CN111531831A - 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 PDF

Info

Publication number
CN111531831A
CN111531831A CN202010082605.5A CN202010082605A CN111531831A CN 111531831 A CN111531831 A CN 111531831A CN 202010082605 A CN202010082605 A CN 202010082605A CN 111531831 A CN111531831 A CN 111531831A
Authority
CN
China
Prior art keywords
data
learning
state determination
time
machine
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
Application number
CN202010082605.5A
Other languages
English (en)
Inventor
堀内淳史
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fanuc Corp filed Critical Fanuc Corp
Publication of CN111531831A publication Critical patent/CN111531831A/zh
Pending legal-status Critical Current

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
    • 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
    • B29C45/76—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
    • 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
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (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)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种状态判定装置以及状态判定方法。状态判定装置取得与工业机械有关的数据，根据该取得的数据生成使与该工业机械有关的数据内的物理量的时间序列数据在时间轴方向上进行了滑动后的多个部分时间序列数据，提取包含该多个部分时间序列数据的多个学习用数据，进行使用了该提取出的学习数据的机器学习来生成学习模型。

Description

状态判定装置以及状态判定方法
技术领域
本发明涉及状态判定装置以及状态判定方法，特别涉及对工业机械的维护进行辅助的状态判定装置以及状态判定方法。
背景技术
定期地或者在产生异常时进行注射成型机等工业机械的维护。在维护工业机械时，负责维护的人员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，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。作为工业机械，具有注射成型机、机床、矿山机械、木工机械、农业机械、建筑机械等。
例如，作为工业机械的一种即注射成型机所具备的注射缸的止回阀的维护作业，已知定期地从注射缸拔出螺杆，直接测量止回阀的尺寸的方法。但是，该方法必须暂时停止生产来进行测量作业，会有生产效率降低的问题。
为了解决这样的问题，例如作为不会因为从注射缸拔出螺杆等作业使生产暂时停止，而是间接地检测注射缸的止回阀的消耗量来诊断异常的方法，已知有检测施加给螺杆的旋转转矩，或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号公报中表示了测量作用于螺杆的旋转转矩，如果测定值超过容许范围则判定为异常。另外，在日本特开2017-030221号公报和日本特开2017-202632号公报中表示了通过对驱动部的负荷或树脂压力等进行监督学习来诊断异常。并且，在日本特开2018-097616号公报中表示了对多个时间序列数据进行机器学习来进行特征向量的聚类的学习方法。
但是，在构成注射成型机等工业机械的驱动部的要素的规格不同的机械中，构成该机械的器材、通过该机械进行处理的部件等各式各样，通过该机械得到的测定值和在机器学习时输入的学习数据的数值之间的偏离大，存在无法通过机器学习正确地进行诊断的问题。例如，当构成注射成型机的可动部的器材的种类、注射成型机所制造的成型品的原材料即树脂的种类或注射成型机的附带设备即金属模具、金属模具温度调节器、树脂干燥机等的种类与通过机器学习生成学习模型时的学习条件不同时，受这些种类的差异的影响，通过该机械得到的测定值与生成学习模型时使用的测定值之间产生偏离，因此无法通过机器学习正确地进行有无异常的状态判定。
在此，为了提高机器学习的诊断精度，在生成机器学习的学习模型时，具有准备多种多样的学习条件进行机器学习的方法。但是，聚齐多种多样的注射成型机、树脂、附带设备来进行机器学习需要高成本。而且，在运行机械时，还需要准备树脂和工件等原材料，为了取得学习数据而需要的原材料的成本也高。另外，取得学习数据的作业需要大量时间。因此，存在无法高效收集学习数据的问题。
发明内容
因此，希望一种状态判定装置以及状态判定方法，其根据从工业机械取得的测定值不需要花费高成本并且高效地进行机器学习，能够使用该学习结果来辅助各种工业机械的维护。
因此，在本发明的状态判定装置以及方法中，关于从工业机械取得的时间序列数据(电流、速度等)，以预定的数据数量为单位或以时间为单位使时间序列数据在时间轴方向上滑动(位移)来生成多个学习数据，对通过一个时间序列数据生成的多个学习数据进行机器学习，由此导出避免了机器学习时的过度学习的通用学习模型，实现高精度的动作状态和异常度的推定，由此解决上述问题。
本发明一方式的状态判定装置判定工业机械的动作状态，其具备：数据取得部，其取得与上述工业机械相关的数据；学习数据提取部，其根据上述数据取得部取得的与上述工业机械相关的数据，生成使与上述工业机械相关的数据内的物理量的时间序列数据在时间轴方向上进行了滑动后的多个部分时间序列数据，提取包含上述多个部分时间序列数据的多个学习用数据；以及学习部，其进行使用了上述学习数据提取部提取出的学习数据的机器学习，生成学习模型。
上述状态判定装置还可以具备推定部，该推定部进行使用了上述学习部生成的学习模型的上述工业机械的动作状态的推定。
上述状态判定装置还可以具备提取条件存储部，该提取条件存储部将上述学习数据提取部提取多个学习用数据的条件存储为预定时间或时间序列数据的范围内的数据数量，上述多个学习用数据包含使时间序列数据在时间轴方向上进行了滑动的多个部分时间序列数据。
上述工业机械是注射成型机，另外，上述数据取得部取得的时间序列数据包含用于对注射成型机的成型工序即闭模工序、模具夹紧工序、注射工序、保压工序、计量工序、开模工序、顶出工序、循环开始、循环结束进行识别的信息中的至少一个，另外，包含驱动上述注射成型机的原动机的电流、电压、转矩、位置、速度、加速度、与上述注射成型机的成型动作相关的压力、温度、流量、流速中的至少一个。
上述学习部可以是监督学习、无监督学习以及强化学习中的至少一个。
上述数据取得部所取得的时间序列的物理量可以是通过有线或无线网络连接的多个工业机械所具有的物理量中的至少一个。
上述推定部可以推定与上述工业机械的动作状态相关的异常度，另外，上述状态判定装置可以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在显示装置显示警告消息。
上述推定部可以推定与上述工业机械的动作状态相关的异常度，另外，上述状态判定装置可以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在显示装置显示警告图标。
上述推定部可以推定与上述工业机械的动作状态相关的异常度，另外，上述状态判定装置可以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，向工业机械输出运行的停止、减速或限制原动机的转矩的指令中的至少一个。
驱动上述工业机械的原动机是电动机、液压缸、液压马达、气动马达中的任意一个，驱动上述工业机械的传动机构可以包含滚珠丝杠、齿轮、滑轮、传动带中至少一个。
本发明另一方式的状态判定方法判定工业机械的动作状态，包含：数据取得步骤，取得与上述工业机械有关的数据；学习数据提取步骤，根据在上述数据取得步骤取得的与上述工业机械相关的数据，生成使与上述工业机械相关的数据内的物理量的时间序列数据在时间轴方向上进行了滑动后的多个部分时间序列数据，提取包含上述多个部分时间序列数据的多个学习用数据；以及学习步骤，进行使用了在上述学习数据提取步骤提取出的学习数据的机器学习，生成学习模型。
上述状态判定方法还可以包含推定步骤，在该推定步骤中，进行使用了在上述学习步骤生成的学习模型的上述工业机械的动作状态的推定。
本发明通过具有以上结构，高效地使用一个时间序列数据，从而能够实现收集多种多样的时间序列数据的作业的减轻和学习数据的高效收集。另外，根据一个时间序列数据生成多个学习数据来进行机器学习，由此能够期待机器学习判定精度的提高。
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是一个实施方式的状态判定装置的概略功能框图。
图3说明学习数据提取部进行的学习用数据的生成。
图4表示学习数据提取部生成滑动后的时间序列数据的处理的一例。
图5表示学习数据提取部生成滑动后的时间序列数据的处理的另一例。
图6表示异常状态的显示例。
具体实施方式
图1是表示一实施方式的具备了机器学习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，或者能够作为与控制工业机械的控制装置并列设置的个人电脑、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，以将本实施方式的状态判定装置1作为经由网络与控制装置相连接的计算机来进行安装的情况为例进行说明，上述控制装置对作为工业机械的注射成型机进行控制。
另外，在以下的各个实施方式中，作为工业机械以注射成型机为例进行说明，但是作为本发明的状态判定装置1的状态判定对象的工业机械，能够将注射成型机、机床、机器人、矿山机械、木工机械、农业机械、建筑机械等设为对象。
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整个状态判定装置1。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)进行支援的存储器或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：用于存储与状态判定装置1的动作相关的设定信息的设定区域、输入装置71输入的数据、经由网络7从注射成型机2取得的静态数据(机型、金属模具的质量和材质、树脂的种类等)、在注射成型机2的成型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、金属模具的温度、树脂的流量、流速、压力等)的时间序列数据、从未图示的外部存储装置或经由网络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在执行时/使用时可以在RAM13中展开。另外，在ROM12中预先写入了系统程序，该系统程序包含用于分析各种数据的公知的分析程序、用于控制与后述的机器学习装置100之间的交换的程序等。
状态判定装置1经由接口16与有线/无线的网络7连接。至少一个注射成型机2和对该注射成型机2的生产作业进行管理的管理装置3等与网络7连接，与状态判定装置1之间相互交换数据。
注射成型机2用于生产通过塑料等树脂成型的产品，是使作为材料的树脂熔化来填充(注射)到金属模具内而进行成型的机械。注射成型机2由喷嘴、原动机(电动机等)、传动机构、减速机、可动部等各种器材构成，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。作为注射成型机2所使用的原动机，例如使用电动机、液压缸、液压马达、气动马达等。另外，作为注射成型机2所使用的传动机构，使用滚珠丝杆、齿轮、滑轮、传动带等。
经由接口17在显示装置70输出并显示读入到存储器的各个数据、作为执行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。另外，由键盘和指点设备等构成的输入装置71将基于作业人员进行的操作的指令、数据等经由接口18传递给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具备综合控制整个机器学习装置100的处理器101、存储了系统程序等的ROM12、用于进行与机器学习相关的各处理中的暂时存储的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能够经由接口21观测状态判定装置1可取得的各种信息(例如，射成型机2的机型、金属模具的质量和材质、树脂种类等各种数据、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、金属模具的温度、树脂的流量、流速、压力等各种物理量的时间序列数据)。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，存储或显示所取得的结果，或者经由网络7等发送给其他的装置。
图2是一个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。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执行各自的系统程序来控制状态判定装置1以及机器学习装置100的各部的动作，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以及推定部120。另外，在状态判定装置1的非易失性存储器14中设置用于存储从外部的机械等取得的数据的取得数据存储部50以及用于存储从取得数据中提取学习用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中设置学习模型存储部130，该学习模型存储部130存储通过学习部110的机器学习而构筑的学习模型。
数据取得部30取得从注射成型机2以及输入装置71等输入的各种数据。数据取得部30例如取得注射成型机2的机型、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、金属模具的温度、树脂的流量、流速、压力等各种物理量的时间序列数据、用于对注射成型机2的成型工序即闭模工序、模具夹紧工序、注射工序、保压工序、计量工序、开模工序、顶出工序、循环开始、循环结束进行识别的信息(与时间关联地取得的信息，因此这些也称为一种时间序列数据)、作业人员输入的与注射成型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在取得时间序列数据时，根据从注射成型机2取得的信号数据、其他时间序列数据的变化等，使在预定的时间范围(例如一个循环的成型工序的范围)取得的时间序列数据成为一个时间序列数据后存储在取得数据存储部50中。数据取得部30也可以从未图示的外部存储装置或经由有线/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在学习部110进行的机器学习的阶段，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(并且存储在取得数据存储部50中的)取得数据提取学习所使用的数据。在提取条件存储部52中预先设定了要提取的一个时间序列数据(部分时间序列数据)的时间宽度Wd(例如，与一个循环的成型工序的范围一致的时间)、使时间序列数据滑动(位移)的滑动量Δt。关于滑动量Δt的设定值，例如设为比时间宽度Wd小的数值，或设定与注射成型机2的成型工序即闭模工序、模具夹紧工序、注射工序、保压工序、计量工序、开模工序、顶出工序一致的时间。另外，关于滑动量Δt的设定单位，可以通过时间单位来设定，也可以设为取得数据的数据数量单位。
如图3所示，学习数据提取部32对于存储在取得数据存储部50中的各个取得数据，生成使该取得数据中包含的时间序列数据在时间轴上进行了滑动后的多个时间序列数据，提取分别包含所生成的多个时间序列数据的多个取得数据来作为学习用数据。这里所说的生成使时间序列数据在时间轴上进行滑动后的时间序列数据是指如图4所示，关于成为对象的一连串的时间序列数据，以时间宽度Wd生成使开始时刻每次挪动了预定滑动量Δt后的部分时间序列数据。
取得数据例如包含不随着时间推移发生变化的静态数据、记录与时间推移相伴的变化的时间序列数据。学习数据提取部32从其中的时间序列数据生成在时间轴上进行了滑动后的多个部分时间序列数据，并提取将这些部分时间序列数据分别与静态数据组合后的多个取得数据。
例如，在将作为静态数据包含机型名称：FN-1、树脂的种类：RE1，作为时间序列数据包含电流：ECi的取得数据(FN-1，RE1，ECi)作为学习用数据的提取对象时，当在提取条件存储部52中存储的提取条件中设定为以时间宽度Wd生成每次滑动了滑动量Δt后的部分时间序列数据的情况下，学习数据提取部32生成使时间序列数据ECi在时间轴上每次滑动了Δt的时间宽度Wd的部分时间序列数据ECi1～ECin，提取将这些n个部分时间序列数据与静态数据FN-1以及RE1分别组合后的n个数据(FN-1，RE1，ECi1)～(FN-1，RE1，ECin)来作为学习用数据。
作为其他例子，例如在将作为静态数据包含机型名称：FN-1、树脂的种类：RE1，作为时间序列数据包含电流：ECi、压力：PR的取得数据(FN-1，RE1，ECi，PR)作为学习用数据的提取对象时，当在提取条件存储部52中存储的提取条件中设定为以时间宽度Wd生成每次滑动了滑动量Δt后的部分时间序列数据的情况下，学习数据提取部32(1)根据时间序列数据ECi生成在时间轴上每次滑动了Δt后的时间宽度Wd的部分时间序列数据ECi1～ECin，并且(2)生成使时间序列数据PR在时间轴上每次滑动了Δt后的时间宽度Wd的部分时间序列数据PR1～PRn，(3)提取将这些n个部分时间序列数据与静态数据FN-1以及RE1分别组合后的n个数据(FN-1，RE1，ECi1，PR1)，(FN-1，RE1，ECi2，PR2)～(FN-1，RE1，ECin，PRn)作为学习用数据。
如此，当取得数据中包含多个时间序列数据时，关于根据各个时间序列数据生成的部分时间序列数据，将滑动了相同滑动量的时间序列数据作为组来生成学习用数据。这是意味着在包含多个时间序列数据时，学习相同时刻的各个时间序列数据的变化。
另外，如图5所示，提取条件存储部52还可以包含根据取得数据中包含的时间序列数据生成的部分时间序列数据的提取开始位置St。提取开始位置St例如可以通过注射成型机2的动作中的预定工序或循环的开始定时等来进行设定，也可以设定对该工序或循环的开始定时相加了预定的时间宽度Δtd的提取开始位置。
与部分时间序列数据的时间宽度Wd以及滑动量Δt相符地设定这些部分时间序列数据的提取开始位置St，由此例如能够从存储在取得数据存储部50中的时间序列数据中提取多个部分时间序列数据来作为学习用数据，其中，该多个部分时间序列数据包含有展现预定工序的波形(例如，图4中的电流值的波形上下振动的注射工序)。
预处理部34在机器学习装置100的机器学习的阶段，根据学习数据提取部32提取出的学习用数据来生成在机器学习装置100的学习中使用的学习数据。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中进行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进行监督学习时，生成该学习的预定形式的状态数据S以及标签数据L的组合来作为学习数据，在机器学习装置100进行强化学习时，生成该学习的预定形式的状态数据S以及判定数据D的组合来作为学习数据。
另外，预处理部34在机器学习装置100的推定阶段，将数据取得部30取得(并且存储在取得数据存储部50中)的取得数据转换(数值化、采样等)为在机器学习装置100中进行处理的统一形式，生成在机器学习装置100的推定中使用的预定形式的状态数据S。
机器学习装置100的学习部110使用预处理部34根据学习提取部32提取出的学习用数据生成的学习数据进行机器学习。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来进行使用了从注射成型机2取得的数据的机器学习，由此生成学习模型，并将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autoencoder(自动编码器)法、k-means(k-均值)法等，作为监督学习的方法例如列举multilayer perceptron(多层感知器)法、recurrent neural network(循环神经网络)法、Long Short-Term Memory(长短期记忆)法、convolutional neuralnetwork(卷积神经网络)法等，另外作为强化学习的方法例如举出Q学习等。
学习部110例如进行基于学习数据的无监督学习，能够生成在正常状态下取得的数据的分布来作为学习模型，上述学习数据是由学习数据提取部32以及预处理部34对从正常动作状态的注射成型机2取得的取得数据进行处理而得到的。后述的推定部120能够使用这样生成的学习模型，推定由预处理部34对从注射成型机2取得的取得数据进行处理而得到的状态数据S相对于在正常状态下动作时取得的状态数据偏离多少，并计算作为推定结果的异常度。
另外，学习部110例如对于从正常动作状态的注射成型机取得的取得数据赋予正常标签，另一方面，对于在异常发生前后从注射成型机2取得的取得数据赋予异常标签，使用学习数据提取部32以及预处理部34对取得数据进行处理而得到的学习数据进行监督学习，能够生成正常数据与异常数据之间的判别界限作为学习模型。后述的推定部120使用这样生成的学习模型，将由预处理部34对从注射成型机2取得的取得数据进行处理而得到的状态数据S输入给学习模型，能够推定状态数据S属于正常数据还是属于异常数据，并计算作为推定结果的标签值(正常/异常)及其可靠度。
机器学习装置100的推定部120根据预处理部34生成的状态数据S，使用学习模型存储部130中存储的学习模型进行注射成型机的状态推定。在本实施方式的推定部120中，将预处理部34得到的状态数据S输入给由学习部110生成(决定了参数)的学习模型，由此推定并计算与注射成型机的状态有关的异常度，或者推定并计算注射成型机的动作状态所归属的类(正常/异常等)。将推定部120推定出的结果(与注射成型机的状态相关的异常度、注射成型机的动作状态所归属的类等)在显示装置70中进行显示输出，或者经由未图示的有线/无线网络发送输出给主计算机或云计算机等。另外，状态判定装置1在推定部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预先决定的预定阈值时、推定部120推定出的注射成型机的动作状态所归属的类为“异常”时等)，例如，如图6所示，可以在显示装置70进行警告消息或图标的显示输出，也可以对注射成型机输出运行的停止、减速或限制原动机的转矩的指令等。
在具备上述结构的状态判定装置1中，学习数据提取部32生成按照在提取条件存储部52中存储的提取条件使从注射成型机取得的取得数据中包含的时间序列数据在时间轴上进行了滑动后的多个部分时间序列数据，由此从一个取得数据生成多个学习用数据。如此，能够根据从有限的注射成型机2的动作得到的预定数量的取得数据生成大量学习数据，因此机器学习装置100中包含的学习部110无需花费高成本，为了辅助各种工业机械的维护能够高效地推进学习，并且能够生成可灵活应对时间轴方向的波形偏移的学习模型。
本实施方式的状态判定装置1可适用于进行机器人或机床等工业机械的状态判定的情况，但是能够恰当地用于例如在运行开始时或运行条件变更时等进行不稳定举动的工业机械。特别是关于注射成形机的动作，即使在相同的注射条件下运行时，有时根据机械内部的状态或外部的状态使得机械的动作产生延迟。即使在这样的情况下，注射成型机的成型动作自身是正常的，因此为了不将这样的数据判定为异常，需要作为正常动作的用于学习的学习用数据。本实施方式的状态判定装置1即使没有特别取得如此在机械的动作中产生了延迟时的数据等，也能够根据一般能够取得的取得数据，使时间序列数据滑动来生成多个学习用数据，因此特别是对注射成型机的状态判定有用。
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，能够通过增加适当的变更以各种方式来实施。
例如，在上述实施方式中将状态判定装置1和机器学习装置100说明为具有不同CPU(处理器)的装置，但是机器学习装置100也可以通过状态判定装置1所具备的CPU11和ROM12中存储的系统程序来实现。另外，当多个注射成型机2经由网络相互连接时，可以通过一个状态判定装置1判定多个注射成型机的动作状态，可以在注射成型机所具备的控制装置上安装状态判定装置1。

Claims (12)

1.一种状态判定装置，其判定工业机械的动作状态，其特征在于，
上述状态判定装置具备：
数据取得部，其取得与上述工业机械相关的数据；
学习数据提取部，其根据上述数据取得部取得的与上述工业机械相关的数据，生成使与上述工业机械相关的数据内的物理量的时间序列数据在时间轴方向上进行了滑动后的多个部分时间序列数据，提取包含上述多个部分时间序列数据的多个学习用数据；以及
学习部，其进行使用了上述学习数据提取部提取出的学习数据的机器学习，生成学习模型。
2.根据权利要求1所述的状态判定装置，其特征在于，
上述状态判定装置还具备推定部，该推定部进行使用了上述学习部生成的学习模型的上述工业机械的动作状态的推定。
3.根据权利要求1所述的状态判定装置，其特征在于，
上述状态判定装置还具备提取条件存储部，该提取条件存储部将上述学习数据提取部提取多个学习用数据的条件存储为预定时间或时间序列数据的范围内的数据数量，上述多个学习用数据包含使时间序列数据在时间轴方向上进行了滑动后的多个部分时间序列数据。
4.根据权利要求1或2所述的状态判定装置，其特征在于，
上述工业机械是注射成型机，
上述数据取得部取得的时间序列数据包含用于对上述注射成型机的成型工序即闭模工序、模具夹紧工序、注射工序、保压工序、计量工序、开模工序、顶出工序、循环开始以及循环结束进行识别的信息中的至少一个，
上述数据取得部取得的时间序列数据包含驱动上述注射成型机的原动机的电流、电压、转矩、位置、速度、加速度、与上述注射成型机的成型动作相关的压力、温度、流量、流速中的至少一个。
5.根据权利要求1所述的状态判定装置，其特征在于，
上述学习部是监督学习、无监督学习以及强化学习中的至少一个。
6.根据权利要求1或2所述的状态判定装置，其特征在于，
上述数据取得部取得的时间序列的物理量是通过有线或无线网络连接的多个工业机械所具有的物理量中的至少一个。
7.根据权利要求2所述的状态判定装置，其特征在于，
上述推定部推定与上述工业机械的动作状态相关的异常度，
上述状态判定装置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在显示装置显示警告消息。
8.根据权利要求2所述的状态判定装置，其特征在于，
上述推定部推定与上述工业机械的动作状态相关的异常度，
上述状态判定装置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在显示装置显示警告图标。
9.根据权利要求2所述的状态判定装置，其特征在于，
上述推定部推定与上述工业机械的动作状态相关的异常度，
上述状态判定装置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，向工业机械输出运行的停止、减速或限制原动机的转矩的指令中的至少一个。
10.根据权利要求1或2所述的状态判定装置，其特征在于，
驱动上述工业机械的原动机是电动机、液压缸、液压马达、气动马达中的某一个，
驱动上述工业机械的传动机构包含滚珠丝杠、齿轮、滑轮、传动带中至少一个。
11.一种状态判定方法，其判定工业机械的动作状态，其特征在于，
上述状态判定方法包含：
数据取得步骤，取得与上述工业机械有关的数据；
学习数据提取步骤，根据在上述数据取得步骤取得的与上述工业机械相关的数据，生成使与上述工业机械相关的数据内的物理量的时间序列数据在时间轴方向上进行了滑动后的多个部分时间序列数据，提取包含上述多个部分时间序列数据的多个学习用数据；以及
学习步骤，进行使用了在上述学习数据提取步骤提取出的学习数据的机器学习，生成学习模型。
12.根据权利要求11所述的状态判定方法，其特征在于，
上述状态判定方法还包含推定步骤，在该推定步骤中，进行使用了在上述学习步骤生成的学习模型的上述工业机械的动作状态的推定。
CN202010082605.5A 2019-02-07 2020-02-07 状态判定装置以及状态判定方法 Pending CN111531831A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-020409 2019-02-07
JP2019020409A JP7010861B2 (ja) 2019-02-07 2019-02-07 状態判定装置及び状態判定方法

Publications (1)

Publication Number Publication Date
CN111531831A true CN111531831A (zh) 2020-08-14

Family

ID=71739265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010082605.5A Pending CN111531831A (zh) 2019-02-07 2020-02-07 状态判定装置以及状态判定方法

Country Status (4)

Country Link
US (1) US20200254671A1 (zh)
JP (1) JP7010861B2 (zh)
CN (1) CN111531831A (zh)
DE (1) DE102020102368A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
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
DE112020006661T5 (de) * 2020-04-06 2022-11-24 Mitsubishi Electric Corporation Merkmalsmenge-extrahierungseinrichtung, zeitsequentielle inferenzvorrichtung,zeitsequentielles lernsystem, zeitsequentielles merkmalsemengeextrahierungsverfahren,zeitsequentielles inferenzverfahren und zeitsequentielles lernverfahren
JP2022113523A (ja) * 2021-01-25 2022-08-04 株式会社日本製鋼所 コンピュータプログラム、異常検知方法、異常検知装置、成形機システム及び学習モデル生成方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102343655A (zh) * 2010-07-27 2012-02-08 日精树脂工业株式会社 注射成型机的带监视装置
US20160077498A1 (en) * 2014-09-16 2016-03-17 Toshiba Kikai Kabushiki Kaisha Abnormality detecting device of power transmitting means, molding apparatus, and abnormality detecting method of power transmitting means
JP2016221660A (ja) * 2015-06-03 2016-12-28 富士通株式会社 判定方法、判定プログラム及び判定装置
US20170028593A1 (en) * 2015-07-31 2017-02-02 Fanuc Corporation Failure cause diagnostic device for injection molding machine
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

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103930912A (zh) * 2011-11-08 2014-07-16 国际商业机器公司 时序数据分析方法、系统和计算机程序
US20160217379A1 (en) * 2015-01-27 2016-07-28 University Of Southern California Shapelet-Based Oilfield Equipment Failure Prediction and Detection
US10643138B2 (en) * 2015-01-30 2020-05-05 Micro Focus Llc Performance testing based on variable length segmentation and clustering of time series data
MX364165B (es) * 2015-06-19 2019-04-15 Tata Consultancy Services Ltd Métodos y sistemas para la busqueda de patrones lógicos.
GB2547712A (en) * 2016-02-29 2017-08-30 Fujitsu Ltd Method and apparatus for generating time series data sets for predictive analysis
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
WO2017213063A1 (ja) * 2016-06-08 2017-12-14 日本電気株式会社 システム分析装置、システム分析方法およびプログラム記録媒体
JP6953812B2 (ja) * 2017-06-12 2021-10-27 富士電機株式会社 異常検出装置及び異常検出システム
JP6804099B2 (ja) * 2018-02-20 2020-12-23 伸和コントロールズ株式会社 状態監視装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102343655A (zh) * 2010-07-27 2012-02-08 日精树脂工业株式会社 注射成型机的带监视装置
US20160077498A1 (en) * 2014-09-16 2016-03-17 Toshiba Kikai Kabushiki Kaisha Abnormality detecting device of power transmitting means, molding apparatus, and abnormality detecting method of power transmitting means
JP2016221660A (ja) * 2015-06-03 2016-12-28 富士通株式会社 判定方法、判定プログラム及び判定装置
US20170028593A1 (en) * 2015-07-31 2017-02-02 Fanuc Corporation Failure cause diagnostic device for injection molding machine
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

Also Published As

Publication number Publication date
JP7010861B2 (ja) 2022-01-26
US20200254671A1 (en) 2020-08-13
JP2020128013A (ja) 2020-08-27
DE102020102368A1 (de) 2020-08-13

Similar Documents

Publication Publication Date Title
CN111098464B (zh) 状态判定装置和方法
CN110920009B (zh) 状态判定装置以及状态判定方法
JP6975188B2 (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
CN111531831A (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
US11531319B2 (en) Failure prediction device and machine learning device
US20190118443A1 (en) State determination device
CN110962315B (zh) 状态判定装置以及状态判定方法
WO2022075224A1 (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
JP7184997B2 (ja) 状態判定装置及び状態判定方法
CN116034006A (zh) 状态判定装置以及状态判定方法
CN111175596B (zh) 状态判定装置以及状态判定方法
JP2021057064A (ja) 状態判定装置及び状態判定方法

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