CN112060520B - 机器学习装置、预测装置以及控制装置 - Google Patents
机器学习装置、预测装置以及控制装置 Download PDFInfo
- Publication number
- CN112060520B CN112060520B CN202010526372.3A CN202010526372A CN112060520B CN 112060520 B CN112060520 B CN 112060520B CN 202010526372 A CN202010526372 A CN 202010526372A CN 112060520 B CN112060520 B CN 112060520B
- Authority
- CN
- China
- Prior art keywords
- molding
- mold
- learning
- state information
- prediction
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 40
- 238000000465 moulding Methods 0.000 claims abstract description 122
- 238000001746 injection moulding Methods 0.000 claims abstract description 75
- 229920005989 resin Polymers 0.000 claims abstract description 32
- 239000011347 resin Substances 0.000 claims abstract description 32
- 239000000654 additive Substances 0.000 claims abstract description 19
- 230000000996 additive effect Effects 0.000 claims abstract description 18
- 238000002347 injection Methods 0.000 description 16
- 239000007924 injection Substances 0.000 description 16
- 238000000034 method Methods 0.000 description 13
- 238000005299 abrasion Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000003365 glass fiber Substances 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003822 epoxy resin Substances 0.000 description 3
- 229920000647 polyepoxide Polymers 0.000 description 3
- 229920000728 polyester Polymers 0.000 description 3
- 239000003381 stabilizer Substances 0.000 description 3
- 229920005992 thermoplastic resin Polymers 0.000 description 3
- 229920001187 thermosetting polymer Polymers 0.000 description 3
- 239000000243 solution Substances 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- -1 i.e. Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 229920005749 polyurethane resin Polymers 0.000 description 1
- 239000004800 polyvinyl chloride Substances 0.000 description 1
- 229920000915 polyvinyl chloride Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- B29C45/76—Measuring, controlling or regulating
- B29C45/7626—Measuring, controlling or regulating the ejection or removal of moulded articles
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明提供一种机器学习装置、预测装置以及控制装置，每次进行注射成形时预测成形后的模具状态。机器学习装置具有：输入数据取得部，其取得包含任意的成形条件和状态信息的输入数据，所述成形条件至少包含任意注射成形机进行任意成形品的成形中树脂的种类、添加剂的种类、所述添加剂的混合率、以及所述树脂的温度，所述状态信息表示所述成形条件涉及的成形前的模具的摩损量；标签取得部，其取得标签数据，该标签数据表示所述输入数据所包含的所述成形条件涉及的成形后的所述模具的状态信息；学习部，其使用由所述输入数据取得部取得的输入数据和由所述标签取得部取得的标签数据来执行监督学习，生成学习完成模型。
Description
技术领域
本发明涉及机器学习装置、预测装置以及控制装置。
背景技术
例如通过注射成形机将树脂注射到模具中来成形塑料等树脂制品(以下，也称为“成形品”)。所述成形品的品质因材料即树脂的种类或树脂温度、注射速度、注射压力等成形条件而发生变化。因此，要求每当对成形品进行成形时预先设定适当的成形条件。
例如，已知如下技术：根据用试成形而获得良品时使用的多个成形条件以及所述良品的品质值来确定神经网络，使用该神经网络与多个成形条件的变化对应地，对品质值怎样变化进行目视确认，由此来设定适当的成形条件。例如，参照专利文献1。
现有技术文献
专利文献1：日本特开2008－110486号公报
但是，用于成形的模具因随着重复注射成形而与熔融树脂之间的摩擦和/或对树脂添加的添加剂而产生的腐蚀性气体等而发生磨损。由此，导致成形所得的成形品的尺寸精度以及表面精度降低。该情况下，通过将磨损的模具更换为新模具，可以恢复尺寸精度以及表面精度等成形品的品质。
更换模具(寿命)的时刻例如通过喷射次数等来判断，但是模具状态因包含树脂种类在内的成形条件而发生变化。因此，判断更换模具的时刻变得困难，要求作业员有相应的经验。
发明内容
因此，希望每次注射成形时预测成形后的模具状态。
(1)本公开的机器学习装置的一方式，具有：输入数据取得部，其取得包含任意的成形条件和状态信息的输入数据，所述成形条件至少包含任意注射成形机进行任意成形品的成形中树脂的种类、添加剂的种类、所述添加剂的混合率、以及所述树脂的温度，所述状态信息表示所述成形条件涉及的成形前的模具的摩损量；标签取得部，其取得标签数据，该标签数据表示所述输入数据所包含的所述成形条件涉及的成形后的所述模具的状态信息；学习部，其使用由所述输入数据取得部取得的输入数据和由所述标签取得部取得的标签数据来执行监督学习，生成学习完成模型。
(2)本公开的预测装置的一方式，具有：学习完成模型，其由(1)的机器学习装置生成；输入部，其在注射成形机进行的成形之前，输入此后要进行的成形条件和当前的模具的状态信息；预测部，其将由所述输入部输入的所述此后要进行的成形条件和所述当前的模具的状态信息输入到所述学习完成模型，预测所述此后要进行的成形条件涉及的成形后的所述模具的状态信息。
(3)本公开的控制装置的一方式，具有(2)的预测装置。
发明效果
根据一方式，可以每次进行注射成形时预测成形后的模具状态。
附图说明
图1是表示一实施方式涉及的注射成形系统的功能结构例的功能框图。
图2是表示提供给图1的预测装置的学习完成模型的一例的图。
图3是表示模具磨损量的一例的图。
图4是对应用阶段中的预测装置的预测处理进行说明的流程图。
图5是表示注射成形系统的结构的一例的图。
图6是表示注射成形系统的结构的一例的图。
符号说明
10 注射成形机
15 控制装置
20 预测装置
201 输入部
202 预测部
203 决定部
250 学习完成模型
30 机器学习装置
301 输入数据取得部
302 标签取得部
303 学习部
50 服务器
具体实施方式
以下，使用附图对本公开的一实施方式进行说明。
＜一实施方式＞
图1是表示一实施方式涉及的注射成形系统的功能结构例的功能框图。如图1所示，注射成形系统具有：注射成形机10、预测装置20以及机器学习装置30。
注射成形机10、预测装置20以及机器学习装置30可以经由未图示的连接接口而彼此直接连接。此外，注射成形机10、预测装置20以及机器学习装置30可以经由LAN(LocalArea Network)或互联网等未图示的网络而相互连接。此时，注射成形机10、预测装置20以及机器学习装置30具有通过这样的连接而相互进行通信的未图示的通信部。另外，如后述那样，注射成形机10可以包含预测装置20以及机器学习装置30。
注射成形机10对于本领域技术人员来说是公知的注射成形机，通过装入而具有控制装置15。注射成形机10根据控制装置15的动作指令来进行动作。另外，控制装置15与注射成形机10也可以是独立的装置。
控制装置15对于本领域技术人员来说是公知的数值控制装置，根据控制信息来生成动作指令，将生成的动作指令发送给注射成形机10。由此，控制装置15控制注射成形机10的动作。此外，控制装置15可以经由未图示的注射成形机10的通信部将所述控制信息输出给预测装置20。另外，控制信息包含设定给控制装置15的加工程序以及参数值。
预测装置20在应用阶段中可以在注射成形机10进行的注射成形之前，取得来自控制装置15的控制信息所包含的、此后要进行的成形条件。此外，预测装置20可以从控制装置15取得设置在注射成形机10的当前的模具的状态信息。预测装置20通过将取得的此后要进行的成形条件与当前的模具状态信息，输入到由后述的机器学习装置30提供的学习完成模型，可以预测成形后的模具状态信息。
另外，关于模具的磨损，因对树脂添加的添加剂而产生的腐蚀性气体、以及与混合了玻璃纤维等添加剂的熔融树脂之间的摩擦导致的影响是主要原因。因此，由于考虑到腐蚀性气体以及与熔融树脂之间的摩擦的影响，因此在成形条件中包含树脂(材料)的种类(环氧基树脂或聚氨酯树脂等热固性树脂、聚酯或聚氯乙烯等热塑性树脂)、添加剂的种类(玻璃纤维、稳定剂、着色剂等)、添加剂的混合率、以及树脂温度。此外，在成形条件中还可以包含模具表面的温度、保压与保压时间之积、注射速度、注射压力、注射量以及目前为止的喷射次数。
此外，如后述那样，状态信息包含模具磨损量。
在对预测装置20进行说明前，对“模具磨损量”以及生成学习完成模型的机器学习进行说明。
＜关于模具磨损量＞
如上所述，“模具磨损量”表示因对树脂添加的添加剂而产生的腐蚀性气体、以及与混合了玻璃纤维等添加剂的熔融树脂之间的摩擦，而在设置于注射成形机10的模具中磨损的量。在检查成形品的尺寸时，作为尺寸精度恶化的部分，通过新更换了所述模具的开始注射成形时的成形品(第一个等)的尺寸、与此后注射成形所得的成形品的尺寸之差来计算“模具磨损量”。即，开始注射成形时的成形品的尺寸彼此相同，“模具磨损量”为“0％”。并且，“模具磨损量”是随着重复注射成形而变大的值，成形品的尺寸的允许界限值(磨损量的允许界限值)是“100％”。
另外，将“模具磨损量”设为“0％”～“100％”的范围的百分比值，但是，“模具磨损量”例如也可以是“0”～“1”的范围的值等。
＜机器学习装置30＞
机器学习装置30例如预先取得任意注射成形机进行的注射成形中的任意成形条件、以及包含所述成形条件涉及的成形前的模具的摩损量的状态信息来作为输入数据。
此外，机器学习装置30取得表示所取得的输入数据中成形条件涉及的成形后的模具摩损量的数据作为标签(正确解)。
机器学习装置30通过取得的输入数据与标签的组的训练数据来进行监督学习，构建后述的学习完成模型。
这样，机器学习装置30可以将构建出的学习完成模型提供给预测装置20。
对机器学习装置30进行具体说明。
如图1所示，机器学习装置30具有：输入数据取得部301、标签取得部302、学习部303以及存储部304。
输入数据取得部301在学习阶段中，从控制装置15等经由未图示的通信部取得任意成形条件、以及包含所述成形条件涉及的成形前的模具摩损量的状态信息作为输入数据。输入数据取得部301将所取得的输入数据输出给存储部304。
标签取得部302取得表示输入数据中成形条件涉及的成形后的模具摩损量的数据作为标签数据(正确解数据)，将所取得的标签数据输出给存储部304。
学习部303受理上述的输入数据与标签的组作为训练数据，使用受理的训练数据进行监督学习，由此，根据此后要进行的成形条件以及当前的模具摩损量的状态信息，来构建预测成形后的模具摩损量的学习完成模型250。
并且，学习部303将构建出的学习完成模型250提供给预测装置20。
另外，希望准备多个用于进行监督学习的训练数据。例如，可以从在顾客工厂等实际运转的各种场所的注射成形机10的控制装置15分别取得训练数据。
图2是表示提供给图1的预测装置20的学习完成模型250的一例的图。这里，如图2所示，例示出学习完成模型250为以树脂的种类或添加剂的种类等此后要进行的成形条件、以及当前的模具摩损量的状态信息作为输入层，以表示所述成形条件涉及的成形后的模具的“摩损量”的数据为输出层的多层神经网络。
这里，此后要进行的成形条件中包含树脂(材料)的种类(环氧基树脂等热固性树脂、聚酯等热塑性树脂)、添加剂的种类(玻璃纤维、稳定剂、着色剂等)、模具表面的温度、保压与保压时间之积、树脂温度、注射速度、注射压力、注射量、以及目前为止的喷射次数。
另外，此后要进行的成形条件中还可以包含模具的信息(浇口、流道、出入口、型腔等各部分的路径的大小(截面积尺寸)、容积、表面积等)、成形品的信息(形状、尺寸、壁厚等)等。模具的信息以及成形品的信息例如可以通过输入到控制装置15的CAD(Computer-Aided Design)图纸等来取得。
此外，学习部303在构建出学习完成模型250后，在取得新的训练数据时，对学习完成模型250进一步进行监督学习，由此，可以对曾经构建出的学习完成模型250进行更新。
上述的监督学习可以通过在线学习来进行。此外，监督学习也可以通过批量学习来进行。此外，监督学习还可以通过小批量学习来进行。
所谓在线学习是如下学习方法：每当进行注射成形机10的注射成形、制作训练数据时，立即进行监督学习。此外，所谓批量学习是如下学习方法：在重复进行注射成形机10的注射成形、制作训练数据的期间，重复收集对应的多个训练数据，使用收集到的所有训练数据来进行监督学习。并且，所谓小批量学习是在线学习与批量学习中间的，是每当积攒某种程度训练数据时进行监督学习的学习方法。
存储部304是RAM(Random Access Memory)等，存储由输入数据取得部301取得的输入数据、由标签取得部302取得的标签数据、以及由学习部303构建出的学习完成模型250等。
以上，对生成预测装置20具有的学习完成模型250的机器学习进行了说明。
接下来，对应用阶段中的预测装置20进行说明。
＜应用阶段中的预测装置20＞
如图1所示，应用阶段中的预测装置20构成为包含输入部201、预测部202、决定部203、通知部204以及存储部205。
另外，预测装置20为了实现图1的功能块的动作，而具有CPU(Central ProcessingUnit)等未图示的运算处理装置。此外，预测装置20具有存储了各种控制用程序的ROM(ReadOnly Memory)或HDD等未图示的辅助存储装置、存储运算处理装置执行程序后临时需要的数据的RAM这样的未图示的主存储装置。
并且，预测装置20中，运算处理装置从辅助存储装置读入OS或应用软件，一边在主存储装置展开读入的OS或应用软件，一边进行基于这些OS或应用软件的运算处理。预测装置20根据该运算结果来控制各硬件。由此，实现图1的功能块涉及的处理。也就是说，预测装置20可以通过硬件与软件协作来进行实现。
输入部201在注射成形机10进行的注射成形之前，例如从控制装置15的控制信息，输入此后要进行的成形条件以及当前的模具磨损量的状态信息。输入部201将取得的此后要进行的成形条件、以及当前的模具磨损量的状态信息输出给预测部202。
预测部202将此后要进行的成形条件、以及当前的模具磨损量的状态信息输入到图2的学习完成模型250，预测成形后的模具的“磨损量”的状态信息。
决定部203根据由预测部202预测出的成形后的模具磨损量的状态信息，来判定是否更换模具。
更具体来说，决定部203根据模具磨损量的预测值与预先设定的阈值的比较，来判定更换模具的最佳时间日期。
图3是表示模具磨损量的一例的图。如图3所示，例如模具磨损量作为新品时的初始值是“0％”，因注射成形机10重复用于注射成形导致其磨损量增加。例如，在模具磨损量是“0％”～不足“80％”的范围时，模具正常发挥功能。另一方面，在磨损量为“80％”以上时，模具无法正常发挥功能。
在以下说明中，将磨损量“80％”作为阈值α。另外，也可以根据设置有注射成形机10的工厂环境等适当地设定阈值α。
决定部203判定由预测部202预测出的模具磨损量是否比阈值α小。决定部203在预测出的模具磨损量比阈值α小时，在由输入部201输入的成形条件涉及的成形前，判定为不更换模具。另一方面，决定部203在预测出的模具磨损量为阈值α以上时，将输入的成形条件涉及的成形前判定为更换模具时间日期。
通知部204可以将判定出的更换模具的指示输出给注射成形机10和/或控制装置15所包含的液晶监视器等输出装置(未图示)。
这样，通知部204可以将由决定部203判定出的更换模具的最佳时间日期推荐给用户(操作员)。此外，通知部204可以经由扬声器(未图示)通过声音来进行通知。
存储部205是ROM或HDD等，可以存储各种控制用程序和学习完成模型250。
＜应用阶段中的预测装置20的预测处理＞
接下来，对本实施方式涉及的预测装置20的预测处理涉及的动作进行说明。
图4是对应用阶段中的预测装置20的预测处理进行说明的流程图。
步骤S11中，输入部201在注射成形机10进行的注射成形之前，根据控制装置15的控制信息，输入此后要进行的成形条件以及当前的模具磨损量的状态信息。
步骤S12中，预测部202将在步骤S11中输入的、此后要进行的成形条件以及模具磨损量的状态信息输入到学习完成模型250，预测成形后的模具磨损量的状态信息。
步骤S13中，决定部203根据步骤S12中预测出的成形后的模具磨损量的预测值与阈值α的比较，来判定在成形前是否更换模具。在判定为更换模具时，处理向步骤S14前进，在判定为不更换模具时，处理结束。
步骤S14中，通知部204通知步骤S13中决定的更换模具的指示。
通过以上，一实施方式涉及的预测装置20在注射成形机10进行的注射成形之前，将所述成形涉及的此后要进行的成形条件以及包含当前的模具磨损量的状态信息输入到学习完成模型250，预测成形后的模具磨损量的状态信息。并且，预测装置20可以根据预测出的成形后的模具磨损量的预测值与阈值的比较，事先检测成形过程中是否需要更换模具。
即，预测装置20能够事先预测进行多少注射成形时模具以怎样的程度磨损，能够将此后要进行的成形条件涉及的成形前检测为更换模具的最佳时间日期。此外，预测装置20可以预测各种形状的模具的磨损量。
此外，注射成形系统知晓更换模具的时间日期(寿命)，因此，可以通过更换模具来减少不良品的产生。
此外，预测装置20通过使用学习完成模型250，作业员不需要判断更换模具的必要性，能够减轻作业员的负担。
以上，对一实施方式进行了说明，但是预测装置20以及机器学习装置30并不限定于上述实施方式，而是包含可以达成目的的范围内的变形、改良等。
＜变形例1＞
上述实施方式中，例示出机器学习装置30作为与注射成形机10、控制装置15以及预测装置20不同的装置，但是注射成形机10、控制装置15或者预测装置20可以具有机器学习装置30的一部分或者全部的功能。
＜变形例2＞
又例如上述实施方式中，例示出预测装置20作为与注射成形机10或控制装置15不同的装置，但是注射成形机10或者控制装置15可以具有预测装置20的一部分或者全部的功能。
或者，例如可以设置成服务器具有预测装置20的输入部201、预测部202、决定部203、通知部204以及存储部205的一部分或者全部。此外，还可以在云上利用虚拟服务器功能等来实现预测装置20的各功能。
并且，预测装置20还可以是将预测装置20的各功能适当分散到多个服务器的分散处理系统。
＜变形例3＞
又例如，上述实施方式中，此后要进行的成形条件包含树脂(材料)的种类(环氧基树脂等热固性树脂、或聚酯等热塑性树脂)、添加剂的种类(玻璃纤维、稳定剂、着色剂等)、模具表面的温度、保压与保压时间之积、树脂温度、注射速度、注射压力、注射量、以及目前为止的喷射次数，但是并不局限于此。
例如，此后要进行的成形条件中还可以包含模具的信息(浇口、流道、出入口、型腔等各部分的路径的大小(截面积尺寸)、容积、表面积等)、成形品的信息(形状、尺寸、壁厚等)等。另外，模具的信息以及成形品的信息例如可以通过输入到控制装置15的CAD图纸等来取得。
＜变形例4＞
再例如，上述实施方式中，预测装置20的决定部203根据预测出的成形后的模具磨损量的预测值与阈值α的比较，在成形前判定更换模具的时间日期，但是并不局限于此。
例如，在根据此后要进行的成形条件以及当前的模具摩损量的状态信息来成形多个成形品时，决定部203可以调整成形品的数量(此后要进行的喷射次数)，以使成形多个成形品后的模具磨损量的预测值比阈值α小。
更具体来说，例如以此后要进行的成形条件来成形多个成形品，由此在成形后的模具磨损量的预测值为阈值α以上时，决定部203可以(通过作业员的指示)将“此后要进行的喷射次数(成形品的数)”按规定数量减少。通过使预测部202每次预测成形后的模具磨损量，决定部203可以搜寻磨损量的预测值比阈值α小的成形品数k(k是1以上的整数)。
例如，在以此后要进行的成形条件来成形10个成形品时，决定部203在成形后的模具磨损量的预测值为阈值α以上时，将成形品数量从10个起一个一个(规定数量)地减少，可以搜寻磨损量的预测值比阈值α小的8个等成形品数量。
并且，决定部203例如将成形k个成形品后判定为更换模具的时间日期。由此，图1的注射成形系统可以在决定出的时间日期即合适的阶段，停止注射成形机10来更换模具。
由此，注射成形系统可以在成形开始前，事先预测在以怎样程度成形时需要更换模具的时刻。并且，注射成形系统可以避免成形过程中产生更换模具的必要性，能够避免模具磨损状态下的成形品的成形。
＜变形例5＞
再例如，上述的实施方式中，预测装置20使用由机器学习装置30提供的学习完成模型250，来预测从1个注射成形机10取得的此后要进行的成形条件涉及的成形后的模具磨损量，但是并不局限于此。例如图5所示，服务器50可以存储由机器学习装置30生成的学习完成模型250，与网络60连接的m个预测装置20A(1)－20A(m)之间共享学习完成模型250(m是2以上的整数)。由此，即使配置新的注射成形机和预测装置也能应用学习完成模型250。
另外，预测装置20A(1)－20A(m)的每一个与注射成形机10A(1)－10A(m)的每一个连接。
此外，注射成形机10A(1)－10A(m)的每一个对应于图1的注射成形机10。预测装置20A(1)－20A(m)的每一个对应于图1的预测装置20。
或者，如图6所示，服务器50例如作为预测装置20进行动作，针对与网络60连接的注射成形机10A(1)－10A(m)的每一个，可以预测此后要进行的成形条件涉及的成形后的模具磨损量。由此，即使配置新的注射成形机也能应用学习完成模型250。
另外，一实施方式中的预测装置20以及机器学习装置30所包含的各功能，可以通过硬件、软件或者它们的组合来分别实现。这里，所谓通过软件实现是计算机读入程序并执行从而来实现。
预测装置20以及机器学习装置30所包含的各结构部可以通过包含电子电路等的硬件、软件或者它们的组合来实现。在通过软件实现时，构成该软件的程序安装在计算机中。此外，这些程序可以记录在可移动介质中发布给用户，还可以经由网络下载到用户的计算机来进行发布。此外，在通过硬件构成时，例如，可以通过ASIC(Application SpecificIntegrated Circuit)、门阵列、FPGA(Field Programmable Gate Array)、CPLD(ComplexProgrammable Logic Device)等集成电路(IC)来构成上述装置所包含的各结构部的功能的一部分或者全部。
可以使用各种类型的非暂时性的计算机可读介质(Non-transitory computerreadable medium)来存储程序并将其提供给计算机。非暂时性的计算机可读介质包含各种类型的有实体的记录介质(Tangible storage medium)。非暂时性的计算机可读介质的示例包括：磁存储介质(例如，软盘、磁带、硬盘驱动器)、磁-光存储介质(例如，光磁盘)、CD-ROM(Read Only Memory)、CD-R、CD-R/W、半导体存储器(例如，掩膜ROM、PROM(ProgrammableROM)、EPROM(Erasable PROM)、闪存ROM、RAM)。此外，可以通过各种类型的暂时性的计算机可读介质(Transitory computer readable medium)将程序供给给计算机。暂时性的计算机可读介质的示例包括电信号、光信号以及电磁波。暂时性的计算机可读介质可以经由电线和光纤等有线通信路径或者无线通信路径将程序供给到计算机。
另外，描述在记录介质中所记录的程序的步骤，当然包含按其顺序在时间序列上进行的处理，也包含未必在时间序列上进行处理的、而是并列或者个别执行的处理。
换言之，本公开的机器学习装置以及设计辅助装置可以取得具有如下结构的各种实施方式。
(1)本公开的机器学习装置30，具有：输入数据取得部301，其取得包含任意的成形条件和状态信息的输入数据，所述成形条件至少包含任意注射成形机进行的任意成形品的成形中树脂的种类、添加剂的种类、添加剂的混合率、以及树脂的温度，所述状态信息表示所述成形条件涉及的成形前的模具的摩损量；标签取得部302，其取得标签数据，该标签数据表示输入数据所包含的成形条件涉及的成形后的模具的状态信息；学习部303，其使用由输入数据取得部301取得的输入数据和由标签取得部302取得的标签数据来执行监督学习，生成学习完成模型250。
根据该机器学习装置30可以生成学习完成模型250，该学习完成模型250对考虑了与熔融的树脂之间的摩擦、因对树脂添加的添加剂而产生的腐蚀性气体等影响的成形后的模具磨损量进行预测，所述树脂导致模具的磨损。
(2)可以是，成形条件包含模具相关的信息和/或成形品相关的信息。
这样，能够生成可以与特定的模具或成形品对应的学习完成模型250。
(3)本公开的预测装置20，具有：学习完成模型250，其由(1)或者(2)的机器学习装置30生成；输入部201，其在注射成形机10进行的成形之前，输入此后要进行的成形条件和当前的模具的状态信息；预测部202，其将由输入部201输入的此后要进行的成形条件和当前的模具的状态信息输入到学习完成模型250，预测此后要进行的成形条件涉及的成形后的模具的状态信息。
根据该预测装置20可以预测成形后的模具磨损量。
(4)可以是，所述预测装置具有：决定部203，其根据由预测部202预测出的模具的状态信息所包含的预测值与预先设定的阈值α之间的比较，来判定更换模具的时间日期。
这样，预测装置20可以避免在成形过程中产生更换模具的必要性，能够避免模具磨损状态下的成形品的成形。
(5)可以是，在根据此后要进行的成形条件以及当前的模具的状态信息来成形多个成形品时，决定部203调整成形品的数量，以使成形多个成形品后的预测值比阈值α小。
这样，在注射成形开始前，可以事先预测以怎样的程度成形时需要更换模具的时间日期，能够在成形的合适阶段，停止注射成形机10而加入更换模具的日程表。
(6)可以是，从预测装置20经由网络60能够访问地连接服务器，在该服务器上具有学习完成模型250。
这样，即使配置新的注射成形机10、控制装置15以及预测装置20，也能应用学习完成模型250。
(7)可以是，所述预测装置还具有机器学习装置30。
这样，可以获得与上述(1)～(6)中任一项相同的效果。
(8)可以是，本公开的控制装置15具有预测装置20。
根据该控制装置15，可以获得与上述(1)～(7)中任一项相同的效果。
Claims (8)
1.一种机器学习装置，其特征在于，具有：
输入数据取得部，其取得包含任意的成形条件和状态信息的输入数据，所述成形条件至少包含任意注射成形机进行任意成形品的成形中树脂的种类、添加剂的种类、所述添加剂的混合率、以及所述树脂的温度，所述状态信息表示所述成形条件涉及的成形前的模具的摩损量；
标签取得部，其取得标签数据，该标签数据表示所述输入数据所包含的所述成形条件涉及的成形后的所述模具的状态信息；以及
学习部，其使用由所述输入数据取得部取得的输入数据和由所述标签取得部取得的标签数据来执行监督学习，生成学习完成模型。
2.根据权利要求1所述的机器学习装置，其特征在于，
所述成形条件包含所述模具相关的信息和/或所述成形品相关的信息。
3.一种预测装置，其特征在于，具有：
学习完成模型，其由权利要求1或2所述的机器学习装置生成；
输入部，其在注射成形机进行的成形之前，输入此后要进行的成形条件和当前的模具的状态信息；以及
预测部，其将由所述输入部输入的所述此后要进行的成形条件和所述当前的模具的状态信息输入到所述学习完成模型，预测所述此后要进行的成形条件涉及的成形后的所述模具的状态信息。
4.根据权利要求3所述的预测装置，其特征在于，
所述预测装置还具有：决定部，其根据由所述预测部预测出的所述模具的状态信息所包含的预测值与预先设定的阈值之间的比较，来判定更换所述模具的时间日期。
5.根据权利要求4所述的预测装置，其特征在于，
在根据所述此后要进行的成形条件以及所述当前的模具的状态信息来成形多个成形品时，所述决定部调整成形品的数量，以使成形所述多个成形品后的所述预测值比所述阈值小。
6.根据权利要求3～5中任一项所述的预测装置，其特征在于，
从所述预测装置经由网络能够访问地连接服务器，在该服务器上具有所述学习完成模型。
7.根据权利要求3～5中任一项所述的预测装置，其特征在于，
所述预测装置具有权利要求1或2所述的机器学习装置。
8.一种控制装置，其特征在于，具有权利要求3～7中任一项所述的预测装置。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019-108679 | 2019-06-11 | ||
| JP2019108679A JP7277272B2 (ja) | 2019-06-11 | 2019-06-11 | 機械学習装置、予測装置、及び制御装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112060520A CN112060520A (zh) | 2020-12-11 |
| CN112060520B true CN112060520B (zh) | 2024-06-18 |
Family
ID=73656093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010526372.3A Active CN112060520B (zh) | 2019-06-11 | 2020-06-09 | 机器学习装置、预测装置以及控制装置 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11823075B2 (zh) |
| JP (1) | JP7277272B2 (zh) |
| CN (1) | CN112060520B (zh) |
| DE (1) | DE102020205834A1 (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105751470A (zh) * | 2016-03-23 | 2016-07-13 | 广西科技大学 | 一种注塑机温度实时控制方法 |
| 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 (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05309711A (ja) * | 1992-04-03 | 1993-11-22 | Sony Corp | 成形制御方法および装置 |
| JP2001300979A (ja) | 2000-04-24 | 2001-10-30 | Asahi Kasei Corp | ポリアミド樹脂多層成形品の製造方法 |
| US7465416B2 (en) * | 2003-03-31 | 2008-12-16 | Sumitomo Chemical Company, Limited | Method for designing a mold, method for producing an injection molding, program and injection molding device |
| JP2006281647A (ja) * | 2005-04-01 | 2006-10-19 | Canon Inc | 射出成形における金型温度解析装置および金型温度解析方法 |
| JP2007083602A (ja) | 2005-09-22 | 2007-04-05 | Sanko Gosei Ltd | 射出成形品の成形収縮率予測方法 |
| JP4167282B2 (ja) | 2006-10-27 | 2008-10-15 | 日精樹脂工業株式会社 | 射出成形機の支援装置 |
| JP4216318B2 (ja) * | 2007-06-05 | 2009-01-28 | ファナック株式会社 | 射出成形機 |
| JP2012187787A (ja) | 2011-03-10 | 2012-10-04 | Japan Steel Works Ltd:The | 成形条件の調整支援方法および射出成形機 |
| JP6056665B2 (ja) | 2013-06-07 | 2017-01-11 | マツダ株式会社 | 熱可塑性樹脂成形品及び熱可塑性樹脂成形品の製造方法 |
| JP6348137B2 (ja) * | 2016-03-24 | 2018-06-27 | ファナック株式会社 | 工作物の良否を判定する加工機械システム |
| 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 |
| JP6557272B2 (ja) | 2017-03-29 | 2019-08-07 | ファナック株式会社 | 状態判定装置 |
| US11300949B2 (en) * | 2017-08-11 | 2022-04-12 | Jtekt Corporation | Data processing device of production equipment |
| JP6591509B2 (ja) * | 2017-11-06 | 2019-10-16 | 株式会社東芝 | 金型温度異常予兆検知装置及びプログラム |
| JP7159758B2 (ja) * | 2018-09-27 | 2022-10-25 | 株式会社ジェイテクト | 成形条件決定支援装置および射出成形機 |
| US11443202B2 (en) | 2019-07-03 | 2022-09-13 | Google Llc | Real-time on the fly generation of feature-based label embeddings via machine learning |
-
2019
- 2019-06-11 JP JP2019108679A patent/JP7277272B2/ja active Active
-
2020
- 2020-05-08 DE DE102020205834.2A patent/DE102020205834A1/de active Pending
- 2020-05-18 US US16/876,822 patent/US11823075B2/en active Active
- 2020-06-09 CN CN202010526372.3A patent/CN112060520B/zh active Active
Patent Citations (2)
| 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 |
| CN105751470A (zh) * | 2016-03-23 | 2016-07-13 | 广西科技大学 | 一种注塑机温度实时控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20200394536A1 (en) | 2020-12-17 |
| DE102020205834A1 (de) | 2021-02-25 |
| JP7277272B2 (ja) | 2023-05-18 |
| JP2020199706A (ja) | 2020-12-17 |
| CN112060520A (zh) | 2020-12-11 |
| US11823075B2 (en) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Franchetti et al. | An economic analysis comparing the cost feasibility of replacing injection molding processes with emerging additive manufacturing techniques | |
| JP5795645B2 (ja) | 多変量モデルを用いた離散型製造プロセスの制御 | |
| US11687058B2 (en) | Information processing method and information processing apparatus used for detecting a sign of malfunction of mechanical equipment | |
| CN109581972A (zh) | 数值控制系统、数值控制装置、运转状态异常检查方法及学习模型组 | |
| CN112689546B (zh) | 用于生成设备特定的机器学习模型的方法和系统 | |
| US10234846B2 (en) | Method and apparatus for determining an optimum manufacturing alternative for manufacturing a product | |
| CN107037781B (zh) | 加工时间预测装置 | |
| Hopmann et al. | Combined learning processes for injection moulding based on simulation and experimental data | |
| CN112060520B (zh) | 机器学习装置、预测装置以及控制装置 | |
| TW202219843A (zh) | 機械學習裝置、洗淨預測裝置、及洗淨系統 | |
| JP5770057B2 (ja) | 射出成形機のモニタデータ表示装置 | |
| JP7277273B2 (ja) | 機械学習装置、及び設計支援装置 | |
| CN114083770A (zh) | 工艺参数调整及模型训练方法、装置、设备与存储介质 | |
| CN110244659A (zh) | 控制装置、数据制作装置、控制方法以及控制程序 | |
| CN117829327A (zh) | 部件管理系统以及部件管理方法 | |
| CN111832741A (zh) | 机器学习装置、画面预测装置及控制装置 | |
| EP4105747A1 (en) | Prediction system, prediction method, and non-transitory storage medium | |
| JP2017097631A (ja) | 工作機械の稼働監視装置 | |
| US20220358267A1 (en) | Adapting a production process for components of a component group | |
| US20220242021A1 (en) | Method for providing an operating system of a machine controller | |
| TW202206255A (zh) | 裝置、方法及程式 | |
| US20230004144A1 (en) | Computer-implemented method for processing a plurality of process variables of a production cell | |
| JP2021011046A (ja) | 情報処理装置、学習方法及びプログラム | |
| CN114298561B (zh) | 设备生产条件的生成方法、装置、电子设备及存储介质 | |
| CN117042906A (zh) | 加工条件推定装置 |
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 |