JP2024009613A - 推定方法、推定装置及びコンピュータプログラム - Google Patents

Abstract

【課題】成形機を構成する部材の寿命若しくは異常度又は成形品品質推定のために収集できるデータ量にかかわらず、寿命等推定のための機械学習を行い、当該部材の寿命若しくは異常度又は成形品品質を推定することができる推定方法を提供する。【解決手段】成形機を構成する部材の状態に関連する物理量データを取得し、異なるアルゴリズムにより前記部材の寿命若しくは異常度又は成形品品質を推定する複数の推定モデルを用意し、前記複数の推定モデルから選択される一又は複数の前記推定モデルを用い、取得した前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する。【選択図】図４

Description

本発明は、推定方法、推定装置及びコンピュータプログラムに関する。

特許文献１には、射出成形機等における回転部材の寿命を予測する寿命予測装置が開示されている。特許文献１の寿命予測装置は、駆動モータによって回転する回転部材の回転数を積算し、積算された回転数と回転部材を回転させるのに要したトルクから回転部材の疲れ寿命を演算する。

特許文献２には、射出成形機に設けられたボールねじの振動を検出する振動センサを備え、振動センサにて検出された振動強度を解析することによってボールねじの異常を検知する異常検知装置が開示されている。

特開平６－９１６８３号公報 特開２０２１－７４９１７号公報

成形機を構成する部材の状態に関連する物理量データを収集し、機械学習することによって、当該部材の寿命を予測することが考えられる。

成形機を構成する部材の寿命予測に使用できる種々の寿命予測モデルが考えられるが、最適な寿命予測モデルを一つに決定し、当該モデルの学習に十分なデータを収集することは必ずしも容易では無い。成形機を構成する部材の異常度又は成形品品質を推定する際にも同様の問題が生ずる。

本開示の目的は、成形機を構成する部材の寿命若しくは異常度又は成形品品質を推定のために収集できるデータ量にかかわらず、寿命等の推定のための機械学習を行い、当該部材の寿命若しくは異常度又は成形品品質を推定することができる推定方法、推定装置及びコンピュータプログラムを提供することにある。

本開示の一側面に係る推定方法は、成形機を構成する部材の状態に関連する物理量データを取得し、異なるアルゴリズムにより前記部材の寿命若しくは異常度又は成形品品質を推定する複数の推定モデルを用意し、前記複数の推定モデルから選択される一又は複数の前記推定モデルを用い、取得した前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する。

本開示の一側面に係る推定装置は、成形機を構成する部材の状態に関連する物理量データを取得する取得部と、前記部材の寿命若しくは異常度又は成形品品質を異なるアルゴリズムにより推定する複数の推定モデルと、前記複数の推定モデルから選択される一又は複数の前記推定モデルを用い、前記取得部が取得した前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する処理部とを備える。

本開示の一側面に係るコンピュータプログラムは、成形機を構成する部材の状態に関連する物理量データを取得し、異なるアルゴリズムにより前記部材の寿命若しくは異常度又は成形品品質を推定する複数の推定モデルから選択される一又は複数の前記推定モデルを用い、取得した前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する処理をコンピュータに実行させる。

本開示によれば、成形機を構成する部材の寿命若しくは異常度又は成形品品質を推定のために収集できるデータ量にかかわらず、寿命等の推定のための機械学習を行い、当該部材の寿命を予測することができる。

本実施形態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。 本実施形態に係る成形機１の構成例を示す模式図である。 本実施形態に係るデータ収集装置３の構成例を示すブロック図である。 実施形態に係る寿命予測装置の構成例を示すブロック図である。 収集データＤＢのレコードレイアウトの一例を示す概念図である。 モデル構成ＤＢのレコードレイアウトの一例を示す概念図である。 寿命予測モデルの学習処理手順を示すフローチャートである。 第１寿命予測モデルを示す概念図である。 第１寿命予測モデルの学習処理手順を示すフローチャートである。 第１寿命予測モデルの学習結果を示すグラフである。 第１寿命予測モデルを用いた推論結果を示すグラフである。 第２寿命予測モデルを示す概念図である。 第２寿命予測モデルの学習処理手順を示すフローチャートである。 第２寿命予測モデルの学習結果を示すグラフである。 第２寿命予測モデルを用いた推論結果を示すグラフである。 第３寿命予測モデルを示す概念図である。 第３寿命予測モデルの学習処理手順を示すフローチャートである。 第３寿命予測モデルの学習結果を示すグラフである。 第３寿命予測モデルを用いた推論結果を示すグラフである。 寿命予測の処理手順を示すフローチャートである。 寿命予測の処理手順を示すフローチャートである。 ポータルサイトに表示される残存寿命推定結果表示画面の一例を示す模式図である。 ポータルサイトに表示されるダッシュボード画面の一例示す模式図である。 ポータルサイトに表示される検索表示画面の一例示す模式図である。 ポータルサイトに表示されるマンスリーレポート画面の一例を示す模式図である。

本開示の実施形態に係る推定方法、寿命予測装置及びコンピュータプログラムを、以下に図面を参照しつつ説明する。なお、本開示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、成形機１と、複数のセンサ２と、データ収集装置３と、ルータ４と、寿命予測装置５と、端末装置６ａ，６ｂとを備える。成形機１には、射出成形機及び押出機が含まれる。以下、成形機１は、一例として押出機であるものとして説明する。

図１には１台の成形機１及びデータ収集装置３が図示されているが、寿命予測装置５には、図示しない複数のデータ収集装置３がネットワークを介して接続されている。データ収集装置３には一又は複数の成形機１が接続されている。寿命予測装置５は、複数の成形機１それぞれの情報を収集し、各成形機１を構成する一又は複数の部材の残存寿命を予測することができる。複数の成形機１及びデータ収集装置３は、成形機１を保有する複数のユーザそれぞれの工場に設置されているものとする。ユーザは、オペレータでは無く成形機１を保有する法人等の組織である。

端末装置６ａ，６ｂは、コンピュータ、タブレット端末、スマートフォン等の表示部を有する通信端末である。端末装置６ａは、ユーザが使用する端末である。端末装置６ｂは、当該ユーザの成形機１に関連する営業担当者、保守管理担当者等のサービス提供担当者が使用する端末である。

＜成形機１＞
図２は本実施形態に係る成形機１の構成例を示す模式図である。成形機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１１と、シリンダ１０の出口部分に設けられたダイス１２（図１参照）とを備える。２本のスクリュ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。溶融した樹脂原料は、貫通孔を有するダイス１２から排出される。
スクリュ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１１が構成される。

また、成形機１は、スクリュ１１を回転させるための駆動力を出力するモータ１３と、モータ１３の駆動力を減速伝達する減速機１４と、制御装置１５とを備える。スクリュ１１は減速機１４の出力軸に接続されている。スクリュ１１は、減速機１４によって減速伝達されたモータ１３の駆動力によって回転する。

＜センサ２＞
センサ２は、成形機１を構成する部材の状態に関連する物理量を検出し、検出して得た物理量データを直接又は間接的にデータ収集装置３へ出力する。物理量データは、検出された物理量を示す時系列のセンサ値のデータである。センサ２には、成形機１の運転制御に必要なものとして当該成形機１に設けられているものと、部材の寿命を推定するために設けられたものとが含まれる。複数のセンサ２の一部は、データ収集装置３に接続されており、データ収集装置３は当該センサ２から物理量データを取得する。複数のセンサ２の一部は、制御装置１５に接続されており、データ収集装置３は制御装置１５を介して当該センサ２から物理量データを取得する。

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。

複数のセンサ２は、例えば、減速機１４に係る物理量を検出する第１センサ２１と、スクリュ１１に係る物理量を検出する第２センサ２２と、モータ１３に係る物理量を検出する第３センサ２３と、ダイス１２に係る物理量を検出する第４センサ２４とを含む。
第１センサ２１は、例えば減速機１４の振動を検出する振動検出器等である。第２センサ２２は、スクリュ１１の軸トルクを検出するトルク検出器、スクリュ１１の回転数を検出する回転計、スクリュ先端圧力を検出する圧力計、スクリュ１１の温度を検出温度計、スクリュ１１の回転中心の変位を検出する変位センサ等である。第３センサ２３は、モータ電流を検出する電流計、モータ回転数を検出する回転計等である。第４センサ２４は、ダイス１２に働くダイヘッド圧力を検出する圧力計である。

＜制御装置１５＞
制御装置１５は、成形機１の運転制御を行うコンピュータであり、データ収集装置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１５は、成形機１の運転状態を示す運転データをデータ収集装置３へ送信する。運転データは、例えば、モータ電流、スクリュ１１の回転数、スクリュ１１の先端圧力、ダイヘッド圧力、フィーダ供給量（樹脂原料の供給量）、押出量、シリンダ温度、樹脂圧等である。
制御装置１５は、データ収集装置３から送信される各種グラフデータ、成形機１を構成する部材の残存寿命を示す残存寿命データを受信する。制御装置１５は、受信したグラフデータ及び残存寿命データの内容を表示する。また、制御装置１５は、受信した残存寿命データが示す残存寿命に応じて警告を出力する。

＜データ収集装置３＞
図３は本実施形態に係るデータ収集装置３の構成例を示すブロック図である。データ収集装置３は、コンピュータであり、制御部３１、記憶部３２、通信部３３及びデータ入力部３４を備え、記憶部３２、通信部３３及びデータ入力部３４は制御部３１に接続されている。データ収集装置３は、例えばＰＬＣ（Programmable Logic Controller）である。

制御部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。制御部３１は、後述の記憶部３２が記憶する制御プログラムを実行することにより、物理量データを収集し、寿命予測装置５へ送信する処理を実行する。なお、データ収集装置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、物理量データの収集処理をコンピュータに実施させるための制御プログラムを記憶している。

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１５に接続されており、制御部３１は通信部３３を介して制御装置１５との間で各種情報を送受信することができる。制御部３１は、通信部３３を介して物理量データを取得する。
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寿命予測装置５に接続されている。制御部３１は、通信部３３及びルータ４を介して寿命予測装置５との間で各種情報を送受信することができる。

データ入力部３４は、センサ２から出力された信号が入力する入力インタフェースである。データ入力部３４にはセンサ２が接続されており、制御部３１は、データ入力部３４を介して物理量データを取得する。

＜寿命予測装置５＞
図４は実施形態に係る寿命予測装置５の構成例を示すブロック図である。寿命予測装置５は、コンピュータであり、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、処理部５１に接続されている。

処理部５１は、プロセッサであり、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。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Ｐを実行することにより、本実施形態に係る寿命予測装置５として機能する。なお、寿命予測装置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。

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データ収集装置３、及び端末装置６ａ，６ｂに接続されており、制御部３１は通信部５３を介してデータ収集装置３、及び端末装置６ａ，６ｂとの間で各種情報を送受信することができる。

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、成形機１を構成する部材の寿命を推定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Ｐと、第１寿命予測モデルＭ１と、第２寿命予測モデルＭ２と、第３寿命予測モデルＭ３と、収集データＤＢ５２ａ、モデル構成ＤＢ５２ｂとを記憶している。

コンピュータプログラムＰ等は、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Ｐ等を記憶する。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Ｐ等をダウンロードし、記憶部５２に記憶させてもよい。

第１寿命予測モデルＭ１は、物理量データから生成される画像データが入力された場合、成形機１を構成する部材の残存寿命を示すデータを出力する画像認識学習モデル７３を備える（図８参照）。画像認識学習モデル７３は、例えばＣＮＮ（Convolutional Neural Network）を有する。記憶部５２が予め記憶している第１寿命予測モデルＭ１の画像認識学習モデル７３は、既成の学習済みモデルである。処理部５１は、この既成の学習済みモデルの転移学習又はファインチューニングを行うことによって、特定の成形機１及び部材の残存寿命予測に特化した学習モデルを生成することができる。
なお、転移学習又はファインチューニングされた学習モデル及び寿命予測モデルも、便宜上、画像認識学習モデル７３及び第１寿命予測モデルＭ１と呼ぶ。

第２寿命予測モデルＭ２は、センサ２にて検出可能な複数種類の物理量を示す物理量データと、当該物理量以外の他の状態量との関係を示す一又は複数の状態量推定数理モデル８１と、寿命推定数理モデル８２とを有する（図１１参照）。記憶部５２が予め記憶している第２寿命予測モデルＭ２の状態量推定数理モデル８１は、既存の数理モデルである。状態量推定数理モデル８１を規定する係数は、試験用の成形機等を用いて予め調整されている。寿命推定数理モデル８２も試験用の成形機等を用いて予め粗調整しておくとよい。処理部５１は、この状態量推定数理モデル８１及び寿命推定数理モデル８２の転移学習又はファインチューニングを行うことによって、特定の成形機１及び部材の残存寿命予測に特化した数理モデルを生成することができる。
なお、転移学習又はファインチューニングされた数理モデル及び寿命予測モデルも、便宜上、状態量推定数理モデル８１及び寿命推定数理モデル８２、並びに第２寿命予測モデルＭ２と呼ぶ。

第３寿命予測モデルＭ３は、一又は複数の説明変数を有し、物理量データと、成形機１を構成する部材の残存寿命との関係を示す寿命推定関数（回帰式）９２を有する（図１４参照）。寿命推定関数９２を規定する係数は、試験用の成形機等を用いて予め粗調整しておくとよい。処理部５１は、この寿命推定関数９２の転移学習又はファインチューニングを行うことによって、特定の成形機１及び部材の残存寿命予測に特化した推定関数を生成することができる。
なお、転移学習又はファインチューニングされた推定関数及び寿命予測モデルも、便宜上、寿命推定関数９２及び第３寿命予測モデルＭ３と呼ぶ。

なお、第１寿命予測モデルＭ１は、短期的に測定して得られた時系列の物理量データに基づいて成形機１を構成する部材の寿命を予測するモデルであり、第２寿命予測モデルＭ２及び第３寿命予測モデルＭ３は、長期的に測定して得られた時系列の物理量データに基づいて成形機１を構成する部材の寿命を予測するモデルである。もちろん、第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３は、同期間に測定して得られた時系列の物理量データに基づいて成形機１を構成する部材の寿命を予測するように構成してもよい。成形機１を構成する部材の寿命予測に利用する物理用データの測定時間幅を寿命予測モデル毎に設定できるように構成してもよい。

なお、第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３は、異なるアルゴリズムにより成形機１の部材の寿命を予測するモデルの一例であり、寿命予測モデルの数は３つに限定されるものでは無い。また、寿命予測モデルの種類も特に上記のものに限定されるものでは無い。
例えば、第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３は、多層パーセプトロン（Multilayer perceptron：MLP）、畳み込みニューラルネットワーク（Convolutional Neural Network：CNN）、グラフニューラルネットワーク（Graph Neural Network：GNN）、グラフ畳み込みニューラルネットワーク（Graph Convolutional Network：GCN）、ＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long Short Term Memory）、その他のニューラルネットワークモデルで構成してもよい。また、決定木、ランダムフォレスト、ＳＶＭ（Support Vector Machine）などのアルゴリズムを用いて第１寿命予測モデルＭ１を構成してもよい。

図５は、収集データＤＢ５２ａのレコードレイアウトの一例を示す概念図である。収集データＤＢ５２ａは、ハードディスク、ＤＢＭＳ（DataBase Management System）を備え、成形機１から収集した各種物理量データを記憶する。例えば、収集データＤＢ５２ａは、「Ｎｏ．」（レコード番号）列、「機器ＩＤ」列、「運転日時」列、「振動データ」列、「軸トルク」列を有する。

「機器ＩＤ」列は、成形機１の機器識別子を格納する。「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、成形機１の運転状態を示す時系列の物理量、例えばモータ電流、スクリュ１１の回転数、スクリュ１１の先端圧力、ダイヘッド圧力、フィーダ供給量（樹脂原料の供給量）、押出量、シリンダ温度、樹脂圧等を格納する。「振動データ」列は、時系列の物理量データである振動データを格納する。「軸トルクデータ」列は、時系列の物理量データであるスクリュ１１のトルクデータを格納する。

図６は、モデル構成ＤＢ５２ｂのレコードレイアウトの一例を示す概念図である。モデル構成ＤＢ５２ｂは、ハードディスク、ＤＢＭＳ（DataBase Management System）を備え、成形機１を構成する部材の寿命を予想するために使用する各種寿命予測モデルの係数等を記憶する。例えば、モデル構成ＤＢ５２ｂは、「ユーザＩＤ」列、「機器ＩＤ」列、「部材ＩＤ」列、「第１寿命予測モデル」列、「第１寿命予測使用センサＩＤ」列、「第２寿命予測モデル」列、「第２寿命予測使用センサＩＤ」列、「第３寿命予測モデル」列、「第３寿命予測使用センサＩＤ」列を有する。

「ユーザＩＤ」列は、成形機１のユーザの識別子を格納する。「機器ＩＤ」列は、成形機１の機器識別子を格納する。「部材ＩＤ」列は成形機１を構成する部材であって、残存寿命の予測対象である部材の部材識別子を格納する。

「第１寿命予測モデル」列は、当該機器ＩＤ及び部材ＩＤが示す成形機１の部材の残存寿命を予測するために転移学習又はファインチューニングされた第１寿命予測モデルＭ１を記憶する。例えば、「第１寿命予測モデル」列は、画像認識学習モデル７３の重み係数、各種パラメータを格納する。「第１寿命予測使用センサＩＤ」列は、当該第１寿命予測モデルＭ１を用いて当該部材の残存寿命を予測するために利用するセンサ２の識別子を格納する。言い換えると、当該部材の残存寿命を予測するために利用する物理量データの種類を格納する。例えば、モータ電流を検出するセンサ２の識別子、減速機１４の振動を検出するセンサ２の識別子、スクリュ１１の軸トルクを検出するセンサ２の識別子等を記憶する。

「第２寿命予測モデル」列は、当該機器ＩＤ及び部材ＩＤが示す成形機１の部材の残存寿命を予測するために転移学習又はファインチューニングされた第２寿命予測モデルＭ２を記憶する。例えば、「第２寿命予測モデル」列は、状態量推定数理モデル８１及び寿命推定数理モデル８２の重み係数、各種パラメータを格納する。「第２寿命予測使用センサＩＤ」列は、当該第２寿命予測モデルＭ２を用いて当該部材の残存寿命を予測するために利用するセンサ２の識別子を格納する。

「第３寿命予測モデル」列は、当該機器ＩＤ及び部材ＩＤが示す成形機１の部材の残存寿命を予測するために転移学習又はファインチューニングされた第３寿命予測モデルＭ３を記憶する。例えば、「第３寿命予測モデル」列は、寿命推定関数９２の係数を格納する。「第３寿命予測使用センサＩＤ」列は、当該第３寿命予測モデルＭ３を用いて当該部材の残存寿命を予測するために利用するセンサ２の識別子を格納する。

図６に示すように、一の部材の残存寿命を予測する際、異なるセンサ２を用いて得られた物理量データを用いて、それぞれ異なる寿命予測モデルを用いて残存寿命を予測するように構成することができる。例えば、減速機１４の残存寿命を予測する際、第１センサ２１を用いて得られる第１の部位の物量データに基づいて、第１寿命予測モデルＭ１を用いて残存寿命を算出すると共に、第２センサ２２を用いて得られる第２の部位の物理量データに基づいて、第２寿命予測モデルＭ２又は第３寿命予測モデルＭ３を用いて残存寿命を算出し、算出された残存寿命の平均値等を算出するようにすることができる。第１センサ２１を用いて得られる物理量データは例えば減速機１４の振動データ、第２センサ２２を用いて得られる物理量データはスクリュ１１の軸トルクである。

なお、モデル構成ＤＢ５２ｂは、図６に示すように、成形機１及び部材に応じて、残存寿命の予測に使用する寿命予測モデルの情報を格納し、残存寿命の予測に使用しない寿命予測モデルの寿命を格納しないように構成してもよい。また、モデル構成ＤＢ５２ｂは、転移学習又はファインチューニングの適否にかかわらず、収集可能な物理量データを用いて学習させた第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３の情報を全て格納するように構成してもよい。更にモデル構成ＤＢ５２ｂは、第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３の予測精度に応じた重み係数を機器ＩＤ及び部材ＩＤに対応付けて記憶してもよい。当該重み係数は、第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３にて算出される寿命予測の重み付け平均を算出するための係数である。

＜機械学習処理＞
図７は、寿命予測モデルの学習処理手順を示すフローチャートである。寿命予測装置５の処理部５１は、データ収集装置３から成形機１を構成する部材の状態に関連する物理量データを取得する（ステップＳ１１）。処理部５１は取得した物理量データを収集データＤＢ５２ａに格納する。

次いで、処理部５１は取得した物理量データに基づいて第１寿命予測モデルＭ１の機械学習処理を実行する（ステップＳ１２）。処理部５１は取得した物理量データに基づいて第２寿命予測モデルＭ２の機械学習処理を実行する（ステップＳ１３）。処理部５１は取得した物理量データに基づいて第３寿命予測モデルＭ３の機械学習処理を実行する（ステップＳ１４）。

なお、処理部５１は、寿命予測対象である成形機１の部材に応じて、第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３を選択的に学習させるように構成してもよい。例えば、機械学習用の物理量データが少ない場合、第３寿命予測モデルＭ３のみを学習させ、物理量データが十分に蓄積された場合、第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３を全て学習させるように構成してもよい。

第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３の学習を終えた処理部５１は、学習済みの第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３を構成するためのデータを、寿命予測対象の成形機１及び部材を示す機器ＩＤ及び部材ＩＤに対応付けてモデル構成ＤＢ５２ｂに格納する（ステップＳ１５）。

学習済みの第１寿命予測モデルＭ１を構成するためのデータは、例えば、画像認識学習モデル７３の重み係数である。学習済みの第２寿命予測モデルＭ２を構成するためのデータは、例えば、状態量推定数理モデル８１及び寿命推定数理モデル８２の係数である。学習済みの第３寿命予測モデルＭ３を構成するためのデータは、例えば、寿命推定関数９２の係数である。

図８は、第１寿命予測モデルＭ１を示す概念図である。第１寿命予測モデルＭ１は、周波数解析部７１と、画像生成部７２と、画像認識学習モデル７３とを備える。周波数解析部７１は、時系列の物理量データを周波数成分の物理量データにフーリエ変換する演算処理部である。周波数解析部７１は、短時間フーリエ変換（STFT: Short-Time Fourier Transform）にて物理量データのフーリエ変換を行うとよい。画像生成部７２は、フーリエ変換された物理量データを画像で表した画像データに変換する演算処理部である。例えば、画像の横軸を周波数、縦軸を周波数成分の大きさとした画像平面に物理量データを表すとよい。以下、物理量データをフーリエ変換することによって得られる画像をフーリエ変換画像と呼ぶ。
なお、周波数解析の方法はＳＴＦＴに限定されるものでは無く、ウェーブレット変換（Wavelet Transformation）、ストックウェル変換（Stockwell Transform）、ウィグナー分布（Wigner distribution function）、経験的モード分解（Empirical Mode Decomposition）、ヒルベルト・ファン変換（Hilbert-Huang Transform）等を用いてもよい。

画像認識学習モデル７３は、畳み込みニューラルネットワーク（CNN：Convolutional neural network）であり、フーリエ変換画像の画像データが入力される入力層７３ａと、中間層７３ｂと、部材の残存寿命を示す残存寿命データを出力する出力層７３ｃとを備える。

入力層７３ａは、フーリエ変換画像を構成する各画素の画素値が入力される複数のノードを有する。中間層７３ｂは、入力層７３ａに入力されたフーリエ変換画像の各画素の画素値を畳み込む畳み込み層と、畳み込み層で畳み込んだ画素値をマッピングするプーリング層とが交互に連結された構成を有する。中間層７３ｂは、フーリエ変換画像の画像情報を圧縮しながら当該フーリエ変換画像の特徴量を抽出し、抽出したフーリエ変換画像、つまり物理量データの特徴量を出力層７３ｃに出力する。

出力層７３ｃは、物理量データ測定時点における部材の残存寿命を示す残存寿命データを出力するノードを有する。

なお、画像認識学習モデル７３の一例としてＣＮＮを例示したが、多層パーセプトロン（Multilayer perceptron：MLP）、畳み込みニューラルネットワーク（Convolutional Neural Network：CNN）、グラフニューラルネットワーク（Graph Neural Network：GNN）、グラフ畳み込みニューラルネットワーク（Graph Convolutional Network：GCN）、ＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long Short Term Memory）、その他のニューラルネットワークモデルで構成してもよい。また、決定木、ランダムフォレスト、ＳＶＭ（Support Vector Machine）などのアルゴリズムを用いて第１寿命予測モデルＭ１を構成してもよい。

図９は、第１寿命予測モデルＭ１の学習処理手順を示すフローチャートである。処理部５１は、収集データＤＢ５２ａに蓄積された時系列の物理量データを周波数解析することによって、周波数成分の物理量に変換し（ステップＳ２１）、フーリエ変換された物理量データに基づいて、フーリエ変換画像を生成する（ステップＳ２２）。そして、処理部５１は、フーリエ変換画像に、当該フーリエ変換画像の元になった物理量データが測定された時点における部材の残存寿命をラベリングする（ステップＳ２３）。次いで、処理部５１は、残存寿命がラベリングされたフーリエ変換画像を学習データ（訓練データ）として用いて第１寿命予測モデルＭ１の機械学習を実行する（ステップＳ２４）。記憶部５２は既成の画像認識学習モデル７３を記憶しており、当該画像認識学習モデル７３の転移学習又はファインチューニングにより、特定の成形機１及び部材の残存寿命予測に特化した第１寿命予測モデルＭ１を生成することができる。より具体的には処理部５１は、学習データを用いた誤差逆伝播法、誤差勾配降下法等によって、画像認識学習モデル７３の重み係数を最適化することにより、画像認識学習モデル７３を機械学習させる。

図１０Ａは、第１寿命予測モデルＭ１の学習結果を示すグラフ、図１０Ｂは、第１寿命予測モデルＭ１を用いた推論結果を示すグラフである。図１０Ａ及び図１０Ｂに示す横軸は経過日数、縦軸は残存寿命（推定寿命）を示している。予測対象の部材は、例えば、減速機１４のギア又は軸受けであり、物理量は減速機１４の振動である。図１０Ａに示す期間（経過日数０～７か月）に得られた学習データを用いて画像認識学習モデル７３の機械学習が行われた。直線矢印はラベリングされた残存寿命（寿命ラベル）を示している。丸点プロットは、学習データのフーリエ変換画像を画像認識学習モデル７３に入力することによって得られた残存寿命の予測結果を示している。なお、学習の段階で、寿命一定以上となるものは壊れないものと判定するようにした。
図１０Ｂ中、左側（経過日数０～２か月）の丸点プロットは、中古の部材（残存寿命が短い）を備えた成形機１から得られたフーリエ変換画像を画像認識学習モデル７３に入力することによって得られた残存寿命の予測結果（推定寿命）を示している。図１０Ｂ中、推論段階で、予測された残存寿命が一定以上となるもの（例えば図１０Ｂ中、Ａの範囲）は、丸点プロットとして表示されていない。図１０Ａ及び図１０Ｂに示すように、学習済みの画像認識学習モデル７３にて部材の残存寿命を予測できることが分かる。

図１１は、第２寿命予測モデルＭ２を示す概念図である。第２寿命予測モデルＭ２は、状態量推定数理モデル８１と、寿命推定数理モデル８２とを備える。状態推定モデルは、センサ２を用いて検出可能な複数種類の物理量それぞれを示す複数の物理量データと、当該複数の物理量以外の他の状態量との関係を規定する関数である。複数の物理量及び他の状態量には、例えば、減速機１４の振動、樹脂原料の供給量、モータ電流、スクリュ１１の回転数、樹脂種料樹脂の種類、スクリュ構成等が含まれる。寿命推定数理モデル８２は、物理量データと、状態量推定数理モデル８１によって推定される物理量データとに基づいて、成形機１の部材の残存寿命を推定する関数である。

図１２は、第２寿命予測モデルＭ２の学習処理手順を示すフローチャートである。処理部５１は、収集データＤＢ５２ａに蓄積されている物理量データに、当該物理量データが測定された時点における部材の残存寿命をラベリングする（ステップＳ３１）。次いで、処理部５１は、残存寿命がラベリングされた物理量データを学習データとして用いて状態量推定数理モデル８１及び寿命推定数理モデル８２の係数を最適化する（ステップＳ３２）。状態量推定数理モデル８１及び寿命推定数理モデル８２は回帰式で表すことができ、処理部５１は、例えばカーネルリッジ回帰（Kernel Ridge Regression）によって、当該数理モデルの係数を最適化することができる。記憶部５２は、予め粗調整された状態量推定数理モデル８１及び寿命推定数理モデル８２を記憶しており、当該数理モデルの係数を最適化することによって、第２寿命予測モデルＭ２を生成することができる。
なお、状態量推定数理モデル８１及び寿命推定数理モデル８２の係数を最適化する方法は、カーネルリッジ回帰に限定されるものではない。

図１３Ａは、第２寿命予測モデルＭ２の学習結果を示すグラフ、図１３Ｂは、第２寿命予測モデルを用いた推論結果を示すグラフである。図１３Ａ及び図１３Ｂに示す横軸は経過日数、縦軸は残存寿命（推定寿命）を示している。予測対象の部材は、例えば、減速機１４のギア又は軸受けであり、物理量は減速機１４の振動である。図１３Ａに示す期間（経過日数０～１２か月）に得られた学習データを用いて状態量推定数理モデル８１及び寿命推定数理モデル８２の機械学習が行われた。実線はラベリングされた残存寿命（寿命ラベル）を示している。丸点プロットは第２寿命予測モデルＭ２を用いて予測された残存寿命を示している。
図１３Ｂ中、右側の期間（経過日数３～８か月）に示された期間の範囲に示された丸点プロットは、新品の部材（残存寿命が長い）を備えた成形機１から得られた物理量データのＲＭＳに基づいて予測された残存寿命を示している。図１３中、左側の期間（０～２か月）の範囲に示された丸点プロットは、中古の部材（残存寿命が短い）を備えた成形機１から得られた物理量データのＲＭＳに基づいて予測された残存寿命を示している。図１３Ａ及び図１３Ｂに示すように、学習済みの状態量推定数理モデル８１及び寿命推定数理モデル８２にて部材の残存寿命を予測できることが分かる。

図１４は、第３寿命予測モデルＭ３を示す概念図である。第３寿命予測モデルＭ３は、ＲＭＳ算出部９１及び寿命推定関数９２とを備える。ＲＭＳ算出部９１は、物理量データの２乗平均平方根を算出する演算処理部である。寿命推定関数９２は、物理量データのＲＭＳに基づいて、成形機１の部材の残存寿命を推定する関数である。寿命推定関数９２は、目的変数である残存寿命を一又は複数の説明変数によって表す回帰式である。

図１５は、第３寿命予測モデルＭ３の学習処理手順を示すフローチャートである。処理部５１は、収集データＤＢ５２ａに蓄積されている物理量データに基づいて、当該物理量のＲＭＳを算出し（ステップＳ４１）、算出されたＲＭＳに、当該物理量データが測定された時点における部材の残存寿命をラベリングする（ステップＳ４２）。次いで、処理部５１は、残存寿命がラベリングされたＲＭＳを学習データとして用いて寿命推定関数９２の係数を最適化する（ステップＳ４３）。処理部５１は、例えばラッソ回帰（Lasso Regression）によって、当該寿命推定関数９２の係数を最適化することができる。記憶部５２は、予め粗調整された寿命推定関数９２を記憶しており、当該寿命推定関数９２の係数を最適化することによって、第３寿命予測モデルＭ３を生成することができる。

図１６Ａは、第３寿命予測モデルＭ３の学習結果を示すグラフ、図１６Ｂは、第３寿命予測モデルＭ３を用いた推論結果を示すグラフである。図１６Ａ及び図１６Ｂに示す横軸は経過日数、縦軸は残存寿命を示している。予測対象の部材は、例えば、減速機１４のギア又は軸受けであり、物理量は減速機１４の振動である。図１６Ａに示す期間（経過日数１～１６か月）に得られた学習データを用いて寿命推定関数９２の機械学習が行われた。実線はラベリングされた残存寿命を示している。丸点プロットは、寿命推定関数９２を用いて予測された残存寿命を示している。

図１６Ｂ中、右上側の丸点プロットは、新品の部材（残存寿命が長い）を備えた成形機１から得られた物理量データのＲＭＳに基づいて予測された残存寿命を示している。図１６Ｂ中、左下側の丸点プロットは、中古の部材（残存寿命が短い）を備えた成形機１から得られた物理量データのＲＭＳに基づいて予測された残存寿命を示している。図１６Ａ及び図１６Ｂに示すように、学習済みの寿命推定関数９２にて部材の残存寿命を予測できることが分かる。

＜残存寿命予測＞
図１７及び図１８は、寿命予測の処理手順を示すフローチャートである。寿命予測装置５の処理部５１は、データ収集装置３から物理量データを取得する（ステップＳ５１）。次いで、処理部５１は、寿命予測対象の部材を予測するために使用する一又は複数の寿命予測モデルを選択する（ステップＳ５２）。具体的には、処理部５１は、特定の成形機１及び部材を示す機器ＩＤ及び部材ＩＤに対応付けられた寿命推定数理モデル８２をモデル構成ＤＢ５２ｂから読み出す。

処理部５１は、第１寿命予測モデルＭ１を利用するか否かを判定する（ステップＳ５３）。第１寿命予測モデルＭ１を利用すると判定した場合（ステップＳ５３：ＹＥＳ）、処理部５１は、取得した時系列の物理量データを周波数解析することによって、周波数成分の物理量に変換し（ステップＳ５４）、フーリエ変換された物理量データに基づいて、フーリエ変換画像の画像データを生成する（ステップＳ５５）。そして、処理部５１は、生成されたフーリエ変換画像の画像データを画像認識学習モデル７３に入力することによって、部材の残存寿命を予測する（ステップＳ５６）。

ステップＳ５６の処理を終えた場合、又はステップＳ５３において第１寿命予測モデルＭ１を利用しないと判定した場合（ステップＳ５３：ＮＯ）、処理部５１は、第２寿命予測モデルＭ２を利用するか否かを判定する（ステップＳ５７）。第２寿命予測モデルＭ２を利用すると判定した場合（ステップＳ５７：ＹＥＳ）、処理部５１は、取得した物理量データを状態量推定数理モデル８１に代入することによって未知の状態量を推定する（ステップＳ５８）。次いで、処理部５１は、取得した物理量データと、算出された未知の状態量を寿命推定数理モデル８２に代入することによって、部材の残存寿命を予測する（ステップＳ５９）。

ステップＳ５９の処理を終えた場合、又はステップＳ５７において第２寿命予測モデルＭ２を利用しないと判定した場合（ステップＳ５７：ＮＯ）、処理部５１は、第３寿命予測モデルＭ３を利用するか否かを判定する（ステップＳ６０）。第３寿命予測モデルＭ３を利用すると判定した場合（ステップＳ６０：ＹＥＳ）、処理部５１は、取得した物理量データに基づいて、当該物理量のＲＭＳを算出する（ステップＳ６１）。そして、処理部５１は、算出された物理量データのＲＭＳを寿命推定関数９２に代入することによって、部材の残存寿命を予測する（ステップＳ６２）。

ステップＳ６２の処理を終えた場合、又はステップＳ６０において第３寿命予測モデルＭ３を利用しないと判定した場合（ステップＳ６０：ＮＯ）、利用した第１～第３寿命推定モデルに基づいて、部材の残存寿命を算出する（ステップＳ６３）。例えば、処理部５１は、第１～第３寿命推定モデルによってそれぞれ算出された残存寿命の最小値、平均値、中央値、重み付け平均値等を算出する。
重み付け平均に使用する重み係数は、ユーザによって任意に設定される構成でもよいし、過去の寿命予測精度のフィードバック情報（例えば、算出された残存寿命と、実際の残存寿命との差分）に応じて設定してもよい。また、処理部５１は、ユーザによって選択された一つの寿命予測モデルによって算出された残存寿命を選択してもよい。処理部５１は、ユーザによって選択された複数の寿命予測モデルによって算出された残存寿命の最小値、平均値、中央値、重み付け平均値等を算出してもよい。

次いで、処理部５１は、取得した時系列の物理量データに基づいて、成形機１を構成する各部材の、時系列の各時点における特徴を表した特徴周波数強度を算出する（ステップＳ６４）。そして、処理部５１は、算出された特徴周波数強度の時系列グラフを作成する（ステップＳ６５）。時系列グラフは、横軸を時間、縦軸を特徴周波数強度とし、上記算出された時系列の特徴周波数強度を表すグラフである。

次いで、処理部５１は、成形機１を構成する各部材の残存寿命及び時系列グラフの表示処理を実行する（ステップＳ６６）。処理部５１は、例えばユーザが所有する各成形機１の状態をブラウザで閲覧することが可能なポータルサイトに、各部材の残存寿命及び時系列グラフを表示する。

また、処理部５１は、算出された成形機１を構成する各部材の残存寿命及び時系列グラフのデータを端末装置６ａ，６ｂへ送信する（ステップＳ６７）。例えば、処理部５１は、成形機１のユーザ又はオペレータの端末装置６ａ、当該ユーザの成形機１に関わるサービス提供担当者の端末装置６ｂへ残存寿命及び時系列グラフのデータを送信する。

本実施形態に係る寿命予測装置５は、複数の成形機１及び部材それぞれの残存寿命、成形機１の各部材の状態に関連する物理量の時系列グラフを閲覧することができるポータルサイトを提供する。本実施形態に係る寿命予測装置５は、複数のユーザがそれぞれ保有する成形機１の状態を管理しており、各ユーザはブラウザを用いてポータルサイトにアクセスすることによって、当該ユーザが保有する成形機１の状態を閲覧及び確認することができる。また、成形機１及び部材に関わるサービス提供担当者もブラウザを用いてポータルサイトにアクセスすることによって、担当のユーザ又は成形機１の状態を閲覧及び確認することができる。

図１９は、ポータルサイトに表示される残存寿命推定結果表示画面１０１の一例を示す模式図である。残存寿命推定結果表示画面１０１は、ユーザが保有又は使用する複数の成形機１それぞれの名称を表示する機器名表示部１１１と、各成形機１を構成する部材の名称を表示する部材名表示部１１２とを有する。また、残存寿命推定結果表示画面１０１は、各部材の状態、特に残存寿命に基づく状態を表示する部材状態表示部１１３を有する。部材状態表示部１１３は、「良好」、「要確認」、「異常」等のアイコンを表示することによって各部材の状態を表示する。部材状態表示部１１３のアイコンが操作された場合、処理部５１は当該部材の状態に関連する物理量の時系列グラフを表示させる。更に、残存寿命推定結果表示画面１０１は、異常がある部材の残存寿命を表示する残存寿命表示部１１４を有する。処理部５１は、上記処理によって算出された部材の残存寿命を表示する。

図２０は、ポータルサイトに表示されるダッシュボード画面１０２の一例示す模式図である。ダッシュボード画面１０２は、成形機１の状態を示す代表的な一又は複数の物理量データの時系列グラフを表示する画面である。ダッシュボード画面１０２は、表示する成形機１及び期間等を指定するための表示操作部１２１と、時系列グラフ表示部１２２とを有する。表示操作部１２１は、例えば成形機１の機種を指定する機種指定部、表示する期間を示す期間指定部、スクリュ回転数を指定するスクリュ回転数指定部、ダッシュボードに表示するグラフの表示パターンを指定するパターン表示部、検索ボタン等を有する。

ユーザは、予め表示パターンを設定することができ、寿命予測装置５は設定された表示パターンを記憶する。表示パターンは、成形機１の機種ＩＤ、表示パターン名、表示する部材のカテゴリ及びグラフ表示するデータ項目等の情報を含む。部材のカテゴリは、例えば減速機１４、軸デバイス等である。

データ項目には、稼働情報データ、周波数分析データ、トルク分析データ、２軸相関データ等が含まれる。稼働情報データは、例えば、スクリュ回転数、モータ電流、スクリュ先端圧力、ダイヘッド圧力等を含む。周波数分析データは、振動ＲＭＳ、回転周波数強度、ギア噛み合い周波数強度、軸受け故障周波数強度等を含む、トルク分析データは、スクリュ１１のトルク平均値、最大値、トルク振幅の平均値、最大値、主要周波数等を含む。２軸相関データは、二軸押出機における２本のスクリュ１１の位相差等を含む。

処理部５１は、表示操作部１２１に入力された情報を受け付け、検索ボタンが操作された場合、受け付けた情報に対応する物理量データを収集データＤＢ５２ａから読み出し、読み出した物理量データの時系列グラフを作成する。時系列グラフ表示部１２２は、表示操作部１２１にて指定された機種、期間、スクリュ回転数、表示パターンに応じた物理量データの時系列グラフを表示する。

図２１は、ポータルサイトに表示される検索表示画面１０３の一例示す模式図である。検索表示画面１０３は、時系列グラフを検索するための検索操作部１３１と、検索された時系列グラフを表示する時系列グラフ表示部１３２とを有する。検索操作部１３１は、例えば、検索及び表示する成形機１の機種、部材のカテゴリ、グラフ（データ項目）、センサ２のチャンネル、期間、スクリュ回転数等を指定するための入力項目、検索ボタンを有する。

処理部５１は、検索操作部１３１に入力された情報を受け付け、検索ボタンが操作された場合、受け付けた情報に対応する物理量データを収集データＤＢ５２ａから読み出し、読み出した物理量データの時系列グラフを作成する。時系列グラフ表示部１３２は、検索及び作成された物理量データの時系列グラフを表示する。

図２２は、ポータルサイトに表示されるマンスリーレポート画面１０４の一例を示す模式図である。マンスリーレポート画面１０４は、成形機１のサービス提供担当者が作成したモニタリングレポートを表示する画面である。マンスリーレポート画面１０４は、レポートを検索するためのレポート検索部１４１と、コメント表示部１４２と、時系列グラフ表示部１４３とを有する。

レポート検索部１４１は、成形機１の機種、レポート発行年月を指定する項目、検索ボタン等を有する。コメント表示部１４２は、サービス提供担当者が入力した成形機１の状態に関するコメントを表示する。サービス担当者は、ポータルサイトにアクセスすることによって、当該成形機１及び部材の状態に係る各種時系列グラフ、各部材の残存寿命等を確認することができ、閲覧した情報に基づいて、成形機１の状態に対するコメントを作成し、寿命予測装置５へ送信する。寿命予測装置５は、機器ＩＤ及びレポート発行年月に対応付けてコメントを記憶する。時系列グラフ表示部１４３は、成形機１の状態を表した代表的な時系列グラフを表示する。当該成形機１のサービス担当者は、マンスリーレポートに表示すべき時系列グラフを選択して指定することができる。寿命予測装置５は、機器ＩＤ及びレポート発行年月に対応付けてコメントを記憶する。

処理部５１は、ユーザによってレポート検索部１４１に入力された情報を受け付け、検索ボタンが操作された場合、受け付けた情報に対応するコメント及び物理量データを読み出し、当該物理量データに基づいて時系列グラフを作成する。時系列グラフ表示部１３２は、検索及び作成された物理量データの時系列グラフを表示する。

以上の通り、本実施形態に係る寿命予測方法等によれば、成形機１を構成する部材の寿命予測のために収集できるデータ量にかかわらず、寿命予測のための機械学習を行い、当該部材の寿命を予測することができる。

また、寿命予測装置５は、画像認識学習モデル７３を機械学習させ、成形機１を構成する部材の残存寿命を予測することができる。寿命予測装置５は、状態量推定数理モデル８１及び寿命推定数理モデル８２を機械学習させ、成形機１を構成する部材の残存寿命を予測することができる。寿命予測装置５は、寿命推定関数９２を機械学習させ、成形機１を構成する部材の残存寿命を予測することができる。寿命予測装置５は、得られる学習データに応じて、これらの寿命予測モデルを組み合わせて機械学習を行い、成形機１を構成する部材の残存寿命を予測することができる。

寿命予測装置５は、複数種類の物理量データを収集しているが、任意の物理量データを選択し、又は組み合わせて、第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３を機械学習させることができ、成形機１を構成する部材の残存寿命を予測することができる。

寿命予測装置５は、短期的に測定して得られた物理量データに基づいて部材の残存寿命を予測する寿命予測モデルと、長期的に測定して得られた物理量データに基づいて部材の残存寿命を予測する寿命予測モデルとを組み合わせて、当該部材の残存寿命を予測することができる。

寿命予測装置５は、成形機１を構成する所定の部材に関連する第１の部位の物理量を測定して得られる物理量データに基づいて当該部材の残存寿命を予測する寿命予測モデルと、当該所定の部材に関連する第２の部位の物理量を測定して得られる物理量データに基づいて当該部材の残存寿命を予測する寿命予測モデルとを組み合わせて、当該部材の残存寿命を予測することができる。

寿命予測装置５は、成形機１を構成する減速機１４、スクリュ１１、モータ１３及びダイス１２を含む押出機に係る部材の残存寿命を、減速機１４に係る物理量データ、スクリュ１１に係る物理量データ、モータ１３に係る物理量データ、ダイス１２に係る物理量データを用いて予測することができる。

寿命予測装置５は、減速機１４に係る物理量データに基づいて、減速機１４の残存寿命を予測する寿命予測モデルと、スクリュ１１に係る物理量データに基づいて、減速機１４の残存寿命を予測する寿命予測モデルとを組み合わせて、減速機１４の残存寿命を予測することができる。つまり、減速機１４の残存寿命を予測する際、異なる種類の物理量データ、又は異なる部位で測定される物理量データを用いることによって、寿命の予測精度を向上させることができる。また、異なる種類の物理量データ、又は異なる部位で測定される物理量データそれぞれに適した異なる寿命予測モデルを選択し、複数種類の物理量データ及び寿命予測モデルを用いることによって、寿命の予測精度を向上させることができる。

寿命予測装置５は、複数の寿命予測モデルを用いて推定された、成形機１の部材の寿命の最小値、平均値、中央値、又は重み付け平均値を算出することによって、寿命の予測精度を向上させることができる。

寿命予測装置５は、異なる成形機１及び部材毎に異なる寿命予測モデルを記憶することができる。つまり、異なる成形機１及び部材毎に適した、寿命予測モデルの組み合わせを記憶することができる。また、異なる成形機１及び部材毎に特化した寿命予測モデルを記憶することができる。寿命予測装置５は、異なる成形機１及び部材毎に適した、一又は複数の寿命予測モデルを用いて、当該部材の残存寿命を予測することができる。

寿命予測装置５は、成形機１を構成する部材の残存寿命の予測結果、物理量データの時系列グラフを、ポータルサイトに表示することができる。

寿命予測装置５は、成形機１を構成する部材の残存寿命の予測結果、物理量データの時系列グラフを、ユーザの端末装置６ａ及びサービス提供担当者の端末装置６ｂに送信することができる。

なお、本実施形態では、成形機１を構成する部材の残存寿命を予測する例を説明したが、同様にして当該部材の異常度を推定するように構成してもよい。第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３を学習させる際、残存寿命に代えて異常度を学習させれば、本実施形態と同様にして部材の異常度を推定することができる。

また、成形機１によって生産される成形品の品質を推定するように構成してもよい。成形機１を構成する部品の状態変化から成形品の品質異常が生じることがある。例えば、スクリュピースの摩耗が原因で、成形品の未溶融が発生し得る。成形品品質は、品質の程度を示す連続量であるものとする。第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３を学習させる際、残存寿命に代えて成形品品質を学習させれば、本実施形態と同様にして成形品品質を推定することができる。

（付記１）
成形機を構成する部材の状態に関連する物理量データを取得し、
異なるアルゴリズムにより前記部材の寿命若しくは異常度又は成形品品質を推定する複数の推定モデルを用意し、
前記複数の推定モデルから選択される一又は複数の前記推定モデルを用い、取得した前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する
推定方法。
（付記２）
前記複数の推定モデルは、
前記物理量データから生成される画像データが入力された場合、前記部材の寿命若しくは異常度又は成形品品質を示すデータを出力する学習モデルを含み、
取得した前記物理量データから生成される画像データを前記学習モデルに入力することによって、前記部材の寿命若しくは異常度又は成形品品質を推定する
付記１に記載の推定方法。
（付記３）
前記物理量データは複数種類の物理量を示す物理量データを含み、
前記複数の推定モデルは、
前記複数種類の物理量データと、前記複数種類の物理量以外の他の状態量と、前記部材の寿命若しくは異常度又は成形品品質との関係を示す数理モデルを含み、
取得した前記物理量データを前記一又は複数の数理モデルに代入することによって、前記部材の寿命若しくは異常度又は成形品品質を推定する
付記１又は付記２に記載の推定方法。
（付記４）
前記複数の推定モデルは、
一又は複数の説明変数を有し、前記物理量データと、前記部材の寿命若しくは異常度又は成形品品質との関係を示す回帰式を含み、
取得した前記物理量データを前記回帰式に代入することによって、前記部材の寿命若しくは異常度又は成形品品質を推定する
付記１から付記３のいずれか１つに記載の推定方法。
（付記５）
前記物理量データは複数種類の物理量を示す物理量データを含み、
前記複数の推定モデルは、
前記物理量データから生成される画像データが入力された場合、前記部材の寿命若しくは異常度又は成形品品質を示すデータを出力する学習モデルと、
前記複数種類の物理量データと、前記複数種類の物理量以外の他の状態量と、前記部材の寿命若しくは異常度又は成形品品質との関係を示す数理モデルと、
一又は複数の説明変数を有し、前記物理量データと、前記部材の寿命若しくは異常度又は成形品品質との関係を示す回帰式と
を含み、
前記取得した前記物理量データから生成される画像データを前記学習モデルに入力し、取得した前記物理量データを前記数理モデルに代入し、取得した前記物理量データを前記回帰式に代入することによって、前記部材の寿命若しくは異常度又は成形品品質を推定する
付記１から付記４のいずれか１つに記載の推定方法。
（付記６）
前記複数の推定モデルは、
短期的に測定して得られた前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する推定モデルと、
長期的に測定して得られた前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する推定モデルと
を含む付記１から付記５のいずれか１つに記載の推定方法。
（付記７）
前記複数の推定モデルは、
前記部材に関連する第１の部位の物理量を測定して得られる物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する推定モデルと、
前記部材に関連する第２の部位の物理量を測定して得られる物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する推定モデルと
を含む付記１から付記６のいずれか１つに記載の推定方法。
（付記８）
前記成形機は減速機、スクリュ、モータ及びダイスを含む押出機であり、
前記物理量データは、
前記減速機に係る物理量データ、前記スクリュに係る物理量データ、前記モータに係る物理量データ、又は前記ダイスに係る物理量データを含む
付記１から付記７のいずれか１つに記載の推定方法。
（付記９）
前記複数の推定モデルは、
前記減速機に係る物理量データに基づいて、前記減速機の寿命若しくは異常度又は成形品品質を推定する推定モデルと、
前記スクリュに係る物理量データに基づいて、前記減速機の寿命若しくは異常度又は成形品品質を推定する推定モデルと
を含む付記１から付記８のいずれか１つに記載の推定方法。
（付記１０）
前記複数の推定モデルを用いて推定された前記部材の寿命若しくは異常度又は成形品品質の最小値、平均値、中央値、又は重み付け平均値を算出する
付記１から付記９のいずれか１つに記載の推定方法。
（付記１１）
複数の前記成形機それぞれを示す機器識別子と、前記成形機を構成する前記部材を示す部材識別子と、前記部材の寿命若しくは異常度又は成形品品質推定に使用する一又は複数の前記推定モデルとを対応付けて記憶する
付記１から付記１０のいずれか１つに記載の推定方法。
（付記１２）
推定された前記部材の寿命若しくは異常度又は成形品品質を示す情報を表示可能に提供する
付記１から付記１１のいずれか１つに記載の推定方法。
（付記１３）
推定された前記部材の寿命若しくは異常度又は成形品品質を示す情報を端末装置へ送信する
付記１から付記１２のいずれか１つに記載の推定方法。

１ ：成形機
２ ：センサ
３ ：データ収集装置
４ ：ルータ
５ ：寿命予測装置
６ａ ：端末装置
６ｂ ：端末装置
１０ ：シリンダ
１０ａ ：ホッパ
１１ ：スクリュ
１２ ：ダイス
１３ ：モータ
１４ ：減速機
１５ ：制御装置
２１ ：第１センサ
２２ ：第２センサ
２３ ：第３センサ
２４ ：第４センサ
３１ ：制御部
３２ ：記憶部
３３ ：通信部
３４ ：データ入力部
５０ ：記録媒体
５１ ：処理部
５２ ：記憶部
５３ ：通信部
７１ ：周波数解析部
７２ ：画像生成部
７３ ：画像認識学習モデル
７３ａ ：入力層
７３ｂ ：中間層
７３ｃ ：出力層
８１ ：状態量推定数理モデル
８２ ：寿命推定数理モデル
９１ ：ＲＭＳ算出部
９２ ：寿命推定関数
１０１ ：残存寿命推定結果表示画面
１０２ ：ダッシュボード画面
１０３ ：検索表示画面
１０４ ：マンスリーレポート画面
ＤＢ５２ａ ：収集データ
ＤＢ５２ｂ ：モデル構成
Ｍ１ ：第１寿命予測モデル
Ｍ２ ：第２寿命予測モデル
Ｍ３ ：第３寿命予測モデル
Ｐ ：コンピュータプログラム

Claims (15)

1. 成形機を構成する部材の状態に関連する物理量データを取得し、
   異なるアルゴリズムにより前記部材の寿命若しくは異常度又は成形品品質を推定する複数の推定モデルを用意し、
   前記複数の推定モデルから選択される一又は複数の前記推定モデルを用い、取得した前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する
   推定方法。
2. 前記複数の推定モデルは、
   前記物理量データから生成される画像データが入力された場合、前記部材の寿命若しくは異常度又は成形品品質を示すデータを出力する学習モデルを含み、
   取得した前記物理量データから生成される画像データを前記学習モデルに入力することによって、前記部材の寿命若しくは異常度又は成形品品質を推定する
   請求項１に記載の推定方法。
3. 前記物理量データは複数種類の物理量を示す物理量データを含み、
   前記複数の推定モデルは、
   前記複数種類の物理量データと、前記複数種類の物理量以外の他の状態量と、前記部材の寿命若しくは異常度又は成形品品質との関係を示す数理モデルを含み、
   取得した前記物理量データを前記一又は複数の数理モデルに代入することによって、前記部材の寿命若しくは異常度又は成形品品質を推定する
   請求項１に記載の推定方法。
4. 前記複数の推定モデルは、
   一又は複数の説明変数を有し、前記物理量データと、前記部材の寿命若しくは異常度又は成形品品質との関係を示す回帰式を含み、
   取得した前記物理量データを前記回帰式に代入することによって、前記部材の寿命若しくは異常度又は成形品品質を推定する
   請求項１に記載の推定方法。
5. 前記物理量データは複数種類の物理量を示す物理量データを含み、
   前記複数の推定モデルは、
   前記物理量データから生成される画像データが入力された場合、前記部材の寿命若しくは異常度又は成形品品質を示すデータを出力する学習モデルと、
   前記複数種類の物理量データと、前記複数種類の物理量以外の他の状態量と、前記部材の寿命若しくは異常度又は成形品品質との関係を示す数理モデルと、
   一又は複数の説明変数を有し、前記物理量データと、前記部材の寿命若しくは異常度又は成形品品質との関係を示す回帰式と
   を含み、
   前記取得した前記物理量データから生成される画像データを前記学習モデルに入力し、取得した前記物理量データを前記数理モデルに代入し、取得した前記物理量データを前記回帰式に代入することによって、前記部材の寿命若しくは異常度又は成形品品質を推定する
   請求項１に記載の推定方法。
6. 前記複数の推定モデルは、
   短期的に測定して得られた前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する推定モデルと、
   長期的に測定して得られた前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する推定モデルと
   を含む請求項１から請求項５のいずれか１項に記載の推定方法。
7. 前記複数の推定モデルは、
   前記部材に関連する第１の部位の物理量を測定して得られる物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する推定モデルと、
   前記部材に関連する第２の部位の物理量を測定して得られる物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する推定モデルと
   を含む請求項１から請求項５のいずれか１項に記載の推定方法。
8. 前記成形機は減速機、スクリュ、モータ及びダイスを含む押出機であり、
   前記物理量データは、
   前記減速機に係る物理量データ、前記スクリュに係る物理量データ、前記モータに係る物理量データ、又は前記ダイスに係る物理量データを含む
   請求項１から請求項５のいずれか１項に記載の推定方法。
9. 前記複数の推定モデルは、
   前記減速機に係る物理量データに基づいて、前記減速機の寿命若しくは異常度又は成形品品質を推定する推定モデルと、
   前記スクリュに係る物理量データに基づいて、前記減速機の寿命若しくは異常度又は成形品品質を推定する推定モデルと
   を含む請求項８に記載の推定方法。
10. 前記複数の推定モデルを用いて推定された前記部材の寿命若しくは異常度又は成形品品質の最小値、平均値、中央値、又は重み付け平均値を算出する
    請求項１から請求項５のいずれか１項に記載の推定方法。
11. 複数の前記成形機それぞれを示す機器識別子と、前記成形機を構成する前記部材を示す部材識別子と、前記部材の寿命若しくは異常度又は成形品品質推定に使用する一又は複数の前記推定モデルとを対応付けて記憶する
    請求項１から請求項５のいずれか１項に記載の推定方法。
12. 推定された前記部材の寿命若しくは異常度又は成形品品質を示す情報を表示可能に提供する
    請求項１から請求項５のいずれか１項に記載の推定方法。
13. 推定された前記部材の寿命若しくは異常度又は成形品品質を示す情報を端末装置へ送信する
    請求項１から請求項５のいずれか１項に記載の推定方法。
14. 成形機を構成する部材の状態に関連する物理量データを取得する取得部と、
    前記部材の寿命若しくは異常度又は成形品品質を異なるアルゴリズムにより推定する複数の推定モデルと、
    前記複数の推定モデルから選択される一又は複数の前記推定モデルを用い、前記取得部が取得した前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する処理部と
    を備える推定装置。
15. 成形機を構成する部材の状態に関連する物理量データを取得し、
    異なるアルゴリズムにより前記部材の寿命若しくは異常度又は成形品品質を推定する複数の推定モデルから選択される一又は複数の前記推定モデルを用い、取得した前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する
    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。

Images