CN117500845A - 预测装置、制造装置和预测方法 - Google Patents
预测装置、制造装置和预测方法 Download PDFInfo
- Publication number
- CN117500845A CN117500845A CN202280042560.6A CN202280042560A CN117500845A CN 117500845 A CN117500845 A CN 117500845A CN 202280042560 A CN202280042560 A CN 202280042560A CN 117500845 A CN117500845 A CN 117500845A
- Authority
- CN
- China
- Prior art keywords
- fluororesin
- value
- polymerization
- prediction
- mfr
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims description 23
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 247
- 238000003756 stirring Methods 0.000 claims abstract description 70
- 239000000203 mixture Substances 0.000 claims abstract description 28
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 239000002994 raw material Substances 0.000 claims abstract description 6
- 239000000463 material Substances 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000379 polymerizing effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 22
- BFKJFAAPBSQJPD-UHFFFAOYSA-N tetrafluoroethene Chemical group FC(F)=C(F)F BFKJFAAPBSQJPD-UHFFFAOYSA-N 0.000 description 20
- 229920001577 copolymer Polymers 0.000 description 16
- 238000003860 storage Methods 0.000 description 12
- 125000004432 carbon atom Chemical group C* 0.000 description 10
- 230000002776 aggregation Effects 0.000 description 9
- 238000004220 aggregation Methods 0.000 description 9
- 229920005989 resin Polymers 0.000 description 9
- 239000011347 resin Substances 0.000 description 9
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- -1 hexafluoropropylene, chlorotrifluoroethylene, trifluoroethylene, trifluoropropene Chemical class 0.000 description 8
- 125000005010 perfluoroalkyl group Chemical group 0.000 description 8
- 125000000217 alkyl group Chemical group 0.000 description 7
- 239000005977 Ethylene Substances 0.000 description 6
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 6
- 229910052731 fluorine Inorganic materials 0.000 description 6
- 239000011737 fluorine Substances 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- BQCIDUSAKPWEOX-UHFFFAOYSA-N 1,1-Difluoroethene Chemical compound FC(F)=C BQCIDUSAKPWEOX-UHFFFAOYSA-N 0.000 description 5
- HCDGVLDPFQMKDK-UHFFFAOYSA-N hexafluoropropylene Chemical group FC(F)=C(F)C(F)(F)F HCDGVLDPFQMKDK-UHFFFAOYSA-N 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000000178 monomer Substances 0.000 description 5
- QYKIQEUNHZKYBP-UHFFFAOYSA-N Vinyl ether Chemical compound C=COC=C QYKIQEUNHZKYBP-UHFFFAOYSA-N 0.000 description 4
- 238000013019 agitation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- UUAGAQFQZIEFAH-UHFFFAOYSA-N chlorotrifluoroethylene Chemical group FC(F)=C(F)Cl UUAGAQFQZIEFAH-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229920001519 homopolymer Polymers 0.000 description 2
- 239000000155 melt Substances 0.000 description 2
- 125000006551 perfluoro alkylene group Chemical group 0.000 description 2
- 229920002493 poly(chlorotrifluoroethylene) Polymers 0.000 description 2
- 239000005023 polychlorotrifluoroethylene (PCTFE) polymer Substances 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 2
- 239000004810 polytetrafluoroethylene Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- NDMMKOCNFSTXRU-UHFFFAOYSA-N 1,1,2,3,3-pentafluoroprop-1-ene Chemical compound FC(F)C(F)=C(F)F NDMMKOCNFSTXRU-UHFFFAOYSA-N 0.000 description 1
- PGJHURKAWUJHLJ-UHFFFAOYSA-N 1,1,2,3-tetrafluoroprop-1-ene Chemical compound FCC(F)=C(F)F PGJHURKAWUJHLJ-UHFFFAOYSA-N 0.000 description 1
- QMIWYOZFFSLIAK-UHFFFAOYSA-N 3,3,3-trifluoro-2-(trifluoromethyl)prop-1-ene Chemical compound FC(F)(F)C(=C)C(F)(F)F QMIWYOZFFSLIAK-UHFFFAOYSA-N 0.000 description 1
- ATVJXMYDOSMEPO-UHFFFAOYSA-N 3-prop-2-enoxyprop-1-ene Chemical compound C=CCOCC=C ATVJXMYDOSMEPO-UHFFFAOYSA-N 0.000 description 1
- WCNKHTIPPVQEQW-UHFFFAOYSA-N 4,4,4-trifluorobut-1-ene Chemical compound FC(F)(F)CC=C WCNKHTIPPVQEQW-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229920000840 ethylene tetrafluoroethylene copolymer Polymers 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- XUCNUKMRBVNAPB-UHFFFAOYSA-N fluoroethene Chemical group FC=C XUCNUKMRBVNAPB-UHFFFAOYSA-N 0.000 description 1
- 229910000856 hastalloy Inorganic materials 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000011342 resin composition Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 229920005992 thermoplastic resin Polymers 0.000 description 1
- 229920001567 vinyl ester resin Polymers 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
- C08F—MACROMOLECULAR COMPOUNDS OBTAINED BY REACTIONS ONLY INVOLVING CARBON-TO-CARBON UNSATURATED BONDS
- C08F14/00—Homopolymers and copolymers of compounds having one or more unsaturated aliphatic radicals, each having only one carbon-to-carbon double bond, and at least one being terminated by a halogen
- C08F14/18—Monomers containing fluorine
-
- C—CHEMISTRY; METALLURGY
- C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
- C08F—MACROMOLECULAR COMPOUNDS OBTAINED BY REACTIONS ONLY INVOLVING CARBON-TO-CARBON UNSATURATED BONDS
- C08F2/00—Processes of polymerisation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Medicinal Chemistry (AREA)
- Polymers & Plastics (AREA)
- Organic Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Addition Polymer Or Copolymer, Post-Treatments, Or Chemical Modifications (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Polymerisation Methods In General (AREA)
Abstract
在制造氟树脂时,预测在聚合工序中含有氟树脂的混合物的MFR值。预测装置(10)预测氟树脂的聚合工序中的投入原料后且制造结束前的规定时刻的聚合槽内的氟树脂的MFR值,包括:获取部(112),其获取在氟树脂的当前的聚合工序中测量的聚合槽内的压力值、以及对该聚合槽内进行搅拌的搅拌机的搅拌电流值作为预测用传感器值;和预测部(113),其利用对与氟树脂同种的氟树脂的过去的聚合工序中测量出的学习用传感器值、与对该过去的聚合工序的规定时刻的氟树脂测量出的MFR值的关系进行机器学习而学习得到的已学习模型,使用由获取部(112)获取到的预测用传感器值,来预测当前的聚合工序中的含有氟树脂的混合物的规定时刻的MFR值。
Description
技术领域
本发明涉及预测氟树脂的聚合工序中的MFR值的预测装置、预测方法和制造氟树脂的制造装置。
背景技术
专利文献1记载了热塑性树脂组合物的制造方法。并且,专利文献1记载了氟树脂的熔体流动速率(MFR)的优选范围及其测量方法。这样,在制造氟树脂等时测量MFR并评价性能。
现有技术文献
专利文献
专利文献1:日本特开2019-151833号公报
发明内容
发明要解决的技术问题
本发明提供一种无需在氟树脂的聚合工序中进行MFR测量而能够预测含有氟树脂的混合物的MFR值的预测装置、预测方法和制造装置。
用于解决技术问题的技术方案
本发明的预测装置是预测氟树脂的聚合工序中的投入原料后且制造结束前的时刻的聚合槽内的含有上述氟树脂的混合物的MFR值的预测装置,其包括:获取部,其获取包括在上述氟树脂的当前的聚合工序中测量的上述聚合槽内的压力值、以及对该聚合槽内进行搅拌的搅拌机的搅拌电流值的信息,作为预测用传感器值;和预测部,其利用对与上述氟树脂同种的氟树脂的过去的聚合工序中测量出的学习用传感器值、与对于该过去的聚合工序的规定时刻的氟树脂测量出的MFR值的关系进行机器学习而学习得到的已学习模型,使用由上述获取部获取到的预测用传感器值,来预测当前的聚合工序中的含有氟树脂的混合物的上述规定时刻的MFR值。
