CN107364097B - 注射成形机的止回阀的磨损量推定装置及磨损量推定方法 - Google Patents

Abstract

本发明提供一种注射成形机的止回阀的磨损量推定装置以及磨损量推定方法，磨损量推定装置存储根据从在注射成形机的注射时所取得的物理量中提取出的特征量和在注射时安装在该注射成形机中的止回阀的磨损量所涉及的信息来进行了有教师学习的学习结果。根据该存储的学习结果和所述提取出的特征量，推定在注射时安装在注射成形机中的止回阀的磨损量。

Description

注射成形机的止回阀的磨损量推定装置及磨损量推定方法

技术领域

本发明涉及注射成形机的止回阀的磨损量推定装置以及磨损量推定方法，特别是直通式的注射成形机中的止回阀的磨损量推定装置以及磨损量推定方法。

背景技术

在直通式的注射成形机中，螺杆前端的止回阀通过在注射以及计量中进行相对地后退动作或前进动作，来防止在注射中树脂流向螺杆的后方，并在计量中使树脂从后方流向前方。这里，如果在注射中止回阀没有后退、或者即使后退其动作定时也有偏差，则会产生由于树脂流向螺杆后方的回流现象而造成成形品的质量没有达到预定值、或者成形品的质量产生偏差的问题。

像这样的止回阀的动作的问题，主要起因于因长时间的成形导致止回阀磨损、尺寸与初始尺寸相比发生了变化。因此，为了长期稳定地生产高品质的注射成形品，需要监控是否存在止回阀的磨损，并在检测出磨损时，迅速将止回阀更换为新品。

作为止回阀的磨损量检测方法，已知有定期地从注射气缸中拔出螺杆来直接测量尺寸的方法。然而，该方法存在必须暂时停止生产来进行测定作业，从而导致生产力低下的问题。因此，作为不从注射气缸中拔出螺杆，来间接地测量磨损量的方法，已知有检测树脂流向螺杆后方的回流现象的方法。例如，在日本特开平01-168421号公报以及日本特开2008-302527号公报中，公开了测定在螺杆的旋转方向上施加的负载扭矩来检测树脂的回流现象。另外，在日本特开平01-281912号公报以及日本特开2009-096045号公报中，公开了测定保压中的螺杆的前进速度来检测树脂的回流现象。此外，在日本特开2008-302528号公报中公开了使用检测出的止回阀的闭锁时刻的螺杆位置来推定止回阀的磨损量。

上述现有技术中公开的止回阀的磨损的检测方法具有如下优点，即，通过检测树脂的回流现象，即使在生产中也可以间接地检测螺杆的磨损。然而，生产中的注射成形机的动作条件根据成形品、树脂的种类的不同是千差万别的，并且作为所述回流现象的衡量标准的负载扭矩、螺杆的前进速度也根据注射成形机的动作条件而发生变化，因此很难高精确度地推定止回阀的磨损量。

发明内容

因此，本发明的目的是提供一种不依赖于注射成形机的动作条件来高精确度地推定止回阀的磨损量的磨损量推定装置以及磨损量推定方法。

本发明通过提供一种通过利用机械学习，不依赖于注射成形机的动作条件来高精确度地推定止回阀的磨损量的功能，由此解决上述课题。

根据本发明，提供一种对安装在注射成形机中的止回阀的磨损量进行推定的磨损量推定装置，其具备：学习结果存储部，其存储根据从在由所述注射成形机所进行的注射时所取得的物理量中提取的特征量和在所述注射时安装在所述注射成形机中的止回阀的磨损量所涉及的信息，进行了有教师学习的学习结果；物理量取得部，其在所述注射成形机的注射时取得物理量；特征量提取部，其根据所述物理量取得部所取得的物理量，提取该物理量的特征量；磨损量推定部，其根据存储在所述学习结果存储部中的所述学习结果和所述特征量提取部所提取出的所述特征量，推定在所述注射时安装在所述注射成形机中的止回阀的磨损量；以及推定结果输出部，其输出所述磨损量推定部所推定出的磨损量。

所述磨损量推定装置还具备：有教师学习部，其根据从在所述注射成形机的注射时所取得的物理量中提取的特征量和在所述注射时安装在所述注射成形机中的止回阀的磨损量所涉及的信息，进行有教师学习，并将该学习的结果存储到所述学习结果存储部。

所述物理量的特征量可以是表示该物理量的特征的数值。

所述物理量的特征量可以是对所述物理量的变化模式进行近似而求得的特征量。

根据本发明，提供一种推定注射成形机的止回阀的磨损量的磨损量推定方法包括：以分别安装了磨损量不同的多个止回阀的状态进行注射动作的步骤；在所述注射成形机进行注射动作时取得与所述注射动作有关的物理量的步骤；提取该取得的物理量的特征量的步骤；进行将所述止回阀的磨损量作为正解信息、将该提取出的物理量的特征量作为输入的有教师学习的步骤；以及根据所述有教师学习的学习结果，在输入了所述物理量的任意的特征量时推定止回阀的磨损量的步骤。

所述物理量的特征量可以是表示该物理量的特征的数值。

所述物理量的特征量可以是对所述物理量的变化模式进行近似而求得的特征量。

根据本发明，可以不受注射成形机的动作条件的影响而高精确度地检测止回阀的磨损量。

附图说明

图1A以及图1B是说明进行有教师学习的机械学习器的动作的概要的图。

图2是表示神经元的模型的示意图。

图3是表示具有三层权值的神经网络的示意图。

图4是表示本发明的一实施方式所涉及的磨损量推定装置的概要结构的框图。

图5是说明使用将注射成形机的螺杆旋转方向的负载扭矩与从注射开始起的经过时间关联起来而得的波形数据的情况下的特征量的图。

图6是说明使用将注射成形机的树脂压力与从注射开始起的经过时间关联起来而得的波形数据的情况下的特征量的图。

具体实施方式

在本发明中，通过利用机械学习，不依赖于注射成形机的动作条件来高精确度地推定止回阀的磨损量。在本发明的机械学习中，从使用了不同磨损量(不同尺寸)的止回阀时的注射成形机的各个物理量中进行特征提取，并对在该特征提取中提取出的特征量和止回阀的磨损量(因磨损而变化了的止回阀的尺寸)进行机械学习。

具体而言，在本发明的机械学习中，预先准备不同磨损量的止回阀(不同尺寸的止回阀)，将这些止回阀安装在各个注射成形机中来进行成形运转。然后，在成形运转时设定多个种类的成形条件来进行注射，取得使注射中的物理量对应于从注射开始起的经过时间或注射中的螺杆位置的波形数据并进行存储，进而从物理量的波形数据中进行特征提取。然后，将提取出的特征量作为输入，并进行将止回阀的尺寸作为输出的机械学习。

以下，针对在本发明中所使用的机械学习进行简单地说明。

＜1.机械学习＞

通过解析而从输入到要进行机械学习的装置(以下，为机械学习器)的数据集合中提取其中有用的规则或知识表现、判断基准等，输出其判断结果，并且进行知识学习，由此来实现机械学习。机械学习的方法是多种多样的，但是大致可分为“有教师学习”、“无教师学习”、“强化学习”。进一步，在实现这些方法的基础上，存在对特征量本身的提取进行学习的、称为“深度学习”的方法。

“有教师学习”是通过将某输入与结果(标签，label)的数据组大量地提供给机械学习器，来学习这些数据集中的特征，并能够归纳性地获得从输入推定出结果的模型即输入与输出的相关性的方法。该有教师学习可以使用后述的神经网络等算法来实现。

“无教师学习”是通过只将输入数据大量地提供给学习装置，来学习输入数据进行怎样的分布，即使不提供对应的教师输出数据，也针对输入数据进行压缩、分类、整形等的装置进行学习的方法。可以将处于这些数据集之中的特征在相似者之间聚类等。使用其结果来进行设定某基准而使其为最佳的这样的输出分配，由此，能够实现输出预测。

此外，存在作为“无教师学习”和“有教师学习”中间的问题而设定的被称为“半有教师学习”的学习，其对应于如下情况：仅存在一部分输入和输出的数据组，除此之外仅是输入的数据。在本实施方式中，在无教师学习中可以利用即使实际上不使加工机动作也能够获得的数据来高效地进行学习。

“强化学习”是用于如下学习的方法：不单进行判定、分类，还通过学习行为而在行为给予环境的相互作用的基础上学习适当的行为，即，使将来获得的回报最大化。在强化学习中，机械学习器可以从完全不知道行为所引起的结果的状态开始、或者只是不完全地知道的状态开始学习。另外，也可以以模拟人类动作的方式将事前学习(如逆强化学习、所述的有教师学习的方法)的状态作为初始状态，从良好的开始地点开始学习。

在本发明中，以学习从在注射成形机的动作时所取得的物理量中提取出的特征量与安装在注射成形机中的止回阀的磨损量(因磨损而变化了的止回阀的尺寸)之间的相关性为目的，考虑可以进行基于明确的数据的学习、以及需要进行基于学习结果的止回阀的磨损量的判定等，来采用有教师学习的算法。

图1A以及图1B是说明进行有教师学习的机械学习器的动作的概要的图。

进行有教师学习的机械学习器的动作可以大体分为学习阶段和预测阶段这2个阶段。进行有教师学习的机械学习器在学习阶段(图1A)中，如果提供包含作为输入数据使用的状态变量(说明变量、图1A中的x₁、x₂、x₃、…)的值和作为输出数据使用的目的变量(图1A中的y)的值的教师数据，在输入了该状态变量的值时，对输出该目的变量的值这一情况进行学习。然后，通过提供若干个这样的教师数据，机械学习器构筑用于输出与状态变量的值对应的目的变量的值的预测模型(进行映射的函数f)。

另外，进行有教师学习的机械学习器在预测阶段(图1B)中，在提供了新的输入数据(状态变量)时，按照学习结果(构筑出的预测模型)，预测输出数据(目的变量)并进行输出。

作为进行有教师学习的机械学习器的学习的一个例子，例如有将以下的(1)式所示那样的回归式作为预测模型(进行映射的函数f)来使用的方法。在使用回归式的方法中，在学习的过程中，将(1)式中的各状态变量x₁、x₂、x₃、…的取值拟合到回归式中时，通过调整各系数a₀、a₁、a₂、a₃、…的值来推进学习，以便获得目的变量(正解信息)y的值。

y＝a₀+a₁x₁+a₂x₂+a₃x₃+…+a_nx_n……(1)

另外，作为进行有教师学习的机械学习器的学习的另一个例子，例如，有将神经网络作为预测模型(进行映射的函数f)使用的方法。神经网络由实现模仿例如图2所示那样的神经元的模型的神经网络的运算装置以及存储器等构成。图2是表示神经元的模型的示意图。

如图2所示，神经元输出与输入x(在这里作为一个例子，多个输入x₁～输入x₃)对应的正解信息y。对各输入x₁～x₃乘以与该输入x对应的权值w(w₁～w₃)。由此，神经元输出由如下(2)式表现的正解信息y。此外，在(2)式中，输入x、正解信息y以及权值w都是向量。另外，θ是偏置(bias)，f_k是激活函数。

此外，作为在进行有教师学习的机械学习器的学习中使用神经网络的方法的应用，存在将具有组合了上述神经元的3层权值的神经网络作为预测模型(进行映射的函数f)使用的方法。

图3是表示具有D1～D3这三层权值的神经网络的示意图。

在该图3所示的例子中，从神经网络的左侧输入输入x(在这里作为一个例子，多个输入x₁～输入x₃)，从右侧输出正解信息y(在这里作为一个例子，多个正解信息y₁～正解信息y₃)。

具体来说，将输入x₁～输入x₃乘以对应的权值而输入到3个神经元N₁₁～N₁₃的每一个。在图3中，与这些输入相乘的权值(分别与输入各个神经元的输入x₁～输入x₃相乘的权值)统一标记为矩阵w₁。神经元N₁₁～N₁₃分别输出z₁₁～z₁₃。这些z₁₁～z₁₃可以被统一标记为特征向量z₁，并看作是提取出输入向量的特征量的向量。该特征向量z₁是权值w₁与权值w₂之间的特征向量。

将特征向量z₁₁～z₁₃乘以对应的权值而输入到2个神经元N₂₁、N₂₂的每一个。在图3中，与这些特征向量相乘的权值(分别与输入各个神经元的特征向量的元素相乘的权值)被统一标记为矩阵w₂。神经元N₂₁、N₂₂分别输出z₂₁、z₂₂。它们被统一标记为特征向量z₂。该特征向量z₂是权值w₂与权值w₃之间的特征向量。

将特征向量z₂₁、z₂₂乘以对应的权值而输入到3个神经元N₃₁～N₃₃的每一个。在图3中，与这些特征向量相乘的权值(分别与输入各个神经元的特征向量的元素相乘的权值)被统一标记为矩阵w₃。

最后，神经元N₃₁～N₃₃分别输出正解信息y₁～y₃。

在图2以及图3所示的神经网络的动作中，有学习模式(对应图1的学习阶段)和预测模式(对应图1的预测阶段)，在学习模式中使用学习数据集来学习每一个权值w，在预测模式中使用其参数进行注射成形机的行为判断(这里的“预测”是指包括检测、分类、推论等多种多样的任务)。

此外，可以是在预测模式下对实际上使注射成形机动作而获得的数据进行即时学习，并将学习结果反映到下一行为中(在线学习)，也可以是使用预先收集的数据群来进行汇总学习，以后一直利用该参数进行检测模式(批量学习)。作为在线学习与批量学习的中间的方法，也可以每当积攒了某种程度数据时，插入学习模式。

可以通过误差反传播法(back propagation)来学习权值w₁～w₃。误差信息从右侧进入流向左侧。误差反传播法是如下技术：针对各神经元调整(学习)各自的权值，使得输入了输入x时输出的正解信息y和真正的正解信息y(教师)之间的差量降低。

神经网络还可以在3层以上进一步增加层(称为深度学习)。可以阶段性地进行输入的特征提取，仅从教师数据自动地获得用于反馈(回归)结果的运算装置。

此外，作为有教师学习的算法，其他还公知有最小二乘法、逐步法、SVM、决策树学习等各种各样的方法，但是作为应用于本发明的方法可以采用任意的有教师学习算法。由于使用上述回归式的方法、使用神经网络的方法等各自的有教师学习算法是公知的，因此省略本说明书中的各算法、这些其他的有教师学习算法的更加详细的说明。

以下，针对使用了上述有教师学习的本发明的注射成形机的止回阀的磨损量推定方法进行具体地说明。

＜2.实施方式＞

图4是表示本发明的一实施方式中的注射成形机的止回阀的磨损量推定装置的概要结构的框图。

磨损量推定装置可以作为经由通信电路、信号线等而与注射成形机2连接的计算机等装置来进行实际安装，也可以构成在控制注射成形机的控制装置上。

本实施方式的磨损量推定装置1具备有教师机械学习器10(在图4中用虚线包围的边框)。向磨损量推定装置1发送从注射成形机2注射时的成形条件、以及将注射中的物理量与从注射开始起的经过时间或注射中的螺杆位置相关联的波形数据。

磨损量推定装置1所具备的物理量取得部20在磨损量推定装置1内取得：对注射成形机2设定的成形条件；以及将通过配备在注射成形机2中的传感器等检测出的注射中的物理量与从注射开始起的经过时间或注射中的螺杆位置相关联的波形数据。作为设定给注射成形机2的成形条件的一个例子，可以包含螺杆速度、注射气缸的加热温度等参数的至少1个以上，并由多个参数的组而构成成形条件。作为注射中的物理量的一个例子，可以包含注射速度、树脂压力、螺杆旋转方向的负载扭矩等实测数据，并在多个物理量的每个组中提取特征。

此外，当有教师机械学习器10在学习阶段中进行动作时，可以设物理量取得部20取得当前安装在注射成形机2中的止回阀的磨损量。这种情况下，设操作者可以对注射成形机2设定当前安装在注射成形机2中的止回阀的磨损量，可以使物理量取得部20取得所设定的止回阀的磨损量，也可以使操作者使用未图示的输入装置对磨损量推定装置1可读取的存储器来设定止回阀的磨损量。

特征量提取部30从物理量取得部20所取得的注射成形所涉及的波形数据中提取特征量。对于特征量提取部30从波形数据中提取的特征量，例如，波形数据的最大值、最小值、平均值、分散值、在波形数据的斜率发生变化的定时的物理量的值以及定时(时间、位置)等，可以使用以往的一般的统计方法进行数值化，也可以将物理量相对于注射中的经过时间或者螺杆位置的变化模式的模式形状本身作为特征。

例如，如图5所示，在使用将注射成形机的螺杆旋转方向的负载扭矩与从注射开始起的经过时间相关联的波形数据时，可以将负载扭矩的上升取一定以上的倾斜的部分(负载扭矩开始急剧上升的部分)即上升部、负载扭矩取最大值的部分即峰值部、负载扭矩的下降取一定以上倾斜的部分(负载扭矩的下降变缓的部分)即下降部作为特征，也可以将上升部中的负载扭矩、上升部中的时间、峰值部中的负载扭矩、峰值部中的时间、峰值部的宽度(表示根据峰值部中的负载扭矩而预先决定的值α内的负载扭矩的时间幅度)、下降部中的负载扭矩、下降部中的时间以及负载扭矩的分散值等提取为特征量。

另外，例如图6所示，在使用将注射成形机的树脂压力与从注射开始起的经过时间相关联的波形数据时，可以将树脂压力的上升取一定以上倾斜的部分(树脂压力开始急剧上升的部分)即上升部、树脂压力最初取最大值的部分即第1峰值部、在第1峰值部之后树脂压力取最小值的部分即凹部、在凹部之后树脂压力取最大值的部分即第2峰值部、树脂压力的下降取一定以上倾斜的部分(树脂压力的下降变缓的部分)即下降部作为特征，也可以将上升部中的树脂压力、上升部中的时间、第1峰值部中的树脂压力、第1峰值部中的时间、凹部中的树脂压力、凹部中的时间、第2峰值部中的树脂压力、第2峰值部中的时间、下降部中的树脂压力、下降部中的时间以及树脂压力的分散值等提取为特征量。

此外，上述物理量以及特征量是一个例子，只要是可以表示波形数据的形状的特征的值，可以使用任何值来作为特征量。

有教师机械学习器10所具备的有教师学习部11、学习结果存储部12、磨损量推定部13是构成有教师机械学习器10的主要部分的功能单元。

当有教师机械学习器10被设定在学习阶段时，有教师学习部11根据物理量取得部20所取得的止回阀的磨损量、设定在注射成形机2中的成形条件以及特征量提取部30所提取出的特征量，进行有教师学习，并将学习结果存储在学习结果存储部12中。本实施方式的有教师学习部11将物理量取得部20所取得的设定在注射成形机2中的成形条件和特征量提取部30所提取出的特征量作为输入数据，并使用将止回阀的磨损量作为输出数据的教师数据来进行有教师学习。

在本发明的有教师学习部11所进行的有教师学习中，可以将从输入x通过进行映射的函数f所映射的正解信息y作为表示止回阀的磨损量的具体的数值，也可以将止回阀的磨损量作为进行了阶段性地分类而得的信息(无磨损量的止回阀、端面磨损量1mm的止回阀、端面磨损量2mm的止回阀…)。

在将正解信息y设为表示止回阀的磨损量的具体的数值时，可以采用回归型的有教师学习方法。这种情况，将输入x(特征量)映射为正解信息y(表示止回阀的磨损量的具体的数值)的回归式作为函数f进行求解即可。

另一方面，在将正解信息y设为是将止回阀的磨损量进行了阶段性分类而得的信息时，可以采用识别型的有教师学习方法。这种情况，使用神经网络，根据输入x生成识别正解信息y的非线性识别面，并将该生成的非线性识别面作为函数f即可。

学习结果存储部12存储了有教师学习部11根据教师数据进行学习的结果。学习结果存储部12例如在使用上述回归式作为预测模型时，存储作为学习结果而获得的回归式，并在使用利用了上述神经网络的学习方法作为预测模型时，存储作为学习结果而获得的神经网络的参数。学习结果存储部12根据来自外部的要求而输出所存储的学习结果。通过该功能，可以将学习结果存储部12所存储的学习结果转发给其他的磨损量推定装置等来进行利用。

当有教师机械学习器10存在于预测阶段时，磨损量推定部13根据存储在学习结果存储部12中的学习结果，使用物理量取得部20所取得的注射时的成形条件以及特征量提取部30所提取出的特征量，推定注射成形机2的止回阀的磨损量。

然后，推定结果输出部40将磨损量推定部13所推定出的注射成形机2的止回阀的磨损量输出给未图示的显示装置等。当判断出磨损量推定部13所推定出的磨损量超过预定值并影响成形品质、成形稳定性时，推定结果输出部40可以该主旨作为警告进行输出，操作者可以根据所警告的内容将当前的止回阀进行与新品进行更换的作业。

以上，到此为止针对本发明的实施方式进行了说明，但是本发明不限定于上述实施方式的例子，能够通过增加合理的变更而以多种方式执行。

例如，在上述实施方式中示出了将成形条件用于学习以及磨损量的推定的例子，但是成形条件对于学习以及磨损量的推定并不是必要的，在仅通过止回阀的磨损量和由特征量提取部从物理量的波形数据中提取出的特征量来求出函数f时，可以省略成形条件。

另外，在上述实施方式中，对以下方法进行了说明：从物理量的波形数据中提取特征量，使用提取出的特征量来进行有教师学习器的学习以及磨损量的推定的方法，但是除此之外也可以采用将物理量的波形数据的变化模式本身作为特征的方法。这种情况，可以将物理量即注射中的时间变化或相对于螺杆位置的变化拟合成近似曲线，并将所求得的近似曲线的系数作为特征量，使用该特征量来进行有教师学习器的学习以及磨损量的推定。

在上述实施方式中，还设为磨损量推定装置1中具备有教师学习部11，但是例如在设想将在其他的磨损量推定装置1中学习到的学习结果复制到学习结果存储部12中进行使用时，不需要实际安装有教师学习部11。

以这样的方式构成时，无法学习新的注射成形机、新的止回阀的特征，但是在使用相同类型的注射成形机、止回阀时，不组入用于学习的机构而通过使用已有的学习结果就可以进行适当的止回阀的磨损量的推定。

Claims (7)

1.一种磨损量推定装置，其推定安装在注射成形机的止回阀的磨损量，其特征在于，

该磨损量推定装置具备：

学习结果存储部，其用于存储如下学习结果，即根据从在所述注射成形机进行的预先准备的磨损量明确的止回阀中的注射时所取得的物理量的波形数据提取出的特征量、关于在所述注射时安装在所述注射成形机的所述止回阀的磨损量的信息以及在所述注射成形机中设定的成形条件进行了有教师学习的学习结果；

物理量取得部，其在所述注射成形机的注射时取得物理量的波形数据，并且取得在所述注射成形机中设定的成形条件；

特征量提取部，其根据所述物理量取得部所取得的物理量的波形数据，提取该物理量的特征量；

磨损量推定部，其根据存储在所述学习结果存储部的所述学习结果和所述特征量提取部所提取出的所述特征量，推定在所述注射时安装在所述注射成形机的止回阀的磨损量；以及

推定结果输出部，其输出所述磨损量推定部所推定出的磨损量。

2.根据权利要求1所述的磨损量推定装置，其特征在于，

该磨损量推定装置还具备：

有教师学习部，其根据从在所述注射成形机的注射时所取得的物理量的波形数据提取出的特征量和关于在所述注射时安装在所述注射成形机的止回阀的磨损量的信息以及在所述注射成形机中设定的成形条件，进行有教师学习，并将该学习的结果存储到所述学习结果存储部。

3.根据权利要求1或2所述的磨损量推定装置，其特征在于，

所述物理量的特征量是表示该物理量的特征的数值。

4.根据权利要求1或2所述的磨损量推定装置，其特征在于，

所述物理量的特征量是将所述物理量相对于时间的变化拟合成近似曲线，将所求出的近似曲线的系数作为特征量。

5.一种注射成形机的止回阀的磨损量推定方法，是安装在注射成形机的止回阀的磨损量推定方法，其特征在于，

该磨损量推定方法包含如下步骤：

在分别安装了磨损量不同的多个止回阀的状态下进行注射动作的步骤；

在所述注射成形机进行注射动作时取得与所述注射动作有关的物理量的波形数据，并且取得在所述注射成形机中设定的成形条件的步骤；

从该取得的物理量的波形数据中提取特征量的步骤；

进行将所述止回阀的磨损量作为正解信息，将取得的所述成形条件以及提取出的该特征量作为输入的有教师学习的步骤；以及

根据所述有教师学习的学习结果，输入了所述物理量的任意的特征量时，推定止回阀的磨损量的步骤。

6.根据权利要求5所述的注射成形机的止回阀的磨损量推定方法，其特征在于，

所述物理量的特征量是表示该物理量的特征的数值。

7.根据权利要求5所述的注射成形机的止回阀的磨损量推定方法，其特征在于，

所述物理量的特征量是将所述物理量相对于时间的变化拟合成近似曲线，将所求出的近似曲线的系数作为特征量。

Images