特開 2024-152164 被覆層の物性予測方法及び装置

(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】P2024152164

(43)【公開日】2024-10-25

(54)【発明の名称】被覆層の物性予測方法及び装置

(51)【国際特許分類】

   B29C 48/92 20190101AFI20241018BHJP

   B29C 48/154 20190101ALI20241018BHJP

   B29C 48/34 20190101ALI20241018BHJP

【ＦＩ】

B29C48/92

B29C48/154

B29C48/34

【審査請求】未請求

【請求項の数】5

【出願形態】ＯＬ

(21)【出願番号】P 2023066199

(22)【出願日】2023-04-14

(71)【出願人】

【識別番号】000005083

【氏名又は名称】株式会社プロテリアル

(74)【代理人】

【識別番号】110002583

【氏名又は名称】弁理士法人平田国際特許事務所

(72)【発明者】

【氏名】大賀 裕太

(72)【発明者】

【氏名】加賀 雅文

(72)【発明者】

【氏名】折内 卓矢

(72)【発明者】

【氏名】笹村 達也

【テーマコード（参考）】

4F207

【Ｆターム（参考）】

4F207AD03

4F207AD15

4F207AH35

4F207AM23

4F207AP05

4F207AR06

4F207KA01

4F207KA17

4F207KB18

4F207KK12

4F207KM03

4F207KM05

4F207KM13

4F207KM15

(57)【要約】

【課題】被覆層の物性を精度よく予測することが可能な被覆層の物性予測方法及び装置を提供する。
【解決手段】被覆層の物性予測方法は、導体１０の周囲に押出機１１０を用いて押出成形される被覆層１１の物性を予測する方法であって、少なくとも、被覆層１１の製造条件と、被覆層１１の物性との相関関係を機械学習して学習済モデル７を生成する学習済モデル生成工程と、学習済モデル７を用いて、被覆層１１の物性を予測する物性予測工程と、を含み、被覆層１１の製造条件は、押出機１１０に導入される導体１０の温度を含む。
【選択図】図１

【特許請求の範囲】

【請求項1】

導体の周囲に押出機を用いて押出成形される被覆層の物性を予測する方法であって、
少なくとも、前記被覆層の製造条件と、前記被覆層の物性との相関関係を機械学習して学習済モデルを生成する学習済モデル生成工程と、
前記学習済モデルを用いて、前記被覆層の物性を予測する物性予測工程と、を含み、
前記被覆層の製造条件は、前記押出機に導入される前記導体の温度を含む、
被覆層の物性予測方法。

【請求項2】

前記導体の温度は、前記押出機に導入される前記導体に接触して前記導体の温度を測定する接触式の温度センサの測定値である、
請求項１に記載の被覆層の物性予測方法。

【請求項3】

前記被覆層の製造条件は、前記押出機の出口部の温度をさらに含む、
請求項１に記載の被覆層の物性予測方法。

【請求項4】

前記学習済モデル生成工程では、前記被覆層の組成、前記被覆層の製造条件、及び前記被覆層の物性の相関関係を機械学習して前記学習済モデルを生成する、
請求項１に記載の被覆層の物性予測方法。

【請求項5】

導体の周囲に押出機を用いて押出成形される被覆層の物性を予測する装置であって、
少なくとも、前記被覆層の製造条件と、前記被覆層の物性との相関関係を機械学習して学習済モデルを生成する学習済モデル生成処理部と、
前記学習済モデルを用いて、前記被覆層の物性を予測する物性予測処理部と、を含み、
前記被覆層の製造条件は、前記押出機に導入される前記導体の温度を含む、
被覆層の物性予測装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、被覆層の物性予測方法及び装置に関する。

【背景技術】

【0002】

従来、押出成形で得られる成形品の物性を予測する技術が各種提案されてきた。例えば、特許文献１では、押出成形時の製造条件に基づいて成形品の物性を予測する手法が提案されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特表２００８－５０１８３７号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、例えば、電線被覆材料である被覆層は、導体の周囲に被覆されるために、導体との関係で物理量が大きく変化する場合があり、このような場合、上記の従来方法では被覆層の物性を精度よく推定できないという課題があった。

