特開 2024-83180 成形条件導出装置、機械学習装置、推論装置、情報処理方法、機械学習方法、及び、推論方法

(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】P2024083180

(43)【公開日】2024-06-20

(54)【発明の名称】成形条件導出装置、機械学習装置、推論装置、情報処理方法、機械学習方法、及び、推論方法

(51)【国際特許分類】

   B29C 49/78 20060101AFI20240613BHJP

   G06N 20/00 20190101ALI20240613BHJP

   B29C 49/64 20060101ALI20240613BHJP

【ＦＩ】

B29C49/78

G06N20/00

B29C49/64

【審査請求】未請求

【請求項の数】22

【出願形態】ＯＬ

(21)【出願番号】P 2022197549

(22)【出願日】2022-12-10

(71)【出願人】

【識別番号】313005282

【氏名又は名称】東洋製罐株式会社

(71)【出願人】

【識別番号】000003768

【氏名又は名称】東洋製罐グループホールディングス株式会社

(74)【代理人】

【識別番号】100214248

【弁理士】

【氏名又は名称】青山 純

(72)【発明者】

【氏名】大竹 七勢

(72)【発明者】

【氏名】田所 洋一

(72)【発明者】

【氏名】渡邉 大紀

【テーマコード（参考）】

4F208

【Ｆターム（参考）】

4F208AG07

4F208AH55

4F208AM23

4F208LA02

4F208LA09

4F208LB01

4F208LH06

4F208LH10

(57)【要約】

【課題】適正なブロー成形条件を容易に導出することができる成形条件導出装置、機械学習装置、推論装置、情報処理方法、機械学習方法、及び、推論方法を得る。
【解決手段】成形条件導出装置６は、成形体４の形状に関する情報であるボトル形状情報からなる入力データに基づいて、目標成形条件に関する情報である目標成形条件情報からなる出力データを求める。目標成形条件は、ブロー成形工程において設定される１つ以上のブロー成形条件の目標値である。
【選択図】図１０

【特許請求の範囲】

【請求項1】

ブロー成形によりプリフォームから成形体を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である目標成形条件を導出する成形条件導出装置であって、
前記成形体の形状に関する情報であるボトル形状情報からなる入力データに基づいて、前記目標成形条件に関する情報である目標成形条件情報からなる出力データを求める
成形条件導出装置。

【請求項2】

前記入力データは、さらに、前記プリフォームの形状に関する情報であるプリフォーム形状情報を含んでいる
請求項１に記載の成形条件導出装置。

【請求項3】

前記ボトル形状情報には、前記成形体の設計図面情報、前記成形体のイメージ情報、及び、前記成形体の設計パラメータ情報の少なくともいずれか１つが含まれている
請求項１に記載の成形条件導出装置。

【請求項4】

前記プリフォーム形状情報には、前記プリフォームの設計図面情報、前記プリフォームのイメージ情報、及び、前記プリフォームの設計パラメータ情報の少なくともいずれか１つが含まれている
請求項２に記載の成形条件導出装置。

【請求項5】

前記ブロー成形工程は、前記プリフォームを加熱する工程である加熱工程を含んでおり、
前記１つ以上のブロー成形条件には、前記加熱工程における前記プリフォームの加熱温度条件、及び、前記加熱工程における前記プリフォームの温度制御条件の少なくともいずれか１つが含まれている
請求項１から請求項４までのいずれか１項に記載の成形条件導出装置。

【請求項6】

前記ブロー成形工程は、加熱された前記プリフォーム内にプレブロー流体を導入する工程であるプレブロー工程を含んでおり、
前記１つ以上のブロー成形条件には、前記プレブロー工程における設定条件であるプレブロー条件が含まれている
請求項１から請求項４までのいずれか１項に記載の成形条件導出装置。

【請求項7】

前記ブロー成形工程は、前記プリフォーム内にメインブロー流体を導入する工程であるメインブロー工程を含んでおり、
前記１つ以上のブロー成形条件には、前記メインブロー工程における設定条件であるメインブロー条件が含まれている
請求項１から請求項４までのいずれか１項に記載の成形条件導出装置。

【請求項8】

前記入力データが入力されると、前記入力データと前記出力データとの相関関係が機械学習により学習された学習モデルを用いて、前記目標成形条件を決定し、決定された前記目標成形条件に関する情報を前記出力データとして出力する
請求項１から請求項４までのいずれか１項に記載の成形条件導出装置。

【請求項9】

前記入力データが入力されると、所定の演算アルゴリズムからなる数理最適化モデルを用いて、前記目標成形条件を決定し、決定された前記目標成形条件に関する情報を前記出力データとして出力する
請求項１又は請求項３に記載の成形条件導出装置。

【請求項10】

前記所定の演算アルゴリズムは、
前記入力データの前記ボトル形状情報の各変数である入力ボトル変数のベクトルデータと、前記入力ボトル変数に対応する既存の前記ボトル形状情報の各変数である既存ボトル変数のベクトルデータとの距離である第１ベクトル距離を算出し、前記第１ベクトル距離に基づいて、既存ボトル形状情報を特定し、当該既存ボトル形状情報に紐付いた成形条件情報に基づいて、第１成形条件情報を抽出し、
前記第１成形条件情報を目標成形条件情報として選択するものである
請求項９に記載の成形条件導出装置。

【請求項11】

前記入力データが入力されると、所定の演算アルゴリズムからなる数理最適化モデルを用いて、前記目標成形条件を決定し、決定された前記目標成形条件に関する情報を前記出力データとして出力する
請求項２又は請求項４に記載の成形条件導出装置。

【請求項12】

前記所定の演算アルゴリズムは、
前記入力データの前記ボトル形状情報の各変数である入力ボトル変数のベクトルデータと、前記入力ボトル変数に対応する既存の前記ボトル形状情報の各変数である既存ボトル変数のベクトルデータとの距離である第１ベクトル距離を算出し、前記第１ベクトル距離に基づいて、既存ボトル形状情報を特定し、当該既存ボトル形状情報に紐付いた成形条件情報に基づいて、第１成形条件情報を抽出し、
前記入力データの前記プリフォーム形状情報の各変数である入力プリフォーム変数のベクトルデータと、前記入力プリフォーム変数に対応する既存の前記プリフォーム形状情報の各変数である既存プリフォーム変数のベクトルデータとの距離である第２ベクトル距離を算出し、前記第２ベクトル距離に基づいて、既存プリフォーム形状情報を特定し、当該既存プリフォーム形状情報に紐付いた成形条件情報に基づいて、第２成形条件情報を抽出し、
特定の指標に基づいて、前記第１成形条件情報及び前記第２成形条件情報のいずれかを目標成形条件情報として選択するものである
請求項９に記載の成形条件導出装置。

【請求項13】

ブロー成形によりプリフォームから成形体を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である目標成形条件を推論するための学習モデルを生成する機械学習装置であって、
前記成形体の形状に関する情報であるボトル形状情報からなる入力データと、前記入力データに対応付けられ、前記目標成形条件に関する情報である目標成形条件情報からなる出力データとにより構成される学習用データのセットを複数組記憶する学習用データ記憶部と、
前記学習用データのセットが複数組入力されることにより、前記入力データと前記出力データとの相関関係を学習モデルに学習させる機械学習部と、
前記機械学習部により学習された前記学習モデルを記憶する学習済みモデル記憶部と
を備えている機械学習装置。

【請求項14】

前記入力データは、さらに、前記プリフォームの形状に関する情報であるプリフォーム形状情報を含んでいる
請求項１３に記載の機械学習装置。

【請求項15】

メモリと、少なくとも１つのプロセッサとを備え、ブロー成形によりプリフォームから成形体を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である目標成形条件を推論する推論装置であって、
前記少なくとも１つのプロセッサは、
前記成形体の形状に関する情報であるボトル形状情報からなる入力データを取得する情報取得処理と、
前記入力データを取得すると、前記メモリに格納されている数理最適化モデルを用いて、前記目標成形条件を推論する推論処理と、
推論された前記目標成形条件を含む出力データを出力する出力処理と
を実行する推論装置。

【請求項16】

前記入力データは、さらに、前記プリフォームの形状に関する情報であるプリフォーム形状情報を含んでいる
請求項１５に記載の推論装置。

【請求項17】

ブロー成形によりプリフォームから成形体を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である目標成形条件を導出するための情報処理方法であって、
前記成形体の形状に関する情報であるボトル形状情報からなる入力データに基づいて、前記目標成形条件に関する情報である目標成形条件情報からなる出力データを求める
情報処理方法。

【請求項18】

前記入力データは、さらに、前記プリフォームの形状に関する情報であるプリフォーム形状情報を含んでいる
請求項１７に記載の情報処理方法。

【請求項19】

ブロー成形によりプリフォームから成形体を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である目標成形条件を推論するための学習モデルを生成する機械学習方法であって、
前記成形体の形状に関する情報であるボトル形状情報からなる入力データと、前記入力データに対応付けられ、前記目標成形条件に関する情報である目標成形条件情報からなる出力データとにより構成される学習用データのセットを複数組記憶する学習用データ記憶工程と、
前記学習用データのセットが複数組入力されることにより、前記入力データと前記出力データとの相関関係を学習モデルに学習させる機械学習工程と、
前記機械学習工程において学習された前記学習モデルを学習済みモデル記憶部に記憶させる学習済みモデル記憶工程と
を実行する機械学習方法。

【請求項20】

前記入力データは、さらに、前記プリフォームの形状に関する情報であるプリフォーム形状情報を含んでいる
請求項１９に記載の機械学習方法。

【請求項21】

メモリと、少なくとも１つのプロセッサとを備える推論装置により実行されて、ブロー成形によりプリフォームから成形体を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である目標成形条件を推論する推論方法であって、
前記少なくとも１つのプロセッサは、
前記成形体の形状に関する情報であるボトル形状情報からなる入力データを取得する情報取得工程と、
前記入力データを取得すると、前記メモリに格納されている数理最適化モデルを用いて、前記目標成形条件を推論する推論工程と、
推論された前記目標成形条件を含む出力データを出力する出力工程と
を実行する推論方法。

【請求項22】

前記入力データは、さらに、前記プリフォームの形状に関する情報であるプリフォーム形状情報を含んでいる
請求項２１に記載の推論方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、成形条件導出装置、機械学習装置、推論装置、情報処理方法、機械学習方法、及び、推論方法に関する。

【背景技術】

【0002】

従来の容器肉厚設計システムでは、ブロー成形される容器の形状に関するＣＡＤデータに基づいて、容器の力学特性が算出され、これにより容器の理想肉厚が求められる。理想肉厚は、既定の条件を満たす力学特性が得られる肉厚である。そして、この理想肉厚と、シミュレーションモデルを用いて算出された容器の肉厚とが一致又は近似するようなブロー成形条件が求められる（例えば、特許文献１）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００３－６２８９６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、従来の容器肉厚設計システムでは、ブロー成形条件に基づいて、シミュレーションモデルを用いて算出される容器の肉厚と、実際にブロー成形される容器の肉厚とを整合させることが難しく、整合させるために、シミュレーションモデルの改良に多くの時間を費やす必要があった。

【0005】

本発明は、上記のような課題を解決するために為されたものであり、適正なブロー成形条件を容易に導出することができる成形条件導出装置、機械学習装置、推論装置、情報処理方法、機械学習方法、及び、推論方法を得ることを目的とする。

【課題を解決するための手段】

【0006】

本発明に係る成形条件導出装置は、ブロー成形によりプリフォームから成形体を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である目標成形条件を導出する成形条件導出装置であって、成形体の形状に関する情報であるボトル形状情報からなる入力データに基づいて、目標成形条件に関する情報である目標成形条件情報からなる出力データを求める。

【発明の効果】

【0007】

本発明に係る成形条件導出装置、機械学習装置、推論装置、情報処理方法、機械学習方法、及び、推論方法によれば、適正なブロー成形条件を容易に導出することができる。

【図面の簡単な説明】

【0008】

【図1】第１の実施形態に係る容器成形システムの一例を示す概略図である。

【図2】第１の実施形態に係るブロー成形装置の一例を示すブロック図である。

【図3】第１の実施形態に係る成形ユニットの一例を示す概略構成図である。

【図4】ブロー成形工程の流れを示すフローチャートである。

【図5】延伸量を説明するための図である。

【図6】第１の実施形態に係る機械学習装置の一例を示すブロック図である。

【図7】第１の実施形態に係る学習モデル及び学習用データの一例を示す図である。

【図8】機械学習装置により実行される機械学習ルーチンの一例を示すフローチャートである。

【図9】第１の実施形態に係る成形条件導出装置の一例を示すブロック図である。

【図10】図９の成形条件導出装置の機能の一例を示す機能説明図である。

【図11】コンピュータの一例を示すハードウェア構成図である。

【図12】第２の実施形態に係る成形条件導出装置の一例を示す機能説明図である。

【図13】図１２の成形条件導出装置の機能の一例を示す機能説明図である。

【図14】数理最適化モデルによる推論のアルゴリズムを説明するためのフローチャートである。

【発明を実施するための形態】

【0009】

以下、図面を参照して本発明を実施するための実施形態について説明する。以下では、本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。

【0010】

（第１の実施形態）
図１は、第１の実施形態に係る容器成形システムの一例を示す概略図である。容器成形システム１は、金型２０を使用して、ブロー成形により中空状の成形体４を生産する生産システムとして機能する。本実施形態では、二軸延伸ブロー成形法により、プリフォーム３から中空状の成形体４の一形態としてのブロー成形容器（ＰＥＴボトル）を生産する場合について説明する。プリフォーム３は、ポリエチレンテレフタレート（ＰＥＴ）を含む合成樹脂を原材料とする被成形体の一形態である。

【0011】

容器成形システム１は、その主要な構成として、射出成形装置１０００、プリフォーム取出装置１１００、プリフォーム搬送コンベア１２００、プリフォーム供給装置１３００、ブロー成形装置２、成形体取出装置１４００、及び、成形体搬送コンベア１５００を備えている。

【0012】

容器成形システム１において、原材料である合成樹脂が射出成形装置１０００に投入されると、射出成形装置１０００は、投入された合成樹脂をプリフォーム３に成形する。プリフォーム取出装置１１００は、射出成形装置１０００からプリフォーム３を取り出し、プリフォーム搬送コンベア１２００に移送する。プリフォーム搬送コンベア１２００には、加熱装置１２１０が設けられている。加熱装置１２１０は、加熱装置１２１０内をプリフォーム搬送コンベア１２００に搬送されることにより通過するプリフォーム３を加熱する。

【0013】

プリフォーム供給装置１３００は、加熱されたプリフォーム３をブロー成形装置２に順次供給する。ブロー成形装置２は、プリフォーム３を成形体４（ＰＥＴボトル）に成形する。その後、成形体取出装置１４００は、成形体４をブロー成形装置２から取り出し、成形体搬送コンベア１５００に移送する。

【0014】

図２は、第１の実施形態に係るブロー成形装置の一例を示すブロック図である。また、図３は、第１の実施形態に係る成形ユニットの一例を示す概略構成図である。ブロー成形装置２は、その主要な構成要素として、ロータリユニット２１、複数の成形ユニット２２、及び、制御ユニット２３を備えている。

【0015】

ロータリユニット２１は、ロータリ支持部及び回転機構部を有している。ロータリ支持部は、円板状に形成されており、ロータリ支持部の周方向へ等間隔に配置された複数の成形ユニット２２を支持している。回転機構部は、ロータリ支持部を既定の回転速度で回転させる。

【0016】

各成形ユニット２２は、金型支持機構部２２０、シール支持部２２１、ストレッチロッド２２２、ストレッチロッド支持機構部２２３、ブロー流体給排部２２４、及び、温調機構部２２５を有している。

【0017】

金型支持機構部２２０は、金型２０を開閉可能に支持している。シール支持部２２１は、プリフォーム３を支持している。金型２０は、金型支持機構部２２０によって閉じられたとき、プリフォーム３を挟み込む。これにより、プリフォーム３は、金型２０内で密閉状態になる。ストレッチロッド２２２は、プリフォーム３の開口部からプリフォーム３の内部に挿入可能に配置されている。ストレッチロッド支持機構部２２３は、ストレッチロッド２２２を進退移動可能に支持している。

【0018】

ブロー流体給排部２２４は、プリフォーム３に対するブロー流体の供給又は排出を行う。本実施の形態では、ブロー流体として空気（エア）が用いられている。温調機構部２２５は、金型２０の温度を調節する。なお、本実施の形態では、ブロー流体は、空気であるものとして説明するが、空気以外の任意の気体であってもよいし、液体であってもよい。

【0019】

ブロー流体給排部２２４は、主配管２２４０と、３つの分岐配管２２４１Ａ、２２４１Ｂ及び２２４１Ｃと、モジュール群と、センサ群とを有している。モジュール群は、プレブローバルブ２２４２、メインブローバルブ２２４３、及び排気バルブ２２４４を含んでいる。センサ群は、圧力センサ２２４５、流量センサ２２４６、及び温度センサ２２４７を含んでいる。

【0020】

主配管２２４０は、シール支持部２２１を介してストレッチロッド２２２に接続されている。３つの分岐配管２２４１Ａ、２２４１Ｂ及び２２４１Ｃは、主配管２２４０から分岐されている。分岐配管２２４１Ａは、図示しないプレブローエア供給源に接続されている。プレブローエア供給源は、プレブロー流体としてのプレブローエアの供給源である。分岐配管２２４１Ｂは、図示しないメインブローエア供給源に接続されている。メインブローエア供給源は、メインブロー流体としてのメインブローエアの供給源である。メインブローエア供給源の圧力は、プレブローエア供給源の圧力よりも高い。分岐配管２２４１Ｃは、図示しない排気系統に接続されている。

【0021】

プレブローバルブ２２４２は、分岐配管２２４１Ａに設けられている。メインブローバルブ２２４３は、分岐配管２２４１Ｂに設けられている。排気バルブ２２４４は、分岐配管２２４１Ｃに設けられている。

【0022】

圧力センサ２２４５は、主配管２２４０に設けられている。圧力センサ２２４５は、プリフォーム３内に供給されるエアの圧力を所定の時間間隔で測定し、その結果を制御ユニット２３へ出力する。流量センサ２２４６は、主配管２２４０に設けられている。流量センサ２２４６は、プリフォーム３内に供給されるエアの流量を所定の時間間隔で測定し、その結果を制御ユニット２３へ出力する。温度センサ２２４７は、プリフォーム３の温度を所定の時間間隔で測定し、その結果を制御ユニット２３へ出力する。

【0023】

なお、図３において、金型支持機構部２２０、シール支持部２２１及びストレッチロッド支持機構部２２３の具体的な構成は省略されている。これらの機構は、例えば、サーボモータ、シリンダ等の駆動力発生用のモジュールと、リニアガイド、ボールスクリュ、ギヤ、カム、ベルト、カップリング、軸受等の駆動力伝達機構と、リニアセンサ、エンコーダセンサ、リミットセンサ等のセンサとが適宜組み合わされて構成されている。

【0024】

また、図３において、温調機構部２２５の具体的な構成は省略されている。温調機構部２２５は、例えば、電熱ヒータ等の温度調節用のモジュールと、温度センサ等のセンサとが適宜組み合わされて構成されている。また、圧力センサ２２４５及び流量センサ２２４６は、主配管２２４０ではなく、シール支持部２２１に設けられていてもよい。

【0025】

制御ユニット２３は、ロータリユニット２１が備えるモジュール群及びセンサ群と電気的に接続されている。また、制御ユニット２３は、各成形ユニット２２が備えるモジュール群及びセンサ群と電気的に接続されている。

【0026】

制御ユニット２３は、例えば、汎用又は専用のコンピュータで構成されている。制御ユニット２３は、その主要な構成要素として、制御部２３０、通信部２３１、入力部２３２、出力部２３３及び記憶部２３４を有している。

【0027】

制御部２３０は、例えば、演算処理装置又はシーケンサにより構成されている。制御部２３０は、例えば、記憶部２３４に記憶されているブロー成形プログラム２３４０を実行することにより、ブロー成形制御部２３００、圧力監視部２３０１、流量監視部２３０２、及び、温度監視部２３０３として機能する。

【0028】

ブロー成形制御部２３００は、ロータリユニット２１が備えるモジュール群及び各成形ユニット２２が備えるモジュール群を動作させる。圧力監視部２３０１は、各圧力センサ２２４５による測定結果を監視し、ブロー成形制御部２３００にエアの圧力の監視結果を通知する。流量監視部２３０２は、各流量センサ２２４６による測定結果を監視し、ブロー成形制御部２３００にエアの流量の監視結果を通知する。温度監視部２３０３は、各温度センサ２２４７による測定結果を監視し、ブロー成形制御部２３００にエアの温度の監視結果を通知する。また、温度監視部２３０３は、加熱装置１２１０内に設けられた温度センサ（図示せず）による測定結果を監視している。

【0029】

通信部２３１は、通信ネットワークに接続され、例えば、ブロー成形装置２のユーザが使用する端末装置との間において各種のデータを送受信する通信インタフェースとして機能する。入力部２３２は、ブロー成形装置２のユーザによる各種の入力操作を受け付ける。出力部２３３は、画面の表示、シグナルタワーの点灯、及び、ブザーの鳴動を介して各種の情報をユーザに出力することにより、ユーザインタフェースとして機能する。

【0030】

記憶部２３４は、ブロー成形装置２の動作において使用される各種のプログラム及びデータを記憶する。プログラムには、オペレーティングシステム及びブロー成形プログラム２３４０が含まれる。データには、装置設定情報２３４１が含まれる。装置設定情報２３４１は、ブロー成形装置２がブロー成形処理を実行するときの各種の動作条件を登録可能な情報であり、例えば、表示画面を介してユーザにより編集可能に構成されている。

【0031】

図４は、ブロー成形工程の流れを示すフローチャートである。ブロー成形工程は、ブロー成形処理を実行する工程であり、プリフォーム３を加熱し、加熱されたプリフォーム３を金型２０にセットし、セットされたプリフォーム３をブロー成形し、成形体４を得るための工程である。ブロー成形工程は、加熱工程と、プレブロー工程と、メインブロー工程とを含んでいる。

【0032】

加熱工程は、プリフォーム３を加熱する工程（ステップＳ０）である。プレブロー工程は、加熱されたプリフォーム３内にプレブローエアを導入する工程である。プレブロー工程は、プリフォーム３のセット（ステップＳ１）、金型２０の閉動作（ステップＳ２）、ストレッチ（ステップＳ３）、プレブローエア供給開始（ステップＳ４）、プレブロー圧力維持（ステップＳ５）の順に実行される。メインブロー工程は、プレブロー工程に続いて、プリフォーム３内にメインブローエアを導入する工程である。プレブロー圧力は、プレブローエアの圧力である。メインブロー工程は、メインブローエア供給開始（ステップＳ６）、メインブロー圧力維持（ステップＳ７）、ブローエア排気開始（ステップＳ８）、金型２０の開動作（ステップＳ９）、成形体の取出し（ステップＳ１０）の順に実行される。メインブロー圧力は、メインブローエアの圧力である。

【0033】

より具体的に述べると、ステップＳ０において、加熱装置１２１０は、プリフォーム３が加熱装置１２１０内を通過する間、プリフォーム３を加熱する。

【0034】

ステップＳ１において、ブロー成形制御部２３００は、加熱されたプリフォーム３を、シール支持部２２１に支持させる。ステップＳ２において、ブロー成形制御部２３００は、金型支持機構部２２０に金型２０を閉じさせる。ステップＳ３において、ブロー成形制御部２３００は、ストレッチロッド２２２をプリフォーム３の中心軸に沿って進出させることにより、プリフォーム３を延伸させる。

【0035】

ステップＳ４において、ブロー成形制御部２３００は、プレブローバルブ２２４２を開く。ステップＳ５において、ブロー成形制御部２３００は、ストレッチロッド２２２を進出させながら、プレブローエアの供給を継続させることによりプレブロー圧力を維持させる。

【0036】

ステップＳ６において、ブロー成形制御部２３００は、プレブローバルブ２２４２を閉じて、プレブローエアの供給を停止するとともに、メインブローバルブ２２４３を開いてメインブロー圧力を上昇させる。ステップＳ７において、ブロー成形制御部２３００は、メインブローエアの供給を継続させることにより、メインブロー圧力を目標圧力に維持させる。ステップＳ８において、ブロー成形制御部２３００は、メインブローバルブ２２４３を閉じるとともに、排気バルブ２２４４を開いてブロー流体を主配管２２４０から外部へ排出させる。

【0037】

ステップＳ９において、ブロー成形制御部２３００は、ストレッチロッド２２２をプリフォーム３内部から退出させながら、金型支持機構部２２０により金型２０を開かせる。ステップＳ１０において、ブロー成形制御部２３００は、シール支持部２２１により成形体が固定されている状態を解除する。これにより、成形体は、シール支持部２２１から取出し可能にされる。

【0038】

即ち、プレブロー工程は、ブロー成形工程のうち、加熱されたプリフォーム３にストレッチロッド２２２をプリフォーム３の中心軸に沿って挿入することによりプリフォーム３を中心軸方向に延伸させるとともに、プリフォーム３内にエアを導入する工程である。

【0039】

プレブロー工程におけるプレブロー条件としては、プレブロー圧力、圧力維持期間、プレブロー圧力が維持されているときのプレブローエアの流量、プリフォーム３の延伸量、及び、プリフォーム３の延伸速度が挙げられる。圧力維持期間は、プレブロー圧力を維持している期間であり、図４のステップＳ５の期間に相当する。プリフォーム３の延伸量は、プリフォーム３が中心軸方向に延伸する量である。プリフォーム３の延伸速度は、プリフォーム３が中心軸方向に延伸する速度である。

【0040】

図５は、延伸量を説明するための図である。図５の左側の図は、図４のステップＳ２におけるプリフォーム３とストレッチロッド２２２の相対位置関係を示している。図５の中央の図は、図４のステップＳ３において、進出中のストレッチロッド２２２がプリフォーム３に突き当たった状態を示している。図５の右側の図は、図４のステップＳ５において、ストレッチロッド２２２が停止したときの状態を示している。このように、延伸量Ｌｘは、プリフォーム３にストレッチロッド２２２を挿入することによりプリフォーム３が延伸する量である。

【0041】

図６は、第１の実施形態に係る機械学習装置の一例を示すブロック図である。機械学習装置５は、制御部５０、通信部５１、学習用データ記憶部５２、及び、学習済みモデル記憶部５３を備えている。

【0042】

制御部５０は、学習用データ取得部５００及び機械学習部５０１として機能する。通信部５１は、ネットワーク７を介して外部装置と接続され、各種のデータを送受信する通信インタフェースとして機能する。外部装置は、例えば、ブロー成形装置２及び作業者端末装置８である。

【0043】

学習用データ取得部５００は、通信部５１及びネットワーク７を介して、ブロー成形装置２及び作業者端末装置８と接続されており、ブロー成形装置２及び作業者端末装置８の少なくともいずれか１つから学習用データ１３を取得する。学習用データ１３は、入力データと出力データとにより構成されている。

【0044】

入力データは、ボトル形状情報とプリフォーム形状情報とから構成されている。ボトル形状情報は、成形体４の形状に関する情報であり、成形体４についての図面情報、成形体４のイメージ情報、及び、成形体４についての設計パラメータ情報の少なくともいずれか１つを含んでいる。図面情報には、例えば、ＣＡＤデータ及び三面図が含まれる。イメージ情報には、画像データが含まれる。

【0045】

設計パラメータ情報には、成形体４の種類、強度特性、計量特性、材料特性、及び、その他の特性が含まれる。成形体４の種類は、例えば、炭酸飲料用及びアセプティック飲料用に分けられる。強度特性には、例えば、圧縮強度、落下強度、及び、環境応力亀裂耐性が挙げられる。

【0046】

計量特性には、胴径、最小胴径、肉厚、特性分布、容量、高さ、及び、上げ底高さが挙げられる。材料特性には、電流電圧特性、透明度、熱特性、結晶化度、及び、炭酸ガス透過性が挙げられる。その他の特性には、例えば、転倒角度、垂直性、縦延伸倍率、横延伸倍率、容積倍率、及び、周長倍率が挙げられる。縦延伸倍率、横延伸倍率、容積倍率、及び、周長倍率は、いずれもプリフォーム３に対する成形体４の倍率である。

【0047】

プリフォーム形状情報は、プリフォーム３の形状に関する情報であり、プリフォーム３についての図面情報、プリフォーム３のイメージ情報、及び、プリフォーム３についての設計パラメータ情報の少なくともいずれか１つを含んでいる。

【0048】

設計パラメータ情報には、プリフォーム３の種類、計量特性、及び、材料特性が含まれる。プリフォーム３の種類は、例えば、炭酸飲料用、アセプティック飲料用、及び、炭酸飲料用及びアセプティック飲料用にそれぞれに対応した複数のサイズに分けられる。計量特性には、胴径、肉厚、特性分布、容量、及び、高さが挙げられる。材料特性には、電流電圧特性、透明度、熱特性、結晶化度、及び、炭酸ガス透過性が挙げられる。

【0049】

出力データは、成形条件情報により構成されている。成形条件情報は、プリフォーム条件、プレブロー条件、メインブロー条件を含んでいる。

【0050】

プリフォーム条件は、プリフォーム温度及びプリフォーム温度制御条件の少なくともいずれか１つを含んでいる。プリフォーム温度は、プリフォーム搬送コンベア１２００において加熱され、プリフォーム供給装置１３００によりブロー成形装置２に供給されたときのプリフォーム３の温度である。プリフォーム温度制御条件には、例えば、加熱装置１２１０におけるヒータの温度、加熱区間の長さ、及び、プリフォーム搬送コンベア１２００の搬送速度が含まれる。

【0051】

プレブロー条件は、プレブロー圧力、プレブロー時間（プレブロー開始タイミング、プレブロー維持時間）、プレブローエア流量、プリフォーム３のストレッチロッド２２２による延伸量、ストレッチロッド２２２による延伸速度の少なくともいずれか１つを含んでいる。メインブロー条件は、メインブロー圧力、メインブロー時間（メインブロー開始タイミング、メインブロー維持時間）、メインブローエア流量、メインブロー維持時間の少なくともいずれか１つを含んでいる。

【0052】

学習用データ１３は、教師あり学習における教師データ（トレーニングデータ）、検証データ及びテストデータとして用いられるデータである。また、成形条件情報は、教師あり学習における正解ラベルとして用いられるデータである。

【0053】

学習用データ記憶部５２は、学習用データ取得部５００において取得された複数組の学習用データ１３のセットを記憶するデータベースである。なお、学習用データ記憶部５２を構成しているデータベースの具体的な構成は、適宜設計される。

【0054】

機械学習部５０１は、学習用データ記憶部５２に記憶されている複数組の学習用データ１３のセットを用いて機械学習を実施する。すなわち、機械学習部５０１は、学習モデル１２に複数組の学習用データ１３のセットを入力し、学習用データ１３に含まれる入力データ、即ち、ボトル形状情報及びプリフォーム形状情報と、出力データ、即ち、成形条件情報との相関関係を学習モデル１２に学習させることにより、学習済みの学習モデル１２を生成する。

【0055】

学習済みモデル記憶部５３は、機械学習部５０１により生成された学習済みの学習モデル１２を記憶するデータベースである。学習済みの学習モデル１２は、具体的には、調整済みの重みパラメータ群である。学習済みモデル記憶部５３に記憶されている学習済みの学習モデル１２は、ネットワーク７又は記録媒体を介して実システム、例えば、ブロー成形装置２に提供される。なお、図６において、学習用データ記憶部５２及び学習済みモデル記憶部５３は別々の記憶部として示されているが、これらは、単一の記憶部により構成されていてもよい。

