JP2020199706A - 機械学習装置、予測装置、及び制御装置 - Google Patents
機械学習装置、予測装置、及び制御装置 Download PDFInfo
- Publication number
- JP2020199706A JP2020199706A JP2019108679A JP2019108679A JP2020199706A JP 2020199706 A JP2020199706 A JP 2020199706A JP 2019108679 A JP2019108679 A JP 2019108679A JP 2019108679 A JP2019108679 A JP 2019108679A JP 2020199706 A JP2020199706 A JP 2020199706A
- Authority
- JP
- Japan
- Prior art keywords
- molding
- mold
- state information
- prediction
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000465 moulding Methods 0.000 claims abstract description 130
- 238000001746 injection moulding Methods 0.000 claims abstract description 74
- 229920005989 resin Polymers 0.000 claims abstract description 32
- 239000011347 resin Substances 0.000 claims abstract description 32
- 239000000654 additive Substances 0.000 claims abstract description 19
- 230000000996 additive effect Effects 0.000 claims abstract description 17
- 238000002156 mixing Methods 0.000 claims abstract description 3
- 238000010801 machine learning Methods 0.000 claims description 35
- 239000002184 metal Substances 0.000 abstract 3
- 239000000243 solution Substances 0.000 abstract 1
- 238000003860 storage Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 238000002347 injection Methods 0.000 description 11
- 239000007924 injection Substances 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000000034 method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 239000003365 glass fiber Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000003822 epoxy resin Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 229920000647 polyepoxide Polymers 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229920000728 polyester Polymers 0.000 description 3
- 239000003381 stabilizer Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013329 compounding Methods 0.000 description 2
- 229920005992 thermoplastic resin Polymers 0.000 description 2
- 229920001187 thermosetting polymer Polymers 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 229920005749 polyurethane resin Polymers 0.000 description 1
- 239000004800 polyvinyl chloride Substances 0.000 description 1
- 229920000915 polyvinyl chloride Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
