JP7643408B2 - 成形品の不良発生率の予測装置 - Google Patents

Description

本発明は、成形品の不良発生率の予測装置に関する。

成形品として、たとえば、車両の部品のうち、例えばインストルメントパネルなどは、パウダスラッシュ成形などにより製造されている。パウダスラッシュ成形では、合成樹脂からなる樹脂粉末の入ったパウダボックスに投入し、加熱した成形型をパウダボックスと共に回転することで、成形型に沿ったパウダ層を形成させている。樹脂粉末は、成形型に接触してゲル化して、パウダ層として成形型に付着する。パウダ層を成形型とともに冷却することにより、パウダ層が固化されて、成形型から成形品として脱型される。

特開２００７－２０３５８１号公報

ところで、パウダスラッシュ成形した成形品の肉厚不良、キズ発生等の不良品が生じることがあるが、このような成形品の不良発生率を正確に予測することは難しい。

本発明は、このような問題に鑑みてなされたものであって、その目的とするところは、樹脂粉末からパウダスラッシュ成形により成形された成形品の不良発生率を正確に予測することができる予測装置を提供することにある。

発明者らは、鋭意検討を重ねた結果、パウダスラッシュ成形により成形する際に、樹脂粉末に含まれる水分の割合が成形品の良否に大きく影響するとの新たな知見を得た。本発明はこのような新たな知見によるものであり、本発明に係る成形品の不良発生率の予測装置は、樹脂粉末からパウダスラッシュ成形を行う成形予定の成形品の不良発生率を予測する予測装置であって、過去に成形を行った複数の製造条件として、前記樹脂粉末を構成する合成樹脂の軟化点、前記樹脂粉末を構成する樹脂粒子の平均粒径、前記パウダスラッシュ成形を行う際の樹脂粉末に含有する水分の割合、および、前記パウダスラッシュ成形を行う際の成形型の加熱温度で構成される複数の製造条件と、前記複数の製造条件ごとに前記パウダスラッシュ成形により成形された成形品の不良発生率と、を教師データとして、前記製造条件により成形された前記成形品の不良発生率の算出方法を機械学習する学習部と、前記学習部で機械学習された学習モデルを有し、成形予定の製造条件として、前記樹脂粉末を構成する合成樹脂の軟化点、前記樹脂粉末を構成する樹脂粒子の平均粒径、前記パウダスラッシュ成形を行う際の樹脂粉末に含有する水分の割合、および、前記パウダスラッシュ成形を行う際の成形型の加熱温度を、前記学習モデルに入力することにより、前記学習モデルに、成形品の不良発生率を算出させ、算出させた前記不良発生率を、前記成形予定の成形品の不良発生率として予測する予測部と、を備えることを特徴とする。

樹脂粉末を構成する合成樹脂の軟化点、樹脂粉末を構成する樹脂粒子の平均粒径、パウダスラッシュ成形を行う際の樹脂粉末に含有する水分の割合、および、パウダスラッシュ成形を行う際の成形型の加熱温度で構成される製造条件は、成形品の不良の発生に寄与するパラメータである。

具体的には、パウダスラッシュ成形を行う際の樹脂粉末に含有する水分の割合が多過ぎると、樹脂粉末が塊となりやすいため、軟化し難い。このため、成形型に付着する合成樹脂が不均一になり不良品が発生し易い。しかしながら、このような現象は、樹脂粉末を構成する合成樹脂の軟化点と、パウダスラッシュ成形を行う際の成形型の加熱温度とが変われば、合成樹脂の軟化状態が特定し難い。さらに、樹脂粉末を構成する樹脂粒子の平均粒径が変われば、樹脂粒子に付着する水分量も変わるため、樹脂粉末の塊の成り易さの程度も変わってしまう。したがって、パウダスラッシュ成形を行う際の樹脂粉末に含有する水分の割合のみでは、成形品の不良発生率は予測し難い。

そこで、本発明によれば、製造条件として、合成樹脂の軟化点、樹脂粒子の平均粒径、樹脂粉末に含有する水分の割合、および、成形型の加熱温度で構成される過去の製造条件と、この過去の製造条件に対応して成形された成形品の不良発生率との組み合わせを、教師データとして用いる。具体的には、この教師データを用いて、学習部は、過去の製造条件により成形された成形品の不良発生率の算出方法（アルゴリズム）を機械学習し、機械学習された学習モデルを構築することができる。

