特開 2024-168205 未加硫混練りゴムの加工方法およびシステム

(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】P2024168205

(43)【公開日】2024-12-05

(54)【発明の名称】未加硫混練りゴムの加工方法およびシステム

(51)【国際特許分類】

   B29C 48/92 20190101AFI20241128BHJP

   B29B 7/72 20060101ALI20241128BHJP

【ＦＩ】

B29C48/92

B29B7/72

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2023084684

(22)【出願日】2023-05-23

(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】鈴木 聖人

(72)【発明者】

【氏名】石川 泰介

【テーマコード（参考）】

4F201

4F207

【Ｆターム（参考）】

4F201AA45

4F201AP04

4F201AP14

4F201AP16

4F201AP17

4F201AP20

4F201AR04

4F201AR15

4F201AR17

4F201AR18

4F201BA01

4F201BC01

4F201BD05

4F201BK02

4F201BK74

4F207AA45

4F207AP04

4F207AP14

4F207AP16

4F207AP17

4F207AP20

4F207AR04

4F207AR15

4F207AR17

4F207AR18

4F207AR20

4F207KA01

4F207KA17

4F207KM04

4F207KM06

4F207KM14

4F207KM16

(57)【要約】

【課題】多数種類の未加硫混練りゴムの特徴量に適した加工条件を簡便に決定して、加工された未加硫混練りゴムを効率的に製造できる加工方法およびシステムを提供する。
【解決手段】準備段階Ｓ１００として、演算装置４に入力したデータセット１０から選択された対象特徴１１の特徴量に基づいたクラスタリングにより、データセット１０を複数のグループに分類した分類データセット１０ａを作成し、分類データセット１０ａを教師データとする機械学習により予測モデル２０を構築し、グループ毎に加工装置３で未加硫混練りゴムを良品に加工できる基準加工条件を設定したプリセットデータ３０を演算装置４に入力しておき、加工工程Ｓ２００では、演算装置４に入力した入力データＤ１と予測モデル２０とを用いて演算装置４により、未加硫混練りゴムＲが分類されるグループを予測し、予測したそのグループに対して設定されている基準加工条件で未加硫混練りゴムＲを加工装置３により加工する。
【選択図】図１

【特許請求の範囲】

【請求項1】

混練機による混練り工程を経た未加硫混練りゴムを加工装置に投入し、前記加工装置を演算装置により制御して、前記演算装置に入力した加工条件で前記未加硫混練りゴムを前記加工装置により加工する未加硫混練りゴムの加工方法において、
準備段階として、配合を異ならせた多数種類の前記未加硫混練りゴムについて前記加工装置に投入される前にその特徴を示す特徴量を多数種類の特徴に対して取得してデータセットとして前記演算装置に入力し、前記データセットから複数種類の前記特徴を対象特徴として選択して、前記演算装置を用いてそれぞれの前記対象特徴の前記特徴量に基づいて、教師なし機械学習による分類を行って、前記データセットを指定した所定数の複数のグループに分類した分類データセットを作成し、
それぞれの前記対象特徴の前記特徴量を説明変数とし、分類した所定数の複数の前記グループを目的変数として、前記演算装置を用いて前記分類データセットを教師データとする機械学習により予測モデルを構築し、
それぞれの前記グループ毎に前記加工装置で前記未加硫混練りゴムを良品に加工できる基準加工条件を予め設定したプリセットデータを前記演算装置に入力しておき、
前記準備段階の完了後に、前記未加硫混練りゴムを前記加工装置により加工する際には、前記加工装置に投入されるその未加硫混練りゴムのそれぞれの前記対象特徴を示す特徴量を取得して入力データとして前記演算装置に入力し、前記入力データと前記予測モデルとを用いて前記演算装置により、複数の前記グループの中から前記加工装置に投入されるその未加硫混練りゴムが分類されるグループを予測し、予測したそのグループに対して設定されている前記基準加工条件で前記加工装置に投入されるその未加硫混練りゴムを前記加工装置により加工する未加硫混練りゴムの加工方法。

【請求項2】

前記データセットに、それぞれの前記特徴量を取得した取得時期を追加しておき、
同一の前記グループに分類される前記未加硫混練りゴムについてのそれぞれの前記取得時期に基づいて、前記演算装置により、所定の前記対象特徴の前記特徴量の時系列分析を行って、前記グループを予測する際には、前記時系列分析の結果に基づいて補正した前記入力データを用いる請求項１に記載の未加硫混練りゴムの加工方法。

【請求項3】

教師なし機械学習による前記分類は、それぞれの前記対象特徴に対する主成分分析による次元削減を行って得られた多数種類の前記未加硫混練りゴムの主成分得点に基づいて行う請求項１または２に記載の未加硫混練りゴムの加工方法。

【請求項4】

前記データセットには、同一の特徴種で変形程度が異なる複数の変形領域のそれぞれに前記特徴量を有する前記特徴が存在していて、複数の前記変形領域のそれぞれに前記特徴量を有する前記特徴種を前記対象特徴として選択する場合には、それぞれの前記変形領域を個別の前記特徴として扱って前記対象特徴として選択する請求項１または２に記載の未加硫混練りゴムの加工方法。

【請求項5】

前記対象特徴の選択では、前記未加硫混練りゴムの粘弾性特性を示す複数の前記特徴を有する特徴群と粘性特性を示す複数の前記特徴を有する特徴群と回転振動によって得られるトルク特性を示す複数の前記特徴を有する特徴群の中から少なくとも二つの前記特徴郡を選択して、選択したそれぞれの前記特徴郡の中から少なくとも一つの前記特徴を前記対象特徴として選択する請求項１または２に記載の未加硫混練りゴムの加工方法。

【請求項6】

前記データセットは、前記未加硫混練りゴムの配合を特定する配合ラベルを前記特徴として備えていて、前記対象特徴として前記配合ラベルを選択する請求項１または２に記載の未加硫混練りゴムの加工方法。

【請求項7】

前記加工装置が押出機の場合には、前記加工条件がスクリュー温度、コンベヤ速度、押し出ダイ形状、スクリュー温度、および、シリンダ温度であり、前記加工装置が圧延機の場合には、前記加工条件がコンベヤ速度、クーリングドラム温度、ロール間ギャップ、ロール速度、および、切り出し幅であり、前記加工装置が加硫装置の場合には、前記加工条件が加硫温度、加硫圧力、および、加硫時間である請求項１または２に記載の未加硫混練りゴムの加工方法。

【請求項8】

混練機による混練り工程を経た未加硫混練りゴムが投入される加工装置と、前記加工装置を制御する演算装置とを備えて、前記演算装置に入力された加工条件で前記未加硫混練りゴムが前記加工装置により加工される未加硫混練りゴムの加工システムにおいて、
前記演算装置には、配合を異ならせた多数種類の前記未加硫混練りゴムについて前記加工装置に投入される前にその特徴を示す特徴量が多数種類の特徴に対して取得されてデータセットとして入力されていて、前記データセットから対象特徴として選択された複数種類の前記特徴の前記特徴量に基づいて、前記演算装置を用いて教師なし機械学習による分類が行われることにより、前記データセットが指定された所定数の複数のグループに分類された分類データセットが作成されていて、
それぞれの前記対象特徴の前記特徴量を説明変数とし、分類された所定数の複数の前記グループを目的変数として、前記演算装置を用いて前記分類データセットを教師データとする機械学習により予測モデルが構築されていて、
それぞれの前記グループ毎に前記加工装置で前記未加硫混練りゴムを良品に加工できる基準加工条件が予め設定されて前記演算装置に入力されていて、
前記未加硫混練りゴムを前記加工装置により加工する際には、前記加工装置に投入されるその未加硫混練りゴムのそれぞれの前記対象特徴を示す特徴量が取得されて入力データとして前記演算装置に入力されて、複数の前記グループの中から、前記入力データと前記予測モデルとを用いて前記加工装置に投入されるその未加硫混練りゴムが分類されているグループが予測されて、予測されたそのグループに対して設定されている前記基準加工条件で前記加工装置に投入されるその未加硫混練りゴムが前記加工装置により加工される未加硫混練りゴムの加工システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、未加硫混練りゴムの加工方法およびシステムに関し、より詳しくは、ゴムの特徴量（ゴム物性値）が異なる多数種類の未加硫混練りゴムについて、それぞれのゴムの特徴量に適した加工条件を簡便に決定して、所望の仕様に加工された未加硫混練りゴムを効率的に製造できる未加硫混練りゴムの加工方法およびシステムに関する。

【背景技術】

【0002】

混練機による混練り工程を経た未加硫混練りゴムは、押出機、圧延機、加硫装置などの加工装置により所望の仕様に加工される。それぞれの加工工程では、未加硫混練りゴムを所望の仕様に加工するために適切な加工条件が設定されている（例えば、特許文献１参照）。特許文献１に記載の発明では、押し出された未加硫ゴムの寸度および形状を維持するために、未加硫ゴムの物性や環境条件を含む特性に合わせて、押出速度およびコンベヤの搬送速度の速度変更パターンを定めている。

【0003】

タイヤなどのゴム製品の製造現場では、配合が異なるあるいは同一の配合でも混練り条件が異なる多数種類の未加硫混練りゴムが使用されているので、押出速度およびコンベヤの搬送速度の速度変更パターンを定めて加工を行うだけでは、それぞれの未加硫混練りゴムを所望の仕様に加工することは難しい。未加硫混練りゴムの特徴量が類似していれば同じ加工条件にすることで概ね同品質に加工することができる。したがって、ゴムの特徴量が異なる多数種類の未加硫混練りゴムについて、それぞれのゴムの特徴量に適した加工条件を簡便に決定して、所望の仕様に加工された未加硫混練りゴムを効率的に製造するには改善の余地がある。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開平７－６０８２１号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

本発明の目的は、ゴムの特徴量が異なる多数種類の未加硫混練りゴムについて、それぞれのゴムの特徴量に適した加工条件を簡便に決定して、所望の仕様に加工された未加硫混練りゴムを効率的に製造できる未加硫混練りゴムの加工方法およびシステムを提供することである。

【課題を解決するための手段】

【0006】

上記の目的を達成する本発明の未加硫混練りゴムの加工方法は、混練機による混練り工程を経た未加硫混練りゴムを加工装置に投入し、前記加工装置を演算装置により制御して、前記演算装置に入力した加工条件で前記未加硫混練りゴムを前記加工装置により加工する未加硫混練りゴムの加工方法において、準備段階として、配合を異ならせた多数種類の前記未加硫混練りゴムについて前記加工装置に投入される前にその特徴を示す特徴量を多数種類の特徴に対して取得してデータセットとして前記演算装置に入力し、前記データセットから複数種類の前記特徴を対象特徴として選択して、前記演算装置を用いてそれぞれの前記対象特徴の前記特徴量に基づいて、教師なし機械学習による分類を行って、前記データセットを指定した所定数の複数のグループに分類した分類データセットを作成し、それぞれの前記対象特徴の前記特徴量を説明変数とし、分類した所定数の複数の前記グループを目的変数として、前記演算装置を用いて前記分類データセットを教師データとする機械学習により予測モデルを構築し、それぞれの前記グループ毎に前記加工装置で前記未加硫混練りゴムを良品に加工できる基準加工条件を予め設定したプリセットデータを前記演算装置に入力しておき、前記準備段階の完了後に、前記未加硫混練りゴムを前記加工装置により加工する際には、前記加工装置に投入されるその未加硫混練りゴムのそれぞれの前記対象特徴を示す特徴量を取得して入力データとして前記演算装置に入力し、前記入力データと前記予測モデルとを用いて前記演算装置により、複数の前記グループの中から前記加工装置に投入されるその未加硫混練りゴムが分類されるグループを予測し、予測したそのグループに対して設定されている前記基準加工条件で前記加工装置に投入されるその未加硫混練りゴムを前記加工装置により加工することを特徴とする。

【0007】

本発明の未加硫混練りゴムの加工システムは、混練機による混練り工程を経た未加硫混練りゴムが投入される加工装置と、前記加工装置を制御する演算装置とを備えて、前記演算装置に入力された加工条件で前記未加硫混練りゴムが前記加工装置により加工される未加硫混練りゴムの加工システムにおいて、前記演算装置には、配合を異ならせた多数種類の前記未加硫混練りゴムについて前記加工装置に投入される前にその特徴を示す特徴量が多数種類の特徴に対して取得されてデータセットとして入力されていて、前記データセットから対象特徴として選択された複数種類の前記特徴の前記特徴量に基づいて、前記演算装置を用いて教師なし機械学習による分類が行われることにより、前記データセットが指定された所定数の複数のグループに分類された分類データセットが作成されていて、それぞれの前記対象特徴の前記特徴量を説明変数とし、分類された所定数の複数の前記グループを目的変数として、前記演算装置を用いて前記分類データセットを教師データとする機械学習により予測モデルが構築されていて、それぞれの前記グループ毎に前記加工装置で前記未加硫混練りゴムを良品に加工できる基準加工条件が予め設定されて前記演算装置に入力されていて、前記未加硫混練りゴムを前記加工装置により加工する際には、前記加工装置に投入されるその未加硫混練りゴムのそれぞれの前記対象特徴を示す特徴量が取得されて入力データとして前記演算装置に入力されて、複数の前記グループの中から、前記入力データと前記予測モデルとを用いて前記加工装置に投入されるその未加硫混練りゴムが分類されているグループが予測されて、予測されたそのグループに対して設定されている前記基準加工条件で前記加工装置に投入されるその未加硫混練りゴムが前記加工装置により加工されることを特徴とする。

【発明の効果】

【0008】

本発明によれば、分類した同一のグループに属する未加硫混練りゴムどうしはその特徴量どうしが類似するため、同じ加工条件であれば概ね同品質に加工できる。そして、それぞれのグループ毎に適した基準加工条件を予め設定していて、前記予測モデルも構築されている。そのため、未加硫混練りゴムを加工装置で加工する際には、加工装置に投入されるその未加硫混練りゴムの前記入力データを入力するだけで、それぞれの前記入力データを有する未加硫混練りゴムに適した加工条件を予め設定している基準加工条件として簡便に演算装置を用いて決定できる。その結果、特徴量が様々に異なっていても、所望の仕様に加工された未加硫混練りゴムを効率的に製造できる。

【0009】

また、グループの予測には入力データと教師あり機械学習により構築された予測モデルを用いる。それ故、未加硫混練りゴムの配合が新規の配合であっても、前記入力データがあれば、その未加硫混練りゴムが分類されるグループを予測でき、予測したそのグループに適した基準加工条件でその未加硫混練りゴムを加工できる。

【図面の簡単な説明】

【0010】

【図1】未加硫混練りゴムの加工システムの実施形態を例示する説明図である。

【図2】データセットを例示する説明図である。

【図3】未加硫混練りゴムの加工方法の実施形態の手順を例示するフロー図である。

【図4】主成分分析の結果を例示する説明図である。

【図5】クラスタリングの結果を例示する説明図である。

【図6】分類データセットを例示する説明図である。

【図7】プリセットデータを例示する説明図である。

【図8】入力データを例示する説明図である。

【図9】予測モデルを用いた予測結果を例示する説明図である。

【図10】変形例でのデータセットを例示する説明図である。

【図11】変形例での未加硫混練りゴムの加工方法の手順を例示するフロー図である。

【図12】時系列分析の結果を例示するグラフ図である。

【発明を実施するための形態】

【0011】

以下、本発明の未加硫混練りゴムの加工方法およびシステムを、図に示す実施形態に基づいて説明する。

【0012】

図１に例示する未加硫混練りゴムの加工システム１の実施形態を用いて、未加硫混練りゴムの加工方法が実施される。この加工システム１および加工方法は、混練機２による混練り工程を経た未加硫混練りゴムＲを加工装置（押出機）３により所望の仕様に加工するために使用される。即ち、この実施形態では、後述するように、図３に例示する手順に従って、準備段階（後述する準備段階Ｓ１００）として図２に例示するデータセット１０を演算装置４に入力して、予測モデル２０と図７に例示するプリセットデータ３０を予め作成しておく。未加硫混練りゴムＲを加工装置３により加工する（後述する加工工程Ｓ２００）際には、未加硫混練りゴムＲを加工装置３に投入する前にデータ取得装置５で取得した入力データＤ１が演算装置４に入力されて、予測モデル２０とプリセットデータ３０を用いて演算装置４により予め設定された基準加工条件で未加硫混練りゴムＲが加工される。

【0013】

まず、加工システム１の詳細について説明する。

【0014】

加工システム１は、加工装置３と演算装置４と各種のデータ取得装置５とを備えている。加工システム１は、ゴム製品の製造ラインに組み込まれている。加工システム１の加工装置３による未加硫混練りゴムＲの加工工程は、混練機２による混練り工程の後に行われる。未加硫混練りゴムＲは、例えば、ゴムタイヤ、コンベヤベルト、ホースなどの種々のゴム製品の製造に使用される。

【0015】

加工装置３としては、未加硫混練りゴムＲを加工する押出機、圧延機、および、加硫装置などの公知の種々の加工装置を例示できる。この実施形態では、加工装置３として押出機を用いている。押出機により押し出された未加硫混練りゴムＲは搬送コンベヤによって次工程に搬送される。加工装置３は演算装置４により制御されていて、加工装置３での加工条件は演算装置４に入力されている。加工条件は、例えば、加工装置３の制御パラメータの目標値（目標となる選択物の場合もある）であり、加工装置３が押出機の場合、スクリュー回転数〔ｒｐｍ〕、搬送コンベヤのコンベヤ速度〔ｍ／ｍｉｎ〕、押出ダイ形状の種類、スクリュー温度〔℃〕、および、シリンダ温度〔℃〕などが例示される。押出ダイ形状は目標となる選択物である。加工装置３が圧延機の場合、加工条件はコンベヤ速度〔ｍ／ｍｉｎ〕、クーリングドラム温度〔℃〕、ロール間ギャップ〔ｍｍ〕、ロール速度〔ｒｐｍ〕、および、切り出し幅〔ｍ〕などが例示される。加工装置３が加硫装置の場合、加工条件は、加硫時間〔ｍｉｎ〕、加硫温度〔℃〕、および、加硫圧力〔ＭＰａ〕などが例示される。加工条件は、例示した制御パラメータに限定されるものではなく、他の制御パラメータも適宜選択可能であり、例えば、加工装置３が押出機の場合、クーリングドラム温度や切り出し幅が含まれてもよい。この実施形態では、加工装置３として押出機を用いている。

【0016】

演算装置４は公知の種々のコンピュータを用いることができる。演算装置４は、中央演算処理部（ＣＰＵ）、主記憶部（メモリ）、補助記憶部（例えば、ＨＤＤ）、入力部（キーボード、マウス）、および、出力部（ディスプレイ）を有している。補助記憶部には、所定のプログラムと、データセット１０と分類データセット１０ａと予測モデル２０とプリセットデータ３０とが記憶されている。

【0017】

演算装置４は、未加硫混練りゴムＲを加工装置３により加工するよりも前の準備段階Ｓ１００で入力部によりデータセット１０が入力されると、所定のプログラムの実行により、そのプログラムに指示された各データ処理を実行して、予測モデル２０とプリセットデータ３０を作成する。演算装置４は、準備段階Ｓ１００の完了後の加工工程Ｓ２００を実行する際に、各種のデータ取得装置５が取得した入力データＤ１が入力されると、所定のプログラムの実行により、そのプログラムにより指示された各データ処理を実行して、加工装置３を制御する。

【0018】

各種のデータ取得装置５は、混練り工程を経た未加硫混練りゴムＲの特徴量（ゴム物性値）を取得している。より具体的に、各種のデータ取得装置５は、後述する図３に例示する未加硫混練りゴムの加工方法の手順におけるステップ（Ｓ１２０）で選択されたそれぞれの対象特徴１１の特徴量を取得している。各種のデータ取得装置５としては、ムーニー粘度計、キャピラリーレオメータ、可塑度計、プラストメータ、質量計、比重計、比熱測定装置などの公知の種々の測定装置を用いることができる。

【0019】

次に、データセット１０の詳細について説明する。

【0020】

図２に例示するデータセット１０は、準備段階Ｓ１００の時点で演算装置４に入力（演算装置４の補助記憶部に記憶）されていればよい。準備段階Ｓ１００では、配合を異ならせた多数種類の未加硫混練りゴム（サンプルＡ）について加工装置３に投入される前にその特徴を示す特徴量を多数種類の特徴に対して取得してそのサンプルＡの配合を特定する配合ラベルとともにデータセット１０として演算装置に入力される。データセット１０は、図２の表の最左列に記載された各未加硫混練りゴムのサンプルＡ（Ａ１、Ａ２、・・・、Ａｎ）毎に、多数種類の特徴（Ｇ’＿０．２８、Ｇ’＿３００、・・・、Ｇ’’＿０．２８、Ｇ’’＿３００、・・・、ｔａｎδ＿０．２８、ｔａｎδ＿３００、・・・）の特徴量（以下、特徴データ）を有している。

【0021】

データセット１０は、配合を異ならせて混練機２により混練りされた多数種類の未加硫混練りゴムのサンプルＡを用意して、加工装置３に投入される前にデータ取得装置５を用いてそれぞれの特徴を示す特徴量を取得することにより作成してもよい。ゴム製品の製造業者は様々な配合の未加硫混練りゴムＲについて多数種類の特徴の特徴量のデータを大量に蓄積している。製造業者が蓄積しているデータとしては、実際のゴム製品の製造ラインでの測定値や研究開発での多数の実験、試験の結果やコンピュータシミュレーション結果などのラボデータがある。これらの蓄積しているデータをデータセット１０として用いることができる。

【0022】

サンプルＡの配合には、配合ラベルを用いている。配合ラベルは、未加硫混練りゴムＲの配合を特定できるものであればよい。詳述すると、その未加硫混練りゴムＲの配合と他の配合とを区別できる表示であればよいので、実際の配合データである必要はなく、単なるマークや記号でもよい。したがって、同じ配合ラベルであれば同じ配合であることを意味する。配合とは未加硫混練りゴムＲの成分の種類とその成分量である。データセット１０として、配合ラベルまたは配合ラベルと実際の配合データを有していてもよい。

【0023】

同一の配合ラベルであっても混練機２による混練り具合や混練り後の経時変化に起因して、少なくとも一部の特徴の特徴量が若干異なる。配合が類似していると、それぞれの特徴量が近似するのが一般的である。サンプルＡの数（ｎ）は、膨大であり、例えば、５０個以上である。同一の配合ラベルでのサンプルＡの数は、例えば５個以上である。

【0024】

特徴データは、未加硫混練りゴムＲのサンプルＡに関する特徴を示す特徴量を多数種類の特徴について備える一群データ（サンプルＡごとの特徴量の集まり）である。図２の表中では、特徴および特徴量の一部が「・・・」によって省略された記載になっている。

【0025】

特徴データでのそれぞれの特徴は、サンプルＡの粘弾性特性を示す複数の特徴を有する特徴群、粘性特性を示す複数の特徴を有する特徴群、回転振動によって得られるトルク特性を示す複数の特徴を有する特徴群に区分される。具体的には、特徴の種類としては、動的せん断弾性率（Ｇ）、動的貯蔵せん断弾性率（Ｇ’）、動的損失せん断弾性率（Ｇ’’）、複素弾性率（Ｇ^＊）、クリープコンプライアンス（Ｊ）、損失クリープコンプライアンス（Ｊ’）、複素クリープコンプライアンス（Ｊ^＊）、損失正接（ｔａｎδ）、動粘度（η’）、見かけの動粘度（η’’）、複素動粘度（η^＊）、回転振動によって得られる弾性トルク（Ｓ’）、粘性トルク（Ｓ’’）、複素トルク（Ｓ^＊）、ムーニー粘度（Ｍ）、スコーチタイム（Ｔ５、Ｔ１０、Ｔ３０、Ｔ５０、Ｔ９５）などが例示される。また、特徴の一種として、サンプルＡの重量、比重、熱容量などを用いることもできる。

【0026】

データセット１０での一部の特徴の特徴量は特定の一つの変形領域のみで取得されていてもよいが、変形程度が異なる複数の変形領域毎で取得されることが好ましい。複数の変形領域は、例えば、ひずみが１０％以下の微小変形領域と数十％以上の大変形領域である。複数の変形領域には、微小変形領域と大変形領域との間の中間的な変形領域をさらに採用することもできる。微小変形領域は、ひずみが１０％以下の範囲で任意に設定でき、例えば、１％以下、或いは、０．１％以上０．５％以下の範囲にする。大変形領域は、ひずみが数十％以上の範囲で任意に設定でき、例えば、２０％以上、或いは、５０％以上１２５０％以下の範囲にする。図２中では、例えば、特徴種である動的損失せん断弾性率Ｇ’に対しては、ひずみが０．２８%の微小変形領域での動的損失せん断弾性率Ｇ’＿０．２８と、ひずみが３００％の大変形領域での動的損失せん断弾性率Ｇ’＿３００とが存在している。このように、データセット１０では、それぞれの変形領域を同一種類の特徴での個別の特徴として扱っている。なお、図２中では、それぞれの特徴種において変形領域が０．２８％と３００％で共通になっているが、特徴の種類ごとに所望の変形領域を設定すればよく、例えば、動粘度η’では、微小変形領域としてひずみが０．１４％、大変形領域としてひずみが１２５０％を採用してもよい。

【0027】

サンプルＡによっては、一部の特徴の特徴量が欠損している場合がある。特徴量が欠損している場合、欠損しているその特徴量を補完しておくとよい。特徴量の欠損の補完手法には、公知の種々の手法を用いることができる。例えば、データセット１０の中に一部の特徴の特徴量が欠損しているサンプルＡが存在する場合、同一の配合ラベルのサンプルＡの欠損していない当該特徴量を用いて補完する、または、同一の配合ラベルの複数のサンプルＡの欠損していない当該特徴量の代表値を用いて補完する。

【0028】

また、データセット１０での特徴ごと（列ごと）によって特徴量（数値）の範囲が大幅に異なる場合、それぞれの特徴量をスケーリング（正規化あるは標準化）するとよい。スケーリングの手法には、Ｍｉｎ－Ｍａｘ法、平均値および標準偏差を用いる手法、ＲｏｂｕｓｔＳｃａｌｅｒ（中央値からの偏差を四分位範囲で除算）、ＲＭＳＥ（二乗平均平方根誤差）を用いた手法などの公知の種々の手法を用いることができる。データセット１０の特徴データに対してスケーリングを施すことにより、それぞれの特徴の特徴量が有する値の重みを概ね平等にすることができるので、後述する準備段階Ｓ１００である特徴のみを重視するなどの偏ったデータ処理の回避には有利になる。

【0029】

それぞれの特徴量は、未加硫混練りゴムのサンプルＡが混練機２による混練り工程を経て加工装置３に投入されるまでの間に各種のデータ取得装置５により取得されている。それぞれの特徴量をデータ取得装置５により取得するタイミングは、混練り工程からの経時変化による物性変動を考慮すると加工装置３に投入される直前が望ましいが、多数の特徴量の全てを加工装置３に投入される直前に取得することは難しい。そこで、特徴ごとに同一のタイミングを用いて、特徴ごとに経時変化による物性変動の具合を統一するとよい。実際に加工システム１が組み込まれた製造ラインでは、各特徴量がそれぞれのデータ取得装置５により順次、取得されていて、特徴ごとに概ね同一のタイミングになっている。サンプルＡとしてラボデータを用いる場合、実際に製造ラインでのそれぞれのデータ取得装置５による取得タイミング（混練機２から排出されてから経過した時間）を計測しておき、計測したそれぞれの取得タイミングを考慮するとよい。これにより、異なる特徴どうしではその特徴量の取得タイミングが異なるが、同一の特徴では略同一の取得タイミングでその特徴量が取得される。したがって、同一の特徴の特徴量どうしでは、混練り工程後の経時変化の具合が概ね同一になり、経時変化による特徴量の変動の影響を抑制するには有利になる。

【0030】

次に、未加硫混練りゴムの加工方法の詳細について説明する。

【0031】

図３に例示するように未加硫混練りゴムの加工方法の手順としては、準備段階Ｓ１００を加工工程Ｓ２００よりも前に実行する。準備段階Ｓ１００として、データセット１０を演算装置４に入力し（Ｓ１１０）、予測モデル２０とプリセットデータ３０を作成しておく（Ｓ１２０～Ｓ１５０）。次いで、未加硫混練りゴムＲを加工装置３により加工する加工工程Ｓ２００では、加工装置３に投入される未加硫混練りゴムＲの入力データＤ１を演算装置４に入力し（Ｓ２１０）、入力された入力データＤ１と予測モデル２０とプリセットデータ３０とを用いて特定された基準加工条件で未加硫混練りゴムＲが加工される（Ｓ２２０、Ｓ２３０）。以下に、各ステップ（Ｓ１１０～Ｓ１５０、Ｓ２１０～Ｓ２３０）の内容について詳述する。

【0032】

ステップ（Ｓ１１０）では、データセット１０を演算装置４に入力する。このステップは、準備段階Ｓ１００を開始するよりも前の任意のタイミングで行うことができる。

【0033】

ステップ（Ｓ１２０）では、データセット１０の特徴データの多数種類の特徴の中から複数種類の特徴を対象特徴１１として選択する。具体的に、演算装置４により対象特徴１１の選択画面を出力部に出力するデータ処理が実行され、その選択画面に入力部により対象特徴１１が選択される。

【0034】

対象特徴１１として選択される特徴の特徴種の種類数が少ないとクラスタリングに必要な情報が欠けてしまう一方で、その種類数が多すぎると球面集中現象の発生や相関係数の高い組み合わせが発生してしまう。そこで、精度向上および情報の重複により特定の特性が過度に影響を与えることになってしまうことを考慮して、適切な個数の特徴種が対象特徴１１として選択されることが望ましい。対象特徴１１の特徴種の種類数は、４個以上が好ましく、上限は例えば１２個である。例えば、加工される未加硫混練りゴムＲの使用用途（ゴム製品での部位）毎に適切な対象特徴１１が選択される。なお、対象特徴１１の特徴種の種類数は、後の工程で主成分分析のような特徴量削減を行う際はこの限りではない。

【0035】

対象特徴１１の選択には、特に制約を設けなくてもよいが、制約を設けることによりステップ（Ｓ１３０）でのクラスタリングの精度の向上には有利になる。そこで、選択する特徴の種類を制約する制約条件を用いて、その制約条件を満足する特徴を対象特徴１１として選択することが望ましい。

【0036】

制約条件としては、対象特徴１１を各特性に応じたそれぞれの特徴に限定する。例えば、粘弾性特性を示す特徴郡（複数の特徴の集まり）、粘性特性を示す特徴郡、回転振動によって得られるトルク特性を示す特徴郡の中から少なくとも二つの特徴郡を選択して、選択したそれぞれの特徴郡の中から少なくとも一つの特徴を対象特徴１１として選択する。より望ましくは、それらの特徴郡の全てを選択して、選択したそれぞれの特徴郡の中から少なくとも一つの特徴を対象特徴１１として選択する。このように、同一の特性のみではなく、異なる特性の特徴を対象特徴１１として選択することにより、未加硫混練りゴムＲの物性をより多角的に把握するには有利になる。

【0037】

別の制約条件としては、対象特徴１１として選択した特徴種が、データセット１０において、変形程度が異なる複数の変形領域毎での特徴量を有している場合、それぞれの変形領域での特徴（同一種類の特徴での個別の特徴）を対象特徴１１として選択する。例えば、対象特徴１１として動的貯蔵せん断弾性率Ｇ’を選択する場合、微小変形領域の動的貯蔵せん断弾性率Ｇ’＿０．２８と大変形領域の動的貯蔵せん断弾性率Ｇ’＿３００のそれぞれの特徴（同一種類の特徴での個別の特徴）を対象特徴１１として選択する。このように、対象特徴１１を選択することで、加工装置３による未加硫混練りゴムの加工時の挙動の具合をより正確に把握できる。

【0038】

制約条件は、上記に限定されるものではない。例えば、未加硫混練りゴムＲの各特性から選択された特徴に加えて、変形領域に応じてその特徴量が変化しない特徴（重量、比重、熱容量など）を対象特徴１１として選択するとよい。また、それぞれの配合ラベルや実際の配合データがデータセット１０に記載されている場合は、配合ラベルや実際の配合データを対象特徴１１として選択するとよい。配合ラベルや実際の配合データを対象特徴１１として選択してクラスタリングすると、特徴がより類似したどうしを同じグループに分類するには有利になる。

【0039】

対象特徴１１としては、例えば、ひずみが０．２８％の微小変形領域とひずみが３００％の大変形領域との２種類の変形領域での動的貯蔵せん断弾性率（Ｇ’）、動的損失せん断弾性率（Ｇ’’）、回転振動によって得られる弾性トルク（Ｓ’）、粘性トルク（Ｓ’’）、損失クリープコンプライアンス（Ｊ’）、複素クリープコンプライアンス（Ｊ^＊）、動粘度（η’）、見かけの動粘度（η’’）、損失正接（ｔａｎδ）が選択される。即ち、対象特徴１１としては、例えば、９種類の特徴種と２種類の変形領域との組み合わせによって合計１８種類の特徴が選択される。

【0040】

ステップ（Ｓ１３０）では、選択されたそれぞれの対象特徴１１の特徴量に基づいた教師なし機械学習による分類（クラスタリング）を用いて、演算装置４により、データセット１０を指定した所定数の複数のグループ（Ｇ１～Ｇ４）に分類するデータ処理が実行される。クラスタリングは、ウォード法、群平均法、最短距離法、最長距離法などの公知の種々の階層クラスタリングや、ｋ平均法などの公知の種々の非階層クラスタリングを用いることができる。所定数（クラスタリングによる分類数）は、サンプルＡの配合ラベルの種類数よりも少なくなる範囲で任意に選択可能である。サンプルＡの配合ラベルの種類数が１５個の場合クラスタリングによる分類数は、例えば、３個以上１５個未満である。

【0041】

このステップ（Ｓ１３０）では、それぞれの対象特徴１１に対する主成分分析による次元削減を行って得られた各サンプルＡの主成分得点に基づいて、教師なし機械学習による分類（クラスタリング）を行うことが好ましい。上記のステップ（Ｓ１２０）で選択された対象特徴１１の数が、例えば、４つ以上の場合、演算装置４により公知の主成分分析のデータ処理が実行されて、データの次元削減を行うことが好ましい。

【0042】

図４は、主成分分析のデータ処理の結果の一例を示している。図４では、選択した対象特徴１１を１８種類のパラメータと見做して、１８種類のパラメータから作成された２軸の一方の第一主成分軸ＰＣ１を横軸とし、他方の第二主成分軸ＰＣ２を縦軸とする。図４中の白点は、データセット１０の各サンプルＡ（Ａ１、・・・、Ａｎ）の主成分得点をプロットしたものである。なお、主成分分析によるデータの次元の縮小は、多次元から二次元への縮小に限定されるものではなく、例えば、多次元から三次元への縮小でもよい。

【0043】

図５は、クラスタリングの結果の一例を示している。図５では、クラスタリングによる分類数が４個であり、各サンプルＡの主成分得点が各グループ（Ｇ１～Ｇ４）に分類されている。図５では各グループを色分けなどで表現できないため、破線によって分類されたそれぞれのグループを示している。

【0044】

同一のグループに属するそれぞれのサンプルＡは、対象特徴１１のそれぞれの特徴量が類似している。したがって、同一のグループに属するそれぞれのサンプルＡどうしは、同一の加工条件で加工した場合に概ね同品質に加工することが可能である。このように、このステップ（Ｓ１３０）では、対象特徴１１のそれぞれの特徴量の類似具合に応じて、同一の加工条件での加工した場合に概ね同品質に加工可能なサンプルＡの集合をグループ化している。

【0045】

配合ラベルが同一のサンプルＡどうしでは、それぞれの対象特徴１１の特徴量が類似している。そこで、クラスタリングでは、配合ラベルが同一のサンプルＡどうしが同一のグループに分類されるとよい。クラスタリングで、データセット１０を同じ配合ラベル単位で複数のグループに分類するには、対象特徴１１として配合ラベルまたは実際の配合データを選択する。また、クラスタリングの結果を確認して、配合ラベルが同一のサンプルＡどうしが同一のグループに分類されていない場合、それらのサンプルＡどうしが同一のグループに分類されるようにデータ修正するとよい。データ修正は、例えば、複数のグループの中から配合ラベルが同一のサンプルＡが最も多く属するグループを、その配合ラベルが同一のサンプルＡどうしが属するグループとして選択し、選択したグループ以外のグループに属しているサンプルＡを選択したグループに分類する。このように、クラスタリングでは、配合ラベルが同一のサンプルＡどうしが同一のグループに分類されることが望ましい。

【0046】

図６に例示する分類データセット１０ａは、上述した図５のクラスタリングの結果を表に記載したものである。分類データセット１０ａは、複数のグループ毎にデータセット１０でのサンプルＡが分類されていて、分類されたそれぞれのサンプルＡについての対象特徴１１の特徴量を備えている。

【0047】

ステップ（Ｓ１４０）では、演算装置４により分類データセット１０ａを教師データとして用いる機械学習により予測モデル２０を構築するデータ処理が実行される。予測モデル２０は、教師データを用いた機械学習により構築され、未加硫混練りゴムＲが分類されるグループ（Ｇ１～Ｇ４）を予測するコンピュータプログラムの一種である。予測モデル２０は、分類データセット１０ａのそれぞれの対象特徴１１の特徴量を説明変数とし、各グループ（Ｇ１～Ｇ４）を目的変数とした、教師あり機械学習により構築される。教師あり機械学習としては、ｋ近傍法（ｋ－ｎｎ方法）、ランダムフォレスト、ディープニューラルネットワーク（ＤＮＮ）などの公知の種々の教師あり機械学習が例示される。

【0048】

教師あり機械学習としてｋ近傍法を用いたステップ（Ｓ１４０）の一例では、ハイパーパラメータ（最近傍サンプル数）ｋを設定する。ハイパーパラメータｋは、任意の正の整数を用いることができる。ハイパーパラメータｋは、ホールドアウト検証や交差検証などの公知の検証手法を用いて、より適切な値を設定してもよい。例えば、分類データセット１０ａのサンプルＡの全数の５０％～８０％のサンプルを仮教師データとし、全サンプルＡから仮教師データを除いた残りのサンプルをテストデータとし、ハイパーパラメータｋの値を変えながらテストデータに対する予測を行って、その予測の正解率を算出する。算出した正解率の中から最も高い正解率が得られたものをハイパーパラメータｋの値とする。なお、学習フェーズ（訓練フェーズ）が無いｋ近傍法を用いたステップ（Ｓ１４０）では、ハイパーパラメータｋを設定したが、他の教師あり機械学習を用いたステップ（Ｓ１４０）では、学習フェーズ（訓練フェーズ）が行われる場合もある。

【0049】

ステップ（Ｓ１５０）では、それぞれのグループ毎に加工装置３で未加硫混練りゴムのサンプルＡを良品に加工できる基準加工条件を予め設定して演算装置４に入力して、プリセットデータ３０が作成される。具体的には、演算装置４により加工条件の設定画面を出力部に出力するデータ処理が実行され、その設定画面に入力部により加工条件が設定される。

【0050】

良品とは、加工装置３で加工されたサンプルＡの加工具合が良好な状態を意味する。良品か否かは、例えば、加工後のサンプルＡの寸法、形状、表面状態などを指標として予め決定されている許容範囲に入るか否かによって判断される。許容範囲に入っていれば良品であり、入っていなければ不良品である。

【0051】

基準加工条件は、各グループに属するサンプルＡの特徴量に基づいて設定される。各グループの特徴量を把握することで、当業者であれば、ゴム製品の製造過程で得られた経験、公知の種々の文献、多数の実験や試験データの蓄積やコンピュータシミュレーション結果の蓄積などを参考にして、各グループに適した基準加工条件を設定できる。このような当業者の知見を利用して、それぞれのグループ毎に基準加工条件が設定される。例えば、グループＧ１に対して設定された基準加工条件で、グループＧ１に属するサンプルＡ１、Ａ２を加工装置３により加工した場合、サンプルＡ１、Ａ２のそれぞれは良品に加工される。このように、基準加工条件は、設定されたグループに属するいずれのサンプルＡを加工装置３により加工しても、良品になるように設定される。

【0052】

図７に例示するプリセットデータ３０では、図７の表中の最左列に記載されたそれぞれのグループ（Ｇ１～Ｇ４）毎に、基準加工条件が設定されている。図７の表中では、基準加工条件のより具体的な制御パラメータの一部および制御パラメータの目標値の一部が「・・・」によって省略された記載になっている。加工装置３として押出機を用いる場合、基準加工条件として設定される制御パラメータは、例えば、スクリュー回転数、コンベヤ速度、押し出しダイ形状、スクリュー温度、シリンダ温度である。

【0053】

以上の準備段階Ｓ１００の実施により、予測モデル２０とプリセットデータ３０が作成されて、演算装置４の補助記憶部に記憶される。準備段階Ｓ１００の各ステップ（Ｓ１１０～Ｓ１５０）は、未加硫混練りゴムＲを加工装置３により実際に加工する加工工程Ｓ２００とは関係なく任意の所望のタイミングで行うことができる。準備段階Ｓ１００で作成した予測モデル２０やプリセットデータ３０は、データセット１０へのサンプルＡの追加、ステップ（Ｓ１２０）で選択される対象特徴１１の変更など、予測モデル２０やプリセットデータ３０に関するデータの変更がない限り、作成し直す必要がない。即ち、一度作成した予測モデル２０やプリセットデータ３０は何回でもそのまま使用することが可能であるので、予測モデル２０やプリセットデータ３０が作成されていれば、準備段階Ｓ１００を省略できる。

【0054】

次に、加工工程Ｓ２００の詳細について説明する。

【0055】

ステップ（Ｓ２１０）では、混練機２による混練り工程を経た未加硫混練りゴムＲが加工装置３に投入される前に、各種のデータ取得装置５により、未加硫混練りゴムＲに関するそれぞれの対象特徴１１の特徴量が取得されて、各種のデータ取得装置５により取得されたそれぞれの対象特徴１１の特徴量が入力データＤ１として演算装置４に入力される。入力データＤ１は、各種のデータ取得装置５から直に演算装置４に入力されてもよいが、入力部により演算装置４に入力されてもよい。

【0056】

図８に例示する入力データＤ１は、各種のデータ取得装置５により取得されて、演算装置４に入力される。入力データＤ１は、未加硫混練りゴムＲのそれぞれの対象特徴１１の特徴量が集積している。図８の表中では、具体的な特徴量が「・・・」によって省略されている。

【0057】

入力データＤ１での対象特徴１１は、上述した準備段階Ｓ１００のステップ（Ｓ１２０）で選択された対象特徴１１と同一である。入力データＤ１は上述した図２のデータセット１０と同様に欠損している特徴量の補完や各特徴量のスケーリングを行うとよい。各種のデータ取得装置５により入力データＤ１を取得するタイミングは、データセット１０での特徴量を取得するタイミングと同様のタイミングを用いるとよい。各種のデータ取得装置５での取得タイミングをデータセット１０での取得タイミングに合わせることにより、データセット１０での特徴量とこのステップ（Ｓ２１０）で取得された特徴量との混練り工程後の経時変化の具合が概ね同一になり、経時変化による特徴量の変動の影響を排除するには有利になる。

【0058】

ステップ（Ｓ２２０）では、入力された入力データＤ１と予測モデル２０とを用いて演算装置４により未加硫混練りゴムＲが分類されるグループを予測するデータ処理が実行される。具体的に、ｋ近傍法を用いて予測モデル２０が構築されている場合、未加硫混練りゴムＲが分類されるグループをｋ個の最近傍サンプルの内訳による多数決により判別する。ｋ近傍法のグループの判別には、通常、ユークリッド距離が用いられるが、マンハッタン距離やマハラノビス距離などの公知の種々の距離を用いることもできる。

【0059】

図９は、予測モデル２０を用いた予測結果の一例を示している。図９中では、未加硫混練りゴムＲが分類されるグループは、グループＧ２と予測されている。なお、ｋ近傍法における多数決により未加硫混練りゴムＲが分類されるグループを判別できない場合、この図９に例示するグラフ図を演算装置４の出力部に出力して、作業者がグラフ図に基づいて未加硫混練りゴムＲが分類されるグループを判別して、入力部により判別したグループを入力してもよい。

【0060】

ステップ（Ｓ２３０）では、演算装置４により、予測したグループに対して設定されている基準加工条件で加工装置３を制御するデータ処理が実行されて、基準加工条件で未加硫混練りゴムＲが加工される。ステップ（Ｓ２３０）において基準加工条件を開始した後で、適宜のタイミングで加工条件を調節することも可能である。

【0061】

以上のように、本実施形態によれば、教師なし機械学習により分類した同一のグループに属する未加硫混練りゴムＲどうしはその特徴量どうしが類似するため、それぞれのグループ毎に加工装置３により良品に加工できる基準加工条件を予め設定している。また、未加硫混練りゴムＲの入力データＤ１と予測モデル２０とを用いて、入力データＤ１に類似する特徴量を有するグループを的確に予測している。そのため、未加硫混練りゴムＲを加工装置３で加工する際には、加工装置３に投入されるその未加硫混練りゴムＲの入力データＤ１を入力するだけで、それぞれの入力データＤ１を有する未加硫混練りゴムＲに適した加工条件を予め設定している基準加工条件として簡便に演算装置４を用いて決定できる。その結果、特徴量が様々に異なっていても、所望の仕様に加工された未加硫混練りゴムＲを効率的に製造できる。

【0062】

また、グループの予測には入力データＤ１と教師あり機械学習により構築された予測モデル２０を用いる。それ故、その未加硫混練りゴムＲの配合データが既存ではない新規の配合データだとしても、その未加硫混練りゴムＲが属するグループを予測でき、予測したそのグループに適した基準加工条件でその未加硫混練りゴムＲを加工できる。

【0063】

設定された基準加工条件は、未加硫混練りゴムＲを良品に加工可能な目安として利用することができる。入力データＤ１を入力することで得られた基準加工条件を基準として、周囲環境や混練り工程から経時的な物性変動を考慮して、加工条件の微調整を行うことにより、現場に則したより適切な加工条件で未加硫混練りゴムＲを加工装置３により加工することができる。即ち、目安となる基準加工条件が簡便に決定するため、作業者のスキルの程度に影響を受けることなく効率的に、所望の仕様に加工された未加硫混練りゴムＲを製造できる。

【0064】

次に、未加硫混練りゴムの加工方法およびシステムの実施形態の変形例について説明する。

【0065】

図１０は変形例で用いるデータセット１０Ｂの一例を示す。データセット１０Ｂは、上述した図２のデータセット１０に対して、取得時期が追加されている。取得時期は、各サンプルＡについての加工装置３による加工工程Ｓ２００が実施された時期（多数種類の特徴の特徴量が取得された時期）を示すデータである。図１０の表中では、取得時期が「・・・」によって省略された記載になっているが実際は年月日（ＹＹＹＹ／ＭＭ／ＤＤ）が記載されている。取得時期は、年月だけにすることも、年と上期／下期などにすることもできる。また、データセット１０Ｂは、特徴として配合ラベル（Ｃ１、Ｃ２、・・・、Ｃｍ）を備えている。

【0066】

図１１は変形例での未加硫ゴムの加工方法の手順の一例を示す。変形例では、上述した図３の手順に対して別のステップ（Ｓ３１０、Ｓ３２０）が追加されている。即ち、変形例の手順では、演算装置４により、入力された入力データD１が補正される（Ｓ３１０、Ｓ３２０）。したがって、変形例では、演算装置４により、補正された入力データD１と予測モデル２０を用いて未加硫混練りゴムＲが分類されるグループが予測される（Ｓ２２０）。

【0067】

ステップ（Ｓ３１０）では、同一のグループに属する多数のサンプルＡについてのそれぞれの取得時期に基づいて、演算装置４により、それぞれの対象特徴１１の特徴量の時系列分析を行うデータ処理が実行される。時系列分析（時系列予測）には、Ｘ１１分解法、加法型あるいは積乗型季節平滑法、自己回帰和分移動平均（ＡＲＩＭＡ）モデル、季節変動自己回帰和分移動平均（ＳＡＲＩＭＡ）モデル、ＳＴＬ分解（Ｓｅａｓｏｎ－ｔｒｅｎｄ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ）などの公知の種々の時系列分析手法を用いることができる。混練機２による混練り工程は、季節による周囲環境の温度変化の影響を受けることから、時系列分析は、季節的な要因を含まないデータに適した移動平均法や指数平滑法などの非季節手法以外の手法を用いることが望ましい。

【0068】

時系列分析に用いるグループは、任意に選択してもよいが、上述した図６の分類データセット１０ａにおいて分類されているサンプルＡの数が多いほど時系列分析でのデータ数が多くなり、時系列での特徴量の変動の傾向をより正確に把握するには有利になる。また、時系列分析に用いる多数のサンプルＡは、それぞれの配合どうしが近似するほど配合の差異による特徴量の変動に及ぼす影響が排除されるため、時系列での特徴量の変動の傾向をより正確に把握するには有利になる。したがって、時系列分析に用いる多数のサンプルＡには、同一のグループに分類された多数のサンプルＡの中の同一の配合ラベルを有するサンプルＡを用いるとよい。このステップ（Ｓ３１０）では、複数のグループ（Ｇ１～Ｇ４）の中から同一の配合ラベルを有するサンプルＡの数が最も多いグループを選択して、選択したそのグループに分類されたそれらのサンプルＡについてのそれぞれの対象特徴１１の特徴量を取得時期に基づいて時系列分析する。

【0069】

図１２は、グループＧ２に分類される配合ラベルＣｍを有するサンプルＡについての大変形領域での動的貯蔵せん断弾性率Ｇ’＿３００の変動量を時系列分析した結果の一例を示している。図１２中の白丸点は、観測値であり、サンプルＡごとの大変形領域での動的貯蔵せん断弾性率Ｇ’＿３００の変動量と日付の該当位置にプロットしたものである。図１２中の白四角点は、観測値から時系列分析により得られた季節変動による変動量と日付の該当位置にプロットしたものである。図１２中の黒丸点は、観測値から季節変動と不規則変動（ノイズ）を除去した傾向変動（長期変動）による変動量と日付の該当位置にプロットしたものである。

【0070】

図１２中の太い破線は、黒丸点群を直線に近似したものであり、予測される傾向変動を示している。図１２中では未加硫混練りゴムＲの混練り工程や加工工程Ｓ２００の取得時期をＤｂで示している。取得時期Ｄｂでの太い破線上ある黒星点は、未加硫混練りゴムＲの特徴量での傾向変動量を示している。傾向変動量は、混練機２による混練り工程での出来栄えの度合いの変化による影響が反映されていて、その要因は、例えば、混練機２の経年劣化である。

【0071】

図１２中の白星点は、未加硫混練りゴムＲの特徴量での季節変動量を示している。図１２中の白四角点群では、季節変動を正確に予想するにはデータ数が少なく、その季節変動量は季節変動における季節平均に対する影響の程度が正か負かを示している。したがって、変形例では季節変動量が考慮されない（季節変動量＝０）が、データセット１０Ｂによっては季節変動量を取得することもできる。季節変動を正確に予測して未加硫混練りゴムＲの特徴量での季節変動量を取得するには、例えば、複数年単位でデータ収集したデータセット１０Ｂを用いる。そのようなデータセット１０Ｂであれば、季節変動による周期的な特徴量の変動を予測して、未加硫混練りゴムＲの特徴量での季節変動量を取得できる。取得した季節変動量は、季節による気温や湿度などの周囲環境の変化による影響が反映される。

【0072】

ステップ（Ｓ３２０）は、演算装置４により、時系列分析の結果に基づいて入力データＤ１を補正するデータ処理が実行される。この入力データＤ１の補正では、季節変動や傾向変動が入力データＤ１の変動に及ぼす影響を排除して、概ね同じ条件下で入力データＤ１とデータセット１０Ｂとを比較できるようにする。具体的に、演算装置４は、未加硫混練りゴムＲの特徴量での季節変動量と傾向変動量とに基づいた補正値を算出して、算出した補正値により入力データＤ１の各特徴量を補正する。季節変動量の補正値は、時系列分析の結果で得られた季節変動量を零にする値である。傾向変動量の補正値は、時系列分析の結果で得られた傾向変動量と時系列分析での傾向変動の平均的な値（図１２中の黒丸点の代表値）との差分である。したがって、入力データＤ１は、季節変動量の補正値と傾向変動量の補正値との合計値で補正される。

【0073】

以上のように変形例によれば、ステップ（Ｓ２２０）では、演算装置４により、補正された入力データＤ１と予測モデル２０とを用いて未加硫混練りゴムＲが分類されるグループを予測するデータ処理が実行される。グループの予測に用いる補正された入力データＤ１は、季節変動や傾向変動が入力データＤ１の変動に及ぼす影響が排除されて、データセット１０Ｂと概ね同じ条件下で取得されたと見做せる値になっている。それ故、予測モデル２０での未加硫混練りゴムＲが分類されるグループの予測の精度を向上するには有利になる。

【0074】

上記のステップ（Ｓ１２０）では、データセット１０の特徴データの中の予め決まっている所定の特徴を対象特徴１１として選択することもできる。即ち、対象特徴１１として選択される特徴を演算装置４に記憶させておき、準備段階Ｓ１００では、演算装置４により記憶していた対象特徴１１を選択するデータ処理が実行される。これにより、上記のステップ（Ｓ１２０）を演算装置４により自動的に行うこともできる。

【0075】

既述した実施形態やその変形例では、既存ではない新規の配合の未加硫混練りゴムの開発や混練機２などの装置の経年劣化などの製造環境の変化に対応させるために、定期的なデータセット１０、１０Ｂの拡充と予測モデル２０やプリセットデータ３０の更新とを行うことが望ましい。拡充や更新の頻度は、任意に設定できるが、例えば、月ごとや半年ごとなどの所定の期間ごとである。

【0076】

以上、本発明の実施形態について説明したが、本発明の未加硫混練りゴムの加工方法およびシステムは特定の実施形態に限定されるものではなく、本発明の要旨の範囲内において、種々の変形・変更が可能である。

【0077】

本開示は、以下の発明を包含する。
発明（１）：混練機による混練り工程を経た未加硫混練りゴムを加工装置に投入し、前記加工装置を演算装置により制御して、前記演算装置に入力した加工条件で前記未加硫混練りゴムを前記加工装置により加工する未加硫混練りゴムの加工方法において、
準備段階として、配合を異ならせた多数種類の前記未加硫混練りゴムについて前記加工装置に投入される前にその特徴を示す特徴量を多数種類の特徴に対して取得してデータセットとして前記演算装置に入力し、前記データセットから複数種類の前記特徴を対象特徴として選択して、前記演算装置を用いてそれぞれの前記対象特徴の前記特徴量に基づいて、教師なし機械学習による分類を行って、前記データセットを指定した所定数の複数のグループに分類した分類データセットを作成し、
それぞれの前記対象特徴の前記特徴量を説明変数とし、分類した所定数の複数の前記グループを目的変数として、前記演算装置を用いて前記分類データセットを教師データとする機械学習により予測モデルを構築し、
それぞれの前記グループ毎に前記加工装置で前記未加硫混練りゴムを良品に加工できる基準加工条件を予め設定したプリセットデータを前記演算装置に入力しておき、
前記準備段階の完了後に、前記未加硫混練りゴムを前記加工装置により加工する際には、前記加工装置に投入されるその未加硫混練りゴムのそれぞれの前記対象特徴を示す特徴量を取得して入力データとして前記演算装置に入力し、前記入力データと前記予測モデルとを用いて前記演算装置により、複数の前記グループの中から前記加工装置に投入されるその未加硫混練りゴムが分類されるグループを予測し、予測したそのグループに対して設定されている前記基準加工条件で前記加工装置に投入されるその未加硫混練りゴムを前記加工装置により加工する未加硫混練りゴムの加工方法。
発明（２）：前記データセットに、それぞれの前記特徴量を取得した取得時期を追加しておき、
同一の前記グループに分類される前記未加硫混練りゴムについてのそれぞれの前記取得時期に基づいて、前記演算装置により、所定の前記対象特徴の前記特徴量の時系列分析を行って、前記グループを予測する際には、前記時系列分析の結果に基づいて補正した前記入力データを用いる発明（１）に記載の未加硫混練りゴムの加工方法。
発明（３）：教師なし機械学習による前記分類は、それぞれの前記対象特徴に対する主成分分析による次元削減を行って得られた多数種類の前記未加硫混練りゴムの主成分得点に基づいて行う発明（１）または（２）に記載の未加硫混練りゴムの加工方法。
発明（４）：前記データセットには、同一の特徴種で変形程度が異なる複数の変形領域のそれぞれに前記特徴量を有する前記特徴が存在していて、複数の前記変形領域のそれぞれに前記特徴量を有する前記特徴種を前記対象特徴として選択する場合には、それぞれの前記変形領域を個別の前記特徴として扱って前記対象特徴として選択する発明（１）～（３）のいずれかに記載の未加硫混練りゴムの加工方法。
発明（５）：前記対象特徴の選択では、前記未加硫混練りゴムの粘弾性特性を示す複数の前記特徴を有する特徴群と粘性特性を示す複数の前記特徴を有する特徴群と回転振動によって得られるトルク特性を示す複数の前記特徴を有する特徴群の中から少なくとも二つの前記特徴郡を選択して、選択したそれぞれの前記特徴郡の中から少なくとも一つの前記特徴を前記対象特徴として選択する発明（１）～（４）のいずれかに記載の未加硫混練りゴムの加工方法。
発明（６）：前記データセットは、前記未加硫混練りゴムの配合を特定する配合ラベルを前記特徴として備えていて、前記対象特徴として前記配合ラベルを選択する発明（１）～（５）のいずれかに記載の未加硫混練りゴムの加工方法。
発明（７）：前記加工装置が押出機の場合には、前記加工条件がスクリュー温度、コンベヤ速度、押し出ダイ形状、スクリュー温度、および、シリンダ温度であり、前記加工装置が圧延機の場合には、前記加工条件がコンベヤ速度、クーリングドラム温度、ロール間ギャップ、ロール速度、および、切り出し幅であり、前記加工装置が加硫装置の場合には、前記加工条件が加硫温度、加硫圧力、および、加硫時間である発明（１）～（６）のいずれかに記載の未加硫混練りゴムの加工方法。
発明（８）：混練機による混練り工程を経た未加硫混練りゴムが投入される加工装置と、前記加工装置を制御する演算装置とを備えて、前記演算装置に入力された加工条件で前記未加硫混練りゴムが前記加工装置により加工される未加硫混練りゴムの加工システムにおいて、
前記演算装置には、配合を異ならせた多数種類の前記未加硫混練りゴムについて前記加工装置に投入される前にその特徴を示す特徴量が多数種類の特徴に対して取得されてデータセットとして入力されていて、前記データセットから対象特徴として選択された複数種類の前記特徴の前記特徴量に基づいて、前記演算装置を用いて教師なし機械学習による分類が行われることにより、前記データセットが指定された所定数の複数のグループに分類された分類データセットが作成されていて、
それぞれの前記対象特徴の前記特徴量を説明変数とし、分類された所定数の複数の前記グループを目的変数として、前記演算装置を用いて前記分類データセットを教師データとする機械学習により予測モデルが構築されていて、
それぞれの前記グループ毎に前記加工装置で前記未加硫混練りゴムを良品に加工できる基準加工条件が予め設定されて前記演算装置に入力されていて、
前記未加硫混練りゴムを前記加工装置により加工する際には、前記加工装置に投入されるその未加硫混練りゴムのそれぞれの前記対象特徴を示す特徴量が取得されて入力データとして前記演算装置に入力されて、複数の前記グループの中から、前記入力データと前記予測モデルとを用いて前記加工装置に投入されるその未加硫混練りゴムが分類されているグループが予測されて、予測されたそのグループに対して設定されている前記基準加工条件で前記加工装置に投入されるその未加硫混練りゴムが前記加工装置により加工される未加硫混練りゴムの加工システム。

【符号の説明】

【0078】

１ 加工システム
２ 混練機
３ 加工装置
４ 演算装置
１０ データセット
１０ａ 分類データセット
２０ 予測モデル
３０ プリセットデータ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】