JP7205225B2 - 成形条件決定支援装置および射出成形機 - Google Patents

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のキャビティ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、成形品の質量、形状、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

特許文献１においては、成形品の品質要素に基づいて報酬が決定され、当該報酬に基づいて成形条件が調整されている。しかしながら、成形品の品質要素は、上述したように、成形品の質量、形状、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るため、成形を終了した後に、検査工程を行うことによって取得できる情報である。検査工程を実行する前に、成形品の異常を予測することができれば、不良品の発生を抑制することができる。

本発明は、成形品の品質要素を取得するよりも前に取得できる情報を用いて、成形品の品質要素を良好とするための情報を取得できる成形条件決定支援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、成形機の型のキャビティに溶融材料を供給することにより成形品を成形する成形方法に適用され、少なくとも成形機に取り付けられたセンサにより検出された成形時状態データを第一学習データとする機械学習により生成された第一学習モデルであって、前記成形時状態データと前記成形品の品質要素とに関する前記第一学習モデルを記憶する第一学習モデル記憶部と、前記成形時状態データと成形条件要素とを第二学習データとする機械学習により生成された第二学習モデルであって、前記成形時状態データと前記成形条件要素とに関する前記第二学習モデルを記憶する第二学習モデル記憶部と、前記第一学習モデルを用いて、前記センサにより検出された前記成形時状態データと成形時状態データ目標値との差分に相当する値である成形時状態データ調整量を取得する成形時状態データ調整量取得部と、前記第二学習モデルを用いて、前記成形時状態データ調整量に対応する前記成形条件要素の調整量を取得する成形条件要素調整量取得部とを備える。

機械学習の推論フェーズにおいては、成形時状態データを取得し、取得した当該成形時状態データに基づいて成形条件要素の調整量を取得することができる。そして、成形時状態データとは、成形機に取り付けられたセンサにより検出されたデータである。そのため、成形時状態データは、検査工程によって成形品の品質要素を取得するよりも前に取得できる情報である。従って、検査工程を実行する前に、成形品の異常を予測することができ、不良品の発生を抑制することができる。

しかしながら、成形品の品質要素が重要な要素である。そこで、当該支援装置は、成形時状態データと成形品の品質要素との関係を表す第一学習モデルを記憶している。そして、第一学習モデルと成形時状態データとを考慮することによって、成形品の品質要素の値が所定値となるように、成形時状態データ調整量を取得している。

さらに、当該支援装置は、成形時状態データと成形条件要素との関係を表す第二学習モデルを記憶している。そして、第二学習モデルと成形時状態データ調整量とを考慮することによって、成形条件要素の調整量を取得している。つまり、取得した成形条件要素の調整量に応じて成形条件要素を調整することによって、成形品の品質要素を良好とすることができる。

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。 成形時状態データの例として、１つの成形品を成形する際における保圧力データの時間の経過に伴う挙動を示すグラフである。 第一学習モデル生成部における第一学習データを示す図である。 第二学習モデル生成部における第二学習データを示す図である。 第一例の成形条件決定支援装置における支援処理を示すフローチャートである。 金型を示す拡大図である。 図７のVIII－VIII線における金型の断面図である。 成形条件Ｘでの成形時における第一圧力センサの圧力推移データを示すグラフである。 成形条件Ｙでの成形時における第一圧力センサの圧力推移データを示すグラフである。 第一圧力センサおよび第二圧力センサの圧力推移データを示すグラフである。 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。 第二例の成形条件決定支援装置における支援処理を示すフローチャートである。

（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Ｃ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Ｃ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Ｃ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Ｃへ導く。キャビティＣは、第一金型６ａと第二金型６ｂとの間に形成され、製品形状に対応する領域である。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。

金型６には、第一金型６ａと第二金型６ｂとの間にキャビティＣが形成されている。第一金型６ａは、ノズル３４からキャビティＣまでの間に供給路６ｃ（スプルー、ランナー、ゲート）を備える。さらに、第一金型６ａまたは第二金型６ｂは、圧力センサ６ｄ，６ｅを備える。圧力センサ６ｄ，６ｅは、溶融材料から受ける圧力を検出する。

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、型締装置用センサ４５、および、圧力センサ６ｄ，６ｅ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、保圧工程、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に向けて所定の押込み力に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Ｃに射出充填する。

射出充填の後、保圧工程において、キャビティＣに溶融材料が充填された状態でさらに溶融材料をキャビティＣに押し込み、キャビティＣ内の溶融材料に所定の保圧力が所定時間加えられた保圧処理を行う。具体的には、スクリュ３３に一定の押込み力を付与することにより、溶融材料に所定の保圧力を付与する。キャビティＣ内の溶融材料に生じる圧力は、キャビティＣの位置によって異なる。

そして、所定の保圧力により所定時間の保圧処理を行った後、冷却工程へ移行する。冷却工程では、溶融材料の押込みを停止して保圧力を減少させる処理（保圧力減少処理）を行い、さらに金型６を冷却する。金型６を冷却することで、金型６のキャビティＣ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５を参照して説明する。支援装置５０は、機械学習の学習フェーズにおいて機能する部分と、機械学習の推論フェーズにおいて機能する部分とを備える。

すなわち、支援装置５０は、図２に示すように、学習フェーズとして機能する部分として、成形条件データベース５１、成形時状態データベース５２、成形品品質データベース５３、第一学習モデル生成部５４、第一学習モデル記憶部５５、第二学習モデル生成部５６、第二学習モデル記憶部５７を備える。また、支援装置５０は、推論フェーズとして機能する部分として、第一学習モデル記憶部５５、第二学習モデル記憶部５７、成形時状態データ調整量取得部６０、成形条件要素調整量取得部７１、条件変更部７２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、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。

成形時状態データベース５２は、射出成形機１に取り付けられた射出装置用センサ３７、型締装置用センサ４５、および、圧力センサ６ｄ，６ｅにより検出された成形時状態データを、それぞれの成形品に対応付けられて記憶する。成形時状態データとは、成形品の成形時において取得されるデータである。

ここで、成形時状態データは、対象のデータ種の時間に伴う挙動としてもよいし、当該挙動情報から得られる所定の統計量としてもよい。例えば、図３に示すように、成形時状態データは、１つの成形品の成形時における保圧力データの時間経過に伴う挙動としてもよいし、当該挙動から得られる統計量としてもよい。

なお、挙動は、対象のデータ種に関してサンプリング時間の数の分存在することになる。統計量は、例えば、全期間（成形開始から成形終了までの期間）の積分値、所定の一部期間の積分値、所定のタイミングにおける微分値、最大値、最大微分値など、種々の統計量の中から選択できる。成形時状態データは、保圧力データの他に、例えば、金型温度データ、射出速度データ、型締力データ、加熱シリンダ３２における溶融材料の貯留量等を含めることができる。

ここで、保圧力データは、射出装置用センサ３７により検出されるスクリュ３３に付与される押込み力データとすることもできるし、圧力センサ６ｄ，６ｅにより検出される金型６内の圧力データとすることもできる。スクリュ３３に付与される押込み力は、制御装置５による制御可能なパラメータであるが、圧力センサ６ｄ，６ｅによる圧力は、制御装置５による制御可能なパラメータではない。

成形品品質データベース５３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、質量、形状、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、成形時状態データベース５２および成形品品質データベース５３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、成形時状態データおよび成形品の品質要素が、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。

第一学習モデル生成部５４は、図４に示すように、少なくとも成形時状態データベース５２に記憶された成形時状態データを第一学習データとする機械学習を行う。本例では、第一学習モデル生成部５４は、成形時状態データと品質要素データベースに記憶された品質要素とを第一学習データとする機械学習を行う。第一学習モデル生成部５４は、当該機械学習により、成形時状態データと品質要素とに関する第一学習モデルを生成する。第一学習モデルは、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。第一学習モデルは、例えば、回帰モデル等を適用する。第一学習モデル生成部５４により生成された第一学習モデルは、第一学習モデル記憶部５５に記憶される。

第二学習モデル生成部５６は、図５に示すように、成形時状態データベース５２に記憶された成形時状態データと成形条件データベース５１に記憶された成形条件要素とを第二学習データとする機械学習を行う。第二学習モデル生成部５６は、当該機械学習により、成形時状態データと成形条件要素とに関する第二学習モデルを生成する。第二学習モデルは、例えば、回帰モデル等を適用する。第二学習モデル生成部５６により生成された第二学習モデルは、第二学習モデル記憶部５７に記憶される。

成形時状態データ調整量取得部６０は、対象の成形品の成形を行っている際に、第一学習モデルを用いて成形時状態データ調整量を取得する。具体的には、成形時状態データ調整量取得部６０は、射出装置用センサ３７および型締装置用センサ４５により検出された成形時状態データに基づいて、成形時状態データ調整量を取得する。成形時状態データ調整量とは、センサ３７，４５により検出された成形時状態データと成形時状態データ目標値との差分に相当する値である。

成形時状態データ調整量取得部６０は、品質要素目標値取得部６１、成形時状態データ目標値取得部６２、成形時状態データ取得部６３、第二成形時状態データ調整量取得部６４を備える。

品質要素目標値取得部６１は、対象の成形品に関する品質要素目標値、例えば、品質要素における良品であるための境界値を取得する。対象の成形品とは、現在成形を行っている成形品、または、これから成形を行う予定の成形品である。品質要素目標値は、予め設定された情報である。品質要素目標値取得部６１は、作業者の入力によって対象の成形品に関する品質要素の目標値を取得する。品質要素目標値は、例えば、質量が○○ｋｇ、形状を示す値が○○ｍ、ボイド状態の指標値、焼け状態の指標値等に関する目標値である。

成形時状態データ目標値取得部６２は、第一学習モデル記憶部５５に記憶された第一学習モデルを用いて、品質要素目標値取得部６１により取得された品質要素目標値に対応する成形時状態データ目標値を取得する。第一学習モデルは、上述したように、成形時状態データと品質要素とに関するモデルである。従って、第一学習モデルを用いて、品質要素目標値を入力することにより、成形時状態データに関する情報、すなわち、成形時状態データ目標値が出力される。なお、成形時状態データ目標値は、成形時状態データベース５２に記憶される成形時状態データと同種である。すなわち、成形時状態データ目標値は、対象のデータ種の時間に伴う挙動としてもよいし、当該挙動情報から得られる所定の統計量としてもよい。

成形時状態データ取得部６３は、対象の成形品の成形を行っている際に、射出装置用センサ３７、型締装置用センサ４５、および、圧力センサ６ｄ，６ｅにより検出された成形時状態データを取得する。なお、ここでの成形時状態データは、成形時状態データベース５２に記憶される成形時状態データと同種である。すなわち、成形時状態データは、対象のデータ種の時間に伴う挙動としてもよいし、当該挙動情報から得られる所定の統計量としてもよい。

第二成形時状態データ調整量取得部６４は、成形時状態データ取得部６３により取得された成形時状態データと、成形時状態データ目標値取得部６２により取得された成形時状態データ目標値との差分を算出し、当該差分を前記成形時状態データ調整量として取得する。

成形条件要素調整量取得部７１は、第二学習モデル記憶部５７に記憶された第二学習モデルを用いて、第二成形時状態データ調整量取得部６４により取得された成形時状態データ調整量に対応する成形条件要素の調整量を取得する。第二学習モデルは、上述したように、成形時状態データと成形条件要素とに関するモデルである。従って、第二学習モデルを用いて、成形時状態データ調整量を入力することにより、成形条件要素に関する情報、すなわち、成形条件要素の調整量が出力される。成形条件要素の調整量とは、例えば、金型温度の指令値の上昇量５℃等である。

条件変更部７２は、成形条件要素調整量取得部７１により取得された成形条件要素の調整量に基づいて、射出成形機１の制御装置５における成形条件要素の値（指令値）を変更する。条件変更部７２は、作業者による実行処理信号を受け付けることなく、自動的に変更処理を実行する。なお、条件変更部７２は、作業者による実行処理信号を受け付けた場合に、変更処理を実行するようにしてもよい。

