JP6773740B2 - 状態判定装置及び状態判定方法 - Google Patents

状態判定装置及び状態判定方法 Download PDF

Info

Publication number
JP6773740B2
JP6773740B2 JP2018185855A JP2018185855A JP6773740B2 JP 6773740 B2 JP6773740 B2 JP 6773740B2 JP 2018185855 A JP2018185855 A JP 2018185855A JP 2018185855 A JP2018185855 A JP 2018185855A JP 6773740 B2 JP6773740 B2 JP 6773740B2
Authority
JP
Japan
Prior art keywords
data
injection molding
molding machine
learning
state determination
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2018185855A
Other languages
English (en)
Other versions
JP2020055146A (ja
Inventor
淳史 堀内
淳史 堀内
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fanuc Corp filed Critical Fanuc Corp
Priority to JP2018185855A priority Critical patent/JP6773740B2/ja
Priority to US16/561,018 priority patent/US11772312B2/en
Priority to DE102019125477.9A priority patent/DE102019125477B4/de
Priority to CN201910919086.0A priority patent/CN110962315B/zh
Publication of JP2020055146A publication Critical patent/JP2020055146A/ja
Application granted granted Critical
Publication of JP6773740B2 publication Critical patent/JP6773740B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/76—Measuring, controlling or regulating
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/76—Measuring, controlling or regulating
    • B29C45/768—Detecting defective moulding conditions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76003—Measured parameter
    • B29C2945/76163—Errors, malfunctioning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76494—Controlled parameter
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76929—Controlling method
    • B29C2945/76939—Using stored or historical data sets
    • B29C2945/76949—Using stored or historical data sets using a learning system, i.e. the system accumulates experience from previous occurrences, e.g. adaptive control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33034—Online learning, training
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34465—Safety, control of correct operation, abnormal states
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45244—Injection molding
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49065—Execute learning mode first for determining adaptive control parameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Description

