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方案

本发明专利技术涉及一种涂料性状的预测方法(系统)，在包含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(涂料性状的变化量)作为输出的规定的人工智能模型中，通过计算机输入修正配方组成，从而计算所述调节后的涂料性状(涂料性状的变化量)来进行预测。在修正配方组成的预测方法(系统)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(涂料性状的变化量)。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(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。在涂料的制造方法中，进行合格与否的判断，反复进行规定的工序直至合格。直至合格。直至合格。

【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(Duncan)的理论公式等来得到基本的原色混合时的色彩表现模式。接下来，根据实际使用各个单一原色时的涂料的分光反射光谱等的色彩测量值和将它们以各自既定的比率混合时的色彩测量值，进行基于实测的理论计算的修正，从而根据少的实测数据(原始数据)计算未知的配比的色彩，或计算作为目标的颜色的配比。根据像这样的计算的方法，计算用于从现在的颜色(配方已知)变化为作为目标的颜色(配方计算)(补足配方差)的修正配方量。
[0005]进而，提出了将精度更高的色彩的预测、基于此的精度高的修正配方量的计算作为目的，代替基于理论公式的计算而采用基于使用机器学习的人工智能模型的预测方法来实现涂料的制造的高效化的方案(例如，专利文献1、2)。
[0006]现有技术文献
[0007]专利文献
[0008]专利文献1:日本专利第3212101号；
[0009]专利文献2:日本专利第6703639号。

技术实现思路

[0010]专利技术要解决的问题
[0011]但是，涂料的针对每次制造的颜色的略微差异的容许性根据用途而不同。例如，在
汽车修补用涂料中，能够对故障车的正常的涂装部分(相当于作为目标的涂装板)与修理后涂装作为新修补用而调节的涂料的部分之间的边界进行晕涂涂装(渐变)，因此颜色的一致度为ΔE＜0.5左右，没有严格地要求。另一方面，作为预涂(在组装前进行涂装)用的卷材涂覆用涂料有时在产品制造时将制造批次不同的涂装板相邻地组装，因此容许因制造批次不同导致的颜色不同的幅度极小例如ΔE＜0.1左右的商品也很多。该色差水平是根据色差计的机种和条件(condition)而变化的区域，因此色彩的绝对值的精度不足，基于顾客协商而准备标准板(作为目标的涂装板)，在成为相同条件的相同时刻下按照每次制造、每次调色来测定与标准板之间的色差，进行将与标准板的色差控制在规定的色差内的调节。该水平的调色在最小的情况下需要进行涂料总量的0.01％左右的原色添加量的调节。
[0012]在根据整体的配比并按照理论公式计算色彩，或者使人工智能学习其关系来进行预测的情况下，预测精度的略微偏差容易产生弄错修正的方向性的结果。例如，当现在的配方为10.0％的黑色原色、30.0％的白色原色，作为目标的色彩的真正的配方为10.1％的黑色原色、29.9％的白色原色的情况下，应该根据添加约0.1％的黑色原色和伴随于此的整体配方调节来计算配方修正量，但在根据作为目标的色彩的理论公式和实测修正而计算出或由人工智能预测出的配方为9.9％的黑色原色、30.1％的白色原色的情况下，变成根据添加0.1％白色原色和伴随于此的整体配方调节来计算配方修正量，导致通过修正反而使颜色远离作为目标的颜色。
[0013]在不需要严格的配色的情况下，根据用途的不同，原本配方组成之一的0.1％的配比的差引起的色彩的差不成为问题的情况较多，根据现有的整体配比，通过理论公式和实测修正来计算色彩、或通过人工智能预测色彩的方法是有效的，但是对于以卷材涂覆用涂料为代表的对与标准板的略微的色调的差进行0.01％左右的原色涂料量的调节的涂料，不能使用这样的方法，不得不由熟练的调色师进行调节。
[0014]但是，原色涂料由于使用的颜料批次、制造条件等，每批次的色彩略微不同。对于该色彩的略微不同，不一定原色涂料的组成配方相同就会得到相同的色彩。这成为前述的计算误差/人工智能导致的预测误差的原因之一。此外，在制造涂料时，不限于根据最初的配方开始进行，例如可能存在对库存品进行调节的情况，或顾客委托对涂料进行再制备的情况等。但是，也存在涂料在作为库存品被保管的期间一部分的成分凝聚的情况；或者，在交付顾客等后，在顾客方不清楚如何添加原色涂料和溶剂等的状态下再次被转让回来的情况。在像这样的情况下，最早、最初的配方信息是没有用的。在上述专利文献1、2的方法中，在如上述那样的情况下有可能难以进行正确的预测。
[0015]因此，本专利技术的目的在于，提供一种通过机器学习的方法实现高效化并且预测精度高的涂料性状或修正配方组成的预测方法、涂料性状或修正配方组成的预测系统，以及提供一种通过机器学习的方法实现高效化并且能够使涂料性状高精度地接近期望的涂料性状的涂料的制造方法。
[0016]用于解决问题的方案
[0017]本专利技术的主旨构成如下所述。
[0018](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：
[0019]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。
[0020]这里，“修正配方组成的数据”能够设为与配方成分及其配方量相关的数据，还能够代替该数据或者在该数据的基础上，使用商品名(产品编号)的数据。关于配方成分，能够在该数据中也包含色料、黏合剂、添加剂等各成分的形状、化学性状等、或色彩(L*值、a*值、b*值，分光反射光谱)。作为形状，可举出色料等的形状(球状、鳞片状、纤维状等)、平均一次粒径、平均二次粒径、平均分散粒径、粒径分布、长宽比、厚度等。作为化学特性，可举出分子量、分子量分布、变色温度、反应性等。
[0021](2)一种涂料性状的预测方法，其特征在于，通过机器学习本文档来自技高网...

【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：