DE102019128177A1

DE102019128177A1 - Vorrichtung und verfahren zur zustandsbestimmung

Info

Publication number: DE102019128177A1
Application number: DE102019128177.6A
Authority: DE
Inventors: Atsushi Horiuchi
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2018-10-25
Filing date: 2019-10-18
Publication date: 2020-04-30
Also published as: US11628609B2; JP6787971B2; JP2020066178A; US20200130246A1; CN111098464A; CN111098464B

Abstract

Eine Zustandsbestimmungsvorrichtung erfasst Daten über eine Spritzgießmaschine und speichert Bedingungen zum Klassifizieren der erfassten Daten über die Spritzgießmaschine und mehrere Lernmodelle. Die Zustandsbestimmungsvorrichtung klassifiziert des Weiteren die erfassten Daten auf der Basis der gespeicherten Klassifizierungsbedingungen und legt ein Lernmodell, auf das die klassifizierten Daten angewendet werden, unter den mehreren gespeicherten Lernmodellen fest. Anschließend führt die Zustandsbestimmungsvorrichtung ein maschinelles Lernen für das als ein Anwendungsziel festgelegte Lernmodell auf der Basis der klassifizierten Daten aus.

Description

HINTERGRUND DER ERFINDUNG
Gebiet der Erfindung
Die vorliegende Erfindung betrifft eine Vorrichtung und ein Verfahren zur Zustandsbestimmung, und betrifft insbesondere eine Vorrichtung und ein Verfahren zum Unterstützen der Wartung von Spritzgießmaschinen.
Beschreibung des Standes der Technik
Die Wartung einer Industriemaschine, wie zum Beispiel einer Spritzgießmaschine, wird regelmäßig oder bei Auftreten einer Anomalie durchgeführt. Bei der Wartung der Industriemaschine stellt das Wartungspersonal die Anomalie des Betriebszustandes der Industriemaschine anhand physikalischer Größen fest, die auf den während des Betriebs der Maschine aufgezeichneten Betriebszustand der Maschine hinweisen, und führt Wartungsarbeiten wie den Austausch anomaler Komponenten durch.
Für Wartungsarbeiten an einem Rückschlagventil eines Spritzzylinders der Spritzgießmaschine ist zum Beispiel ein Verfahren bekannt, bei dem regelmäßig eine Schnecke aus dem Spritzzylinder entfernt wird, so dass die Abmessungen des Rückschlagventils direkt gemessen werden können. Bei diesem Verfahren muss jedoch die Produktion für die Messarbeiten unterbrochen werden, so dass die Produktivität zwangsläufig reduziert wird. Zu den zu wartenden Komponenten gehören neben dem Spritzzylinder verschiedene Antriebskomponenten wie Motor, Kugelumlaufspindel und Riemen einer Einspritzvorrichtung, Formzuhaltungsvorrichtung, Formproduktauswurfvorrichtung und dergleichen, die den Spritzzylinder bilden.
Als eine konventionelle Technologie zur Lösung dieses Problems gibt es ein bekanntes Verfahren zur Diagnose von Anomalien. Bei diesem Verfahren wird eine Anomalie diagnostiziert, indem indirekt ein Verschleißbetrag des Rückschlagventils des Spritzzylinders detektiert wird, ohne die Produktion für die Entnahme der Schnecke aus dem Spritzzylinder oder dergleichen zu unterbrechen. Bei diesem Diagnoseverfahren kann die Anomalie auch diagnostiziert werden, indem ein Drehmoment an der Schnecke oder ein Phänomen, dass ein Harz relativ zur Schnecke rückwärts fließt, detektiert wird.
Zum Beispiel offenbart das US-Patent Nr. 5,153,149 (das der japanischen Patentanmeldungs-Offenlegungsschrift Nr. H1-168421 entspricht) ein Verfahren, bei dem ein auf ein Schneckendrehverfahren einwirkendes Drehmoment gemessen und eine Anomalie identifiziert wird, wenn ein Toleranzbereich durch das gemessene Drehmoment überschritten wird. Die japanische Patentanmeldungs-Offenlegungsschrift Nr. 2014-104689 offenbart ebenfalls ein Verfahren, bei dem die Notwendigkeit einer Wartung und Inspektion anhand eines Vergleichs einer tatsächlich gemessenen Belastungsdifferenz und einer Toleranz ermittelt wird.
Darüber hinaus werden in der ungeprüften US-Patentanmeldungspublikation 2017/0028593 (die der japanischen Patentanmeldungs-Offenlegungsschrift Nr. 2017-030221 entspricht) und der ungeprüften US-Patentanmeldungspublikation 2017/0326771 (die der japanischen Patentanmeldungs-Offenlegungsschrift Nr. 2017-202632 entspricht) Verfahren offenbart, bei denen eine Anomalie durch beaufsichtigtes Lernen einer Antriebsteillast, eines Harzdrucks und dergleichen diagnostiziert wird.
Darüber hinaus offenbart das US-Patent Nr. 10,203,666 (das dem japanischen Patent Nr. 6031202 entspricht) ein Verfahren, bei dem eine Anomalie durch Erfassen interner Informationen mehrerer Fertigungsmaschinen und Vergleichen von Differenzen zwischen den von den einzelnen Fertigungsmaschinen erfassten internen Informationen festgestellt wird.
Die in jeder Spritzgießmaschine enthaltenen Antriebseinheiten arbeiten in Verbindung mit mehreren Formverfahren, wie zum Beispiel Formöffnen, Formschließen, Einspritz-, Verweil- und Dosierprozessen, in denen die Spritzgießmaschine Formprodukte herstellt. Die Anomalie der Antriebsteile tritt häufig während der mit den betreffenden Antriebsteilen verbundenen Formprozesse auf. Gemäß dem Stand der Technik werden jedoch Kombinationen der Antriebsteile und der Formprozesse nicht berücksichtigt, so dass die Anomalie des Betriebszustandes der Spritzgießmaschine nicht richtig eingeschätzt werden kann. Beispielsweise sollte die Anomalie des Spritzzylinders nur bei den Einspritz-, Verweil- und Dosierprozessen ermittelt werden, in denen der Spritzzylinder angetrieben wird, und die Feststellung der Anomalie des Spritzzylinders bei den Formschließ- und Formöffnungsprozessen, in denen der Spritzzylinder nicht angetrieben wird, ist möglicherweise fehlerhaft. Somit besteht das Problem, dass die Genauigkeit der Bestimmung der Betriebszustandsanomalie reduziert wird oder die Betriebszustandsanomalie nicht richtig eingeschätzt werden kann, wenn die Kombinationen der Antriebsteile und der Formprozesse, die keine Feststellung erfordern, in einer gemischten Weise vorliegen.
Außerdem sind die Zeiträume, in denen die Komponenten, die die Antriebsteile bilden, das Ende ihrer Lebensdauer erreichen oder beschädigt werden, je nach den Eigenschaften der Komponenten unterschiedlich lang. Zum Beispiel reißt ein Riemen, der den Spritzzylinder antreibt, manchmal schlagartig, so dass das Auftreten einer Anomalie ständig überwacht werden muss. Da es sich bei dem Rückschlagventil des Spritzzylinders um ein Verschleißteil handelt, das während eines Langzeitbetriebes allmählich das Ende seiner Lebensdauer erreicht, ist es wünschenswert, dass seine Anomalie intermittierend über einen langen Zeitraum ermittelt wird.
Um die Anomalie mehrerer Einzelteile zu bestimmen, ist es darüber hinaus allgemein notwendig, mehrere Zustandsbestimmungsvorrichtungen bereitzustellen, die jeweils den Teilen entsprechen, so dass es ein Kostenproblem gibt. Außerdem gibt es das Problem, dass eine Allzweck-Anomaliebestimmung für Komponenten, aus denen mehrere Antriebsteile bestehen, nicht möglich ist.
KURZDARSTELLUNG DER ERFINDUNG
Dementsprechend ist die Aufgabe der vorliegenden Erfindung die Bereitstellung einer Vorrichtung und eines Verfahrens zur Zustandsbestimmung, die in der Lage sind, einen anormalen Zustand einer Spritzgießmaschine für alle von der Spritzgießmaschine erfassten Daten effizient und präzise zu lernen und einzuschätzen.
Gemäß der vorliegenden Erfindung werden die oben angesprochenen Probleme gelöst, indem Lerndaten oder Zustandsdaten auf der Grundlage physikalischer Zeitreihengrößen (wie zum Beispiel Strom und Geschwindigkeit), die von einer Spritzgießmaschine erfasst und in Zeitintervallen gemäß zuvor festgelegten Klassifizierungsbedingungen klassifiziert werden, erzeugt werden und mehrere Lernmodelle, die zum Zeitpunkt des Lernens oder Schätzens gemäß der Klassifizierung anwendbar sind, für eine Zustandsbestimmungsvorrichtung, die die Lernmodelle umfasst, geändert werden, die durch maschinelles Lernen Lerndaten (Zustandsvariablen) lernt, die aus den von der Spritzgießmaschine erfassten physikalischen Zeitreihengrößen gewonnen werden, und einen Anomaliegrad schätzt.
Beim maschinellen Lernen ist es schwierig, eine Anomalie, die verschiedenen Bedingungen entspricht, allein durch ein einziges Lernmodell zu bestimmen. Gemäß der vorliegenden Erfindung wird jedoch eine zweckmäßige Zustandsbestimmungsvorrichtung bereitgestellt, die in der Lage ist, eine genaue Bestimmung mehrerer Anomalien zu implementieren, indem mehrere Lernmodelle gemäß verschiedenen Prozessen, die einen Formprozess bilden, sinnvoll verwendet werden, und eine Anomalie gemäß dem Verschleißzeitraum der Komponenten effizient zu bestimmen.
Darüber hinaus ist die Zustandsbestimmungsvorrichtung mit Mitteln versehen, um: eine Meldung und ein Symbol, die einen anormalen Zustand repräsentieren, auf der Grundlage eines Anomaliegrades anzuzeigen, der als Ergebnis des maschinellen Lernens erhalten wird; den Betrieb eines beweglichen Teils einer Maschine im Interesse der Sicherheit eines Arbeiters anzuhalten, wenn der Anomaliegrad nicht niedriger als ein zuvor festgelegter Wert ist, oder einen Motor, der dem Antrieb des beweglichen Teils dient, anzuhalten oder zu verlangsamen.
Ein Aspekt der vorliegenden Erfindung ist eine Zustandsbestimmungsvorrichtung zum Bestimmen eines Betriebszustands einer Spritzgießmaschine, die Folgendes umfasst: einen Datenerfasser, der dafür konfiguriert ist, Daten über die Spritzgießmaschine zu erfassen, einen Klassifizierungsbedingungsspeicher, der dafür konfiguriert ist, Bedingungen zum Klassifizieren der durch den Datenerfasser erfassten Daten über die Spritzgießmaschine zu speichern, einen Lernmodellspeicher, der dafür konfiguriert ist, mehrere Lernmodelle zu speichern, einen Datenklassifizierer, der dafür konfiguriert ist, die durch den Datenerfasser erfassten Daten auf der Grundlage der durch den Klassifizierungsbedingungsspeicher gespeicherten Klassifizierungsbedingungen zu klassifizieren und ein Lernmodell, auf das die klassifizierten Daten angewendet werden, unter den in dem Lernmodellspeicher zu speichernden Lernmodellen festzulegen, und einen Lerner, der dafür konfiguriert ist, ein maschinelles Lernen für das durch den Datenklassifizierer als ein Anwendungsziel festgelegte Lernmodell auf der Grundlage der durch den Datenklassifizierer klassifizierten Daten auszuführen.
Ein weiterer Aspekt der vorliegenden Erfindung ist eine Zustandsbestimmungsvorrichtung zum Bestimmen eines Betriebszustands einer Spritzgießmaschine, die Folgendes umfasst: einen Datenerfasser, der dafür konfiguriert ist, Daten über die Spritzgießmaschine zu erfassen, einen Klassifizierungsbedingungsspeicher, der dafür konfiguriert ist, Bedingungen zum Klassifizieren der durch den Datenerfasser erfassten Daten über die Spritzgießmaschine zu speichern, einen Lernmodellspeicher, der dafür konfiguriert ist, mehrere Lernmodelle zu speichern, einen Datenklassifizierer, der dafür konfiguriert ist, die durch den Datenerfasser erfassten Daten auf der Grundlage der durch den Klassifizierungsbedingungsspeicher gespeicherten Klassifizierungsbedingungen zu klassifizieren und ein Lernmodell, auf das die klassifizierten Daten angewendet werden, unter den in dem Lernmodellspeicher zu speichernden Lernmodellen festzulegen, und einen Schätzer, der dafür konfiguriert ist, eine Schätzung unter Verwendung des durch den Datenklassifizierer als ein Anwendungsziel festgelegten Lernmodells auf der Grundlage der durch den Datenklassifizierer klassifizierten Daten auszuführen.
Ein weiterer Aspekt der vorliegenden Erfindung ist ein Zustandsbestimmungsverfahren zum Bestimmen eines Betriebszustands einer Spritzgießmaschine, das Folgendes ausführt: einen Datenerfassungsschritt zum Erfassen von Daten über die Spritzgießmaschine, einen Datenklassifizierungsschritt zum Klassifizieren der in dem Datenerfassungsschritt erfassten Daten über die Spritzgießmaschine auf der Grundlage von Bedingungen zum Klassifizieren der in dem Datenerfassungsschritt erfassten Daten über die Spritzgießmaschine und Festlegen eines Lernmodells, auf das die klassifizierten Daten angewendet werden, unter mehrerer Lernmodellen, und einen Verarbeitungsschritt zum Durchführen einer Verarbeitung im Zusammenhang mit dem in dem Datenklassifizierungsschritt als ein Anwendungsziel festgelegten Lernmodell auf der Grundlage der in dem Datenklassifizierungsschritt klassifizierten Daten, wobei der Verarbeitungsschritt einen Lernschritt zum Durchführen eines maschinellen Lernens für das betreffende Lernmodell oder einen Schätzschritt zum Durchführen einer Schätzung unter Verwendung des betreffenden Lernmodells enthält.
Gemäß der vorliegenden Erfindung können die von der Spritzgießmaschine erfassten Daten anhand von Klassifizierungsbedingungen einem zweckmäßigen Lernmodell zugeordnet werden, so dass ein anormaler Zustand der Spritzgießmaschine effizient und genau erlernt oder eingeschätzt werden kann.
Figurenliste
Die oben genannten sowie weitere Aufgaben und Merkmale der vorliegenden Erfindung werden sich aus der folgenden Beschreibung der Ausführungsformen unter Bezugnahme auf die beigefügten Zeichnungen, in denen:

1 ein Schaubild ist, das ein schematisches Hardware-Konfigurationsbeispiel einer Zustandsbestimmungsvorrichtung gemäß der vorliegenden Erfindung zeigt;
2 ein schematisches Funktionsblockdiagramm gemäß einer Ausführungsform der Zustandsbestimmungsvorrichtung gemäß der vorliegenden Erfindung ist;
3 ein Schaubild ist, das ein Beispiel von Klassifizierungsbedingungen zeigt;
4A und 4B Schaubilder sind, die ein Beispiel von Zeitreihendaten zeigen, die durch einen Datenerfasser erfasst wurden;
5 ein schematisches Funktionsblockdiagramm einer Zustandsbestimmungsvorrichtung gemäß einer anderen Ausführungsform der vorliegenden Erfindung im Lernbetrieb ist;
6 ein Schaubild ist, das ein Anzeigebeispiel eines anormalen Zustands zeigt; und
7 ein Schaubild ist, das weitere Beispiele von Klassifizierungszustandsdaten zeigt.

DETAILLIERTE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Es werden nun verschiedene Ausführungsformen der vorliegenden Erfindung mit Bezug auf die beiliegenden Figuren beschrieben.
1 ist ein schematisches Hardware-Konfigurationsdiagramm gemäß einer Ausführungsform, das wichtige Teile einer Zustandsbestimmungsvorrichtung zeigt, die eine Maschinenlernvorrichtung umfasst. Eine Zustandsbestimmungsvorrichtung 1 der vorliegenden Ausführungsform kann zum Beispiel an einer Steuereinheit zum Steuern von Spritzgießmaschinen montiert werden. Darüber hinaus kann die Zustandsbestimmungsvorrichtung 1 der vorliegenden Ausführungsform als ein Personalcomputer, der mit der Steuereinheit zum Steuern der Spritzgießmaschinen verbunden ist, eine Managementvorrichtung 3, die mit der Steuerungsvorrichtung über ein drahtgebundenes/drahtloses Netzwerk verbunden ist, oder ein Computer wie zum Beispiel ein Edge-Computer, ein Zellencomputer, ein Host-Computer oder ein Cloud-Server implementiert werden. In der vorliegenden Ausführungsform ist die Zustandsbestimmungsvorrichtung 1 so veranschaulicht, dass sie als der Computer implementiert ist, der mit der Steuerungsvorrichtung verbunden ist, um die Spritzgießmaschinen über das drahtgebundene/drahtlose Netzwerk zu steuern.
Die Zustandsbestimmungsvorrichtung 1 gemäß der vorliegenden Ausführungsform enthält eine CPU (zentrale Verarbeitungseinheit) 11, die ein Prozessor zum allgemeinen Steuern der Zustandsbestimmungsvorrichtung 1 ist. Die CPU 11 liest in einem ROM (Read Only Memory) 12 gespeicherte Systemprogramme über einen Bus 20 aus und steuert die gesamte Zustandsbestimmung 1 gemäß den Systemprogrammen. Die Zustandsbestimmungsvorrichtung 1 enthält einen RAM (Random Access Memory) 13, der temporär mit temporären Berechnungsdaten, verschiedenen Daten, die ein Arbeiter über eine Eingabevorrichtung 71 eingibt, und dergleichen beschickt wird.
Die Zustandsbestimmungsvorrichtung 1 enthält einen nichtflüchtigen Speicher 14, der zum Beispiel aus einem mittels einer Batterie (nicht abgebildet) abgesicherten Speicher oder einem SSD (Festkörperlaufwerk) besteht und dessen Speicherzustand auch bei ausgeschalteter Zustandsbestimmungsvorrichtung 1 beibehalten werden kann. In dem nichtflüchtigen Speicher 14 wird ein Einstellbereich gespeichert, der mit Einstellinformationen über den Betrieb der Zustandsbestimmungsvorrichtung 1, mit Daten, die von der Eingabevorrichtung 71 eingegeben werden, und mit verschiedenen Daten (wie zum Beispiel der Typ einer Maschine, die Masse und das Material einer Form, der Typ eines Harzes und Signale zur Identifizierung von Prozessen), die von Spritzgießmaschinen 2 erfasst werden, beschickt wird. Darüber hinaus werden in dem nichtflüchtigen Speicher 14 Zeitreihendaten über verschiedene physikalische Größen (wie zum Beispiel die Temperatur einer Düse, die Position, die Geschwindigkeit, die Beschleunigung, der Strom, die Spannung und das Drehmoment eines Motors zum Antrieb der Düse, die Temperatur der Form, die Strömungsrate, die Strömungsgeschwindigkeit und der Druck des Harzes), die während der Formungsoperationen der Spritzgießmaschinen 2 detektiert werden, Daten, die von externen Speichervorrichtungen (nicht gezeigt) oder über das Netzwerk gelesen werden, und dergleichen gespeichert. Die in dem nichtflüchtigen Speicher 14 gespeicherten Programme und verschiedenen Daten können während der Ausführung und Nutzung in dem RAM 13 entwickelt werden. Außerdem werden die Systemprogramme, einschließlich eines konventionellen Analyseprogramms zur Analyse der verschiedenen Daten, eines Programms zum Steuern des Datenaustauschs mit einer Maschinenlernvorrichtung 100 (die später noch beschrieben wird) und dergleichen, zuvor in den ROM 12 geschrieben. Die Zustandsbestimmungsvorrichtung 1 ist über eine Schnittstelle 16 mit einem drahtgebundenen/drahtlosen Netzwerk 7 verbunden. Das drahtgebundene/drahtlose Netzwerk 7 ist mit mindestens einer der Spritzgießmaschinen 2, der Managementvorrichtung 3 zum Managen der Fertigungsarbeiten durch die betreffenden Spritzgießmaschine 2 und dergleichen verbunden und tauscht Daten mit dem Zustandsbestimmungsvorrichtung 1 aus.
Jede Spritzgießmaschine 2 ist eine Maschine, die zur Herstellung von Formprodukten aus einem Harz, wie zum Beispiel Kunststoff, konfiguriert ist. Die Spritzgießmaschine 2 schmilzt das Harz als ein Material und füllt (spritzt) das geschmolzene Harz in die Form, um die Formung auszuführen. Die Spritzgießmaschine 2 umfasst verschiedene Ausrüstungsteile, einschließlich der Düse, des Motors (Antriebsmaschine), eines Kraftübertragungsmechanismus, eines Untersetzungsgetriebes und des beweglichen Teils. Die Zustände verschiedener Teile werden durch Sensoren oder dergleichen detektiert, und die Operationen der verschiedenen Teile werden durch die Steuereinheit gesteuert. Als Antriebsmaschine für die Spritzgießmaschine 2 kann zum Beispiel ein Elektromotor, ein Ölhydraulikzylinder, ein Ölhydraulikmotor oder ein Druckluftmotor verwendet werden. Darüber hinaus können eine Kugelumlaufspindel, Zahnräder, Riemenscheiben oder ein Riemen für den Kraftübertragungsmechanismus der Spritzgießmaschine 2 verwendet werden.
In die Speicher eingelesene Daten, als Ergebnis der Ausführung der Programme und dergleichen erhaltene Daten, von der (später noch beschriebenen) Maschinenlernvorrichtung 100 ausgegebene Daten und dergleichen werden über eine Schnittstelle 17 an ein Display 70 ausgegeben, das diese Daten dann anzeigt. Darüber hinaus übermittelt die Eingabevorrichtung 71, die aus einer Tastatur, einer Zeigevorrichtung und dergleichen besteht, Befehle, Daten und dergleichen, die auf der Tätigkeit des Arbeiters basieren, über eine Schnittstelle 18 an die CPU 11.
Die Zustandsbestimmungsvorrichtung 1 enthält eine Schnittstelle 21, die zum Verbinden der Vorrichtung 1 mit der Maschinenlernvorrichtung 100 dient. Die Maschinenlernvorrichtung 100 umfasst einen Prozessor 101, einen ROM 102, einen RAM 103 und einen nichtflüchtigen Speicher 104. Der Prozessor 101 dient zum Steuern der gesamten Maschinenlernvorrichtung 100. In dem ROM 102 werden die Systemprogramme und dergleichen gespeichert. Der RAM 103 dient zur Zwischenspeicherung in jedem Verarbeitungsschritt des maschinellen Lernens. Der nichtflüchtige Speicher 104 wird zur Speicherung von Lernmodellen und dergleichen verwendet. Die Maschinenlernvorrichtung 100 kann verschiedene Informationen beobachten (zum Beispiel verschiedene Daten, wie zum Beispiel die Art der Spritzgießmaschine 2, die Masse und das Material der Form, und die Art des Harzes, und Zeitreihendaten über verschiedene physikalische Größen, wie zum Beispiel die Temperatur der Düse, die Position, die Geschwindigkeit, die Beschleunigung, der Strom, die Spannung und das Drehmoment des Motors für den Antrieb der Düse, die Temperatur der Form, die Strömungsrate, die Strömungsgeschwindigkeit und der Druck des Harzes), die durch die Zustandsbestimmungsvorrichtung 1 über die Schnittstelle 21 erfasst werden können. Darüber hinaus erfasst die Zustandsbestimmungsvorrichtung 1 das Ergebnis der Verarbeitung, das von der Maschinenlernvorrichtung 100 ausgegeben wird, und speichert, zeigt und sendet des Weiteren das erfasste Ergebnis an eine andere Vorrichtung über ein Netzwerk (nicht gezeigt) oder dergleichen.
2 ist ein schematisches Funktionsblockdiagramm der Zustandsbestimmungsvorrichtung 1 und der Maschinenlernvorrichtung 100 gemäß dieser Ausführungsform der vorliegenden Erfindung. Die in 2 gezeigte Zustandsbestimmungsvorrichtung 1 hat eine Struktur, die erforderlich ist, wenn die Maschinenlernvorrichtung 100 das Lernen ausführt (Lernmodus). Jeder der in 2 gezeigten Funktionsblöcke wird durch die CPU 11 in der Zustandsbestimmungsvorrichtung 1 und dem Prozessor 101 in der Maschinenlernvorrichtung 100 aus 1 implementiert, die ihre jeweiligen Systemprogramme und Steuerungsoperationen der einzelnen Elemente in der Zustandsbestimmungsvorrichtung 1 und in der Maschinenlernvorrichtung 100 ausführen. Die Zustandsbestimmungsvorrichtung 1 der vorliegenden Ausführungsform umfasst einen Datenerfasser 30 und einen Datenklassifizierer 32, und die Maschinenlernvorrichtung 100 in der Zustandsbestimmungsvorrichtung 1 umfasst einen Lerner 110. Darüber hinaus sind ein Erfasste-Daten-Speicher 50 und ein Klassifizierungsbedingungsspeicher 52 in dem nichtflüchtigen Speicher 14 angeordnet. Der Erfasste-Daten-Speicher 50 dient zur Speicherung von durch den Datenerfasser 30 erfassten Daten. In dem Klassifizierungsbedingungsspeicher 52 werden Bedingungen für die Klassifizierung von Lerndaten, wie zum Beispiel Zustandsdaten und Bezeichnerdaten, gespeichert, die auf der Grundlage der erfassten Daten erzeugt werden. Ein Lernmodellspeicher 130 ist in dem nichtflüchtigen Speicher 104 in der Maschinenlernvorrichtung 100 angeordnet. Der Lernmodellspeicher 130 speichert mehrere Lernmodelle, die der Lerner 110 durch maschinelles Lernen erstellt hat.
Der Datenerfasser 30 ist ein funktionales Mittel zum Erfassen verschiedener Daten, die von der Spritzgießmaschine 2, der Eingabevorrichtung 71 und dergleichen eingespeist werden. Der Datenerfasser 30 erfasst zum Beispiel verschiedene Daten, wie zum Beispiel die Art der Spritzgießmaschine 2, die Masse und das Material der Form, und die Art des Harzes, Zeitreihendaten über verschiedene physikalische Größen, wie zum Beispiel die Temperatur der Düse, die Position, die Geschwindigkeit, die Beschleunigung, der Strom, die Spannung und das Drehmoment des Motors für den Antrieb der Düse, die Temperatur der Form, die Strömungsrate, die Strömungsgeschwindigkeit und der Druck des Harzes, und verschiedene Daten, wie zum Beispiel Informationen über Wartungsarbeiten an der Spritzgießmaschine, die durch den Arbeiter eingegeben werden, und speichert diese Daten in dem Erfasste-Daten-Speicher 50. Der Datenerfasser 30 kann so konfiguriert werden, dass er die Daten von einer anderen Vorrichtung durch den externen Speicher (nicht gezeigt) oder das drahtgebundene/drahtlose Netzwerk erfasst.
Der Datenklassifizierer 32 ist ein funktionales Mittel zum Erzeugen der Lerndaten, die durch Klassifizieren der durch den Datenerfasser 30 erfassten Daten gemäß den in dem Klassifizierungsbedingungsspeicher 52 gespeicherten Klassifizierungsbedingungen erhalten werden, und zum Festlegen des Lernmodells, auf das die erzeugten Lerndaten angewendet werden. In dem Klassifizierungsbedingungsspeicher 52 wird mindestens eine Klassifizierungsbedingung gespeichert, die einen bedingten Ausdruck zum Klassifizieren mindestens der Lerndaten mit Identifizierungsinformationen über das Lernmodell verknüpft, auf das die anhand von Bedingungen für die Klassifizierung klassifizierten Lerndaten angewendet werden. Der Datenklassifizierer 32 bezieht sich auf die in dem Klassifizierungsbedingungsspeicher 52 gespeicherten Klassifizierungsbedingungsdaten und klassifiziert die Lerndaten anhand des referenzierten bedingten Ausdrucks, wodurch das Lernmodell als ein Anwendungsziel festgelegt wird. Die durch den Datenklassifizierer 32 erzeugten Lerndaten haben ein Datenformat, das in eine einheitliche Form konvertiert (oder quantifiziert, normalisiert, gesampelt usw.) wird, die in der Maschinenlernvorrichtung 100 verarbeitet werden kann. In dem Fall, wo die Maschinenlernvorrichtung 100 zum Beispiel ein unbeaufsichtigtes Lernen ausführt, erzeugt der Datenklassifizierer 32 als die Lerndaten Zustandsdaten S eines vorgegebenen Formats in dem betreffenden Lernen. Falls die Maschinenlernvorrichtung 100 ein beaufsichtigtes Lernen ausführt, so erzeugt der Datenklassifizierer 32 als die Lerndaten einen Satz Zustandsdaten S und Bezeichnungsdaten L eines vorgegebenen Formats in dem betreffenden Lernen. Wenn die Maschinenlernvorrichtung 100 alternativ ein Bestärkungslernen ausführt, so erzeugt der Datenklassifizierer 32 als die Lerndaten einen Satz Zustandsdaten S und Bestimmungsdaten D eines vorgegebenen Formats in dem betreffenden Lernen.
3 zeigt Beispiele der in dem Klassifizierungsbedingungsspeicher 52 gespeicherten Klassifizierungsbedingungsdaten. Die in dem Klassifizierungsbedingungsspeicher 52 gespeicherten Klassifizierungsbedingungsdaten können zum Beispiel Daten sein, die einen Klassifizierungsbedingungsausdruck, der als eine Bedingung für die in den Lerndaten enthaltenen Zustandsdaten definiert ist, mit den Identifizierungsinformationen über das Lernmodell verknüpfen, auf das Lerndaten angewendet werden, die den betreffenden Klassifizierungsbedingungsausdruck erfüllen. In den in 3 gezeigten Beispielen basiert der Klassifizierungsbedingungsausdruck auf Bedingungen, die sich auf Prozesse beziehen (einschließlich Formschließ-, Einspritz-, Verweil-, Dosier-, Auswurf- und Formöffnungsprozesse), die einen Ein-Zyklus-Formprozess darstellen, bei dem die von der Spritzgießmaschine erfassten Daten erfasst (oder beobachtet) werden. Die Bedingungen werden so definiert, dass Lerndaten, die zum Beispiel während des Formschließprozesses erfasst werden, zum Lernen eines Lernmodells A verwendet werden und dass Lerndaten, die in den Prozessen vom Spritzprozess bis zum Verweilprozess erfasst werden, zum Lernen eines Lernmodells B verwendet werden. 4A und 4B zeigen Beispiele der durch den Datenerfasser erfassten Daten 30. Die durch den Datenerfasser 30 erfassten Daten enthalten neben den Zeitreihendaten wie zum Beispiel Strom, Geschwindigkeit und Druck, wie in 4A gezeigt, auch Informationen zum Identifizieren des sich in dem Lauf der Zeit verändernden Formprozesses. Wie zum Beispiel in 4B gezeigt, können diese Informationen als Zeitreihendaten über einzelne Werten zu vorgegebenen Zeiten dargestellt werden. In 4B bezeichnen die Ziffern 1, 2, 3 und 4 den Formschließprozess, den Spritzprozess, den Verweilprozess bzw. den Dosierprozess als Identifizierungsinformationen über den Formprozess.
Falls die in den 4A und 4B veranschaulichten Daten in dem Erfasste-Daten-Speicher 50 gespeichert werden, und falls die in 3 veranschaulichten Klassifizierungsbedingungsdaten in dem Klassifizierungsbedingungsspeicher 52 gespeichert, so teilt der Datenklassifizierer 32 die Zeitreihendaten durch mehrere Zeitintervalle auf der Grundlage der Identifizierungsinformationen über den Formprozess. Zum Beispiel generiert der Datenklassifizierer 32 die Lerndaten, die auf das Lernmodell A anzuwenden sind, aus Daten, die während einer Zeitdauer t1 bis ti (Formschließprozess) erhalten werden, und generiert die Lerndaten, die auf das Lernmodell B anzuwenden sind, aus Daten, die während einer Zeitdauer ti+1 bis tk (Spritzprozess) erhalten werden. Somit erzeugt der Datenklassifizierer 32 Lerndaten durch Klassifizieren der durch den Datenerfasser 30 erfassten (und in dem Erfasste-Daten-Speicher 50 gespeicherten) Daten gemäß den in dem Klassifizierungsbedingungsspeicher 52 gespeicherten Klassifizierungsbedingungsdaten zu dem Lernmodell als das Anwendungsziel.
Der Lerner 110 führt ein maschinelles Lernen unter Verwendung eines Lernmodells aus, in dem die durch den Datenklassifizierer 32 klassifizierten einzelnen Daten auf Basis des Klassifizierungsergebnisses festgelegt werden. Der Lernmodellspeicher 130 ist dafür konfiguriert, mehrere Lernmodelle (Lernmodelle A, B, C, ... in 2) in einer identifizierbaren Weise zu speichern, und der Lerner 110 führt ein maschinelles Lernen des Lernmodells als das Anwendungsziel unter Verwendung der klassifizierten Lerndaten auf der Grundlage des Ergebnisses der Klassifizierung durch den Datenklassifizierer 32 aus. Wenn das Ziel-Lernmodell nicht in dem Lernmodellspeicher 130 gespeichert ist, so kann der Lerner 110 ein neues Lernmodell als ein Anwendungsziel der betreffenden Lerndaten erstellen und in dem Lernmodellspeicher 130 speichern.
Der Lerner 110 generiert ein Lernmodell durch maschinelles Lernen unter Verwendung der von der Spritzgießmaschine 2 erhaltenen Daten auf der Grundlage eines konventionellen maschinellen Lernverfahrens, wie zum Beispiel des unbeaufsichtigten Lernens, des beaufsichtigten Lernens und des Bestärkungslernens, und speichert das generierte Lernmodell in dem Lernmodellspeicher 130. Das Verfahren des unbeaufsichtigten Lernens, das der Lerner 110 ausführt, kann zum Beispiel durch das Autoencoder-Verfahren oder k-Means-Verfahren repräsentiert werden, während das Verfahren des beaufsichtigten Lernens zum Beispiel durch das Mehrschicht-Perzeptron-Verfahren, das Verfahren des rekurrenten neuronalen Netzes, das Verfahren des langen Kurzzeitgedächtnisses oder das Verfahren des faltenden neuronalen Netzes repräsentiert werden kann. Das Verfahren des Bestärkungslernens kann zum Beispiel durch das Q-Lernverfahren repräsentiert werden.
Der Lerner 110 kann ein unbeaufsichtigtes Lernen zum Beispiel auf der Basis von Lerndaten durchführen, die von der Spritzgießmaschine 2 in einen normalen Betriebszustand erfasst und durch den Datenklassifizierer 32 klassifiziert wurden, und kann - als ein Lernmodell - die Verteilung von Lerndaten in einem vorgegebenen Prozess, die in einen normalen Zustand erfasst wurden, generieren. Unter Verwendung mehrerer auf diese Weise generierter Lernmodelle kann ein (später noch beschriebener) Schätzer 120 das Ausmaß der Abweichung der Lerndaten in dem vorgegebenen Prozess, die von der Spritzgießmaschine 2 erfasst wurden, von den Lerndaten in dem vorgegebenen Prozess, die während des Normalzustandsbetriebes erfasst wurden, schätzen und als das Ergebnis der Schätzung einen Anomaliegrad berechnen.
Darüber hinaus kann der Lerner 110 beispielsweise ein beaufsichtigtes Lernen unter Verwendung von Lerndaten in dem vorgegebenen Prozess durchführen, bei dem ein normaler Bezeichner auf die Daten in dem vorgegebenen Prozess, die von der normal arbeitenden Spritzgießmaschine erfasst und durch den Datenklassifizierer 32 klassifiziert werden, angewendet wird und ein anormaler Bezeichner auf die Daten in dem vorgegebenen Prozess, die von der Spritzgießmaschine 2 vor und nach dem Auftreten einer Anomalie erfasst und durch den Datenklassifizierer 32 klassifiziert werden, angewendet wird, wodurch die Unterscheidungsgrenzen zwischen den normalen und den anormalen Daten als Lernmodelle in dem vorgegebenen Prozess generiert werden. Unter Verwendung der auf diese Weise generierten Lernmodelle kann der (später noch beschriebene) Schätzer 120 schätzen, ob die von der Spritzgießmaschine 2 erfassten Lerndaten in dem vorgegebenen Prozess zu den normalen Daten oder zu den anormalen Daten gehören, und kann als das Ergebnis der Schätzung und ihres Zuverlässigkeitsgrades einen Bezeichnerwert (normal/abnormal) berechnen.
In der Zustandsbestimmungsvorrichtung 1, die die oben beschriebene Struktur aufweist, führt der Lerner 110 ein maschinelles Lernen für das Lernmodell als das Anwendungsziel der betreffenden Lerndaten aus, wobei die Lerndaten verwendet werden, die durch Teilen der von der Spritzgießmaschine 2 erfassten Daten durch die Zeitintervalle gemäß dem erfassten Prozess und Klassifizieren der erfassten Daten erzeugt werden. Die einzelnen Lernmodelle, für die das maschinelle Lernen auf diese Weise durch den Lerner 110 ausgeführt wird, werden einem Lernen unterzogen, das für die einzelnen Prozesse spezialisiert ist, die den Formprozess bilden, so dass der Zustand der Spritzgießmaschine 2 in diesen Prozessen effizient erlernt werden kann.
5 ist ein schematisches Funktionsblockdiagramm einer Zustandsbestimmungsvorrichtung 1 und einer Maschinenlernvorrichtung 100, wobei die Zustandsbestimmungsvorrichtung 1 als eine weitere Ausführungsform der Erfindung konfiguriert ist. Die Zustandsbestimmungsvorrichtung 1 gemäß der vorliegenden Ausführungsform hat eine Struktur, die erforderlich ist, wenn die Maschinenlernvorrichtung 100 eine Schätzung ausführt (Schätzmodus). Jeder der in 5 gezeigten Funktionsblöcke wird durch die CPU 11 in der Zustandsbestimmungsvorrichtung 1 und dem Prozessor 101 in der Maschinenlernvorrichtung 100 aus 1 implementiert, die ihre jeweiligen Systemprogramme und Steuerungsoperationen der einzelnen Elemente in der Zustandsbestimmungsvorrichtung 1 und in der Maschinenlernvorrichtung 100 ausführen.
Die Zustandsbestimmungsvorrichtung 1 der vorliegenden Ausführungsform, wie die der vorherigen Ausführungsform, umfasst einen Datenerfasser 30 und einen Datenklassifizierer 32. Die Maschinenlernvorrichtung 100 in der Zustandsbestimmungsvorrichtung 1 umfasst einen Schätzer 120. Darüber hinaus sind ein Erfasste-Daten-Speicher 50 und ein Klassifizierungsbedingungsspeicher 52 in dem nichtflüchtigen Speicher 14 angeordnet. Der Erfasste-Daten-Speicher 50 dient zur Speicherung von durch den Datenerfasser 30 erfassten Daten. In dem Klassifizierungsbedingungsspeicher 52 werden Bedingungen für die Klassifizierung von Zustandsdaten gespeichert, die auf der Grundlage der erfassten Daten erzeugt werden. Ein Lernmodellspeicher 130 ist in dem nichtflüchtigen Speicher 104 in der Maschinenlernvorrichtung 100 angeordnet. Der Lernmodellspeicher 130 speichert mehrere Lernmodelle, die ein Lerner 110 durch maschinelles Lernen erstellt hat.
Der Datenerfasser 30 gemäß der vorliegenden Ausführungsform hat eine ähnliche Funktion wie der Datenerfasser 30 gemäß der früheren Ausführungsform. Darüber hinaus erzeugt der Datenklassifizierer 32 in der vorliegenden Ausführungsform Zustandsdaten durch Klassifizieren von durch den Datenerfasser 30 erfassten (und in dem Erfasste-Daten-Speicher 50 gespeicherten) Daten gemäß den in dem Klassifizierungsbedingungsspeicher 52 gespeicherten Klassifizierungsbedingungen und legt das Lernmodell fest, auf das die erzeugten Zustandsdaten angewendet werden.
Auf der Basis der durch den Datenklassifizierer 32 klassifizierten einzelnen Daten schätzt der Schätzer 120 den Zustand der Spritzgießmaschine anhand des Lernmodells, das als ein Ergebnis der betreffenden Klassifizierung festgelegt wurden. Der Lernmodellspeicher 130 ist dafür konfiguriert, mehrere Lernmodelle (Lernmodelle A, B, C, ... in 2), die durch maschinelles Lernen durch den Lerner 110 generiert wurden, in einer identifizierbaren Weise zu speichern, und der Schätzer 120 führt eine Schätzungsverarbeitung unter Verwendung des Lernmodells als das Anwendungsziel auf der Grundlage der klassifizierten Zustandsdaten anhand des Ergebnisses der Klassifizierung durch den Datenklassifizierer 32 aus. Wenn das Ziellernmodell nicht in dem Lernmodellspeicher 130 gespeichert ist, so kann eine Meldung ausgegeben werden, die besagt, dass die Schätzverarbeitung aufgrund des fehlenden Ziellernmodells nicht ausgeführt werden kann.
In dem Schätzer 120 in der vorliegenden Ausführungsform wird der auf den Zustand der Spritzgießmaschine bezogene Anomaliegrad geschätzt und berechnet, und die Klasse (normal/abnormal usw.), zu der der Betriebszustand der Spritzgießmaschine gehört, wird geschätzt und berechnet, indem die durch den Datenklassifizierer 32 klassifizierten Zustandsdaten S in das durch den Lerner 110 generierte Lernmodell (oder für das Parameter festgelegt wurden) eingegeben werden. Das Ergebnis der Schätzung durch den Schätzer 120 (der Anomaliegrad in Bezug auf den Zustand der Spritzgießmaschine, die Klasse, zu der der Betriebszustand der Spritzgießmaschine gehört, usw.) kann verwendet werden, indem es zum Anzeigen auf einem Display 70 ausgegeben wird oder zur Übertragung über ein drahtgebundenes/drahtloses Netzwerk (nicht gezeigt) an einen Host-Computer, Cloud-Computer oder dergleichen ausgegeben wird. Wenn sich das Ergebnis der Schätzung durch den Schätzer 120 als ein zuvor festgelegter Zustand herausstellt (wenn zum Beispiel eine zuvor festgelegte Schwelle durch den Anomaliegrad, der durch den Schätzer 120 geschätzt wurde, überschritten wird, oder wenn die Klasse, zu der der durch den Schätzer 120 geschätzte Betriebszustand der Spritzgießmaschine gehört, als „abnormal“ befunden wird), so können außerdem eine Warnmeldung 172 und ein Warnsymbol 174 zum Anzeigen auf einen Bildschirm 170 in dem Display 70 ausgegeben werden, wie zum Beispiel in 6 gezeigt, oder ein Befehl zur Betriebsunterbrechung, Verlangsamung oder Begrenzung des Motordrehmoments kann an die Spritzgießmaschine ausgegeben werden.
In der Zustandsbestimmungsvorrichtung 1, die die oben beschriebene Struktur aufweist, führt der Schätzer 120 eine Schätzung des Zustands der Spritzgießmaschine 2 auf der Grundlage des Lernmodells als dem Anwendungsziel der betreffenden Zustandsdaten aus, wobei die Zustandsdaten verwendet werden, die durch Teilen der von der Spritzgießmaschine 2 erfassten Daten durch die Zeitintervalle gemäß dem erfassten Prozess und Klassifizieren der geteilten Daten erzeugt werden. Die in dem Lernmodellspeicher 130 gespeicherten Lernmodelle werden einem Lernen unterzogen, das für die einzelnen Prozesse spezialisiert ist, die den Formprozess bilden, so dass davon ausgegangen werden kann, dass eine relativ hohe Genauigkeit für die Schätzung des Zustands der Spritzgießmaschine 2 unter Verwendung der betreffenden Lernmodelle aufrecht erhalten werden kann.
Obgleich oben Ausführungsformen der vorliegenden Erfindung beschrieben wurden, ist die Erfindung nicht auf die oben beschriebenen Ausführungsformen beschränkt und kann in zweckmäßiger Weise modifiziert und in verschiedenen Formen verkörpert werden.
So sind zwar beispielsweise die Zustandsbestimmungsvorrichtung 1 und die Maschinenlernvorrichtung 100 in den obigen Ausführungsformen als Vorrichtungen beschrieben worden, die jeweils unterschiedliche CPUs (Central Processing Units) umfassen, doch die Maschinenlernvorrichtung 100 kann alternativ auch durch die CPU 11 in der Zustandsbestimmungsvorrichtung 1 und die in dem ROM 12 gespeicherten Systemprogramme in der Zustandsbestimmungsvorrichtung 1 implementiert werden. Darüber hinaus wird die Zustandsbestimmungsvorrichtung 1 in den obigen Ausführungsformen zwar als in dem Computer montiert beschrieben, der über das Netzwerk 7 mit der Steuervorrichtung der Spritzgießmaschine 2 verbunden ist, doch sie kann alternativ auch so implementiert werden, dass die Anordnung verschiedener Einzelteile in zweckmäßiger Form geändert wird. Zum Beispiel brauchen nur ein Teil oder einige Teile der Maschinenlernvorrichtung 100 in dem Host-Computer montiert zu werden, während der Hauptkörper der Zustandsbestimmungsvorrichtung 1, einschließlich des Datenerfassers 30 und des Datenklassifizierers 32, in dem Edge-Computer montiert werden kann.
In den oben beschriebenen Ausführungsformen ist der Klassifizierungsbedingungsspeicher 52 in einer solchen Konfiguration veranschaulicht, dass die von der Spritzgießmaschine 2 erfassten Daten für jeden Prozess als eine Bedingung für die Datenklassifizierung klassifiziert werden. Alternativ können aber auch mehrere Lernmodelle mit unterschiedlichen Dringlichkeitsgraden eines detektierbaren abnormalen Zustands vorher erstellt und in dem Lernmodellspeicher 130 gespeichert werden. Wie in 7 veranschaulicht, kann in diesem Fall der Klassifizierungsbedingungsspeicher 52 mit einer Bedingung, die sich auf die Anzahl der Fertigungszyklen bezieht, für die ein Formprodukt in jedem einzelnen Fall durch die Spritzgießmaschine 2 hergestellt wird, in Verbindung mit den Identifizierungsinformationen über das Lernmodell gespeichert werden. In dieser verfügbaren Konfiguration legt der Datenklassifizierer 32 das Ziellernmodell gemäß der Reihenfolge des Zyklus fest, in dem die Daten durch den Datenerfasser 30 erfasst werden. Gemäß dieser Konfiguration kann die Zustandsbestimmungsvorrichtung 1 so konstruiert sein, dass sie die Häufigkeit der Anomalieschätzung (die Anzahl der Zyklen, für die die Schätzverarbeitung in jedem einzelnen Fall ausgeführt wird) ändern kann. Die Zustandsbestimmungsvorrichtung 1 dieses Typs führt die Schätzverarbeitung für Anomalien von geringer Dringlichkeit nicht für jeden Fertigungszyklus aus, so dass der Berechnungsaufwand der Zustandsbestimmungsvorrichtung 1 minimiert werden kann.
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

US 5153149 [0005]
US 2017/0028593 [0006]
JP 2017030221 [0006]
US 2017/0326771 [0006]
JP 2017202632 [0006]
US 10203666 [0007]
JP 6031202 [0007]

Claims

Zustandsbestimmungsvorrichtung zum Bestimmen eines Betriebszustands einer Spritzgießmaschine, wobei die Zustandsbestimmungsvorrichtung dadurch gekennzeichnet ist, dass sie Folgendes umfasst: einen Datenerfasser, der dafür konfiguriert ist, Daten über die Spritzgießmaschine zu erfassen; einen Klassifizierungsbedingungsspeicher, der dafür konfiguriert ist, Bedingungen zum Klassifizieren der durch den Datenerfasser erfassten Daten über die Spritzgießmaschine zu speichern; einen Lernmodellspeicher, der dafür konfiguriert ist, mehrere Lernmodelle zu speichern; einen Datenklassifizierer, der dafür konfiguriert ist, die durch den Datenerfasser erfassten Daten auf der Grundlage der durch den Klassifizierungsbedingungsspeicher gespeicherten Klassifizierungsbedingungen zu klassifizieren und ein Lernmodell, auf das die klassifizierten Daten angewendet werden, unter den in dem Lernmodellspeicher zu speichernden Lernmodellen festzulegen; und einen Lerner, der dafür konfiguriert ist, ein maschinelles Lernen für das durch den Datenklassifizierer als ein Anwendungsziel festgelegte Lernmodell auf der Grundlage der durch den Datenklassifizierer klassifizierten Daten auszuführen.
Zustandsbestimmungsvorrichtung zum Bestimmen eines Betriebszustands einer Spritzgießmaschine, dadurch gekennzeichnet, dass sie Folgendes umfasst: einen Datenerfasser, der dafür konfiguriert ist, Daten über die Spritzgießmaschine zu erfassen; einen Klassifizierungsbedingungsspeicher, der dafür konfiguriert ist, Bedingungen zum Klassifizieren der durch den Datenerfasser erfassten Daten über die Spritzgießmaschine zu speichern; einen Lernmodellspeicher, der dafür konfiguriert ist, mehrere Lernmodelle zu speichern; einen Datenklassifizierer, der dafür konfiguriert ist, die durch den Datenerfasser erfassten Daten auf der Grundlage der durch den Klassifizierungsbedingungsspeicher gespeicherten Klassifizierungsbedingungen zu klassifizieren und ein Lernmodell, auf das die klassifizierten Daten angewendet werden, unter den in dem Lernmodellspeicher zu speichernden Lernmodellen festzulegen; und einen Schätzer, der dafür konfiguriert ist, eine Schätzung unter Verwendung des durch den Datenklassifizierer als ein Anwendungsziel festgelegten Lernmodells auf der Grundlage der durch den Datenklassifizierer klassifizierten Daten auszuführen.
Zustandsbestimmungsvorrichtung nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Daten über die Spritzgießmaschine Zeitreihendaten enthalten; die durch den Klassifizierungsbedingungsspeicher zu speichernden Bedingungen eine Bedingung für das Teilen der Zeitreihendaten durch ein Zeitintervall enthalten; und der Datenklassifizierer die Zeitreihendaten durch das Zeitintervall auf der Grundlage der in dem Klassifizierungsbedingungsspeicher gespeicherten Bedingungen teilt und die einzelnen geteilten Daten klassifiziert.
Zustandsbestimmungsvorrichtung nach Anspruch 3, dadurch gekennzeichnet, dass das Zeitintervall mindestens eines von Intervallen ist, die Formschließ-, Formzuhaltungs-, Einspritz-, Verweil-, Dosier-, Formöffnungs-, Auswurf- und Bereitschaftsintervalle in einen Formprozess der Spritzgießmaschine enthalten.
Zustandsbestimmungsvorrichtung nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die durch den Klassifizierungsbedingungsspeicher gespeicherten Bedingungen eine Bedingung zum Klassifizieren von Daten bei jedem zuvor festgelegten Herstellungszyklus unter den Herstellungszyklen der Spritzgießmaschine enthalten; und der Datenklassifizierer die durch den Datenerfasser erfassten Daten gemäß der Reihenfolge des betreffenden Zyklus in den Fertigungszyklen der Spritzgießmaschine auf der Grundlage der Bedingungen, die durch die Klassifizierungsbedingungsspeicher gespeichert sind, klassifiziert.
Zustandsbestimmungsvorrichtung nach Anspruch 1, dadurch gekennzeichnet, dass der Lerner mindestens eines von beaufsichtigtem Lernen, unbeaufsichtigtem Lernen und Bestärkungslernen ausführt.
Zustandsbestimmungsvorrichtung nach Anspruch 2, dadurch gekennzeichnet, dass der Schätzer einen Anomaliegrad in Bezug auf den Betriebszustand der Spritzgießmaschine schätzt; und die Zustandsbestimmungsvorrichtung eine Warnmeldung auf einem Display anzeigt, wenn eine zuvor festgelegte Schwelle durch den Anomaliegrad, der durch den Schätzer geschätzt wurde, überschritten wird.
Zustandsbestimmungsvorrichtung nach Anspruch 2, dadurch gekennzeichnet, dass der Schätzer einen Anomaliegrad in Bezug auf den Betriebszustand der Spritzgießmaschine schätzt; und die Zustandsbestimmungsvorrichtung ein Warnsymbol auf einem Display anzeigt, wenn eine zuvor festgelegte Schwelle durch den Anomaliegrad, der durch den Schätzer geschätzt wurde, überschritten wird.
Zustandsbestimmungsvorrichtung nach Anspruch 2, dadurch gekennzeichnet, dass der Schätzer einen Anomaliegrad in Bezug auf den Betriebszustand der Spritzgießmaschine schätzt; und die Zustandsbestimmungsvorrichtung mindestens einen von Befehlen zur Unterbrechung des Betriebs, zur Verlangsamung oder zur Begrenzung des Motordrehmoments an die Spritzgießmaschine ausgibt, wenn eine zuvor festgelegte Schwelle durch den Anomaliegrad, der durch den Schätzer geschätzt wurde, überschritten wird.
Zustandsbestimmungsvorrichtung nach einem der Ansprüche 1-9, dadurch gekennzeichnet, dass der Datenerfasser Daten von mehrerer Spritzgießmaschinen erfasst, die über ein drahtgebundenes oder drahtloses Netzwerk verbunden sind.
Zustandsbestimmungsvorrichtung nach einem der Ansprüche 1-9, wobei die Zustandsbestimmungsvorrichtung an einer Managementvorrichtung montiert ist, die über ein drahtgebundenes oder drahtloses Netzwerk mit der Spritzgießmaschine verbunden ist und dafür konfiguriert ist, die Spritzgießmaschine zu managen.
Zustandsbestimmungsverfahren zum Bestimmen eines Betriebszustands einer Spritzgießmaschine, dadurch gekennzeichnet, dass es Folgendes umfasst: einen Datenerfassungsschritt zum Erfassen von Daten über die Spritzgießmaschine; einen Datenklassifizierungsschritt zum Klassifizieren der in dem Datenerfassungsschritt erfassten Daten über die Spritzgießmaschine auf der Grundlage von Bedingungen zum Klassifizieren der in dem Datenerfassungsschritt erfassten Daten über die Spritzgießmaschine und Festlegen eines Lernmodells, auf das die klassifizierten Daten angewendet werden, unter mehrerer Lernmodellen, und einen Lernschritt zum Ausführen eines maschinellen Lernens für das in dem Datenklassifizierungsschritt als ein Anwendungsziel festgelegte Lernmodell auf der Grundlage der in dem Datenklassifizierungsschritt klassifizierten Daten.
Zustandsbestimmungsverfahren zum Bestimmen eines Betriebszustands einer Spritzgießmaschine, dadurch gekennzeichnet, dass es Folgendes umfasst: einen Datenerfassungsschritt zum Erfassen von Daten über die Spritzgießmaschine; einen Datenklassifizierungsschritt zum Klassifizieren der in dem Datenerfassungsschritt erfassten Daten über die Spritzgießmaschine auf der Grundlage von Bedingungen zum Klassifizieren der in dem Datenerfassungsschritt erfassten Daten über die Spritzgießmaschine und Festlegen eines Lernmodells, auf das die klassifizierten Daten angewendet werden, unter mehrerer Lernmodellen, und einen Schätzungsschritt zum Ausführen einer Schätzung unter Verwendung des in dem Datenklassifizierungsschritt als ein Anwendungsziel festgelegten Lernmodells auf der Grundlage der in dem Datenklassifizierungsschritt klassifizierten Daten.