CN116234651A - 状态判定装置及状态判定方法 - Google Patents
状态判定装置及状态判定方法 Download PDFInfo
- Publication number
- CN116234651A CN116234651A CN202180066813.9A CN202180066813A CN116234651A CN 116234651 A CN116234651 A CN 116234651A CN 202180066813 A CN202180066813 A CN 202180066813A CN 116234651 A CN116234651 A CN 116234651A
- Authority
- CN
- China
- Prior art keywords
- state
- data
- statistical
- injection molding
- molding 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
Links
- 238000000034 method Methods 0.000 title claims description 41
- 238000001746 injection moulding Methods 0.000 claims abstract description 81
- 238000004364 calculation method Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 20
- 238000013500 data storage Methods 0.000 claims description 17
- 238000007619 statistical method Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims 1
- 230000000630 rising effect Effects 0.000 claims 1
- 238000002347 injection Methods 0.000 description 62
- 239000007924 injection Substances 0.000 description 62
- 238000000465 moulding Methods 0.000 description 37
- 238000005259 measurement Methods 0.000 description 32
- 230000008569 process Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 21
- 230000005856 abnormality Effects 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 15
- 238000010801 machine learning Methods 0.000 description 11
- 239000011347 resin Substances 0.000 description 11
- 229920005989 resin Polymers 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000003595 mist Substances 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 3
- 238000011109 contamination Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000004519 grease Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- 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
- B29C2945/76003—Measured parameter
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
状态判定装置(1)具有:数据取得部(100),其取得预定的物理量有关的数据作为表示注射成形机(4)有关的状态的数据;特征量计算部(110),其根据物理量有关的数据,计算表示注射成形机(4)的状态的特征的特征量;统计数据计算部(120),其根据计算出的特征量,按照统计条件计算统计量作为统计数据,该统计条件至少包含用于根据预定的特征量计算预定的统计量的统计函数;以及状态判定部(140),其根据连续的多个统计数据的变动,判定注射成形机(4)的状态。
Description
技术领域
本发明涉及注射成形机有关的状态判定装置及状态判定方法,特别涉及对注射成形机成形的成形品的好坏的判定进行辅助的状态判定装置及状态判定方法。
背景技术
在基于注射成形机的成形品的生产中,预先设定成形有关的判别条件,使用该判别条件对成形后的成形品进行好坏判别。例如,若切换作为成形品的材料的树脂的制造批次,则注射缸内的树脂的塑化状态变动,由此,有时产生成形品的不良。另外,由于螺杆等部件的磨损或润滑脂向可动部的耗尽,有时也会产生成形品的不良。因此,根据成形周期中的注射工序的注射时间、峰值压力、计量工序的计量时间、计量位置等特征量的变化来进行根据经时变化、环境变化而变动的注射成形机有关的状态的判定。
与树脂的塑化状态最佳时的特征量相比,即使特征量产生一些差异,只要该差异不显著,成形品也未必会产生异常。因此,一般在特征量的判别条件中设置容许范围。例如,在专利文献1中示出了根据按成形周期检测出的测定数据的最大值以及最小值来进行好坏判定。另外,在专利文献2~4中示出了如下内容:根据时间序列数据计算特征量(例:注射时间、峰值压力、计量位置等的实际值/操作数据),根据计算出的特征量有关的基准值、与基准值的偏差、平均值、标准偏差等容许范围来判定正常(合格品)或者异常(不合格品),作为警报(产品产生了异常的可能性)进行报告。
现有技术文献
专利文献
专利文献1:日本特开平02-106315号公报
专利文献2:日本特开平06-231327号公报
专利文献3:日本特开2002-079560号公报
专利文献4:日本特开2003-039519号公报
发明内容
发明要解决的课题
引起成形品的异常(不良)的主要原因各种各样,有突发的主要原因和中长期的主要原因。作为突发的主要原因的例子,可举出传感器的损坏、异物向可动部的混入、异物向生产材料的混入、操作员的操作失误等。另一方面,作为中长期的主要原因的例子,可举出机构部件的磨损、消耗、劣化(螺杆的磨损、带的消耗、可动部的润滑脂耗尽、电气安装件的经年劣化、金属模具的磨损等)、生产环境的变化(生产材料(树脂)的劣化、季节的变化、降雨等引起的湿度的变化、早中晚的气温变化等)等。例如,早中晚的气温变化对加热注射缸的温度控制产生影响,注射缸内的树脂的塑化状态变动而有时导致成形品的不良。
这样,即使运转机械的条件(程序、注射速度等参数)相同,受到气温等环境变动、经时变化的影响,根据测定数据计算出的特征量也会变动而产生偏差。以往,关于突发的/短期的主要原因有关的异常,能够针对按成形周期取得的测定值、或者根据测定值计算出的特征量、统计量,设置预先决定的上限值/下限值等阈值来判定成形状态。
但是,对于判定长期缓慢地变化的成形状态、掌握花费时间一点点地变化的状态的变化的征兆并预测将来的状态的变化没有取得充分的应对。
即,期望在机械损坏之前进行通知、在成形品产生不良之前通知其状态、提高运行率的预防保全。
用于解决课题的手段
本发明的状态判定装置根据注射成形机的成形动作有关的时间序列数据(例:压力、电流、速度等),按成形工序计算时间序列数据的特征量(该成形工序中的峰值等),对计算出的多个特征量使用统计函数来计算统计量。接着,根据计算出的多个统计量的变动,判定注射成形机的成形状态。
并且,本发明的一方式是一种判定注射成形机的状态的状态判定装置,该状态判定装置具有:数据取得部,其取得预定的物理量有关的数据作为表示所述注射成形机有关的状态的数据;特征量计算部,其根据所述物理量有关的数据,计算表示所述注射成形机的状态的特征的特征量;特征量存储部,其存储所述特征量;统计条件存储部,其存储统计条件,该统计条件至少包含用于根据预定的特征量计算预定的统计量的统计函数;统计数据计算部,其根据存储在所述特征量存储部中的所述特征量,参照存储在所述统计条件存储部中的统计条件来计算统计量作为统计数据;统计数据存储部,其存储所述统计数据;以及状态判定部,其根据存储在所述统计数据存储部中的所述统计数据内连续的多个统计数据的变动,判定所述注射成形机的状态。
本发明的另一方式是一种判定注射成形机的状态的状态判定方法,执行如下步骤:取得预定的物理量有关的数据作为表示所述注射成形机有关的状态的数据的步骤;根据所述物理量有关的数据,计算表示所述注射成形机的状态的特征的特征量的步骤;根据计算出的所述特征量,按照统计条件计算统计量作为统计数据的步骤,该统计条件至少包含用于根据预定的特征量计算预定的统计量的统计函数;以及根据计算出的所述统计数据内连续的多个统计数据的变动,判定所述注射成形机的状态的步骤。
发明效果
根据本发明的一方式,能够进行长期缓慢地变化的成形状态的判定,并且能够预测将来的状态的变化。
附图说明
图1是一实施方式的状态判定装置的概略硬件结构图。
图2是注射成形机的概略结构图。
图3是第一实施方式的状态判定装置的概略功能框图。
图4是表示制造1个成形品的成形周期的例子的图。
图5是表示根据1个时间序列数据计算特征量的例子的图。
图6是表示根据2个以上的时间序列数据计算特征量的例子的图。
图7是表示统计条件的例子的图。
图8A是表示绘制了每次注射的特征量的图表的图。
图8B是表示绘制了根据特征量计算出的统计数据的图表的图。
图9是表示存储在统计数据存储部中的统计数据的例子的图。
图10是通过统计解析判定注射成形机的状态的情况下的状态判定部的概略的功能框图。
图11是表示判定条件的例子的图。
图12是通过机器学习判定注射成形机的状态的情况下的状态判定部的概略的功能框图。
图13是表示学习模型的例子的图。
图14是表示统计条件的输入画面的例子的图。
具体实施方式
以下,与附图一起对本发明的实施方式进行说明。
图1是表示本发明的一实施方式的状态判定装置的主要部分的概要硬件结构图。本实施方式的状态判定装置1例如能够安装为根据控制用程序来控制注射成形机4的控制装置。另外,本实施方式的状态判定装置1能够安装于与根据控制用程序来控制注射成形机4的控制装置并列设置的个人计算机、经由有线/无线网络与控制装置连接的个人计算机、单元计算机、雾计算机6、云服务器7等上位装置。在本实施方式中,表示将状态判定装置1安装在经由网络9与控制装置3连接的个人计算机之上的例子。
本实施方式的状态判定装置1具有的CPU11是整体地控制状态判定装置1的处理器。CPU11经由总线22读出储存在ROM12中的系统程序,按照该系统程序控制状态判定装置1整体。在RAM13中临时储存临时的计算数据、显示数据、以及从外部输入的各种数据等。
非易失性存储器14例如由利用未图示的电池进行备份的存储器、SSD(SolidState Drive)等构成,即使状态判定装置1的电源断开也保持存储状态。在非易失性存储器14中存储经由接口15从外部设备72读入的数据、经由接口18从输入装置71输入的数据、经由网络9从注射成形机4取得的数据等。在存储的数据中,例如可以包含由安装于由控制装置3控制的注射成形机4的各种传感器5检测出的驱动部的马达电流、电压、转矩、位置、速度、加速度、金属模具内压力、注射缸的温度、树脂的流量、树脂的流速、驱动部的振动、声音等物理量有关的数据。存储在非易失性存储器14中的数据也可以在执行时/利用时在RAM13中展开。另外,在ROM12中预先写入有公知的解析程序等各种系统程序。
接口15是用于连接状态判定装置1的CPU11和外部存储介质等外部设备72的接口。能够从外部设备72侧读入例如系统程序、注射成形机4的运转有关的程序、参数等。另外,在状态判定装置1侧制作/编辑的数据等能够经由外部设备72存储在未图示的CF卡、USB存储器等外部存储介质中。
接口20是用于连接状态判定装置1的CPU与有线或无线网络9的接口。网络9例如可以使用RS-485等串行通信、Ethernet(注册商标)通信、光通信、无线LAN、Wi-Fi(注册商标)、Bluetooth(注册商标)等技术进行通信。网络9与控制注射成形机4的控制装置3、雾计算机6、云服务器7等连接,在与状态判定装置1之间相互进行数据的交换。
读入到存储器上的各数据、作为执行了程序等的结果而得到的数据等经由接口17输出并显示在显示装置70中。另外,由键盘、指示设备等构成的输入装置71将基于操作员的操作的指令、数据等经由接口18传递给CPU11。
图2是注射成形机4的概略结构图。注射成形机4主要由合模单元401和注射单元402构成。在合模单元401中具有可动压板416和固定压板414。另外,在可动压板416安装有可动侧金属模具412,在固定压板414安装有固定侧金属模具411。另一方面,注射单元402由注射缸426、积存向注射缸426供给的树脂材料的料斗436、以及设置于注射缸426的前端的喷嘴440构成。在制造1个成形品的成形周期中,在合模单元401中,通过可动压板416的移动进行闭模/合模的动作,在注射单元402中,将喷嘴440按压于固定侧金属模具411之后将树脂注射到金属模具内。这些动作由来自控制装置3的指令控制。
另外,在注射成形机4的各部安装有传感器5,检测驱动部的马达电流、电压、转矩、位置、速度、加速度、金属模具内压力、注射缸426的温度、树脂的流量、树脂的流速、驱动部的振动、声音等物理量,输送至控制装置3。在控制装置3中,将检测出的各物理量存储在未图示的RAM、非易失性存储器等中,根据需要经由网络9向状态判定装置1发送。
图3将本发明的第一实施方式的状态判定装置1具有的功能作为概略的框图而示出。本实施方式的状态判定装置1具有的各功能通过图1所示的状态判定装置1具有的CPU11执行系统程序,控制状态判定装置1的各部的动作来实现。
本实施方式的状态判定装置1具有:数据取得部100、特征量计算部110、统计数据计算部120、状态判定部140。另外,在状态判定装置1的RAM13或非易失性存储器14中,预先准备:作为用于存储数据取得部100从控制装置3等取得的数据的区域的取得数据存储部300、作为用于存储特征量计算部110计算出的特征量的区域的特征量存储部310、预先存储基于统计数据计算部120的统计数据的计算中的统计条件的统计条件存储部320、作为用于存储统计数据计算部120计算出的统计数据的区域的统计数据存储部330。
数据取得部100通过图1所示的状态判定装置1具有的CPU11执行从ROM12读出的系统程序,主要进行CPU11的使用了RAM13、非易失性存储器14的运算处理、和基于接口15、18或20的输入控制处理来实现。数据取得部100取得由安装于注射成形机4的传感器5检测出的驱动部的马达电流、电压、转矩、位置、速度、加速度、金属模具内压力、注射缸426的温度、树脂的流量、树脂的流速、驱动部的振动、声音等物理量有关的数据。数据取得部100取得的物理量有关的数据可以是表示每个预定周期的物理量的值的、所谓的时间序列数据。数据取得部100在取得物理量有关的数据时,一并取得检测出该物理量时的生产数(注射数)。该生产数(注射数)可以是进行上次养护起的生产数(注射数)。数据取得部100也可以经由网络9从控制注射成形机4的控制装置3直接取得数据。数据取得部100也可以取得外部设备72、雾计算机6、云服务器7等取得并存储的数据。数据取得部100也可以按构成注射成形机4的1个成形周期的工序分别取得物理量有关的数据。图4是例示制造1个成形品的成形周期的图。在图4中,作为网线框的工序的闭模工序、开模工序以及顶出工序通过合模单元401的动作来进行。另外,作为空白框的工序的注射工序、保压工序、计量工序、减压工序及冷却工序通过注射单元402的动作来进行。数据取得部100以能够按这些工序进行区分的方式取得物理量有关的数据。数据取得部100取得的物理量有关的数据与基于注射成型机4的生产数(注射数)关联起来存储在取得数据存储部300中。
特征量计算部110通过图1所示的状态判定装置1具有的CPU11执行从ROM12读出的系统程序,主要进行CPU11的使用了RAM13、非易失性存储器14的运算处理来实现。特征量计算部110根据数据取得部100取得的表示注射成形机4的状态的物理量有关的数据,按构成注射成形机4的成形周期的工序,计算物理量有关的数据的特征量(注射工序中的注射时间、峰值压力、峰值压力到达位置、计量工序中的计量压力峰值、计量结束位置、闭模工序中的闭模时间、开模工序中的开模时间等)。特征量计算部110计算的特征量表示注射成形机4的每个工序的状态的特征。图5是表示注射工序中的压力的变化的图表。图5的t1表示注射工序的开始时间点,t3表示注射工序的结束时间点。压力伴随着将注射缸内的树脂向金属模具内注射的动作而开始上升,之后,由注射成形机4的控制装置3进行控制,以成为预定的目标压力P1。预定的目标压力P作为基于操作员的操作的指令,由操作员目视确认显示于显示装置70的操作画面并操作输入装置71而预先手动设定。如图5所示,特征量计算部110计算表示在注射工序中取得的压力的时间序列数据的峰值,将其作为注射工序中的峰值压力的特征量。图6是表示注射工序中的压力的变化及螺杆位置的变化的图表。如图6所示,特征量计算部110在计算出注射工序中的峰值压力的基础上,计算到达该峰值压力的峰值压力到达时间t2的螺杆位置,将其作为注射工序中的峰值压力到达位置的特征量。这样,特征量计算部110计算的特征量有时根据预定工序中的预定物理量有关的数据来计算,有时根据预定工序中的多个物理量有关的数据来计算。特征量计算部110计算出的特征量与基于注射成形机4的生产数(注射数)关联起来存储在特征量存储部310中。
统计数据计算部120通过图1所示的状态判定装置1具有的CPU11执行从ROM12读出的系统程序,主要进行CPU11的使用了RAM13、非易失性存储器14的运算处理来实现。统计数据计算部120根据特征量计算部110计算出的表示注射成形机4的状态的特征的特征量,计算该特征量的统计量即统计数据。统计数据计算部120在计算统计数据时,参照存储在统计条件存储部320中的统计条件。
存储在统计条件存储部320中的统计条件决定根据特征量计算统计量(例:平均值、方差等)的条件。图7是存储在统计条件存储部320中的统计条件的例子。如图7所例示那样,统计条件是将特征量与用于根据该特征量计算统计量的统计函数关联起来的条件。如图7所示,统计条件可以按构成该特征量所属的成形周期的成形工序进行定义。另外,如图7所示,统计条件可以包含运算统计量时的特征量的样本数。统计条件中包含的统计函数例如可以是加权平均、算术平均、加权调和平均、调和平均、修剪平均、对数平均、均方根、最小值、最大值、中央值、加权中央值、最频值等。关于该统计函数,可以预先使注射成形机4进行试验动作,分析基于注射成形机4的成形品的成形状态与根据特征量计算出的各统计量之间的相关性,根据该分析结果选择适当的函数。例如,在预定的特征量的最大值随着基于注射成形机4的成形品的成形状态变化而变化的情况下,可以选择最大值作为计算该特征量的统计量的统计函数。另外,例如,在多个特征量中包含从特征量的平均值大幅偏离的偏离值的情况下,选择难以受到偏离值的影响的加权中央值、最频值等作为统计函数即可。另外,例如,在随着基于注射成形机4的成形品的成形状态变化,预定的特征量的值出现偏差的情况下,可以选择标准偏差作为计算该特征量的统计量的统计函数。此外,作为特征量的值出现偏差的情况下的统计函数,并不限定于标准偏差,也可以是方差、平均偏差、变动系数等。这样,在预定的特征量有关的统计条件中,优选选择为了判定注射成形机4的状态的变化而有用的统计函数。
统计条件也可以如图14所例示的那样,操作员能够从显示于显示装置70的操作画面操作输入装置71手动地设定/更新。图14表示操作员选择加权平均作为根据特征量的注射时间计算统计量的统计函数,选择标准偏差作为根据特征量的峰值压力到达位置计算统计量的统计函数的情况下的显示例。另外,统计函数在统计量的计算中使用的样本数表示了特征量的注射时间为30次注射、特征量的峰值压力到达位置为10次注射。作为样本数的决定方法,在如注射工序中的注射时间、峰值压力到达位置那样特征量的值以较少的注射数产生变化的情况下,选定较小的值作为样本数,在如开模工序中的开模时间那样特征量的值按成形周期稳定而变化小、或者如注射缸的温度那样特征量经过较多的注射数缓慢地变化的情况下,选定90次注射等较大的值作为样本数即可。这样,样本数可以根据特征量按成形周期(每次注射)变化的情况而适当选定不同的注射数。
统计数据计算部120参照存储在统计条件存储部320中的统计条件,在预先决定的预定的定时根据存储在特征量存储部310中的特征量来计算作为该特征量的统计量的统计数据。例如,统计数据计算部120可以按预定的成形周期(每1次注射、每10次注射、每个设定于统计条件的样本数等)计算统计数据。图8A、图8B表示峰值压力到达位置的统计数据的例子。图8A是绘制了每次注射的特征量的图表,图8B是绘制了根据特征量计算出的统计数据的图表。如图7所例示的那样,计算峰值压力到达位置的统计数据的统计条件(统计条件编号3),决定标准偏差作为统计函数,决定10次注射作为样本数。此时,统计数据计算部120将按注射计算出的峰值压力到达位置的特征量按10次注射分别计算标准偏差,将其结果作为峰值压力到达位置的统计数据。另外,在统计条件(统计条件编号3)中,作为特征量所属的成形工序而决定了注射工序。因此,统计数据计算部120计算统计数据的定时可以不与注射工序重复,即在结束了注射工序后的工序即开模工序、顶出工序等中计算统计数据。(参照图4)统计数据计算部120将这样计算出的统计数据存储在统计数据存储部330中。此外,在决定在统计条件中决定的统计函数时,操作员可以目视确认图8A中绘制的特征量的散布状态来适当选定统计函数。
图9表示存储在统计数据存储部330中的统计数据的例子。在图9中,1~n的计数与计算出统计数据的次数对应。即,图9的例子,在进行统计数据的计算以及存储之后存储有n个统计数据。另外,以在之后计算出的统计数据中为较大的计数的方式排列各统计数据。这样,优选在统计数据存储部330中,将统计数据计算部120计算出的统计数据存储为能够掌握其计算顺序,即取得成为计算的基础的物理量有关的数据的时间顺序。通过以能够掌握统计数据的顺序的方式进行存储,能够对连续的多个统计数据执行预定的处理。
状态判定部140通过图1所示的状态判定装置1具有的CPU11执行从ROM12读出的系统程序,主要进行CPU11的使用了RAM13、非易失性存储器14的运算处理来实现。状态判定部140根据存储在统计数据存储部330中的统计数据内连续的多个统计数据的变动来判定注射成形机4的状态。状态判定部140例如根据注射时间、计量时间、闭模时间、开模时间中的任一个的最近的5个统计数据的变动如何来判定注射成形机4的状态。在另一例中,状态判定部140根据计量压力峰值、计量转矩峰值、计量结束位置中的任一个的最近的5个统计数据的变动如何来判定注射成形机4的状态。
状态判定部140也可以通过对存储在统计数据存储部330中的连续的多个统计数据进行统计的解析来进行变动的判定。图10以概略的框图表示进行统计的解析的情况下的状态判定部140具有的功能。进行统计的解析的状态判定部140具有统计解析部141及判定条件存储部142。
统计解析部141根据存储在判定条件存储部142中的判定条件,对连续的多个统计数据进行统计的解析。图11表示存储在判定条件存储部142中的判定条件的例子。判定条件能够按判定的状态定义为统计数据的变动条件和满足该条件的情况下的判定结果的组。在图11的例子中,在判定“成形工序有关的时间的状态”的判定条件(判定条件编号1)中,定义了在满足“注射时间、计量时间、闭模时间、开模时间中的任一个的最近的5个统计数据连续地单调增加”这样的条件的情况下,判定为“成形时间异常”的状态。在定义了这样的判定条件的情况下,统计解析部141在每次新计算统计数据时,针对注射时间、计量时间、闭模时间、开模时间分别取得5个最近的统计数据,判定取得的统计数据所包含的统计数据是否单调增加。并且,在注射时间、计量时间、闭模时间、开模时间中的任一个单调增加的情况下,状态判定部140判定为成形时间存在异常。在图11的另一例中,在判定“计量工序的状态”的判定条件(判定条件编号3)中,定义了在满足“计量压力峰值、计量转矩峰值、计量结束位置中的任一个的最近的5个统计数据合计上升10%”这样的条件的情况下,判定为“计量异常”的状态。在定义了这样的判定条件的情况下,统计解析部141在每次新计算统计数据时,针对计量压力峰值、计量转矩峰值、计量结束位置分别取得5个最近的统计数据,判定取得的统计数据所包含的统计数据间的增加量合计是否为10%以上。并且,在计量压力峰值、计量转矩峰值、计量结束位置中的任一个合计增加了10%以上的情况下,状态判定部140判定为计量工序存在异常。
状态判定部140的判定结果可以显示输出到显示装置70。另外,状态判定部140也可以将该判定结果经由网络9对注射成形机4的控制装置3、雾计算机6、云服务器7等上位装置发送输出。并且,在状态判定部140判定为异常的情况下,也可以使注射成形机4的运转停止、减速,或限制驱动注射成形机4的驱动部的原动机的驱动转矩。由此,能够在成形不良增加之前停止注射成形机4的运转,或成为防止注射成形机4的损坏的安全的待机状态。
具有上述结构的本实施方式的状态判定装置1能够进行长期缓慢地变化的成形状态的判定,并且,能够预测将来的状态的变化。例如,在对传感器5施加了突发的冲击、或对由传感器5检测的物理量施加了噪声的情况下,有时在特征量计算部110计算的特征量中包含偏离值。对包含该偏离值的特征量使用统计条件而计算出的统计数据为特征量的偏离值的影响被降低的值、或特征量的偏离值被除去的值,因此,能够精度良好地判定缓慢变化的成形状态。另外,在本实施方式的状态判定装置1中,通过使用由多个成形周期得到的统计量的变化状态进行判断,能够掌握花费时间而一点点地变化的成形状态的推移,实现在成为异常(警报)之前,掌握异常的征兆,向操作员通知异常的征兆。即,实现在注射成形机损坏之前进行通知、在成形品产生不良之前进行通知,即异常检测/预防保全。能够在产生异常而停止生产之前掌握异常的有无,因此,提高运行率、削减成本、改善作业效率。例如,操作员能够在螺杆、金属模具的磨损加剧而产生成形不良之前掌握异常的有无,能够在相应部件损坏之前准备维护部件,或实施将相应部件更换为维护部件等维护作业。由此,并非依据操作员的经验和直觉进行的有无异常的判定,而实现根据数值信息的稳定的判定、具有再现性的判定。
作为本实施方式的状态判定装置1的一变形例,状态判定部140也可以使用机器学习的技术对存储在统计数据存储部330中的连续的多个统计数据进行变动的判定。图12以概略的框图表示根据使用了机器学习的技术的推定结果来进行变动的判定的情况下的、状态判定部140具有的功能。进行基于机器学习的判定的状态判定部140具有推定部143以及学习模型存储部144。
推定部143使用存储在学习模型存储部144中的学习模型,进行基于连续的多个统计数据的状态推定。图13表示存储在学习模型存储部144中的学习模型的例子。存储在学习模型存储部144中的学习模型是使用统计数据进行了学习的模型,该统计数据是根据从预先正常运行的注射成形机4和表示了异常的注射成形机4分别取得的数据而计算出的。学习模型例如可以是通过公知的监督学习来进行学习的模型。该情况下,作为机器学习的算法,能够使用多层感知器、回归耦合神经网络、卷积神经网络等公知的算法。用于标签数据的定义、状态的判定的阈值根据状态判定的对象、机器学习的算法的种类等而不同,因此,可以预先反复进行试验动作而设定适当的值。例如在图13的例子中,“成形工序有关的时间的状态推定用”的学习模型(学习模型编号1)是使用将预先从注射成形机4取得的“注射时间、计量时间、闭模时间、开模时间的最近的5个统计数据”作为输入数据、将成形品的制造有关的时间的增加量相对于正常值的比例(0~100%)作为输出数据(标签数据)的教师数据进行学习而得到的学习模型。推定部143在每次新计算出统计数据时,针对注射时间、计量时间、闭模时间、开模时间分别取得5个最近的连续的统计数据,并将取得的统计数据输入到上述的学习模型而取得其输出(异常度的推定值)。并且,在推定出的异常度为阈值即10以上的情况下,状态判定部140判定为成形时间存在异常。在图13的另一例中,“计量工序的状态推定用”的学习模型(学习模型编号3)是使用将预先从注射成形机4取得的“计量压力峰值、计量转矩峰值的最近的10个统计数据、以及计量结束位置的最近的20个统计数据”作为输入数据、将表示成形品的重量从正常值的偏离度的标签(0~100%)作为输出数据(标签数据)的教师数据进行学习而得的学习模型。推定部143在每次新计算出统计数据时,取得计量压力峰值、计量转矩峰值的最近的连续的10个统计数据、以及计量结束位置的最近的连续的20个统计数据,将取得的统计数据输入到上述的学习模型而取得其输出(异常度的推定值)。并且,在推定出的异常度为阈值即30以上的情况下,状态判定部140判定为计量工序存在异常。这样,将连续的多个统计数据的序列作为输入数据进行了学习而得学习模型为学习了多个统计数据间的变动与注射成形机4的状态(成形品的状态)的相关性的模型。
学习模型例如可以是基于公知的无监督学习的模型。该情况下,作为机器学习的算法,能够使用自动编码器、k平均法等公知的算法。另外,学习模型例如可以是基于公知的强化学习的模型。该情况下,作为机器学习的算法,能够使用Q学习等公知的算法。
学习模型也可以以压缩后的状态存储在学习模型存储部144中,在推定处理时进行解压缩来使用。由此,能够高效地使用状态判定装置的存储器,另外,能够以较少的存储器量来应对,因此具有成本削减的优点。学习模型也可以加密后存储在学习模型存储部144中,在推定处理时进行解密来使用。由此,成为安全性、信息保密性强的状态判定装置1。
学习模型能够根据学习数据的种类、学习算法的差异来制作具有不同特征的学习模型。也可以考虑计算负荷(计算时间)、推定值的精度、对于时间序列数据的鲁棒性(稳定性、稳健性)等特征、差异,准备不同的学习模型并适当区分使用。该情况下,针对进行判定的状态预先制作多个不同的学习模型,例如在状态判定装置1的计算负荷高的情况下选择计算负荷低的学习模型,或在要求推定值的精度的情况下选择尽管计算负荷高,推定精度也高的学习模型等,根据状况区分使用适当的学习模型即可。
这样,使用了机器学习的技术的状态判定装置1能够进行长期缓慢地变化的成形状态的判定,并且,能够预测将来的状态的变化。通过使用机器学习的技术,与基于统计的解析的方法不同,预先学习统计数据与状态的变化的相关性作为学习模型,因此,能够削减预先分析两者的关系的成本。
以上,对本发明的一实施方式进行了说明,但本发明并不仅限定于上述的实施方式的例子,能够通过施加适当的变更而以各种方式实施。
例如,在多个注射成形机4经由网络9相互连接的情况下,可以从多个注射成形机取得数据并通过1个状态判定装置1判定各个注射成形机的状态,也可以在多个注射成形机具有的各个控制装置上配置状态判定装置1,通过该注射成形机具有的各个状态判定装置判定各个注射成形机的状态。
符号说明
1 状态判定装置;
2 机器学习装置;
3 控制装置;
4 注射成形机;
5 传感器;
6 雾计算机;
7 云服务器;
9网络;
11CPU;
12ROM;
13RAM;
14非易失性存储器;
15、17、18、20接口;
22 总线;
70 显示装置;
71 输入装置;
72 外部设备;
100 数据取得部;
110 特征量计算部;
120 统计数据计算部;
140 状态判定部;
141 统计解析部;
142 判定条件存储部;
143 推定部;
144 学习模型存储部;
300 取得数据存储部;
310 特征量存储部;
320 统计条件存储部;
330 统计数据存储部。
Claims (11)
1.一种判定注射成形机的状态的状态判定装置,其特征在于,
所述状态判定装置具有:
数据取得部,其取得预定的物理量有关的数据作为表示所述注射成形机有关的状态的数据;
特征量计算部,其根据所述物理量有关的数据,计算表示所述注射成形机的状态的特征的特征量;
特征量存储部,其存储所述特征量;
统计条件存储部,其存储统计条件,该统计条件至少包含用于根据预定的特征量计算预定的统计量的统计函数;
统计数据计算部,其根据存储在所述特征量存储部中的所述特征量,参照存储在所述统计条件存储部中的统计条件,计算统计量作为统计数据;
统计数据存储部,其存储所述统计数据;以及
状态判定部,其根据存储在所述统计数据存储部中的所述统计数据内连续的多个统计数据的变动,判定所述注射成形机的状态。
2.根据权利要求1所述的状态判定装置,其特征在于,
所述状态判定部具有:
判定条件存储部,其存储有用于判定所述注射成形机的状态的判定条件;以及
统计解析部,其以统计方式对存储在所述统计数据存储部中的连续的多个统计数据是否满足存储在所述判定条件存储部中的判定条件进行解析,
所述状态判定部根据所述统计解析部的解析结果来判定所述注射成形机的状态。
3.根据权利要求2所述的状态判定装置,其特征在于,
所述判定条件定义了连续的多个统计数据的单调增加的次数、单调减少的次数、上升率、下降率中的任一个有关的条件。
4.根据权利要求1所述的状态判定装置,其特征在于,
所述状态判定部具有:
学习模型存储部,其存储学习模型,该学习模型学习了由所述统计数据计算部计算出的统计数据内连续的多个统计数据与计算出该统计数据时的所述注射成形机的状态之间的相关性;以及
推定部,其根据存储在所述统计数据存储部中的连续的多个统计数据,进行使用了所述学习模型的所述注射成形机的状态的推定。
5.根据权利要求4所述的状态判定装置,其特征在于,
所述学习模型是通过监督学习、无监督学习以及强化学习中的至少1种学习方法进行了学习的模型。
6.根据权利要求1所述的状态判定装置,其特征在于,
所述统计函数是方差、标准偏差、平均偏差、变动系数、加权平均、加权调和平均、修剪平均、均方根、最小值、最大值、最频值、加权中央值中的任一个。
7.根据权利要求1所述的状态判定装置,其特征在于,
所述状态判定部的判定的结果显示输出到显示装置。
8.根据权利要求1所述的状态判定装置,其特征在于,
在所述状态判定部判定为所述注射成形机的状态异常的情况下,输出使所述注射成形机的运转停止、减速、或限制驱动所述注射成形机的原动机的驱动转矩的信号中的至少任一个。
9.根据权利要求1所述的状态判定装置,其特征在于,
所述数据取得部经由有线或无线网络而连接,并从多个注射成形机取得数据。
10.根据权利要求1所述的状态判定装置,其特征在于,
所述状态判定装置安装在经由有线或无线网络与所述注射成形机连接的上位装置上。
11.一种判定注射成形机的状态的状态判定方法,其特征在于,
所述状态判定方法执行以下步骤:
取得预定的物理量有关的数据作为表示所述注射成形机有关的状态的数据的步骤;
根据所述物理量有关的数据,计算表示所述注射成形机的状态的特征的特征量的步骤;
根据计算出的所述特征量,按照统计条件计算统计量作为统计数据的步骤,该统计条件至少包含用于根据预定的特征量计算预定的统计量的统计函数;以及
根据计算出的所述统计数据内连续的多个统计数据的变动,判定所述注射成形机的状态的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-168771 | 2020-10-05 | ||
JP2020168771 | 2020-10-05 | ||
PCT/JP2021/036167 WO2022075181A1 (ja) | 2020-10-05 | 2021-09-30 | 状態判定装置及び状態判定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116234651A true CN116234651A (zh) | 2023-06-06 |
Family
ID=81126853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180066813.9A Pending CN116234651A (zh) | 2020-10-05 | 2021-09-30 | 状态判定装置及状态判定方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20240009905A1 (zh) |
JP (1) | JPWO2022075181A1 (zh) |
CN (1) | CN116234651A (zh) |
DE (1) | DE112021005248T5 (zh) |
WO (1) | WO2022075181A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023209988A1 (ja) * | 2022-04-28 | 2023-11-02 | ファナック株式会社 | 判定装置および判定方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2862881B2 (ja) | 1988-10-14 | 1999-03-03 | ファナック株式会社 | 成形品の良否判別基準値自動設定方法及び装置 |
JPH06231327A (ja) | 1993-01-28 | 1994-08-19 | Konica Corp | 成形不良自動判別装置 |
JP3546951B2 (ja) | 2000-09-08 | 2004-07-28 | 住友重機械工業株式会社 | 射出成形機の製品良否判別方法 |
JP2003039519A (ja) | 2001-05-25 | 2003-02-13 | Toshiba Mach Co Ltd | 射出成形機におけるモニタリング方法 |
US20080111264A1 (en) * | 2006-11-15 | 2008-05-15 | Husky Injection Molding Systems Ltd. | Vibration Based Injection Molding Machine Damage Detection and Health Monitoring |
JP5785822B2 (ja) * | 2010-09-07 | 2015-09-30 | 住友重機械工業株式会社 | 射出成形機及び電力用半導体素子消耗度監視システム |
JP6416823B2 (ja) * | 2016-05-16 | 2018-10-31 | ファナック株式会社 | 加工セル及び加工セル管理システム |
JP6981113B2 (ja) * | 2017-09-05 | 2021-12-15 | オムロン株式会社 | 情報処理装置および情報処理方法 |
JP6893750B2 (ja) * | 2018-09-14 | 2021-06-23 | 株式会社日本製鋼所 | 射出成形機、射出成形機の状態報知システム、射出成形機の状態報知方法 |
JP6975188B2 (ja) * | 2019-02-07 | 2021-12-01 | ファナック株式会社 | 状態判定装置及び状態判定方法 |
JP6943909B2 (ja) * | 2019-03-06 | 2021-10-06 | ファナック株式会社 | 射出成形機の管理システム及び射出成形機の集中管理システム |
-
2021
- 2021-09-30 CN CN202180066813.9A patent/CN116234651A/zh active Pending
- 2021-09-30 WO PCT/JP2021/036167 patent/WO2022075181A1/ja active Application Filing
- 2021-09-30 JP JP2022555420A patent/JPWO2022075181A1/ja active Pending
- 2021-09-30 DE DE112021005248.9T patent/DE112021005248T5/de active Pending
- 2021-09-30 US US18/245,897 patent/US20240009905A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022075181A1 (ja) | 2022-04-14 |
JPWO2022075181A1 (zh) | 2022-04-14 |
DE112021005248T5 (de) | 2023-07-20 |
US20240009905A1 (en) | 2024-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111098464B (zh) | 状态判定装置和方法 | |
US10981315B2 (en) | State determination device | |
US20180281256A1 (en) | State determination apparatus | |
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 | |
CN111531831A (zh) | 状态判定装置以及状态判定方法 | |
CN116234651A (zh) | 状态判定装置及状态判定方法 | |
JP7495513B2 (ja) | 状態判定装置及び状態判定方法 | |
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 | |
CN112987682A (zh) | 控制方法、控制装置和机械设备 | |
WO2022054782A1 (ja) | 状態判定装置及び状態判定方法 | |
CN116234673A (zh) | 状态判定装置及状态判定方法 | |
WO2024089851A1 (ja) | 判定装置及び判定方法 | |
JP7184997B2 (ja) | 状態判定装置及び状態判定方法 | |
CN113454553B (zh) | 用于检测和测量源自工业过程中使用的部件的信令中的异常的系统和方法 | |
WO2024057461A1 (ja) | 判定装置及び判定方法 | |
JP7011106B1 (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 |