JP6573647B2 - 計算機と複数台の射出成形機とからなる射出成形機システム - Google Patents

Description

本発明は、計算機と、この計算機とネットワーク接続された複数台の射出成形機とからなる射出成形機システムに関するものであり、最適な成形条件が計算機において推定される射出成形機システムに関するものである。

射出成形機は、概略射出装置と型締装置とからなる。射出装置は、従来周知のように、加熱シリンダと、この加熱シリンダ内に回転方向と軸方向とに駆動可能に設けられているスクリュとから構成されている。一方、型締装置も従来周知であり、固定側金型が取り付けられている固定盤と、可動側金型が取り付けられている可動盤と、可動側金型を固定側金型に対して型開閉する型締機構とから構成されている。したがってスクリュを回転駆動すると共に樹脂材料を加熱シリンダに供給すると、樹脂材料は溶融し、そして加熱シリンダの先端に計量される。スクリュを軸方向に駆動して計量された溶融樹脂を型締めされた金型のキャビティに射出・充填し、そして冷却固化を待って可動金型を開くと、所定形状の成形品が得られる。

適切に成形品を成形するには、射出成形において射出圧力、射出速度、樹脂温度、型締力等の成形条件を適切な値に設定する必要がある。ところで金型は成形する成形品毎に製作されており、キャビティの形状や容量等は金型毎に異なっている。また樹脂の種類も成形品毎に異なっている。従って、適切な成形条件は金型毎あるいは成形品毎に変わることになる。適切な成形条件を設定するために、射出成形機のオペレータはいわゆる成形条件出しを実施している。成形条件出しは、成形条件を変更しながら射出成形を実施して、良品を成形できる成形条件を探す作業であり、射出成形を繰り返す必要がある。しかしながら成形条件出しは、繰り返し試験を実施しなければならないので煩雑であり、作業時間を要する。

特開２００８−１１０４８６号公報 特開２００７−６６３２０号公報

特許文献１には、入力された成形条件から、その成形条件で成形する場合に得られる成形品の品質をニューラルネットワークによって予測して、射出成形機を運転する作業者の成形条件出しを支援する方法が記載されている。特許文献１に記載の方法によると、対象となる射出成形機と金型において試し成形を繰り返し実施し、良品が得られるような成形条件を複数組得る。そして得られた複数組の成形条件を入力項目とし、それぞれの成形条件における成形品の品質値を出力項目として、ニューラルネットワークに学習させる。このニューラルネットワークに任意の成形条件を入力すると、成形品の品質値を予測できるので、実際に射出成形の試験を実施しなくても、成形品の品質値を容易に予測することができ、これによって成形条件出しが容易になる。

最適な成形条件を推定する方法ではないが、特許文献２には、キャビティにおける樹脂の挙動等を解析する解析方法が記載されている。特許文献２に記載の解析方法によると、射出成形機のコントローラに金型のキャビティ形状について、これを数学的に定義されたデータとして入力し、また射出装置から金型までの樹脂経路についても数学的に定義されたデータとして入力する。そして金型温度、スプル入口における樹脂圧力、温度、流量等の射出条件データを入力する。コントローラにおいてはこれらの入力データから所定の数式によってキャビティ内での樹脂の挙動を解析するようになっている。このような解析は、成形条件の良否の判断において参考となり得る。

特許文献１に記載の方法によれば、ニューラルネットワークによって任意の成形条件に対する成形品の品質値を予測することができるので、成形条件出しの支援になる。そうすると、所定の金型に対しては最適な成形条件を探すときに有用である。しかしながら問題も見受けられる。具体的には、この方法は学習の対象とした金型に対してしか、その成形品の品質を予測できないという問題がある。つまりニューラルネットワークに学習させるデータは、所定の金型を対象としてこの金型によって成形した成形品のデータだけであり、学習済みのニューラルネットワークは他の金型に対しては、成形品の品質値を予測することができない。オペレータは、成形したことがない新しい金型について成形条件出しをする場合があるが、この場合には特許文献１に記載の方法は成形条件出しの支援にはならない。