（３．第一例の支援処理）
第一例の支援装置５０による支援処理について、図６を参照して説明する。ここで、支援処理は、学習フェーズと推論フェーズとが存在するが、支援処理のうちの推論フェーズについて説明する。つまり、第一学習モデルおよび第二学習モデルが生成された後の処理について説明する。

品質要素目標値取得部６１が、品質要素目標値を取得する（Ｓ１）。続いて、成形時状態データ目標値取得部６２が、第一学習モデルを用いて、品質要素目標値に対応する成形時状態データ目標値を取得する（Ｓ２）。続いて、成形時状態データ取得部６３が、成形時状態データを取得する（Ｓ３）。続いて、第二成形時状態データ調整量取得部６４が、成形時状態データと成形時状態データ目標値とに基づいて、これらの差分である成形時状態データ調整量を取得する（Ｓ４）。

成形条件要素調整量取得部７１が、当該調整量が所定値より大きいか否かを判定する（Ｓ５）。当該調整量が所定値以下の場合には（Ｓ５：Ｎｏ）、ステップＳ３に戻り、上記処理を繰り返す。一方、当該調整量が所定値より大きい場合には（Ｓ５：Ｙｅｓ）、成形条件要素調整量取得部７１が、第二学習モデルを用いて、成形条件要素調整量を取得する（Ｓ６）。

続いて、条件変更部７２が、成形条件要素調整量に基づいて、制御装置５における成形条件要素の値を変更する（Ｓ７）。そして、同種の成形品が有る場合には（Ｓ８：Ｎｏ）、ステップＳ３に戻り、次の成形品について処理を繰り返す。一方、同種の成形品が無い場合には（Ｓ８：Ｙｅｓ）、支援処理を終了する。なお、異なる種類の成形品の成形を行う場合には、ステップＳ１から処理を実行する。

（４．支援装置５０による効果）
上述したように、機械学習の推論フェーズにおいては、成形時状態データを取得し、取得した当該成形時状態データに基づいて成形条件要素の調整量を取得することができる。そして、成形時状態データとは、射出成形機１に取り付けられたセンサ３７，４５により検出されたデータである。そのため、成形時状態データは、検査工程によって成形品の品質要素を取得するよりも前に取得できる情報である。従って、検査工程を実行する前に、成形品の異常を予測することができ、不良品の発生を抑制することができる。

しかしながら、成形品の品質要素が重要な要素である。そこで、当該支援装置５０は、成形時状態データと成形品の品質要素との関係を表す第一学習モデルを生成している。そして、第一学習モデルと成形時状態データとを考慮することによって、成形品の品質要素の値が所定値となるように、成形時状態データ調整量を取得している。

さらに、当該支援装置５０は、成形時状態データと成形条件要素との関係を表す第二学習モデルを生成している。そして、第二学習モデルと成形時状態データ調整量とを考慮することによって、成形条件要素の調整量を取得している。つまり、取得した成形条件要素の調整量に応じて成形条件要素を調整することによって、成形品の品質要素を良好とすることができる。

さらに、成形時状態データ調整量取得部６０において、成形時状態データ目標値取得部６２が、第一学習モデルを用いて、予め設定された品質要素目標値に対応する成形時状態データ目標値を取得する。そして、第二成形時状態データ調整量取得部６４が、センサ３７，４５により検出された成形時状態データと成形時状態データ目標値との差分である成形時状態データ調整量を取得している。このように、第一学習モデルを用いることで成形時状態データ目標値を得ることができ、その結果、成形時状態データ調整量を得ることができる。このように、確実に、成形時状態データ調整量を得ることができる。

また、支援処理において、品質要素目標値は予め設定されているため、成形時状態データ目標値は、予め取得しておくことができる。つまり、支援処理において、成形品の都度、第一学習モデルを用いた処理が行われることはない。従って、支援処理の実行時間を短時間とすることができる。

（５．第二学習モデル生成部５６の変形態様）
第二学習モデル生成部５６は、成形条件要素の値を変更する前に、予め第二学習モデルを生成しておく必要がある。そこで、上記においては、第二学習モデル生成部５６は、予め第二学習モデルを生成することについて説明した。

ただし、成形条件要素と成形時状態データとの関係は、射出成形機１の経年劣化に応じて変化することがある。例えば、保圧力を当初の指令値で制御したとしても、部品の摩耗等によって、実際の保圧力は、初期と経変劣化後とで異なる場合がある。そこで、第二学習モデル生成部５６は、射出成形機１の経年劣化に応じて第二学習モデルを更新するとよい。これにより、第二学習モデルを用いて成形条件要素調整量を取得する際に、射出成形機１の経年劣化状態を考慮することができる。従って、より高精度に、成形条件要素調整量を取得することができる。

（６．第一学習モデルの構成と適用の第一例）
次に、第一例の支援装置５０において使用する第一学習モデルの第一例について説明する。第一学習モデルは、成形時状態データとしての金型６内の圧力データと品質要素としての成形品の形状を示す値とに関する学習モデルである。

（６－１．金型６の詳細構成）
金型６の詳細構成について、図７および図８を参照して説明する。金型６は、少なくとも一つのキャビティＣを備える。本例では、成形機１が成形する成形品は、等速ジョイントに用いられる保持器とする。従って、成形品は、環状、特に円環状である。キャビティＣも、環状、特に円環状に形成される。なお、成形品は、環状以外の形状、例えば、Ｃ形状や矩形枠状とすることもできる。そして、キャビティＣは、成形品に対応する形状となる。

第一金型６ａは、ノズル３４とキャビティＣとの間に、溶融材料の供給路６ｃを備える。第一金型６ａは、供給路６ｃとして、１個のスプルー６ｃ１と、１個または複数のランナー６ｃ２と、１個または複数のゲート６ｃ３とを備える。本例では、第一金型６ａは、１個のスプルー６ｃ１、１個のランナー６ｃ２、１個のゲート６ｃ３を備える場合を例にあげる。

スプルー６ｃ１は、ノズル３４から溶融材料が供給される通路である。ランナー６ｃ２は、スプルー６ｃ１から分岐する通路であり、スプルー６ｃ１に供給された溶融材料は、ランナー６ｃ２に流入する。ゲート６ｃ３は、ランナー６ｃ２に流入した溶融材料をキャビティＣに導く通路であり、ゲート６ｃ３の流路断面積は、ランナー６ｃ２の流路断面積よりも小さい。

キャビティＣが環状である場合であって、第一金型６ａが１個のゲート６ｃ３を備える場合には、キャビティＣ内における溶融材料の流入経路は、ゲート６ｃ３からキャビティＣの環状の周方向に流動する経路となる。つまり、キャビティＣ内において、溶融材料は、最初にゲート６ｃ３の位置に流入し、最後にゲート６ｃ３からの最遠位置に流入する。

なお、金型６には、複数のキャビティＣを設けることが可能である。この場合、第一金型６ａには、キャビティＣと同数のランナー６ｃ２およびゲート６ｃ３が形成され、スプルー６ｃ１に供給された溶融材料は、ランナー６ｃ２およびゲート６ｃ３を介して各々のキャビティＣに供給される。

また、上述したように、金型６には、第一圧力センサ６ｄが配置されている。金型６は、第一圧力センサ６ｄとして、キャビティＣにおいて、供給された溶融材料から受ける圧力を検出する６つの第一圧力センサ６ｄ１－６ｄ６を備える。６つの第一圧力センサ６ｄ１－６ｄ６の各々は、キャビティＣ内においてゲート６ｃ３から溶融材料が流入する流入経路において、ゲート６ｃ３からの距離が異なる位置に配置される。

ここで、複数の第一圧力センサ６ｄ１－６ｄ６のうちの一部は、流入経路において、ゲート６ｃ３からの最遠位置よりも、ゲート６ｃ３寄りの位置に配置される。また、複数の第一圧力センサ６ｄ１－６ｄ６のうちの他の一部は、流入経路において、ゲート６ｃ３よりも、ゲート６ｃ３からの最遠位置寄りに配置される。

第一圧力センサ６ｄ１が、キャビティＣ内において流入経路において最もゲート６ｃ３から離れた位置に配置される。第一圧力センサ６ｄ２が、次にゲート６ｃ３から離れた位置に配置される。第一圧力センサ６ｄ３－６ｄ５が、順次、ゲート６ｃ３から離れた位置に配置される。そして、第一圧力センサ６ｄ６が、最もゲート６ｃ３に近い位置に配置される。

具体的に、第一圧力センサ６ｄ１は、ゲート６ｃ３からキャビティＣに流入した溶融材料が最後に到達する領域に配置される。一方、第一圧力センサ６ｄ６は、ゲート６ｃ３の延長線上の領域に配置され、キャビティＣ内において溶融材料が最初に流入する領域に配置される。

さらに、上述したように、金型６には、第二圧力センサ６ｅが配置されている。詳細には、第一金型６ａが、少なくとも１個の第二圧力センサ６ｅを備える。本例では、第一金型６ａは、１個の第二圧力センサ６ｅを備える場合を例にあげる。第二圧力センサ６ｅは、スプルー６ｃ１、ランナー６ｃ２およびゲート６ｃ３の何れかに配置され、ノズル３４とキャビティＣとの間の供給路において溶融材料から受ける圧力を検出する。本例では、第二圧力センサ６ｅは、ランナー６ｃ２に配置され、ランナー６ｃ２において第一金型６ａが溶融材料から受ける圧力を検出する。

（６－２．金型６内の圧力データ）
射出充填工程から保圧工程を介して冷却工程までにおいて、６つの第一圧力センサ６ｄ１－６ｄ６により検出される圧力データについて、図９Ａおよび図９Ｂを参照して説明する。図９Ａには、射出充填工程から冷却工程までにおいて、所定の成形条件Ｘで成形した成形品の成形時における圧力推移データを示すグラフが示されており、図９Ｂには、射出充填工程から冷却工程までにおいて、成形条件Ｘとは異なる成形条件Ｙで成形した成形品の成形時における圧力推移データを示すグラフが示されている。

ここで、成形条件Ｘで成形した成形品の真円度は、成形条件Ｙで成形した成形品の真円度に比べて、大きくなった。つまり、成形条件Ｘで成形した成形品は、成形条件Ｙで成形した成形品よりも形状精度（特に、真円度）が低くなった。以下、圧力推移データと形状精度（特に、真円度）との関係についての考察を述べる。

図９Ａおよび図９Ｂにおいて、Ｔ１－Ｔ２間が射出充填工程であり、Ｔ２－Ｔ３間が保圧工程であり、Ｔ３以降が冷却工程である。保圧処理の開始時刻は、キャビティＣ内に充填されたときであるため、全ての第一圧力センサ６ｄの圧力データがゼロでない値（微小の所定値より大きな値）になったときである。保圧処理の終了時刻、すなわち保圧力減少処理の開始時刻は、スクリュ３３に押込み力の付与を停止したときである。保圧処理における圧力推移データを「保圧処理推移データ」と称し、保圧力減少処理における圧力推移データを「減少処理推移データ」と称する。

ここで、保圧力減少処理が開始された際に、キャビティＣ内の溶融材料が全域に亘って均等に収縮することで、固化後の成形品の形状精度が向上すると考えられる。そして、キャビティＣ内に充填された溶融材料が、保圧力減少処理を開始してから全域に亘って均等に収縮した場合、６つの第一圧力センサ６ｄの減少処理推移データが近似すると考えられる。一方、保圧力減少処理を開始してからの溶融材料の収縮度合が、キャビティＣにおける溶融材料の位置によって大きく異なる場合、６つの第一圧力センサ６ｄの減少処理推移データのバラツキが大きくなると考えられる。

図９Ａに示すグラフと図９Ｂに示すグラフとを比較した場合、成形条件Ｘの減少処理推移データは、成形条件Ｙの減少処理推移データと比べて、各々の減少処理推移データ間での挙動のバラツキが大きいと判断できる。特に、成形条件Ｘの減少処理推移データに関して、第一圧力センサ６ｄ１の減少処理推移データの挙動は、第一圧力センサ６ｄ６の減少処理推移データの挙動との違いが大きいと判断できる。

よって、キャビティＣに充填された溶融材料のうち、ゲート６ｃ３の近傍に位置する溶融材料と、ゲート６ｃ３から離れて位置する溶融材料との間で、保圧力減少処理を開始してからの成形品の収縮度合にバラツキが発生したと判断できる。その結果、成形条件Ｘにより成形された成形品は、成形条件Ｙにより成形された成形品と比べて、形状精度が低く、真円度が大きくなると判断できる。このように、６つの第一圧力センサ６ｄ１－６ｄ６の各々の保圧力減少推移データの違いやバラツキは、成形品の形状精度との相関性が高い。

（６－３．第一学習モデルの第一例の詳細）
次に、第一学習モデルの第一例の詳細について説明する。第一学習モデルの第一例は、成形時状態データとしての金型６内の圧力データと品質要素としての成形品の形状を示す値とに関する学習モデルである。第一学習モデルは、少なくとも成形時状態データとしての金型６内の圧力データを第一学習データとする機械学習により生成される。本例では、成形品の形状を示す値は、円環状の成形品の外周面または内周面の真円度である。ここで、第一学習モデルは、品質要素としての成形品の形状を示す値を第一学習データに含めるようにしてもよい。さらに、第一学習データは、圧力データの他に、種々の成形時状態データを含むようにしてもよい。

ここで、当該圧力データは、保圧力減少処理のときに圧力センサ６ｄ，６ｅにより検出された金型６内の圧力データである。保圧力減少処理における圧力データを「減少処理圧力データ」と定義し、保圧力を減少開始してからの経過時間と圧力データとの関係を「減少処理推移データ」と定義する。

そして、金型６内の減少処理圧力データは、保圧力減少処理において第一圧力センサ６ｄ１－６ｄ６により検出された圧力データを含む。さらに、減少処理圧力データは、第二圧力センサ６ｅにより検出された圧力データを含むようにしてもよい。また、金型６内の圧力データは、第一圧力センサ６ｄ１－６ｄ６の一部のみにより検出された圧力データとすることも可能である。

ここで、第一学習データは、減少処理圧力データのバラツキを示す値を含むとよい。図９Ａおよび図９Ｂに示すように、減少処理圧力データのバラツキが大きいほど、成形品の真円度が大きくなるという関係を有する。従って、第一学習データとして、当該バラツキを示す値を含むことにより、第一学習モデルは、成形品の形状精度、特に真円度との相関性を強くすることができる。

バラツキを示す値として、複数の圧力センサ６ｄ，６ｅの減少処理圧力データの差、複数の減少処理圧力データの分散、複数の減少処理推移データの時間積分値の差、減少処理推移データの時間積分値の分散、減少処理推移データの時間微分値の平均値の差、減少処理推移データの時間微分値の平均値の分散などとすることができる。さらに、バラツキを示す値として、保圧力を減少開始してから圧力データがゼロに近い所定値以下となるまでに要した時間を保圧減少時間と定義した場合に、各々の第一圧力センサ６ｄ間での保圧減少時間の差とすることもできる。

本例において、図６に示す第一例の支援処理は、次のように行われる。品質要素目標値取得部６１は、品質要素目標値として、成形品の環状の外周面または内周面の真円度の目標値を取得する（Ｓ１）。成形時状態データ目標値取得部６２は、上記の第一学習モデルを用いて、少なくとも、品質要素目標値としての真円度の目標値に対応する成形時状態データ目標値を取得する（Ｓ２）。本例では、成形時状態データ目標値取得部６２は、成形時状態データ目標値として、金型６内の減少処理圧力データに関する値の目標値を取得する。

成形時状態データ取得部６３は、少なくとも減少処理圧力データを取得する（Ｓ３）。そして、第二成形時状態データ調整量取得部６４が、成形時状態データと成形時状態データ目標値とに基づいて、これらの差分である成形状態データ調整量を取得する（Ｓ４）。その後、上述した処理（Ｓ５、Ｓ６）を行い、成形条件要素の値を変更する（Ｓ７）。以上より、当該第一学習モデルを用いた処理を行うことにより、品質要素としての成形品の真円度を良好にするための成形条件を決定することができる。

（７．第一学習モデルの構成と適用の第二例）
次に、第一例の支援装置５０において使用する第一学習モデルの第二例について説明する。第一学習モデルは、成形時状態データとしての金型６内の圧力データと品質要素としての成形品の質量とに関する学習モデルである。

（７－１．金型６内の圧力データ）
射出充填工程から保圧工程を介して冷却工程までにおいて、第一圧力センサ６ｄおよび第二圧力センサ６ｅにより検出される圧力データについて、図１０を参照して説明する。図１０には、射出充填工程から冷却工程までにおいて、所定の成形条件で成形した成形品の成形時における圧力推移データを示すグラフが示されている。Ｔ１，Ｔ２，Ｔ３は、図９Ａおよび図９Ｂと同様である。ここで、保圧処理における圧力データを「保圧処理圧力データ」と定義し、保圧処理において保圧処理を開始してからの経過時間と圧力データとの関係を「保圧処理推移データ」と定義する。

ここで、成形品の質量は、保圧処理圧力データと相関を有することが分かった。保圧処理の時間が長いほど、成形品の質量が大きくなる関係を有する。また、保圧処理のときの保圧力が大きいほど、成形品の質量が大きくなる関係を有する。さらに、保圧処理推移データのバラツキが大きいほど、成形品の質量が低下する関係を有する。

また、金型６の供給路６ｃにおいて溶融材料から加わる圧力は、キャビティＣにおいて溶融材料から加わる圧力と比べて、ノズル３４に近い分、保持処理時に射出装置３から加わる圧力との相関性が高い。一方、第一圧力センサ６ｄ１は、流入経路においてゲート６ｃ３からの最遠位置に配置されているため、第一圧力センサ６ｄ１から溶融材料から受ける圧力は、キャビティＣに充填された溶融材料の中で最も圧力損失が大きくなると考えられる。

つまり、第一圧力センサ６ｄ１の圧力データは、第二圧力センサ６ｅの圧力データより小さくなる。そして、両者の差が大きいほど、圧力損失が大きいことを意味し、結果として質量が小さくなると考えられる。

（７－２．第一学習モデルの第二例の詳細）
次に、第一学習モデルの第二例について説明する。第一学習モデルの第二例は、成形時状態データとしての金型６内の圧力データと品質要素としての成形品の質量とに関する学習モデルである。第一学習モデルは、少なくとも成形時状態データとしての金型６内の圧力データを第一学習データとする機械学習により生成される。ここで、第一学習モデルは、品質要素として成形品の質量を第一学習データに含めるようにしてもよい。さらに、第一学習データは、圧力データの他に、種々の成形時状態データを含むようにしてもよい。

当該圧力データは、保圧処理のときに圧力センサ６ｄ，６ｅにより検出された金型６内の圧力データである。そして、金型６内の保圧処理圧力データは、保圧処理において第一圧力センサ６ｄ１－６ｄ６により検出された圧力データ、および、第二圧力センサ６ｅにより検出された圧力データを含む。ただし、金型６内の圧力データは、第一圧力センサ６ｄ１－６ｄ６の一部のみにより検出された圧力データとすることも可能である。

第一学習データは、保圧処理の時間および保圧処理のときの保圧力を表す保圧処理推移データを時間積分した積分値を含むとよい。ただし、成形品の質量において、保圧処理の時間の影響度合いと、保圧処理のときの保圧力の影響度合いとは異なる。そこで、第一学習データは、保圧処理の時間そのもの、および、圧力データそのものの少なくとも一方を含むようにするとよい。例えば、第一学習データは、圧力データそのものとして、保圧処理のときに第一圧力センサ６ｄ１－６ｄ６により検出された圧力データの最大値および平均値の少なくとも一つを含むとよい。

さらに、第一学習データは、圧力センサ６ｄ，６ｅによる保圧処理圧力データのバラツキを含むとよい。上述したように、保圧処理圧力データのバラツキが大きいほど、成形品の質量が低下するという関係を有する。従って、第一学習データとして、当該バラツキを示す値を含むことにより、成形品の質量との相関性を強くすることができる。

特に、ゲート６ｃ３から最遠位置における圧力データと、供給路６ｃにおける圧力データとの差が大きいほど、成形品の質量が低下する。そこで、金型６内の保圧処理圧力データは、保圧処理において、少なくともゲート６ｃ３から最遠位置寄りの位置に配置された第一圧力センサ６ｄ１の圧力データ、および、供給路６ｃに配置された第二圧力センサ６ｅの圧力データを含むようにするとよい。

第一学習データは、バラツキを示す値として、以下の少なくとも一つを含むようにするとよい。バラツキを示す値として、複数の圧力センサ６ｄ，６ｅの保圧処理圧力データの差、複数の保圧処理圧力データの分散、複数の保圧処理推移データの時間積分値の差、保圧処理推移データの時間積分値の分散、保圧処理推移データの時間微分値の平均値の差、保圧処理推移データの時間微分値の平均値の分散などとすることができる。

本例において、図６に示す第一例の支援処理は、次のように行われる。品質要素目標値取得部６１は、品質要素目標値として、成形品の質量の目標値を取得する（Ｓ１）。成形時状態データ目標値取得部６２は、上記の第一学習モデルを用いて、少なくとも、品質要素目標値としての質量の目標値に対応する成形時状態データ目標値を取得する（Ｓ２）。本例では、成形時状態データ目標値取得部６２は、成形時状態データ目標値として、金型６内の保圧処理圧力データに関する値の目標値を取得する。

成形時状態データ取得部６３は、少なくとも保圧処理圧力データを取得する（Ｓ３）。そして、第二成形時状態データ調整量取得部６４が、成形時状態データと成形時状態データ目標値とに基づいて、これらの差分である成形状態データ調整量を取得する（Ｓ４）。その後、上述した処理（Ｓ５、Ｓ６）を行い、成形条件要素の値を変更する（Ｓ７）。以上より、当該第一学習モデルを用いた処理を行うことにより、品質要素としての成形品の質量を所望値にするための成形条件を決定することができる。

（８．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１１を参照して説明する。ここで、第二例の支援装置１５０は、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。

支援装置１５０は、機械学習の学習フェーズにおいて機能する部分と、機械学習の推論フェーズにおいて機能する部分とを備える。すなわち、支援装置１５０は、図１１に示すように、学習フェーズとして機能する部分として、成形条件データベース５１、成形時状態データベース５２、成形品品質データベース５３、第一学習モデル生成部５４、第一学習モデル記憶部５５、第二学習モデル生成部５６、第二学習モデル記憶部５７を備える。また、支援装置１５０は、推論フェーズとして機能する部分として、第一学習モデル記憶部５５、第二学習モデル記憶部５７、成形時状態データ調整量取得部１６０、成形条件要素調整量取得部７１、条件変更部７２を備える。

つまり、第二例の支援装置１５０は、第一例の支援装置５０に対して、成形時状態データ調整量取得部１６０のみ相違する。以下、成形時状態データ調整量取得部１６０について説明する。

成形時状態データ調整量取得部１６０は、対象の成形品の成形を行っている際に、第一学習モデルを用いて成形時状態データ調整量を取得する点においては、第一例の取得部６０と同様である。つまり、成形時状態データ調整量取得部１６０は、射出装置用センサ３７および型締装置用センサ４５により検出された成形時状態データに基づいて、成形時状態データ調整量を取得する。

成形時状態データ調整量取得部１６０は、成形時状態データ取得部１６１、品質要素取得部１６２、品質要素目標値取得部１６３、品質要素調整量取得部１６４、第二成形時状態データ調整量取得部１６５を備える。

成形時状態データ取得部１６１は、対象の成形品の成形を行っている際に、射出装置用センサ３７、型締装置用センサ４５、および、圧力センサ６ｄ，６ｅにより検出された成形時状態データを取得する。なお、ここでの成形時状態データは、成形時状態データベース５２に記憶される成形時状態データと同種である。すなわち、成形時状態データは、対象のデータ種の時間に伴う挙動としてもよいし、当該挙動情報から得られる所定の統計量としてもよい。

品質要素取得部１６２は、第一学習モデルを用いて、成形時状態データ取得部１６１により取得された成形時状態データに対応する品質要素の値を取得する。品質要素目標値取得部１６３は、対象の成形品に関する品質要素目標値、例えば、品質要素における良品であるための境界値を取得する。品質要素目標値は、予め設定された情報である。

品質要素調整量取得部１６４は、品質要素目標値取得部１６３により取得された品質要素目標値と、品質要素取得部１６２により取得された品質要素の値と差分を算出し、当該差分を品質要素調整量として取得する。

第二成形時状態データ調整量取得部１６５は、第一学習モデル記憶部５５に記憶された第一学習モデルを用いて、品質要素調整量取得部１６４により取得された品質要素調整量に対応する成形時状態データ調整量を取得する。ここで、取得した成形時状態データ調整量が、センサ３７，４５により検出された成形時状態データと成形時状態データ目標値との差分に相当する値となる。

（９．第二例の支援処理）
第二例の支援装置１５０による支援処理について、図１２を参照して説明する。ここで、支援処理は、学習フェーズと推論フェーズとが存在するが、支援処理のうちの推論フェーズについて説明する。つまり、第一学習モデルおよび第二学習モデルが生成された後の処理について説明する。

成形時状態データ取得部１６１が成形時状態データを取得する（Ｓ１１）。続いて、品質要素取得部１６２が、第一学習モデルを用いて、成形時状態データに対応する品質要素の値を取得する（Ｓ１２）。続いて、品質要素目標値取得部１６３が、品質要素目標値を取得する（Ｓ１３）。品質要素調整量取得部１６４が、品質要素の値と品質要素目標値とに基づいて、これらの差分である品質要素調整量を取得する（Ｓ１４）。

続いて、第二成形時状態データ調整量取得部１６５が、品質要素調整量が所定値より大きいか否かを判定する（Ｓ１５）。品質要素調整量が所定値以下の場合には（Ｓ１５：Ｎｏ）、ステップＳ１１に戻り、上記処理を繰り返す。一方、品質要素調整量が所定値より大きい場合には（Ｓ１５：Ｙｅｓ）、第二成形時状態データ調整量取得部１６５が、第一学習モデルを用いて、成形時状態データ調整量を取得する（Ｓ１６）。続いて、成形条件要素調整量取得部７１が、第二学習モデルを用いて、成形条件要素調整量を取得する（Ｓ１７）。

続いて、条件変更部７２が、成形条件要素調整量に基づいて、制御装置５における成形条件要素の値を変更する（Ｓ１８）。そして、同種の成形品が有る場合には（Ｓ１９：Ｎｏ）、ステップＳ１１に戻り、次の成形品について処理を繰り返す。一方、同種の成形品が無い場合には（Ｓ１９：Ｙｅｓ）、支援処理を終了する。なお、異なる種類の成形品の成形を行う場合には、ステップＳ１１から処理を実行する。

（１０．支援装置１５０による効果）
成形時状態データ調整量取得部１６０において、品質要素取得部１６２が、第一学習モデルを用いて、成形時状態データに対応する品質要素の値を推定している。そして、品質要素調整量取得部１６４が、品質要素調整量を取得している。その後、第二成形時状態データ調整量取得部１６５が、再び第一学習モデルを用いて、成形時状態データ調整量を取得している。このように、第一学習モデルが２工程において用いられている。本例においても、確実に、成形時状態データ調整量を得ることができる。

（１１．第一学習モデルの構成と適用の第一例）
次に、第二例の支援装置１５０において使用する第一学習モデルの第一例について説明する。第一学習モデルは、成形時状態データとしての金型６内の圧力データと品質要素としての成形品の形状を示す値とに関する学習モデルである。当該第一学習モデルには、上記第一例の支援装置５０における第一学習モデルの第一例を適用することができる。

本例において、図１０に示す第二例の支援処理は、次のように行われる。成形時状態データ取得部１６１は、少なくとも減少処理圧力データを取得する（Ｓ１１）。続いて、品質要素取得部１６２は、上記の第一学習モデルを用いて、減少処理圧力データに対応する品質要素の値を取得する（Ｓ１２）。本例では、品質要素の値は、成形品の外周面または内周面の真円度である。そして、品質要素目標値取得部１６３が、品質要素目標値として成形品の真円度の目標値を取得する（Ｓ１３）。品質要素調整量取得部１６４は、品質要素の値としての成形品の真円度と、品質要素目標値としての成形品の真円度の目標値とに基づいて、これらの差分である品質要素調整量を取得する（Ｓ１４）。

その後、上述した処理（Ｓ１５、Ｓ１６、Ｓ１７）を行い、成形条件要素の値を変更する（Ｓ１８）。以上より、当該第一学習モデルを用いた処理を行うことにより、品質要素としての成形品の真円度を良好にするための成形条件を決定することができる。

（１２．第一学習モデルの構成と適用の第二例）
次に、第二例の支援装置１５０において使用する第一学習モデルの第二例について説明する。第一学習モデルは、成形時状態データとしての金型６内の圧力データと品質要素としての成形品の質量とに関する学習モデルである。当該第一学習モデルには、上記第一例の支援装置５０における第一学習モデルの第二例を適用することができる。

本例において、図１１に示す第二例の支援処理において、成形時状態データ取得部１６１は、少なくとも保圧処理圧力データを取得する（Ｓ１１）。続いて、品質要素取得部１６２は、上記の第一学習モデルを用いて、保圧処理圧力データに対応する品質要素の値を取得する（Ｓ１２）。本例では、品質要素の値は、成形品の質量である。そして、品質要素目標値取得部１６３が、品質要素目標値として成形品の質量の目標値を取得する（Ｓ１３）。品質要素調整量取得部１６４は、品質要素の値としての成形品の質量と、品質要素目標値としての成形品の質量の目標値とに基づいて、これらの差分である品質要素調整量を取得する（Ｓ１４）。

その後、上述した処理（Ｓ１５、Ｓ１６、Ｓ１７）を行い、成形条件要素の値を変更する（Ｓ１８）。以上より、当該第一学習モデルを用いた処理を行うことにより、品質要素としての成形品の質量を所望値にするための成形条件を決定することができる。

