卷绕条件生成装置、卷绕装置、卷绕缺陷等级预测值生成装置、卷绕条件计算方法、卷绕方法及卷绕缺陷等级预测值生成方法与流程

本发明涉及一种卷绕条件生成装置、卷绕装置、卷绕缺陷等级预测值生成装置、卷绕条件计算方法、卷绕方法及卷绕缺陷等级预测值生成方法。

背景技术：

当利用薄金属板、纸、塑胶薄膜等卷材制造物品时，卷材例如在进行涂布、干燥等处理之后通过卷绕装置进行卷绕。通过卷绕装置制作的卷绕卷材以卷筒的形态进行保管、输送等。

在上述卷绕中，要求卷绕卷材不产生卷材的卷偏及卷材的损伤。卷材的卷偏为卷绕成卷筒的卷材在卷材的宽度方向上偏移的现象。卷材的损伤为在卷绕成卷筒的卷材上产生褶皱、凹陷、图样等变形的现象。

就卷材的卷偏而言，认为紧紧地卷绕卷材(提高卷绕卷材时的张力等)对抑制卷材的卷偏为有效。然而，紧紧地卷绕卷材也成为产生卷材的损伤的原因。

另一方面，就卷材的损伤而言，认为松弛地卷绕卷材(降低卷绕卷材时的张力等)对抑制卷材的损伤为有效。然而，松弛地卷绕卷材也成为产生卷材的卷偏的原因。

如上所述，卷材的卷偏和卷材的损伤存在平衡关系，构建能够抑制卷材的卷偏及卷材的损伤的卷绕条件并不容易。为了应对这些问题，提出了各种建议(专利文献1、专利文献2)。

以往技术文献

专利文献

专利文献1：日本特开2017-100850号公报

专利文献2：日本专利第5776077号公报

技术实现要素：

发明要解决的技术课题

在专利文献1及专利文献2中，为了求出卷绕张力而使用了理论模型。然而，在使用理论模型时，会限定于考虑理论模型的范围内。并且，实际的卷材的卷绕并不一定适合理论模型。当理论模型不适合时，难以构建高精度的卷绕条件。

因此，要构建卷材的卷绕条件，现实而言，需要实际利用卷绕装置进行构建，不仅经济负担大，时间负担也大。

本发明鉴于这些情况而完成，其目的为，提供一种能够与理论模型的适合与否无关地构建适合实际结果的卷绕条件的卷绕条件生成装置、卷绕装置、卷绕缺陷等级预测值生成装置、卷绕条件计算方法、卷绕方法及卷绕缺陷等级预测值生成方法。

用于解决技术课题的手段

第一方式的卷绕条件生成装置具备输入部、输出部及条件计算部，条件计算部具备以制作满足目标卷绕品质的卷绕卷材时的卷绕参数及卷绕条件的组合为训练数据而通过机器学习制作的学习模型，根据从输入部输入的新的卷绕卷材的卷绕参数使用学习模型计算新的卷绕卷材的卷绕条件，输出部输出卷绕条件，卷绕参数包括卷材的宽度、卷材的搬送速度及卷材的卷绕长度，卷绕条件包括开始卷绕时的卷材的张力及结束卷绕时的卷材的张力。

在第二方式的卷绕条件生成装置中，卷绕参数包括卷绕卷材的卷芯的直径、制作卷绕卷材的生产线名称、卷材的厚度、卷材宽度方向上的最大厚度与最小厚度之差及卷材的弹性模量中的至少一个，卷绕条件包括结束卷绕时的卷材的直径、滚花高度、按压卷材的空气推压的压力及按压卷材的接触辊的按压力中的至少一个。

在第三方式的卷绕条件生成装置中，目标卷绕品质是指不产生卷材的卷偏缺陷及卷材的损伤缺陷。

在第四方式的卷绕条件生成装置中，机器学习包括神经网络及深度学习。

在第五方式的卷绕条件生成装置中，在针对训练数据即制作卷材时获得的卷绕条件的集合，将各卷绕条件的项目的值设为cni、将设定于卷绕条件的项目的值cni的品质允许范围值设为tni、且将设定有品质允许范围值tni的项目数设为n时，将针对各项目由下述式求出的范围添加到卷绕条件中，附加3ⁿ-1个量的训练数据或训练数据的一部分作为追加训练数据。

ck＝cni±0.5×tni

在第六方式的卷绕条件生成装置中，卷绕条件包括针对卷绕卷筒的径向坐标表示的张力函数、按压卷材的空气推压压力函数及接触辊的按压力的函数中的任一个。

在第七方式的卷绕条件生成装置中，具备以制作满足目标卷绕品质的卷绕卷材时的卷绕参数及卷绕条件的组合为训练数据进行机器学习的机器学习部。

第八方式的卷绕卷材的卷绕装置使用通过上述卷绕条件生成装置算出的卷绕条件卷绕卷材。

第九方式的缺陷等级预测值生成装置具备输入部、输出部及预测值计算部，预测值计算部具备以制作卷绕卷材时的卷绕参数和卷绕条件及卷绕缺陷等级值的组合为训练数据而通过机器学习制作的学习模型，根据从输入部输入的新的卷绕卷材的卷绕参数和卷绕条件使用学习模型计算卷绕缺陷等级预测值，输出部输出卷绕缺陷等级预测值，卷绕参数包括卷材的宽度、卷材的搬送速度及卷材的卷绕长度、卷绕卷材的卷芯的直径、制作卷绕卷材的生产线名称、卷材的厚度、卷材宽度方向上的最大厚度与最小厚度之差及卷材的弹性模量中的至少一个，卷绕条件包括开始卷绕时的卷材的张力、结束卷绕时的卷材的张力、滚花高度、按压卷材的空气推压的压力及按压卷材的接触辊的按压力中的至少一个，卷绕缺陷等级预测值包括卷材的卷偏量及卷材的损伤缺陷的等级。

