DE102020205834A1 - Maschinenlernvorrichtung, vorhersagevorrichtung und steuervorrichtung - Google Patents

Maschinenlernvorrichtung, vorhersagevorrichtung und steuervorrichtung Download PDF

Info

Publication number
DE102020205834A1
DE102020205834A1 DE102020205834.2A DE102020205834A DE102020205834A1 DE 102020205834 A1 DE102020205834 A1 DE 102020205834A1 DE 102020205834 A DE102020205834 A DE 102020205834A DE 102020205834 A1 DE102020205834 A1 DE 102020205834A1
Authority
DE
Germany
Prior art keywords
molding
mold
unit
input data
injection molding
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102020205834.2A
Other languages
English (en)
Inventor
Shinichi Ozeki
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fanuc Corp filed Critical Fanuc Corp
Publication of DE102020205834A1 publication Critical patent/DE102020205834A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/04Inference or reasoning models
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B29WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29CSHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17Component parts, details or accessories; Auxiliary operations
    • B29C45/76Measuring, controlling or regulating
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B29WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29CSHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17Component parts, details or accessories; Auxiliary operations
    • B29C45/76Measuring, controlling or regulating
    • B29C45/7626Measuring, controlling or regulating the ejection or removal of moulded articles
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B29WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29CSHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76Measuring, controlling or regulating
    • B29C2945/76929Controlling method
    • B29C2945/76939Using stored or historical data sets
    • B29C2945/76949Using stored or historical data sets using a learning system, i.e. the system accumulates experience from previous occurrences, e.g. adaptive control

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

Vorhersagen des Zustands einer Form nach dem Formen beim Spritzgießen. Eine Maschinenlernvorrichtung 30 umfasst: eine Eingabedaten-Erfassungseinheit 301, die Eingabedaten einschließlich irgendeiner Formbedingung einschließlich wenigstens einer Harzart, einer Additivart, eines Mischungsverhältnisses des Additivs und einer Temperatur des Harzes beim Formen irgendeines Gegenstandes, der durch irgendeine Spritzgießmaschine 10 geformt wird, und Zustandsinformationen erfasst, die einen Abnutzungsbetrag einer Form vor dem Formen bei den Formbedingungen angeben; eine Label-Erfassungseinheit 302, die Label-Daten erfasst, die Zustandsinformationen der Form nach dem Formen bei den in den Eingabedaten enthaltenen Formbedingungen angeben; und eine Lerneinheit 303, die ein überwachtes Lernen unter Verwendung der von der Eingabedaten-Erfassungseinheit 301 erfassten Eingabedaten und der von der Label-Erfassungseinheit 302 erfassten Label-Daten ausführt und ein erlerntes Modell 250 erzeugt.