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、 ６ｃ：供給路、 ６ｄ，６ｄ１－６ｄ６：第一圧力センサ ６ｅ：第二圧力センサ、 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：成形時状態データベース、 ５３：成形品品質データベース、 ５４：第一学習モデル生成部、 ５５：第一学習モデル記憶部、 ５６：第二学習モデル生成部、 ５７：第二学習モデル記憶部、 ６０，１６０：成形時状態データ調整量取得部、 ６１：品質要素目標値取得部、 ６２：成形時状態データ目標値取得部、 ６３：成形時状態データ取得部、 ６４：第二成形時状態データ調整量取得部、 ７１：成形条件要素調整量取得部、 ７２：条件変更部、 １６１：成形時状態データ取得部、 １６２：品質要素取得部、 １６３：品質要素目標値取得部、 １６４：品質要素調整量取得部、 １６５：第二成形時状態データ調整量取得部

Claims (12)

1. 成形機の型のキャビティに溶融材料を供給することにより成形品を成形する成形方法に適用され、
   少なくとも成形機に取り付けられたセンサにより検出された成形時状態データを第一学習データとする機械学習により生成された第一学習モデルであって、前記成形時状態データと前記成形品の品質要素とに関する前記第一学習モデルを記憶する第一学習モデル記憶部と、
   前記成形時状態データと成形条件要素とを第二学習データとする機械学習により生成された第二学習モデルであって、前記成形時状態データと前記成形条件要素とに関する前記第二学習モデルを記憶する第二学習モデル記憶部と、
   前記第一学習モデルを用いて、前記センサにより検出された前記成形時状態データと成形時状態データ目標値との差分に相当する値である成形時状態データ調整量を取得する成形時状態データ調整量取得部と、
   前記第二学習モデルを用いて、前記成形時状態データ調整量に対応する前記成形条件要素の調整量を取得する成形条件要素調整量取得部と、
   を備える、成形条件決定支援装置。
2. 前記第一学習モデルは、前記成形時状態データと前記成形品の品質要素とを前記第一学習データとする機械学習により生成された学習モデルである、請求項１に記載の成形条件決定支援装置。
3. 前記成形時状態データ調整量取得部は、
   前記第一学習モデルを用いて、予め設定された品質要素目標値に対応する前記成形時状態データ目標値を取得する成形時状態データ目標値取得部と、
   前記センサにより検出された前記成形時状態データと前記成形時状態データ目標値との差分である前記成形時状態データ調整量を取得する第二成形時状態データ調整量取得部と、
   を備える、請求項１または２に記載の成形条件決定支援装置。
4. 前記成形時状態データ調整量取得部は、
   前記第一学習モデルを用いて、前記センサにより検出された前記成形時状態データに対応する前記品質要素の値を取得する品質要素取得部と、
   予め設定された品質要素目標値と前記品質要素取得部により取得された前記品質要素の値と差分である品質要素調整量を取得する品質要素調整量取得部と、
   前記第一学習モデルを用いて、前記品質要素調整量に対応する前記成形時状態データ調整量を、前記センサにより検出された前記成形時状態データと前記成形時状態データ目標値との差分に相当する値として、取得する第二成形時状態データ調整量取得部と、
   を備える、請求項１または２に記載の成形条件決定支援装置。
5. 前記成形条件決定支援装置は、さらに、
   前記成形条件要素調整量取得部により取得された前記成形条件要素の調整量に基づいて、前記成形機の制御装置における成形条件要素の値を変更する条件変更部を備える、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. 前記第二学習モデル記憶部は、成形機の経年劣化に応じて更新された前記第二学習モデルを記憶する、請求項１－５の何れか一項に記載の成形条件決定支援装置。
7. 前記センサは、前記型のキャビティにおいて、供給された前記溶融材料から受ける圧力を検出する圧力センサを含み、
   前記成形時状態データは、前記圧力センサにより検出された圧力データを含む、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. 前記成形方法は、所定の保圧力により所定時間の保圧処理を行った後に前記保圧力を減少させる処理を行い、
   前記センサは、前記キャビティにおいて異なる複数の位置に生じる圧力を各々検出する複数の前記圧力センサを含み、
   前記成形時状態データは、前記保圧力の減少処理のときに複数の前記圧力センサにより検出された複数の前記圧力データを含み、
   前記品質要素は、前記成形品の形状であり、
   前記第一学習モデルは、少なくとも前記圧力データを前記第一学習データとする機械学習により生成され、前記圧力データと前記形状を示す値とに関する学習モデルである、請求項７に記載の成形条件決定支援装置。
9. 前記成形品を成形する方法は、所定の保圧力により所定時間の保圧処理を行った後に前記保圧力を減少させる処理を行い、
   前記成形時状態データは、前記保圧処理のときに前記圧力センサにより検出された前記圧力データを含み、
   前記品質要素は、前記成形品の質量であり、
   前記第一学習モデルは、少なくとも前記圧力データを前記第一学習データとする機械学習により生成され、前記圧力データと前記質量とに関する学習モデルである、請求項７または８に記載の成形条件決定支援装置。
10. 前記成形品を成形する方法は、所定の保圧力により所定時間の保圧処理を行った後に前記保圧力を減少させる処理を行い、
    前記センサは、前記キャビティ内の異なる複数の位置において、供給された前記溶融材料から受ける圧力を各々検出する複数の圧力センサを含み、
    前記成形時状態データは、前記保圧力の減少処理のときに複数の前記圧力センサにより検出された複数の圧力データを含み、
    前記品質要素は、前記成形品の形状であり、
    前記品質要素取得部は、前記第一学習モデルを用いて、少なくとも前記圧力データに対応する前記成形品の形状を示す値を取得する、請求項４に記載の成形条件決定支援装置。
11. 前記成形品を成形する方法は、所定の保圧力により所定時間の保圧処理を行った後に前記保圧力を減少させる処理を行い、
    前記センサは、前記キャビティにおいて、供給された前記溶融材料から受ける圧力を検出する圧力センサを含み、
    前記成形時状態データは、前記保圧処理のときに前記圧力センサにより検出された圧力データを含み、
    前記品質要素は、前記成形品の質量であり、
    前記品質要素取得部は、前記第一学習モデルを用いて、少なくとも前記圧力データに対応する前記成形品の質量を取得する、請求項４に記載の成形条件決定支援装置。
12. 請求項１－１１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