【0056】

図７は、第１の実施形態に係る学習モデル１２及び学習用データ１３の一例を示す図である。学習モデル１２の機械学習に用いられる学習用データ１３は、ボトル形状情報とプリフォーム形状情報とにより構成されている。

【0057】

学習用データ取得部５００は、ボトル形状情報及びプリフォーム形状情報を、ブロー成形装置２又は作業者端末装置８から受信する。これにより、学習用データ取得部５００は、学習用データ１３を取得する。また、学習用データ取得部５００は、正解ラベルとしての目標成形条件情報を、ブロー成形装置２又は作業者端末装置８から受信する。

【0058】

目標成形条件情報は、目標成形条件に関する情報である。目標成形条件は、例えば、プリフォーム温度条件、プリフォーム温度制御条件、プレブロー条件、及びメインブロー条件に対する熟練作業者による調整結果に基づいている。

【0059】

学習モデル１２には、例えば、ニューラルネットワークの構造が採用されている。学習モデル１２は、入力層１２０、中間層１２１、及び、出力層１２２を備えている。入力層１２０、中間層１２１、及び、出力層１２２の間には、複数のニューロンをそれぞれ接続する複数のシナプスが張られており、各シナプスには、重みがそれぞれ対応付けられている。各シナプスの重みからなる重みパラメータ群が、機械学習により調整される。

【0060】

入力層１２０は、入力データとしてのボトル形状情報及びプリフォーム形状情報に対応する数のニューロンを有している。入力層１２０には、ボトル形状情報及びプリフォーム形状情報の各値が、各ニューロンにそれぞれ入力される。出力層１２２は、出力データとしての成形条件情報に対応する数のニューロンを有している。出力層１２２からは、成形条件情報に対する目標成形条件情報の予測結果、即ち、推論結果が出力データとして出力される。

【0061】

図８は、機械学習装置５により実行される機械学習ルーチンの一例を示すフローチャートである。図８のルーチンが開始されると、ステップＳ１００において、学習用データ取得部５００は、機械学習を開始するための事前準備として、複数の学習用データ１３を取得し、取得された学習用データ１３を学習用データ記憶部５２に記憶する。ここで、準備のために取得される学習用データの数については、最終的に得られる学習モデル１２に求められる推論精度を考慮して設定されればよい。

【0062】

次いで、ステップＳ１１０において、機械学習部５０１は、機械学習を開始するために、学習前の学習モデル１２を準備する。ここで準備する学習前の学習モデル１２は、図７に例示したニューラルネットワークモデルにより構成されている。この時点において、各シナプスの重みは、初期値に設定されている。

【0063】

次いで、ステップＳ１２０において、機械学習部５０１は、学習用データ記憶部５２に記憶されている複数組の学習用データ１３から、例えば、ランダムに１組の学習用データ１３を取得する。

【0064】

次いで、ステップＳ１３０において、機械学習部５０１は、１組の学習用データ１３に含まれるボトル形状情報及びプリフォーム形状情報（入力データ）を、準備された学習前又は学習中の学習モデル１２の入力層１２０に入力する。その結果、学習モデル１２の出力層１２２から推論結果として目標成形条件情報（出力データ）が出力される。この出力データは、学習前又は学習中の学習モデル１２によって生成されたデータであるため、推論結果として出力された出力データは、学習用データ１３に含まれる目標成形条件情報（正解ラベル）とは異なる情報を示す。

【0065】

次いで、ステップＳ１４０において、機械学習部５０１は、ステップＳ１２０において取得された１組の学習用データ１３に含まれる目標成形条件情報（正解ラベル）と、ステップＳ１３０において出力層１２２から推論結果として出力された目標成形条件情報（出力データ）とを比較する。機械学習部５０１は、正解ラベルと出力データとの比較結果に基づいて、各シナプスの重みを調整する処理、即ち、バックプロパゲーションを実施することにより、機械学習を行う。これにより、機械学習部５０１は、ボトル形状情報及びプリフォーム形状情報と、目標成形条件情報との相関関係を学習モデル１２に学習させる。

【0066】

次いで、ステップＳ１５０において、機械学習部５０１は、学習終了条件が成立したか否かを判定する。例えば、機械学習部５０１は、正解ラベルと出力データとに基づく誤差関数の評価値、及び、学習用データ記憶部５２内に記憶されている未学習の学習用データ１３の残数の少なくともいずれか一方に基づいて、学習終了条件が成立したか否かを判定する。

【0067】

ステップＳ１５０において、学習終了条件が成立していない場合、機械学習部５０１は、学習中の学習モデル１２に対し、未学習の学習用データ１３を用いて、ステップＳ１２０～Ｓ１４０の処理を複数回実施する。一方、ステップＳ１５０において、学習終了条件が成立している場合、機械学習部５０１は、ステップＳ１６０において、生成された学習済みの学習モデル１２（調整済みの重みパラメータ群）を学習済みモデル記憶部５３に記憶させ、本ルーチンを一旦終了する。

【0068】

機械学習方法において、ステップＳ１００が学習用データ記憶工程、ステップＳ１１０～ステップＳ１５０が機械学習工程、ステップＳ１６０が学習済みモデル記憶工程に相当する。

【0069】

図９は、第１の実施形態に係る成形条件導出装置の一例を示すブロック図である。成形条件導出装置６は、目標成形条件を導出する。目標成形条件は、ブロー成形によりプリフォーム３から成形体４を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である。成形条件導出装置６は、通信部６１、制御部６０及び学習済みモデル記憶部６２を備えている。

【0070】

通信部６１は、ネットワーク７を介して外部装置と接続されており、各種のデータを送受信する通信インタフェースとして機能する。外部装置は、例えば、ブロー成形装置２及び作業者端末装置８である。

【0071】

制御部６０は、情報取得部６００、推論部６０１及び出力処理部６０２として機能する。

【0072】

情報取得部６００は、通信部６１及びネットワーク７を介して外部装置と接続されており、外部装置から入力データを取得する情報取得処理を実行する。具体的には、情報取得部６００は、ブロー成形装置２又は作業者端末装置８から、入力データとして、ボトル形状情報及びプリフォーム形状情報を取得する。

【0073】

推論部６０１は、情報取得部６００により取得されたボトル形状情報及びプリフォーム形状情報を、入力データとして学習モデル１２に入力する。推論部６０１は、学習済みモデル記憶部６２に記憶されている学習モデル１２を用いて推論処理を実行する。

【0074】

学習済みモデル記憶部６２は、推論部６０１において用いられる学習済みの学習モデル１２を記憶するデータベースである。なお、学習済みモデル記憶部６２に記憶される学習モデル１２の数は１つに限定されず、例えば、機械学習の手法、ボトル形状、プリフォーム形状のように、条件が異なる複数の学習済みモデルが記憶され、選択的に利用されてもよい。

【0075】

また、学習済みモデル記憶部６２は、外部コンピュータの記憶部によって代用されてもよく、その場合には、推論部６０１は、当該外部コンピュータにアクセスすればよい。外部コンピュータとしては、例えば、サーバ型コンピュータ及びクラウド型コンピュータが挙げられる。

【0076】

出力処理部６０２は、推論部６０１において推論された目標成形条件を含む出力データを外部装置に出力する出力処理を実行する。例えば、出力処理部６０２は、生成された目標成形条件情報をブロー成形装置２に送信してもよいし、作業者端末装置８に送信してもよい。

【0077】

このように、制御部６０は、ボトル形状情報とプリフォーム形状情報とからなる入力データに基づいて、目標成形条件情報からなる出力データを求める。

【0078】

図１０は、図９の成形条件導出装置６の機能の一例を示す機能説明図である。成形条件導出装置６において、情報取得部６００は、入力データとしてボトル形状情報及びプリフォーム形状情報を取得し、推論部６０１に入力する。推論部６０１は、ボトル形状情報及びプリフォーム形状情報を学習モデル１２に入力し、学習モデル１２による推論結果として目標成形条件情報を生成する。

【0079】

入力データとしては、例えば、ボトル形状情報と、プリフォーム形状情報とが情報取得部６００に与えられる。ボトル形状情報は、成形体４の形状に関する情報である。プリフォーム形状情報は、プリフォーム３の形状に関する情報である。以上のように、成形条件導出装置６は、入力データが入力されると、入力データと出力データとの相関関係が機械学習により学習された学習モデルを用いて、目標成形条件を決定し、決定された目標成形条件に関する情報を出力データとして出力する。

【0080】

図１１は、コンピュータの一例を示すハードウェア構成図である。制御ユニット２３、機械学習装置５、及び、成形条件導出装置６は、汎用又は専用のコンピュータ９００により構成される。

【0081】

コンピュータ９００は、図１１に示すように、その主要な構成要素として、バス９１０、プロセッサ９１２、メモリ９１４、入力デバイス９１６、出力デバイス９１７、表示デバイス９１８、ストレージ装置９２０、通信Ｉ／Ｆ（インタフェース）部９２２、外部機器Ｉ／Ｆ部９２４、Ｉ／Ｏ（入出力）デバイスＩ／Ｆ部９２６、及び、メディア入出力部９２８を備えている。なお、上記の構成要素は、コンピュータ９００が使用される用途に応じて適宜省略されてもよい。

【0082】

プロセッサ９１２は、１つ又は複数の演算処理装置（ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＧＰＵ（Graphics Processing Unit）等）で構成されており、コンピュータ９００全体を統括する制御部として動作する。メモリ９１４は、各種のデータ及びプログラム９３０を記憶しており、例えば、メインメモリとして機能する揮発性メモリ（ＤＲＡＭ、ＳＲＡＭ等）と、不揮発性メモリ（ＲＯＭ）、フラッシュメモリ等とにより構成される。

【0083】

入力デバイス９１６は、例えば、キーボード、マウス、テンキー、電子ペン等により構成され、入力部として機能する。出力デバイス９１７は、例えば、音（音声）出力装置、バイブレーション装置等により構成され、出力部として機能する。表示デバイス９１８は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、電子ペーパー、プロジェクタ等により構成され、出力部として機能する。入力デバイス９１６及び表示デバイス９１８は、タッチパネルディスプレイのように、一体的に構成されていてもよい。ストレージ装置９２０は、例えば、ＨＤＤ、ＳＳＤ（Solid State Drive）等により構成され、記憶部として機能する。ストレージ装置９２０は、オペレーティングシステムやプログラム９３０の実行に必要な各種のデータを記憶している。