特許文献２に記載の方法においては、金型のキャビティの形状や樹脂流路について数学的に定義したデータを入力して、これを元にキャビティにおける樹脂の流動挙動を解析するので解析の精度は高いと考えられる。このような流動挙動について解析するので、成形条件出しの作業において参考になる。しかしながら問題も見受けられる。具体的には、金型のキャビティの形状や樹脂流路について数学的に定義したデータが必要な点である。金型によっては、そのキャビティについて数学的に定義したデータが存在しない場合もあるが、そのような金型に対しては樹脂の流動挙動について解析できない。仮に金型のキャビティ等について数学的に定義したデータが存在しても、これをすぐには利用できない場合もある。数学的な定義方法には色々な方法があり、データのフォーマットも色々な形式があるからである。数学的に定義したデータであっても、特許文献２に記載の解析方法が利用可能な所定の形式と相違している場合、適切な形式に変換しなければ利用できない。つまり特許文献２に記載の方法を実施するには労力が大きいと考えられる。

本発明は、上記したような問題点を解決した、射出成形機システムを提供することを目的としており、具体的には、労力がかからないにも拘わらず、熟練を要することなく色々な金型について最適な成形条件を推定することができ、それによって成形条件出しの作業が容易になる、計算機と複数台の射出成形機とからなる射出成形機システムを提供することを目的としている。

本発明は、上記目的を達成するために、多層構造のニューラルネットワークが設けられた計算機と、複数台の射出成形機とからなる射出成形機システムとして構成する。複数の射出成形機において、それぞれデータセットを収集し、ニューラルネットワークに入力・学習させるようにする。データセットは、射出成形機に関する仕様データと、成形条件データと、該成形条件データ下で成形された成形品の成形品画像データと、金型についての金型画像データとから構成する。ニューラルネットワークの入力層のニューロンに、仕様データと金型画像データと成形品画像データとを入力して処理する。そして出力層のニューロンにおいて成形条件データを教師信号して与えて学習させる。成形条件出しを実施する場合、学習済みのニューラルネットワークに対して、仕様データと、その金型画像データと、良品である成形品の成形品画像データを入力すると、推奨される成形条件データが出力される。

かくして請求項１に記載の発明は、上記目的を達成するために、計算機と、該計算機とネットワーク接続された複数台の射出成形機とからなる射出成形機システムであって、前記計算機には多層構造のニューラルネットワークが設けられ、前記複数台の射出成形機のそれぞれにおいて収集されたデータセットが入力・学習されるようになっており、前記データセットは、前記射出成形機に関する仕様データと、前記射出成形機において設定されている成形条件データと、該成形条件データにおいて成形された成形品について所定の基準距離からかつ異なる複数の所定の基準角度から撮影された複数枚の成形品画像データと、金型について所定の基準距離からかつ異なる複数の所定の基準角度から撮影された複数枚の金型画像データとからなり、前記ニューラルネットワークは、入力層のニューロンにおいて前記仕様データと前記金型画像データと前記成形品画像データとが入力されて処理され、出力層のニューロンにおいて前記成形条件データが教師信号として与えられて学習されるようになっていることを特徴とする、計算機と複数台の射出成形機とからなる射出成形機システムとして構成される。
請求項２に記載の発明は、請求項１に記載の射出成形機システムにおいて、前記データセットは、樹脂の種類を示す樹脂データも含み、前記樹脂データは前記入力層に入力されるようになっていることを特徴とする、計算機と複数台の射出成形機とからなる射出成形機システムとして構成される。
請求項３に記載の発明は、請求項１または２のいずれかの項に記載の射出成形機システムにおいて、前記仕様データは少なくとも前記射出成形機の加熱シリンダの内径を含み、前記成形条件データは少なくとも射出ストロークと射出速度と射出圧力とを含んでいることを特徴とする、計算機と複数台の射出成形機とからなる射出成形機システムとして構成される。

以上のように本発明は、計算機と、該計算機とネットワーク接続された複数台の射出成形機とからなる射出成形機システムであって、計算機には多層構造のニューラルネットワークが設けられ、複数台の射出成形機のそれぞれにおいて収集されたデータセットが入力・学習されるようになっている。そしてデータセットは、射出成形機に関する仕様データと、射出成形機において設定されている成形条件データと、該成形条件データにおいて成形された成形品について所定の基準距離からかつ異なる複数の所定の基準角度から撮影された複数枚の成形品画像データと、金型について所定の基準距離からかつ異なる複数の所定の基準角度から撮影された複数枚の金型画像データとからなる。このようなデータセットについて、ニューラルネットワークで次のように入力・学習される。すなわちニューラルネットワークは、入力層のニューロンにおいて仕様データと金型画像データと成形品画像データとが入力されて処理され、出力層のニューロンにおいて成形条件データが教師信号として与えられて学習されるようになっている。そうすると、成形条件が未知の金型について、最適な成形条件データを推定することができる。具体的には、金型について所定の基準距離からかつ異なる複数の所定の基準角度から撮影して複数枚の金型画像データを得る。そして良品である成形品についても所定の基準距離からかつ異なる複数の所定の基準角度から撮影して複数枚の成形品画像データを得る。学習済みのニューラルネットワークにおいて入力層から、このように得た金型画像データと、成形品画像データと、仕様データとを入力する。そうすると、出力層から成形条件データが出力される。このようにして出力される成形条件データは良品である成形品に対応して出力されたデータであるので、最適な成形条件データである可能性が高い。従って成形条件出しの作業が容易になる効果が得られる。このように最適な成形条件データを推定できるにも拘わらず、ニューラルネットワークの学習は、金型画像データ、成形条件データ等のデータを入力するだけであるので、労力も不要であるし金型についての数学的な定義データも不要である。つまり容易に実施できるという効果がある。他の発明によると、データセットは、樹脂の種類を示す樹脂データも含み、樹脂データは入力層に入力されるようになっている。樹脂の種類が相違すれば、最適な樹脂温度は変わるはずであり、成形条件データも変わるはずである。このようなデータセットによって学習したニューラルネットワークは、樹脂の種類に応じて最適な成形条件データを推定することができる。

本発明の実施の形態に係る射出成形機システムを模式的に示すネットワーク図である。 本発明の実施の形態に係る射出成形機システムに接続されている本実施の形態に係る射出成形機を示す正面図である。 本発明の実施の形態に係る射出成形機システムに接続されている計算機に設けられている多層構造のニューラルネットワークを模式的に示す図である。

本発明の実施の形態について説明する。本実施の形態に係る射出成形機システム１は、図１に示されているように、計算機３と、この計算機３とネットワーク接続されている多数の本実施の形態に係る射出成形機４、４、…とから構成されている。計算機３は実際には１台の計算機のみから構成されていてもいいし、クラスタリングされた複数台の計算機から構成されていてもいいが、射出成形機４、４、…からは計算機３はネットワーク上において１台の計算機として見えている。本実施の形態に係る射出成形機４、４、…は、次にその構成を説明するが、これらは各工場のＬＡＮ５、５、…に接続されている。これらのＬＡＮ５、５、…はインターネット６を介して計算機３が接続されているＬＡＮ５に接続されており、これによって各工場の射出成形機４、４、…が計算機３とネットワーク接続されている。本実施の形態に係る射出成形機システム１は、計算機３に設けられているニューラルネットワークによって、射出成形機４、４、…において収集される所定のデータセットが学習されるようになっているが、学習には膨大なデータセットが必要であり、従って多数の射出成形機４、４、…が接続されている。

本実施の形態に係る射出成形機４は、図２に示されているように、概ね従来の射出成形機と同様に構成されている。すなわち、樹脂を溶融して射出する射出装置１０と、型締装置１１とからなる。射出装置１０は、加熱シリンダ１３と、加熱シリンダ１３内で回転方向と軸方方向とに駆動される図示されないスクリュとから構成され、加熱シリンダ１３はヒータにより加熱されるようになっている。型締装置１１は、固定盤１５と可動盤１６とを備え、例えばトグル機構からなる型締機構１７によって可動盤１６が駆動されるようになっている。固定盤１５と可動盤１６には固定側金型１９と可動側金型２０とが設けられている。これらは型締機構１７を駆動すると型開閉されるようになっている。

本実施の形態に係る射出成形機４は、４台のカメラ２２、２３、…が設けられている点に特徴がある。カメラ２２、２２は図２においては１台しか示されていないように見えるが、紙面の深さ方向に２台が設けられ、これによって異なる２角度から可動側金型２０をそのパーティングラインから撮影するようになっている。これらの２角度は、すべての射出成形機４、４、…において基準角度として統一されている。具体的には、可動側金型２０のパーティングラインの中心から見て、一定の仰角でかつ所定の２角度の方向にカメラ２２、２２が設けられており、これらのカメラ２２、２２によってどの射出成形機４、４、…においても、可動側金型２０のパーティングラインが所定の２角度の基準角度から撮影されることなる。これらのカメラ２２、２２は、可動側金型２０の中心からの距離が所定の基準距離になっており、基準距離も全ての射出成形機４、４、…において同一、すなわち統一されている。カメラ２２、２２は、本実施の形態においては固定盤１５の所定の部材に固定されているが、どのような部材に設けられていてもよい。このようなカメラ２２、２２と同様に他方の２台のカメラ２３、２３も、図２においては１台しか示されていないように見えるが、紙面の深さ方向に２台が設けられ、同一の基準距離から２角度の基準角度によって固定側金型１９をパーティングラインから撮影するようになっている。ところで、１個の対象について異なる２角度から撮影して得られる２枚の画像データがあれば、所定の手法により数学的に分析してその対象の凹凸を正確に解析することができる。そうすると、固定側金型１９と可動側金型２０についてもキャビティの凹凸を正確に解析できるはずである。しかしながら本実施の形態に係る射出成形機システム１では、このような数学的な解析は実施しない。後で説明するようにこれらの画像データはニューラルネットワークに入力データとして入力するだけである。ニューラルネットワークにおいて周知のアルゴリズムによって処理され、後で説明する所定の教師信号によって学習されることになる。ところで、本実施の形態に係る射出成形機４では、固定側金型１９、可動側金型２０について、２角度の基準角度から撮影されるのでそれぞれ２枚の画像データが得られる。つまり合計４枚の画像データが得られることになるが、これらをまとめて本明細書において金型画像データと呼ぶ。

本実施の形態に係る射出成形機システム１に設けられる射出成形機には、成形された成形品についても画像データが必要になる。具体的には成形品について、その表面側と裏面側について所定の基準距離で、かつ異なる２角度の基準角度から撮影する必要がある。図には示されていないが、成形品の表面側と裏面側とを撮影するために所定のカメラが射出成形機４の近傍に設けられている。ただし、本実施の形態に係る射出成形機４、４、…においては、可動側金型２０を撮影するカメラ２２、…が成形品の表面側の撮影も兼ねるようになっている。表面側は次のようにして撮影される。すなわち成形後型開きすると、成形品は可動側金型２０に残る。この状態でカメラ２２、２２によって撮影すると、成形品の表面側が同一の基準距離で２角度の基準角度から撮影されることになる。この後、図に示されていない突出装置によって成形品が金型２０から突き出され、図に示されていないロボットチャック等により射出成形機４の近傍に設けられている所定のカメラの前に搬送されるようになっている。搬送された成形品は、このカメラによってその裏面側が同一の基準距離で２角度の基準角度から撮影される。なお、成形品についてその表面側と裏面側とを同一の基準距離で２角度の基準角度から撮影することができれば、カメラ２２、…を使用せずに他のカメラで撮影してもよいし、あるいはカメラ２２、２３、…を利用して撮影してもよい。

本実施の形態に係る射出成形機４、４、…は、複数のデータからなるデータセットを計算機３に送信するようになっている。本実施の形態においてデータセットは、金型画像データと、成形品画像データと、射出成形機４の仕様データと、成形条件データからなる。仕様データは、射出成形機４の仕様に関するデータであり、少なくとも加熱シリンダ１３の内径が含まれる。例えば仕様データとして、最大型締力等も採用してもいいが、全ての射出成形機４、４、…において採用するデータについて統一しておく必要がある。例えば仕様データとして加熱シリンダ１３の内径のみを採用する場合には、全ての射出成形機４、４、…において仕様データは加熱シリンダ１３の内径のみになる。成形条件データは、成形に際して射出成形機４に設定した条件のデータである。成形条件データは、少なくともスクリュのストロークである射出ストロークと、スクリュの速度である射出速度と、射出時の樹脂圧力である射出圧力とを含んでいる。成形条件データについても、どの条件データを採用するかについては全ての射出成形機４、４、…において統一されている。

本実施の形態に係る射出成形機システム１では、計算機３において図３に示されているようなニューラルネットワーク２５が設けられている。ニューラルネットワーク２５は、複数個のニューロンからなる入力層２６と、同様に複数個のニューロンからなる出力層２７と、複数個のニューロンからなる１層または複数層の中間層２８とから構成された多層構造になっている。各層を構成しているニューロンはシグモイド関数等のいわゆる活性化関数と所定のバイアスとを備え、入力されたデータにバイアスを加算して活性化関数で処理して出力するようになっている。所定の層に属するニューロンと、隣の層に属するニューロンは互いにシナプスで接続され、シナプスは出力の重み、つまり出力に乗じる係数からなる。従って、所定の層に属する複数個のニューロンの出力は、シナプスつまり係数が乗じられ、これらが加算されて、次の層に属するニューロンに入力されるようになっている。このようにして入力層２６のニューロンに入力された入力データが処理され中間層２８に伝達され、中間層２８のニューロンで処理されて出力層２７に伝達され、最終的に出力層２７のニューロンから出力されることになる。出力層２７においては、出力すべき出力データを教師信号として与え、いわゆるバックプロパゲーションにより学習させる。つまり教師信号が出力されるように、シナプスの重み、つまり係数や、各ニューロンにおけるバイアスが修正される。いわゆるディープラーニングは、バックプロパゲーションによる学習の効率を飛躍的に高める複数の手法が採用されたニューラルネットワークであるが、本実施の形態におけるニューラルネットワーク２５もそのように学習効率が高い色々な手法が採用されている。

本実施の形態に係る射出成形機システム１では、複数の射出成形機４、４、…において収集されたデータセットが計算機３のニューラルネットワーク２５に入力されて学習される。具体的には次のように処理する。データセットのうち、仕様データと、金型画像データと、成形品画像データとを入力層２６に入力するようにし、成形条件データを教師信号として出力層２７に与えるようにする。仕様データが加熱シリンダの内径のみからなる場合には、内径のデータを所定のレンジで正規化、つまり０〜１の範囲に変換して入力層２６の１個のニューロンの入力とするようにする。例えば、加熱シリンダの内径が４０ｍｍで与えられるとき、正規化用のレンジを０〜２００ｍｍとすると、正規化されたデータは４０／２００＝０．２となる。これを１個のニューロンに与える。金型画像データや成形品画像データは、画像データのピクセル１個ずつの数値を正規化して対応する１個のニューロンに与える。成形条件データも同様に正規化して出力層２７のニューロンに与える。例えば射出ストロークが１５０ｍｍのとき、正規化用のレンジを０〜１５００ｍｍとすると、正規化されたデータは０．１となる。これを教師信号として１個のニューロンに与える。他の成形条件データについても、所定のレンジにより正規化してそれぞれ対応するニューロンに教師信号として与える。このようにして正規化したデータによりニューラルネットワーク２５を学習させる。なお、射出成形機システム１には多数の射出成形機４、４、…がネットワーク接続されているが、どの射出成形機４、４、…において収集されるデータセットについても、同じ種類のデータについて正規化するときは、共通の正規化用のレンジを使用するようにする。

多数の射出成形機４、４、…から収集される膨大な数のデータセットにより学習が進んだニューラルネットワーク２５には、良品や不良品の成形品と、それぞれを成形したときの成形条件データとの関係が記憶される。データセットを構成する成形品画像データには、成形不良の成形品についての成形品画像データもあれば、良品の成形品についての成形品画像もあり、これらを成形したときのそれぞれの成形条件データが関連付けられて学習されるからである。そしてニューラルネットワーク２５には色々な金型についてもその金型画像データが入力されているので、異なる色々な金型についても関連して学習されている。そうすると、学習が進んだニューラルネットワーク２５は、成形条件データが未知である新しい金型に対して、最適な成形条件データを推定することができる。具体的には次のようにする。新しい金型について基準距離でかつ２角度の基準角度から撮影して、金型画像データを得る。良品である成形品を入手し、これを基準距離でかつ２角度の基準角度から撮影して成形品画像データを得る。新しい金型が取付けられている射出成形機４の仕様データを得る。つまり加熱シリンダの内径を得る。これらを正規化してニューラルネットワーク２５の入力層２６の対応するニューロンに入力する。そうすると出力層２７のそれぞれのニューロンから出力が得られる。これらの出力は成形条件データが正規化されたものである。従って、これらを対応する所定のレンジで処理すると成形条件データが得られる。ところで入力として与えた成形品画像データは、良品の成形品の画像データである。そうすると良品の成形品と相関が高い成形条件データが出力されているはずである。つまりニューラルネットワーク２５は、成形条件が未知である新しい金型に対して最適な成形条件を推定することができる。

本実施の形態に係る射出成形機システム１は色々な変形が可能である。例えば、データセットとして樹脂の種類を追加することもできる。樹脂をその種類に応じてユニークなコードを付与するようにする。例えばポリカーボネートは３、ＡＢＳ樹脂は４、等のようにする。ニューラルネットワーク２５の入力層２６に樹脂の種類のコードを入力するための所定数のニューロンを用意し、ポリカーボネートが入力されるときは３番目のニューロンに１を与え、ＡＢＳ樹脂が入力されるときは４番目のニューロンに１を与えるようにする。このようにすると、樹脂の種類も関連付けて学習させることができるので、樹脂の種類に応じて最適な成形条件データを推定することができる。成形条件データを増やすことも可能である。例えば樹脂温度、保圧工程における圧力等を追加することができ、追加した成形条件データの個数に適合するように出力層２７のニューロンの個数を増やせば良い。さらに他の変形も可能である。金型画像データや成形品画像データは、異なる２角度から撮影された２枚の画像データであるように説明したが、異なる３角度以上から撮影された３枚の画像データであってもよい。

１ 射出成形機システム ３ 計算機
４ 射出成形機 ５ ＬＡＮ
６ インターネット １０ 射出装置
１１ 型締装置 １３ 加熱シリンダ
１５ 固定盤 １６ 可動盤
１７ 型締機構 １９ 固定側金型
２０ 可動側金型 ２２ カメラ
２３ カメラ ２５ ニューラルネットワーク
２６ 入力層 ２７ 出力層
２８ 中間層

Claims (3)

1. 計算機と、該計算機とネットワーク接続された複数台の射出成形機とからなる射出成形機システムであって、
   前記計算機には多層構造のニューラルネットワークが設けられ、前記複数台の射出成形機のそれぞれにおいて収集されたデータセットが入力・学習されるようになっており、
   前記データセットは、前記射出成形機に関する仕様データと、前記射出成形機において設定されている成形条件データと、該成形条件データにおいて成形された成形品について所定の基準距離からかつ異なる複数の所定の基準角度から撮影された複数枚の成形品画像データと、金型について所定の基準距離からかつ異なる複数の所定の基準角度から撮影された複数枚の金型画像データとからなり、
   前記ニューラルネットワークは、入力層のニューロンにおいて前記仕様データと前記金型画像データと前記成形品画像データとが入力されて処理され、出力層のニューロンにおいて前記成形条件データが教師信号として与えられて学習されるようになっていることを特徴とする、計算機と複数台の射出成形機とからなる射出成形機システム。
2. 請求項１に記載の射出成形機システムにおいて、前記データセットは、樹脂の種類を示す樹脂データも含み、前記樹脂データは前記入力層に入力されるようになっていることを特徴とする、計算機と複数台の射出成形機とからなる射出成形機システム。
3. 請求項１または２のいずれかの項に記載の射出成形機システムにおいて、前記仕様データは少なくとも前記射出成形機の加熱シリンダの内径を含み、前記成形条件データは少なくとも射出ストロークと射出速度と射出圧力とを含んでいることを特徴とする、計算機と複数台の射出成形機とからなる射出成形機システム。

Images