DE112021005251T5

DE112021005251T5 - Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren

Info

Publication number: DE112021005251T5
Application number: DE112021005251.9T
Authority: DE
Inventors: Atsushi Horiuchi; Hiroyasu Asaoka; Kenjirou SHIMIZU
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2020-10-05
Filing date: 2021-10-01
Publication date: 2023-09-07
Also published as: JPWO2022075224A1; US20230367304A1; JP7132457B1; CN116323038A; WO2022075224A1

Abstract

Eine Zustandsbestimmungsvorrichtung weist eine Datenerlangungseinheit, die dazu eingerichtet ist, Daten im Zusammenhang mit einer Industriemaschine zu erlangen; eine Ermittlungseinheit, die dazu eingerichtet ist, auf Basis der erlangten Daten eine Ermittlung unter Verwendung eines Lernmodells durchzuführen; und eine Statistikdatenberechnungseinheit, die dazu eingerichtet ist, eine statistische Größe gemäß einer Statistikbedingung zu berechnen und die berechnete statistische Größe zu verwenden, um einen statistischen Ermittlungswert, wofür der durch die Ermittlungseinheit ermittelte Ermittlungswert korrigiert wurde, zu berechnen, auf und kann entsprechend ein Zustandsbestimmungsergebnis, das durch das Lernmodell berechnet wurde, an eine Änderung im Betriebsstatus oder dergleichen der Industriemaschine anpassen.

Description

Technisches Gebiet
Die vorliegende Erfindung betrifft eine Zustandsbestimmungsvorrichtung und ein Zustandsbestimmungsverfahren im Zusammenhang mit einer Industriemaschine.
Allgemeiner Stand der Technik
Die Wartung von Industriemaschinen wie etwa einer Spritzgussmaschine wird periodisch oder bei Auftreten einer Anomalie durchgeführt. Bei der Wartung einer Industriemaschine benutzt ein Wartungstechniker eine vorab während des Betriebs der Industriemaschine aufgezeichnete physikalische Größe, die den Betriebszustand der Industriemaschine angibt, um zu bestimmen, ob bei dem Betriebszustand der Industriemaschine eine Anomalie vorliegt oder nicht, und nimmt eine Wartungstätigkeit wie etwa den Austausch einer Komponente, bei der die Anomalie aufgetreten ist, vor.
Als Beispiel wird nachstehend der Fall einer Spritzgussmaschine beschrieben werden. Als Wartungstätigkeit für ein Rückschlagventil in einem Spritzzylinder, mit dem die Spritzgussmaschine versehen ist, ist ein Verfahren bekannt, bei dem eine Schnecke regelmäßig aus dem Spritzzylinder gezogen wird und die Abmessung des Rückschlagventils direkt gemessen wird. Bei diesem Verfahren ist es jedoch nötig, die Herstellung anzuhalten, um die Messtätigkeit vorzunehmen, was das Problem einer verringerten Produktivität hervorruft.
Als herkömmliche Technik, um ein solches Problem zu lösen, besteht ein bekanntes Verfahren darin, das Ausmaß der Abnutzung an einem Rückschlagventil in einem Spritzzylinder indirekt zu detektieren und eine Anomaliediagnose durchzuführen, ohne dass eine Handlung, wodurch die Herstellung angehalten wird, wie das Herausziehen einer Schnecke aus dem Spritzzylinder erforderlich ist. Bei diesem Verfahren wird die Anomaliediagnose durch Erfassen des Laufmoments, das auf die Schnecke ausgeübt wird, und Detektieren der Erscheinung des Rückflusses von Harz zu der Hinterseite der Schnecke vorgenommen.
Beispielsweise offenbaren die Patentliteraturbeispiele 1 und 2, dass eine Anomalie durch überwachtes maschinelles Lernen der Belastung einer Antriebseinheit, des Harzdrucks und so weiter bestimmt wird. Doch wenn Nebeneinrichtungen wie etwa eine Gussform, die für die Herstellung benötigt wird, oder ein Herstellungsmaterial wie etwa das Harz ausgetauscht wird oder sich der Lauf- oder Betriebszustand einer Maschine ändert, verursacht diese eine Abweichung zwischen einem Messwert, der von der Maschine erhalten wird, und den Trainingsdaten, die bei dem maschinellen Lernen verwendet wurden, was das Problem verursacht, dass keine korrekte Bestimmung durch maschinelles Lernen vorgenommen werden kann.
Das Patentliteraturbeispiel 3 offenbart, dass im Hinblick auf einen Anomaliegrad-Ermittlungswert, der durch maschinelles Lernen abgeleitet wird, ein Korrekturkoeffizient, der mit einem Maschinenmodell oder einem Maschinenmaterial für den Spritzguss in Verbindung gebracht ist, auf einen Anomaliegrad-Ermittlungswert, der durch ein einzelnes Lernmodell berechnet wurde, angewendet wird und ein korrigierter Anomaliegrad-Ermittlungswert abgeleitet wird. Dies ermöglicht, dass ein einzelnes Lernmodell breit auf verschiedene Maschinenmodelle, Nebeneinrichtungen und Herstellungsmaterialien angewendet werden kann. Es ist jedoch nötig, vorab Korrekturgrößen, die den Nebeneinrichtungen und den Herstellungsmaterialien entsprechen, vorzubereiten, wodurch eine Tätigkeit zur Anpassung dieser Korrekturgrößen erforderlich wird.
Literaturliste
Patentliteratur

Patentliteraturbeispiel 1: Japanische Patentoffenlegungsschrift Nr. 2017-030221
Patentliteraturbeispiel 2: Japanische Patentoffenlegungsschrift Nr. 2017-202632
Patentliteraturbeispiel 3: Japanische Patentoffenlegungsschrift Nr. 2020-044718

Kurzdarstellunq der Erfindung
Technisches Problem
Wie oben beschrieben wurde, ist es zur Vornahme einer korrekten Bestimmung auch bei derartigen Änderungen bei Nebeneinrichtungen wie etwa einer Gussform, die für die Herstellung benötigt wird, oder einem Herstellungsmaterial wie etwa dem Harz erforderlich, mehrere Zustandsbestimmungsvorrichtungen oder mehrere Lernmodelle vorzubereiten. Und wenn sich der Laufzustand oder der Betriebszustand einer Maschine ändert (zum Beispiel, wenn eine Nebeneinrichtung wie etwa eine Gussform, die für die Herstellung benötigt wird, ausgetauscht wird oder das Herstellungsmaterial wie etwa das Harz ausgetauscht wird), muss eine Bestimmungsreferenz oder ein Bestimmungsverfahren zum Bestimmen, ob eine Anomalie vorliegt oder nicht, je nach der Änderung verändert werden, was zu einer schlechten Arbeitseffizienz, höheren Kosten und einer geringen Universalität führt.
Der Grund dafür ist, dass ein Austausch einer Nebeneinrichtung (wie etwa einer Gussform, einer Formtemperatursteuerung und oder eines Harztrockners) oder eines Herstellungsmaterials, eine Änderung der Betriebsbedingungen (zum Beispiel eines Parameters und eines Bildschirmeinstellwerts wie etwa einer Einspritzgeschwindigkeit und eines Einspritzdrucks, oder eines Programms), ein Anhalten und Neustarten eines Automatikbetriebs oder das Auftreten eines Wechsels oder einer Veränderung des Laufzustands oder des Betriebszustands einen wesentlichen Unterschied zwischen den Anomaliegraden, die durch ein Lernmodell vor und nach dem Wechsel oder der Veränderung berechnet wurden, verursacht, was zu einer Situation führt, in der die Genauigkeit der Bestimmung des Anomaliegrads verschlechtert ist oder eine korrekte Bestimmung verhindert wird.
Im Besonderen kann ein Messwert, der nach dem Wechsel des Laufzustands oder des Betriebszustands erhalten wurde, verglichen mit einem Messwert (Lerndaten), der bei der Erstellung eines Lernmodells erhalten wurde, abweichen und kann bei einem Ermittlungswert, der durch das maschinelle Lernen ermittelt wird, trotz des Umstands, dass der gegenwärtige Zustand der normale Zustand ist, ein Versatz (eine Abweichung) erzeugt werden, wodurch die Bestimmungsgenauigkeit verschlechtert wird.
Das heißt, es wird ein Verfahren gewünscht, wodurch ein Zustandsbestimmungsergebnis, das durch ein Lernmodell berechnet wurde, an einen Wechsel des Laufzustands oder des Betriebszustands oder dergleichen einer Industriemaschine angepasst wird, um verschiedenen Herstellungsumgebungen oder Anforderungen von einem Betreiber nachzukommen.
Lösung des Problems
Eine Zustandsbestimmungsvorrichtung nach der vorliegenden Erfindung löst das obige Problem, indem sie unter Verwendung eines Lernmodells, das auf Basis von Zeitreihendaten, die von einer Industriemaschine erlangt werden, Anomaliegrade gelernt hat, einen Anomaliegrad ermittelt; zu einem Zeitpunkt, zu dem ein Ereignis eines Wechsels des Laufzustands oder des Betriebszustands der Industriemaschine aufgetreten ist, aus mehreren Ermittlungswerten, die vor und nach dem Ereignis erhalten wurden, eine statische Größe berechnet; einen Ermittlungswert (Anomaliegrad), wofür der durch das Lernmodell ermittelte Ermittlungswert (Anomaliegrad) auf Basis der berechneten statistischen Größe korrigiert wurde, ableitet; und den Anomaliegrad unter Verwendung des korrigierten Ermittlungswerts bestimmt.
Ferner handelt es sich bei einem Aspekt der vorliegenden Erfindung um eine Zustandsbestimmungsvorrichtung zum Bestimmen eines Zustands einer Industriemaschine, wobei die Zustandsbestimmungsvorrichtung eine Datenerlangungseinheit, die dazu eingerichtet ist, Daten im Zusammenhang mit der Industriemaschine zu erlangen; eine Lernmodellspeichereinheit, die dazu eingerichtet ist, ein Lernmodell, das einen Betriebszustand einer Industriemaschine, der mit Daten im Zusammenhang mit der Industriemaschine verbunden ist, gelernt hat, zu speichern; eine Ermittlungseinheit, die dazu eingerichtet ist, auf Basis der Daten, die durch die Datenerlangungseinheit von der Industriemaschine erlangt wurden, unter Verwendung des Lernmodells, das in der Lernmodellspeichereinheit gespeichert ist, einen Ermittlungswert im Zusammenhang mit dem Zustand der Industriemaschine zu ermitteln; eine Statistikbedingungsspeichereinheit, die dazu eingerichtet ist, eine Statistikbedingung, die eine Statistikfunktion und eine Anzahl von Samples im Zusammenhang mit der Berechnung wenigstens einer statistischen Größe umfasst, als Bedingung für das Berechnen einer statistischen Größe aus mehreren Ermittlungswerten, die durch die Ermittlungseinheit ermittelt wurden, zu speichern; eine Statistikdatenberechnungseinheit, die dazu eingerichtet ist, die statistische Größe gemäß der Statistikbedingung, die in der Statistikbedingungsspeichereinheit gespeichert ist, zu berechnen und die berechnete statistische Größe zu verwenden, um einen statistischen Ermittlungswert, wofür der durch die Ermittlungseinheit ermittelte Ermittlungswert korrigiert wurde, zu berechnen; und eine Bestimmungsergebnisausgabeeinheit, die dazu eingerichtet ist, auf Basis des statistischen Ermittlungswerts ein Bestimmungsergebnis für den Zustand der Industriemaschine auszugeben, aufweist, wobei die Statistikdatenberechnungseinheit dazu eingerichtet ist, eine erste statistische Größe, die auf Basis eines Ermittlungswerts, der durch die Ermittlungseinheit vor einem in der Industriemaschine aufgetretenen Ereignis ermittelt wurde, berechnet wird, und eine zweite statistische Größe, die auf Basis eines Ermittlungswerts, der durch die Ermittlungseinheit nach dem Ereignis ermittelt wurde, berechnet wird, zu berechnen und die berechnete erste statistische Größe und zweite statistische Größe und eine vordefinierte bestimmte Korrekturfunktion zu verwenden, um einen statistischen Ermittlungswert, wofür der Ermittlungswert, der durch die Ermittlungseinheit nach dem Ereignis ermittelt wurde, korrigiert wurde, zu berechnen.
Bei einem anderen Aspekt der vorliegenden Erfindung handelt es sich um ein Zustandsbestimmungsverfahren zum Bestimmen eines Zustands einer Industriemaschine, wobei das Zustandsbestimmungsverfahren die Schritte des Erlangens von Daten im Zusammenhang mit der Industriemaschine; des Verwendens eines Lernmodells, das einen Betriebszustand einer Industriemaschine, der mit Daten im Zusammenhang mit der Industriemaschine verbunden ist, gelernt hat, um auf Basis von Daten, die in dem Erlangungsschritt von der Industriemaschine erlangt wurden, einen Ermittlungswert im Zusammenhang mit dem Zustand der Industriemaschine zu ermitteln; des Berechnens einer statistischen Größe aus mehreren Ermittlungswerten gemäß einer Statistikbedingung, die wenigstens eine Statistikfunktion und eine Anzahl von Samples im Zusammenhang mit der Berechnung der statistischen Größe umfasst, und des Verwendens der berechneten statistischen Größe, um einen statistischen Ermittlungswert, wofür die Ermittlungswerte korrigiert wurden, zu berechnen; und des Ausgebens eines Bestimmungsergebnisses für den Zustand der Industriemaschine auf Basis des statistischen Ermittlungswerts durchführt, wobei der Schritt des Berechnens des statistischen Ermittlungswerts ein Berechnen einer ersten statistischen Größe, die auf Basis eines Ermittlungswerts, der in dem Ermittlungsschritt vor einem in der Industriemaschine aufgetretenen Ereignis ermittelt wurde, berechnet wird, und einer zweiten statistischen Größe, die auf Basis eines Ermittlungswerts, der in dem Ermittlungsschritt nach dem Ereignis ermittelt wurde, berechnet wird, und ein Verwenden der berechneten ersten statistischen Größe und zweiten statistischen Größe und einer vordefinierten bestimmten Korrekturfunktion, um den statistischen Ermittlungswert, wofür der Ermittlungswert, der in dem Ermittlungsschritt nach dem Ereignis ermittelt wurde, korrigiert wurde, zu berechnen, umfasst.
Vorteilhafte Wirkungen der Erfindung
Nach einem Aspekt der vorliegenden Erfindung kann ein Ermittlungswert, der durch ein einzelnes Lernmodell, das durch maschinelles Lernen erhalten wurde, ermittelt wurde, auch dann breit angewendet werden, wenn verschiedene Änderungen des Laufzustands oder des Betriebszustands auftreten, so dass eine verbesserte Bestimmungsgenauigkeit und eine stabile Bestimmung bei verschiedenen Zuständen bewerkstelligt werden kann.
Kurze Beschreibung der Zeichnungen

1: 1 ist ein schematisches Hardwareaufbaudiagramm einer Zustandsbestimmungsvorrichtung nach einer Ausführungsform.
2: 2 ist ein schematisches Aufbaudiagramm einer Spritzgussmaschine.
3: 3 ist ein schematisches Funktionsblockdiagramm der Zustandsbestimmungsvorrichtung nach einer ersten Ausführungsform.
4: 4 ist ein Diagramm, das ein Beispiel für einen Formungszyklus zur Herstellung eines einzelnen Formartikels darstellt.
5: 5 ist ein Diagramm der graphischen Darstellung von Ermittlungswerten gemäß einem Zustand der Spritzgussmaschine, die durch eine Maschinenlernvorrichtung ermittelt wurden.
6: 6 ist ein Diagramm, das ein Beispiel für Statistikbedingungen zeigt.
7: 7 ist ein Diagramm, das Verteilungen von jeweiligen Ermittlungswerten, die in den Statistikbedingungen angegeben sind, darstellt.
8: 8 ist ein Diagramm, das ein Beispiel für korrigierte statistische Ermittlungswerte darstellt.
9: 9 ist ein Diagramm, das ein Beispiel für eine Bildschirmdarstellung zur Eingabe von Statistikbedingungen darstellt.