第十方式的卷绕条件生成装置具备：缺陷等级计算模型，为上述卷绕缺陷等级预测值生成装置中的学习模型，输入卷绕条件并输出卷材的卷偏量及卷材的损伤缺陷的等级；及卷绕条件计算部，卷绕条件计算部以缺陷等级计算模型的输出即卷材的卷偏量及卷材的损伤缺陷的等级的各个和为目标函数、以卷绕条件为设计变量，通过进化计算改变设计变量直至目标函数变最小，并输出目标函数变最小时的设计变量的卷绕条件作为卷绕条件。

第十一方式的卷绕条件计算方法为至少包括如下步骤的卷绕条件计算方法：以制作满足目标卷绕品质的卷绕卷材时的卷绕参数及卷绕条件的组合为训练数据而通过机器学习制作学习模型的步骤；输入新的卷绕卷材的卷绕参数的步骤；及根据卷绕参数使用学习模型计算新的卷绕卷材的卷绕条件的步骤，卷绕参数包括卷材的宽度、卷材的搬送速度及卷材的卷绕长度，卷绕条件包括开始卷绕时的卷材的张力及结束卷绕时的卷材的张力。

在第十二方式的卷绕条件计算方法中，卷绕参数包括卷绕卷材的卷芯的直径、制作卷绕卷材的生产线名称、卷材的厚度、卷材宽度方向上的最大厚度与最小厚度之差及卷材的弹性模量中的至少一个，卷绕条件包括结束卷绕时的卷材的直径、滚花高度、按压卷材的空气推压的压力及按压卷材的接触辊的按压力中的至少一个。

在第十三方式的卷绕条件计算方法中，包括在针对作为训练数据的制作卷材时获得的卷绕条件的集合，将各卷绕条件的项目的值设为cni、将设定于卷绕条件的项目的值cni的品质允许范围值设为tni、且将设定有品质允许范围值tni的项目数设为n时，将针对各项目由下述式求出的范围添加到卷绕条件中，附加3ⁿ-1个量的训练数据或训练数据的一部分作为追加训练数据的步骤。

ck＝cni±0.5×tni

在第十四方式的卷绕条件计算方法中，卷绕条件包括针对卷绕卷筒的径向坐标表示的张力函数、按压卷材的空气推压压力函数及接触辊的按压力的函数中的任一个。

第十五方式的卷绕方法包括：通过上述卷绕条件计算方法计算卷绕条件的步骤；及使用所算出的卷绕条件卷绕卷材的步骤。

第十六方式的卷绕缺陷等级预测值生成方法为至少包括如下步骤的卷绕缺陷等级预测值生成方法：制作机器学习以制作卷绕卷筒时的卷绕参数和卷绕条件为输入、以卷绕缺陷等级值为输出的组合的训练数据的学习模型的步骤；输入新的卷绕卷材的卷绕参数和卷绕条件的步骤；及根据卷绕参数和卷绕条件使用学习模型计算新的卷绕卷材的卷绕缺陷等级预测值的步骤，卷绕参数包括卷材的宽度、卷材的搬送速度及卷材的卷绕长度、卷绕卷材的卷芯的直径、制作卷绕卷材的生产线名称、卷材的厚度、卷材宽度方向上的最大厚度与最小厚度之差及卷材的弹性模量中的至少一个，卷绕条件包括开始卷绕时的卷材的张力、结束卷绕时的卷材的张力、滚花高度、按压卷材的空气推压的压力及按压卷材的接触辊的按压力中的至少一个，卷绕缺陷等级预测值包括卷材的卷偏量及卷材的损伤缺陷的等级。

第十七方式的卷绕条件生成方法包括：缺陷等级计算模型的制作步骤，该缺陷等级计算模型为上述卷绕缺陷等级预测值生成装置中的学习模型，输入卷绕条件并输出卷材的卷偏量及卷材的损伤缺陷的等级；及卷绕条件计算步骤，在卷绕条件计算步骤中，以缺陷等级计算模型的输出即卷材的卷偏量及卷材的损伤缺陷的等级的各个和为目标函数、以卷绕条件为设计变量，通过进化计算改变设计变量直至目标函数变最小，并输出目标函数变最小时的设计变量的卷绕条件作为卷绕条件。

发明效果

根据本发明，能够与理论模型的适合与否无关地构建适合实际结果的卷绕条件。

附图说明

图1是卷绕条件生成装置的概略框图。

图2是表示卷绕条件计算方法的流程图。

图3是表示训练数据所包括的卷绕参数和卷绕条件的一例的表。

图4是表示训练数据所包括的卷绕参数和卷绕条件的另一例的表。

图5是机器学习部的概略框图。

图6是学习模型的概略框图。

图7是卷绕卷材的卷绕装置的示意图。

图8是不同于图7的卷绕装置的示意图。

图9是卷绕缺陷等级预测值生成装置的概略框图。

图10是表示训练数据所包括的输入数据和输出数据的一例的表。

图11是表示训练数据所包括的输入数据和输出数据的另一例的表。

图12是机器学习部的概略框图。

图13是学习模型的概略框图。

图14是卷绕条件生成装置的概略框图。

具体实施方式

以下，参考附图对本发明的优选的实施方式进行说明。本发明可由以下的优选的实施方式进行说明。在不脱离本发明的范围的情况下，能够通过多种方法进行变更，并且能够利用实施方式以外的其他实施方式。因此，本发明的范围内的所有变更都包括于专利申请的范围。

＜卷绕条件生成装置＞

图1是卷绕条件生成装置的概略框图。如图1所示，卷绕条件生成装置10具备输入部20、条件计算部30、输出部40及存储部50。

输入部20将来自外部的数据接收到卷绕条件生成装置10中。输入部20例如能够由键盘、触控板、针对电信号的通信接口及这些的组合构成。输入部20的构成并无特别限定。若输入部20为通信接口，则能够从输入部20直接接收存储于其他电子设备中的数据。通信接口可以为有线，也可以为无线。

存储部50存储从输入部20输入的数据。在实施方式中，多个训练数据td1、训练数据td2……训练数据tdn存储于存储部50中。作为存储部50，例如能够使用包括hdd(harddiskdrive，硬盘驱动器)等磁盘的装置、包括emmc(embeddedmultimediacard，嵌入式多媒体卡)、ssd(solidstatedrive，固态硬盘)等闪存的装置等。另外，n为整数。

训练数据tdn是指，与已确认是否满足目标卷绕品质的卷绕卷材相关的信息。目标卷绕品质是指是指不产生卷材的卷偏缺陷及不产生卷材的损伤缺陷。不产生缺陷包括完全不产生缺陷及缺陷在所允许的范围内这双方。可提取有关卷绕卷材的制作且优质的数据作为训练数据tdn。

训练数据td1包括卷绕参数p1和卷绕条件c1，训练数据td2包括卷绕参数p2和卷绕条件c2。各训练数据tdn包括卷绕参数pn和卷绕条件cn。训练数据tdn所包括的卷绕参数pn和卷绕条件cn为用于制作卷绕卷材的信息，卷绕参数pn和卷绕条件cn为作为组合信息而获取。卷绕参数pn为成为制作卷绕卷材时的前提的条件，卷绕条件cn成为实际制作卷绕卷材时的运行条件等。卷绕参数pn及卷绕条件cn的内容待留后述。

条件计算部30具备机器学习部32和学习模型34。机器学习部32构成为以多个训练数据td1、训练数据td2……训练数据tdn的集合为训练数据组进行机器学习。在机器学习部32中，卷绕参数pn构成输入训练数据。卷绕条件cn成为输出训练数据。

机器学习部32根据卷绕参数pn和卷绕条件cn的组合即训练数据tdn学习后述的卷绕参数pn与卷绕条件cn之间的相关关系。

条件计算部30具备通过机器学习部32学习的学习结果作为学习模型34。学习模型34根据从输入部20输入的新的卷绕卷材的卷绕参数pnew计算新的卷绕卷材的卷绕条件cnew作为预测值。新的卷绕卷材的卷绕参数pnew也称为新的卷绕参数pnew，在图中显示为卷绕参数pnew。新的卷绕卷材的卷绕条件cnew也称为新的卷绕条件cnew，在图中显示为卷绕条件cnew。在实施方式中，条件计算部30具备机器学习部32，但条件计算部30至少具备学习模型34即可。

输出部40输出由学习模型34算出的新的卷绕条件cnew。输出部40例如能够由显示器、打印机、针对电信号的通信接口及这些的组合构成。若输出部40为通信接口，则例如能够直接向卷绕装置所具备的控制装置(未图示)传送新的卷绕条件cnew。与输入部20相同地，通信接口可以为有线，也可以为无线。

对利用卷绕条件生成装置10的卷绕条件计算方法进行说明。如图2所示，以卷绕参数pn和卷绕条件cn的组合为训练数据tdn，例如通过机器学习部32的机器学习制作学习模型34(步骤s11)。优选利用多个训练数据tdn学习。

接着，输入新的卷绕参数pnew(步骤s12)。新的卷绕参数pnew输入于学习模型34中。

接着，学习模型34根据所输入的新的卷绕参数pnew计算新的卷绕条件cnew作为预测值(步骤s13)。

由于机器学习部32基于满足目标卷绕品质的训练数据tdn制作学习模型34，因此能够获得实现优质的卷绕的期待值高的新的卷绕条件cnew。

＜训练数据＞

对训练数据tdn的构成进行说明。图3是表示能够用于训练数据td的卷绕参数pn和卷绕条件cn的组合的一例的表。如图3所示，卷绕参数pn例如包括生产线名称(也称为生产线编号)、卷绕卷材的卷芯的直径(mm)、卷材的宽度(mm)、卷材的搬送速度(m/min)、卷材的卷绕长度(m)、卷材的厚度(μm)、卷材宽度方向上的厚度分布中的最大厚度与最小厚度之差(μm)及卷材的弹性模量(gpa)这8个项目。

生产线名称为用于识别制造生产线的名称，针对每一生产线赋予了固有编号。卷绕卷材的卷芯的直径为设置于卷绕装置中的卷芯的直径，也为开始卷绕时的卷材的直径。卷材的宽度为与卷材的长边方向正交的方向上的长度。卷材的搬送速度为在制造生产线上沿搬送方向移动的卷材的速度。卷材的卷绕长度为卷绕于卷芯的卷材的长度，为卷绕卷材(成品的卷筒的状态)的卷材的长度。卷材的厚度为卷材的对置的2个主表面的距离。主表面是指面积大的面。卷材的厚度能够通过厚度计测量。卷材宽度方向上的厚度分布中的最大厚度与最小厚度之差是指，在从卷材的两端除去一定距离的量的卷材的宽度方向上以规定间隔测量厚度时的最大厚度与最小厚度之差。能够利用连续厚度测量仪(anritsucorporation制)测量。卷材的弹性模量为利用tensilon(拉伸试验机)测量的值。

卷绕条件cn包括开始卷绕时的卷材的张力(n)、结束卷绕时的卷材的张力(n)、滚花高度(μm)、结束卷绕时的卷材的直径(mm)、按压卷材的接触辊的按压力(n)及按压卷材的空气推压的压力(kpa)这6个项目。

开始卷绕时的卷材的张力为开始卷绕时施加于卷材的张力。结束卷绕时的卷材的张力为卷材达到卷绕长度时施加于卷材的张力。滚花高度为形成于卷材的两端部的滚花区域的厚度与未形成滚花的区域的厚度之差。滚花为形成于卷材的两端部的凹凸。结束卷绕时的卷材的直径为卷材达到卷绕长度时的卷材的直径。按压卷材的接触辊的按压力为卷绕卷材时接触辊向卷芯方向按压卷材的力。按压卷材的空气推压的压力为卷绕卷材时从喷嘴喷出的空气向卷芯方向按压卷材的压力或此时的空气喷嘴内的内压。

图4是表示能够用于训练数据td的卷绕参数pn和卷绕条件cn的组合的另一例的表。

对不同于图3的表的项目进行说明。在图4的表中，卷绕条件cn包括针对卷绕卷筒的径向坐标表示的张力函数(n)、接触辊的按压力函数(n)及空气推压压力函数(kpa)。针对卷绕卷筒的径向坐标表示的张力函数包括开始卷绕时的卷材的张力、结束卷绕时的卷材的张力、结束卷绕时的卷材的直径。并且，接触辊的按压力函数包括按压卷材的接触辊的按压力。并且，空气推压压力函数包括按压卷材的空气推压的压力。另外，在图4中，将“针对卷绕卷筒的径向坐标表示的张力函数”表述为“针对径向坐标表示的张力函数”。

因此，卷绕条件cn不包括开始卷绕时的卷材的张力、结束卷绕时的卷材的张力、结束卷绕时的卷材的直径、按压卷材的接触辊的按压力及按压卷材的空气推压的压力。

针对卷绕卷筒的径向坐标表示的张力函数为规定卷材的卷绕直径与卷材的张力之间的关系的函数。张力函数例如在以张力为纵轴且以卷材直径为横轴标绘于图表的情况下能够由直线、折线、曲线等表示。

接触辊的按压力函数为规定卷材的卷绕直径与接触辊的按压力之间的关系的函数。空气推压压力函数为规定卷材的卷绕直径与空气推压压力之间的关系的函数。

在训练数据tdn中，卷绕参数pn构成输入数据，卷绕条件cn构成输出数据。卷绕参数pn基本上包括如生产线名称、卷绕卷材的卷芯的直径、卷材的宽度、卷材的厚度、卷材宽度方向上的厚度分布中的最大厚度与最小厚度之差及卷材的弹性模量般一旦开始卷绕卷材便无法进行调整的项目。另一方面，实施方式的卷绕参数pn包括即使在开始卷绕卷材之后也能够进行调整的卷材的搬送速度及卷材的卷绕长度。卷材的搬送速度及卷材的卷绕长度为确定生产性的主要因素。由于以实现卷材的生产性的目标为前提，因此卷材的搬送速度及卷材的卷绕长度包括于输入数据即卷绕参数pn中。实现卷材的生产性的目标且制作满足目标卷绕品质的卷绕卷材尤为重要。

卷绕条件cn基本上包括如开始卷绕时的卷材的张力、结束卷绕时的卷材的张力、结束卷绕时的卷材的直径、按压卷材的接触辊的按压力及按压卷材的空气推压的压力般能够在开始卷绕卷材之后进行调整的项目。

另一方面，实施方式的卷绕条件cn包括无法在开始卷绕之后进行调整的滚花高度。滚花为为了防止制作卷绕卷材时或卷绕后的卷偏而设置。由于与卷绕品质相关及能够在开始卷绕之前进行调整，因此滚花高度包括于输出数据即卷绕条件cn中。

在图3及图4中，例示了卷绕参数pn及卷绕条件cn，但并不限定于此。卷绕参数pn至少包括卷材的宽度、卷材的搬送速度及卷材的卷绕长度即可。卷绕条件cn至少包括开始卷绕时的卷材的张力及结束卷绕时的卷材的张力即可。

并且，为了获得更高精度的新的卷绕条件cnew，可以作为卷绕条件cn追加以下项目。例如，能够在开始卷绕时和结束卷绕时的张力(n)及卷绕直径(mm)的基础上追加开始卷绕时至结束卷绕时之间的张力(n)及所对应的卷绕直径(mm)。

能够追加接触辊的按压力(n)与卷绕直径(mm)之间的关系。同样地，能够追加空气推压的压力(kpa)与卷绕直径(mm)之间的关系。

＜条件计算部＞

对条件计算部30所具备的机器学习部32及学习模型34进行说明。图5是机器学习部32的概略构成图。如图5所示，机器学习部32包括神经网络100及深度学习。神经网络100由具备输入层102、第1中间层104、第2中间层106及输出层108的所谓的3层神经网络构成。输入层102及输出层108具备5个神经元。第1中间层104及第2中间层106分别具备3个神经元。神经网络100全部连接。在此，深度学习表示，以在将于从输入层102至输出层108之间构成的层设为多层结构时不容易产生学习无法很好地执行的问题(梯度消失、过度学习等)提高性能。

卷绕参数pn作为输入数据从训练数据tdn输入于输入层102中。作为输入数据，至少包括卷材的宽度、卷材的搬送速度及卷材的卷绕长度。

输入于输入层102的输入数据乘以一定权重，进一步加上偏差，输入于第1中间层104中。输入于第1中间层104的输入数据乘以一定权重，进一步加上偏差，输入于第2中间层106中。输入于第2中间层106的输入数据乘以一定权重，进一步加上偏差，输入于输出层108中。在各神经元中，所乘的权重及所加的偏差的值为任意设定。作为在神经元中将输入转换成输出的激活函数，例如能够使用relu(rectifiedlinearunit，线性整流函数)。另外，激活函数并不限定于relu。

与卷绕参数pn对应的条件输出结果rln从输出层108输出。条件输出结果rln至少包括开始卷绕时的卷材的张力及结束卷绕时的卷材的张力。

条件输出结果rln输入于调整部36中。与卷绕参数pn对应的卷绕条件cn从训练数据tdn输入于调整部36中。卷绕条件cn至少包括开始卷绕时的卷材的张力及结束卷绕时的卷材的张力。

调整部36对条件输出结果rln和卷绕条件cn进行对比。调整部36例如将平方和误差作为损失函数而求出其值。对所准备的训练数据组所包括的所有训练数据td1～n进行相同的操作。调整部36调整权重及偏差，以使条件输出结果rln与卷绕条件cn的平方和误差的总和最小。通过重复多次这样的调整而进行学习。当学习结束时，所学习的权重和偏差wb的数据存储于未图示的存储部。

关于神经网络100，输入层102、第1中间层104、第2中间层106及输出层108的个数及神经元的个数并无特别限定。输入输出数据的项目数越多，越优选增加层的个数和神经元的个数。

在利用神经网络100的学习中，为了防止过度学习，能够运用dropout的方法。dropout为随机删除中间层的神经元的方法。通过dropout，能够提高神经网络100的通用化性能。防止过度学习并不限定于dropout，能够运用各种正则化的方法。

图6是学习模型34的概略构成图。学习模型34中，神经网络200由具备输入层202、第1中间层204、第2中间层206及输出层208的所谓的3层神经网络构成。输入层202及输出层208具备5个神经元。第1中间层204及第2中间层206分别具备3个神经元。神经网络200中，利用图5所示的机器学习部32学习的权重和偏差wb设定于各神经元。

新的卷绕参数pnew输入于神经网络200的输入层202中。在各神经元中，使用权重和偏差wb的数据乘以权重并加上偏差而输入于输出层208中。算出与新的卷绕参数pnew对应的新的卷绕条件cnew作为预测值而从输出层208输出。

在实施方式中，对机器学习部32和学习模型34使用不同的神经网络的情况进行了说明。机器学习部32和学习模型34也可以使用共通的神经网络。通过机器学习部32的神经网络学习权重和偏差。接着，将所学习的权重和偏差设定于机器学习部32的神经网络。能够使机器学习部32发挥学习模型34的功能。

机器学习部32和学习模型34可以于物理上分离。机器学习部32和学习模型34为学习模型34利用机器学习部32的学习结果的关系即可，并无特别限定。并且，学习模型34可以为利用另一服务器等装置制作的模型。即，可以将已经由另一服务器等学习的学习模型34投入到卷绕条件生成装置10的条件计算部30中。

当供机器学习部32学习时，利用多个优质的训练数据tdn学习会促进预测值的精度提高。另一方面，若提取卷绕的品质范围受到限定的卷绕条件cn，并利用包括该卷绕条件cn的训练数据tdn在机器学习部32中学习，则从学习模型34输出的新的卷绕条件cnew的各项目也成为受到限定的值。这是因为学习的结果依赖于训练数据td。因此，难以识别卷绕条件cnew的各项目具有何等程度的允许宽度。

在实施方式中，通过以下方法，能够有效地增加具有可靠性的训练数据tdn，并且能够确认卷绕条件cnew的各项目的允许宽度。

首先，从训练数据tdn所包括的卷绕条件cn的集合提取各项目(例如，开始卷绕时的卷材的张力、滚花高度等)。确认各项目中的制造管理范围。有时各项目会分别具有制造管理范围。制造管理范围为卷绕时允许的品质允许范围值。例如，上述张力具有10n的制造管理范围。即，卷绕卷材时针对一定张力±5n成为允许的范围。同样地，滚花高度根据品种例如具有1μm的制造管理范围，±0.5μm成为允许的范围。

因此，将对卷绕条件cn所包括的各项目加上以下式1所示的制造管理范围的0.5倍的情况和减去制造管理范围的0.5倍的情况作为项目包括在内。

ck＝cni±0.5×tni……(式1)

在此，cni表示卷绕条件cn所包括的项目，t表示制造管理范围。即，ck包括cni+0.5×tni和cni-0.5×tni。包括这些在内，允许为针对卷绕条件cn的追加卷绕条件cad。即，除了作为卷绕参数pn及卷绕条件cn的组合的训练数据tdn以外，进一步将卷绕参数pn及追加卷绕条件cad的组合作为追加训练数据tdad添加到训练数据tdn中。

接着，对追加卷绕条件cad相对于卷绕条件cn增加何等程度进行说明。若承认上述ck＝cni±0.5×tni，则结果在着眼于一个项目时将包括cni、cni+0.5×tni及cni-0.5×tni这3个值。

对例如卷绕条件cn具有4个项目、项目的值分别为cn1至cn4、各项目分别具有tn1至tn4的制造管理范围的情况进行说明。

以下，示出了卷绕条件cn的各项目的值的组合。

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……

如上所述，cn1至cn4的各项目能够分别采用3个值，因此其组合的个数为3⁴＝81。可知1个训练数据tdn增加为81倍的训练数据。其中，当在现场获取训练数据中的制造管理范围时，在确认到以在卷绕条件中仅对一个项目进行加算或减算并保持其他项目的值不变的方式成为良好的卷绕品质而获得的制造管理范围的情况下，也对训练数据运用相同方式。即，若以上述例子示出，则其组合的个数成为3×n，可知当设定制造管理范围的项目为4个时训练数据tdn增加为12倍的训练数据。

在上述中，对cn1至cn4的各项目具有tn1至tn4的制造管理范围的情况进行了说明。例如，在项目cn4的制造管理范围tn4设定为0的情况下，会从组合的计算中除去。因此，组合的个数成为3³＝27。若cn1至cn4的各项目中的至少一个被确定制造管理范围tn，则组合的个数成为3¹＝3。可知在这种情况下1个训练数据tdn也增加为3倍的训练数据。

根据上述方法，通过将式1的范围添加到卷绕条件中，能够在将设定有品质允许范围的项目数设为n时附加3ⁿ-1个量的训练数据作为追加训练数据。能够基于实际的制造管理范围增加具有可靠性的追加训练数据tdad，能够通过使用添加追加训练数据tdad的训练数据tdn学习而实现预测值的精度提高。在通过机器学习部32制作学习模型34之前，优选设置附加追加训练数据tdad的步骤。

并且，当在实际的制造现场设定制造管理范围时，在设定成其他项目的值保持不变的情况下，与此对应地，追加训练数据仅对设定有制造管理范围的项目进行加减运算，而不会变更其他项目。即，优选仅附加3n-1个量的训练数据作为追加训练数据。并且，能够附加3n-1个量的训练数据的一部分作为追加训练数据。

＜卷绕装置＞

参考图7及图7对实施方式的卷绕装置进行说明。如图7所示，卷绕装置300配置于制造生产线500的下游侧。制造生产线500为用于制造卷材1的设备，例如包括涂布装置、干燥装置等。只要为用于制造卷材1的设备，则并无特别限定。制造生产线500通过控制器502控制针对卷材1的各种处理。控制器502能够控制驱动辊504的转速，且能够调整卷材的搬送速度。

卷绕装置300包括卷芯302、马达304、支撑台306及接触辊308、按压机构310、张力测量辊312、张力传感器314、张力调节辊318、张力调节机构320、导辊322、长度测量辊324及控制器326。

卷芯302被支撑台306保持成转动自如。马达304旋转驱动卷芯302。控制器326控制马达304的旋转，使卷芯302向箭头a方向旋转。通过旋转，卷材1卷绕于卷芯302。

卷材1表示膜厚薄的挠性连续带状部件，其包括树脂薄膜、纸、金属、树脂涂面相纸或合成纸等。树脂薄膜的材质例如能够例示出聚乙烯、聚丙烯等聚烯烃、聚乙酸乙烯酯、聚氯乙烯、聚苯乙烯等乙烯基聚合物、6,6-尼龙、6-尼龙等聚酰胺、聚对苯二甲酸乙二酯、聚乙烯-2,6-萘二甲酸酯等聚酯、聚碳酸酯、三乙酸纤维素、二乙酸纤维素等乙酸纤维素等。树脂薄膜例如可以被赋予功能(例如，功能层的形成等)。

在卷材1的搬送路径的途中分别配置有张力测量辊312、张力调节辊318、导辊322。张力测量辊312连接有张力传感器314。并且，张力调节辊318设置有使张力调节辊318移动的张力调节机构320，以一定力对卷材施加张力。张力调节位置传感器测量张力调节位置。所测出的张力调节位置输入于控制器326中。控制器326基于测量结果进行控制而移动张力调节辊318，从而能够对卷材1施加稳定的张力。

接触辊308具有与卷芯302的旋转轴平行的旋转轴，与卷绕于卷芯302的卷材1抵接。接触辊308设置有按压机构310。按压机构310由控制器326控制，朝向卷芯302以规定的按压力按压接触辊308。接触辊308能够降低卷入卷绕于卷芯302的卷材1的空气的含有率。按压机构310例如由支撑接触辊308的支撑臂和按压支撑臂的气缸等构成。控制器326能够控制气缸的空气压力，从而能够调整按压卷材的接触辊308的按压力。

长度测量辊324设置成与卷材1抵接，且随着卷材1的移动而旋转。长度测量辊324设置有未图示的编码器。来自编码器的信号输入于控制器326中。控制器326能够测出通过长度测量辊324的卷材1的输送长度(在此为卷材的卷绕长度)。当卷材的卷绕长度达到预先确定的值时，控制器326停止卷芯302的旋转。

卷材的卷绕直径始终通过控制器326运算而算出。例如，量测卷芯302旋转一圈所需的卷材的长度，并用卷材的长度除以3.14，由此能够求出直径。

在图7所示的实施方式中，卷绕条件生成装置10的条件计算部30的学习模型34(未图示)中输入有新的卷绕参数pnew。条件计算部30的学习模型34根据新的卷绕参数pnew计算新的卷绕条件cnew作为预测值。

新的卷绕参数pnew及新的卷绕条件cnew输入于控制器326及控制器502中。基于新的卷绕参数pnew及新的卷绕条件cnew，通过卷绕装置300卷绕卷材，由此能够制作出满足目标品质的卷绕卷材。

接着，参考图7对不同于图7的卷绕装置400进行说明。另外，有时对与上述卷绕装置300相同的部分标注相同的符号并省略详细说明。

卷绕装置400不同于卷绕装置300，其具备空气喷嘴402而代替接触辊308。通过从形成于空气喷嘴402的狭缝状的开口(未图示)对卷材1喷吹空气而进行空气推压，能够在不接触的情况下去除卷入卷绕于卷芯302的卷材1的空气。

空气喷嘴402配置成空气喷嘴402的开口的长边方向与卷芯302的旋转轴平行。在实施方式中，空气喷嘴402配置于空气喷出方向与卷材1的主表面正交的位置。也可以使空气喷嘴402的空气喷出方向从与卷材1的主表面正交的位置倾斜。

空气喷嘴402经由配管406连接有由过滤器、空气槽及压缩机构成的鼓风机404作为空气的产生源。控制器326能够控制鼓风机404，从而能够调整按压卷材的空气推压的压力。

在图7中，在卷绕装置400与驱动辊504之间配置有滚花辊506。为了从卷材1的厚度方向上夹压(夹持)卷材1的端部滚花辊506成对构成。为了在卷材1的两端部设置滚花而配置2个一对滚花辊506于卷材1的两端部。滚花为形成于卷材的凹凸。为了在卷材上形成凹凸，一对滚花辊506中的其中一者设置有突起(未图示)。

滚花辊506设置有夹持压力调整机构(未图示)。夹持压力调整机构能够调整滚花辊506与卷材1之间的距离。夹持压力调整机构能够由控制器502控制，从而能够调整滚花高度。并且，通过变更滚花辊506的突起的形状、大小等，能够调整滚花高度。

在图7所示的实施方式中，卷绕条件生成装置10的条件计算部30的学习模型34(未图示)中输入有新的卷绕参数pnew。条件计算部30的学习模型34根据新的卷绕参数pnew计算新的卷绕条件cnew作为预测值。

新的卷绕参数pnew及新的卷绕条件cnew输入于控制器326及控制器502中。基于新的卷绕参数pnew及新的卷绕条件cnew，通过卷绕装置400卷绕卷材，由此能够制作出满足目标品质的卷绕卷材。如上所述，通过卷绕条件计算方法计算卷绕条件，并使用所算出的卷绕条件提供例如通过卷绕装置300及400进行的卷材的卷绕方法。

利用实施方式的卷绕条件生成装置10进行了学习模型34的评价。作为卷绕参数，选择了搬送速度、卷绕长度及卷材宽度。作为卷绕条件，选择了开始卷绕时的张力及结束卷绕时的张力。利用未使用于学习的测试数据进行了评价，其结果，由表示由学习模型34生成的预测值与实际的制造条件值之差小的学习模型34算出的卷绕条件的正确解答率为80％至95％的范围。可知学习模型34与实际的卷绕条件相同而能够充分使用。

可预测到：与使用通常的制造生产线而试验性地构建卷绕条件的情况相比，通过利用实施方式的卷绕条件生成装置，能够将成本及时间抑制在1/10至1/5左右的范围内。

在以上说明的实施方式中，例如执行机器学习部32、学习模型34、控制器326及控制器502的各种处理的处理部(processingunit)的硬件结构为如下所示的各种处理器(processor)。各种处理器包括作为发挥执行软件(程序)的各种处理部的功能的通用的处理器的cpu(centralprocessingunit，中央处理器)、作为专用于图像处理的处理器的gpu(graphicsprocessingunit，图形处理器)、fpga(fieldprogrammablegatearray，现场可编程门阵列)等作为能够在制造后变更电路构成的处理器的可编程逻辑器件(programmablelogicdevice：pld)、asic(applicationspecificintegratedcircuit，专用集成电路)等作为具有为了执行既定的处理而专门设计的电路构成的处理器的专用电路等。

1个处理部可以由这些各种处理器中的1个构成，也可以由相同或不同的2个以上的处理器(例如，多个fpga、或者cpu和fpga的组合或cpu和gpu的组合)构成。并且，也可以由1个处理器构成多个处理部。作为由1个处理器构成多个处理部的例子，第1方式为，如以服务器及客户等的计算机为代表，由1个以上的cpu和软件的组合构成1个处理器且该处理器发挥多个处理部的功能。第2方式为，如以片上系统(systemonchip：soc)等为代表，使用由1个ic(integratedcircuit，集成电路)晶片实现包括多个处理部的系统整体的功能的处理器。如此，各种处理部使用1个以上的各种处理器构成为硬件结构。

进而，更具体而言，这些各种处理器的硬件结构为组合半导体元件等电路元件而成的电路(circuitry)。

接着，对卷绕缺陷等级预测值生成方法进行说明。

图9是卷绕缺陷等级预测值生成装置的概略框图。如图9所示，卷绕缺陷等级预测值生成装置1010具备输入部1020、预测值计算部1030、输出部1040及存储部1050。

输入部1020具有与输入部20相同的构成，输出部1040具有与输出部40相同的构成，存储部1050具有与存储部50相同的构成。

训练数据tdn是指如下信息：不仅生成满足制作卷绕卷筒时的目标卷绕品质的条件，而且还生成各种缺陷等级。作为训练数据tdn，在与卷绕卷材的制作相关的优质的数据的基础上，优选从弱缺陷等级至强缺陷等级为止提取到各种卷绕数据。

训练数据td1包括输入数据in1和输出数据out1，训练数据td2包括输入数据in2和输出数据out2。各训练数据tdn包括输入数据inn和输出数据outn。训练数据tdn所包括的输入数据inn为用于制作卷绕卷材的信息，其作为卷绕参数pn和卷绕条件cn的组合信息而获取。训练数据tdn所包括的输出数据outn为与卷绕卷材的品质相关的信息，且为包括卷材的卷偏量和卷材的损伤缺陷等级的卷绕缺陷等级值。

卷材的卷偏量(mm)表示输送结束卷绕之后的卷筒时或利用冲击施加实验装置施加冲击时的宽度方向上的卷偏量(mm)或周向上的卷偏量(mm)。作为主要的卷偏的宽度方向上的卷偏为宽度方向上的卷绕途中的偏移。并且，周向偏移为在卷偏之前于端面画出直线并在卷偏之后测量该直线时的偏移量。

卷材的损伤缺陷表示卷材变形而弯折或留下痕迹从而受损的缺陷。损伤缺陷的等级表示缺陷的强度。缺陷的强度由感官评价进行，例如，在等级1～等级10这10个阶段评价中，变形的强度越强越分类为高数值的等级。

当卷材的损伤缺陷存在褶皱或凹陷、图样等多个种类时，以针对各自的等级为输出数据进行处理。例如，当缺陷为卷偏、纵褶皱、横褶皱、凹陷时，输出数据由卷偏量、纵褶皱等级、横褶皱等级、凹陷等级这4个构成。

预测值计算部1030具备机器学习部1032和学习模型1034。机器学习部32构成为以多个训练数据td1、训练数据td2……训练数据tdn的集合为训练数据组进行机器学习。在机器学习部32中，输入数据inn构成输入训练数据。输出数据outn成为输出训练数据。

机器学习部1032根据训练数据tdn学习后述的输入数据inn与输出数据outn之间的相关关系。

由于机器学习部32基于满足目标卷绕品质的训练数据tdn制作学习模型34，因此能够从新的输入数据innew(新的卷绕参数pnew及新的卷绕条件cnew)获得输出数据outnew(卷偏量及卷材的损伤缺陷等级)的预测值。

＜训练数据＞

对训练数据tdn的构成进行说明。图10是表示能够使用训练数据td的输入数据inn和输出数据outn的组合的一例的表。如图10所示，包括卷绕参数pn及卷绕条件cn作为输入数据inn。卷绕参数pn及卷绕条件cn的各项目与图3对应。包括卷偏量及卷材的损伤缺陷等级作为输出数据outn。

图11是表示能够使用训练数据td的输入数据inn和输出数据outn的组合的另一例的表。如图11所示，卷绕参数pn及卷绕条件cn的各项目与图4对应。

＜预测值计算部＞

对预测值计算部1030所具备的机器学习部1032及学习模型1034进行说明。图12是机器学习部1032的概略构成图。如图12所示，机器学习部1032包括神经网络100及深度学习。神经网络100由具备输入层102、第1中间层104、第2中间层106及输出层108的所谓的3层神经网络构成。输入层102及输出层108具备5个神经元。第1中间层104及第2中间层106分别具备3个神经元。神经网络100全部连接。

卷绕参数pn及卷绕条件cn作为输入数据inn从训练数据tdn输入于输入层102中。

输入于输入层102的输入数据乘以一定权重，进一步加上偏差，输入于第1中间层104中。输入于第1中间层104的输入数据inn乘以一定权重，进一步加上偏差，输入于第2中间层106中。输入于第2中间层106的输入数据inn乘以一定权重，进一步加上偏差，输入于输出层108中。在各神经元中，所乘的权重及所加的偏差的值为任意设定。

从输出层108输出卷绕参数pn及卷绕条件cn对应的缺陷等级预测值eln。

缺陷等级预测值eln输入于调整部36中。与卷绕参数pn及卷绕条件cn对应的输出数据outn从训练数据tdn输入于调整部36中。输出数据outn包括卷偏量及卷材的损伤缺陷等级。

调整部36将缺陷等级预测值eln和输出数据outn进行对比。调整部36例如将平方和误差作为损失函数而求出其值。对所准备的训练数据组所包括的所有训练数据td1～n进行相同的操作。调整部36调整权重及偏差，以使缺陷等级预测值eln与输出数据outn的平方和误差的总和最小。通过重复多次这样的调整而进行学习。当学习结束时，所学习的权重和偏差wb的数据存储于未图示的存储部。

神经网络100的构成能够采用与图5所示的机器学习部32所包括的神经网络100相同的构成。

图13是学习模型1034的概略构成图。学习模型1034中，神经网络200由具备输入层202、第1中间层204、第2中间层206及输出层208的所谓的3层神经网络构成。输入层202及输出层208具备5个神经元。第1中间层204及第2中间层206分别具备3个神经元。神经网络200中，利用图12所示的机器学习部1032学习的权重和偏差wb设定于各神经元。

新的卷绕参数pnew及新的卷绕条件cnew输入于神经网络200的输入层202中作为新的输入数据innew。在各神经元中，使用权重和偏差wb的数据乘以权重并加上偏差而输入于输出层208中。算出与新的输入数据innew对应的新的输出数据outnew作为针对新的卷绕卷材的卷绕缺陷等级预测值，并从输出层208输出。即，能够根据新的卷绕参数pnew及新的卷绕条件cnew预测新卷绕的卷材的卷偏量及卷材的损伤缺陷等级。

在实施方式中，对机器学习部1032和学习模型1034使用不同的神经网络的情况进行了说明。机器学习部1032和学习模型1034也可以使用共通的神经网络。通过机器学习部1032的神经网络学习权重和偏差。接着，将所学习的权重和偏差设定于机器学习部32的神经网络。能够使机器学习部1032发挥学习模型1034的功能。

机器学习部1032和学习模型1034可以于物理上分离。机器学习部1032和学习模型1034为学习模型1034利用机器学习部1032的学习结果的关系即可，并无特别限定。并且，学习模型1034可以为利用另一服务器等装置制作的模型。即，可以将已经由另一服务器等学习的学习模型1034投入到卷绕缺陷等级预测值生成装置1010的预测值计算部1030中。

接着，对最佳的卷绕条件生成装置及最佳的卷绕条件生成方法进行说明。

如图14所示，卷绕条件生成装置2010具备卷绕条件计算部2020、缺陷等级计算模型2030。缺陷等级计算模型2030为卷绕缺陷等级预测值生成装置1010中的学习模型1034，且为以卷绕条件为输入并输出卷材的卷偏量及卷材的损伤缺陷的等级的模型。

如上所述，缺陷等级计算模型2030为以如下方式进行学习的模型：输入输入数据inn(卷绕参数pn及卷绕条件cn)作为训练数据tdn并输出卷绕缺陷等级预测值作为输出数据outn。另一方面，无法算出用于使卷绕缺陷等级预测值输出数据outn小(即，改善缺陷等级)的输入数据inn所包括的卷绕条件cn。

卷绕条件计算部2020构成为，进化计算设计变量而进行运算处理以使目标函数最小。在此，进化计算表示通过基因运算法等最佳方法进行的计算。

卷绕条件计算部2020能够以卷材的卷偏量及卷材的损伤缺陷的等级的各个和为目标函数、以卷绕条件为设计变量，进行进化计算直至目标函数变最小。

在实施方式中，卷绕条件计算部2020改变设计变量并输出目标函数变最小时的设计变量的卷绕条件作为卷绕条件。

卷绕条件计算部2020能够算出用于改善缺陷等级的卷绕条件cnew。

在以上说明的实施方式中，例如执行机器学习部1032、学习模型1034、卷绕条件计算部2020及缺陷等级计算模型2030的各种处理的处理部(processingunit)的硬件结构为如下所示的各种处理器(processor)。各种处理器包括作为发挥执行软件(程序)的各种处理部的功能的通用的处理器的cpu(centralprocessingunit，中央处理器)、作为专用于图像处理的处理器的gpu(graphicsprocessingunit，图形处理器)、fpga(fieldprogrammablegatearray，现场可编程门阵列)等作为能够在制造后变更电路构成的处理器的可编程逻辑器件(programmablelogicdevice：pld)、asic(applicationspecificintegratedcircuit，专用集成电路)等作为具有为了执行既定的处理而专门设计的电路构成的处理器的专用电路等。

1个处理部可以由这些各种处理器中的1个构成，也可以由相同或不同的2个以上的处理器(例如，多个fpga、或者cpu和fpga的组合或cpu和gpu的组合)构成。并且，也可以由1个处理器构成多个处理部。作为由1个处理器构成多个处理部的例子，第1方式为，如以服务器及客户等的计算机为代表，由1个以上的cpu和软件的组合构成1个处理器且该处理器发挥多个处理部的功能。第2方式为，如以片上系统(systemonchip：soc)等为代表，使用由1个ic(integratedcircuit，集成电路)晶片实现包括多个处理部的系统整体的功能的处理器。如此，各种处理部使用1个以上的各种处理器构成为硬件结构。

符号说明

10-卷绕条件生成装置，20-输入部，30-条件计算部，32-机器学习部，34-学习模型，36-调整部，40-输出部，50-存储部，100-神经网络，102-输入层，104-第1中间层，106-第2中间层，108-输出层，200-神经网络，202-输入层，204-第1中间层，206-第2中间层，208-输出层，300-卷绕装置，302-卷芯，304-马达，306-支撑台，308-接触辊，310-按压机构，312-张力测量辊，314-张力传感器，318-张力调节辊，320-张力调节机构，322-导辊，324-长度测量辊，326-控制器，400-卷绕装置，402-空气喷嘴，404-鼓风机，406-配管，500-制造生产线，502-控制器，504-驱动辊，506-滚花辊，1010-卷绕缺陷等级预测值生成装置，1020-输入部，1030-预测值计算部，1032-机器学习部，1034-学习模型，1040-输出部，1050-存储部，2010-卷绕条件生成装置，2020-卷绕条件计算部，2030-缺陷等级计算模型，a-箭头。