【技术实现步骤摘要】
【国外来华专利技术】涂料性状的预测方法、修正配方组成的预测方法、涂料性状的预测系统、修正配方组成的预测系统以及涂料的制造方法
[0001]本专利技术涉及涂料性状的预测方法、修正配方组成的预测方法、涂料性状的预测系统、修正配方组成的预测系统以及涂料的制造方法。
技术介绍
[0002]以往,在制造涂料时,首先在准备了调节前的涂料后,反复进行调节来接近于目标的涂料性状。在制备调节前的涂料的情况下,首先用SG研磨机等使颜料、树脂、以及溶剂分散,制备多种原色涂料来准备。然后,作为加料工序,向已准备的调节前的涂料中加入原色涂料、树脂、溶剂、以及添加剂,准备使它们分散而混合成的涂料。这里,原色涂料、树脂、溶剂、以及添加剂的添加量等通过预先记录例如作业管理表等的历史数据等并对其进行参照,从而能够在某种程度上接近于目标的涂料性状。
[0003]然后,使用黏度计测定已准备的涂料的黏度,此外,将已准备的涂料涂装于对象物,并使用色差计、光泽仪来测定其色差、光泽等,基于与各个作为目标的涂装板之间的色差、光泽的差以及作业管理表等的历史数据等,调色师手动添加调节用的原色涂料、溶剂、以及光泽调节剂。通过反复进行像这样的操作,直至与作为目标的涂装板之间的色差、光泽的差为一定以下,能够得到具有规定的涂料性状的涂料。
[0004]为了实施像这样的调色的反复作业的机械化,利用了在最终颜色调节工序中使用的计算机配色装置。一般的用于汽车修补涂料或建筑用涂料的计算机配色装置根据库贝尔卡
‑
蒙克(Kubelka
‑
Munk)、邓肯( ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种涂料性状的预测方法,其特征在于,通过机器学习的方法来预测向调节前的涂料加入涂料性状调节用的原料时的调节后的涂料性状,所述涂料性状的预测方法包含:涂料性状预测工序,在包含所述涂料性状调节用的原料的修正配方组成的数据作为输入、且将调节后的涂料性状作为输出的规定的人工智能模型中,通过利用计算机输入所述修正配方组成,从而计算所述调节后的涂料性状来进行预测。2.一种涂料性状的预测方法,其特征在于,通过机器学习的方法来预测向调节前的涂料加入涂料性状调节用的原料时的调节后的涂料性状的变化量,所述涂料性状的预测方法包含:涂料性状预测工序,在包含所述涂料性状调节用的原料的修正配方组成的数据作为输入、且将调节后的涂料性状的变化量作为输出的规定的人工智能模型中,通过利用计算机输入所述修正配方组成,从而计算所述调节后的涂料性状的变化量来进行预测。3.一种修正配方组成的预测方法,其特征在于,通过机器学习的方法,在向调节前的涂料加入涂料性状调节用的原料来制备具有作为目标的涂料性状的涂料的情况下,预测用于实现目标的涂料性状调节用的原料的配方组成,所述修正配方组成的预测方法包括通过权利要求1所述的涂料性状的预测方法的所述涂料性状预测工序,计算所述调节后的涂料性状来进行预测,在所述涂料性状预测工序中,输入多个所述修正配方组成,预测与各个所述修正配方组成对应的多个所述调节后的涂料性状,所述修正配方组成的预测方法还包含:修正配方预测工序,将基于预测出的所述多个所述调节后的涂料性状而得到的所述修正配方组成确定为用于实现所述目标的涂料性状调节用的原料的配方组成。4.一种修正配方组成的预测方法,其特征在于,通过机器学习的方法,在向调节前的涂料加入涂料性状调节用的原料来制备具有作为目标的涂料性状的涂料的情况下,预测用于实现目标的涂料性状调节用的原料的配方组成,所述修正配方组成的预测方法包含通过权利要求2所述的涂料性状的预测方法的所述涂料性状预测工序,计算所述调节后的涂料性状的变化量来进行预测,在所述涂料性状预测工序中,输入多个所述修正配方组成,预测与各个所述修正配方组成对应的多个所述调节后的涂料性状的变化量,所述修正配方组成的预测方法还包含:修正配方预测工序,将基于预测出的所述多个所述调节后的涂料性状的变化量而得到的所述修正配方组成确定为用于实现所述目标的涂料性状调节用的原料的配方组成。5.根据权利要求2或4所述的方法,其特征在于,还包含:关系数据输入工序,向所述计算机输入表示所述涂料性状调节用的原料的修正配方组成和调节后的涂料性状的变化量的关系的关系数据;以及人工智能模型取得工序,取得所述规定的人工智能模型,在所述人工智能模型取得工序中,通过利用所述计算机将在所述关系数据输入工序中输入的所述关系数据作为学习数据进行机器学习,制作所述规定的人工智能模型。6.根据权利要求1至5中的任意一项所述的方法,其特征在于,所述规定的人工智能模型作为输入还包含关于所述涂料的制造条件的数据,
包含以下(a)~(d)中的任一个以上:(a)所述涂料的黏度和非挥发性含量的任意一个以上;(b)向对象物涂布所述涂料的工序中的辊圆周速度、向所述对象物涂覆的涂覆压力、以及涂料的流量的任一个以上;(c)烧结工序中的烧结温度和烧结时间的任一个以上;以及(d)生产线的温度和湿度的任一个以上。7.根据权利要求1至6中的任意一项所述的方法,其特征在于,所述规定的人工智能模型的所述输入还包含关于所述调节前的涂料的涂料性状的数据。8.根据权利要求1至7中的任意一项所述的方法,其特征在于,所述涂料性状至少包含所述涂料的色彩。9.根据权利要求8所述的方法,其特征在于,所述涂料性状除了所述色彩之外还包含所述涂料的光泽和/或黏度。10.根据权利要求1至9中的任意一项所述的方法,其特征在于,所述机器学习使用基于决策树、线性回归、偏最小二乘回归、套索回归、岭回归、多项式回归、高斯过程回归、支持向量机、随机森林、梯度提升、K邻近法、神经网络、贝叶斯估计、或它们的集成学习的预测算法。11.根据权利要求10所述的方法,其特征在于,所述机器学习使用基于神经网络的预测算法。12.根据权利要求4所述的方法,其特征在于,从所述修正配方预测工序中预测出的所述多个所述调节后的涂料性状的变化量中,将与所述作为目标的涂料性状的差为规定的基准值以下的所述调节后的涂料性状的变化量所对应的所述修正配方组成确定为用于实现所述目标的涂料性状调节用的原料的配方组成。13.根据权利要求4或12所述的方法,其特征在于,还包...
【专利技术属性】
技术研发人员:仲泽宪幸,铃木裕之,小高智子,生原陆,沼田悠贵,
申请(专利权)人:日本涂料控股有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。