予測部は、学習部で機械学習により構築された学習モデルを有している。そこで、予測部の学習モデルに対して、成形予定の任意の製造条件として、樹脂粉末を構成する合成樹脂の軟化点、樹脂粉末を構成する樹脂粒子の平均粒径、パウダスラッシュ成形を行う際の樹脂粉末に含有する水分の割合、および、パウダスラッシュ成形を行う際の成形型の加熱温度を入力すれば、成形予定の成形品の不良発生率を精度良く予測することができる。

より好ましい態様としては、前記予測装置は、前記パウダスラッシュ成形を行う際の樹脂粉末に含有する水分の割合を、前記樹脂粉末の保管期間における保管場所の湿度から推定する水分推定部をさらに備えており、前記予測部は、前記パウダスラッシュ成形を行う際の樹脂粉末に含有する水分の割合に、前記水分推定部により推定された水分の割合を用いて、前記不良発生率を予測する。

この態様によれば、この水分の割合は、樹脂粉末の保管期間における保管場所の湿度から水分推定部により、精度良く推定される。したがって、パウダスラッシュ成形を行う際の樹脂粉末に含有する水分の割合を、パウダスラッシュ成形を行う直前に実測することなく、精度良く予測することができるため、結果として、この推定された水分の割合を用いて、予測部により、成形品の不良発生率の予測の精度を高めることができる。

本発明によれば、樹脂粉末からパウダスラッシュ成形により成形された成形品の不良発生率を正確に予測することができる。

（ａ）～（ｄ）は、不良発生率が予測される成形品の製造方法を説明するための模式図であり、パウダスラッシュ成形を説明するための図である。 第１実施形態に係る成形品の不良発生率を予測する予測装置を含む予測システムの模式図である。 図２に示す予測装置のブロック図である。 （ａ）は、図２に示す学習部による機械学習を説明するための図であり、（ｂ）は、図２に示す予測部による学習モデルの利活用を説明するための図である。 図２に示す予測装置を用いた予測方法を説明するためのフロー図である。 第２実施形態に係る予測装置のブロック図である。 （ａ）は、図６に示す水分推定部の第２学習部による機械学習を説明するための図であり、（ｂ）は、図２に示す水分算出部の第２学習モデルの利活用を説明するための図である。 図６に示す予測装置を用いた予測方法を説明するためのフロー図である。

以下に、図１～図８を参照しながら、本発明の第１および第２実施形態に係る成形品の不良発生率の予測装置を説明する。

まず、図１を参照しながら、樹脂粉末Ｐからパウダスラッシュ成形により成形品Ｆを成形する成形方法を説明する。図１（ａ）～（ｄ）は、不良発生率が予測される成形品の製造方法を説明するための模式図であり、パウダスラッシュ成形を説明するための図である。

図１（ａ）に示すように、成形品Ｆを成形する成形型９０を加熱装置９１で、所定の加熱温度で加熱する。加熱された成形型９０の温度を保持したまま、図１（ｂ）に示すように、樹脂粉末Ｐを収容したパウダボックス９３に、成形型９０を連結する。この連結状態で、パウダボックス９３とともに成形型９０を回転させる。

これにより、パウダボックス９３に収容された樹脂粉末Ｐが、加熱された成形型９０の成形面に移動し溶融する。これにより、成形型９０の成形面に沿って、パウダ層Ｆ１が形成される。

次に、図１（ｃ）に示すように、冷却装置９５で、パウダ層Ｆ１を成形型９０とともに冷却することにより、パウダ層Ｆ１が固化される。最後に、図１（ｄ）に示すように、パウダ層Ｆ１を成形型９０から引き剥がすことにより、成形型９０から成形品Ｆを脱型する。

