CN112955266B - 产品状态推断装置 - Google Patents
产品状态推断装置 Download PDFInfo
- Publication number
- CN112955266B CN112955266B CN201980071769.3A CN201980071769A CN112955266B CN 112955266 B CN112955266 B CN 112955266B CN 201980071769 A CN201980071769 A CN 201980071769A CN 112955266 B CN112955266 B CN 112955266B
- Authority
- CN
- China
- Prior art keywords
- time
- series data
- estimation
- unit
- data
- 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
- 238000007689 inspection Methods 0.000 claims abstract description 84
- 238000002347 injection Methods 0.000 claims abstract description 83
- 239000007924 injection Substances 0.000 claims abstract description 83
- 238000012545 processing Methods 0.000 claims abstract description 69
- 238000004512 die casting Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000005520 cutting process Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims description 40
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 238000013500 data storage Methods 0.000 claims description 17
- 238000001746 injection moulding Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 9
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000002950 deficient Effects 0.000 description 34
- 230000006870 function Effects 0.000 description 32
- 238000000034 method Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 22
- 238000003754 machining Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 229910052751 metal Inorganic materials 0.000 description 7
- 239000002184 metal Substances 0.000 description 7
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 229910052782 aluminium Inorganic materials 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000012768 molten material Substances 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D17/00—Pressure die casting or injection die casting, i.e. casting in which the metal is forced into a mould under high pressure
- B22D17/20—Accessories: Details
- B22D17/32—Controlling equipment
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D2/00—Arrangement of indicating or measuring devices, e.g. for temperature or viscosity of the fused mass
-
- 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
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- 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
- 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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
- G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32181—Monitor production, assembly apparatus with multiple sensors
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32188—Teaching relation between controlling parameters and quality parameters
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32193—Ann, neural base quality management
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32194—Quality prediction
-
- 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
- G05B2223/00—Indexing scheme associated with group G05B23/00
- G05B2223/02—Indirect monitoring, e.g. monitoring production to detect faults of a system
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
产品状态推断装置(1)具备:检查结果取得部(13),取得与通过压铸机的各注射而得到的产品的状态相关的检查结果;时序数据取得部(11),取得各注射时的基于对压铸机的动作状态进行检测的传感器的输出的时序数据;时序数据加工部(12),进行从时序数据切取规定的时间区间的数据的加工;推断模型生成部(16),将产品的检查结果和加工后的时序数据作为学习数据,使用神经网络生成推断模型;以及推断部(18),使用推断模型基于从各注射时的多个检测信号得到的加工完成时序数据,推断与产品的品质相关的信息。
Description
技术领域
本发明的实施方式涉及产品状态推断装置。
背景技术
在利用注塑成型机或者压铸机制造产品时,在进行成型或者铸造的注射中产生的产品的不合格状况,很多情况下在之后的检查工序之前无法判明。在该情况下,例如,对于在注射中产生的不合格品,从注射后到检查工序前也会进行加工处理,因此这些加工处理成为浪费。
以往,例如提出了如下技术:根据1次注射内的从注塑成型机射出的熔融材料的射出速度、注塑成型机的螺杆位置等的变化是否处于规定的上下限波形内,判断成型品是否合格。另外,也提出了如下技术:根据规定的差异率或者相似率,对1次注射内的实测的射出速度波形与作为基准的射出速度波形之间的相关关系进行判断,从而判断成型品是否合格。
