JPH0477219A

JPH0477219A - 成形支援エキスパートシステム

Info

Publication number: JPH0477219A
Application number: JP18950490A
Authority: JP
Inventors: Junji Sone; 順治曽根
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 1990-07-19
Filing date: 1990-07-19
Publication date: 1992-03-11

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】［発明の目的］（産業上の利用分野）本発明は、例えばプラスチックの射出成形の成形条件の
適性化を図るための成形支援エキスパートシステムに関
する。

（従来の技術）一般に、スクリュー式の射出成形機にて成形品を射出成
形した場合、成形不良の発生ほか問題となることが多い
。ここで、成形不良としては、充填不足、パリ、ヒケ、
そり、曲り、ねじれ、割れ、クラック、クレージング、
銀条、等の多くのものがある。これら不良の発生する原
因としては、例えば充填不足ではプラスチック材料の温
間、射出圧力か低すぎることによるプラスチック材料の
流動性不足や金型内での空気の逃げ場ないときなどに発
生する。このように、不良か発生した場合には、射出成
形機の射出成形条件を変更・修正しなければならない。

そこで、従来においては、射出成形条件の変更・修正は
、射出成形作業に熟達したエキスパートか、不良の種類
及びその度合い等をみて、長年の経験的試行錯誤により
その不良原因を判断して行っている。したかって、射出
成形機を操作するには、そのエキスパートでなければ困
難となっている。ところか、現実にエキスパートを育成
するには、長期間にわたって経験を積んで射出成形機及
び各種プラスチック別の射出成形作用を熟知しなければ
ならず、エキスパートラ容易に得ることかできなかった
。さらに、新規な射出成形機か導入されると、エキスパ
ートを育成するために講習や他工場へ人材を派遣しなけ
ればならない。また、特に開発か進んでいるエンジニア
リングプラスチック材料を使用しての成形は、その射出
成形条件の最適化か難しく、エキスパートの育成に困難
か生している。一方、このようなエキスパートの勘にた
よる射出成形条件の最適化に対し、実験計画法に基つい
て統Ｊｊ的に最適射出成形条件を求める方法も行われて
いる。この方法ニヨれば、エキスパートでなくとも最適
射出成形条件を求めることかできる利点かあるか、新製
品の場合は、過去のデータを十分に紹み入れることがで
きないので、初期値の設定が困難となる。そこで、１回
の直交表に基づく実験計画では最適射出成形条件を求め
ることができす、通常、同様の実験計画を複数回繰り返
さねばならない。したかって、実験計画法に基づく最適
射出成形条件の決定は、複雑かつ面倒なものとならざる
をえず、すこぶる非能率なものとなっていた。

（発明か解決しようとする課題）以上のように、射出成形機の成形条件を最適化するには
、射出成形機を熟知したエキスパートが不可欠であり、
初心者では全く困難である。また、成形妥当値を全く予
測できない場合は、実験計画法に基ついて統計的に最適
射出成形条件を求める方法は、ずこぷる能率か低い難点
をもっている。

本発明は、上記事情を勘案してなされたもので、成形条
件の最適化を経験か少なくても確実かつ容易に行うこと
かできる成形支援エキスパートシステムを提供すること
を目的とする。

［発明の構成］（課題を解決するための手段と作用）本発明の成形支援エキスパートシステムは、知識ベース
部に過去の成形データやノウハウを逐次蓄積し、これら
過去の成形データやノウハウにより構築され且つこれら
により成形製品ごとに繰り返し学習を行なわせたニュー
ラルネット部により成形条件推定値を想起させ、この成
形条件推定値を初期条件として実験計画部にて実験計画
案を立案し、この実験計画案に基づいて得られた実験デ
ータにより最適成形条件を得るようにしているので、迅
速かつ確実に所望の最適成形条件を得ることができる。

