CN111531830A - 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
- CN111531830A CN111531830A CN202010081629.9A CN202010081629A CN111531830A CN 111531830 A CN111531830 A CN 111531830A CN 202010081629 A CN202010081629 A CN 202010081629A CN 111531830 A CN111531830 A CN 111531830A
- Authority
- CN
- China
- Prior art keywords
- data
- learning
- machine
- state
- state determination
- 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.)
- Pending
Links
Images
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
- B29C37/00—Component parts, details, accessories or auxiliary operations, not covered by group B29C33/00 or B29C35/00
- B29C37/0096—Trouble-shooting during starting or stopping moulding or shaping apparatus
-
- 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
- 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
-
- 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
-
- 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
- B29C45/84—Safety devices
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- B29C2045/7606—Controlling or regulating the display unit
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明提供状态判定装置以及状态判定方法。状态判定装置取得工业机械的数据,按照用于从该取得的数据提取机器学习相关的处理所使用的数据的提取条件,在该取得的数据内提取机器学习相关的处理所使用的数据,并执行使用了该提取出的数据的机器学习相关的处理。
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
定期地或在异常产生时进行注射成形机等工业机械的维护。在维护工业机械时,通过使用在工业机械动作时记录的表示该工业机械的动作状态的物理量,维护负责人判定该工业机械的动作状态有无异常,进行产生了异常的部件的更换等维护作业。
例如,已知一种方法,作为工业机械的一种即注射成形机所具备的注射缸的止回阀的维护作业,定期地从注射缸拔出螺杆,直接测量止回阀的尺寸。但是,该方法中必须暂时停止生产来进行测量作业,因此会有生产效率下降的问题。
为了解决这样的问题,作为不通过从注射缸拔出螺杆等作业而使生产暂时停止,而间接地检测注射缸的止回阀的磨损量并诊断异常的方法,已知通过检测施加给螺杆的旋转转矩或者检测树脂向螺杆后方逆流的现象来诊断异常的方法。
例如在日本特开平01-168421号公报中示出了测量作用于螺杆的旋转方法的旋转转矩并在该测量值超过容许范围后判定为异常的情况。另外,在日本特开2017-030221号公报和日本特开2017-202632号公报中示出了通过对驱动部的负荷或树脂压力等进行有监督学习来诊断异常的情况。进一步,在日本特开2018-097616号公报和日本特开2017-188030号公报中示出了使用时间系列数据进行机器学习的方法。
但是,在构成注射成形机的驱动部的各个要素不同的机械中,会有在从该机械得到的测量值和在机器学习时输入的学习数据的数值之间的背离较大,不能够正确地进行基于机器学习的诊断的问题。另外,如果注射成形机所生产的成形品的原材料即树脂的种类、注射成形机的附带设备即金属模具、金属模具温度调节机、树脂干燥机等是与机器学习时不同的种类,则会产生不能够正确地进行基于机器学习的诊断的问题。
为了解决这种问题并提高机器学习的诊断精度,在生成机器学习的学习模型时,需要准备多种多样的学习条件进行机器学习。但是,收集多种多样的注射成形机、树脂、附带设备来进行机器学习需要很多的成本。并且,在运行机械时,需要准备树脂和工件等原材料,为了取得学习数据所需要的原材料的成本也比较大。另外,取得学习数据的作业需要较多的时间。因此,会有不能够有效地收集学习数据的问题。
这里,在更换注射成形机所生产的成形品的原材料即树脂,更换注射成形机的附带设备即金属模具,开始了金属模具温度调节机或树脂干燥机等周围设备或注射成形机的运行之后,变更注射成形机的运行相关的注射条件和保压条件等运行条件,或者在注射成形机位于不正常动作的警报状态时,会有从注射成形机取得的时间系列数据不适合于机器学习的情况。但是,在现有技术中,会有也对不适当的学习数据进行机器学习来导出学习模型,或者诊断不适当的学习数据等不能够正确地诊断机械的动作状态的问题。
发明内容
