JP2017202632A - 射出成形機の逆流防止弁の摩耗量推定装置および摩耗量推定方法 - Google Patents

Abstract

【課題】射出成形機の動作条件に依存せず逆流防止弁の摩耗量を高精度に推定する摩耗量推定装置および摩耗量推定方法を提供すること。
【解決手段】本発明の摩耗量推定装置１は、射出成形機２による射出時に取得された物理量から抽出された特徴量と、射出時に射出成形機２に取り付けられていた逆流防止弁の摩耗量に係る情報とに基づいて教師あり学習した学習結果を記憶する学習結果記憶部１２と、射出成形機２の射出時に物理量を取得する物理量取得部２０と、物理量取得部２０が取得した物理量に基づいて、該物理量の特徴量を抽出する特徴量抽出部３０と、学習結果記憶部に記憶された学習結果と、特徴量抽出部３０が抽出した特徴量とに基づいて射出時における射出成形機２に取り付けられている逆流防止弁の摩耗量を推定する摩耗量推定部１３と、摩耗量推定部１３が推定した摩耗量を出力する推定結果出力部４０と、を備える。
【選択図】図４

Description

本発明は、射出成形機の逆流防止弁の摩耗量推定装置および摩耗量推定方法に関し、特にインライン式の射出成形機における逆流防止弁の摩耗量推定装置および摩耗量推定方法に関する。

インライン式の射出成形機においては、スクリュ先端の逆流防止弁が射出および計量中に相対的に後退動作または前進動作を行うことによって、射出中は樹脂がスクリュの後方に流れるのを防止し、計量中は樹脂が後方から前方に流れるようにしている。ここで、射出中に逆流防止弁が後退していなかったり、後退してもその動作タイミングがばらついたりすると、樹脂のスクリュ後方への逆流現象によって成形品の質量が所定値にならなかったり、成形品の質量にばらつきが生じたりするという問題が発生する。

このような逆流防止弁の動作の問題は、主に長時間の成形により逆流防止弁が摩耗して寸法が当初の寸法から変化したことに起因している。したがって、高品質な射出成形品を長期間安定して生産するためには、逆流防止弁の摩耗が無いかを監視し、摩耗が検出された場合には、逆流防止弁を速やかに新品に交換する必要がある。

逆流防止弁の摩耗量検出方法としては、定期的に射出シリンダからスクリュを抜き出して、寸法を直接測定する方法が知られている。しかしながらこの方法では生産を一旦停止して、測定作業を行わなくてはならず、生産性が低下するという問題が有った。そこで、射出シリンダからスクリュを抜き出さなくても、間接的に摩耗量を検出する方法として、樹脂のスクリュ後方への逆流現象を検出する方法が知られている。例えば、特許文献１，３には、スクリュの回転方法に加わる負荷トルクを測定して樹脂の逆流現象を検出することが示されている。また、特許文献２，５には、保圧中のスクリュの前進速度を測定して樹脂の逆流現象を検出することが示されている。さらに特許文献４には、検出した逆流防止弁の閉鎖時点のスクリュ位置を使用して逆流防止弁の摩耗量を推定することが示されている。

特開平０１−１６８４２１号公報 特開平０１−２８１９１２号公報 特開２００８−３０２５２７号公報 特開２００８−３０２５２８号公報 特開２００９−０９６０４５号公報

上記した従来技術で示された逆流防止弁の摩耗の検出方法では、樹脂の逆流現象を検出することによって、生産中であっても間接的にスクリュの摩耗を検出できるというメリットが有る。しかしながら、生産中の射出成形機の動作条件は成形品や樹脂の種類によって千差万別であり、前記の逆流現象の指標である負荷トルクやスクリュの前進速度も射出成形機の動作条件によって変化してしまうため、逆流防止弁の摩耗量を高精度に推定することは困難であった。

