WO2023007945A1 - データセット作成方法、学習モデル生成方法、コンピュータプログラム及びデータセット作成装置 - Google Patents

データセット作成方法、学習モデル生成方法、コンピュータプログラム及びデータセット作成装置 Download PDF

Info

Publication number
WO2023007945A1
WO2023007945A1 PCT/JP2022/022281 JP2022022281W WO2023007945A1 WO 2023007945 A1 WO2023007945 A1 WO 2023007945A1 JP 2022022281 W JP2022022281 W JP 2022022281W WO 2023007945 A1 WO2023007945 A1 WO 2023007945A1
Authority
WO
WIPO (PCT)
Prior art keywords
molding condition
condition parameter
molding
physical quantity
machine
Prior art date
Application number
PCT/JP2022/022281
Other languages
English (en)
French (fr)
Inventor
明彦 佐伯
誉志 赤木
峻之 平野
Original Assignee
株式会社日本製鋼所
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 株式会社日本製鋼所 filed Critical 株式会社日本製鋼所
Priority to CN202280052315.3A priority Critical patent/CN117794717A/zh
Priority to EP22849024.9A priority patent/EP4378658A1/en
Publication of WO2023007945A1 publication Critical patent/WO2023007945A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/76—Measuring, controlling or regulating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to a dataset creation method, a learning model generation method, a computer program, and a dataset creation device.
  • Patent Document 1 There is an injection molding machine system that adjusts the molding condition parameters of the injection molding machine by machine learning (for example, Patent Document 1).
  • the purpose of the present disclosure is to provide a data set creation method capable of automatically creating a data set for machine learning of a learning model for adjusting molding condition parameters set in a molding machine, and a learning model using the automatically created data set. It is to provide a generation method.
  • An object of the present disclosure is to provide a computer program and a data set creation device that can automatically create a data set for machine learning of a learning model that adjusts molding condition parameters set in a molding machine.
  • the dataset creation method creates a dataset for machine learning by repeating the following processes.
  • the first molding condition parameter is changed so as to deteriorate the quality of the molded product.
  • Physical quantity data indicating the state of a molded product manufactured by a molding machine or the state of the molding machine is acquired.
  • Change the second molding condition parameters set in the molding machine Physical quantity data indicating the state of a molded product manufactured by a molding machine or the state of the molding machine is acquired.
  • the second molding condition parameters and physical quantity data before and after the change are associated with each other and stored.
  • the learning model is machine-learned using the dataset created by the above dataset creation method.
  • a computer program creates a data set for machine learning by causing a computer to repeatedly execute the following processes.
  • the first molding condition parameter is changed so as to deteriorate the quality of the molded product.
  • Physical quantity data indicating the state of a molded product manufactured by a molding machine or the state of the molding machine is acquired.
  • Change the second molding condition parameters set in the molding machine Physical quantity data indicating the state of a molded product manufactured by a molding machine or the state of the molding machine is acquired.
  • the second molding condition parameters and physical quantity data before and after the change are associated with each other and stored.
  • the dataset creation device creates a dataset for machine learning by repeating the following processes.
  • the first molding condition parameter is changed so as to deteriorate the quality of the molded product.
  • Physical quantity data indicating the state of a molded product manufactured by a molding machine or the state of the molding machine is acquired.
  • Change the second molding condition parameters set in the molding machine Physical quantity data indicating the state of a molded product manufactured by a molding machine or the state of the molding machine is acquired.
  • the second molding condition parameters and physical quantity data before and after the change are associated with each other and stored.
  • FIG. 1 is a schematic diagram illustrating a configuration example of an injection molding machine according to Embodiment 1.
  • FIG. 1 is a block diagram showing a configuration example of a data set creation device according to Embodiment 1;
  • FIG. 4 is a flow chart showing a processing procedure for creating a data set according to the first embodiment;
  • 4 is an explanatory diagram showing an example of a data set according to Embodiment 1;
  • FIG. 4 is a flow chart showing a processing procedure for generating a learning model according to the first embodiment;
  • FIG. 2 is an explanatory diagram conceptually showing the configuration of a learning model; It is explanatory drawing which shows an example of the data set which concerns on a modification.
  • 10 is a flow chart showing a processing procedure for creating a data set according to the second embodiment;
  • FIG. 1 is a block diagram showing a configuration example of a data set creation device according to Embodiment 1;
  • FIG. 4 is a flow chart showing a processing procedure for creating a data
  • FIG. 10 is an explanatory diagram showing an example of a data set according to Embodiment 2;
  • FIG. 11 is a block diagram showing a configuration example of a data set creation device according to Embodiment 3;
  • FIG. 12 is a flow chart showing a processing procedure for creating a data set according to the fourth embodiment;
  • FIG. 10 is an explanatory diagram showing an example of a data set according to Embodiment 2;
  • FIG. 11 is a block diagram showing a configuration example of a data set creation device according to Embodiment 3;
  • FIG. 12 is a flow chart showing a processing procedure for creating a data set according to the fourth embodiment;
  • FIG. 1 is a schematic diagram illustrating a configuration example of an injection molding machine 2 according to Embodiment 1.
  • An injection molding machine (molding machine) 2 according to the first embodiment has an injection device 21, a mold clamping device 22 arranged in front of the injection device 21, and a data set creation device 1 according to the first embodiment.
  • a control device 23 and a measurement unit 3 are provided.
  • the injection device 21 includes a heating cylinder 21a having a nozzle at its tip, and a screw 21b drivable in the heating cylinder in the rotational direction and the axial direction.
  • the injection device 21 includes a rotary motor that drives the screw 21b in the rotational direction, a motor that drives the screw 21b in the axial direction, and the like.
  • the injection device 21 is provided with a hopper 21c for supplying the resin molding material to the heating cylinder 21a and a heater 21d for heating and plasticizing the resin molding material supplied to the heating cylinder 21a. .
  • the mold clamping device 22 includes a mold device 22a to which a mold is detachably attached.
  • the mold clamping device 22 has a toggle mechanism 22b that opens and closes the mold and tightens the mold so that the mold does not open when the mold is filled with the molten molding material injected from the injection device 21.
  • the mold clamping device 22 includes a mold clamping drive motor 22i that drives the toggle mechanism 22b.
  • the mold device 22a includes a fixed platen 22d to which a fixed mold 22f is detachably attached, and a movable platen 22e to which a movable mold 22g is detachably attached.
  • the toggle mechanism 22b is provided between the movable platen 22e and the mold clamping housing 22h.
  • the toggle mechanism 22b opens and closes the fixed mold 22f and the movable mold 22g by moving the movable platen 22e in the front-rear direction (horizontal direction in FIG. 1) by the driving force of the mold clamping drive motor 22i.
  • the toggle mechanism 22b can tighten the mold so that the fixed mold 22f and the movable mold 22g do not open when the mold is filled with the molten resin injected from the injection device 21 .
  • the mold clamping device 22 also includes an ejector plate 22c provided with ejector pins for ejecting the molded product from the mold.
  • the control device 23 is a device or circuit that controls the operations of the injection device 21 and the mold clamping device 22 .
  • a control device 23 according to the first embodiment includes the data set creation device 1 .
  • the data set creation device 1 is a device that automatically creates a data set for machine learning of a learning model 5 (see FIG. 6) for adjusting molding condition parameters set in the injection molding machine 2 .
  • the injection molding machine 2 is set with molding condition parameters that define molding conditions, and operates according to the molding condition parameters.
  • the molding condition parameters include, for example, in-mold resin temperature, nozzle temperature, cylinder heating temperature, hopper temperature, mold clamping force, injection speed, injection acceleration, injection peak pressure, injection stroke, and the like.
  • the molding condition parameters include, for example, the resin pressure at the tip of the cylinder, the check ring seated state, the holding pressure switching pressure, the holding pressure switching speed, the holding pressure switching position, and the holding pressure completion position.
  • molding condition parameters include, for example, cushion position, metering back pressure, metering torque, metering completion position, screw retraction speed, cycle time, mold closing time, injection time, holding pressure time, metering time, mold opening time, etc. .
  • the optimum molding condition parameters differ depending on the environment of the injection molding machine 2 and the molded product.
  • the measurement unit 3 is a device that measures physical quantities related to actual molding when the injection molding machine 2 executes molding.
  • the measurement unit 3 outputs physical quantity data obtained by the measurement process to the data set creation device 1 .
  • the physical quantity data obtained by measurement by the measurement unit 3 includes data related to whether the molded product is normal, the defect type of the molded product, and the extent of the defect.
  • the physical quantity data related to the molded product is, for example, a camera image obtained by imaging the molded product, and the amount of deformation of the molded product obtained by a laser displacement sensor. Specifically, the amount of deformation is the area or volume of burrs or sink marks on the molded product.
  • the physical quantity data related to the molded product includes optical measurement values such as chromaticity and brightness of the molded product obtained with an optical measuring instrument, weight of the molded product measured with a weighing scale, and strength measuring equipment Data such as measured strength of a molded product may be used.
  • FIG. 2 is a block diagram showing a configuration example of the data set creation device 1 according to the first embodiment.
  • the data set creation device 1 is a computer, and includes a processor 11, a storage unit (storage) 12, an operation unit 13, etc. as a hardware configuration.
  • the data set creation device 1 may be a server device connected to a network.
  • the data set creation device 1 may be configured by a plurality of computers and perform distributed processing, may be realized by a plurality of virtual machines provided in one server, or may be realized by using a cloud server. may have been implemented.
  • the processor 11 includes a CPU (Central Processing Unit), a multi-core CPU, a GPU (Graphics Processing Unit), a GPGPU (General-purpose computing on graphics processing units), a TPU (Tensor Processing Unit), an ASIC (Application Specific Integrated Circuit), an FPGA ( Field-Programmable Gate Array), arithmetic circuits such as NPU (Neural Processing Unit), internal storage devices such as ROM (Read Only Memory) and RAM (Random Access Memory), I/O terminals, etc.
  • a CPU Central Processing Unit
  • GPU Graphics Processing Unit
  • GPGPU General-purpose computing on graphics processing units
  • TPU Torsor Processing Unit
  • ASIC Application Specific Integrated Circuit
  • FPGA Field-Programmable Gate Array
  • arithmetic circuits such as NPU (Neural Processing Unit), internal storage devices such as ROM (Read Only Memory) and RAM (Random Access Memory), I/O terminals, etc.
  • the processor 11 functions as an acquisition unit 14 and a control unit 15 by executing a computer program (program product) 12a stored in the storage unit 12, which will be described later. Further, the processor 11 functions as a first molding condition parameter changer 16, a second molding condition parameter changer 17, and a data set storage processor 18 by executing a computer program 12a stored in the storage unit 12, which will be described later. . Note that each functional unit of the data set creation device 1 may be realized by software, or part or all of it may be realized by hardware.
  • the storage unit 12 is a non-volatile memory such as a hard disk, EEPROM (Electrically Erasable Programmable ROM), and flash memory.
  • the storage unit 12 stores a computer program 12a for causing a computer to execute data set creation processing for machine learning of the learning model 5 for adjusting molding condition parameters.
  • the computer program 12a according to the first embodiment may be recorded on the recording medium 4 in a computer-readable manner.
  • the storage unit 12 stores a computer program 12a read from the recording medium 4 by the reading device.
  • a recording medium 4 is a semiconductor memory such as a flash memory.
  • the recording medium 4 may be an optical disc such as a CD (Compact Disc)-ROM, a DVD (Digital Versatile Disc)-ROM, or a BD (Blu-ray (registered trademark) Disc).
  • the recording medium 4 may be a magnetic disk such as a flexible disk or a hard disk, or a magneto-optical disk.
  • the computer program 12a according to the first embodiment may be downloaded from an external server connected to a communication network and stored in the storage unit 12. FIG.
  • the operation unit 13 is an input device such as a touch panel, soft keys, hard keys, keyboard, and mouse.
  • the acquisition unit 14 acquires physical quantity data measured and output by the measurement unit 3 when molding is performed by the injection molding machine 2 in the molding process cycle.
  • the acquisition unit 14 outputs the acquired physical quantity data to the control unit 15 .
