Interpretable Hybrid Surrogate Modeling for Diameter Deviation Prediction in Injection Molding Using Symbolic Regression and Gaussian Process Residual Correction

製造の世界において、プラスチック部品を作ることは、ケーキを焼くことに似ていますが、それよりもはるかにミスが許されない作業です。機械が溶融したプラスチックを金型内に射出するとき、適切な圧力で保持し、完璧な速度で材料を冷却し、サイクルを正確に制御しなければなりません。機械の設定がわずかでも狂うと、最終的な部品のサイズが狂ってしまう可能性があります。これは「寸法品質」という問題です。エンジニアたちは、機械の設定（例えば、プラスチックを押し出す強さや流れる速さなど）をどのように変えると、最終的な部品のサイズがどのように変化するかを正確に予測しようと、長年試行錯誤してきました。課題は、これらの要因が単独で作用するのではなく、複雑に絡み合っていることです。圧力の変化は、プラスチックが注入された速度や、金型が開く前に機械が待機した時間によって、異なる影響を及ぼす可能性があります。通常、これらの関係を理解するために企業は何百もの実験を行いますが、時間と費用の制限制限により、実際には数十回程度に留まることがよくあります。データが乏しい場合、標準的なコンピュータモデルは複雑すぎて理解できなかったり、正確な予測に失敗したりすることがあります。

モロッコの研究チームは、特定の種類のプラスチック部品に焦点を当て、このパズルを解こうとしました。彼らが注目したのは「直径偏差」と呼ばれる欠陥、つまり部品の幅が意図したサイズからどれだけ離れているかという点です。彼らは、非常に少ないデータを用いてこのエラーを予測できるコンピュータモデルを構築したいと考えていましたが、そこには重要な条件がありました。それは、モデルが「理解可能」でなければならないということです。ロジックをブラックボックスの中に隠すのではなく、エンジニアが読み取り、信頼できる明確な数学的規則を作りたいと考えました。これを行うために、彼らは2つの異なる手法を組み合わせました。まず、「記号回帰（シンボリック・リグレッション）」と呼ばれる手法を用いました。これは、本質的には、データに適合する最も単純な方程式を探し出す作業です。次に、第2の層として「ガウス過程（ガウス・プロセス）」という統計ツールを加え、最初の式が捉えきれなかった小さく乱れた詳細な部分を補足しました。目標は、透明性と精度を兼ね備えたハイブリッド・システムを作り上げることでした。たとえ27個の異なる動作条件しか扱えない場合でも、それが可能になるように設計されました。

研究者たちは、2つの別々の実験キャンペーンからデータを収集することから始めました。これらを合わせると127回のラン（試行）となりました。一部のランでは同じ条件が繰り返されていたため、それらを平均して、27個の代表的なシナリオを作成しました。そこから、彼らは主に4つの制御要素を研究対象として選びました。それは、プラスチックを金型内で保持するための保持圧力、押し返すためのカウンター圧力、サイクルの総時間、そしてプラスチックを注入する速度です。これらの4つの生の数値を直接コンピュータに入力するのではなく、チームはまず、より意味のある組み合わせへと変換しました。彼らは、圧力のバランスや、速度と時間の相互作用などを表す新しい入力変数を作成しました。このステップは極めて重要でした。なぜなら、これによりコンピュータが物理的プロセスを記述するためのより優れた「語彙」を持つことができ、より単純で正確なルールを見つけられるようになったからです。

準備されたデータを用いて、研究者たちは記号回帰アルゴリズムに最適な数学的表現を探させました。その結果、主要な予測因子として機能するコンパクトな方程式が得られました。この方程式は、機械の設定が部品のサイズに与える支配的な傾向をうまく捉えることに成功しました。作成時に見ていないデータに対してテストを行ったところ、この方程式は直径偏差を約10.14マイクロメートルという誤差で予測しました。これを比較するために言えば、人間の髪の毛の太さは約70〜100マイクロメートルですので、このモデルは髪の毛の太さの10分の1以下の誤差を予測していたことになります。これは素晴らしい成果ですが、研究者たちは、いかなる単一の方程式も、複雑な製造プロセスのあらゆる微細な変動を捉えることはできないことも承知していました。そこには常に、説明のつかない小さな「ゆらぎ」が残されるのです。

これらの残された誤差に対処するため、チームは第2のモデルであるガウス過程を訓練しました。これは、最初の式が犯した間違いを学習することに特化したものです。この第2のモデルを、最初の式が予測したものと実際に起こったことの間の「ギャップ」を学び、それを修正することを学ぶ「微調整役」と考えてください。これら2つを組み合わせたとき、ハイブリッド・モデルはさらに優れた性能を発揮し、予測誤差を9.32マイクロメートルにまで減少させました。この改善は、絶対値としては小さく見えるかもしれませんが、統計的に有意なものでした。より重要なのは、このハイブリッドなアプローチによって、第1の方程式の核となるロジックの可視性と理解しやすさを維持したまま、第2の部分が乱れた詳細部分を処理できたことです。つまり、エンジニアは機械の一般的な挙動を理解するために主要なルールを見続けることができ、同時に、より高い精度を得るために修正レイヤーを利用できるという仕組みです。

研究者たちはその後、これらのモデルを用いて、「どのような機械設定が最小の誤差を生むか」という実用的な問いを投げかけました。彼らは、テストした範囲内において、圧力、速度、時間の理想的な組み合わせを見つけるための最適化探索を実行しました。単純な方程式は、誤差が約33.25マイクロメートルとなる最善のシナリオを示唆しました。しかし、微細な誤差を補正する能力を持つハイブリッド・モデルは、理論的に誤差をわずか23.73マイクロメートルにまで低減できる、異なる設定値を指し示しました。この変化は、修正レイヤーを加えることが単に数字を改善するだけでなく、機械をどのように運転すべきかという推奨事項さえも変えてしまうことを示しました。研究者たちは、これらはあくまでモデルに基づく予測であり、まだ実機の機械でテストされたものではないことを注記しています。しかし、その差は実世界での試行を行う価値があるほど大きなものでした。

研究全体を通じて、チームは自分たちの研究の限界について誠実であることを心がけました。彼らは、自分たちのモデルはあくまで「ローカルなガイド」であり、テストした特定の機械、材料、および金型に対してのみ有効なものであり、すべてのプラスチック成形に適用できる普遍的な法則ではないことを強調しました。また、モデルが予測に対する自信の度合いを示す「不確実性」を提供しているものの、この信頼性が新しい独立した実験によって完全に検証されたわけではないことも指摘しました。真のテストは、エンジニアが推奨された設定を工場の現場で試すときにやってくるのです。この研究は、データが乏しい産業上の問題に対して、このハイブリッドなアプローチが実用的な中間地点を提供したと結論づけました。それは、単純な方程式の明快さと、複雑な統計的補正の柔軟性という、両方の良いとこ取りをする方法を提供し、エンジニアに対して「賢く、かつ説明可能な」ツールを与えたのです。