DE102019124483A1

DE102019124483A1 - Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren

Info

Publication number: DE102019124483A1
Application number: DE102019124483.8A
Authority: DE
Inventors: Atsushi Horiuchi; Hiroyasu Asaoka; Kenjirou SHIMIZU
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2018-09-19
Filing date: 2019-09-12
Publication date: 2020-05-20
Also published as: JP2020044718A; US11150636B2; CN110920009B; US20200089202A1; JP6773738B2; CN110920009A

Abstract

Eine Zustandsbestimmungsvorrichtung erlangt Daten im Zusammenhang mit einer Spritzgussmaschine, speichert ein Lernmodell, das durch Lernen eines Betriebszustands der Spritzgussmaschine in Bezug auf die Daten erhalten wurde, und nimmt auf Basis der Daten unter Verwendung des Lernmodells eine Schätzung vor. Ferner erlangt die Zustandsbestimmungsvorrichtung einen Korrekturkoeffizienten, der mit einer Art der Spritzgussmaschine und einer Maschineneinrichtung, die an der Spritzgussmaschine angebracht ist, in Verbindung steht, und nimmt mit einer vorherbestimmten Korrekturfunktion, auf die der erlangte Koeffizient angewendet wird, eine numerische Umwandlung und eine Korrektur des Schätzergebnisses vor.

Description

ALLGEMEINER STAND DER TECHNIK
Gebiet der Erfindung
Die vorliegende Erfindung betrifft eine Zustandsbestimmungsvorrichtung und ein Zustandsbestimmungsverfahren, und betrifft insbesondere eine Zustandsbestimmungsvorrichtung und ein Zustandsbestimmungsverfahren zur Unterstützung der Wartung von Spritzgussmaschinen.
Beschreibung des Stands der Technik
Industriemaschinen wie etwa Spritzgussmaschinen werden regelmäßig oder bei Auftreten einer Anomalie gewartet. Bei der Wartung einer Industriemaschine bestimmt das Wartungspersonal unter Verwendung einer physikalischen Größe, die vorab beim Betrieb der Industriemaschine aufgezeichnete Betriebszustände der Industriemaschine darstellt, ob ein Betriebszustand der Industriemaschine normal oder abnormal ist, und führt dadurch die Wartungstätigkeit wie etwa den Austausch eines Teils, bei dem eine Anomalie auftritt, durch.
Zum Beispiel ist als Wartungstätigkeit für einen Rückschlagring eines Spritzzylinders, der in einer Spritzgussmaschine vorhanden ist, ein Verfahren bekannt, bei dem eine Schnecke regelmäßig aus dem Spritzzylinder entnommen wird, um die Abmessung des Rückschlagrings direkt zu messen. Doch zur Durchführung der Messtätigkeit bei diesem Verfahren muss die Produktion vorübergehend angehalten werden, was die Produktivität in nachteiliger Weise verringert.
Außerdem gibt es eine breite Vielfalt von Spritzgussmaschinen, wie etwa eine Spritzgussvorrichtung, die einen Spritzzylinder aufweist, eine Formklemmvorrichtung, und eine Formartikelausstoßvorrichtung, die voneinander verschiedene Spezifikationen aufweisen. Daher ist es nötig, so viele Zustandsbestimmungsvorrichtungen und Kriterien zur Bestimmung des Vorhandenseins einer Anomalie vorzubereiten, wie Arten von Spritzgussmaschinen vorhanden sind.
Als herkömmliche Techniken zur Lösung dieses Problems sind Techniken bekannt, bei denen ein Rotationsdrehmoment, das auf eine Schnecke wirkt, detektiert wird und eine Rückflusserscheinung, bei der Harz zu der Hinterseite der Schnecke fließt, detektiert wird, um das Abnutzungsausmaß eines Rückschlagrings eines Spritzzylinders indirekt zu messen und eine Anomalie zu diagnostizieren, ohne die Produktion wie etwa bei der Entnahme einer Schnecke aus dem Spritzzylinder vorübergehend anzuhalten. Beispielsweise offenbart die Japanische Patentoffenlegungsschrift Nr. 01-168421 eine Technik, bei der ein Rotationsdrehmoment, das auf eine Schneckenumdrehungsrichtung wirkt, gemessen wird, und eine Anomalie bestimmt wird, wenn das Rotationsdrehmoment nicht innerhalb eines zulässigen Bereichs liegt. Ferner offenbaren die Japanische Patentoffenlegungsschrift Nr. 2007-030221 und die Japanische Patentoffenlegungsschrift Nr. 2017-202632 Techniken zum Diagnostizieren einer Anomalie durch überwachtes Lernen einer Belastung auf eine Antriebseinheit, eines Harzdrucks, und dergleichen.
Doch die oben beschriebene Technik, die in der Japanischen Patentoffenlegungsschrift Nr. 01-168421 offenbart ist, weist das Problem auf, dass für Maschinen mit unterschiedlichen Spezifikationsdaten wie etwa einem Nenndrehmoment und einer Trägheit eines Motors, die eine Antriebseinheit einer Spitzgussmaschinen bilden, und einem Untersetzungsverhältnis eines Untersetzungsgetriebes eine Tätigkeit zum Einstellen zulässiger Bereiche, die für die Bestimmung einer Anomalie verwendet werden, erforderlich ist.
Ferner weisen die oben beschriebenen Techniken, die in der Japanischen Patentoffenlegungsschrift Nr. 2007-030221 und der Japanischen Patentoffenlegungsschrift Nr. 2017-202632 offenbart sind, das Problem auf, dass eine Abweichung zwischen Messwerten, die von Maschinen mit unterschiedlichen Spezifikationen der Komponenten, die Antriebseinheiten von Spritzgussmaschinen bilden, erhalten werden, und numerischen Werten von Lerndaten, die beim maschinellen Lernen eingegeben werden, zu groß ist, um mittels des maschinellen Lernens eine korrekte Bestimmung vorzunehmen. Insbesondere besteht das Problem, dass ein Lernmodell, das durch maschinelles Lernen erhalten wurde, nicht allgemein bei einer breiten Vielfalt von Spritzgussmaschinen verwendet werden kann.
Außerdem besteht das Problem, dass dann, wenn sich die Art des Harzes, das das Rohmaterial eines Formartikels, der durch eine Spritzgussmaschine hergestellt werden soll, darstellt, und die Arten der Hilfseinrichtungen der Spritzgussmaschine wie etwa eine Form, eine Formtemperatureinstellmaschine, und ein Harztrockner von jenen bei dem maschinellen Lernen unterscheiden, aufgrund des Einflusses der Unterschiede zwischen den Arten eine Abweichung zwischen den Messwerden, die von der Maschine erhalten werden, und Messwerten, die bei der Erstellung des Lernmodells verwendet wurden, erzeugt wird und entsprechend eine Bestimmung, ob eine Anomalie besteht oder nicht, durch maschinelles Lernen nicht korrekt vorgenommen werden kann.
Es ist bekannt, dass das maschinelle Lernen bei der Erstellung von Lernmodellen des maschinellen Lernens unter Vorbereitung von so vielen verschiedenen Arten von Lernbedingungen, wie Kombinationen von Maschineneinrichtungen - etwa ein Motor, ein Untersetzungsgetriebe, und eine bewegliche Einheit - die eine Spitzgussmaschine bilden, vorhanden sind, vorgenommen wird, um die Bestimmungsgenauigkeit des maschinellen Lernens zu verbessern. Doch die Vornahme des maschinellen Lernens mit verschiedenen Arten von Spritzgussmaschinen, Hilfseinrichtungen, und Komponenten ist mit hohen Kosten verbunden. Zudem müssen Rohmaterialien wie etwa Harze und Werkstücke vorbereitet werden, wenn die Maschinen betrieben werden, was hohe Kosten für Rohmaterialien, die bei der Erlangung von Lerndaten verwendet werden, erforderlich macht. Ferner erfordern die Tätigkeiten zur Erlangung der Lerndaten viel Zeit. Daher besteht das Problem, dass Lerndaten nicht effizient gesammelt werden können.
KURZDARSTELLUNG DER ERFINDUNG
Eine Aufgabe der vorliegenden Erfindung ist, eine Zustandsbestimmungsvorrichtung und ein Zustandsbestimmungsverfahren bereitzustellen, wodurch die Wartung von verschiedenen Spritzgussmaschinen unterstützt werden kann, ohne hohe Kosten zu erfordern.
Nach der vorliegenden Erfindung werden die oben beschriebenen Probleme durch Ableiten eines Anomaliegradkorrekturwerts, der durch Vornehmen einer numerischen Umwandlung wie etwa des Hinzufügens eines vorherbestimmten Korrekturausmaßes in Bezug auf einen Anomaliegradschätzwert einer Antriebseinheit einer Spritzgussmaschine erhalten wird, für einen durch maschinelles Lernen geschätzten Anomaliegrad gelöst. Der Anomaliegradschätzwert wird durch Vornehmen eines maschinellen Lernens einer als Lerndaten von einer Steuereinheit erlangten physikalischen Größe (zum Beispiel Strom und Geschwindigkeit) in einer Zeitreihe, abgeleitet.
Noch genauer wird ein Anomaliegradkorrekturwert durch derartiges numerisches Umwandeln eines Anomaliegradschätzwerts, dass Unterschiede zwischen Arten von Maschinen und Hilfseinrichtungen auch dann absorbiert werden, wenn sich die Arten der Spritzgussmaschinen voneinander unterschieden, und wenn sich die Hilfseinrichtungen der Spitzgussmaschinen und die Harzarten, die Herstellungsmaterialien darstellen, voneinander unterschieden, und insbesondere, wenn die Größen der Maschinen mit Großformatigkeit oder Kleinformatigkeit unterschiedlich sind, und wenn Komponenten der Spritzgussmaschinen wie etwa Einspritzvorrichtungen, Formklemmvorrichtungen, Spritzzylinder, Schnecken und Motoren unterschiedlich sind, abgeleitet, wodurch ein Mittel zur Bestimmung des Vorhandenseins einer Anomalie durch allgemeines und effizientes Anwenden eines Lernmodells auf verschiedene Arten von Spritzgussmaschinen verwirklicht wird.
Ferner werden basierend auf einem Anomaliegrad, der als Ausgang des maschinellen Lernens erhalten wird, Mittel zum Anzeigen einer Nachricht oder eines Icons, die oder das einen Zustand einer Anomalie ausdrückt, an einer Anzeigevorrichtung, zum Anhalten eines Betriebs einer beweglichen Einheit einer Maschine, um die Sicherheit für einen Betreiber zu gewährleisten, wenn ein Anomaliegrad gleich oder größer als ein vorherbestimmter Wert ist, zum Verlangsamen eines Motors, der die bewegliche Einheit antreibt, um einen sicheren Betrieb der beweglichen Einheit zu gestatten, und zum Begrenzen eines Antriebsdrehmoments des Motors auf einen geringen Wert bereitgestellt.
Eine Zustandsbestimmungsvorrichtung nach einem Gesichtspunkt der vorliegenden Erfindung bestimmt einen Betriebszustand einer Spritzgussmaschine und weist eine Datenerlangungseinheit, die Daten im Zusammenhang mit einer Spritzgussmaschine erlangt; eine Lernmodellspeichereinheit, die ein Lernmodell, das durch Lernen eines Betriebszustands einer Spritzgussmaschine in Bezug auf Daten im Zusammenhang mit der Spritzgussmaschine erhalten wurde, speichert; eine Schätzeinheit, die auf Basis von Daten, die durch die Datenerlangungseinheit erlangt wurden, unter Verwendung des in der Lernmodellspeichereinheit gespeicherten Lernmodells eine Schätzung vornimmt; eine Korrekturkoeffizientenspeichereinheit, die einen Korrekturkoeffizienten in Verbindung mit wenigstens einem aus einer Art einer Spritzgussmaschine und einer Maschineneinrichtung, die an der Spritzgussmaschine angebracht ist, speichert; und eine numerische Umwandlungseinheit, die auf Basis wenigstens eines aus einer Art einer Spritzgussmaschine, deren Daten durch die Datenerlangungseinheit erlangt wurden, und einer Maschineneinrichtung, die an der Spritzgussmaschine angebracht ist, einen in der Korrekturkoeffizientenspeichereinheit gespeicherten Korrekturkoeffizienten erlangt, und ein Schätzergebnis, das durch die Schätzeinheit erhalten wurde, unter Verwendung einer vorherbestimmten Korrekturfunktion, auf die der erlangte Korrekturkoeffizient angewendet wird, numerisch umwandelt und korrigiert, auf.
Das Lernmodell kann durch wenigstens ein Lernverfahren aus einem überwachten Lernen, einen nicht überwachten Lernen und einem bestärkenden Lernen gelernt werden.
Die Korrekturfunktion kann wenigstens eines aus einer Polynomfunktion und einer rationalen Funktion sein.
