再生材のロットが変わった。射出成形品の何を確認する？材料ロット変更時の比較と成形条件の見直し

研究では何が課題で、何を行ったか

八木らは、メカニカルリサイクル材では、回収材のグレードや熱履歴が異なるため材料ロット間の特性ばらつきが大きくなりやすく、その影響で射出成形品の品質管理が難しくなる場合があることを課題として挙げています。[1]

また、生産現場では投資コストや保守リスクの面から、金型内に新しいセンサを設置しにくい場合があります。そこで著者らは、金型内センサを追加せず、材料ロットごとに成形条件を調整して成形品重量を安定させる方法を検討しました。

研究の流れを整理すると、次の4段階です。

PPはポリプロピレンの略です。材料には廃家電由来のポリプロピレンリサイクル材を使っています。

成形機はFANUC ROBOSHOT α-i50A、金型は5点ピンゲート構造でした。5点ピンゲート構造は、5か所のピンゲートから樹脂を金型内へ充填する構造です。

基準条件は次の3項目です。

各ロットを40個ずつ成形し、品質指標として成形品重量を測定しました。寸法など重量以外の品質指標は、この研究では今後の検証課題として挙げられています。[1]

ロット内ばらつきとロット間ばらつき

ここで使う標準偏差は、測定値が平均値の周りにどの程度散らばっているかを表す指標です。

八木らは、ロット内ばらつきを「各ロット内で求めた重量の標準偏差を、ロット間で平均した値」、ロット間ばらつきを「各ロットの平均重量について求めた標準偏差」と定義しています。

報告値は次のとおりです。

• ロット内ばらつき：0.037
• ロット間ばらつき：0.89

この研究条件では、9ロット全体で見たロット間ばらつきが、ロット内ばらつきの約24倍でした。[1]

なお、後で出てくる「1.06」は、検証用に分けた6ロットだけを基準条件で比較したときのロット間ばらつきです。ここで示した「0.89」は9ロット全体の値なので、集計対象が異なります。

対象ロットの基準重量と成形条件から、別条件の重量を見積もる

基準条件でロットごとの重量差を確認したあと、八木らは、機械学習を使って「成形条件を変更した場合、重量がどうなるか」を実成形前に見積もる方法を検討しました。

簡単に言うと、新しいロットで何通りもの成形条件をすべて試す前に、機械学習を使って各条件での成形品重量を予測し、その予測結果から目標重量に近づきそうな条件を探すことを試みました。

研究では9ロットのうち3ロットを学習用に使い、この3ロットの実測データから成形条件と重量の関係を表す予測モデルを作りました。残る6ロットは検証用とし、作った予測モデルが学習に使っていないロットでもどの程度使えるかを確かめています。[1]

機械学習では何をするのか

機械学習では、実際に成形した試行ごとに、「成形条件」と「その条件で測定した重量」を記録した実測データを使います。

例えば、樹脂温度、射出速度、保圧を変えて成形した試行ごとに、そのときの成形品重量を記録します。こうした複数の実測データを使って、樹脂温度、射出速度、保圧を変えたときに、「成形品重量がどのくらいになるのか」を予測できるようにします。この処理を学習と呼びます。

学習した予測モデルに、まだ実際には試していない樹脂温度、射出速度、保圧を入力すると、その条件で成形した場合の重量を予測できます。

つまり、この研究では、まず実測データから「成形条件を入力すると、重量を予測できるモデル」を作り、その予測結果を使って目標重量63.90 gに近づきそうな条件を探しています。候補が見つかった後は、その条件で実際に成形して重量を確認しています。

八木らが予測モデルを作るために使ったデータ

八木らは、成形品重量を予測するため、回帰モデルを使いました。回帰モデルは、入力した条件や測定値から、重量のような数値を予測するモデルです。研究で使ったRidge回帰（リッジ回帰）は、この回帰モデルの一つです。

学習用の3ロットでは、ロット、樹脂温度、射出速度、保圧の組み合わせをL18直交表に割り付け、18サンプルのデータを取得しました。さらに、3つの学習用ロットをそれぞれ基準条件で成形した3サンプルを加え、合計21サンプルで回帰モデルを作っています。

L18直交表は、複数の条件を組み合わせて実験するときに、どの組み合わせを試すかを計画するための実験計画表の一つです。この研究では、限られた試行数で、ロット、樹脂温度、射出速度、保圧を組み合わせたデータを取得するために使っています。[1]

予測モデルへ入れる値（入力）と、予測する値（出力）を分けると次のようになります。

新しいロットで予測するときは、まずそのロットを基準条件で一度成形して重量を測ります。その基準重量と、候補となる樹脂温度、射出速度、保圧を予測モデルへ入力し、「この条件なら重量はどの程度になりそうか」という予測値を求めます。

目標63.90 gに近づく条件と実成形

八木らは成形品重量の目標を63.90 gに設定し、対象ロットの基準重量を固定した上で、樹脂温度、射出速度、保圧の候補を組み合わせて重量を予測し、予測重量が63.90 gに最も近くなる条件を探しました。

簡単に言うと、新しいロットで何通りもの条件を実際に成形して試す前に、候補となる成形条件ごとの重量を予測し、目標の63.90 gに最も近づきそうな条件を選んだということです。

このように、複数の候補から目標に近い条件を探す作業を、この記事では条件探索と呼びます。

条件探索に使う最大値と最小値は、研究者らが成形機と金型へ悪影響を与えない範囲として設定しています。[1]

検証6ロットで最終的に抽出された条件値は、次の範囲でした。

この表は、検証6ロットについて最終的に抽出された条件値の最小値と最大値をまとめたものです。探索候補全体の上下限とは区別して読みます。

研究者らは、予測によって選んだ成形条件で実際に射出成形し、成形品重量を確認しました。

検証に使った6ロットでは、ロット間の重量ばらつきが、基準条件での1.06から、選んだ成形条件では0.36まで小さくなりました。論文では、ロット間ばらつきが約2.9倍改善したと報告されています。[1]

簡単に言うと、ロットごとに成形条件を調整することで、6ロットの成形品重量の違いを全体として小さくできたということです。

また、6ロットはいずれも、基準条件で成形したときより成形品重量が目標63.90 gに近づきました。一方、3ロットでは、ほかのロットと比べて目標値との差が大きく残りました。[1]

つまり、6ロットすべてで成形品重量は目標値に近づき、ロット間の重量差も小さくなりましたが、目標重量への近づき方にはロットごとの差が見られました。

学習データから離れたロットの扱い

予測モデルを用いて予測する場合、予測したいロットや成形条件が、予測モデルを作るときに使った実測データに近い範囲にあるかどうかが、予測値の信頼性を考えるうえで重要です。過去の実測データから大きく離れたロットや条件では、予測した値と実際の結果がずれる可能性があります。

判断には、データ数に加えて、予測したいロットや条件の近くに参考になる学習データがあるかどうかも関係します。例えば、データが多くても、すべて似た材料や狭い条件範囲に偏っていれば、そこから大きく離れたロットや条件を予測するときに参考にできるデータは少なくなります。

そこで八木らは、入力する値がモデル作成用データからどの程度離れているかを確認するため、Applicability Domain（適用範囲、AD）を設定しました。

ADは、予測したいロットや条件が、モデル作成に使ったデータに近い範囲にあるかを見るための考え方です。

検証6ロットのうち1ロットは基準条件でもAD外となり、条件探索後もAD外でした。論文では、このロットで予測値と実測値が離れた理由を、学習データとの距離から考察しています。[1]

簡単に言うと、ADは、「今回予測したいロットや条件の近くに、予測モデルを作るときに使ったデータがあるか」を確認するための目安です。

似た学習データがある範囲では、そのデータをもとに予測できます。学習データから大きく離れたロットや条件では、予測値と実測値がずれる可能性があります。そのため、ADを確認した後も、選んだ条件で実際に成形し、成形品重量などの結果を確認することが重要です。