CN116323038A - 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
- CN116323038A CN116323038A CN202180066916.5A CN202180066916A CN116323038A CN 116323038 A CN116323038 A CN 116323038A CN 202180066916 A CN202180066916 A CN 202180066916A CN 116323038 A CN116323038 A CN 116323038A
- Authority
- CN
- China
- Prior art keywords
- statistical
- estimated
- industrial machine
- state
- unit
- 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 33
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 22
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 12
- 230000007717 exclusion Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 230000002787 reinforcement Effects 0.000 claims description 2
- 238000001746 injection moulding Methods 0.000 description 49
- 238000010801 machine learning Methods 0.000 description 43
- 230000005856 abnormality Effects 0.000 description 26
- 238000002347 injection Methods 0.000 description 24
- 239000007924 injection Substances 0.000 description 24
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 16
- 239000011347 resin Substances 0.000 description 14
- 229920005989 resin Polymers 0.000 description 14
- 238000012545 processing Methods 0.000 description 10
- 238000013500 data storage Methods 0.000 description 7
- 238000000465 moulding Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 238000013075 data extraction Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000003595 mist Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
状态判定装置具有:数据取得部,其取得工业机械有关的数据;推定部,其根据取得的数据来进行使用了学习模型的推定;以及统计数据计算部,其按照预定的统计条件来计算统计量,计算使用计算出的统计量对所述推定部的推定值进行了校正的统计推定值,由此,能够使由学习模型计算出的状态判定结果适应于工业机械的运转状况等的变化。
Description
技术领域
本发明涉及工业机械有关的状态判定装置及状态判定方法。
背景技术
定期或在异常产生时进行注射成形机等工业机械的维护。在维护工业机械时,通过使用在工业机械的动作时记录的表示该工业机械的动作状态的物理量,维护负责人判定该工业机械的动作状态有无异常,进行产生了异常的部件的更换等维护作业。
以下,以注射成形机的情况为例进行说明。作为注射成形机具有的注射缸的逆流防止阀的维护作业,已知有定期地从注射缸抽出螺杆而直接测定逆流防止阀的尺寸的方法。但是,在该方法中必须暂时停止生产来进行测定作业,存在生产率降低这样的问题。
作为用于解决这样的问题的现有技术,已知有不进行从注射缸拔出螺杆等使生产暂时停止的操作而间接地检测注射缸的逆流防止阀的磨损量来诊断异常的方法,检测施加于螺杆的旋转转矩,或检测树脂向螺杆后方逆流的现象来诊断异常。
例如,在专利文献1、2中公开了通过监督机器学习来针对驱动部的负荷、树脂压力等判定异常。然而,若更换生产所需的金属模具等附带设备、树脂等生产材料,或机械的运转状态、动作状态变动,则从该机械得到的测定值与在机器学习时使用的学习数据产生偏离,产生无法正确地进行基于机器学习的判定这样的问题。
在专利文献3中公开了如下内容:关于进行机器学习而导出的异常度推定值,针对由1个学习模型计算出的异常度推定值,导出使用与注射成形的机种、器材关联起来的校正系数进行校正后的异常度校正值。由此,能够将1个学习模型通用地应用于多种多样的机种、附带设备、生产材料,但需要预先准备与附带设备、生产材料对应的校正量,需要对其进行调整的作业。