Die Datenerlangungseinheit kann von mehreren Spritzgussmaschinen, die untereinander über ein drahtgebundenes/drahtloses Netzwerk verbunden sind, Daten im Zusammenhang mit jeder der mehreren Spritzgussmaschinen erlangen.
Ein Zustandsbestimmungsverfahren nach einem anderen Gesichtspunkt der vorliegenden Erfindung ist ein Verfahren zum Bestimmen eines Betriebszustands einer Spritzgussmaschine und weist einen Datenerlangungsschritt zum Erlangen von Daten im Zusammenhang mit einer Spritzgussmaschine; einen Schätzschritt zum Durchführen einer Schätzung auf Basis von Daten, die in dem Datenerlangungsschritt erlangt wurden, unter Verwendung eines Lernmodells, das durch Lernen eines Betriebszustands einer Spritzgussmaschine in Bezug auf Daten im Zusammenhang mit der Spritzgussmaschine erhalten wurde; und einen numerischen Umwandlungsschritt zum numerischen Umwandeln und Korrigieren eines Schätzergebnisses, das in dem Schätzschritt erhalten wurde, unter Verwendung einer vorherbestimmten Korrekturfunktion, auf die ein Korrekturkoeffizient angewendet wurde, und die mit wenigstens einem aus einer Art einer Spritzgussmaschine, deren Daten in dem Datenerlangungsschritt erlangt wurden, und einer Maschineneinrichtung, die an der Spritzgussmaschine angebracht ist, verbunden ist, auf.
Nach der vorliegenden Erfindung wird ein Anomaliegrad, der einen Zustand einer Spritzgussmaschine darstellt und bei einer Schätzung ausgegeben wurde, abhängig von einer Art einer Spritzgussmaschine, die das Objekt der Bestimmung darstellt, und einer Maschineneinrichtung, die an der Spritzgussmaschine angebracht ist, umgewandelt und eine Anomaliebestimmung für die Spritzgussmaschine auf Basis des Ergebnisses, das durch die Umwandlung erhalten wurde, vorgenommen, ohne ein Lernen unter Sammeln von Lerndaten von verschiedenen Arten von Maschinen vorzunehmen. Entsprechend können verschiedene Zustände von Spritzgussmaschinen geschätzt werden, ohne dass das Lernen mit hohen Kosten verbunden ist.
Figurenliste

1 ist ein schematisches Hardwareaufbaudiagramm, das eine Zustandsbestimmungsvorrichtung nach einer Ausführungsform darstellt.
2 ist ein schematisches Funktionsblockdiagramm, das die Zustandsbestimmungsvorrichtung während des Lernens darstellt.
3 ist ein schematisches Funktionsblockdiagramm, das die Zustandsbestimmungsvorrichtung nach einer Ausführungsform darstellt.
4 veranschaulicht ein Beispiel für einen Korrekturkoeffizienten, der in einer Korrekturkoeffizientenspeichereinheit gespeichert ist.
5 veranschaulicht ein anderes Beispiel für einen Korrekturkoeffizienten, der in der Korrekturkoeffizientenspeichereinheit gespeichert ist.
6 veranschaulicht ein Beispiel für eine Schnittstelle zum Festlegen von Korrekturkoeffizi enten.
7 veranschaulicht ein Anzeigebeispiel für einen Anomaliezustand.

AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORM
1 ist ein schematisches Hardwareaufbaudiagramm, das Hauptabschnitte einer Zustandsbestimmungsvorrichtung, die eine Maschinenlernvorrichtung aufweist, nach einer Ausführungsform aufweist.
Eine Zustandsbestimmungsvorrichtung 1 nach der vorliegenden Ausführungsform kann zum Beispiel an einer Steuereinheit, die eine Spritzgussmaschine steuert, eingerichtet werden. Außerdem kann die Zustandsbestimmungseinheit 1 auch als Personal Computer, der mit einer Steuereinheit, die eine Spritzgussmaschine steuert, versehen ist, als Verwaltungsvorrichtung 3, die über ein drahtgebundenes/drahtloses Netzwerk mit der Steuereinheit verbunden ist, oder als Computer wie etwa ein Edge-Computer, ein Zellencomputer, ein Host-Computer, und ein Cloud-Server eingerichtet werden. Die vorliegende Ausführungsform bietet die Beschreibung eines Beispiels, bei dem die Zustandsbestimmungsvorrichtung 1 als Personal Computer eingerichtet ist, der mit einer Steuereinheit, die eine Spritzgussmaschine steuert, versehen ist.
Eine in der Zustandsbestimmungsvorrichtung 1 nach der vorliegenden Ausführungsform vorhandene CPU 11 ist ein Prozessor, um die Zustandsbestimmungsvorrichtung 1 als Ganzes zu steuern. Die CPU 11 liest ein Systemprogramm, das in einem ROM 12 gespeichert ist, über einen Bus 20 aus und steuert die gesamte Zustandsbestimmungsvorrichtung 1 gemäß dem Systemprogramm. In einem RAM 13 werden transiente Berechnungsdaten, verschiedene Arten von Daten, die von einem Betreiber über eine Eingabevorrichtung 71 eingegeben werden, und dergleichen vorübergehend gespeichert.
Ein nichtflüchtiger Speicher 14 besteht aus einem Speicher, einer Solid-State-Festplatte (SSD), oder dergleichen, der oder die zum Beispiel durch eine Batterie (nicht dargestellt) gestützt wird, so das sein (ihr) Speicherzustand auch dann beibehalten wird, wenn die Zustandsbestimmungsvorrichtung 1 abgeschaltet ist. Der nichtflüchtige Speicher 14 speichert einen Einstellbereich, in dem Einstellinformationen im Zusammenhang mit einem Betrieb der Zustandsbestimmungsvorrichtung 1 gespeichert werden, Daten, die von der Eingabevorrichtung 71 eingegeben werden, verschiedene Arten von Daten, die von einer Spritzgussmaschine 2 erlangt werden (zum Beispiel eine Maschinenart, die Masse und das Material einer Form, und die Art eines Harzes), Zeitreihendaten von verschiedenen Arten von physikalischen Größen (zum Beispiel eine Temperatur einer Düse; eine Position, eine Geschwindigkeit, ein Strom, eine Spannung, und ein Drehmoment einer Kraftmaschine, die die Düse antreibt; eine Temperatur einer Form; und eine Durchflussmenge, eine Fließgeschwindigkeit, und ein Druck des Harzes), die bei einer Formtätigkeit durch die Spritzgussmaschine 2 erlangt werden, Daten, die über eine externe Speichervorrichtung (nicht dargestellt) und ein Netzwerk gelesen werden, und dergleichen. Programme und verschiedene Arten von Daten, die in dem nichtflüchtigen Speicher 14 gespeichert sind, können in den RAM 13 geladen werden, wenn die Programme und die Daten ausgeführt oder verwendet werden.
In den ROM 12 sind vorab ein bekanntes Analyseprogramm zum Analysieren verschiedener Arten von Daten, und ein Systemprogramm, dass zum Beispiel ein Programm zur Steuerung der Kommunikation mit einer später beschriebenen Maschinenlernvorrichtung 100 enthält, geschrieben.
Die Zustandsbestimmungsvorrichtung 1 ist über eine Schnittstelle 16 mit einem drahtgebundenen/drahtlosen Netzwerk 7 verbunden. Wenigstens eine Spritzgussmaschine 2, die Verwaltungsvorrichtung 3, die eine von der Spritzgussmaschine 2 vorgenommene Herstellungstätigkeit verwaltet, und dergleichen sind mit dem Netzwerk 7 verbunden und nehmen einen Datenaustausch mit der Zustandsbestimmungsvorrichtung 1 vor.
Die Spritzgussmaschine 2 ist eine Maschine zur Herstellung eines Produkts, das mittels eines Harzes wie etwa Kunststoff geformt wird, und schmelzt das Harz, bei dem es sich um das Material handelt, und füllt eine Form mit dem geschmolzenen Harz (spritzt das geschmolzene Harz in die Form ein), um das Harz zu formen. Die Spritzgussmaschine 2 besteht aus verschiedenen Maschineneinrichtungen wie etwa einer Düse, einer Kraftmaschine (zum Beispiel einem Motor), einem Übertragungsmechanismus, Untersetzungsgetrieben, und einer beweglichen Einheit, wobei ein Zustand eines jeden der Bestandteile durch einen Sensor oder dergleichen detektiert wird und ein Betrieb eines jeden der Bestandteile durch eine Steuereinheit gesteuert wird. Beispiele für die Kraftmaschine, die in der Spritzgussmaschine 2 verwendet wird, beinhalten einen Elektromotor, einen Hydraulikzylinder, einen Hydraulikmotor, und einen Druckluftmotor. Ferner beinhalten Beispiele für den Übertragungsmechanismus, der in der Spritzgussmaschine 25 verwendet wird, eine Kugelgewindespindel, Zahnräder, Riemenscheiben, und Riemen.
Jedes Datenelement, das in einen Speicher eingelesen wurde, Daten, die als Ergebnisse der Ausführung von Programmen oder dergleichen erhalten wurden, Daten, die von der später beschriebenen Maschinenlernvorrichtung 100 ausgegeben wurden, und dergleichen werden über eine Schnittstelle 17 zur Anzeige an einer Anzeigevorrichtung 70 ausgegeben. Außerdem überträgt die Eingabevorrichtung 71, die aus einer Tastatur, einer Zeigevorrichtung, oder dergleichen besteht, einen Befehl, Daten, und dergleichen auf Basis einer Betätigung durch einen Betreiber über eine Schnittstelle 18 zu der CPU 11.
Eine Schnittstelle 21 ist eine Schnittstelle, um die Zustandsbestimmungsvorrichtung 1 mit der Maschinenlernvorrichtung 100 zu verbinden. Die Maschinenlernvorrichtung 100 weist einen Prozessor 101 zur Steuerung der gesamten Maschinenlernvorrichtung 100, einen ROM 102, der ein Systemprogramm und dergleichen speichert, einen RAM 103 zur Vornahme einer vorübergehenden Speicherung bei jeder Verarbeitung im Zusammenhang mit dem maschinellen Lernen, und einen nichtflüchtigen Speicher 104, der zum Speichern von Lernmodellen und dergleichen verwendet wird, auf. Die Maschinenlernvorrichtung 100 ist in der Lage, jedes Informationselement (zum Beispiel verschiedene Arten von Daten wie etwa eine Art der Spritzgussmaschine 2, die Masse und das Material einer Form, und die Art eines Harzes; und Zeitreihendaten von verschiedenen Arten von physikalischen Größen (eine Temperatur einer Düse; eine Position, eine Geschwindigkeit, eine Beschleunigung, ein Strom, eine Spannung, und ein Drehmoment einer Kraftmaschine, die die Düse antreibt; eine Temperatur einer Form; und eine Durchflussmenge, eine Fließgeschwindigkeit, und ein Druck des Harzes)), das durch die Zustandsbestimmungsvorrichtung 1 erlangt werden kann, über die Schnittstelle 21 zu beobachten. Außerdem erlangt die Zustandsbestimmungsvorrichtung 1 über die Schnittstelle 21 Verarbeitungsergebnisse, die von der Maschinenlernvorrichtung 100 ausgegeben werden, und speichert die erlangten Ergebnisse und zeigt sie an, und überträgt die erlangten Ergebnisse über ein nicht dargestelltes Netzwerk oder dergleichen zu anderen Vorrichtungen.
2 ist ein schematisches Funktionsblockdiagramm, das die Zustandsbestimmungsvorrichtung 1 und die Maschinenlernvorrichtung 10 während des Lernens darstellt.
Die in 2 dargestellte Zustandsbestimmungsvorrichtung 1 weist Komponenten auf, die für das durch die Maschinenlernvorrichtung 100 durchgeführte Lernen (Lernmodus) benötigt werden. Die in 2 dargestellten Funktionsblöcke werden umgesetzt, wenn die in der Zustandsbestimmungsvorrichtung 1 enthaltene CPU 11 und der Prozessor 101 der Maschinenlernvorrichtung 100, die in 1 dargestellt sind, jeweilige Systemprogramme ausführen und jeweils einen Betrieb jeder Einheit der Zustandsbestimmungsvorrichtung 1 und jeder Einheit der Maschinenlernvorrichtung 100 steuern.
Die in 2 dargestellte Zustandsbestimmungsvorrichtung 1 weist eine Datenerlangungseinheit 30 und eine Vorverarbeitungseinheit 32 auf, und die in der Zustandsbestimmungsvorrichtung 1 enthaltene Maschinenlernvorrichtung 100 weist eine Lerneinheit 110 auf. Außerdem ist in dem nichtflüchtigen Speicher 14 eine Erlangungsdatenspeichereinheit 50 bereitgestellt, die von externen Maschinen und dergleichen erlangte Daten speichert. In dem nichtflüchtigen Speicher 14 der Maschinenlernvorrichtung 100 ist eine Lernmodellspeichereinheit 130 bereitgestellt, die Lernmodelle, welche durch das von der Lerneinheit 110 durchgeführte maschinelle Lernen aufgebaut werden, speichert.
Die Datenerlangungseinheit 30 erlangt verschiedene Arten von Daten, die von der Spritzgussmaschine 2, der Eingabevorrichtung 71, und dergleichen eingegeben werden.
Die Datenerlangungseinheit 30 erlangt verschiedene Arten von Daten wie etwa die Art der Spritzgussmaschine 2, die Masse und das Material einer Form, und die Art des Harzes; Zeitreihendaten von verschiedenen Arten von physikalischen Größen (wie etwa eine Temperatur einer Düse; eine Position, eine Geschwindigkeit, eine Beschleunigung, ein Strom, eine Spannung, und ein Drehmoment einer Kraftmaschine, die die Düse antreibt; eine Temperatur einer Form; und eine Durchflussmenge, eine Fließgeschwindigkeit, und ein Druck des Harzes); und verschiedene Arten von Daten wie etwa zum Beispiel durch einen Betreiber eingegebene Informationen im Zusammenhang mit einer Wartungstätigkeit für die Spritzgussmaschine, und speichert diese Datenelemente in der Erlangungsdatenspeichereinheit 50. Bei der Erlangung von Zeitreihendaten legt die Datenerlangungseinheit 30 Zeitreihendaten, die in einem vorherbestimmten Zeitbereich (zum Beispiel des Bereichs eines Schritts) erlangt wurden, auf Basis eines Ausgangs von Signaldaten, die von der Spritzgussmaschine 2 erlangt werden, und einer Änderung bei anderen Zeitreihendaten als einen Zeitreihendatensatz fest und speichert die Zeitreihendaten in der Erlangungsdatenspeichereinheit 50. Die Datenerlangungseinheit 30 kann Daten über eine externe Speichervorrichtung, die nicht dargestellt ist, oder das drahtgebundene/drahtlose Netzwerk 7 von anderen Computern erlangen.
Die Vorverarbeitungseinheit 32 erzeugt auf Basis der Erlangungsdaten, die in der Erlangungsdatenspeichereinheit 50 gespeichert wurden, Daten zur Verwendung für das durch die Maschinenlernvorrichtung 100 durchgeführte Lernen. Die Vorverarbeitungseinheit 32 erzeugt Daten, die durch das Umwandeln (zum Beispiel Quantifizieren, Abtasten) der in der Erlangungsdatenspeichereinheit 50 gespeicherten Erlangungsdaten in Daten mit einem einheitlichen Format zur Verwendung in der Maschinenlernvorrichtung 100 erhalten werden. Wenn die Maschinenlernvorrichtung 100 ein unüberwachtes Lernen durchführt, erzeugt die Vorverarbeitungseinheit 32 Zustandsdaten S mit einem vorherbestimmten Format für das unüberwachte Lernen; wenn die Maschinenlernvorrichtung 100 ein überwachtes Lernen durchführt, erzeugt die Vorverarbeitungseinheit 32 einen Satz von Zustandsdaten S und Labeldaten L mit einem vorherbestimmten Format für das überwachte Lernen; und wenn die Maschinenlernvorrichtung 100 ein bestärkendes Lernen durchführt, erzeugt die Vorverarbeitungseinheit 32 einen Satz von Zustandsdaten S und Bestimmungsdaten D mit einem vorherbestimmten Format für das bestärkende Lernen.
Die Lerneinheit 100 führt das maschinelle Lernen unter Verwendung von Daten, die durch die Vorverarbeitungseinheit 32 erzeugt wurden, durch. Die Lerneinheit 110 erzeugt durch das Durchführen eines maschinellen Lernens unter Verwendung von Daten, die von der Spritzgussmaschine 2 erlangt wurden, mittels eines bekannten Maschinenlernverfahrens wie etwa des unüberwachten Lernens, des überwachten Lernens und des bestärkenden Lernens Lernmodelle und speichert die erzeugten Lernmodelle in der Lernmodellspeichereinheit 130. Beispiele für das durch die Lerneinheit 110 durchgeführte unüberwachte Lernen beinhalten das Autoencoderverfahren und das k-Means-Verfahren. Beispiele für das überwachte Lernen beinhalten das Multilayer-Perzeptron-Verfahren, das Recurrent-Neural-Network-Verfahren, das Long-Short-time-Memory-Verfahren, und das Convolutional-Neural-Network-Verfahren. Beispiele für das bestärkende Lernen beinhalten das Q-Lernen.
Die Lerneinheit 110 führt das unüberwachte Lernen auf Basis von Daten, die durch das Umwandeln von Erlangungsdaten, welche von der Spritzgussmaschine 2 in einem normalen Betriebszustand erlangt wurden und in der Erlangungsdatenspeichereinheit 50 gespeichert wurden, durch die Vorverarbeitungseinheit 32 erhalten werden, durch; und daher ist die Lerneinheit 110 in der Lage, zum Beispiel eine Verteilung von Daten, die in einem normalen Zustand erlangt wurden, als ein Lernmodell zu erzeugen. Durch das so erzeugte Lernmodell kann eine später beschriebene Schätzeinheit 120 schätzen, wie viele Daten, die durch das Umwandeln von Erlangungsdaten, die von der Spritzgussmaschine 2 erlangt wurden, durch die Vorverarbeitungseinheit 32 erhalten wurden, von Daten, die in einem normalen Betriebszustand erlangt wurden, abweichen, und dadurch einen Anomaliegrad als Schätzergebnis berechnen.
Oder die Lerneinheit 110 führt zum Beispiel ein überwachtes Lernen unter Verwendung von Daten, die durch Zuweisen eines Normal-Labels zu Erlangungsdaten, die von der in einem normalen Betriebszustand befindlichen Spritzgussmaschine 2 erlangt wurden, und Zuweisen eines Abnormal-Labels zu Erlangungsdaten, die von der Spritzgussmaschine 2 vor und nach dem Auftreten einer Anomalie erlangt wurden, (und Umwandeln der Erlangungsdaten durch die Vorverarbeitungseinheit 32) erhalten werden, durch und kann eine Unterscheidungsgrenze zwischen normalen Daten und abnormalen Daten als Lernmodell erzeugen. Durch das so erzeugte Lernmodell kann die später beschriebene Schätzeinheit 120 schätzen, ob die Daten, die durch das Umwandeln von Erlangungsdaten, die von der Spritzgussmaschine 2 erlangt wurden, durch die Vorverarbeitungseinheit 32 erhalten wurden, zu normalen Daten oder abnormalen Daten gehören, und einen Labelwert (normal/abnormal) als Schätzergebnis und die Verlässlichkeit des Labelwerts berechnen.
In der Zustandsbestimmungsvorrichtung 1 mit dem oben beschriebenen Aufbau führt die Lerneinheit 110 das Lernen unter Verwendung von Daten, die von der Spritzgussmaschine 2 erlangt wurden, durch. Daten, die für das Lernen durch die Lerneinheit 110 verwendet werden, können zum Beispiel Daten sein, die von einer Spritzgussmaschine 2 erlangt wurden; es brauchen nicht speziell Daten verwendet werden, die von mehreren Spritzgussmaschinen, die unterschiedliche Maschineneinrichtungen enthalten, erlangt wurden. Ein Lernmodell, das durch die Lerneinheit 110 erzeugt wurde, wird zur Schätzung eines Zustands einer Spritzgussmaschine, die durch die später beschriebene Schätzeinheit 120 durchgeführt wird, verwendet. Es besteht jedoch keine Beschränkung auf die Schätzung für eine Spritzgussmaschine, die für das Lernen verwendet wurde, das Lernmodell kann für die Schätzung des Zustands einer anderen Spritzgussmaschine, die auf Basis von Daten, welche von der anderen Spritzgussmaschine erlangt wurden, durchgeführt wird, verwendet werden, wobei durch eine später beschriebene numerische Umwandlungseinheit 34 eine numerische Umwandlung der Schätzergebnisse durchgeführt wird.
3 ist ein schematisches Funktionsblockdiagramm, das die Zustandsbestimmungsvorrichtung 1 und die Maschinenlernvorrichtung 100 nach einer ersten Ausführungsform darstellt.
Die Zustandsbestimmungsvorrichtung 1 nach der vorliegenden Ausführungsform weist den Aufbau auf, der für die durch die Maschinenlernvorrichtung 100 durchgeführte Schätzung (Schätzmodus) erforderlich ist. Die in 3 dargestellten Funktionsblöcke werden umgesetzt, wenn die in der Zustandsbestimmungsvorrichtung 1 enthaltene CPU 11 und der Prozessor 101 der Maschinenlernvorrichtung 100, die in 1 dargestellt sind, jeweilige Systemprogramme ausführen und jeweils einen Betrieb jeder Einheit der Zustandsbestimmungsvorrichtung 1 und jeder Einheit der Maschinenlernvorrichtung 100 steuern.
Die Zustandsbestimmungsvorrichtung 1 nach der vorliegenden Ausführungsform weist wie im Fall der Zustandsbestimmungsvorrichtung 1, die in 2 dargestellt ist, die Datenerlangungseinheit 30 und die Vorverarbeitungseinheit 32 auf, und weist ferner die numerische Umwandlungseinheit 34 auf, und die in der Zustandsbestimmungsvorrichtung 1 enthaltene Maschinenlernvorrichtung 100 weist die Schätzeinheit 120 auf. Außerdem sind in dem nichtflüchtigen Speicher 14 die Erlangungsdatenspeichereinheit 50, die Daten speichert, welche für die durch die Maschinenlernvorrichtung 100 durchgeführte Zustandsschätzung verwendet werden, und eine Korrekturkoeffizientenspeichereinheit 52, die Korrekturausmaße speichert, welche für die durch die numerische Umwandlungseinheit 34 durchgeführte numerische Umwandlung verwendet werden, bereitgestellt, und ist in dem nichtflüchtigen Speicher 104 der Maschinenlernvorrichtung 100 die Lernmodellspeichereinheit 130, die Lernmodelle speichert, welche durch das durch die Lerneinheit 100 durchgeführte maschinelle Lernen aufgebaut wurden, bereitgestellt.
Die Datenerlangungseinheit 30 nach der vorliegenden Ausführungsform weist die gleichen Funktionen wie die in 2 dargestellte Datenerlangungseinheit 30 auf.
Die Vorverarbeitungseinheit 32 nach der vorliegenden Ausführungsform erzeugt aus Erlangungsdaten, die in der Erlangungsdatenspeichereinheit 50 gespeichert sind, Zustandsdaten S, die ein vorherbestimmtes Format aufweisen und für die durch die Maschinenlernvorrichtung 100 durchgeführte Schätzung verwendet werden sollen. Die Vorverarbeitungseinheit 32 erzeugt Zustandsdaten, die durch Umwandeln (zum Beispiel Quantifizieren, Abtasten) von Erlangungsdaten, die in der Erlangungsdatenspeichereinheit 50 gespeichert sind, in Daten mit einem einheitlichen Format zur Verwendung in der Maschinenlernvorrichtung 100 erhalten werden.
Die Schätzeinheit 120 schätzt einen Zustand einer Spritzgussmaschine unter Verwendung eines in der Lernmodellspeichereinheit 130 gespeicherten Lernmodells auf Basis der Zustandsdaten S, die durch die Vorverarbeitungseinheit 32 erzeugt wurden. Die Schätzeinheit 120 nach der vorliegenden Ausführungsform schätzt und berechnet einen Anomaliegrad im Zusammenhang mit einem Zustand der Spritzgussmaschine, indem sie die von der Vorverarbeitungseinheit 32 eingegebenen Zustandsdaten S in das durch die Lerneinheit 110 erzeugte Lernmodell (dessen Parameter bestimmt wurden), eingibt, wodurch ein Anomaliegrad in Bezug auf einen Zustand der Spritzgussmaschine geschätzt und berechnet wird.
Die numerische Umwandlungseinheit 34 wandelt ein durch die Schätzeinheit 120 geschätztes Ergebnis numerisch um. Die numerische Umwandlungseinheit 34 kann ein durch die Schätzeinheit 120 geschätztes Ergebnis zum Beispiel unter Verwendung einer vorgegebenen Korrekturfunktion numerisch umwandeln. In diesem Fall werden Korrekturkoeffizienten der Korrekturfunktion vorab so in der Korrekturkoeffizientenspeichereinheit 52 gespeichert, dass die Korrekturkoeffizienten mit jeweiligen Arten von Spritzgussmaschinen und jeweiligen Maschineneinrichtungen, die an den Spritzgussmaschinen angebracht sind, in Verbindung gebracht sind. Dann erlangt die numerische Umwandlungseinheit 34 Korrekturkoeffizienten, die mit einer Art und einer Maschineneinrichtung der Spritzgussmaschine 2, bei der es sich um das Objekt der Bestimmung handelt, in Verbindung gebracht sind, aus der Korrekturkoeffizientenspeichereinheit 52, und wandelt sie ein durch die Schätzeinheit 120 geschätztes Ergebnis mit einer Korrekturfunktion, auf die die erlangten Korrekturkoeffizienten angewendet werden, numerisch um.
Beispiele für eine Korrekturfunktion, die in der numerischen Umwandlungseinheit 34 festgelegt ist, beinhalten eine Polynomfunktion und eine rationale Funktion. Die nächstehende Formel (1) ist ein Beispiel für eine Polynomfunktion, die als Korrekturfunktion verwendet wird. In der Formel (1) bezeichnet x einen Anomaliegrad als durch die Schätzeinheit 120 geschätztes Ergebnis, bezeichnen a und b Korrekturkoeffizienten, und bezeichnet y einen Anomaliegrad nach der Korrektur. $y = ax + b$
Wenn die Korrekturfunktion, die durch die obige Formel (1) beispielhaft dargestellt ist, verwendet wird, werden der Korrekturkoeffizient a und der Korrekturkoeffizient b vorab wie beispielsweise in 4 und 5 gezeigt auf eine solche Weise in der Korrekturkoeffizientenspeichereinheit 52 gespeichert, dass sie mit Arten und Maschineneinrichtungen von Spritzgussmaschinen in Verbindung gebracht sind. Wenn die Korrekturkoeffizienten, die beispielhaft in 4 und 5 dargestellt sind, festgelegt sind, bestimmt und erlangt die numerische Umwandlungseinheit 34 die Korrekturkoeffizienten a und b auf Basis der Art der Spritzgussmaschine, die das Objekt der Bestimmung des Zustands darstellt, und einem Schneckendurchmesser, und wandelt sie den Anomaliegrad, der durch die Schätzeinheit 120 geschätzt wurde, durch die Formel (1), auf die die erlangten Korrekturkoeffizienten angewendet werden, numerisch um und gibt den umgewandelten Anomaliegrad aus. Hier können die Korrekturkoeffizienten, die in der Korrekturkoeffizientenspeichereinheit 52 gespeichert werden, auf eine solche Weise festgelegt werden, dass sie nur mit einer Art der Spritzgussmaschine 2 in Verbindung gebracht sind, auf eine solche Weise festgelegt werden, dass sie nur mit der an der Spritzgussmaschine 2 angebrachten Maschineneinrichtung in Verbindung gebracht sind, oder auf eine solche Weise festgelegt werden, dass sie mit Umständen, die einen Betrieb anderer Spritzgussmaschinen 2 beeinflussen, in Verbindung gebracht sind.
Was die Korrekturfunktionen, die durch die numerische Umwandlungseinheit 34 verwendet werden, und die Korrekturkoeffizienten, die in der Korrekturkoeffizientenspeichereinheit 52 gespeichert sind, betrifft, werden mehrere Arten von Spritzgussmaschinen in einem normalen Zustand und in einem abnormalen Zustand betrieben, während ihre Maschineneinrichtungen ausgetauscht werden, und werden jeweilige physikalische Größen beobachtet, um jeweilige Anomaliegrade, die auf Basis der physikalischen Größen berechnet wurden, zu plotten, und kann jeder Korrekturkoeffizient auf Basis einer Beziehung von Anomaliegraden, die bei gleichen abnormalen Zuständen berechnet wurden, als jeweilige Arten von Maschinen und jeweilige Maschineneinrichtungen verwendet wurden, berechnet werden, so dass bei jeder beliebigen Art von Spritzgussmaschine und bei mit jeder beliebigen Art von Maschineneinrichtung versehenden Spritzgussmaschinen in Bezug auf einen gleichen abnormalen Zustand ein gleicher Anomaliegrad erhalten wird. Ferner kann in diesem Fall ein Aufbau eingesetzt werden, bei dem Korrekturkoeffizienten, die in der Korrekturkoeffizientenspeichereinheit 52 gespeichert werden, zum Beispiel über eine in 6 dargestellte Schnittstelle, die zur Festlegung der Korrekturkoeffizienten verwendet wird, festgelegt werden können. Einmal erhaltene Korrekturkoeffizienten drücken einen Trend der Anomaliegrade, die in Bezug auf jeweilige Kombinationen einer Spritzgussmaschine, einer Maschineneinrichtung, und dergleichen berechnet wurden, aus, und können nicht nur für ein einzelnes Lernmodell, sondern für verschiedene Lernmodelle verwendet werden.
Ergebnisse (zum Beispiel Anomaliegrade im Zusammenhang mit Zuständen von Spritzgussmaschinen), die durch die Schätzung durch die Schätzeinheit 120 und die numerische Umwandlung durch die numerische Umwandlungseinheit 34 erhalten wurden, können zur Anzeige an die Anzeigevorrichtung 70 ausgegeben werden, und können über ein nicht dargestelltes drahtgebundenes/drahtloses Netzwerk an einen Host-Computer, einen Cloud-Computer, und dergleichen gesendet und ausgegeben werden, um verwendet zu werden. Und wenn sich ein durch die Schätzeinheit 120 geschätztes Ergebnis bei einem vorherbestimmten Zustand befindet (zum Beispiel, wenn ein Anomaliegrad, der durch eine durch die numerische Umwandlungseinheit 34 durchgeführte numerische Umwandlung erhalten wurde, einen vorherbestimmten Schwellenwert übersteigt), kann die Zustandsbestimmungseinheit 1 wie zum Beispiel in 7 dargestellt eine Anzeigeausgabe durch eine Warnnachricht oder ein Icon an der Anzeigevorrichtung 70 vornehmen oder einen Befehl zum Anhalten oder Verlangsamen eines Betriebs, einen Befehl zum Begrenzen des Drehmoments eines Motors, oder dergleichen an die Spritzgussmaschine ausgeben.
In der Zustandsbestimmungsvorrichtung 1 mit dem oben beschriebenen Aufbau führt die Schätzeinheit 120 eine Schätzung eines Zustands der Spritzgussmaschine 2 auf Basis von Erlangungsdaten, die von der Spritzgussmaschine 2 erlangt wurden, durch. Dann wandelt die numerische Umwandlungseinheit 34 einen Anomaliegrad der Spritzgussmaschine 2, der durch die Schätzeinheit 120 geschätzt wurde, unter Verwendung einer Korrekturfunktion, auf die Korrekturkoeffizienten, die auf eine solche Weise festgelegt wurden, dass sie mit einer Art und einer Maschineneinrichtung der Spritzgussmaschine 2 in Verbindung gebracht sind, angewendet werden, numerisch um und wird auf Basis des Ergebnisses, das durch die Umwandlung erhalten wird, ein Anomaliegrad der Spritzgussmaschine 2 bestimmt. Das Lernen von Lernmodellen, die in der Lernmodellspeichereinheit 130 gespeichert sind, wird auf Basis von Daten, die von einer Spritzgussmaschine 2 von einem Referenztyp, an der eine Referenzmaschineneinrichtung angebracht ist, erlangt wurden, durchgeführt. Doch ein Anomaliegrad als durch die Schätzeinheit 120 erhaltenes Schätzergebnis, das auf Daten beruht, die von einer Spritzgussmaschine von einer anderen Art und mit einer anderen Maschineneinrichtung als denjenigen jener Spritzgussmaschine 2 erlangt wurden, wird mittels einer Korrekturfunktion, auf die Korrekturkoeffizienten, die auf eine solche Weise festgelegt wurden, dass sie mit der Art und der Maschineneinrichtung der Spritzgussmaschine in Verbindung gebracht sind, angewendet werden, umgewandelt; und unter Verwendung eines vorherbestimmten Schwellenwerts kann bestimmt werden, ob sich diese Spritzgussmaschine in einem normalen Zustand oder einem abnormalen Zustand befindet.
Bis hierher wurde eine Ausführungsform der vorliegenden Erfindung beschrieben. Die vorliegende Erfindung ist jedoch nicht auf die Beispiele der oben beschriebenen Ausführungsform beschränkt, sondern kann durch passendes Hinzufügen von Änderungen in verschiedenen Formen ausgeführt werden.
Zum Beispiel sind die Zustandsbestimmungsvorrichtung 1 und die Maschinenlernvorrichtung 100 nach der obigen Ausführungsform Vorrichtungen mit jeweils unterschiedlichen CPUs (Prozessoren), doch kann die Maschinenlernvorrichtung 100 durch die in der Zustandsbestimmungsvorrichtung 1 enthaltene CPU 11 und das in dem ROM 12 gespeicherte Systemprogramm umgesetzt werden.
Und wenn mehrere Spritzgussmaschinen 2 über ein Netzwerk miteinander verbunden sind, können die Betriebszustände der Spritzgussmaschinen 2 durch eine einzelne Zustandsbestimmungsvorrichtung 1 bestimmt werden, oder können Zustandsbestimmungsvorrichtungen 1 in jeweiligen Steuereinheiten, die in den Spritzgussmaschinen 2 vorhanden sind, eingerichtet sein und die Betriebszustände von jeweiligen Spritzgussmaschinen 2 durch jeweilige Zustandsbestimmungsvorrichtungen 1, die in den Spritzgussmaschinen 2 vorhanden sind, bestimmt werden.

Claims

Zustandsbestimmungsvorrichtung, die einen Betriebszustand einer Spritzgussmaschine bestimmt, wobei die Zustandsbestimmungsvorrichtung eine Datenerlangungseinheit, die Daten im Zusammenhang mit einer Spritzgussmaschine erlangt; eine Lernmodellspeichereinheit, die ein Lernmodell, das durch Lernen eines Betriebszustands einer Spritzgussmaschine in Bezug auf Daten im Zusammenhang mit der Spritzgussmaschine erhalten wurde, speichert; eine Schätzeinheit, die auf Basis von Daten, die durch die Datenerlangungseinheit erlangt wurden, unter Verwendung des in der Lernmodellspeichereinheit gespeicherten Lernmodells eine Schätzung vornimmt; eine Korrekturkoeffizientenspeichereinheit, die einen Korrekturkoeffizienten in Verbindung mit wenigstens einem aus einer Art einer Spritzgussmaschine und einer Maschineneinrichtung, die an der Spritzgussmaschine angebracht ist, speichert; und eine numerische Umwandlungseinheit, die auf Basis wenigstens eines aus einer Art einer Spritzgussmaschine, deren Daten durch die Datenerlangungseinheit erlangt wurden, und einer Maschineneinrichtung, die an der Spritzgussmaschine angebracht ist, einen in der Korrekturkoeffizientenspeichereinheit gespeicherten Korrekturkoeffizienten erlangt, und ein Schätzergebnis, das durch die Schätzeinheit erhalten wurde, unter Verwendung einer vorherbestimmten Korrekturfunktion, auf die der erlangte Korrekturkoeffizient angewendet wird, numerisch umwandelt und korrigiert, umfasst.
Zustandsbestimmungsvorrichtung nach Anspruch 1, wobei das Lernmodell durch wenigstens ein Lernverfahren aus einem überwachten Lernen, einen nicht überwachten Lernen und einem bestärkenden Lernen gelernt wird.
Zustandsbestimmungsvorrichtung nach Anspruch 1, wobei die Korrekturfunktion wenigstens eines aus einer Polynomfunktion und einer rationalen Funktion ist.
Zustandsbestimmungsvorrichtung nach Anspruch 1, wobei die Datenerlangungseinheit von mehreren Spritzgussmaschinen, die untereinander über ein drahtgebundenes/drahtloses Netzwerk verbunden sind, Daten im Zusammenhang mit jeder der mehreren Spritzgussmaschinen erlangt.
Zustandsbestimmungsverfahren zum Bestimmen eines Betriebszustands einer Spritzgussmaschine, wobei das Zustandsbestimmungsverfahren einen Datenerlangungsschritt zum Erlangen von Daten im Zusammenhang mit einer Spritzgussmaschine; einen Schätzschritt zum Durchführen einer Schätzung auf Basis von Daten, die in dem Datenerlangungsschritt erlangt wurden, unter Verwendung eines Lernmodells, das durch Lernen eines Betriebszustands einer Spritzgussmaschine in Bezug auf Daten im Zusammenhang mit der Spritzgussmaschine erhalten wurde; und einen numerischen Umwandlungsschritt zum numerischen Umwandeln und Korrigieren eines Schätzergebnisses, das in dem Schätzschritt erhalten wurde, unter Verwendung einer vorherbestimmten Korrekturfunktion, auf die ein Korrekturkoeffizient angewendet wurde, und die mit wenigstens einem aus einer Art einer Spritzgussmaschine, deren Daten in dem Datenerlangungsschritt erlangt wurden, und einer Maschineneinrichtung, die an der Spritzgussmaschine angebracht ist, verbunden ist, umfasst.