JP2020128014A - 状態判定装置及び状態判定方法 - Google Patents

Abstract

【課題】容易に不適切な学習データを排除して精度良く機械学習を行い、その学習結果を用いて様々な産業機械の保守を補助することを可能とする状態判定装置及び状態判定方法を提供すること。【解決手段】本発明の状態判定装置１は、産業機械に係るデータを取得するデータ取得部３０と、データ取得部３０が取得したデータから機械学習に係る処理に用いるデータを抽出するための抽出条件を記憶する抽出条件記憶部５２と、抽出条件記憶部５２に記憶される抽出条件に従って、データ取得部３０が取得したデータの内で、機械学習に係る処理に用いるデータを抽出する学習データ抽出部３２と、学習データ抽出部３２が抽出したデータを用いた機械学習に係る処理を実行する機械学習装置１００を備える。【選択図】図２

Description

本発明は、状態判定装置及び状態判定方法に関し、特に射出成形機の保守を補助する状態判定装置及び状態判定方法に関する。

射出成形機等の産業機械の保守は定期的あるいは異常発生時に行っている。産業機械を保守する際には、産業機械の動作時に記録しておいた該産業機械の動作状態を示す物理量を用いることにより、保守担当者が該産業機械の動作状態の異常有無を判定し、異常が生じた部品の交換などの保守作業を行なう。

例えば、産業機械の一種である射出成形機が備える射出シリンダの逆流防止弁の保守作業としては、定期的に射出シリンダからスクリュを抜き出して、逆流防止弁の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。

この様な問題を解決するための従来技術として、射出シリンダからスクリュを抜き出す等の作業で生産を一旦停止させることなく間接的に射出シリンダの逆流防止弁の摩耗量を検出して異常を診断する方法として、スクリュに加わる回転トルクを検出したり、樹脂がスクリュ後方へ逆流する現象を検出したりすることで、異常を診断する方法が知られている。

例えば特許文献１には、スクリュの回転方法に作用する回転トルクを測定して許容範囲を超えたら異常と判定することが示されている。また、特許文献２，３には、駆動部の負荷や樹脂圧力などを教師あり学習によって異常を診断することが示されている。更に、特許文献４，５には、時系列データを用いて機械学習をする手法が示されている。

特開平０１−１６８４２１号公報 特開２０１７−０３０２２１号公報 特開２０１７−２０２６３２号公報 特開２０１８−０９７６１６号公報 特開２０１７−１８８０３０号公報

しかしながら、射出成形機の駆動部を構成する要素の諸元が異なる機械では、該機械より得られる測定値と機械学習時に入力した学習データの数値との乖離が大きく、正しく機械学習による診断ができないという課題がある。また、射出成形機が製造する成形品の原材料である樹脂の種類や、射出成形機の付帯設備である金型、金型温調機、樹脂乾燥機などが機械学習時とは異なる種類であると、正しく機械学習による診断ができないという課題が生じる。

このような課題を解決して機械学習の診断精度をあげるには、機械学習の学習モデルを作成する際に、多種多様な学習条件を準備して機械学習させる必要がある。しかしながら、多種多様な射出成形機、樹脂、付帯設備、を揃えて機械学習することは、多くのコストを要する。そのうえ、機械を運転する際には、樹脂やワーク等の原材料も用意する必要があり、学習データを取得するために要する原材料のコストも大きい。また、学習データを取得する作業に、多くの時間を要する。そのため、効率的に学習データを収集できないという課題があった。

ここで、射出成形機が製造する成形品の原材料である樹脂を交換したり、射出成形機の付帯設備である金型を交換したり、金型温調機や樹脂乾燥機などの周辺機器や射出成形機の運転を開始したり直後であったり、射出成形機の運転に係る射出条件や保圧条件などの運転条件を変更したり、射出成形機が正常に動作しないアラーム状態においては、射出成形機より取得される時系列データが機械学習に不適切な場合がある。しかしながら、従来技術では、不適切な学習データをも機械学習して学習モデルを導いたり、不適切な学習データを診断するなど、機械の動作状態を正しく診断できない課題があった。

そのため、容易に不適切な学習データを排除して精度良く機械学習を行い、その学習結果を用いて様々な産業機械の保守を補助することを可能とする状態判定装置及び状態判定方法が望まれている。

本発明の一態様による状態判定装置では、機械学習に入力する学習データに関して、例えばアラーム中の時系列データであったり、機械の運転を開始した直後や金型を交換した直後の時系列データ、または機械の運転に係る射出条件や保圧条件などの成形条件の設定値を変更した直後の時系列データ等、射出成形機の運転状態や操作状態に変化が生じたり、成形が不安定な状態の時系列データを学習データから除外して機械学習することによって高精度の学習モデルを導き、前記の課題を解決する。

そして、本発明の一態様は、産業機械における動作状態を判定する状態判定装置であって、前記産業機械に係るデータを取得するデータ取得部と、前記データ取得部が取得したデータから機械学習に係る処理に用いるデータを抽出するための抽出条件を記憶する抽出条件記憶部と、前記抽出条件記憶部に記憶される抽出条件に従って、前記データ取得部が取得したデータの内で、機械学習に係る処理に用いるデータを抽出する学習データ抽出部と、前記学習データ抽出部が抽出したデータを用いた機械学習に係る処理を実行する機械学習装置と、を備えた状態判定装置である。

本発明の他の態様は、産業機械における動作状態を判定する状態判定装置における機械学習に係る方法であって、前記産業機械に係るデータを取得するデータ取得ステップと、前記産業機械から取得したデータから機械学習に係る処理に用いるデータを抽出するための抽出条件に従って、前記データ取得ステップが取得したデータの内で、機械学習に係る処理に用いるデータを抽出する学習データ抽出ステップと、前記学習データ抽出ステップで抽出したデータを用いた機械学習に係る処理を実行するステップと、を実行する状態判定方法である。

本発明の一態様により、射出成形機の運転状態や操作状態に変化が生じた際に取得されたデータや、成形が不安定な状態で取得されたデータを学習データから除外して機械学習することが可能となり、機械学習の判定精度の向上が期待できる。

一実施形態による状態判定装置の概略的なハードウェア構成図である。 第１実施形態による状態判定装置の概略的な機能ブロック図である。 抽出条件の例を示す図である。 学習データ抽出部による学習用のデータの抽出例を示す図である。 学習データ抽出部による学習用のデータの他の抽出例を示す図である。 学習データ抽出部による学習用のデータの他の抽出例を示す図である。 第２実施形態による状態判定装置の概略的な機能ブロック図である。 異常状態の表示例を示す図である。

以下、本発明の実施形態を図面と共に説明する。
図１は一実施形態による機械学習装置を備えた状態判定装置の要部を示す概略的なハードウェア構成図である。本実施形態の状態判定装置１は、例えば産業機械を制御する制御装置上に実装することができる。また、本実施形態の状態判定装置１は、産業機械を制御する制御装置と併設されたパソコンや、該制御装置と有線／無線のネットワークを介して接続された管理装置３、エッジコンピュータ、フォグコンピュータ、クラウドサーバ等のコンピュータとして実装することができる。本実施形態では、状態判定装置１を、産業機械としての射出成形機を制御する制御装置とネットワークを介して接続されたコンピュータとして実装した場合の例を示す。なお、以下の各実施形態では、産業機械として射出成形機を例に取り説明するが、本発明の状態判定装置１が状態を判定する対象とする産業機械としては、射出成形機、工作機械、ロボット、鉱山機械、木工機械、農業機械、建設機械等を対象とすることができる。

本実施形態による状態判定装置１が備えるＣＰＵ１１は、状態判定装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って状態判定装置１全体を制御する。ＲＡＭ１３には一時的な計算データ、入力装置７１を介して作業者が入力した各種データ等が一時的に格納される。

不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされたメモリやＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等で構成され、状態判定装置１の電源がオフされても記憶状態が保持される。不揮発性メモリ１４には、状態判定装置１の動作に係る設定情報が格納される設定領域や、入力装置７１から入力されたデータ、ネットワーク７を介して射出成形機２から取得された静的データ（機種、金型の質量や材質、樹脂の種類等）、射出成形機２の成形動作において検出された物理量（ノズルの温度、ノズルを駆動する原動機の位置、速度、加速度、電流、電圧、トルク、金型の温度、樹脂の流量、流速、圧力等）の時系列データ、射出成形機２の動作状態や操作状態等を示す情報（成形工程である型閉工程、型締工程、射出工程、保圧工程、計量工程、型開工程、突出工程、サイクル開始、サイクル終了を識別する情報、アラームの発生状態を示す情報等）の時系列データ、図示しない外部記憶装置やネットワーク７を介して他のコンピュータ等から読み込まれたデータ等が記憶される。不揮発性メモリ１４に記憶されたプログラムや各種データは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、各種データを解析するための公知の解析プログラムや後述する機械学習装置１００とのやりとりを制御するためのプログラム等を含むシステム・プログラムが予め書き込まれている。

状態判定装置１は、インタフェース１６を介して有線／無線のネットワーク７と接続されている。ネットワーク７には、少なくとも１つの射出成形機２や、該射出成形機２による製造作業を管理する管理装置３等が接続され、状態判定装置１との間で相互にデータのやり取りを行っている。

射出成形機２は、プラスチック等の樹脂で成形された製品を製造する機械であり、材料である樹脂を溶かして金型内に充填（射出）して成形する機械である。射出成形機２は、ノズル、原動機（モータ等）、伝達機構、減速機、可動部等の様々な機材で構成されており、各部の状態がセンサ等で検出され、各部の動作が制御装置により制御される。射出成形機２に用いられる原動機としては、例えば、電動機、油圧シリンダ、油圧モータ、空気モータ等が用いられる。また、射出成形機２に用いられる伝達機構としては、ボールネジ、歯車、プーリ、ベルト等が用いられる。

表示装置７０には、メモリ上に読み込まれた各データ、プログラム等が実行された結果として得られたデータ、後述する機械学習装置１００から出力されたデータ等がインタフェース１７を介して出力されて表示される。また、キーボードやポインティングデバイス等から構成される入力装置７１は、作業者による操作に基づく指令，データ等をインタフェース１８を介してＣＰＵ１１に渡す。

インタフェース２１は、状態判定装置１と機械学習装置１００とを接続するためのインタフェースである。機械学習装置１００は、機械学習装置１００全体を統御するプロセッサ１０１と、システム・プログラム等を記憶したＲＯＭ１０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ１０３、及び学習モデル等の記憶に用いられる不揮発性メモリ１０４を備える。機械学習装置１００は、インタフェース２１を介して状態判定装置１で取得可能な各種情報（例えば、射出成形機２の機種、金型の質量や材質、樹脂の種類等の各種データ、ノズルの温度、ノズルを駆動する原動機の位置、速度、加速度、電流、電圧、トルク、金型の温度、樹脂の流量、流速、圧力等の各種物理量の時系列データ、射出成形機２の動作状態や操作状態等を示す情報の時系列データ等）を観測することができる。また、状態判定装置１は、機械学習装置１００から出力される処理結果をインタフェース２１を介して取得し、取得した結果を記憶したり、表示したり、他の装置に対してネットワーク７等を介して送信する。

図２は、第１実施形態による状態判定装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態の状態判定装置１は、機械学習を行う段階において、機械学習装置１００が学習を行う場合に必要とされる構成を備える（学習モード）。図２に示した各機能ブロックは、図１に示した状態判定装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、状態判定装置１及び機械学習装置１００の各部の動作を制御することにより実現される。

本実施形態の状態判定装置１は、データ取得部３０、学習データ抽出部３２、前処理部３４を備え、状態判定装置１が備える機械学習装置１００は、学習部１１０を備えている。また、不揮発性メモリ１４上には、外部の機械等から取得されたデータが記憶される取得データ記憶部５０、取得データから学習用のデータを抽出する条件が記憶される抽出条件記憶部５２が設けられており、機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築された学習モデルを記憶する学習モデル記憶部１３０が設けられている。

データ取得部３０は、射出成形機２、及び入力装置７１等から入力された各種データを取得する機能手段である。データ取得部３０は、例えば、射出成形機２の機種、金型の質量や材質、樹脂の種類等の静的データ、ノズルの温度、ノズルを駆動する原動機の位置、速度、加速度、電流、電圧、トルク、射出成形機２の成形動作に係る金型の温度、樹脂の流量、流速、圧力等の各種物理量の時系列データ、運転中、停止中、昇温中、昇温完了、金型交換中、金型交換完了、アラーム中、生産完了状態等の射出成形機２の機械状態を示す情報、射出成形機２の操作状態を表す射出条件、保圧条件、計量条件、型開閉条件、突出し条件、温度条件の変更有無等を識別する情報、射出成形機２の成形工程である型閉工程、型締工程、射出工程、保圧工程、計量工程、型開工程、突出工程、待機工程、サイクル開始、サイクル終了を識別する情報やアラームの発生状態を示す情報、作業者により入力された射出成形機の保守作業に係る情報等の各種データを取得し、取得データ記憶部５０に記憶する。データ取得部３０は、時系列データを取得する際に、射出成形機２から取得される信号データや他の時系列データの変化等に基づいて、所定の時間範囲（例えば、１サイクルの成形工程の範囲）で取得された時系列データを１つの時系列データとした上で取得データ記憶部５０に記憶する。データ取得部３０は、図示しない外部記憶装置や有線／無線のネットワーク７を介して管理装置３や他のコンピュータからデータを取得するようにしても良い。

学習データ抽出部３２は、学習部１１０による機械学習の段階において、抽出条件記憶部５２に記憶された抽出条件に基づいて、データ取得部３０が取得した（そして、取得データ記憶部５０に記憶された）取得データの中から機械学習に用いる取得データを抽出する機能手段である。言い換えると、学習データ抽出部３２は、抽出条件記憶部５２に記憶された抽出条件に基づいて、データ取得部３０が取得した取得データの中から機械学習に用いるのに適切ではない取得データを除外する。

図３は、抽出条件記憶部５２に記憶される抽出条件を例示する図である。抽出条件記憶部５２は、例えば条件種別等で整理して管理される少なくとも１つの抽出条件を記憶している。抽出条件記憶部５２が記憶する抽出条件は、機械学習に利用する取得データを指定する条件であって良く、また、機械学習に利用しない（除外する）取得データを指定する条件であっても良い。抽出条件記憶部５２が記憶する抽出条件は、少なくとも取得データを該取得データに含まれる所定のデータ値に基づいて分類する条件と、該条件により分類された取得データを学習用のデータとして用いるのか用いないのかの指定を含む。

図４は、抽出条件記憶部５２に記憶される機械状態に係る抽出条件に基づいて、学習データ抽出部３２が取得データを抽出する例を説明するための図である。図４に例示される取得データが取得データ記憶部５０に記憶されている場合に、学習データ抽出部３２がサイクル毎の電流値の波形データを学習用のデータとして抽出する場合を考える。この場合において、抽出条件記憶部５２に「アラーム中の取得データは学習用のデータから除く」という抽出条件が設定されていると、学習データ抽出部３２は、成形工程のサイクル中にアラームが発生している場合、該サイクルにおいて取得された電流値のデータを学習用のデータとして抽出しないように動作する。具体的には、図４の例の場合には、学習データ抽出部３２は、アラームの発生が検出されている（ｉ＋２）−ｃｙｃｌｅ，（ｉ＋３）−ｃｙｃｌｅにおいて取得された電流値のデータについては学習用のデータとして抽出せず、（ｉ＋１）−ｃｙｃｌｅ以前、及び（ｉ＋４）−ｃｙｃｌｅ以降に取得された電流値のデータを学習用のデータとして抽出する。

図５は、抽出条件記憶部５２に記憶される操作状態に係る抽出条件に基づいて、学習データ抽出部３２が取得データを抽出する例を説明するための図である。図５に例示される取得データが取得データ記憶部５０に記憶されている場合に、学習データ抽出部３２がサイクル毎の電圧値の波形データを学習用のデータとして抽出する場合を考える。この場合において、抽出条件記憶部５２に「射出条件変更時から１０サイクル分の取得データは学習用のデータから除く」という抽出条件が設定されていると、学習データ抽出部３２は、成形工程のサイクル中に射出条件の変更が為されている（射出条件の変更信号がＯＮになっている）場合、該サイクルから１０サイクル分の間に取得された電圧値のデータを学習用のデータとして抽出しないように動作する。具体的には、図５の例の場合には、学習データ抽出部３２は、射出条件の変更が為されている（ｉ＋１）−ｃｙｃｌｅから１０サイクル分（（ｉ＋１０）−ｃｙｃｌｅまで）において取得された電圧値のデータについては学習用のデータとして抽出せず、（ｉ）−ｃｙｃｌｅ以前、及び（ｉ＋１１）−ｃｙｃｌｅ以降に取得された電圧値のデータを学習用のデータとして抽出する。

図６は、抽出条件記憶部５２に記憶される成形工程に係る抽出条件に基づいて、学習データ抽出部３２が取得データを抽出する例を説明するための図である。図６に例示される取得データが取得データ記憶部５０に記憶されている場合に、学習データ抽出部３２がサイクル毎の電流値の波形データを学習用のデータとして抽出する場合を考える。この場合において、抽出条件記憶部５２に「射出、保圧工程の取得データのみを学習用のデータとして抽出する」という抽出条件が設定されていると、学習データ抽出部３２は、それぞれの成形工程の内の射出工程、保圧工程の間に取得された電流値のデータを学習用のデータとして抽出するように動作する。具体的には、図６の例の場合には、学習データ抽出部３２は、各工程の開始信号及び終了信号に基づいて、各成形工程の内の射出工程、保圧工程の期間を特定し、該期間において取得された電流値のデータを学習用のデータとして抽出する。

抽出条件記憶部５２には、複数の抽出条件を設定することができる。この場合において、２つ以上の抽出条件の間で学習用のデータとして用いるのか用いないのかの指定が衝突することがあり得る。その時は、学習データ抽出部３２は、学習用のデータとして用いない指定を優先するようにしても良いし、抽出条件記憶部５２に抽出条件間の優先順位を抽出条件と併せて記憶しておき、学習データ抽出部３２は、該優先順位に基づいて、学習用のデータとして用いるのか用いないのかの指定が衝突を解決するようにしても良い。

前処理部３４は、機械学習装置１００による機械学習の段階において、学習データ抽出部３２が抽出した学習用のデータに基づいて、機械学習装置１００による学習に用いられる学習データを作成する。前処理部３４は、学習データ抽出部３２から入力されたデータを機械学習装置１００において扱われる統一的な形式へと変換（数値化、サンプリング等）した学習データを作成する。例えば、前処理部３４は、機械学習装置１００が教師なし学習をする場合においては、該学習における所定の形式の状態データＳを学習データとして作成し、機械学習装置１００が教師あり学習をする場合においては、該学習における所定の形式の状態データＳ及びラベルデータＬの組を学習データとして作成し、機械学習装置１００が強化学習をする場合においては、該学習における所定の形式の状態データＳ及び判定データＤの組を学習データとして作成する。

学習部１１０は、学習データ抽出部３２が抽出した学習用のデータに基づいて前処理部３４が作成した学習データを用いた機械学習を行う。学習部１１０は、教師なし学習、教師あり学習、強化学習等の公知の機械学習の手法により、射出成形機２から取得されたデータを用いた機械学習を行うことで学習モデルを生成し、生成した学習モデルを学習モデル記憶部１３０に記憶する。学習部１１０が行う教師なし学習の手法としては、例えばａｕｔｏｅｎｃｏｄｅｒ法、ｋ−ｍｅａｎｓ法等が、教師あり学習の手法としては、例えばｍｕｌｔｉｌａｙｅｒ ｐｅｒｃｅｐｔｒｏｎ法、ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ法、Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ法、ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ法等が、強化学習の手法としては、例えばＱ学習等が挙げられる。

学習部１１０は、例えば、正常に動作している状態の射出成形機２から取得された取得データを学習データ抽出部３２、前処理部３４が処理して得られた学習データに基づいた教師なし学習を行い、正常状態で取得されたデータの分布を学習モデルとして生成することができる。このようにして生成された学習モデルを用いて、後述する推定部１２０は、射出成形機２から取得された取得データを前処理部３４が処理して得られた状態データＳが、正常状態の動作時に取得された状態データからどれだけ外れているのかを推定し、推定結果としての異常度を算出することができる。
また、学習部１１０は、例えば、正常に動作している状態の射出成形機から取得された取得データに正常ラベルを、異常が発生した前後に射出成形機２から取得された取得データに異常ラベルを付与し、取得データを学習データ抽出部３２、前処理部３４が処理して得られた学習データを用いた教師あり学習を行い、正常データと異常データとの判別境界を学習モデルとして生成することができる。このようにして生成された学習モデルを用いて、後述する推定部１２０は、射出成形機２から取得された取得データを前処理部３４が処理して得られた状態データＳを学習モデルに入力して、状態データＳが正常データに属するのか、異常データに属するのかを推定し、推定結果としてのラベル値（正常／異常）とその信頼度を算出することができる。

上記構成を備えた状態判定装置１では、射出成形機２から取得された取得データについて、学習データ抽出部３２が取得データに含まれる取得データの中から抽出条件記憶部５２に記憶されている抽出条件に従って学習用のデータを抽出する。この抽出条件記憶部５２には、作業者がその時の機械学習の目的に合わせて学習用のデータとして適切なデータが抽出されるように抽出条件を設定することができる。このようにして学習データ抽出部３２による抽出された学習用のデータは、例えばアラーム中の時系列データであったり、機械の運転を開始した直後や金型を交換した直後の時系列データ、または機械の運転に係る射出条件や保圧条件などの成形条件の設定値を変更した直後の時系列データ等、射出成形機の運転状態や操作状態に変化が生じたり、成形が不安定な状態の時系列データを学習データから除外して、運転状態の判定に必要な所定の工程に属する時系列データのみを機械学習することができるようになる。このようにして生成された学習モデルを用いた射出成形機２の状態判定は、従来の手法により生成された学習モデルを用いた場合と比較して、射出成形機２の動作状態の判定精度が向上することが見込まれる。

図７は、第２実施形態による状態判定装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態の状態判定装置１は、機械学習装置３００が推定を行う場合に必要とされる構成を備えている（推定モード）。図７に示した各機能ブロックは、図１に示した状態判定装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、状態判定装置１及び機械学習装置１００の各部の動作を制御することにより実現される。

本実施形態の状態判定装置１は、第１実施形態と同様に、データ取得部３０、学習データ抽出部３２、前処理部３４を備え、一方で、状態判定装置１が備える機械学習装置１００は、推定部１２０を備えている。また、不揮発性メモリ１４上には、外部の機械等から取得されたデータが記憶される取得データ記憶部５０、取得データから学習用のデータを抽出する条件が記憶される抽出条件記憶部５２が設けられており、機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築された学習モデルが記憶されている学習モデル記憶部１３０が設けられている。

本実施形態によるデータ取得部３０は、第１実施形態におけるデータ取得部３０と同様の機能を備える。
本実施形態による学習データ抽出部３２は、基本的な動作は第１実施形態における学習データ抽出部３２と同じであるが、学習データ抽出部３２が抽出したデータは、機械学習装置１００による射出成形機２の状態を推定するために用いられる推定用のデータである点で、第１実施形態と異なる。

本実施形態による前処理部３４は、機械学習装置１００による学習モデルを用いた射出成形機２の状態の推定の段階において、学習データ抽出部３２が抽出した推定用のデータを、機械学習装置１００において扱われる統一的な形式へと変換（数値化、サンプリング等）して、機械学習装置１００による推定に用いられる所定の形式の状態データＳを作成する。

推定部１２０は、前処理部３４が作成した状態データＳに基づいて、学習モデル記憶部１３０に記憶された学習モデルを用いた射出成形機の状態の推定を行う。本実施形態の推定部１２０では、学習部１１０により生成された（パラメータが決定された）学習モデルに対して、前処理部３４より得られた状態データＳを入力することで、射出成形機の状態に係る異常度を推定して算出したり、射出成形機の動作状態の属するクラス（正常／異常等）を推定して算出したりする。推定部１２０が推定した結果（射出成形機の状態に係る異常度や射出成形機の動作状態の属するクラス等）は、表示装置７０に表示出力したり、図示しない有線／無線ネットワークを介してホストコンピュータやクラウドコンピュータ等に送信出力して利用するようにしても良い。また、状態判定装置１は、推定部１２０により推定された結果が所定の状態になった場合（例えば、推定部１２０が推定した異常度が予め定めた所定の閾値を超えた場合、推定部１２０が推定した射出成形機の動作状態の属するクラスが「異常」になった場合等）、例えば図８に例示されるように、表示装置７０への警告メッセージやアイコンでの表示出力をするようにしても良いし、射出成形機に対して運転の停止、減速、又は射出成形機を駆動する原動機のトルクを制限する指令等を出力するようにしても良い。

上記構成を備えた状態判定装置１は、射出成形機２から取得された取得データについて、学習データ抽出部３２が取得データ記憶部５０に含まれる取得データの中から抽出条件記憶部５２に記憶されている抽出条件に従って推定用のデータを抽出する。この抽出条件記憶部５２には、作業者がその時の射出成形機２の状態判定の目的に合わせて推定用のデータとして適切なデータが抽出されるように抽出条件を設定することができる。このようにして学習データ抽出部３２による抽出された推定用のデータは、例えばアラーム中の時系列データであったり、機械の運転を開始した直後や金型を交換した直後の時系列データ、または機械の運転に係る射出条件や保圧条件などの成形条件の設定値を変更した直後の時系列データ等、射出成形機の運転状態や操作状態に変化が生じたり、成形が不安定な状態の時系列データを除外したものであり、射出成形機２の動作状態の判定に適切な時系列データのみを状態判定に用いることができ、機械学習による射出成形機２の動作状態の判定精度の向上が見込まれる。

上記した第１，２実施形態による状態判定装置１は、ロボットや工作機械等の産業機械に係る状態判定を行う場合に適用することができるが、例えば製造開始時あるいは製造再開時における運転動作の立ち上がり時などにおいて想定の範囲内で不安定な挙動をする産業機械において好適に用いることができる。特に射出成形機は、同じ射出条件で製造を行う場合でも、機械の動作開始時や射出条件を変更した直後等に想定の範囲内で不安定な動作をする場合が多いが、そのまま運転を継続することで安定した正常動作に収束するため、その様な動作状態は異常状態とはみなさずに保守・点検の対象とはしていない。従って、この様な特性を持つ射出成形機に、本発明の状態判定装置１は特に有用である。

以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、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状態判定装置１と機械学習装置１００が異なるＣＰＵ（プロセッサ）を有する装置として説明しているが、機械学習装置１００は状態判定装置１が備えるＣＰＵ１１と、ＲＯＭ１２に記憶されるシステム・プログラムにより実現するようにしても良い。また、複数の射出成形機２がネットワークを介して相互に接続されている場合、複数の射出成形機の動作状態を１つの状態判定装置１で判定しても良いし、射出成形機が備える制御装置上に状態判定装置１を実装しても良い。

１ 状態判定装置
２ 射出成形機
３ 管理装置
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１６，１７，１８ インタフェース
２０ バス
２１ インタフェース
３０ データ取得部
３２ 学習データ抽出部
３４ 前処理部
５０ 取得データ記憶部
５２ 抽出条件記憶部
７０ 表示装置
７１ 入力装置
１００ 機械学習装置
１０１ プロセッサ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ 不揮発性メモリ
１１０ 学習部
１２０ 推定部
１３０ 学習モデル記憶部

Claims (10)

1. 産業機械における動作状態を判定する状態判定装置であって、
   前記産業機械に係るデータを取得するデータ取得部と、
   前記データ取得部が取得したデータから機械学習に係る処理に用いるデータを抽出するための抽出条件を記憶する抽出条件記憶部と、
   前記抽出条件記憶部に記憶される抽出条件に従って、前記データ取得部が取得したデータの内で、機械学習に係る処理に用いるデータを抽出する学習データ抽出部と、
   前記学習データ抽出部が抽出したデータを用いた機械学習に係る処理を実行する機械学習装置と、
   を備えた状態判定装置。
2. 前記機械学習装置は、前記学習データ抽出部が抽出したデータを用いた機械学習を行い、学習モデルを生成する学習部を備える、
   請求項１に記載の状態判定装置。
3. 前記学習部は、教師あり学習、教師なし学習、及び強化学習のうち少なくとも１つの機械学習を行う、
   請求項２に記載の状態判定装置。
4. 前記機械学習装置は、
   前記学習データ抽出部が抽出したデータを用いた機械学習により生成された学習モデルを記憶する学習データ記憶部と、
   前記学習データ抽出部が抽出したデータに基づいて、前記学習モデルを用いた前記産業機械の状態の推定を行う推定部と、
   を備える、
   請求項１に記載の状態判定装置。
5. 前記推定部は、前記産業機械の動作状態に係る異常度を推定し、
   前記状態判定装置は、前記推定部が推定した異常度が予め定めた所定の閾値を超えた場合に表示装置に警告メッセージを表示する、
   請求項４に記載の状態判定装置。
6. 前記推定部は、前記産業機械の動作状態に係る異常度を推定し、
   前記状態判定装置は、前記推定部が推定した異常度が予め定めた所定の閾値を超えた場合に表示装置に警告アイコンを表示する、
   請求項４に記載の状態判定装置。
7. 前記推定部は、前記産業機械の動作状態に係る異常度を推定し、
   前記状態判定装置は、前記推定部が推定した異常度が予め定めた所定の閾値を超えた場合に射出成形機に運転の停止、減速、又は原動機のトルクを制限する指令の少なくとも１つを出力する、
   請求項４に記載の状態判定装置。
8. 前記産業機械は射出成形機であり、
   前記データ取得部が取得するデータは、射出成形機の機械状態を表す運転中、停止中、昇温中、昇温完了、金型交換中、金型交換完了、アラーム中、生産完了状態のいずれかを識別する情報、射出成形機の操作状態を表す射出条件、保圧条件、計量条件、型開閉条件、突出し条件、温度条件の変更有無のいずれかを識別する情報、射出成形機の成形工程である型閉工程、型締工程、射出工程、保圧工程、計量工程、型開工程、突出工程、待機工程のいずれかを識別する情報のうち少なくとも１つを含む、
   請求項１に記載の状態判定装置。
9. 前記データ取得部が取得するデータは、有線または無線のネットワークによって接続され複数の産業機械から取得されるデータのうち少なくとも１つである、
   請求項１に記載の状態判定装置。
10. 産業機械における動作状態を判定する状態判定装置における機械学習に係る方法であって、
    前記産業機械に係るデータを取得するデータ取得ステップと、
    前記産業機械から取得したデータから機械学習に係る処理に用いるデータを抽出するための抽出条件に従って、前記データ取得ステップが取得したデータの内で、機械学習に係る処理に用いるデータを抽出する学習データ抽出ステップと、
    前記学習データ抽出ステップで抽出したデータを用いた機械学習に係る処理を実行するステップと、
    を実行する状態判定方法。

Images