特開 2022-124780 タイヤの加硫故障発生予測方法およびタイヤの製造方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022124780

(43)【公開日】2022-08-26

(54)【発明の名称】タイヤの加硫故障発生予測方法およびタイヤの製造方法

(51)【国際特許分類】

   B29C 33/02 20060101AFI20220819BHJP

   B29D 30/08 20060101ALI20220819BHJP

   B29C 35/02 20060101ALI20220819BHJP

【ＦＩ】

B29C33/02

B29D30/08

B29C35/02

【審査請求】未請求

【請求項の数】5

【出願形態】ＯＬ

(21)【出願番号】P 2021022621

(22)【出願日】2021-02-16

(71)【出願人】

【識別番号】000006714

【氏名又は名称】横浜ゴム株式会社

(74)【代理人】

【識別番号】110001368

【氏名又は名称】清流国際弁理士法人

(74)【代理人】

【識別番号】100129252

【弁理士】

【氏名又は名称】昼間 孝良

(74)【代理人】

【識別番号】100155033

【弁理士】

【氏名又は名称】境澤 正夫

(72)【発明者】

【氏名】松田 健太

【テーマコード（参考）】

4F202

4F203

4F215

【Ｆターム（参考）】

4F202AA45

4F202AH20

4F202AM23

4F202AM32

4F202AR06

4F202CA21

4F202CU02

4F202CY11

4F202CY30

4F203AA45

4F203AB03

4F203AH20

4F203AM23

4F203AM32

4F203AP13

4F203AP16

4F203DA11

4F203DB01

4F203DC01

4F203DL10

4F203DL12

4F215AH20

4F215AM32

4F215AR12

4F215VD01

4F215VL27

4F215VP37

4F215VR02

(57)【要約】

【課題】グリーンタイヤの仕様データおよび使用するモールドの成形面の断面形状データを用いて、加硫故障発生の可能性をより高精度で予測できる予測方法およびこの予測方法を利用したタイヤの製造方法を提供する。
【解決手段】グリーンタイヤＧの断面形状を含むタイヤ仕様データＤ１と、モールド６の成形面７の断面形状データＤ２と、モールド６を用いてタイヤ仕様データＤ１が異なる多数のグリーンタイヤＧを加硫して製造したタイヤＴでの加硫故障の発生データＤ３と、を教師データとして機械学習させて生成した予測モデルＰＭを演算装置２に記憶し、予測対象のグリーンタイヤＧａのタイヤ仕様データＤ１と、成形面７の断面形状データＤ２とを予測モデルＰＭに代入し演算処理することで、グリーンタイヤＧａをモールド６で加硫して製造される対象タイヤＴａでの加硫故障の発生有無を予測する。
【選択図】図１

【特許請求の範囲】

【請求項1】

グリーンタイヤの断面形状を含むタイヤ仕様データと、前記グリーンタイヤを加硫するモールドの成形面の断面形状データと、前記モールドを用いて前記タイヤ仕様データが異なる多数の前記グリーンタイヤを加硫して製造されたタイヤに生じた加硫故障の発生データと、を教師データとして、前記教師データを用いて機械学習させることで、加硫して製造されるタイヤでの加硫故障の発生の有無を予測する予測モデルを生成し、この予測モデルが記憶された演算装置に、予測対象となるグリーンタイヤのタイヤ仕様データを入力して、この入力したタイヤ仕様データと前記成形面の断面形状データとに基づいて、前記予測モデルを用いた前記演算装置による演算処理により、前記モールドを用いて予測対象となる前記グリーンタイヤを加硫して製造される対象タイヤでの加硫故障の発生有無を予測することを特徴とするタイヤの加硫故障発生予測方法。

【請求項2】

前記タイヤ仕様データに、前記グリーンタイヤのカーカス層よりも外側の未加硫ゴムのボリュームを含める請求項１に記載のタイヤの加硫故障発生予測方法。

【請求項3】

前記タイヤ仕様データに、前記グリーンタイヤの前記成形面に接触する未加硫ゴムの粘度データを含める請求項１または２に記載のタイヤの加硫故障発生予測方法。

【請求項4】

前記教師データとして、前記グリーンタイヤを加硫する際の少なくとも加硫温度を含む加硫条件データを追加し、予測対象となる前記グリーンタイヤの前記加硫条件データを前記演算装置に入力して、この入力した前記加硫条件データも前記対象タイヤでの前記加硫故障の発生有無の予測に用いる請求項１～３のいずれかに記載のタイヤの加硫故障発生予測方法。

【請求項5】

請求項１～４のいずれかに記載のタイヤの加硫故障発生予測方法によって予測された結果に基づいて、前記対象タイヤで前記加硫故障が発生しない前記グリーンタイヤの前記タイヤ仕様データを把握し、この把握したタイヤ仕様データに対応するグリーンタイヤを成形して、この成形したグリーンタイヤを前記モールドと同じ仕様のモールドを用いて加硫するタイヤの製造方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、タイヤの加硫故障発生予測方法およびタイヤの製造方法に関し、さらに詳しくは、グリーンタイヤの仕様データおよび使用するモールドの成形面の断面形状データを用いて、加硫故障発生の可能性をより高精度で予測できる予測方法およびこの予測方法を利用したタイヤの製造方法に関するものである。

【背景技術】

【0002】

タイヤは、未加硫のグリーンタイヤが加硫用モールドの中で加硫されることで製造される。グリーンタイヤは予め設定された仕様に成形されるが、タイヤ仕様によっては使用するモールドとのマッチングが悪く、加硫されたタイヤに加硫故障が生じることがある。例えば、加硫されたタイヤには、局所的なゴム量の過不足や加硫具合の過不足、変形などの加硫故障が生じる。

【0003】

このような故障を防ぐために、グリーンタイヤの予測断面形状および使用されるモールドの成形面の断面形状データを用いて算出された両者の隙間の大きさを加硫故障の指標として用いることが提案されている（特許文献１参照）。特許文献１で提案されている発明では、グリーンタイヤの予測断面形状のタイヤ外表面にタイヤ径方向に同一間隔で多数の座標点を抽出し、それぞれの座標点におけるタイヤ外表面と成形面との間隔の大きさを求める。この間隔の大きさと故障率との相関係数を求め、この相関係数の絶対値の大きい部位（位置）では、故障が発生し易いと判断される。

【0004】

この発明では、故障が発生し易い部位（位置）は判明するが、故障の発生を防止できる上述した隙間の大きさの明確な適正範囲は判明しない。そのため、判断対象となるグリーンタイヤを、所定のモールドを用いて加硫した場合に、加硫故障が発生するか否かを精度よく予測することが難しく、加硫故障の発生の可能性をより高精度で予測するには改善の余地がある。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特開２０１０－１８０１０号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

本発明の目的は、グリーンタイヤの仕様データおよび使用するモールドの成形面の断面形状データを用いて、加硫故障発生の可能性をより高精度で予測できる予測方法およびこの予測方法を利用したタイヤの製造方法を提供することにある。

【課題を解決するための手段】

【0007】

上記目的を達成するため本発明のタイヤの加硫故障発生予測方法は、グリーンタイヤの断面形状を含むタイヤ仕様データと、前記グリーンタイヤを加硫するモールドの成形面の断面形状データと、前記モールドを用いて前記タイヤ仕様データが異なる多数の前記グリーンタイヤを加硫して製造されたタイヤに生じた加硫故障の発生データと、を教師データとして、前記教師データを用いて機械学習させることで、加硫して製造されるタイヤでの加硫故障の発生の有無を予測する予測モデルを生成し、この予測モデルが記憶された演算装置に、予測対象となるグリーンタイヤのタイヤ仕様データを入力して、この入力したタイヤ仕様データと前記成形面の断面形状データとに基づいて、前記予測モデルを用いた前記演算装置による演算処理により、前記モールドを用いて予測対象となる前記グリーンタイヤを加硫して製造される対象タイヤでの加硫故障の発生有無を予測することを特徴とする。

【0008】

本発明のタイヤの製造方法は、上記に記載のタイヤの加硫故障発生予測方法によって予測された結果に基づいて、前記対象タイヤで前記加硫故障が発生しない前記グリーンタイヤの前記タイヤ仕様データを把握し、この把握したタイヤ仕様データに対応するグリーンタイヤを成形して、この成形したグリーンタイヤを前記モールドと同じ仕様のモールドを用いて加硫することを特徴とする。

【0009】

本発明のタイヤの加硫故障発生予測方法によれば、前記タイヤ仕様データと、前記成形面の断面形状データと、前記加硫故障の発生データとを、前記教師データとして機械学習させて生成した予測モデルを使用する。そのため、予測対象となるグリーンタイヤのタイヤ仕様データと前記成形面の断面形状データとを前記予測モデルに入力して前記演算装置によって演算処理することで、前記モールドを用いて予測対象となる前記グリーンタイヤを加硫して製造される対象タイヤでの加硫故障の発生有無をより高精度で予測することが可能になる。

【0010】

本発明のタイヤの製造方法によれば、上記のタイヤの加硫故障発生予測方法によって予測された結果に基づいて、把握した前記加硫故障が発生しない前記グリーンタイヤのタイヤ仕様データに対応するグリーンタイヤを成形して、この成形したグリーンタイヤを前記モールドと同じ仕様のモールドを用いて加硫する。そのため、加硫故障が発生しないタイヤを安定して効率的に製造することが可能になる。

【図面の簡単な説明】

【0011】

【図1】本発明に用いる予測システムを例示する説明図である。

【図2】グリーンタイヤの右半分を横断面視で例示する説明図である。

【図3】モールドの右半分を横断面視で例示する説明図である。

【図4】モールドの中に配置した状態のグリーンタイヤの右半分を横断面視で例示する説明図である。

【図5】予測モデルを用いて予測されたグリーンタイヤの断面形状の外表面（プロファイル）の適正範囲を成形面の断面形状とともに例示する説明図である。

【図6】図５の適正範囲を予測対象のグリーンタイヤのプロファイルとともに例示する説明図である。

【図7】予測モデルを用いた予測結果に基づいて形成されたグリーンタイヤのプロファイルを、成形面の断面形状および適正範囲とともに例示する説明図である。

【図8】図７のグリーンタイヤを加硫している加硫装置を横断面視で例示する説明図である。

【図9】図８のグリーンタイヤの右半分を横断面視で例示する説明図である。

【図10】加硫されたタイヤの右半分を横断面視で例示する説明図である。

【発明を実施するための形態】

【0012】

以下、本発明のタイヤの加硫故障発生予測方法およびタイヤの製造方法を、図に示す実施形態に基づいて具体的に説明する。

【0013】

図１に例示する予測システム１を用いて、本発明のタイヤの加硫故障発生予測方法が行われる。この予測システム１は、演算装置２と入力部３と表示部４とを有し、さらに測定装置５を有している。演算装置２と入力部３、表示部４は有線または無線により通信可能に接続されている。測定装置５により取得された測定データは直接、または入力部３を通じて演算装置２に入力される。

【0014】

演算装置２は、種々のデータが入力、記憶され、これらデータを用いて演算処理を行う。演算装置２としては、種々のコンピュータを用いることができる。したがって、演算装置２は、種々のデータが記憶されるメモリと、演算処理を行うＣＰＵを有している。

【0015】

入力部３は、演算装置２に種々のデータを入力する入力手段である。入力部３としては、キーボード、マウス、各種端末機器を用いることができる。

【0016】

表示部４は、演算装置２に入力された種々のデータ、これらデータを用いて演算処理された演算結果（数値、表、図面など）を表示する表示手段である。表示部４としては、各種のモニタを用いることができる。

【0017】

測定装置５は、必要なデータを測定、取得する手段である。例えば、グリーンタイヤＧの断面形状を含むタイヤ仕様データＤ１などが測定装置５を用いて取得される。グリーンタイヤＧを加硫するモールド６の成形面７の断面形状データＤ２を、測定装置５を用いて取得することもできる。この発明では、少なくともグリーンタイヤＧの断面形状は、測定装置５により測定してデータを取得する。

【0018】

タイヤ仕様データＤ１としては、図２に例示するような、グリーンタイヤＧの断面形状データが用いられる。一般的なグリーンタイヤＧでは、最内周にインナーライナ層ｍ１が配置され、その外側面にカーカス層ｍ２が配置され、カーカス層ｍ２の外側面に未加硫ゴムＲが配置される。トレッド部の未加硫ゴムＲにはベルト層ｍ４などが埋設される。グリーンタイヤＧの断面形状は、一般的にタイヤ周方向で変化しないので、グリーンタイヤＧの任意の周方向位置での断面形状データを用いることができる。尚、図面では、グリーンタイヤ、タイヤ、モールドの右半分を例示しているが左半分は右半分と同仕様である。

【0019】

タイヤ仕様データＤ１には、その他に、グリーンタイヤＧのそれぞれの構成部材の各種特性データを例示できる。具体的には、グリーンタイヤＧを形成している未加硫ゴムＲのボリュームデータ（断面積データ）、この未加硫ゴムＲの粘度データ、カーカス層ｍ２の断面形状データ（および配置データ）と剛性データ、ビード部ｍ３の断面形状データ（および配置データ）と剛性データなどを例示できる。採用するタイヤ仕様データＤ１は、グリーンタイヤＧの断面形状データの１種類だけでもよいが、その他の１種類以上のタイヤ仕様データＤ１を加えることもできる。尚、図中の二点鎖線ＣＬはタイヤ幅方向中心を示している。

【0020】

モールド６の成形面７の断面形状データＤ２とは具体的には、図３に例示するような成形面７の断面形状データである。図３に例示するモールド６は、セクショナルタイプなので、サイドモールド６ａとセクターモールド６ｂとで構成されている。サイドモールド６ａはグリーンタイヤＧの主にサイド部の外側およびビード部ｍ３の外側を加硫成形し、セクターモールド６ｂは主にトレッド部を加硫成形する。

【0021】

成形面７の断面形状は、タイヤ周方向で変化するのが一般的なので、予め設定されたタイヤ周方向位置での成形面７の断面形状データを用いる。例えば、最も特徴的な溝を含む代表的な成形面７の断面形状データＤ２、または、溝が省略された成形面７の断面形状データＤ２を用いることができる。加硫故障が生じ易いと把握されている部位があるならば、その加硫故障が生じ易い（最も生じ易い）部分を含む成形面７の断面形状データＤ２を用いることもできる。

【0022】

或いは、成形面７のタイヤ周方向で断面形状が変化する部分（部位）は予測の対象外として、タイヤ周方向で断面形状が実質的に変化しない部分（サイド部の外側とビード部の外側の少なくとも一方）のみを予測対象にすることもできる。即ち、サイド部の外側部分のみ、ビード部ｍ３の外側部分のみ、または、サイド部の外側部分およびビード部ｍ３の外側部分のみに限定して加硫故障の発生の有無を予測してもよい。この場合は、予測対象に相当する部分のタイヤ仕様データＤ１および成形面７の断面形状データＤ２を用いればよい。

【0023】

グリーンタイヤＧの断面形状データを測定、取得する測定装置５としては、公知のプロファイルセンサ、デジタルカメラなどの画像撮影装置、Ｘ線撮影装置（ＣＴスキャナ）を例示できる。プロファイルセンサやＸ線撮影装置（ＣＴスキャナ）を用いると、グリーンタイヤＧを横断面に切断することなく、断面形状データを測定、取得できる。

【0024】

未加硫ゴムＲの粘度データを測定、取得する測定装置５としては、ムーニー粘度計などの公知の粘度測定器を例示できる。この粘度データは、常温での測定値でもよいが、未加硫ゴムＲが加硫工程で加熱されて流動性が向上することを考慮して、最も流動性が高くなる温度での測定値を採用することもできる。未加硫ゴムＲのボリュームデータ（断面積データ）、カーカス層ｍ２の断面形状データ（および配置データ）、ビード部ｍ３の断面形状データ（および配置データ）を測定、取得する測定装置５としては、公知のデジタルカメラなどの画像撮影装置、Ｘ線撮影装置を例示できる。カーカス層ｍ２およびビード部ｍ３の剛性データを測定、取得する測定装置５としては、公知の曲げ試験機などを例示できる。

【0025】

成形面７の断面形状データＤ２は、モールド６を公知のプロファイルセンサ、デジタルカメラなどの画像撮影装置などの測定装置５を用いて、測定、取得することができる。しかし、一般的にモールド６の製造に用いた設計図データ（ＣＡＤデータなど）が存在しているので、測定することなく、この設計図データから成形面７の断面形状に相当するデータを抽出して、成形面７の断面形状データとして用いることができる。

【0026】

本発明では、機械学習により生成した予測モデルＰＭを利用する。この予測モデルＰＭは、グリーンタイヤＧを加硫して製造したタイヤＴでの加硫故障の発生の可能性（発生の有無）を予測するためのコンピュータプログラムである。この予測モデルＰＭを生成する手順の一例を説明する。

【0027】

まず、タイヤ仕様データＤ１が異なる多数のグリーンタイヤＧを、所定のモールド６を用いて加硫して図１０に例示するタイヤＴを製造する。そして、製造されたタイヤＴに対して、加硫故障の有無と加硫故障の発生位置（位置データ）を確認する。尚、所定のモールド６は、特定の１つのモールド６に限らず、その所定のモールド６と同じ仕様のモールド６であればよい。

【0028】

図４に例示するように、加硫されるグリーンタイヤＧはモールド６の中に配置された後、モールド６が閉型されて、モールド６の成形面７と膨張させた加硫用ブラダ９との間で加圧および加熱される。図４では、当初形状（モールド６の内部に配置される前）のグリーンタイヤＧが記載されていて、成形面７の断面形状と加硫用ブラダ９は破線によって記載されている。

【0029】

製造されたタイヤＴで確認された加硫故障の有無および発生位置を、加硫故障の発生データＤ３として採用する。加硫故障の発生データＤ３には、加硫故障の発生が有る場合のデータも加硫故障の発生が無い場合もデータも含まれることになる。

【0030】

加硫故障の種類や程度を問わずに、加硫故障が発生した場合と発生しない場合とに区別して、加硫故障の発生データＤ３として採用することもできる。或いは、加硫故障の種類（ゴム過不足、加硫過不足、変形など）、加硫故障の程度（小規模、中規模、大規模）を分類して確認することもできる。そして、これらの分類を組合せにして、加硫故障の発生データＤ３として採用することができる。

【0031】

予測対象とする加硫故障を、所望の１種類または複数種類の故障に特定することもできる。この場合、加硫故障の発生データＤ３では、特定した種類の加硫故障が発生した場合だけを加硫故障の発生が有りのデータとして採用し、それ以外の場合は加硫故障の発生が無しのデータとして採用する。具体的には、予測対象にする加硫故障の種類をゴム過不足の１種類に特定すると、タイヤＴにゴム過不足が発生している場合は、加硫故障の発生が有りのデータとして採用し、加硫過不足は発生していてもゴム過不足が発生していない場合は、加硫故障の発生が無しのデータとして採用する。

【0032】

このようにして、加硫故障の発生データＤ３を取得する。また、製造したタイヤＴを加硫する前のグリーンタイヤＧの断面形状を含むタイヤ仕様データＤ１と、このグリーンタイヤＧを加硫したモールド６の成形面７の断面形状データＤ２とを準備する。

【0033】

上述したタイヤ仕様データＤ１、成形面７の断面形状データＤ２および加硫故障の発生データＤ３を、加硫故障の発生有無の予測のための基礎データ（即ち、教師データ）として、機械学習させることで予測モデルＰＭを生成する。具体的には、上記データＤ１、Ｄ２、Ｄ３を演算装置２に入力して、これらデータＤ１、Ｄ２、Ｄ３を用いて機械学習させる。即ち、加硫故障の発生の有無と、グリーンタイヤＧのタイヤ仕様および成形面７の断面形状との関係を紐付けして、加硫故障の発生に対するグリーンタイヤＧのタイヤ仕様および成形面７の断面形状の影響具合が分析、評価される。

【0034】

タイヤＴでの加硫故障の発生率は、グリーンタイヤＧの外表面とモールド６の成形面７との間隔（すき間）の大きさ、カーカス層ｍ２と成形面７の間での未加硫ゴムＲのボリュームが大きく影響する。未加硫ゴムＲは加硫中に流動するので、カーカス層ｍ２と成形面７との間の未加硫ゴムＲの粘度（流動性）も加硫故障の発生率に影響を及ぼす。

【0035】

グリーンタイヤＧの外表面とモールド６の成形面７との間隔が過大である場合、カーカス層ｍ２と成形面７との間の未加硫ゴムＲのボリュームが過小である場合は、ゴム欠損が生じ易く、これに伴いタイヤに変形が生じることもある。ゴム欠損の部分は、加圧や加熱の不足によって、未加硫ゴムＲに対して加硫不足になることもある。グリーンタイヤＧの外表面とモールド６の成形面７との間隔が過小である場合、カーカス層ｍ２と成形面７との間の未加硫ゴムＲのボリュームが過大である場合は、ゴム過剰やタイヤの変形が生じ易い。ゴム過剰の部分は、過大な加圧によって、未加硫ゴムＲに対して過加硫になることもある。

【0036】

そして、カーカス層ｍ２と成形面７との間の未加硫ゴムＲの粘度が高いと流動性が低くなるのでグリーンタイヤＧの形状変化が生じ難くなる。この粘度が低いと流動性が高くなるのでグリーンタイヤＧの形状変形が生じ易くなる。

【0037】

また、カーカス層ｍ２の断面形状（および配置）と剛性は、カーカス層ｍ２と成形面７との間の未加硫ゴムＲの流動性に影響するので加硫故障の発生率に影響する。ビード部ｍ３の断面形状（および配置）と剛性もカーカス層ｍ２と成形面７との間の未加硫ゴムＲの流動性に影響するので加硫故障の発生率に影響する。上述したそれぞれの要因が複雑に影響し合って加硫故障の発生率が変化する。

【0038】

それ故、データＤ１、Ｄ２、Ｄ３を教師データとして用いて、加硫故障が発生した場合と、加硫故障が発生しなかった場合とでのデータＤ１とＤ２との組み合わせによる相違点や相違程度、それぞれの場合における特徴を人工知能（ＡＩ）に機械学習させることで、予測モデルＰＭを生成することが可能になる。機械学習の手法としては、ニューラルネットワークを用いたディープラーニングなど公知の種々の手法を例示できる。ディープラーニングでは、公知の手法で入力層と複数の中間層と出力層との多層構造にして、各層の間でノード間に重みを設定して結び付けたネットワークを使用する。そして、加硫故障の発生データＤ３に影響するタイヤ仕様データＤ１、断面形状データＤ２を入力層から入力して、加硫故障の発生データＤ３の予測値を出力層に出力する。算出した予測値と加硫故障の発生データＤ３の実測値とを比較して両者の誤差を小さくするようにそれぞれの重みを変更する。これにより、予測精度を向上させた予測モデルＰＭを生成（構築）する。生成した予測モデルＰＭは、演算装置２に記憶される。

【0039】

次いで、予測対象となるグリーンタイヤＧａを所定のモールド６で加硫して製造された対象タイヤＴａに加硫故障が発生するか否かを予測する手順の一例を説明する。

【0040】

演算装置２には、入力部３を用いて予測対象となるグリーンタイヤＧａのタイヤ仕様データＤ１を入力する。演算装置２は、入力されたグリーンタイヤＧａのタイヤ仕様データＤ１とモールド６の成形面７の断面形状データＤ２とを予測モデルＰＭに代入して、予測モデルＰＭを実行させる演算処理を行う。この演算処理によって、モールド６を用いて予測対象となるグリーンタイヤＧａを加硫して対象タイヤＴａを製造した場合に、その対象タイヤＴａに加硫故障が発生するか否かが判断されて、その予測結果が表示部４に表示される。

【0041】

この予測は、グリーンタイヤＧａの一対のビード部ｍ２のビードコアがそれぞれ、成形面７の正規に位置に固定されて加硫されることを前提とする。したがって、加硫故障の発生データＤ３も、一対のビード部ｍ２のビードコアがそれぞれ、成形面７の正規に位置に固定されて加硫された場合のデータを用いる。

【0042】

予測モデルＰＭを用いた予測結果は、例えば図５、図６に示すように、グリーンタイヤＧａの断面形状の外表面（プロファイル）の適正範囲ＡＲが破線で挟まれた範囲として表示される。図５ではこの適正範囲ＡＲが成形面７の断面形状とともに記載され、図６では、この適正範囲ＡＲがグリーンタイヤＧａの断面形状の外表面とともに記載されている。適正範囲ＡＲは図面上で見易くするために誇張して記載されている。

【0043】

この適正範囲ＡＲ以外の範囲がグリーンタイヤＧａの断面形状の外表面に対する不適正範囲になる。したがって予測結果では、グリーンタイヤＧａの断面形状の外表面のすべてが適正範囲ＡＲに属していれば、対象タイヤＴａには加硫故障が発生しないと予測される。一方、グリーンタイヤＧａの断面形状の外表面に不適正範囲に属する部分がある場合は、その部分では対象タイヤＴａに加硫故障が発生すると予測される。したがって、対象タイヤＴａ（グリーンタイヤＧａ）での加硫故障の発生の有無と発生位置の分布が予測できる。尚、予測結果は図５、図６の表示に限定されず、対象タイヤＴａでの加硫故障の発生の有無と適正範囲ＡＲが把握できるものであればよい。

【0044】

予測結果は、タイヤ横断面の平面座標系で表示されるので、グリーンタイヤＧａのどの位置で加硫故障が発生するのかを一目して把握できる。そのため、モールド６（成形面７）に対してグリーンタイヤＧａのどの位置が過大なのか、或いは、過小であるのかが容易に判明する。また、横断面において、適正範囲ＡＲに対するグリーンタイヤＧａの断面形状の外表面までの距離、成形面７までの距離を把握できるので、加硫故障の発生を防止するには、グリーンタイヤＧａの断面形状をどの程度、変更すべきかが判明する。それ故、加硫故障の発生を防止できるグリーンタイヤＧａの断面形状を取得するには非常に有益である。

【0045】

この予測方法では、上述したタイヤ仕様データＤ１と、成形面７の断面形状データＤ２と、加硫故障の発生データＤ３とを、教師データとして機械学習させて生成した予測モデルＰＭを使用する。そのため、様々な要因が複雑に影響し合って発生する加硫故障を、予測対象となるグリーンタイヤＧａのタイヤ仕様データＤ１と成形面７の断面形状データＤ２とを予測モデルＰＭに入力して演算処理することで、一段と高精度で予測することができる。

【0046】

また、タイヤ仕様データＤ１として採用するグリーンタイヤＧ、Ｇａの断面形状データは、測定装置５を用いて実物のグリーンタイヤＧを測定している。また、成形面７は精密な機械加工によって製造されているので、成形面７の断面形状データＤ２として、モールド６の製造に用いた設計図データ（ＣＡＤデータなど）を採用した場合であっても、測定装置５を用いて実物の成形面７を測定した測定データと実質的に一致する。このようなタイヤ仕様データＤ１、成形面７の断面形状データＤ２を採用することで、予測精度の向上には有利になっている。

【0047】

タイヤ仕様データＤ１には、グリーンタイヤＧ、Ｇａのカーカス層ｍ２よりも外側の未加硫ゴムＲのボリュームを含めるとよい。これにより、予測精度を向上させるには有利になる。

【0048】

また、タイヤ仕様データＤ１には、グリーンタイヤＧ、Ｇａの成形面７に接触する未加硫ゴムＲの粘度データを含めるとよい。即ち、カーカス層ｍ２よりも外側の未加硫ゴムＲの粘度データを含めると、予測精度を向上させるには有利になる。

【0049】

また、タイヤ仕様データＤ１として、既述した様々なデータを含めると、予測精度を向上させるには有利になる。ただし、タイヤ仕様データＤ１の種類を増やす程、演算処理の負担が大きくなり、この負担増加に見合う予測精度の向上が得られないこともある。そこで、効率的に精度よく予測をするには、影響度が最も高いグリーンタイヤＧの断面形状データの１種類を少なくとも含めて、必要に応じて、その他の１種類以上のタイヤ仕様データＤ１を加えるとよい。

【0050】

加硫故障の発生データＤ３として、加硫故障の種類（ゴム過不足、加硫過不足、変形など）、加硫故障の程度（小規模、中規模、大規模）を分類したデータを用いることで、加硫故障の種類毎や種類の組合せに対する明確な予測、加硫故障の程度の明確な予測を行うことも可能になる。

【0051】

教師データとして、グリーンタイヤＧを加硫する際の少なくとも加硫温度を含む加硫条件データＤ４を追加することもできる。加硫温度は未加硫ゴムＲの流動性に影響し、これに伴い、加硫故障の発生率に影響する。そのため、加硫温度を教師データに含めると、タイヤＴａでの加硫故障の発生有無の予測精度を向上させるには有利になる。その他の加硫条件データＤ４としては、加硫用ブラダ９によってグリーンタイヤＧに付与される加硫圧力を例示できる。加硫圧力も未加硫ゴムＲの流動性に影響し、これに伴い、加硫故障の発生率に影響する。

【0052】

加硫条件データＤ４を教師データに含める場合は、予測対象となるグリーンタイヤＧａの加硫条件データＤ４を演算装置２に入力し、この入力した加硫条件データＤ４も対象タイヤＴａでの加硫故障の発生有無の予測に用いる。教師データに加硫条件データＤ４を含めると、演算処理の負担が大きくなり、この負担増加に見合う予測精度の向上が得られないこともある。そこで、必要に応じて、加硫条件データＤ４を教師データに加えるとよい。

【0053】

このモールド６を用いる場合の加硫条件があまり変わらず、実質的に同等の加硫条件で加硫を行うことを前提にしているならば、加硫条件データＤ４を考慮する必要はない。このような場合は、前提としている所与の加硫条件下での加硫故障の発生データＤ３を用いる。

【0054】

本発明のタイヤの製造方法は、本発明の加硫故障発生予測方法を利用する。そのタイヤの製造方法の手順の一例を説明する。

【0055】

このタイヤの製造方法では、予測モデルＰＭを用いて予測された結果に基づいて、製造した対象タイヤＴａにおいて加硫故障が発生しないグリーンタイヤＧａのタイヤ仕様データを把握する。そして、この把握したタイヤ仕様データに対応するグリーンタイヤＧａを公知の方法で成形する。例えば、図７に示すように、グリーンタイヤＧａの断面形状の外表面のすべてが、加硫故障が発生しないと予測された適正範囲ＡＲに属する断面形状にする。このようにして、予測モデルＰＭを用いた予測結果を反映させてグリーンタイヤＧａを成形する。

【0056】

次いで、図８、図９に例示するように、成形したグリーンタイヤＧａを公知の加硫装置８に設置された所定のモールド６と同じ仕様のモールド６の中に配置する。そして、閉型したモールド６の中でグリーンタイヤＧａを公知の方法で加硫することにより、図１０に例示するタイヤＴａが製造される。

【0057】

このタイヤの製造方法では、加硫故障が発生しないと高い精度で予測されたタイヤ仕様データＤ１に対応するグリーンタイヤＧａを成形して、所定のモールド６と同じ仕様のモールド６を用いて加硫する。そのため、加硫故障が発生しないタイヤＴａを安定して効率的に製造すること可能になる。

【0058】

一般的な乗用車用のタイヤＴａのサイド部の外側のゴム過不足の加硫故障を改善するテスト事案では、本発明の加硫故障発生予測方法による結果に基づいて、グリーンタイヤＧａの断面形状の外表面が適正範囲ＡＲになるようにグリーンタイヤＧａを成形、加硫してタイヤＴａを製造した。その結果、タイヤＴａでの加硫故障が防止できることが確認された。

【符号の説明】

【0059】

１ 予測システム
２ 演算装置
３ 入力部
４ 表示部
５ 測定装置
６ モールド
６ａ サイドモールド
６ｂ セクターモール
７ 成形面
８ 加硫装置
９ 加硫用ブラダ
ＰＭ 予測モデル
Ｇ、Ｇａグリーンタイヤ
ｍ１ インナーライナ層
ｍ２ カーカス層
ｍ３ ビード部
ｍ４ ベルト層
Ｒ 未加硫ゴム
Ｒｃ 加硫ゴム
Ｔ、Ｔａ タイヤ（加硫済みタイヤ）

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】