ホーム > 特許ランキング > 住友重機械工業株式会社
知財求人 - 知財ポータルサイト「IP Force」
(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】P2024095375
(43)【公開日】2024-07-10
(54)【発明の名称】射出成形機の制御装置、及び射出成形機の管理装置
(51)【国際特許分類】
B29C 45/17 20060101AFI20240703BHJP
【ＦＩ】
B29C45/17
【審査請求】未請求
【請求項の数】5
【出願形態】ＯＬ
(21)【出願番号】P 2022212637
(22)【出願日】2022-12-28
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＪＡＶＡＳＣＲＩＰＴ
(71)【出願人】
【識別番号】000002107
【氏名又は名称】住友重機械工業株式会社
(74)【代理人】
【識別番号】100107766
【弁理士】
【氏名又は名称】伊東 忠重
(74)【代理人】
【識別番号】100070150
【弁理士】
【氏名又は名称】伊東 忠彦
(72)【発明者】
【氏名】水梨 琢也
【テーマコード（参考）】
4F206
【Ｆターム（参考）】
4F206AM20
4F206AM22
4F206AM23
4F206JA07
4F206JL02
4F206JL09
4F206JM00
4F206JP13
4F206JP14
4F206JP28
4F206JP30
4F206JQ88
(57)【要約】
【課題】射出成形を行うためのユーザの負担を低減する。
【解決手段】一実施形態に係る射出成形機の制御装置は、学習済みモデルを再現するための変数情報を取得するように構成されている取得部と、取得された変数情報で、学習済みモデルを生成又は更新するように構成されている制御部と、学習済みモデルを用いて、射出成形に関する推論を実行するように構成されている推論部と、を備える。
【選択図】図５
【解決手段】一実施形態に係る射出成形機の制御装置は、学習済みモデルを再現するための変数情報を取得するように構成されている取得部と、取得された変数情報で、学習済みモデルを生成又は更新するように構成されている制御部と、学習済みモデルを用いて、射出成形に関する推論を実行するように構成されている推論部と、を備える。
【選択図】図５
【特許請求の範囲】
【請求項1】
学習済みモデルを再現するための変数情報を取得するように構成されている取得部と、
取得された前記変数情報で、前記学習済みモデルを生成又は更新するように構成されている制御部と、
前記学習済みモデルを用いて、射出成形に関する推論を実行するように構成されている推論部と、
を備える射出成形機の制御装置。
取得された前記変数情報で、前記学習済みモデルを生成又は更新するように構成されている制御部と、
前記学習済みモデルを用いて、射出成形に関する推論を実行するように構成されている推論部と、
を備える射出成形機の制御装置。
【請求項2】
前記取得部は、前記変数情報として、前記学習済みモデルの重みとバイアスとを含むパラメータ情報を取得し、
前記制御部は、取得した前記パラメータ情報で、前記学習済みモデルを更新し、
請求項１に記載の射出成形機の制御装置。
前記制御部は、取得した前記パラメータ情報で、前記学習済みモデルを更新し、
請求項１に記載の射出成形機の制御装置。
【請求項3】
前記取得部は、前記変数情報として、前記学習済みモデルのネットワーク構造を示したハイパーパラメータ情報を取得し、
前記制御部は、取得した前記ハイパーパラメータ情報に基づいて、前記学習済みモデルを生成する、
請求項１に記載の射出成形機の制御装置。
前記制御部は、取得した前記ハイパーパラメータ情報に基づいて、前記学習済みモデルを生成する、
請求項１に記載の射出成形機の制御装置。
【請求項4】
生成又は更新された前記学習済みモデルを再現するための前記変数情報を出力する出力部を、さらに備える、
請求項１乃至３のいずれか一つに記載の射出成形機の制御装置。
請求項１乃至３のいずれか一つに記載の射出成形機の制御装置。
【請求項5】
学習済みモデルを再現するための変数情報を取得する取得部と、
取得された前記変数情報で、前記学習済みモデルを生成又は更新する制御部と、
前記学習済みモデルを用いて、射出成形に関する推論を実行するように構成されている推論部と、
射出成形機の管理装置。
取得された前記変数情報で、前記学習済みモデルを生成又は更新する制御部と、
前記学習済みモデルを用いて、射出成形に関する推論を実行するように構成されている推論部と、
射出成形機の管理装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、射出成形機の制御装置、及び射出成形機の管理装置に関する。
【背景技術】
【0002】
従来から、射出成形機において、成形品を生成するためには、射出成形のために設定を行う必要がある。当該設定を行うためには、当該設定で製造された成形品を確認して、設定を再調整することを繰り返して、適切な設定を導き出していた。このため、当該設定には、職人が時間と労力を要して行う必要がある。
【0003】
近年、コンピュータの処理能力の向上に伴い、人工知能が発展する傾向にある。例えば、特許文献１には、成形品の品質に基づいて射出成形の設定を決定するために機械学習を用いる技術が提案されている。
【0004】
特許文献１に記載された技術は、学習済みモデルの生成と、学習済みモデルを用いた推論と、を一つの機器で行う技術である。射出成形機に当該技術を適用する場合、射出成形機で成形品の生産を行いながら学習させることになる。この場合、学習済みモデルが学習するために十分なショット数のデータを得ることが難しい。
【0005】
十分な教師データで機械学習を行った学習済みモデルを生成するために、射出成形機の制御装置と別の学習装置を設けることが考えられる。つまり、学習装置が、十分な教師データを用いて学習済みモデルを生成し、当該学習済みモデルを用いた推論装置（例えば、射出成形機の制御装置）に搭載する手法が考えられる。
【先行技術文献】
【特許文献】
【0006】
【特許文献1】特開２０２０－４９９２９号公報
【発明の概要】
【発明が解決しようとする課題】
【0007】
しかしながら、学習装置と、推論装置（例えば、射出成形機の制御装置）との間で、例えばＣＰＵ、ＯＳ、開発言語等が異なる場合には、学習装置で生成された学習済みモデルと、推論装置が実行可能な学習済みモデルと、の間に互換性がないことがあるという問題がある。つまり、学習装置で生成した学習済みモデルを、構成が異なる機器である推論機器（例えば、射出成形機の制御装置）に搭載するのは難しい。
【0008】
本発明の一態様は、学習装置で生成された学習済みモデルを、学習装置と互換性のない機器で利用可能とすることで、射出成形を行うためのユーザの負担を低減する技術を提供する。
【課題を解決するための手段】
【0009】
本発明の一態様に係る射出成形機の制御装置は、学習済みモデルを再現するための変数情報を取得するように構成されている取得部と、取得された変数情報で、学習済みモデルを生成又は更新するように構成されている制御部と、学習済みモデルを用いて、射出成形に関する推論を実行するように構成されている推論部と、を備える。
【発明の効果】
【0010】
本発明の一態様によれば、射出成形を行うためのユーザの負担を低減する。
【図面の簡単な説明】
【0011】
【発明を実施するための形態】
【0012】
以下、本発明の実施形態について図面を参照して説明する。また、以下で説明する実施形態は、発明を限定するものではなく例示であって、実施形態に記述される全ての特徴やその組み合わせは、必ずしも発明の本質的なものであるとは限らない。なお、各図面において同一の又は対応する構成には同一の又は対応する符号を付し、説明を省略することがある。
【0013】
図１は、第１の実施形態に係る射出成形機の型開完了時の状態を示す図である。図２は、第１の実施形態に係る射出成形機の型締時の状態を示す図である。本明細書において、Ｘ軸方向、Ｙ軸方向およびＺ軸方向は互いに垂直な方向である。Ｘ軸方向およびＹ軸方向は水平方向を表し、Ｚ軸方向は鉛直方向を表す。型締装置１００が横型である場合、Ｘ軸方向は型開閉方向であり、Ｙ軸方向は射出成形機１０の幅方向である。Ｙ軸方向負側を操作側と呼び、Ｙ軸方向正側を反操作側と呼ぶ。
【0014】
図１～図２に示すように、射出成形機１０は、金型装置８００を開閉する型締装置１００と、金型装置８００で成形された成形品を突き出すエジェクタ装置２００と、金型装置８００に成形材料を射出する射出装置３００と、金型装置８００に対し射出装置３００を進退させる移動装置４００と、射出成形機１０の各構成要素を制御する制御装置７００と、射出成形機１０の各構成要素を支持するフレーム９００とを有する。フレーム９００は、型締装置１００を支持する型締装置フレーム９１０と、射出装置３００を支持する射出装置フレーム９２０とを含む。型締装置フレーム９１０および射出装置フレーム９２０は、それぞれ、レベリングアジャスタ９３０を介して床２に設置される。射出装置フレーム９２０の内部空間に、制御装置７００が配置される。以下、射出成形機１０の各構成要素について説明する。
【0015】
（型締装置）
型締装置１００の説明では、型閉時の可動プラテン１２０の移動方向（例えばＸ軸正方向）を前方とし、型開時の可動プラテン１２０の移動方向（例えばＸ軸負方向）を後方として説明する。
型締装置１００の説明では、型閉時の可動プラテン１２０の移動方向（例えばＸ軸正方向）を前方とし、型開時の可動プラテン１２０の移動方向（例えばＸ軸負方向）を後方として説明する。
【0016】
型締装置１００は、金型装置８００の型閉、昇圧、型締、脱圧および型開を行う。金型装置８００は、固定金型８１０と可動金型８２０とを含む。型締装置１００は例えば横型であって、型開閉方向が水平方向である。型締装置１００は、固定金型８１０が取付けられる固定プラテン１１０と、可動金型８２０が取付けられる可動プラテン１２０と、固定プラテン１１０に対し可動プラテン１２０を型開閉方向に移動させる移動機構１０２と、を有する。
【0017】
固定プラテン１１０は、型締装置フレーム９１０に対し固定される。固定プラテン１１０における可動プラテン１２０との対向面に固定金型８１０が取付けられる。
【0018】
可動プラテン１２０は、型締装置フレーム９１０に対し型開閉方向に移動自在に配置される。型締装置フレーム９１０上には、可動プラテン１２０を案内するガイド１０１が敷設される。可動プラテン１２０における固定プラテン１１０との対向面に可動金型８２０が取付けられる。
【0019】
移動機構１０２は、固定プラテン１１０に対し可動プラテン１２０を進退させることにより、金型装置８００の型閉、昇圧、型締、脱圧、および型開を行う。移動機構１０２は、固定プラテン１１０と間隔をおいて配置されるトグルサポート１３０と、固定プラテン１１０とトグルサポート１３０を連結するタイバー１４０と、トグルサポート１３０に対して可動プラテン１２０を型開閉方向に移動させるトグル機構１５０と、トグル機構１５０を作動させる型締モータ１６０と、型締モータ１６０の回転運動を直線運動に変換する運動変換機構１７０と、固定プラテン１１０とトグルサポート１３０の間隔を調整する型厚調整機構１８０と、を有する。
【0020】
トグルサポート１３０は、固定プラテン１１０と間隔をおいて配設され、型締装置フレーム９１０上に型開閉方向に移動自在に載置される。なお、トグルサポート１３０は、型締装置フレーム９１０上に敷設されるガイドに沿って移動自在に配置されてもよい。トグルサポート１３０のガイドは、可動プラテン１２０のガイド１０１と共通のものでもよい。
【0021】
なお、本実施形態では、固定プラテン１１０が型締装置フレーム９１０に対し固定され、トグルサポート１３０が型締装置フレーム９１０に対し型開閉方向に移動自在に配置されるが、トグルサポート１３０が型締装置フレーム９１０に対し固定され、固定プラテン１１０が型締装置フレーム９１０に対し型開閉方向に移動自在に配置されてもよい。
【0022】
タイバー１４０は、固定プラテン１１０とトグルサポート１３０とを型開閉方向に間隔Ｌをおいて連結する。タイバー１４０は、複数本（例えば４本）用いられてよい。複数本のタイバー１４０は、型開閉方向に平行に配置され、型締力に応じて伸びる。少なくとも１本のタイバー１４０には、タイバー１４０の歪を検出するタイバー歪検出器１４１が設けられてよい。タイバー歪検出器１４１は、その検出結果を示す信号を制御装置７００に送る。タイバー歪検出器１４１の検出結果は、型締力の検出などに用いられる。
【0023】
なお、本実施形態では、型締力を検出する型締力検出器として、タイバー歪検出器１４１が用いられるが、本発明はこれに限定されない。型締力検出器は、歪ゲージ式に限定されず、圧電式、容量式、油圧式、電磁式などでもよく、その取付け位置もタイバー１４０に限定されない。
【0024】
トグル機構１５０は、可動プラテン１２０とトグルサポート１３０との間に配置され、トグルサポート１３０に対し可動プラテン１２０を型開閉方向に移動させる。トグル機構１５０は、型開閉方向に移動するクロスヘッド１５１と、クロスヘッド１５１の移動によって屈伸する一対のリンク群と、を有する。一対のリンク群は、それぞれ、ピンなどで屈伸自在に連結される第１リンク１５２と第２リンク１５３とを有する。第１リンク１５２は可動プラテン１２０に対しピンなどで揺動自在に取付けられる。第２リンク１５３はトグルサポート１３０に対しピンなどで揺動自在に取付けられる。第２リンク１５３は、第３リンク１５４を介してクロスヘッド１５１に取付けられる。トグルサポート１３０に対しクロスヘッド１５１を進退させると、第１リンク１５２と第２リンク１５３とが屈伸し、トグルサポート１３０に対し可動プラテン１２０が進退する。
【0025】
なお、トグル機構１５０の構成は、図１および図２に示す構成に限定されない。例えば図１および図２では、各リンク群の節点の数が５つであるが、４つでもよく、第３リンク１５４の一端部が、第１リンク１５２と第２リンク１５３との節点に結合されてもよい。
【0026】
型締モータ１６０は、トグルサポート１３０に取付けられており、トグル機構１５０を作動させる。型締モータ１６０は、トグルサポート１３０に対しクロスヘッド１５１を進退させることにより、第１リンク１５２と第２リンク１５３とを屈伸させ、トグルサポート１３０に対し可動プラテン１２０を進退させる。型締モータ１６０は、運動変換機構１７０に直結されるが、ベルトやプーリなどを介して運動変換機構１７０に連結されてもよい。
【0027】
運動変換機構１７０は、型締モータ１６０の回転運動をクロスヘッド１５１の直線運動に変換する。運動変換機構１７０は、ねじ軸と、ねじ軸に螺合するねじナットとを含む。ねじ軸と、ねじナットとの間には、ボールまたはローラが介在してよい。
【0028】
型締装置１００は、制御装置７００による制御下で、型閉工程、昇圧工程、型締工程、脱圧工程、および型開工程などを行う。
【0029】
型閉工程では、型締モータ１６０を駆動してクロスヘッド１５１を設定移動速度で型閉完了位置まで前進させることにより、可動プラテン１２０を前進させ、可動金型８２０を固定金型８１０にタッチさせる。クロスヘッド１５１の位置や移動速度は、例えば型締モータエンコーダ１６１などを用いて検出する。型締モータエンコーダ１６１は、型締モータ１６０の回転を検出し、その検出結果を示す信号を制御装置７００に送る。
【0030】
なお、クロスヘッド１５１の位置を検出するクロスヘッド位置検出器、およびクロスヘッド１５１の移動速度を検出するクロスヘッド移動速度検出器は、型締モータエンコーダ１６１に限定されず、一般的なものを使用できる。また、可動プラテン１２０の位置を検出する可動プラテン位置検出器、および可動プラテン１２０の移動速度を検出する可動プラテン移動速度検出器は、型締モータエンコーダ１６１に限定されず、一般的なものを使用できる。
【0031】
昇圧工程では、型締モータ１６０をさらに駆動してクロスヘッド１５１を型閉完了位置から型締位置までさらに前進させることで型締力を生じさせる。
【0032】
型締工程では、型締モータ１６０を駆動して、クロスヘッド１５１の位置を型締位置に維持する。型締工程では、昇圧工程で発生させた型締力が維持される。型締工程では、可動金型８２０と固定金型８１０との間にキャビティ空間８０１（図２参照）が形成され、射出装置３００がキャビティ空間８０１に液状の成形材料を充填する。充填された成形材料が固化されることで、成形品が得られる。
【0033】
キャビティ空間８０１の数は、１つでもよいし、複数でもよい。後者の場合、複数の成形品が同時に得られる。キャビティ空間８０１の一部にインサート材が配置され、キャビティ空間８０１の他の一部に成形材料が充填されてもよい。インサート材と成形材料とが一体化した成形品が得られる。
【0034】
脱圧工程では、型締モータ１６０を駆動してクロスヘッド１５１を型締位置から型開開始位置まで後退させることにより、可動プラテン１２０を後退させ、型締力を減少させる。型開開始位置と、型閉完了位置とは、同じ位置であってよい。
【0035】
型開工程では、型締モータ１６０を駆動してクロスヘッド１５１を設定移動速度で型開開始位置から型開完了位置まで後退させることにより、可動プラテン１２０を後退させ、可動金型８２０を固定金型８１０から離間させる。その後、エジェクタ装置２００が可動金型８２０から成形品を突き出す。
【0036】
型閉工程、昇圧工程および型締工程における設定条件は、一連の設定条件として、まとめて設定される。例えば、型閉工程および昇圧工程におけるクロスヘッド１５１の移動速度や位置（型閉開始位置、移動速度切換位置、型閉完了位置、および型締位置を含む）、型締力は、一連の設定条件として、まとめて設定される。型閉開始位置、移動速度切換位置、型閉完了位置、および型締位置は、後側から前方に向けてこの順で並び、移動速度が設定される区間の始点や終点を表す。区間毎に、移動速度が設定される。移動速度切換位置は、１つでもよいし、複数でもよい。移動速度切換位置は、設定されなくてもよい。型締位置と型締力とは、いずれか一方のみが設定されてもよい。
【0037】
脱圧工程および型開工程における設定条件も同様に設定される。例えば、脱圧工程および型開工程におけるクロスヘッド１５１の移動速度や位置（型開開始位置、移動速度切換位置、および型開完了位置）は、一連の設定条件として、まとめて設定される。型開開始位置、移動速度切換位置、および型開完了位置は、前側から後方に向けて、この順で並び、移動速度が設定される区間の始点や終点を表す。区間毎に、移動速度が設定される。移動速度切換位置は、１つでもよいし、複数でもよい。移動速度切換位置は、設定されなくてもよい。型開開始位置と型閉完了位置とは同じ位置であってよい。また、型開完了位置と型閉開始位置とは同じ位置であってよい。
【0038】
なお、クロスヘッド１５１の移動速度や位置などの代わりに、可動プラテン１２０の移動速度や位置などが設定されてもよい。また、クロスヘッドの位置（例えば型締位置）や可動プラテンの位置の代わりに、型締力が設定されてもよい。
【0039】
ところで、トグル機構１５０は、型締モータ１６０の駆動力を増幅して可動プラテン１２０に伝える。その増幅倍率は、トグル倍率とも呼ばれる。トグル倍率は、第１リンク１５２と第２リンク１５３とのなす角θ（以下、「リンク角度θ」とも呼ぶ）に応じて変化する。リンク角度θは、クロスヘッド１５１の位置から求められる。リンク角度θが１８０°のとき、トグル倍率が最大になる。
【0040】
金型装置８００の交換や金型装置８００の温度変化などにより金型装置８００の厚さが変化した場合、型締時に所定の型締力が得られるように、型厚調整が行われる。型厚調整では、例えば可動金型８２０が固定金型８１０にタッチする型タッチの時点でトグル機構１５０のリンク角度θが所定の角度になるように、固定プラテン１１０とトグルサポート１３０との間隔Ｌを調整する。
【0041】
型締装置１００は、型厚調整機構１８０を有する。型厚調整機構１８０は、固定プラテン１１０とトグルサポート１３０との間隔Ｌを調整することで、型厚調整を行う。なお、型厚調整のタイミングは、例えば成形サイクル終了から次の成形サイクル開始までの間に行われる。型厚調整機構１８０は、例えば、タイバー１４０の後端部に形成されるねじ軸１８１と、トグルサポート１３０に回転自在に且つ進退不能に保持されるねじナット１８２と、ねじ軸１８１に螺合するねじナット１８２を回転させる型厚調整モータ１８３とを有する。
【0042】
ねじ軸１８１およびねじナット１８２は、タイバー１４０ごとに設けられる。型厚調整モータ１８３の回転駆動力は、回転駆動力伝達部１８５を介して複数のねじナット１８２に伝達されてよい。複数のねじナット１８２を同期して回転できる。なお、回転駆動力伝達部１８５の伝達経路を変更することで、複数のねじナット１８２を個別に回転することも可能である。
【0043】
回転駆動力伝達部１８５は、例えば歯車などで構成される。この場合、各ねじナット１８２の外周に従動歯車が形成され、型厚調整モータ１８３の出力軸には駆動歯車が取付けられ、複数の従動歯車および駆動歯車と噛み合う中間歯車がトグルサポート１３０の中央部に回転自在に保持される。なお、回転駆動力伝達部１８５は、歯車の代わりに、ベルトやプーリなどで構成されてもよい。
【0044】
型厚調整機構１８０の動作は、制御装置７００によって制御される。制御装置７００は、型厚調整モータ１８３を駆動して、ねじナット１８２を回転させる。その結果、トグルサポート１３０のタイバー１４０に対する位置が調整され、固定プラテン１１０とトグルサポート１３０との間隔Ｌが調整される。なお、複数の型厚調整機構が組み合わせて用いられてもよい。
【0045】
間隔Ｌは、型厚調整モータエンコーダ１８４を用いて検出する。型厚調整モータエンコーダ１８４は、型厚調整モータ１８３の回転量や回転方向を検出し、その検出結果を示す信号を制御装置７００に送る。型厚調整モータエンコーダ１８４の検出結果は、トグルサポート１３０の位置や間隔Ｌの監視や制御に用いられる。なお、トグルサポート１３０の位置を検出するトグルサポート位置検出器、および間隔Ｌを検出する間隔検出器は、型厚調整モータエンコーダ１８４に限定されず、一般的なものを使用できる。
【0046】
型締装置１００は、金型装置８００の温度を調節する金型温調器を有してもよい。金型装置８００は、その内部に、温調媒体の流路を有する。金型温調器は、金型装置８００の流路に供給する温調媒体の温度を調節することで、金型装置８００の温度を調節する。
【0047】
なお、本実施形態の型締装置１００は、型開閉方向が水平方向である横型であるが、型開閉方向が上下方向である竪型でもよい。
【0048】
なお、本実施形態の型締装置１００は、駆動源として、型締モータ１６０を有するが、型締モータ１６０の代わりに、油圧シリンダを有してもよい。また、型締装置１００は、型開閉用にリニアモータを有し、型締用に電磁石を有してもよい。
【0049】
（エジェクタ装置）
エジェクタ装置２００の説明では、型締装置１００の説明と同様に、型閉時の可動プラテン１２０の移動方向（例えばＸ軸正方向）を前方とし、型開時の可動プラテン１２０の移動方向（例えばＸ軸負方向）を後方として説明する。
エジェクタ装置２００の説明では、型締装置１００の説明と同様に、型閉時の可動プラテン１２０の移動方向（例えばＸ軸正方向）を前方とし、型開時の可動プラテン１２０の移動方向（例えばＸ軸負方向）を後方として説明する。
【0050】
エジェクタ装置２００は、可動プラテン１２０に取付けられ、可動プラテン１２０と共に進退する。エジェクタ装置２００は、金型装置８００から成形品を突き出すエジェクタロッド２１０と、エジェクタロッド２１０を可動プラテン１２０の移動方向（Ｘ軸方向）に移動させる駆動機構２２０とを有する。
【0051】
エジェクタロッド２１０は、可動プラテン１２０の貫通穴に進退自在に配置される。エジェクタロッド２１０の前端部は、可動金型８２０のエジェクタプレート８２６と接触する。エジェクタロッド２１０の前端部は、エジェクタプレート８２６と連結されていても、連結されていなくてもよい。
【0052】
駆動機構２２０は、例えば、エジェクタモータと、エジェクタモータの回転運動をエジェクタロッド２１０の直線運動に変換する運動変換機構とを有する。運動変換機構は、ねじ軸と、ねじ軸に螺合するねじナットとを含む。ねじ軸と、ねじナットとの間には、ボールまたはローラが介在してよい。
【0053】
エジェクタ装置２００は、制御装置７００による制御下で、突き出し工程を行う。突き出し工程では、エジェクタロッド２１０を設定移動速度で待機位置から突き出し位置まで前進させることにより、エジェクタプレート８２６を前進させ、成形品を突き出す。その後、エジェクタモータを駆動してエジェクタロッド２１０を設定移動速度で後退させ、エジェクタプレート８２６を元の待機位置まで後退させる。
【0054】
エジェクタロッド２１０の位置や移動速度は、例えばエジェクタモータエンコーダを用いて検出する。エジェクタモータエンコーダは、エジェクタモータの回転を検出し、その検出結果を示す信号を制御装置７００に送る。なお、エジェクタロッド２１０の位置を検出するエジェクタロッド位置検出器、およびエジェクタロッド２１０の移動速度を検出するエジェクタロッド移動速度検出器は、エジェクタモータエンコーダに限定されず、一般的なものを使用できる。
【0055】
（射出装置）
射出装置３００の説明では、型締装置１００の説明やエジェクタ装置２００の説明とは異なり、充填時のスクリュ３３０の移動方向（例えばＸ軸負方向）を前方とし、計量時のスクリュ３３０の移動方向（例えばＸ軸正方向）を後方として説明する。
射出装置３００の説明では、型締装置１００の説明やエジェクタ装置２００の説明とは異なり、充填時のスクリュ３３０の移動方向（例えばＸ軸負方向）を前方とし、計量時のスクリュ３３０の移動方向（例えばＸ軸正方向）を後方として説明する。
【0056】
射出装置３００はスライドベース３０１に設置され、スライドベース３０１は射出装置フレーム９２０に対し進退自在に配置される。射出装置３００は、金型装置８００に対し進退自在に配置される。射出装置３００は、金型装置８００にタッチし、シリンダ３１０内で計量された成形材料を、金型装置８００内のキャビティ空間８０１に充填する。射出装置３００は、例えば、成形材料を加熱するシリンダ３１０と、シリンダ３１０の前端部に設けられるノズル３２０と、シリンダ３１０内に進退自在に且つ回転自在に配置されるスクリュ３３０と、スクリュ３３０を回転させる計量モータ３４０と、スクリュ３３０を進退させる射出モータ３５０と、射出モータ３５０とスクリュ３３０の間で伝達される荷重を検出する荷重検出器３６０と、を有する。
【0057】
シリンダ３１０は、供給口３１１から内部に供給された成形材料を加熱する。成形材料は、例えば樹脂などを含む。成形材料は、例えばペレット状に形成され、固体の状態で供給口３１１に供給される。供給口３１１はシリンダ３１０の後部に形成される。シリンダ３１０の後部の外周には、水冷シリンダなどの冷却器３１２が設けられる。冷却器３１２よりも前方において、シリンダ３１０の外周には、バンドヒータなどの加熱器３１３と温度検出器３１４とが設けられる。
【0058】
シリンダ３１０は、シリンダ３１０の軸方向（例えばＸ軸方向）に複数のゾーンに区分される。複数のゾーンのそれぞれに加熱器３１３と温度検出器３１４とが設けられる。複数のゾーンのそれぞれに設定温度が設定され、温度検出器３１４の検出温度が設定温度になるように、制御装置７００が加熱器３１３を制御する。
【0059】
ノズル３２０は、シリンダ３１０の前端部に設けられ、金型装置８００に対し押し付けられる。ノズル３２０の外周には、加熱器３１３と温度検出器３１４とが設けられる。ノズル３２０の検出温度が設定温度になるように、制御装置７００が加熱器３１３を制御する。
【0060】
スクリュ３３０は、シリンダ３１０内に回転自在に且つ進退自在に配置される。スクリュ３３０を回転させると、スクリュ３３０の螺旋状の溝に沿って成形材料が前方に送られる。成形材料は、前方に送られながら、シリンダ３１０からの熱によって徐々に溶融される。液状の成形材料がスクリュ３３０の前方に送られシリンダ３１０の前部に蓄積されるにつれ、スクリュ３３０が後退させられる。その後、スクリュ３３０を前進させると、スクリュ３３０前方に蓄積された液状の成形材料がノズル３２０から射出され、金型装置８００内に充填される。
【0061】
スクリュ３３０の前部には、スクリュ３３０を前方に押すときにスクリュ３３０の前方から後方に向かう成形材料の逆流を防止する逆流防止弁として、逆流防止リング３３１が進退自在に取付けられる。
【0062】
逆流防止リング３３１は、スクリュ３３０を前進させるときに、スクリュ３３０前方の成形材料の圧力によって後方に押され、成形材料の流路を塞ぐ閉塞位置（図２参照）までスクリュ３３０に対し相対的に後退する。これにより、スクリュ３３０前方に蓄積された成形材料が後方に逆流するのを防止する。
【0063】
一方、逆流防止リング３３１は、スクリュ３３０を回転させるときに、スクリュ３３０の螺旋状の溝に沿って前方に送られる成形材料の圧力によって前方に押され、成形材料の流路を開放する開放位置（図１参照）までスクリュ３３０に対し相対的に前進する。これにより、スクリュ３３０の前方に成形材料が送られる。
【0064】
逆流防止リング３３１は、スクリュ３３０と共に回転する共回りタイプと、スクリュ３３０と共に回転しない非共回りタイプのいずれでもよい。
【0065】
なお、射出装置３００は、スクリュ３３０に対し逆流防止リング３３１を開放位置と閉塞位置との間で進退させる駆動源を有していてもよい。
【0066】
計量モータ３４０は、スクリュ３３０を回転させる。スクリュ３３０を回転させる駆動源は、計量モータ３４０には限定されず、例えば油圧ポンプなどでもよい。
【0067】
射出モータ３５０は、スクリュ３３０を進退させる。射出モータ３５０とスクリュ３３０との間には、射出モータ３５０の回転運動をスクリュ３３０の直線運動に変換する運動変換機構などが設けられる。運動変換機構は、例えばねじ軸と、ねじ軸に螺合するねじナットとを有する。ねじ軸とねじナットの間には、ボールやローラなどが設けられてよい。スクリュ３３０を進退させる駆動源は、射出モータ３５０には限定されず、例えば油圧シリンダなどでもよい。
【0068】
荷重検出器３６０は、射出モータ３５０とスクリュ３３０との間で伝達される荷重を検出する。検出した荷重は、制御装置７００で圧力に換算される。荷重検出器３６０は、射出モータ３５０とスクリュ３３０との間の荷重の伝達経路に設けられ、荷重検出器３６０に作用する荷重を検出する。
【0069】
荷重検出器３６０は、検出した荷重の信号を制御装置７００に送る。荷重検出器３６０によって検出される荷重は、スクリュ３３０と成形材料との間で作用する圧力に換算され、スクリュ３３０が成形材料から受ける圧力、スクリュ３３０に対する背圧、スクリュ３３０から成形材料に作用する圧力などの制御や監視に用いられる。
【0070】
なお、成形材料の圧力を検出する圧力検出器は、荷重検出器３６０に限定されず、一般的なものを使用できる。例えば、ノズル圧センサ、又は型内圧センサが用いられてもよい。ノズル圧センサは、ノズル３２０に設置される。型内圧センサ８３１、８３２は、金型装置８００の内部に設置される。
【0071】
射出装置３００は、制御装置７００による制御下で、計量工程、充填工程および保圧工程などを行う。充填工程と保圧工程とをまとめて射出工程と呼んでもよい。
【0072】
計量工程では、計量モータ３４０を駆動してスクリュ３３０を設定回転速度で回転させ、スクリュ３３０の螺旋状の溝に沿って成形材料を前方に送る。これに伴い、成形材料が徐々に溶融される。液状の成形材料がスクリュ３３０の前方に送られシリンダ３１０の前部に蓄積されるにつれ、スクリュ３３０が後退させられる。スクリュ３３０の回転速度は、例えば計量モータエンコーダ３４１を用いて検出する。計量モータエンコーダ３４１は、計量モータ３４０の回転を検出し、その検出結果を示す信号を制御装置７００に送る。なお、スクリュ３３０の回転速度を検出するスクリュ回転速度検出器は、計量モータエンコーダ３４１に限定されず、一般的なものを使用できる。
【0073】
計量工程では、スクリュ３３０の急激な後退を制限すべく、射出モータ３５０を駆動してスクリュ３３０に対して設定背圧を加えてよい。スクリュ３３０に対する背圧は、例えば荷重検出器３６０を用いて検出する。スクリュ３３０が計量完了位置まで後退し、スクリュ３３０の前方に所定量の成形材料が蓄積されると、計量工程が完了する。
【0074】
計量工程におけるスクリュ３３０の位置および回転速度は、一連の設定条件として、まとめて設定される。例えば、計量開始位置、回転速度切換位置および計量完了位置が設定される。これらの位置は、前側から後方に向けてこの順で並び、回転速度が設定される区間の始点や終点を表す。区間毎に、回転速度が設定される。回転速度切換位置は、１つでもよいし、複数でもよい。回転速度切換位置は、設定されなくてもよい。また、区間毎に背圧が設定される。
【0075】
充填工程では、射出モータ３５０を駆動してスクリュ３３０を設定移動速度で前進させ、スクリュ３３０の前方に蓄積された液状の成形材料を金型装置８００内のキャビティ空間８０１に充填させる。スクリュ３３０の位置や移動速度は、例えば射出モータエンコーダ３５１を用いて検出する。射出モータエンコーダ３５１は、射出モータ３５０の回転を検出し、その検出結果を示す信号を制御装置７００に送る。スクリュ３３０の位置が設定位置に達すると、充填工程から保圧工程への切換（所謂、Ｖ／Ｐ切換）が行われる。Ｖ／Ｐ切換が行われる位置をＶ／Ｐ切換位置とも呼ぶ。スクリュ３３０の設定移動速度は、スクリュ３３０の位置や時間などに応じて変更されてもよい。
【0076】
充填工程におけるスクリュ３３０の位置および移動速度は、一連の設定条件として、まとめて設定される。例えば、充填開始位置（「射出開始位置」とも呼ぶ。）、移動速度切換位置およびＶ／Ｐ切換位置が設定される。これらの位置は、後側から前方に向けてこの順で並び、移動速度が設定される区間の始点や終点を表す。区間毎に、移動速度が設定される。移動速度切換位置は、１つでもよいし、複数でもよい。移動速度切換位置は、設定されなくてもよい。
【0077】
スクリュ３３０の移動速度が設定される区間毎に、スクリュ３３０の圧力の上限値が設定される。スクリュ３３０の圧力は、荷重検出器３６０によって検出される。スクリュ３３０の圧力が設定圧力以下である場合、スクリュ３３０は設定移動速度で前進される。一方、スクリュ３３０の圧力が設定圧力を超える場合、金型保護を目的として、スクリュ３３０の圧力が設定圧力以下となるように、スクリュ３３０は設定移動速度よりも遅い移動速度で前進される。
【0078】
なお、充填工程においてスクリュ３３０の位置がＶ／Ｐ切換位置に達した後、Ｖ／Ｐ切換位置にスクリュ３３０を一時停止させ、その後にＶ／Ｐ切換が行われてもよい。Ｖ／Ｐ切換の直前において、スクリュ３３０の停止の代わりに、スクリュ３３０の微速前進または微速後退が行われてもよい。また、スクリュ３３０の位置を検出するスクリュ位置検出器、およびスクリュ３３０の移動速度を検出するスクリュ移動速度検出器は、射出モータエンコーダ３５１に限定されず、一般的なものを使用できる。
【0079】
保圧工程では、射出モータ３５０を駆動してスクリュ３３０を前方に押し、スクリュ３３０の前端部における成形材料の圧力（以下、「保持圧力」とも呼ぶ。）を設定圧に保ち、シリンダ３１０内に残る成形材料を金型装置８００に向けて押す。金型装置８００内での冷却収縮による不足分の成形材料を補充できる。保持圧力は、例えば荷重検出器３６０を用いて検出する。保持圧力の設定値は、保圧工程の開始からの経過時間などに応じて変更されてもよい。保圧工程における保持圧力および保持圧力を保持する保持時間は、それぞれ複数設定されてよく、一連の設定条件として、まとめて設定されてよい。
【0080】
保圧工程では金型装置８００内のキャビティ空間８０１の成形材料が徐々に冷却され、保圧工程完了時にはキャビティ空間８０１の入口が固化した成形材料で塞がれる。この状態はゲートシールと呼ばれ、キャビティ空間８０１からの成形材料の逆流が防止される。保圧工程後、冷却工程が開始される。冷却工程では、キャビティ空間８０１内の成形材料の固化が行われる。成形サイクル時間の短縮を目的として、冷却工程中に計量工程が行われてよい。
【0081】
なお、本実施形態の射出装置３００は、インライン・スクリュ方式であるが、プリプラ方式などでもよい。プリプラ方式の射出装置は、可塑化シリンダ内で溶融された成形材料を射出シリンダに供給し、射出シリンダから金型装置内に成形材料を射出する。可塑化シリンダ内には、スクリュが回転自在に且つ進退不能に配置され、またはスクリュが回転自在に且つ進退自在に配置される。一方、射出シリンダ内には、プランジャが進退自在に配置される。
【0082】
また、本実施形態の射出装置３００は、シリンダ３１０の軸方向が水平方向である横型であるが、シリンダ３１０の軸方向が上下方向である竪型であってもよい。竪型の射出装置３００と組み合わされる型締装置は、竪型でも横型でもよい。同様に、横型の射出装置３００と組み合わされる型締装置は、横型でも竪型でもよい。
【0083】
（移動装置）
移動装置４００の説明では、射出装置３００の説明と同様に、充填時のスクリュ３３０の移動方向（例えばＸ軸負方向）を前方とし、計量時のスクリュ３３０の移動方向（例えばＸ軸正方向）を後方として説明する。
移動装置４００の説明では、射出装置３００の説明と同様に、充填時のスクリュ３３０の移動方向（例えばＸ軸負方向）を前方とし、計量時のスクリュ３３０の移動方向（例えばＸ軸正方向）を後方として説明する。
【0084】
移動装置４００は、金型装置８００に対し射出装置３００を進退させる。また、移動装置４００は、金型装置８００に対しノズル３２０を押し付け、ノズルタッチ圧力を生じさせる。移動装置４００は、液圧ポンプ４１０、駆動源としてのモータ４２０、液圧アクチュエータとしての液圧シリンダ４３０などを含む。
【0085】
液圧ポンプ４１０は、第１ポート４１１と、第２ポート４１２とを有する。液圧ポンプ４１０は、両方向回転可能なポンプであり、モータ４２０の回転方向を切換えることにより、第１ポート４１１および第２ポート４１２のいずれか一方から作動液（例えば油）を吸入し他方から吐出して液圧を発生させる。なお、液圧ポンプ４１０はタンクから作動液を吸引して第１ポート４１１および第２ポート４１２のいずれか一方から作動液を吐出することもできる。
【0086】
モータ４２０は、液圧ポンプ４１０を作動させる。モータ４２０は、制御装置７００からの制御信号に応じた回転方向および回転トルクで液圧ポンプ４１０を駆動する。モータ４２０は、電動モータであってよく、電動サーボモータであってよい。
【0087】
液圧シリンダ４３０は、シリンダ本体４３１、ピストン４３２、およびピストンロッド４３３を有する。シリンダ本体４３１は、射出装置３００に対して固定される。ピストン４３２は、シリンダ本体４３１の内部を、第１室としての前室４３５と、第２室としての後室４３６とに区画する。ピストンロッド４３３は、固定プラテン１１０に対して固定される。
【0088】
液圧シリンダ４３０の前室４３５は、第１流路４０１を介して、液圧ポンプ４１０の第１ポート４１１と接続される。第１ポート４１１から吐出された作動液が第１流路４０１を介して前室４３５に供給されることで、射出装置３００が前方に押される。射出装置３００が前進され、ノズル３２０が固定金型８１０に押し付けられる。前室４３５は、液圧ポンプ４１０から供給される作動液の圧力によってノズル３２０のノズルタッチ圧力を生じさせる圧力室として機能する。
【0089】
一方、液圧シリンダ４３０の後室４３６は、第２流路４０２を介して液圧ポンプ４１０の第２ポート４１２と接続される。第２ポート４１２から吐出された作動液が第２流路４０２を介して液圧シリンダ４３０の後室４３６に供給されることで、射出装置３００が後方に押される。射出装置３００が後退され、ノズル３２０が固定金型８１０から離間される。
【0090】
なお、本実施形態では移動装置４００は液圧シリンダ４３０を含むが、本発明はこれに限定されない。例えば、液圧シリンダ４３０の代わりに、電動モータと、その電動モータの回転運動を射出装置３００の直線運動に変換する運動変換機構とが用いられてもよい。
【0091】
（制御装置）
制御装置７００は、例えばコンピュータで構成され、図１～図２に示すようにＣＰＵ（Central Processing Unit）７０１と、メモリなどの記憶媒体７０２と、入力インターフェース７０３と、出力インターフェース７０４と、通信インターフェース７０５とを有する。制御装置７００は、記憶媒体７０２に記憶されたプログラムをＣＰＵ７０１に実行させることにより、各種の制御を行う。また、制御装置７００は、入力インターフェース７０３で外部からの信号を受信し、出力インターフェース７０４で外部に信号を送信する。
制御装置７００は、例えばコンピュータで構成され、図１～図２に示すようにＣＰＵ（Central Processing Unit）７０１と、メモリなどの記憶媒体７０２と、入力インターフェース７０３と、出力インターフェース７０４と、通信インターフェース７０５とを有する。制御装置７００は、記憶媒体７０２に記憶されたプログラムをＣＰＵ７０１に実行させることにより、各種の制御を行う。また、制御装置７００は、入力インターフェース７０３で外部からの信号を受信し、出力インターフェース７０４で外部に信号を送信する。
【0092】
制御装置７００は、計量工程、型閉工程、昇圧工程、型締工程、充填工程、保圧工程、冷却工程、脱圧工程、型開工程、および突き出し工程などを繰り返し行うことにより、成形品を繰り返し生産する。成形品を得るための一連の動作、例えば計量工程の開始から次の計量工程の開始までの動作を「ショット」または「成形サイクル」とも呼ぶ。また、１回のショットに要する時間を「成形サイクル時間」または「サイクル時間」とも呼ぶ。
【0093】
一回の成形サイクルは、例えば、計量工程、型閉工程、昇圧工程、型締工程、充填工程、保圧工程、冷却工程、脱圧工程、型開工程、および突き出し工程をこの順で有する。ここでの順番は、各工程の開始の順番である。充填工程、保圧工程、および冷却工程は、型締工程の間に行われる。型締工程の開始は充填工程の開始と一致してもよい。脱圧工程の完了は型開工程の開始と一致する。
【0094】
なお、成形サイクル時間の短縮を目的として、同時に複数の工程を行ってもよい。例えば、計量工程は、前回の成形サイクルの冷却工程中に行われてもよく、型締工程の間に行われてよい。この場合、型閉工程が成形サイクルの最初に行われることとしてもよい。また、充填工程は、型閉工程中に開始されてもよい。また、突き出し工程は、型開工程中に開始されてもよい。ノズル３２０の流路を開閉する開閉弁が設けられる場合、型開工程は、計量工程中に開始されてもよい。計量工程中に型開工程が開始されても、開閉弁がノズル３２０の流路を閉じていれば、ノズル３２０から成形材料が漏れないためである。
【0095】
なお、一回の成形サイクルは、計量工程、型閉工程、昇圧工程、型締工程、充填工程、保圧工程、冷却工程、脱圧工程、型開工程、および突き出し工程以外の工程を有してもよい。
【0096】
例えば、保圧工程の完了後、計量工程の開始前に、スクリュ３３０を予め設定された計量開始位置まで後退させる計量前サックバック工程が行われてもよい。計量工程の開始前にスクリュ３３０の前方に蓄積された成形材料の圧力を削減でき、計量工程の開始時のスクリュ３３０の急激な後退を防止できる。
【0097】
また、計量工程の完了後、充填工程の開始前に、スクリュ３３０を予め設定された充填開始位置（「射出開始位置」とも呼ぶ。）まで後退させる計量後サックバック工程が行われてもよい。充填工程の開始前にスクリュ３３０の前方に蓄積された成形材料の圧力を削減でき、充填工程の開始前のノズル３２０からの成形材料の漏出を防止できる。
【0098】
制御装置７００は、ユーザによる入力操作を受け付ける操作装置７５０や画面を表示する表示装置７６０と接続されている。操作装置７５０および表示装置７６０は、例えばタッチパネル７７０で構成され、一体化されてよい。表示装置７６０としてのタッチパネル７７０は、制御装置７００による制御下で、画面を表示する。タッチパネル７７０の画面には、例えば、射出成形機１０の設定、現在の射出成形機１０の状態等の情報が表示されてもよい。タッチパネル７７０は、表示された画面領域に操作を受け付け可能とする。また、タッチパネル７７０の画面領域には、例えば、ユーザによる入力操作を受け付けるボタン、入力欄等の操作部が表示されてもよい。操作装置７５０としてのタッチパネル７７０は、ユーザによる画面上の入力操作を検出し、入力操作に応じた信号を制御装置７００に出力する。これにより、例えば、ユーザは、画面に表示される情報を確認しながら、画面に設けられた操作部を操作して、射出成形機１０の設定（設定値の入力を含む）等を行うことができる。また、ユーザが画面に設けられた操作部を操作することにより、操作部に対応する射出成形機１０の動作を行わせることができる。なお、射出成形機１０の動作は、例えば、型締装置１００、エジェクタ装置２００、射出装置３００、移動装置４００等の動作（停止も含む）であってもよい。また、射出成形機１０の動作は、表示装置７６０としてのタッチパネル７７０に表示される画面の切り替え等であってもよい。
【0099】
なお、本実施形態の操作装置７５０および表示装置７６０は、タッチパネル７７０として一体化されているものとして説明したが、独立に設けられてもよい。また、操作装置７５０は、複数設けられてもよい。操作装置７５０および表示装置７６０は、型締装置１００（より詳細には固定プラテン１１０）の操作側（Ｙ軸負方向）に配置される。
【0100】
（第１の実施形態）
射出成形機で成形する際に、学習済みモデルを用いて設定を行いたいという要望がある。その際に、学習済みモデルを生成するための学習フェーズを様々な状況で行いたいという要望が生じると考えられる。例えば、出荷後に行いたいという要望が生じると考えられる。
射出成形機で成形する際に、学習済みモデルを用いて設定を行いたいという要望がある。その際に、学習済みモデルを生成するための学習フェーズを様々な状況で行いたいという要望が生じると考えられる。例えば、出荷後に行いたいという要望が生じると考えられる。
【0101】
射出成形機の出荷先で機械学習の学習フェーズを行う際に、射出成形機上で学習処理を行うことも考えられる。射出成形機の処理装置に高い処理能力が要求されるため、従来と比べてコストが大きくなるという問題がある。
【0102】
このため、学習処理を、射出成形機と異なる処理システムで行うことが考えられる。しかしながら、射出成形機の出荷先で、学習フェーズを実施することは、出荷先の担当者が、学習に用いられる教師データを生成するために必要なデータをどのような手順で収集したらよいかを認識している必要がある。当該担当者が、適切な収集の手順を設定した上で、射出成形機で成形の工程にデータ収取を含める必要がある。さらに、学習済みモデルを生成するためには、大量のデータが必要となる。このため、知識や時間を考慮すると、幅広いユーザが行えるようにするのは難しい。また、出荷先に対して、学習に必要なデータを収集するために支援ツールを提供することが考えられる。しかしながら、現段階において、当該支援ツールの開発は難しい。
【0103】
そこで、出荷先では、射出成形機が推論処理のみを行い、教師データの収集と、学習済みモデルの生成と、を出荷先と異なる人が行う方式が考えられる。当該方式としては、射出成形機の生産者が、射出成形機を出荷する前に、必要なデータを収集して学習を行った学習済みモデルを生成し、射出成形機に事前に組み込む方法も含まれる。なお、射出成形機の生産者が、出荷先に出張してデータを収集して学習済みモデルを生成するのは、学習済みモデルを生成するために必要なデータの量を考慮すると、作業時間的に難しい。
【0104】
データの収集及び学習済みモデルの生成を、出荷先と異なる人が行う場合に、学習フェーズと推論フェーズとでは、例えばＣＰＵ、ＯＳ、開発言語等のシステム環境が異なると考えられる。一般的には、射出成形機の制御装置は、射出成形機の制御に好適な構成を採用しているため、学習フェーズに好適な情報処理装置で採用されているシステムとは異なる可能性がある。つまり、情報処理装置が学習フェーズで生成する学習済みモデルと、推論フェーズを行う射出成形機の制御装置が推論フェーズで実行可能な学習済みモデルと、では、ＣＰＵ、ＯＳ等の違いによるバイナリレベル、及び、サポートされる言語・ライブラリの違いによるソースレベル、のうちいずれか一つ以上で異なる可能性が高い。
【0105】
そこで、本実施形態においては、学習フェーズと推論フェーズとの間で異なるシステム環境である場合でも、学習フェーズで作成した学習済みモデルを、射出成形機上で再現できる方法を提案する。当該方法を実現するための構成について説明する。
【0106】
図３は、本実施形態に係る学習装置及び射出成形機の制御装置による学習済みモデルに関する連携を示した概念図である。
【0107】
図３で示される例では、テスト用射出成形機１３５０と、学習装置１３００と、射出成形機１０の制御装置７００と、を示している。
【0108】
図３に示される例では、テスト用射出成形機１３５０と、学習装置１３００と、を、例えば、射出成形機１０の生産者が所有することが考えられるが、射出成形機の生産者が所有する手法に制限するものではなく、例えば、出荷後に、学習済みモデルを生成するサービス事業者が所有してもよい。図３に示される射出成形機１０及び制御装置７００は、例えば出荷前の状況を示してもよい。
【0109】
テスト用射出成形機１３５０は、機械学習を行うための射出成形機とする。テスト用射出成形機１３５０の構成は、射出成形機１０と同様として説明を省略する。
【0110】
本実施形態に係るテスト用射出成形機１３５０は、オペレータによる設定に従って、成形品を生産する。そして、テスト用射出成形機１３５０は、射出成形を行っている間に計測された波形データと、成形品に関する測定データと、を学習装置１３００に出力する。波形データ及び測定データは、機械学習を行うために利用される情報とする。
【0111】
学習装置１３００は、入力された波形データ及び測定データに基づいて教師データを生成し、教師データ記憶部１３２１に格納する。
【0112】
ところで、人工知能を活用するためには、学習（training）フェーズと、推論（inference）フェーズと、を実行する必要がある。
【0113】
学習装置１３００は、学習フェーズを実行する。このために、学習装置１３００の学習部１３１３は、教師データ記憶部１３２１に記憶された教師データをニューラルネットワークに読み込ませ、シナプスの重みづけ及びバイアスを調整したネットワークを、学習済みモデルＬＭとして生成する。
【0114】
学習装置１３００は、例えば、工場等に設置されるオンプレミスサーバであってもよいし、クラウドサーバであってよい。さらには、学習装置１３００は、工場等に配置される定置型の端末装置、又は可搬型の端末装置（携帯端末）であってもよい。定置型の端末装置には、例えば、デスクトップ型のＰＣ（Personal Computer）が含まれてよい。また、携帯型の端末装置には、例えば、スマートフォン、タブレット端末、ラップトップ型のＰＣ等が含まれてよい。
【0115】
射出成形機１０の制御装置７００は、推論フェーズを実行する。このため、制御装置７００の推論部７１４は、学習済みモデルＬＭ'にデータを入力した場合に、学習済みモデルＬＭ'からの出力結果に基づいて制御を行う。
【0116】
ところで、学習装置１３００と、制御装置７００とは、例えばＣＰＵ、ＯＳ、開発言語等が異なる。
【0117】
本実施形態では、学習装置１３００の学習部１３１３は、第１言語（例えばPython）を用いて実装されている。一方、制御装置７００の推論部７１４は、第２言語（例えばＣ＋＋）を用いて実装されている。
【0118】
例えば、学習装置１３００は、大量の教師データを読み込ませて、ニューラルネットワークを用いたバックプロパゲーションによる学習を行うので、処理速度が速いＣＰＵが望ましい。また、学習装置１３００の学習部１３１３では、開発言語として、一般的に用いられるPython（第１言語の一例）で実装される傾向にある。
【0119】
一方、制御装置７００は、学習済みモデルＬＭ'にデータを入力して、学習済みモデルＬＭ'からの出力結果に基づいて制御を行う。このような制御では、学習装置１３００と比べて処理速度は低くてよい。推論部７１４は、射出成形機１０の制御装置７００に搭載するために、Ｃ＋＋（第２言語の例）で実装される傾向にある。
【0120】
仮に、制御装置の推論部が、学習装置の学習部と同等の手段を実装する場合には、制御装置が、学習装置と同様の処理性能を有するハードウェア等を搭載することが要求されるのでコストが増加する。
【0121】
そこで、本実施形態では、学習装置１３００の学習部１３１３が生成する学習済みモデルＬＭと、制御装置７００の推論部７１４が利用する学習済みモデルＬＭ'と、の構造を共通化した。そして、学習装置１３００は、制御装置７００に学習済みモデルＬＭの重み及びバイアスを受け渡す。学習済みモデルＬＭ'の重み、バイアスを更新することで、学習済みモデルＬＭ'の重み、バイアス及び構造を、学習済みモデルＬＭと一致させる。
【0122】
そこで、学習装置１３００のパラメータ抽出部１３１４が、学習済みモデルＬＭの重み及びバイアスを抽出し、重み及びバイアスの構造情報（以下、パラメータ構造情報とも称する）を生成する。
【0123】
重み及びバイアスの構造情報（パラメータ構造情報）は、例えば、学習済みモデルＬＭに含まれる各重みの値と、学習済みモデルＬＭに含まれる各バイアスの値と、学習済みモデルＬＭにおいて重み及びバイアスを収容する位置を示したパラメータ構造情報と、が含まれている。パラメータ構造情報は、例えば、多次元配列の次元毎に、重み及びバイアスの個数を含んでいる。
【0124】
なお、重み及びバイアスの構造情報は、各重みの値、各バイアスの値、及びパラメータ構造情報を含んでいればよく、例えば、各重みの値、各バイアスの値、をデータ構造に従って所定の手法（例えばJSON（JavaScript Object Notation）、XML（Extensible Markup Language）、ONNX（Open Neural Network Exchange）等)で記述したオブジェクトであってもよい。
【0125】
そして、学習装置１３００から射出成形機１０に重み及びバイアスの構造情報が受け渡される。
【0126】
射出成形機１０には、既に学習済みモデルＬＭ'が搭載されている。学習済みモデルＬＭ'は、一般的な学習済みモデルと同様のデータ構造を有していればよく、実際に学習済みであってもよいし、未学習であってもよい。学習済みモデルＬＭ'が未学習の場合には、予め初期値等が設定されている。
【0127】
射出成形機１０のパラメータ更新部７１２が、受け取った重み及びバイアスの構造情報に基づいて、学習済みモデルＬＭ'の重み及びバイアスを更新する。これにより、学習装置１３００の学習フェーズで生成された学習済みモデルを用いた推論が可能となる。次に学習済みモデルの実際の構造について具体的に説明する。
【0128】
図４は、第１の実施形態に係る学習装置１３００及び制御装置７００で用いられる学習済みモデルＬＭ、ＬＭ'の構造を例示した図である。
【0129】
図４に示される学習済みモデルＬＭ、ＬＭ'は、入力層と、中間層と、出力層とで構成されている。入力層は例えば２２００ノードを有し、中間層は例えば２００ノードを有し、出力層は１ノードを有する。
【0130】
学習済みモデルＬＭ、ＬＭ'は、２２００ノードに対応する入力データが入力された場合に、１ノードに対応する出力データを出力する。
【0131】
入力データは、例えば、射出成形が行われている間に変化する実績値を時系列順に示した時系列データとする。入力データとしては、射出成形が行われている間に、型内圧センサ８３１、８３２（学習装置１３００に入力する実績値、または、入力するデータの基となる実績値を検出するための検出部の一例。目的に応じて、他の検出部で検出した実績値を用いても良い。）の検出結果として計測された型内圧の変化を時系列順に示した時系列データ（以下、波形データと称する）とする。なお、２個の型内圧センサ８３１、８３２に基づいた型内圧の変化の算出手法は、周知の手法を問わずあらゆる手法を用いてよく、例えば平均を求めてもよい。
【0132】
出力データは、例えば、成形品の重量とする。
【0133】
つまり、学習済みモデルＬＭ、ＬＭ'は、型内圧の変化を示した波形データが入力された場合に、当該型内圧の場合に生成される成形品の重量の推定値を出力する。学習装置１３００に型内圧センサ８３１、８３２の実績値、または、それに基づいた波形データを入力するにあたって、学習済みモデルＬＭ，ＬＭ'で扱えるように前処理をかけても良い。なお、これは推論の場合も同じである。
【0134】
図４で示される例では、入力層では、各ノードに対応する変数を、入力変数ベクトルｘ0～2199と定義する。中間層では、各ノードに対応する変数を、中間変数ベクトルｚ0～199と定義する。出力層では、ノードに対応する変数を、出力変数ｙと定義する。
【0135】
この場合、中間層の中間変数ベクトルｚ0を算出する式は、以下の式（１）で算出される。式（１）において、重みベクトルｗ0～199,0～2199は、入力層の各ノードから中間変数ベクトルｚ0～199の各々値を出力するための（２００×２２００次元の）重みベクトルとする。なお、中間変数ベクトルｚ1～199も同様の式を用いることで算出可能なため、説明を省略する。バイアスｂ0～199は、図４では省略しているが、ニューラルネットワークで用いられるバイアスとする。活性化関数φは、例えばＲｅＬＵ関数を用いることが考えられるが、他の関数を用いてもよい。
【0136】
ｚ0＝φ（ｗ0,0～2199・ｘ0～2199＋ｂ0）……（１）
【0137】
出力層の出力変数ｙを算出する式は、以下の式（２）で算出される。式（２）において、重みベクトルｗ'0～199は、中間層の各ノードから出力変数ｙに値を出力するための重みベクトルとする。バイアスｂ'は、図４では省略しているが、ニューラルネットワークで用いられるバイアスとする。活性化関数φ'は、例えばＲｅＬＵ関数を用いることが考えられるが、他の関数を用いてもよい。
【0138】
ｙ＝φ'（ｗ'0～199・ｚ0～199＋ｂ'）……（２）
【0139】
本実施形態に係る制御装置７００の推論部７１４は、例えば、射出成形が行われている間の型内圧の変化する実績値を示した波形データ（入力データ１４０１の例）を、学習済みモデルに入力することで、学習済みモデルから成形品の重量の推定値（出力データ１４０２の例）を受け取る。
【0140】
学習装置１３００は、教師データを用いて、全てのパラメータ（全ての重み及びバイアスを含む）を調整する。つまり、学習装置１３００の学習部１３１３は、出力変数ｙが、正解の値に可能な限り近づくようにパラメータ（全ての重み及びバイアスを含む）の更新量を、出力側から繰り返し逆算して反映していく。
【0141】
上述した式（１）及び式（２）に示されるように、ノードの数と接続の有無が共通している場合、重み及びバイアスを一致させれば、同じ式を再現できる。なお、接続の有無が必要なのは、ノード間が全て接続ではない場合があると考えられるためである。
【0142】
制御装置７００の推論部７１４が用いる学習済みモデルＬＭ'と、学習装置１３００の学習部１３１３が生成する学習済みモデルＬＭと、において、入力層、中間層、及び出力層のノード数は共通している。このため、重み及びバイアスを一致させた場合に、学習済みモデルを再現できる。
【0143】
そこで、学習装置１３００が、制御装置７００に、学習フェーズで調整されたパラメータ（重み及びバイアス）を受け渡す。制御装置７００では、受け取ったパラメータで学習済みモデルを更新する。これにより、制御装置７００の推論部７１４が用いる学習済みモデルＬＭ'と、学習装置１３００の学習部１３１３が生成する学習済みモデルＬＭと、の間のパラメータ（重み及びバイアス）を一致させることができる。換言すれば、制御装置７００の推論部７１４は、学習装置１３００の学習部１３１３の学習結果が再現された学習済みモデルＬＭ'を利用できる。
【0144】
なお、本実施形態では、射出成形機１０に搭載する学習済みモデルＬＭ'の一例を示したものであって、成形品の重量の推定値を出力する学習済みモデルＬＭ'以外の学習済みモデルに適用してもよい。
【0145】
なお、本実施形態では、学習済モデルの一例として、ニューラルネットワークを用いた例について説明するが、ニューラルネットワークを用いた例に制限するものではなく、他の学習済みモデルを用いてもよい。例えば、決定木に基づいた機械学習アルゴリズム(決定木、ランダムフォレスト、又は、勾配ブースティング決定木等)を用いてもよいし、ＳＶＲ (サポートベクトル回帰)を用いてもよい。
【0146】
本実施形態においては、パラメータは、学習によって変更される変数であって、例えば、重み及びバイアスが含まれる。一方、学習によって変更されない変数は、ハイパーパラメータと称する。ハイパーパラメータは、学習する前に予め設定が必要なパラメータであって、例えば、学習済みモデルのネットワーク構造（例えば、層の数、及び層毎のノードの数）を含む。
【0147】
【0148】
学習装置１３００の機能は、任意のハードウェア又は任意のハードウェア及びソフトウェアの組み合わせ等により実現される。例えば、図５に示すように、学習装置１３００は、ＣＰＵ１３０１、記憶媒体１３０２、及び通信インターフェース１３０３を含む。
【0149】
記憶媒体１３０２は、インストールされた各種プログラムを格納すると共に、各種処理に必要なファイルやデータ等を格納する。記憶媒体１３０２は、例えば、ＨＤＤ（Hard Disc Drive）やＳＳＤ（Solid State Drive）やフラッシュメモリ等を含む。
【0150】
本実施形態に係る記憶媒体１３０２は、教師データ記憶部１３２１と、学習済みモデル記憶部１３２２と、を備える。
【0151】
教師データ記憶部１３２１は、学習済みモデルＬＭの学習に用いる教師データを記憶する。
【0152】
学習済みモデル記憶部１３２２は、学習済みモデルＬＭを記憶する。
【0153】
通信インターフェース１３０３は、外部機器と通信可能に接続するためのインターフェースとして用いられる。これにより、学習装置１３００は、通信インターフェース１３０３を通じて、例えば、射出成形機１０等の外部機器と通信することができる。また、通信インターフェース１３０３は、接続される機器との間の通信方式等によって、複数の種類の通信インターフェースを有してもよい。
【0154】
学習装置１３００のＣＰＵ１３０１は、記憶媒体１３０２に格納されているプログラムを実行する。これにより、ＣＰＵ１３０１は、機能部として、取得部１３１１と、教師データ生成部１３１２と、学習部１３１３と、パラメータ抽出部１３１４と、通信制御部１３１５と、を含む。
【0155】
取得部１３１１は、テスト用射出成形機１３５０から、型内圧の変化を時系列順に示した波形データと、重量センサによる成形品の重量の測定データと、の組み合わせを複数取得する。取得する型内圧の変化を示した波形データ及び成形品の重量の測定データの数は、特に制限するものではなく、学習済みモデルＬＭを生成可能な数であればよい。
【0156】
教師データ生成部１３１２は、取得部１３１１が取得した、型内圧の変化を示した波形データ及び成形品の重量の測定データの組み合わせから、教師データを生成する。なお、本実施形態は教師データの一例を示したものであって、異なる教師データでもよい。異なる教師データの場合、必要に応じて出力パラメータに正解条件を設定してもよい。
【0157】
教師データ生成部１３１２が生成した教師データは、教師データ記憶部１３２１に格納される。
【0158】
学習部１３１３は、教師データ記憶部１３２１に記憶された複数の教師データに基づいた機械学習を行うことで、学習済みモデルＬＭを生成する。つまり、学習部１３１３は、教師データの各々に含まれる、型内圧の変化を示した波形データ、及び成形品の重量の測定データを読み込んで機械学習を行い、学習済みモデルＬＭを生成する。生成された学習済みモデルＬＭは、射出成形機１０で計測された波形データを入力することで、成形品の重量の推定値を出力できる。
【0159】
学習済みモデルＬＭは、ベースの学習モデルに対して、教師あり学習が適用されることにより生成される。具体的には、学習部１３１３は、入力としての波形データと、出力としての推定値となりえるデータ（成形品の重量の測定データ）との組み合わせによる教師データの集まり（教師データセット）に基づいて、機械学習を行うことで、学習済みモデルＬＭを生成する。生成された学習済みモデルＬＭは、学習済みモデル記憶部１３２２に格納される。
【0160】
また、学習済みモデルＬＭは、既存の学習済みモデルＬＭに新たな教師データセットを追加学習させることにより、更新されてもよい。
【0161】
学習済みモデルＬＭの生成に用いる機械学習としては、例えば、ニューラルネットワークを適用してもよいし、他の例としては、ディープニューラルネットワーク（ＤＮＮ：Deep Neural Network）用いた機械学習であって、深層学習（ディープラーニング）を適用してもよい。深層学習としては、例えば、畳み込みニューラルネットワーク、ＲＮＮ(Recurrent Neural Networks)、ＬＳＴＭ（Long Short Term Memory）を適用してもよい。
【0162】
パラメータ抽出部１３１４は、学習済みモデル記憶部１３２２に記憶された学習済みモデルＬＭから、学習済みモデルＬＭを構成する各層に設定されているパラメータ（例えば、重み、及びバイアス）を示した構造体を抽出する。本実施形態では、学習によって更新されうる変数情報の一例として、重み及びバイアスを用いた例について説明する。なお、本実施形態は、変数情報の一例を示したもので、重み及びバイアスに制限するものではなく、学習済みモデルの更新又は生成に用いられる情報であればよい。
【0163】
図６は、本実施形態に係るパラメータ抽出部１３１４が抽出する、パラメータの構造体を例示した図である。図６に示されるように、パラメータの構造体では、層毎に、重みとバイアスとが設定されている。図６に示されるパラメータの構造体は、図４に示した学習済みモデルＬＭ、ＬＭ'に対応した例とする。
【0164】
図６の入力層と中間層との間の重みを表した２次元配列１６０１は、例えば、重みベクトルｗ0～199,0～2199を示している。入力層と中間層との間のバイアスを表した１次元配列１６０２は、例えば、バイアスｂ0～199を示している。
【0165】
図６の中間層と出力層との間の重みを表した１次元配列１６０３は、例えば、重みベクトルｗ'0～199を示している。入力層と中間層との間のバイアス１６０４は、例えば、バイアスｂ'を示している。
【0166】
図６に示される配列及び数値は一例を示したものであって、当該配列及び数値に制限するものではない。つまり、パラメータの構造体は、学習済みモデルのネットワーク構造及び教師データによる学習内容等に応じて異なるデータとなる。
【0167】
図６に示されるように、パラメータの構造体に含まれる重み及びバイアスの各々は、数値である。つまり、パラメータの構造体は、学習装置１３００と制御装置７００との間のＣＰＵ、ＯＳ、開発言語等に依存するデータではない。このため、制御装置７００は、学習装置１３００から出力されたパラメータの構造体を示す情報を読み込むことができる。
【0168】
パラメータの構造体を示す情報のフォーマットは、制御装置７００及び学習装置１３００の各々が読み込み及び出力可能なフォーマットであればよく、バイナリであってもよいし、テキストであってもよい。さらには、既に定められているフォーマットを用いてもよい。フォーマットとして例えばJSON、XML、又はONNXを用いてもよい。
【0169】
図５に戻り、通信制御部１３１５は、通信Ｉ／Ｆ１３０３を用いて、射出成形機１０等の外部機器との間で情報を送受信する。例えば、通信制御部１３１５は、パラメータの構造体を示すパラメータ構造情報を、制御装置７００に送信してもよい。
【0170】
なお、本実施形態は、パラメータの構造体を示す情報を制御装置７００に送信する例について示したが、制御装置７００に情報を受け渡す手法を制限するものではない。例えば、外部記憶媒体を用いて、学習装置１３００から制御装置７００に情報を受け渡してもよい。
【0171】
図５には、射出成形機１０の制御装置７００の構成要素を機能ブロックで示している。図５に図示される各機能ブロックは概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。各機能ブロックの全部または一部を、任意の単位で機能的または物理的に分散・統合して構成することが可能である。各機能ブロックにて行われる各処理機能は、その全部または任意の一部が、ＣＰＵ７０１にて実行されるプログラムにて実現される。または各機能ブロックをワイヤードロジックによるハードウェアとして実現してもよい。図３に示すように、制御装置７００のＣＰＵ７０１は、通信制御部７１１と、パラメータ更新部７１２と、射出成形処理部７１３と、再学習部７１５と、パラメータ抽出部７１６と、を備える。また、制御装置７００は、記憶媒体７０２に、学習済みモデル記憶部７２１を備える。
【0172】
学習済みモデル記憶部７２１は、学習済みモデルＬＭ'を記憶する。学習済みモデルＬＭ'の層毎の構成は、学習装置１３００の学習済みモデル記憶部１３２２に記憶されている学習済みモデルＬＭと同様とする。
【0173】
通信制御部７１１は、通信Ｉ／Ｆを用いて、学習装置１３００等の外部機器との間で情報を送信及び受信する。例えば、通信制御部７１１は、学習済みモデルＬＭのパラメータの構造体を示すパラメータ構造情報を、学習装置１３００から受信する。パラメータ構造情報は、学習装置１３００の学習済みモデルＬＭを再現するための重み、バイアスを含む情報とする。
【0174】
なお、本実施形態では、パラメータ構造情報を取得する手法として、学習装置１３００から受信する例について説明したが、パラメータ構造情報の取得手法を制限するものではない。例えば、外部記憶媒体を介してパラメータ構造情報を取得してもよい。
【0175】
パラメータ更新部７１２は、受信したパラメータ構造情報で、学習済みモデル記憶部７２１に記憶されている学習済みモデルＬＭ'を更新する。これにより、パラメータ更新部７１２は、学習済みモデル記憶部７２１に記憶されている学習済みモデルＬＭ'の重み及びバイアスを、学習装置１３００の学習済みモデルＬＭと一致させることができる。
【0176】
パラメータ更新部７１２は、例えば、学習済みモデルＬＭ'を更新するためのプログラムとして構成してもよい。パラメータ更新部７１２は、学習済みモデル記憶部７２１に記憶されている学習済みモデルＬＭ'と受信したパラメータ構造情報と、の間で定義されている層の数、及び層毎のノード数が一致しているか否かを判定してもよい。そして、パラメータ更新部７１２は、一致していると判定した場合に、学習済みモデルＬＭ'を更新する。パラメータ更新部７１２は、一致していないと判定した場合に、学習済みモデルＬＭ'の更新を行わず、構造が違う旨のアラート画面を、表示装置７６０等に出力してもよい。
【0177】
射出成形処理部７１３は、推論部７１４を備え、射出成形機１０の射出成形を行うための処理を実行する。
【0178】
推論部７１４は、学習済みモデル記憶部７２１に記憶されている学習済みモデルＬＭ'を用いて、射出成形に関する推論を実行する。
【0179】
本実施形態に係る推論部７１４は、射出成形処理部７１３によって行われる射出成形の際に、型内圧センサ８３１、８３２の検出結果である型内圧の変化を示した波形データを学習済みモデルＬＭ'に入力し、学習済みモデルＬＭ'から、成形品の重量の推定値を受け取る。そして、推論部７１４は、成形品の重量の推定値の出力等を行うことができる。さらに射出成形処理部７１３が、重量の推定値に基づいて、射出成形動作の制御を行ってもよい。これにより、本実施形態では、学習済みモデルＬＭ'による推論を用いた射出成形の制御を行うことができる。
【0180】
また、本実施形態では、射出成形処理部７１３による射出成形の型内圧センサ８３１、８３２から出力された実績値に基づいて、学習済みモデルＬＭ'の再学習を行ってもよい。
【0181】
再学習部７１５は、型内圧センサ８３１、８３２から出力された波形データと、成形品の重量の測定データとの組み合わせによる教師データを生成し、教師データに基づいて機械学習を行うことで、学習済みモデルＬＭ'の再学習を行う。
【0182】
パラメータ抽出部７１６は、学習済みモデルＬＭ'の重み及びバイアスを抽出し、重み及びバイアスを示したパラメータ構造情報を生成する。
【0183】
そして、通信制御部（出力部の一例）７１１は、パラメータ抽出部７１６により生成されたパラメータ構造情報を、学習装置１３００又は他の射出成形機に送信する。これにより、射出成形機１０で再学習等が行われた学習済みモデルＬＭ'を、他の機器に適用できる。換言すれば、射出成形機１０で生成又は更新された学習済みモデルＬＭ'を他の機器で再現できる。
【0184】
つまり、本実施形態では、学習によって更新されうる変数情報の一例として、重み及びバイアスを用いた例について説明した。本実施形態では、学習済みモデルＬＭと、学習済みモデルＬＭ'との間で、層の数、及び各層の構造を一致させている。このため、制御装置７００が、学習済みモデルＬＭから抽出された、学習によって更新されうる変数情報（例えば、重み及びバイアス）で、学習済みモデルＬＭ'を更新することで、学習済みモデルの内部の構造及び値を一致させることができるので、学習済みモデルを再現することが可能となる。
【0185】
（第２の実施形態）
上述した実施形態では、学習装置１３００が、学習によって更新されうる変数情報として、学習済みモデルＬＭの重み及びバイアスの構造情報を、制御装置７００に受け渡す例について説明した。しかしながら、上述した実施形態は、受け渡す変数情報を、重み及びバイアスの構造情報に制限するものではない。そこで第２の実施形態では、学習によって更新されることがない変数情報として、例えばハイパーパラメータを受け渡す例について説明する。
上述した実施形態では、学習装置１３００が、学習によって更新されうる変数情報として、学習済みモデルＬＭの重み及びバイアスの構造情報を、制御装置７００に受け渡す例について説明した。しかしながら、上述した実施形態は、受け渡す変数情報を、重み及びバイアスの構造情報に制限するものではない。そこで第２の実施形態では、学習によって更新されることがない変数情報として、例えばハイパーパラメータを受け渡す例について説明する。
【0186】
図７は、本実施形態に係る学習装置１３００Ａ及び制御装置７００Ａの機能構成の一例を示す図である。なお、上述した実施形態と同様の構成は同一の符号を割り当て、説明を省略する。学習装置１３００Ａは、上述した実施形態の学習装置１３００と同様に、テスト用射出成形機１３５０からの波形データ等に基づいて学習済みモデルＬＭＡを生成する。制御装置７００Ａは、上述した実施形態の制御装置７００と同様に射出成形機１０を制御する。制御装置７００Ａは、射出成形機１０を制御する際に、学習済みモデルＬＭＡ'を用いる。
【0187】
第１の実施形態では、学習済みモデルＬＭと学習済みモデルＬＭ'とはハイパーパラメータが共通している例について説明した。これに対して、第２の実施形態においては、学習装置１３００Ａの学習済みモデルＬＭＡと、制御装置７００Ａの学習済みモデルＬＭＡ'との間でネットワーク構造が予め定められていない例とする。ただし、学習装置１３００Ａの学習済みモデルＬＭＡ、及び制御装置７００Ａの学習済みモデルＬＭＡ'では、入力データ及び出力データを予め定義される必要があるので、入力層のノード数（チャネル数含む）、出力層のノード数については予め定められている。
【0188】
学習装置１３００Ａは、ＣＰＵ１３０１、記憶媒体１３０２、及び通信インターフェース１３０３を含む。
【0189】
本実施形態に係る記憶媒体１３０２は、教師データ記憶部１３２１と、学習済みモデル記憶部１３２２Ａと、を備える。
【0190】
学習済みモデル記憶部１３２２Ａは、学習済みモデルＬＭＡを記憶する。
【0191】
学習装置１３００ＡのＣＰＵ１３０１は、記憶媒体１３０２に格納されているプログラムを実行する。これにより、ＣＰＵ１３０１は、機能部として、取得部１３１１と、教師データ生成部１３１２と、学習部１３１３と、パラメータ抽出部１３１４と、ハイパーパラメータ抽出部１３１６と、通信制御部１３１５と、を含む。
【0192】
ハイパーパラメータ抽出部１３１６は、学習済みモデル記憶部１３２２Ａに記憶されている学習済みモデルＬＭＡからハイパーパラメータを抽出し、当該ハイパーパラメータを含むハイパーパラメータ情報を生成する。
【0193】
通信制御部１３１５は、上述した実施形態と同様の制御を行うほかに、ハイパーパラメータ情報を、制御装置７００に送信する。
【0194】
図８は、本実施形態に係る学習装置１３００Ａが、制御装置７００Ａにハイパーパラメータ情報を送信する概念を示した情報である。
【0195】
上述した実施形態で示したように、学習装置１３００Ａと、制御装置７００Ａと、はＣＰＵ、ＯＳ、開発言語等が異なる。つまり、ＣＰＵ及びＯＳのうちいずれか一つ以上に互換性がない場合には、学習済みモデルがバイナリレベルで異なる。また、学習側がPython言語のようなインタープリタ型言語で学習済みモデルを生成し、推論側と異なる開発言語を用いる場合には、学習済みモデルがソースレベルで異なる。仮に、推論側が学習側と同様にPythonを用いたとしても関連するライブラリのサポート状況が異なる場合には、推論側が学習済みモデルを実質的に実行するのが難しい。このため、学習装置１３００Ａは、学習済みモデルＬＭＡを制御装置７００Ａに受け渡したとしても、制御装置７００Ａは、学習済みモデルＬＭＡを実行する（又は動作させる）ことができない。
【0196】
そこで、本実施形態では、学習済みモデルＬＭＡの各層のノード数等が示されたハイパーパラメータ情報を、学習装置１３００Ａから、制御装置７００Ａに受け渡す。そして、制御装置７００Ａは、受け取ったハイパーパラメータ情報に基づいて、学習済みモデルＬＭＡ'を生成する。
【0197】
換言すれば、学習装置１３００Ａの学習済みモデルＬＭＡのネットワーク構造（入力層のノード数ｎ１、中間層のノード数ｎ２、出力層のノード数ｎ３）と、制御装置７００Ａの学習済みモデルＬＭＡ'のネットワーク構造（入力層のノード数ｎ１、中間層のノード数ｎ２、出力層のノード数ｎ３）と、を一致させることができる。
【0198】
ハイパーパラメータ情報は、例えば、学習済みモデルＬＭＡのネットワーク構造を実現するための情報であって、例えば、中間層の数、各層のユニット数、活性化関数の種類等が含まれると共に、畳み込み層について、例えばカーネルサイズ、ストライド、パディング、及びグループが含まれる。なお、本実施形態は、ハイパーパラメータ情報に含まれる情報を、ネットワーク構造を実現するための情報に制限するものではなく、学習率、バッチサイズが含まれてもよい。つまり、予め定義された学習済みモデルＬＭＡの構成を実現するための情報であれば、ハイパーパラメータ情報に含めてよい。本実施形態では、学習によって更新されることがない変数情報の一例として、ネットワーク構造の情報を用いた例について説明する。なお、本実施形態は、変数情報の一例を示したもので、ネットワーク構造の情報に制限するものではなく、学習済みモデルの更新又は生成に用いられる情報であればよい。
【0199】
図７に戻り、制御装置７００ＡのＣＰＵ７０１は、通信制御部７１１と、モデル生成部７１７と、パラメータ更新部７１２と、射出成形処理部７１３と、再学習部７１５と、パラメータ抽出部７１６と、ハイパーパラメータ抽出部７１８と、を備える。また、制御装置７００は、記憶媒体７０２に、学習済みモデル記憶部７２１Ａを備える。
【0200】
学習済みモデル記憶部７２１は、学習済みモデルＬＭＡ'を記憶する。学習済みモデルＬＭＡ'は、後述するモデル生成部７１７により生成される。
【0201】
通信制御部７１１は、上述した実施形態と同様の制御を行うと共に、学習装置１３００Ａからハイパーパラメータ情報を受信する。
【0202】
モデル生成部７１７は、ハイパーパラメータ情報に基づいて、学習済みモデルＬＭＡ'を生成し、学習済みモデル記憶部７２１に記憶する。なお、生成された学習済みモデルＬＭＡ'の重み及びバイアスは初期値でよい。学習済みモデルＬＭＡ'の重み及びバイアスは、第１の実施形態と同様の手法で更新されるものとして説明を省略する。また、学習済みモデルＬＭＡ'の生成に用いるハイパーパラメータ情報には、学習済みモデルＬＭＡのパラメータ情報（例えば重み及びバイアス）が含まれてもよい。
【0203】
図９は、本実施形態に係るパラメータ情報とハイパーパラメータ情報の一例を示した図である。図９に示される例では、ハイパーパラメータ情報にはパラメータ情報が含まれている。つまり、図９には、ハイパーパラメータ情報１９０１が含まれる他、パラメータ情報として、入力層－中間層の重みを表した２次元配列１９０２と、入力層－中間層のバイアスを表した１次元配列１９０３と、中間層－出力層の重みを表した１次元配列１９０４と、中間層－出力層のバイアス１９０５と、が含まれている。
【0204】
入力層－中間層の重みを表した２次元配列１９０２、入力層－中間層のバイアスを表した１次元配列１９０３、中間層－出力層の重みを表した１次元配列１９０４、中間層－出力層のバイアス１９０５は、図６の２次元配列１６０１、１次元配列１６０２、１次元配列１６０３、及びバイアス１６０４と同様として説明を省略する。
【0205】
ハイパーパラメータ情報１９０１は、層の数（図９に示される例では、入力層、中間層、及び出力層の３層とする）、及び層毎のノードの数が定義されている。図９に示される例では、ハイパーパラメータ情報１９０１は、入力層のノード数"ｎ１＝２２００"、中間層のノード数"ｎ２＝２００"、及び出力層のノード数"ｎ３＝１"の場合が示されている。さらに、ハイパーパラメータ情報１９０１は、層の数及び層毎のノード数に加えて、演算の種類(Op-type)が定義されている。図９で示される例では"Op-type"として"Linear"と"ReLU"が定義された例とするが、他の演算の種類が定義されてもよい。演算の種類が"Linear"の場合、"Shape"に定義された多次元配列の各次元と要素数の構造に基づいた、演算が行われる。ここでは、行列積演算とバイアスの加算を行っているが構造に合わせて変更させても良い。なお、実際に演算に用いられる重み及びバイアスは、上述した実施形態と同様とする。また、上述した活性化関数φとして"ＲｅＬＵ"を用いる場合、負の入力は"０"として出力され、"０"又は正の値の入力はそのまま出力される。
【0206】
つまり、図９で示されるハイパーパラメータ情報によって、各層の間で行われる演算の種類を認識できる。そして、図９にはパラメータ情報も含まれているので、演算に用いられる具体的な重み及びバイアスも認識できる。また、図９で示されるように、ハイパーパラメータ情報１９０１は、学習装置１３００Ａと制御装置７００Ａとの間のＣＰＵ、ＯＳ、開発言語等に依存するデータではない。このため、制御装置７００Ａは、学習装置１３００Ａから出力されたハイパーパラメータの構造体を示す情報（例えば、ハイパーパラメータ情報１９０１）、を読み込むことができる。なお、本実施形態では、ハイパーパラメータ情報に含まれるパラメータ情報も読み込まれる。
【0207】
なお、図９に示されるハイパーパラメータ情報、及びパラメータ情報は一例を示したものであって、図９に示されるハイパーパラメータ情報、及びパラメータ情報に制限するものではない。つまり、ハイパーパラメータ情報、及びパラメータ情報は、例えば、学習済みモデルのネットワーク構造及び教師データによる学習内容等に応じて異なるデータとなる。
【0208】
図９に示されるように、例えば、学習装置１３００Ａの開発環境において、学習済みモデルＬＭＡのネットワーク構造（例えば、中間層は１つ、入力層のノード数ｎ１、中間層のノード数ｎ２、出力層のノード数ｎ３）等が定義された場合に、制御装置７００Ａは、学習装置１３００Ａからハイパーパラメータ情報を受信する。そして、制御装置７００Ａは、ハイパーパラメータ情報に基づいて、当該学習済みモデルＬＭＡと同様のネットワーク構造等が定義された学習済みモデルＬＭＡ'を生成する。受信した情報にパラメータ情報が含まれている場合、制御装置７００Ａは、当該パラメータ情報で、学習済みモデルＬＭＡ'の重み及びバイアスを設定する。なお、学習済みモデルＬＭＡの再定義が行われた場合に、中間層の数、及び中間層のノードの数は、変更されてもよいが、入力層及び出力層のノードの数は、変更されないものとする。これにより、学習済みモデルＬＭＡ'を利用する推論部７１４の修正を抑制できる。
【0209】
本実施形態においては、開発者が、学習装置１３００Ａのために、第１言語（例えばPython）で学習済みモデルＬＭＡを定義した場合、制御装置７００Ａのために、第２言語（例えばＣ++）で学習済みモデルＬＭＡ'を定義する作業を軽減できる。
【0210】
ハイパーパラメータ抽出部７１８は、学習済みモデルＬＭＡ'からハイパーパラメータを抽出し、ハイパーパラメータを示したハイパーパラメータ情報を生成する。
【0211】
そして、通信制御部（出力部の一例）７１１は、ハイパーパラメータ抽出部７１８により生成されたハイパーパラメータ情報を、学習装置１３００Ａ又は他の射出成形機に送信する。これにより、射出成形機１０で生成された学習済みモデルＬＭＡ'を、他の機器に適用できる。換言すれば、射出成形機１０で生成された学習済みモデルＬＭＡ'を他の機器で再現できる。
【0212】
本実施形態では、学習によって更新されることがない変数情報の一例として、ネットワーク構造の情報を用いた例について説明した。本実施形態では、学習装置１３００Ａが、ネットワーク構造の情報を制御装置７００Ａに受け渡すことで、制御装置７００Ａが、学習装置１３００Ａで生成された学習済みモデルＬＭＡと層の数、及び各層の構造が同一の学習済みモデルＬＭＡ'を実現できる。そのうえで、このため、制御装置７００Ａが、学習済みモデルＬＭＡから抽出された、学習によって更新されうる変数情報（例えば、重み及びバイアス）で、学習済みモデルＬＭＡ'を更新する。これにより、学習装置１３００Ａ及び制御装置７００の間で、学習済みモデルの構造及び値を一致させることができるので、学習済みモデルを再現することが可能となる。
【0213】
上述した実施形態においては、パラメータ及びハイパーパラメータのうちいずれか一つ以上を含んだ変数情報を、制御装置７００、７００Ａに受け渡す。これにより、制御装置７００、７００Ａは、学習装置１３００、１３００Ａと同じ学習済みモデルの生成又は更新することができる。
【0214】
（第３の実施形態）
上述した実施形態においては、射出成形機１０の制御装置が学習済みモデルを用いて制御を行う場合について説明した。しかしながら、上述した実施形態は、射出成形機１０の制御装置が学習済みモデルを用いる手法に制限するものでない。そこで、第３の実施形態では、射出成形機１０を制御する群管理装置１９００が、学習済みモデルを用いて制御を行う例について説明する。
上述した実施形態においては、射出成形機１０の制御装置が学習済みモデルを用いて制御を行う場合について説明した。しかしながら、上述した実施形態は、射出成形機１０の制御装置が学習済みモデルを用いる手法に制限するものでない。そこで、第３の実施形態では、射出成形機１０を制御する群管理装置１９００が、学習済みモデルを用いて制御を行う例について説明する。
【0215】
図１０は、本実施形態に係る、学習装置１３００Ａ、群管理装置１９００及び射出成形機１０の構成を例示した図である。図１０に示されるように、群管理装置１９００は、例えば、８台の射出成形機１０の管理を行う。なお、管理する射出成形機の数は、一例を示したものであって、任意の数でよい。
【0216】
本実施形態は、上述した実施形態で示した制御装置７００Ａによる学習済みモデルを用いた制御を、複数の射出成形機１０に対する群管理機能を有する群管理装置１９００に適用したものである。
【0217】
本実施形態に係る学習装置１３００Ａは、第２の実施形態と同様の構成を備えている。学習装置１３００Ａは、ハイパーパラメータ情報、及びハイパーパラメータ情報に含まれるパラメータ構造情報を、通信回線ＮＷを介して、群管理装置１９００に送信する。
【0218】
通信回線ＮＷは、例えば、インターネット通信回線とする。そして、学習装置１３００Ａと群管理装置１９００との間で通信を行う場合には、ＶＰＮ（Virtual Private Network）で接続することが好ましい。ＶＰＮで接続することで、通信の安全性を向上させることができる。
【0219】
群管理装置（管理装置の一例）１９００は、複数の射出成形機１０を生産性の面から管理する装置であり、各射出成形機１０と接続され、前に述べた制御装置７００、７００Ａと同様に、成形条件や各種センサから得られる検出信号を受信し、生産状況の管理・計画を補助する。
【0220】
群管理装置１９００は、例えば、パーソナルコンピュータで実現してもよい。但し、群管理装置１９００は、通常、各射出成形機１０に対する射出成形動作の制御機能は持たないが、パーソナルコンピュータの機能を拡張すれば制御機能を持たせることもできる。
【0221】
群管理装置１９００は、制御装置７００Ａと同様に、記憶装置（図示せず）を有し、記憶装置には学習済みモデルＬＭＡ'が記憶されている。
【0222】
群管理装置１９００は、制御装置７００Ａと同様に、ＣＰＵ（図示せず）を有し、記憶装置に記憶されたプログラムをＣＰＵに実行させることにより、制御装置７００と同様に、通信制御部７１１、モデル生成部７１７、パラメータ更新部７１２、推論部７１４を含む射出成形処理部７１３、再学習部７１５、パラメータ抽出部７１６、及びハイパーパラメータ抽出部７１８が実現されている。各構成で実行される処理は、上述した実施形態と同様として説明を省略する。
【0223】
群管理装置１９００は、通信回線ＮＷを介して学習装置１３００Ａと接続可能にされている。
【0224】
群管理装置１９００は、学習装置１３００Ａから、ハイパーパラメータ情報、及びハイパーパラメータ情報に含まれるパラメータ構造情報を受信する。そして、群管理装置１９００は、受信したハイパーパラメータ情報、及びハイパーパラメータ情報に含まれるパラメータ構造情報に基づいて学習済みモデルの生成、及び更新を行う。生成及び更新は、上述した実施形態と同様とする。
【0225】
生産状況の管理・計画を補助として、例えば、群管理装置１９００では、受信した検出信号で示される波形データに基づいて、学習済みモデルＬＭＡ'が成形品の重量の推定値を出力してもよい。当該出力は、例えば成形品の品質確認に用いることが考えられる。また、群管理装置１９００は、各射出成形機１０に対する射出成形動作の制御機能を持つ場合、成形品の重量に基づいて射出成形動作の制御を行ってもよい。
【0226】
＜作用＞
上述した実施形態においては、学習装置１３００、１３００Ａ、１７００Ａから受信したハイパーパラメータ情報、及びハイパーパラメータ情報に含まれるパラメータ構造情報に基づいて学習済みモデルの生成、及び更新を行うことで、制御装置７００、７００Ａ及び群管理装置１９００は、例えば、ＣＰＵ、ＯＳ、開発言語が異なる学習装置１３００、１３００Ａと同様の学習済みモデルを再現できる。これにより、射出成形機１０の制御装置７００、７００Ａ、及び群管理装置１９００で学習済みモデルを学習する必要を低減させることができる。したがって、機械学習を行うための負担を軽減できる。前述の通り、本実施例ではパラメータ構造情報はハイパーパラメータ情報に含まれるが、パラメータ構造情報を含まないハイパーパラメータ情報を用いても良い。
上述した実施形態においては、学習装置１３００、１３００Ａ、１７００Ａから受信したハイパーパラメータ情報、及びハイパーパラメータ情報に含まれるパラメータ構造情報に基づいて学習済みモデルの生成、及び更新を行うことで、制御装置７００、７００Ａ及び群管理装置１９００は、例えば、ＣＰＵ、ＯＳ、開発言語が異なる学習装置１３００、１３００Ａと同様の学習済みモデルを再現できる。これにより、射出成形機１０の制御装置７００、７００Ａ、及び群管理装置１９００で学習済みモデルを学習する必要を低減させることができる。したがって、機械学習を行うための負担を軽減できる。前述の通り、本実施例ではパラメータ構造情報はハイパーパラメータ情報に含まれるが、パラメータ構造情報を含まないハイパーパラメータ情報を用いても良い。
【0227】
上述した実施形態では、学習フェーズの処理を、射出成形機１０の制御装置又は群管理装置に搭載されたＣＰＵと比べて高性能のＣＰＵが搭載された学習装置で行うことができる。機械学習に要する時間を短縮できるので、学習フェーズの負担を軽減できる。
【0228】
以上、本発明に係る射出成形機の制御装置、及び射出成形機の表示装置の実施形態について説明したが、本発明は上記実施形態などに限定されない。特許請求の範囲に記載された範疇内において、各種の変更、修正、置換、付加、削除、及び組み合わせが可能である。それらについても当然に本発明の技術的範囲に属する。
【符号の説明】
【0229】
１０ 射出成形機
７００ 制御装置
７０１ ＣＰＵ
７１１ 通信制御部
７１２ パラメータ更新部
７１３ 射出成形処理部
７１４ 推論部
７１５ 再学習部
７１６ パラメータ抽出部
７１７ モデル生成部
７１８ ハイパーパラメータ抽出部
７２１ 学習済みモデル記憶部
１３００、１３００Ａ、１７００Ａ 学習装置
１３０１ ＣＰＵ
１３０２ 記憶媒体
１３０３ 通信インターフェース
１３１１ 取得部
１３１２ 教師データ生成部
１３１３ 学習部
１３１４ パラメータ抽出部
１３１５ 通信制御部
１３１６ ハイパーパラメータ抽出部
１３２１ 教師データ記憶部
１３２２ 学習済みモデル記憶部
７００ 制御装置
７０１ ＣＰＵ
７１１ 通信制御部
７１２ パラメータ更新部
７１３ 射出成形処理部
７１４ 推論部
７１５ 再学習部
７１６ パラメータ抽出部
７１７ モデル生成部
７１８ ハイパーパラメータ抽出部
７２１ 学習済みモデル記憶部
１３００、１３００Ａ、１７００Ａ 学習装置
１３０１ ＣＰＵ
１３０２ 記憶媒体
１３０３ 通信インターフェース
１３１１ 取得部
１３１２ 教師データ生成部
１３１３ 学習部
１３１４ パラメータ抽出部
１３１５ 通信制御部
１３１６ ハイパーパラメータ抽出部
１３２１ 教師データ記憶部
１３２２ 学習済みモデル記憶部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】