CN110962315B - 状态判定装置以及状态判定方法 - Google Patents
状态判定装置以及状态判定方法 Download PDFInfo
- Publication number
- CN110962315B CN110962315B CN201910919086.0A CN201910919086A CN110962315B CN 110962315 B CN110962315 B CN 110962315B CN 201910919086 A CN201910919086 A CN 201910919086A CN 110962315 B CN110962315 B CN 110962315B
- Authority
- CN
- China
- Prior art keywords
- data
- injection molding
- molding machine
- learning
- conversion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001746 injection moulding Methods 0.000 claims abstract description 200
- 238000010801 machine learning Methods 0.000 claims abstract description 64
- 238000006243 chemical reaction Methods 0.000 claims description 95
- 239000007924 injection Substances 0.000 claims description 40
- 238000002347 injection Methods 0.000 claims description 40
- 230000005856 abnormality Effects 0.000 claims description 30
- 238000013500 data storage Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 12
- 230000002787 reinforcement Effects 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims 1
- 239000011347 resin Substances 0.000 description 13
- 229920005989 resin Polymers 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 239000003638 chemical reducing agent Substances 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000012899 standard injection Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
- B29C45/768—Detecting defective moulding conditions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76003—Measured parameter
- B29C2945/76163—Errors, malfunctioning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76494—Controlled parameter
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76939—Using stored or historical data sets
- B29C2945/76949—Using stored or historical data sets using a learning system, i.e. the system accumulates experience from previous occurrences, e.g. adaptive control
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33034—Online learning, training
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34465—Safety, control of correct operation, abnormal states
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45244—Injection molding
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/49—Nc machine tool, till multiple
- G05B2219/49065—Execute learning mode first for determining adaptive control parameters
Abstract
本发明提供一种状态判定装置以及状态判定方法,判定注射成形机的动作状态的状态判定装置分别存储成为基准的注射成形机和与成为该基准的注射成形机不同的注射成形机的规格数据,取得与注射成形机有关的数据。并且,使用所述存储的成为基准的注射成形机的规格数据以及注射成形机的规格数据,利用按数据的种类设定的变换式将该取得的数据变换为基准尺度的数据,进行使用了该变换而得的基准尺度的数据的机器学习,生成学习模型。
Description
技术领域
本发明涉及状态判定装置以及状态判定方法,特别是涉及辅助注射成形机的维护的状态判定装置以及状态判定方法。
背景技术
定期或者产生异常时进行注射成形机等工业机械的维护。在维护工业机械时,通过使用工业机械动作时记录的表示工业机械的动作状态的物理量,维护负责人判定有无工业机械的动作状态的异常,进行产生异常的部件的更换等维护作业。
例如,作为注射成形机具有的注射缸的逆流防止阀检查环节(check ring)的维护作业,已知定期从注射缸拔出螺杆,直接测量逆流防止阀的尺寸这样的方法。但是,在该方法中,必须暂时停止生产来进行测量作业,因此,存在生产性低下这样的问题。
作为用于解决这样的问题的现有技术,已知:为了不从注射缸拔出螺杆等暂时停止生产而间接地检测注射缸的逆流防止阀的磨损量来诊断异常,而检测施加于螺杆的旋转转矩,或检测树脂向螺杆后方逆流的现象。例如,在日本特开平01-168421号公报中公开了如下内容:测量作用于螺杆的旋转方向的旋转转矩,若超过允许范围则判定为异常。此外,在日本特开2017-030221号公报以及日本特开2017-202632号公报中公开了如下内容:通过对驱动部的负载、树脂压力等进行监督学习来诊断异常。并且,在日本特开2017-134786号公报中公开了如下内容:取得多个制造机械的内部信息,提取从各制造机械取得的内部信息的差异,根据该差异来发现异常。
但是,在日本特开平01-168421号公报所公开的技术中,构成注射成形机的驱动部的电动机的额定转矩或惯性、减速机的减速比等规格不同的机械中,存在需要调整判定为异常的允许范围的作业这样的问题。
此外,在所述的日本特开2017-030221号公报以及日本特开2017-202632号公报所公开的技术中,在构成注射成形机的驱动部的要素的规格不同的机械中,存在如下问题:从该机械获得的测量值与在进行机器学习时输入的学习数据的数值的乖离大,无法准确地进行机器学习的诊断。例如,运转大型的注射成形机时获得的驱动部的负载、树脂压力等测量值大,但是运转小型的注射成形机获得的驱动部的负载、树脂压力的测量值小。因此,即使使用将运转大型的注射成形机时获得的驱动部的负载、树脂压力等测量值作为学习数据而进行了机器学习获得的学习模型,将运转小型的注射成形机获得的测量值直接作为学习数据来推定异常度,也存在如下问题:不同的规格的差异对每一个注射成形机造成影响而无法准确地推定异常度。
并且,在所述的日本特开2017-134786号公报所公开的技术中,例如在大型与小型的注射成形机中运转机械而获得的驱动部的负载、树脂压力的测量值存在差异,因此,即使将测量值作为内部信息进行比较,也存在无法准确地推定有无异常这样的问题。
在使用机器学习的技术的情况下,在制作机器学习的学习模型时,以构成注射成形机的电动机、减速机、以及可动部的器材的组合的数量来准备多种多样的学习条件来进行机器学习,由此,可以将学习模型与具有各种大小、各种器材的机械对应起来从而提升诊断精度,但是以电动机、减速机、可动部的器材的组合数量来准备该部件需要较多的成本,因此,在运转机械时,还需要准备树脂、工件等的生产材料,为了取得学习数据所需的生产材料的成本也大。此外,取得学习数据的作业也需要较多的时间。因此,存在无法高效地收集学习数据这样的问题。
发明内容
因此,本发明的目的在于提供一种状态判定装置以及状态判定方法,能够不花费较大的成本来辅助各种注射成形机的维护。
在本发明中,输入到机器学习的时序的物理量是从原动机的种类等规格不同的注射成形机取得的物理量,将根据存储于注射成形机的规格数据而观测到的时序的物理量(电流、速度等)数值变换为成为基准的尺度的物理量而进行了引导的状态变量,作为学习数据输入到机器学习来推定异常度,由此,解决上述问题。
更具体来说,即使注射成形机的机型不同,例如即使是机械的尺寸与小型/大型不同时、或构成注射成形机的注射装置、合模装置、或者注射缸或螺杆、原动机等结构部件不同时,通过将数值变换而得的学习数据应用于机器学习以吸收机型或结构部件的差异而实现推定异常度。
此外,还设置如下单元:以作为机器学习的输出而获得的异常度为基础,在异常度超过预定的阈值时,为了确保作业员的安全,使驱动可动部的原动机减速,或将原动机的驱动转矩限制得小,以使机械的可动部的动作停止或减速,或者使可动部在安全的状态下进行动作,将表现异常的状态的消息或图标显示于显示装置。
本发明的一方式涉及的状态判定装置判定注射成形机的动作状态,所述状态判定装置具有:数据取得部,其取得与所述注射成形机有关的数据;规格数据存储部,其分别存储成为基准的注射成形机以及与成为该基准的注射成形机不同的至少一个其他注射成形机的规格数据;数值变换部,其使用存储于所述规格数据存储部的成为所述基准的注射成形机的规格数据以及所述其他注射成形机的规格数据,通过按数据的种类设定的变换式,将所述数据取得部取得的数据变换为基准尺度的数据;以及学习部,其进行使用了由所述数值变换部进行变换而得的所述基准尺度的数据的机器学习,生成学习模型。
本发明的其他方式涉及的状态判定装置判定注射成形机的动作状态,所述状态判定装置具有:数据取得部,其取得与所述注射成形机有关的数据;规格数据存储部,其分别存储成为基准的注射成形机以及与成为该基准的注射成形机不同的至少一个其他注射成形机的规格数据;数值变换部,其使用存储于所述规格数据存储部的成为所述基准的注射成形机的规格数据以及所述其他注射成形机的规格数据,通过按数据的种类设定的变换式,将所述数据取得部取得的数据变换为基准尺度的数据;学习模型存储部,其存储根据与成为基准的注射成形机有关的基准尺度的数据进行机器学习而得的学习模型;以及推定部,其根据由所述数值变换部进行变换而得的所述基准尺度的数据,进行使用了存储于所述学习模型存储部的学习模型的推定。
所述学习部进行监督学习、无监督学习以及强化学习中的至少一个学习。
所述推定部推定与所述注射成形机的动作状态有关的异常度,并且,所述状态判定装置在所述推定部推定出的异常度超过了预先设定的阈值时,在显示装置上显示警告消息。
所述推定部推定与所述注射成形机的动作状态有关的异常度,所述状态判定装置在所述推定部推定出的异常度超过了预先设定的阈值时,在显示装置上显示警告图标。
所述推定部推定与所述注射成形机的动作状态有关的异常度,所述状态判定装置在所述推定部推定出的异常度超过了预先设定的阈值时,对注射成形机输出运转的停止、减速、或者限制原动机的转矩的指令中的至少一个。
本发明的一方式涉及的判定注射成形机的动作状态的状态判定方法,所述状态判定方法包括如下步骤:数据取得步骤,取得与所述注射成形机有关的数据;数值变换步骤,使用从成为基准的注射成形机以及与成为该基准的注射成形机不同的至少一个其他注射成形机的规格数据中调用的规格值,通过按数据的种类设定的变换式,将在所述数据取得步骤中取得的数据变换为基准尺度的数据;以及学习步骤,进行使用了在所述数值变换步骤中进行变换而得的所述基准尺度的数据的机器学习,生成学习模型。
本发明的其他方式涉及的判定注射成形机的动作状态的状态判定方法,所述状态判定方法包括如下步骤:数据取得步骤,取得与所述注射成形机有关的数据;数值变换步骤,使用从成为基准的注射成形机以及与成为该基准的注射成形机不同的至少一个其他注射成形机的规格数据中调用的规格值,通过按数据的种类设定的变换式,将在所述数据取得步骤中取得的数据变换为基准尺度的数据;以及推定步骤,使用根据与成为基准的注射成形机有关的基准尺度的数据进行机器学习而得的学习模型,根据在所述数值变换步骤中进行变换而得的所述基准尺度的数据来进行注射成形机的状态的推定。
通过本发明,即使不收集注射成形机的各机型的学习数据进行机器学习,学习时以及推定时取得的数据被数值变换为基准尺度的数据而进行学习或推定处理,因此,可以在机器学习时不花费较大的成本地进行各种注射成形机有关的状态的推定。
附图说明
图1是一实施方式的状态判定装置的概略硬件结构图。
图2是第一实施方式的状态判定装置的概略功能框图。
图3是表示规格数据的示例的图。
图4是表示转矩值的数值变换的示例的图。
图5是表示射出压力的数值变换的示例的图。
图6是第二实施方式的状态判定装置的推定时的概略功能框图。
图7是表示异常状态的显示例的图。
具体实施方式
图1是表示具有本发明的一实施方式的机器学习装置的状态判定装置的主要部分的概略硬件结构图。
本实施方式的状态判定装置1例如可以安装于控制注射成形机的控制装置上,此外,也可以安装为与控制注射成形机的控制装置并设的个人电脑、经由有线/无线网络与该控制装置连接的边缘计算机、单元计算机、主计算机、云服务器等计算机。在本实施方式中,表示将状态判定装置1安装为与控制注射成形机的控制装置并设的个人电脑时的示例。
本实施方式的状态判定装置1具有的CPU11是对状态判定装置1进行整体控制的处理器。CPU11经由总线20读出存储于ROM12的系统程序,按照该系统程序来对状态判定装置1整体进行控制。将临时的计算数据、作业员经由输入装置71输入的各种数据等暂时存储于RAM13中。
非易失性存储器14例如由通过电池(未图示)备份的存储器、SSD(Solid StateDrive:固态硬盘)等构成,即使断开状态判定装置1的电源也可保持存储状态。在非易失性存储器14中存储有存储与状态判定装置1的动作有关的设定信息的设定区域、从输入装置71输入的数据、从注射成形机2取得的各种数据(机型、金属模具的质量或材质、树脂的种类等)、在注射成形机2的成形动作中检测出的各种物理量(喷嘴的温度、驱动喷嘴的电动机的位置、速度、加速度、电流、电压、转矩、金属模具的温度、树脂的流量、流速、压力等)时序数据、经由外部存储装置(未图示)或网络读入的数据等。存储于非易失性存储器14的程序或各种数据可以在执行时/利用时在RAM13中展开。此外,在ROM12中预先写入包含用于解析各种数据的公知的解析程序、用于控制与后述的机器学习装置100的交换的程序等的系统程序。
注射成形机2是制造由塑料等树脂成形的产品的机械,是将作为材料的树脂融化而填充(注射)到金属模具内而成形的机械。注射成形机2由喷嘴、电动机(原动机)、传递机构、减速机、可动部等各种器材构成,通过传感器等来检测各部的状态,通过控制装置来控制各部的动作。作为注射成形机2所使用的原动机,例如使用电动机、液压缸、液压电动机、空气电动机等。此外,作为注射成形机2所使用的传递机构,使用滚珠丝杠、齿轮、滑轮、传送带等。
读入到存储器中的各数据、作为执行了程序等而得的结果的数据、从后述的机器学习装置100输出的数据等经由接口17输出显示于显示装置70。此外,由键盘、定位设定等构成的输入装置71将基于作业员的操作的指令、数据等经由接口18转发给CPU11。
接口21是用于将状态判定装置1与机器学习装置100连接的接口。机器学习装置100具有:统一控制机器学习装置100整体的处理器101、存储系统程序等的ROM102、用于进行与机器学习有关的各处理中的临时存储的RAM103、以及用于存储学习模型等的非易失性存储器104。
机器学习装置100可以经由接口21观测状态判定装置1能够取得的各信息(例如,注射成形机2的机型、金属模具的质量或材质、树脂的种类等各种数据、喷嘴的温度、驱动喷嘴的电动机的位置、速度、加速度、电流、电压、转矩、金属模具的温度、树脂的流量、流速、压力等各种物理量的时序数据)。此外,状态判定装置1经由接口21取得从机器学习装置100输出的处理结果,存储或显示所取得的结果,经由未图示的网络等发送给其他装置。
图2是第一实施方式的状态判定装置1与机器学习装置100的概略功能框图。
本实施方式的状态判定装置1具有机器学习装置100进行学习时所需的结构(学习模式)。通过图1所示的状态判定装置1具有的CPU11、以及机器学习装置100的处理器101执行各系统程序,控制状态判定装置1以及机器学习装置100各部的动作,而实现图2所示的各功能块。
本实施方式的状态判定装置1具有:数据取得部30、数值变换部32、以及预处理部34,状态判定装置1具有的机器学习装置100具有学习部110。此外,在非易失性存储器14上设置有存储机器学习装置100的机器学习所使用的学习数据的学习数据存储部50、存储注射成形机的规格数据的规格数据存储部52,在机器学习装置100的非易失性存储器104上设置有存储通过学习部110的机器学习而构建出的学习模型的学习模型存储部130。
数据取得部30取得从注射成形机2以及输入装置71等输入的各种数据。数据取得部30例如取得注射成形机2的机型、金属模具的质量或材质、树脂的种类等各种数据、喷嘴的温度、驱动喷嘴的电动机的位置、速度、加速度、电流、电压、转矩、金属模具的温度、树脂的流量、流速、压力等各种物理量的时序数据、由作业员输入的与注射成形机2的保养作业有关的信息等各种数据,并存储于学习数据存储部50。数据取得部30也可以经由未图示的外部存储装置、有线/无线网络从其他装置取得数据。
数值变换部32使用存储于规格数据存储部52的规格数据,对存储于学习数据存储部50的学习模型所包含的与注射成形机2有关的数据进行数值变换。数值变换部32使用按数据的种类预先设定的变换式、存储于规格数据存储部52的注射成形机的每一个机型的规格数据,将学习数据所包含的从注射成形机2取得的数据变换为成为基准的注射成形机的机型的尺度的数据。
图3是表示存储于规格数据存储部52的规格数据的示例的图。
规格数据是通过数字(规格值)表示机械的性能各规格的数据,由制造机械的制造商以规格表等的形式提供。将成为基准的注射成形机(图3的示例中是机型D)、对于其他注射成形机可以识别注射成形机的机型的识别信息、各注射成形机的规格数据关联起来存储于规格数据存储部52。作为规格数据,例如列举出电动机的最大转矩、额定转矩、最大电流、额定电流、最大转速、起动时常数、惯性、减速机的减速比、传送带宽度、滑轮齿数、滚珠丝杠直径、滚珠丝杠导程、注射成形机具有的注射装置或合模装置的可动部的最大行程、最大速度、最大推力、最大压力、惯性、机械效率、最大合模力、螺杆直径等。
数值变换部32将存储于学习数据存储部50的学习数据所包含的与注射成形机2有关的时序数据,作为变换对象数据,根据存储于规格数据存储部52的该注射成形机2的机型所对应的规格数据以及成为基准的注射成形机的机型的规格数据,通过按该变换对象数据的种类设定的变换式变换为基准尺度的数据。
数据的每一种的变换式预先在状态判定装置1的非易失性存储器14上进行定义。一般情况下,数据的每一种的变换式可以定义为:将成为基准的注射成形机、取得成为变换对象的数据的注射成形机中的、与该数据物理关联的数据项目取得的数据值或能够取得的数据值的最小值到最大值的范围的比例,根据该数据和与该数据物理关联的数据项目的关系相乘的式子。例如,可以通过使用了成为基准的注射成形机的电动机最大转矩maxTs(电动机最小转矩值是0)、取得变换对象数据的注射成形机的电动机最大转矩maxTc(电动机最小转矩值是0)、成为基准的注射成形机的减速比Rrs、取得变换对象数据的注射成形机的减速比Rrc的以下的式(1),来规定驱动注射成形机的可动部的电动机的转矩相关的变换式。在式(1)中,Tc是作为变换对象数据的转矩值,Ts是变换后的基准尺度的转矩值。图4的图表是成为基准的注射成形机具有图3所例示的机型D的规格数据的图,是例示了使用式(1)对从图3所例示的机型A的注射成形机中取得的数据即转矩值进行变换时的、变换前的转矩值与变换后的转矩值(基准尺度的转矩值)的图。
此外,例如可以通过使用了成为基准的注射成形机的最大注射压力maxIp-s(最小注射压力是0)、取得变换对象数据的注射成形机的最大注射压力maxIpc(最小注射压力是0),成为基准的注射成形机的螺杆直径Sds、取得变换对象数据的注射成形机的注射压力直径Sdc的以下的式(2),来规定注射成形机的注射压力相关的变换式(螺杆(screw)直径与注射压力为二阶关系)。在式(2)中,Ipc是作为变换对象数据的注射压力,Ips是变换后的基准尺度的注射压力。图5的图表是成为基准的注射成形机具有图3所例示的机型D的规格数据的图,是例示使用式(2)对从图3所例示的机型B的注射成形机中取得的数据即注射压力进行变换时的、变换前的注射压力与变换后的注射压力(基准尺度的注射压力)的图。即使对于其他数据的种类的变换式,考虑到注射成形机的结构与上述同样地规定即可。
预处理部34根据数值变换部32变换为基准尺度的数据,制作机器学习装置100的学习所使用的状态数据。预处理部34制作将从数值变换部32取得的数据变换(数值化、正规化、采样等)为在机器学习装置100中处理的统一形式的状态数据。例如,预处理部34在机器学习装置100进行无监督学习时,制作该学习中的规定形式的状态数据S,在机器学习装置100进行监督学习时,制作该学习中的规定形式的状态数据S以及标签数据L的组,在机器学习装置100进行强化学习时,制作该学习中的规定形式的状态数据S以及判定数据D的组。
学习部110根据数值变换部32变换为基准尺度的数据,进行使用了预处理部34制作出的状态数据的机器学习。学习部110通过无监督学习、监督学习、强化学习等公知的机器学习的方法,进行使用了从注射成形机2取得的数据的机器学习而生成学习模型,将生成的学习模型存储于学习模型存储部130。作为学习部110进行的无监督学习的方法,例如列举autoencoder(自动编码)法、k-means法等,作为监督学习的方法,例如列举multilayerperceptron(多层感知)法、recurrent neural network(循环神经网络)法、Long Short-Term Memory(长短期记忆)法、convolutional neural network(卷积神经网络)法等,此外,作为强化学习的方法,例如列举Q学习。
学习部110例如进行基于数值变换部32以及预处理部34对从正常动作的状态的注射成形机2取得的学习数据进行了变换而得的状态数据的无监督学习,可以将正常状态下取得的(并且变换为基准尺度的)学习数据的分布生成为学习模型。使用这样生成的学习模型,后述的推定部120可以推定从注射成形机2取得的学习数据从正常状态动作时所取得的学习数据偏离多少,可以计算作为推定结果的异常度。
此外,学习部110例如进行使用了对从正常动作的状态的注射成形机2取得的数据赋予正常标签、对在产生异常前后从注射成形机2取得的数据赋予异常标签的数据的监督学习,可以生成正常数据与异常数据的判别边界作为学习模型。
使用这样生成的学习模型,后述的推定部120可以推定从注射成形机2取得的学习数据属于正常数据,还是属于异常数据,可以计算出作为推定结果的标签值(正常/异常)及其可靠度。
在具有上述结构的状态判定装置1中,将从注射成形机2取得的学习数据变换为成为基准的注射成形机的尺度,学习部110使用变换后的数据来进行学习。这样供学习部110学习用的数据是基于数值变换部32变换为基准尺度的数据的数据,因此,由学习部110制作的学习模型用于对成为基准的注射成形机能够取得的数据的范围内变化的数据值进行推定。
图6是第二实施方式的状态判定装置1与机器学习装置100的概略功能框图。
本实施方式的状态判定装置1具有机器学习装置300进行推定时所需的结构(推定模式)。通过图1所示的状态判定装置1具有的CPU11、以及机器学习装置100的处理器101执行各系统程序,控制状态判定装置1以及机器学习装置100各部的动作,实现图6所示的各功能块。
本实施方式的状态判定装置1与第一实施方式同样地,具有:数据取得部30、数值变换部32、预处理部34以及机器学习装置100。该状态判定装置1具有的机器学习装置100具有推定部120。此外,在非易失性存储器14上设置有存储机器学习装置100的状态的推定所使用的学习数据的学习数据存储部50、存储注射成形机的规格数据的规格数据存储部52,在机器学习装置100的非易失性存储器104上设置有存储通过学习部110的机器学习而构建出的学习模型的学习模型存储部130。
本实施方式的数据取得部30、数值变换部32具有与第一实施方式中的数据取得部30、数值变换部32同样的功能。
本实施方式的预处理部34根据数值变换部32将存储于学习模型存储部50的学习数据变换为基准尺度而得的数据,制作机器学习装置100的推定所使用的数据。预处理部34制作将所取得的数据变换(数值化、正规化、采样等)为在机器学习装置100中处理的统一形式的状态数据。预处理部34制作机器学习装置100的推定中的规定形式的状态数据S。
推定部120根据预处理部34基于无标签数据而制作出的状态数据S,进行使用了存储于学习模型存储部130的学习模型的注射成形机的状态的推定。在该推定部120中,对由学习部110生成的(决定了参数的)学习模型输入从预处理部34输入的状态数据S,由此,推定注射成形机的状态有关的异常度来进行计算,或推定注射成形机的动作状态所属的等级(正常/异常等)来进行计算。推定部120推定出的结果(注射成形机的状态有关的异常度或注射成形机的动作状态所属的等级等),显示输出于显示装置70,或经由有线/无线网络发送输出给主计算机、雾计算机等(未图示)来进行利用。
此外,状态判定装置1在由推定部120推定出的结果为规定状态时(例如,推定部120推定出的异常度超过预先设定的阈值时,推定部120推定出的注射成形机的动作状态所属的等级为“异常”时等),例如如图7所例示那样,既可以对显示装置70显示输出警告消息或图标,也可以对注射成形机输出运转的停止、减速、或限制电动机的转矩的指令等。
在具有上述结构的状态判定装置1中,可以将从注射成形机2取得的学习数据变换为成为基准的注射成形机的尺度,推定部120使用变换后的数据来进行该注射成形机2的状态的推定。存储于学习模型存储部130的学习模型用于对成为基准的注射成形机能够取得的数据的范围内变换的数据值进行推定的数据,但是即使是从作为成为基准的注射成形机以外的机型的注射成形机取得的学习数据,在推定部120进行推定之前,通过数值变换部32变换为成为基准的尺度的数据,因此,可以进行适当的推定处理。
以上,对本发明的实施方式进行了说明,但是本发明并不只限定于上述的实施方式的示例,可以通过施加适当的变更以各种方式来实施。
此外,在上述实施方式中,状态判定装置1与机器学习装置100作为具有不同CPU(处理器)的装置进行了说明,但是机器学习装置100也可以通过状态判定装置1具有的CPU11、存储于ROM12的系统程序来实现。
Claims (8)
1.一种状态判定装置,其判定注射成形机的动作状态,其特征在于,所述状态判定装置具备:
数据取得部,其取得与所述注射成形机有关的数据;
规格数据存储部,其分别存储成为基准的注射成形机以及与成为该基准的注射成形机不同的至少一个其他注射成形机的规格数据,所述规格数据通过数值表示机械的性能各规格;
数值变换部,其使用存储于所述规格数据存储部的成为所述基准的注射成形机的规格数据以及所述其他注射成形机的规格数据,通过按数据的种类设定的变换式,将所述数据取得部取得的数据变换为基准尺度的数据,所述基准尺度的数据是成为基准的注射成形机的机型的尺度的数据;
预处理部,其将由所述数值变换部进行变换而得的所述基准尺度的数据变换为作为在机器学习装置中处理的统一形式的状态数据;以及
学习部,其使用该状态数据进行机器学习,生成学习模型,
所述按数据的种类设定的变换式为驱动注射成形机的可动部的电动机的转矩相关的变换式:
其中,maxTs是成为基准的注射成形机的电动机最大转矩,maxTc是取得变换对象数据的注射成形机的电动机最大转矩,Rrs是成为基准的注射成形机的减速比,Rrc是取得变换对象数据的注射成形机的减速比,Tc是作为变换对象数据的转矩值,Ts是变换后的基准尺度的转矩值,
或者,
所述按数据的种类设定的变换式为注射成形机的注射压力相关的变换式:
其中,maxIps是成为基准的注射成形机的最大注射压力,maxIpc是取得变换对象数据的注射成形机的最大注射压力,Sds是成为基准的注射成形机的螺杆直径,Sdc是取得变换对象数据的注射成形机的螺杆直径,Ipc是作为变换对象数据的注射压力,Ips是变换后的基准尺度的注射压力。
2.根据权利要求1所述的状态判定装置,其特征在于,
所述学习部进行监督学习、无监督学习以及强化学习中的至少一个学习。
3.一种状态判定装置,其判定注射成形机的动作状态,其特征在于,所述状态判定装置具备:
数据取得部,其取得与所述注射成形机有关的数据;
规格数据存储部,其分别存储成为基准的注射成形机以及与成为该基准的注射成形机不同的至少一个其他注射成形机的规格数据,所述规格数据通过数值表示机械的性能各规格;
数值变换部,其使用存储于所述规格数据存储部的成为所述基准的注射成形机的规格数据以及所述其他注射成形机的规格数据,通过按数据的种类设定的变换式,将所述数据取得部取得的数据变换为基准尺度的数据,所述基准尺度的数据是成为基准的注射成形机的机型的尺度的数据;
学习模型存储部,其存储通过预处理将与成为基准的注射成形机有关的基准尺度的数据变换为作为在机器学习装置中处理的统一形式的状态数据,并使用该状态数据进行机器学习而得的学习模型;以及
推定部,其根据由所述数值变换部进行变换而得的所述基准尺度的数据,进行使用了存储于所述学习模型存储部的学习模型的推定,
所述按数据的种类设定的变换式为驱动注射成形机的可动部的电动机的转矩相关的变换式:
其中,maxTs是成为基准的注射成形机的电动机最大转矩,maxTc是取得变换对象数据的注射成形机的电动机最大转矩,Rrs是成为基准的注射成形机的减速比,Rrc是取得变换对象数据的注射成形机的减速比,Tc是作为变换对象数据的转矩值,Ts是变换后的基准尺度的转矩值,
或者,
所述按数据的种类设定的变换式为注射成形机的注射压力相关的变换式:
其中,maxIps是成为基准的注射成形机的最大注射压力,maxIpc是取得变换对象数据的注射成形机的最大注射压力,Sds是成为基准的注射成形机的螺杆直径,Sdc是取得变换对象数据的注射成形机的螺杆直径,Ipc是作为变换对象数据的注射压力,Ips是变换后的基准尺度的注射压力。
4.根据权利要求3所述的状态判定装置,其特征在于,
所述推定部推定与所述注射成形机的动作状态有关的异常度,
所述状态判定装置在所述推定部推定出的异常度超过了预先设定的阈值时,在显示装置上显示警告消息。
5.根据权利要求3所述的状态判定装置,其特征在于,
所述推定部推定与所述注射成形机的动作状态有关的异常度,
所述状态判定装置在所述推定部推定出的异常度超过了预先设定的阈值时,在显示装置上显示警告图标。
6.根据权利要求3所述的状态判定装置,其特征在于,
所述推定部推定与所述注射成形机的动作状态有关的异常度,
所述状态判定装置在所述推定部推定出的异常度超过了预先设定的阈值时,对注射成形机输出运转的停止、减速、或者限制原动机的转矩的指令中的至少一个。
7.一种状态判定方法,判定注射成形机的动作状态,其特征在于,所述状态判定方法包括如下步骤:
数据取得步骤,取得与所述注射成形机有关的数据;
数值变换步骤,使用从成为基准的注射成形机以及与成为该基准的注射成形机不同的至少一个其他注射成形机的规格数据中调用的规格值,通过按数据的种类设定的变换式,将在所述数据取得步骤中取得的数据变换为基准尺度的数据,所述规格数据通过数值表示机械的性能各规格,所述基准尺度的数据是成为基准的注射成形机的机型的尺度的数据;
预处理步骤,将在所述数值变换步骤中进行变换而得的所述基准尺度的数据变换为作为在机器学习装置中处理的统一形式的状态数据;以及
学习步骤,使用该状态数据进行机器学习,生成学习模型,
所述按数据的种类设定的变换式为驱动注射成形机的可动部的电动机的转矩相关的变换式:
其中,maxTs是成为基准的注射成形机的电动机最大转矩,maxTc是取得变换对象数据的注射成形机的电动机最大转矩,Rrs是成为基准的注射成形机的减速比,Rrc是取得变换对象数据的注射成形机的减速比,Tc是作为变换对象数据的转矩值,Ts是变换后的基准尺度的转矩值,
或者,
所述按数据的种类设定的变换式为注射成形机的注射压力相关的变换式:
其中,maxIps是成为基准的注射成形机的最大注射压力,maxIpc是取得变换对象数据的注射成形机的最大注射压力,Sds是成为基准的注射成形机的螺杆直径,Sdc是取得变换对象数据的注射成形机的螺杆直径,Ipc是作为变换对象数据的注射压力,Ips是变换后的基准尺度的注射压力。
8.一种状态判定方法,判定注射成形机的动作状态,其特征在于,所述状态判定方法包括如下步骤:
数据取得步骤,取得与所述注射成形机有关的数据;
数值变换步骤,使用从成为基准的注射成形机以及与成为该基准的注射成形机不同的至少一个其他注射成形机的规格数据中调用的规格值,通过按数据的种类设定的变换式,将在所述数据取得步骤中取得的数据变换为基准尺度的数据,所述规格数据通过数值表示机械的性能各规格,所述基准尺度的数据是成为基准的注射成形机的机型的尺度的数据;以及
推定步骤,使用通过预处理将与成为基准的注射成形机有关的基准尺度的数据变换为作为在机器学习装置中处理的统一形式的状态数据,并使用该状态数据进行机器学习而得的学习模型,根据在所述数值变换步骤中进行变换而得的所述基准尺度的数据来进行注射成形机的状态的推定,
所述按数据的种类设定的变换式为驱动注射成形机的可动部的电动机的转矩相关的变换式:
其中,maxTs是成为基准的注射成形机的电动机最大转矩,maxTc是取得变换对象数据的注射成形机的电动机最大转矩,Rrs是成为基准的注射成形机的减速比,Rrc是取得变换对象数据的注射成形机的减速比,Tc是作为变换对象数据的转矩值,Ts是变换后的基准尺度的转矩值,
或者,
所述按数据的种类设定的变换式为注射成形机的注射压力相关的变换式:
其中,maxIps是成为基准的注射成形机的最大注射压力,maxIpc是取得变换对象数据的注射成形机的最大注射压力,Sds是成为基准的注射成形机的螺杆直径,Sdc是取得变换对象数据的注射成形机的螺杆直径,Ipc是作为变换对象数据的注射压力,Ips是变换后的基准尺度的注射压力。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018185855A JP6773740B2 (ja) | 2018-09-28 | 2018-09-28 | 状態判定装置及び状態判定方法 |
JP2018-185855 | 2018-09-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110962315A CN110962315A (zh) | 2020-04-07 |
CN110962315B true CN110962315B (zh) | 2023-11-10 |
Family
ID=69947097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910919086.0A Active CN110962315B (zh) | 2018-09-28 | 2019-09-26 | 状态判定装置以及状态判定方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11772312B2 (zh) |
JP (1) | JP6773740B2 (zh) |
CN (1) | CN110962315B (zh) |
DE (1) | DE102019125477A1 (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106393622A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 注射成形机的异常诊断装置 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0659676B2 (ja) * | 1986-10-09 | 1994-08-10 | 三菱重工業株式会社 | 成形条件設定方法 |
JPH0712634B2 (ja) | 1987-12-25 | 1995-02-15 | ファナック株式会社 | 射出装置の異常検出装置 |
JPH0215482A (ja) | 1988-07-04 | 1990-01-19 | Naotake Asano | フロツピーデイスクラベル印字装置 |
DE102004041891B3 (de) | 2004-08-31 | 2006-04-13 | Krauss-Maffei Kunststofftechnik Gmbh | EDV-technische Integration aller betrieblichen Abläufe in Produktionsmaschinen |
JP4168036B2 (ja) * | 2005-02-25 | 2008-10-22 | ファナック株式会社 | 射出成形機の圧力異常検出装置 |
JP4237237B2 (ja) * | 2007-08-22 | 2009-03-11 | ファナック株式会社 | スクリュー回転トルク監視機能を備えた射出成形機 |
CN101398672B (zh) | 2007-09-26 | 2010-09-15 | 中国科学院自动化研究所 | 一种提高开合模机构定位精度的学习方法 |
JP5770057B2 (ja) * | 2011-10-12 | 2015-08-26 | ファナック株式会社 | 射出成形機のモニタデータ表示装置 |
JP5650807B2 (ja) | 2013-06-13 | 2015-01-07 | ファナック株式会社 | 射出成形機の温度監視装置 |
JP6031202B1 (ja) | 2016-01-29 | 2016-11-24 | ファナック株式会社 | 製造機械の異常の原因を発見するセル制御装置 |
JP6815892B2 (ja) * | 2016-02-26 | 2021-01-20 | 住友重機械工業株式会社 | 射出成形機 |
JP6517728B2 (ja) | 2016-05-12 | 2019-05-22 | ファナック株式会社 | 射出成形機の逆流防止弁の摩耗量推定装置および摩耗量推定方法 |
EP3629695A4 (en) * | 2017-06-01 | 2021-03-03 | Valmont Industries, Inc. | IRRIGATION MANAGEMENT SYSTEM AND METHOD USING AUTOMATIC LEARNING WORKFLOWS |
ES2842301T3 (es) * | 2017-08-02 | 2021-07-13 | Fund Eurecat | Procedimiento informático implementado para generar un modelo de molde para un control predictivo de producción y productos de programa informático del mismo |
MX2020001339A (es) | 2017-09-07 | 2020-07-13 | Imflux Inc | Sistemas y metodos para sintonizar automaticamente control pid de maquinas de moldeo por inyeccion. |
US10579041B2 (en) * | 2017-12-01 | 2020-03-03 | Applied Materials, Inc. | Semiconductor process control method |
JP6773738B2 (ja) | 2018-09-19 | 2020-10-21 | ファナック株式会社 | 状態判定装置及び状態判定方法 |
-
2018
- 2018-09-28 JP JP2018185855A patent/JP6773740B2/ja active Active
-
2019
- 2019-09-05 US US16/561,018 patent/US11772312B2/en active Active
- 2019-09-23 DE DE102019125477.9A patent/DE102019125477A1/de active Pending
- 2019-09-26 CN CN201910919086.0A patent/CN110962315B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106393622A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 注射成形机的异常诊断装置 |
Also Published As
Publication number | Publication date |
---|---|
JP6773740B2 (ja) | 2020-10-21 |
US11772312B2 (en) | 2023-10-03 |
JP2020055146A (ja) | 2020-04-09 |
DE102019125477A1 (de) | 2020-05-20 |
US20200101651A1 (en) | 2020-04-02 |
CN110962315A (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6787971B2 (ja) | 状態判定装置及び状態判定方法 | |
CN110962316B (zh) | 状态判断装置以及状态判断方法 | |
CN110920009B (zh) | 状态判定装置以及状态判定方法 | |
JP6867358B2 (ja) | 状態判定装置及び状態判定方法 | |
JP6975188B2 (ja) | 状態判定装置及び状態判定方法 | |
CN111531831A (zh) | 状态判定装置以及状态判定方法 | |
CN110962315B (zh) | 状态判定装置以及状态判定方法 | |
CN116034006A (zh) | 状态判定装置以及状态判定方法 | |
WO2022075181A1 (ja) | 状態判定装置及び状態判定方法 | |
WO2022075224A1 (ja) | 状態判定装置及び状態判定方法 | |
JP2022009841A (ja) | 状態判定装置及び状態判定方法 | |
JP2021057064A (ja) | 状態判定装置及び状態判定方法 | |
WO2024057461A1 (ja) | 判定装置及び判定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |