JP2021057064A - 状態判定装置及び状態判定方法 - Google Patents

Abstract

【課題】産業機械から取得したデータに基づいて精度良く異常状態の判別をすることが可能な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が取得した産業機械に係るデータに基づいて、産業機械の各部の駆動に係るエネルギー状態を算出するエネルギー状態算出部４０と、エネルギー状態算出部４０が算出した産業機械の各部の駆動に係るエネルギー状態に基づいて、産業機械の動作の正常乃至異常を推定する異常状態推定部３８と、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、特に電動機で駆動する産業機械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。

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。産業機械としては、射出成形機、工作機械、鉱山機械、木工機械、農業機械、建設機械などがある。

異常有無の判定には、機械学習を用いることが公知である。機械学習時に用いる学習データとして、産業機械の制御装置がセンサより取得した測定値又は産業機械の駆動部を制御する指令値である電流、電圧、位置、速度等が用いられる。例えば、特許文献１には、物理量を機械学習して最適な操作条件を算出する手段として、物理量としてセンサから直接得られる重量、寸法、および画像データから算出される外観、長さ、角度、面積、体積などを用いることが開示されている。また、特許文献２，３には、駆動部の負荷や樹脂圧力、アラーム発生履歴、機械操作履歴、工程監視データなどを教師あり機械学習して異常を判定することが示されている。

特開２０１７−０３０１５２号公報 特開２０１７−０３０２２１号公報 特開２０１７−２０２６３２号公報

しかしながら、産業機械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判定ができない課題があった。また、機械学習で得た１つの学習モデルを多種多様なバリエーションを有する産業機械にて汎用的に使用できない課題があった。

また、産業機械を構成する機材や、該産業機械で取り扱われる部材等は様々であり、これが学習モデルの作成に影響を与えることがある。例えば、射出成形機を構成する可動部の機材の種類、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、あるいは、射出成形機の付帯設備である金型、金型温調機、樹脂乾燥機などの種類が学習モデル作成時の学習条件と異なる場合、それら種類の差異の影響を受け、該機械より得られる測定値は学習モデル作成時に使用した測定値との間に乖離が生じるため、機械学習による異常有無の判定を正しく行えないことがあった。

ここで、機械学習の判定精度をあげるには、機械学習の学習モデルを作成する際に、学習条件として産業機械を構成する機材や産業機械で取り扱われる部材の組合せの数だけ多種多様な学習条件を準備して機械学習させる手段がある。しかしながら、多種多様な機材や部材を揃えて機械学習することは、多くのコストを要する。その上、産業機械機を運転する際には、樹脂やワーク等の原材料を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課題があった。

また、学習モデル作成時の学習条件に含まれない機種、例えばモータ、減速機、可動部の組合せが異なる機械では、学習済の学習モデルで得られる推定結果の誤差が大きいため、機械学習で得た１つの学習モデルを多種多様なバリエーションを有する産業機械に汎用的に適用できない課題があった。
更に、該バリエーションに対応した数だけ異常有無を判定する状態判定装置を複数用意したり、異常有無の判定基準を複数用意して対応する手段では効率が悪い。

このような課題は、学習データとして取得したデータが電流、電圧、温度、位置、速度等の物理量であるため、学習対象の機械の機械状態の一部しか表現できておらず、産業機械が有する力学的あるいは電気的なエネルギーが考慮されていないことに起因する。

そこで本発明の目的は、産業機械から取得したデータに基づいて精度良く異常状態の判別をすることが可能な状態判定装置及び状態判定方法を提供することである。

本発明では、制御装置より取得した様々な物理量（産業機械を駆動する原動機の回転速度、電流等）を基にして運動エネルギー乃至電気エネルギーを導き、これらエネルギーに基づいて産業機械の駆動部の異常度を推定することによって、上記課題を解決する。

より具体的には、産業機械の機種が異なっていたり、産業機械の付帯設備や生産材が異なっても（例えば、機械のサイズが小型／大型と異なっていたり、産業機械を構成する構成部品が異なっていても）、駆動部が有する運動エネルギーを推定のデータとして用いることによって、それら構成部品の差異を吸収し、１つの学習モデルを多種多様な産業機械に汎用的かつ効率的に適用して異常有無を判定する手段を実現する。

また、推定結果の出力として得られる異常度を基に、異常の状態を表現するメッセージやアイコンを表示装置に表示したり、異常度が所定値以上の場合には作業者の安全を確保するため機械の可動部の動作を停止させたり、あるいは安全な状態で可動部が動作するように、可動部を駆動するモータを停止させたり減速させる手段も設ける。

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前記産業機械に係るデータに基づいて、前記産業機械の各部の駆動に係るエネルギー状態を算出するエネルギー状態算出部と、前記エネルギー状態算出部が算出した前記産業機械の各部の駆動に係るエネルギー状態に基づいて、前記産業機械の動作の正常乃至異常を推定する異常状態推定部と、を備え、前記異常状態推定部は、前記産業機械の動作状態と、前記産業機械の駆動部の異常を判別するための異常判別条件とが関連付けて設定された異常判定テーブルを記憶する異常判定テーブル記憶部と、前記エネルギー状態算出部が算出した前記産業機械の各部の駆動に係るエネルギー状態が、前記異常判定テーブルに記憶された異常判別条件を満足するか否かを判定することにより前記産業機械の動作状態の正常乃至異常の状態を判別する推定部と、を備える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、前記データ取得ステップで取得した前記産業機械に係るデータに基づいて、前記産業機械の各部の駆動に係るエネルギー状態を算出するエネルギー状態算出ステップと、前記エネルギー状態算出ステップで算出した前記産業機械の各部の駆動に係るエネルギー状態に基づいて、前記産業機械の動作の正常乃至異常を推定する異常状態推定ステップと、を実行し、前記異常状態推定ステップでは、前記エネルギー状態算出ステップで算出された前記産業機械の各部の駆動に係るエネルギー状態が、前記産業機械の動作状態と、前記産業機械の駆動部の異常を判別するための異常判別条件とが関連付けて設定された異常判定テーブルに記憶された異常判別条件を満足するか否かを判定することにより前記産業機械の動作状態の正常乃至異常の状態を判別する推定ステップを実行する、状態判定方法である。

本発明により、産業機械の状態を電気エネルギー、運動エネルギーという共通の基準の元で判定することができるように成るため、構成や規模が異なる産業機械であっても精度良く異常状態の判別を行うことができるようになる。

第１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。 異常判定テーブルの例を示す図である。 異常状態の表示例を示す図である。 第２，３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。 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。

以下、本発明の実施形態を図面と共に説明する。
図１は第１実施形態による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、セルコンピュータ、ホストコンピュータ、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、射出成形機を制御する制御装置と有線／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、射出成形機２から取得される各種データ（機種、金型の質量や材質、樹脂の種類、工程を識別する信号等）、それぞれの射出成形機２の成形動作において検出される各種物理量（ノズルの温度、ノズルを駆動するモータの位置、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、図示しない外部記憶装置やネットワークを介して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、溶融樹脂を金型内に射出するノズル、モータ（原動機）、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、ＡＣ同期モータ、ＡＣ誘導モータ、リニアモータ、超音波モータ、ブラシレスＤＣモータ、ステッピング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、プーリー、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。

図２は、第１実施形態による状態判定装置１の概略的な機能ブロック図である。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が、システム・プログラムを実行し、状態判定装置１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、エネルギー状態算出部４０、及び異常状態推定部３８を備え、エネルギー状態算出部４０は、電気エネルギー算出部３２、運動エネルギー算出部３４を、異常状態推定部３８は、推定部１２０をそれぞれ備える。また、不揮発性メモリ１４上には、データ取得部３０が取得したデータが記憶される取得データ記憶部５０と、異常判定テーブルを記憶する異常判定テーブル記憶部１４０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、樹脂の種類等の各種データ、ノズルの温度、ノズルを駆動するモータの位置、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、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、これらのデータを、射出成形機２の制御装置が各部に指令する指令値や、制御装置が各部から計測した計測値、別途設置したセンサ等による検出値等として取得することができる。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を介して他の装置からデータを取得するようにしても良い。

エネルギー状態算出部４０は、データ取得部３０が取得した各データについて射出成形機２の各部の駆動に係るエネルギー状態を算出する機能手段である。本実施形態によるエネルギー状態算出部４０は、電気エネルギー算出部３２と、運動エネルギー算出部３４とを備えている。

電気エネルギー算出部３２は、データ取得部３０が取得した各データについて電気エネルギーに換算したデータを作成する機能手段である。電気エネルギー算出部３２は、例えば射出成形機２から取得したモータ（原動機）に供給される電気エネルギーＥを、以下に示す数１式を用いて算出する。なお、数１式において、Ｐは電力値、Ｖは電圧値、Ｉは電流値、Ｒは抵抗値、ｔは時間を示している。

電気エネルギー算出部３２が電気エネルギーの算出対象とする物理量は、ノズルの温度、ノズルを駆動するモータの電流／電圧、トルク、金型の温度、樹脂の圧力等が例示される。温度から電気エネルギーの変換については、予め実験等をしてノズルや金型を所定の温度に昇温するために必要とされる電気エネルギーを算出する式を求めておき（一般に、熱伝導方程式、及びジュールの法則の式から求めたものとなる）、求めた式を用いて電気エネルギーを算出するようにすれば良い。また、トルクや圧力から電気エネルギーへの変換については、モータに対して供給された電気エネルギーから、該モータによる駆動される運動エネルギー（運動エネルギー算出部３４が算出）と、摩擦等によるエネルギーの損失分、位置エネルギーの増加分等を減算した値を便宜上用いるようにすれば良い。

運動エネルギー算出部３４は、データ取得部３０が取得した各データについて運動エネルギーに換算したデータを作成する機能手段である。運動エネルギー算出部３４は、例えば射出成形機２から取得した駆動部の駆動に係る運動エネルギーＫを、以下に示す数２式を用いて算出する。なお、数２式において、ｍは駆動部の質量、ｖは駆動部の速度、Ｉは慣性モーメント、ωは駆動部を駆動するモータの回転角速度を示している。

運動エネルギー算出部３４が運動エネルギーの算出対象とする物理量は、ノズルを駆動するモータの速度、加速度、樹脂の流量及び流速等が例示される。

推定部１２０は、エネルギー状態算出部４０が算出した射出成形機２の各部の駆動に係るエネルギー状態、即ち、電気エネルギー算出部３２が算出した電気エネルギー及び運動エネルギー算出部３４が算出した運動エネルギーとに基づいて、異常判定テーブル記憶部１４０に記憶された異常判定テーブルを参照して射出成形機２の異常を推定する機能手段である。異常判定テーブル記憶部１４０に記憶される異常判定テーブルには、予め射出成形機２の駆動部の異常を判別するための異常判別条件が設定されている。

図３は、異常判定テーブル記憶部１４０に記憶される異常判定テーブルの例を示している。異常判定テーブルには、データ取得部３０が射出成形機２から取得したデータに基づいて判断される射出成形機２の動作状態に対して、該動作状態において正常と判別される条件又は異常と判別される条件の少なくともいずれかが関連付けられた異常判定条件が設定されている。図３の例では、射出成形機２の動作状態が、「射出部駆動用のモータが加速中」である場合、該モータに係る運動エネルギー及び電気エネルギーが時間毎に増加している場合には正常に動作していると判別し、それ以外の場合には異常であると判別する、という異常判別条件が設定されている。推定部１２０は、このような異常判別条件を用いて、射出成形機２が正常に動作しているのか、又は異常に動作しているのかを推定して出力する。異常判定テーブルに設定する異常判別条件は、射出成形機２の駆動部毎に設定するようにすれば良い。

推定部１２０が推定した結果（射出成形機の動作の正常／異常等）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が射出成形機２の動作が異常であると推定した場合等）、例えば図４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、又はモータ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。また、推定部１２０が異常を検出した駆動部分毎に、表示するメッセージやアイコン、異常時の動作指令を異なるようにしても良い。

上記構成を備えた状態判定装置１では、射出成形機２から取得されたデータを、運動エネルギー乃至電気エネルギーへと変換したデータを用いて推定部１２０が該射出成形機２の状態の推定を行うため、射出成形機２の種類等が異なっていたとしても電気エネルギー，運動エネルギーという共通の基準に基づいた単純な条件で動作の正常／異常を判別することができるようになる。

図５は第２，３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、機械学習装置１００に係る構成を備えている点を除いて第１実施形態と同様の構成をしている。本実施形態の状態判定装置１が備えるＲＯＭ１２には、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。

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、ノズルを駆動するモータの位置、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）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、他の装置に対して図示しないネットワーク等を介して送信する。

図６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。図６に示される状態判定装置１は、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ている（学習モード）。図６に示した各機能ブロックは、図５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、エネルギー状態算出部４０、及び機械学習装置１００上に構成された異常状態推定部３８を備え、エネルギー状態算出部４０は、電気エネルギー算出部３２、運動エネルギー算出部３４を、異常状態推定部３８は、学習部１１０をそれぞれ備えている。また、不揮発性メモリ１４上には、データ取得部３０が取得したデータが記憶される取得データ記憶部５０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。

本実施形態におけるデータ取得部３０，エネルギー状態算出部４０、電気エネルギー算出部３２，運動エネルギー算出部３４の動作は、第１実施形態と同様である。
前処理部３６は、データ取得部３０が取得したデータ、電気エネルギー算出部３２が算出した射出成形機２の各部の電気エネルギーに係るデータ、及び運動エネルギー算出部３４が算出した射出成形機２の各部の運動エネルギーに係るデータに基づいて、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３６は、各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。前処理部３６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、前処理部３６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から取得したデータに基づいて前処理部３６が作成し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、後述する第３実施形態による推定部１２０は、射出成形機２から取得されたデータに基づいて前処理部３６が作成した状態データが、正常状態の動作時に取得された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２から取得した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から取得したデータに異常ラベルを付与したデータに基づいて前処理部３６が作成し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、後述する第３実施形態による推定部１２０は、射出成形機２から取得されたデータに基づいて前処理部３６が作成した状態データが、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から取得されたデータを用いて学習部１１０が学習を行う。学習部１１０が学習に用いるデータは、その異常度の判定に係る主要なデータについては電気エネルギー算出部３２，運動エネルギー算出部３４により算出された電気エネルギー、運動エネルギーという共通の基準のデータへと変換されるため、異なる機材を備えた複数の射出成形機から取得されたデータであっても共通の基準に応じた効率的な学習を行うことができるようになる。学習部１１０により作成される学習モデルは後述する推定部１２０による射出成形機の状態の推定に用いられるが、学習に用いた射出成形機のみならず、他の射出成形機から取得されたデータに基づいた該射出成形機の状態の推定においても、電気エネルギー、運動エネルギーという共通の基準の元で射出成形機２の動作の正常／異常が判別されるように成る。

図７は、第３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１００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５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２実施形態と同様に、データ取得部３０、エネルギー状態算出部４０、及び機械学習装置１００上に構成された異常状態推定部３８を備え、エネルギー状態算出部４０は、電気エネルギー算出部３２、運動エネルギー算出部３４を、異常状態推定部３８は、推定部１２０をそれぞれ備えている。また、不揮発性メモリ１４上には、データ取得部３０が取得したデータが記憶される取得データ記憶部５０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。

本実施形態によるデータ取得部３０，エネルギー状態算出部４０，電気エネルギー算出部３２，運動エネルギー算出部３４は、第２実施形態におけるデータ取得部３０，エネルギー状態算出部４０，電気エネルギー算出部３２，運動エネルギー算出部３４と同様の機能を備える。また、本実施形態による前処理部３６は、データ取得部３０が取得したデータ、電気エネルギー算出部３２が算出した射出成形機２の各部の電気エネルギーに係るデータ、及び運動エネルギー算出部３４が算出した射出成形機２の各部の運動エネルギーに係るデータに基づいて、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）した状態データＳを作成する。前処理部３６が作成した状態データＳは、機械学習装置１００による推定に用いられる。

推定部１２０は、前処理部３６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３６から入力された状態データ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４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、又はモータ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。また、推定部１２０が異常を検出した駆動部分毎に、表示するメッセージやアイコン、異常時の動作指令を異なるようにしても良い。

上記構成を備えた状態判定装置１では、射出成形機２から取得されたデータを、運動エネルギー乃至電気エネルギーへと変換したデータを用いて推定部１２０が該射出成形機２の状態の推定を行うため、射出成形機２の種類等が異なっていたとしてもエネルギーという共通の基準の元で動作の正常／異常を高い精度で判別することができるようになる。

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、上記した実施形態では状態判定装置１を射出成形機２の制御装置とネットワーク７を介して接続されたコンピュータ上に実装した例を示したが、例えば異常状態推定部３８の部分のみをホストコンピュータ上に実装して、データ取得部３０，電気エネルギー算出部３２，運動エネルギー算出部３４を含む状態判定装置１本体をエッジコンピュータ上に実装する等、各構成要素の配置を適宜変更して実装するようにしても良い。

上記した実施形態では、エネルギー状態算出部４０が備える電気エネルギー算出部３２及び運動エネルギー算出部３４のそれぞれが算出した電気エネルギー及び運動エネルギーを用いて産業機械の動作の正常／異常を判別する構成を示しているが、例えば運動エネルギーのみで産業機械の動作の正常／異常を判別する様に構成しても良く、その場合にはエネルギー状態算出部４０は必ずしも電気エネルギー算出部３２を備える必要はない。

１ 状態判定装置
２ 射出成形機
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 電気エネルギー算出部
３４ 運動エネルギー算出部
３６ 前処理部
３８ 異常状態推定部
４０ エネルギー状態算出部
５０ 取得データ記憶部
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
１４０ 異常判定テーブル記憶部

Claims (9)

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前記産業機械に係るデータに基づいて、前記産業機械の各部の駆動に係るエネルギー状態を算出するエネルギー状態算出部と、
   前記エネルギー状態算出部が算出した前記産業機械の各部の駆動に係るエネルギー状態に基づいて、前記産業機械の動作の正常乃至異常を推定する異常状態推定部と、
   を備え、
   前記異常状態推定部は、
   前記産業機械の動作状態と、前記産業機械の駆動部の異常を判別するための異常判別条件とが関連付けて設定された異常判定テーブルを記憶する異常判定テーブル記憶部と、
   前記エネルギー状態算出部が算出した前記産業機械の各部の駆動に係るエネルギー状態が、前記異常判定テーブルに記憶された異常判別条件を満足するか否かを判定することにより前記産業機械の動作状態の正常乃至異常の状態を判別する推定部と、
   、を備える、
   状態判定装置。
2. エネルギー状態算出部は、前記データ取得部が取得した前記産業機械に係るデータに基づいて、前記産業機械の各部の駆動に係る運動エネルギーを算出する運動エネルギー算出部を備える、
   請求項１に記載の状態判定装置。
3. エネルギー状態算出部は、前記データ取得部が取得した前記産業機械に係るデータに基づいて、前記産業機械の各部の駆動に係る電気エネルギーを算出する電気エネルギー算出部を更に備える、
   請求項２に記載の状態判定装置。
4. 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アイコンを表示する、
   請求項１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産業機械に運転の停止、減速、又はモータ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１に記載の状態判定装置。
7. 前記データ取得部は、有線又は無線のネットワークを介して接続された複数の産業機械からデータを取得する、
   請求項１〜６のいずれか１つに記載の状態判定装置。
8. 前記産業機械と有線又は無線のネットワークを介して接続された、前記産業機械を管理する管理装置上に実装されている、
   請求項１〜６のいずれか１つに記載の状態判定装置。
9. 産業機械における動作状態を判定する状態判定方法であって、
   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、
   前記データ取得ステップで取得した前記産業機械に係るデータに基づいて、前記産業機械の各部の駆動に係るエネルギー状態を算出するエネルギー状態算出ステップと、
   前記エネルギー状態算出ステップで算出した前記産業機械の各部の駆動に係るエネルギー状態に基づいて、前記産業機械の動作の正常乃至異常を推定する異常状態推定ステップと、
   を実行し、
   前記異常状態推定ステップでは、
   前記エネルギー状態算出ステップで算出された前記産業機械の各部の駆動に係るエネルギー状態が、前記産業機械の動作状態と、前記産業機械の駆動部の異常を判別するための異常判別条件とが関連付けて設定された異常判定テーブルに記憶された異常判別条件を満足するか否かを判定することにより前記産業機械の動作状態の正常乃至異常の状態を判別する推定ステップを実行する、
   状態判定方法。

Images