JP6826086B2

JP6826086B2 - 状態判定装置及び状態判定方法

Info

Publication number: JP6826086B2
Application number: JP2018185852A
Authority: JP
Inventors: 淳史堀内; 裕泰浅岡; 顕次郎清水
Original assignee: FANUC Corp
Current assignee: FANUC Corp
Priority date: 2018-09-28
Filing date: 2018-09-28
Publication date: 2021-02-03
Anticipated expiration: 2038-09-28
Also published as: DE102019125587A1; US11718007B2; JP2020055145A; US20200101650A1; CN110962316B; CN110962316A

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該産業機械の動作状態を示す物理量を用いることにより、保守担当者が該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等、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には、実測した実測応力差と許容差とを比較して保守点検の必要可否を判断することが示されている。更に、特許文献３，４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。

特開平０１−１６８４２１号公報特開２０１４−１０４６８９号公報特開２０１７−０３０２２１号公報特開２０１７−２０２６３２号公報

しかしながら、特許文献１，２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３，４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。

また、射出成形機が製造する成形品の原材料である樹脂の種類や、射出成形機の付帯設備である金型、金型温調機、樹脂乾燥機などが機械学習時とは異なる種類であると、付帯設備の影響を受けて射出成形機より得られる測定値に差異が生じて正しく機械学習による診断ができない課題があった。

また、機械学習の診断精度をあげるには、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原動機、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方法がある。しかしながら、多種多様な射出成形機、樹脂、付帯設備、構成部品を揃えて機械学習することは、多くのコストを要する。そのうえ、機械を運転する際には、樹脂やワーク等の原材料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原材料のコストも大きい。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、制御装置より取得した時系列の物理量（電流、速度など）に対して、正規化や微分等の数値変換をすることによって導いた学習データを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、射出成形機の付帯設備が異なっていたり、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／大型と異なっていたり、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ても、付帯設備や機種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したり、異常度が所定値以上の場合には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する手段を設ける。

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、前記データ取得部が取得した前記射出成形機に係るデータの内の物理量の時系列データに対して、基準工程で検出された時系列データを基準時系列データとして、前記基準時系列データに基づいて、時間方向又は振幅方向の特徴を抽出する数値変換を行う数値変換部と、前記数値変換部により数値変換された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、前記データ取得部が取得した前記射出成形機に係るデータの内の物理量の時系列データに対して、基準工程で検出された時系列データを基準時系列データとして、前記基準時系列データに基づいて、時間方向又は振幅方向の特徴を抽出する数値変換を行う数値変換部と、前記射出成形機に係るデータの内の物理量の時系列データを時間方向又は振幅方向の特徴を抽出した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、前記データ取得ステップで取得した前記射出成形機に係るデータの内の物理量の時系列データに対して、基準工程で検出された時系列データを基準時系列データとして、前記基準時系列データに基づいて、時間方向又は振幅方向の特徴を抽出する数値変換を行う数値変換ステップと、前記数値変換ステップで数値変換された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、前記データ取得ステップで取得した前記射出成形機に係るデータの内の物理量の時系列データに対して、基準工程で検出された時系列データを基準時系列データとして、前記基準時系列データに基づいて、時間方向又は振幅方向の特徴を抽出する数値変換を行う数値変換ステップと、前記射出成形機に係るデータの内の物理量の時系列データを時間方向又は振幅方向の特徴を抽出したデータに基づいて学習した学習モデルを用いて、前記数値変換ステップで数値変換されたデータに基づく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正規化や微分等で数値変換されて学習乃至推定が行われるため、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。正規化による数値変換の例を示す図である。微分による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。第３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。変換テーブルの例を示す図である。

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管理装置３、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（ＳｏｌｉｄＳｔａｔｅＤｒｉｖｅ）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から取得された各種データ（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た各種物理量（ノズルの温度、ノズルを駆動する原動機の位置、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、原動機（モータ等）、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、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で取得可能な各種情報（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、ノズルを駆動する原動機の位置、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１００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、外部の機械等から取得されたデータが記憶される取得データ記憶部５０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、ノズルを駆動する原動機の位置、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、取得データ記憶部５０に記憶する。データ取得部３０は、時系列データを取得する際に、射出成形機２から取得される信号データや他の時系列データの変化等に基づいて、所定の時間範囲（例えば、１サイクルの成形工程の範囲）で取得された時系列データを１つの時系列データとした上で取得データ記憶部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７を介して管理装置３や他のコンピュータ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、取得データ記憶部５０に記憶された取得データに含まれる射出成形機２に係る時系列データに対して正規化や微分等の数値変換をする機能手段である。数値変換部３２は、データ取得部３０が取得し、取得データ記憶部５０に記憶された射出成形機２に係る時系列データについて、振幅方向に現れる値の取り得る範囲を統一し、振幅方向や時間方向に現れる値の変化に係る特徴を抽出したデータを作成するようにして良い。

図３に示すグラフは、それぞれ射出成形機２において１サイクルの成形工程が行われた時に検出される原動機の電流値の変化を３サイクル分（基準工程、ｉ工程、ｊ工程）だけ並べて例示するグラフである。数値変換部３２は、例えば射出成形機から取得された所定の時間範囲の時系列データ（例えば、原動機の電流値の時系列データ等）について、基準工程で検出された時系列データを基準時系列データｙ_s（データ値の系列ｙ_s1，ｙ_s2，…，ｙ_sn）として、該基準時系列データｙ_sについて以下に示す数１式を用いて２乗平均値ｙ_smsを算出する。なお、記号ｎは所定の時間範囲における時系列データのデータ点数である。

そして、数値変換部３２は、算出した基準時系列データｙ_sの２乗平均値ｙ_smsを用いて、所定の時間範囲（例えば、基準工程、ｉ工程、ｊ工程）の時系列データｙを以下の数２式を用いて正規化した値ｙ’を算出する。

なお、数値変換部３２による正規化には、基準時系列データｙ_sを２乗平均したものを用いる代わりに、算術平均、加重平均、相乗平均、調和平均等を用いるようにしても良い。この様な正規化を行うことで、所定の時間範囲毎（各サイクル毎）に取得された時系列データの最小値、最大値を揃えることができるようになり、各サイクルにおいて成形工程で検出される物理量の時系列データにおける振幅方向や時間方向の特徴に係る学習及び推定の精度の向上が見込まれる。

数値変換部３２は、データ取得部３０が取得し、取得データ記憶部５０に記憶された射出成形機２に係る時系列データについて、微分等の処理を行うことで時系列データにおける振幅方向や時間方向に現れる値の変化に係る特徴を抽出したデータを作成するようにして良い。

図４に示すグラフは、それぞれ射出成形機２において１サイクルの成形工程が行われた時に検出される原動機の電流値の変化を例示するグラフである。数値変換部３２は、例えば射出成形機から取得された時系列データｙ（例えば、原動機の電流値の時系列データ等）について、以下に示す数３式を用いて微分値ｙ’を算出する。

この様な微分値を用いた特徴抽出を行うことで、時系列データの変化がデータに顕著に現れるようになり、各サイクルにおいて成形工程で検出される物理量の時系列データにおける振幅方向や時間方向の変化の特徴に係る学習及び推定の精度の向上が見込まれる。

数値変換部３２は、他の時間方向、振幅方向の特徴を抽出する数値変換手法を時系列データに対して適用するようにしても良い。また、数値変換部３２は、射出成形機２から取得された物理量の時系列データに対して、複数の数値変換手法を組み合わせて適用して該時系列データの特徴を抽出するようにしても良い。例えば、数値変換部３２は、時系列データに対して数３式を用いて微分を行い、微分したデータに対して更に正規化を行い、その結果として得られたデータを機械学習装置１００による機械学習に用いるデータとしても良い。

前処理部３４は、数値変換部３２が時系列データより特徴を抽出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から入力され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、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が時系列データより特徴を抽出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ｍｕｌｔｉｌａｙｅｒｐｅｒｃｅｐｔｒｏｎ法、ｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋ法、ＬｏｎｇＳｈｏｒｔ−ＴｅｒｍＭｅｍｏｒｙ法、ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ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から取得された取得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から取得された取得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が、正常状態の動作時に取得された状態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取得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から取得された取得データに異常ラベルを付与し、取得データを数値変換部３２，前処理部３４が変換して得た状態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から取得された取得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を学習モデルに入力して、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から取得された取得データを、数値変換部３２が正規化や微分等をすることにより所定の特徴抽出を行い、特徴が抽出された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が所定の特徴を抽出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、抽出された特徴に対して高い精度で推定を行い得るものとなる。

図５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１００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５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、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、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データが記憶される取得データ記憶部５０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、取得データ記憶部５０に記憶された取得データを、数値変換部３２が所定の数値変換を施して特徴抽出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状態データを作成する。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、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、又は原動機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から取得された取得データを、数値変換部３２が正規化や微分等をすることにより所定の特徴抽出を行い、特徴が抽出された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に記憶されている学習モデルは、数値変換部３２が所定の特徴を抽出したデータに基づいて推定を行うためのものであり、抽出された特徴部分に対して高い精度で推定を行うことができるため、推定部１２０は適切な推定処理を行うことができる。

図７は、第３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１００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７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、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、外部の機械等から取得されたデータが記憶される取得データ記憶部５０と、データ毎の数値変換内容が定義される変換テーブル記憶部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。

変換テーブル記憶部５２には、図８に例示されるように、状態判定装置１が取得する射出成形機２のデータ種別毎に、数値変換をするかしないか、また、数値変換をする場合にどの様な数値変換を適用するのかを定義した変換テーブルが記憶されている。本実施形態の数値変換部３２は、取得データ記憶部５０に記憶された取得データに含まれる射出成形機２の物理量の時系列データを変換するに際して、変換テーブル記憶部５２を参照することにより、それぞれのデータに対して、いずれの数値変換を適用するのか（或いは数値変換しないのか）を決定し、決定した数値変換を該データに対して適用する。

上記構成を備えた状態判定装置１では、射出成形機２から取得された取得データに含まれる射出成形機２の物理量の時系列データのそれぞれに対して適用する数値変換方法を予め変換テーブルに定義しておくことにより、射出成形機２の物理量の時系列データのデータ種別に応じて柔軟に且つ適切な数値変換が適用できるようになり、機械学習装置１００による学習の精度を向上させることが期待される。なお、本実施形態の変換テーブル記憶部５２を上記した第２の実施形態の推論モードの状態判定装置に適用し、同様に機械学習装置１００による推定の精度の向上をさせることもできる。

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。また、複数の射出成形機２がネットワークを介して相互に接続されている場合、複数の射出成形機の動作状態を１つの状態判定装置１で判定しても良いし、射出成形機が備える制御装置上に状態判定装置１を実装しても良い。

１状態判定装置
２射出成形機
１１ＣＰＵ
１２ＲＯＭ
１３ＲＡＭ
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取得データ記憶部
５２変換テーブル記憶部
７０表示装置
７１入力装置
１００機械学習装置
１０１プロセッサ
１０２ＲＯＭ
１０３ＲＡＭ
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

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、
前記データ取得部が取得した前記射出成形機に係るデータの内の物理量の時系列データに対して、基準工程で検出された時系列データを基準時系列データとして、前記基準時系列データに基づいて、時間方向又は振幅方向の特徴を抽出する数値変換を行う数値変換部と、
前記数値変換部により数値変換された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。
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、
前記データ取得部が取得した前記射出成形機に係るデータの内の物理量の時系列データに対して、基準工程で検出された時系列データを基準時系列データとして、前記基準時系列データに基づいて、時間方向又は振幅方向の特徴を抽出する数値変換を行う数値変換部と、
前記射出成形機に係るデータの内の物理量の時系列データを時間方向又は振幅方向の特徴を抽出した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数値変換されたデータに基づいて、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。
前記数値変換部が行う数値変換は、基準工程で検出された時系列データを基準時系列データとして、前記基準時系列データに基づいて、前記時系列データを正規化する処理である、
請求項１または２に記載の状態判定装置。
前記時系列データのデータ種別毎の数値変換の内容を定義した変換テーブル記憶部を更に備え、
前記数値変換部は、前記変換テーブル記憶部を参照して、前記時系列データのデータ種別毎に行う数値変換の内容を決定する、
請求項１〜３のいずれか１つに記載の状態判定装置。
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つの機械学習を行う、
請求項１に記載の状態判定装置。
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。
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。
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。
前記データ取得部は、有線／無線のネットワークを介して接続された複数の射出成形機より、それぞれの射出成形機に係るデータを取得する、
請求項１または請求項２に記載の状態判定装置。
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、
前記データ取得ステップで取得した前記射出成形機に係るデータの内の物理量の時系列データに対して、基準工程で検出された時系列データを基準時系列データとして、前記基準時系列データに基づいて、時間方向又は振幅方向の特徴を抽出する数値変換を行う数値変換ステップと、
前記数値変換ステップで数値変換された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。
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、
前記データ取得ステップで取得した前記射出成形機に係るデータの内の物理量の時系列データに対して、基準工程で検出された時系列データを基準時系列データとして、前記基準時系列データに基づいて、時間方向又は振幅方向の特徴を抽出する数値変換を行う数値変換ステップと、
前記射出成形機に係るデータの内の物理量の時系列データを時間方向又は振幅方向の特徴を抽出した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数値変換されたデータに基づく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。