二軸押出機の運転条件、次にどこを変える？回転数、吐出量、温度と混練結果の見方

一回の試験では、設定した運転条件と、押出中の状態、品質結果を対応づけて記録します。この形で記録すると、試験同士を比べやすくなります。

二軸押出機メーカーのテクノベルは、運転中に変更できる操作変数の例として、スクリュ回転数、材料投入量、バレルや金型の温度設定を挙げています。[1]

Thermo Fisher Scientificの二軸混練に関する技術資料では、スクリュ回転数や供給量と、溶融温度や滞留時間などのプロセス状態との関係が説明されています。[2]

これらの技術資料で扱われている項目を参考に、表1では次のように分けました。

運転条件（設定する値）

• スクリュ回転数
• 吐出量
• バレル設定温度

押出中の状態（測定・確認する値）

• 樹脂温度
• トルク負荷
• ダイ圧力

品質結果（できあがった材料の評価）

• 社内品質指標

一つの試験について、この3種類の情報を同じ行に記録すると、「どの条件で、押出中に何が起き、どの品質になったか」を後から追いやすくなります。

試験結果を比べるときは、材料名や配合、スクリュ構成、使用した押出機、フィーダー条件、測定方法も確認します。例えばBとCで材料配合やスクリュ構成まで違っていれば、結果の差がスクリュ回転数によるものか、材料配合やスクリュ構成によるものかを切り分けられません。

運転条件を変えると、材料が受けるせん断や熱、材料が押出機内にとどまる時間（滞留時間）も変わります。そのため、スクリュ回転数や吐出量を変えた試験では、設定した運転条件と一緒に樹脂温度や圧力も記録します。

テクノベルの技術解説では、スクリュ回転数は材料に加わるせん断速度、材料投入量はスクリュ溝内の充満状態に関係すると説明されています。バレル温度は、ヒーターで材料を外側からどの程度加熱するかを決める設定です。[1]

同じ資料では、吐出部の樹脂温度は材料が受けた熱履歴を確認する値、樹脂圧力はダイ内の流動状態や圧力バランスを確認する値として説明されています。材料が押出機内にとどまる時間（滞留時間）は、スクリュ回転数、投入量、スクリュ構成などによって変わります。[1]

つまり、運転条件を変えた試験では、設定値と実測値をセットで見ることが大切です。回転数や吐出量を変えた結果、樹脂温度や圧力がどう変わったかまで記録すると、条件変更によって押出中の状態がどう変化したかを追いやすくなります。

Thermo Fisher Scientificの技術資料では、供給量を増やすと平均滞留時間が短くなり、滞留時間分布の幅も小さくなると説明されています。また、高いスクリュ回転数では、混練部への機械的エネルギー入力（スクリュの回転によって材料に与えられる、せん断・混練のエネルギー）が増え、その結果、溶融樹脂の温度が高くなった例を示しています。[2]

簡単に言うと、吐出量を変えると材料が押出機内にとどまる時間（滞留時間）が変わります。スクリュ回転数を上げると材料へのせん断が強くなり、その機械的な仕事の一部が熱に変わることで、樹脂温度が上がる場合があります。これがせん断発熱です。回転数を変えた試験で、品質結果と実際の樹脂温度を一緒に確認する理由がここにあります。[2][3]

Takadaらは、PPS（ポリフェニレンサルファイド）とエラストマーを高速二軸押出機で混練した研究で、バレル温度を300℃に固定し、スクリュ回転数を変化させて樹脂温度と衝撃強度を調べています。最初の混練部直後で測定した樹脂温度T1は回転数とともに上昇し、最大417℃に達した条件がありました。高い樹脂温度の条件では、材料の熱劣化とCharpy衝撃強度の低下も確認されています。[3]

試験数や条件の組み合わせが増えると、表を目で追うだけでは、どの運転条件や押出中の測定値が品質と強く関係しているかを見つけにくくなります。Takadaらの研究は、蓄積した二軸押出データを解析し、その結果を次の試験条件へつなげた具体例です。

Takadaらは130条件の実験データを使い、エラストマーの種類、配合量、スクリュ回転数などの運転条件に加えて、モータートルク、樹脂圧力、複数位置の樹脂温度などをRandom Forest（機械学習手法の一つ）で解析しました。予測したのはCharpy衝撃強度で、材料が衝撃を受けたときの壊れにくさを評価する指標です。[3]

解析では、エラストマー配合量に次いで、最初の混練部直後で測定した樹脂温度T1がCharpy衝撃強度の予測に強く寄与しました。研究者らはこの結果を受けてバレル温度を下げ、T1を約310℃に保つ条件を追加で試験し、衝撃強度が実際に高くなることを確認しています。[3]

簡単に言うと、この研究では、高いスクリュ回転数でせん断発熱が大きくなり、樹脂温度T1が上がりすぎると材料が劣化し、衝撃強度が低下することが問題になっていました。そこで蓄積したデータを機械学習で解析したところ、最終的な衝撃強度を予測するうえでT1が重要な手掛かりだと分かりました。研究者らは、T1を約310℃に保つようにバレル温度を調整し、追加実験で衝撃強度の向上を確認しました。[3]

機械学習手法の一つであるRandom Forestでは、過去の試験データから、スクリュ回転数や樹脂温度などの項目とCharpy衝撃強度との関係を学習します。機械学習では、学習した関係を使って、入力した条件や測定値からCharpy衝撃強度を予測します。この予測に使う仕組みを「モデル」と呼びます。

Random Forestでは、予測に使ったスクリュ回転数、配合量、樹脂温度などの各項目について、その項目が予測にどの程度役立ったかを数値で表すことができます。この数値を「重要度」と呼びます。簡単に言うと、機械学習でCharpy衝撃強度を予測するときに、どの項目がどの程度重要な手掛かりになったかを数値で比べたものです。

Takadaらの研究では、エラストマー配合量の重要度が50%以上で最も高く、次に、最初の混練部直後で測定した樹脂温度T1が17%でした。それ以外の項目は10%未満でした。つまり、T1の17%はエラストマー配合量より低いものの、ほかの項目と比べると、Charpy衝撃強度を予測するうえで重要な手掛かりだったことを示しています。[3]

この17%は、このRandom Forestモデルにおける予測上の重要度を表した値です。T1を変えたときにCharpy衝撃強度が17%変化する、という意味の数値とは異なります。T1と衝撃強度の関係をさらに確かめるには、解析結果をもとに実際の運転条件を変え、追加実験で結果を確認します。

そこでTakadaらは、解析結果だけで判断を終えず、T1が約310℃になるようにバレル設定温度を下げて追加実験を行いました。その結果、衝撃強度が実際に高くなることを確認しています。

この研究は、機械学習で「品質を予測するときに注目すべき項目」を見つけ、その解析結果を参考に次の運転条件を決め、実機で確認するという進め方を示しています。データ解析で注目すべき項目を絞り、その項目を確認するための運転条件を決めて実機で試します。そこで得た実測値を試験データに加え、次の運転条件を決める材料にします。