは、アプリケーションロール、バックアップロール、ピックアップロール、メータリングロールなど限定されないが特にアプリケーションロールが好ましい。また、別の例として、製造条件は、工程間に行われる焼き付け工程等の工程の条件とすることもでき、例えば、焼き付け工程における焼き付け温度、焼き付け時間、最高到達温度などがあり、中でも焼き付け温度及び焼き付け時間のいずれか１つ以上とすることが好ましい。さらに別の例として、製造条件は、製造ラインにおける環境条件とすることもでき、例えば、製造ラインの温度、湿度及び塗料液温のいずれか１つ以上とすることもできる。その他、板厚、塗装ライン、下塗り・上塗り付着量、色差計、下塗りの種類や色、粗度、種類などの物性データ、化学的性質データ等などが挙げられる。スプレー塗装であれば吐出圧、吐出量、ガンのタイプ、焼き付け工程における焼き付け温度、焼き付け時間、温度及び湿度などが挙げられる。電着塗料であれば、塗装電圧、液温、通電時間、塗装方向（水平面か垂直面か）などが挙げられる。

　まとめると、一例としてロールコートであれば、製造条件は、（ａ）塗料の粘度及び加熱残分のいずれか１つ以上、（ｂ）対象物に塗料を塗布する工程における、ロール周速、対象物への塗着圧、及び塗料の流量のいずれか１つ以上、（ｃ）焼き付け工程における焼き付け温度及び焼き付け時間のいずれか１つ以上、及び（ｄ）製造ラインの温度、湿度及び塗料液温のいずれか１つ以上、の（ａ）～（ｄ）うちのいずれか１つ以上を含むものとすることができる。

　なお、上記関係データは、より正確な予測を可能にするために、常に又は適時に又は定期的にアップデートされることが好ましい。
　また、関係データ入力工程（ステップＳ１０１）後に、関係データに対してデータクレンジングを行う工程をさらに含むことが好ましい。ここでは、準備した上記関係データに対して例えば、データの正規化／標準化や新たなデータの生成といった加工処理や、不適切なデータを取り除くデータフィルタリング処理などの処理を行う。例えば、塗膜品質の実測値と予測値との差異について、標準偏差をσとしたときの平均値±２σを超えたデータに対して精査をし、入力ミスや記載ミスなどが疑われるデータを削除することができる。このようなデータクレンジングや正規化により、後述の機械学習における過学習を防止して、より精度の高い塗料性状の予測を可能にする。ただし、本開示において、データクレンジングを行うことは必須ではなく、この工程を省略することもできる。データクレンジングは、複数ないし全てのアルゴリズムに共通に適用できるものとすることができ（例えばいずれの機械学習アルゴリズムでも不適切と判断されると考えられる異常値のようなデータを取り除く）、あるいは、実際に用いる機械学習アルゴリズムにもっぱら適用できるものとすることもできる（例えば特定のアルゴリズムにおいてエラーを生じさせやすいデータを取り除く）。後述の人工知能モデル作成工程は、このデータクレンジング後のデータを再学習させて作成することもできる。

　次いで、図１に示すように、コンピュータによる機械学習によって、製造条件の変動量を入力として含み、塗膜の性状の変動量を出力とする、所定の人工知能モデルを作成する（ステップＳ１０２：人工知能モデル作成工程）。本例では、この人工知能モデル作成工程は、コンピュータにより、関係データ入力工程（ステップＳ１０１）において入力された関係データを教師データとして機械学習することにより行われる。関係データは、入力に関しては、製造条件の変動量のみとしても良く、あるいは、製造条件の数値及び変動量としても良い。これらは、測定値又は設定値をデータとして用いることができる。出力に関しては、塗膜の性状の測定値を用いることができ、製造条件を変更した前後での塗膜の性状の測定値の差分を算出して変動量とすることができる。なお、本実施形態においては、本ステップにおいて人工知能モデルを作成しているが、人工知能モデルは必ずしも作成する必要はなく、作成された人工知能モデルを外部から取得することもできる。例えば、コンピュータの通信部により人工知能モデルを取得することもでき、あるいは、人間により譲渡等により取得することもできる（人工知能モデル取得工程）。

　機械学習のアルゴリズムは、任意の既知のアルゴリズムを用いることができ、例えば、決定木、線形回帰、部分的最小二乗回帰、ラッソ回帰、リッジ回帰、多項式回帰、ガウス過程回帰、サポートベクターマシーン、ランダムフォレスト、勾配ブースティング、Ｋ近傍法、ニューラルネットワーク、ベイズ推定、又はこれらのアンサンブル学習による予測アルゴリズムを用いることができる。
　機械学習は、ニューラルネットワークによる予測アルゴリズムを用いていることが特に好ましい。ニューラルネットワークには、畳み込みニューラルネットワーク及びドロップアウトを行いながら３～数百の層を形成するディープラーニングを使用してもよい。
　また、人工知能を作成するにあたって、ＴｅｎｓｏｒＦｌｏｗ、Ｋｅｒａｓ、Ｃａｆｆｅ、ＰｙＴｏｒｃｈ、Ｃｈａｉｎｅｒ、Ｓｃｉｋｉｔ－ｌｅａｒｎなどの機械学習フレームワークを使用してもよい。

　ここで、機械学習は、教師あり学習（強化学習を含む）とすることができる。本実施形態では、人工知能モデル作成工程（ステップＳ１０３）は、コンピュータにより、関係データ入力工程（ステップＳ１０２）において入力された上記関係データを学習データ（本例では教師ありデータ）として機械学習（教師あり学習）することにより行われる。

　ここで、アルゴリズムは、以下の手法により決定することが好ましい。すなわち、種々の機械学習のアルゴリズムを用いて人工知能モデルを複数作成し、予め解答が判明しているデータを用いて出力の予測値と当該解答を比較することで各人工知能モデルの精度を確認する。そして複数のアルゴリズムのうち、精度の高いアルゴリズムについて、例えばクロスバリデーションでモデルを作成したり、ベイズ最適化などを利用したりして、最適なハイパーパラメータを決定する。決定したハイパーパラメータで全データを再学習させることにより、製造条件の変動量を入力とし、調整後の塗膜性状の変動量を出力とする、人工知能モデルを作成することができる。

　ここで、本実施形態では、準備した上記関係データに対して前処理を行う。ここでは、準備した上記関係データに対して例えば、データの正規化／標準化や、対数をとったり、累乗を掛けたり（累乗処理）などの所定の演算を加えたり、新たなデータの生成といった加工処理や、不適切なデータを取り除くデータフィルタリング処理などの処理を行う。例えば、塗膜性状の実測値と予測値との差異の大きかったデータに対して精査をし、入力ミスや記載ミスなどが疑われるデータを削除することができる。
　上述のように、本実施形態では、様々な機械学習のアルゴリズムを用いることができるが、上記の前処理は、複数ないし全てのアルゴリズムに共通に適用できるものとすることができ（例えばいずれの機械学習アルゴリズムでも不適切と判断されると考えられる異常値のようなデータを取り除く）、あるいは、実際に用いる機械学習アルゴリズムにもっぱら適用できるものとすることもできる（例えば特定のアルゴリズムにおいてエラーを生じさせやすいデータを取り除く）。

　また、前処理においては、製造条件の変動量が０である場合に、調整による塗膜性状の変化量が０であるという関係を示すゼロ点関係データを追加することが好ましい（ゼロ点追加）。機械学習に用いるデータは、例えばライン管理者による調整の記録のデータである場合、「製造条件を変動しない」というデータが含まれないことになり、機械学習により得られる結果が、製造条件を変動しない場合、塗膜性状の変化量が０である点を通らないものとなってしまい、予測の精度が低下してしまう懸念がある。そこで、上記のゼロ点関係データを追加することで、このような問題を回避し、予測の精度をより一層向上させることができる。ここではゼロに変えて、ゼロに近い数値でもよい。

　また、連続した調整作業の記録をデータとしてする際は、それらを合算したものを一つの調整記録としてデータを増幅させてもよい（コンビネーション）。例えば、１回目と２回目の調整記録において、１回目に塗着圧を５０Ｋｇｆ増加させて、膜厚が１.２μｍ下がった記録と、２回目に塗着圧を１００Ｋｇｆ増加させて、さらに膜厚が２．６μｍ下がった記録を合算して、当初から、塗着圧を１５０Ｋｇｆ増加させて、膜厚が３．８μｍ下がったデータとして追加する操作となる。これにより、大きく変動したデータを学習させる効果と、データが増える効果の両面から予測の精度をより一層向上させることができる。

　前処理として、データ間に推測データを追加することもできる。例えば、データから近似直線や近似曲線を求め、当該近似直線や近似曲線上の点を推測データとすることができる。これにより、データ数を増大させて予測の精度をより向上させ得る。また、過去のデータとデータ間を線形や曲線で結び、その線上に任意の数のデータを増幅させてもよい。

　このような前処理や正規化により、後述の機械学習において、より精度の高い塗膜性状の予測を可能にする。ただし、本開示において、前処理を行うことは必須ではなく、この工程を省略することもできる。
　上記と同様の方法で前処理後のデータを用いて所定の人工知能モデルを作成することができる。

　次いで、本実施形態では、コンピュータにより、上記人工知能モデルにおいて、製造条件の変動量を入力することによって、塗膜の性状の変動量を予測する（ステップＳ１０３：性状変動量予測工程）。なお、関係データの入力に製造条件の変動量だけでなく、製造条件の数値も含まれる場合には、上記人工知能モデルに製造条件の数値及び変動量を入力することで、塗膜の性状の変動量を予測することが好ましい。

　性状変動量予測工程（ステップＳ１０３）において、入力する製造条件は、過去のデータを参照する等して、予め範囲を絞っておくことが好ましい。

　このようにして、上記の人工知能モデルにおいて、製造条件の変動量を入力することによって、コンピュータにより、塗膜の性状の変動量を算出することができる。なお、算出される塗膜の性状の変動量の予測値は、単一の値でも良く、あるいは、複数の候補群からなっていても良い。算出される塗膜の性状の変動量の予測値が複数の候補群からなる場合には、所定の基準を用いて適宜その中から単一の値を選択する工程をさらに含むことが好ましい。上記所定の基準は、様々なものとすることができる。

　本実施形態の塗膜の性状の変動量の予測方法によれば、製造条件の変動量に対する、塗膜の性状の変動量の予測値をコンピュータの演算により迅速に得ることができる。

＜製造条件の変動量の予測方法＞
　図２は、本発明の一実施形態にかかる製造条件の変動量の予測方法のフローチャートである。以下、図２を参照して、対象物に塗料を塗布して塗布物を製造するに際し、製造条件を変動させて調整することにより、塗布物の塗膜の目標となる性状を有する塗布物を製造する場合に、目標を達成するために最適な製造条件の変動量を予測する方法の一実施形態を例示説明する。なお、本実施形態の製造条件の変動量の予測方法は、一例としては、後述の本発明の一実施形態にかかる製造条件の変動量の予測システムを用いて実行することができる。ここで、図１の実施形態と同様に、塗膜の性状は、塗膜の色彩、光沢、粘度、膜厚、平滑性、目視外観、フリップフロップ性、及び塗膜異常のいずれか１つ以上を含むことが好ましい。色彩は、例えばＬ^＊ａ^＊ｂ^＊色空間におけるＬ^＊値、ａ^＊値、ｂ^＊値（ＪＩＳ  Ｚ８７８１－４（２０１３年））を用いることができる。色彩は、既知の色彩測定方法を用いて測定することができ、一例として、コニカミノルタ株式会社から市販のＣＭ－５１２ｍ３を用いて、塗膜に垂直にある受光部を０°とした場合に、２５°、４５°、７５°となる角度から光源を照射して測定されるＬ^＊値、ａ^＊値、ｂ^＊値を測定することができる。あるいは、Ｘ－Ｒｉｔｅ  ＭＡ６８ＩＩ（エックスライト社製）を用いて測定することができる。測定角度は、目的又は使用する機器に応じて適宜調整することができる。その他任意の指標を用いることができる。さらに例えば、反射スペクトルデータであり、３８０ｎｍ～７８０ｎｍの５ｎｍ毎の反射スペクトル強度を色彩とした指標等、任意の指標を用いることもできる。光沢は、特には限定されないが、グロスを指標として用いることができる。グロスは、既知の光沢測定方法を用いて測定することができ、一例として、試験板に形成した塗膜の６０°光沢度を、鏡面光沢度計（光沢計ＶＧ  ７０００（日本電色工業社製））を用い、ＪＩＳ  Ｋ  ５６００－４－７（鏡面光沢度）に準拠して測定することができる。粘度は、既知の粘度測定方法を用いることができ、一例としては、ＪＩＳ　Ｋ　５６００－２－２（フローカップ法）に準拠して測定することができる。平滑性は、ウェーブスキャン値を指標として用いることが好ましい。ウェーブスキャン値は、ｄｕ（波長０．１ｍｍ以下）、Ｗａ（波長０．１～０．３ｍｍ）、Ｗｂ（波長０．３～１．０ｍｍ）、Ｗｃ（波長１．０～３．０ｍｍ）、Ｗｄ（波長３．０～１０．０ｍｍ）、Ｗｅ（波長１０．０～３０．０ｍｍ）、Ｌｗ（波長１．２～１２ｍｍ）、及びＳｗ（波長０．３～１．２ｍｍ）のいずれか１つ以上であることが好ましい。なお、ウェーブスキャン値は、値が小さいほど表面における当該波長の凹凸が少なく、塗膜の外観品質が良いことを意味する。フリップフロップ性は、変角色差計等を用いて計測することができる。塗膜異常は、具体的には、ムラ、フクレ、割れ、タレ、ピンホール、額縁等である。これらについても、それぞれ既知の手法で測定することができる。また、製造条件についても、図１の実施形態と同様に、（ａ）塗料の粘度及び加熱残分のいずれか１つ以上、（ｂ）対象物に塗料を塗布する工程における、ロール周速、対象物への塗着圧、及び塗料の流量のいずれか１つ以上、（ｃ）焼き付け工程における焼き付け温度及び焼き付け時間のいずれか１つ以上、及び（ｄ）製造ラインの温度及び湿度のいずれか１つ以上、の（ａ）～（ｄ）うちのいずれか１つ以上を含むものとすることが好ましい。
　以上の事項のさらなる詳細については、図１の実施形態と同様であるため、再度の説明を省略する。

　図２に示すように、本実施形態では、まず、製造条件の変動量と塗膜の性状の変動量との関係を示す関係データをコンピュータに入力する（ステップＳ２０１：関係データ入力工程）。次いで、コンピュータによる機械学習によって、製造条件の変動量を入力として含み、塗膜の性状の変動量を出力とする、所定の人工知能モデルを作成する（ステップＳ２０２：人工知能モデル作成工程）。これらのステップＳ２０１～Ｓ２０２については、図１の実施形態と同様であるため、詳細な説明は省略する。

　図２に示すように、本実施形態では、次いで、コンピュータにより、上記人工知能モデルにおいて、製造条件の変動量を入力することによって、塗膜の性状の変動量を予測する（ステップＳ２０３：性状変動量予測工程）。なお、図１の実施形態と同様に、関係データの入力に製造条件の変動量だけでなく、製造条件の数値も含まれる場合には、上記人工知能モデルに製造条件の数値及び変動量を入力することで、塗膜の性状の変動量を予測することが好ましい。性状変動量予測工程（ステップＳ２０３）において、入力する製造条件は、過去のデータを参照する等して、予め範囲を絞っておくことが好ましい。

　ここで、図３の実施形態における性状変動量予測工程（ステップＳ２０３）では、複数の製造条件の変動量を入力し、各々の製造条件の変動量に対応する複数の塗膜の性状の変動量を予測する。予め複数の製造条件を選定するに当たっては、例えば過去のデータ等を参照することができる。

　本実施形態では、次いで、予測した複数の塗膜の性状の変動量に基づいて、最適な製造条件の変動量を、目標を達成するために最適な製造条件の変動量として決定する（ステップＳ２０４：製造条件変動量予測工程）。具体的には、一例としては、製造条件変動量予測工程（ステップＳ２０４）において、予測した複数の塗膜の性状の変動量の中から目標となる性状との差が最も小さくなる塗膜の性状の変動量に対応する製造条件の変動量を、目標を達成するために最適な製造条件の変動量として決定する。

　本実施形態の製造条件の変動量の予測方法によれば、塗膜の性状を所定の変動量だけ変動させたい場合に最適な製造条件の変動量の予測値を得ることができる。従って、当該予測値の分だけ製造条件を調整すれば良いこととなる。そして、この調整は、品質の規格値の範囲とは無関係に行うことができるため、上述したような、予測値と実測値とに乖離があるにもかかわらず製造条件の調整を行う必要がないと判定されてしまい製造条件の適切な調整が行われない結果、所望の塗膜品質を有する塗布物を得ることができない、という問題も生じずに済む。

　ここで、人工知能を用いた塗料の調製において、色彩等の塗膜性状から必要な製造条件の変動量を予測する場合、解が１つではなく、実績記録とはかけ離れた（例えば目的の色彩を得ることはできるが、現実には調整し得ない）製造条件の変動量を提示することも起こり得る。
　そこで、製造条件に対し、それぞれ変動量の数値生成範囲を設定する工程をさらに含み、製造条件変動量予測工程（ステップＳ２０４）では、設定された数値生成範囲内で生成された各製造条件の変動量の数値を組み合わせてなる複数の前記製造条件の変動量を入力することが好ましい。これによれば、予測を効率的に行うことができる。

　また、製造条件変動量予測工程（ステップＳ２０４）において予測した製造条件の変動量の中から、許容範囲内のものを、目標を達成するための製造条件の変動量として決定することも好ましい。これによれば、予め許容範囲を設定してから製造条件の変動量の予測を行うことができるため、無駄な配合を生じる可能性が低下するため、より精度の高い製造条件の変動量の予測結果を効率良く得ることができる。

　上記の数値生成範囲は、予め設定された製造条件の標準値又は実績値からの一定範囲に基づいて求めることができる。これにより標準値や実績値からのずれの小さい予測値を得ることができる。

　ここで、製造条件変動量予測工程（ステップＳ２０４）において入力する複数の製造条件の変動量は、製造条件の数の指数通り以上の候補からなることが好ましい。例えば、製造条件の数が４の時、１０^４＝１０００通りの組み合わせ総数となる。この１０００通りは、塗着圧の許容される製造条件の変動量－２００Ｋｇｆ～＋２５０Ｋｇｆの場合、５０Ｋｇｆ間隔の１０段階で候補製造条件の変動量を作成し、他の３つの製造条件の変動量で同様に１０段階で行ったときの総当たりの数に相当する。色彩の違いにシビアでさらに細かい微調色が求められることが多い場合、１０の製造条件の変動量の各原料の数＋１の指数通り（４原料の場合１００００）、さらには、特にコイルコーティング等の用途など、特別に色彩の違いにシビアな場合や許容される製造条件の変動量範囲が大きい場合においては、製造条件の変動量の数＋２の指数通り（変動量が４の場合１０００００）の候補とすることで、そのような微調色に対応した予測を行うことができるからである。

　また、各製造条件の変動量の数値を生成し、生成した数値をランダムに組み合わせてなる製造条件の変動量の候補を生成し、候補に対して目標を達成するための製造条件の変動量を予測することが好ましい。例えば膜厚などの塗膜性状の微調整が必要な場合、製造条件の変動量範囲が大きい場合においては、総当たりの組み合わせは１兆通り（例えば１２原料で１０段階、または６原料で１００段階）となる場合もあり、予測値を求めることが難しくなり実用的でなくなる問題がある。そこで、上記のようなランダム組み合わせを用いることで、１０００万通りとして組み合わせ数を削減して予測値を得るための計算時間を短縮することができる。総当たりの組み合わせは、他にも例えば、１０万通り、１００万通り、１億通りといった桁の数となる場合もあり得る。
　上記態様において、数値そのものを数値生成範囲内でランダムに生成してもよい

　ここで、標準条件または前回条件に製造条件の変動量の調整を複数回行い、塗膜性状に所定の演算を行うことにより、あるいは、目標となる塗膜性状を基準値としたギャップ目標値を用いて得られた製造条件の変動量に所定の演算を行うことにより、目標を達成するための製造条件の変動量として決定することが好ましい。
　予測した製造条件の変動量に所定の演算を行う場合としては、例えば、予測値に７０％等の値を乗じることが例示される。
　ギャップ目標値を用いる場合の第１の例としては、例えば目標のΔＬ＊の７０％の点に設定することができる。例えば、ΔＬ＊＝３、ギャップ目標値を目標とのΔＬ＊の７０％の点に設定すると、３回の調整により、３→０．９→０．２７→０．０８と目標値からの差を０．１以下とすることができる。ギャップ目標値を用いる場合の第２の例としては、目標のΔＬ＊の７００％の点に設定して、得られた予測値に１０％を乗じてもよい。

　また、製造条件に塗布物を使う場合、塗膜性状調整用に塗布物を加える調整を複数回行うことを前提に、目標を達成するために最適な製造条件の変動量の３～９９％の配合量の配合組成を用いることが好ましい。この方法によっても、塗布物のロット間のばらつきや予測誤差等に起因する入れ過ぎを防止することができる。

　さらには、大きな変動の予測精度が小さな変動の予測精度より高いことが事前にわかっている場合、目標変動値を目標との差より大きく設定することができる。

＜塗布物の製造方法＞
　図３は、本発明の一実施形態にかかる塗布物の製造方法のフローチャートである。以下、図３を参照して、対象物に塗料を塗布して塗布物を製造するに際し、製造条件を変動させて調整することにより、塗布物の塗膜の目標となる性状を有する塗布物を製造する方法の一実施形態を例示説明する。ここで、図１、図２の実施形態と同様に、塗膜の性状は、塗膜の色彩、光沢、粘度、膜厚、平滑性、目視外観、フリップフロップ性、及び塗膜異常のいずれか１つ以上を含むことが好ましい。色彩は、例えばＬ^＊ａ^＊ｂ^＊色空間におけるＬ^＊値、ａ^＊値、ｂ^＊値（ＪＩＳ  Ｚ８７８１－４（２０１３年））を用いることができる。色彩は、既知の色彩測定方法を用いて測定することができ、一例として、コニカミノルタ株式会社から市販のＣＭ－５１２ｍ３を用いて、塗膜に垂直にある受光部を０°とした場合に、２５°、４５°、７５°となる角度から光源を照射して測定されるＬ^＊値、ａ^＊値、ｂ^＊値を測定することができる。あるいは、Ｘ－Ｒｉｔｅ  ＭＡ６８ＩＩ（エックスライト社製）を用いて測定することができる。測定角度は、目的又は使用する機器に応じて適宜調整することができる。その他任意の指標を用いることができる。さらに例えば、反射スペクトルデータであり、３８０ｎｍ～７８０ｎｍの５ｎｍ毎の反射スペクトル強度を色彩とした指標等、任意の指標を用いることもできる。光沢は、特には限定されないが、グロスを指標として用いることができる。グロスは、既知の光沢測定方法を用いて測定することができ、一例として、試験板に形成した塗膜の６０°光沢度を、鏡面光沢度計（光沢計ＶＧ  ７０００（日本電色工業社製））を用い、ＪＩＳ  Ｋ  ５６００－４－７（鏡面光沢度）に準拠して測定することができる。粘度は、既知の粘度測定方法を用いることができ、一例としては、ＪＩＳ　Ｋ　５６００－２－２（フローカップ法）に準拠して測定することができる。平滑性は、ウェーブスキャン値を指標として用いることが好ましい。ウェーブスキャン値は、ｄｕ（波長０．１ｍｍ以下）、Ｗａ（波長０．１～０．３ｍｍ）、Ｗｂ（波長０．３～１．０ｍｍ）、Ｗｃ（波長１．０～３．０ｍｍ）、Ｗｄ（波長３．０～１０．０ｍｍ）、Ｗｅ（波長１０．０～３０．０ｍｍ）、Ｌｗ（波長１．２～１２ｍｍ）、及びＳｗ（波長０．３～１．２ｍｍ）のいずれか１つ以上であることが好ましい。なお、ウェーブスキャン値は、値が小さいほど表面における当該波長の凹凸が少なく、塗膜の外観品質が良いことを意味する。フリップフロップ性は、変角色差計等を用いて計測することができる。塗膜異常は、具体的には、ムラ、フクレ、割れ、タレ、ピンホール、額縁等である。これらについても、それぞれ既知の手法で測定することができる。また、製造条件についても、図１の実施形態と同様に、（ａ）塗料の粘度及び加熱残分のいずれか１つ以上、（ｂ）対象物に塗料を塗布する工程における、ロール周速、対象物への塗着圧、及び塗料の流量のいずれか１つ以上、（ｃ）焼き付け工程における焼き付け温度及び焼き付け時間のいずれか１つ以上、及び（ｄ）製造ラインの温度及び湿度のいずれか１つ以上、の（ａ）～（ｄ）うちのいずれか１つ以上を含むものとすることが好ましい。
　以上の事項のさらなる詳細については、図１、図２の実施形態と同様であるため、再度の説明を省略する。

　図３に示すように、本実施形態では、まず、製造条件の変動量と塗膜の性状の変動量との関係を示す関係データをコンピュータに入力する（ステップＳ３０１：関係データ入力工程）。次いで、コンピュータによる機械学習によって、製造条件の変動量を入力として含み、塗膜の性状の変動量を出力とする、所定の人工知能モデルを作成する（ステップＳ３０２：人工知能モデル作成工程）。次いで、コンピュータにより、上記人工知能モデルにおいて、製造条件の変動量を入力することによって、塗膜の性状の変動量を予測する（ステップＳ３０３：性状変動量予測工程）。次いで、予測した複数の塗膜の性状の変動量に基づいて、最適な製造条件の変動量を、目標を達成するために最適な製造条件の変動量として決定する（ステップＳ３０４：製造条件変動量予測工程）。これらのステップＳ３０１～Ｓ３０４については、図２の実施形態と同様（ステップＳ３０１、Ｓ３０２については、図１の実施形態とも同様）であるため、詳細な説明は省略する。

　図３に示すように、本実施形態では、次いで、予測した製造条件の変動量の分だけ製造条件を調整して対象物に塗料を塗布し、塗膜を得る（ステップＳ３０５：条件調整後製造工程）。次いで、得られた塗布物の塗膜の性状を測定する（ステップＳ３０６：性状測定工程）。測定は、測定する性状に対応した任意の計測手段を用いて行うことができる。

　本実施形態の塗布物の製造方法によれば、所望の塗膜の性状を得るために必要な性状の変動量に対応する製造条件の変動量を予測し、その予測結果に基づいて製造条件を調整した上で、再度塗膜を形成することができるため、所望の塗膜品質を有する塗布物を製造し得る。

　ここで、性状測定工程において測定された塗膜の性状が、所望の性状から所定の閾値以上ずれた場合に、性状変動量予測工程、製造条件変動量予測工程、条件調整後製造工程、及び性状測定工程を繰り返すことが好ましい。これにより、たとえ１回での予測がずれてしまうような場合であっても、複数回の調整により、所望の塗膜品質を有する塗布物を製造することができる。

　本実施形態では、条件調整後製造工程において調整した製造条件の変動量と、性状測定工程において測定された塗膜の性状の変動量と、の関係を示す関係データをコンピュータに入力して関係データをアップデートする、関係データアップデート工程をさらに含むことが好ましい。これにより、関係データをアップデートしてより多くのデータに基づく人工知能モデルの作成が可能となる。アップデートは、新たなデータが得られた直後に行うこともできるし、定期的又は適時に行うこともできる。ただし、過学習を招く場合等もあり得るため、この工程は必須ではなく省略することもできる。

　図４は、本発明の一実施形態にかかる塗布物の製造方法のサブフローを示すフローチャートである。
　本実施形態では、性状測定工程において測定された塗膜の性状が、所望の性状から所定の閾値以上ずれることが、所定の回数繰り返された場合には、以下のサブフローを行うことが好ましい。
　図４に示すように、本サブフローでは、まず、コンピュータによる機械学習によって、製造条件の変動量を入力として含み、塗膜の性状の変動量を出力とする、別の人工知能モデルを作成する（ステップＳ３０７：人工知能モデル作成サブ工程）。次いで、コンピュータにより、別の人工知能モデルにおいて、製造条件の変動量を入力することによって、前記塗膜の性状の変動量を予測する（ステップＳ３０８：性状変動量予測サブ工程）。性状変動量予測サブ工程では、予め候補として選定した複数の製造条件の変動量を入力し、各々の製造条件の変動量に対応する複数の塗膜の性状の変動量を予測する。次いで、予測した複数の塗膜の性状の変動量に基づいて、別の最適な製造条件の変動量を、目標を達成するために最適な別の製造条件の変動量として決定する（ステップＳ３０９：製造条件変動量予測サブ工程）。次いで、予測した別の製造条件の変動量の分だけ製造条件を調整して、対象物に塗料を塗布して塗布物を得る（ステップＳ３１０：条件調整後製造サブ工程）。次いで、得られた塗布物の塗膜の性状を測定する（ステップＳ３１１：性状測定サブ工程）。そして、図４に示すように、性状測定工程において測定された塗膜の性状が、所望の性状から所定の閾値以上ずれた場合に、人工知能モデル作成サブ工程、性状変動量予測サブ工程、製造条件変動量予測サブ工程、条件調整後製造サブ工程、及び性状測定サブ工程を繰り返す。

　各サブ工程は、別の人工知能モデルを用いて別の予測結果を得るという点を除いては、図３に示す本工程の各対応する工程と同様に行うことができる。
　このサブフローにより、仮に最初に作成した人工知能モデルの精度が低いような場合であっても、所望の性状を有する塗膜を有する塗布物を製造し得る。
　図３に示す本工程又は図４に示すサブ工程において、性状測定工程において測定された塗膜の性状が、所望の性状から所定の閾値未満のずれとなった時点で本フローを終了することができる。なお、本開示において、必ずしもサブフローを行う必要はない。