上述预测装置还包括计测上述当前的聚合工序从开始到当前的经过时间作为聚合时间的计时部,上述预测部用上述预测用传感器值以及由上述计时部计测的上述聚合时间来预测上述MFR值。
在上述预测装置中,还包括输出处理部,其输出用由上述预测部预测出的上述MFR值而得到的关于上述当前的聚合工序的结束时间的信息。
在上述预测装置中,在上述氟树脂的聚合工序中,能够对上述聚合槽追加投入材料,上述获取部获取上述压力值和上述搅拌电流值、以及投入到上述聚合槽内的材料的累计量作为预测用传感器值,上述预测部利用使用包括上述过去的聚合工序中得到的累计量的学习用传感器值进行学习而得到的已学习模型,使用上述预测用传感器值预测MFR值。
在上述预测装置中,上述预测部使用在上述氟树脂的聚合工序的部分期间中测量出的上述压力值来预测上述MFR值。
在上述预测装置中,上述预测部使用上述部分期间内的上述压力值的平均值、最大值、最小值和方差中的至少任一者来预测MFR值。
在上述预测装置中,上述预测部利用上述氟树脂的聚合工序的部分期间中测量出的上述搅拌电流值来预测上述MFR值。
在上述预测装置中,上述预测部使用上述部分期间内的上述搅拌电流值的平均值、最大值、最小值或方差来预测MFR值。
在上述预测装置中,上述部分期间选自将上述氟树脂的聚合工序的从开始到结束的时间分割而成的多个期间。
在上述预测装置中,至少实施2次上述氟树脂的聚合工序,上述获取部获取在上一次的聚合工序中得到的氟树脂的MFR值,上述预测部使用上述获取部获取的在上一次的聚合工序中得到的包括氟树脂的MFR值的预测用传感器值来预测上述氟树脂的MFR值。
本发明的制造装置是制造氟树脂的制造装置,其包括:能够投入上述氟树脂的材料的聚合槽;对上述聚合槽内进行搅拌的搅拌机;获取部,其获取在上述氟树脂的当前的聚合工序中测量的上述聚合槽内的压力值和上述搅拌机的搅拌电流值作为预测用传感器值;预测部,其利用对与上述氟树脂同种的氟树脂的过去的聚合工序中测量出的学习用传感器值、该过去的聚合工序所用的时间、与该过去的聚合工序中得到的对于氟树脂测量出的MFR值的关系进行机器学习而学习得到的已学习模型,使用由上述获取部获取的预测用传感器值,来预测当前的聚合工序中的含有氟树脂的混合物的MFR值;和输出处理部,其输出使用由上述预测部预测出的上述MFR值而得到的关于上述当前的聚合工序的结束时间的信息。
本发明的氟树脂的制造方法包括:将氟树脂的材料投入到聚合槽内的步骤;对上述聚合槽内进行搅拌的步骤;获取上述氟树脂的当前的聚合工序中测量的上述聚合槽内的压力值和上述搅拌机的搅拌电流值作为预测用传感器值的步骤;利用对与上述氟树脂同种的氟树脂的过去的聚合工序中测量出的学习用传感器值、该过去的聚合工序所用的时间、以及该过去的聚合工序中得到的对于氟树脂测量出的MFR值的关系进行机器学习而学习得到的已学习模型,使用所获取的上述预测用传感器值,来预测当前的聚合工序中的含有氟树脂的混合物的MFR值的步骤;和使用利用预测出的上述MFR值得到的关于上述当前的聚合工序的结束时间的信息,使当前的制造结束的步骤。
本发明的预测方法是预测氟树脂的聚合工序中聚合槽内的含有上述氟树脂的混合物的MFR值的预测方法,其包括:获取步骤,获取在上述氟树脂的当前的聚合工序中测量的上述聚合槽内的压力值和对该聚合槽内进行搅拌的搅拌机的搅拌电流值作为预测用传感器值;和预测步骤,利用对与上述氟树脂同种的氟树脂的过去的聚合工序中测量出的学习用传感器值、该过去的聚合工序所用的时间、以及该过去的聚合工序中得到的对于氟树脂测量出的MFR值的关系进行机器学习而学习得到的已学习模型,使用在由上述获取部获取的预测用传感器值,来预测当前的聚合工序中的含有氟树脂的混合物的MFR值。
上述生成方法是生成用于预测氟树脂的聚合工序中聚合槽内的上述氟树脂的MFR值的已学习模型的生成方法,其包括:获取包括训练数据(training data)和对于该训练数据的正确结果数据(correct answer date)的多组数据组的步骤,上述训练数据包括在与上述氟树脂同种的氟树脂的聚合工序中测量出的传感器值和该聚合工序所用的聚合时间,上述正确结果数据为该聚合工序中得到的对于氟树脂测量到的MFR值;和生成已学习模型的步骤,使用学习器,基于多个上述训练数据和上述正确结果数据,从上述氟树脂的聚合工序中得到的传感器值来生成将上述聚合工序的氟树脂的MFR值作为输出的已学习模型。
这些概括性的特定方式可以由***、方法和计算机程序、以及它们的组合来实现。
发明效果
根据本发明的预测装置、制造装置和预测方法,能够在制造氟树脂时,预测聚合工序中含有氟树脂的混合物的MFR值。
附图说明
图1是表示制造装置的构成的框图。
图2A是表示已学习模型的生成的概念图。
图2B是表示已学习模型的使用的概念图。
图3是对用于生成已学习模型的学习数据进行说明的概念图。
图4是输出由预测装置得到的预测结果的显示画面的一例的图。
图5是对学习数据进行说明的概念图。
图6是对学习数据的数据项目的一例进行说明的图。
图7是对获取数据的一例进行说明的概念图。
图8是对制造装置的处理进行说明的流程图。
具体实施方式
以下,参照附图对实施方式所涉及的预测装置、制造装置和预测方法进行说明。本发明的预测装置无需在聚合工序中实际地测量含有氟树脂的混合物的MFR值,而是利用测量的各种传感器值进行预测。因此,预测装置是所谓的“软传感器”。另外,本发明的制造装置预测氟树脂的MFR值。在以下说明中,预测装置包括在制造氟树脂的制造装置中进行说明。另外,在以下说明中,对同一结构标注相同的附图标记并省略说明。
在以下说明中,“聚合工序”是指氟树脂的聚合工序。具体而言,“聚合工序”作为由用于制造氟树脂的材料通过聚合反应得到氟树脂的过程进行说明。
《氟树脂》
“氟树脂”是含氟原子的树脂,是包含至少1种含氟单体的单体聚合而成的树脂。
作为上述含氟单体,可以列举四氟乙烯、偏氟乙烯、六氟丙烯、氯三氟乙烯、三氟乙烯、三氟丙烯、四氟丙烯、五氟丙烯、三氟丁烯、四氟异丁烯、六氟异丁烯、氟乙烯、CH2=CFRfa所示的(全氟烷基)乙烯、CH2=CF(ORfa)所示的(全氟烷基)乙烯基醚、CH2=CF(RfbORfa)所示的全氟(烷氧基烷基乙烯基醚)[上述式中,Rfa为碳原子数1~6的直链或支链的全氟烷基,Rfb为碳原子数1~6、优选碳原子数1~3的直链或支链的全氟亚烷基]等。上述Rfa优选为碳原子数1~3的直链或支链的全氟烷基,更优选为碳原子数1或2的直链或支链的全氟烷基。在一个方式中,上述全氟烷基为直链。在另一方式中,上述全氟烷基为支链。上述Rfb优选为碳原子数1~3的直链或支链的全氟亚烷基,更优选为碳原子数1或2的直链或支链的全氟亚烷基。在一个方式中,上述全氟亚烷基为直链。在另一方式中,上述全氟亚烷基为支链。
作为其它的单体,可以列举乙烯、丙烯、CH2=CF(OR)[式中,R为碳原子数1~6的直链或支链的烷基]所示的烷基乙烯基醚等。上述R优选为碳原子数1~3的直链或支链的烷基,更优选为碳原子数1或2的直链或支链的烷基。在一个方式中,上述烷基为直链。在另一方式中,上述烷基为支链。
上述氟树脂可以为上述含氟单体的均聚物、或者包含至少1种上述含氟单体的2种以上单体的共聚物的任一种。
作为上述氟树脂,可以列举聚四氟乙烯(PTFE)、聚氯三氟乙烯(PCTFE)、四氟乙烯(TFE)/六氟丙烯(HFP)共聚物、TFE/HFP/全氟(烷基乙烯基醚)(PAVE)共聚物、TFE/PAVE共聚物、(四氟乙烯-全氟烷基乙烯基醚共聚物(PFA)和四氟乙烯-全氟甲基乙烯基醚共聚物(MFA))、乙烯(Et)/TFE共聚物、Et/TFE/HFP共聚物、氯三氟乙烯(CTFE)/TFE共聚物、Et/CTFE共聚物、TFE/偏氟乙烯(VDF)共聚物、VDF/HFP/TFE共聚物、VDF/HFP共聚物等。
在优选的方式中,上述氟树脂为包含四氟乙烯单元的氟树脂。作为包含四氟乙烯单元的氟树脂,可以列举TFE的均聚物、以及TFE/HFP的共聚物、TFE/PAVE、TFE/乙烯、TFE/乙烯基醚、TFE/乙烯基酯、TFE/乙烯基酯/乙烯基醚或TFE/乙烯基醚/烯丙基醚的共聚物等。在优选的方式中,氟树脂可以为TFE/乙烯。
在上述氟树脂为包含四氟乙烯单元的氟树脂的情况下,四氟乙烯单元的含量优选为20摩尔%~80摩尔%、更优选为30摩尔%~70摩尔%、进一步优选为35摩尔%~60摩尔%。特别是在上述氟树脂为乙烯/四氟乙烯共聚物的情况下,乙烯/四氟乙烯的摩尔比优选为20/80~80/20、更优选为25/75~70/30、进一步优选为30/70~60/40。
上述氟树脂的熔点优选为200℃以上、更优选为230℃以上。
上述氟树脂的熔体流动速率优选为0.1~60、更优选为1~50。熔体流动速率是将测定对象的树脂在圆筒形状的料筒内加热,施加一定的荷重并挤出,通过测定10分钟内挤出的树脂量而得到的值。在相同的温度、荷重条件下,MFR值越高,则流动越好。例如,上述的值是使用哈斯特洛伊合金制的料筒,在温度条件300℃、荷重条件5.00kg时的值的一例。
《机器学习》
“机器学习”是学习所输入的数据所包含的特征,生成推算与新输入的数据相应的结果的“模型”的手法。具体而言,机器学习使用“学习器”进行学习。将这样生成的模型作为“已学习模型”。
如图2A所示,向“学习器”输入多组学习数据。由此,学习器对学习数据的关系进行学习,生成用参数表示学习数据的关系的已学习模型。并且,通过使用已生成的已学习模型,如图2B所示,能够对于新的输入,得到想要求取的输出。机器学习包括有监督学习、无监督学习、强化学习等,在以下实施方式中,对使用有监督学习的例子进行说明。因此,在图2A中也使用关联了与各“说明函数”对应的正确结果的数据“目的函数”的有监督学习的例子进行表示。关于学习器,例如,作为机器学习手法,可以列举神经网络(NN)、支持向量机(SVM)、决策树、梯度提升、随机森林、XGBoost、线性回归、Ridge回归、Lasso回归、ElasticNet(弹性网络回归)、偏最小二乘回归、高斯过程回归、主成分分析(PCA)等。并且,学习器还可以将这些手法组合使用。
在此,“学习数据”是在机器学习中生成学习模型时使用的数据。在有监督学习的情况下,“说明函数”和作为与该说明函数对应的正确结果的“目的函数”作为一组学习数据,输入至学习器。更具体而言,在机器学习中,如图3所示,为了生成已学习模型,使用由“说明函数”和“目的函数”为一组的多组形成的“训练数据集”。也可以将准备好的数据集中的一部分作为“学习数据集”生成学习模型后,将另一部分数据集用作“检验数据集”,检验并改进所制作的学习模型的预测精度。还可以进一步将另一部分数据集作为“测试数据集”,最终确认经过检验和改进的学习模型的预测精度。作为“说明函数”,可以列举聚合槽内的压力值、搅拌机的搅拌电流值等。“目的函数”是含有氟树脂的混合物的MFR值。
〈制造装置〉
如图1所示,制造装置1包括预测装置10、聚合槽2、搅拌机3和控制装置4。聚合槽2内投入氟树脂的材料。例如,材料在聚合工序开始的时刻投入。另外,材料的一部分可以在聚合工序中追加投入。聚合槽2密闭地形成以阻隔外气和压力及温度。并且,聚合槽2连接有测量内部压力值的压力传感器21和/或测量内部温度值的温度传感器22。各传感器21、22所连接的传感器值被预测装置10获取。
搅拌机3在制造氟树脂时从聚合工序开始至结束期间,对投入到聚合槽2内的含有材料的混合物进行搅拌。搅拌机3具有电动机31、与电动机31连接的旋转轴32、以及由旋转轴32支承的搅拌叶片33。搅拌机3使用电动机31来使位于聚合槽2内的搅拌叶片33旋转,能够对聚合槽2内的含有材料的混合物进行搅拌。通过搅拌机3的搅拌,聚合反应进展,由聚合槽2内的混合物制造氟树脂。在此,搅拌机3的动力和转速依赖于作为向电动机31提供的电流的搅拌电流。因此,搅拌电流越大,则动力越大且转速提高。假设在保持相同转速的情况下,越是聚合槽2内的聚合进展、混合物的粘性升高,越需要增大向电动机31提供的搅拌电流。
控制装置4对搅拌机3进行控制。控制装置4例如控制向电动机31提供的搅拌电流,使得在聚合工序中搅拌机3的转速恒定。在此,控制装置4可以反馈控制在电动机31中测量的搅拌电流值、或与搅拌机3的转速相应地向电动机31提供的搅拌电流。另外,还可以使用来自后述预测装置10的数据,对搅拌电流进行前馈控制。
控制装置4控制聚合槽2内的环境。控制装置4例如控制压缩机,使得在聚合工序中由压力传感器21测量的压力值达到目标值。并且,例如,控制装置4控制调温器,使得由温度传感器22测量的温度值达到目标值。在此,控制装置4也可以根据由压力传感器21或温度传感器22测量出的传感器值,以反馈控制聚合槽2内的压力或温度。另外,还可以使用来自后述预测装置10的数据,对压力或温度进行前馈控制。其中,控制装置4并不必须进行压力和温度两者的测量和控制。控制装置4例如可以仅测量和控制压力。
〈预测装置〉
预测装置10是具有控制部11、存储部12和通信部13的信息处理装置。控制部11是承担预测装置10的整体控制的控制器。控制部11读取并执行存储在存储部12中的预测程序123,由此实现作为计时部111、获取部112、预测部113和输出处理部114的处理。另外,控制部11不限于通过硬件和软件的协作实现规定功能的部分,也可以是为了实现规定功能而专门设计的硬件回路。控制部11可以由例如CPU、MPU、GPU、FPGA、DSP、ASIC等各种处理器实现。
存储部12是记录各种信息的记录介质。存储部12例如可以通过RAM、ROM、闪存、SSD(Solid State Drive,固态硬盘)、硬盘、其它存储设备或它们的适当组合来实现。存储部12除了存储有控制部11所执行的预测程序123之外,还存储有用于学习和预测的各种数据等。存储部12存储获取数据121、已学习模型122和预测程序123。
通信部13是用于实现与外部装置(未图示)的数据通信的接口回路(模块)。
另外,预测装置10可以具有输入部14和输出部15。输入部14是用于操作信号和数据的输入的操作按钮、鼠标、键盘等输入设备。输出部15是用于处理结果和数据的输出等的显示器等的输出设备。
在此,预测装置10可以由1台计算机执行,也可以由通过网络连接的多台计算机的组合执行。另外,虽然省略了图示,但例如也可以构成为存储部12所存储的全部或部分数据存储在通过网络连接的外部的记录介质中,预测装置10使用存储在外部的记录介质中的数据。
计时部111计测制造装置1中从氟树脂的聚合工序开始时起经过的时间作为聚合时间。在此,在制造装置1中,可以进行多次氟树脂的聚合工序。在这样的情况下,计时部111在每个聚合工序中测量聚合时间。因此,计时部111测量当前的聚合工序的聚合时间。
获取部112获取在氟树脂的聚合工序中测量的聚合槽内的压力值、和对聚合槽内的材料或含有氟树脂的混合物进行搅拌的搅拌机的搅拌电流值作为预测用传感器值。并且,获取部112将所获取的预测用传感器值与时间信息关联,作为获取数据121存储在存储部12中。例如,时间信息是由计时部111测量的聚合时间。另外,时间信息可以为时刻,但优选为将数据与获取时的聚合时间关联的信息。
获取部112获取各传感器值的时刻可以根据使用方式来确定。获取传感器值的时刻是每1秒、每1分钟、每10分钟等那样的定期的时刻。
预测部113通过使用机器学习而学习到的已学习模型,使用由获取部112获取到的预测用传感器值,预测当前的聚合工序中的氟树脂的规定时刻的MFR值。例如,规定的时刻是每10小时等的时刻。在此,各时刻只要是预先规定的时刻,并不必须等间隔。并且,预测部113能够使用预测用传感器值和由计时部111计测的聚合时间来预测MFR值。
该已学习模型是学习在与当前的聚合工序中制造的氟树脂同种的氟树脂的过去的聚合工序中测量到的学习用传感器值、过去的聚合工序所需要的时间、与过去的聚合工序中得到的对氟树脂测量到的MFR值的关系而生成的。关于该已学习模型的生成在后文进行详细说明。
此时,预测部113能够使用在氟树脂的聚合工序的部分期间测量到的压力值来预测MFR值。并且,预测部113能够使用在氟树脂的聚合工序的部分期间测量到的搅拌电流值来预测MFR值。该部分期间选自氟树脂的聚合工序的将从开始到结束的时间分割成的多个期间。在此,预测部113能够使用在部分期间测量到的压力值的平均值来预测MFR值。并且,预测部113能够使用在部分期间测量到的搅拌电流值的平均值来预测MFR值。此时,用于平均压力值的部分期间与用于平均搅拌电流值的部分期间可以相同,也可以不同。关于预测部113中的预测在后文详细说明。这样,预测装置10能够使用对MFR值的影响程度大的部分期间的传感器值,高效地提升MFR值的预测精度。特别是,MFR值也容易因测定者不同而产生差异,难以实现高精度的测定。对此,通过使用传感器值,由预测部113预测MFR值,能够得到可靠性高的MFR值。
另外,预测部113使用预测出的MFR值,求取关于当前的聚合的结束时间的信息。例如,“关于结束时间的信息”是预想当前的聚合结束的“预想结束時刻”。或者,“关于结束时间的信息”也可以是从当前起至预想聚合工序结束止所需要的“剩余时间”。此外,“关于结束时间的信息”也可以是执行用于结束制造的特定操作的时刻。用于结束制造的特定操作还包括例如停止原料投入、停止搅拌、降低槽压力、开始冷却等。例如,“关于结束时间的信息”可以根据在制造聚合物时得到的传感器值来求取。具体而言,预测部113能够使用求得的MFR值,利用规定的计算式或对应式,来求取关于结束时间的信息。这样,通过使用预测部113求取关于结束时间的信息,确定关于结束时间的信息,而无需在氟树脂的聚合工序中实际地从聚合槽取出聚合物并测定其性能。
输出处理部114输出由预测部113得到的关于当前的聚合的结束时间的信息。这样,通过使用预测到的关于结束时间的信息,用于判断聚合工序的结束,从而能够提高由制造装置1中得到的氟树脂的精度。并且,输出处理部114也可以输出预想的当前的混合物的MFR值本身。
输出处理部114例如如图4所示向输出部15输出包括显示部w1和显示部w2的显示画面W,其中显示部w1显示表示从开始起的预测的MFR值的变化的曲线,显示部w2表示直至结束所需要的“剩余时间”。显示部w1也可以包括表示当前时间点的指标t1和表示由预测部113预测的结束时间点的指标t2。
《预测部113中的学习》
预测部113使用学习器生成已学习模型。另外,在此,以预测部113内包括学习器的方式进行说明,但并不限定于此。例如,学习器也可以存在于预测装置10的外部。在学习器存在于预测装置10的外部的情况下,预测部113使用由外部的学习器生成并存储在存储部12中的已学习模型。
具体而言,如图2A中的上述说明,预测部113在机器学习中使用的“说明函数”是包括在过去的氟树脂的聚合工序中得到的聚合槽2内的“压力值”、搅拌机3的“搅拌电流值”、和该过去的聚合工序所需要的时间“聚合时间”的数据。另外,在该机器学习中,作为正确结果的“目的函数”所对在对应的过去的聚合工序中聚合的氟树脂测量到的“MFR值”。于是,学习器使用多组包括该说明函数和目的函数的数据组。因此,预测部113所使用的已学习模型以参数表示在过去的聚合工序中得到的多个表示“压力值”、“搅拌电流值”、“聚合时间”和“MFR值”的关系。在此,作为对在过去的聚合工序中聚合的氟树脂测量的MFR值,除了包括对作为最终产物得到的氟树脂测量的MFR值之外,还包括在聚合工序的中途通过取样操作提取的混合物的MFR值。预测部113通过这样使用机器学习生成的已学习模型,使用压力值和搅拌电流值,预测MFR值。
在这种情况下,由于聚合工序中的变化等因氟树脂的种类而有所不同,所以,“说明函数”对于每种氟树脂使用不同的函数。因此,将在特定的氟树脂(例如ETFE)的聚合中获取的数据作为说明函数而生成的学习模型,用于对该特定的氟的MFR值的预测。其中,在此省略对于通过学习得到的模型的评价的说明。
《学习数据的前处理》
在此,“聚合时间”和“MFR值”在1次聚合工序中可以仅得到1次或2~3次等的限定的次数,但“压力值”和“搅拌电流值”可以得到多次。因此,关于学***均值和多个搅拌电流值的平均值作为包括在说明函数内的学***均值,学***均值用作作为说明函数的学习数据。其中,在此聚合工序A~C为在不同时刻进行的同种氟树脂的聚合工序。
图5的例子是对于各聚合工序A~C将聚合时间分成每10小时的多组,并对每组求出在学***均值(压力平均值A1)、和同时间获取的搅拌电流值的平均值(搅拌电流平均值a1)成为对于第1组的学***均值(压力平均值A2)、和同时间获取的搅拌电流值的平均值(搅拌电流平均值b2)成为第2组学***均值和搅拌电流平均值直至第3~20组,这些成为聚合工序A的各组的学***均值和搅拌电流平均值,作为学习数据。学习器可以使用这样进行前处理而得到的学习数据。其中,在图5所示的例子中以各组为10小时的方式进行了说明,但该时间并不限定于此,可以根据情况任意设定。
并且,在学习时,并不使用这样得到的所有组的数据进行学习,根据如仅第1组的学习、仅第2组的学习、使用第1组和第2组的学习等那样的、使用哪些数据想要求取哪个时刻的MFR值,在学习中所使用的值也不同。
在此,学***均值和搅拌电流平均值作为学***均值和搅拌电流平均值作为学***均值、以及对应于聚合工序的初期的第1组的压力平均值。并且,作为学***均值、以及相当于聚合工序的中期的第8组的搅拌电流平均值。这样,在学***均值和搅拌电流平均值,对所选择的组求取压力平均值和搅拌电流平均值即可。
因此,学***均值”、各组的“搅拌电流平均值”和“聚合时间”、与作为“目的函数”的“MFR值”的关系,作为根据压力值和搅拌电流值等的输入来预测MFR值的已学习模型求出。
另外,在此学习数据的前处理由控制部11执行,但并不限定于此。例如,也可以在预测装置10的外部执行,预测部113使用从外部输入且存储在存储部12中已结束前处理的学习数据。
《使用预测部113的预测》
预测部113使用如上所述生成的已学***均值和搅拌电流值的平均值在内的学***均值,对获取数据进行前处理。然后,使用经过前处理后的获取数据,通过已学习模型预测MFR值。
如图7所示,在当前的聚合工序开始后经过150小时的时候,预测部113在每个规定的时刻对获取数据121进行分组,对各组求取压力值和搅拌电流值的平均值,使用已学习模型预测MFR值。在此,例如在使用利用图5学习的学习器时,在10小时后预测MFR值的情况下,使用仅用第1组数据学习的已学习模型。另外,在130小时后预测MFR值时,例如也可以使用利用第1组~第13组的数据学习的已学习模型。
另外,由预测部113预测MFR值的时刻是获取了全部预测所需的规定组的预测用传感器值的时刻。因此,预测部113不需要在每组结束时预测MFR值。例如,在图7所示的例子中,可以认为与聚合工序的一般的结束时间相比,10小时后、20小时后、30小时后等足够短。因此,在这种情况下,可以不预测MFR值,例如在每次根据过去的聚合工序的最短时间确定的、聚合工序不可能结束的规定时间经过后的组结束时,预测MFR值。
〈使用制造装置的处理〉
使用图8所示的流程图,对在制造装置1中执行的氟树脂的聚合工序的处理流进行说明。首先,在制造装置1中,向聚合槽2内投入氟树脂的材料(S1)。
另外,通过控制装置4的控制,开始聚合槽2内的环境和搅拌机3的控制。并且,开始使用计时部111进行聚合时间的计时(S2)。通过控制装置的控制,在聚合槽2内开始氟树脂的聚合反应。
获取部112在步骤S2中通过控制装置4开始控制时,开始获取输入传感器值(S3)。获取部112例如获取由压力传感器21测量的压力值和提供给电动机31的电流的搅拌电流值。
之后,预测部113通过已学习模型122预测MFR值(S4)。如上所述,已学习模型122中使用的预测用传感器值有时也进行前处理。
预测部113使用在步骤S4中预测出的MFR值来预测结束时间(S5)。其中,在此结束时间是用于结束制造的特定操作的时刻等,可以对应于该时刻,在后续处理中判断结束。
输出处理部114输出在步骤S5中预测出的结束时间(S6)。输出处理部114例如使用图4在输出部15上显示上述的显示画面W,由此能够输出结束时间。
预测装置10在聚合工序未结束时(S7中为否)返回步骤S3,反复进行步骤S3~S7的处理。例如,聚合工序的结束可以对应于在步骤S5中预测的结束时间来确定。例如,在由预测部113预测直至结束所需要的时间时,在步骤S5中预测的时间为0的情况下,聚合工序结束。
另一方面,在聚合工序结束时(S7中为是),控制装置4结束控制。并且,计时部111结束计时(S8)。由此,制造装置1中的1次聚合工序结束。
如上所述,在预测装置10中,能够不实际地测量混合物的MFR值,而是使用传感器值预测MFR值。并且,预测装置10使用聚合时间,能够提高MFR值的预测精度。由此,制造装置1能够使用在预测装置10中预测的MFR值,在氟树脂的聚合工序中预测氟树脂的聚合结束的时刻。由此,通过使用由预测装置10预测的MFR值,不需要在聚合工序的中途从聚合槽中取出用于MFR值测量的部分混合物来实际测量MFR值的操作。
《变形例1》
在上述说明中,说明了预测装置10使用作为传感器值的压力值的平均值和搅拌电流值的平均值作为学***均值、最大值、最小值和方差组合使用。
此时,预测部113将平均值、最大值、最小值和方差中的至少任意者组合使用,来预测MFR值。预测装置10能够有效地使用根据测量出值得到的各种值,提高MFR值的预测精度。
《变形例2》
在上述说明中,说明了制造装置1在步骤S1中投入氟树脂的材料的例子。另一方面,也包括在氟树脂的聚合工序中向聚合槽2追加投入材料等的情况。在这样的情况下,预测装置10将追加投入的材料的累计量用于MFR值的预测。
具体而言,获取部112获取压力值和搅拌电流值、以及向聚合槽2投入的材料的累计量作为预测用传感器值。
此时,预测部113使用通过包括压力值和搅拌电流值、以及过去的聚合中使用的材料的累计量在内的学习数据学习到的已学习模型122。并且,预测部113使用包括获取部112所获取的材料的累计量在内的预测用传感器值来预测MFR值。
预测装置10通过使用材料的累计量预测MFR值,能够提高预测精度。这是因为材料的投入量会对处于聚合工序中的氟树脂的MFR值造成影响的缘故。这样一来,预测装置10使用如此投入的材料的累计量,能够提高MFR值的预测精度。
《变形例3》
在上述说明中,说明了使用在各次氟树脂的聚合工序中得到的传感器值来预测MFR值的例子。另一方面,在反复实施多次聚合工序的情况下,将将上一次的聚合工序中得到的数据用于MFR值的预测。
具体而言,获取部112可以获取在上一次的聚合工序中得到的氟树脂的MFR值。换言之,获取部112可以获取在上一批次中得到的氟树脂的MFR值。
在这种情况下,预测部113使用通过包括各传感器值、以及上一次的聚合工序中得到的氟树脂的MFR值在内的学习数据学习到的已学习模型122。并且,预测部113使用预测用传感器值、以及获取部112所获取的上一次的聚合工序中得到的氟树脂的MFR值,来预测MFR值。在此,在使用上一次的聚合工序中得到的MFR值的情况下,在上一次的聚合工序中制造与此次聚合工序同种的氟树脂时,能够进一步提高预测精度。
预测装置10通过使用在上一次的聚合工序中得到的MFR值来预测此次聚合工序的氟树脂的MFR值,能够提高预测精度。这是因为在连续的聚合工序中各种环境类似,所以制造的氟树脂的MFR值也类似。预测装置10使用在上一批次中得到的MFR值,能够提高MFR值的预测精度。
《其它的变形例》
此外,作为学习数据,可以使用在聚合工序中使用的各种数据、或者在聚合工序中获取的各种数据。此时,作为在已学习模型中使用的数据,也可以使用同种的数据。例如,可以将由温度传感器22测量的温度值作为学习用传感器值和预测用传感器值。
另外,在上述说明中,未提高预测部113所使用的已学习模型122的数目,但预测部113所使用的已学习模型的数目没有限定。例如,预测部113可以将2个以上的已学习模型122组合使用。
〈效果和补充〉
如上所述,作为在本申请中发明的技术的例示,对上述实施方式进行了说明。但本发明的技术并不限定于此,也能够适用于适当地进行了变更、替换、附加、省略等的实施方式。
本发明的全部的请求保护范围中记载的预测装置、制造装置和预测方法能够通过硬件资源、例如处理器、存储器和程序的协作等来实现。
产业上的可使用性
本发明的预测装置、制造装置和预测方法例如能够有效地用于确定在氟树脂的聚合工序中聚合结束的时刻。
本申请基于2021年6月17日在日本国提出的特愿2021-101048主张优先权,其记载的全部内容通过参照引用于本说明书。
附图标记说明
1制造装置
10预测装置
11控制部
111计时部
112获取部
113预测部
114输出处理部
12存储部
121获取数据
122已学习模型
123预测程序
13通信部
14输入部
15输出部
2聚合槽
21压力传感器
22温度传感器
3搅拌机
31电动机
32旋转轴
33搅拌叶片
4控制装置。
Claims (17)
1.一种预测装置,用于预测氟树脂的聚合工序中的投入原料后且制造结束前的规定时刻的聚合槽内的含有所述氟树脂的混合物的MFR值,所述预测装置的特征在于,包括:
获取部,其获取包括所述氟树脂的当前的聚合工序中测量的所述聚合槽内的压力值、以及对该聚合槽内进行搅拌的搅拌机的搅拌电流值的信息,作为预测用传感器值;和
预测部,其利用对与上述氟树脂同种的氟树脂的过去的聚合工序中测量出的学习用传感器值、与对于该过去的聚合工序的规定时刻的氟树脂测量出的MFR值的关系进行机器学习而学习得到的已学习模型,使用由所述获取部获取到的预测用传感器值,来预测当前的聚合工序中的含有氟树脂的混合物的所述规定时刻的MFR值。
2.如权利要求1所述的预测装置,其特征在于,
还包括计测所述当前的聚合工序从开始到当前的经过时间作为聚合时间的计时部,
所述预测部用所述预测用传感器值以及由所述计时部计测的所述聚合时间来预测所述MFR值。
3.如权利要求1或2所述的预测装置,其特征在于,
还包括输出处理部,其输出用由所述预测部预测出的所述MFR值而得到的关于所述当前的聚合工序的结束时间的信息。
4.如权利要求1~3中任一项所述的预测装置,其特征在于,
在所述氟树脂的聚合工序中,能够对所述聚合槽追加投入材料,
所述获取部获取所述压力值和所述搅拌电流值、以及投入到所述聚合槽内的材料的累计量作为预测用传感器值,
所述预测部利用使用包括所述过去的聚合工序中得到的累计量的学习用传感器值进行学习而得到的已学习模型,使用所述预测用传感器值来预测MFR值。
5.如权利要求1~4中任一项所述的预测装置,其特征在于,
所述预测部使用在所述氟树脂的聚合工序的部分期间中测量出的所述压力值来预测所述MFR值。
6.如权利要求5所述的预测装置,其特征在于,
所述预测部使用所述部分期间内的所述压力值的平均值、最大值、最小值和方差中的至少任一者来预测MFR值。
7.如权利要求1~4中任一项所述的预测装置,其特征在于,
所述预测部使用所述氟树脂的聚合工序的部分期间中测量出的所述搅拌电流值来预测所述MFR值。
8.如权利要求7所述的预测装置,其特征在于,
所述预测部使用所述部分期间内的所述搅拌电流值的平均值、最大值、最小值或方差来预测MFR值。
9.如权利要求5~8中任一项所述的预测装置,其特征在于,
所述部分期间选自将所述氟树脂的聚合工序的从开始到结束的时间分割而成的多个期间。
10.如权利要求1~9中任一项所述的预测装置,其特征在于,
至少实施2次所述氟树脂的聚合工序,
所述获取部获取在上一次的聚合工序中得到的氟树脂的MFR值,
所述预测部使用所述获取部获取的在上一次的聚合工序中得到的包括氟树脂的MFR值的预测用传感器值来预测所述氟树脂的MFR值。
11.一种运算装置,求取在氟树脂的聚合工序中进行用于使聚合槽内的该氟树脂的制造结束的特定操作的目标时刻,所述运算装置的特征在于,包括:
接收部,其接收当前的制造中的表示所述氟树脂的性能目标的目标MFR值、以及投入所述氟树脂的原料后且制造结束前的规定时刻的MFR值;和
运算部,其使用与所述氟树脂同种的氟树脂的过去的制造的所述规定时刻的所述氟树脂的MFR值、该过去的制造中得到的所述氟树脂的MFR值、以及该过去的制造的目标时刻的关系,和由所述接收部接收到的所述目标MFR值与所述规定时刻的MFR值,来求取用于判断所述氟树脂的制造结束的目标时刻。
12.一种运算装置,在氟树脂的聚合工序中求取用于判断该氟树脂的制造结束的目标时刻,所述运算装置的特征在于,包括:
接收部,其接收在当前的制造中作为与所述氟树脂的制造相关的值观测到的传感器值,将该传感器值作为运算用传感器值,并且,接收当前的制造中的表示所述氟树脂的性能目标的目标MFR值作为目标值;和
运算部,其使用与所述氟树脂同种的氟树脂的过去的制造中得到的传感器值、该过去的制造中得到的所述氟树脂的MFR值、以及该过去的制造的目标时刻的关系,基于所述接收部接收到的所述运算用传感器值来求取所述当前的制造的目标时刻。
13.一种制造氟树脂的制造装置,其特征在于,包括:
能够投入所述氟树脂的材料的聚合槽;
对所述聚合槽内进行搅拌的搅拌机;
获取部,其获取在所述氟树脂的当前的聚合工序中测量的所述聚合槽内的压力值和所述搅拌机的搅拌电流值作为预测用传感器值;
预测部,其利用对与所述氟树脂同种的氟树脂的过去的聚合工序中测量出的学习用传感器值、该过去的聚合工序所用的时间、以及该过去的聚合工序中得到的对于氟树脂测量出的MFR值的关系进行机器学习而学习得到的已学习模型,使用由所述获取部获取的预测用传感器值,来预测当前的聚合工序中的含有氟树脂的混合物的MFR值;和
输出处理部,其输出使用由所述预测部预测出的所述MFR值而得到的关于所述当前的聚合工序的结束时间的信息。
14.一种氟树脂的制造方法,其特征在于,包括:
将氟树脂的材料投入到聚合槽的步骤;
对所述聚合槽内进行搅拌的步骤;
获取所述氟树脂的当前的聚合工序中测量的所述聚合槽内的压力值和对所述聚合槽内进行搅拌的搅拌机的搅拌电流值作为预测用传感器值的步骤;
利用对与所述氟树脂同种的氟树脂的过去的聚合工序中测量出的学习用传感器值、该过去的聚合工序所用的时间、以及该过去的聚合工序中得到的对于氟树脂测量出的MFR值的关系进行机器学习而学习得到的已学习模型,使用所获取的所述预测用传感器值,来预测当前的聚合工序中的含有氟树脂的混合物的MFR值的步骤;和
使用利用预测出的所述MFR值得到的关于所述当前的聚合工序的结束时间的信息,使当前的制造结束的步骤。
15.一种氟树脂的制造方法,其特征在于,包括:
将氟树脂的原料投入到聚合槽的步骤;
获取在当前的所述氟树脂的制造中作为与所述氟树脂的制造相关的值观测到的MFR值,将该MFR值作为预测用传感器值的步骤;
使用与所述氟树脂同种的氟树脂的过去的制造中得到的传感器值与该过去的制造的规定时刻的所述氟树脂的MFR值的关系,基于所获取的所述预测用传感器值,来预测当前制造的所述氟树脂的规定时刻的所述MFR值的步骤;
接收当前的制造中的表示所述氟树脂的性能目标的目标MFR值和预测出的所述规定时刻的MFR值的步骤;
使用与所述氟树脂同种的氟树脂的过去的制造的所述规定时刻的所述氟树脂的MFR值、该过去的制造时得到的所述氟树脂的MFR值、以及该过去的制造的目标时刻的关系,和接收到的所述目标的MFR值与所述规定时刻的MFR值,来求取用于判断所述氟树脂的制造结束的目标时刻的步骤;和
用求出的所述目标时刻,使当前的制造结束的步骤。
16.一种预测方法,预测氟树脂的聚合工序中聚合槽内的含有所述氟树脂的混合物的MFR值,所述预测方法的特征在于,包括:
获取步骤,获取在所述氟树脂的当前的聚合工序中测量的所述聚合槽内的压力值和对该聚合槽内进行搅拌的搅拌机的搅拌电流值作为预测用传感器值;和
预测步骤,利用对与所述氟树脂同种的氟树脂的过去的聚合工序中测量出的学习用传感器值、该过去的聚合工序所用的时间、以及该过去的聚合工序中得到的对于氟树脂测量出的MFR值的关系进行机器学习而学习得到的已学习模型,使用在所述获取步骤中获取的预测用传感器值,来预测当前的聚合工序中的含有氟树脂的混合物的MFR值。
17.一种生成方法,生成用于预测氟树脂的聚合工序中聚合槽内的所述氟树脂的MFR值的已学习模型,所述生成方法的特征在于,包括:
获取包括训练数据和对于该训练数据的正确结果数据的多组数据组的步骤,所述训练数据包括在与所述氟树脂同种的氟树脂的聚合工序中测量出的传感器值和该聚合工序所用的聚合时间,所述正确结果数据是该聚合工序中得到的对于氟树脂测量出的MFR值;和
生成已学习模型的步骤,使用学习器,基于多个所述训练数据和所述正确结果数据,从所述氟树脂的聚合工序中得到的传感器值来生成将所述聚合工序中的氟树脂的MFR值作为输出的已学习模型。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021101048A JP2023000306A (ja) | 2021-06-17 | 2021-06-17 | 予測装置、製造装置及び予測方法 |
JP2021-101048 | 2021-06-17 | ||
PCT/JP2022/022970 WO2022264885A1 (ja) | 2021-06-17 | 2022-06-07 | 予測装置、製造装置及び予測方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117500845A true CN117500845A (zh) | 2024-02-02 |
Family
ID=84527455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280042560.6A Pending CN117500845A (zh) | 2021-06-17 | 2022-06-07 | 预测装置、制造装置和预测方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP2023000306A (zh) |
CN (1) | CN117500845A (zh) |
WO (1) | WO2022264885A1 (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3189332B2 (ja) * | 1991-11-22 | 2001-07-16 | 三菱化学株式会社 | ポリオレフィンを製造するための重合反応運転支援装置 |
JP3189333B2 (ja) * | 1991-11-22 | 2001-07-16 | 三菱化学株式会社 | ポリオレフィンの製造方法 |
JP2003076934A (ja) * | 2001-09-03 | 2003-03-14 | Tosoh Corp | ポリマーの物性予測方法及びそれを用いたプラントの運転制御方法 |
JP2007191657A (ja) * | 2006-01-23 | 2007-08-02 | Hitachi Ltd | ポリマー重合装置 |
EP3760674A4 (en) * | 2018-02-28 | 2021-11-17 | Daikin Industries, Ltd. | COMPOSITION OF THERMOPLASTIC RESIN AND PROCESS FOR ITS PRODUCTION |
JP7250027B2 (ja) * | 2018-09-10 | 2023-03-31 | 富士フイルム株式会社 | フロー反応支援装置及び方法、フロー反応設備及び方法 |
JP2022013148A (ja) * | 2020-07-03 | 2022-01-18 | ダイキン工業株式会社 | 予測装置、演算装置、製造装置及び製造方法 |
-
2021
- 2021-06-17 JP JP2021101048A patent/JP2023000306A/ja active Pending
-
2022
- 2022-06-07 WO PCT/JP2022/022970 patent/WO2022264885A1/ja active Application Filing
- 2022-06-07 CN CN202280042560.6A patent/CN117500845A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022264885A1 (ja) | 2022-12-22 |
JP2023000306A (ja) | 2023-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110377447B (zh) | 一种异常数据检测方法、装置及服务器 | |
US20230119336A1 (en) | Prediction device, calculation device, manufacturing device, and manufacturing method | |
JP7274330B2 (ja) | 製造システム、情報処理方法、および製造方法 | |
CN111679636B (zh) | 生产工艺参数处理的***、方法和计算机设备 | |
US11156988B2 (en) | Drive apparatus and machine learning apparatus | |
JP2017120649A (ja) | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム | |
US11119456B2 (en) | Production system, information processing method, and production method | |
CN113543874B (zh) | 学习装置及方法 | |
CN114550834B (zh) | 一种基于变阶数分数阶导数的高聚物变形的模型构建方法 | |
KR20220108797A (ko) | 중합체 점도 품질을 제어하기 위한 방법 및 제어 시스템 | |
CN108959787B (zh) | 考虑实际工况的宏宏双驱动***的热变形预测方法及*** | |
CN117500845A (zh) | 预测装置、制造装置和预测方法 | |
CN113424119A (zh) | 作业效率评价方法、作业效率评价装置以及程序 | |
JP2023013058A (ja) | 機械学習装置、生産計画策定装置、及び、推論装置 | |
CN117531438A (zh) | 用于提高聚甲醛产品稳定性的控制方法及*** | |
US20230325562A1 (en) | Machine Learning Method, Non-Transitory Computer Readable Recording Medium, Machine Learning Device, and Molding Machine | |
JP7243082B2 (ja) | 混練異常度学習装置、混練異常度推定装置、混練異常度学習方法、混練異常度推定方法及びプログラム | |
Kopal et al. | Intelligent Modelling of the Real Dynamic Viscosity of Rubber Blends Using Parallel Computing | |
KR101837464B1 (ko) | 폴리프로필렌 중합반응 시 중합체의 시뮬레이션 방법 | |
WO2022196755A1 (ja) | 強化学習方法、コンピュータプログラム、強化学習装置及び成形機 | |
CN109491349B (zh) | 应用于连续搅拌反应釜中的批次运行轨迹和空间的调整方法 | |
Román | Data-Driven Modeling Implementation Within Materials Development and Manufacturing Systems | |
JP2022081866A (ja) | 機械学習装置、反応槽運転支援装置、及び、推論装置 | |
Wei et al. | An adaptive soft sensor based on multi-state partial least squares regression | |
WO2024126785A1 (en) | Hybrid modelling and control of industrial batch distillation processes |
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 |