国立先进产业科学技术研究所 [石村和彦会长]（以下简称“AIST”）功能化学研究部[研究主任北本大]化学材料评估组 Hideyuki Niizawa，首席研究员，Junji Suimon，研究组组长，Maito Koga，研究员，高分子化学组 Hideaki Hagiwara，研究组组长，Ryota Watanabe 首席研究员，山根正吾首席研究员是近红外光我们开发了一种诊断塑料（聚丙烯）劣化的技术。
新开发的技术能够对广泛应用于汽车零部件和建筑材料的聚丙烯的劣化进行非破坏性现场诊断，并有望成为诊断已纳入产品并实际使用的聚丙烯部件的质量和劣化的方法，而这在过去由于没有无损诊断技术而难以评估。它还有望作为检测各种塑料部件制造商生产线中的异常产品的技术，以及作为不易变质且可用于材料回收的塑料部件的分选技术做出贡献。
传统的塑料劣化诊断方法（上）和新开发的基于光的诊断方法（下）
自《产品责任法》生效以来，材料制造商被要求更明确地保证其产品的安全和质量，许多公司现在需要分析技术来确保和妥善管理其产品的质量。对于比金属部件更容易劣化的塑料部件来说，最终产品的质量保证尤其重要，并且在发货前要进行多次检查，这是一个主要的成本因素。传统上，塑料产品的质量是通过机械测试来评估的，机械测试测量待测物体拉伸变形时所施加的力。由于这种方法会使被测物体变形并被破坏，因此无法诊断已融入产品并实际使用的塑料部件的质量或劣化，并且迄今为止尚未建立替代的无损诊断技术。
AIST 已材料诊断平台”的系统并响应公司的要求，使用各种尖端分析技术评估塑料质量并诊断劣化进展情况。最近，我们收到了许多对轻松、无损地分析塑料质量的技术的请求，为了满足这些需求，我们决定开发一种使用近红外光的塑料诊断技术。
断裂伸长率是样品断裂前的拉伸伸长率，在实际生产现场作为聚丙烯部件机械性能的重要指标使用。随着聚丙烯的劣化，其断裂伸长率会降低。这次我们提前进行了劣化处理，制作了不同劣化程度的聚丙烯样品，近红外光（光吸收光谱)和断裂伸长率。
图1显示了近红外光吸收的测量和通过用波长为1600nm至2000nm的近红外光照射降解聚丙烯样品而测量的近红外光谱的实例。此次使用的装置不仅可以测量透射光，还可以测量反射光的近红外光谱，并且由于可以根据样品的厚度和形状选择透射光和反射光，因此可以应用于多种样品。对于图1所示的聚丙烯样品，通过用传感器检测透射的近红外光来测量近红外光谱。另外，此时的近红外光谱的测定时间为6秒。
图1 聚丙烯的近红外光吸收测量（左）和测量的近红外光谱的示例（右）
图 2 显示了使用机器学习的数据分析概览以及聚丙烯降解的估算结果。由于聚丙烯的近红外吸收特性随着劣化的进行而变化，因此可以根据近红外光谱形状的变化来估计劣化情况。换句话说，如图2左侧所示，断裂伸长率是通过将各波长处的光吸收量（吸光度）乘以回归系数并将它们相加来计算的。然而，由于光谱等海量数据，计算个体回归系数是很困难的，所以这次我们利用机器学习来高效地推导回归系数。使用学习数据（图2右侧标记为○）导出的回归系数计算出的测试数据（图2右侧标记为●）的断裂伸长率与机械测试中测得的实际断裂伸长率非常匹配。对回归系数的进一步详细检查表明，聚丙烯固态结构的变化与近红外光吸收的变化直接相关。
此次开发的技术可作为一种新的诊断技术，只需测量几秒钟聚丙烯的光吸收率即可准确预测聚丙烯的断裂伸长率，而不会像拉伸测试中那样破坏材料。在受到多次质量检查和随之而来的工作量增加困扰的制造现场，引入这项可以非破坏性地实时评估塑料产品质量的技术，预计将导致制造成本的大幅降低。此外，如果塑料具有聚丙烯等结晶结构，该技术还可以通过测量近红外光谱和断裂伸长率等测量数据的机器学习来诊断其他类型塑料的劣化。
请注意，使用通过机器学习获得的回归系数进行的预测可以应用于与用于学习的聚丙烯具有相似性能的聚丙烯，但为了诊断含有大量添加剂的聚丙烯或不同塑料的劣化，需要测量待诊断样品的近红外光谱和断裂伸长率等学习数据并进行机器学习。
图2 数据分析概述（左）和聚丙烯降解估算结果（右）
今后，我们将积极充当企业的桥梁，将劣化诊断技术应用于汽车零部件和建筑材料的质量控制以及塑料零部件的回收利用。此外，“材料诊断平台”将整合包括该技术在内的多种诊断技术，并将作为“综合材料医院”响应企业的广泛诊断要求。