WO2023032402A1 - Ｐｖｔ特性計算モデル推定システムおよび方法 - Google Patents

Ｐｖｔ特性計算モデル推定システムおよび方法 Download PDF

Info

Publication number
WO2023032402A1
WO2023032402A1 PCT/JP2022/023416 JP2022023416W WO2023032402A1 WO 2023032402 A1 WO2023032402 A1 WO 2023032402A1 JP 2022023416 W JP2022023416 W JP 2022023416W WO 2023032402 A1 WO2023032402 A1 WO 2023032402A1
Authority
WO
WIPO (PCT)
Prior art keywords
calculation model
resin material
pvt
characteristic calculation
estimation system
Prior art date
Application number
PCT/JP2022/023416
Other languages
English (en)
French (fr)
Inventor
漢 小林
大介 八木
裕樹 中土
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to CN202280034806.5A priority Critical patent/CN117642268A/zh
Publication of WO2023032402A1 publication Critical patent/WO2023032402A1/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/22—Moulding
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Definitions

  • the present invention relates to a technique for estimating a resin material calculation model, which is a calculation model for PVT characteristics of resin materials.
  • the path for filling the mold with resin from the injection molding machine is switched between the product section and the plunger unit section for measuring PVT characteristics, and when the resin is filled in the plunger unit section
  • the resin temperature, resin pressure, and plunger position are detected, and the specific volume at a certain resin temperature and pressure is measured. Further, by feeding back the resin supplied to the plunger unit to the supply side, it is possible to repeatedly perform the specific volume measurement process under a plurality of resin temperature and pressure conditions, thereby acquiring the PVT characteristics.
  • the quality of molded products in injection molding is affected by the material properties of the resin. For example, even if the material is of the same type (e.g., polypropylene, abbreviation: PP), the PVT characteristics are different for each grade unit or supplier unit, so even if molding is performed under the same molding conditions, the shrinkage behavior in the mold will differ. , the part quality fluctuates.
  • the material is of the same type (e.g., polypropylene, abbreviation: PP)
  • PP polypropylene
  • FIG. 1 is a graph showing a comparative example for clarifying the superiority of the examples described later, not the prior art.
  • Figure 1 shows the temperature dependence of the specific volume when the pressure level is 50 MPa for three recycled materials of the same material type (PP) and the same model number, but different production lots, lot A, lot B, and lot C. is shown.
  • the horizontal axis indicates the resin temperature
  • the vertical axis indicates the specific volume.
  • the lot means the difference in delivery timing from the supplier.
  • Each point plot in FIG. 1 is the measured value obtained with a dedicated specific volume measuring device, and the curve plot is a calculation model called the 2-domain Tait PVT model shown in Equation 1 that is fitted to the measured value. This is the result of FIG.
  • Fig. 2 is a schematic diagram of a general load cell type measuring device used to measure the PVT characteristics of resin materials.
  • the resin to be measured (sample) is put into a test tank equipped with a temperature control mechanism including a furnace body, and by measuring the volume when pressure is applied to the resin with a piston, a certain The specific volume can be measured at temperature and pressure values (temperature and pressure values).
  • a method for constructing a general PVT characteristic calculation model will be described.
  • the measurement of the specific volume under arbitrary temperature and pressure conditions (temperature and pressure conditions) is repeated a predetermined number of times under different temperature and pressure conditions.
  • a mathematical model representing the PVT characteristics of the resin material is selected, and a PVT characteristics calculation model is constructed by performing fitting to the measurement points of the specific volume.
  • Fig. 4 shows an example of the constructed PVT characteristic calculation model.
  • the PVT characteristic calculation model shown in FIG. 4 is the result of fitting a 2-domain Tait PVT model to the specific volume measured by changing the temperature while the pressure applied to the resin is fixed. From the graph, it can be confirmed that the mathematical model expresses the measured specific volume well.
  • Patent Document 1 assumes that a dedicated unit for acquiring PVT characteristics is attached to the mold without using the measuring device shown in FIG. This method therefore requires additional developments to connect and switch between dedicated units for measurement and molds for obtaining the product.
  • PVT characteristics it is necessary to measure the same resin under a plurality of resin temperature and pressure conditions.
  • resins have the property that various physical properties change under the influence of given temperature and pressure.
  • the resin is fed back from a dedicated unit and the same resin is repeatedly used for measurement under a plurality of temperature and pressure conditions, which may deteriorate the resin characteristics. Therefore, in this method, man-hours are required to repeat measurements under multiple conditions, and the measurement accuracy decreases due to deterioration of the resin to be measured. It is also possible that
  • the present invention has been made in view of the above problems, and its object is to provide a technique that can easily estimate a PVT characteristic calculation model of a resin material.
  • a PVT characteristic calculation model estimation system is a PVT characteristic calculation model estimation system that estimates a first resin material calculation model that is a calculation model of the PVT characteristics of a first resin material, A processor and a memory used by the processor, the processor based on process data and molded product quality when molding with the first resin material, and at least one or more predetermined relational expressions,
  • the first resin material calculation model is estimated, and the predetermined relational expression is a PVT characteristic calculation model obtained by actual measurement of the PVT characteristics of a second resin material that is the same resin type as the first resin material.
  • FIG. 1 is a PVT characteristic diagram for recycled materials with different delivery times as a comparative example.
  • FIG. 2 is a configuration diagram of a measuring device for PVT characteristics.
  • FIG. 3 is a diagram for explaining a method for constructing a PVT characteristic calculation model.
  • FIG. 4 is a diagram showing a PVT characteristic calculation model.
  • FIG. 5 is a functional block diagram of the PVT characteristic calculation model estimation system according to the first embodiment.
  • FIG. 6 is a conceptual diagram of an injection molding machine according to the first embodiment.
  • FIG. 7 is a configuration diagram of a computer that can be used to realize the PVT characteristic calculation model estimation system according to the first embodiment.
  • FIG. 8 is a conceptual diagram of a mold used for acquiring process data in injection molding according to Example 1.
  • FIG. 9 is a block diagram of processing for registering feature amounts according to the first embodiment.
  • 10 is a graph showing time-series changes in data acquired by a sensor during injection molding according to Example 1.
  • FIG. 11 is a configuration diagram of a learning data set for a regression model according to Example 1.
  • FIG. 12 is a flowchart of regression model learning processing according to the first embodiment.
  • FIG. 13 is a flowchart of PVT characteristic calculation model coefficient estimation processing according to the first embodiment.
  • FIG. 14 is a configuration diagram of a data set for estimating PVT characteristic calculation model coefficients according to the first embodiment.
  • FIG. 15 is a diagram illustrating an estimated PVT characteristic calculation model according to Example 1.
  • FIG. 16 is a functional block diagram of the PVT characteristic calculation model estimation system according to the second embodiment.
  • FIG. 17 is a configuration diagram of a PVT characteristic calculation model database according to Examples 1 and 2.
  • This embodiment provides a system for estimating a PVT characteristic calculation model of a resin material.
  • This system includes, for example, a PVT characteristic calculation model of a second resin material whose PVT characteristic is known, and sensor data obtained when molding is performed under common reference injection molding conditions between predetermined units using the second resin material.
  • a predetermined relational expression indicating the relationship with the quality of the molded product is linked between the second resin material calculation model obtained in advance, the process data when molding using the second resin material, and the quality of the molded product. generated in advance based on the data accumulated, and from the process data when molding under the reference injection molding conditions using the first resin material, the quality of the molded product, and the generated predetermined relational expression, A PVT characteristic calculation model of the first resin material is estimated.
  • FIG. 5 is a functional block diagram of the PVT characteristic calculation model estimation system according to the first embodiment.
  • PVT characteristic computational model estimation system 1 includes, for example, manufacturing execution system 2 , manufacturing plant 3 , and learning and computational model generation system 4 .
  • Some or all of the functions of the PVT characteristic calculation model estimation system 1 described below may be configured as software, may be implemented as software and hardware in cooperation, and have fixed circuits. It may be implemented using hardware. At least some of the functions of manufacturing execution system 2 and manufacturing factory 3 may be executed by an operator.
  • the manufacturing execution system 2 is a system that instructs the manufacturing factory 3 to execute production.
  • the manufacturing execution system 2 sends an instruction to the manufacturing plant 3 to perform production under manufacturing conditions based on predetermined standard injection molding conditions (hereinafter referred to as standard molding conditions).
  • the manufacturing conditions include, for example, information specifying the injection molding machine used for production (injection molding), information specifying the mold used for production, information specifying materials used for production, quantity of molded products to be produced, Production time, required quality, etc. may be included.
  • the manufacturing execution system 2 includes, for example, a manufacturing condition determining section 21 and a manufacturing execution instructing section 22 .
  • the manufacturing condition determination unit 21 has a function of determining the above manufacturing conditions based on the standard molding conditions.
  • the manufacturing condition determination unit 21 passes information on manufacturing conditions to the manufacturing execution instructing unit 22 .
  • Information on manufacturing conditions is transmitted to the learning and calculation model generation system 4 via the manufacturing plant 3 .
  • Information about manufacturing conditions can include predetermined information about molds, injection molding machines, and materials.
  • the predetermined information may include, for example, the capacity of the mold, the runner configuration of the mold, and furthermore, the manufacturing number (model number) of the resin material used for each supplier and the delivery number (for example, lot number) for each supplier, etc. may contain
  • the manufacturing execution instruction unit 22 is a function that instructs the manufacturing factory 3 to execute manufacturing. Note that manufacturing execution can also be referred to as production. Manufacturing execution instructions include, for example, a request for molding under standard molding conditions.
  • the manufacturing execution instructing section 22 transmits the predetermined information transmitted from the manufacturing condition determining section 21 to the manufacturing factory 3 . Predetermined information is input to the learning and calculation model generation system 4 via the manufacturing plant 3, and is used for estimating the PVT characteristic calculation model for each production number for each supplier of the resin material and for each delivery number for each supplier. be.
  • the manufacturing plant 3 receives manufacturing execution instructions from the manufacturing execution system 2 and executes the injection molding process 32 .
  • injection molding may be abbreviated as "IM”.
  • the manufacturing plant 3 includes, for example, a manufacturing execution unit 31, a plurality of injection molding machines 50 (described later in FIG. 6), a plurality of molds 509 (described later in FIG. 6), and a molded product quality inspection unit 33. have.
  • the molded product quality inspection unit 33 may be abbreviated as the quality inspection unit 33 .
  • manufacturing execution unit 31 When manufacturing execution unit 31 receives an instruction to perform molding under the standard molding conditions from manufacturing execution instructing unit 22, manufacturing execution unit 31 sets predetermined standard molding conditions to injection molding machine 50 for the combination of the designated mold and material.
  • the injection molding process 32 is executed by entering the . That is, the injection molding process 32 is a process of injection molding according to standard molding conditions.
  • the quality inspection section 33 has a function of inspecting the quality of the molded product obtained in the injection molding process 32. Molded product quality is evaluated, for example, based on dimensions and weight. The quality inspection of the molded product may be performed automatically, manually by an inspector, or semi-automatically.
  • the quality of the molded product inspected by the quality inspection unit 33 may be evaluated based on the amount of warpage, burrs, flaws, gloss, and color of the molded product.
  • the quality inspection unit 33 associates the manufacturing conditions received by the manufacturing execution unit 31 with the molded product quality inspection results, and outputs them to the molded product quality recording unit 404 of the learning and calculation model generation system 4 .
  • the information on the material characteristics of each material used when using the mold is obtained in advance from each injection molding machine owned by the manufacturing plant 3 and the sensor 34 mounted on the mold.
  • a physical quantity is measured at a predetermined position of the machine and at a predetermined position inside the mold, and is output to the sensor information recording section 401 of the learning and calculation model generation system 4 . Details of the sensor mounted on the mold will be described later with reference to FIG.
  • information related to material properties means, for example, fluidity and physical properties of materials, and physical quantities correlated therewith.
  • the predetermined position of the injection molding machine is, for example, the tip of the nozzle.
  • the predetermined position in the mold is, for example, the resin inlet of the mold.
  • the physical quantity includes, for example, resin pressure, resin temperature, resin speed, resin material properties, and mold opening amount (mold opening amount).
  • Material properties include, for example, resin density, resin viscosity, resin fiber length distribution (in the case of reinforcing fiber content material), and the like. Of these, the physical quantity that is most correlated with the fluidity of the material is the viscosity of the resin. can also be used.
  • the learning and calculation model generation system 4 includes, for example, a sensor information recording unit 401, a feature amount extraction unit 402, a feature amount database 403, a molded product quality recording unit 404, a PVT characteristic calculation model coefficient storage unit 405, a connection processing unit 406, a learning database 407, regression model learning unit 408, regression model storage unit 409, learned model storage unit 410, regression model reading unit 411, estimation database 412, PVT characteristic calculation model estimation unit 413, PVT characteristic calculation model storage unit 414, and PVT property calculation model database 415 .
  • a computational model refers to a mathematical model that mathematically abstracts a certain phenomenon
  • a PVT characteristic computational model refers to a mathematical model that represents the PVT characteristics of a resin material.
  • the PVT characteristic calculation model refers to a calculation model in which the parameters (coefficients) of the mathematical model are determined for each predetermined material unit.
  • the sensor information recording unit 401 records the physical quantity at a predetermined position inside the mold acquired by the sensor 34 during the injection molding process 32 of the manufacturing plant 3 .
  • a feature quantity extraction unit 402 extracts a feature quantity from the physical quantity temporarily recorded in the sensor information recording unit 401, and extracts a predetermined material unit, a combination of an injection molding machine and a mold, and the extracted feature quantity. It is linked and recorded in the feature amount database 403 .
  • the feature quantity may be the physical quantity as it is, and the physical quantity and the feature quantity correspond to the process data.
  • the predetermined material unit means, for example, a unit for distinguishing materials, such as a unit for each model number of resin materials (including recycled materials) for each material supplier, or a unit for each lot of the same model number.
  • a data group in which a material unit, a combination of an injection molding machine and a mold, and an extracted feature amount recorded in the feature amount database 403 are linked is referred to as a feature amount data set. It says. The processing of the feature amount extraction unit 402 will be described later using FIGS. 6 and 7. FIG.
  • the feature quantity is strongly influenced by changes in material information (for example, fluidity and physical property values) between material units.
  • the molded product quality recording unit 404 links and records the molded product quality inspected by the quality inspection unit 33 and the manufacturing conditions (predetermined material unit, combination of injection molding machine and mold).
  • each coefficient of the PVT characteristic calculation model constructed from the PVT characteristic of the resin material measured in advance for each predetermined material unit is stored in association with the information of the predetermined material unit.
  • the PVT characteristic calculation model may be a calculation model such as the 2-domain-tait model, Spencer-Glimore model, Modified-Cell model, Simha-Somcynsky model.
  • the connection processing unit 406 stores the feature amount data set associated with the material information acquired from the feature amount database 403, the molded product quality and manufacturing conditions acquired from the molded product quality recording unit 404, and the PVT characteristic calculation model coefficient storage unit 405. With each coefficient of the PVT characteristic calculation model (second resin material calculation model) acquired from, with the material information as a binding key, the feature data set, the molded product quality, each coefficient of the PVT characteristic calculation model, and the manufacturing A data set corresponding to the materials used (hereinafter referred to as a learning data set) is generated, and this learning data set is recorded in the learning database 407 .
  • a learning data set corresponding to the materials used
  • connection processing unit 406 stores the characteristic information corresponding to the material information of the resin material whose coefficient is not stored in the PVT characteristic calculation model coefficient storage unit 405 (for example, the resin material whose PVT characteristic is unknown: the first resin material).
  • the material information obtained from the quantity database 403 and the feature quantity data set associated with the material information and the molded product quality and manufacturing conditions obtained from the molded product quality recording unit 404 are combined with the material information as a link key, and the feature quantity data set and the molding A data set corresponding to the product quality and the material used for manufacturing (hereinafter referred to as an estimation data set) is generated, and this estimation data set is recorded in the estimation database 412 .
  • This estimation data set does not contain the PVT characteristic calculation model coefficients.
  • the regression model learning unit 408 obtains a learning data set from the learning database 407, performs regression using the feature data set and the molded product quality as explanatory variables, and one of the PVT characteristic calculation model coefficients as the objective variable.
  • the model is used to learn a regression model that predicts the target variable from the explanatory variables to generate a trained regression model.
  • regression model refers to regression models in general
  • learned regression model refers to a regression model whose model parameters are determined by learning data. .
  • regression models such as linear regression, ridge regression, support vector machine, neural network, random forest regression, or a combination of these may be used as regression models.
  • the regression model to be used can have a plurality of objective variables such as a neural network, a plurality of coefficients of the PVT characteristic calculation model may be selected as objective variables.
  • the regression model storage unit 409 records the learned regression model generated by the regression model learning unit 408 in the learned regression model storage unit 410 .
  • Regression model reading unit 411 acquires a learned regression model from learned regression model storage unit 410 and inputs it to PVT characteristic calculation model estimation unit 413 .
  • the estimation database 412 records estimation datasets.
  • the PVT characteristic calculation model estimation unit 413 estimates a PVT characteristic calculation model of a resin material whose PVT characteristics are unknown.
  • the PVT characteristic calculation model estimation unit 413 stores the estimation data set read from the estimation database 412 and the learned regression model read from the regression model read unit 411 (for example, the PVT characteristic calculation model of the same model number of a known lot). Based on the regression model learned based on information), a PVT characteristic calculation model (first resin material calculation model) of a resin material of a predetermined material unit whose PVT characteristics are unknown is estimated, and the estimated PVT characteristic calculation The model (estimated PVT characteristic calculation model) is input to the PVT characteristic calculation model storage unit 414 .
  • the PVT characteristic calculation model storage unit 414 stores the input estimated PVT characteristic calculation model in the PVT characteristic calculation model database 415 .
  • the PVT characteristic calculation model database 415 stores known PVT characteristic calculation models stored in the PVT characteristic calculation model coefficient storage unit 405 and PVT characteristic calculation models (estimated PVT characteristic calculation models) stored by the PVT characteristic calculation model storage unit 414. ) are recorded as data associated with corresponding material units and information indicating whether the PVT property calculation model is known or estimated.
  • FIG. 17 shows the configuration of the PVT characteristic calculation model database of this embodiment. As shown in FIG. 17, the PVT characteristic calculation model database 415 stores resin material model numbers and lots indicating predetermined material units, known or estimated information, and PVT characteristic calculation model coefficients.
  • FIG. 7 shows a configuration example of a computer 10 that can be used to implement the PVT characteristic calculation model estimation system 1.
  • FIG. 7 shows a configuration example of a computer 10 that can be used to implement the PVT characteristic calculation model estimation system 1.
  • FIG. Here, a case where the PVT characteristic calculation model estimation system 1 is realized by one computer 10 will be described, but the present invention is not limited to this, and one or more PVT characteristic calculation model estimation systems 1 can be realized by linking a plurality of computers. You can also build. Further, as described above, the manufacturing execution system 2 and the manufacturing factory 3 do not use dedicated software or hardware, and the operator implements part or all of each function, so that the PVT characteristic calculation model estimation system 1 can be used. It can also be realized.
  • the computer 10 includes, for example, an arithmetic device 11, a memory 12, a storage device 13, an input device 14, an output device 15, a communication device 16, and a media interface section 17, and these devices 11 to 17 are connected by a communication path CN1.
  • the communication path CN1 is, for example, an internal bus, a LAN (Local Area Network), or the like.
  • the computing device 11 is composed of, for example, a microprocessor, and is an example of a processor.
  • the arithmetic unit 11 is not limited to a microprocessor, and may include, for example, a DSP (Digital Signal Processor), a GPU (Graphics Processing Unit), and the like.
  • Arithmetic device 11 reads computer programs recorded in storage device 13 into memory 12 and executes them, thereby realizing functions 21, 22, 31, 401 to 415, and 60 as PVT characteristic calculation model estimation system 1. .
  • the storage device 13 is a device that stores computer programs and data, and has, for example, a rewritable storage medium such as flash memory or hard disk.
  • the storage device 13 stores a computer program for realizing a GUI unit 60 that provides a GUI (Graphical User Interface) to the operator, and a computer program for realizing each of the functions 21, 22, 31, 401 to 415 described above. is stored.
  • GUI Graphic User Interface
  • the input device 14 is a device for the operator to input information to the computer 10 .
  • Examples of the input device 14 include a keyboard, a touch panel, a pointing device such as a mouse, and a voice instruction device (none of which is shown).
  • the output device 15 is a device through which the computer 10 outputs information. Examples of the output device 15 include a display, a printer, and a speech synthesizer (all not shown).
  • the communication device 16 is a device that allows communication between an external information processing device and the computer 10 via the communication path CN2.
  • an external information processing device there is an external storage device 19 in addition to a computer (not shown).
  • the computer 10 can read data (computer-specific information, production results, etc.) and computer programs recorded in the external storage device 19 .
  • the computer 10 can also transmit all or part of the computer programs and data stored in the storage device 13 to the external storage device 19 for storage.
  • the medium interface unit 17 is a device that reads and writes to the external recording medium 18 .
  • Examples of the external recording medium 18 include a USB (Universal Serial Bus) memory, a memory card, and a hard disk. All or part of the computer programs and data stored in the storage device 13 from the external recording medium 18 can be transferred to the external recording medium 18 for storage.
  • USB Universal Serial Bus
  • FIG. 6 is a conceptual diagram of the injection molding machine 50.
  • the molding phenomenon refers to a series of phenomena that occur in the injection molding process.
  • the injection molding process is roughly divided into a weighing and plasticizing process, an injection and holding pressure process, a cooling process, and an ejection process.
  • the plasticizing motor 501 is used as a driving force to retract the screw 502 and supply the resin pellets 504 from the hopper 503 into the cylinder 505 .
  • Heating by the heater 506 and rotation of the screw 502 plasticize the resin into a uniform molten state.
  • the setting of the back pressure and rotation speed of the screw 502 changes the density of the molten resin and the degree of breakage of the reinforcing fibers, and these changes affect the quality of the molded product.
  • the injection motor 507 is used as a driving force to advance the screw 502 and inject the molten resin into the mold 509 through the nozzle 508 .
  • the molten resin injected into the mold 509 is simultaneously cooled by the wall surface of the mold 509 and sheared heat generated due to flow. That is, the molten resin flows inside the mold 509 while receiving cooling action and heating action. If the mold clamping force, which is the force that keeps the mold 509 closed, is small, a minute mold opening occurs after the molten resin is solidified, and the minute gap affects the quality of the molded product.
  • the molten resin is cooled below the solidification temperature by the mold 509 maintained at a constant temperature. Residual stress generated in this cooling process affects the quality of the molded product. Residual stress occurs due to anisotropy of material properties caused by flow in the mold, density distribution due to holding pressure, and uneven molding shrinkage.
  • the mold 509 is opened by driving the mold clamping mechanism 512 using the motor 511 that opens and closes the mold 509 as driving force.
  • the mold clamping mechanism 512 drives the mold clamping mechanism 512 using the motor 511 that opens and closes the mold 509 as driving force.
  • the ejector mechanism 514 drives the ejection motor 513 as a driving force, if sufficient ejection force does not uniformly act on the molded product, the molded product Residual stress remains in the mold, which affects the quality of the molded product.
  • the pressure value of the load cell 510 is controlled so as to approach the pressure value within the input molding conditions.
  • the temperature of cylinder 505 is controlled by a plurality of heaters 506 .
  • the shape of the cylinder 505, and the shape of the nozzle 508 different pressure losses occur in each injection molding machine.
  • the pressure at the resin inlet of the mold 509 becomes a value lower than the pressure indicated by the molding conditions input to the injection molding machine 50 .
  • the resin temperature at the resin inlet of the mold 509 may differ from the resin temperature indicated in the molding conditions input to the injection molding machine 50 due to the arrangement of the heater 506 and the shear heat generation of the resin at the nozzle.
  • the configuration of the injection mechanism differs from one injection molding machine to another, and this may cause machine differences and affect the quality of the molded product.
  • Molded product quality is determined by shape characteristics (weight, dimensions, thickness, sink marks, burrs, warpage, etc.) and surface characteristics such as appearance defects (weld, silver, burn, whitening, scratches, bubbles, peeling, flow marks, jetting, etc.). , color, gloss, etc.) and mechanical and optical properties (tensile strength, impact resistance, transmittance, etc.).
  • weight and dimensions are used as the quality of the molded product to be evaluated. If there are no defects such as short shots or overpacking in the shape of the molded product, the weight of the molded product is considered to change depending on the specific volume of the resin material relative to the mold volume. Similarly, when there are no defects as described above, the dimensions of the molded product are considered to change depending on the shrinkage rate of the resin.
  • the shape characteristics have a strong correlation with the pressure and temperature histories and the mold clamping force during the injection and pressure holding processes and the cooling process.
  • Surface characteristics are caused by different causes for different phenomena, but flow marks and jetting, for example, are strongly correlated with the temperature and velocity of the resin during the injection process.
  • Mechanical and optical properties are often evaluated with other correlated quality indicators such as weight, as e.g. tensile strength requires evaluation in destructive testing.
  • parameters corresponding to each step of the injection molding process are set.
  • the metering position suck back, back pressure, back pressure speed, and number of revolutions are set.
  • Pressure, temperature, time and speed are set for the injection and hold processes respectively.
  • the screw position (VP switching position) for switching between injection and pressure and the mold clamping force of the mold 509 are also set.
  • the cooling process the cooling time after holding pressure is set.
  • the temperatures of the plurality of heaters 506, the temperature and flow rate of the coolant for cooling the mold 509, and the like are set.
  • FIG. 8 shows an overview of the mold used to acquire process data in injection molding in this embodiment.
  • 8A shows a top view of the product portion of the mold 70
  • FIG. 8B shows a side view of the product portion of the mold 70
  • FIG. A top view of the runner portion 75 of the mold is shown.
  • the mold 70 has a structure in which the resin flows into the product portion from a runner portion 75 by a five-point pin gate method.
  • the sensor placement portion 71 of the product portion was equipped with a resin temperature sensor 72 for measuring the temperature of the resin in the mold, a pressure sensor 73 for measuring the pressure of the resin, and a pressure sensor 73 for measuring the temperature of the mold.
  • a mold temperature sensor 74 to be measured is arranged, and a resin temperature sensor 72 and a pressure sensor 73 are arranged in the sensor arrangement portion 76 of the runner portion 75, and changes over time of these are acquired.
  • the resin temperature sensor 72 , the pressure sensor 73 , and the mold temperature sensor 74 correspond to the sensor 34 .
  • Polypropylene (PP) was used as the resin material used for molding.
  • An electric injection molding machine with a maximum mold clamping force of 150 t and a screw diameter of 44 mm was used.
  • FIG. 9 is a block diagram showing an example of a method of acquiring material information by having the feature quantity extraction unit 402 extract feature quantities from the physical quantity obtained from the sensor 34 and recording the result in the feature quantity database 403. It is a diagram.
  • the material information acquisition information shown in FIG. 9 is realized by using either a "mold with a sensor” or a "mold with a built-in sensor” provided with a sensor for measuring a predetermined physical quantity at a predetermined position.
  • the injection molding machine 603 corresponds to the injection molding machine 50 described with reference to FIG.
  • the reference molding conditions correspond to the conditions input to the injection molding machine when executing the injection molding process 32 described with reference to FIG.
  • Physical quantities at specific locations in the mold are affected by material information of the material itself, machine differences specific to the mold and injection molding machine, and molding conditions. For this reason, by setting the reference molding conditions 602 for each combination of mold and injection molding machine, the effects of machine differences and molding conditions are suppressed, and the material information unique to the material is used as the feature quantity of the physical quantity in the feature quantity database 610. can be recorded to The standard molding conditions may be changed for each combination of mold and injection molding machine.
  • the in-mold sensor 606 is used. By arranging the in-mold sensor 606 at an arbitrary position inside the mold 604, it is possible to directly measure the molding phenomenon inside the mold 604 and obtain the measured value 608 of the physical quantity correlated with the material information.
  • the quality of the molded product 605 is acquired by the product quality inspection 607 and recorded in the molded product quality recording section 611 .
  • a feature value is extracted from the obtained measured value of the physical quantity (609). It is difficult to directly evaluate the actual measured values of the obtained physical quantities because they are obtained as changes over time during the injection molding process. Therefore, in this example, the material information was quantitatively evaluated by acquiring the feature amount correlated with the material information from the time change of the physical quantity. By performing molding under standard molding conditions that are common among materials, it is possible to compare material information between materials by comparing feature amounts between materials.
  • FIG. 10 shows the pressure sensor 73 and the resin temperature sensor 72 in the runner sensor arrangement portion 76 when injection molding is performed under the standard molding conditions for each of three PP material lots A, B, and C with different delivery times. shows the time-series data of As shown in FIG. 10, even if the molding conditions are the same, the waveform obtained by the sensor has different fluctuations in the time-series data for each lot. 1 can be confirmed to be affected by variations in PVT characteristics between predetermined material units.
  • FIG. 11 includes an example of feature values extracted from waveforms of multiple pressure sensors and resin temperature sensors attached at different positions in the mold for each material lot shown in FIG.
  • a part of the explanatory variables in FIG. 11 is an example of the result of the feature amount.
  • the feature values include the peak value of the sensor values of the pressure sensor and the resin temperature sensor, the integrated value up to the peak value, the integrated value from the peak value, and the like.
  • the maximum differential value and peak value of the sensor values of the pressure sensor and the resin temperature sensor, and the sensor values installed at the positions may be used as feature amounts.
  • the extracted feature amount is affected by the material information because the feature amount varies between lots. Moreover, it can be confirmed that the feature amount varies depending on the sensor mounting position even for the same material lot.
  • the feature amount extraction process is performed for each lot, and a data set in which the feature amount is associated with each lot is called a feature amount data set, and is recorded in the feature amount database 403 .
  • the feature amount data set is a data set in which the feature amounts of a pressure sensor, a resin temperature sensor, and a mold temperature sensor are associated with each other.
  • the measurement site preferably includes at least the sprue portion or runner portion from the resin inlet in the mold to the inside of the cavity.
  • the resin confluence (weld), the end of the flow, and other areas where characteristic flow can be observed are used as measurement areas. good too.
  • a physical quantity correlated with the PVT characteristic inherent to the material can be obtained with higher accuracy from the physical quantity obtained by a plurality of sensors attached at different positions.
  • the pressure and temperature of the resin during molding differ depending on the position in the mold. Therefore, it is possible to measure the physical quantity of the resin under different pressure and temperature conditions under one molding condition by using a plurality of sensors with different mounting positions. As a result, it is possible to obtain the physical quantity that correlates with the PVT characteristic inherent in the material with higher accuracy.
  • the appropriate measurement site differs depending on the mold structure and the physical quantity to be measured. For physical quantities other than the mold opening amount, it is preferable to use the sprue portion as the measurement site, if possible, regardless of the mold structure.
  • the term "preferred" used in this specification merely means that some advantageous effect can be expected, and does not mean that the configuration is essential.
  • sensors are placed on the runner part directly below the sprue part and the runner part just before the gate.
  • a pin gate since it has a 3-plate structure, it is necessary to devise the sensor arrangement, but the sensor is arranged in the runner part directly under the sprue part.
  • a dummy runner that is not connected to the cavity may be provided for measurement and used as a measurement site.
  • the degree of freedom in mold design is improved.
  • a dummy runner that is not connected to the cavity may be provided for measurement and used as a measurement site.
  • the degree of freedom in mold design is improved.
  • the sensor is installed on the runner before entering the gate.
  • At least pressure and temperature are measured in order to estimate a PVT property calculation model for a given material unit.
  • a mold internal pressure sensor for example, a mold surface temperature sensor, a resin temperature sensor, or the like can be used.
  • a contact temperature sensor such as a thermocouple or a non-contact temperature sensor such as an infrared radiation thermometer can be used as the resin temperature sensor. Record changes over time during the process.
  • the maximum value of pressure peak value of time change
  • the integrated value the maximum value of temperature (peak value of time change)
  • the maximum value of temperature can be used as feature amounts. It is also effective to acquire the maximum value of the time differential value with respect to the pressure change over time.
  • the maximum value of the time differential value of pressure has a correlation with the instantaneous viscosity of the material.
  • the integral value of the pressure may be calculated separately for the injection process and the holding pressure process.
  • the integrated value of the pressure in the holding pressure process is considered to be a physical quantity that has a large correlation with the temperature-dependent change in the specific volume under no pressure after the gate seal.
  • the learning data set recorded in the learning database 407 will be explained using FIG. As shown in FIG. 11, the learning data set includes a feature data set, molded product quality, each coefficient of the PVT characteristic calculation model (corresponding to the objective variable), and the manufacturing conditions acquired from the manufacturing condition determination unit 21. and a predetermined material unit are linked data.
  • the learning data set is associated with the combination of the injection molding machine and the mold in the learning database 407 and recorded for each combination of the injection molding machine and the mold.
  • the material lots A and C having the known PVT characteristics described above are used, the quality of the molded product is evaluated by weight and dimensions, and the 2-domain-Tait is used as the PVT characteristics calculation model. model was used.
  • regression model learning process in the learning and calculation model generation system 4 will be described using FIG. 12 (regression model learning flowchart).
  • the regression model learning unit 408 reads out the learning data set from the learning database 407, and standardizes the feature amount data set in the learning data set and the molded product quality ( S101).
  • Fig. 11 is an example of a learning data set recorded for each combination of injection molding machine and mold used in the regression model learning process.
  • the learning data set contains the lot names of material lots A and C, the pressure/resin temperature peak values for each sensor, the integrated value up to the peak value, the integrated value from the peak value and the molded product weight, dimensions, and each lot is associated with the coefficient of the PVT characteristic calculation model.
  • Standardization processing calculates the average value and standard deviation of the data group for each column of the target training data set, subtracts the average value of that column from the data of each column, and calculates the standard deviation of that column It is a process of dividing by . Since the data group in each column has an average of 0 and a standard deviation of 1 by standardization processing, the influence of the difference in units between columns can be eliminated. In general, standardization processing has the effect of improving the learning accuracy of the regression model.
  • the regression model learning unit 408 of the learning and calculation model generation system 4 reads the PVT characteristic calculation model coefficients of the learning data set (S102).
  • the regression model learning unit 408 sets the objective variable (output parameter) as one of the PVT characteristic calculation model coefficients, and sets the explanatory variable (input parameter) as the feature amount data set after standardization processing and the molded product quality.
  • Create a model generate a learned regression model by learning this regression model by machine learning, repeat such a learned regression model for the coefficients of the PVT characteristic calculation model to be used, and each coefficient A trained regression model corresponding to is generated (S103).
  • learned regression models are generated for the coefficients of the PVT characteristic calculation model to be used.
  • an example using a 2-domain-tait model is shown as a PVT characteristic calculation model. You may use a calculation model such as
  • the learned regression model was generated using, for example, ridge regression, but other regression models such as linear regression, support vector machine, neural network, random forest regression, or a regression model combining these may be used to generate a learned regression model. If the regression model to be used can have multiple objective variables, such as a neural network, multiple coefficients of the PVT characteristic calculation model may be simultaneously selected as objective variables in the regression model.
  • the learning and calculation model generation system 4 stores the information related to the standardization process and the learned regression model in the learned model storage unit 410 (S104).
  • the PVT characteristic calculation model coefficient estimation process in the learning and calculation model generation system 4 will be described using FIGS. 13 and 14 (PVT characteristic calculation model coefficient estimation flowchart).
  • the PVT characteristic calculation model estimator 413 of the learning and calculation model generation system 4 selects a target material for estimating a PVT characteristic calculation model from the estimation database 412 (basically, a material whose PVT characteristic calculation model coefficient is unknown). (for example, feature data set and molded product quality) are read, and standardization processing is performed on the estimation data set (S105). A similar standardization process may be performed using the average value and standard deviation of each column calculated in step S101.
  • the PVT characteristic calculation model estimating unit 413 of the learning and calculation model generation system 4 reads the corresponding learned regression model from the learned regression model storage unit 410 by the regression model reading unit 411 (S106).
  • the coefficients of the PVT characteristic calculation model are generated for the estimation data set (S107).
  • FIG. 1 An example of the estimation data set is shown in FIG.
  • the processes of steps S106 and S107 are repeated for each coefficient of the PVT characteristic calculation model, and all the coefficients of the PVT characteristic calculation model of the material to be estimated are generated.
  • the PVT characteristic calculation model estimated PVT characteristic calculation model of the material to be estimated can be specified.
  • the PVT characteristic calculation model storage unit 414 of the learning and calculation model generation system 4 saves the information related to the standardization process, the estimation data set, and the estimated PVT characteristic calculation model in the PVT characteristic calculation model database 415 (S108). .
  • the PVT characteristic calculation model can be easily and quickly estimated without meticulously measuring the PVT characteristic of this resin material. For example, a lot-by-lot PVT characteristic calculation model for the same model number can be easily estimated.
  • FIG. 15 shows the validity evaluation results of the generated estimated PVT characteristic calculation model in this example. This evaluation was performed to confirm the effectiveness of the learned regression model generated in this embodiment, and does not necessarily need to be performed when the PVT characteristic calculation model estimation system 1 is executed. The evaluation method will be described below.
  • material lot B in material lots A, B, and C whose PVT characteristic calculation model is known is a material lot whose PVT characteristic model is unknown.
  • a learned regression model is created with the learning data sets of material lots A and C, and the PVT characteristics of material lot B are calculated using this learned regression model and the estimation data set of material lot B.
  • a model was estimated, and a comparative evaluation was performed between the estimated PVT property calculation model and the known PVT property of material lot B.
  • FIG. 15 shows the estimated PVT characteristic calculation model of material lot B and the PVT of material lot B measured by a known method (temperature from 30° C. to 250° C. in increments of 5° C., pressure levels of 50, 100, and 150 MPa). It is a graph which shows a comparison with a characteristic.
  • the horizontal axis is temperature
  • the vertical axis is specific volume
  • the line plot in the figure shows the PVT characteristic calculation model of material lot B estimated by the method of this example
  • the dot plot is known.
  • the shapes of lines and points shown in the legend of FIG. 15 correspond to respective pressure levels.
  • a coefficient of determination is used as a representative index for quantitatively evaluating the validity of a calculation model with respect to actual values.
  • the coefficient of determination between the measured PVT characteristics and the estimated PVT characteristics calculation model is 0.9 or more for any pressure level. It can be confirmed that the estimated PVT characteristic calculation model has high validity.
  • the PVT characteristic calculation model estimation system according to the second embodiment realizes the function of the computer 10 according to the first embodiment by one or more clients 8 (client computers) connected via the Internet and a cloud server 80.
  • the client 8 includes a data transmission unit 801 and an acquired data storage unit 802 , and is connectable to the learning and calculation model generation system 4 constructed on the cloud server 80 .
  • a learning and calculation model generation system 4 is built in the cloud server 80 .
  • the cloud server 80 uses the function of providing the client 8 with a PVT characteristic calculation model for a predetermined material unit from the PVT characteristic calculation model database 415, and the molded product quality and sensor data provided from the client 8, to create a learned model.
  • a function of updating the learning data set in the learning database 407 using the sensor information and the PVT characteristic calculation model, and learning a new regression model from the learning data set to update the learned regression model. have.
  • FIG. 16 Each function of the PVT characteristic calculation model estimation system according to the second embodiment will be described below with reference to FIGS. 16 and 17.
  • FIG. 16 Each function of the PVT characteristic calculation model estimation system according to the second embodiment will be described below with reference to FIGS. 16 and 17.
  • the client 8 can acquire the PVT property calculation model for each predetermined material unit in the PVT property calculation model database 415 from the cloud server 80 and store the acquired PVT property calculation model in the acquired data storage unit 802 .
  • the PVT characteristic calculation model stored in the acquired data storage unit 802 may be used for injection molding CAE, for example.
  • the PVT characteristic calculation model is estimated from the learned regression model, and the estimated PVT characteristic calculation model is provided to the client 8. Describe the function.
  • the client 8 sends the data transmission unit 801 to the cloud server 80, the information of the material to be estimated in a predetermined unit, the quality of the molded product when the material is molded under the standard molding conditions, and the sensor data. and send.
  • the learning and calculation model generation system 4 of the cloud server 80 stores the information of the predetermined unit of the material to be estimated and the molded product quality transmitted from the data transmission unit 801 in the molded product quality recording unit 404, and stores the sensor data. It is transferred to the sensor information recording unit 401, and PVT characteristic calculation model coefficient estimation processing (S105 to S108) is executed. At this time, in order to consider machine differences between injection molding machines, a learning data set that matches the combination of the mold and the injection molding machine of the reference molding conditions transmitted from the client 8 in the learning database 407 is used. be.
  • the estimated PVT characteristic calculation model recorded in the PVT characteristic calculation model storage unit 414 by the PVT characteristic calculation model coefficient estimation process (S105 to S108) is stored in the PVT characteristic calculation model database 415.
  • the client 8 can acquire from the cloud server 80 the estimated PVT property calculation model for the material for which the information has been sent, which is stored in the PVT property calculation model database 415, and store it in the acquired data storage unit 802. can.
  • the molded product quality, sensor data, and PVT characteristic calculation model provided by the client 8 are used to update the learning database 407 on the cloud server 80 and perform new regression. Describe the ability to update a trained regression model by training the model.
  • the client 8 supplies the learning and calculation model generation system 4 of the cloud server 80 with material information in an arbitrary predetermined unit, molded product quality when molded under standard molding conditions using the target material, sensor information, Send the PVT characteristic calculation model.
  • the learning and calculation model generation system 4 stores the material information and the molded product quality in predetermined units transmitted from the data transmission unit 801 in the molded product quality recording unit 404, stores the sensor data in the sensor information recording unit 401,
  • the PVT characteristic calculation model is stored in the PVT characteristic calculation model coefficient storage unit 405, and the learned regression model construction processing (S101 to S104) is executed.
  • the cloud server 80 may update the learning database 407 by merging the learning data set newly constructed from the material information transmitted from the client 8 into the learning database 407 .
  • the cloud server 80 constructs the learning database 407 for each combination of the mold of the standard molding conditions and the injection molding machine transmitted from the client 8 .
  • the regression model storage unit 409 may record the learned regression model generated using the updated learning database 407 in the learned model storage unit 410.
  • the regression model reading unit 411 may also have a function of selecting learned regression models before and after updating.
  • data from one or more clients 8 can be used to efficiently expand the learning data set necessary for learning the regression model. Since it is possible, it is possible to reduce the man-hours for building and updating the learned regression model.
  • regression model learning by machine learning it is known that the greater the number of samples in the learning database, the better the accuracy of the regression model, and the learning data set can be expanded as described above. Therefore, the accuracy of the trained regression model can be improved.
  • each lot of the same model number is used as a unit, and the PVT characteristic calculation model obtained by actual measurement of the PVT characteristic of the resin material, the process data when the resin material is molded, and the molded product quality and stored in a storage device to estimate a PVT characteristic calculation model for a given lot of materials of the same model number.
  • the calculation model of the PVT characteristics obtained by actually measuring the PVT characteristics of the resin material, the process data when the resin material was molded, and the formula showing the relationship between the quality of the molded product are linked and stored in the storage device.
  • a PVT characteristic calculation model for a predetermined resin material of the same resin type may be estimated.
  • a part or all of the processing performed by an arithmetic unit such as a processor may be performed by a dedicated hardware circuit.
  • the programs in the above embodiments may be installed from program sources.
  • the program source may be a program distribution server or storage media (eg, portable storage media).
  • PVT characteristic calculation model estimation system 2 manufacturing execution system 3 manufacturing factory 4 learning and calculation model generation system 11 arithmetic device 12 memory 13 storage device 14 input device 15 Output device 16 Communication device 17 Medium interface unit 21 Manufacturing condition determination unit 22 Manufacturing execution instructing unit 31 Manufacturing execution unit 32 Injection molding process 33 Quality inspection unit 34 Sensor, 401... Sensor information recording unit 402... Feature amount extraction unit 403... Feature amount database 404... Molded product quality recording unit 405... PVT characteristic calculation model coefficient storage unit 406... Connection processing unit 407... Learning database, 408... Regression model learning unit, 409... Regression model storage unit, 410... Learned model storage unit, 411... Regression model reading unit, 412... Estimation database, 413... PVT characteristic calculation model estimation unit, 414... PVT characteristic calculation model Storage unit 415: PVT characteristic calculation model database

Landscapes

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

Abstract

樹脂材料のＰＶＴ特性計算モデルを容易に推定できるようにする。樹脂材料の樹脂材料計算モデルを推定するＰＶＴ特性計算モデル推定システム１において、制御装置１１と、制御装置１１により使用される記憶装置１３とを含み、演算装置１１は、前記第１樹脂材料で成形した際のプロセスデータと成形品品質と、少なくとも１つ以上の所定の関係式とに基づいて、前記第１樹脂材料計算モデルを推定し、前記所定の関係式は、前記第１樹脂材料と同一樹脂種である第２樹脂材料のＰＶＴ特性の実測により得られたＰＶＴ特性の計算モデルである第２樹脂材料計算モデルと、前記第２樹脂材料を成形した際のプロセスデータと成形品品質との関係を示す式であり、前記第２樹脂材料計算モデルと、前記第２樹脂材料を用いて成形した際のプロセスデータと成形品品質とが紐づけられて記憶装置１３に蓄積されたデータに基づいて生成される。

Description

ＰＶＴ特性計算モデル推定システムおよび方法
　本発明は、樹脂材料のＰＶＴ特性の計算モデルである樹脂材料計算モデルを推定する技術に関する。
　射出成形プロセスにおいて、樹脂材料の物性ばらつきは成形品品質に影響を与える。特に比容積の圧力・温度依存性（ＰＶＴ特性）は成形品の寸法に大きく影響するため、ＰＶＴ特性が異なる材料を成形する際は成形条件の調整が必要となる。ここで成形条件の調整は容易な作業ではなく、熟練作業者の技術と時間を要する。このため、成形条件の調整を支援するために、射出成形ＣＡＥを用いたシミュレーションが活用されている。しかし、射出成形ＣＡＥを使用するためには、樹脂材料のＰＶＴ特性の測定・計算モデル構築が必要となり、専用の比容積測定装置を用いた複数回の試験を行わなければならない。このため、測定・モデル構築の低コスト化が課題である。この課題に対して、従来、専用装置を使わずに射出成形機および金型の情報からＰＶＴ特性を測定するための方法が検討されている（特許文献１）。
　特許文献１に記載の方法では、射出成形機から金型に樹脂を充填する経路を製品部とＰＶＴ特性を測定するためのプランジャユニット部で切り替えられるようにし、プランジャユニット部に樹脂を充填した際の樹脂温度、樹脂圧、プランジャ位置を検出し、ある樹脂温度・圧力における比容積を測定する。また、プランジャユニット部に供給した樹脂を供給側に逆送することにより、複数の樹脂温度・圧力条件下における比容積測定処理を繰り返して行い、ＰＶＴ特性を取得することができる。
特開２００６－１３７０５７号公報
　射出成形における成形品品質は、樹脂の材料特性の影響を受ける。例えば、同一種類（例えば、ポリプロピレン、略称：ＰＰ）の材料であっても、グレード単位やサプライヤ単位毎にＰＶＴ特性が異なるため、同じ成形条件で成形しても、金型内の収縮挙動が異なり、成形品品質が変動する。
　近年、プラスチック廃棄物による海洋汚染問題や、中国や東南アジアによるプラスチック廃棄物の輸入禁止措置を受けて、プラスチックのリサイクル材の活用にこれまで以上に大きな注目が集まっている。欧州を中心に一部の地域でバージン材の使用に対する課税や法規制も検討されており、プラスチックを用いた製品を製造するメーカにとってリサイクル材の活用は喫緊の課題となっている。しかし、リサイクル材は、成形時の熱履歴、使用時環境による劣化、およびリサイクル時の異物混入や熱履歴によって、バージン材と比較してＰＶＴ特性のばらつきが大きいため、バージン材以上に成形品品質のばらつきも大きくなる。
　図１は、後述する実施例の優位性を明らかにするための比較例を示すグラフであり、従来技術ではない。図１は、材料の種類は同じ（ＰＰ）かつ同じ型番であり、製造ロットが異なる３つのリサイクル材、ロットＡ、ロットＢ、ロットＣに対する、圧力水準が５０ＭＰａの場合の比容積の温度依存性を示している。図１において横軸は、樹脂温度を示し、縦軸は比容積を示している。ここで、ロットとは、サプライヤからの納品時期の違いを意味している。図１の各点プロットは、専用の比容積測定装置で得られた実測値であり、曲線プロットは、実測値に対して、数１に示す２－ｄｏｍａｉｎ　Ｔａｉｔ　ＰＶＴモデルとよばれる計算モデルをフィッティングした結果である。図１は、圧力一水準(５０ＭＰａ)における温度依存性のみを示しているが、圧力水準が変わった場合でもロット間における比容積の絶対値、温度依存変化率の大小関係は保たれている。図１より、同種の材料であってもロットが異なるとＰＶＴ特性が大きく変動することが確認できる。
Figure JPOXMLDOC01-appb-M000001
　図２は、樹脂材料のＰＶＴ特性の測定に用いる、一般的なロードセル方式の測定装置の概要図である。この測定装置では、炉体を含む温度調節機構が備わった試験槽に被測定対象（試料）の樹脂を投入し、樹脂に対してピストンで圧力を加えた時の体積を測定することによって、ある温度・圧力値（温度及び圧力値）における比容積を測定することができる。
　次に、図３を用いて、一般的なＰＶＴ特性計算モデルの構築方法を説明する。図２に示す装置を用いて、任意の温度・圧力条件（温度及び圧力条件）下での比容積の測定を、所定の回数分異なる温度・圧力条件で繰り返し行う。その後、樹脂材料のＰＶＴ特性を表す数理モデルを選択し、比容積の測定点に対してフィッティングを施すことで、ＰＶＴ特性計算モデルを構築する。
　図４に構築したＰＶＴ特性計算モデルの一例を示す。図４に示すＰＶＴ特性計算モデルは、樹脂に与える圧力を固定した状態で温度を変化させて測定した比容積に対して、２－ｄｏｍａｉｎ　Ｔａｉｔ　ＰＶＴモデルでフィッティングした結果である。グラフより、数理モデルが実測比容積をよく表現していることが確認できる。
　特許文献１に記載の方法では、図２に示す測定装置を使わず、金型にＰＶＴ特性を取得するための専用ユニットを取り付けることが前提となっている。従って、この方法では、測定用の専用ユニットと、製品を得るための金型とを接続および切り替えるための追加開発が必要である。また、ＰＶＴ特性を得るためには、同一樹脂に対して複数の樹脂温度・圧力条件下で測定を行う必要がある。ここで、樹脂は与えられた温度や圧力の影響により、各種物性が変化する性質を持つ。この方法では、ＰＶＴ特性を得るために専用ユニットから樹脂を逆送し、同一樹脂を繰り返し使用しながら複数の温度・圧力条件下で測定を行うため、樹脂特性が劣化する虞がある。従って、この方法では、複数条件での測定を繰り返すための工数が必要であるとともに、被測定樹脂の劣化による測定精度が低下し、得られたＰＶＴ特性を用いた成形では、成形品品質が低下する可能性も考えられる。
　また、射出成形ＣＡＥと連携するためには、一つの樹脂材料のＰＶＴ特性を測定した後、ＰＶＴ特性を記述する計算モデルを用いて実測値に対してフィッティングを施し、材料の計算モデルを構築する工程も必要となる。
　本発明は、上記課題に鑑みなされたものであり、その目的は、樹脂材料のＰＶＴ特性計算モデルを容易に推定することができる技術を提供することにある。
　上記目的を達成するため、一観点に係るＰＶＴ特性計算モデル推定システムは、第１樹脂材料のＰＶＴ特性の計算モデルである第１樹脂材料計算モデルを推定するＰＶＴ特性計算モデル推定システムであって、プロセッサと、前記プロセッサにより使用されるメモリとを含み、前記プロセッサは、前記第１樹脂材料で成形した際のプロセスデータと成形品品質と、少なくとも１つ以上の所定の関係式とに基づいて、前記第１樹脂材料計算モデルを推定し、前記所定の関係式は、前記第１樹脂材料と同一樹脂種である第２樹脂材料のＰＶＴ特性の実測により得られたＰＶＴ特性の計算モデルである第２樹脂材料計算モデルと、前記第２樹脂材料を成形した際のプロセスデータと成形品品質との関係を示す式であり、前記第２樹脂材料計算モデルと、前記第２樹脂材料を用いて成形した際のプロセスデータと成形品品質とが紐づけられて前記メモリに蓄積されたデータに基づいて生成される。
　本発明によれば、樹脂材料のＰＶＴ特性計算モデルを容易に推定することができる。
図１は、比較例としての、納品時期が異なるリサイクル材に対するＰＶＴ特性図である。 図２は、ＰＶＴ特性の測定装置の構成図である。 図３は、ＰＶＴ特性計算モデル構築方法を説明する図である。 図４は、ＰＶＴ特性計算モデルを示す図である。 図５は、実施例１に係るＰＶＴ特性計算モデル推定システムの機能ブロック図である。 図６は、実施例１に係る射出成形機の概念図である。 図７は、実施例１に係るＰＶＴ特性計算モデル推定システムの実現に使用することができる計算機の構成図である。 図８は、実施例１に係る射出成形におけるプロセスデータの取得に用いる金型の概念図である。 図９は、実施例１に係る特徴量を登録する処理のブロック図である。 図１０は、実施例１に係る射出成形時におけるセンサによる取得データの時系列変化を示すグラフである。 図１１は、実施例１に係る回帰モデルの学習用データセットの構成図である。 図１２は、実施例１に係る回帰モデル学習処理のフローチャートである。 図１３は、実施例１に係るＰＶＴ特性計算モデル係数推定処理のフローチャートである。 図１４は、実施例１に係るＰＶＴ特性計算モデル係数の推定用データセットの構成図である。 図１５は、実施例１に係る推定されたＰＶＴ特性計算モデルを説明する図である。 図１６は、実施例２に係るＰＶＴ特性計算モデル推定システムの機能ブロック図である。 図１７は、実施例１及び実施例２に係るＰＶＴ特性計算モデルデータベースの構成図である。
　実施形態について、図面を参照して説明する。なお、以下に説明する実施形態は特許請求の範囲に係る発明を限定するものではなく、また実施形態の中で説明されている諸要素及びその組み合わせの全てが発明の解決手段に必須であるとは限らない。
　本実施形態では、樹脂材料のＰＶＴ特性計算モデルを推定するシステムを提供する。このシステムは、例えば、ＰＶＴ特性が既知である第２樹脂材料のＰＶＴ特性計算モデルと、第２樹脂材料を用いて各所定の単位間で共通の基準射出成形条件で成形した際のセンサデータと成形品品質との関係を示す所定の関係式を、予め得られている、第２樹脂材料計算モデルと、第２樹脂材料を用いて成形した際のプロセスデータと成形品品質と、が紐づけられて蓄積されたデータに基づいて予め生成しておき、第１樹脂材料を用いて基準射出成形条件で成形した際のプロセスデータと、成形品品質と、前記生成した所定の関係式とから、前記第１樹脂材料のＰＶＴ特性計算モデルを推定する。
　本実施形態によれば、ＰＶＴ特性が既知である材料のＰＶＴ特性計算モデルと、前記ＰＶＴ特性が既知である樹脂材料を用いた成形から予め取得したセンサデータおよび成形品品質とから、少ない工数で容易に所定の樹脂材料のＰＶＴ特性計算モデルを得ることができる。これにより、例えばリサイクル材のような同一型番であっても納品単位（ロット）毎でのＰＶＴ特性ばらつきが大きいような材料に対して、納品単位毎のＰＶＴ特性計算モデルを得るための物性試験が不要となり、ＰＶＴ特性を基にした納品単位毎の射出成形条件の調整が可能になり、納品単位間のばらつき抑制およびリサイクル材の成形品品質の向上を実現できる。
　図５は、実施例１に係るＰＶＴ特性計算モデル推定システムの機能ブロック図である。ＰＶＴ特性計算モデル推定システム１は、例えば製造実行システム２と、製造工場３と、学習及び計算モデル生成システム４を含む。以下に述べるＰＶＴ特性計算モデル推定システム１の各機能の一部または全部は、ソフトウェアとして構成してもよいし、ソフトウェアとハードウェアとの協働として実現してよいし、固定的な回路を有するハードウェアを用いて実現してもよい。製造実行システム２、および製造工場３の有する機能の少なくとも一部を、オペレータが実行してもよい。
　製造実行システム２は、製造工場３に対して生産実行を指示するシステムである。製造実行システム２は、予め設定しておいた基準となる射出成形条件（以下、基準成形条件とする。）に基づいた製造条件で生産する指示を製造工場３に送る。製造条件には、例えば、生産（射出成形）に用いる射出成形機を特定する情報、生産に使用する金型を特定する情報、生産に使用する材料を特定する情報、生産する成形品の数量、生産時期、要求品質などが含まれてもよい。
　製造実行システム２について詳細に説明する。製造実行システム２は、例えば、製造条件決定部２１と、製造実行指示部２２とを備える。
　製造条件決定部２１は、基準成形条件に基づいて、上述の製造条件を決定する機能である。製造条件決定部２１は、製造条件に関する情報を、製造実行指示部２２に渡す。なお、製造条件に関する情報は、製造工場３を介して学習及び計算モデル生成システム４に送信される。製造条件に関する情報は、金型、射出成形機および材料に関する所定の情報を含むことができる。
　所定の情報は、例えば、金型の容量、金型のランナー構成を含んでもよく、さらに、使用する樹脂材料のサプライヤ単位の製造番号（型番）およびサプライヤごとの納品番号（例えば、ロット番号）等を含んでいてもよい。
　製造実行指示部２２は、製造工場３に対して製造実行を指示する機能である。なお、製造実行を生産と呼ぶこともできる。製造実行指示には、例えば、基準成形条件での成形の要求が含まれる。本実施形態では、製造実行指示部２２は、製造条件決定部２１から送信された所定の情報を製造工場３に送信する。所定の情報は、製造工場３を介して学習及び計算モデル生成システム４に入力され、樹脂材料のサプライヤ単位の製造番号およびサプライヤごとの納品番号毎に、ＰＶＴ特性計算モデルを推定するために使用される。
　製造工場３を説明する。製造工場３は、製造実行システム２からの製造実行指示を受けて、射出成形プロセス３２を実行する。以下、射出成形を「ＩＭ」と略記する場合がある。
　製造工場３は、例えば、製造実行部３１と、複数台の射出成形機５０（図６で後述）と、複数台の金型５０９（図６で後述）と、成形品品質検査部３３とを有する。以下、成形品品質検査部３３を品質検査部３３と略記する場合がある。
　製造実行部３１は、製造実行指示部２２から基準成形条件での成形の指示を受け取ると、指示された金型と材料との組み合わせに対して、予め指定された基準成形条件を射出成形機５０に入力することにより射出成形プロセス３２を実行する。すなわち、射出成形プロセス３２は、基準成形条件に従って射出成形するプロセスである。
　品質検査部３３は、射出成形プロセス３２で得られた成形品の品質を検査する機能である。成形品品質は、例えば、寸法、重量に基づいて評価する。成形品の品質検査は、自動的に行われてもよいし、検査員により手動で行われてもよいし、半自動で行われてもよい。
　なお、品質検査部３３で検査する成形品品質を、成形品の反り量、バリ、傷、光沢、色彩に基づいて評価してもよい。品質検査部３３は、製造実行部３１が受け取った製造条件と、成形品品質の検査結果とを紐づけて、学習及び計算モデル生成システム４の成形品品質記録部４０４に出力する。
　なお、本実施例において、金型を使用した際の、使用材料ごとの材料特性に係わる情報は、予め製造工場３が保有する各射出成形機および金型に搭載されたセンサ３４により、射出成形機の所定の位置及び金型内の所定の位置おける物理量を測定して、学習及び計算モデル生成システム４のセンサ情報記録部４０１に出力される。金型に搭載されたセンサの詳細に関しては、図８を用いて後述する。ここで、材料特性に係わる情報とは、例えば、材料の流動性や材料物性、およびこれらに相関する物理量を意味する。
　ここで、射出成形機の所定の位置とは、例えば、ノズル先端部などである。金型内の所定の位置とは、例えば、金型の樹脂流入口などである。物理量には、例えば、樹脂の圧力、樹脂の温度、樹脂の速度、樹脂の材料物性、および金型の開き量（型開き量）が含まれる。材料物性とは、例えば、樹脂の密度、樹脂の粘度、樹脂の繊維長の分布（強化繊維含有量材料の場合）などである。このうち、材料の流動性に最も相関する物理量は、樹脂の粘度であるが、材料の流動性に相関する物理量としては、その他の圧力、温度、および速度から算出した流動性に相関する量を用いることもできる。
　学習及び計算モデル生成システム４は、例えば、センサ情報記録部４０１、特徴量抽出部４０２、特徴量データベース４０３、成形品品質記録部４０４、ＰＶＴ特性計算モデル係数記憶部４０５、連結処理部４０６、学習用データベース４０７、回帰モデル学習部４０８、回帰モデル保存部４０９、学習済みモデル記憶部４１０、回帰モデル読み出し部４１１、推定用データベース４１２、ＰＶＴ特性計算モデル推定部４１３、ＰＶＴ特性計算モデル保存部４１４、及びＰＶＴ特性計算モデルデータベース４１５を含む。
　一般に、計算モデルとは、ある現象を数学的に抽象化した数理モデルを指し、ＰＶＴ特性計算モデルとは、樹脂材料のＰＶＴ特性を表す数理モデルを指す。また、本実施例の説明においてＰＶＴ特性計算モデルは、所定の材料単位毎に数理モデルのパラメータ（係数）が決定された計算モデルのことを指す。
　センサ情報記録部４０１は、製造工場３の射出成形プロセス３２中においてセンサ３４により取得される、金型内の所定の位置における物理量を記録する。特徴量抽出部４０２は、センサ情報記録部４０１で一時記録された物理量に対して特徴量抽出を行い、所定の材料単位と、射出成形機と金型との組み合わせと、抽出した特徴量とを紐づけて特徴量データベース４０３に記録する。ここで、特徴量は物理量そのままでもよく、物理量及び特徴量は、プロセスデータに対応する。また、所定の材料単位とは、例えば、材料サプライヤごとの樹脂材料（リサイクル材も含む）の型番ごとの単位または、同一の型番のロットごとの単位等の材料を区別する単位を意味する。また、特徴量データベース４０３に記録された、材料単位と、射出成形機と金型との組み合わせと、抽出した特徴量とを紐づけたデータ群のことを、本実施例では、特徴量データセットという。特徴量抽出部４０２の処理に関しては、図６および図７を用いて後述する。
　ここで、射出成形機と金型との組み合わせを固定すると共に、射出成形プロセス３２における成形条件を固定した状態において、所定の材料単位だけが変化した場合、センサ３４から得られる物理量から抽出される特徴量は、材料単位間の材料情報（例えば、流動性や物性値）の変化の影響を強く受ける。
　このため、材料単位毎に固有の材料情報を特徴量間の差として記録することが可能となる。ここで、センサ３４から得られる物理量から抽出される特徴量は、射出成形機及び金型の機差による影響を受けるため、特徴量データセットは、射出成形機と金型の組み合わせごとに、材料単位毎に固有の材料情報を特徴量間の差として保存する。本実施例では、特徴量データセットは、全て、射出成形機と金型の組み合わせが固定されているものとして説明する。
　成形品品質記録部４０４は、品質検査部３３により検査された成形品品質と、製造条件（所定の材料単位と、射出成形機と金型との組み合わせ）と、を紐づけて記録する。
　ＰＶＴ特性計算モデル係数記憶部４０５には、所定の材料単位毎に予め測定された樹脂材料のＰＶＴ特性により構築されたＰＶＴ特性計算モデルの各係数が、所定の材料単位の情報と紐づいて記憶されている。本実施例において、ＰＶＴ特性計算モデルには、例えば２－ｄｏｍａｉｎ－ｔａｉｔモデル、Ｓｐｅｎｃｅｒ－Ｇｌｉｍｏｒｅモデル、Ｍｏｄｉｆｉｅｄ－Ｃｅｌｌモデル、Ｓｉｍｈａ－Ｓｏｍｃｙｎｓｋｙモデルなどの計算モデルを用いてよい。
　連結処理部４０６は、特徴量データベース４０３から取得した材料情報と紐づいた特徴量データセットと、成形品品質記録部４０４から取得した成形品品質及び製造条件と、ＰＶＴ特性計算モデル係数記憶部４０５から取得したＰＶＴ特性計算モデル（第２樹脂材料計算モデル）の各係数とを、材料情報を結合キーとして、特徴量データセットと、成形品品質と、ＰＶＴ特性計算モデルの各係数と、製造に使用した材料とが対応したデータセット（以下、このデータセットを学習用データセットという）を生成し、この学習用データセットを学習用データベース４０７に記録する。
　また、連結処理部４０６は、ＰＶＴ特性計算モデル係数記憶部４０５に係数が記憶されていない樹脂材料（例えば、ＰＶＴ特性が未知である樹脂材料：第１樹脂材料）の材料情報に対応する、特徴量データベース４０３から取得した材料情報と紐づいた特徴量データセットと、成形品品質記録部４０４から取得した成形品品質及び製造条件とを、材料情報を結合キーとして、特徴量データセットと、成形品品質と、製造に使用した材料とが対応したデータセット（以下、このデータセットを推定用データセットという）を生成し、この推定用データセットを推定用データベース４１２に記録する。この推定用データセットは、ＰＶＴ特性計算モデル係数を含んでいない。
　回帰モデル学習部４０８は、学習用データベース４０７から学習用データセットを取得し、特徴量データセットと成形品品質とを説明変数とし、ＰＶＴ特性計算モデル係数の内の１つを目的変数とした回帰モデルを用いて、説明変数から目的変数を予測する回帰モデルを学習し、学習済み回帰モデルを生成する。
　一般に回帰モデルとは、説明変数（Ｘ）から目的変数（ｙ）を予測するモデル（ｙ＝ｆ（Ｘ））のことを指し、回帰モデル内のパラメータは学習用データによって決定される。本実施例の説明において「回帰モデル」というときは、回帰モデル全般のことを指し、「学習済み回帰モデル」というときは、学習用データによって、モデルのパラメータが決定された回帰モデルのことを指す。
　本実施例において、回帰モデルには、例えば線形回帰、リッジ回帰、サポートベクタマシン、ニューラルネットワーク、ランダムフォレスト回帰等の回帰モデル、またはこれらを組み合わせた回帰モデルを用いてよい。また、使用する回帰モデルが、例えばニューラルネットワークのように複数の目的変数を持つことができる場合は、目的変数としてＰＶＴ特性計算モデルの係数の中から複数選定してもよい。
　回帰モデル保存部４０９は、回帰モデル学習部４０８において生成された学習済み回帰モデルを、学習済み回帰モデル記憶部４１０に記録する。回帰モデル読み出し部４１１は、学習済み回帰モデル記憶部４１０から学習済み回帰モデルを取得し、ＰＶＴ特性計算モデル推定部４１３へ入力する。
　推定用データベース４１２は、推定用データセットを記録する。
　ＰＶＴ特性計算モデル推定部４１３は、ＰＶＴ特性が未知である樹脂材料のＰＶＴ特性計算モデルを推定する。ＰＶＴ特性計算モデル推定部４１３は、推定用データベース４１２から読み出した推定用データセットと、回帰モデル読み出し部４１１から読み出した学習済み回帰モデル（例えば、同一の型番のＰＶＴ特性計算モデルが既知のロットの情報に基づいて学習された回帰モデル）とに基づいて、ＰＶＴ特性が未知である所定の材料単位の樹脂材料のＰＶＴ特性計算モデル（第１樹脂材料計算モデル）を推定し、推定したＰＶＴ特性計算モデル（推定ＰＶＴ特性計算モデル）をＰＶＴ特性計算モデル保存部４１４へ入力する。
　ＰＶＴ特性計算モデル保存部４１４は、入力された推定ＰＶＴ特性計算モデルをＰＶＴ特性計算モデルデータベース４１５に格納する。
　ＰＶＴ特性計算モデルデータベース４１５は、ＰＶＴ特性計算モデル係数記憶部４０５に格納されている既知のＰＶＴ特性計算モデルと、ＰＶＴ特性計算モデル保存部４１４により格納されたＰＶＴ特性計算モデル（推定ＰＶＴ特性計算モデル）とを、対応する材料単位と、ＰＶＴ特性計算モデルが既知であるか又は推定されたものであるかを示す情報とに紐づいたデータとして記録する。図１７は、本実施例のＰＶＴ特性計算モデルデータベースの構成を示す。図１７に示すように、ＰＶＴ特性計算モデルデータベース４１５は、所定の材料単位を示す樹脂材料の型番及びロットと、既知又は推定の情報と、ＰＶＴ特性計算モデルの係数とを格納する。
　図７は、ＰＶＴ特性計算モデル推定システム１の実現に使用することができる計算機１０の構成例を示す。ここでは、一つの計算機１０によりＰＶＴ特性計算モデル推定システム１を実現する場合を説明するが、これに限らず、複数の計算機を連携させることにより一つまたは複数のＰＶＴ特性計算モデル推定システム１を構築することもできる。また、上述の通り、製造実行システム２、および製造工場３は、専用のソフトウェアやハードウェアを用いず、各機能の一部または全部をオペレータが実施することで、ＰＶＴ特性計算モデル推定システム１を実現することもできる。
　計算機１０は、例えば、演算装置１１、メモリ１２、記憶装置１３、入力装置１４、出力装置１５、通信装置１６、媒体インターフェース部１７を備えており、それら各装置１１～１７は通信経路ＣＮ１により接続されている。通信経路ＣＮ１は、例えば、内部バス、ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）などである。
　演算装置１１は、例えばマイクロプロセッサなどから構成されており、プロセッサの一例である。演算装置１１は、マイクロプロセッサに限らず、例えば、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）などを含んでもよい。演算装置１１は、記憶装置１３に記録されたコンピュータプログラムをメモリ１２に読み出して実行することにより、ＰＶＴ特性計算モデル推定システム１としての各機能２１、２２、３１、４０１～４１５、６０を実現する。
　記憶装置１３は、コンピュータプログラムとデータとを記憶する装置であり、例えば、フラッシュメモリまたはハードディスクなどの書き換え可能な記憶媒体を有する。記憶装置１３には、オペレータにＧＵＩ（Ｇｒａｐｈｉｃａｌ　Ｕｓｅｒ　Ｉｎｔｅｒｆａｃｅ）を提供するＧＵＩ部６０を実現するためのコンピュータプログラムと、上述した各機能２１、２２、３１、４０１～４１５を実現するためのコンピュータプログラムとが格納される。
　入力装置１４は、オペレータが計算機１０に情報を入力する装置である。入力装置１４としては、例えば、キーボード、タッチパネル、マウスなどのポインティングデバイス、音声指示装置（いずれも不図示）などがある。出力装置１５は、計算機１０が情報を出力する装置である。出力装置１５としては、例えば、ディスプレイ、プリンタ、音声合成装置（いずれも不図示）などがある。
　通信装置１６は、外部の情報処理装置と計算機１０とを通信経路ＣＮ２を介して通信させる装置である。外部の情報処理装置としては、図示せぬ計算機のほかに、外部記憶装置１９がある。計算機１０は外部記憶装置１９に記録されたデータ（計算機固有情報、生産実績など）およびコンピュータプログラムを読み込むことができる。計算機１０は、記憶装置１３に記憶されたコンピュータプログラムおよびデータの全部または一部を、外部記憶装置１９に送信して記憶させることもできる。
　媒体インターフェース部１７は、外部記録媒体１８に読み書きする装置である。外部記録媒体１８としては、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）メモリ、メモリカード、ハードディスクなどがある。外部記録媒体１８から記憶装置１３に記憶されたコンピュータプログラムおよびデータの全部または一部を外部記録媒体１８に転送して記憶させることもできる。
　図６は、射出成形機５０の概念図である。図６を用いて、射出成形プロセスの各過程を説明する。本実施例において、成形現象とは、射出成形プロセスにおいて生じる一連の現象を示す。本実施例では、射出成形プロセスを、計量および可塑化過程と、射出および保圧過程と、冷却過程と、取出過程とに大別する。
　計量および可塑化過程では、可塑化用モータ５０１を駆動力としてスクリュー５０２を後退させ、ホッパー５０３から樹脂ペレット５０４をシリンダ５０５内へ供給する。そして、ヒータ５０６による加熱とスクリュー５０２の回転とにより、樹脂を可塑化させて均一な溶融状態とする。スクリュー５０２の背圧および回転数の設定により、溶融樹脂の密度と強化繊維の破断度合いとが変化し、これらの変化は成形品品質に影響を与える。
　射出および保圧過程では、射出用モータ５０７を駆動力としてスクリュー５０２を前進させ、ノズル５０８を介して溶融樹脂を金型５０９内へ射出する。金型５０９内に射出された溶融樹脂には、金型５０９の壁面からの冷却と、流動に起因するせん断発熱とが並行して作用する。すなわち溶融樹脂は、冷却作用と加熱作用を受けながら金型５０９内を流動する。金型５０９を閉じておく力である型締め力が小さい場合は、溶融樹脂の固化後に微小な金型開きが生じてしまい、その微小な隙間により成形品品質が影響を受ける。
　冷却過程では、一定温度に保持された金型５０９により、溶融樹脂が固化温度以下に冷却される。この冷却過程において発生する残留応力は、成形品の品質に影響を与える。残留応力は、金型内での流動により生じる材料物性の異方性、保圧による密度分布、成形収縮率の不均等に伴い発生する。
　取出過程では、金型５０９を開閉するモータ５１１を駆動力として型締機構５１２を駆動させることにより、金型５０９を開く。そして、突き出し用モータ５１３を駆動力としてエジェクタ機構５１４を駆動させることにより、固化した成形品を金型５０９から取り出す場合において、十分な突き出し力が成形品に均等に作用しなかったときには、成形品に残留応力が残ってしまい、成形品の品質に影響する。
　射出成形機５０において、ロードセル５１０による圧力値が、入力された成形条件内の圧力値へ近づくように圧力制御される。シリンダ５０５の温度は、複数のヒータ５０６により制御される。スクリュー５０２の形状とシリンダ５０５の形状とノズル５０８の形状とによって、射出成形機毎に異なる圧力損失が生じる。これにより、金型５０９の樹脂流入口における圧力は、射出成形機５０に入力された成形条件に示される圧力よりも低い値となる。さらに、ヒータ５０６の配置とノズル部における樹脂のせん断発熱とに起因して、金型５０９の樹脂流入口における樹脂温度は、射出成形機５０に入力された成形条件に示される樹脂温度と異なる場合がある。
　射出機構の構成（スクリュー５０２の形状、シリンダ５０５の形状、ノズル５０８の形状、ヒータ５０６の配置等）は、射出成形機ごとに異なり、これが機差となり成形品品質に影響を与える場合がある。
　成形品品質は、形状特性（重量、寸法、厚さ、ヒケ、バリ、反りなど）と、外観不良などの表面特性（ウェルド、シルバー、焼け、白化、傷、気泡、剥離、フローマーク、ジェッティング、色・光沢など）と、機械的・光学特性（引張強度、耐衝撃特性、透過率など）で評価される。
　本実施例においては、評価する成形品の品質として、例えば、重量、寸法とを用いている。成形品形状にショートショットやオーバーパック等の不良が無い場合、成形品の重量は金型容積に対する樹脂材料の比容積によって変化すると考えられるため、重量はＰＶＴ特性と相関の大きい物理量である。また、同じく上述の不良が無い場合、成形品の寸法は樹脂の収縮率によって変化すると考えらえるため、寸法もＰＶＴ特性と相関の大きい物理量である。
　形状特性は、射出および保圧過程と冷却過程とにおける、圧力および温度の履歴と型締力とに強い相関がある。表面特性は、発生する現象に対してそれぞれ発生要因が異なるが、例えばフローマークおよびジェッティングは、射出過程における樹脂の温度と速度に強い相関がある。機械的および光学的特性は、例えば引張強度の場合、破壊試験での評価が必要となるため、重量などの相関する他の品質指標で評価されることが多い。
　成形条件には、射出成形プロセスの各過程に対応したパラメータが設定される。計量および可塑化過程については、計量位置、サックバック、背圧、背圧速度、および回転数などが設定される。射出および保圧過程については、圧力と温度と時間と速度とがそれぞれ設定される。射出および保圧過程については、射出と圧力とを切り替えるスクリュー位置（ＶＰ切替位置）と、金型５０９の型締め力も設定される。冷却過程については、保圧後の冷却時間が設定される。温度に関するパラメータとして、複数のヒータ５０６の温度、および金型５０９を冷却するための冷媒の温度および流量などが設定される。
　図８は、本実施例において、射出成形におけるプロセスデータの取得に用いる金型の概要を示す。図８において、図８（Ａ）は、金型７０の製品部の上面図を示し、図８（Ｂ）は、金型７０の製品部の側面図を示し、図８（Ｃ）は、金型のランナー部７５の上面図を示す。この金型７０は、ランナー部７５から５点のピンゲート方式で製品部へ樹脂が流入する構造である。実際の成形実験では、製品部のセンサ配置部７１に、金型内の樹脂の温度を測定するための樹脂用温度センサ７２と、樹脂の圧力を測定する圧力センサ７３と、金型の温度を測定する金型用温度センサ７４とを配置し、ランナー部７５のセンサ配置部７６に、樹脂用温度センサ７２と、圧力センサ７３とを配置し、これらの時間変化を取得した。これら樹脂用温度センサ７２と、圧力センサ７３と、金型用温度センサ７４とが、センサ３４に対応する。成形に使用する樹脂材料は、ポリプロピレン（ＰＰ）を用いた。射出成形機は、最大型締力１５０ｔおよびスクリュー径４４ｍｍの電動射出成形機を用いた。
　図９は、センサ３４から得られた物理量に対して特徴量抽出部４０２が特徴量抽出を行い、その結果を特徴量データベース４０３へ記録することで、材料情報を取得する方法の例を示すブロック図である。図９に示す材料情報の取得情報は、所定の位置に所定の物理量を計測するセンサが設けられた「センサ付き金型」、「センサ内臓金型」のいずれかを用いることにより実現される。
　まず任意の材料６０１に対して、固定された成形条件である基準成形条件６０２を、実際の射出成形機６０３へ入力することにより、金型内の所定部位における物理量を取得する。ここで、射出成形機６０３は、図６で述べた射出成形機５０に対応する。また、基準成形条件は、図５で述べた射出成形プロセス３２を実行する際に射出成形機に入力される条件に対応する。
　金型内の所定部位における物理量は、使用する材料自体の材料情報、金型および射出成形機固有の機差、成形条件の影響をうける。このため、金型と射出成形機の組み合わせごとに基準成形条件６０２を設定することにより、機差および成形条件の影響を抑制して、材料固有の材料情報を物理量の特徴量として特徴量データベース６１０に記録できる。なお、基準成形条件は、金型と射出成形機の組み合わせごとに変更してもよい。
　実際の射出成形機６０３において成形現象を取得するためには、金型内センサ６０６を用いる。金型６０４内の任意の位置に金型内センサ６０６を配置することにより、金型６０４内の成形現象を直接測定して、材料情報と相関した物理量の実測値６０８を取得することができる。成形品６０５の品質は、製品品質検査６０７により取得され、成形品品質記録部６１１に記録される。
　得られた物理量の実測値から、特徴量が抽出される（６０９）。得られた物理量の実測値は、いずれも射出成形プロセス中の時間変化として取得されるため、直接評価することは難しい。そこで、本実施例では、物理量の時間変化から、材料情報と相関する特徴量を取得することにより、材料情報の定量的評価した。材料間で共通した基準成形条件で成形することによって、材料間の特徴量を比較することで、材料間の材料情報が比較可能となる。
　図１０および図１１を用いて、図４で述べたＰＶＴ特性を得るための実験例の測定結果を説明する。図１０は、納品時期の異なる３つのＰＰの材料ロットＡ、Ｂ、Ｃそれぞれに対して、基準成形条件で射出成形した際のランナーのセンサ配置部７６における、圧力センサ７３および樹脂用温度センサ７２の時系列データを示す。図１０に示すように、センサ取得波形は、同一成形条件であっても、ロット毎に時系列データの変動が異なっており、圧力センサ７３の時系列データが、材料固有の材料情報、例えば図１に示す所定の材料単位間のＰＶＴ特性のばらつきの影響を受けていることが確認できる。
　図１１には、図１０に示す材料ロット毎の金型内の異なる位置に取り付けた複数の圧力センサおよび樹脂温度センサ波形から抽出された特徴量の結果例が含まれている。図１１における説明変数の一部分が特徴量の結果例である。特徴量としては、圧力センサおよび樹脂温度センサのセンサ値のピーク値、ピーク値までの積分値、ピーク値からの積分値等がある。なお、図示していないが、圧力センサおよび樹脂温度センサのセンサ値の最大微分値、ピーク値および位置に設置したセンサ値を特徴量としてもよい。
　図１１によれば、特徴量がロット間でばらついていることから、抽出した特徴量が材料情報の影響を受けていることが確認できる。また、同じ材料ロットでもセンサ取り付け位置によって特徴量が変化していることが確認できる。このように、ロット毎に特徴量抽出処理を行い、ロット毎に特徴量が紐づいたデータセットを特徴量データセットといい、特徴量データベース４０３に記録される。本実施例では、特徴量データセットは、図１１に示すように、圧力センサおよび樹脂用温度センサ、金型用温度センサの複数センサのそれぞれの特徴量を紐づけたデータセットとしている。
　以下、物理量を測定する金型の部位、樹脂情報に相関する物理量のパラメータおよび特徴量について説明する。
　まず、物理量を測定する金型内の部位（以下、測定部位）について説明する。いずれの金型構造においても、測定部位は、少なくとも金型内の樹脂流入口からキャビティ内に至るまでのスプルー部あるいはランナー部を含むことが好ましい。
　スプルー部およびランナー部に加えて、例えば、キャビティ内のゲート直下部、樹脂合流部（ウェルド部）、流動末端部などのように、特徴的な流動が観測されうる部位を測定部位として使用してもよい。この場合、取り付け位置が異なる複数のセンサにより得られる物理量から、より高精度に材料固有のＰＶＴ特性に相関する物理量を求めることができる。
　例えば、基準成形条件での成形において、成形中の樹脂の圧力・温度は金型内の位置によって異なる。そのため、取り付け位置が異なる複数のセンサによって、１つの成形条件で異なる圧力・温度条件下における樹脂の物理量を測定することが可能である。これにより、より高精度に材料固有のＰＶＴ特性に相関する物理量を求めることができる。
　なお、金型構造と測定する物理量とによって、適切な測定部位は異なる。金型開き量以外の物理量では、いずれの金型構造であっても、可能であるならスプルー部を測定部位とするのが好ましい。なお、本明細書において「好ましい」という表現は、何らかの有利な効果を期待できるという意味で使用しているにすぎず、その構成が必須であることを意味していない。
　サイドゲート、ジャンプゲート、サブマリンゲート、およびバナナゲートでは、スプルー部直下のランナー部や、ゲート直前のランナー部などにセンサ配置する。ピンゲートの場合、３プレート構造となるため、センサ配置には工夫が必要だが、スプルー部直下のランナー部などにセンサを配置する。ピンゲートの場合、キャビティには繋がらないダミーのランナーを測定用に設けて測定部位としてもよい。測定専用の部位を設けることにより、金型設計の自由度が向上する。ピンゲートの場合、キャビティには繋がらないダミーのランナーを測定用に設けて測定部位としてよい。測定専用の部位を設けることにより、金型設計の自由度が向上する。フィルムゲートやファンゲートの場合、ゲート部に流入する前のランナー部にセンサを設置する。
　上述の物理量として測定するパラメータについて説明する。本実施例では、所定の材料単位のＰＶＴ特性計算モデルの推定を行うために、少なくとも圧力および温度を測定する。圧力と温度の測定には、例えば、金型内圧力センサ、金型表面温度センサ、樹脂温度センサなどを用いることができる。樹脂温度センサには、熱電対などの接触式温度センサ、または赤外線放射温度計などの非接触式温度センサのいずれかまたは両方を用いることができる、圧力と温度とのいずれの物理量も、射出成形プロセス中の時間変化を記録する。
　上述の物理量の特徴量について説明する。本実施例においては、例えば、圧力の最大値（時間変化のピーク値）と積分値と、温度の最大値（時間変化のピーク値）とを特徴量として用いることができる。また、圧力の時間変化に対して、時間微分値の最大値を取得することも有効である。圧力の時間微分値の最大値は、材料の瞬間粘度と相関がある。また、圧力の積分値は、射出過程と保圧過程とで分けて算出してもよい。保圧過程における圧力の積分値はゲートシール後の無圧力下における比容積の温度依存変化と相関が大きい物理量であると考えられる。
　図１１を用いて、学習用データベース４０７に記録される学習用データセットを説明する。学習用データセットは、図１１に示すように、特徴量データセットと、成形品品質と、ＰＶＴ特性計算モデルの各係数（目的変数に対応）と、製造条件決定部２１から取得された製造条件と、所定の材料単位とが、紐づけられたデータである。学習用データセットは、学習用データベース４０７では、射出成形機と金型の組み合わせに対応付けられて、射出成形機と金型の組み合わせ毎に記録される。
　本実施例では、学習用データセットとしては、前述したＰＶＴ特性が既知である材料ロットＡ，Ｃを使用し、成形品品質として重量、寸法で評価し、ＰＶＴ特性計算モデルとして２－ｄｏｍａｉｎ－Ｔａｉｔモデルを用いた。
　図１２を用いて、学習及び計算モデル生成システム４における回帰モデル学習処理について説明する（回帰モデル学習フローチャート）。回帰モデル学習処理では、まず、回帰モデル学習部４０８は、学習用データベース４０７から学習用データセットを読み出し、学習用データセットの中の特徴量データセットと、成形品品質とについて標準化処理を行う（Ｓ１０１）。
　図１１は、回帰モデル学習処理で用いた射出成形機と金型の組み合わせ毎に記録される学習用データセットの一例である。学習用データセットは、材料ロットＡ、Ｃの各ロット名、各センサにおける圧力・樹脂温度のピーク値、ピーク値までの積分値、ピーク値からの積分値と成形品重量、寸法、および各ロットのＰＶＴ特性計算モデルの係数が紐づいている。
　標準化処理とは、対象とする学習用データセットの列ごとに、データ群の平均値および標準偏差を算出し、各列のデータに対して、その列の平均値を引き、その列の標準偏差で割る処理である。標準化処理により各列のデータ群は平均が０、標準偏差が１になるため、列間の単位の違いによる影響を除くことができる。一般に、標準化処理を行うことにより、回帰モデルの学習精度を向上させる効果がある。
　次に、学習及び計算モデル生成システム４の回帰モデル学習部４０８は、学習用データセットのＰＶＴ特性計算モデル係数を読み込む（Ｓ１０２）。次いで、回帰モデル学習部４０８は、目的変数（出力パラメータ）をＰＶＴ特性計算モデル係数の１つとし、説明変数（入力パラメータ）を、標準化処理後の特徴量データセット及び成形品品質とした、回帰モデルを作成して、この回帰モデルを機械学習により学習することにより学習済み回帰モデルを生成し、このような学習済み回帰モデルを、使用するＰＶＴ特性計算モデルの係数分繰り返して、各係数のそれぞれに対応する学習済み回帰モデルを生成する（Ｓ１０３）。これにより、使用するＰＶＴ特性計算モデルの係数分の学習済み回帰モデルが生成されることとなる。
　本実施例では、ＰＶＴ特性計算モデルとして、２－ｄｏｍａｉｎ－ｔａｉｔモデルを用いた例を示しているが、ＰＶＴ特性計算モデルには、例えば、Ｓｐｅｎｃｅｒ－Ｇｌｉｍｏｒｅモデル、Ｍｏｄｉｆｉｅｄ－Ｃｅｌｌモデル、Ｓｉｍｈａ－Ｓｏｍｃｙｎｓｋｙモデルなどの計算モデルを用いてよい。
　また、本実施例では、学習済み回帰モデルを例えば、リッジ回帰を用いて生成したが、線形回帰、サポートベクタマシン、ニューラルネットワーク、ランダムフォレスト回帰等の他の回帰モデル、またはこれらを組み合わせた回帰モデルを用いて学習済み回帰モデルを生成するようにしてもよい。また、使用する回帰モデルが、例えばニューラルネットワークのように複数の目的変数を持つことができる場合は、回帰モデルにおける目的変数として、ＰＶＴ特性計算モデルの複数の係数を同時に選定してもよい。
　次いで、学習及び計算モデル生成システム４は、標準化処理に係る情報および学習済み回帰モデルを学習済みモデル記憶部４１０に保存する（Ｓ１０４）。
　図１３、図１４を用いて、学習及び計算モデル生成システム４におけるＰＶＴ特性計算モデル係数推定処理を説明する（ＰＶＴ特性計算モデル係数推定フローチャート）。学習及び計算モデル生成システム４のＰＶＴ特性計算モデル推定部４１３は、推定用データベース４１２からＰＶＴ特性計算モデルを推定する対象の材料（基本的には、ＰＶＴ特性計算モデルの係数が未知である材料）の推定用データセット（例えば、特徴量データセット及び成形品品質）を読み込み、推定用データセットについて標準化処理を行う（Ｓ１０５）。標準化処理は、ステップＳ１０１で算出した各列の平均値、標準偏差を用いて同様な処理を行ってもよい。
　次に、学習及び計算モデル生成システム４のＰＶＴ特性計算モデル推定部４１３は、回帰モデル読み出し部４１１により学習済み回帰モデル記憶部４１０から対応する学習済み回帰モデルを読み出し（Ｓ１０６）、読み出した学習済み回帰モデルの説明変数（入力パラメータ）に対して標準化処理後の推定用データセットの値を入力することで、推定用データセットに対してＰＶＴ特性計算モデルの係数を生成する（Ｓ１０７）。
　図１４に推定用データセットの一例を示す。本実施例では、回帰モデルにリッジ回帰を用いたため、ＰＶＴ特性計算モデルの係数のそれぞれに対して、ステップＳ１０６及びＳ１０７の処理を繰り返し、推定する対象の材料のＰＶＴ特性計算モデルのすべての係数を生成した。このように生成した係数をＰＶＴ特性計算モデルの係数とすることにより、推定対象の材料のＰＶＴ特性計算モデル（推定ＰＶＴ特性計算モデル）が特定できる。
　次いで、学習及び計算モデル生成システム４のＰＶＴ特性計算モデル保存部４１４が、標準化処理に係る情報、推定用データセット、及び推定ＰＶＴ特性計算モデルを、ＰＶＴ特性計算モデルデータベース４１５に保存する（Ｓ１０８）。
　このようにして、本実施例では、推定対象の所定単位の樹脂材料について、この樹脂材料のＰＶＴ特性を細かく測定することなく、容易且つ迅速にＰＶＴ特性計算モデルを推定することができる。例えば、同一の型番におけるロット単位のＰＶＴ特性計算モデルを容易に推定することができる。
　図１５は、本実施例において、生成した推定ＰＶＴ特性計算モデルの妥当性評価結果を示す。本評価は、本実施例で生成した学習済み回帰モデルの有効性を確かめるために行ったものであり、ＰＶＴ特性の計算モデル推定システム１を実行するうえで必ずしも実施する必要はない。以下、本評価の方法について説明する。
　本評価では、推定したＰＶＴ特性計算モデルの妥当性を確認するために、ＰＶＴ特性計算モデルが既知である材料ロットＡ、Ｂ、Ｃにおける材料ロットＢをＰＶＴ特性モデルが未知である材料ロットと仮定した。具体的には、材料ロットＡ、Ｃの学習用データセットで学習済み回帰モデルを作成し、この学習済み回帰モデルと、材料ロットＢの推定用データセットを用いて、材料ロットＢのＰＶＴ特性計算モデルを推定し、推定したＰＶＴ特性計算モデルと、既知である材料ロットＢのＰＶＴ特性とを比較評価を行った。
　図１５は、推定された材料ロットＢのＰＶＴ特性計算モデルと、公知の方法（温度を３０℃から２５０℃まで５℃刻み、圧力水準５０、１００、１５０ＭＰａ）で測定された材料ロットＢのＰＶＴ特性との比較を示すグラフである。図１５のグラフは、横軸が温度であり、縦軸が比容積であり、図中の線プロットが本実施例の方法により推定した材料ロットＢのＰＶＴ特性計算モデルを示し、点プロットが公知の方法で測定された材料ロットＢのＰＶＴ特性（比容積の実測値）である。図１５の凡例に示す線・点の形状がそれぞれの圧力水準に対応する。
　図１５に示すグラフでは、点プロットに対して線プロットの一致度が高いほど、推定したＰＶＴ特性計算モデルの妥当性が高いことを意味する。実測値に対する計算モデルの妥当性を定量評価する代表的な指標としては、決定係数が使用され、決定係数が１に近づくほど、計算モデルの妥当性が高いと言える。図１５に示すグラフにおいては、測定時の圧力水準毎に決定係数を計算すると、いずれの圧力水準に対しても、測定したＰＶＴ特性と推定ＰＶＴ特性計算モデルとの決定係数は０．９以上であり、推定したＰＶＴ特性計算モデルの妥当性が高いことが確認できる。本評価によって、射出成形プロセス３２における基準成形条件による成形から得られる特徴量データおよび成形品品質を用いた学習済み回帰モデルより、ＰＶＴ特性が未知の材料のＰＶＴ特性計算モデルを推定する方法が、良好な方法であることが確認できる。
　次に、実施例２に係るＰＶＴ特性計算モデル推定システムについて説明する。なお、実施例１に係るＰＶＴ特性計算モデル推定システムと同様な構成については、同一の符号を付す。実施例２に係るＰＶＴ特性計算モデル推定システムは、実施例１における計算機１０の機能を、インターネットを介して接続された１以上のクライアント８（クライアント計算機）とクラウドサーバ８０とで実現するようにしたシステムである。クライアント８は、データ送信部８０１と、取得データで記憶部８０２とを含み、クラウドサーバ８０上で構築された学習及び計算モデル生成システム４に接続可能である。
　クラウドサーバ８０には、学習及び計算モデル生成システム４が構築されている。クラウドサーバ８０は、ＰＶＴ特性計算モデルデータベース４１５から所定の材料単位のＰＶＴ特性計算モデルをクライアント８に提供する機能と、クライアント８から提供された成形品品質とセンサデータとを用いて、学習済みモデル記憶部４１０に記憶された学習済み回帰モデルから対象の材料単位についてのＰＶＴ特性計算モデルを推定し、クライアント８に推定ＰＶＴ特性計算モデルを提供する機能と、クライアント８から提供された成形品品質とセンサ情報とＰＶＴ特性計算モデルとを用いて、学習用データベース４０７の学習用データセットを更新し、学習用データセットにより新たに回帰モデルを学習することで学習済み回帰モデルを更新する機能と、を有する。
　以下、図１６と図１７を用いて、実施例２に係るＰＶＴ特性計算モデル推定システムのそれぞれの機能について説明する。
　図１６を用いて、ＰＶＴ特性計算モデルをクライアント８に提供する機能を説明する。
クライアント８は、クラウドサーバ８０からＰＶＴ特性計算モデルデータベース４１５の所定の材料単位毎のＰＶＴ特性計算モデルを取得可能であり、取得したＰＶＴ特性計算モデルを取得データ記憶部８０２に保存することができる。取得データ記憶部８０２に記憶されたＰＶＴ特性計算モデルは、例えば射出成形ＣＡＥ等に用いてもよい。
　図１６と図１３を用いて、クライアント８から提供された成形品品質とセンサデータとを用いて、学習済み回帰モデルからＰＶＴ特性計算モデルを推定し、クライアント８に推定ＰＶＴ特性計算モデルを提供する機能を説明する。クライアント８は、クラウドサーバ８０に対して、データ送信部８０１により、推定対象の材料の所定単位の情報と、対象の材料を用いて基準成形条件で成形した際の、成形品品質と、センサデータとを送信する。
　クラウドサーバ８０の学習及び計算モデル生成システム４は、データ送信部８０１から送信された、推定対象の材料の所定単位の情報と成形品品質とを成形品品質記録部４０４に格納し、センサデータをセンサ情報記録部４０１に渡し、ＰＶＴ特性計算モデル係数推定処理（Ｓ１０５～Ｓ１０８）を実行する。この時、射出成形機による機差を考慮するため、学習用データベース４０７における、クライアント８から送信された、基準成形条件の金型と射出成形機との組み合わせと一致する学習用データセットが使用される。
　ＰＶＴ特性計算モデル係数推定処理（Ｓ１０５～Ｓ１０８）によってＰＶＴ特性計算モデル保存部４１４に記録された推定ＰＶＴ特性計算モデルは、ＰＶＴ特性計算モデルデータベース４１５に格納される。クライアント８は、クラウドサーバ８０から、ＰＶＴ特性計算モデルデータベース４１５に格納されている、情報を送信した材料についての推定されたＰＶＴ特性計算モデルを取得して、取得データ記憶部８０２に保存することができる。
　図１６と図１２を用いて、クライアント８から提供された、成形品品質と、センサデータと、ＰＶＴ特性計算モデルとを用いて、クラウドサーバ８０上の学習用データベース４０７を更新し、新たに回帰モデルを学習することで学習済み回帰モデルを更新する機能を説明する。クライアント８は、クラウドサーバ８０の学習及び計算モデル生成システム４に、任意の所定単位の材料情報と、対象の材料を用いて基準成形条件で成形した際の、成形品品質と、センサ情報と、ＰＶＴ特性計算モデルとを送信する。
　学習及び計算モデル生成システム４は、データ送信部８０１から送信された、所定単位の材料情報及び成形品品質を成形品品質記録部４０４に格納し、センサデータをセンサ情報記録部４０１に格納し、ＰＶＴ特性計算モデルをＰＶＴ特性計算モデル係数記憶部４０５に格納し、学習済み回帰モデル構築処理（Ｓ１０１～Ｓ１０４）を実行する。
　この時、クラウドサーバ８０は、学習用データベース４０７に、クライアント８から送信された材料情報によって新たに構築された学習用データセットをマージして、学習用データベース４０７を更新してもよい。なお、クラウドサーバ８０は、クライアント８から送信された、基準成形条件の金型と射出成形機との組み合わせ毎に学習用データベース４０７を構築する。
　学習済み回帰モデル構築処理（Ｓ１０１～Ｓ１０４）において、更新された学習用データベース４０７を用いて生成された学習済み回帰モデルを、回帰モデル保存部４０９が学習済みモデル記憶部４１０に記録してもよい。また、回帰モデル読み出し部４１１は、更新前後の学習済み回帰モデルを選択する機能を有してもよい。
　上述のクライアント８から送信された材料情報を基に学習済み回帰モデルを更新する機能によって、１以上のクライアント８からのデータを用いて効率よく回帰モデルの学習に必要となる学習用データセットを拡充可能であるため、学習済み回帰モデルの構築・更新のための工数を低減することが可能となる。また、一般に、機械学習による回帰モデルの学習において、学習用データベースのサンプル数が多い程、回帰モデルの精度が良くなることが知られており、上述のように学習用データセットを拡充可能であるために、学習済み回帰モデルの精度を向上することができる。
　なお、本発明は、上述の実施例に限定されるものではなく、本発明の趣旨を逸脱しない範囲で、適宜変形して実施することが可能である。
　例えば、上記実施例では、同一型番の材料の各ロットを単位として、樹脂材料のＰＶＴ特性の実測により得られたＰＶＴ特性の計算モデルと、樹脂材料を成形した際のプロセスデータと、成形品品質との関係を示す式とを紐づけて記憶装置に格納し、同一型番の材料の所定のロットについてのＰＶＴ特性計算モデルを推定するようにしていたが、例えば、同一樹脂種の樹脂材料を単位として、樹脂材料のＰＶＴ特性の実測により得られたＰＶＴ特性の計算モデルと、樹脂材料を成形した際のプロセスデータと、成形品品質との関係を示す式とを紐づけて記憶装置に格納し、同一樹脂種の所定の樹脂材料についてのＰＶＴ特性計算モデルを推定するようにしてもよい。
　また、上記実施例において、プロセッサ等の演算装置が行っていた処理の一部又は全部を、専用のハードウェア回路で行うようにしてもよい。また、上記実施例におけるプログラムは、プログラムソースからインストールされてよい。プログラムソースは、プログラム配布サーバ又は記憶メディア（例えば可搬型の記憶メディア）であってもよい。
　１…ＰＶＴ特性計算モデル推定システム、２…製造実行システム、３…製造工場、４…学習及び計算モデル生成システム、１１…演算装置、１２…メモリ、１３…記憶装置、１４…入力装置、１５…出力装置、１６…通信装置、１７…媒体インターフェース部、２１…製造条件決定部、２２…製造実行指示部、３１…製造実行部、３２…射出成形プロセス、３３…品質検査部、３４…センサ、４０１…センサ情報記録部、４０２…特徴量抽出部、４０３…特徴量データベース、４０４…成形品品質記録部、４０５…ＰＶＴ特性計算モデル係数記憶部、４０６…連結処理部、４０７…学習用データベース、４０８…回帰モデル学習部、４０９…回帰モデル保存部、４１０…学習済みモデル記憶部、４１１…回帰モデル読み出し部、４１２…推定用データベース、４１３…ＰＶＴ特性計算モデル推定部、４１４…ＰＶＴ特性計算モデル保存部、４１５…ＰＶＴ特性計算モデルデータベース
 

Claims (10)

  1. 　第１樹脂材料のＰＶＴ特性の計算モデルである第１樹脂材料計算モデルを推定するＰＶＴ特性計算モデル推定システムであって、
    　プロセッサと、前記プロセッサに接続される記憶装置とを含み、
    　前記プロセッサは、前記第１樹脂材料で成形した際のプロセスデータと成形品品質と、少なくとも１つ以上の所定の関係式とに基づいて、前記第１樹脂材料計算モデルを推定し、
    　前記所定の関係式は、
    　前記第１樹脂材料と同一樹脂種である第２樹脂材料のＰＶＴ特性の実測により得られたＰＶＴ特性の計算モデルである第２樹脂材料計算モデルと、前記第２樹脂材料を成形した際のプロセスデータと成形品品質との関係を示す式であり、前記第２樹脂材料計算モデルと、前記第２樹脂材料を用いて成形した際のプロセスデータと成形品品質とが紐づけられて前記記憶装置に蓄積されたデータに基づいて生成される、
    ＰＶＴ特性計算モデル推定システム。
  2. 　請求項１に記載のＰＶＴ特性計算モデル推定システムであって、
    　前記第１樹脂材料と、前記第２樹脂材料とは、同一の型番の樹脂材料である
    ＰＶＴ特性計算モデル推定システム。
  3. 　請求項１記載のＰＶＴ特性計算モデル推定システムであって、
    　前記所定の関係式は、
    　前記第２樹脂材料計算モデルの係数を出力パラメータとし、基準成形条件により前記第２樹脂材料で成形した際のプロセスデータと前記成形品品質とを入力パラメータとする回帰式であって、機械学習を用いて生成される、
    ＰＶＴ特性計算モデル推定システム。
  4. 　請求項３記載のＰＶＴ特性計算モデル推定システムであって、
    　前記所定の関係式の生成に使用される前記プロセスデータは、前記第２樹脂材料の所定の単位毎に、各所定の単位間で共通の基準成形条件により成形した際の、金型内センサの測定値の特徴量に基づいて生成される、
    ＰＶＴ特性計算モデル推定システム。
  5. 　請求項４記載のＰＶＴ特性計算モデル推定システムであって、
    　前記所定の単位は、材料サプライヤから供給されるリサイクル材の納品単位である、
    ＰＶＴ特性計算モデル推定システム。
  6. 　請求項４又は請求項５に記載のＰＶＴ特性計算モデル推定システムであって、
    　前記特徴量には、圧力、温度のうち少なくともいずれか一つが含まれる、
    ＰＶＴ特性計算モデル推定システム。
  7. 　請求項６記載のＰＶＴ特性計算モデル推定システムであって、
    　前記特徴量には、前記第２樹脂材料の圧力及び／又は温度の状態情報が含まれており、
    　前記第２樹脂材料の前記状態情報は、
    　前記金型内センサの測定値のピーク値、射出開始からピークまでの前記測定値の積分値、射出開始から型開きまでの前記測定値の積分値、前記測定値の最大微分値のうちの少なくともいずれか一つに基づいて計算される、
    ＰＶＴ特性計算モデル推定システム。
  8. 　請求項３～請求項７のいずれか一項に記載のＰＶＴ特性計算モデル推定システムであって、
    　前記成形品品質は、成形品重量、成形品寸法のうち少なくともいずれか一つが含まれる、
    ＰＶＴ特性計算モデル推定システム。
  9. 　請求項１～請求項８のいずれか一項に記載のＰＶＴ特性計算モデル推定システムであって、
    　前記プロセッサは、
    　複数のクライアント計算機からネットワークを介して発信される、前記ＰＶＴ特性が実測された前記第２樹脂材料のＰＶＴ特性の計算モデルと、前記第２樹脂材料を用いて成形した際のプロセスデータと成形品品質と、が紐づいたデータを前記記憶装置に保存し、前記記憶装置に保存したデータを基に前記所定の関係式を生成し、前記関係式を前記ネットワークを介して前記クライアント計算機に送信する、
    ＰＶＴ特性計算モデル推定システム。
  10. 　第１樹脂材料のＰＶＴ特性の計算モデルである第１樹脂材料計算モデルを推定するＰＶＴ特性計算モデル推定システムよるＰＶＴ特性計算モデル推定方法であって、
    　ＰＶＴ特性計算モデル推定システムは、
    　前記第１樹脂材料で成形した際のプロセスデータと成形品品質と、少なくとも１つ以上の所定の関係式とに基づいて、前記第１樹脂材料計算モデルを推定し、
    　前記所定の関係式は、
    　前記第１樹脂材料と同一樹脂種である第２樹脂材料のＰＶＴ特性の実測により得られたＰＶＴ特性の計算モデルである第２樹脂材料計算モデルと、前記第２樹脂材料を成形した際のプロセスデータと成形品品質との関係を示す式であり、前記第２樹脂材料計算モデルと、前記第２樹脂材料を用いて成形した際のプロセスデータと成形品品質とが紐づけられて記憶装置に蓄積されたデータに基づいて生成される、
    ＰＶＴ特性計算モデル推定方法。
     
PCT/JP2022/023416 2021-09-03 2022-06-10 Ｐｖｔ特性計算モデル推定システムおよび方法 WO2023032402A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202280034806.5A CN117642268A (zh) 2021-09-03 2022-06-10 Pvt特性计算模型推定系统和方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021143980A JP2023037317A (ja) 2021-09-03 2021-09-03 Ｐｖｔ特性計算モデル推定システムおよび方法
JP2021-143980 2021-09-03

Publications (1)

Publication Number Publication Date
WO2023032402A1 true WO2023032402A1 (ja) 2023-03-09

Family

ID=85411169

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/023416 WO2023032402A1 (ja) 2021-09-03 2022-06-10 Ｐｖｔ特性計算モデル推定システムおよび方法

Country Status (3)

Country Link
JP (1) JP2023037317A (ja)
CN (1) CN117642268A (ja)
WO (1) WO2023032402A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03254922A (ja) * 1990-03-05 1991-11-13 Komatsu Ltd 射出成形機の射出制御方法
JP2004001248A (ja) * 2002-05-31 2004-01-08 Denso Corp 射出成形過程シミュレーション方法
JP2020087446A (ja) * 2018-11-16 2020-06-04 東レエンジニアリング株式会社 樹脂成形解析方法、プログラムおよび記録媒体

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03254922A (ja) * 1990-03-05 1991-11-13 Komatsu Ltd 射出成形機の射出制御方法
JP2004001248A (ja) * 2002-05-31 2004-01-08 Denso Corp 射出成形過程シミュレーション方法
JP2020087446A (ja) * 2018-11-16 2020-06-04 東レエンジニアリング株式会社 樹脂成形解析方法、プログラムおよび記録媒体

Also Published As

Publication number Publication date
CN117642268A (zh) 2024-03-01
JP2023037317A (ja) 2023-03-15

Similar Documents

Publication Publication Date Title
WO2022195974A1 (ja) 射出成形条件生成システムおよび方法
Gao et al. Online product quality monitoring through in-process measurement
US11440229B2 (en) Injection molding system, molding condition correction system, and injection molding method
Chen et al. Quality indexes design for online monitoring polymer injection molding
JP6825055B2 (ja) 射出成形支援システム、成形条件補正システム、射出成形支援方法、成形条件補正方法およびコンピュータプログラム
JP6779316B2 (ja) 射出成形機の成形条件推定方法
US20230373145A1 (en) Injection molding support system and method
Krebelj et al. The cooling rate dependence of the specific volume in amorphous plastic injection molding
CN113733505B (zh) 注射成型系统、成型条件校正系统以及注射成型方法
CN111745925B (zh) 注塑成型解析方法及注塑成型解析系统
Wang et al. Numerical simulation of the wax injection process for investment casting
WO2022270331A1 (ja) 射出成形システム
WO2023032402A1 (ja) Ｐｖｔ特性計算モデル推定システムおよび方法
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
JP2022052082A (ja) 射出成形システムおよび射出成形機の設定支援方法
Hopmann et al. Simulation of shrinkage and warpage of semi-crystalline thermoplastics
Speranza et al. Monitoring of injection moulding of thermoplastics: Adopting pressure transducers to estimate the solidification history and the shrinkage of moulded parts
JP7507712B2 (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
Zielonka Characterization and Optimization of Melt Temperature Homogeneity in Injection Molding
Baruffi et al. On the applicability of micro-injection moulding simulations to multivariate integrated process/product optimization
Kazmer et al. Validation of three on‐line flow simulations for injection molding
Wu et al. Experiments and prediction of in-cavity stress for injection molded part
JP2023054760A (ja) 樹脂成形解析方法、プログラムおよび記録媒体
Kapadia Shrinkage and Warpage in Polymer Injection Moulding: Models and Simulation/submitted by Er. Devavnshi Kapadia
JPH11156909A (ja) 多層射出成形品の融着部強度の予測方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22863990

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202280034806.5

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE