JP2022113521A - 異常検知システム、成形機システム、異常検知装置、異常検知方法及びコンピュータプログラム - Google Patents

Abstract

【課題】製造装置の運転制御を行う制御装置に過度の負荷を与えることなく、製造装置の異常を検知することができる異常検知システムを提供する。
【解決手段】異常検知システムは、製造装置の異常を検知する異常検知装置と、製造装置の運転制御を行い、運転データを送信する制御装置と、製造装置の動作又は製品に係る物理量を検出し、センサ値データを出力するセンサとを備え、異常検知装置は、制御装置から送信される運転データを受信し、センサから出力されるセンサ値データを取得し、取得したセンサ値データの統計量を算出し、算出した統計量と、受信した運転データに応じた閾値とに基づいて、製造装置の異常の有無を判定し、判定結果及び統計量を制御装置へ送信する。
【選択図】図１

Description

本発明は、異常検知システム、成形機システム、異常検知装置、異常検知方法及びコンピュータプログラムに関する。

特許文献１には、射出成形機の各可動部の振動を加速度センサにより監視し、成形工程の状態及び可動部の異常発生を検知する監視方法が開示されている。

特開平５－５０４８０号公報

しかしながら、特許文献１には、射出成形機のような製造装置の運転制御を行う制御装置と、当該製造装置の異常を検知し又は製造装置の状態を診断する装置とを別体で構成する具体的技術は開示されていない。制御装置が製造装置の異常検知及び診断を行うように構成した場合、運転制御処理の遅延など、製造装置の動作に悪影響が出る可能性がある。

本開示の目的は、製造装置の運転制御を行う制御装置と、異常検知装置とを備え、各装置が協動することによって制御装置に過度の負荷を与えることなく、製造装置の異常を検知することができる異常検知システム、成形機システム、異常検知装置、異常検知方法及びコンピュータプログラムを提供することにある。

本開示に係る異常検知システムは、製造装置の異常を検知する異常検知装置を備えた異常検知システムであって、前記製造装置の運転制御を行い、該運転制御の内容を示す運転データを送信する制御装置と、前記製造装置の動作又は製品に係る物理量を検出し、検出した物理量を示す時系列のセンサ値データを出力するセンサとを備え、前記異常検知装置は、前記制御装置から送信される前記運転データを受信する通信部と、前記センサから出力されるセンサ値データを取得する取得部と、該取得部にて取得したセンサ値データの統計量を算出し、算出した前記統計量と、受信した前記運転データに応じた閾値とに基づいて、前記製造装置の異常の有無を判定する処理部とを備え、前記通信部は、判定結果及び前記統計量を前記制御装置へ送信する。

本開示に係る成形機システムは、上記異常検知システムと、成形機とを備え、前記異常検知システムは、前記成形機の異常を検知するようにしてある。

本開示に係る異常検知装置は、製造装置の異常を検知する異常検知装置であって、前記製造装置の運転制御を行う制御装置から送信される、該運転制御の内容を示す運転データを受信する通信部と、前記製造装置の動作又は製品に係る物理量を検出するセンサから出力される時系列のセンサ値データを取得する取得部と、前記取得部にて取得したセンサ値データの統計量を算出し、算出した前記統計量と、取得した前記運転データに応じた閾値とに基づいて、前記製造装置の異常の有無を判定する処理部とを備え、前記通信部は、判定結果及び前記統計量を前記制御装置へ送信する。

本開示に係る異常検知方法は、製造装置の異常を検出する処理をコンピュータが実行する異常検知方法であって、前記コンピュータは、前記製造装置の運転制御を行う制御装置から送信される、該運転制御の内容を示す運転データを受信し、前記製造装置の動作又は製品に係る物理量を検出するセンサから出力される時系列のセンサ値データを取得し、取得したセンサ値データの統計量を算出し、算出した前記統計量と、取得した前記運転データに応じた閾値とに基づいて、前記製造装置の異常の有無を判定し、判定結果を前記制御装置へ送信する処理を実行する。

本開示に係るコンピュータプログラムは、製造装置の異常を検出する処理をコンピュータに実行させるためのコンピュータプログラムであって、前記製造装置の運転制御を行う制御装置から送信される、該運転制御の内容を示す運転データを受信し、前記製造装置の動作又は製品に係る物理量を検出するセンサから出力される時系列のセンサ値データを取得し、取得したセンサ値データの統計量を算出し、算出した前記統計量と、取得した前記運転データに応じた閾値とに基づいて、前記製造装置の異常の有無を判定し、判定結果を前記制御装置へ送信する処理を前記コンピュータに実行させる。

本開示によれば、製造装置の運転制御を行う制御装置と、異常検知装置とを備え、各装置が協動することによって制御装置に過度の負荷を与えることなく、製造装置の異常を検知することができる。

本実施形態１に係る成形機システムの構成例を示すブロック図である。 本実施形態１に係る二軸混練押出機の構成例を示す模式図である。 本実施形態１に係る異常検知装置の構成例を示すブロック図である。 実施形態１に係る診断装置の構成例を示すブロック図である。 実施形態１に係るデータベースのレコードレイアウトの一例を示す概念図である。 実施形態１に係る二軸混練押出機の異常検知及び診断に係る処理手順を示すフローチャートである。 実施形態１に係る二軸混練押出機の異常検知及び診断に係る処理手順を示すフローチャートである。 異常判定の処理手順を示すフローチャートである。 異常診断の処理手順を示すフローチャートである。 スクリュ軸１１の異常診断の処理手順を示すフローチャートである。 ２本のスクリュ軸の変異を示す時系列データ画像である。 時系列データ画像の特徴量及び異常検知結果を示す概念図である。 寿命診断の処理手順を示すフローチャートである。 学習モデルの生成方法の概要を示す概念図である。 学習フェーズにおける学習モデルを示す概念図である。 テストフェーズにおける学習モデルを示す概念図である。 制御装置における異常判定結果等の表示例を示す模式図である。 端末装置における異常判定結果等の表示例を示す模式図である。 実施形態２に係る診断結果に関するフィードバック処理手順を示すフローチャートである。 実施形態３に係る二軸混練押出機の状態に関するフィードバック処理手順を示すフローチャートである。

本発明の実施形態に係る異常検知システム、成形機システム、異常検知装置、異常検知方法及びコンピュータプログラムの具体例を、以下に図面を参照しつつ説明する。なお、本発明はこれらの例示に限定されるものではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。また、以下に記載する実施形態及び変形例の少なくとも一部を任意に組み合わせてもよい。

図１は本実施形態１に係る成形機システムの構成例を示すブロック図である。成形機システムは、二軸混練押出機１と、複数のセンサ２と、異常検知装置３と、ルータ４と、診断装置５と、データベース６と、ユーザの端末装置７とを備える。なお、成形機システムは、二軸混練押出機１と、異常検知システムとからなり、当該異常検知システムは複数のセンサ２、異常検知装置３、診断装置５及びデータベース６によって構成されている。

＜二軸混練押出機１＞
図２は本実施形態１に係る二軸混練押出機１の構成例を示す模式図である。二軸混練押出機１は、樹脂原料が投入されるホッパ１０ａを有するシリンダ１０と、２本のスクリュ軸１１とを備える。２本のスクリュ軸１１は、相互に噛み合わされた状態で略平行に配され、シリンダ１０の孔内に回転可能に挿入されており、ホッパ１０ａに投入された樹脂原料を押出方向（図１及び図２中右方向）へ搬送し、溶融及び混練する。
スクリュ軸１１は、複数種類のスクリュピースを組み合わせ、一体化することによって一本のスクリュ軸１１として構成されている。例えば、樹脂原料を順方向へ輸送するフライトスクリュ形状の順フライトピース、樹脂原料を逆方向へ輸送する逆フライトピース、樹脂原料を混練するニーディングピース等を、樹脂原料の特性に応じた順序及び位置に配して組み合わせることにより、スクリュ軸１１が構成される。

また、二軸混練押出機１は、スクリュ軸１１を回転させるための駆動力を出力するモータ１２と、モータ１２の駆動力を減速伝達する減速機１３と、制御装置１４とを備える。スクリュ軸１１は減速機１３の出力軸に接続されている。スクリュ軸１１は、減速機１３によって減速伝達されたモータ１２の駆動力によって回転する。

＜センサ２＞
センサ２は、二軸混練押出機１の動作又は成形品に係る物理量を検出し、検出した物理量を示す時系列のセンサ値データを異常検知装置３へ出力する。物理量には、温度、位置、速度、加速度、電流、電圧、圧力、時間、画像データ、トルク、力、歪、消費電力、重さ等がある。これらの物理量は、温度計、位置センサ、速度センサ、加速度センサ、電流計、電圧計、圧力計、タイマ、カメラ、トルクセンサ、電力計、重量計等を用いて測定することができる。
より具体的には、二軸混練押出機１の動作に係る物理量を検出するセンサ２は、減速機１３の振動を検出する加速度センサ等の振動センサ、スクリュ軸１１に加わる軸トルクを検出するトルクセンサ、スクリュ軸１１の温度を検出する温度計、スクリュ軸１１の回転中心の変位を検出する変位センサ、成形品又はストランドの寸法を検出する光センサ、成形品又はストランドを撮像する撮像装置、樹脂圧を検出する樹脂圧センサ等である。
成形品に係る物理量を検出するセンサ２は、成形品の寸法、色度、輝度等を検出する光学的計測器、撮像装置、成形品の重量を検出する重量計等である。

＜制御装置１４＞
制御装置１４は、二軸混練押出機１の運転制御を行うコンピュータであり、異常検知装置３との間で情報を送受信する図示しない送受信部、及び表示部を備える。
具体的には、制御装置１４は、二軸混練押出機１の運転状態を示す運転データを異常検知装置３へ送信する。運転データは、例えばフィーダ供給量（樹脂原料の供給量）、スクリュ軸１１の回転数、押出量、シリンダ温度、樹脂圧、モータ電流等である。
制御装置１４は、異常検知装置３から送信される二軸混練押出機１の異常の有無を示す後述の判定結果、センサ値データの各種統計量、二軸混練押出機１の異常、寿命等に関する診断結果を受信し、受信した判定結果、統計量の値及びグラフ、診断結果を表示する。また、制御装置１４は、判定結果等を用いて二軸混練押出機１の異常を監視し、必要に応じて警告を出力し、二軸混練押出機１の動作を停止させる処理を実行する。

＜異常検知装置３＞
図３は本実施形態１に係る異常検知装置３の構成例を示すブロック図である。異常検知装置３は、エッジコンピュータであり、処理部３１、記憶部３２、通信部３３及び取得部３４を備え、記憶部３２、通信部３３及び取得部３４は処理部３１に接続されている。異常検知装置３を構成するエッジコンピュータは、後述の診断装置５に比べてハードウェアのスペックが低いコンピュータであり、二軸混練押出機１の簡易な異常検知処理を実行するものである。

処理部３１は、ＣＰＵ（Central Processing Unit）、マルチコアＣＰＵ、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）等の演算処理回路、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等の内部記憶装置、Ｉ／Ｏ端子等を有する。処理部３１は、後述の記憶部３２が記憶するコンピュータプログラムＰ１を実行することにより、本実施形態１に係る異常検知装置３として機能する。なお、異常検知装置３の各機能部は、ソフトウェア的に実現してもよいし、一部又は全部をハードウェア的に実現してもよい。

記憶部３２は、ハードディスク、ＥＥＰＲＯＭ（Electrically Erasable Programmable ROM）、フラッシュメモリ等の不揮発性メモリである。記憶部３２は、本実施形態１に係る異常検知方法をコンピュータに実施させるためのコンピュータプログラムＰ１を記憶している。

本実施形態１に係るコンピュータプログラムＰ１は、記録媒体３０にコンピュータ読み取り可能に記録されている態様でもよい。記憶部３２は、図示しない読出装置によって記録媒体３０から読み出されたコンピュータプログラムＰ１を記憶する。記録媒体３０はフラッシュメモリ等の半導体メモリである。また、記録媒体３０はＣＤ（Compact Disc）－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）－ＲＯＭ、ＢＤ（Blu-ray(登録商標)Disc）等の光ディスクでもよい。更に、記録媒体３０は、フレキシブルディスク、ハードディスク等の磁気ディスク、磁気光ディスク等であってもよい。更にまた、図示しない通信網に接続されている図示しない外部サーバから本実施形態１に係るコンピュータプログラムＰ１をダウンロードし、記憶部３２に記憶させてもよい。

通信部３３は、イーサネット（登録商標）等の所定の通信プロトコルに従って情報を送受信する通信回路である。通信部３３は、ＬＡＮ等の第１通信ネットワークを介して制御装置１４に接続されており、処理部３１は通信部３３を介して制御装置１４との間で各種情報を送受信することができる。
第１ネットワークにはルータ４が接続されており、通信部３３はルータ４を介して第２通信ネットワークであるクラウド上の診断装置５に接続されている。処理部３１は、通信部３３及びルータ４を介して診断装置５との間で各種情報を送受信することができる。

取得部３４は、信号が入力する入力インタフェースである。取得部３４にはセンサ２が接続されており、センサ２から出力された時系列データであるセンサ値データが入力される。

＜診断装置５及びデータベース６＞
図４は実施形態１に係る診断装置５の構成例を示すブロック図である。診断装置５は、コンピュータであり、診断処理部５１、記憶部５２、通信部５３を備える。記憶部５２、通信部５３は、診断処理部５１に接続されている。

診断処理部５１は、ＣＰＵ、マルチコアＣＰＵ、ＧＰＵ（Graphics Processing Unit）、ＧＰＧＰＵ（General-purpose computing on graphics processing units）、ＴＰＵ（Tensor Processing Unit）、ＡＳＩＣ、ＦＰＧＡ、ＮＰＵ（Neural Processing Unit）等の演算処理回路、ＲＯＭ、ＲＡＭ等の内部記憶装置、Ｉ／Ｏ端子等を有する。診断処理部５１は、後述の記憶部５２が記憶するコンピュータプログラムＰ２を実行することにより、本実施形態１に係る診断装置５として機能する。なお、診断装置５の各機能部は、ソフトウェア的に実現してもよいし、一部又は全部をハードウェア的に実現してもよい。

記憶部５２は、ハードディスク、ＥＥＰＲＯＭ、フラッシュメモリ等の不揮発性メモリである。記憶部５２は、二軸混練押出機１の異常、寿命等、二軸混練押出機１の状態を診断する処理をコンピュータに実施させるためのコンピュータプログラムＰ２と、一又は複数の学習モデル５４とを記憶している。

コンピュータプログラムＰ２及び学習モデル５４は、記録媒体５０にコンピュータ読み取り可能に記録されている態様でもよい。記憶部５２は、図示しない読出装置によって記録媒体５０から読み出されたコンピュータプログラムＰ２及び学習モデル５４を記憶する。記録媒体５０はフラッシュメモリ等の半導体メモリである。また、記録媒体５０はＣＤ（Compact Disc）－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）－ＲＯＭ、ＢＤ（Blu-ray（登録商標）Disc）等の光ディスクでもよい。更に、記録媒体５０は、フレキシブルディスク、ハードディスク等の磁気ディスク、磁気光ディスク等であってもよい。更にまた、図示しない通信網に接続されている図示しない外部サーバからコンピュータプログラムＰ２及び学習モデル５４をダウンロードし、記憶部５２に記憶させてもよい。

通信部５３は、イーサネット（登録商標）等の所定の通信プロトコルに従って情報を送受信する通信回路である。通信部５３は、第２通信ネットワークを介して異常検知装置３、データベース６及び端末装置７に接続されており、処理部３１は通信部５３を介して異常検知装置３、データベース６及び端末装置７との間で各種情報を送受信することができる。

図５は実施形態１に係るデータベース６のレコードレイアウトの一例を示す概念図である。データベース６は、ハードディスク、ＤＢＭＳ（DataBase Management System）を備え、二軸混練押出機１の運転に関する各種情報を記憶する。例えば、データベース６のテーブルは、「Ｎｏ．」（レコード番号）列、「運転日時」列、「運転データ」列、「スクリュ構成」列、「樹脂種」列、「センサ値」列、「状態」列、「品質評価」列、「寿命」列を有する。

「運転日時」列は、レコードとして記憶される各種データが得られた年、月、日時等を示す情報を格納する。
「運転データ」列は、二軸混練押出機１の運転状態を示す情報、例えばフィーダ供給量（樹脂原料の供給量）、スクリュ軸１１の回転数、押出量、シリンダ温度、樹脂圧、モータ電流等を格納する。
「スクリュ構成」列は、スクリュ軸１１を構成する各種スクリュピースの種類、配列ないし組合せに関する情報を格納する。
「樹脂種」列は、二軸混練押出機１に供給された樹脂原料の種類を示す情報を格納する。
「センサ値」列は、センサ値データを格納する。「センサ値」列には、数値データをそのまま格納しても良いし、後述するように時系列データであるセンサ値データを画像で表した時系列データ画像として格納してもよい。
「状態」列は、上記運転データが示す運転制御が行われ、上記センサ値データが得られているときの二軸混練押出機１の状態を示す情報が格納される。例えば、正常であることを示す情報、スクリュ軸１１の摩耗が生じている異常状態を示す情報、上記スクリュ軸１１に適合しない樹脂原料が使用されている異常状態を示す情報、過負荷異を示す情報等が格納されている。
「品質評価」列は、上記運転データが示す運転制御が行われ、上記センサ値データが得られているときの二軸混練押出機１が製造する成形品の品質評価を示す情報を格納する。例えば、成形品が正常であるか否か、寸法異常等を示す情報を格納する。
「寿命」列は、上記情報を得るために使用された二軸混練押出機１の寿命を示す情報を格納する。寿命はトータルの製品寿命であっても良いし、上記データが得られている時点からの残り寿命であっても良い。

データベース６に格納される上記各種データは、例えば二軸混練押出機１を試験的に動作させ、二軸混練押出機１の動作状態を確認し、成形品を評価することによって得られる。また、シミュレータにより二軸混練押出機１の動作状態をシミュレーションし、上記各種データを用意してもよい。本実施形態１では、データベース６は、試験的又は実験的に二軸混練押出機１を動作させて得られた上記データ、あるいはシミュレーションにより得られた上記データを格納しているものとする。

＜異常の例＞
異常検知装置３及び診断装置５による検知又は診断対象となる異常には、例えば、減速機１３の異常振動、過負荷、成形品の寸法異常、スクリュ軸１１のキズ、亀裂、摩耗、腐食、減速機１３及びその各部の摩耗による性能劣化あるいはオイルの異常、非効率的運転状態（消費エネルギーの増大等）、品質異常を招く運転状態（無理な立ち上げなど）、ストランドの異常（寸法、異物、色、とぐろ（ねじれ）等の不良）、樹脂粘度（品質）異常等がある。
本実施形態１においては、異常検知装置３は、センサ値データに基づいて、減速機１３の異常振動、過負荷、成形品の寸法異常、ストランドの異常、樹脂粘度異常等を検出する。具体的には、異常検知装置３は、当該センサ値の平均、分散、２乗平均平方根等の統計量を算出し、算出された統計量に基づく負荷の小さな処理で、減速機１３の異常振動、過負荷、成形品の寸法異常、ストランドの異常、樹脂粘度異常等を検出する。
一方、診断装置５は、異常検知装置３を介して制御装置１４から取得する運転データ及びセンサ値データ、並びにデータベース６に蓄積された過去のセンサ値データ等を用いて、スクリュ軸１１のキズ、亀裂、摩耗、腐食、減速機１３の性能劣化あるいはオイルの異常、非効率的運転状態、品質異常を招く運転状態といった異常の有無等を診断する。また、診断装置５は、減速機１３の故障箇所、例えばベアリング、ギア等を特定する処理等も行う。
なお、異常検知装置３が行う異常検知処理と、診断装置５が行う診断処理の分担は、一例であり、異常検知装置３が処理可能であれば、異常検知装置３側で実行するように構成してもよい。

＜異常検知処理の全体の流れ＞
図６及び図７は実施形態１に係る二軸混練押出機１の異常検知及び診断に係る処理手順を示すフローチャートである。制御装置１４は、二軸混練押出機１の運転制御の状態を示す運転データを異常検知装置３へ送信する（ステップＳ１１）。

異常検知装置３の処理部３１は、制御装置１４から送信された運転データを通信部３３にて受信する（ステップＳ１２）。

処理部３１はセンサ２から出力される時系列のセンサ値データを取得する（ステップＳ１３）。そして、処理部３１はセンサ値データに基づいて、当該センサ値の平均、分散、２乗平均平方根等の統計量を算出し（ステップＳ１４）、算出された統計量に基づいて、二軸混練押出機１の異常判定処理を実行する（ステップＳ１５）。

次いで処理部３１は、二軸混練押出機１の異常の有無を示す判定結果と、ステップＳ１４で算出した統計量を通信部３３にて制御装置１４へ送信する（ステップＳ１６）。

制御装置１４は、異常検知装置３から送信された判定結果及び統計量を受信し（ステップＳ１７）、受信した判定結果又は統計量に基づいて、二軸混練押出機１の動作を監視する（ステップＳ１８）。例えば、判定結果が所定の異常を示している場合、制御装置１４は、二軸混練押出機１の運転制御を停止させる。

次いで、制御装置１４は、受信した判定結果及び統計量等を表示部に表示させる（ステップＳ１９）。

次に、判定結果及び統計量を送信した異常検知装置３の処理を説明する。ステップＳ１６の処理を終えた異常検知装置３の処理部３１は、ステップＳ１２で受信した運転データと、ステップＳ１３で取得したセンサ値データとを通信部３３にて診断装置５へ送信する（ステップＳ２０）。

診断装置５は、異常検知装置３から送信された運転データ及びセンサ値データを受信し（ステップＳ２１）、診断処理部５１は、受信した運転データ及びセンサ値データ、並びにデータベース６に蓄積された過去のセンサ値データ等を用いて、二軸混練押出機１の異常診断処理を実行する（ステップＳ２２）。また、診断処理部５１は、二軸混練押出機１の寿命診断処理を実行する（ステップＳ２３）。診断処理部５１は、例えば、軸トルクの波形から材料疲労を評価し、余寿命を算出する。

ステップＳ２２及びステップＳ２３の処理を終えた診断処理部５１は、通信部５３にて診断結果を異常検知装置３へ送信する（ステップＳ２４）。

異常検知装置３の処理部３１は、診断装置５から送信された診断結果を受信し（ステップＳ２５）、受信した診断結果を通信部３３にて制御装置１４へ送信する（ステップＳ２６）。

制御装置１４は、異常検知装置３から送信された診断結果を受信し（ステップＳ２７）、受信した診断結果を表示部に表示する（ステップＳ２８）。

なお、異常検知装置３は、端末装置７からの要求に応じて、処理部３１による異常判定結果、算出したセンサ値データの統計量、診断処理部５１による診断結果等を端末装置７へ送信することができる。端末装置７は、受信した異常判定結果、統計量及び診断結果を表示する。

＜異常検知装置３による異常検知処理＞
図８は異常判定の処理手順を示すフローチャートである。異常検知装置３は、大量のセンサ値データを記憶することができないため、当日の運転データ及びセンサ値データを用いて二軸混練押出機１の異常の有無を判定する処理を実行する。

処理部３１は、ステップＳ１２で受信した運転データに基づいて、二軸混練押出機１の異常の有無を判定するための判定基準の閾値を特定する（ステップＳ５１）。例えば、軸トルクと、スクリュ軸１１の回転数は反比例関係にあるため、トルクの過負荷を検知する閾値は、運転データの一つであるスクリュ軸１１の回転数に依存する。このように、処理部３１は、運転データにより、異常を検知するための閾値を特定することができる。
具体的には、異常検知装置３は、運転データと、異常の種類と、判定基準の閾値とを対応付けたテーブルを記憶部３２に記憶する。処理部３１は運転データを用いて当該テーブルを参照することによって閾値を読み出すことによって、運転データに応じた各種異常の判定基準である閾値を特定することができる。

次いで処理部３１は、減速機１３の振動を示すセンサ値データの統計量と、ステップＳ５１で特定した閾値とに基づいて、減速機１３の異常振動の有無を判定する（ステップＳ５２）。なお、処理部３１は、減速機１３の振動を示すセンサ値データを時間周波数成分に変換し、当該時間周波数成分のデータに基づいて減速機１３の異常の有無を判定するように構成してもよい。

また、処理部３１は、軸トルク、スクリュ軸１１の温度、スクリュ軸１１の回転中心の変位を示すセンサ値データの統計量と、ステップＳ５１で特定した閾値とに基づいて、過負荷の有無を判定する（ステップＳ５３）。

更に、処理部３１は、成形品の寸法を示す統計量と、ステップＳ５１で特定した閾値とに基づいて、成形品の寸法異常の有無を判定する（ステップＳ５４）。

処理部３１は、ストランドを撮像して得た画像と、正常画像との差分を示す統計量と、ステップＳ５１で特定した閾値とに基づいて、ストランドの異常の有無を判定する（ステップＳ５５）。なお、処理部３１は、撮像画像に含まれるストランドの画像のピクセルサイズ（ピクセルの数）によって、ストランド径を測定することができる。また、処理部３１は、撮像画像に含まれる画像部分の色を判定することによって異物の有無を判定することもできる。

処理部３１は、センサ２、例えば樹脂圧センサにて検出された樹脂圧の時間平均と、ステップＳ５１で特定した閾値とに基づいて、樹脂粘度の異常の有無を判定し（ステップＳ５６）、異常判定処理を終える。

＜診断装置５による異常診断処理＞
図９は異常診断の処理手順を示すフローチャートである。診断処理部５１は、スクリュ軸１１の回転中心の変位を示すセンサ値データ、又は当該センサ値データの時間周波数解析によって得られる時間周波数データを学習モデル５４に入力することによって、スクリュ軸１１の異常診断を行う（ステップＳ６１）。
ステップＳ６１で用いる学習モデル５４は、例えば時系列データであるセンサ値データを画像で表した後述の時系列データ画像が入力された場合、当該時系列データ画像の特徴を抽出し、抽出された特徴量を出力する畳み込みニューラルネットワークモデルである。学習モデル５４は、ＣＮＮ（Convolutional Neural Network）の特徴抽出層を有するモデル、例えば１クラス分類モデルである。診断処理部５１は、ステップＳ１２で受信した運転データと同一又は類似の運転データに対応付けられ、かつ二軸混練押出機１が正常に動作しているときのセンサ値データから得られる特徴量と、診断対象の特徴量とを比較することによって、スクリュ軸１１の異常の有無を診断することができる。学習モデル５４の生成方法及び構成の詳細は後述する。

また、診断処理部５１は、減速機１３に設置したセンサ２、例えば振動センサから得られる振動センサデータ、又は当該センサ値データの時間周波数解析によって得られる時間周波数データを学習モデル５４に入力することによって、減速機１３及びその各部の摩耗による性能劣化あるいはオイルの異常の有無を診断する（ステップＳ６２）。
ステップＳ６２で用いる学習モデル５４は、例えばサポートベクタマシンである。当該サポートベクタマシンは、正常な減速機１３に係る振動センサデータの時間周波数解析によって得られる時間周波数成分と、異常な減速機１３に係る振動センサデータの時間周波数解析によって得られる時間周波数成分とを学習し、正常な減速機１３に係る正常クラスと、異常な減速機１３に係る異常クラスとに分類する分類器である。なお、解析対象の周波数成分は、例えば減速機１３から得られる主要周波数成分、故障時に表れる故障周波数成分等、特定の周波数成分であってもよい。診断処理部５１は、例えば、振動センサデータの時間周波数解析によって得られる主要周波数成分、故障周波数成分等を特定する。そして、診断処理部５１は、振動センサデータの時間周波数成分、例えば主要周波数成分及び故障周波数成分をサポートベクタマシンに入力することによって、減速機１３が正常であるか否かを診断する。
学習モデル５４は、畳み込みニューラルネットワークモデルを用いた分類器であってもよい。学習モデル５４は、例えば、振動センサデータ、又は当該センサ値データの時間周波数解析によって得られる時間周波数データが入力された場合、減速機１３の異常箇所、異常レベルを示すデータを出力するように学習するとよい。異常箇所は、例えば減速機１３のベアリング、ギア等である。

また、診断処理部５１は、センサ２から得られる軸トルク、スクリュ軸１１の回転中心の変位、振動等を示すセンサ値データ、又は当該センサ値データの時間周波数解析によって得られる時間周波数データを学習モデル５４に入力することによって、非効率的運転状態にあるか否かを診断する（ステップＳ６３）。
ステップＳ６３で用いる学習モデル５４は、例えば時系列データであるセンサ値データを画像で表した後述の時系列データ画像が入力された場合、当該時系列データ画像の特徴を抽出し、抽出された特徴量を出力する畳み込みニューラルネットワークモデルである。学習モデル５４は、ＣＮＮの特徴抽出層を有するモデル、例えば１クラス分類モデルである。
診断処理部５１は、ステップＳ１２で受信した運転データと同一又は類似の運転データに対応付けられ、かつ二軸混練押出機１が効率的運転状態にあるときのセンサ値データから得られる特徴量と、診断対象の特徴量とを比較することによって、非効率的運転状態にあるか否かを診断することができる。

また、診断処理部５１は、センサ２から得られる軸トルク、スクリュ軸１１の回転中心の変位、振動等を示すセンサ値データ、又は当該センサ値データの時間周波数解析によって得られる時間周波数データを学習モデル５４に入力することによって、品質異常を招く運転状態にあるか否かを診断する（ステップＳ６４）。
ステップＳ６４で用いる学習モデル５４は、例えば時系列データであるセンサ値データを画像で表した後述の時系列データ画像が入力された場合、当該時系列データ画像の特徴を抽出し、抽出された特徴量を出力する畳み込みニューラルネットワークモデルである。学習モデル５４は、ＣＮＮの特徴抽出層を有するモデル、例えば１クラス分類モデルである。
診断処理部５１は、ステップＳ１２で受信した運転データと同一又は類似の運転データに対応付けられ、かつ二軸混練押出機１が品質異常を招く運転状態に無い正常な運転状態にあるときのセンサ値データから得られる特徴量と、診断対象の特徴量とを比較することによって、品質異常を招く運転状態にあるか否かを診断することができる。

なお、診断処理部５１は、異常検知装置３を介して制御装置１４から得られる通電データを監視し、一定時間の稼動率を算出することによって、稼動率を監視するように構成してもよい。診断処理部５１、稼動率に基づいて二軸混練押出機１の異常の有無を診断するように構成してもよい。

以下、１クラス分類モデルの一例として、スクリュ軸異常診断について詳述する。
図１０はスクリュ軸１１の異常診断の処理手順を示すフローチャートである。診断処理部５１は、複数のセンサ値データを画像で表した一又は複数の時系列データ画像に変換し（ステップＳ７１）、変換された時系列データ画像が複数の場合、当該複数の時系列画像データを１枚の時系列データ画像に合成する（ステップＳ７２）。例えば、センサ値データが２本のスクリュ軸１１それぞれの２方向における変位を示すデータである場合、診断処理部５１は、第１のスクリュ軸１１の回転中心軸の２方向における変位を画像で表した第１時系列データ画像と、第２のスクリュ軸１１の回転中心軸の２方向における変位を画像で表した第２時系列データ画像とを合成する。

図１１は２本のスクリュ軸１１の変異を示す時系列データ画像である。第１時系列データ画像は、第１のスクリュ軸１１の変位を示している。第１時系列データ画像は略正方形の画像であり、スクリュ軸１１の回転中心に対して直交するＸ軸方向及びＹ軸方向の変位量が、Ｘ軸及びＹ軸の座標値として、プロットされる。第１時系列データ画像は、３回転分の変位をプロットしたものである。第２時系列データ画像も同様にして作成することができる。
合成された時系列データ画像は、第１時系列データ画像の２倍の大きさ（面積は４倍）を有する略正方形の画像である。時系列データ画像は、第１及び第２時系列データ画像の縦横比を変更することなく、元の画像が有する情報をそのまま包含する。具体的には、時系列データ画像は、図１１中上側左右に並べ配した第１及び第２時系列データ画像と、時系列データ画像を略正方形にするために下側に配したブランク画像とを有する。なお、第１及び第２時系列データ画像及びブランク画像の配置方法は特に限定されるものではなく、第１及び第２時系列データ画像をそのまま含む限り、その配置方法は特に限定されるものではない。

なお、その他の複数のセンサ値データについても同様にして時系列データ画像に変換し、合成すればよい。図１１に示す例では、合計８つのセンサ値データを画像で表すことができるが、縦横３×３の９枚の時系列データ画像を合成する場合、１８つのセンサ値データを１枚の時系列データ画像で表すことができる。

次いで、診断処理部５１は、ステップＳ７２で合成した時系列データ画像を学習モデル５４に入力することによって、時系列データ画像の特徴量を算出する（ステップＳ７３）。

また、診断処理部５１は、データベース６から、ステップＳ１２で受信した運転データと同一又は類似の運転データに対応付けられ、かつ二軸混練押出機１が正常に動作しているときのセンサ値データを読み出し（ステップＳ７４）、同様にして時系列データ画像に変換し（ステップＳ７５）、合成し（ステップＳ７６）、合成された時系列データ画像を学習モデル５４に入力することによって、正常動作時の時系列データ画像の特徴量を算出する（ステップＳ７７）。

次いで、診断処理部５１は、ステップＳ７３で算出した時系列データ画像の特徴量の外れ値スコアを算出する（ステップＳ７８）。外れ値スコアは、正常な二軸混練押出機１の動作時に得られた時系列データ画像の特徴量（以下、サンプル特徴量と呼ぶ）に対する、ステップＳ７７で算出された時系列データ画像の特徴量の外れ値の度合いを評価して数値化したものである。外れ値スコアは、例えばＬＯＦ（Local Outlier Factor）である。ＬＯＦは、異常検知対象である特徴量の局所密度ｌｄ（Ｐ）と、当該特徴量の近傍群（当該特徴量に対する最近傍のｋ個のサンプル特徴量）の局所密度平均＜ｌｄ（Ｑ）＞との比＜ｌｄ（Ｑ）＞／ｌｄ（Ｐ）で表すことができる。ＬＯＦが１より大きい程、外れ値としての度合いが大きくなる。なお、Ｐは異常検知対象である特徴量を示し、Ｑは上記サンプル特徴量を示している。

そして、処理部３１は、算出した外れ値スコアが所定の閾値以上であるか否かを判定することによって、二軸混練押出機１の異常の有無を判定する（ステップＳ７９）。外れ値スコアが上記のＬＯＦである場合、閾値は１以上の値である。ＬＯＦが閾値以上である場合、診断処理部５１は異常ありと判定し、ＬＯＦが閾値未満である場合、正常と判定する。

なお、上述したＬＯＦを用いた異常判定は一例でありｋ近傍法、ＳＶＭにより二軸混練押出機１が異常であるか否かを判定してもよい。また、ホテリング法により、異常検知対象の特徴量が、正常時のサンプル特徴量からかけ離れたものであるか否かを判定することにより、二軸混練押出機１が異常であるか否かを判定するように構成してもよい。

図１２は、時系列データ画像の特徴量及び異常検知結果を示す概念図である。図１２は、時系列データ画像の高次元の特徴量を２次元の特徴量に次元削減して２次元平面にプロットしたものである。図１２に示すグラフの横軸及び縦軸は、次元削減された時系列データ画像の第１特徴量及び第２特徴量を示している。なお、特徴量の次元圧縮は、例えばｔ－ＳＮＥ等の次元削減アルゴリズムによって行うことができる。
図１２に示すように学習モデル５４は、当該学習モデル５４から出力される正常時の特徴量の局所密度が高くなるように学習されている。
破線の円は閾値のイメージを示したものである。異常検知対象である時系列データ画像の特徴量（例えば、星型六角形プロット）と、正常時の時系列データ画像の特徴量群との統計距離が短く（局所密度が相対的に高く）、ＬＯＦ値が小さい場合、二軸混練押出機１は正常な状態であると推定される。異常検知対象である時系列データ画像の特徴量（例えば、Ｘ印プロット）と、正常時の時系列データ画像の特徴量群との統計距離が長く（局所密度が相対的に低く）、ＬＯＦ値が大きい場合、二軸混練押出機１は異常な状態であると推定される。
スクリュ軸１１の回転中心軸の変位を用いた異常診断により、スクリュ軸１１の摩耗等の異常の有無を診断することができる。

なお、スクリュ軸１１の変位に基づく異常検知を主に説明したが、これに限定されるものではない。例えば、減速機１３の振動を示すセンサ値データに基づいて、周波数スペクトルを算出し、当該周波数スペクトルを画像で表した時系列データ画像を生成し、生成した時系列データ画像を用いて減速機１３の振動異常を診断することができる。
また、スクリュ軸１１に加わる軸トルクを示すセンサ値データを画像で表した時系列データ画像を生成し、生成した時系列データ画像を用いて過負荷の有無を診断することができる。

図１３は寿命診断の処理手順を示すフローチャートである。診断処理部５１は、複数のセンサ値データを画像で表した一又は複数の時系列データ画像に変換し（ステップＳ９１）、変換された時系列データ画像が複数の場合、当該複数の時系列画像データを１枚の時系列データ画像に合成する（ステップＳ９２）。センサ値データは、例えば、軸トルク又はスクリュ軸１１の回転中心の変位を示すデータである。次いで、診断処理部５１は、ステップＳ９２で合成した時系列データ画像を学習モデル５４に入力することによって、時系列データ画像の特徴量を算出する（ステップＳ９３）。

また、診断処理部５１は、データベース６から、特定のセンサ値データ、例えばステップＳ１２で受信した運転データと同一又は類似の運転データに対応付けられ、かつ正常な寿命を有する二軸混練押出機１のセンサ値データを読み出し（ステップＳ９４）、同様にして時系列データ画像に変換し（ステップＳ９５）、合成し（ステップＳ９６）、合成された時系列データ画像を学習モデル５４に入力することによって、正常寿命を有する二軸混練押出機１に係る時系列データ画像の特徴量を算出する（ステップＳ９７）。

次いで、診断処理部５１は、ステップＳ９７で算出した時系列データ画像の特徴量の外れ値スコアを算出する（ステップＳ９８）。そして、処理部３１は、算出した外れ値スコアが所定の閾値以上であるか否かを判定することによって、診断対象の二軸混練押出機１の寿命が、正常寿命を有するか否かを判定する（ステップＳ９９）。外れ値スコアが上記のＬＯＦである場合、閾値は１以上の値である。ＬＯＦが閾値以上である場合、診断処理部５１は寿命が短いと判定し、ＬＯＦが閾値未満である場合、正常な寿命を有すると判定する。

なお、ここでは寿命が正常か否かを診断する例を説明したが、特定を寿命を有する二軸混練押出機１から得られたセンサ値データの特徴量と、現在のセンサ値データの特徴量とを比較することによって、二軸混練押出機１が特定の寿命を有するか否かを判定することができる。

＜学習モデル生成方法＞
診断装置５による診断処理に利用した学習モデル５４の生成方法を説明する。
図１４は学習モデル５４の生成方法の概要を示す概念図である。二軸混練押出機１の動作が正常であるか否かを判定するための学習モデル５４の生成方法について説明する。以下、診断装置５の診断処理部５１が学習モデル５４を機械学習させる例を説明する。

まず１クラス分類モデルを生成するために必要な学習用データセットとして、二軸混練押出機１が正常に動作しているときに検出して得られた複数の時系列データ画像と、時系列データ画像と無関係な任意の複数の参考画像Ａ，Ｂ，Ｃとを用意する。参考画像Ａ，Ｂ，Ｃは、例えばＩｍａｇｅ Ｎｅｔ等の学習用データセットから選択した複数クラスの画像データである。図１４に示す例では、ラベル０、ラベル１、ラベル２が付された参考画像Ａ，Ｂ，Ｃが用意されている。

そして、画像の特徴を抽出する複数の畳み込み層及びプーリング層からなる特徴抽出層を有する学習モデル５４に、正常動作時の時系列データ画像と、参考画像Ａ，Ｂ，Ｃとを機械学習させる。具体的には診断処理部５１は、各画像の特徴を判別することが可能な特徴量、つまり、図１４右図に示すように時系列データ画像の特徴量の局所密度が高く、しかも参考画像Ａ，Ｂ，Ｃの特徴量との識別性が高くなるような特徴量を出力するように、学習モデル５４を学習させる。
以下、１クラス分類モデルの生成方法の詳細を説明する。

図１５は学習フェーズにおける学習モデル５４を示す概念図である。まず、第１のニューラルネットワーク（リファレンスネットワーク）５４ａと、第２のニューラルネットワーク（セカンダリネットワーク）５４ａとを用意する。

第１のニューラルネットワーク５４ａは、入力層、特徴抽出層及び分類層を有するＣＮＮである。特徴抽出層は、複数の畳み込み層及びプーリング層の繰り返し構造を有する。分類層は、例えば一又は複数層の全結合層を有する。第１のニューラルネットワーク５４ａは、例えばＩｍａｇｅ Ｎｅｔ等の学習用データセットを用いて予備学習されている。
第２のニューラルネットワーク５４ａは第１のニューラルネットワーク５４ａと同じネットワーク構成であり、特徴抽出層及び分類層を特徴付ける各種パラメータ（重み係数）も同じである。以下、第１及び第２のニューラルネットワーク５４ａ，５４ａの学習フェーズにおいて、特徴抽出層及び分類層の各種パラメータは同じ値を共有する。

そして、診断処理部５１は、第１のニューラルネットワーク５４ａに参考画像Ａを入力し、損失関数である記述的ロス（descriptiveness loss）を算出する。一方で、診断処理部５１は、第２のニューラルネットワーク５４ａに正常時の時系列データ画像を入力し、損失関数であるコンパクトロス（compactness loss）を算出する。記述的ロスは、分類器の学習で一般的に使用される損失関数であり、例えば交差エントロピー誤差である。コンパクトロスは下記式（１）、（２）、（３）で表される。コンパクトロスは、バッチ内、つまり学習用データセットにおける第２のニューラルネットワーク５４ａの出力の分散に相当するような値である。

そして、診断処理部５１は記述的ロスと、コンパクトロスに基づくトータルロスを算出する。トータルロスは、例えば下記式（４）で表される。

診断処理部５１は、上記（４）で表されるトータルロスが小さくなるように誤差逆伝播法等を用いて第１及び第２のニューラルネットワーク５４ａ，５４ａの各種パラメータの最適化を行うことにより、第１及び第２のニューラルネットワーク５４ａ，５４ａを学習させる。なお、機械学習させる際、前段の各種パラメータを固定し、後段の複数層のパラメータを調整するとよい。

このようにして学習された第１及び第２のニューラルネットワーク５４ａ，５４ａの特徴抽出層から出力される特徴量は、図１４に示すように、二軸混練押出機１が正常時に得られる時系列データ画像の特徴量の局所密度が高くなり、他の任意画像の特徴量との局所密度が低くなる。

図１６はテストフェーズにおける学習モデル５４を示す概念図である。図１６に示すように、本実施形態１に係る学習モデル５４は、上記のように学習した第２のニューラルネットワーク５４ａの入力層及び特徴抽出層を用いて構成することができる。従って、図１５に示す分類層は、本実施形態１に係る学習モデル５４の必須の構成ではない。ただし、図１５に示す第２のニューラルネットワーク５４ａをそのまま学習モデル５４として利用し、特徴抽出層から出力される特徴量を用いることもできる。
なお、図１６には、２つの学習モデル５４を図示しているが、検出対象である時系列データ画像と、サンプルである正常時の時系列データ画像とが入力されている状態を概念的に示したものであり、２つのモデルが存在することを示すものではない。

テストフェーズにおいては、診断処理部５１は、正常時に得られる時系列データ画像をサンプルデータとして学習モデル５４に入力することによって、正常時の時系列データ画像の特徴量を出力させる。一方、異常検知対象の時系列データ画像を学習モデル５４に入力することによって、当該時系列データ画像の特徴量を出力させる。そして、診断処理部５１は、サンプルデータの特徴量に対する、異常検知対象の特徴量の外れ値スコアを算出し、算出された外れ値スコアと閾値とを比較することによって、異常検知対象の時系列データ画像が異常であるか否か、つまり二軸混練押出機１が異常であるか否かを判別する。

なお、図１６では、サンプルデータを学習モデル５４に入力して当該サンプルデータの特徴量を算出する例を示しているが、予め算出され複数のサンプルデータの特徴量を記憶部３２に記憶しておき、異常検知処理においては、記憶部３２が記憶するサンプルデータの特徴量を用いて外れ値スコアを算出してもよい。

また、二軸混練押出機１の異常の有無を診断するための学習モデル５４を説明したが、正常な寿命を有する二軸混練押出機１から得られるセンサ値データを用いて、学習モデル５４を学習させることによって、二軸混練押出機１が正常な寿命を有するか否かを診断するための学習モデル５４を生成することができる。

なお、上記の説明では正常と異常を分類する例を説明したが、複数の１クラス分類モデルである学習モデル５４を用いて、典型的な異常時の時系列画像データを、その他の異常時の時系列データ画像と判別するように構成してもよい。例えば、異常検知装置３は、上記実施形態１と同様、正常時の時系列データ画像を学習させた第１の学習モデル５４を備える。また、異常検知装置３は、正常時の時系列データ画像と、第１異常時の時系列データ画像とを学習させた第２の学習モデル５４を備える。異常検知装置３は、第１の学習モデル５４と、第２の学習モデル５４を用いることにより、正常時の時系列データ画像と、第１異常時の時系列データ画像と、その他の異常時の時系列データ画像とを判別することが可能である。同様にして、異常検知装置３に３つ以上の学習モデル５４を備えることにより、２つ以上の異常時の時系列データ画像を判別可能に構成することができる。

また、スクリュ軸異常診断について詳述したが、ステップＳ６３及びステップＳ６４における非効率運転状態にあるか否かの診断、品質異常を招く運転状態にあるか否かの診断を行う学習モデル５４も同様に構成及び生成することができる。

更に、学習モデル５４の一例として１クラス分類モデルを説明したが、一般的なＣＮＮ、Ｕ－Ｎｅｔ、ＲＮＮ（Recurrent Neural Network）等のニューラルネットワーク、その他のＳＶＭ（Support Vector Machine）、ベイジアンネットワーク、又は回帰木等を用いてもよい。
例えば、正常時のセンサ値データ、各種異常時のセンサ値データが蓄積された場合、二軸混練押出機１の状態を教師データとし、センサ値データ又は時系列データ画像にラベル付けした学習用データセットを作成し、ＣＮＮ等で構成される学習モデル５４を学習させるとよい。二軸混練押出機１の状態には、二軸混練押出機１が正常であることを示す正常状態、スクリュ軸１１が摩耗した異常状態、スクリュ軸１１に適合しない樹脂原料が使用されている異常状態、過負荷が生じている過負荷異常状態、減速機１３の振動異常、寿命が短い異常状態、成形品の寸法等の異常状態等が含まれる。
学習モデル５４は、入力層、中間層及び出力層を有する。中間層は、画像の特徴を抽出する複数の畳み込み層及びプーリング層を有する。出力層は、二軸混練押出機１の複数の状態に対応する複数のノードを有し、当該状態にある確信度を出力する。学習モデル５４は、センサ値データ、又はセンサ値データに係る時系列データ画像が入力された場合、学習モデル５４から出力される二軸混練押出機１の状態が教師データの示す状態に近づくように、中間層の重み係数を最適化する。当該重み係数は、例えばニューロン間の重み（結合係数）などである。パラメータの最適化の方法は特に限定されないが、例えば最急降下法、誤差逆伝播法等を用いて各種パラメータの最適化を行う。
このように生成された学習モデル５４によれば、診断対象の二軸混練押出機１から得られたセンサ値データの時系列データ画像を学習モデル５４に入力することによって、二軸混練押出機１の状態を診断することができる。例えば、診断処理部５１は、二軸混練押出機１は、最も高い確信度を出力するノードに対する状態にあると判定する。

また、学習モデル５４は、時系列データ画像が入力された場合、より最適な成形条件、又は成形条件の調整量を出力するように構成してもよい。診断装置５は、学習モデル５４から出力された成形条件を異常検知装置３へ送信し、異常検知装置３は受信した当該成形条件を制御装置１４へ送信する。

＜診断結果及び判定結果の表示処理＞
ステップＳ１９における判定結果及び統計量等の表示例を説明する。
図１７は制御装置１４における異常判定結果等の表示例を示す模式図である。表示部に表示される判定結果等表示画面１４１は、グラフ表示部１４１ａ、警告表示部１４１ｂ、ＡＩ診断表示部１４１ｃ、処理値表示部１４１ｄを有する。グラフ表示部１４１ａは、例えば、軸トルク、スクリュ軸１１の振動、変位の統計量の時間変化をグラフで表示する。警告表示部１４１ｂは、受信した二軸混練押出機１の異常の有無を示す判定結果を表示し、異常がある場合、警告内容を表示する。ＡＩ診断表示部１４１ｃは、後述の診断装置５による診断結果を表示する。処理値表示部１４１ｄは、受信した統計量の値を表示する。

ステップＳ２８における診断結果の表示例を説明する。
図１８は端末装置７における異常判定結果等の表示例を示す模式図である。判定結果等表示画面７１は、グラフ表示部７１ａ、警告履歴表示部７１ｂ、ＡＩ診断履歴表示部７１ｃ、処理値表示部７１ｄ、データ選択部７１ｅを有する。データ選択部７１ｅは、表示するデータの選択を受け付ける。例えば、データ選択部７１ｅは、二軸混練押出機１の運転日時、表示する統計量の種類、診断項目の選択を受け付ける。第１ネットワークに複数の二軸混練押出機１が接続されている場合、データ選択部７１ｅは、二軸混練押出機１の選択を受け付けるように構成してもよい。端末装置７はデータ選択部７１ｅによって選択された運転日時、二軸混練押出機１の識別情報等を異常検知装置３へ送信し、選択された二軸混練押出機１及び運転日時における異常判定結果の履歴、センサ値データの統計量、診断結果の履歴を要求する。端末装置７は、要求に応じて診断装置５から送信されるこれらの情報を受信し、受信した情報を表示する。
グラフ表示部７１ａは、センサ値データの統計量の時間変化をグラフで表示する。警告履歴表示部７１ｂは、受信した二軸混練押出機１の異常の有無を示す判定結果の履歴を表示する。ＡＩ診断履歴表示部７１ｃは、二軸混練押出機１の異常又は寿命に係る診断結果の履歴を表示する。処理値表示部７１ｄは、受信した統計量の値を表示する。

＜本実施形態１に係る成形機システムの作用効果＞
以上、本実施形態１に係る成形機システムによれば、二軸混練押出機１の運転制御を行う制御装置１４と、異常検知装置３と、診断装置５とを備え、各装置が協動することによって制御装置１４に過度の負荷を与えることなく、二軸混練押出機１の異常を検知し、二軸混練押出機１の異常、寿命等の詳細な状態を診断することができる。

また、異常検知装置３はセンサ値データ及び運転データを用いて簡易に二軸混練押出機１の異常を検知し、異常判定結果を制御装置１４へ送信することができる。制御装置１４は、運転データを異常検知装置３へ送信するのみで、二軸混練押出機１の異常判定結果を受信することができ、異常判定結果に基づいて二軸混練押出機１の動作を監視することができる。

更に、異常検知装置３はセンサ値データの統計量を算出して制御装置１４へ送信し、統計量のグラフ、及び統計量の値を表示部に表示させることができる。

更にまた、異常検知装置３は、減速機１３の振動異常、スクリュ軸１１に対する過負荷、成形品の寸法異常を検知し、かかる異常を制御装置１４へ送信することができる。

更にまた、診断装置５は、現在の二軸混練押出機１の運転データ及びセンサ値データと、データベース６に蓄積された過去のセンサ値データとに基づいて、二軸混練押出機１の異常及び寿命を詳細に診断することができる。診断装置５は、異常検知装置３では不可能な二軸混練押出機１の状態診断を行うことができる。
異常検知装置３は、現在の二軸混練押出機１の運転データ及びセンサ値データを診断装置５へ送信して診断を要求することによって、診断結果を取得し、取得した診断結果を制御装置１４へ送信することができる。制御装置１４は、運転データを異常検知装置３へ送信するのみで、診断装置５による診断結果を受信し、診断結果を表示部に表示することができる。

更にまた、診断装置５は、学習モデル５４を用いて二軸混練押出機１の異常、寿命等の状態を診断することができる。

更にまた、学習モデル５４を１クラス分類モデルで構成することにより、異常時の二軸混練押出機１の時系列データ画像を用いることなく、正常な二軸混練押出機１の動作時に得られる時系列データ画像を用いて当該学習モデル５４を機械学習させることができる。

更にまた、複数のセンサ２から出力されるセンサ値データを１枚の時系列データ画像で表現し、学習モデル５４を用いて当該時系列データ画像の特徴量を算出することによって、二軸混練押出機１の状態を精度よく表した特徴量を簡易に得ることができる。このようにして得られた特徴量を用いることにより、二軸混練押出機１の状態を精度良く診断することができる。

更にまた、本実施形態１では診断装置５が学習モデル５４を機械学習させる例を説明したが、外部の他のコンピュータ又はサーバを用いて学習モデル５４を機械学習させてもよい。

更にまた、本実施形態１では主に二軸混練押出機１の異常検知及び診断を説明したが、射出成形機、フィルム成形機等の成形機、その他の製造装置の異常検知及び診断を行うように構成してもよい。

（変形例）
診断装置５は、学習モデル５４を用いた診断処理に対して、課金処理を実行するように構成してもよい。例えば、診断装置５は、二軸混練押出機１の台数、センサ２の数、センサ２の種類、診断処理対象のデータ量、使用する学習モデル５４の数等に応じて、診断料金を算出し、算出された診断料金、異常診断システムのユーザＩＤ、二軸混練押出機１の識別ＩＤ，利用日時、データ量、診断項目を対応付けて記憶部５２に記憶するとよい。

（実施形態２）
実施形態２に係る成形機システムは、診断結果に対するユーザのフィードバックを受け付け、学習モデル５４又は診断基準を更新する点が実施形態２と異なる。成形機システムのその他の構成は、実施形態１に係る成形機システムと同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。

図１９は実施形態２に係る診断結果に関するフィードバック処理手順を示すフローチャートである。異常検知装置３は、制御装置１４を介して診断結果の適否、又は二軸混練押出機１の正しい状態を受け付ける（ステップＳ２１１）。異常検知装置３の処理部３１は、評価対象である診断結果を得る元になった運転データ及びセンサ値データ、並びに二軸混練押出機１の正しい状態を示すデータを含むフィードバック情報を診断装置５へ送信する（ステップＳ２１２）。
なお、上記のフィードバック情報の内容は一例である。例えば診断ＩＤ、運転データ、センサ値データ及び診断結果がデータベース６に記憶されている場合、異常検知装置３は、受信した診断結果に付された診断ＩＤと、二軸混練押出機１の正しい状態とを含むフィードバック情報を診断装置５へ送信すればよい。また、異常検知装置３は、診断ＩＤ及び診断結果の適否を含むフィードバック情報を診断装置５へ送信するように構成しても良い。

診断装置５は、異常検知装置３から送信されたフィードバック情報を受信し（ステップＳ２１３）、受信したフィードバック情報をデータベース６に記憶する（ステップＳ２１４）。つまり、運転データ、センサ値、二軸混練押出機１の正しい状態を記憶する。そして、診断処理装置は、フィードバック情報に基づいて学習モデル５４を追加学習させ、又は診断基準を更新する（ステップＳ２１５）。

例えば、異常との診断結果が誤りで、二軸混練押出機１が正常であった場合、診断結果を誤ったセンサ値データを正常時のデータとして学習用データセットに加えて、学習モデル５４を追加学習させることにより、学習モデル５４による特徴量の抽出精度を向上させることができる。

また、算出されたスコア値に基づいて、二軸混練押出機１の異常を診断するための閾値を変更するように構成してもよい。例えば、異常との診断結果が誤りで、二軸混練押出機１が正常であった場合、診断処理部５１は、閾値を増大させる。正常との診断結果が誤りで、二軸混練押出機１が異常であった場合、診断処理部５１は、閾値を減少させる。

なお、学習モデル５４及び診断基準の変更は、複数のフィードバック情報を受信及び蓄積して行うとよい。

実施形態２に係る成形機システムによれば、ユーザからのフィードバックにより、診断装置５の診断精度をより向上させることができる。

（実施形態３）
実施形態３に係る成形機システムは、現場で得られる運転データ、センサ値データ、二軸混練押出機１の状態を示すデータをデータベース６に蓄積し、学習モデル５４を追加学習させる点が実施形態３と異なる。成形機システムのその他の構成は、実施形態１に係る成形機システムと同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。

図２０は実施形態３に係る二軸混練押出機１の状態に関するフィードバック処理手順を示すフローチャートである。異常検知装置３は、制御装置１４を介して二軸混練押出機１の状態を受け付ける（ステップＳ３１１）。つまり、異常検知装置３はユーザによって評価された、二軸混練押出機１の現在の状態を受け付ける。そして、異常検知装置３の処理部３１は、運転データ、センサ値データ、二軸混練押出機１の状態を含む情報を診断装置５へ送信する（ステップＳ３１２）。
また、異常検知装置３は、二軸混練押出機１のスクリュ軸１１の構成、樹脂原料の種類、成形品の品質評価、推定寿命等の情報を受け付けて診断装置５へ送信するとよい。

診断装置５は、異常検知装置３から送信された、運転データ、センサ値データ、二軸混練押出機１の状態、その他の上記情報を含む情報を受信し（ステップＳ３１３）、受信した情報をデータベース６に記憶する（ステップＳ３１４）。つまり、診断処理部５１は、運転データ、センサ値データ、二軸混練押出機１の状態、その他の上記情報を記憶する。そして、診断処理装置は、データベース６に蓄積されたユーザの評価に基づく、センサ値データを含む学習用データセットを用いて学習モデル５４を追加学習させる（ステップＳ３１５）。

実施形態３に係る異常検知装置３によれば、ユーザの評価を反映させて学習モデル５４を追加学習させることにより、診断装置５の診断精度をより向上させることができる。

なお、このようにして異常検知装置３から送信される情報によれば、教師あり学習用のデータセットを作成することができる。診断装置５は、実施形態１で説明したように、教師あり学習用データセットを用いて、センサ値データ又は時系列データ画像が入力された場合、二軸混練押出機１の状態に係る情報を出力する学習モデル５４を生成し、又は追加学習させるように構成してもよい。

１ 二軸混練押出機
２ センサ
３ 異常検知装置
４ ルータ
５ 診断装置
６ データベース
７ 端末装置
１０ シリンダ
１１ スクリュ軸
１２ モータ
１３ 減速機
１４ 制御装置
３１ 処理部
３３ 通信部
３４ 取得部
５１ 診断処理部
５３ 通信部
５４ 学習モデル
５４ａ ニューラルネットワーク
Ｐ１，Ｐ２ コンピュータプログラム

Claims (10)

1. 製造装置の異常を検知する異常検知装置を備えた異常検知システムであって、
   前記製造装置の運転制御を行い、該運転制御の内容を示す運転データを送信する制御装置と、
   前記製造装置の動作又は製品に係る物理量を検出し、検出した物理量を示す時系列のセンサ値データを出力するセンサと
   を備え、
   前記異常検知装置は、
   前記制御装置から送信される前記運転データを受信する通信部と、
   前記センサから出力されるセンサ値データを取得する取得部と、
   該取得部にて取得したセンサ値データの統計量を算出し、算出した前記統計量と、受信した前記運転データに応じた閾値とに基づいて、前記製造装置の異常の有無を判定する処理部と
   を備え、
   前記通信部は、判定結果及び前記統計量を前記制御装置へ送信する
   異常検知システム。
2. 前記制御装置は、
   前記異常検知装置から送信された前記判定結果を受信し、前記製造装置の状態を監視する
   請求項１に記載の異常検知システム。
3. 前記制御装置は、
   前記異常検知装置から送信された前記統計量を受信し、受信した前記統計量に基づくグラフ又は数値を表示する
   請求項１又は請求項２に記載の異常検知システム。
4. 前記製造装置は減速機を有する成形機であり、
   前記センサは前記減速機の振動を検出し、
   前記処理部は、前記減速機の異常振動の有無を判定する
   請求項１～請求項３のいずれか１項に記載の異常検知システム。
5. 前記製造装置はスクリュ軸を有する成形機であり、
   前記センサは前記スクリュ軸に加わる軸トルク、前記スクリュ軸の温度、又は前記スクリュ軸の変位を検出し、
   前記処理部は、前記成形機及び前記スクリュ軸に対する過負荷の有無を判定する
   請求項１～請求項４のいずれか１項に記載の異常検知システム。
6. 前記製造装置は成形機であり、
   前記センサは前記成形機によって製造される成形品の寸法を検出し、
   前記処理部は、前記成形品の寸法を異常の有無を判定する
   請求項１～請求項５のいずれか１項に記載の異常検知システム。
7. 請求項１から請求項６のいずれか１項に記載の異常検知システムと、
   成形機と
   を備え、
   前記異常検知システムは、前記成形機の異常を検知するようにしてある
   成形機システム。
8. 製造装置の異常を検知する異常検知装置であって、
   前記製造装置の運転制御を行う制御装置から送信される、該運転制御の内容を示す運転データを受信する通信部と、
   前記製造装置の動作又は製品に係る物理量を検出するセンサから出力される時系列のセンサ値データを取得する取得部と、
   前記取得部にて取得したセンサ値データの統計量を算出し、算出した前記統計量と、取得した前記運転データに応じた閾値とに基づいて、前記製造装置の異常の有無を判定する処理部と
   を備え、
   前記通信部は、判定結果及び前記統計量を前記制御装置へ送信する
   異常検知装置。
9. 製造装置の異常を検出する処理をコンピュータが実行する異常検知方法であって、
   前記コンピュータは、
   前記製造装置の運転制御を行う制御装置から送信される、該運転制御の内容を示す運転データを受信し、
   前記製造装置の動作又は製品に係る物理量を検出するセンサから出力される時系列のセンサ値データを取得し、
   取得したセンサ値データの統計量を算出し、
   算出した前記統計量と、取得した前記運転データに応じた閾値とに基づいて、前記製造装置の異常の有無を判定し、
   判定結果を前記制御装置へ送信する
   処理を実行する異常検知方法。
10. 製造装置の異常を検出する処理をコンピュータに実行させるためのコンピュータプログラムであって、
    前記製造装置の運転制御を行う制御装置から送信される、該運転制御の内容を示す運転データを受信し、
    前記製造装置の動作又は製品に係る物理量を検出するセンサから出力される時系列のセンサ値データを取得し、
    取得したセンサ値データの統計量を算出し、
    算出した前記統計量と、取得した前記運転データに応じた閾値とに基づいて、前記製造装置の異常の有無を判定し、
    判定結果を前記制御装置へ送信する
    処理を前記コンピュータに実行させるためのコンピュータプログラム。

Images