CN111497163B - 品质预测***以及成型机 - Google Patents
品质预测***以及成型机 Download PDFInfo
- Publication number
- CN111497163B CN111497163B CN201911346313.1A CN201911346313A CN111497163B CN 111497163 B CN111497163 B CN 111497163B CN 201911346313 A CN201911346313 A CN 201911346313A CN 111497163 B CN111497163 B CN 111497163B
- Authority
- CN
- China
- Prior art keywords
- pressure
- data
- quality
- quality prediction
- completion model
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
- B29C45/77—Measuring, controlling or regulating of velocity or pressure of moulding material
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
- B29C45/78—Measuring, controlling or regulating of temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76939—Using stored or historical data sets
- B29C2945/76949—Using stored or historical data sets using a learning system, i.e. the system accumulates experience from previous occurrences, e.g. adaptive control
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明提供品质预测***以及成型机,品质预测***使用机器学习来预测成型品,成型机用在该品质预测***中。成型品的品质预测***(100、200、300)应用在通过向成型机(1)的模具(4、104)的型腔(C)供给熔融材料来将成型品成型的成型方法,具备:传感器(44、144),其配置于模具,并检测与在型腔(C)中被供给的熔融材料相关的状态数据;学习完成模型存储部(321),其对通过至少将由传感器检测出的状态数据作为训练数据集的机器学习而生成并与状态数据和品质要素相关的学习完成模型进行存储;以及品质预测部(323),其基于由传感器检测出的状态数据和学习完成模型,对新成型的成型品的品质要素进行预测。
Description
技术领域
本发明涉及品质预测***以及成型机。
背景技术
公知有向成型机的模具供给加热熔融了的材料(熔融材料)而将成型品成型的技术。熔融材料在填充于模具的型腔的状态下被保压和冷却从而固化,成型为与型腔的形状相应的形状。这里,在保压结束之后至熔融材料固化期间,树脂材料的体积收缩。此时,熔融材料并不限定于遍及整体地均衡地收缩,预测成型品的品质时需要丰富的知识、经验。
相对于此,日本特开2008-207440号公报中公开了如下技术:基于对从浇口注入的树脂材料沿着金属模流动之后冷却的固化下来的过程进行模拟的流动解析的结果,来预测被注塑成型的成型品的品质。另外,日本特开2007-83802号公报中公开有预测被注塑成型的成型品的体积收缩率的技术。
针对上述的日本特开2008-207440号公报和日本特开2007-83802号公报中记载的技术,发明人发现通过掌握在用于形成被供给熔融材料的型腔的模具配置的传感器的测量值,能够预测成型品的品质要素,并通过使用机器学习从而提高成型品的品质要素的预测精度。
发明内容
本发明的目的在于提供使用机器学习来预测成型品的品质要素的品质预测***以及在该品质预测***中使用的成型机。
(1.第一品质预测***)
第一的品质预测***应用在通过向成型机的模具的型腔供给熔融材料来将成型品成型的成型方法中。上述品质预测***具备:第一压力传感器,其配置于上述模具,并对从在上述型腔中被供给的上述熔融材料承受的压力进行检测;学习完成模型存储部,其对通过至少将由上述第一压力传感器检测出的压力数据作为训练数据集的机器学习而生成并与上述压力数据和上述品质要素相关的学习完成模型进行存储;以及品质预测部,其基于由上述第一压力传感器新检测出的压力数据和上述学习完成模型,对新成型的上述成型品的上述品质要素进行预测。
根据第一品质预测***,在成型机的模具配置有对从在型腔中被供给的熔融材料承受的压力进行检测的第一压力传感器。另外,在学习完成模型存储部存储通过至少将由第一压力传感器检测出的压力数据作为训练数据集的机器学习而生成并与压力数据和品质要素相关的学习完成模型。而且,品质预测部基于将新的成型品成型时获得的压力数据和学习完成模型,对新成型的该成型品的品质要素进行预测。由此,品质预测***能够高精度地预测成型品的品质要素。
(2.第二品质预测***)
第二品质预测***应用在通过向成型机的模具的型腔供给熔融材料来将成型品成型的成型方法中,并具备:第一压力传感器,其配置于上述模具,并对从在上述型腔中被供给的上述熔融材料承受的压力进行检测;学习完成模型生成部,其通过至少将由上述第一压力传感器检测出的压力数据作为训练数据集的机器学习,生成与上述压力数据和上述成型品的品质要素相关的学习完成模型。由此,与第一品质预测***相同地,能够高精度地预测成型品的品质要素。
(3.成型机)
成型机是在上述的第一品质预测***中使用的成型机,其中,具备:动作指令部,其向上述成型机的控制装置赋予动作指令数据;和动作指令数据调整部,其基于上述品质预测部对上述品质要素的预测结果,进行上述动作指令数据的调整。根据该成型机,动作指令部将由动作指令数据调整部进行了调整的动作指令数据赋予给控制装置。由此,成型机能够提高所成型的成型品的品质。
附图说明
图1是表示第一个例子的品质预测***的结构的图。
图2是表示第二个例子的品质预测***的结构的图。
图3是表示成型机(注塑成型机)的图。
图4是将图3所示的模具放大的图。
图5是图4的V-V线的模具的剖视图。
图6是表示品质预测***的框图。
图7A是表示在成型条件X下成型的成型品的保压减少变化数据的图表。
图7B是表示在成型条件Y下成型的成型品的保压减少变化数据的图表。
图8是表示作为第一个例子的品质预测***的形状预测***的框图。
图9是表示在作为第一个例子的品质预测***的形状预测***中学习完成模型生成部所使用的训练数据集的图。
图10是表示成型品的保压处理变化数据的图表。
图11是表示作为第二个例子的品质预测***的质量预测***的框图。
图12是表示在作为第二个例子的品质预测***的质量预测***中学习完成模型生成部所使用的训练数据集的图。
图13是表示空隙体积与质量的关系的图。
图14是表示作为第三个例子的品质预测***的空隙体积预测***的框图。
图15是表示在作为第三个例子的品质预测***的空隙体积预测***中学习完成模型生成部所使用的训练数据集的图。
图16是第二个例子的模具的图4的V-V线的剖视图。
图17是表示第四个例子的品质预测***的框图。
图18是表示材料温度数据的变化的图表。
附图标记说明
1…成型机;4、104…模具;6…动作指令部;7…控制装置;8…动作指令数据调整部;42…流道;43、143…浇口;44a-44f…第一压力传感器;45…第二压力传感器;46…温度传感器;144、144a-144c…材料温度传感器;138…外部气温传感器;100、200、300…品质预测***;100a…形状预测***(品质预测***);100b…质量预测***(品质预测***);100c…空隙体积预测***(品质预测***);110、210…机器学习装置;111…第一服务器;112…第二服务器;212…品质预测装置;310、310a、310b、310c、310d…学习处理装置;311、311d…品质要素数据输入部;311a…形状数据输入部;311b…质量数据输入部;311c…空隙体积数据输入部;312、312a、312b、312c、312d…训练数据集取得部;313、313a、313b、313c、313d…训练数据集存储部;314、314a、314b、314c、314d…模型生成部;320,320d…品质预测装置;320a…形状预测装置;320b…质量预测装置;320c…空隙体积预测装置;321、321a、321b、321c、321d…模型存储部;322、322a、322b、322c、322d…成型时数据取得部;323、323d…品质预测部;323a…形状预测部;323b…质量预测部;323c…空隙体积预测部;324、324a、324b、324c、324d…输出部。
具体实施方式
(1.品质预测***的应用对象)
品质预测***在通过向成型机的模具的型腔供给熔融材料而将成型品成型的成型方法中应用。在本例中,列举成型机是进行树脂或者橡胶等的注塑成型的注塑成型机的情况为例进行说明,但成型机1也可以是注塑成型机以外的成型机,例如,可以是吹塑成型机、压缩成型机,也可以是进行压铸等金属铸造的铸造机。
(2.品质预测***100、200的结构)
品质预测***100、200构成为具备1个或者多个成型机1、机器学习装置110、210。机器学习装置110至少将在成型机1中检测到的成型时数据作为训练数据集进行机器学习,从而生成与成型时数据和成型品的品质要素相关的学习完成模型。而且,机器学习装置110、210基于学习完成模型、和新的成型时数据,预测新成型的成型品的品质要素。
(2-1.第一个例子的品质预测***100的结构)
参照图1对第一个例子的品质预测***100的结构进行说明。如图1所示,第一个例子的品质预测***100具备多个成型机1、和机器学习装置110。机器学习装置110具备第一服务器111、和第二服务器112。但是,将第一服务器111与第二服务器112作为独立装置进行说明,但也可以由同一装置构成。另外,机器学习装置110也能够使用不具有服务器功能的装置。即,机器学习装置110只要是至少具备处理器、存储器等的运算处理装置即可。在本例中,第一服务器111和第二服务器112分别至少具备处理器和存储器。
第一服务器111作为机器学习中的学习阶段而发挥功能。第一服务器111通过使用取得的训练数据集的机器学习来生成学习完成模型。第一服务器111设置为能够与多个成型机1通信,并将在多个成型机1分别将成型品成型时获得的成型时数据作为训练数据集的一部分来取得。成型时数据中例如包含与压力数据、温度数据、成型条件相关的数据等。压力数据是表示模具从供给至模具的熔融材料承受的压力的数据。温度数据是表示供给至模具的熔融材料的温度的数据。
第一服务器111还将与多个成型机1分别所成型的成型品的品质要素相关的数据(以下称为“品质要素数据”)作为训练数据集中的教师数据来取得。而且,第一服务器111通过进行监督学习,来生成与成型时数据和成型品的品质要素相关的学习完成模型。此外,列举第一服务器111的机器学习是监督学习的情况为例进行说明,但也能够应用其他机器学习算法。
第一服务器111也可以通过作业人员输入来取得由测量器(未图示)测量到的品质要素数据。另外,第一服务器111也可以从测量器直接取得由测量器测量的品质要素数据。品质要素数据是与对应的成型品有关联的数据。对于品质要素数据而言,例如例示成型品的各种尺寸、质量、空隙体积、燃烧的程度等。
这样,在品质预测***100中,第一服务器111取得在多个成型机1分别将成型品成型时获得的成型时数据和品质要素数据,因此能够取得大量的成型时数据和品质要素数据。而且,第一服务器111通过将取得的大量的成型时数据和品质要素数据作为训练数据集的机器学习,生成学习完成模型。由此,能够提高学习完成模型的学习精度,能够实现学习完成模型的高精度化。
第二服务器112作为机器学习的推论阶段而发挥功能。第二服务器112取得由第一服务器111生成的学习完成模型。并且,第二服务器112设置为能够与多个成型机1分别通信。而且,第二服务器112使用由第一服务器111生成的学习完成模型,并且,将多个成型机1分别将成型品新成型时的成型时数据作为输入数据,来预测新成型的成型品的品质要素。
由第二服务器112预测出的成型品的品质要素也可以发送至成型机1,在调整成型机1的成型条件中使用。另外,在判断为预测出的成型品的品质要素不良的情况下,成型机1也可以进行该成型品的废弃处理或者分类处理。
(2-2.第二个例子的品质预测***200的结构)
参照图2对第二个例子的品质预测***200的结构进行说明。如图2所示,第二个例子的品质预测***200具备多个成型机1、和机器学习装置210。机器学习装置210具备第一服务器111、和多个品质预测装置212。另外,机器学习装置210也能够使用不具有服务器功能的装置。即,机器学习装置210只要是至少具备处理器、存储器等的运算处理装置即可。在本例中,第一服务器111和品质预测装置212分别至少具备处理器和存储器。
第一服务器111与第一个例子的第一服务器111是同一结构。多个品质预测装置212各自与多个成型机1分别对应地配置,并作为所谓的边缘计算机发挥功能。多个品质预测装置212分别与第一个例子的品质预测***100中的第二服务器112实质上进行相同的处理。即,品质预测装置212基于对应的成型机1所进行的成型时数据、和由第一服务器111生成的学习完成模型,来预测由对应的成型机1成型的成型品的品质要素。
(2-3.第三个例子的品质预测***的结构)
对上述的品质预测***100、200包含多个成型机1的结构进行了说明。除此以外,品质预测***也可以由单个的成型机1、和机器学习装置构成。机器学习装置能够执行与第一服务器111相当的机器学习的学习阶段,并且能够执行与第二服务器112或者品质预测装置212相当的机器学习的推论阶段。该情况的机器学习装置只要是至少具备处理器、存储器等的运算处理装置即可。
(3.成型机1的例子)
(3-1:成型机1的结构)
接下来,参照图3,对作为成型机1的一个例子的注塑成型机进行说明。作为注塑成型机的成型机1主要具备:底座2、注射装置3、模具4、合模装置5、动作指令部6、以及控制装置7。
注射装置3配置于底座2上。注射装置3主要具备:料斗31、加热缸32、螺杆33、喷嘴34、加热器35、驱动装置36、以及注射装置用传感器37。
料斗31是颗粒(粒状的成型材料)的投入口。加热缸32将投入到料斗31的颗粒加热熔融并对产生的熔融材料进行加压。另外,加热缸32设置为相对于底座2能够沿轴向移动。螺杆33配置于加热缸32的内部,设置为能够旋转并且能够朝轴向移动。喷嘴34是设置于加热缸32的前端的注射口,通过螺杆33的轴向移动,将加热缸32的内部的熔融材料供给至模具4。
加热器35例如设置于加热缸32的外侧,并对加热缸32的内部的颗粒进行加热。驱动装置36进行加热缸32朝轴向的移动、螺杆33的旋转和轴向移动等。注射装置用传感器37统称取得熔融材料的存积量、保压力、保压时间、注射速度、熔融材料的粘度、驱动装置36的状态等的传感器。但是,该传感器37并不限定于上述,也可以取得各种信息。
模具4是具备作为固定侧的第一模具4a和作为可动侧的第二模具4b的金属模。模具4通过将第一模具4a与第二模具4b合模从而在第一模具4a与第二模具4b之间形成型腔C。第一模具4a具备将从喷嘴34供给的熔融材料引导至型腔C的供给通路4c(灌口、流道、浇口)。
并且,在第一模具4a或者第二模具4b配置有传感器。即,传感器能够检测在第一模具4a或者第二模具4b中能够观测的状态数据。传感器的一个例子例如是压力传感器44、45。压力传感器44、45检测从熔融材料承受的压力。另外,传感器的另一个例子是材料温度传感器144。材料温度传感器144检测供给至模具4的熔融材料的温度。此外,可以在模具4配置压力传感器44、45和材料温度传感器144,也可以仅配置压力传感器44、45,也可以仅配置材料温度传感器144。
合模装置5在底座2上与注射装置3对置地配置。合模装置5进行安装后的模具4的开闭动作,并且在将模具4紧固的状态下,使模具4不因注射到型腔C的熔融材料的压力而打开。
合模装置5具备:固定盘51、可动盘52、拉杆53、驱动装置54、以及合模装置用传感器55。在固定盘51固定第一模具4a。固定盘51能够与注射装置3的喷嘴34抵接,并将从喷嘴34注射的熔融材料朝模具4引导。在可动盘52固定第二模具4b。可动盘52能够相对于固定盘51接近和分离。拉杆53支承可动盘52的移动。驱动装置54例如由汽缸装置构成,并使可动盘52移动。合模装置用传感器55统称取得合模力、金属模温度、驱动装置54的状态等的传感器。
动作指令部6将与成型条件相关的动作指令数据提供给控制装置7。另外,成型机1具备基于第二服务器112或者品质预测装置212所获得的品质要素的预测结果来进行存储于动作指令部6的动作指令数据的调整的动作指令数据调整部8。动作指令部6将由动作指令数据调整部8进行了调整的动作指令数据提供给控制装置7,成型机1能够提高成型的成型品的品质。
控制装置7基于来自动作指令部6的动作指令数据,控制注射装置3的驱动装置36和合模装置5的驱动装置54。例如,控制装置7从注射装置用传感器37和合模装置用传感器55取得各种信息,以进行与动作指令数据相应的动作的方式,控制注射装置3的驱动装置36和合模装置5的驱动装置54。
(3-2:利用成型机1的成型品的成型方法)
接着,对利用作为注塑成型机的成型机1的成型品的成型方法进行说明。在利用成型机1的成型方法中,依次执行计量工序、合模工序、注射填充工序、保压工序、冷却工序、脱模取出工序。在计量工序中,通过伴随着加热器35的加热和螺杆33的旋转的剪切摩擦热来熔融颗粒,并且熔融材料被积存在加热缸32的前端与喷嘴34之间。伴随着熔融材料的存积量的增加而螺杆33后退,因此从螺杆33的后退位置开始进行熔融材料的存积量的计量。
在接续计量工序的合模工序中,使可动盘52移动,使第二模具4b与第一模具4a对准,进行合模。并且,使加热缸32朝轴向移动而接近合模装置5,并将喷嘴34与合模装置5的固定盘51连接。接着,在注射填充工序中,在停止螺杆33的旋转的状态下,使螺杆33朝向喷嘴34以规定的压入力移动,将熔融材料以较高的压力注射填充到模具4。此时,供给至模具4的熔融材料的温度因剪切发热而上升,因此被加热了的模具4的温度也变高。
若熔融材料被填充到型腔C,则接下来,移至保压工序。在保压工序中,进行在型腔C中填充有熔融材料的状态下进一步将熔融材料向型腔C压入,对型腔C内的熔融材料施加规定时间规定的压力(保压力)的保压处理。具体而言,通过对螺杆33施加恒定的压入力,从而对熔融材料施加规定的保压力。在保压工序中,供给至模具4的熔融材料的温度缓缓地降低。
而且,在基于规定的保压力进行规定时间的保压处理后,移至冷却工序。在冷却工序中,进行停止熔融材料的压入使保压力减少的处理(保压力减少处理),冷却模具4。通过冷却模具4,使供给至模具4的熔融材料固化。在冷却工序中,模具4维持被继续加热的状态,因此熔融材料的温度伴随着时间的经过降低至模具4的温度。此外,也能够在熔融材料的温度降低至模具4的温度前结束冷却工序。最后,在脱模取出工序中,使第二模具4b从第一模具4a分离,取出成型品。这里,供给至模具4的熔融材料在模具打开时暴露于外部空气,因此熔融材料的温度骤降至外部气温。
(4.第一个例子的模具4的详细结构)
这里,参照图4和图5对第一个例子的模具4的详细的结构进行说明。此外,模具4是所谓的多腔模具,在模具4形成有多个型腔C,但为了简化附图,在图4和图5中仅图示一个型腔C。另外,在本实施方式中,成型机1所成型的成型品例如是在等速万向节中使用的保持器。因此,成型品是环状,特别是圆环状,型腔C形成为追随保持器的形状的环状、特别是圆环状。此外,成型品和型腔C的形状也可是环状以外的形状,例如是C形状、矩形框状等。
供给通路4c具备灌口41、流道42、以及浇口43。灌口41是从喷嘴34供给熔融材料的通路。流道42是从灌口41分支的通路,供给至灌口41的熔融材料流入到流道42。浇口43是将流入到流道42熔融材料向型腔C引导的通路,浇口43的流路剖面积小于流道42的流路剖面积。在模具4形成与型腔C数目相同的流道42和浇口43,供给至灌口41的熔融材料经由流道42和浇口43供给至各个型腔C。
此外,在型腔C是环状的情况,当第一模具4a具备一个浇口43时,型腔C内的熔融材料的流入路径为从浇口43沿型腔C的环状的周向流动的路径。即,在型腔C中,熔融材料最初流入到浇口43的附近,并在从浇口43朝型腔C流入后朝两个方向分开移动,最后流入到自浇口43最远距离的位置(以下,称为“最远位置”)。即,熔融材料在最远位置的附近合流。
(5.压力传感器44、45)
接下来,参照图4和图5对配置于模具4的压力传感器44、45进行说明。另外,在模具4且在型腔C设置用于检测从供给的熔融材料承受的压力的第一压力传感器44。第一压力传感器44设置于第一模具4a或者第二模具4b中的任一方或者双方。另外,第一压力传感器44可以是接触式的传感器,也可以是非接触式的传感器。
具体而言,模具4具备6个第一压力传感器44a-44f。6个第一压力传感器44a-44f均设置于第一模具4a。而且,6个第一压力传感器44a-44f分别配置于自浇口43的距离不同的多个位置,并在配置的各个位置检测从熔融材料承受的压力。而且,6个第一压力传感器44a-44f中的一部分(第一压力传感器44a-44c)相对于流入路径中的中间位置,配置于相比浇口43靠自浇口43最远的最远位置。另一方面,6个第一压力传感器44a-44f中的另一部分(第一压力传感器44d-44f)相对于流入路径中的中间位置而言,配置于相比自浇口43最远的最远位置而靠近浇口43的位置。
6个第一压力传感器44a-44f中的第一压力传感器44a在流入路径中配置于最远离浇口43的位置。另外,第一压力传感器44b配置于其次远离浇口43的位置,依次地,第一压力传感器44c-44e配置于远离浇口43的位置。而且,第一压力传感器44f配置于最靠近浇口43的位置。
具体而言,第一压力传感器44a配置于从浇口43流入到型腔C的熔融材料最后到达的区域。另一方面,第一压力传感器44f配置于浇口43的延长线上的区域,亦即在型腔C内熔融材料最初流入的区域。
并且,在模具4且在供给通路4c设置用于检测从熔融材料承受的压力的第二压力传感器45。此外,第二压力传感器45针对第一模具4a或者第二模具4b中的任一方,配置至少一个。另外,第二压力传感器45可以是接触式的传感器,也可以是非接触式的传感器。具体而言,模具4具备一个第二压力传感器45。第二压力传感器45配置于第一模具4a,并在流道42中检测从熔融材料承受的压力。
模具4还可以具备温度传感器46。温度传感器46与第一压力传感器44a-44f相同地,例如设置于第一模具4a。温度传感器46检测模具4内的熔融材料的温度。但是,温度传感器46也能够通过检测模具4的规定位置的温度,间接地检测熔融材料的温度。另外,在模具4也可以与多个第一压力传感器44a-44f相同地,配置多个温度传感器46。即,多个温度传感器46分别配置于自浇口43的距离不同的多个位置。
(6.机器学习装置110、210的结构)
接下来,参照图6对机器学习装置110、210(在图1和图2中表示)的结构进行说明。如图6所示,机器学习装置110、210具备能够执行学习阶段的学习处理装置310、和能够执行推论阶段的品质预测装置320。这里,学习处理装置310相当于上述的品质预测***100、200的第一服务器111。另外,品质预测装置320相当于上述的第一个例子的品质预测***100的第二服务器112,并相当于第二个例子的品质预测***200的品质预测装置212。
学习处理装置310具备品质要素数据输入部311、训练数据集取得部312、训练数据集存储部313、以及学习完成模型生成部314。品质要素数据输入部311输入与对应的成型品相关的品质要素数据。对于品质要素数据而言,例如例示成型品的形状(各种尺寸)、质量、空隙体积、燃烧的程度等。
