CN106393622A - 注射成形机的异常诊断装置 - Google Patents

Abstract

本发明提供一种注射成形机的异常诊断装置。本发明的异常诊断装置输入注射成形机的内在和外在的状态数据、利用机械学习器诊断注射成形机的异常，其特征在于，通过使用从发生了异常的注射成形机获得的所述状态数据和从未发生异常的注射成形机获得的所述状态数据进行机械学习而得到所述机械学习器的内部参数。

Description

注射成形机的异常诊断装置

技术领域

本发明涉及注射成形机的异常诊断装置，尤其涉及无论分析者的知识、经验多少都能够进行高精度的异常诊断的异常诊断装置。

背景技术

以往，在注射成形机发生了故障时，使用者、制造商的工程师对该注射成形机所保存的成形条件、警报历史记录等记录进行分析，调查故障的原因。

作为关于注射成形机的故障分析的现有技术，例如日本特开平05－157662号公报公开了这样一种技术：对注射成形机发生了故障时的注射成形机的构成要素的声音及振动进行频谱分析，得到故障频谱信息，根据故障频谱信息通过学习求出故障基本频谱模式，并用于故障判断。

另外，日本特开2002－229623号公报公开了一种树脂机械的分析评价系统，其将树脂机械工作时的各参数存储于数据库，基于存储数据分析对树脂机械的处理方法，并具有将该分析结果反映到下次的分析中的学习功能。

以往这样的通过人工进行的故障分析方法，由于进行分析的使用者、制造商的工程师所拥有的知识、经验的量有限，因此有时难以确定故障的原因。

另外，以往无法实现下述情况：注射成形机的控制装置、连接于注射成形机的管理装置基于从注射成形机获取的成形条件、警报历史记录等数据，确定故障的原因，或者算出不会发生故障的成形条件。

发明内容

因此，本发明的目的在于提供一种注射成形机的异常诊断装置，无论分析者的知识、经验的多少都能够进行高精度的异常诊断。

本发明的注射成形机的异常诊断装置，输入注射成形机的内在和外在的状态数据，利用机械学习器诊断注射成形机的异常，其中，通过使用发生异常时得到的所述状态数据和没有发生异常时得到的所述状态数据进行机械学习来得到所述机械学习器的内部参数。

在所述异常诊断装置中，所述内在和外在的状态数据包括注射成形机的驱动部的负荷、轴的频率特性、树脂压力、合模力、报警发生历史记录、机械操作历史记录、每个成形周期的工序监视数据、成形条件、成形品的品质信息中的至少一者和有没有发生异常的信息。

所述异常诊断装置基于所述机械学习的结果，使用所述状态数据对注射成形机的异常进行预测。

所述异常诊断装置在进行发生异常的预测时，从所述状态数据中确定成为异常的原因的状态数据。

所述异常诊断装置在进行发生异常的预测时，算出所述状态数据与发生异常之间的关联。

所述异常诊断装置在进行发生异常的预测时，算出所述状态数据的调整值，使得不发生异常。

所述异常诊断装置在发生异常时，从所述状态数据中确定成为异常的原因的状态数据。

所述异常诊断装置在发生异常时，算出所述状态数据与发生异常之间的关联。

所述异常诊断装置在发生异常时，算出所述状态数据的调整值，使得不发生异常。

在所述异常诊断装置中，从经由网络连接的多个所述注射成形机输入所述内在和外在的状态数据。

在所述异常诊断装置中，在经由网络连接的多个注射成形机之间共享所述机械学习器的内部参数。

本发明的机械学习器，学习了基于注射成形机的内在和外在的状态数据的注射成形机的异常诊断，其中，通过使用发生异常时得到的所述状态数据和没有发生异常时得到的所述状态数据进行机械学习来得到所述机械学习器的内部参数。

根据本发明，使用从发生了异常的注射成形机获得的状态变量和从未发生异常的注射成形机获得的所述状态变量进行机械学习，从而无论分析者的知识、经验的多少，都能够进行高精度的异常诊断。

另外，注射成形机的控制装置、连接于注射成形机的管理装置能够基于从注射成形机获取的成形条件、警报历史记录等数据，确定故障的原因，或者算出不会发生故障的成形条件。

附图说明

从参照附图进行的以下实施例的说明能够了解本发明的上述以及其他目的、特征。这些附图中：

图1A是说明进行有教师学习的机械学习器的动作的概况的图，是表示学习阶段的图。

图1B是说明进行有教师学习的机械学习器的动作的概况的图，是表示基于学习结果的预测阶段的图。

图2是本发明的实施方式中的异常诊断装置的概略构成图。

具体实施方式

以下，对本发明的实施方式及附图进行说明。

本发明中，使用从发生了异常的注射成形机获得的状态变量和从未发生异常的注射成形机获得的所述状态变量进行机械学习，从而诊断异常的原因。另外，在发生异常时从所述状态变量中确定成为异常原因的状态变量，计算所述状态变量的调整值，使得不发生异常。

＜1.机械学习＞

通常，机械学习根据其目的、条件分类为有教师学习、无教师学习、强化学习等各种算法。在本发明中，以学习注射成形机的内在参数或外在参数所表示的状态与注射成形机中发生的故障之间的相关性为目的，考虑到能够进行基于明示的数据的学习、需要进行基于学习结果的原因诊断等，采用有教师学习的算法。

图1是说明进行有教师学习的机械学习器的动作的概况的图。进行有教师学习的机械学习器的动作大体上能够分为学习阶段和预测阶段这两个阶段。进行有教师学习的机械学习器，若在学习阶段(图1A)赋予包括作为输入数据使用的状态变量(说明变量)的值和作为输出数据使用的目标变量的值的教师数据，则在该状态变量的值被输入时，学习输出该目标变量的值，通过赋予若干这样的教师数据，构筑用于输出与状态变量的值相对应的目标变量的值的预测模型。

然后，进行有教师学习的机械学习器，在预测阶段(图1B)被赋予新的输入数据(状态变量)时，遵照学习结果(构筑的预测模型)，预测输出数据(目标变量)并输出。

作为进行有教师学习的机械学习器的学习的一例，例如设定以下的式1所示那样的预测模型的回归式，在学习过程中将各状态变量x₁、x₂、x₃……所取的值应用于回归式时，调整各系数a₀、a₁、a₂、a₃……的值以获得目标变量y的值，由此学习得以进展。另外，学习的方法不限于此，针对每一种有教师学习的算法而不同。

【式1】

y＝a₀+a₁x₁+a₂x₂+a₃x₃+…+a_nx_n

另外，作为有教师学习的算法，周知有最小二乘法、逐步法、SVM、神经网络，决策树学习等各种方法，作为适用于本发明的方法，可以采用任一种有教师学习算法。另外，各有教师学习算法是周知的，因此本说明书中省略对算法的详细说明。

以下，基于具体实施方式对导入了进行有教师学习的机械学习器的本发明的异常诊断装置进行说明。

＜2.实施方式＞

图2是表示本发明的一实施方式中的异常诊断装置的概略结构的图。本实施方式的异常诊断装置10包括有教师机械学习器(图中的虚线框)。异常诊断装置10在与多个注射成形机1a、1b、1c之间通过通讯线路、信号线等连接，从注射成形机1a、1b、1c向异常诊断装置10发送表示各注射成形机的状态的状态数据。

异常诊断装置10所具有的状态观测部11是观测从各注射成形机1a、1b、1c送来的与注射成形相关的状态数据，并将该状态数据取到异常诊断装置10内的功能单元。作为状态数据的一例，能够列举出注射成形机的驱动部的负荷、轴的频率特性、树脂压力、合模力、机械操作历史记录、每个成形周期的工序监视数据、成形条件、成形品的品质信息、以及报警发生(历史记录)、故障信息等。

状态数据存储部12是将状态观测部11所取得的状态数据以及后述的状态预测部15所预测的诊断结果的数据存储起来，并根据来自外部的请求输出存储的该状态数据、诊断结果的数据的功能单元。关于状态数据存储部12所存储的状态数据，按照每一次成形加工的动作，或者按照每预定时间将发生的状态数据成组存储。并且，针对每一个注射成形机存储各状态数据。

状态学习部13、学习结果存储部14、状态预测部15是构成有教师机械学习器的主要部分的功能单元。

状态学习部13基于状态观测部11所取得的状态数据、存储于状态数据存储部12的状态数据进行有教师学习，将学习结果存储于学习结果存储部14。本实施方式的状态学习部13将状态数据中有无发生报警或者有无发生故障作为目标变量，将其他状态数据作为状态变量，以这样的教师数据进行有教师学习。作为学习的一例，在使用预测模型的回归式的情况下，也可以按照警报的每个种类、故障的每个种类准备回归式，另外，在使用SVM、神经网络、决策树等的情况下，也可以按照警报的每个种类、故障的每个种类准备分类器。另外，针对多个注射成形机，可以将它们视为通用来进行学习，对于特殊的注射成形机，也可以个别地进行学习。

在学习过程中，也可以将每次成形加工动作开始时的状态数据和成形加工动作后的警报或者故障的状态的组作为教师数据，在该情况下，能够基于学习的结果，针对每个成形加工动作预测报警发生的可能性、故障的可能性。另一方面，教师数据也可以根据某时刻t的状态数据设定状态变量，将预先确定的预定时间α后的时刻t+α的状态数据的有无发生报警或者有无发生故障作为目标变量，在该情况下，能够基于学习的结果预测在注射成形机成为某状态时在预定时间α后发生警报或者故障的可能性。

学习结果存储部14是存储状态学习部13基于教师数据学习得出的结果的功能单元。学习结果存储部14根据来自外部的请求而输出所存储的学习结果。利用该功能，还能够将学习结果存储部14存储的学习结果应用于其他异常诊断装置等。

状态预测部15基于学习结果存储部14中存储的学习结果，使用状态观测部11所取得的各注射成形机1a、1b、1c的状态数据预测警报或者故障的发生。

另外，状态预测部15在预测出发生警报或故障的情况下、以及实际发生了警报或者故障的情况下，推测成为发生该警报或者发生该故障的原因的状态变量，算出与该推测出的状态变量的值相关的用于消除该警报的发生或者该故障的发生的调整值。

作为推测成为发生警报或者故障的原因的状态变量的一个方法，可以考虑这样的方法：对存储于状态数据存储部12的过去的数据进行统计处理，分析各状态变量和发生警报或者故障(目标变量)之间的相关性，由此来进行预测。相关性的分析可以使用机械学习，也能够使用一般的统计方法。另外，在特定的状态变量之间存在相关性的情况下，在分析状态变量与目标变量之间的相关性时，有时推测为多个状态变量是异常的原因(提取出多个同程度的相关性高的状态变量)。为了应对这样的状况，在各状态变量之间存在相关性的情况下，预先登记各状态变量之间的关系性，基于该登记的关系性确定作为调整对象的状态变量即可。例如，有这样的情况：注射速度过快为根本原因，作为其结果，导致压力高这样的从属原因。该情况下，通过机械学习将注射速度和压力的高低的关系进行登记，确定原因时，确定作为根本原因的注射速度的快慢和作为从属原因的压力的高低即可。

作为推测成为发生警报或者故障的原因的状态变量的其他方法，可以考虑使用启发法的方法。也可以事先将与各报警的发生或者故障的发生相对应的启发进行登记，在预测出发生报警或者故障时按照所登记的启发法，确定成为异常的原因的状态变量。作为启发法的例子，例如，考虑“在预测出压力警报时，在注射速度为预定阈值以上的情况下，注射速度是原因”这样的启发法。这样的启发法可以通过机械学习自动登记，也可以由熟练的操作员等事先登记。这样，在预测出会发生警报或者故障时能够确定成为原因的状态变量。

另外，状态预测部15在预测出会发生警报或者故障的情况下、以及实际发生了警报或者故障的情况下，将推测为是发生该警报或者该故障的原因的状态变量的值调整为能够消除该警报或者该故障的发生的值。

作为调整被推测为原因的状态变量的值的一个方法，在预定范围内变更被推测为发生该警报或者该故障的原因的状态变量的值，使用该调整后的状态变量的值进行基于学习结果存储部14中存储的学习结果的发生警报或者故障的试预测。作为试预测的结果，预测为不发生警报或者故障的情况下，将该调整后的状态变量的值作为调整值，作为试预测的结果，预测为发生警报或者故障的情况下，对该状态变量再次进行调整，在试预测中重复进行上述操作，直到不再发生警报或者故障为止。在状态变量的调整中，按照各状态变量的每个种类定义了进行调整的正负方向、一次的调整幅度等，进行已发生的或者预测要发生的警报或者故障的发生原因的状态变量的调整即可。

另外，状态预测部15将预测会发生警报或者故障的注射成形机的信息、预测的警报或者故障的发生、成为原因的状态变量以及该成为原因的状态变量的调整值输出给预测结果输出部16。

预测结果输出部16将从状态预测部15输出的信息向操作员输出。预测结果输出部16可以对异常诊断装置所具有的未图示的显示装置显示从状态预测部15输出的信息，也可以将该信息向通过网络连接的未图示的集中管理装置输出。另外，状态预测部15也可以利用声音、光等方式通知预测出了警报或者故障的发生。

另外，本发明的异常诊断装置10可以构成为注射成形机的控制装置的一部分，也可以构成为相对于注射成形机的控制装置独立的装置，后者的情况下，例如也可以构成为管理多个注射成形机的管理装置的一部分。

另外，异常诊断装置10取得并存储于状态数据存储部12的各注射成形机的状态数据也可以作为各注射成形机通用的数据来管理。

此外，也可以将与异常诊断装置10的机械学习器相当的结构构成为能够相对于异常诊断装置10装卸。通过将学习结束后的机械学习器的学习结果存储部14中存储的学习结果、状态数据存储部12中存储的状态数据取出，存储于其他的机械学习器，还能够进行学习结束后的机械学习器的量产。

以上，对本发明的实施方式进行了说明，但本发明并非仅限于所述实施方式的例子，能够通过进行适当的变更而以各种形态来实施。

Claims (12)

1.一种异常诊断装置，其输入注射成形机的内在和外在的状态数据,利用机械学习器诊断注射成形机的异常，其特征在于，

通过使用发生异常时得到的所述状态数据和没有发生异常时得到的所述状态数据进行机械学习来得到所述机械学习器的内部参数。

2.根据权利要求1所述的异常诊断装置，其特征在于，

所述内在和外在的状态数据包括注射成形机的驱动部的负荷、轴的频率特性、树脂压力、合模力、报警发生历史记录、机械操作历史记录、每个成形周期的工序监视数据、成形条件、成形品的品质信息中的至少一者和有没有发生异常的信息。

3.根据权利要求1或2所述的异常诊断装置，其特征在于，

基于所述机械学习的结果，使用所述状态数据对注射成形机的异常进行预测。

4.根据权利要求3所述的异常诊断装置，其特征在于，

在进行发生异常的预测时，从所述状态数据中确定成为异常的原因的状态数据。

5.根据权利要求3或4所述的异常诊断装置，其特征在于，

在进行发生异常的预测时，算出所述状态数据与发生异常之间的关联。

6.根据权利要求3～5中任一项所述的异常诊断装置，其特征在于，

在进行发生异常的预测时，算出所述状态数据的调整值，使得不发生异常。

7.根据权利要求1～6中任一项所述的异常诊断装置，其特征在于，

在发生异常时，从所述状态数据中确定成为异常的原因的状态数据。

8.根据权利要求1～7中任一项所述的异常诊断装置，其特征在于，

在发生异常时，算出所述状态数据与发生异常之间的关联。

9.根据权利要求1～8中任一项所述的异常诊断装置，其特征在于，

在发生异常时，算出所述状态数据的调整值，使得不发生异常。

10.根据权利要求1～9中任一项所述的异常诊断装置，其特征在于，

从经由网络连接的多个所述注射成形机输入所述内在和外在的状态数据。

11.根据权利要求1～10中任一项所述的异常诊断装置，其特征在于，

在经由网络连接的多个注射成形机之间共享所述机械学习器的内部参数。

12.一种机械学习器，其学习了基于注射成形机的内在和外在的状态数据的注射成形机的异常诊断，其特征在于，

通过使用发生异常时得到的所述状态数据和没有发生异常时得到的所述状态数据进行机械学习来得到所述机械学习器的内部参数。