DE102016009203B4

DE102016009203B4 - Spritzgusssystem zum Berechnen optimaler Betriebsbedingungen und Maschinenlernvorrichtung dafür

Info

Publication number: DE102016009203B4
Application number: DE102016009203.3A
Authority: DE
Inventors: Wataru Shiraishi; Kazuhiro Yamamoto
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2015-07-28
Filing date: 2016-07-28
Publication date: 2020-06-18
Anticipated expiration: 2036-07-29
Also published as: JP2017030152A; US10416617B2; JP6346128B2; DE102016009203A1; DE102016009203C5; CN106393618B; DE102016009203B9; CN106393618A; US20170031330A1

Abstract

Spritzgusssystem (1), das mit zumindest einer Spritzgussmaschine (2) versehen ist und eine künstliche Intelligenz aufweist, die ein Maschineneinlernen durchführt, wobei das Spritzgusssystem (1) umfasst:einen Statusbeobachtungsabschnitt (21), der, wenn ein Spritzguss von der Spritzgussmaschine (2) durchgeführt wird, physische Mengen in Bezug auf den Spritzguss unter Durchführung beobachtet;einen Speicherabschnitt zum Speichern von Daten zu physischen Mengen (22), der die vom Statusbeobachtungsabschnitt (21) beobachteten Daten zu physischen Mengen speichert;einen Beurteilungsbedingungseinstellungsabschnitt (23), der Beurteilungsbedingungen für das Maschineneinlernen einstellt;einen Beurteilungsberechnungsabschnitt (24), der eine Beurteilung auf Basis der von dem Statusbeobachtungsabschnitt (21) beobachteten Daten zu physischen Mengen und der von dem Beurteilungsbedingungseinstellungsabschnitt (23) eingestellten Beurteilungsbedingungen berechnet;einen Betriebsbedingungsanpassungslernabschnitt (25), der ein Maschineneinlernen zum Anpassen von Betriebsbedingungen auf Basis der vom Beurteilungsberechnungsabschnitt (24) berechneten Beurteilung und der im Spritzgusssystem (1) eingestellten Betriebsbedingungen und der Daten zu physischen Mengen durchführt;einen Lernergebnisspeicherabschnitt (26), der ein Lernergebnis des Maschineneinlernens durch den Betriebsbedingungsanpassungslernabschnitt (25) speichert; undeinen Betriebsbedingungsanpassungshöhenausgabeabschnitt (27), der eine anzupassende Betriebsbedingung und eine Anpassungshöhe auf Basis des Lernergebnisses durch den Betriebsbedingungsanpassungslernabschnitt (25) ermittelt und ausgibt.

Description

HINTERGRUND DER ERFINDUNG
Gebiet der Erfindung
Die vorliegende Erfindung bezieht sich auf ein Spritzgusssystem und insbesondere auf ein Spritzgusssystem, mit dem die Berechnung optimaler Betriebsbedingungen ohne Anpassung durch einen Benutzer umgesetzt wird, sowie auf eine entsprechende Maschinenlernvorrichtung.
Beschreibung des verwandten Standes der Technik
Bei Herstellung eines Formteils, das zum Formen neuer Formartikel verwendet wird, ist es erforderlich, die optimalen Werte von Betriebsbedingungen zu berechnen, einschließlich Formungsbedingungen, bevor mit der Massenproduktion der Formartikel auf Basis des Formteils begonnen wird. Bei einem Betriebsbedingungseinstellungsbetrieb, bei dem die optimalen Betriebsbedingungen einer Spritzgussmaschine berechnet werden, ist es erforderlich, dass ein Benutzer diverse Betriebsbedingungen anpasst, um die optimalen Betriebsbedingungen zu erhalten, und zwar unter Bezugnahme auf Prozessüberwachungsdaten oder die Messung der Gewichte von Formartikel und unter Bestätigung eines Formungsstatus durch visuelles Erkennen eines Formartikels, während die Betriebsbedingungen auf Basis seiner Erfahrung als grobe Standards eingestellt werden und ein Formungsbetrieb durchgeführt wird. Aus diesem Grund ist es erforderlich, dass sich ein Benutzer Zeit nimmt, um optimale Betriebsbedingungen durch Anpassen diverser Betriebsbedingungen und Vergleichen von Formartikeln, die auf Basis der diversen Betriebsbedingungen geformt wurden, miteinander zu berechnen.
Unterdessen wurden als herkömmliche Technologien zum Unterstützen des obigen Betriebs des Einstellens von Formungsbedingungen durch einen Benutzer eine Technologie, bei der Formungsbedingungen oder Formungsdaten vorab in einem nichtflüchtigen Speicher gespeichert und zu Vergleichszwecken angezeigt werden, eine Technologie, bei der vergangene Formungsbedingungen in Reaktion auf eine Anfrage eines Benutzers gelesen und verwendet werden, und dergleichen offenbart (siehe z. B.japanische Patentanmeldung mit der Offenlegungs-Nr. JP H06- 39 889 A und japanische Patentanmeldung mit der Offenlegungs-Nr. JP H11- 333 899 A ).
Bei dem obigen Betriebsbedingungseinstellungsbetrieb durch einen Benutzer nimmt das Berechnen optimaler Betriebsbedingungen je nach Fähigkeiten des Benutzers, der den Betrieb durchführt, Zeit in Anspruch, oder es kommt je nach Benutzer zu einem Unterschied des Niveaus (der Qualität) der optimalen Betriebsbedingungen. Aus diesem Grund ist es schwierig, Betriebsbedingungen jedes Mal unter dem gleichen Standard zu berechnen.
Außerdem ist es beim obigen Betriebsbedingungseinstellungsbetrieb wichtig, Betriebsbedingungen abzuleiten, durch die eine Verringerung des Energieverbrauchs während der Formung umgesetzt wird, in Hinblick auf die Herstellungskosten von Formartikeln bei einer Massenproduktion. Es ist jedoch sogar für einen geschulten Benutzer schwierig, Betriebsbedingungen für eine Formung mit verringertem Energieverbrauch bei gleichzeitiger Beibehaltung der hohen Qualität der Formprodukte abzuleiten.
Wie in der japanischen Patentanmeldung mit der Offenlegungs-Nr. JP H06- 39 889 A und in der japanischen Patentanmeldung mit der Offenlegungs-Nr. JP H11- 333 899 A offenbart, können solche Probleme durch ledigliches Speichern bisheriger Formungsbedingungen und Verwenden dieser ggf. nicht gelöst werden.
Die WO 2014/ 150 632 A1 beschreibt ein Spritzgusssystem mit Selbstlernfähigkeiten, bei denen eine Steuerung mit der Zeit lernt, wie sich bestimmte Änderungen auf die tatsächlichen Ergebnisse der Spritzgussteile auswirken, sodass selbständig Anpassungen an den Heizelementen des Heißkanals vorgenommen werden können.
Die WO 02/ 047 884 A1 beschreibt eine in der Einspritzeinheit integrierte visuelle Überprüfung eines Formteils.
Die EP 2 400 358 A1 beschreibt ein selbstlernendes System, das Herstellungsparameter selbständig anpassen kann, um ein Herstellungsergebnis zu verbessern.
KURZDARSTELLUNG DER ERFINDUNG
Angesichts der obigen Umstände liegt ein Ziel der vorliegenden Erfindung in der Bereitstellung eines Spritzgusssystems, mit dem es möglich ist, Betriebsbedingungen, einschließlich Formungsbedingungen, in einem kurzen Zeitraum anzupassen und eine Formung bei geringerem Energieverbrauch durchzuführen.
Gelöst wird diese Aufgabe erfindungsgemäß durch ein Spritzgusssystem mit den Merkmalen des Anspruchs 1 und eine Maschinenlernvorrichtung mit den Merkmalen des Anspruchs 17.
Eine Ausführungsform der vorliegenden Erfindung stellt ein Spritzgusssystem mit den Merkmalen des Patentanspruchs 1 bereit, das mit zumindest einer Spritzgussmaschine versehen ist und eine künstliche Intelligenz aufweist, die ein Maschineneinlernen durchführt, wobei das Spritzgusssystem beinhaltet: einen Statusbeobachtungsabschnitt, der, wenn ein Spritzguss von der Spritzgussmaschine durchgeführt wird, physische Mengen zum Spritzguss unter Durchführung beobachtet; einen Abschnitt zum Speichern von Daten zu physischen Mengen, der die vom Statusbeobachtungsabschnitt beobachteten Daten zu physischen Mengen speichert; einen Beurteilungsbedingungseinstellungsabschnitt, der Beurteilungsbedingungen für das Maschineneinlernen einstellt; einen Beurteilungsberechnungsabschnitt, der eine Beurteilung („reward“) auf Basis der vom Statusbeobachtungsabschnitt beobachteten Daten zu physischen Mengen und der vom Beurteilungsbedingungseinstellungsabschnitt eingestellten Beurteilungsbedingungen berechnet; einen Betriebsbedingungsanpassungslernabschnitt der ein Maschineneinlernen zum Anpassen von Betriebsbedingungen auf Basis der vom Beurteilungsberechnungsabschnitt berechneten Beurteilung und der im Spritzgusssystem eingestellten Betriebsbedingungen und den Daten zu physischen Mengen durchführt; einen Lernergebnisspeicherabschnitt, der ein Lernergebnis des Maschineneinlernens durch den Betriebsbedingungsanpassungslernabschnitt speichert; und einen Betriebsbedingungsanpassungshöhenausgabeabschnitt, der eine anzupassende Betriebsbedingung und eine Anpassungshöhe auf Basis des Lernergebnisses durch den Betriebsbedingungsanpassungslernabschnitt ermittelt und ausgibt.
Beim Spritzgusssystem kann das im Lernergebnisspeicherabschnitt gespeicherte Lernergebnis beim Einlernen des Betriebsbedingungsanpassungslernabschnitts verwendet werden.
Das Spritzgusssystem kann des Weiteren einen Messabschnitt beinhalten. Beim Spritzgusssystem können die vom Statusbeobachtungsabschnitt beobachteten Daten zu physischen Mengen zumindest eines aus einem Gewicht und einer Größe eines Formartikels, wie durch den Messabschnitt gemessen, eines Erscheinungsbilds, einer Länge, eines Winkels, einer Fläche und eines Volumens, wie aus Bilddaten zum Formartikel berechnet, eines optischen Untersuchungsergebnisses eines optischen Formartikels und eines Messergebnisses einer Festigkeit des Formartikels beinhalten, und der Abschnitt zum Speichern von Daten zu physischen Mengen kann auch andere Daten zu physischen Mengen als die Daten zu physischen Mengen zum Formartikel speichern.
Beim Spritzgusssystem kann eine Eingabe der Beurteilungsbedingungen in den Beurteilungsbedingungseinstellungsabschnitt durch eine Anzeigevorrichtung umgesetzt werden, die in der Spritzgussmaschine bereitgestellt ist.
Beim Spritzgusssystem kann der Beurteilungsberechnungsabschnitt, wenn zumindest eines aus einer Stabilisierung von Daten zu physischen Mengen, einer Verringerung einer Zykluszeit und einer Energieersparnis erreicht wird, eine positive Beurteilung gemäß einem Erreichungsgrad ausgeben.
Beim Spritzgusssystem kann der Beurteilungsberechnungsabschnitt, wenn zumindest ein Ereignis aus einer Destabilisierung von Daten zu physischen Mengen, einer Verlängerung einer Zykluszeit und einer Erhöhung des Energieverbrauchs auftritt, eine negative Beurteilung gemäß einem Ereignisgrad ausgeben.
Beim Spritzgusssystem kann ein zulässiger Wert vorab in den Daten zu physischen Mengen eingestellt werden und kann der Beurteilungsberechnungsabschnitt eine positive Beurteilung ausgeben, wenn die Daten zu physischen Mengen in den zulässigen Wert fallen.
Beim Spritzgusssystem kann ein zulässiger Wert vorab in den Daten zu physischen Mengen eingestellt werden und kann der Beurteilungsberechnungsabschnitt, wenn die Daten zu physischen Mengen vom zulässigen Wert abweichen, eine negative Beurteilung auf Basis einer Abweichungshöhe ausgeben.
Beim Spritzgusssystem kann ein Zielwert vorab in den Daten zu physischen Mengen eingestellt werden und kann der Beurteilungsberechnungsabschnitt, wenn die Daten zu physischen Mengen nahe am Zielwert liegen, eine positive Beurteilung auf Basis einer Abweichungshöhe zwischen dem Zielwert und des Daten zu physischen Mengen ausgeben.
Beim Spritzgusssystem kann ein Zielwert vorab in den Daten zu physischen Mengen eingestellt werden und kann der Beurteilungsberechnungsabschnitt, wenn die Daten zu physischen Mengen vom Zielwert abweichen, eine negative Beurteilung auf Basis einer Abweichungshöhe zwischen dem Zielwert und den Daten zu physischen Mengen ausgeben.
Beim Spritzgusssystem kann der Beurteilungsberechnungsabschnitt, wenn ein Status auftritt, der einen Formungsfehler anzeigt, eine negative Beurteilung gemäß einem Formungsfehlergrad ausgeben.
Beim Spritzgusssystem beinhaltet der Formungsfehler zumindest eines aus einem Grat, einer Einfallstelle, einer Krümmung, einer Luftblase, eines Kurzschusses, einer Fließlinie, einer Schweißlinie, einer Silberschliere, einer Farbunregelmäßigkeit, einer Verfärbung, einer Karbonisation, einer Eindringung von Verunreinigungen, einer Abweichung einer optischen Achse eines Linsenformartikels von einem zulässigen Wert und einem Fehler einer Dicke eines Formartikels.
Beim Spritzgusssystem beinhalten die Betriebsbedingungen, die dem Maschineneinlernen durch den Betriebsbedingungsanpassungslernabschnitt unterzogen werden, zumindest eines aus Formteileinspannbedingungen, Ausstoßerbedingungen, Spritzhaltebedingungen, Dosierbedingungen, Temperaturbedingungen, Düsenberührungsbedingungen, Harzzufuhrbedingungen, Formteildickenbedingungen, Formartikelentnahmebedingungen und Heißkanalbedingungen.
Das Spritzgusssystem kann des Weiteren einen Roboter beinhalten, der als Formartikelentnahmeeinheit dient, in dem die Formartikelentnahmebedingungen eingestellt werden.
Beim Spritzgusssystem kann zumindest eine der Betriebsbedingungen innerhalb eines vorgeschriebenen Bereichs variiert werden, der vom Betriebsbedingungsanpassungslernabschnitt zu lernen ist.
Beim Spritzgusssystem kann jedes der Mehrzahl von Spritzgusssystemen einen Kommunikationsabschnitt aufweisen, um mit einer externen Umgebung zu kommunizieren, und können Daten zu physischen Mengen, die in jedem der Abschnitte zum Speichern von Daten zu physischen Mengen gespeichert sind, und ein Lernergebnis, das in jedem der Lernergebnisspeicherabschnitte gespeichert ist, gesendet/empfangen werden, um gemeinsam genutzt zu werden.
Eine weitere Ausführungsform der vorliegenden Erfindung stellt eine Maschinenlernvorrichtung mit den Merkmalen des Patentanspruchs 17 bereit. Eine nicht erfindungsgemäße Maschinenlernvorrichtung ist offenbart, die ein Maschineneinlernen zum Anpassen von Betriebsbedingungen durch die Spritzgussmaschine durchführt, wobei die Maschinenlernvorrichtung beinhaltet: einen Lernergebnisspeicherabschnitt, der ein Lernergebnis des Anpassens der Betriebsbedingungen speichert; einen Statusbeobachtungsabschnitt, der, wenn ein Spritzguss von der Spritzgussmaschine durchgeführt wird, Daten zu physischen Mengen zum Spritzguss unter Durchführung beobachtet; und einen Betriebsbedingungsanpassungshöhenausgabeabschnitt, der eine anzupassende Betriebsbedingung und eine Anpassungshöhe auf Basis des im Lernergebnisspeicherabschnitt gespeicherten Lernergebnisses ermittelt und ausgibt.
Gemäß einer Ausführungsform der vorliegenden Erfindung wird es möglich, diverse Betriebsbedingungen in einem kurzen Zeitraum anzupassen und eine stabilere Formung durch Anwendung des Maschineneinlernens bei der Berechnung optimaler Betriebsbedingungen durchzuführen. Außerdem wird es möglich, eine Formung mit einem geringeren Energieverbrauch durchzuführen. Ferner wird es möglich, das Maschineneinlernen, mit dem ein besseres Ergebnis für jedes der Spritzgusssysteme erhalten werden kann, derart umzusetzen, dass anzupassende Formungsdaten oder Lerndaten für das Maschineneinlernen in der Mehrzahl von Spritzgusssystemen gemeinsam genutzt und verwendet werden.
Figurenliste
Die obigen und andere Ziele und Merkmale der vorliegenden Erfindung gehen aus den Beschreibungen der folgenden Ausführungsformen unter Bezugnahme auf die beliegenden Zeichnungen hervor, in denen:

1 ein Schaubild zum Beschreiben des Grundkonzepts eines Verstärkungslernalgorithmus ist;
2 ein schematisches Konfigurationsschaubild ist, das ein Spritzgusssystem gemäß einer Ausführungsform der vorliegenden Erfindung zeigt; und
3 ein Schaubild ist, das ein Beispiel für das Anzeigen von Spritzhaltedruckdaten bei einem Schuss unter Verwendung einer Druckwellenform zeigt.

AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Im Folgenden wird eine Ausführungsform der vorliegenden Erfindung unter Bezugnahme auf die Zeichnungen beschrieben.
Bei der vorliegenden Erfindung wird eine Maschinenlernvorrichtung, die als künstliche Intelligenz dient, in ein Spritzgusssystem eingebracht, um ein Maschineneinlernen zu Betriebsbedingungen für den Spritzguss durchzuführen, wodurch die diversen Betriebsbedingungen beim Spritzguss angepasst werden. Somit ein Spritzgusssystem, mit dem es möglich wird, optimale Betriebsbedingungen in einem kurzen Zeitraum zu berechnen, um die Formung weiter zu stabilisieren und eine weitere Energieersparnis zu erzielen. (1) Maschineneinlernen
Im Allgemeinen wird das Maschineneinlernen gemäß seinem Ziel oder Bedingungen in diverse Algorithmen wie z. B. überwachtes Lernen und unüberwachtes Lernen klassifiziert. Ein Ziel der vorliegenden Erfindung liegt im Lernen des Betriebs zum Einstellen von Betriebsbedingungen für ein Formteil. Unter Berücksichtigung der Tatsache, dass das obige Spritzgusssystem Parameter oder dergleichen aufweist, die unter einer Spritzumgebung nicht direkt messbar sind, und es bei diesem schwierig ist, explizit anzuzeigen, welcher Typ von Aktion (Anpassung von Betriebsbedingungen) in Bezug auf einen aus einer Spritzung entstehenden Formartikel geeigneterweise durchzuführen ist, wird ein Verstärkungslernalgorithmus verwendet, bei dem eine Maschinenlernvorrichtung eine Aktion zum Erreichen eines Ziels nur unter Akzeptanz einer Beurteilung automatisch lernt.
1 ist ein Schaubild zum Beschreiben des Grundkonzepts eines Verstärkungslernalgorithmus. Beim Verstärkungslernen werden ein lernender Akteur und eine Aktion durch die Interaktionen zwischen einem Akteur (Maschinenlernvorrichtung), der als lernendes Subjekt agiert, und einer Bewegung (Steuerzielsystem), das als Steuerziel dient, weiterentwickelt. Mehr im Detail werden die folgenden Interaktionen zwischen dem Akteur und der Umgebung durchgeführt.

(1) Der Akteur beobachtet einen Umgebungsstatus s_t zu einem gewissen Zeitpunkt.
(2) Der Akteur wählt eine Aktion a_t , die er durchführen darf, auf Basis eines Beobachtungsergebnisses und vergangenem Lernen aus und führt diese durch.
(3) Der Umgebungsstatus s_t verändert sich zu einem nächsten Status s_t+1 , nachdem die Aktion a_t durchgeführt wurde.
(4) Der Akteur akzeptiert eine Beurteilung r_t+1 auf Basis der Statusänderung infolge der Aktion a_t .
(5) Der Akteur entwickelt das Einlernen auf Basis des Status s_t , der Aktion a_t , der Beurteilung r_t+1 und eines bisherigen Lernergebnisses weiter.

Beim Einlernen der obigen Verarbeitung (5) erfasst der Akteur die Zuordnung eines beobachteten Status s_t , einer Aktion a_t und einer Beurteilung r_t+1 als Referenzinformationen zum Ermitteln einer Menge einer Beurteilung, die er künftig erhalten darf. Beispielsweise wenn die Anzahl von Status, die der Akteur haben darf, jedes Mal m ist und die Anzahl von Aktionen, die der Akteur durchführen darf, n ist, erhält der Akteur eine zweidimensionale Anordnung von m × n, wobei Beurteilungen r_t+1 , die Paaren von Status s_t und Aktionen a_t entsprechen, durch wiederholtes Durchführen von Aktionen gespeichert werden.
Bei einer Wertfunktion (Evaluierungsfunktion), die anzeigt, in welchem Grad ein aktueller Status oder eine Aktion nützlich ist, und zwar auf Basis der obigen erfassten Zuordnung, aktualisiert der Akteur sodann die Wertfunktion (Evaluierungsfunktion), während die Aktionen wiederholt durchgeführt werden, um eine optionale Aktion zu lernen, der einem Status entspricht.
Eine Statuswertfunktion ist eine Wertfunktion, die anzeigt, in welchem Grad ein gewisser Status s_t nützlich ist. Die Statuswertfunktion wird als Funktion unter Verwendung eines Status als Argument ausgedrückt und auf Basis einer Beurteilung, die in Bezug auf eine Aktion in einem gewissen Status erhalten wird, eines Werts eines künftigen Status, der mit der Aktion geändert wird, oder dergleichen beim Lernen aus wiederholten Aktionen aktualisiert. Die Aktualisierungsformel der Statuswertfunktion wird gemäß einem Verstärkungslernalgorithmus definiert. Beispielsweise beim Lernen mit temporaler Differenz (TD), das als einer der Verstärkungslernalgorithmen angezeigt wird, die Statuswertfunktion durch die folgende Formel (1) definiert. Man bemerke, dass in der folgenden Formel (1) α einen Lernkoeffizienten anzeigt, γ eine Diskontierungsrate anzeigt, α und γ als 0 < α ≤ 1 bzw. 0 < γ ≤ 1 definiert sind. $V (s_{t}) \leftarrow V (s_{t}) + α [+ + γ (+) ()]$
Außerdem ist eine Aktionswertfunktion eine Wertfunktion, die anzeigt, in welchem Grad eine Aktion a_t in einem gewissen Status s_t nützlich ist. Die Aktionswertfunktion wird als Funktion unter Verwendung eines Status und einer Aktion als Argumente ausgedrückt und auf Basis einer Beurteilung, die in Bezug auf eine Aktion in einem gewissen Status erhalten wird, eines Aktionswerts eines künftigen Status, der mit der Aktion geändert wird, oder dergleichen beim Lernen aus wiederholten Aktionen aktualisiert. Die Aktualisierungsformel der Aktionswertfunktion wird gemäß einem Verstärkungslernalgorithmus definiert. Beispielsweise beim Q-Learning, das als einer der typischen Verstärkungslernalgorithmen angezeigt wird, die Aktionswertfunktion durch die folgende Formel (2) definiert. Man bemerke, dass in der folgenden Formel (2) α einen Lernkoeffizienten anzeigt, γ eine Diskontierungsrate anzeigt, α und γ als 0 < α ≤ 1 bzw. 0 < γ ≤ 1 definiert sind. $() \leftarrow () + α (+ \underset{a}{γ m a x} (+) - ())$
Man bemerke, dass als Verfahren zum Speichern einer Wertfunktion (Evaluierungsfunktion) eine Vorrichtung zum überwachten Lernen wie z. B. eine Stützvektormaschine (SVM) und ein neuronales Netzwerk einer Mehrfachwertausgabe, die einen Wert (Evaluierung) mit einem Status s_t und einer Aktion a_t als Eingaben ausgibt, z. B. wenn der Status s viele Status annehmen kann, oder dergleichen verwendet werden kann, zusätzlich zu einem Verfahren unter Verwendung einer Näherungsfunktion und einem Verfahren unter Verwendung einer Anordnung.
Des Weiteren wird bei der Auswahl einer Aktion bei der obigen Verarbeitung (2) eine Aktion a_t , mit der eine Beurteilung (r_t+1 + r_t+2 + ...) für eine Zukunft in einem aktuellen Status s_t ihren Maximalwert erreicht (eine Aktion zum Ändern auf einen nützlichsten Status, wenn eine Statuswertfunktion verwendet wird, oder eine nützlichste Aktion im Status, wenn eine Aktionswertfunktion verwendet wird), unter Verwendung einer Wertfunktion (Evaluierungsfunktion) ausgewählt, die durch bisheriges Lernen erzeugt wurde. Man bemerke, dass ein Akteur während des Lernens eine willkürliche Aktion mit konstanter Wahrscheinlichkeit auswählen kann, um das Lernen bei der Auswahl einer Aktion bei der obigen Verarbeitung (2) weiterzuentwickeln (Epsilon-(ε)-Greedy-Methode).
Wie oben beschrieben, wird das Lernen durch wiederholtes Durchführen der obigen Verarbeitungsoperationen (1) bis (5) weiterentwickelt. Sogar in einer neuen Umgebung nach abgeschlossenem Lernen in einer gewissen Umgebung kann das Lernen weiterentwickelt werden, um durch zusätzliches Lernen an die neue Umgebung adaptiert zu werden. Demgemäß wird, wenn die obige Verarbeitung auf den Betrieb des Einstellens von Betriebsbedingungen angewandt wird, wie bei der vorliegenden Erfindung, das zusätzliche Lernen zum Betrieb des Einstellens der Betriebsbedingungen, bei denen das Formteil des neu geformten Artikels als neue Umgebung eingestellt wird, auf Basis des bisherigen Lernens zum Betrieb des Einstellens der Betriebsbedingungen durchgeführt, wodurch es möglich wird, diverse Bedingungen in einem kurzen Zeitraum anzupassen.
Außerdem verwendet das Verstärkungslernen ein System, bei dem eine Mehrzahl von Akteuren über ein Netzwerk oder dergleichen miteinander verbunden ist, und Informationen zu Status s, Aktionen a, Beurteilungen r oder dergleichen unter den Akteuren gemeinsam genutzt und bei jedem Lernen angewandt werden, wodurch jeder der Akteure ein zerstreutes Verstärkungslernen unter Berücksichtigung der Umgebungen der anderen Akteure durchführt, um ein effizientes Lernen durchführen zu können. Bei der vorliegenden Ausführungsform sind, wenn eine Mehrzahl von Akteuren (Maschinenlernvorrichtungen), die eine Mehrzahl von Umgebungen (Spritzgussmaschinen als Steuerziele) steuern, ein zerstreutes Verstärkungslernen in einem Status durchführt, in dem sie über ein Netzwerk oder dergleichen verbunden sind, die Akteure außerdem in der Lage, den Betrieb des Einstellens von Betriebsbedingungen für ein Formteil effizient zu lernen.
Man bemerke, dass, auch wenn diverse Verfahren wie z. B. Q-Learning, ein SARSA-Verfahren, TD-Lernen und ein AC-Verfahren üblicherweise als Verstärkungslernalgorithmen bekannt sind, beliebige der obigen Verstärkungslernalgorithmen auf die vorliegende Erfindung angewandt werden können. Man bemerke, dass, da jeder der Verstärkungslernalgorithmen allgemein bekannt ist, in der Schrift auf dessen ausführliche Beschreibung verzichtet wird.
Es folgt eine Beschreibung des Spritzgusssystems gemäß der vorliegenden Erfindung auf Basis einer spezifischen Ausführungsform, in die eine Maschinenlernvorrichtung eingebracht ist.
Ausführungsform
2 ist ein Schaubild, das die schematische Konfiguration eines Spritzgusssystems gemäß einer Ausführungsform der vorliegenden Erfindung zeigt. Ein Spritzgusssystem 1 der Ausführungsform ist durch eine Spritzgussmaschine 2, ein Formteil 3, Steuerziele wie z. B. andere Peripheriegeräte, eine Maschinenlernvorrichtung 20, die als künstliche Intelligenz agiert, die ein Maschineneinlernen durchführt, oder dergleichen gebildet. Wenn die in 2 gezeigte Konfiguration mit den Elementen des im 1 gezeigten Verstärkungslernen verglichen wird, so entspricht die Maschinenlernvorrichtung 20 dem Akteur und die Gesamtheit, einschließlich der Spritzgussmaschine 2, des Formteils 3 und der Steuerziele wie z. B. anderer Peripheriegeräte, entspricht der Umgebung.
Das Spritzgusssystem 1 ist durch diverse Vorrichtungen gebildet, die jeweils mit einer Steuervorrichtung, einem Sensor oder dergleichen versehen sein können.
Die Steuervorrichtung der Spritzgussmaschine 2 beinhaltet eine Vorrichtung zum Steuern der Temperatur einer Düse, eines Zylinders und des unteren Teils eines Trichters, eine Vorrichtung zum Steuern des Drucks, eine Vorrichtung zum Steuern einer Düsenberührungskraft oder dergleichen, zusätzlich zu einer Vorrichtung zum Steuern der Formteileinspannung und einer formteilbezogenen Vorrichtung 7 wie einer Formteileinspannkraftsteuervorrichtung und einer Vorrichtung 9 zum Steuern des Öffnens/Schließens eines Formteils, der Anpassung der Dicke eines Formteils, des Ausstoßers, der Drehung einer Schnecke, der Rück- und Vorwärtsbewegung der Schnecke, der Rück- und Vorwärtsbewegung einer Spritzeinheit und einer Vorrichtung zum Steuern einer einspritzeinheitbezogenen Vorrichtung 10 wie einer Drehung eines Zulieferers für eine entsprechende Mengenzufuhrvorrichtung oder dergleichen.
Die Steuervorrichtung des Formteils 3 beinhaltet eine Vorrichtung zum Steuern einer Temperatur eines Formteils, eine Vorrichtung zum Steuern einer Heißkanaltemperatur und des Öffnens/Schließens einer Heißkanaldüse, eine Vorrichtung zum Steuern eines beweglichen Elements zur Spritzprägung, eine Vorrichtung zum Steuern eines Kernsatzes und eines Kernzugs, eine Vorrichtung zum Steuern eines Schiebetischs und eines Drehtischs zur mehrfarbigen Formung oder dergleichen, eine Vorrichtung zum Schalten eines Strömungswegs eines Materials für mehrfarbige Formung, eine Vorrichtung zum Oszillieren eines Formteils oder dergleichen.
Die Peripheriegeräte beinhalten neben einer Formartikelentnahmevorrichtung (Roboter) 5, die von einer Vorrichtung 8 zum Steuern des Roboters gesteuert wird, eine Vorrichtung zum Einsetzen eines Einsetzgegenstands, eine Vorrichtung zum Zuführen einer Folie zur In-Mold-Behandlung, eine Vorrichtung zum Zuführen eines Mantelrings zur Mantelringformung, eine Vorrichtung zum Füllen von Gas für gasunterstützte Formung, eine Vorrichtung zum Füllen von Gas für Formteilschäumen unter Verwendung eines superkritischen Fluids, eine Vorrichtung zum Füllen von Langfasern, eine Vorrichtung zum Vermischen von zwei Komponenten miteinander für LIM-Formung, eine Vorrichtung zum Entfernen von Graten aus einem Formartikel, eine Vorrichtung zum Schneiden eines Angusskanals, eine Waage für einen Formartikel, eine Maschine zum Untersuchen einer Festigkeit des Formartikels, eine Vorrichtung zum optischen Untersuchen eines Formartikels, eine Vorrichtung zum Abbilden des Formartikels und eine Bildverarbeitungsvorrichtung, einen Roboter zum Befördern eines Formartikels oder dergleichen.
Manche der obigen Steuervorrichtungen sind mit einem Sensor versehen, um eine Feedbacksteuerung oder eine Feedforwardsteuerung auf Basis eines geschlossenen Regelkreises durchzuführen. Außerdem werden manche der obigen Steuervorrichtungen nur verwendet, um Daten auszugeben.
Des Weiteren ist die Maschinenlernvorrichtung 20, die ein Maschineneinlernen durchführt, mit einem Statusbeobachtungsabschnitt 21, einem Abschnitt 22 zum Speichern von Daten zu physischen Mengen, einem Beurteilungsbedingungseinstellungsabschnitt 23, einen Beurteilungsberechnungsabschnitt 24, einem Betriebsbedingungsanpassungslernabschnitt 25, einem Lernergebnisspeicherabschnitt 26 und einem Betriebsbedingungsanpassungshöhenausgabeabschnitt 27 versehen. Die Maschinenlernvorrichtung 20 kann innerhalb der Spritzgussmaschine 2 vorgesehen sein oder kann in einem Personal Computer oder dergleichen außerhalb des Spritzgussmaschine 2 vorgesehen sein.
Der Statusbeobachtungsabschnitt 21 ist ein Funktionsabschnitt, der Daten zu physischen Mengen zum Spritzguss beobachtet, die von jeder der Vorrichtungen des Spritzgusssystems 1 ausgegeben werden, und importiert die beobachteten Statusdaten in die Maschinenlernvorrichtung 20. Die Daten zu physischen Mengen beinhalten eine Temperatur, eine Position, eine Geschwindigkeit, eine Beschleunigung, einen Strom, eine Spannung, einen Druck, eine Zeit, Bilddaten, Bildanalysedaten, ein Drehmoment, eine Energie, eine Verzerrung, einen Energieverbrauch, eine Formteilöffnungshöhe, eine Rückflusshöhe, eine Spurstangenverformungshöhe, ein Heizererhitzungsverhältnis, ein Gewicht eines Formartikels, eine Festigkeit eines Formartikels, eine Größe eines Formartikels, ein aus Bilddaten zu einem Formartikel berechnetes Erscheinungsbild, eine Länge jedes Teils eines Formartikels, einen Winkel, eine Fläche, ein Volumen, ein optisches Untersuchungsergebnis eines optisch geformten Artikels, ein Messergebnis einer Festigkeit eines Formartikels, eine Abweichungshöhe einer optischen Achse eines transparenten Formartikels, einen Berechnungswert, der durch die arithmetische Verarbeitung jeder physischen Menge berechnet wird, oder dergleichen. Durch Kombinationen der obigen Elemente von Daten zu physischen Mengen wird der beim Maschineneinlernen verwendeter Umgebungsstatus s definiert.
Der Abschnitt 22 zum Speichern von Daten zu physischen Mengen ist ein Funktionsabschnitt, der Daten zu physischen Mengen empfängt und speichert und die gespeicherten Daten zu physischen Mengen an den Beurteilungsberechnungsabschnitt 24 und den Betriebsbedingungsanpassungslernabschnitt 25 ausgibt. Der Abschnitt 22 zum Speichern von Daten zu physischen Mengen speichert Daten zu physischen Mengen, die vom Statusbeobachtungsabschnitt 21 während des Spritzgusses beobachtet wurden, als Daten zu physischen Mengen zu einem durch den Spritzguss geformten Formartikel. Die Eingaben von Daten zu physischen Mengen in den Abschnitt 22 zum Speichern von Daten zu physischen Mengen können Daten sein, die vom letzten Formungsbetrieb erfasst wurden, oder Daten, die von einem vergangenen Formungsbetrieb erfasst wurden. Außerdem ist es möglich, dass der Abschnitt 2 zum Speichern von Daten zu physischen Mengen Daten zu physischen Mengen empfängt und speichert, die in anderen Spritzgusssystemen 1 oder einem zentralisierten Verwaltungssystem 30 gespeichert sind, oder ist es möglich, dass der Abschnitt 22 zum Speichern von Daten zu physischen Mengen Daten zu physischen Mengen, die im Abschnitt 22 zum Speichern von Daten zu physischen Mengen gespeichert sind, an andere Spritzgusssysteme 1 oder ein zentralisiertes Verwaltungssystem 30 ausgibt.
Der Beurteilungsbedingungseinstellungsabschnitt 23 ist ein Funktionsabschnitt, der Bedingungen zum Vergeben einer Beurteilung beim Maschineneinlernen einstellt. Positive und negative Beurteilungen werden vergeben und können entsprechend eingestellt werden. Außerdem kann eine Eingabe in den Beurteilungsbedingungseinstellungsabschnitt 23 über einen Personal Computer, ein Tablet-Endgerät oder dergleichen durchgeführt werden, der bzw. das im zentralisierten Verwaltungssystem 30 verwendet wird. Durch Eingabe über eine Anzeigevorrichtung 6 der Spritzgussmaschine 2 wird es jedoch möglich, einfachere Einstellungen durchzuführen.
Der Beurteilungsberechnungsabschnitt 24 analysiert eine Eingabe von Daten zu physischen Mengen aus dem Statusbeobachtungsabschnitt 21 oder dem Abschnitt 22 zum Speichern von Daten zu physischen Mengen auf Basis von Bedingungen, die vom Beurteilungsbedingungseinstellungsabschnitt 23 eingestellt werden, und gibt eine berechnete Beurteilung an den Betriebsbedingungsanpassungslernabschnitt 25 aus. Die Beurteilungsausgabe aus dem Beurteilungsberechnungsabschnitt 24 entspricht einer Beurteilung r, die beim Maschineneinlernen verwendet wird.
Im Folgenden wird ein Beispiel für Beurteilungsbedingungen, die vom Beurteilungsbedingungseinstellungsabschnitt 23 eingestellt werden, gemäß der Ausführungsform beschrieben.
(Beurteilung 1: Ein Fall, bei den eine positive Beurteilung vergeben wird, wenn zumindest eines aus einer Stabilisierung von Daten zu physischen Mengen, einer Verringerung einer Zykluszeit und einer Energieersparnis erzielt wird)
Beim Ermitteln der Stabilisierung von Daten zu physischen Mengen kann, wenn eine Verringerung der Schwankungen infolge der statistischen Verarbeitung der Daten zu physischen Mengen erzielt wird, eine positive Beurteilung gemäß deren Verringerungsgrad vergeben werden. Als Index für die Schwankungen wird im Allgemeinen eine Standardabweichung verwendet.
Beim Ermitteln der Verringerung einer Zykluszeit wird, wenn die Zykluszeit verringert wird, eine positive Beurteilung gemäß deren Verringerungsgrad vergeben.
Bei der Energieersparnis wird, wenn der Energieverbrauch der Spritzgussmaschine allein, der Energieverbrauch des gesamten Spritzgusssystems, der Energiegesamtverbrauch einer Mehrzahl von Spritzgusssystemen oder gleichen als Index verringert wird, eine positive Beurteilung gemäß dessen Verringerungsgrad vergeben.
Im Gegensatz dazu wird, wenn die Destabilisierung von Daten zu physischen Mengen, die Verlängerung einer Zykluszeit und eine Erhöhung des Energieverbrauchs verursacht werden, eine negative Beurteilung gemäß deren Graden vergeben. (Beurteilung 2: Ein Fall, bei dem zulässige Werte vorab in Daten zu physischen Mengen eingestellt werden und der Beurteilungsberechnungsabschnitt eine positive Beurteilung vergibt, wenn die Daten zu physischen Mengen innerhalb zulässiger Werte liegen)
Wenn bekannt ist, dass Grate in einem Formartikel bei einem maximalen Spritzdruck von 200 MPa oder mehr auftreten, und dass ein Kurzschuss im Formartikel bei einem maximalen Spritzdruck von 190 MPa oder weniger auftritt, wird bewirkt, dass ein Spritzdruck in einem Spritzschritt einen Maximaldruck von 200 MPa und einen Mindestdruck von 190 MPa als zulässige Werte aufweist. Wenn Daten zu physischen Mengen innerhalb der zulässigen Werte liegen, wird eine positive Beurteilung vergeben. Andererseits kann, wenn die Daten zu physischen Mengen nicht innerhalb der zulässigen Werte liegen, eine negative Beurteilung gemäß deren Abweichungshöhe vergeben werden. Das heißt, dass die zu vergebende negative Beurteilung umso größer ist, desto höher die Abweichungshöhe ist.
Wie in 3 gezeigt, ist außerdem bekannt, dass der Bildschirm der Spritzgussmaschine die Funktion des Anzeigens von Spritzhaltedruckdaten in einem Schuss unter Verwendung einer Druckwellenform auf Basis einer horizontalen Achse (Zeit oder Schneckenposition) und einer vertikalen Achse (Druck) aufweist und die Funktion des Anzeigens einer Warnmeldung oder einer Qualitätsverschlechterung aufweist wenn die Wellenform nicht innerhalb oberer und unterer Grenzwerte liegt, die in einer Mehrzahl von Intervallen der Druckwellenform eingestellt wurden. Es ist außerdem möglich, eine Beurteilung in Bezug auf die Druckwellenform zu vergeben, wobei die oberen und unteren Grenzwerte, die für die Druckwellenform eingestellt sind, vom Beurteilungsbedingungseinstellungsabschnitt 23 als zulässige Werte eingestellt werden.
(Beurteilung 3: Ein Fall, bei dem ein Zielwert in Daten zu physischen Mengen vorab eingestellt wird und der Beurteilungsberechnungsabschnitt eine positive Beurteilung gemäß einer Abweichungshöhe zwischen Zielmenge und Daten zu physischen Mengen vergibt, wenn die Daten zu physischen Mengen nahe am Zielwert liegen)
Bei einem Zielwert, der für ein Gewicht eines Formartikels basierend auf dem Formteildesign und der Harzauswahl eingestellt wird, kann eine größere positive Beurteilung vergeben werden, wenn das Gewicht des Formartikels näher zum Zielwert rückt.
Im Gegensatz dazu kann eine negative Beurteilung auf Basis der Abweichungshöhe zwischen dem Zielwert und den Daten zu physischen Mengen vergeben werden, wenn die Daten zu physischen Mengen vom Zielwert abweichen. Unter der Maßgabe, dass eine weitere negative Beurteilung auf Basis eines Änderungsverhältnisses vergeben wird, wenn das Änderungsverhältnis der Abweichungshöhe zunimmt, wird es außerdem möglich, eine viel größere negative Beurteilung zu vergeben, wenn die Abweichungshöhe mit zunehmender Geschwindigkeit zunimmt.
Durch die Kombination der obigen Einstellung von zulässigen Werten in Beurteilung 2 und der obigen Einstellung eines Zielwerts in Beurteilung 3 kann ferner ein Zielwert nahe einem oberen zulässigen Grenzwert eingestellt werden. Ein Harz, das bei Spritzguss verwendet wird, weist Faktoren auf, die je nach Charge Schwankungen der Molekularmengenverteilung und Schmelzzeitviskosität verursachen, sogar wenn aus der gleichen Klasse. Aus diesem Grund ist es wahrscheinlich, dass sich die Wahrscheinlichkeit des Auftretens eines Kurzschusses nahe einem unteren zulässigen Grenzwert erhöht, sogar wenn eine Formung innerhalb der zulässigen Werte durchgeführt wird. Um dieses Risiko zu vermeiden, wird der Zielwert auf kleiner gleich den oberen zulässigen Grenzwert festgelegt und wird auf nahe dem oberen zulässigen Grenzwert festgelegt. Somit wird die Formung innerhalb des Bereichs zulässiger Werte und nahe dem oberen zulässigen Grenzwert stabilisiert, wodurch es möglich wird, die Wahrscheinlichkeit des Auftretens eines Kurzschusses zu verringern. Wie oben beschrieben, ist es außerdem möglich, eine Mehrzahl von Beurteilungsbedingungen in Kombination zu verwenden.
(Beurteilung 4: Ein Fall, bei dem eine negative Beurteilung vergeben wird, wenn ein Status auftritt, der einen Formungsfehler anzeigt)
Eine negative Beurteilung wird vergeben, wenn ein Formungsfehler wie z. B. ein Grat, eine Einfallstelle, eine Krümmung, eine Luftblase, ein Kurzschuss, eine Fließlinie, eine Schweißlinie, eine Silberschliere, Farbunregelmäßigkeiten, eine Verfärbung, eine Karbonisation, ein Eindringen von Verunreinigungen, eine Abweichung einer optischen Achse eines Linsenformartikels außerhalb eines zulässigen Werts und ein Fehler der Dicke eines Formartikels bei einem Bild auftritt, das durch Photographieren des Formartikels erhalten wurde, oder in Bildanalysedaten, die durch Analysieren des Bilds erhalten wurden, oder durch eine optische Untersuchungsvorrichtung oder dergleichen erkannt wird.
Außerdem kann eine Größe einer negativen Beurteilung gemäß einem Grad eines solchen Fehlers geändert werden. Beispielsweise wenn eine Verfärbung auftritt, wird der Grad der Verfärbung von einem Kolorimeter, durch eine Bildanalyse eines photographierten Bilds oder dergleichen digitalisiert und eine Größe einer negativen Beurteilung wird gemäß dem Grad der Verfärbung geändert.
Unter erneuter Bezugnahme auf 2 führt der Betriebsbedingungsanpassungslernabschnitt 25 ein Maschineneinlernen (Verstärkungslernen) auf Basis von Daten zu physischen Mengen, der Anpassung von Betriebsbedingungen, einschließlich Formungsbedingungen des Spritzgusssystems, wie durch sich selbst durchgeführt, und einer vom Beurteilungsberechnungsabschnitt 24 berechneten Beurteilung durch. Zu diesem Zeitpunkt kann der Betriebsbedingungsanpassungslernabschnitt 25 das Maschineneinlernen (Verstärkungslernen) unter Verwendung eines im Lernergebnisspeicherabschnitt 26 gespeicherten Lernergebnisses durchführen, das später beschrieben wird.
Danach gibt der Betriebsbedingungsanpassungshöhenausgabeabschnitt 27, der später beschrieben wird, auf Basis eines Lernergebnisses des Betriebsbedingungsanpassungslernabschnitts 25 Anpassungshöhen von Betriebsbedingungen für das Spritzgusssystem wie z. B. Formteileinspannbedingungen, Ausstoßerbedingungen, Spritzhaltebedingungen, Dosierbedingungen, Temperaturbedingungen, Düsenberührungsbedingungen, Harzzufuhrbedingungen, Formteildickenbedingungen, Formartikelentnahmebedingungen, Heißkanalbedingungen und Einstellungsbedingungen der Steuervorrichtung oder dergleichen jedes der Peripheriegeräte aus. Hier entspricht das Anpassen der Betriebsbedingungen der Aktion a, die beim Maschineneinlernen verwendet wird.
Hier wird bei dem vom Betriebsbedingungsanpassungslernabschnitt 25 durchgeführten Maschineneinlernen ein Status s_t durch die Kombination von Daten zu physischen Mengen zu einem gewissen Zeitpunkt t definiert, und das Anpassen von Betriebsbedingungen für das Spritzgusssystem, das in Bezug auf den definierten Status s_t durchgeführt wird, und die Ausgabe eines Anpassungsergebnisses aus dem Betriebsbedingungsanpassungshöhenausgabeabschnitt 27, der später beschrieben wird, entsprechen einer Aktion a_t . Danach entspricht ein Wert, der vom Beurteilungsberechnungsabschnitt 24 auf Basis von Daten berechnet wird, die infolge eines Spritzgusses gemäß dem Anpassungsergebnis erhalten werden, einer Beurteilung r_t+1 . Eine Wertfunktion, die beim Lernen verwendet wird, wird gemäß einem angewandten Lernalgorithmus ermittelt. Beispielsweise wenn Q-Learning angewandt wird, ist es nur erforderlich, eine Aktionswertfunktion Q(s_t, a_t) gemäß der obigen Formel (2) zu aktualisieren, um das Lernen weiterzuentwickeln.
Unter der Maßgabe, dass jede der Betriebsbedingungen vorab in ihrem Ausgangswert eingestellt wird, kann außerdem zumindest eine der Betriebsbedingungen innerhalb eines vorgeschriebenen Bereichs variiert werden, um das Lernen durchzuführen. Beispielsweise wird das Lernen auf Basis einer physischen Menge durchgeführt, die erhalten wird, wenn eine Schneckendrehgeschwindigkeit beim Dosieren vom Ausgangswert von 100 U/min automatisch um 10 U/min erhöht wird, um eine Formung durchzuführen, und einer physischen Menge, die erhalten wird, wenn ein Gegendruck vom Ausgangswert von 5 MPa automatisch um 1 MPa erhöht wird, um die Formung durchzuführen. Somit wird es möglich, die Kombination einer Schneckendrehgeschwindigkeit und eines Gegendrucks zu lernen, bei der der Energieverbrauch innerhalb eines Bereichs seinen Mindestwert erreicht, in dem ein ausgezeichneter Artikel stabil ohne Formungsfehler geformt werden kann.
Außerdem kann es möglich sein, dass eine ε-Greedy-Methode, wie oben beschrieben, verwendet wird und eine willkürliche Aktion mit einer vorgeschriebenen Wahrscheinlichkeit ausgewählt wird, um das Lernen weiterzuentwickeln.
Man bemerke, dass die Vorrichtung 5 zum Entnehmen eines Formartikels, für die die Formartikelentnahmebedingungen eingestellt werden, ein Gelenkroboter sein kann. Da eine allgemeine Entnahmemaschine beim Metallspritzguss (MIM-Spritzguss) oder dergleichen einen äußerst zerbrechlichen Formartikel (Rohling) nicht entnehmen darf, kann ein Roboter den Formartikel bei geringer Geschwindigkeit mit minimaler Haltekraft entnehmen. Da eine Formartikelentnahmegeschwindigkeit jedoch eine größere Auswirkung auf eine Zykluszeit hat, wird bevorzugt, das Lernen, mit dem ein Formartikel entnommen wird, bei einer höheren Geschwindigkeit durchzuführen, so dass dieser nicht zerbrochen wird. Es ist möglich, das Vorhandensein oder Fehlen des Brechens eines Formartikels als Daten zu physischen Mengen auf Basis der Messung eines Gewichts, der Bildanalyse oder dergleichen des Formartikels auszugeben und zu ermitteln.
Der Lernergebnisspeicherabschnitt 26 speichert ein Lernergebnis des Betriebsbedingungsanpassungslernabschnitts 25. Wenn ein Lernergebnis erneut vom Betriebsbedingungsanpassungslernabschnitt 25 verwendet wird, gibt des Weiteren der Lernergebnisspeicherabschnitt 26 ein gespeichertes Lernergebnis an den Betriebsbedingungsanpassungslernabschnitt 25 aus. Wie oben beschrieben, kann ein Lernergebnis derart gespeichert werden, dass eine Wertfunktion, die einem Maschinenlernalgorithmus entspricht, der zu verwenden ist, in einer Vorrichtung zum überwachten Lernen wie z. B. einer SVM (Stützvektormaschine) und eines neuronalen Netzwerks einer Näherungsfunktion, einer Anordnung oder einer Mehrfachwertausgabe oder dergleichen gespeichert wird.
Man bemerke, dass es auch möglich ist, dass der Lernergebnisspeicherabschnitt 26 ein Lernergebnis empfängt und speichert, das in anderen Spritzgusssystemen 1 oder dem zentralisierten System 30 gespeichert ist, oder es möglich ist, dass der Lernergebnisspeicherabschnitt 26 ein im Lernergebnisspeicherabschnitt 26 gespeichertes Lernergebnis an die Spritzgusssysteme 1 oder das zentralisierte Verwaltungssystem 30 ausgibt.
Der Betriebsbedingungsanpassungshöhenausgabeabschnitt 27 ermittelt eine anzupassende Betriebsbedingung und eine Anpassungshöhe auf Basis eines Lernergebnisses der Betriebsbedingungen, die vom Betriebsbedingungsanpassungslernabschnitt 25 gelernt werden, und gibt diese aus. Beispielsweise beim Ermitteln einer Anpassungshöhe werden die Kombinationen von Betriebsbedingungen, die anzupassen sind, und Anpassungshöhen, die in einem aktuellen Status ggf. vorgenommen wurden, gemäß einer Evaluierungsfunktion auf Basis des Lernens des Betriebsbedingungsanpassungslernabschnitts 25 evaluiert und unter diesen wird die Kombination mit der höchsten Evaluierung ermittelt. Nach Ausgabe einer Anpassungshöhe vom Betriebsbedingungsanpassungshöhenausgabeabschnitt 27 wird das Lernen sodann unter Verwendung von Daten zu physischen Mengen wiederholt durchgeführt, die erneut in den Statusbeobachtungsabschnitt 21 eingegeben werden. Somit ist es möglich, ein besseres Lernergebnis zu erhalten. Außerdem kann eine willkürliche Aktion mit einer vorgeschriebenen Wahrscheinlichkeit, wie oben beschrieben, ausgewählt werden, um das Lernen weiterzuentwickeln.
Außerdem ist es möglich, ein Maschineneinlernen unter Verwendung von Daten zu physischen Mengen und einer Evaluierungsfunktion, bei der ein Betrieb durch ein Argument ausgedrückt wird, durchzuführen, um eine maximale Beurteilung zu erhalten. Das Maschineneinlernen kann durchgeführt werden, während Daten zu physischen Mengen zur letzten Formung erfasst werden, oder kann unter Verwendung von erfassten Daten zu physischen Mengen durchgeführt werden, die im Abschnitt zum Speichern von Daten zu physischen Mengen gespeichert sind.
Beim Durchführen des Maschineneinlernens ist es möglich, zumindest eine der Betriebsbedingungen innerhalb eines vorgeschriebenen Bereichs zu variieren, der vom Betriebsbedingungsanpassungslernabschnitt 25 zu lernen ist. Durch gezieltes Variieren der zu lernenden Betriebsbedingungen wird es möglich, den Einfluss auf die Schwankung effizient zu lernen.
Wenn jedes der Mehrzahl von Spritzgusssystemen 1 des Weiteren mit einem Abschnitt versehen ist, der verwendet wird, um mit einer externen Umgebung zu kommunizieren, wird es ferner möglich, Daten zu physischen Mengen, die in den Abschnitten 22 zum Speichern von Daten zu physischen Mengen gespeichert sind, und ein Lernergebnis, das in jedem der Lernergebnisspeicherabschnitte 26 gespeichert ist, zu senden/zu empfangen und gemeinsam zu nutzen. Somit wird ein effizienteres Maschineneinlernen möglich. Beispielsweise wenn Betriebsbedingungen innerhalb eines vorgeschriebenen Bereichs zum Durchführen des Lernens variiert werden, kann das Lernen effizient durchgeführt werden, so dass Daten zu physischen Mengen und Lerndaten unter den Spritzgusssystemen 1 ausgetauscht werden, um das Lernen parallel weiterzuentwickeln, während unterschiedliche Betriebsbedingungen innerhalb eines vorgeschriebenen Bereichs variiert werden, um eine Formung in der Mehrzahl von Spritzgusssystemen 1 durchzuführen.
Um Daten zu physischen Mengen und Lerndaten unter einer Mehrzahl von Spritzgusssystemen 1, wie oben beschrieben, auszutauschen, kann eine Kommunikation über einen Hostcomputer wie z. B. das zentralisierte Verwaltungssystem 30 durchgeführt werden, können die Spritzgusssysteme 1 direkt miteinander kommunizieren oder kann eine Cloud verwendet werden. Zum Verarbeiten von großen Datenmengen wird vorzugsweise jedoch ein Kommunikationsabschnitt mit einer schnelleren Kommunikationsgeschwindigkeit bereitgestellt.
Die Ausführungsform der vorliegenden Erfindung wurde oben beschrieben. Die vorliegende Erfindung ist jedoch nicht nur auf das Beispiel der obigen Ausführungsform beschränkt und kann unter diversen Aspekten unter entsprechenden Modifikationen ausgeführt werden.

Claims

Spritzgusssystem (1), das mit zumindest einer Spritzgussmaschine (2) versehen ist und eine künstliche Intelligenz aufweist, die ein Maschineneinlernen durchführt, wobei das Spritzgusssystem (1) umfasst: einen Statusbeobachtungsabschnitt (21), der, wenn ein Spritzguss von der Spritzgussmaschine (2) durchgeführt wird, physische Mengen in Bezug auf den Spritzguss unter Durchführung beobachtet; einen Speicherabschnitt zum Speichern von Daten zu physischen Mengen (22), der die vom Statusbeobachtungsabschnitt (21) beobachteten Daten zu physischen Mengen speichert; einen Beurteilungsbedingungseinstellungsabschnitt (23), der Beurteilungsbedingungen für das Maschineneinlernen einstellt; einen Beurteilungsberechnungsabschnitt (24), der eine Beurteilung auf Basis der von dem Statusbeobachtungsabschnitt (21) beobachteten Daten zu physischen Mengen und der von dem Beurteilungsbedingungseinstellungsabschnitt (23) eingestellten Beurteilungsbedingungen berechnet; einen Betriebsbedingungsanpassungslernabschnitt (25), der ein Maschineneinlernen zum Anpassen von Betriebsbedingungen auf Basis der vom Beurteilungsberechnungsabschnitt (24) berechneten Beurteilung und der im Spritzgusssystem (1) eingestellten Betriebsbedingungen und der Daten zu physischen Mengen durchführt; einen Lernergebnisspeicherabschnitt (26), der ein Lernergebnis des Maschineneinlernens durch den Betriebsbedingungsanpassungslernabschnitt (25) speichert; und einen Betriebsbedingungsanpassungshöhenausgabeabschnitt (27), der eine anzupassende Betriebsbedingung und eine Anpassungshöhe auf Basis des Lernergebnisses durch den Betriebsbedingungsanpassungslernabschnitt (25) ermittelt und ausgibt.
Spritzgusssystem (1) nach Anspruch 1, wobei das im Lernergebnisspeicherabschnitt (26) gespeicherte Lernergebnis beim Lernen des Betriebsbedingungsanpassungslernabschnitts (25) verwendet wird.
Spritzgusssystem (1) nach Anspruch 1 oder 2, das des Weiteren umfasst: einen Messabschnitt, wobei die vom Statusbeobachtungsabschnitt (21) beobachteten Daten zu physischen Mengen zumindest eines aus einem Gewicht und einer Größe eines Formartikels, wie durch den Messabschnitt gemessen, eines Erscheinungsbilds, einer Länge, eines Winkels, einer Fläche und eines Volumens, wie aus Bilddaten zum Formartikel berechnet, eines optischen Untersuchungsergebnisses eines optischen Formartikels und eines Messergebnisses einer Festigkeit des Formartikels beinhaltet, und der Abschnitt zum Speichern von Daten zu physischen Mengen (22) auch andere Daten zu physischen Mengen wie die Daten zu physischen Menge zum Formartikel speichert.
Spritzgusssystem (1) nach einem der Ansprüche 1 bis 3, wobei eine Eingabe der Beurteilungsbedingungen in den Beurteilungsbedingungseinstellungsabschnitt (23) durch eine Anzeigevorrichtung (6) umgesetzt werden kann, die in der Spritzgussmaschine (2) bereitgestellt ist.
Spritzgusssystem (1) nach einem der Ansprüche 1 bis 4, wobei wenn zumindest eines aus einer Stabilisierung von Daten zu physischen Mengen, einer Verringerung einer Zykluszeit und einer Energieersparnis erreicht wird, der Beurteilungsberechnungsabschnitt (24) eine positive Beurteilung gemäß einem Erreichungsgrad ausgibt.
Spritzgusssystem (1) nach einem der Ansprüche 1 bis 5, wobei wenn zumindest ein Ereignis aus einer Destabilisierung von Daten zu physischen Mengen, einer Verlängerung einer Zykluszeit und einer Erhöhung des Energieverbrauchs auftritt, der Beurteilungsberechnungsabschnitt (24) eine negative Beurteilung gemäß einem Ereignisgrad ausgibt.
Spritzgusssystem (1) nach einem der Ansprüche 1 bis 6, wobei in den Daten zu physischen Mengen vorab ein zulässiger Wert eingestellt wird, und der Beurteilungsberechnungsabschnitt (24) eine positive Beurteilung ausgibt, wenn die Daten zu physischen Mengen innerhalb des zulässigen Werts liegen.
Spritzgusssystem (1) nach einem der Ansprüche 1 bis 7, wobei in den Daten zu physischen Mengen vorab ein zulässiger Wert eingestellt wird, und der Beurteilungsberechnungsabschnitt (24), wenn die Daten zu physischen Mengen vom zulässigen Wert abweichen, eine negative Beurteilung auf Basis einer Abweichungshöhe ausgibt.
Spritzgusssystem (1) nach einem der Ansprüche 1 bis 8, wobei in den Daten zu physischen Mengen vorab ein Zielwert eingestellt wird, und der Beurteilungsberechnungsabschnitt (24), wenn die Daten zu physischen Mengen nahe am Zielwert liegen, eine positive Beurteilung auf Basis einer Abweichungshöhe zwischen dem Zielwert und den Daten zu physischen Mengen ausgibt.
Spritzgusssystem (1) nach einem der Ansprüche 1 bis 9, wobei in den Daten zu physischen Mengen vorab ein Zielwert eingestellt wird, und der Beurteilungsberechnungsabschnitt (24), wenn die Daten zu physischen Mengen vom Zielwert abweichen, eine negative Beurteilung auf Basis einer Abweichungshöhe zwischen dem Zielwert und den Daten zu physischen Mengen ausgibt.
Spritzgusssystem (1) nach einem der Ansprüche 1 bis 10, wobei, wenn ein Status auftritt, der einen Formungsfehler anzeigt, der Beurteilungsberechnungsabschnitt (24) eine negative Beurteilung gemäß einem Formungsfehlergrad ausgibt.
Spritzgusssystem (1) nach Anspruch 11, wobei der Formungsfehler zumindest eines aus einem Grat, einer Einfallstelle, einer Krümmung, einer Luftblase, eines Kurzschusses, einer Fließlinie, einer Schweißlinie, einer Silberschliere, einer Farbunregelmäßigkeit, einer Verfärbung, einer Karbonisation, einer Eindringung von Verunreinigungen, einer Abweichung einer optischen Achse eines Linsenformartikels von einem zulässigen Wert und einem Fehler einer Dicke eines Formartikels beinhaltet.
Spritzgusssystem (1) nach einem der Ansprüche 1 bis 12, wobei die Betriebsbedingungen, die dem Maschineneinlernen durch den Betriebsbedingungsanpassungslernabschnitt (25) unterzogen werden, zumindest eines aus Formteileinspannbedingungen, Ausstoßerbedingungen, Spritzhaltebedingungen, Dosierbedingungen, Temperaturbedingungen, Düsenberührungsbedingungen, Harzzufuhrbedingungen, Formteildickenbedingungen, Formartikelentnahmebedingungen und Heißkanalbedingungen beinhalten.
Spritzgusssystem (1) nach Anspruch 13, das des Weiteren umfasst: einen Roboter (5), der als Formartikelentnahmeeinheit dient, in dem die Formartikelentnahmebedingungen eingestellt werden.
Spritzgusssystem (1) nach einem der Ansprüche 1 bis 14, wobei zumindest eine der Betriebsbedingungen innerhalb eines vorgeschriebenen Bereichs variiert wird, der vom Betriebsbedingungsanpassungslernabschnitt (25) zu lernen ist.
Spritzgusssystem (1) nach einem der Ansprüche 1 bis 15, wobei jedes einer Mehrzahl von Spritzgusssystemen einen Kommunikationsabschnitt zum Kommunizieren mit einer externen Umgebung aufweist, und Daten zu physischen Mengen, die in jedem der Abschnitte zum Speichern von Daten zu physischen Mengen (22) gespeichert sind, und ein Lernergebnis, das in jedem der Lernergebnisspeicherabschnitte (26) gespeichert ist, zur gemeinsamen Nutzung gesendet und/oder empfangen werden.
Maschinenlernvorrichtung, umfassend: einen Spritzgussmaschine (2) durchgeführt wenn ein Spritzguss von der Statusbeobachtungsabschnitt (21), der, wird, physische Mengen in Bezug auf den Spritzguss unter Durchführung beobachtet; einen Speicherabschnitt zum Speichern von Daten zu physischen Mengen (22), der die vom Statusbeobachtungsabschnitt (21) beobachteten Daten zu physischen Mengen speichert; einen Beurteilungsbedingungseinstellungsabschnitt (23), der Beurteilungsbedingungen für ein Maschineneinlernen einstellt; einen Beurteilungsberechnungsabschnitt (24), der eine Beurteilung auf Basis der von dem Statusbeobachtungsabschnitt (21) beobachteten Daten zu physischen Mengen und der von dem Beurteilungsbedingungseinstellungsabschnitt (23) eingestellten Beurteilungsbedingungen berechnet; einen Betriebsbedingungsanpassungslernabschnitt (25), der ein Maschineneinlernen zum Anpassen von Betriebsbedingungen auf Basis der vom Beurteilungsberechnungsabschnitt (24) berechneten Beurteilung und der im Spritzgusssystem (1) eingestellten Betriebsbedingungen und der Daten zu physischen Mengen durchführt; einen Lernergebnisspeicherabschnitt (26), der ein Lernergebnis des Maschineneinlernens durch den Betriebsbedingungsanpassungslernabschnitt (25) speichert; und einen Betriebsbedingungsanpassungshöhenausgabeabschnitt (27), der eine anzupassende Betriebsbedingung und eine Anpassungshöhe auf Basis des Lernergebnisses mittels dem Betriebsbedingungsanpassungslernabschnitt (25) ermittelt und ausgibt.