WO2023032375A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2023032375A1
WO2023032375A1 PCT/JP2022/022335 JP2022022335W WO2023032375A1 WO 2023032375 A1 WO2023032375 A1 WO 2023032375A1 JP 2022022335 W JP2022022335 W JP 2022022335W WO 2023032375 A1 WO2023032375 A1 WO 2023032375A1
Authority
WO
WIPO (PCT)
Prior art keywords
molding
molding condition
changed
parameters
condition parameters
Prior art date
Application number
PCT/JP2022/022335
Other languages
English (en)
French (fr)
Inventor
誉志 赤木
明彦 佐伯
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 CN202280058554.XA priority Critical patent/CN117881518A/zh
Publication of WO2023032375A1 publication Critical patent/WO2023032375A1/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

Definitions

  • the present disclosure relates to a molding condition parameter adjustment method, a computer program, a molding condition parameter adjustment device, and a molding machine.
  • Patent Document 1 There is an injection molding machine system that can appropriately adjust the molding condition parameters of the injection molding machine by reinforcement learning (for example, Patent Document 1).
  • An object of the present disclosure is to provide a molding condition parameter adjustment method and a computer program that can adjust a plurality of molding condition parameters of a molding machine in a molding process cycle in an appropriate order and timing, taking into consideration the interrelationships of a plurality of molding process parameters. , to provide a molding condition parameter adjusting device and a molding machine.
  • the timing information is referred to determine the change timing of the plurality of parameters, and the parameters are changed sequentially.
  • the computer program according to this aspect is a computer program that refers to the timing information when changing the change values of the plurality of molding condition parameters in the molding process cycle, determines the change timing of the plurality of parameters, and sequentially changes the processing to run.
  • the molding condition parameter adjustment device refers to the timing information to determine the change timing of the plurality of parameters and sequentially changes them when changing the change values of the plurality of molding condition parameters in the molding process cycle.
  • the molding machine according to this aspect is equipped with a molding condition parameter adjusting device.
  • 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 molding condition parameter adjusting device according to Embodiment 1;
  • FIG. 4 is a conceptual diagram showing the structure of a table according to Embodiment 1;
  • FIG. 4 is a conceptual diagram showing the structure of a table according to Embodiment 1;
  • FIG. 1 is a functional block diagram of an injection molding machine according to Embodiment 1.
  • FIG. 4 is a flowchart showing a processing procedure of a processor according to Embodiment 1;
  • FIG. 4 is an explanatory diagram showing the effects of the molding condition parameter adjusting method according to the first embodiment;
  • FIG. 4 is an explanatory diagram showing the effects of the molding condition parameter adjusting method according to the first 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 unit 21, a mold clamping device 22 arranged in front of the injection unit 21, and a molding condition parameter adjusting device 1. 2 and a measuring unit 3 .
  • the measurement unit 3 may be configured separately from the injection molding machine 2, or may be configured to be incorporated in the injection unit 21 or the like.
  • the injection unit 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 unit 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 unit 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 toggle mechanism 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 unit 21, and the toggle mechanism. and a motor for driving.
  • the mold clamping device 22 has an ejector plate and an ejector pin for ejecting the molded product.
  • the control device 23 is a device or circuit that controls the operations of the injection unit 21 and the mold clamping device 22.
  • a control device 23 according to the first embodiment includes the molding condition parameter adjusting device 1 .
  • the molding condition parameter adjustment device 1 is a device that adjusts a plurality of molding condition parameters set in the injection molding machine 2. For example, the molding condition parameter adjustment device 1 according to the first embodiment reduces the degree of defect of the molded product. It has a function to adjust the molding condition parameters so that
  • 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 molding condition parameter adjustment device 1 .
  • Physical quantities include temperature, position, velocity, acceleration, current, voltage, pressure, time, image data, torque, force, strain, and power consumption.
  • the information measured by the measurement unit 3 includes, for example, molded product information, molding machine information, peripheral equipment information, atmosphere information, and the like.
  • the peripheral device is a device that constitutes a system that interlocks with the injection molding machine 2, and includes the mold clamping device 22 or a mold.
  • Peripheral devices include, for example, a molded product take-out device (robot), an insert product insertion device, an insert insertion device, a foil feeding device for in-mold molding, a hoop feeding device for hoop molding, a gas injection device for gas assist molding, and the like.
  • the peripheral equipment includes, for example, a gas injection device and a long fiber injection device for foam molding using a supercritical fluid, a LIM molding material mixing device, a deburring device for molded products, a runner cutting device, and the like.
  • Peripheral devices include, for example, a weighing scale for molded products, a strength tester for molded products, an optical inspection device for molded products, a photographing device for molded products, an image processing device, a robot for transporting molded products, and the like.
  • the molded product information includes, for example, a camera image obtained by imaging the molded product, the amount of deformation of the molded product obtained by a laser displacement sensor, and optical information such as chromaticity and brightness of the molded product obtained by an optical measuring instrument. It includes information such as the measured value, the weight of the molded product measured with a scale, and the strength of the molded product measured with a strength measuring instrument.
  • the molded product information expresses whether the molded product is normal, the defect type, and the extent of the defect, and is also used for calculation of remuneration.
  • Molding machine information is measured using thermometers, pressure gauges, speed measuring instruments, accelerometers, position sensors, timers, weight scales, etc., and includes the resin temperature in the mold, nozzle temperature, cylinder temperature, and hopper temperature. including information such as The molding machine information includes information such as mold clamping force, injection speed, injection acceleration, injection peak pressure, injection stroke, cylinder tip resin pressure, non-return ring seating state, holding pressure switching pressure, and the like. Molding machine information includes holding pressure switching speed, holding pressure switching position, holding pressure completion position, cushion position, metering back pressure, metering torque, metering completion position, screw retraction speed, cycle time, mold closing time, injection time, holding pressure Contains information such as time, metering time, mold opening time, etc.
  • Peripheral equipment information includes information such as mold temperature set to a fixed value, mold temperature set to a variable value, pellet supply amount, etc., obtained by measuring using a thermometer, weighing scale, etc.
  • Atmospheric information includes information such as atmospheric temperature, atmospheric humidity, and information on convection (Reynolds number, etc.) obtained using thermometers, hygrometers, flowmeters, etc.
  • the measurement unit 3 may also measure the mold opening amount, back flow amount, tie bar deformation amount, and heater heating rate.
  • FIG. 2 is a block diagram showing a configuration example of the molding condition parameter adjusting device 1 according to the first embodiment.
  • the molding condition parameter adjustment device 1 is a computer, and includes a processor 11, a storage unit (storage) 12, an operation unit 13, and the like as a hardware configuration.
  • the molding condition parameter adjustment device 1 may be a server device connected to a network (not shown). Further, the molding condition parameter adjustment device 1 may be configured by a plurality of computers for distributed processing, may be realized by a plurality of virtual machines provided in one server, or may be realized by a cloud server. It may be realized using
  • 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.
  • the processor 11 functions as an acquisition unit 14, a control unit 15, and a reinforcement learner 16 by executing a computer program (program product) 12a stored in the storage unit 12, which will be described later.
  • Each functional unit of the molding condition parameter adjusting 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 the reinforcement learning process of the reinforcement learner 16 and the adjustment process of molding condition parameters.
  • the storage unit 12 stores a table 12b that stores information indicating the optimal change timing of a plurality of parameters in the molding process cycle when the change values of the plurality of molding condition parameters are determined.
  • FIG. 3A and 3B are conceptual diagrams showing the configuration of the table 12b according to the first embodiment.
  • FIG. 3A conceptually shows a table 12b showing the relationship between timings of changing a plurality of molding condition parameters in a molding process cycle.
  • the table 12b associates the first molding condition parameter, the second molding condition parameter, and the data indicating the timing relationship of changing the first and second molding condition parameters. stored as The sequential relationship of the timing of changing the molding condition parameters is determined for each molding process cycle. That is, the table 12b stores data indicating that when the first molding condition parameter is changed in the nth cycle of the molding process cycle, the second molding condition parameter is changed in the (n+ ⁇ n)th cycle. n and ⁇ n are integers.
  • FIG. 3B is a specific example of the table 12b shown in FIG. 3A, and conceptually shows the table 12b showing the relationship between change timings such as the measurement completion position of the molding material and the injection speed switching position in the molding process cycle. It is.
  • the table 12b stores the measurement completion position of the molding material, the switching position of the injection speed, and the change timing data in association with each other.
  • the change timing data indicates that the metering completion position is changed first, and the injection speed is changed in the molding process cycle that follows the molding process cycle in which the metering completion position is changed.
  • the table 12b stores the heating temperature of the heating cylinder 21a, the switching position of the injection speed, and the change timing data in association with each other.
  • the change timing data indicates that the heating temperature of the heating cylinder 21a is changed first, and the injection speed is changed in the molding process cycle that is a predetermined number of times later than the molding process cycle in which the heating temperature is changed.
  • 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 a reading device (not shown).
  • 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 (not shown) connected to a communication network (not shown) and stored in the storage unit 12.
  • 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 .
  • control unit 15 and the reinforcement learner 16 adjust the molding condition parameters based on the physical quantity data output from the measurement unit 3 in the molding process cycle, and the injection unit 21 and the mold clamping device 22 are controlled by the adjusted molding condition parameters. controls the behavior of
  • the outline of the molding process cycle is as follows, and the molding condition parameter adjusting device 1 adjusts 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. 4 is a functional block diagram of the injection molding machine 2 according to Embodiment 1.
  • the control unit 15, as shown in FIG. 4 has an observation unit 15a and a reward calculation unit 15b.
  • the physical quantity data acquired from the measurement unit 3 via the acquisition unit 14 is input to the observation unit 15a.
  • the observation unit 15a observes the state of the injection molding machine 2 and the molded product by analyzing the physical quantity data, and outputs the observation data obtained by observation to the agent 16a of the reinforcement learning device 16. Since the physical quantity data has a large amount of information, the observation unit 15a preferably generates observation data by compressing the information of the physical quantity data as necessary.
  • the observation data is information indicating the state of the injection molding machine 2, the state of the molded product, and the like.
  • the observation data may also include molding condition parameters set in the control device 23 .
  • the observation unit 15a detects the feature quantity indicating the external features of the molded product, the dimensions, area, and volume of the molded product, and the optical axis deviation of the optical component (molded product). Observation data that indicates the amount, etc., is calculated. Also, the observation unit 15a preferably performs preprocessing on time-series waveform data such as injection speed, injection pressure, and holding pressure, and extracts feature amounts of the time-series waveform data as observation data. Time-series data of time-series waveforms and image data representing time-series waveforms may be used as observation data.
  • the observation unit 15a calculates the degree of defect of the molded product by analyzing the physical quantity data, and outputs the calculated degree of defect to the remuneration calculation unit 15b.
  • the degree of defect depends on, for example, the area of burrs, the area of shorts, the amount of deformation such as sink marks, warping, and twisting, the length of weld lines, the size of silver streaks, the degree of jetting, the size of flow marks, and color unevenness. It is the amount of color change and the like.
  • the degree of defect may be the amount of change in observation data obtained from the molding machine from the observation data that serves as a reference for non-defective products.
  • the remuneration calculation unit 15b calculates remuneration data that serves as a standard for determining whether the molding condition parameters are good or bad based on the degree of defect output from the observation unit 15a, and sends the calculated remuneration data to the agent 16a of the reinforcement learning device 16. Output.
  • the reinforcement learner 16 as shown in FIG. 4, includes an agent 16a, a change timing determination unit 16b, and a parameter change unit 16c.
  • the agent 16a is, for example, a reinforcement learning model with a deep neural network such as DQN, A3C, or D4PG, or a model-based reinforcement learning model such as PlaNet or SLAC.
  • a reinforcement learning model with a deep neural network such as DQN, A3C, or D4PG
  • a model-based reinforcement learning model such as PlaNet or SLAC.
  • the agent 16a is equipped with a DQN (Deep Q-Network), and based on the state s of the injection molding machine 2 indicated by the observation data, determines the action a according to the state s. do.
  • DQN is a neural network model that outputs the value of each of a plurality of actions a when a state s indicating observation data is input.
  • a plurality of actions a correspond to changed values of molding condition parameters.
  • the changed value may be the value of the molding condition parameter after the change, or may be the amount of change of the molding condition parameter.
  • action a is assumed to be a molding condition parameter value.
  • the modified value is assumed to be the value of the molding condition parameter.
  • a high-value action a represents an appropriate molding condition parameter to be set in the injection molding machine 2 .
  • Action a causes the injection molding machine 2 to transition to another state.
  • the agent 16a receives the reward calculated by the reward calculator 15b, and learns the agent 16a so as to maximize the profit, that is, the accumulated reward.
  • DQN has an input layer, an intermediate layer and an output layer.
  • the input layer comprises a plurality of nodes into which states s, ie observation data, are input.
  • the output layer includes a plurality of nodes that respectively correspond to a plurality of actions a and output the value Q(s, a) of the action a in the input state s.
  • the value Q represented by the following formula (1) is used as teacher data, and various weighting factors that characterize the DQN are adjusted.
  • DQN can be subjected to reinforcement learning.
  • the agent 16a has a state representation map, and uses the state representation map as a guideline for action determination to determine the molding condition parameter (behavior a). Using the state representation map, the agent 16a determines a molding condition parameter (behavior a) based on the state s of the injection molding machine 2 indicated by the observation data.
  • the state representation map shows a reward r for taking the molding condition parameter (behavior a) in the state s and the next state
  • This is a model that outputs the state transition probability (certainty factor) Pt to s'.
  • the reward r can be said to be information indicating whether or not the molded product obtained when a certain molding condition parameter (behavior a) is set in the state s is normal.
  • Action a is a molding condition parameter that should be set in the injection molding machine 2 in this state.
  • Action a causes the injection molding machine 2 to transition to another state.
  • the agent 16a receives the reward calculated by the reward calculator 15b and updates the state representation map.
  • the change timing determination unit 16b refers to the table 12b and determines the change timing of the parameters determined to be changed.
  • the parameter changing unit 16c sequentially changes the plurality of molding condition parameters determined to be changed according to the change timing determined by the change timing determining unit 16b.
  • the timing for actually changing the setting of the molding condition parameters is preferably after the completion of measuring the molding material and before the start of the next cycle.
  • the parameter changing section 16c outputs control signals based on the changed molding condition parameters to the injection unit 21 and the mold clamping device 22.
  • FIG. The injection unit 21 and the mold clamping device 22 operate according to control signals based on the changed molding condition parameters.
  • FIG. 5 is a flow chart showing the processing procedure of the processor 11 according to the first embodiment. It is assumed that initial values of molding condition parameters are set in the injection molding machine 2 and the molding process cycle is repeated. The initial values of the molding condition parameters are adjusted according to the conditions of the injection molding machine 2 and the molded product.
  • the measurement unit 3 measures physical quantities related to the injection molding machine 2 and the molded product.
  • the physical quantity data thus obtained are acquired (step S111).
  • the processor 11 or agent 16a determines the changed value of the molding condition parameter based on the acquired physical quantity data (step S112).
  • the observation unit 15 a of the control unit 15 generates observation data based on the acquired physical quantity data, and outputs the generated observation data to the agent 16 a of the reinforcement learner 16 .
  • the agent 16a of the reinforcement learning device 16 acquires the observation data output from the observation unit 15a, and calculates the changed value (action a) of the molding condition parameter of the injection molding machine 2 based on the observation data.
  • the agent 16a outputs the calculated molding condition parameter (behavior a) to the change timing determining section 16b.
  • the agent 16a selects the optimal action a in the operation phase (inference phase), and determines the exploratory action a in the learning phase for reinforcement learning of the agent 16a.
  • the agent 16a sets an objective function such that the higher the action value or the unexplored action a, the smaller the value, and the larger the amount of change from the current forming conditions is greater than a predetermined range, the larger the value. may be used to select an action a with a small objective function value.
  • the processor 11 or the change timing determination unit 16b that has completed the processing of step S112 refers to the table 12b and determines the change timing, that is, the change order, of the plurality of molding condition parameters (step S113). ).
  • the processor 11 or the parameter changing unit 16c sequentially changes the plurality of molding condition parameters to be changed according to the determined change timing (step S114).
  • the processor 11 or the parameter changing unit 16c outputs a control signal based on the molding condition parameter to the injection unit 21 and the mold clamping device 22 to control the operation of the injection molding machine 2 (step S115).
  • the injection unit 21 and the mold clamping device 22 of the injection molding machine 2 perform injection molding processing according to the control signal based on the molding condition parameters output from the parameter changing section 16c.
  • the processor 11 executes reinforcement learning processing for the agent 16a in the learning phase (step S116).
  • reinforcement learning processing for the agent 16a in the learning phase.
  • the reward is calculated and the agent 16a is strengthened. It is good to let them learn.
  • the reward may be calculated and reinforcement learning may be performed after a predetermined number of times. The predetermined number of times may be a different value depending on the plurality of molding condition parameters to be changed.
  • step S116 after changing the molding condition parameters, the measurement unit 3 measures the physical quantity related to the injection molding machine 2 and the molded product, and outputs the physical quantity data obtained by the measurement.
  • the acquisition unit 14 acquires physical quantity data, and the acquired physical quantity data is input to the observation unit 15a.
  • the observation unit 15a of the control unit 15 acquires the physical quantity data output from the measurement unit 3 via the acquisition unit 14, generates observation data based on the acquired physical quantity data, and sends the generated observation data to the reinforcement learning device 16. Output to agent 16a.
  • the reward calculation unit 15 b also calculates reward data determined according to the degree of defect of the molded product based on the physical quantity data measured by the measurement unit 3 and outputs the calculated reward data to the reinforcement learner 16 .
  • the agent 16a updates the model based on the observation data output from the observation unit 15a and the reward data output from the reward calculation unit 15b.
  • the agent 16a is a DQN
  • the DQN is learned using the value represented by the above formula (1) as teacher data.
  • FIGS. 6A and 6B are explanatory diagrams showing the effects of the molding condition parameter adjusting method according to the first embodiment.
  • the effect of the molding condition parameter adjustment method according to the first embodiment will be described by taking as an example the case where the measurement completion position of the molding material and the injection speed switching position are changed as a plurality of molding condition parameters.
  • FIG. 6A shows a state in which the molding condition parameters are changed without considering the change timing
  • FIG. 6B shows a state in which the molding condition parameters are changed in consideration of the change timing.
  • the molding process cycle includes, as main processes, an eject retraction process (“EJ retraction” in FIGS.
  • a mold closing process consists of steps (“EJ advance” in FIGS. 6A and 6B), and each step proceeds in sequence.
  • the first embodiment prepares a table 12b having information indicating the interrelationship of change timings of a plurality of molding condition parameters.
  • the molding condition parameter adjusting device 1 refers to the table 12b to determine the change timing of each molding condition parameter.
  • the molding condition parameter adjusting device 1 sequentially changes according to the determined change timing.
  • the injection molding machine 2 According to the injection molding machine 2 according to the first embodiment, it is possible to adjust the plurality of molding condition parameters of the injection molding machine 2 in the molding process cycle in an appropriate order and timing, considering the interrelationship between the plurality of molding process parameters. can.
  • the molding condition parameter adjustment device 1 can change the metering completion position and the injection speed switching position in an appropriate timing and order.
  • the molding condition parameter adjusting device 1 can change the heating temperature of the heating cylinder 21a and the injection speed switching position in an appropriate timing and order.
  • the molding condition parameter change in the operation phase or the learning phase of reinforcement learning has been described as an example, but the present invention can also be applied when changing the molding condition parameter in other machine learning to be described later. can.
  • the present invention can also be applied when changing molding condition parameters when creating a learning data set for machine learning.
  • the present invention can also be applied when it is necessary to change a plurality of molding condition parameters for any purpose that does not use machine learning.
  • the molding condition parameter adjustment device 1 may include a learner learned by supervised learning.
  • the learning device is a model that, when observation data is input, outputs changed values of molding condition parameters that improve the state of the molded product.
  • the learner may be a model having a CNN (Convolution Neural Network) such as ResNet, DenseNet, etc. that recognizes observation data, or if the observation data is time-series data, it recognizes the observation data that is time-series information. It may be a model having a recurrent neural network (RNN: Recurrent Neural Network), LSTM, Vision Transformer, or the like.
  • RNN Recurrent Neural Network
  • the learning device is configured using a learning model such as 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. good too.
  • a learning model such as 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. good too.
  • the injection molding machine 2 for resin molding has been described as an example of a molding machine, but the present invention can be applied to blow molding machines, film molding machines, extruders, twin-screw extruders, spinning extruders, granulators, and the like. You may 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.
  • molding condition parameter adjustment device 2 injection molding machine 3 measurement unit 4 recording medium 11 processor 12 storage unit 12a computer program 12b table 13 operation unit 14 acquisition unit 15 control unit 15a observation unit 15b reward calculation unit 16 reinforcement learning device 16a agent 16b adjustment Part 21 Injection unit 21a Heating cylinder 21b Screw 21c Hopper 21d Heater 22 Mold clamping device 23 Control device

Landscapes

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

Abstract

成形機の成形条件パラメータ調整方法であって、成形工程サイクルにおいて、成形機に設定された複数の成形条件パラメータの変更値を決定し、複数の成形条件パラメータの変更値が決定された場合、成形工程サイクルにおける複数のパラメータの変更タイミングの前後関係を示すタイミング情報を参照して、変更対象として決定した複数のパラメータの変更タイミングを決定し、決定した変更タイミングに従って、変更対象として決定した複数のパラメータを順次変更する。

Description

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
　本開示は、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に関する。
　強化学習により、射出成形機の成形条件パラメータを適切に調整することができ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、成形工程サイクルにおいて調整される複数の成形条件パラメータの相互関係については考慮されていない。
　通常、強化学習器が成形条件パラメータを調整する場合、通常、同時に複数の成形条件パラメータが変更されるが、同時に変更すると問題になる成形条件パラメータがある。例えば、射出成形機における計量完了位置（計量完了時点のスクリュ位置）と、射出速度の切替位置（射出工程の途中で射出速度を切り替えるスクリュ位置）とは相互関係を有しており、計量完了位置及び射出速度の成形条件パラメータを同時に変更すると問題になる。ある成形工程サイクルにおける成形材料の計量完後、計量完了位置及び射出速度の成形条件パラメータが同時に変更された場合、計量を完了している現時点の実際のスクリュ位置は変わらないにもかかわらず、次回の成形工程サイクルで計量を完了したときの計量完了位置に適した切替位置の設定が反映される。
　このため、次の成形工程サイクルにおける射出時には、実際のスクリュ位置が変わっていない状態にもかかわらず、射出速度の切替位置の設定が変更された成形条件で射出してしまい、予期せぬ不良が発生するおそれがある。最悪の場合、金型を破損させてしまうおそれもある。
　本開示の目的は、複数の成形工程パラメータの相互関係を考慮し、成形工程サイクルにおける成形機の複数の成形条件パラメータを適切な順序及びタイミングで調整することができる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を提供することにある。
　本態様に係る成形条件パラメータ調整方法は、成形工程サイクルにおいて、複数の成形条件パラメータの変更値を変更する際、タイミング情報を参照して、複数のパラメータの変更タイミングを決定し、順次変更する。
　本態様に係るコンピュータプログラムは、コンピュータに、成形工程サイクルにおいて、複数の成形条件パラメータの変更値を変更する際、タイミング情報を参照して、複数のパラメータの変更タイミングを決定し、順次変更する処理を実行させる。 
　本態様に係る成形条件パラメータ調整装置は、成形工程サイクルにおいて、複数の成形条件パラメータの変更値を変更する際、タイミング情報を参照して、複数のパラメータの変更タイミングを決定し、順次変更する。
　本態様に係る成形機は、成形条件パラメータ調整装置を備える。
　本開示によれば、成形工程サイクルにおける成形機の複数の成形条件パラメータを適切な順序及びタイミングで調整することができる。
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に係る成形条件パラメータ調整装置の構成例を示すブロック図である。 実施形態１に係るテーブルの構成を示す概念図である。 実施形態１に係るテーブルの構成を示す概念図である。 実施形態１に係る射出成形機の機能ブロック図である。 実施形態１に係るプロセッサの処理手順を示すフローチャートである。 実施形態１に係る成形条件パラメータ調整方法の作用効果を示す説明図である。 実施形態１に係る成形条件パラメータ調整方法の作用効果を示す説明図である。
　本発明の実施形態に係る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、射出ユニット２１と、当該射出ユニット２１の前方に配置される型締装置２２と、成形条件パラメータ調整装置１を有し、射出成形機２の動作を制御する制御装置２３と、測定部３とを備える。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、射出ユニット２１等に組み込まれる構成であってもよい。
　射出ユニット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。射出ユニット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。射出ユニット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、金型を開閉させ、射出ユニット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と、当該トグル機構を駆動するモータとを備える。型締装置２２は、成形品を取り出すためのエジェクタプレート及びエジェクタピンを備える。
　制御装置２３は、射出ユニット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、成形条件パラメータ調整装置１を備える。成形条件パラメータ調整装置１は、射出成形機２に設定される複数の成形条件パラメータを調整する装置であり、例えば本実施形態１に係る成形条件パラメータ調整装置１は、成形品の不良度が低減されるように成形条件パラメータを調整する機能を有する。
　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成形条件パラメータ調整装置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。
　測定部３によって測定される情報は、例えば成形品情報、成形機情報、周辺機器情報、雰囲気情報等を含む。当該周辺機器は、射出成形機２と連動するシステムを構成する機器であり、型締装置２２又は金型を含む。周辺機器は、例えば、成形品取出装置（ロボット）、インサート品挿入装置、入子挿入装置、インモールド成形の箔送り装置、フープ成形用フープ送り装置、ガスアシスト成形用ガス注入装置等である。周辺機器は、例えば、超臨界流体を用いた発泡成形用のガス注入装置や長繊維注入装置、ＬＩＭ成形用材混合装置、成形品のバリ取り装置、ランナ切断装置等である。周辺機器は、例えば、成形品重量計、成形品強度試験機、成形品の光学検査装置、成形品撮影装置及び画像処理装置、成形品運搬用ロボット等である。
　成形品情報は、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、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情報を含む。成形品情報は、成形品が正常であるか否か、不良タイプ、不良の程度を表現しており、報酬の計算にも利用される。
　成形機情報は、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た、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。成形機情報は、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。成形機情報は、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。
　周辺機器情報は、温度計、計量器等を用いて測定して得た、固定値設定された金型温度、変動値設定された金型温度、ペレット供給量等の情報を含む。
　雰囲気情報は、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）等の情報を含む。
　測定部３は、その他、金型開き量、バックフロー量、タイバー変形量、ヒータ加熱率を測定しても良い。
＜成形条件パラメータ調整装置＞
　図２は実施形態１に係る成形条件パラメータ調整装置１の構成例を示すブロック図である。成形条件パラメータ調整装置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、成形条件パラメータ調整装置１は、図示しない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、成形条件パラメータ調整装置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及び強化学習器１６として機能する。なお、成形条件パラメータ調整装置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、強化学習器１６の強化学習処理、成形条件パラメータの調整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。また、記憶部１２は、複数の成形条件パラメータの変更値が決定された場合、成形工程サイクルにおける複数のパラメータの最適な変更タイミングの前後関係を示す情報を格納したテーブル１２ｂを記憶している。
＜テーブル（タイミング情報）＞
　図３Ａ及び図３Ｂは実施形態１に係るテーブル１２ｂの構成を示す概念図である。図３Ａは、成形工程サイクルにおいて、複数の成形条件パラメータの変更タイミングの前後関係を示すテーブル１２ｂを概念的に示したものである。
　図３Ａに示すように、テーブル１２ｂは、第１の成形条件パラメータと、第２の成形条件パラメータと、第１及び第２の成形条件パラメータを変更するタイミングの前後関係を示すデータとを対応付けて格納している。成形条件パラメータを変更するタイミングの前後関係は、成形工程サイクル単位で定められている。つまり、テーブル１２ｂは、成形工程サイクルのｎサイクル目で第１の成形条件パラメータを変更した場合、第２の成形条件パラメータを（ｎ＋Δｎ）サイクル目で変更することを示すデータを記憶している。ｎ及びΔｎは整数である。
　図３Ｂは、図３Ａに示すテーブル１２ｂの具体例であり、成形工程サイクルにおいて、成形材料の計量完了位置、射出速度の切替位置等の変更タイミングの前後関係を示すテーブル１２ｂを概念的に示したものである。
　例えば、テーブル１２ｂは、成形材料の計量完了位置と、射出速度の切替位置と、変更タイミングデータとを対応付けて格納している。当該変更タイミングデータは、計量完了位置を先に変更し、前記計量完了位置を変更した成形工程サイクルよりも１つ後の成形工程サイクルで射出速度を変更することを示している。
　また、テーブル１２ｂは、加熱シリンダ２１ａの加熱温度と、射出速度の切替位置と、変更タイミングデータとを対応付けて格納している。当該変更タイミングデータは加熱シリンダ２１ａの加熱温度を先に変更し、加熱温度を変更した成形工程サイクルよりも所定回数後の成形工程サイクルで射出速度を変更することを示している。
　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、図示しない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、図示しない通信網に接続されている図示しない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及び強化学習器１６は、成形工程サイクルにおいて測定部３から出力された物理量データに基づいて、成形条件パラメータを調整し、調整された成形条件パラメータにて射出ユニット２１及び型締装置２２の動作を制御する。
　成形工程サイクルの概要は以下の通りであり、成形条件パラメータ調整装置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の調整を行う。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。
＜射出成形機の機能ブロック＞
　図４は、実施形態１に係る射出成形機２の機能ブロック図である。制御部１５は、図４に示すように、観測部１５ａ及び報酬算出部１５ｂを有する。観測部１５ａには、測定部３から取得部１４を介して取得された物理量データが入力される。
　観測部１５ａは、物理量データを分析することによって射出成形機２及び成形品の状態を観測し、観測して得た観測データを強化学習器１６のエージェント１６ａへ出力する。物理量データは情報量が大きいため、観測部１５ａは、必要に応じて物理量データの情報を圧縮した観測データを生成すると良い。観測データは、射出成形機２の状態、成形品の状態等を示す情報である。また、観測データは、制御装置２３に設定されている成形条件パラメータを含むとよい。
　例えば、観測部１５ａは、カメラ画像及びレーザ変位センサの計測値に基づいて、成形品の外観的特徴を示す特徴量、成形品の寸法、面積、体積、光学部品（成形品）の光軸ずれ量等を示す観測データを算出する。また、観測部１５ａは、射出速度、射出圧力、保圧等の時系列波形データに対して前処理を実行し、当該時系列波形データの特徴量を観測データとして抽出すると良い。なお、時系列波形の時系列データ、時系列波形を表した画像データを観測データとしても良い。
　また、観測部１５ａは、物理量データを分析することによって成形品の不良度を算出し、算出して得た不良度を報酬算出部１５ｂへ出力する。不良度は、例えば、バリの面積、ショートの面積、ヒケ・反り・ねじれ等の変形量、ウェルドラインの長さ、シルバーストリークの大きさ、ジェッティングの程度、フローマークの大きさ、色ムラによる色の変化量等である。また、不良度は、成形機から得られる観測データの、良品時の基準となる観測データからの変化量としてもよい。
　報酬算出部１５ｂは、観測部１５ａから出力された不良度に基づいて成形条件パラメータの良し悪しの基準になる報酬データを算出し、算出して得た報酬データを強化学習器１６のエージェント１６ａへ出力する。
　強化学習器１６は、図４に示すように、エージェント１６ａと、変更タイミング決定部１６ｂと、パラメータ変更部１６ｃとを備える。
　エージェント１６ａは、例えば、ＤＱＮ、Ａ３Ｃ、Ｄ４ＰＧ等の深層ニューラルネットワークを有する強化学習モデル、ＰｌａＮｅｔ、ＳＬＡＣ等のモデルベースの強化学習モデル等である。
　深層ニューラルネットワークを有する強化学習モデルの場合、エージェント１６ａは、ＤＱＮ（Deep Q-Network）を備え、観測データが示す射出成形機２の状態ｓに基づいて、当該状態ｓに応じた行動ａを決定する。ＤＱＮは、観測データ示す状態ｓが入力された場合、複数の行動ａそれぞれの価値を出力するニューラルネットワークモデルである。複数の行動ａは、成形条件パラメータの変更値に対応する。変更値は、変更後の成形条件パラメータの値であっても良いし、成形条件パラメータの変更量であってもよい。ここでは行動ａは成形条件パラメータ値であるものとする。本実施形態１では、変更値は成形条件パラメータの値であるものとして説明する。価値の高い行動ａは、射出成形機２に設定すべき適切な成形条件パラメータを表している。行動ａにより射出成形機２は他の状態へ遷移する。状態遷移後、エージェント１６ａは、報酬算出部１５ｂで算出された報酬を受け取り、収益、つまり報酬の累積が最大になるようにエージェント１６ａを学習させる。
　より具体的には、ＤＱＮは、入力層、中間層及び出力層を有する。入力層は、状態ｓ、つまり観測データが入力される複数のノードを備える。出力層は、複数の行動ａにそれぞれ対応し、入力された状態ｓにおける当該行動ａの価値Ｑ（ｓ，ａ）を出力する複数のノードを備える。
　状態ｓ、行動ａと、当該行動により得られた報酬ｒに基づいて、下記式（１）で表される価値Ｑを教師データとして、ＤＱＮを特徴付ける各種重み係数を調整することにより、エージェント１６ａのＤＱＮを強化学習させることができる。
Ｑ（ｓ，ａ）←Ｑ（ｓ，ａ）＋α（ｒ＋γｍａｘＱ（ｓｎｅｘｔ，ａｎｅｘｔ）－Ｑ（ｓ，ａ））・・・（１）
但し、
ｓ：状態
ａ：行動
α：学習係数
ｒ：報酬
γ：割引率
ｍａｘＱ（ｓｎｅｘｔ，ａｎｅｘｔ）：次に取り得る行動に対するＱ値のうち最大値
　モデルベースの強化学習モデルの場合、エージェント１６ａは、状態表現マップを備え、状態表現マップを行動決定の指針として用いて成形条件パラメータ（行動ａ）を決定する。エージェント１６ａは、状態表現マップを用いて、観測データが示す射出成形機２の状態ｓに基づいて、当該状態に応じた成形条件パラメータ（行動ａ）を決定する。
　状態表現マップは、例えば、観測データ（状態ｓ）と、成形条件パラメータ（行動ａ）とが入力された場合、当該状態ｓで成形条件パラメータ（行動ａ）をとることに対する報酬ｒと、次状態ｓ´への状態遷移確率（確信度）Ｐｔとを出力するモデルである。報酬ｒは、状態ｓにおいて、ある成形条件パラメータ（行動ａ）を設定したときに得られる成形品が正常である否かを示す情報といえる。行動ａは、当該状態にある場合、射出成形機２に設定すべき成形条件パラメータである。行動ａにより射出成形機２は他の状態へ遷移する。状態遷移後、エージェント１６ａは、報酬算出部１５ｂで算出された報酬を受け取り、状態表現マップを更新する。
　変更タイミング決定部１６ｂは、エージェント１６ａが決定した行動ａにより、複数の成形条件パラメータが変更される場合、テーブル１２ｂを参照し、変更対象として決定された複数のパラメータの変更タイミングを決定する。
　パラメータ変更部１６ｃは、変更タイミング決定部１６ｂによって決定した変更タイミングに従って、変更対象として決定された複数の成形条件パラメータを順次変更する。実際に成形条件パラメータの設定を変更するタイミングは、成形材料の計量完了時点以降、次サイクル開始前が好ましい。そして、パラメータ変更部１６ｃは、変更後の成形条件パラメータに基づく制御信号を射出ユニット２１及び型締装置２２へ出力する。射出ユニット２１及び型締装置２２は、変更された成形条件パラメータに基づく制御信号に従って、動作する。
＜処理手順（成形条件パラメータ調整方法）＞
　図５は、実施形態１に係るプロセッサ１１の処理手順を示すフローチャートである。射出成形機２には成形条件パラメータの初期値が設定され、成形工程サイクルが繰り返されているものとする。成形条件パラメータの初期値は、射出成形機２及び成形品の状態に応じて調整される。
　測定部３は、射出成形機２が成形を実行したときに、当該射出成形機２及び成形品に係る物理量を測定し、プロセッサ１１又は機能部としての取得部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Ｓ１１１）。
　次いで、プロセッサ１１又はエージェント１６ａは、取得した物理量データに基づいて成形条件パラメータの変更値を決定する（ステップＳ１１２）。
　具体的には、制御部１５の観測部１５ａは、取得した物理量データに基づく観測データを生成し、生成した観測データを強化学習器１６のエージェント１６ａへ出力する。
　強化学習器１６のエージェント１６ａは、観測部１５ａから出力された観測データを取得し、観測データに基づいて、射出成形機２の成形条件パラメータの変更値（行動ａ）を算出する。エージェント１６ａは、算出された成形条件パラメータ（行動ａ）を変更タイミング決定部１６ｂへ出力する。エージェント１６ａは、運用フェーズ（推論フェーズ）において、最適な行動ａを選択し、学習フェーズにおいては、エージェント１６ａを強化学習するため、探索的な行動ａを決定するとよい。また、エージェント１６ａは、行動価値が高い程、又は未探索の行動ａである程、値が小さく、現在の成形条件からの変更量が所定範囲より大きい程、値が大きくなるような目的関数を用いて、当該目的関数の値が小さい行動ａを選択するようにしてもよい。
　ステップＳ１１２の処理を終えたプロセッサ１１又は変更タイミング決定部１６ｂは、変更対象が複数である場合、テーブル１２ｂを参照し、当該複数の成形条件パラメータの変更タイミング、つまり変更順序を決定する（ステップＳ１１３）。
　そして、プロセッサ１１又はパラメータ変更部１６ｃは、決定された変更タイミングに従って、変更対象である複数の成形条件パラメータを順次変更する（ステップＳ１１４）。プロセッサ１１又はパラメータ変更部１６ｃは、成形条件パラメータを変更した場合、成形条件パラメータに基づく制御信号を射出ユニット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）。射出成形機２の射出ユニット２１及び型締装置２２はパラメータ変更部１６ｃから出力された成形条件パラメータに基づく制御信号に従って射出成形処理を行う。
　プロセッサ１１は、学習フェーズにおいてはエージェント１６ａの強化学習処理を実行する（ステップＳ１１６）。なお、複数の成形条件パラメータを変更して、エージェント１６ａを強化学習する場合、ステップＳ１１３及びステップＳ１１４の処理で、複数の成形条件パラメータを全ての変更した後に、報酬を算出してエージェント１６ａを強化学習させるとよい。また、ステップＳ１１３及びステップＳ１１４の処理で、複数の成形条件パラメータを全ての変更した後、更に所定回数後に報酬を算出して強化学習を行うように構成してもよい。当該所定回数は、変更する複数の成形条件パラメータによって異なる値であってもよい。
　ステップＳ１１６において、具体的には、測定部３は、成形条件パラメータの変更後、射出成形機２及び成形品に係る物理量を測定し、測定して得た物理量データを出力する。取得部１４は、物理量データを取得し、取得した物理量データは観測部１５ａに入力される。
　制御部１５の観測部１５ａは、測定部３から出力された物理量データを取得部１４を介して取得し、取得した物理量データに基づく観測データを生成し、生成した観測データを強化学習器１６のエージェント１６ａへ出力する。また、報酬算出部１５ｂは、測定部３にて測定された物理量データに基づいて、成形品の不良度に応じて定まる報酬データを算出し、算出した報酬データを強化学習器１６へ出力する。
　エージェント１６ａは、観測部１５ａから出力された観測データと、報酬算出部１５ｂから出力された報酬データとに基づいて、モデルを更新する。エージェント１６ａがＤＱＮの場合、上記式（１）で表される価値を教師データとして、ＤＱＮを学習させる。
＜作用効果＞
　図６Ａ及び図６Ｂは、実施形態１に係る成形条件パラメータ調整方法の作用効果を示す説明図である。複数の成形条件パラメータとして、成形材料の計量完了位置と、射出速度の切替位置とを変更する場合を例にして、本実施形態１に係る成形条件パラメータ調整方法の作用効果を説明する。
　図６Ａは、変更タイミングを考慮せずに成形条件パラメータを変更した状態を示し、図６Ｂは、変更タイミングを考慮して成形条件パラメータを変更した状態を示している。成形工程サイクルは、主なプロセスとしてエジェクト後退工程（図６Ａ及び図６Ｂ中、「ＥＪ後退」）、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（図６Ａ及び図６Ｂ中「ＥＪ前進」）から構成され、各工程が順次進行する。
　「計量完了位置」と「射出速度切替位置」を変更する場合、まず「計量完了位置」が実際に変更されてから、「射出速度切替位置」を実際に変更するようにしなければならない。図６Ａに示すように、ｎサイクルの計量工程が完了したタイミングで「計量完了位置」の変更指示と、「射出速度切替位置」の変更指示とが同時に出されたとする。この場合、ｎサイクルのエジェクタ前進完了時に、「計量完了位置」及び「射出速度切替位置」の設定が同時に変更される。
　しかしながら、「射出速度切替位置」は実際に変更されることになるが、「計量完了位置」に応じた実際のスクリュ２１ｂの位置は変更されていない。ｎサイクルでは、変更前の「計量完了位置」の成形条件パラメータを用いて計量がすでに完了しており、（ｎ＋１）サイクル開始時におけるスクリュ２１ｂの位置は、パラメータ変更前の「計量完了位置」によって制御されたときの位置となっている。「計量完了位置」の設定変更後、当該設定がスクリュ２１ｂの位置として反映されるのは、（ｎ＋１）サイクルにおける計量工程であり、これは（ｎ＋１）サイクルにおける射出工程の後の工程である。
　このため、（ｎ＋１）サイクルの射出工程において、「計量完了位置」がスクリュ２１ｂの位置として実際に反映されていない状態で「射出速度切替位置」だけが実際に変更されてしまうと、予期せぬ不良が発生してしまう。例えば、ショートの程度がひどくて金型から成形品を取り出せないといった不具合が発生し得る。最悪の場合、金型を破損させてしまうおそれもある。
　このような不具合を防止するため、本実施形態１では、複数の成形条件パラメータの変更タイミングの相互関係を示す情報を有するテーブル１２ｂを用意する。成形条件パラメータ調整装置１は、複数の成形条件パラメータを変更する際、テーブル１２ｂを参照して、各成形条件パラメータの変更タイミングを決定する。成形条件パラメータ調整装置１は、決定した変更タイミングに従って順次変更するようにする。
　具体的には、「計量完了位置」と「射出速度切替位置」を変更する場合、図６Ｂに示すように、まず、現在のｎサイクルにおける計量工程終了時に「計量完了位置」の変更指示を出す。このようにすると、「計量完了位置」の設定がｎサイクルのエジェクタ前進完了時に変更され、「計量完了位置」が実際に変更されて成形材料の計量が行われるのは、ｎ＋１サイクルの計量工程となる。一方、「射出速度切替位置」の変更指示は、「計量完了位置」変更時よりも一つ後のｎ＋１サイクルにおける計量工程終了時に出される。このようにすると、「射出速度切替位置」の設定はｎ＋１サイクルのエジェクタ前進完了時に変更され、「射出速度切替位置」が実際に変更されて射出が行われるのはｎ＋２サイクルの射出及び保圧工程となる。
　よって、射出工程において、「計量完了位置」の変更がスクリュ２１ｂ位置に反映されないまま「射出速度切替位置」だけが変更されてしまう事態を避けることができる。
　実施形態１に係る射出成形機２によれば、複数の成形工程パラメータの相互関係を考慮し、成形工程サイクルにおける射出成形機２の複数の成形条件パラメータを適切な順序及びタイミングで調整することができる。
　具体的には、成形条件パラメータ調整装置１は、計量完了位置及び射出速度切替位置を適切なタイミング及び順序で変更することができる。
　また、成形条件パラメータ調整装置１は、加熱シリンダ２１ａの加熱温度及び射出速度切替位置を適切なタイミング及び順序で変更することができる。
　なお、本実施形態１では強化学習の運用フェーズ又は学習フェーズにおける成形条件パラメータ変更を例に説明したが、後述する他の機械学習において成形条件パラメータを変更する際にも本発明を適用することができる。また機械学習用の学習データセットを作成する場合において成形条件パラメータを変更する際にも本発明を適用することができる。機械学習を用いない任意の目的で複数の成形条件パラメータを変更する必要がある場合にも本発明を適用することができる。
　また、複数の成形条件パラメータを強化学習により調整する例を説明したが、成形条件パラメータ調整装置１は、教師あり学習により学習された学習器を備えてもよい。学習器は、観測データが入力された場合、成形品の状態を向上させる成形条件パラメータの変更値を出力するモデルである。学習器は、観測データを認識するＲｅｓＮｅｔ、ＤｅｎｓｅＮｅｔ等のＣＮＮ（Convolution Neural Network）を有するモデルであってもよいし、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、学習器は、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を用いて構成してもよい。
　また、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。
　１　成形条件パラメータ調整装置
　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　テーブル
　１３　操作部
　１４　取得部
　１５　制御部
　１５ａ　観測部
　１５ｂ　報酬算出部
　１６　強化学習器
　１６ａ　エージェント
　１６ｂ　調整部
　２１　射出ユニット
　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
　２３　制御装置
 

Claims (6)

  1. 　成形機の成形条件パラメータ調整方法であって、
    　成形工程サイクルにおいて、前記成形機に設定された複数の成形条件パラメータの変更値を決定し、
    　前記複数の成形条件パラメータの変更値が決定された場合、成形工程サイクルにおける前記複数のパラメータの変更タイミングの前後関係を示すタイミング情報を参照して、変更対象として決定した前記複数のパラメータの変更タイミングを決定し、
    　決定した変更タイミングに従って、変更対象として決定した前記複数のパラメータを順次変更する
    　成形条件パラメータ調整方法。
  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、
    　前記複数に成形条件パラメータは、成形材料の計量完了位置と、射出速度の切替位置とを含み、
    　前記タイミング情報は、前記計量完了位置を先に変更し、前記計量完了位置を変更した成形工程サイクルよりも１つ後の成形工程サイクルで前記射出速度を変更することを示す情報を含む
    　請求項１に記載の成形条件パラメータ調整方法。
  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、
    　前記複数に成形条件パラメータは、前記加熱シリンダの加熱温度と、射出速度の切替位置とを含み、
    　前記タイミング情報は、前記加熱シリンダの前記加熱温度を先に変更し、前記加熱温度を変更した成形工程サイクルよりも所定回数後の成形工程サイクルで前記射出速度を変更することを示す情報を含む
    　請求項１又は請求項２に記載の成形条件パラメータ調整方法。
  4. 　成形機の成形条件パラメータの調整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であって、
    　前記コンピュータに、
    　成形工程サイクルにおいて、前記成形機に設定された複数の成形条件パラメータの変更値を決定し、
    　前記複数の成形条件パラメータの変更値が決定された場合、成形工程サイクルにおける前記複数のパラメータの変更タイミングの前後関係を示すタイミング情報を参照して、変更対象として決定した前記複数のパラメータの変更タイミングを決定し、
    　決定した変更タイミングに従って、変更対象として決定した前記複数のパラメータを順次変更する
    　処理を実行させるためのコンピュータプログラム。
  5. 　成形機に設定された複数の成形条件パラメータの調整を行う成形条件パラメータ調整装置であって、
    　成形工程サイクルにおける複数のパラメータの変更タイミングの前後関係を示すタイミング情報を記憶する記憶部と、
    　プロセッサと
    　を備え、
    　前記プロセッサは、
    　成形工程サイクルにおいて、前記複数の成形条件パラメータの変更値を決定し、
    　前記複数の成形条件パラメータの変更値が決定された場合、前記記憶部が記憶する前記タイミング情報を参照して、変更対象として決定した前記複数のパラメータの変更タイミングを決定し、
    　決定した変更タイミングに従って、変更対象として決定した前記複数のパラメータを順次変更する
    　成形条件パラメータ調整装置。
  6. 　設定された複数の成形条件パラメータに従って動作する成形機であって、
    　請求項５に記載の成形条件パラメータ調整装置を備え、
    　前記成形条件パラメータ調整装置にて前記複数の成形条件パラメータを変更するように構成された
    　成形機。
     
PCT/JP2022/022335 2021-08-31 2022-06-01 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 WO2023032375A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202280058554.XA CN117881518A (zh) 2021-08-31 2022-06-01 成型条件参数调节方法、计算机程序、成型条件参数调节装置以及成型机

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-141522 2021-08-31
JP2021141522A JP2023034971A (ja) 2021-08-31 2021-08-31 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

Publications (1)

Publication Number Publication Date
WO2023032375A1 true WO2023032375A1 (ja) 2023-03-09

Family

ID=85411175

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/022335 WO2023032375A1 (ja) 2021-08-31 2022-06-01 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

Country Status (4)

Country Link
JP (1) JP2023034971A (ja)
CN (1) CN117881518A (ja)
TW (1) TW202311006A (ja)
WO (1) WO2023032375A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63132020A (ja) * 1986-11-22 1988-06-04 Sumitomo Heavy Ind Ltd 射出成形機の連続運転装置
JPH06210694A (ja) * 1992-06-12 1994-08-02 Karl Hehl 射出成形機の制御方法
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
JP2020163825A (ja) * 2019-03-27 2020-10-08 株式会社日立製作所 射出成形システム、成形条件補正システムおよび射出成形方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63132020A (ja) * 1986-11-22 1988-06-04 Sumitomo Heavy Ind Ltd 射出成形機の連続運転装置
JPH06210694A (ja) * 1992-06-12 1994-08-02 Karl Hehl 射出成形機の制御方法
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
JP2020163825A (ja) * 2019-03-27 2020-10-08 株式会社日立製作所 射出成形システム、成形条件補正システムおよび射出成形方法

Also Published As

Publication number Publication date
TW202311006A (zh) 2023-03-16
JP2023034971A (ja) 2023-03-13
CN117881518A (zh) 2024-04-12

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
CN107364097B (zh) 注射成形机的止回阀的磨损量推定装置及磨损量推定方法
JP6529183B2 (ja) 射出成形機の成形最適化方法
CN111886121A (zh) 注射成型机系统
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
JP6514622B2 (ja) 射出成形機の成形支援方法
JP2019067138A (ja) 数値制御システム
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
KR20220108797A (ko) 중합체 점도 품질을 제어하기 위한 방법 및 제어 시스템
JP6876302B2 (ja) 情報処理装置、情報処理方法、及びプログラム
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
JP4536200B2 (ja) 成形試験システムおよび成形試験方法
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
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
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
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
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
CN117921966A (zh) 信息处理装置、注射成型机及程序
TWI829076B (zh) 藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法
CN117921965A (zh) 信息处理装置、注射成型机及程序
CN118043188A (zh) 注射成型机、控制方法及计算机程序
JP2023165266A (ja) 樹脂成形品の製造装置、学習装置および推論装置

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: 22863963

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202280058554.X

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2022863963

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: 2022863963

Country of ref document: EP

Effective date: 20240402