【0005】

そこで、本発明は、被覆層の物性を精度よく予測することが可能な被覆層の物性予測方法及び装置を提供することを目的とする。

【課題を解決するための手段】

【0006】

本発明は、上記課題を解決することを目的として、導体の周囲に押出機を用いて押出成形される被覆層の物性を予測する方法であって、少なくとも、前記被覆層の製造条件と、前記被覆層の物性との相関関係を機械学習して学習済モデルを生成する学習済モデル生成工程と、前記学習済モデルを用いて、前記被覆層の物性を予測する物性予測工程と、を含み、前記被覆層の製造条件は、前記押出機に導入される前記導体の温度を含む、被覆層の物性予測方法を提供する。

【0007】

また、本発明は、上記課題を解決することを目的として、導体の周囲に押出機を用いて押出成形される被覆層の物性を予測する装置であって、少なくとも、前記被覆層の製造条件と、前記被覆層の物性との相関関係を機械学習して学習済モデルを生成する学習済モデル生成処理部と、前記学習済モデルを用いて、前記被覆層の物性を予測する物性予測処理部と、を含み、前記被覆層の製造条件は、前記押出機に導入される前記導体の温度を含む、被覆層の物性予測装置を提供する。

【発明の効果】

【0008】

本発明によれば、被覆層の物性を精度よく予測することが可能な被覆層の物性予測方法及び装置を提供できる。

【図面の簡単な説明】

【0009】

【図1】本発明の一実施の形態に係る被覆層の物性予測装置の概略構成図である。

【図2】（ａ）は学習済モデル生成処理、（ｂ）は物性予測処理を説明する図である。

【図3】学習用データの一例を示す図である。

【図4】本発明の一実施の形態に係る被覆層の物性予測方法のフロー図である。

【図5】（ａ）は学習済モデル生成処理のフロー図であり、（ｂ）は物性予測処理のフロー図である。

【図6】実施例における予測精度の検討結果を示す図であり、（ａ）は引張強さ、（ｂ）は引張伸びの検討結果である。

【図7】比較例における予測精度の検討結果を示す図であり、（ａ）は引張強さ、（ｂ）は引張伸びの検討結果である。

【発明を実施するための形態】

【0010】

［実施の形態］
以下、本発明の実施の形態を添付図面にしたがって説明する。

【0011】

図１は、本実施の形態に係る被覆層の物性予測装置１（以下、単に物性予測装置１という）の概略構成図である。図１では、押出機１１０を含む電線の製造装置１００も併せて示している。物性予測装置１は、導体１０の周囲に押出機１１０を用いて押出成形される被覆層１１の物性を予測する装置である。予測対象となる物性は、例えば、引張強さや引張伸びである。なお、予測対象となる物性は、例えば、耐熱試験や耐油試験等の耐久試験後の引張強さや引張伸びであってもよい。

【0012】

（電線の製造装置１００）
まず、電線の製造装置１００について説明する。電線の製造装置１００は、導体１０を予熱する予熱装置１０１と、予熱された導体１０の周囲に押出成形により被覆層１１を被覆する押出機１１０と、導体１０及び被覆層１１を冷却する水槽１０２と、水槽１０２で冷却されて得られた電線１２の外径を測定する外径測定器１０３と、を有している。図示していないが、電線の製造装置１００は、被覆層１１に電子線を照射して被覆層１１を架橋する架橋装置や、電線１２を引き取る引取装置や、電線１２をドラム等に巻き取る巻取装置等を有している。押出機１１０は、原料となるペレットを投入するホッパ１１１を有するスクリュ式の本体部１１２と、予熱された導体１０が導入され、当該導体１０に本体部１１２から供給された樹脂を被覆するクロスヘッド１１３と、を主に有している。また、電線の製造装置１００は、電線の製造装置１００の各部を制御する制御装置１３０を有している。制御装置１３０は、例えば、パーソナルコンピュータ等の演算装置からなる。

【0013】

本実施の形態では、電線の製造装置１００は、押出機１１０に導入される導体１０の温度を測定する導体用温度センサ１２０を有している。導体用温度センサ１２０は、押出機１１０に導入される導体１０に接触して導体１０の温度を測定する接触式の温度センサである。以下、導体用温度センサ１２０で測定した温度のデータを、導体温度データ６１と呼称する。制御装置１３０は、導体用温度センサ１２０から導体温度データ６１を取得し、取得した導体温度データ６１を物性予測装置１に送信する。

【0014】

また、押出機１１０には、各部の温度を測定する押出機用温度センサ１２１が設けられている。図１では図示を簡略化して１つの押出機用温度センサ１２１のみを示しているが、本実施の形態では、本体部１１２における樹脂の流れの上流、中流、下流の３か所と、クランプ、ネック、クロスヘッド１１３、及びクロスヘッド１１３の出口に設けられたダイの合計７か所にそれぞれ押出機用温度センサ１２１を設けた。以下、押出機用温度センサ１２１で得られる押出機１１０の各部の温度のデータを押出機温度データ６２と呼称する。制御装置１３０は、押出機用温度センサ１２１から押出機温度データ６２を取得し、取得した押出機温度データ６２を物性予測装置１に送信する。

【0015】

（物性予測装置１）
物性予測装置１は、少なくとも、制御部２と、記憶部３と、不図示の通信部とを有している。制御部２は、物性予測装置１の全体を統括的に制御しており、記憶部３は、制御部２による後述する各種処理に必要な情報等を記憶する。物性予測装置１は、例えば、サーバ装置等のコンピュータであり、ＣＰＵ等の演算素子、ＲＡＭやＲＯＭ等のメモリ、ハードディスク等の記憶装置、ＬＡＮカード等の通信デバイスである通信インターフェースを備えている。

【0016】

制御部２は、設定処理部２１、データ取得処理部２２、学習済モデル生成処理部２３、物性予測処理部２４、及び予測物性提示処理部２５を有している。各部の詳細については後述する。記憶部３は、メモリや記憶装置の所定の記憶領域により実現されている。

【0017】

また、物性予測装置１は、表示器４と、入力装置５と、を有している。表示器４は、例えば液晶ディスプレイ等であり、入力装置５は、例えばキーボードやマウス等である。なお、表示器４をタッチパネルで構成し、表示器４が入力装置５を兼ねる構成としてもよい。また、表示器４や入力装置５は、物性予測装置１と別体に構成され、無線通信等により物性予測装置１と相互に通信可能に構成されていてもよい。この場合、表示器４または入力装置５は、タブレットやスマートフォン等の携帯端末で構成されていてもよい。

【0018】

（設定処理部２１）
設定処理部２１は、物性予測装置１の各種設定を行うための設定処理を行うものである。設定処理部２１では、例えば、データ取得処理部２２によるデータ取得の方法や、各種制御に係る情報の設定を行うことができる。

【0019】

（データ取得処理部２２）
データ取得処理部２２は、機械学習に用いる各種データを取得するデータ取得処理を行う。データ取得処理部２２は、電線の製造装置１００の制御装置１３０から、導体温度データ６１と押出機温度データ６２とを受信し、学習用データ６として記憶部３に記憶する。なお、導体温度データ６１と押出機温度データ６２は、入力装置５により入力されてもよい。また、データ取得処理部２２は、外部装置からの入力あるいは入力装置５からの入力により、物性データ６３を取得し、学習用データ６として記憶部３に記憶する。さらに、データ取得処理部２２は、物性の予測に用いる予測元データ８の取得も行う。予測元データ８は、例えば、入力装置５により入力される。

【0020】

（学習済モデル生成処理部２３）
学習済モデル生成処理部２３は、少なくとも、被覆層１１の製造条件と、被覆層１１の物性との相関関係を機械学習して学習済モデル７を生成する学習済モデル生成処理を行う。学習済モデル生成処理は、本発明の学習済モデル生成工程に相当する。図２（ａ）に示すように、学習済モデル生成処理では、学習済モデル生成処理部２３が、記憶部３に記憶された学習用データ６に基づいて機械学習を行い、学習済モデル７を生成する。本実施の形態では、被覆層の製造条件を説明変数とし、被覆層１１の物性を目的変数として、機械学習を行う。

【0021】

本実施の形態では、説明変数に用いる被覆層１１の製造条件は、押出機１１０に導入される導体１０の温度（ここでは、押出機１１０の近傍に設けられた接触式の導体用温度センサ１２０の測定値）である導体温度Ｔ_２を含む。これにより、導体１０の温度の影響を考慮して被覆層１１の物性を予測することが可能になり、予測精度の向上を図ることが可能になる。導体温度Ｔ_２のデータが導体温度データ６１である。

【0022】

また、被覆層１１の製造条件は、押出機１１０の出口部の温度である出口部温度Ｔ_１をさらに含む。押出機１１０の出口部とは、押出機１１０における樹脂の出口近傍の部分を意味しており、より具体的には、ネック、クロスヘッド１１３、及びダイの温度を意味している。出口部温度Ｔ_１は、押出機温度データ６２として記憶部３に記憶されている。

【0023】

本実施の形態では、出口部温度Ｔ_１及び導体温度Ｔ_２の２つのパラメータを説明変数としたが、さらに、押出機１１０のスクリュ形状、ニップル径、ダイ径等の装置の構造等に係るパラメータや、線速、スクリュ回転数、導体１０の外径、電線１２の外径等の製造条件に係るパラメータを説明変数に含んでもよい。さらに、被覆層１１の組成、すなわち各材料の配合量等を説明変数に含めてもよい。また、本実施の形態では、被覆層１１に電子線を照射して架橋を行ったが、このような場合、電子線の照射量を説明変数に含んでいてもよい。なお、目的変数である被覆層１１の物性は、引張強さＴＳまたは引張伸びＴＥとした。

【0024】

学習済モデル生成処理では、説明変数（ここでは出口部温度Ｔ_１及び導体温度Ｔ_２）と、目的変数（ここでは引張強さＴＳまたは引張伸びＴＥ）との相関性を表す学習済モデル７を生成する。学習済モデル生成処理は、本発明の学習済モデル生成工程に相当する。学習済モデル生成処理部２３は、生成した学習済モデル７を記憶部３に記憶する。

【0025】

学習済モデル生成処理部２３は、説明変数の各パラメータに対する目的変数のパラメータの相関性を、機械学習により自ら学習するための学習アルゴリズム等のソフトウェアを含んでいる。学習アルゴリズムは特に限定されず、公知の学習アルゴリズムを用いることができ、例えば、３層以上の層をなすニューラルネットワークを用いた所謂ディープランニング等を用いることができる。学習済モデル生成処理部２３が学習するものは、説明変数と目的変数との相関性を表すモデル構造に相当する。

【0026】

より具体的には、学習済モデル生成処理部２３は、学習用データ６を基に、説明変数と目的変数とを含むデータ集合に基づく学習を反復実行し、両者の相関性を自動的に解釈する。なお、学習の開始時には相関性は未知の状態であるが、学習を進めるに従って説明変数に対する目的変数の相関性を徐々に解釈し、その結果として得られた学習済モデル７を用いることで、説明変数に対する目的変数の相関性を解釈可能になる。

【0027】

本実施の形態では、下式（１）で表される簡易的な線形重回帰モデルを学習済モデル７として用いた。
（ＴＳ，ＴＥ）＝Ｃ_０＋Ｃ_１Ｔ_１＋Ｃ_２Ｔ_２ ・・・（１）
式（１）におけるＣ_０～Ｃ_２は回帰係数であり、学習済モデル生成処理部２３では、これら回帰係数Ｃ_０～Ｃ_２を求める処理を行うことになる。

【0028】

（学習用データ６）
ここで、機械学習に用いられる学習用データ６について説明しておく。図３は、学習用データ６の一例を示す図である。図６に示すように、学習用データ６は、導体温度データ６１と押出機温度データ６２とを含む製造条件データ６０と、物性データ６３と、を含んでいる。ここでは、製造条件データ６０が、押出機温度データ６２として、本体部１１２の上流、中流、下流、及びクランプの温度を含む場合について示しているが、これらは省略可能である。また、製造条件データ６０が、線速、スクリュ回転数、水槽距離、樹脂温度、及び照射量のデータを含むその他データ６４を含む場合について示しているが、これらは省略可能である。また、学習用データ６は、製造条件データ６０と物性データ６３以外に、例えば、ダイ径、ニップル径等の装置の状態を示すデータや、被覆層１１の組成（配合量等）のデータを含んでいてもよい。

【0029】

なお、図３の学習用データ６を取得する際には、押出機１１０として、スクリュ径２０ｍｍ、ダイ径１．０５ｍｍ、ニップル径１．６５ｍｍのものを用い、充実押出により被覆層１１を形成した。導体１０としては、０．５ＳＱの撚線導体を用いた。被覆層１１の材料としては、８０℃で２４時間以上真空乾燥を施したフッ素系材料（フッ素樹脂とフッ素ゴムとの複合材料）を用いた。被覆層１１には電子線照射にて架橋を施した。電子線の照射量は７５ｋＧｙとした。物性を実測する際には、電線１２の導体１０を除去した後、被覆層１１に対してＪＩＳ３００５に則った引張試験を実施し、得られた応力ひずみ線図の最大点応力を引張強度、破断点伸びを引張伸びとした。同様の引張試験を３回繰り返し、その平均値を引張強度ＴＳ、引張伸びＴＥとして学習用データ６に登録した。

【0030】

（物性予測処理部２４）
物性予測処理部２４は、学習済モデル生成処理部２３が生成した学習済モデル７を用いて、被覆層１１の物性を予測する物性予測処理を行う。物性予測処理は、本発明の物性予測工程に相当する。物性予測処理部２４は、学習済モデル生成処理部２３が生成した学習済モデル７（上記の式（１））を用いて、被覆層１１の物性を予測することになる。

【0031】

図２（ｂ）に示すように、物性予測処理では、物性予測処理部２４は、学習済モデル７と、予測元のデータである予測元データ８とを基に、被覆層１１の物性（引張強さＴＳまたは引張伸びＴＥ）を求め、予測データ９として記憶部３に記憶する。予測元データ８は、例えば、入力装置５により入力される。

【0032】

（予測物性提示処理部２５）
予測物性提示処理部２５は、物性予測処理部２４が予測した被覆層１１の物性（すなわち、予測データ９）を、表示器４に表示する予測物性提示処理を行う。なお、予測物性提示処理では、表示器４以外の外部装置に、予測データ９を送信するように構成してもよい。

【0033】

（被覆層１１の物性予測方法）
（メインルーチン）
図４は、本実施の形態に係る材料データ処理方法のフロー図である。なお、図４において、実線で示す矢印は、制御の流れを表しており、破線で示す矢印は、信号やデータの入出力を表している。

【0034】

図４に示すように、まず、ステップＳ１にて、データ取得処理を行う。データ取得処理では、データ取得処理部２２が、例えば、通信により制御装置１３０から導体温度データ６１及び押出機温度データ６２を取得し、学習用データ６として記憶部３に記憶する。また、データ取得処理部２２が、例えば、入力装置５からの入力により物性データ６３を取得し、学習用データ６として記憶部３に記憶する。なお、データの取得方法は特に限定されない。

【0035】

その後、ステップＳ２にて、学習済モデル生成処理を行う。図５（ａ）に示すように、学習済モデル生成処理では、ステップＳ２１にて、学習済モデル生成処理部２３が、学習用データ６を機械学習に用いて、学習済モデル７を生成する（ここでは、上式（１）の回帰係数Ｃ_０～Ｃ_２を求める）。その後、ステップＳ２２にて、生成した学習済モデル７を記憶部３に記憶する。その後、リターンする。

【0036】

被覆層１１の物性予測を行う際には、入力装置５等により、予測元データ８を入力する（ステップＳ６）。なお、予め予測元データ８となるデータを物性予測装置１に入力しておき、入力装置５により予測元データ８として用いるデータを選択するよう構成してもよい。

【0037】

ステップＳ３では、制御部２が、予測元データ８が入力されたかを判定する。ステップＳ３でＮＯ（Ｎ）と判定された場合、ステップＳ３に戻り、予測元データ８の入力を待つ。ステップＳ３でＹＥＳ（Ｙ）と判定された場合、ステップＳ４に進む。

【0038】

ステップＳ４では、物性予測処理を行う。物性予測処理では、図５（ｂ）に示すように、まず、ステップＳ４１にて、物性予測処理部２４が、学習済モデル７を用いて、予測元データ８に対応する被覆層１１の物性を求める。その後、ステップＳ４２にて、求めた被覆層１１の物性を、予測データ９として記憶部３に記憶する。その後、リターンし、図４のステップＳ５に進む。

【0039】

ステップＳ５では、予測物性提示処理を行う。予測物性提示処理では、予測物性提示処理部２５が、ステップＳ４の物性予測処理で得た予測データ９を、表示器４等に表示し、物性の予測結果を提示する。その後、処理を終了する。

【0040】

（予測精度の検討）
まず、本発明の実施例において、図３の学習用データ６を用い、上式（１）を用いて、引張強さＴＳと引張伸びＴＥのそれぞれを目的変数とした場合について学習済モデル７を生成した。その結果、以下の表１に示す回帰係数Ｃ_０～Ｃ_２が得られた。

【0041】

【表1】

【0042】

次に、得られた学習済モデル７を用いて、図３の各サンプルの出口部温度Ｔ_１及び導体温度Ｔ_２を予測元データ８として、引張強さＴＳと引張伸びＴＥの予測値を求め、実測値（図３中の引張強さＴＳと引張伸びＴＥの）との比較を行った。引張強さＴＳについての比較結果を図６（ａ）、引張伸びＴＥについての比較結果を図６（ｂ）にそれぞれ示す。図６（ａ）に示すように、引張強さＴＳを目的変数とした場合には、予測値と実測値の相関係数Ｒは０．８５３３となり、非常に強い相関が得られることが確認できた。同様に、図６（ｂ）に示すように、引張伸びＴＥを目的変数とした場合には、予測値と実測値の相関係数Ｒは０．９７６０となり、引張強さＴＳと同様に非常に強い相関が得られることが確認できた。これらの結果から、本発明の実施例によれば、高い精度で被覆層１１の物性を予測できることが確認できた。

【0043】

本発明との比較のために、上式（１）において導体温度Ｔ_２を含む項を除き、出口部温度Ｔ_１のみを説明変数とした比較例について、上記の実施例と同様に予測値と実測値との比較を行った。結果を図７（ａ），（ｂ）にそれぞれ示す。図７（ａ），（ｂ）に示すように、比較例では、引張強さＴＳを目的変数とした場合の予測値と実測値との相関係数Ｒが０．６８９３、引張伸びＴＥを目的変数とした場合の予測値と実測値との相関係数Ｒが０．８１７０となっており、実施例と比較して予測精度が低下していることが確認できた。すなわち、本発明の実施例のように、導体温度Ｔ_２を説明変数に用いることで、被覆層１１の物性の予測精度を向上させることが可能である。

【0044】

（実施の形態の作用及び効果）
以上説明したように、本実施の形態に係る被覆層１１の物性予測方法では、少なくとも、被覆層１１の製造条件と、被覆層１１の物性との相関関係を機械学習して学習済モデル７を生成する学習済モデル生成工程（学習済モデル生成処理）と、学習済モデル７を用いて、被覆層１１の物性を予測する物性予測工程（物性予測処理）と、を含み、機械学習に用いる被覆層１１の製造条件は、押出機１１０に導入される導体１０の温度である導体温度Ｔ_２を含んでいる。