本発明は、状態判定装置及び状態判定方法に関し、特に射出成形機の保守を補助する状態判定装置及び状態判定方法に関する。
射出成形機等の産業機械の保守は定期的あるいは異常発生時に行っている。産業機械を保守する際には、産業機械の動作時に記録しておいた産業機械の動作状態を示す物理量を用いることにより、保守担当者が産業機械の動作状態の異常有無を判定し、異常が生じた部品の交換などの保守作業を行なう。
例えば、射出成形機が備える射出シリンダの逆流防止弁の保守作業としては、定期的に射出シリンダからスクリュを抜き出して、逆流防止弁の寸法を直接測定する方法が知られている。しかしながら、この方法では生産を一旦停止して、測定作業を行わなくてはならず、生産性が低下するという問題が有った。
この様な問題を解決するための従来技術として、射出シリンダからスクリュを抜き出すなど生産を一旦停止させることなく、間接的に射出シリンダの逆流防止弁の摩耗量を検出して異常を診断する方法として、スクリュに加わる回転トルクの検出や、樹脂がスクリュ後方へ逆流する現象を検出して、異常を診断する方法が知られている。例えば特許文献１には、スクリュの回転方法に作用する回転トルクを測定して許容範囲を超えたら異常と判定することが示されている。また、特許文献２，３には、駆動部の負荷や樹脂圧力などを教師あり学習によって異常を診断することが示されている。更に、特許文献４には、複数の製造機械の内部情報を取得して、ぞれぞれの製造機械より取得した内部情報の差異を比較して異常を発見することが示されている。
特開平０１−１６８４２１号公報 特開２０１７−０３０２２１号公報 特開２０１７−２０２６３２号公報 特許第６０３１２０２号公報
しかしながら、特許文献１に開示される技術では、射出成形機の駆動部を構成するモータの定格トルクやイナーシャ、減速機の減速比などの諸元が異なる機械では、異常と判断する許容範囲を調整する作業を必要する課題があった。
また、特許文献２，３に開示される技術では、射出成形機の駆動部を構成する要素の諸元が異なる機械では、該機械より得られる測定値と機械学習時に入力した学習データの数値との乖離が大きく、正しく機械学習による診断ができない課題があった。例えば、大型の射出成形機を運転した際に得られる駆動部の負荷や樹脂圧力などの測定値は大きいが、小型の射出成形機を運転して得られる駆動部の負荷や樹脂圧力の測定値は小さい。そのため、大型の射出成形機を運転した際に得られる駆動部の負荷や樹脂圧力などの測定値を学習データとして機械学習させた学習モデルを用いて、小型の射出成形機を運転して得られる測定値をそのまま学習データとして異常度を推定しても射出成形機毎に異なる諸元の差異が影響して正しく異常度を推定できない課題があった。
更に、特許文献４に開示される技術では、例えば大型と小型の射出成形機では機械を運転して得られる駆動部の負荷や樹脂圧力の測定値に差異があるので、測定値を内部情報として比較しても、異常有無を正しく推定できない課題があった。
機械学習の技術を用いる場合、機械学習の学習モデルを作成する際に、学習条件として射出成形機を構成するモータ、減速機、可動部の機材の組合せの数だけ多種多様な学習条件を準備して機械学習させることで、様々な大きさ、様々な機材を備えた機械に対応させて診断精度をあげることもできるが、モータ、減速機、可動部を機材の組合せの数だけ該当部品を用意するには、多くのコストを要し、その上、機械を運転する際には、樹脂やワーク等の生産材も用意する必要があり、学習データを取得するために要する生産材のコストも大きい。また、学習データを取得する作業に、多くの時間を要する。そのため、効率的に学習データを収集できない課題があった。
そこで本発明の目的は、大きなコストを掛けることなく様々な射出成形機の保守を補助することが可能な状態判定装置及び状態判定方法を提供することである。
本発明では、機械学習に入力する時系列の物理量について、原動機の種類等の諸元が異なる射出成形機より取得した時系列の物理量であっても、射出成形機に記憶されている諸元データに基づいて観測した時系列の物理量（電流、速度など）を基準となる尺度の物理量へと数値変換して導いた状態変数を学習データとして機械学習に入力して異常度を推定することによって、上記課題を解決する。
より具体的には、射出成形機の機種が異なっても、例えば機械のサイズが小型／大型と異なっている場合や、射出成形機を構成する射出装置や型締め装置、あるいは射出シリンダやスクリュや原動機等の構成部品が異なっている場合であっても、機種や構成部品の差異を吸収するように数値変換された学習データを機械学習に適用することよって異常度を推定することを実現する。
また、機械学習の出力として得られる異常度を基に、異常度が所定の閾値を超えた場合、作業者の安全を確保するため、機械の可動部の動作を停止あるいは減速させたり、あるいは安全な状態で可動部が動作するように可動部を駆動する原動機を減速させたり、原動機の駆動トルクを小さく制限したり、異常の状態を表現するメッセージやアイコンを表示装置に表示する手段をも設ける。
そして、本発明の一態様は、射出成形機における動作状態を判定する状態判定装置であって、前記射出成形機に係るデータを取得するデータ取得部と、基準となる射出成形機、及び該基準となる射出成形機とは異なる少なくとも１つの他の射出成形機の諸元データを記憶する諸元データ記憶部と、前記諸元データ記憶部に記憶された、前記基準となる射出成形機の諸元データ及び前記他の射出成形機の諸元データを用いて、データの種類毎に定められた変換式により前記データ取得部が取得したデータを基準尺度のデータへと変換する数値変換部と、前記数値変換部により変換された前記基準尺度のデータを用いた機械学習を行い、学習モデルを生成する学習部と、を備えた状態判定装置である。
