WO2022264885A1 - 予測装置、製造装置及び予測方法 - Google Patents

予測装置、製造装置及び予測方法 Download PDF

Info

Publication number
WO2022264885A1
WO2022264885A1 PCT/JP2022/022970 JP2022022970W WO2022264885A1 WO 2022264885 A1 WO2022264885 A1 WO 2022264885A1 JP 2022022970 W JP2022022970 W JP 2022022970W WO 2022264885 A1 WO2022264885 A1 WO 2022264885A1
Authority
WO
WIPO (PCT)
Prior art keywords
fluororesin
value
prediction
polymerization
polymerization process
Prior art date
Application number
PCT/JP2022/022970
Other languages
English (en)
French (fr)
Inventor
淳平 伊與田
Original Assignee
ダイキン工業株式会社
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 ダイキン工業株式会社 filed Critical ダイキン工業株式会社
Priority to CN202280042560.6A priority Critical patent/CN117500845A/zh
Publication of WO2022264885A1 publication Critical patent/WO2022264885A1/ja

Links

Images

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

Definitions

  • the present disclosure relates to a prediction device for predicting the MFR value in the polymerization process of fluororesin, a prediction method, and a manufacturing apparatus for manufacturing fluororesin.
  • Patent Document 1 describes a method for producing a thermoplastic resin composition. Moreover, Patent Document 1 describes a preferable range of the melt flow rate (MFR) of the fluororesin and a method for measuring the same. In this way, the performance is evaluated by measuring the MFR during the production of the fluororesin or the like.
  • MFR melt flow rate
  • the present disclosure provides a prediction device, a prediction method, and a manufacturing device capable of predicting the MFR value of a mixture containing a fluororesin without requiring measurement of the MFR in the polymerization process of the fluororesin.
  • a prediction device of the present disclosure is a prediction device for predicting the MFR value of a mixture containing the fluororesin in a polymerization tank at a timing after charging raw materials and before finishing production in a fluororesin polymerization process, wherein the fluorine an acquisition unit that acquires information including a pressure value in the polymerization tank measured in the current polymerization process of the resin and a stirring current value of a stirrer that stirs the inside of the polymerization tank as a prediction sensor value;
  • the relationship between the learning sensor value measured in the past polymerization process of the same type of fluororesin as the resin and the MFR value measured for the fluororesin at a predetermined timing in the past polymerization process has been learned by machine learning.
  • a prediction unit that predicts the MFR value at the predetermined timing of the mixture containing the fluororesin in the current polymerization process using the prediction sensor value acquired by the acquisition unit from a model.
  • the prediction device further includes a timer that measures the elapsed time from the start of the current polymerization process to the present time as a polymerization time, and the prediction unit measures the polymerization timed by the timer together with the prediction sensor value. Time can be used to predict the MFR value.
  • the prediction device may further include an output processing section that outputs information about the current completion time of the polymerization process obtained using the MFR value predicted by the prediction section.
  • the prediction device it is possible to add additional material to the polymerization tank in the polymerization process of the fluororesin, and the acquisition unit is added to the polymerization tank together with the pressure value and the stirring current value.
  • the prediction unit acquires the integrated amount of the material as a prediction sensor value, and the prediction unit calculates the prediction sensor value by a trained model that has been trained with the learning sensor value including the integrated amount obtained in the past polymerization step. can be used to predict MFR values.
  • the prediction unit can predict the MFR value using the pressure value measured during a part of the fluororesin polymerization process.
  • the prediction unit can predict the MFR value using at least one of the average value, maximum value, minimum value, or variance value of the pressure values within the partial period.
  • the prediction unit can predict the MFR value using the stirring current value measured during a part of the fluororesin polymerization process.
  • the prediction unit can predict the MFR value using the average value, maximum value, minimum value, or variance value of the stirring current values within the partial period.
  • the partial period can be selected from a plurality of periods obtained by dividing the time from the start to the end of the polymerization process of the fluororesin.
  • the fluororesin polymerization step is performed at least twice, the acquisition unit acquires the MFR value of the fluororesin obtained in the previous polymerization step, and the prediction unit acquires the MFR value obtained by the acquisition unit.
  • the MFR value of the fluororesin can be predicted using the prediction sensor value including the MFR value of the fluororesin obtained in the previous polymerization step.
  • the production apparatus of the present disclosure is a production apparatus for producing a fluororesin, comprising a polymerization vessel into which the material of the fluororesin is charged, a stirrer for stirring the inside of the polymerization vessel, and a current polymerization process of the fluororesin.
  • An acquisition unit that acquires the pressure value in the polymerization tank measured by and the stirring current value of the stirrer as prediction sensor values, and the fluororesin measured in the past polymerization process of the same type of fluororesin.
  • the relationship between the learning sensor value, the time required for the past polymerization step, and the MFR value measured for the fluororesin obtained in the past polymerization step is learned by a learned model by machine learning.
  • a prediction unit that predicts the MFR value of the mixture containing the fluororesin in the current polymerization process using the prediction sensor value acquired by the acquisition unit, and the MFR value predicted by the prediction unit. and an output processing unit for outputting information about the completion time of the polymerization process of the development.
  • the method for producing a fluororesin of the present disclosure includes the steps of: charging a fluororesin material into a polymerization tank; stirring the inside of the polymerization tank; A step of acquiring a pressure value and a stirring current value of the stirrer as prediction sensor values, a learning sensor value measured in a past polymerization process of the same type of fluororesin as the fluororesin, and the past polymerization
  • the relationship between the time required for the process and the MFR value measured for the fluororesin obtained in the past polymerization process is learned by a trained model that has been learned by machine learning, using the prediction sensor value obtained. , predicting the MFR value of the mixture containing the fluororesin in the current polymerization process, and using information about the completion time of the current polymerization process obtained using the predicted MFR value, and terminating.
  • the prediction method of the present disclosure is a prediction method for predicting the MFR value of a mixture containing the fluororesin in a polymerization tank in the polymerization process of the fluororesin, and the polymerization measured in the current polymerization process of the fluororesin
  • the relationship between the learning sensor value, the time required for the past polymerization step, and the MFR value measured for the fluororesin obtained in the past polymerization step is learned by a learned model by machine learning. and a prediction step of predicting the MFR value of the mixture containing the fluororesin in the current polymerization process, using the prediction sensor value acquired by the acquisition unit.
  • the generation method is a method of generating a trained model for predicting the MFR value of the fluororesin in a polymerization tank in the polymerization process of the fluororesin, and is measured in the polymerization process of the same type of fluororesin as the fluororesin.
  • teacher data including the sensor value and the polymerization time required for the polymerization process; and data including the MFR value measured for the fluororesin obtained in the polymerization process, which is the correct data for the teacher data.
  • the prediction device, manufacturing device, and prediction method of the present disclosure it is possible to predict the MFR value of a mixture containing a fluororesin in the polymerization process during the production of a fluororesin.
  • FIG. 4 is a conceptual diagram showing generation of a trained model
  • FIG. 4 is a conceptual diagram showing use of a trained model
  • FIG. 4 is a conceptual diagram illustrating learning data used for generating a trained model
  • It is a figure of an example of the display screen which outputs the prediction result obtained by the prediction apparatus.
  • FIG. 4 is a conceptual diagram for explaining learning data; It is a figure explaining an example of the data item of learning data.
  • 4 is a conceptual diagram illustrating an example of acquired data
  • FIG. 4 is a flowchart for explaining processing in the manufacturing apparatus;
  • the prediction device, manufacturing device, and prediction method according to the embodiment will be described below with reference to the drawings.
  • the prediction apparatus of the present disclosure makes predictions using various measured sensor values without actually measuring the MFR value of the mixture containing the fluororesin in the polymerization process.
  • the predictor is therefore a so-called "soft sensor”.
  • the manufacturing apparatus of the present disclosure predicts the MFR value of the fluororesin.
  • the prediction device will be described as being included in a manufacturing device that manufactures fluororesin.
  • the same reference numerals are given to the same configurations, and the description thereof is omitted.
  • the "polymerization process” is assumed to be the polymerization process of the fluororesin. Specifically, the “polymerization step” is described as a process from materials for producing a fluororesin to obtaining a fluororesin by a polymerization reaction.
  • fluororesin is a resin containing a fluorine atom, and is a resin obtained by polymerizing a monomer containing at least one fluorine-containing monomer.
  • the above Rf a is preferably a linear or branched perfluoroalkyl group having 1 to 3 carbon atoms, more preferably a linear or branched perfluoroalkyl group having 1 or 2 carbon atoms. In one aspect, the perfluoroalkyl group is linear. In another aspect, the perfluoroalkyl group is branched.
  • the above Rf b is preferably a linear or branched perfluoroalkylene group having 1 to 3 carbon atoms, more preferably a linear or branched perfluoroalkylene group having 1 or 2 carbon atoms. In one aspect, the perfluoroalkylene group is linear. In another aspect, the perfluoroalkylene group is branched.
  • R is a linear or branched alkyl group having 1 to 6 carbon atoms.
  • R above is preferably a linear or branched alkyl group having 1 to 3 carbon atoms, more preferably a linear or branched alkyl group having 1 or 2 carbon atoms.
  • the alkyl group is straight chain. In another aspect, the alkyl group is branched.
  • the fluororesin may be either a homopolymer of the fluoromonomer or a copolymer of two or more monomers containing at least one of the fluoromonomers.
  • fluororesin examples include polytetrafluoroethylene (PTFE), polychlorotrifluoroethylene (PCTFE), tetrafluoroethylene (TFE)/hexafluoropropylene (HFP) copolymer, and TFE/HFP/perfluoro(alkyl vinyl ether).
  • PAVE copolymer TFE/PAVE copolymer, (tetrafluoroethylene-perfluoroalkyl vinyl ether copolymer (PFA) and tetrafluoroethylene-perfluoromethyl vinyl ether copolymer (MFA)), ethylene (Et) /TFE copolymer, Et/TFE/HFP copolymer, chlorotrifluoroethylene (CTFE)/TFE copolymer, Et/CTFE copolymer, TFE/vinylidene fluoride (VDF) copolymer, VDF/HFP /TFE copolymer, VDF/HFP copolymer and the like.
  • PFA tetrafluoroethylene-perfluoroalkyl vinyl ether copolymer
  • MFA tetrafluoroethylene-perfluoromethyl vinyl ether copolymer
  • Et ethylene
  • Et/TFE/HFP copolymer Et/TFE/HFP copolymer
  • the fluororesin is a fluororesin containing tetrafluoroethylene units.
  • fluororesins containing tetrafluoroethylene units include TFE homopolymers, TFE/HFP copolymers, TFE/PAVE, TFE/ethylene, TFE/vinyl ether, TFE/vinyl ester, TFE/vinyl ester/vinyl ether , or a TFE/vinyl ether/allyl ether copolymer.
  • the fluororesin can be TFE/ethylene.
  • the fluororesin is a fluororesin containing a tetrafluoroethylene unit
  • the content of the tetrafluoroethylene unit is preferably 20 mol% to 80 mol%, more preferably 30 mol% to 70 mol%, still more preferably 35 It can be from mol % to 60 mol %.
  • the fluororesin is an ethylene/tetrafluoroethylene copolymer
  • the molar ratio of ethylene/tetrafluoroethylene is preferably 20/80 to 80/20, more preferably 25/75 to 70/30, and even more preferably can be from 30/70 to 60/40.
  • the melting point of the fluororesin is preferably 200°C or higher, more preferably 230°C or higher.
  • the melt flow rate of the fluororesin is preferably 0.1-60, more preferably 1-50.
  • the melt flow rate is a value obtained by heating a resin to be measured in a cylindrical cylinder, extruding it with a certain weight, and measuring the amount of resin extruded in 10 minutes. Under the same temperature and load conditions, the higher the MFR value, the better the fluidity.
  • the above values are an example of values in the case of a Hastelloy cylinder, a temperature condition of 300° C., and a load condition of 5.00 kg.
  • Machine learning is a method of learning features contained in input data and generating a "model” that estimates results corresponding to newly input data. Specifically, machine learning is learned by a “learner”. A model generated in this manner is referred to as a "learned model”.
  • FIG. 2A Multiple sets of learning data are input to the "learning device" as shown in FIG. 2A.
  • the learning device learns the relationship of the learning data and generates a trained model representing the relationship of the learning data with parameters. Also, by using the generated trained model, it is possible to obtain desired output for a new input, as shown in FIG. 2B.
  • Machine learning includes supervised learning, unsupervised learning, reinforcement learning, etc. In the following embodiments, an example using supervised learning will be described. Therefore, FIG. 2A also shows an example of supervised learning in which each "explanatory variable" is associated with the "objective variable” which is the correct data.
  • the learner for example, as a machine learning method, neural network (NN), support vector machine (SVM), decision tree, gradient boosting, random forest, XGBoost, linear regression, Ridge regression, Lasso regression, ElasticNet, partial minimum 2 Square regression, Gaussian process regression, principal component analysis (PCA), etc. can be used. Also, the learning device may use a combination of these methods.
  • NN neural network
  • SVM support vector machine
  • XGBoost linear regression
  • Ridge regression Lasso regression
  • ElasticNet partial minimum 2 Square regression
  • Gaussian process regression Gaussian process regression
  • PCA principal component analysis
  • learning data is the data used when creating a learning model in machine learning.
  • an "explanatory variable” and a “objective variable” which is the correct answer corresponding to the explanatory variable are used as a set of learning data, and are input to a learning device.
  • a "teacher dataset ”. After creating a learning model using a part of the prepared data set as a "learning data set”, another part of the data set is used as a "validation data set" to verify and improve the prediction accuracy of the created learning model.
  • the "explanatory variable” includes the pressure value in the polymerization tank, the stirring current value of the stirrer, and the like.
  • the "objective variable” is the MFR value of the mixture containing the fluororesin.
  • the manufacturing apparatus 1 includes a prediction device 10, a polymerization tank 2, a stirrer 3, and a control device 4.
  • Polymerization tank 2 is charged with fluororesin material. For example, materials are introduced at the start of the polymerization process. Also, some of the materials may be additionally introduced in the polymerization process.
  • the polymerization vessel 2 is hermetically sealed so as to be isolated from the outside air, pressure and temperature.
  • a pressure sensor 21 for measuring the internal pressure value and a temperature sensor 22 for measuring the internal temperature value are connected to the polymerization tank 2 . Sensor values connected by the sensors 21 and 22 are acquired by the prediction device 10 .
  • the stirrer 3 stirs the mixture containing the materials introduced into the polymerization tank 2 from the start to the end of the polymerization process during the production of the fluororesin.
  • the stirrer 3 has a motor 31 , a rotating shaft 32 connected to the motor 31 , and stirring blades 33 supported by the rotating shaft 32 .
  • the stirrer 3 can stir the mixture containing the materials in the polymerization tank 2 by rotating the stirring blades 33 positioned in the polymerization tank 2 using the motor 31 .
  • a polymerization reaction proceeds by stirring with the stirrer 3 , and a fluororesin is produced from the mixture in the polymerization tank 2 .
  • the power and rotation speed of the stirrer 3 depend on the stirring current, which is the current given to the motor 31 .
  • the control device 4 controls the stirrer 3.
  • the controller 4 controls the stirring current applied to the motor 31, for example, so that the rotation speed of the stirrer 3 is constant in the polymerization process.
  • the control device 4 may perform feedback control of the stirring current value measured by the motor 31 and the stirring current given to the motor 31 according to the rotational speed of the stirrer 3 .
  • the stirring current may be feedforward controlled using data from the prediction device 10, which will be described later.
  • the controller 4 controls the environment inside the polymerization tank 2 .
  • the control device 4 controls the compressor so that the pressure value measured by the pressure sensor 21 becomes a target value.
  • the control device 4 controls the temperature controller so that the temperature value measured by the temperature sensor 22 becomes a target value.
  • the control device 4 may feedback-control the pressure and temperature in the polymerization tank 2 according to the sensor values measured by the pressure sensor 21 and the temperature sensor 22 .
  • the pressure and temperature may be feedforward controlled using data from the prediction device 10, which will be described later.
  • the control device 4 does not necessarily require measurement and control of both pressure and temperature.
  • the control device 4 may, for example, measure and control only pressure.
  • the prediction device 10 is an information processing device that includes a control unit 11 , a storage unit 12 and a communication unit 13 .
  • the control unit 11 is a controller that controls the prediction device 10 as a whole.
  • the control unit 11 reads out and executes the prediction program 123 stored in the storage unit 12 to realize processing as the clock unit 111 , the acquisition unit 112 , the prediction unit 113 and the output processing unit 114 .
  • the control unit 11 is not limited to one that realizes a predetermined function by cooperation of hardware and software, and may be a hardware circuit designed exclusively for realizing a predetermined function.
  • the control unit 11 can be realized by various processors such as CPU, MPU, GPU, FPGA, DSP, and ASIC.
  • the storage unit 12 is a recording medium for recording various information.
  • the storage unit 12 is realized by, for example, RAM, ROM, flash memory, SSD (Solid State Device), hard disk, other storage devices, or an appropriate combination thereof.
  • the storage unit 12 stores the prediction program 123 executed by the control unit 11 as well as various data used for learning and prediction.
  • the storage unit 12 stores acquired data 121 , a trained model 122 , and a prediction program 123 .
  • the communication unit 13 is an interface circuit (module) for enabling data communication with an external device (not shown).
  • the prediction device 10 can also include an input unit 14 and an output unit 15 .
  • the input unit 14 is input means such as operation buttons, a mouse, and a keyboard used for inputting operation signals and data.
  • the output unit 15 is output means such as a display used for outputting processing results and data.
  • the prediction device 10 may be realized by one computer, or may be realized by a combination of multiple computers connected via a network. Also, although illustration is omitted, for example, all or part of the data stored in the storage unit 12 is stored in an external recording medium connected via a network, and the prediction device 10 stores data in the external recording medium. It may be configured to use stored data.
  • the timer unit 111 measures the elapsed time from the start of the fluororesin polymerization process in the manufacturing apparatus 1 as the polymerization time.
  • the fluororesin polymerization step can be performed multiple times.
  • the timer 111 measures the polymerization time for each polymerization step. Therefore, the clock unit 111 clocks the polymerization time of the current polymerization process.
  • the acquisition unit 112 acquires the pressure value in the polymerization tank measured in the polymerization process of the fluororesin and the stirring current value of the stirrer that stirs the material in the polymerization tank or the mixture containing the fluororesin as prediction sensor values. do.
  • the acquisition unit 112 associates the acquired prediction sensor value with the time information and stores it in the storage unit 12 as the acquired data 121 .
  • the time information is the superimposed time measured by the timer 111 .
  • the time information may be the time, but it is desirable that the time information be associated with the polymerization time at the time of data acquisition.
  • the timing at which the acquisition unit 112 acquires each sensor value can be determined according to the mode of use.
  • the timing for acquiring the sensor value is a regular timing such as every second, minute, or ten minutes.
  • the prediction unit 113 predicts the MFR value of the fluororesin in the current polymerization process at a predetermined timing, using the prediction sensor values acquired by the acquisition unit 112, based on a learned model that has been learned by machine learning.
  • the predetermined timing is timing such as every 10 hours.
  • each timing need not be evenly spaced as long as it is a predetermined timing.
  • the prediction unit 113 can predict the MFR value using the prediction sensor value and the polymerization time clocked by the clock unit 111 .
  • This trained model consists of the learning sensor values measured in the past polymerization process of the same type of fluororesin as the fluororesin manufactured in the current polymerization process, the time required for the past polymerization process, and the time required for the past polymerization process. It is generated by learning the relationship with the MFR value measured for the obtained fluororesin. The generation of this trained model will be detailed later.
  • the prediction unit 113 can predict the MFR value using pressure values measured during a part of the fluororesin polymerization process.
  • the prediction unit 113 can also predict the MFR value using the stirring current value measured during a part of the fluororesin polymerization process.
  • This partial period is selected from a plurality of periods obtained by dividing the time from the start to the end of the fluororesin polymerization process.
  • the prediction unit 113 can predict the MFR value using the average value of pressure values measured during a partial period.
  • the prediction unit 113 can predict the MFR value using the average value of the stirring current values measured during a partial period.
  • the partial period used for averaging the pressure values and the partial period used for averaging the stirring current values may be the same or different.
  • the prediction in the prediction unit 113 will also be detailed later. In this way, the prediction device 10 can efficiently improve the prediction accuracy of the MFR value by using the sensor values of the partial period that have a high degree of influence on the MFR value.
  • the MFR value is likely to vary depending on the operator, making highly accurate measurement difficult.
  • by predicting the MFR value by the prediction unit 113 using sensor values a highly reliable MFR value can be obtained.
  • the prediction unit 113 uses the predicted MFR value to obtain information about the current polymerization end time.
  • the 'information about end time' is the 'estimated end time' at which the current polymerization is expected to end.
  • the 'information about the end time' may be the 'remaining time' required from the present until the polymerization process is expected to end.
  • the 'information about end time' may be the timing at which a specific operation for the end of manufacturing is performed. Specific operations for the end of production include, for example, stopping the charging of raw materials, stopping stirring, lowering the tank pressure, and starting cooling.
  • the "information on end time" can be obtained according to sensor values obtained in the production of the polymer.
  • the prediction unit 113 can obtain information about the end time by using the obtained MFR value and a predetermined calculation formula or correspondence formula. In this way, by obtaining the information about the end time by the prediction unit 113, in the polymerization process of the fluororesin, the information about the end time can be determined without actually taking out the polymer from the polymerization tank and measuring its performance. becomes possible.
  • the output processing unit 114 outputs information regarding the current polymerization end time obtained by the prediction unit 113 .
  • the accuracy of the fluororesin obtained by the production apparatus 1 can be improved by using the information on the predicted completion time in this way to judge the completion of the polymerization process.
  • the output processing unit 114 may also output the expected MFR value of the current mixture itself.
  • the output processing unit 114 displays, for example, a display unit w1 that displays a graph representing changes in the predicted MFR value from the start as shown in FIG. 4, and a display unit w2 that displays the "remaining time" required until the The screen W is output to the output unit 15 .
  • the display portion w1 may include an index t1 indicating the current time and an index t2 indicating the end point predicted by the prediction portion 113.
  • the prediction unit 113 uses a learning device to generate a trained model.
  • a learning device is contained in the prediction part 113, it is not limited to this.
  • the learner may exist outside the prediction device 10 .
  • the prediction unit 113 uses a trained model generated by an external learning device and stored in the storage unit 12 .
  • the “explanatory variables” used by the prediction unit 113 for machine learning are, as described above with reference to FIG.
  • the data includes the "stirring current value” of the stirrer 3 and the "polymerization time” which is the time required for the past polymerization process.
  • the correct “objective variable” is the "MFR value” measured for the fluororesin polymerized in the corresponding past polymerization process.
  • the learning device uses multiple sets of data including the explanatory variable and the objective variable. Therefore, the trained model used by the prediction unit 113 indicates the relationship between a plurality of "pressure value”, “stirring current value”, “polymerization time” and “MFR value” obtained in the past polymerization process with parameters. is.
  • the MFR value measured for the fluororesin polymerized in the past polymerization process includes the MFR value measured for the fluororesin finally obtained as a result, as well as the sampling during the polymerization process. It may also include the MFR value of the mixture withdrawn from the run.
  • the prediction unit 113 predicts the MFR value using the pressure value and the stirring current value from the learned model generated by machine learning in this way.
  • the learning device may use learning data obtained by preprocessing instead of using the plurality of pressure values and current values as learning data as learning data.
  • the learning device can use learning data including, as explanatory variables, an average value of a plurality of pressure values and an average value of a plurality of stirring current values in a specific period. For example, as shown in FIG.
  • groups are set by equally dividing the total time for each different polymerization process, and the average values of the pressure value and the stirring current value are obtained for each group. is used as the training data with the explanatory variables.
  • the polymerization steps A to C are assumed to be polymerization steps of the same type of fluororesin performed at different timings.
  • the example of FIG. 5 is an example in which the polymerization time for each polymerization step A to C is divided into a plurality of groups of 10 hours each, and the values used in the learning data are obtained for each group.
  • the pressure values and stirring current values measured from the start to 10 hours are the data for Group 1, and the pressure values and stirring current values measured from 10 hours to 20 hours after stirring.
  • Group 2 data is the current value.
  • the average value of the pressure values acquired from the start to 10 hours after the start (pressure average value A1) and the average value of the stirring current values acquired at the same time (stirring current average The value a1) is learning data for group 1.
  • the pressure values and stirring current values measured from 10 hours after the start to 20 hours after the start serve as data for Group 2. Therefore, the average value of the pressure values acquired from 10 hours after the start to 20 hours after the start (pressure average value A2) and the average value of the stirring current values acquired at the same time (stirring current average value b2) , become the training data for group 2. Similarly, the pressure average value and stirring current average value are obtained for groups 3 to 20, and these serve as learning data for each group in the polymerization process A. Similarly, for the polymerization steps B and C, each group is determined according to the polymerization time, and the pressure average value and the stirring current average value are obtained for each group and used as learning data. The learner can use the learning data thus preprocessed. In the example shown in FIG. 5, each group has been described as having 10 hours, but this time is not limited to this and can be arbitrarily set according to the situation.
  • the value used for learning differs depending on which data is used to determine the MFR value at which timing.
  • the learning device does not need to use the average pressure value and the average stirring current value of all groups as learning data, and may use the average pressure value and average stirring current value of a specific group as learning data.
  • FIG. 6 is an example of data items of learning sensor values used in the learning device.
  • the average pressure values of groups 20 and 19, which correspond to the final stage of the polymerization process, and the average pressure value of group 1, which corresponds to the initial stage of the polymerization process are used as the learning sensor values.
  • the average stirring current values of groups 20 and 18 corresponding to the initial stage of the polymerization process and the average stirring current value of group 8 corresponding to the middle period of the polymerization process are used as learning sensor values.
  • the learning device uses sensor values obtained during a selected partial period of the polymerization process as learning sensor values.
  • the sensor values used here are determined by selecting valid sensor values from each group. In this case, it is not necessary to obtain the average pressure value and the average stirring current value for all the groups, and it is sufficient to obtain the average pressure value and the average stirring current value for the selected group.
  • the learning device includes the "average pressure value” of each group, which is the “explanatory variable”, the “average stirring current value” of each group, and the “polymerization time”, and the "MFR value” which is the “objective variable”. is obtained as a learned model that predicts the MFR value from inputs such as the pressure value and the stirring current value.
  • the prediction unit 113 uses the learned model generated as described above and the sensor values acquired by the acquisition unit 112 to predict the MFR value of the mixture in the polymerization vessel in the current polymerization process.
  • the learning device learned using learning data including the average pressure value and the average stirring current value for each of a plurality of groups set for a partial period of the polymerization process. Therefore, the prediction unit 113 also preprocesses the acquired data using the average values obtained for the same number of groups as the learning data. Then, using the preprocessed acquired data, the MFR value is predicted by the trained model.
  • the prediction unit 113 divides the acquired data 121 into groups at predetermined timings, and averages the pressure value and the stirring current value for each group. and predict the MFR value using the trained model.
  • the trained model trained using only the data of group 1 is used.
  • a trained model trained using the data of Groups 1 to 13 may be used.
  • the timing at which the prediction unit 113 predicts the MFR value is the timing at which all prediction sensor values of a predetermined group required for prediction are obtained. Therefore, the prediction unit 113 does not necessarily have to predict the MFR value each time a group ends. For example, in the example shown in FIG. 7, after 10 hours, after 20 hours, after 30 hours, etc., are considered to be sufficiently shorter than the typical end time of the polymerization process. Therefore, in such a case, without predicting the MFR value, for example, the MFR at the end of each group after the elapse of a predetermined time, determined from the shortest time of the past polymerization steps, in which there is no possibility of the polymerization step ending, value can be predicted.
  • the control device 4 under the control of the control device 4, the control of the environment in the polymerization tank 2 and the stirrer 3 is started.
  • the timer 111 starts measuring the polymerization time (S2).
  • a polymerization reaction of the fluororesin is started in the polymerization tank 2 under the control of the controller.
  • the acquisition unit 112 starts acquiring input sensor values (S3).
  • the obtaining unit 112 obtains, for example, the pressure value measured by the pressure sensor 21 and the stirring current value of the current applied to the motor 31 .
  • the prediction unit 113 predicts the MFR value using the trained model 122 (S4).
  • the predictive sensor values used in the trained model 122 may be preprocessed.
  • the prediction unit 113 predicts the end time using the MFR value predicted in step S4 (S5).
  • the end time here is the timing of a specific operation for the end of manufacturing, or the like, and the end may be determined in a later process according to this timing.
  • the output processing unit 114 outputs the end time predicted in step S5 (S6).
  • the output processing unit 114 can output the end time by displaying the display screen W as described above with reference to FIG. 4 on the output unit 15, for example.
  • the prediction device 10 returns to step S3 and repeats the processes of steps S3 to S7.
  • the end of the polymerization process is determined according to the end time predicted in step S5. For example, when the prediction unit 113 predicts the time required for completion, if the time predicted in step S5 becomes 0, the polymerization process is terminated.
  • the prediction device 10 can predict the MFR value using sensor values without actually measuring the MFR value of the mixture. Moreover, the prediction device 10 can improve the prediction accuracy of the MFR value by using the polymerization time. As a result, the manufacturing apparatus 1 can use the MFR value predicted by the prediction apparatus 10 to predict the completion timing of the fluororesin polymerization in the fluororesin polymerization step. As a result, by using the MFR value predicted by the prediction device 10, there is no need to actually measure the MFR value by taking out a part of the mixture from the polymerization tank during the polymerization process for measuring the MFR value. can do.
  • the prediction device 10 is described as generating the learned model 122 using the average pressure value and the average stirring current value, which are sensor values, as the learning data.
  • the maximum value, minimum value, or variance value of the sensor values may be used.
  • the average value, the maximum value, the minimum value and the variance value may be used in combination.
  • the prediction unit 113 predicts the MFR value using a combination of at least one of the average value, maximum value, minimum value and variance value.
  • the prediction device 10 can effectively use various values obtained from the measured values to improve the prediction accuracy of the MFR value.
  • the acquisition unit 112 acquires the pressure value and the stirring current value as well as the integrated amount of the material introduced into the polymerization tank 2 as the prediction sensor value.
  • the prediction unit 113 uses the learned model 122 that has been learned with learning data including the integrated amounts of materials used in the past polymerization as well as the pressure value and the stirring current value. The prediction unit 113 also predicts the MFR value using the prediction sensor value including the integrated amount of the material acquired by the acquisition unit 112 .
  • the prediction device 10 can improve the prediction accuracy by predicting the MFR value using the integrated amount of material. This is because the amount of material input affects the MFR value of the fluororesin in the polymerization process. In this manner, the prediction device 10 can improve the prediction accuracy of the MFR value by using the integrated amount of materials to be input.
  • the acquisition unit 112 may acquire the MFR value of the fluororesin obtained in the previous polymerization step. In other words, the obtaining unit 112 may obtain the MFR value of the fluororesin obtained in the previous batch.
  • the prediction unit 113 uses the learned model 122 trained with learning data including the MFR value of the fluororesin obtained in the previous polymerization step, along with each sensor value. Further, the prediction unit 113 predicts the MFR value using the MFR value of the fluororesin obtained in the previous polymerization process obtained by the obtaining unit 112 together with the prediction sensor value.
  • the prediction accuracy can be further improved.
  • various data used in the polymerization process or various data acquired in the polymerization process can be used as learning data.
  • the same kind of data is used as the data used in the trained model.
  • temperature values measured by the temperature sensor 22 may be used as the learning sensor value and the prediction sensor value.
  • the number of trained models 122 used by the prediction unit 113 is not mentioned, but the number of trained models used by the prediction unit 113 is not limited.
  • the prediction unit 113 may use two or more trained models 122 in combination.
  • the prediction device, manufacturing device, and prediction method described in all claims of this disclosure are realized by cooperation with hardware resources, such as processors, memories, and programs.
  • the prediction device, manufacturing device, and prediction method of the present disclosure are useful, for example, in specifying the timing of completion of polymerization in the polymerization process of fluororesin.

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

フッ素樹脂製造の際、重合工程においてフッ素樹脂を含む混合物のＭＦＲ値を予測する。フッ素樹脂の重合工程における、原料を投入後かつ製造終了前の所定タイミングの重合槽内でのフッ素樹脂のＭＦＲ値を予測する予測装置（１０）であって、フッ素樹脂の現在の重合工程で計測される重合槽内の圧力値と、当該重合槽内を撹拌する撹拌機の撹拌電流値とを予測用センサ値として取得する取得部（１１２）と、フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程の所定タイミングにおけるフッ素樹脂について計測されたＭＦＲ値との関係を機械学習により学習済みの学習済みモデルにより、取得部（１１２）で取得された予測用センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物の所定タイミングにおけるＭＦＲ値を予測する予測部（１１３）とを備える。

Description

予測装置、製造装置及び予測方法
　本開示は、フッ素樹脂の重合工程におけるＭＦＲ値を予測する予測装置、予測方法及びフッ素樹脂を製造する製造装置に関する。
　特許文献１は、熱可塑性樹脂組成物の製造方法について記載される。また、特許文献１には、フッ素樹脂のメルトフローレート（ＭＦＲ）の好ましい範囲及びその計測方法が記載される。このように、フッ素樹脂等の製造の際には、ＭＦＲを計測して、性能を評価する。
特開２０１９－１５１８３３号公報
　本開示は、フッ素樹脂の重合工程においてＭＦＲの計測を必須とせずに、フッ素樹脂を含む混合物のＭＦＲ値を予測可能な予測装置、予測方法及び製造装置を提供する。
　本開示の予測装置は、フッ素樹脂の重合工程における、原料を投入後かつ製造終了前のタイミングの重合槽内での前記フッ素樹脂を含む混合物のＭＦＲ値を予測する予測装置であって、前記フッ素樹脂の現在の重合工程で計測される前記重合槽内の圧力値と、当該重合槽内を撹拌する撹拌機の撹拌電流値とを含む情報を予測用センサ値として取得する取得部と、前記フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程の所定タイミングにおけるフッ素樹脂について計測されたＭＦＲ値との関係を機械学習により学習済みの学習済みモデルにより、前記取得部で取得された予測用センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物の前記所定タイミングにおけるＭＦＲ値を予測する予測部と、を備える。
　前記予測装置は、前記現在の重合工程の開始から現在までの経過時間を重合時間として計時する計時部をさらに備え、前記予測部は、前記予測用センサ値と共に前記計時部で計時される前記重合時間を用いて、前記ＭＦＲ値を予測することができる。
　前記予測装置では、前記予測部で予測された前記ＭＦＲ値を用いて得られた前記現在の重合工程の終了時間に関する情報を出力する出力処理部をさらに備えることができる。
　前記予測装置では、前記フッ素樹脂の重合工程において、前記重合槽に材料を追加投入することが可能であり、前記取得部は、前記圧力値及び前記撹拌電流値とともに、前記重合槽に投入される材料の積算量を予測用センサ値として取得し、前記予測部は、前記過去の重合工程で得られた積算量を含む学習用センサ値で学習済みの学習済みモデルにより、前記予測用センサ値を用いてＭＦＲ値を予測することができる。
　前記予測装置では、前記予測部は、前記フッ素樹脂の重合工程の一部の期間に計測された前記圧力値を用いて前記ＭＦＲ値を予測することができる。
　前記予測装置では、前記予測部は、前記一部の期間内の前記圧力値の平均値、最大値、最小値又は分散値の少なくともいずれかを用いてＭＦＲ値を予測することができる。
　前記予測装置では、前記予測部は、前記フッ素樹脂の重合工程の一部の期間に計測された前記撹拌電流値を用いて前記ＭＦＲ値を予測することができる。
　前記予測装置では、前記予測部は、前記一部の期間内の前記撹拌電流値の平均値、最大値、最小値又は分散値を用いてＭＦＲ値を予測することができる。
　前記予測装置では、前記一部の期間は、前記フッ素樹脂の重合工程の開始から終了までの時間を分割した複数の期間から選択されることができる。
　前記予測装置では、前記フッ素樹脂の重合工程を少なくとも２回実施し、前記取得部は、前回の重合工程で得られたフッ素樹脂のＭＦＲ値を取得し、前記予測部は、前記取得部が取得した前回の重合工程で得られたフッ素樹脂のＭＦＲ値を含む予測用センサ値を用いて前記フッ素樹脂のＭＦＲ値を予測することができる。
　本開示の製造装置は、フッ素樹脂を製造する製造装置であって、前記フッ素樹脂の材料が投入される重合槽と、前記重合槽内を撹拌する撹拌機と、前記フッ素樹脂の現在の重合工程で計測される前記重合槽内の圧力値と、前記撹拌機の撹拌電流値とを予測用センサ値として取得する取得部と、前記フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程に要した時間と、当該過去の重合工程で得られたフッ素樹脂について計測されたＭＦＲ値との関係を機械学習により学習済みの学習済みモデルにより、前記取得部で取得された予測用センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物のＭＦＲ値を予測する予測部と、前記予測部で予測された前記ＭＦＲ値を用いて得られる前記現像の重合工程の終了時間に関する情報を出力する出力処理部とを備える。
　本開示のフッ素樹脂の製造方法は、フッ素樹脂の材料を重合槽に投入するステップと、前記重合槽内を撹拌するステップと、前記フッ素樹脂の現在の重合工程で計測される前記重合槽内の圧力値と、前記撹拌機の撹拌電流値とを予測用センサ値として取得するステップと、前記フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程に要した時間と、当該過去の重合工程で得られたフッ素樹脂について計測されたＭＦＲ値との関係を機械学習により学習済みの学習済みモデルにより、取得された前記予測用センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物のＭＦＲ値を予測するステップと、予測された前記ＭＦＲ値を用いて得られる前記現在の重合工程の終了時間に関する情報を用いて、現在の製造を終了させるステップと、を有する。
　本開示の予測方法は、フッ素樹脂の重合工程における重合槽内での前記フッ素樹脂を含む混合物のＭＦＲ値を予測する予測方法であって、前記フッ素樹脂の現在の重合工程で計測される前記重合槽内の圧力値と、当該重合槽内を撹拌する撹拌機の撹拌電流値とを予測用センサ値として取得する取得ステップと、前記フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程に要した時間と、当該過去の重合工程で得られたフッ素樹脂について計測されたＭＦＲ値との関係を機械学習により学習済みの学習済みモデルにより、前記取得部で取得された予測用センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物のＭＦＲ値を予測する予測ステップとを含む。
　前記生成方法は、フッ素樹脂の重合工程における重合槽内での前記フッ素樹脂のＭＦＲ値を予測するための学習済みモデルの生成方法であって、前記フッ素樹脂と同種のフッ素樹脂の重合工程で計測されたセンサ値と、当該重合工程に要した重合時間とを含む教師データと、当該教師データに対する正解データである当該の重合工程で得られたフッ素樹脂について計測されたＭＦＲ値とを含むデータの組を複数取得するステップと、学習器を用いて、複数の前記教師データと前記正解データとから、前記フッ素樹脂の重合工程で得られるセンサ値から、前記重合工程にあるフッ素樹脂のＭＦＲ値を出力とする学習済みモデルを生成するステップとを含む。
　これらの概括的かつ特定の態様は、システム、方法、及びコンピュータプログラム、並びに、それらの組み合わせにより、実現されてもよい。
　本開示の予測装置、製造装置及び予測方法によれば、フッ素樹脂製造の際、重合工程においてフッ素樹脂を含む混合物のＭＦＲ値を予測することができる。
製造装置の構成を示すブロック図である。 学習済みモデルの生成を示す概念図である。 学習済みモデルの利用を示す概念図である。 学習済みモデルの生成に利用する学習データを説明する概念図である。 予測装置で得られた予測結果を出力する表示画面の一例の図である。 学習データを説明する概念図である。 学習データのデータ項目の一例を説明する図である。 取得データの一例を説明する概念図である。 製造装置における処理を説明するフローチャートである。
　以下に、図面を参照して実施形態に係る予測装置、製造装置及び予測方法について説明する。本開示の予測装置は、重合工程においてフッ素樹脂を含む混合物のＭＦＲ値を実際に計測することなく、計測される種々のセンサ値を用いて予測するものである。したがって、予測装置は、いわゆる「ソフトセンサ」といわれるものである。また、本開示の製造装置は、フッ素樹脂のＭＦＲ値を予測する。以下の説明において、予測装置は、フッ素樹脂を製造する製造装置に含まれるものとして説明する。また、以下の説明では、同一の構成について、同一の符号を付して説明を省略する。
　以下の説明では、「重合工程」は、フッ素樹脂の重合工程であるものとする。具体的には、「重合工程」は、フッ素樹脂を製造するための材料から、重合反応によりフッ素樹脂を得るまでの過程であるとして説明する。
《フッ素樹脂》
　「フッ素樹脂」とは、フッ素原子を含む樹脂であり、少なくとも１種の含フッ素モノマーを含むモノマーが重合した樹脂である。
　上記含フッ素モノマーとしては、テトラフルオロエチレン、ビニリデンフルオライド、ヘキサフルオロプロピレン、クロロトリフルオロエチレン、トリフルオロエチレン、トリフルオロプロピレン、テトラフルオロプロピレン、ペンタフルオロプロピレン、トリフルオロブテン、テトラフルオロイソブテン、ヘキサフルオロイソブテン、フッ化ビニル、ＣＨ２＝ＣＦＲｆａで表される（パーフルオロアルキル）エチレン、ＣＨ２＝ＣＦ（ＯＲｆａ）で表される（パーフルオロアルキル）ビニルエーテル、ＣＨ２＝ＣＦ（ＲｆｂＯＲｆａ）で表されるパーフルオロ（アルコキシアルキルビニルエーテル）［上記式中、Ｒｆａは、炭素数１～６の直鎖または分枝鎖のパーフルオロアルキル基であり、Ｒｆｂは、炭素数１～６、好ましくは炭素数１～３の直鎖または分枝鎖のパーフルオロアルキレン基である。］等が挙げられる。上記Ｒｆａは、好ましくは炭素数１～３の直鎖または分枝鎖のパーフルオロアルキル基であり、より好ましくは炭素数１または２の直鎖または分枝鎖のパーフルオロアルキル基である。一の態様において、上記パーフルオロアルキル基は、直鎖である。別の態様において、上記パーフルオロアルキル基は、分枝鎖である。上記Ｒｆｂは、好ましくは炭素数１～３の直鎖または分枝鎖のパーフルオロアルキレン基であり、より好ましくは炭素数１または２の直鎖または分枝鎖のパーフルオロアルキレン基である。一の態様において、上記パーフルオロアルキレン基は、直鎖である。別の態様において、上記パーフルオロアルキレン基は、分枝鎖である。
　他のモノマーとしては、エチレン、プロピレン、ＣＨ２＝ＣＦ（ＯＲ）［式中、Ｒは、炭素数１～６の直鎖または分枝鎖のアルキル基である。］で表されるアルキルビニルエーテル等が挙げられる。上記Ｒは、好ましくは炭素数１～３の直鎖または分枝鎖のアルキル基であり、より好ましくは炭素数１または２の直鎖または分枝鎖のアルキル基である。一の態様において、上記アルキル基は、直鎖である。別の態様において、上記アルキル基は、分枝鎖である。
　上記フッ素樹脂は、上記含フッ素モノマーの単独重合体、または少なくとも１種の上記含フッ素モノマーを含む２種以上のモノマーの共重合体のいずれであってもよい。
　上記フッ素樹脂としては、ポリテトラフルオロエチレン（ＰＴＦＥ）、ポリクロロトリフルオロエチレン（ＰＣＴＦＥ）、テトラフルオロエチレン（ＴＦＥ）／ヘキサフルオロプロピレン（ＨＦＰ）共重合体、ＴＦＥ／ＨＦＰ／パーフルオロ（アルキルビニルエーテル）（ＰＡＶＥ）共重合体、ＴＦＥ／ＰＡＶＥ共重合体、（テトラフルオロエチレン－パーフルオロアルキルビニルエーテル共重合体（ＰＦＡ）およびテトラフルオロエチレン－パーフルオロメチルビニルエーテル共重合体（ＭＦＡ））、エチレン（Ｅｔ）／ＴＦＥ共重合体、Ｅｔ／ＴＦＥ／ＨＦＰ共重合体、クロロトリフルオロエチレン（ＣＴＦＥ）／ＴＦＥ共重合体、Ｅｔ／ＣＴＦＥ共重合体、ＴＦＥ／フッ化ビニリデン（ＶＤＦ）共重合体、ＶＤＦ／ＨＦＰ／ＴＦＥ共重合体、ＶＤＦ／ＨＦＰ共重合体等が挙げられる。
　好ましい態様において、上記フッ素樹脂は、テトラフルオロエチレン単位を含むフッ素樹脂である。テトラフルオロエチレン単位を含むフッ素樹脂としては、ＴＦＥの単独重合体、ならびに、ＴＦＥ／ＨＦＰの共重合体、ＴＦＥ／ＰＡＶＥ、ＴＦＥ／エチレン、ＴＦＥ／ビニルエーテル、ＴＦＥ／ビニルエステル、ＴＦＥ／ビニルエステル／ビニルエーテル、またはＴＦＥ／ビニルエーテル／アリルエーテルの共重合体等が挙げられる。好ましい態様において、フッ素樹脂は、ＴＦＥ／エチレンであり得る。
　上記フッ素樹脂がテトラフルオロエチレン単位を含むフッ素樹脂である場合、テトラフルオロエチレン単位の含有量は、好ましくは２０モル％～８０モル％、より好ましくは３０モル％～７０モル％、さらに好ましくは３５モル％～６０モル％であり得る。特に上記フッ素樹脂がエチレン／テトラフルオロエチレン共重合体である場合、エチレン／テトラフルオロエチレンのモル比は、好ましくは２０／８０～８０／２０、より好ましくは２５／７５～７０／３０、さらに好ましくは３０／７０～６０／４０であり得る。
　上記フッ素樹脂の融点は、好ましくは２００℃以上、より好ましくは２３０℃以上であり得る。