现有技术文献
专利文献
专利文献1:日本特开2017-030221号公报
专利文献2:日本特开2017-202632号公报
专利文献3:日本特开2020-044718号公报
发明内容
发明要解决的课题
这样,为了应对生产所需的金属模具等附带设备、树脂等生产材料的变化,需要准备多个状态判定装置、多个学习模型。并且,在机械的运转状态、动作状态变动的情况下(例如,更换生产所需的金属模具等附带设备、或者更换树脂等生产材料的情况下),需要根据该变动来变更有无异常的判定基准、判定方法,作业效率差,需要成本,通用性低。
其主要原因在于,若更换附带设备(例如金属模具、金属模具调温机、树脂干燥机等)或生产材料、或者变更运转条件(例如注射速度、注射压力等参数、画面设定值、程序等)、或者暂时停止自动运转而再次启动、或者运转状态、动作状态产生变化、变更,则在该变化、变更的前后根据学习模型计算出的异常度产生大的差异,由此,成为异常度的判定精度恶化或者无法进行正确的判定的事态。
具体而言,运转状态、动作状态变化后的测定值与学习模型制作时的测定值(学习数据)相比,有时偏离,尽管是正常的状态,但有时通过机器学习推定出的推定值产生偏移(偏差),判定精度恶化。
即,为了应对多种多样的生产环境、操作员的要求,期望使由学习模型计算出的状态判定结果适应工业机械的运转状态、动作状态等的变化的方法。
用于解决课题的手段
本发明的状态判定装置根据从工业机械取得的时间序列数据,使用学习了异常度的学习模型来推定异常度,在产生了工业机械的运转状态、动作状态变化的事件的定时,根据在该事件的前后得到的多个推定值来计算统计量,导出对根据计算出的统计量通过学习模型推定出的推定值(异常度)进行了校正的推定值(异常度),根据该校正后的推定值来判定异常度,由此解决上述课题。
并且,本发明的一方式是判定工业机械的状态的状态判定装置,具有:数据取得部,其取得所述工业机械有关的数据;学习模型存储部,其存储学习了对应于工业机械有关的数据的该工业机械的动作状态的学习模型;推定部,其根据所述数据取得部从工业机械取得的数据,推定使用了存储在所述学习模型存储部中的学习模型的该工业机械的状态有关的推定值;统计条件存储部,其存储统计条件作为根据所述推定部推定出的多个推定值计算统计量的条件,该统计条件至少包含所述统计量的计算有关的统计函数和样本数;统计数据计算部,其按照存储在所述统计条件存储部中的统计条件计算统计量,计算使用计算出的所述统计量对基于所述推定部的推定值进行校正而得的统计推定值;以及判定结果输出部,其输出根据所述统计推定值判定所述工业机械的状态而得的结果,所述统计数据计算部计算根据在所述工业机械中产生的事件前由所述推定部推定出的推定值计算出的第一统计量以及根据在所述事件后由所述推定部推定出的推定值计算出的第二统计量,使用计算出的所述第一统计量以及所述第二统计量和预先决定的预定的校正函数,计算对在所述事件后由所述推定部推定出的推定值进行校正而得的统计推定值。
本发明的另一方式是一种判定工业机械的状态的状态判定方法,执行如下步骤:取得所述工业机械有关的数据的步骤;使用学习了对应于工业机械有关的数据的该工业机械的动作状态的学习模型,推定根据在所述取得的步骤中从工业机械取得的数据的该工业机械的状态有关的推定值的步骤;按照至少包含统计量的计算有关的统计函数和样本数的统计条件,根据多个所述推定值计算统计量,计算使用计算出的所述统计量校正所述推定值而得的统计推定值的步骤;以及输出根据所述统计推定值判定所述工业机械的状态而得的结果的步骤,在计算所述统计推定值的步骤中,计算根据在所述工业机械中产生的事件前在所述推定的步骤中推定出的推定值而计算出的第一统计量、和根据在所述事件后在所述推定的步骤中推定出的推定值而计算出的第二统计量,另外,使用计算出的所述第一统计量以及所述第二统计量和预先决定的预定的校正函数,计算对在所述事件后在所述推定的步骤中推定出的推定值进行校正而得的所述统计推定值。
发明效果
根据本发明的一方式,即使在产生了多种多样的运转状态、动作状态的变动的情况下,也能够通用地使用通过机器学习得到的1个学习模型的推定值,能够实现各种状态下的判定精度的提高和鲁棒性(稳健)的判定。
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是绘制了机器学习装置推定出的注射成形机的状态有关的推定值的图。
图6是表示统计条件的例子的图。
图7是表示统计条件所示的各推定值的区分的图。
图8是表示校正后的统计推定值的例子的图。
图9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略硬件结构图。
本实施方式的状态判定装置1例如能够安装为根据控制用程序控制工业机械的控制装置,另外,也能够安装于与根据控制用程序控制工业机械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连接的个人计算机上的例子。此外,作为本发明的状态判定装置设为该状态判定的对象的工业机械,例示出注射成形机、机床、矿山机械、木工机械、农业机械、建筑机械等。以下,对作为这样的工业机械的一例的注射成形机进行说明。
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和外部存储装置等外部设备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CF卡、USB存储器等外部存储介质(未图示)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、从后述的机器学习装置2输出的数据等经由接口17输出显示到显示装置70。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。
接口21是用于连接CPU11和机器学习装置2的接口。机器学习装置2具有:统一控制机器学习装置2整体的处理器201、存储系统程序等的ROM202、用于进行机器学习有关的各处理中的临时的存储的RAM203、以及用于学习模型等的存储的非易失性存储器204。机器学习装置2能够经由接口21观测由状态判定装置1能够取得的数据(例如,由安装于注射成形机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等)。另外,状态判定装置1经由接口21取得从机器学习装置2输出的处理结果,存储或显示取得的结果,或者经由网络9等对其他装置发送。
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。合模单元401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,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、声音等物理量并输送至控制装置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以及机器学习装置2具有的处理器201分别执行系统程序并控制状态判定装置1以及机器学习装置2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、数据提取部110、推定指令部120、统计数据计算部130、判定结果输出部140。另外,机器学习装置2具有推定部207。并且,在状态判定装置1的RAM13或非易失性存储器14中预先准备有: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;预先存储在基于统计数据计算部130的统计数据的计算中使用的统计条件的统计条件存储部310;以及作为用于存储统计数据计算部130计算出的统计数据的区域的统计数据存储部320。另外,在机器学习装置2的RAM203或非易失性存储器204上,作为用于存储学习模型214的区域,预先准备有学习模型存储部210,该学习模型214由后述的学习部制作,学习了从工业机械取得的预定的物理量有关的数据和该工业机械有关的状态的相关性。
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。另外,数据取得部100可以取得在注射成形机4中产生的事件(例如,结构或材料、金属模具的更换、注射条件的变更、养护的执行等),另外,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,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,并且,也可以按构成基于注射成形机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、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、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存储在取得数据存储部300中。
数据提取部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。数据提取部110从数据取得部100取得的物理量有关的数据中,经由取得数据存储部300提取在基于机器学习装置2的推定处理等机器学习有关的处理中使用的数据。在机器学习有关的处理中使用的数据是使用了在机器学习装置2中使用的学习模型的推定处理、学习处理所需的数据,既可以是单一的物理量有关的数据,也可以是多个物理量有关的数据的组合。数据提取部110与机器学习装置2在机器学习有关的处理中使用的学习模型匹配地适当提取数据,将该提取出的数据输出到推定指令部120。
推定指令部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的运算处理和使用了接口21的输入输出处理来实现。推定指令部120指示机器学习装置2使用预定的学习模型来执行推定处理。
统计数据计算部130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130以从注射成形机4接收到预定的事件的定时为基准,在其前后使用机器学习装置2输出的注射成形机4的状态的推定值来进行预定的统计量的计算。并且,使用计算出的各统计量和预先决定的预定的校正函数,计算对事件产生后机器学习装置2输出的注射成形机4的状态的推定值进行校正后的统计推定值。并且,将机器学习装置2输出的注射成形机4的状态的推定值、计算出的统计值、统计推定值分别存储在统计数据存储部320中。
图5是绘制了金属模具更换的事件产生前后的机器学习装置2推定出的推定值的图。
如图5所示,若在注射成形机4中变更运转状态、动作状态,则在其前后机器学习装置2推定出的异常度的推定值产生较大的变化。在图5的例子中,在进行金属模具更换的前后,机器学习装置2推定出的异常度的推定值从约40%到约75%平均增大约35%左右。因此,如图5所示,在将作为警告而检测到异常的阈值设定为75%的情况下,即使在未产生异常的情况下,在金属模具更换后误检测为异常的情况也增加。因此,计算事件产生前的统计量(在图5的情况下,事件产生前的平均值)和事件产生后的统计量(在图5的情况下,事件产生后的平均值),根据计算出的统计量来校正事件产生后的各推定值。并且,根据校正后的推定值(统计推定值)来判定注射成形机4的状态,由此,减少误检测的概率。在图5的例子中,例如从事件产生前的统计量减去事件产生后的统计量,使用将该减法运算后的结果与校正后的推定值相加的校正函数,使用对校正后的各推定值进行校正而得的统计推定值,由此,即使在金属模具更换产生后,也能够在不变更机器学习装置2的动作的情况下继续异常状态的检测。
统计数据计算部130按照存储在统计条件存储部310中的统计条件进行预定的统计处理,由此,计算事件产生前后的预定的统计量。预定的事件例如可以是如金属模具的更换信号、自动运转的开始信号、运转条件(参数、程序)的变更等那样表示变更了注射成形机4的运转状态、动作状态的事件。
存储在统计条件存储部310中的统计条件定义根据机器学习装置2输出的注射成形机4的状态的多个推定结果来计算统计量的条件。图6示出了存储在统计条件存储部310中的统计条件的例子。
统计条件至少包含用于统计量的计算的统计函数(加权平均(包含算术平均)、加权调和平均(包含调和平均)、修剪平均、均方根、最小值、最大值、最频值、加权中央值等)和推定值的样本数。此外,在决定在统计条件中决定的统计函数时,操作员目视确认图5中绘制的推定值的散布状态来适当选定统计函数即可。例如,预先使注射成形机4进行试验动作,在推定值产生偏差地变化的情况下,作为计算该推定值的统计量的统计函数,选择算术平均、调和平均等即可。另外,在多个推定值中包含从推定值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最频值、加权中央值等作为统计函数即可。
在图6的例子中,统计条件按从注射成形机4接收的预定的事件(附带设备的更换(例:金属模具更换)、运转条件的变更、生产材料的变更(例:树脂批次的变更)、自动运转的开始、检查作业的结束等)进行设定。统计条件中包含的统计函数和样本数(用于统计函数的推定值的总数)可以分别包含用于计算事件产生前的统计量的统计函数和样本数、以及用于计算事件产生后的统计量的统计函数和样本数。另外,在统计条件中也可以包含不用于计算统计量的推定值的数量作为排除期间。该排除期间表示从事件刚产生后到注射成形机4的动作稳定为止的期间。若变更注射成形机4的运转状态、动作状态,则根据之后立即取得的物理量有关的数据,机器学习装置2推定出的推定值有时会不稳定地上下变动。因此,在事件刚产生后设置排除期间,将该期间的机器学习装置2推定出的推定值从计算统计量的对象中排除。由此,针对事件产生后的统计量,也能够计算适当的值。
此外,存储在统计条件存储部310中的统计条件也可以如图9所例示的那样,能够从显示于显示装置70的操作画面操作输入装置71而手动地设定/更新。图9所例示的操作画面表示在产生了进行了金属模具更换这样的事件时,根据在接收金属模具更换的事件前推定出的10个推定值来计算中央值,将在接收到金属模具更换的事件后推定出的12个推定值排除,根据之后推定出的10个推定值来计算最频值的统计条件存储在统计条件存储部310中。
在设定了图6所例示那样的统计条件的情况下,统计数据计算部130在产生了预定的事件的情况下,根据在该事件产生前机器学习装置2推定出的推定值来计算该事件产生前的统计量。例如,在产生了进行了在图6的统计条件编号1中决定的金属模具更换这样的事件的情况下,根据在接收金属模具更换的事件前推定出的10个推定值来计算平均值,将其作为事件产生前的统计量。另外,统计数据计算部130在产生了预定的事件后机器学习装置2推定出的推定值中,根据除去了排除期间的推定值的推定值来计算事件产生后的统计量。例如,在产生了进行了在图6的统计条件编号1中决定的金属模具更换这样的事件的情况下,将在接收到金属模具更换的事件后推定出的12个推定值排除,根据之后推定出的10个推定值来计算平均值,将其作为事件产生后的统计量。
图7是绘制了图5所示的机器学习装置2推定出的推定值的图,按照图6的统计条件分别用虚线包围事件前的推定值、排除期间的推定值、事件后的推定值进行表示。另一方面,图8是绘制了根据事件前后的统计量对事件后的异常度的推定值进行了校正的统计推定值的图。这样,通过根据事件前后的统计量来校正事件后的推定值,即使不改变机器学习装置2的动作或不与注射成形机4的运转状态、动作状态匹配地准备多个学习模型,也能够在不改变判定异常或正常的基准(阈值)的情况下继续注射成形机4的状态的判定。
判定结果输出部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的运算处理和使用了接口17、20的输入输出处理来实现。判定结果输出部140输出根据统计数据计算部130计算出的统计推定值而推定出的注射成形机4的状态有关的信息。判定结果输出部140也可以将根据统计推定值推定出的注射成形机4的状态有关的信息显示输出到显示装置70。例如,在统计推定值超过预先决定的异常度的阈值的情况下,也可以将图8所例示的警告消息“检测到异常。请检查注射单元。”显示输出到显示装置70。并且,也可以使注射成形机的运转停止、减速,或者限制驱动注射成形机的驱动部的原动机的驱动转矩。由此,能够在成形不良增加前停止注射成形机4的运转,或者成为防止注射成形机4的损坏的安全的待机状态。判定结果输出部140也可以将根据统计推定值推定出的注射成形机4的状态有关的信息经由网络9向注射成形机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。
另一方面,机器学习装置2具有的推定部207通过图1所示的机器学习装置2具有的处理器201执行从ROM202读出的系统程序,主要进行处理器201的使用了RAM203、非易失性存储器204的运算处理来实现。推定部207根据来自推定指令部120的指令,执行使用了存储在学习模型存储部210中的学习模型214的推定处理,将该推定结果输出至统计数据计算部130。
在学习模型存储部210中预先存储有学习模型214。学习模型214预先制作并存储在学习模型存储部210中。学习模型214是根据在预定的运转状态、预定的动作状态下从注射成形机4取得的物理量有关的数据进行了学习的模型。在注射成形机的状态判定中使用的学习模型可以是取得按成形周期的工序(注射工序、保压工序、计量工序、减压工序、冷却工序等)不同的物理量有关的数据(在注射工序中为注射速度和金属模具内压力,在计量工序中为螺杆旋转速度、螺杆转矩、缸内压力等)作为学习数据,按各个工序(按动作状况)制作出的学习模型。使用学习模型214推定的推定值例如可以是成形周期的每个工序的消耗电力、成形品的品质有关的异常度、注射成形机4具有的注射缸的逆流防止阀有关的磨损量等,但并不限定于此,只要是判定注射成形机4的动作状态的异常有无的指标即可。
在注射成形机4的状态判定中使用的学习模型可以通过公知的监督学习(多层感知器、回归耦合神经网络、卷积神经网络等)、无监督学习(自动编码器、k平均法、对抗生成网络等)、强化学习(Q学习等)等学习算法制作。另外,制作各个学习模型的学习算法的构成要素(学习率等超参数的种类、机器学习时的最优化函数的种类等)能够根据已知的技术来构成。通过各个学习算法制作出的学习模型在学习处理以及推定处理时的计算负荷(计算时间)、推定值的精度、针对学习数据的鲁棒性(稳定性、稳健性)产生差异。因此,可以与状态判定的目的匹配地选择适当的学习算法。
在工业机械有关的状态判定中使用的学习模型也可以以压缩的状态存储,在运算时解压缩来使用。由此,能够高效地使用存储器,或者以较少的存储器量进行应对,因此,具有削减成本的优点。另外,也可以对学习模型进行加密来存储。若预先对学习模型进行加密来存储,则在安全性、信息隐匿的观点上是优选的。
具有上述结构的本实施方式的状态判定装置1即使在产生了多种多样的运转状态、动作状态的变动的情况下,也能够通用地使用通过机器学习得到的1个学习模型的推定值,实现各种状态下的判定精度的提高和鲁棒性(稳健)的判定。另外,通过学习模型计算出的推定值的通用性提高,因此,能够削减多种多样的测定值(学习数据)的取得作业、学习模型的制作作业有关的作业时间、成本,能够改善作业效率。
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。
在上述的实施方式中,以注射成形机为例进行了说明,但状态判定的对象也可以是其他工业机械。例如,在机床中,也可以根据与组装于主轴的切削工具、对切削工具进行冷却的加工液的种类、流量、工件材料等对应的多个学习模型来判定主轴的异常度。在木工机械中,也可以根据与旋转工具的种类、旋转速度等对应的多个学习模型来判定旋转工具的异常度。在农业机械中,也可以根据与施加于驱动部的驱动力、驱动部具有的器材等对应的多个学习模型来判定驱动部的异常度。在建筑机械、矿山机械中,也可以根据与连接于液压缸的液压软管的种类、原动机的输出、运转环境等对应的多个学习模型来判定液压缸的异常度。能够根据变更各个工业机械的运转有关的速度等运转条件、或更换附带设备的事件,使用对各个学习模型推定出的推定值进行校正而得的统计推定值来判定异常度。
另外,在多个工业机械经由网络9相互连接的情况下,可以从这些工业机械取得数据并由1个状态判定装置1判定各个工业机械的状态,也可以在多个工业机械具有的各个控制装置上配置状态判定装置1,由这些工业机械分别具有的状态判定装置1判定各个工业机械的状态。
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、21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 数据提取部;
120 推定指令部;
130 统计数据计算部;
140 判定结果输出部;
207 推定部;
210 学习模型存储部;
214 学习模型;
300 取得数据存储部;
310 统计条件存储部;
320 统计数据存储部。
Claims (11)
1.一种判定工业机械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,其取得所述工业机械有关的数据;
学习模型存储部,其存储学习了对应于工业机械有关的数据的该工业机械的动作状态的学习模型;
推定部,其根据所述数据取得部从工业机械取得的数据,推定使用了存储在所述学习模型存储部中的学习模型的该工业机械的状态有关的推定值;
统计条件存储部,其存储统计条件作为根据所述推定部推定出的多个推定值计算统计量的条件,该统计条件至少包含所述统计量的计算有关的统计函数和样本数;
统计数据计算部,其按照存储在所述统计条件存储部中的统计条件计算统计量,计算使用计算出的所述统计量对所述推定部的推定值进行校正而得的统计推定值;以及
判定结果输出部,其输出根据所述统计推定值判定所述工业机械的状态而得的结果,
所述统计数据计算部计算根据在所述工业机械中产生的事件前由所述推定部推定出的推定值计算出的第一统计量以及根据在所述事件后由所述推定部推定出的推定值计算出的第二统计量,使用计算出的所述第一统计量以及所述第二统计量和预先决定的校正函数,计算对在所述事件后由所述推定部推定出的推定值进行校正而得的统计推定值。
2.根据权利要求1所述的状态判定装置,其特征在于,
所述事件是附带设备的更换、运转条件的变更、生产材料的变更、自动运转的开始、检查作业的结束中的至少1个。
3.根据权利要求1所述的状态判定装置,其特征在于,
所述统计函数用于计算加权平均、算术平均、加权调和平均、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。
4.根据权利要求1所述的状态判定装置,其特征在于,
所述统计条件包含预定的排除期间,
所述统计数据计算部从在所述事件后由所述推定部推定出的推定值中除去所述预定的排除期间所包含的推定值来计算所述第二统计量。
5.根据权利要求1所述的状态判定装置,其特征在于,
所述校正函数从所述第一统计量减去所述第二统计量,将该减法运算后的结果与在所述事件后由所述推定部推定出的推定值相加。
6.根据权利要求1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个学习方法进行了学习的模型。
7.根据权利要求1所述的状态判定装置,其特征在于,
所述判定结果输出部输出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,
所述判定结果输出部在判定为所述工业机械的状态异常的情况下,输出使所述工业机械的运转停止、减速、或者限制驱动所述工业机械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的网络连接,从多个工业机械取得数据。
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工业机械连接的上位装置上。
11.一种判定工业机械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:
取得所述工业机械有关的数据的步骤;
使用学习了对应于工业机械有关的数据的该工业机械的动作状态的学习模型,推定根据在所述取得的步骤中从工业机械取得的数据的该工业机械的状态有关的推定值的步骤;
按照至少包含统计量的计算有关的统计函数和样本数的统计条件,根据多个所述推定值计算统计量,计算使用计算出的所述统计量校正所述推定值而得的统计推定值的步骤;以及
输出根据所述统计推定值判定所述工业机械的状态而得的结果的步骤,
在计算所述统计推定值的步骤中,计算根据在所述工业机械中产生的事件前在所述推定的步骤中推定出的推定值而计算出的第一统计量、和根据在所述事件后在所述推定的步骤中推定出的推定值而计算出的第二统计量,另外,使用计算出的所述第一统计量以及所述第二统计量和预先决定的预定的校正函数,计算对在所述事件后在所述推定的步骤中推定出的推定值进行校正而得的所述统计推定值。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-168773 | 2020-10-05 | ||
JP2020168773 | 2020-10-05 | ||
PCT/JP2021/036474 WO2022075224A1 (ja) | 2020-10-05 | 2021-10-01 | 状態判定装置及び状態判定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116323038A true CN116323038A (zh) | 2023-06-23 |
Family
ID=81126872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180066916.5A Pending CN116323038A (zh) | 2020-10-05 | 2021-10-01 | 状态判定装置及状态判定方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230367304A1 (zh) |
JP (1) | JP7132457B1 (zh) |
CN (1) | CN116323038A (zh) |
DE (1) | DE112021005251T5 (zh) |
WO (1) | WO2022075224A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2024058981A (ja) * | 2022-10-17 | 2024-04-30 | 株式会社日本製鋼所 | 情報処理方法、情報処理装置及びコンピュータプログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180059656A1 (en) * | 2015-03-12 | 2018-03-01 | Hitachi, Ltd. | Machine Diagnostic Device and Machine Diagnostic Method |
JP6294268B2 (ja) | 2015-07-31 | 2018-03-14 | ファナック株式会社 | 射出成形機の異常診断装置 |
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 |
JP2018147385A (ja) * | 2017-03-08 | 2018-09-20 | 三菱日立パワーシステムズ株式会社 | 保守作業計画システム、保守作業計画方法及びプログラム |
JP7180985B2 (ja) * | 2018-03-01 | 2022-11-30 | 株式会社日立製作所 | 診断装置および診断方法 |
JP6773738B2 (ja) | 2018-09-19 | 2020-10-21 | ファナック株式会社 | 状態判定装置及び状態判定方法 |
-
2021
- 2021-10-01 US US18/245,544 patent/US20230367304A1/en active Pending
- 2021-10-01 WO PCT/JP2021/036474 patent/WO2022075224A1/ja active Application Filing
- 2021-10-01 JP JP2022501067A patent/JP7132457B1/ja active Active
- 2021-10-01 CN CN202180066916.5A patent/CN116323038A/zh active Pending
- 2021-10-01 DE DE112021005251.9T patent/DE112021005251T5/de active Pending
Also Published As
Publication number | Publication date |
---|---|
DE112021005251T5 (de) | 2023-09-07 |
JP7132457B1 (ja) | 2022-09-06 |
WO2022075224A1 (ja) | 2022-04-14 |
JPWO2022075224A1 (zh) | 2022-04-14 |
US20230367304A1 (en) | 2023-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6787971B2 (ja) | 状態判定装置及び状態判定方法 | |
CN110920009B (zh) | 状态判定装置以及状态判定方法 | |
US10981315B2 (en) | State determination device | |
CN110962316B (zh) | 状态判断装置以及状态判断方法 | |
CN111175596B (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 | |
JP7010861B2 (ja) | 状態判定装置及び状態判定方法 | |
JP6708676B2 (ja) | 異常要因特定装置 | |
CN116323038A (zh) | 状态判定装置及状态判定方法 | |
CN110962315B (zh) | 状态判定装置以及状态判定方法 | |
WO2022054782A1 (ja) | 状態判定装置及び状態判定方法 | |
US20240009905A1 (en) | State determination device and state determination method | |
CN113646718B (zh) | 异常探测装置及异常探测方法 | |
JP7495513B2 (ja) | 状態判定装置及び状態判定方法 | |
JP7184997B2 (ja) | 状態判定装置及び状態判定方法 | |
WO2024057461A1 (ja) | 判定装置及び判定方法 | |
WO2024089851A1 (ja) | 判定装置及び判定方法 | |
CN116234673A (zh) | 状态判定装置及状态判定方法 |
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 |