CN117794717A - 数据集创建方法、学习模型生成方法、计算机程序及数据集创建装置 - Google Patents
数据集创建方法、学习模型生成方法、计算机程序及数据集创建装置 Download PDFInfo
- Publication number
- CN117794717A CN117794717A CN202280052315.3A CN202280052315A CN117794717A CN 117794717 A CN117794717 A CN 117794717A CN 202280052315 A CN202280052315 A CN 202280052315A CN 117794717 A CN117794717 A CN 117794717A
- Authority
- CN
- China
- Prior art keywords
- molding condition
- condition parameter
- molding
- physical quantity
- data set
- 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 71
- 238000004590 computer program Methods 0.000 title claims description 14
- 238000000465 moulding Methods 0.000 claims abstract description 333
- 230000008859 change Effects 0.000 claims abstract description 44
- 238000010801 machine learning Methods 0.000 claims abstract description 38
- 238000001746 injection moulding Methods 0.000 claims description 58
- 238000012545 processing Methods 0.000 claims description 40
- 238000002347 injection Methods 0.000 claims description 35
- 239000007924 injection Substances 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 35
- 230000004048 modification Effects 0.000 claims description 21
- 238000012986 modification Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 13
- 239000012778 molding material Substances 0.000 claims description 11
- 238000010438 heat treatment Methods 0.000 claims description 9
- 230000002542 deteriorative effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 239000011347 resin Substances 0.000 description 10
- 229920005989 resin Polymers 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000002945 steepest descent method 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
对成型机中设定的第1及第2成型条件参数中的第1成型条件参数进行变更以使成型品的品质恶化，获取表示所制造的成型品的状态或该成型机的状态的物理量数据，对成型机中设定的第2成型条件参数进行变更，获取表示所制造的成型品的状态或该成型机的状态的物理量数据，将变更前的第2成型条件参数、此时得到的物理量数据、变更后的第2成型条件参数及在设定变更后的第2成型条件参数时得到的物理量数据建立对应并存储，通过重复进行第1及第2成型条件参数的变更以及物理量数据的获取，从而创建机器学习用的数据集。
Description
技术领域
本发明涉及数据集创建方法、学习模型生成方法、计算机程序及数据集创建装置。
背景技术
已有通过机器学习对注射成型机的成型条件参数进行调整的注射成型机系统(例如，专利文献1)。
现有技术文献
专利文献
专利文献1：日本特开2019-166702号公报
发明内容
发明要解决的课题
但是，存在对成型机的成型条件参数进行调整的学习模型的机器学习用的数据集的创建需要大量时间和劳力的问题。为了创建机器学习用的数据集，作业者需要将成型机的状态设定为产生成型不良的状态，进行消除成型不良的设定调整，并进行数据的关联及收集。
本公开的目的在于提供能够自动创建对成型机中设定的成型条件参数进行调整的学习模型的机器学习用的数据集的数据集创建方法、使用自动创建的数据集的学习模型生成方法。
本公开的目的在于提供能够自动创建对成型机中设定的成型条件参数进行调整的学习模型的机器学习用的数据集的计算机程序及数据集创建装置。
用于解决课题的手段
本方式的数据集创建方法通过重复进行以下的处理来创建机器学习用的数据集。对成型机中设定的第1成型条件参数及第2成型条件参数中的、第1成型条件参数进行变更以使成型品的品质恶化。获取表示通过成型机制造的成型品的状态或该成型机的状态的物理量数据。对成型机中设定的第2成型条件参数进行变更。获取表示通过成型机制造的成型品的状态或该成型机的状态的物理量数据。将变更前后的第2成型条件参数及物理量数据建立对应并存储。