　ところで、塗布物の製造方法は、複数の工程を有する場合も多い。図５は、その一例として、ＣＣＬ（Ｃｏｌｏｒ　Ｃｏａｔｉｎｇ　Ｌｉｎｅ）の模式図である。
　図５に模式的に示す例では、塗料を準備する工程（工程（ア））、ロールを用いた塗装工程（工程（イ））、オーブンを用いた焼き付け工程（工程（ウ））、及び巻き取り工程（工程（エ））からなる複数の工程からなる。各々の工程は、工程製造条件を有する。工程製造条件は、工程（ア）では、例えば塗料の粘度及び加熱残分のいずれか１つ以上であり、工程（イ）では、例えばロール周速、対象物への塗着圧、及び塗料の流量のいずれか１つ以上であり、工程（ウ）では、例えば焼き付け温度及び焼き付け時間のいずれか１つ以上であり、また、工程（エ）では、例えば、製造ラインの温度、湿度及び塗料液温のいずれか１つ以上である。
　ここで、図３のフローにおける製造条件変動量予測工程において予測した製造条件の変動量の分だけ製造条件を調整した際の、各工程製造条件をモニタリングする。例えば、塗料であれば、上記各性状や特性を測定し、製造条件であれば、測定値又は（調整後の）設定値を用い、焼き付け温度や焼き付け時間であれば、測定値又は（調整後の）設定値を用い、製造ラインの環境条件であれば、温度及び湿度を測定することができる。
　そして、各工程製造条件のうち、予定した変動量から所定の値以上ずれて調整された工程製造条件が観測された場合には、以下のフローを行う。
　まず、作成した人工知能モデルにおいて、予定した変動量から所定の値以上ずれて調整された工程製造条件が観測された工程製造条件を固定した上で、他の複数の製造条件の変動量を入力することによって、複数の塗膜の性状の変動量を算出して予測する（性状再予測工程）。
　次いで、予測した複数の塗膜の性状の変動量に基づいて、最適な製造条件の変動量を、目標を達成するために最適な製造条件の変動量として再決定する（製造条件変動量再予測工程）。
　現工程より後の工程における製造条件の変動量を、製造条件変動量再予測工程の結果に基づいて調整する。
　以上のことを、図５の例で説明すると、一例としては、現在ロールを用いた塗装工程（工程（イ））を行っている場合に、工程（ア）での塗料の性状や特性の調整がずれたことが観測された場合に、そのことを前提とした上で、現工程より後の工程である工程（ウ）及び／又は工程（エ）の条件の最適な変動量を再予測することで、工程（ア）での調整のずれも考慮した適切な調整ができる場合がある。
　この例では、作成した人工知能モデルを用いて、既に行っており調整がずれたことが観測された工程（ア）における塗料の性状や特性の値を固定値として代入することを前提とした上で、工程（イ）～工程（エ）の製造条件の変動量を複数入力して、複数の塗膜の性状の変動量を算出して予測し、予測した複数の塗膜の性状の変動量に基づいて、工程（ウ）及び／又は工程（エ）での最適な製造条件の変動量を、目標を達成するために最適な製造条件の変動量として再決定する。これにより、工程（ア）での調整のずれを前提とした上で、所望の性状の塗膜を得るのに最適な工程（ウ）及び／又は工程（エ）での製造条件の変動量を再予測することができる。そして、再予測した結果に基づいて、工程（ウ）及び／又は工程（エ）での製造条件を調整する。
　塗膜は、一連の工程の終了及び塗料の乾燥を待ってから、その性状の評価を行う必要があるため、調整がずれてしまった場合に、再度の調整を行う必要があると判断するまでに、時間を要してしまい、その間、品質の基準を満たさない塗膜を有する塗布物が製造されてしまうおそれがある。
　これに対し、このような手法によれば、一連の工程の終了を待つことなく、途中の工程で製造条件の再予測を行うことができるため、品質の基準を満たさない塗膜を有する塗布物が製造されてしまうのを極力避けることができる。

＜塗膜の性状の変動量の予測システム＞
　図６は、本発明の一実施形態にかかる塗膜の性状の変動量の予測システムのブロック図である。本システムは、対象物に塗料を塗布して得られた塗膜の性状の変動量を予測するシステムである。図６に示すように、本実施形態の塗膜の性状の変動量の予測システム１０は、コンピュータ１１を備えている。コンピュータ１１は、機械学習する機能を有する。また、コンピュータ１１は、人工知能モデル作成部１２及び性状予測部１３を備える。人工知能モデル作成部１２は、機械学習する機能を有し、製造条件の変動量を入力として含み、塗膜の性状の変動量を出力とする、所定の人工知能モデルを機械学習により作成するものである。性状予測部１３は、人工知能モデルにおいて、製造条件の変動量を入力することによって、塗膜の性状の変動量を算出して予測するものである。人工知能モデル作成部１２及び性状予測部１３は、プロセッサとすることができる。

　コンピュータ１１には、上述の関係データが入力される。本実施形態では、コンピュータ１１は、関係データを記憶するための記憶部１４（メモリ）及び関係データを送受信するための通信部１５を有する。通信部１５は、関係データのみならず、他のデータを送受信することもできる。人工知能モデル作成部１２は、入力された関係データを教師データとして機械学習する機能を有することが好ましい。また、コンピュータ１１は、関係データに対してデータクレンジングを行う機能部をさらに有することが好ましい。また、本予測システム１０は、予測結果を表示する表示部（ディスプレイ）を備えることが好ましい。
　製造条件、塗膜の性状、機械学習等についての詳細は、図１に示した方法の実施形態と同様であるので、再度の説明を省略する。

　本予測システム１０によれば、製造条件の変動量に対する、塗膜の性状の変動量の予測値をコンピュータの演算により迅速に得ることができる。

＜製造条件の変動量の予測システム＞
　図７は、本発明の一実施形態にかかる製造条件の変動量の予測システムのブロック図である。本システムは、対象物に塗料を塗布して塗布物を製造するに際し、製造条件を変動させて調整することにより、塗布物の塗膜の目標となる性状を有する塗布物を製造する場合に、目標を達成するために最適な製造条件の変動量を予測するシステムである。図７に示すように、本実施形態の製造条件の予測システム２０は、コンピュータ２１で構成されている。コンピュータ２１は、機械学習する機能を有する。また、コンピュータ２１は、人工知能モデル作成部２２、性状予測部２３、記憶部２４、及び通信部２５を有する。これらについては、図６に示した実施形態での人工知能モデル作成部１２、性状予測部１３、記憶部１４、及び通信部１５で説明したのと同様であるため、詳細な説明を省略する。

　性状予測部２３は、複数の製造条件の変動量を入力し、各々の製造条件の変動量に対応する複数の塗膜の性状の変動量を予測するように構成されている。コンピュータ２１は、予測した複数の塗膜の性状の変動量に基づいて、最適な製造条件の変動量を、目標を達成するために最適な製造条件として決定する、製造条件予測部２６をさらに備える。製造条件予測部２６は、プロセッサとすることができる。なお、製造条件予測部２６は、予測した複数の塗膜の性状の変動量の中から目標となる塗膜の性状の変動量との差が最も小さくなる塗膜の性状の変動量に対応する製造条件の変動量を、目標を達成するために最適な製造条件の変動量として決定することができるように構成されている。また、コンピュータ２１は、関係データに対してデータクレンジングを行う機能部をさらに有することが好ましい。また、本予測システム２０は、予測結果を表示する表示部２７（ディスプレイ）を備えることが好ましい。
　製造条件、塗膜の性状、機械学習等についての詳細は、図２に示した方法の実施形態と同様であるので、再度の説明を省略する。

　本予測システム２０によれば、塗膜の性状を所定の変動量だけ変動させたい場合に最適な製造条件の変動量の予測値を得ることができる。従って、当該予測値の分だけ製造条件を調整すれば良いこととなる。そして、この調整は、品質の規格値の範囲とは無関係に行うことができるため、上述したような、予測値と実測値とに乖離があるにもかかわらず製造条件の調整を行う必要がないと判定されてしまい製造条件の適切な調整が行われない結果、所望の塗膜品質を有する塗布物を得ることができない、という問題も生じずに済む。

　以下、本発明の実施例について説明するが、本発明は以下の実施例に何ら限定されない。

　以下の実施例により、本発明を更に具体的に説明するが、本発明はこれらに限定されない。

まず、実施例１～３及び比較例１～２の塗料の調製で用いた原色塗料の調製方法について説明する。
＜白色原色塗料の調製例＞
　樹脂としてアクリル樹脂　２０質量部、有機溶剤としてイソホロン　３５質量部を加えて、ディスパーを用いて樹脂を均一に溶解した後、白色顔料として酸化チタン　４６質量部を混合し、サンドミル（分散媒体：ガラスビーズ）を用いて、顔料粗粒の最大粒子径が１０μｍ以下になるまで分散し、白色原色塗料を調製した。
＜その他の原色塗料の調製例＞
　各材料種及び量を以下の表１のとおりに変更する以外は、前記白色原色塗料の調製例と同様の方法で、黒色原色塗料１、黒色原色塗料２、黄色原色塗料及び赤色原色塗料を調製した。それぞれの原色塗料の配合を表１に示す。

＜光沢調整剤＞
　光沢調整剤は、つや消し剤として用いる市販品のシリカ（二酸化ケイ素）を用いた。
＜粘度調整剤＞
　粘度調整剤は、溶剤として用いるイソホロンを用いた。

＜塗料組成物１の調製例＞
　アクリル樹脂　５質量部、フッ素樹脂　２５質量部、イソホロン　３５質量部及びシクロヘキサノン　３５質量部を加えて、ディスパーを用いて樹脂を均一に溶解した後、白色原色塗料　２５質量部、黒色原色塗料１　２質量部、黄色原色塗料　６９質量部、赤色原色塗料　４質量部及び光沢調整剤１　２質量部を加えて、ディスパーを用いて均一に混合し、塗料組成物１（固形分濃度：４７質量％）を調製した。

＜塗料組成物２～４の調製例＞
　各材料種及び量を以下の表２のとおりに変更する以外は、前記塗料組成物１の調製例と同様に調製し、塗料組成物２～４を調製した。それぞれの塗料組成物の配合を表２に示す。

　塗料組成物調製に使用した材料の詳細は以下のとおりである。
・アクリル樹脂：パラロイドＢ４４（Ｒｏｈｍ ＆ Ｈａａｓ社製）、固形分濃度：１００質量％
・フッ素樹脂：ＫＹＮＡＲ５００（ＡＲＫＥＭＡ社製）、固形分濃度：１００質量％
・白色顔料：ＴＩ－ＰＵＲＥ　Ｒ－７０６（酸化チタン、デュポン社製）
・黒色顔料１：三菱カーボンブラック ＭＡ－１００（カーボンブラック、三菱化学社製）
・黒色顔料２：ＳＵＮＢＬＡＣＫ　Ｘ１５（カーボンブラック、白石カルシウム社製）
・黄色顔料：ＴＡＲＯＸ　合成酸化鉄　ＬＬ－ＸＬＯ（黄色酸化鉄、チタン工業社製）
・赤色顔料：ＴＯＤＡ　ＣＯＬＯＲ　１４０ＥＤ（酸化鉄、戸田工業社製）
・光沢調整剤１：ＧＡＳＩＬ　ＨＰ３９５（合成シリカ、ＩＮＥＯＳ　ＳＩＬＩＣＡＳ社製）
・光沢調整剤２：サイリシア４３５（二酸化ケイ素、富士シリシア化学社製）
・有機溶剤：イソホロン（ＡＲＫＥＭＡ社製）
・有機溶剤：シクロヘキサノン（宇部興産社製）

塗膜の作製方法
　以下の工程は一つの塗装ラインの中で、一気通貫で実施されるものである。素材（亜鉛－アルミニウム合金めっき鋼板）に下塗り塗料として、ファインタフＧ プライマー（プライマー１）を、ロールコーター塗装（基準膜厚：５μｍ）した後、その到達最高温度２１０℃ となる条件で６０秒間焼付けを行い、下塗り塗膜を形成した。次に、塗料組成物１ を、ロールコーター塗装（基準膜厚：１５μｍ）した後、素材最高到達温度２５０℃ で６０秒間焼付けた後、ただちに冷却させることで、調整前塗料組成物の塗膜を形成した。

膜厚の測定方法
　下塗り塗料や塗料組成物の膜厚は、切り出した塗装板の塗膜をサンドブラストで除去した前後の重量と塗膜比重から算出した。
色差の測定方法
　塗膜の色彩はＬａｂ　Ｓｃａｎ　ＸＥ（ＨｕｎｔｅｒＬａｂ社製）を使用して、目的とする塗装板の色彩との差を色差とした。

人工知能作成例
・人工知能モデルの作成におけるデータの入力
　塗装ラインにおいて塗膜の膜厚、色彩、光沢を調整する塗装パラメータとして、アプリケーションロール（ＡＰロール）スピード変動量、塗着圧（バックアップロールとＡＰロールの塗着圧力）変動量、原色補正添加量の各データをコンピュータに入力した。
また、膜厚、色彩、光沢については塗装パラメータ調整前の膜厚、色彩、光沢、塗料粘度および塗装パラメータ調整後の膜厚変動量、色彩変動量、光沢変動量を用いた。
・人工知能モデルの作成
　事前にデータクレンジング、ゼロ点導入、コンビネーション、累乗処理、正規化などの前処理を実施した。コンピュータに調整前膜厚、色彩、光沢、塗料粘度、およびＡＰロールスピード変動量、塗着圧変動量、原色塗料添加量を説明変数とし、塗装パラメータ調整後の膜厚変動量、色彩変動量、光沢変動量を目的変数とする、所定の人工知能モデルを作成した。機械学習のアルゴリズムとして勾配ブースティング、ランダムフォレスト、サポートベクターマシーン、ニューラルネットワークについて交差検証法を用いて、最適なハイパーパラメータを決定し、決定したハイパーパラメータで全データを再学習させることにより、製造条件の変動量のデータを説明変数とし、調整後塗膜性状の変動量を目的変数とする、所定の人工知能モデルを作成した。
　同様にして色彩のＬ^＊、ａ^＊、ｂ^＊、光沢の変動値を予測する人工知能モデルを作成し、合計５つの人工知能モデルを得た。
比較人工知能作成例
　データの入力と人工知能モデルの作成における説明変数である、ＡＰロールスピード変動量、塗着圧変動量、原色塗料添加量を、ＡＰロールスピード絶対値、塗着圧絶対値、原色配合比とし、説明変数に調整前膜厚、色彩、光沢、塗料粘度を使用せずに人工知能モデルを作成する以外は、人工知能作成例と同様に作成し、比較人工知能モデル１を得た。
　同様にして色彩のＬ^＊、ａ^＊、ｂ^＊、光沢の絶対値を予測する比較人工知能モデルを作成し、合計５つの人工知能モデルを得た。
　以下の表３に人工知能作成例を示す。

　次に、各実施例及び比較例の予測の合格判定基準について説明する。
塗膜性状合格判定基準
　下記を満たすことを合格判定の基準とした。
標準板と調整塗料の塗装板の膜厚、Ｌ^＊値、ａ^＊値、ｂ^＊値の差をΔＦＴ、ΔＬ^＊、Δａ^＊、Δｂ^＊とした。
・ΔＦＴ１μm以下で、かつ色彩が下記３点の条件すべてを満たすことを合格判定の基準とした。
・ΔＥ＝√（ΔＬ^＊2　＋Δａ^＊2　＋Δｂ^＊2）の値が０．１以下であり、かつΔＬ^＊、Δａ^＊、Δｂ^＊各々が０．１以下であること。
・Δ光沢値は、光沢値が１０以下は標準板との差異が０．５以下、１０～２０は1以下、３０以上は３以下であること。を合格とした。
調整回数の合格判定基準
　自動化が可能で、かつ、調整前の塗膜性状の膜厚の目標とする膜厚に対しての差異が５μm以内、ΔＥ２以内の時、塗膜性状の調整回数が３回以内で合格基準に達した場合、合格とした。

各実施例および比較例における評価結果は以下の通りである。また表４においても評価結果を示している。
＜実施例１＞
　目標とする膜厚に対しての差異が約３μm、約ΔＥ＝１の塗膜性状を有する塗料組成物１および製造条件において、粘度変動量、塗着圧変動量、ＡＰロール周速変動量に対し許容範囲を設定し、その範囲内で各々１０００万通りの数字を生成したのちに、ランダムに組み合わせて、調整前膜厚と併せて、勾配ブースティングで学習済みの５つの人工知能モデルに入力し、塗装パラメータ調整後の膜厚変動量、Ｌ＊値変動量、a＊値変動量、b＊値変動量、光沢変動量の１０００万通りの候補データを得た。
　標準板とのΔＦＴの１００％、ΔＬ^＊値、Δa^＊値、Δb^＊値の９０％、Δ光沢８０％の点を変動量のギャップ目標値とし、ギャップ目標値を満たすΔＬ^＊値、Δa^＊値、Δb^＊値、光沢の変動量を同時に満たす製造条件を１０００万通りの中から一つ取得し調整を行った。
　合格しなかったので、２回目の調整をギャップ目標値１００％で同様に実施したところ合格し、調整回数は２回で合格であった。
　このような調整を塗料組成物２～４でも実施した平均調整回数は２．０回であった。

＜実施例２＞
　目標とする膜厚に対しての差異が約２μm、約ΔＥ＝２．５の塗膜性状を有する塗料組成物１および製造条件において、粘度変動量、塗着圧変動量、原色塗料添加量、焼き付け温度変動量、製造ラインの温度の変動量に対し許容範囲を設定し、その範囲内で各々１０００万通りの数字を生成したのちに、ランダムに組み合わせて、調整前膜厚、色彩、光沢、塗料粘度と併せて、ニューラルネットワークで学習済みの５つの人工知能モデルに入力し、塗装パラメータ調整後の膜厚変動量、Ｌ＊値変動量、a＊値変動量、b＊値変動量、光沢変動量の１０００万通りの候補データを得た。
　標準板とのΔＦＴの１００％、ΔＬ^＊値、Δa^＊値、Δb^＊値の９０％、Δ光沢９０％の点を変動量のギャップ目標値とし、ギャップ目標値を満たすΔＬ^＊値、Δa^＊値、Δb^＊値、光沢の変動量を同時に満たす製造条件を１０００万通りの中から一つ取得し、調整を行ったところ合格した。
　このような調整を塗料組成物２～４でも実施した平均調整回数は１．５回であった。

＜比較例１＞
　目標とする膜厚に対しての差異が約２μm、約ΔＥ＝２．５の塗膜性状を有する塗料組成物１および製造条件において、人工知能モデルを使用せずに、経験年数３年以上の塗装管理者が、各種塗装条件を調整して膜厚、色彩および光沢調整を合格するまで実施したところ調整回数は３回で合格した。
　このような調整を塗料組成物２～４でも実施した平均調整回数は３．５回であった。

＜比較施例２＞
　目標とする膜厚に対しての差異が約３μm、約ΔＥ＝１の塗膜性状を有する塗料組成物１および製造条件において、粘度絶対値、塗着圧絶対値、ＡＰロールスピード絶対値に対し許容範囲を設定し、その範囲内で各々１０００万通りの数字を生成したのちに、ランダムに組み合わせて、学習済みの５つの比較人工知能モデルに入力し、塗装パラメータ調整後の膜厚絶対値、Ｌ^＊値絶対値、a^＊値絶対値、b^＊値絶対値、光沢絶対値の１０００万通りの候補データを得た。
　標準板とのΔＦＴの１００％、ΔＬ^＊値、Δa^＊値、Δb^＊値の９０％、Δ光沢８０％の点の変動量を各々の絶対値に加算してギャップ目標値とし、ギャップ目標値を同時に満たす、Ｌ^＊絶対値、a^＊絶対値、b^＊絶対値、光沢絶対値を持つ、ＡＰロール周速絶対値、塗着圧絶対値、原色配合比の組み合わせを１０００万通りの中から一つ取得し、調整を行った。合格しなかったので、２回目の調整をギャップ目標値１００％で同様に実施したが合格せず、２回目と同様にその後３回（計５回）調整しても合格しなかった。
　このような調整を４つの塗料組成物２～４でも実施したが、いずれも５回以内では調整できなかった。

　実施例１、２は、平均１．５回、２．０回の調整で合格となり、上記の合格基準を満足した。一方で、比較例１では、経験のある塗装管理者でも調整回数は３回以上であり、工数が増加しやすい上に自動化しておらず、塗装管理者のスキルに依存する状態であった。比較例２では、比較人工知能作成例による人工知能モデルを用いて、膜厚調整を実施したところ、塗装パラメータを調整することができなかった。これは予測値と実測値とが乖離している場合であっても予測値が目標とする膜厚の範囲内に入っている場合、調整の必要がないと判断されてしまい、塗装パラメータの変更ができなかったり、絶対値予測では目標に近づいてくると、目標とする性状から調整によってむしろ性状が遠ざかってしまう現象が度々発生したためである。

１０：予測システム、
１１：コンピュータ、
１２：人工知能モデル作成部、
１３：性状予測部、
１４：記憶部、
１５：通信部、
２０：予測システム、
２１：コンピュータ、
２２：人工知能モデル作成部、
２３：性状予測部、
２４：記憶部、
２５：通信部、
２６：製造条件予測部、
２７：表示部

Claims (15)

