CN113427730A - 注射成型机及状态确定装置 - Google Patents

Abstract

本发明涉及一种注射成型机，提供有助于将废弃喷射的次数最佳化的信息。注射成型机包括：获取部，在注射成型机启动时在该注射成型机中获取监控值；及状态确定部，根据监控值的组来确定表示注射成型机是否处于量产状态的状态。

Description

注射成型机及状态确定装置

技术领域

本申请主张基于2020年3月23日申请的日本专利申请第2020-051450号的优先权。该日本申请的全部内容通过参考援用于本说明书中。

本发明涉及注射成型机及状态确定装置。

背景技术

专利文献1公开了推算出直至成型品的品质稳定为止的成型周期的次数。成型品的品质稳定所需的成型周期数是将残留于加热缸内的树脂量除以在一次成型周期中注射的树脂量而得到的(参考专利文献1的技术方案1)。通过实施成型品的品质稳定所需的成型周期数，从注射成型机停止时起残留于加热缸中的所有树脂从加热缸排出。专利文献1中，以此为理由，推算出之后在注射成型机中制造足够品质的成型品(参考专利文献1的0009段)。

专利文献2公开了在量产成型时提高成型品的品质预测的精确度。具体而言，如专利文献2的摘要所记载，公开了在监控值超出管理范围时，修改品质预测函数。

专利文献1：日本特开2018－111297号公报

专利文献2：日本特开2006－281662号公报

已知利用注射成型机制造的成型品的品质在注射成型机启动时不稳定。因此，直至与注射成型机有关的各种要件(例如，应注射的树脂的温度、模具的温度变化周期)稳定化为止，成型品作为不合格品而被废弃。

在注射成型机运转期间实时确认成型品的品质很麻烦。因此，有时会预先设定将成型品作为不合格品而废弃的成型周期(以下，称为废弃喷射)的次数。然而，在将废弃喷射的次数设定为较大的情况下，能够减少在成型品中混入不合格品的可能性，但是被废弃的成型品中的合格品的数量增加，浪费资源及能量，并且材料成本变高。在将废弃喷射的次数设定为较小的情况下，未废弃的成型品中的不合格品的数量增加，之后的检测工序的负担增加。

发明内容

本申请发明人鉴于上述非限定地例示的课题，新发现了提供有助于将废弃喷射的次数最佳化的信息的意义。

本发明的一个实施方式所涉及的注射成型机包括：获取部，至少在注射成型机启动时在所述注射成型机中获取监控值；及状态确定部，根据所述监控值的组来确定表示所述注射成型机是否处于量产状态的状态。

发明的效果

根据本发明的一个实施方式，能够提供有助于将废弃喷射的次数最佳化的信息。

附图说明

图1是表示本发明的一个实施方式所涉及的注射成型机的概略结构的图。

图2是表示注射成型机的动作的概略流程图。

图3是表示状态确定部的一例的概略框图。

图4是表示状态确定部中所包括的神经网络的示意图。

图5是表示从量产准备状态向量产状态的切换定时的非限定的时序图。

图6是表示注射成型机的动作的概略流程图。

图7是表示运算神经网络的输出的形态的概略框图。

图8是表示指标确定部的一例的概略框图。

图9是表示图7及图8所示的实施方式的动作的时序图。

图10是表示运算监控值的形态的概略框图。

图11是表示将运算值输入到神经网络的示意图。

图12是表示将上次的指标值输入到神经网络的示意图。

图13是表示递归型神经网络的示意图。

具体实施方式

以下，参考图1至图13对本发明的非限定实施方式及特征进行说明。本领域技术人员不需要过多说明，就能够组合各实施方式和/或各特征，也能够理解由该组合产生的协同效应。原则上省略实施方式之间的重复说明。参考附图以发明的记述为主要目的，并且为了方便作图而简化。各特征可理解为普遍特征：不仅对本说明书中所公开的注射成型机有效，而且还通用于本说明书中未公开的其他各种注射成型机。

如图1所示，注射成型机1具有安装于共同或不同的底座4上的合模装置2及注射装置3。注射成型机1根据合模装置2与注射装置3的协调动作而连续地制造成型品。合模装置2构造为重复闭模、合模及开模的循环。注射装置3构造为重复计量工序、填充工序及保压工序的循环。在合模装置2安装有模具装置5。模具装置5的具体结构由注射成型品的形状、大小及个数确定。模具装置5可以是2板式或3板式。在一些形态中，模具装置5具有1个以上的固定模具51及1个以上的可动模具52。

以下，对合模装置2及注射装置3的结构及动作更详细地叙述。合模装置2具有固定压板21、可动压板22、肘节机构23、肘节座24、多个连接杆25、合模马达26及模厚调节机构27。由合模马达26生成的驱动力传递至肘节机构23，可动压板22沿着连接杆25移动。由此，能够变更固定压板21的对置面与可动压板22的对置面的间隔。在固定压板21与可动压板22的间隔大时，能够将模具装置5导入到固定压板21与可动压板22之间的空间。将模具装置5导入到固定压板21与可动压板22之间的空间的状态下，能够将固定模具51安装于固定压板21，并且将可动模具52安装于可动压板22。可以在将固定模具51安装于固定压板21之后，将可动模具52安装于可动压板22，相反，也可以在将可动模具52安装于可动压板22之后，将固定模具51安装于固定压板21。

在对合模装置2安装有模具装置5的状态下，使可动压板22以与上述相同的方式移动，由此进行模具装置5的闭模、合模及开模。闭模为固定模具51的对置面与可动模具52的对置面接触而固定模具51的型腔部分与可动模具52的型腔部分在空间上连通的状态。合模为可动模具52被固定模具51强烈地按压以耐受来自注射装置3的材料的注射压力的状态。开模为固定模具51的对置面与可动模具52的对置面不接触而在两者之间隔有间隔的状态。

合模装置2包括用于从模具装置5排出成型品的顶出装置28。顶出装置28例如安装于可动压板22的后方。顶出装置28包括顶出杆和对顶出杆供给动力的顶出马达。由顶出马达生成的转矩通过滚珠丝杠转换为线性力，并传递至顶出杆。若使顶出杆前进，则模具装置5的顶出板被推压。可动模具52的成型品被顶出销推压，从模具装置5排出。注射成型机1与开模同步地使顶出装置工作。

肘节机构23具有：十字头23a，受到来自合模马达26的驱动力；第1连接件23b及第2连接件23c，在肘节座24与可动压板22之间旋转自如地结合；及第3连接件23d，结合十字头23a与第1连接件23b之间。由合模马达26生成的旋转力通过滚珠丝杠等转换装置转换为线性力，并施加到十字头23a。例如，十字头23a随着合模马达26的输出轴的正转而向固定压板21直行，第1连接件23b与第2连接件23c所形成的角度变大，可动压板22向固定压板21直行。若在可动压板22安装有可动模具52，则可动模具52也直行。十字头23a随着合模马达26的输出轴的反转而在远离固定压板21的方向上移动，第1连接件23b与第2连接件23c所形成的角度变小，可动压板22在与固定压板21分开的方向上直行。若在可动压板22安装有可动模具52，则可动模具52也在相同方向上直行。另外，在合模装置2中，还能够将可动压板22及安装于该可动压板22的可动模具52向固定压板21及安装于该固定压板21的固定模具51移动的方向定义为前方，并将与其相反的方向定义为后方。

肘节机构23放大合模马达26的驱动力而传递至可动压板22。其放大倍率还称为肘节倍率。肘节倍率随着第1连接件23b与第2连接件23c所形成的角度而改变。所形成的角度与十字头23a的位置相关。因此，能够根据十字头23a的位置来求出所形成的角度。还设想如下形态：不采用肘节机构23，为了可动压板22的移动而采用液压缸。

模厚调节机构27构造为，调节肘节座24相对于固定压板21的位置(两者的前后间隔、即模厚)。模厚调节机构27包括模厚调节马达27a。由模厚调节马达27a生成的旋转力传递至与连接杆25的后端部的丝杠轴螺合的螺帽，变更肘节座24沿着连接杆25的位置，变更肘节座24相对于固定压板21的位置(即，两者的间隔)。模厚调节马达27a的旋转力经由带及齿轮这样的传递要件(或直接地)被传递至螺帽。

注射装置3对安装于合模装置2的模具装置5供给熔融树脂材料。注射装置可以是同轴螺杆式或预塑式。在本说明书中，注射装置作为同轴螺杆式而进行说明，但是并不应限于此。注射装置3具有缸体31、螺杆32、加热器33、计量马达34、注射马达35、移动马达36、导轨37、第1活动支架38及第2活动支架39。

缸体31为收容螺杆32的金属制的筒材，并且具有缸体主体31a和喷嘴部31b。缸体主体31a收容螺杆32。喷嘴部31b具备具有比缸体主体31a的流路直径小的流路直径的直线流路，并且具有吐出从缸体主体31a供给的熔融塑料材料的吐出口。缸体主体31a具有接受从料斗31f供给的塑料材料、例如颗粒的材料供给口31c。颗粒通过经由缸体主体31a从加热器33传递的热量而熔融，并且随着螺杆32的旋转而向前侧即喷嘴部31b传送。另外，由后述说明可知，填充时的螺杆32的移动方向为前侧，计量时的螺杆32的移动方向为后侧。

螺杆32具有轴部和在轴部的外周以螺旋状设置的刮板，随着其旋转而将固体及熔融状态的树脂材料传送至缸体31的前侧。螺杆32能够受到来自计量马达34的旋转力而进行旋转。例如，计量马达34的输出轴与螺杆32经由带机械地连结。并且，螺杆32能够受到来自注射马达35的驱动力而在静止期间的缸体31内向前侧(靠近喷嘴部31b的一侧)及后侧(远离喷嘴部31b的一侧)移动。例如，注射马达35的输出轴经由带与滚珠丝杠的丝杠轴连结。在滚珠丝杠的螺帽固定第1活动支架38。相对于第1活动支架38能够旋转地安装螺杆32。同样地，相对于第1活动支架38固定计量马达34的主体部。第1活动支架38根据注射马达35的工作而移动，螺杆32及计量马达34移动。第1活动支架38能够移动地安装于固定在底座4的导轨37上。能够将朝向合模装置2的方向称为前方，将远离合模装置2的方向称为后方。

缸体31受到来自移动马达36的驱动力而向合模装置2前进，并且以远离合模装置2的方式后退。例如，移动马达36的输出轴与滚珠丝杠的丝杠轴连结。第2活动支架39经由弹性部件(例如，弹簧)与滚珠丝杠的螺帽结合。相对于第2活动支架39固定缸体31的后端部。第2活动支架39及缸体31根据移动马达36的工作而移动。第2活动支架39能够移动地安装于固定在底座4的导轨37上。另外，能够在各马达组装编码器等仪器。根据编码器的输出信号对马达进行反馈控制。

在螺杆32的尖端(前端)安装止回环(未图示)。螺杆32在缸体31内向喷嘴部31b侧移动时，止回环抑制储存于储存空间31e中的熔融塑料材料反向流动。

加热器33安装于缸体31的外周，例如，通过经反馈控制的通电而发热。加热器33以任意方式安装于缸体主体31a和/或喷嘴部31b的外周。

若对注射装置3的动作的概要进行叙述，则从加热器33对缸体31赋予热量，熔融经由料斗31f供给至缸体主体31a内的颗粒。根据来自计量马达34的旋转力而螺杆32在缸体主体31a内进行旋转，沿着螺杆32的螺旋状的槽向前侧输送塑料材料，在该过程中塑料材料逐渐熔融。随着向螺杆32的前侧供给熔融塑料材料而使螺杆32后退，将熔融塑料材料储存于储存空间31e中(称为“计量工序”)。关于螺杆32的转速，使用计量马达34的编码器来检测。在计量工序中，可以驱动注射马达35而对螺杆32施加设定背压，以限制螺杆32的急剧后退。关于针对螺杆32的背压，例如使用压力检测器来检测。螺杆32后退到计量结束位置，在螺杆32的前方的储存空间31e储存规定量的熔融塑料材料，计量工序结束。

接着计量工序之后，根据来自注射马达35的驱动力而螺杆32朝向喷嘴部31b从填充开始位置移动至填充结束位置，储存于储存空间31e中的熔融塑料材料经由喷嘴部31b的吐出口供给至模具装置5内(称为“填充工序”)。关于螺杆32的位置、速度，例如使用注射马达35的编码器来检测。若螺杆32的位置到达设定位置，则进行从填充工序到保压工序的切换(所谓的V/P切换)。还将进行V/P切换的位置称为V/P切换位置。螺杆32的设定速度可以根据螺杆32的位置、时间等来变更。

在填充工序中螺杆32的位置到达设定位置时，可以使螺杆32暂停在该设定位置，然后进行V/P切换。即将进行V/P切换之前，可以使螺杆32微速前进或微速后退，来代替停止螺杆32。并且，检测螺杆32的位置的螺杆位置检测器及检测螺杆32的速度的螺杆速度检测器并不限定于注射马达35的编码器，能够使用其他种类的检测器。

接着填充工序之后，随着螺杆32向前侧移动而螺杆32的前方的塑料材料的保持压力维持在设定压力，所残留的塑料材料被顶出到模具装置5(称为“保压工序”)。能够补充由模具装置5内的冷却收缩引起的不足的塑料材料。关于保持压力，例如使用压力检测器来检测。保持压力的设定值可以根据从保压工序开始经过的时间来变更。在保压工序中模具装置5内的型腔的塑料材料逐渐冷却，在保压工序结束时用固化的塑料材料堵住型腔的入口。该状态称为浇口密封，防止来自型腔的塑料材料的反向流动。在保压工序之后，开始冷却工序。在冷却工序中，进行型腔的塑料材料的固化。为了缩短成型周期时间，可以在冷却工序中开始下一次成型周期的计量工序。

接着保压工序之后，进行上述计量工序。

注射成型机1具有存放有用于控制合模装置2和/或注射装置3的控制系统的控制盘7(参考图1)。存放于控制盘7中的控制系统对合模马达26、顶出马达、计量马达34及注射马达35进行时序控制。控制系统根据合模马达26的控制来进行闭模、合模及开模。控制系统根据计量马达34及注射马达35的控制来进行计量、填充、保压。控制系统能够根据顶出马达的控制来从模具装置5的可动模具52推出成型品。控制系统能够根据移动马达36的控制来将缸体31定位在适当的位置。控制系统除了上述控制以外，还能够控制加热器33及模具装置5的温度调节。

例如，在一次成型周期中，依序进行计量工序、闭模工序、合模工序、填充工序、保压工序、冷却工序、开模工序及推出工序。在此叙述的顺序为各工序开始时间从早到晚的顺序。填充工序、保压工序及冷却工序在从合模工序的开始至合模工序的结束期间进行。合模工序的结束与开模工序的开始一致。另外，为了缩短成型周期时间，可以同时进行多个工序。例如，计量工序可以在上次的成型周期的冷却工序中进行，此时，闭模工序可以在成型周期的开始时进行。并且，填充工序可以在闭模工序中开始。并且，推出工序可以在开模工序中开始。

注射成型机1包括多个传感器。传感器例如为选自编码器、接触/非接触式传感器、应变传感器、压力传感器、测距仪、图像传感器及转矩传感器中的1种以上的传感器。编码器的例子为回转式编码器或线性编码器。能够采用增量型或绝对型中的任一种或双方。典型而言，编码器检测合模马达26、模厚调节马达27a、计量马达34、注射马达35、移动马达36等电动马达的旋转量。测量合模马达26的旋转量的编码器的输出信号被传递至控制部，高精度地控制可动模具52的位置，可实现闭模、合模及开模的状态变化。测量模厚调节马达27a的旋转量的编码器的输出信号被传递至控制部，调节肘节座24相对于固定压板21的位置(即，两者的间隔)。测量计量马达34的旋转量的编码器的输出信号被传递至控制部，高精度地控制螺杆32的旋转量(即，高精度地控制测量工序)。测量注射马达35的旋转量的编码器的输出信号被传递至控制部，高精度地控制缸体31内的螺杆32的位置(即，高精度地控制填充及保压工序)。

传感器可以包括温度传感器、接触/非接触式传感器、应变传感器、压力传感器、测距仪、图像传感器、转矩传感器及其他种类的传感器这样的多种传感器。温度传感器用于测定注射成型机1的构成要件(例如，模具装置5、固定压板21、缸体31(其喷嘴部31b)等)的温度。测定估计会对成型品的品质造成影响的注射成型机1的构成要件的温度是有利的。接触/非接触式传感器能够用于判定注射成型机1的构成要件、例如模具装置5、缸体31是否处于目标位置/姿势。关于接触传感器，例示按钮式开关、应变仪。非接触式传感器例如为检测与由于位移物的靠近而引起的电磁感应相对应的感应电流的传感器，但是并不限于该原理的种类。应变传感器能够用于检测注射成型机1的构成要件、例如连接杆25的应变，并检测合模力。测距仪能够用于判定注射成型机1的构成要件、例如模具装置5、缸体31是否处于目标位置/姿势，作为接触/非接触式传感器的追加或代替。测距仪例如为光学式，根据TOF(Time Of FLight：飞行时间)以光学方式测定到对象物的距离，但是并不限于该原理。图像传感器能够用于获取注射成型机1的状态判定用的图像。图像传感器为CCD、CMOS或其他种类的任意的图像获取装置。图像传感器能够包括图像处理电路。转矩传感器测量合模马达、模厚调节马达等电动马达的转矩。转矩传感器例如设置于合模马达的输出轴与滚珠丝杠的丝杠轴之间。

还设想为了不同目的而使用相同种类的传感器。例如，应变仪除了能够用于测量有无应变以外，还能够用于测量应变量。因此，应变仪也能够用作接触传感器，并且还能够用作应变传感器。同样地，测距仪并不限于测量距离，还能够检测有无对象物。同样地，图像传感器能够用于各种目的。例如，控制部能够根据主图象与获取图像的比较来判断注射成型机1的当前状态是否为所期待的状态。能够应用对获取图像的二值化处理、边缘提取处理、特征点提取处理这样的各种图像处理技术。

在本实施方式中，注射成型机1包括：获取部，在注射成型机1启动时在注射成型机1中获取监控值；及状态确定部，根据监控值的组(例如，2种以上的监控值)来确定表示注射成型机1是否处于量产状态的状态。能够获得与成型品的合格品率未达到容许值的启动期间和成型品的合格品率为容许值的量产期间的边界有关的信息，可提高注射成型机1的便利性。具体而言，能够抑制由于过长地确保注射成型机1的启动期间而产生的废弃喷射，能够实现资源的节约和材料成本的降低。

在注射成型机1启动时，连续进行的多次成型周期中的成型品的合格品率低。另一方面，若注射成型机1脱离启动期间而过渡到量产期间，则成型品的合格品率成为容许值。根据表示注射成型机1处于量产状态的状态的确定，与注射成型机1相关的机构(例如，注射成型机1的下游侧的机构(例如，从模具装置5取出成型品的机构、选择性地废弃成型品的机构))或注射成型机1的用户，能够在任意定时变更成型品的处理。例如，接收表示注射成型机1处于量产状态的状态的确定，选择性地废弃成型品的机构(例如，机器人手臂)停止运转。当然，该工序能够编入到时序处理中。

注射成型机1包括获取监控值的获取部、状态确定部60及状态通知部70。获取监控值的获取部包括设置于注射成型机1的多个传感器(例如，上述或后述2种以上的传感器)。传感器的检测值(输出)被直接用作监控值或经处理而用作监控值。在一些情况下，对传感器的检测值进行模拟或数字处理。状态确定部60根据在注射成型机1启动时在注射成型机1中获取到的监控值的组来确定表示注射成型机1是否处于量产状态的状态。状态确定部60确定表示注射成型机1未处于量产状态的状态(以下称为量产准备状态)和表示注射成型机1处于量产状态的状态(以下称为量产状态)中的任一个。状态确定部60从注射成型机1(例如，合模装置2、注射装置3、底座4及模具装置5)获取适当的监控值，用于确定状态。在一些情况下，监控值与由注射成型机1制造的成型品的品质(重量及有无成型不良)密切相关。例如，作为监控值，可举出模具装置5的温度、缸体31的温度、缸体31内的熔融树脂的温度、注射装置3对树脂的注射压力、模具装置5或连接杆25的应变程度。

状态确定部60能够在注射成型机1启动时通过任意方法来确定上述状态。为了确定状态，能够使用各种种类的算法。在一些情况下，使用预测成型品的品质的算法。状态确定部60确定(作为预测值)表示在本次的成型周期中制造的成型品的品质的指标，并根据该预测的指标的评价(例如，与阈值的比较)来确定状态(量产准备状态或量产状态)。为了高精度地求出表示成型品的品质的预测值，能够使用预先通过机器学习(例如，回归型机器学习)构建的神经网络(Neural Network:NN)，但是未必受此限。能够通过被程序控制的计算机、微型计算机、ASIC这样的方式来将状态确定部60具体化。

关于由状态确定部60确定的状态，能够通过状态通知部70通知给注射成型机1的外部(例如，注射成型机1的用户、注射成型机1的下游侧的机构)。在注射成型机1启动时，操作者能够识别从状态通知部70通知的状态，并确定是否持续进行废弃喷射。基于状态通知部70的通知形态可以是声音、光、图像或它们的组合。注射成型机1的控制部的显示器或扬声器能够兼作状态通知部70。可以将表示由状态确定部60确定的状态的信号作为开启·关闭控制信号而供给至其他机构(例如，选择性地废弃成型品的机构(例如，机器人手臂))。

参考图2，对注射成型机1的动作进行叙述。首先，注射成型机1开始运转(s1)，进行第一次成型周期(s2)。在第一次成型周期期间，由获取部(例如，2种以上的传感器)获取监控值，并传送到状态确定部60。状态确定部60从注射成型机1的获取部获得监控值(s3)。接着，状态确定部60确定当前状态为量产准备状态(s4)。例如，状态确定部60确定(作为预测值)表示在第一次成型周期中制造的成型品的品质的指标，并根据该预测的指标的评价(例如，与阈值的比较)来确定当前状态为量产准备状态。接着，状态通知部70通知所确定的量产准备状态(s5)，并进行下一次成型周期。在第Z(Z为2以上的自然数)次以后的成型周期中，状态确定部60确定当前状态为量产状态。例如，状态确定部60确定(作为预测值)表示在第Z次成型周期中制造的成型品的品质的指标，并根据该预测的指标的评价(例如，与阈值的比较)来确定当前状态为量产状态。接着，状态通知部70通知量产状态(s6)。重复说明，为了确定指标，能够使用预先通过机器学习(例如，回归型机器学习)构建的神经网络，但是并不限于此。

参考图3，对状态确定部60的非限定性的例子进行说明。状态确定部60包括指标确定部62和指标评价部64。指标确定部62针对每一个成型周期根据监控值的组来确定指标。指标可以是与多个成型周期中的成型品的品质(例如，合格品率)有关的指标。即，关于指标，不仅能够根据本次的成型周期中的成型品的品质来确定，还能够根据之前进行的成型周期中的成型品的品质来确定。典型而言，指标为与连续进行了包括本次执行的成型周期在内的N(N表示2以上的自然数)次的成型周期中的成型品的品质有关的指标。

在一次成型周期中成型多个成型品的情况下，一次成型周期的合格品率能够通过将合格品数除以成型品的总数来求出。关于规定数量的成型周期，通过运算(平均、加法运算、积分)个别成型周期的合格品率来求出与多个成型周期中的成型品的品质有关的指标。在一次成型周期中成型一个成型品的情况下，将合格品数除以成型周期数，由此求出与多个成型周期中的成型品的品质有关的指标。关于指标，由注射成型机1根据监控值来确定，因此可节省追随注射成型机1的成型周期的进行而监视成型周期的品质的劳力和时间。

指标评价部64对如上所述那样确定的指标进行评价，并确定当前状态为量产准备状态或量产状态中的哪一个。典型而言，指标评价部64为将如上所述那样确定的指标与阈值进行比较来确定状态的判定部，但是并不限于此。指标评价部64能够利用事前准备或由能够用户任意选择的评价函数。

状态确定部60能够包括如图4所示的神经网络，作为由获取部获取的监控值的例子，输入注射压力、应变、温度。注射压力能够由缸体31内的压力传感器监控。作为注射压力的追加或代替，能够监控模具装置5的模具内压力。例如，模具装置5的模具内压力由设置于模具装置5的压力传感器监控。应变能够由安装于连接杆25或模具装置5的应变传感器监控。温度能够由安装于缸体或模具装置5的温度传感器监控。在一些情况下，监控模具装置5的模具内压力和模具装置5的温度，并观测(推断)模具装置5内的树脂的密度状态。通过监控模具装置5的应变，能够捕获到成型型腔的微小的尺寸变化。

监控值可以是(能够随时间而变动的)传感器的输出值(或其运算值)、一定期间内的传感器输出值(或其运算值)的平均值、在成型周期中的特定的定时获取的传感器的输出值(或运算值)。神经网络的输入由神经网络处理，并从神经网络输出输出值。为了提高与指标有关的预测精确度，还能够变更输入的种类、输入层的节点数、中间层的数量、中间层的节点数、输出层的节点数、权重系数、偏置。

神经网络构能够被构建成，基于在第N(N表示2以上的自然数)次成型周期中获得的监控值的组的神经网络的输出，除了反映在第N次成型周期中获得的成型品的评价以外，还反映在第N－M(M为1以上的自然数，且比N小)次成型周期中获得的成型品的评价。由此，能够提高是否可以说注射成型机1已达到量产状态的准确度。作为监督数据而设定的神经网络的输出值被设定为，不仅表示本次成型周期中的成型品的品质，还表示包括本次成型周期在内的多个成型周期中的成型品的品质。

若对监督数据的准备更具体地进行叙述，则首先，在注射成型机1的某一次成型周期中，获取监控值的组。接着，根据在该成型周期中成型的成型品的品质和已进行的1次以上的成型周期(例如，上次或上上次)中的成型品的品质来确定指标。如此，能够准备监控值的组和应成为输入该监控值的组时的神经网络的输出的指标的组合。通过重复进行该步骤而能够准备足够的数据量的监督数据，能够适当地构建神经网络。将在本次成型周期中获得的监控值的组输入到神经网络而从神经网络输出的输出值(指标值)，也反映了已进行的过去的成型周期的成型品的品质评价。这意味着，神经网络的输出值与合格品率建立关联，通过神经网络的输出值的评价能够判别量产准备状态(合格品率较低)和量产状态(确保一定程度的合格品率)。

在确定指标时，能够从重量、外观、形状、尺寸这样的2个以上的观点来评价成型品的品质。关于成型品的外观，有时需要由熟练者进行检查。关于成型品的重量，也需要将一个成型品搭载于重量计等的操作。关于成型品的形状、尺寸，也需要相同的劳力和时间。

在将某一监控值的组输入到神经网络时的输出值相对于所期望的值(指标值)偏离到不容许的程度的情况下，反复变更神经网络的参数直至神经网络的输出值成为容许范围内的值为止。通过反复变更该参数来适当地构建神经网络。关于这样的操作，通常在计算机上通过程序来执行。

在对神经网络的输出层使用阶梯函数的情况下，作为指标而输出二值信号。此时，神经网络的输入层和中间层作为指标确定部62发挥作用，神经网络的输出层作为指标评价部64发挥作用。0表示量产准备状态，1表示量产状态。

在使用如上所述那样通过学习而构建的神经网络的情况下，根据在某一次成型周期中获取的监控值的组来获得指标。指标评价部64将由神经网络生成的指标与阈值进行比较来确定当前状态为量产准备状态或量产状态。

参考图5及图6，对状态从量产准备状态切换到量产状态的情况进行说明。在时刻t1时，进行第一次成型周期(s12)，获取监控值(s13)，执行神经网络(s14)。神经网络的输出NN1＝10，小于阈值。另外，阈值＝17。因此，指标评价部64评价为指标不满足条件(s15)。接着，接收该评价结果，状态通知部70将量产准备状态例如通知给注射成型机1的操作者(s16)。在图5中，NN1～NN11为神经网络的输出的识别值。分配给各神经网络的输出的框内的数字(例如，10、7、10、13、9、14、16、18、15、18、16)为神经网络的输出值。神经网络的输出值与指标值相等，但是并不限于此，可以用于评价对神经网络的输出值进行运算而得到的运算值。

关于时刻t2～t6，如图5所示。在时刻t8时，进行第8次成型周期，神经网络的输出NN8＝18。由于神经网络的输出NN8(＝18)大于阈值(＝17)，因此指标评价部64评价为指标满足条件(s15)。接着，接收该评价结果，状态通知部70将量产状态例如通知给注射成型机1的操作者(s17)。由此，与状态确定有关的流程结束。

通过调节作为监督数据而与监控值的组建立对应的指标的值，能够在时间轴上调节(提前或延迟)切换定时。在图5所示的情况下，在切换定时之后从神经网络输出的输出值(指标)，虽然包括小于阈值的情况，但是其本身是被容许的。即，即使在切换定时之后，假设成型出不合格品，也能够在之后的检测工序中去除。与切换定时之前相比，切换定时之后的合格品率较高，因此仍然会减轻检测工序的负担。

在上述实施方式中，已进行的过去的成型周期的成型品的品质评价被编入到神经网络中。然而，也设想将神经网络与已进行的过去的成型周期的成型品的品质评价区分开的形态。具体而言，作为监督数据，准备在某一次成型周期中获取的监控值的组和与在该成型周期中成型的成型品的品质有关的指标的组合。即使在该情况下，也能够通过对多个成型周期中的神经网络的输出值进行运算(例如，平均、加法运算、或积分)来确定与上述指标值具有相同性质的指标值。

如图7所示，监控值的组被输入到神经网络62a。运算处理部62b对在(例如，连续进行的)多次成型周期中获得的神经网络62a的输出进行运算(例如，平均、加法运算、或积分)。运算值除了反映本次成型周期中的成型品的品质评价以外，还反映已进行的过去的成型周期的成型品的品质评价，可促进适当地确定表示注射成型机1是否处于量产状态的状态。指标评价部64和状态通知部70的动作与上述情况相同，省略重复说明。

图8是表示运算处理部62b的一例的概略框图。运算处理部62b包括FIFO(First-InFirst Out：先进先出)缓存器和运算部。神经网络62a的输出值被取入FIFO缓存器中。运算部根据FIFO缓存器的多个存储值来求出运算值(例如，平均值、加法运算值、或积分值)。FIFO缓存器为缓存器的非限定性的一例，还能够使用其他种类的存储器。

图9示出图7及图8所示的实施方式的动作。如图9所示，随着时间的经过而神经网络62a的输出值变动，由运算处理部62b计算出的指标值(在图9中为加法运算值)也改变。阈值＝38。因此，第7次成型周期之后，从量产准备状态切换到量产状态。

在上述任一实施方式中，也可以对监控值进行运算处理，并将由此获得的运算值输入到神经网络。在图10所示的情况下，监控值被保持在FIFO缓存器，并由运算部运算(例如，平均、加法运算、或积分)。如图11所示，通过该运算而获得的运算值被输入到神经网络。运算值除了反映本次成型周期中的注射成型机1的动作状态，还反映已进行的过去的成型周期中的注射成型机1的动作状态。这能够有助于提高确定注射成型机1是否处于量产状态的判断的精度。

在上述任一实施方式中，也可以将神经网络设为递归型。例如，如图12所示，将上次的指标值输入到神经网络。作为追加或代替，如图13所示，还能够将上次的NN中间层的输出值用于本次的NN中间层中的运算。过去的成型周期中的神经网络执行时的生成值(输出层的输出值或中间层的输出值)被取入到本次成型周期中的神经网络执行时的运算中，可促进正确地确定注射成型机1是否处于量产状态。

基于上述发明，本领域技术人员能够对各实施方式及各特征施加各种变更。为了准确地预测指标，能够使用各种基于计算机的技术(算法、AI(artificial intelligence：人工智能)、机器学习、运算)。除了注射成型机以外的其他种类的成型机(例如，挤出机)也能够延用本发明的技术。注射成型机的启动还包括如下情况：从未对注射成型机供给电源的状态到注射成型机1运转；及从(电源开启状态的)注射成型机暂时地停止成型动作的状态到重新开始成型动作。

Claims (10)

1.一种注射成型机，其具备：

获取部，至少在注射成型机启动时在所述注射成型机中获取监控值；以及

状态确定部，根据所述监控值的组来确定表示所述注射成型机是否处于量产状态的状态。

2.根据权利要求1所述的注射成型机，其特征在于，

所述状态确定部至少根据所述监控值的组来确定与多个成型周期中的成型品的品质有关的指标，并根据该指标的评价来确定所述状态。

3.根据权利要求2所述的注射成型机，其特征在于，

所述指标为与连续进行了N次的成型周期中的成型品的品质有关的指标，所述N次的成型周期包括本次执行的成型周期，所述N表示2以上的自然数。

4.根据权利要求2或3所述的注射成型机，其特征在于，

所述状态确定部包括为了确定所述指标或所述状态而预先通过机器学习构建的神经网络。

5.根据权利要求4所述的注射成型机，其特征在于，

所述神经网络被构建为，基于在第N次成型周期中获得的监控值的组的所述神经网络的输出，除了反映在第N次成型周期中获得的成型品的评价以外，还反映在第N－M次成型周期中获得的成型品的评价，所述N表示2以上的自然数，所述M为1以上的自然数且比N小。

6.根据权利要求4所述的注射成型机，其特征在于，

所述状态确定部构成为，运算多个成型周期中的与所述神经网络的输出值相对应的指标值。

7.根据权利要求4至6中任一项所述的注射成型机，其特征在于，

所述神经网络为递归型。

8.根据权利要求1至7中任一项所述的注射成型机，其特征在于，

所述注射成型机还包括状态通知部，所述状态通知部通知所述确定的状态。

9.一种状态确定装置，其构成为，

至少根据在注射成型机启动时在所述注射成型机中获取的监控值的组，来确定表示所述注射成型机是否处于量产状态的状态。

10.一种成型机，其具备：

获取部，至少在成型机启动时在所述成型机中获取监控值；以及

状态确定部，根据所述监控值的组来确定表示所述成型机是否处于量产状态的状态。

Images