CN116669882A - 品质预测装置及其方法、程序以及记录介质 - Google Patents
品质预测装置及其方法、程序以及记录介质 Download PDFInfo
- Publication number
- CN116669882A CN116669882A CN202280008206.1A CN202280008206A CN116669882A CN 116669882 A CN116669882 A CN 116669882A CN 202280008206 A CN202280008206 A CN 202280008206A CN 116669882 A CN116669882 A CN 116669882A
- Authority
- CN
- China
- Prior art keywords
- quality
- log
- probability
- determination
- 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 28
- 238000000465 moulding Methods 0.000 claims abstract description 39
- 238000007689 inspection Methods 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 26
- 238000004378 air conditioning Methods 0.000 claims 1
- 238000001746 injection moulding Methods 0.000 description 28
- 238000002347 injection Methods 0.000 description 24
- 239000007924 injection Substances 0.000 description 24
- 238000004364 calculation method Methods 0.000 description 21
- 239000000463 material Substances 0.000 description 21
- 238000013500 data storage Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 13
- 230000002950 deficient Effects 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 9
- 238000001816 cooling Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005429 filling process Methods 0.000 description 3
- 239000011347 resin Substances 0.000 description 3
- 229920005989 resin Polymers 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000004512 die casting Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
-
- 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
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76939—Using stored or historical data sets
- B29C2945/76943—Using stored or historical data sets compare with thresholds
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
品质预测装置具备:概率预测模型生成部(66),根据将与成型机的成型动作条件或状态有关的日志和与该日志相对应的成型品的品质值建立关联而得的多个学习数据来生成概率预测模型;及品质预测部(61),使用概率预测模型根据日志计算成型品的品质指标。
Description
技术领域
本发明涉及一种品质预测装置及其方法、程序以及记录介质。
背景技术
专利文献1中公开如下:通过内置于注射成型机的微型计算机读取监控项目,将实际测定值与监控项目的上限值/下限值进行比较而进行成型品的品质判定。
现有技术文献
专利文献
专利文献1:日本特开平4-135724号公报
发明内容
发明要解决的课题
提供有助于判断成型品的检查的必要性的指标是有利的。仅通过点推断出成型品的品质(例如,重量、缩痕的有无),难以判断检查的必要性,有可能无法减轻其判断负担。
用于解决课题的手段
本发明的一实施方式所涉及的品质预测装置包括:概率预测模型生成部,根据将与成型机的成型动作条件或状态有关的日志和与该日志相对应的成型品的品质值建立关联而得的多个学习数据来生成概率预测模型;及品质预测部,使用所述概率预测模型根据日志计算成型品的品质指标。
成型机可以是注射成型机,但是也可以是压铸成型机等其他种类的成型机。
