加硫はゴムポリマー鎖を架橋する化学プロセスで、柔らかく粘着性のある化合物を、有用な機械的特性を持つ耐久性のあるエラストマー材料に変換します。プロセスは温度、時間、ゴム配合の特定の化学に対して敏感です。硬化不足は弱く、十分に架橋されていない材料を生み出します。過硬化はポリマーを劣化させ、材料を脆くします。これらの極端値の間のウィンドウは、人々が予想するよりも狭いことがしばしばあります。
AI最適化は、ゴム製造業者が配合の変動と機器の状態が変化しても、一貫してスイートスポットに達することを支援します。
加硫の制御が難しい理由
硬化反応は発熱性で、つまり自身で熱を発生させます。厚い部品では、ゴムの中心の温度が表面温度より遅れ、硬化勾配を作ります。表面が完全に硬化している間、中心はまだ硬化不足かもしれませんし、表面が目標に達するまでに中心が過硬化になっているかもしれません。
配合の変動性が別の次元を加えます。生ゴムの異なるバッチは、分子量分布、フィラー分散、促進剤活性に基づいて異なる硬化特性を持ちます。配合レシピや混合プロセスのわずかな変動でさえ、最適な硬化プロファイルを変えます。
AIが硬化プロファイルを最適化する方法
AIベースの加硫最適化は、各配合バッチの硬化挙動を特徴付けるレオメーターデータから始まります。レオメーターは、特定の温度で時間とともに材料の剛性がどう進化するかを測定し、そのバッチの硬化動力学を提供します。
AIは、このバッチ固有の硬化データを、金型と部品形状の熱伝達モデルと組み合わせて使用し、最適な温度と時間プロファイルを計算します。シンプルな平らな部品の場合、これは単一の温度と時間かもしれません。厚さが変動する複雑な形状の場合、AIは金型の異なる領域が異なる温度に加熱される多ゾーン温度プロファイルを最適化するかもしれません。
AIは過去の生産データからも学習します。硬化パラメータと硬度、引張強度、圧縮永久ひずみなど、生産後に測定された実際の製品特性を相関させます。この相関により、レオメーターデータだけが提供するもの以上に、硬化予測モデルを微調整できます。
エネルギーとサイクル時間のメリット
最適化された硬化プロファイルは通常、サイクル時間を短縮します。なぜなら、最悪のシナリオで完全な硬化を確保するために必要以上にプロセスを実行しないからです。サイクルが短くなれば、同じ機器からのスループットが高くなります。エネルギー節約は、金型を必要以上の温度に加熱したり、材料が必要とする以上に長く実行したりしないことから生まれます。
製造業におけるAIプロセス最適化の詳細については、FirmAdapt製造業分析ページをご覧ください。