DE102018106808B4

DE102018106808B4 - Zustandsbestimmungsvorrichtung

Info

Publication number: DE102018106808B4
Application number: DE102018106808.5A
Authority: DE
Inventors: Hiroyasu Asaoka; Atsushi Horiuchi; Kenjirou SHIMIZU
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2017-03-29
Filing date: 2018-03-22
Publication date: 2024-02-01
Anticipated expiration: 2038-03-23
Also published as: JP2018167424A; US20180281256A1; CN108688105B; JP6557272B2; DE102018106808A1; CN108688105A

Abstract

Zustandsbestimmungsvorrichtung (10) zum Bestimmen einer Anomalie in einer Spritzgussmaschine auf der Basis eines Betriebszustands der Spritzgussmaschine, wobei die Zustandsbestimmungsvorrichtung Folgendes umfasst:eine Vorverarbeitungssektion (12) zum Ausführen einer Vorverarbeitung von mindestens einem Teil von Zeitreihendaten, die sich auf den Betriebszustand der Spritzgussmaschine beziehen, wobei die Zeitreihendaten Stichprobendaten umfassen, die in bestimmten Stichprobenintervallen für jede Formungsoperation erfasst werden;eine Interne-Parameter-Einstellsektion (14), in der ein fester interner Parameter (S2), der sich auf den Betriebszustand der Spritzgussmaschine bezieht und anhand einer Einstellung der Spritzgussmaschine oder der Betriebsumgebung bestimmt wird, und auf Daten basiert, die für jede Formungsoperation nur einmal erfasst werden und sich während des Spritzgussvorgangs nicht ändert, eingestellt wird;eine Maschinenlernvorrichtung (20) zum Lernen des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem Betriebszustand der Spritzgussmaschine korreliert ist,wobei die Maschinenlernvorrichtung (20) Folgendes umfasst:eine Zustandsbeobachtungssektion (22) zum Beobachten einer Zustandsvariablen (S), die Zustandsvariable (S) umfassend:Einspritzdaten (S1), die einen momentanen Betriebszustand der Spritzgussmaschine anzeigen;einen Teil der Zeitreihendaten die der Vorverarbeitung durch die Vorverarbeitungssektion (12) unterzogen wurden; undden internen Parameters (S2);eine Label-Daten-Erfassungssektion (24) zum Erfassen von Label-Daten (L), die den Zustand anzeigen, der sich auf die Anomalie der Spritzgussmaschine bezieht, undeine Lernsektion (26) zum Ausführen eines Lernens durch Verknüpfen der Zustandsvariablen (S) mit den Label-Daten (L); wobei die Zustandsbestimmungsvorrichtung (10) ferner eine Bestimmungsausgabesektion (52) umfasst, die zum Ausgeben des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht und der auf der Basis der Zustandsvariablen (S) und eines Ergebnisses des Lernens durch die Lernsektion (26) bestimmt wurde.

Description

HINTERGRUND DER ERFINDUNG
1. Gebiet der Erfindung
Die vorliegende Erfindung betrifft eine Zustandsbestimmungsvorrichtung, die einen Zustand in Bezug auf eine Anomalie einer Spritzgussmaschine auf der Basis eines Betriebszustands der Spritzgussmaschine bestimmt und die Wartung der Spritzgussmaschine erleichtert.
2. Beschreibung des Standes der Technik
Die Wartung einer Spritzgussmaschine wird periodisch ausgeführt, oder wenn eine Anomalie eintritt. Als eines der Verfahren zum Bestimmen des Zustands der Spritzgussmaschine bei der Wartung der Spritzgussmaschine gibt es ein Verfahren, bei dem - bezüglich einer Formwerkzeug-Öffnungs-/Schließoperation oder einer Formteil-Aufwurfoperation in einem Spritzgießzyklus zur Herstellung eines Formteils unter Verwendung der Spritzgussmaschine - ein Lastzustand eines Motors zum Antreiben eines beweglichen Abschnitts in einem Speicher oder dergleichen als eine Referenzlast in bestimmten Abtastintervallen in Bezug auf die Zeit oder die Position des beweglichen Abschnitts aufgezeichnet wird, eine Ist-Motorlast sukzessive mit der aufgezeichneten Referenzlast in Bezug auf die Zeit oder die Position des beweglichen Abschnitts verglichen wird, und auf der Basis, ob eine Abweichung zwischen der Ist-Motorlast und der Referenzlast einen voreingestellten Schwellenwert übersteigt oder nicht, bestimmt wird, ob die Formwerkzeug-Öffnungs-/Schließoperation oder die Auswurfoperation normal oder abnormal ist. Wenn also die Spritzgussmaschine gewartet wird, so wird der Zustand einer Einspritzoperation durch die Spritzgussmaschine unter Verwendung einer physikalischen Quantität bestimmt, die einen Betriebszustand der Spritzgussmaschine anzeigt, der während des Betriebes der Spritzgussmaschine aufgezeichnet wurde.
Als ein Verfahren des Standes der Technik zum Bestimmen des Zustands der Spritzgussmaschine offenbart zum Beispiel die JP 2001 - 38 775 A oder JP 2001 - 30 326 A eine Technik, die eine Last in mindestens einer normalen Formwerkzeug-Öffnungs-/Schließoperation oder Auswurfoperation, die zuvor ausgeführt wurde, oder eine Last, die durch Berechnen des Bewegungsdurchschnitts mehrerer solcher Operationen, die zuvor ausgeführt wurden, erhalten wurde, als die Referenzlast einstellt.
Aus der Spritzgussmaschine erhaltene Daten werden als zwei Arten von Datenteilen aufgezeichnet, die Stichprobendaten (diskrete Zeitreihendaten) umfassen, die in bestimmten Stichprobenintervallen für jeden Formungszyklus erfasst werden, und Daten umfassen, die einmal für jeden Formungszyklus erfasst werden.
Zum Beispiel ist jede der 9A bis 9C ein Beispiel, in dem das Drehmoment eines Motors zum Antreiben einer Weichmacherschnecke in einem Einspritzschritt der Spritzgussmaschine aufgezeichnet wird. 9A zeigt ein Beispiel einer Zeit-Drehmoment-Kurve des Motors in einer gegebenen Betriebseinstellung (was als eine Bedingung A angenommen wird), 9B zeigt ein Beispiel der Zeit-Drehmoment-Kurve des Motors, wenn die Betriebseinstellung in derselben Komponente geändert wird (was als eine Bedingung B angenommen wird), und 9C zeigt ein Beispiel der Zeit-Drehmoment-Kurve des Motors, wenn die Komponente unter der Bedingung A verschlissen ist. Die in jeder der 9A bis 9C gezeigten Daten werden als Stichprobendaten aufgezeichnet, die in bestimmten Stichprobenintervallen für jeden Formungszyklus erfasst wurden.
Außerdem werden jeder Sollwert der Betriebseinstellung und Werte, die Eigenschaften von Harz anzeigen, als Daten aufgezeichnet, die einmal für jeden Formungszyklus erfasst werden.
Im vorliegenden Text, wie in den 9A und 9B gezeigt, in den Stichprobendaten, die in bestimmten Stichprobenintervallen für jeden Formungszyklus erfasst wurden, ähneln sich die Formen der Kurven oft in dem Fall, wo der Betriebszustand des Einspritzschrittes in dem Formungszyklus ein anderer ist (9A und 9B). Andererseits ist die Zeit des Einspritzschrittes in Abhängigkeit von der Betriebseinstellung eine andere, und folglich ist die Anzahl von Teilen von Daten, die in einer Zeitrichtung erhalten werden sollen, wenn die Daten in den gleichen Stichprobenintervallen erfasst werden, eine andere. Folglich unterscheidet sich das, was durch den i-ten Wert ab Erfassungsbeginn in den Stichprobendaten angezeigt wird, zwischen verschiedenen Formungszyklen, die verschiedene Betriebszustände haben, und dadurch entsteht das für die Spritzgussmaschine spezifische Problem, dass es in dem Fall, wo die in jedem Formungszyklus erfassten Stichprobendaten untersucht werden, um den Zustand der Spritzgussmaschine zu bestimmen, wenn die Stichprobendaten unverändert verwendet werden, nicht möglich ist, den Zustand der Spritzgussmaschine korrekt zu bestimmen. Ein solches Problem wird zum Beispiel im Vergleich der Stichprobendaten zwischen den Formungszyklen augenfällig. Wenn zum Beispiel die Komponente verschlissen ist, wie in den 9A und 9C gezeigt, so ändert sich die Form der Kurve sogar unter dem gleichen Betriebszustand. Wenn 9A mit 9C verglichen wird (wo die Betriebszustände beide der Betriebszustand A sind), ist es möglich, auf einfache Weise die Änderung der Form der Kurve zu bestimmen, aber es ist nicht möglich, auf einfache Weise die Änderung der Form der Kurve zu bestimmen, wenn 9B mit 9C verglichen wird (wo der Betriebszustand zwischen Bedingung B und Bedingung A verschieden ist).
Außerdem produziert die Spritzgussmaschine in vielen Fällen viele Arten von Produkten, und folglich entsteht das für die Spritzgussmaschine spezifische Problem, dass die Bedingung signifikant in Abhängigkeit von einem in einer Spritzgussmaschine herzustellenden Zielprodukt abweicht und es schwierig ist, alle Teile der unter verschiedenen Bedingungen erfassten Stichprobendaten in ähnlicher Weise zu handhaben. Weitere beispielhafte Vorrichtungen gemäß dem oben beschriebenen Stand der Technik sind aus den Dokumenten US 2006 / 0 224 540 A1 , DE 10 2016 009 114 A1 und DE 10 2014 014 525 A1 bekannt.
KURZDARSTELLUNG DER ERFINDUNG
Um dieses Problem zu lösen, besteht eine Aufgabe der vorliegenden Erfindung darin, eine Zustandsbestimmungsvorrichtung bereitzustellen, die in der Lage ist, den Zustand der Spritzgussmaschine auf der Basis von erfassten Daten unabhängig vom Betriebszustand und dem in der Spritzgussmaschine herzustellenden Zielprodukt zu bestimmen.
Eine Zustandsbestimmungsvorrichtung der vorliegenden Erfindung ist mit einer Vorverarbeitungssektion zum Ausführen einer Vorverarbeitung von aus der Spritzgussmaschine erfassten Informationen in Bezug auf eine Formungsoperation einer Spritzgussmaschine ausgestattet, justiert, unter Teilen von Informationen, die einen Betriebszustand der Spritzgussmaschine anzeigen, Daten, in denen die Anzahl von Datenteilen oder ein Maßstab aufgrund eines Betriebszustandes unter Verwendung der Vorverarbeitungssektion geändert wird, verwendet die justierten Daten als eine Eingabe für Maschinenlernen oder Datenanalyse, und löst dadurch die oben beschriebenen Probleme.
Die Zustandsbestimmungsvorrichtung gemäß der vorliegenden Erfindung bestimmt einen Zustand in Bezug auf eine Anomalie der Spritzgussmaschine auf der Basis des Betriebszustandes der Spritzgussmaschine.
Ein erster Aspekt der Zustandsdetektionsvorrichtung gemäß der vorliegenden Erfindung enthält eine Vorverarbeitungssektion zum Ausführen einer Vorverarbeitung von mindestens einem Teil von Zeitreihendaten, die sich auf den Betriebszustand der Spritzgussmaschine beziehen, wobei die Zeitreihendaten Stichprobendaten umfassen, die in bestimmten Stichprobenintervallen für jede Formungsoperation erfasst werden, und eine Maschinenlernvorrichtung zum Lernen des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem Betriebszustand der Spritzgussmaschine korreliert ist. Außerdem enthält die Maschinenlernvorrichtung eine Zustandsbeobachtungssektion zum Beobachten, als eine Zustandsvariable, die einen momentanen Zustand einer Umgebung repräsentiert, von Einspritzdaten, die den Betriebszustand der Spritzgussmaschine anzeigen und den Teil von Zeitreihendaten enthalten, die der Vorverarbeitung durch die Vorverarbeitungssektion unterzogen wurden, eine Label-Daten-Erfassungssektion zum Erfassen von Label-Daten, die den Zustand anzeigen, der sich auf die Anomalie der Spritzgussmaschine bezieht, und eine Lernsektion zum Ausführen eines Lernens durch Verknüpfen der Zustandsvariable mit den Label-Daten.
Die Zustandsbestimmungsvorrichtung kann des Weiteren eine Interne-Parameter-Einstellsektion enthalten, in der ein fester interner Parameter, der sich auf den Betriebszustand der Spritzgussmaschine bezieht, und anhand einer Einstellung der Spritzgussmaschine oder der Betriebsumgebung bestimmt wird, und auf Daten basiert, die für jede Formungsoperation nur einmal erfasst werden, eingestellt wird, und die Zustandsbeobachtungssektion kann dafür konfiguriert sein, als die Zustandsvariable, die den momentanen Zustand der Umgebung repräsentiert, sowohl den internen Parameter als auch die Einspritzdaten zu beobachten, die den Betriebszustand der Spritzgussmaschine anzeigen und den Teil von Zeitreihendaten enthalten, die der Vorverarbeitung durch die Vorverarbeitungssektion unterzogen wurden.
Mehrere interne Parameter können in der Interne-Parameter-Einstellsektion eingestellt werden, und einer der mehreren internen Parameter kann als der interne Parameter auswählbar sein, der als die Zustandsvariable beobachtet wird.
Die Lernsektion kann eine Fehlerberechnungssektion zum Berechnen eines Fehlers zwischen einem Korrelationsmodell zum Bestimmen des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht, anhand der Zustandsvariable und einem Korrelationsmerkmal, das anhand von im Voraus vorbereiteten beaufsichtigten Daten erkannt wird, und eine Modellaktualisierungssektion zum Aktualisieren des Korrelationsmodells, um den Fehler E zu reduzieren, enthalten.
Die Lernsektion kann dafür konfiguriert sein, die Zustandsvariable und die Label-Daten mit einer Mehrschichtstruktur zu berechnen.
Die Zustandsbestimmungsvorrichtung kann des Weiteren eine Bestimmungsausgabesektion zum Ausgeben des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht und auf der Basis der Zustandsvariable und eines Ergebnisses des Lernens durch die Lernsektion bestimmt wurde, enthalten.
Die Bestimmungsausgabesektion kann dafür konfiguriert sein, einen Warnhinweis in einem Fall auszugeben, wo der Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht und durch die Lernsektion bestimmt wurde, einen voreingestellten Schwellenwert übersteigt.
Die Vorverarbeitung kann eine Verarbeitung sein, in der Interpolation, Extraktion oder eine Kombination aus Interpolation und Extraktion an mindestens einem Teil von Zeitreihendaten ausgeführt wird, die in den Daten enthalten sind, die sich auf den Betriebszustand der Spritzgussmaschine beziehen, und die Anzahl von eingegebenen Teilen der Zeitreihendaten wird justiert.
Die Daten, die sich auf den Betriebszustand der Spritzgussmaschine beziehen, können ein Wert sein, der unter Verwendung mindestens eines von Folgendem erhalten wird: einer Last eines Antriebsabschnitts oder eines beweglichen Abschnitts der Spritzgussmaschine, einer Geschwindigkeit des Antriebsabschnitts oder des beweglichen Abschnitts, einer Position des Antriebsabschnitts oder des beweglichen Abschnitts, eines Instruktionswertes zu dem Antriebsabschnitt, eines Drucks, einer Formwerkzeug-Zuhaltekraft, einer Temperatur, einer physikalischen Quantität jedes Formungszyklus, einer Formungsbedingung, eines Formungsmaterials, eines Formteils, einer Form einer Komponente der Spritzgussmaschine, eines Verziehens der Komponente der Spritzgussmaschine, des Betriebslärms, und eines Bildes.
Die Spritzgussmaschine kann veranlasst werden, eine zuvor festgelegte spezifische Operation zum Ausführen der Bestimmung des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht, durch die Lernsektion auszuführen. Außerdem kann die zuvor festgelegte spezifische Operation zum Ausführen der Bestimmung automatisch oder auf die Aufforderung eines Arbeiters hin ausgeführt werden. Des Weiteren können ein Datum und eine Uhrzeit, wann die zuvor festgelegte spezifische Operation zum Ausführen der Bestimmung ausgeführt wurde, gespeichert werden, und Informationen können in einem Fall ausgegeben werden, wo ein spezifischer Zeitraum ab dem gespeicherten Datum und der gespeicherten Uhrzeit verstrichen ist.
Die Zustandsbestimmungsvorrichtung kann als Teil einer Steuereinheit der Spritzgussmaschine konfiguriert sein.
Die Zustandsbestimmungsvorrichtung kann als Teil einer Formungsmaschinen-Managementvorrichtung zum Managen mehrerer Spritzgussmaschinen über ein Netzwerk konfiguriert sein.
Ein zweiter Aspekt der Zustandsbestimmungsvorrichtung gemäß der vorliegenden Erfindung enthält eine Vorverarbeitungssektion zum Ausführen einer Vorverarbeitung von mindestens einem Teil von Zeitreihendaten, die sich auf den Betriebszustand der Spritzgussmaschine beziehen, wobei die Zeitreihendaten Stichprobendaten umfassen, die in bestimmten Stichprobenintervallen für jede Formungsoperation erfasst werden, und eine Maschinenlernvorrichtung, die eine Lernsektion aufweist, die den Zustand gelernt hat, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem Betriebszustand der Spritzgussmaschine korreliert ist. Außerdem enthält die Maschinenlernvorrichtung eine Zustandsbeobachtungssektion zum Beobachten, als eine Zustandsvariable, die einen momentanen Zustand einer Umgebung repräsentiert, von Einspritzdaten, die den Betriebszustand der Spritzgussmaschine anzeigen und den Teil von Zeitreihendaten enthalten, die der Vorverarbeitung durch die Vorverarbeitungssektion unterzogen wurden, und eine Bestimmungsausgabesektion zum Ausgeben des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht und auf der Basis der Zustandsvariable und eines Ergebnisses des Lernens durch die Lernsektion bestimmt wurde.
Gemäß der vorliegenden Erfindung wird es möglich, den Zustand der Spritzgussmaschine auf der Basis der Daten zu bestimmen, die unabhängig vom Betriebszustand und dem in der Spritzgussmaschine herzustellenden Zielprodukt erfasst werden.
KURZE BESCHREIBUNG DER ZEICHNUNGEN

1 ist ein schematisches Funktionsblockschaubild einer Zustandsbestimmungsvorrichtung gemäß einer ersten Ausführungsform,
2 ist ein schematisches Funktionsblockschaubild, das einen Aspekt der Zustandsbestimmungsvorrichtung zeigt,
3A ist eine Ansicht zum Erläutern eines Neurons, das ein neurales Netzwerk darstellt,
3B ist eine Ansicht zum Erläutern des neuralen Netzwerks,
4 ist ein schematisches Funktionsblockschaubild einer Zustandsbestimmungsvorrichtung gemäß einer zweiten Ausführungsform,
5 ist ein schematisches Funktionsblockschaubild, das einen anderen Aspekt der Zustandsbestimmungsvorrichtung zeigt,
6 ist ein schematisches Funktionsblockschaubild, das einen Aspekt eines Spritzgusssystems zeigt,
7 ist ein schematisches Funktionsblockschaubild, das einen anderen Aspekt des Spritzgusssystems zeigt,
8 ist ein schematisches Funktionsblockschaubild, das einen Aspekt des Spritzgusssystems zeigt, das eine Formungsmaschinen-Managementvorrichtung enthält,
9A ist eine Ansicht, die ein Beispiel einer Drehmomentkurve eines Motors zum Antreiben einer Weichmacherschnecke in einem Einspritzschritt einer Spritzgussmaschine veranschaulicht, die unter einem Betriebszustand A arbeitet (Stand der Technik),
9B ist eine Ansicht, die ein Beispiel der Drehmomentkurve des Motors zum Antreiben der Weichmacherschnecke in dem Einspritzschritt der Spritzgussmaschine veranschaulicht, die unter einem Betriebszustand B arbeitet (Stand der Technik)., und
9C ist eine Ansicht, die ein Beispiel der Drehmomentkurve des Motors zum Antreiben der Weichmacherschnecke in dem Einspritzschritt der Spritzgussmaschine veranschaulicht, in der eine Komponente, von der erwartet wird, dass sie unter dem Betriebszustand A arbeitet, verschlissen wurde (Stand der Technik).

DETAILLIERTE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Beispiele der Konfiguration einer Zustandsbestimmungsvorrichtung zum Implementieren der vorliegenden Erfindung werden unten beschrieben. Es ist zu beachten, dass die Konfiguration der Zustandsbestimmungsvorrichtung der vorliegenden Erfindung nicht auf die unten beschriebenen Beispiele beschränkt ist und dass jede beliebige Konfiguration, die die Aufgabe der vorliegenden Erfindung implementieren kann, verwendet werden kann.
1 ist ein Funktionsblockschaubild, das die schematische Konfiguration der Zustandsbestimmungsvorrichtung gemäß einer ersten Ausführungsform zeigt.
Eine Zustandsbestimmungsvorrichtung 10 kann zum Beispiel als eine Steuereinheit zum Steuern einer Spritzgussmaschine oder eines PC implementiert werden, der mit der Spritzgussmaschine unter Verwendung einer verdrahteten oder drahtlosen Kommunikationsleitung verbunden ist, so dass eine Datenkommunikation möglich ist. Die Zustandsbestimmungsvorrichtung 10 enthält eine Vorverarbeitungssektion 12, die eine Vorverarbeitung von Daten ausführt, die von der Spritzgussmaschine erfasst wurden, eine Interne-Parameter-Einstellsektion 14, in der feste interne Parameterwerte eingestellt sind, und eine Maschinenlernvorrichtung 20, die Software (einen Lernalgorithmus oder dergleichen) und Hardware (eine CPU eines Computers oder dergleichen) enthält, damit die Maschinenlernvorrichtung 20 einen Zustand in Bezug auf eine Anomalie der Spritzgussmaschine durch sogenanntes Maschinenlernen lernen kann.
Der Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, der durch die Maschinenlernvorrichtung 20 der Zustandsbestimmungsvorrichtung 10 gelernt wird, entspricht einer Modellstruktur, die eine Korrelation zwischen einem Betriebszustand der Spritzgussmaschine (von der Spritzgussmaschine erfasste Einspritzdaten) und dem Zustand, der sich auf die Anomalie der Spritzgussmaschine in dem oben erwähnten Betriebszustand bezieht (Vorliegen oder Nichtvorliegen der Anomalie, ein Abschnitt, in dem die Anomalie vorliegt, und dergleichen), repräsentiert.
Wie durch die Funktionsblöcke in 1 gezeigt, enthält die Maschinenlernvorrichtung 20 der Zustandsbestimmungsvorrichtung 10 eine Zustandsbeobachtungssektion 22, die, als eine Zustandsvariable S, die momentanen Umgebungszustände beobachtet, die Einspritzdaten S1, die den Betriebszustand der Spritzgussmaschine anzeigen, der von der Spritzgussmaschine erfasst wurde (nicht gezeigt), und einen internen Parameter S2 enthalten, eine Label-Daten-Erfassungssektion 24, die Label-Daten L erfasst, die den Zustand anzeigen, der sich auf die Anomalie der Spritzgussmaschine bezieht, und eine Lernsektion 26, die ein Lernen durch Verknüpfen der Label-Daten L mit den Einspritzdaten S1 und dem internen Parameter S2, unter Verwendung der Zustandsvariable S und der Label-Daten L ausführt.
Die Vorverarbeitungssektion 12 kann zum Beispiel als eine Funktion der CPU des Computers konfiguriert sein. Alternativ kann die Vorverarbeitungssektion 12 zum Beispiel als Software konfiguriert sein, die das Funktionieren der CPU des Computers veranlasst. Die Vorverarbeitungssektion 12 führt die Vorverarbeitung von mindestens einem von Folgendem aus: Daten, die von der Spritzgussmaschine oder einem Sensor, der an der Spritzgussmaschine montiert ist, erhalten wurden, Daten, die durch Verwendung oder Konvertierung der oben erwähnten Daten erhalten wurden, und Daten, die in die Spritzgussmaschine eingegeben wurden, und gibt die Daten, die der Vorverarbeitung unterzogen wurden, an die Zustandsbeobachtungssektion 22 und an die Label-Daten-Erfassungssektion 24 aus. Die Vorverarbeitungssektion 12 sendet Daten, die keine Daten sind, die der Vorverarbeitung unterzogen wurden, ohne Durchführung der Vorverarbeitung an die Maschinenlernvorrichtung 20. Ein Beispiel der durch die Vorverarbeitungssektion 12 ausgeführten Vorverarbeitung enthält die Justierung der Anzahl von Teilen von Stichprobendaten. Die Justierung der Anzahl von Teilen der im vorliegenden Text erwähnten Stichprobendaten ist eine Verarbeitung, die durch Kombinieren der Reduzierung der Anzahl von Teilen der Daten durch den gleitenden Durchschnitt, Datenausdünnung oder teilweise Extraktion, und Erhöhen der Anzahl von Teilen der Daten durch Zwischenkommainterpolation oder Festwertaddition erhalten wird. Die durch die Vorverarbeitungssektion 12 ausgeführte Vorverarbeitung kann mit einer Verarbeitung in Bezug auf Skalieren, wie zum Beispiel typische Standardisierung, kombiniert werden.
Die von der Spritzgussmaschine erfassten Daten enthalten zwei Arten von Daten: Stichprobendaten, die in bestimmten Stichprobenintervallen für jede Formungsoperation erfasst wurden, und Daten, die für jede Formungsoperation nur einmal erfasst wurden. Ein Schritt einer gegebenen Formungsoperation (zum Beispiel einer Formwerkzeug-Zuhalteoperation) benötigt in Abhängigkeit von einer Betriebseinstellung verschiedene Zeitspannen ab dem Beginn bis zum Ende des Schrittes, und folglich ist die Anzahl von Teilen der Stichprobendaten, die in der gleichen Operation erhalten werden, selbst dann eine andere, wenn die Stichprobendaten in den gleichen Stichprobenintervallen erfasst werden.
Die Vorverarbeitungssektion 12 justiert die Anzahl von Teilen der Stichprobendaten in dem Maschinenlernen der Spritzgussmaschine und sendet die justierten Daten an die Zustandsbeobachtungssektion 22 und an die Label-Daten-Erfassungssektion 24, um dadurch eine Rolle bei der Beibehaltung und Verbesserung der Genauigkeit des Maschinenlernens durch die Maschinenlernvorrichtung 20 trotz Unterschieden in der Betriebseinstellung zu spielen.
Die Interne-Parameter-Einstellsektion 14 kann zum Beispiel als eine Funktion der CPU des Computers konfiguriert sein. Alternativ kann die Interne-Parameter-Einstellsektion 14 zum Beispiel als Software konfiguriert sein, um das Funktionieren der CPU des Computers zu veranlassen. Die Interne-Parameter-Einstellsektion 14 speichert, unter Werten, die in die Maschinenlernvorrichtung 20 eingegeben wurden, eine Reihe von eingegebenen festen Werten als interne Parameter in Form einer Datentabelle oder einer Datei und gibt die gespeicherten internen Parameter aus, wenn das Lernen durch die Maschinenlernvorrichtung 20 ausgeführt wird. Die im vorliegenden Text erwähnten internen Parameter (die Reihe von eingegebenen festen Werten unter Werten, die in die Maschinenlernvorrichtung 20 eingegeben werden) sind eine Reihe von Werten, die auf der Basis der Einstellung der Spritzgussmaschine oder der Betriebsumgebung bestimmt werden und sich während der Formungsoperation nicht ändern, wie zum Beispiel eine Reihe von Parametern, die in Operationen bestimmt werden, die verschiedene Harze verwenden, eine Reihe von Parametern, die in Operationen bestimmt werden, die verschiedene Formwerkzeuge verwenden, oder eine Reihe von Parametern, die in Operationen bestimmt werden, die verschiedene Maschinenspezifizierungen aufweisen. Der interne Parameter kann auch ein Wert sein, der unter Verwendung des Maschinenlernens im Voraus oder zu einem beliebigen Zeitpunkt bestimmt wird.
Die Zustandsbeobachtungssektion 22 kann zum Beispiel als eine Funktion der CPU des Computers konfiguriert sein. Alternativ kann die Zustandsbeobachtungssektion 22 zum Beispiel als Software konfiguriert sein, um das Funktionieren der CPU des Computers zu veranlassen. Als die Einspritzdaten S1, die in der Zustandsvariable S enthalten sind, die durch die Zustandsbeobachtungssektion 22 beobachtet wird, ist es möglich, Daten zu verwenden, die den Betriebszustand der Spritzgussmaschine anzeigen und die Daten enthalten, die der Vorverarbeitung unterzogen wurden, die durch Ausführen der Justierung der Anzahl von Teilen der Daten erhalten wird, zum Beispiel der Daten, die von der Spritzgussmaschine oder dem Sensor, der an der Spritzgussmaschine montiert ist, erhalten werden, oder der Daten, die durch Verwenden oder Konvertieren der oben erwähnten Daten durch die Vorverarbeitungssektion 12 erhalten werden. Als die Einspritzdaten S1 können zum Beispiel das Drehmoment (Strom und Spannung) eines Motors zum Antreiben einer Weichmacherschnecke während eines Einspritzschrittes in der Formungsoperation, die Betriebsgeschwindigkeit, die Position und der Betriebslärm der Schnecke, und ein Druck, der durch einen Sensor detektiert wird, der an einem Formwerkzeug montiert ist, verwendet werden.
Außerdem werden als der interne Parameter S2, der in der Zustandsvariable S enthalten ist, die durch die Zustandsbeobachtungssektion 22 beobachtet wird, Daten verwendet, die von der Interne-Parameter-Einstellsektion 14 eingegeben werden.
Die Label-Daten-Erfassungssektion 24 kann zum Beispiel als eine Funktion der CPU des Computers konfiguriert sein. Alternativ kann die Label-Daten-Erfassungssektion 24 zum Beispiel als Software konfiguriert sein, um das Funktionieren der CPU des Computers zu veranlassen. Als die durch die Label-Daten-Erfassungssektion 24 erfassten Label-Daten L können Daten verwendet werden, die erhalten werden, indem die Vorverarbeitungssektion 12 veranlasst wird, die Vorverarbeitung von Berichtsdaten auszuführen, die sich auf die Anomalie der Spritzgussmaschine beziehen, die berichtet und in die Zustandsbestimmungsvorrichtung 10 eingespeist werden, falls beispielsweise ein Facharbeiter die Bestimmung der Spritzgussmaschine ausführt und bestimmt, dass die Anomalie in der Spritzgussmaschine vorliegt.
Die Label-Daten L können beliebige Daten sein, die die Bestimmung einer Änderung gegenüber einem Referenzzustand erlauben, und ist es möglich, den Verschleißbetrag einer Komponente wie zum Beispiel einer Schnecke, eines Steuerriemens oder eines Lagers und den Verschleißbetrag und die prognostizierte Lebensdauer des Formwerkzeugs zu verwenden. Die Label-Daten L bezeichnen den Zustand, der sich auf die Anomalie der Spritzgussmaschine unter der Zustandsvariable S bezieht.
Das heißt, während die Maschinenlernvorrichtung 20 der Zustandsbestimmungsvorrichtung 10 das Lernen ausführt, wird in der Umgebung die Formungsoperation durch die Spritzgussmaschine ausgeführt, die Messung des Betriebszustands der Spritzgussmaschine durch den Sensor und dergleichen wird ausgeführt, und die Bestimmung des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht, wird durch den Facharbeiter ausgeführt.
Die Lernsektion 26 kann zum Beispiel als eine Funktion der CPU des Computers konfiguriert sein. Alternativ kann die Lernsektion 26 zum Beispiel als Software konfiguriert sein, um das Funktionieren der CPU des Computers zu veranlassen. Die Lernsektion 26 lernt den Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem Betriebszustand der Spritzgussmaschine korreliert ist, gemäß einem beliebigen Lernalgorithmus, was zusammen als Maschinenlernen bezeichnet wird. Die Lernsektion 26 kann das Lernen wiederholt auf der Basis eines Datensatzes, der die Zustandsvariable S und die Label-Daten L enthält, die oben beschrieben wurden, bei mehreren Formungsoperationen der Spritzgussmaschine ausführen.
Durch Wiederholen des oben beschriebenen Lernzyklus kann die Lernsektion 26 automatisch Merkmale erkennen, die auf eine Korrelation zwischen den Daten (den Einspritzdaten S1) über die Einspritzoperation der Spritzgussmaschine und dem internen Parameter S2 und dem Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, schließen lassen. Wenn der Lernalgorithmus gestartet wird, ist die Korrelation zwischen den Einspritzdaten S1 und dem internen Parameter S2 und dem Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, im Wesentlichen unbekannt, aber die Lernsektion 26 erkennt allmählich die Merkmale, während das Lernen voranschreitet, und interpretiert die Korrelation. Wenn die Korrelation zwischen den Einspritzdaten S1 und dem internen Parameter S2 und dem Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, zu einem gewissen Zuverlässigkeitsgrad interpretiert wird, so kann das Ergebnis des Lernens, das wiederholt durch die Lernsektion 26 ausgegeben wird, dafür verwendet werden, eine Auswahl einer Aktion (d. h. eine Entscheidungsfindung) zu der Frage zu treffen, wie der Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, auf der Basis des momentanen Betriebszustands bestimmt werden sollte. Das heißt, je weiter der Lernalgorithmus voranschreitet, desto besser kann die Lernsektion 26 bewirken, dass die Korrelation zwischen dem momentanen Betriebszustand der Spritzgussmaschine und der Aktion bezüglich der Frage, wie der Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, auf der Basis des momentanen Betriebszustands bestimmt werden sollte, sich allmählich auf eine optimale Lösung zu bewegt.
Wie oben beschrieben, lernt in der Maschinenlernvorrichtung 20 der Zustandsbestimmungsvorrichtung 10 die Lernsektion 26 den Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem momentanen Betriebszustand der Spritzgussmaschine korreliert ist, gemäß dem Maschinenlernalgorithmus unter Verwendung der durch die Zustandsbeobachtungssektion 22 beobachteten Zustandsvariable S und der durch die Label-Daten-Erfassungssektion 24 erfassten Label-Daten L. Die beim Lernen verwendete Zustandsvariable S enthält die Einspritzdaten S1 und den internen Parameter S2, die Teile von Daten sind, von denen es nicht wahrscheinlich ist, dass sie durch Störungen beeinflusst werden, und die Label-Daten L werden eindeutig auf der Basis der Berichtsdaten des Facharbeiters bestimmt. Folglich wird es gemäß der Maschinenlernvorrichtung 20 der Zustandsbestimmungsvorrichtung 10, unter Verwendung des Ergebnisses des Lernens der Lernsektion 26, möglich, automatisch und korrekt die Bestimmung des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem Betriebszustand der Spritzgussmaschine korreliert ist, auszuführen, ohne von Berechnung oder Schätzung abhängig zu sein.
Wenn es möglich ist, die Bestimmung des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht, automatisch auszuführen, ohne von Berechnung oder Schätzung abhängig zu sein, so ist es möglich, rasch den Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, zu bestimmen, indem man lediglich den Ist-Betriebszustand der Spritzgussmaschine während der Formungsoperation durch die Spritzgussmaschine misst und erfasst. Folglich ist es möglich, die Zeit zu verkürzen, die für die Bestimmung des Zustands erforderlich ist, der sich auf die Anomalie der Spritzgussmaschine bezieht. Außerdem wird es möglich, dass der Arbeiter anhand von durch die Zustandsbestimmungsvorrichtung 10 bestimmten Details bestimmt, ob die Spritzgussmaschine normal arbeitet oder nicht, und problemlos Wartungsarbeiten planen und die Wartungskomponenten vorbereiten kann.
Als eine Modifizierung der Zustandsbestimmungsvorrichtung 10 kann die Interne-Parameter-Einstellsektion 14 mehrere Reihen der internen Parameter in Form von Datentabellen oder Dateien speichern und kann eine der mehreren Reihen der internen Parameter, die durch den Arbeiter ausgewählt wird, an die Maschinenlernvorrichtung 20 gemäß der Formungsoperation, die in der Spritzgussmaschine ausgeführt wird, ausgeben. Die Auswahl der Reihe der internen Parameter, die durch die Interne-Parameter-Einstellsektion 14 an die Maschinenlernvorrichtung 20 ausgegeben wird, kann automatisch durch die Spritzgussmaschine oder die Zustandsbestimmungsvorrichtung 10 auf der Basis eines Wertes, der sich auf die Formungsoperation bezieht, die für die Spritzgussmaschine eingestellt ist, oder eines detektierten Wertes ausgeführt werden.
Die Zustandsbestimmungsvorrichtung gemäß der vorliegenden Erfindung enthält die oben beschriebene Konfiguration, wodurch es möglich wird, ein Maschinenlernmodell zu erstellen, das auf vielfältige Weise unter Bedingungen einer breiten Vielzahl verschiedener Formungsoperationen verwendet werden kann, und es wird erwartet, dass die Auswirkung einer höheren Bestimmungsgenauigkeit durch das Maschinenlernmodell relativ einfach erreicht werden kann. Außerdem wird, als das Merkmal des Maschinenlernens, die Bestimmungsgenauigkeit durch das Maschinenlernmodell für das Formen unter einer gegebenen Bedingung erhöht, und folglich ist es möglich, ein Umlernen des Maschinenlernens unter Verwendung der Zustandsvariable unter der oben beschriebenen Bedingung auszuführen, einen neuen internen Parameter zu bestimmen und den Parameter mit dem neuen Parameter zu aktualisieren. Andererseits wird der neue Parameter, der durch das Umlernen erhalten wird, unter der Bedingung optimiert, und folglich kann die Bestimmungsgenauigkeit verringert werden, wenn die Bedingung der Formungsoperation geändert wird. Um dieses Problem zu lösen, zum Beispiel durch Vorbereiten einer Reihe vielseitiger Parameter, einer Reihe von Parametern für Umlernen und Aktualisieren, und eine Reihe von Parametern unter einer anderen Bedingung, und Wechseln zwischen ihnen in Reaktion auf die Änderung der Formungsoperation oder des Formwerkzeugs, wird es möglich, die Änderung der Formungsoperation flexibel zu bewältigen.
Als eine Modifizierung der Maschinenlernvorrichtung 20 der Zustandsbestimmungsvorrichtung 10 kann die Lernsektion 26 den Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit jedem der Betriebszustände mehrerer Spritzgussmaschinen korreliert ist, die die gleiche Konfiguration haben, unter Verwendung der Zustandsvariable S und der Label-Daten L, die von jeder der mehreren Spritzgussmaschinen erhalten werden, lernen. Gemäß dieser Konfiguration ist es möglich, die Anzahl von Datensätzen zu erhöhen, die jeweils die Zustandsvariable S und die Label-Daten L enthalten, die während eines spezifischen Zeitraums erhalten wurden, und folglich ist es möglich, die Geschwindigkeit und Zuverlässigkeit des Lernens des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem Betriebszustand der Spritzgussmaschine korreliert ist, unter Verwendung des diversifizierteren Datensatzes als eine Eingabe zu verbessern.
In der Maschinenlernvorrichtung 20, die die oben beschriebene Konfiguration aufweist, bestehen für den durch die Lernsektion 26 ausgeführten Lernalgorithmus keine besonderen Einschränkungen, und so ist es möglich, bekannte Lernalgorithmen als das Maschinenlernen zu verwenden. 2 zeigt einen Aspekt der in 1 gezeigten Zustandsbestimmungsvorrichtung 10 und zeigt eine Konfiguration, die die Lernsektion 26 enthält, die beaufsichtigtes Lernen als ein Beispiel des Lernalgorithmus ausführt. Das beaufsichtigte Lernen ist ein Verfahren zum Lernen eines Korrelationsmodells (der Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem Betriebszustand der Spritzgussmaschine korreliert ist, im Fall der in den 1 und 2 gezeigten Maschinenlernvorrichtung 20) zum Schätzen einer erforderlichen Ausgabe zu einer neuen Eingabe durch Bereitstellen einer großen Anzahl bekannter Datensätze (als beaufsichtigte Daten bezeichnet) von Eingaben und Ausgaben, die den Eingaben entsprechen, und Erkennen eines Merkmals, das auf eine Korrelation zwischen der Eingabe und der Ausgabe anhand der beaufsichtigten Daten schließen lässt.
In der Maschinenlernvorrichtung 20 der in 2 gezeigten Zustandsbestimmungsvorrichtung 10 enthält die Lernsektion 26 eine Fehlerberechnungssektion 32, die einen Fehler E zwischen einem Korrelationsmodell M, das den Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, anhand der Zustandsvariable S ableitet, und einem Korrelationsmerkmal, das anhand im Voraus vorbereiteter beaufsichtigter Daten T erkannt wird, berechnet, und eine Modellaktualisierungssektion 34, die das Korrelationsmodell M aktualisiert, um den Fehler E zu reduzieren. Die Lernsektion 26 lernt den Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem Betriebszustand der Spritzgussmaschine korreliert ist, indem die Modellaktualisierungssektion 34 veranlasst wird, die Aktualisierung des Korrelationsmodells M zu wiederholen.
Das Korrelationsmodell M kann unter Verwendung einer Regressionsanalyse, eines Verstärkungslernens und von Deep Learning erstellt werden. Der initiale Wert des Korrelationsmodells M wird vor dem Start des beaufsichtigten Lernens in die Lernsektion 26 eingegeben, zum Beispiel als ein Wert, der die Korrelation zwischen der Zustandsvariable S und dem Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, in einer vereinfachten Form repräsentiert. Die beaufsichtigten Daten T werden durch empirische Werte gebildet (ein bekannter Datensatz des Betriebszustands der Spritzgussmaschine und des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht), die durch vorheriges Aufzeichnen des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem Betriebszustand der Spritzgussmaschine korreliert ist, akkumuliert wurden, und werden vor dem Start des beaufsichtigten Lernens in die Lernsektion 26 eingegeben. Die Fehlerberechnungssektion 32 erkennt das Korrelationsmerkmal, das auf die Korrelation zwischen dem Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, und dem Betriebszustand der Spritzgussmaschine schließen lässt, anhand einer großen Menge der beaufsichtigten Daten, die in die Lernsektion 26 eingegeben wurden, und bestimmt den Fehler E zwischen dem Korrelationsmerkmal und dem Korrelationsmodell M entsprechend der Zustandsvariable S in dem momentanen Zustand. Die Modellaktualisierungssektion 34 aktualisiert das Korrelationsmodell M, um den Fehler E zu reduzieren, beispielsweise gemäß einer zuvor festgelegten Aktualisierungsregel.
Im nächsten Lernzyklus bestimmt die Fehlerberechnungssektion 32 unter Verwendung der Zustandsvariable S und der Label-Daten L, die durch Ausführen der Formungsoperation durch die Spritzgussmaschine gemäß dem aktualisierten Korrelationsmodell M erhalten wurden, den Fehler E für das Korrelationsmodell M entsprechend der Zustandsvariable S und den Label-Daten L, und die Modellaktualisierungssektion 34 aktualisiert das Korrelationsmodell M erneut. Auf diese Weise wird allmählich die Korrelation zwischen dem momentanen Zustand der Umgebung (der Betriebszustand der Spritzgussmaschine), der unbekannt war, und der entsprechenden Bestimmung des Zustands (die Bestimmung des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht) offenbar. Das heißt, mit der Aktualisierung des Korrelationsmodells M wird bewirkt, dass sich die Beziehung zwischen dem Betriebszustand der Spritzgussmaschine und dem Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, einer optimalen Lösung nähert.
Wenn das oben beschriebene beaufsichtigte Lernen ausgeführt wird, so ist es möglich, zum Beispiel ein neurales Netzwerk zu verwenden. 3A zeigt schematisch das Modell eines Neurons, das das neurale Netzwerk darstellt. 3B zeigt schematisch das Modell eines dreischichtigen neuralen Netzwerks, das durch Kombinieren der in 3A gezeigten Neuronen konfiguriert wird. Das neurale Netzwerk kann beispielsweise durch eine Arithmetikeinheit oder ein Speichereinheit konfiguriert werden, die das Neuronenmodell simuliert.
Das in 3A gezeigte Neuron gibt ein Ergebnis y an mehrere Eingaben x aus (im vorliegenden Text sind die Eingaben x₁ bis x₃ als Beispiele gezeigt). Die Eingaben x₁ bis x₃ werden mit Gewichten w (w₁ bis w₃) multipliziert, die den Eingaben x entsprechen. Damit gibt das Neuron eine Ausgabe y aus, die durch den folgenden Ausdruck (1) repräsentiert wird. Es ist zu beachten dass in Ausdruck (1) die Eingabe x, die Ausgabe y und das Gewicht w Vektoren sind. θ ist eine Vorspannung, und f_k ist eine Aktivierungsfunktion. $y = f_{k} (\sum_{i = 1}^{n} x_{i} w_{i} - θ)$
In dem in 3B gezeigten dreischichtigen neuralen Netzwerk werden mehrere Eingaben x (im vorliegenden Text sind Eingaben x1, x2 und x3 als Beispiele gezeigt) von der linken Seite her eingegeben, und Ergebnisse y (im vorliegenden Text sind Ergebnisse y1, y2 und y3 als Beispiele gezeigt) werden von der rechten Seite her ausgegeben. In dem in der Zeichnung gezeigten Beispiel werden die Eingaben x1, x2 und x3 mit entsprechenden Gewichten (zusammen durch w1 repräsentiert) multipliziert, und jede der Eingaben x1, x2 und x3 wird in drei Neuronen N11, N12 und N13 eingegeben.
In 3B sind Ausgaben der Neuronen N11, N12 und N13 zusammen durch z1 repräsentiert. z1 kann als Merkmalvektoren angesehen werden, die durch Extrahieren der Merkmalsquantitäten von Eingangsvektoren erhalten werden. In dem in der Zeichnung gezeigten Beispiel werden die Merkmalvektoren z1 durch entsprechende Gewichte (zusammen durch w2 repräsentiert) multipliziert, und jeder der Merkmalvektoren z1 wird in zwei Neuronen N21 und N22 eingegeben. Die Merkmalvektoren z1 repräsentieren Merkmale zwischen den Gewichten w1 und den Gewichten w2.
In 3B sind Ausgaben der Neuronen N21 und N22 zusammen durch z2 repräsentiert. z2 kann als Merkmalvektoren angesehen werden, die durch Extrahieren der Merkmalsquantitäten der Merkmalvektoren z1 = (z11, z12, z13) erhalten werden. In dem in der Zeichnung gezeigten Beispiel werden die Merkmalvektoren z2 = (z21, z22) durch entsprechende Gewichte (zusammen durch w3 repräsentiert) multipliziert, und jeder der Merkmalvektoren z2 wird in drei Neuronen N31, N32 und N33 eingegeben. Die Merkmalvektoren z2 repräsentieren Merkmale zwischen den Gewichten w2 und den Gewichten w3. Zuletzt geben die Neuronen N31, N32 und N33 Ergebnisse y1, y2 bzw. y3 aus.
In der Maschinenlernvorrichtung 20 der Zustandsbestimmungsvorrichtung 10 kann die Lernsektion 26 den Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht (das Ergebnis y), ausgeben, indem sie eine Berechnung mit einer Mehrschichtstruktur gemäß dem oben beschriebenen neuralen Netzwerk unter Verwendung der Zustandsvariable S als die Eingabe x ausführt. Es ist zu beachten, dass ein Betriebsmodus des neuralen Netzwerks einen Lernmodus und einen Bestimmungsmodus enthält, und dass es zum Beispiel möglich ist, ein Gewicht W unter Verwendung eines Lerndatensatzes in dem Lernmodus zu lernen und die Bestimmung des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht, in dem Bestimmungsmodus unter Verwendung des gelernten Gewichts W auszuführen. Es ist zu beachten, dass es auch möglich ist, Detektion, Klassifizierung und Schlussfolgerung in dem Bestimmungsmodus auszuführen.
Die Konfiguration der oben beschriebenen Zustandsbestimmungsvorrichtung 10 kann als ein Maschinenlernverfahren (oder eine Maschinenlern-Software) beschrieben werden, die durch die CPU des Computers ausgeführt wird. Das Maschinenlernverfahren ist das Verfahren zum Lernen des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem Betriebszustand der Spritzgussmaschine korreliert ist, und folgende Schritte enthält:

Veranlassen, dass die CPU des Computers den internen Parameter S2 und die Einspritzdaten S1, die den Betriebszustand der Spritzgussmaschine anzeigen, als die Zustandsvariable S beobachtet, die den momentanen Zustand der Umgebung repräsentiert, in der die Formungsoperation durch die Spritzgussmaschine ausgeführt wird,

Erfassen der Label-Daten L, die den Zustand anzeigen, der sich auf die Anomalie der Spritzgussmaschine bezieht, und
Ausführen eines Lernens durch Verknüpfen des Betriebszustands der Spritzgussmaschine mit dem Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, unter Verwendung der Zustandsvariable S und der Label-Daten L.
4 zeigt eine Zustandsbestimmungsvorrichtung 40 gemäß einer zweiten Ausführungsform.
Die Zustandsbestimmungsvorrichtung 40 enthält eine Vorverarbeitungssektion 42, eine Parameter-Einstellsektion 44, eine Maschinenlernvorrichtung 50 und eine Zustandsdatenerfassungssektion 46, die Daten, die in die Vorverarbeitungssektion 42 eingegeben wurden, als Zustandsdaten S0 erfasst. Die Zustandsdatenerfassungssektion 46 kann die Zustandsdaten S0 von der Spritzgussmaschine oder dem Sensor, der an der Spritzgussmaschine montiert ist, oder durch Dateneingaben, die zweckmäßig durch den Arbeiter ausgeführt werden, erfassen.
Zusätzlich zu der Software (der Lernalgorithmus oder dergleichen) und der Hardware (die CPU des Computers oder dergleichen), damit die Maschinenlernvorrichtung 50 den Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem Betriebszustand der Spritzgussmaschine korreliert ist, durch das Maschinenlernen lernen kann, enthält die Maschinenlernvorrichtung 50 der Zustandsbestimmungsvorrichtung 40 Software (einen Berechnungsalgorithmus oder dergleichen) und Hardware (die CPU des Computers oder dergleichen) zum Ausgeben des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht, der auf der Basis des Betriebszustandes der Spritzgussmaschine durch die Lernsektion 26 bestimmt wurde, als Anzeige von Zeichen auf einer (nicht gezeigten) Anzeigevorrichtung, Ton- oder Sprachausgabe an einen (nicht gezeigten) Lautsprecher, Ausgabe durch eine (nicht gezeigte) Alarmlampe oder eine Kombination davon. Die Maschinenlernvorrichtung 50 der Zustandsbestimmungsvorrichtung 40 kann dergestalt konfiguriert sein, dass eine gemeinsame CPU alle Software, wie zum Beispiel den Lernalgorithmus und den Berechnungsalgorithmus, ausführt.
Eine Bestimmungsausgabesektion 52 kann zum Beispiel als eine Funktion der CPU des Computers konfiguriert sein. Alternativ kann die Bestimmungsausgabesektion 52 zum Beispiel als Software konfiguriert sein, um das Funktionieren der CPU des Computers zu veranlassen. Die Bestimmungsausgabesektion 52 gibt eine Instruktion aus, um den Arbeiter über den Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, der auf der Basis des Betriebszustandes der Spritzgussmaschine durch die Lernsektion 26 bestimmt wurde, als die Anzeige von Zeichen, die Ton- oder Sprachausgabe, die Ausgabe durch eine Alarmlampe oder eine Kombination davon zu benachrichtigen. Die Bestimmungsausgabesektion 52 kann die Instruktion für die Benachrichtigung an die Anzeigevorrichtung der Zustandsbestimmungsvorrichtung 40 ausgeben und kann auch die Instruktion für die Benachrichtigung an die Anzeigevorrichtung der Spritzgussmaschine ausgeben.
Die Maschinenlernvorrichtung 50 der Zustandsbestimmungsvorrichtung 40, die die oben beschriebene Konfiguration aufweist, erreicht die gleiche Auswirkung wie die der oben beschriebenen Maschinenlernvorrichtung 20. Insbesondere kann die Maschinenlernvorrichtung 50 den Zustand der Umgebung unter Verwendung der Ausgabe der Bestimmungsausgabesektion 52 ändern. Andererseits kann die Maschinenlernvorrichtung 20 eine externe Vorrichtung (zum Beispiel die Steuereinheit der Spritzgussmaschine) veranlassen, eine Funktion auszuführen, die der Bestimmungsausgabesektion entspricht, um das Lernergebnis der Lernsektion 26 in der Umgebung widerzuspiegeln.
Als eine Modifizierung der Zustandsbestimmungsvorrichtung 40 kann die Bestimmungsausgabesektion 52 jedem Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, der auf der Basis des Betriebszustandes der Spritzgussmaschine durch die Lernsektion 26 bestimmt wurde, einen zuvor festgelegten spezifischen Schwellenwert zuweisen und kann Informationen, die als ein Warnhinweis dienen, in dem Fall ausgeben, wo der Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, der auf der Basis des Betriebszustandes der Spritzgussmaschine durch die Lernsektion 26 bestimmt wurde, den Schwellenwert übersteigt.
Als eine weitere Modifizierung der Zustandsbestimmungsvorrichtung 40 kann die Bestimmungsausgabesektion 52 einen Unterschied zwischen jedem Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, der zuvor auf der Basis des Betriebszustandes der Spritzgussmaschine durch die Lernsektion 26 bestimmt wurde, und jedem Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, der momentan auf der Basis des Betriebszustandes der Spritzgussmaschine durch die Lernsektion 26 bestimmt wird, berechnen und kann die Informationen, die als ein Warnhinweis dienen, in dem Fall ausgeben, wo der berechnete Unterschied eine zuvor festgelegte Schwellenwert übersteigt. Der Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, der zuvor auf der Basis des Betriebszustandes der Spritzgussmaschine durch die Lernsektion 26 bestimmt wurde, kann der Zustand sein, der durch die Lernsektion 26 zu jedem beliebigen Zeitpunkt bestimmt wurde. Jedoch wird die Schlussfolgerung des Zustands auf der Basis eines Vergleichs durch die Verwendung des Zustands vereinfacht, der sich auf die Anomalie der Spritzgussmaschine bezieht, wenn der Zustand klar verstanden werden kann, wie zum Beispiel, wenn eine Komponente durch eine neue Komponente ersetzt wird.
Als eine weitere Modifizierung der Zustandsbestimmungsvorrichtung 40 kann die Zustandsbestimmungsvorrichtung 40, um die Zustandsvariable zu erfassen, wenn die Bestimmung des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht, durch die Lernsektion 26 und die Bestimmungsausgabesektion 52 ausgeführt wird, die Spritzgussmaschine anweisen, eine spezifische Formungsoperation auf der Basis von einer voreingestellten spezifische Betriebseinstellung auszuführen.
In der Formungsoperation durch die Spritzgussmaschine es ist notwendig, verschiedene Arten von Einstellungen für die einzelnen Abschnitte der Spritzgussmaschine auszuführen, wie zum Beispiel Einstellungen der Form der Weichmacherschnecke, Materialien und die Form des Formwerkzeugs. Um dies zu bewältigen, indem die Spritzgussmaschine veranlasst wird, die „spezifische Operation“ auf der Basis der zuvor festgelegten Betriebseinstellung auszuführen, die nur wenige Störelemente aufweist, wenn die Bestimmung des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht, durch die Lernsektion 26 und die Bestimmungsausgabesektion 52 ausgeführt wird, wird es möglich, Zustände in Bezug auf Verschleiß, Beschädigung, eine Fehlfunktion und die Wartung mit hoher Genauigkeit zu bestimmen. Zu Beispielen der im vorliegenden Text erwähnten „spezifischen Operation“ gehören, als eine Operation, die mit dem Formwerkzeug verknüpft ist, das Veranlassen, dass ein Formwerkzeug-Zuhalteabschnitt oder ein Auswurfabschnitt arbeitet, nachdem Einstellungen der Position, der Geschwindigkeit und der Anzahl von Malen der Operation des Formwerkzeug-Zuhalteabschnitts oder des Auswurfabschnitt bestimmt wurden, und als eine Operation, die mit einem Heizzylinder verknüpft ist, das Veranlassen, dass die Weichmacherschnecke arbeitet, nachdem Einstellungen der Betriebsgeschwindigkeit, der Position, des Drucks und der Anzahl von Malen der Operation der Weichmacherschnecke bestimmt wurden. Da die spezifische Operation, die in der Bestimmung verwendet wird, zuvor festgelegt wird, kann das Maschinenlernmodell unter Verwendung einer einfachen Konfiguration konfiguriert werden, und es wird erwartet, dass die Auswirkung erreicht wird, die Zustandsbestimmungsvorrichtung unter Verwendung eines kostengünstigen Systems konfigurieren zu können, indem die Verarbeitung vereinfacht wird, die für die Bestimmung erforderlich ist.
Außerdem kann die Zustandsbestimmungsvorrichtung 40 die Spritzgussmaschine anweisen, automatisch die oben beschriebene spezifische Operation beim Einschalten oder vor und nach einer zuvor festgelegten Operation auszuführen, wie zum Beispiel einer Harzablassoperation, kann die Spritzgussmaschine anweisen, automatisch die spezifische Operation in dem Fall auszuführen, wo ein spezifischer Zeitraum verstrichen ist, kann die Spritzgussmaschine anweisen, automatisch die spezifische Operation auszuführen, wenn der Arbeiter eine Aufforderung unter Verwendung eines Knopfes auslöst, der in der Zustandsbestimmungsvorrichtung 40 oder der Spritzgussmaschine bereitgestellt ist, oder kann die Spritzgussmaschine anweisen, automatisch die spezifische Operation unter Verwendung von Bedingungen auszuführen, die durch Kombinieren der oben beschriebenen Bedingungen als eine Referenz erhalten werden.
Des Weiteren kann die Zustandsbestimmungsvorrichtung 40 eine Zeit speichern, zu der die Bestimmungsverarbeitung durch die Lernsektion 26 und die Bestimmungsausgabesektion 52 ausgeführt wurde, nachdem die Spritzgussmaschine angewiesen wurde, die spezifische Operation auszuführen, und die Bestimmungsausgabesektion 52 kann, als einen Warnhinweis, Informationen ausgeben, die anzeigen, dass ein spezifischer Zeitraum seit der vorherigen Bestimmung verstrichen ist, falls ein Unterschied zwischen der momentanen Zeit und der gespeicherten Verarbeitungszeit eine zuvor festgelegte Zeit übersteigt. Damit wird es möglich zu verhindern, dass der Arbeiter vergisst, die Verarbeitung der Zustandsbestimmung auszuführen und die Maschine kontinuierlich zu betreiben.
Als eine weitere Modifizierung der Zustandsbestimmungsvorrichtung 40 kann die Zustandsbestimmungsvorrichtung 40 dafür konfiguriert sein, nur die Bestimmung des Zustands der Spritzgussmaschine unter Verwendung des Ergebnisses des Lernens durch die Maschinenlernvorrichtung 50 auszuführen (nur im Bestimmungsmodus zu arbeiten), ohne ein zusätzliches Lernen auszuführen. Wie in 5 gezeigt, ist eine Maschinenlernvorrichtung 50' in die Zustandsbestimmungsvorrichtung 40 integriert. Die Maschinenlernvorrichtung 50' ist als eine Vorrichtung konfiguriert, die durch Entfernen der Label-Daten-Erfassungssektion 24 aus der Maschinenlernvorrichtung 50, wie in 4 erläutert, erhalten.
Mit dieser Konfiguration bestimmt die Maschinenlernvorrichtung 50' den Zustand der Spritzgussmaschine auf der Basis der durch die Zustandsbeobachtungssektion 22 beobachteten Zustandsvariable S, und die Bestimmungsausgabesektion 52 gibt das Bestimmungsergebnis aus. Da die Lernsektion 26 kein zusätzliches Lernen ausführt, kann die Maschinenlernvorrichtung 50' unter Verwendung einer CPU konfiguriert werden, die eine relativ geringe Rechenleistung aufweist, und es wird ein Kostenvorteil realisiert. Insbesondere ist es in dem Fall, wo die Zustandsbestimmungsvorrichtung 40 als ein Produkt auf den Markt gebracht wird, möglich, den Preis niedrig zu halten, indem die Konfiguration der vorliegenden Modifizierung verwendet wird.
Als eine weitere Modifizierung der Zustandsbestimmungsvorrichtung 40 kann die Zustandsbestimmungsvorrichtung 40 betrieben werden, nachdem verschiedene Muster von Parametern des Korrelationsmodells M (zum Beispiel kann in dem Fall, wo das Korrelationsmodell M das neurale Netzwerk ist, ein solcher Parameter der Gewichtswert zwischen Neuronen oder dergleichen sein), die als das Ergebnis des Maschinenlernens unter mehreren Bedingungen durch die Lernsektion 26 erhalten wurden, gespeichert wurden, und das Muster von Parametern wird in dem Korrelationsmodell M gemäß einer Situation eingestellt, in der die Zustandsbestimmungsvorrichtung 40 verwendet wird. An diesem Punkt kann das Muster von Parametern des Korrelationsmodells M beispielsweise in der Parameter-Einstellsektion 44 gespeichert werden. Mit dieser Konfiguration wird es selbst in dem Fall, wo die Bedingung, unter der die Zustandsbestimmungsvorrichtung 40 die Bestimmung des Zustands der Spritzgussmaschine ausführt, eine andere ist, indem die Parameter des Korrelationsmodells M für die Bedingung in der Lernsektion 26 geeignet eingestellt werden, möglich, eine Bestimmung des Zustands der Spritzgussmaschine auszuführen, die eine höhere Genauigkeit aufweist.
6 zeigt ein Spritzgusssystem 70 gemäß einer Ausführungsform, die eine Spritzgussmaschine 60 enthält.
Das Spritzgusssystem 70 enthält mehrere Spritzgussmaschinen 60 und 60', die die gleiche mechanische Struktur aufweisen, und ein Netzwerk 72, das die Spritzgussmaschinen 60 und 60' miteinander verbindet. Es ist zu beachten, dass mindestens eine der mehreren Spritzgussmaschinen 60 und 60' die oben beschriebene Zustandsbestimmungsvorrichtung 40 enthält. Außerdem kann das Spritzgusssystem 70 die Spritzgussmaschine 60' enthalten, die nicht die Zustandsbestimmungsvorrichtung 40 aufweist. Jede der Spritzgussmaschinen 60 und 60' hat eine typische Konfiguration, die benötigt wird, um die Formungsoperation auszuführen.
In dem Spritzgusssystem 70, das die oben beschriebene Konfiguration aufweist, kann - unter den mehreren Spritzgussmaschinen 60 und 60' - die Spritzgussmaschine 60, die die Zustandsbestimmungsvorrichtung 40 enthält, unter Verwendung des Ergebnisses des Lernens durch die Lernsektion 26 automatisch und korrekt den Zustand bestimmen, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem Betriebszustand der Spritzgussmaschine korreliert ist, ohne von Berechnung oder Schätzung abhängig zu sein. Außerdem kann die Zustandsbestimmungsvorrichtung 40 von mindestens einer Spritzgussmaschine 60 dergestalt konfiguriert sein, dass die Zustandsbestimmungsvorrichtung 40 den Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, mit dem Betriebszustand der Spritzgussmaschine korreliert ist und allen Spritzgussmaschinen 60 und 60' gemein ist, auf der Basis der Zustandsvariable S und der Label-Daten L lernt, die von jeder der anderen mehreren Spritzgussmaschinen 60 und 60' erhalten wurden, und das Lernergebnis wird durch alle Spritzgussmaschinen 60 und 60' gemeinsam genutzt. Folglich ist es gemäß dem Spritzgusssystems 70 möglich, die Geschwindigkeit und Zuverlässigkeit des Lernens des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem Betriebszustand der Spritzgussmaschine korreliert ist, unter Verwendung eines diversifizierteren Datensatzes (der die Zustandsvariable S und die Label-Daten L enthält) als die Eingabe zu verbessern
7 zeigt ein Spritzgusssystem 70' gemäß einer anderen Ausführungsform, die die Spritzgussmaschine 60' enthält.
Das Spritzgusssystem 70' enthält mehrere Spritzgussmaschinen 60', die die gleiche mechanische Struktur aufweisen, und das Netzwerk 72, das die Spritzgussmaschinen 60' und die Zustandsbestimmungsvorrichtung 40 (oder 10) verbindet.
In dem Spritzgusssystem 70', das die oben beschriebene Konfiguration aufweist, kann die Zustandsbestimmungsvorrichtung 40 (oder 10) den Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht, mit dem Betriebszustand der Spritzgussmaschine korreliert ist und allen Spritzgussmaschinen 60' gemein ist, auf der Basis der Zustandsvariable S und der Label-Daten L, die von jeder der mehreren Spritzgussmaschinen 60' erhalten werden, lernen und automatisch und korrekt den Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem Betriebszustand der Spritzgussmaschine korreliert ist, unter Verwendung des Lernergebnisses bestimmen, ohne von Berechnung oder Schätzung abhängig zu sein.
Das Spritzgusssystem 70' kann dergestalt konfiguriert sein, dass sich die Zustandsbestimmungsvorrichtung 40 (oder 10) in einem Cloud-Server befindet, der in dem Netzwerk 72 bereitgestellt ist. Gemäß dieser Konfiguration ist es möglich, erforderlichenfalls die benötigte Anzahl von Spritzgussmaschinen 60' mit der Zustandsbestimmungsvorrichtung 40 (oder 10) zu verbinden, und zwar unabhängig vom Standort, wo sich jede der mehreren Spritzgussmaschinen 60' befindet, oder vom Zeitpunkt.
Der Arbeiter, der mit der Bedienung des Spritzgusssystems 70 oder 70' befasst ist, kann zu einem geeigneten Zeitpunkt nach dem Beginn des Lernens durch die Zustandsbestimmungsvorrichtung 40 (oder 10) die Bestimmung ausführen, ob die Leistungsstufe des Lernens des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem Betriebszustand der Spritzgussmaschine korreliert ist, durch die Zustandsbestimmungsvorrichtung 40 (oder 10) eine erforderliche Stufe erreicht hat oder nicht.
Als eine Modifizierung des Spritzgusssystems 70 oder 70' ist es möglich, eine Zustandsbestimmungsvorrichtung 40 zu implementieren, die in eine Formungsmaschinen-Managementvorrichtung 80 integriert, die die Spritzgussmaschinen 60 und 60' managt. Wie in 8 gezeigt, sind mehrere Spritzgussmaschinen 60 und 60' mit der Formungsmaschinen-Managementvorrichtung 80 über das Netzwerk 72 verbunden, und die Formungsmaschinen-Managementvorrichtung 80 sammelt Daten über Betriebszustände und das Formen jeder der Spritzgussmaschinen 60 und 60' über das Netzwerk 72.
Die Formungsmaschinen-Managementvorrichtung 80 kann Informationen von jeder Spritzgussmaschine 60 oder 60' empfangen, die Zustandsbestimmungsvorrichtung 40 anweisen, den Zustand zu bestimmen, der sich auf die Anomalie der Spritzgussmaschine 60 oder 60' bezieht, und das Ergebnis an die Anzeigevorrichtung der Formungsmaschinen-Managementvorrichtung 80 oder die Spritzgussmaschine 60 oder 60', die als das Bestimmungsziel dient, ausgeben.
Mit dieser Konfiguration ist es möglich, das Management des Ergebnisses der Bestimmung des Zustands, der sich auf die Anomalie einer jeden der Spritzgussmaschinen 60 und 60' bezieht, unter Verwendung der Formungsmaschinen-Managementvorrichtung 80 zu vereinen, und es ist möglich, die Zustandsvariablen, die als Stichproben dienen, von mehreren Spritzgussmaschinen 60 und 60' zu erfassen, wenn ein Umlernen ausgeführt wird. Folglich wird der Vorteil realisiert, dass viele Teile von Daten zum Umlernen auf einfache Weise erfasst werden. Des Weiteren kann durch Verknüpfen des Formwerkzeugs oder der Formungsbedingung mit dem internen Parameter der Vorteil realisiert werden, dass Bestimmungselemente, die sich auf das Formwerkzeug und die Formungsbedingung beziehen, durch die Spritzgussmaschinen gemeinsam genutzt werden.
Obgleich die Ausführungsformen der vorliegenden Erfindung beschrieben wurden, ist die vorliegende Erfindung nicht auf die oben beschriebenen Ausführungsformen beschränkt und kann in verschiedenen Formen implementiert werden, indem zweckmäßige Änderungen daran vorgenommen werden.
Zum Beispiel sind der Lernalgorithmus, der durch die Maschinenlernvorrichtung 20 oder 50 ausgeführt wird, der Berechnungsalgorithmus, der durch die Maschinenlernvorrichtung 50 ausgeführt wird, und ein Steuerungsalgorithmus, der durch die Zustandsbestimmungsvorrichtung 10 oder 40 ausgeführt wird, nicht auf die oben beschriebenen Algorithmen beschränkt, und es ist möglich, verschiedene Algorithmen zu verwenden.
Außerdem ist die Vorverarbeitungssektion 12 in jeder der oben beschriebenen Ausführungsformen in der Zustandsbestimmungsvorrichtung 40 (oder der Zustandsbestimmungsvorrichtung 10) angeordnet, aber die Vorverarbeitungssektion 12 kann auch in der Spritzgussmaschine angeordnet werden. In diesem Fall kann die Vorverarbeitung in der Zustandsbestimmungsvorrichtung 40 (oder der Zustandsbestimmungsvorrichtung 10) oder in der Spritzgussmaschine oder sowohl in der Zustandsbestimmungsvorrichtung als auch in der Spritzgussmaschine ausgeführt werden, und der Ort der Vorverarbeitung kann vor dem Hintergrund der Verarbeitungsfähigkeiten und der Kommunikationsgeschwindigkeit zweckmäßig gewählt werden.

Claims

Zustandsbestimmungsvorrichtung (10) zum Bestimmen einer Anomalie in einer Spritzgussmaschine auf der Basis eines Betriebszustands der Spritzgussmaschine, wobei die Zustandsbestimmungsvorrichtung Folgendes umfasst: eine Vorverarbeitungssektion (12) zum Ausführen einer Vorverarbeitung von mindestens einem Teil von Zeitreihendaten, die sich auf den Betriebszustand der Spritzgussmaschine beziehen, wobei die Zeitreihendaten Stichprobendaten umfassen, die in bestimmten Stichprobenintervallen für jede Formungsoperation erfasst werden; eine Interne-Parameter-Einstellsektion (14), in der ein fester interner Parameter (S2), der sich auf den Betriebszustand der Spritzgussmaschine bezieht und anhand einer Einstellung der Spritzgussmaschine oder der Betriebsumgebung bestimmt wird, und auf Daten basiert, die für jede Formungsoperation nur einmal erfasst werden und sich während des Spritzgussvorgangs nicht ändert, eingestellt wird; eine Maschinenlernvorrichtung (20) zum Lernen des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem Betriebszustand der Spritzgussmaschine korreliert ist, wobei die Maschinenlernvorrichtung (20) Folgendes umfasst: eine Zustandsbeobachtungssektion (22) zum Beobachten einer Zustandsvariablen (S), die Zustandsvariable (S) umfassend: Einspritzdaten (S1), die einen momentanen Betriebszustand der Spritzgussmaschine anzeigen; einen Teil der Zeitreihendaten die der Vorverarbeitung durch die Vorverarbeitungssektion (12) unterzogen wurden; und den internen Parameters (S2); eine Label-Daten-Erfassungssektion (24) zum Erfassen von Label-Daten (L), die den Zustand anzeigen, der sich auf die Anomalie der Spritzgussmaschine bezieht, und eine Lernsektion (26) zum Ausführen eines Lernens durch Verknüpfen der Zustandsvariablen (S) mit den Label-Daten (L); wobei die Zustandsbestimmungsvorrichtung (10) ferner eine Bestimmungsausgabesektion (52) umfasst, die zum Ausgeben des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht und der auf der Basis der Zustandsvariablen (S) und eines Ergebnisses des Lernens durch die Lernsektion (26) bestimmt wurde.
Zustandsbestimmungsvorrichtung (10) nach Anspruch 1, wobei mehrere interne Parameter (S2) in der Interne-Parameter-Einstellsektion (14) eingestellt werden, und einer der mehreren internen Parameter (S2) als der interne Parameter auswählbar ist, der als die Zustandsvariable (S) beobachtet wird.
Zustandsbestimmungsvorrichtung (10) nach Anspruch 1 oder 2, wobei die Lernsektion (26) Folgendes enthält: eine Fehlerberechnungssektion (32) zum Berechnen eines Fehlers zwischen einem Korrelationsmodell zum Bestimmen des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht, anhand der Zustandsvariablen (S) und einem Korrelationsmerkmal, das anhand von im Voraus vorbereiteten beaufsichtigten Daten (T) erkannt wird, und eine Modellaktualisierungssektion (34) zum Aktualisieren des Korrelationsmodells, um den Fehler zu reduzieren.
Zustandsbestimmungsvorrichtung (10) nach einem der Ansprüche 1 bis 3, wobei die Lernsektion (26) dafür konfiguriert ist, die Zustandsvariable (S) und die Label-Daten (L) mit einer Mehrschichtstruktur zu berechnen.
Zustandsbestimmungsvorrichtung (10) nach Anspruch 1, wobei die Bestimmungsausgabesektion (52) dafür konfiguriert ist, einen Warnhinweis in einem Fall auszugeben, in dem der Zustand, der sich auf die Anomalie der Spritzgussmaschine bezieht und durch die Lernsektion (26) bestimmt wurde, einen voreingestellten Schwellenwert übersteigt.
Zustandsbestimmungsvorrichtung (10) nach einem der Ansprüche 1 bis 5, wobei die Vorverarbeitung eine Verarbeitung ist, in der Interpolation, Extraktion oder eine Kombination aus Interpolation und Extraktion an mindestens einem Teil von Zeitreihendaten ausgeführt wird, die in den Daten enthalten sind, die sich auf den Betriebszustand der Spritzgussmaschine beziehen, und die Anzahl von eingegebenen Teilen der Zeitreihendaten justiert wird.
Zustandsbestimmungsvorrichtung (10) nach einem der Ansprüche 1 bis 6, wobei die Daten, die sich auf den Betriebszustand der Spritzgussmaschine beziehen, ein Wert sind, der unter Verwendung von mindestens einem von Folgendem erhalten wird: einer Last eines Antriebsabschnitts oder eines beweglichen Abschnitts der Spritzgussmaschine, einer Geschwindigkeit des Antriebsabschnitts oder des beweglichen Abschnitts, einer Position des Antriebsabschnitts oder des beweglichen Abschnitts, eines Instruktionswertes zu dem Antriebsabschnitt, eines Drucks, einer Formwerkzeug-Zuhaltekraft, einer Temperatur, einer physikalischen Quantität jedes Formungszyklus, einer Formungsbedingung, eines Formungsmaterials, eines Formteils, einer Form einer Komponente der Spritzgussmaschine, eines Verziehens der Komponente der Spritzgussmaschine, des Betriebslärms, und eines Bildes.
Zustandsbestimmungsvorrichtung (10) nach Anspruch 4 oder 5, wobei die Spritzgussmaschine veranlasst wird, eine zuvor festgelegte spezifische Operation auszuführen, um die Bestimmung des Zustands, der sich auf die Anomalie der Spritzgussmaschine bezieht, durch die Lernsektion (26) auszuführen.
Zustandsbestimmungsvorrichtung (10) nach Anspruch 8, wobei die zuvor festgelegte spezifische Operation zum Ausführen der Bestimmung automatisch oder auf die Aufforderung eines Arbeiters hin ausgeführt wird.
Zustandsbestimmungsvorrichtung (10) nach Anspruch 8 oder 9, wobei ein Datum und eine Uhrzeit, wann die zuvor festgelegte spezifische Operation zum Ausführen der Bestimmung ausgeführt wurde wird, gespeichert werden, und Informationen in einem Fall ausgegeben werden, wo ein spezifischer Zeitraum ab dem gespeicherten Datum und der gespeicherten Uhrzeit verstrichen ist.
Zustandsbestimmungsvorrichtung (10) nach einem der Ansprüche 1 bis 10, wobei die Zustandsbestimmungsvorrichtung als Teil einer Steuereinheit der Spritzgussmaschine konfiguriert ist.
Zustandsbestimmungsvorrichtung (10) nach einem der Ansprüche 1 bis 10, wobei die Zustandsbestimmungsvorrichtung (10) als Teil einer Formungsmaschinen-Managementvorrichtung zum Managen mehrerer Spritzgussmaschinen über ein Netzwerk konfiguriert ist.
Zustandsbestimmungsvorrichtung (10) zum Bestimmen einer Anomalie in einer Spritzgussmaschine auf der Basis eines Betriebszustands der Spritzgussmaschine, wobei die Zustandsbestimmungsvorrichtung Folgendes umfasst: eine Vorverarbeitungssektion (12) zum Ausführen einer Vorverarbeitung von mindestens einem Teil von Zeitreihendaten, die sich auf den Betriebszustand der Spritzgussmaschine beziehen, wobei die Zeitreihendaten Stichprobendaten umfassen, die in bestimmten Stichprobenintervallen für jede Formungsoperation erfasst werden; eine Interne-Parameter-Einstellsektion (14), in der ein fester interner Parameter (S2), der sich auf den Betriebszustand der Spritzgussmaschine bezieht und anhand einer Einstellung der Spritzgussmaschine oder der Betriebsumgebung bestimmt wird und auf Daten basiert, die für jede Formungsoperation nur einmal erfasst werden und sich während des Spritzgussvorgangs nicht ändert, eingestellt wird; eine Maschinenlernvorrichtung (20), die eine Lernsektion (26) aufweist, die den Zustand gelernt hat, der sich auf die Anomalie der Spritzgussmaschine bezieht und mit dem Betriebszustand der Spritzgussmaschine korreliert ist, wobei die Maschinenlernvorrichtung (20) Folgendes enthält: eine Zustandsbeobachtungssektion (22) zum Beobachten einer Zustandsvariablen (S), die Zustandsvariable (S) umfassend: Einspritzdaten (S1), die einen momentanen Betriebszustand der Spritzgussmaschine anzeigen; Zeitreihendaten, die der Vorverarbeitung durch die Vorverarbeitungssektion (12) unterzogen wurden; und den internen Parameter (S2); und wobei die Zustandsbestimmungsvorrichtung (10) ferner eine Bestimmungsausgabesektion (52) zum Ausgeben des Zustands umfasst, der sich auf die Anomalie der Spritzgussmaschine bezieht und auf der Basis der Zustandsvariablen (S) und eines Ergebnisses des Lernens durch die Lernsektion (26) bestimmt wurde.