したかって、成形精度か顕著に向上することはもとより
、成形パラメータ設計期間及び新製品開発期間の短縮に
寄与することかできる。さらに、この成形支援エキスパ
ートシステムは、不良診断推定部を備えているので、オ
ンライン及びオフラインで成形不良の診断をすることが
できる。また、実験計画部による実験計画案に基づいて
得られた実験データを不良診断知識へフィードバックす
ることにより、成形不良診断精度か向上する。

（実施例）以下、本発明の一実施例を図面を参照して詳述する。

第１図は、この実施例の成形支援エキスパートシステム
（２２）か組込まれた射出成形機（５０）を示している
。この射出成形機（５０）は、射出成形本体部（１）と
、この射出成形本体部（１）に付設された射出成形制御
部（２）とからなってる。

しかして、射出成形本体部（１）は、金型（２）を保持
してこの金型（２）の型締め及び型開きを行う型締機構
（図示せず）と、金型（２）内に形成されたキャビティ
ー（４）に溶融樹脂（５）を射出する射出機構（６）と
、型締機構及び射出機構（６）の機械的動作のためのパ
ワー・エネルギーを供給する油圧駆動部（図示せず）と
からなっている。さらに、型締機構（３）は、金型（２
）を取付けるダイプレート（図示せず）と、このグイプ
レートを支持して金型（２）の開閉運動の摺動ガイド吉
なるタイバー（図示せず）と、金型（２）を開閉し型締
力を発生させる型締シリンダー（図示せず）とからなっ
ている。一方、射出機構（６）は、溶融樹脂（５）とな
るプラスチック材料を貯蔵するホッパー（１１）と、内
部にスクリュー（１２）を有しホッパー（１１）から供
給されたプラスチック材料の計量、可塑化及び射出を行
う加熱シリンダ（１３）と、この加熱シリンダ（１３）
の先端に取付けられ金型（２）に当接して溶融樹脂（５
）の金型（２）への通路を形成するノズル（１４）と、
スクリュー（１２）を前進・後退させる射出ラム・シリ
ンダ（１５）と、スクリュー（１２）に回転力を与える
スクリュー駆動装置（Ｉ６）と、加熱シリンダ（１３）
の外周部に添装されたヒーター（１３ａ）からなってい
る。そして、射出ラム・シリンダ（１５）とスクリュー
駆動部ｆｆ１（１６１と型締シリンダーは、前記油圧駆
動部に流体的に接続されている。

つぎに、射出成形制御部（２゛　は、前記射出成形本体
部（１）にあらかしめ設定されたプログラムに基づいて
制御信号を出力して射出成形作業を制御する中央制御部
（２１）と、この中央制御部（２１）に電気的に接続さ
れ中央制御部（２１）から成形データを取入れながら最
適成形条件、成形不良診断等のトータル支援を行う成形
支援エキスパート／ステム（２２）とからなっている。

しかして、中央制御部（２１）は、各種データの入力を
行うためのキーホード（２３）と、このキーホード（２
３）と成形支援エキスパートシステム（２２）との間に
設けられた主制御部（２４）と、この主制御部（２４）
において必要なデータを一時的に格納しておくメモリ（
２５）と、主制御部（２４）における演算結果を表示す
る例えばブラウン管、プリンタなとの表示部（２６）と
、キーホード（２３）及び表示部（２６）と主制御部（
２４）との間に電気的に設けられ各種データの授受の制
御を行う入出力部（２７）とからなっている。そして、
主制御部（２４は、入出力部（２７）を介して、前記油
圧駆動部、射出ラム・シリンダ（１５）、スクリュー駆
動装置及び型締シリンダーに電気的に接続されている。

一方、成形支援エキスパートシステム（２２）は、第２
図に示すように、形状、精度９機能、光学特性など）と
成形最適条件データの関係、成形不良事象データ、材料
特性データ、金型データ、成形機仕様データ、成形不良
診断ルール等を蓄えるための知識ベース部（３１）と、
成形品の仕様と成形開発品の最適条件間の関係を学習し
ノード間の伝達関数として知識を蓄え、新開発品の仕様
に基づき最適成形条件推定値を想起するニューラルネッ
ト部（３２）と、成形不良事象に対して知識ベース部（
３１）中の診断事象、ルールを用いて成形不良診断を行
う成形不良診断部（３３）と、ニューラルネット部（３
２）にて想起された最適成形条件推定値に基づいて実験
計画法の手法を用いて実験計画を組むととともに得られ
た実験データに基づいて最適成形条件を決定する実験計
画部（３４）と、知識ベース部（３１）とニューラルネ
ット部（３２）と成形不良診断部（３３）と実験計画部
（３４）を統御してデータの授受を行わせるとともに成
形不良診断部（３３）の診断データ及び実験計画部（３
４）にて算出された実験計画に基づく実験指令信号を主
制御部（２４）に出力するシステム制御部（３５）とか
らなっている。しかして、知識ベース部（３１）には、
第３図に示す診断知識ファイル（３１ａｌ　　と、第４
図に示す田ロメソット計算手法に関する実験計画手法フ
ァイルｆ３１ｂ）　と、第５図に示す金型設計データに
関する金型設計ファイルＨｌｃ）と、第６図に示す成形
機の特性を示す成形機データファイルｆ３］ｔり　　と
、第７図に示す射出成形される製品の諸元を示す成形デ
ータファイル（３１ｅ）　　と、一般ノウハウ・ファイ
ル（３１１）からなっている。

しかして、診断知識ファイル（３１ａ）には、アドレス
Ａ、Ｂ、・・・、Ｚ別に各種プラスチック材料、例えば
ポリカーボネート（ＰＣ）、ポリエーテルイミド（ＰＥ
Ｉ）、ポリエーテルエーテルケトン（ＰＥＥＫ）　、Ａ
ＢＳ樹脂、ポリフェニレンサルファイド（Ｐ　Ｐ　Ｓ）
等の多数の材料別に診断知識Ｓｌ、Ｓ２．Ｓ３．　　・
・、Ｓｑか蓄積されている。

また、診断知識Ｓｌ、Ｓ２．Ｓ３．−，５ｑｉｉ、それ
ぞれ不良事象、原因事象、診断ルール及び確実度の各デ
ータを含んだもので、不良事象としては、第８図のよう
に、「充填不良Ｊａｌ、「パリ」ａ２、「ウェルトＪａ
３、「割れＪａ４、「異物」ａｎ−１、［銀条Ｊａｎや
、さらに、「樹脂焼け、Ｊｌ　「変色」、「ひけＪｌ　
「気泡Ｊ等か各アドレスｍ１〜ｍｎ別に蓄積されている
。つぎに、原因事象は、第９図に示すように、「樹脂温
度低い」ｄｌ、「樹脂温度高いＪｄ２、「射出圧力低い
」ｄ３、「射出圧力高い」°ｄ４、「原料異常Ｊｄｃ１
、「射出速度速いＪｄｃや、さらに「金型低い」、「射
出時間の長短」、「冷却時間の長短」等が、各アドレス
に１〜ｋｂごとに蓄積されている。つぎに、診断ルール
は、入力された不良事象から原因事象を推論し、かつ、
診断結果の影響度を算出するためのもので、各別に、そ
れぞれ診断ルールが蓄積されている。たとえば、ルール
番号、１には、ウェルド不良の場合の診断結果つまり「
樹脂温度低い」か記憶されているとともに、この診断結
果に対する確実度０．８か記憶され、また、ルール番号
ｒ３には、充填不良とウェルト不良とか入力された場合
、「樹脂温度低い」か記憶されているとともに、その確
実度０９か記憶されている。

さらに、実験計画手法ファイルｆ３１ｂ）には、第４図
に示すように、例えば田ロメソットのＬ１８割付は表（
３１ｂ−１＋及びＬ　］、　８直交表（３１ｂ−２）及
び各特性計算表（３１ｂ−３）格納されている。そして
、Ｌ１８割付は表（３１ｂ−１）は、各因子Ａ、Ｂ、Ｃ
。

・・・につき三つの水準１，２．３が割付けられるよう
になっている。また、特性計算表（３１ｂ−３＋　は、
望小値及び望大値のそれされについて、特性値の分散分
析、ＳＮ比、各因子の平均効果、ＳＮ比の分散分析、等
の計算式からなっている。さらにまた、金型設計ファイ
ル［３］ｃ）には、第５図に示すように、各製品ごとに
、冷却方法、金型外径寸法、成形機名、等か格納されて
いる。さらに、成形機データアイル［３１ｄ）には、第
６図に示すように、各成形機ごとの最大圧力、最大速度
、温度制御特性、型取付部寸法、等か格納されている。

最後に、成形データファイルＨ１ｅ）には、第７図に示
すように、各製品ごとの仕様（製品名〈レンズ名〉、材
料、形状〈大、中、小〉、フランジの有無、等）と、こ
の製品に対応射出条件〈樹脂温度、金型温度、保圧力、
保圧時間、射出速度、冷却時間、スクリュー回転数、背
圧、等〉か格納されている。

さらにまた、実験計画部（３４）には、実験計画部（３
４）にて演算される例えばタグチメソッドなどの解析ソ
フトが格納されている。この解析ソフトは、Ｌ９．Ｌｉ
２．Ｌ３６などの直交表、解析のための特性式などから
なっている。しかして、ニューラルネット部（３２）は
、簡単な計算を行う計算ユニットが互いに重みつきの方
向性ユニットで結合されてネットワークをソフトウェア
により構成し、各々の計算ユニットは出力値をリンクを
介し伝播しながら情報処理を行うものである。そして、
このニューラルネット部（３２）は、層構造型をなして
いて、プラスチック材料・製品ごとの複数のニューラル
ネットワーク（３６）・・・の集まりからなっている。

これら各ニューラルネットワーク（３６）は、さらに、
第１０図に示すように、１成形条件ごと又は複数の成形
条件ごとに部分ネットワーク（３７）・・・から構成さ
れている。そうして、部分ネットワーク（３７）は、パ
ックプロパゲーション型のものからなっている。ちなみ
に、第１１図においては、回転軸対称型レンズを射出成
形対象としたニューラルネットワーク（３６）の部分ネ
ットワーク（３７）を示している。この部分ネットワー
ク（３７）は、射出成形品の仕様からなる入力層（３８
）と、最適射出条件からなる出力層（３９）と、入力層
（３８）と出力層（３９）との間に設けられた二層の隠
れ層からなる中間層（４０）とからなっている。上記入
力層（３８）は、製品仕様の径、厚さ、開口数、ｆ値か
らなっている。

一方、出力層（３９）は、保圧力及び保圧時間からなっ
ている。そして、入力層（３８）に入力した全入力値は
、入力層（３８）及び中間層（４０）を経由するときに
、各ノート間の伝達関数か掛は合わされ、出力層（３９
）にて、すべての入力について加え合わせることにより
、成形条件を予測するようになっている。さらに、シス
テム制御部（３５）は、知識へ−ス部（３Ｉ）から必要
な不良診断データを成形不良診断部（３３）に転送させ
射出成形不良診断を行わせるとともに、知識ベース部（
３１）に射出成形品の仕様データを格納させるとともに
、この格納させた仕様データをニューラルネット部（３
２）に転送して当該仕様データに対応する最適成形条件
推定値を想起させ、この想起成形条件推定値を実験計画
部（３４）に転送させ、この想起成形条件推定値を初期
値として、直交表に基づき実験計画を組ませ、この実験
計画に基づいて所定の実験指令信号を主制御部（２イ）
に出力するように設けられている。

つぎに、上記構成の成形支援エキスパートシステム（２
２）の作動について述へる。

まず、溶融樹脂か金型（２）のキャビティー（４中に射
出され、保圧・冷却の後、成形品（５１）を金型（２）
から取り出す。つぎに、この成形品（５１）・に対する
不良の判定をオペレータか行う。この判定によって、例
えばウェルド、不良かあれば、使用されたプラスチック
材料の種類、例えばポリエテルイミド（ＰＥＩ）か入力
されるとともにウェルト不良及びこのウェルト不良の度
合い、例えば０６及び推論のしきい値０３かキーホード
（２３）からキー人力される。このキー人力されたデー
タは、主制御部（２４）及びメモリ（２５）を介して成
形不良診断部（３３）に出力される。そして、この成形
不良診断部（３３）にては、ます、ポリエーテルイミド
（ＰＥＩ）を使用してウェルト不良となったときの不良
事象度合いの所定値と当該ウエルト不良の度合い例えば
０．６とを比較し、所定値以上であるとき、知識ベース
部（３１）におけるアドレス領域Ｂを検索し、このアド
レス領域Ｂに蓄積されている診断ルールに従って推論を
実行する。そこで、成形不良診断部（３３）は、ウェル
ト不良を含む全ての診断ルールを検索し、ルール番号ｒ
１．ｒ３を探し出す。そして、診断ルールｒ３により対
話形式で充填不良事象の有無をオペレータに問い、その
事象か無ければ、診断ルールｒ３は却下されて診断ルー
ルｒ１か選択される。したかって、成形不良診断部（３
３）は、この診断ルールｒ】によってウェルド不良のみ
に対応する原因事象つまり「樹脂温度低い」を検索する
とともに、その確実度０゜８を読み出す。これにより、
成形不良診断部（３３）は、確実度０．８とウェルト不
良の度合い０．　６とを乗算して影響度０．４８を算出
する。そして、この算出値が、推論しきい値以上である
ことを確かめて、「樹脂温度低いＪの原因事象と、この
影響度０．４８を主制御部（２４）に出力する。かくし
て、主制御部（２４）の指令によって「樹脂温度低い」
の原因事象と影響度０．４８とが入出力部（２７）を介
して表示部（２６）に出力される。それから、オペレー
タは、この表示されている「樹脂温度低い」及び影響度
０．４８から成形条件の変更・修正及びその変更・修正
の度合いを判断する。この場合、「樹脂温度低い」であ
るから、例えばヒータ（１３ａ）の加熱温度の上昇度合
いを影響度から決定して射出成形条件を変更する。

つぎに、新製品の最適射出条件を求める場合は、まず、
新製品の仕様がキーボード（２３）からキー人力される
。このキー人力されたデータは、主制御部（２４）及び
メモリ（２５）を介してシステム制御部（３５）に出力
される。そして、このシステム制御部（３５）に出力さ
れた仕様データは、知識ベース部（３１）の成形データ
ファイル（３１ｅ）に格納される。

この仕様データは、射出成形品か、回転軸対称型レンズ
である場合、径、厚さ、開口数、ｆ値なとである。一方
、ニューラルネット部（３２）にては、前記回転軸対称
型レンズに対応するニューラルネットワーク（３６）が
選択される。このニューラルネットワーク（３６）は、
レンズ設計仕様及び射出成形実験から求めたと最適成形
条件の各データを正規化し、バックプロパゲーション（
ｂａｃｋ−ｐ＋ｏｐａｇａｌｏｎ）式学習方式により予
め約３万回程度学習させ、知識ベース部（３１）及びニ
ューラルネット部（３２）に蓄えておく。この学習動作
は、最適な成形条件が求まるたびに繰り返し、知識を更
新する。なお、バックプロパゲーション式学習方式は、
次のプロセスからなっている。すなわち、■く重みの初
期化〉すべての重みをランダムな値に設定、■く入力値
と期待出力の組を提示〉入力ベクトルとそれに対する期
待出力ベクトルの組を定める。■〈出力値の計算（前方
伝播）〉与えられた入力から出力ベクトルを求める。途
中の層にあるニューロンの内部状態値は次のステップの
処理のために記憶しておく。■〈重み調整（後方誤差伝
播）〉期待出力と出力の差を取り誤差を求め、出力段か
ら入力段へ逆方向へ誤差を伝播させ重みを調整する。

■以上の■から■まてステップを各々の訓練パターンに
ついて繰り返す。しかして、知識ベース部（３１）から
径、厚さ、開口数、ｆ値などの仕様データをパックプロ
パゲーション式学習方式により学習したニューラルネッ
トワーク（３６）に入力する。

すると、このニューラルネットワーク（３６）からは、
新製品である回転軸対称型レンズの最適射出成形条件推
定値が想起される。しかして、この想起射出成形条件推
定値は、実験計画部（３４）に送出される。ついで、こ
の実験計画部（３４）にては、入力した想起射出成形条
件推定値を初期値として、実験計画手法ファイル（３１
ｂ）に格納されているデータに基つき、最適射出成形条
件を求めるための実験計画案を立案する。つぎに、この
実験計画部（３４）にて立案された実験計画案は、シス
テム制御部（３５）を介して主制御部（２４）に送出さ
れる。それから、主制御部（２４）から実験計画案は、
メモリ（２５）及び入出力部（２７）を介して表示部（
２６）にて表示される。

さて、オペレータは、この表示部（２６）にて表示され
た実験計画案に基づいて射出成形実験を実行する。そし
て、このときの実験結果を示す実験データかキーボード
（２３）からキー人力される。このキー人力されたデー
タは、主制御部（２４）及びメモリ（２５）を介してシ
ステム制御部（３５）に出力される。

そして、このシステム制御部（３５）に出力された実験
データは、実験計画部（３４）に送出される。しかして
、実験計画部（３４）にては、この実験データに基つい
て最適射出成形条件か算出される。この最適射出成形条
件は、Ｓ／Ｎ比を評価値とするため、特性値、バラツキ
を最適化することかでき、効率良く、かつ、ロバストな
パラメータ設計を行なうことかできる。この算出された
最適射出成形条件は、知識ヘース部（３１）に格納され
る。さて、第１２図及び第１３図は、それぞれ射出成形
条件を構成する「保圧時間」と「保圧力」に関し、実験
計画部（３４）にて立案された実験計画案に従った射出
成形実験により得られた実験データから算出された最適
射出成形条件と、ニューラルネット部（３２）により想
起された射出成形条件推定値とを比較したものである。

これらの各図から、パックプロパゲーション式学習を行
った射出成形条件推定値は、パックプロパゲーション式
学習を行なわなかったものよりも、実験計画法により算
出された最適射出成形条件からの誤差を示す想起精度が
向上することがわかる。ちなみに、学習済みレンズの想
起精度は、±５％以内であるのに対して、未学習レンズ
の想起精度は、±１８％以内であった。このように、こ
の実施例においては、想起精度か格段に向上しているの
で、実験計画を立て直さなくともよく、１回程度の実験
計画を用いた射出成形実験で所望の最適射出成形条件を
得ることかできる。

しかも、未学習レンズの想起精度は、±１８％以内であ
り、十分実用に耐え得るものとなっている。

以上のように、この実施例の成形支援エキスパートシス
テム（２２）は、知識ベース部（３Ｉ）に逐次に蓄積さ
れた過去の射出成形データ・ノウハウに基づいて構築さ
れ且つパックプロパゲーション式学習を行なわせたニュ
ーラルネット部（３２）により射出成形条件推定値を想
起させ、この想起射出成形条件を初期条件として実験計
画部（３４）にて実験計画案を立案し、この実験計画案
に基づいて得られた実験データにより最適射出成形条件
を得るようにしているので、迅速かつ確実に所望の最適
射出成形条件を得ることかできる。したかって、成形精
度が向上することはもとより、新製品開発期間の短縮に
寄与することができる。さらに、この成形支援エキスパ
ートシステム（２２）は、成形不良診断部（３３）を備
えているので、オンライン及びオフラインで成形不良の
診断をすることかできる。

また、実験計画部（３４）による実験計画案に基ついて
得られた実験データを不良診断知識にフィードバックす
ることにより、診断精度が向上する。

なお、上記実施例は、射出成形にこの発明の成形支援エ
キスパートシステムを応用しているが、射出圧縮成形、
プレス成形、押出成形等、他の成形方法に適用すること
も可能である。さらに、上記実施例において、成形不良
診断部（３３）を除外してもよい。さらにまた、成形支
援エキスパートシステムは、成形機に一体的に接続する
ことなく、独立して設けてもよい。

［発明の効果］本発明の成形支援エキスパートシステムは、知識ベース
部に逐次蓄積された過去の成形データやノウハウに基づ
いて構築され且つ繰り返し学習を行なわせたニューラル
ネット部により成形条件推定値を想起させ、この想起成
形条件推定値を初期条件として実験計画部にて実験計画
案を立案し、この実験計画案に基づいて得られた実験デ
ータにより最適成形条件を得るようにしているので、迅
速かつ確実に所望の最適成形条件を得ることができる。

したかって、成形精度か顕著に向上することはもとより
、成形パラメータ設計期間及び新製品開発期間の短縮に
寄与することかできる。さらに、この成形支援エキスパ
ートシステムは、不良診断推定部を備えているので、オ
ンライン及びオフラインで成形不良の診断をすることか
できる。

また、実験計画部による実験計画案に基ついて得られた
実験データを、不良診断知識にフィードバックすること
により、成形不良診断精度か向上する。

【図面の簡単な説明】

第１図は本発明の一実施例の成形支援エキスパートシス
テムの全体構成図、第２図は第１図の要部の説明図、第
３図乃至第９図は知識へ−ス部内に格納されたデータの
内容を示す図、第１０図及び第１１図はニューラルネッ
ト部の説明図、第１２図及び第１３図は本発明の一実施
例の成形支援エキスパートシステムの作用を説明するた
めのグラフである。（３１）　　知識ベース部、　　（３２１ニューラルネ
ット部、　　（３３）　　成形不良診断部、　　（３４
）　　実験旧画部（３６）　　ニューラルネットワーク
。招図第Ｊヅ鳩図第１図第図第図第図虫力保圧力　　　（温圧時間入力第圀

Claims

【特許請求の範囲】

（１）複数の成形品の仕様及びこれらに対応する最適成
形条件の関係が格納された知識ベース部と、上記成形品
の仕様及びこれらに対応する最適成形条件の関係に基づ
いて構築された複数のニューラルネットワークを有しこ
のニューラルネットワークにより特定の成形品の最適成
形条件推定値を想起するニューラルネット部と、このニ
ューラルネット部にて想起された最適成形条件推定値を
初期値として実験計画法により実験計画を組むとととも
にこの実験計画に従って得られた実験データに基づいて
上記特定の成形品の最適成形条件を決定する実験計画部
とを具備することを特徴とする成形支援エキスパートシ
ステム。
（２）成形不良事象データ及びこれら成形不良事象デー
タに対応する成形不良診断ルールが格納された知識ベー
ス部と、この知識ベース部に格納された成形不良事象デ
ータ及び成形不良診断ルールに基づいて成形品の成形不
良診断を行う成形不良診断部とを具備することを特徴と
する請求項（１）記載の成形支援エキスパートシステム
。