因此,希望能够容易地排除不适当的学习数据来精度良好地进行机器学习,并使用其学习结果来辅助各种工业机械的维护的状态判定装置以及状态判定方法。
因此,在本发明的状态判定装置以及方法中,关于输入到机器学习的学习数据,从学习数据中排除例如警报中的时间系列数据、开始了机械运行之后或更换了金属模具之后的时间系列数据或者变更了机械运行的注射条件或保压条件等成形条件的设定值之后的时间系列数据等在注射成形机的运行状态和操作状态中产生变化或者成形不稳定的状态的时间系列数据来进行机器学习,从而导出高精度的学习模型,解决上述问题。
本发明的一个方式的状态判定装置判定工业机械的动作状态,具备:数据取得部,其取得上述工业机械的数据;提取条件存储部,其存储用于从上述数据取得部取得的数据中提取机器学习相关的处理所使用的数据的提取条件;学习数据提取部,其按照存储在上述提取条件存储部中的提取条件,在上述数据取得部取得的数据内提取机器学习相关的处理所使用的数据;以及机器学习装置,其执行使用了上述学习数据提取部提取出的数据的机器学习相关的处理。
上述机器学习装置能够具备进行使用了上述学习数据提取部提取出的数据的机器学习并生成学习模型的学习部。另外,上述学习部能够进行有监督学习、无监督学习以及强化学习中的至少一种机器学习。
上述机器学习装置能够具备:学习模型存储部,其存储通过使用了上述学习数据提取部提取出的数据的机器学习所生成的学习模型;以及推定部,其根据上述学习数据提取部提取出的数据,进行使用了上述学习模型的上述工业机械的状态的推定。
上述推定部推定上述工业机械的动作状态相关的异常度,另外,在上述推定部推定出的异常度超过预先决定的预定阈值时,上述状态判定装置在显示装置显示警告消息。
上述推定部推定上述工业机械的动作状态相关的异常度,另外,在上述推定部推定出的异常度超过预先决定的预定阈值时,上述状态判定装置在显示装置显示警告图标。
上述推定部推定上述工业机械的动作状态相关的异常度,另外,在上述推定部推定出的异常度超过预先决定的预定阈值时,上述状态判定装置将运行的停止、减速或限制原动机的转矩的指令中的至少一个输出到工业机械。
上述工业机械是注射成形机,另外,上述数据取得部所取得的数据包含以下信息中的至少一个:识别表示注射成型机的机械状态的运行中、停止中、升温中、升温结束、金属模具更换中、金属模具更换结束、警报中、生产结束状态的任意一个的信息;识别表示注射成形机的操作状态的注射条件、保压条件、计量条件、模具开闭条件、顶出条件、温度条件有无变更的任意一个的信息;识别注射成形机的成形工序即闭模工序、合模工序、注射工序、保压工序、计量工序、开模工序、顶出工序、待机工序的任意一个的信息。
上述数据取得部所取得的数据包含从通过有线或无线网络连接的多个工业机械取得的数据中的至少一个。
本发明另外方式的取得工业机械的数据的状态判定装置中的机器学习的方法包含:取得上述工业机械的数据的数据取得步骤;按照用于从取得自上述工业机械的数据中提取机器学习相关的处理所使用的数据的提取条件,在上述数据取得步骤中所取得的数据内提取机器学习相关的处理所使用的数据的学习数据提取步骤;以及执行使用了在上述学习数据提取步骤中提取出的数据的机器学习相关的处理的步骤。
本发明通过具有上述结构,能够从学习数据中排除在工业机械的运行状态或操作状态发生变化时所取得的数据、在成形不稳定的状态下所取得的数据来进行机器学习,能够期待机器学习的判定精度的提高。
附图说明
图1是一个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表示提取条件的例子。
图4表示学习数据提取部的学习用数据的提取例。
图5表示学习数据提取部的学习用数据的其他提取例。
图6表示学习数据提取部的学习用的数据的其他提取例。
图7是第二实施方式的状态判定装置的概略功能框图。
图8表示异常状态的显示例。
具体实施方式
图1是表示一个实施方式的具备机器装置装置的状态判定装置的主要部件的概略硬件结构图。
本实施方式的状态判定装置1例如能够安装在控制工业机械的控制装置上,另外,能够作为与控制工业机械的控制装置并列设置的个人计算机、经由有线/无线网络与该控制装置连接的管理装置3、边缘计算机、雾计算机、云服务器等计算机来进行安装。以下,说明将本实施方式的状态判定装置1作为经由网络与控制作为工业机械的注射成形机的控制装置连接的计算机来安装的例子。另外,在以下的各个实施方式中,作为工业机械以注射成形机为例进行说明,但是作为本发明的状态判定装置1判定状态的对象的工业机械,能够将注射成形机、机床、机器人、矿山机械、木工机械、农业机械、工程机械等设为对象。
本实施方式的状态判定装置1所具备的CPU11是整体控制状态判定装置1的处理器。CPU11经由总线20读出存储在ROM12中的系统程序,按照该系统程序控制状态判定装置1整体。RAM13中暂时存储临时的计算数据、作业人员经由输入装置71输入的各种数据等。
非易失性存储器14例如由通过电池(未图示)进行备份的存储器或SSD(SolidState Drive固态硬盘)等构成,即使状态判定装置1的电源被切断也保持存储状态。非易失性存储器14中存储有从存储状态判定装置1的动作相关的设定信息的设定区域或输入装置71输入的数据、经由网络7从注射成形机2取得的静态数据(机种、金属模型的质量和材质、树脂的种类等)、在注射成形机2的成形动作中检测出的物理量(喷嘴的温度、驱动喷嘴的原动机的位置、速度、加速度、电流、电压、转矩、金属模型的温度、树脂的流量、流速、压力等)的时间系列数据、表示注射成形机2的动作状态或操作状态等的信息(识别作为成形工序的闭模工序、合模工序、注射工序、保压工序、计量工序、开模工序、顶出工序、周期开始、周期结束的信息、表示警报的产生状态的信息等)的时间系列数据、从外部存储装置(未图示)或经由网络7从其他计算机等读入的数据等。存储在非易失性存储器14中的程序和各种数据可以在执行时/使用时展开于RAM13上。另外,在ROM12中预先写入包含用于分析各种数据的公知的分析程序和用于控制与后述的机器学习装置100之间的交换的程序等的系统程序。
状态判定装置1经由接口16与有线/无线的网络7连接。至少一个注射成形机2和管理该注射成形机2的生产作业的管理装置3等与网络7连接,在和状态判定装置1之间相互进行数据的交换。
注射成形机2是生产由塑料等树脂成形的产品的机械,是熔化作为材料的树脂并填充(注射)到金属模具内而成形的机械。注射成形机2由喷嘴、原动机(电动机等)、传动机构、减速机、可动部等各种部件构成,通过传感器等检测各部的状态,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。另外,作为注射成形机2所使用的传动机构,使用滚珠丝杆、齿轮、滑轮、皮带等。
被读入到存储器上的各个数据、作为执行了程序等的结果而得到的数据、从后述的机器学习装置100输出的数据等经由接口17输出到显示装置70并显示。另外,由键盘和指点设备等构成的输入装置71将基于作业人员的操作的指令、数据等经由接口18传递给CPU11。
接口21是用于连接状态判定装置1和机器学习装置100的接口。机器学习装置100具备统一控制机器学习装置100整体的处理器101、存储了系统程序等的ROM12、用于进行机器学习相关的各处理中的暂时存储的RAM103以及学习模型等的存储所使用的非易失性存储器104。机器学习装置100能够经由接口21观测通过状态判定装置1可取得的各种信息(例如注射成形机2的机种、金属模型的质量和材质、树脂的种类等各种数据、喷嘴的温度、驱动喷嘴的原动机的位置、速度、加速度、电流、电压、转矩、金属模型的温度、树脂的流量、流速、压力等各种物理量的时间系列数据、表示注射成形机2的动作状态和操作状态等的信息的时间系列数据等)。另外,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,存储并显示所取得的结果,经由网络7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和机器学习装置100的概略功能框图。
本实施方式的状态判定装置1具备在进行机器学习的阶段由机器学习装置100进行学习时所需要的结构(学习模式)。由图1所示的状态判定装置1所具备的CPU11以及机器学习装置100的处理器101执行各个系统程序,控制状态判定装置1以及机器学习装置100的各部动作,由此实现图2所示的各个功能块。
本实施方式的状态判定装置1具备数据取得部30、学习数据提取部32、预处理部34以及机器学习装置100,该机器学习装置100具备学习部110。另外,在状态判定装置1的非易失性存储器104上设置存储从外部的机械等取得的数据的取得数据存储部50以及存储从取得数据中提取学习用的数据的条件的提取条件存储部52。在机器学习装置100的非易失性存储器104上设置存储通过学习部110的机器学习构筑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取得例如表示注射成型机2的机种、金属模具的质量和材质、树脂的种类等静态数据、喷嘴的温度、驱动喷嘴的原动机的位置、速度、加速度、电流、电压、转矩、注射成形机2的成形动作相关的金属模型的温度、树脂的流量、流速、压力等各种物理量的时间系列数据、运行中、停止中、升温中、升温结束、金属模具更换中、金属模具更换结束、警报中、生产结束状态等注射成形机2的机械状态的信息;识别表示注射成形机2的操作状态的注射条件、保压条件、计量条件、模具开闭条件、顶出条件、温度条件有无变更等的信息;识别注射成形机2的成形工序即闭模工序、合模工序、注射工序、保压工序、计量工序、开模工序、顶出工序、待机工序、周期开始、周期结束的信息和表示警报的产生状态的信息、通过作业人员输入的注射成形机的维护作业相关的信息等各种数据,并存储在取得数据存储部50中。数据取得部30在取得时间系列数据时,根据从注射成形机2取得的信号数据和其他时间系列数据的变化等,在将在预定的时间范围(例如一个周期的成形工序的范围)内所取得的时间系列数据作为一个时间系列数据的基础上存储在取得数据存储部50中。数据取得部30可以从未图示的外部存储装置或者经由有线/无线网络7从管理装置3或其他的计算机取得数据。
学习数据提取部32根据在学习部110进行的机器学习的阶段存储在提取条件存储部52中的提取条件,从数据取得部30所取得的(并且存储在取得数据存储部50中的)取得数据中提取机器学习所使用的取得数据。换言之,学习数据提取部32根据存储在提取条件存储部52中的提取条件,从数据取得部30所取得的取得数据中排除不适用于机器学习的取得数据。
图3例示存储在提取条件存储部52中的提取条件。
提取条件存储部52存储例如按照条件类别等进行整理并管理的至少一个提取条件。提取条件存储部52所存储的提取条件可以是指定机器学习所使用的取得数据的条件,或者也可以是指定机器学习中不使用(排除)的取得数据的条件。提取条件存储部52所存储的提取条件包含至少根据取得数据中包含的预定数据值将该取得数据进行分类的条件、是否使用通过该条件进行分类的取得数据作为学习用数据的指定。
图4说明根据存储在提取条件存储部52中的机械状态的提取条件,由学习数据提取部32提取取得数据的例子。
