知財求人 - 知財ポータルサイト「IP Force」
▶ ＤＩＣ株式会社の特許一覧 ▶ 独立行政法人産業技術総合研究所の特許一覧
(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】P2024003697
(43)【公開日】2024-01-15
(54)【発明の名称】樹脂組成物の製造条件の判定方法
(51)【国際特許分類】
B29B 7/72 20060101AFI20240105BHJP
C08L 101/00 20060101ALI20240105BHJP
B29B 7/46 20060101ALI20240105BHJP
B29C 48/30 20190101ALI20240105BHJP
B29C 48/92 20190101ALI20240105BHJP
B29C 48/80 20190101ALI20240105BHJP
【ＦＩ】
B29B7/72
C08L101/00
B29B7/46
B29C48/30
B29C48/92
B29C48/80
【審査請求】未請求
【請求項の数】5
【出願形態】ＯＬ
(21)【出願番号】P 2022103020
(22)【出願日】2022-06-27
【国等の委託研究の成果に係る記載事項】（出願人による申告）平成２８年度、国立研究開発法人新エネルギー・産業技術総合開発機構、「超先端材料超高速開発基盤技術プロジェクト」委託研究、産業技術力強化法第１７条の適用を受ける特許出願
(71)【出願人】
【識別番号】000002886
【氏名又は名称】ＤＩＣ株式会社
(71)【出願人】
【識別番号】301021533
【氏名又は名称】国立研究開発法人産業技術総合研究所
(74)【代理人】
【識別番号】100161207
【弁理士】
【氏名又は名称】西澤 和純
(74)【代理人】
【識別番号】100215935
【弁理士】
【氏名又は名称】阿部 茂輝
(74)【代理人】
【識別番号】100189337
【弁理士】
【氏名又は名称】宮本 龍
(74)【代理人】
【識別番号】100188673
【弁理士】
【氏名又は名称】成田 友紀
(72)【発明者】
【氏名】高田 新吾
(72)【発明者】
【氏名】山地 俊則
(72)【発明者】
【氏名】鈴木 徹
(72)【発明者】
【氏名】竹林 良浩
(72)【発明者】
【氏名】依田 智
(72)【発明者】
【氏名】阿多 誠介
【テーマコード（参考）】
4F201
4F207
4J002
【Ｆターム（参考）】
4F201AA13
4F201AA24
4F201AA28
4F201AA29
4F201AA32
4F201AA34
4F201AM23
4F201AP05
4F201AR06
4F201BA01
4F201BC01
4F201BK02
4F201BK13
4F201BK26
4F201BK74
4F207AA13
4F207AA24
4F207AA28
4F207AA29
4F207AA32
4F207AA34
4F207AM23
4F207AR06
4F207AR09
4F207KA01
4F207KA17
4F207KK12
4F207KM04
4F207KM14
4J002BC03W
4J002CF00W
4J002CG00W
4J002CH07W
4J002CH09W
4J002CL00W
4J002CN02W
4J002GN00
4J002GQ00
(57)【要約】
【課題】取り得る製造条件を網羅的に判定し、目的変数として設定した値を好適とする。
【解決手段】樹脂組成物の製造条件の判定方法は、樹脂組成物の製造装置の制御対象である第１製造条件を示す第１製造条件データ及び製造装置の制御対象でない第２製造条件を示す第２製造条件データを含む製造条件データと、製造条件データが示す製造条件によって製造された樹脂組成物の耐衝撃性を特性値項目として少なくとも含む物性測定データと、を含むデータセットを用いて学習された学習モデルを用いて、複数の前記第１製造条件と複数の前記第２製造条件とを所定の方法により組み合わせることにより導出される情報を入力情報として機械学習アルゴリズムを実行することにより、前記耐衝撃性を少なくとも含む特性値を推論し、推論された特性値に対応する前記製造条件データを出力する。
【選択図】図２
【解決手段】樹脂組成物の製造条件の判定方法は、樹脂組成物の製造装置の制御対象である第１製造条件を示す第１製造条件データ及び製造装置の制御対象でない第２製造条件を示す第２製造条件データを含む製造条件データと、製造条件データが示す製造条件によって製造された樹脂組成物の耐衝撃性を特性値項目として少なくとも含む物性測定データと、を含むデータセットを用いて学習された学習モデルを用いて、複数の前記第１製造条件と複数の前記第２製造条件とを所定の方法により組み合わせることにより導出される情報を入力情報として機械学習アルゴリズムを実行することにより、前記耐衝撃性を少なくとも含む特性値を推論し、推論された特性値に対応する前記製造条件データを出力する。
【選択図】図２
【特許請求の範囲】
【請求項1】
樹脂組成物の製造装置の制御対象である第１製造条件を示す第１製造条件データ及び前記製造装置の制御対象でない第２製造条件を示す第２製造条件データを含む製造条件データと、前記製造条件データが示す製造条件によって製造された樹脂組成物の耐衝撃性を特性値項目として少なくとも含む物性測定データと、を含むデータセットを用いて学習された学習モデルを用いて、複数の前記第１製造条件と複数の前記第２製造条件とを所定の方法により組み合わせることにより導出される情報を入力情報として機械学習アルゴリズムを実行することにより、前記耐衝撃性を少なくとも含む特性値を推論し、推論された特性値に対応する前記製造条件データを出力する
樹脂組成物の製造条件の判定方法。
樹脂組成物の製造条件の判定方法。
【請求項2】
推論された前記耐衝撃性を少なくとも含む特性値に対応する前記製造条件データに基づいて製造された樹脂組成物の耐衝撃性を計測した計測結果を取得し、
取得された前記計測結果と、推論された前記耐衝撃性とを比較し、
比較した比較結果に基づいた推論精度を出力する
請求項１に記載の樹脂組成物の製造条件の判定方法。
取得された前記計測結果と、推論された前記耐衝撃性とを比較し、
比較した比較結果に基づいた推論精度を出力する
請求項１に記載の樹脂組成物の製造条件の判定方法。
【請求項3】
前記樹脂組成物が、ポリアリーレンスルフィド樹脂、ポリアミド樹脂、ポリエステル樹脂、ポリフェニレンオキサイド樹脂、ポリエーテルエーテルケトン樹脂、ポリカーボネート樹脂、及びポリスチレン樹脂からなる群から選択されるいずれか一種以上の樹脂を含む
請求項１又は請求項２に記載の樹脂組成物の製造条件の判定方法。
請求項１又は請求項２に記載の樹脂組成物の製造条件の判定方法。
【請求項4】
前記第２製造条件には、前記製造装置の樹脂を混練する混練部の複数個所におけるそれぞれの前記混練部の内部温度が含まれる
請求項１又は請求項２に記載の樹脂組成物の製造条件の判定方法。
請求項１又は請求項２に記載の樹脂組成物の製造条件の判定方法。
【請求項5】
前記第１製造条件及び前記第２製造条件をグリッドサーチにより組み合わせることにより導出された前記製造条件に基づき前記耐衝撃性を少なくとも含む特性値を推論し、推論された特性値に対応する前記製造条件データを出力する
請求項１又は請求項２に記載の樹脂組成物の製造条件の判定方法。
請求項１又は請求項２に記載の樹脂組成物の製造条件の判定方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、樹脂組成物の製造条件の判定方法に関する。
【背景技術】
【0002】
従来、溶融混練プロセスにより樹脂組成物を製造する技術があった。このような技術によれば、２種類以上の樹脂のペレットを混合し、混合されたペレットをスクリューで回転させることにより撹拌しながら加熱し、混練された樹脂を押し出すことによりポリマーブレンドを行う（例えば、特許文献１を参照）。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１７－１４９００２号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
上述したような溶融混練プロセスに用いられる製造条件として制御するパラメータの種類は非常に多い。また、それぞれの制御パラメータは、様々な値を取り得る。したがって、それぞれの制御パラメータの値を異ならせた複数の製造条件のうち、目的変数として設定した値が好適となるような製造条件を予測するためには、様々な製造条件についての予測を行わなければならず、取り得る製造条件の範囲を網羅的に判定することは困難であった。
【0005】
そこで、本発明は、取り得る製造条件を網羅的に判定し、目的変数として設定した値を好適とすることができる樹脂組成物の製造条件の判定方法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】
本発明者らは、上記課題を解決すべく鋭意検討した結果、後述する取得データをもとに得られたデータセットを用い、機械学習アルゴリズムによる解析を行うことで、好適な制御パラメータを決定可能であることを見出し、本発明を完成するに至った。
【0007】
すなわち、本発明は以下の態様を有する。
【0008】
（１）本発明の一態様は、樹脂組成物の製造装置の制御対象である第１製造条件を示す第１製造条件データ及び前記製造装置の制御対象でない第２製造条件を示す第２製造条件データを含む製造条件データと、前記製造条件データが示す製造条件によって製造された樹脂組成物の耐衝撃性を特性値項目として少なくとも含む物性測定データと、を含むデータセットを用いて学習された学習モデルを用いて、複数の前記第１製造条件と複数の前記第２製造条件とを所定の方法により組み合わせることにより導出される情報を入力情報として機械学習アルゴリズムを実行することにより、前記耐衝撃性を少なくとも含む特性値を推論し、推論された特性値に対応する前記製造条件データを出力する樹脂組成物の製造条件の判定方法である。
【0009】
（２）本発明の一態様は、上記（１）に記載の樹脂組成物の製造条件の判定方法において、推論された前記耐衝撃性を少なくとも含む特性値に対応する前記製造条件データに基づいて製造された樹脂組成物の耐衝撃性を計測した計測結果を取得し、取得された前記計測結果と、推論された前記耐衝撃性とを比較し、比較した比較結果に基づいた推論精度を出力する。
【0010】
（３）本発明の一態様は、上記（１）又は（２）に記載の樹脂組成物の製造条件の判定方法において、前記樹脂組成物が、ポリアリーレンスルフィド樹脂、ポリアミド樹脂、ポリエステル樹脂、ポリフェニレンオキサイド樹脂、ポリエーテルエーテルケトン樹脂、ポリカーボネート樹脂、及びポリスチレン樹脂からなる群から選択されるいずれか一種以上の樹脂を含む。
【0011】
（４）本発明の一態様は、上記（１）から（３）のいずれかに記載の樹脂組成物の製造条件の判定方法において、前記第２製造条件には、前記製造装置の樹脂を混練する混練部の複数個所におけるそれぞれの前記混練部の内部温度が含まれる。
【0012】
（５）本発明の一態様は、上記（１）から（４）のいずれかに記載の樹脂組成物の製造条件の判定方法において、前記第１製造条件及び前記第２製造条件をグリッドサーチにより組み合わせることにより導出された前記製造条件に基づき前記耐衝撃性を推論する。
【発明の効果】
【0013】
本発明によれば、取り得る製造条件を網羅的に判定し、目的変数として設定した値を好適とすることができる樹脂組成物の製造条件の判定方法を提供することができる。
【図面の簡単な説明】
【0014】
【図1】本実施形態に係る二軸押出機の機能構成について説明するための図である。
【図2】本実施形態に係る機械学習アルゴリズムについて説明するための図である。
【図3】本実施形態に係るデータセットについて説明するための図である。
【図4】本実施形態に係る機械学習アルゴリズムにより算出された重要度の一例について説明するための図である。
【図5】本実施形態に係る入力情報の導出方法の一例について説明するための図である。
【図6】本実施形態に係るグリッドサーチにより設定された条件に基づく推論の結果、目的変数が大きくなった製造条件について説明するための図である。
【図7】本実施形態に係る樹脂組成物の製造条件の判定方法の一連の流れを説明するためのフローチャートである。
【図8】本実施形態に係る推論精度判定システムについて説明するための機能構成図である。
【発明を実施するための形態】
【0015】
以下、本発明の実施形態に係る樹脂組成物の製造条件の判定方法について、図面を参照しながら説明する。以下の説明では、樹脂組成物の一例として、樹脂組成物がポリアリーレンスルフィド樹脂組成物である場合の一例について説明するが、本実施形態に係る樹脂組成物はこの一例に限定されず、様々な樹脂組成物を広く含む。様々な樹脂組成物の一例としては、ポリアミド樹脂、ポリエステル樹脂、ポリフェニレンオキサイド樹脂、ポリエーテルエーテルケトン樹脂、ポリカーボネート樹脂、ポリスチレン樹脂等の樹脂を含むものであってもよい。実施形態における樹脂組成物の詳細については、後述する。
【0016】
［二軸押出機の概略］
図１は、本実施形態に係る二軸押出機１０の機能構成について説明するための図である。同図を参照しながら、本実施形態に係る二軸押出機１０の機能構成について説明する。
二軸押出機１０は、駆動装置１１と、フィーダー１２と、シリンダー１３と、スクリュー１４と、赤外線温度センサＩＲとを備える。
図１は、本実施形態に係る二軸押出機１０の機能構成について説明するための図である。同図を参照しながら、本実施形態に係る二軸押出機１０の機能構成について説明する。
二軸押出機１０は、駆動装置１１と、フィーダー１２と、シリンダー１３と、スクリュー１４と、赤外線温度センサＩＲとを備える。
【0017】
フィーダー１２は、実施形態に係るポリアリーレンスルフィド樹脂組成物の原料を投入するための投入口である。