Description

  • Gebiet der Erfindung
  • Die vorliegende Erfindung betrifft eine Maschinenlernvorrichtung, eine Vorhersagevorrichtung und eine Steuervorrichtung.
  • Stand der Technik
  • Harzprodukte aus Kunststoff o.ä. (im Folgenden auch als „Gussarktigel“ bezeichnet) werden beispielsweise durch eine Spritzgießvorrichtung geformt, die das Harz in eine Form spritzt. Die Qualität des geformten Artikels variiert in Abhängigkeit von den Formbedingungen, wie beispielsweise der Art und der Harztemperatur des Harzes als Material, der Einspritzgeschwindigkeit und dem Einspritzdruck. Daher ist es beim Formen eines zu formenden Artikels erforderlich, die entsprechenden Formbedingungen im Voraus einzustellen.
  • Zum Beispiel ist eine Technik zur Einstellung geeigneter Formbedingungen bekannt, bei der unter Verwendung eines neuronalen Netzes, das auf Grundlage einer Vielzahl von Formbedingungen bestimmt wird, die verwendet werden, wenn ein gutes Produkt in einem Versuchsformverfahren hergestellt wird, und des Qualitätswerts des guten Produkts, visuell beobachtet wird, wie sich der Qualitätswert gemäß den Änderungen in einer Vielzahl von Formbedingungen ändert. Siehe beispielsweise Patentdokument 1.
  • Patentdokument 1: Japanische ungeprüfte Patentanmeldung, Veröffentlichung Nr.2008-110486
  • ZUSAMMENFASSUNG DER ERFINDUNG
  • Die zum Gießen verwendete Form wird jedoch durch die Reibung mit dem geschmolzenen Harz beim wiederholten Spritzgießen und/oder durch korrosives Gas oder ähnliches, das durch das dem Harz zugesetzte Additiv erzeugt wird, abgenutzt. Dadurch werden die Maßhaltigkeit und die Oberflächengenauigkeit des geformten Artikels herabgesetzt. In diesem Fall ist es durch Ersetzen der verschlissenen Form durch eine neue Form möglich, die Qualität des geformten Artikels, wie beispielsweise die Maßhaltigkeit und die Oberflächengenauigkeit, wiederherzustellen.
  • Der Zeitpunkt des Austauschs (Lebensdauer) der Form wird beispielsweise auf Grundlage der Schusszahl oder ähnlichem bestimmt; der Zustand der Form ändert sich jedoch gemäß den Formbedingungen, einschließlich der Art des Harzes. Aus diesem Grund ist es schwierig, den Zeitpunkt für den Austausch der Form zu bestimmen, und der Bediener muss über eine gewisse Erfahrung verfügen.
  • Daher ist es wünschenswert, den Zustand der Form nach dem Gießen beim Spritzgießen vorherzusagen.
  • (1) Gemäß einem Aspekt der vorliegenden Offenbarung umfasst eine Maschinenlernvorrichtung (30): eine Eingabedaten-Erfassungseinheit (301), die Eingabedaten einschließlich einer beliebigen Formbedingung einschließlich wenigstens einer Harzart, einer Additivart, eines Mischungsverhältnisses des Additivs und einer Temperatur des Harzes beim Formen irgendeines Artikels, der durch eine beliebige Spritzgießmaschine (10) geformt wird, und Zustandsinformationen erfasst, die einen Abnutzungsbetrag einer Form vor dem Formen bei den Formbedingungen angeben; eine Label-Erfassungseinheit (302), die Label-Daten erfasst, die Zustandsinformationen der Form nach dem Gießen bei den in den Eingabedaten enthaltenen Gießbedingungen angeben; und eine Lerneinheit (303), die ein überwachtes Lernen unter Verwendung der von der Eingabedaten-Erfassungseinheit (301) erfassten Eingabedaten und der von der Label-Erfassungseinheit (302) erfassten Label-Daten ausführt und ein erlerntes Modell (250) erzeugt.
  • (2) Gemäß einem Aspekt der vorliegenden Offenbarung eine Vorhersagevorrichtung (20), bestehend aus ein erlerntes Modell (250), das durch eine Maschinenlernvorrichtung (30) gemäß (1) erzeugt wird; eine Eingabeeinheit (201), die vor dem Gießen durch eine Spritzgießmaschine (10) eine auszuführende Gießbedingung und Zustandsinformationen einer aktuellen Form eingibt; und eine Vorhersageeinheit (202), die die auszuführende Gießbedingung und die Zustandsinformationen der aktuellen Form, die durch die Eingabeeinheit (201) in das erlernte Modell (250) eingegeben werden, eingibt und Zustandsinformationen der Form nach dem Gießen bei der auszuführenden Gießbedingung vorhersagt.
  • (3) Gemäß einem Aspekt der vorliegenden Offenbarung umfasst eine Steuervorrichtung (15) eine Vorhersagevorrichtung (20).
  • Gemäß einem Aspekt ist es möglich, den Zustand der Form nach dem Gießen beim Spritzgießen vorherzusagen.
  • Figurenliste
    • 1 ist ein funktionales Blockschaltbild, das ein funktionales Konfigurationsbeispiel eines Spritzgießsystems gemäß einer Ausführungsform zeigt;
    • 2 ist ein Diagramm, das ein Beispiel eines erlernten Modells zeigt, das einer Vorhersagevorrichtung aus 1 zur Verfügung gestellt wird;
    • 3 ist ein Diagramm, das ein Beispiel für den Abnutzungsbetrag eines Werkzeugs zeigt; 3 ist ein Diagramm, das ein Beispiel für den Abnutzungsbetrag eines Werkzeugs zeigt;
    • 4 ist ein Flussdiagramm zur Erläuterung der Vorhersagevorrichtung in einer Operationsphase;
    • 5 ist ein Diagramm, das ein Beispiel für eine Konfiguration eines Spritzgießsystems zeigt; und
    • 6 ist ein Diagramm, das ein Beispiel für eine Konfiguration eines Spritzgießsystems zeigt.
  • AUSFÜHRLICHE BESCHREIBUNG DER ERFINDUNG
  • Nachfolgend wird eine Beschreibung einer Ausführungsform der vorliegenden Offenbarung unter Bezugnahme auf die Zeichnungen gegeben.
  • <Ausführungsform>
  • 1 ist ein funktionales Blockschaltbild, das ein funktionales Konfigurationsbeispiel eines Spritzgießsystems gemäß einer Ausführungsform zeigt. Wie in 1 dargestellt, umfasst das Spritzgießsystem eine Spritzgießmaschine 10, eine Vorhersagevorrichtung 20 und eine Maschinenlernvorrichtung 30.
  • Die Spritzgießmaschine 10, die Vorhersagevorrichtung 20 und die Maschinenlernvorrichtung 30 können über eine Verbindungsschnittstelle (nicht abgebildet) direkt miteinander verbunden sein. Darüber hinaus können die Spritzgießmaschine 10, die Vorhersagevorrichtung 20 und die Maschinenlernvorrichtung 30 über ein Netzwerk (nicht abgebildet) wie beispielsweise ein LAN (Local Area Network) oder das Internet miteinander verbunden sein. In diesem Fall enthalten die Spritzgießmaschine 10, die Vorhersagevorrichtung 20 und die Maschinenlernvorrichtung 30 eine Kommunikationseinheit (nicht abgebildet), um über solche Verbindungen miteinander zu kommunizieren. Wie später beschrieben wird, kann die Spritzgießmaschine 10 die Vorhersagevorrichtung 20 und die Maschinenlernvorrichtung 30 umfassen.
  • Die Spritzgießmaschine 10 ist eine Spritzgießmaschine, die den Fachleuten bekannt ist und eine Steuervorrichtung 15 umfasst. Die Spritzgießmaschine 10 arbeitet auf Grundlage eines Bedienbefehls der Steuervorrichtung 15. Es ist zu beachten, dass die Steuervorrichtung 15 eine von der Spritzgießmaschine 10 unabhängige Vorrichtung sein kann.
  • Die Steuervorrichtung 15 ist eine den Fachleuten bekannte numerische Steuervorrichtung, die auf Grundlage der Steuerinformationen einen Operationsbefehl veranlasst und den erzeugten Operationsbefehl an die Spritzgießmaschine 10 überträgt. Somit steuert die Steuervorrichtung 15 die Operation der Spritzgießmaschine 10. Darüber hinaus kann die Steuervorrichtung 15 die Steuerinformation auch über eine Kommunikationseinheit der Spritzgießmaschine 10 (nicht abgebildet) an die Vorhersagevorrichtung 20 ausgeben. Es ist zu beachten, dass die Steuerinformationen ein Maschinenbearbeitungsprogramm und die Werte von Parametern umfassen, die an die Steuervorrichtung 15 gesetzt werden.
  • In der Operationsphase kann die Vorhersagevorrichtung 20 vor dem Spritzgießen durch die Spritzgießmaschine 10 von der Steuervorrichtung 15 auszuführende Verarbeitungsbedingungen erfassen, die in den Steuerinformationen der Steuervorrichtung 15 enthalten sind. Die Vorhersagevorrichtung 20 kann auch die Zustandsinformation des in der Spritzgießmaschine 10 installierten aktuellen Werkzeugs von der Steuervorrichtung 15 erfassen. Die Vorhersagevorrichtung 20 kann die Zustandsinformation der Form nach dem Gießen vorhersagen, indem sie die erfassten, durchzuführenden Gießbedingungen und die Zustandsinformation der aktuellen Form in das von der Maschinenlernvorrichtung 30 bereitgestellte erlernte Modell eingibt, das später beschrieben werden soll.
  • Es ist zu beachten, dass der Verschleiß der Form hauptsächlich durch den Einfluss des korrosiven Gases, das durch dem Harz zugesetzte Additive erzeugt wird, und durch die Reibung mit dem geschmolzenen Harz, das die Additive wie Glasfaser enthält, verursacht wird. Um den Einfluss des korrosiven Gases und die Reibung mit dem geschmolzenen Harz zu berücksichtigen, umfassen die Formbedingungen daher die Art des Harzes (Materials) (wärmehärtbares Harz wie Epoxidharz oder Polyurethanharz, thermoplastisches Harz wie Polyester oder Polyvinylchlorid), die Arten der Additive (Glasfaser, Stabilisator, Farbmittel usw.), das Mischungsverhältnis des Additivs und die Harztemperatur. Darüber hinaus können die Formbedingungen die Temperatur der Werkzeugoberfläche, das Produkt aus Nachdruck und Nachdruckzeit, die Einspritzgeschwindigkeit, den Einspritzdruck, die Einspritzmenge und die bisherige Schusszahl („shot count“) umfassen.
  • Darüber hinaus umfassen die Zustandsinformationen den Abnutzungsbetrag des Werkzeugs, wie später beschrieben wird.
  • Bevor die Vorhersagevorrichtung 20 beschrieben wird, werden der „Abnutzungsbetrag des Werkzeugs“ und die Maschinenlernvorrichtung zur Erzeugung eines erlernten Modells beschrieben.
  • <Abnutzungsbetrag der Form>
  • Wie oben beschrieben, gibt der „Abnutzungsbetrag der Form“ den Betrag an, um den sich die in der Spritzgießmaschine 10 installierte Form aufgrund des korrosiven Gases, das durch die dem Harz zugesetzten Additive erzeugt wird, und der Reibung mit dem geschmolzenen Harz, das mit den Additiven wie Glasfaser vermischt ist, abgenutzt hat. Der „Abnutzungsbetrag der Form“ ist ein Abschnitt, in dem sich die Maßhaltigkeit bei der Überprüfung der Abmessung des Formteils verschlechtert hat, und wird durch die Differenz zwischen der Abmessung eines Formteils (erstes Stück usw.), das nach dem Austausch der Form zum ersten Mal spritzgegossen wurde, und der Abmessung eines Formteils, das nach dem ersten Stück spritzgegossen wurde, berechnet. Das heißt, die Abmessungen der erstmals spritzgegossenen Formteile sind identisch, und somit wird der „Abnutzungsbetrag der Form“ zu „0%“. Darüber hinaus wird der „Abnutzungsbetrag der Form“ mit der Wiederholung des Spritzgießens ein größerer Wert und liegt beim zulässigen Grenzwert der Abmessung des geformten Artikels (dem zulässigen Grenzwert des Abnutzungsbetrags) bei „100%“.
  • Es ist zu beachten, dass der „Abnutzungsbetrag der Form“ durch einen Prozentwert im Bereich von „0%“ bis „100%“ angegeben wird; der „Abnutzungsbetrag der Form“ kann jedoch beispielsweise ein Wert im Bereich von „0“ bis „1“ usw. sein.
  • <Maschinenlernvorrichtung 30>
  • Die Maschinenlernvorrichtung 30 zum Beispiel erfasst im Voraus als Eingabevorrichtung jede beliebige Formbedingung beim Spritzgießen durch eine beliebige Spritzgießmaschine sowie Zustandsinformationen, die den Abnutzungsbetrag der Form vor dem Gießen bei den Formbedingungen umfassen.
  • Darüber hinaus erfasst die Maschinenlernvorrichtung 30 die Daten, die den Abnutzungsbetrag der Form nach dem Gießen bei den Formbedingungen in den erfassten Eingabevorrichtungen als Label angeben (richtige Antwort).
  • Die Maschinenlernvorrichtung 30 führt ein überwachtes Lernen unter Verwendung von Trainingsdaten durch, die ein Satz aus dem Label und den erfassten Eingabevorrichtungen sind, und konstruiert ein erlerntes Modell, das später beschrieben wird.
  • Auf diese Weise kann die Maschinenlernvorrichtung 30 das konstruierte erlernte Modell der Vorhersagevorrichtung 20 zur Verfügung stellen.
  • Die Maschinenlernvorrichtung 30 wird im Detail beschrieben.
  • Die Maschinenlernvorrichtung 30 umfasst eine Eingabedaten-Erfassungseinheit 301, eine Label-Erfassungseinheit 302, eine Lerneinheit 303 und eine Speichereinheit 304, wie in 1 dargestellt.
  • In der Lernphase erfasst die Eingabedaten-Erfassungseinheit 301 als Eingabedaten die Zustandsinformation einschließlich beliebiger Formbedingungen und den Abnutzungsbetrag des Werkzeugs vor dem Formen bei den Formbedingungen über eine Kommunikationseinheit (nicht dargestellt) von der Steuervorrichtung 15 oder dergleichen. Die Eingabedaten-Erfassungseinheit 301 gibt die erfassten Eingabedaten an die Speichereinheit 304 aus.
  • Die Label-Erfassungseinheit 302 erfasst die Daten, die den Abnutzungsbetrag der Form nach dem Gießen bei den Gussbedingungen in den Eingabedaten als Label-Daten (korrekte Antwortdaten) angeben, und gibt die erfassten Label-Daten an die Speichereinheit 304 aus.
  • Die Lerneinheit 303 erhält den Satz der oben beschriebenen Eingabedaten und das Label als Trainingsdaten und führt das beaufsichtigte Lernen unter Verwendung der erhaltenen Trainingsdaten durch, um ein erlerntes Modell 250 zu konstruieren, das den Abnutzungsbetrag der Form nach dem Formen auf Grundlage der durchzuführenden Formbedingungen und der Zustandsinformationen des aktuellen Abnutzungsbetrags der Form vorhersagt.
  • Danach stellt die Lerneinheit 303 das konstruierte erlernte Modell 250 der Vorhersagevorrichtung 20 zur Verfügung.
  • Es ist zu beachten, dass es vorzuziehen ist, eine Reihe von Trainingsdaten für die Durchführung des überwachten Lernens vorzubereiten. Beispielsweise können Trainingsdaten von jeder der Steuervorrichtungen 15 der Spritzgießmaschinen 10 an verschiedenen Orten, an denen sie tatsächlich in Betrieb sind, wie beispielsweise im Werk des Kunden, erfasst werden.
  • 2 ist ein Diagramm, das ein Beispiel des erlernten Modells 250 zeigt, das der Vorhersagevorrichtung 20 aus 1 zur Verfügung gestellt wurde. Wie in 2 dargestellt, stellt das erlernte Modell 250 hier ein Beispiel für ein mehrschichtiges neuronales Netzwerk dar, in dem die durchzuführenden Formbedingungen wie die Art des Harzes und der Art des Additivs sowie die Zustandsinformation des aktuellen Abnutzungsbetrags der Form als Eingangsschicht und die Daten, die den „Abnutzungsbetrag“ der Form nach dem Formen bei den Formbedingungen angeben, als Ausgangsschicht verwendet werden.
  • Dabei umfassen die durchzuführenden Formbedingungen die Art des Harzes (Materials) (wärmehärtbares Harz wie Epoxidharz, thermoplastisches Harz wie Polyester), die Arten der Additive (Glasfaser, Stabilisator, Farbmittel usw.), die Temperatur einer Formoberfläche, das Produkt aus Haltedruck und Haltedruckzeit, die Harztemperatur, die Einspritzgeschwindigkeit, den Einspritzdruck, die Einspritzmenge und die bisherige Schusszahl („shot number“).
  • Es ist zu beachten, dass die durchzuführenden Formbedingungen beispielsweise Informationen über die Form (Anguss, Angusskanal, Anschnitt, die Größe des Weges jedes Abschnitts wie Kavität (Größe der Querschnittsfläche), Volumen, Oberfläche usw.) und Informationen über den geformten Artikel (Form, Abmessungen, Wanddicke usw.) umfassen können. Die Informationen über die Form und die Informationen über den geformten Artikel können beispielsweise aus CAD (Computer Aided Design) -Zeichnungen oder ähnlichem gewonnen werden, die in die Steuervorrichtung 15 eingegeben werden.
  • Darüber hinaus kann in einem Fall, in dem nach der Konstruktion des erlernten Modells 250 neue Trainingsdaten erfasst werden, die Lerneinheit 303 das konstruierte erlernte Modell 250 aktualisieren, indem sie das überwachte Lernen für das erlernte Modell 250 weiter durchführt.
  • Das betreute Lernen kann durch Online-Lernen durchgeführt werden. Darüber hinaus kann das beaufsichtigte Lernen auch als Batch-Lernen durchgeführt werden. Darüber hinaus kann das überwachte Lernen auch als Mini-Batch-Lernen durchgeführt werden.
  • Beim Online-Lernen handelt es sich um ein Lernverfahren, bei dem das Spritzgießen mit der Spritzgießmaschine 10 durchgeführt wird und das überwachte Lernen bei jeder Erstellung der Trainingsdaten sofort ausgeführt wird. Darüber hinaus ist das Batch-Lernen ein Lernverfahren, bei dem während des Spritzgießens mit der Spritzgießmaschine 10 und der Wiederholung der Trainingsdaten eine Vielzahl von Trainingsdaten, die der Wiederholung entsprechen, gesammelt wird und das überwachte Lernen unter Verwendung aller gesammelten Trainingsdaten durchgeführt wird. Darüber hinaus ist das Minibatch-Lernen ein Lernverfahren, das zwischen dem Online-Lernen und dem Batch-Lernen liegt und bei dem das überwachte Lernen immer dann durchgeführt wird, wenn eine bestimmte Menge an Trainingsdaten gesammelt wird.
  • Die Speichereinheit 304 ist RAM (Random Access Memory) o.ä. und speichert Eingabedaten, die von der Eingabedaten-Erfassungseinheit 301 erfasst wurden, die Label-Daten, die von der Label-Erfassungseinheit 302 erfasst wurden, und das erlernte Modell 250, das von der Lerneinheit 303 konstruiert wurde.
  • Das maschinelle Lernen zur Erzeugung des erlernten Modells 250, das in der Vorhersagevorrichtung 20 enthalten ist, wurde oben beschrieben.
  • Als nächstes wird die Vorhersagevorrichtung 20 in einer Operationsphase beschrieben.
  • <Vorhersagevorrichtung 20 in Operationsphase>
  • Wie in 1 dargestellt, umfasst die Vorhersagevorrichtung 20 in einer Operationsphase eine Eingabevorrichtung 201, eine Vorhersageeinheit 202, eine Bestimmungseinheit 203, eine Benachrichtigungseinheit 204 und eine Speichereinheit 205.
  • Es ist zu beachten, dass die Vorhersagevorrichtung 20 eine arithmetische Verarbeitungseinheit (nicht dargestellt), wie beispielsweise eine Zentraleinheit (CPU), umfasst, um die Operation der in 1 dargestellten Funktionsblöcke zu realisieren. Darüber hinaus umfasst die Vorhersagevorrichtung 20 eine Hilfsspeichervorrichtung (nicht dargestellt), wie beispielsweise einen Festwertspeicher (ROM) oder eine Festplatte zur Speicherung verschiedener Steuerprogramme, und eine Hauptspeichervorrichtung (nicht dargestellt), wie beispielsweise RAM zur flüchtigen Speicherung von Daten, die von der arithmetischen Verarbeitungseinheit zur Ausführung der Programme benötigt werden.
  • Darüber hinaus liest die arithmetische Verarbeitungseinheit in der Vorhersagevorrichtung 20 ein Betriebssystem oder eine Anwendungssoftware aus der Hilfsspeichervorrichtung und entwickelt das gelesene Betriebssystem und die Anwendungssoftware in der Hauptspeichervorrichtung, um die arithmetische Verarbeitung auf Grundlage des gelesenen Betriebssystems oder der Anwendungssoftware durchzuführen. Die Vorhersagevorrichtung 20 steuert Hardwarekomponenten auf Grundlage des Ergebnisses der arithmetischen Verarbeitung. Auf diese Weise wird die Verarbeitung der in 1 dargestellten Funktionsblöcke realisiert. Das heißt, die Vorhersagevorrichtung 20 kann durch das Zusammenwirken von Hard- und Software realisiert werden.
  • Vor dem Spritzgießen durch die Spritzgießmaschine 10 gibt die Eingabevorrichtung 201 die durchzuführenden Verarbeitungsbedingungen und die Zustandsinformation des aktuellen Abnutzungsbetrags der Form ein, beispielsweise aus der Steuerinformation der Steuervorrichtung 15. Die Eingabeeinheit 201 gibt die erfassten, durchzuführenden Formbedingungen und die Zustandsinformation des aktuellen Abnutzungsbetrags des Werkzeugs an die Vorhersageeinheit 202 aus.
  • Die Vorhersageeinheit 202 gibt die durchzuführenden Formbedingungen und die Zustandsinformation des aktuellen Abnutzungsbetrags der Form in das erlernte Modell 250 von 2 ein, um die Zustandsinformation des „Abnutzungsbetrags“ der Form nach dem Formen vorherzusagen.
  • Die Bestimmungseinheit 203 bestimmt auf Grundlage der Zustandsinformation des von der Vorhersageeinheit 202 vorhergesagten Abnutzungsbetrags der Form nach dem Gießen, ob die Form ersetzt werden soll.
  • Genauer gesagt, die Bestimmungseinheit 203 bestimmt den optimalen Zeitpunkt für den Austausch der Form auf Grundlage des Vergleichs zwischen dem vorhergesagten Wert des Abnutzungsbetrags der Form und einem im Voraus festgelegten Schwellwert.
  • 3 ist ein Diagramm, das ein Beispiel für den Abnutzungsbetrag der Form zeigt. Wie aus 3 hervorgeht, beträgt der Abnutzungsbetrag des Werkzeugs beispielsweise „0%“ als Anfangswert bei einem neuen Werkzeug, und der Abnutzungsbetrag erhöht sich durch die wiederholte Verwendung beim Spritzgießen durch die Spritzgießmaschine 10. Wenn zum Beispiel der Abnutzungsbetrag der Form im Bereich von „0%“ bis weniger als „80%“ liegt, funktioniert die Form einwandfrei. Beträgt der Abnutzungsbetrag hingegen „80%“ oder mehr, funktioniert das Werkzeug nicht einwandfrei.
  • In der folgenden Beschreibung wird der Abnutzungsbetrag von „80%“ als Schwellwert α festgelegt. Es ist zu beachten, dass der Schwellwert α gemäß der Umgebung oder ähnlichem der Fabrik, in der die Spritzgießmaschine 10 installiert ist, angemessen eingestellt werden kann.
  • Die Bestimmungseinheit 203 bestimmt, ob der von der Vorhersageeinheit 202 vorhergesagte Abnutzungsbetrag des Werkzeugs kleiner als der Schwellwert α ist. In einem Fall, in dem der vorhergesagte Abnutzungsbetrag des Werkzeugs kleiner als der Schwellwert α ist, bestimmt die Bestimmungseinheit 203 gemäß den von der Eingabeeinheit 201 eingegebenen Formbedingungen, das Werkzeug vor dem Gießen nicht zu ersetzen. Andererseits bestimmt die Bestimmungseinheit 203 in einem Fall, in dem der vorhergesagte Abnutzungsbetrag der Form zum Schwellwert α oder mehr wird, den Zeitraum vor dem Formen bei den eingegebenen Formbedingungen als Austauschzeitpunkt der Form.
  • Die Bestimmungseinheit 204 kann eine Anweisung zum Austausch der so bestimmten Form an eine (nicht abgebildete) Ausgabevorrichtung wie eine Flüssigkristallanzeige ausgeben, die in der Spritzgießmaschine 10 und/oder der Steuervorrichtung 15 enthalten ist.
  • Dabei kann die Meldeeinheit 204 dem Anwender (Bediener) den von der Bestimmungseinheit 203 ermittelten optimalen Zeitpunkt für den Werkzeugwechsel empfehlen. Darüber hinaus kann die Benachrichtigungseinheit 204 die Benachrichtigung per Ton über einen Lautsprecher (nicht abgebildet) durchführen.
  • Die Speichereinheit 205 ist ein ROM, eine Festplatte oder ähnliches und kann das erlernte Modell 250 zusammen mit verschiedenen Steuerprogrammen speichern.
  • <Vorhersageverarbeitung der Vorhersagevorrichtung 20 in der Operationsphase>
  • Als nächstes wird die Operation im Zusammenhang mit der Vorhersageverarbeitung der Vorhersagevorrichtung 20 gemäß der vorliegenden Ausführungsform beschrieben.
  • 4 ist ein Flussdiagramm, das die Vorhersageverarbeitung der Vorhersagevorrichtung 20 in einer Operationsphase beschreibt.
  • In Schritt S11 gibt die Eingabevorrichtung 201 vor dem Spritzgießen durch die Spritzgießmaschine 10 die durchzuführenden Verarbeitungsbedingungen und die Zustandsinformation des aktuellen Abnutzungsbetrags der Form aus der Steuerinformation der Steuervorrichtung 15 ein.
  • In Schritt S12 gibt die Vorhersageeinheit 202 die in Schritt S11 eingegebenen Formbedingungen und die Zustandsinformation des Abnutzungsbetrags der Form in das erlernte Modell 250 ein und sagt die Zustandsinformation des Abnutzungsbetrags der Form nach dem Gießen voraus.
  • In Schritt S13 bestimmt die Bestimmungseinheit 203 auf Grundlage des Vergleichs zwischen dem in Schritt S12 vorhergesagten Wert des Abnutzungsbetrags der Form nach dem Gießen und dem Schwellwert a, ob die Form vor dem Gießen ersetzt werden muss. In einem Fall, in dem festgestellt wird, dass die Form ersetzt werden muss, geht die Verarbeitung zu Schritt S14 über, und in einem Fall, in dem festgestellt wird, dass die Form nicht ersetzt werden muss, endet die Verarbeitung.
  • In Schritt S14 benachrichtigt die Bestimmungseinheit 204 über die Anweisung zum Austausch der in Schritt S13 ermittelten Form.
  • So umfasst die Vorhersagevorrichtung 20 gemäß einer Ausführungsform Eingaben vor dem Spritzgießen durch die Spritzgießmaschine 10, die gemäß der Formgebung durchzuführenden Formbedingungen und die Zustandsinformation einschließlich des aktuellen Abnutzungsbetrags der Form zum erlernten Modell 250 und sagt die Zustandsinformation des Abnutzungsbetrags der Form nach dem Gießen voraus. Dann kann die Vorhersagevorrichtung 20 im Voraus auf Grundlage des Vergleichs zwischen dem vorhergesagten Wert des vorhergesagten Abnutzungsbetrags der Form nach dem Gießen und dem Schwellwert erkennen, ob ein Austausch der Form während des Gießens erforderlich ist oder nicht.
  • Das heißt, die Vorhersagevorrichtung 20 kann gemäß der Anzahl der Spritzgießvorgänge im Voraus vorhersagen, wie stark die Form abgenutzt ist, und somit den Zeitraum vor dem Gießen bei den zu erfüllenden Gießbedingungen als optimalen Zeitpunkt für den Austausch der Form erkennen. Darüber hinaus kann die Vorhersagevorrichtung 20 den Abnutzungsbetrag der Form verschiedener Formen vorhersagen.
  • Darüber hinaus kann das Spritzgießsystem die Produktion defekter Produkte durch Austausch der Form reduzieren, da der Zeitraum für den Austausch der Form (Lebensdauer) bekannt ist.
  • Die Vorhersagevorrichtung 20 verwendet auch die erlernten Modelle 250, so dass der Bediener nicht mehr feststellen muss, ob die Form ausgetauscht werden muss, wodurch die Belastung des Bedieners verringert wird.
  • Während eine Ausführungsform oben beschrieben wurde, sind die Vorhersagevorrichtung 20 und die Maschinenlernvorrichtung 30 nicht auf die oben beschriebene Ausführungsform beschränkt, und Modifikationen, Verbesserungen und dergleichen können in einem Umfang vorgenommen werden, der geeignet ist, den Gegenstand der vorliegenden Erfindung zu erreichen.
  • <Modifikationsbeispiel 1 >
  • In der oben beschriebenen Ausführungsform wurde die Maschinenlernvorrichtung 30 als eine Vorrichtung dargestellt, die sich von der Spritzgießmaschine 10, der Steuervorrichtung 15 und der Vorhersagevorrichtung 20 unterscheidet. Die Spritzgießmaschine 10, die Steuervorrichtung 15 oder die Vorhersagevorrichtung 20 können jedoch einige oder alle Funktionen der Maschinenlernvorrichtung 30 haben.
  • <Modifikationsbeispiel 2>
  • Obwohl zum Beispiel in der oben beschriebenen Ausführungsform die Vorhersagevorrichtung 20 als eine von der Spritzgießmaschine 10 oder der Steuervorrichtung 15 abweichende Vorrichtung beispielhaft dargestellt ist, kann die Spritzgießmaschine 10 oder die Steuervorrichtung 15 einige oder alle Funktionen der Vorhersagevorrichtung 20 aufweisen.
  • Alternativ kann der Server beispielsweise einige oder alle der Eingabeeinheit 201, der Vorhersageeinheit 202, der Bestimmungseinheit 203, der Benachrichtigungseinheit 204 und der Speichereinheit 205 der Vorhersagevorrichtung 20 umfassen. Darüber hinaus können die Funktionen der Vorhersagevorrichtung 20 mit Hilfe einer virtuellen Serverfunktion oder ähnlichem auf einer Wolke realisiert werden.
  • Darüber hinaus kann die Vorhersagevorrichtung 20 ein verteiltes Verarbeitungssystem sein, in dem die Funktionen der Vorhersagevorrichtung 20 angemessen auf eine Vielzahl von Servern verteilt sind.
  • <Modifikationsbeispiel 3>
  • Weiterhin umfassen beispielsweise in der obigen Ausführungsform die durchzuführenden Formbedingungen die Art des Harzes (Materials) (wärmehärtbares Harz wie Epoxidharz, thermoplastisches Harz wie Polyester), die Arten der Zusätze (Glasfaser, Stabilisator, Farbstoff usw.), die Temperatur der Formoberfläche, das Produkt aus Druckhalte- und Druckhaltezeit, die Harztemperatur, die Einspritzgeschwindigkeit, den Einspritzdruck, die Einspritzmenge und die bisherige Schusszahl; die vorliegende Erfindung ist jedoch nicht darauf beschränkt.
  • Die durchzuführenden Formbedingungen können beispielsweise Informationen über die Form (Anguss, Angusskanal, Anschnitt, die Größe des Weges jedes Abschnitts wie Kavität (Größe der Querschnittsfläche), Volumen, Oberfläche usw.) und Informationen über den geformten Gegenstand (Form, Abmessungen, Wanddicke usw.) umfassen. Es ist zu beachten, dass die Informationen über die Form und die Informationen über den geformten Artikel beispielsweise aus CAD-Zeichnungen o.ä. gewonnen werden können, die in die Eingabevorrichtung 15 eingegeben werden.
  • <Modifikationsbeispiel 4>
  • Darüber hinaus bestimmt beispielsweise in der oben beschriebenen Ausführungsform die Bestimmungseinheit 203 der Vorhersagevorrichtung 20 den Zeitpunkt für den Austausch der Form als Zeitraum vor dem Gießen auf Grundlage des Vergleichs zwischen dem vorhergesagten Wert des Abnutzungsbetrags der Form nach dem Gießen und dem Schwellwert.
  • Zum Beispiel in einem Fall des Formens einer Vielzahl von geformten Gegenständen auf Grundlage der durchzuführenden Formbedingungen und der Zustandsinformation des aktuellen Abnutzungsbetrags der Form, kann die Bestimmungseinheit 203 die Anzahl der geformten Gegenstände (die durchzuführende Schusszählung) so einstellen, dass der vorhergesagte Wert des Abnutzungsbetrags der Form nach dem Formen der Vielzahl von geformten Gegenständen kleiner als der Schwellwert wird.
  • Genauer gesagt, in einem Fall, in dem der vorhergesagte Wert des Abnutzungsbetrags der Form nach dem Gießen zum Schwellwert oder mehr wird, kann die Bestimmungseinheit 203 beispielsweise um eine vorbestimmte Anzahl „die durchzuführende Schusszahl (die Anzahl der Gussteile)“ (nach Anweisung des Bedieners) reduziert werden, indem eine Vielzahl von geformten Artikeln mit den durchzuführenden Gussbedingungen gegossen wird. Die Bestimmungseinheit 203 kann die Anzahl k (k ist eine ganze Zahl von 1 oder mehr) von geformten Artikeln suchen, bei denen der vorhergesagte Wert des Abnutzungsbetrags kleiner als der Schwellwert ist, indem sie die Vorhersageeinheit 202 veranlasst, jedes Mal den Abnutzungsbetrag der Form nach dem Formen vorherzusagen.
  • Zum Beispiel in einem Fall, in dem der vorhergesagte Wert des Abnutzungsbetrags der Form nach dem Formen zum Schwellwert oder mehr wird, wenn versucht wird, zehn Stücke von geformten Gegenständen mit den durchzuführenden Formbedingungen zu formen, kann die Bestimmungseinheit 203 die Anzahl der geformten Gegenstände von zehn Stücken um eins (vorbestimmte Anzahl) reduzieren und nach der Anzahl der geformten Gegenstände suchen, wie beispielsweise acht Stücke, bei denen der vorhergesagte Wert des Abnutzungsbetrags kleiner als der Schwellwert ist.
  • Dann bestimmt die Bestimmungseinheit 203 beispielsweise den Zeitraum nach dem Formen der k-Anzahl der geformten Artikel als Zeitpunkt für den Austausch der Form. Damit kann das Spritzgießsystem aus 1 die Spritzgießmaschine 10 zum Austausch der Form zu einem geeigneten Zeitpunkt, nämlich dem ermittelten Zeitraum, anhalten.
  • Auf diese Weise kann das Spritzgießsystem im Voraus den Zeitpunkt für den Austausch der Form vorhersagen, d.h. die Anzahl der Spritzgießvorgänge, die den Austausch der Form vor Beginn des Gießens erfordern. Darüber hinaus kann das Spritzgießsystem die Notwendigkeit eines Werkzeugwechsels während des Gießens vermeiden, und somit ist es möglich, das Gießen eines Formteils in einem Zustand zu vermeiden, in dem das Werkzeug verschlissen ist.
  • <Modifikationsbeispiel 5>
  • In der oben beschriebenen Ausführungsform verwendet beispielsweise die Vorhersagevorrichtung 20 das von der Maschinenlernvorrichtung 30 bereitgestellte erlernte Modell 250, um den Abnutzungsbetrag der Form nach dem Gießen bei den von einer Spritzgießmaschine 10 ermittelten Formbedingungen vorherzusagen; die vorliegende Erfindung ist jedoch nicht darauf beschränkt. Zum Beispiel kann, wie in 5 gezeigt, der Server 50 das von der Maschinenlernvorrichtung 30 erzeugte erlernte Modell 250 speichern und das erlernte Modell 250 mit einer Anzahl m von Vorhersagevorrichtungen 20A(1) bis 20A(m) teilen, die an ein Netzwerk 60 angeschlossen sind (m ist eine ganze Zahl von 2 oder mehr). Dadurch kann das erlernte Modell 250 auch dann angewendet werden, wenn neue Spritzgießmaschinen und Vorhersagevorrichtungen installiert werden.
  • Es ist zu beachten, dass jede der Vorhersagevorrichtungen 20A(1) bis 20A(m) an eine entsprechende der Spritzgießmaschinen 10A(1) bis 10A(m) angeschlossen ist.
  • Außerdem entspricht jede der Spritzgießmaschinen 10A(1) bis 10A(m) der Spritzgießmaschine 10 aus 1. Jede der Vorhersagevorrichtungen 20A(1) bis 20A(m) entspricht der Vorhersagevorrichtung 20 aus 1.
  • Alternativ kann, wie in 6 gezeigt, beispielsweise der Server 50 als Vorhersagevorrichtung 20 arbeiten und den Abnutzungsbetrag der Form nach dem Gießen bei den für jede der an das Netz 60 angeschlossenen Spritzgießmaschinen 10A(1) bis 10A(m) durchzuführenden Verarbeitungsbedingungen vorhersagen. Dadurch kann das erlernte Modell 250 auch dann angewendet werden, wenn neue Spritzgießmaschinen eingesetzt werden.
  • Es ist zu beachten, dass die Funktionen, die die Vorhersagevorrichtung 20 und die Maschinenlernvorrichtung 30 der Ausführungsform umfassen, durch Hardware, Software oder eine Kombination davon realisiert werden können. Durch Software realisiert zu werden bedeutet hier, durch einen Computer realisiert zu werden, der Programme liest und ausführt.
  • Jede Komponente, die in der Vorhersagevorrichtung 20 und der Maschinenlernvorrichtung 30 enthalten ist, kann durch Hardware einschließlich elektronischer Schaltungen, Software oder einer Kombination davon oder ähnliches implementiert werden. Wenn sie durch Software implementiert sind, werden die Programme, die diese Software bilden, auf dem Computer installiert. Diese Programme können auch auf Wechselmedien aufgezeichnet und an den Benutzer verteilt oder über ein Netzwerk auf den Computer des Benutzers heruntergeladen werden. Darüber hinaus können, wenn sie durch Hardware konfiguriert werden, ein Teil oder alle Funktionen jeder Komponente, die in dem oben beschriebenen Gerät enthalten sind, durch eine integrierte Schaltung (IC) gebildet werden, wie beispielsweise eine ASIC (Application Specific Integrated Circuit), ein Gate-Array, ein FPGA (Field Programmable Gate Array), ein CPLD (Complex Programmable Logic Device) oder ähnliches.
  • Die Programme können auf verschiedenen Arten von nichtflüchtigen computerlesbaren Medien gespeichert und einem Computer zur Verfügung gestellt werden. Die nichtflüchtigen computerlesbaren Medien umfassen verschiedene Arten von greifbaren Speichermedien. Beispiele für nichtflüchtige computerlesbare Medien umfassen magnetische Aufzeichnungsmedien (beispielsweise flexible Platten, Magnetbänder, Festplattenlaufwerke), magnetooptische Medien (beispielsweise magnetooptische Platten), CD-ROM (Nur-LeseSpeicher), CD-R, CD-R/W, Halbleiterspeicher (beispielsweise Masken-ROM, PROM (programmierbares ROM), EPROM (löschbares PROM), Flash-ROM und RAM. Darüber hinaus können die Programme einem Computer unter Verwendung verschiedener Arten von flüchtigen computerlesbaren Medien zur Verfügung gestellt werden. Beispiele für transitorische computerlesbare Medien umfassen elektrische Signale, optische Signale und elektromagnetische Wellen. Ein flüchtiges computerlesbares Medium kann einem Computer Programme über einen verdrahteten Kommunikationspfad, wie beispielsweise ein elektrisches Kabel, eine optische Faser oder ähnliches, oder über einen drahtlosen Kommunikationspfad zur Verfügung stellen.
  • Es ist zu beachten, dass ein Schritt des Schreibens von Programmen, die auf einem Aufzeichnungsmedium aufgezeichnet werden sollen, eine Verarbeitung umfasst, die gemäß der Reihenfolge in Zeitreihenform durchgeführt wird, sowie eine Verarbeitung, die parallel oder unabhängig voneinander durchgeführt wird, auch wenn die Verarbeitung nicht unbedingt in Zeitreihenform erfolgt.
  • Mit anderen Worten, die Maschinenlernvorrichtung, die Vorhersagevorrichtung und die Steuervorrichtung der vorliegenden Offenbarung können verschiedene Ausführungsformen mit den folgenden Konfigurationen haben.
  • (1) Die Maschinenlernvorrichtung 30 der vorliegenden Offenbarung umfasst: eine Eingabedaten-Erfassungseinheit 301, die Eingabedaten einschließlich irgendeiner Formbedingung einschließlich wenigstens einer Harzart, einer Additivart, eines Mischungsverhältnisses des Additivs und einer Temperatur des Harzes beim Formen irgendeines Artikels, der durch irgendeine Spritzgießmaschine 10 geformt wird, und Zustandsinformationen, die einen Abnutzungsbetrag einer Form vor dem Formen bei den Formbedingungen angeben, erfasst; eine Label-Erfassungseinheit 302, die Label-Daten erfasst, die Zustandsinformationen der Form nach dem Formen bei den in den Eingabedaten enthaltenen Formbedingungen angeben; und eine Lerneinheit 303, die ein überwachtes Lernen unter Verwendung der von der Eingabedaten-Erfassungseinheit 301 erfassten Eingabedaten und der von der Label-Erfassungseinheit 302 erfassten Label-Daten ausführt und ein erlerntes Modell 250 erzeugt.
  • Gemäß der Maschinenlernvorrichtung 30 ist es möglich, das erlernte Modell 250 zur Vorhersage des Abnutzungsbetrags der Form nach dem Gießen unter Berücksichtigung der Reibung mit dem geschmolzenen Harz, das am meisten zum Verschleiß der Form beiträgt, und des Einflusses von korrosivem Gas oder ähnlichem, das durch das dem Harz zugefügte Additiv erzeugt wird, zu erzeugen.
  • (2) Die Formbedingung kann Informationen über die Form und/oder Informationen über den geformten Gegenstand umfassen.
  • Auf diese Weise kann das erlernte Modell 250 erzeugt werden, das mit einer bestimmten Form oder einem bestimmten geformten Artikel umgehen kann.
  • (3) Die Vorhersagevorrichtung 20 der vorliegenden Offenbarung umfasst: ein erlerntes Modell 250, das von einer Maschinenlernvorrichtung 30 gemäß (1) oder (2) oben erzeugt wird; eine Eingabeeinheit 201, die vor dem Formen durch eine Spritzgießmaschine 10 eine durchzuführende Formbedingung und Zustandsinformationen einer aktuellen Form eingibt; und eine Vorhersagevorrichtung 202, die die durchzuführende Formbedingung und die Zustandsinformationen der aktuellen Form, die von der Eingabeeinheit 201 in das erlernte Modell 250 eingegeben werden, eingibt und Zustandsinformationen der Form nach dem Formen bei der durchzuführenden Formbedingung vorhersagt.
  • Gemäß der Vorhersagevorrichtung 20 ist es möglich, den Abnutzungsbetrag der Form nach dem Gießen vorherzusagen.
  • (4) Sie kann des Weiteren so konfiguriert sein, dass sie eine Bestimmungseinheit 203 umfasst, die einen Zeitraum für den Austausch der Form auf Grundlage eines Vergleichs zwischen einem in der Zustandsinformation der Form enthaltenen, von der Vorhersageeinheit 202 vorhergesagten Wert und einem im Voraus festgelegten Schwellwert bestimmt.
  • Auf diese Weise kann mit der Vorhersagevorrichtung 20 vermieden werden, dass die Form während des Formens ausgetauscht werden muss, und somit kann vermieden werden, dass der geformte Artikel in einem Zustand geformt wird, in dem die Form verschlissen ist.
  • (5) In einem Fall des Formens einer Vielzahl von Gegenständen, die auf Grundlage der durchzuführenden Formbedingung und der Zustandsinformation der aktuellen Form geformt werden, kann die Bestimmungseinheit 203 eine Anzahl von zu formenden Gegenständen so einstellen, dass der Vorhersagewert nach dem Formen der Vielzahl von Gegenständen kleiner als der Schwellwert wird.
  • Auf diese Weise ist es möglich, im Voraus den Zeitpunkt für den Austausch der Form vorherzusagen, d.h. die Anzahl der Spritzgießvorgänge, die den Austausch der Form vor Beginn des Spritzgießens erfordern, und somit ist es möglich, den Austausch der Form zu planen, indem die Spritzgießmaschine 10 zu einem geeigneten Zeitpunkt des Gießens angehalten wird.
  • (6) Das erlernte Modell 250 kann in einem Server 50 bereitgestellt werden, der über ein Netzwerk 60 von der Vorhersagevorrichtung 20 aus zugänglich ist.
  • Auf diese Weise kann das erlernte Modell 250 auch dann angewendet werden, wenn eine neue Spritzgießmaschine 10, eine neue Steuervorrichtung 15 und eine neue Vorhersagevorrichtung 20 installiert sind.
  • (7) Es kann so konfiguriert werden, dass es eine Maschinenlernvorrichtung 30 umfasst.
  • Auf diese Weise ist es möglich, vorteilhafte Effekte zu erzielen, die denen der oben genannten (1) bis (6) ähnlich sind.
  • (8) Die Steuervorrichtung 15 der vorliegenden Offenbarung kann eine Vorhersagevorrichtung 20 umfassen.
  • Gemäß der Steuervorrichtung 15 ist es möglich, Vorteile zu erzielen, die denen der obigen (1) bis (7) ähnlich sind.
  • Bezugszeichenliste
  • 10
    Spritzgießmaschine
    15
    Steuervorrichtung
    20
    Vorhersagevorrichtung
    201
    Eingabeeinheit
    202
    Vorhersageeinheit
    203
    Bestimmungseinheit
    250
    erlerntes Modell
    30
    Maschinenlernvorrichtung
    301
    Eingabe-Datenerfassungseinheit
    302
    Label-Erfassungseinheit
    303
    Lerneinheit
    50
    Server

Claims (8)

  1. Maschinenlernvorrichtung (30), umfassend: eine Eingabedaten-Erfassungseinheit (301), die Eingabedaten erfasst, die eine beliebige Formbedingung umfassen, die wenigstens eine Art von Harz, eine Art von Additiv, ein Mischungsverhältnis des Additivs und/oder eine Temperatur des Harzes beim Formen eines beliebigen Artikels, der durch eine beliebige Spritzgießmaschine (10) geformt wird, und Zustandsinformationen, die einen Abnutzungsbetrag einer Form vor dem Formen bei den Formbedingungen angeben, umfasst; eine Label-Erfassungseinheit (302), die Label-Daten erfasst, die Zustandsinformationen der Form nach dem Formen bei den in den Eingabedaten-Erfassungseinheiten enthaltenen Formbedingungen anzeigen; und eine Lerneinheit (303), die überwachtes Lernen unter Verwendung der von der Eingabedaten-Erfassungseinheit (301) erfassten Eingabedaten und der von der Label-Erfassungseinheit (302) erfassten Label-Daten durchführt und ein erlerntes Modell (250) erzeugt.
  2. Maschinenlernvorrichtung (30) nach Anspruch 1, wobei die Verarbeitungsbedingung Informationen bezüglich der Form und/oder Informationen bezüglich des geformten Artikels umfasst.
  3. Vorhersagevorrichtung (20), umfassend: ein erlerntes Modell (250), das von einer Maschinenlernvorrichtung (30) gemäß Anspruch 1 oder 2 erzeugt wird; eine Eingabeeinheit (201), die vor dem Formen durch eine Spritzgießmaschine (10) eine auszuführende Formbedingung und Zustandsinformation einer aktuellen Form eingibt; und eine Vorhersageeinheit (202), die die auszuführende Formbedingung und die Zustandsinformationen der aktuellen Form, die von der Eingabeeinheit (201) in das erlernte Modell (250) eingegeben werden, eingibt und Zustandsinformationen der Form nach dem Formen bei der auszuführenden Formbedingung vorhersagt.
  4. Vorhersagevorrichtung (20) nach Anspruch 3, des Weiteren umfassend eine Bestimmungseinheit (203), die eine Periode zum Ersetzen der Form auf Grundlage eines Vergleichs zwischen einem vorhergesagten Wert, der in der Zustandsinformation der Form enthalten ist, die von der Vorhersageeinheit (202) vorhergesagt wird, und einem Schwellwert, der im Voraus festgelegt wird, bestimmt.
  5. Vorhersagevorrichtung (20) nach Anspruch 4, wobei in einem Fall des Formens einer Vielzahl von Artikeln auf Grundlage der durchzuführenden Formbedingung und der Zustandsinformation der aktuellen Form die Bestimmungseinheit (203) eine Anzahl von zu formenden Artikeln so einstellt, dass der vorhergesagte Wert nach dem Formen der Vielzahl von Artikeln kleiner als der Schwellwert wird.
  6. Vorhersagevorrichtung (20) nach einem der Ansprüche 3 bis 5, wobei das erlernte Modell (250) in einem Server (50) bereitgestellt wird, der über ein Netzwerk (60) von der Vorhersagevorrichtung (20) aus zugänglich ist.
  7. Vorhersagevorrichtung (20) nach einem der Ansprüche 3 bis 6, weiterhin umfassend eine Maschinenlernvorrichtung (30) nach Anspruch 1 oder 2.
  8. Steuervorrichtung (15) mit einer Vorhersagevorrichtung (20) gemäß einem der Ansprüche 3 bis 7.
DE102020205834.2A 2019-06-11 2020-05-08 Maschinenlernvorrichtung, vorhersagevorrichtung und steuervorrichtung Pending DE102020205834A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019108679A JP7277272B2 (ja) 2019-06-11 2019-06-11 機械学習装置、予測装置、及び制御装置
JP2019-108679 2019-06-11

Publications (1)

Publication Number Publication Date
DE102020205834A1 true DE102020205834A1 (de) 2021-02-25

Family

ID=73656093

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102020205834.2A Pending DE102020205834A1 (de) 2019-06-11 2020-05-08 Maschinenlernvorrichtung, vorhersagevorrichtung und steuervorrichtung

Country Status (4)

Country Link
US (1) US11823075B2 (de)
JP (1) JP7277272B2 (de)
CN (1) CN112060520A (de)
DE (1) DE102020205834A1 (de)

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05309711A (ja) * 1992-04-03 1993-11-22 Sony Corp 成形制御方法および装置
JP2001300979A (ja) 2000-04-24 2001-10-30 Asahi Kasei Corp ポリアミド樹脂多層成形品の製造方法
DE102004015530A1 (de) * 2003-03-31 2004-11-11 Sumitomo Chemical Co., Ltd. Verfahren zum Designen einer Form, Verfahren zum Herstellen eines Spritzgießformteils, Programm und Spritzgießvorrichtung
JP2006281647A (ja) * 2005-04-01 2006-10-19 Canon Inc 射出成形における金型温度解析装置および金型温度解析方法
JP2007083602A (ja) 2005-09-22 2007-04-05 Sanko Gosei Ltd 射出成形品の成形収縮率予測方法
JP4167282B2 (ja) 2006-10-27 2008-10-15 日精樹脂工業株式会社 射出成形機の支援装置
JP4216318B2 (ja) * 2007-06-05 2009-01-28 ファナック株式会社 射出成形機
JP2012187787A (ja) 2011-03-10 2012-10-04 Japan Steel Works Ltd:The 成形条件の調整支援方法および射出成形機
JP6056665B2 (ja) 2013-06-07 2017-01-11 マツダ株式会社 熱可塑性樹脂成形品及び熱可塑性樹脂成形品の製造方法
JP6294268B2 (ja) * 2015-07-31 2018-03-14 ファナック株式会社 射出成形機の異常診断装置
CN105751470B (zh) * 2016-03-23 2017-12-12 广西科技大学 一种注塑机温度实时控制方法
JP6348137B2 (ja) * 2016-03-24 2018-06-27 ファナック株式会社 工作物の良否を判定する加工機械システム
JP6517728B2 (ja) * 2016-05-12 2019-05-22 ファナック株式会社 射出成形機の逆流防止弁の摩耗量推定装置および摩耗量推定方法
JP6557272B2 (ja) 2017-03-29 2019-08-07 ファナック株式会社 状態判定装置
US11300949B2 (en) * 2017-08-11 2022-04-12 Jtekt Corporation Data processing device of production equipment
JP6591509B2 (ja) * 2017-11-06 2019-10-16 株式会社東芝 金型温度異常予兆検知装置及びプログラム
JP7159758B2 (ja) * 2018-09-27 2022-10-25 株式会社ジェイテクト 成形条件決定支援装置および射出成形機
US11443202B2 (en) 2019-07-03 2022-09-13 Google Llc Real-time on the fly generation of feature-based label embeddings via machine learning

Also Published As

Publication number Publication date
CN112060520A (zh) 2020-12-11
US20200394536A1 (en) 2020-12-17
JP7277272B2 (ja) 2023-05-18
US11823075B2 (en) 2023-11-21
JP2020199706A (ja) 2020-12-17

Similar Documents

Publication Publication Date Title
DE102018106808B4 (de) Zustandsbestimmungsvorrichtung
DE112019001512T5 (de) EINSPRITZGIEßMASCHINENSYSTEM
DE102017131025A9 (de) Verfahren zur Optimierung eines Prozessoptimierungssystems und Verfahren zum Simulieren eines Formgebungsprozesses
AT519096B1 (de) Verfahren zum Einstellen einer Formgebungsmaschine
DE102018125389B4 (de) Zustandsbestimmungsvorrichtung
DE102018007630A1 (de) Numerisches steuersystem
DE102018007641B4 (de) Numerisches steuersystem und verfahren zum erkennen eines status eines rückschlagventils einer spritzgussmaschine
DE102018007642A1 (de) Numerisches Steuersystem
DE102018129529A1 (de) Vorrichtung zum Arbeitermanagement
DE102014001667B4 (de) Anzeigevorrichtung und Anzeigeverfahren für eine Spritzgussmaschine
DE102019124483A1 (de) Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
DE102020006862A1 (de) Maschinelle lernvorrichtung, stromverbrauchs-prognosevorrichtung und steuervorrichtung
DE102020115571A1 (de) Digitales Doppelecosystem gekoppelt mit Additivherstellung wie konstruiert, wie hergestellt, wie getestet, wie betrieben, wie geprüft und wie gewartet
EP2808749B1 (de) Verfahren zum Austausch von Steuerungsinformationen zwischen Bedien- und Beobachtungsgeräten eines industriellen Automatisierungssystems und industrielles Automatisierungssystem
DE102020102368A1 (de) Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
DE102020205834A1 (de) Maschinenlernvorrichtung, vorhersagevorrichtung und steuervorrichtung
CN105549559B (zh) 用于获得基于班组的连续型化工生产工艺符合度的方法及装置
EP2348430A2 (de) System zum Gestalten eines Formteils
DE102020206459A1 (de) Maschinenlerneinrichtung und eine Entwurfsunterstützungseinrichtung
DE102022102395A1 (de) Verfahren und Vorrichtung zur Reduzierung des Nachbearbeitungsaufwands an Urform-Kavitäten vor deren Verwendung im Serienbetrieb
DE112021004645T5 (de) Maschinen-Lernvorrichtung, Reinigungsvorhersagevorrichtung und Reinigungssystem
DE102016005567B4 (de) Spritzgießmaschine mit Einheit zum Speichern von Betriebszuständen
DE102019209772A1 (de) Anpassung eines Herstellungsprozesses von Bauteilen einer Bauteilgruppe
WO2023170122A1 (de) Computerimplementiertes verfahren und system zur bestimmung wenigstens einer maschine
DE102020126518A1 (de) Maschinenlernvorrichtung, vorhersagevorrichtung und steuervorrichtung

Legal Events

Date Code Title Description
R012 Request for examination validly filed