JP2020049843A - 成形条件決定支援装置および射出成形機 - Google Patents

Abstract

【課題】不良品が発生した場合等に、作業者へ成形条件の決定を支援することができる装置を提供する。【解決手段】成形条件決定支援装置５０は、溶融材料を型に供給することにより成形品を成形する方法に適用される。支援装置５０，１５０は、複数の成形条件要素と成形品の複数の品質要素とを学習データとする機械学習により、品質要素毎に品質要素と成形条件要素の影響度とに関する学習モデルを生成する学習モデル生成部５３と、確認対象の品質要素の入力を受け付ける入力部５５と、学習モデルを用いて、確認対象の品質要素に対して影響度を有する成形条件要素を出力する出力部５６とを備える。【選択図】図２

Description

本発明は、成形条件決定支援装置および射出成形機に関するものである。

射出成形等の溶融材料を型に供給して成形品を成形する方法において、不良品が発生した場合には、作業者は、成形条件を変更する必要がある。そして、溶融材料および型を用いる成形方法であるため、設備が設置される工場の地域の環境、工場内の環境、工場内での設備の設置状態、設備の経年劣化度合、季節等、種々の要因が成形品の品質に影響を及ぼす。そのため、種々の要因を考慮した成形条件の変更には、熟練技術が要求される。未熟練者にとっては、どの成形条件をどの程度変更するべきかについて判断することが容易ではない。

ところで、近年コンピュータの処理速度の向上に伴い、人工知能が急速に発展しており、例えば、特許文献１には、機械学習により、射出成形の操作条件の調整を短時間で行うことが可能となることが記載されている。すなわち、成形品に関する物理量データ（成形品の品質に相当）と機械学習における報酬条件とに基づいて報酬を計算し、報酬と操作条件調整と物理量データに基づいて操作条件調整を機械学習する。

物理量データは、成形品の重量、寸法、成形品の画像データから算出される外観、長さ、角度、面積、体積、光学成形品の光学検査結果、成形品強度計測結果等であり、成形品の品質に相当する。また、操作条件（成形条件に相当する）が、型締条件、エジェクト条件、射出保圧条件、計量条件、温度条件、ノズルタッチ条件、樹脂供給条件、型厚条件、成形品取出条件、ホットランナ条件等である。つまり、特許文献１に記載の技術により、成形品に不良品が発生した場合に、成形条件を自動的に調整することが可能となる。従って、作業者による調整が不要となる。

特開２０１７−３０１５２号公報

しかし、作業者の教育、技術の継承等の観点から、成形条件の変更を全て自動で行うことが適切であるとは言えない。また、コンピュータが発展しているとしても、今後も、作業者が設備の操作を行うことが完全になくなるものではない。

本発明は、不良品が発生した場合等に、作業者へ成形条件の決定を支援することができる装置および射出成形機を提供することを目的とする。

本発明に係る成形条件決定支援装置は、溶融材料を型に供給することにより成形品を成形する方法に適用され、複数の成形条件要素と前記成形品の複数の品質要素とを学習データとする機械学習により、前記品質要素毎に前記品質要素と前記成形条件要素の影響度とに関する学習モデルを生成する学習モデル生成部と、確認対象の前記品質要素の入力を受け付ける入力部と、前記学習モデルを用いて、前記確認対象の前記品質要素に対して前記影響度を有する前記成形条件要素を出力する出力部とを備える。

不良品が発生した場合に、作業者は、複数の品質要素の中で、どの品質要素について不良であるかを確認する。そして、作業者が不良である品質要素を入力することによって、入力部が、確認対象の品質要素の入力を受け付けることになる。そうすると、出力部は、当該確認対象の品質要素に対して影響度を有する成形条件要素を出力する。ここで、入力部が受け付ける品質要素と、当該品質要素に対して影響度を有する成形条件要素との関係は、機械学習を適用することにより、容易に把握することができる。従って、出力部は、機械学習により生成した学習モデルを用いることにより、容易に、確認対象の品質要素に対して影響度を有する成形条件要素を出力することができる。

そして、作業者は、不良となった品質要素を良好にするために、どの成形条件要素を変更すればよいかを把握することができる。つまり、作業者は、品質要素と成形条件要素との関係性を把握しながら作業を繰り返すことにより、熟練度を向上することができる。

本発明に係る射出成形機は、上述した成形条件決定支援装置を有する。これにより、射出成形機による成形品の品質を良好にすることができる。

射出成形機を示す図である。 第一例の成形条件決定支援装置を示すブロック図である。 学習モデル生成部における学習データを示す図である。 学習モデル生成部において生成される学習モデルを示す図である。 表示部における第一表示態様を示す図である。 表示部における第二表示態様を示す図である。 表示部における第三表示態様を示す図である。 第二例の成形条件決定支援装置を示すブロック図である。 表示部における第四表示態様を示す図である。 表示部における第五表示態様を示す図である。

（１．適用対象）
成形条件決定支援装置５０は、溶融材料を成形機の型に供給することにより成形品を成形する方法に適用される。適用対象の成形方法は、例えば、樹脂またはゴム等の射出成形、ダイキャスト等の金属鋳造である。以下においては、適用対象として、主に、射出成形を例にあげて説明する。

射出成形を行う射出成形機１について図１を参照して説明する。ここで、成形条件決定支援装置５０は、射出成形機１が備える一部構成としてもよいし、射出成形機１とは別構成としてもよい。射出成形機１は、ベッド２、射出装置３、型締装置４および制御装置５を備える。射出装置３は、ベッド２上に配置され、成形材料を加熱溶融して、高圧を加えて金型６のキャビティに流し込む装置である。加熱溶融された成形材料のことを、溶融材料と称する。

射出装置３は、ホッパ３１、加熱シリンダ３２、スクリュ３３、ノズル３４、ヒータ３５、駆動装置３６、射出装置用センサ３７等を備える。ホッパ３１は、ペレット（粒状に成形材料）の投入口である。加熱シリンダ３２：ホッパ３１に投入されたペレットを加熱して溶融すると共に、溶融材料を加圧する。加熱シリンダ３２は、ベッド２に対して軸方向に移動可能に設けられている。スクリュ３３は、加熱シリンダ３２の内部に配置され、回転可能且つ軸方向へ移動可能に設けられている。

ノズル３４は、加熱シリンダ３２の先端に設けられた射出口であり、スクリュ３３の軸方向移動によって、加熱シリンダ３２の内部の溶融材料を、金型６のキャビティに供給する。ヒータ３５は、例えば加熱シリンダ３２の外側に設けられており、加熱シリンダ３２の内部のペレットを加熱する。駆動装置３６は、加熱シリンダ３２の軸方向への移動、スクリュ３３の回転および軸方向移動等を行う。射出装置用センサ３７は、溶融材料の貯留量、保圧力、保圧時間、射出速度、駆動装置３６の状態等を取得するセンサを総称する。ただし、当該センサ３７は、上記に限られず、種々の情報を取得するようにしてもよい。

型締装置４は、ベッド２上において射出装置３に対向配置されている。型締装置４は、装着された金型６の開閉動作を行うと共に、金型６を締め付けた状態において、金型６のキャビティに射出された溶融材料の圧力により金型６が開かないようにする。

型締装置４は、固定盤４１、可動盤４２、タイバー４３、駆動装置４４、型締装置用センサ４５を備える。固定盤４１は、固定側の第一金型６ａが固定されている。固定盤４１は、射出装置３のノズル３４に当接可能であって、ノズル３４から射出される溶融材料を金型６のキャビティへ導く。可動盤４２は、可動側の第二金型６ｂが固定されており、固定盤４１に対して接近および離間可能である。タイバー４３は、可動盤４２の移動を支持する。駆動装置４４は、例えば、シリンダ装置によって構成されており、可動盤４２を移動させる。型締装置用センサ４５は、型締力、金型温度、駆動装置４４の状態等を取得するセンサを総称する。

制御装置５は、成形条件に関する指令値に基づいて、射出装置３の駆動装置３６および型締装置４の駆動装置４４を制御する。特に、制御装置５は、射出装置用センサ３７および型締装置用センサ４５から各種情報を取得して、指令値に応じた動作を行うように、射出装置３の駆動装置３６および型締装置４の駆動装置４４を制御する。

ここで、射出成形機１による射出成形方法について説明する。計量工程、型締工程、射出充填工程、保圧冷却工程、離型取出工程が順次実行される。計量工程において、ヒータ３５の加熱およびスクリュ３３の回転に伴うせん断摩擦熱によってペレットが溶融されながら、溶融材料が加熱シリンダ３２の先端とノズル３４の間に貯留される。溶融材料の貯留量の増加に伴ってスクリュ３３が後退するため、スクリュ３３の後退位置から溶融材料の貯留量の計量が行われる。

続いて、型締工程において、可動盤４２を移動させて、第一金型６ａと第二金型６ｂとを合わせることにより、型締めを行う。さらに、ノズル３４を型締装置４の固定盤４１に接続する。続いて、射出充填工程において、スクリュ３３の回転を停止した状態において、スクリュ３３をノズル３４に向けて移動させることにより、溶融材料を高い圧力で金型６のキャビティに射出充填する。射出充填の後、保圧冷却工程において、金型６のキャビティの溶融材料が所定の圧力に保たれるように、ノズル３４を固定盤４１に押し当てたままにして保圧する。そして、金型６を冷却することで、金型６のキャビティにおける溶融材料を固化させる。最後に、離型取出工程において、第一金型６ａと第二金型６ｂとを離間させて、成形品を取り出す。

（２．第一例の成形条件決定支援装置５０の構成）
第一例の成形条件決定支援装置５０（以下、支援装置と称する）の構成について、図２−図４を参照して説明する。支援装置５０は、成形条件データベース５１、成形品品質データベース５２、学習モデル生成部５３、学習モデル記憶部５４、入力部５５、出力部５６、および、表示部５７を備える。

成形条件データベース５１は、制御装置５に指令値として入力される多数の成形品の成形条件要素を、それぞれの成形品に対応付けられて記憶する。成形条件要素とは、例えば、図３に示すように、金型温度、保圧力、射出速度、保圧時間、型締力、加熱シリンダ３２における溶融材料の貯留量等が含まれる。成形条件データベース５１には、多数の成形品に関する成形条件要素が記憶されている。つまり、成形条件データベース５１には、多数の成形品の形状、多数の成形品の材質に関する成形条件要素が記憶されている。

成形品品質データベース５２は、多数の成形品の品質要素を、それぞれの成形品に対応付けられて記憶する。品質要素には、図３に示すように、質量、寸法、ボイド状態、焼け状態等が含まれる。品質要素は、成形品の成形後に、検査装置（図示せず）等によって検査された情報である。また、品質要素は、各要素の検査数値そのものの値としてもよいし、各要素の検査数値を評価値に置換した値としてもよい。

なお、成形条件データベース５１と成形品品質データベース５２とは、別々のデータベースである場合を例にあげるが、これらが一体となったデータベースとすることもできる。この場合、成形条件要素と成形品の品質要素とが、それぞれの成形品に対応付けられて記憶されることになる。

学習モデル生成部５３は、機械学習の学習フェーズにおいて機能し、学習モデルを生成する。学習モデルは、グラフィカルモデルを適用しており、すなわち確率変数間の条件付き依存構造を示しているような確率モデルである。学習モデル生成部５３において適用する機械学習は、教師あり学習を例にあげるが、他の機械学習アルゴリズムを適用することもできる。機械学習は、例えば、ディープラーニング、グラフィカルラッソ、グラフィカル・ガウシアン・モデル、ベイジアンネットワーク等である。学習モデル生成部５３により生成された学習モデルは、学習モデル記憶部５４に記憶される。

学習モデル生成部５３は、図３に示すように、それぞれの成形品に対応付けた状態で、成形条件データベース５１に記憶されている成形条件要素、および、成形品品質データベース５２に記憶されている品質要素を、学習データとして取得する。つまり、学習モデル生成部５３は、それぞれの成形品に関して、成形条件要素および品質要素を、学習データとする機械学習を行う。

そして、学習モデル生成部５３は、当該機械学習により、品質要素毎に、品質要素と成形条件要素の影響度とに関する学習モデルを生成する。学習モデルは、例えば、図４に示すようなグラフィカルモデルである。すなわち、学習モデルは、各品質要素がどの成形条件要件に依存しているか（影響度を有しているか）を表されている。さらには、学習モデルは、各品質要素がどの成形条件要件にどの程度の影響度（依存度）を有しているかも表されている。

例えば、図４において、品質要素の１つである成形品の質量は、成形条件要素のうち、Ａが４０％、Ｂが２０％、Ｅが６％、Ｆが５％、Ｇが５％の影響度を有していることが分かる。また、品質要素の１つである成形品の形状も、同様である。なお、図４において、Ａ等の記号は、各成形条件要素を概念化簡略化して示し、例えば保圧力等である。

入力部５５、出力部５６および表示部５７は、機械学習の推定フェーズ（推論フェーズとも称する）において機能する。ここで、推定フェーズにおいては、以下のように利用される。射出成形機１を使用する作業者が、成形品の品質要素を取得する。取得した成形品の品質要素が目標値からずれている場合に、作業者は、当該品質要素を目標値に近づけるために、どの成形条件要素を調整する必要がある。そこで、作業者は、支援装置５０を用いて、目標値からずれている品質要素を入力する。そうすると、支援装置５０が、当該品質要素に対して影響度を有する成形条件要素を自動的に出力する。従って、作業者は、目標値からずれている品質要素を入力することで、当該品質要素に影響度を有する成形条件要素を得ることができるため、影響度を有する成形条件要素を調整すればよいと判断できる。ここで、以下において、作業者が、支援装置５０に入力する品質要素を、確認対象の品質要素と称する。

入力部５５は、作業者による確認対象の品質要素の入力を受け付ける。確認対象の品質要素は、上述したように、例えば、目標値からずれている品質要素である。さらに、入力部５５は、確認対象の品質要素に対応する成形条件要素の影響度を出力する場合に、影響度を出力することを作業者による入力情報として受け付ける。さらに、入力部５５は、後述する出力部５６が出力する出力条件の入力を受け付ける。出力条件は、出力対象を、影響度降順と影響度昇順との何れとするか（表示順序）、全数と予め設定された出力される要素数との何れとするか（表示要素数）、影響度の値を出力するか否か等である。

出力部５６は、学習モデル記憶部５４に記憶されている学習モデルを用いて、入力部５５に入力された確認対象の品質要素に対して、影響度を有する成形条件要素を出力する。ただし、出力部５６は、影響度の高い成形条件要素を出力するようにしてもよい。例えば、出力部５６は、影響度の値が所定値よりも高い成形条件要素を出力するようにしてもよいし、影響度の高い順に上位からの予め設定された要素数の成形条件要素を出力するようにしてもよい。もちろん、出力部５６は、影響度を有する全ての成形条件要素を出力するようにしてもよい。さらに、出力部５６は、影響度を有する成形条件要素毎に、影響度の値も出力する。表示部５７は、入力部５５に入力された入力情報および出力条件、並びに、出力部５６により出力された出力情報を表示する。表示部５７の詳細は、後述する。

（３．表示部５７の第一表示態様）
表示部５７の第一表示態様について図５を参照して説明する。本態様は、入力部５５において、入力情報である確認対象の品質要素として質量が入力され、出力条件として、影響度降順、全数、影響度無しが入力されている。この場合、表示部５７（図５の左欄）には、入力情報、出力条件が表示される。

さらに、表示部５７（図５の右欄）には、出力部５６により出力された出力情報が表示される。図５に示すように、表示部５７には、成形品の質量に対して影響度を有する成形条件要素の全てが、影響度が高い順に表示されている。すなわち、表示部５７には、質量に最も影響度の高い「Ａ」が最上段に表示され、順に、「Ｃ」、「Ｅ」、「Ｆ」、「Ｇ」が表示されている。

作業者は、質量が目標値からずれている場合に、上記のように質量を入力部５５にて入力しているとする。そうすると、図５に示すように、表示部５７に表示されることで、作業者は、質量に影響を及ぼす成形条件要素を把握することができる。例えば、作業者は、影響度の高い順に、成形条件要素を調整し、成形品の品質が目標値となるようにすることができる。

このように、不良品が発生した場合に、作業者は、複数の品質要素の中で、どの品質要素について不良であるかを確認する。そして、作業者が不良である品質要素を入力することによって、入力部が、確認対象の品質要素の入力を受け付けることになる。そうすると、出力部５６は、当該確認対象の品質要素に対して影響度を有する成形条件要素を出力する。ここで、入力部５５が受け付ける品質要素と、当該品質要素に対して影響度を有する成形条件要素との関係は、機械学習を適用することにより、容易に把握することができる。従って、出力部５６は、機械学習により生成した学習モデルを用いることにより、容易に、確認対象の品質要素に対して影響度を有する成形条件要素を出力することができる。

そして、作業者は、不良となった品質要素を良好にするために、どの成形条件要素を変更すればよいかを把握することができる。つまり、作業者は、品質要素と成形条件要素との関係性を把握しながら作業を繰り返すことにより、熟練度を向上することができる。

（４．表示部５７の第二表示態様）
表示部５７の第二表示態様について図６を参照して説明する。本態様は、入力部５５において、入力情報である確認対象の品質要素として質量が入力され、出力条件として、影響度降順、全数、影響度有りが入力されている。この場合、表示部５７（図６の左欄）には、入力情報、出力条件が表示される。

さらに、表示部５７（図６の右欄）には、出力部５６により出力された出力情報が表示される。図６に示すように、表示部５７には、成形品の質量に対して影響度を有する成形条件要素の全てが、影響度が高い順に表示されている。すなわち、表示部５７には、質量に最も影響度の高い「Ａ」が最上段に表示され、その影響度が４０％であることが合わせて表示されている。さらに、表示部５７には、順に、「Ｃ：２０％」、「Ｅ：６％」、「Ｆ：５％」、「Ｇ：５％」が表示されている。

作業者は、質量が目標値からずれている場合に、上記のように質量を入力部５５にて入力しているとする。そうすると、図６に示すように、表示部５７に表示されることで、作業者は、質量に影響を及ぼす成形条件要素を把握することができる。さらに、作業者は、質量に影響を及ぼす成形条件要素の影響度を把握することができる。例えば、作業者は、目標値とのずれ量を考慮して、どの程度の影響度の成形条件要素を調整するかを判断することができる。例えば、作業者は、影響度が最も高い成形条件要素ではなく、影響度２０％の成形条件要素を調整することを選択することができる。

このように、作業者は、成形条件要素の影響度の値を考慮することで、どの程度の影響度を有する成形条件要素をどのように調整するかを検討することができる。例えば、品質要素が目標値から僅かにずれている場合や、品質要素が目標値から大きくずれている場合に、どの成形条件要素を調整するかを検討することができる。

（５．表示部５７の第三表示態様）
表示部５７の第三表示態様について図７を参照して説明する。本態様は、入力部５５において、入力情報である確認対象の品質要素として質量が入力され、出力条件として、影響度降順、設定された要素数として上位４個、影響度有りが入力されている。この場合、表示部５７（図７の左欄）には、入力情報、出力条件が表示される。

さらに、表示部５７（図７の右欄）には、出力部５６により出力された出力情報が表示される。図７に示すように、表示部５７には、成形品の質量に対して影響度を有する成形条件要素のうち上位４個が、影響度が高い順に表示されている。すなわち、表示部５７には、質量に最も影響度の高い「Ａ」が最上段に表示され、その影響度が４０％であることが合わせて表示されている。さらに、表示部５７には、順に、「Ｃ：２０％」、「Ｅ：６％」、「Ｆ：５％」が表示されている。

作業者は、質量が目標値からずれている場合に、上記のように質量を入力部５５にて入力しているとする。そうすると、図７に示すように、表示部５７に表示されることで、作業者は、質量に影響を及ぼす成形条件要素を把握することができる。さらに、作業者は、質量に影響を及ぼす成形条件要素の影響度を把握することができる。例えば、作業者は、目標値とのずれ量を考慮して、どの程度の影響度の成形条件要素を調整するかを判断することができる。例えば、作業者は、影響度が最も高い成形条件要素ではなく、影響度２０％の成形条件要素を調整することを選択することができる。また、概ね影響度が上位の所定数となる成形条件要素を調整することで十分であるため、所定の要素数の分のみを出力情報として表示することで、表示部５７の表示内容をより見やすくすることができる。

（６．第二例の成形条件決定支援装置１５０の構成）
第二例の成形条件決定支援装置１５０（以下、支援装置と称する）の構成について、図８を参照して説明する。支援装置１５０は、成形条件データベース５１、成形品品質データベース５２、学習モデル生成部５３、学習モデル記憶部５４、品質目標値記憶部１５８、入力部１５５、出力部１５６、表示部１５７を備える。なお、第一例の支援装置５０と同一構成については、同一符号を付して説明を省略する。

入力部１５５は、確認対象の品質要素、出力条件（表示順序、表示要素数、影響度を出力するか否かに関する情報）の入力を受け付ける。さらに、入力部１５５は、確認対象の品質要素が目標値からずれている場合に、確認対象の品質要素、および、品質要素の目標値とのずれ量の入力を受け付けることができる。または、入力部１５５は、確認対象の品質要素の値そのものの入力を受け付けることができる。

品質目標値記憶部１５８は、対象の成形品に関する品質要素の目標値が記憶されている。品質要素の目標値は、入力部１５５に成形品の品質要素の値が入力された場合に、比較するための情報として用いられる。

出力部１５６は、学習モデルを用いて、確認対象の品質要素に対して、影響度を有する成形条件要素を出力する。出力部１５６は、上述した第一例の支援装置５０における出力部５６と同様の機能を有する。さらに、出力部１５６は、確認対象の品質要素をずれ量だけ調整することを目的とした場合に、影響度に応じて、調整する成形条件要素を推薦する機能を有する。つまり、出力部１５６は、学習モデルを用いて、確認対象の品質要素において、影響度およびずれ量に基づいて、調整する成形条件要素を推薦する。さらに、出力部１５６は、影響度に応じて、調整する前記成形条件要素を推薦することに加えて、調整する成形条件要素の調整量を推薦する機能をも有する。

表示部１５７は、入力部１５５に入力された入力情報および出力条件、並びに、出力部１５６により出力された出力情報を表示する。表示部１５７の詳細は、後述する。

（７．表示部１５７の第四表示態様）
表示部１５７の第四表示態様について図９を参照して説明する。本態様は、入力部１５５において、入力情報である確認対象の品質要素として質量、および、当該確認対象の品質要素の値と目標値のずれ量が入力される。また、本態様は、入力部１５５において、出力条件として、調整推薦順、設定された要素数として上位４個、影響度有りが入力されている。この場合、表示部１５７（図９の左欄）には、入力情報、出力条件が表示される。

さらに、表示部１５７（図９の右欄）には、出力部１５６により出力された出力情報が表示される。図９に示すように、表示部１５７には、成形品の質量に対して影響度を有する成形条件要素のうち調整推薦順の上位４個が、推薦順の高い順に表示されている。すなわち、表示部１５７には、質量のずれ量を調整するために、最も推薦順の高い「Ｃ」が最上段に表示され、その影響度が２０％であること、および、その調整量の値が合わせて表示されている。さらに、表示部１５７には、推薦順に、「Ｅ：６％（影響度）、○○（調整量）」、「Ｆ：５％（影響度）、○○（調整量）」、「Ｇ：５％（影響度）、○○（調整量）」が表示されている。

作業者は、質量が目標値からずれている場合に、上記のように質量およびずれ量を入力部１５５にて入力しているとする。そうすると、図９に示すように、表示部１５７に表示されることで、作業者は、質量に影響を及ぼす成形条件要素を把握することができる。さらに、作業者は、質量をずれ量分だけ調整するために、どの成形条件要素をその程度調整するかを把握することができる。

ここで、確認対象の品質要素をずれ量分だけ調整する場合において、推薦対象は１つとは限られず、複数の推薦対象が出力されることがある。この場合に、推薦順に複数の推薦対象が表示部１５７に表示されることで、作業者は、複数の推薦対象を把握することができる。これにより、作業者は、成形品の品質要素が目標値となるように調整することが可能となる。

（８．表示部１５７の第五表示態様）
表示部１５７の第五表示態様について図１０を参照して説明する。本態様は、入力部１５５において、入力情報である確認対象の品質要素として質量、および、当該確認対象の品質要素の値が入力される。また、本態様は、入力部１５５において、出力条件として、調整推薦順、設定された要素数として上位４個、影響度有りが入力されている。この場合、表示部１５７（図１０の左欄）には、入力情報、出力条件が表示される。

さらに、表示部１５７（図１０の右欄）には、出力部１５６により出力された出力情報が表示される。図１０に示すように、表示部１５７には、成形品の質量に対して影響度を有する成形条件要素のうち調整推薦順の上位４個が、推薦順の高い順に表示されている。ここで、出力部１５６は、入力部１５５に入力された確認対象の品質要素の値と、品質目標値記憶部１５８に記憶されている目標値とを比較することにより、ずれ量を得ることができる。そして、出力部１５６は、当該ずれ量に基づいて、調整推薦順が決定されている。

そして、表示部１５７には、質量のずれ量を調整するために、最も推薦順の高い「Ｃ」が最上段に表示され、その影響度が２０％であること、および、その調整量の値が合わせて表示されている。さらに、表示部１５７には、推薦順に、「Ｅ：６％（影響度）、○○（調整量）」、「Ｆ：５％（影響度）、○○（調整量）」、「Ｇ：５％（影響度）、○○（調整量）」が表示されている。

作業者は、確認対象の品質要素が目標値からずれている場合に、ずれ量を計算することなく、確認対象の品質要素の値そのものを入力している。そうすると、図１０に示すように、表示部１５７に表示されることで、作業者は、質量のずれ量を調整するために、どの成形条件要素をどの程度調整すればよいかを把握することができる。

１：射出成形機、 ２：ベッド、 ３：射出装置、 ４：型締装置、 ５：制御装置、 ６：金型、 ６ａ：第一金型、 ６ｂ：第二金型、 ３１：ホッパ、 ３２：加熱シリンダ、 ３３：スクリュ、 ３４：ノズル、 ３５：ヒータ、 ３６：駆動装置、 ３７：射出装置用センサ、 ４１：固定盤、 ４２：可動盤、 ４３：タイバー、 ４４：駆動装置、 ４５：型締装置用センサ、 ５０，１５０：成形条件決定支援装置、 ５１：成形条件データベース、 ５２：成形品品質データベース、 ５３：学習モデル生成部、 ５４：学習モデル記憶部、 ５５，１５５：入力部、 ５６，１５６：出力部、 ５７，１５７：表示部、 １５８：品質目標値記憶部

Claims (8)

1. 溶融材料を型に供給することにより成形品を成形する方法に適用され、
   複数の成形条件要素と前記成形品の複数の品質要素とを学習データとする機械学習により、前記品質要素毎に前記品質要素と前記成形条件要素の影響度とに関する学習モデルを生成する学習モデル生成部と、
   確認対象の前記品質要素の入力を受け付ける入力部と、
   前記学習モデルを用いて、前記確認対象の前記品質要素に対して前記影響度を有する前記成形条件要素を出力する出力部と、
   を備える、成形条件決定支援装置。
2. 前記出力部は、前記確認対象の前記品質要素に対して前記影響度を高い前記成形条件要素を出力する、請求項１に記載の成形条件決定支援装置。
3. 前記出力部は、前記影響度を有する前記成形条件要素、および、前記影響度の値を出力する、請求項１または２に記載の成形条件決定支援装置。
4. 前記出力部は、予め出力される要素数が設定されており、前記確認対象の前記品質要素に対して前記影響度を有する前記成形条件要素を、前記影響度の値が高い方から前記要素数の分だけ出力する、請求項１−３の何れか一項に記載の成形条件決定支援装置。
5. 前記入力部は、前記確認対象の前記品質要素が目標値からずれている場合に、前記確認対象の前記品質要素、および、前記品質要素の前記目標値とのずれ量の入力を受け付け、
   前記出力部は、前記確認対象の前記品質要素を前記ずれ量だけ調整することを目的とした場合に、前記影響度に応じて、調整する前記成形条件要素を推薦する、請求項１−４の何れか一項に記載の成形条件決定支援装置。
6. 前記出力部は、前記影響度に応じて、調整する前記成形条件要素、および、調整する前記成形条件要素の調整量を推薦する、請求項５に記載の成形条件決定支援装置。
7. 前記学習モデルは、グラフィカルモデルである、請求項１−６の何れか一項に記載の成形条件決定支援装置。
8. 請求項１−７の何れか一項に記載の成形条件決定支援装置を有する、射出成形機。
   

Images