【0045】

特に押出成形により形成される電線１２では、押出機１１０の出口部の温度である出口部温度Ｔ_１だけでなく、押出機１１０に導入される導体１０の温度である導体温度Ｔ_２が被覆層１１の物性に大きな影響を与える。よって、導体温度Ｔ_２を考慮することで、高い精度で被覆層１１の物性を予測することが可能になる。その結果、押出成形時の手戻り（押出成形のやり直し）の低減や、製造コストの削減が可能になる。

【0046】

（変形例）
上記実施の形態では、被覆層１１がフッ素系樹脂からなる場合について説明したが、被覆層１１の材質はこれに限定されず、本発明は様々な樹脂に適用可能である。また、上記実施の形態では、充実押出について説明したが、これに限らず、本発明はチューブ押出、挿入押出にも適用可能であり、ダイ形状も特に限定されない。

【0047】

（実施の形態のまとめ）
次に、以上説明した実施の形態から把握される技術思想について、実施の形態における符号等を援用して記載する。ただし、以下の記載における各符号等は、特許請求の範囲における構成要素を実施の形態に具体的に示した部材等に限定するものではない。

【0048】

［１］導体（１０）の周囲に押出機（１１０）を用いて押出成形される被覆層（１１）の物性を予測する方法であって、少なくとも、前記被覆層（１１）の製造条件と、前記被覆層（１１）の物性との相関関係を機械学習して学習済モデル（７）を生成する学習済モデル生成工程と、前記学習済モデル（７）を用いて、前記被覆層（１１）の物性を予測する物性予測工程と、を含み、前記被覆層（１１）の製造条件は、前記押出機（１１０）に導入される前記導体（１０）の温度を含む、被覆層の物性予測方法。

【0049】

［２］前記導体（１０）の温度は、前記押出機（１１０）に導入される前記導体（１０）に接触して前記導体（１０）の温度を測定する接触式の温度センサ（導体用温度センサ１２０）の測定値である、［１］に記載の被覆層の物性予測方法。

【0050】

［３］前記被覆層（１１）の製造条件は、前記押出機（１１０）の出口部の温度をさらに含む、［１］に記載の被覆層の物性予測方法。

【0051】

［４］前記学習済モデル生成工程では、前記被覆層（１１）の組成、前記被覆層（１１）の製造条件、及び前記被覆層（１１）の物性の相関関係を機械学習して前記学習済モデル（７）を生成する、［１］に記載の被覆層の物性予測方法。

【0052】

［５］導体（１０）の周囲に押出機（１１０）を用いて押出成形される被覆層（１１）の物性を予測する装置であって、少なくとも、前記被覆層（１１）の製造条件と、前記被覆層（１１）の物性との相関関係を機械学習して学習済モデル（７）を生成する学習済モデル生成処理部（２３）と、前記学習済モデル（７）を用いて、前記被覆層（１１）の物性を予測する物性予測処理部（２４）と、を含み、前記被覆層（１１）の製造条件は、前記押出機（１１０）に導入される前記導体（１０）の温度を含む、被覆層の物性予測装置（１）。

【0053】

（付記）
以上、本発明の実施の形態を説明したが、上記に記載した実施の形態は特許請求の範囲に係る発明を限定するものではない。また、実施の形態の中で説明した特徴の組合せの全てが発明の課題を解決するための手段に必須であるとは限らない点に留意すべきである。また、本発明は、その趣旨を逸脱しない範囲で適宜変形して実施することが可能である。

【符号の説明】

【0054】

１…被覆層の物性予測装置（物性予測装置）
２…制御部
２１…設定処理部
２２…データ取得処理部
２３ 処理部
２３…学習済モデル生成処理部
２４…物性予測処理部
２５…予測物性提示処理部
３…記憶部
６…学習用データ
６１…導体温度データ
６２…押出機温度データ
６３…物性データ
７…学習済モデル
８…予測元データ
９…予測データ
１０…導体
１１…被覆層
１２…電線
１１０…押出機
１２０…導体用温度センサ
１２１…押出機用温度センサ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】