  • the control unit 15 outputs control signals based on the set or changed molding condition parameters to the injection device 21 and the mold clamping device 22 to control the operation of the injection molding machine 2 .
  • the first molding condition parameter changing unit 16 is a functional unit that changes molding condition parameters so as to cause defective molded products.
  • a molding condition parameter that causes a defective molded product is called a first molding condition parameter.
  • the first molding condition parameters are parameters for setting, for example, the weighed value of the molding material and the back pressure of the injection device 21 .
  • the second molding condition parameter changing unit 17 is a functional unit that changes molding condition parameters in order to search for conditions for improving molding defects when there is a defect in the molded product.
  • a molding condition parameter exploratoryly changed to improve molding defects is called a second molding condition parameter.
  • the second molding condition parameter includes, for example, the holding pressure switching position, injection speed, or holding pressure.
  • the change of the second molding condition parameter by the second molding condition parameter changer 17 is exploratory and individually performed. Therefore, the change processing of the second molding condition parameters by the second molding condition parameter changing unit 17 includes change processing for improving the quality of the molded product and change processing for deteriorating the quality of the molded product.
  • the data set storage processing unit 18 stores a data set obtained by associating various data obtained by changing the first and second molding condition parameters and measuring physical quantities related to the molded product in the molding process cycle. It is a functional unit that stores data in the unit 12 . Specifically, the data set storage processing unit 18 associates and stores the second molding condition parameter before and after the change and the physical quantity data of the molded product obtained before and after the second molding condition parameter is changed.
  • the outline of the molding process cycle is as follows, and the data set creation device 1 creates a data set for machine learning by changing the molding condition parameters in the repeated molding process cycle.
  • injection molding a well-known eject retraction process, mold closing process, mold clamping process, injection process, holding pressure process, weighing process, mold opening process, and eject advance process are sequentially performed.
  • FIG. 3 is a flow chart showing a processing procedure for creating a data set according to the first embodiment.
  • the processor 11 or the first molding condition parameter changer 16 changes the first molding condition parameter among the molding condition parameters set in the injection molding machine 2 so as to deteriorate the quality of the molded product (step S111).
  • the first molding condition parameters are parameters for setting, for example, the weighed value of the molding material and the back pressure of the injection device 21 . If the first molding condition parameter is changed from the normal initial value, it is possible to cause defects in the molded product. That is, in step S111, the state of the injection molding machine 2 is artificially brought into a defective state.
  • the processor 11 or the control unit 15 outputs a control signal based on the changed first molding condition parameter, second molding condition parameter, and other molding condition parameters to the injection device 21 and the mold clamping device 22, and the injection molding machine 2 is controlled (step S112).
  • the injection device 21 and the mold clamping device 22 of the injection molding machine 2 perform injection molding processing according to control signals output from the processor 11 .
  • the physical quantity data is, for example, data indicating the area or volume of burrs or sink marks on the molded product.
  • the processor 11 or the second molding condition parameter changer 17 changes the second molding condition parameter among the molding condition parameters set in the injection molding machine 2 (step S114).
  • the change of the second molding condition parameter is exploratory in order to improve the condition of the molded product.
  • the method of changing the second molding condition parameter is not particularly limited.
  • processor 11 may randomly change the second molding condition parameter.
  • the processor 11 may change the second molding condition parameters according to a predetermined probability distribution.
  • the second molding condition parameters may be changed by Bayesian optimization using the physical quantity data obtained in the previous molding process cycle and the second molding condition parameters.
  • the processor 11 or the control unit 15 outputs control signals based on the changed first and second molding condition parameters and other molding condition parameters to the injection device 21 and the mold clamping device 22 to control the operation of the injection molding machine 2. (step S115). Then, when the injection molding machine 2 executes molding, the measurement unit 3 measures the physical quantity of the molded product, and the processor 11 or the acquisition unit 14 measures the physical quantity obtained by the measurement unit 3 as in step S113. Physical quantity data is acquired (step S116).
  • the processor 11 or the data set storage processing unit 18 creates learning data based on the data obtained in the processing of steps S112 to S116 and stores it in the storage unit 12 (step S117).
  • FIG. 4 is an explanatory diagram showing an example of a data set according to the first embodiment.
  • a dataset for machine learning is composed of a plurality of learning data.
  • the learning data constituting the data set includes the molding condition parameters before the second molding condition parameter is changed, the physical quantity data obtained before and after the second molding condition parameter is changed, and the changed value of the second molding condition parameter.
  • This is data in which .
  • the change value may be the second molding condition parameter after the change, or the amount of change of the second molding condition parameter after the change with respect to the second molding condition parameter before the change.
  • the pre-change molding condition parameters included in the data set include at least the second molding condition parameters.
  • the processor 11 determines whether the condition of the molded product has improved based on the physical quantity data acquired in step S116 (step S118). For example, the processor 11 calculates the area or volume of the burr or sink based on the physical quantity data, and determines whether or not the area or volume of the burr or sink is less than a predetermined value. When determining that the condition of the molded product has not improved (step S118: NO), the processor 11 returns the process to step S113.
  • step S118 determines whether or not to end the creation of the data set.
  • the termination conditions are not particularly limited, but when a predetermined amount of data sets are created, when the number of times the first molding condition parameter is changed is equal to or greater than the threshold, the change range of the first molding condition parameter is set to a predetermined value. A condition such as reaching the range may be set as a termination condition. If it is determined that the end condition is satisfied (step S119: YES), the processor 11 ends the process. When determining that the termination condition is not satisfied (step S119: NO), the processor 11 returns the process to step S111 and continues creating the data set.
  • a data set for machine learning of the learning model 5 for adjusting the molding condition parameters set in the injection molding machine 2 can be automatically created.
  • FIG. 5 is a flowchart showing a processing procedure of learning model generation according to the first embodiment.
  • the processor 11 creates a data set for machine learning using the method described using FIG. 3 (step S151).
  • the processor 11 calculates the evaluation value of the molded product based on the physical quantity data obtained after changing the second molding condition parameter (step S152).
  • the evaluation value may be calculated using a function or table such that the smaller the area or volume of the burr or sink, the larger the evaluation value.
  • the area or volume of the burr or sink mark may be used as it is as an evaluation value.
  • the processor 11 prepares the learning model 5 before learning on the memory (step S153).
  • FIG. 6 is an explanatory diagram conceptually showing the configuration of the learning model 5.
  • the learning model 5 has an input layer 51 , multiple intermediate layers 52 and an output layer 53 .
  • the input layer 51 has a plurality of nodes to which molding condition parameters set in the injection molding machine 2 and physical quantity data relating to molded products are input.
  • the multiple intermediate layers 52 have multiple nodes for extracting features of the physical quantity data input to the input layer 51 .
  • the intermediate layer 52 has multiple convolution layers and pooling layers.
  • the output layer 53 has a plurality of nodes corresponding to a plurality of values of the second molding condition parameters, and outputs confidence that the values are optimal.
  • the output layer 53 may have a plurality of nodes corresponding to a plurality of change amounts of the second molding condition parameter, and may be configured to output the degree of confidence that the value is optimal.
  • the second molding parameter may be of one type or of multiple types.
  • the learning model 5 is a second molding condition parameter that improves the state of the molded product, or a second molding condition parameter is a model that outputs the amount of change in
  • the learning model 5 may be a model having a CNN (Convolution Neural Network) such as ResNet or DenseNet when the physical quantity data is image data. If the observation data is time-series data, the learning model 5 is a model having a recurrent neural network (RNN: Recurrent Neural Network), LSTM, Vision Transformer, etc. that recognizes the observation data that is time-series information. good.
  • the learning model 5 is a neural network other than the above-described CNN, RNN, etc., Vision Transformer, SVM (Support Vector Machine), Bayesian network, or a decision tree such as XGBoost. You may
  • the processor 11 inputs the molding condition parameters and physical quantity data (physical quantity data before changing the second molding condition parameter) included in the data set to the input layer 51 of the learning model 5 (step S154). Then, the processor 11 optimizes the weighting factor of the intermediate layer 52 so that the second molding condition parameter that increases the evaluation value based on the physical quantity data of the molded product is output (step S155).
  • the weighting factors are, for example, weights (coupling factors) between nodes.
  • the method of optimizing the weighting coefficients is not particularly limited, various coefficients are optimized using, for example, the steepest descent method, the error backpropagation method, or the like.
  • step S156 the processor 11 optimizes the weighting factor of the intermediate layer 52 so as not to output the second molding condition parameter that lowers the evaluation value based on the physical quantity data related to the molded product.
  • steps S155 and S156 have been described as separate processing steps, but each processing is substantially the same processing, and the processor 11 executes each processing simultaneously.
  • the learning model 5 can be machine-learned using the automatically generated data set for machine learning.
  • the processor 11 performs machine learning of the learning model 5
  • the creation of the data set and the machine learning processing of the learning model 5 may be configured to be executed by another computer.
  • a data set for machine learning of the learning model 5 for adjusting the molding condition parameters set in the injection molding machine 2 can be automatically created.
  • the data set creation device 1 changes the measurement value of the molding material or the back pressure as the first molding condition parameter, thereby creating a state in which defects in the molded product can be artificially generated. data set can be efficiently created.
  • the data set creation device 1 can create a data set for machine learning including holding pressure switching position, injection speed or holding pressure as the second molding condition parameter. That is, in order to improve the state of the molded product, it is possible to create a data set for machine learning the learning model 5 for adjusting the second molding condition parameters.
  • the data set creation device 1 can create a data set for machine learning the learning model 5 for adjusting the second molding condition parameters in order to improve burrs or shorts that occur in the molded product.
  • the learning model 5 that adjusts the second molding condition parameters can be used more efficiently. You can create a dataset for machine learning.
  • the second molding condition parameter by changing the second molding condition parameter according to a predetermined probability distribution or by Bayesian optimization, it is possible to quickly reach a changed value of the second molding condition parameter that improves the state of the molded product. . Therefore, it is possible to create a data set containing more changes in the second molding condition parameters that are useful for machine learning to improve the state of the molded product.
  • the learning model generation method it is possible to generate the learning model 5 for adjusting the molding condition parameters using the automatically created data set.
  • FIG. 7 is an explanatory diagram showing an example of a data set according to Modification 1.
  • the processor 11 When acquiring the physical quantity data in steps S113 and S116, the processor 11 preferably acquires information indicating the part of the molded product and the area or volume of the burr or short-circuit occurring in the part.
  • the processor 11 may include information indicating a first portion of the molded product, the area or volume of the burr or short in the first portion, information indicating the second portion of the molded product, and the burr or short in the second portion. It is preferable to obtain the area or volume of Of course, the areas or volumes of burrs or shorts in three or more parts of the molded product may be acquired.
  • Modification 1 it is possible to create a data set for machine learning for adjusting the second molding condition parameters to improve burrs or shorts in each of the multiple parts of the molded product.
  • Modification 2 Further, in the first embodiment, an example in which physical quantity data indicating the state of a molded product is acquired by the measurement unit 3 and a data set is created is described. can be configured to The measurement unit 3 may be configured to acquire both physical quantity data indicating the state of the molded product and physical quantity data indicating the state of the injection molding machine 2 .
  • the measurement unit 3 is a device that measures arbitrary physical quantities related to injection molding when molding is performed by the injection molding machine 2 .
  • the measurement unit 3 outputs physical quantity data obtained by the measurement process to the data set creation device 1 .
  • Physical quantities include temperature, position, velocity, acceleration, current, voltage, pressure, time, image data, torque, force, strain, and power consumption.
  • the measurement unit 3 may be configured separately from the injection molding machine 2, or may be configured to be incorporated in the injection device 21 or the like.
  • the information measured by the measurement unit 3 includes, for example, information indicating the state of the molded product, information indicating the state of the injection molding machine 2, and the like.
  • Information indicating the state of the molded product is the same as in the first embodiment.
  • Information indicating the state of the injection molding machine 2 is obtained by measuring using a thermometer, pressure gauge, speed measuring device, acceleration measuring device, position sensor, timer, weight scale, and the like.
  • the information indicating the state of the injection molding machine 2 includes, for example, the temperature of the resin in the mold, the temperature of the nozzle, the temperature of the cylinder, the temperature of the hopper, and the like.
  • Information indicating the state of the injection molding machine 2 includes, for example, information such as mold clamping force, injection speed, injection acceleration, injection peak pressure, injection stroke, cylinder tip resin pressure, check ring seated state, holding pressure switching pressure, and the like.
  • Information indicating the state of the injection molding machine 2 includes, for example, pressure holding switching speed, pressure holding switching position, pressure holding completion position, cushion position, metering back pressure, metering torque, metering completion position, screw retraction speed, cycle time, mold closing speed, It contains information such as time, injection time, holding pressure time, metering time, mold opening time, etc.
  • the information indirectly indicating the state of the injection molding machine 2 includes information on peripheral devices of the injection molding machine 2, information on ambient temperature, ambient humidity, and convection obtained using a thermometer, hygrometer, flow meter, etc. Reynolds number, etc.) may also be included.
  • the injection molding machine 2 for resin molding has been described as an example of a molding machine in the above-described first embodiment and modifications, a blow molding machine, a film molding machine, an extruder, a twin-screw extruder, and a spinning extruder are also possible. , granulators, and the like. Also, the molding material is not limited to resin, and the present invention may be applied to a magnesium injection molding machine or the like.
  • the injection molding machine according to the second embodiment differs from the first embodiment in data set creation processing and data set contents. Since other configurations of the injection molding machine are the same as those of the injection molding machine according to the first embodiment, the same parts are denoted by the same reference numerals, and detailed description thereof is omitted.
  • FIG. 8 is a flow chart showing the processing procedure for data set creation according to the second embodiment.
  • the processor 11 executes the same processes as steps S111 to S116 in the first embodiment (steps S211 to S216).
  • the processor 11 calculates evaluation values indicating whether the molded product is normal, the defect type (burr, sink mark, etc.), and the degree of the defect based on the physical quantity data acquired in step S216 (step S217). .
  • the processor 11 or the data set storage processing unit 18 creates learning data based on the data obtained in the processing of steps S212 to S217 and stores it in the storage unit 12 (step S217).
  • FIG. 9 is an explanatory diagram showing an example of a data set according to the second embodiment.
  • a dataset for machine learning is composed of a plurality of learning data.
  • the learning data constituting the data set includes the molding condition parameters before the second molding condition parameter is changed, the physical quantity data obtained before the second molding condition parameter is changed, the changed value of the second molding condition parameter, It is data in which the evaluation value of the molded product after changing the second molding condition parameter is associated.
  • the processor 11 executes the same processing as steps S118 to S119 in the first embodiment (steps S219 to S220) to create and collect data sets.
  • the data set creation device 1 according to the second embodiment can automatically create a data set for machine learning of the learning model 5 that adjusts the molding condition parameters set in the injection molding machine 2, as in the first embodiment.
  • the data set creation device 1 according to the second embodiment can create a data set including evaluation values of molded products.
  • the injection molding machine according to the third embodiment differs from the first embodiment in processing when changing a plurality of molding condition parameters. Since other configurations of the injection molding machine are the same as those of the injection molding machine according to the first embodiment, the same parts are denoted by the same reference numerals, and detailed description thereof is omitted. Note that the technique according to the third embodiment may also be applied to the second embodiment.
  • the injection molding machine 2 When changing a plurality of first molding condition parameters and second molding condition parameters to create a data set, it is necessary to consider the search range of each parameter, that is, the upper limit and lower limit of each parameter. If the search range of each parameter is not taken into consideration, the injection molding machine 2 may have serious problems. For example, there is a risk of breaking the mold. In addition, there is a possibility that the degree of short circuit becomes so severe that the molded product cannot be removed from the mold.
  • the initial setting of the search range of the first molding condition parameter and the second molding condition parameter is set in advance by the operator (person) in consideration of safety.
  • the search range is determined independently without considering the interaction between each parameter, each search range will be safer. Become. For this reason, the variation in the degree of the obtained molded product is not so large.
  • the data set creation device 1 according to the third embodiment solves the above problem.
  • the data set creation device 1 according to the third embodiment dynamically determines the search range of each parameter in consideration of the interaction of a plurality of first and second molding condition parameters. By dynamically determining the search range, the data set creation device 1 can widely change each parameter without causing serious problems in the injection molding machine 2 . Therefore, it is possible to increase the degree of variation in the degree of molding obtained. Therefore, a data set that allows the learning model 5 to learn effectively can be obtained.
  • the configuration of the dataset device according to the third embodiment will be described below.
  • FIG. 10 is a block diagram showing a configuration example of the data set creation device 1 according to the third embodiment.
  • the hardware configuration of the data set creation device 1 according to the third embodiment is the same as that of the first embodiment.
  • the storage unit 12 according to the third embodiment considers the correlation between a plurality of first molding condition parameters and second molding condition parameters, and dynamically determines the search range within a range that does not adversely affect the injection molding machine 2 or the mold. It stores a table 12c that stores information for doing so.
  • the table 12c stores information indicating the correspondence relationship between the value of at least one first molding condition parameter and the upper limit value or lower limit value of the search range of other first molding condition parameters.
  • the table 12c may store information indicating the correspondence relationship between the values of the plurality of first molding condition parameters and the upper limit value or lower limit value of the search range of the plurality of first molding condition parameters.
  • the table 12c stores information indicating the correspondence relationship between the value of at least one second molding condition parameter and the upper limit value or lower limit value of the search range of other second molding condition parameters.
  • the table 12c may store information indicating the correspondence relationship between the values of the plurality of second molding condition parameters and the upper limit value or lower limit value of the search range of the plurality of second molding condition parameters.
  • the table 12c may also store information indicating the correspondence relationship between the value of one first molding condition parameter and the upper limit value or lower limit value of the search range of the second molding condition parameter.
  • the table 12c is information indicating the correspondence relationship between the values of the plurality of first molding condition parameters and the second molding condition parameters and the upper limit value or the lower limit value of the search range of the plurality of first molding condition parameters and the second molding condition parameters. may be stored.
  • FIG. 11 is a flow chart showing the processing procedure for data set creation according to the fourth embodiment.
  • the processor 11 initializes the search range of the first molding condition parameter and the second molding condition parameter, that is, the range in which the value of each parameter can be changed (step S311).
  • the operator can input search ranges for the first molding condition parameters and the second molding condition parameters by operating the operation unit 13 , and the processor 11 receives the search ranges through the operation unit 13 .
  • the processor 11 or the first molding condition parameter changer 16 changes the first molding condition parameter among the molding condition parameters set in the injection molding machine 2 so as to deteriorate the quality of the molded product (step S312). ).
  • the processor 11 reads the upper limit value or the lower limit value of the search range of the first molding condition parameter by referring to the table 12c using the changed value of the first molding condition parameter as a key, and changes the first molding condition parameter. (step S313). For example, when a certain first molding condition parameter is changed to the lower limit value of the initially set search range, the upper limit value of the search range of another first molding condition parameter may be changed to a larger value. In this case, in the next step S312, the first molding condition parameter will be changed beyond the initially set search range.
  • the processor 11 or the control unit 15 outputs a control signal based on the changed first molding condition parameter, second molding condition parameter, and other molding condition parameters to the injection device 21 and the mold clamping device 22, and the injection molding machine 2 is controlled (step S314).
  • the measurement unit 3 measures the physical quantity of the molded product, and the processor 11 or the acquisition unit 14 acquires the physical quantity data measured by the measurement unit 3. (step S315).
  • the processor 11 or the second molding condition parameter changer 17 changes the second molding condition parameter among the molding condition parameters set in the injection molding machine 2 (step S316).
  • the processor 11 reads the upper limit value or the lower limit value of the search range of the second molding condition parameter by referring to the table 12c using the changed values of the first molding condition parameter and the changed second molding condition parameter as keys. 2 Change the molding condition parameters (step S317). As with the first molding condition parameter, the second molding condition parameter may be changed beyond the initially set search range in the next step S316. Note that the processor 11 reads the upper limit value or the lower limit value of the search range of the second molding condition parameter by referring to the table 12c using the changed value of the second molding condition parameter as a key, and may be configured to change
  • the processor 11 or the control unit 15 outputs control signals based on the changed first and second molding condition parameters and other molding condition parameters to the injection device 21 and the mold clamping device 22 to control the operation of the injection molding machine 2. (step S318).
  • steps S115 to S119 according to the first embodiment is executed in steps S318 to S322.
  • each parameter can be widely changed, and a data set for machine learning of the learning model 5 can be automatically created.
  • the state of the molded product can be greatly varied, and it is more effective. Can create datasets that can be machine-learned.
  • the mold or the injection molding machine 2 may be damaged. parameters are changed using the correlation of Therefore, it is possible to vary the parameters widely, possibly beyond the initially set search range, and create a data set without adversely affecting the injection molding machine 2 and the mold.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

成形機に設定された第１及び第２成形条件パラメータのうち、第１成形条件パラメータを成形品の品質を悪化させるように変更して製造される成形品の状態又は該成形機の状態を示す物理量データを取得し、成形機に設定されている第２成形条件パラメータを変更して製造される成形品の状態又は該成形機の状態を示す物理量データを取得し、変更前の第２成形条件パラメータと、このときに得られた物理量データと、変更後の第２成形条件パラメータと、変更後の第２成形条件パラメータを設定したときに得られた物理量データとを対応付けて記憶し、第１及び第２成形条件パラメータの変更並びに物理量データの取得を繰り返すことによって機械学習用のデータセットを作成する。

Description

データセット作成方法、学習モデル生成方法、コンピュータプログラム及びデータセット作成装置
　本発明は、データセット作成方法、学習モデル生成方法、コンピュータプログラム及びデータセット作成装置に関する。
　機械学習により、射出成形機の成形条件パラメータを調整する射出成形機システムがある（例えば、特許文献１）。
特開２０１９－１６６７０２号公報
　しかしながら、成形機の成形条件パラメータを調整する学習モデルの機械学習用のデータセットの作成には多大な時間と労力を要するという問題があった。機械学習用のデータセットを作成するためには、作業者が成形機の状態を成形不良が生ずる状態に設定し、成形不良を解消する設定の調整を行い、データの紐づけ及び収集を行う必要がある。
　本開示の目的は、成形機に設定された成形条件パラメータを調整する学習モデルの機械学習用のデータセットを自動で作成することができるデータセット作成方法、自動作成したデータセットを用いた学習モデル生成方法を提供することにある。
　本開示の目的は、成形機に設定された成形条件パラメータを調整する学習モデルの機械学習用のデータセットを自動で作成することができるコンピュータプログラム及びデータセット作成装置を提供することにある。
　本態様に係るデータセット作成方法は、以下の処理を繰り返すことによって機械学習用のデータセットを作成する。成形機に設定された第１成形条件パラメータ及び第２成形条件パラメータのうち、第１成形条件パラメータを、成形品の品質を悪化させるように変更する。成形機によって製造される成形品の状態又は該成形機の状態を示す物理量データを取得する。成形機に設定されている第２成形条件パラメータを変更する。成形機によって製造される成形品の状態又は該成形機の状態を示す物理量データを取得する。変更前後の第２成形条件パラメータ及び物理量データを対応付けて記憶する。
　本態様に係る学習モデル生成方法は、上記データセット作成方法にて作成したデータセットを用いて学習モデルを機械学習させる。
　本態様に係るコンピュータプログラムは、以下の処理をコンピュータに繰り返し実行させることによって機械学習用のデータセットを作成する。成形機に設定された第１成形条件パラメータ及び第２成形条件パラメータのうち、第１成形条件パラメータを、成形品の品質を悪化させるように変更する。成形機によって製造される成形品の状態又は該成形機の状態を示す物理量データを取得する。成形機に設定されている第２成形条件パラメータを変更する。成形機によって製造される成形品の状態又は該成形機の状態を示す物理量データを取得する。変更前後の第２成形条件パラメータ及び物理量データを対応付けて記憶する。
　本態様に係るデータセット作成装置は、以下の処理を繰り返すことによって機械学習用のデータセットを作成する。成形機に設定された第１成形条件パラメータ及び第２成形条件パラメータのうち、第１成形条件パラメータを、成形品の品質を悪化させるように変更する。成形機によって製造される成形品の状態又は該成形機の状態を示す物理量データを取得する。成形機に設定されている第２成形条件パラメータを変更する。成形機によって製造される成形品の状態又は該成形機の状態を示す物理量データを取得する。変更前後の第２成形条件パラメータ及び物理量データを対応付けて記憶する。
　本発明によれば、成形機に設定された成形条件パラメータを調整する学習モデルの機械学習用のデータセットを自動で作成することができる。
実施形態１に係る射出成形機の構成例を説明する模式図である。 実施形態１に係るデータセット作成装置の構成例を示すブロック図である。 実施形態１に係るデータセット作成の処理手順を示すフローチャートである。 実施形態１に係るデータセットの一例を示す説明図である。 実施形態１に係る学習モデル生成の処理手順を示すフローチャートである。 学習モデルの構成を概念的に示す説明図である。 変形例に係るデータセットの一例を示す説明図である。 実施形態２に係るデータセット作成の処理手順を示すフローチャートである。 実施形態２に係るデータセットの一例を示す説明図である。 実施形態３に係るデータセット作成装置の構成例を示すブロック図である。 実施形態４に係るデータセット作成の処理手順を示すフローチャートである。
　本発明の実施形態に係るデータセット作成方法、学習モデル生成方法、コンピュータプログラム及びデータセット作成装置の具体例を、以下に図面を参照しつつ説明する。以下に記載する実施形態の少なくとも一部を任意に組み合わせてもよい。なお、本発明はこれらの例示に限定されるものではなく、請求の範囲によって示され、請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。
＜射出成形機の全体構成＞
　図１は実施形態１に係る射出成形機２の構成例を説明する模式図である。本実施形態１に係る射出成形機（成形機）２は、射出装置２１と、当該射出装置２１の前方に配置される型締装置２２と、本実施形態１に係るデータセット作成装置１を有する制御装置２３と、測定部３とを備える。
　射出装置２１は、先端部にノズルを有する加熱シリンダ２１ａと、当該加熱シリンダ内で回転方向と軸方向とに駆動可能に設けられているスクリュ２１ｂとを備える。射出装置２１は、当該スクリュ２１ｂを回転方向に駆動する回転モータと、スクリュ２１ｂを軸方向に駆動するモータ等とを備える。射出装置２１には、加熱シリンダ２１ａに樹脂成形材料を供給するためのホッパ２１ｃと、加熱シリンダ２１ａに供給された樹脂成形材料を加熱して可塑化するための加熱ヒータ２１ｄとが設けられている。
　型締装置２２は、金型が着脱自在に取り付けられる型装置２２ａを備える。型締装置２２は、金型を開閉させ、射出装置２１から射出された溶融成形材料が金型に充填される際、金型が開かないように金型を締め付けるトグル機構２２ｂを備える。型締装置２２は、トグル機構２２ｂを駆動する型締駆動モータ２２ｉを備える。
　型装置２２ａは、固定金型２２ｆが着脱自在に取り付けられる固定盤２２ｄと、同様に可動金型２２ｇが着脱自在に取り付けられる可動盤２２ｅとを備える。トグル機構２２ｂは、可動盤２２ｅと型締ハウジング２２ｈとの間に設けられている。トグル機構２２ｂは、型締駆動モータ２２ｉの駆動力により、可動盤２２ｅを前後方向（図１中横方向）へ移動させることによって固定金型２２ｆ及び可動金型２２ｇを開閉させる。トグル機構２２ｂは、射出装置２１から射出された溶融樹脂が金型に充填される際、固定金型２２ｆ及び可動金型２２ｇが開かないように金型を締め付けることができる。また、型締装置２２は、成形品を金型から取り出すためのエジェクタピンが設けられたエジェクタプレート２２ｃを備える。
　制御装置２３は、射出装置２１及び型締装置２２の動作を制御する装置又は回路である。本実施形態１に係る制御装置２３は、データセット作成装置１を備える。データセット作成装置１は、射出成形機２に設定された成形条件パラメータを調整する学習モデル５（図６参照）の機械学習用のデータセットを自動で作成する装置である。
　射出成形機２には、成形条件を定める成形条件パラメータが設定され、当該成形条件パラメータに従って動作する。成形条件パラメータは、例えば、金型内樹脂温度、ノズル温度、シリンダ加熱温度、ホッパ温度、型締力、射出速度、射出加速度、射出ピーク圧力、射出ストローク等を含む。また成形条件パラメータは、例えば、シリンダ先端樹脂圧、逆防リング着座状態、保圧切替圧力、保圧切替速度、保圧切替位置、保圧完了位置を含む。更に、成形条件パラメータは、例えば、クッション位置、計量背圧、計量トルク、計量完了位置、スクリュ後退速度、サイクル時間、型閉時間、射出時間、保圧時間、計量時間、型開時間等を含む。最適な成形条件パラメータは射出成形機２の環境、成形品によって異なる。
　測定部３は、射出成形機２による成形が実行された際、実成形に係る物理量を測定する装置である。測定部３は、測定処理によって得られた物理量データをデータセット作成装置１へ出力する。
　測定部３によって測定して得られる物理量データには、成形品が正常であるか否か、成形品の不良タイプ、不良の程度に関連するデータが含まれる。成形品に係る物理量データは、例えば成形品を撮像して得たカメラ画像、レーザ変位センサにて得た成形品の変形量である。変形量は具体的には、成形品のバリ又はヒケの面積又は体積である。また、成形品に係る物理量データは、光学的計測器にて得られた成形品の色度、輝度等の光学的計測値、重量計にて計測された成形品の重量、強度計測器にて測定された成形品の強度等のデータであってもよい。
＜データセット作成装置＞
　図２は実施形態１に係るデータセット作成装置１の構成例を示すブロック図である。データセット作成装置１は、コンピュータであり、ハードウェア構成としてプロセッサ１１、記憶部（ストレージ）１２及び操作部１３等を備える。
　なお、データセット作成装置１は、ネットワークに接続されたサーバ装置であっても良い。また、データセット作成装置１は、複数台のコンピュータで構成し分散処理する構成でもよいし、１台のサーバ内に設けられた複数の仮想マシンによって実現されていてもよいし、クラウドサーバを用いて実現されていてもよい。
　プロセッサ１１は、ＣＰＵ（Central Processing Unit）、マルチコアＣＰＵ、ＧＰＵ（Graphics Processing Unit）、ＧＰＧＰＵ（General-purpose computing on graphics processing units）、ＴＰＵ（Tensor Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＮＰＵ（Neural Processing Unit）等の演算回路、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等の内部記憶装置、Ｉ／Ｏ端子等を有する。
　プロセッサ１１は、後述の記憶部１２が記憶するコンピュータプログラム（プログラム製品）１２ａを実行することにより、取得部１４、制御部１５として機能する。また、プロセッサ１１は、後述の記憶部１２が記憶するコンピュータプログラム１２ａを実行することにより、第１成形条件パラメータ変更部１６、第２成形条件パラメータ変更部１７及びデータセット記憶処理部１８として機能する。なお、データセット作成装置１の各機能部は、ソフトウェア的に実現しても良いし、一部又は全部をハードウェア的に実現しても良い。
　記憶部１２は、ハードディスク、ＥＥＰＲＯＭ（Electrically Erasable Programmable　ROM）、フラッシュメモリ等の不揮発性メモリである。記憶部１２は、成形条件パラメータの調整を行う学習モデル５の機械学習用のデータセット作成処理をコンピュータに実行させるためのコンピュータプログラム１２ａを記憶している。
　本実施形態１に係るコンピュータプログラム１２ａは、記録媒体４にコンピュータ読み取り可能に記録されている態様でも良い。記憶部１２は、読出装置によって記録媒体４から読み出されたコンピュータプログラム１２ａを記憶する。記録媒体４はフラッシュメモリ等の半導体メモリである。また、記録媒体４はＣＤ（Compact Disc）－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）－ＲＯＭ、ＢＤ（Blu-ray(登録商標)Disc）等の光ディスクでも良い。更に、記録媒体４は、フレキシブルディスク、ハードディスク等の磁気ディスク、磁気光ディスク等であっても良い。更にまた、通信網に接続されている外部サーバから本実施形態１に係るコンピュータプログラム１２ａをダウンロードし、記憶部１２に記憶させても良い。
　操作部１３は、タッチパネル、ソフトキー、ハードキー、キーボード、マウス等の入力装置である。
　取得部１４は、成形工程サイクルにおいて射出成形機２による成形が実行されたときに測定部３にて測定され、出力された物理量データを取得する。取得部１４は、取得した物理量データを制御部１５へ出力する。
　制御部１５は、設定又は変更された成形条件パラメータに基づく制御信号を射出装置２１及び型締装置２２へ出力し、射出成形機２の動作を制御する。
　第１成形条件パラメータ変更部１６は、成形品の不良を発生させるように成形条件パラメータを変更する機能部である。成形品の不良を発生させる成形条件パラメータを、第１成形条件パラメータと呼ぶ。第１成形条件パラメータは、例えば成形材料の計量値、射出装置２１の背圧を設定するパラメータである。
　第２成形条件パラメータ変更部１７は、成形品の不良が生じている場合において、成形不良を改善させる条件を探索するために、成形条件パラメータを変更する機能部である。成形不良を改善させるために探索的に変更される成形条件パラメータを、第２成形条件パラメータと呼ぶ。第２成形条件パラメータは、例えば保圧切替位置、射出速度又は保圧圧力を含む。第２成形条件パラメータ変更部１７による第２成形条件パラメータの変更は探索的に個々綯われる。このため、第２成形条件パラメータ変更部１７による第２成形条件パラメータの変更処理には、成形品の品質を改善させる変更処理と、成形品の品質を悪化させる変更処理とが含まれる。
　データセット記憶処理部１８は、成形工程サイクルにおいて、第１及び第２成形条件パラメータを変更し、成形品に係る物理量を測定することによって得られた各種データを対応付けて得られるデータセットを記憶部１２に記憶する機能部である。具体的には、データセット記憶処理部１８は、変更前後の第２成形条件パラメータと、当該第２成形条件パラメータ変更前後で得られた成形品の物理量データとを対応付けて記憶する。
　成形工程サイクルの概要は以下の通りであり、データセット作成装置１は、繰り返される成形工程サイクルにおいて、成形条件パラメータを変更することにより機械学習用のデータセットを作成する。射出成形に際しては、周知のエジェクト後退工程、型閉工程、型締工程、射出工程、保圧工程、計量工程、型開工程、エジェクト前進工程が順次に行われる。
＜処理手順（データセット作成方法）＞
　図３は、実施形態１に係るデータセット作成の処理手順を示すフローチャートである。プロセッサ１１又は第１成形条件パラメータ変更部１６は、射出成形機２に設定されている成形条件パラメータのうち、成形品の品質を悪化させるように第１成形条件パラメータを変更する（ステップＳ１１１）。第１成形条件パラメータは、例えば成形材料の計量値、射出装置２１の背圧を設定するパラメータである。第１成形条件パラメータを、正常な初期値から変更すれば、成形品の不良を発生させることができる。つまり、ステップＳ１１１では、人為的に射出成形機２の状態を不具合のある状態にする。
　プロセッサ１１又は制御部１５は、変更された第１成形条件パラメータと、第２成形条件パラメータ及びその他の成形条件パラメータとに基づく制御信号を射出装置２１及び型締装置２２へ出力し、射出成形機２の動作を制御する（ステップＳ１１２）。射出成形機２の射出装置２１及び型締装置２２はプロセッサ１１から出力された制御信号に従って射出成形処理を行う。
　そして、測定部３は、射出成形機２が成形を実行したときに、成形品に係る物理量を測定し、プロセッサ１１又は取得部１４は、測定部３にて測定して得た物理量データを取得する（ステップＳ１１３）。物理量データは、例えば、成形品のバリ又はヒケの面積又は体積を示すデータである。
　次いで、プロセッサ１１又は第２成形条件パラメータ変更部１７は、射出成形機２に設定されている成形条件パラメータのうち、第２成形条件パラメータを変更する（ステップＳ１１４）。第２成形条件パラメータの変更は、成形品の状態を改善させるために、探索的に行われる。
　第２成形条件パラメータの変更方法は特に限定されるものでは無い。例えば、プロセッサ１１は、第２成形条件パラメータをランダムに変更すればよい。また、プロセッサ１１は、所定の確率分布に従って第２成形条件パラメータを変更すればよい。更に、前回以前の成形工程サイクルで得られた物理量データ及び第２成形条件パラメータを用いたベイズ最適化により、第２成形条件パラメータを変更すればよい。
　プロセッサ１１又は制御部１５は、変更された第１及び第２成形条件パラメータ並びにその他の成形条件パラメータに基づく制御信号を射出装置２１及び型締装置２２へ出力し、射出成形機２の動作を制御する（ステップＳ１１５）。そして、測定部３は、射出成形機２が成形を実行したときに、成形品に係る物理量を測定し、プロセッサ１１又は取得部１４は、ステップＳ１１３同様、測定部３にて測定して得た物理量データを取得する（ステップＳ１１６）。
　プロセッサ１１又はデータセット記憶処理部１８は、ステップＳ１１２～ステップＳ１１６の処理で得られたデータに基づいて、学習用データを作成して記憶部１２に記憶する（ステップＳ１１７）。
　図４は、実施形態１に係るデータセットの一例を示す説明図である。複数の学習データによって機械学習用のデータセットが構成される。データセットを構成する学習用データは、第２成形条件パラメータの変更前の成形条件パラメータと、第２成形条件パラメータの変更前と変更後に得られた物理量データと、第２成形条件パラメータの変更値とを対応付けたデータである。変更値は、変更後の第２成形条件パラメータであってもよいし、変更前の第２成形条件パラメータに対する変更後の第２成形条件パラメータの変更量であってもよい。データセットに含める変更前の成形条件パラメータは、少なくとも第２成形条件パラメータを含む。
　次いで、プロセッサ１１は、ステップＳ１１６で取得した物理量データに基づいて、成形品の状態が改善したか否かを判定する（ステップＳ１１８）。例えば、プロセッサ１１は、物理量データに基づいて、バリ又はヒケの面積又は体積を算出し、バリ又はヒケの面積又は体積が所定値未満になったか否かを判定する。成形品の状態が改善していないと判定した場合（ステップＳ１１８：ＮＯ）、プロセッサ１１は処理をステップＳ１１３へ戻す。
　成形品の状態が改善したと判定した場合（ステップＳ１１８：ＹＥＳ）、プロセッサ１１は、データセットの作成を終了するか否かを判定する（ステップＳ１１９）。終了条件は、特に限定されるものでは無いが、所定量のデータセットが作成された場合、第１成形条件パラメータの変更回数が閾値以上になった場合、第１成形条件パラメータの変更範囲が所定範囲に達した場合等を終了条件とすればよい。終了条件を満たすと判定した場合（ステップＳ１１９：ＹＥＳ）、プロセッサ１１は処理を終える。終了条件を満たしていないと判定した場合（ステップＳ１１９：ＮＯ）、プロセッサ１１は、処理をステップＳ１１１へ戻し、データセットの作成を継続する。
　以上の処理により、射出成形機２に設定された成形条件パラメータを調整するための学習モデル５の機械学習用のデータセットを自動で作成することができる。
＜処理手順（学習モデル生成方法）＞
　図５は、実施形態１に係る学習モデル生成の処理手順を示すフローチャートである。プロセッサ１１は、図３を用いて説明した方法を用いて機械学習用のデータセットを作成する（ステップＳ１５１）。次いで、プロセッサ１１は、第２成形条件パラメータの変更後に得られた物理量データに基づいて、成形品の評価値を算出する（ステップＳ１５２）。評価値は、バリ又はヒケの面積又は体積が小さい程、評価値が大きくなるようような関数又はテーブルを用いて算出すればよい。バリ又はヒケの面積又は体積をそのまま評価値として用いてもよい。
　次いで、プロセッサ１１は、学習前の学習モデル５をメモリ上に用意する（ステップＳ１５３）。
　図６は、学習モデル５の構成を概念的に示す説明図である。学習モデル５は、入力層５１、複数の中間層５２及び出力層５３を有する。入力層５１は、射出成形機２に設定される成形条件パラメータ及び成形品に係る物理量データが入力される複数のノードを有する。
　複数の中間層５２は、入力層５１に入力された物理量データの特徴を抽出する複数のノードを有する。物理量データに画像が含まれる場合、中間層５２は、複数の畳み込み層及びプーリング層を有する。
　出力層５３は、第２成形条件パラメータの複数の値に対応する複数のノードを有し、当該値が最適であることの確信度を出力する。また、出力層５３は、第２成形条件パラメータの複数の変更量に対応する複数のノードを有し、当該値が最適であることの確信度を出力するように構成してもよい。第２成形パラメータは１種類でもよいし、複数種類であってもよい。
　学習モデル５は、例えば、成形条件パラメータと、成形品の状態を測定して得た物理量データとが入力された場合、成形品の状態を向上させる第２成形条件パラメータ、又は第２成形条件パラメータの変更量を出力するモデルである。学習モデル５は、物理量データが画像データである場合、ＲｅｓＮｅｔ、ＤｅｎｓｅＮｅｔ等のＣＮＮ（Convolution Neural Network）を有するモデルであってもよい。学習モデル５は、観測データが時系列的データである場合、時系列情報である観測データを認識する再帰型ニューラルネットワーク（RNN: Recurrent Neural Network）、ＬＳＴＭ、Vision Transformer等を有するモデルであってもよい。また、学習モデル５は、上記したＣＮＮ、ＲＮＮ等以外のニューラルネットワーク、Vision Transformer、ＳＶＭ（Support Vector Machine）、ベイジアンネットワーク、又は、ＸＧＢｏｏｓｔ等の決定木、等の構成の学習モデル５を用いて構成してもよい。
　図５に戻り、プロセッサ１１は、データセットに含まれる成形条件パラメータ及び物理量データ（第２成形条件パラメータ変更前の物理量データ）を学習モデル５の入力層５１に入力する（ステップＳ１５４）。そして、プロセッサ１１は、成形品に係る物理量データに基づく評価値が高くなる第２成形条件パラメータが出力されるように中間層５２の重み係数を最適化する（ステップＳ１５５）。当該重み係数は、例えばノード間の重み（結合係数）などである。重み係数の最適化の方法は特に限定されないが、例えば最急降下法、誤差逆伝播法等を用いて各種係数の最適化を行う。同様に、プロセッサ１１は、成形品に係る物理量データに基づく評価値が低くなる第２成形条件パラメータが出力されないように中間層５２の重み係数を最適化する（ステップＳ１５６）。なお、説明の便宜上、ステップＳ１５５及びステップＳ１５６を別の処理ステップとして説明したが、各処理は実質的に同等の処理であり、プロセッサ１１は各処理を同時的に実行する。
　このように、自動生成した機械学習用のデータセットを用いて、学習モデル５を機械学習させることができる。なお、プロセッサ１１が学習モデル５の機械学習を行う例を説明したが、データセットの作成及び学習モデル５の機械学習処理は、他のコンピュータで実行するように構成してもよい。
　以上の通り、本実施形態１によれば、射出成形機２に設定された成形条件パラメータを調整するための学習モデル５の機械学習用のデータセットを自動で作成することができる。
　具体的には、データセット作成装置１は、第１成形条件パラメータとして、成形材料の計量値又は背圧を変更することによって、人為的に成形品の不良が発生し得る状態とし、機械学習用のデータセットを効率的に作成することができる。
　また、データセット作成装置１は、第２成形条件パラメータとして、保圧切替位置、射出速度又は保圧圧力を含む機械学習用のデータセットを作成することができる。つまり、成形品の状態を改善させるために、第２成形条件パラメータを調整する学習モデル５を機械学習させるためのデータセットを作成することができる。
　更に、データセット作成装置１は、成形品に生ずるバリ又はショートを改善させるために、第２成形条件パラメータを調整する学習モデル５を機械学習させるためのデータセットを作成することができる。
　更にまた、データセットに含まれる変更値には、成形品の品質を改善させる変更値及び品質を更に悪化させる変更値が含まれるため、第２成形条件パラメータを調整する学習モデル５をより効率良く機械学習させるためのデータセットを作成することができる。
　更にまた、第２成形条件パラメータを所定の確率分布に従って変更し、又はベイズ最適化により変更することによって、速やかに成形品の状態を改善させる第２成形条件パラメータの変更値に到達することができる。このため、成形品の状態を改善させるための機械学習に有用な第２成形条件パラメータの変更量をより多く含むデータセットを作成することができる。
　更にまた、本実施形態１に係る学習モデル生成方法によれば、自動作成したデータセットを用いて、成形条件パラメータを調整するための学習モデル５を生成することができる。
（変形例１）
　図７は、変形例１に係るデータセットの一例を示す説明図である。プロセッサ１１は、ステップＳ１１３及びステップＳ１１６において、物理量データを取得する際、成形品の部位を示す情報と、該部位に生ずるバリ又はショートの面積又は体積と取得するとよい。例えば、プロセッサ１１は、成形品の第１部位を示す情報と、当該第１部位におけるバリ又はショートの面積又は体積と、成形品の第２部位を示す情報と、当該第２部位におけるバリ又はショートの面積又は体積とを取得するとよい。もちろん成形品の３箇所以上の部位におけるバリ又はショートの面積又は体積を取得してもよい。
　変形例１によれば、成形品の複数の部位それぞれのバリ又はショートを改善するための第２成形条件パラメータの調整を行うための機械学習用のデータセットを作成することができる。
（変形例２）
　また、上記実施形態１では、成形品の状態を示す物理量データを測定部３にて取得してデータセットを作成する例を説明したが、射出成形機２の状態を示す物理量データを測定するように構成してもよい。また、測定部３は、成形品の状態を示す物理量データ及び射出成形機２の状態を示す物量データの双方を取得するように構成してもよい。
　変形例２に係る測定部３は射出成形機２による成形が実行された際、射出成形に関連する任意の物理量を測定する装置である。測定部３は、測定処理によって得られた物理量データをデータセット作成装置１へ出力する。物理量には、温度、位置、速度、加速度、電流、電圧、圧力、時間、画像データ、トルク、力、歪、消費電力等がある。
　なお、測定部３は、射出成形機２と別体の構成であってもよいし、射出装置２１等に組み込まれる構成であってもよい。
　測定部３によって測定される情報は、例えば成形品の状態を示す情報、射出成形機２の状態を示す情報等を含む。成形品の状態を示す情報は、上記実施形態１と同様である。
　射出成形機２の状態を示す情報は、温度計、圧力計、速度測定器、加速度測定器、位置センサ、タイマ、重量計等を用いて測定して得られる。射出成形機２の状態を示す情報は、例えば金型内樹脂温度、ノズル温度、シリンダ温度、ホッパ温度等の情報を含む。射出成形機２の状態を示す情報は、例えば型締力、射出速度、射出加速度、射出ピーク圧力、射出ストローク、シリンダ先端樹脂圧、逆防リング着座状態、保圧切替圧力等の情報を含む。射出成形機２の状態を示す情報は、例えば保圧切替速度、保圧切替位置、保圧完了位置、クッション位置、計量背圧、計量トルク、計量完了位置、スクリュ後退速度、サイクル時間、型閉時間、射出時間、保圧時間、計量時間、型開時間等の情報を含む。
　なお、間接的に射出成形機２の状態を示す情報として、射出成形機２の周辺機器の情報、温度計、湿度計、流量計等を用いて得た雰囲気温度、雰囲気湿度、対流に関する情報（レイノルズ数等）等の情報を含んでもよい。
　なお、上記の実施形態１及び変形例では、成形機の一例として樹脂成形を行う射出成形機２を説明したが、中空成形機、フィルム成形機、押出機、二軸スクリュ押出機、紡糸押出機、造粒機等に本発明を適用してもよい。また、成形材料も樹脂に限定されるものでは無く、マグネシウム射出成形機等に本発明を提供してもよい。
（実施形態２）
　実施形態２に係る射出成形機は、データセット作成処理及びデータセットの内容が実施形態１と異なる。射出成形機のその他の構成は、実施形態１に係る射出成形機と同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。
　図８は、実施形態２に係るデータセット作成の処理手順を示すフローチャートである。プロセッサ１１は、実施形態１におけるステップＳ１１１～ステップＳ１１６と同様の処理を実行する（ステップＳ２１１～ステップＳ２１６）。
　次いで、プロセッサ１１は、ステップＳ２１６で取得した物理量データに基づいて、成形品が正常であるか否か、不良タイプ（バリ、ヒケ等）、不良の程度を示す評価値を算出する（ステップＳ２１７）。
　プロセッサ１１又はデータセット記憶処理部１８は、ステップＳ２１２～ステップＳ２１７の処理で得られたデータに基づいて、学習用データを作成して記憶部１２に記憶する（ステップＳ２１７）。
　図９は、実施形態２に係るデータセットの一例を示す説明図である。複数の学習データによって機械学習用のデータセットが構成される。データセットを構成する学習用データは、第２成形条件パラメータの変更前の成形条件パラメータと、第２成形条件パラメータの変更前に得られた物理量データと、第２成形条件パラメータの変更値と、第２成形条件パラメータ変更後の成形品の評価値とを対応付けたデータである。
　以下、プロセッサ１１は、実施形態１におけるステップＳ１１８～ステップＳ１１９と同様の処理を実行し（ステップＳ２１９～ステップＳ２２０）、データセットの作成及び収集を行う。
　本実施形態２に係るデータセット作成装置１は、実施形態１同様、射出成形機２に設定された成形条件パラメータを調整する学習モデル５の機械学習用のデータセットを自動で作成することができる。特に実施形態２に係るデータセット作成装置１、成形品の評価値を含むデータセットを作成することができる。
（実施形態３）
　実施形態３に係る射出成形機は、複数の成形条件パラメータを変更する際の処理が実施形態１と異なる。射出成形機のその他の構成は、実施形態１に係る射出成形機と同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。なお、実施形態３に係る技術は本実施形態２にも適用してもよい。
　データセット作成するために複数の第１成形条件パラメータ及び第２成形条件パラメータを変更する際、各パラメータの探索範囲、つまり各パラメータの上限値及び下限値を考慮する必要がある。各パラメータの探索範囲を考慮しないと、射出成形機２に重大な問題を生じさせるおそれがある。例えば、金型を壊してしまうおそれがある。また、ショートの程度がひどくなり成形品を金型から取り出せなくなるおそれがある。
　このため、第１成形条件パラメータ及び第２成形条件パラメータの探索範囲の初期設定は、安全性を考慮して予めオペレータ（人）が設定することが望ましい。ただし、第１成形条件パラメータ及び第２成形条件パラメータそれぞれの設定値について、各パラメータ間の相互作用を考えずに、独立して探索範囲を決める場合、それぞれの探索範囲はより安全をみたものになる。このため、得られる成形品の程度のばらつきがあまり大きくならない。
　本実施形態３に係るデータセット作成装置１は、上記問題を解決するものでる。実施形態３に係るデータセット作成装置１は、複数の第１及び第２成形条件パラメータの相互作用を考慮して各パラメータの探索範囲を動的に決定する。この動的な探索範囲の決定により、データセット作成装置１は、射出成形機２に重大な問題が発生せず、かつ各パラメータを幅広く変更することができる。従って、得られる成形品の程度のばらつきをより大きくすることができる。よって、学習モデル５を効果的に学習させることができるデータセットを得ることができる。以下、実施形態３に係るデータセット装置の構成を説明する。
　図１０は、実施形態３に係るデータセット作成装置１の構成例を示すブロック図である。実施形態３に係るデータセット作成装置１のハードウェア構成は実施形態１と同様である。実施形態３に係る記憶部１２は、複数の第１成形条件パラメータ及び第２成形条件パラメータの相関関係を考慮し、射出成形機２又は金型に悪影響が無い範囲で動的に探索範囲を決定するための情報を格納したテーブル１２ｃを記憶している。
　例えば、テーブル１２ｃは、少なくとも一の第１成形条件パラメータの値と、他の第１成形条件パラメータの探索範囲の上限値又は下限値との対応関係を示す情報を格納している。テーブル１２ｃは、複数の第１成形条件パラメータの値と、複数の第１成形条件パラメータの探索範囲の上限値又は下限値との対応関係を示す情報を格納してもよい。
　同様に、テーブル１２ｃは、少なくとも一の第２成形条件パラメータの値と、他の第２成形条件パラメータの探索範囲の上限値又は下限値との対応関係を示す情報を格納している。テーブル１２ｃは、複数の第２成形条件パラメータの値と、複数の第２成形条件パラメータの探索範囲の上限値又は下限値との対応関係を示す情報を格納してもよい。
　また、テーブル１２ｃは、一の第１成形条件パラメータの値と、第２成形条件パラメータの探索範囲の上限値又は下限値との対応関係を示す情報を格納してもよい。テーブル１２ｃは、複数の第１成形条件パラメータ及び第２成形条件パラメータの値と、複数の第１成形条件パラメータ及び第２成形条件パラメータの探索範囲の上限値又は下限値との対応関係を示す情報を格納してもよい。
　図１１は、実施形態４に係るデータセット作成の処理手順を示すフローチャートである。プロセッサ１１は、第１成形条件パラメータ及び第２成形条件パラメータの探索範囲、つまり各パラメータの値を変更可能な範囲を初期設定する（ステップＳ３１１）。オペレータは、操作部１３を操作することによって、第１成形条件パラメータ及び第２成形条件パラメータの探索範囲を入力することができ、プロセッサ１１は、操作部１３にて探索範囲を受け付ける。
　次いで、プロセッサ１１又は第１成形条件パラメータ変更部１６は、射出成形機２に設定されている成形条件パラメータのうち、成形品の品質を悪化させるように第１成形条件パラメータを変更する（ステップＳ３１２）。
　プロセッサ１１は、変更された第１成形条件パラメータの値をキーにしてテーブル１２ｃを参照することにより、第１成形条件パラメータの探索範囲の上限値又は下限値を読み出し、第１成形条件パラメータを変更する（ステップＳ３１３）。例えば、ある第１成形条件パラメータを初期設定された探索範囲の下限値に変更した場合、他の第１成形条件パラメータの探索範囲の上限値がより大きな値に変更されることがある。この場合、次回のステップＳ３１２においては、第１成形条件パラメータは、初期設定された探索範囲を超えて変更されることになる。
　プロセッサ１１又は制御部１５は、変更された第１成形条件パラメータと、第２成形条件パラメータ及びその他の成形条件パラメータとに基づく制御信号を射出装置２１及び型締装置２２へ出力し、射出成形機２の動作を制御する（ステップＳ３１４）。
　そして、測定部３は、射出成形機２が成形を実行したときに、成形品に係る物理量を測定し、プロセッサ１１又は取得部１４は、測定部３にて測定して得た物理量データを取得する（ステップＳ３１５）。
　次いで、プロセッサ１１又は第２成形条件パラメータ変更部１７は、射出成形機２に設定されている成形条件パラメータのうち、第２成形条件パラメータを変更する（ステップＳ３１６）。
　プロセッサ１１は、変更された第１成形条件パラメータ及び第２成形条件パラメータの値をキーにしてテーブル１２ｃを参照することにより、第２成形条件パラメータの探索範囲の上限値又は下限値を読み出し、第２成形条件パラメータを変更する（ステップＳ３１７）。第１成形条件パラメータ同様、第２成形条件パラメータも、次回のステップＳ３１６においては、第２成形条件パラメータは、初期設定された探索範囲を超えて変更されることもある。
　なお、プロセッサ１１は、変更された第２成形条件パラメータの値をキーにしてテーブル１２ｃを参照することにより、第２成形条件パラメータの探索範囲の上限値又は下限値を読み出し、第２成形条件パラメータを変更するように構成してもよい。
　プロセッサ１１又は制御部１５は、変更された第１及び第２成形条件パラメータ並びにその他の成形条件パラメータに基づく制御信号を射出装置２１及び型締装置２２へ出力し、射出成形機２の動作を制御する（ステップＳ３１８）。
　以下、実施形態１に係るステップＳ１１５～ステップＳ１１９と同様の処理を、ステップＳ３１８～ステップＳ３２２にて実行する。
　以上の処理により、第１及び第２成形条件パラメータの相関を考慮しつつ、各パラメータを幅広く変更し、学習モデル５の機械学習用のデータセットを自動で作成することができる。
　第１及び第２成形条件パラメータの相関を考慮せず、初期設定された探索範囲内で各パラメータを変更する場合に比べて、成形品の状態を大きくばらつかせることができ、より効果的な機械学習が可能なデータセットを作成することができる。
　一方、探索範囲を無視して際限無く第１及び第２成形条件パラメータを変更すると、金型又は射出成形機２が壊れるおそれがあるが、実施形態３においては、テーブル１２ｃに記録された各パラメータの相関関係を用いてパラメータ変更を行う。従って、射出成形機２及び金型に悪影響を及ぼすこと無く、幅広く、場合によっては初期設定された探索範囲を超えてパラメータを変更し、データセットを作成することができる。
　１　データセット作成装置
　２　射出成形機
　３　測定部
　４　記録媒体
　１１　プロセッサ
　１２　記憶部
　１２ａ　コンピュータプログラム
　１２ｂ　データセット
　１２ｃ　テーブル
　１３　操作部
　１４　取得部
　１５　制御部
　１６　第１成形条件パラメータ変更部
　１７　第２成形条件パラメータ変更部
　１８　データセット記憶処理部
　２１　射出装置
　２１ａ　加熱シリンダ
　２１ｂ　スクリュ
　２１ｃ　ホッパ
　２１ｄ　加熱ヒータ
　２２　型締装置
 

Claims (13)

  1. 　成形機に設定された第１成形条件パラメータ及び第２成形条件パラメータのうち、第１成形条件パラメータを成形品の品質を悪化させるように変更し、
    　成形品の品質を悪化させる第１成形条件パラメータ及び第２成形条件パラメータが設定された前記成形機によって製造される成形品の状態又は該成形機の状態を示す物理量データを取得し、
    　前記成形機に設定されている第２成形条件パラメータを変更し、
    　第１成形条件パラメータ及び変更後の第２成形条件パラメータが設定された前記成形機によって製造される成形品の状態又は該成形機の状態を示す物理量データを取得し、
    　変更前の第２成形条件パラメータと、該第２成形条件パラメータを設定したときに得られた物理量データと、変更後の第２成形条件パラメータ又は第２成形条件パラメータの変更量と、変更後の第２成形条件パラメータを設定したときに得られた物理量データ又は該物理量データに基づく評価値とを対応付けて記憶し、
    　第１及び第２成形条件パラメータの変更並びに物理量データの取得を繰り返すことによって機械学習用のデータセットを作成する
    　データセット作成方法。
  2. 　前記成形機は、成形材料を計量し、可塑化して射出する加熱シリンダ及びスクリュを有する射出成形機であり、
    　前記第１成形条件パラメータは、成形材料の計量値又は背圧を含む
    　請求項１に記載のデータセット作成方法。
  3. 　前記成形機は、成形材料を計量し、可塑化して射出する加熱シリンダ及びスクリュを有する射出成形機であり、
    　前記第２成形条件パラメータは、保圧切替位置、射出速度又は保圧圧力を含む
    　請求項１又は請求項２に記載のデータセット作成方法。
  4. 　前記成形機は射出成形機であり、
    　前記物理量データは、成形品に生ずるバリ又はショートの面積又は体積を含む
    　請求項１から請求項３のいずれか１項に記載のデータセット作成方法。
  5. 　記憶する物理量データは、成形品の部位を示す情報と、該部位に生ずるバリ又はショートの面積又は体積とを含む
    　請求項４に記載のデータセット作成方法。
  6. 　第２成形条件パラメータを変更する処理は、
    　成形品の品質を改善させる第２成形条件パラメータの変更処理と、成形品の品質を悪化させる第２成形条件パラメータの変更処理とを含む
    　請求項１から請求項５のいずれか１項に記載のデータセット作成方法。
  7. 　第２成形条件パラメータを変更する処理は、
    　前記第２成形条件パラメータをランダムに変更する処理、所定の確率分布に従って変更する処理、又は前回以前に得られた物理量データに基づいて変更する処理を含む
    　請求項１から請求項６のいずれか１項に記載のデータセット作成方法。
  8. 　複数の第１成形条件パラメータの変更可能な探索範囲を初期設定し、
    　第１成形条件パラメータを変更する処理は、
    　一の第１成形条件パラメータを変更した場合、少なくとも前記一の第１成形条件パラメータの値と、他の第１成形条件パラメータの探索範囲の上限値又は下限値との対応関係を示すテーブルに基づいて、前記他の第１成形条件パラメータの初期設定された探索範囲を変更する
    　請求項１から請求項７のいずれか１項に記載のデータセット作成方法。
  9. 　複数の第２成形条件パラメータの変更可能な探索範囲を初期設定し、
    　第２成形条件パラメータを変更する処理は、
    　一の第２成形条件パラメータを変更した場合、少なくとも前記一の第２成形条件パラメータの値と、他の第２成形条件パラメータの探索範囲の上限値又は下限値との対応関係を示すテーブルに基づいて、前記他の第２成形条件パラメータの初期設定された探索範囲を変更する
    　請求項１から請求項８のいずれか１項に記載のデータセット作成方法。
  10. 　複数の第１成形条件パラメータ及び第２成形条件パラメータの変更可能な探索範囲を初期設定し、
    　第１成形条件パラメータを変更する処理は、
    　一の第１成形条件パラメータを変更した場合、少なくとも前記一の第１成形条件パラメータの値と、他の第１成形条件パラメータの探索範囲の上限値又は下限値との対応関係を示すテーブルに基づいて、前記他の第１成形条件パラメータの初期設定された探索範囲を変更し、
    　第２成形条件パラメータを変更する処理は、
    　一の第１成形条件パラメータ及び一の第２成形条件パラメータを変更した場合、少なくとも前記一の第１成形条件パラメータ及び前記一の第２成形条件パラメータの値と、前記一の第１成形条件パラメータ及び前記一の第２成形条件パラメータ以外の第２成形条件パラメータの探索範囲の上限値又は下限値との対応関係を示すテーブルに基づいて、前記他の第２成形条件パラメータの初期設定された探索範囲を変更する
    　請求項１から請求項７のいずれか１項に記載のデータセット作成方法。
  11. 　成形機の成形条件パラメータを調整するための学習モデルの生成方法であって、
    　請求項１から請求項１０のいずれか１項に記載のデータセット作成方法に基づいて、データセットを作成し、
    　作成したデータセットに基づく機械学習により、少なくとも変更前の第２成形条件パラメータと、該第２成形条件パラメータを設定したときに得られた物理量データとが入力された場合、物理量データに基づく評価値が高くなる変更後の第２成形条件パラメータ又は第２成形条件パラメータの変更量を出力する学習モデルを生成する
    　学習モデル生成方法。
  12. 　成形機に設定された第１成形条件パラメータ及び第２成形条件パラメータのうち、第１成形条件パラメータを成形品の品質を悪化させるように変更し、
    　成形品の品質を悪化させる第１成形条件パラメータ及び第２成形条件パラメータが設定された前記成形機によって製造される成形品の状態又は該成形機の状態を示す物理量データを取得し、
    　前記成形機に設定されている第２成形条件パラメータを変更し、
    　第１成形条件パラメータ及び変更後の第２成形条件パラメータが設定された前記成形機によって製造される成形品の状態又は該成形機の状態を示す物理量データを取得し、
    　変更前の第２成形条件パラメータと、該第２成形条件パラメータを設定したときに得られた物理量データと、変更後の第２成形条件パラメータ又は第２成形条件パラメータの変更量と、変更後の第２成形条件パラメータを設定したときに得られた物理量データ又は該物理量データに基づく評価値とを対応付けて記憶する
    　処理をコンピュータに繰り返し実行させて機械学習用のデータセットを作成させるためのコンピュータプログラム。
  13. 　成形機に設定された成形条件パラメータを調整する学習モデルの機械学習用のデータセットを作成する処理を実行するプロセッサを備え、
    　前記プロセッサは、
    　成形機に設定された第１成形条件パラメータ及び第２成形条件パラメータのうち、第１成形条件パラメータを成形品の品質を悪化させるように変更し、
    　成形品の品質を悪化させる第１成形条件パラメータ及び第２成形条件パラメータが設定された前記成形機によって製造される成形品の状態又は該成形機の状態を示す物理量データを取得し、
    　前記成形機に設定されている第２成形条件パラメータを変更し、
    　第１成形条件パラメータ及び変更後の第２成形条件パラメータが設定された前記成形機によって製造される成形品の状態又は該成形機の状態を示す物理量データを取得し、
    　変更前の第２成形条件パラメータと、該第２成形条件パラメータを設定したときに得られた物理量データと、変更後の第２成形条件パラメータ又は第２成形条件パラメータの変更量と、変更後の第２成形条件パラメータを設定したときに得られた物理量データ又は該物理量データに基づく評価値とを対応付けて記憶部に記憶する
    　処理を実行し、第１及び第２成形条件パラメータの変更並びに物理量データの取得を繰り返すことによって機械学習用のデータセットを作成する
    　データセット作成装置。
     
PCT/JP2022/022281 2021-07-27 2022-06-01 データセット作成方法、学習モデル生成方法、コンピュータプログラム及びデータセット作成装置 WO2023007945A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202280052315.3A CN117794717A (zh) 2021-07-27 2022-06-01 数据集创建方法、学习模型生成方法、计算机程序及数据集创建装置
EP22849024.9A EP4378658A1 (en) 2021-07-27 2022-06-01 Data set creation method, trained model generation method, computer program, and data set creation device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-122631 2021-07-27
JP2021122631A JP2023018475A (ja) 2021-07-27 2021-07-27 データセット作成方法、学習モデル生成方法、コンピュータプログラム及びデータセット作成装置

Publications (1)

Publication Number Publication Date
WO2023007945A1 true WO2023007945A1 (ja) 2023-02-02

Family

ID=85086516

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/022281 WO2023007945A1 (ja) 2021-07-27 2022-06-01 データセット作成方法、学習モデル生成方法、コンピュータプログラム及びデータセット作成装置

Country Status (5)

Country Link
EP (1) EP4378658A1 (ja)
JP (1) JP2023018475A (ja)
CN (1) CN117794717A (ja)
TW (1) TW202308830A (ja)
WO (1) WO2023007945A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013182564A (ja) * 2012-03-05 2013-09-12 Renesas Electronics Corp シミュレーション装置、シミュレーション方法及びプログラム
JP2017030152A (ja) * 2015-07-28 2017-02-09 ファナック株式会社 最適な操作条件を算出できる射出成形システム及び機械学習器
JP2019166702A (ja) 2018-03-23 2019-10-03 株式会社日本製鋼所 機械学習器により成形条件を調整する射出成形機システム
JP2021012475A (ja) * 2019-07-04 2021-02-04 トヨタ紡織株式会社 情報処理装置、情報処理方法及びプログラム
WO2021065779A1 (ja) * 2019-10-04 2021-04-08 株式会社日本製鋼所 操作量決定装置、成形装置システム、成形機、コンピュータプログラム、操作量決定方法及び状態表示装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013182564A (ja) * 2012-03-05 2013-09-12 Renesas Electronics Corp シミュレーション装置、シミュレーション方法及びプログラム
JP2017030152A (ja) * 2015-07-28 2017-02-09 ファナック株式会社 最適な操作条件を算出できる射出成形システム及び機械学習器
JP2019166702A (ja) 2018-03-23 2019-10-03 株式会社日本製鋼所 機械学習器により成形条件を調整する射出成形機システム
JP2021012475A (ja) * 2019-07-04 2021-02-04 トヨタ紡織株式会社 情報処理装置、情報処理方法及びプログラム
WO2021065779A1 (ja) * 2019-10-04 2021-04-08 株式会社日本製鋼所 操作量決定装置、成形装置システム、成形機、コンピュータプログラム、操作量決定方法及び状態表示装置

Also Published As

Publication number Publication date
JP2023018475A (ja) 2023-02-08
CN117794717A (zh) 2024-03-29
TW202308830A (zh) 2023-03-01
EP4378658A1 (en) 2024-06-05

Similar Documents

Publication Publication Date Title
JP6346128B2 (ja) 最適な操作条件を算出できる射出成形システム及び機械学習器
JP6529183B2 (ja) 射出成形機の成形最適化方法
US20170326771A1 (en) Abrasion amount estimation device and abrasion amount estimation method for check valve of injection molding machine
JP2017132260A (ja) 射出成形における最適な操作条件を算出できるシステム
JP2017081071A (ja) 射出成形機の成形支援方法
US20200285998A1 (en) Machine learning device and machine learning method
US20220339837A1 (en) Operation Quantity Determination Device, Molding Apparatus System, Molding Machine, Non-Transitory Computer Readable Recording Medium, Operation Quantity Determination Method, and State Display Device
WO2023007945A1 (ja) データセット作成方法、学習モデル生成方法、コンピュータプログラム及びデータセット作成装置
JP4536200B2 (ja) 成形試験システムおよび成形試験方法
WO2022054463A1 (ja) 機械学習方法、コンピュータプログラム、機械学習装置及び成形機
WO2021079751A1 (ja) 学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機及び成形装置システム
US20210213662A1 (en) Method for controlling a machine for processing plastics
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
WO2022196755A1 (ja) 強化学習方法、コンピュータプログラム、強化学習装置及び成形機
WO2023037676A1 (ja) 射出成形機、制御方法及びコンピュータプログラム
JP2023017386A (ja) 成形条件調整方法、コンピュータプログラム、成形条件調整装置及び射出成形機
WO2024106002A1 (ja) 成形条件修正装置、成形機、成形条件修正方法及びコンピュータプログラム
WO2023042494A1 (ja) 寿命推定方法、寿命推定装置及びコンピュータプログラム
CN117921966A (zh) 信息处理装置、注射成型机及程序
JP2024018556A (ja) 成形条件調整装置、成形機、成形条件調整方法及びコンピュータプログラム
WO2024111172A1 (ja) 成形品品質ばらつき推定装置、成形品品質ばらつき推定方法、及び射出成形システム
JP2023120015A (ja) 成形条件調整方法、コンピュータプログラム、成形条件調整装置及び射出成形機
JP2023113435A (ja) 寿命予測方法、寿命予測装置及びコンピュータプログラム

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: 22849024

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202280052315.3

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2022849024

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022849024

Country of ref document: EP

Effective date: 20240227