　上記フッ素樹脂のメルトフローレートは、好ましくは０．１～６０、より好ましくは１～５０であり得る。メルトフローレートは、円筒形状のシリンダー内で測定対象の樹脂を加熱し、一定の重りを掛けて押し出し、１０分間に押し出された樹脂量を測定することで得られる値である。同一の温度、荷重条件であれば、ＭＦＲ値が高いほど、流動性が良い。例えば、上記の値は、ハステロイ製のシリンダーを利用し、温度条件300℃で、荷重条件5.00kgの場合の値の一例である。
《機械学習》
　「機械学習」は、入力されたデータに含まれる特徴を学習し、新たに入力されたデータに対応する結果を推定する「モデル」を生成する手法である。具体的には、機械学習は、「学習器」により学習される。このように生成されたモデルを「学習済みモデル」とする。
　「学習器」には、図２Ａに示すように、複数組の学習データが入力される。これにより、学習器は、学習データの関係を学習し、学習データの関係をパラメータで表す学習済みモデルを生成する。また、生成された学習済みモデルを使用することで、図２Ｂに示すように、新たな入力に対し、求めたい出力を得ることが可能となる。機械学習には、教師あり学習、教師なし学習、強化学習等があるが、以下の実施形態では、教師あり学習を利用する例で説明する。したがって、図２Ａにおいても、各『説明変数』に対応する正解データである『目的変数』が関連付けられる教師あり学習の例で示す。学習器は、例えば、機械学習手法として、ニューラルネットワーク（ＮＮ）、サポートベクターマシン（ＳＶＭ）、決定木、勾配ブースティング、ランダムフォレスト、ＸＧＢｏｏｓｔ、線形回帰、Ｒｉｄｇｅ回帰、Ｌａｓｓｏ回帰、ＥｌａｓｔｉｃＮｅｔ、偏最小２乗回帰、ガウス過程回帰、主成分分析（ＰＣＡ）等を利用することができる。また、学習器は、これらの手法を組み合わせて利用してもよい。
　ここで「学習データ」とは、機械学習において学習モデルを作成する際に利用するデータである。教師あり学習の場合、「説明変数」と、この説明変数に対応する正解である「目的変数」とが一組の学習データとされて、学習器に入力される。より具体的には、機械学習では、図３に示すように、学習済みモデルの生成用に、「説明変数」と「目的変数」とが一組となる複数組で形成される「教師データセット」を利用する。用意したデータセットのうち一部を「学習データセット」として学習モデルを作成したのち、別の一部のデータセットを「検証データセット」として用い、作成した学習モデルの予測精度を検証し、改善することもできる。さらに別の一部のデータセットを「テストデータセット」として検証・改善した学習モデルの予測精度を最終確認することもできる。「説明変数」としては、重合槽内の圧力値、撹拌機の攪拌電流値などが挙げられる。「目的変数」は、フッ素樹脂を含む混合物のＭＦＲ値である。
〈製造装置〉
　図１に示すように、製造装置１は、予測装置１０と、重合槽２と、撹拌機３と、制御装置４とを備える。重合槽２は、フッ素樹脂の材料が投入される。例えば、材料は、重合工程の開始のタイミングで投入される。また、材料の一部は、重合工程において、追加的に投入されてもよい。重合槽２は、外気と圧力や温度が遮断されたように、密閉して形成される。また、重合槽２には、内部の圧力値を計測する圧力センサ２１や、内部の温度値を計測する温度センサ２２が接続される。各センサ２１，２２で接続されるセンサ値は、予測装置１０により取得される。
　撹拌機３は、フッ素樹脂の製造の際、重合工程の開始から、終了までの間、重合槽２内に投入された材料を含む混合物を撹拌する。撹拌機３は、モータ３１と、モータ３１と接続される回転軸３２と、回転軸３２に支持される撹拌翼３３を有する。撹拌機３は、モータ３１を用いて重合槽２内に位置する撹拌翼３３を回転させることにより、重合槽２内の材料を含む混合物を撹拌することができる。撹拌機３の撹拌によって重合反応が進み、重合槽２内の混合物から、フッ素樹脂が製造される。ここで、撹拌機３の動力や回転数は、モータ３１に与えられる電流である撹拌電流に依存する。したがって、撹拌電流が大きいほど、動力が大きくなり、また、回転数が上がる。仮に、同一の回転数を保つ場合、重合槽２内における重合が進み混合物の粘性が高くなるほど、モータ３１に与える撹拌電流を大きくする必要がある。
　制御装置４は、撹拌機３を制御する。制御装置４は、例えば、重合工程において撹拌機３の回転数が一定になるように、モータ３１に与える撹拌電流を制御する。ここで、制御装置４は、モータ３１において計測される撹拌電流値や、撹拌機３の回転数に応じてモータ３１に与える撹拌電流をフィードバック制御してもよい。また、後述する予測装置１０からのデータを利用して、撹拌電流をフィードフォワード制御してもよい。
　制御装置４は、重合槽２内の環境を制御する。制御装置４は、例えば、重合工程において、圧力センサ２１で計測される圧力値が目標の値になるようにコンプレッサを制御する。また例えば、制御装置４は、温度センサ２２で計測される温度値が目標の値になるように温調器を制御する。ここで、制御装置４は、圧力センサ２１や温度センサ２２で計測されたセンサ値に応じて、重合槽２内の圧力や温度をフィードバック制御するようにしてもよい。また、後述する予測装置１０からのデータを利用して、圧力や温度をフィードフォワード制御してもよい。なお、制御装置４は、必ずしも、圧力及び温度の両者の計測及び制御を必須とするものではない。制御装置４は、例えば、圧力のみを計測及び制御するものであってもよい。
〈予測装置〉
　予測装置１０は、制御部１１と、記憶部１２と、通信部１３とを備える情報処理装置である。制御部１１は、予測装置１０全体の制御を司るコントローラである。制御部１１は、記憶部１２に記憶される予測プログラム１２３を読み出して実行することにより、計時部１１１、取得部１１２、予測部１１３及び出力処理部１１４としての処理を実現する。また、制御部１１は、ハードウェアとソフトウェアの協働により所定の機能を実現するものに限定されず、所定の機能を実現する専用に設計されたハードウェア回路でもよい。制御部１１は、例えば、ＣＰＵ、ＭＰＵ、ＧＰＵ、ＦＰＧＡ、ＤＳＰ、ＡＳＩＣ等、種々のプロセッサで実現することができる。
　記憶部１２は種々の情報を記録する記録媒体である。記憶部１２は、例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ＳＳＤ（Solid State Device）、ハードディスク、その他の記憶デバイス又はそれらを適宜組み合わせて実現される。記憶部１２には、制御部１１が実行する予測プログラム１２３の他、学習及び予測のために使用する種々のデータ等が格納される。記憶部１２は、取得データ１２１、学習済みモデル１２２、及び、予測プログラム１２３を記憶する。
　通信部１３は、外部の装置（図示せず）とのデータ通信を可能とするためのインタフェース回路（モジュール）である。
　また、予測装置１０は、入力部１４及び出力部１５を備えることができる。入力部１４は、操作信号やデータの入力に利用される操作ボタン、マウス、キーボード等の入力手段である。出力部１５は、処理結果やデータの出力等に利用されるディスプレイ等の出力手段である。
　ここで、予測装置１０は、１台のコンピュータにより実現されてもよいし、ネットワークを介して接続される複数台のコンピュータの組み合わせにより実現されてもよい。また、図示を省略するが、例えば、記憶部１２に記憶されるデータの全部又は一部が、ネットワークを介して接続される外部の記録媒体に記憶され、予測装置１０は、外部の記録媒体に記憶されるデータを使用するように構成されていてもよい。
　計時部１１１は、製造装置１におけるフッ素樹脂の重合工程の開始からの経過時間を重合時間として計時する。ここで、製造装置１においては、フッ素樹脂の重合工程を、複数回行うことが可能である。このような場合、計時部１１１は、重合工程毎に重合時間を計時する。したがって、計時部１１１は、現在の重合工程の重合時間を計時する。
　取得部１１２は、フッ素樹脂の重合工程で計測される重合槽内の圧力値と、重合槽内の材料またはフッ素樹脂を含む混合物を撹拌する撹拌機の撹拌電流値とを予測用センサ値として取得する。また、取得部１１２は、取得した予測用センサ値を、時間情報と関連付けて取得データ１２１として、記憶部１２に記憶させる。例えば、時間情報は、計時部１１１で計時される重合時間である。また、時間情報は、時刻であってもよいが、データを取得時の重合時間と関連付けられるものであることが望ましい。
　取得部１１２が各センサ値を取得するタイミングは、利用形態によって定めることができる。センサ値を取得するタイミングとは、１秒毎、１分毎、１０分毎等のような定期的なタイミングである。
　予測部１１３は、機械学習により学習済みの学習済みモデルにより、取得部１１２で取得された予測用センサ値を用いて、現在の重合工程にあるフッ素樹脂の所定タイミングにおけるＭＦＲ値を予測する。例えば、所定のタイミングは、１０時間毎等のタイミングである。ここで、各タイミングは、予め定められるタイミングであれば、等間隔である必要はない。また、予測部１１３は、予測用センサ値と共に計時部１１１で計時される重合時間を用いて、ＭＦＲ値を予測することができる。
　この学習済みモデルは、現在の重合工程で製造するフッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、過去の重合工程に要した時間と、過去の重合工程で得られたフッ素樹脂について計測されたＭＦＲ値との関係を学習して生成されたものである。この学習済みモデルの生成については、後に詳述する。
　このとき、予測部１１３は、フッ素樹脂の重合工程の一部の期間に計測された圧力値を用いてＭＦＲ値を予測することができる。また、予測部１１３は、フッ素樹脂の重合工程の一部の期間に計測された撹拌電流値を用いてＭＦＲ値を予測することができる。この一部の期間は、フッ素樹脂の重合工程の開始から終了までの時間を分割した複数の期間から選択される。ここで、予測部１１３は、一部の期間に計測された圧力値の平均値を用いてＭＦＲ値を予測することができる。また、予測部１１３は、一部の期間に計測された撹拌電流値の平均値を用いてＭＦＲ値を予測することができる。このとき、圧力値の平均に利用する一部の期間と、撹拌電流値の平均に利用する一部の期間とは同一であってもよいし、異なっていてもよい。予測部１１３における予測についても、後に詳述する。このように、予測装置１０は、ＭＦＲ値に影響を与える程度の高い一部の期間のセンサ値を利用し、効率的にＭＦＲ値の予測精度を向上させることができる。特に、ＭＦＲ値は、測定者によっても違いが生じやすく高精度な測定が困難であった。これに対し、センサ値を利用して予測部１１３でＭＦＲ値を予測することで、信頼性の高いＭＦＲ値を得ることができる。
　また、予測部１１３は、予測したＭＦＲ値を用いて現在の重合の終了時間に関する情報を求める。例えば、「終了時間に関する情報」とは、現在の重合が終了すると予想される「予想終了時刻」である。または、「終了時間に関する情報」とは、現在から重合工程が終了すると予想されるまでに要する「残り時間」であってもよい。その他、「終了時間に関する情報」とは、製造の終了のための特定の操作が行われるタイミングであってもよい。製造の終了のための特定の操作とは、例えば、原料の投入を停止すること、攪拌を停止すること、槽の圧力を下げること、冷却を開始することなども含まれる。例えば、「終了時時間に関する情報」は、重合体の製造において得られたセンサ値に応じて求めることができる。具体的には、予測部１１３は、求めたＭＦＲ値を用いて、所定の計算式や対応式を利用して、終了時間に関する情報を求めることができる。このように、予測部１１３によって終了時間に関する情報を求めることにより、フッ素樹脂の重合工程において、実際に重合槽から重合体を取り出してその性能を計測することなく、終了時間に関する情報を決定することが可能となる。
　出力処理部１１４は、予測部１１３で得られた現在の重合の終了時間に関する情報を出力する。このように予測された終了時間に関する情報を用いて、重合工程の終了の判断に利用することにより、製造装置１で得られるフッ素樹脂の精度を向上させることができる。また、出力処理部１１４は、予想された現在の混合物のＭＦＲ値自体を出力してもよい。
　出力処理部１１４は、例えば、図４に示すような開始からの予測のＭＦＲ値の変化を表すグラフを表示する表示部ｗ１と、終了までに要する「残り時間」を表示する表示部ｗ２含む表示画面Ｗを出力部１５に出力する。表示部ｗ１には、現時点を示す指標ｔ１と予測部１１３で予測された終了時点を示す指標ｔ２とを含んでもよい。
《予測部１１３での学習》
　予測部１１３は、学習器を用いて、学習済みモデルを生成する。なお、ここでは、予測部１１３内に学習器が含まれるものとして説明するが、これに限定されない。例えば、学習器は、予測装置１０の外部に存在するものでもよい。学習器が予測装置１０の外部に存在する場合、予測部１１３は、外部の学習器で生成され、記憶部１２に記憶される学習済みモデルを利用する。
　具体的には、予測部１１３が機械学習に使用する「説明変数」は、図２Ａに上述したように、過去のフッ素樹脂の重合工程で得られた重合槽２内の「圧力値」と、撹拌機３の「撹拌電流値」と、この過去の重合工程に要した時間である「重合時間」とを含むデータである。また、この機械学習において、正解である「目的変数」は、対応する過去の重合工程で重合されたフッ素樹脂について計測された「ＭＦＲ値」である。そして、学習器は、この説明変数と目的変数とを含むデータの組を複数使用する。したがって、予測部１１３が使用する学習済みモデルは、過去の重合工程で得られた複数の「圧力値」、「撹拌電流値」、「重合時間」及び「ＭＦＲ値」の関係をパラメータで示すものである。ここで、過去の重合工程で重合されたフッ素樹脂について計測されたＭＦＲ値としては、最終的に結果物として得られたフッ素樹脂に対して計測されたＭＦＲ値の他、重合工程の途中のサンプリング作業で抜き出しされた混合物のＭＦＲ値を含んでもよい。予測部１１３は、このように機械学習で生成された学習済みモデルにより、圧力値及び撹拌電流値を用いて、ＭＦＲ値を予測する。
　この場合、フッ素樹脂の種類によって、重合工程での変化等は異なるため、「説明変数」は、フッ素樹脂の種類毎に異なるものを使用するものとする。したがって、特定のフッ素樹脂（例えば、ＥＴＦＥ）の重合で取得されたデータを説明変数として生成された学習モデルは、その特定のフッ素についてのＭＦＲ値の予測に利用するものとする。なお、ここでは、学習で得られたモデルの評価については、説明を省略する。
《学習データの前処理》
　ここで、「重合時間」及び「ＭＦＲ値」は、１回の重合工程で１回又は２～３回等の限定した回数のみ得られるが、「圧力値」及び「撹拌電流値」は、多数回得ることができる。したがって、学習器は、学習データとして、この複数の圧力値及び電流値をそのまま学習データとするのではなく、前処理により得られた学習データを使用してもよい。具体的には、学習器は、特定の期間の複数の圧力値の平均値及び複数の撹拌電流値の平均値を説明変数に含む学習データとすることができる。例えば、図５に示すように、異なる重合工程毎に全体の時間を等分してグループを設定し、各グループについて圧力値及び撹拌電流値の平均値を求め、学習器は、これらの平均値を説明変数とする学習データとして使用する。なお、ここで重合工程Ａ～Ｃは、異なるタイミングで行われた同種のフッ素樹脂の重合工程であるものとする。
　図５の例は、各重合工程Ａ～Ｃについて重合時間を１０時間毎の複数のグループに分け、グループ毎に学習データで使用する値を求める例である。各重合工程について、例えば、開始から１０時間までの間に計測された圧力値及び攪拌電流値がグループ１のデータとなり、攪拌後、１０時間から２０時間までの間に計測された圧力値及び攪拌電流値がグループ２のデータとなる。具体的には、重合工程Ａでは、開始から開始後１０時間までに取得された圧力値の平均値（圧力平均値Ａ１）と、同時間に取得された撹拌電流値の平均値（撹拌電流平均値ａ１）とが、グループ１についての学習データとなる。また、開始後１０時間から開始後２０時間までの間に計測された圧力値及び撹拌電流値がグループ２のデータとなる。したがって、開始後１０時間から開始後２０時間までに取得された圧力値の平均値（圧力平均値Ａ２）と、同時間に取得された撹拌電流値の平均値（撹拌電流平均値ｂ２）とが、グループ２の学習データとなる。同様に、グループ３～２０までも圧力平均値及び撹拌電流平均値を求め、これらが、重合工程Ａの各グループの学習データとなる。また、重合工程Ｂ及びＣについても、同様に重合時間に応じてグループ毎を定め、グループ毎に圧力平均値及び撹拌電流平均値を求め、学習データとする。学習器は、このように前処理して得られた学習データを使用することができる。なお、図５に示す例では、各グループは１０時間であるものとして説明したが、この時間はこれに限定されず、状況に応じて任意に設定することができる。
　なお、学習の際には、このように得られた全てのグループのデータを用いて学習するのではなく、グループ１のみの学習、グループ２のみの学習、グループ１及びグループ２を用いた学習、等のように、どのデータを用いてどのタイミングにおけるＭＦＲ値を求めたいのかによって学習に利用する値も異なる。
　ここで、学習器は、全てのグループの圧力平均値及び撹拌電流平均値を学習データとする必要はなく、特定のグループの圧力平均値及び撹拌電流平均値を学習データとすればよい。図６は、学習器で利用する学習用センサ値のデータ項目の一例である。図６の例では、学習用センサ値として、重合工程の終期に該当するグループ２０及び１９の圧力平均値と、重合工程の初期に該当するグループ１の圧力平均値とを利用する。また、学習用センサ値として、重合工程の初期に該当するグループ２０及び１８の撹拌電流平均値と、重合工程の中期に該当するグループ８の撹拌電流平均値と利用する。このように、学習器は、学習用センサ値として、重合工程のうち、選択された一部の期間に得られたセンサ値を利用する。例えば、ここで利用するセンサ値は、各グループのセンサ値から、有効とされたものから選択することで決定される。なお、この場合、全てのグループについて圧力平均値及び撹拌電流平均値を求める必要はなく、選択されたグループについて圧力平均値及び撹拌電流平均値を求めれば足りる。
　したがって、学習器は、「説明変数」である各グループの「圧力平均値」、各グループの「撹拌電流平均値」、及び、「重合時間」と、「目的変数」である「ＭＦＲ値」との関係を学習し、圧力値及び撹拌電流値等の入力からＭＦＲ値を予測する学習済みモデルとして求める。
　なお、ここでは、学習データの前処理は、制御部１１で実行されるものとするが、これに限定されない。例えば、予測装置１０の外部で実行され、予測部１１３は、外部から入力され、記憶部１２に記憶される前処理済みの学習データを利用してもよい。
《予測部１１３での予測》
　予測部１１３は、上述したように生成された学習済みモデルと、取得部１１２が取得するセンサ値を利用して、現在の重合工程での重合槽内の混合物のＭＦＲ値を予測する。ここで、学習器は、上述したように、重合工程の一部の期間について設定された複数のグループ毎の圧力値の平均値と撹拌電流値の平均値とを含む学習データにより、学習した。したがって、予測部１１３も、学習データと同一の数のグループ毎に得られた平均値を利用して取得データを前処理する。そして、前処理された取得データを用いて、学習済みモデルによりＭＦＲ値を予測する。
　図７に示すように、現在の重合工程が開始から１５０時間である場合、予測部１１３は、所定のタイミング毎に取得データ１２１をグループ分けし、各グループについて圧力値と撹拌電流値の平均値を求め、学習済みモデルを用いてＭＦＲ値を予測する。ここで、例えば、図５を用いて学習された学習器を利用する場合、１０時間後にＭＦＲ値を予測する場合には、グループ１のデータのみを用いて学習された学習済モデルを利用する。また、１３０時間後にＭＦＲ値を予測する場合には、例えば、グループ１～グループ１３のデータを用いて学習された学習済みモデルを利用してもよい。
　なお、予測部１１３でＭＦＲ値を予測するタイミングは、予測に必要な所定のグループの予測用センサ値を全て取得したタイミングである。したがって、予測部１１３は、必ずしもグループの終了毎に、ＭＦＲ値を予測する必要はない。例えば、図７に示す例では、１０時間後、２０時間後、３０時間後等は、重合工程の一般的な終了時間よりも十分に短いと考えられる。したがって、このような場合、ＭＦＲ値を予測せずに、例えば、過去の重合工程の最短時間から定められた、重合工程が終わる可能性のない所定の時間の経過後のグループの終了毎にＭＦＲ値を予測してもよい。
〈製造装置での処理〉
　図８に示すフローチャートを用いて、製造装置１において実行されるフッ素樹脂の重合工程の処理の流れを説明する。まず、製造装置１では、重合槽２内にフッ素樹脂の材料が投入される（Ｓ１）。
　また制御装置４の制御により、重合槽２内の環境や撹拌機３の制御が開始される。また、計時部１１１により、重合時間の計時が開始される（Ｓ２）。制御装置の制御により、重合槽２内では、フッ素樹脂の重合反応が開始される。
　取得部１１２は、ステップＳ２で制御装置４により制御が開始されると、入力センサ値の取得を開始する（Ｓ３）。取得部１１２は、例えば、圧力センサ２１で計測される圧力値と、モータ３１に与えられる電流の撹拌電流値とを取得する。
　その後、予測部１１３は、学習済みモデル１２２により、ＭＦＲ値を予測する（Ｓ４）。上述したように、学習済みモデル１２２で用いる予測用センサ値は、前処理がされることもある。
　予測部１１３は、ステップＳ４で予測したＭＦＲ値を用いて、終了時間を予測する（Ｓ５）。なお、ここでは終了時間とするが、製造の終了のための特定の操作のタイミング等であって、このタイミングに応じて、後の処理で終了を判断してもよい。
　出力処理部１１４は、ステップＳ５で予測した終了時間を出力する（Ｓ６）。出力処理部１１４は、例えば、図４を用いて上述したような表示画面Ｗを出力部１５に表示することで、終了時間を出力することができる。
　予測装置１０は、重合工程が終了していない場合（Ｓ７でＮＯ）、ステップＳ３に戻り、ステップＳ３～Ｓ７の処理を繰り返す。例えば、重合工程の終了は、ステップＳ５で予測される終了時間に応じて決定される。例えば、予測部１１３で終了までに要する時間を予測する時、ステップＳ５で予測される時間が０になった場合、重合工程の終了とする。
　一方、重合工程が終了すると（Ｓ７でＹＥＳ）、制御装置４は制御を終了する。また、計時部１１１は、計時を終了する（Ｓ８）。これにより、製造装置１における１回の重合工程は終了する。
　このように、予測装置１０では、実際に混合物のＭＦＲ値を計測せずにセンサ値を利用して、ＭＦＲ値を予測することができる。また、予測装置１０は、重合時間を利用し、ＭＦＲ値の予測精度を向上させることができる。これにより、製造装置１は、予測装置１０で予測されるＭＦＲ値を使用し、フッ素樹脂の重合工程において、フッ素樹脂の重合の終了タイミングを予測することができる。これにより、予測装置１０で予測されるＭＦＲ値を利用することで、重合工程の途中で重合槽から混合物の一部をＭＦＲ値の計測用に取り出して実際にＭＦＲ値を計測する作業を不要とすることができる。
《変形例１》
　上述の説明では、予測装置１０は、学習データとして、センサ値である圧力値の平均値及び撹拌電流値の平均値を利用して学習済みモデル１２２を生成するものとして説明した。これに限定せず、センサ値の最大値、最小値又は分散値を利用してもよい。また、平均値、最大値、最小値及び分散値を組み合わせて利用してもよい。
　この場合、予測部１１３は、平均値、最大値、最小値及び分散値の少なくともいずれかを組み合わせて用いてＭＦＲ値を予測する。予測装置１０は、計測された値から得られた種々の値を有効的に利用し、ＭＦＲ値の予測精度を向上させることができる。
《変形例２》
　上述の説明では、製造装置１は、ステップＳ１において、フッ素樹脂の材料を投入する例で説明した。一方、フッ素樹脂の重合工程において、重合槽２に材料等を追加投入する場合もある。このような場合、予測装置１０は、追加投入された材料の積算量をＭＦＲ値の予測に用いてもよい。
　具体的には、取得部１１２は、圧力値及び撹拌電流値とともに、重合槽２に投入される材料の積算量を予測用センサ値として取得する。
　この場合、予測部１１３は、圧力値及び撹拌電流値とともに、過去の重合に使用した材料の積算量を含む学習データで学習された学習済みモデル１２２を利用する。また予測部１１３は、取得部１１２が取得した材料の積算量を含む予測用センサ値を用いてＭＦＲ値を予測する。
　予測装置１０は、材料の積算量を用いてＭＦＲ値を予測することで、予測精度を向上させることができる。これは、材料の投入量は、重合工程にあるフッ素樹脂のＭＦＲ値に影響するためである。このように、予測装置１０は、このように投入する材料の積算量を利用し、ＭＦＲ値の予測精度を向上させることができる。
《変形例３》
　上述の説明では、各回のフッ素樹脂の重合工程で得られたセンサ値を用いて、ＭＦＲ値を予測する例で説明した。一方、重合工程を複数回繰り返して実施する場合、前の重合工程で得られたデータをＭＦＲ値の予測に用いてもよい。
　具体的には、取得部１１２は、前回の重合工程で得られたフッ素樹脂のＭＦＲ値を取得してもよい。言い換えると、取得部１１２は、前回のバッチで得られたフッ素樹脂のＭＦＲ値を取得してもよい。
　この場合、予測部１１３は、各センサ値とともに、前回の重合工程で得られたフッ素樹脂のＭＦＲ値を含む学習データで学習された学習済みモデル１２２を利用する。また、予測部１１３は、予測用センサ値とともに、取得部１１２が取得した前回の重合工程で得られたフッ素樹脂のＭＦＲ値を用いてＭＦＲ値を予測する。ここで、前回の重合工程で得られたＭＦＲ値を用いる場合、前回の重合工程において、今回の重合工程と同種のフッ素樹脂を製造されたものである場合、予測精度をより向上させることができる。
　予測装置１０は、前回の重合工程で得られたＭＦＲ値を用いて、今回の重合工程のフッ素樹脂のＭＦＲ値を予測することで、予測精度を向上させることができる。これは、連続する重合工程では、種々の環境が類似するため、製造されるフッ素樹脂のＭＦＲ値も類似するためである。予測装置１０は、前回のバッチで得られたＭＦＲ値を利用し、ＭＦＲ値の予測精度を向上させることができる。
《その他変形例》
　その他、学習データとして、重合工程で利用する種々のデータ、又は、重合工程で取得される種々のデータを利用することができる。この場合、学習済みモデルで利用するデータとしても、同種のデータを利用する。例えば、温度センサ２２により計測される温度値を学習用センサ値及び予測用センサ値としてもよい。
　また、上述の説明では、予測部１１３が使用する学習済みモデル１２２の数は、言及していないが、予測部１１３が使用する学習済みモデルの数は限定しない。例えば、予測部１１３は、２以上の学習済みモデル１２２を組み合わせて利用してもよい。
〈効果及び補足〉
　以上のように、本出願において開示する技術の例示として、上記実施形態を説明した。しかしながら、本開示における技術は、これに限定されず、適宜、変更、置き換え、付加、省略などを行った実施形態にも適用可能である。
　本開示の全請求項に記載の予測装置、製造装置及び予測方法は、ハードウェア資源、例えば、プロセッサ、メモリ、及びプログラムとの協働などによって、実現される。
　本開示の予測装置、製造装置及び予測方法は、例えば、フッ素樹脂の重合工程において、重合の終了のタイミングの特定に有用である。
　本願は、２０２１年６月１７日付けで日本国にて出願された特願２０２１－１０１０４８に基づく優先権を主張し、その記載内容の全てが、参照することにより本明細書に援用される。
１　製造装置
１０　予測装置
１１　制御部
１１１　計時部
１１２　取得部
１１３　予測部
１１４　出力処理部
１２　記憶部
１２１　取得データ
１２２　学習済みモデル
１２３　予測プログラム
１３　通信部
１４　入力部
１５　出力部
２　重合槽
２１　圧力センサ
２２　温度センサ
３　撹拌機
３１　モータ
３２　回転軸
３３　撹拌翼
４　制御装置

Claims (17)

  1. 　フッ素樹脂の重合工程における、原料を投入後かつ製造終了前の所定タイミングの重合槽内の前記フッ素樹脂を含む混合物のＭＦＲ値を予測する予測装置であって、
    　前記フッ素樹脂の現在の重合工程で計測される前記重合槽内の圧力値と、当該重合槽内を撹拌する撹拌機の撹拌電流値とを含む情報を予測用センサ値として取得する取得部と、
    　前記フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程の所定タイミングにおけるフッ素樹脂について計測されたＭＦＲ値との関係を機械学習により学習済みの学習済みモデルにより、前記取得部で取得された予測用センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物の前記所定タイミングにおけるＭＦＲ値を予測する予測部と、
    　を備える予測装置。
  2. 　前記現在の重合工程の開始から現在までの経過時間を重合時間として計時する計時部をさらに備え、
    　前記予測部は、前記予測用センサ値と共に前記計時部で計時される前記重合時間を用いて、前記ＭＦＲ値を予測する
    　請求項１に記載の予測装置。
  3. 　前記予測部で予測された前記ＭＦＲ値を用いて得られた前記現在の重合工程の終了時間に関する情報を出力する出力処理部をさらに備える
    　請求項１又は２に記載の予測装置。
  4. 　前記フッ素樹脂の重合工程において、前記重合槽に材料を追加投入することが可能であり、
    　前記取得部は、前記圧力値及び前記撹拌電流値とともに、前記重合槽に投入される材料の積算量を予測用センサ値として取得し、
    　前記予測部は、前記過去の重合工程で得られた積算量を含む学習用センサ値で学習済みの学習済みモデルにより、前記予測用センサ値を用いてＭＦＲ値を予測する
    　請求項１乃至３のいずれか１に記載の予測装置。
  5. 　前記予測部は、前記フッ素樹脂の重合工程の一部の期間に計測された前記圧力値を用いて前記ＭＦＲ値を予測する
    　請求項１乃至４のいずれか１に記載の予測装置。
  6. 　前記予測部は、前記一部の期間内の前記圧力値の平均値、最大値、最小値又は分散値の少なくともいずれかを用いてＭＦＲ値を予測する
    　請求項５に記載の予測装置。
  7. 　前記予測部は、前記フッ素樹脂の重合工程の一部の期間に計測された前記撹拌電流値を用いて前記ＭＦＲ値を予測する
    　請求項１乃至４のいずれか１に記載の予測装置。
  8. 　前記予測部は、前記一部の期間内の前記撹拌電流値の平均値、最大値、最小値又は分散値を用いてＭＦＲ値を予測する
    　請求項７に記載の予測装置。
  9. 　前記一部の期間は、前記フッ素樹脂の重合工程の開始から終了までの時間を分割した複数の期間から選択される
    　請求項５乃至８のいずれか１に記載の予測装置。
  10. 　前記フッ素樹脂の重合工程を少なくとも２回実施し、
    　前記取得部は、前回の重合工程で得られたフッ素樹脂のＭＦＲ値を取得し、
    　前記予測部は、前記取得部が取得した前回の重合工程で得られたフッ素樹脂のＭＦＲ値を含む予測用センサ値を用いて前記フッ素樹脂のＭＦＲ値を予測する
    　請求項１乃至９のいずれか１に記載の予測装置。
  11. 　フッ素樹脂の重合工程において、重合槽内の当該フッ素樹脂の製造の終了のための特定の操作が行われる目標タイミングを求める演算装置であって、
    　現在の製造における前記フッ素樹脂の性能の目標を表す目標のＭＦＲ値と、前記フッ素樹脂の原料を投入後かつ製造終了前の所定タイミングにおけるＭＦＲ値とを受け付ける受付部と、
    　前記フッ素樹脂と同種のフッ素樹脂の過去の製造の前記所定タイミングにおける前記フッ素樹脂のＭＦＲ値と、当該過去の製造で得られた前記フッ素樹脂のＭＦＲ値と、当該過去の製造の目標タイミングとの関係と、前記受付部で受け付けた前記目標のＭＦＲ値及び前記所定タイミングにおけるＭＦＲ値とを用いて、前記フッ素樹脂の製造終了の判断に利用される目標タイミングを求める演算部と、
    　を備える演算装置。
  12. 　フッ素樹脂の重合工程において、当該フッ素樹脂の製造の終了の判断に用いる目標タイミングを求める演算装置であって、
    　現在の製造において前記フッ素樹脂の製造に関わる値として観測されるセンサ値を、演算用センサ値として受け付けるとともに、現在の製造における前記フッ素樹脂の性能の目標を表す目標のＭＦＲ値を目標値として受け付ける受付部と、
    　前記フッ素樹脂と同種のフッ素樹脂の過去の製造で得られたセンサ値と、当該過去の製造で得られた前記フッ素樹脂のＭＦＲ値と、当該過去の製造の目標タイミングとの関係を用いて、前記受付部で受け付けた前記演算用センサ値から、前記現在の製造の目標タイミングを求める演算部と、
    　を備える演算装置。
  13. 　フッ素樹脂を製造する製造装置であって、
    　前記フッ素樹脂の材料が投入される重合槽と、
    　前記重合槽内を撹拌する撹拌機と、
    　前記フッ素樹脂の現在の重合工程で計測される前記重合槽内の圧力値と、前記撹拌機の撹拌電流値とを予測用センサ値として取得する取得部と、
    　前記フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程に要した時間と、当該過去の重合工程で得られたフッ素樹脂について計測されたＭＦＲ値との関係を機械学習により学習済みの学習済みモデルにより、前記取得部で取得された予測用センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物のＭＦＲ値を予測する予測部と、
    　前記予測部で予測された前記ＭＦＲ値を用いて得られる前記現在の重合工程の終了時間に関する情報を出力する出力処理部と、
    　を備える製造装置。
  14. 　フッ素樹脂の材料を重合槽に投入するステップと、
    　前記重合槽内を撹拌するステップと、
    　前記フッ素樹脂の現在の重合工程で計測される前記重合槽内の圧力値と、前記重合層内を攪拌する撹拌機の撹拌電流値とを予測用センサ値として取得するステップと、
    　前記フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程に要した時間と、当該過去の重合工程で得られたフッ素樹脂について計測されたＭＦＲ値との関係を機械学習により学習済みの学習済みモデルにより、取得された前記予測用センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物のＭＦＲ値を予測するステップと、
    　予測された前記ＭＦＲ値を用いて得られる前記現在の重合工程の終了時間に関する情報を用いて、現在の製造を終了させるステップと、
    　を有するフッ素樹脂の製造方法。
  15. 　フッ素樹脂の原料を重合槽に投入するステップと、
    　現在の前記フッ素樹脂の製造において前記フッ素樹脂の製造に関わる値として観測されるＭＦＲ値を、予測用センサ値として取得するステップと、
    　前記フッ素樹脂と同種のフッ素樹脂の過去の製造において得られたセンサ値と、当該過去の製造の所定タイミングにおける前記フッ素樹脂のＭＦＲ値との関係を用いて、取得された前記予測用センサ値から、現在、製造される前記フッ素樹脂の所定タイミングにおける前記ＭＦＲ値を予測するステップと、
    　現在の製造における前記フッ素樹脂の性能の目標を表す目標のＭＦＲ値と、予測された前記所定タイミングにおけるＭＦＲ値とを受け付けるステップと、
    　前記フッ素樹脂と同種のフッ素樹脂の過去の製造の前記所定タイミングにおける前記フッ素樹脂のＭＦＲ値と、当該過去の製造で得られた前記フッ素樹脂のＭＦＲ値と、当該過去の製造の目標タイミングとの関係と、受け付けた前記目標のＭＦＲ値及び前記所定タイミングにおけるＭＦＲ値とを用いて、前記フッ素樹脂の製造終了の判断に利用される目標タイミングを求めるステップと、
    　求められた前記目標タイミングを用いて現在の製造を終了させるステップと、
    　を有するフッ素樹脂の製造方法。
  16. 　フッ素樹脂の重合工程における重合槽内での前記フッ素樹脂を含む混合物のＭＦＲ値を予測する予測方法であって、
    　前記フッ素樹脂の現在の重合工程で計測される前記重合槽内の圧力値と、当該重合槽内を撹拌する撹拌機の撹拌電流値とを予測用センサ値として取得する取得ステップと、
    　前記フッ素樹脂と同種のフッ素樹脂の過去の重合工程で計測された学習用センサ値と、当該過去の重合工程に要した時間と、当該過去の重合工程で得られたフッ素樹脂について計測されたＭＦＲ値との関係を機械学習により学習済みの学習済みモデルにより、前記取得ステップで取得された予測用センサ値を用いて、現在の重合工程にあるフッ素樹脂を含む混合物のＭＦＲ値を予測する予測ステップと、
    　を含む予測方法。
  17. 　フッ素樹脂の重合工程における重合槽内での前記フッ素樹脂のＭＦＲ値を予測するための学習済みモデルの生成方法であって、
    　前記フッ素樹脂と同種のフッ素樹脂の重合工程で計測されたセンサ値と、当該重合工程に要した重合時間とを含む教師データと、当該教師データに対する正解データである当該の重合工程で得られたフッ素樹脂について計測されたＭＦＲ値とを含むデータの組を複数取得するステップと、
    　学習器を用いて、複数の前記教師データと前記正解データとから、前記フッ素樹脂の重合工程で得られるセンサ値から、前記重合工程にあるフッ素樹脂のＭＦＲ値を出力とする学習済みモデルを生成するステップと、
    　を含む生成方法。
PCT/JP2022/022970 2021-06-17 2022-06-07 予測装置、製造装置及び予測方法 WO2022264885A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202280042560.6A CN117500845A (zh) 2021-06-17 2022-06-07 预测装置、制造装置和预测方法

Applications Claiming Priority (2)

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

Publications (1)

Publication Number Publication Date
WO2022264885A1 true WO2022264885A1 (ja) 2022-12-22

Family

ID=84527455

Family Applications (1)

Application Number Title Priority Date Filing Date
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

Country Status (3)

Country Link
JP (1) JP2023000306A (ja)
CN (1) CN117500845A (ja)
WO (1) WO2022264885A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05140229A (ja) * 1991-11-22 1993-06-08 Mitsubishi Kasei Corp ポリオレフインの製造方法
JPH05140230A (ja) * 1991-11-22 1993-06-08 Mitsubishi Kasei Corp ポリオレフインを製造するための重合反応運転支援装置
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
JP2019151833A (ja) * 2018-02-28 2019-09-12 ダイキン工業株式会社 熱可塑性樹脂組成物およびその製造方法
WO2020054183A1 (ja) * 2018-09-10 2020-03-19 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
WO2022004880A1 (ja) * 2020-07-03 2022-01-06 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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05140229A (ja) * 1991-11-22 1993-06-08 Mitsubishi Kasei Corp ポリオレフインの製造方法
JPH05140230A (ja) * 1991-11-22 1993-06-08 Mitsubishi Kasei Corp ポリオレフインを製造するための重合反応運転支援装置
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
JP2019151833A (ja) * 2018-02-28 2019-09-12 ダイキン工業株式会社 熱可塑性樹脂組成物およびその製造方法
WO2020054183A1 (ja) * 2018-09-10 2020-03-19 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
WO2022004880A1 (ja) * 2020-07-03 2022-01-06 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

Also Published As

Publication number Publication date
CN117500845A (zh) 2024-02-02
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
US11275345B2 (en) Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device
US20230119336A1 (en) Prediction device, calculation device, manufacturing device, and manufacturing method
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
WO2020188328A1 (en) Method of performing a process and optimizing control signals used in the process
JP7274330B2 (ja) 製造システム、情報処理方法、および製造方法
US8250006B2 (en) Inferential sensors developed using three-dimensional pareto-front genetic programming
JP2017083985A (ja) 時系列データ処理方法、時系列データ処理プログラム、および、時系列データ処理装置
WO2005019948A1 (en) Computer-aided modeling and manufacture of products
JP6711323B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
US20230376855A1 (en) Anomaly detection and tuning recommendation system
US20200293011A1 (en) Production system, information processing method, and production method
WO2020136859A1 (ja) 推定装置、推定方法、及びコンピュータ読み取り可能な記録媒体
WO2022264885A1 (ja) 予測装置、製造装置及び予測方法
JP2010214661A (ja) 混練判定システム
CN112966399B (zh) 一种基于机器学习的脉管制冷机工况预测方法及***
JP2023013058A (ja) 機械学習装置、生産計画策定装置、及び、推論装置
Derks et al. Parallel processing of chemical information in a local area network—II. A parallel cross-validation procedure for artificial neural networks
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
JP2008165412A (ja) 性能演算装置
JP2011145905A (ja) 予測関数生成装置、方法、及び、プログラム
KR20170091947A (ko) 폴리프로필렌 중합반응 시 중합체의 시뮬레이션 방법
Wei et al. An adaptive soft sensor based on multi-state partial least squares regression
Othman et al. Polymer composition control in emulsion co-and terpolymerizations
JP2024008431A (ja) 複合材料の物性値予測装置、物性値予測プログラム及び物性値予測方法

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: 22824877

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202280042560.6

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 13/03/2024)