本発明の他の一態様は、射出成形機における動作状態を判定する状態判定装置であって、前記射出成形機に係るデータを取得するデータ取得部と、基準となる射出成形機、及び該基準となる射出成形機とは異なる少なくとも１つの他の射出成形機の諸元データを記憶する諸元データ記憶部と、前記諸元データ記憶部に記憶された、前記基準となる射出成形機の諸元データ及び前記他の射出成形機の諸元データを用いて、データの種類毎に定められた変換式により前記データ取得部が取得したデータを基準尺度のデータへと変換する数値変換部と、基準となる射出成形機に係る基準尺度のデータに基づいて機械学習した学習モデルを記憶する学習モデル記憶部と、前記数値変換部により変換された前記基準尺度のデータに基づいて、前記学習モデル記憶部に記憶された学習モデルを用いた推定を行う推定部と、を備えた状態判定装置である。
本発明の他の態様は、射出成形機における動作状態を判定する状態判定方法であって、前記射出成形機に係るデータを取得するデータ取得ステップと、基準となる射出成形機、及び該基準となる射出成形機とは異なる少なくとも１つの他の射出成形機の諸元データより呼び出した諸元値を用いて、データの種類毎に定められた変換式により前記データ取得ステップで取得したデータを基準尺度のデータへと変換する数値変換ステップと、前記数値変換ステップで変換された前記基準尺度のデータを用いた機械学習を行い、学習モデルを生成する学習ステップと、を実行する状態判定方法である。
本発明の他の態様は、射出成形機における動作状態を判定する状態判定方法であって、前記射出成形機に係るデータを取得するデータ取得ステップと、基準となる射出成形機、及び該基準となる射出成形機とは異なる少なくとも１つの他の射出成形機の諸元データより呼び出した諸元値を用いて、データの種類毎に定められた変換式により前記データ取得ステップで取得したデータを基準尺度のデータへと変換する数値変換ステップと、基準となる射出成形機に係る基準尺度のデータに基づいて機械学習した学習モデルを用いて、前記数値変換ステップで変換された前記基準尺度のデータに基づいて射出成形機の状態の推定を行う推定ステップと、を実行する状態判定方法である。
本発明により、射出成形機の様々な機種における学習データを収集して機械学習しなくとも、学習時及び推定時において取得されたデータが基準尺度のデータへと数値変換されて学習乃至推定処理が行われるため、機械学習時において大きなコストを掛けることなく様々な射出成形機に係る状態の推定を行うことができるようになる。
一実施形態による状態判定装置の概略的なハードウェア構成図である。 第１実施形態による状態判定装置の概略的な機能ブロック図である。 諸元データの例を示す図である。 トルク値の数値変換の例を示す図である。 射出圧の数値変換の例を示す図である。 第２実施形態による状態判定装置の学習時の概略的な機能ブロック図である。 異常状態の表示例を示す図である。
以下、本発明の実施形態を図面と共に説明する。
図１は一実施形態による機械学習装置を備えた状態判定装置の要部を示す概略的なハードウェア構成図である。本実施形態の状態判定装置１は、例えば射出成形機を制御する制御装置上に実装することができる。また、本実施形態の状態判定装置１は、射出成形機を制御する制御装置と併設されたパソコンや、該制御装置と有線／無線のネットワークを介して接続されたエッジコンピュータ、セルコンピュータ、ホストコンピュータ、クラウドサーバ等のコンピュータとして実装することができる。本実施形態では、状態判定装置１を、射出成形機を制御する制御装置と併設されたパソコンとして実装した場合の例を示す。
本実施形態による状態判定装置１が備えるＣＰＵ１１は、状態判定装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って状態判定装置１全体を制御する。ＲＡＭ１３には一時的な計算データ、入力装置７１を介して作業者が入力した各種データ等が一時的に格納される。
不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされたメモリやＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等で構成され、状態判定装置１の電源がオフされても記憶状態が保持される。不揮発性メモリ１４には、状態判定装置１の動作に係る設定情報が格納される設定領域や、入力装置７１から入力されたデータ、射出成形機２から取得される各種データ（機種、金型の質量や材質、樹脂の種類等）、射出成形機２の成形動作において検出される各種物理量（ノズルの温度、ノズルを駆動するモータの位置、速度、加速度、電流、電圧、トルク、金型の温度、樹脂の流量、流速、圧力等）の時系列データ、図示しない外部記憶装置やネットワークを介して読み込まれたデータ等が記憶される。不揮発性メモリ１４に記憶されたプログラムや各種データは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、各種データを解析するための公知の解析プログラムや後述する機械学習装置１００とのやりとりを制御するためのプログラム等を含むシステム・プログラムが予め書き込まれている。
射出成形機２は、プラスチック等の樹脂で成形された製品を製造する機械であり、材料である樹脂を溶かして金型内に充填（射出）して成形する機械である。射出成形機２は、ノズル、モータ（原動機）、伝達機構、減速機、可動部等の様々な機材で構成されており、各部の状態がセンサ等で検出され、各部の動作が制御装置により制御される。射出成形機２に用いられる原動機としては、例えば、電動機、油圧シリンダ、油圧モータ、空気モータ等が用いられる。また、射出成形機２に用いられる伝達機構としては、ボールネジ、歯車、プーリー、ベルト等が用いられる。
表示装置７０には、メモリ上に読み込まれた各データ、プログラム等が実行された結果として得られたデータ、後述する機械学習装置１００から出力されたデータ等がインタフェース１７を介して出力されて表示される。また、キーボードやポインティングデバイス等から構成される入力装置７１は、作業者による操作に基づく指令，データ等をインタフェース１８を介してＣＰＵ１１に渡す。
インタフェース２１は、状態判定装置１と機械学習装置１００とを接続するためのインタフェースである。機械学習装置１００は、機械学習装置１００全体を統御するプロセッサ１０１と、システム・プログラム等を記憶したＲＯＭ１０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ１０３、及び学習モデル等の記憶に用いられる不揮発性メモリ１０４を備える。機械学習装置１００は、インタフェース２１を介して状態判定装置１で取得可能な各情報（例えば、射出成形機２の機種、金型の質量や材質、樹脂の種類等の各種データ、ノズルの温度、ノズルを駆動するモータの位置、速度、加速度、電流、電圧、トルク、金型の温度、樹脂の流量、流速、圧力等の各種物理量の時系列データ）を観測することができる。また、状態判定装置１は、機械学習装置１００から出力される処理結果をインタフェース２１を介して取得し、取得した結果を記憶したり、表示したり、他の装置に対して図示しないネットワーク等を介して送信する。
図２は、第１実施形態による状態判定装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態の状態判定装置１は、機械学習装置３００が学習を行う場合に必要とされる構成を備えている（学習モード）。図２に示した各機能ブロックは、図１に示した状態判定装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、状態判定装置１及び機械学習装置１００の各部の動作を制御することにより実現される。
本実施形態の状態判定装置１は、データ取得部３０、数値変換部３２、前処理部３４を備え、状態判定装置１が備える機械学習装置１００は、学習部１１０を備えている。また、不揮発性メモリ１４上には、機械学習装置１００による機械学習に用いられる学習データが記憶される学習データ記憶部５０と、射出成形機の諸元データを記憶する諸元データ記憶部５２が設けられており、機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築された学習モデルを記憶する学習モデル記憶部１３０が設けられている。
データ取得部３０は、射出成形機２、及び入力装置７１等から入力された各種データを取得する機能手段である。データ取得部３０は、例えば、射出成形機２の機種、金型の質量や材質、樹脂の種類等の各種データ、ノズルの温度、ノズルを駆動するモータの位置、速度、加速度、電流、電圧、トルク、金型の温度、樹脂の流量、流速、圧力等の各種物理量の時系列データ、作業者により入力された射出成形機の保守作業に係る情報等の各種データを取得し、学習データ記憶部５０に記憶する。データ取得部３０は、図示しない外部記憶装置や有線／無線のネットワークを介して他の装置からデータを取得するようにしても良い。
数値変換部３２は、諸元データ記憶部５２に記憶されている諸元データを用いて学習データ記憶部５０に記憶された学習データに含まれる射出成形機２に係るデータを数値変換する機能手段である。数値変換部３２は、データの種類毎に予め定められた変換式と、諸元データ記憶部５２に記憶されている射出成形機の機種毎の諸元データとを用いて、学習データに含まれる射出成形機２から取得されたデータを、基準となる射出成形機の機種の尺度のデータへと変換する。
図３は、諸元データ記憶部５２に記憶されている諸元データの例を示す図である。諸元データは、機械の性能諸要素を数字（諸元値）で表したものであり、機械を製造するメーカーから諸元表などの形で提供されている。諸元データ記憶部５２には、基準となる射出成形機（図３の例では機種Ｄ）と、その他の射出成形機について、射出成形機の機種を識別できる識別情報と、それぞれの射出成形機の諸元データとが関連付けられて記憶されている。諸元データとしては、例えばモータの最大トルク、定格トルク、最大電流、定格電流、最大回転数、立上がり時定数、 モータイナーシャ、減速機の減速比、ベルト幅、プーリ歯数、ボールネジ径、ボールネジリード、射出成形機が備える射出装置または型締装置の可動部の最大ストローク、最大速度、最大推力、最大圧力、イナーシャ、機械効率、最大型締力、スクリュ径等が挙げられる。