训练数据集取得部312从成型机1取得压力数据、温度数据等成型时数据、以及被输入到品质要素数据输入部311的品质要素数据来作为训练数据集。取得的训练数据集存储于训练数据集存储部313。学习完成模型生成部314基于存储于训练数据集存储部313的成型时数据(压力数据、温度数据)和品质要素数据,进行将有关联的成型时数据和品质要素数据作为训练数据集的机器学习,由此生成与成型时数据和成型品的品质要素相关的学习完成模型。
品质预测装置320主要具备学习完成模型存储部321、成型时数据取得部322、品质预测部323、以及输出部324。学习完成模型存储部321对学习完成模型生成部314所生成的学习完成模型进行存储。成型时数据取得部322在成型机1将新成型品成型时,取得第一压力传感器44、第二压力传感器45以及温度传感器46等检测出的成型时数据。
此外,在本例中,成型时数据取得部322取得6个第一压力传感器44和第二压力传感器45检测的全部的压力数据,但不必限于此。即,成型时数据取得部322也可仅取得6个第一压力传感器44和第二压力传感器45检测的压力数据的一部分。即,成型时数据取得部322能够仅选择并取得在品质预测装置320所进行的品质预测中需要的压力数据。
品质预测部323基于成型时数据取得部322取得的成型时数据、和存储于学习完成模型存储部321的学习完成模型,预测新成型的成型品的品质要素。此外,品质预测部323预测的品质要素包含于作为品质要素输入到数据品质要素数据输入部311的品质要素。另外,作为品质预测部323预测的品质要素,例示成型品的形状(各种尺寸)、质量、空隙体积、燃烧等。
另外,品质预测部323也能够基于预测出的品质要素与预先设定的允许值,进行成型品的优劣判定。该情况下,品质预测部323可以在成型机1所进行的成型品的成型之后且成型机1所进行的成型工序的下一个工序的执行之前,进行成型品的优劣判定。
输出部324输出基于品质预测部323的预测结果。输出部324例如进行利用在显示装置(未图示)的显示的引导、利用声音的引导、利用显示灯的引导等。在这种情况下,输出部324可以向设置于品质预测装置320的显示装置等进行引导,也可以向在多个成型机1分别设置的显示装置等进行引导。另外,输出部324也可以向设置于管理装置的显示装置等进行引导。另外,输出部324也能够向作业人员或者管理人员所有的移动终端进行引导。
并且,输出部324也能够在品质预测部323进行优劣判定的情况下,将优劣判定结果向成型机1输出,使成型机1执行与优劣判定结果相应的处理。例如,在成型品的品质要素的优劣判定结果中判定为不良的情况下,输出部324可以使成型机1执行该成型品的废弃处理或者分类处理。
此外,在本例中,作为在成型机1所进行的形成品的成型时获得的数据,使用利用第一压力传感器44、第二压力传感器45检测出的压力数据、以及温度传感器46检测出的温度数据等而生成的学习完成模型,预测成型品的品质要素,但并不限定于此。即,也可以使用不利用温度数据而生成的学习完成模型,预测成型品的品质要素。
这样,在学习处理装置310中,学习完成模型生成部314通过至少将压力数据和品质要素数据作为训练数据集的机器学习,生成至少与压力数据和成型品的品质要素相关的学习完成模型。另外,在品质预测装置320中,学习完成模型存储部321对学习完成模型生成部314生成的学习完成模型进行存储。而且,品质预测部323基于在将新的成型品成型时获得的压力数据、和存储于学习完成模型存储部321的学习完成模型,预测新成型的该成型品的品质要素。由此,机器学习装置110、210能够高精度地预测成型品的品质要素。以下,针对使用了机器学习装置110、210的各种品质要素的预测方法,列举具体例子进行说明。
(7.第一个例子的品质预测***100、200)
接下来,对作为品质预测***100、200的第一个例子的形状预测***100a进行说明。形状预测***100a是对成型机1成型的成型品的形状精度进行预测的品质预测***。这里,列举形状预测***100a对成型品的尺寸中的成型为环状的成型品的外周面或者内周面的圆度进行预测的情况为例进行说明。
(7-1:形状预测***100a中的压力数据)
参照图7A和图7B,对在从注射填充工序经由保压工序至冷却工序中,由6个第一压力传感器44a-44f检测的压力数据进行说明。在图7A中示出表示在从注射填充工序至冷却工序中,在规定的成型条件X下成型的成型品的成型时的压力变化数据的图表,在图7B中示出表示在从注射填充工序至冷却工序中,在与成型条件X不同的成型条件Y下成型的成型品的成型时的压力变化数据的图表。
在成型条件X下成型的成型品的圆度比在成型条件Y下成型的成型品的圆度大。即,在成型条件X下成型的成型品的形状精度低于在成型条件Y下成型的成型品。以下,叙述针对压力变化数据与形状精度的关系的考察。
在图7A和图7B中,T1-T2间是注射填充工序,T2-T3间是保压工序,T3以下是冷却工序。保压处理的开始时刻是填充到了型腔C内的时刻,因此是全部的第一压力传感器44的压力数据变为非零的值(比微小的规定值大的值)的时刻。保压处理的结束时刻、即,保压力减少处理的开始时刻是停止了利用螺杆33的压入力的施加的时刻。此外,以下,将保压处理中的压力变化数据称为“保压处理变化数据”,将保压力减少处理中的压力变化数据称为“减少处理变化数据”。
能够认为在保压力减少处理开始时,型腔C内的熔融材料遍及整个区域地均衡地收缩,由此固化后的成型品的形状精度提高。而且,能够认为在填充于型腔C内的熔融材料在开始保压力减少处理之后遍及整个区域地均衡地收缩的情况下,6个第一压力传感器44的减少处理变化数据近似。另一方面,能够认为在开始保压力减少处理之后的熔融材料的收缩程度根据型腔C中的熔融材料的位置而较大地不同的情况下,6个第一压力传感器44的减少处理变化数据的偏差较大。
在将图7A所示的图表与图7B所示的图表进行比较的情况下,能够判断成型条件X的减少处理变化数据与成型条件Y的减少处理变化数据相比,各个减少处理变化数据间的举动的偏差较大。特别是,关于成型条件X的减少处理变化数据,能够判断第一压力传感器44a的减少处理变化数据的举动与第一压力传感器44f的减少处理变化数据的举动的差异较大。
即,能够判断在成型条件X下,在填充于型腔C的熔融材料中的位于浇口43的附近的熔融材料、与位于从浇口43离开的位置的熔融材料之间,在开始保压力减少处理之后的成型品的收缩程度上产生了偏差。其结果是,能够判断通过成型条件X成型的成型品与通过成型条件Y成型的成型品相比,形状精度较低,圆度较大。这样,6个第一压力传感器44a-44f各自的保压力减少处理数据的差异、偏差与成型品的形状精度的相关性较高。
(7-2:形状预测***100a的机构)
接下来,参照图8对形状预测***100a的机构进行说明。如图8所示,形状预测***100a具备多个成型机1(在图1和图2中示出)、学习处理装置310a、以及形状预测装置320a。
此外,在形状预测***100a中,压力数据是在保压力减少处理时由压力传感器44、45检测出的模具4内的压力数据。以下,将保压力减少处理中的压力数据定义为“减少处理压力数据”,并将开始减少保压力之后的经过时间与压力数据的关系定义为“减少处理变化数据”。
学习处理装置310具备形状数据输入部311a、训练数据集取得部312a、训练数据集存储部313a、以及学习完成模型生成部314a。形状数据输入部311a是品质要素数据输入部311的一个例子。而且,向形状数据输入部311a输入成型机1成型的成型品的外周面和内周面的圆度的测定值,来作为品质要素数据。
训练数据集取得部312a取得作为品质要素数据被输入到形状数据输入部311a的成型品的形状数据(圆度数据)。另外,训练数据集取得部312a在多个成型机1中分别收集在保压力减少处理时压力传感器44、45检测的压力数据来作为减少处理压力数据。取得的训练数据集存储于训练数据集存储部313a。
学习完成模型生成部314a基于存储于训练数据集存储部313a的减少处理压力数据和形状数据,进行将有关联的减少处理压力数据和形状数据作为训练数据集的机器学习,由此生成与减少处理压力数据和成型品的形状(圆度)相关的学习完成模型。
形状预测装置320a是品质预测装置320的一个例子。形状预测装置320a具备学习完成模型存储部321a、成型时数据取得部322a、形状预测部323a、以及输出部324a。学习完成模型存储部321a对学习完成模型生成部314a生成的学习完成模型进行存储。成型时数据取得部322a取得成型机1将新成型品成型时6个第一压力传感器44a-44f分别检测出的压力数据来作为减少处理压力数据。作为品质预测部323的一个例子的形状预测部323a基于成型时数据取得部322a取得的减少处理压力数据(减少处理变化数据)、和存储于学习完成模型存储部321a的学习完成模型,预测新成型的成型品的形状(圆度)。
这里,在本例的形状预测***100a中,减少处理压力数据包含在保压力减少处理中由6个第一压力传感器44a-44f检测出的压力数据。关于该点,减少处理压力数据也可以包含由第二压力传感器45检测出的压力数据。另外,减少处理压力数据也能够为仅由6个第一压力传感器44a-44f中的一部分检测出的压力数据。
具体而言,训练数据集取得部312a和成型时数据取得部322a只要从6个第一压力传感器44a-44f中的至少两个取得压力数据,作为减少处理压力数据即可。由此,学习完成模型生成部314a能够生成具有熔融材料在型腔C内的位置所引起的收缩程度的差异、偏差与形状精度(形状数据、特别是圆度数据)的相关性的学习完成模型。而且,形状预测部323a基于熔融材料在型腔C内的位置所引起的收缩程度的差异、偏差,预测成型品的形状(圆度),因此能够提高预测精度。
另外,优选,训练数据集取得部312a和成型时数据取得部322a取得配置于流入路径中的相比中间位置而靠浇口43的位置的第一压力传感器44d-44f中的至少任一个所检测出的减少处理压力数据、和配置于流入路径中的相比中间位置而靠相距浇口43最远的最远位置的第一压力传感器44a-44c中的至少任一个所检测出的压力数据。由此,学习完成模型生成部314a能够生成熔融材料在型腔C内的位置所引起的收缩程度的差异、偏差、与形状精度的相关性更高的学习完成模型,且形状预测部323a能够进一步提高成型品的形状(圆度)的预测精度。
而且在该情况下,训练数据集取得部312a和成型时数据取得部322a优选从6个第一压力传感器44a-44f中的配置于相距浇口43最远的位置的第一压力传感器44a、以及配置于最靠近浇口43的位置的第一压力传感器44f这两个压力传感器取得压力数据。
即,上述两个第一压力传感器44a、44f在6个第一压力传感器44a-44f之中配置于在流入路径中相距最远的位置。而且,能够认为填充于型腔C的熔融材料中的位于分别配置有这两个第一压力传感器44a、44f的区域的熔融材料容易在开始减少保压力之后的收缩程度上产生偏差。因此,在将从6个第一压力传感器44a-44f中的一部分取得的压力数据作为减少处理压力数据的情况下,包含这两个第一压力传感器44a、44f的压力数据,由此学习完成模型生成部314a能够生成精度较高的学习完成模型,形状预测部323a能够提高成型品的形状的预测精度。
特别是在成型机1,在模具4中针对一个型腔C仅设置一处浇口43,流入到型腔C的熔融材料从浇口43沿型腔C的环状的周向流动。在这样的情况下,存在通过从浇口43将熔融材料压入型腔C从而对填充于型腔C的熔融材料施加的压力在相距浇口43较近的位置与较远的位置处差较大的情况,该差对成型品的形状精度产生影响。
关于该点,学习完成模型生成部314a生成将配置于自浇口43的距离不同的多个位置的多个第一压力传感器44所检测出的各个减少处理压力数据(减少处理变化数据)作为训练数据集的学习完成模型。而且,形状预测部323a基于多个第一压力传感器44所检测出的各个减少处理压力数据(减少处理变化数据)和学习完成模型,预测成型品的形状(圆度)。由此,形状预测***100a能够提高成型品的形状(圆度)的预测精度。