【0084】

通信Ｉ／Ｆ部９２２は、インターネット、イントラネット等のネットワーク９４０（図６のネットワーク７と同じであってもよい）に有線又は無線により接続され、所定の通信規格に従って他のコンピュータとの間でデータの送受信を行う通信部として機能する。外部機器Ｉ／Ｆ部９２４は、カメラ、プリンタ、スキャナ、リーダライタ等の外部機器９５０に有線又は無線により接続されており、所定の通信規格に従って外部機器９５０との間においてデータの送受信を行う通信部として機能する。Ｉ／ＯデバイスＩ／Ｆ部９２６は、各種のセンサ、アクチュエータ等のＩ／Ｏデバイス９６０に接続されており、Ｉ／Ｏデバイス９６０との間において、例えば、センサによる検出信号やアクチュエータへの制御信号等の各種の信号やデータの送受信を行う通信部として機能する。メディア入出力部９２８は、例えば、ＤＶＤドライブ、ＣＤドライブ等のドライブ装置により構成され、ＤＶＤ、ＣＤ等のメディア（非一時的な記憶媒体）９７０に対してデータの読み書きを行う。

【0085】

上記構成を有するコンピュータ９００において、プロセッサ９１２は、ストレージ装置９２０に記憶されたプログラム９３０をメモリ９１４に呼び出して実行し、バス９１０を介してコンピュータ９００の各部を制御する。なお、プログラム９３０は、ストレージ装置９２０に代えて、メモリ９１４に記憶されていてもよい。プログラム９３０は、インストール可能なファイル形式又は実行可能なファイル形式によりメディア９７０に記録され、メディア入出力部９２８を介してコンピュータ９００に提供されてもよい。プログラム９３０は、通信Ｉ／Ｆ部９２２を介してネットワーク９４０経由によりダウンロードすることによりコンピュータ９００に提供されてもよい。また、コンピュータ９００は、プロセッサ９１２がプログラム９３０を実行することにより実現する各種の機能を、例えば、ＦＰＧＡ、ＡＳＩＣ等のハードウェアにより実現するものでもよい。

【0086】

コンピュータ９００は、例えば、据置型コンピュータや携帯型コンピュータにより構成されており、任意の形態の電子機器である。コンピュータ９００は、クライアント型コンピュータでもよいし、サーバ型コンピュータやクラウド型コンピュータでもよい。コンピュータ９００は、制御ユニット２３、機械学習装置５、及び、成形条件導出装置６以外の装置に適用されてもよい。

【0087】

なお、上記の実施形態において、入力データは、ボトル形状情報とプリフォーム形状情報とから構成されていたが、入力データは、ボトル形状情報のみから構成されていてもよい。即ち、この場合、機械学習部５０１は、ボトル形状情報と目標成形条件情報との相関関係を学習モデル１２に学習させればよい。

【0088】

このように、第１の実施形態に係る成形条件導出装置６は、目標成形条件を導出する装置である。目標成形条件は、ブロー成形によりプリフォーム３から成形体４を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である。成形条件導出装置６は、ボトル形状情報からなる入力データに基づいて、目標成形条件情報からなる出力データを求める。ボトル形状情報は、成形体４の形状に関する情報である。目標成形条件情報は、目標成形条件に関する情報である。

【0089】

これによれば、成形体４についての形状情報に基づいて、目標成形条件を導出することができる。即ち、適正なブロー成形条件を容易に導出することができる。また、例えば、成形体４の種類が変更された場合であっても、熟練作業者の技能に頼ることなく、目標成形条件を決定することができる。

【0090】

また、入力データは、さらに、プリフォーム形状情報を含んでいる。プリフォーム形状情報は、プリフォーム３の形状に関する情報である。

【0091】

これによれば、成形体４についての形状情報と、プリフォーム３についての形状情報とに基づいて、目標成形条件を導出することができる。即ち、より適正なブロー成形条件を容易に導出することができる。

【0092】

また、ボトル形状情報には、成形体４の設計図面情報、成形体４のイメージ情報、及び、成形体４の設計パラメータ情報の少なくともいずれか１つが含まれている。

【0093】

成形体４の設計図面情報、成形体４のイメージ情報、及び、成形体４の設計パラメータ情報は、成形条件導出装置６のユーザが、いずれも容易に入手可能な情報である。従って、これによれば、適正なブロー成形条件をより容易に導出することができる。

【0094】

また、プリフォーム形状情報には、プリフォーム３の設計図面情報、プリフォーム３のイメージ情報、及び、プリフォーム３の設計パラメータ情報の少なくともいずれか１つが含まれている。

【0095】

プリフォーム３の設計図面情報、プリフォーム３のイメージ情報、及び、プリフォーム３の設計パラメータ情報は、成形条件導出装置６のユーザが、いずれも容易に入手可能な情報である。従って、これによれば、適正なブロー成形条件をより容易に導出することができる。

【0096】

また、ブロー成形工程は、加熱工程、プレブロー工程、及び、メインブロー工程を含んでいる。加熱工程は、プリフォーム３を加熱する工程である。プレブロー工程は、加熱されたプリフォーム３内にプレブロー流体を導入する工程である。メインブロー工程は、プレブロー工程に続いて、プリフォーム３内にメインブロー流体を導入する工程である。

【0097】

１つ以上のブロー成形条件には、加熱工程におけるプリフォーム３の加熱温度条件、加熱工程におけるプリフォーム３の温度制御条件、プレブロー工程における設定条件であるプレブロー条件、及び、メインブロー工程における設定条件であるメインブロー条件の少なくともいずれか１つが含まれている。

【0098】

成形体４の形状は、プリフォーム３の加熱温度条件、プリフォーム３の温度制御条件、プレブロー条件、及び、メインブロー条件に大きく依存している。従って、これらのパラメータの少なくとも１つを成形条件として設定し、少なくとも１つのパラメータを調整することにより、熟練作業者の技能に頼ることなく、成形体４の形状をより適正な形状とすることができる。

【0099】

また、成形条件導出装置６は、入力データが入力されると、入力データと出力データとの相関関係が機械学習により学習された学習モデル１２を用いて、目標成形条件を決定し、決定された目標成形条件に関する情報を出力データとして出力する。

【0100】

これによれば、学習された学習モデル１２により、プリフォーム３から成形体４を得るための適正なブロー成形条件を容易に導出することができる。

【0101】

また、機械学習装置５は、目標成形条件を推論するための学習モデル１２を生成する。目標成形条件は、ブロー成形によりプリフォーム３から成形体４を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である。機械学習装置５は、学習用データ記憶部５２と、機械学習部５０１と、学習済みモデル記憶部５３とを備えている。学習用データ記憶部５２は、ボトル形状情報からなる入力データと、入力データに対応付けられ、目標成形条件情報からなる出力データとにより構成される学習用データのセットを複数組記憶する。機械学習部５０１は、学習用データのセットが複数組入力されることにより、入力データと出力データとの相関関係を学習モデル１２に学習させる。学習済みモデル記憶部５３は、機械学習部５０１により学習された学習モデル１２を記憶する。

【0102】

これによれば、適正なブロー成形条件を推論するための学習モデル１２を容易に生成することができる。

【0103】

また、機械学習装置５において、入力データは、さらに、プリフォーム形状情報を含んでいる。

【0104】

これによれば、適正なブロー成形条件を推論するための学習モデル１２をより容易に生成することができる。

【0105】

また、推論装置は、メモリ９１４と、少なくとも１つのプロセッサ９１２とを備え、目標成形条件を推論する。目標成形条件は、ブロー成形によりプリフォーム３から成形体４を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である。少なくとも１つのプロセッサ９１２は、情報取得処理と、推論処理と、出力処理とを実行する。情報取得処理は、成形体４の形状に関する情報であるボトル形状情報からなる入力データを取得する処理である。推論処理は、入力データを取得すると、メモリ９１４に格納されている機械学習による学習モデル１２を用いて、目標成形条件を推論する処理である。出力処理は、推論された目標成形条件を含む出力データを出力する処理である。

【0106】

これによれば、プリフォーム３から成形体４を得るための適正なブロー成形条件を容易に推論することができる。

【0107】

また、推論装置において、入力データは、さらに、プリフォーム形状情報を含んでいる。

【0108】

これによれば、プリフォーム３から成形体４を得るための適正なブロー成形条件をより容易に推論することができる。

【0109】

また、情報処理方法は、目標成形条件を導出するための方法である。目標成形条件は、ブロー成形によりプリフォーム３から成形体４を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である。情報処理方法は、ボトル形状情報からなる入力データに基づいて、目標成形条件に関する情報である目標成形条件情報からなる出力データを求める。

【0110】

これによれば、プリフォーム３から成形体４を得るための適正なブロー成形条件を容易に導出することができる。

【0111】

また、情報処理方法において、入力データは、さらに、プリフォーム形状情報を含んでいる。

【0112】

これによれば、プリフォーム３から成形体４を得るための適正なブロー成形条件をより容易に導出することができる。

【0113】

また、機械学習方法は、目標成形条件を推論するための学習モデルを生成する方法である。機械学習方法は、学習用データ記憶工程と、機械学習工程と、学習済みモデル記憶工程とを実行する。学習用データ記憶工程は、ボトル形状情報からなる入力データと、目標成形条件情報からなる出力データとにより構成される学習用データのセットを複数組記憶する工程である。機械学習工程は、学習用データのセットが複数組入力されることにより、入力データと出力データとの相関関係を学習モデルに学習させる工程である。学習済みモデル記憶工程は、機械学習工程において学習された学習モデルを学習済みモデル記憶部に記憶させる工程である。

【0114】

これによれば、適正なブロー成形条件を推論するための学習モデル１２を容易に生成することができる。

【0115】

また、機械学習方法において、入力データは、さらに、プリフォーム形状情報を含んでいる。

【0116】

これによれば、適正なブロー成形条件を推論するための学習モデル１２をより容易に生成することができる。

【0117】

また、推論方法は、推論装置により実行されて、目標成形条件を推論する方法である。推論装置は、メモリ９１４と、少なくとも１つのプロセッサ９１２とを備えている。目標成形条件は、ブロー成形によりプリフォーム３から成形体４を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である。少なくとも１つのプロセッサ９１２は、情報取得工程と、推論工程と、出力工程とを実行する。情報取得工程は、ボトル形状情報からなる入力データを取得する工程である。推論工程は、入力データを取得すると、メモリ９１４に格納されている機械学習による学習モデルを用いて、目標成形条件を推論する工程である。出力工程は、推論された目標成形条件を含む出力データを出力する工程である。

【0118】

これによれば、プリフォーム３から成形体４を得るための適正なブロー成形条件を容易に推論することができる。

【0119】

また、推論方法において、入力データは、さらに、プリフォーム形状情報を含んでいる。

【0120】

これによれば、プリフォーム３から成形体４を得るための適正なブロー成形条件をより容易に推論することができる。

【0121】

（第２の実施形態）
第１の実施形態では、成形条件導出装置６は、機械学習装置５を用いて作成された学習モデル１２を学習済みモデル記憶部６２に記憶し、記憶された学習モデル１２により、ボトルの目標成形条件を推論していた。第２の実施形態では、第１の実施形態のような機械学習による学習モデル１２に代えて、成形条件導出装置が、所定の演算アルゴリズムからなる数理最適化モデルを用いて目標成形条件を決定する点において、第１の実施形態と相違している。

【0122】

第２の実施形態に係る成形条件導出装置では、入力データは、数理最適化モデルに入力され、出力データは、数理最適化モデルから出力される。言い換えると、成形条件導出装置６において、メモリ９１４に、学習モデル１２に代えて数理最適化モデルが格納される。プロセッサ９１２がメモリ９１４に格納されている数理最適化モデルを用いて目標成形条件を演算する。

【0123】

図１２は、第２の実施形態に係る成形条件導出装置の一例を示すブロック図である。成形条件導出装置６は、通信部６１、既存ボトル情報記憶部６３及び制御部６０を備えている。通信部６１は、ネットワーク７を介して外部装置と接続されており、各種のデータを送受信する通信インタフェースとして機能する。外部装置は、例えば、ブロー成形装置２及び作業者端末装置８である。

【0124】

既存ボトル情報記憶部６３は、過去に製造された成形体４についてのプリフォーム形状情報を既存プリフォーム形状情報として記憶するとともに、過去に製造された成形体４についてのボトル形状情報を既存ボトル形状情報として記憶するデータベースである。

【0125】

また、既存ボトル情報記憶部６３は、１つの種類の成形体４についての既存プリフォーム形状情報と、当該既存プリフォーム形状情報に対応する既存ボトル形状情報とを互いに紐付けて記憶している。なお、既存ボトル情報記憶部６３には、既存プリフォーム形状情報における変数の値及び既存ボトル形状情報における変数の値は、それぞれベクトルデータの形式で記憶されている。なお、本実施形態では、ベクトルデータの形式でそれぞれの変数の値を記憶しているが、それぞれの変数の値をリレーショナルデータベースとして記憶してもよい。

【0126】

制御部６０は、情報取得部６００、推論部６０１及び出力処理部６０２として機能する。

【0127】

情報取得部６００は、通信部６１及びネットワーク７を介して外部装置と接続されており、外部装置から入力データを取得する情報取得処理を実行する。具体的には、情報取得部６００は、ブロー成形装置２又は作業者端末装置８から、入力データとして、ボトル形状情報及びプリフォーム形状情報を取得する。

【0128】

推論部６０１は、機能ブロックとして、数理最適化モデル１４を有している。推論部６０１は、情報取得部６００により取得されたボトル形状情報及びプリフォーム形状情報を、数理最適化モデル１４に入力する。また、推論部６０１は、既存ボトル情報記憶部６３に記憶されている既存ボトル情報を数理最適化モデル１４に入力する。推論部６０１は、数理最適化モデル１４を用いて、目標成形条件を演算する。

【0129】

出力処理部６０２は、推論部６０１において演算された目標成形条件を含む出力データを外部装置に出力する出力処理を実行する。例えば、出力処理部６０２は、生成された目標成形条件情報をブロー成形装置２に送信してもよいし、作業者端末装置８に送信してもよい。

【0130】

このように、制御部６０は、ボトル形状情報とプリフォーム形状情報とからなる入力データに基づいて、目標成形条件情報からなる出力データを求める。成形条件導出装置６は、入力データが入力されると、所定の演算アルゴリズムからなる数理最適化モデルを用いて、目標成形条件を決定し、決定された目標成形条件に関する情報を出力データとして出力する。

【0131】

図１３は、図１２の成形条件導出装置６の機能の一例を示す機能説明図である。成形条件導出装置６において、情報取得部６００は、入力データとしてボトル形状情報及びプリフォーム形状情報を取得し、推論部６０１に入力する。推論部６０１は、ボトル形状情報及びプリフォーム形状情報を数理最適化モデル１４に入力し、数理最適化モデル１４による演算結果として目標成形条件情報を生成する。

【0132】

図１４は、数理最適化モデル１４による演算のアルゴリズムを説明するためのフローチャートである。数理最適化モデル１４には、例えば、以下の成形条件導出アルゴリズムが用いられる。

【0133】

推論部６０１は、ステップＳ１０１において、情報取得部６００から、入力データとして、ボトル形状情報及びプリフォーム形状情報を取得する。なお、入力データは、ボトル種類、例えば、飲料用ボトル、及び、洗浄剤ボトル等の内容物の種類、又は、２リットル用、１リットル用、及び、５００ミリリットル用等の容量の種類等で抽出したものを用いてもよい。即ち、ルールベースにより抽出したものを入力データに用いることもできる。その場合には、ルールベースによる入力データを抽出するステップを追加してもよい。

【0134】

次いで、推論部６０１は、ステップＳ１０２において、入力ボトル変数の値及び入力プリフォーム変数の値を、それぞれベクトルデータに変換する。入力ボトル変数は、入力データのボトル形状情報の各変数である。入力プリフォーム変数は、入力データのプリフォーム形状情報の各変数である。

【0135】

次いで、推論部６０１は、ステップＳ１０３において、入力ボトル変数の各値と、入力ボトル変数の各値に対応する既存ボトル変数の各値とのベクトル距離をそれぞれ算出する。既存ボトル変数は、既存ボトル形状情報の各変数である。本実施形態では、ベクトル距離は、マンハッタン距離として演算される。マンハッタン距離は、各座標の差の絶対値の総和を２点間の距離とするものである。また、入力ボトル変数、及び、既存ボトル変数の種類に基づいて、ベクトル距離の算出における重みを適宜調整することができる。なお、ベクトル距離は、マンハッタン距離ではなく、ユークリッド距離として演算されてもよい。

【0136】

さらに、推論部６０１は、ボトル形状情報の各変数についてのベクトル距離から第１ベクトル距離を算出する。第１ベクトル距離は、マンハッタン距離として演算される。また、第１ベクトル距離は、ユークリッド距離として演算されてもよい。例えば、ボトル形状情報の各変数についてのベクトル距離の二乗和平方根を第１ベクトル距離として算出する。即ち、入力ボトル変数が、ボトル種類、強度特性、計量特性、及び、材料特性の４つであった場合、推論部６０１は、４つの変数の二乗和平方根を第１ベクトル距離として算出する。また、例えば、１０種類のボトルについての既存ボトル形状情報が、既存ボトル情報記憶部６３に記憶されている場合、推論部６０１は、１０通りの第１ベクトル距離をそれぞれ算出する。つまり、第１ベクトル距離は、入力ボトル変数のベクトルデータと、当該入力ボトル変数に対応する既存ボトル変数のベクトルデータとの距離である。また、第１ベクトル距離は，変数ごとのベクトル距離を合成したものでもよい。例えば、ベクトルデータ＝［胴径｜延伸倍率｜・・・］である場合、第１ベクトル距離＝胴径のベクトル距離＋延伸倍率のベクトル距離＋・・・としてもよい。

【0137】

次いで、推論部６０１は、ステップＳ１０４において、入力プリフォーム変数の各値と、入力プリフォーム変数の各値に対応する既存プリフォーム変数の各値とのベクトル距離をそれぞれ算出する。既存プリフォーム変数は、既存プリフォーム形状情報の各変数である。

【0138】

さらに、推論部６０１は、プリフォーム形状情報の各変数についてのベクトル距離から第２ベクトル距離を算出する。第２ベクトル距離は、マンハッタン距離として演算される。また、第２ベクトル距離は、ユークリッド距離として演算されてもよい。例えば、プリフォーム形状情報の各変数についてのベクトル距離の二乗和平方根を第２ベクトル距離として算出する。即ち、入力プリフォーム変数が、プリフォーム種類、計量特性、及び、材料特性の３つであった場合、推論部６０１は、３つの変数の二乗和平方根を第２ベクトル距離として算出する。また、例えば、５種類のプリフォームについての既存プリフォーム形状情報が、既存ボトル情報記憶部６３に記憶されている場合、推論部６０１は、５通りの第２ベクトル距離をそれぞれ算出する。つまり、第２ベクトル距離は、入力プリフォーム変数のベクトルデータと、当該入力プリフォーム変数に対応する既存プリフォーム変数のベクトルデータとの距離である。また、第２ベクトル距離は，変数ごとのベクトル距離を合成したものでもよい。例えば、ベクトルデータ＝［胴径｜透明度｜・・・］である場合、第２ベクトル距離＝胴径のベクトル距離＋透明度のベクトル距離＋・・・としてもよい。

【0139】

次いで、推論部６０１は、ステップＳ１０５において、１０通りの第１ベクトル距離のうち、最短の第１ベクトル距離に対応する既存ボトル形状情報を抽出する。また、推論部６０１は、５通りの第２ベクトル距離のうち、最短の第２ベクトル距離に対応する既存プリフォーム形状情報を抽出する。なお、本実施形態では、既存ボトル形状情報、及び、既存プリフォーム形状情報として、最短の第１ベクトル距離、及び、最短の第２ベクトル距離に対応するものが抽出されている。しかし、例えば、コサイン類似度を用いて既存ボトル形状情報、及び、既存プリフォーム形状情報を抽出してもよい。即ち、ボトル形状情報の各変数と既存ボトル形状情報の各変数との類似度、及び、プリフォーム形状情報の各変数と既存プリフォーム形状情報の各変数との類似度を演算してもよい。コサイン類似度は、２つのベクトルの距離が近いほど類似度が高く、その値が大きくなる。従って、複数の第１ベクトル距離の中でコサイン類似度が最大の第１ベクトル距離に対応する既存ボトル形状情報を抽出してもよい。また、複数の第２ベクトル距離の中でコサイン類似度が最大の第２ベクトル距離に対応する既存プリフォーム形状情報を抽出してもよい。このように、ステップＳ１０５では、第１ベクトル距離に基づいて、最適な既存ボトル形状情報を特定し、第２ベクトル距離に基づいて、最適な既存プリフォーム形状情報を特定する。また、例えば、１０通りの各第１ベクトル距離に対応する各既存ボトル形状情報について加重平均をとったものを最終的な既存ボトル形状情報として特定してもよい。この場合の既存ボトル形状情報は、１０通りの第１ベクトル距離を合成したものに基づいて特定されたものといえる。また、例えば、５通りの各第２ベクトル距離に対応する各既存プリフォーム形状情報について加重平均をとったものを最終的な既存プリフォーム形状情報として特定してもよい。この場合の既存プリフォーム形状情報は、５通りの第２ベクトル距離を合成したものに基づいて特定されたものといえる。即ち、既存ボトル形状情報、及び、既存プリフォーム形状情報は、複数のベクトルを合成したものに基づいて特定されてもよい。なお、上記の例では最終的な既存ボトル形状情報、及び、既存プリフォーム形状情報を特定するために加重平均をとるものとしたが、好適な算術演算を用いてもよい。

【0140】

次いで、推論部６０１は、ステップＳ１０６において、抽出された既存ボトル形状情報に対応するボトルを類似ボトルとして抽出する。また、推論部６０１は、抽出された既存プリフォーム形状情報に対応するプリフォームを類似プリフォームとして抽出する。なお、複数の第１ベクトル距離を合成して抽出された既存ボトル形状情報から類似ボトルを抽出する場合には、当該既存ボトル形状情報に最も類似したものを類似ボトルとして抽出する。また、複数の第２ベクトル距離を合成して抽出された既存プリフォーム形状情報から類似プリフォームを抽出する場合には、当該既存プリフォーム形状情報に最も類似したものを類似プリフォームとして抽出する。

【0141】

次いで、推論部６０１は、ステップＳ１０７において、類似ボトルに対応する成形条件情報を、第１成形条件情報として既存ボトル情報記憶部６３から取得する。また、推論部６０１は、類似プリフォームに対応する成形条件情報を、第２成形条件情報として既存ボトル情報記憶部６３から取得する。なお、複数の第１ベクトル距離を合成して第１成形条件情報を取得することもできる。この場合、各第１ベクトル距離に対応する既存ボトル形状情報を抽出し、抽出された各既存ボトル形状情報に対応する各類似ボトルを抽出し、抽出された各類似ボトルに対応する各成形条件情報について加重平均をとったものを第１成形条件情報としてもよい。また、複数の第２ベクトル距離を合成して第２成形条件情報を取得してもよい。この場合、各第２ベクトル距離に対応する既存プリフォーム形状情報を抽出し、抽出された各既存プリフォーム形状情報に対応する各類似プリフォームを抽出し、抽出された各類似プリフォームに対応する各成形条件情報について加重平均をとったものを第２成形条件情報としてもよい。なお、上記の例では最終的な第１成形条件情報、及び、第２成形条件情報を取得するために加重平均をとるものとしたが、好適な算術演算を用いてもよい。

【0142】

次いで、推論部６０１は、ステップＳ１０８において、第１成形条件情報に含まれる各成形条件と、第２成形条件情報に含まれる各成形条件とを特定の指標に基づいて評価する。そして、推論部６０１は、より適正な成形条件を含んでいる成形条件情報を第１成形条件情報及び第２成形条件情報のいずれかから目標成形条件情報として選択する。

【0143】

次いで、推論部６０１は、ステップＳ１０９において、選択された成形条件情報を演算結果として出力処理部６０２へ出力する。

【0144】

なお、上記の実施形態において、入力データは、ボトル形状情報とプリフォーム形状情報とから構成されていたが、入力データは、ボトル形状情報のみから構成されていてもよい。即ち、この場合、数理最適化モデル１４は、ボトル形状情報と既存ボトル形状情報とから、成形体４の目標成形条件を算出すればよい。

【0145】

このように、第２の実施形態に係る成形条件導出装置６は、入力データが入力されると、所定の演算アルゴリズムからなる数理最適化モデル１４を用いて、目標成形条件を決定し、決定された目標成形条件に関する情報を出力データとして出力する。

【0146】

これによれば、数理最適化モデル１４により、プリフォーム３から成形体４を得るための適正なブロー成形条件を容易に導出することができる。

【0147】

また、所定の演算アルゴリズムは、第１ベクトル距離を算出する。第１ベクトル距離は、入力ボトル変数のベクトルデータと、入力ボトル変数に対応する既存ボトル変数のベクトルデータとの距離である。入力ボトル変数は、入力データのボトル形状情報の各変数である。既存ボトル変数は、既存のボトル形状情報の各変数である。所定の演算アルゴリズムは、第１ベクトル距離に基づいて、既存ボトル形状情報を特定し、当該既存ボトル形状情報に紐付いた成形条件情報に基づいて、第１成形条件情報を抽出する。所定の演算アルゴリズムは、第１成形条件情報を目標成形条件情報として選択する。

【0148】

これによれば、成形条件導出装置６に、成形体４のボトル形状情報を入力することにより、プリフォーム３から成形体４を得るための適正なブロー成形条件を容易に導出することができる。

【0149】

また、所定の演算アルゴリズムは、第１ベクトル距離を算出する。所定の演算アルゴリズムは、第１ベクトル距離に基づいて、既存ボトル形状情報を特定し、当該既存ボトル形状情報に紐付いた成形条件情報に基づいて、第１成形条件情報を抽出する。

【0150】

所定の演算アルゴリズムは、さらに、第２ベクトル距離を算出する。第２ベクトル距離は、入力プリフォーム変数のベクトルデータと、入力プリフォーム変数に対応する既存プリフォーム変数のベクトルデータとの距離である。入力プリフォーム変数は、入力データのプリフォーム形状情報の各変数である。既存プリフォーム変数は、既存のプリフォーム形状情報の各変数である。

【0151】

所定の演算アルゴリズムは、第２ベクトル距離に基づいて、既存プリフォーム形状情報を特定し、当該既存プリフォーム形状情報に紐付いた成形条件情報に基づいて、第２成形条件情報を抽出する。所定の演算アルゴリズムは、特定の指標に基づいて、第１成形条件情報及び第２成形条件情報のいずれかを目標成形条件情報として選択する。

【0152】

これによれば、成形条件導出装置６に、成形体４のボトル形状情報及びプリフォーム３のプリフォーム形状情報を入力することにより、プリフォーム３から成形体４を得るための適正なブロー成形条件を容易に導出することができる。

【0153】

また、推論装置は、メモリ９１４と、少なくとも１つのプロセッサ９１２とを備え、目標成形条件を推論する。目標成形条件は、ブロー成形によりプリフォーム３から成形体４を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である。少なくとも１つのプロセッサ９１２は、情報取得処理と、推論処理と、出力処理とを実行する。情報取得処理は、成形体４の形状に関する情報であるボトル形状情報からなる入力データを取得する処理である。推論処理は、入力データを取得すると、メモリに格納されている数理最適化モデル１４を用いて、目標成形条件を推論する処理である。出力処理は、推論された目標成形条件を含む出力データを出力する処理である。

【0154】

これによれば、プリフォーム３から成形体４を得るための適正なブロー成形条件を容易に推論することができる。

【0155】

また、推論装置において、入力データは、さらに、プリフォーム形状情報を含んでいる。

【0156】

これによれば、プリフォーム３から成形体４を得るための適正なブロー成形条件をより容易に推論することができる。

【0157】

また、推論方法は、推論装置により実行されて、目標成形条件を推論する方法である。推論装置は、メモリ９１４と、少なくとも１つのプロセッサ９１２とを備えている。目標成形条件は、ブロー成形によりプリフォーム３から成形体４を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である。少なくとも１つのプロセッサ９１２は、情報取得工程と、推論工程と、出力工程とを実行する。情報取得工程は、ボトル形状情報からなる入力データを取得する工程である。推論工程は、入力データを取得すると、メモリ９１４に格納されている数理最適化モデル１４を用いて、目標成形条件を推論する工程である。出力工程は、推論された目標成形条件を含む出力データを出力する工程である。

【0158】

これによれば、プリフォーム３から成形体４を得るための適正なブロー成形条件を容易に推論することができる。

【0159】

また、推論方法において、入力データは、さらに、プリフォーム形状情報を含んでいる。

【0160】

これによれば、プリフォーム３から成形体４を得るための適正なブロー成形条件をより容易に推論することができる。

【0161】

なお、本実施形態において、ベクトル距離は、マンハッタン距離として算出されたが、ベクトル距離は、ユークリッド距離、標準化ユークリッド距離、チェビシェフ距離、ミンコフスキー距離、マハラノビス距離、及び、へリンジャー距離のいずれかとして算出されてもよい。

【0162】

また、変数によっては、ベクトル距離の計算に代えて、上述したように、２つのベクトルのなす角度から、ボトル形状情報の各変数と既存ボトル形状情報の各変数との類似度、及び、プリフォーム形状情報の各変数と既存プリフォーム形状情報の各変数との類似度を演算してもよい。類似度の演算には、コサイン類似度のほかに、例えば、偏差パターン類似度、及び、ピアソンの相関係数等も用いることができる。

【0163】

また、推論部６０１は、第１成形条件情報に含まれる各成形条件と、第２成形条件情報に含まれる各成形条件とを評価し、各成形条件について、それぞれより適正な成形条件を選択してもよい。

【0164】

また、推論部６０１は、プリフォーム形状情報を用いずにボトル形状情報のみで成形条件情報を抽出してもよい。この場合、図１４のステップＳ１０４の処理及びステップＳ１０８の処理は不要となる。つまり、この場合、数理最適化モデル１４は、第１成形条件情報を選択することになる。

【0165】

（他の実施形態）
本発明は、上述した実施形態に制約されるものではなく、本発明の主旨を逸脱しない範囲内において種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれる。

【0166】

例えば、ストレッチロッド２２２の外部又は内部には、ストレッチロッド２２２を加熱するための装置が設けられ、ストレッチロッド２２２が加熱されてもよい。この場合、ストレッチロッド２２２の温度条件に関する情報及びストレッチロッド２２２の温度制御条件に関する情報の少なくともいずれか１つが、目標成形条件情報に含まれてもよい。

【0167】

また、各成形ユニット２２におけるプリフォーム３の温度監視は必須ではないため、各成形ユニット２２に温度センサ２２４７が設けられていなくてもよい。

【0168】

また、上記実施形態では、プレブロー条件に、延伸量が含まれていたが、延伸量に代えて、ストレッチロッド２２２が進出する量が含まれていてもよい。

【0169】

また、第１の実施形態では、機械学習部５０１による機械学習を実現する学習モデル１２として、ニューラルネットワークを採用した場合について説明したが、他の機械学習のモデルが採用されてもよい。他の機械学習のモデルとしては、例えば、決定木、回帰木等のツリー型、バギング、ブースティング等のアンサンブル学習、再帰型ニューラルネットワーク、畳み込みニューラルネットワーク、ＬＳＴＭ（Long Short Term Memory）等のニューラルネット型（ディープラーニングを含む）、階層型クラスタリング、非階層型クラスタリング、ｋ近傍法、ｋ平均法等のクラスタリング型、主成分分析、因子分析、ロジスティク回帰等の多変量解析、サポートベクターマシン等が挙げられる。

【0170】

また、本発明は、機械学習装置５が備える各部としてコンピュータ９００を機能させるプログラム（機械学習プログラム）や、機械学習方法が備える各工程をコンピュータ９００に実行させるためのプログラム（機械学習プログラム）の態様で提供することもできる。

【0171】

また、本発明は、成形条件導出装置６が備える各部としてコンピュータ９００を機能させるプログラム（推論プログラム）の態様で提供することもできる。その場合、成形条件導出装置（推論プログラム）としては、メモリ９１４と、プロセッサ９１２とを含み、このうちのプロセッサ９１２が、一連の処理を実行するものとすることができる。

【0172】

当該一連の処理とは、１つ以上のボトル形状に関する情報であるボトル形状情報と、１つ以上のプリフォーム形状に関する情報であるプリフォーム形状情報とを取得する情報取得処理（情報取得工程）と、情報取得処理によりボトル形状情報とプリフォーム形状情報とを取得すると、メモリ９１４に格納されている学習モデルを用いて、目標成形条件を推論する推論処理（推論工程）とを含んでいる。

【0173】

成形条件導出装置（推論方法又は推論プログラム）の態様で提供することにより、容易に種々の装置への適用が可能となる。成形条件導出装置（推論方法又は推論プログラム）が目標成形条件を推論する際、上記実施形態に係る機械学習装置５及び機械学習方法により生成された学習済みの学習モデル１２を用いて、推論部６０１が実施する推論手法を適用してもよいことは、当業者にとって当然に理解され得るものである。

【0174】

以上、好ましい実施の形態等について詳説したが、上述した実施の形態等に制限されることはなく、特許請求の範囲に記載された範囲を逸脱することなく、上述した実施の形態等に種々の変形及び置換を加えることができる。

【0175】

以下、本発明の諸態様を付記としてまとめて記載する。

【0176】

（付記１）
ブロー成形によりプリフォームから成形体を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である目標成形条件を導出する成形条件導出装置であって、
前記成形体の形状に関する情報であるボトル形状情報からなる入力データに基づいて、前記目標成形条件に関する情報である目標成形条件情報からなる出力データを求める
成形条件導出装置。
（付記２）
前記入力データは、さらに、前記プリフォームの形状に関する情報であるプリフォーム形状情報を含んでいる
付記１に記載の成形条件導出装置。
（付記３）
前記ボトル形状情報には、前記成形体の設計図面情報、前記成形体のイメージ情報、及び、前記成形体の設計パラメータ情報の少なくともいずれか１つが含まれている
付記１又は付記２に記載の成形条件導出装置。
（付記４）
前記プリフォーム形状情報には、前記プリフォームの設計図面情報、前記プリフォームのイメージ情報、及び、前記プリフォームの設計パラメータ情報の少なくともいずれか１つが含まれている
付記２又は付記３に記載の成形条件導出装置。
（付記５）
前記ブロー成形工程は、前記プリフォームを加熱する工程である加熱工程を含んでおり、
前記１つ以上のブロー成形条件には、前記加熱工程における前記プリフォームの加熱温度条件が含まれている
付記１から付記４までのいずれか１項に記載の成形条件導出装置。
（付記６）
前記ブロー成形工程は、加熱された前記プリフォーム内にプレブロー流体を導入する工程であるプレブロー工程を含んでおり、
前記１つ以上のブロー成形条件には、前記プレブロー工程における設定条件であるプレブロー条件が含まれている
付記１から付記５までのいずれか１項に記載の成形条件導出装置。
（付記７）
前記ブロー成形工程は、前記プリフォーム内にメインブロー流体を導入する工程であるメインブロー工程を含んでおり、
前記１つ以上のブロー成形条件には、前記メインブロー工程における設定条件であるメインブロー条件が含まれている
付記１から付記６までのいずれか１項に記載の成形条件導出装置。
（付記８）
前記入力データが入力されると、前記入力データと前記出力データとの相関関係が機械学習により学習された学習モデルを用いて、前記目標成形条件を決定し、決定された前記目標成形条件に関する情報を前記出力データとして出力する
付記１から付記７までのいずれか１項に記載の成形条件導出装置。
（付記９）
前記入力データが入力されると、所定の演算アルゴリズムからなる数理最適化モデルを用いて、前記目標成形条件を決定し、決定された前記目標成形条件に関する情報を前記出力データとして出力する
付記１から付記７までのいずれか１項に記載の成形条件導出装置。
（付記１０）
前記所定の演算アルゴリズムは、
前記入力データの前記ボトル形状情報の各変数である入力ボトル変数のベクトルデータと、前記入力ボトル変数に対応する既存の前記ボトル形状情報の各変数である既存ボトル変数のベクトルデータとの距離である第１ベクトル距離を算出し、前記第１ベクトル距離に基づいて、既存ボトル形状情報を特定し、当該既存ボトル形状情報に紐付いた成形条件情報に基づいて、第１成形条件情報を抽出し、
前記第１成形条件情報を目標成形条件情報として選択するものである
付記９に記載の成形条件導出装置。
（付記１１）
前記入力データが入力されると、所定の演算アルゴリズムからなる数理最適化モデルを用いて、前記目標成形条件を決定し、決定された前記目標成形条件に関する情報を前記出力データとして出力する
付記１から付記７までのいずれか１項に記載の成形条件導出装置。
（付記１２）
前記所定の演算アルゴリズムは、
前記入力データの前記ボトル形状情報の各変数である入力ボトル変数のベクトルデータと、前記入力ボトル変数に対応する既存の前記ボトル形状情報の各変数である既存ボトル変数のベクトルデータとの距離である第１ベクトル距離を算出し、前記第１ベクトル距離に基づいて、既存ボトル形状情報を特定し、当該既存ボトル形状情報に紐付いた成形条件情報に基づいて、第１成形条件情報を抽出し、
前記入力データの前記プリフォーム形状情報の各変数である入力プリフォーム変数のベクトルデータと、前記入力プリフォーム変数に対応する既存の前記プリフォーム形状情報の各変数である既存プリフォーム変数のベクトルデータとの距離である第２ベクトル距離を算出し、前記第２ベクトル距離に基づいて、既存プリフォーム形状情報を特定し、当該既存プリフォーム形状情報に紐付いた成形条件情報に基づいて、第２成形条件情報を抽出し、
特定の指標に基づいて、前記第１成形条件情報及び前記第２成形条件情報のいずれかを目標成形条件情報として選択するものである
付記９に記載の成形条件導出装置。
（付記１３）
ブロー成形によりプリフォームから成形体を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である目標成形条件を推論するための学習モデルを生成する機械学習装置であって、
前記成形体の形状に関する情報であるボトル形状情報からなる入力データと、前記入力データに対応付けられ、前記目標成形条件に関する情報である目標成形条件情報からなる出力データとにより構成される学習用データのセットを複数組記憶する学習用データ記憶部と、
前記学習用データのセットが複数組入力されることにより、前記入力データと前記出力データとの相関関係を学習モデルに学習させる機械学習部と、
前記機械学習部により学習された前記学習モデルを記憶する学習済みモデル記憶部と
を備えている機械学習装置。
（付記１４）
前記入力データは、さらに、前記プリフォームの形状に関する情報であるプリフォーム形状情報を含んでいる
付記１３に記載の機械学習装置。
（付記１５）
メモリと、少なくとも１つのプロセッサとを備え、ブロー成形によりプリフォームから成形体を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である目標成形条件を推論する推論装置であって、
前記少なくとも１つのプロセッサは、
前記成形体の形状に関する情報であるボトル形状情報からなる入力データを取得する情報取得処理と、
前記入力データを取得すると、前記メモリに格納されている数理最適化モデルを用いて、前記目標成形条件を推論する推論処理と、
推論された前記目標成形条件を含む出力データを出力する出力処理と
を実行する推論装置。
（付記１６）
前記入力データは、さらに、前記プリフォームの形状に関する情報であるプリフォーム形状情報を含んでいる
付記１５に記載の推論装置。
（付記１７）
ブロー成形によりプリフォームから成形体を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である目標成形条件を導出するための情報処理方法であって、
前記成形体の形状に関する情報であるボトル形状情報からなる入力データに基づいて、前記目標成形条件に関する情報である目標成形条件情報からなる出力データを求める
情報処理方法。
（付記１８）
前記入力データは、さらに、前記プリフォームの形状に関する情報であるプリフォーム形状情報を含んでいる
付記１７に記載の情報処理方法。
（付記１９）
ブロー成形によりプリフォームから成形体を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である目標成形条件を推論するための学習モデルを生成する機械学習方法であって、
前記成形体の形状に関する情報であるボトル形状情報からなる入力データと、前記入力データに対応付けられ、前記目標成形条件に関する情報である目標成形条件情報からなる出力データとにより構成される学習用データのセットを複数組記憶する学習用データ記憶工程と、
前記学習用データのセットが複数組入力されることにより、前記入力データと前記出力データとの相関関係を学習モデルに学習させる機械学習工程と、
前記機械学習工程において学習された前記学習モデルを学習済みモデル記憶部に記憶させる学習済みモデル記憶工程と
を実行する機械学習方法。
（付記２０）
前記入力データは、さらに、前記プリフォームの形状に関する情報であるプリフォーム形状情報を含んでいる
付記１９に記載の機械学習方法。
（付記２１）
メモリと、少なくとも１つのプロセッサとを備える推論装置により実行されて、ブロー成形によりプリフォームから成形体を得るためのブロー成形工程において設定される１つ以上のブロー成形条件の目標値である目標成形条件を推論する推論方法であって、
前記少なくとも１つのプロセッサは、
前記成形体の形状に関する情報であるボトル形状情報からなる入力データを取得する情報取得工程と、
前記入力データを取得すると、前記メモリに格納されている数理最適化モデルを用いて、前記目標成形条件を推論する推論工程と、
推論された前記目標成形条件を含む出力データを出力する出力工程と
を実行する推論方法。
（付記２２）
前記入力データは、さらに、前記プリフォームの形状に関する情報であるプリフォーム形状情報を含んでいる
付記２１に記載の推論方法。

【符号の説明】

【0177】

２ ブロー成形装置、３ プリフォーム、４ 成形体、５ 機械学習装置、６ 成形条件導出装置、１２ 学習モデル、１３ 学習用データ、１４ 数理最適化モデル、５２ 学習用データ記憶部、５３ 学習済みモデル記憶部、５０１ 機械学習部、９１２ プロセッサ、９１４ メモリ。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】