数値変換部３２は、学習データ記憶部５０に記憶されている学習データに含まれる射出成形機２に係る時系列データについて、該時系列データを変換対象データとして、諸元データ記憶部５２に記憶された該射出成形機の機種に対応する諸元データ及び基準となる射出成形機の機種の諸元データに基づいて、該変換対象データの種類毎に定められた変換式により基準尺度のデータへと変換する。データの種類毎の変換式は、予め状態判定装置１の不揮発性メモリ１４上に定義しておく。一般に、データの種類毎の変換式は、基準となる射出成形機と変換対象となるデータを取得した射出成形機とにおける、当該データに物理的に関連するデータ項目が取るデータ値又は取り得るデータ値の最小値から最大値の範囲の比率を、該データと該データに物理的に関連するデータ項目との関係に基づいて乗算する式として定義できる。例えば、射出成形機の可動部を駆動するモータのトルクに関する変換式は、基準となる射出成形機のモータ最大トルクｍａｘＴs（モータ最小トルク値は０）、変換対象データを取得した射出成形機のモータ最大トルクｍａｘＴc（モータ最小トルク値は０）、基準となる射出成形機の減速比Ｒｒs、変換対象データを取得した射出成形機の減速比Ｒｒcを用いた以下の数１式により定めることができる。数１式において、Ｔcは変換対象データとしてのトルク値であり、Ｔsは変換後の基準尺度のトルク値である。図４のグラフは、基準となる射出成形機が図３に例示される機種Ｄの諸元データを持つものであり、図３に例示される機種Ａの射出成形機から取得したデータであるトルク値を、数１式を用いて変換する場合の、変換前のトルク値と変換後のトルク値（基準尺度のトルク値）をグラフで例示したものである。
Figure 0006773740
また、例えば、射出成形機の射出圧に関する変換式は、基準となる射出成形機の最大射出圧ｍａｘＩｐs（最小射出圧は０）、変換対象データを取得した射出成形機の最大射出圧ｍａｘＩｐc（最小射出圧は０）、基準となる射出成形機のスクリュ径Ｓｄs、変換対象データを取得した射出成形機のスクリュ径Ｓｄcを用いた以下の数２式により定めることができる（スクリュ径は射出圧に対して２乗のオーダーで関係する）。数２式において、Ｉｐcは変換対象データとしての射出圧であり、Ｉｐsは変換後の基準尺度の射出圧である。図５のグラフは、基準となる射出成形機が図３に例示される機種Ｄの諸元データを持つものであり、図３に例示される機種Ｂの射出成形機から取得したデータである射出圧を、数２式を用いて変換する場合の、変換前の射出圧と変換後の射出圧（基準尺度の射出圧）をグラフで例示したものである。他のデータの種類の変換式についても、射出成形機の構造を考慮して上記と同様に定めれば良い。
Figure 0006773740
前処理部３４は、数値変換部３２が基準尺度へと変換したデータに基づいて、機械学習装置１００による学習に用いられる状態データを作成する。前処理部３４は、数値変換部３２から取得したデータを機械学習装置１００において扱われる統一的な形式へと変換（数値化、正規化、サンプリング等）した状態データを作成する。例えば、前処理部３４は、機械学習装置１００が教師なし学習をする場合においては、該学習における所定の形式の状態データＳを作成し、機械学習装置１００が教師あり学習をする場合においては、該学習における所定の形式の状態データＳ及びラベルデータＬの組を作成し、機械学習装置１００が強化学習をする場合においては、該学習における所定の形式の状態データＳ及び判定データＤの組を作成する。
学習部１１０は、数値変換部３２が基準尺度へと変換したデータに基づいて前処理部３４が作成した状態データを用いた機械学習を行う。学習部１１０は、教師なし学習、教師あり学習、強化学習等の公知の機械学習の手法により、射出成形機２から取得されたデータを用いた機械学習を行うことで学習モデルを生成し、生成した学習モデルを学習モデル記憶部１３０に記憶する。学習部１１０が行う教師なし学習の手法としては、例えばａｕｔｏｅｎｃｏｄｅｒ法、ｋ−ｍｅａｎｓ法等が、教師あり学習の手法としては、例えばｍｕｌｔｉｌａｙｅｒ ｐｅｒｃｅｐｔｒｏｎｎ法、ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ法、Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ法、ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ法等が、強化学習の手法としては、例えばＱ学習等が挙げられる。
学習部１１０は、例えば、正常に動作している状態の射出成形機２から取得された学習データを数値変換部３２，前処理部３４が変換した状態データに基づいた教師なし学習を行い、正常状態で取得された（そして基準尺度へと変換された）学習データの分布を学習モデルとして生成することができる。このようにして生成された学習モデルを用いて、後述する推定部１２０は、射出成形機２から取得された学習データが、正常状態の動作時に取得された学習データからどれだけ外れているのかを推定し、推定結果としての異常度を算出することができる。
また、学習部１１０は、例えば、正常に動作している状態の射出成形機から取得されたデータに正常ラベルを、異常が発生した前後に射出成形機２から取得されたデータに異常ラベルを付与したデータを用いた教師あり学習を行い、正常データと異常データとの判別境界を学習モデルとして生成することができる。このようにして生成された学習モデルを用いて、後述する推定部１２０は、射出成形機２から取得された学習データが、正常データに属するのか、異常データに属するのかを推定し、推定結果としてのラベル値（正常／異常）とその信頼度を算出することができる。
上記構成を備えた状態判定装置１では、射出成形機２から取得された学習データを、基準となる射出成形機の尺度へと変換し、変換後のデータを用いて学習部１１０が学習を行う。このように学習部１１０が学習に用いるデータは、数値変換部３２が基準尺度へと変換したデータに基づくものであるため、学習部１１０により作成される学習モデルは、基準尺度となる射出成形機の取り得るデータの範囲での変化するデータ値に対して推定を行うためのものとなる。
図６は、第２実施形態による状態判定装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態の状態判定装置１は、機械学習装置３００が推定を行う場合に必要とされる構成を備えている（推定モード）。図６に示した各機能ブロックは、図１に示した状態判定装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、状態判定装置１及び機械学習装置１００の各部の動作を制御することにより実現される。
本実施形態の状態判定装置１は、第１実施形態と同様に、データ取得部３０、数値変換部３２、状態判定装置１が備える機械学習装置１００は、推定部１２０を備えている。また、不揮発性メモリ１４上には、機械学習装置１００による状態の推定に用いられる学習データが記憶される学習データ記憶部５０と、射出成形機の諸元データを記憶する諸元データ記憶部５２が設けられており、機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築された学習モデルが記憶されている学習モデル記憶部１３０が設けられている。
本実施形態によるデータ取得部３０、数値変換部３２は、第１実施形態におけるデータ取得部３０、数値変換部３２と同様の機能を備える。
本実施形態による前処理部３４は、学習データ記憶部５０に記憶された学習データを、数値変換部３２が基準尺度へと変換したデータに基づいて、機械学習装置１００による推定に用いられるデータを作成する。前処理部３４は、取得したデータを機械学習装置１００において扱われる統一的な形式へと変換（数値化、正規化、サンプリング等）した状態データを作成する。前処理部３４は、機械学習装置１００による推定における所定の形式の状態データＳを作成する。
推定部１２０は、前処理部３４がラベル無しデータに基づいて作成した状態データＳに基づいて、学習モデル記憶部１３０に記憶された学習モデルを用いた射出成形機の状態の推定を行う。本実施形態の推定部１２０では、学習部１１０により生成された（パラメータが決定された）学習モデルに対して、前処理部３４から入力された状態データＳを入力することで、射出成形機の状態に係る異常度を推定して算出したり、射出成形機の動作状態の属するクラス（正常／異常等）を推定して算出したりする。推定部１２０が推定した結果（射出成形機の状態に係る異常度や射出成形機の動作状態の属するクラス等）は、表示装置７０に表示出力したり、図示しない有線／無線ネットワークを介してホストコンピュータやクラウドコンピュータ等に送信出力して利用するようにしても良い。また、状態判定装置１は、推定部１２０により推定された結果が所定の状態になった場合（例えば、推定部１２０が推定した異常度が予め定めた所定の閾値を超えた場合、推定部１２０が推定した射出成形機の動作状態の属するクラスが「異常」になった場合等）、例えば図７に例示されるように、表示装置７０への警告メッセージやアイコンでの表示出力をするようにしても良いし、射出成形機に対して運転の停止、減速、又はモータのトルクを制限する指令等を出力するようにしても良い。
上記構成を備えた状態判定装置１では、射出成形機２から取得された学習データを、基準となる射出成形機の尺度へと変換し、変換後のデータを用いて推定部１２０が該射出成形機２の状態の推定を行う。学習モデル記憶部１３０に記憶されてる学習モデルは、基準尺度となる射出成形機の取り得るデータの範囲での変化するデータ値に対して推定を行うためのものであるが、基準となる射出成形機以外の機種である射出成形機から取得された学習データであっても、推定部１２０が推定を行う前に、数値変換部３２により基準となる尺度のデータへと変換されるため、適切な推定処理を行うことができる。
以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。
例えば、上記した実施形態では状態判定装置１と機械学習装置１００が異なるＣＰＵ（プロセッサ）を有する装置として説明しているが、機械学習装置１００は状態判定装置１が備えるＣＰＵ１１と、ＲＯＭ１２に記憶されるシステム・プログラムにより実現するようにしても良い。
１ 状態判定装置
２ 射出成形機
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１６，１７，１８ インタフェース
２０ バス
２１ インタフェース
３０ データ取得部
３２ 数値変換部
３４ 前処理部
５０ 学習データ記憶部
５２ 諸元データ記憶部
７０ 表示装置
７１ 入力装置
１００ 機械学習装置
１０１ プロセッサ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ 不揮発性メモリ
１１０ 学習部
１２０ 推定部
１３０ 学習モデル記憶部

Claims (10)

  1. 射出成形機における動作状態を判定する状態判定装置であって、
    前記射出成形機に係るデータを取得するデータ取得部と、
    基準となる射出成形機、及び該基準となる射出成形機とは異なる少なくとも１つの他の射出成形機の諸元データを記憶する諸元データ記憶部と、
    前記諸元データ記憶部に記憶された、前記基準となる射出成形機の諸元データ及び前記他の射出成形機の諸元データを用いて、データの種類毎に定められた変換式により前記データ取得部が取得したデータを基準尺度のデータへと変換する数値変換部と、
    前記数値変換部により変換された前記基準尺度のデータを用いた機械学習を行い、学習モデルを生成する学習部と、
    を備えた状態判定装置。
  2. 射出成形機における動作状態を判定する状態判定装置であって、
    前記射出成形機に係るデータを取得するデータ取得部と、
    基準となる射出成形機、及び該基準となる射出成形機とは異なる少なくとも１つの他の射出成形機の諸元データを記憶する諸元データ記憶部と、
    前記諸元データ記憶部に記憶された、前記基準となる射出成形機の諸元データ及び前記他の射出成形機の諸元データを用いて、データの種類毎に定められた変換式により前記データ取得部が取得したデータを基準尺度のデータへと変換する数値変換部と、
    基準となる射出成形機に係る基準尺度のデータに基づいて機械学習した学習モデルを記憶する学習モデル記憶部と、
    前記数値変換部により変換された前記基準尺度のデータに基づいて、前記学習モデル記憶部に記憶された学習モデルを用いた推定を行う推定部と、
    を備えた状態判定装置。
  3. 前記学習部は、教師あり学習、教師なし学習、及び強化学習のうち少なくとも１つの学習を行う、
    請求項１に記載の状態判定装置。
  4. 前記推定部は、前記射出成形機の動作状態に係る異常度を推定し、
    前記状態判定装置は、前記推定部が推定した異常度が予め定めた所定の閾値を超えた場合に表示装置に警告メッセージを表示する、
    請求項２記載の状態判定装置。
  5. 前記推定部は、前記射出成形機の動作状態に係る異常度を推定し、
    前記状態判定装置は、前記推定部が推定した異常度が予め定めた所定の閾値を超えた場合に表示装置に警告アイコンを表示する、
    請求項２記載の状態判定装置。
  6. 前記推定部は、前記射出成形機の動作状態に係る異常度を推定し、
    前記状態判定装置は、前記推定部が推定した異常度が予め定めた所定の閾値を超えた場合に射出成形機に運転の停止、減速、又は原動機のトルクを制限する指令の少なくとも１つを出力する、
    請求項２記載の状態判定装置。
  7. 射出成形機における動作状態を判定する状態判定方法であって、
    前記射出成形機に係るデータを取得するデータ取得ステップと、
    基準となる射出成形機、及び該基準となる射出成形機とは異なる少なくとも１つの他の射出成形機の諸元データより呼び出した諸元値を用いて、データの種類毎に定められた変換式により前記データ取得ステップで取得したデータを基準尺度のデータへと変換する数値変換ステップと、
    前記数値変換ステップで変換された前記基準尺度のデータを用いた機械学習を行い、学習モデルを生成する学習ステップと、
    を実行する状態判定方法。
  8. 射出成形機における動作状態を判定する状態判定方法であって、
    前記射出成形機に係るデータを取得するデータ取得ステップと、
    基準となる射出成形機、及び該基準となる射出成形機とは異なる少なくとも１つの他の射出成形機の諸元データより呼び出した諸元値を用いて、データの種類毎に定められた変換式により前記データ取得ステップで取得したデータを基準尺度のデータへと変換する数値変換ステップと、
    基準となる射出成形機に係る基準尺度のデータに基づいて機械学習した学習モデルを用いて、前記数値変換ステップで変換された前記基準尺度のデータに基づいて射出成形機の状態の推定を行う推定ステップと、
    を実行する状態判定方法。
  9. 前記データ取得部が取得するデータのうちで、前記数値変換部が基準尺度に変換するデータは、前記射出成形機の運転に係る位置、速度、加速度、電流、電圧、トルク、圧力、温度、流量、流速、のうち少なくとも１つである、
    請求項１記載の状態判定装置。
  10. 前記諸元データ記憶部に記憶する諸元データは、前記射出成形機を駆動する原動機の最大トルク、定格トルク、最大電流、定格電流、最大回転数、立上がり時定数、モータイナーシャ、減速機構の減速比、ベルト幅、プーリ歯数、ボールネジ径、ボールネジリード、射出成形機が備える射出装置または型締装置の可動部の最大ストローク、最大速度、最大推力、最大圧力、イナーシャ、機械効率、最大型締力、スクリュ径のうち少なくとも１つである、
    請求項１記載の状態判定装置。
JP2018185855A 2018-09-28 2018-09-28 状態判定装置及び状態判定方法 Active JP6773740B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2018185855A JP6773740B2 (ja) 2018-09-28 2018-09-28 状態判定装置及び状態判定方法
US16/561,018 US11772312B2 (en) 2018-09-28 2019-09-05 State determination device and state determination method for determining operation state of injection molding machine
DE102019125477.9A DE102019125477B4 (de) 2018-09-28 2019-09-23 Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
CN201910919086.0A CN110962315B (zh) 2018-09-28 2019-09-26 状态判定装置以及状态判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018185855A JP6773740B2 (ja) 2018-09-28 2018-09-28 状態判定装置及び状態判定方法

Publications (2)

Publication Number Publication Date
JP2020055146A JP2020055146A (ja) 2020-04-09
JP6773740B2 true JP6773740B2 (ja) 2020-10-21

Family

ID=69947097

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018185855A Active JP6773740B2 (ja) 2018-09-28 2018-09-28 状態判定装置及び状態判定方法

Country Status (4)

Country Link
US (1) US11772312B2 (ja)
JP (1) JP6773740B2 (ja)
CN (1) CN110962315B (ja)
DE (1) DE102019125477B4 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AT524002B1 (de) * 2020-07-10 2023-10-15 Engel Austria Gmbh Verfahren zur automatischen Überwachung mindestens eines Produktionsprozesses
JP7488726B2 (ja) 2020-08-26 2024-05-22 東洋機械金属株式会社 射出成形機
CN116034006B (zh) * 2020-09-10 2024-09-17 发那科株式会社 状态判定装置以及状态判定方法
CN117048005A (zh) * 2023-08-21 2023-11-14 福建建阳龙翔科技开发有限公司 一种成型机稳定控制系统

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0659676B2 (ja) * 1986-10-09 1994-08-10 三菱重工業株式会社 成形条件設定方法
JPH0712634B2 (ja) 1987-12-25 1995-02-15 ファナック株式会社 射出装置の異常検出装置
JPH0215482A (ja) 1988-07-04 1990-01-19 Naotake Asano フロツピーデイスクラベル印字装置
DE102004041891B3 (de) 2004-08-31 2006-04-13 Krauss-Maffei Kunststofftechnik Gmbh EDV-technische Integration aller betrieblichen Abläufe in Produktionsmaschinen
JP4168036B2 (ja) * 2005-02-25 2008-10-22 ファナック株式会社 射出成形機の圧力異常検出装置
JP4237237B2 (ja) * 2007-08-22 2009-03-11 ファナック株式会社 スクリュー回転トルク監視機能を備えた射出成形機
CN101398672B (zh) 2007-09-26 2010-09-15 中国科学院自动化研究所 一种提高开合模机构定位精度的学习方法
JP5770057B2 (ja) * 2011-10-12 2015-08-26 ファナック株式会社 射出成形機のモニタデータ表示装置
JP5650807B2 (ja) * 2013-06-13 2015-01-07 ファナック株式会社 射出成形機の温度監視装置
JP6294268B2 (ja) 2015-07-31 2018-03-14 ファナック株式会社 射出成形機の異常診断装置
JP6031202B1 (ja) 2016-01-29 2016-11-24 ファナック株式会社 製造機械の異常の原因を発見するセル制御装置
CN107127940B (zh) * 2016-02-26 2020-09-01 住友重机械工业株式会社 注射成型机
JP6517728B2 (ja) 2016-05-12 2019-05-22 ファナック株式会社 射出成形機の逆流防止弁の摩耗量推定装置および摩耗量推定方法
EP3437825B1 (en) * 2017-08-02 2020-09-30 Fundació Eurecat A computer implemented method for generating a mold model for production predictive control and computer program products thereof
MX2019014283A (es) * 2017-06-01 2021-01-08 Valmont Industries Sistema y metodo para la gestion de riego mediante el uso de flujos de trabajo de aprendizaje de maquina.
EP3678831B1 (en) 2017-09-07 2021-11-03 iMFLUX Inc. Systems and methods for normalizing pid control across injection molding machines
US10579041B2 (en) * 2017-12-01 2020-03-03 Applied Materials, Inc. Semiconductor process control method
JP6773738B2 (ja) 2018-09-19 2020-10-21 ファナック株式会社 状態判定装置及び状態判定方法

Also Published As

Publication number Publication date
CN110962315A (zh) 2020-04-07
CN110962315B (zh) 2023-11-10
US11772312B2 (en) 2023-10-03
US20200101651A1 (en) 2020-04-02
JP2020055146A (ja) 2020-04-09
DE102019125477A1 (de) 2020-05-20
DE102019125477B4 (de) 2026-02-12

Similar Documents

Publication Publication Date Title
JP6787971B2 (ja) 状態判定装置及び状態判定方法
JP6975188B2 (ja) 状態判定装置及び状態判定方法
JP6867358B2 (ja) 状態判定装置及び状態判定方法
JP6826086B2 (ja) 状態判定装置及び状態判定方法
JP7010861B2 (ja) 状態判定装置及び状態判定方法
JP6773738B2 (ja) 状態判定装置及び状態判定方法
JP6773740B2 (ja) 状態判定装置及び状態判定方法
CN116323038A (zh) 状态判定装置及状态判定方法
JP7538234B2 (ja) 状態判定装置及び状態判定方法
JP7184997B2 (ja) 状態判定装置及び状態判定方法
CN116234651A (zh) 状态判定装置及状态判定方法
JP2021057064A (ja) 状態判定装置及び状態判定方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200210

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200521

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20200601

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200623

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200803

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200901

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20201001

R150 Certificate of patent or registration of utility model

Ref document number: 6773740

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150