考虑当图4所例示的取得数据被存储在取得数据存储部50中时,学习数据提取部32提取每个周期的电流值的波形数据作为学习用数据的情况。此时,如果在提取条件存储部52中设定了“从学习用数据中除去警报中的取得数据”的提取条件,则学习数据提取部32在成形工序的周期中产生了警报时,以不提取在该周期中取得的电流值的数据作为学习用数据的方式进行动作。具体地说,在图4例子的情况下,学习数据提取部32不提取在检测出警报产生的第i+2周期以及第i+3周期中取得的电流值数据作为学习用数据,而提取在第i+1周期以前以及第i+4周期以后取得的电流值数据作为学习用数据。
图5说明根据存储在提取条件存储部52中的操作状态的提取条件,由学习数据提取部32提取取得数据的例子。
考虑在取得数据存储部50中存储图5所例示的取得数据时,学习数据提取部32提取每个周期的电压值的波形数据作为学习用数据的情况。此时,如果在提取条件存储部52中设定了“从学习用数据中除去从注射条件变更时开始10个周期的取得数据”的提取条件,则学习数据提取部32在成形工序的周期中变更了注射条件(注射条件的变更信号为开)时,以不从进行了该变更的周期起10个周期期间取得的电压值的数据作为学习用数据的方式进行动作。具体地说,在图5例子的情况下,学习数据提取部32不提取从变更了注射条件的第i+1周期开始10个周期(到第i+10周期为止)中取得的电压值数据作为学习用数据,而提取在第i周期以前以及第i+11周期以后取得的电流值数据作为学习用数据。
图6说明根据存储在提取条件存储部52中的成形工序的提取条件,由学习数据提取部32提取取得数据的例子。
考虑当图6所例示的取得数据被存储在取得数据存储部50中时,学习数据提取部32提取每个周期的电流值的波形数据作为学习用数据的情况。此时,如果在提取条件存储部52中设定了“只提取注射、保压工序的取得数据作为学习用数据”的提取条件,则学习数据提取部32以提取在各个成形工序内的注射工序、保压工序期间取得的电流值数据作为学习用数据的方式进行动作。具体地说,在图6的例子的情况下,学习数据提取部32根据各个工序的开始信号以及结束信号来确定各个成形工序内的注射工序、保压工序的期间,并提取在该期间取得的电流值数据作为学习用数据。
提取条件存储部52中能够设定多个提取条件。此时,在2个以上的提取条件之间是否用作学习用数据的指定会有冲突。这时,学习数据提取部32可以优先不作为学习用数据使用的指定,在提取条件存储部52中将提取条件和提取条件间的优先顺序一并进行存储,学习数据提取部32也可以根据该优先顺序来解决是作为学习用数据使用还是不作为学习用数据使用的指定冲突的问题。
预处理部34在机器学习装置100的机器学习阶段中,根据学习数据提取部32提取出的学习用数据来生成机器学习装置100的学习所使用的学习数据。预处理部34生成将从学习数据提取部32输入的数据转换(数值化、采样等)为在机器学习装置100中处理的统一形式的学习数据。例如,预处理部34在机器学习装置100进行无监督学习时,生成该学习中的预定形式的状态数据S作为学习数据,在机器学习装置100进行有监督学习时,生成该学习中的预定形式的状态数据S以及标签数据L的组作为学习数据,在机器学习装置100进行强化学习时,生成该学习中的预定形式的状态数据S以及判定数据D的组作为学习数据。
机器学习装置100中的学习部110根据学习数据提取部32提取出的学习用数据进行使用了由预处理部34生成的学习数据的机器学习。学习部110通过无监督学习、有监督学习、强化学习等公知的机器学习方法进行使用了从注射成形机2取得的数据的机器学习,由此生成学习模型,将所生成的学习模型存储在学习模型存储部130中。作为学习部110进行的无监督学习的方法,例如列举有autoencoder(自动编码)法、k-means(k-均值)法等,作为有监督学习的方法,列举有例如multilayer perceptron(多层感知器)法、recurrentneural 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,另外作为强化学习的方法例如列举有Q学习等。
学习部110例如进行基于学习数据的无监督学习,能够生成正常状态下取得的数据的分布作为学习模型,上述学习数据是由学习数据提取部32以及预处理部34处理从正常动作状态的注射成形机2取得的取得数据而得到的。
另外,学习部110例如将正常标签赋予从正常动作状态的注射成形机取得的取得数据,另一方面,将异常标签赋予在产生异常前后从注射成形机2取得的取得数据,进行使用了由学习数据提取部32以及预处理部34处理取得数据而得到的学习数据的有监督学习,能够生成正常数据和异常数据的判别界限作为学习模型。
在具备上述结构的第一实施方式的状态判定装置1中,关于从注射成形机2取得的取得数据,学习数据提取部32按照存储在提取条件存储部52中的提取条件,从取得数据中包含的取得数据中提取学习用数据。在该提取条件存储部52中能够设定提取条件,使得作业人员配合此时的机器学习的目的提取适当的数据作为学习用数据。这样一来,学习数据提取部32提取出的学习用数据,例如从学习数据中排除警报中的时间系列数据或者开始了机械运行之后或更换了金属模具之后的时间系列数据、或者变更了机械运行的注射条件和保压条件等成形条件的设定值之后的时间系列数据等在注射成形机的运行状态或操作状态中产生变化或者成形不稳定的状态的时间系列数据,能够仅对属于运行状态的判定所需要的预定工序的时间系列数据进行机器学习。使用了这样生成的学习模型的注射成形机2的状态判定与使用了通过现有方法生成的学习模型的情况比较,预计注射成形机2的动作状态的判定精度提高。
图7是第二实施方式的状态判定装置1和机器学习装置100的概略功能框图。
本实施方式的状态判定装置1具备机器学习装置300进行推定时所需要的结构(推定模式)。由图1所示的状态判定装置1所具备的CPU11以及机器学习装置100的处理器101执行各个系统程序,控制状态判定装置1以及机器学习装置300各部的动作,从而实现图7所示的各个功能块。
本实施方式的状态判定装置1与第一实施方式同样具备数据取得部30、学习数据提取部32、预处理部34以及机器学习装置100,该机器学习装置100具备推定部120。另外,在状态判定装置1的非易失性存储器14上设置存储从外部机械等取得的数据的取得数据存储部50以及存储从取得数据提取学习用数据的条件的提取条件存储部52。在该机器学习装置100的非易失性存储器14上设置存储通过学习部110的机器学习构筑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具备与第一实施方式的数据取得部30同样的功能。
本实施方式的学习数据提取部32的基本动作与第一实施方式的学习数据提取部32相同,但是学习数据提取部32提取出的数据是机器学习装置100为了推定注射成形机2的状态所使用的推定用数据,这点与第一实施方式不同。
本实施方式的预处理部34在使用了机器学习装置100的学习模型的注射成形机2的状态推定的阶段,将学习数据提取部32提取出的推定用数据转换(数值化、采样等)为在机器学习装置100中处理的统一形式,生成机器学习装置100的推定所使用的预定形式的状态数据S。
推定部120根据预处理部34所生成的状态数据S,进行使用了存储在学习模型存储部130中的学习模型的注射成形机的状态的推定。本实施方式的推定部120在存储在学习模型存储部130中的学习模型是通过无监督学习生成的(决定了参数的)学习模型时,将通过预处理部34得到的状态数据S输入学习模型,由此推定状态数据S从正常状态动作时取得的状态数据偏离多少,计算注射成形机的状态相关的异常度作为推定结果。另外,在存储在学习模型存储部130中的学习模型是通过有监督学习生成的学习模型时,将通过预处理部34得到的状态数据S输入学习模型,由此推定并计算注射成形机的动作状态所属的类别(正常/异常等)。推定部120推定出的结果(注射成形机的状态相关的异常度和注射成形机的动作状态所属的类别等)可以显示输出到显示装置70,或者经由有线/无线网络(未图示)发送输出给主计算机或云计算机等来利用。另外,状态判定装置1在通过推定部120推定出的结果为预定状态时(例如推定部120推定出的异常度超过了预先决定的阈值时,推定部120推定出的注射成形机的动作状态所属的类别成为“异常”时等),例如如图8例示那样,可以向显示装置70进行警告消息或图标的显示输出,也可以对注射成形机输出运行的停止、减速或限制驱动注射成形机的原动机的转矩的指令等。
具备上述结构的第二实施方式的状态判定装置1中,关于从注射成形机2取得的取得数据,学习数据提取部32按照存储在提取条件存储部52中的提取条件,从取得数据存储部50中包含的取得数据中提取推定用数据。在该提取条件存储部52中能够设定提取条件,使得作业人员配合此时的注射成形机2的状态判定目的提取适当的数据作为推定用数据。这样一来,学习数据提取部32提取出的推定用数据,例如排除警报中的时间系列数据或者开始了机械运行之后或更换了金属模具之后的时间系列数据、或变更了机械运行的注射条件或保压条件等成形条件的设定值之后的时间系列数据等在注射成形机的运行状态、操作状态中产生变化或者成形不稳定的状态的时间系列数据,能够只将适合注射成形机2的动作状态判定的时间系列数据用于状态判定,预计提高机器学习的注射成形机2的动作状态的判定精度。
上述第一、第二实施方式的状态判定装置1能够应用于进行机器人和机床等工业机械相关的状态判定的情况,但是能够适当地用于例如在制造开始时或制造重新开始时的运行动作的启动时等在预想的范围内进行不稳定的动作的工业机械。特别是即使注射成形机以相同的注射条件进行生产时,在机械的动作开始时或变更了注射条件之后等在预想的范围内进行不稳定的动作的情况较多,但是直接继续运行会收敛到稳定的正常动作,因此这种动作状态不被视为异常状态,不会作为维护/检查的对象。因此,本发明的状态判定装置对具有这种特性的注射成形机特别有用。
以上,说明了本发明的实施方式,但是本发明不仅限于上述实施方式的例子,通过加以适当的变更能够以各种方式来实施。
例如,在上述实施方式中,状态判定装置1和机器学习装置100作为具有不同的CPU(处理器)的装置进行了说明,但是机器学习装置100可以通过状态判定装置1所具备的CPU11和存储在ROM12中的系统程序来实现。另外,当多个注射成形机2经由网络相互连接时,可以通过一个状态判定装置1判定多个注射成形机的动作状态,也可以在注射成形机所具备的控制装置上安装状态判定装置1。
Claims (10)
1.一种状态判定装置,判定工业机械的动作状态,其特征在于,
该状态判定装置具备:
数据取得部,其取得上述工业机械的数据;
提取条件存储部,其存储用于从上述数据取得部取得的数据中提取机器学习相关的处理所使用的数据的提取条件;
学习数据提取部,其按照存储在上述提取条件存储部中的提取条件,在上述数据取得部取得的数据内提取机器学习相关的处理所使用的数据;以及
机器学习装置,其执行使用了上述学习数据提取部提取出的数据的机器学习相关的处理。
2.根据权利要求1所述的状态判定装置,其特征在于,
上述机器学习装置具备学习部,其进行使用了上述学习数据提取部提取出的数据的机器学习并生成学习模型。
3.根据权利要求2所述的状态判定装置,其特征在于,
上述学习部进行有监督学习、无监督学习以及强化学习中的至少一种机器学习。
4.根据权利要求1所述的状态判定装置,其特征在于,
上述机器学习装置具备:
学习模型存储部,其存储通过使用了上述学习数据提取部提取出的数据的机器学习所生成的学习模型;以及
推定部,其根据上述学习数据提取部提取出的数据,进行使用了上述学习模型的上述工业机械的状态的推定。
5.根据权利要求4所述的状态判定装置,其特征在于,
上述推定部推定上述工业机械的动作状态相关的异常度,
在上述推定部推定出的异常度超过预先决定的预定阈值时,上述状态判定装置在显示装置显示警告消息。
6.根据权利要求4所述的状态判定装置,其特征在于,
上述推定部推定上述工业机械的动作状态相关的异常度,
在上述推定部推定出的异常度超过预先决定的预定阈值时,上述状态判定装置在显示装置显示警告图标。
7.根据权利要求4所述的状态判定装置,其特征在于,
上述推定部推定上述工业机械的动作状态相关的异常度,
在上述推定部推定出的异常度超过预先决定的预定阈值时,上述状态判定装置将运行的停止、减速或限制原动机的转矩的指令中的至少一个输出到工业机械。
8.根据权利要求1所述的状态判定装置,其特征在于,
上述工业机械是注射成形机,
上述数据取得部取得的数据包含以下信息中的至少一个:识别表示注射成型机的机械状态的运行中、停止中、升温中、升温结束、金属模具更换中、金属模具更换结束、警报中、生产结束状态的任意一个的信息;识别表示注射成形机的操作状态的注射条件、保压条件、计量条件、模具开闭条件、顶出条件、温度条件有无变更的任意一个的信息;识别作为注射成形机的成形工序的闭模工序、合模工序、注射工序、保压工序、计量工序、开模工序、顶出工序、待机工序的任意一个的信息。
9.根据权利要求1所述的状态判定装置,其特征在于,
上述数据取得部取得的数据包含从通过有线或无线网络连接的多个工业机械取得的数据中的至少一个。
10.一种判定工业机械的动作状态的状态判定装置中的机器学习的方法,其特征在于,
状态判定方法包含以下步骤:
取得上述工业机械的数据的数据取得步骤;
按照用于从取得自上述工业机械的数据中提取机器学习相关的处理所使用的数据的提取条件,在上述数据取得步骤中所取得的数据内提取机器学习相关的处理所使用的数据的学习数据提取步骤;以及
执行使用了在上述学习数据提取步骤中提取出的数据的机器学习相关的处理的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019020411A JP6975188B2 (ja) | 2019-02-07 | 2019-02-07 | 状態判定装置及び状態判定方法 |
JP2019-020411 | 2019-02-07 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111531830A true CN111531830A (zh) | 2020-08-14 |
Family
ID=71739279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010081629.9A Pending CN111531830A (zh) | 2019-02-07 | 2020-02-06 | 状态判定装置以及状态判定方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11731332B2 (zh) |
JP (1) | JP6975188B2 (zh) |
CN (1) | CN111531830A (zh) |
DE (1) | DE102020102370A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7311319B2 (ja) * | 2019-06-19 | 2023-07-19 | ファナック株式会社 | 時系列データ表示装置 |
JPWO2022075181A1 (zh) * | 2020-10-05 | 2022-04-14 | ||
US11636752B2 (en) * | 2021-04-26 | 2023-04-25 | Rockwell Automation Technologies, Inc. | Monitoring machine operation with different sensor types to identify typical operation for derivation of a signature |
DE102022103483A1 (de) | 2022-02-15 | 2023-08-17 | Arburg Gmbh + Co Kg | Verfahren und Vorrichtung zur Bestimmung des Verschleißes an einer Vorrichtung zur Verarbeitung von Kunststoffen |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060009874A1 (en) * | 2004-07-09 | 2006-01-12 | Fanuc Ltd | Monitoring device and monitoring method for injection molding machine |
JP2007258731A (ja) * | 2007-04-23 | 2007-10-04 | Canon System Solutions Inc | プロセスと品質との関係についてのモデル作成装置及びモデル作成方法 |
JP2008009935A (ja) * | 2006-06-30 | 2008-01-17 | Kagawa Univ | データ処理装置,データ処理方法,作業機械の遠隔診断システム及び作業機械の遠隔診断方法 |
JP2008033902A (ja) * | 2006-06-30 | 2008-02-14 | Toshiba Corp | 警報装置 |
US20080065356A1 (en) * | 2006-09-12 | 2008-03-13 | Nissei Plastic Industrial Co., Ltd. | Anomaly monitoring method of an injection molding machine |
CN101837627A (zh) * | 2009-03-19 | 2010-09-22 | 西格马斯株式会社 | 注射模成形机监视装置 |
CN102909844A (zh) * | 2012-10-23 | 2013-02-06 | 东南大学 | 一种注塑机工件生产线的生产方法 |
CN102999020A (zh) * | 2011-09-14 | 2013-03-27 | 株式会社东芝 | 过程监视·诊断·支援装置 |
JP2015090535A (ja) * | 2013-11-05 | 2015-05-11 | 服部 修 | 樹脂成形工程監視無線ネットワークシステム |
JP2015142977A (ja) * | 2014-01-31 | 2015-08-06 | 日精樹脂工業株式会社 | 射出成形機の診断支援装置 |
US20160330225A1 (en) * | 2014-01-13 | 2016-11-10 | Brightsource Industries (Israel) Ltd. | Systems, Methods, and Devices for Detecting Anomalies in an Industrial Control System |
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 |
JP2017102826A (ja) * | 2015-12-04 | 2017-06-08 | 株式会社Ihi | 異常診断装置、異常診断方法、及び、異常診断プログラム |
CN107379455A (zh) * | 2016-05-16 | 2017-11-24 | 发那科株式会社 | 加工单元以及加工单元管理系统 |
CN107656485A (zh) * | 2016-07-26 | 2018-02-02 | 双叶电子工业株式会社 | 测量设备、测量方法及程序 |
JP2018073258A (ja) * | 2016-11-02 | 2018-05-10 | 日本電信電話株式会社 | 検知装置、検知方法および検知プログラム |
CN108227633A (zh) * | 2016-12-13 | 2018-06-29 | 发那科株式会社 | 数值控制装置以及机器学习装置 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US5121467A (en) | 1990-08-03 | 1992-06-09 | E.I. Du Pont De Nemours & Co., Inc. | Neural network/expert system process control system and method |
JP4499601B2 (ja) * | 2005-04-01 | 2010-07-07 | 日精樹脂工業株式会社 | 射出成形機の制御装置 |
JP5016707B2 (ja) * | 2010-07-27 | 2012-09-05 | 日精樹脂工業株式会社 | 射出成形機のベルト監視装置 |
WO2013030984A1 (ja) * | 2011-08-31 | 2013-03-07 | 株式会社日立エンジニアリング・アンド・サービス | 設備状態監視方法およびその装置 |
JP5845374B1 (ja) * | 2015-08-05 | 2016-01-20 | 株式会社日立パワーソリューションズ | 異常予兆診断システム及び異常予兆診断方法 |
JP6140331B1 (ja) | 2016-04-08 | 2017-05-31 | ファナック株式会社 | 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム |
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 |
JP6426667B2 (ja) * | 2016-08-10 | 2018-11-21 | 三菱重工工作機械株式会社 | 工作機械の工具の異常検知装置及び方法 |
US10436615B2 (en) * | 2017-04-24 | 2019-10-08 | Carnegie Mellon University | Virtual sensor system |
WO2018229881A1 (ja) | 2017-06-13 | 2018-12-20 | 株式会社日本製鋼所 | スクリュ形状推定装置、スクリュ形状推定方法、スクリュ形状推定プログラム |
JP2020052821A (ja) | 2018-09-27 | 2020-04-02 | 株式会社ジェイテクト | 劣化判定装置および劣化判定システム |
WO2020136836A1 (ja) * | 2018-12-27 | 2020-07-02 | 株式会社Ihi | 異常診断装置、異常診断方法、異常診断プログラム、及び記録媒体 |
-
2019
- 2019-02-07 JP JP2019020411A patent/JP6975188B2/ja active Active
-
2020
- 2020-01-31 US US16/777,887 patent/US11731332B2/en active Active
- 2020-01-31 DE DE102020102370.7A patent/DE102020102370A1/de active Pending
- 2020-02-06 CN CN202010081629.9A patent/CN111531830A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060009874A1 (en) * | 2004-07-09 | 2006-01-12 | Fanuc Ltd | Monitoring device and monitoring method for injection molding machine |
JP2008009935A (ja) * | 2006-06-30 | 2008-01-17 | Kagawa Univ | データ処理装置,データ処理方法,作業機械の遠隔診断システム及び作業機械の遠隔診断方法 |
JP2008033902A (ja) * | 2006-06-30 | 2008-02-14 | Toshiba Corp | 警報装置 |
US20080065356A1 (en) * | 2006-09-12 | 2008-03-13 | Nissei Plastic Industrial Co., Ltd. | Anomaly monitoring method of an injection molding machine |
JP2007258731A (ja) * | 2007-04-23 | 2007-10-04 | Canon System Solutions Inc | プロセスと品質との関係についてのモデル作成装置及びモデル作成方法 |
CN101837627A (zh) * | 2009-03-19 | 2010-09-22 | 西格马斯株式会社 | 注射模成形机监视装置 |
CN102999020A (zh) * | 2011-09-14 | 2013-03-27 | 株式会社东芝 | 过程监视·诊断·支援装置 |
CN102909844A (zh) * | 2012-10-23 | 2013-02-06 | 东南大学 | 一种注塑机工件生产线的生产方法 |
JP2015090535A (ja) * | 2013-11-05 | 2015-05-11 | 服部 修 | 樹脂成形工程監視無線ネットワークシステム |
US20160330225A1 (en) * | 2014-01-13 | 2016-11-10 | Brightsource Industries (Israel) Ltd. | Systems, Methods, and Devices for Detecting Anomalies in an Industrial Control System |
JP2015142977A (ja) * | 2014-01-31 | 2015-08-06 | 日精樹脂工業株式会社 | 射出成形機の診断支援装置 |
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 |
JP2017102826A (ja) * | 2015-12-04 | 2017-06-08 | 株式会社Ihi | 異常診断装置、異常診断方法、及び、異常診断プログラム |
CN107379455A (zh) * | 2016-05-16 | 2017-11-24 | 发那科株式会社 | 加工单元以及加工单元管理系统 |
CN107656485A (zh) * | 2016-07-26 | 2018-02-02 | 双叶电子工业株式会社 | 测量设备、测量方法及程序 |
JP2018073258A (ja) * | 2016-11-02 | 2018-05-10 | 日本電信電話株式会社 | 検知装置、検知方法および検知プログラム |
CN108227633A (zh) * | 2016-12-13 | 2018-06-29 | 发那科株式会社 | 数值控制装置以及机器学习装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2020128014A (ja) | 2020-08-27 |
JP6975188B2 (ja) | 2021-12-01 |
US20200254670A1 (en) | 2020-08-13 |
DE102020102370A1 (de) | 2020-08-13 |
US11731332B2 (en) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111098464B (zh) | 状态判定装置和方法 | |
CN111531830A (zh) | 状态判定装置以及状态判定方法 | |
JP6826086B2 (ja) | 状態判定装置及び状態判定方法 | |
JP7010861B2 (ja) | 状態判定装置及び状態判定方法 | |
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 | |
CN108572006B (zh) | 状态诊断装置 | |
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 | |
JP7184997B2 (ja) | 状態判定装置及び状態判定方法 | |
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 | |
JP2021057064A (ja) | 状態判定装置及び状態判定方法 | |
WO2024089851A1 (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 |