品质指标可以表示所述成型品的期待值及方差、或所述成型品的所期望的品质的发生概率、或所述成型品的品质的概率密度分布。
每次成型机制造成型品时可以进行品质的预测。因此,可以采用计算成本小的模型作为概率预测模型。从这样的观点出发,概率预测模型可适宜地采用根据贝叶斯线性回归计算出的概率预测模型。
本发明的另一实施方式所涉及的品质预测方法中,根据将与成型机的成型动作条件或状态有关的日志和与该日志相对应的成型品的品质值建立关联而得的多个学习数据来生成概率预测模型,使用所述概率预测模型根据日志计算成型品的品质指标。
也能够同样地理解用于实施该方法的程序,并且在本说明书中实质上公开了其概念。程序除了从服务器下载以外,还能够记录于非临时性记录介质(例如,光盘、磁盘、硬盘、半导体存储器等)而流通。非临时性记录介质是不含临时地传输这样的程序作为数据的通信线路的有形物。
在一些实施方式中,设置根据成型品的品质指标来判定成型品的检查的必要性的判定部。能够调整判定部的判定中所使用的判定参数。为了调整判定参数,可以使用混淆矩阵。混淆矩阵可以是根据真实的成型品质对基于概率预测模型预测出的成型品质的判定结果进行分类。
发明效果
根据本发明的一实施方式,可促进顺畅地进行成型品的检查的必要性的判断。
附图说明
图1是表示本发明的一实施方式所涉及的注射成型机的概略结构的示意图。
图2是主要表示注射成型机的控制部的概略框图。
图3是表示概率密度与阈值的关系的图。
图4是表示概率密度分布的一例的图。
图5是表示注射成型机的控制部的动作的概略流程图。
图6是表示模拟试验顺序的概略流程图。
具体实施方式
以下,参考图1至图6,对本发明的非限定的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,就能够组合各个实施方式和/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载为主要目的,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品质预测装置及方法有效,而且还通用于本说明书中未公开的其他各种品质预测装置及方法。
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构成为重复闭模、合模及开模的循环。注射装置3构成为重复计量工序、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。在一些方式中,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及模厚调整机构27。肘节座24与可动压板22经由肘节机构23连结,根据肘节机构23的工作而可动压板22能够相对于固定压板21进退。具体而言,通过合模马达26的工作,肘节机构23的状态发生改变,可动压板22的位置发生改变。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。在该状态下,将固定模具51及可动模具52分别安装于固定压板21及可动压板22。然后,使可动压板22向固定压板21移动而使模具装置5闭模,接着合模,最后开模。另外,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的半个型腔与可动模具52的半个型腔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。
肘节机构23具有:十字头23a,从合模马达26接受驱动力;第1连接件23b及第2连接件23c,在肘节座24与可动压板22之间轴旋转自如地结合;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生成的旋转力经由带261通过滚珠丝杠262等力转换装置转换为直线性推力并施加到十字头23a。例如,十字头23a随着合模马达26的输出轴的正旋转而向固定压板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。十字头23a随着合模马达26的输出轴的逆旋转而在从固定压板21位移的方向上移动,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。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侧或注射装置侧,并将与其相反的方向定义为后侧或反注射成型装置侧。
肘节机构23以使施加到十字头23a的推力倍增并传递至可动压板22的方式进行工作。其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。若第1连接件23b与第2连接件23c所形成的角度接近180°,则肘节倍率也增加。
模厚调整机构27构成为调整相对于固定压板21的肘节座24的位置(两者的前后间隔、换言之为模厚)。模厚调整机构27包括模厚调整马达27a。由模厚调整马达27a生成的旋转力经由带271传递至与连接杆25的后端部的丝杠轴螺合的螺帽,变更沿着连接杆25的肘节座24的位置,变更相对于固定压板21的肘节座24的位置(即,两者的间隔)。模厚调整马达27a的旋转力经由带及齿轮等传递要件被传递至(或直接地)螺帽。