1. 　対象物に塗料を塗布して得られた塗膜の性状の変動量を予測する方法であって、
   　製造条件の変動量を入力として含み、前記塗膜の性状の変動量を出力とする、所定の人工知能モデルを取得する、人工知能モデル取得工程と、
   　コンピュータにより、前記人工知能モデルにおいて、前記製造条件の変動量を入力することによって、前記塗膜の性状の変動量を予測する、性状変動量予測工程と、を含むことを特徴とする、塗膜の性状の変動量の予測方法。
2. 　対象物に塗料を塗布して塗布物を製造するに際し、製造条件を変動させて調整することにより、塗布物の塗膜の目標となる性状を有する塗布物を製造する場合に、目標を達成するために最適な前記製造条件の変動量を予測する方法であって、
   　製造条件の変動量を入力として含み、前記塗膜の性状の変動量を出力とする、所定の人工知能モデルを取得する、人工知能モデル取得工程と、
   　コンピュータにより、前記人工知能モデルにおいて、前記製造条件の変動量を入力することによって、前記塗膜の性状の変動量を予測する、性状変動量予測工程と、を含み、
   　前記性状変動量予測工程では、複数の前記製造条件の変動量を入力し、各々の前記製造条件の変動量に対応する複数の前記塗膜の性状の変動量を予測し、
   　予測した前記複数の前記塗膜の性状の変動量に基づいて、最適な前記製造条件の変動量を、前記目標を達成するために最適な前記製造条件の変動量として決定する、製造条件変動量予測工程をさらに含むことを特徴とする、製造条件の変動量の予測方法。
3. 　前記製造条件の変動量と前記塗膜の性状の変動量との関係を示す関係データを前記コンピュータに入力する、関係データ入力工程をさらに含み、
   　前記人工知能モデル取得工程は、前記コンピュータにより、前記関係データ入力工程において入力された前記関係データを教師データとして機械学習することにより行われる、請求項１又は２に記載の方法。
4. 　前記塗膜の性状は、前記塗膜の色彩、光沢、粘度、膜厚、平滑性、目視外観、フリップフロップ性、及び塗膜異常のいずれか１つ以上を含む、請求項１～３のいずれか一項に記載の方法。
5. 　前記製造条件は、
   （ａ）塗料の粘度及び加熱残分のいずれか１つ以上、
   （ｂ）前記対象物に塗料を塗布する工程における、ロール周速、前記対象物への塗着圧、及び塗料の流量のいずれか１つ以上、
   （ｃ）焼き付け工程における焼き付け温度及び焼き付け時間のいずれか１つ以上、及び
   （ｄ）製造ラインの温度、湿度及び塗料液温のいずれか１つ以上、
   の（ａ）～（ｄ）うちのいずれか１つ以上を含む、請求項１～４のいずれか一項に記載の方法。
6. 　前記人工知能モデル取得工程は、機械学習によって前記人工知能モデルを作成する工程であり、
   　前記機械学習は、ニューラルネットワーク、複数の決定木から構成されるアンサンブルツリー、又は部分的最小二乗回帰法による予測アルゴリズムを用いている、請求項１～５のいずれか一項に記載の方法。
7. 　前記機械学習は、ニューラルネットワーク、ランダムフォレスト、又は勾配ブースティング法を用いた、請求項６に記載の方法。
8. 　前記関係データ入力工程後に、前記関係データに対してデータクレンジングを行う工程をさらに含む、請求項１～７のいずれか一項に記載の方法。
9. 　前記製造条件変動量予測工程において、予測した前記複数の前記塗膜の性状の変動量の中から前記目標となる性状との差が最も小さくなる前記塗膜の性状の変動量に対応する前記製造条件の変動量を、前記目標を達成するために最適な前記製造条件の変動量として決定する、請求項２に記載の方法。
10. 　請求項２に記載の方法により予測した前記製造条件の変動量の分だけ前記製造条件を調整して前記対象物に前記塗料を塗布し、前記塗膜を得る、条件調整後製造工程と、
    　得られた前記塗布物の前記塗膜の前記性状を測定する、性状測定工程と、をさらに含み、
    　前記性状測定工程において測定された前記塗膜の前記性状が、所望の性状から所定の閾値以上ずれた場合に、前記性状変動量予測工程、前記製造条件変動量予測工程、前記条件調整後製造工程、及び前記性状測定工程を繰り返す、塗布物の製造方法。
11. 　前記性状測定工程において測定された前記塗膜の前記性状が、所望の性状から所定の閾値以上ずれることが、所定の回数繰り返された場合に、
    　前記製造条件の変動量を入力として含み、前記塗膜の性状の変動量を出力とする、別の人工知能モデルを取得する、人工知能モデル取得サブ工程と、
    　前記コンピュータにより、前記別の人工知能モデルにおいて、前記製造条件の変動量を入力することによって、前記塗膜の性状の変動量を予測する、性状変動量予測サブ工程と、を含み、
    　前記性状変動量予測サブ工程では、予め候補として選定した複数の前記製造条件の変動量を入力し、各々の前記製造条件の変動量に対応する複数の前記塗膜の性状の変動量を予測し、
    　予測した前記複数の前記塗膜の性状の変動量に基づいて、別の最適な前記製造条件の変動量を、前記目標を達成するために最適な別の前記製造条件の変動量として決定する、製造条件変動量予測サブ工程をさらに含み、
    　予測した前記別の製造条件の変動量の分だけ前記製造条件を調整して、前記対象物に前記塗料を塗布して前記塗布物を得る、条件調整後製造サブ工程と、
    　得られた前記塗布物の前記塗膜の前記性状を測定する、性状測定サブ工程と、をさらに含み、
    　前記性状測定工程において測定された前記塗膜の前記性状が、所望の性状から所定の閾値以上ずれた場合に、前記人工知能モデル取得サブ工程、前記性状変動量予測サブ工程、前記製造条件変動量予測サブ工程、前記条件調整後製造サブ工程、及び前記性状測定サブ工程を繰り返す、請求項１０に記載の塗布物の製造方法。
12. 　前記製造条件の変動量と、前記性状測定工程において測定された前記塗膜の性状の変動量と、の関係を示す関係データを前記コンピュータに入力して前記関係データをアップデートする、関係データアップデート工程をさらに含む、請求項１０に記載の塗布物の製造方法。
13. 　対象物に塗料を塗布して得られた塗膜の性状の変動量を予測するシステムであって、
    　製造条件の変動量を入力として含み、前記塗膜の性状の変動量を出力とする、所定の人工知能モデルを取得する、人工知能モデル取得部と、
    　前記人工知能モデルにおいて、前記製造条件の変動量を入力することによって、前記塗膜の性状の変動量を算出して予測する、性状予測部と、を備えたコンピュータを備えていることを特徴とする、システム。
14. 　対象物に塗料を塗布して塗布物を製造するに際し、製造条件を変動させて調整することにより、塗布物の塗膜の目標となる性状を有する塗布物を製造する場合に、目標を達成するために最適な前記製造条件の変動量を予測するシステムであって、
    　前記製造条件の変動量を入力として含み、前記塗膜の性状の変動量を出力とする、所定の人工知能モデルを取得する、人工知能モデル取得部と、
    　前記人工知能モデルにおいて、複数の前記製造条件の変動量を入力することによって、複数の前記塗膜の性状の変動量を算出して予測する、性状予測部と、
    　予測した前記複数の前記塗膜の性状の変動量に基づいて、最適な前記製造条件の変動量を、前記目標を達成するために最適な前記製造条件の変動量として決定する、製造条件変動量予測部と、を備えたコンピュータを備えていることを特徴とする、システム。
15. 　前記製造条件は、複数の工程の各々における工程製造条件を有し、
    　請求項２に記載の方法により予測した製造条件の変動量の分だけ前記製造条件を調整した際の、各前記工程製造条件をモニタリングし、
    　各前記工程製造条件のうち、前記変動量から所定の値以上ずれて調整された工程製造条件が観測された場合に、
    　前記人工知能モデルにおいて、モニタリングされた前記工程製造条件を固定した上で、他の複数の前記製造条件の変動量を入力することによって、複数の前記塗膜の性状の変動量を算出して予測する、性状再予測工程と、
    　予測した前記複数の前記塗膜の性状の変動量に基づいて、最適な前記製造条件の変動量を、前記目標を達成するために最適な前記製造条件の変動量として再決定する、製造条件変動量再予測工程と、をさらに含み、
    　現工程より後の工程における前記製造条件の変動量を、前記製造条件変動量再予測工程の結果に基づいて調整し直す、請求項１１に記載の製造方法。

Images