Beschreibung von Ausführungsformen
Unter Bezugnahme auf die Zeichnungen werden nachstehend Ausführungsformen der vorliegenden Erfindung beschrieben werden.
1 ist ein schematisches Hardwareaufbaudiagramm einer Zustandsbestimmungsvorrichtung nach einer Ausführungsform der vorliegenden Erfindung.
Eine Zustandsbestimmungsvorrichtung 1 nach der vorliegenden Ausführungsform kann zum Beispiel als Steuervorrichtung zum Steuern einer Industriemaschine auf Basis eines Steuerprogramms umgesetzt werden oder kann auch in einer übergeordneten Vorrichtung wie etwa einem Personal Computer, der einer Steuervorrichtung zum Steuern einer Industriemaschine auf Basis eines Steuerprogramms angegliedert ist, umgesetzt werden oder in einem Personal Computer, einem Zellencomputer, einem Fog-Computer 6, einem Cloud-Server 7 oder dergleichen, der über ein drahtgebundenes/drahtloses Netzwerk mit der Steuervorrichtung verbunden ist, umgesetzt werden. Bei der vorliegenden Ausführungsform wird ein Beispiel gezeigt, bei dem die Zustandsbestimmungsvorrichtung 1 in einem Personal Computer, der über ein Netzwerk 9 mit einer oder mehr Steuervorrichtungen 3 verbunden ist, umgesetzt ist. Es ist zu beachten, dass die Industriemaschine, die das Ziel für die Zustandsbestimmung durch die Zustandsbestimmungsvorrichtung der vorliegenden Erfindung darstellt, zum Beispiel eine Spritzgussmaschine, eine Werkzeugmaschine, eine Bergbaumaschine, eine Holzverarbeitungsmaschine, eine landwirtschaftliche Maschine, eine Baumaschine oder dergleichen sein kann. Im Folgenden wird eine Spritzgussmaschine als ein Beispiel für derartige Industriemaschinen beschrieben werden.
Eine CPU 11, mit der die Zustandsbestimmungsvorrichtung 1 nach der vorliegenden Ausführungsform versehen ist, ist ein Prozessor, um die Zustandsbestimmungsvorrichtung 1 als Ganzes zu steuern. Die CPU 11 liest ein Systemprogramm, das in einem ROM 12 gespeichert ist, über einen Bus 22 und steuert die gesamte Zustandsbestimmungsvorrichtung 1 gemäß dem Systemprogramm. Ein RAM 13 speichert temporäre Berechnungsdaten und Anzeigedaten, verschiedene von außen her eingegebene Daten und dergleichen vorübergehend.
Ein nichtflüchtiger Speicher 14 ist als ein Speicher, der durch eine nicht gezeigte Batterie gestützt wird, ein Solid-State-Laufwerk (SSD) oder dergleichen gebildet, wobei sein Speicherzustand auch dann beibehalten wird, wenn die Stromversorgung der Zustandsbestimmungsvorrichtung 1 abgeschaltet ist. Der nichtflüchtige Speicher 14 speichert Daten, die über eine Schnittstelle 15 von einer externen Vorrichtung 72 geladen wurden, Daten, die über eine Schnittstelle 18 von einer Eingabevorrichtung 71 eingegeben wurden, Daten, die über das Netzwerk 9 von einer oder mehreren Spritzgussmaschinen 4 erlangt wurden, oder dergleichen. Die Daten, die gespeichert werden sollen, können Daten im Zusammenhang mit physikalischen Größen wie etwa einem Motorstrom, einer Spannung, einem Drehmoment, einer Position, einer Geschwindigkeit oder einer Beschleunigung einer Antriebseinheit, einem Druck im Inneren einer Gussform, einer Temperatur eines Spritzzylinders, einer Harzdurchflussmenge, einer Harzfließgeschwindigkeit, einer Schwingung oder einem Geräusch der Antriebseinheit oder dergleichen, die zum Beispiel durch verschiedene Sensoren 5, welche an der durch die Steuervorrichtung 3 gesteuerten Spritzgussmaschine 4 angebracht sind, detektiert wurden, umfassen. Die Daten, die in dem nichtflüchtigen Speicher 14 gespeichert sind, können während der Ausführung oder während der Verwendung in den RAM 13 geladen werden. Außerdem wurden verschiedene Systemprogramme wie etwa ein bekanntes Analyseprogramm vorab in den ROM 12 geschrieben.
Die Schnittstelle 15 ist eine Schnittstelle, um die CPU 11 in der Zustandsbestimmungsvorrichtung 1 und die externe Vorrichtung 72 wie etwa eine externe Speichervorrichtung miteinander zu verbinden. Von der externen Vorrichtung 72 können zum Beispiel Systemprogramme, Programme, Parameter oder dergleichen im Zusammenhang mit dem Betrieb der Spritzgussmaschine 4 geladen werden. Außerdem können Daten oder dergleichen, die in der Zustandsbestimmungsvorrichtung 1 erzeugt oder bearbeitet wurden, über die externe Vorrichtung 72 in einem externen Speichermedium (nicht gezeigt) wie etwa einer CF-Karte, einem USB-Speicher oder dergleichen gespeichert werden.
Die Schnittstelle 20 ist eine Schnittstelle, um die CPU 11 in der Zustandsbestimmungsvorrichtung 1 und das drahtgebundene oder drahtlose Netzwerk 9 miteinander zu verbinden. Das Netzwerk 9 kann ein Netzwerk sein, das für die Kommunikation eine beliebige Technologie wie etwa zum Beispiel eine serielle Kommunikation nach RS-485 oder dergleichen, eine Ethernet(eingetragenes Warenzeichen)-Kommunikation, eine optische Kommunikation, ein drahtloses LAN, Wi-Fi (eingetragenes Warenzeichen), Bluetooth (eingetragenes Warenzeichen) oder dergleichen verwendet. Die Steuervorrichtung 3 zum Steuern der Spritzgussmaschine 4, der Fog-Computer 6, der Cloud-Server 7 und dergleichen sind an das Netzwerk 9 angeschlossen und nehmen einen Datenaustausch mit der Zustandsbestimmungsvorrichtung 1 vor.
Die einzelnen Daten, die in den Speicher geladen wurden, Daten, die als Ergebnis der Ausführung eines Programms oder dergleichen erhalten wurden, Daten, die von einer später beschriebenen Maschinenlernvorrichtung 2 ausgegeben wurden, oder dergleichen werden über eine Schnittstelle 17 an eine Anzeigevorrichtung 70 ausgegeben und an der Anzeigevorrichtung 70 angezeigt. Die Eingabevorrichtung 71, die durch eine Tastatur, eine Zeigevorrichtung oder dergleichen gebildet ist, gibt Befehle, Daten oder dergleichen, die auf einer Benutzerbetätigung beruhen, über eine Schnittstelle 18 an die CPU 11 weiter.
Eine Schnittstelle 21 ist eine Schnittstelle, um die CPU 11 und die Maschinenlernvorrichtung 2 miteinander zu verbinden. Die Maschinenlernvorrichtung 2 weist einen Prozessor 201 zum Steuern der gesamten Maschinenlernvorrichtung 2, einen ROM 202, der ein Systemprogramm oder dergleichen speichert, einen RAM 203, der bei der vorübergehenden Speicherung bei jedem Prozess im Zusammenhang mit dem maschinellen Lernen verwendet wird, und einen nichtflüchtigen Speicher 204, der zum Speichern eines Lernmodells oder dergleichen verwendet wird, auf. Die Maschinenlernvorrichtung kann über die Schnittstelle Daten (zum Beispiel Daten im Zusammenhang mit physikalischen Größen wie etwa einem Motorstrom, einer Spannung, einem Drehmoment, einer Position, einer Geschwindigkeit oder einer Beschleunigung der Antriebseinheit, einem Druck im Inneren einer Gussform, einer Temperatur des Spritzzylinders, einer Harzdurchflussmenge, einer Harzfließgeschwindigkeit, einer Schwingung oder einem Geräusch der Antriebseinheit, die zum Beispiel durch verschiedene Sensoren 5, welche an der Spritzgussmaschine 4 angebracht sind, detektiert wurden), die durch die Zustandsbestimmungsvorrichtung 1 erlangt werden können, beobachten. Außerdem erlangt die Zustandsbestimmungsvorrichtung 1 über die Schnittstelle 21 ein von der Maschinenlernvorrichtung 2 ausgegebenes Bearbeitungsergebnis und speichert das erlangte Ergebnis, zeigt es an, oder sendet es über das Netzwerk 9 oder dergleichen an eine andere Vorrichtung.
2 ist ein schematisches Aufbaudiagramm der Spritzgussmaschine 4.
Die Spritzgussmaschine 4 ist hauptsächlich durch eine Schließeinheit 401 und eine Einspritzeinheit 402 gebildet. Die Schließeinheit 401 ist mit einer beweglichen Aufspannplatte 416 und einer stationären Aufspannplatte 414 versehen. Außerdem ist an der beweglichen Aufspannplatte 416 eine Gussform 412 der beweglichen Seite angebracht und an der stationäre Aufspannplatte 414 eine Gussform 411 der stationären Seite angebracht. Andererseits ist die Einspritzeinheit 402 durch einen Spritzzylinder 426, einen Trichter 436 zum Halten eines Harzmaterials, das dem Spritzzylinder 426 zugeführt werden soll, und eine Düse 440, die an der Spitze des Spritzzylinders 426 bereitgestellt, gebildet. In einem Formungszyklus zum Herstellen eines einzelnen Formartikels wird in der Schließeinheit 401 die Gussform 401 durch Bewegen der beweglichen Aufspannplatte 416 geschlossen und festgespannt und in der Einspritzeinheit 402 die Düse 440 gegen die Gussform 411 der stationären Seite gepresst und dann Harz in die Gussform eingespritzt. Diese Tätigkeiten werden durch Anweisungen von der Steuervorrichtung 3 gesteuert.
Außerdem sind die Sensoren 5 an entsprechenden Abschnitten der Spritzgussmaschine 4 angebracht und werden physikalische Größen wie etwa ein Motorstrom, eine Spannung, ein Drehmoment, eine Position, eine Geschwindigkeit oder eine Beschleunigung der Antriebseinheit, ein Druck im Inneren der Gussform, eine Temperatur des Spritzzylinders 426, eine Harzdurchflussmenge, eine Harzfließgeschwindigkeit, eine Schwingung oder ein Geräusch der Antriebseinheit detektiert und an die Steuervorrichtung 3 gesendet. In der Steuervorrichtung 3 wird jede detektierte physikalische Größe in einem RAM, einem nichtflüchtigen Speicher oder dergleichen, der nicht gezeigt ist, gespeichert und wie erforderlich über das Netzwerk 9 an die Zustandsbestimmungsvorrichtung 1 gesendet.
3 zeigt Funktionen der Zustandsbestimmungsvorrichtung 1 nach der ersten Ausführungsform der vorliegenden Erfindung als schematisches Blockdiagramm.
Jede Funktion der Zustandsbestimmungsvorrichtung 1 nach der vorliegenden Ausführungsform wird umgesetzt, wenn die CPU 11, mit der die in 1 gezeigte Zustandsbestimmungsvorrichtung 1 versehen ist, und der Prozessor 201, mit dem die ebenfalls dort gezeigte Maschinenlernvorrichtung 2 versehen ist, jeweils Systemprogramme ausführen und den Betrieb jeder Einheit der Zustandsbestimmungsvorrichtung 1 und der Maschinenlernvorrichtung 2 steuern.
Die Zustandsbestimmungsvorrichtung 1 der vorliegenden Ausführungsform weist eine Datenerlangungseinheit 100, eine Datenextraktionseinheit 110, eine Ermittlungs-Anweisungseinheit 120, eine Statistikdatenberechnungseinheit 130 und eine Bestimmungsergebnisausgabeeinheit 140 auf. Außerdem weist die Maschinenlernvorrichtung 2 eine Ermittlungseinheit 207 auf. Darüber hinaus sind in dem RAM 13 oder dem nichtflüchtigen Speicher 14 in der Zustandsbestimmungsvorrichtung 1 eine Erlangungsdatenspeichereinheit 300 als Bereich zum Speichern von Daten, die durch die Erlangungseinheit 100 von der Steuervorrichtung 3 oder dergleichen erlangt wurden, eine Statistikbedingungsspeichereinheit 310, in der vorab Statistikbedingungen, die bei der Berechnung von statistischen Daten durch die Statistikdatenberechnungseinheit 130 verwendet werden, gespeichert sind, und eine Statistikdatenspeichereinheit 320 als Bereich zum Speichern statistischer Daten, die durch die Statistikdatenberechnungseinheit 130 berechnet wurden, vorbereitet. Ferner ist in dem RAM 203 oder dem nichtflüchtigen Speicher 204 in der Maschinenlernvorrichtung 2 eine Lernmodellspeichereinheit als Bereich zum Speichern eines Lernmodells 214, das durch eine später beschriebene Lerneinheit erstellt wurde und die Korrelation zwischen Daten im Zusammenhang mit einer bestimmten physikalischen Größe, die von einer Industriemaschine erlangt wurde, und einem Zustand im Zusammenhang mit der Industriemaschine gelernt hat, vorbereitet.
Die Datenerlangungseinheit 100 wird umgesetzt, wenn die CPU 11, mit der die in 1 gezeigte Zustandsbestimmungsvorrichtung 1 versehen ist, ein Systemprogramm, das aus dem ROM 12 gelesen wurde, ausführt und dadurch hauptsächlich ein durch die CPU 11 durchgeführter Berechnungsprozess unter Verwendung des RAM 13 und des nichtflüchtigen Speichers 14 und ein durch die Schnittstellen 15, 18 und 20 durchgeführter Eingangssteuerprozess stattfinden. Die Datenerlangungseinheit 100 erlangt Daten im Zusammenhang mit physikalischen Größen wie etwa dem Motorstrom, einer Spannung, einer Position, einer Geschwindigkeit und einer Beschleunigung der Antriebseinheit, einem Druck im Inneren einer Gussform, einer Temperatur des Spritzzylinders 426, einer Harzdurchflussmenge, einer Harzfließgeschwindigkeit, einer Schwingung oder einem Geräusch der Antriebseinheit und so weiter, die durch die Sensoren 5, welche an der Spritzgussmaschine 4 angebracht sind, detektiert wurden. Die Daten im Zusammenhang mit physikalischen Größen, die durch die Datenerlangungseinheit 100 erlangt wurden, können sogenannte Zeitreihendaten sein, die Werte der physikalischen Größe für jeden bestimmten Zyklus angeben. Außerdem kann die Datenerlangungseinheit 100 ein bei der Spritzgussmaschine 4 aufgetretenes Ereignis (zum Beispiel den Austausch eines Aufbaus, eines Materials oder einer Gussform, eine Änderung der Einspritzbedingungen, oder die Vornahme einer Wartung) erlangen, Daten über das Netzwerk 9 direkt von der Steuervorrichtung 3, die die Spritzgussmaschine 4 steuert, erlangen, Daten, die durch die externe Vorrichtung 72, den Fog-Computer 6, den Cloud-Server 7 oder dergleichen erlangt wurden und dort gespeichert wurden, erlangen, oder überdies Daten im Zusammenhang mit jeweiligen physikalischen Größen für jeden Schritt eines einzelnen Formungszyklus, der durch die Spritzgussmaschine 4 durchgeführt wird, erlangen.
4 ist ein Diagramm, das einen Formungszyklus zum Herstellen eines einzelnen Formartikels beispielhaft dargestellt. In 4 werden ein Formschließschritt, ein Formöffnungsschritt und ein Auswurfschritt, die Schritte in den schraffierten Blöcken sind, beim Betrieb der Schließeinheit 401 durchgeführt und ein Einspritzschritt, ein Druckhalteschritt, ein Messschritt, ein Druckverminderungsschritt und ein Abkühlschritt, die Schritte in den weißen Blöcken sind, beim Betrieb der Einspritzeinheit 402 durchgeführt. Die Datenerlangungseinheit 100 erlangt die Daten im Zusammenhang mit physikalischen Größen so, dass die Daten für die entsprechenden Schritte unterschieden werden können.
Die Daten im Zusammenhang mit den physikalischen Größen, die durch die Datenerlangungseinheit 100 erlangt wurden, werden in der Erlangungsdatenspeichereinheit 300 gespeichert.
Die Datenextraktionseinheit 110 wird umgesetzt, wenn die CPU 11, mit der die in 1 gezeigte Zustandsbestimmungsvorrichtung 1 versehen ist, ein Systemprogramm, das aus dem ROM 12 gelesen wurde, ausführt und dadurch hauptsächlich ein durch die CPU 11 durchgeführter Berechnungsprozess unter Verwendung des RAM 13 und des nichtflüchtigen Speichers 14 stattfindet. Die Datenextraktionseinheit 110 extrahiert Daten, die in einem Prozess im Zusammenhang mit dem maschinellen Lernen wie etwa einem Ermittlungsprozess, der durch die Maschinenlernvorrichtung 2 durchgeführt wird, verwendet werden, über die Erlangungsdatenspeichereinheit 300 aus den Daten im Zusammenhang mit den physikalischen Größen, die durch die Datenerlangungseinheit 100 erlangt wurden. Die Daten, die in einem Prozess im Zusammenhang mit dem maschinellen Lernen verwendet werden, sind Daten, die für einen Ermittlungsprozess oder einen Lernprozess unter Verwendung eines in der Maschenlernvorrichtung 2 verwendeten Lernmodells benötigt werden, wobei es sich um Daten im Zusammenhang mit einer einzelnen physikalischen Größe oder um eine Kombination von Daten im Zusammenhang mit mehreren physikalischen Größen handeln kann. Die Datenextraktionseinheit 110 extrahiert die Daten, die gemäß dem Lernmodell, das durch die Maschinenlernvorrichtung 2 in einem Prozess im Zusammenhang mit dem maschinellen Lernen verwendet werden, passend sind, und gibt die extrahierten Daten an die Ermittlungs-Anweisungseinheit 120 aus.
Die Ermittlungs-Anweisungseinheit 120 wird umgesetzt, wenn die CPU 11, mit der die in 1 gezeigte Zustandsbestimmungsvorrichtung 1 versehen ist, ein Systemprogramm, das aus dem ROM 12 gelesen wurde, ausführt und dadurch hauptsächlich ein durch die CPU 11 durchgeführter Berechnungsprozess unter Verwendung des RAM 13 und des nichtflüchtigen Speichers 14 und ein Ein-/Ausgabeprozess unter Verwendung der Schnittstelle 21 stattfinden. Die Ermittlungs-Anweisungseinheit 120 weist die Maschinenlernvorrichtung 2 an, einen Ermittlungsprozess unter Verwendung eines bestimmten Lernmodells durchzuführen.
Die Statistikdatenberechnungseinheit 130 wird umgesetzt, wenn die CPU 11, mit der die in 1 gezeigte Zustandsbestimmungsvorrichtung 1 versehen ist, ein Systemprogramm, das aus dem ROM 12 gelesen wurde, ausführt und dadurch hauptsächlich ein durch die CPU 11 durchgeführter Berechnungsprozess unter Verwendung des RAM 13 und des nichtflüchtigen Speichers 14 stattfindet. Die Statistikdatenberechnungseinheit 130 berechnet unter Verwendung von Ermittlungswerten für den Zustand der Spritzgussmaschine 4, die von der Maschinenlernvorrichtung 2 vor und nach einem Bezugszeitpunkt, zu dem von der Spritzgussmaschine 4 ein bestimmtes Ereignis erhalten wurde, ausgegeben wurden, bestimmte statistische Größen. Dann werden die jeweiligen berechneten statistischen Größen und eine vordefinierte bestimmte Korrelationsfunktion verwendet, um einen statistischen Ermittlungswert zu berechnen, wofür der Ermittlungswert für den Zustand der Spritzgussmaschine 4, der von der Maschinenlernvorrichtung 2 nach dem Auftreten des Ereignisses ausgegeben wurde, korrigiert wurde. Der Ermittlungswert für den Zustand der Spritzgussmaschine 4, der durch die Maschinenlernvorrichtung 2 ausgegeben wurde, der berechnete statistische Wert und der statistische Ermittlungswert werden dann jeweils in der Statistikdatenspeichereinheit 320 gespeichert.
5 ist ein Diagramm der graphischen Darstellung von Ermittlungswerten, die durch die Maschinenlernvorrichtung 2 vor und nach dem Auftreten eines Gussformaustauschereignisses ermittelt wurden.
Wie in 5 dargestellt ist, kommt es als Reaktion auf eine Änderung des Laufzustands oder des Betriebszustands in der Spritzgussmaschine 4 bei den Anomaliegrad-Ermittlungswerten, die durch die Maschinenlernvorrichtung 2 vor und nach der Änderung ermittelt wurden, zu einer großen Veränderung. Bei dem Beispiel von 5 steigt der Anomaliegrad-Ermittlungswert, der durch die Maschinenlernvorrichtung 2 ermittelt wurde, von etwa 40 % vor dem Gussformaustausch um durchschnittlich etwa 35 % auf etwa 75 % danach an. Wenn der Schwellenwert für die Detektion einer Anomalie als Alarmstufe nun wie in 5 gezeigt auf 75 % eingerichtet ist, können falsche Detektionen des Zustands als abnormal, obwohl keine Anomalie aufgetreten ist, nach dem Gussformaustausch zunehmen. Daher werden eine statistische Größe, die vor dem Auftreten des Ereignisses erhalten wurde, (im Fall von 5 der Mittelwert vor dem Auftreten des Ereignisses) und eine statistische Größe, die nach dem Auftreten des Ereignisses erhalten wurde, (im Fall von 5 der Mittelwert nach dem Auftreten des Ereignisses) berechnet und wird jeder Ermittlungswert nach dem Auftreten des Ereignisses auf Basis der berechneten statistische Größen korrigiert. Dann wird der Zustand der Spritzgussmaschine 4 auf Basis des korrigierten Ermittlungswerts (des statistischen Ermittlungswerts) korrigiert, wodurch die Wahrscheinlichkeit einer falschen Detektion verringert wird. Bei dem Beispiel von 5 ist es zum Beispiel durch Verwenden einer Korrekturfunktion, die die statistische Größe, die nach dem Auftreten des Ereignisses erhalten wurde, von der statistischen Größe, die vor dem Auftreten des Ereignisses erhalten wurde, subtrahiert und das Subtraktionsergebnis zu dem korrigierten Ermittlungswert addiert und dann Verwenden des statistischen Ermittlungswerts, wofür jeder korrigierte Ermittlungswert korrigiert wurde, möglich, die Detektion von Anomaliezuständen auch nach dem Auftreten eines Gussformaustauschs fortzusetzen, ohne den Betrieb der Maschinenlernvorrichtung 2 zu ändern.
Die Statistikdatenberechnungseinheit 130 nimmt einer Statistikbedingung, die in der Statistikbedingungsspeichereinheit 310 gespeichert ist, folgend einen bestimmten statistischen Prozess vor und berechnet dadurch eine bestimmte statistische Größe vor und nach dem Auftreten eines Ereignisses. Das bestimmte Ereignis kann zum Beispiel ein Ereignis sein, das angibt, dass der Laufzustand oder der Betriebszustand der Spritzgussmaschine 4 verändert wurde, wie etwa ein Gussformaustauschsignal, ein Automatikbetriebsstartsignal, eine Änderung der Betriebsbedingungen (ein Parameter, ein Programm) oder dergleichen.
Die Statistikbedingungen, die in der Statistikbedingungsspeichereinheit 310 gespeichert sind, definieren Bedingungen für das Berechnen einer statistischen Größe aus mehreren ermittelten Ergebnissen für den Zustand der Spritzgussmaschine 4, die durch die Maschinenlernvorrichtung 4 ausgegeben wurden. 6 zeigt ein Beispiel für Statistikbedingungen, die in der Statistikbedingungsspeichereinheit 310 gespeichert sind.
Die Statistikbedingungen umfassen wenigstens eine Statistikfunktion, die für das Berechnen einer statistischen Größe (eines gewichteten Mittelwerts (einschließlich eines arithmetischen Mittelwerts), eines gewichteten harmonischen Mittelwerts (einschließlich eines harmonischen Mittelwerts), eines getrimmten Mittelwerts, eines quadratischen Mittelwerts, eines Mindestwerts, eines Höchstwerts, eines Moduswerts, eines gewichteten Medianwerts oder dergleichen) verwendet wird, und die Anzahl der Samples der Ermittlungswerte. Es ist zu beachten, dass es bei der Bestimmung einer Statistikfunktion, die in der Statistikbedingung definiert ist, günstig ist, wenn der Betreiber den Verteilungszustand der in 5 dargestellten Ermittlungswerte visuell prüft und die Statistikfunktion passend wählt. Zum Beispiel wird dann, wenn die Ermittlungswerte bei einem vorab durchgeführten Versuchsbetrieb der Spritzgussmaschine 4 ungleichmäßig schwanken, vorzugsweise ein arithmetischer Mittelwert, ein harmonischer Mittelwert oder dergleichen als Statistikfunktion für das Berechnen der statistische Größe dieser Ermittlungswerte gewählt. Und wenn unter mehreren Ermittlungswerten ein Ausreißer, der deutlich von dem Mittelwert der Ermittlungswerte abweicht, enthalten ist, wird vorzugsweise ein Moduswert, ein gewichteter Medianwert oder dergleichen, der weniger wahrscheinlich durch den Ausreißer beeinflusst wird, als Statistikfunktion gewählt.
Bei dem Beispiel von 6 ist für jedes bestimmte Ereignis (Austausch einer Nebeneinrichtung (zum Beispiel Gussformaustausch), Änderung einer Betriebsbedingung, Änderung eines Herstellungsmaterials (zum Beispiel Änderung einer Harz-Charge), Beginn eines Automatikbetriebs, Ende einer Überprüfungstätigkeit, oder dergleichen), das von der Spritzgussmaschine 4 erhalten wird, eine Statistikbedingung festgelegt. Die Statistikfunktion und die Anzahl der Samples (die gesamte Anzahl der Ermittlungswerte, die für eine Statistikfunktion verwendet werden), die in der Statistikbedingung enthalten sind, können jeweils die Statistikfunktion und die Anzahl der Samples, die für das Berechnen der statistischen Größe vor dem Auftreten des Ereignisses verwendet werden, und die Statistikfunktion und die Anzahl der Samples, die für das Berechnen der statistische Größe nach dem Auftreten des Ereignisses verwendet werden, umfassen. Außerdem kann die Anzahl der Ermittlungswerte, die nicht für das Berechnen der statistischen Größe verwendet werden, als Ausschlussperiode in der Statistikbedingung enthalten sein. Diese Ausschlussperiode gibt einen Zeitraum von einem Zeitpunkt unmittelbar nach dem Auftreten des Ereignisses bis zu einem Zeitpunkt, zu dem der Betrieb der Spritzgussmaschine 4 stabil wird, an. Eine Änderung des Laufzustands oder des Betriebszustands der Spritzgussmaschine 4 kann eine instabile Schwankung der Ermittlungswerte, die durch die Maschinenlernvorrichtung 2 auf Basis von Daten im Zusammenhang mit einer physikalischen Größe, die unmittelbar nach der Änderung erlangt wurden, ermittelt wurden, verursachen. Daher wird unmittelbar nach dem Auftreten des Ereignisses eine Ausschlussperiode bereitgestellt und werden Ermittlungswerte, die durch die Maschinenlernvorrichtung 2 während der Ausschlussperiode ermittelt wurden, aus der Berechnung einer statistischen Größe ausgeschlossen. Entsprechend kann auch für die statistische Größe nach dem Auftreten des Ereignisses ein passender Wert berechnet werden.
Es ist zu beachten, dass die Statistikbedingungen, die in der Statistikbedingungsspeichereinheit 310 gespeichert sind, so gestaltet sein können, dass die Statistikbedingungen durch Betätigen der Eingabevorrichtung 71 von der an der Anzeigevorrichtung 70 angezeigten Bedienungsbildschirmdarstellung her manuell festgelegt und aktualisiert werden können, wie in 9 bespielhaft gezeigt ist. Die Bedienungsbildschirmdarstellung, die in 9 beispielhaft dargestellt ist, zeigt, dass die Statistikbedingungsspeichereinheit 310 eine Statistikbedingung speichert, die als Reaktion auf das Ereignis, dass ein Gussformaustausch stattgefunden hat, einen Medianwert aus zehn Ermittlungswerten, die vor dem Ereignis des Gussformaustauschs erhalten wurden, berechnet, zwölf Ermittlungswerte, die nach dem Erhalt des Ereignisses des Gussformaustauschs ermittelt wurden, ausschließt, und einen Moduswert aus zehn Ermittlungswerten, die nach dem Ausschluss ermittelt wurden, berechnet.
Es wird nun angenommen, dass die Statistikbedingungen, die in 6 beispielhaft gezeigt sind, festgelegt sind. Sobald ein bestimmtes Ereignis auftritt, berechnet die Statistikdatenberechnungseinheit 130 auf Basis von Ermittlungswerten, die durch die Maschinenlernvorrichtung 2 vor dem Auftreten des Ereignisses ermittelt wurden, eine statistische Größe, die sich vor dem Ereignis ergeben hat. Zum Beispiel wird als Reaktion auf das Auftreten des Ereignisses, dass der in der Statistikbedingung Nr. 1 in 6 definierte Gussformaustausch stattgefunden hat, der Mittelwert aus zehn Ermittlungswerten, die vor dem Erhalt des Ereignisses des Gussformaustauschs ermittelt wurden, berechnet und dieser Mittelwert als die statistische Größe, die sich vor dem Auftreten des Ereignisses ergeben hat, bestimmt. Außerdem berechnet die Statistikdatenberechnungseinheit 130 auf Basis von Ermittlungswerten, die durch Beseitigen der Ermittlungswerte in der Ausschlussperiode von den Ermittlungswerten, die durch die Maschinenlernvorrichtung nach dem Auftreten eines bestimmten Ereignisses ermittelt wurden, erhalten wurden, eine statistische Größe, die sich nach dem Auftreten des Ereignisses ergeben hat. Zum Beispiel werden als Reaktion auf das Auftreten des Ereignisses, dass der in der Statistikbedingung Nr. 1 in 6 definierte Gussformaustausch stattgefunden hat, zwölf Ermittlungswerte, die nach dem Erhalt des Ereignisses des Gussformaustauschs ermittelt wurden, ausgeschlossen und wird der Mittelwert aus zehn Ermittlungswerten, die nach dem Ausschluss ermittelt wurden, berechnet und dieser Mittelwert als die statistische Größe, die sich nach dem Auftreten des Ereignisses ergeben hat, bestimmt.
7 ist ein Diagramm der in 5 gezeigten graphischen Darstellung von Ermittlungswerten, die durch die Maschinenlernvorrichtung 2 ermittelt wurden, wobei Ermittlungswerte vor einem Ereignis, Ermittlungswerte während der Ausschlussperiode und Ermittlungswerte nach dem Ereignis gemäß einer Statistikbedingung von 6 jeweils gestrichelt umgeben angegeben sind. Andererseits ist 8 ein Diagramm einer graphischen Darstellung von statistischen Ermittlungswerten, wofür Anomaliegrad-Ermittlungswerte nach einem Ereignis auf Basis statistischer Größen vor und nach dem Ereignis korrigiert wurden. Auf diese Weise ist es durch Korrigieren der Ermittlungswerte, die nach einem Ereignis erhalten wurden, auf Basis statistischer Größen vor und nach dem Ereignis möglich, die Bestimmung des Zustands der Spritzgussmaschine 4 auch ohne Ändern des Betriebs der Maschinenlernvorrichtung 2 oder Vorbereiten von mehreren Lernmodellen gemäß dem Laufzustand oder dem Betriebszustand der Spritzgussmaschine 4 fortzusetzen, ohne einen Bezug (Schwellenwert), der bei der Bestimmung, ob der Zustand abnormal oder normal ist, verwendet wird, zu ändern.
Die Bestimmungsergebnisausgabeeinheit 140 wird umgesetzt, wenn die CPU 11, mit der die in 1 gezeigte Zustandsbestimmungsvorrichtung 1 versehen ist, ein Systemprogramm, das aus dem ROM 12 gelesen wurde, ausführt und dadurch hauptsächlich ein durch die CPU 11 durchgeführter Berechnungsprozess unter Verwendung des RAM 13 und des nichtflüchtigen Speichers 14 und ein Ein-/Ausgabeprozess unter Verwendung der Schnittstellen 17 und 20 stattfinden. Die Bestimmungsergebnisausgabeeinheit 140 gibt Informationen im Zusammenhang mit dem Zustand der Spritzgussmaschine 4, der auf Basis des durch die Statistikdatenberechnungseinheit 130 berechneten statistischen Ermittlungswerts bestimmt wurde, aus. Die Bestimmungsergebnisausgabeeinheit 140 kann Informationen im Zusammenhang mit dem Zustand der Spritzgussmaschine 4, der auf Basis des statistischen Ermittlungswerts ermittelt wurde, zur Anzeige an die Anzeigevorrichtung 70 ausgeben. Zum Beispiel kann dann, wenn der statistische Ermittlungswert einen vordefinierten Schwellenwert für den Anomaliegrad übersteigt, eine in 8 beispielhaft dargestellte Warnmeldung „Anomalie detektiert. Prüfen Sie die Einspritzeinheit“ zur Anzeige an die Anzeigevorrichtung 70 ausgegeben werden. Außerdem kann der Betrieb der Spritzgussmaschine 4 angehalten oder verlangsamt werden oder das Antriebsdrehmoment eines Motors, der die Antriebseinheit in der Spritzgussmaschine 4 antreibt, begrenzt werden. Entsprechend ist es möglich, den Betrieb der Spritzgussmaschine 4 anzuhalten, bevor fehlerhafte Formungen zunehmen, oder ist es möglich, einen sicheren Wartezustand herzustellen, um eine Beschädigung der Spritzgussmaschine 4 zu verhindern. Die Bestimmungsergebnisausgabeeinheit 140 kann Informationen im Zusammenhang mit dem Zustand der Spritzgussmaschine 4, der auf Basis des statistischen Ermittlungswerts ermittelt wurde, durch Senden über das Netzwerk 9 an eine übergeordnete Vorrichtung wie etwa die Steuervorrichtung 3 in der Spritzgussmaschine 4, den Fog-Computer 6 oder den Cloud-Server 7 ausgeben.
Andererseits wird die Ermittlungseinheit 207, mit der die Maschinenlernvorrichtung 2 versehen ist, umgesetzt, wenn der Prozessor 201, mit dem die in 1 gezeigte Maschinenlernvorrichtung 2 versehen ist, ein Systemprogramm, das aus dem ROM 202 gelesen wurde, ausführt und dadurch hauptsächlich ein durch den Prozessor 201 durchgeführter Berechnungsprozess unter Verwendung des RAM 203 oder des nichtflüchtigen Speichers 204 stattfindet. Die Ermittlungseinheit 207 nimmt auf Basis einer Anweisung von der Ermittlungs-Anweisungseinheit 120 einen Ermittlungsprozess unter Verwendung des Lernmodells 214, das in der Lernmodellspeichereinheit 210 gespeichert wurde, vor und gibt das Ergebnis der Ermittlung an die Statistikdatenberechnungseinheit 130 aus.
Das Lernmodell 214 ist vorab in der Lernmodellspeichereinheit 210 gespeichert. Das Lernmodell 214 wird vorab erstellt und in der Lernmodellspeichereinheit 214 gespeichert. Das Lernmodell 214 wurde auf Basis von Daten im Zusammenhang mit physikalischen Größen, die in einem bestimmten Laufzustand oder einem bestimmten Betriebszustand von der Spritzgussmaschine 4 erlangt wurden, trainiert. Bei dem Lernmodell, das für die Zustandsbestimmung der Spritzgussmaschine verwendet wird, kann es sich Lernmodelle handeln, die mit Trainingsdaten, welche durch Erlangen von Daten im Zusammenhang mit physikalischen Größen (zum Beispiel einer Einspritzgeschwindigkeit und einem Druck im Inneren des Zylinders in den Einspritzschritt, einer Schneckenumdrehungsgeschwindigkeit, einem Schneckendrehmoment und einem Druck im Inneren des Zylinders in dem Messschritt), die sich für jeweilige Schritte (den Einspritzschritt, den Druckhalteschritt, den Druckverminderungsschritt, den Abkühlschritt und dergleichen) des Formungszyklus unterscheiden, bestimmt wurden, für die jeweiligen Schritte (die jeweiligen Betriebszustände) erstellt wurden. Der Ermittlungswert, der unter Verwendung des Lernmodells 214 ermittelt wird, kann zum Beispiel der Stromverbrauch für jeden Schritt des Formungszyklus, ein Anomaliegrad im Zusammenhang mit der Qualität eines Formartikels, oder ein Abnutzungsausmaß an einem Rückschlagventil eines Spritzzylinders, der in der Spritzgussmaschine 4 vorhanden ist, sein, ist aber nicht darauf beschränkt, sondern kann ein Index sein, der bei der Bestimmung, ob eine Anomalie des Betriebszustands der Spritzgussmaschine 4 vorliegt oder nicht, verwendet wird.
Das Lernmodell, das bei der Zustandsbestimmung der Spritzgussmaschine 4 verwendet wird, kann durch einen Lernalgorithmus wie etwa das bekannte überwachte Lernen (Multilayer Perzeptron, Coupled Recurrent Neural Network, Convolutional Neural Network oder dergleichen), unüberwachtes Lernen (Autoencoder, k-Means Clustering, Generative Adversarial Network oder dergleichen) oder bestärkendes Lernen (Q-Learning oder dergleichen) erstellt werden. Außerdem können Komponenten von Lernalgorithmen (eine Art eines Hyperparameters wie etwa eine Lernrate, eine Art einer Optimierungsfunktion während des maschinellen Lernens oder dergleichen) zum Erstellen jeweiliger Lernmodelle auf Basis einer bekannten Technologie gestaltet werden. Die Lernmodelle, die durch die jeweiligen Lernalgorithmen erstellt wurden, können sich im Hinblick auf die Rechenlast während eines Lernprozesses und eines Ermittlungsprozesses (die Berechnungszeit), die Genauigkeit der Ermittlungswerte, die Robustheit gegenüber Lerndaten (die Stabilität) unterscheiden. Es ist daher günstig, den geeigneten Lernalgorithmus je nach dem Zweck der Zustandsbestimmung zu wählen.
Das Lernmodell, das bei der Zustandsbestimmung im Zusammenhang mit einer Industriemaschine verwendet wird, kann vorab in einem komprimierten Zustand gespeichert und dann vor der Berechnung entpackt und verwendet werden. Dies ermöglicht eine effiziente Verwendung des Speichers oder einen Betrieb mit einer geringeren Kapazität und weist daher den Vorteil von verringerten Kosten auf. Außerdem kann das Lernmodell verschlüsselt gespeichert werden. Ein verschlüsseltes Speichern eines Lernmodells ist im Hinblick auf die Sicherheit oder die Geheimhaltung von Informationen bevorzugt.
Die Zustandsbestimmungsvorrichtung 1 nach der vorliegenden Ausführungsform mit dem obigen Aufbau kann Ermittlungswerte, die sich aus einem einzelnen Lernmodell, das durch maschinelles Lernen erhalten wurde, ergeben, auch bei Auftreten verschiedener Änderungen des Laufzustands oder des Betriebszustands breit anwenden und bewerkstelligt daher eine verbesserte Ermittlungsgenauigkeit und eine stabile Bestimmung bei verschiedenen Zuständen. Und da die Universalität der Ermittlungswerte, die durch ein Lernmodell berechnet wurden, erhöht ist, können die Arbeitszeit und die Kosten im Zusammenhang mit der Tätigkeit zur Erlangung verschiedener Messwerte (Lerndaten) und der Tätigkeit zur Erstellung eines Lernmodells verringert werden, wodurch die Arbeitseffizienz verbessert werden kann.
Im Vorhergehenden wurde eine Ausführungsform der vorliegenden Erfindung beschrieben, doch ist die vorliegende Erfindung nicht nur auf die Beispiele der oben beschriebenen Ausführungsform beschränkt, sondern kann durch passende Abwandlungen auf verschiedene Weisen ausgeführt werden.
Obwohl bei der obigen Ausführungsform eine Spritzgussmaschine als Beispiel beschrieben wurde, kann das Ziel für die Zustandsbestimmung eine andere Industriemaschine sein. Zum Beispiel kann bei einer Werkzeugmaschine ein Anomaliegrad einer Spindel durch mehrere Lernmodelle, die einem an der Spindel angebrachten Schneidewerkzeug, der Art oder der Fließmenge einer Bearbeitungsflüssigkeit zum Kühlen des Schneidewerkzeugs, dem Werkstückmaterial oder dergleichen entsprechen, bestimmt werden. Bei einer Holzverarbeitungsmaschine kann der Anomaliegrad eines Drehwerkzeugs durch mehrere Lernmodelle, die der Art, der Umdrehungsgeschwindigkeit oder dergleichen des Drehwerkzeugs entsprechen, bestimmt werden. Bei einer landwirtschaftlichen Maschine kann der Anomaliegrad der Antriebseinheit durch mehrere Lernmodelle, die der auf die Antriebseinheit angelegten Antriebskraft, dem Gerät, mit dem die Antriebseinheit versehen ist, oder dergleichen entsprechen, bestimmt werden. Bei einer Baumaschine oder einer Bergbaumaschine kann der Anomaliegrad eines Hydraulikzylinders durch mehrere Lernmodelle, die zum Beispiel der Art einer Hydraulikleitung, die an den Hydraulikzylinder angeschlossen ist, der Motorausgangsleistung oder der Betriebsumgebung entsprechen, bestimmt werden. Es ist möglich, einen Anomaliegrad unter Verwendung eines statistischen Ermittlungswerts, wofür Ermittlungswerte, die durch jeweilige Lernmodelle ermittelt wurden, gemäß einem Ereignis wie etwa einer Änderung von Betriebsbedingungen wie etwa einer Geschwindigkeit im Zusammenhang mit dem Betrieb jeweiliger Industriemaschinen oder einem Austausch einer Nebeneinrichtung korrigiert wurden, zu bestimmen.
Wenn mehrere Industriemaschinen über das Netzwerk 9 miteinander verbunden sind, können Daten von diesen Industriemaschinen erlangt werden, um die Zustände der jeweiligen Industriemaschinen durch eine einzelne Zustandsbestimmungsvorrichtung 1 zu bestimmen. Alternativ können Zustandsbestimmungsvorrichtungen 1 in den jeweiligen Steuervorrichtungen, mit denen die mehreren Industriemaschinen versehen sind, eingerichtet sein, um die Zustände der jeweiligen Industriemaschinen unter Verwendung der Zustandsbestimmungsvorrichtungen 1, mit denen diese Industriemaschinen jeweils versehen sind, zu bestimmen.
Liste der Bezugszeichen

1: Zustandsbestimmungsvorrichtung
2: Maschinenlernvorrichtung
3: Steuervorrichtung
4: Spritzgussmaschine
5: Sensor
6: Fog-Computer
7: Cloud-Server
9: Netzwerk
11: CPU
12: ROM
13: RAM
14: nichtflüchtiger Speicher
15, 17, 18, 20, 21: Schnittstelle
22: Bus
70: Anzeigevorrichtung
71: Eingabevorrichtung
72: externe Vorrichtung
100: Datenerlangungseinheit
110: Datenextraktionseinheit
120: Ermittlungs-Anweisungseinheit
130: Statistikdatenberechnungseinheit
140: Bestimmungsergebnisausgabeeinheit
207: Ermittlungseinheit
210: Lernmodellspeichereinheit
214: Lernmodell
300: Erlangungsdatenspeichereinheit
310: Statistikbedingungsspeichereinheit
320: Statistikdatenspeichereinheit

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

JP 2017030221 [0006]
JP 2017202632 [0006]
JP 2020044718 [0006]

Claims

Zustandsbestimmungsvorrichtung zum Bestimmen eines Zustands einer Industriemaschine, wobei die Zustandsbestimmungsvorrichtung eine Datenerlangungseinheit, die dazu eingerichtet ist, Daten im Zusammenhang mit der Industriemaschine zu erlangen; eine Lernmodellspeichereinheit, die dazu eingerichtet ist, ein Lernmodell, das einen Betriebszustand einer Industriemaschine, der mit Daten im Zusammenhang mit der Industriemaschine verbunden ist, gelernt hat, zu speichern; eine Ermittlungseinheit, die dazu eingerichtet ist, auf Basis der Daten, die durch die Datenerlangungseinheit von der Industriemaschine erlangt wurden, unter Verwendung des Lernmodells, das in der Lernmodellspeichereinheit gespeichert ist, einen Ermittlungswert im Zusammenhang mit dem Zustand der Industriemaschine zu ermitteln; eine Statistikbedingungsspeichereinheit, die dazu eingerichtet ist, eine Statistikbedingung, die eine Statistikfunktion und eine Anzahl von Samples im Zusammenhang mit der Berechnung wenigstens einer statistischen Größe umfasst, als Bedingung für das Berechnen einer statistischen Größe aus mehreren Ermittlungswerten, die durch die Ermittlungseinheit ermittelt wurden, zu speichern; eine Statistikdatenberechnungseinheit, die dazu eingerichtet ist, die statistische Größe gemäß der Statistikbedingung, die in der Statistikbedingungsspeichereinheit gespeichert ist, zu berechnen und die berechnete statistische Größe zu verwenden, um einen statistischen Ermittlungswert, wofür der durch die Ermittlungseinheit ermittelte Ermittlungswert korrigiert wurde, zu berechnen; und eine Bestimmungsergebnisausgabeeinheit, die dazu eingerichtet ist, auf Basis des statistischen Ermittlungswerts ein Bestimmungsergebnis für den Zustand der Industriemaschine auszugeben, aufweist, wobei die Statistikdatenberechnungseinheit dazu eingerichtet ist, eine erste statistische Größe, die auf Basis eines Ermittlungswerts, der durch die Ermittlungseinheit vor einem in der Industriemaschine aufgetretenen Ereignis ermittelt wurde, berechnet wird, und eine zweite statistische Größe, die auf Basis eines Ermittlungswerts, der durch die Ermittlungseinheit nach dem Ereignis ermittelt wurde, berechnet wird, zu berechnen und die berechnete erste statistische Größe und zweite statistische Größe und eine vordefinierte bestimmte Korrekturfunktion zu verwenden, um einen statistischen Ermittlungswert, wofür der Ermittlungswert, der durch die Ermittlungseinheit nach dem Ereignis ermittelt wurde, korrigiert wurde, zu berechnen.
Zustandsbestimmungsvorrichtung nach Anspruch 1, wobei das Ereignis wenigstens eines aus einem Austausch einer Nebeneinrichtung, einer Änderung einer Betriebsbedingung, einer Änderung eines Herstellungsmaterials, einem Beginn eines Automatikbetriebs oder einem Ende einer Überprüfungstätigkeit ist.
Zustandsbestimmungsvorrichtung nach Anspruch 1, wobei die Statistikfunktion dazu dient, ein beliebiges aus einem gewichteten Mittelwert, einem arithmetischen Mittelwert, einem gewichteten harmonischen Mittelwert, einem harmonischen Mittelwert, einem getrimmten Mittelwert, einem quadratischen Mittelwert, einem Mindestwert, einem Höchstwert, einem Moduswert und einem gewichteten Medianwert zu berechnen.
Zustandsbestimmungsvorrichtung nach Anspruch 1, wobei die Statistikbedingung eine bestimmte Ausschlussperiode enthält, und wobei die Statistikdatenberechnungseinheit Ermittlungswerte, die in der bestimmen Ausschlussperiode enthalten sind, aus dem Ermittlungswert, der durch die Ermittlungseinheit nach dem Ereignis ermittelt wurde, ausschließt und dann die zweite Statistikbedingung berechnet.
Zustandsbestimmungsvorrichtung nach Anspruch 1, wobei die Korrekturfunktion die zweite statistische Größe von der ersten statistischen Größe subtrahiert und ein Ergebnis der Subtraktion zu dem Ermittlungswert, der durch die Ermittlungseinheit nach dem Ereignis bestimmt wurde, addiert.
Zustandsbestimmungsvorrichtung nach Anspruch 1, wobei das Lernmodell durch wenigstens ein Lernverfahren aus dem überwachten Lernen, dem unüberwachten Lernen und dem bestärkenden Lernen trainiert wurde.
Zustandsbestimmungsvorrichtung nach Anspruch 1, wobei ein Bestimmungsergebnis, das von der Bestimmungsergebnisausgabeeinheit ausgegeben wird, zur Anzeige an eine Anzeigevorrichtung ausgegeben wird.
Zustandsbestimmungsvorrichtung nach Anspruch 1, wobei die Bestimmungsergebnisausgabeeinheit bei einer Bestimmung des Zustands der Industriemaschine als abnormal wenigstens ein beliebiges aus einem Signal, um den Betrieb der Industriemaschine anzuhalten, einem Signal, um den Betrieb der Industriemaschine zu verlangsamen, oder einem Signal, um das Antriebsdrehmoment eines Motors, der die Industriemaschine antreibt, zu begrenzen, ausgibt.
Zustandsbestimmungsvorrichtung nach Anspruch 1, wobei die Datenerlangungseinheit über ein drahtgebundenes oder ein drahtloses Netzwerk mit mehreren Industriemaschinen verbunden ist und von den mehreren Industriemaschinen Daten erlangt.
Zustandsbestimmungsvorrichtung nach Anspruch 1, wobei die Zustandsbestimmungsvorrichtung in einer übergeordneten Vorrichtung, die über ein drahtgebundenes oder drahtloses Netzwerk mit der Industriemaschine verbunden ist, eingerichtet ist.
Zustandsbestimmungsverfahren zum Bestimmen eines Zustands einer Industriemaschine, wobei das Zustandsbestimmungsverfahren die folgenden Schritte durchführt: Erlangen von Daten im Zusammenhang mit der Industriemaschine; Verwenden eines Lernmodells, das einen Betriebszustand einer Industriemaschine, der mit Daten im Zusammenhang mit der Industriemaschine verbunden ist, gelernt hat, um auf Basis von Daten, die in dem Erlangungsschritt von der Industriemaschine erlangt wurden, einen Ermittlungswert im Zusammenhang mit dem Zustand der Industriemaschine zu ermitteln; Berechnen einer statistischen Größe aus mehreren Ermittlungswerten gemäß einer Statistikbedingung, die wenigstens eine Statistikfunktion und eine Anzahl von Samples im Zusammenhang mit der Berechnung der statistischen Größe umfasst, und Verwenden der berechneten statistischen Größe, um einen statistischen Ermittlungswert, wofür die Ermittlungswerte korrigiert wurden, zu berechnen; und Ausgeben eines Bestimmungsergebnisses für den Zustand der Industriemaschine auf Basis des statistischen Ermittlungswerts, wobei der Schritt des Berechnens des statistischen Ermittlungswerts ein Berechnen einer ersten statistischen Größe, die auf Basis eines Ermittlungswerts, der in dem Ermittlungsschritt vor einem in der Industriemaschine aufgetretenen Ereignis ermittelt wurde, berechnet wird, und einer zweiten statistischen Größe, die auf Basis eines Ermittlungswerts, der in dem Ermittlungsschritt nach dem Ereignis ermittelt wurde, berechnet wird, und ein Verwenden der berechneten ersten statistischen Größe und zweiten statistischen Größe und einer vordefinierten bestimmten Korrekturfunktion, um den statistischen Ermittlungswert, wofür der Ermittlungswert, der in dem Ermittlungsschritt nach dem Ereignis ermittelt wurde, korrigiert wurde, zu berechnen, umfasst.