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。由顶出马达生成的旋转力通过滚珠丝杠转换为直线力,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。
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往复螺杆式或螺杆预塑式。在本说明书中,注射装置作为同轴往复螺杆式而进行说明,但是并不限于此。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为容纳螺杆32的金属制筒材料,并且具有缸体主体31a和喷嘴部31b。缸体主体31a容纳螺杆32。喷嘴部31b具有具备比缸体主体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具有引进从料斗31f或自动化的塑料材料供给装置供给的塑料材料、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螺纹,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341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的侧)及后侧(与喷嘴部31b分开的侧)移动。例如,注射马达35的输出轴经由带353与滚珠丝杠351的丝杠轴连结。在滚珠丝杠351的螺帽352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,在第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,将与合模装置2分开的方向称为后方。
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,并且以与合模装置2分开的方式后退。例如,移动马达36的输出轴与滚珠丝杠361的丝杠轴连结。第2活动支架39经由弹性部件(例如,弹簧)363与滚珠丝杠361的螺帽362结合。相对于第2活动支架39,缸体31固定在其后端部。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以任意实施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的螺旋状的溝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。
在计量工序之后,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转换(所谓的V/P转换)。还将进行V/P转换的位置称为V/P转换位置。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转换。即将进行V/P转换之前,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。
在填充工序之后,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。
在保压工序之后,进行上述计量工序。
注射成型机1具有存储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)。存储于控制盘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。
如图2所示,将包括1个以上的日志值的日志从包括上述合模装置2及注射装置3的注射成型机主体1’输入到注射成型机控制部60。日志值为与注射成型条件或状态有关的变量,例如,包括对注射成型机主体1’设定的设定值或由设置于注射成型机主体1’的传感器获取的传感值或它们的组合。并且,还可以包括配套设备的数据或实用性、周边温度、树脂杆的差异等外部环境数据。
注射成型机控制部60能够组装在上述控制盘7,或者能够与上述控制盘7分开设置。注射成型机控制部60能够通过计算机来具体化。例如,设置至少一个CPU(CentralProcessing Unit:中央处理器)和至少一个存储器(硬盘驱动器、半导体存储器),从存储器读取的程序由CPU执行,所期望的功能(例如,后述品质预测部61、判定部62、概率预测模型生成部66、判定条件计算部67等程序模块)被具体化。还能够将注射成型机控制部60的一部分或全部功能置于网络或云上。
注射成型机控制部60具有品质预测部61、判定部62、数据存储部63、缓冲部64、运算处理部65。运算处理部65包括概率预测模型生成部66及判定条件计算部67。品质预测部61使用由概率预测模型生成部66生成的概率预测模型根据从注射成型机主体1’接收的日志(即,多个日志值)预测成型品的品质。该预测例如通过如下方式来进行:通过计算与1个以上的品质有关的期待值及方差来进行;或者通过计算1个以上的所期望的品质的发生概率来进行;或者通过计算与1个以上的品质有关的概率密度分布来进行。判定部62根据品质预测部61的预测结果(例如,期待值及方差、所期望的品质的发生概率和/或概率密度分布)来进行判定。判定部62的判定可以通过选择合格品、不合格品及需要检查这3个划分中的任一个来进行、或者可以通过选择是需要检查的2个划分中的任一个来进行。适当地设定判定部62的判定参数(例如,阈值),进行响应于(后述的)用户要求的判定。为了将品质预测部61的预测结果和/或判定部62的判定结果通知给用户而设置通知部68。通知部68通过图像、声音、闪光等向用户通知预测和/或判定结果。通知部68例如能够由各种显示器(例如,液晶显示器)、扬声器、LED阵列的闪光器构成。
在品质预测部61中进行的品质预测根据由概率预测模型生成部66生成的概率预测模型来进行。判定部62的判定中所使用的判定参数(例如,阈值)可以根据判定条件计算部67中的模拟试验结果来调整,但是并不限于此。
概率预测模型生成部66根据存储于数据存储部63的学习数据(根据需要,除此以外,还有用户要求)来生成概率预测模型。概率预测模型计算期待值及方差、所期望的品质的发生概率和/或概率密度分布等品质指标。就此而言,能够采用各种模型。例如,若品质由连续值表示,则通过贝叶斯线性回归来生成模型。若品质由离散值表示,则通过逻辑回归来生成模型。若品质由连续值和离散值的混合表示,则能够采用混合模型。
作为参考,举出贝叶斯线性回归模型的一例。假设目标变量y能够由在与说明变量矢量x的线性组合中施加了具有1/β的方差的干扰的模型表述,进而在其系数的预先分布中假设多变量高斯分布的贝叶斯线性回归模型的一例中,与说明变量矢量x相对应的目标变量y的预测分布p(y|x)能够通过如数式1所示的高斯分布来计算。在数式1中,y表示目标变量,x表示说明变量矢量,μ表示平均,σ表示标准偏差。平均μ通过数式2来计算。标准偏差σ通过数式3来计算。但是,数式2中的m、x为纵矢量。数式3中的x也为纵矢量。数式2中的以下式表示通过学习计算出的系数的后验分布的平均。
数式3中的以下式表示通过学习计算出的系数的后验分布的协方差矩阵。
SN
[数式1]
[数式2]
[数式3]
判定条件计算部67根据存储于数据存储部63的学习数据、由概率预测模型生成部66生成的概率预测模型及用户要求来进行模拟试验,确定判定部62的判定中所使用的判定参数(例如,阈值)。在一些情况下,判定条件计算部67根据学习数据(即,实际测定的成型品质的日志)使用成型品质的分布来推断出下一个成型品的成型品质的分布。并且,判定条件计算部67根据判定参数(作为选择项,除了判定参数以外,还有预测的不可靠性)来推断出对下一个成型品的成型品质的判定结果。判定条件计算部67能够根据推断出的成型品质、对其推断出的判定结果及(例如,基于学习数据的)真实的成型品质来模拟混淆矩阵,并能够估量检查率/合格品废弃率/不合格品流出率。
例如,混合矩阵由以下表表示。单元位号(1:1)的A表示将真实的合格品准确地推断为合格品的样品数。单元位号(1:2)的B表示将真实的不合格品错误地推断为合格品的样品数。单元位号(2:1)的C及单元位号(2:2)的D表示应实施检查而判断是否良好的样品数。单元位号(1:3)的E表示将真实的合格品错误地推断为不合格品的样品数。单元位号(2:3)的F表示将真实的不合格品准确地推断为不合格品的样品数。
[表1]
检查率、合格品废弃率、不合格品流出率能够如下计算。
检查率=(C+D)/(A~F的和)
合格品废弃率=E/(E+F)
不合格品流出率=B/(A+B)
若变更判定参数,则判定结果随之变更,伴随于此,检查率/合格品废弃率/不合格品流出率被变更。判定条件计算部67能够变更判定参数直至检查率/合格品废弃率/不合格品流出率中的任意一个以上满足用户要求为止,并确定满足用户要求的判定参数。如此,判定条件计算部67通过在概率上使用成型品质的分布和成型品质的预测分布来计算实现用户所要求的生产步骤的判定参数,其具体方法不限定于上述方法。
数据存储部63为存储有学习数据的数据库。将日志中所包含的日志值与成型品质彼此建立关联而存储于数据存储部63。例如,学习数据由彼此建立关联的(i)1个以上的日志值、(ii)至少一个的品质值构成。日志值及品质值均取实数值,但是未必限于此。日志值可以是连续值或离散值。品质可以是连续值或离散值。
能够在表2中提示日志X和品质值Y的非限定的例子。当然,还能够采用在表2中提示以外的日志X及品质值Y。例如,还能够排除在表2中提示的日志值X1~X4及品质Y1~Y4中的任一个。能够采用各种日志值作为说明变量,同样地能够采用各种品质值作为目标变量。典型而言,日志X构成为日志值X1~Xn(n为2以上的自然数)的组合(即,X=(X1,X2,X3~Xn))。表2所示的X1~X4可理解为关于各自的内容及它们的顺序的非限定的例子。为了便于理解,日志值的个数也设为4个。在注射成型机中,通常,日志值的个数为10个以上,与日志值的变化相对应的品质变化的指向性也多种多样。
[表2]
日志X | 学习数据_1 | 学习数据_2 | 学习数据_3 |
X1:温度[℃] | 10 | 14 | 16 |
X2:速度[mm/s] | 9 | 8.5 | 7 |
X3:时间[S] | 20 | 25 | 30 |
X4:压力[Pa] | 5 | 6 | 7 |
品质Y(连续值) | |||
Y1:重量[g] | 5 | 6 | 6.5 |
Y2:尺寸[mm] | 10 | 9.5 | 8 |
品质Y(离散值) | |||
Y3:有无毛刺 | 1 | 1 | 0 |
Y4:有无缩痕 | 0 | 0 | 1 |
在表2中,对于离散值的品质,第1实数的“1”被分配给有毛刺或缩痕,第2实数的“0”被分配给无毛刺或缩痕。离散的品质评价不限于使用2个评价值的实施方式,还能够使用3个以上的评价值。
在图3的(A)及图3的(B)所示的情况下,品质预测部61使用概率预测模型生成品质的概率密度分布,作为选择项计算合格品率。在图3的(A)及图3的(B)中,选择成型品的质量(g)作为品质,将下限阈值TH1设定为4(g),将上限阈值TH2设定为5(g)。在图3的(A)的情况下,在下限阈值与上限阈值之间存在概率密度的单峰分布。在图3的(B)的情况下,概率密度的单峰分布与上限阈值重叠。关于通过在下限阈值与上限阈值之间对概率密度进行积分而获得的合格品概率,在图3的(A)的情况下,为99.999%以上,在图3的(B)的情况下,成为比图3的(A)低的值(例如,80%)。品质预测部61的预测结果(概率密度分布和/或合格品概率)经由通知部68通知给用户。用户能够根据该信息来判断是否检查成型品。
判定部62根据品质预测部61的预测结果(期待值及方差、发生概率、概率密度分布和/或合格品概率)来进行判定。判定部62能够进行的简单的判定以一个以上的阈值对品质预测部61的预测结果进行评价。例如,将合格品概率与一个阈值进行比较,若为阈值以下,则判断为需要检查。作为替代例,将合格品概率与上限及下限阈值进行比较,在超出上限阈值的情况下,判定为合格品,若在上限及下限阈值之间,则判定为需要检查,若为下限阈值以下,则判定为不合格品(即,不需要检查)。若适当地设定用户界面,则能够由用户调整阈值。
在判定部62中使用的判定参数被设定为响应与以下3个观点有关的用户要求:(i)不合格品流出到市场的比例(即,不合格品流出率=不合格品数/总生产数);(ii)检查成型品的比例(即,检查率=检查数/总出厂数);(iii)尽管是成型品质相对良好的合格品但是作为不合格品而被废弃的比例(即,合格品废弃率=合格品数/总废弃数)。作为选择项的特征,为了确定或调整在判定部62中使用的判定参数而使用判定条件计算部67。
判定条件计算部67使用存储于数据存储部63的学习数据(作为选择项,还有过去的品质预测结果)和由概率预测模型生成部66生成的概率预测模型来计算品质的概率密度分布,通过对概率密度分布应用阈值来模拟试验上述的不合格品流出率、检查率及合格品废弃率中的任一个或全部成为何种值。为了计算不合格品流出率、检查率及合格品废弃率而能够使用上述混淆矩阵。另外,还可以使用成为过去的品质预测结果的基础的日志数据。
例如,向判定条件计算部67输入与上述3个观点中的任意一个或两个或全部有关的用户要求。判定条件计算部67模拟试验是否能够设定满足用户要求的判定部62的判定参数。若能够设定,则在判定部62中使用该参数。若无法设定,则判定条件计算部67催促用户变更用户要求。
若举出一例,则缩小上限阈值与下限阈值的间隔以满足与检查率有关的用户要求,计算此时的不合格品流出率。若所计算出的不合格品流出率满足与其有关的用户要求,则判断为能够采用这样的上限阈值和下限阈值。
还能够将由判定条件计算部67计算出的概率密度分布提示给用户而由用户调整阈值,而不是使用判定条件计算部67自动地设定判定部62的判定参数(参考图4)。准备用于调整阈值的适当的用户界面(例如,触控面板)。阈值TH1、TH2由用户调整,与此相应地计算上述不合格品流出率、检查率及合格品废弃率。
若由判定部62判定为需要检查,则用户检查该成型品,测定或确定成型品质。将如此测定或确定的成型品质输入到缓冲部64,与制造该成型品时的日志建立关联而保持,接着登记于数据存储部63。若在数据存储部63中登记成型品质,则可以更新预测模型或判定参数。另外,为了降低登记于数据存储部63的学习数据的偏差,也可以规则地或随机地检查判定为合格品或不合格品的成型品。由此,降低登记于数据存储部63的学习数据的偏差,提高由概率预测模型生成部66生成的概率预测模型的可靠性。若根据所设定的检查率来进行该规则地或随机地进行的检查,则能够防止整体检查率的上升。
参考图5,对上述的注射成型机控制部60的动作进行说明。首先,构建数据库(S1)。具体而言,将为了生成概率预测模型而所需的学习数据存储于数据存储部63。接着,生成概率预测模型(S2)。具体而言,概率预测模型生成部66使用存储于数据存储部63的学习数据(将日志值与品质值建立关联而得的数据)来生成概率预测模型。概率预测模型能够通过贝叶斯线性回归、逻辑回归等各种方法来生成。接着,设定判定参数(S3)。判定部62的判定参数(例如,阈值)可以由用户指定、或者可以根据判定条件计算部67中的模拟试验结果来调整。如此完成成型品的批量生产的预先准备。
接着,进行注射成型(S4)。具体而言,使注射成型机主体1’工作而获得成型品。同时,从注射成型机主体1’输出日志。接着,预测成型品的品质(S5)。具体而言,品质预测部61使用由概率预测模型生成部66生成的概率预测模型根据从注射成型机主体1’接收的日志预测成型品的品质。例如,品质预测部61计算成型品的品质的期待值和方差。在点推断中仅推断出期待值,但是若采用概率方法,则还可获得与方差等准确度有关的信息。品质预测部61还能够通过公知的方法来计算概率密度分布。
接着,进行判定(S6)。具体而言,判定部62根据品质预测部61的预测结果(例如,期待值及方差、所期望的品质的发生概率和/或概率密度分布)来进行判定。
判定的结果(S7)在需要检查的情况下,用户检查成型品(S8)。用户通过检查成型品,可获得与日志建立关联的品质值。因此,用户能够根据需要将该数据登记于数据存储部63(S9)。
判定的结果(S7)在不需要检查的情况下,追加计数,进行下一个注射成型(S4)。通过这样的步骤而批量生产成型品。另外,为了消除登记于数据存储部63的数据的偏差,可以有规则地检查判断为不需要检查的成型品(合格品或不合格品)。例如,用计数器对判断为不需要检查的循环数进行计数,在其计数值成为规定值时进行检查。例如,在不需要检查的情况下,使计数器的计数值递增(S10),在计数N=10时(S11),将计数值恢复到初始值(S12),进行该成型品的检查(S8)。如此降低登记于数据存储部63的数据的偏差。其结果,可提高概率预测模型的可靠性。
参考图6示出判定部62的判定参数由判定条件计算部67判断是否能够设定。首先,判定条件计算部67根据存储于数据存储部63的学习数据、由概率预测模型生成部66生成的概率预测模型及用户要求来进行模拟试验(S11)。例如,为了计算不合格品流出率、检查率及合格品废弃率而能够使用上述混淆矩阵。其结果,若能够设定判定部62的判定中所使用的判定参数(例如,阈值),则将其用于判定部62的判定(S12)。若无法设定判定参数,则请求更新用户要求(S13)。
符号说明
60-注射成型机控制部,61-品质预测部,62-判定部,63-数据存储部,64-缓冲部,65-运算处理部,66-概率预测模型生成部,67-判定条件计算部,68-通知部。
Claims (8)
1.一种品质预测装置,其具备:
概率预测模型生成部,根据将与成型机的成型动作条件或状态有关的日志和与该日志相对应的成型品的品质值建立关联而得的多个学习数据来生成概率预测模型;及
品质预测部,使用所述概率预测模型根据日志计算成型品的品质指标。
2.根据权利要求1所述的品质预测装置,其特征在于,
所述品质指标表示所述成型品的期待值及方差、所述成型品的所期望的品质的发生概率、以及所述成型品的品质的概率密度分布中的至少一个。
3.根据权利要求1或2所述的品质预测装置,其特征在于,还具备:
判定部,根据所述成型品的品质指标来判定所述成型品的检查的必要性。
4.根据权利要求3所述的品质预测装置,其特征在于,
能够调整所述判定部的判定中所使用的判定参数。
5.根据权利要求1至4中任一项所述的品质预测装置,其特征在于,
构成为根据新获取的学习数据来更新所述概率预测模型。
6.一种品质预测方法,其中,
根据将与成型机的成型动作条件或状态有关的日志和与该日志相对应的成型品的品质值建立关联而得的多个学习数据来生成概率预测模型,
具有使用所述概率预测模型根据日志计算成型品的品质指标的品质预测部。
7.一种程序,其用于使计算机执行如下处理:
根据将与成型机的成型动作条件或状态有关的日志和与该日志相对应的成型品的品质值建立关联而得的多个学习数据来生成概率预测模型,
使用所述概率预测模型根据日志计算成型品的品质指标。
8.一种非临时性记录介质,其存储有权利要求7所述的程序。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-062345 | 2021-03-31 | ||
JP2021062345 | 2021-03-31 | ||
PCT/JP2022/014668 WO2022210424A1 (ja) | 2021-03-31 | 2022-03-25 | 品質予測装置及びその方法、プログラム並びに記録媒体 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116669882A true CN116669882A (zh) | 2023-08-29 |
Family
ID=83456246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280008206.1A Pending CN116669882A (zh) | 2021-03-31 | 2022-03-25 | 品质预测装置及其方法、程序以及记录介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230321884A1 (zh) |
JP (1) | JPWO2022210424A1 (zh) |
CN (1) | CN116669882A (zh) |
DE (1) | DE112022001899T5 (zh) |
WO (1) | WO2022210424A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2593239B2 (ja) | 1990-09-27 | 1997-03-26 | 東洋機械金属株式会社 | 射出成形機の製品シュート装置 |
DE19514535A1 (de) * | 1995-04-20 | 1996-10-31 | Johannes Prof Dr Wortberg | Verfahren zur Überwachung von Produkteigenschaften und Regelung eines Herstellungsprozesses |
JP6591509B2 (ja) * | 2017-11-06 | 2019-10-16 | 株式会社東芝 | 金型温度異常予兆検知装置及びプログラム |
-
2022
- 2022-03-25 WO PCT/JP2022/014668 patent/WO2022210424A1/ja active Application Filing
- 2022-03-25 JP JP2023511203A patent/JPWO2022210424A1/ja active Pending
- 2022-03-25 CN CN202280008206.1A patent/CN116669882A/zh active Pending
- 2022-03-25 DE DE112022001899.2T patent/DE112022001899T5/de active Pending
-
2023
- 2023-06-15 US US18/335,166 patent/US20230321884A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JPWO2022210424A1 (zh) | 2022-10-06 |
US20230321884A1 (en) | 2023-10-12 |
WO2022210424A1 (ja) | 2022-10-06 |
DE112022001899T5 (de) | 2024-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0761409B1 (en) | Method of simulating resin behaviour in press molding | |
Huang et al. | A novel clamping force searching method based on sensing tie-bar elongation for injection molding | |
EP3632650B1 (en) | Injection molding system and injection molding method | |
Huang et al. | Cavity pressure‐based holding pressure adjustment for enhancing the consistency of injection molding quality | |
WO2022210425A1 (ja) | 射出成形条件の探索支援装置及びその方法、プログラム及び記録媒体 | |
JP6591260B2 (ja) | 射出成形用情報管理装置、および射出成形機 | |
EP2487025B1 (en) | Method and system employing flow simulation for improving material delivery in lens manufacturing | |
CN105751463A (zh) | 注射成形系统 | |
US20240042665A1 (en) | Injection molding condition generation system and method | |
CN113733505B (zh) | 注射成型系统、成型条件校正系统以及注射成型方法 | |
CN116669882A (zh) | 品质预测装置及其方法、程序以及记录介质 | |
JP2009137076A (ja) | 射出成形用金型、射出成形における可塑化不良の検出方法、及び射出成形方法 | |
JPH0788030B2 (ja) | 射出成形品の良否判別モニタリング方法 | |
CN113524605B (zh) | 一种注塑机工艺参数设定方法及装置 | |
CN108127865B (zh) | 模具堆叠 | |
US10882236B2 (en) | Molding system, molding apparatus, inspection apparatus, inspection method, and program | |
CN113442398A (zh) | 成型品检查装置及注射成型系统 | |
US20060110489A1 (en) | Apparatus for measuring separation of mold parts | |
OOTA et al. | Study on Generation Mechanism and Mathematical Model of Force Signal in Developed Measurement System for Molding Release Resistance | |
WO2024111172A1 (ja) | 成形品品質ばらつき推定装置、成形品品質ばらつき推定方法、及び射出成形システム | |
TWI588006B (zh) | 射出成型機鎖模力設定方法及其系統 | |
JP7481048B1 (ja) | 情報処理システム、情報処理方法及びプログラム | |
Pontes et al. | Assessment of the ejection force in tubular injection moldings | |
KR102314599B1 (ko) | 가스 사출 성형 제품의 품질 검사 장치 및 그 방법 | |
JP2021146704A (ja) | 射出成形機及びステータス決定装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |