DE102019125587A1

DE102019125587A1 - Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren

Info

Publication number: DE102019125587A1
Application number: DE102019125587.2A
Authority: DE
Inventors: Atsushi Horiuchi; Hiroyasu Asaoka; Kenjirou SHIMIZU
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2018-09-28
Filing date: 2019-09-24
Publication date: 2020-04-02
Also published as: CN110962316B; US11718007B2; JP2020055145A; CN110962316A; JP6826086B2; US20200101650A1

Abstract

Eine Zustandsbestimmungsvorrichtung ist in der Lage, die Wartung für verschiedene Spitzgussmaschinen zu unterstützen. Die Zustandsbestimmungsvorrichtung erlangt Daten im Zusammenhang mit einer Spritzgussmaschine, nimmt eine numerische Umwandlung zum Extrahieren eines Merkmals in einer Zeitrichtung oder einer Amplitudenrichtung in Bezug auf Zeitreihendaten einer physikalischen Größe in den erlangten Daten vor, und nimmt unter Verwendung der Daten, die durch die numerische Umwandlung erhalten wurden, ein maschinelles Lernen vor, um ein Lernmodell zu erzeugen.

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.
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 offenbart die Japanische Patentoffenlegungsschrift Nr. 2014-104689 eine Technik, bei der ein tatsächlich gemessener Beanspruchungsunterschied durch eine tatsächliche Messung erhalten wurde, mit einem zulässigen Fehler verglichen wird, um zu bestimmen, ob eine Wartung und eine Überprüfung nötig sind oder nicht. Darüber hinaus offenbaren die Japanische Patentoffenlegungsschrift Nr. 2017-030221 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 beschriebenen Techniken, die in der Japanischen Patentoffenlegungsschrift Nr. 01-168421 und in der Japanischen Patentoffenlegungsschrift Nr. 2014-104689 offenbart sind, weisen 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 Diagnose vorzunehmen. Zum Beispiel sind Messwerte wie etwa eine Belastung einer Antriebseinheit und ein Harzdruck, die beim Betrieb einer großen Spritzgussmaschine erhalten werden, groß, während Messwerte wie etwa eine Belastung einer Antriebseinheit und ein Harzdruck, die beim Betrieb einer kleinen Spritzgussmaschine erhalten werden, klein sind. Daher besteht das Problem, dass es bei der Schätzung eines Anomaliegrads auf Basis eines Lernmodells, das durch ein maschinelles Lernen erhalten wurde, welches unter Verwendung von Messwerten wie etwa einer Belastung einer Antriebseinheit und eines Harzdrucks, die beim Betrieb einer großen Spritzgussmaschine erhalten wurden, durchgeführt wurde, bei einem direkten Verwenden von Messwerten, die beim Betrieb einer kleinen Spritzgussmaschine erhalten wurden, als Lerndaten aufgrund des Einflusses des Unterschieds zwischen unterschiedlichen Spezifikationen von Spritzgussmaschinen nicht möglich ist, den Anomaliegrad korrekt zu schätzen.
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, Messwerte, die von der Spritzgussmaschine erhalten werden, aufgrund des Einflusses der Hilfseinrichtungen variieren und daher eine Diagnose durch maschinelles Lernen nicht korrekt durchgeführt 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 eine Kraftmaschine, ein Untersetzungsgetriebe, und eine bewegliche Einheit - die eine Spitzgussmaschine bilden, vorhanden sind, vorgenommen wird, um die Diagnosegenauigkeit des maschinellen Lernens zu verbessern. Doch die Vornahme des maschinellen Lernens mit verschiedenen Arten von Spritzgussmaschinen, Harzen, 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 wird ein Anomaliegrad geschätzt, indem beim maschinellen Lernen Lerndaten, die durch Vornehmen einer numerischen Umwandlung wie etwa einer Normalisierung und einer Differenzierung in Bezug auf eine von einer Steuereinheit erlangte physikalische Größe (zum Beispiel Strom und Geschwindigkeit) in einer Zeitreihe abgeleitet wurden, als beim maschinellen Lernen eingegebene physikalische Größe in der Zeitreihe eingegeben werden, wodurch die oben beschriebenen Probleme gelöst werden.
Genauer wird die Schätzung eines Anomaliegrads durchgeführt, indem dann, wenn sich Hilfseinrichtungen von Spritzgussmaschinen voneinander unterscheiden und wenn sich Arten von Spritzgussmaschinen voneinander unterschieden, insbesondere, wenn Größen der Maschinen mit Kleinformatigkeit und Großformatigkeit unterschiedlich sind, und wenn sich Bestandteile der Spitzgussmaschinen wie etwa Einspritzvorrichtungen, Formklemmvorrichtungen, Spritzzylinder, Schnecken, und Kraftmaschinen voneinander unterscheiden, Lerndaten auf das maschinelle Lernen angewendet werden, die durch eine so vorgenommene numerische Umwandlung, dass die Unterschiede zwischen Hilfsreinrichtungen und Arten der Maschinen absorbiert werden, erhalten wurden.
Ferner werden basierend auf einem Anomaliegrad, der als Ausgang des maschinellen Lernens erhalten wird, Mittel zum Anzeigen einer Meldung 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 einer Kraftmaschine, die die bewegliche Einheit antreibt, um einen sicheren Betrieb der beweglichen Einheit zu gestatten, und zum Begrenzen eines Antriebsdrehmoments der Kraftmaschine auf einen geringen Wert bereitgestellt.
Eine Zustandsbestimmungsvorrichtung nach einem Gesichtspunkt der vorliegenden Erfindung bestimmt einen Betriebszustand einer Spitzgussmaschine und weist eine Datenerlangungseinheit, die Daten im Zusammenhang mit der Spritzgussmaschine erlangt; eine numerische Umwandlungseinheit, die eine numerische Umwandlung zur Extraktion eines Merkmals in einer Zeitrichtung oder einer Amplitudenrichtung in Bezug auf Zeitreihendaten einer physikalischen Größe, die in den durch die Datenerlangungseinheit erlangten Daten im Zusammenhang mit der Spritzgussmaschine enthalten sind, vornimmt; und eine Lerneinheit, die ein maschinelles Lernen unter Verwendung der Daten, die durch die von der numerischen Umwandlungseinheit vorgenommene numerische Umwandlung erhalten wurden, vornimmt und ein Lernmodell erzeugt, auf.
Eine Zustandsbestimmungsvorrichtung nach einer anderen Form der vorliegenden Erfindung bestimmt einen Betriebszustand einer Spritzgussmaschine und weist eine Datenerlangungseinheit, die Daten im Zusammenhang mit der Spritzgussmaschine erlangt; eine numerische Umwandlungseinheit, die eine numerische Umwandlung zur Extraktion eines Merkmals in einer Zeitrichtung oder einer Amplitudenrichtung in Bezug auf Zeitreihendaten einer physikalischen Größe, die in den durch die Datenerlangungseinheit erlangten Daten im Zusammenhang mit der Spritzgussmaschine enthalten sind, vornimmt; eine Lernmodellspeichereinheit, die ein Lernmodell speichert, das durch Vornehmen eines maschinellen Lernens in Bezug auf Zeitreihendaten einer physikalischen Größe, die in den Daten im Zusammenhang mit der Spritzgussmaschine enthalten sind, auf Basis der durch Extraktion eines Merkmals in einer Zeitrichtung oder einer Amplitudenrichtung erhaltenen Daten erhalten wurde; und eine Schätzeinheit, die auf Basis der Daten, die durch die von der numerischen Umwandlungseinheit vorgenommene numerische Umwandlung erhalten wurden, unter Verwendung des in der Lernmodellspeichereinheit gespeicherten Lernmodells eine Schätzung vornimmt, auf.
Die von der numerischen Umwandlungseinheit vorgenommene numerische Umwandlung kann eine Verarbeitung zur Normalisierung der Zeitreihendaten sein.
Die von der numerischen Umwandlungseinheit vorgenommene numerische Umwandlung kann eine Verarbeitung zur Differenzierung der Zeitreihendaten sein.
Die Zustandsbestimmungsvorrichtung kann ferner eine Umwandlungstabellenspeichereinheit aufweisen, in der ein Inhalt der numerischen Umwandlung für jede Datenart der Zeitreihendaten definiert ist. Die numerische Umwandlungseinheit kann auf die Umwandlungstabellenspeichereinheit Bezug nehmen, um einen Inhalt der numerischen Umwandlung, die für jede Datenart der Zeitreihendaten vorgenommen wird, zu bestimmen.
Die Lerneinheit kann wenigstens ein maschinelles Lernen aus einem überwachten Lernen, einem unüberwachten Lernen und einem bestärkenden Lernen vornehmen.
Die Schätzeinheit kann einen Anomaliegrad im Zusammenhang mit einem Betriebszustand der Spritzgussmaschine schätzen, und die Zustandsbestimmungsvorrichtung kann eine Warnmeldung an einer Anzeigevorrichtung anzeigen, wenn ein durch die Schätzeinheit geschätzter Anomaliegrad einen vorherbestimmten Schwellenwert übersteigt.
Die Schätzeinheit kann einen Anomaliegrad im Zusammenhang mit einem Betriebszustand der Spritzgussmaschine schätzen, und die Zustandsbestimmungsvorrichtung kann ein Warnicon an einer Anzeigevorrichtung anzeigen, wenn ein durch die Schätzeinheit geschätzter Anomaliegrad einen vorherbestimmten Schwellenwert übersteigt.
Die Schätzeinheit kann einen Anomaliegrad im Zusammenhang mit einem Betriebszustand der Spritzgussmaschine schätzen, und die Zustandsbestimmungsvorrichtung kann wenigstens eines aus einem Befehl zum Anhalten oder Verlangsamen eines Betriebs der Spritzgussmaschine und einem Befehl zum Beschränken eines Drehmoments einer Kraftmaschine ausgeben, wenn ein durch die Schätzeinheit geschätzter Anomaliegrad einen vorherbestimmten Schwellenwert übersteigt.
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 noch einem anderen Gesichtspunkt der vorliegenden Erfindung weist einen Datenerlangungsschritt zum Erlangen von Daten im Zusammenhang mit der Spritzgussmaschine; einen numerischen Umwandlungsschritt zum Vornehmen einer numerischen Umwandlung zur Extraktion eines Merkmals in einer Zeitrichtung oder einer Amplitudenrichtung in Bezug auf Zeitreihendaten einer physikalischen Größe, die in den durch die Datenerlangungseinheit erlangten Daten im Zusammenhang mit der Spritzgussmaschine enthalten sind; und einen Lernschritt zum Vornehmen eines maschinellen Lernens unter Verwendung der Daten, die durch die von der numerischen Umwandlungseinheit vorgenommene numerische Umwandlung erhalten wurden, und zum Erzeugen eines Lernmodells auf.
Ein Zustandsbestimmungsverfahren nach noch einem anderen Gesichtspunkt der vorliegenden Erfindung weist einen Datenerlangungsschritt zum Erlangen von Daten im Zusammenhang mit der Spritzgussmaschine; einen numerischen Umwandlungsschritt zum Vornehmen einer numerischen Umwandlung zur Extraktion eines Merkmals in einer Zeitrichtung oder einer Amplitudenrichtung in Bezug auf Zeitreihendaten einer physikalischen Größe, die in den durch die Datenerlangungseinheit erlangten Daten im Zusammenhang mit der Spritzgussmaschine enthalten sind; und einen Schätzschritt zum Schätzen eines Zustands der Spritzgussmaschine auf Basis der Daten, die durch die von der numerischen Umwandlungseinheit vorgenommene numerische Umwandlung erhalten wurden, unter Verwendung eines Lernmodells, das durch Vornehmen eines maschinellen Lernens in Bezug auf Zeitreihendaten der physikalischen Größe, die in den Daten im Zusammenhang mit der Spritzgussmaschine enthalten sind, auf Basis der durch Extraktion eines Merkmals in einer Zeitrichtung oder einer Amplitudenrichtung erhaltenen Daten erhalten wurde, auf.
Nach der vorliegenden Erfindung werden Daten, die beim Lernen und Schätzen erlangt werden, einer numerischen Umwandlung durch, zum Beispiel, eine Normalisierung oder Differenzierung unterzogen, und wird das Lernen durchgeführt, ohne Lerndaten von verschiedenen Arten von Spritzgussmaschinen zu sammeln und maschinell zu lernen. 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 nach einer ersten Ausführungsform darstellt.
3 veranschaulicht ein Beispiel für eine numerische Umwandlung auf Basis einer Normalisierung.
4 veranschaulicht ein Beispiel für eine numerische Umwandlung auf Basis einer Differenzierung.
5 ist ein schematisches Funktionsblockdiagramm, das die Zustandsbestimmungsvorrichtung nach einer zweiten Ausführungsform darstellt.
6 veranschaulicht ein Anzeigebeispiel für einen Anomaliezustand.
7 ist ein schematisches Funktionsblockdiagramm, das die Zustandsbestimmungsvorrichtung nach einer dritten Ausführungsform darstellt.
8 veranschaulicht ein Beispiel für eine Umwandlungstabelle.

AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
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 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, einem Untersetzungsgetriebe, 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, verschiedene Arten von Informationen (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 Netzwerk oder dergleichen zu anderen Vorrichtungen.
2 ist ein Funktionsblockdiagramm, das die Zustandsbestimmungsvorrichtung 1 und die Maschinenlernvorrichtung 100 nach einer ersten Ausführungsform darstellt.
Die Zustandsbestimmungsvorrichtung 1 nach der vorliegenden Ausführungsform 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 Zustandsbestimmungsvorrichtung 1 nach der vorliegenden Ausführungsform weist eine Datenerlangungseinheit 30, eine numerische Umwandlungseinheit 32, und eine Vorverarbeitungseinheit 34 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. Darüber hinaus ist in dem nichtflüchtigen Speicher 14 der Maschinenlernvorrichtung 100 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 einem Bereich, der einem Zyklus eines Formungsschritts entspricht) erlangt wurden, auf Basis einer Änderung bei Signaldaten und anderen Zeitreihendaten, die von der Spritzgussmaschine 2 erlangt wurden, als einen Zeitreihendatensatz fest und speichert die Zeitreihendaten in der Erlangungsdatenspeichereinheit 50. Die Datenerlangungseinheit 30 kann Daten über eine externe Speichervorrichtung (nicht dargestellt) oder ein drahtgebundenes/drahtloses Netzwerk 7 von der Verwaltungsvorrichtung 3 und anderen Computern erlangen.2997
Die numerische Umwandlungseinheit 32 nimmt eine numerische Umwandlung wie eine Normalisierung und eine Differenzierung in Bezug auf Zeitreihendaten vor, die in Zusammenhang mit der Spritzgussmaschine 2 stehen und in den in der Erlangungsdatenspeichereinheit 50 gespeicherten Erlangungsdaten enthalten sind. Die numerische Umwandlungseinheit 32 kann für Zeitreihendaten im Zusammenhang mit der Spritzgussmaschine 2, die durch die Datenerlangungseinheit 30 erlangt wurden und in der Erlangungsdatenspeichereinheit 50 gespeichert wurden, Bereiche, die in der Amplitudenrichtung auftretende Werte einnehmen können, vereinheitlichen und Daten, die durch Extrahieren von Merkmalen im Zusammenhang mit Wertveränderungen, die in der Amplitudenrichtung und der Zeitrichtung auftreten, erhalten werden, erzeugen.
Jedes Diagramm, das in 3 gezeigt ist, veranschaulicht eine Veränderung eines Stromwerts einer Kraftmaschine, der detektiert wird, wenn in der Spritzgussmaschine 2 ein Zyklus eines Formungsschritts durchgeführt wird. Die Diagramme sind nebeneinander angeordnet, um drei Zyklen (Referenzschritt, Schritt i, und Schritt j) zu zeigen.
Die numerische Umwandlungseinheit 32 berechnet zum Beispiel für Zeitreihendaten in einem vorherbestimmten Zeitbereich, die von einer Spritzgussmaschine erlangt wurden, (zum Beispiel Zeitreihendaten eines Stromwerts einer Kraftmaschine) unter Verwendung der nachstehenden Formel (1) einen quadratischen Mittelwert y_sms für Referenzzeitreihendaten y_s, wenn in dem Referenzschritt detektierte Zeitreihendaten als Referenzzeitreihendaten y_s (Datenwertabfolge y_s1, y_s2, ..., y_sn) angesetzt werden. Hier bezeichnet das Bezugszeichen n die Anzahl der Datenpunkte der Zeitreihendaten in einem vorherbestimmten Zeitbereich. $y_{s m s} = \sqrt{\frac{1}{n} \sum_{i = 0}^{n} y_{s i}^{2}}$
Dann berechnet die numerische Umwandlungseinheit 32 unter Verwendung der nachstehenden Formel (2) auf Basis des berechneten quadratischen Mittelwerts y_sms der Referenzzeitreihendaten y_s einen Wert y', der durch Normalisieren der Zeitreihendaten y in einem vorherbestimmten Zeitbereich (zum Beispiel dem Referenzschritt, dem Schritt i, dem Schritt j) erhalten wird. $y^{'} = f (y) = \frac{y}{y_{s m s}}$
Hier kann die numerische Umwandlungseinheit 32 bei der Normalisierung anstelle eines Werts, der durch Anwenden des quadratischen Mittels auf die Referenzzeitreihendaten y_s erhalten wird, ein arithmetisches Mittel, ein gewichtetes Mittel, ein geometrisches Mittel, ein harmonisches Mittel, oder dergleichen verwenden. Durch die Ausführung einer solchen Normalisierung können Mindestwerte und Höchstwerte der Zeitreihendaten, die in jeweiligen vorherbestimmten Zeitbereichen (jeweiligen Zyklen) erlangt werden, vereinheitlicht werden, und entsprechend wird eine Verbesserung beim Lernen und der Schätzung in Bezug auf Merkmale in der Amplitudenrichtung und der Zeitrichtung in Zeitreihendaten einer physikalischen Größe, die in jedem Zyklus in dem Formungsschritt detektiert wird, erwartet.
Die numerische Umwandlungseinheit 32 kann in Bezug auf Zeitreihendaten im Zusammenhang mit der Spritzgussmaschine 2, die durch die Datenerlangungseinheit 30 erlangt wurden und in der Erlangungsdatenspeichereinheit 50 gespeichert wurden, eine Verarbeitung einer Differenzierung oder dergleichen vornehmen, um Daten, die durch Extrahieren von Merkmalen im Zusammenhang mit Wertveränderungen, welche in den Zeitreihendaten in der Amplitudenrichtung und der Zeitrichtung auftreten, erhalten werden, zu erzeugen.
Jedes Diagramm, das in 4 gezeigt ist, veranschaulicht eine Veränderung eines Stromwerts einer Kraftmaschine, der detektiert wird, wenn in der Spritzgussmaschine 2 ein Zyklus eines Formungsschritts durchgeführt wird.
Die numerische Umwandlungseinheit 32 berechnet zum Beispiel für Zeitreihendaten y, die von einer Spritzgussmaschine erlangt wurden (zum Beispiel Zeitreihendaten eines Stromwerts einer Kraftmaschine) unter Verwendung der nachstehenden Formel (3) einen Differenzwert y'. $y^{'} = g (y) = \frac{d y}{d t}$
Durch die Vornahme dieser Merkmalsextraktion unter Verwendung von Differenzwerten erscheint in den Daten deutlich eine Veränderung in den Zeitreihendaten, und entsprechend wird eine Verbesserung beim Lernen und der Schätzung in Bezug auf Merkmale einer Veränderung in der Amplitudenrichtung und der Zeitrichtung in Zeitreihendaten einer physikalischen Größe, die in jedem Zyklus in dem Formungsschritt detektiert wird, erwartet.
Die numerische Umwandlungseinheit 32 kann auf die Zeitreihendaten ein numerisches Umwandlungsverfahren zum Extrahieren von Merkmalen in anderen Zeitrichtungen und Amplitudenrichtungen anwenden. Ferner kann die numerische Umwandlungseinheit 32 mehrere numerische Umwandlungsverfahren kombinieren und ein kombiniertes Verfahren auf Zeitreihendaten von physikalischen Größen, die von der Spritzgussmaschine 2 erlangt wurden, anwenden, um Merkmale der Zeitreihendaten zu extrahieren. Zum Beispiel kann die numerische Umwandlungseinheit 32 Zeitreihendaten unter Verwendung der Formel (3) differenzieren und die differenzierten Daten dann normalisieren, um die sich ergebenden Daten als Daten zur Verwendung bei dem durch die Maschinenlernvorrichtung 100 vorgenommenen maschinellen Lernen anzusetzen.
Die Vorverarbeitungseinheit 34 erzeugt auf Basis der Daten, die durch das Extrahieren von Merkmalen aus Zeitreihendaten durch die numerische Umwandlungseinheit 32 erhalten wurden, Daten zur Verwendung für das durch die Maschinenlernvorrichtung 100 durchgeführte Lernen. Die Vorverarbeitungseinheit 34 erzeugt Zustandsdaten, die durch das Umwandeln (zum Beispiel Quantifizieren, Abtasten) von Daten, die von der numerischen Umwandlungseinheit 32 eingegeben wurden, in Daten mit einem einheitlichen Format zur Verwendung in der Maschinenlernvorrichtung 100 erhalten werden. Wenn die Maschinenlernvorrichtung zum Beispiel ein unüberwachtes Lernen durchführt, erzeugt die Vorverarbeitungseinheit 34 Zustandsdaten S mit einem vorherbestimmten Format beim unüberwachten 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 beim überwachten Lernen; und wenn die Maschinenlernvorrichtung 100 ein bestärkendes Lernen durchführt, erzeugt die Vorverarbeitungseinheit einen Satz von Zustandsdaten S und Bestimmungsdaten D mit einem vorherbestimmten Format beim bestärkenden Lernen.
Die Lerneinheit 110 nimmt das maschinelle Lernen unter Verwendung von Daten vor, die durch die Vorverarbeitungseinheit 34 auf Basis von Daten erzeugt wurden, welche durch Extrahieren von Merkmalen aus Zeitreihendaten durch die numerische Umwandlungseinheit 32 erhalten wurden. 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 nimmt das unüberwachte Lernen auf Basis von Zustandsdaten, die durch das Umwandeln von Erlangungsdaten, welche von der in einem normalen Betriebszustand befindlichen Spritzgussmaschine 2 erlangt wurden, durch die numerische Umwandlungseinheit 32 und die Vorverarbeitungseinheit 34 erhalten wurden, vor, 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 Zustandsdaten, die durch das Umwandeln von Erlangungsdaten, die von der Spritzgussmaschine 2 erlangt wurden, durch die numerische Umwandlungseinheit 32 und die Vorverarbeitungseinheit 34 erhalten wurden, von Zustandsdaten, die in einem normalen Betriebszustand erlangt wurden, abweichen, und dadurch einen Anomaliegrad als Schätzergebnis berechnen.
Oder die Lerneinheit 110 weist Erlangungsdaten, die von der in einem normalen Betriebszustand befindlichen Spritzgussmaschine 2 erlangt wurden, ein Normal-Label zu, und weist Erlangungsdaten, die von der Spritzgussmaschine 2 vor und nach dem Auftreten einer Anomalie erlangt wurden, ein Abnormal-Label zu, und nimmt ein überwachtes Lernen unter Verwendung von Zustandsdaten, die durch Umwandeln der Erlangungsdaten durch die numerische Umwandlungseinheit 32 und die Vorverarbeitungseinheit 34 erhalten wurden, vor, wodurch sie in der Lage ist, eine Unterscheidungsgrenze zwischen normalen Daten und abnormalen Daten als Lernmodell zu erzeugen. Unter Verwendung des so erzeugten Lernmodell gibt die später beschriebene Schätzeinheit 120 die Zustandsdaten, die durch Umwandeln der von der Spritzgussmaschine 2 erlangten Erlangungsdaten durch die numerische Umwandlungseinheit 32 und die Vorverarbeitungseinheit 34 erhalten wurden, in das Lernmodell ein, um zu schätzen, ob die Zustandsdaten zu normalen Daten oder abnormalen Daten gehören, wodurch die Schätzeinheit 120 in der Lage ist, einen Labelwert (normal/abnormal) als Schätzergebnis und die Verlässlichkeit des Labelwerts zu berechnen.
In der Zustandsbestimmungsvorrichtung 1 mit dem oben beschriebenen Aufbau nimmt die numerische Umwandlungsvorrichtung 32 eine Normalisierung, Differenzierung, oder dergleichen in Bezug auf Erlangungsdaten, die von der Spritzgussmaschine 2 erlangt wurden, vor, um vorherbestimmte Merkmale zu extrahieren, und nimmt die Lerneinheit 110 ein Lernen unter Verwendung der Daten, aus denen die Merkmale extrahiert wurden, vor. Somit beruhen Daten, die für das Lernen durch die Lerneinheit 110 verwendet werden, auf Daten, die durch das Extrahieren vorherbestimmter Merkmale durch die numerische Umwandlungseinheit 32 erhalten wurden, so dass ein Lernmodell, das durch die Lerneinheit 110 erzeugt wurde, eine hochgenaue Schätzung in Bezug auf extrahierte Merkmale ermöglicht.
5 ist ein schematisches Funktionsblockdiagramm, das die Zustandsbestimmungsvorrichtung 1 und die Maschinenlernvorrichtung 100 nach einer zweiten Ausführungsform darstellt.
Die Zustandsbestimmungsvorrichtung nach der vorliegenden Ausführungsform weist den Aufbau auf, der für die durch die Maschinenlernvorrichtung 100 durchgeführte Schätzung (Schätzmodus) erforderlich ist. Die in 5 dargestellten Funktionsblöcke werden ausgeführt, 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 ersten Ausführungsform die Datenerlangungseinheit 30, die numerische Umwandlungseinheit 32 und die Vorverarbeitungseinheit 34 auf. Die in der Zustandsbestimmungsvorrichtung 1 enthaltene Maschinenlernvorrichtung 100 weist die Schätzeinheit 120 auf. Außerdem ist in dem nichtflüchtigen Speicher 14 die Erlangungsdatenspeichereinheit 50, die Daten zur Verwendung für die durch die Maschinenlernvorrichtung 100 vorgenommenen Zustandsschätzung speichert, bereitgestellt, und ist in dem nichtflüchtigen Speicher 104 der Maschinenlernvorrichtung 100 die Lernmodellspeichereinheit 130, die Lernmodelle speichert, welche durch das von der Lerneinheit 110 vorgenommene maschinelle Lernen aufgebaut wurden, bereitgestellt.
Die Datenerlangungseinheit 30 und die numerische Umwandlungseinheit 32 nach der vorliegenden Ausführungsform weisen jeweils die gleichen Funktionen wie die Datenerlangungseinheit 30 und die numerische Umwandlungseinheit 32 nach der ersten Ausführungsform auf.
Die Vorverarbeitungseinheit 34 nach der vorliegenden Ausführungsform erzeugt auf Basis von Daten, die durch das Extrahieren der Merkmale mittels der Anwendung einer vorherbestimmten numerischen Umwandlung auf die in der Erlangungsdatenspeichereinheit 50 gespeicherten Erlangungsdaten durch die numerische Umwandlungseinheit 32 erhalten wurden, Zustandsdaten zur Verwendung für die durch die Maschinenlernvorrichtung 100 vorgenommene Schätzung. Die Vorverarbeitungseinheit 34 erzeugt Zustandsdaten, die durch das Umwandeln (zum Beispiel Quantifizieren, Abtasten) der erlangten Daten in Daten mit einem einheitlichen Format zur Verwendung in der Maschinenlernvorrichtung 100 erhalten werden. Die Vorverarbeitungseinheit 34 erzeugt Zustandsdaten S mit einem vorherbestimmten Format bei der durch die Maschinenlernvorrichtung 100 vorgenommenen Schätzung.
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 34 erzeugt wurden. In der Schätzeinheit 120 nach der vorliegenden Ausführungsform werden die von der Vorverarbeitungseinheit 34 eingegebenen Zustandsdaten S in das durch die Lerneinheit 110 erzeugte Lernmodell (die Parameter sind bestimmt) eingegeben, um einen Anomaliegrad im Zusammenhang mit einem Zustand der Spritzgussmaschine zu schätzen und zu berechnen und eine Klasse (zum Beispiel normal/abnormal), zu der ein Betriebszustand der Spritzgussmaschine gehört, zu schätzen und zu berechnen.
Ergebnisse (zum Beispiel ein Anomaliegrad im Zusammenhang mit einem Zustand einer Spritzgussmaschine und eine Klasse, zu der ein Betriebszustand der Spritzgussmaschine gehört), die durch die Schätzung durch die Schätzeinheit 120 erhalten wurden, können zur Anzeige an die Anzeigevorrichtung 70 ausgegeben werden, und können über ein 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 die Schätzeinheit 120 geschätzt wurde, einen vorherbestimmten Schwellenwert übersteigt oder wenn eine durch die Schätzeinheit 120 geschätzte Klasse, zu der ein Betriebszustand einer Spritzgussmaschine gehört, „abnormal“ ist), kann die Zustandsbestimmungseinheit 1 wie zum Beispiel in 6 dargestellt eine Anzeigeausgabe durch eine Warnmeldung oder ein Icon an der Anzeigevorrichtung 70 vornehmen oder einen Befehl zum Anhalten oder Verlangsamen eines Betriebs, einen Befehl zum Begrenzen des Drehmoments einer Kraftmaschine, oder dergleichen an die Spritzgussmaschine ausgeben.
In der Zustandsbestimmungsvorrichtung 1 mit dem oben beschriebenen Aufbau nimmt die numerische Umwandlungseinheit 32 eine Normalisierung, Differenzierung, oder dergleichen in Bezug auf Erlangungsdaten, die von der Spritzgussmaschine 2 erlangt wurden, vor, um vorherbestimmte Merkmale zu extrahieren, und nimmt die Schätzeinheit 120 unter Verwendung der Daten, in denen die Merkmale extrahiert wurde, eine Schätzung eines Zustands der Spritzgussmaschine 2 vor. Lernmodelle, die in der Lernmodellspeichereinheit 130 gespeichert sind, werden verwendet, um die Schätzung durch die numerische Umwandlungseinheit 32 auf Basis von Daten, die durch Extrahieren von vorherbestimmten Merkmalen erhalten wurden, vorzunehmen, und es kann eine hochgenaue Schätzung in Bezug auf extrahierte Merkmale vorgenommen werden. Entsprechend kann die Schätzeinheit eine passende Schätzverarbeitung durchführen.
7 ist ein schematisches Funktionsblockdiagramm, das die Zustandsbestimmungsvorrichtung 1 und die Maschinenlernvorrichtung 100 nach einer dritten Ausführungsform darstellt.
Die Zustandsbestimmungsvorrichtung 1 nach der vorliegenden Ausführungsform weist Komponenten auf, die für das durch die Maschinenlernvorrichtung 100 durchgeführte Lernen (Lernmodus) benötigt werden. Die in 7 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 ersten Ausführungsform die Datenerlangungseinheit 30, die numerische Umwandlungseinheit 32, und die Vorverarbeitungseinheit 34 auf. Die in der Zustandsbestimmungsvorrichtung 1 vorhandene Maschinenlernvorrichtung 100 weist die Lerneinheit 110 auf. Außerdem sind in dem nichtflüchtigen Speicher 14 die Erlangungsdatenspeichereinheit 50, die von externen Maschinen erlangte Daten speichert, und eine Umwandlungstabellenspeichereinheit 52, in der numerische Umwandlungsinhalte für jeweilige Daten definiert sind, bereitgestellt. In dem nichtflüchtigen Speicher 104 der Maschinenlernvorrichtung 100 ist die Lernmodellspeichereinheit 130, die Lernmodelle speichert, welche durch das von der Lerneinheit 110 vorgenommene Lernen aufgebaut wurden, bereitgestellt.
Die Umwandlungstabellenspeichereinheit 52 speichert eine Umwandlungstabelle, in der wie in 8 dargestellt für jede Datenart der Spritzgussmaschine 2, die durch die Zustandsbestimmungseinheit 1 erlangt wird, definiert ist, ob eine numerische Umwandlung vorgenommen wird oder nicht, und welche Art von numerischer Umwandlung vorgenommen wird, wenn eine numerische Umwandlung vorgenommen wird. Wenn die numerische Umwandlungsvorrichtung 32 nach der vorliegenden Ausführungsform Zeitreihendaten einer physikalischen Größe der Spritzgussmaschine 2, die in den in der Erlangungsdatenspeichereinheit 50 gespeicherten Erlangungsdaten enthalten sind, umwandelt, nimmt die numerische Umwandlungseinheit 32 auf die Umwandlungstabellenspeichereinheit 52 Bezug, um zu bestimmen, welche numerische Umwandlung für die einzelnen Daten angewendet wird (oder, ob eine numerische Umwandlung vorgenommen wird oder nicht), und die bestimmte numerische Umwandlung auf die Daten anzuwenden.
In der Zustandsbestimmungsvorrichtung 1 mit dem oben beschriebenen Aufbau ist es durch vorheriges Definieren von numerischen Umwandlungsverfahren, die auf jeweilige Zeitreihendaten einer physikalischen Größe der Spritzgussmaschine 2, die in Erlangungsdaten, welche von der Spritzgussmaschine 2 erlangt wurden, enthalten sind, angewendet werden sollen, in einer Umwandlungstabelle möglich, flexibel eine der Datenart der Zeitreihendaten einer physikalischen Größe der Spritzgussmaschine entsprechende passende numerische Umwandlung anzuwenden, wodurch beim Lernen durch die Maschinenlernvorrichtung 100 eine Verbesserung der Genauigkeit erwartet wird. Hier kann die Umwandlungstabellenspeichereinheit 52 der vorliegenden Ausführungsform auf eine Zustandsbestimmungsvorrichtung in dem Schätzmodus der oben beschriebenen zweiten Ausführungsform angewendet werden, um die Genauigkeit der Schätzung durch die Maschinenlernvorrichtung 100 auf die gleiche Weise zu verbessern.
Bis hierher wurden Ausführungsformen der vorliegenden Erfindung beschrieben. Die vorliegende Erfindung ist jedoch nicht auf die Beispiele der oben beschriebenen Ausführungsformen beschränkt, sondern kann durch passendes Hinzufügen von Änderungen in verschiedenen Formen ausgeführt werden.
Zum Beispiel bieten die obigen Ausführungsformen eine Beschreibung, in der die Zustandsbestimmungsvorrichtung 1 und die Maschinenlernvorrichtung 100 Vorrichtungen mit voneinander verschiedenen CPUs (Prozessoren) sind, 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 nur eine Zustandsbestimmungsvorrichtung 1 bestimmt werden, oder kann die Zustandsbestimmungsvorrichtung 1 in einer in der Spritzgussmaschine 2 vorhandenen Steuereinheit eingerichtet sein.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

JP 2017030221 [0004]
JP 2017202632 [0004, 0006]
JP 01168421 [0005]
JP 2014104689 [0005]
JP 2007030221 [0006]

Claims

Zustandsbestimmungsvorrichtung, die einen Betriebszustand einer Spritzgussmaschine bestimmt, wobei die Zustandsbestimmungsvorrichtung eine Datenerlangungseinheit, die Daten im Zusammenhang mit der Spritzgussmaschine erlangt; eine numerische Umwandlungseinheit, die eine numerische Umwandlung zur Extraktion eines Merkmals in einer Zeitrichtung oder einer Amplitudenrichtung in Bezug auf Zeitreihendaten einer physikalischen Größe, die in den durch die Datenerlangungseinheit erlangten Daten im Zusammenhang mit der Spritzgussmaschine enthalten sind, vornimmt; und eine Lerneinheit, die ein maschinelles Lernen unter Verwendung von Daten, wobei die Daten durch die von der numerischen Umwandlungseinheit vorgenommene numerische Umwandlung erhalten wurden, vornimmt und ein Lernmodell erzeugt, umfasst.
Zustandsbestimmungsvorrichtung, die einen Betriebszustand einer Spritzgussmaschine bestimmt, wobei die Zustandsbestimmungsvorrichtung eine Datenerlangungseinheit, die Daten im Zusammenhang mit der Spritzgussmaschine erlangt; eine numerische Umwandlungseinheit, die eine numerische Umwandlung zur Extraktion eines Merkmals in einer Zeitrichtung oder einer Amplitudenrichtung in Bezug auf Zeitreihendaten einer physikalischen Größe, die in den durch die Datenerlangungseinheit erlangten Daten im Zusammenhang mit der Spritzgussmaschine enthalten sind, vornimmt; eine Lernmodellspeichereinheit, die ein Lernmodell speichert, wobei das Lernmodell durch Vornehmen eines maschinellen Lernens in Bezug auf Zeitreihendaten einer physikalischen Größe, die in den Daten im Zusammenhang mit der Spritzgussmaschine enthalten sind, auf Basis der durch Extraktion eines Merkmals in einer Zeitrichtung oder einer Amplitudenrichtung erhaltenen Daten erhalten wurde; und eine Schätzeinheit, die auf Basis der Daten, die durch die von der numerischen Umwandlungseinheit vorgenommene numerische Umwandlung erhalten wurden, unter Verwendung des in der Lernmodellspeichereinheit gespeicherten Lernmodells eine Schätzung vornimmt, umfasst.
Zustandsbestimmungsvorrichtung nach Anspruch 1 oder 2, wobei die von der numerischen Umwandlungseinheit vorgenommene numerische Umwandlung eine Verarbeitung zur Normalisierung der Zeitreihendaten ist.
Zustandsbestimmungsvorrichtung nach einem der Ansprüche 1 bis 3, wobei die von der numerischen Umwandlungseinheit vorgenommene numerische Umwandlung eine Verarbeitung zur Differenzierung der Zeitreihendaten ist.
Zustandsbestimmungsvorrichtung nach einem der Ansprüche 1 bis 4, ferner umfassend eine Umwandlungstabellenspeichereinheit, in der ein Inhalt der numerischen Umwandlung für jede Datenart der Zeitreihendaten definiert ist, wobei die numerische Umwandlungseinheit auf die Umwandlungstabellenspeichereinheit Bezug nimmt, um einen Inhalt der numerischen Umwandlung, die für jede Datenart der Zeitreihendaten vorgenommen wird, zu bestimmen.
Zustandsbestimmungsvorrichtung nach Anspruch 1, wobei die Lerneinheit wenigstens ein maschinelles Lernen aus einem überwachten Lernen, einem unüberwachten Lernen und einem bestärkenden Lernen vornimmt.
Zustandsbestimmungsvorrichtung nach Anspruch 2, wobei die Schätzeinheit einen Anomaliegrad im Zusammenhang mit einem Betriebszustand der Spritzgussmaschine schätzt, und die Zustandsbestimmungsvorrichtung eine Warnmeldung an einer Anzeigevorrichtung anzeigt, wenn ein durch die Schätzeinheit geschätzter Anomaliegrad einen vorherbestimmten Schwellenwert übersteigt.
Zustandsbestimmungsvorrichtung nach Anspruch 2, wobei die Schätzeinheit einen Anomaliegrad im Zusammenhang mit einem Betriebszustand der Spritzgussmaschine schätzt, und die Zustandsbestimmungsvorrichtung ein Warnicon an einer Anzeigevorrichtung anzeigt, wenn ein durch die Schätzeinheit geschätzter Anomaliegrad einen vorherbestimmten Schwellenwert übersteigt.
Zustandsbestimmungsvorrichtung nach Anspruch 2, wobei die Schätzeinheit einen Anomaliegrad im Zusammenhang mit einem Betriebszustand der Spritzgussmaschine schätzt, und die Zustandsbestimmungsvorrichtung wenigstens eines aus einem Befehl zum Anhalten oder Verlangsamen eines Betriebs der Spritzgussmaschine und einem Befehl zum Beschränken eines Drehmoments einer Kraftmaschine ausgibt, wenn ein durch die Schätzeinheit geschätzter Anomaliegrad einen vorherbestimmten Schwellenwert übersteigt.
Zustandsbestimmungsvorrichtung nach Anspruch 1 oder 2, 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 der Spritzgussmaschine; einen numerischen Umwandlungsschritt zum Vornehmen einer numerischen Umwandlung zur Extraktion eines Merkmals in einer Zeitrichtung oder einer Amplitudenrichtung in Bezug auf Zeitreihendaten einer physikalischen Größe, die in den durch die Datenerlangungseinheit erlangten Daten im Zusammenhang mit der Spritzgussmaschine enthalten sind; und einen Lernschritt zum Vornehmen eines maschinellen Lernens unter Verwendung von Daten, wobei die Daten durch die von der numerischen Umwandlungseinheit vorgenommene numerische Umwandlung erhalten wurden, und zum Erzeugen eines Lernmodells umfasst.
Zustandsbestimmungsverfahren zum Bestimmen eines Betriebszustands einer Spritzgussmaschine, wobei das Zustandsbestimmungsverfahren einen Datenerlangungsschritt zum Erlangen von Daten im Zusammenhang mit der Spritzgussmaschine; einen numerischen Umwandlungsschritt zum Vornehmen einer numerischen Umwandlung zur Extraktion eines Merkmals in einer Zeitrichtung oder einer Amplitudenrichtung in Bezug auf Zeitreihendaten einer physikalischen Größe, die in den durch die Datenerlangungseinheit erlangten Daten im Zusammenhang mit der Spritzgussmaschine enthalten sind; und einen Schätzschritt zum Schätzen eines Zustands der Spritzgussmaschine auf Basis der Daten, die durch die von der numerischen Umwandlungseinheit vorgenommene numerische Umwandlung erhalten wurden, unter Verwendung eines Lernmodells, das durch Vornehmen eines maschinellen Lernens in Bezug auf Zeitreihendaten der physikalischen Größe, die in den Daten im Zusammenhang mit der Spritzgussmaschine enthalten sind, auf Basis der durch Extraktion eines Merkmals in einer Zeitrichtung oder einer Amplitudenrichtung erhaltenen Daten erhalten wurde, umfasst.