本実施形態において、ポリアリーレンスルフィド樹脂組成物とは、ポリアリーレンスルフィドを含む樹脂組成物を広く包含する。ポリアリーレンスルフィド樹脂組成物の原料は、ポリアリーレンスルフィドを含むことができる。ポリアリーレンスルフィドとしては、ポリフェニレンスルフィドを例示できる。なお、ポリアリーレンスルフィド樹脂組成物の原料とは、ポリアリーレンスルフィド樹脂組成物を構成する配合成分、及び配合成分の前駆体を含む。
本実施形態において、ポリアリーレンスルフィド樹脂組成物とは、ポリアリーレンスルフィドを含む樹脂組成物を広く包含する。ポリアリーレンスルフィド樹脂組成物の原料は、ポリアリーレンスルフィドを含むことができる。ポリアリーレンスルフィドとしては、ポリフェニレンスルフィドを例示できる。なお、ポリアリーレンスルフィド樹脂組成物の原料とは、ポリアリーレンスルフィド樹脂組成物を構成する配合成分、及び配合成分の前駆体を含む。
【0018】
ポリアリーレンスルフィド樹脂組成物の原料には、ポリアリーレンスルフィドと混合される、任意の成分を更に用いることができる。ポリアリーレンスルフィドとエラストマーとを混合する場合、エラストマーについてもフィーダー１２から投入される。フィーダー１２の個数は１個であっても、ポリアリーレンスルフィド樹脂組成物の原料を個別に投入するために２個以上あっても構わない。
【0019】
シリンダー１３は、筒状の形状を有する。シリンダー１３は、一端がフィーダー１２に接続され、他端がダイス１９に接続される。以後の説明において、シリンダー１３のフィーダー１２側を上流側と記載し、ダイス１９側を下流側と記載する場合がある。シリンダー１３は内部にスクリュー１４を収容する。フィーダー１２に導かれた原料は、不図示の加熱器により加熱され、原料の少なくとも一部（例えばポリアリーレンスルフィド）はシリンダー１３の内部で溶融するとともに、投入された原料全体がスクリュー１４により混練される。以後の説明において、シリンダー１３を混練部とも記載する。混練部では、ポリアリーレンスルフィド樹脂組成物の原料が混練される。以下、溶融混練時のシリンダー内の内容物を、混錬物と称する。
【0020】
本実施形態において、不図示の加熱部は、ｘ軸方向に沿って異なる位置に複数設置されていてもよい。ｘ軸方向において異なる位置に設置された複数の加熱部は、それぞれ異なる温度によりシリンダー１３を加熱する。二軸押出機１０は、複数の加熱部を備え、それぞれ異なる温度によりシリンダー１３を加熱することにより、シリンダー１３の上流側と下流側において異なる温度で混練物を加熱する。加熱部としては、シリンダー１３を覆うバレルを例示できる。
【0021】
赤外線温度センサＩＲは、シリンダー１３の温度を測定する。具体的には、赤外線温度センサＩＲは、シリンダー１３の内部に存在する成形材料の、溶融混練時の混練物温度を測定する。二軸押出機１０は、複数の赤外線温度センサＩＲを備えていてもよい。本実施形態においては、二軸押出機１０は、赤外線温度センサＩＲとして、シリンダー１３の上流側から順に、第１赤外線温度センサＩＲ１と、第２赤外線温度センサＩＲ２と、第３赤外線温度センサＩＲ３と、第４赤外線温度センサＩＲ４とを備える。
【0022】
スクリュー１４は、駆動装置１１により回転駆動される。スクリュー１４は、回転駆動されることにより、シリンダー内部の混練物を、上流側から下流側に導く。フィーダー１２に投入された原料は、シリンダー１３を介し、溶融混練されて得られたポリアリーレンスルフィド樹脂組成物として、ダイス１９から押し出される。
駆動装置１１は、不図示のモータ及びギアボックス等を備える。駆動装置１１は、予め規定されたスクリュウ回転数（ｒｐｍ）となるように、モータの回転数やトルク等を制御し、スクリュー１４を回転させる。
駆動装置１１は、不図示のモータ及びギアボックス等を備える。駆動装置１１は、予め規定されたスクリュウ回転数（ｒｐｍ）となるように、モータの回転数やトルク等を制御し、スクリュー１４を回転させる。
【0023】
［機械学習アルゴリズム］
図２は、本実施形態に係る機械学習アルゴリズム２０について説明するための図である。同図を参照しながら、機械学習アルゴリズム２０について説明する。
機械学習アルゴリズム２０は、記憶装置３０に記憶されたデータセットＤＳを教師データとして、教師有り学習により学習される。また、機械学習アルゴリズム２０は、記憶装置３０に記憶された情報に基づき推論を行い、推論を行った結果を記憶装置３０に出力する。記憶装置３０には、製造条件データＣＤと、物性測定データＭＤと、高重要度項目ＨＣとが記憶される。
図２は、本実施形態に係る機械学習アルゴリズム２０について説明するための図である。同図を参照しながら、機械学習アルゴリズム２０について説明する。
機械学習アルゴリズム２０は、記憶装置３０に記憶されたデータセットＤＳを教師データとして、教師有り学習により学習される。また、機械学習アルゴリズム２０は、記憶装置３０に記憶された情報に基づき推論を行い、推論を行った結果を記憶装置３０に出力する。記憶装置３０には、製造条件データＣＤと、物性測定データＭＤと、高重要度項目ＨＣとが記憶される。
【0024】
製造条件データＣＤは、樹脂組成物の製造条件に関するデータを含む。製造条件データＣＤには、樹脂組成物の配合成分、混合条件及び溶融混練時の混練物温度が、製造条件項目として少なくとも含まれる。製造条件データＣＤは、第１製造条件データＣＤ１と、第２製造条件データＣＤ２とを含む。
第１製造条件データＣＤ１は、樹脂組成物の製造条件に関するデータのうち、制御可能な変数を含む。第１製造条件データＣＤ１の一例としては、エラストマー変性量、エラストマー配合量及びスクリュウ回転数等を例示できる。
第２製造条件データＣＤ２は、樹脂組成物の製造条件に関するデータのうち、制御不可能な（換言すれば、成り行きによって変動する）変数を含む。第２製造条件データＣＤ２の一例としては、スクリュウを回転駆動させるために要する電流値、混練物圧力、シリンダー内部温度等を例示できる。
第１製造条件データＣＤ１は、樹脂組成物の製造条件に関するデータのうち、制御可能な変数を含む。第１製造条件データＣＤ１の一例としては、エラストマー変性量、エラストマー配合量及びスクリュウ回転数等を例示できる。
第２製造条件データＣＤ２は、樹脂組成物の製造条件に関するデータのうち、制御不可能な（換言すれば、成り行きによって変動する）変数を含む。第２製造条件データＣＤ２の一例としては、スクリュウを回転駆動させるために要する電流値、混練物圧力、シリンダー内部温度等を例示できる。
【0025】
物性測定データＭＤは、製造条件データＣＤに含まれる製造条件において製造された樹脂組成物の物性を測定した結果に関するデータを含む。物性測定データＭＤは、製造条件データＣＤが示す製造条件によって製造された樹脂組成物の耐衝撃性（例えば、シャルピー衝撃値）を特性値項目として少なくとも含む。
【0026】
一例として、機械学習アルゴリズム２０は、シャルピー衝撃値（シャルピー衝撃強度）を目的変数、シャルピー衝撃値以外の項目を説明変数として、シャルピー衝撃値に対する各項目の重要度を算出する。以後の説明において、特性を向上させるための対象として設定された目的変数を、特性向上対象項目とも記載する。
高重要度項目ＨＣは、樹脂組成物の特性向上対象項目の特性値を目的変数とした場合において、特性値の変化についての重要度が高い項目である。以下の説明においては、特性向上対象項目の一例として、樹脂組成物の耐衝撃性である場合について説明する。しかしながら本実施形態はこの一例に限定されず、耐衝撃性以外の特性値を目的変数としてもよい。
高重要度項目ＨＣは、樹脂組成物の特性向上対象項目の特性値を目的変数とした場合において、特性値の変化についての重要度が高い項目である。以下の説明においては、特性向上対象項目の一例として、樹脂組成物の耐衝撃性である場合について説明する。しかしながら本実施形態はこの一例に限定されず、耐衝撃性以外の特性値を目的変数としてもよい。
【0027】
機械学習アルゴリズム２０には、記憶装置３０から、データセットＤＳが入力される。機械学習アルゴリズム２０は、入力されたデータセットＤＳに基づき、高重要度項目ＨＣを算出する。算出された高重要度項目ＨＣは、記憶装置３０に記憶される。以下、機械学習アルゴリズム２０を用いた学習と推論について、それぞれの段階ごとに詳細に説明する。
【0028】
まず、機械学習アルゴリズム２０の学習段階について説明する。機械学習アルゴリズム２０は、教師有り学習により学習される。学習に用いられるデータセットＤＳは、予め所定の製造条件において製造された樹脂組成物の物性を測定することにより作成される。学習に用いられるデータセットＤＳは、製造条件データＣＤと、当該製造条件データＣＤにより特定される製造条件において製造された樹脂組成物の物性を測定した測定結果を含む物性測定データＭＤとを含む。
【0029】
次に、機械学習アルゴリズム２０の推論段階について説明する。本実施形態における樹脂組成物の製造条件の判定方法では、データセットＤＳを用いて機械学習アルゴリズムを実行することにより、耐衝撃性を少なくとも含む特性値を推論し、推論された特性値に対応する製造条件を出力する。
また、本実施形態における樹脂組成物の製造条件の判定方法では、データセットＤＳを用いて機械学習アルゴリズムを実行することにより、特性が向上するための重要度が高い項目である高重要度項目ＨＣを判定することが可能である。本実施形態における樹脂組成物の製造条件の判定方法は、樹脂組成物の特性向上対象項目の特性値を目的変数とした場合において、製造条件データＣＤおよび物性測定データＭＤに含まれる複数の項目のうち、特性向上対象項目の特性値の変化についての重要度が高い項目を判定する。
また、本実施形態における樹脂組成物の製造条件の判定方法では、データセットＤＳを用いて機械学習アルゴリズムを実行することにより、特性が向上するための重要度が高い項目である高重要度項目ＨＣを判定することが可能である。本実施形態における樹脂組成物の製造条件の判定方法は、樹脂組成物の特性向上対象項目の特性値を目的変数とした場合において、製造条件データＣＤおよび物性測定データＭＤに含まれる複数の項目のうち、特性向上対象項目の特性値の変化についての重要度が高い項目を判定する。
【0030】
機械学習アルゴリズム２０が推論に用いる入力情報としては、複数の第１製造条件ＣＤ１と複数の第２製造条件ＣＤ２とを所定の方法を用いて組み合わせることにより導出される情報であってもよい。所定の方法とは、例えばグリッドサーチであってもよい。すなわち、機械学習アルゴリズム２０は、第１製造条件ＣＤ１及び第２製造条件ＣＤ２をグリッドサーチにより組み合わせることにより導出された製造条件に基づき、耐衝撃性を推論してもよい。以下の説明においては、グリッドサーチにより入力情報を導出する場合の一例について説明するが、本実施形態はこの一例に限定されるものではない。入力情報の導出にあたっては、その他の公知な方法によって、複数の第１製造条件ＣＤ１と複数の第２製造条件ＣＤ２とをその他の公知な方法を用いて組み合わせてもよい。
【0031】
本実施形態における樹脂組成物の製造条件の判定方法に用いられる機械学習アルゴリズム２０について、より詳細に説明する。まず、機械学習アルゴリズム２０は、取得したデータセットＤＳに含まれる各項目それぞれに対し、重要度（％）を算出することが可能であり、具体的には、機械学習アルゴリズム２０は、ランダムフォレストの手法を用いて重要度を算出する事が可能である。
機械学習アルゴリズム２０は、取得したデータセットＤＳのうち、製造条件データＣＤに含まれる制御変数、実測変数及び物性測定データＭＤに含まれる物性変数の全てを分析対象とし、重要度（％）を算出する。
ここで、重要度を算出する際に用いるハイパーパラメータは、決定係数（Ｓｃｏｒｅ）が最も高くなるよう、適宜設定値を変更したり、最適化された値を用いたりしても構わない。
機械学習アルゴリズム２０は、取得したデータセットＤＳのうち、製造条件データＣＤに含まれる制御変数、実測変数及び物性測定データＭＤに含まれる物性変数の全てを分析対象とし、重要度（％）を算出する。
ここで、重要度を算出する際に用いるハイパーパラメータは、決定係数（Ｓｃｏｒｅ）が最も高くなるよう、適宜設定値を変更したり、最適化された値を用いたりしても構わない。
【0032】
［データセットの一例］
図３は、本実施形態に係るデータセットＤＳについて説明するための図である。同図を参照しながら、本実施形態に係るデータセットＤＳの一例について説明する。データセットＤＳは、製造条件データＣＤと、物性測定データＭＤとを含む。
図３は、本実施形態に係るデータセットＤＳについて説明するための図である。同図を参照しながら、本実施形態に係るデータセットＤＳの一例について説明する。データセットＤＳは、製造条件データＣＤと、物性測定データＭＤとを含む。
【0033】
製造条件データＣＤには、樹脂組成物の配合成分、混合条件、溶融混練時の混練物温度等が含まれる。製造条件データＣＤは、具体的には、樹脂組成物の製造装置の制御対象である（すなわち、制御変数である）第１製造条件データＣＤ１と、樹脂組成物の製造装置の制御対象でない（すなわち、成り行き変数である）第２製造条件データＣＤ２とを製造条件項目として含む。
【0034】
第１製造条件データＣＤ１の一例としては、エラストマー変性量、エラストマー配合量、スクリュウ回転数等を例示できる。エラストマーの変性量とは、例えば、熱可塑性エラストマー（Ｂ）が有していてもよい官能基の量に対応する。エラストマー配合量とは、ポリアリーレンスルフィド樹脂組成物の総質量に対する、エラストマーの含有割合（質量％）とすることができる。スクリュウ回転数とは、上述した二軸押出機１０のスクリュウ回転数（ｒｐｍ）であり、駆動装置１１がモータの回転数やトルク等を制御することにより決定される。
【0035】
