DE112021004712T5

DE112021004712T5 - Maschinenlernverfahren, computerprogramm, maschinenlernvorrichtung, und giessmaschine

Info

Publication number: DE112021004712T5
Application number: DE112021004712.4T
Authority: DE
Inventors: Takayuki Hirano
Original assignee: Japan Steel Works Ltd
Current assignee: Japan Steel Works Ltd
Priority date: 2020-09-09
Filing date: 2021-08-03
Publication date: 2023-06-29
Also published as: JP2022045698A; US20230325562A1; WO2022054463A1; TW202228985A; CN116075409A

Abstract

Es wird ein Maschinenlernverfahren eines Lernmodells bereitgestellt, das einen variablen Parameter ausgibt, wenn Beobachtungsdaten, die durch das Beobachten einer das tatsächliche Gießen unter Verwendung einer Gießmaschine betreffenden physikalischen Größe erhalten werden, in das Lernmodell eingegeben werden, wobei der variable Parameter zur Verringerung des Fehlergrades eines durch tatsächliches Gießen erhaltenen gegossenen Artikels konfiguriert ist und Gießbedingungen der Gießmaschine betrifft. Das Maschinenlernverfahren umfasst: einen Schritt des Simulierens eines Gießvorgangs durch Einstellen eines variablen Parameters und eines festen Parameters in einer Fluidanalysevorrichtung; einen Schritt des Erfassens eines fehlerbezogenen Parameters, der durch die Simulation erhalten wird und sich auf den Fehlergrad des gegossenen Artikels bezieht; einen Schritt des Berechnens des Fehlergrads des gegossenen Artikels auf der Basis des erfassten fehlerbezogenen Parameters; und einen Schritt des Veranlassens des Lernmodells, ein Maschinenlernen unter Verwendung des in der Fluidanalysevorrichtung eingestellten variablen Parameters und einer dem berechneten Fehlergrad entsprechenden Belohnung durchzuführen.

Description

[Technisches Gebiet]
Die vorliegende Erfindung betrifft ein Maschinenlernverfahren, ein Computerprogramm, eine Maschinenlernvorrichtung, und eine Gießmaschine-
[Hintergrund der Erfindung]
Es existiert ein Spritzgießmaschinensystem, das variable Parameter (Gießbedingungen), welche Gießbedingungen einer Gießmaschine betreffen, durch Verstärkungslernen in geeigneter Weise anpassen kann (beispielsweise Patentschrift 1).
[Dokument des Standes der Technik]
[Patentschrift]
[Patentschrift 1] Japanische Offenlegungsschrift Nr. 2019-166702
[Überblick über die Erfindung]
[Von der Erfindung zu lösende Probleme]
Jedoch ist es bei dem Spritzgießmaschinensystem nach der Patentschrift 1 erforderlich, die Maschine ausschließlich während des Verstärkungslernens zu verwenden, so dass Harzmaterial zu Abfallmaterial wird. Dementsprechend ist es noch immer erwünscht, die Lern-Arbeitsstunden zu verringern.
Es ist eine Aufgabe der Erfindung, ein Maschinenlernverfahren, ein Computerprogramm, eine Maschinenlernvorrichtung, und eine Gießmaschine zu schaffen, welche in der Lage sind, tatsächliche Arbeitsstunden für das Gießen zu verringern, indem eine Gießmaschine zum Sammeln von Lerndaten beim Maschinenlernen eines Lernmodells verwendet wird, das zum Anpassen von Gießbedingungen der Gießmaschine konfiguriert ist.
[Mittel zur Lösung der Probleme]
Ein Maschinenlernverfahren nach einem Aspekt ist ein Maschinenlernverfahren eines Lernmodells, das einen variablen Parameter ausgibt, wenn Beobachtungsdaten, die durch das Beobachten einer das tatsächliche Gießen unter Verwendung einer Gießmaschine betreffenden physikalischen Größe erhalten werden, in das Lernmodell eingegeben werden, wobei der variable Parameter zur Verringerung des Fehlergrades eines durch tatsächliches Gießen erhaltenen gegossenen Artikels konfiguriert ist und Gießbedingungen der Gießmaschine betrifft. Das Maschinenlernverfahren umfasst: Simulieren eines Gießvorgangs durch Einstellen eines variablen Parameters und eines festen Parameters in einer Fluidanalysevorrichtung; Erfassen eines fehlerbezogenen Parameters, der durch die Simulation erhalten wird und sich auf den Fehlergrad des gegossenen Artikels bezieht; Berechnen des Fehlergrads des gegossenen Artikels auf der Basis des erfassten fehlerbezogenen Parameters; und Veranlassen des Lernmodells, ein Maschinenlernen unter Verwendung des in der Fluidanalysevorrichtung eingestellten variablen Parameters und einer dem berechneten Fehlergrad entsprechenden Belohnung durchzuführen.
Ein Computerprogramm nach diesem Aspekt ist ein Computerprogramm, das einen Computer veranlasst, ein Maschinenlernverfahren eines Lernmodells durchzuführen, das einen variablen Parameter ausgibt, wenn Beobachtungsdaten, die durch das Beobachten eines tatsächliches Gießens unter Verwendung einer Gießmaschine betreffenden physikalischen Größe erhalten wurden, in das Lernmodell eingegeben werden, wobei der variable Parameter zur Verringerung des Fehlergrades eines durch tatsächliches Gießen erhaltenen gegossenen Artikels konfiguriert ist und Gießbedingungen der Gießmaschine betrifft. Das Computerprogramm veranlasst den Computer, die folgenden Prozesse auszuführen: Simulieren eines Gießvorgangs durch Einstellen eines variablen Parameters und eines festen Parameters in einer Fluidanalysevorrichtung; Erfassen eines fehlerbezogenen Parameters, der durch die Simulation erhalten wird und sich auf den Fehlergrad des gegossenen Artikels bezieht; Berechnen des Fehlergrads des gegossenen Artikels auf der Basis des erfassten fehlerbezogenen Parameters; und Veranlassen des Lernmodells, ein Maschinenlernen unter Verwendung des in der Fluidanalysevorrichtung eingestellten variablen Parameters und einer dem berechneten Fehlergrad entsprechenden Belohnung durchzuführen.
Eine Maschinenlernvorrichtung nach einem Aspekt ist eine Maschinenlernvorrichtung, die ein Lernmodell veranlasst, ein Maschinenlernen durchzuführen, wobei das Lernmodell einen variablen Parameter ausgibt, wenn Beobachtungsdaten, die durch das Beobachten eines tatsächliches Gießens unter Verwendung einer Gießmaschine betreffenden physikalischen Größe erhalten wurden, in das Lernmodell eingegeben werden, und der variable Parameter zur Verringerung des Fehlergrades eines durch tatsächliches Gießen erhaltenen gegossenen Artikels konfiguriert ist und Gießbedingungen der Gießmaschine betrifft. Die Maschinenlernvorrichtung weist auf: eine Simulationsverarbeitungseinheit, die einen Gießvorgang durch Einstellen eines variablen Parameters und eines festen Parameters in einer Fluidanalysevorrichtung; eine Erfassungseinheit, die einen fehlerbezogenen Parameter erfasst, der durch die Simulation durch die Fluidanalysevorrichtung erhalten wird und sich auf den Fehlergrad des gegossenen Artikels bezieht; eine Recheneinheit, die den Fehlergrad des gegossenen Artikels auf der Basis des von der Erfassungseinheit erfassten fehlerbezogenen Parameters; und eine Lernverarbeitungseinheit, die das Lernmodell veranlasst, ein Maschinenlernen unter Verwendung des in der Fluidanalysevorrichtung eingestellten variablen Parameters und des berechneten Fehlergrads durchzuführen.
Eine Gießmaschine nach diesem Aspekt ist eine Gießmaschine, welche die Maschinenlernvorrichtung aufweist. Das tatsächliche Gießen erfolgt unter Verwendung eines variablen Parameters, welcher von dem Lernmodell ausgegeben wird.
[Wirkungen der Erfindung]
Gemäß der Erfindung ist es möglich, die tatsächlichen Arbeitsstunden für das Gießen zu verringern, indem eine Gießmaschine verwendet wird, um Lerndaten beim Maschinenlernen eines Lernmodells zu erfassen, das zum Anpassen von Gießbedingungen der Gießmaschine konfiguriert ist.
Figurenliste

1 ist eine schematische Ansicht eines Konfigurationsbeispiels eines Gießmaschinensystems nach einem Ausführungsbeispiel.
2 ist ein Blockdiagramm zur Darstellung des Konfigurationsbeispiels des Gießmaschinensystems nach diesem Ausführungsbeispiel.
3 ist ein Funktionsblockdiagramm des Konfigurationsbeispiels des Gießmaschinensystems nach diesem Ausführungsbeispiel.
4 ist eine schematische Ansicht zur Darstellung eines Beispiels für einen gegossenen Artikel.
5 ist ein konzeptuelles Diagramm zur Darstellung eines Überblicks über das Verstärkungslernen gemäß diesem Ausführungsbeispiel.
6 ist ein Flussdiagramm zur Darstellung eines Vordergrundablaufs eines Prozessors in einer Lernphase.
7 ist ein Sequenzdiagramm zur Darstellung eines Hintergrundablaufs des Prozessors in einer Lernphase.
8 ist ein Sequenzdiagramm zur Darstellung eines Ablaufs des Prozessors in einer Betriebsphase.

