成型条件确定辅助装置以及注射成型机制造方法及图纸

本发明专利技术提供了成型条件确定辅助装置以及注射成型机。成型条件确定辅助装置(50)具备：成型时状态数据调整量获取部(60)，使用第一学习模型，获取相当于由传感器(37)、(45)检测出的成型时状态数据与成型时状态数据目标值的差分的值亦即成型时状态数据调整量；以及成型条件要素调整量获取部(71)，使用第二学习模型，获取与成型时状态数据调整量对应的成型条件要素的调整量。

Auxiliary device for determining molding conditions and injection molding machine

【技术实现步骤摘要】
成型条件确定辅助装置以及注射成型机
本专利技术涉及成型条件确定辅助装置以及注射成型机。
技术介绍
在将注射成型等的熔融材料供给至模型的型腔来成型成型品的方法中，在产生了不合格品的情况下，作业者需要变更成型条件。而且，由于是使用熔融材料以及模型的成型方法，所以设置设备的工厂的地域的环境、工厂内的环境、工厂内的设备的设置状态、设备的经年劣化程度、季节等各种重要因素会给成型品的品质带来影响。因此，在考虑了各种重要因素的成型条件的变更中，需要熟练技术。对于不熟练者而言，对于应将哪个成型条件变更哪一程度的判断并不容易。然而，近年来随着计算机的处理速度的提高，人工智能迅速发展，例如，在日本特开2017－30152号公报中，记载有能够通过机器学习，在短时间内进行注射成型的操作条件的调整。即，基于与成型品相关的物理量数据(相当于成型品的品质)和机器学习中的报酬条件来计算报酬，并基于报酬、操作条件调整以及物理量数据来机器学习操作条件调整。物理量数据是成型品的质量、形状、根据成型品的图像数据计算的外观、长度、角度、面积、体积、光学成型品的光学检查结果、成型品强度测量结果等，相当于成型品的品质。另外，操作条件(相当于成型条件)是合模条件、喷射条件、射出保压条件、计量条件、温度条件、喷嘴接触条件、树脂供给条件、模厚条件，成型品取出条件、热流道条件等。换句话说，通过日本特开2017－30152号公报所记载的技术，在成型品中出现了不合格品的情况下，能够自动地调整成型条件。因此，无需由作业者进行调整。在日本特开2017－30152号公报中，基于成型品的品质要素来确定报酬，并基于该报酬来调整成型条件。然而，由于如上所述成型品的品质要素是成型品的质量、形状、根据成型品的图像数据计算的外观、长度、角度、面积、体积、光学成型品的光学检查结果、成型品强度测量结果等，所以是在结束成型之后能够通过进行检查工序而获取的信息。若在执行检查工序之前，能够预测成型品的异常，则能够抑制不合格品的产生。
技术实现思路
本专利技术的目的之一在于提供能够使用可在获取成型品的品质要素之前获取的信息，来调整成型条件要素的成型条件确定辅助装置以及注射成型机。作为本专利技术的一个方式的成型条件确定辅助装置，其被应用于通过向成型机的模具的型腔供给熔融材料而成型成型品的成型方法，具备：第一学习模型存储部，存储第一学习模型(model)，通过至少将由安装于成型机的传感器检测出的成型时状态数据设为第一学习数据的机器学习而生成所述第一学习模型，所述第一学习模型与所述成型时状态数据和所述成型品的品质要素相关；第二学习模型存储部，存储第二学习模型，通过将所述成型时状态数据和成型条件要素设为第二学习数据的机器学习而生成所述第二学习模型，所述第二学习模型与所述成型时状态数据和所述成型条件要素相关；成型时状态数据调整量获取部，使用所述第一学习模型，获取与由所述传感器检测出的所述成型时状态数据与成型时状态数据目标值的差分相当的值亦即成型时状态数据调整量；以及成型条件要素调整量获取部，使用所述第二学习模型，获取与所述成型时状态数据调整量对应的所述成型条件要素的调整量。在机器学习的推理阶段，能够获取成型时状态数据，并基于获取到的该成型时状态数据获取成型条件要素的调整量。而且，成型时状态数据是由安装于成型机的传感器检测出的数据。因此，成型时状态数据是能够在通过检查工序获取成型品的品质要素之前获取的信息。因此，能够在执行检查工序之前，预测成型品的异常，并能够抑制不合格品的产生。然而，成型品的品质要素是重要的要素。因此，该辅助装置存储有表示成型时状态数据与成型品的品质要素的关系的第一学习模型。而且，通过考虑第一学习模型和成型时状态数据，获取成型时状态数据调整量，以使得成型品的品质要素的值成为规定值。进一步，该辅助装置存储有表示成型时状态数据与成型条件要素的关系的第二学习模型。而且，通过考虑第二学习模型与成型时状态数据调整量，来获取成型条件要素的调整量。换句话说，通过根据获取到的成型条件要素的调整量来调整成型条件要素，能够使成型品的品质要素良好。作为本专利技术的另一方式的注射成型机具有上述的成型条件确定辅助装置。由此，能够使由注射成型机成型的成型品的品质良好。附图说明通过以下参照附图对本专利技术的优选实施方式进行的详细描述，本专利技术前述的和其它的特点和优点得以进一步明确。其中，附图标记表示本专利技术的要素，其中，图1是表示注射成型机的图。图2是表示第一例的成型条件确定辅助装置的框图。图3是作为成型时状态数据的例子，示出成型一个成型品时的保压数据随着时间的经过的举动的曲线图。图4是表示第一学习模型生成部中的第一学习数据的图。图5是表示第二学习模型生成部中的第二学习数据的图。图6是表示第一例的成型条件确定辅助装置中的辅助处理的流程图。图7是表示金属模具的放大图。图8是图7的VIII－VIII线上的金属模具的剖视图。图9A是表示成型条件X下的成型时的第一压力传感器的压力推移数据的图。图9B是表示成型条件Y下的成型时的第一压力传感器的压力推移数据的图。图10是表示第一压力传感器以及第二压力传感器的压力推移数据的曲线图。图11是表示第二例的成型条件确定辅助装置的框图。图12是表示第二例的成型条件确定辅助装置中的辅助处理的流程图。具体实施方式成型条件确定辅助装置50适用于通过将熔融材料供给至成型机的模型来成型成型品的方法。适用对象的成型方法例如是树脂或者橡胶等的注射成型、压铸等金属铸造。以下，作为适用对象，主要以注射成型为例进行说明。参照图1对进行注射成型的注射成型机1进行说明。在这里，成型条件确定辅助装置50可以为注射成型机1所具备的部分结构，也可以为与注射成型机1分体的结构。注射成型机1具备底座(bed)2、射出装置3、合模装置4以及控制装置5。射出装置3配置在底座2上，是将成型材料加热熔融，并施加高压使其流入金属模具6的型腔C的装置。将加热熔融后的成型材料称为熔融材料。射出装置3具备料斗31、加热缸32、螺杆33、喷嘴34、加热器35、驱动装置36、射出装置用传感器37等。料斗31是颗粒(成型成粒状的材料)的投入口。加热缸32对被投入料斗31的颗粒进行加热使其熔融，并且对熔融材料进行加压。加热缸32被设置为能够相对于底座2沿轴向移动。螺杆33配置于加热缸32的内部，并被设置为能够旋转并且能够沿轴向移动。喷嘴34是设置于加热缸32的前端的射出口，通过螺杆33的轴向移动，将加热缸32的内部的熔融材料供给至金属模具6的型腔C。加热器35例如设置于加热缸32的外侧，对加热缸32的内部的颗粒进行加热。驱动装置36进行朝向加热缸32的轴向的移动、螺杆33的旋转以及轴向移动等。射出装置用传感器37对获取熔融材料的存积量、保压力、保压力时间、射出速度、驱动装置36的状态等的传感器进行统称。但是，该传感器37并本文档来自技高网...

【技术保护点】
1.一种成型条件确定辅助装置，其被应用于通过向成型机的模具的型腔供给熔融材料而成型成型品的成型方法，具备：/n第一学习模型存储部，存储第一学习模型，通过至少将由安装于成型机的传感器检测出的成型时状态数据设为第一学习数据的机器学习而生成所述第一学习模型，所述第一学习模型与所述成型时状态数据和所述成型品的品质要素相关；/n第二学习模型存储部，存储第二学习模型，通过将所述成型时状态数据和成型条件要素设为第二学习数据的机器学习而生成所述第二学习模型，所述第二学习模型与所述成型时状态数据和所述成型条件要素相关；/n成型时状态数据调整量获取部，使用所述第一学习模型，获取与由所述传感器检测出的所述成型时状态数据与成型时状态数据目标值的差分相当的值亦即成型时状态数据调整量；以及/n成型条件要素调整量获取部，使用所述第二学习模型，获取与所述成型时状态数据调整量对应的所述成型条件要素的调整量。/n

【技术特征摘要】
20180920 JP 2018-175570;20181228 JP 2018-2473571.一种成型条件确定辅助装置，其被应用于通过向成型机的模具的型腔供给熔融材料而成型成型品的成型方法，具备：
第一学习模型存储部，存储第一学习模型，通过至少将由安装于成型机的传感器检测出的成型时状态数据设为第一学习数据的机器学习而生成所述第一学习模型，所述第一学习模型与所述成型时状态数据和所述成型品的品质要素相关；
第二学习模型存储部，存储第二学习模型，通过将所述成型时状态数据和成型条件要素设为第二学习数据的机器学习而生成所述第二学习模型，所述第二学习模型与所述成型时状态数据和所述成型条件要素相关；
成型时状态数据调整量获取部，使用所述第一学习模型，获取与由所述传感器检测出的所述成型时状态数据与成型时状态数据目标值的差分相当的值亦即成型时状态数据调整量；以及
成型条件要素调整量获取部，使用所述第二学习模型，获取与所述成型时状态数据调整量对应的所述成型条件要素的调整量。


2.根据权利要求1所述的成型条件确定辅助装置，其中，
所述第一学习模型是通过将所述成型时状态数据和所述成型品的品质要素设为所述第一学习数据的机器学习而生成的学习模型。


3.根据权利要求1或2所述的成型条件确定辅助装置，其中，
所述成型时状态数据调整量获取部具备：
成型时状态数据目标值获取部，使用所述第一学习模型，获取与预先设定的品质要素目标值对应的所述成型时状态数据目标值；以及
第二成型时状态数据调整量获取部，获取由所述传感器检测出的所述成型时状态数据与所述成型时状态数据目标值的差分亦即所述成型时状态数据调整量。


4.根据权利要求1或2所述的成型条件确定辅助装置，其中，
所述成型时状态数据调整量获取部具备：
品质要素获取部，使用所述第一学习模型，获取与由所述传感器检测出的所述成型时状态数据对应的所述品质要素的值；
品质要素调整量获取部，获取由预先设定的品质要素目标值与由所述品质要素获取部获取到的所述品质要素的值的差分亦即品质要素调整量；以及
第二成型时状态数据调整量获取部，使用所述第一学习模型，作为与由所述传感器检测出的所述成型时状态数据与所述成型时状态数据目标值的差分相当的值，获取与所述品质要素调整量对应的所述成型时状态数据调整量。


5.根据权利要求1或2所述的成型条件确定辅助装置，其中，
所述成型条件确定辅助装置还具备条件变更部，所述条件变更部基于由所述成型条件要素调整量获取部获取到的所述成型条件要素的调整量，变更所述成型机的控制装置中的成型条件要素的值。


6.根...

【专利技术属性】
技术研发人员：大久保勇佐，莲池正晴，马场纪行，木村幸治，
申请(专利权)人：株式会社捷太格特，
类型：发明
国别省市：日本;JP