特許 7512870 粘度推定装置、粘度推定方法、粘度推定プログラム、記録媒体および成型品の製造方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-07-01

(45)【発行日】2024-07-09

(54)【発明の名称】粘度推定装置、粘度推定方法、粘度推定プログラム、記録媒体および成型品の製造方法

(51)【国際特許分類】

   G01N 11/00 20060101AFI20240702BHJP

   G01N 11/04 20060101ALI20240702BHJP

   G01N 33/44 20060101ALI20240702BHJP

【ＦＩ】

G01N11/00 C

G01N11/04 A

G01N33/44

【請求項の数】 7

(21)【出願番号】P 2020199488

(22)【出願日】2020-12-01

(65)【公開番号】P2022087515

(43)【公開日】2022-06-13

【審査請求日】2023-07-14

(73)【特許権者】

【識別番号】000005083

【氏名又は名称】株式会社プロテリアル

(74)【代理人】

【識別番号】110002066

【氏名又は名称】弁理士法人筒井国際特許事務所

(72)【発明者】

【氏名】加賀 雅文

(72)【発明者】

【氏名】大賀 裕太

【審査官】鴨志田 健太

(56)【参考文献】

【文献】特開２００９－００１５９５（ＪＰ，Ａ）

【文献】特開平０７－０００７７１（ＪＰ，Ａ）

【文献】特表２０１６－５２３９８６（ＪＰ，Ａ）

【文献】特表２００２－５３５４５６（ＪＰ，Ａ）

【文献】特開２００３－３０１０６０（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｎ １１／００

Ｇ０１Ｎ １１／０４

Ｇ０１Ｎ ３３／４４

(57)【特許請求の範囲】

【請求項1】

樹脂の粘度を推定するように構成された粘度推定装置であって、
前記粘度推定装置は、メルトフローレートに基づいて前記粘度を推定する粘度推定部を備え、
前記粘度推定部は、以下に示す数式２に基づいて、前記粘度を推定する、粘度推定装置。

【数8】

ここで、
η：粘度
Ｃ：定数
ＭＦＲ：メルトフローレート
ｄγ／ｄｔ：せん断速度
ｎ：定数
α：定数
Ｔ：温度

【請求項2】

請求項１に記載の粘度推定装置において、
前記粘度推定装置は、
メルトフローレートと樹脂の温度とせん断速度との組み合わせと粘度とを関連付けた既知データ群であって、前記メルトフローレートと前記温度と前記せん断速度と前記粘度が既知の前記既知データ群を入力する既知データ群入力部と、
前記既知データ群を教師データとして、入力を前記メルトフローレートと前記温度と前記せん断速度とするとともに出力を前記粘度とするニューラルネットワークを学習させることにより、前記数式２に含まれる定数を決定する定数決定部と、
を有し、
前記粘度推定部は、前記定数決定部で決定された前記定数を代入した前記数式２に基づいて、前記粘度との対応が未知の前記メルトフローレートと前記温度と前記せん断速度の組み合わせから前記粘度を推定する、粘度推定装置。

【請求項3】

請求項２に記載の粘度推定装置において、
前記既知データ群は、Ｎ個（Ｎは自然数）の異なる前記メルトフローレートごとに分類されたＮ種類の分類データ群から構成され、
前記定数決定部は、
前記Ｎ種類の分類データ群のそれぞれを教師データとして、入力をメルトフローレートと前記温度と前記せん断速度とするとともに出力を前記粘度とするニューラルネットワークを学習させることにより、前記Ｎ個の異なる前記メルトフローレートごとに以下の数式３に含まれる複数の予備定数を決定する予備定数決定部と、
前記Ｎ個の異なる前記メルトフローレートごとに決定された前記複数の予備定数のうちの一部の予備定数について平均値を算出する平均値算出部と、
を有し、
前記定数決定部は、前記平均値を初期値とするとともに前記既知データ群を教師データとして、入力を前記メルトフローレートと前記温度と前記せん断速度とするとともに出力を前記粘度とするニューラルネットワークを学習させることにより、前記数式２に含まれる定数を決定する、粘度推定装置。

【数9】

ここで、
η：粘度
η_ｉ：予備定数
ｄγ／ｄｔ：せん断速度
ｎ_ｉ：予備定数
α_ｉ：予備定数
Ｔ：温度

【請求項4】

樹脂の粘度を推定する粘度推定方法であって、
前記粘度推定方法は、メルトフローレートに基づいて前記粘度を推定する粘度推定工程を備え、
前記粘度推定工程は、以下に示す数式２に基づいて、前記粘度を推定する、粘度推定方法。

【数10】

ここで、
η：粘度
Ｃ：定数
ＭＦＲ：メルトフローレート
ｄγ／ｄｔ：せん断速度
ｎ：定数
α：定数
Ｔ：温度

【請求項5】

樹脂の粘度を推定する処理をコンピュータに実行させる粘度推定プログラムであって、
前記粘度推定プログラムは、メルトフローレートに基づいて前記粘度を推定する粘度推定処理を備え、
前記粘度推定処理は、以下に示す数式２に基づいて、前記粘度を推定する、粘度推定プログラム。

【数11】

ここで、
η：粘度
Ｃ：定数
ＭＦＲ：メルトフローレート
ｄγ／ｄｔ：せん断速度
ｎ：定数
α：定数
Ｔ：温度

【請求項6】

請求項５に記載のプログラムを記録したコンピュータ読み取り可能な記録媒体。

【請求項7】

メルトフローレートに基づいて樹脂の粘度を推定する粘度推定工程と、
推定された前記粘度に基づいて成型条件を調整する成型条件調整工程と、
調整された前記成型条件で前記樹脂を成型する成型工程と、
を備える、成型品の製造方法であって、
前記粘度推定工程は、以下に示す数式２に基づいて、前記粘度を推定する、成型品の製造方法。

【数12】

ここで、
η：粘度
Ｃ：定数
ＭＦＲ：メルトフローレート
ｄγ／ｄｔ：せん断速度
ｎ：定数
α：定数
Ｔ：温度

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、樹脂の粘度を推定する粘度推定技術に適用して有効な技術に関する。

【背景技術】

【0002】

非特許文献１には、樹脂の粘度を測定するレオメータに関する技術が記載されている。

【先行技術文献】

【非特許文献】

【0003】

【文献】上田，レオロジー特性測定方法とその装置，日本ゴム協会誌，第８８巻，第８号、（２０１５）

【発明の概要】

【発明が解決しようとする課題】

【0004】

一般に、樹脂成型技術では、原料である樹脂材料の粘度が温度とせん断速度に依存することから、粘度によって成型品の品質が変化する。また、樹脂の種類によっては、同じグレードの樹脂材料でも、製品ロットの違いなどによって品質にばらつきが生じて粘度が変化することがある。したがって、成型品の品質を維持するためには、樹脂材料の粘度の変化に応じて、その都度、温度やせん断速度などの成型条件を最適化する必要がある。すなわち、成型品の製造工程においては、粘度変化を吸収するように成型条件を調整するために、樹脂の粘度を把握する必要がある。

【0005】

この点に関し、樹脂の粘度を把握する技術としては、レオメータを使用して粘度を実測する以外に手段がないのが現状である。ところが、レオメータを使用する技術の導入や運用は、経済的にもリードタイム的にも困難な場合が多い。このことから、成型条件の調整は、作業者の経験に基づいて行われることが多い。つまり、現状の技術では、粘度の測定は、難しく手間がかかることから、粘度の測定に基づいて成型条件を調整することは、実現することが困難である。したがって、容易に粘度を把握できる技術が望まれている。

【課題を解決するための手段】

【0006】

一実施の形態における粘度推定装置は、メルトフローレートに基づいて粘度を推定する粘度推定部を備える。

【0007】

一実施の形態における粘度推定方法は、メルトフローレートに基づいて粘度を推定する粘度推定工程を備える。

【0008】

一実施の形態におけるプログラムは、メルトフローレートに基づいて粘度を推定する粘度推定処理を備える。プログラムは、コンピュータ読み取り可能な記録媒体に記録される。

【0009】

一実施の形態における成型品の製造方法は、メルトフローレートに基づいて樹脂の粘度を推定する粘度推定工程と、推定された粘度に基づいて成型条件を調整する成型条件調整工程と、調整された成型条件で樹脂を成型する成型工程と、を備える。

【発明の効果】

【0010】

一実施の形態によれば、容易に樹脂の粘度を把握することができる。

【図面の簡単な説明】

【0011】

【図1】「ＭＦＲ」を測定する測定方法の概要を示す図である。

【図2】粘度推定装置のハードウェア構成の一例を示す図である。

【図3】粘度推定装置の機能を示す機能ブロック図である。

【図4】既知データ群の一例を示す図である。

【図5】ニューラルネットワークの学習を模式的に示す図である。

【図6】粘度推定装置の第１動作を説明するフローチャートである。

【図7】粘度推定装置の第２動作を説明するフローチャートである。

【図8】粘度推定装置の機能ブロック図である。

【図9】粘度推定装置の動作を説明するフローチャートである。

【図10】定数の決定に使用していないサンプルでの粘度実測値と、「ＭＦＲ」を考慮した（数式２）を使用して推定した粘度推定値との比較結果を示すグラフである。

【図11】粘度を実測する技術（比較例）と、「ＭＦＲ」を使用して粘度を推定する本実施の形態における技術的思想との対比結果を示す表である。

【図12】「ＭＦＲ」に基づいて粘度を推定する本実施の形態における技術的思想を取り入れた成型品の製造方法の流れを示すフローチャートである。

【発明を実施するための形態】

【0012】

実施の形態を説明するための全図において、同一の部材には原則として同一の符号を付し、その繰り返しの説明は省略する。なお、図面をわかりやすくするために平面図であってもハッチングを付す場合がある。

【0013】

＜実施の形態における基本思想＞
本実施の形態における基本思想は、メルトフローレート（以下、「ＭＦＲ」という）に基づいて樹脂の粘度を推定する思想である。

【0014】

ここで、まず、「ＭＦＲ」について説明する。

【0015】

「ＭＦＲ」とは、溶液状態にある樹脂の流動性を示す尺度の一つである。この「ＭＦＲ」を測定する試験機械は、「ＪＩＳ Ｋ６７６０」で定められた押出し形プラストメータを使用する。また、「ＭＦＲ」の測定方法は、「ＪＩＳ Ｋ７２１０」に規定されている。

【0016】

図１は、「ＭＦＲ」を測定する測定方法の概要を示す図である。

【0017】

図１に示すように、「ＭＦＲ」の測定装置１０は、加熱可能なバレル１を有している。そして、このバレル１には、円筒状の貫通孔が設けられている。この貫通孔の内部には、テストサンプルである樹脂２が挿入される。そして、樹脂２の上部からピストンヘッド３を介してピストン４で樹脂２に圧力をかけることができるように構成されている。特に、ピストン４の上部には、錘５が配置され、この錘５によって、ピストン４から樹脂２に圧力が加わるようになっている。一方、貫通孔の底部には、開口部を有するダイ６が設けられている。このように構成されている測定装置１０では、貫通孔に挿入された樹脂２を一定の温度で加熱するとともに一定の圧力で加圧する。そして、この条件の下で、貫通孔の底部に設けられたダイ６の開口部から１０分間に押し出された樹脂量を測定する。これにより、測定装置１０で「ＭＦＲ」を測定することができる。一般的に、「ＭＦＲ」の値が大きいほど、樹脂の溶融時の流動性や加工性は良好となる。

【0018】

例えば、「ＭＦＲ」が大きいということは、押し出される樹脂量が多くなることを意味することから、これは、流動性が高く粘度が低い状態に対応すると理解できる。つまり、定性的には、「ＭＦＲ」が大きくなると粘度は低くなると考えることができる。言い換えれば、「ＭＦＲ」が小さくなると粘度は大きくなると考えることができる。

【0019】

この点に関し、一般的に、粘度は、以下に示す（数式１）で表される。

【0020】

【数1】

【0021】

ここで、
η：粘度
η_０：定数
ｄγ／ｄｔ：せん断速度
ｎ：定数
α：定数
Ｔ：樹脂の温度
この（数式１）によると、定数が分かっていることを前提として、せん断速度と樹脂の温度が分かれば粘度を推定することができるが、（数式１）には、「ＭＦＲ」が含まれていない。このことから、「ＭＦＲ」が分かったとしても（数式１）からは粘度を推定することはできない。すなわち、「ＭＦＲ」と粘度との定性的な関係は分かっているにしても、定量的に（数式１）に基づいて「ＭＦＲ」から粘度を推定することはできないのである。このように、現状では、「ＭＦＲ」と粘度とを関係付ける関係式は得られていない。

【0022】

ここで、「ＭＦＲ」から粘度を推定できれば、以下に示すような優れた利点を得ることができる。すなわち、「ＭＦＲ」は、例えば、樹脂材料メーカからロットごとに提供されることが多い。このことから、「ＭＦＲ」と粘度とを関係付ける関係式が得られれば、レオメータによる粘度測定を行うことなく、メーカから提供される「ＭＦＲ」から粘度を推定することができる。このことは、粘度の測定を行うことなく、粘度を把握することができることを意味する。これにより、成型品の製造工程においては、粘度を測定しなくても「ＭＦＲ」から粘度を把握することができる。このため、粘度変化を吸収するように成型条件を調整することが容易になるという利点が得られることになる。

【0023】

本発明者は、この点に着目して、鋭意検討した結果、（数式１）に基づいて、以下に示す（数式２）を想到している。

【0024】

【数2】

【0025】

ここで、
η：粘度
Ｃ：定数
ＭＦＲ：メルトフローレート
ｄγ／ｄｔ：せん断速度
ｎ：定数
α：定数
Ｔ：樹脂の温度
この（数式２）によると、「ＭＦＲ」が大きくなると粘度が小さくなるという定性的理解に合致している。そして、（ＭＦＲ）^ｎは、次元解析によって決定している。具体的に、（数式２）に含まれる「ｓｅｃ」の単位に着目する。つまり、粘度の単位が「Ｐａ・ｓｅｃ」、せん断速度の単位が「１／ｓｅｃ」、「ＭＦＲ」の単位が「ｃｃ／１０ｍｉｎ」＝「ｃｃ／６００ｓｅｃ」であることを考慮する。このとき、（数式２）の左辺における「ｓｅｃ」の次元は「Ｐａ・ｓｅｃ」から「１次元」となる。これに対し、（数式２）の右辺における「ｓｅｃ」の次元は、１／（ＭＦＲ）^ｎ×（ｄγ／ｄｔ）^ｎ－１から（ｓｅｃ）^ｎ×（１／ｓｅｃ）^ｎ－１＝（ｓｅｃ）であり、「１次元」となる。このような次元解析より、（数式２）における「ＭＦＲ」の依存性が１／（ＭＦＲ）^ｎの形で導入されることは理にかなっている。

【0026】

このようにして、粘度と「ＭＦＲ」との定性的関係と次元解析に基づいて想到された（数式２）によれば、定数が分かっていることを前提として、「ＭＦＲ」とせん断速度と樹脂の温度が分かれば粘度を推定することができる。つまり、（数式２）は、「ＭＦＲ」と粘度とを関係付ける関係式であることがわかる。したがって、（数式２）に含まれる定数を適切に決定することができれば、（数式２）に基づいて、「ＭＦＲ」から粘度を精度よく推定することができると考えられる。このことから、（数式２）に含まれる定数を決定することが重要であり、本実施の形態では、機械学習を使用して（数式２）に含まれる定数を決定する。

【0027】

本実施の形態における基本思想は、「ＭＦＲ」に基づいて粘度を推定する思想であり、詳細には、「ＭＦＲ」と粘度とを関係付ける（数式２）に基づいて粘度を推定する思想である。そして、基本思想においては、「ＭＦＲ」から精度よく粘度を推定できるように、（数式２）に含まれる定数を機械学習で決定する。

【0028】

＜粘度推定装置の構成＞
以下では、上述した基本思想を具現化する粘度推定装置について説明する。

【0029】

＜＜ハードウェア構成＞＞
まず、本実施の形態おける粘度推定装置のハードウェア構成について説明する。

【0030】

図２は、本実施の形態における粘度推定装置１００のハードウェア構成の一例を示す図である。なお、図２に示す構成は、あくまでも粘度推定装置１００のハードウェア構成の一例を示すものであり、粘度推定装置１００のハードウェア構成は、図２に記載されている構成に限らず、他の構成であってもよい。

【0031】

図２において、粘度推定装置１００は、プログラムを実行するＣＰＵ（Central Processing Unit）１０１を備えている。このＣＰＵ１０１は、バス１１３を介して、例えば、ＲＯＭ（Read Only Memory）１０２、ＲＡＭ（Random Access Memory）１０３、および、ハードディスク装置１１２と電気的に接続されており、これらのハードウェアデバイスを制御するように構成されている。

【0032】

また、ＣＰＵ１０１は、バス１１３を介して入力装置や出力装置とも接続されている。入力装置の一例としては、キーボード１０５、マウス１０６、通信ボード１０７、および、スキャナ１１１などを挙げることができる。一方、出力装置の一例としては、ディスプレイ１０４、通信ボード１０７、および、プリンタ１１０などを挙げることができる。さらに、ＣＰＵ１０１は、例えば、リムーバルディスク装置１０８やＣＤ／ＤＶＤ－ＲＯＭ装置１０９と接続されていてもよい。

【0033】

粘度推定装置１００は、例えば、ネットワークと接続されていてもよい。例えば、粘度推定装置１００がネットワークを介して他の外部機器と接続されている場合、粘度推定装置１００の一部を構成する通信ボード１０７は、ＬＡＮ（ローカルエリアネットワーク）、ＷＡＮ（ワイドエリアネットワーク）やインターネットに接続されている。

【0034】

ＲＡＭ１０３は、揮発性メモリの一例であり、ＲＯＭ１０２、リムーバルディスク装置１０８、ＣＤ／ＤＶＤ－ＲＯＭ装置１０９、ハードディスク装置１１２の記録媒体は、不揮発性メモリの一例である。これらの揮発性メモリや不揮発性メモリによって、粘度推定装置１００の記憶装置が構成される。

【0035】

ハードディスク装置１１２には、例えば、オペレーティングシステム（ＯＳ）２０１、プログラム群２０２、および、ファイル群２０３が記憶されている。プログラム群２０２に含まれるプログラムは、ＣＰＵ１０１がオペレーティングシステム２０１を利用しながら実行する。また、ＲＡＭ１０３には、ＣＰＵ１０１に実行させるオペレーティングシステム２０１のプログラムやアプリケーションプログラムの少なくとも一部が一次的に格納されるとともに、ＣＰＵ１０１による処理に必要な各種データが格納される。

【0036】

ＲＯＭ１０２には、ＢＩＯＳ（Basic Input Output System）プログラムが記憶され、ハードディスク装置１１２には、ブートプログラムが記憶されている。粘度推定装置１００の起動時には、ＲＯＭ１０２に記憶されているＢＩＯＳプログラムおよびハードディスク装置１１２に記憶されているブートプログラムが実行され、ＢＩＯＳプログラムおよびブートプログラムにより、オペレーティングシステム２０１が起動される。

【0037】

プログラム群２０２には、粘度推定装置１００の機能を実現するプログラムが記憶されており、このプログラムは、ＣＰＵ１０１により読み出されて実行される。また、ファイル群２０３には、ＣＰＵ１０１による処理の結果を示す情報、データ、信号値、変数値やパラメータがファイルの各項目として記憶されている。

【0038】

ファイルは、ハードディスク装置１１２やメモリなどの記録媒体に記録される。ハードディスク装置１１２やメモリなどの記録媒体に記録された情報、データ、信号値、変数値やパラメータは、ＣＰＵ１０１によりメインメモリやキャッシュメモリに読み出され、抽出・検索・参照・比較・演算・処理・編集・出力・印刷・表示に代表されるＣＰＵ１０１の動作に使用される。例えば、上述したＣＰＵ１０１の動作の間、情報、データ、信号値、変数値やパラメータは、メインメモリ、レジスタ、キャッシュメモリ、バッファメモリなどに一次的に記憶される。

【0039】

粘度推定装置１００の機能は、ＲＯＭ１０２に記憶されたファームウェアで実現されていてもよいし、あるいは、ソフトウェアのみ、素子・デバイス・基板・配線に代表されるハードウェアのみ、ソフトウェアとハードウェアとの組み合わせ、さらには、ファームウェアとの組み合わせで実現されていてもよい。ファームウェアとソフトウェアは、プログラムとして、ハードディスク装置１１２、リムーバルディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭなどに代表される記録媒体に記録される。プログラムは、ＣＰＵ１０１により読み出されて実行される。すなわち、プログラムは、コンピュータを粘度推定装置１００として機能させるものである。

【0040】

このように、粘度推定装置１００は、処理装置であるＣＰＵ１０１、記憶装置であるハードディスク装置１１２やメモリ、入力装置であるキーボード１０５、マウス１０６、通信ボード１０７、出力装置であるディスプレイ１０４、プリンタ１１０、通信ボード１０７を備えるコンピュータである。そして、粘度推定装置１００の機能は、処理装置、記憶装置、入力装置、および、出力装置を利用して実現される。

【0041】

＜＜機能ブロック構成＞＞
次に、粘度推定装置１００の機能ブロック構成について説明する。

【0042】

図３は、粘度推定装置の機能を示す機能ブロック図である。

【0043】

粘度推定装置１００は、入力部３０１と、定数決定部３０２と、粘度推定部３０３と、出力部３０４と、データ記憶部３０５を有している。

【0044】

入力部３０１は、「ＭＦＲ」と樹脂の温度とせん断速度との組み合わせと粘度とを関連付けた既知データ群であって、「ＭＦＲ」と温度とせん断速度と粘度が既知の既知データ群を入力するように構成されている。

【0045】

図４は、既知データ群の一例を示す図である。

【0046】

既知データ群４００には、複数の既知データが含まれており、複数の既知データのそれぞれは、「ＭＦＲ」と温度とせん断速度との組み合わせとともに、これらの組み合わせと関連付けられた粘度から構成されている。例えば、既知データの一例としては、図４に示すように、「ＭＦＲ」が「１７．６５２７」、「温度」が「１９０」、「せん断速度」が「６０．８」、「粘度」が「１０３０７．０３」であるデータを挙げることができる。

【0047】

この既知データは、例えば、同一グレードで「ＭＦＲ」の異なる樹脂材料の粘度を温度とせん断速度を変化させて計測することにより取得される。このとき、粘度の測定には、例えば、レオメータを使用して行われる。

【0048】

本実施の形態では、既知データ群に基づいて、（数式２）に含まれる定数を決定する。このため、（数式２）の定数を高精度に決定する観点から、既知データ群に含まれる既知データのデータ数は、多いことが望ましい。例えば、既知データ群は、「ＭＦＲ」と「温度」と「せん断速度」の異なる既知データを合計で２０データ以上有していることが望ましい。

【0049】

入力部３０１に入力された複数の既知データのそれぞれは、データ記憶部３０５に記憶される。また、データ記憶部３０５には、（数式２）も記憶される。

【0050】

定数決定部３０２は、データ記憶部３０５に記憶されている既知データ群を使用して、（数式２）に含まれる定数（「Ｃ」、「ｎ」、「α」）を決定するように構成されている。具体的に、図５に示すように、定数決定部３０２は、既知データ群を教師データとして、入力を「ＭＦＲ」と温度とせん断速度とするとともに出力を粘度とするニューラルネットワークを学習させることにより、（数式２）に含まれる定数を決定するように構成される。

【0051】

粘度推定部３０３は、「ＭＦＲ」に基づいて粘度を推定するように構成されており、詳細には、上述した（数式２）に基づいて、粘度を推定するように構成されている。特に、粘度推定部３０３は、定数決定部３０２で決定した定数を代入した（数式２）に基づいて、粘度を推定する。すなわち、粘度推定部３０３は、定数決定部３０２で決定した定数を代入した（数式２）に基づいて、粘度との対応が未知の「ＭＦＲ」と温度とせん断速度の組み合わせから粘度を推定するように構成されている。これにより、粘度が未知の樹脂に対して、「ＭＦＲ」と温度とせん断速度がわかれば粘度を把握できることになる。

【0052】

出力部３０４は、粘度推定部３０３で推定された樹脂の粘度を出力する機能を有する。

【0053】

以上のようして、粘度推定装置１００が構成されていることになる。

【0054】

＜粘度推定装置の動作（粘度推定方法）＞
続いて、本実施の形態における粘度推定装置１００の動作について説明する。

【0055】

粘度推定装置１００の動作には、（数式２）に含まれる定数を決定して、粘度の推定に使用される関係式を決定する第１動作と、この関係式を用いて粘度が未知の樹脂の「ＭＦＲ」と「温度」と「せん断速度」に基づいて、粘度を推定する第２動作があるので、以下では、それぞれの動作について説明することにする。

【0056】

＜＜第１動作＞＞
図６は、粘度推定装置の第１動作を説明するフローチャートである。

【0057】

まず、既知データ群は取得されているものとする。

【0058】

図６において、入力部３０１は、既知データ群を入力する（Ｓ１０１）。そして、入力部３０１に入力された既知データ群は、データ記憶部３０５に記憶される。

【0059】

次に、定数決定部３０２は、データ記憶部３０５に記憶されている既知データ群を教師データとして、入力を「ＭＦＲ」と温度とせん断速度とするとともに出力を粘度とするニューラルネットワークを学習させることにより、（数式２）に含まれる定数を決定する（Ｓ１０２）。これにより、粘度と「ＭＦＲ」とを関係付ける関係式である（数式２）が決定される。このようにして、粘度と「ＭＦＲ」の関係式が得られる。

【0060】

＜＜第２動作＞＞
図７は、粘度推定装置の第２動作を説明するフローチャートである。

【0061】

ここでは、既に上述した第１動作が行われて、（数式２）の定数が決定されているとする。

【0062】

図７において、入力部３０１は、粘度が未知の未知データを入力する（Ｓ２０１）。この未知データには、粘度が未知の樹脂における「ＭＦＲ」と「温度」と「せん断速度」のそれぞれのデータが含まれている。この未知データは、データ記憶部３０５に記憶される。

【0063】

次に、粘度推定部３０３は、データ記憶部３０５に記憶されている未知データを（数式２）に代入する。すなわち、粘度が未知の未知データに含まれる既知の「ＭＦＲ」と「温度」と「せん断速度」を（数式２）に代入する（Ｓ２０２）。これにより、（数式２）に基づいて粘度が推定される（Ｓ２０３）。そして、粘度推定部３０３で推定された粘度は、出力部３０４から出力される（Ｓ２０４）。このようにして、粘度推定装置１００によれば、「ＭＦＲ」と「温度」と「せん断速度」に基づいて、粘度を推定することができる。

【0064】

以上のようにして、粘度推定装置１００を動作させることにより、本実施の形態における粘度推定方法が実現される。

【0065】

＜粘度推定プログラム＞
上述した粘度推定装置１００で実施される粘度推定方法は、粘度推定処理をコンピュータに実行させる粘度推定プログラムにより実現することができる。

【0066】

例えば、図２に示すコンピュータからなる粘度推定装置１００において、ハードディスク装置１１２に記憶されているプログラム群２０２の１つとして、本実施の形態における粘度推定プログラムを導入することができる。そして、この粘度推定プログラムを粘度推定装置１００であるコンピュータに実行させることにより、本実施の形態における粘度推定方法を実現することができる。

【0067】

粘度推定処理に関するデータを作成するための各処理をコンピュータに実行させる粘度推定プログラムは、コンピュータで読み取り可能な記録媒体に記録して頒布することができる。記録媒体には、例えば、ハードディスクやフレキシブルディスクに代表される磁気記憶媒体、ＣＤ－ＲＯＭやＤＶＤ－ＲＯＭに代表される光学記憶媒体、ＲＯＭやＥＥＰＲＯＭなどの不揮発性メモリに代表されるハードウェアデバイスなどが含まれる。

【0068】

＜定数決定部に対するさらなる工夫＞
定数決定部３０２は、既知データ群を教師データとして、入力を「ＭＦＲ」と温度とせん断速度とするとともに出力を粘度とするニューラルネットワークを学習させることにより、（数式２）に含まれる定数を決定する。

【0069】

ここで、ニューラルネットワークによる機械学習で（数式２）に含まれる定数を決定する手法は、複数ある。ただし、本実施の形態では、教師データとして使用する既知データ群の特殊性から機械学習による定数の決定を安定的に行うことができないおそれがあることを本発明者は新規に見出した。つまり、本発明者は、既知データ群においては、データ数を確保できるとしても、異なる「ＭＦＲ」の種類が少ないという特殊性から機械学習による定数の決定を安定して行うことができない場合があることを新規な知見として獲得した。そこで、本発明者は、この知見に基づいて様々な手法を試す中で最も安定的に機械学習による定数の決定を行う手法を見出したので、以下では、この手法を説明する。

【0070】

＜＜粘度推定装置の構成＞＞
図８は、粘度推定装置の機能ブロック図である。

【0071】

図８と図３とは、ほぼ同様の構成をしているため、以下では、図８で追加した追加点を中心に説明する。図８において、粘度推定装置１００は、分類部３０６を有している。

【0072】

この分類部３０６は、既知データ群をＮ個（Ｎは自然数）の異なる「ＭＦＲ」ごとに分類する機能を有する。すなわち、分類部３０６は、既知データ群をＮ種類の分類データ群に分類するように構成されている。例えば、分類部３０６は、図４に示す既知データ群４００を第１分類データ群４００Ａと第２分類データ群４００Ｂと第３分類データ群４００Ｃに分類するように構成されている。

【0073】

ここで、第１分類データ群４００Ａは、「ＭＦＲ」が同一の「１７．６５２７」で、「温度」と「せん断速度」と「粘度」が異なるデータ群から構成される。同様に、第２分類データ群４００Ｂは、「ＭＦＲ」が同一の「１５．８９８９」で、「温度」と「せん断速度」と「粘度」が異なるデータ群であり、第３分類データ群４００Ｃは、「ＭＦＲ」が同一の「３．４６６９」で、「温度」と「せん断速度」と「粘度」が異なるデータ群である。

【0074】

定数決定部３０２は、予備定数決定部３０７と平均値算出部３０８を含んでいる。

【0075】

予備定数決定部３０７は、分類部３０６で分類されたＮ種類の分類データ群のそれぞれを教師データとして、入力を「ＭＦＲ」と温度とせん断速度とするとともに出力を粘度とするニューラルネットワークを学習させることにより、Ｎ個の異なる「ＭＦＲ」ごとに以下の（数式３）に含まれる複数の予備定数を決定するように構成されている。

【0076】

【数3】

【0077】

ここで、
η：粘度
η_ｉ：予備定数
ｄγ／ｄｔ：せん断速度
ｎ_ｉ：予備定数
α_ｉ：予備定数
Ｔ：温度
例えば、予備定数決定部３０７では、（数式３）に含まれる予備定数を「ＭＦＲ」ごとに教師データである分類データ群との誤差が最小になるようにニューラルネットワークを学習させる。ここで、予備定数を決定する一例について説明する。

【0078】

（数式３）の対数を取ると、以下の（数式４）が得られる。

【0079】

【数4】

【0080】

この（数式４）において、「ｌｎ（ｄγ／ｄｔ）」と「Ｔ」を変数として、機械学習を使用して重回帰分析（Ｌａｓｓｏ回帰やＲｉｄｇｅ回帰）する。これにより、予備定数決定部３０７によって、Ｎ個の異なる「ＭＦＲ」ごとに予備定数（η_ｉ、ｎ_ｉ、α_ｉ）「ｉ＝１・・・Ｎ」を決定することができる。

【0081】

平均値算出部３０８は、Ｎ個の異なる「ＭＦＲ」ごとに決定された複数の予備定数のうちの一部の予備定数について平均値を算出するように構成されている。具体的に、平均値算出部３０８は、予備定数「α_ｉ」について、以下の（数式５）に基づいて平均値「＜α＞」を算出するとともに、予備定数「ｎ_ｉ」について、以下の（数式６）に基づいて平均値「＜ｎ＞」を算出するように構成されている。

【0082】

【数5】

【0083】

【数6】

【0084】

そして、定数決定部３０２は、上述した平均値を初期値とするとともに既知データ群を教師データとして、入力を「ＭＦＲ」と温度とせん断速度とするとともに出力を粘度とするニューラルネットワークを学習させることにより、（数式２）に含まれる定数を決定するように構成されている。

【0085】

例えば、（数式２）の対数を取ると、以下の（数式７）が得られる。

【0086】

【数7】

【0087】

この（数式７）において、「ｎ」と「α」に対する初期値として上述した平均値を代入した後、既知データ群を教師データとして、入力を「ＭＦＲ」と温度とせん断速度とするとともに出力を粘度とするニューラルネットワークを学習させることにより、（数式７）に含まれる定数を決定することができる。

【0088】

＜＜粘度推定装置の動作＞＞
図９は、粘度推定装置の動作を説明するフローチャートである。

【0089】

図９において、まず、入力部３０１は、既知データ群を入力する（Ｓ３０１）。そして、入力部３０１に入力された既知データ群は、データ記憶部３０５に記憶される。次に、分類部３０６は、データ記憶部３０５に記憶されている既知データ群を同一の「ＭＦＲ」ごとの分類データ群に分類する（Ｓ３０２）。例えば、既知データ群の中に「ＭＦＲ」がＮ種類ある場合、分類部３０６は、既知データ群をＮ種類の分類データ群に分類する。そして、分類部３０６で分類された分類データ群もデータ記憶部３０５に記憶される。

【0090】

続いて、粘度推定装置１００は、「Ｎ＝１」に設定した後（Ｓ３０３）、予備定数決定部３０７は、第Ｎ分類データに基づいて、（数式３）に含まれる予備定数を決定する（Ｓ３０４）。具体的に、予備定数決定部３０７は、第Ｎ分類データを教師データとして、入力を「温度」と「せん断速度」とするとともに出力を「粘度」とするニューラルネットワークを学習させることにより、（数式３）に含まれる予備定数を決定する。

【0091】

その後、粘度推定装置１００は、「Ｎ＝Ｎｍａｘ」であるか判定する（Ｓ３０５）。

【0092】

ここで、粘度推定装置１００は、「Ｎ＝Ｎｍａｘ」ではないと判定すると、「Ｎ＝Ｎ＋１」として（Ｓ３０６）、Ｓ２０４を繰り返す。そして、この繰り返しは、「Ｎ＝Ｎｍａｘ」になるまで続けられる。その後、粘度推定装置１００は、「Ｎ＝Ｎｍａｘ」であると判定すると、平均値算出部３０８は、Ｎ個の異なる「ＭＦＲ」ごとに決定された複数の予備定数のうちの一部の予備定数について平均値を算出する（Ｓ３０７）。

【0093】

次に、定数決定部３０２は、上述した平均値を初期値とするとともに既知データ群を教師データとして、入力を「ＭＦＲ」と温度とせん断速度とするとともに出力を粘度とするニューラルネットワークを学習させることにより、（数式２）に含まれる定数を決定する（Ｓ３０８）。これにより、決定された定数を（数式２）に代入して、最終的に、粘度と「ＭＦＲ」とを関係付ける関係式（数式２）を決定することができる（Ｓ３０９）。

【0094】

＜効果の検証＞
本実施の形態によれば、「ＭＦＲ」に基づいて粘度を推定することができる。

【0095】

以下では、本実施の形態で推定された粘度が実測された粘度と高精度に一致するという検証結果について説明する。具体的に、樹脂材料として熱可塑性ポリウレタンを使用して、本実施の形態における技術的思想の有用性を検証したので、この検証結果を説明する。

【0096】

グレードは同じであるが、製造ロットの異なる４種類の熱可塑性ポリウレタンを用意した。そして、それぞれの熱可塑性ポリウレタンについて、「ＭＦＲ」をメルトインデクサ（東洋精機製）にて温度２００℃および荷重５ｋｇで計測した。

【0097】

粘度は、キャピログラフ（東洋精機製）にて、温度１８５℃～２１０℃、せん断速度６．０８～６０８０（１／ｓ）の間で変化させて計測した。合計の計測点数は６０点である。

【0098】

製造ロットの異なる４種類のサンプルのうち、３種類のサンプルデータを既知データ群として「ＭＦＲ」を取り入れた（数式２）の定数を決定した。すなわち、３種類のサンプルデータを教師データとして機械学習によって、（数式２）の定数を決定した。

【0099】

図１０は、定数の決定に使用していないサンプルでの粘度実測値と、「ＭＦＲ」を考慮した（数式２）を使用して推定した粘度推定値との比較結果を示すグラフである。図１０において、縦軸は粘度実測値を示している一方、横軸は粘度推定値を示している。

【0100】

図１０から算出された粘度実測値と粘度推定値との相関係数は、「０．９８９３」であり、ほぼ１であることがわかる。ここで、相関係数が１に近いほど、粘度実測値と粘度推定値との誤差が小さいことを考慮すると、図１０の検証結果は、本実施の形態で推定された粘度が実測された粘度と高精度に一致することを裏付けているということができる。

【0101】

次に、図１１は、粘度を実測する技術（比較例）と、「ＭＦＲ」を使用して粘度を推定する本実施の形態における技術的思想との対比結果を示す表である。

【0102】

図１１に示すように、比較例では、キャピラリ型レオメータで温度を３水準およびせん断速度を５水準という合計１５点のデータを取った場合の計測時間が示されている。この結果、比較例での粘度の計測時間は３時間～６時間程度必要であり、樹脂材料も約１５０ｇ使用する。図１１に示す結果に基づくと、比較例では、粘度の計測時間が長くなることから、成型品の製造工程ラインでの運用は困難であることがわかる。

【0103】

これに対し、図１１の本実施の形態の欄には、「ＭＦＲ」に基づく粘度の推定に要する時間と使用される樹脂材料の量が示されている。図１１において、本実施の形態によれば、「ＭＦＲ」は、温度を１水準でＮ＝３（Ｎは種類）で計測した場合、約１時間程度で終了する。また、「ＭＦＲ」が既知であれば、計測する必要はなく計算するだけなので、数秒で終了する。また、樹脂材料の使用量は、「ＭＦＲ」を計測する場合、１５０ｇであり、比較例と同等である。このような図１１に示す結果に基づくと、本実施の形態では、短時間で粘度を推定することができるとともに、粘度の推定精度が高いことから（図１０参照）、成型品の製造工程ラインでの運用が可能となる。

【0104】

したがって、本実施の形態は、粘度の測定は難しく手間がかかるため、粘度の測定に基づいて成型条件を調整することを実現することが困難であるという従来の認識を覆している。そして、「ＭＦＲ」をうまく利用して容易に粘度を把握できることを実現した技術的思想は、成型品の製造工程ラインにおいて、粘度変化を吸収するように成型条件を調整することが容易になる点で重要な技術的意義を有しているということができる。

【0105】

以下では、本実施の形態における技術的思想を利用した成型品の製造工程を説明する。

【0106】

＜成型品の製造方法＞
図１２は、「ＭＦＲ」に基づいて粘度を推定する本実施の形態における技術的思想を取り入れた成型品の製造方法の流れを示すフローチャートである。

【0107】

図１２において、まず、本実施の形態における技術的思想を使用して、「ＭＦＲ」に基づく粘度の推定を行う（Ｓ４０１）。この結果、粘度を推定できる。そして、推定された粘度に基づいて、成型条件の調整を行う（Ｓ４０２）。具体的には、粘度を推定することにより、粘度変化を把握することができることから、この粘度変化を吸収するように温度やせん断速度などの成型条件を調整する。特に、粘度変化に対してどのように成型条件を調整すればよいかということは経験などから把握することができる。したがって、この経験に基づいて、粘度変化に対する成型条件の調整は、プログラムによって自動化することができる。この自動化を実現することができれば、推定された粘度が入力されると、自動的に成型条件が出力されるという構成を実現できる。その後、調整された成型条件で樹脂の成型を行う（Ｓ４０３）。この結果、本実施の形態における成型品の製造方法によれば、樹脂材料の粘度変化に応じて、その都度、温度やせん断速度などの成型条件を最適化することができる。すなわち、本実施の形態における成型品の製造方法によれば、粘度変化を吸収するように成型条件を調整することができることから、成型品の品質を維持することができるという顕著な効果を得ることができる。

【0108】

以上、本発明者によってなされた発明をその実施の形態に基づき具体的に説明したが、本発明は前記実施の形態に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能であることは言うまでもない。

【0109】

樹脂材料には、プラスチック材料やゴム材料などが含まれ、「ＭＦＲ」を取得できれば、本実施の形態における技術的思想を適用できる樹脂材料の種類は限定されない。すなわち、本実施の形態における技術的思想は、粘度変化が品質に影響を与える樹脂材料であって「ＭＦＲ」を取得できる樹脂材料に幅広く適用することができる。

【符号の説明】

【0110】

１ バレル
２ 樹脂
３ ピストンヘッド
４ ピストン
５ 錘
６ ダイ
１０ 測定装置
１００ 粘度推定装置
１０１ ＣＰＵ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ ディスプレイ
１０５ キーボード
１０６ マウス
１０７ 通信ボード
１０８ リムーバルディスク装置
１０９ ＣＤ／ＤＶＤ－ＲＯＭ装置
１１０ プリンタ
１１１ スキャナ
１１２ ハードディスク装置
１１３ バス
２０１ オペレーティングシステム
２０２ プログラム群
２０３ ファイル群
３０１ 入力部
３０２ 定数決定部
３０３ 粘度推定部
３０４ 出力部
３０５ データ記憶部
３０６ 分類部
３０７ 予備定数決定部
３０８ 平均値算出部
４００ 既知データ群
４００Ａ 第１分類データ群
４００Ｂ 第２分類データ群
４００Ｃ 第３分類データ群

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】