-
ALLGEMEINER STAND DER TECHNIK
-
Gebiet der Erfindung
-
Die vorliegende Erfindung betrifft eine Zustandsbeurteilungsvorrichtung und ein Zustandsbeurteilungsverfahren, und betrifft genauer eine Zustandsbeurteilungsvorrichtung und ein Zustandsbeurteilungsverfahren zur Unterstützung der Wartung einer von einem Elektromotor angetriebenen Industriemaschine.
-
Beschreibung des Stands der Technik
-
Die Wartung einer Industriemaschine wird periodisch oder im Fall einer Anomalie vorgenommen. Zur Zeit der Wartung einer Industriemaschine bestimmt ein Mitglied des Wartungspersonals unter Verwendung während des Betriebs der Industriemaschine aufgezeichneter physikalischer Größen, die den Betriebszustand der Industriemaschine angeben, das Vorhandensein oder Nichtvorhandensein einer Anomalie beim Betriebszustand der Industriemaschine und nimmt eine Wartungstätigkeit wie etwa den Austausch eines Teils mit einer Anomalie vor. Industriemaschinen umfassen eine Spritzgussmaschine, eine Werkzeugmaschine, eine Bergbaumaschine, eine Holzbearbeitungsmaschine, eine landwirtschaftliche Maschine, und eine Baumaschine.
-
Die Beurteilung des Vorhandenseins oder Nichtvorhandenseins einer Anomalie unter Verwendung des maschinellen Lernens ist bekannt. Beispiele für Lerndaten, die für das maschinelle Lernen verwendet werden, beinhalten einen Messwert, den eine Steuervorrichtung einer Industriemaschine von einem Sensor erlangt hat, oder einen Befehlswert zur Steuerung einer Antriebseinheit der Industriemaschine, das heißt, einen Strom, eine Spannung, eine Position, eine Geschwindigkeit, und dergleichen. Es wurden Mittel offenbart, um ein maschinelles Lernen unter Verwendung physikalischer Größen wie etwa eines Gewichts und einer Größe, die direkt von einem Sensor erlangt wurden, und eines Aussehens, einer Länge, eines Winkels, einer Fläche, und eines Volumens, die aus Bilddaten berechnet wurden, vorzunehmen und optimale Betriebsbedingungen zu berechnen. Siehe zum Beispiel die Japanische Patentoffenlegungsschrift Nr. 2017-030152. Es wurde auch ein Prozess zur Vornahme eines überwachten maschinellen Lernens unter Verwendung einer Belastung einer Antriebseinheit, eines Harzdrucks, einer Alarmerzeugungsgeschichte, einer Maschinenbetriebsgeschichte, von Prozessüberwachungsdaten, und dergleichen und zur Erkennung einer Anomalie offenbart. Siehe zum Beispiel die Japanische Patentoffenlegungsschrift Nr. 2017-030221 und die Japanische Patentoffenlegungsschrift Nr. 2017-202632.
-
Doch bei einer Industriemaschine, deren Antriebseinheit unterschiedliche Komponenten aufweist, ist ein Unterschied zwischen einem Messwert von der Maschine und einem numerischen Wert als zur Zeit des maschinellen Lernens eingegebene Lerndaten groß und kann die Genauigkeit der Beurteilung durch das maschinelle Lernen nicht erhöht werden. Zudem hat ein Lernmodell, das durch maschinelles Lernen erhalten wurde, keine ausreichende Genauigkeit erreicht, um vielseitig bei einer breiten Vielfalt von Industriemaschinen verwendet zu werden.
-
Es bestehen Abweichungen bei Maschinenteilen, die eine Industriemaschine bilden, Elementen, die von der Industriemaschine gehandhabt werden sollen, und dergleichen, und diese Abweichungen können die Erzeugung eines Lernmodells beeinflussen. Zum Beispiel kann sich die Art eines Maschinenteils einer beweglichen Einheit, die eine Komponente einer Spritzgussmaschine ist, die Art eines Harzes, das das Material für einen Formartikel, der durch die Spritzgussmaschine hergestellt werden soll, darstellt, oder die Art einer Einrichtung, die mit der Spritzgussmaschine verbunden ist, wie etwa eine Form, eine Formtemperatursteuervorrichtung oder eine Harztrocknungsvorrichtung von jener bei der Erzeugung des Lernmodells unterscheiden. Wenn ein Unterschied besteht, der eine Abweichung zwischen Messwerten, die von der Maschine erhalten werden, und Messwerten, die bei der Erzeugung des Lernmodells verwendet wurden, verursachen kann, kann dies die Genauigkeit des maschinellen Lernens zur Beurteilung des Vorhandenseins oder Nichtvorhandenseins einer Anomalie beeinflussen.
-
Es sind Mittel verfügbar, um die Genauigkeit des maschinellen Lernens zu erhöhen, indem bei der Erzeugung eines Lernmodells durch maschinelles Lernen so viele verschiedene Lernbedingungen, wie Kombinationen von Maschinenteilen, die eine Industriemaschine zu bilden, und von der Industriemaschine handzuhabende Elemente vorhanden sind, als Lernbedingungen vorbereitet werden. Maschinelles Lernen, das auf Basis verschiedener Maschinenteile und verschiedener Elemente vorgenommen wird, bringt jedoch hohe Kosten mit sich. Außerdem müssen zur Zeit des Betriebs der Industriemaschine Rohmaterialien wie etwa Harz und ein Werkstück vorbereitet werden und sind auch die Kosten der Rohmaterialien, die für die Erlangung der Lerndaten benötigt werden, hoch. Zudem erfordert die Tätigkeit zur Erlangung der Lerndaten viel Zeit. Entsprechend besteht der Wunsch nach einem effizienten Sammeln nützlicher Lerndaten.
-
Bei einer Maschine, die nicht durch Lernbedingungen, welche bei der Erzeugung des Lernmodells verwendet wurden, abgedeckt wird, wie etwa einer Maschine, die sich hinsichtlich der Kombination aus einem Motor, einem Untersetzungsgetriebe und einer beweglichen Einheit unterscheidet, ist ein Fehler in einem Schätzergebnis, das auf Basis des gelernten Lernmodells erhalten wurde, groß. Es ist schwierig, ein Lernmodell, das durch maschinelles Lernen erhalten wurde, allgemein auf eine breite Vielfalt von Industriemaschinen anzuwenden.
-
Mittel zur Vorbereitung von so vielen Zustandsbeurteilungsvorrichtungen wie der Anzahl der verschiedenen Industriemaschinen, wobei die Zustandsbeurteilungsvorrichtungen das Vorhandensein oder Nichtvorhandensein einer Anomalie beurteilen, und Mittel zur Vorbereitung einer Vielzahl von Kriterien zur Beurteilung des Vorhandenseins oder Nichtvorhandenseins einer Anomalie sind nicht effizient.
-
Datenelemente, die als Lerndaten erlangt werden, sind physikalische Größen wie etwa ein Strom, eine Spannung, eine Temperatur, eine Position und eine Geschwindigkeit, und repräsentieren nur einen Teil des Zustands einer Maschine als Lernobjekt.
-
KURZDARSTELLUNG DER ERFINDUNG
-
Es besteht der Bedarf an einer Zustandsbeurteilungsvorrichtung und einem Zustandsbeurteilungsverfahren, die in der Lage sind, einen abnormalen Zustand auf der Basis von Daten, die von einer Industriemaschine erlangt wurden, mit einer hohen Genauigkeit zu erkennen.
-
Eine Form der vorliegenden Offenbarung leitet aus verschiedenen physikalischen Größen (zum Beispiel der Umdrehungsgeschwindigkeit und dem Strom eines Antriebsaggregats, das eine Industriemaschine antreibt), die von einer Steuervorrichtung erlangt wurden, kinetische Energie oder elektrische Energie ab und schätzt den Grad der Anomalie einer Antriebseinheit der Industriemaschine durch Vornehmen eines maschinellen Lernens unter Verwendung der Energie als Merkmalsgröße von Lerndaten.
-
Genauer führt diese eine Form ein Mittel aus, um dann, wenn ein Modell der Industriemaschine unterschiedlich ist oder eine mit der Industriemaschine verbundene Einrichtung oder ein Herstellungsmaterial dafür unterschiedlich ist (zum Beispiel die Größe der Maschine unterschiedlich - kleiner oder größer - ist oder Komponenten der Industriemaschine unterschiedlich sind), den Unterschied der Komponenten durch Verwenden der kinetischen Energie einer Antriebseinheit als Lerndaten aufzunehmen und das Vorhandensein oder Nichtvorhandensein einer Anomalie durch vielseitiges und effizientes Anwenden eines einzelnen Lernmodells auf unterschiedliche Industriemaschinen zu beurteilen.
-
Zudem stellt die eine Form ein Mittel bereit, um auf der Basis des Grads der Anomalie, der als Ausgang des maschinellen Lernens erhalten wurde, eine Meldung oder ein Icon, die oder das einen abnormalen Zustand darstellt, an einer Anzeigevorrichtung anzuzeigen, oder, wenn der Grad der Anomalie gleich oder größer als ein vorherbestimmter Wert ist, den Betrieb einer beweglichen Einheit der Maschine anzuhalten, um die Sicherheit eines Arbeiters zu gewährleisten, oder einen Motor, der die bewegliche Einheit antreibt, anzuhalten oder zu verlangsamen, damit die bewegliche Einheit in einem sicheren Zustand arbeitet.
-
Nach der einen Form der vorliegenden Offenbarung wird eine Zustandsbeurteilungsvorrichtung zum Beurteilen eines Betriebszustands einer Industriemaschine bereitgestellt, wobei die Zustandsbeurteilungsvorrichtung eine Datenerlangungseinheit, die Daten im Zusammenhang mit der Industriemaschine erlangt; eine Energiezustandsberechnungseinheit, die auf der Basis der Daten im Zusammenhang mit der Industriemaschine, die durch die Datenerlangungseinheit erlangt wurden, einen Energiezustand im Zusammenhang mit dem Antrieb von Einheiten der Industriemaschine berechnet; und eine Anomaliezustandsschätzeinheit, die auf der Basis des Energiezustands im Zusammenhang mit dem Antrieb der Einheiten der Industriemaschine, der durch die Energiezustandsberechnungseinheit berechnet wurde, schätzt, ob der Betrieb der Industriemaschine normal oder abnormal ist, aufweist.
-
Nach einer anderen Form der vorliegenden Offenbarung wird ein Zustandsbeurteilungsverfahren zum Beurteilen eines Betriebszustands einer Industriemaschine bereitgestellt, wobei das Zustandsbeurteilungsverfahren das Erlangen von Daten im Zusammenhang mit der Industriemaschine; das Berechnen eines Energiezustands im Zusammenhang mit dem Antrieb von Einheiten der Industriemaschine auf der Basis der Daten im Zusammenhang mit der Industriemaschine; und das Schätzen, auf der Basis des Energiezustands im Zusammenhang mit dem Antrieb der Einheiten der Industriemaschine, ob der Betrieb der Industriemaschine normal oder abnormal ist, aufweist.
-
Die vorliegende Offenbarung gestattet, dass ein abnormaler Zustand auch bei einer Industriemaschine, die sich hinsichtlich des Aufbaus und der Größe unterscheidet, mit einer hohen Genauigkeit erkannt wird.
-
Figurenliste
-
- 1 ist ein Hardwareaufbaudiagramm einer Zustandsbeurteilungsvorrichtung nach einer Ausführungsform der vorliegenden Offenbarung.
- 2 ist ein Funktionsblockdiagramm der Zustandsbeurteilungsvorrichtung nach der einen Ausführungsform der vorliegenden Offenbarung.
- 3 ist ein Diagramm, das ein Beispiel für eine Anomaliebeurteilungstabelle zeigt.
- 4 ist eine Ansicht, die ein Anzeigebeispiel für einen Anomaliezustand zeigt.
- 5 ist ein Hardwareaufbaudiagramm einer jeden von Zustandsbeurteilungsvorrichtungen nach einer anderen Ausführungsform der vorliegenden Offenbarung und noch einer anderen Ausführungsform der vorliegenden Offenbarung.
- 6 ist ein Funktionsblockdiagramm der Zustandsbeurteilungsvorrichtung nach der anderen Ausführungsform der vorliegenden Offenbarung.
- 7 ist ein Funktionsblockdiagramm der Zustandsbeurteilungsvorrichtung nach der noch anderen Ausführungsform der vorliegenden Offenbarung.
-
AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
-
Unter Bezugnahme auf die Zeichnungen wird nachstehend eine Ausführungsform der vorliegenden Offenbarung beschrieben werden.
-
1 ist ein schematisches Hardwareaufbaudiagramm, das einen Hauptabschnitt einer Zustandsbeurteilungsvorrichtung nach der einen Ausführungsform zeigt. Eine Zustandsbeurteilungsvorrichtung 1 nach der vorliegenden Ausführungsform kann zum Beispiel in einer Steuervorrichtung, die eine Industriemaschine steuert, ausgeführt werden. Die Zustandsbeurteilungsvorrichtung 1 nach der vorliegenden Ausführungsform kann auch als Personal Computer, der neben der Steuervorrichtung, die die Industriemaschine steuert, bereitgestellt ist, als Verwaltungsvorrichtung 3, die über ein drahtgebundenes/drahtloses Netzwerk mit der Steuervorrichtung verbunden ist, als Edge-Computer, Zellencomputer, Host-Computer, oder Cloud-Server ausgeführt werden. Die vorliegende Ausführungsform wird ein Beispiel für einen Fall darstellen, in dem die Zustandsbeurteilungsvorrichtung 1 als Computer ausgeführt ist, der über das drahtgebundene/drahtlose Netzwerk mit einer Steuervorrichtung, die eine Spritzgussmaschine steuert, verbunden ist. Obwohl die nachstehenden Ausführungsformen anhand einer Spritzgussmaschine als Beispiel für eine Industriemaschine beschrieben werden, ist zu beachten, dass eine Spritzgussmaschine, eine Werkzeugmaschine, ein Roboter, eine Bergbaumaschine, eine Holzbearbeitungsmaschine, eine landwirtschaftliche Maschine, eine Baumaschine, oder dergleichen als Industriemaschine, die das Objekt der Zustandsbeurteilung durch die Zustandsbeurteilungsvorrichtung 1 nach der vorliegenden Erfindung ist, eingesetzt werden kann.
-
Eine CPU 11, die die Zustandsbeurteilungsvorrichtung 1 nach der vorliegenden Ausführungsform aufweist, ist ein Prozessor, der die gesamte Steuerung der Zustandsbeurteilungsvorrichtung 1 vornimmt. Die CPU 11 liest ein Systemprogramm, das in einem ROM 12 gespeichert ist, über einen Bus 20 aus und steuert die gesamte Zustandsbeurteilungsvorrichtung 1 gemäß dem Systemprogramm. Temporäre Berechnungsdaten, verschiedene Arten von Daten, die von einem Arbeiter über eine Eingabevorrichtung 71 eingegeben wurden, und dergleichen werden vorübergehend in einem RAM 13 gespeichert.
-
Ein nichtflüchtiger Speicher 14 besteht zum Beispiel aus einem Speicher, der durch eine Batterie (nicht gezeigt) gestützt wird, einem Solid-State-Laufwerk (SSD), oder dergleichen, und ein Speicherzustand des nichtflüchtigen Speichers 14 wird auch dann beibehalten, wenn die Bestromung der Zustandsbeurteilungsvorrichtung 1 abgeschaltet ist. In dem nichtflüchtigen Speicher 14 sind die folgenden Arten von Daten gespeichert: ein Einstellbereich, in dem Einstellinformationen im Zusammenhang mit dem Betrieb der Zustandsbeurteilungsvorrichtung 1 gespeichert sind, Daten, die von der Eingabevorrichtung 71 eingegeben wurden, verschiedene Arten von Daten (zum Beispiel ein Modell, die Masse der Form und ihr Material, die Art eines Harzes, und ein Signal zur Identifikation eines Prozesses), die von einer Spritzgussmaschine 2 erlangt werden, Elemente von Zeitreihendaten hinsichtlich verschiedener Arten von physikalischen Größen (zum Beispiel der Temperatur einer Düse, der Position, der Geschwindigkeit, der Beschleunigung, des Stroms, der Spannung und des Drehmoments eines Motors, der die Düse antreibt, der Temperatur der Form, und der Durchflussmenge, der Fließgeschwindigkeit und des Drucks des Harzes), die zur Zeit jedes Formungsbetriebs der Spritzgussmaschine 2 detektiert werden, Daten, die über eine externe Speichervorrichtung (nicht gezeigt) oder über das Netzwerk gelesen werden, und dergleichen. Ein Programm und verschiedene Arten von Daten, die in dem nichtflüchtigen Speicher 14 gespeichert sind, können zur Zeit der Ausführung/Verwendung in den RAM 13 geladen werden. Das Systemprogramm, das zum Beispiel ein öffentlich bekanntes Analyseprogramm zur Analyse von verschiedenen Arten von Daten beinhaltet, wurde vorab in den ROM 12 geschrieben.
-
Die Zustandsbeurteilungsvorrichtung 1 ist über eine Schnittstelle 16 an ein drahtgebundenes/drahtloses Netzwerk 7 angeschlossen. Wenigstens eine Spritzgussmaschine 2, die Verwaltungsvorrichtung 3, die die Herstellungstätigkeit durch die Spritzgussmaschine 2 verwaltet, und dergleichen sind an das Netzwerk 7 angeschlossen und tauschen mit der Zustandsbeurteilungsvorrichtung 1 Daten aus.
-
Die Spritzgussmaschine 2 ist eine Maschine, die ein aus einem Harz wie etwa Kunststoff geformtes Produkt herstellt, und ist eine Maschine, die das Harz als Material schmelzt, eine Form mit dem Harz füllt (das Harz in die Form einspritzt), und die Formung vornimmt. Die Spritzgussmaschine 2 besteht aus verschiedenen Maschinenteilen wie etwa einer Düse, die das geschmolzene Harz in die Form einspritzt, einem Motor (einem Antriebsaggregat), einem Übertragungsmechanismus, einem Untersetzungsgetriebe, und einer beweglichen Einheit. Der Zustand jeder Einheit wird durch einen Sensor oder dergleichen detektiert, und der Betrieb jeder Einheit wird durch eine Steuervorrichtung gesteuert. Beispielsweise wird ein Elektromotor, ein ölhydraulischer Zylinder, ein ölhydraulischer Motor, ein pneumatischer Motor, ein Wechselstromsynchronmotor, ein Wechselstrominduktionsmotor, ein Linearmotor, ein Ultraschallmotor, ein bürstenloser Gleichstrommotor, ein Schrittmotor, oder dergleichen als Antriebsaggregat zur Verwendung in der Spritzgussmaschine 2 verwendet. Eine Kugelgewindespindel, ein Zahnrad, eine Riemenscheibe, ein Riemen, oder dergleichen wird als Übertragungsmechanismus zur Verwendung in der Spritzgussmaschine 2 verwendet.
-
Datenelemente, die in einen Speicher geladen wurden, Daten, die als Ergebnis der Ausführung eines Programms oder dergleichen erhalten wurden, und dergleichen werden über eine Schnittstelle 17 ausgegeben und an einer Anzeigevorrichtung 70 angezeigt. Die aus einer Tastatur, einer Zeigevorrichtung, oder dergleichen bestehende Eingabevorrichtung 71 gibt einen Befehl, Daten, und dergleichen auf Basis einer Betätigung durch den Arbeiter über eine Schnittstelle 18 an die CPU 11 weiter.
-
2 ist ein Blockdiagramm der Zustandsbeurteilungsvorrichtung 1 nach der einen Ausführungsform. In 2 gezeigte Funktionsblöcke werden umgesetzt, wenn die CPU 11, die die in 1 gezeigte Zustandsbeurteilungsvorrichtung 1 aufweist, das Systemprogramm ausführt und den Betrieb der Einheiten der Zustandsbeurteilungsvorrichtung 1 steuert.
-
Die Zustandsbeurteilungsvorrichtung 1 der vorliegenden Ausführungsform weist eine Datenerlangungseinheit 30, eine Energiezustandsberechnungseinheit 40 und eine Anomaliezustandsschätzeinheit 38 auf. Die Energiezustandsberechnungseinheit 40 weist eine Elektrische-Energie-Berechnungseinheit 32 und eine Kinetische-Energie-Berechnungseinheit 34 auf, und die Anomaliezustandsschätzeinheit 38 weist eine Schätzeinheit 120 auf.
-
In dem nichtflüchtigen Speicher 14 sind eine Erlangte-Daten-Speichereinheit 50, in der durch die Datenerlangungseinheit 30 erlangte Daten gespeichert werden, und eine Anomaliebeurteilungstabellenspeichereinheit 140 die eine Anomaliebeurteilungstabelle speichert, bereitgestellt.
-
Die Datenerlangungseinheit 30 erlangt verschiedene Arten von Daten, die von der Spritzgussmaschine 2, der Eingabevorrichtung 71, und dergleichen eingegeben wurden. Die Datenerlangungseinheit 30 erlangt zum Beispiel verschiedene Arten von Daten (wie etwa das Modell der Spritzgussmaschine 2, die Masse und das Material für die Form, und die Art des Harzes), Elemente von Zeitreihendaten hinsichtlich verschiedener Arten von physikalischen Größen (zum Beispiel der Temperatur der Düse, der Position, der Geschwindigkeit, der Beschleunigung, des Stroms, der Spannung und des Drehmoments des Motors, der die Düse antreibt, der Temperatur der Form, und der Durchflussmenge, der Fließgeschwindigkeit und des Drucks des Harzes), und verschiedene Arten von Daten (wie etwa Informationen hinsichtlich der Tätigkeit der Wartung der Spritzgussmaschine, die durch den Arbeiter eingegeben wurden) und speichert die Datenelemente in der Erlangte-Daten-Speichereinheit 50. Die Datenerlangungseinheit 30 kann die Datenelemente als Befehlswerte, die den Einheiten durch die Steuervorrichtung der Spritzgussmaschine 2 befohlen werden, Messdaten, die durch die Steuervorrichtung von den Einheiten erhalten wurden, Detektionswerte von, zum Beispiel, gesondert eingerichteten Sensoren, oder dergleichen erlangen. Die Datenerlangungseinheit 30 kann Daten über das drahtgebundene/drahtlose Netzwerk von einer externen Speichervorrichtung (nicht gezeigt) oder einer anderen Vorrichtung erlangen.
-
Die Energiezustandsberechnungseinheit 40 berechnet für Datenelemente, die durch die Datenerlangungseinheit 30 erlangt wurden, einen Energiezustand im Zusammenhang mit dem Antrieb der Einheiten der Spitzgussmaschine 2. Die Energiezustandsberechnungseinheit 30 nach der vorliegenden Ausführungsform weist die Elektrische-Energie-Berechnungseinheit 32 und die Kinetische-Energie-Berechnungseinheit 34 auf.
-
Die Elektrische-Energie-Berechnungseinheit
32 erzeugt Daten, indem sie alle Datenelemente, die durch die Datenerlangungseinheit
30 erlangt wurden, in elektrische Energie umwandelt. Die Elektrische-Energie-Berechnungseinheit
32 verwendet die nachstehende Formel 1, um zum Beispiel elektrische Energie
E, die Energie, die dem Motor der Spritzgussmaschine
2 geliefert werden soll, zu berechnen. Es ist zu beachten, dass in der Formel 1 P einen Leistungswert darstellt,
V einen Spannungswert darstellt,
I einen Stromwert darstellt,
R einen Widerstandswert darstellt, und t eine Zeit darstellt.
-
Die Elektrische-Energie-Berechnungseinheit 32 berechnet die elektrische Energie von physikalischen Größen. Physikalische Größen, für die die Berechnung durchgeführt werden soll, sind die Temperatur der Düse, der Strom/die Spannung und das Drehmoment des Motors, der die Düse antreibt, die Temperatur der Form, der Druck des Harzes, und dergleichen. Zur Umwandlung einer Temperatur in elektrische Energie wird vorab eine Formel durch einen Versuch oder dergleichen erhalten. Dabei handelt es sich um eine Formel zum Berechnen der elektrischen Energie, die benötigt wird, um die Temperatur der Düse oder der Form auf eine vorherbestimmte Temperatur zu erhöhen (die im Allgemeinen von einer Wärmeleitgleichung und der Formel für das Joulesche Gesetz erhalten wird). Die elektrische Energie wird unter Verwendung der Formel berechnet. Zur Umwandlung des Drehmoments oder des Drucks in elektrische Energie wird zur Bequemlichkeit ein Wert verwendet, der durch Subtrahieren der (durch die Kinetische-Energie-Berechnungseinheit 34 berechneten) kinetischen Energie im Zusammenhang mit dem Antrieb durch den Motor, eines Energieverlusts aufgrund von Reibung oder dergleichen, und eines Anstiegs der potentiellen Energie, und dergleichen von der elektrischen Energie, die dem Motor geliefert wird, erhalten wird.
-
Die Kinetische-Energie-Berechnungseinheit
34 wandelt alle Datenelemente, die durch die Datenerlangungseinheit
30 erlangt wurden, in kinetische Energie um und erzeugt Lerndaten. Die Kinetische-Energie-Berechnungseinheit
34 verwendet die nachstehende Formel 2 und berechnet zum Beispiel die von der Spritzgussmaschine
2 erlangte kinetische Energie K im Zusammenhang mit dem Antrieb einer beweglichen Einheit. Es ist zu beachten, dass in der Formel 2 m die Masse der beweglichen Einheit darstellt,
v die Geschwindigkeit der beweglichen Einheit darstellt,
I das Trägheitsmoment darstellt, und
ω eine Drehwinkelgeschwindigkeit des Motors, der die bewegliche Einheit antreibt, darstellt.
-
Die Kinetische-Energie-Berechnungseinheit 34 berechnet die kinetische Energie auf Basis einer physikalischen Größe wie etwa der Geschwindigkeit und der Beschleunigung des Motors, der die Düse antreibt, der Durchflussmenge und der Fließgeschwindigkeit des Harzes.
-
Die Schätzeinheit 120 nimmt auf Basis eines Energiezustands im Zusammenhang mit dem Antrieb der Einheiten der Spritzgussmaschine 2, der durch die Energiezustandsberechnungseinheit 40 berechnet wurde, das heißt, die elektrische Energie, die durch die Elektrische-Energie-Berechnungseinheit 32 berechnet wurde, und die kinetische Energie, die durch die Kinetische-Energie-Berechnungseinheit 34 berechnet wurde, auf die in der Anomaliebeurteilungstabellenspeichereinheit 140 gespeicherte Anomaliebeurteilungstabelle Bezug und schätzt das Vorhandensein oder Nichtvorhandensein einer Anomalie in der Spritzgussmaschine 2. In der Anomaliebeurteilungstabelle, die in der Anomaliebeurteilungstabellenspeichereinheit 140 gespeichert ist, wurden vorab Anomalieerkennungsbedingungen zum Erkennen einer Anomalie bei einer Antriebseinheit der Spritzgussmaschine 2 festgelegt.
-
3 zeigt ein Beispiel für die in der Anomaliebeurteilungstabellenspeichereinheit 140 gespeicherte Anomaliebeurteilungstabelle. Die Anomaliebeurteilungstabelle enthält Beziehungen zwischen Betriebszuständen der Spritzgussmaschine 2 und Anomalieerkennungsbedingungen. Die Betriebszustände der Spritzgussmaschine 2 werden auf der Basis von Daten, die die Datenerlangungseinheit 30 von der Spritzgussmaschine 2 erlangt hat, bestimmt. Die Anomalieerkennungsbedingungen sind mit wenigstens einem aus einer Bedingung, die bei dem Betriebszustand als normal beurteilt wird, und einer Bedingung, die als abnormal beurteilt wird, in Verbindung gebracht. Bei dem Beispiel von 3 ist eine Anomalieerkennungsbedingung so festgelegt, dass die Spritzgussmaschine 2 bei einem Betriebszustand der Spritzgussmascine 2 von „WÄHREND DER BESCHLEUNIGUNG DES MOTORS ZUM ANTREIBEN DER EINSPRITZEINHEIT“ als normal arbeitend beurteilt wird, wenn die kinetische Energie und die elektrische Energie im Zusammenhang mit dem Motor mit der Zeit zunehmen, und andernfalls als abnormal beurteilt wird. Die Schätzeinheit 120 schätzt unter Verwendung einer solchen Anomalieerkennungsbedingung, ob die Spritzgussmaschine 2 normal arbeitet oder abnormal arbeitet, und erzeugt einen Ausgang. In der Anomaliebeurteilungsgtabelle festgelegte Anomalieerkennungsbedingungen sind für jede Antriebseinheit der Spritzgussmaschine 2 festgelegt.
-
Ein Ergebnis der Schätzung durch die Schätzeinheit 120 (zum Beispiel, ob der Betrieb der Spritzgussmaschine 2 normal/abnormal ist) kann zur Anzeige an der Anzeigeeinheit 70 ausgegeben werden oder kann durch Senden über das drahtgebundene/drahtlose Netzwerk (nicht gezeigt) an einen Host-Computer, einen Cloud-Computer, oder dergleichen ausgegeben werden. Wenn das Ergebnis der Schätzung durch die Schätzeinheit 120 ein vorherbestimmter Zustand ist (wenn die Schätzeinheit 120 zum Beispiel geschätzt hat, dass der Betrieb der Spritzgussmaschine 2 abnormal ist), kann die Zustandsbeurteilungsvorrichtung 1 eine Warnmeldung und ein Warnicon zur Anzeige an der Anzeigevorrichtung 70 ausgeben, wie zum Beispiel in 4 dargestellt ist, oder kann sie einen Befehl oder dergleichen an die Spritzgussmaschine 2 ausgeben, um den Betrieb anzuhalten, zu verlangsamen, oder das Drehmoment des Motors zu beschränken. Alternativ können sich eine Meldung und ein Icon zur Anzeige und ein Betriebsbefehl im Fall einer Anomalie je nach Unterschieden zwischen den einzelnen Antriebseinheiten, für die durch die Schätzeinheit 120 eine Anomalie detektiert wurde, unterscheiden.
-
In der Zustandsbeurteilungsvorrichtung 1 mit dem oben beschriebenen Aufbau schätzt die Schätzeinheit 120 den Zustand der Spritzgussmaschine 2 unter Verwendung von Daten, die durch Umwandeln von Daten, welche von der Spritzgussmaschine 2 erlangt wurden, in kinetische Energie oder elektrische Energie erhalten werden. Auch wenn sich die Art oder dergleichen der Spritzgussmaschine 2 unterscheidet, kann auf der Basis einer einfachen Bedingung, die auf gemeinsamen Kriterien wie etwa der elektrischen Energie oder der kinetischen Energie beruht, beurteilt werden, ob der Betrieb normal/abnormal ist.
-
5 ist ein Hardwareaufbaudiagramm, das einen Hauptabschnitt einer jeden von Zustandsbeurteilungsvorrichtungen mit Maschinenlernvorrichtungen nach einer anderen Ausführungsform und noch einer anderen Ausführungsform der vorliegenden Offenbarung zeigt. Eine Zustandsbeurteilungsvorrichtung 1 nach den vorliegenden Ausführungsformen ist mit Ausnahme eines Aufbaus, der eine Maschinenlernvorrichtung 100 betrifft, auf die gleiche Weise wie bei der oben beschriebenen einen Ausführungsform aufgebaut. Ein Systemprogramm, das zum Beispiel ein Programm zur Steuerung des Austauschs mit der Maschinenlernvorrichtung 100 enthält, wurde vorab in einen ROM 12, den die Zustandsbeurteilungsvorrichtungen 1 nach den vorliegenden Ausführungsformen aufweisen, geschrieben.
-
Eine Schnittstelle 21 verbindet die Zustandsbeurteilungsvorrichtung 1 mit der Maschinenlernvorrichtung 100. Die Maschinenlernvorrichtung 100 weist einen Prozessor 101, der die Maschinenlernvorrichtung 100 als Ganzes steuert, einen ROM 102, der ein Systemprogramm und dergleichen speichert, einen RAM 103 zur temporären Speicherung bei jedem Prozess im Zusammenhang mit dem maschinellen Lernen, und einen nichtflüchtigen Speicher 104, der zum Speichern eines Lernmodells und dergleichen verwendet wird, auf. Die Maschinenlernvorrichtung 100 kann Informationselemente (zum Beispiel verschiedene Arten von Daten (wie etwa das Modell einer Spritzgussmaschine 2, die Masse und das Material für eine Form, und die Art eines Harzes) und Elemente von Zeitreihendaten im Hinblick auf verschiedene Arten von physikalischen Größen (wie etwa die Temperatur einer Düse, die Position, die Geschwindigkeit, die Beschleunigung, den Strom, die Spannung, und das Drehmoment eines Motors, der die Düse antreibt, die Temperatur der Form, und die Durchflussmenge, die Fließgeschwindigkeit und den Druck des Harzes)) beobachten. Die Zustandsbeurteilungsvorrichtung 1 kann die Informationselemente über die Schnittstelle 21 erlangen. Die Zustandsbeurteilungsvorrichtung 1 erlangt über die Schnittstelle 21 auch ein Verarbeitungsergebnis, das von der Maschinenlernvorrichtung 100 ausgegeben wurde, und speichert das erlangte Ergebnis und zeigt es an oder sendet das erlangte Ergebnis zum Beispiel über ein Netzwerk (nicht gezeigt) an eine andere Vorrichtung.
-
6 ist ein Funktionsblockdiagramm der Zustandsbeurteilungsvorrichtung 1 und der Maschinenlernvorrichtung 100 nach der anderen Ausführungsform. Die in 6 gezeigte Zustandsbeurteilungsvorrichtung 1 weist einen Aufbau auf, der benötigt wird, wenn die Maschinenlernvorrichtung 100 ein Lernen (einen Lernmodus) durchführt. Die in 6 gezeigten Blöcke können durch die in der Zustandsbeurteilungsvorrichtung 1 eingerichtete CPU 11 und den Prozessor 101 in der Zustandsbeurteilungsvorrichtung 1 (5) umgesetzt werden. Die CPU 11 und der Prozessor 101 führen die jeweiligen Systemprogramme aus und steuern den Betrieb der Zustandsbeurteilungsvorrichtung 1 und der Maschinenlernvorrichtung 100.
-
Die Zustandsbeurteilungsvorrichtung 1 nach der vorliegenden Ausführungsform weist eine Datenerlangungseinheit 30, eine Energiezustandsberechnungseinheit 40, eine Vorverarbeitungseinheit 36, und eine Anomaliezustandsschätzeinheit 38, die in der Maschinenlernvorrichtung 100 bereitgestellt ist, auf. Die Energiezustandsberechnungseinheit 40 weist eine Elektrische-Energie-Berechnungseinheit 32 und eine Kinetische-Energie-Berechnungseinheit 34 auf, und die Anomaliezustandsschätzeinheit 38 weist eine Lerneinheit 110 auf. In dem nichtflüchtigen Speicher 14 ist eine Erlangte-Daten-Speichereinheit 50 bereitgestellt. Daten, die durch die Datenerlangungseinheit 30 erlangt wurden, werden in der Erlangte-Daten-Speichereinheit 50 gespeichert. In dem nichtflüchtigen Speicher 104 der Maschinenlernvorrichtung 100 ist eine Lernmodellspeichereinheit 130 bereitgestellt. Ein Lernmodell, das die Maschinenlernvorrichtung 110 durch maschinelles Lernen aufgebaut hat, wird in der Lernmodellspeichereinheit 130 gespeichert.
-
Der Betrieb der Datenerlangungseinheit 30, der Energiezustandsberechnungseinheit 40, der Elektrische-Energie-Berechnungseinheit 32 und der Kinetische-Energie-Berechnungseinheit 34 bei der vorliegenden Ausführungsform ist dem bei der oben beschriebenen einen Ausführungsform gleich.
-
Die Vorverarbeitungseinheit 36 erzeugt auf der Basis von Daten, die durch die Datenerlangungseinheit 30 erlangt wurden, Daten im Zusammenhang mit der elektrischen Energie von Einheiten der Spritzgussmaschine 2, die durch die Elektrische-Energie-Berechnungseinheit 32 berechnet wurden, und Daten im Zusammenhang mit der kinetischen Energie der Einheiten der Spritzgussmaschine 2, die durch die Kinetische-Energie-Berechnungseinheit 34 berechnet wurden, Lerndaten, die für das Lernen durch die Maschinenlernvorrichtung 100 verwendet werden. Die Vorverarbeitungseinheit 36 wandelt die Lerndaten in ein geeignetes Format zur Verarbeitung durch die Maschinenlernvorrichtung 100 um (beispielsweise Quantifizierung oder Abtastung). Wenn die Maschinenlernvorrichtung 100 ein unüberwachtes Lernen vornimmt, erzeugt die Vorverarbeitungseinheit 36 als Lerndaten Zustandsdaten S in einem vorherbestimmten Format für das Lernen. Wenn die Maschinenlernvorrichtung 100 ein überwachtes Lernen vornimmt, erzeugt die Vorverarbeitungseinheit 36 als Lerndaten ein Paar von Zustandsdaten S und Labeldaten L in einem vorherbestimmten Format für das Lernen. Wenn die Maschinenlernvorrichtung 100 ein bestärkendes Lernen vornimmt, erzeugt die Vorverarbeitungseinheit 36 als Lerndaten ein Paar von Zustandsdaten S und Beurteilungsdaten D in einem vorherbestimmten Format für das Lernen.
-
Die Lerneinheit 110 nimmt das maschinelle Lernen unter Verwendung der durch die Vorverarbeitungseinheit 36 erzeugten Lerndaten vor. Die Lerneinheit 110 erzeugt durch Vornehmen eines maschinellen Lernens unter Verwendung von Daten, die von der Spritzgussmaschine 2 erlangt wurden, durch ein öffentlich bekanntes Maschinenlernverfahren wie etwa das unüberwachte Lernen, das überwachte Lernen oder das bestärkende Lernen ein Lernmodell und speichert das erzeugte Lernmodell in der Lernmodellspeichereinheit 130. Beispiele für ein unüberwachtes Lernverfahren, das durch die Lerneinheit 110 durchgeführt wird, umfassen zum Beispiel einen Autoencoder und das k-Means-Clustern. Beispiele für ein überwachtes Lernverfahren, umfassen zum Beispiel ein Multilayer-Perzeptron, ein Recurrent-Neural-Network, ein Long-Short-time-Memory, und ein Convolutional-Neural-Network. Beispiele für ein bestärkendes Lernverfahren umfassen zum Beispiel ein Q-Lernen.
-
Beispielsweise kann die Lerneinheit 110 ein unüberwachtes Lernen auf Basis von Lerndaten, die durch die Vorverarbeitungseinheit 36 auf der Basis von Daten, welche von der Spritzgussmaschine 2 in einem normal arbeitenden Zustand erlangt wurden, erzeugt wurden, vornehmen und die Verteilung der Daten, die in dem normalen Zustand erlangt wurden, als Lernmodell erzeugen. Eine Schätzeinheit 120 nach der (später beschriebenen) noch anderen Ausführungsform kann unter Verwendung des auf die oben beschriebene Weise erzeugten Lernmodells schätzen, wie sehr Zustandsdaten, die durch die Vorverarbeitungseinheit 36 auf der Basis von Daten, die von der Spritzgussmaschine 2 erlangt wurden, erzeugt wurden, von Daten, die erlangt wurden, als sich die Spritzgussmaschine im normalen Zustand befand, abweichen und den Grad der Anomalie als Schätzergebnis berechnen.
-
Die Lerneinheit 110 kann auch ein überwachtes Lernen für eine Unterscheidungsgrenze zwischen normalen und abnormalen Daten vornehmen. Die Lerndaten beruhen auf den Daten, die von der Spritzgussmaschine 2 erlangt wurden. Den erlangten Daten wird das Label „Normal“ verliehen, wenn die Spitzgussmaschine 2 normal arbeitet, und um die Zeit des Auftretens einer Anomalie das Label „Abnormal“ verliehen. Die Vorverarbeitungseinheit 36 wandelt die Daten in Lerndaten um. Die Schätzeinheit 120 nach der (später beschriebenen) noch anderen Ausführungsform kann unter Verwendung des auf die oben beschriebene Weise erzeugen Lernmodells schätzen, ob Zustandsdaten, die durch die Vorverarbeitungseinheit 36 auf der Basis von Daten, die von der Spritzgussmaschine 2 erlangt wurden, erzeugt wurden, unter normale Daten oder abnormale Daten fallen, und einen Labelwert (normal/abnormal) und die Verlässlichkeit des Labelwerts als Schätzergebnis berechnen.
-
In der Zustandsbeurteilungsvorrichtung 1 mit dem oben beschriebenen Aufbau nimmt die Lerneinheit 110 das Lernen unter Verwendung von Daten, die von der Spritzgussmaschine 2 erlangt wurden, vor. Die Daten für das Lernen enthalten Hauptdaten im Zusammenhang mit der Beurteilung des Grads der Anomalie. Die Elektrische-Energie-Berechnungseinheit 32 und die Kinetische-Energie-Berechnungseinheit 34 wandeln die Hauptdaten in elektrische Energie und kinetische Energie um. Die elektrische Energie und die kinetische Energie weisen gemeinsame Kriterien auf. Entsprechend kann auf Basis der gemeinsamen Kriterien auch dann ein effizientes Lernen vorgenommen werden, wenn die Daten von mehreren Spritzgussmaschinen mit unterschiedlichen Maschinenteilen erlangt wurden. Ein Lernmodell, das durch die Lerneinheit 110 erzeugt wurde, kann für die Schätzung des Zustands einer Spritzgussmaschine durch die (später beschriebene) Schätzeinheit 120 verwendet werden. Eine Schätzung unter Verwendung des Modells ermöglicht nicht nur bei der Schätzung der Spritzgussmaschine, die für das maschinelle Lernen verwendet wurde, sondern auch bei der Schätzung der Spitzgussmaschine unter Verwendung von Daten, die von einer anderen Spritzgussmaschine erlangt wurden, eine Beurteilung der Normalität/Abnormalität der Spritzgussmaschine 2 auf der Basis gemeinsamer Kriterien, das heißt, elektrischer Energie und kinetischer Energie.
-
7 ist ein Blockdiagramm der Zustandsbeurteilungsvorrichtung 1 und der Maschinenlernvorrichtung 100 nach der noch anderen Ausführungsform. Die Zustandsbeurteilungsvorrichtung 1 nach der vorliegenden Ausführungsform weist einen Aufbau auf, der benötigt wird, wenn die Maschinenlernvorrichtung 100 eine Schätzung (einen Schätzmodus) durchführt. Die in 7 gezeigten Blöcke werden durch Ausführen jeweiliger Systemprogramme und Steuern der Einheiten der Zustandsbeurteilungsvorrichtung 1 und des maschinellen Lernens durch die CPU 11 der Zustandsbestimmungsvorrichtung 1 in 5 und den Prozessor 101 der Maschinenlernvorrichtung 100 umgesetzt.
-
Die Zustandsbestimmungsvorrichtung 1 nach der vorliegenden Ausführungsform weist wie die oben beschriebene andere Ausführungsform eine Datenerlangungseinheit 30, eine Energiezustandsberechnungseinheit 40, eine Vorverarbeitungseinheit 36, und eine Anomaliezustandsschätzeinheit 38, die in der Maschinenlernvorrichtung 100 bereitgestellt ist, auf. Die Energiezustandsberechnungseinheit 40 weist eine Elektrische-Energie-Berechnungseinheit 32 und eine Kinetische-Energie-Berechnungseinheit 34 auf. Die Anomaliezustandsschätzeinheit 38 weist eine Schätzeinheit 120 auf. In dem nichtflüchtigen Speicher 14 ist eine Erlangte-Daten-Speichereinheit 50 bereitgestellt, in der durch die Datenerlangungseinheit 30 erlangte Daten gespeichert werden. In dem nichtflüchtigen Speicher 104 der Maschinenlerneinheit 100 ist eine Lernmodellspeichereinheit 130 bereitgestellt, die ein Lernmodell, das durch maschinelles Lernen durch eine Lerneinheit 110 aufgebaut wurde, speichert.
-
Die Datenerlangungseinheit 30, die Energiezustandsberechnungseinheit 40, die Elektrische-Energie-Berechnungseinheit 32 und die Kinetische-Energie-Berechnungseinheit 34 nach der vorliegenden Ausführungsform weisen die gleichen Funktionen wie die Datenerlangungseinheit 30, die Energiezustandsberechnungseinheit 40, die Elektrische-Energie-Berechnungseinheit 32 und die Kinetische-Energie-Berechnungseinheit 34 nach der oben beschriebenen anderen Ausführungsform auf. Die Vorverarbeitungseinheit 36 nach der vorliegenden Ausführungsform erzeugt auf der Basis von Daten, die durch die Datenerlangungseinheit 30 erlangt wurden, Daten im Zusammenhang mit der elektrischen Energie von Einheiten einer Spritzgussmaschine 2, die durch die Elektrische-Energie-Berechnungseinheit 32 berechnet wurden, und Daten im Zuammenhang mit der kinetischen Eneergie der Einheiten der Spritzgussmaschine 2, die durch die Kinetische-Energie-Berechnungseinheit 34 berechnet wurden, Zustandsdaten S, die durch eine Umwandlung (zum Beispiel Quantifizierung oder Abtastung) in ein einheitliches Format, das in der Maschinenlernvorrichtung 100 behandelt wird, erhalten werden. Die durch die Vorverarbeitungseinheit 36 erzeugten Zustandsdaten S werden für die Schätzung durch die Maschinenlernvorrichtung 100 verwendet.
-
Die Schätzeinheit 120 schätzt auf Basis der durch die Vorverarbeitungseinheit 36 erzeugten Zustandsdaten S unter Verwendung eines in der Lernmodellspeichereinheit 130 gespeicherten Lernmodells den Zustand einer Spritzgussmaschine 2. Die Schätzeinheit 120 nach der vorliegenden Ausführungsform gibt die von der Vorverarbeitungseinheit 36 eingegebenen Zustandsdaten S in das durch die Lerneinheit 110 erzeugte Lernmodell (dessen Parameter bestimmt sind) ein, und schätzt und berechnet dadurch den Grad der Anomalie im Zusammenhang mit dem Zustand der Spritzgussmaschine oder schätzt und berechnet eine Klasse (zum Beispiel normal/abnormal), zu der der Betriebszustand der Spritzgussmaschine gehört.
-
Ein Ergebnis der Schätzung durch die Schätzeinheit 120 (zum Beispiel der Grad der Anomalie im Zusammenhang mit dem Zustand der Spritzgussmaschine oder die Klasse, zu der der Betriebszustand der Spritzgussmaschine gehört) kann zur Anzeige an eine Anzeigevorrichtung 70 ausgegeben werden oder durch Senden über ein drahtgebundenes/drahtloses Netzwerk (nicht gezeigt) an einen Host-Computer, einen Cloud-Computer, oder dergleichen ausgegeben werden. Wenn das Ergebnis der Schätzung durch die Schätzeinheit 120 ein bestimmter Zustand ist (zum Beispiel, wenn der durch die Schätzeinheit 120 geschätzte Grad der Anomalie einen vorherbestimmten vorab festgelegten Schwellenwert übersteigt, oder wenn die Klasse, zu der der Betriebszustand der Spritzgussmaschine gehört, durch die Schätzeinheit 120 als „abnormal“ geschätzt wird), kann die Zustandsbeurteilungsvorrichtung 1 wie zum Beispiel in 4 dargestellt eine Warnmeldung und ein Warnicon zur Anzeige an die Anzeigevorrichtung 70 ausgeben oder einen Befehl oder dergleichen zum Anhalten des Betriebs, Verlangsamen, oder Begrenzen des Drehmoments eines Motors an die Spritzgussmaschine ausgeben. Alternativ kann für jede Antriebseinheit, für die durch die Schätzeinheit 120 eine Anomalie detektiert wurde, eine andere Meldung und ein anderes Icon angezeigt werden und ein Betriebsbefehl im Fall einer Anomalie geändert werden.
-
In der Zustandsbeurteilungsvorrichtung 1 mit dem oben beschriebenen Aufbau schätzt die Schätzeinheit 120 den Zustand der Spritzgussmaschine 2 unter Verwendung von Daten, die durch das Umwandeln von Daten, welche von der Spritzgussmaschine 2 erlangt wurden, in kinetische Energie oder elektrische Energie erhalten werden. Die Beurteilung auf der Basis eines gemeinsamen Kriteriums, das heißt, Energie, kann auch dann mit einer hohen Genauigkeit erreicht werden, wenn zwischen Spritzgussmaschinen Unterschiede wie etwa der Typ oder andere Merkmale bestehen.
-
Die Ausführungsformen, die oben beschrieben wurden, sind nicht auf die oben beschriebenen Beispiele der Ausführungsformen beschränkt, sondern können durch die Vornahme passender Änderungen in verschiedenen Formen ausgeführt werden.
-
Zum Beispiel wurden die Zustandsbeurteilungsvorrichtung 1 und die Maschinenlernvorrichtung 100 bei jeder der oben beschriebenen Ausführungsformen als Vorrichtungen mit jeweiligen CPUs (Prozessoren) beschrieben. Die Maschinenlernvorrichtung 100 kann jedoch durch die CPU 11, die die Zustandsbeurteilungsvorrichtung 1 aufweist, und ein in dem ROM 12 gespeichertes Systemprogramm umgesetzt werden.
-
Die oben beschriebenen Ausführungsformen stellen jeweils ein Beispiel dar, bei dem die Zustandsbeurteilungsvorrichtung 1 in einem Computer eingerichtet ist, der über das Netzwerk 7 mit der Steuervorrichtung der Spritzgussmaschine 2 verbunden ist. Die Zustandsbeurteilungsvorrichtung 1 kann jedoch durch passendes Ändern der Anordnung der Komponenten ausgeführt werden, etwa durch Einrichten nur der Anomaliezustandsschätzeinheit 38 in einem Host-Computer und Einrichten eines Hauptkörpers der Zustandsbeurteilungsvorrichtung 1, der die Datenerlangungseinheit 30, die Elektrische-Energie-Berechnungseinheit 32 und die Kinetische-Energie-Berechnungseinheit 34 aufweist, in einem Edge-Computer.
-
Bei den oben beschriebenen Ausführungsform wird die Normalität/Abnormalität in der Industriemaschine unter Verwendung der elektrischen Energie und der kinetischen Energie, die jeweils durch die Elektrische-Energie-Berechnungseinheit 32 und die Kinetische-Energie-Berechnungseinheit 34 in der Energiezustandsberechnungseinheit 40 berechnet werden, beurteilt. Die Beurteilung der Normalität/Abnormalität kann auch nur anhand der kinetischen Energie erfolgen. In diesem Fall weist die Energiezustandsberechnungseinheit 40 die Elektrische-Energie-Berechnungseinheit 32 nicht unbedingt auf.