ところで、上述した成形品Ｆをパウダスラッシュ成形で成形した場合、形状および厚さなどが規定から外れた不良品が発生することがある。具体的には、パウダスラッシュ成形を行う際の樹脂粉末Ｐに含有する水分の割合が多過ぎると、樹脂粉末Ｐが塊となりやすいため、軟化し難い。このため、成形型９０に付着する合成樹脂（樹脂粒子）が不均一になり不良品が発生し易い。

しかしながら、このような現象は、樹脂粉末Ｐを構成する合成樹脂の軟化点と、パウダスラッシュ成形を行う際の成形型９０の加熱温度とが変われば、合成樹脂の軟化状態が特定し難い。さらに、樹脂粉末を構成する樹脂粒子の平均粒径が変われば、樹脂粒子に付着する水分量も変わるため、樹脂粉末Ｐの塊の成り易さの程度も変わってしまう。したがって、パウダスラッシュ成形を行う際の樹脂粉末Ｐに含有する水分の割合のみでは、成形品Ｆの不良発生率は予測し難い。

〔第１実施形態〕
このような点から、本実施形態では、図２に示す成形品Ｆの不良発生率の予測装置２０を含む予測システム１を用いる。図２は、第１実施形態に係る成形品Ｆの不良発生率を予測する予測装置２０を含む予測システム１の模式図である。

本実施形態に係る予測システム１は、入力装置１０と、予測装置２０と、出力装置３０と、水分量測定器４０と、を備えている。入力装置１０は、キーボード等で構成され、予測装置２０に後述する教師データ、成形予定の製造条件等を入力する装置であり、予測装置２０に接続されている。

予測装置２０は、ＣＰＵ等の演算装置（図示せず）と、ＲＡＭ、ＲＯＭなどの記憶装置（図示せず）で構成されている。記憶装置には、後述する教師データや学習モデルが、格納されており、演算装置は、記憶装置からデータを読み出して、機械学習により学習モデルを構築し、学習済の学習モデルを利活用するための処理を行う装置である。予測装置２０は、出力装置３０に接続されている。

出力装置３０は、ディスプレイ等で構成され、予測装置２０で予測した不良発生率の結果を表示する装置である。なお、入力装置１０および出力装置３０で、タッチパネルディスプレイを構成してもよく、入力装置１０、予測装置２０、および出力装置３０で、タブレット端末や携帯端末などを構成してもよい。

さらに、水分量測定器４０は、合成樹脂からなる樹脂粉末を投入し、投入した樹脂粉末に対して含まれる水分の割合を測定する一般的に知られた装置である。この装置は、樹脂粉末に含まれる水分の割合（水分率）を測定することができるのであれば、その測定原理は、特に限定されるものではない。

たとえば、水分量測定器４０は、乾燥減量法を用いた樹脂粉末Ｐの水分率（水分の割合）を測定する装置であってもよく、水分計を用いたＰの水分率（水分の割合）を測定する装置であってもよい。水分量測定器４０で測定された樹脂粉末Ｐの水分の割合（測定結果）は、入力装置１０を介して、予測装置２０に入力される。

ここで、図２に示すように、樹脂粉末Ｐは、収容袋体Ｒ１、Ｒ２、Ｒ３、…に収容された状態で、保管されているため、同じ種類の樹脂粉末Ｐであっても、その収容袋体Ｒ１、Ｒ２、Ｒ３、…の入荷日時、保管期間の外気の条件等が異なれば、各収容袋体Ｒ１、Ｒ２、Ｒ３、…に含まれる樹脂粉末Ｐの水分の割合も異なる。したがって、本実施形態では、収容袋体Ｒ１、Ｒ２、Ｒ３ごとに、樹脂粉末Ｐに含まれる水分の割合を実測する。

以下に、図３および図４を参照しながら、予測装置２０のソフトウエアに関して説明する。図３は、図２に示す予測装置２０のブロック図である。図４（ａ）は、図２に示す学習部による機械学習を説明するための図であり、図４（ｂ）は、図２に示す予測部による学習モデルの利活用を説明するための図である。

予測装置２０は、ソフトウエアとして、記憶部２１と、学習部２２と、予測部２３と、備えている。上述した如く、パウダスラッシュ成形により成形した成形品Ｆの不良発生率は、以下に示す製造条件に大きく寄与することが、発明者らの検討により明らかになった。そこで、記憶部２１は、学習部２２により、機械学習をさせるための教師データとして、過去に実施した成形における製造条件と、その製造条件により成形した成形品の不良発生率とが紐付けられたデータが記憶されている。

具体的には、図４（ａ）に示すように、記憶部２１には、（１）樹脂粉末Ｐを構成する合成樹脂の軟化点、（２）樹脂粉末Ｐを構成する樹脂粒子の平均粒径、（３）パウダスラッシュ成形を行う際の樹脂粉末Ｐに含有する水分の割合、および、（４）パウダスラッシュ成形を行う際の成形型９０の加熱温度で構成される製造条件として、複数の製造条件Ａ、Ｂ、Ｃ…が記憶されている。さらに、記憶部２１には、各製造条件Ａ、Ｂ、Ｃ…ごとに、これらの製造条件で成形した（５）成形品Ｆの不良発生率の結果も記憶されている。

ここで、成形品Ｆの不良発生率は、収容袋体Ｒ１、Ｒ２、Ｒ３…ごとに成形品Ｆを製造した全体数に対する不良品の発生個数の割合である。しかしながら、収容袋体Ｒ１、Ｒ２、Ｒ３…がすべて同じ条件で保管され、同じ物性値を有する樹脂粉末Ｐであれば、これらすべての樹脂粉末Ｐに対する成形品Ｆの不良発生率が用いられてもよい。

ここで、樹脂粉末Ｐを構成する合成樹脂は、パウダスラッシュ成形に用いられる一般的に知られた、熱可塑性樹脂である。合成樹脂としては、たとえば、オレフィン系熱可塑性エラストマー樹脂（ＴＰＯ）、熱可塑性ポリウレタンエラストマー樹脂（ＴＰＵ）、軟質塩化ビニル樹脂（ＰＶＣ）などを挙げることができる。これらの合成樹脂には、軟化点（軟化温度）が存在する。なお、樹脂粉末Ｐを構成する樹脂粒子の平均粒径は、ＪＩＳで規定される篩を用いた測定方法など、一般的に知られた方法で測定することができる。

図４（ａ）に示すように、学習部２２は、過去に成形を行った複数の製造条件Ａ、Ｂ、Ｃ…と、複数の製造条件Ａ、Ｂ、Ｃごとにパウダスラッシュ成形により成形された成形品Ｆの不良発生率とを教師データとして、機械学習を行う。具体的には、これらの教師データを用いて、製造条件により成形された成形品Ｆの不良発生率の算出方法を機械学習して、学習モデル（ＡＩモデル）を構築する。このようにして、学習部２２は、機械学習による学習フェーズを行う。

この算出方法とは、アルゴリズムであり、学習モデルは、このような学習を行うことができるのであれば、特に限定されず、たとえばニューラルネットワーク（具体的なニューロンにより構成されたネットワーク構造）などの一般的しなられえた学習モデルであってよい。

教師データは、説明変数と目的変数で構成される。説明変数は、複数の製造条件Ａ、Ｂ、Ｃ…を構成する変数である。具体的には、説明変数は、樹脂粉末Ｐを構成する合成樹脂の軟化点、樹脂粉末Ｐを構成する樹脂粒子の平均粒径、パウダスラッシュ成形を行う際の樹脂粉末Ｐに含有する水分の割合、および、パウダスラッシュ成形を行う際の成形型の加熱温度である。目的変数は、複数の製造条件Ａ、Ｂ、Ｃ…ごとにパウダスラッシュ成形により成形された成形品Ｆの不良発生率である。

予測部２３は、学習部２２で機械学習された学習モデル（学習済の学習モデル）を有している。図４（ｂ）に示すように、予測部２３は、入力装置１０を介して、成形予定の製造条件を学習モデルに入力することにより、学習モデルに、成形品Ｆの不良発生率を算出させる。予測部２３は、学習モデルに算出させた不良発生率を、成形予定の成形品Ｆの不良発生率として予測し、この結果を出力装置３０に送信する。

なお、ここで、成形予定の製造条件とは、（１）これから使用予定となる樹脂粉末Ｐを構成する合成樹脂の軟化点、（２）これから使用予定となる樹脂粉末Ｐを構成する樹脂粒子の平均粒径、（３）予定したパウダスラッシュ成形を行う際の樹脂粉末Ｐに含有する水分の割合、および、（４）予定したパウダスラッシュ成形を行う際の成形型９０の加熱温度である。ここで、（３）は、水分量測定器４０により、実測した実測値であってもよい。

このようにして、本実施形態によれば、合成樹脂の軟化点、樹脂粒子の平均粒径、樹脂粉末に含有する水分の割合、および、成形型９０の加熱温度で構成される過去の製造条件と、この過去の製造条件に対応して成形された成形品Ｆの不良発生率との組み合わせを、教師データとして用いる。したがって、学習部２２で、任意の製造条件により成形された成形品Ｆの不良発生率の算出方法（アルゴリズム）を精度良く機械学習し、機械学習された学習モデルを構築することができる。この結果、予測部２３で、この学習済の学習モデルに対して、成形予定の任意の製造条件を入力すれば、成形予定の成形品の不良発生率を精度良く予測することができる。

なお、本実施形態では、機械学習を行う教師データとして、上述した（１）～（５）の教師データを用いたが、さらに、成形型９０に関する条件、その他の設備の条件、外乱条件などを、必要に応じて教師データとして用いれば、成形品Ｆの不良発生率の予測の精度を、さらに高めることができる。

以下に、図５に示すフロー図を参照しながら、予測装置２０を用いた予測方法を説明する。まず、ステップＳ５１では、入力装置１０から、複数の過去の製造条件と、これに対応した成形品Ｆの不良発生率を、予測装置２０に入力する。これにより、予測装置２０の記憶部２１に教師データとして入力される。

次に、ステップＳ５２では、記憶部２１で記憶された、複数の過去の製造条件と、これに対応した成形品Ｆの不良発生率を、教師データとして、学習部２２で任意の製造条件における成形品Ｆの不良発生率の算出方法を機械学習する（学習フェーズ）。これにより、学習部２２で機械学習された学習モデルが構築され、これが予測部２３を構成する。

次に、ステップＳ５３では、入力装置１０から、成形予定の成形品Ｆの製造条件を、予測装置２０に入力する。これにより、成形予定の成形品Ｆの製造条件が、予測部２３の学習済みの学習モデルに入力される。

最後に、ステップＳ５４では、予測部２３により、成形予定の成形品Ｆの不良発生率が算出され、その結果を、成形品Ｆの予測した不良発生率として、出力装置３０に出力する。ここで、出力装置３０に出力された不良発生率に基づいて、製造条件および使用する樹脂粉末等を変更したり、樹脂粉末の入荷時期および保管期間等を調整したりすれば、成形品Ｆの不良品の発生を抑えることもできる。

〔第２実施形態〕
以下に、図６～図８を参照しながら、第２実施形態に係る予測装置２０を説明する。図６は、第２実施形態に係る予測装置２０のブロック図である。第２実施形態の予測装置２０が、第１実施形態のものと相違する点は、水分推定部２４を新たに設けた点である。したがって、第２実施形態の予測装置２０のうち、第１実施形態のものと同様の構成については、その詳細な説明を省略する。

図６に示すように、第２実施形態に係る予測装置２０は、ソフトウエアとして、水分推定部２４をさらに備えている。水分推定部２４は、パウダスラッシュ成形を行う際の樹脂粉末Ｐに含有する水分の割合を、樹脂粉末Ｐの保管期間における保管場所の湿度から推定するものである。

第１実施形態では、パウダスラッシュ成形を行う際の樹脂粉末Ｐに含有する水分の割合を実測し、予測部２３は、この実測した水分の割合を、成形品Ｆの不良発生率の算出に用いた。しかしながら、第２実施形態では、予測部２３は、パウダスラッシュ成形を行う際の樹脂粉末Ｐに含有する水分の割合に、水分推定部２４により推定された水分の割合を用いて、成形品Ｆの不良発生率を算出し、これを成形品Ｆの不良発生率であると予測する。

樹脂粉末Ｐに含有する水分の割合は、樹脂粉末Ｐの製造工場から入荷した時には、略同程度の水分の割合であるが、樹脂粉末Ｐの保管期間における保管場所の湿度の変化により、樹脂粉末Ｐに含有する水分の割合が変化する。したがって、水分推定部２４は、パウダスラッシュ成形を行う際の樹脂粉末Ｐに含有する水分の割合を、樹脂粉末Ｐの保管期間における保管場所の湿度から推定する。

そこで、たとえば、水分推定部２４は、保管期間において、一定時間経過（たとえば２４時間）ごとの保管場所の湿度を用いてもよい。一定時間経過前の樹脂粉末Ｐに含有する水分の割合と、その期間における保管場所の湿度の関数式（数列の漸化式）を作成し、一定時間経過後の水分の割合を算出してもよい。このような関数式は、樹脂粉末Ｐの種類ごとに、予め実験を行うことにより作成することができる。

この計算を繰り返すことにより、入荷してから保管期間経過時の（すなわちパウダスラッシュ成形を行う際の）樹脂粉末Ｐに含有する水分の割合を測定してもよい。なお、関数式（数列式）の初項である樹脂粉末Ｐに含有する水分の割合は、樹脂粉末Ｐの入荷時における樹脂粉末Ｐの水分の割合であるが、たとえば、保管期間の途中において、定期検査で測定した水分の割合であってもよい。この場合には、定期検査で測定以降の保管場所の湿度から、樹脂粉末Ｐの水分の割合を測定すればよい。

さらに、水分推定部２４に用いる保管期間における保管場所の湿度は、実測した値であってもよく、たとえば、外気の湿度との関係から、予測してもよい。さらに、パウダスラッシュ成形を行うタイミングが、この不良発生率を予測するタイミングよりも後（たとえば数日後）である場合には、たとえば、外気の湿度（天気予報等とともに予測される数日後までの湿度）を用いて、水分推定部２４が、樹脂粉末Ｐの水分の割合を算出してもよい。これにより、将来に、成形を行う成形品Ｆの不良発生率を予測することも可能である。

このように、水分推定部２４は、パウダスラッシュ成形を行う際の樹脂粉末Ｐに含有する水分の割合を、樹脂粉末Ｐの保管期間における保管場所の湿度から推定するものであれば、特に限定されるものではない。したがって、たとえば、以下の図７および図８に示すようにして、水分推定部２４は、パウダスラッシュ成形を行う際の樹脂粉末Ｐに含有する水分の割合を推定してもよい。

図７（ａ）は、図６に示す水分推定部２４の第２学習部２４ａによる機械学習を説明するための図であり、図７（ｂ）は、図２に示す水分推定部２４の水分算出部２４ｂの第２学習モデルの利活用を説明するための図である。なお、この実施形態では、第１学習部と第１学習モデル（第１ＡＩモデル）は、図４に示す学習部２２と学習モデルに相当する。

図７（ａ）および（ｂ）に示すように、水分推定部２４は、第２学習部２４ａと水分算出部２４ｂを備えている。上述した如く、パウダスラッシュ成形を行う際の樹脂粉末Ｐに含有する水分の割合は、保管場所の湿度を少なくとも含む保管条件に大きく寄与することが、発明者らの検討により明らかになった。そこで、記憶部２１は、水分推定部２４の第２学習部２４ａにより、機械学習をさせるための教師データとして、過去に実施した保管条件と、その保管条件により測定した樹脂粉末Ｐの水分の割合とが紐付けられたデータが記憶されている。

具体的には、図７（ａ）に示すように、記憶部２１には、過去に保管した保管期間内における（I）保管場所の湿度、（II）保管場所の温度（気温）、（III）合成樹脂の種類（合成樹脂を特定する変数（数値））、および、（IV）樹脂粉末Ｐを構成する樹脂粒子の平均粒径で構成される保管条件として、複数の保管条件ａ、ｂ、ｃ…が記憶されている。さらに、記憶部２１には、各保管条件ａ、ｂ、ｃ…ごとに、これらの保管条件で保管した結果として測定された（V）樹脂粉末Ｐに含有する水分の割合も記憶されている。

図７（ｂ）に示すように、学習部２２は、過去に保管された複数の保管条件ａ、ｂ、ｃ…と、複数の保管条件ａ、ｂ、ｃごとに保管された樹脂粉末Ｐに含有する水分の割合（実測値）とを教師データとして、機械学習を行う。具体的には、これらの教師データを用いて、保管条件ａ、ｂ、ｃ、…により樹脂粉末Ｐに含有する水分の割合の算出方法を機械学習して、第２学習モデル（第２ＡＩモデル）を構築する。このようにして、学習部２２は、機械学習による学習フェーズを行う。なお、この算出方法とは、アルゴリズムであり、学習モデルは、このような学習を行うことができるのであれば、特に限定されず、たとえばニューラルネットワーク（具体的なニューロンにより構成されたネットワーク構造）などの一般的に知られた学習モデルであってよい。

なお、教師データは、説明変数と目的変数とで構成されている。説明変数は、保管条件ａ、ｂ、ｃ、…を構成する変数である。具体的には、過去に保管した保管期間内における（I）保管場所の湿度、（II）保管場所の温度（気温）、（III）合成樹脂の種類（合成樹脂を特定する変数（数値））、および、（IV）樹脂粉末Ｐを構成する樹脂粒子の平均粒径で構成される。（I）および（II）は、樹脂粉末Ｐを入荷してから保管期間内において、所定の期間ごとに測定した値であり、一つの保管条件において、保管期間が長いほど、複数のデータが入力される。なお、保管期間が短い場合には、より少ないデータが入力され、余った入力欄には、特定数値が入力される。目的変数は、樹脂粉末Ｐの保管条件ａ、ｂ、ｃ、…により樹脂粉末Ｐに含有する水分の割合である。

水分算出部２４ｂは、第２学習部２４ａで機械学習された第２学習モデル（学習済の第２学習モデル）を有している。図７（ｂ）に示すように、入力装置１０を介して、水分算出部２４ｂは、使用予定の樹脂粉末Ｐの保管条件を、第２学習モデルに入力することにより、第２学習モデルに、樹脂粉末Ｐに含有する水分の割合を算出させる。この結果を、予測部２３に送信する。

なお、ここで、使用予定の保管条件とは、これから使用される樹脂粉末Ｐの保管期間内における（I）保管場所の湿度、（II）保管場所の温度（気温）、（III）合成樹脂の種類（合成樹脂を特定する変数（数値））、および、（IV）樹脂粉末Ｐを構成する樹脂粒子の平均粒径である。なお、（I）、（II）の値は、現在から、成形を実施する日までの予測値を、気象庁等の天気予報から入手してもよい。

本実施形態によれば、この水分の割合は、樹脂粉末Ｐの保管期間における保管場所の湿度から水分推定部２４により、精度良く推定される。したがって、パウダスラッシュ成形を行う際の樹脂粉末Ｐに含有する水分の割合を、パウダスラッシュ成形を行う直前に実測することなく、精度良く予測することができるため、結果として、この推定された水分の割合を用いて、予測部２３により、成形品Ｆの不良発生率の予測の精度を高めることができる。

特に、樹脂粉末Ｐの過去の保管条件と、この過去の保管条件に対応して測定された樹脂粉末Ｐの水分の割合との組み合わせを、教師データとして用いる。したがって、水分推定部２４の第２学習部２４ａで、過去の保管条件により保管された樹脂粉末Ｐに含有する水分の割合の算出方法（アルゴリズム）を精度良く機械学習し、機械学習された学習モデルを構築することができる。この結果、水分推定部２４の水分算出部２４ｂで、この学習済の第２学習モデルに対して、入力装置１０から使用予定の任意の保管条件を入力すれば、使用予定の樹脂粉末Ｐの水分の割合を精度良く算出することができる。

なお、本実施形態で、機械学習を行う教師データとして、上述した（I）～（IV）を説明変数とした教師データを用いたが、説明変数として、過去に保管した保管期間内における（I）保管場所の湿度のみを用いてもよい。ただし、樹脂粒子への付着性は、（II）保管場所の温度（気温）、（III）合成樹脂の種類（合成樹脂を特定する変数（数値））、および、（IV）樹脂粉末Ｐを構成する樹脂粒子の平均粒径の依存性も高いここから、これらの変数も説明変数として用いることにより、使用予定の樹脂粉末Ｐに含有する水分の割合を精度良く算出することができる。

以下に、図８に示すフロー図を参照しながら、予測装置２０を用いた予測方法を説明する。ステップＳ５１～Ｓ５４は、図５に示すものと同じであるため、詳細な説明を省略する。ステップＳ５１と平行して、ステップＳ８１では、入力装置１０から、複数の過去の保管条件と、これに対応した樹脂粉末Ｐに含有する水分の割合を、予測装置２０に入力する。これにより、予測装置２０の記憶部２１に教師データとして入力される。

次に、ステップＳ８２では、記憶部２１で記憶された、複数の過去の保管条件と、これに対応した樹脂粉末Ｐに含有する水分の割合を、教師データとして、水分推定部２４の第２学習部２４ａで、任意の保管条件において、樹脂粉末Ｐに含有する水分の割合を機械学習する（学習フェーズ）。これにより、第２学習部２４ａで機械学習された第２学習モデルが構築され、これが水分推定部２４の水分算出部２４ｂを構成する。

次に、ステップＳ８３では、入力装置１０から、使用予定の樹脂粉末Ｐの保管条件を、予測装置２０に入力する。これにより、使用予定の樹脂粉末Ｐの保管条件が、水分推定部２４の水分算出部２４ｂの学習済みの第２学習モデルに入力される。

ステップＳ８４では、水分算出部２４ｂにより、使用予定の樹脂粉末Ｐに含有する水分の割合が算出され、その結果が、ステップＳ５３において、予測部２３に入力される。これにより、予測部２３は、パウダスラッシュ成形を行う際の樹脂粉末Ｐに含有する水分の割合に、水分推定部２４により推定された水分の割合を用いて、成形品Ｆの不良発生率を算出し、これを成形予定の成形品Ｆの不良発生率であると予測する。

以上、本発明の実施形態について詳述したが、本発明は、前記の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の精神を逸脱しない範囲で、種々の設計変更を行うことができるものである。

２０：予測装置、２２：学習部、２３：予測部、２４：水分推定部、Ｆ：成形品、Ｐ：樹脂粉末

Claims (2)

1. 樹脂粉末からパウダスラッシュ成形を行う成形予定の成形品の不良発生率を予測する予測装置であって、
   過去に成形を行った複数の製造条件として、前記樹脂粉末を構成する合成樹脂の軟化点、前記樹脂粉末を構成する樹脂粒子の平均粒径、前記パウダスラッシュ成形を行う際の樹脂粉末に含有する水分の割合、および、前記パウダスラッシュ成形を行う際の成形型の加熱温度で構成される複数の製造条件と、前記複数の製造条件ごとに前記パウダスラッシュ成形により成形された成形品の不良発生率と、を教師データとして、前記製造条件により成形された前記成形品の不良発生率の算出方法を機械学習する学習部と、
   前記学習部で機械学習された学習モデルを有し、成形予定の製造条件として、前記樹脂粉末を構成する合成樹脂の軟化点、前記樹脂粉末を構成する樹脂粒子の平均粒径、前記パウダスラッシュ成形を行う際の樹脂粉末に含有する水分の割合、および、前記パウダスラッシュ成形を行う際の成形型の加熱温度を、前記学習モデルに入力することにより、前記学習モデルに、成形品の不良発生率を算出させ、算出させた前記不良発生率を、前記成形予定の成形品の不良発生率として予測する予測部と、
   を備えることを特徴とする成形品の不良発生率の予測装置。
2. 前記予測装置は、前記パウダスラッシュ成形を行う際の樹脂粉末に含有する水分の割合を、前記樹脂粉末の保管期間における保管場所の湿度から推定する水分推定部をさらに備えており、
   前記予測部は、前記パウダスラッシュ成形を行う際の樹脂粉末に含有する水分の割合に、前記水分推定部により推定された水分の割合を用いて、前記不良発生率を予測することを特徴とする請求項１に記載の成形品の不良発生率の予測装置。

Images