[Modus zur Durchführung der Erfindung]
Spezifische Beispiele für ein Maschinenlernverfahren, ein Computerprogramm, eine Maschinenlernvorrichtung, und eine Gießmaschine nach Ausführungsbeispielen der Erfindung werden unter Bezugnahme auf die zugehörigen Zeichnungen nachfolgend beschrieben. Es sei darauf hingewiesen, dass die Erfindung durch die beigefügten Ansprüche wiedergegeben ist, anstatt auf die Beispiele beschränkt zu sein, und dass der Rahmen Bedeutungen umfasst, die zu den beigefügten Ansprüchen und sämtlichen Modifikationen äquivalent sind.
Die Erfindung wird nachfolgend anhand der die Ausführungsbeispiele darstellenden Zeichnungen näher beschrieben.
1 ist eine schematische Ansicht eines Konfigurationsbeispiels eines Gießmaschinensystems nach einem Ausführungsbeispiel, 2 ist ein Blockdiagramm zur Darstellung des Konfigurationsbeispiels des Gießmaschinensystems nach diesem Ausführungsbeispiel, 3 ist ein Funktionsblockdiagramm des Konfigurationsbeispiels des Gießmaschinensystems nach diesem Ausführungsbeispiel, und 4 ist eine schematische Ansicht zur Darstellung eines Beispiels für einen gegossenen Artikel 6. Das Gießmaschinensystem gemäß diesem Ausführungsbeispiel weist eine Gießmaschine 2 mit einer Vorrichtung 1 zum Anpassen variabler Parameter, einer Messeinheit 3, und einer Fluidanalysevorrichtung 4 auf.
Beispiele für die Gießmaschine 2 umfassen eine Spritzgießmaschine, eine Hohlkörpergießmaschine, eine Filmgießmaschine, einen Extruder, einen Doppelschneckenextruder, einen Spinnextruder, einen Granulator, eine Magnesiumspritzgießmaschine, und dergleichen. Bei diesem Ausführungsbeispiel erfolgt die Beschreibung nachfolgend auf der Annahme, dass die Gießmaschine 2 eine Spritzgießmaschine ist. Die Gießmaschine 2 weist eine Spritvorrichtung 21, eine vor der Spritzvorrichtung 21 angeordnete Formspannvorrichtung 22, und eine Steuervorrichtung 23 auf, die den Betrieb der Gießmaschine 2 steuert.
Die Spritzvorrichtung 21 weist einen Heizzylinder, eine in einer Drehrichtung und einer axialen Richtung in dem Heizzylinder antreibbare Schnecke, einen Drehmotor, der die Schnecke in der Drehrichtung antreibt, einen Motor, der die Schnecke in der axialen Richtung antreibt, und dergleichen.
Die Formspannvorrichtung 22 weist einen Kippmechanismus, welcher eine Form öffnet und schließt und die Form spannt, so dass die Form nicht geöffnet wird, wenn die Form mit einem von der Spritzvorrichtung 21 eingespritzten geschmolzenen Harz gefüllt wird, und einen Motor auf, der den Kippmechanismus antreibt.
Die Steuervorrichtung 23 steuert einen Betrieb der Spritzvorrichtung 21 und der Formspannvorrichtung 22. Die Steuervorrichtung 23 nach diesem Ausführungsbeispiel weist die Vorrichtung 1 zum Anpassen variabler Parameter auf. Die Vorrichtung 1 zum Anpassen variabler Parameter ist eine Vorrichtung, welche Gießbedingungen der Gießmaschine 2 betreffende variable Parameter anpasst, und insbesondere weist die Vorrichtung 1 zum Anpassen variabler Parameter nach diesem Ausführungsbeispiel eine Funktion zum Anpassen der variablen Parameter derart, dass der Fehlergrad eines gegossenen Artikels 6 verringert wird.
Parameter zur Bestimmung von Gießbedingungen, wie eine Harztemperatur, eine Formtemperatur, die Einspritznachdruckzeit, ein Gewichtswert, eine V/P-Umschaltposition, ein Nachdruck, und eine Spritzgeschwindigkeit, sind in der Gießmaschine 2 eingestellt, und die Gießmaschine 2 arbeitet gemäß den Parametern. Optimale Parameter unterscheiden sich je nach der Umgebung der Gießmaschine 2 und dem gegossenen Artikel 6.
Es sei darauf hingewiesen, dass die V/P-Umschaltposition eine Umschaltposition zwischen der Spritzgeschwindigkeitssteuerung und der Spritzdrucksteuerung beim Spritzgießen ist. Die Spritzgeschwindigkeitssteuerung ist ein Steuerverfahren zur Steuerung des Spritzens eines Harzmaterials durch das Steuern der Geschwindigkeit einer Schnecke, und die Spritzdrucksteuerung ist ein Verfahren zum Steuern des Spritzens des Harzmaterials durch das Steuern eines auf die Schnecke aufgebrachten Drucks.
Unter den Parametern werden Parameter, welche von der Vorrichtung 1 zum Anpassen variabler Parameter anzupassende Sollvorgaben sind, als variable Parameter bezeichnet, und Parameter, welche keine anzupassenden Sollvorgaben sind, werden als feste Parameter bezeichnet. Die Harztemperatur, Die Formtemperatur, die Spritznachdruckzeit, und der Gewichtswert sind die festen Parameter. Der Gewichtswert, die V/P-Umschaltposition, der Nachdruck, und die Spritzgeschwindigkeit sind die variablen Parameter. Es sei darauf hingewiesen, dass die hier angeführten festen Parameter Parameter sind, die sowohl für die Gießmaschine 2 als auch für die Fluidanalysemaschine 4 verwendet werden können, jedoch sind mehrere Parameter, wie eine Düsentemperatur, eine Zylindertemperatur, eine Trichtertemperatur, und eine Formspannkraft in einer tatsächlichen Gießmaschine 2 zusätzlich zu den festen Parametern eingestellt. Darüber hinaus existiert ein fester Parameter, wie beispielsweise ein Schneckendurchmesser, der nur für die Fluidanalysevorrichtung 4 eingestellt ist. Nachfolgend werden zur Vereinfachung der Beschreibung feste Parameter in Betracht gezogen, welche sowohl für die Gießmaschine 2 als auch für die Fluidanalysevorrichtung 4 eingestellt sind.
Unter den festen Parametern wird ein Parameter, der ein beabsichtigten Auftreten eines Fehlers des gegossenen Artikels 6 verursacht, um Lerndaten zu sammeln, als ein Fehlererzeugungsparameter bezeichnet. Beispiele für den Fehlererzeugungsparameter umfassen den Gewichtswert. Wenn der Gewichtswert, welcher der Fehlererzeugungsparameter ist, verändert wird, kann das Auftreten eines Fehlers, beispielsweise eines Grats und einer Unvollständigkeit des gegossenen Artikels 6, absichtlich bewirkt werden.
Die Messeinheit 3 ist eine Vorrichtung, welche beim Gießen mittels der Gießmaschine 2 eine das tatsächliche Gießen betreffende physikalische Größe berechnet. Die Messeinheit 3 gibt durch die Messverarbeitung erhaltene Daten der physischen Größe an die Vorrichtung 1 zum Anpassen variabler Parameter aus. Beispiele für die physische Größe umfassen eine Temperatur, eine Position, eine Geschwindigkeit, eine Beschleunigung, einen Strom, eine Spannung, einen Druck, Zeit, Bilddaten, Drehmoment, eine Kraft, Verformung, Energieverbrauch, und dergleichen.
Beispiele für Informationen, welche von der Messeinheit 3 gemessen werden, umfassen Gießmaschineninformationen, Informationen über den gegossenen Artikel, und dergleichen.
Die Gießmaschineninformationen umfassen Informationen wie beispielsweise eine Harztemperatur, eine Formtemperatur, einen Gewichtswert, einen Nachdruck, und eine Spritzgeschwindigkeit, welche durch Messungen mittels eines Thermometers, eines Druckmessers, einer Geschwindigkeitsmessvorrichtung, einer Beschleunigungsmessvorrichtung, eines Positionssensors, eines Timers, einer Wägemaschine, und dergleichen erhalten werden.
Beispiele für die Informationen über den gegossenen Artikel umfassen Informationen wie beispielsweise ein durch Abbilden des gegossenen Artikels 6 erhaltenes Kamerabild, ein Gewicht des gegossenen Artikels 6, den Verformungsbetrag des gegossenen Artikels 6, der durch einen Laser-Wegmesssensor erhalten wird, einen optisch gemessenen Wert wie die Luminanz, das Gewicht des gegossenen Artikels 6, das mittels einer Wägemaschine gemessen wird, und die Festigkeit des gegossenen Artikels 6, die mittels einer Festigkeitsmessvorrichtung gemessen wird. Die Informationen über den gegossenen Artikel geben an, ob der gegossene Artikel 6 normal oder von fehlerhafter Art ist, und den Fehlergrad, und werden ebenfalls bei der Berechnung einer Belohnung verwendet. Die Informationen über den gegossenen Artikel nach diesem Ausführungsbeispiel umfassen ebenfalls zumindest Informationen zum Erkennen eines Grats und der Unvollständigkeit des gegossenen Artikels 6.
Die Fluidanalysevorrichtung 4 ist ein numerischer Analysesimulator, der die festen Parameter und die variablen Parameter, welche die Gießbedingungen sind, für ein dreidimensionales Fluidanalysemodell einstellt und eine Harztemperatur in einer Form, einen Harzdruck, ein Volumenfüllungsgrad, und dergleichen eines Harzmaterials in Bezug auf die Form beim Harzgießen durch numerische Analyse simuliert, beispielsweise durch eine Finite-Elemente-Methode oder eine Randelemente-Methode. Das numerische Analyseverfahren unterliegt keiner besonderen Einschränkung.
Die Fluidanalysevorrichtung 4 kann einen Datentransfer mit der Vorrichtung 1 zum Anpassen variabler Parameter durchführen. Genauer gesagt, liefert die Vorrichtung 1 zum Anpassen variabler Parameter feste Parameter und variable Parameter an die Fluidanalysevorrichtung 4, um einen Befehl zum Einleiten der Fluidanalyse auszugeben. Beispiele für die festen Parameter umfassen einen Schneckendurchmesser, die Art des Harzes, eine Harztemperatur, eine Formtemperatur, die Spritznachdruckzeit, und einen Gewichtswert. Die variablen Parameter umfassen einen Gewichtswert eines Harzmaterials, eine V/P-Umschaltposition, einen Nachdruck, und eine Spritzgeschwindigkeit.
Die Fluidanalysevorrichtung 4 simuliert einen Gießvorgang entsprechend gegebener Parameterbedingungen, und gibt ein Simulationsergebnis an die Vorrichtung 1 zum Anpassen variabler Parameter aus. Das Simulationsergebnis weist einen fehlerbezogenen Parameter auf, der sich auf den Fehlergrad des gegossenen Artikels 6 bezieht.
Die Fluidanalysevorrichtung 4 kann eine Harztemperatur, einen Harzdruck, ein Volumenfüllungsverhältnis, und dergleichen in einer Form während des Gießvorgangs simulieren, jedoch kann üblicherweise ein Fehler wie ein Grat und eine Unvollständigkeit nicht genau reproduziert werden, und Informationen, welche unmittelbar einen Fehlerzustand wiedergeben, können nicht an die Vorrichtung 1 zum Anpassen variabler Parameter ausgegeben werden. Hierbei wird ein fehlerbezogener Parameter and die Vorrichtung 1 zum Anpassen variabler Parameter als Information zum Schätzen des Fehlerzustands des gegossenen Artikels 6 ausgegeben. Beispiele für den fehlerbezogenen Parameter umfassen einen maximalen Harzdruck im Spitzenende des gegossenen Artikels 6, ein Volumenfüllungsverhältnis, einen Druck, eine Temperatur, eine V/P-Umschaltposition, Viskosität, eine Festphasenrate, eine Hautschichtdicke, eine Füllgeschwindigkeit, eine Füllbeschleunigung, eine Scherbelastung, eine Belastung, eine Dichte, eine Scherrate, die Scherenergie, eine thermische Leitfähigkeit, und die spezifische Wärme des Harzmaterials in der Form, oder eine Grenzflächentemperatur zwischen dem Harz und der Form. Der maximale Harzdruck im Spitzenende ist ein Druck in dem Spitzenende 6b (siehe 4) des gegossenen Artikels 6 und ist eine Information, die einen Grat betrifft. Wenn der maximale Harzdruck im Spitzenende übermäßig hoch ist, ritt ein Grat auf. Das Volumenfüllungsverhältnis ist eine die Unvollständigkeit betreffende Information. Wenn ein Volumenfüllungsverhältnis kleiner als 100% oder als ein vorbestimmter Schwellenwert ist, tritt die Unvollständigkeit auf.
Die Vorrichtung 1 zum Anpassen variabler Parameter ist ein Computer und weist einen Prozessor 11 (Maschinenlernvorrichtung), eine Speichereinheit 12, ein Eingabe/Ausgabe-Interface (nicht dargestellt), und dergleichen als eine Hardwarekonfiguration, wie sie in 2 dargestellt ist, auf. Der Prozessor 11 weist eine Rechenschaltung, beispielsweise eine Zentralverarbeitungseinheit (CPU), eine Multi-Core-CPU, eine Grafikverarbeitungseinheit (GPU), eine Vorrichtung zum General-Purpose Computing auf der Grafikverarbeitungseinheit (CPGPU), eine Tensorverarbeitungseinheit (TPU), eine anwendungsspezifische integrierte Schaltung (ASIC), ein feld-programmierbares Gate-Array (FPGA), und eine neuronale Verarbeitungseinheit (NPU), eine interner Speichervorrichtung wie ein Festwertspeicher (ROM) und ein Direktzugriffsspeicher (RAM), ein E/A-Anschluss, und dergleichen auf. Der Prozessor 11 arbeitet als eine Einheit 13 zum Erfassen physikalischer Größen, eine Steuereinheit 14, und eine Lernvorrichtung 15, indem er ein Computerprogramm (Programmprodukt) 12a, das in einer Speichereinheit 12 gespeichert ist, ausführt, wie nachfolgend noch beschrieben. Es sei darauf hingewiesen, dass jeweilige Funktionseinheiten der Vorrichtung 1 zum Anpassen variabler Parameter als Software ausgebildet sein können, oder ein Teil oder die Gesamtheit derselben als Hardware ausgebildet sein kann.
Die Speichereinheit 12 ist ein nicht-flüchtiger Speicher, beispielsweise eine Festplatte, ein elektrisch löschbarer programmierbarer ROM (EEPROM), und ein Flash-Speicher. Die Speichereinheit 12 speichert ein Computerprogramm 12a, das einen Computer veranlasst, eine Maschinenlernverarbeitung eines Lernmodells, welches variable Parameter zur Verringerung des Fehlergrads des gegossenen Artikels 6, welcher durch tatsächliches Gießen erhalten wurde, ausgibt, und eine Anpassungsverarbeitung der variablen Parameter durchzuführen, indem das Lernmodell verwendet wird, wenn durch Beobachten einer physikalischen Größe erhaltene Beobachtungsdaten, welche das tatsächliche Gießen mittels der Gießmaschine 2 betreffen, eingegeben werden. In dem vorliegenden Ausführungsbeispiel führen die Komponenten von dem Prozessor 11 bis zur Lernvorrichtung 15 ein modellbasiertes Verstärkungslernen durch und erzeugen eine noch zu beschreibende State-Expression-Map 12b. Die Speichereinheit 12 speichert die von der Lernvorrichtung 15 erzeugte State-Expression-Map 12b. Es sei darauf hingewiesen, dass das Lernmodell gemäß diesem Ausführungsbeispiel durch die State-Expression-Map 12b, eine State-Expression-Einheit 15a, eine Einheit 15c zur Ausgabe variabler Parameter, und dergleichen gebildet ist.
Das Computerprogramm 12a nach diesem Ausführungsbeispiel kann in einem Speichermedium 5 in computerlesbarer Weise aufgezeichnet sein. Die Speichereinheit 12 speichert das mittels einer (nicht dargestellten) Auslesevorrichtung aus dem Speichermedium 5 ausgelesene Computerprogramm 12a. Das Aufzeichnungsmedium 5 ist ein Halbleiterspeicher wie ein Flash-Speicher. Darüber hinaus kann das Aufzeichnungsmedium 5 eine optische Scheibe wie ein Compact Disc (CD) ROM, ein Digital Versatile Disc (DVD) ROM, und eine Blu-ray0-Disc (BD) sein. Darüber hinaus kann das Aufzeichnungsmedium 5 eine magnetische Schiebe wie eine Floppy-Disc und eine Festplatte, eine magnetooptische Disk oder dergleichen sein. Ferner kann das Computerprogramm 12a nach diesem Ausführungsbeispiel von einem (nicht dargestellten) externen Server heruntergeladen werden, der mit einem (nicht dargestellten) Kommunikationsnetzwerk verbunden ist, und kann in der Speichereinheit 12 gespeichert werden.
Die Einheit 13 zum Erfassen physikalischer Größen erfasst Daten physikalischer Größen, die von der Messeinheit 3 gemessen und ausgegeben werden, wenn die Gießmaschine 2 das Gießen durchführt. Die Einheit 13 zum Erfassen physikalischer Größen gibt die erfassten Daten der physikalischen Größen an die Steuereinheit 14 aus.
Wie in 3 gezeigt ist, weist die Steuereinheit 14 eine Beobachtungseinheit 14a, eine Belohnungsberechnungseinheit 14b, eine Korrektureinheit 14c, und eine Fehlergradumwandlungseinheit 14d auf. Die von der Messeinheit 3 ausgegebenen Daten der physikalischen Größen werden in die Beobachtungseinheit 14a und die Korrektureinheit 14c eingegeben. Ein aus der Fluidanalysevorrichtung 4 ausgegebener fehlerbezogener Parameter wird in die Fehlergradumwandlungseinheit 14d eingegeben.
Die Beobachtungseinheit 14a beobachtet einen Zustand der Gießmaschine 2 und des gegossenen Artikels 6 durch das Analysieren der Daten der physikalischen Größen, und gibt durch die Beobachtung erhaltene Beobachtungsdaten an die State-Expression-Einheit 15a der Lernvorrichtung 15 aus. Da die Informationsmenge der Daten der physikalischen Größen groß ist, kann die Beobachtungseinheit 14a Beobachtungsdaten erzeugen, welche durch das Komprimieren von Informationen der Daten der physikalischen Größen erhalten werden. Die Beobachtungsdaten sind Informationen, die einen Zustand der Gießmaschine 2, einen Zustand des gegossenen Artikels 6, oder dergleichen wiedergeben.
Zum Beispiel berechnet die Beobachtungseinheit 14a Beobachtungsdaten, die eine Merkmalshäufigkeit wiedergeben, welche ein Erscheinungsbildmerkmal des gegossenen Artikels 6, Abmessungen, eine Fläche, und ein Volumen des gegossenen Artikels 6, einen Betrag der Abweichung der optischen Komponente (gegossener Artikel 6) von der optischen Achse, und dergleichen auf der Basis eines Kamerabildes und eines Messwerts eines Laser-Wegmesssensors. Darüber hinaus kann die Beobachtungseinheit 14a eine Vorverarbeitung hinsichtlich Zeitreihenwellenformdaten wie eine Spritzgeschwindigkeit, ein Spritzdruck, und ein Nachdruck durchführen, und kann eine Merkmalshäufigkeit der Zeitreihenwellenformdaten als die Beobachtungsdaten extrahieren. Es sei darauf hingewiesen, dass Zeitreihendaten der Zeitreihenwellenform oder Bilddaten, welche die Zeitreihenwellenform als die Beobachtungsdaten eingestellt werden können.
Darüber hinaus berechnet die Beobachtungseinheit 14a den Fehlergrad des gegossenen Artikels 6 durch das Analysieren der Daten der physikalischen Größen, und gibt den durch die Berechnung erhaltenen Fehlergrad an die Belohnungsberechnungseinheit 14b aus. Beispiele für den Fehlergrad umfassen einen Gratbereich und einen Unvollständigkeitsbereich.
Die Fehlergradumwandlungseinheit 14d ist mit einer Funktion (Assoziationsinformationen) zum Umwandeln eines von der Fluidanalysevorrichtung 4 ausgegebenen fehlerbezogenen Parameters in den Fehlergrad versehen. Die Fehlergradumwandlungseinheit 14d berechnet den Fehlergrad durch Einsetzen des fehlerbezogenen Parameters in die Funktion, und gibt den durch Berechnung erhaltenen Fehlergrad an die Belohnungsberechnungseinheit 14b aus. Ein Verfahren zum Erstellen der Funktion wird später beschrieben.
Es sei darauf hingewiesen, dass die Funktion lediglich illustrativen Charakter hat, und ein Assoziationsverfahren keiner besonderen Einschränkung unterliegt, solange der fehlerbezogene Parameter und der Fehlergrad assoziiert werden können. Zum Beispiel kann anstelle der Funktion eine Tabelle verwendet werden, in welcher der fehlerbezogene Parameter und der Fehlergrad assoziiert sind.
Die Belohnungsberechnungseinheit 14b berechnet Belohnungsdaten, die zu einer Referenz für die Feststellung werden, ob der variable Parameter, basierend auf dem von der Beobachtungseinheit 14a und der Fehlergradumwandlungseinheit 14d ausgegebenen Fehlergrads, gut oder schlecht ist, und gibt die durch das Berechnen erhaltenen Belohnungsdaten an die State-Expression-Einheit 15a der Lernvorrichtung 15 aus.
Die Korrektureinheit 14c korrigiert den von der Lernvorrichtung 15 ausgegebenen variablem Parameter wie erforderlich, und gibt den korrigierten variablen Parameter an die Gießmaschine 2 und die Fluidanalysemaschine 4 aus. Wenn zum Beispiel ein oberer Grenzwert, ein unterer Grenzwert oder dergleichen in dem variablen Parameter eingestellt ist, kann der variable Parameter so korrigiert werden, dass ein Gießbedingungen betreffender Wert den oberen Grenzwert oder den unteren Grenzwert nicht überschreitet. Wenn eine Korrektur nicht erforderlich ist, gibt die Korrektureinheit 14c den von der Lernvorrichtung 15 ausgegebenen variablen Parameter unverändert an die Gießmaschine 2 und die Fluidanalysevorrichtung 4 aus.
Die Lernvorrichtung 15 führt eine modellbasierte Art von Verstärkungslernen zum Lernen der State-Expression-Map 12b (Umgebungsmodell), welche einen Zustand der Gießmaschine 2 angibt, und zum Bestimmen des variablen Parameters unter Verwendung der State-Expression-Map 12b durch. Die Lernvorrichtung 15 weist die State-Expression-Einheit 15a, eine State-Expression-Lerneinheit 15b, und die Einheit 15c zur Ausgabe variabler Parameter auf, wie in 3 dargestellt.
Ein Gießvorrichtungssystem nach diesem Ausführungsbeispiel weist eine Lernphase des Lernens der State-Expression-Map 12b und eine Betriebsphase des Optimierens des variablen Parametes durch das Verwenden der State-Expression-Map 12b und des Durchführens des Gießens auf. Das Gießvorrichtungssystem kann den Wechsel zwischen der Lernphase und der Betriebsphase über ein (nicht dargestelltes) Bedienpanel annehmen.
Im Folgenden werden das Sammeln von Lerndaten und ein Lernverfahren anhand von tatsächlichem Gießen unter Verwendung der Gießmaschine 2 beschrieben, welche eine wirkliche Maschine ist. In der Lernphase des Durchführens des Lernens der State-Expression-Map 12b, werden von der Beobachtungseinheit 14a ausgegebene Beobachtungsdaten, von der Belohnungsberechnungseinheit 14b ausgegebene Belohnungsdaten, und ein von der Einheit 15c zur Ausgabe variabler Parameter in die State-Expression-Einheit 15a eingegeben. Die State-Expression-Einheit 15a ist mit der State-Expression-Lerneinheit 15b versehen, und die State-Expression-Lerneinheit 15b lernt die State-Expression-Map 12b basierend auf den Beobachtungsdaten, dem variablen Parameter, und den Belohnungsdaten, welche eingegeben werden.
Die State-Expression-Map 12b ist ein Modell, das eine Belohnung g in Bezug auf das Einstellen des variablen Parameters (Aktion a) in einem Zustand s und eine Wahrscheinlichkeit Pt des Zustandsübergangs (Wahrscheinlichkeitsgrad) in den nachfolgenden Zustand s' ausgibt, beispielsweise in einem Fall, in dem die Beobachtungsdaten (Zustand s) und der variable Parameter (Aktion a) eingegeben werden. Die Belohnung g kann als eine Information bezeichnet werden, die angibt, ob der gegossene Artikel 6, der erhalten wird, wenn ein beliebiger variabler Parameter eingestellt wird (Aktion a), normal ist oder nicht.
Die State-Expression-Lerneinheit 15b erstellt oder aktualisiert die State-Expression-Map 12b auf der Basis von Erfahrungsdaten (Zustand s, Aktion a, nachfolgender Zustand s', Belohnung g), bei welchen es sich um Lerndaten oder Verlaufsdaten handelt. Zum Beispiel kann die State-Expression-Lerneinheit 15b die Zustandsübergangswahrscheinlichkeit Pt entsprechend einem Wert berechnen, der durch das Dividieren der Häufigkeit des Aufsuchens n von (Zustand s, Aktion s, nachfolgender Zustand s') durch die Häufigkeit des Aufsuchens n von (Zustand s, Aktion a, beliebiger nachfolgender Zustand s' S) unter Verwendung eines Maximum-Schätzverfahrens, einer Bayes-Schätzung, oder dergleichen erhalten wird. Darüber hinaus kann die State-Expression-Einheit 15a die Belohnung g (Informationen, welche angeben, ob der gegossene Artikel 6 gut oder schlecht ist) entsprechend einem Wert berechnen, der durch das Teilen einer Belohnungssumme G in (Zustand s, Aktion a) durch die Häufigkeit des Aufsuchens n von (Zustand s, Aktion a, beliebiger nachfolgender Zustand s') unter Verwendung des Maximum-Schätzverfahrens, einer Bayes-Schätzung, oder dergleichen.
Darüber hinaus kann die State-Expression-Map 12b durch Verwenden eines trainierten Modells unter Verwendung eines neuralen Netzwerks konfiguriert werden. Das Neurale Netzwerk weist eine bekannte Konfiguration mit einem Input-Layer, einem oder mehreren versteckten Layern, und einem Output-Layer auf. Die State-Expression-Lerneinheit 15b kann das neurale Netzwerk derart trainieren, dass (nachfolgender Zustand s', Belohnung g) aus dem neuralen Netzwerk ausgegeben wird, wenn (Zustand s, Aktion a) der Lerndaten in das neurale Netzwerk eingegeben wird.
Im Falle der Betriebsphase des Betreibens der Gießmaschine 2 unter Verwendung der erstellten State-Expression-Map 12b, werden Beobachtungsdaten und ein variabler Parameter, welcher von der Einheit 15c zur Ausgabe variabler Parameter ausgegeben wurde, in die State-Expression-Einheit 15a eingegeben. Die State-Expression-Einheit 15a gibt Beobachtungsdaten, welche einen gegenwärtigen Zustand darstellen, und einen variablen Parameter in die State-Expression-Map 12b ein, erhält State-Expression-Date, welche die Wahrscheinlichkeit Pt des Zustandsübergangs von dem gegenwärtigen Zustand in den nachfolgenden Zustand s' angeben, und die Belohnung g, und gibt die State-Expression-Daten an die Einheit 15c zur Ausgabe variabler Parameter aus.
Die Einheit 15c zur Ausgabe variabler Parameter bestimmt einen variablen Parameter, mittels welchem eine vorgegebene Zielfunktion maximal wird, basierend auf den von der State-Expression-Einheit 15a ausgegebenen State-Expression-Daten, und gibt den bestimmten variablen Parameter an die Korrektureinheit 14c und die State-Expression-Einheit 15a aus. Zum Beispiel bestimmt die Einheit 15c zur Ausgabe variabler Parameter den variablen Parameter unter Verwendung eines bekannten Verfahrens, wie eines dynamischen Programmierverfahrens, beispielsweise Wertiteration, und eines linearen Programmierverfahrens.
Die Einheit 15c zur Ausgabe variabler Parameter weist eine Umschalteinheit, eine erste Auswerteeinheit, eine zweite Auswerteeinheit, und eine (nicht dargestellte) Einheit zur Bestimmung variabler Parameter auf.
Die Umschalteinheit gibt State-Expression-Daten an die erste Auswerteeinheit im Falle der Betriebsphase aus, und gibt die State-Expression-Daten im Falle der Lernphase an die zweite Auswerteeinheit aus.
Die erste Auswerteeinheit weist eine erste Zielfunktion zum Einstellen des variablen Parameters auf einen Zustand, in welchem ein normaler gegossener Artikel 6 erhalten wird. Die erste Auswerteeinheit berechnet einen Auswertungswert, welcher einen erwarteten Ertrag (kumulative Abschlagsbelohnung) ist, durch Einsetzen der State-Expression-Daten und des variablen Parameters in die erste Zielfunktion. Der erwartete Ertrag ist ein erwarteter Wert einer Belohnungssumme, die in der Zukunft erhalten werden soll.
Die zweite Auswerteeinheit weist eine zweite Zielfunktion zum Einstellen des variablen Parameters derart, dass der Zustand des gegossenen Artikels 6 variiert, so dass die State-Expression-Map 12b durchsucht wird. Die zweite Auswerteeinheit berechnet unter Verwendung der State-Expression-Daten und des variablen Parameters der zweiten Zielfunktion einen Auswertungswert, der weiter zunimmt, da beispielsweise der Zustand der Gießmaschine 2 und ein Gießergebnis für den variablen Parameter unbekannt sind, das heißt, da die Häufigkeit der Versuche gering ist. Es sei darauf hingewiesen, dass die zweite Auswerteeinheit den Auswertungswert mittels eines Suchverfahrens, beispielsweise eines sogenannten Greedy-Verfahrens und UCB1, berechnen kann.
Die Einheit zur Bestimmung variabler Parameter bestimmt einen variablen Parameter, mittels welchem der von der ersten Auswerteeinheit berechnete Auswertungswert im Falle der Betriebsphase maximal wird, und bestimmt einen variablen Parameter, mittels welchem der von der zweiten Auswerteeinheit berechnete Auswertungswert im Falle der Lernphase maximal wird. Die Einheit 15c zur Ausgabe variabler Parameter gibt den von der Einheit zur Bestimmung variabler Parameter bestimmten variablen Parameter an die State-Expression-Einheit 15a und die Korrektureinheit 14c aus.
Es sei darauf hingewiesen, dass die Einheit zur Bestimmung variabler Parameter den variablen Parameter derart bestimmen kann, dass der Betrag der Änderung des variablen Parameters pro Schritt in der Lernphase größer wird, als der Änderungsbetrag des variablen Parameters pro Schritt in der Betriebsphase. Darüber hinaus kann die Vorrichtung 1 zum Anpassen variabler Parameter derart ausgebildet sein, dass das Einstellen des Änderungsbetrags des variablen Parameters pro Schritt durch einen Bediener mit einem (nicht dargestellten) Bedienpanel akzeptiert wird. Bei einer Aktualisierung der State-Expression-Map 12b verändert die Einheit zur Bestimmung variabler Parameter den variablen Parameter durch den akzeptierten Änderungsbetrag und durchsucht und aktualisiert die State-Expression-Map 12b. Wenn eine Form, die Gießmaschine 2, ein Modell einer peripheren Vorrichtung, eine physikalische Eigenschaft eines Harzes erheblich verändert wird, kann der Betrag der Änderung des variablen Parameters in der Lernphase groß eingestellt werden.
5 ist ein konzeptuelles Diagramm zur Darstellung eines Überblicks über das Verstärkungslernen gemäß diesem Ausführungsbeispiel. Das Verstärkungslernen nach diesem Ausführungsbeispiel erfolgt unter Verwendung eines unter Verwendung der Gießmaschine 2, welche eine tatsächliche Maschine ist, erhaltenen Gießergebnisses, und des unter Verwendung der Fluidanalysevorrichtung 4 erhaltenen Simulationsergebnisses in Kombination miteinander.
Zuerst erfolgt ein tatsächliches Gießen durch Einstellen eines festen Parameters und eines variablen Parameters in der Gießmaschine 2. Danach werden Belohnungsdaten, welche dem Fehlergrad des durch das tatsächliche Gießen erhaltenen gegossenen Artikels 6 entsprechen, und Beobachtungsdaten, welche durch das Beobachten einer das tatsächliche Gießen betreffenden physikalischen Größe erhalten wurden, in die Lernvorrichtung 15 eingegeben, und die Lernvorrichtung 15 führt ein Maschinenlernen aus. Die Lernvorrichtung 15 gibt einen optimalen variablen Parameter basierend auf aktuellen Beobachtungsdaten an die Gießmaschine 2 und die Fluidanalysevorrichtung 4 aus. Das heißt, dass in einem Fall, in dem ein Fehler in dem gegossenen Artikel 6 auftritt, die Lernvorrichtung 15 einen variablen Parameter ausgibt, um den Fehlergrad des gegossenen Artikels 6 zu verringern. Es sei darauf hingewiesen, dass bei der Erstellung der State-Expression-Map 12b durch das Verstärkungslernen ein Ereignis, das ein absichtliches Auftreten eines Fehlers in dem gegossenen Artikel 6 verursacht, durch Ändern eines Fehlererzeugungsparameters herbeigeführt wird, und ein optimaler variabler Parameter beim Auftreten des Fehlers gelernt wird. Die State-Expression-Map 12b kann durch wiederholtes Durchführen des tatsächlichen Gießens erzeugt werden, jedoch wird ein Harzmaterial während des Verstärkungslernens zu einem Abfallmaterial.
Hierbei wird das Verstärkungslernen durch das Verwenden der Fluidanalysevorrichtung 4 durchgeführt. Genauer gesagt, wird der von der Lernvorrichtung 15 ausgegebene variable Parameter in der Fluidanalysevorrichtung 4 eingestellt, um einen Gießvorgang zu simulieren. Ein fehlerbezogener Parameter, der durch Simulation erhalten wird und den Fehlergrad des gegossenen Artikels 6 betrifft, wird in den Fehlergrad des gegossenen Artikels 6 umgewandelt, und dem Fehlergrad entsprechende Belohnungsdaten werden berechnet. Die Belohnungsdaten und die Beobachtungsdaten werden in die Lernvorrichtung 15 eingegeben, und die Lernvorrichtung 15 führt Maschinenlernen durch. Es sei darauf hingewiesen, dass in Bezug auf Daten, welche einen Zustand der Gießmaschine 2 wiedergeben, unter den mehreren Elementen der Beobachtungsdaten, ein durch Messen einer das tatsächliche Gießen betreffenden physikalischen Größe erhaltener Beobachtungswert als ein fester Wert verwendet wird. Nachfolgend ist es möglich, die State-Expression-Map 12b durch wiederholtes Ausführen der Simulation durch die Fluidanalysevorrichtung 4 und Maschinenlernen zu trainieren.
Nachfolgend werden Details des Maschinenlernverfahrens nach diesem Ausführungsbeispiel beschrieben.
[Abgleichen der Gießmaschine 2 und der Fluidanalysevorrichtung 4]
6 ist ein Flussdiagramm zur Darstellung eines Vordergrundablaufs eines Prozessors 11 in einer Lernphase. Die folgende Verarbeitung kann durch einen Arbeiter durchgeführt werden, oder ein Teil oder die Gesamtheit derselben kann durch den Prozessor 11 automatisch durchgeführt werden. Zuerst werden ein fester Parameter und ein variabler Parameter in der Gießmaschine 2 eingestellt, und es wird ein tatsächliches Gießen unter Verwendung der Gießmaschine 2 durchgeführt (Schritt S11). Hierbei erfolgt mehrere Male ein tatsächliches Gießen durch geeignetes Ändern des Fehlererzeugungsparameters und des variablen Parameters.
Danach werden obere und untere Grenzwerte des Fehlererzeugungsparameters und des variablen Parameters auf der Basis eines Ergebnisses des tatsächlichen Gießens im Schritt S11 bestimmt (S12).
Danach werden der variable Parameter und der Fehlererzeugungsparameter innerhalb eines Bereichs der in Schritt S12 bestimmten oberen und unteren Grenzwerte laufend verändert, ein tatsächliches Gießen unter Verwendung der Gießmaschine 2 wird durchgeführt (Schritt S13), und der bei dem tatsächlichen Gießen verwendete variable Parameter und der Fehlergrad des gegossenen Artikels 6, welcher durch das tatsächliche Formen erhalten wurde, werden gesammelt (Schritt S14).
Danach werden von einem beliebigen festen Parameter (nachfolgend als „vorbestimmter Parameter“ bezeichnet) verschiedene Gießbedingungen auf dieselben Bedingungen wie in Schritt S 13 eingestellt, und vorbestimmte Parameter für mehrere Simulationen werden in der Fluidanalysevorrichtung 4 eingestellt, um Gießvorgänge zu simulieren (Schritt S15). Die vorbestimmten Parameter werden erhalten, indem eine Veränderung an einem vorbestimmten Parameterwert vorgenommen wird, welcher in der Gießmaschine 2 für die tatsächliche Maschine eingestellt wird. Das heißt, dass die vorbestimmten Parameter für die mehreren Simulationen Werte sind, die von dem vorbestimmten Parameter für die tatsächliche Maschine verschieden sind, und die vorbestimmten Parameter für Simulationen, welche von einem Wert für die tatsächliche Maschine verschiedene Werte sind, werden in der Fluidanalysevorrichtung 4 eingestellt, um den Gießvorgang zu simulieren. Darüber hinaus wird ein vorbestimmter fester Parameter für die Simulation so angegeben, dass ein Ergebnis des tatsächlichen Gießens unter Verwendung der Gießmaschine 2, und ein Ergebnis der Simulation unter Verwendung der Fluidanalysevorrichtung 4 zueinander passen (Schritt S16).
Selbst wenn derselbe feste Parameter und variable Parameter in der Gießmaschine 2 und der Fluidanalysevorrichtung 4 eingestellt werden können, ist das Gießergebnis, das heißt, der Zustand des gegossenen Artikels 6 unterschiedlich. Daher ist es erforderlich, eine Übereinstimmung des Ergebnisses des tatsächlichen Gießens und des Simulationsergebnisses zu erreichen. Das Abgleichen erfolgt durch Anpassen des in der Fluidanalysevorrichtung 4 vorbestimmten festen Parameters.
Das Abgleichen kann beispielsweise durch das Anpassen einer Harztemperatur erfolgen, die in der Fluidanalysevorrichtung 4 eingestellt wird. Eine Harztemperatur, die in der Gießmaschine 2 eingestellt wird, ist eine Temperatur eines vorbestimmten Bereichs der Spritzvorrichtung 21 anstelle der Form. Andererseits ist die Harztemperatur, welche in der Fluidanalysevorrichtung 4 eingestellt wird, eine Temperatur eines Spritzbereichs 6a (siehe 4a), durch welchen Harz in die Form gespritzt wird. Üblicherweise wird erwartet, dass die Harztemperatur des Spritzbereichs 6a niedriger als die Harztemperatur des vorbestimmten Bereichs der Spritzvorrichtung 21 ist. Dementsprechend wird die in der Fluidanalysevorrichtung 4 eingestellte Harztemperatur auf eine Harztemperatur eingestellt, die geringer als die in der Gießmaschine 2, die eine tatsächliche Maschine ist, eingestellte Harztemperatur.
Danach werden die von der Harztemperatur verschiedenen Gießbedingungen auf dieselben Bedingungen wie in Schritt S13 eingestellt, und die im Schritt S16 spezifizierte Harztemperatur wird in der Fluidanalysevorrichtung 4 eingestellt, um den Gießvorgang zu simulieren (Schritt S17).
Danach wird eine Funktion des Assoziierens des Fehlergrads des gegossenen Artikels 6 spezifiziert, der durch tatsächliches Gießen erhalten wurde, welches durch Einstellen des variablen Parameters in der Gießmaschine 2 durchgeführt wurde, und des fehlerbezogenen Parameters, welcher durch Simulation unter Verwendung desselben variablen Parameters wie der in der Gießmaschine 2 eingestellte variable Parameter erhalten wird (Schritt S18). Beim Assoziieren des fehlerbezogenen Parameters und des Fehlergrades kann ein Analysemodell oder ein Analyseverfahren nach Bedarf korrigiert werden, und die Performanz der Funktionsapproximation zwischen dem fehlerbezogenen Parameter und dem Fehlergrad kann heuristisch gesteigert werden.
Es sei darauf hingewiesen, dass, wie zuvor beschrieben, die Funktion ein Beispiel ist, und ein Assoziationsverfahren keiner besonderen Einschränkung unterliegt, solange der fehlerbezogene Parameter und der Fehlergrad assoziiert werden können. Zum Beispiel kann anstelle der Funktion eine Tabelle spezifiziert werden, in welcher der fehlerbezogene Parameter und der Fehlergrad miteinander assoziiert sind.
7 ist ein Sequenzdiagramm zur Darstellung eines Hintergrundablaufs des Prozessors 11 in einer Lernphase. Schritt S31 bis Schritt S37 in 7 sind Prozesse des Sammelns von Lerndaten durch tatsächliches Gießen unter Verwendung der Gießmaschine 2, welche eine tatsächliche Maschine ist, und die Schritte S38 bis S44 betreffen Prozesse des Sammelns von Lerndaten durch eine Gießvorgangssimulation unter Verwendung der Fluidanalysevorrichtung 4. Das Sammeln von Daten erfolgt mehrfach. Zumindest beim ersten Mal erfolgt das Sammeln von Lerndaten unter Verwendung der Gießmaschine 2, welche eine tatsächliche Maschine ist. Vom zweiten Mal an erfolgt das Sammeln von Lerndaten durch tatsächliches Gießen oder Simulation. Vom zweiten Mal an können sämtliche Lerndatenelemente durch Simulation gesammelt werden, oder ein Teil derselben kann gesammelte Simulationsdaten sein. Ein detaillierter Datensammelvorgang stellt sich wie folgt dar.
[Sammeln von Lerndaten durch tatsächliches Gießen]
Zuerst misst die Messeinheit 3 die Formmaschine 2 und den gegossenen Artikel 6 betreffende physikalische Größen, wenn die Formmaschine 2 ein Gießen durchführt, und gibt die durch Messen erhaltenen Daten der physikalischen Größen an die Steuereinheit 14 aus (Schritt S31).
Die Steuereinheit 14 erfasst die von der Messeinheit 3 ausgegebenen Daten der physikalischen Größen, erzeugt Beobachtungsdaten basierend auf den erfassten Daten der physikalischen Größen, und gibt die erzeugten Beobachtungsdaten an die Lernvorrichtung 15 aus (Schritt S32).
Die State-Expression-Einheit 15a der Lernvorrichtung 15 erfasst die von der Beobachtungseinheit 14a ausgegebenen Beobachtungsdaten, erzeugt State-Expression-Daten durch Anwenden der Beobachtungsdaten auf die State-Expression-Map 12b, und gibt die erzeugten State-Expression-Daten an die Einheit 15c zur Ausgabe variabler Parameter aus (Schritt S33). Die Einheit 15c zur Ausgabe variabler Parameter bestimmt einen variablen Parameter der Gießmaschine 2 basierend auf den von der State-Expression-Einheit 15a ausgegebenen State-Expression-Daten, und gibt den bestimmten variablen Parameter an die State-Expression-Einheit 15a und die Steuereinheit 14 aus (Schritt S34). Zum Beispiel bestimmt die Einheit 15c zur Ausgabe des variablen Parameters einen variablen Parameter, mit welchem ein aus der zweiten Zielfunktion erhaltener Auswertungswert maximal wird, wie zuvor beschrieben.
Die Korrektureinheit 14c der Steuereinheit 14 korrigiert den variablen Parameter wie erforderlich, und gibt den korrigierten variablen Parameter an die Gießmaschine 2 aus (Schritt S35). Die Gießmaschine 2 stellt den variablen Parameter ein, und führt einen Gießvorgang gemäß dem variablen Parameter aus. Physikalische Größen, welche einen Betrieb der Gießmaschine 2 und den gegossenen Artikel 6 betreffen, werden in die Messeinheit 3 eingegeben. Der Gießvorgang kann mehrmals wiederholt durchgeführt werden. Die Messeinheit 3 misst die Formmaschine 2 und den gegossenen Artikel 6 betreffende physikalische Größen, wenn die Formmaschine 2 ein Gießen durchführt, und gibt die durch Messen erhaltenen Daten der physikalischen Größen an die Beobachtungseinheit 14a der Steuereinheit 14 aus (Schritt S36).
Die Beobachtungseinheit 14 erfasst die von der Messeinheit 3 ausgegebenen Daten der physikalischen Größen, erzeugt Beobachtungsdaten basierend auf den erfassten Daten der physikalischen Größen, und gibt die erzeugten Beobachtungsdaten an die Lernvorrichtung 15 aus (Schritt S37). Darüber hinaus berechnet die Belohnungsberechnungseinheit 14b Belohnungsdaten, die entsprechend dem Fehlergrad des gegossenen Artikels 6 bestimmt wurden, basierend auf den von der Messeinheit 3 gemessenen Daten der physikalischen Größen, und gibt die berechneten Belohnungsdaten an die Lernvorrichtung 15 aus (Schritt S37).
[Sammeln von Lerndaten durch Simulation]
Andererseits erfasst die State-Expression-Einheit 15a der Lernvorrichtung 15 die von der Beobachtungseinheit 14a ausgegebenen Beobachtungsdaten oder dergleichen, erzeugt State-Expression-Daten durch Anwenden der Beobachtungsdaten auf die State-Expression-Map 12b, und gibt die erzeugten State-Expression-Daten an die Einheit 15c zur Ausgabe variabler Parameter aus (Schritt S38). Die Einheit 15c zur Ausgabe variabler Parameter bestimmt einen variablen Parameter der Gießmaschine 2 basierend auf den von der State-Expression-Einheit 15a ausgegebenen State-Expression-Daten, und gibt den bestimmten variablen Parameter an die State-Expression-Einheit 15a und die Steuereinheit 14 aus (Schritt S39).
Die Korrektureinheit 14c der Steuereinheit 14 korrigiert den variablen Parameter wie erforderlich, und gibt den korrigierten variablen Parameter an die Fluidanalysevorrichtung 4 aus (Schritt S40). Die Fluidanalysevorrichtung 4 stellt den festen Parameter und den variablen Parameter ein, und führt einen Gießvorgang gemäß dem variablen Parameter aus (Schritt S41). Die Fluidanalysevorrichtung 4 gibt einen fehlerbezogenen Parameter, der durch eine Simulation des Gießvorgangs erhalten wurde, an die Steuereinheit 14 aus (Schritt S42).
Die Fehlergradumwandlungseinheit 14d der Steuereinheit 14 setzt den von der Fluidanalysevorrichtung 4 ausgegebenen fehlerbezogenen Parameter in die in Schritt S18 spezifizierte Funktion ein, um den fehlerbezogenen Parameter in den Fehlergrad des gegossenen Artikels 6 umzuwandeln, und gibt den umgewandelten Fehlergrad an die Belohnungsberechnungseinheit 14b aus (Schritt S43).
Die Belohnungsberechnungseinheit 14b berechnet Belohnungsdaten, die entsprechend dem Fehlergrad bestimmt wurden, und gibt die berechneten Belohnungsdaten an die Lernvorrichtung 15 aus (Schritt S44).
Die Steuereinheit 14 kann Lerndaten durch Verarbeiten der Schritte S31 bis S44 sammeln.
Darüber hinaus aktualisiert die State-Expression-Lerneinheit 15b der Lernvorrichtung 15 ein State-Expression-Modell auf der Basis der von der Beobachtungseinheit 14a ausgegebenen Beobachtungsdaten, der von der Belohnungsberechnungseinheit 14b ausgegebenen Belohnungsdaten, und des von der Einheit 15c zur Ausgabe variabler Parameter ausgegebenen variablen Parameters (Schritt S45). Die State-Expression-Lerneinheit 15b kann das State-Expression-Modell beispielsweise unter Verwendung eines Maximum-Schätzverfahrens, einer Bayes-Schätzung, oder dergleichen aktualisieren.
Es sei darauf hingewiesen, dass bei einem Maschinenlernen der State-Expression-Map 12b, der Fehlergrad des gegossenen Artikels 6 absichtlich herbeigeführt wird oder der variable Parameter durch Ändern des Fehlererzeugungsparameters stark fluktuierend verändert wird. Berücksichtigt man, dass die Beobachtungsdaten fest sind, ist es jedoch bevorzugt, ein übermäßiges Fluktuieren der Beobachtungsdaten zum Zeitpunkt der zufälligen Suche durch tatsächliches Gießen zu vermeiden.
8 ist ein Sequenzdiagramm zur Darstellung eines Ablaufs des Prozessors in einer Betriebsphase. Die Messeinheit 3 misst die Formmaschine 2 und den gegossenen Artikel 6 betreffende physikalische Größen, wenn die Formmaschine 2 ein Gießen durchführt, und gibt die durch Messen erhaltenen Daten der physikalischen Größen an die Steuereinheit 14 aus (Schritt S51).
Die Steuereinheit 14 erfasst die von der Messeinheit 3 ausgegebenen Daten der physikalischen Größen, erzeugt Beobachtungsdaten basierend auf den erfassten Daten der physikalischen Größen, und gibt die erzeugten Beobachtungsdaten an die Lernvorrichtung 15 aus (Schritt S52).
Die State-Expression-Einheit 15a der Lernvorrichtung 15 erfasst die von der Beobachtungseinheit 14a ausgegebenen Beobachtungsdaten, erzeugt State-Expression-Daten durch Anwenden der Beobachtungsdaten auf die State-Expression-Map 12b, und gibt die erzeugten State-Expression-Daten an die Einheit 15c zur Ausgabe variabler Parameter aus (Schritt S53). Die Einheit 15c zur Ausgabe variabler Parameter bestimmt einen variablen Parameter der Gießmaschine 2 basierend auf den von der State-Expression-Einheit 15a ausgegebenen State-Expression-Daten, und gibt den bestimmten variablen Parameter an die State-Expression-Einheit 15a und die Steuereinheit 14 aus (Schritt S54). Zum Beispiel bestimmt die Einheit 15c zur Ausgabe des variablen Parameters einen variablen Parameter, mit welchem ein aus der ersten Zielfunktion erhaltener Auswertungswert maximal wird, wie zuvor beschrieben.
Die Korrektureinheit 14c der Steuereinheit 14 korrigiert den variablem Parameter wie erforderlich, und gibt den korrigierten variablen Parameter an die Fluidanalysevorrichtung 4 aus (Schritt S55). Die Fluidanalysevorrichtung 4 stellt den festen Parameter und den variablen Parameter ein, und führt einen Gießvorgang gemäß dem variablen Parameter aus (Schritt S56). Die Fluidanalysevorrichtung 4 gibt einen fehlerbezogenen Parameter, der durch eine Simulation des Gießvorgangs erhalten wurde, an die Steuereinheit 14 aus (Schritt S57).
Die Fehlergradumwandlungseinheit 14d der Steuereinheit 14 setzt den von der Fluidanalysevorrichtung 4 ausgegebenen fehlerbezogenen Parameter in die in Schritt S18 spezifizierte Funktion ein, um den fehlerbezogenen Parameter in den Fehlergrad des gegossenen Artikels 6 umzuwandeln, und gibt den umgewandelten Fehlergrad an die Belohnungsberechnungseinheit 14b aus (Schritt S58).
In einem Fall, in dem der Fehler des gegossenen Artikels 6 nicht behoben ist, kann der variable Parameter durch wiederholtes Ausführen der Verarbeitung nach den Schritten S53 bis S58.
Die Belohnungsberechnungseinheit 14b berechnet Belohnungsdaten, die entsprechend dem Fehlergrad bestimmt wurden, und gibt die berechneten Belohnungsdaten an die Lernvorrichtung 15 aus (Schritt S59).
Nachfolgend wird die Verarbeitung nach dem Schritt S59 beschrieben.
Die State-Expression-Einheit 15a der Lernvorrichtung 15 erfasst die von der Beobachtungseinheit 14a ausgegebenen Beobachtungsdaten, erzeugt State-Expression-Daten durch Anwenden der Beobachtungsdaten auf die State-Expression-Map 12b, und gibt die erzeugten State-Expression-Daten an die Einheit 15c zur Ausgabe variabler Parameter aus (Schritt S59). Die Einheit 15c zur Ausgabe variabler Parameter bestimmt einen variablen Parameter der Gießmaschine 2 basierend auf den von der State-Expression-Einheit 15a ausgegebenen State-Expression-Daten, und gibt den bestimmten variablen Parameter an die State-Expression-Einheit 15a und die Steuereinheit 14 aus (Schritt S60).
Die Korrektureinheit 14c der Steuereinheit 14 korrigiert den variablem Parameter wie erforderlich, und gibt den korrigierten variablen Parameter an die Gießmaschine 2 aus (Schritt S61). Die Messeinheit 3 misst die Formmaschine 2 und den gegossenen Artikel 6 betreffende physikalische Größen, wenn die Formmaschine 2 ein Gießen durchführt, und gibt die durch Messen erhaltenen Daten der physikalischen Größen an die Beobachtungseinheit 14a der Steuereinheit 14 aus (Schritt S62). Nachfolgend ist es möglich, den in der Gießmaschine 2 eingestellten variablen Parameter automatisch so anzupassen, dass Fehler in dem gegossenen Artikel 6 durch wiederholtes Ausführen der Verarbeitung nach den Schrittes S51 bis S62 nicht auftreten.
Gemäß dem Maschinenlernverfahren, dem Computerprogramm 12a, der Maschinenlernvorrichtung, und der Gießmaschine 2, die wie zuvor beschrieben gemäß dem vorliegenden Ausführungsbeispiel ausgebildet sind, ist es möglich, wenn das Simulationsergebnis zusätzlich zum tatsächlichen Gießen verwendet wird, die zum Sammeln der Lerndaten erforderlichen Arbeitsstunden für das tatsächliche Gießen mittels der Gießmaschine 2 zu verringern, und es ist möglich, die Lernvorrichtung 15 effizient zu trainieren.
Darüber hinaus ist es möglich, wenn die in der Fluidanalysevorrichtung 4 eingestellte Harztemperatur auf eine Harztemperatur eingestellt wird, die geringer als die in der Gießmaschine 2, die eine tatsächliche Maschine ist, eingestellte Harztemperatur ist, ein Simulationsergebnis und ein Ergebnis tatsächlichen Gießens auf einfache Weise abzugleichen.
Darüber hinaus können, wenn der durch Simulation erhaltene fehlerbezogene Parameter in den Fehlergrad des gegossenen Artikels 6 umgewandelt wird, die Fluidanalysevorrichtung 4 und die Lernvorrichtung 15 miteinander verbunden werden, und es kann ein Verstärkungslernen unter Verwendung des Simulationsergebnisses realisiert werden.
Genauer gesagt, können, wenn der maximale Harzdruck am Spitzenende und das Volumenfüllungsverhältnis in den Fehlergrad des gegossenen Artikels 6 umgewandelt werden, die Fluidanalysevorrichtung 4 und die Lernvorrichtung 15 miteinander verbunden werden, und es kann ein Verstärkungslernen unter Verwendung des Simulationsergebnisses realisiert werden.
Wenn die Beobachtungsdaten, die durch tatsächliches Gießen erhalten werden, als Beobachtungsdaten, die bei der Erstellung der State-Expression-Map 12b durch Verstärkungslernen erforderlich sind, verwendet werden, kann ferner die Lernvorrichtung 15 einem Verstärkungslernen unterzogen werden.
Ferner ist es möglich beim Anpassen des Gewichtswerts des Harzmaterials, der V/P-Umschaltposition, des Nachdrucks, und der Spritzgeschwindigkeit, welche variable Parameter sind, den Fehler des gegossenen Artikels 6 zu verringern.
Es sei darauf hingewiesen, dass in diesem Ausführungsbeispiel ein Beispiel beschrieben wurde, bei welchem die Vorrichtung 1 zum Anpassen variabler Parameter und die Maschinenlernvorrichtung in der Gießmaschine 2 vorgesehen sind, jedoch können die Vorrichtung 1 zum Anpassen variabler Parameter und/oder die Maschinenlernvorrichtung getrennt von der Gießmaschine 2 ausgebildet sein. Darüber hinaus kann die Verarbeitung zur Anpassung des variablen Parameters oder die Maschinenlernverarbeitung zur Durchführung in einer Cloud ausgebildet sein.
Darüber hinaus wurde in dem vorliegenden Ausführungsbeispiel hauptsächlich das modellbasierte Verstärkungslernen beschrieben, jedoch ist die Erfindung auch auf modellfreies Verstärkungslernen anwendbar.
Darüber hinaus wurde in dem vorliegenden Ausführungsbeispiel hauptsächlich ein Beispiel beschrieben, bei welchem der variable Parameter der Gießmaschine 2, welche eine Spritzgießmaschine ist, angepasst wird, jedoch kann die Erfindung auch auf andere Gießmaschinen 2, beispielsweise einen Extruder, angewendet werden.
Bezugszeichenliste

1: Vorrichtung zum Anpassen variabler Parameter
2: Gießmaschine
3: Messeinheit
4: Fluidanalysevorrichtung
5: Aufzeichnungsmedium
6: gegossener Artikel
11: Prozessor
12: Speichereinheit
12a: Computerprogramm
12b: State-Expression-Map
13: Einheit zum Erfassen physikalischer Größen
14: Steuereinheit
14a: Beobachtungseinheit
14b: Belohnungsberechnungseinheit
14c: Korrektureinheit
14d: Fehlergradumwandlungseinheit
15: Lernvorrichtung
15a: State-Expression-Einheit
15b: State-Expression-Lerneinheit
15c: Einheit zur Ausgabe variabler Parameter
21: Spritzvorrichtung
22: Formspannvorrichtung
23: Steuereinheit

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

JP 2019166702 [0003]

Claims

Maschinenlernverfahren eines Lernmodells, das einen variablen Parameter ausgibt, wenn Beobachtungsdaten, die durch das Beobachten einer das tatsächliche Gießen unter Verwendung einer Gießmaschine betreffenden physikalischen Größe erhalten werden, in das Lernmodell eingegeben werden, wobei der variable Parameter zur Verringerung des Fehlergrades eines durch tatsächliches Gießen erhaltenen gegossenen Artikels konfiguriert ist und Gießbedingungen der Gießmaschine betrifft, wobei das Maschinenlernverfahren die folgenden Schritte aufweist: Simulieren eines Gießvorgangs durch Einstellen eines variablen Parameters und eines festen Parameters in einer Fluidanalysevorrichtung; Erfassen eines fehlerbezogenen Parameters, der durch die Simulation erhalten wird und sich auf den Fehlergrad des gegossenen Artikels bezieht; Berechnen des Fehlergrads des gegossenen Artikels auf der Basis des erfassten fehlerbezogenen Parameters; und Veranlassen des Lernmodells, ein Maschinenlernen unter Verwendung des in der Fluidanalysevorrichtung eingestellten variablen Parameters und einer dem berechneten Fehlergrad entsprechenden Belohnung durchzuführen.
Maschinenlernverfahren gemäß Anspruch 1, bei welchem der Gießvorgang ein Wert in der Fluidanalysevorrichtung als den festen Parameter für die Simulation simuliert wird, wobei der Wert durch Ändern eines in der Gießmaschine eingestellten festen Parameters für die Gießmaschine erhalten wird, und der feste Parameter für die Simulation so bestimmt wird, dass ein Ergebnis des tatsächlichen Gießens unter Verwendung der Gießmaschine und ein Ergebnis der Simulation unter Verwendung der Fluidanalysevorrichtung zueinander passen.
Maschinenlernverfahren gemäß Anspruch 1, bei welchem der Gießvorgang durch Einstellen einer Harztemperatur in der Fluidanalysevorrichtung simuliert wird, wobei die Harztemperatur geringer als eine in der Gießmaschine eingestellte Harztemperatur ist, und die Harztemperatur für die Simulation so bestimmt wird, dass ein Ergebnis des tatsächlichen Gießens unter Verwendung der Gießmaschine und ein Ergebnis der Simulation unter Verwendung der Fluidanalysevorrichtung zueinander passen.
Maschinenlernverfahren gemäß einem der Ansprüche 1 bis 3, bei welchem Assoziationsinformationen zum Assoziieren des fehlerbezogenen Parameters und des Fehlergrads des gegossenen Artikels spezifiziert werden, wobei der fehlerbezogene Parameter durch Simulation unter Verwendung desselben variablen Parameters und desselben festen Parameters, wie sie in der Gießmaschine eingestellt sind, als den variablen Parameter und den festen Parameter, wobei der Fehlergrad durch tatsächliches Gießen erhalten wird, das unter Einstellen des variablen Parameters und des festen Parameters in der Gießmaschine durchgeführt wird, und der Fehlergrad des gegossenen Artikels anhand des fehlerbezogenen Parameters unter Verwendung der spezifizierten Assoziationsinformationen berechnet wird.
Maschinenlernverfahren gemäß einem der Ansprüche 1 bis 4, bei welchem der fehlerbezogene Parameter umfasst: ein Volumenfüllungsverhältnis und/oder einen Druck und/oder eine Temperatur und/oder eine V/P-Umschaltposition und/oder Viskosität und/oder eine Festphasenrate und/oder eine Hautschichtdicke und/oder eine Füllgeschwindigkeit und/oder eine Füllbeschleunigung und/oder eine Scherbelastung und/oder eine Belastung und/oder eine Dichte und/oder eine Scherrate und/oder eine Scherenergie und/oder eine thermische Leitfähigkeit und/oder eine spezifische Wärme des Harzmaterials in einer Form und/oder eine Grenzflächentemperatur zwischen dem Harz und der Form.
Maschinenlernverfahren gemäß einem der Ansprüche 1 bis 5, bei welchem das Lernmodell einem Verstärkungslernen auf der Basis von Beobachtungsdaten unterzogen wird, welche ein fester Wert, der in der Fluidanalysevorrichtung eingestellte variable Parameter, und eine Belohnung, welche dem den durch Simulation erhaltenen fehlerbezogenen Parameter betreffenden Fehlergrad entspricht, sind.
Maschinenlernverfahren gemäß einem der Ansprüche 1 bis 6, bei welchem das Lernmodell einem Verstärkungslernen auf der Basis der Beobachtungsdaten, die durch Beobachten der physikalischen Größen betreffend das tatsächliche Gießen erhalten werden, welches durch Einstellen des variablen Parameters und des festen Parameters in der Gießmaschine durchgeführt wird, des in der Gießmaschine eingestellten variablen Parameters, und der Belohnung, die dem durch tatsächliches Gießen erhaltenen Fehlergrad entspricht, unterzogen wird, und wobei das Lernmodell dem Verstärkungslernen auf der Basis der Beobachtungsdaten, welche ein fester Wert sind, des in der Fluidanalysevorrichtung eingestellten variablen Parameters, und der Belohnung, die dem durch Simulation erhaltenen Fehlergrad entspricht, unterzogen wird.
Maschinenlernverfahren gemäß Anspruch 6 oder 7, bei welchem die Beobachtungsdaten, welche ein fester Wert sind, ein Beobachtungsdatenelement sind, das durch Beobachten der physikalischen Größe erhalten wird, welche das durch Einstellen des variablen Parameters in der Gießmaschine durchgeführte tatsächliche Gießen betrifft.
Maschinenlernverfahren gemäß einem der Ansprüche 1 bis 8, bei welchem der variable Parameter eine Umschaltposition zwischen der Spritzgeschwindigkeitssteuerung und der Spritzdrucksteuerung beim Spritzgießen, eine Spritzgeschwindigkeit oder einen Nachdruck aufweist.
Computerprogramm, das einen Computer veranlasst, ein Maschinenlernen eines Lernmodells durchzuführen, das einen variablen Parameter ausgibt, wenn Beobachtungsdaten, die durch das Beobachten einer das tatsächliche Gießen unter Verwendung einer Gießmaschine betreffenden physikalischen Größe erhalten werden, in das Lernmodell eingegeben werden, wobei der variable Parameter zur Verringerung des Fehlergrades eines durch tatsächliches Gießen erhaltenen gegossenen Artikels konfiguriert ist und Gießbedingungen der Gießmaschine betrifft, wobei das Computerprogramm den Computer veranlasst, die folgenden Prozesse auszuführen: Simulieren eines Gießvorgangs durch Einstellen eines variablen Parameters und eines festen Parameters in einer Fluidanalysevorrichtung; Erfassen eines fehlerbezogenen Parameters, der durch die Simulation erhalten wird und sich auf den Fehlergrad des gegossenen Artikels bezieht; Berechnen des Fehlergrads des gegossenen Artikels auf der Basis des erfassten fehlerbezogenen Parameters; und Veranlassen des Lernmodells, ein Maschinenlernen unter Verwendung des in der Fluidanalysevorrichtung eingestellten variablen Parameters und einer dem berechneten Fehlergrad entsprechenden Belohnung durchzuführen.
Maschinenlernvorrichtung, welche ein Lernmodell veranlasst ein Maschinenlernen durchzuführen, wobei das Lernmodell einen variablen Parameter ausgibt, wenn Beobachtungsdaten, die durch das Beobachten einer das tatsächliche Gießen unter Verwendung einer Gießmaschine betreffenden physikalischen Größe erhalten werden, in das Lernmodell eingegeben werden, und der variable Parameter zur Verringerung des Fehlergrades eines durch tatsächliches Gießen erhaltenen gegossenen Artikels konfiguriert ist und Gießbedingungen der Gießmaschine betrifft, wobei die Maschinenlernvorrichtung aufweist: eine Simulationsverarbeitungseinheit, welche eine Gießvorgang durch Einstellen eines variablen Parameters und eines festen Parameters in einer Fluidanalysevorrichtung simuliert; eine Erfassungseinheit zum Erfassen eines fehlerbezogenen Parameters, der durch die Simulation mittels der Fluidanalysevorrichtung erhalten wird und sich auf den Fehlergrad des gegossenen Artikels bezieht; eine Berechnungseinheit zum Berechnen des Fehlergrads des gegossenen Artikels auf der Basis des von der Erfassungseinheit erfassten fehlerbezogenen Parameters; und eine Lernverarbeitungseinheit, welche das Lernmodell veranlasst, ein Maschinenlernen unter Verwendung des in der Fluidanalysevorrichtung eingestellten variablen Parameters und des berechneten Fehlergrads durchzuführen.
Gießmaschine mit: der Maschinenlernvorrichtung gemäß Anspruch 11, wobei das tatsächliche Gießen unter Verwendung eines von dem Lernmodell ausgegebenen variablen Parameters erfolgt.