- B29C45/7626—Measuring, controlling or regulating the ejection or removal of moulded articles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76939—Using stored or historical data sets
- B29C2945/76949—Using stored or historical data sets using a learning system, i.e. the system accumulates experience from previous occurrences, e.g. adaptive control
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
Description
例えば、試し成形で良品が得られたときに用いた複数の成形条件と、当該良品の品質値とに基づいて定められたニューラルネットワークを用いて、複数の成形条件の変化に応じて、品質値がどのように変化するかを目視することにより、適切な成形条件を設定する技術が知られている。例えば、特許文献1参照。
金型の交換(寿命)のタイミングは、例えば、ショット回数等で判断されるが、樹脂の種類を含む成形条件によって金型の状態は変化する。このため、金型を交換するタイミングの判断は難しく、それなりの経験が作業員に求められる。
<一実施形態>
図1は、一実施形態に係る射出成形システムの機能的構成例を示す機能ブロック図である。図1に示すように、射出成形システムは、射出成形機10、予測装置20、及び機械学習装置30を有する。
また、状態情報には、後述するように、金型の摩耗量が含まれる。
予測装置20を説明する前に、「金型の摩耗量」、及び学習済みモデルを生成するための機械学習について説明する。
「金型の摩耗量」は、前述したように、樹脂に添加される添加剤によって発生する腐食性ガス、及びガラス繊維等の添加剤が配合された溶融樹脂との摩擦により、射出成形機10に設置された金型において摩耗した量を示す。「金型の摩耗量」は、成形品の寸法をチェックした際に、寸法精度が悪くなった部分であり、当該金型が新しく交換された射出成形スタート時の成形品(1個目等)の寸法と、それ以降に射出成形された成形品の寸法との差分により算出される。すなわち、射出成形スタート時における成形品の寸法は互いに同一であり、「金型の摩耗量」は、「0%」となる。そして、「金型の摩耗量」は、射出成形が繰り返されるに従い大きな値となり、成形品の寸法の許容限界値(摩耗量の許容限界値)では「100%」となる。
なお、「金型の摩耗量」は、「0%」から「100%」の範囲のパーセント値としたが、例えば、「金型の摩耗量」は、「0」から「1」の範囲の値等でもよい。
機械学習装置30は、例えば、予め、任意の射出成形機による射出成形における任意の成形条件と、当該成形条件による成形前の金型の摩擦量を含む状態情報とを、入力データとして取得する。
また、機械学習装置30は、取得した入力データにおける成形条件による成形後の金型の摩擦量を示すデータをラベル(正解)として取得する。
機械学習装置30は、取得した入力データとラベルとの組の訓練データにより教師あり学習を行い、後述する学習済みモデルを構築する。
そうすることで、機械学習装置30は、構築した学習済みモデルを予測装置20に提供することができる。
機械学習装置30について、具体的に説明する。
入力データ取得部301は、学習フェーズにおいて、図示しない通信部を介して、任意の成形条件と、当該成形条件による成形前の金型の摩擦量を含む状態情報と、を入力データとして制御装置15等から取得する。入力データ取得部301は、取得した入力データを記憶部304に対して出力する。
そして、学習部303は、構築した学習済みモデル250を予測装置20に対して提供する。
なお、教師あり学習を行うための訓練データは、多数用意されることが望ましい。例えば、顧客の工場等で実際に稼働している様々な場所の射出成形機10の制御装置15のそれぞれから訓練データが取得されてもよい。
ここで、これから行う成形条件には、樹脂(材料)の種類(エポキシ樹脂等の熱硬化性樹脂や、ポリエステル等の熱可塑性樹脂)、添加剤の種類(ガラス繊維、安定剤、着色剤等)、金型表面の温度、保圧と保圧時間との積、樹脂温度、射出速度、射出圧力、射出量、及びこれまでのショット回数が含まれる。
なお、これから行う成形条件には、金型の情報(スプルー、ランナー、ゲート、キャビティ等の各部分の経路の大きさ(断面積サイズ)、容積、表面積等)や、成形品の情報(形状、寸法、肉厚等)等を含めてもよい。金型の情報及び成形品の情報は、例えば、制御装置15に入力されたCAD(Computer−Aided Design)図面等により取得されてもよい。
オンライン学習とは、射出成形機10による射出成形が行われ、訓練データが作成される都度、即座に教師あり学習を行うという学習方法である。また、バッチ学習とは、射出成形機10による射出成形が行われ、訓練データが作成されることが繰り返される間に、繰り返しに応じた複数の訓練データを収集し、収集した全ての訓練データを用いて、教師あり学習を行うという学習方法である。さらに、ミニバッチ学習とは、オンライン学習と、バッチ学習の中間的な、ある程度訓練データが溜まるたびに教師あり学習を行うという学習方法である。
記憶部304は、RAM(Random Access Memory)等であり、入力データ取得部301により取得された入力データ、ラベル取得部302により取得されたラベルデータ、及び学習部303により構築された学習済みモデル250等を記憶する。
以上、予測装置20が備える学習済みモデル250を生成するための機械学習について説明した。
次に、運用フェーズにおける予測装置20について説明する。
図1に示すように、運用フェーズにおける予測装置20は、入力部201、予測部202、決定部203、通知部204、及び記憶部205を含んで構成される。
なお、予測装置20は、図1の機能ブロックの動作を実現するために、CPU(Central Processing Unit)等の図示しない演算処理装置を備える。また、予測装置20は、各種の制御用プログラムを格納したROM(Read Only Memory)やHDD等の図示しない補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのRAMといった図示しない主記憶装置を備える。
より具体的には、決定部203は、金型の摩耗量の予測値と、予め設定された閾値との比較に基づいて、金型を交換する最適な時期を判定する。
図3は、金型の摩耗量の一例を示す図である。図3に示すように、例えば、金型の摩耗量は、新品の時の初期値として「0%」であり、射出成形機10により繰り返し射出成形に用いられることによりその摩耗量は増加する。例えば、金型の摩耗量が「0%」から「80%」未満の範囲の場合、金型は適切に機能する。一方、摩耗量が「80%」以上の場合、金型は適切に機能しない。
以下の説明では、摩耗量「80%」を閾値αとする。なお、閾値αは、射出成形機10が設置された工場の環境等に応じて適宜設定されてもよい。
決定部203は、予測部202により予測された金型の摩耗量が、閾値αより小さいか否かを判定する。決定部203は、予測された金型の摩耗量が閾値αより小さい場合、入力部201により入力された成形条件による成形前に、金型の交換を行わないことを判定する。一方、決定部203は、予測された金型の摩耗量が閾値α以上となる場合、入力された成形条件による成形前を、金型の交換時期として判定する。
そうすることで、通知部204は、決定部203により判定された金型を交換する最適な時期をユーザ(オペレータ)に推奨することができる。また、通知部204は、スピーカ(図示せず)を介して音声により通知してもよい。
次に、本実施形態に係る予測装置20の予測処理に係る動作について説明する。
図4は、運用フェーズにおける予測装置20の予測処理について説明するフローチャートである。
すなわち、予測装置20は、事前にどのくらい射出成形を行うと金型がどの程度摩耗するかを予測することが可能となり、これから行う成形条件による成形前を金型の交換の最適な時期として検知することができる。また、予測装置20は、様々な形状の金型の摩耗量を予測することができる。
また、射出成形システムは、金型の交換時期(寿命)が分かるため、金型の交換により不良品の生産を減らすことができる。
また、予測装置20は、学習済みモデル250を用いることにより、作業員が金型の交換の必要性を判断する必要がなくなり、作業員の負担を軽減することができる。
上述の実施形態では、機械学習装置30は、射出成形機10、制御装置15、及び予測装置20と異なる装置として例示したが、機械学習装置30の一部又は全部の機能を、射出成形機10、制御装置15、又は予測装置20が備えるようにしてもよい。
また例えば、上述の実施形態では、予測装置20は、射出成形機10や制御装置15と異なる装置として例示したが、予測装置20の一部又は全部の機能を、射出成形機10又は制御装置15が備えるようにしてもよい。
あるいは、予測装置20の入力部201、予測部202、決定部203、通知部204及び記憶部205の一部又は全部を、例えば、サーバが備えるようにしてもよい。また、クラウド上で仮想サーバ機能等を利用して、予測装置20の各機能を実現してもよい。
さらに、予測装置20は、予測装置20の各機能を適宜複数のサーバに分散される、分散処理システムとしてもよい。
また例えば、上述の実施形態では、これから行う成形条件は、樹脂(材料)の種類(エポキシ樹脂等の熱硬化性樹脂や、ポリエステル等の熱可塑性樹脂)、添加剤の種類(ガラス繊維、安定剤、着色剤等)、金型表面の温度、保圧と保圧時間との積、樹脂温度、射出速度、射出圧力、射出量、及びこれまでのショット回数を含むとしたが、これに限定されない。
例えば、これから行う成形条件には、金型の情報(スプルー、ランナー、ゲート、キャビティ等の各部分の経路の大きさ(断面積サイズ)、容積、表面積等)や、成形品の情報(形状、寸法、肉厚等)等を含めてもよい。なお、金型の情報及び成形品の情報は、例えば、制御装置15に入力されたCAD図面等により取得してもよい。
また例えば、上述の実施形態では、予測装置20の決定部203は、予測された成形後の金型の摩耗量の予測値と、閾値αとの比較に基づいて、成形前を金型の交換の時期を判定したが、これに限定されない。
例えば、決定部203は、これから行う成形条件、及び現在の金型の摩擦量の状態情報に基づいて、複数の成形品を成形する場合、複数の成形品を成形した後の金型の摩耗量の予測値が閾値αより小さくなるように、成形品の数(これから行うショット回数)を調整してもよい。
例えば、決定部203は、これから行う成形条件で10個の成形品を成形しようとした際に、成形後の金型の摩耗量の予測値が閾値α以上となった場合、成形品の数を10個から1つ(所定の数)ずつ減らして、摩耗量の予測値が閾値αより小さくなる、8個等の成形品の数を探索してもよい。
そして、決定部203は、例えば、k個の成形品の成形後を、金型の交換を行う時期として判定する。これにより、図1の射出成形システムは、決定された時期であるきりのよい段階で、射出成形機10を停止させて金型の交換を行うことができる。
これにより、射出成形システムは、成形開始前に、どの程度成形すると金型の交換が必要になるかのタイミングを事前に予測することができる。そして、射出成形システムは、成形中に金型の交換の必要性が発生することを回避することができ、金型が摩耗した状態での成形品の成形を回避することが可能となる。
また例えば、上述の実施形態では、予測装置20は、機械学習装置30から提供された学習済みモデル250を用いて、1つの射出成形機10から取得したこれから行う成形条件による成形後の金型の摩耗量を予測したが、これに限定されない。例えば、図5に示すように、サーバ50は、機械学習装置30により生成された学習済みモデル250を記憶し、ネットワーク60に接続されたm個の予測装置20A(1)−20A(m)と学習済みモデル250を共有してもよい(mは2以上の整数)。これにより、新たな射出成形機、及び予測装置が配置されても学習済みモデル250を適用することができる。
なお、予測装置20A(1)−20A(m)の各々は、射出成形機10A(1)−10A(m)の各々と接続される。
また、射出成形機10A(1)−10A(m)の各々は、図1の射出成形機10に対応する。予測装置20A(1)−20A(m)の各々は、図1の予測装置20に対応する。
あるいは、図6に示すように、サーバ50は、例えば、予測装置20として動作し、ネットワーク60に接続された射出成形機10A(1)−10A(m)の各々に対して、これから行う成形条件による成形後の金型の摩耗量を予測してもよい。これにより、新たな射出成形機が配置されても学習済みモデル250を適用することができる。
(1)本開示の機械学習装置30は、任意の射出成形機による任意の成形品の成形における少なくとも樹脂の種類、添加剤の種類、添加剤の配合率、及び樹脂の温度を含む任意の成形条件と、当該成形条件による成形前の金型の摩擦量を示す状態情報と、を含む入力データを取得する入力データ取得部301と、入力データに含まれる成形条件による成形後の金型の状態情報、を示すラベルデータを取得するラベル取得部302と、入力データ取得部301により取得された入力データと、ラベル取得部302により取得されたラベルデータと、を用いて、教師あり学習を実行し、学習済みモデル250を生成する学習部303と、を備える。
この機械学習装置30によれば、金型の摩耗に最も寄与する溶融した樹脂との摩擦や、樹脂に添加される添加剤によって発生する腐食性ガス等の影響を考慮した成形後の金型の摩耗量を予測する学習済みモデル250を生成することができる。
(2)成形条件は、前記金型に関する情報及び/又は前記成形品に関する情報を含んでもよい。
そうすることで、特定の金型や成形品に対応できる学習済みモデル250を生成することができる。
(3)本開示の予測装置20は、(1)又は(2)の機械学習装置30により生成された学習済みモデル250と、射出成形機10による成形に先立って、これから行う成形条件と、現在の金型の状態情報とを入力する入力部201と、入力部201により入力されたこれから行う成形条件と現在の金型の状態情報とを学習済みモデル250に入力し、これから行う成形条件による成形後の金型の状態情報を予測する予測部202と、を備える。
この予測装置20によれば、成形後の金型の摩耗量を予測することができる。
(4)予測部202により予測された金型の状態情報に含まれる予測値と、予め設定された閾値αとの比較に基づいて、金型を交換する時期を判定する決定部203を備えてもよい。
そうすることで、予測装置20は、成形中に金型の交換の必要性が発生することを回避することができ、金型が摩耗した状態での成形品の成形を回避することが可能となる。
(5)決定部203は、これから行う成形条件、及び現在の金型の状態情報に基づいて、複数の成形品を成形する場合、複数の成形品を成形した後の予測値が閾値αより小さくなるように、成形品の数を調整してもよい。
そうすることで、射出成形開始前に、どの程度成形すると金型の交換が必要になるかの時期を事前に予測することができ、成形のきりのよい段階で、射出成形機10を停止させて金型の交換のスケジュールを組むことが可能となる。
(6)学習済みモデル250を、予測装置20からネットワーク60を介してアクセス可能に接続されるサーバに備えてもよい。
そうすることで、新たな射出成形機10、制御装置15、及び予測装置20が配置されても学習済みモデル250を適用することができる。
(7)機械学習装置30を備えてもよい。
そうすることで、上述の(1)から(6)のいずれかと同様の効果を奏することができる。
(8)本開示の制御装置15は、予測装置20を備えてもよい。
この制御装置15によれば、上述の(1)から(7)のいずれかと同様の効果を奏することができる。
15 制御装置
20 予測装置
201 入力部
202 予測部
203 決定部
250 学習済みモデル
30 機械学習装置
301 入力データ取得部
302 ラベル取得部
303 学習部
50 サーバ
Claims (8)
- 任意の射出成形機による任意の成形品の成形における少なくとも樹脂の種類、添加剤の種類、前記添加剤の配合率、及び前記樹脂の温度を含む任意の成形条件と、当該成形条件による成形前の金型の摩耗量を示す状態情報と、を含む入力データを取得する入力データ取得部と、
前記入力データに含まれる前記成形条件による成形後の前記金型の状態情報、を示すラベルデータを取得するラベル取得部と、
前記入力データ取得部により取得された入力データと、前記ラベル取得部により取得されたラベルデータと、を用いて、教師あり学習を実行し、学習済みモデルを生成する学習部と、
を備える機械学習装置。 - 前記成形条件は、前記金型に関する情報及び/又は前記成形品に関する情報を含む、請求項1に記載の機械学習装置。
- 請求項1又は請求項2に記載の機械学習装置により生成された学習済みモデルと、
射出成形機による成形に先立って、これから行う成形条件と、現在の金型の状態情報とを入力する入力部と、
前記入力部により入力された前記これから行う成形条件と前記現在の金型の状態情報とを前記学習済みモデルに入力し、前記これから行う成形条件による成形後の前記金型の状態情報を予測する予測部と、
を備える予測装置。 - 前記予測部により予測された前記金型の状態情報に含まれる予測値と、予め設定された閾値との比較に基づいて、前記金型を交換する時期を判定する決定部を備える、請求項3に記載の予測装置。
- 前記決定部は、前記これから行う成形条件、及び前記現在の金型の状態情報に基づいて、複数の成形品を成形する場合、前記複数の成形品を成形した後の前記予測値が前記閾値より小さくなるように、成形品の数を調整する、請求項4に記載の予測装置。
- 前記学習済みモデルを、前記予測装置からネットワークを介してアクセス可能に接続されるサーバに備える、請求項3から請求項5のいずれか1項に記載の予測装置。
- 請求項1又は請求項2に記載の機械学習装置を備える、請求項3から請求項6のずれか1項に記載の予測装置。
- 請求項3から請求項7のいずれか1項に記載の予測装置を備える、制御装置。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019108679A JP7277272B2 (ja) | 2019-06-11 | 2019-06-11 | 機械学習装置、予測装置、及び制御装置 |
DE102020205834.2A DE102020205834A1 (de) | 2019-06-11 | 2020-05-08 | Maschinenlernvorrichtung, vorhersagevorrichtung und steuervorrichtung |
US16/876,822 US11823075B2 (en) | 2019-06-11 | 2020-05-18 | Machine learning device, prediction device, and control device |
CN202010526372.3A CN112060520B (zh) | 2019-06-11 | 2020-06-09 | 机器学习装置、预测装置以及控制装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019108679A JP7277272B2 (ja) | 2019-06-11 | 2019-06-11 | 機械学習装置、予測装置、及び制御装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020199706A true JP2020199706A (ja) | 2020-12-17 |
JP7277272B2 JP7277272B2 (ja) | 2023-05-18 |
Family
ID=73656093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019108679A Active JP7277272B2 (ja) | 2019-06-11 | 2019-06-11 | 機械学習装置、予測装置、及び制御装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11823075B2 (ja) |
JP (1) | JP7277272B2 (ja) |
CN (1) | CN112060520B (ja) |
DE (1) | DE102020205834A1 (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05309711A (ja) * | 1992-04-03 | 1993-11-22 | Sony Corp | 成形制御方法および装置 |
JP2001300979A (ja) * | 2000-04-24 | 2001-10-30 | Asahi Kasei Corp | ポリアミド樹脂多層成形品の製造方法 |
JP2008302528A (ja) * | 2007-06-05 | 2008-12-18 | Fanuc Ltd | 射出成形機 |
JP2012187787A (ja) * | 2011-03-10 | 2012-10-04 | Japan Steel Works Ltd:The | 成形条件の調整支援方法および射出成形機 |
JP2014237751A (ja) * | 2013-06-07 | 2014-12-18 | マツダ株式会社 | 熱可塑性樹脂成形品及び熱可塑性樹脂成形品の製造方法 |
JP2018167424A (ja) * | 2017-03-29 | 2018-11-01 | ファナック株式会社 | 状態判定装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004015530A1 (de) * | 2003-03-31 | 2004-11-11 | Sumitomo Chemical Co., Ltd. | Verfahren zum Designen einer Form, Verfahren zum Herstellen eines Spritzgießformteils, Programm und Spritzgießvorrichtung |
JP2006281647A (ja) * | 2005-04-01 | 2006-10-19 | Canon Inc | 射出成形における金型温度解析装置および金型温度解析方法 |
JP2007083602A (ja) | 2005-09-22 | 2007-04-05 | Sanko Gosei Ltd | 射出成形品の成形収縮率予測方法 |
JP4167282B2 (ja) | 2006-10-27 | 2008-10-15 | 日精樹脂工業株式会社 | 射出成形機の支援装置 |
JP6294268B2 (ja) * | 2015-07-31 | 2018-03-14 | ファナック株式会社 | 射出成形機の異常診断装置 |
CN105751470B (zh) * | 2016-03-23 | 2017-12-12 | 广西科技大学 | 一种注塑机温度实时控制方法 |
JP6348137B2 (ja) * | 2016-03-24 | 2018-06-27 | ファナック株式会社 | 工作物の良否を判定する加工機械システム |
JP6517728B2 (ja) * | 2016-05-12 | 2019-05-22 | ファナック株式会社 | 射出成形機の逆流防止弁の摩耗量推定装置および摩耗量推定方法 |
US11300949B2 (en) * | 2017-08-11 | 2022-04-12 | Jtekt Corporation | Data processing device of production equipment |
JP6591509B2 (ja) * | 2017-11-06 | 2019-10-16 | 株式会社東芝 | 金型温度異常予兆検知装置及びプログラム |
JP7159758B2 (ja) * | 2018-09-27 | 2022-10-25 | 株式会社ジェイテクト | 成形条件決定支援装置および射出成形機 |
US11443202B2 (en) | 2019-07-03 | 2022-09-13 | Google Llc | Real-time on the fly generation of feature-based label embeddings via machine learning |
-
2019
- 2019-06-11 JP JP2019108679A patent/JP7277272B2/ja active Active
-
2020
- 2020-05-08 DE DE102020205834.2A patent/DE102020205834A1/de active Pending
- 2020-05-18 US US16/876,822 patent/US11823075B2/en active Active
- 2020-06-09 CN CN202010526372.3A patent/CN112060520B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05309711A (ja) * | 1992-04-03 | 1993-11-22 | Sony Corp | 成形制御方法および装置 |
JP2001300979A (ja) * | 2000-04-24 | 2001-10-30 | Asahi Kasei Corp | ポリアミド樹脂多層成形品の製造方法 |
JP2008302528A (ja) * | 2007-06-05 | 2008-12-18 | Fanuc Ltd | 射出成形機 |
JP2012187787A (ja) * | 2011-03-10 | 2012-10-04 | Japan Steel Works Ltd:The | 成形条件の調整支援方法および射出成形機 |
JP2014237751A (ja) * | 2013-06-07 | 2014-12-18 | マツダ株式会社 | 熱可塑性樹脂成形品及び熱可塑性樹脂成形品の製造方法 |
JP2018167424A (ja) * | 2017-03-29 | 2018-11-01 | ファナック株式会社 | 状態判定装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112060520A (zh) | 2020-12-11 |
US20200394536A1 (en) | 2020-12-17 |
US11823075B2 (en) | 2023-11-21 |
CN112060520B (zh) | 2024-06-18 |
JP7277272B2 (ja) | 2023-05-18 |
DE102020205834A1 (de) | 2021-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112689546B (zh) | 用于生成设备特定的机器学习模型的方法和系统 | |
US11687058B2 (en) | Information processing method and information processing apparatus used for detecting a sign of malfunction of mechanical equipment | |
TWI821985B (zh) | 製造系統、多步驟製造方法及非暫態電腦可讀媒介 | |
Hopmann et al. | Combined learning processes for injection moulding based on simulation and experimental data | |
CN110096036A (zh) | 一种设备状态的确定方法、装置及设备 | |
CN112823364A (zh) | 预测模型增强 | |
EP3304282B1 (en) | System and method for replacing a live control/estimation application with a staged application | |
JP7277272B2 (ja) | 機械学習装置、予測装置、及び制御装置 | |
JP5770057B2 (ja) | 射出成形機のモニタデータ表示装置 | |
CN102481626A (zh) | 工艺仿真 | |
Schmidt | Computation of supervisors for reconfigurable machine tools | |
US20200329161A1 (en) | Machine learning device, screen prediction device, and controller | |
US20230376002A1 (en) | Machine learning device, cleaning prediction device, and cleaning system | |
JP2018089859A (ja) | 情報処理装置、造形装置、造形システム、方法及びプログラム | |
JP7277273B2 (ja) | 機械学習装置、及び設計支援装置 | |
US20220358267A1 (en) | Adapting a production process for components of a component group | |
JP6276136B2 (ja) | 射出成形機の成形条件ファイル管理装置 | |
JP2015170091A (ja) | 加工条件算出装置、方法、プログラム、加工装置及び測定装置 | |
KR102585970B1 (ko) | 사출 공정 변수의 최적화를 위한 장치 및 방법 | |
JP7369856B2 (ja) | 工具状態学習装置、工具状態推定装置、制御装置、工具状態学習方法、及び工具状態推定方法 | |
JP2957561B1 (ja) | 生産ライン管理方法 | |
JP2021115823A (ja) | 制御装置、集中管理装置、及び制御方法 | |
TW202419988A (zh) | 工廠加工、設備及自動化系統之動態監測及保護 | |
JP2019160176A (ja) | 部品供給量推定装置及び機械学習装置 | |
TW201411305A (zh) | 數値控制裝置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220317 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221220 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230110 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230214 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230404 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230508 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7277272 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |