JP6294268B2 - 射出成形機の異常診断装置 - Google Patents

Description

本発明は、射出成形機の異常診断装置に関し、特に分析者の知識や経験の量によらず精度の高い異常の診断を行うことを可能とする異常診断装置に関する。

従来、射出成形機に故障が発生した際には、該射出成形機に保存された成形条件やアラーム履歴等の記録をユーザやメーカのエンジニアが分析し、故障の原因を調査していた。

射出成形機の故障分析に関する従来技術として、例えば特許文献１には、射出成形機に故障が発生した時の射出成形機の構成要素の音及び振動をスペクトル解析して故障スペクトル情報を得て、故障スペクトル情報から故障基本スペクトルパターンを学習によって求め、故障判断に用いる技術が開示されている。
また、特許文献２には、樹脂機械の操業時における各パラメータをデータベースに蓄積し、蓄積データに基づいて樹脂機械に対する処理方法を分析し、その分析結果を次回の分析に反映させる学習機能を有する樹脂機械の分析評価システムが開示されている。

特開平０５−１５７６６２号公報 特開２００２−２２９６２３号公報

従来から行われてきたような人手による故障分析手法では、分析を行うユーザやメーカのエンジニアの有する知識や経験の量には限界があるため、故障の原因を特定することが難しい場合があった。
また、射出成形機の制御装置や、射出成形機に接続された管理装置が、射出成形機から取得した成形条件やアラーム履歴等のデータに基づいて、故障の原因を特定したり、故障が発生しないような成形条件を算出したりすることは従来できなかった。

そこで本発明の目的は、分析者の知識や経験の量によらず精度の高い異常の診断を行うことを可能とする射出成形機の異常診断装置を提供することである。

本願の請求項１に係る発明は、射出成形機の内的外的な状態変数を入力し、教師あり機械学習器によって射出成形機の異常を診断する異常診断装置であって、
前記内的外的な状態変数は、射出成形機の駆動部の負荷、軸の周波数特性、樹脂圧力、型締力、アラーム発生履歴、機械操作履歴、成形サイクル毎の工程監視データ、成形条件、成形品の品質情報のうち少なくともひとつと、異常の発生有無の情報を含み、
前記教師あり機械学習器は、異常が発生した時に得られた前記状態変数と、異常が発生しなかった時に得られた前記状態変数とを用いて機械学習を行うことで得られた内部パラメータを学習結果として記憶する、ことを特徴とする異常診断装置である。

本願の請求項２に係る発明は、前記機械学習の結果に基づいて、前記状態変数を用いて射出成形機の異常を予測する、ことを特徴とする請求項１に記載の異常診断装置である。

本願の請求項３に係る発明は、異常発生の予測時に、前記状態変数の中から異常の原因となる状態変数を特定する、ことを特徴とする請求項２に記載の異常診断装置である。

本願の請求項４に係る発明は、異常発生の予測時に、前記状態変数と異常の発生との相関を算出する、ことを特徴とする請求項２または３に記載の異常診断装置である。

本願の請求項５に係る発明は、異常発生の予測時に、異常が発生しないように前記状態変数の調整値を算出する、ことを特徴とする請求項２〜４のいずれか１つに記載の異常診断装置である。

本願の請求項６に係る発明は、異常の発生時に、前記状態変数の中から異常の原因となる状態変数を特定する、ことを特徴とする請求項１〜５のいずれか１つに記載の異常診断装置である。

本願の請求項７に係る発明は、異常の発生時に、前記状態変数と異常の発生との相関を算出する、ことを特徴とする請求項１〜６のいずれか１つに記載の異常診断装置である。

本願の請求項８に係る発明は、異常の発生時に、異常が発生しないように前記状態変数の調整値を算出する、ことを特徴とする請求項１〜７のいずれか１つに記載の異常診断装置である。

本願の請求項９に係る発明は、前記内的外的な状態変数は、ネットワークを介して接続される前記複数の射出成形機から入力する、ことを特徴とする請求項１〜８のいずれか１つに記載の異常診断装置である。

本願の請求項１０に係る発明は、前記機械学習器の内部パラメータは、ネットワークを介して接続される複数の射出成形機において共有される、ことを特徴とする請求項１〜９のいずれか１つに記載の異常診断装置である。

本願の請求項１１に係る発明は、射出成形機の内的外的な状態変数に基づいた射出成形機の異常診断を学習した教師あり機械学習器であって、前記内的外的な状態変数は、射出成形機の駆動部の負荷、軸の周波数特性、樹脂圧力、型締力、アラーム発生履歴、機械操作履歴、成形サイクル毎の工程監視データ、成形条件、成形品の品質情報のうち少なくともひとつと、異常の発生有無の情報を含み、前記機械学習器の内部パラメータは、異常が発生した時に得られた前記状態変数と、異常が発生しなかった時に得られた前記状態変数とを用いて機械学習を行うことで得られた内部パラメータを学習結果として記憶する、ことを特徴とする機械学習器である。

本発明によれば、異常が発生した射出成形機から得られた状態変数と、異常が発生しなかった射出成形機から得られた前記状態変数とを用いて機械学習を行うことで、分析者の知識や経験の量によらず、精度の高い異常の診断を行うことができる。
また、射出成形機の制御装置や、射出成形機に接続された管理装置が、射出成形機から取得した成形条件やアラーム履歴等のデータに基づいて、故障の原因を特定したり、故障が発生しないような成形条件を算出したりすることができる。

教師あり学習を行う機械学習器の動作の概略を説明する図である。 本発明の実施形態における異常診断装置の概略構成図である。

以下、本発明の実施形態を図面と共に説明する。
本発明では、異常が発生した射出成形機から得られた状態変数と、異常が発生しなかった射出成形機から得られた前記状態変数とを用いて機械学習を行うことで、異常の原因を診断する。また、異常の発生時において前記状態変数の中から異常の原因となる状態変数を特定し、異常が発生しないように前記状態変数の調整値を算出する。

＜１．機械学習＞
一般に、機械学習には教師あり学習や教師なし学習、強化学習など、その目的や条件によって様々なアルゴリズムに分類されている。本発明では射出成形機の内的又は外的なパラメータが示す状態と、射出成形機に発生する故障との相関性を学習することを目的としており、明示されるデータに基づく学習が可能であること、学習結果に基づく原因診断を行う必要があることなどを考慮して、教師あり学習のアルゴリズムを採用する。

図１は、教師あり学習を行う機械学習器の動作の概略を説明する図である。教師あり学習を行う機械学習器の動作は大きく学習段階と予測段階の２つの段階に分けることができる。教師あり学習を行う機械学習器は、学習段階（図１（ａ））において、入力データとして用いられる状態変数（説明変数）の値と、出力データとして用いられる目的変数の値とを含む教師データを与えると、該状態変数の値が入力された時に、該目的変数の値を出力することを学習し、このような教師データをいくつも与えることにより、状態変数の値に対する目的変数の値を出力するための予測モデルを構築する。
そして、教師あり学習を行う機械学習器は、予測段階（図１（ｂ））において、新しい入力データ（状態変数）が与えられたとき、学習結果（構築された予測モデル）に従って、出力データ（目的変数）を予測して出力する。

教師あり学習を行う機械学習器の学習の一例として、例えば以下の数１式に示すような予測モデルの回帰式を設定し、学習の過程において各状態変数ｘ₁，ｘ₂，ｘ₃，…が取る値を回帰式に当てはめた時に、目的変数ｙの値が得られるように、各係数ａ₀，ａ₁，ａ₂，ａ₃，…の値を調整することにより学習が進められる。なお、学習の方法はこれに限られるものではなく、教師あり学習のアルゴリズムごとに異なる。

なお、教師あり学習のアルゴリズムとしては、最小二乗法、ステップワイズ法、ＳＶＭ、ニューラルネットワーク、決定木学習など様々な手法が周知となっているが、本発明に適用する方法としていずれの教師あり学習アルゴリズムを採用してもよい。なお、それぞれの教師あり学習アルゴリズムは周知なので、本明細書における各アルゴリズムの詳細説明は省略する。
以下では、教師あり学習を行う機械学習器を導入した本発明の異常診断装置について、具体的な実施形態に基づいて説明する。

＜２．実施形態＞
図２は、本発明の一実施形態における異常診断装置の概略構成を示す図である。本実施形態の異常診断装置１０は教師あり機械学習器（図中における点線枠）を備えている。異常診断装置１０は、複数の射出成形機１ａ，１ｂ，１ｃとの間で通信回線や信号線などを介して接続されており、射出成形機１ａ，１ｂ，１ｃからは、異常診断装置１０に対して各射出成形機の状態を示す状態データが送信されている。

異常診断装置１０が備える状態観測部１１は、各射出成形機１ａ，１ｂ，１ｃから送られてくる射出成形に関する状態データを観測して異常診断装置１０内に取得する機能手段である。状態データの一例としては、射出成形機の駆動部の負荷、軸の周波数特性、樹脂圧力、型締力、機械操作履歴、成形サイクル毎の工程監視データ、成形条件、成形品の品質情報、そしてアラーム発生（履歴）、故障情報などが挙げられる。

状態データ記憶部１２は状態観測部１１が取得した状態データ、および後述する状態予測部１５が予測した診断結果のデータを記憶し、記憶した該状態データ、診断結果のデータを外部からの要求に応じて出力する機能手段である。状態データ記憶部１２が記憶する状態データは、１回の成形加工の動作毎に、または所定の時間毎に、発生した状態データを組にして記憶する。また、各状態データは、射出成形機毎に記憶される。

状態学習部１３、学習結果記憶部１４、状態予測部１５は、教師あり機械学習器の主要部分を構成する機能手段である。
状態学習部１３は、状態観測部１１が取得した状態データや、状態データ記憶部１２に記憶された状態データに基づいて教師あり学習を行い、学習結果を学習結果記憶部１４に記憶する。本実施形態の状態学習部１３は、状態データの中のアラーム発生の有無、または故障の発生の有無を目的変数とし、その他の状態データを状態変数とする教師データとして教師あり学習を進める。学習の一例として、予測モデルの回帰式を用いる場合にはアラームの種類ごと、故障の種類ごとに回帰式を用意してもよく、また、ＳＶＭ、ニューラルネットワーク、決定木などを用いる場合においては、アラームの種類ごと、故障の種類ごとに分類器を用意してもよい。また、複数の射出成形機に対してはこれらを共通のものとして学習するようにしてもよいし、特殊な射出成形機については個別に学習するようにしてもよい。
学習において、成形加工動作開始毎の状態データと成形加工動作後のアラームまたは故障の状態の組を教師データとしてもよく、その場合には学習した結果に基づいて、成形加工動作毎にアラーム発生の可能性や故障の可能性を予測できるようになる。一方で、教師データを、ある時刻ｔにおける状態データから状態変数を設定し、あらかじめ定められた所定時間α後の時刻ｔ＋αにおける状態データのアラーム発生の有無または故障の発生の有無を目的変数としてもよく、その場合には学習した結果に基づいて、射出成形機がある状態になった場合における所定時間α後のアラームまたは故障の発生する可能性を予測できるようになる。

学習結果記憶部１４は、状態学習部１３が教師データに基づいて学習した結果を記憶する機能手段である。学習結果記憶部１４は、外部からの要求により記憶している学習結果を出力する。この機能により、学習結果記憶部１４が記憶している学習結果を他の異常診断装置などに対して適用することも可能である。

状態予測部１５は、学習結果記憶部１４に記憶される学習結果に基づいて、状態観測部１１が取得するそれぞれの射出成形機１ａ，１ｂ，１ｃの状態データを用いてアラームまたは故障の発生を予測する。
また、状態予測部１５は、アラームまたは故障の発生が予測された場合や、アラームまたは故障が実際に発生した場合に、該アラームの発生または該故障の発生の原因となる状態変数を推測し、該推測された状態変数の値に関する該アラームの発生または該故障の発生を解消するための調整値を算出する。

アラームまたは故障の発生の原因となる状態変数を推測する一つの方法としては、状態データ記憶部１２に記憶された過去のデータを統計的に処理し、それぞれの状態変数とアラームまたは故障の発生（目的変数）との間の相関性を分析することにより行う方法が考えらえる。相関性の分析には機械学習を用いてもよいし、一般的な統計的手法を用いることもできる。なお、特定の状態変数間に相関性がある場合において、状態変数と目的変数の間での相関性の分析を行った場合、複数の状態変数が異常の原因となると推測される（同程度の相関性が高い状態変数が複数抽出される）ことがある。このような状況に対応するために、各状態変数の間に相関性がある場合には、あらかじめ各状態変数の間の関係性を登録しておいて該登録した関係性に基づいて調整対象とする状態変数を特定するようにすれば良い。例えば、射出速度が速すぎることが一次的な原因であり、その結果として圧力が高いという二次的な原因が起こることがある。この場合、射出速度と圧力の高さの関係を機械学習により登録しておいて、原因の特定としては一次的原因である射出速度の速さと、二次的原因である圧力の高さとを特定するようにすればよい。

アラームまたは故障の発生の原因となる状態変数を推測する別の方法としては、ヒューリスティックを用いる方法が考えられる。あらかじめ、それぞれのアラーム発生または故障発生に対するヒューリスティックを登録しておき、アラーム発生または故障発生が予測された時には登録されたヒューリスティックに従って異常の原因となる状態変数を特定するようにしてもよい。ヒューリスティックの例としては、例えば、「圧力アラームが予測されるとき、射出速度が所定の閾値以上である場合には射出速度が原因である」、といったようなものが考えられる。このようなヒューリスティックを機械学習により自動的に登録するようにしてもよいし、熟練のオペレータなどがあらかじめ登録しておくようにしてもよい。このようにして、アラームまたは故障の発生が予測される場合における原因となる状態変数を特定することができる。

更に、状態予測部１５は、アラームまたは故障の発生が予測された場合や、アラームまたは故障が実際に発生した場合に、該アラームまたは該故障の発生の原因であると推測される状態変数の値を、該アラームまたは該故障の発生を解消する値へと調整する。

原因であると推測される状態変数の値を調整する一つの方法としては、該アラームまたは該故障の発生の原因であると推測される状態変数の値を所定の範囲で変更し、該調整した状態変数の値を用いて学習結果記憶部１４に記憶される学習結果に基づくアラームまたは故障の発生の仮予測を行う。仮予測の結果としてアラームまたは故障が発生しないと予測される場合には、該調整した状態変数の値を調整値とし、仮予測の結果としてアラームまたは故障が発生すると予測される場合には該状態変数を再度調整し、これを仮予測においてアラームまたは故障が発生しなくなるまで繰り返す。状態変数の調整においては、各状態変数の種類毎に調整する正負の方向や１回の調整幅などを定義しておき、発生したまたは発生が予測されるアラームまたは故障の発生の原因である状態変数の調整を行うようにすれば良い。

そして、状態予測部１５は、アラームまたは故障の発生の予測される射出成形機の情報と、予測されるアラームまたは故障の発生、原因となる状態変数、および該原因となる状態変数の調整値を、予測結果出力部１６に対して出力する。

予測結果出力部１６は、状態予測部１５から出力された情報をオペレータに対して出力する。予測結果出力部１６は、異常診断装置が備える図示しない表示装置に対して状態予測部１５から出力された情報を表示するようにしてもよいし、該情報をネットワークを介して接続された図示しない集中管理装置に対して出力するようにしてもよい。また、状態予測部１５がアラームまたは故障の発生を予測したことを音や光などの手段で知らせるようにしてもよい。

なお、本発明の異常診断装置１０は、射出成形機の制御装置の一部として構成するようにしてもよいし、射出成形機の制御装置とは別の装置として構成してもよく、その場合、例えば複数の射出成形機を管理する管理装置の一部として構成するようにしてもよい。
また、異常診断装置１０が取得し、状態データ記憶部１２に記憶した各射出成形機の状態データは、各射出成形機に共通のデータとして管理するようにしてもよい。

更に、異常診断装置１０の機械学習器に相当する構成を異常診断装置１０に対して着脱可能に構成してもよい。学習が完了した機械学習器の学習結果記憶部１４に記憶されている学習結果や、状態データ記憶部１２に記憶されている状態データを取り出して、別の機械学習器に記憶させるようにすることで、学習が完了した機械学習器を量産することも可能である。

以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。

１ａ，１ｂ，１ｃ 射出成形機
１０ 異常診断装置
１１ 状態観測部
１２ 状態データ記憶部
１３ 状態学習部
１４ 学習結果記憶部
１５ 状態予測部
１６ 予測結果出力部

Claims (11)

1. 射出成形機の内的外的な状態変数を入力し、教師あり機械学習器によって射出成形機の異常を診断する異常診断装置であって、
   前記内的外的な状態変数は、射出成形機の駆動部の負荷、軸の周波数特性、樹脂圧力、型締力、アラーム発生履歴、機械操作履歴、成形サイクル毎の工程監視データ、成形条件、成形品の品質情報のうち少なくともひとつと、異常の発生有無の情報を含み、
   前記教師あり機械学習器は、異常が発生した時に得られた前記状態変数と、異常が発生しなかった時に得られた前記状態変数とを用いて機械学習を行うことで得られた内部パラメータを学習結果として記憶する、
   ことを特徴とする異常診断装置。
2. 前記機械学習の結果に基づいて、前記状態変数を用いて射出成形機の異常を予測する、ことを特徴とする請求項１に記載の異常診断装置。
3. 異常発生の予測時に、前記状態変数の中から異常の原因となる状態変数を特定する、
   ことを特徴とする請求項２に記載の異常診断装置。
4. 異常発生の予測時に、前記状態変数と異常の発生との相関を算出する、
   ことを特徴とする請求項２または３に記載の異常診断装置。
5. 異常発生の予測時に、異常が発生しないように前記状態変数の調整値を算出する、
   ことを特徴とする請求項２〜４のいずれか１つに記載の異常診断装置。
6. 異常の発生時に、前記状態変数の中から異常の原因となる状態変数を特定する、
   ことを特徴とする請求項１〜５のいずれか１つに記載の異常診断装置。
7. 異常の発生時に、前記状態変数と異常の発生との相関を算出する、
   ことを特徴とする請求項１〜６のいずれか１つに記載の異常診断装置。
8. 異常の発生時に、異常が発生しないように前記状態変数の調整値を算出する、
   ことを特徴とする請求項１〜７のいずれか１つに記載の異常診断装置。
9. 前記内的外的な状態変数は、ネットワークを介して接続される前記複数の射出成形機から入力する、
   ことを特徴とする請求項１〜８のいずれか１つに記載の異常診断装置。
10. 前記機械学習器の内部パラメータは、ネットワークを介して接続される複数の射出成形機において共有される、
    ことを特徴とする請求項１〜９のいずれか１つに記載の異常診断装置。
11. 射出成形機の内的外的な状態変数に基づいた射出成形機の異常診断を学習した教師あり機械学習器であって、
    前記内的外的な状態変数は、射出成形機の駆動部の負荷、軸の周波数特性、樹脂圧力、型締力、アラーム発生履歴、機械操作履歴、成形サイクル毎の工程監視データ、成形条件、成形品の品質情報のうち少なくともひとつと、異常の発生有無の情報を含み、
    異常が発生した時に得られた前記状態変数と、異常が発生しなかった時に得られた前記状態変数とを用いて機械学習を行うことで得られた内部パラメータを学習結果として記憶する、
    ことを特徴とする機械学習器。

Images