JP6573647B2

JP6573647B2 - An injection molding machine system consisting of a computer and multiple injection molding machines

Info

Publication number: JP6573647B2
Application number: JP2017134553A
Authority: JP
Inventors: 圭呉須佐
Original assignee: Japan Steel Works Ltd
Current assignee: Japan Steel Works Ltd
Priority date: 2017-07-10
Filing date: 2017-07-10
Publication date: 2019-09-11
Anticipated expiration: 2037-07-10
Also published as: JP2019014187A

Description

本発明は、計算機と、この計算機とネットワーク接続された複数台の射出成形機とからなる射出成形機システムに関するものであり、最適な成形条件が計算機において推定される射出成形機システムに関するものである。 The present invention relates to an injection molding machine system including a computer and a plurality of injection molding machines connected to the computer via a network, and relates to an injection molding machine system in which optimum molding conditions are estimated by the computer. .

射出成形機は、概略射出装置と型締装置とからなる。射出装置は、従来周知のように、加熱シリンダと、この加熱シリンダ内に回転方向と軸方向とに駆動可能に設けられているスクリュとから構成されている。一方、型締装置も従来周知であり、固定側金型が取り付けられている固定盤と、可動側金型が取り付けられている可動盤と、可動側金型を固定側金型に対して型開閉する型締機構とから構成されている。したがってスクリュを回転駆動すると共に樹脂材料を加熱シリンダに供給すると、樹脂材料は溶融し、そして加熱シリンダの先端に計量される。スクリュを軸方向に駆動して計量された溶融樹脂を型締めされた金型のキャビティに射出・充填し、そして冷却固化を待って可動金型を開くと、所定形状の成形品が得られる。 The injection molding machine generally includes an injection device and a mold clamping device. As is well known in the art, the injection device includes a heating cylinder and a screw provided in the heating cylinder so as to be driven in the rotational direction and the axial direction. On the other hand, a mold clamping device is also well known in the art, a fixed platen to which a fixed side die is attached, a movable platen to which a movable side die is attached, and a movable side die to a fixed side die And a mold clamping mechanism that opens and closes. Therefore, when the screw is driven to rotate and the resin material is supplied to the heating cylinder, the resin material is melted and measured at the tip of the heating cylinder. When the screw is driven in the axial direction to inject and fill the measured molten resin into the cavity of the clamped mold, and after cooling and solidification, the movable mold is opened to obtain a molded product having a predetermined shape.

適切に成形品を成形するには、射出成形において射出圧力、射出速度、樹脂温度、型締力等の成形条件を適切な値に設定する必要がある。ところで金型は成形する成形品毎に製作されており、キャビティの形状や容量等は金型毎に異なっている。また樹脂の種類も成形品毎に異なっている。従って、適切な成形条件は金型毎あるいは成形品毎に変わることになる。適切な成形条件を設定するために、射出成形機のオペレータはいわゆる成形条件出しを実施している。成形条件出しは、成形条件を変更しながら射出成形を実施して、良品を成形できる成形条件を探す作業であり、射出成形を繰り返す必要がある。しかしながら成形条件出しは、繰り返し試験を実施しなければならないので煩雑であり、作業時間を要する。 In order to mold a molded product appropriately, it is necessary to set molding conditions such as injection pressure, injection speed, resin temperature, mold clamping force and the like to appropriate values in injection molding. By the way, the mold is manufactured for each molded product to be molded, and the shape and capacity of the cavity are different for each mold. In addition, the type of resin is different for each molded product. Accordingly, appropriate molding conditions vary from mold to mold or from molded product to molded product. In order to set appropriate molding conditions, the operator of the injection molding machine performs so-called molding condition determination. Molding condition determination is an operation for performing molding while changing molding conditions and searching for molding conditions capable of molding non-defective products, and it is necessary to repeat injection molding. However, the determination of molding conditions is complicated and requires work time because repeated tests must be performed.

特開２００８−１１０４８６号公報JP 2008-110486 A 特開２００７−６６３２０号公報JP 2007-66320 A

特許文献１には、入力された成形条件から、その成形条件で成形する場合に得られる成形品の品質をニューラルネットワークによって予測して、射出成形機を運転する作業者の成形条件出しを支援する方法が記載されている。特許文献１に記載の方法によると、対象となる射出成形機と金型において試し成形を繰り返し実施し、良品が得られるような成形条件を複数組得る。そして得られた複数組の成形条件を入力項目とし、それぞれの成形条件における成形品の品質値を出力項目として、ニューラルネットワークに学習させる。このニューラルネットワークに任意の成形条件を入力すると、成形品の品質値を予測できるので、実際に射出成形の試験を実施しなくても、成形品の品質値を容易に予測することができ、これによって成形条件出しが容易になる。 In Patent Document 1, the quality of a molded product obtained when molding under the molding conditions is predicted from the input molding conditions by a neural network, and assists the operator who operates the injection molding machine to determine the molding conditions. A method is described. According to the method described in Patent Document 1, it is possible to repeatedly perform trial molding in the target injection molding machine and the mold, and to set a plurality of molding conditions so as to obtain good products. Then, a plurality of sets of molding conditions obtained are used as input items, and the quality value of the molded product under each molding condition is used as an output item to cause the neural network to learn. If arbitrary molding conditions are input to this neural network, the quality value of the molded product can be predicted, so the quality value of the molded product can be easily predicted without actually performing an injection molding test. This makes it easy to determine molding conditions.

最適な成形条件を推定する方法ではないが、特許文献２には、キャビティにおける樹脂の挙動等を解析する解析方法が記載されている。特許文献２に記載の解析方法によると、射出成形機のコントローラに金型のキャビティ形状について、これを数学的に定義されたデータとして入力し、また射出装置から金型までの樹脂経路についても数学的に定義されたデータとして入力する。そして金型温度、スプル入口における樹脂圧力、温度、流量等の射出条件データを入力する。コントローラにおいてはこれらの入力データから所定の数式によってキャビティ内での樹脂の挙動を解析するようになっている。このような解析は、成形条件の良否の判断において参考となり得る。 Although it is not a method for estimating optimum molding conditions, Patent Document 2 describes an analysis method for analyzing the behavior of a resin in a cavity. According to the analysis method described in Patent Document 2, the cavity shape of the mold is input to the controller of the injection molding machine as mathematically defined data, and the resin path from the injection device to the mold is also mathematically calculated. Input as automatically defined data. Then, injection condition data such as mold temperature, resin pressure at the inlet of the sprue, temperature, and flow rate are input. In the controller, the behavior of the resin in the cavity is analyzed from these input data by a predetermined mathematical formula. Such an analysis can be used as a reference in determining the quality of molding conditions.

特許文献１に記載の方法によれば、ニューラルネットワークによって任意の成形条件に対する成形品の品質値を予測することができるので、成形条件出しの支援になる。そうすると、所定の金型に対しては最適な成形条件を探すときに有用である。しかしながら問題も見受けられる。具体的には、この方法は学習の対象とした金型に対してしか、その成形品の品質を予測できないという問題がある。つまりニューラルネットワークに学習させるデータは、所定の金型を対象としてこの金型によって成形した成形品のデータだけであり、学習済みのニューラルネットワークは他の金型に対しては、成形品の品質値を予測することができない。オペレータは、成形したことがない新しい金型について成形条件出しをする場合があるが、この場合には特許文献１に記載の方法は成形条件出しの支援にはならない。 According to the method described in Patent Document 1, the quality value of a molded product with respect to an arbitrary molding condition can be predicted by a neural network. Then, it is useful when searching for optimum molding conditions for a predetermined mold. However, there are problems. Specifically, this method has a problem that the quality of the molded product can be predicted only for the mold to be learned. In other words, the data to be learned by the neural network is only the data of the molded product molded by this mold for a predetermined mold, and the learned neural network has the quality value of the molded product for other molds. Cannot be predicted. An operator may determine molding conditions for a new mold that has not been molded. In this case, the method described in Patent Document 1 does not support molding conditions.

特許文献２に記載の方法においては、金型のキャビティの形状や樹脂流路について数学的に定義したデータを入力して、これを元にキャビティにおける樹脂の流動挙動を解析するので解析の精度は高いと考えられる。このような流動挙動について解析するので、成形条件出しの作業において参考になる。しかしながら問題も見受けられる。具体的には、金型のキャビティの形状や樹脂流路について数学的に定義したデータが必要な点である。金型によっては、そのキャビティについて数学的に定義したデータが存在しない場合もあるが、そのような金型に対しては樹脂の流動挙動について解析できない。仮に金型のキャビティ等について数学的に定義したデータが存在しても、これをすぐには利用できない場合もある。数学的な定義方法には色々な方法があり、データのフォーマットも色々な形式があるからである。数学的に定義したデータであっても、特許文献２に記載の解析方法が利用可能な所定の形式と相違している場合、適切な形式に変換しなければ利用できない。つまり特許文献２に記載の方法を実施するには労力が大きいと考えられる。 In the method described in Patent Document 2, mathematically defined data on the shape of the mold cavity and the resin flow path are input, and the flow behavior of the resin in the cavity is analyzed based on this data. It is considered high. Since such flow behavior is analyzed, it can be used as a reference in the work of determining molding conditions. However, there are problems. Specifically, data that mathematically defines the shape of the mold cavity and the resin flow path are necessary. Depending on the mold, there may be no mathematically defined data on the cavity, but the resin flow behavior cannot be analyzed for such a mold. Even if there is mathematically defined data on the mold cavity, etc., this may not be immediately available. This is because there are various mathematical definition methods and various data formats. Even mathematically defined data cannot be used unless it is converted into an appropriate format when the analysis method described in Patent Document 2 is different from a predetermined format that can be used. That is, it is considered that much labor is required to implement the method described in Patent Document 2.

本発明は、上記したような問題点を解決した、射出成形機システムを提供することを目的としており、具体的には、労力がかからないにも拘わらず、熟練を要することなく色々な金型について最適な成形条件を推定することができ、それによって成形条件出しの作業が容易になる、計算機と複数台の射出成形機とからなる射出成形機システムを提供することを目的としている。 An object of the present invention is to provide an injection molding machine system that solves the above-described problems. Specifically, the present invention relates to various molds that do not require labor but require skill. An object of the present invention is to provide an injection molding machine system composed of a computer and a plurality of injection molding machines, which can estimate optimum molding conditions, thereby facilitating the work of determining molding conditions.

本発明は、上記目的を達成するために、多層構造のニューラルネットワークが設けられた計算機と、複数台の射出成形機とからなる射出成形機システムとして構成する。複数の射出成形機において、それぞれデータセットを収集し、ニューラルネットワークに入力・学習させるようにする。データセットは、射出成形機に関する仕様データと、成形条件データと、該成形条件データ下で成形された成形品の成形品画像データと、金型についての金型画像データとから構成する。ニューラルネットワークの入力層のニューロンに、仕様データと金型画像データと成形品画像データとを入力して処理する。そして出力層のニューロンにおいて成形条件データを教師信号して与えて学習させる。成形条件出しを実施する場合、学習済みのニューラルネットワークに対して、仕様データと、その金型画像データと、良品である成形品の成形品画像データを入力すると、推奨される成形条件データが出力される。 In order to achieve the above object, the present invention is configured as an injection molding machine system including a computer provided with a multilayered neural network and a plurality of injection molding machines. In each of the plurality of injection molding machines, a data set is collected and input and learned by a neural network. The data set is composed of specification data relating to an injection molding machine, molding condition data, molded product image data of a molded product molded under the molding condition data, and mold image data for a mold. Specification data, mold image data, and molded product image data are input to the neurons of the input layer of the neural network and processed. Then, in the output layer neurons, molding condition data is given as a teacher signal to be learned. When molding conditions are determined, the recommended molding condition data is output when the specification data, the mold image data, and the molded product image data of a non-defective molded product are input to the learned neural network. Is done.

かくして請求項１に記載の発明は、上記目的を達成するために、計算機と、該計算機とネットワーク接続された複数台の射出成形機とからなる射出成形機システムであって、前記計算機には多層構造のニューラルネットワークが設けられ、前記複数台の射出成形機のそれぞれにおいて収集されたデータセットが入力・学習されるようになっており、前記データセットは、前記射出成形機に関する仕様データと、前記射出成形機において設定されている成形条件データと、該成形条件データにおいて成形された成形品について所定の基準距離からかつ異なる複数の所定の基準角度から撮影された複数枚の成形品画像データと、金型について所定の基準距離からかつ異なる複数の所定の基準角度から撮影された複数枚の金型画像データとからなり、前記ニューラルネットワークは、入力層のニューロンにおいて前記仕様データと前記金型画像データと前記成形品画像データとが入力されて処理され、出力層のニューロンにおいて前記成形条件データが教師信号として与えられて学習されるようになっていることを特徴とする、計算機と複数台の射出成形機とからなる射出成形機システムとして構成される。
請求項２に記載の発明は、請求項１に記載の射出成形機システムにおいて、前記データセットは、樹脂の種類を示す樹脂データも含み、前記樹脂データは前記入力層に入力されるようになっていることを特徴とする、計算機と複数台の射出成形機とからなる射出成形機システムとして構成される。
請求項３に記載の発明は、請求項１または２のいずれかの項に記載の射出成形機システムにおいて、前記仕様データは少なくとも前記射出成形機の加熱シリンダの内径を含み、前記成形条件データは少なくとも射出ストロークと射出速度と射出圧力とを含んでいることを特徴とする、計算機と複数台の射出成形機とからなる射出成形機システムとして構成される。 Thus, in order to achieve the above object, an invention according to claim 1 is an injection molding machine system comprising a computer and a plurality of injection molding machines connected to the computer through a network. A neural network having a structure is provided, and a data set collected in each of the plurality of injection molding machines is input and learned, and the data set includes specification data regarding the injection molding machine, Molding condition data set in the injection molding machine, a plurality of molded product image data photographed from a predetermined reference distance and a plurality of different predetermined reference angles with respect to the molded product molded in the molding condition data; The mold consists of a plurality of mold image data shot from a predetermined reference distance and from a plurality of different predetermined reference angles. In the neural network, the specification data, the mold image data, and the molded product image data are input and processed in the neurons of the input layer, and the molding condition data is given as a teacher signal in the neurons of the output layer to learn. It is comprised as an injection molding machine system consisting of a computer and a plurality of injection molding machines.
According to a second aspect of the present invention, in the injection molding machine system according to the first aspect, the data set also includes resin data indicating a type of resin, and the resin data is input to the input layer. The injection molding machine system includes a computer and a plurality of injection molding machines.
According to a third aspect of the present invention, in the injection molding machine system according to the first or second aspect, the specification data includes at least an inner diameter of a heating cylinder of the injection molding machine, and the molding condition data is At least an injection stroke, an injection speed, and an injection pressure are included, and the system is configured as an injection molding machine system including a computer and a plurality of injection molding machines.

以上のように本発明は、計算機と、該計算機とネットワーク接続された複数台の射出成形機とからなる射出成形機システムであって、計算機には多層構造のニューラルネットワークが設けられ、複数台の射出成形機のそれぞれにおいて収集されたデータセットが入力・学習されるようになっている。そしてデータセットは、射出成形機に関する仕様データと、射出成形機において設定されている成形条件データと、該成形条件データにおいて成形された成形品について所定の基準距離からかつ異なる複数の所定の基準角度から撮影された複数枚の成形品画像データと、金型について所定の基準距離からかつ異なる複数の所定の基準角度から撮影された複数枚の金型画像データとからなる。このようなデータセットについて、ニューラルネットワークで次のように入力・学習される。すなわちニューラルネットワークは、入力層のニューロンにおいて仕様データと金型画像データと成形品画像データとが入力されて処理され、出力層のニューロンにおいて成形条件データが教師信号として与えられて学習されるようになっている。そうすると、成形条件が未知の金型について、最適な成形条件データを推定することができる。具体的には、金型について所定の基準距離からかつ異なる複数の所定の基準角度から撮影して複数枚の金型画像データを得る。そして良品である成形品についても所定の基準距離からかつ異なる複数の所定の基準角度から撮影して複数枚の成形品画像データを得る。学習済みのニューラルネットワークにおいて入力層から、このように得た金型画像データと、成形品画像データと、仕様データとを入力する。そうすると、出力層から成形条件データが出力される。このようにして出力される成形条件データは良品である成形品に対応して出力されたデータであるので、最適な成形条件データである可能性が高い。従って成形条件出しの作業が容易になる効果が得られる。このように最適な成形条件データを推定できるにも拘わらず、ニューラルネットワークの学習は、金型画像データ、成形条件データ等のデータを入力するだけであるので、労力も不要であるし金型についての数学的な定義データも不要である。つまり容易に実施できるという効果がある。他の発明によると、データセットは、樹脂の種類を示す樹脂データも含み、樹脂データは入力層に入力されるようになっている。樹脂の種類が相違すれば、最適な樹脂温度は変わるはずであり、成形条件データも変わるはずである。このようなデータセットによって学習したニューラルネットワークは、樹脂の種類に応じて最適な成形条件データを推定することができる。 As described above, the present invention is an injection molding machine system including a computer and a plurality of injection molding machines connected to the computer through a network, and the computer is provided with a multilayer neural network, A data set collected in each of the injection molding machines is input and learned. The data set includes specification data relating to the injection molding machine, molding condition data set in the injection molding machine, and a plurality of predetermined reference angles different from a predetermined reference distance with respect to a molded product molded in the molding condition data. And a plurality of mold image data photographed from a predetermined reference distance and from a plurality of different predetermined reference angles with respect to the mold. Such a data set is input and learned by a neural network as follows. That is, in the neural network, specification data, mold image data, and molded product image data are input and processed in the neurons of the input layer, and the molding condition data is given as a teacher signal and learned in the neurons of the output layer. It has become. Then, optimal molding condition data can be estimated for a mold whose molding conditions are unknown. Specifically, the mold is photographed from a predetermined reference distance and from a plurality of different predetermined reference angles to obtain a plurality of mold image data. A non-defective product is also photographed from a predetermined reference distance and from a plurality of different predetermined reference angles to obtain a plurality of molded product image data. In the learned neural network, the mold image data, the molded product image data, and the specification data obtained in this way are input from the input layer. Then, molding condition data is output from the output layer. Since the molding condition data output in this way is data output corresponding to a molded product that is a non-defective product, there is a high possibility that it is optimal molding condition data. Therefore, the effect of facilitating the work for determining the molding conditions can be obtained. In spite of being able to estimate the optimum molding condition data in this way, learning of the neural network only requires inputting data such as mold image data and molding condition data. No mathematical definition data is required. That is, there is an effect that it can be easily implemented. According to another invention, the data set also includes resin data indicating the type of resin, and the resin data is input to the input layer. If the type of resin is different, the optimum resin temperature should change, and the molding condition data should also change. A neural network learned by such a data set can estimate optimum molding condition data according to the type of resin.

本発明の実施の形態に係る射出成形機システムを模式的に示すネットワーク図である。It is a network diagram which shows typically the injection molding machine system which concerns on embodiment of this invention. 本発明の実施の形態に係る射出成形機システムに接続されている本実施の形態に係る射出成形機を示す正面図である。It is a front view which shows the injection molding machine which concerns on this Embodiment connected to the injection molding machine system which concerns on embodiment of this invention. 本発明の実施の形態に係る射出成形機システムに接続されている計算機に設けられている多層構造のニューラルネットワークを模式的に示す図である。It is a figure which shows typically the neural network of the multilayer structure provided in the computer connected to the injection molding machine system which concerns on embodiment of this invention.

本発明の実施の形態について説明する。本実施の形態に係る射出成形機システム１は、図１に示されているように、計算機３と、この計算機３とネットワーク接続されている多数の本実施の形態に係る射出成形機４、４、…とから構成されている。計算機３は実際には１台の計算機のみから構成されていてもいいし、クラスタリングされた複数台の計算機から構成されていてもいいが、射出成形機４、４、…からは計算機３はネットワーク上において１台の計算機として見えている。本実施の形態に係る射出成形機４、４、…は、次にその構成を説明するが、これらは各工場のＬＡＮ５、５、…に接続されている。これらのＬＡＮ５、５、…はインターネット６を介して計算機３が接続されているＬＡＮ５に接続されており、これによって各工場の射出成形機４、４、…が計算機３とネットワーク接続されている。本実施の形態に係る射出成形機システム１は、計算機３に設けられているニューラルネットワークによって、射出成形機４、４、…において収集される所定のデータセットが学習されるようになっているが、学習には膨大なデータセットが必要であり、従って多数の射出成形機４、４、…が接続されている。 Embodiments of the present invention will be described. As shown in FIG. 1, the injection molding machine system 1 according to the present embodiment includes a computer 3 and a number of injection molding machines 4 and 4 according to the present embodiment that are network-connected to the computer 3. , ... The computer 3 may actually be composed of only one computer, or may be composed of a plurality of clustered computers, but the computer 3 is a network from the injection molding machines 4, 4,. It is seen as one computer above. The structure of the injection molding machines 4, 4,... According to the present embodiment will be described next, and these are connected to the LANs 5, 5,. These LANs 5, 5,... Are connected to the LAN 5 to which the computer 3 is connected via the Internet 6, whereby the injection molding machines 4, 4,. In the injection molding machine system 1 according to the present embodiment, a predetermined data set collected in the injection molding machines 4, 4,... Is learned by a neural network provided in the computer 3. The learning requires a huge data set, and thus a large number of injection molding machines 4, 4,... Are connected.

本実施の形態に係る射出成形機４は、図２に示されているように、概ね従来の射出成形機と同様に構成されている。すなわち、樹脂を溶融して射出する射出装置１０と、型締装置１１とからなる。射出装置１０は、加熱シリンダ１３と、加熱シリンダ１３内で回転方向と軸方方向とに駆動される図示されないスクリュとから構成され、加熱シリンダ１３はヒータにより加熱されるようになっている。型締装置１１は、固定盤１５と可動盤１６とを備え、例えばトグル機構からなる型締機構１７によって可動盤１６が駆動されるようになっている。固定盤１５と可動盤１６には固定側金型１９と可動側金型２０とが設けられている。これらは型締機構１７を駆動すると型開閉されるようになっている。 As shown in FIG. 2, the injection molding machine 4 according to the present embodiment is configured in the same manner as a conventional injection molding machine. That is, it comprises an injection device 10 that melts and injects a resin, and a mold clamping device 11. The injection device 10 includes a heating cylinder 13 and a screw (not shown) that is driven in the rotation direction and the axial direction within the heating cylinder 13, and the heating cylinder 13 is heated by a heater. The mold clamping device 11 includes a fixed platen 15 and a movable platen 16, and the movable platen 16 is driven by a mold clamping mechanism 17 including a toggle mechanism, for example. The fixed platen 15 and the movable platen 16 are provided with a fixed mold 19 and a movable mold 20. These are opened and closed when the mold clamping mechanism 17 is driven.

本実施の形態に係る射出成形機４は、４台のカメラ２２、２３、…が設けられている点に特徴がある。カメラ２２、２２は図２においては１台しか示されていないように見えるが、紙面の深さ方向に２台が設けられ、これによって異なる２角度から可動側金型２０をそのパーティングラインから撮影するようになっている。これらの２角度は、すべての射出成形機４、４、…において基準角度として統一されている。具体的には、可動側金型２０のパーティングラインの中心から見て、一定の仰角でかつ所定の２角度の方向にカメラ２２、２２が設けられており、これらのカメラ２２、２２によってどの射出成形機４、４、…においても、可動側金型２０のパーティングラインが所定の２角度の基準角度から撮影されることなる。これらのカメラ２２、２２は、可動側金型２０の中心からの距離が所定の基準距離になっており、基準距離も全ての射出成形機４、４、…において同一、すなわち統一されている。カメラ２２、２２は、本実施の形態においては固定盤１５の所定の部材に固定されているが、どのような部材に設けられていてもよい。このようなカメラ２２、２２と同様に他方の２台のカメラ２３、２３も、図２においては１台しか示されていないように見えるが、紙面の深さ方向に２台が設けられ、同一の基準距離から２角度の基準角度によって固定側金型１９をパーティングラインから撮影するようになっている。ところで、１個の対象について異なる２角度から撮影して得られる２枚の画像データがあれば、所定の手法により数学的に分析してその対象の凹凸を正確に解析することができる。そうすると、固定側金型１９と可動側金型２０についてもキャビティの凹凸を正確に解析できるはずである。しかしながら本実施の形態に係る射出成形機システム１では、このような数学的な解析は実施しない。後で説明するようにこれらの画像データはニューラルネットワークに入力データとして入力するだけである。ニューラルネットワークにおいて周知のアルゴリズムによって処理され、後で説明する所定の教師信号によって学習されることになる。ところで、本実施の形態に係る射出成形機４では、固定側金型１９、可動側金型２０について、２角度の基準角度から撮影されるのでそれぞれ２枚の画像データが得られる。つまり合計４枚の画像データが得られることになるが、これらをまとめて本明細書において金型画像データと呼ぶ。 The injection molding machine 4 according to the present embodiment is characterized in that four cameras 22, 23,... Are provided. Although it seems that only one camera 22 or 22 is shown in FIG. 2, two cameras are provided in the depth direction of the paper surface, so that the movable mold 20 can be removed from its parting line from two different angles. It is supposed to shoot. These two angles are standardized as reference angles in all the injection molding machines 4, 4,. Specifically, cameras 22, 22 are provided at a predetermined elevation angle and in two predetermined directions as viewed from the center of the parting line of the movable mold 20. Also in the injection molding machines 4, 4,..., The parting line of the movable mold 20 is photographed from two predetermined reference angles. These cameras 22, 22 have a predetermined reference distance from the center of the movable mold 20, and the reference distance is the same in all the injection molding machines 4, 4. The cameras 22 and 22 are fixed to a predetermined member of the fixed platen 15 in the present embodiment, but may be provided on any member. Like the cameras 22 and 22, the other two cameras 23 and 23 appear to be only one in FIG. 2, but two cameras are provided in the depth direction of the paper surface and are identical. The fixed mold 19 is photographed from the parting line at a reference angle of two angles from the reference distance. By the way, if there are two pieces of image data obtained by photographing one object from two different angles, it is possible to accurately analyze the unevenness of the object by mathematical analysis by a predetermined method. Then, the concave and convex portions of the cavity should be accurately analyzed with respect to the fixed side mold 19 and the movable side mold 20 as well. However, such mathematical analysis is not performed in the injection molding machine system 1 according to the present embodiment. As will be described later, these image data are only input to the neural network as input data. It is processed by a known algorithm in the neural network and learned by a predetermined teacher signal described later. By the way, in the injection molding machine 4 according to the present embodiment, since the fixed side mold 19 and the movable side mold 20 are photographed from two reference angles, two pieces of image data are obtained. That is, a total of four pieces of image data are obtained, and these are collectively referred to as mold image data in this specification.

本実施の形態に係る射出成形機システム１に設けられる射出成形機には、成形された成形品についても画像データが必要になる。具体的には成形品について、その表面側と裏面側について所定の基準距離で、かつ異なる２角度の基準角度から撮影する必要がある。図には示されていないが、成形品の表面側と裏面側とを撮影するために所定のカメラが射出成形機４の近傍に設けられている。ただし、本実施の形態に係る射出成形機４、４、…においては、可動側金型２０を撮影するカメラ２２、…が成形品の表面側の撮影も兼ねるようになっている。表面側は次のようにして撮影される。すなわち成形後型開きすると、成形品は可動側金型２０に残る。この状態でカメラ２２、２２によって撮影すると、成形品の表面側が同一の基準距離で２角度の基準角度から撮影されることになる。この後、図に示されていない突出装置によって成形品が金型２０から突き出され、図に示されていないロボットチャック等により射出成形機４の近傍に設けられている所定のカメラの前に搬送されるようになっている。搬送された成形品は、このカメラによってその裏面側が同一の基準距離で２角度の基準角度から撮影される。なお、成形品についてその表面側と裏面側とを同一の基準距離で２角度の基準角度から撮影することができれば、カメラ２２、…を使用せずに他のカメラで撮影してもよいし、あるいはカメラ２２、２３、…を利用して撮影してもよい。 The injection molding machine provided in the injection molding machine system 1 according to the present embodiment requires image data for the molded product. Specifically, it is necessary to photograph a molded product from two different reference angles at a predetermined reference distance on the front side and the back side. Although not shown in the drawing, a predetermined camera is provided in the vicinity of the injection molding machine 4 in order to photograph the front side and the back side of the molded product. However, in the injection molding machines 4, 4,... According to the present embodiment, the cameras 22,... That photograph the movable mold 20 also serve for photographing the surface side of the molded product. The front side is photographed as follows. That is, when the mold is opened after molding, the molded product remains in the movable mold 20. When photographing is performed with the cameras 22 and 22 in this state, the surface side of the molded product is photographed from two reference angles at the same reference distance. Thereafter, the molded product is ejected from the mold 20 by a projecting device not shown in the drawing, and is conveyed in front of a predetermined camera provided in the vicinity of the injection molding machine 4 by a robot chuck or the like not shown in the drawing. It has come to be. The conveyed molded product is photographed from the reference angle of two angles at the same reference distance on the back side by this camera. If the front side and the back side of the molded product can be taken from two reference angles at the same reference distance, they may be taken by other cameras without using the cameras 22,. Or you may image | photograph using the cameras 22, 23, ....

本実施の形態に係る射出成形機４、４、…は、複数のデータからなるデータセットを計算機３に送信するようになっている。本実施の形態においてデータセットは、金型画像データと、成形品画像データと、射出成形機４の仕様データと、成形条件データからなる。仕様データは、射出成形機４の仕様に関するデータであり、少なくとも加熱シリンダ１３の内径が含まれる。例えば仕様データとして、最大型締力等も採用してもいいが、全ての射出成形機４、４、…において採用するデータについて統一しておく必要がある。例えば仕様データとして加熱シリンダ１３の内径のみを採用する場合には、全ての射出成形機４、４、…において仕様データは加熱シリンダ１３の内径のみになる。成形条件データは、成形に際して射出成形機４に設定した条件のデータである。成形条件データは、少なくともスクリュのストロークである射出ストロークと、スクリュの速度である射出速度と、射出時の樹脂圧力である射出圧力とを含んでいる。成形条件データについても、どの条件データを採用するかについては全ての射出成形機４、４、…において統一されている。 The injection molding machines 4, 4,... According to the present embodiment transmit a data set composed of a plurality of data to the computer 3. In the present embodiment, the data set includes mold image data, molded product image data, specification data of the injection molding machine 4, and molding condition data. The specification data is data relating to the specification of the injection molding machine 4 and includes at least the inner diameter of the heating cylinder 13. For example, the maximum clamping force or the like may be adopted as the specification data, but it is necessary to unify the data adopted in all the injection molding machines 4, 4,. For example, when only the inner diameter of the heating cylinder 13 is adopted as the specification data, the specification data is only the inner diameter of the heating cylinder 13 in all the injection molding machines 4, 4. The molding condition data is data of conditions set in the injection molding machine 4 at the time of molding. The molding condition data includes at least an injection stroke that is a screw stroke, an injection speed that is a screw speed, and an injection pressure that is a resin pressure at the time of injection. As for the molding condition data, which condition data is adopted is unified in all the injection molding machines 4, 4,.

本実施の形態に係る射出成形機システム１では、計算機３において図３に示されているようなニューラルネットワーク２５が設けられている。ニューラルネットワーク２５は、複数個のニューロンからなる入力層２６と、同様に複数個のニューロンからなる出力層２７と、複数個のニューロンからなる１層または複数層の中間層２８とから構成された多層構造になっている。各層を構成しているニューロンはシグモイド関数等のいわゆる活性化関数と所定のバイアスとを備え、入力されたデータにバイアスを加算して活性化関数で処理して出力するようになっている。所定の層に属するニューロンと、隣の層に属するニューロンは互いにシナプスで接続され、シナプスは出力の重み、つまり出力に乗じる係数からなる。従って、所定の層に属する複数個のニューロンの出力は、シナプスつまり係数が乗じられ、これらが加算されて、次の層に属するニューロンに入力されるようになっている。このようにして入力層２６のニューロンに入力された入力データが処理され中間層２８に伝達され、中間層２８のニューロンで処理されて出力層２７に伝達され、最終的に出力層２７のニューロンから出力されることになる。出力層２７においては、出力すべき出力データを教師信号として与え、いわゆるバックプロパゲーションにより学習させる。つまり教師信号が出力されるように、シナプスの重み、つまり係数や、各ニューロンにおけるバイアスが修正される。いわゆるディープラーニングは、バックプロパゲーションによる学習の効率を飛躍的に高める複数の手法が採用されたニューラルネットワークであるが、本実施の形態におけるニューラルネットワーク２５もそのように学習効率が高い色々な手法が採用されている。 In the injection molding machine system 1 according to the present embodiment, the computer 3 is provided with a neural network 25 as shown in FIG. The neural network 25 is a multilayer composed of an input layer 26 made up of a plurality of neurons, an output layer 27 made up of a plurality of neurons, and one or more intermediate layers 28 made up of a plurality of neurons. It has a structure. The neurons constituting each layer are provided with a so-called activation function such as a sigmoid function and a predetermined bias, and the bias is added to the input data and processed by the activation function and output. A neuron belonging to a predetermined layer and a neuron belonging to an adjacent layer are connected to each other at a synapse, and the synapse includes an output weight, that is, a coefficient to be multiplied by the output. Therefore, the outputs of a plurality of neurons belonging to a predetermined layer are multiplied by synapses, that is, coefficients, and these are added and input to the neurons belonging to the next layer. In this way, the input data input to the neurons of the input layer 26 is processed and transmitted to the intermediate layer 28, processed by the neurons of the intermediate layer 28, transmitted to the output layer 27, and finally from the neurons of the output layer 27. Will be output. In the output layer 27, output data to be output is given as a teacher signal and is learned by so-called back propagation. That is, the synaptic weight, that is, the coefficient and the bias in each neuron are corrected so that the teacher signal is output. So-called deep learning is a neural network that employs a plurality of methods that dramatically increase the efficiency of learning by backpropagation. The neural network 25 in the present embodiment also has various methods with such high learning efficiency. It has been adopted.

本実施の形態に係る射出成形機システム１では、複数の射出成形機４、４、…において収集されたデータセットが計算機３のニューラルネットワーク２５に入力されて学習される。具体的には次のように処理する。データセットのうち、仕様データと、金型画像データと、成形品画像データとを入力層２６に入力するようにし、成形条件データを教師信号として出力層２７に与えるようにする。仕様データが加熱シリンダの内径のみからなる場合には、内径のデータを所定のレンジで正規化、つまり０〜１の範囲に変換して入力層２６の１個のニューロンの入力とするようにする。例えば、加熱シリンダの内径が４０ｍｍで与えられるとき、正規化用のレンジを０〜２００ｍｍとすると、正規化されたデータは４０／２００＝０．２となる。これを１個のニューロンに与える。金型画像データや成形品画像データは、画像データのピクセル１個ずつの数値を正規化して対応する１個のニューロンに与える。成形条件データも同様に正規化して出力層２７のニューロンに与える。例えば射出ストロークが１５０ｍｍのとき、正規化用のレンジを０〜１５００ｍｍとすると、正規化されたデータは０．１となる。これを教師信号として１個のニューロンに与える。他の成形条件データについても、所定のレンジにより正規化してそれぞれ対応するニューロンに教師信号として与える。このようにして正規化したデータによりニューラルネットワーク２５を学習させる。なお、射出成形機システム１には多数の射出成形機４、４、…がネットワーク接続されているが、どの射出成形機４、４、…において収集されるデータセットについても、同じ種類のデータについて正規化するときは、共通の正規化用のレンジを使用するようにする。 In the injection molding machine system 1 according to the present embodiment, a data set collected by the plurality of injection molding machines 4, 4,... Is input to the neural network 25 of the computer 3 and learned. Specifically, the processing is as follows. Of the data set, the specification data, the mold image data, and the molded product image data are inputted to the input layer 26, and the molding condition data is given to the output layer 27 as a teacher signal. When the specification data consists only of the inner diameter of the heating cylinder, the inner diameter data is normalized by a predetermined range, that is, converted to a range of 0 to 1 so as to be input to one neuron of the input layer 26. . For example, when the inner diameter of the heating cylinder is given as 40 mm and the normalization range is 0 to 200 mm, the normalized data is 40/200 = 0.2. This is given to one neuron. The mold image data and the molded product image data are given to one corresponding neuron by normalizing the numerical value of each pixel of the image data. The molding condition data is also normalized and given to the neurons of the output layer 27 in the same manner. For example, when the injection stroke is 150 mm and the normalization range is 0 to 1500 mm, the normalized data is 0.1. This is given to one neuron as a teacher signal. Other molding condition data is also normalized by a predetermined range and given as a teacher signal to each corresponding neuron. The neural network 25 is learned by the data normalized in this way. In addition, although many injection molding machines 4, 4, ... are network-connected to the injection molding machine system 1, about the data set collected in any injection molding machine 4, 4, ..., about the same kind of data, When normalizing, use a common normalization range.

多数の射出成形機４、４、…から収集される膨大な数のデータセットにより学習が進んだニューラルネットワーク２５には、良品や不良品の成形品と、それぞれを成形したときの成形条件データとの関係が記憶される。データセットを構成する成形品画像データには、成形不良の成形品についての成形品画像データもあれば、良品の成形品についての成形品画像もあり、これらを成形したときのそれぞれの成形条件データが関連付けられて学習されるからである。そしてニューラルネットワーク２５には色々な金型についてもその金型画像データが入力されているので、異なる色々な金型についても関連して学習されている。そうすると、学習が進んだニューラルネットワーク２５は、成形条件データが未知である新しい金型に対して、最適な成形条件データを推定することができる。具体的には次のようにする。新しい金型について基準距離でかつ２角度の基準角度から撮影して、金型画像データを得る。良品である成形品を入手し、これを基準距離でかつ２角度の基準角度から撮影して成形品画像データを得る。新しい金型が取付けられている射出成形機４の仕様データを得る。つまり加熱シリンダの内径を得る。これらを正規化してニューラルネットワーク２５の入力層２６の対応するニューロンに入力する。そうすると出力層２７のそれぞれのニューロンから出力が得られる。これらの出力は成形条件データが正規化されたものである。従って、これらを対応する所定のレンジで処理すると成形条件データが得られる。ところで入力として与えた成形品画像データは、良品の成形品の画像データである。そうすると良品の成形品と相関が高い成形条件データが出力されているはずである。つまりニューラルネットワーク２５は、成形条件が未知である新しい金型に対して最適な成形条件を推定することができる。 In the neural network 25 that has been learned by a huge number of data sets collected from a large number of injection molding machines 4, 4,..., Non-defective products and defective products, molding condition data when molding each, The relationship is stored. The molded product image data constituting the data set includes molded product image data for defective molded products and molded product images for good molded products. Each molding condition data when these are molded This is because they are learned in association with each other. Since the mold image data is input to the neural network 25 for various molds, different types of molds are learned in association with each other. Then, the learned neural network 25 can estimate optimum molding condition data for a new mold whose molding condition data is unknown. Specifically: A new mold is photographed at a reference distance and from two reference angles to obtain mold image data. A molded product that is a non-defective product is obtained, and this is photographed at a reference distance and from two reference angles to obtain molded product image data. The specification data of the injection molding machine 4 to which a new mold is attached is obtained. That is, the inner diameter of the heating cylinder is obtained. These are normalized and input to the corresponding neurons of the input layer 26 of the neural network 25. Then, an output is obtained from each neuron of the output layer 27. These outputs are obtained by normalizing the molding condition data. Therefore, if these are processed in a corresponding predetermined range, molding condition data can be obtained. Incidentally, the molded product image data given as input is image data of a good molded product. Then, molding condition data having a high correlation with a good molded product should be output. That is, the neural network 25 can estimate optimum molding conditions for a new mold whose molding conditions are unknown.

本実施の形態に係る射出成形機システム１は色々な変形が可能である。例えば、データセットとして樹脂の種類を追加することもできる。樹脂をその種類に応じてユニークなコードを付与するようにする。例えばポリカーボネートは３、ＡＢＳ樹脂は４、等のようにする。ニューラルネットワーク２５の入力層２６に樹脂の種類のコードを入力するための所定数のニューロンを用意し、ポリカーボネートが入力されるときは３番目のニューロンに１を与え、ＡＢＳ樹脂が入力されるときは４番目のニューロンに１を与えるようにする。このようにすると、樹脂の種類も関連付けて学習させることができるので、樹脂の種類に応じて最適な成形条件データを推定することができる。成形条件データを増やすことも可能である。例えば樹脂温度、保圧工程における圧力等を追加することができ、追加した成形条件データの個数に適合するように出力層２７のニューロンの個数を増やせば良い。さらに他の変形も可能である。金型画像データや成形品画像データは、異なる２角度から撮影された２枚の画像データであるように説明したが、異なる３角度以上から撮影された３枚の画像データであってもよい。 The injection molding machine system 1 according to the present embodiment can be variously modified. For example, the type of resin can be added as a data set. The resin is given a unique code according to its type. For example, 3 for polycarbonate, 4 for ABS resin, and so on. A predetermined number of neurons are prepared for inputting a resin type code to the input layer 26 of the neural network 25. When polycarbonate is input, 1 is given to the third neuron, and when ABS resin is input. 1 is given to the fourth neuron. In this way, since the type of resin can also be learned in association with each other, optimal molding condition data can be estimated according to the type of resin. It is also possible to increase the molding condition data. For example, the resin temperature, the pressure in the pressure holding process, and the like can be added, and the number of neurons in the output layer 27 may be increased to match the number of added molding condition data. Still other variations are possible. The mold image data and the molded product image data are described as two pieces of image data photographed from two different angles, but may be three pieces of image data photographed from three or more different angles.

１射出成形機システム３計算機
４射出成形機５ＬＡＮ
６インターネット１０射出装置
１１型締装置１３加熱シリンダ
１５固定盤１６可動盤
１７型締機構１９固定側金型
２０可動側金型２２カメラ
２３カメラ２５ニューラルネットワーク
２６入力層２７出力層
２８中間層 DESCRIPTION OF SYMBOLS 1 Injection molding machine system 3 Computer 4 Injection molding machine 5 LAN
6 Internet 10 Injection Device 11 Mold Clamping Device 13 Heating Cylinder 15 Fixed Plate 16 Movable Plate 17 Mold Clamping Mechanism 19 Fixed Side Mold 20 Movable Side Mold 22 Camera 23 Camera 25 Neural Network 26 Input Layer 27 Output Layer 28 Intermediate Layer

Claims

An injection molding machine system comprising a computer and a plurality of injection molding machines connected to the computer via a network,
The computer is provided with a multilayered neural network, and a data set collected in each of the plurality of injection molding machines is input and learned,
The data set includes specification data relating to the injection molding machine, molding condition data set in the injection molding machine, and a plurality of different predetermined distances from a predetermined reference distance for a molded product molded in the molding condition data. It consists of a plurality of molded product image data photographed from a reference angle, and a plurality of mold image data photographed from a predetermined reference distance and a plurality of different reference angles for the mold,
In the neural network, the specification data, the mold image data, and the molded product image data are input and processed in the neurons of the input layer, and the molding condition data is given as a teacher signal in the neurons of the output layer to learn. An injection molding machine system comprising a computer and a plurality of injection molding machines, wherein

2. The computer according to claim 1, wherein the data set includes resin data indicating a type of resin, and the resin data is input to the input layer. And an injection molding machine system consisting of multiple injection molding machines.

3. The injection molding machine system according to claim 1, wherein the specification data includes at least an inner diameter of a heating cylinder of the injection molding machine, and the molding condition data includes at least an injection stroke, an injection speed, and an injection pressure. An injection molding machine system comprising a computer and a plurality of injection molding machines.