そこで本発明の目的は、射出成形機の動作条件に依存せず逆流防止弁の摩耗量を高精度に推定する摩耗量推定装置および摩耗量推定方法を提供することである。

本発明では、機械学習を利用することによって、射出成形機の動作条件に依存せず逆流防止弁の摩耗量を高精度に推定する機能を提供することにより上記課題を解決する。

そして本発明の請求項１に係る発明は、射出成形機に取り付けられた逆流防止弁の摩耗量を推定する摩耗量推定装置において、前記射出成形機による射出時に取得された物理量から抽出された特徴量と、前記射出時に前記射出成形機に取り付けられていた逆流防止弁の摩耗量に係る情報とに基づいて教師あり学習した学習結果を記憶する学習結果記憶部と、前記射出成形機の射出時に物理量を取得する物理量取得部と、前記物理量取得部が取得した物理量に基づいて、該物理量の特徴量を抽出する特徴量抽出部と、前記学習結果記憶部に記憶された前記学習結果と、前記特徴量抽出部が抽出した前記特徴量とに基づいて前記射出時における前記射出成形機に取り付けられている逆流防止弁の摩耗量を推定する摩耗量推定部と、前記摩耗量推定部が推定した摩耗量を出力する推定結果出力部と、を備えたことを特徴とする摩耗量推定装置である。

本発明の請求項２に係る発明は、前記射出成形機による射出時に取得された物理量から抽出された特徴量と、前記射出時に前記射出成形機に取り付けられていた逆流防止弁の摩耗量に係る情報とに基づいて教師あり学習をし、当該学習の結果を前記学習結果記憶部に記憶する教師あり学習部を更に備える、ことを特徴とする請求項１に記載の摩耗量推定装置である。

本発明の請求項３に係る発明は、前記物理量の特徴量は、該物理量の特徴を示す数値である、ことを特徴とする請求項１または２に記載の摩耗量推定装置である。

本発明の請求項４に係る発明は、前記物理量の特徴量は、前記物理量の変化パターンを近似して求めた特徴量である、ことを特徴とする請求項１〜３のいずれか１つに記載の摩耗量推定装置である。

本発明の請求項５に係る発明は、射出成形機に取り付けられた逆流防止弁の摩耗量推定方法であって、摩耗量が異なる複数の逆流防止弁をそれぞれ取り付けた状態で射出動作を行う手順と、前記射出成形機が射出動作を行っている際に前記射出動作に関わる物理量を取得する手順と、該取得した物理量の特徴量を抽出する手順と、前記逆流防止弁の摩耗量を正解情報、該抽出された特徴量を入力とする教師あり学習を行なう手順と、前記教師あり学習の学習結果に基づいて前記物理量の任意の特徴量が入力されたときに逆流防止弁の摩耗量を推定する手順と、を含むことを特徴とする射出成形機の逆流防止弁の摩耗量推定方法である。

本発明の請求項６に係る発明は、前記物理量の特徴量は、該物理量の特徴を示す数値である、ことを特徴とする請求項５に記載の射出成形機の逆流防止弁の摩耗量推定方法である。

本発明の請求項７に係る発明は、前記物理量の特徴は、前記物理量の変化パターンを近似して求めた特徴量である、ことを特徴とする請求項５または６に記載の射出成形機の逆流防止弁の摩耗量推定方法である。

本発明によれば、射出成形機の動作条件の影響を受けずに、高精度に逆流防止弁の摩耗量の検出が可能になる。

教師あり学習を行う機械学習器の動作の概略を説明する図である。 ニューロンのモデルを示す模式図である。 ３層の重みを有するニューラルネットワークを示す模式図である。 本発明の一実施形態による摩耗量推定装置の概略構成を示すブロック図である。 射出成形機のスクリュ回転方向の負荷トルクを射出からの経過時間に関連付けた波形データを用いる場合の特徴量について説明する図である。 射出成形機の樹脂圧を射出からの経過時間に関連付けた波形データを用いる場合の特徴量について説明する図である。

以下、本発明の実施形態を図面と共に説明する。
本発明では、機械学習を利用することによって、射出成形機の動作条件に依存せず逆流防止弁の摩耗量を高精度に推定する。本発明の機械学習では、異なる摩耗量（異なる寸法）の逆流防止弁を用いた場合の射出成形機におけるそれぞれの物理量から特徴抽出を行い、該特徴抽出で抽出された特徴量と逆流防止弁の摩耗量（摩耗により変化した逆流防止弁の寸法）を機械学習する。

より具体的には、本発明の機械学習では、あらかじめ異なる摩耗量の逆流防止弁（異なる寸法の逆流防止弁）を用意し、それぞれの逆流防止弁を射出成形機に取り付けて成形運転を行う。そして、成形運転の際に複数種類の成形条件を設定して射出を行い、射出中の物理量を射出からの経過時間あるいは射出中のスクリュ位置に対応させた波形データを取得して記憶し、さらに物理量の波形データから特徴抽出を行う。そして、抽出した特徴量を入力とし、逆流防止弁の寸法を出力とした機械学習を行う。
以下では、本発明で用いる機械学習について簡単に説明する。

＜１．機械学習＞
機械学習は、機械学習を行う装置（以下、機械学習器）に入力されるデータの集合から、その中にある有用な規則や知識表現、判断基準などを解析により抽出し、その判断結果を出力すると共に、知識の学習を行うことで実現される。機械学習の手法は様々であるが、大別すれば「教師あり学習」、「教師なし学習」、「強化学習」に分けられる。さらに、これらの手法を実現する上で、特徴量そのものの抽出を学習する、「深層学習」と呼ばれる手法がある。

「教師あり学習」とは、ある入力と結果（ラベル）のデータの組を大量に機械学習器に与えることで、それらのデータセットにある特徴を学習し、入力から結果を推定するモデル、即ち、その関係性を帰納的に獲得することができる。これは後述のニューラルネットワークなどのアルゴリズムを用いて実現することができる。

「教師なし学習」とは、入力データのみを大量に学習装置に与えることで、入力データがどのような分布をしているか学習し、対応する教師出力データを与えなくても、入力データに対して圧縮、分類、整形などを行う装置を学習する手法である。それらのデータセットにある特徴を似た者どうしにクラスタリングすることなどができる。この結果を使って、何らかの基準を設けてそれを最適にするような出力の割り当てを行うことで、出力の予測を実現することができる。また「教師なし学習」と「教師あり学習」との中間的な問題設定として、「半教師あり学習」と呼ばれるものもあり、これは一部のみ入力と出力のデータの組が存在し、それ以外は入力のみのデータである場合がこれに当たる。本実施形態においては、実際に加工機を動作させなくても取得することが出来るデータを教師なし学習で利用し、学習を効率的に行うことが出来る。

「強化学習」とは、判定や分類だけではなく、行動を学習することにより、環境に行動が与える相互作用を踏まえて適切な行動を学習、即ち、将来的に得られる報酬を最大にするための学習する方法である。強化学習においては、機械学習器は行動が引き起こす結果を全く知らない状態から、または不完全にしか知らない状態から学習はスタートすることができる。また、人間の動作を真似るように事前学習（逆強化学習や、前述の教師あり学習といった手法）した状態を初期状態として、良いスタート地点から学習をスタートさせることもできる。

本発明では射出成形機の動作時に取得された物理量から抽出された特徴量と、射出成形機に取り付けられている逆流防止弁の摩耗量（摩耗により変化した逆流防止弁の寸法）との相関性を学習することを目的としており、明示されるデータに基づく学習が可能であること、学習結果に基づく逆流防止弁の摩耗量の判定を行う必要があることなどを考慮して、教師あり学習のアルゴリズムを採用する。

図１は、教師あり学習を行う機械学習器の動作の概略を説明する図である。教師あり学習を行う機械学習器の動作は大きく学習段階と予測段階の２つの段階に分けることができる。教師あり学習を行う機械学習器は、学習段階（図１（ａ））において、入力データとして用いられる状態変数（説明変数、図１（ａ）におけるｘ₁，ｘ₂，ｘ₃，…）の値と、出力データとして用いられる目的変数（図１（ａ）におけるｙ）の値とを含む教師データを与えると、該状態変数の値が入力された時に、該目的変数の値を出力することを学習する。そして、このような教師データをいくつも与えることにより、機械学習器は状態変数の値に対する目的変数の値を出力するための予測モデル（写像を行う関数ｆ）を構築する。
また、教師あり学習を行う機械学習器は、予測段階（図１（ｂ））において、新しい入力データ（状態変数）が与えられたとき、学習結果（構築された予測モデル）に従って、出力データ（目的変数）を予測して出力する。

教師あり学習を行う機械学習器の学習の一例として、例えば以下の数１式に示すような回帰式を予測モデル（写像を行う関数ｆ）として用いる方法がある。回帰式を用いる方法では、学習の過程において数１式における各状態変数ｘ₁，ｘ₂，ｘ₃，…が取る値を回帰式に当てはめた時に、目的変数（正解情報）ｙの値が得られるように、各係数ａ₀，ａ₁，ａ₂，ａ₃，…の値を調整することにより学習が進められる。

また、教師あり学習を行う機械学習器の学習の他の例としては、例えば、ニューラルネットワークを予測モデル（写像を行う関数ｆ）として用いる方法がある。ニューラルネットワークは、たとえば図２に示すようなニューロンのモデルを模したニューラルネットワークを実現する演算装置及びメモリ等で構成される。図２は、ニューロンのモデルを示す模式図である。
図２に示すように、ニューロンは、入力ｘ（ここでは一例として、複数の入力ｘ₁〜入力ｘ₃）に対する正解情報ｙを出力するものである。各入力ｘ₁〜ｘ₃には、この入力ｘに対応する重みｗ（ｗ₁〜ｗ₃）が掛けられる。これにより、ニューロンは、次の数２式により表現される正解情報ｙを出力する。なお、数２式において、入力ｘ、正解情報ｙ及び重みｗは、すべてベクトルである。また、θはバイアスであり、ｆ_kは活性化関数である。

更に、教師あり学習を行う機械学習器の学習にニューラルネットワークを用いる方法の応用として、上述したニューロンを組み合わせた３層の重みを有するニューラルネットワークを予測モデル（写像を行う関数ｆ）として用いる方法がある。図３は、Ｄ１〜Ｄ３の３層の重みを有するニューラルネットワークを示す模式図である。図３に示す例では、ニューラルネットワークの左側から入力ｘ（ここでは一例として、複数の入力ｘ₁〜入力ｘ₃）が入力され、右側から正解情報ｙ（ここでは一例として、複数の正解情報ｙ₁〜正解情報ｙ₃）が出力される。

具体的には、入力ｘ₁〜入力ｘ₃は、３つのニューロンＮ₁₁〜Ｎ₁₃の各々に対して対応する重みが掛けられて入力される。図３では、これらの入力に掛けられる重み（それぞれのニューロンに入力される入力ｘ₁〜入力ｘ₃のそれぞれに掛けられる重み）はまとめて行列ｗ₁として標記されている。ニューロンＮ₁₁〜Ｎ₁₃は、それぞれ、ｚ₁₁〜ｚ₁₃を出力する。これらのｚ₁₁〜ｚ₁₃はまとめて特徴ベクトルｚ₁と標記され、入力ベクトルの特徴量を抽出したベクトルとみなすことができる。この特徴ベクトルｚ₁は、重みｗ₁と重みｗ₂との間の特徴ベクトルである。

ｚ₁₁〜ｚ₁₃は、２つのニューロンＮ₂₁、Ｎ₂₂の各々に対して対応する重みが掛けられて入力される。図３では、これらの特徴ベクトルに掛けられる重み（それぞれのニューロンに入力される特徴ベクトルのそれぞれの要素に掛けられる重み）は、まとめて行列ｗ₂として標記されている。ニューロンＮ₂₁、Ｎ₂₂は、それぞれ、ｚ₂₁、ｚ₂₂を出力する。これらは、まとめて特徴ベクトルｚ₂と標記されている。この特徴ベクトルｚ₂は、重みｗ₂と重みｗ₃との間の特徴ベクトルである。

特徴ベクトルｚ₂₁、ｚ₂₂は、３つのニューロンＮ₃₁〜Ｎ₃₃の各々に対して対応する重みが掛けられて入力される。図３では、これらの特徴ベクトルに掛けられる重み（それぞれのニューロンに入力される特徴ベクトルのそれぞれの要素に掛けられる重み）は、まとめて行列ｗ₃として標記されている。
最後に、ニューロンＮ₃₁〜Ｎ₃₃は、それぞれ、正解情報ｙ₁〜正解情報ｙ₃を出力する。

図２、図３に示されるニューラルネットワークの動作には、学習モード（図１の学習段階に対応）と予測モード（図１の予測段階に対応）とがあり、学習モードにおいて学習データセットを用いてそれぞれの重みｗを学習し、そのパラメータを用いて予測モードにおいて射出成形機の行動判断を行う（便宜上、予測と書いたが、検出、分類、推論など多様なタスクが可能である）。

なお、予測モードで実際に射出成形機を動かして得られたデータを即時学習し、次の行動に反映させる（オンライン学習）ことも、あらかじめ収集しておいたデータ群を用いてまとめた学習を行い、以降はずっとそのパラメータで検知モードを行う（バッチ学習）ことも可能である。その中間的な、ある程度データが溜まるたびに学習モードを挟むということも可能である。

重みｗ₁〜ｗ₃は、誤差逆伝搬法（バックプロパゲーション）により学習可能なものである。誤差の情報は、右側から入り左側に流れる。誤差逆伝搬法は、各ニューロンについて、入力ｘが入力されたときに出力される正解情報ｙと真の正解情報ｙ（教師）との差分を小さくするように、それぞれの重みを調整（学習）する手法である。

ニューラルネットワークは、３層以上にさらに層を増やすことも可能である（深層学習と称される）。入力の特徴抽出を段階的に行い、結果を回帰する演算装置を、教師データのみから自動的に獲得することが可能である。

なお、教師あり学習のアルゴリズムとしては、他にも最小二乗法、ステップワイズ法、ＳＶＭ、決定木学習など様々な手法が周知となっているが、本発明に適用する方法としていずれの教師あり学習アルゴリズムを採用してもよい。これらの他の教師あり学習アルゴリズム、上記した回帰式を用いる方法、ニューラルネットワークを用いる方法など、それぞれの教師あり学習アルゴリズムは周知なので、本明細書における各アルゴリズムのより詳細な説明は省略する。
以下では、上記した教師あり学習を用いた本発明の射出成形機の逆流防止弁の摩耗量推定方法について具体的に説明する。

＜２．実施形態＞
図４は、本発明の一実施形態における射出成形機の逆流防止弁の摩耗量推定装置の概略構成を示すブロック図である。摩耗量推定装置は、射出成形機２と通信回線や信号線などを介して接続されたコンピュータなどの装置として実装することもできるし、射出成形装置を制御する制御装置上に構成することも可能である。
本実施形態の摩耗量推定装置１は教師あり機械学習器１０（図中における点線枠）を備えている。摩耗量推定装置１には、射出成形機２から射出時の成形条件と、射出中の物理量を射出からの経過時間あるいは射出中のスクリュ位置に関連付けた波形データが送信されている。

摩耗量推定装置１が備える物理量取得部２０は、射出成形機２に設定されている成形条件と、射出成形機２に備え付けられたセンサなどにより検出された射出中の物理量を射出からの経過時間あるいは射出中のスクリュ位置に関連付けた波形データを摩耗量推定装置１内に取得する機能手段である。成形条件の一例としては、スクリュ速度や射出シリンダのヒータ温度などのパラメータが少なくとも１つ以上含まれ、複数のパラメータの組で成形条件を構成しても良い。物理量の一例としては、射出速度、樹脂圧力、スクリュ回転方向の負荷トルクなどの実測データが含まれ、複数の物理量の組ごとに特徴を抽出しても良い。なお、教師あり機械学習器１０が学習段階で動作している場合、物理量取得部２０は、射出成形機２に現在取り付けられている逆流防止弁の摩耗量を取得するようにしても良い。この場合、オペレータが現在射出成形機２に取り付けられている逆流防止弁の摩耗量を射出成形機２に対して設定できるようにしておいて、設定された逆流防止弁の摩耗量を物理量取得部２０が取得するようにしても良いし、オペレータが図示しない入力装置を用いて摩耗量推定装置１が読み取り可能なメモリに逆流防止弁の摩耗量を設定できるようにしても良い。

特徴量抽出部３０は、物理量取得部２０が取得した射出成形に係る波形データから特徴量を抽出する機能手段である。特徴量抽出部３０が波形データから抽出する特徴量としては、例えば、波形データの最大値、最小値、平均値、分散値、波形データの傾きが変化するタイミングでの物理量の値およびタイミング（時間や位置）等、従来の一般的な統計的な手法を用いて特徴を数値化しも良いし、射出中の経過時間またはスクリュ位置に対する物理量の変化パターンのパターン形状そのものを特徴としてもよい。

例えば、図５に示すように、射出成形機のスクリュ回転方向の負荷トルクを射出からの経過時間に関連付けた波形データを用いる場合には、負荷トルクの上昇が一定以上の傾きを取る部分（急な上昇が始まる部分）である上昇部、負荷トルクが最大値を取る部分であるピーク部、負荷トルクの下降が一定以上の傾きを取る部分（下降が緩やかになる部分）である下降部を特徴としてとらえ、上昇部における負荷トルク、上昇部における時間、ピーク部における負荷トルク、ピーク部における時間、ピーク部の広がり（ピーク部における負荷トルクから予め定めた値α内の負荷トルクを示す時間幅）、下降部における負荷トルク、下降部における時間、および負荷トルクの分散値、などを特徴量として抽出するようにしても良い。

また、例えば図６に示すように、射出成形機の樹脂圧を射出からの経過時間に関連付けた波形データを用いる場合には、負荷トルクの上昇が一定以上の傾きを取る部分（急な上昇が始まる部分）である上昇部、負荷トルクが最初に最大値を取る部分である第１ピーク部、第１ピーク部の後に負荷トルクが最小値を取る部分である凹部、凹部の後に負荷トルクが最大値を取る部分である第２ピーク部、負荷トルクの下降が一定以上の傾きを取る部分（下降が緩やかになる部分）である下降部を特徴としてとらえ、上昇部における負荷トルク、上昇部における時間、第１ピーク部における負荷トルク、第１ピーク部における時間、凹部における負荷トルク、凹部における時間、第１ピーク部における負荷トルク、第１ピーク部における時間、下降部における負荷トルク、下降部における時間、および負荷トルクの分散値、などを特徴量として抽出するようにしても良い。

なお、上記した物理量および特徴量は一例であり、波形データの形状の特徴を表すことができる値であればどのような値を特徴量として用いるようにしても良い。

教師あり機械学習器１０が備える教師あり学習部１１、学習結果記憶部１２、摩耗量推定部１３は、教師あり機械学習器１０の主要部分を構成する機能手段である。
教師あり学習部１１は、教師あり機械学習器１０が学習段階に設定されている場合に、物理量取得部２０が取得した逆流防止弁の摩耗量と射出成形機２に設定されている成形条件、特徴量抽出部３０が抽出した特徴量とに基づいて教師あり学習を行い、学習結果を学習結果記憶部１２に記憶する。本実施形態の教師あり学習部１１は、物理量取得部２０が取得した射出成形機２に設定されている成形条件と特徴量抽出部３０が抽出した特徴量とを入力データ、逆流防止弁の摩耗量を出力データとした教師データを用いて教師あり学習を進める。

本発明の教師あり学習部１１が行う教師あり学習においては、写像を行う関数ｆにより入力ｘから写像される正解情報ｙを、逆流防止弁の摩耗量を示す具体的な数値としても良いし、逆流防止弁の摩耗量を段階的に分類した情報（摩耗量無しの逆流防止弁、端面摩耗量１ｍｍの逆流防止弁、端面摩耗量２ｍｍの逆流防止弁…）としても良い。
正解情報ｙを前者とする場合には回帰型の教師あり学習方法を採用すればよく、この場合、入力ｘ（特徴量）を正解情報ｙ（逆流防止弁の摩耗量を示す具体的な数値）に写像する回帰式を関数ｆとして求めれば良い。
また、後者とする場合には識別型の教師あり学習方法を採用することで実装可能であり、この場合、ニューラルネットワークを使用して、入力ｘに基づいて正解情報ｙを識別する非線形識別面を生成して関数ｆとすればよい。

学習結果記憶部１２は、教師あり学習部１１が教師データに基づいて学習した結果を記憶する機能手段である。学習結果記憶部１２は、例えば予測モデルとして上記した回帰式を用いている場合には学習結果として得られた回帰式を記憶し、予測モデルとして上記したニューラルネットワークを用いた学習方法を用いている場合には学習結果として得られたニューラルネットワークのパラメータを記憶する。学習結果記憶部１２は、外部からの要求により記憶している学習結果を出力する。この機能により、学習結果記憶部１２が記憶している学習結果を他の摩耗量推定装置などに対して転送して利用することも可能である。

摩耗量推定部１３は、教師あり機械学習器１０が予測段階にある場合に、学習結果記憶部１２に記憶される学習結果に基づいて、物理量取得部２０が取得した射出時の成形条件および特徴量抽出部３０が抽出した特徴量を用いて射出成形機２の逆流防止弁の摩耗量を推定する。
そして、推定結果出力部４０は、摩耗量推定部１３が推定した射出成形機２の逆流防止弁の摩耗量を図示しない表示装置などに対して出力する。推定結果出力部４０は、摩耗量推定部１３が推定した摩耗量が所定値を超え、成形品質や成形安定性に影響すると判断した場合にはその旨警告として出力するようにしても良く、オペレータは警告された内容に基づいて逆流防止弁を新品と交換する作業を行うことができる。

以上、ここまで本発明の実施の形態について説明したが、本発明は上記した実施の形態の例にのみ限定されるものでなく、適宜の変更を加えることにより様々な態様で実施することができる。
例えば、上記した実施形態では学習及び摩耗量の推定に成形条件を用いる例を示したが、成形条件は学習及び摩耗量の推定に必須ではなく、逆流防止弁の摩耗量と特徴量抽出部により物理量の波形データから抽出された特徴量のみによって関数ｆが求められる場合には、成形条件は省略しても良い。

また、上記した実施形態では物理量の波形データから特徴量を抽出し、抽出した特徴量を用いて教師あり学習器の学習及び摩耗量の推定を行う方法を説明しているが、これに加えて物理量の波形データの変化パターンそのものを特徴とする方法を採用しても良い。この場合、物理量の射出中の時間変化あるいはスクリュ位置に対する変化を近似曲線にあてはめ、求められた近似曲線の係数を特徴量とし、この特徴量を用いて教師あり学習器の学習及び摩耗量の推定を行っても良い。

更に、上記した実施形態では摩耗量推定装置１に教師あり学習部１１を備えたものとしているが、例えば、他の摩耗量推定装置１で学習した学習結果を学習結果記憶部１２にコピーして用いることを想定している場合には教師あり学習部１１を実装する必要はない。このように構成した場合、新たな射出成形機や新たな逆流防止弁の特徴を学習することはできないが、同じタイプの射出成形機、逆流防止弁を用いる場合には学習のための機構を組み込むことなく既存の学習結果を用いることで好適な逆流防止弁の摩耗量の推定を行うことができる。

１ 摩耗量推定装置
２ 射出成形機
１０ 教師あり機械学習器
１１ 教師あり学習部
１２ 学習結果記憶部
１３ 摩耗量推定部
２０ 物理量取得部
３０ 特徴量抽出部
４０ 推定結果出力部

Claims (7)

1. 射出成形機に取り付けられた逆流防止弁の摩耗量を推定する摩耗量推定装置において、
   前記射出成形機による射出時に取得された物理量から抽出された特徴量と、前記射出時に前記射出成形機に取り付けられていた逆流防止弁の摩耗量に係る情報とに基づいて教師あり学習した学習結果を記憶する学習結果記憶部と、
   前記射出成形機の射出時に物理量を取得する物理量取得部と、
   前記物理量取得部が取得した物理量に基づいて、該物理量の特徴量を抽出する特徴量抽出部と、
   前記学習結果記憶部に記憶された前記学習結果と、前記特徴量抽出部が抽出した前記特徴量とに基づいて前記射出時における前記射出成形機に取り付けられている逆流防止弁の摩耗量を推定する摩耗量推定部と、
   前記摩耗量推定部が推定した摩耗量を出力する推定結果出力部と、
   を備えたことを特徴とする摩耗量推定装置。
2. 前記射出成形機による射出時に取得された物理量から抽出された特徴量と、前記射出時に前記射出成形機に取り付けられていた逆流防止弁の摩耗量に係る情報とに基づいて教師あり学習をし、当該学習の結果を前記学習結果記憶部に記憶する教師あり学習部を更に備える、
   ことを特徴とする請求項１に記載の摩耗量推定装置。
3. 前記物理量の特徴量は、該物理量の特徴を示す数値である、
   ことを特徴とする請求項１または２に記載の摩耗量推定装置。
4. 前記物理量の特徴量は、前記物理量の変化パターンを近似して求めた特徴量である、
   ことを特徴とする請求項１〜３のいずれか１つに記載の摩耗量推定装置。
5. 射出成形機に取り付けられた逆流防止弁の摩耗量推定方法であって、
   摩耗量が異なる複数の逆流防止弁をそれぞれ取り付けた状態で射出動作を行う手順と、
   前記射出成形機が射出動作を行っている際に前記射出動作に関わる物理量を取得する手順と、
   該取得した物理量の特徴量を抽出する手順と、
   前記逆流防止弁の摩耗量を正解情報、該抽出された特徴量を入力とする教師あり学習を行なう手順と、
   前記教師あり学習の学習結果に基づいて前記物理量の任意の特徴量が入力されたときに逆流防止弁の摩耗量を推定する手順と、
   を含むことを特徴とする射出成形機の逆流防止弁の摩耗量推定方法。
6. 前記物理量の特徴量は、該物理量の特徴を示す数値である、
   ことを特徴とする請求項５に記載の射出成形機の逆流防止弁の摩耗量推定方法。
7. 前記物理量の特徴は、前記物理量の変化パターンを近似して求めた特徴量である、
   ことを特徴とする請求項５または６に記載の射出成形機の逆流防止弁の摩耗量推定方法。

Images