第２製造条件データＣＤ２の一例としては、電流、混練物圧力、シリンダー内部温度等を例示できる。電流とは、シリンダー１３から混練物を押し出す際に、スクリュー１４を回転駆動させるために要する電流を示す。変形例としては、電流に代えて、押し出しトルクを実測変数としてもよい。混練物圧力とは、シリンダー１３の下流側に位置するダイス部に備えられる不図示の圧力センサにより測定される値である。
【0036】
シリンダー内部温度とは、上述した赤外線温度センサＩＲにより測定される値である。シリンダー内部温度は、シリンダーの位置に応じて複数であってもよい。例えば、シリンダー内部温度として、第１赤外線温度センサＩＲ１から第４赤外線温度センサＩＲ４により測定された複数の温度情報を有していてもよい。すなわち、第２製造条件データＣＤ２には、樹脂組成物を混練する混練部（シリンダー１３）の複数個所におけるそれぞれの温度が含まれていてもよい。なお、混練部の複数個所におけるそれぞれの温度には、混練部の内部温度が含まれ、具体的には混練物温度、あるいは樹脂温度を含む。
【0037】
なお、本実施形態において、実測変数である第２製造条件データＣＤ２のうち、重要であると判定された項目を、制御変数である第１製造条件データＣＤ１としてもよいし、制御変数である第１製造条件データＣＤ１のうち、重要でないと判定された項目を、実測変数である第２製造条件データＣＤ２としてもよい。
【0038】
物性測定データＭＤには、製造条件データＣＤが示す製造条件によって製造された樹脂組成物の特性値項目が含まれる。物性測定データＭＤの一例としては、溶融粘度、エラストマー平均分散径、シャルピー衝撃値等を例示できる。物性測定データＭＤには、その他、ガス発生量、高温耐熱性、高温弾性率等、特性向上のためのターゲットとなり得る値を含んでいてもよい。
【0039】
溶融粘度とは、得られた樹脂組成物に荷重をかけ測定される。溶融粘度は、例えば、シリンダー温度を３００℃とし、オリフィス長を１０ｍｍ、オリフィス径１ｍｍのフローテスターに、樹脂組成物のペレットを投入し、６分間予熱後に５０ｋｇの荷重を掛けることにより測定してもよい。
【0040】
エラストマー平均分散径とは、得られた樹脂組成物から測定される値である。具体的には、エラストマー平均分散径とは、得られた樹脂組成物を成形材料として、射出成形機により多目的試験片を成形し、成形した多目的試験片を長さ方向の中心位置で切断して切断面を研磨し、キシレン中に浸し、５０℃の温度条件で超音波処理を実施し、断面にあるエラストマー分散物をキシレン抽出にて取り除き、その後１３０℃で２時間乾燥し、断面をＳＥＭで観察し、画像を測定することにより取得してもよい。なお、この際、エラストマーが取り除かれた箇所は空隙相となり明度が低い黒色で円状に表示される。画像解析ソフトにより、画像視野内に認められる当該黒色の円状物の円面積相当径（円状物の面積に相当する真円の直径をもとめた値）を全て計測し、円状物の個数で割った平均値をエラストマーの平均分散径としてもよい。
【0041】
シャルピー衝撃値とは、得られた樹脂組成物から測定される値である。シャルピー衝撃値とは、例えば、得られた樹脂組成物を成形材料として、シリンダー設定温度３００℃、金型設定温度１３０℃の条件にて射出成形機で成形し、長さ８０ｍｍ×幅１０．０ｍｍ×厚さ４．０ｍｍの試験片を得た後、ＩＳＯ ２８１８に従って試験片にノッチを切削し、ＩＳＯ １７９－１に従い２３℃において試験を行うことにより測定されてもよい。
【0042】
図３に示す一例において、データセットＤＳとして、データセットＤＳ１及びデータセットＤＳ２が示される。データセットＤＳ１及びデータセットＤＳ２は、それぞれ異なる製造条件において製造された樹脂組成物についての測定結果を示す。データセットＤＳには、複数の製造条件において製造された樹脂組成物についての測定結果が含まれていてもよく、測定結果は多い方が好適である。
なお、製造条件データＣＤ及び物性測定データＭＤは、複数回測定した結果に基づいた平均値を用いてもよい。また、重要度を参考にして、任意の製造条件データＣＤ、物性測定データＭＤを取り上げ、機械学習アルゴリズム２０において推論してもよい。
なお、製造条件データＣＤ及び物性測定データＭＤは、複数回測定した結果に基づいた平均値を用いてもよい。また、重要度を参考にして、任意の製造条件データＣＤ、物性測定データＭＤを取り上げ、機械学習アルゴリズム２０において推論してもよい。
【0043】
データセットＤＳ１は、エラストマー変性量が“ＣＤ１１＿１”であり、エラストマー配合量が“ＣＤ１２＿１”であり、スクリュウ回転数が“ＣＤ１３＿１”であり、電流が“ＣＤ２１＿１”であり、混練物圧力が“ＣＤ２２＿１”であり、シリンダー内部温度が“ＣＤ２３＿１”であり、溶融粘度が“ＭＤ１１＿１”であり、エラストマー平均分散径が“ＭＤ１２＿１”であり、シャルピー衝撃値が“ＭＤ１３＿１”である。
データセットＤＳ２は、エラストマー変性量が“ＣＤ１１＿２”であり、エラストマー配合量が“ＣＤ１２＿２”であり、スクリュウ回転数が“ＣＤ１３＿２”であり、電流が“ＣＤ２１＿２”であり、混練物圧力が“ＣＤ２２＿２”であり、シリンダー内部温度が“ＣＤ２３＿２”であり、溶融粘度が“ＭＤ１１＿２”であり、エラストマー平均分散径が“ＭＤ１２＿２”であり、シャルピー衝撃値が“ＭＤ１３＿２”である。
データセットＤＳ２は、エラストマー変性量が“ＣＤ１１＿２”であり、エラストマー配合量が“ＣＤ１２＿２”であり、スクリュウ回転数が“ＣＤ１３＿２”であり、電流が“ＣＤ２１＿２”であり、混練物圧力が“ＣＤ２２＿２”であり、シリンダー内部温度が“ＣＤ２３＿２”であり、溶融粘度が“ＭＤ１１＿２”であり、エラストマー平均分散径が“ＭＤ１２＿２”であり、シャルピー衝撃値が“ＭＤ１３＿２”である。
【0044】
［重要度の一例］
図４は、本実施形態に係る機械学習アルゴリズム２０により算出された重要度の一例について説明するための図である。同図を参照しながら、機械学習アルゴリズム２０により算出された重要度の一例について説明する。
機械学習アルゴリズム２０により、データセットＤＳに対応する項目に対し、重要度が算出される。同図に示す一例においては、シャルピー衝撃値に対する各項目の重要度を算出した結果のため、シャルピー衝撃値には“ｔａｒｇｅｔ”と示されている。シャルピー衝撃値に対する各項目の重要度は、具体的には、エラストマー変性量についての重要度が“Ｉ１”であり、エラストマー配合量についての重要度が“Ｉ２”であり、スクリュウ回転数についての重要度が“Ｉ３”であり、電流についての重要度が“Ｉ４”であり、混練物圧力についての重要度が“Ｉ５”であり、シリンダー内部温度についての重要度が“Ｉ６”であり、溶融粘度についての重要度が“Ｉ７”であり、エラストマー分散径についての重要度が“Ｉ８”である。なお、当該重要度は、合計が１００となる様、算出した各値にそれぞれ１００を乗じた値であってもよい。
図４は、本実施形態に係る機械学習アルゴリズム２０により算出された重要度の一例について説明するための図である。同図を参照しながら、機械学習アルゴリズム２０により算出された重要度の一例について説明する。
機械学習アルゴリズム２０により、データセットＤＳに対応する項目に対し、重要度が算出される。同図に示す一例においては、シャルピー衝撃値に対する各項目の重要度を算出した結果のため、シャルピー衝撃値には“ｔａｒｇｅｔ”と示されている。シャルピー衝撃値に対する各項目の重要度は、具体的には、エラストマー変性量についての重要度が“Ｉ１”であり、エラストマー配合量についての重要度が“Ｉ２”であり、スクリュウ回転数についての重要度が“Ｉ３”であり、電流についての重要度が“Ｉ４”であり、混練物圧力についての重要度が“Ｉ５”であり、シリンダー内部温度についての重要度が“Ｉ６”であり、溶融粘度についての重要度が“Ｉ７”であり、エラストマー分散径についての重要度が“Ｉ８”である。なお、当該重要度は、合計が１００となる様、算出した各値にそれぞれ１００を乗じた値であってもよい。
【0045】
次に、機械学習アルゴリズム２０は、所定の方法により、高重要度項目ＨＣを判定する。すなわち、機械学習アルゴリズム２０は、製造条件データＣＤおよび物性測定データＭＤに含まれる複数の項目のそれぞれの重要度を算出することにより、特性向上対象項目（この一例においては、シャルピー衝撃値）の特性値の変化についての重要度が高い項目（すなわち、高重要度項目ＨＣ）を判定する。
【0046】
図４に示す一例における高重要度項目ＨＣは、エラストマー配合量及びシリンダー内部温度である。すなわち、シャルピー衝撃値の特性を向上させるためには、エラストマー配合量及びシリンダー内部温度を好適に制御することが好適である。ここで、機械学習アルゴリズム２０により高重要度項目ＨＣと判定される項目は、特性向上対象項目の特性値の変化についての重要度が高く、かつ第２物性測定データＭＤ２が所定の範囲内である項目である。第２物性測定データＭＤ２の判定に用いられる所定の範囲は、予め定められていてもよいし、機械学習アルゴリズム２０により学習されてもよい。
【0047】
なお、シリンダー内部温度がシリンダー内部の位置毎に複数分かれている場合は、重要度が高い位置について高重要度項目ＨＣとしてもよい。例えば、シリンダー上流側の位置における重要度が高いとされた場合、混練部の複数個所における混練物温度のうち、混練部に樹脂組成物の原料が投入される上流側の方が、混練された樹脂組成物が押し出される下流側に比べて、重要度が高いことを示す。
【0048】
高重要度項目ＨＣを判定するための所定の方法とは、例えば、算出された重要度が上位である項目（例えば、１又は複数の項目）を高重要度項目ＨＣとするよう構成してもよい。
なお、変形例として、機械学習アルゴリズム２０は、所定の閾値と重要度を比較することにより、高重要度項目ＨＣであるか否かを判定するよう構成してもよい。例えば、所定の閾値を１０として重要度が閾値以上である項目を高重要度項目ＨＣとしてもよい。
なお、変形例として、機械学習アルゴリズム２０は、所定の閾値と重要度を比較することにより、高重要度項目ＨＣであるか否かを判定するよう構成してもよい。例えば、所定の閾値を１０として重要度が閾値以上である項目を高重要度項目ＨＣとしてもよい。
【0049】
次に、機械学習アルゴリズム２０は、算出された重要度が高い項目を新たな目的変数として、新たな目的変数の特性値の変化についての重要度が高い項目を判定する。具体的には、図４に示す一例では、エラストマー配合量、シリンダー内部温度が高重要度項目ＨＣであるため、高重要度項目ＨＣの１つであるエラストマー配合量を目的変数、エラストマー配合量以外の項目を説明変数として、ランダムフォレストのアルゴリズムを用いてエラストマー配合量に対する各項目の重要度を算出する。
【0050】
上述したように、機械学習アルゴリズム２０によれば、データセットＤＳのうち所定の項目について目的変数として、当該目的変数とした項目以外の項目について説明変数として、ランダムフォレストのアルゴリズムを用いて当該目的変数とした項目に対する各項目の重要度を算出する。機械学習アルゴリズム２０は、算出された高重要度項目ＨＣのうち、特定の項目を更に目的変数として、新たにランダムフォレストのアルゴリズムを用いて重要度を算出することにより、重要度の高い項目を判定していく。
【0051】
次に、機械学習アルゴリズム２０は、製造条件データＣＤ及び物性測定データＭＤ、あるいは高重要度項目ＨＣと判定された項目に対し、回帰演算を用いる。回帰演算にはランダムフォレスト回帰やサポートベクトル回帰などが好適に用いられるが、これに限らない。具体的には、機械学習アルゴリズム２０は、算出された重要度が高い項目（高重要度項目ＨＣ）を解析軸にして、データセットＤＳを用いた回帰演算を実行することにより、重要度が高い項目（高重要度項目ＨＣ）の特性値の変化と、目的変数の特性値の変化との対応関係を推定する。ここで、高重要度項目ＨＣと判定された項目は、最初の演算により判定された項目と、２回目以降の演算により判定された項目との中から、総合的に判定されてもよい。ここで、回帰演算を行う際に用いるハイパーパラメータは、決定係数（Ｓｃｏｒｅ）が最も高くなるよう、適宜設定値を変更したり、最適化された値を用いたりしても構わない。
本実施形態においては、製造条件データＣＤ及び物性測定データＭＤ（エラストマー配合量及びシリンダー内部温度が高重要度項目ＨＣとなる）、シャルピー衝撃値を目的変数として、ランダムフォレストのアルゴリズムを用いて、演算を行う。
本実施形態においては、製造条件データＣＤ及び物性測定データＭＤ（エラストマー配合量及びシリンダー内部温度が高重要度項目ＨＣとなる）、シャルピー衝撃値を目的変数として、ランダムフォレストのアルゴリズムを用いて、演算を行う。
【0052】
次に、図５及び図６を参照しながら、本実施形態に係る機械学習アルゴリズム２０の推論時における入力情報について説明する。当該入力情報は、複数の製造条件項目の組み合わせにより導出される。製造条件データＣＤには、樹脂組成物の製造装置の制御対象である第１製造条件データＣＤ１と、制御対象でない第２製造条件データＣＤ２とが存在するため、当該入力情報は、第１製造条件データＣＤ１と第２製造条件データＣＤ２との組み合わせにより導出される。以下の説明では、一例としてグリッドサーチにより入力情報を導出する場合の一例について説明する。
【0053】
［グリッドサーチ］
図５は、本実施形態に係る入力情報の導出方法の一例について説明するための図である。同図を参照しながら、入力情報の導出方法について説明する。同図には、入力情報導出のためのコンピュータプログラムの一部が抜粋して記載されている。それぞれの行には、製造条件項目と、当該製造条件項目が取り得る値が記載される。機械学習アルゴリズム２０により推論のために用いられる製造条件の数は、それぞれの製造条件項目が取り得る値の数の掛け算により求められる。以下、それぞれの行に記載された事項により指定される製造条件について説明する。
図５は、本実施形態に係る入力情報の導出方法の一例について説明するための図である。同図を参照しながら、入力情報の導出方法について説明する。同図には、入力情報導出のためのコンピュータプログラムの一部が抜粋して記載されている。それぞれの行には、製造条件項目と、当該製造条件項目が取り得る値が記載される。機械学習アルゴリズム２０により推論のために用いられる製造条件の数は、それぞれの製造条件項目が取り得る値の数の掛け算により求められる。以下、それぞれの行に記載された事項により指定される製造条件について説明する。
【0054】
なお、それぞれの製造条件項目が取り得る値は、複数であってもよいし、１つに固定されていてもよい。例えば、図５に示す一例においては、ｇｍａｓは３種類、ｍａｓ及びｒａｔｉｏｓは１種類、ｓｐｅｅｄｓは４種類、ＩＲ１ｓからＩＲ４Ｓは７種類の製造条件を取り得る。この場合、機械学習アルゴリズム２０により推論のために用いられる製造条件の数は、それぞれの組み合わせであるため、３×１×１×４×７×７×７×７＝２８，８１２種類である。
【0055】
“ｇｍａｓ”は、エラストマーであるメタクリル酸グリシジル（ＧＭＡ；Glycidyl Methacrylate）の変性率を示す。ｇｍａｓ＝［３，６，１２］と記載されているため、ＧＭＡの変性率は３％、６％及び１２％のいずれかの値を取り得る。
【0056】
“ｍａｓ”は、エラストマーであるメタクリル酸（ＭＡ；Methacrylate）の変性率を示す。ｍａｓ＝［２７］と記載されているため、ＭＡの変性率は２７％に固定される。
【0057】
“ｒａｔｉｏｓ”は、エラストマーの配合量（配合率）を示す。ｒａｔｉｏｓ＝［１０］と記載されているため、エラストマーの配合量は１０％に固定される。
【0058】
“ｓｐｅｅｄｓ”は、スクリュウ回転数を示す。ｓｐｅｅｄｓ＝［１０００，１１００，１２００，１３００］と記載されているため、スクリュウ回転数は、１０００ｒｐｍ、１１００ｒｐｍ、１２００ｒｐｍ及び１３００ｒｐｍのいずれかの値を取り得る。
【0059】
“ＩＲ１ｓ”から“ＩＲ４ｓ”は、第１赤外線温度センサＩＲ１から第４赤外線温度センサＩＲ４の温度を示す。ＩＲ１ｓ＝［２８０，２９０，３００，３１０，３２０，３３０，３４０］、ＩＲ２ｓ＝［２８０，２９０，３００，３１０，３２０，３３０，３４０］、ＩＲ３ｓ＝［２８０，２９０，３００，３１０，３２０，３３０，３４０］、ＩＲ４ｓ＝［２８０，２９０，３００，３１０，３２０，３３０，３４０］と記載されているため、第１赤外線温度センサＩＲ１から第４赤外線温度センサＩＲ４の温度は、それぞれ２８０℃、２９０℃、３００℃、３１０℃、３２０℃、３３０℃及び３４０℃のいずれかの値を取り得る。
【0060】
上述したように、本実施形態によれば、製造条件を固定したい項目については固定し、製造条件の範囲を振りたい項目については範囲を振ることができる。製造条件を固定したい項目の一例としては、ｍａｓ、ｒａｔｉｏｓ等である。製造条件の範囲を振りたい項目の一例としては、ｇｍａｓ、ｓｐｅｅｄｓ及びＩＲ１ｓからＩＲ４Ｓ等である。
【0061】
なお、ｇｍａｓ、ｍａｓ、ｒａｔｉｏｓ及びｓｐｅｅｄｓは制御変数であり、ＩＲ１ｓからＩＲ４Ｓは成り行き変数である。したがって、本実施形態に係るグリッドサーチによれば、機械学習アルゴリズム２０は、制御変数である第１製造条件ＣＤ１と成り行き変数である第２製造条件ＣＤ２とを所定の方法により組み合わせることにより導出される情報を入力情報とする。
【0062】
図６は、本実施形態に係るグリッドサーチにより設定された条件に基づく推論の結果、目的変数の値が大きくなった製造条件について説明するための図である。同図に示す例では、上述したグリッドサーチにより設定された製造条件と、対応する推論結果としての目的変数の値が表の形式で表わされている。同図に示す表は、“Ｎｏ”、“ｇｍａ”、“ｒａｔｉｏ”、“ｓｐｅｅｄ”、“ＩＲ１”から“ＩＲ４”及び“Ｙ＿ｐｒｅｄ”の項目を有する。“Ｎｏ”は、図５を参照しながら説明したグリッドサーチにより導出された２８，８１２種類の製造条件のうち、いずれであるかを識別する番号である。“ｇｍａ”、“ｒａｔｉｏ”、“ｓｐｅｅｄ”及び“ＩＲ１”から“ＩＲ４”は、図５を参照しながら説明した製造条件項目の値を示す。“Ｙ＿ｐｒｅｄ”は、機械学習アルゴリズム２０により推論された推論結果であって、目的変数の値を示す。
【0063】
推論結果の一例を示すと“Ｎｏ．”が２２５７である場合の製造条件としては、“ｇｍａ”が６であり、“ｍａ”が２７であり、“ｒａｔｉｏ”が１０であり、“ｓｐｅｅｄ”が１２００であり、“ＩＲ１”が３２０であり、“ＩＲ２”が２８０であり、“ＩＲ３”が３１０であり、“ＩＲ４”が３４０である。当該製造条件で製造される樹脂組成物の物性値として、目的変数である“Ｙ＿ｐｒｅｄ”は、４５．９８９５８９である。
【0064】
また、“Ｎｏ．”が１５７１である場合の製造条件としては、“ｇｍａ”が６であり、“ｍａ”が２７であり、“ｒａｔｉｏ”が１０であり、“ｓｐｅｅｄ”が１０００であり、“ＩＲ１”が３２０であり、“ＩＲ２”が２８０であり、“ＩＲ３”が３１０であり、“ＩＲ４”が３４０である。当該製造条件で製造される樹脂組成物の物性値として、目的変数である“Ｙ＿ｐｒｅｄ”は、４５．９８９５８９である。
【0065】
“Ｎｏ．”が１９１４である場合の製造条件としては、“ｇｍａ”が６であり、“ｍａ”が２７であり、“ｒａｔｉｏ”が１０であり、“ｓｐｅｅｄ”が１１００であり、“ＩＲ１”が３２０であり、“ＩＲ２”が２８０であり、“ＩＲ３”が３１０であり、“ＩＲ４”が３４０である。当該製造条件で製造される樹脂組成物の物性値として、目的変数である“Ｙ＿ｐｒｅｄ”は、４５．９８９５８９である。
【0066】
［樹脂組成物の製造条件の判定方法の一連の流れ］
図７は、本実施形態に係るポリアリーレンスルフィド樹脂組成物の製造条件の判定方法の一連の流れを説明するためのフローチャートである。同図を参照しながら、本実施形態に係るポリアリーレンスルフィド樹脂組成物の製造条件の判定方法の一連の流れについて、説明する。
（ステップＳ１１０）機械学習アルゴリズム２０は、記憶装置３０から所定の通信方式によりデータセットＤＳを取得する。
（ステップＳ１２０）機械学習アルゴリズム２０は、取得したデータセットＤＳに基づき、ランダムフォレストを用いて重要度を算出する。機械学習アルゴリズム２０は、この際、データセットＤＳに含まれる制御変数、実測変数、物性変数の全てに対して重要度を算出する。
（ステップＳ１３０）機械学習アルゴリズム２０は、算出された複数の重要度の中から、重要度の高い項目である高重要度項目ＨＣを、所定の条件に従い選定する。
図７は、本実施形態に係るポリアリーレンスルフィド樹脂組成物の製造条件の判定方法の一連の流れを説明するためのフローチャートである。同図を参照しながら、本実施形態に係るポリアリーレンスルフィド樹脂組成物の製造条件の判定方法の一連の流れについて、説明する。
（ステップＳ１１０）機械学習アルゴリズム２０は、記憶装置３０から所定の通信方式によりデータセットＤＳを取得する。
（ステップＳ１２０）機械学習アルゴリズム２０は、取得したデータセットＤＳに基づき、ランダムフォレストを用いて重要度を算出する。機械学習アルゴリズム２０は、この際、データセットＤＳに含まれる制御変数、実測変数、物性変数の全てに対して重要度を算出する。
（ステップＳ１３０）機械学習アルゴリズム２０は、算出された複数の重要度の中から、重要度の高い項目である高重要度項目ＨＣを、所定の条件に従い選定する。
【0067】
（ステップＳ１４０）機械学習アルゴリズム２０は、所定の条件により、更に目的変数を設定するか否かの判定をする。機械学習アルゴリズム２０は、更に目的変数を設定して重要度を算出する場合（すなわち、ステップＳ１４０；ＹＥＳ）、処理をステップＳ１２０に進める。機械学習アルゴリズム２０は、更に目的変数を設定して重要度を算出しない場合（すなわち、ステップＳ１４０；ＮＯ）、処理をステップＳ１５０に進める。
なお、機械学習アルゴリズム２０が更に目的変数を設定するか否かの判定をするための所定の条件とは、算出された高重要度項目ＨＣをユーザに提示することに応じてユーザからの応答を得ることにより取得されてもよい。
なお、機械学習アルゴリズム２０が更に目的変数を設定するか否かの判定をするための所定の条件とは、重要度の順位が１位の項目と、重要度の順位が２位の項目との差に応じて自動的に判定されてもよい。
なお、機械学習アルゴリズム２０が更に目的変数を設定するか否かの判定をするための所定の条件とは、算出された高重要度項目ＨＣをユーザに提示することに応じてユーザからの応答を得ることにより取得されてもよい。
なお、機械学習アルゴリズム２０が更に目的変数を設定するか否かの判定をするための所定の条件とは、重要度の順位が１位の項目と、重要度の順位が２位の項目との差に応じて自動的に判定されてもよい。
【0068】
（ステップＳ１５０）機械学習アルゴリズム２０は、算出された高重要度項目ＨＣについて、回帰分析を行うことにより、好適な製造条件を得る。回帰分析の一例としては、ランダムフォレスト回帰分析やサポートベクトル回帰分析を例示することができる。
（ステップＳ１６０）機械学習アルゴリズム２０は、改良条件の決定をする。
なお、機械学習アルゴリズム２０は、ステップＳ１５０においてランダムフォレスト回帰分析やサポートベクトル回帰分析などを行った結果をユーザに提示することに応じてユーザからの応答を得ることにより、改良条件の決定をするよう構成されていてもよい。
（ステップＳ１６０）機械学習アルゴリズム２０は、改良条件の決定をする。
なお、機械学習アルゴリズム２０は、ステップＳ１５０においてランダムフォレスト回帰分析やサポートベクトル回帰分析などを行った結果をユーザに提示することに応じてユーザからの応答を得ることにより、改良条件の決定をするよう構成されていてもよい。
【0069】
［推論精度判定システム］
図８は、本実施形態に係る推論精度判定システムについて説明するための機能構成図である。同図を参照しながら推論精度判定システム４について説明する。推論精度判定システム４は、機械学習アルゴリズム２０により推論された結果と、当該結果に対応する製造条件により製造された樹脂組成物を製造及び測定した結果とを比較し、機械学習アルゴリズム２０の推論精度（予測精度）を判定する。推論精度判定システム４は、推論精度判定装置４０と、製造装置５１と、測定装置５２とを備える。推論精度判定装置４０は、条件範囲指定部４１と、学習モデル４２と、測定結果取得部４３と、比較部４４と、推論精度出力部４５とを備える。
なお、同図を参照しながら行う説明においては、目的変数が耐衝撃性（シャルピー衝撃値）である場合の一例について説明する。しかしながら本実施形態はこの一例に限定されず、その他の物性値等を目的変数としてもよい。
図８は、本実施形態に係る推論精度判定システムについて説明するための機能構成図である。同図を参照しながら推論精度判定システム４について説明する。推論精度判定システム４は、機械学習アルゴリズム２０により推論された結果と、当該結果に対応する製造条件により製造された樹脂組成物を製造及び測定した結果とを比較し、機械学習アルゴリズム２０の推論精度（予測精度）を判定する。推論精度判定システム４は、推論精度判定装置４０と、製造装置５１と、測定装置５２とを備える。推論精度判定装置４０は、条件範囲指定部４１と、学習モデル４２と、測定結果取得部４３と、比較部４４と、推論精度出力部４５とを備える。
なお、同図を参照しながら行う説明においては、目的変数が耐衝撃性（シャルピー衝撃値）である場合の一例について説明する。しかしながら本実施形態はこの一例に限定されず、その他の物性値等を目的変数としてもよい。
【0070】
条件範囲指定部４１は、図５及び図６を参照しながら説明したグリッドサーチにより入力情報を導出する。条件範囲指定部４１は、キーボードやマウス等の不図示の操作取得部を備えることにより、ユーザから所定の情報を取得してもよい。所定の情報とは、例えば、複数の製造条件項目がそれぞれ取り得る値に関する情報である。条件範囲指定部４１は、取得した情報に基づき、グリッドサーチにより入力情報を導出する。条件範囲指定部４１は、導出した入力情報を入力情報ＩＩとして学習モデル４２に提供する。
【0071】
学習モデル４２は、機械学習アルゴリズムの一例であり、予め学習された学習済みモデルである。学習モデル４２は条件範囲指定部４１から入力情報ＩＩを取得し、取得した入力情報ＩＩに基づき推論を行う。目的変数については予め定められていてもよいし、不図示の操作取得部によりユーザから取得してもよい。学習モデル４２は、推論を行った結果、好適な製造条件を製造条件データＣＤとして製造装置５１に提供する。また、学習モデル４２は、当該製造条件データＣＤにより製造された樹脂組成物を測定した結果得られるであろう物性測定値を物性測定データＭＤとして比較部４４に出力する。
【0072】
製造装置５１は、二軸押出機１０の一例である。製造装置５１は、学習モデル４２から製造条件データＣＤを取得する。製造装置５１は、取得した製造条件データＣＤに基づき、樹脂組成物を製造する。
測定装置５２は、製造装置５１により製造された樹脂組成物の物性を測定する。測定装置５２により測定される物性値には、少なくとも耐衝撃性が含まれる。測定装置５２は、樹脂組成物の物性を測定した結果を、測定情報ＭＩとして測定結果取得部４３に提供する。
測定装置５２は、製造装置５１により製造された樹脂組成物の物性を測定する。測定装置５２により測定される物性値には、少なくとも耐衝撃性が含まれる。測定装置５２は、樹脂組成物の物性を測定した結果を、測定情報ＭＩとして測定結果取得部４３に提供する。
【0073】
測定結果取得部４３は、測定情報ＭＩを取得する。測定情報ＭＩとは、機械学習アルゴリズム２０により推論された耐衝撃性に対応する製造条件データＣＤに基づいて製造された樹脂組成物の物性値を計測した計測結果である。当該物性値には、少なくとも耐衝撃性が含まれる。すなわち測定結果取得部４３は、機械学習アルゴリズム２０により推論された耐衝撃性に対応する製造条件データＣＤに基づいて製造された樹脂組成物の耐衝撃性を計測した計測結果を取得する。
【0074】
比較部４４は、学習モデル４２から物性測定データＭＤを取得し、測定結果取得部４３から測定情報ＭＩを取得する。学習モデル４２は、取得した物性測定データＭＤと測定情報ＭＩとを比較する。比較部４４により比較される物性値には、少なくとも耐衝撃性が含まれる。すなわち比較部４４は、取得された計測結果と、推論された耐衝撃性とを比較する。比較部４４は、比較した結果を比較結果ＣＲとして推論精度出力部４５に出力する。ここで、本実施形態に係る樹脂組成物の製造条件の判定方法により推論される推論精度は、１０％以内である。
【0075】
推論精度出力部４５は、比較部４４から比較結果ＣＲを取得する。推論精度出力部４５は、取得した比較結果ＣＲに基づき、機械学習アルゴリズム２０の推論精度を出力する。推論精度出力部４５は、例えば不図示の液晶ディスプレイや音声出力装置等に推論精度を出力してもよいし、所定の通信ネットワークを介して推論精度に関する情報を出力してもよい。
【0076】
［実施形態のまとめ］
以上説明した実施形態によれば、樹脂組成物の製造条件の判定方法は、データセットＤＳを用いて機械学習アルゴリズム２０を実行することにより、特性向上対象項目の特性値の変化についての重要度が高い項目を判定する。データセットＤＳは、製造条件データＣＤと物性測定データＭＤとを含む。製造条件データＣＤは、樹脂組成物の製造装置の制御対象である第１製造条件データＣＤ１と、樹脂組成物の製造装置の制御対象でない第２製造条件データＣＤ２とを含む。また、物性測定データＭＤは、製造条件データＣＤが示す製造条件によって製造された樹脂組成物の耐衝撃性を特性値項目として少なくとも含む。機械学習アルゴリズム２０が推論に用いる入力情報は、複数の第１製造条件ＣＤ１と複数の第２製造条件ＣＤ２とを所定の方法により組み合わせることにより導出される。
以上説明した実施形態によれば、樹脂組成物の製造条件の判定方法は、データセットＤＳを用いて機械学習アルゴリズム２０を実行することにより、特性向上対象項目の特性値の変化についての重要度が高い項目を判定する。データセットＤＳは、製造条件データＣＤと物性測定データＭＤとを含む。製造条件データＣＤは、樹脂組成物の製造装置の制御対象である第１製造条件データＣＤ１と、樹脂組成物の製造装置の制御対象でない第２製造条件データＣＤ２とを含む。また、物性測定データＭＤは、製造条件データＣＤが示す製造条件によって製造された樹脂組成物の耐衝撃性を特性値項目として少なくとも含む。機械学習アルゴリズム２０が推論に用いる入力情報は、複数の第１製造条件ＣＤ１と複数の第２製造条件ＣＤ２とを所定の方法により組み合わせることにより導出される。
【0077】
従来、製造条件として制御するパラメータの種類が非常に多く、それぞれの制御パラメータは様々な値を取り得るため、様々な製造条件についての推論を行わなければならず、取り得る製造条件の範囲を網羅的に判定することは困難であった。すなわち、従来技術によれば、取り得るほぼ全ての入力情報を網羅することが困難であった。
しかしながら本実施形態に係る樹脂組成物の製造条件の判定方法によれば、第１製造条件データＣＤ１と第２製造条件ＣＤ２とを組み合わせることにより入力情報を導出するため、容易に入力情報を導出することができる。したがって、本実施形態によれば、取り得る製造条件を網羅的に判定し、目的変数として設定した値が好適となる製造条件を判定することができる。
しかしながら本実施形態に係る樹脂組成物の製造条件の判定方法によれば、第１製造条件データＣＤ１と第２製造条件ＣＤ２とを組み合わせることにより入力情報を導出するため、容易に入力情報を導出することができる。したがって、本実施形態によれば、取り得る製造条件を網羅的に判定し、目的変数として設定した値が好適となる製造条件を判定することができる。
【0078】
また、以上説明した実施形態によれば、本実施形態に係る樹脂組成物の製造条件の判定方法は、測定結果取得部４３を備えることにより推論された耐衝撃性に対応する製造条件データＣＤに基づいて製造された樹脂組成物の耐衝撃性を計測した計測結果を取得し、比較部４４を備えることにより取得された計測結果が含まれる測定情報ＭＩと機械学習アルゴリズム２０により推論された耐衝撃性とを比較し、推論精度出力部４５を備えることにより比較した比較結果に基づいた推論精度を出力する。また、本実施形態に係る機械学習アルゴリズム２０の推論精度は１０％以内である。したがって、本実施形態に係る機械学習アルゴリズム２０によれば精度よく推論することができる。また、本実施形態によれば、推論精度を容易にユーザに通知することができる。
【0079】
また、以上説明した実施形態によれば、樹脂組成物は、ポリアリーレンスルフィド樹脂、ポリアミド樹脂、ポリエステル樹脂、ポリフェニレンオキサイド樹脂、ポリエーテルエーテルケトン樹脂、ポリカーボネート樹脂、及びポリスチレン樹脂からなる群から選択されるいずれか一種以上の樹脂を含むことができる。したがって本実施形態に係る樹脂組成物の製造条件の判定方法によれば、上述したような様々な樹脂組成物の製造条件を判定することができる。
【0080】
また、以上説明した実施形態によれば、実測変数には、シリンダー１３の複数個所におけるそれぞれのシリンダー内温度が含まれる。すなわち、機械学習アルゴリズム２０は、シリンダー１３の複数個所におけるそれぞれのシリンダー内温度（溶融混練時の混練物温度）を実測変数として、特性向上対象項目の特性値の変化についての重要度が高い項目を算出する。したがって、本実施形態によれば、機械学習アルゴリズム２０は、高精度に高重要度項目ＨＣを算出することができる。
【0081】
また、以上説明した実施形態によれば、実測変数に含まれるシリンダー１３の複数個所におけるそれぞれのシリンダー内温度（溶融混練時の混練物温度）のうち、シリンダー１３の上流側の方が、下流側に比べて重要度が高い。すなわち、本実施形態によれば、従来、熟練した技術者の経験と勘に頼らなければ特定できなかった、重要なパラメータを、制御パラメータとして決定することができる。
【0082】
また、以上説明した実施形態によれば、本実施形態に係る樹脂組成物の製造条件の判定方法は、第１製造条件ＣＤ１及び第２製造条件ＣＤ２をグリッドサーチにより組み合わせることにより導出された製造条件データＣＤに基づき耐衝撃性を推論する。本実施形態によれば、グリッドサーチにより入力情報を導出するため、漏れがないよう、入力情報を導出することができる。
【0083】
なお、上述した実施形態における機械学習アルゴリズム２０が備える各部の機能の全体あるいはその機能の一部は、これらの機能を実現するためのプログラムをコンピュータにより読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。
【0084】
また、「コンピュータにより読み取り可能な記録媒体」とは、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶部のことをいう。さらに、「コンピュータにより読み取り可能な記録媒体」とは、インターネット等のネットワークを介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また、上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
【0085】
［樹脂組成物］
本実施形態に係る樹脂組成物の一例としては、ポリアミド樹脂、ポリエステル樹脂、ポリフェニレンオキサイド樹脂、ポリエーテルエーテルケトン樹脂、ポリカーボネート樹脂、ポリスチレン樹脂等の樹脂を含むものが挙げられる。
本実施形態に係る樹脂組成物の一例としては、ポリアミド樹脂、ポリエステル樹脂、ポリフェニレンオキサイド樹脂、ポリエーテルエーテルケトン樹脂、ポリカーボネート樹脂、ポリスチレン樹脂等の樹脂を含むものが挙げられる。
【0086】
実施形態に係る樹脂組成物としては、ポリアミド樹脂、ポリエステル樹脂、ポリフェニレンオキサイド樹脂、ポリエーテルエーテルケトン樹脂、ポリカーボネート樹脂、及びポリスチレン樹脂からなる群から選択されるいずれか一種以上の樹脂と、熱可塑性エラストマー（Ｂ）とを含有する樹脂組成物であることが好ましい。
【0087】
なかでも、実施形態に係る樹脂組成物としては、ポリアリーレンスルフィド樹脂（Ａ）と、熱可塑性エラストマー（Ｂ）とを含有するポリアリーレンスルフィド樹脂組成物であることがより好ましい。
【0088】
＜ポリアリーレンスルフィド樹脂（Ａ）＞
実施形態に係るポリアリーレンスルフィド樹脂（Ａ）は、芳香族環と硫黄原子とが結合した構造を繰り返し単位とする樹脂構造を有するものであり、具体的には、下記構造式（１）で表される構造部位を繰り返し単位として有する樹脂が挙げられる。
実施形態に係るポリアリーレンスルフィド樹脂（Ａ）は、芳香族環と硫黄原子とが結合した構造を繰り返し単位とする樹脂構造を有するものであり、具体的には、下記構造式（１）で表される構造部位を繰り返し単位として有する樹脂が挙げられる。
【0089】
【化1】
【0090】
（式中、Ｒ１及びＲ２は、それぞれ独立に水素原子、炭素原子数１～４のアルキル基、ニトロ基、アミノ基、フェニル基、メトキシ基、又はエトキシ基を表す。）
【0091】
ここで、前記構造式（１）で表される構造部位は、特に該式中のＲ１及びＲ２は、前記ポリアリーレンスルフィド樹脂（Ａ）の機械的強度の点から水素原子であることが好ましく、その場合、下記構造式（２）で表されるパラ位で結合するもの、及び下記構造式（３）で表されるメタ位で結合するものが挙げられる。
【0092】
【化2】
【0093】
これらの中でも、特に繰り返し単位中の芳香族環に対する硫黄原子の結合は前記構造式（２）で表されるパラ位で結合した構造であることが前記ポリアリーレンスルフィド樹脂（Ａ）の耐熱性や結晶性の観点より好ましい。
【0094】
また、前記ポリアリーレンスルフィド樹脂（Ａ）は、前記構造式（１）で表される構造部位のみならず、下記の構造式（４）～（７）で表されるいずれか１種以上の構造部位を、前記構造式（１）で表される構造部位との合計を１００モル％とした量に対して３０モル％以下で含んでいてもよい。
【0095】
【化3】
【0096】
、特に上記構造式（４）～（７）で表されるいずれか１種以上の構造部位を１０モル％以下で含むことが、ポリアリーレンスルフィド樹脂（Ａ）の耐熱性、及び機械的強度の点から好ましい。前記ポリアリーレンスルフィド樹脂（Ａ）中に、上記構造式（４）～（７）で表されるいずれか１種以上の構造部位を含む場合、それらの結合様式としては、ランダム共重合体、ブロック共重合体の何れであってもよい。
【0097】
前記したポリアリーレンスルフィド樹脂（Ａ）は、架橋型のポリアリーレンスルフィド樹脂、及び実質的に線状構造を有する所謂リニア型のポリアリーレンスルフィド樹脂が挙げられる。かかるポリアリーレンスルフィド樹脂（Ａ）は、反応の制御が容易であり、工業的生産性に優れることから、例えば、Ｎ－メチルピロリドン、ジメチルアセトアミドなどのアミド系溶剤やスルホラン等のスルホン系溶媒中で硫化ナトリウムとｐ－ジクロルベンゼンとを反応させる方法によって製造することができる。
【0098】
前記原料ポリアリーレンスルフィド樹脂（Ａ）は、体積平均粒子径が１．０ｍｍ～３．０ｍｍの範囲の粒径を有するポリアリーレンスルフィド樹脂粒子（ａ）であることが好ましい。前記ポリアリーレンスルフィド樹脂粒子（ａ）の体積平均粒子径が１．０ｍｍ以上の場合、該ポリアリーレンスルフィド樹脂粒子（ａ）が再凝集しにくく取り扱いが容易で、熱可塑性エラストマー粒子（ｂ）と均一に混合し易い。また、該ポリアリーレンスルフィド樹脂粒子（ａ）の体積平均粒子径が３．０ｍｍ以下の粒子である場合、該熱可塑性エラストマー粒子（ｂ）と均一に混合し易いため前記ポリアリーレンスルフィド樹脂組成物に与える強度改善効果が向上する。これらの中でも、体積平均粒子径が１．５ｍｍ～２．５ｍｍの範囲にあるポリアリーレンスルフィド樹脂粒子（ａ）であることがより好ましい。
【0099】
前記した体積平均粒子径が１．０ｍｍ～３．０ｍｍの範囲にあるポリアリーレンスルフィド樹脂粒子（ａ）は、例えば、以下の（イ）又は（ロ）の方法によって製造できる。
（イ）前記した前記ポリアリーレンスルフィド樹脂（Ａ）の重合終了後、該ポリアリーレンスルフィド樹脂（Ａ）の反応溶液を冷却し、次いで水または温水で数回洗浄した後に乾燥して得られた、ポリアリーレンスルフィド樹脂（Ａ）の粒子を、ベルトプレス装置等のプレス機を用いて圧縮固着することにより板状の固形物を得、次いで粉砕して体積平均粒子径が１．０ｍｍ～３．０ｍｍの範囲にあるポリアリーレンスルフィド樹脂粒子（ａ）を得る方法。
（ロ）前記ポリアリーレンスルフィド樹脂（Ａ）の重合終了後、該ポリアリーレンスルフィド樹脂（Ａ）の反応溶液を冷却する前の、該ポリアリーレンスルフィド樹脂（Ａ）が反応溶媒に溶解した状態で水を添加し、体積平均粒子径が１．０ｍｍ～３．０ｍｍの範囲にあるポリアリーレンスルフィド樹脂粒子（ａ）を得る方法。
（イ）前記した前記ポリアリーレンスルフィド樹脂（Ａ）の重合終了後、該ポリアリーレンスルフィド樹脂（Ａ）の反応溶液を冷却し、次いで水または温水で数回洗浄した後に乾燥して得られた、ポリアリーレンスルフィド樹脂（Ａ）の粒子を、ベルトプレス装置等のプレス機を用いて圧縮固着することにより板状の固形物を得、次いで粉砕して体積平均粒子径が１．０ｍｍ～３．０ｍｍの範囲にあるポリアリーレンスルフィド樹脂粒子（ａ）を得る方法。
（ロ）前記ポリアリーレンスルフィド樹脂（Ａ）の重合終了後、該ポリアリーレンスルフィド樹脂（Ａ）の反応溶液を冷却する前の、該ポリアリーレンスルフィド樹脂（Ａ）が反応溶媒に溶解した状態で水を添加し、体積平均粒子径が１．０ｍｍ～３．０ｍｍの範囲にあるポリアリーレンスルフィド樹脂粒子（ａ）を得る方法。
【0100】
ポリアリーレンスルフィド樹脂（Ａ）は、該ポリアリーレンスルフィド樹脂（Ａ）の分子構造中に活性水素原子を有する官能基として、カルボキシル基を有するものであることが、前記ポリアリーレンスルフィド樹脂（Ａ）の反応性をより高くできる点より好ましい。具体的には、中和滴定法で測定した該ポリアリーレンスルフィド樹脂（Ａ）中の、前記のカルボキシル基の含有量が１０μｍｏｌ／ｇ～２００μｍｏｌ／ｇの範囲にあることが好ましく、１０μｍｏｌ／ｇ～１００μｍｏｌ／ｇの範囲にあることがより好ましい。前記した中和滴定法で測定した該ポリアリーレンスルフィド樹脂（Ａ）中の、カルボキシル基の含有量が１０μｍｏｌ／ｇ以上の場合、前記ポリアリーレンスルフィド樹脂（Ａ）の反応性を高めることができ、一方２００μｍｏｌ／ｇ以下の場合、前記ポリアリーレンスルフィド樹脂（Ａ）の反応性の制御が容易になる。
【0101】
前記の分子構造中に活性水素原子を有する官能基としてカルボキシル基を有するポリアリーレンスルフィド樹脂（Ａ）の製造方法は、該ポリアリーレンスルフィド樹脂（Ａ）の重合終了後、室温まで冷却し水で洗浄した後、該ポリアリーレンスルフィド樹脂（Ａ）をろ別し、酸で処理した後、次いで水で洗浄する方法が挙げられ、この際使用し得る酸は、酢酸、塩酸、硫酸、リン酸、珪酸、炭酸、シュウ酸、又はプロピオン酸が前記ポリアリーレンスルフィド樹脂（Ａ）を分解することなく、残存金属イオン量を効率的に低減できる点から好ましく、これらのなかでも酢酸、又は塩酸がより好ましい。
【0102】
さらに実施形態に係るポリアリーレンスルフィド樹脂（Ａ）は、３００℃で測定した溶融粘度が、６０Ｐａ・ｓ～２４０Ｐａ・ｓの範囲にあるものが好ましい。該ポリアリーレンスルフィド樹脂（Ａ）の溶融粘度が６０Ｐａ・ｓ以上の場合、前記ポリアリーレンスルフィド樹脂組成物の靭性が向上し、一方、前記ポリアリーレンスルフィド樹脂（Ａ）の溶融粘度が２４０Ｐａ・ｓ以下の場合、前記ポリアリーレンスルフィド樹脂組成物の高せん断下の発熱を抑制することが容易になる。これらの中でも、前記熱可塑性エラストマー（Ｂ）の添加による強度改善効果と、前記ポリアリーレンスルフィド樹脂組成物の流動性とのバランスの点から、前記ポリアリーレンスルフィド樹脂（Ａ）の溶融粘度は、特に８０Ｐａ・ｓ～１８０Ｐａ・ｓの範囲にあることが好ましい。
【0103】
ここで、前記した３００℃で測定したポリアリーレンスルフィド樹脂（Ａ）の溶融粘度とは、高下型フローテスターを用い、長さ１０ｍｍ、径１ｍｍのオリフィスを使用して、３００℃、試験荷重５０ｋｇの条件で、６分間保持した後に測定した前記ポリアリーレンスルフィド樹脂（Ａ）の溶融粘度（Ｐａ・ｓ）を示す。
【0104】
実施形態に係るポリアリーレンスルフィド樹脂組成物における、ポリアリーレンスルフィド樹脂（Ａ）の含有割合は、ポリアリーレンスルフィド樹脂組成物の総質量（１００質量％）に対して、５０～９５質量％であることが好ましく、７０～９０質量％がより好ましく、７５～８５質量％がさらに好ましい。上記で例示した、ポリアリーレンスルフィド樹脂（Ａ）の含有割合の数値範囲の上限値と下限値とは、自由に組み合わせることができる。
【0105】
＜熱可塑性エラストマー（Ｂ）＞
前記熱可塑性エラストマー（Ｂ）は、例えば、融点が３００℃以下であり、室温でゴム弾性を有するものであることが好ましい。かかる熱可塑性エラストマー（Ｂ）は、前記ポリアリーレンスルフィド樹脂組成物に与える耐衝撃性の改善効果が優れる点より好ましい。また、耐熱性に優れる点から、熱可塑性エラストマー（Ｂ）は、ポリオレフィン系熱可塑性エラストマーまたはニトリル系熱可塑性エラストマーであることが好ましく、ポリオレフィン系熱可塑性エラストマーであることがより好ましい。
前記熱可塑性エラストマー（Ｂ）は、例えば、融点が３００℃以下であり、室温でゴム弾性を有するものであることが好ましい。かかる熱可塑性エラストマー（Ｂ）は、前記ポリアリーレンスルフィド樹脂組成物に与える耐衝撃性の改善効果が優れる点より好ましい。また、耐熱性に優れる点から、熱可塑性エラストマー（Ｂ）は、ポリオレフィン系熱可塑性エラストマーまたはニトリル系熱可塑性エラストマーであることが好ましく、ポリオレフィン系熱可塑性エラストマーであることがより好ましい。
【0106】
前記ポリオレフィン系熱可塑性エラストマーとは、オレフィンに由来する構成単位を含む熱可塑性エラストマーを例示できる。オレフィンとしては、α－オレフィンが好ましい。ポリオレフィン系熱可塑性エラストマーは、水酸基、カルボキシル基、アミノ基、メルカプト基、エポキシ基、酸無水物構造、エステル構造及びイソシアネート基からなる群の中から選ばれる一つ以上の官能基または構造を分子構造中に有するものであることが、前記ポリアリーレンスルフィド樹脂（Ａ）との反応性に優れ、相溶性に優れる点から好ましい。これらのなかでもカルボキシル基、エポキシ基、酸無水物構造またはエステル構造を分子構造中に有する前記ポリオレフィン系熱可塑性エラストマーは、前記ポリアリーレンスルフィド樹脂（Ａ）との反応性により優れ、相溶性がより向上し均一混合された前記ポリアリーレンスルフィド樹脂組成物を得られる点でより好ましい。
【0107】
前記したカルボキシル基、エポキシ基、酸無水物構造、またはエステル構造を分子構造中に有するポリオレフィン系熱可塑性エラストマーは、例えば、α－オレフィンと、カルボキシル基、エポキシ基、酸無水物構造、またはエステル構造を分子構造中に有するビニル重合性化合物との共重合で得ることができる。前記α－オレフィンとしては、例えば、エチレン、プロピレン、ブテン等の炭素数２～８のα－オレフィン等が挙げられる。
【0108】
前記したカルボキシル基を分子構造中に有する前記グリシジル変性ポリオレフィン系熱可塑性エラストマーは、例えば、アクリル酸、メタクリル酸等のα，β－不飽和カルボン酸、またはマレイン酸、フマル酸、イタコン酸、その他炭素数４～１０の不飽和ジカルボン酸と前記α－オレフィンとの共重合で得ることができる。
【0109】
前記したエポキシ基を分子構造中に有する前記ポリオレフィン系熱可塑性エラストマーは、グリシジルアクリレート、グリシジルメタクリレート等と前記α－オレフィンとの共重合で得ることができる。
【0110】
前記した酸無水物構造を分子構造中に有するポリオレフィン系熱可塑性エラストマーは、マレイン酸、フマル酸、イタコン酸、その他炭素数４～１０の不飽和ジカルボン酸の酸無水物等のα，β－不飽和ジカルボン酸の無水物と前記α－オレフィンとの共重合で得ることができる。
【0111】
前記したエステル構造を分子構造中に有するポリオレフィン系熱可塑性エラストマーは、アクリル酸エステル、メタクリル酸エステル等のα，β－不飽和カルボン酸のアルキルエステル、マレイン酸、フマル酸、イタコン酸、その他炭素数４～１０の不飽和ジカルボン酸のモノ及びジエステルと前記α－オレフィンとの共重合で得ることができる。
【0112】
また、これらの二種以上の官能基又は構造を複数個、同時に含有した共重合体を用いることができる。これらの好ましい例としては、α－オレフィン、アクリル酸エステル、及びメタクリル酸グリシジルの三元共重合体が挙げられる。
【0113】
熱可塑性エラストマー（Ｂ）は、熱可塑性エラストマー（Ｂ）を構成する構成単位の総質量（１００質量％）に対して、α－オレフィンに由来する構成単位を４０～９５質量％含むことが好ましく、５０～９０質量％含むことがより好ましく、６０～８０質量％含むことがさらに好ましい。
【0114】
熱可塑性エラストマー（Ｂ）は、熱可塑性エラストマー（Ｂ）を構成する構成単位の総質量（１００質量％）に対して、グリシジル（メタ）アクリレートに由来する構成単位を０．１～３０質量％含むことが好ましく、０．５～１５質量％含むことがより好ましく、１～７質量％含むことがさらに好ましい。
【0115】
熱可塑性エラストマー（Ｂ）は、熱可塑性エラストマー（Ｂ）を構成する構成単位の総質量（１００質量％）に対して、メチルアクリレートに由来する構成単位を０．１～５０質量％含むことが好ましく、３～４０質量％含むことがより好ましく、１０～３５質量％含むことがさらに好ましい。
【0116】
上記共重合体の一例として、熱可塑性エラストマー（Ｂ）を構成する構成単位の総質量（１００質量％）に対して、
グリシジル（メタ）アクリレートに由来する構成単位を０．１～３０質量％含み、
メチルアクリレートに由来する構成単位を０．１～５０質量％含むものが挙げられる。
グリシジル（メタ）アクリレートに由来する構成単位を０．１～３０質量％含み、
メチルアクリレートに由来する構成単位を０．１～５０質量％含むものが挙げられる。
【0117】
上記共重合体の一例として、熱可塑性エラストマー（Ｂ）を構成する構成単位の総質量（１００質量％）に対して、
α－オレフィンに由来する構成単位を４０～９５質量％含み、
グリシジル（メタ）アクリレートに由来する構成単位を０．１～３０質量％含み、
メチルアクリレートに由来する構成単位を０．１～５０質量％含むものが挙げられる。
α－オレフィンに由来する構成単位を４０～９５質量％含み、
グリシジル（メタ）アクリレートに由来する構成単位を０．１～３０質量％含み、
メチルアクリレートに由来する構成単位を０．１～５０質量％含むものが挙げられる。
【0118】
次に、前記ニトリル系熱可塑性エラストマーとしては、不飽和ニトリルと共役ジエンとの共重合体が挙げられる。前記不飽和ニトリルは例えばアクリロニトリルまたはメタクリロニトリルが挙げられ、前記共役ジエンは例えば１，３－ブタジエン、２－メチル－１，３－ブタジエン、２，３－ジメチル－１，３ブタジエン、１，３－ペンタジエン等が挙げられる。これらの中でもアクリロニトリル－ブタジエン共重合体が好ましく、さらに前記共役ジエンの二重結合の一部または全部を水素添加し、ニトリル基の三重結合を維持したまま耐熱性を高めた水添ニトリル系熱可塑性エラストマーがより好ましい。
【0119】
また、前記水添ニトリル系熱可塑性エラストマーは、ビニル基、水酸基、カルボキシル基、酸無水物構造、グリシジル基、アミノ基、イソシアネート基、メルカプト基、オキサゾリン基、イソシアヌレート基、マレイミド基からなる群の中から選ばれる一つ以上の官能基を分子構造中に有するものであることが、前記ポリアリーレンスルフィド樹脂（Ａ）との反応性に優れ、相溶性に優れる点から好ましく、これらの中でもカルボキシル基を有する水添ニトリル系熱可塑性エラストマーが、耐熱性及び反応性に優れる点から特に好ましい。
【0120】
原料熱可塑性エラストマー（Ｂ）は、その体積平均粒子径が０．１ｍｍ～３．０ｍｍの範囲にある熱可塑性エラストマー粒子（ｂ）であることが好ましい。該熱可塑性エラストマー粒子（ｂ）の体積平均粒子径が０．１ｍｍ以上の場合、該熱可塑性エラストマー粒子（ｂ）の比表面積が小さくなり、該熱可塑性エラストマー粒子（ｂ）の再凝集が発生し難く取り扱いが容易になり、所定配合量の前記熱可塑性エラストマー粒子（ｂ）の配合が容易になる。一方、前記熱可塑性エラストマー粒子（ｂ）の体積平均粒子径が３．０ｍｍ以下の粒子である場合、前記ポリアリーレンスルフィド樹脂（Ａ）に対し均一混合することが容易になり、該ポリアリーレンスルフィド樹脂組成物に与える強度改善効果が良好に発現される。前記した体積平均粒子径のなかでも、前記熱可塑性エラストマー粒子（ｂ）の作業上の取り扱いの容易性、均一混合の容易性、及び耐衝撃性や曲げ強度が改善される効果の各効果のバランスの点から、前記熱可塑性エラストマー粒子（ｂ）の体積平均粒子径は、特に０．３ｍｍ～２．０ｍｍの範囲にあることが好ましい。
【0121】
前記した、体積平均粒子径が０．１ｍｍ～３．０ｍｍの範囲にある粒子径を有する前記熱可塑性エラストマー粒子（ｂ）を製造する方法は、３．０ｍｍを超える体積平均粒子径を有する熱可塑性エラストマー粒子を、切断機を用いて細かく切断して製造する方法、あるいは前記の体積平均粒子径が３．０ｍｍを超える粒子径を有する熱可塑性エラストマー粒子を凍結粉砕する方法を挙げることができる。凍結粉砕の方法は、ドライアイスあるいは液体窒素等で凍結させた後、通常のハンマータイプ粉砕機、カッタータイプ粉砕機あるいは石臼型の粉砕機等を用いて粉砕する方法が挙げられる。前記した方法のなかでも、前記熱可塑性エラストマー粒子（ｂ）を容易に製造することができる点から、凍結粉砕して該前記熱可塑性エラストマー粒子（ｂ）を製造する方法が好ましい。
【0122】
実施形態に係る樹脂組成物における、熱可塑性エラストマー（Ｂ）の含有割合は、ポリアリーレンスルフィド樹脂組成物の総質量（１００質量％）に対して、５～３０質量％が好ましく、１０～２８質量％がより好ましく、１５～２５質量％がさらに好ましい。上記で例示した、熱可塑性エラストマー（Ｂ）の配合割合の数値範囲の上限値と下限値とは、自由に組み合わせることができる。
【0123】
また別の側面からは、ポリアリーレンスルフィド樹脂組成物におけるポリアリーレンスルフィド樹脂（Ａ）と、熱可塑性エラストマー（Ｂ）との総含有量（１００質量部）に対して、前記熱可塑性エラストマー（Ｂ）の配合割合は、５～３０質量部が好ましく、１０～２８質量部がより好ましく、１５～２５質量部がさらに好ましい。
【0124】
前記熱可塑性エラストマー（Ｂ）の含有割合が上記下限値以上であることで、前記ポリアリーレンスルフィド樹脂組成物に与える耐衝撃性の向上効果が良好に発現される。前記熱可塑性エラストマー（Ｂ）の含有割合が上記上限値以下であることで、前記ポリアリーレンスルフィド樹脂組成物の成型時のガス発生量を効果的に低減できる。
【0125】
実施形態に係る樹脂組成物は、ポリアリーレンスルフィド樹脂（Ａ）及び前記熱可塑性エラストマー（Ｂ）の他に、その他の任意成分を、それらの含有量（質量％）の合計が１００質量％を超えないよう含有することができる。
例えば、ポリアリーレンスルフィド樹脂（Ａ）及び前記熱可塑性エラストマー（Ｂ）に該当しない、その他の樹脂を更に含んでもよい。
その他の樹脂としては、エチレン、ブチレン、ペンテン、ブタジエン、イソプレン、クロロプレン、スチレン、α－メチルスチレン、酢酸ビニル、塩化ビニル、アクリル酸エステル、メタクリル酸エステル、（メタ）アクリロニトリルなどの単量体の単独重合体または共重合体、ポリウレタン、ポリエステル、ポリブチレンテレフタレート、ポリエチレンテレフタレート等のポリエステル、ポリアセタール、ポリカーボネート、ポリサルホン、ポリアリルサルホン、ポリエーテルサルホン、ポリフェニレンエーテル、ポリエーテルケトン、ポリエーテルエーテルケトン、ポリイミド、ポリアミドイミド、ポリエーテルイミド、シリコーン樹脂、エポキシ樹脂、フェノキシ樹脂、液晶ポリマー、ポリアリールエーテルなどの単独重合体、ランダム共重合体またはブロック共重合体、グラフト共重合体等が挙げられる。
例えば、ポリアリーレンスルフィド樹脂（Ａ）及び前記熱可塑性エラストマー（Ｂ）に該当しない、その他の樹脂を更に含んでもよい。
その他の樹脂としては、エチレン、ブチレン、ペンテン、ブタジエン、イソプレン、クロロプレン、スチレン、α－メチルスチレン、酢酸ビニル、塩化ビニル、アクリル酸エステル、メタクリル酸エステル、（メタ）アクリロニトリルなどの単量体の単独重合体または共重合体、ポリウレタン、ポリエステル、ポリブチレンテレフタレート、ポリエチレンテレフタレート等のポリエステル、ポリアセタール、ポリカーボネート、ポリサルホン、ポリアリルサルホン、ポリエーテルサルホン、ポリフェニレンエーテル、ポリエーテルケトン、ポリエーテルエーテルケトン、ポリイミド、ポリアミドイミド、ポリエーテルイミド、シリコーン樹脂、エポキシ樹脂、フェノキシ樹脂、液晶ポリマー、ポリアリールエーテルなどの単独重合体、ランダム共重合体またはブロック共重合体、グラフト共重合体等が挙げられる。
【0126】
実施形態に係る樹脂組成物は、前記各成分に加え、更にエポキシシランカップリング剤（Ｃ）を含有することができる。前記ポリアリーレンスルフィド樹脂（Ａ）及び前記熱可塑性エラストマー（Ｂ）と該エポキシシランカップリング剤との優れた反応性のため、前記熱可塑性エラストマー（Ｂ）の均一分散性が改善されるとともに、前記ポリアリーレンスルフィド樹脂（Ａ）と前記熱可塑性エラストマー（Ｂ）との界面における密着性が向上し前記ポリアリーレンスルフィド樹脂組成物の強度改善効果が一層顕著なものとなる点から好ましい。
【0127】
前記エポキシシランカップリング剤（Ｃ）は、アルキル基として炭素原子数１～４の直鎖型アルキル基を有する、グリシドキシアルキル基、３，４－エポキシシクロヘキシルアルキル基のようなエポキシ構造含有基と、２個以上のメトキシ基及びエトキシ基とが珪素原子に結合した構造を有するシラン化合物が好ましい。
【0128】
このようなエポキシシランカップリング剤（Ｃ）は、具体的には、γ－グリシドキシプロピルトリメトキシシラン、β－（３，４－エポキシシクロヘキシル）エチルトリメトキシシラン、γ－グリシドキシプロピルトリエトキシシラン、及びエポキシ系シリコーンオイルが挙げられる。
【0129】
前記エポキシ系シリコーンオイルは炭素原子数２～６アルコキシ基を繰り返し単位として２単位乃至６単位で構成されるポリアルキレンオキシ基を有する化合物が挙げられる。
【0130】
前記エポキシシランカップリング剤（Ｃ）のなかでも、特に、前記ポリアリーレンスルフィド樹脂（Ａ）、及び前記熱可塑性エラストマー（Ｂ）との反応性に優れる点からγ－グリシドキシプロピルトリメトキシシラン、γ－グリシドキシプロピルトリエトキシシランに代表されるグリシドキシアルキルトリアルコキシシラン化合物が特に好ましい。
【0131】
前記エポキシシランカップリング剤（Ｃ）の含有率は、前記ポリアリーレンスルフィド樹脂組成物全質量に対する含有率として、０．１質量％～５質量％の範囲にあることが好ましく、０．１質量％以上の場合前記ポリアリーレンスルフィド樹脂（Ａ）と前記熱可塑性エラストマー（Ｂ）との相溶性が良くなり、５質量％以下の場合前記ポリアリーレンスルフィド樹脂組成物の溶融成型時の発生ガスが減少する。これらのなかでも前記ポリアリーレンスルフィド樹脂組成物全量に対する含有率として、前記ポリアリーレンスルフィド樹脂（Ａ）と前記熱可塑性エラストマー（Ｂ）との相溶性、及び前記ポリアリーレンスルフィド樹脂組成物の溶融成型時の発生ガスの量のバランスの点から、特に０．１質量％～２質量％の範囲にあることが好ましい。
【0132】
実施形態に係る樹脂組成物は、前記した配合物に加え、適宜無機フィラーを含有することができる。前記無機フィラーは、繊維状無機フィラーと非繊維状無機フィラーとを挙げることができる。
【0133】
前記繊維状無機フィラーは、例えば、ガラス繊維、ＰＡＮ系又はピッチ系の炭素繊維、シリカ繊維、ジルコニア繊維、窒化ホウ素繊維、窒化ケイ素繊維、ホウ素繊維、ホウ酸アルミニウム繊維、チタン酸カリウム繊維、更にステンレス、アルミニウム、チタン、銅、真ちゅう等の金属の繊維状物の無機質繊維状物質、及びアラミド繊維等の有機質繊維状物質等が挙げられる。
【0134】
また、前記非繊維状無機フィラーは、例えば、マイカ、タルク、ワラステナイト、セリサイト、カオリン、クレー、ベントナイト、アスベスト、アルミナシリケート、ゼオライト、パイロフィライトなどの珪酸塩や炭酸カルシウム、炭酸マグネシウム、ドロマイトなどの炭酸塩、硫酸カルシウム、硫酸バリウムなどの硫酸塩、アルミナ、酸化マグネシウム、シリカ、ジルコニア、チタニア、酸化鉄などの金属酸化物、ガラスビーズ、セラミックビーズ、窒化ホウ素、炭化珪素、燐酸カルシウムなどが挙げられる。これらの前記繊維状無機フィラー、及び前記非繊維状無機フィラーは、単独使用でも２種以上を併用してもよい。これらの非繊維状無機フィラーの配合時期は特に限定されないが前記ナウタミキサーにより前記ポリアリーレンスルフィド樹脂（Ａ）と前記熱可塑性エラストマー（Ｂ）とがドライブレンドされるときに配合されることが好ましい。
【0135】
前記ポリアリーレンスルフィド樹脂（Ａ）と前記無機フィラーとの含有割合は、前記ポリアリーレンスルフィド樹脂組成物の溶融特性やその成型品の力学的特性の観点から前者／後者の割合で３０質量部～１００質量部／７０質量部～０質量部となる範囲にあることが好ましい。さらに、前記繊維状無機フィラーと前記非繊維状無機フィラーとの混合割合は成型品に要求される力学的特性の観点から任意の含有量でよいが、前者／後者の割合で２０質量部～１００質量部／８０質量部～０質量部となる範囲にあることが好ましい。
【0136】
実施形態に係る樹脂組成物の製造において、前記繊維状フィラーは前記２軸押出機のサイドフィーダーから該押出機内に投入することが前記繊維状フィラーの分散性が良好となる点から特に好ましい。かかるサイドフィーダーの位置は、前記２軸押出機のスクリュウ全長に対する、押出機樹脂投入部から該サイドフィーダーまでの距離の比率が、０．１～０．６の範囲にあることが好ましく、これらの中でも０．２～０．４の範囲にあることが特に好ましい。
【0137】
更に、実施形態に係る樹脂組成物は、酸化防止剤、加工熱安定剤、可塑剤、離型剤、着色剤、滑剤、耐候性安定剤、発泡剤、防錆剤、ワックス等の添加剤を適量含有することができる。
【0138】
実施形態に係る樹脂組成物は、例えば、ペレットとして提供することができる。この前記樹脂組成物のペレットを成形機に供して溶融成形することにより目的とする成形物が得られる。前記溶融成形法は、例えば、射出成形、押出成形、圧縮成形等が挙げられ、特に限定するものでない。
【0139】
実施形態の判定方法によれば、高精度に製造条件が取得されるため前記、取得される製造条件により製造された樹脂組成物の成形物は、特性値項目の一例として、格別良好な耐衝撃性を発揮できる。
耐衝撃性としては、実施形態に係る樹脂組成物の成形物の、シャルピー衝撃値を採用することができる。
耐衝撃性としては、実施形態に係る樹脂組成物の成形物の、シャルピー衝撃値を採用することができる。
【0140】
実施形態の判定方法によって取得される製造条件により製造された樹脂組成物は、例えば自動車部品や、自動車部品として用いられる電気又は電子部品の車両部品用又は車両部材用途に好適に用いることができる。
車両部品としては、エンジンルーム内での駆動系部品（例えば、トランスミッションギア、駆動モータ部品等）、制御部品（ＰＣＵ等）、冷却部品（配管、バルブやポンプ部品等）、電池部品を例示できる。
車両部品としては、エンジンルーム内での駆動系部品（例えば、トランスミッションギア、駆動モータ部品等）、制御部品（ＰＣＵ等）、冷却部品（配管、バルブやポンプ部品等）、電池部品を例示できる。
【0141】
実施形態の判定方法によって取得される製造条件によれば、優れた耐衝撃性を示す樹脂組成物、なかでもポリアリーレンスルフィド樹脂組成物を提供可能である。
【実施例0142】
次に実施例を示して本発明をさらに詳細に説明するが、本発明は以下の実施例に限定されるものではない。
【0143】
＜原料＞
・ポリフェニレンスルフィド（ＤＩＣ株式会社製、ＭＡ－５２０）
・ポリエチレン系エラストマーＡ（住友化学社製、ボンドファースト ＢＦ－７Ｌ）
・ポリエチレン系エラストマーＢ（住友化学社製、ボンドファースト ＢＦ－Ｅ）
・ポリエチレン系エラストマーＣ（住友化学社製、ボンドファースト ＢＦ－７Ｍ）
・ポリエチレン系エラストマーＤ（住友化学社製、ボンドファースト ＢＦ－２Ｃ）
・ポリエチレン系エラストマーＥ（ダウケミカル製、エンゲージ８８４２）
・ポリフェニレンスルフィド（ＤＩＣ株式会社製、ＭＡ－５２０）
・ポリエチレン系エラストマーＡ（住友化学社製、ボンドファースト ＢＦ－７Ｌ）
・ポリエチレン系エラストマーＢ（住友化学社製、ボンドファースト ＢＦ－Ｅ）
・ポリエチレン系エラストマーＣ（住友化学社製、ボンドファースト ＢＦ－７Ｍ）
・ポリエチレン系エラストマーＤ（住友化学社製、ボンドファースト ＢＦ－２Ｃ）
・ポリエチレン系エラストマーＥ（ダウケミカル製、エンゲージ８８４２）
【0144】
上記のポリエチレン系エラストマーの原料として使用される各モノマーの割合を以下に示す。値は、ポリエチレン系エラストマーの原料として使用されるモノマーの総質量に対する各モノマー量（質量％）である。
【0145】
【表1】
【0146】
＜データセットの取得＞
［二軸押出機を用いた溶融混練］
（製造１）
ポリフェニレンスルフィド樹脂ＭＡ－５２０に、ポリエチレン系エラストマーＡを、樹脂組成物の総質量１００質量％に対して、２質量％、５質量％、１０質量％、１５質量％、又は２０重量％となるようそれぞれ配合して、ハンドブレンドにより混合し、得られた混合物を二軸押出機に投入した。二軸押出機は、スクリュウ径１５ｍｍ、Ｌ／Ｄ＝９０の同方向回転二軸押出機を用い、１５分割されたバレルの上流側から３～１５番目のバレル温度が全て３００℃、全て２８０℃、全て２６０℃、又は全て２４０℃となるように設定した。それぞれの混合物を１５０、３００、６００、１０００、１５００、２０００、２５００、３０００、３５００、４０００、又は４５００ｒｐｍで溶融混練し、ダイスから出たストランドを冷却してカッティングし、ポリフェニレンスルフィド樹脂組成物のペレットを得た。
［二軸押出機を用いた溶融混練］
（製造１）
ポリフェニレンスルフィド樹脂ＭＡ－５２０に、ポリエチレン系エラストマーＡを、樹脂組成物の総質量１００質量％に対して、２質量％、５質量％、１０質量％、１５質量％、又は２０重量％となるようそれぞれ配合して、ハンドブレンドにより混合し、得られた混合物を二軸押出機に投入した。二軸押出機は、スクリュウ径１５ｍｍ、Ｌ／Ｄ＝９０の同方向回転二軸押出機を用い、１５分割されたバレルの上流側から３～１５番目のバレル温度が全て３００℃、全て２８０℃、全て２６０℃、又は全て２４０℃となるように設定した。それぞれの混合物を１５０、３００、６００、１０００、１５００、２０００、２５００、３０００、３５００、４０００、又は４５００ｒｐｍで溶融混練し、ダイスから出たストランドを冷却してカッティングし、ポリフェニレンスルフィド樹脂組成物のペレットを得た。
【0147】
（製造２）
上記の製造１と同様の操作にて、ポリエチレン系エラストマーＡに代えて、ポリエチレン系エラストマーＢを用い、混合物を二軸押出機で溶融混練し、樹脂組成物ペレットを得た。
上記の製造１と同様の操作にて、ポリエチレン系エラストマーＡに代えて、ポリエチレン系エラストマーＢを用い、混合物を二軸押出機で溶融混練し、樹脂組成物ペレットを得た。
【0148】
（製造３）
上記の製造１と同様の操作にて、ポリエチレン系エラストマーＡに代えて、ポリエチレン系エラストマーＣを用い、混合物を二軸押出機で溶融混練し、樹脂組成物のペレットを得た。
上記の製造１と同様の操作にて、ポリエチレン系エラストマーＡに代えて、ポリエチレン系エラストマーＣを用い、混合物を二軸押出機で溶融混練し、樹脂組成物のペレットを得た。
【0149】
（製造４）
上記の製造１と同様の操作にて、ポリエチレン系エラストマーＡに代えて、ポリエチレン系エラストマーＤを用い、混合物を二軸押出機で溶融混練し、樹脂組成物のペレットを得た。
上記の製造１と同様の操作にて、ポリエチレン系エラストマーＡに代えて、ポリエチレン系エラストマーＤを用い、混合物を二軸押出機で溶融混練し、樹脂組成物のペレットを得た。
【0150】
（製造５）
上記の製造１と同様の操作にて、ポリエチレン系エラストマーＡに代えて、ポリエチレン系エラストマーＥを用い、混合物を二軸押出機で溶融混練し、樹脂組成物のペレットを得た。
上記の製造１と同様の操作にて、ポリエチレン系エラストマーＡに代えて、ポリエチレン系エラストマーＥを用い、混合物を二軸押出機で溶融混練し、樹脂組成物のペレットを得た。
【0151】
上記ポリエチレン系エラストマーの原料として使用されるモノマーの総質量に対する各モノマー量（質量％）として、グリシジルメタクリレートの量（質量％）、メチルアクリレートの量（質量％）を構造因子からなる特徴量とした。また、ポリフェニレンスルフィド樹脂組成物の総質量１００質量％に対するポリエチレン系エラストマーの配合量（質量％）、及びスクリュウ回転数を操作因子からなる特徴量とした。
【0152】
［溶融混練条件］
二軸押出機を用いて溶融混練する際、１５分割されたバレルのうち、原料投入側からのバレルの位置５番目、８番目、１１番目、及び１３番目に赤外温度計を設置し、スクリュウ根元から先端までの計４カ所（それぞれ、ＩＲ１温度、ＩＲ２温度、ＩＲ３温度、ＩＲ４温度とする。）において各バレル通過時のシリンダー内の樹脂組成物の温度（℃）（以下、樹脂温度という）を測定した。また、樹脂圧力（ＭＰａ）、押出機の電流値（Ａ）を測定した。これらの製造条件データを成り行き変数（成り行きの特徴量）とした。
二軸押出機を用いて溶融混練する際、１５分割されたバレルのうち、原料投入側からのバレルの位置５番目、８番目、１１番目、及び１３番目に赤外温度計を設置し、スクリュウ根元から先端までの計４カ所（それぞれ、ＩＲ１温度、ＩＲ２温度、ＩＲ３温度、ＩＲ４温度とする。）において各バレル通過時のシリンダー内の樹脂組成物の温度（℃）（以下、樹脂温度という）を測定した。また、樹脂圧力（ＭＰａ）、押出機の電流値（Ａ）を測定した。これらの製造条件データを成り行き変数（成り行きの特徴量）とした。
【0153】
［シャルピー衝撃試験］
上記で得られた各ポリフェニレンスルフィド樹脂組成物のペレットを成形材料として、シリンダー設定温度３００℃、金型設定温度１３０℃の条件にて射出成形機で成形し、長さ８０ｍｍ×幅１０．０ｍｍ×厚さ４．０ｍｍの試験片を得た。次にＩＳＯ ２８１８に従ってノッチ（ＢＮ：８ｍｍ）を切削し、ＩＳＯ １７９－１に従いシャルピー衝撃試験を行い、２３℃におけるノッチ付のシャルピー衝撃値（ｋＪ／ｍ２）を得た。
上記で得られた各ポリフェニレンスルフィド樹脂組成物のペレットを成形材料として、シリンダー設定温度３００℃、金型設定温度１３０℃の条件にて射出成形機で成形し、長さ８０ｍｍ×幅１０．０ｍｍ×厚さ４．０ｍｍの試験片を得た。次にＩＳＯ ２８１８に従ってノッチ（ＢＮ：８ｍｍ）を切削し、ＩＳＯ １７９－１に従いシャルピー衝撃試験を行い、２３℃におけるノッチ付のシャルピー衝撃値（ｋＪ／ｍ２）を得た。
【0154】
［機械学習モデルの作成］
上記ポリエチレン系エラストマーの原料として使用されるモノマーの総質量に対する各モノマー量（質量％）として、グリシジルメタクリレートの量（質量％）、メチルアクリレートの量（質量％）、ポリフェニレンスルフィド樹脂組成物の総質量１００質量％に対する熱可塑性エラストマーの配合量（質量％）、及びスクリュウ回転数を、制御可能な製造条件項目とし、制御変数とした。
また、スクリュウ根元から先端までの計４カ所の樹脂温度（ＩＲ１温度、ＩＲ２温度、ＩＲ３温度、ＩＲ４温度）の値を製造条件データとし、成り行き変数とした。
これらの制御変数、及び成り行き変数を説明変数、シャルピー衝撃強度を目的変数として、ランダムフォレストのアルゴリズムを用いて回帰モデルを形成した。
上記ポリエチレン系エラストマーの原料として使用されるモノマーの総質量に対する各モノマー量（質量％）として、グリシジルメタクリレートの量（質量％）、メチルアクリレートの量（質量％）、ポリフェニレンスルフィド樹脂組成物の総質量１００質量％に対する熱可塑性エラストマーの配合量（質量％）、及びスクリュウ回転数を、制御可能な製造条件項目とし、制御変数とした。
また、スクリュウ根元から先端までの計４カ所の樹脂温度（ＩＲ１温度、ＩＲ２温度、ＩＲ３温度、ＩＲ４温度）の値を製造条件データとし、成り行き変数とした。
これらの制御変数、及び成り行き変数を説明変数、シャルピー衝撃強度を目的変数として、ランダムフォレストのアルゴリズムを用いて回帰モデルを形成した。
【0155】
［グリッドサーチによる任意の製造条件抽出］
各説明変数の設定条件において、下記の通り設定した。
グリシジルメタクリレートの量：３質量％、６質量％、１２質量％ の３水準
メタクリレートの量：２７質量％ の１水準
エラストマー配合量：１０質量％ の１水準
スクリュウ回転数：１０００ｒｐｍ、１１００ｒｐｍ、１２００ｒｐｍ、１３００ｒｐｍ の４水準
樹脂温度１：２８０℃、２９０℃、３００℃、３１０℃、３２０℃、３３０℃、３４０℃ の７水準
樹脂温度２：２８０℃、２９０℃、３００℃、３１０℃、３２０℃、３３０℃、３４０℃ の７水準
樹脂温度３：２８０℃、２９０℃、３００℃、３１０℃、３２０℃、３３０℃、３４０℃ の７水準
樹脂温度４：２８０℃、２９０℃、３００℃、３１０℃、３２０℃、３３０℃、３４０℃ の７水準
各説明変数の設定条件において、下記の通り設定した。
グリシジルメタクリレートの量：３質量％、６質量％、１２質量％ の３水準
メタクリレートの量：２７質量％ の１水準
エラストマー配合量：１０質量％ の１水準
スクリュウ回転数：１０００ｒｐｍ、１１００ｒｐｍ、１２００ｒｐｍ、１３００ｒｐｍ の４水準
樹脂温度１：２８０℃、２９０℃、３００℃、３１０℃、３２０℃、３３０℃、３４０℃ の７水準
樹脂温度２：２８０℃、２９０℃、３００℃、３１０℃、３２０℃、３３０℃、３４０℃ の７水準
樹脂温度３：２８０℃、２９０℃、３００℃、３１０℃、３２０℃、３３０℃、３４０℃ の７水準
樹脂温度４：２８０℃、２９０℃、３００℃、３１０℃、３２０℃、３３０℃、３４０℃ の７水準
【0156】
これは、少なくともエラストマー配合量の条件項目を１０質量％の１水準に固定して、他の条件水準を１水準以上設定した判定例である。すべての条件水準を掛け合わせると２８８１２条件となる。これらの水準全てについて、上述した回帰モデルに入力し、シャルピー衝撃値の予測値を算出した。得られた予測値に対し、実際に同条件で樹脂組成物を製造し、目的変数であるシャルピー衝撃値を測定した。予測値に対する実測値の比を求め、０．９以上１．１未満となるものをＡ、０．８以上０．９未満、又は１．１以上１．２未満をＢ、０．８未満、又は１．２以上をＦとした。
【0157】
［実施例１］
シャルピー衝撃値の予測値が３４．７ｋＪ／ｍ２となる条件は、エラストマー原料のグリシジルメタクリレートが６質量％、スクリュウ回転数が１１００ｒｐｍ、ＩＲ１温度が３２０℃、ＩＲ２温度が３１０℃、ＩＲ３温度が３１０℃、ＩＲ４温度が３４０℃と判定された。樹脂温度ＩＲ１温度からＩＲ４温度において、判定された温度条件となるよう、バレル設定温度を調整し、判定されたスクリュウ回転数１１００ｒｐｍにて溶融混練を行い、ダイスから出たストランドを冷却し、カッティングして、ポリフェニレンスルフィド樹脂組成物のペレットを得た。得たペレットを成形材料として使用して射出成形し、成形物のシャルピー衝撃値を求めたところ、実測値（５回平均）３５．５ｋＪ／ｍ２であった。予測値に対する実測値の比は１．０２３であった。
シャルピー衝撃値の予測値が３４．７ｋＪ／ｍ２となる条件は、エラストマー原料のグリシジルメタクリレートが６質量％、スクリュウ回転数が１１００ｒｐｍ、ＩＲ１温度が３２０℃、ＩＲ２温度が３１０℃、ＩＲ３温度が３１０℃、ＩＲ４温度が３４０℃と判定された。樹脂温度ＩＲ１温度からＩＲ４温度において、判定された温度条件となるよう、バレル設定温度を調整し、判定されたスクリュウ回転数１１００ｒｐｍにて溶融混練を行い、ダイスから出たストランドを冷却し、カッティングして、ポリフェニレンスルフィド樹脂組成物のペレットを得た。得たペレットを成形材料として使用して射出成形し、成形物のシャルピー衝撃値を求めたところ、実測値（５回平均）３５．５ｋＪ／ｍ２であった。予測値に対する実測値の比は１．０２３であった。
【0158】
［実施例２］
シャルピー衝撃値の予測値が４２．５ｋＪ／ｍ２となる条件は、エラストマー原料のグリシジルメタクリレートが６質量％、スクリュウ回転数が１０００ｒｐｍ、ＩＲ１温度が３１０℃、ＩＲ２温度が２８０℃、ＩＲ３温度が２８０℃、ＩＲ４温度が３４０℃と判定された。樹脂温度ＩＲ１温度からＩＲ４温度において、判定された温度条件となるよう、バレル設定温度を調整し、判定されたスクリュウ回転数１０００ｒｐｍにて溶融混練を行い、樹脂組成物のペレットを得た。得たペレットを成形材料として使用して射出成形し、成形物のシャルピー衝撃値を求めたところ、実測値（５回平均）４５．０ｋＪ／ｍ２であった。予測値に対する実測値の比は１．０５９であった。
シャルピー衝撃値の予測値が４２．５ｋＪ／ｍ２となる条件は、エラストマー原料のグリシジルメタクリレートが６質量％、スクリュウ回転数が１０００ｒｐｍ、ＩＲ１温度が３１０℃、ＩＲ２温度が２８０℃、ＩＲ３温度が２８０℃、ＩＲ４温度が３４０℃と判定された。樹脂温度ＩＲ１温度からＩＲ４温度において、判定された温度条件となるよう、バレル設定温度を調整し、判定されたスクリュウ回転数１０００ｒｐｍにて溶融混練を行い、樹脂組成物のペレットを得た。得たペレットを成形材料として使用して射出成形し、成形物のシャルピー衝撃値を求めたところ、実測値（５回平均）４５．０ｋＪ／ｍ２であった。予測値に対する実測値の比は１．０５９であった。
【0159】
［実施例３］
シャルピー衝撃値の予測値が２６．４ｋＪ／ｍ２となる条件は、エラストマー原料のグリシジルメタクリレートが３質量％、スクリュウ回転数が１０００ｒｐｍ、ＩＲ１温度が２８０℃、ＩＲ２温度が３４０℃、ＩＲ３温度が２８０℃、ＩＲ４温度が３１０℃と判定された。樹脂温度ＩＲ１温度からＩＲ４温度において、判定された温度条件となるよう、バレル設定温度を調整し、判定されたスクリュウ回転数１０００ｒｐｍにて溶融混練を行い、樹脂組成物のペレットを得た。得られたペレットを成形材料として使用して射出成形し、成形物のシャルピー衝撃値を求めたところ、実測値（５回平均）２４．３ｋＪ／ｍ２であった。予測値に対する実測値の比は０．９２０であった。
シャルピー衝撃値の予測値が２６．４ｋＪ／ｍ２となる条件は、エラストマー原料のグリシジルメタクリレートが３質量％、スクリュウ回転数が１０００ｒｐｍ、ＩＲ１温度が２８０℃、ＩＲ２温度が３４０℃、ＩＲ３温度が２８０℃、ＩＲ４温度が３１０℃と判定された。樹脂温度ＩＲ１温度からＩＲ４温度において、判定された温度条件となるよう、バレル設定温度を調整し、判定されたスクリュウ回転数１０００ｒｐｍにて溶融混練を行い、樹脂組成物のペレットを得た。得られたペレットを成形材料として使用して射出成形し、成形物のシャルピー衝撃値を求めたところ、実測値（５回平均）２４．３ｋＪ／ｍ２であった。予測値に対する実測値の比は０．９２０であった。
【0160】
［比較例１］
回帰モデルを作成する際に、赤外温度計にて計測した計４カ所の樹脂温度（ＩＲ１温度、ＩＲ２温度、ＩＲ３温度、ＩＲ４温度）の代わりに、対応するＣ５、Ｃ８、Ｃ１１、及びＣ１３の位置のバレルの設定温度を説明変数として用いた以外は実施例と同様の操作を行い、回帰モデルを得た。上記の実施例と同様に、グリッドサーチにより任意の製造条件を抽出し、回帰モデルに入力し、シャルピー衝撃値の予測値を算出した。
シャルピー衝撃値の予測値が４４．０ｋＪ／ｍ２となる条件は、エラストマー原料のグリシジルメタクリレートが６質量％、スクリュウ回転数が１１００ｒｐｍ、Ｃ５のバレルの設定温度が２８０℃、Ｃ８のバレルの設定温度が３００℃、Ｃ１１のバレルの設定温度が３００℃、Ｃ１３のバレルの設定温度が３００℃と判定された。当条件となるよう、バレル設定温度を調整し、判定されたスクリュウ回転数１１００ｒｐｍにて溶融混練を行い、ダイスから出たストランドを冷却し、カッティングして、ポリフェニレンスルフィド樹脂組成物のペレットを得た。この際、赤外温度計で計測した各バレルの位置の樹脂温度は、ＩＲ１温度が３１２℃、ＩＲ２温度が３３７℃、ＩＲ３温度が３２５℃、ＩＲ４温度が３４５℃であった。
得られたペレットを成形材料として使用して射出成形し、成形物のシャルピー衝撃値を求めたところ、実測値（５回平均）３６．２ｋＪ／ｍ２であった。予測値に対する実測値の比は０．８２３であった。
回帰モデルを作成する際に、赤外温度計にて計測した計４カ所の樹脂温度（ＩＲ１温度、ＩＲ２温度、ＩＲ３温度、ＩＲ４温度）の代わりに、対応するＣ５、Ｃ８、Ｃ１１、及びＣ１３の位置のバレルの設定温度を説明変数として用いた以外は実施例と同様の操作を行い、回帰モデルを得た。上記の実施例と同様に、グリッドサーチにより任意の製造条件を抽出し、回帰モデルに入力し、シャルピー衝撃値の予測値を算出した。
シャルピー衝撃値の予測値が４４．０ｋＪ／ｍ２となる条件は、エラストマー原料のグリシジルメタクリレートが６質量％、スクリュウ回転数が１１００ｒｐｍ、Ｃ５のバレルの設定温度が２８０℃、Ｃ８のバレルの設定温度が３００℃、Ｃ１１のバレルの設定温度が３００℃、Ｃ１３のバレルの設定温度が３００℃と判定された。当条件となるよう、バレル設定温度を調整し、判定されたスクリュウ回転数１１００ｒｐｍにて溶融混練を行い、ダイスから出たストランドを冷却し、カッティングして、ポリフェニレンスルフィド樹脂組成物のペレットを得た。この際、赤外温度計で計測した各バレルの位置の樹脂温度は、ＩＲ１温度が３１２℃、ＩＲ２温度が３３７℃、ＩＲ３温度が３２５℃、ＩＲ４温度が３４５℃であった。
得られたペレットを成形材料として使用して射出成形し、成形物のシャルピー衝撃値を求めたところ、実測値（５回平均）３６．２ｋＪ／ｍ２であった。予測値に対する実測値の比は０．８２３であった。
【0161】
【表2】
【0162】
実施例においては、いずれの例においても予測値に対する実測値の比が０．９以上１．１未満となり、高精度で予測可能であることが実証された。
【符号の説明】
【0163】
１０…二軸押出機、１１…駆動装置、１２…フィーダー、１３…シリンダー、１４…スクリュー、１９…ダイス、２０…機械学習アルゴリズム、３０…記憶装置、ＤＳ…データセット、ＣＤ…製造条件データ、ＭＤ…物性測定データ、ＨＣ…高重要度項目、ＩＲ…赤外線温度センサ、ＩＲ１…第１赤外線温度センサ、ＩＲ２…第２赤外線温度センサ、ＩＲ３…第３赤外線温度センサ、ＩＲ４…第４赤外線温度センサ、４…推論精度判定システム、４０…推論精度判定装置、４１…条件範囲指定部、４２…学習モデル、４３…測定結果取得部、４４…比較部、４５…推論精度出力部、５１…製造装置、５２…測定装置
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】