本方式的学习模型生成方法使用以上述数据集创建方法创建的数据集进行学习模型的机器学习。
本方式的计算机程序通过使计算机重复执行以下的处理来创建机器学习用的数据集。对成型机中设定的第1成型条件参数及第2成型条件参数中的、第1成型条件参数进行变更以使成型品的品质恶化。获取表示通过成型机制造的成型品的状态或该成型机的状态的物理量数据。对成型机中设定的第2成型条件参数进行变更。获取表示通过成型机制造的成型品的状态或该成型机的状态的物理量数据。将变更前后的第2成型条件参数及物理量数据建立对应并存储。
本方式的数据集创建装置重复通过进行以下的处理来创建机器学习用的数据集。对成型机中设定的第1成型条件参数及第2成型条件参数中的、第1成型条件参数进行变更以使成型品的品质恶化。获取表示通过成型机制造的成型品的状态或该成型机的状态的物理量数据。对成型机中设定的第2成型条件参数进行变更。获取表示通过成型机制造的成型品的状态或该成型机的状态的物理量数据。将变更前后的第2成型条件参数及物理量数据建立对应并存储。
发明效果
根据本发明，能够自动创建对成型机中设定的成型条件参数进行调整的学习模型的机器学习用的数据集。
附图说明
图1是说明实施方式1的注射成型机的构成例的示意图。
图2是示出实施方式1的数据集创建装置的构成例的框图。
图3是示出实施方式1的数据集创建的处理步骤的流程图。
图4是示出实施方式1的数据集的一例的说明图。
图5是示出实施方式1的学习模型生成的处理步骤的流程图。
图6是概念性示出学习模型的构成的说明图。
图7是示出变形例的数据集的一例的说明图。
图8是示出实施方式2的数据集创建的处理步骤的流程图。
图9是示出实施方式2的数据集的一例的说明图。
图10是示出实施方式3的数据集创建装置的构成例的框图。
图11是示出实施方式4的数据集创建的处理步骤的流程图。
具体实施方式
以下，参照附图说明本发明的实施方式的数据集创建方法、学习模型生成方法、计算机程序及数据集创建装置的具体例。也可以将以下记载的实施方式的至少一部分任意组合。需要说明的是，本发明由权利要求书表示，而并非限定于这些例示，旨在包含与权利要求书等同含义及范围内的全部变更。
＜注射成型机的整体构成＞
图1是说明实施方式1的注射成型机2的构成例的示意图。本实施方式1的注射成型机(成型机)2包括注射装置21、配置在该注射装置21前方的合模装置22、具有本实施方式1的数据集创建装置1的控制装置23以及测定部3。
注射装置21包括在前端部具有喷嘴的加热缸21a和在该加热缸内设置为能够在旋转方向和轴方向上驱动的螺杆21b。注射装置21包括将该螺杆21b向旋转方向驱动的旋转马达以及将螺杆21b在轴方向上驱动的马达等。在注射装置21中设有用于向加热缸21a供给树脂成型材料的料斗21c以及对供给到加热缸21a中的树脂成型材料进行加热以使其塑化的加热器21d。
合模装置22具备用于拆装自如地安装模具的模具装置22a。合模装置22具备肘节机构22b，该肘节机构22b使模具开闭，在从注射装置21注射的溶融成型材料被填充到模具中时使模具紧固以免模具打开。合模装置22具备对肘节机构22b进行驱动的合模驱动马达22i。
模具装置22a包括用于拆装自如地安装固定模具22f的固定盘22d以及同样地用于拆装自如地安装可动模具22g的可动盘22e。肘节机构22b设置在可动盘22e与合模外壳22h之间。肘节机构22b利用合模驱动马达22i的驱动力使可动盘22e在前后方向(在图1中为横方向)上移动，从而使固定模具22f和可动模具22g开闭。肘节机构22b能够在从注射装置21注射的溶融树脂被填充到模具中时对模具进行紧固，以免固定模具22f和可动模具22g打开。另外，合模装置22具备顶出板22c，该顶出板22c设有用于将成型品从模具取出的顶出销。
控制装置23是对注射装置21及合模装置22的动作进行控制的装置或电路。本实施方式1的控制装置23具备数据集创建装置1。数据集创建装置1是自动创建学习模型5(参见图6)的机器学习用的数据集的装置，该学习模型5对注射成型机2中设定的成型条件参数进行调整。
在注射成型机2设定用于确定成型条件的成型条件参数，按照该成型条件参数进行动作。成型条件参数例如包含模具内树脂温度、喷嘴温度、缸体加热温度、料斗温度、合模力、注射速度、注射加速度、注射峰值压力、注射行程等。另外，成型条件参数例如包含缸前端树脂压力、逆流防止环落座状态、保压切换压力、保压切换速度、保压切换位置、保压完成位置。此外，成型条件参数例如包含缓冲位置、计量背压、计量转矩、计量完成位置、螺杆后退速度、周期时间、合模时间、注射时间、保压时间、计量时间、开模时间等。最佳成型条件参数根据注射成型机2的环境、成型品而不同。
测定部3是在执行注射成型机2的成型时对与实际成型相关的物理量进行测定的装置。测定部3将通过测定处理得到的物理量数据向数据集创建装置1输出。
由测定部3测定得到的物理量数据中包含与成型品是否正常、成型品的不良类型、不良的程度关联的数据。与成型品相关的物理量数据是例如对成型品进行拍摄得到的相机图像、使用激光位移传感器得到的成型品的变形量。具体来说，变形量是成型品的毛刺或缩痕的面积或体积。另外，与成型品相关的物理量数据也可以是由光学的测量仪得到的成型品的色度、亮度等光学测量值、由重量计测量的成型品的重量、由强度测量器测定的成型品的强度等数据。
＜数据集创建装置＞
图2是示出实施方式1的数据集创建装置1的构成例的框图。数据集创建装置1是计算机，作为硬件构成包括处理器11、存储部(储存器)12及操作部13等。
需要说明的是，数据集创建装置1也可以是与网络连接的服务器装置。另外，数据集创建装置1可以是由多台计算机构成进行分散处理的构成，也可以由设置在一台服务器内的多个虚拟设备实现或使用云服务器实现。
处理器11具有CPU(Central Processing Unit)、多核CPU、GPU(GraphicsProcessing Unit)、GPGPU(General-purpose computing on Graphics ProcessingUnits)、TPU(Tensor Processing Unit)、ASIC(Application Specific IntegratedCircuit)、FPGA(Field-Programmable Gate Array)、NPU(Neural Processing Unit)等运算电路、ROM(Read Only Memory)、RAM(Random Access Memory)等内部存储装置、I/O端子等。
处理器11通过执行后述的存储部12中存储的计算机程序(程序产品)12a，从而作为获取部14、控制部15发挥功能。另外，处理器11通过执行后述的存储部12中存储的计算机程序12a，从而作为第1成型条件参数变更部16、第2成型条件参数变更部17及数据集存储处理部18发挥功能。需要说明的是，数据集创建装置1的各功能部可以由软件实现，也可以将一部分或全部由硬件实现。
存储部12是硬盘、EEPROM(Electrically Erasable Programmable ROM)、闪存等非易失性存储器。存储部12存储用于使计算机执行学习模型5的机器学习用的数据集创建处理的计算机程序12a，该学习模型5进行成型条件参数的调整。
本实施方式1的计算机程序12a也可以是计算机能够读取地记录在记录介质4中的方式。存储部12存储通过读取装置从记录介质4读取的计算机程序12a。记录介质4是闪存等半导体存储器。另外，记录介质4也可以是CD(Compact Disc)-ROM、DVD(Digital VersatileDisc)-ROM、BD(Blu-ray(注册商标)Disc)等光盘。此外，记录介质4也可以是软盘、硬盘等磁盘、光磁盘等。此外，也可以从与通信网连接的外部服务器下载本实施方式1的计算机程序12a并存储于存储部12。
操作部13是触摸面板、软键、硬键、键盘、鼠标等输入装置。
获取部14获取在成型工序周期中执行注射成型机2的成型时由测定部3测定并输出的物理量数据。获取部14将获取到的物理量数据向控制部15输出。
控制部15将基于设定或变更后的成型条件参数的控制信号向注射装置21及合模装置22输出，控制注射成型机2的动作。
第1成型条件参数变更部16是对成型条件参数进行变更以产生成型品不良的功能部。将产生成型品不良的成型条件参数称为第1成型条件参数。第1成型条件参数例如是设定成型材料的计量值、注射装置21的背压的参数。
第2成型条件参数变更部17是在发生成型品不良的情况下，为了探索改善成型不良的条件而对成型条件参数进行变更的功能部。将为了改善成型不良而探索性地进行变更的成型条件参数称为第2成型条件参数。第2成型条件参数例如包含保压切换位置、注射速度或保压压力。第2成型条件参数变更部17的第2成型条件参数的变更探索性地分别交错。因此，第2成型条件参数变更部17的第2成型条件参数的变更处理包含改善成型品品质的变更处理和使成型品品质恶化的变更处理。
数据集存储处理部18是将在成型工序周期中对第1及第2成型条件参数进行变更并对与成型品相关的物理量进行测定而得到的各种数据建立对应得到的数据集存储于存储部12的功能部。具体来说，数据集存储处理部18将变更前后的第2成型条件参数、与在该第2成型条件参数变更前后得到的成型品的物理量数据建立对应并存储。
成型工序周期的概要如下，数据集创建装置1通过在重复的成型工序周期中对成型条件参数进行变更来创建机器学习用的数据集。在注射成型时，依次进行周知的顶出后退工序、合模工序、合模工序、注射工序、保压工序、计量工序、开模工序、顶出前进工序。
＜处理步骤(数据集创建方法)＞
图3是示出实施方式1的数据集创建的处理步骤的流程图。处理器11或第1成型条件参数变更部16对第1成型条件参数进行变更，以使注射成型机2中设定的成型条件参数中的、成型品品质恶化(步骤S111)。第1成型条件参数例如是设定成型材料的计量值、注射装置21的背压的参数。若将第1成型条件参数从正常的初始值进行变更，则能够产生成型品的不良。也就是说，在步骤S111中，人为地将注射成型机2的状态设为有故障的状态。
处理器11或控制部15将基于变更后的第1成型条件参数、第2成型条件参数及其他成型条件参数的控制信号向注射装置21及合模装置22输出，对注射成型机2的动作进行控制(步骤S112)。注射成型机2的注射装置21及合模装置22按照从处理器11输出的控制信号进行注射成型处理。
并且，测定部3在注射成型机2执行成型时，对与成型品相关的物理量进行测定，处理器11或获取部14获取由测定部3测定的物理量数据(步骤S113)。物理量数据例如是表示成型品的毛刺或缩痕的面积或体积的数据。
接下来，处理器11或第2成型条件参数变更部17对注射成型机2中设定的成型条件参数中的第2成型条件参数进行变更(步骤S114)。为了改善成型品的状态而探索性地进行第2成型条件参数的变更。
第2成型条件参数的变更方法没有特别限定。例如，处理器11随机地对第2成型条件参数进行变更即可。另外，处理器11按照规定的概率分布对第2成型条件参数进行变更即可。此外，通过使用在前次以前的成型工序周期中得到的物理量数据及第2成型条件参数的贝叶斯优化对第2成型条件参数进行变更即可。
处理器11或控制部15将基于变更后的第1及第2成型条件参数以及其他成型条件参数的控制信号向注射装置21及合模装置22输出，对注射成型机2的动作进行控制(步骤S115)。然后，测定部3在注射成型机2执行成型时对与成型品相关的物理量进行测定，处理器11或获取部14与步骤S113同样地获取由测定部3测定的物理量数据(步骤S116)。
处理器11或数据集存储处理部18基于在步骤S112～步骤S116的处理中得到的数据来创建学习用数据并存储于存储部12(步骤S117)。
图4是示出实施方式1的数据集的一例的说明图。由多个学习数据构成机器学习用的数据集。构成数据集的学习用数据是第2成型条件参数的变更前的成型条件参数、在第2成型条件参数的变更前和变更后得到的物理量数据以及与第2成型条件参数的变更值建立对应的数据。变更值可以是变更后的第2成型条件参数，也可以是变更后的第2成型条件参数相对于变更前的第2成型条件参数的变更量。数据集中包含的变更前的成型条件参数至少包含第2成型条件参数。