但是,在提出的这些技术中,在产品的品质的判断或者推断中,未考虑到熔融材料的射出速度、柱塞等的位置等的动作状态的微小变动的发生。即,注塑成型机或者压铸机的动作状态的微小变动的发生对于产品的品质的判断或者推断造成的影响未被考虑。
现有技术文献:
专利文献:
专利文献1:日本特许第2926298号公报
专利文献2:日本特许第3656121号公报
发明内容
用于解决课题的手段
于是,本实施方式的目的在于,提供不仅能够考虑注塑成型机或者压铸机的动作状态中的大幅变动而且还能够考虑其微小变动的推断产品的状态的产品状态推断装置。
实施方式的产品状态推断装置是对注塑成型机或者压铸机的产品的状态进行推断的推断装置,具备:检查结果取得部,取得与通过各注射而得到的所述产品的状态相关的检查结果;时序数据取得部,取得所述各注射时的基于对所述注塑成型机或者所述压铸机的动作状态进行检测的传感器的输出的时序数据;时序数据加工部,进行从所述时序数据切取规定的时间区间的数据的加工;检查结果保存部,保存所述检查结果取得部所取得的所述检查结果;时序数据保存部,将所述时序数据加工部加工后的所述时序数据作为加工后的时序数据加以保存;推断模型生成部,将所述检查结果和所述加工后的时序数据作为学习数据,使用神经网络,生成基于如下模型之中的任1个模型以上的推断模型:所述检查结果的标签的识别模型、或者与所述检查结果相关的指标的回归模型、或者根据所述加工后的时序数据中的某时刻或者某时间区间的数据对所述加工后的时序数据中的其他时刻或者其他时间区间的数据进行回归的回归模型、或者对所述加工后的时序数据进行压缩并重构的自编码器模型;推断模型保存部,保存所述推断模型生成部所生成的所述推断模型;推断部,使用所述推断模型保存部中保存的所述推断模型,基于从所述各注射时的所述多个检测信号得到的所述加工后的时序数据,推断与所述产品的所述品质相关的信息;以及推断结果输出部,输出与所述推断部的推断结果相关的信息。
附图说明
图1是表示实施方式所涉及的产品状态推断装置的构成的框图。
图2是用于说明实施方式所涉及的压铸机中的向模具腔射出铝等的熔融金属的射出系统的示意图。
图3是表示实施方式所涉及的柱塞的位置的时序数据的例子的图。
图4是表示实施方式所涉及的计算出的柱塞的速度的时序数据的例子的图。
图5是表示实施方式所涉及的在时序数据取得部中取得的速度的时序数据的例子的图。
图6是表示实施方式所涉及的检查结果保存部中保存的检查结果信息的构成例的表。
图7是表示实施方式所涉及的将3个时序数据作为1个矢量数据串联结合而成的时序数据的例子的图。
图8是表示实施方式所涉及的将3个时序数据并联结合而成的时序数据的例子的图。
图9是表示实施方式所涉及的以对应于多个输入通道的方式建立关联并结合而成的多个时序数据的例子的图。
图10是表示实施方式所涉及的基于2个时序数据的轨迹的曲线图。
图11是实施方式所涉及的显示装置上显示的曲线图像。
图12是表示实施方式所涉及的神经网络的构成例的图。
图13是表示实施方式所涉及的关注部位的提示例的图。
图14是表示实施方式所涉及的推断模型生成装置3的动作的例子的流程图。
图15是表示实施方式所涉及的合格/不合格推断装置4的动作的例子的流程图。
图16是表示实施方式所涉及的具有微小变动的时序数据的例子的图。
具体实施方式
以下,参照附图说明实施方式。
(构成)
图1是表示本实施方式所涉及的产品状态推断装置的构成的框图。产品状态推断装置1是对注塑成型机或者压铸机的产品的状态进行推断的推断装置。以下,使用对压铸机的产品的状态进行推断的推断装置的例子来说明本实施方式。
产品状态推断装置1包含数据取得装置2、推断模型生成装置3和合格/不合格推断装置4。产品状态推断装置1是推断在压铸机5中制造的产品的状态的系统。
压铸机5被生产线用的控制装置(未图示)控制,注射编号等也被该控制装置管理。数据取得装置2等各装置也被该控制装置控制,能够与注射编号等相关联地保存各种数据。
以下,说明产品状态推断装置1中包含的各装置的构成。
[数据取得装置的构成]
数据取得装置2包含时序数据取得部11、时序数据加工部12和检查结果取得部13。
时序数据取得部11是包含如下电路的装置,该电路接收来自压铸机5中设置的后述的各种传感器的模拟信号的检测信号,并以规定的采样周期将模拟信号转换为数字信号并输出。即,时序数据取得部11是取得各注射时的基于对压铸机5的动作状态进行检测的传感器的输出的时序数据的时序数据取得装置。
在此,关于对压铸机5的动作状态进行检测的传感器进行说明。
图2是用于说明压铸机5中的向模具腔射出铝等的熔融金属的射出系统的示意图。
在2个模具D1、D2中,一方的模具D1在每次注射时向箭头A所示的方向移动并与模具D2密合而合模。在模具D1与D2密合的期间,流道(runner)R内的熔融金属Me由于柱塞P的移动而向2个模具D1、D2内的模具腔内射出并填充。
其后,在模具腔内的熔融金属Me被保压并冷却之后,模具D1向与箭头A所示的方向相反的方向移动,2个模具D1、D2开模,成型后的铸造品的产品被取出。
柱塞P被致动器5a驱动。柱塞P在将熔融金属Me向模具腔内射出时,向虚线的箭头B所示的方向移动。射出后,柱塞P由于致动器5a而向与箭头B相反的方向移动。
在致动器5a内,内置有对柱塞P在移动方向上的位置进行检测的位置传感器5b。例如,位置传感器5b通过线性编码器等的输出,检测柱塞P在移动方向上的位置。进而,对流道R内的压力进行检测的压力传感器5c被设置在流道R中。
位置传感器5b的输出作为柱塞P的位置信号,经由信号线5b1向数据取得装置2的时序数据取得部11供给。压力传感器5c的输出也作为流道R内的压力信号,经由信号线5c1向数据取得装置2的时序数据取得部11供给。
此外,在此,在压铸机5设置有位置传感器5b和压力传感器5c这2个传感器,但也可以在压铸机5还设置温度传感器等其他传感器,对压铸机5的其他动作状态进行检测。
在此,关于由时序数据取得部11取得的时序数据的构成例进行说明。
图3是表示柱塞P的位置的时序数据的例子的图。图3表示1次注射中随着时间经过而由位置传感器5b检测出的柱塞P的位置数据的曲线图。
如图3所示,柱塞P的位置在1次注射内随着时间的经过而变化。
关于流道R内的压力,虽未图示,也在1次注射中随着时间经过而变化。压力传感器5c对该变化的流道R内的压力进行检测。
进而,时序数据取得部11还具有根据位置传感器5b的位置信息计算柱塞P的速度的时序数据的功能。
图4是表示计算出的柱塞P的速度的时序数据的例子的图。根据柱塞P的位置数据的时间变化而计算柱塞P的速度。图4表示1次注射中随着时间经过而被计算出的柱塞P的速度变化的曲线图。
如图4所示,柱塞P的速度也在1次注射内随着时间的经过而变化。
各传感器的输出信号以规定的采样周期被采样,各时序数据被转换为数字数据。
另外,时序数据取得部11包含时钟电路,具有时间戳功能。时序数据取得部11对取得的数据附加时刻信息并输出。即,时序数据取得部11对数字数据附加基于时间戳功能的时刻信息。
此外,在此,将基于时间戳功能的时刻信息与时序数据建立了关联,但也可以替代时刻信息而使用内部计时器的计数器信息。
柱塞P的位置信息和流道R内的压力信息都包含时刻信息。各时序数据能够基于所包含的时刻信息建立对应,因此如后所述,能够使多个时序数据中包含的各数据同步。
图5是表示在时序数据取得部11中取得的速度的时序数据的例子的图。图5表示柱塞P的速度数据的例子。
因此,如图5所示,速度的时序数据是将时刻信息与速度数据建立对应而成的时序数据。
柱塞P的位置数据及流道R内的压力数据也与速度数据同样,是将时刻信息与检测值建立对应而成的时序数据。
返回图1,时序数据加工部12是针对2个传感器的检测信号施以规定的加工的电路。
时序数据加工部12是具有如下功能的电路:对来自时序数据取得部11的多个时序数据间进行同步、切取多个时序数据、将多个时序数据结合、以及根据多个时序数据制作轨迹数据。即,时序数据加工部12是进行从时序数据切取规定的时间区间的数据等加工的时序数据加工装置。
此外,时序数据取得部11及时序数据加工部12的处理的至少一部分的功能也可以通过软件执行。在该情况下,数据取得装置2具有包含中央处理装置(以下称为CPU)、ROM、RAM的处理器,由CPU读出ROM中存放的与各功能对应的软件程序并在RAM上展开而执行。
在本实施方式中,不仅使用基于位置传感器5b的检测信号的柱塞P的位置的时序数据、以及基于压力传感器5c的检测信号的流道R内的压力的时序数据,而且还使用计算出的柱塞P的速度的时序数据,进行推断模型M的生成和产品状态的推断。
此外,在本实施方式中,使用上述的位置、压力及速度这3个时序数据,但也可以使用关于根据柱塞P的位置信息计算出的熔融金属的射出速度、以及根据流道R内的压力信息计算出的熔融金属的射出压力等的时序数据。
由此,时序数据加工部12针对位置的时序数据、压力的时序数据和速度的时序数据,进行同步、切取、结合及轨迹数据的制作。加工后的时序数据被向推断模型生成装置3供给。
关于多个时序数据的同步、切取、结合及轨迹数据的制作所涉及的具体的方法留待后述。
时序数据取得部11和时序数据加工部12构成取得关于压铸机5的动作状态的数据的动作状态数据取得装置。
时序数据加工部12的输出被保存于后述的时序数据保存部14,在生成推断模型M时使用。
另外,时序数据取得部11和时序数据加工部12在压铸机5动作时,分别按每次注射进行时序数据的取得和加工,时序数据加工部12将加工后的时序数据(以下也称为加工完成时序数据)向合格/不合格推断装置4输出。
检查结果取得部13具有用于输入数据的输入装置。数据取得装置2的检查结果取得部13例如包含具有CPU等的处理器。
熟练者等用户使用检查结果取得部13的输入装置,输入由压铸机5制造的产品的状态信息作为每次注射的检查结果,从而检查结果取得部13取得检查结果的信息。即,检查结果取得部13是取得与通过各注射而得到的产品的状态相关的检查结果、例如合格、不合格、表示程度的数值等的检查结果取得装置。
关于产品的状态的信息,是表示“合格”或者“不合格”的信息。“合格”意味着通过压铸而制造的产品是合格品,“不合格”意味着通过压铸而制造的产品是不合格品。
此外,在此,关于产品的状态的信息是表示“合格”或者“不合格”的标签信息,但例如也可以将不合格的种类进一步划分并标签化,从而使用“合格”、“不合格A”、“不合格B”等3个以上的标签信息,也可以是作为表现品质的程度的指标的数值。
输入的关于产品的状态的信息作为检查结果信息IS,被向推断模型生成装置3供给。检查结果信息被附加注射编号等标识符,并向推断模型生成装置3发送。检查结果信息IS被保存于后述的检查结果保存部15。
此外,数据取得装置2既可以作为1个装置构成,也可以将包含时序数据取得部11和时序数据加工部12的动作状态数据取得装置与检查结果取得部13作为不同的装置构成。例如,检查结果取得部13也可以是个人计算机。
图6是表示检查结果保存部15中保存的检查结果信息的构成例的表。如图6所示,检查结果信息IS与注射编号相对应地被存放于表TBL。
例如,用户执行规定数量的注射,并将规定数量的检查结果向检查结果取得部13输入。
此外,在此,被输入至检查结果取得部13而生成的检查结果信息IS如图6所示,作为汇总了多次注射的量的表数据被保存,但也可以以其他形式保存。例如,也可以通过将各注射的时序数据按照对应的检查结果划分目录加以保存等方法,保存各注射的检查结果。
时序数据加工部12进行怎样的加工,能够由用户指定。用户将用于指定加工方法等的设定信息向规定的设定文件22输入来进行设定。时序数据加工部12参照由用户预先设定的设定文件22的设定数据等,取得与时序数据的加工相关的设定信息。
设定文件22被存放于存储卡等存储介质22a中。该存储介质22a经由未图示的卡接口被安装于数据取得装置2,设定数据在时序数据加工部12中被读出。此外,也可以在其他装置中输入设定数据,并通过通信等从其他装置向数据取得装置2发送设定数据。
接下来,关于数据的加工进行说明。
时序数据加工部12依照取得的设定的内容,针对在时序数据取得部11中取得的各时序数据进行加工。
时序数据加工部12如上所述,具有取得多个时序数据的同步的同步功能、从各时序数据切取期望的区间的数据的切取功能、将多个时序数据结合的结合功能、以及将2个以上的时序数据转换为轨迹数据的转换功能。是否使用各个功能、以及各个功能的详细的处理内容和所需的设定值,通过设定文件22来指定。
时序数据同步功能是使用各时序数据中包含的基于时间戳功能的时刻信息或内部计时器的计数器信息,进行多个时序数据的对时的功能。
此外,同步功能也可以具有如下功能:在某时序数据之中采样率根据时刻而变化的情况下,针对时序数据进行数据的插补、筛选,将时序数据统一为预先设定的采样率。
另外,也可以具有如下功能:在多个时序数据的采样率、采样的定时不同的情况下,进行数据的插补、筛选,以符合预先设定的采样率、定时、或者特定的时序数据的采样率、定时。
时序数据切取功能是从各时序数据切取预先设定的时间区间的数据的功能。被切取的区间也可以按每个时序数据而不同。即,3个时序数据的被切取的区间既可以是从某第1时刻到某第2时刻的相同的时间区间,也可以是3个时序数据中的至少1个时序数据的切取区间与其他时序数据的切取区间不同。
另外,也可以以特定的时序数据为基准来决定切取区间,基于决定的切取区间对该时序数据和其他时序数据进行切取。
例如,如图4所示,在时刻tt检测出速度的时序数据的变化量成为规定值以上的情况下,在将比时刻tt靠前规定的时间T1的时刻ts作为切取开始时间,且将比时刻ts靠后规定的时间T2的时刻作为te时,时刻ts至时刻te被决定为切取区间。速度的变化量是某时刻的速度与其前1个时刻的速度之差。以该速度值之差超过或者低于规定的阈值时的时刻为基准,决定时刻ts至te的切取区间。
在图4中,检测出速度值之差超过规定的阈值的时刻。在图4中,从作为切取区间的开始时刻的时刻ts的速度值直到作为切取区间的结束时刻的时刻te为止的速度值的时序数据,成为切取后的速度的时序数据。
关于位置的时序数据、压力的时序数据,也可以切取与基于速度的时序数据被决定的切取区间相同的时刻ts到相同的时刻te的区间。在该情况下,例如如图3所示,关于位置的时序数据,也切取与速度的时序数据相同的切取区间的时序数据。关于压力的时序数据也是同样的。
再者,也可以将1次注射的时间区间划分为规定的多个区间,从该多个区间中将规定的1个区间设定为切取区间。
此外,以上切取区间是1个,但也可以是多个。
如上,时序数据取得部11取得多个时序数据,时序数据加工部12能够在使被取得的多个时序数据同步之后,从多个时序数据切取规定的时间区间的多个数据。
时序数据结合功能是将多个时序数据结合的功能。通过该功能,例如,能够将被切取的多个时序数据以相同的时刻的值成组的方式排列并结合。另外,还能够将被切取的多个时序数据以在时序数据的末尾连着其他时序数据的形式结合。
图7是表示将3个时序数据作为1个矢量数据串联结合而成的时序数据的例子的图。
在此,时序数据构成为从开头依次包含:速度的时序数据DA1、位置的时序数据DA2及压力的时序数据DA3。在图7中,柱塞P的位置的时序数据DA2被连在柱塞P的速度的时序数据DA1的末尾,流道R内的压力的时序数据DA3被连在柱塞P的位置的时序数据DA2的末尾。
各时序数据DA1、DA2、DA3例如是通过同步功能取得了时刻的同步而且被切取了相同的区间的时序数据。如图7所示的串联连结的时序数据在使用全连接神经网络或者卷积神经网络(Convolutional Neural Networks)时是有效的。
图8是表示将3个时序数据并联结合而成的时序数据的例子的图。
图8在从并联结合的3个时序数据中,按时刻顺序取出将相同时刻的3个值排列汇总而成的矢量并向LSTM(长短期记忆(Long Short-Term Memory))的循环神经网络(Recurrent Neural Networks)依次输入时是有效的。如图8所示,3个时序数据以相同时刻的3个数据成为1个组的方式被并联结合。
如图8所示的并联连结的时序数据在使用全连接神经网络或者卷积神经网络(Convolutional Neural Networks)时也是有效的。
图9是表示以对应于多个输入通道的方式建立关联并结合而成的多个时序数据的例子的图。在此,将3个时序数据与3个输入通道建立了关联。具体而言,如果神经网络的输入通道数是3,则以速度、位置及压力这3个时序数据分别向通道1、2及3供给的方式将3个时序数据结合。
3个时序数据是从相同的时刻ts到相同的时刻te的数据。
如图9所示的并联连结的时序数据在使用卷积神经网络(Convolutional NeuralNetworks)时是有效的。
接下来,时序数据向轨迹数据的转换功能是将多个时序数据转换为规定的空间内的轨迹数据的功能。即,时序数据加工部12将多个时序数据标绘在具有与各时序数据对应的轴的维空间上,将被标绘的维空间上的多个坐标以时刻的顺序用线相连,从而进行将多个时序数据转换为轨迹数据的加工。
为了实现转换功能,首先针对多个(在此为3个)时序数据,定义具有与时序数据的数量对应的维数的N维空间。N是表示时序数据的个数的整数(在此N为3)。然后,关于各时刻,在N维空间中的坐标上,标绘将该时刻的多个时序数据的值排列N个而成的位置矢量。然后,将标绘的坐标随着时间经过即按照时刻的顺序用线相连而结合,从而制作轨迹数据。
制作的轨迹数据例如在使用卷积神经网络(Convolutional Neural Networks)时是有效的。另外,根据2个时序数据制作的轨迹数据能够转换为2维的曲线图像,因此也可以将该曲线图像输入至卷积神经网络(Convolutional Neural Networks)。在该情况下,线的粗细也可以根据采样周期的波动的大小、传感器的检测误差等而变更。例如,在传感器的检测误差比规定的值大的情况下,轨迹以粗线描绘。
由此,例如,如果选择了2个时序数据,则其轨迹数据能够在显示装置的画面上作为图像数据来表现。即,如果将转换功能中的维空间设为2维空间,则轨迹数据能够在显示装置上作为2维数据显示。
图10是表示基于2个时序数据的轨迹的曲线图。在此,为了简化说明,速度和位置的5个时刻1、2、3、4、5的数据以曲线图表示。在图10中,为了简化说明,利用与5个时刻的速度和位置对应的点、以及连结相邻的2点间的线,表示曲线图。
图11是显示装置上显示的曲线图像。图11的曲线图像被输入至卷积神经网络。
在曲线图像中,也可以与时刻相应地变更曲线图上的点、线的颜色。例如,使在推断中使用的数据的开始时刻到终点时刻,与从红色向蓝色变化的颜色的变化相对应,来变更曲线图上的点及线的颜色。
另外,在有3个以上时序数据的情况下,也可以针对全部组合实施从中选择2个生成轨迹数据的图像的处理,来生成多个轨迹数据的图像。
再者,也可以变更作为轨迹数据而表现的时刻的范围并生成多个轨迹数据的图像,将它们作为动态图像数据对待。
另外,在有3个以上时序数据的情况下,例如另外也有如下的轨迹数据的表现方法。
首先,定义N维的矩阵,将全部要素设为一定的值X0(例如0)。接下来,针对将各时刻的多个时序数据的值排列而成的位置矢量,将与其坐标对应的N维矩阵的要素变更为特定的值X1(例如1)。其后,将相邻的时刻彼此的坐标(N维矩阵内的要素)用线连结,将与该线充分近的位置的N维矩阵的要素变更为特定的值X1(例如1)。由此,能够转换为轨迹数据。此外,X1的值也可以与时序数据中的时刻相应地变化。
如上,时序数据加工部12基于设定文件22的设定信息,具有多个时序数据的同步、各时序数据的切取、多个时序数据的结合、以及转换为轨迹数据的功能,选择任意的1个功能或者任意的2个以上的功能,对多个时序数据进行加工。加工完成时序数据被输入至神经网络。
设定文件22被存放于存储卡等存储介质22a,经由数据取得装置2的未图示的接口而被转送到数据取得装置2的存储装置(未图示)。时序数据加工部12能够参照该设定文件22中存储的设定信息。
数据取得装置2针对按每次注射而得到的多个时序数据,进行上述的同步等各种数据加工,输出加工完成时序数据。
加工完成时序数据被向推断模型生成装置3供给,并保存于时序数据保存部14。另外,加工完成时序数据能够向合格/不合格推断装置4供给。
另外,检查结果取得部13将输入的检查结果信息向推断模型生成装置3输出,检查结果信息被存储于检查结果保存部15。
[推断模型生成装置的构成]
推断模型生成装置3包含时序数据保存部14、检查结果保存部15和推断模型生成部16。
时序数据保存部14是保存来自时序数据加工部12的加工完成时序数据的存储装置。即,时序数据保存部14是将时序数据加工部12加工后的时序数据作为加工完成时序数据加以保存的时序数据保存装置。
时序数据保存部14存储按压铸机5的每1次注射而检测出的各时序数据。
各时序数据通过注射编号等标识符被区别,并保存于时序数据保存部14。
注射编号等标识符被用于多个时序数据间的对应、以及由压铸机5制造的产品与检查结果的对应。
检查结果保存部15是保存来自检查结果取得部13的检查结果信息IS的存储装置。即,检查结果保存部15是保存检查结果取得部13所取得的检查结果的检查结果保存装置。
推断模型生成部16使用时序数据保存部14中保存的时序数据、以及检查结果保存部15中保存的多个检查结果信息IS作为学习数据,生成使用了神经网络的推断用模型。
即,推断模型生成部16使用检查结果保存部15中保存的多个注射的检查结果信息IS、以及时序数据保存部14中保存的相同的多个注射的时序数据,利用深度学习来生成推断模型。
图12是表示神经网络的构成例的图。通过使用图12所示的神经网络NN生成推断模型M。
神经网络NN具有输入层31、隐藏层32和输出层33。在图12中,输入层31具有数量为构成1次注射的时序数据的数据的要素数的、用圆表示的输入单元31a。
向输入层31输入来自时序数据加工部12的加工完成时序数据。例如,在图12中,图7所示的连结后的时序数据向输入层31输入。在该情况下,输入层31的输入单元31a的数量与连结后的时序数据的要素数相等,时序数据中的各要素向对应的1个输入单元31a输入。
隐藏层32具有包含多个隐藏层32a的多层构造。
输出层33在此具有2个输出单元33a,第1输出单元输出“合格”的概率,第2输出单元输出“不合格”的概率。
在图12中,表示了如图7所示的连结后的多个时序数据向输入层31输入的例子,但也可以输入图8的时序数据或者图9的时序数据。
在如图8所示的并联地组合而成的3个时序数据的情况下,例如,时刻同步后的3个时序数据按照时刻顺序向输入层31的3个输入单元31a输入。
在如图9所示的并联地组合而成的3个时序数据的情况下,例如神经网络NN是输入层31具有与输入数据相同的通道数(在图9的例子中为3通道)的卷积神经网络(Convolutional Neural Networks),各时序数据分别向输入层的对应的通道输入。
推断模型生成装置3包含具有CPU、ROM、RAM等硬件的处理器,执行用于生成推断模型M的软件程序。推断模型生成部16是模型生成程序,被存储于ROM等存储装置,由CPU读出并执行。
推断模型生成部16生成所生成的推断模型M的模型信息MI,并向合格/不合格推断装置4发送。模型信息MI包含与神经网络NN相关的构成数据、以及权重系数等各种参数数据。
在此生成的推断模型M是与检查结果对应的标签的识别模型。
此外,在此根据具有“合格”和“不合格”这2个标签的学习数据,生成用于识别标签的推断模型M,但也可以生成3个以上的标签的识别模型。另外,推断模型M也可以是学习了与检查结果的全部标签之中的一部分标签相应的时序数据的特征而得到的模型。例如,也可以仅使用“合格”的时序数据作为学习数据来制作模型。在该情况下,学习了时序数据的特征而得到的模型例如是对时序数据进行回归的模型、或输入时序数据并进行重构的自编码器(Auto Encoder)模型等。
另外,推断模型生成部16所生成的推断模型M的构造、向推断模型M的输入数据的形式及输入方法,按照时序数据的数量、由时序数据加工部12实施的加工的内容而设定。
例如,在时序数据为一个的情况下,或者在时序数据加工部12如图7所示以在时序数据的末尾连着其他时序数据的形式连结并生成一维的数据的情况下,也可以设为将加工完成时序数据原样向标准性的全连接的多层感知器或以一维数据为对象的卷积神经网络(CNN)输入的形式。另外,也可以将一维的数据按时刻顺序向循环神经网络(RNN)输入。
此外,例如,也可以使如图9所示的相互同步后的多个时序数据分别与输入的通道相对应地向卷积神经网络(CNN)输入。
另外,在时序数据加工部12生成轨迹数据的情况下,也可以将轨迹数据向卷积神经网络(CNN)输入。在轨迹数据有多个的情况下,也可以使各个轨迹数据与卷积神经网络(CNN)的输入的通道相对应。
再者,也可以根据如图8所示的相互同步后的多个时序数据,生成以相同时刻的值彼此成组的矢量数据,并将这些矢量数据按时刻顺序向循环神经网络输入。
另外,在时序数据加工部12生成多个轨迹数据的情况下,也可以将各轨迹数据依次向循环神经网络(RNN)输入。
此外,在以数值表现检查结果的情况下,生成的模型也可以是与检查结果相关的指标的回归模型。
即,推断模型M是以检查结果以及加工后的时序数据作为学习数据使用神经网络学习而得到的基于如下模型的推断模型:检查结果的标签的识别模型、或者与检查结果相关的指标的回归模型、或者根据加工后的时序数据中的某时刻或者某时间区间的数据对加工后的时序数据中的其他时刻或者其他时间区间的数据进行回归的回归模型、或者对加工后的时序数据进行压缩并重构的自编码器模型。
另外,推断模型M也可以组合这些模型中的2个以上而构成。
进而,推断模型生成部16所生成的推断模型M也可以包含全连接的多层感知器、卷积神经网络(CNN)、循环神经网络(RNN)这3个之中的任1个以上。推断模型生成部16所生成的推断模型M也可以使用其他任意构造的神经网络。
推断模型生成部16所生成的推断模型M的构造通过设定文件22等被设定。
如图1所示,设定文件22被存放于存储卡等存储介质22a,经由推断模型生成装置3的未图示的接口向推断模型生成装置3的存储装置(未图示)转发。推断模型生成部16能够参照该设定文件22中存储的设定信息。
推断模型生成部16将被生成的推断模型M的模型信息MI向合格/不合格推断装置4发送。模型信息MI被保存于后述的推断模型保存部17。
如上,推断模型生成装置3使用学习数据生成推断模型M,并将模型信息MI向合格/不合格推断装置4输出。
[合格/不合格推断装置的构成]
合格/不合格推断装置4具有推断模型保存部17、推断部18、关注部位计算部19、推断结果输出部20及推断结果提示部21。
推断模型保存部17是存储来自推断模型生成装置3的推断模型M的模型信息MI并加以保存的存储装置。即,推断模型保存部17保存关于推断模型生成部16所生成的推断模型M的信息。
推断部18使用推断模型保存部17中保存的推断模型M的模型信息MI,基于每次注射的来自时序数据加工部12的加工完成时序数据,推断产品的合格或者不合格,并输出推断结果信息IJ。
即,推断部18构成如下推断部:使用推断模型保存部17中保存的推断模型M,基于从各注射时的多个检测信号得到的加工完成时序数据,推断与产品的品质相关的信息。
关注部位计算部19在推断部18计算出推断结果之后,进行关注部位的计算。关注部位是指在推断模型M计算推断结果时在输入数据之中特别关注的要素。
关注部位的计算例如如下进行。在推断模型M是表现检查结果的标签的识别模型、或者与检查结果相关的指标的回归模型那样的情况下,利用向推断模型M输入的时序数据的各要素,对推断模型M的输出层33的任一个以上的输出单元33a的值、或者基于它们计算出的值进行偏微分。提取与通过偏微分而得到的值的绝对值较大的部分对应的时序数据的要素作为关注部位。
利用输入时序数据的各要素,对推断模型M的输出值或者基于其输出值而计算出的值进行偏微分,通过该偏微分而得到的值的绝对值较大之处被作为关注部位。
即,关注部位计算部19通过利用加工完成时序数据对推断模型的输出数据或者基于输出数据运算出的值进行偏微分运算、或者对推断模型的输出数据或者其一部分与加工后的时序数据或者其一部分进行比较,从而计算由推断部18在推断与产品的品质相关的信息时使用的推断模型M在计算推断结果时关注的加工完成时序数据的部分,作为关注部位。
在推断模型M是对时序数据进行回归的模型、或者输入时序数据并进行重构的自编码器模型那样的情况下,例如也有如下方法:计算通过回归而计算出的值与实际的值之间的误差、或者重构后的数据与输入的时序数据之间的误差等,提取与误差的绝对值较大的部分对应的时序数据的要素,作为关注部位。
关注部位计算部19将计算出的关注部位的信息向推断结果提示部21发送。
推断结果提示部21提示从推断部18送来的推断结果,同时提示关注部位计算部19所计算出的关注部位。
图13是表示关注部位的提示例的图。
图13将柱塞P的速度的时序数据作为虚线的波形数据显示,并将关注部位RA以粗实线表现。
此外,在推断模型M的输入是图像数据的情况下,也可以考虑将对关注部位着色的图像以透过的方式重叠在图像数据上来显示等方法。
返回图1,合格/不合格推断装置4包含具有CPU、ROM、RAM等的处理器,执行推断部18及关注部位计算部19的程序。推断部18及关注部位计算部19是程序,被存储于ROM等存储装置,由CPU读出并执行。
推断结果输出部20是将推断部18的推断结果信息IJ向控制生产线的各种装置的控制装置输出的电路。即,推断结果输出部20是输出与推断部18的推断结果相关的信息的推断结果输出装置。
例如,生产线的各种装置进行将被判断为不合格品的产品从生产线排除以不在后续工序中加工等的处理。
推断结果提示部21是用于将与推断部18的推断结果相应的规定的信息向用户等提示来使其知晓的电路。即,推断结果提示部21为了将推断部18的推断结果告知用户而提示推断结果。
例如,在制造的产品被推断为不合格时,为了使用户知晓制造的产品是不合格品,推断结果提示部21将用于显示规定的消息的输出信号向显示装置输出,或者将用于进行规定的警告显示的输出信号向规定的显示灯输出。
[模型更新装置的构成]
进而,产品状态推断装置1具有模型更新判断部23和模型更新提示部24。模型更新判断部23和模型更新提示部24构成模型更新装置。模型更新判断部23和模型更新提示部24既可以被包含在合格/不合格推断装置4或者数据取得装置2中,也可以作为与数据取得装置2和合格/不合格推断装置4不同的装置构成。
推断部18的推断结果信息IJ也向模型更新判断部23供给。
模型更新判断部23积蓄来自推断部18的各注射的推断结果信息IJ。即,在模型更新判断部23中积蓄与注射编号建立了关联的推断结果信息IJ。
模型更新判断部23也与检查结果取得部13连接。
在检查结果取得部13中,如上所述,积蓄与注射编号建立了关联的检查结果信息IS。
模型更新判断部23基于推断部18的推断结果,或者基于推断部18的推断结果以及在检查结果取得部13中取得的检查结果,判断是否需要更新推断模型M。
在此,模型更新判断部23在积蓄了规定数量的推断结果信息IJ,而且从检查结果取得部13得到了与该推断结果信息IJ对应的检查结果信息IS时,对推断部18的推断结果与在检查结果取得部13中得到的正确的检查结果进行比对。
在进行比对的结果是表现推断部18的推断结果与正确的检查结果之间的差异的指标为预先设定的阈值TH以上的情况下,模型更新判断部23作为需要更新模型,将促使更新模型的信息向模型更新提示部24发送。
作为表现推断部18的推断结果与正确的检查结果之间的差异的指标,例如使用下式(1)所示的不正确率。
不正确率=(推断结果错误的注射的数量)/(对推断结果与检查结果进行了比对的注射的数量)···(1)
在式(1)的情况下,在不正确率为预先设定的阈值以上时判断为需要更新模型。
此外,作为指标,也可以使用下式(2)所示的正确率。
正确率=(推断结果正确的注射的数量)/(对推断结果与检查结果进行了比对的注射的数量)···(2)
在式(2)的情况下,在正确率小于预先设定的阈值时判断为需要更新模型。
作为指标,也可以是式(1)、式(2)以外的指标。
另外,在推断模型输出与检查结果相关的指标值的回归结果那样的情况下,也可以将回归结果与正确的指标值进行比较,计算均方误差、平均绝对误差等,在误差大时判断为需要更新模型。
模型更新提示部24如果接受了促使更新模型的信息,则在监视器等上显示用于指示更新模型的消息信息等,促使用户更新模型。在用户看到消息信息等,判断为实施模型更新的情况下,使推断模型生成装置3使用新的数据实施推断模型生成的处理,生成新的模型。
此外,也可以不通过用户的判断而自动地进行模型更新。在该情况下,在图1中,如虚线所示,模型更新判断部23将模型更新指示命令向推断模型生成部16发送。其结果,推断模型生成部16如果接收到模型更新指示命令,则自动地使用新的数据,执行推断模型生成处理,生成新的模型。
此外,以上所示的方法是使用正确的检查结果来判断更新模型的方法,但也可以仅使用由推断模型M即推断部18输出的结果来判断是否需要更新模型。在该情况下,具有不用等待得到正确的检查结果就能够判断是否需要更新模型的优点。
例如,通过检测推断部18的输出结果的倾向相对于此前的输出发生了变化的情况,来判断更新模型。设为将过去的规定期间的推断部18的输出结果中的与多个注射相应的输出结果合计,例如9成判断为合格品,1成判断为不合格品,与此相对,在针对最近的多个注射进行合计时,1成判断为合格品,而9成判断为不合格品等,判断结果的比例大为变化。在这种情况下,推断模型有可能还无法输出正确的结果,因此判断为需要更新模型。
另外,也可以在推断部18的输出结果的倾向为预先决定的特定的状态的情况下进行模型更新。例如,也可以在针对最近的多个注射判断为不合格品的注射的比例为阈值以上的情况下进行模型更新。
此外,例如,在推断模型是能够针对对象注射输出是合格品的概率、是不合格品的概率(以下分别称为合格品概率、不合格品概率)的模型的情况下,也可以针对最近的多个注射,对合格品概率或者不合格品概率为一定的条件的注射进行计数,在该注射数为一定以上的情况下进行模型更新。作为一定的条件,如果设定为例如“合格品概率为0.5附近(0.4以上且0.6以下等)”,则能够对推断模型不清楚要判断为合格品还是不合格品的注射进行计数。
此外,也可以将最近的多个注射的合格品概率或者不合格品概率的倾向(例如分布等)与过去的多个注射的合格品概率或者不合格品概率的倾向进行比较,来判断是否需要更新模型。
在推断模型是对时序数据进行回归的模型、或者输入时序数据并进行重构的自编码器模型那样的情况下,也可以针对最近的多个注射,计算通过回归而计算出的值与实际的值之间的误差、或者重构后的数据与输入的时序数据之间的误差等,并使用该误差的倾向来进行模型更新。例如在多个注射的误差的平均为阈值以上的情况、或者与以前相比误差的平均过大或者过小的情况等下,判断为需要更新模型。
如上构成的产品状态推断装置1能够生成由压铸机5制造的产品的状态的推断模型M,并且使用生成的推断模型M对制造的产品的状态进行判断。
(作用)
接下来,关于上述的产品状态推断装置1的动作进行说明。
首先,关于推断模型生成装置3中的推断模型M的生成处理进行说明。
图14是表示推断模型生成装置3的动作的例子的流程图。
推断模型生成装置3如上所述包含处理器,图14的处理是基于软件程序的处理,由推断模型生成装置3的处理器执行该软件程序。
推断模型生成装置3从数据取得装置2取得加工完成时序数据,并向时序数据保存部14记录(步骤(以下简写为S)1)。
推断模型生成装置3从数据取得装置2取得检查结果信息IS,并向检查结果保存部15记录(S2)。
推断模型生成装置3判断是否保存了与规定的注射数相应的数据(S3)。具体而言,判断规定数量的加工完成时序数据和规定数量的检查结果信息IS是否分别被保存于时序数据保存部14和检查结果保存部15。
在尚未保存与规定的注射数相应的数据时(S3:否),处理返回S1。
在规定数量的加工完成时序数据和规定数量的检查结果信息分别被保存于时序数据保存部14和检查结果保存部15时(S3:是),推断模型生成部16将时序数据保存部14和检查结果保存部15中分别保存的规定数量的加工完成时序数据和规定数量的检查结果信息IS作为学习数据读入(S4)。
在S4之后,推断模型生成部16进行基于深度学习的学习(S5)。即,推断模型生成部16使用学习数据来生成推断模型M。
在S5之后,推断模型生成部16将被生成的推断模型M的模型信息MI向合格/不合格推断装置4发送,并使推断模型保存部17加以保存(S6)。接下来,关于合格/不合格推断装置4的动作进行说明。
图15是表示合格/不合格推断装置4的动作的例子的流程图。
合格/不合格推断装置4如上所述包含处理器,图15的处理是软件程序。图15的处理由合格/不合格推断装置4的处理器执行。
合格/不合格推断装置4从数据取得装置2的时序数据加工部12取得推断对象的注射的加工完成时序数据,并向推断部18输入(S11)。
数据取得装置2的时序数据取得部11与压铸机5的动作相应地接收来自位置传感器5b和压力传感器5c的信号,并生成3个时序数据。生成的3个时序数据在时序数据加工部12中被加工。由此,时序数据加工部12针对取得的时序数据实施与推断模型生成时同样的加工,因此推断部18取得与时序数据保存部14中保存的加工完成时序数据同样地被加工的时序数据。
例如,上述的3个时序数据DA1、DA2、DA3按每次注射而从时序数据加工部12供给到推断部18。
推断部18从推断模型保存部17读入推断模型M的模型信息MI(S12)。
推断部18向推断模型M输入加工完成时序数据,推断产品是合格品还是不合格品(S13)。即,推断部18使用模型信息MI,针对加工完成时序数据进行推断。
此外,在此,在合格/不合格推断装置中,在S12中模型信息MI被从推断模型保存部17读入,但推断部18也可以在S11的处理开始前将模型信息MI事先读入。
在S13之后,关注部位计算部19进行关注部位的计算(S14)。
在S14之后,推断部18和关注部位计算部19输出作为推断结果的推断结果信息IJ、以及关注部位信息(S15)。向推断结果输出部20和推断结果提示部21输出推断结果信息IJ,向推断结果提示部21输出关注部位信息。
推断结果提示部21向处于压铸机5的后续工序的生产线的控制装置等发送推断结果信息IJ。例如,生产线的控制装置如果接收到表示是不合格品的推断结果信息IJ,则执行处理以针对该被推断为不合格品的产品不进行后续工序的加工等。
推断结果提示部21如果例如接收到表示是不合格品的推断结果信息IJ,则在监视器等显示装置上利用消息来显示在压铸机5中制造了不合格品的意思,并且在显示装置上显示如图13所示的表示关注部位的图像。其结果,生产线的工作人员能够采取规定的对策。
如上,根据上述的实施方式,能够在注射后推断在压铸机5中制造的产品是合格品还是不合格品,因此不会对被认为是不合格品的产品继续进行之后的加工处理,能够减少加工处理的浪费。
在注射中产生的不合格可以认为受到注射时的柱塞P等的位置及速度、注射时的流道R内的压力等的影响。例如,作为压铸的不合格之一的孔有时由于在注射中气体被卷入模具内而产生,根据卷入气体的量,是否产生孔及孔的大小发生变化。难以直接测量卷入气体量,但与气体的量相应地,射出时的柱塞P的行为有可能发生微小变化,如果对其进行把握,则有可能能够推断是否产生孔及孔的大小等。
因此,在上述的实施方式中,为了把握柱塞P的行为的微小变化,基于柱塞P的位置、速度等的时序数据,推断各注射中得到的产品是合格品还是不合格品。
图16是表示具有微小变动的时序数据的例子的图。图16表示了柱塞P的速度的时序数据的波形。在根据速度数据的变化是否处于根据基准波形设定的规定的上下限波形(以虚线表示)内来判断成型品是否合格的以往方法中,在判断是否合格中未考虑以实线表示的微小的速度变动。即,射出速度等的微小变动的发生也有可能成为气体等的产生原因,而该微小变动对产品的品质造成的影响未被考虑。
在图16的波形数据的情况下,由于波形数据处于上下限波形内,因此波形数据的微小变动未被把握。关于速度以外的波形数据也是同样的。
但是,根据上述的实施方式,能够还考虑以实线表示的微小变动,对由注塑成型机或者压铸机制造的产品的品质进行判断或者推断。
在时序数据的微小变动对孔的产生造成影响的情况下,根据本实施方式,能够推断不合格的产生。
因此,根据上述的实施方式,提供不仅考虑注塑成型机或者压铸机的动作状态中的大幅变动而且还考虑其微小变动的、推断产品的状态的产品状态推断装置。
此外,上述的实施方式使用压铸机所制造的产品的例子进行了说明,但也能够适用于通过注塑成型机制造产品的情况。
再者,推断模型生成装置3与合格/不合格推断装置4是不同的装置,但也可以作为一个装置构成。
再者,推断模型生成装置3也可以与数据取得装置2和合格/不合格推断装置4通过网络连接。例如,推断模型生成装置3也可以经由互联网而与数据取得装置2和合格/不合格推断装置4连接,从而远程设置。
以上说明了本发明的几个实施方式,但这些实施方式作为例子被例示,意图不在于限定发明的范围。这些新的实施方式能够以其他各种方式被实施,在不脱离发明的主旨的范围内,能够进行各种省略、置换、变更。这些实施方式及其变形被包含在发明的范围和主旨中,并且被包含在权利要求书所记载的发明及其等同的范围中。
本申请是以2018年11月6日在日本申请的特愿2018-209064号为优先权主张的基础而提出申请的,该申请的公开内容被引用至本申请说明书、权利要求书中。
Claims (6)
1.一种产品状态推断装置,是对注塑成型机或者压铸机的产品的状态进行推断的推断装置,具备:
检查结果取得部,取得与通过各注射而得到的所述产品的状态相关的检查结果;
时序数据取得部,取得所述各注射时的基于对所述注塑成型机或者所述压铸机的动作状态进行检测的多个传感器的多个检测信号的多个时序数据;
时序数据加工部,在对所取得的所述多个时序数据取得了时刻的同步之后,进行从所述多个时序数据切取规定的时间区间的数据并对切取出的所述多个时序数据实施结合的加工;
检查结果保存部,保存所述检查结果取得部所取得的所述检查结果;
时序数据保存部,将所述时序数据加工部加工后的所述时序数据作为加工后的时序数据加以保存;
推断模型生成部,将所述检查结果和所述加工后的时序数据作为学习数据,使用神经网络,生成基于如下模型之中的任意一个以上的模型的推断模型:所述检查结果的标签的识别模型、或者与所述检查结果相关的指标的回归模型、或者根据所述加工后的时序数据中的某时刻或者某时间区间的数据对所述加工后的时序数据中的其他时刻或者其他时间区间的数据进行回归的回归模型、或者对所述加工后的时序数据进行压缩并重构的自编码器模型;
推断模型保存部,保存所述推断模型生成部所生成的所述推断模型;
推断部,使用所述推断模型保存部中保存的所述推断模型,基于从所述各注射时的所述多个检测信号得到的所述加工后的时序数据,推断与所述产品的品质相关的信息;以及
推断结果输出部,输出与所述推断部的推断结果相关的信息;
所述多个时序数据的所述结合,是将取得了所述时刻的同步并被切取了相同的时间区间的所述多个时序数据作为1个矢量数据串联结合,或者是将取得了所述时刻的同步并被切取了相同的时间区间的所述多个时序数据以相同时刻的时序数据成为1个组的方式并联结合。
2.如权利要求1所述的产品状态推断装置,还具有:
推断结果提示部,为了向用户告知所述推断部的所述推断结果而提示所述推断结果。
3.如权利要求1或2所述的产品状态推断装置,还具备:
关注部位计算部,利用所述加工后的时序数据对所述推断模型的输出数据或者基于输出数据运算出的值进行偏微分运算,或者将所述推断模型的输出数据或其一部分与所述加工后的时序数据或其一部分进行比较,从而计算由所述推断部推断与所述产品的所述品质相关的信息时使用的所述推断模型计算所述推断结果时关注的所述加工后的时序数据的部分,作为关注部分。
4.如权利要求1或2所述的产品状态推断装置,还具有:
模型更新判断部,基于所述推断部的所述推断结果,或者基于所述推断部的所述推断结果以及在所述检查结果取得部中取得的所述检查结果,判断是否需要更新所述推断模型。
5.如权利要求4所述的产品状态推断装置,
所述模型更新判断部在根据所述推断结果和所述检查结果而求出的所述推断结果的不正确率或者正确率分别为规定的阈值以上或者小于规定的阈值时,判断为需要更新所述推 断模型。
6.如权利要求1或2所述的产品状态推断装置,
所述神经网络包含全连接的多层感知器、卷积神经网络及循环神经网络这3个神经网络之中的任意一个以上。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018209064A JP7021052B2 (ja) | 2018-11-06 | 2018-11-06 | 製品状態推定装置 |
JP2018-209064 | 2018-11-06 | ||
PCT/JP2019/043108 WO2020095848A1 (ja) | 2018-11-06 | 2019-11-01 | 製品状態推定装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112955266A CN112955266A (zh) | 2021-06-11 |
CN112955266B true CN112955266B (zh) | 2022-10-28 |
Family
ID=70611886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980071769.3A Active CN112955266B (zh) | 2018-11-06 | 2019-11-01 | 产品状态推断装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11644825B2 (zh) |
EP (1) | EP3878575A4 (zh) |
JP (1) | JP7021052B2 (zh) |
KR (1) | KR102591281B1 (zh) |
CN (1) | CN112955266B (zh) |
WO (1) | WO2020095848A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CH716122A1 (de) * | 2019-04-29 | 2020-10-30 | Alpla Werke Alwin Lehner Gmbh & Co Kg | Verfahren zum Betreiben einer Vorrichtung zur Herstellung eines Produktes, Computerprogrammprodukt und Vorrichtung zum Herstellen eines Produktes. |
JP2020190956A (ja) | 2019-05-22 | 2020-11-26 | 株式会社東芝 | 製造条件出力装置、品質管理システム及びプログラム |
JPWO2022210425A1 (zh) * | 2021-03-31 | 2022-10-06 | ||
JP7513064B2 (ja) | 2021-09-13 | 2024-07-09 | Jfeスチール株式会社 | 圧延設備の形状制御アクチュエータ設定モデルの生成方法、圧延設備の形状制御アクチュエータの設定方法、鋼板の形状制御方法、鋼板の製造方法、及び圧延設備の形状制御装置 |
US12045046B2 (en) * | 2021-10-04 | 2024-07-23 | Falkonry Inc. | Managing machine operations using encoded multi-scale time series data |
JP7455892B2 (ja) * | 2022-04-28 | 2024-03-26 | 一般社団法人クラインシュタイン医工学パースペクティブ | 異常予測システム、方法及びコンピュータプログラム |
JP2023172022A (ja) * | 2022-05-23 | 2023-12-06 | 芝浦機械株式会社 | 射出成形機の良否判定システム |
EP4290322A1 (en) * | 2022-06-07 | 2023-12-13 | Dassault Systèmes | Inference of emerging problems in product manufacturing |
JP2024063488A (ja) | 2022-10-26 | 2024-05-13 | 住友重機械工業株式会社 | 情報処理装置、射出成形機およびプログラム |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5735737A (en) * | 1980-08-12 | 1982-02-26 | Fukai Kogyo Kk | Temperature controller |
JP2926298B2 (ja) | 1994-01-13 | 1999-07-28 | 住友重機械工業株式会社 | 成形品の良否判別装置 |
JP2990404B2 (ja) | 1994-01-13 | 1999-12-13 | 住友重機械工業株式会社 | 射出成形機のアナログ波形解析方法及び装置 |
JPH10111862A (ja) * | 1996-08-13 | 1998-04-28 | Fujitsu Ltd | 再帰型ニューラルネットワークに基づく時系列解析装置および方法 |
DE19649633A1 (de) * | 1996-12-02 | 1998-06-04 | Abb Patent Gmbh | Verfahren zur Analyse und Darstellung von transienten Prozeßvorgängen |
US5914884A (en) * | 1997-01-02 | 1999-06-22 | General Electric Company | Method for evaluating moldability characteristics of a plastic resin in an injection molding process |
DE19743600B4 (de) * | 1997-10-02 | 2006-03-23 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren zur Überwachung eines zyklischen Produktionsprozesses |
JP3656121B2 (ja) * | 1998-01-21 | 2005-06-08 | 株式会社日本製鋼所 | 射出成形機の射出状態判定方法および判定装置 |
JP2000071303A (ja) | 1998-09-01 | 2000-03-07 | Nagano Japan Radio Co | インサート成形品の良否判定方法 |
TW584591B (en) * | 2000-06-08 | 2004-04-21 | Mirle Automation Corp | Method of setting parameters for injection molding machine |
DE10120476A1 (de) * | 2001-04-25 | 2002-11-21 | Bayer Ag | Hybridmodell und Verfahren zur Bestimmung von Eigenschaften hinsichtlich der Herstellung eines Spritzgießformteils |
JP2004216763A (ja) | 2003-01-16 | 2004-08-05 | Yazaki Corp | 簡易波形監視装置 |
JP2005199403A (ja) | 2004-01-16 | 2005-07-28 | Sony Corp | 情動認識装置及び方法、ロボット装置の情動認識方法、ロボット装置の学習方法、並びにロボット装置 |
JP4148524B2 (ja) | 2005-10-13 | 2008-09-10 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 相関性を評価するシステム、および、その方法 |
JP5657355B2 (ja) * | 2010-11-24 | 2015-01-21 | 東洋機械金属株式会社 | ダイカストマシン及びダイカストマシンの異常検出方法 |
JP6004084B2 (ja) * | 2013-03-29 | 2016-10-05 | 富士通株式会社 | モデル更新方法、装置、およびプログラム |
US10528024B2 (en) * | 2013-06-17 | 2020-01-07 | Ashley Stone | Self-learning production systems with good and/or bad part variables inspection feedback |
CA2847995C (en) | 2013-06-17 | 2018-06-05 | Ashley Stone | Molding systems and methods |
US20150269481A1 (en) | 2014-03-24 | 2015-09-24 | Qualcomm Incorporated | Differential encoding in neural networks |
JP6779316B2 (ja) | 2017-01-17 | 2020-11-04 | 日精樹脂工業株式会社 | 射出成形機の成形条件推定方法 |
JP6729455B2 (ja) * | 2017-03-15 | 2020-07-22 | 株式会社島津製作所 | 分析データ解析装置及び分析データ解析方法 |
JP6557272B2 (ja) | 2017-03-29 | 2019-08-07 | ファナック株式会社 | 状態判定装置 |
-
2018
- 2018-11-06 JP JP2018209064A patent/JP7021052B2/ja active Active
-
2019
- 2019-11-01 EP EP19882898.0A patent/EP3878575A4/en active Pending
- 2019-11-01 CN CN201980071769.3A patent/CN112955266B/zh active Active
- 2019-11-01 KR KR1020217012584A patent/KR102591281B1/ko active IP Right Grant
- 2019-11-01 WO PCT/JP2019/043108 patent/WO2020095848A1/ja unknown
-
2021
- 2021-04-28 US US17/302,243 patent/US11644825B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2020075385A (ja) | 2020-05-21 |
US11644825B2 (en) | 2023-05-09 |
EP3878575A4 (en) | 2022-08-03 |
JP7021052B2 (ja) | 2022-02-16 |
EP3878575A1 (en) | 2021-09-15 |
CN112955266A (zh) | 2021-06-11 |
WO2020095848A1 (ja) | 2020-05-14 |
US20210247754A1 (en) | 2021-08-12 |
KR20210065996A (ko) | 2021-06-04 |
KR102591281B1 (ko) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112955266B (zh) | 产品状态推断装置 | |
KR101917006B1 (ko) | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 | |
CN112198857B (zh) | 一种基于监测数据的工业设备控制优化方法及系统 | |
EP3438842B1 (en) | Preprocessor and abnormality predictor diagnosis system | |
JP2021146564A (ja) | 成形品判定装置、成形品判定方法、および成形品判定プログラム | |
CN106872509A (zh) | 一种基于红外成像的注塑制品质量在线检测装置与方法 | |
KR102417415B1 (ko) | 딥러닝 이상 감지 기반 생산 제품 불량 검출 방법 및 시스템 | |
CN113168170A (zh) | 制造条件输出装置、品质管理系统以及程序 | |
JP6040682B2 (ja) | 不良要因判定装置、不良要因判定システム、不良要因判定方法およびプログラム | |
JP3752979B2 (ja) | 成形データの記録表示方法 | |
JP2007196390A (ja) | 成形機の管理装置 | |
US11758310B2 (en) | Management system and calculation method | |
JP7391656B2 (ja) | 射出成形システム | |
CN109932908B (zh) | 一种基于报警信度融合的多向主元分析过程监测方法 | |
US10882236B2 (en) | Molding system, molding apparatus, inspection apparatus, inspection method, and program | |
US20240140010A1 (en) | Information processing device, injection molding machine, and non-transitory computer readable medium storing program | |
JP2020185676A (ja) | 射出成形機稼動管理に対する支援方法 | |
CN117227122B (zh) | 注塑机调机方法、装置、注塑机、电子设备及存储介质 | |
CN111108455A (zh) | 数据分类装置 | |
US20230039170A1 (en) | Molding management apparatus | |
US7004223B2 (en) | Method and apparatus for vacuum measurement during die casting | |
JP3766795B2 (ja) | 射出成形機の成形条件出し方法及びデータ表示装置 | |
JPH0336016A (ja) | 成形機生産監視システム | |
CN113762609A (zh) | 产品质量预测方法及装置 | |
JP2021137865A (ja) | 成形関連データの操作装置、および、成形関連データの表示方法 |
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 |