这里,参照图9,对学习完成模型生成部314a生成学习完成模型时使用的训练数据集的一个例子进行说明。学习完成模型生成部314a能够不仅将多个第一压力传感器44的减少处理压力数据本身作为训练数据集,还将从减少处理变化数据获得的统计量作为训练数据集。此外,在取得第二压力传感器45的压力数据来作为减少处理压力数据的情况下也相同。
例如,如图9所示,训练数据集中包含对减少处理变化数据进行时间积分而得的积分值、对减少处理变化数据进行时间微分而得的微分值、开始减少保压力之后至压力数据成为接近零的规定值以下所需要的时间亦即保压减少时间等。这样,学习完成模型生成部314a将积分值、微分值、保压减少时间等统计量作为训练数据集,从而能够准确捕获训练数据集,因此能够将学习完成模型高精度化。
另外,训练数据集中包含表示多个第一压力传感器44间的减少处理压力数据的偏差的统计量。如上所述,具有减少处理压力数据的偏差越大则成型品的圆度越大的关系。因此,学习完成模型生成部314a通过将表示减少处理压力数据的偏差的统计量作为训练数据集包含在内,能够生成该偏差、与成型品的形状精度特别是与圆度的相关性较高的学习完成模型。
作为表示减少处理压力数据的偏差的统计量的例子,例示多个第一压力传感器44的减少处理压力数据之差、多个减少处理压力数据的方差、多个减少处理变化数据的时间积分值之差、减少处理变化数据的时间积分值的方差、减少处理变化数据的时间微分值的平均值之差、减少处理变化数据的时间微分值的平均值的方差、各个第一压力传感器44间的保压减少时间之差等。
如以上说明的那样,学习完成模型生成部314a进行将在减少处理时多个第一压力传感器44分别检测出的6个减少处理压力数据(减少处理变化数据)和形状数据(圆度数据)作为训练数据集的机器学习,生成学习完成模型。而且,学习完成模型存储部321a对学习完成模型生成部314a生成的学习完成模型进行存储。并且,形状预测部323a基于将新的成型品成型时的成型时数据取得部322a所取得的减少处理压力数据(减少处理变化数据)、和存储于学习完成模型存储部321a的学习完成模型,预测新成型的该成型品的形状(圆度)。由此,形状预测***100a能够高精度地预测成型品的形状。
并且,多个第一压力传感器44在型腔C中配置于不同的多个位置。而且,各个第一压力传感器44在保压力减少处理时,检测在所配置的各个位置从熔融材料承受的压力。另外,训练数据集取得部312a取得多个第一压力传感器44分别检测出的多个压力数据并存储于训练数据集存储部313a。而且,学习完成模型生成部314a进行将多个压力数据作为训练数据集的机器学习,由此生成学习完成模型。由此,学习完成模型生成部314a能够生成在熔融材料的型腔C内的位置所引起的收缩程度的差异、偏差、与形状数据(圆度数据)的相关性较高的学习完成模型。由此,形状预测***100a能够生成高精度的学习完成模型,其结果是,能够提高成型品的形状预测的精度。
(8.第二个例子的品质预测***100、200)
对作为品质预测***100、200的第二个例子的质量预测***100b进行说明。质量预测***100b是对成型机1所成型的成型品的质量进行预测的品质预测***。
(8-1:质量预测***100b中的压力数据)
参照图10,对在从注射填充工序经由保压工序至冷却工序中,由第一压力传感器44a和第二压力传感器45检测的压力数据进行说明。在图10中示出表示在从注射填充工序至冷却工序中,在规定的成型条件下成型的成型品的成型时的压力变化数据的图表。T1、T2以及T3与图7A和图7B相同。此外,以下,将保压处理中的压力数据定义为“保压处理压力数据”,将在保压处理中开始保压处理之后的经过时间与压力数据的关系定义为“保压处理变化数据”。
这里,可知成型品的质量与保压处理压力数据具有相关性。具体而言,具有保压处理的时间越长则成型品的质量越大的关系。另外,具有保压处理时的保压力越大则成型品的质量越大的关系。并且,具有保压处理变化数据的偏差越大则成型品的质量越降低的关系。
另外,在模具4的供给通路4c中从熔融材料施加的压力与在型腔C中从熔融材料施加的压力相比,靠近喷嘴34的部分与保压处理时从注射装置3施加的压力的相关性较高。而且,在型腔C内第一压力传感器44a从熔融材料承受的压力比在供给通路4c中从熔融材料施加的压力小与压力损失的产生相应的量。即,第一压力传感器44a的保压处理压力数据的保压力小于第二压力传感器45的保压处理压力数据的保压力。而且,能够认为两者之差越大意味着压力损失越大,结果是成型品的质量变小。
(8-2:质量预测***100b的结构)
接下来,参照图11,对质量预测***100b的结构进行说明。如图11所示,质量预测***100b具备多个成型机1(在图1和图2中表示)、学习处理装置310b、以及质量预测装置320b。学习处理装置310b具备质量数据输入部311b、训练数据集取得部312b、训练数据集存储部313b、以及学习完成模型生成部314b。
质量数据输入部311b是品质要素数据输入部311的一个例子,向质量数据输入部311b输入成型机1所成型的成型品的质量的测定值,作为品质要素数据。训练数据集取得部312b取得作为品质要素数据被输入到质量数据输入部311b的成型品的质量数据。另外,训练数据集取得部312b在多个成型机1中分别收集进行保压处理时的第一压力传感器44a和第二压力传感器45所检测出的压力数据,来作为保压处理压力数据。取得的训练数据集存储于训练数据集存储部313b。
学习完成模型生成部314b基于存储于训练数据集存储部313b的保压处理压力数据和质量数据,进行将有关联的保压处理压力数据和质量数据作为训练数据集的机器学习,由此生成与保压处理压力数据和成型品的质量相关的学习完成模型。
质量预测装置320b是品质预测装置320的一个例子。质量预测装置320b具备学习完成模型存储部321b、成型时数据取得部322b、质量预测部323b、以及输出部324b。学习完成模型存储部321b对学习完成模型生成部314b所生成的学习完成模型进行存储。成型时数据取得部322b取得成型机1将新成型品成型时第一压力传感器44a和第二压力传感器45所检测出的保压处理压力数据。作为品质预测部323的一个例子的质量预测部323b基于成型时数据取得部322b所取得的保压处理压力数据(保压处理变化数据)、和存储于学习完成模型存储部321b的学习完成模型,预测新成型的成型品的质量。
此外,在作为第二个例子的品质预测***100的质量预测***100b中,训练数据集取得部312b和成型时数据取得部322b仅将6个第一压力传感器44a-44f中的第一压力传感器44a的压力数据作为保压处理压力数据,但并不限定于此。即,训练数据集取得部312b和成型时数据取得部322b也可以从除第一压力传感器44a以外的第一压力传感器44b-44f取得压力数据作为保压处理压力数据。
另外,训练数据集取得部312b和成型时数据取得部322b也可以从多个第一压力传感器44a-44f取得压力数据作为保压处理压力数据。在这种情况下,训练数据集取得部312b和成型时数据取得部322b优选包含地取得6个第一压力传感器44a-44f中的配置于相距浇口43最远的位置的第一压力传感器44a的压力数据。
即,第一压力传感器44a配置于流入路径并配置于相距浇口43最远的最远位置,因此熔融材料从第一压力传感器44a承受的压力在填充于型腔C的熔融材料之中压力损失最大。由此,能够认为第一压力传感器44a的保压处理压力数据与第二压力传感器45的保压处理压力数据之差容易大于其他第一压力传感器44b-44f的保压处理压力数据与第二压力传感器45的保压处理压力数据之差。因此,在将从多个第一压力传感器44a-44f中的一部分取得的压力数据、以及第二压力传感器45的压力数据作为保压处理压力数据的情况下,包含第一压力传感器44a的压力数据,由此学习完成模型生成部314b能够生成精度较高的学习完成模型,质量预测部323b能够提高成型品的质量的预测精度。
另外,训练数据集取得部312b和成型时数据取得部322b也可以从至少6个第一压力传感器44a-44f中的一个取得被检测出的压力数据作为保压处理压力数据。即,学习完成模型生成部314b也可以不将第二压力传感器45的保压处理压力数据作为训练数据集而生成学习完成模型。在这种情况下,学习完成模型生成部314b能够生成将第一压力传感器44的保压处理压力数据、和成型品的质量数据作为训练数据集的学习完成模型。由此,质量预测部323b基于从第一压力传感器44新获得的保压处理压力数据(保压处理变化数据),预测新成型的成型品的质量。
接下来,参照图12,对学习完成模型生成部314b生成学习完成模型时使用的训练数据集的一个例子进行说明。学习完成模型生成部314b不仅将压力传感器44、45的保压处理压力数据本身作为训练数据集,还将从保压处理变化数据获得的统计量作为训练数据集。
例如,如图12所示,训练数据集中包含对保压处理变化数据进行时间积分而得的积分值。这样,将积分值作为训练数据集,由此学习完成模型生成部314b能够准确地捕获训练数据集,因此能够将学习完成模型高精度化。
另外,训练数据集中包含保压处理的时间、保压处理压力数据的最大值、平均值等。该情况下,学习完成模型生成部314b能够生成反映保压处理中的时间与保压力对成型品的质量的影响程度的差异的学习完成模型,因此能够将学习完成模型高精度化。
并且,训练数据集中包含表示多个压力传感器44、45间的保压处理压力数据的偏差的统计量。如上所述,具有保压处理压力数据的偏差越大则成型品的质量越降低的关系。因此,包含表示该偏差的统计量作为训练数据集,由此学习完成模型生成部314b能够生成该偏差与成型品的质量的相关性较高的学习完成模型。
作为表示保压处理压力数据的偏差的统计量的例子,能够列举多个压力传感器44、45的保压处理压力数据之差、多个保压处理压力数据的方差、多个保压处理变化数据的时间积分值之差、保压处理变化数据的时间积分值的方差、保压处理变化数据的时间微分值的平均值之差、保压处理变化数据的时间微分值的平均值的方差等。
如以上说明的那样,学习完成模型生成部314b进行将压力传感器44、45的保压处理压力数据和质量数据作为训练数据集的机器学习,生成学习完成模型。由此,学习完成模型生成部314b能够生成保压处理时填充于型腔C的熔融材料所承受的保压力及保压处理的时间与质量数据的相关性较高的学习完成模型。
而且,学习完成模型生成部314b进行将第一压力传感器44的保压处理变化数据、第二压力传感器45的保压处理变化数据、质量数据作为训练数据集的机器学习,生成学习完成模型。由此,学习完成模型生成部314b能够生成保压处理时填充于型腔C的熔融材料所承受的压力及保压时间与质量数据的相关性被明确化的学习完成模型,因此能够将学习完成模型高精度化。
(9.第三个例子的品质预测***100、200)
对作为品质预测***100、200的第三个例子的空隙体积预测***100c进行说明。空隙体积预测***100c是对成型机1所成型的成型品的空隙体积进行预测的品质预测***。
(9-1.空隙体积预测***100c中的成型时数据)
可知成型品的空隙体积与成型品的质量具有相关性。空隙体积与质量的相关性如图13所示。即,在由同一模具4成型的成型品中,具有质量越大则空隙体积越小的关系。特别是,在质量为规定值以上的情况下,空隙体积为接近0的值。另一方面,在质量为规定值以下的情况下,虽然存在偏差,但具有质量越大则空隙体积越小的关系。
这里,在上述的质量预测***100b中,成型品的质量与保压处理压力数据具有相关性。具体而言,具有保压处理的时间越长则成型品的质量越大的关系。另外,具有保压处理时的保压力越大则成型品的质量越大的关系。并且,具有保压处理变化数据的偏差越大则成型品的质量越降低的关系。并且,第一压力传感器44a的保压处理压力数据的保压力小于第二压力传感器45的保压处理压力数据的保压力。而且,能够认为两者之差越大意味着压力损失越大,结果是成型品的质量变小。即,基于成型品的质量与保压处理压力数据的关系、以及质量与空隙体积的关系,能够导出空隙体积与保压处理压力数据的关系。
另外,空隙体积与熔融材料的温度具有相关性。熔融材料的温度与冷却后的温度之差越小,则树脂的收缩量越小,因此存在空隙体积变小的趋势。另一方面,熔融材料的温度与冷却后的温度之差越大,则树脂的收缩量越大,因此存在空隙体积变大的趋势。
(9-2.空隙体积预测***100c的结构)
接下来,参照图14,对空隙体积预测***100c的结构进行说明。如图14所示,空隙体积预测***100c具备多个成型机1(在图1和图2中表示)、学习处理装置310c、以及空隙体积预测装置320c。学习处理装置310c具备空隙体积数据输入部311c、训练数据集取得部312c、训练数据集存储部313c、以及学习完成模型生成部314c。
空隙体积数据输入部311c是品质要素数据输入部311的一个例子,向空隙体积数据输入部311c输入成型机1所成型的成型品的空隙体积的测定值,作为品质要素数据。这里,空隙体积能够通过X射线CT、超声波、光学相干断层扫描等来测量。将通过这些方法测量的空隙体积作为品质要素数据,向空隙体积数据输入部311c输入。
训练数据集取得部312c取得作为品质要素数据被输入到空隙体积数据输入部311c的成型品的空隙体积数据。另外,训练数据集取得部312c在多个成型机1中分别收集进行保压处理时第一压力传感器44a和第二压力传感器45所检测出的压力数据,来作为保压处理压力数据。并且,训练数据集取得部312c在多个成型机1中分别收集进行保压处理时温度传感器46所检测出的温度数据。取得的训练数据集存储于训练数据集存储部313c。
学习完成模型生成部314c基于存储到训练数据集存储部313c的保压处理压力数据、温度数据、以及空隙体积数据,进行将有关联的保压处理压力数据和空隙体积数据作为训练数据集的机器学习,由此生成与保压处理压力数据和成型品的空隙体积相关的学习完成模型。
空隙体积预测装置320c是品质预测装置320的一个例子。空隙体积预测装置320c具备学习完成模型存储部321c、成型时数据取得部322c、空隙体积预测部323c、以及输出部324c。学习完成模型存储部321c对学习完成模型生成部314c所生成的学习完成模型进行存储。成型时数据取得部322c取得成型机1将新成型品成型时第一压力传感器44a和第二压力传感器45所检测出的保压处理压力数据。并且,成型时数据取得部322c取得成型机1将新成型品成型时温度传感器46所检测出的温度数据。
作为品质预测部323的一个例子的空隙体积预测部323c基于成型时数据取得部322c所取得的保压处理压力数据(保压处理变化数据)及温度数据、和存储于学习完成模型存储部321c的学习完成模型,预测新成型的成型品的空隙体积。
另外,训练数据集取得部312c和成型时数据取得部322c也可以从多个第一压力传感器44a-44f取得压力数据作为保压处理压力数据。在这种情况下,训练数据集取得部312c和成型时数据取得部322c优选包含并取得6个第一压力传感器44a-44f中的配置于相距浇口43最远的位置的第一压力传感器44a的压力数据。
即,第一压力传感器44a在流入路径中配置于相距浇口43最远的最远位置,因此熔融材料从第一压力传感器44a承受的压力在填充于型腔C的熔融材料之中压力损失最大。由此,能够认为第一压力传感器44a的保压处理压力数据与第二压力传感器45的保压处理压力数据之差容易大于其他第一压力传感器44b-44f的保压处理压力数据与第二压力传感器45的保压处理压力数据之差。因此,在将从多个第一压力传感器44a-44f中的一部分取得的压力数据、以及第二压力传感器45的压力数据作为保压处理压力数据的情况下,包含第一压力传感器44a的压力数据,由此学习完成模型生成部314c能够生成精度较高的学习完成模型,且空隙体积预测部323c能够提高成型品的空隙体积的预测精度。
另外,训练数据集取得部312c和成型时数据取得部322c也可以从至少6个第一压力传感器44a-44f中的一个取得被检测的压力数据作为压处理压力数据。即,学习完成模型生成部314c也可以不将第二压力传感器45的保压处理压力数据作为训练数据集而生成学习完成模型。在这种情况下,学习完成模型生成部314c也能够生成将第一压力传感器44的保压处理压力数据、成型品的空隙体积数据作为训练数据集的学习完成模型。由此,空隙体积预测部323c基于从第一压力传感器44新获得的保压处理压力数据(保压处理变化数据),能够预测新成型的成型品的空隙体积。
另外,空隙体积预测部323c基于空隙体积的预测值和预先设定的允许值,也能够进行成型品的优劣判定。并且,空隙体积预测部323c也能够基于空隙体积的预测值判定成型品的强度。该情况下,空隙体积预测部323c也可以在成型机1进行的成型品的成型之后且在成型机1进行的成型工序的下一个工序的执行之前,进行成型品的优劣判定。
接下来,参照图14,对学习完成模型生成部314c生成学习完成模型时使用的训练数据集的一个例子进行说明。学习完成模型生成部314c不仅将压力传感器44、45的保压处理压力数据本身作为训练数据集,还将从保压处理变化数据获得的统计量作为训练数据集。
例如,如图14所示,训练数据集中包含对保压处理变化数据进行时间积分的积分值。这样,将积分值作为训练数据集,由此学习完成模型生成部314c能够准确地捕获训练数据集,因此能够将学习完成模型高精度化。
另外,训练数据集中包含保压处理的时间、保压处理压力数据的最大值、平均值等。该情况下,学习完成模型生成部314c能够生成反映保压处理中的时间与保压力对成型品的空隙体积的影响程度的差异的学习完成模型,因此能够将学习完成模型高精度化。
并且,训练数据集中包含表示多个压力传感器44、45间的保压处理压力数据的偏差的统计量。如上所述,具有保压处理压力数据的偏差越大则成型品的空隙体积越降低的关系。因此,表示该偏差的统计量作为训练数据集被包含在内,由此学习完成模型生成部314c能够生成该偏差与成型品的空隙体积相关性较高的学习完成模型。
作为表示保压处理压力数据的偏差的统计量的例子,能够举出多个压力传感器44、45的保压处理压力数据之差、多个保压处理压力数据的方差、多个保压处理变化数据的时间积分值之差、保压处理变化数据的时间积分值的方差、保压处理变化数据的时间微分值的平均值之差、保压处理变化数据的时间微分值的平均值的方差等。
如以上说明的那样,学习完成模型生成部314c进行将压力传感器44、45的保压处理压力数据、温度数据以及空隙体积数据作为训练数据集的机器学习,生成学习完成模型。由此,学习完成模型生成部314c能够生成保压处理时填充于型腔C的熔融材料承受的保压力及保压处理的时间、保压处理的熔融材料的温度与空隙体积数据的相关性较高的学习完成模型。
而且,学习完成模型生成部314c进行将第一压力传感器44的保压处理压力数据、第二压力传感器45的保压处理压力数据、温度传感器46的温度数据、空隙体积数据作为训练数据集的机器学习,生成学习完成模型。由此,学习完成模型生成部314c能够生成保压处理时填充于型腔C的熔融材料承受的压力和保压时间、熔融材料的温度以及空隙体积数据的相关性被明确化的学习完成模型,因此能够将学习完成模型高精度化。
(10.第二个例子的模具104和材料温度传感器144a-144c)
接下来,参照图16对配置于第二个例子的模具104的材料温度传感器144a-144c进行说明。如图16所示,在模具104中,在型腔C和供给通路104c设置有用于检测被供给的熔融材料的温度的三个材料温度传感器144a-144c。在本实施方式中,材料温度传感器144a-144c设置于第一模具104a,但也能够设置于第二模具104b。另外,材料温度传感器144a-144c可以是接触式的传感器,也可以是非接触式的传感器。此外,在模具104只要设置有至少一个材料温度传感器即可,在这种情况下,优选将材料温度传感器设置于型腔C内。
在设置于模具104的三个材料温度传感器144a-144c中,两个材料温度传感器144a、144b设置于型腔C,剩余的一个材料温度传感器144c设置于供给通路104c。设置于型腔C的两个材料温度传感器144a、144b是左右对称的位置,并配置于自浇口143的距离相同的位置。另外,两个材料温度传感器144a、144b相对于流入路径中的中间位置而言,配置为相比浇口143而靠近最远位置。
这里,在将成型品成型时的注射填充工序中,供给至模具104的熔融材料的温度因剪切发热而上升。而且,能够认为当在型腔C中向两个方向分开移动的熔融材料合流时,熔融材料的剪切发热所引起的发热量变大,熔融材料的温度成为最大。即,能够认为当在型腔C内朝两个方向分开移动的熔融材料合流的最远位置的附近,熔融材料的温度成为最大。而且,能够认为通过将配置于型腔C的两个材料温度传感器144a、144b配置在最远位置的附近,能够掌握型腔C内的熔融材料的最大温度。
在该点中,两个材料温度传感器144a、144b配置为相比浇口143而靠近最远位置。即,两个材料温度传感器144a、144b配置于最远位置的附近,因此能够掌握型腔C内的熔融材料的最大值。另外,在型腔C内,两个材料温度传感器144a、144b配置为左右对称。由此,即便在熔融材料在从最远位置错开的位置合流的情况下,通过取得两个材料温度传感器144a、144b中检测出的温度较高的一方,也能够掌握型腔C内的熔融材料的最大温度。
此外,在型腔C的形状并非环状的情况下,也优选在熔融材料的温度最大的位置配置材料温度传感器。例如,当在型腔中移动的熔融材料与形成型腔的壁面接触时熔融材料达到最大温度的情况下,通过在该壁面的附近配置材料温度传感器,能够掌握型腔内的熔融材料的最大温度。
(11.第四个例子的品质预测***300的各结构)
接下来,参照图17,对第四个例子的品质预测***300的各结构进行说明。第四个例子的品质预测***300具备材料温度传感器144a-144c、外部气温传感器138、以及机器学习装置110、210。此外,机器学习装置110、210具有与上述的例子相同的结构,因此标注同一附图标记。即,机器学习装置110、210具备能够执行学习阶段的学习处理装置310d、能够执行推论阶段的品质预测装置320d。
对学习处理装置310d进行说明。学习处理装置310d具备品质要素数据输入部311d、训练数据集取得部312d、训练数据集存储部313d、以及学习完成模型生成部314d。
训练数据集取得部312d将由设置于成型机1的材料温度传感器144a-144c检测出的材料温度数据、由外部气温传感器138检测出的外部气温数据等成型时数据、以及被输入到品质要素数据输入部311d的品质要素数据作为训练数据集取得。取得的训练数据集存储于训练数据集存储部313d。
学习完成模型生成部314d基于存储到训练数据集存储部313d的成型时数据(材料温度数据和外部气温数据)和品质要素数据,进行将有关联的成型时数据和品质要素数据作为训练数据集的机器学习,由此生成与成型时数据和成型品的品质要素相关的学习完成模型。
特别是,学习完成模型生成部314d从由材料温度传感器144a-144c检测出的材料温度数据之中,使用在将熔融材料供给至型腔C后的状态下打开模具104时的熔融材料的温度(以下称为“第一温度数据Th1”)。第一温度数据Th1是从冷却工序移至脱模取出工序时的熔融材料的温度,亦即使第一模具104a从第二模具104b分离时的温度(模具打开时的温度)。
并且,学习完成模型生成部314d从由材料温度传感器144a-144c检测出的材料温度数据之中,使用熔融材料的温度成为最大时的温度(以下称为“第二温度数据Th2”)。第二温度数据Th2是在朝向模具104的熔融材料的供给开始之后至冷却工序结束期间,材料温度传感器144a-144c分别检测出的熔融材料的最大温度(最大材料温度)。
但是,学习完成模型生成部314d无需一定使用三个材料温度传感器144a-144c分别检测出的第一温度数据Th1中的全部。例如,学习完成模型生成部314d也能够仅使用配置于型腔C内的两个材料温度传感器144a、144b中的任一方所检测出的检测结果。另外,学习完成模型生成部314d无需一定使用第一温度数据Th1或者第二温度数据Th2双方,也能够仅使用何一方。
此外,学习完成模型生成部314d也能够将在脱模取出工序中将成型品从模具104取出时或者在将成型品从模具104取出之后经过规定时间后材料温度传感器144a-144c所检测的检测结果出,作为外部气温数据Th3使用。该情况下,能够不需要外部气温传感器138。
即,学习完成模型生成部314d基于成型品的品质要素、材料温度数据Th1、Th2、以及外部气温数据Th3,进行将品质要素数据和材料温度数据Th1、Th2以及外部气温数据Th3作为训练数据集的机器学习,由此生成与成型品的品质要素、材料温度数据Th1、Th2以及外部气温数据Th3相关的学习完成模型。特别是,学习完成模型生成部314d使用第一温度数据Th1和第二温度数据Th2作为材料温度数据进行机器学习,由此能够生成变为包含第一温度数据Th1和第二温度数据的关系的学习完成模型。
接下来,对品质预测装置320d进行说明。品质预测装置320d主要具备学习完成模型存储部321d、成型时数据取得部322d、品质预测部323d、以及输出部324d。学习完成模型存储部321d对学习完成模型生成部314d所生成的学习完成模型进行存储。成型时数据取得部322d取得在成型机1将新成型品成型时材料温度传感器144a-144c、外部气温传感器138等所检测出的成型时数据。
品质预测部323d基于成型时数据取得部322d取得的成型时数据、和存储于学习完成模型存储部321d的学习完成模型,对新成型的成型品的品质要素进行预测。特别是,品质预测部323d使用第一温度数据Th1和第二温度数据Th2作为材料温度数据来预测品质要素。此外,品质预测部323d所预测的品质要素包含于被作为品质要素数据输入到品质要素数据输入部311d的品质要素。
品质预测部323d也能够基于预测出的品质要素和预先设定的允许值,进行成型品的优劣判定。该情况下,品质预测部323d也可以在成型机1进行的成型品的成型之后且在成型机1进行的成型工序的下一个工序的执行之前,进行成型品的优劣判定。输出部324d将品质预测部323获得的预测结果输出。输出部324d进行与上述例子的输出部324的处理相同的处理。
(12.材料温度数据的变化)
参照图18,对材料温度数据的变化进行说明。图18所示的图表是表示材料温度数据的变化的一个例子的图表,表示设置于型腔C的材料温度传感器144a所检测出的材料温度数据的变化。
在图18所示的图表中,横轴表示开始朝向模具104的熔融材料的供给之后的经过时间,纵轴表示材料温度传感器144a的检测值(熔融材料的温度)。关于横轴,时间t11表示在熔融材料被供给到型腔C内的过程中材料温度传感器144a检测第二温度数据Th2的时间。时间t12是打开模具104的时间,时间t12的熔融材料的温度为第一温度数据Th1。此外,在图18所示的例子中,第一温度数据Th1与被加热了的模具104的温度大体相同。另外,关于纵轴,Th3表示外部气温数据。
如图18所示,材料温度传感器144a的检测值在熔融材料到达配置有材料温度传感器144a的位置的时刻急剧上升。此时,在型腔C内移动的熔融材料因剪切发热而发热,相比模具104的温度为高温。而且,若在型腔C内朝两个方向分开移动的熔融材料彼此合流,则剪切发热引起的熔融材料的发热量进一步变大,熔融材料的温度成为最大。
其后,若剪切发热所引起的熔融材料的发热结束,则熔融材料的温度缓缓地降低,向模具104的温度接近。而且,若直到达到时间t12为止熔融材料的温度降低至模具104的加热温度,则其后的熔融材料的温度大致恒定。
该情况下,能够认为若在直到达到时间t12的期间熔融材料的温度平稳的时间较长,则通过缩短冷却工序,能够实现周期时间的缩短。另外,在模具打开时,供给至模具104的熔融材料暴露于外部空气,因此熔融材料的温度骤降。而且,型腔C内的熔融材料伴随着模具打开后的熔融材料的骤降而较大地收缩。关于该点,对于熔融材料的收缩量而言,时间t12的熔融材料的温度与配置有成型机1的场所的外部气温之差越大,则越收缩,因此在第一温度数据Th1与模具104的加热温度的温度差较大的情况下,有时成型品的品质要素不稳定。由此在这种情况下,也存在通过使时间t12延迟,延长冷却工序,能够使成型品的品质要素稳定的情况。
因此,品质预测装置320d基于模具打开时的熔融材料的温度亦即第一温度数据Th1,预测模具打开后的熔融材料的收缩量,并预测熔融材料固化成型而得的成型品的品质要素。即,在品质预测***300中,学习处理装置310d生成表示第一温度数据Th1与成型品的品质要素的关系的学习完成模型。而且,品质预测装置320d基于学习处理装置310d生成的学习完成模型、和将成型品成型时的第一温度数据Th1,预测成型品的品质要素。由此,品质预测***300能够高精度地预测该成型品的品质要素。
另外,品质预测装置320d可以基于表示第一温度数据Th1及外部气温数据Th3与成型品的品质要素的关系的学习完成模型、将成型品成型时的第一温度数据Th1及外部气温数据Th3,预测成型品的品质要素。即,即便在使第一温度数据Th1恒定的情况下,在配置成型机1的场所温暖的情况与寒冷的情况下,第一温度数据Th1与外部气温数据Th3之差不同。因此,在品质预测***300中,学习处理装置310d生成表示第一温度数据Th1及外部气温数据Th3与成型品的品质要素的关系的学习完成模型。而且,品质预测装置320d基于学习处理装置310d生成的学习完成模型、和将成型品成型时的第一温度数据Th1及外部气温数据Th3,预测成型品的品质要素。由此,品质预测***300能够更高精度地预测该成型品的品质要素。
另外,第一温度数据Th1受到第二温度数据Th2的影响。即,第二温度数据Th2越高,熔融材料的温度降低至模具104的加热温度所需要的时间越长。而且,在时间t12为恒定时,第二温度数据Th2超出规定温度的情况下,第二温度数据Th2越高温,第一温度数据Th1与模具104的温度之差越大。即,第一温度数据Th1与外部气温数据Th3的温度较大,熔融材料较大地收缩。这样,能够认为第二温度数据Th2在高精度地预测模具打开后的熔融材料的收缩量时,成为有用的信息。
因此,在品质预测***300中,学习处理装置310d生成表示第一温度数据Th1及第二温度数据Th2与成型品的品质要素的关系的学习完成模型。而且,品质预测装置320d基于学习处理装置310d生成的学习完成模型、与将成型品成型时的第一温度数据Th1及第二温度数据Th2,预测成型品的品质要素。由此,品质预测***300能够进一步高精度地预测该成型品的品质要素。
另外,熔融材料被加热从而膨胀,被冷却从而收缩。因此,第二温度数据Th2越是高温,供给至模具104的熔融材料的膨胀量越大。其结果是,在注射填充工序中能够填充于型腔C的熔融材料的质量变少。而且该情况下,若型腔C内的熔融材料被冷却,则熔融材料相对于型腔C较大地收缩。相反,第二温度数据Th2越是低温,型腔C内的熔融材料的膨胀量越小,在注射填充工序中能够填充于型腔C的熔融材料的质量变大。而且该情况下,被冷却时的型腔C内的熔融材料的收缩量相对于型腔C变小。
即,能够认为掌握第二温度数据Th2,由此能够预测供给至型腔C的熔融材料的质量,其结果是,能够预测熔融材料固化成型而得的成型品的品质要素。因此,在品质预测***300中,学习处理装置310d生成表示第二温度数据Th2与成型品的品质要素的关系的学习完成模型。而且,品质预测装置320d基于学习处理装置310d生成的学习完成模型、与将成型品成型时的第二温度数据Th2,预测成型品的品质要素。由此,品质预测***300能够进一步高精度地预测该成型品的品质要素。
此外,能够认为熔融材料的温度与第一温度数据Th1及外部气温数据Th3的相关性较低。由此,也能够避免学习处理装置310d在生成学习完成模型时,将第一温度数据Th1和外部气温数据Th3作为训练数据集。在这种情况下,品质预测装置320d基于与熔融材料的质量的相关性较高的第二温度数据Th2进行成型品的品质预测,因此能够提高预测精度。
另外,材料温度传感器144a配置在被认为是超两个方向分开移动的熔融材料彼此合流的最远位置的附近(参照图16)。由此,品质预测***300能够通过材料温度传感器144a检测被假定为供给至型腔C内的熔融材料中最高温的熔融材料的温度。即,材料温度传感器144a在型腔C内供熔融材料从浇口143流入的流入路径之中,配置于熔融材料的温度最高的位置。而且,品质预测装置320d基于该温度和学习完成模型预测成型品的品质要素,由此能够高精度地预测该成型品的品质要素。
此外,在型腔C的形状并非环状的情况下,材料温度数据的变化与图18所示的例子大体相同。即,若熔融材料的温度在向型腔C供给熔融材料的过程中成为最大,且剪切发热所引起的发热结束,则熔融材料的温度缓缓地降低,接近模具的温度。
(13.使用第四个例子的品质预测***300的成型品的品质要素的预测)
接下来,对使用第四个例子的品质预测***300的成型品的品质要素的预测,举出具体例进行说明。
(13-1.第四个例子的品质预测***300的具体例1)
最初,对作为第四个例子的具体例1,利用品质预测装置320d预测成型机1所成型的成型品的尺寸的情况进行说明。在本例中,列举品质预测装置320预测形成为圆环的成型品的外径的情况为例进行说明,但也能够预测成型品的其他尺寸(内径、轴向长度等)。
在本例中,训练数据集取得部312d取得与成型品的外径相关的品质要素数据、与第一温度数据Th1和第二温度数据Th2相关的材料温度数据、以及外部气温数据Th3,来作为训练数据集。接下来,学习完成模型生成部314d通过将取得的各种数据作为训练数据集的机器学习,生成表示品质要素数据、材料温度数据Th1、Th2以及外部气温数据Th3的关系的学习完成模型。
而且,品质预测装置320基于学习完成模型生成部314d生成的学习完成模型、生成新成型品时获得的材料温度数据(第一温度数据Th1和第二温度数据Th2)以及外部气温数据Th3,预测新成型的成型品的外径。
此外,在本例中,学习完成模型生成部314d也可以不将与第一温度数据Th1及第二温度数据Th2相关的材料温度数据与外部气温数据Th3中的全部作为训练数据集。即,学习完成模型生成部314d只要至少将第一温度数据Th1作为训练数据集即可。在这种情况下,品质预测装置320d基于与学习完成模型和第一温度数据Th1相关的材料温度数据,能够高精度地预测新成型的成型品的尺寸。
(13-2.第四个例子的品质预测***300的具体例2)
接下来,对作为第四个例子的具体例2,由品质预测装置320d预测成型机1成型的成型品的形状的情况进行说明。在本例中,列举品质预测装置320d预测形成为圆环的成型品的外周面和内周面的圆度的情况为例进行说明,但也能够预测成型品的其他形状(例如,圆筒度、圆度等几何公差)。
在本例中,训练数据集取得部312d取得与成型品的外径相关的品质要素数据、与第二温度数据Th2相关的材料温度数据,来作为使用于训练数据集的数据。接下来,学习完成模型生成部314d通过将取得的各种数据作为训练数据集的机器学习,生成表示品质要素数据与材料温度数据的关系的学习完成模型。
而且,品质预测装置320d基于学习完成模型生成部314d生成的学习完成模型、与生成新成型品时获得的材料温度数据(第二温度数据Th2),预测新成型的成型品的圆度。
(14.品质预测部323d对品质要素的预测结果的活用例)
接着,对品质预测部323d对品质要素的预测结果的活用例进行说明。首先,在品质预测装置320d中,品质预测部323d基于品质要素的预测结果,对成型品是否合格进行判定。例如,品质预测部323d对被作为预测结果获得的成型品的尺寸或者形状是否是预先设定的阈值以内(是否收敛在尺寸公差内或者几何公差内)进行判定。而且,只要成型品的尺寸或者形状在阈值以内,品质预测部323d就判定为该成型品合格。由此,使用品质预测***300的作业人员等基于品质预测部323d所获得的优劣判定结果,能够容易地判定成型品的优劣。
另外,作业人员、或者动作指令数据调整部8(参照图3)基于品质预测装置320d所获得的品质要素的预测结果,能够进行存储于动作指令部6的动作指令数据的调整。例如,作业人员等调整时间t12,由此能够实现周期时间的最佳化、与稳定地生产合格的成型品的兼得。并且,作业人员等通过加热缸32的温度调整、调整注射速度等,由此能够实现第二温度数据Th2的调整。另外,作业人员等基于设置到供给通路104c的材料温度传感器144c的材料温度数据,也能够研究供给通路104c的设计变更。
(15.变形方式)
在作为上述的第一个例子的品质预测***100、200的形状预测***100a的成型机1中,列举在模具4配置6个第一压力传感器44a-44f的情况为例进行了说明,但并非必须限定于此。即,只要在模具4配置多个第一压力传感器44即可,第一压力传感器44的数量也可以是5个以下或者7个以上。
该情况下,多个第一压力传感器44只要在流入路径中配置于浇口43的距离不同的多个位置即可。例如,在形状预测***100a中,6个第一压力传感器44a-44f均配置于图4所示的右半部分,但第一压力传感器44也可以配置于环状的型腔C的周向的任一位置。
另外,在品质预测***100、200、300的成型机1中,在模具4、104针对一个型腔C仅有一个浇口43、143,但针对一个型腔C也可以设置两个以上的浇口43、143。
Claims (35)
1.一种成型品的品质预测***,其中,
应用在通过向成型机的模具的型腔供给熔融材料来将成型品成型的成型方法中,
具备:
传感器,其配置于所述模具,对与在所述型腔中被供给的所述熔融材料相关的状态数据进行检测;
学习完成模型存储部,其对通过至少将由所述传感器检测出的状态数据作为训练数据集的机器学习而生成并与所述状态数据和所述成型品的品质要素相关的学习完成模型进行存储;以及
品质预测部,其基于由所述传感器新检测出的状态数据和所述学习完成模型,对新成型的所述成型品的所述品质要素进行预测,
所述传感器包含对从在所述型腔中被供给的所述熔融材料承受的压力进行检测的第一压力传感器,
所述学习完成模型存储部对通过至少将由所述第一压力传感器检测出的压力数据作为训练数据集的机器学习而生成并与所述压力数据和所述成型品的品质要素相关的所述学习完成模型进行存储,
所述品质预测部基于由所述第一压力传感器新检测出的压力数据和所述学习完成模型,对新成型的所述成型品的所述品质要素进行预测,
所述成型方法在通过规定的保压力进行了规定时间的保压处理后进行使所述保压力减少的处理,
所述品质预测***具备在所述型腔中不同的多个位置分别对从所述熔融材料承受的压力进行检测的多个所述第一压力传感器,
所述学习完成模型存储部对通过将在所述保压力的减少处理时由多个所述第一压力传感器检测出的多个所述压力数据和所述成型品的形状作为所述训练数据集的机器学习而生成并与在所述保压力的减少处理时由多个所述第一压力传感器分别检测出的多个所述压力数据和所述成型品的形状相关的所述学习完成模型进行存储,
所述品质预测部基于在所述保压力的减少处理时由多个所述第一压力传感器分别新检测出的多个压力数据和所述学习完成模型,对新成型的所述成型品的形状精度进行预测。
2.根据权利要求1所述的品质预测***,其中,
多个所述第一压力传感器在所述型腔内供所述熔融材料从所述模具的浇口流入的流入路径中,配置于自所述浇口的距离不同的多个位置。
3.根据权利要求2所述的品质预测***,其中,
多个所述第一压力传感器至少配置于所述流入路径中的靠所述浇口的位置、以及在所述流入路径中靠相距所述浇口最远的最远位置的位置这两个部位。
4.根据权利要求2所述的品质预测***,其中,
所述成型品和所述型腔是环状,
所述模具具有1处所述浇口,
所述流入路径是从所述浇口沿所述型腔的环状的周向流动的路径。
5.根据权利要求4所述的品质预测***,其中,
所述品质预测部预测所述成型品的所述环状的外周面或者内周面的圆度,来作为所述品质要素。
6.根据权利要求1所述的品质预测***,其中,
所述训练数据集包含表示各个所述第一压力传感器间的所述压力数据的偏差的值。
7.根据权利要求1所述的品质预测***,其中,
所述训练数据集在将开始减少所述保压力之后的经过时间与所述压力数据的关系定义为减少处理变化数据的情况下,包含对所述减少处理变化数据进行了时间积分而得的积分值。
8.根据权利要求1所述的品质预测***,其中,
所述训练数据集在将开始减少所述保压力之后的经过时间与所述压力数据的关系定义为减少处理变化数据的情况下,包含对所述减少处理变化数据进行了时间微分而得的微分值。
9.根据权利要求1所述的品质预测***,其中,
所述训练数据集在将开始减少所述保压力之后至由所述第一压力传感器检测出的所述压力数据成为规定值以下所需要的时间定义为保压减少时间的情况下,包含各个所述第一压力传感器间的所述保压减少时间之差。
10.根据权利要求1所述的品质预测***,其中,
所述品质预测部基于所述品质要素的预测值和允许值,进行所述成型品的优劣判定。
11.根据权利要求10所述的品质预测***,其中,
所述品质预测部在所述成型品的成型之后且在下一个工序的执行之前,进行所述成型品的优劣判定。
12.根据权利要求10所述的品质预测***,其中,
所述品质预测***执行在所述成型品的优劣判定中判定为不良的所述成型品的废弃处理或者分类处理。
13.根据权利要求1所述的品质预测***,其中,
所述品质预测***还具备通过至少将由所述传感器检测出的状态数据作为所述训练数据集的机器学习而生成所述学习完成模型并将所生成的所述学习完成模型存储于所述学习完成模型存储部的学习完成模型生成部。
14.一种成型品的品质预测***,其中,
应用在通过向成型机的模具的型腔供给熔融材料来将成型品成型的成型方法中,
具备:
传感器,其配置于所述模具,对与在所述型腔中被供给的所述熔融材料相关的状态数据进行检测;
学习完成模型存储部,其对通过至少将由所述传感器检测出的状态数据作为训练数据集的机器学习而生成并与所述状态数据和所述成型品的品质要素相关的学习完成模型进行存储;以及
品质预测部,其基于由所述传感器新检测出的状态数据和所述学习完成模型,对新成型的所述成型品的所述品质要素进行预测,
所述传感器包含对从在所述型腔中被供给的所述熔融材料承受的压力进行检测的第一压力传感器,
所述学习完成模型存储部对通过至少将由所述第一压力传感器检测出的压力数据作为训练数据集的机器学习而生成并与所述压力数据和所述成型品的品质要素相关的所述学习完成模型进行存储,
所述品质预测部基于由所述第一压力传感器新检测出的压力数据和所述学习完成模型,对新成型的所述成型品的所述品质要素进行预测,
所述成型方法在通过规定的保压力进行规定时间的保压处理后进行使所述保压力减少的处理,
所述学习完成模型存储部对通过将在所述保压处理时由所述第一压力传感器检测出的所述压力数据和所述成型品的质量作为所述训练数据集的机器学习而生成并与在所述保压处理时由所述第一压力传感器检测出的所述压力数据和所述成型品的质量相关的所述学习完成模型进行存储,
所述品质预测部基于在所述保压处理时由所述第一压力传感器新检测出的所述压力数据和所述学习完成模型,对新成型的所述成型品的质量进行预测。
15.根据权利要求14所述的品质预测***,其中,
所述第一压力传感器在所述型腔内供所述熔融材料从所述型的浇口流入的流入路径中,配置于相比所述浇口而靠相距所述浇口最远的最远位置的位置。
16.根据权利要求14所述的品质预测***,其中,
所述训练数据集在将所述保压处理的时间与由所述第一压力传感器检测出的所述压力数据的关系定义为保压处理变化数据的情况下,包含对所述保压处理变化数据进行了时间积分而得的积分值。
17.根据权利要求15所述的品质预测***,其中,
所述训练数据集包含在所述保压处理时由所述第一压力传感器检测出的所述压力数据的最大值和平均值中的至少一个。
18.根据权利要求14所述的品质预测***,其中,
所述品质预测***还具备配置于所述模具的流道的第二压力传感器,
所述学习完成模型存储部对与在所述保压处理时由所述第一压力传感器检测出的所述压力数据、在所述保压处理时由所述第二压力传感器检测出的所述压力数据、以及所述成型品的质量相关的所述学习完成模型进行存储,
所述品质预测部基于在所述保压处理时由所述第一压力传感器新检测出的所述压力数据、在所述保压处理时由所述第二压力传感器新检测出的所述压力数据、以及所述学习完成模型,对新成型的所述成型品的质量进行预测。
19.根据权利要求14所述的品质预测***,其中,
所述品质预测部基于所述品质要素的预测值和允许值,进行所述成型品的优劣判定。
20.根据权利要求19所述的品质预测***,其中,
所述品质预测部在所述成型品的成型之后且在下一个工序的执行之前,进行所述成型品的优劣判定。
21.根据权利要求19所述的品质预测***,其中,
所述品质预测***执行在所述成型品的优劣判定中判定为不良的所述成型品的废弃处理或者分类处理。
22.根据权利要求14所述的品质预测***,其中,
所述品质预测***还具备通过至少将由所述传感器检测出的状态数据作为所述训练数据集的机器学习而生成所述学习完成模型并将所生成的所述学习完成模型存储于所述学习完成模型存储部的学习完成模型生成部。
23.一种成型品的品质预测***,其中,
应用在通过向成型机的模具的型腔供给熔融材料来将成型品成型的成型方法中,
具备:
传感器,其配置于所述模具,对与在所述型腔中被供给的所述熔融材料相关的状态数据进行检测;
学习完成模型存储部,其对通过至少将由所述传感器检测出的状态数据作为训练数据集的机器学习而生成并与所述状态数据和所述成型品的品质要素相关的学习完成模型进行存储;以及
品质预测部,其基于由所述传感器新检测出的状态数据和所述学习完成模型,对新成型的所述成型品的所述品质要素进行预测,
所述传感器包含对从在所述型腔中被供给的所述熔融材料承受的压力进行检测的第一压力传感器,
所述学习完成模型存储部对通过至少将由所述第一压力传感器检测出的压力数据作为训练数据集的机器学习而生成并与所述压力数据和所述成型品的品质要素相关的所述学习完成模型进行存储,
所述品质预测部基于由所述第一压力传感器新检测出的压力数据和所述学习完成模型,对新成型的所述成型品的所述品质要素进行预测,
所述成型方法在通过规定的保压力进行规定时间的保压处理后进行使所述保压力减少的处理,
所述学习完成模型存储部对通过将在所述保压处理时由所述第一压力传感器检测出的所述压力数据和所述成型品的空隙体积作为所述训练数据集的机器学习而生成并与在所述保压处理时由所述第一压力传感器检测出的所述压力数据和所述成型品的空隙体积相关的所述学习完成模型进行存储,
所述品质预测部基于在所述保压处理时由所述第一压力传感器新检测出的所述压力数据和所述学习完成模型,对新成型的所述成型品的空隙体积进行预测。
24.根据权利要求23所述的品质预测***,其中,
所述第一压力传感器在所述型腔内供所述熔融材料从所述模具的浇口流入的流入路径中,配置于相比所述浇口而靠相距所述浇口最远的最远位置的位置。
25.根据权利要求23所述的品质预测***,其中,
所述训练数据集在将所述保压处理的时间与由所述第一压力传感器检测出的所述压力数据的关系定义为保压处理变化数据的情况下,包含对所述保压处理变化数据进行了时间积分而得的积分值。
26.根据权利要求24所述的品质预测***,其中,
所述训练数据集包含在所述保压处理时由所述第一压力传感器检测出的所述压力数据的最大值和平均值中的至少一个。
27.根据权利要求23所述的品质预测***,其中,
所述品质预测***还具备配置于所述模具的流道的第二压力传感器,
所述学习完成模型存储部对与在所述保压处理时由所述第一压力传感器检测出的所述压力数据、在所述保压处理时由所述第二压力传感器检测出的所述压力数据、以及所述成型品的空隙体积相关的所述学习完成模型进行存储,
所述品质预测部基于在所述保压处理时由所述第一压力传感器新检测出的所述压力数据、在所述保压处理时由所述第二压力传感器新检测出的所述压力数据、以及所述学习完成模型,对新成型的所述成型品的空隙体积进行预测。
28.根据权利要求23所述的品质预测***,其中,
所述品质预测***还具备配置于所述模具并对所述型腔中的所述熔融材料的温度进行检测的温度传感器,
所述学习完成模型存储部对与在所述保压处理时由所述第一压力传感器检测出的所述压力数据、在所述保压处理时由所述温度传感器检测出的温度数据、以及所述成型品的空隙体积相关的所述学习完成模型进行存储,
所述品质预测部基于在所述保压处理时由所述第一压力传感器新检测出的所述压力数据、在所述保压处理时由所述温度传感器新检测出的所述温度数据、以及所述学习完成模型,对新成型的所述成型品的空隙体积进行预测。
29.根据权利要求23所述的品质预测***,其中,
所述品质预测部基于所述空隙体积的预测值判定所述成型品的强度。
30.根据权利要求23所述的品质预测***,其中,
所述品质预测部基于所述品质要素的预测值和允许值,进行所述成型品的优劣判定。
31.根据权利要求30所述的品质预测***,其中,
所述品质预测部在所述成型品的成型之后且在下一个工序的执行之前,进行所述成型品的优劣判定。
32.根据权利要求30所述的品质预测***,其中,
所述品质预测***执行在所述成型品的优劣判定中判定为不良的所述成型品的废弃处理或者分类处理。
33.根据权利要求23所述的品质预测***,其中,
所述品质预测***还具备通过至少将由所述传感器检测出的状态数据作为所述训练数据集的机器学习而生成所述学习完成模型并将所生成的所述学习完成模型存储于所述学习完成模型存储部的学习完成模型生成部。
34.一种成型品的品质预测***,其中,
应用在通过向成型机的模具的型腔供给熔融材料来将成型品成型的成型方法中,
具备:
传感器,其配置于所述模具,对与在所述型腔中被供给的所述熔融材料相关的状态数据进行检测;和
学习完成模型生成部,其通过至少将由所述传感器检测出的状态数据作为训练数据集的机器学习,而生成与所述状态数据和所述成型品的品质要素相关的学习完成模型以及
品质预测部,其基于由所述传感器新检测出的状态数据和所述学习完成模型,对新成型的所述成型品的所述品质要素进行预测,
所述传感器包含对从在所述型腔中被供给的所述熔融材料承受的压力进行检测的第一压力传感器,
所述学习完成模型生成部对通过至少将由所述第一压力传感器检测出的压力数据作为训练数据集的机器学习而生成与所述压力数据和所述成型品的品质要素相关的所述学习完成模型,
所述品质预测部基于由所述第一压力传感器新检测出的压力数据和所述学习完成模型,对新成型的所述成型品的所述品质要素进行预测,
所述成型方法在通过规定的保压力进行了规定时间的保压处理后进行使所述保压力减少的处理,
所述品质预测***具备在所述型腔中不同的多个位置分别对从所述熔融材料承受的压力进行检测的多个所述第一压力传感器,
所述学习完成模型生成部对通过将在所述保压力的减少处理时由多个所述第一压力传感器检测出的多个所述压力数据和所述成型品的形状作为所述训练数据集的机器学习而生成与在所述保压力的减少处理时由多个所述第一压力传感器分别检测出的多个所述压力数据和所述成型品的形状相关的所述学习完成模型,
所述品质预测部基于在所述保压力的减少处理时由多个所述第一压力传感器分别新检测出的多个压力数据和所述学习完成模型,对新成型的所述成型品的形状精度进行预测。
35.一种成型机,包含在权利要求1~34中的任一项所述的品质预测***,其中,具备:
动作指令部,其向所述成型机的控制装置赋予动作指令数据;和
动作指令数据调整部,其基于所述品质预测部对所述品质要素的预测结果,进行所述动作指令数据的调整。
Applications Claiming Priority (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018-247358 | 2018-12-28 | ||
JP2018247358 | 2018-12-28 | ||
JP2019-041736 | 2019-03-07 | ||
JP2019041736A JP7283138B2 (ja) | 2019-03-07 | 2019-03-07 | 成形品の品質予測システム及び成形機 |
JP2019-119336 | 2019-06-27 | ||
JP2019119336A JP7342450B2 (ja) | 2018-12-28 | 2019-06-27 | 品質予測システム及び成形機 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111497163A CN111497163A (zh) | 2020-08-07 |
CN111497163B true CN111497163B (zh) | 2023-06-20 |
Family
ID=71872446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911346313.1A Active CN111497163B (zh) | 2018-12-28 | 2019-12-24 | 品质预测***以及成型机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111497163B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022131240A (ja) * | 2021-02-26 | 2022-09-07 | 住友重機械工業株式会社 | 射出成形機 |
CN116277588B (zh) * | 2022-02-08 | 2024-01-02 | 苏州博之顺材料科技有限公司 | 一种改性塑料粒子生产预警方法和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0437518A (ja) * | 1990-06-01 | 1992-02-07 | Fanuc Ltd | 射出成形機 |
JPH05309711A (ja) * | 1992-04-03 | 1993-11-22 | Sony Corp | 成形制御方法および装置 |
JP2001018271A (ja) * | 1999-07-06 | 2001-01-23 | Nissei Plastics Ind Co | 射出成形方法及び射出成形機 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0596592A (ja) * | 1991-03-29 | 1993-04-20 | Sumitomo Heavy Ind Ltd | 射出成形機の制御装置 |
DE69729533T2 (de) * | 1996-04-11 | 2004-11-11 | Kao Corp. | Formwerzeugdesign, verfahren und vorrichtung |
CN1354078A (zh) * | 2000-11-20 | 2002-06-19 | 盟立自动化股份有限公司 | 射出成型机参数设定的方法 |
JP4499601B2 (ja) * | 2005-04-01 | 2010-07-07 | 日精樹脂工業株式会社 | 射出成形機の制御装置 |
JP6346128B2 (ja) * | 2015-07-28 | 2018-06-20 | ファナック株式会社 | 最適な操作条件を算出できる射出成形システム及び機械学習器 |
JP6529183B2 (ja) * | 2015-12-28 | 2019-06-12 | 日精樹脂工業株式会社 | 射出成形機の成形最適化方法 |
WO2017165402A1 (en) * | 2016-03-23 | 2017-09-28 | iMFLUX Inc. | Injection molding controller interface with user-adjustable variables |
CN108515678A (zh) * | 2018-03-28 | 2018-09-11 | 广西科技大学 | 基于rbf神经网络的注塑工艺优化方法 |
-
2019
- 2019-12-24 CN CN201911346313.1A patent/CN111497163B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0437518A (ja) * | 1990-06-01 | 1992-02-07 | Fanuc Ltd | 射出成形機 |
JPH05309711A (ja) * | 1992-04-03 | 1993-11-22 | Sony Corp | 成形制御方法および装置 |
JP2001018271A (ja) * | 1999-07-06 | 2001-01-23 | Nissei Plastics Ind Co | 射出成形方法及び射出成形機 |
Also Published As
Publication number | Publication date |
---|---|
CN111497163A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7205225B2 (ja) | 成形条件決定支援装置および射出成形機 | |
CN111497163B (zh) | 品质预测***以及成型机 | |
KR101645378B1 (ko) | 사출 성형기의 공정 능력 있는 기본 설정을 반자동 생성하기 위한 설정 방법 | |
EP1919686B1 (en) | Injection molding apparatus having separation type mold and controlling method thereof | |
JP7342450B2 (ja) | 品質予測システム及び成形機 | |
JP2008279784A (ja) | 樹脂成形品 | |
EP3849772B1 (en) | Methods for controlling injection molding processes based on actual plastic melt pressure or cavity pressure | |
EP3168027B1 (en) | Injection molding information management device and injection molding machine | |
CN110494266A (zh) | 注射模制部件排出准备状态的模内非时间依赖的确定 | |
CN106182653B (zh) | 注射成型机 | |
US20200206998A1 (en) | Quality prediction system and molding machine | |
JP2009039912A (ja) | 射出成形の方法 | |
JP7293962B2 (ja) | 成形品の品質異常予測システム | |
CN110920008A (zh) | 成型条件确定辅助装置以及注射成型机 | |
JP7283138B2 (ja) | 成形品の品質予測システム及び成形機 | |
CN108688106B (zh) | 注射成型机 | |
JP2009137076A (ja) | 射出成形用金型、射出成形における可塑化不良の検出方法、及び射出成形方法 | |
KR20170038159A (ko) | 사출성형기 | |
CN113442398A (zh) | 成型品检查装置及注射成型*** | |
JP3293425B2 (ja) | 射出低圧成形方法および装置 | |
US12036712B2 (en) | Molding conditions determination assist device and resin state estimation device | |
US20240239029A1 (en) | Injection molding device | |
JP2947852B2 (ja) | 超高分子量ポリエチレンの射出成形方法 | |
JP3161579B2 (ja) | 射出圧縮成形の制御方法 | |
US20060110489A1 (en) | Apparatus for measuring separation of mold parts |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: Aichi Prefecture, Japan Applicant after: JTEKT Corp. Address before: Osaka, Japan Applicant before: JTEKT Corp. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |