WO2019188931A1 - 巻き取り条件生成装置、巻き取り装置、巻き取り欠陥レベル予測値生成装置、巻き取り条件算出方法、巻き取り方法、及び巻き取り欠陥レベル予測値生成方法 - Google Patents

巻き取り条件生成装置、巻き取り装置、巻き取り欠陥レベル予測値生成装置、巻き取り条件算出方法、巻き取り方法、及び巻き取り欠陥レベル予測値生成方法 Download PDF

Info

Publication number
WO2019188931A1
WO2019188931A1 PCT/JP2019/012408 JP2019012408W WO2019188931A1 WO 2019188931 A1 WO2019188931 A1 WO 2019188931A1 JP 2019012408 W JP2019012408 W JP 2019012408W WO 2019188931 A1 WO2019188931 A1 WO 2019188931A1
Authority
WO
WIPO (PCT)
Prior art keywords
winding
web
condition
defect level
teacher data
Prior art date
Application number
PCT/JP2019/012408
Other languages
English (en)
French (fr)
Inventor
善仁 松村
Original Assignee
富士フイルム株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 富士フイルム株式会社 filed Critical 富士フイルム株式会社
Priority to JP2020510048A priority Critical patent/JP7360381B2/ja
Priority to CN201980018593.5A priority patent/CN111836769B/zh
Publication of WO2019188931A1 publication Critical patent/WO2019188931A1/ja
Priority to US17/025,069 priority patent/US11960992B2/en
Priority to JP2022094278A priority patent/JP7430218B2/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H23/00—Registering, tensioning, smoothing or guiding webs
    • B65H23/04—Registering, tensioning, smoothing or guiding webs longitudinally
    • B65H23/18—Registering, tensioning, smoothing or guiding webs longitudinally by controlling or regulating the web-advancing mechanism, e.g. mechanism acting on the running web
    • B65H23/195—Registering, tensioning, smoothing or guiding webs longitudinally by controlling or regulating the web-advancing mechanism, e.g. mechanism acting on the running web in winding mechanisms or in connection with winding operations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H18/00—Winding webs
    • B65H18/08—Web-winding mechanisms
    • B65H18/26—Mechanisms for controlling contact pressure on winding-web package, e.g. for regulating the quantity of air between web layers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H23/00—Registering, tensioning, smoothing or guiding webs
    • B65H23/005—Sensing web roll diameter
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H23/00—Registering, tensioning, smoothing or guiding webs
    • B65H23/04—Registering, tensioning, smoothing or guiding webs longitudinally
    • B65H23/18—Registering, tensioning, smoothing or guiding webs longitudinally by controlling or regulating the web-advancing mechanism, e.g. mechanism acting on the running web
    • B65H23/195—Registering, tensioning, smoothing or guiding webs longitudinally by controlling or regulating the web-advancing mechanism, e.g. mechanism acting on the running web in winding mechanisms or in connection with winding operations
    • B65H23/1955—Registering, tensioning, smoothing or guiding webs longitudinally by controlling or regulating the web-advancing mechanism, e.g. mechanism acting on the running web in winding mechanisms or in connection with winding operations and controlling web tension
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H23/00—Registering, tensioning, smoothing or guiding webs
    • B65H23/04—Registering, tensioning, smoothing or guiding webs longitudinally
    • B65H23/18—Registering, tensioning, smoothing or guiding webs longitudinally by controlling or regulating the web-advancing mechanism, e.g. mechanism acting on the running web
    • B65H23/195—Registering, tensioning, smoothing or guiding webs longitudinally by controlling or regulating the web-advancing mechanism, e.g. mechanism acting on the running web in winding mechanisms or in connection with winding operations
    • B65H23/198—Registering, tensioning, smoothing or guiding webs longitudinally by controlling or regulating the web-advancing mechanism, e.g. mechanism acting on the running web in winding mechanisms or in connection with winding operations motor-controlled (Controlling electrical drive motors therefor)
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H26/00—Warning or safety devices, e.g. automatic fault detectors, stop-motions, for web-advancing mechanisms
    • B65H26/02—Warning or safety devices, e.g. automatic fault detectors, stop-motions, for web-advancing mechanisms responsive to presence of irregularities in running webs
    • B65H26/04—Warning or safety devices, e.g. automatic fault detectors, stop-motions, for web-advancing mechanisms responsive to presence of irregularities in running webs for variation in tension
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H26/00—Warning or safety devices, e.g. automatic fault detectors, stop-motions, for web-advancing mechanisms
    • B65H26/06—Warning or safety devices, e.g. automatic fault detectors, stop-motions, for web-advancing mechanisms responsive to predetermined lengths of webs
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H26/00—Warning or safety devices, e.g. automatic fault detectors, stop-motions, for web-advancing mechanisms
    • B65H26/08—Warning or safety devices, e.g. automatic fault detectors, stop-motions, for web-advancing mechanisms responsive to a predetermined diameter
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H2404/00—Parts for transporting or guiding the handled material
    • B65H2404/50—Surface of the elements in contact with the forwarded or guided material
    • B65H2404/52—Surface of the elements in contact with the forwarded or guided material other geometrical properties
    • B65H2404/521—Reliefs
    • B65H2404/5212—Reliefs produced by embedding particles
    • B65H2404/52122—Reliefs produced by embedding particles by subjecting to knurling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H2404/00—Parts for transporting or guiding the handled material
    • B65H2404/50—Surface of the elements in contact with the forwarded or guided material
    • B65H2404/52—Surface of the elements in contact with the forwarded or guided material other geometrical properties
    • B65H2404/522—Surface of the elements in contact with the forwarded or guided material other geometrical properties details of surface roughness and/or surface treatment
    • B65H2404/5221—Surface of the elements in contact with the forwarded or guided material other geometrical properties details of surface roughness and/or surface treatment knurling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H2511/00—Dimensions; Position; Numbers; Identification; Occurrences
    • B65H2511/10—Size; Dimensions
    • B65H2511/11—Length
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H2511/00—Dimensions; Position; Numbers; Identification; Occurrences
    • B65H2511/10—Size; Dimensions
    • B65H2511/13—Thickness
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H2511/00—Dimensions; Position; Numbers; Identification; Occurrences
    • B65H2511/10—Size; Dimensions
    • B65H2511/14—Diameter, e.g. of roll or package
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H2511/00—Dimensions; Position; Numbers; Identification; Occurrences
    • B65H2511/10—Size; Dimensions
    • B65H2511/16—Irregularities, e.g. protuberances
    • B65H2511/166—Irregularities, e.g. protuberances relative to diameter, eccentricity or circularity
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H2513/00—Dynamic entities; Timing aspects
    • B65H2513/10—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H2515/00—Physical entities not provided for in groups B65H2511/00 or B65H2513/00
    • B65H2515/30—Forces; Stresses
    • B65H2515/37—Elasticity modulus
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H2557/00—Means for control not provided for in groups B65H2551/00 - B65H2555/00
    • B65H2557/30—Control systems architecture or components, e.g. electronic or pneumatic modules; Details thereof
    • B65H2557/38—Control systems architecture or components, e.g. electronic or pneumatic modules; Details thereof for neural adaptive control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H2557/00—Means for control not provided for in groups B65H2551/00 - B65H2555/00
    • B65H2557/60—Details of processes or procedures
    • B65H2557/63—Optimisation, self-adjustment, self-learning processes or procedures, e.g. during start-up

Definitions

  • the present invention relates to a winding condition generation device, a winding device, a winding defect level predicted value generation device, a winding condition calculation method, a winding method, and a winding defect level predicted value generation method.
  • a web When manufacturing a thing using webs, such as a thin metal plate, paper, and a plastic film, a web is wound up with a winding device, after processing, such as application and drying, for example.
  • the winding web produced by the winding device is stored and transported in the form of a roll.
  • the winding web is required to be free from web winding deviation and web damage.
  • Web misalignment is a phenomenon in which a web wound on a roll is displaced in the width direction of the web.
  • Web damage is a phenomenon in which wrinkles, dents, patterns, and the like are deformed on a web wound around a roll.
  • Winding the web tightly such as increasing the tension at the time of winding the web against the web winding deviation, is effective in suppressing the web winding deviation.
  • tightly winding the web can cause damage to the web.
  • winding the web loosely such as reducing the tension when winding the web against the web damage, is effective in suppressing the web damage.
  • loosely winding the web also causes web misalignment.
  • Patent Document 1 Patent Document 2
  • JP 2017-100850 A Japanese Patent No. 5776077
  • Patent Document 1 and Patent Document 2 a theoretical model is used to obtain the winding tension.
  • a theoretical model is used, it is limited to a range that takes the theoretical model into consideration.
  • the actual web winding does not always fit the theoretical model. If the theoretical model does not fit, it is difficult to construct a highly accurate winding condition.
  • the present invention has been made in view of such circumstances, and a winding condition generating device, a winding device, a winding device capable of constructing a winding condition suitable for an actual result regardless of the suitability of a theoretical model.
  • An object of the present invention is to provide a winding defect level predicted value generation device, a winding condition calculation method, a winding method, and a winding defect level predicted value generation method.
  • the winding condition generation device is a winding condition generation device including an input unit, an output unit, and a condition calculation unit, and the condition calculation unit is a winding that satisfies a target winding quality.
  • a learning model created by machine learning using the combination of winding parameters and winding conditions when creating the winding web as teacher data, and learning from the winding parameters of the new winding web input from the input unit
  • a winding condition generating device that calculates a winding condition of a new winding web using a model, and the output unit outputs the winding condition.
  • the winding parameters include a web width and a web conveyance speed. And the winding length of the web, and the winding condition includes the tension of the web at the start of winding and the tension of the web at the end of winding.
  • the winding parameters include the diameter of the winding core for winding the web, the name of the line on which the winding web was produced, the thickness of the web, the maximum thickness and the minimum thickness in the web width direction.
  • the winding condition includes the diameter at the end of winding of the web, the knurling height, the pressure of the air press that presses the web, and the pressing force of the touch roller that presses the web.
  • the target winding quality is that the web winding defect and the web damage defect do not occur.
  • the machine learning includes a neural network and deep learning.
  • the value of each winding condition item is C ni , If taken condition item in the value C ni set the quality tolerance value in the T ni, and the number of items that the quality tolerance value T ni is set to N, the range obtained by the following formula for each item Is added to the winding condition, and 3 N -1 teacher data or a part of the teacher data is added as additional teacher data.
  • the winding condition includes a tension function expressed with respect to a radial coordinate of the winding roll, an air press pressure function for pressing the web, and a pressing force of the touch roller. Contains any of the functions.
  • the winding condition generation apparatus includes a machine learning unit that performs machine learning using a combination of a winding parameter and a winding condition when a winding web satisfying a target winding quality is produced as a teacher data. .
  • the winding device for winding the web according to the eighth aspect winds the web by using the winding condition calculated by the winding condition generating device.
  • a defect level predicted value generation apparatus is a winding defect level predicted value generation apparatus including an input unit, an output unit, and a predicted value calculation unit, and the predicted value calculation unit includes a winding web.
  • the predicted value calculation unit includes a winding web.
  • the parameters are the width of the web, the web conveyance speed, the web winding length, the diameter of the winding core around which the web is wound, the name of the line on which the winding web was produced, the web Web thickness, the difference between the maximum thickness and the minimum thickness in the web width direction, and the elastic modulus of the web, and the winding conditions include the tension of the web at the start of winding, the tension of the web at the end of winding, and the knurling height.
  • the pressure of the air press that presses the web, and the pressing force of the touch roller that presses the web, and the predicted value of the winding defect level includes the amount of winding deviation of the web and the level of damage defect of the web .
  • a winding condition generation apparatus is a learning model in the above-described winding defect level predicted value generation apparatus, which inputs a winding condition and outputs a web winding shift amount and a level of a damaged defect in the web.
  • a defect level calculation model and a winding condition calculation unit, and the winding condition calculation unit calculates the sum of the amount of web winding deviation and the level of damaged defects of the web, which is the output of the defect level calculation model.
  • the winding condition is the design variable, and until the objective function becomes small, the design variable is changed by evolutionary calculation until the objective function is minimized. Output as.
  • the winding condition calculation method includes a step of creating a learning model by machine learning using, as teacher data, a combination of a winding parameter and a winding condition when a winding web satisfying a target winding quality is manufactured.
  • a winding condition calculation method comprising: a step of inputting a winding parameter of the new winding web; and a step of calculating a winding condition of the new winding web from the winding parameter using a learning model.
  • the winding parameters include the web width, the web conveyance speed, and the web winding length, and the winding conditions include the web tension at the start of winding and the web tension at the end of winding.
  • the winding parameter includes the diameter of the core around which the web is wound, the name of the line on which the wound web was produced, the thickness of the web, the maximum thickness and the minimum thickness in the web width direction.
  • the winding condition includes at least one of the difference and the elastic modulus of the web, and the winding condition includes the diameter of the winding end of the web, the knurling height, the pressure of the air press that presses the web, and the pressing force of the touch roller that presses the web. Including at least one.
  • the value of each winding condition item is C ni, and winding is performed.
  • the quality allowable range value set for the condition item value C ni is T ni and the number of items for which the quality allowable range value T ni is set is N
  • the range obtained by the following formula for each item is In addition to the winding condition, a step of adding 3 N ⁇ 1 teacher data or a part of the teacher data as additional teacher data is included.
  • the winding condition includes a tension function expressed with respect to the radial coordinate of the winding roll, an air press pressure function for pressing the web, and a function of the pressing force of the touch roller.
  • the winding method includes a step of calculating the winding condition by the above-described winding condition calculation method and a step of winding the web using the calculated winding condition.
  • machine learning is performed on a combination of teacher data in which a take-up parameter and a take-up condition when a take-up roll is manufactured are input and a take-up defect level value is output
  • a learning model is used to create a learning model to be used, a step of inputting a winding parameter and a winding condition of the new winding web, and a winding parameter and a winding condition.
  • a winding defect level prediction value generation method comprising at least a winding defect level prediction value, wherein the winding parameters include a web width, a web conveyance speed, and a web winding length, The diameter of the winding core for winding the web, the name of the line on which the winding web was made, the thickness of the web, and the maximum thickness in the web width direction Including at least one of the difference from the minimum thickness and the elastic modulus of the web, and the winding conditions include the tension of the web at the start of winding, the tension of the web at the end of winding, the knurling height, the pressure of the air press that presses the web, And at least one of the pressing forces of the touch roller that presses the web, and the winding defect level prediction value includes the amount of winding deviation of the web and the level of damage defect of the web.
  • the winding parameters include a web width, a web conveyance speed, and a web winding length, The diameter of the winding core for winding the web, the name of the line on
  • a winding condition generation method is a learning model in the above-described winding defect level predicted value generation apparatus, which inputs a winding condition and outputs a web winding shift amount and a level of damaged defects in the web.
  • a defect level calculation model manufacturing step and a winding condition calculation step wherein in the winding condition calculation step, each of the amount of web winding deviation and the level of damaged defect of the web, which is the output of the defect level calculation model
  • the winding condition as the design variable, and until the objective function becomes small, the design variable is changed by evolutionary calculation until the objective function becomes small. Output as a capture condition.
  • FIG. 1 is a schematic block diagram of a winding condition generation apparatus.
  • FIG. 2 is a flowchart showing a winding condition calculation method.
  • FIG. 3 is a table showing an example of winding parameters and winding conditions included in the teacher data.
  • FIG. 4 is a table showing another example of the winding parameters and winding conditions included in the teacher data.
  • FIG. 5 is a schematic block diagram of the machine learning unit.
  • FIG. 6 is a schematic block diagram of the learning model.
  • FIG. 7 is a schematic view of a winding device for winding a web.
  • FIG. 8 is a schematic view of a winding device different from FIG.
  • FIG. 9 is a schematic block diagram of a winding defect level predicted value generation apparatus.
  • FIG. 1 is a schematic block diagram of a winding condition generation apparatus.
  • FIG. 2 is a flowchart showing a winding condition calculation method.
  • FIG. 3 is a table showing an example of winding parameters and winding conditions included in the teacher
  • FIG. 10 is a table showing an example of input data and output data included in the teacher data.
  • FIG. 11 is a table showing another example of input data and output data included in teacher data.
  • FIG. 12 is a schematic block diagram of the machine learning unit.
  • FIG. 13 is a schematic block diagram of the learning model.
  • FIG. 14 is a schematic block diagram of the winding condition generation apparatus.
  • FIG. 1 is a schematic block diagram of a winding condition generation apparatus. As illustrated in FIG. 1, the winding condition generation device 10 includes an input unit 20, a condition calculation unit 30, an output unit 40, and a storage unit 50.
  • the input unit 20 accepts data from the outside to the winding condition generation device 10.
  • the input unit 20 can be configured by, for example, a keyboard, a touch pad, a communication interface for electrical signals, and a combination thereof.
  • the configuration of the input unit 20 is not particularly limited. If the input unit 20 is a communication interface, data stored in another electronic device can be directly received from the input unit 20.
  • the communication interface may be wired or wireless.
  • the storage unit 50 stores data input from the input unit 20.
  • a plurality of teacher data TD 1 , teacher data TD 2 ... Teacher data TD n are stored in the storage unit 50.
  • a device including a magnetic disk such as an HDD (Hard Disk Drive), a device including a flash memory such as an eMMC (embedded Multi Media Card), an SSD (Solid State Drive), or the like can be used.
  • eMMC embedded Multi Media Card
  • SSD Solid State Drive
  • the teacher data TD n is information related to the winding web that has been confirmed to satisfy the target winding quality.
  • the target winding quality is that no web winding defect occurs and no web damage defect occurs.
  • the term “defect does not occur” includes both that no defect occurs and that the defect is within an allowable range.
  • quality data relates Preparation of winding web is extracted.
  • the teacher data TD 1 includes a winding parameter P 1 and a winding condition C 1
  • the teacher data TD 2 includes a winding parameter P 2 and a winding condition C 2
  • Each teacher data TD n includes a winding parameter P n and a winding condition C n
  • the winding parameter P n and the winding condition C n included in the teacher data TD n are information for producing a winding web, and the winding parameter P n and the winding condition C n are combined information.
  • the winding parameter P n is a precondition for producing the winding web
  • the winding condition C n is an operating condition or the like for actually producing the winding web. The contents of the winding parameter P n and the winding condition C n will be described later.
  • the condition calculation unit 30 includes a machine learning unit 32 and a learning model 34.
  • the machine learning unit 32 is configured to perform machine learning using a plurality of teacher data TD 1 , teacher data TD 2 ... Teacher data TD n as a teacher data group.
  • the winding parameter P n constitutes input teacher data.
  • Winding conditions C n is the output teacher data.
  • Machine learning unit 32 from a combination of a winding parameter P n and the winding condition C n teaching data TD n, described later, learns the correlation between the winding parameters P n and the winding condition C n.
  • the condition calculation unit 30 includes a learning result learned by the machine learning unit 32 as a learning model 34.
  • the learning model 34 calculates the winding condition C new of the new winding web as a predicted value from the winding parameter P new of the new winding web input from the input unit 20.
  • the novel winding web of winding parameters P new is referred to as a new winding parameters P new, to display the winding parameters P new in the figure.
  • the novel winding web of winding conditions C new is referred to as a new winding conditions C new, and displays the winding condition C new in the figure.
  • the condition calculation unit 30 includes the machine learning unit 32, but the condition calculation unit 30 only needs to include at least the learning model 34.
  • the output unit 40 outputs a new winding condition C new calculated by the learning model 34.
  • the output unit 40 can be configured by, for example, a display, a printer, a communication interface for electrical signals, and a combination thereof. If the output unit 40 is a communication interface, for example, a new winding condition Cnew can be directly transmitted to a control device (not shown) provided in the winding device. Similar to the input unit 20, the communication interface may be wired or wireless.
  • a winding condition calculation method using the winding condition generation device 10 will be described.
  • a learning model 34 is created by machine learning of the machine learning unit 32, for example, using the combination of the winding parameter P n and the winding condition C n as teacher data TD n (step S11). Using a plurality of training data TD n, it is preferable to learn.
  • a new winding parameter Pnew is input (step S12).
  • a new winding parameter P new is input to the learning model 34.
  • step S13 the learning model 34, from the input new winding parameters P new new, to calculate a new winding conditions C new as the predicted value (step S13).
  • the machine learning unit 32 Since the machine learning unit 32 creates the learning model 34 based on the teacher data TD n that satisfies the target winding quality, it is possible to obtain a new winding condition C new with a high expected value that enables high-quality winding. it can.
  • FIG. 3 is a table showing an example of a combination of a winding parameter P n and a winding condition C n that can be used for the teacher data TD.
  • the winding parameter P n includes, for example, a line name (also referred to as a line number), a winding core diameter (mm), a web width (mm), and a web conveyance speed (m / Min), web winding length (m), web thickness ( ⁇ m), difference between maximum thickness and minimum thickness ( ⁇ m) in web width direction thickness distribution, and web elastic modulus (GPa) Is included.
  • the line name is a name for identifying a production line, and a unique number is assigned to each line.
  • the diameter of the winding core for winding the web is the diameter of the winding core set in the winding device, and is also the diameter at which the web starts to be wound.
  • the width of the web is the length in the direction orthogonal to the longitudinal direction of the web.
  • the web transport speed is the speed of the web moving along the transport direction in the production line.
  • the winding length of the web is the length of the web on which the winding core is wound, and is the length of the web of the winding web (in a finished product roll state).
  • the thickness of the web is the distance between the two main surfaces facing each other.
  • the main surface is a surface with a large area.
  • the thickness of the web can be measured with a thickness meter.
  • the difference between the maximum thickness and the minimum thickness in the thickness distribution in the web width direction is the difference between the maximum thickness and the minimum thickness when the thickness is measured at a predetermined interval in the width direction of the web excluding a certain distance from both ends of the web. Is the difference. It can be measured with a continuous thickness meter (manufactured by Anritsu).
  • the elastic modulus of the web is a value measured with a Tensilon (tensile tester).
  • the winding condition C n winding start of the web tension (N), the winding end web tension (N), the knurling height ([mu] m), the diameter of the winding end of the web (mm), a touch roller for pressing the web 6 items of the pressing force (N) and the pressure (kPa) of the air press that presses the web.
  • the tension of the web at the start of winding is the tension applied to the web at the start of winding.
  • the web tension at the end of winding is the tension applied to the web when the web reaches the winding length.
  • the knurling height is the difference between the thickness of the knurling region formed at both ends of the web and the thickness of the region where no knurling is formed. Knurling is unevenness formed at both ends of the web.
  • the diameter at the end of winding of the web is the diameter of the web when the web reaches the winding length.
  • the pressing force of the touch roller that presses the web is a force by which the touch roller presses the web in the direction of the winding core when winding the web.
  • the pressure of the air press that presses the web is the pressure at which the air jetted from the nozzle presses the web in the direction of the core when the web is wound, or the internal pressure in the air nozzle at that time.
  • FIG. 4 is a table showing another example of a combination of a winding parameter P n and a winding condition C n that can be used for the teacher data TD.
  • the winding condition C n is a tension function (N) expressed with respect to the radial coordinate of the winding roll, a pressing force function (N) of the touch roll, and an air press pressure function (kPa).
  • the tension function expressed with respect to the radial coordinate of the take-up roll includes the web tension at the beginning of winding, the web tension at the end of winding, and the diameter at the end of winding of the web.
  • the pressing force function of the touch roll includes the pressing force of the touch roller that presses the web.
  • the air press pressure function includes the pressure of the air press that presses the web.
  • “the tension function expressed with respect to the radial coordinate of the winding roll” is expressed as “the tension function expressed with respect to the radial coordinate”.
  • the winding condition C n the winding start web tension, the winding end web tension, the diameter of the winding end of the web, pressing force of a touch roller for pressing the web, and the pressure of the air press for pressing the web Does not include.
  • the tension function expressed with respect to the radial coordinate of the winding roll is a function that defines the relationship between the web winding diameter and the web tension.
  • the tension function when the tension function is plotted on a graph with the vertical axis representing the tension and the horizontal axis representing the web diameter, the tension function can be represented by a straight line, a broken line, a curve, or the like.
  • the touch roll pressing force function is a function that defines the relationship between the web winding diameter and the touch roll pressing force.
  • the air press pressure function is a function that defines the relationship between the web winding diameter and the air press pressure.
  • the winding parameter P n In teaching data TD n, the winding parameter P n and form the input data, the winding condition C n forming the output data.
  • the winding parameter P n basically includes the line name, the diameter of the winding core around which the web is wound, the width of the web, the thickness of the web, the difference between the maximum thickness and the minimum thickness in the thickness distribution in the web width direction, and the web It includes items that cannot be adjusted once the web winding is started, such as the elastic modulus.
  • the winding parameter P n of the embodiment includes the web conveyance speed and the web winding length that can be adjusted even after the web winding is started.
  • the web conveyance speed and the web winding length are factors that determine productivity. Since it is assumed that the web productivity target is achieved, the web conveyance speed and the web winding length are included in the winding parameter P n as input data. It is important to produce a winding web that achieves the web productivity goal and meets the desired winding quality.
  • the winding condition C n basically includes the tension of the web at the start of winding, the tension of the web at the end of winding, the diameter of the winding end of the web, the pressing force of the touch roller that presses the web, and the air press that presses the web. This includes items that can be adjusted after the start of web winding, such as
  • the winding condition C n of the embodiment includes a knurling height that cannot be adjusted after the winding starts.
  • the knurling is provided in order to prevent winding deviation when the winding web is produced or after winding. Since the knurling height is related to the winding quality and can be adjusted before the winding starts, it is included in the winding condition C n that is output data.
  • the winding parameter Pn may include at least the web width, the web conveyance speed, and the web winding length.
  • the winding condition C n may include at least the tension of the web at the start of winding and the tension of the web at the end of winding.
  • the following items may be added as the winding condition C n .
  • the tension between the beginning and end of winding (N) and the corresponding winding diameter (mm) are added. Can do.
  • the relationship between the pressing force (N) of the touch roller and the winding diameter (mm) can be added.
  • a relationship between the pressure (kPa) of the air press and the winding diameter (mm) can be added.
  • FIG. 5 is a schematic configuration diagram of the machine learning unit 32.
  • the machine learning unit 32 includes a neural network 100 and deep learning.
  • the neural network 100 includes a so-called three-layer neural network including an input layer 102, a first intermediate layer 104, a second intermediate layer 106, and an output layer 108.
  • the input layer 102 and the output layer 108 include five neurons.
  • Each of the first intermediate layer 104 and the second intermediate layer 106 includes three neurons.
  • the neural network 100 is fully connected.
  • the deep learning has a performance that makes it difficult to cause problems (leakage disappearance, overlearning, etc.) where learning is not performed well when the layer constituted from the input layer 102 to the output layer 108 is made into a multilayer structure. It means something improved.
  • the winding parameter P n is input from the teacher data TD n to the input layer 102 as input data.
  • the input data includes at least the web width, the web conveyance speed, and the web winding length.
  • the input data input to the input layer 102 is multiplied by a certain weight, further biased, and input to the first intermediate layer 104.
  • the input data input to the first intermediate layer 104 is multiplied by a certain weight, further biased, and input to the second intermediate layer 106.
  • the input data input to the second intermediate layer 106 is multiplied by a certain weight, further biased, and input to the output layer 108.
  • a weight to be multiplied and a bias value to be added are arbitrarily set.
  • ReLU Rectified Linear Unit
  • the activation function is not limited to ReLU.
  • a condition output result RL n corresponding to the winding parameter P n is output from the output layer 108.
  • the condition output result RL n includes at least the tension of the web at the start of winding and the tension of the web at the end of winding.
  • the condition output result RL n is input to the adjustment unit 36.
  • the adjustment unit 36 the winding condition C n corresponding to the winding parameters P n from the teacher data TD n is input.
  • Winding condition C n includes at least, the winding start of the web tension, and the web tension of the winding end.
  • the adjustment unit 36 compares the condition output result RL n with the winding condition C n . For example, the adjustment unit 36 obtains the value using the square sum error as a loss function. The same operation is performed for all the teacher data TD 1 to TDn included in the prepared teacher data group. The adjusting unit 36 adjusts the weight and the bias so that the sum of the square sum errors of the condition output result RL n and the winding condition C n is minimized. Learning is executed by repeating such adjustment a plurality of times. When the learning is finished, the learned weight and bias wb data are stored in a storage unit (not shown).
  • the numbers of the input layer 102, the first intermediate layer 104, the second intermediate layer 106, and the output layer 108, and the number of neurons are not particularly limited. It is preferable to increase the number of layers and the number of neurons as the number of items of input / output data increases.
  • the Dropout method can be applied as a countermeasure against over-learning.
  • Dropout is a method for randomly erasing neurons in the intermediate layer. Dropout can improve the generalization performance of the neural network 100.
  • the countermeasure for over-learning is not limited to Dropout, and various regularization methods can be applied.
  • FIG. 6 is a schematic configuration diagram of the learning model 34.
  • the learning model 34 includes a so-called three-layer neural network including an input layer 202, a first intermediate layer 204, a second intermediate layer 206, and an output layer 208.
  • the input layer 202 and the output layer 208 include five neurons.
  • Each of the first intermediate layer 204 and the second intermediate layer 206 includes three neurons.
  • the weight and bias wb learned by the machine learning unit 32 shown in FIG. 5 are set in each neuron.
  • a new winding parameter P new is input to the input layer 202 in the neural network 200. Using the weight and bias wb data in each neuron, the weight is multiplied, the bias is added, and input to the output layer 208. A new winding condition C new corresponding to the new winding parameter P new is calculated as a predicted value and output from the output layer 208.
  • the machine learning unit 32 and the learning model 34 use different neural networks.
  • a neural network in which the machine learning unit 32 and the learning model 34 are common may be used.
  • the weight and bias are learned by the neural network of the machine learning unit 32.
  • the learned weight and bias are set in the neural network of the machine learning unit 32.
  • the machine learning unit 32 can function as the learning model 34.
  • the machine learning unit 32 and the learning model 34 may be physically separated.
  • the machine learning unit 32 and the learning model 34 are not particularly limited as long as the learning model 34 uses the learning result of the machine learning unit 32.
  • the learning model 34 may be a model created by another device such as a server. That is, the learning model 34 learned by another server or the like may be input to the condition calculation unit 30 of the winding condition generation device 10.
  • teaching data TD n reliable can effectively increase, it is possible to check the tolerance of each item of the take-up condition C new new.
  • each item (for example, web tension at the beginning of winding, knurling height, etc.) is extracted from the set of winding conditions C n included in the teacher data TD n .
  • Each item may have a manufacturing control range.
  • the manufacturing control width is a quality tolerance range value that is allowed for winding.
  • the above tension has a manufacturing control width of 10N. That is, when the web is wound, ⁇ 5N is allowed for a certain tension.
  • the knurling height has a manufacturing control width of 1 ⁇ m, for example, depending on the type, and is within a range where ⁇ 0.5 ⁇ m is allowed.
  • C k C ni ⁇ 0.5 ⁇ T ni (Formula 1)
  • C ni indicates an item included in the winding condition C n
  • T indicates a manufacturing control width. That is, C k includes C ni + 0.5 ⁇ T ni and C ni ⁇ 0.5 ⁇ T ni .
  • the additional winding condition C ad with respect to the winding condition C n is allowed. That is, the winding parameter P n, and in addition to teaching data TD n a combination of winding conditions C n, the teacher data a combination of winding parameters P n and additional winding condition C ad as additional training data TD ad TD n Will be added to.
  • a winding condition C n is four items, the value of each item is C n4 from C n1, described the case where each item is a manufacturing control width T n4 from T n1, respectively.
  • the following shows the combination of values of each item of the take-up condition C n.
  • One teacher data TD n can understand that the increase to 81 times the teacher data.
  • the production management width in the teacher data is acquired on site, only one item of the winding condition is added or subtracted, and the other items are left as they are and the winding quality is confirmed to be good.
  • the teacher data is the same. That is, in the above example, the number of combinations is 3 ⁇ N, and it can be understood that when the number of items for which the manufacturing control width is set is 4, the teacher data TD n increases to 12 times the teacher data. .
  • N is the number of items for which the acceptable quality range is set
  • 3 N ⁇ 1 teacher data is assigned as additional teacher data can do.
  • the reliable additional teacher data TD ad can be increased based on the actual manufacturing management width, and the accuracy of the predicted value is improved by learning using the teacher data TD n including the additional teacher data TD ad. Can do. It is preferable to provide a step of adding additional teacher data TD ad before the learning model 34 is created by the machine learning unit 32.
  • the additional teacher data is added or subtracted only for the items for which the manufacturing control range is set. Do not change other items. That is, it is preferable that only 3N-1 teacher data is added as additional teacher data. Also, a part of 3N-1 pieces of teacher data can be added as additional teacher data.
  • the winding device of the embodiment will be described with reference to FIG. 7 and FIG. As shown in FIG. 7, the winding device 300 is disposed on the downstream side of the production line 500.
  • the production line 500 includes equipment for producing the web 1, such as a coating device and a drying device. If it is an installation for manufacturing the web 1, it will not specifically limit.
  • various processes for the web 1 are controlled by the controller 502.
  • the controller 502 can control the rotation speed of the drive roller 504 and can adjust the web conveyance speed.
  • the winding device 300 includes a winding core 302, a motor 304, a support base 306, a touch roller 308, a pressing mechanism 310, a tension measuring roller 312, a tension sensor 314, a dancer roller 318, a dancer mechanism 320, a guide roller 322, and a length measuring roller. 324 and a controller 326.
  • the winding core 302 is rotatably held on the support base 306.
  • a motor 304 drives the winding core 302 to rotate.
  • the controller 326 controls the rotation of the motor 304 and rotates the winding core 302 in the arrow A direction.
  • the web 1 is wound around the core 302 by the rotation.
  • the web 1 is a flexible continuous belt-like member having a thin film thickness, and includes a resin film, paper, metal, resin-coated paper, synthetic paper, and the like.
  • Resin film materials include, for example, polyolefins such as polyethylene and polypropylene, vinyl polymers such as polyvinyl acetate, polyvinyl chloride and polystyrene, polyamides such as 6,6-nylon and 6-nylon, polyethylene terephthalate, polyethylene-2 Examples thereof include polyesters such as 6-naphthalate, cellulose acetates such as polycarbonate, cellulose triacetate, and cellulose diacetate.
  • the resin film may be provided with a function (for example, formation of a functional layer).
  • a tension measuring roller 312, a dancer roller 318, and a guide roller 322 are arranged in the middle of the conveyance path of the web 1.
  • a tension sensor 314 is connected to the tension measuring roller 312.
  • the dancer roller 318 is provided with a dancer mechanism 320 that moves the dancer roller 318, and applies tension to the web with a constant force.
  • the dancer position sensor measures the dancer position.
  • the measured dancer position is input to the controller 326.
  • the controller 326 can control and move the dancer roller 318 based on the measurement result to give a stable tension to the web 1.
  • the touch roller 308 has a rotation axis parallel to the rotation axis of the winding core 302 and abuts on the web 1 wound around the winding core 302.
  • the touch roller 308 is provided with a pressing mechanism 310.
  • the pressing mechanism 310 is controlled by the controller 326 and presses the touch roller 308 toward the core 302 with a predetermined pressing force.
  • the touch roller 308 can reduce the content rate of the air wound on the web 1 wound around the core 302.
  • the pressing mechanism 310 includes, for example, an arm that supports the touch roller 308 and an air cylinder that presses the arm.
  • the controller 326 can control the air pressure of the air cylinder and can adjust the pressing force of the touch roller 308 that presses the web.
  • the length measuring roller 324 is provided in contact with the web 1 and rotates as the web 1 moves.
  • the length measuring roller 324 is provided with an encoder (not shown).
  • a signal from the encoder is input to the controller 326.
  • the controller 326 can measure the feed length of the web 1 that passes through the length measuring roller 324, here the winding length of the web. When the web winding length reaches a predetermined value, the controller 326 stops the rotation of the winding core 302.
  • the web winding diameter is always calculated and calculated by the controller 326.
  • the diameter can be obtained by measuring the length of the web required for one turn of the core 302 and dividing the length of the web by 3.14.
  • a new winding parameter P new is input to the learning model 34 (not shown) of the condition calculation unit 30 of the winding condition generation device 10.
  • the learning model 34 of the condition calculation unit 30 calculates a new winding condition Cnew as a predicted value from the new winding parameter Pnew .
  • a new winding parameter P new and a new winding condition C new are input to the controller 326 and the controller 502. Based on the new winding parameter Pnew and the new winding condition Cnew , the winding device 300 winds the web, thereby making it possible to produce a winding web that satisfies the target quality.
  • the winding device 400 includes an air nozzle 402 instead of the touch roller 308.
  • the air nozzle 402 By air-pressing the air of the web 1 by blowing air from a slit-like opening (not shown) formed in the air nozzle 402, the air entrained in the web 1 taken up by the winding core 302 can be removed without contact. it can.
  • the air nozzle 402 is disposed so that the longitudinal direction of the opening of the air nozzle 402 and the rotation axis of the winding core 302 are parallel to each other.
  • the air nozzle 402 is disposed at a position where the air ejection direction is orthogonal to the main surface of the web 1.
  • the air ejection direction of the air nozzle 402 may be tilted from a position orthogonal to the main surface of the web 1.
  • a blower 404 including a filter, an air tank, and a compressor is connected to the air nozzle 402 via a pipe 406 as an air generation source.
  • the controller 326 can control the blower 404 and can adjust the pressure of the air press that presses the web.
  • a knurling roller 506 is disposed between the winding device 400 and the driving roller 504.
  • the knurling rollers 506 are configured as a pair in order to pinch (nip) the end portion of the web 1 from the thickness direction of the web 1.
  • Two knurling rollers 506 are disposed at both ends of the web 1 to provide knurling at both ends of the web 1.
  • Knurling is unevenness formed on the web.
  • one of the pair of knurling rollers 506 is provided with a protrusion (not shown).
  • the knurling roller 506 is provided with a nip pressure adjusting mechanism (not shown).
  • the nip pressure adjusting mechanism can adjust the distance between the knurling roller 506 and the web 1.
  • the nip pressure adjusting mechanism can be controlled by the controller 502, and the knurling height can be adjusted. Further, the height of the knurling can be adjusted by changing the shape, size, etc. of the protrusion formed on the knurling roller 506.
  • a new winding parameter P new is input to the learning model 34 (not shown) of the condition calculation unit 30 of the winding condition generation device 10.
  • the learning model 34 of the condition calculation unit 30 calculates a new winding condition Cnew as a predicted value from the new winding parameter Pnew .
  • a new winding parameter P new and a new winding condition C new are input to the controller 326 and the controller 502. Based on the new winding parameter P new and the new winding condition C new , the winding device 400 can wind the web to produce a winding web that satisfies the target quality.
  • the winding condition is calculated by the winding condition calculation method, and the web winding method by the winding apparatuses 300 and 400 is provided using the calculated winding condition, for example.
  • the learning model 34 was evaluated using the winding condition generation device 10 of the embodiment. As the winding parameters, the conveyance speed, the winding length, and the web width were selected. As winding conditions, the tension at the beginning of winding and the tension at the end of winding were selected. When evaluated with test data that was not used for learning, the correct answer rate of the winding condition calculated from the learning model 34 representing the small difference between the predicted value generated by the learning model 34 and the actual manufacturing condition value is 80% to 95%. It can be understood that the learning model 34 is equivalent to the actual winding condition and can be used sufficiently.
  • the cost and time are in the range of about 1/10 to 1/5 by using the winding condition generation apparatus of the embodiment. It can be expected to be suppressed.
  • the hardware structure of the processing unit (processing unit) that executes various processes of the machine learning unit 32, the learning model 34, the controller 326, and the controller 502 is as follows.
  • processors include a CPU (Central Processing Unit) that is a general-purpose processor that functions as various processing units by executing software (programs), a GPU (Graphics Processing Unit) that is a processor specialized for image processing, Dedicated to execute specific processes such as programmable logic devices (PLD) and ASICs (Application specific integrated circuits) that can change the circuit configuration after manufacturing FPGA (Field Programmable Gate Array)
  • a dedicated electric circuit which is a processor having a designed circuit configuration is included.
  • One processing unit may be composed of one of these various processors, or two or more processors of the same type or different types (for example, a plurality of FPGAs, or a combination of CPU and FPGA, or a CPU). (A combination of GPUs). Further, the plurality of processing units may be configured by one processor. As an example of configuring a plurality of processing units with one processor, first, as represented by a computer such as a server and a client, one processor is configured with a combination of one or more CPUs and software. There is a form in which the processor functions as a plurality of processing units.
  • SoC system-on-chip
  • various processing units are configured using one or more various processors as a hardware structure.
  • circuitry circuitry in which circuit elements such as semiconductor elements are combined.
  • FIG. 9 is a schematic block diagram of a winding defect level predicted value generation apparatus. As illustrated in FIG. 9, the winding defect level predicted value generation device 1010 includes an input unit 1020, a predicted value calculation unit 1030, an output unit 1040, and a storage unit 1050.
  • the input unit 1020 has the same configuration as the input unit 20
  • the output unit 1040 has the same configuration as the output unit 40
  • the storage unit 1050 has the same configuration as the storage unit 50.
  • the teacher data TD n is information that generates various defect levels as well as conditions that satisfy the target winding quality when the winding roll is produced. As the teacher data TD n , it is desirable to extract various winding data from a weak defect level to a strong defect level in addition to high-quality data relating to the production of the winding web.
  • the teacher data TD 1 includes input data IN 1 and output data OUT 1
  • the teacher data TD 2 includes input data IN 2 and output data OUT 2
  • Each teacher data TD n includes input data IN n and output data OUT n
  • Input data IN n included in the teacher data TD n is information for producing a winding web, and is acquired as information on a combination of the winding parameter P n and the winding condition C n
  • the output data OUT n included in the teacher data TD n is information relating to the quality of the take-up web, and is a take-up defect level value that includes the amount of web misalignment and the level of damaged web defects.
  • the amount of winding deviation (mm) of the web is the amount of winding deviation (mm) in the width direction when the roll is transported after being wound, or when an impact is applied by the impact applying experimental device, or the winding deviation in the circumferential direction. It means quantity (mm).
  • the winding deviation in the width direction which is the main winding deviation, is shifted in the middle of winding in the width direction.
  • the circumferential deviation is a deviation amount when a straight line is written on the end face before winding deviation and the straight line is measured after winding deviation.
  • the web damage defect means a defect that is damaged by bending or making marks on the web.
  • the level of damage defect represents the strength of the defect.
  • the strength of the defect is determined by sensory evaluation. For example, in the ten-level evaluation from level 1 to level 10, the higher the deformation strength, the higher the level.
  • the level of each is handled as output data.
  • the output data is composed of four winding misalignments, vertical wrinkle levels, horizontal wrinkle levels, and dent levels.
  • the predicted value calculation unit 1030 includes a machine learning unit 1032 and a learning model 1034.
  • the machine learning unit 32 is configured to perform machine learning using a plurality of teacher data TD 1 , teacher data TD 2 ... Teacher data TD n as a teacher data group.
  • the input data IN n constitutes input teacher data.
  • the output data OUT n is output teacher data.
  • the machine learning unit 1032 learns a correlation between input data IN n and output data OUT n, which will be described later, from the teacher data TD n .
  • the machine learning unit 32 creates the learning model 34 based on the teacher data TD n satisfying the target winding quality, the new input data IN new (new winding parameter P new and new winding condition C from new new), the output data OUT new new (winding deviation amount, and it is possible to obtain the predicted value of the web damage defect levels).
  • FIG. 10 is a table showing an example of combinations of input data IN n and output data OUT n that can be used for the teacher data TD.
  • the input data IN n includes a winding parameter P n and a winding condition C n .
  • Each item of the winding parameter P n and the winding condition C n corresponds to FIG.
  • the output data OUT n includes the amount of winding deviation and the damage defect level of the web.
  • FIG. 11 is a table showing another example of combinations of input data IN n and output data OUT n that can be used for the teacher data TD. As shown in FIG. 11, the items of the winding parameter P n and the winding condition C n correspond to FIG. 4.
  • FIG. 12 is a schematic configuration diagram of the machine learning unit 1032.
  • the machine learning unit 1032 includes the neural network 100 and deep learning.
  • the neural network 100 includes a so-called three-layer neural network including an input layer 102, a first intermediate layer 104, a second intermediate layer 106, and an output layer 108.
  • the input layer 102 and the output layer 108 include five neurons.
  • Each of the first intermediate layer 104 and the second intermediate layer 106 includes three neurons.
  • the neural network 100 is fully connected.
  • Teaching data TD n winding as input data IN n from the parameter P n, and the winding condition C n are input to the input layer 102.
  • Input data input to the input layer 102 is multiplied by a certain weight, further biased, and input to the first intermediate layer 104.
  • the input data IN n input to the first intermediate layer 104 is multiplied by a certain weight, further added with a bias, and input to the second intermediate layer 106.
  • the input data IN n input to the second intermediate layer 106 is multiplied by a certain weight, further added with a bias, and input to the output layer 108.
  • a weight to be multiplied and a bias value to be added are arbitrarily set.
  • Winding parameter P n, and the defect level prediction value EL n corresponding to the take-up condition C n is output from the output layer 108.
  • the defect level predicted value EL n is input to the adjustment unit 36.
  • the adjustment unit 36 receives the winding data P n and the output data OUT n corresponding to the winding condition C n from the teacher data TD n .
  • the output data OUT n includes a winding deviation amount and a web damage defect level.
  • the adjusting unit 36 compares the defect level predicted value EL n with the output data OUT n . For example, the adjustment unit 36 obtains the value using the square sum error as a loss function. The same operation is performed for all the teacher data TD 1 to TDn included in the prepared teacher data group. The adjusting unit 36 adjusts the weight and the bias so that the sum of the square sum errors of the defect level predicted value EL n and the output data OUT n is minimized. Learning is executed by repeating such adjustment a plurality of times. When the learning is finished, the learned weight and bias wb data are stored in a storage unit (not shown).
  • the configuration of the neural network 100 can be the same as that of the neural network 100 included in the machine learning unit 32 shown in FIG.
  • FIG. 13 is a schematic configuration diagram of the learning model 1034.
  • the neural network 200 includes a so-called three-layer neural network including an input layer 202, a first intermediate layer 204, a second intermediate layer 206, and an output layer 208.
  • the input layer 202 and the output layer 208 include five neurons.
  • Each of the first intermediate layer 204 and the second intermediate layer 206 includes three neurons.
  • the weight and bias wb learned by the machine learning unit 1032 shown in FIG. 12 are set in each neuron.
  • a new winding parameter P new and a new winding condition C new are input to the input layer 202 in the neural network 200 as new input data IN new .
  • the weight is multiplied, the bias is added, and input to the output layer 208.
  • New output data OUT new corresponding to the new input data IN new is calculated as a winding defect level prediction value for the new winding web and output from the output layer 208. That is, it is possible to predict new winding parameters P new new, and winding deviation amount of web to be wound on the new from the novel take-up condition C new new, and a web of damage defect levels.
  • the machine learning unit 1032 and the learning model 1034 use different neural networks.
  • a neural network in which the machine learning unit 1032 and the learning model 1034 are common may be used.
  • the weight and bias are learned by the neural network of the machine learning unit 1032.
  • the learned weight and bias are set in the neural network of the machine learning unit 32.
  • the machine learning unit 1032 can function as the learning model 1034.
  • the machine learning unit 1032 and the learning model 1034 may be physically separated.
  • the machine learning unit 1032 and the learning model 1034 are not particularly limited as long as the learning model 1034 uses the learning result of the machine learning unit 1032.
  • the learning model 1034 may be a model created by another device such as a server. That is, a learning model 1034 learned by another server or the like may be input to the predicted value calculation unit 1030 of the winding defect level predicted value generation device 1010.
  • the winding condition generation apparatus 2010 includes a winding condition calculation unit 2020 and a defect level calculation model 2030.
  • the defect level calculation model 2030 is a learning model 1034 in the winding defect level predicted value generation apparatus 1010, and is a model that receives the winding condition and outputs the amount of web winding deviation and the level of damaged defects on the web.
  • the defect level calculation model 2030 uses the input data IN n (the winding parameter P n and the winding condition C n ) as the teacher data TD n and the winding defect level predicted value as the output data OUT n. This model is learned to output. On the other hand, it is impossible to calculate the winding condition C n included in the input data IN n for improving the defect level, that is, the output data OUT n is smaller than the predicted value of the winding defect level.
  • the winding condition calculation unit 2020 is configured to perform calculation processing so that the design variable is evolved and the target function is minimized.
  • evolution calculation means calculation by an optimal method such as a genetic algorithm.
  • the winding condition calculation unit 2020 uses the sum of the amount of web winding deviation and the level of damage defects of the web as an objective function, takes the winding condition as a design variable, and performs evolution calculation until the objective function is minimized. Can do.
  • the winding condition calculation unit 2020 changes the design variable, and outputs the winding condition, which is a design variable when the objective function becomes small, as the winding condition.
  • the winding condition calculation unit 2020 can calculate a winding condition C new for improving the defect level.
  • processing unit that executes various processes, such as a machine learning unit 1032, a learning model 1034, a winding condition calculation unit 2020, and a defect level calculation model 2030.
  • processors as shown below.
  • processors include a CPU (Central Processing Unit) that is a general-purpose processor that functions as various processing units by executing software (programs), a GPU (Graphics Processing Unit) that is a processor specialized for image processing, Dedicated to execute specific processes such as programmable logic devices (PLD) and ASICs (Application specific integrated circuits) that can change the circuit configuration after manufacturing FPGA (Field Programmable Gate Array) A dedicated electric circuit which is a processor having a designed circuit configuration is included.
  • CPU Central Processing Unit
  • GPU Graphics Processing Unit
  • ASICs Application specific integrated circuits
  • One processing unit may be composed of one of these various processors, or two or more processors of the same type or different types (for example, a plurality of FPGAs, or a combination of CPU and FPGA, or a CPU). (A combination of GPUs). Further, the plurality of processing units may be configured by one processor. As an example of configuring a plurality of processing units with one processor, first, as represented by a computer such as a server and a client, one processor is configured with a combination of one or more CPUs and software. There is a form in which the processor functions as a plurality of processing units.
  • SoC system-on-chip
  • various processing units are configured using one or more various processors as a hardware structure.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Winding Of Webs (AREA)
  • Controlling Rewinding, Feeding, Winding, Or Abnormalities Of Webs (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
  • Winding Filamentary Materials (AREA)

Abstract

実際の結果の適合する巻き取り条件を構築することができる巻き取り条件生成装置、巻き取り装置、巻き取り欠陥レベル予測値生成装置、巻き取り条件算出方法、巻き取り方法、及び巻き取り欠陥レベル予測値生成方法を提供する。巻き取り条件生成装置は、入力部と、出力部と、条件算出部と、を備え、条件算出部は、目標の巻き取り品質を満たす巻き取りウエブを作製した際の巻き取りパラメータ、及び巻き取り条件の組み合わせを教師データとした機械学習により作製された学習モデルを備え、入力部から入力された新規な巻き取りウエブの巻き取りパラメータから学習モデルを用いて、新規な巻き取りウエブの巻き取り条件を算出し、出力部は巻き取り条件を出力する、巻き取り条件生成装置であって、巻き取りパラメータは、ウエブの幅、ウエブの搬送速度、及びウエブの巻き取り長さを含み、巻き取り条件は、巻き始めのウエブの張力、及び巻き終わりのウエブの張力を含む。

Description

巻き取り条件生成装置、巻き取り装置、巻き取り欠陥レベル予測値生成装置、巻き取り条件算出方法、巻き取り方法、及び巻き取り欠陥レベル予測値生成方法
　本発明は、巻き取り条件生成装置、巻き取り装置、巻き取り欠陥レベル予測値生成装置、巻き取り条件算出方法、巻き取り方法、及び巻き取り欠陥レベル予測値生成方法に関する。
　薄い金属板、紙、プラスチックフィルムなどのウエブを利用して物を製造する場合、ウエブは、例えば、塗布、乾燥等の処理された後、巻き取り装置により巻き取られる。巻き取り装置により作製された巻き取りウエブは、ロールの形態で、保管、輸送等される。
　上述の巻き取りにおいて、巻き取りウエブに、ウエブの巻きズレ、及びウエブの損傷が生じないことが求められる。ウエブの巻きズレは、ロールに巻かれたウエブが、ウエブの幅方向にずれる現象である。ウエブの損傷は、ロールに巻かれたウエブに、シワ、凹み、模様等の変形が生じる現象である。
　ウエブの巻きズレに対して、ウエブを巻き取る際の張力を高くする等、ウエブをきつく巻くことが、ウエブの巻きズレを抑制するのに有効とされている。しかしながら、ウエブをきつく巻くことは、ウエブの損傷が発生する原因ともなる。
　一方、ウエブの損傷に対して、ウエブを巻き取る際の張力を低くする等、ウエブをゆるく巻くことが、ウエブの損傷を抑制するのに有効とされている。しかしながら、ウエブをゆるく巻くことは、ウエブの巻きズレが発生する原因ともなる。
　上述したように、ウエブの巻きズレとウエブの損傷とはトレードオフの関係にあり、ウエブの巻きズレ、及びウエブの損傷を抑制できる巻き取り条件を構築することは容易ではない。これらに対応するため、種々の提案がなされている（特許文献１、特許文献２）。
特開２０１７‐１００８５０号公報 特許第５７７６０７７号公報
　特許文献１及び特許文献２では、巻き取り張力を求めるために理論モデルを用いている。しかしながら、理論モデルを用いた場合、理論モデルを考慮した範囲に限定されてしまう。また、実際のウエブの巻き取りが理論モデルに適合するとは限らない。理論モデルが適合しない場合、精度の高い巻き取り条件を構築することは難しい。
　そのため、ウエブの巻き取り条件を構築するには、現実的には、実際に巻き取り装置を利用して構築する必要があり、経済的にも、時間的にも負担が大きい。
　本発明は、このような事情に鑑みてなされたもので、理論モデルの適否に拘らず、実際の結果に適合する巻き取り条件を構築することができる巻き取り条件生成装置、巻き取り装置、巻き取り欠陥レベル予測値生成装置、巻き取り条件算出方法、巻き取り方法、及び巻き取り欠陥レベル予測値生成方法を提供することを目的とする。
　第１の態様に係る巻き取り条件生成装置は、入力部と、出力部と、条件算出部と、を備える巻き取り条件生成装置であって、条件算出部は、目標の巻き取り品質を満たす巻き取りウエブを作製した際の巻き取りパラメータ、及び巻き取り条件の組み合わせを教師データとして機械学習により作製された学習モデルを備え、入力部から入力された新規な巻き取りウエブの巻き取りパラメータから、学習モデルを用いて、新規な巻き取りウエブの巻き取り条件を算出し、出力部は巻き取り条件を出力する、巻き取り条件生成装置であって、巻き取りパラメータは、ウエブの幅、ウエブの搬送速度、及びウエブの巻き取り長さを含み、巻き取り条件は、巻き始めのウエブの張力、及び巻き終わりのウエブの張力を含む。
　第２の態様に係る巻き取り条件生成装置において、巻き取りパラメータは、ウエブを巻き取る巻芯の径、巻き取りウエブを作製したライン名称、ウエブの厚み、ウエブ幅方向の最大厚みと最小厚みとの差、及びウエブの弾性率の少なくとも一つを含み、巻き取り条件は、ウエブの巻き終わりの径、ナーリング高さ、ウエブを押圧するエアープレスの圧力、及びウエブを押圧するタッチローラの押し力の少なくとも一つを含む。
　第３の態様に係る巻き取り条件生成装置において、目標の巻き取り品質は、ウエブの巻きズレ欠陥、及びウエブの損傷欠陥が発生しないことである。
　第４の態様に係る巻き取り条件生成装置において、機械学習は、ニューラルネットワーク、及び深層学習を含む。
　第５の態様に係る巻き取り条件生成装置において、教師データである、ウエブを作製した際に得られた巻き取り条件の集合に対し、それぞれの巻き取り条件の項目の値をＣｎｉとし、巻き取り条件の項目の値Ｃｎｉに設定された品質許容範囲値をＴｎｉとし、かつ品質許容範囲値Ｔｎｉが設定された項目数をＮとした場合、各項目について下記の式で求められる範囲を巻き取り条件に加え、３Ｎ－１個分の教師データ、又は教師データの一部を追加教師データとして付与される。
　Ｃｋ＝　Ｃｎｉ　±　０．５×Ｔｎｉ
　第６の態様に係る巻き取り条件生成装置において、巻き取り条件は、巻き取りロールの径方向座標に対して表される張力関数、ウエブを押圧するエアープレス圧力関数、及びタッチローラの押し力の関数の何れかを含む。
　第７の態様に係る巻き取り条件生成装置において、目標の巻き取り品質を満たす巻き取りウエブを作製した際の巻き取りパラメータ、及び巻き取り条件の組み合わせを教師データとして機械学習する機械学習部を備える。
　第８の態様のウエブを巻き取る巻き取り装置は、上記の巻き取り条件生成装置により算出された巻き取り条件を用いて、ウエブを巻き取る。
　第９の態様の欠陥レベル予測値生成装置は、入力部と、出力部と、予測値算出部と、を備える巻き取り欠陥レベル予測値生成装置であって、予測値算出部は、巻き取りウエブを作製した際の巻き取りパラメータと巻き取り条件及び巻き取り欠陥レベル値の組み合わせを教師データとして機械学習により作製された学習モデルを備え、入力部から入力された新規な巻き取りウエブの巻き取りパラメータと巻き取り条件とから、学習モデルを用いて、巻き取り欠陥レベル予測値を算出し、出力部は巻き取り欠陥レベル予測値を出力する、巻き取り欠陥レベル予測値生成装置であって、巻き取りパラメータは、ウエブの幅、ウエブの搬送速度、及びウエブの巻き取り長さ、ウエブを巻き取る巻芯の径、巻き取りウエブを作製したライン名称、ウエブの厚み、ウエブ幅方向の最大厚みと最小厚みとの差、及びウエブの弾性率の少なくとも一つを含み、巻き取り条件は、巻き始めのウエブの張力、巻き終わりのウエブの張力、ナーリング高さ、ウエブを押圧するエアープレスの圧力、及びウエブを押圧するタッチローラの押し力の少なくとも一つを含み、巻き取り欠陥レベル予測値は、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを含む。
　第１０の態様の巻き取り条件生成装置は、上述の巻き取り欠陥レベル予測値生成装置における学習モデルであり、巻き取り条件を入力し、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを出力する欠陥レベル算出モデルと、巻き取り条件算出部と、を備え、巻き取り条件算出部は、欠陥レベル算出モデルの出力であるウエブの巻きズレ量、及びウエブの損傷欠陥のレベルのそれぞれの和を目的関数とし、巻き取り条件を設計変数とし、目的関数が小さくなるまで、進化計算により、設計変数を変化させ、目的関数が最小になった際の設計変数である巻き取り条件を、巻き取り条件として出力する。
　第１１の態様の巻き取り条件算出方法は、目標の巻き取り品質を満たす巻き取りウエブを作製した際の巻き取りパラメータ、及び巻き取り条件の組み合わせを教師データとして機械学習により学習モデルを作製するステップと、新規な巻き取りウエブの巻き取りパラメータを入力するステップと、巻き取りパラメータから学習モデルを用いて新規な巻き取りウエブの巻き取り条件を算出するステップと、を少なくとも備える巻き取り条件算出方法であって、巻き取りパラメータは、ウエブの幅、ウエブの搬送速度、及びウエブの巻き取り長さを含み、巻き取り条件は、巻き始めのウエブの張力、及び巻き終わりのウエブの張力を含む。
　第１２の態様の巻き取り条件算出方法において、巻き取りパラメータは、ウエブを巻き取る巻芯の径、巻き取りウエブを作製したライン名称、ウエブの厚み、ウエブ幅方向の最大厚みと最小厚みとの差、及びウエブの弾性率の少なくとも一つを含み、巻き取り条件は、ウエブの巻き終わりの径、ナーリング高さ、ウエブを押圧するエアープレスの圧力、及びウエブを押圧するタッチローラの押し力の少なくとも一つを含む。
　第１３の態様の巻き取り条件算出方法において、教師データである、ウエブを作製した際に得られた巻き取り条件の集合に対し、それぞれの巻き取り条件の項目の値をＣｎｉとし、巻き取り条件の項目の値Ｃｎｉに設定された品質許容範囲値をＴｎｉとし、かつ品質許容範囲値Ｔｎｉが設定された項目数をＮとした場合、各項目について下記の式で求められる範囲を巻き取り条件に加え、３Ｎ－１個分の教師データ、又は教師データの一部を追加教師データとして付与するステップを含む。
　Ｃｋ＝　Ｃｎｉ　±　０．５×Ｔｎｉ
　第１４の態様の巻き取り条件算出方法において、巻き取り条件は、巻き取りロールの径方向座標に対して表される張力関数、ウエブを押圧するエアープレス圧力関数、及びタッチローラの押し力の関数の何れかを含む。
　第１５の態様の巻き取り方法は、上述の巻き取り条件算出方法により巻き取り条件を算出するステップと、算出された巻き取り条件を用いてウエブを巻き取るステップと、を備える。
　第１６の態様の巻き取り欠陥レベル予測値生成方法は、巻き取りロールを作製した際の巻き取りパラメータと巻き取り条件を入力とし、巻き取り欠陥レベル値を出力とした組み合わせの教師データを機械学習する学習モデルを作製するステップと、新規な巻き取りウエブの巻き取りパラメータと巻き取り条件とを入力するステップと、巻き取りパラメータと巻き取り条件とから、学習モデルを用いて、新規な巻き取りウエブの巻き取り欠陥レベル予測値を算出するステップと、を少なくとも備える巻き取り欠陥レベル予測値生成方法であって、巻き取りパラメータは、ウエブの幅、ウエブの搬送速度、及びウエブの巻き取り長さ、ウエブを巻き取る巻芯の径、巻き取りウエブを作製したライン名称、ウエブの厚み、ウエブ幅方向の最大厚みと最小厚みとの差、及びウエブの弾性率の少なくとも一つを含み、巻き取り条件は、巻き始めのウエブの張力、巻き終わりのウエブの張力、ナーリング高さ、ウエブを押圧するエアープレスの圧力、及びウエブを押圧するタッチローラの押し力の少なくとも一つを含み、巻き取り欠陥レベル予測値は、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを含む。
　第１７の態様の巻き取り条件生成方法は、上記の巻き取り欠陥レベル予測値生成装置における学習モデルであり、巻き取り条件を入力し、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを出力する欠陥レベル算出モデルの作製ステップと、巻き取り条件算出ステップと、を備え、巻き取り条件算出ステップにおいて、欠陥レベル算出モデルの出力であるウエブの巻きズレ量、及びウエブの損傷欠陥のレベルのそれぞれの和を目的関数とし、巻き取り条件を設計変数とし、目的関数が小さくなるまで、進化計算により、設計変数を変化させ、目的関数が小さくなった際の設計変数である巻き取り条件を、巻き取り条件として出力する。
　本発明によれば、理論モデルの適否に拘らず、実際の結果の適合する巻き取り条件を構築することができる。
図１は、巻き取り条件生成装置の概略ブロック図である。 図２は、巻き取り条件算出方法を示すフローチャートである。 図３は、教師データに含まれる巻き取りパラメータと巻き取り条件の一例を示すテーブルである。 図４は、教師データに含まれる巻き取りパラメータと巻き取り条件の別の例を示すテーブルである。 図５は、機械学習部の概略ブロック図である。 図６は、学習モデルの概略ブロック図である。 図７は、ウエブを巻き取る巻き取り装置の概略図である。 図８は、図７とは異なる巻き取り装置の概略図である。 図９は、巻き取り欠陥レベル予測値生成装置の概略ブロック図である。 図１０は、教師データに含まれる入力データと出力データの一例を示すテーブルである。 図１１は、教師データに含まれる入力データと出力データの別の例を示すテーブルである。 図１２は、機械学習部の概略ブロック図である。 図１３は、学習モデルの概略ブロック図である。 図１４は、巻き取り条件生成装置の概略ブロック図である。
　以下、添付図面にしたがって本発明の好ましい実施形態について説明する。本発明は以下の好ましい実施形態により説明される。本発明の範囲を逸脱すること無く、多くの手法により変更を行うことができ、実施形態以外の他の実施形態を利用することができる。したがって、本発明の範囲内における全ての変更が特許請求の範囲に含まれる。
　＜巻き取り条件生成装置＞
　図１は、巻き取り条件生成装置の概略ブロック図である。図１に示されるように、巻き取り条件生成装置１０は、入力部２０と、条件算出部３０と、出力部４０と、記憶部５０と、備える。
　入力部２０は、巻き取り条件生成装置１０に外部からのデータを受け入れる。入力部２０は、例えば、キーボード、タッチパッド、電気信号に対する通信インターフェイス、及びそれらの組み合わせで構成することができる。入力部２０は、構成は特に限定されない。入力部２０が通信インターフェイスであれば、他の電子機器に記憶されているデータを入力部２０から直接受け入れることができる。通信インターフェイスは有線であっても、無線であってもよい。
　記憶部５０は、入力部２０から入力されたデータを記憶する。実施形態では、複数の教師データＴＤ１、教師データＴＤ２・・・教師データＴＤｎが、記憶部５０に記憶されている。記憶部５０としては、例えば、ＨＤＤ（Hard Disk Drive）等の磁気ディスクを含む装置、ｅＭＭＣ（embedded Multi Media Card）、ＳＳＤ（Solid State Drive）等のフラッシュメモリを含む装置等を用いることができる。なお、ｎは整数である。
　教師データＴＤｎとは、目標の巻き取り品質を満たしているかが確認された巻き取りウエブに関連する情報である。目標の巻き取り品質は、ウエブの巻きズレ欠陥が発生しないこと、及びウエブの損傷欠陥が発生しないことである。欠陥が発生しないとは、欠陥が全く発生しないこと、及び欠陥が許容される範囲であることの両方を含んでいる。教師データＴＤｎとして、巻き取りウエブの作製に関し良質なデータが抽出されている。
　教師データＴＤ１は巻き取りパラメータＰ１と巻き取り条件Ｃ１とを含み、教師データＴＤ２は巻き取りパラメータＰ２と巻き取り条件Ｃ２とを含んでいる。各教師データＴＤｎは、巻き取りパラメータＰｎと巻き取り条件Ｃｎとを含んでいる。教師データＴＤｎに含まれる巻き取りパラメータＰｎと巻き取り条件Ｃｎとは、巻き取りウエブを作製するための情報であって、巻き取りパラメータＰｎと巻き取り条件Ｃｎは組み合わせの情報として取得されている。巻き取りパラメータＰｎは、巻き取りウエブを作製する際の前提となる条件であり、巻き取り条件Ｃｎは、実際に巻き取りウエブを作製する際の運転条件等となる。巻き取りパラメータＰｎ、及び巻き取り条件Ｃｎの内容については後述する。
　条件算出部３０は、機械学習部３２と学習モデル３４とを備えている。機械学習部３２は、複数の教師データＴＤ１、教師データＴＤ２・・・教師データＴＤｎのあつまりを教師データ群として、機械学習するよう構成されている。機械学習部３２において、巻き取りパラメータＰｎは入力教師データを構成する。巻き取り条件Ｃｎは出力教師データとなる。
　機械学習部３２は、巻き取りパラメータＰｎと巻き取り条件Ｃｎとの組み合わせである教師データＴＤｎから、後述する、巻き取りパラメータＰｎと巻き取り条件Ｃｎとの相関関係を学習する。
　条件算出部３０は、機械学習部３２により学習された学習結果を、学習モデル３４として備えている。学習モデル３４は、入力部２０から入力された、新規な巻き取りウエブの巻き取りパラメータＰnewから、新規な巻き取りウエブの巻き取り条件Ｃnewを予測値として算出する。新規な巻き取りウエブの巻き取りパラメータＰnewは、新規な巻き取りパラメータＰnewとも称し、図中では巻き取りパラメータＰnewと表示する。新規な巻き取りウエブの巻き取り条件Ｃnewは、新規な巻き取り条件Ｃnewとも称し、図中では巻き取り条件Ｃnewと表示する。実施形態では、条件算出部３０は、機械学習部３２を備えているが、条件算出部３０は、少なくとも学習モデル３４を備えていればよい。
　出力部４０は、学習モデル３４により算出された新規な巻き取り条件Ｃnewを出力する。出力部４０は、例えば、ディスプレイ、プリンター、電気信号に対する通信インターフェイス、及びそれらの組み合わせで構成することができる。出力部４０が通信インターフェイスであれば、例えば、巻き取り装置に備えられる制御装置（不図示）に、新規な巻き取り条件Ｃnewを直接伝送することができる。入力部２０と同様に、通信インターフェイスは有線であっても、無線であってもよい。
　巻き取り条件生成装置１０を利用した巻き取り条件算出方法について説明する。図２に示されるように、巻き取りパラメータＰｎと巻き取り条件Ｃｎの組み合わせを教師データＴＤｎとして、例えば、機械学習部３２の機械学習により学習モデル３４が作製される（ステップＳ１１）。複数の教師データＴＤｎを利用して、学習することが好ましい。
　次に、新規な巻き取りパラメータＰｎｅｗが入力される（ステップＳ１２）。新規な巻き取りパラメータＰｎｅｗが学習モデル３４に入力される。
　次に、学習モデル３４は、入力された新規な巻き取りパラメータＰｎｅｗから、新規な巻き取り条件Ｃｎｅｗを予測値として算出する（ステップＳ１３）。
　目標の巻き取り品質を満たす教師データＴＤｎに基づいて機械学習部３２が学習モデル３４を作製しているので、良質な巻き取りができる期待値の高い新規な巻き取り条件Ｃｎｅｗを得ることができる。
　＜教師データ＞
　教師データＴＤｎの構成について説明する。図３は、教師データＴＤに用いることができる巻き取りパラメータＰｎと巻き取り条件Ｃｎとの組み合わせの一例を示すテーブルである。図３に示すように、巻き取りパラメータＰｎは、例えば、ライン名称（ライン番号とも称する）、ウエブを巻き取る巻芯の径（ｍｍ）、ウエブの幅（ｍｍ）、ウエブの搬送速度（ｍ／ｍｉｎ）、ウエブの巻き取り長さ（ｍ）、ウエブの厚み（μｍ）、ウエブ幅方向の厚み分布における最大厚みと最小厚みの差（μｍ）、及びウエブの弾性率（ＧＰａ）の８項目を含んでいる。
　ライン名称は、製造ラインを識別するための名称であり、ライン毎に固有の番号が付与されている。ウエブを巻き取る巻芯の径は、巻き取り装置にセットされる巻芯の径であり、ウエブの巻き始めの径でもある。ウエブの幅は、ウエブの長手方向と直交する方向の長さである。ウエブの搬送速度は、製造ラインを搬送方向に沿って移動するウエブの速度である。ウエブの巻き取り長さは、巻芯の巻き取られるウエブの長さであり、巻き取りウエブ（完成品のロールの状態）のウエブの長さである。ウエブの厚みは、ウエブの対向する２つの主面の距離である。主面とは面積の大きな面である。ウエブの厚みは、厚み計により測定することができる。ウエブ幅方向の厚み分布における最大厚みと最小厚みの差とは、ウエブの両端から一定距離の分だけ除いたウエブの幅方向において、所定間隔で厚みを測定した際の、最大厚みと最小厚みとの差である。連続厚み測定器（アンリツ製）で測定することができる。ウエブの弾性率は、テンシロン（引張試験機）で測定された値である。
　巻き取り条件Ｃｎは、巻き始めのウエブの張力（Ｎ）、巻き終わりのウエブの張力（Ｎ）、ナーリング高さ（μｍ）、ウエブの巻き終わりの径（ｍｍ）、ウエブを押圧するタッチローラの押し力（Ｎ）、及びウエブを押圧するエアープレスの圧力（ｋＰａ）の６項目を含んでいる。
　巻き始めのウエブの張力は、巻き始める際にウエブに加えられる張力である。巻き終わりのウエブの張力は、ウエブが巻き取り長さに達した際に、ウエブに加えられる張力である。ナーリング高さは、ウエブの両端部の形成されたナーリング領域の厚みと、ナーリングの形成されていない領域の厚みとの差である。ナーリングはウエブの両端部の形成される凹凸である。ウエブの巻き終わりの径は、ウエブが巻き取り長さに達した際のウエブの径である。ウエブを押圧するタッチローラの押し力は、ウエブを巻き取る際に、タッチローラが巻芯の方向にウエブを押し付ける力である。ウエブを押圧するエアープレスの圧力は、ウエブを巻き取る際に、ノズルから噴出されるエアーが巻芯の方向にウエブを押し付ける圧力又はその際のエアーノズル内の内圧である。
　図４は、教師データＴＤに用いることができる巻き取りパラメータＰｎと巻き取り条件Ｃｎとの組み合わせの別の例を示すテーブルである。
　図３のテーブルと異なる項目について説明する。図４のテーブルにおいて、巻き取り条件Ｃｎは、巻き取りロールの径方向座標に対して表される張力関数（Ｎ）、タッチロールの押し力関数（Ｎ）、及びエアープレス圧力関数（ｋＰａ）を含んでいる。巻き取りロールの径方向座標に対して表される張力関数が、巻き始めのウエブの張力、巻き終わりのウエブの張力、ウエブの巻き終わりの径を含でいる。また、タッチロールの押し力関数がウエブを押圧するタッチローラの押し力を含んでいる。また、エアープレス圧力関数がウエブを押圧するエアープレスの圧力を含んでいる。なお、図４においては、「巻き取りロールの径方向座標に対して表される張力関数」を「径方向座標に対して表される張力関数」と表現する。
　したがって、巻き取り条件Ｃｎは、巻き始めのウエブの張力、巻き終わりのウエブの張力、ウエブの巻き終わりの径、ウエブを押圧するタッチローラの押し力、及びウエブを押圧するエアープレスの圧力を含んでいない。
　巻き取りロールの径方向座標に対して表される張力関数は、ウエブの巻き取り径とウエブの張力との関係を規定した関数である。張力関数は、例えば、張力を縦軸とウエブ径を横軸としてグラフにプロットした場合、直線、折れ線、曲線等で表すことができる。
　タッチロールの押し力関数は、ウエブの巻き取り径とタッチロールの押し力との関係を規定した関数である。エアープレス圧力関数は、ウエブの巻き取り径とエアープレス圧力との関係を規定した関数である。
　教師データＴＤｎにおいて、巻き取りパラメータＰｎは入力データを構成し、巻き取り条件Ｃｎは出力データを構成する。巻き取りパラメータＰｎは、基本的には、ライン名称、ウエブを巻き取る巻芯の径、ウエブの幅、ウエブの厚み、ウエブ幅方向の厚み分布における最大厚みと最小厚みの差、及びウエブの弾性率のように、ウエブの巻き取りが開始されると調整できない項目を含んでいる。一方、実施形態の巻き取りパラメータＰｎは、ウエブの巻き取り開始後でも調整可能なウエブの搬送速度、及びウエブの巻き取り長さを含んでいる。ウエブの搬送速度、及びウエブの巻き取り長さは、生産性を決定する要因である。ウエブの生産性の目標を達成することを前提にしているので、ウエブの搬送速度、及びウエブの巻き取り長さが、入力データである巻き取りパラメータＰｎに含まれている。ウエブの生産性の目標を達成し、かつ目標の巻き取り品質を満たす巻き取りウエブを作製することが重要となる。
　巻き取り条件Ｃｎは、基本的には、巻き始めのウエブの張力、巻き終わりのウエブの張力、ウエブの巻き終わりの径、ウエブを押圧するタッチローラの押し力、及びウエブを押圧するエアープレスの圧力のように、ウエブの巻き取りが開始後に調整可能な項目を含んでいる。
　一方、実施形態の巻き取り条件Ｃｎは、巻き取り開始後に調整できないナーリング高さを含んでいる。ナーリングは、巻き取りウエブを作製する際、又は巻き取り後の、巻きズレを防止するために設けられる。ナーリング高さは、巻き取り品質に関係すること、及び巻き取り開始前に調整可能であることから、出力データである巻き取り条件Ｃｎに含まれている。
　図３、及び図４において、巻き取りパラメータＰｎ、及び巻き取り条件Ｃｎを例示したが、これらに限定されない。巻き取りパラメータＰｎは、少なくともウエブの幅、ウエブの搬送速度、及びウエブの巻き取り長さを含んで入ればよい。巻き取り条件Ｃｎは、少なくとも、巻き始めのウエブの張力、及び巻き終わりのウエブの張力を含んでいればよい。
　また、より精度の高い新規な巻き取り条件Ｃｎｅｗを得るため、巻き取り条件Ｃｎとして、以下の項目を追加してもよい。例えば、巻き始めと巻き終わりの張力（Ｎ）、及び巻き取り径（ｍｍ）に加えて、巻き始めと巻き終わりの間の張力（Ｎ）、及び対応する巻き取り径（ｍｍ）を追加することができる。
　タッチローラの押し力（Ｎ）と巻き取り径（ｍｍ）のとの関係を追加することができる。同様に、エアープレスの圧力（ｋＰａ）と巻き取り径（ｍｍ）のとの関係を追加することができる。
　＜条件算出部＞
　条件算出部３０に備えられる機械学習部３２及び学習モデル３４について説明する。図５は機械学習部３２の概略構成図である。図５に示されるように、機械学習部３２は、ニューラルネットワーク１００及び深層学習を含んでいる。ニューラルネットワーク１００は、入力層１０２、第１中間層１０４、第２中間層１０６、及び出力層１０８を備える、いわゆる３層のニューラルネットワークで構成されている。入力層１０２、及び出力層１０８は、５個のニューロンを備える。第１中間層１０４、及び第２中間層１０６は、それぞれ３個のニューロンを備える。ニューラルネットワーク１００は全結合されている。ここで、深層学習は、入力層１０２から出力層１０８までの間で構成される層を多層化構造にした際に学習がうまく実行されない問題（勾配消失、過学習等）を起きにくいよう性能を向上したものを意味する。
　教師データＴＤｎから巻き取りパラメータＰｎが入力データとして入力層１０２に入力される。入力データとして、少なくともウエブの幅、ウエブの搬送速度、及びウエブの巻き取り長さを含んでいる。
　入力層１０２に入力された入力データは、ある重みが乗算され、さらにバイアスが加算され、第１中間層１０４に入力される。第１中間層１０４に入力された入力データは、ある重みが乗算され、さらにバイアスが加算され、第２中間層１０６に入力される。第２中間層１０６に入力された入力データは、ある重みが乗算され、さらにバイアスが加算され、出力層１０８に入力される。それぞれのニューロンにおいて、乗算される重み、及び加算されるバイアスの値は任意に設定されている。ニューロンにおいて入力を出力に変換する活性化関数として、例えば、ＲｅＬＵ（Rectified Linear Unit）を用いることができる。なお、活性化関数は、ＲｅＬＵに限定されない。
　巻き取りパラメータＰｎに対応する条件出力結果ＲＬｎが出力層１０８から出力される。条件出力結果ＲＬｎは、少なくとも、巻き始めのウエブの張力、及び巻き終わりのウエブの張力を含んでいる。
　条件出力結果ＲＬｎが調整部３６に入力される。調整部３６に、教師データＴＤｎから巻き取りパラメータＰｎに対応する巻き取り条件Ｃｎが入力される。巻き取り条件Ｃｎは、少なくとも、巻き始めのウエブの張力、及び巻き終わりのウエブの張力を含んでいる。
　調整部３６は、条件出力結果ＲＬｎと巻き取り条件Ｃｎを対比する。調整部３６は、例えば、２乗和誤差を損失関数として、その値を求める。準備されている教師データ群に含まれる全ての教師データＴＤ1～ｎについて同様の操作を行う。調整部３６は、条件出力結果ＲＬｎと巻き取り条件Ｃｎの２乗和誤差の総和が最小になるよう、重み、及びバイアスを調整する。このような調整を複数回繰り返すことで、学習が実行される。学習を終えると、学習された重みとバイアスｗｂのデータが不図示の記憶部に記憶される。
　ニューラルネットワーク１００に関し、入力層１０２、第１中間層１０４、第２中間層１０６、及び出力層１０８の個数、及びニューロンの個数は、特に限定されない。入出力データの項目数が多いほど、層の個数とニューロンの個数を増やすことが好ましい。
　ニューラルネットワーク１００を利用した学習において、過学習の対策のためDropoutの手法を適用することができる。Dropoutは、中間層のニューロンをランダムに消去する手法である。Dropoutにより、ニューラルネットワーク１００の汎化性能を向上させることができる。過学習の対策はDropoutに限定されず、種々の正則化の手法を適用することができる。
　図６は、学習モデル３４の概略構成図である。学習モデル３４は、ニューラルネットワーク２００は、入力層２０２、第１中間層２０４、第２中間層２０６、及び出力層２０８を備える、いわゆる３層のニューラルネットワークで構成されている。入力層２０２、及び出力層２０８は、５個のニューロンを備える。第１中間層２０４、及び第２中間層２０６は、それぞれ３個のニューロンを備える。ニューラルネットワーク２００には、図５に示す機械学習部３２で学習された重みとバイアスｗｂが、それぞれのニューロンに設定されている。
　新規な巻き取りパラメータＰｎｅｗがニューラルネットワーク２００に入力層２０２に入力される。それぞれのニューロンで重みとバイアスｗｂのデータを用いて、重みが乗算され、バイアスが加算され、出力層２０８に入力される。新規な巻き取りパラメータＰｎｅｗに対応する新規な巻き取り条件Ｃｎｅｗが予測値として算出され、出力層２０８から出力される。
　実施形態では機械学習部３２と学習モデル３４とが別々のニューラルネットワークを用いた場合を説明した。機械学習部３２と学習モデル３４とが共通のニューラルネットワークを用いてもよい。機械学習部３２のニューラルネットワークにより重みとバイアスとを学習する。次いで、学習された重みとバイアスとを機械学習部３２のニューラルネットワークに設定する。機械学習部３２を学習モデル３４として機能させることができる。
　機械学習部３２と学習モデル３４とは、物理的に離れていてもよい。機械学習部３２と学習モデル３４とは、機械学習部３２の学習結果を学習モデル３４が利用する関係にあればよく、特に限定されない。また、学習モデル３４は、別のサーバ等の装置で作製されたモデルあってもよい。すなわち、別のサーバ等による学習済みの学習モデル３４を、巻き取り条件生成装置１０の条件算出部３０に投入してもよい。
　機械学習部３２に学習させる際、多くの良質な教師データＴＤｎを用いて学習することが予測値の精度向上につながる。一方、巻き取りの品質範囲が限定的な巻き取り条件Ｃｎを抽出し、この巻き取り条件Ｃｎを含む教師データＴＤｎを利用して機械学習部３２で学習させると、学習モデル３４から出力される新規な巻き取り条件Ｃnewの各項目も限定的な値となる。学習の結果が、教師データＴＤに依存するからである。そのため、巻き取り条件Ｃnewの各項目がどの程度許容幅を持つかを認識することが困難であった。
　実施形態では、以下の手法により、信頼性のある教師データＴＤｎを有効に増やすことができ、巻き取り条件Ｃnewの各項目の許容幅を確認することができる。
　まず、教師データＴＤｎに含まれる巻き取り条件Ｃｎの集合から各項目（例えば、巻き始めのウエブの張力、ナーリング高さ等）を抽出する。各項目における製造管理幅を確認する。各項目が、それぞれ、製造管理幅を持つ場合がある。製造管理幅は巻き取りに際し許容される品質許容範囲値である。例えば、上述の張力は１０Ｎの製造管理幅を持つ。すなわち、ウエブを巻き取る際、ある張力に対して±５Ｎが許容される範囲となる。同様にナーリング高さは、品種により例えば１μｍの製造管理幅を持っており、±０．５μｍが許容される範囲となる。
　そこで、巻き取り条件Ｃｎに含まれる各項目について、以下の式１に示す製造管理幅の０．５倍を加算した場合と、製造管理幅の０．５倍を減算した場合とを、項目として含ませている。
　Ｃｋ＝Ｃｎｉ±　０．５×Ｔｎｉ　　（式１）
　ここで、Ｃｎｉは巻き取り条件Ｃｎに含まれる項目を、Ｔは製造管理幅を示している。すなわちＣｋはＣｎｉ＋０．５×ＴｎｉとＣｎｉ－０．５×Ｔｎｉとを含んでいる。これらを含め、巻き取り条件Ｃｎに対する追加巻き取り条件Ｃａｄとして許容する。すなわち、巻き取りパラメータＰｎ、及び巻き取り条件Ｃｎの組み合わせとする教師データＴＤｎ以外に、巻き取りパラメータＰｎ及び追加巻き取り条件Ｃａｄの組み合わせを追加教師データＴＤadとして教師データＴＤｎに加えることになる。
　次に、巻き取り条件Ｃｎに対して追加巻き取り条件Ｃａｄがどの程度増加するかを説明する。上述のＣｋ＝Ｃｎｉ±０．５×Ｔｎｉを認めると、結果、一つの項目に注目すれば、Ｃｎｉ、Ｃｎｉ＋０．５×Ｔｎｉ、及びＣｎｉ－０．５×Ｔｎｉの３つの値を含むことになる。
　例えば、巻き取り条件Ｃｎが４項目を有し、それぞれ項目の値がＣｎ１からＣｎ４であり、各項目がそれぞれＴｎ１からＴｎ４の製造管理幅を有る場合について説明する。
以下は、巻き取り条件Ｃｎの各項目の値の組み合わせを示している。
Ｎｏ１：（Ｃｎ１＋0.5×Ｔｎ１、Ｃｎ２＋0.5×Ｔｎ２、Ｃｎ３＋0.5×Ｔｎ３、Ｃｎ４＋0.5×Ｔｎ４）
Ｎｏ２：（Ｃｎ１　　　　 　、Ｃｎ２＋0.5×Ｔｎ２、Ｃｎ３＋0.5×Ｔｎ３、Ｃｎ４＋0.5×Ｔｎ４）
Ｎｏ３：（Ｃｎ１－0.5×Ｔｎ１、Ｃｎ２＋0.5×Ｔｎ２、Ｃｎ３＋0.5×Ｔｎ３、Ｃｎ４
＋0.5×Ｔｎ４）
Ｎｏ４：（Ｃｎ１＋0.5×Ｔｎ１、Ｃｎ２　　　 　　、Ｃｎ３＋0.5×Ｔｎ３、Ｃｎ４＋0.5×Ｔｎ４）
Ｎｏ５：（Ｃｎ１　　　　 　、Ｃｎ２　　　　 　、Ｃｎ３＋0.5×Ｔｎ３、Ｃｎ４＋0.5×Ｔｎ４）
Ｎｏ６：（Ｃｎ１－0.5×Ｔｎ１、Ｃｎ２　　　 　　、Ｃｎ３＋0.5×Ｔｎ３、Ｃｎ４＋0.5×Ｔｎ４）
Ｎｏ７：（Ｃｎ１＋0.5×Ｔｎ１、Ｃｎ２－0.5×Ｔｎ２、Ｃｎ３＋0.5×Ｔｎ３、Ｃｎ４
＋0.5×Ｔｎ４）
Ｎｏ８：（Ｃｎ１　　　　 　、Ｃｎ２－0.5×Ｔｎ２、Ｃｎ３＋0.5×Ｔｎ３、Ｃｎ４＋0.5×Ｔｎ４）
Ｎｏ９：（Ｃｎ１－0.5×Ｔｎ１、Ｃｎ２－0.5×Ｔｎ２、Ｃｎ３＋0.5×Ｔｎ３、Ｃｎ４
＋0.5×Ｔｎ４）・・・・・
Ｎｏ８１・・・
　上述したように、Ｃｎ１からＣｎ４の各項目が、それぞれ３つの値を取ることができるので、その組み合わせの個数は３４＝８１となる。１個の教師データＴＤｎが８１倍の教師データに増えることが理解できる。ただし、教師データにおける製造管理幅を現場で取得した際に、巻き取り条件のうち一つの項目のみ加算もしくは減算し、他の項目はそのままの値で良好な巻き取り品質となることを確認して得られた製造管理幅の場合は、教師データも同様にする。すなわち、上記の例で示すと、その組み合わせの個数は３×Ｎとなり、製造管理幅を設定した項目が４個の場合は、教師データＴＤｎは１２倍の教師データに増加することが理解できる。
　上述では、Ｃｎ１からＣｎ４の各項目が、Ｔｎ１からＴｎ４の製造管理幅を有する場合について説明した。例えば、項目Ｃｎ４の製造管理幅Ｔｎ４が０と設定されている場合、組み合せの計算から除外される。したがって、組み合わせの個数は３３＝２７となる。Ｃｎ１からＣｎ４の各項目の中で一つでも製造管理幅Ｔｎが定められていると、組み合わせの個数は３１＝３となる。この場合であっても、１個の教師データＴＤｎが３倍の教師データに増えることが理解できる。
　上述の手法によれば、式１の範囲を巻き取り条件に加えことにより、品質許容範囲が設定された項目数をＮとした場合、３Ｎ－１個分の教師データを追加教師データとして付与することができる。実際の製造管理幅に基づいて信頼性のある追加教師データＴＤａｄを増やせることができ、追加教師データＴＤａｄを加えた教師データＴＤｎを用いて学習することにより予測値の精度向上を図ることができる。機械学習部３２により学習モデル３４を作製する前に、追加教師データＴＤａｄを付与するステップを設けることが好ましい。
　また、製造管理幅を実際の製造現場で設定した際に、他の項目はそのままの値に設定していた場合は、それに合わせ、追加教師データは、製造管理幅を設定した項目のみを加減算し、他の項目は変更しない。すわなち、３Ｎ－１個分の教師データのみを追加教師データとして付与することが好ましい。また、３Ｎ－１個分の教師データの一部を追加教師データとして付与することができる。
　＜巻き取り装置＞
　実施形態の巻き取り装置について、図７、及び図７に参照して説明する。図７に示されるように、巻き取り装置３００は、製造ライン５００の下流側に配置される。製造ライン５００は、ウエブ１を製造するための設備、例えば、塗布装置、乾燥装置等を含んでいる。ウエブ１を製造するための設備であれば、特に限定されない。製造ライン５００はコントローラ５０２によりウエブ１に対する各種処理が制御される。コントローラ５０２は、駆動ローラ５０４の回転速度を制御することができ、ウエブの搬送速度を調整することができる。
　巻き取り装置３００は、巻芯３０２、モータ３０４、支持台３０６、及びタッチローラ３０８、押圧機構３１０、張力測定ローラ３１２、張力センサ３１４、ダンサーローラ３１８、ダンサー機構３２０、ガイドローラ３２２、測長ローラ３２４、及びコントローラ３２６を含んでいる。
　巻芯３０２は支持台３０６に回動自在に保持されている。モータ３０４が巻芯３０２を回転駆動する。コントローラ３２６はモータ３０４の回転を制御し、巻芯３０２を矢印Ａ方向に回転させる。回転により、ウエブ１は巻芯３０２に巻き取られる。
　ウエブ１は、可撓性の連続した帯状であって膜厚の薄い部材を意味し、樹脂フィルム、紙、金属、レジンコーティッド紙、又は合成紙等が包含される。樹脂フィルムの材質は、例えば、ポリエチレン、ポリプロピレン等のポリオレフィン、ポリ酢酸ビニル、ポリ塩化ビニル、ポリスチレン等のビニル重合体、６，６─ナイロン、６─ナイロン等のポリアミド、ポリエチレンテレフタレート、ポリエチレン─２，６─ナフタレート等のポリエステル、ポリカーボネート、セルローストリアセテート、セルロースダイアセテート等のセルロースアセテート等が例示することができる。樹脂フィルムは、例えば、機能が付与（例えば、機能層の形成等）されていても良い。
　ウエブ１の搬送経路の途中に、張力測定ローラ３１２、ダンサーローラ３１８、ガイドローラ３２２がそれぞれ配置されている。張力測定ローラ３１２には張力センサ３１４が接続される。また、ダンサーローラ３１８には、ダンサーローラ３１８を移動させるダンサー機構３２０が設けられ、一定の力でウエブに張力を与えている。ダンサー位置センサは、ダンサー位置を測定する。測定されたダンサー位置はコントローラ３２６に入力される。コントローラ３２６は、測定結果に基づいて、制御し、ダンサーローラ３１８を移動してウエブ１に安定した張力を与えることができる。
　タッチローラ３０８は、巻芯３０２の回転軸と平行な回転軸を有し、巻芯３０２に巻き取られるウエブ１に当接する。タッチローラ３０８には押圧機構３１０が設けられている。押圧機構３１０は、コントローラ３２６によって制御され、巻芯３０２に向かって所定の押し力でタッチローラ３０８を押し付ける。タッチローラ３０８は、巻芯３０２に巻き取られるウエブ１に巻き込まれるエアーの含有率を低くすることができる。押圧機構３１０は、例えば、タッチローラ３０８を支持するアームと、アームを押すエアーシリンダ等で構成される。コントローラ３２６は、エアーシリンダの空気圧を制御することができ、ウエブを押圧するタッチローラ３０８の押し力を調整することができる。
　測長ローラ３２４は、ウエブ１に当接して設けられており、ウエブ１の移動に伴って回転する。測長ローラ３２４には、不図示のエンコーダが設けられている。エンコーダからの信号がコントローラ３２６に入力される。コントローラ３２６は、測長ローラ３２４を通過するウエブ１の送り長、ここではウエブの巻き取り長さを測定することができる。ウエブの巻き取り長さが、予め定められた値に達すると、コントローラ３２６は巻芯３０２の回転を停止する。
　ウエブの巻き取り径は、コントローラ３２６により、常時演算され、算出されている。例えば、巻芯３０２が一回転するのに必要なウエブの長さを計測し、ウエブの長さを３．１４で除算することにより径を求めることができる。
　図７に示す実施形態において、巻き取り条件生成装置１０の条件算出部３０の学習モデル３４（不図示）には、新規な巻き取りパラメータＰｎｅｗが入力されている。条件算出部３０の学習モデル３４が、新規な巻き取りパラメータＰｎｅｗから、新規な巻き取り条件Ｃｎｅｗを予測値として算出する。
　新規な巻き取りパラメータＰｎｅｗ及び新規な巻き取り条件Ｃｎｅｗが、コントローラ３２６、及びコントローラ５０２に入力される。新規な巻き取りパラメータＰｎｅｗ及び新規な巻き取り条件Ｃｎｅｗに基づいて、巻き取り装置３００によりウエブを巻き取ることにより、目標の品質を満たす巻き取りウエブを作製することができる。
　次に、図７を参照して、図７と異なる巻き取り装置４００について説明する。なお、上述の巻き取り装置３００と同一の部分については同一の符号を付し、詳細な説明を省略する場合がある。
　巻き取り装置４００は、巻き取り装置３００とは異なりタッチローラ３０８に代えて、エアーノズル４０２を備える。エアーノズル４０２に形成されたスリット状の開口（不図示）からウエブ１のエアーを吹き付けてエアープレスすることにより、巻芯３０２に巻き取られるウエブ１に巻き込まれるエアーを非接触で除去することができる。
　エアーノズル４０２は、エアーノズル４０２の開口の長手方向と巻芯３０２の回転軸とが平行になるように配置される。実施形態では、エアーノズル４０２は、エアー噴出方向がウエブ１の主面と直交する位置に配置されている。エアーノズル４０２のエアー噴出方向をウエブ１の主面に対して直交する位置から傾けてもよい。
　エアーノズル４０２には、エアーの発生源として、フィルタ、エアータンク及びコンプレッサからなるブロア４０４が配管４０６を介して接続されている。コントローラ３２６はブロア４０４を制御することができ、ウエブを押圧するエアープレスの圧力を調整することができる。
　図７においては、巻き取り装置４００と駆動ローラ５０４との間に、ナーリングローラ５０６が配置される。ナーリングローラ５０６は、ウエブ１の端部を、ウエブ１の厚み方向から挟圧（ニップ）するため、一対で構成される。ウエブ１の両端部にナーリングを設けるため一対のナーリングローラ５０６が２個、ウエブ１の両端部に配置される。ナーリングはウエブに形成された凹凸である。ウエブに凹凸を形成するため、一対のナーリングローラ５０６に一方には、突起（不図示）が設けられている。
　ナーリングローラ５０６には、ニップ圧調整機構（不図示）が設けられている。ニップ圧調整機構は、ナーリングローラ５０６とウエブ１との距離を調整することができる。ニップ圧調整機構は、コントローラ５０２に制御することができ、ナーリング高さを調整することができる。また、ナーリングローラ５０６に形成される突起の形状、大きさ等を変更することにより、ナーリング高さを調整することができる。
　図７に示す実施形態において、巻き取り条件生成装置１０の条件算出部３０の学習モデル３４（不図示）には、新規な巻き取りパラメータＰｎｅｗが入力されている。条件算出部３０の学習モデル３４が、新規な巻き取りパラメータＰｎｅｗから、新規な巻き取り条件Ｃｎｅｗを予測値として算出する。
　新規な巻き取りパラメータＰｎｅｗ及び新規な巻き取り条件Ｃｎｅｗが、コントローラ３２６、及びコントローラ５０２に入力される。新規な巻き取りパラメータＰｎｅｗ及び新規な巻き取り条件Ｃｎｅｗに基づいて、巻き取り装置４００によりウエブを巻き取ることにより、目標の品質を満たす巻き取りウエブを作製することができる。上述したように、巻き取り条件算出方法により巻き取り条件が算出され、算出された巻き取り条件を用いて、例えば、巻き取り装置３００、及び４００によるウエブの巻き取り方法が提供される。
　実施形態の巻き取り条件生成装置１０を利用し、学習モデル３４の評価を行った。巻き取りパラメータとして、搬送速度、巻き取り長さ、及びウエブ幅を選択した。巻き取り条件としては、巻き始めの張力、及び巻き終わりの張力を選択した。学習に使用しなかったテストデータで評価したところ、学習モデル３４により生成された予測値と実際の製造条件値との差の少なさを表す学習モデル３４から算出された巻き取り条件の正答率は、８０％から９５％の範囲であった。学習モデル３４が実際の巻き取り条件と同等であり、十分使用できることが理解できる。
　通常の製造ラインを用いて巻き取り条件を試作で構築する場合と比較して、実施形態の巻き取り条件生成装置を利用することにより、コストを及び時間を１／１０から１／５程度の範囲に抑えることができる予測される。
　ここまで説明した実施形態において、例えば、機械学習部３２、学習モデル３４、コントローラ３２６、及びコントローラ５０２の各種の処理を実行する処理部（processing unit）のハードウェア的な構造は、次に示すような各種のプロセッサ（processor）である。各種のプロセッサには、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵ（Central Processing Unit）、画像処理に特化したプロセッサであるＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：ＰＬＤ）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。
　１つの処理部は、これら各種のプロセッサのうちの１つで構成されていてもよいし、同種又は異種の２つ以上のプロセッサ（例えば、複数のＦＰＧＡ、あるいはＣＰＵとＦＰＧＡの組み合わせ、又はＣＰＵとＧＰＵの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。複数の処理部を１つのプロセッサで構成する例としては、第１に、サーバ及びクライアント等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組合せで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip：ＳｏＣ）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、各種のプロセッサを１つ以上用いて構成される。
　さらに、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（circuitry）である。
　次に、巻き取り欠陥レベル予測値生成方法について説明する。
　図９は、巻き取り欠陥レベル予測値生成装置の概略ブロック図である。図９に示されるように、巻き取り欠陥レベル予測値生成装置１０１０は、入力部１０２０と、予測値算出部１０３０と、出力部１０４０と、記憶部１０５０と、備える。
　入力部１０２０は入力部２０と同様の構成であり、出力部１０４０は出力部４０と同様の構成であり、記憶部１０５０は記憶部５０と同様の構成である。
　教師データＴＤｎとは、巻き取りロールを作製した際の目標の巻き取り品質を満たす条件だけでなく、様々な欠陥レベルを発生させる情報である。教師データＴＤｎとして、巻き取りウエブの作製に関する良質なデータに加えて、弱い欠陥レベルから強い欠陥レベルまで様々な巻き取りデータが抽出されていることが望ましい。
　教師データＴＤ１は入力データＩＮ１と出力データＯＵＴ１とを含み、教師データＴＤ２は入力データＩＮ２と出力データＯＵＴ２とを含んでいる。各教師データＴＤｎは、入力データＩＮｎと出力データＯＵＴｎとを含んでいる。教師データＴＤｎに含まれる入力データＩＮｎは、巻き取りウエブを作製するための情報であって、巻き取りパラメータＰｎと巻き取り条件Ｃｎとの組み合わせの情報として取得されている。教師データＴＤｎに含まれる出力データＯＵＴｎは、巻き取りウエブの品質に関する情報であって、ウエブの巻きズレ量とウエブの損傷欠陥レベルとを含む巻き取り欠陥レベル値である。
　ウエブの巻きズレ量（ｍｍ）は、巻き終わった後のロール輸送時、又は衝撃付与実験装置で衝撃を与えられた際の幅方向への巻きズレ量（ｍｍ）、もしくは周方向への巻きズレ量（ｍｍ）を意味する。主な巻きズレである幅方向への巻きズレは、幅方向に巻きの途中でずれである。また、周方向ずれは、巻きズレ前に端面に直線を書き、巻きズレた後その直線を測った際のずれ量である。
　ウエブの損傷欠陥は、ウエブが変形し折れ曲がったり痕ができたりして損傷した欠陥を意味する。損傷欠陥のレベルとは、欠陥の強度を表している。欠陥の強度は、官能評価で行われ、例えば、レベル１～レベル１０の１０段階評価で、変形の強度が強いものほど高い数値のレベルに分類される。
　ウエブの損傷欠陥が、しわや凹み、模様などの複数の種類を有する場合には、それぞれについてのレベルを出力データとして、扱う。例えば、欠陥が巻きズレ、縦しわ、横しわ、凹みがある場合には、出力データは巻きズレ量、縦しわレベル、横しわレベル、凹みレベルの４つで構成される。
　予測値算出部１０３０は、機械学習部１０３２と学習モデル１０３４とを備えている。機械学習部３２は、複数の教師データＴＤ１、教師データＴＤ２・・・教師データＴＤｎのあつまりを教師データ群として、機械学習するよう構成されている。機械学習部３２において、入力データＩＮｎは入力教師データを構成する。出力データＯＵＴｎは出力教師データとなる。
　機械学習部１０３２は、教師データＴＤｎから、後述する、入力データＩＮｎと出力データＯＵＴｎとの相関関係を学習する。
　目標の巻き取り品質を満たす教師データＴＤｎに基づいて機械学習部３２が学習モデル３４を作製しているので、新規な入力データＩＮｎｅｗ（新規な巻き取りパラメータＰｎｅｗ及び新規な巻き取り条件Ｃｎｅｗ）から、出力データＯＵＴｎｅｗ（巻きズレ量、及びウエブの損傷欠陥レベル）の予測値を得ることができる。
　＜教師データ＞
　教師データＴＤｎの構成について説明する。図１０は、教師データＴＤに用いることができる入力データＩＮｎと出力データＯＵＴｎの組み合わせの一例を示すテーブルである。図１０に示されるように、入力データＩＮｎとして巻き取りパラメータＰｎ、及び巻き取り条件Ｃｎを含んでいる。巻き取りパラメータＰｎ、及び巻き取り条件Ｃｎの各項目は、図３に対応している。出力データＯＵＴｎとして巻きズレ量、及びウエブの損傷欠陥レベルを含んでいる。
　図１１は、教師データＴＤに用いることができる入力データＩＮｎと出力データＯＵＴｎの組み合わせの別の例を示すテーブルである。図１１に示されるように、巻き取りパラメータＰｎ、及び巻き取り条件Ｃｎの各項目は、図４に対応している。
　＜予測値算出部＞
　予測値算出部１０３０に備えられる機械学習部１０３２及び学習モデル１０３４について説明する。図１２は機械学習部１０３２の概略構成図である。図１２に示されるように、機械学習部１０３２は、ニューラルネットワーク１００及び深層学習を含んでいる。ニューラルネットワーク１００は、入力層１０２、第１中間層１０４、第２中間層１０６、及び出力層１０８を備える、いわゆる３層のニューラルネットワークで構成されている。入力層１０２、及び出力層１０８は、５個のニューロンを備える。第１中間層１０４、及び第２中間層１０６は、それぞれ３個のニューロンを備える。ニューラルネットワーク１００は全結合されている。
　教師データＴＤｎから入力データＩＮｎとして巻き取りパラメータＰｎ、及び巻き取り条件Ｃｎが入力層１０２に入力される。
　入力層１０２に入力された入力データは、ある重みが乗算され、さらにバイアスが加算され、第１中間層１０４に入力される。第１中間層１０４に入力された入力データＩＮｎは、ある重みが乗算され、さらにバイアスが加算され、第２中間層１０６に入力される。第２中間層１０６に入力された入力データＩＮｎは、ある重みが乗算され、さらにバイアスが加算され、出力層１０８に入力される。それぞれのニューロンにおいて、乗算される重み、及び加算されるバイアスの値は任意に設定されている。
　巻き取りパラメータＰｎ、及び巻き取り条件Ｃｎに対応する欠陥レベル予測値ＥＬｎが出力層１０８から出力される。
　欠陥レベル予測値ＥＬｎが調整部３６に入力される。調整部３６に、教師データＴＤｎから巻き取りパラメータＰｎ、及び巻き取り条件Ｃｎに対応する出力データＯＵＴｎが入力される。出力データＯＵＴｎは、巻きズレ量、及びウエブの損傷欠陥レベルを含んでいる。
　調整部３６は、欠陥レベル予測値ＥＬｎと出力データＯＵＴｎを対比する。調整部３６は、例えば、２乗和誤差を損失関数として、その値を求める。準備されている教師データ群に含まれる全ての教師データＴＤ1～ｎについて同様の操作を行う。調整部３６は、欠陥レベル予測値ＥＬｎと出力データＯＵＴｎの２乗和誤差の総和が最小になるよう、重み、及びバイアスを調整する。このような調整を複数回繰り返すことで、学習が実行される。学習を終えると、学習された重みとバイアスｗｂのデータが不図示の記憶部に記憶される。
　ニューラルネットワーク１００の構成は、図５に示される機械学習部３２に含まれるニューラルネットワーク１００と同様の構成を取り得ることができる。
　図１３は、学習モデル１０３４の概略構成図である。学習モデル１０３４は、ニューラルネットワーク２００は、入力層２０２、第１中間層２０４、第２中間層２０６、及び出力層２０８を備える、いわゆる３層のニューラルネットワークで構成されている。入力層２０２、及び出力層２０８は、５個のニューロンを備える。第１中間層２０４、及び第２中間層２０６は、それぞれ３個のニューロンを備える。ニューラルネットワーク２００には、図１２に示す機械学習部１０３２で学習された重みとバイアスｗｂが、それぞれのニューロンに設定されている。
　新規な入力データＩＮｎｅｗとして新規な巻き取りパラメータＰｎｅｗ、及び新規な巻き取り条件Ｃｎｅｗがニューラルネットワーク２００に入力層２０２に入力される。それぞれのニューロンで重みとバイアスｗｂのデータを用いて、重みが乗算され、バイアスが加算され、出力層２０８に入力される。新規な入力データＩＮｎｅｗに対応する新規な出力データＯＵＴｎｅｗが、新規な巻き取りウエブに対する、巻き取り欠陥レベル予測値として算出され、出力層２０８から出力される。すなわち、新規な巻き取りパラメータＰｎｅｗ、及び新規な巻き取り条件Ｃｎｅｗから新規に巻き取られるウエブの巻きズレ量、及びウエブの損傷欠陥レベルを予測することができる。
　実施形態では機械学習部１０３２と学習モデル１０３４とが別々のニューラルネットワークを用いた場合を説明した。機械学習部１０３２と学習モデル１０３４とが共通のニューラルネットワークを用いてもよい。機械学習部１０３２のニューラルネットワークにより重みとバイアスとを学習する。次いで、学習された重みとバイアスとを機械学習部３２のニューラルネットワークに設定する。機械学習部１０３２を学習モデル１０３４として機能させることができる。
　機械学習部１０３２と学習モデル１０３４とは、物理的に離れていてもよい。機械学習部１０３２と学習モデル１０３４とは、機械学習部１０３２の学習結果を学習モデル１０３４が利用する関係にあればよく、特に限定されない。また、学習モデル１０３４は、別のサーバ等の装置で作製されたモデルあってもよい。すなわち、別のサーバ等による学習済みの学習モデル１０３４を、巻き取り欠陥レベル予測値生成装置１０１０の予測値算出部１０３０に投入してもよい。
　次に、最適な巻き取り条件生成装置、及び最適な巻き取り条件生成方法について説明する。
　図１４に示されるように、巻き取り条件生成装置２０１０は、巻き取り条件算出部２０２０と、欠陥レベル算出モデル２０３０とを備える。欠陥レベル算出モデル２０３０は、巻き取り欠陥レベル予測値生成装置１０１０における学習モデル１０３４であり、巻き取り条件を入力とし、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを出力するモデルである。
　上述したように、欠陥レベル算出モデル２０３０は、入力データＩＮｎ（巻き取りパラメータＰｎ、及び巻き取り条件Ｃｎ）を教師データＴＤｎとして対して巻き取り欠陥レベル予測値を出力データＯＵＴｎとして出力するように学習されたモデルである。一方で、巻き取り欠陥レベル予測値を出力データＯＵＴｎが小さく、すなわち欠陥レベルを良化させるための、入力データＩＮｎに含まれる巻き取り条件Ｃｎを算出することはできない。
　巻き取り条件算出部２０２０は、設計変数を進化計算させて、目標関数が最小となるように演算処理できるよう構成されている。ここで、進化計算は、遺伝的アルゴリズム等の最適手法による計算を意味する。
　巻き取り条件算出部２０２０は、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルのそれぞれの和を目的関数とし、巻き取り条件を設計変数とし、目的関数が最小になるまで、進化計算することができる。
　実施形態において、巻き取り条件算出部２０２０は、設計変数を変化させ、目的関数が小さくなった際の設計変数である巻き取り条件を、巻き取り条件として出力する。
　巻き取り条件算出部２０２０は、欠陥レベルを良化させるための巻き取り条件Ｃｎｅｗを算出できる。
　ここまで説明した実施形態において、例えば、機械学習部１０３２、学習モデル１０３４、巻き取り条件算出部２０２０、及び欠陥レベル算出モデル２０３０各種の処理を実行する処理部（processing unit）のハードウェア的な構造は、次に示すような各種のプロセッサ（processor）である。各種のプロセッサには、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵ（Central Processing Unit）、画像処理に特化したプロセッサであるＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：ＰＬＤ）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。
　１つの処理部は、これら各種のプロセッサのうちの１つで構成されていてもよいし、同種又は異種の２つ以上のプロセッサ（例えば、複数のＦＰＧＡ、あるいはＣＰＵとＦＰＧＡの組み合わせ、又はＣＰＵとＧＰＵの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。複数の処理部を１つのプロセッサで構成する例としては、第１に、サーバ及びクライアント等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組合せで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip：ＳｏＣ）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、各種のプロセッサを１つ以上用いて構成される。
１０　巻き取り条件生成装置
２０　入力部
３０　条件算出部
３２　機械学習部
３４　学習モデル
３６　調整部
４０　出力部
５０　記憶部
１００　ニューラルネットワーク
１０２　入力層
１０４　第１中間層
１０６　第２中間層
１０８　出力層
２００　ニューラルネットワーク
２０２　入力層
２０４　第１中間層
２０６　第２中間層
２０８　出力層
３００　巻き取り装置
３０２　巻芯
３０４　モータ
３０６　支持台
３０８　タッチローラ
３１０　押圧機構
３１２　張力測定ローラ
３１４　張力センサ
３１８　ダンサーローラ
３２０　ダンサー機構
３２２　ガイドローラ
３２４　測長ローラ
３２６　コントローラ
４００　巻き取り装置
４０２　エアーノズル
４０４　ブロア
４０６　配管
５００　製造ライン
５０２　コントローラ
５０４　駆動ローラ
５０６　ナーリングローラ
１０１０　巻き取り欠陥レベル予測値生成装置
１０２０　入力部
１０３０　予測値算出部
１０３２　機械学習部
１０３４　学習モデル
１０４０　出力部
１０５０　記憶部
２０１０　巻き取り条件生成装置
２０２０　巻き取り条件算出部
２０３０　欠陥レベル算出モデル
Ａ　矢印

Claims (17)

  1. 　入力部と、出力部と、条件算出部と、を備える巻き取り条件生成装置であって、
    　前記条件算出部は、目標の巻き取り品質を満たす巻き取りウエブを作製した際の巻き取りパラメータ、及び巻き取り条件の組み合わせを教師データとして機械学習により作製された学習モデルを備え、前記入力部から入力された新規な巻き取りウエブの巻き取りパラメータから、前記学習モデルを用いて、新規な巻き取りウエブの巻き取り条件を算出し、
    　前記出力部は前記巻き取り条件を出力する、巻き取り条件生成装置であって、
    　前記巻き取りパラメータは、ウエブの幅、ウエブの搬送速度、及びウエブの巻き取り長さを含み、
    　前記巻き取り条件は、巻き始めのウエブの張力、及び巻き終わりのウエブの張力を含む、
    　巻き取り条件生成装置。
  2. 　前記巻き取りパラメータは、ウエブを巻き取る巻芯の径、巻き取りウエブを作製したライン名称、ウエブの厚み、ウエブ幅方向の最大厚みと最小厚みとの差、及びウエブの弾性率の少なくとも一つを含み、
    　前記巻き取り条件は、ウエブの巻き終わりの径、ナーリング高さ、ウエブを押圧するエアープレスの圧力、及びウエブを押圧するタッチローラの押し力の少なくとも一つを含む、請求項１に記載の巻き取り条件生成装置。
  3. 　前記目標の巻き取り品質は、ウエブの巻きズレ欠陥、及びウエブの損傷欠陥が発生しないことである請求項１又は２に記載の巻き取り条件生成装置。
  4. 　前記機械学習は、ニューラルネットワーク、及び深層学習を含む請求項１から３の何れか一項に記載の巻き取り条件生成装置。
  5. 　前記教師データである、ウエブを作製した際に得られた前記巻き取り条件の集合に対し、それぞれの巻き取り条件の項目の値をＣｎｉとし、前記巻き取り条件の項目の値Ｃｎｉに設定された品質許容範囲値をＴｎｉとし、かつ前記品質許容範囲値Ｔｎｉが設定された項目数をＮとした場合、前記各項目について下記の式で求められる範囲を巻き取り条件に加え、３Ｎ－１個分の教師データ、又は前記教師データの一部を追加教師データとして付与された請求項４に記載の巻き取り条件生成装置。
    　Ｃｋ＝　Ｃｎｉ　±　０．５×Ｔｎｉ
  6. 　前記巻き取り条件は、巻き取りロールの径方向座標に対して表される張力関数、ウエブを押圧するエアープレス圧力関数、及びタッチローラの押し力の関数の何れかを含む請求項１から５の何れか一項に記載の巻き取り条件生成装置。
  7. 　目標の巻き取り品質を満たす巻き取りウエブを作製した際の巻き取りパラメータ、及び巻き取り条件の組み合わせを教師データとして機械学習する機械学習部を備える、請求項１から６の何れか一項に記載の巻き取り条件生成装置。
  8. 　請求項１から７の何れか一項に記載の巻き取り条件生成装置により算出された巻き取り条件を用いて、ウエブを巻き取る巻き取り装置。
  9. 　入力部と、出力部と、予測値算出部と、を備える巻き取り欠陥レベル予測値生成装置であって、
    　前記予測値算出部は、巻き取りウエブを作製した際の巻き取りパラメータと巻き取り条件及び巻き取り欠陥レベル値の組み合わせを教師データとして機械学習により作製された
    学習モデルを備え、前記入力部から入力された新規な巻き取りウエブの巻き取りパラメータと巻き取り条件とから、前記学習モデルを用いて、巻き取り欠陥レベル予測値を算出し、
    　前記出力部は前記巻き取り欠陥レベル予測値を出力する、巻き取り欠陥レベル予測値生成装置であって、
    　前記巻き取りパラメータは、ウエブの幅、ウエブの搬送速度、及びウエブの巻き取り長さ、ウエブを巻き取る巻芯の径、巻き取りウエブを作製したライン名称、ウエブの厚み、ウエブ幅方向の最大厚みと最小厚みとの差、及びウエブの弾性率の少なくとも一つを含み、
    　前記巻き取り条件は、巻き始めのウエブの張力、巻き終わりのウエブの張力、ナーリング高さ、ウエブを押圧するエアープレスの圧力、及びウエブを押圧するタッチローラの押し力の少なくとも一つを含み、
    　前記巻き取り欠陥レベル予測値は、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを含む、
    　巻き取り欠陥レベル予測値生成装置。
  10. 　請求項９に記載の巻き取り欠陥レベル予測値生成装置における学習モデルであり、巻き取り条件を入力し、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを出力する欠陥レベル算出モデルと、
    　巻き取り条件算出部と、を備え、
    　前記巻き取り条件算出部は、
    　前記欠陥レベル算出モデルの出力であるウエブの巻きズレ量、及び前記ウエブの損傷欠陥のレベルのそれぞれの和を目的関数とし、前記巻き取り条件を設計変数とし、前記目的関数が小さくなるまで、進化計算により、前記設計変数を変化させ、前記目的関数が最小になった際の設計変数である巻き取り条件を、巻き取り条件として出力する、巻き取り条件生成装置。
  11. 　目標の巻き取り品質を満たす巻き取りウエブを作製した際の巻き取りパラメータ、及び巻き取り条件の組み合わせを教師データとして機械学習により学習モデルを作製するステップと、
    　新規な巻き取りウエブの巻き取りパラメータを入力するステップと、
    　前記巻き取りパラメータから前記学習モデルを用いて新規な巻き取りウエブの巻き取り条件を算出するステップと、を少なくとも備える巻き取り条件算出方法であって、
    　前記巻き取りパラメータは、ウエブの幅、ウエブの搬送速度、及びウエブの巻き取り長さを含み、
    　前記巻き取り条件は、巻き始めのウエブの張力、及び巻き終わりのウエブの張力を含む、
    　巻き取り条件算出方法。
  12. 　前記巻き取りパラメータは、ウエブを巻き取る巻芯の径、巻き取りウエブを作製したライン名称、ウエブの厚み、ウエブ幅方向の最大厚みと最小厚みとの差、及びウエブの弾性率の少なくとも一つを含み、
    　前記巻き取り条件は、ウエブの巻き終わりの径、ナーリング高さ、ウエブを押圧するエアープレスの圧力、及びウエブを押圧するタッチローラの押し力の少なくとも一つを含む、請求項１１に記載の巻き取り条件算出方法。
  13. 　前記教師データである、ウエブを作製した際に得られた前記巻き取り条件の集合に対し、それぞれの巻き取り条件の項目の値をＣｎｉとし、前記巻き取り条件の項目の値Ｃｎｉに設定された品質許容範囲値をＴｎｉとし、かつ前記品質許容範囲値Ｔｎｉが設定された項目数をＮとした場合、前記各項目について下記の式で求められる範囲を巻き取り条件に加え、３Ｎ－１個分の教師データ、又は前記教師データの一部を追加教師データとして付与するステップを含む請求項１１又は１２に記載の巻き取り条件算出方法。
    　Ｃｋ＝　Ｃｎｉ　±　０．５×Ｔｎｉ
  14. 　前記巻き取り条件は、巻き取りロールの径方向座標に対して表される張力関数、ウエブを押圧するエアープレス圧力関数、及びタッチローラの押し力の関数の何れかを含む請求項１１から１３の何れか一項に記載の巻き取り条件算出方法。
  15. 　請求項１１から１４の何れか一項に記載の巻き取り条件算出方法により巻き取り条件を算出するステップと、
    　算出された前記巻き取り条件を用いてウエブを巻き取るステップと、
    　を備える巻き取り方法。
  16. 　巻き取りロールを作製した際の巻き取りパラメータと巻き取り条件を入力とし、巻き取り欠陥レベル値を出力とした組み合わせの教師データを機械学習する学習モデルを作製するステップと、
    　新規な巻き取りウエブの巻き取りパラメータと巻き取り条件とを入力するステップと、
    　前記巻き取りパラメータと巻き取り条件とから、前記学習モデルを用いて、新規な巻き取りウエブの巻き取り欠陥レベル予測値を算出するステップと、を少なくとも備える巻き取り欠陥レベル予測値生成方法であって、
    　前記巻き取りパラメータは、ウエブの幅、ウエブの搬送速度、及びウエブの巻き取り長さ、ウエブを巻き取る巻芯の径、巻き取りウエブを作製したライン名称、ウエブの厚み、ウエブ幅方向の最大厚みと最小厚みとの差、及びウエブの弾性率の少なくとも一つを含み、
    　前記巻き取り条件は、巻き始めのウエブの張力、巻き終わりのウエブの張力、ナーリング高さ、ウエブを押圧するエアープレスの圧力、及びウエブを押圧するタッチローラの押し力の少なくとも一つを含み、
    　前記巻き取り欠陥レベル予測値は、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを含む、
    　巻き取り欠陥レベル予測値生成方法。
  17. 　請求項９に記載の巻き取り欠陥レベル予測値生成装置における学習モデルであり、巻き取り条件を入力し、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを出力する欠陥レベル算出モデルの作製ステップと、
    　巻き取り条件算出ステップと、を備え、
    　前記巻き取り条件算出ステップにおいて、
    　前記欠陥レベル算出モデルの出力であるウエブの巻きズレ量、及び前記ウエブの損傷欠陥のレベルのそれぞれの和を目的関数とし、前記巻き取り条件を設計変数とし、前記目的関数が小さくなるまで、進化計算により、前記設計変数を変化させ、前記目的関数が小さくなった際の設計変数である巻き取り条件を、巻き取り条件として出力する、巻き取り条件生成方法。
PCT/JP2019/012408 2018-03-29 2019-03-25 巻き取り条件生成装置、巻き取り装置、巻き取り欠陥レベル予測値生成装置、巻き取り条件算出方法、巻き取り方法、及び巻き取り欠陥レベル予測値生成方法 WO2019188931A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2020510048A JP7360381B2 (ja) 2018-03-29 2019-03-25 巻き取り条件生成装置、巻き取り装置、巻き取り条件算出方法、巻き取り方法
CN201980018593.5A CN111836769B (zh) 2018-03-29 2019-03-25 卷绕条件生成装置及计算方法、卷绕装置及方法与卷绕缺陷等级预测值生成装置及方法
US17/025,069 US11960992B2 (en) 2018-03-29 2020-09-18 Winding condition generating apparatus, winding apparatus, winding defect level prediction value generating apparatus, winding condition calculating method, winding method, and winding defect level prediction value generating method
JP2022094278A JP7430218B2 (ja) 2018-03-29 2022-06-10 巻き取り欠陥レベル予測値生成装置、巻き取り条件生成装置、巻き取り欠陥レベル予測値生成方法、及び巻き取り条件生成方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018065047 2018-03-29
JP2018-065047 2018-03-29

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/025,069 Continuation US11960992B2 (en) 2018-03-29 2020-09-18 Winding condition generating apparatus, winding apparatus, winding defect level prediction value generating apparatus, winding condition calculating method, winding method, and winding defect level prediction value generating method

Publications (1)

Publication Number Publication Date
WO2019188931A1 true WO2019188931A1 (ja) 2019-10-03

Family

ID=68060439

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/012408 WO2019188931A1 (ja) 2018-03-29 2019-03-25 巻き取り条件生成装置、巻き取り装置、巻き取り欠陥レベル予測値生成装置、巻き取り条件算出方法、巻き取り方法、及び巻き取り欠陥レベル予測値生成方法

Country Status (5)

Country Link
US (1) US11960992B2 (ja)
JP (2) JP7360381B2 (ja)
CN (1) CN111836769B (ja)
TW (1) TWI805723B (ja)
WO (1) WO2019188931A1 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112723038A (zh) * 2020-12-21 2021-04-30 苏州墨砚信息技术有限公司 基于特征向量去正交化的用于线缆收卷的控制方法
WO2021123385A1 (en) 2019-12-20 2021-06-24 Basf Se Optimized powder production
JP2021127238A (ja) * 2020-02-17 2021-09-02 富士フイルム株式会社 搬送条件探索装置、搬送条件探索方法、およびプログラム
WO2022129449A1 (en) * 2020-12-17 2022-06-23 Tetra Laval Holdings & Finance S.A. Performing web tensioning adjustments in a food packaging system based on reinforcement learning
CN114995278A (zh) * 2022-06-10 2022-09-02 中建材苏州防水研究院有限公司 基于自学习与云计算融合的防水卷材张力控制系统及方法
JP7457560B2 (ja) 2020-03-31 2024-03-28 信越ポリマー株式会社 包装ロール体の製造システム

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE2250794A1 (en) * 2022-06-27 2023-12-28 Valmet Oy Method and system for monitoring the performance of a winding spool in the reel section of a paper machine
CN117592872B (zh) * 2024-01-19 2024-04-30 钛玛科（北京）工业科技有限公司 一种电五金卷绕工序的尺寸闭环控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0692524A (ja) * 1991-07-22 1994-04-05 Kobayashi Seisakusho:Kk 巻取機の制御装置
JP2016037395A (ja) * 2014-08-05 2016-03-22 株式会社片岡機械製作所 巻取トルクのバラツキ低減方法並びにフリクション巻軸及び押付け部材稼動数算出装置
JP2016203246A (ja) * 2015-04-28 2016-12-08 ファナック株式会社 スポット溶接の品質診断システム
JP2017069404A (ja) * 2015-09-30 2017-04-06 ファナック株式会社 機械学習装置およびコイル製造装置
JP2017151962A (ja) * 2016-02-24 2017-08-31 株式会社ジェイテクト 解析装置及び解析システム

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3809335A (en) * 1972-06-29 1974-05-07 Ibm Web movement control in a reel-to-reel web transport
JPH04286568A (ja) 1991-03-13 1992-10-12 Toray Ind Inc シート状物用スリッタの速度制御装置
DE69209609T2 (de) * 1991-05-03 1996-10-31 Eastman Kodak Co Steuerung für das aufwickeln von bahnen
JPH07168799A (ja) 1993-09-22 1995-07-04 Fuji Electric Co Ltd ニューラルネットワークの学習装置
US6055522A (en) * 1996-01-29 2000-04-25 Futuretense, Inc. Automatic page converter for dynamic content distributed publishing system
FI108635B (fi) * 1997-06-30 2002-02-28 Metso Paper Inc Menetelmä rullanmuodostuksen laadun määrittämiseksi ja rullanmuodostuksen ohjaamiseksi
DE19754878A1 (de) * 1997-12-10 1999-06-24 Siemens Ag Verfahren und Anordnung zur Vorhersage und Regelung einer Papierwickelkenngröße bei einer Papierwickelvorrichtung
ATE222381T1 (de) * 1998-03-31 2002-08-15 Siemens Ag Verfahren und anordnung zur neuronalen modellierung einer papierwickelvorrichtung
US6036137A (en) * 1998-12-17 2000-03-14 Valmet-Karlstad Ab Apparatus and method for winding paper
DE20117248U1 (de) * 2001-10-24 2003-03-06 Reinhold, Klaus, 49525 Lengerich Vorrichtung zum Aufwickeln von Materialbahnen
US6993964B2 (en) * 2004-02-04 2006-02-07 The Procter & Gamble Company Method of determining a modulus of elasticity of a moving web material
US7344105B2 (en) * 2004-06-03 2008-03-18 The Procter & Gamble Company Method of controlling the winding of a roll of web material
DE102007007988A1 (de) * 2007-02-17 2008-08-28 Robert Bosch Gmbh Verfahren und Vorrichtung zur Reibkompensation
JP4879070B2 (ja) * 2007-03-30 2012-02-15 富士フイルム株式会社 塗布装置、及び塗布方法
DE102007049680A1 (de) * 2007-10-17 2009-04-23 Robert Bosch Gmbh Verfahren zum Berechnen des Durchmessers einer Warenbahnwicklung auf einer Rolle sowie Wickelsteuerungssystem
PL3722104T3 (pl) * 2011-04-12 2024-08-19 Välinge Innovation AB Sposób wytwarzania warstwy
JP5461605B2 (ja) * 2012-03-02 2014-04-02 富士フイルム株式会社 ウエブロール製造方法およびウエブロール巻き取り方法および内部応力計算方法
JP5776077B2 (ja) 2013-12-12 2015-09-09 富士機械工業株式会社 巻取装置
JP2017100850A (ja) 2015-12-02 2017-06-08 富士機械工業株式会社 ウエブ巻取装置及びウエブ巻取方法
JP6715492B2 (ja) 2016-08-09 2020-07-01 パナソニックＩｐマネジメント株式会社 識別制御方法及び識別制御装置
FI127840B (en) * 2017-03-23 2019-03-29 Valmet Technologies Oy A method for controlling the operation of a roller web for a fiber web

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0692524A (ja) * 1991-07-22 1994-04-05 Kobayashi Seisakusho:Kk 巻取機の制御装置
JP2016037395A (ja) * 2014-08-05 2016-03-22 株式会社片岡機械製作所 巻取トルクのバラツキ低減方法並びにフリクション巻軸及び押付け部材稼動数算出装置
JP2016203246A (ja) * 2015-04-28 2016-12-08 ファナック株式会社 スポット溶接の品質診断システム
JP2017069404A (ja) * 2015-09-30 2017-04-06 ファナック株式会社 機械学習装置およびコイル製造装置
JP2017151962A (ja) * 2016-02-24 2017-08-31 株式会社ジェイテクト 解析装置及び解析システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HSHIMO: "basic theory and application of web handling", 10 April 2008 (2008-04-10) *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021123385A1 (en) 2019-12-20 2021-06-24 Basf Se Optimized powder production
CN114846422A (zh) * 2019-12-20 2022-08-02 巴斯夫欧洲公司 优化粉末生产
JP2021127238A (ja) * 2020-02-17 2021-09-02 富士フイルム株式会社 搬送条件探索装置、搬送条件探索方法、およびプログラム
JP7293149B2 (ja) 2020-02-17 2023-06-19 富士フイルム株式会社 搬送条件探索装置、搬送条件探索方法、およびプログラム
JP7457560B2 (ja) 2020-03-31 2024-03-28 信越ポリマー株式会社 包装ロール体の製造システム
WO2022129449A1 (en) * 2020-12-17 2022-06-23 Tetra Laval Holdings & Finance S.A. Performing web tensioning adjustments in a food packaging system based on reinforcement learning
CN112723038A (zh) * 2020-12-21 2021-04-30 苏州墨砚信息技术有限公司 基于特征向量去正交化的用于线缆收卷的控制方法
CN114995278A (zh) * 2022-06-10 2022-09-02 中建材苏州防水研究院有限公司 基于自学习与云计算融合的防水卷材张力控制系统及方法

Also Published As

Publication number Publication date
CN111836769A (zh) 2020-10-27
CN111836769B (zh) 2022-08-19
US11960992B2 (en) 2024-04-16
TWI805723B (zh) 2023-06-21
JP7360381B2 (ja) 2023-10-12
JPWO2019188931A1 (ja) 2021-03-18
JP2022120106A (ja) 2022-08-17
JP7430218B2 (ja) 2024-02-09
TW201942040A (zh) 2019-11-01
US20210004683A1 (en) 2021-01-07

Similar Documents

Publication Publication Date Title
WO2019188931A1 (ja) 巻き取り条件生成装置、巻き取り装置、巻き取り欠陥レベル予測値生成装置、巻き取り条件算出方法、巻き取り方法、及び巻き取り欠陥レベル予測値生成方法
JP5461605B2 (ja) ウエブロール製造方法およびウエブロール巻き取り方法および内部応力計算方法
Shui et al. Twofold variation propagation modeling and analysis for roll-to-roll manufacturing systems
US20150034757A1 (en) Diameter measurement of a roll of material in a winding system
KR20230164730A (ko) 롤투롤 프로세스의 웨브에서의 장력 분포를 측정하기 위한 시스템 및 방법
US6584366B1 (en) Method and arrangement for neural modeling of a paper winding device
US20070125180A1 (en) Method for determining a strain property of a web
JP6621448B2 (ja) パターン転写装置およびパターン転写方法
US8733687B2 (en) Alternative apparatus for reducing web feed rate variations induced by parent roll geometry variations
JP6324259B2 (ja) 圧延制御装置、圧延制御方法および圧延制御プログラム
Lee et al. Effect of taper tension profile on the telescoping in a winding process of high speed roll to roll printing systems
JP5929443B2 (ja) 欠陥部管理システム
US20060011766A1 (en) Method for controlling a wind-up, including determining running parameters based on models taking un-winding into account
Wu et al. Advanced winding tension method for preventing axial slip of the center-wound roll
CN103420203B (zh) 一种玻璃纤维布制程卷取系统及该系统的运行方法
JP2017177691A (ja) 検査方法、フィルム製造方法、検査装置、フィルム製造装置および検査プログラム
JP2005031005A (ja) フィルムロールの形状測定方法
Shui et al. Roll-to-Roll Manufacturing System Modeling and Analysis by Stream of Variation Theory
JP7293149B2 (ja) 搬送条件探索装置、搬送条件探索方法、およびプログラム
JP5198298B2 (ja) 突起付長尺体測定方法
CN118270578A (zh) 一种张力观测方法及装置、设备、存储介质
Hashimoto Optimization of wind-up tension of webs preventing wrinkles and slippage with experimental verification
JP2004286563A (ja) フィルムロールの形状測定方法
JP2023127346A (ja) 制御パラメータ調整方法、プログラムおよび記録媒体
Branca et al. Modeling and identification of the source of oscillations in web tension

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19774501

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020510048

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19774501

Country of ref document: EP

Kind code of ref document: A1