接下来，处理器11基于在步骤S116中获取的物理量数据来判定成型品的状态是否得到改善(步骤S118)。例如，处理器11基于物理量数据来计算毛刺或缩痕的面积或体积，判定毛刺或缩痕的面积或体积是否低于规定值。在判定为成型品的状态未改善的情况下(步骤S118：否)，处理器11使处理返回步骤S113。
在判定为成型品的状态得到改善的情况下(步骤S118：是)，处理器11判定是否结束数据集的创建(步骤S119)。结束条件没有特别限定，将创建了规定量的数据集的情况、第1成型条件参数的变更次数变为阈值以上的情况、第1成型条件参数的变更范围达到规定范围的情况等设为结束条件即可。在判定为满足结束条件的情况下(步骤S119：是)，处理器11结束处理。在判定为不满足结束条件的情况下(步骤S119：否)，处理器11使处理返回步骤S111，继续数据集的创建。
通过以上处理，从而能够自动创建用于对注射成型机2中设定的成型条件参数进行调整的学习模型5的机器学习用的数据集。
＜处理步骤(学习模型生成方法)＞
图5是示出实施方式1的学习模型生成的处理步骤的流程图。处理器11使用以图3说明的方法来创建机器学习用的数据集(步骤S151)。接下来，处理器11基于在第2成型条件参数的变更后得到的物理量数据计算成型品的评价值(步骤S152)。评价值使用毛刺或缩痕的面积或体积越小评价值越大的函数或表格计算即可。也可以直接使用毛刺或缩痕的面积或体积作为评价值。
接下来，处理器11在存储器中准备学习前的学习模型5(步骤S153)。
图6是概念性示出学习模型5的构成的说明图。学习模型5具有输入层51、多个中间层52及输出层53。输入层51具有输入在注射成型机2中设定的成型条件参数及与成型品相关的物理量数据的多个节点。
多个中间层52具有提取被输入至输入层51的物理量数据的特征的多个节点。在物理量数据中包含图像的情况下，中间层52具有多个卷积层及池化层。
输出层53具有与第2成型条件参数的多个值对应的多个节点，输出该值为最优的置信度。另外，输出层53也可以构成为具有与第2成型条件参数的多个变更量对应的多个节点，并输出该值为最优的置信度。第2成型参数可以是一种也可以是多种。
学习模型5例如是在被输入成型条件参数和测定成型品的状态得到的物理量数据的情况下，输出改善成型品状态的第2成型条件参数或第2成型条件参数的变更量的模型。学习模型5可以是在物理量数据为图像数据的情况下具有ResNet、DenseNet等CNN(Convolution Neural Network)的模型。学习模型5也可以是在观测数据为时间序列数据的情况下具有识别作为时间序列信息的观测数据的递归神经网络(RNN:Recurrent NeuralNetwork)、LSTM、Vision Transformer等的模型。另外，学习模型5也可以使用上述CNN、RNN等以外的神经网络、Vision Transformer、SVM(Support Vector Machine)、贝叶斯网络或XGBoost等决策树等构成的学习模型5来构成。
回到图5，处理器11将数据集中包含的成型条件参数及物理量数据(第2成型条件参数变更前的物理量数据)输入至学习模型5的输入层51(步骤S154)。然后，处理器11对中间层52的权重系数进行优化，以输出基于与成型品相关的物理量数据的评价值变高的第2成型条件参数(步骤S155)。该权重系数例如为节点间的权重(耦合系数)等。权重系数的优化的方法没有特别限定，例如使用最速下降法、误差逆传播法等进行各种系数的优化。同样地，处理器11对中间层52的权重系数进行优化，以不输出基于与成型品相关的物理量数据的评价值变低的第2成型条件参数(步骤S156)。需要说明的是，为了便于说明，将步骤S155及步骤S156作为另外的处理步骤进行说明，但各处理是实质上是等同处理，处理器11同时执行各处理。
像这样，能够使用自动生成的机器学习用的数据集进行学习模型5的机器学习。需要说明的是，对处理器11进行学习模型5的机器学习的例子进行了说明，但数据集的创建及学习模型5的机器学习处理也可以构成为由其他计算机执行。
如上所述，根据本实施方式1，能够自动创建用于对注射成型机2中设定的成型条件参数进行调整的学习模型5的机器学习用的数据集。
具体来说，数据集创建装置1通过对作为第1成型条件参数的成型材料的计量值或背压进行变更，从而人为地设为可能发生成型品的不良的状态，能够高效地创建机器学习用的数据集。
另外，作为第2成型条件参数，数据集创建装置1能够创建包含保压切换位置、注射速度或保压压力的机器学习用的数据集。也就是说，为了改善成型品的状态，能够创建对第2成型条件参数进行调整的学习模型5的机器学习用的数据集。
此外，数据集创建装置1为了改善在成型品上产生的毛刺或欠注，能够创建对第2成型条件参数进行调整的学习模型5的机器学习用的数据集。
此外，数据集中包含的变更值包含改善成型品品质的变更值及使品质进一步恶化的变更值，因此能够创建用于更高效地机器学习对第2成型条件参数进行调整的学习模型5的数据集。
此外，通过按照规定的概率分布对第2成型条件参数进行变更或通过贝叶斯优化进行变更，从而能够快速达到使成型品的状态改善的第2成型条件参数的变更值。因此，能够创建包含更多对用于改善成型品的状态的机器学习有用的第2成型条件参数的变更量的数据集。
此外，根据本实施方式1的学习模型生成方法，能够使用自动创建的数据集生成用于对成型条件参数进行调整的学习模型5。
(变形例1)
图7是示出变形例1的数据集的一例的说明图。处理器11在步骤S113及步骤S116中，可以在获取物理量数据时获取表示成型品的部位的信息和在该部位产生的毛刺或欠注的面积或体积。例如，处理器11可以获取表示成型品的第1部位的信息、该第1部位处的毛刺或欠注的面积或体积、表示成型品的第2部位的信息以及该第2部位处的毛刺或欠注的面积或体积。当然，也可以获取成型品的三个部位以上的部位处的毛刺或欠注的面积或体积。
根据变形例1，能够创建用于进行第2成型条件参数的调整的机器学习用的数据集，其中，该第2成型条件参数用于改善成型品的多个部位各自的毛刺或欠注。
(变形例2)
另外，在上述实施方式1中，说明了以测定部3获取表示成型品的状态的物理量数据并创建数据集的例子，但也可以构成为对表示注射成型机2的状态的物理量数据进行测定。另外，测定部3也可以构成为获取表示成型品的状态的物理量数据及表示注射成型机2的状态的物量数据双方。
变形例2的测定部3是在执行注射成型机2的成型时测定与注射成型关联的任意物理量的装置。测定部3将通过测定处理得到的物理量数据向数据集创建装置1输出。物理量包含温度、位置、速度、加速度、电流、电压、压力、时间、图像数据、转矩、力、应变、消耗电力等。
需要说明的是，测定部3可以是与注射成型机2分体的构成，也可以是组装到注射装置21等中的构成。
由测定部3测定的信息例如包含表示成型品的状态的信息、表示注射成型机2的状态的信息等。表示成型品的状态的信息与上述实施方式1相同。
表示注射成型机2的状态的信息使用温度计、压力计、速度测定器、加速度测定器、位置传感器、计时器、重量计等测定得到。表示注射成型机2的状态的信息例如包含模具内树脂温度、喷嘴温度、缸体温度、料斗温度等信息。表示注射成型机2的状态的信息例如包含合模力、注射速度、注射加速度、注射峰值压力、注射行程、缸前端树脂压力、逆流防止环落座状态、保压切换压力等信息。表示注射成型机2的状态的信息例如包含保压切换速度、保压切换位置、保压完成位置、缓冲位置、计量背压、计量转矩、计量完成位置、螺杆后退速度、周期时间、合模时间、注射时间、保压时间、计量时间、开模时间等信息。
需要说明的是，作为间接地表示注射成型机2的状态的信息，也可以包含注射成型机2的外围设备的信息、使用温度计、湿度计、流量计等得到的气氛温度、气氛湿度、与对流相关的信息(雷诺数等)等信息。
需要说明的是，在上述的实施方式1及变形例中，作为成型机的一例说明了进行树脂成型的注射成型机2，但也可以将本发明应用于中空成型机、膜成型机、挤出机、双轴螺杆挤出机、纺纱挤出机、造粒机等。另外，成型材料也不限定于树脂，也可以将本发明提供给镁注射成型机等。
(实施方式2)
实施方式2的注射成型机的数据集创建处理及数据集的内容与实施方式1不同。注射成型机的其他构成与实施方式1的注射成型机相同，因此对相同的部位标注相同的附图标记，省略详细说明。
图8是示出实施方式2的数据集创建的处理步骤的流程图。处理器11执行与实施方式1中的步骤S111～步骤S116相同的处理(步骤S211～步骤S216)。
接下来，处理器11基于在步骤S216中获取的物理量数据计算表示成型品是否正常、不良类型(毛刺、缩痕等)、不良的程度的评价值(步骤S217)。
处理器11或数据集存储处理部18基于在步骤S212～步骤S217的处理中得到的数据，创建学习用数据并存储于存储部12(步骤S217)。
图9是示出实施方式2的数据集的一例的说明图。由多个学习数据构成机器学习用的数据集。构成数据集的学习用数据是将第2成型条件参数的变更前的成型条件参数、在第2成型条件参数的变更前得到的物理量数据、第2成型条件参数的变更值及第2成型条件参数变更后的成型品的评价值建立对应的数据。
以下，处理器11执行与实施方式1中的步骤S118～步骤S119相同的处理(步骤S219～步骤S220)，进行数据集的创建及收集。
本实施方式2的数据集创建装置1与实施方式1同样地，能够自动创建对在注射成型机2中设定的成型条件参数进行调整的学习模型5的机器学习用的数据集。特别是，能够创建包含实施方式2的数据集创建装置1、成型品的评价值的数据集。
(实施方式3)
实施方式3的注射成型机对多个成型条件参数进行变更时的处理与实施方式1不同。注射成型机的其他构成与实施方式1的注射成型机相同，因此对相同的部位标注相同的附图标记，省略详细说明。需要说明的是，实施方式3的技术也可以应用于本实施方式2。
在为了进行数据集创建而对多个第1成型条件参数及第2成型条件参数进行变更时，需要考虑各参数的探索范围、即各参数的上限值及下限值。若不考虑各参数的探索范围，则可能使注射成型机2产生重大的问题。例如可能损坏模具。另外，欠注的程度变得严重，可能无法将成型品从模具取出。
因此，就第1成型条件参数及第2成型条件参数的探索范围的初始设定而言，希望考虑安全性而预先由操作者(人)设定。但是，就第1成型条件参数及第2成型条件参数各自的设定值而言，在不考虑各参数间的相互作用而独立地决定探索范围的情况下，各自的探索范围更为安全。因此，所得到的成型品的程度偏差不太大。
本实施方式3的数据集创建装置1解决上述问题。实施方式3的数据集创建装置1考虑多个第1及第2成型条件参数的相互作用而动态地决定各参数的探索范围。通过该动态地决定探索范围，从而数据集创建装置1能够避免注射成型机2产生重大的问题且大范围地对各参数进行变更。因此，能够使所得到的成型品的程度偏差更大。由此，能够获得能够有效地进行学习模型5的学习的数据集。以下说明实施方式3的数据集装置的构成。
图10是示出实施方式3的数据集创建装置1的构成例的框图。实施方式3的数据集创建装置1的硬件构成与实施方式1相同。实施方式3的存储部12存储表格12c，在该表格12c中，保存有考虑多个第1成型条件参数与第2成型条件参数的相关关系并在对注射成型机2或模具没有恶劣影响的范围内动态地决定探索范围的信息。
例如，表格12c保存表示至少一个第1成型条件参数的值与其他第1成型条件参数的探索范围的上限值或下限值的对应关系的信息。表格12c也可以保存表示多个第1成型条件参数的值与多个第1成型条件参数的探索范围的上限值或下限值的对应关系的信息。
同样地，表格12c保存表示至少一个第2成型条件参数的值与其他第2成型条件参数的探索范围的上限值或下限值的对应关系的信息。表格12c也可以保存表示多个第2成型条件参数的值与多个第2成型条件参数的探索范围的上限值或下限值的对应关系的信息。
另外，表格12c也可以保存表示一个第1成型条件参数的值与第2成型条件参数的探索范围的上限值或下限值的对应关系的信息。表格12c也可以保存表示多个第1成型条件参数及第2成型条件参数的值与多个第1成型条件参数及第2成型条件参数的探索范围的上限值或下限值的对应关系的信息。
图11是示出实施方式4的数据集创建的处理步骤的流程图。处理器11对第1成型条件参数及第2成型条件参数的探索范围、即各参数的值能够变更的范围进行初始设定(步骤S311)。操作者能够通过对操作部13进行操作来输入第1成型条件参数及第2成型条件参数的探索范围，处理器11使用操作部13接受探索范围。
接下来，处理器11或第1成型条件参数变更部16对注射成型机2中设定的成型条件参数中的第1成型条件参数进行变更，以使成型品品质恶化(步骤S312)。
处理器11通过将变更后的第1成型条件参数的值设为关键字并参照表格12c，从而读取第1成型条件参数的探索范围的上限值或下限值，对第1成型条件参数进行变更(步骤S313)。例如，在将某个第1成型条件参数变更为初始设定的探索范围的下限值的情况下，其他第1成型条件参数的探索范围的上限值有时变更为更大的值。在该情况下，在下一个步骤S312中，超过初始设定的探索范围地变更第1成型条件参数。
处理器11或控制部15将基于变更后的第1成型条件参数、第2成型条件参数及其他成型条件参数的控制信号向注射装置21及合模装置22输出，对注射成型机2的动作进行控制(步骤S314)。
然后，测定部3在注射成型机2执行成型时对与成型品相关的物理量进行测定，处理器11或获取部14获取由测定部3测定到的物理量数据(步骤S315)。
接下来，处理器11或第2成型条件参数变更部17对注射成型机2中设定的成型条件参数中的第2成型条件参数进行变更(步骤S316)。
处理器11通过将变更后的第1成型条件参数及第2成型条件参数的值设为关键字并参照表格12c，从而读取第2成型条件参数的探索范围的上限值或下限值，对第2成型条件参数进行变更(步骤S317)。与第1成型条件参数同样地，第2成型条件参数有时也在下一个步骤S316中超过初始设定的探索范围地变更。
需要说明的是，处理器11也可以构成为，通过将变更后的第2成型条件参数的值设为关键字并参照表格12c，从而读取第2成型条件参数的探索范围的上限值或下限值，对第2成型条件参数进行变更。
处理器11或控制部15将基于变更后的第1及第2成型条件参数以及其他成型条件参数的控制信号向注射装置21及合模装置22输出，对注射成型机2的动作进行控制(步骤S318)。
以下，在步骤S318～步骤S322中执行与实施方式1的步骤S115～步骤S119相同的处理。
通过以上处理，能够考虑第1及第2成型条件参数的相关而大范围地对各参数进行变更，自动创建学习模型5的机器学习用的数据集。
与未考虑第1及第2成型条件参数的相关而在初始设定的探索范围内内对各参数进行变更的情况相比，能够使成型品的状态大幅偏差，能够创建能够实现更有效的机器学习的数据集。
另一方面，若忽略探索范围而无限地对第1及第2成型条件参数进行变更，则模具或注射成型机2可能损坏，而在实施方式3中，使用表格12c中记录的各参数的相关关系进行参数变更。因此，不会对注射成型机2及模具造成恶劣影响，能够根据情况超过初始设定的探索范围地大范围地进行参数变更，创建数据集。
附图标记说明
1 数据集创建装置
2 注射成型机
3 测定部
4 记录介质
11 处理器
12 存储部
12a 计算机程序
12b 数据集
12c 表格
13 操作部
14 获取部
15 控制部
16 第1成型条件参数变更部
17 第2成型条件参数变更部
18 数据集存储处理部
21 注射装置
21a 加热缸
21b 螺杆
21c 料斗
21d 加热器
22 合模装置
Claims (13)
1.一种数据集创建方法，其特征在于，
对成型机中设定的第1成型条件参数及第2成型条件参数中的、第1成型条件参数进行变更以使成型品的品质恶化，
获取表示通过设定有使成型品的品质恶化的第1成型条件参数及第2成型条件参数的所述成型机制造的成型品的状态或该成型机的状态的物理量数据，
对所述成型机中设定的第2成型条件参数进行变更，
获取表示通过设定有第1成型条件参数及变更后的第2成型条件参数的所述成型机制造的成型品的状态或该成型机的状态的物理量数据，
将变更前的第2成型条件参数、在设定该第2成型条件参数时得到的物理量数据、变更后的第2成型条件参数或第2成型条件参数的变更量、及在设定变更后的第2成型条件参数时得到的物理量数据或基于该物理量数据的评价值建立对应并存储，
通过重复进行第1及第2成型条件参数的变更以及物理量数据的获取，从而创建机器学习用的数据集。
2.根据权利要求1所述的数据集创建方法，其特征在于，
所述成型机具有对成型材料进行计量、使其塑化并进行注射的加热缸及螺杆，
所述第1成型条件参数包含成型材料的计量值或背压。
3.根据权利要求1或2所述的数据集创建方法，其特征在于，
所述成型机具有对成型材料进行计量、使其塑化并进行注射的加热缸及螺杆，
所述第2成型条件参数包含保压切换位置、注射速度或保压压力。
4.根据权利要求1至3中任一项所述的数据集创建方法，其特征在于，
所述成型机是注射成型机，
所述物理量数据包含成型品上产生的毛刺或欠注的面积或体积。
5.根据权利要求4所述的数据集创建方法，其特征在于，
所存储的物理量数据包含表示成型品的部位的信息以及在该部位产生的毛刺或欠注的面积或体积。
6.根据权利要求1至5中任一项所述的数据集创建方法，其特征在于，
对第2成型条件参数进行变更的处理包含改善成型品品质的第2成型条件参数的变更处理以及使成型品品质恶化的第2成型条件参数的变更处理。
7.根据权利要求1至6中任一项所述的数据集创建方法，其特征在于，
对第2成型条件参数进行变更的处理包含随机地对所述第2成型条件参数进行变更的处理、按照规定的概率分布进行变更的处理、或基于前次以前得到的物理量数据进行变更的处理。
8.根据权利要求1至7中任一项所述的数据集创建方法，其特征在于，
初始设定多个第1成型条件参数的能够变更的探索范围，
在对第1成型条件参数进行变更的处理中，
在对一个第1成型条件参数进行了变更的情况下，基于表示至少所述一个第1成型条件参数的值与其他第1成型条件参数的探索范围的上限值或下限值的对应关系的表格，对所述其他第1成型条件参数的初始设定的探索范围进行变更。
9.根据权利要求1至8中任一项所述的数据集创建方法，其特征在于，
初始设定多个第2成型条件参数的能够变更的探索范围，
在对第2成型条件参数进行变更的处理中，
在对一个第2成型条件参数进行了变更的情况下，基于表示至少所述一个第2成型条件参数的值与其他第2成型条件参数的探索范围的上限值或下限值的对应关系的表格，对所述其他第2成型条件参数的初始设定的探索范围进行变更。
10.根据权利要求1至7中任一项所述的数据集创建方法，其特征在于，
初始设定多个第1成型条件参数及第2成型条件参数的能够变更的探索范围，
在对第1成型条件参数进行变更的处理中，
在对一个第1成型条件参数进行了变更的情况下，基于表示至少所述一个第1成型条件参数的值与其他第1成型条件参数的探索范围的上限值或下限值的对应关系的表格，对所述其他第1成型条件参数的初始设定的探索范围进行变更，
在对第2成型条件参数进行变更的处理中，
在对一个第1成型条件参数及一个第2成型条件参数进行了变更的情况下，基于表示至少所述一个第1成型条件参数及所述一个第2成型条件参数的值与所述一个第1成型条件参数及所述一个第2成型条件参数以外的第2成型条件参数的探索范围的上限值或下限值的对应关系的表格，对所述其他第2成型条件参数的初始设定的探索范围进行变更。
11.一种学习模型生成方法，其特征在于，是一种用于对成型机的成型条件参数进行调整的学习模型的生成方法，
学习模型生成方法基于权利要求1至10中任一项所述的数据集创建方法来创建数据集，
通过基于所创建的数据集的机器学习，在至少被输入变更前的第2成型条件参数和在设定该第2成型条件参数时得到的物理量数据输入的情况下，生成输出基于物理量数据的评价值变高的变更后的第2成型条件参数或第2成型条件参数的变更量的学习模型。
12.一种计算机程序，其特征在于，用于使计算机重复执行下述处理来创建机器学习用的数据集：
对成型机中设定的第1成型条件参数及第2成型条件参数中的、第1成型条件参数进行变更以使成型品的品质恶化，
获取表示通过设定有使成型品的品质恶化的第1成型条件参数及第2成型条件参数的所述成型机制造的成型品的状态或该成型机的状态的物理量数据，
对所述成型机中设定的第2成型条件参数进行变更，
获取表示通过设定有第1成型条件参数及变更后的第2成型条件参数的所述成型机制造的成型品的状态或该成型机的状态的物理量数据，
将变更前的第2成型条件参数、在设定该第2成型条件参数时得到的物理量数据、变更后的第2成型条件参数或第2成型条件参数的变更量、及在设定变更后的第2成型条件参数时得到的物理量数据或基于该物理量数据的评价值建立对应并存储。
13.一种数据集创建装置，其特征在于，
具备处理器，该处理器执行创建学习模型的机器学习用的数据集的处理，所述学习模型对成型机中设定的成型条件参数进行调整，
所述处理器执行下述处理：
对成型机中设定的第1成型条件参数及第2成型条件参数中的、第1成型条件参数进行变更以使成型品的品质恶化，
获取表示通过设定有使成型品的品质恶化的第1成型条件参数及第2成型条件参数的所述成型机制造的成型品的状态或该成型机的状态的物理量数据，
对所述成型机中设定的第2成型条件参数进行变更，
获取表示通过设定有第1成型条件参数及变更后的第2成型条件参数的所述成型机制造的成型品的状态或该成型机的状态的物理量数据，
将变更前的第2成型条件参数、在设定该第2成型条件参数时得到的物理量数据、变更后的第2成型条件参数或第2成型条件参数的变更量、及在设定变更后的第2成型条件参数时得到的物理量数据或基于该物理量数据的评价值建立对应并存储于存储部，
所述处理器通过重复进行第1及第2成型条件参数的变更以及物理量数据的获取，从而创建机器学习用的数据集。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021-122631 | 2021-07-27 | ||
| JP2021122631A JP2023018475A (ja) | 2021-07-27 | 2021-07-27 | データセット作成方法、学習モデル生成方法、コンピュータプログラム及びデータセット作成装置 |
| PCT/JP2022/022281 WO2023007945A1 (ja) | 2021-07-27 | 2022-06-01 | データセット作成方法、学習モデル生成方法、コンピュータプログラム及びデータセット作成装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117794717A true CN117794717A (zh) | 2024-03-29 |
Family
ID=85086516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280052315.3A Pending CN117794717A (zh) | 2021-07-27 | 2022-06-01 | 数据集创建方法、学习模型生成方法、计算机程序及数据集创建装置 |
Country Status (4)
| Country | Link |
|---|---|
| JP (1) | JP2023018475A (zh) |
| CN (1) | CN117794717A (zh) |
| TW (1) | TW202308830A (zh) |
| WO (1) | WO2023007945A1 (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013182564A (ja) * | 2012-03-05 | 2013-09-12 | Renesas Electronics Corp | シミュレーション装置、シミュレーション方法及びプログラム |
| JP6346128B2 (ja) * | 2015-07-28 | 2018-06-20 | ファナック株式会社 | 最適な操作条件を算出できる射出成形システム及び機械学習器 |
| JP7265318B2 (ja) | 2018-03-23 | 2023-04-26 | 株式会社日本製鋼所 | 機械学習器により成形条件を調整する射出成形機システム |
| JP2021012475A (ja) * | 2019-07-04 | 2021-02-04 | トヨタ紡織株式会社 | 情報処理装置、情報処理方法及びプログラム |
| JP7488638B2 (ja) * | 2019-10-04 | 2024-05-22 | 株式会社日本製鋼所 | 操作量決定装置、成形装置システム、成形機、コンピュータプログラム、操作量決定方法及び状態表示装置 |
-
2021
- 2021-07-27 JP JP2021122631A patent/JP2023018475A/ja active Pending
-
2022
- 2022-06-01 CN CN202280052315.3A patent/CN117794717A/zh active Pending
- 2022-06-01 WO PCT/JP2022/022281 patent/WO2023007945A1/ja active Application Filing
- 2022-06-22 TW TW111123180A patent/TW202308830A/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023007945A1 (ja) | 2023-02-02 |
| JP2023018475A (ja) | 2023-02-08 |
| TW202308830A (zh) | 2023-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200101649A1 (en) | Device for assisting molding condition determination and injection molding apparatus | |
| CN116056862A (zh) | 用于控制和/或监测至少一个注射模制工艺的计算机实施的方法 | |
| US20200285998A1 (en) | Machine learning device and machine learning method | |
| US20220339837A1 (en) | Operation Quantity Determination Device, Molding Apparatus System, Molding Machine, Non-Transitory Computer Readable Recording Medium, Operation Quantity Determination Method, and State Display Device | |
| JP4536200B2 (ja) | 成形試験システムおよび成形試験方法 | |
| CN117794717A (zh) | 数据集创建方法、学习模型生成方法、计算机程序及数据集创建装置 | |
| CN111745925B (zh) | 注塑成型解析方法及注塑成型解析系统 | |
| US20210213662A1 (en) | Method for controlling a machine for processing plastics | |
| WO2022054463A1 (ja) | 機械学習方法、コンピュータプログラム、機械学習装置及び成形機 | |
| WO2021079751A1 (ja) | 学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機及び成形装置システム | |
| CN116568481A (zh) | 注射成型条件生成系统以及方法 | |
| WO2023032375A1 (ja) | 成形条件パラメータ調整方法、コンピュータプログラム、成形条件パラメータ調整装置及び成形機 | |
| JP2022052082A (ja) | 射出成形システムおよび射出成形機の設定支援方法 | |
| 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 | |
| WO2023037676A1 (ja) | 射出成形機、制御方法及びコンピュータプログラム | |
| WO2024106002A1 (ja) | 成形条件修正装置、成形機、成形条件修正方法及びコンピュータプログラム | |
| US20240131765A1 (en) | Reinforcement Learning Method, Non-Transitory Computer Readable Recording Medium, Reinforcement Learning Device and Molding Machine | |
| WO2022196755A1 (ja) | 強化学習方法、コンピュータプログラム、強化学習装置及び成形機 | |
| WO2023042494A1 (ja) | 寿命推定方法、寿命推定装置及びコンピュータプログラム | |
| CN117921966A (zh) | 信息处理装置、注射成型机及程序 | |
| CN117642268A (zh) | Pvt特性计算模型推定系统和方法 | |
| JP5980694B2 (ja) | 射出成形機の表示装置 | |
| JP2024018556A (ja) | 成形条件調整装置、成形機、成形条件調整方法及びコンピュータプログラム | |
| JP2002127219A (ja) | 射出成形条件決定装置および射出成形条件決定方法およびプログラム記憶媒体 |
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 |