TW202303323A

TW202303323A - 異常探測系統、成形機系統、異常探測裝置、異常探測方法以及記錄並可讀取電腦程式的記錄媒體

Info

Publication number: TW202303323A
Application number: TW110140935A
Authority: TW
Inventors: 風呂川幹央; 鈴木潤; 平野峻之
Original assignee: 日商日本製鋼所股份有限公司
Priority date: 2021-01-25
Filing date: 2021-11-03
Publication date: 2023-01-16
Also published as: CN116745597A; KR20230132812A; JP2022113521A; WO2022158071A1; US20240109234A1; EP4282616A1

Abstract

[課題]　提供一種異常探測系統，能夠探測製造裝置的異常，而不會對執行製造裝置的運轉控制之控制裝置造成過度的負擔。 [解決手段]　異常探測系統包含：異常探測裝置，探測製造裝置的異常；控制裝置，執行製造裝置的運轉控制，傳送運轉資料；感測器，檢測製造裝置的動作或產品相關的物理量，輸出感測值資料；異常探測裝置接收從控制裝置傳送的運轉資料，取得從感測器輸出的感測值資料，算出取得的感測值資料的統計量，基於算出的統計量、以及接收的運轉資料相應的臨界值，判定製造裝置的異常的有無，將判定結果以及統計量傳送至控制裝置。

Description

異常探測系統、成形機系統、異常探測裝置、異常探測方法以及記錄並可讀取電腦程式的記錄媒體

本發明是關於異常探測系統、成形機系統、異常探測裝置、異常探測方法以及記錄並可讀取電腦程式的記錄媒體。

專利文獻1揭露了一種監視方法，由加速度感測器監視射出成形機的各可動部的振動，探測成形工程的狀態以及可動部的異常發生。 [先前技術文獻] [專利文獻]

[專利文獻1]　日本專利特開平5-50480號公報

[發明所欲解決的課題]

然而，專利文獻1並未揭露分別構成執行射出成形機那樣的製造裝置的運轉控制之控制裝置、以及探測該製造裝置的異常或診斷製造裝置的狀態之裝置的具體技術。當控制裝置被設置以執行製造裝置的異常探測以及診斷時，就有可能對製造裝置的動作帶來負面影像，例如運轉控制處理的延遲等。

本發明的目的在於提供異常探測系統、成形機系統、異常探測裝置、異常探測方法以及記錄並可讀取電腦程式的記錄媒體，包含執行製造裝置的運轉控制之控制裝置、異常探測裝置，就能夠透過各裝置的協作，來探測製造裝置的異常，而不會對控制裝置造成過度的負擔。 [用以解決課題的手段]

本揭露相關的異常探測系統，包含探測製造裝置的異常之異常探測裝置，該異常探測系統包含：控制裝置，執行該製造裝置的運轉控制，傳送示意該運轉控制的內容之運轉資料；以及感測器，檢測該製造裝置的動作或產品相關的物理量，輸出示意檢測的物理量的時序之感測值資料；其中，該異常探測裝置包含：通訊部，接收從該控制裝置傳送的該運轉資料；取得部，取得從該感測器輸出的感測值資料；以及處理部，算出該取得部取得的感測值資料的統計量，基於算出的該統計量、以及接收的該運轉資料相應的臨界值，判定該製造裝置的異常的有無；其中，該通訊部將判定結果以及該統計量傳送至該控制裝置。

本揭露相關的成形機系統，包含該異常探測系統、以及成形機；其中，該異常探測系統被設置以探測該成形機的異常。

本揭露相關的異常探測裝置，探測製造裝置的異常，該異常探測裝置包含：通訊部，接收從執行該製造裝置的運轉控制之控制裝置所傳送，示意該運轉控制的內容之運轉資料；取得部，取得從檢測該製造裝置的動作或產品相關的物理量之感測器輸出的時序的感測值資料；以及處理部，算出該取得部取得的感測值資料的統計量，基於算出的該統計量、以及取得的該運轉資料相應的臨界值，判定該製造裝置的異常的有無；其中，該通訊部將判定結果以及該統計量傳送至該控制裝置。

本揭露相關的異常探測方法，由電腦執行檢測製造裝置的異常之處理，該電腦執行下列處理：接收從執行該製造裝置的運轉控制之控制裝置所傳送，示意該運轉控制的內容之運轉資料；取得從檢測該製造裝置的動作或產品相關的物理量之感測器輸出的時序的感測值資料；基於算出的統計量、以及取得的該運轉資料相應的臨界值，判定該製造裝置的異常的有無；以及將判定結果傳送至該控制裝置。

本揭露相關的記錄於記錄媒體的電腦程式，用以使電腦執行檢測製造裝置的異常之處理，該電腦程式用以使該電腦執行下列處理：接收從執行該製造裝置的運轉控制之控制裝置所傳送，示意該運轉控制的內容之運轉資料；取得從檢測該製造裝置的動作或產品相關的物理量之感測器輸出的時序的感測值資料；基於算出的統計量、以及取得的該運轉資料相應的臨界值，判定該製造裝置的異常的有無；將判定結果傳送至該控制裝置。 [發明的效果]

根據本揭露，包含執行製造裝置的運轉控制之控制裝置、異常探測裝置，就能夠透過各裝置的協作，來探測製造裝置的異常，而不會對控制裝置造成過度的負擔。

本發明的實施形態相關的異常探測系統、成形機系統、異常探測裝置、異常探測方法以及電腦程式的具體例，以下參照圖式同時說明。另外，本發明並不以這些的例示為限，而是如申請專利範圍所示，旨在於包含申請專利範圍均等的意義以及範圍內的所有變更。另外，也可以將以下記載的實施形態以及變形例的至少一部分任意組合。

第1圖為一方塊圖，示意本實施形態1相關的成形機系統的構成例。成形機系統包含：雙軸混煉擠出機1、複數個感測器2、異常探測裝置3、路由器4、診斷裝置5、資料庫6、使用者的終端裝置7。另外，成形機系統是由雙軸混煉擠出機1、以及異常探測系統所組成，該異常探測系統是由複數個感測器2、異常探測裝置3、診斷裝置5、資料庫6所構成。

＜雙軸混煉擠出機1＞第2圖為一模式圖，示意本實施形態1相關的雙軸混煉擠出機1的構成例。雙軸混煉擠出機1包含：圓筒10，具有投入樹脂原料的進料斗10a；以及2根螺旋軸11。2根螺旋軸11以相互咬合的狀態略平行配置，可旋轉插入圓筒10的孔內，將投入至進料斗10a內的樹脂原料，搬運至擠出方向(第1圖以及第2圖的中右方向)，進行溶融以及混煉。螺旋軸11是將複數個種類的螺件進行組合，藉由一體化所構成，作為一根螺旋軸11。舉例來說，將樹脂原料沿著順方向輸送的螺紋形狀的順螺件、將樹脂原料沿著逆方向輸送的逆螺件、以及混煉樹脂原料的捏合片等，依照樹脂原料的特性相應的順序以及位置分配、組合，藉此構成螺旋軸11。

另外，雙軸混煉擠出機1包含：輸出用來使螺旋軸11旋轉的驅動力之馬達12；減速傳遞馬達12的驅動力之減速機13；以及控制裝置14。螺旋軸11與減速機13的輸出軸連接。螺旋軸11藉由減速機13減速傳遞的馬達12的驅動力而旋轉。

＜感測器2＞感測器2檢測雙軸混煉擠出機1的動作或成形品相關的物理量，將示意檢測的物理量之時序的感測值資料，輸出至異常探測裝置3。物理量當中，有：溫度、位置、速度、加速度、電流、電壓、壓力、時間、影像資料、力矩、力、斜度、耗電、重量等。這些的物理量，可以使用溫度計、位置感測器、速度感測器、加速度感測器、電流計、電壓計、壓力計、計時器、相機、力矩感測器、電力計、重量計等來測量。更具體來說，檢測雙軸混煉擠出機1的動作相關的物理量之感測器2，為檢測減速機13的振動之加速度感測器等的振動感測器、檢測施加於螺旋軸11的軸力矩之力矩感測器、檢測螺旋軸11的溫度之溫度計、檢測螺旋軸11的旋轉中心的變位之變位感測器、檢測成形品或絞合線的尺寸之光感測器、拍攝成形品或絞合線的拍攝裝置、檢測樹脂壓力的樹脂壓力感測器等。檢測成形品相關的物理量之感測器2，為檢測成形品的尺寸、色度、亮度等之光學量測器、拍攝裝置、檢測成形品的重量之重量計等。

＜控制裝置14＞控制裝置14為執行雙軸混煉擠出機1的運轉控制之電腦，包含未圖示之在異常探測裝置3之間傳送、接收資訊之傳送接收部；以及顯示部。具體來說，控制裝置14將示意雙軸混煉擠出機1的運轉狀態之運轉資料，傳送至異常探測裝置3。運轉資料舉例來說，為送料機供給量(樹脂原料的供給量)、螺旋軸11的旋轉數、擠出量、圓筒溫度、樹脂壓力、馬達電流等。控制裝置14接收從異常探測裝置3傳送之示意雙軸混煉擠出機1的異常的有無的於後面描述的判定結果、感測值資料的各種統計量、雙軸混煉擠出機1的異常、壽命等相關的診斷結果，並顯示接收的判定結果、統計量的值以及圖表、診斷結果。另外，控制裝置14使用判定結果等監視雙軸混煉擠出機1的異常，並根據需要輸出警告，執行使雙軸混煉擠出機1的動作停止之處理。

＜異常探測裝置3＞第3圖為一方塊圖，示意本實施形態1相關的異常探測裝置3的構成例。異常探測裝置3為邊緣電腦，包含處理部31、記憶部32、通訊部33以及取得部34；記憶部32、通訊部33以及取得部34與處理部31連接。構成異常探測裝置3的邊緣電腦與後面描述的診斷裝置5相比，為硬體的規格較低的電腦，其執行雙軸混煉擠出機1的簡易的異常探測處理。

處理部31具有CPU(Central Processing Unit，中央處理器)、多核CPU、ASIC(Application Specific Integrated Circuit，應用特定積體電路)、FPGA(Field-Programmable Gate Array，場效可程式化邏輯閘陣列)等演算處理電路、ROM(Read Only Memory，唯讀記憶體)、RAM(Random Access Memory，隨機存取記憶體)等內部記憶裝置、I/O端子等。處理部31藉由執行後面描述的記憶部32記憶的電腦程式(程式產品)P1，作為本實施形態1相關的異常探測裝置3以發揮功能。另外，異常探測裝置3的各機能部，也可以由軟體來實現，一部分或全部也可以由硬體來實現。

記憶部32為硬碟、EEPROM(Electrically Erasable Programmable ROM，可電氣抹除可程式化唯讀記憶體)、快閃記憶體等非揮發性記憶體。記憶部32記憶電腦程式P1，電腦程式P1是用來使電腦實施本實施形態1相關的異常探測方法。

本實施形態1相關的電腦程式P1，也可以是記錄於電腦可讀取的記錄媒體30之態樣。記憶部32記憶電腦程式P1，電腦程式P1藉由未圖示的讀取裝置，從記錄媒體30當中讀取。記錄媒體30為快閃記憶體等半導體記憶體。另外，記錄媒體30也可以是CD(Compact Disc，光碟)-ROM、DVD(Digital Versatile Disc，數位多功能影音光碟)-ROM、BD(Blu-ray® Disc，藍光光碟)等光碟。另外，記錄媒體30也可以是軟碟、硬碟等磁碟、磁光碟等。另外，也可以從連接通訊網(未圖示)的外部伺服器(未圖示)，下載本實施形態1相關的電腦程式P1，使記憶部32記憶電腦程式P1。

通訊部33是依照乙太網路®等既定的通訊協定，傳送、接收資訊的通訊回路。通訊部33透過LAN(區域網路)等第1通訊網路與控制裝置14連接，處理部31可以透過通訊部33，在控制裝置14之間傳送、接收各種資訊。第1網路與路由器4連接，通訊部33透過路由器4，與第2通訊網路(也就是雲端)上的診斷裝置5連接。處理部31可以透過通訊部33以及路由器4，在診斷裝置5之間傳送、接收各種資訊。

取得部34為訊號輸入的輸入介面。取得部34與感測器2連接，有感測值資料輸入，也就是有從感測器2輸出的時序資料輸入。

＜診斷裝置5以及資料庫6＞第4圖為一方塊圖，示意實施形態1相關的診斷裝置5的構成例。診斷裝置5為電腦，包含：診斷處理部51、記憶部52、以及通訊部53。記憶部52、通訊部53，與診斷處理部51連接。

診斷處理部51具有CPU(Central Processing Unit，中央處理器)、多核CPU、GPU(Graphics Processing Unit，圖形處理器)、GPGPU(General-purpose computing on graphics processing units，通用圖形處理器)、TPU(Tensor Processing Unit，張量處理器)、ASIC、FPGA、NPU(Neural Processing Unit，神經處理單元)等演算處理電路、ROM、RAM等內部記憶裝置、I/O端子等。診斷處理部51藉由執行後面描述的記憶部52記憶的電腦程式(程式產品)P2，作為本實施形態1相關的診斷裝置5以發揮功能。另外，診斷裝置5的各機能部，也可以由軟體來實現，一部分或全部也可以由硬體來實現。

記憶部52為硬碟、EEPROM、快閃記憶體等非揮發性記憶體。記憶部52記憶電腦程式P2以及一或複數個學習模型54，電腦程式P2是用來使電腦實施診斷雙軸混煉擠出機1的異常、壽命等、雙軸混煉擠出機1的狀態之處理。

電腦程式P2以及學習模型54，也可以是記錄於電腦可讀取的記錄媒體50之態樣。記憶部52記憶電腦程式P2以及學習模型54，電腦程式P2以及學習模型54藉由未圖示的讀取裝置，從記錄媒體50當中讀取。記錄媒體50為快閃記憶體等半導體記憶體。另外，記錄媒體50也可以是CD(Compact Disc，光碟)-ROM、DVD(Digital Versatile Disc，數位多功能影音光碟)-ROM、BD(Blu-ray® Disc，藍光光碟)等光碟。另外，記錄媒體50也可以是軟碟、硬碟等磁碟、磁光碟等。另外，也可以從連接通訊網(未圖示)的外部伺服器(未圖示)，下載電腦程式P2以及學習模型54，使記憶部52記憶電腦程式P2以及學習模型54。

通訊部53是依照乙太網路®等既定的通訊協定，傳送、接收資訊的通訊回路。通訊部53透過第2通訊網路與異常探測裝置3、資料庫6以及終端裝置7連接，處理部31可以透過通訊部53，在異常探測裝置3、資料庫6以及終端裝置7之間傳送、接收各種資訊。

第5圖為一概念圖，示意實施形態1相關的資料庫6的記錄布局(Record Layout)的一例。資料庫6包含硬碟、DBMS(DataBase Management System，資料庫管理系統)，記憶雙軸混煉擠出機1的運轉相關的各種資訊。舉例來說，資料庫6的表格，具有：「No.」(記錄編號)列、「運轉日時」列、「運轉資料」列、「螺旋構成」列、「樹脂種類」列、「感測值」列、「狀態」列、「品質評價」列、「壽命」列。

「運轉日時」列，儲存以記錄的形式，示意記憶的各種資料得到的年、月、日時等資訊。「運轉資料列」，儲存示意雙軸混煉擠出機1的運轉狀態之資訊，例如送料機供給量(樹脂原料的供給量)、螺旋軸11的旋轉數、擠出量、圓筒溫度、樹脂壓力、馬達電流等。「螺旋構成」列，儲存構成螺旋軸11的各種螺件的種類、排列乃至於組合相關的資訊。「樹脂種類」列，儲存示意提供給雙軸混煉擠出機1的樹脂原料的種類之資訊。「感測值」列，儲存感測值資料。「感測值」列可以原封不動儲存數值資料，也可以儲存如後面描述，以影像來示意時序資料(也就是感測值資料)，作為時序資料影像。「狀態」列，儲存示意執行上述運轉資料示意的運轉控制，得到上述感測值資料時的雙軸混煉擠出機1的狀態之資訊。舉例來說，儲存有：示意正常之資訊、示意螺旋軸11的磨耗產生的異常狀態之資訊、示意使用了上述螺旋軸11不適合的樹脂原料的異常狀態之資訊、示意過負荷異警之資訊等。「品質評價」列，儲存示意執行上述運轉資料示意的運轉控制，得到上述感測值資料時的雙軸混煉擠出機1製造的成形品的品質評價之資訊。舉例來說，儲存有示意成形品是否正常、尺寸異常等的資訊。「壽命」列儲存示意為了得到上述資訊所使用的雙軸混煉擠出機1的壽命之資訊。壽命可以是總產品壽命，也可以是得到上述資料的時間點起算的剩餘壽命。

儲存於資料庫6的上述各種資料，舉例來說，是使雙軸混煉擠出機1測試性動作，確認雙軸混煉擠出機1的動作狀態，評價成形品所得到。另外，也可以透過模擬器，模擬雙軸混煉擠出機1的動作狀態，而準備上述各種資料。本實施形態1中，我們假設資料庫6儲存了使雙軸混煉擠出機1測試性或實驗性動作得到的上述資料，或是透過模擬所得到的上述資料。

＜異常之例＞異常探測裝置3以及診斷裝置5執行的探測或成為診斷對象的異常，例如減速機13的異常振動、過負荷、成形品的尺寸異常、螺旋軸11的傷痕、龜裂、磨耗、腐蝕、減速機13及其各部的磨耗所造成的性能劣化或油的異常、無效率的運轉狀態(耗能的增大等)、導致品質異常的運轉狀態(不合理的啟動等)、絞合線的異常(尺寸、異物、顏色、捲線等的不良)、樹脂黏度(品質)異常等。本實施形態1中，異常探測裝置3基於感測值資料，檢測減速機13的異常振動、過負荷、成形品的尺寸異常、絞合線的異常、樹脂黏度異常等。具體來說，異常探測裝置3算出該感測值的平均值、離散值、方均根等統計量，以基於算出的統計量負荷較小的處理，來檢測減速機13的異常振動、過負荷、成形品的尺寸異常、絞合線的異常、樹脂黏度異常等。另一方面，診斷裝置5使用透過異常探測裝置3，從控制裝置14取得的運轉資料以及感測值資料、連同資料庫6當中儲存的過去的感測值資料等，診斷螺旋軸11的傷痕、龜裂、磨耗、腐蝕、減速機13的性能劣化或油的異常、無效率的運轉狀態、導致品質異常的運轉狀態等異常的有無。另外，診斷裝置5也執行特定減速機13的故障位置，例如軸承、齒輪等的處理等。另外，異常探測裝置3執行的異常探測處理、以及診斷裝置5執行的診斷處理的分工，為其中一個範例，若異常探測裝置3可處理，則也可以在異常探測裝置3那邊執行。

＜異常探測處理的整理流程＞第6圖以及第7圖為流程圖，示意實施形態1相關的雙軸混煉擠出機1的異常探測以及診斷相關的處理順序。控制裝置14將示意雙軸混煉擠出機1的運轉控制之狀態的運轉資料，傳送至異常探測裝置3(步驟S11)。

異常探測裝置3的處理部31藉由通訊部33，接收從控制裝置14傳送的運轉資料(步驟S12)。

處理部31取得從感測器2輸出的時序的感測值資料(步驟S13)。然後，處理部31基於感測值資料，算出該感測值的平均值、離散值、方均根等統計量(步驟S14)。基於算出的統計量，執行雙軸混煉擠出機1的異常判定處理(步驟S15)。

接著，處理部31藉由通訊部33，將示意雙軸混煉擠出機1的異常的有無之判定結果、以及步驟S14算出的統計量，傳送至控制裝置14(步驟S16)。

控制裝置14接收從異常探測裝置3傳送的判定結果以及統計量(步驟S17)，基於接收的判定結果或統計量，監視雙軸混煉擠出機1的動作(步驟S18)。舉例來說，當判定結果示意既定的異常時，控制裝置14使雙軸混煉擠出機1的運轉控制停止。

接著，控制裝置14使顯示部顯示接收的判定結果以及統計量等(步驟S19)。

接著，說明傳送判定結果以及統計量的異常探測裝置3的處理。結束步驟S16的處理之異常探測裝置3的處理部31，藉由通訊部33將步驟S12接收的運轉資料、以及步驟S13取得的感測值資料，傳送至診斷裝置5(步驟S20)。

診斷裝置5接收從異常探測裝置3傳送的運轉資料以及感測值資料(步驟S21)，診斷處理部51使用接收的運轉資料以及感測值資料、連同資料庫6當中儲存的過去的感測值資料等，執行雙軸混煉擠出機1的異常診斷處理(步驟S22)。另外，診斷處理部51執行雙軸混煉擠出機1的壽命診斷處理(步驟S23)。診斷處理部51舉例來說，從軸力矩的波形評價材料疲勞，算出剩餘壽命。

結束步驟S22以及步驟S23的處理之診斷處理部51，藉由通訊部53將診斷結果傳送至異常探測裝置3(步驟S24)。

異常探測裝置3的處理部31接收從診斷裝置5傳送的診斷結果(步驟S25)，藉由通訊部33將接收的診斷結果傳送至控制裝置14(步驟S26)。

控制裝置14接收從異常探測裝置3傳送的診斷結果(步驟S27)，於顯示部顯示接收的診斷結果(步驟S28)。

另外，異常探測裝置3也可以因應來自於終端裝置7的要求，將處理部31執行的異常判定結果、算出的感測值資料的統計量、診斷處理部51執行的診斷結果等，傳送至終端裝置7。終端裝置7顯示接收的異常判定結果、統計量以及診斷結果。

＜異常探測裝置3執行的異常探測處理＞第8圖為一流程圖，示意異常判定的處理順序。由於異常探測裝置3無法記憶大量的感測值資料，因此使用當日的運轉資料以及感測值資料，執行判定雙軸混煉擠出機1的異常的有無之處理。

處理部31基於步驟S12接收的運轉資料，特定用來判定雙軸混煉擠出機1的異常的有無之判定基準的臨界值(步驟S51)。舉例來說，由於軸力矩與螺旋軸11的旋轉數成反比例關係，因此探測力矩的過負荷之臨界值，與運轉資料的其中一個，也就是螺旋軸11的旋轉數相依。藉此，處理部31就可以藉由運轉資料，來特定用以探測異常的臨界值。具體來說，異常探測裝置3將運轉資料、異常的種類、判定基準的臨界值對應的表格儲存於記憶部32。處理部31使用運轉資料，參照該表格並讀取臨界值，藉以特定運轉資料相應的各種異常的判定基準，也就是臨界值。

接著，處理部31基於示意減速機13的振動之感測值資料的統計量、以及步驟S51特定的臨界值，判定減速機13的異常振動的有無(步驟S52)。另外，處理部31也可以將示意減速機13的振動之感測值資料轉換為時間頻率成分，基於該時間頻率成分的資料判定減速機13的異常的有無。

另外，處理部31基於示意軸力矩、螺旋軸11的溫度、螺旋軸11的旋轉中心的變位之感測值資料的統計量、以及步驟S51特定的臨界值，判定過負荷的有無(步驟S53)。

另外，處理部31基於示意成形品的尺寸之統計量、以及步驟S51特定的臨界值，判定成形品的尺寸異常的有無(步驟S54)。

處理部31基於拍攝絞合線得到的影像、示意與正常影像的差分之統計量、步驟S51特定的臨界值，判定絞合線的異常的有無(步驟S55)。另外，處理部31可以藉由拍攝影像當中包含的絞合線的影像的像素大小(像素的數量)，來測量絞合線徑。另外，處理部31也可以藉由判定拍攝影像當中包含的影像部分的顏色，來判定異物的有無。

處理部31基於感測器2，例如樹脂壓力感測器檢測的樹脂壓力的時間平均、步驟S51特定的臨界值，判定樹脂黏度的異常的有無(步驟S56)，結束異常判定處理。

＜診斷裝置5執行的異常診斷處理＞第9圖為一流程圖，示意異常診斷的處理順序。診斷處理部51藉由將示意螺旋軸11的旋轉中心的變位之感測值資料，或該感測值資料的時間頻率解析得到的時間頻率資料，輸入至學習模型54，來執行螺旋軸11的異常診斷(步驟S61)。步驟S61使用的學習模型54舉例來說，為迭代類神經網路模型，當輸入有時序資料，也就是感測值資料影像所表示的，於後面描述的時序資料影像時，取出該時序資料影像的特徵，輸出取出的特徵量。學習模型54為具有CNN(Convolutional Neural Network，卷積類神經網路)的特徵取出層之模型，例如1類別分類模型。診斷處理部51可以將步驟S12接收的運轉資料與相同或類似的運轉資料對應，且雙軸混煉擠出機1正常動作時的感測值資料當中得到的特徵量、與診斷對象的特徵量進行比較，來診斷螺旋軸11的異常的有無。學習模型54的產生方法以及構成的詳細將於後面描述。

另外，診斷處理部51藉由將減速機13當中設置的感測器2，例如振動感測器得到的振動感測資料，或是該感測值資料的時間頻率解析得到的時間頻率資料，輸入至學習模型54，來判斷減速機13及其各部的磨耗所造成的性能劣化或油的異常的有無(步驟S62)。步驟S62使用的學習模型54舉例來說，為支持向量機。該支持向量機是一種分類器，學習正常的減速機13相關的振動感測資料的時間頻率解析得到的時間頻率成分、以及異常的減速機13相關的振動感測資料的時間頻率解析得到的時間頻率成分，分類正常的減速機13相關的正常類別、以及異常的減速機13相關的異常類別。另外，解析對象的頻率成分，舉例來說，可以是從減速機13得到的主要頻率成分，故障時表示的故障頻率成分等，只要是特定的頻率成分即可。診斷處理部51舉例來說，特定振動感測資料的時間頻率解析得到的主要頻率成分、故障頻率成分等。然後，診斷處理部51將振動感測資料的時間頻率成分，例如主要頻率成分以及故障頻率成分，輸入至支持向量機，來診斷減速機13是否正常。學習模型54也可以是使用迭代類神經網路模型的分類器。學習模型54舉例來說，當輸入有振動感測資料，或是該感測值資料的時間頻率解析得到的時間頻率資料時，則進行學習使得輸出示意減速機13的異常位置、異常等級之資料亦可。異常位置舉例來說，為減速機13的軸承、齒輪等。

另外，診斷處理部51藉由將示意感測器2得到的軸力矩、螺旋軸11的旋轉中心的變位、振動等之感測值資料、或該感測值資料的時間頻率解析得到的時間頻率資料輸入至學習模型54，來診斷是否為無效率的運轉狀態(步驟S63)。步驟S63使用的學習模型54舉例來說，為迭代類神經網路模型，當輸入有時序資料，也就是感測值資料影像所表示的，於後面描述的時序資料影像時，取出該時序資料影像的特徵，輸出取出的特徵量。學習模型54為具有CNN(Convolutional Neural Network，卷積類神經網路)的特徵取出層之模型，例如1類別分類模型。診斷處理部51可以將步驟S12接收的運轉資料與相同或類似的運轉資料對應，且雙軸混煉擠出機1有效率的運轉狀態時的感測值資料當中得到的特徵量、與診斷對象的特徵量進行比較，來診斷是否為無效率的運轉狀態。

另外，診斷處理部51藉由將示意感測器2得到的軸力矩、螺旋軸11的旋轉中心的變位、振動等之感測值資料、或該感測值資料的時間頻率解析得到的時間頻率資料輸入至學習模型54，來診斷是否為導致品質異常的運轉狀態(步驟S64)。步驟S64使用的學習模型54舉例來說，為迭代類神經網路模型，當輸入有時序資料，也就是感測值資料影像所表示的，於後面描述的時序資料影像時，取出該時序資料影像的特徵，輸出取出的特徵量。學習模型54為具有CNN(Convolutional Neural Network，卷積類神經網路)的特徵取出層之模型，例如1類別分類模型。診斷處理部51可以將步驟S12接收的運轉資料與相同或類似的運轉資料對應，且雙軸混煉擠出機1導致品質異常的運轉狀態中沒有之正常的運轉狀態時的感測值資料得到的特徵量、與與診斷對象的特徵量進行比較，來診斷是否為會導致品質異常的運轉狀態。

另外，診斷處理部51也可以透過異常探測裝置3監視從控制裝置14得到的通電資料，藉由算出一定時間的稼動率，來監視稼動率。診斷處理部51也可以基於稼動率來診斷雙軸混煉擠出機1的異常的有無。

以下，以1類別分別模型為一例，針對螺旋軸異常診斷詳細說明。第10圖為一流程圖，示意螺旋軸11的異常診斷的處理順序。診斷處理部51將複數個感測值資料轉換為以影像表示的一或複數個時序資料影像(步驟S71)，當轉換的時序資料影像為複數個時，則將該複數個時序影像資料合成為1張時序資料影像(步驟S72)。舉例來說，若感測值資料是示意2根螺旋軸11各自於2個方向的變位之資料時，診斷處理部51合成以影像表示第1螺旋軸11的旋轉中心軸的2個方向當中的變位之第1時序資料影像、以及以影像表示第2螺旋軸11的旋轉中心軸的2個方向當中的變位之第2時序資料影像。

第11圖為一時序資料影像，示意2根螺旋軸11的變異。第1時序資料影像，示意第1螺旋軸11的變位。第1時序影像資料為略正方形的影像，繪製有與螺旋軸11的旋轉中心正交的X軸方向以及Y軸方向的變位量，作為X軸以及Y軸的座標值。第1時序資料影像繪製了3次旋轉的變位。第2時序資料影像也可以依照同樣的方法作成。合成的時序資料影像，為略正方形的影像，大小為第1時序資料影像的2倍(面積為4倍)。時序資料影像原封不動地包含原本的影像具有的資訊，而不變更第1以及第2時序資料影像的長寬比。具體來說，時序資料影像具有並排配置於第11圖中上側左右的第1以及第2時序資料影像、以及為了使時序資料影像成略正方形，而配置於下側的空白影像。另外，第1以及第2時序資料影像以及空白影像的配置方法並未特別限定，只要能原封不動地包含第1以及第2時序資料影像，則該配置方法並未特別限定。

另外，針對其他的複數個感測值資料，也可以同樣地轉換為時序資料影像並合成。第11圖所示的範例中，可以由影像來表示合計8個感測值資料；當合成長寬3x3的9張時序資料影像時，則可以用1張時序資料影像來表示18個感測值資料。

接著，診斷處理部51將步驟S72合成的時序資料影像輸入至學習模型54，算出時序資料影像的特徵量(步驟S73)。

另外，診斷處理部51從資料庫6，讀取與步驟S12接收的運轉資料相同或類似的運轉資料對應，且為雙軸混煉擠出機1正常動作時的感測值資料(步驟S74)，同樣地轉換為時序資料影像(步驟S75)，合成(步驟S76)，將合成的時序資料輸入至學習模型54，算出正常動作時的時序資料影像的特徵量(步驟S77)。

接著，診斷處理部51算出步驟S73算出的時序資料影像的特徵量的偏離值分數(步驟S78)。偏離值分數，是相對於正常的雙軸混煉擠出機1動作時得到的時序資料影像的特徵量(以下稱為「樣本特徵量」)，對步驟S77算出的時序資料影像的特徵量的偏離值的程度進行評價而數值化者。偏離值分數舉例來說，為LOF(Local Outlier Factor，局部異常因子)。LOF可以由異常檢測對象的特徵量的局部密度Id(P)、以及該特徵量的鄰近群(最鄰近該特徵量的k個樣本特徵量)的局部密度的平均＜Id(Q)＞之比＜Id(Q)＞/Id(P)來表示。若LOF越大於1，則作為偏離值的程度就越大。另外，P表示異常探測對象的特徵量，Q表示上述樣本特徵量。

然後，處理部31藉由判定算出的偏離值分數是否為既定的臨界值以上，來判定雙軸混煉擠出機1的異常的有無(步驟S79)。若偏離值分數為上述的LOF時，則臨界值為1以上的值。當LOF為臨界值以上時，診斷處理部51判定為異常；當LOF未滿臨界值時，則判定為正常。

另外，使用上述LOF的異常判定僅為一例，也可以使用k近鄰法、SVM來判定雙軸混煉擠出機1是否異常。另外，也可以藉由霍特林(Hotelling)法，來判定異常探測對象的特徵量，是否偏離正常時的樣本特徵量，並藉此來判定雙軸混煉擠出機1是否異常。

第12圖為一概念圖，示意時序資料影像的特徵量以及異常探測結果。第12圖將時序資料影像的高維特徵量降維到2維的特徵量並繪製於2維平面。第12圖所示的圖表的縱軸以及橫軸，示意降維後的時序資料影像的第1特徵量以及第2特徵量。另外，特徵量的維度壓縮，舉例來說，可以藉由t-SNE等降維演算法來執行。第12圖所示的學習模型54，學習使得從該學習模型54輸出的正常時的特徵量的局部密度變高。虛線的圓示意臨界值的影像。若身為異常探測對象的時序資料影像的特徵量(例如，星型六角形點)、與正常時的時序資料影像的特徵量群的統計距離短(局部密度相對高)，LOF值較小時，估測雙軸混煉擠出機1為正常的狀態。若身為異常探測對象的時序資料影像的特徵量(例如，X點)、與正常時的時序資料影像的特徵量群的統計距離長(局部密度相對低)，LOF值較大時，估測雙軸混煉擠出機1為異常的狀態。藉由使用螺旋軸11的旋轉中心軸的變位之異常診斷，就可以診斷螺旋軸11的磨耗等的異常的有無。

另外，雖然主要是以基於螺旋軸11的變位的異常探測來說明，但並不以此為限。舉例來說，可以基於示意減速機13的振動之感測值資料算出頻譜，產生以影像示意該頻譜的時序資料影像，使用產生的時序資料影像，來診斷減速機13的振動異常。另外，也可以產生以影像來示意表示施加於螺旋軸11的軸力矩的感測值資料之時序資料影像，使用產生的時序資料影像，來診斷過負荷的有無。

第13圖為一流程圖，示意壽命診斷的處理順序。診斷處理部51將複數個感測值資料轉換為以影像表示的一或複數個時序資料影像(步驟S91)，當轉換的時序資料影像為複數個時，則將該複數個時序影像資料合成為1張時序資料影像(步驟S92)。感測值資料舉例來說，為示意軸力矩或螺旋軸11的旋轉中心的變位之資料。接著，診斷處理部51藉由將步驟S92合成的時序資料影像輸入至學習模型54，來算出時序資料影像的特徵量(步驟S93)。

另外，診斷處理部51從資料庫6，讀取特定的感測值資料，例如與步驟S12接收的運轉資料相同或類似的運轉資料對應，且為具有正常壽命的雙軸混煉擠出機1的感測值資料(步驟S94)，同樣地轉換為時序資料影像(步驟S95)，合成(步驟S96)，將合成的時序資料影像輸入至學習模型54，算出具有正常壽命的雙軸混煉擠出機1相關的時序資料影像的特徵量(步驟S97)。

接著，診斷處理部51算出步驟S97算出的時序資料影像的特徵量的偏離值分數(步驟S98)。然後，處理部31藉由判定算出的偏離值分數是否在既定的臨界值以上，來判定診斷對象的雙軸混煉擠出機1的壽命，是否具有正常壽命(步驟S99)。偏離值分數為上述的LOF時，臨界值為1以上的值。若LOF為臨界值以上，診斷處理部51判定壽命短；若LOF未滿臨界值，則判定具有正常的壽命。

另外，雖然此處以診斷壽命是否正常為例進行說明，但也可以將具有特定壽命的雙軸混煉擠出機1得到的感測值資料的特徵量、與現在的感測值資料的特徵量進行比較，來判定雙軸混煉擠出機1是否具有特定的壽命。

＜學習模型產生方法＞說明診斷裝置5執行的診斷處理使用的學習模型54的產生方法。第14圖為一概念圖，示意學習模型54的產生方法的概要。針對用來判定雙軸混煉擠出機1的動作是否正常之學習模型54的產生方法進行說明。以下，說明診斷裝置5的診斷處理部51使學習模型54機械學習之例。

首先，準備雙軸混煉擠出機1正常動作時檢測得到的複數個時序資料影像、以及與時序資料影像無關的任意複數個參考影像A、B、C，作為產生1類別分類模型時必要的學習用資料集。參考影像A、B、C舉例來說，為Image Net等學習用資料集當中選擇的複數個類別的影像資料。第14圖所示的範例中，準備了貼有標籤0、標籤1、標籤2的參考影像A、B、C。

然後，使學習模型54機械學習正常動作時的時序資料影像、以及參考影像A、B、C，學習模型54具有取出影像的特徵的複數個迭代層以及池化層組成的特徵取出層。具體來說，診斷處理部51使學習模型54學習，使得學習模型54輸出的特徵量具有以下特性：可判別各影像的特徵之特徵量，也就是如第14圖右所示的時序資料影像的特徵量的局部密度變高，且與參考影像A、B、C的特徵量之間的識別性變高。以下，說明1類別分類模型的產生方法的詳細。

第15圖為一概念圖，示意學習階段當中的學習模型54。首先，準備第1類神經網路(參考網路)54a、以及第2類神經網路(次級網路)54a。

第1類神經網路54a，是具有輸入層、特徵取出層以及分類層的CNN。特徵取出層，具有複數個迭代層以及池化層的重複構造。分類層舉例來說，具有一或複數個全結合層。第1類神經網路54a舉例來說，使用Image Net等的學習用資料集進行預備學習。第2類神經網路54a具有與第1類神經網路54a相同的網路構成，具有特徵取出層以及分類層的各種參數(權重係數)也相同。以下，第1以及第2神經網路54a、54a的學習階段中，特徵取出層以及分類層的各種參數共享相同值。

然後，診斷處理部51將參考影像A輸入至第1類神經網路54a，算出損失函數，也就是描述性損失(descriptiveness loss)。另一方面，診斷處理部51將正常時的時序資料影像輸入至第2類神經網路54a，算出損失函數，也就是緊緻度損失(compactness loss)。描述性損失為分類器的學習中一般會使用到的損失函數，例如交叉熵誤差。緊緻度損失用下列式(1)、(2)、(3)表示。緊緻度損失是批次內，也就是學習用資料集當中的第2神經網路54a的輸出的離散值相當的值。

i:分別示意學習用的複數個時序資料影像的流水號 n:批次量(學習用的時序資料影像的張數) x _i:特徵量 k:特徵量的維度

然後，診斷處理部51算出基於描述性損失以及緊緻度損失的總損失。總損失舉例來說，用下列式(4)來表示。

L:總損失 l _D:描述性損失 l _C:緊緻度損失 λ:常數(例如0.1)

診斷處理部51藉由使用誤差逆傳播法等，使得上述(4)表示的總損失變小，並執行第1以及第2類神經網路54a、54a的各種參數的最佳化，使第1以及第2類神經網路54a、54a進行學習。另外，機械學習之際，也可以固定前段的各種參數，調整後段的複數層的參數。

像這樣學習的第1以及第2類神經網路54a、54a的特徵取出層輸出的特徵量，如第14圖所示，雙軸混煉擠出機1正常時得到的時序資料影像的特徵量的局部密度較高，與其他的任意影像的特徵量的局部密度較低。

第16圖為一概念圖，示意測試階段當中的學習模型54。如第16圖所示，本實施形態1相關的學習模型54，可以由上述那樣學習的第2類神經網路54a的輸入層以及特徵取出層來構成。因此，第15圖所示的分類層，並非本實施形態1相關的學習模型54的必須的構成。然而，也可以沿用第15圖所示的第2類神經網路54a作為學習模型54，使用從特徵取出層輸出的特徵量。另外，第16圖雖然圖示2個學習模型54，但僅為概念上示意身為檢測對象的時序資料影像、以及身為樣本的正常時的時序資料影像輸入的狀態，而並非示意存在2個模型。

測試階段中，診斷學習部51藉由將正常時得到的時序資料影像作為樣本資料，輸入至學習模型54，而輸出正常時的時序資料影像的特徵量。另一方面，藉由將異常探測對象的時序資料影像輸入至學習模型54，而輸出該時序資料影像的特徵量。然後，診斷處理部51算出相對於樣本資料的特徵量之異常探測對象的特徵量之偏離值分數，藉由將算出的偏離值分數與臨界值進行比較，判別異常探測對象的時序資料影像是否異常，也就是雙軸混煉擠出機1是否異常。

另外，第16圖中，雖然示意了將樣本資料輸入至學習模型54，算出該樣本資料的特徵量之例，但也可以將算出的複數個樣本資料的特徵量事先記憶於記憶部32，於異常探測處理中，使用記憶部32記憶的樣本資料的特徵量，來算出偏離值分數。

另外，雖然說明了用以診斷雙軸混煉擠出機1的異常的有無之學習模型54，但也可以使用具有正常壽命的雙軸混煉擠出機1得到的感測值資料，使學習模型54進行學習，而產生用以診斷雙軸混煉擠出機1是否具有正常壽命的學習模型54。

另外，上述說明當中，雖然說明了分類為正常與異常之例，但也可以使用複數個1類別分類模型之學習模型54，將典型的異常時的時序資料影像資料，判別為其他異常時的時序資料影像。例如，異常探測裝置3與上述實施形態1相同，包含學習正常時的時序資料影像的第1學習模型54。另外，異常探測裝置3包含學習正常時的時序資料影像、以及第1異常時的時序資料影像的第2學習模型54。異常探測裝置3使用第1學習模型54、以及第2學習模型54，判別正常時的時序資料影像、第1異常時的時序資料影像、其他異常時的時序資料影像。同樣地，異常探測裝置3也可以包含3個以上的學習模型54，來判別2個以上的異常時的時序資料影像。

另外，雖然已經針對螺旋軸異常診斷進行詳述，但也同樣可以構成以及產生學習模型54，在步驟S63以及步驟S64當中，進行無效率運轉狀態與否的診斷、導致品質異常的運轉狀態與否的診斷。

另外，雖然說明了1類別分類模型作為學習模型54的一例，但一般來說，也可以使用CNN、U-Net、RNN(Recurrent Neural Network，遞迴類神經網路)等的類神經網路、以及其他的SVM(Support Vector Machine，支持向量機)、貝氏網路、或是回歸樹等。舉例來說，儲存正常時的感測值資料、各種異常時的感測值資料時，可以將雙軸混煉擠出機1的狀態作為教師資料，作成感測值資料或時序資料影像當中附有標籤的學習用資料集，使CNN等構成的學習模型54進行學習。雙軸混煉擠出機1的狀態，包含了示意雙軸混煉擠出機1為正常之狀態、螺旋軸11磨耗的異常狀態、使用了螺旋軸11不適合的樹脂原料之異常狀態、產生過負荷的過負荷異常狀態、減速機13的振動異常、壽命變短的異常狀態、成形品的尺寸等的異常狀態等。學習模型54具有輸入層、中間層以及輸出層。中間層具有取出影像的特徵之複數個迭代層以及池化層。輸出層具有雙軸混煉擠出機1的複數個狀態對應的複數個節點，輸出該狀態的可信度。當輸入有感測值資料、或感測值資料相關的時序資料影像時，學習模型54使得中間層的權重係數最佳化，使得學習模型54輸出的雙軸混煉擠出機1的狀態趨近於教師資料示意的狀態。該權重係數舉例來說，為神經元之間的權重(結合係數)等。參數的最佳化方法並未特別限定，舉例來說，使用最陡下降法、誤差逆傳播法等進行各種參數的最佳化。根據這樣產生的學習模型54，就可以藉由將診斷對象的雙軸混煉擠出機1得到的感測值資料的時序資料影像輸入至學習模型54，而診斷雙軸混煉擠出機1的狀態。舉例來說，診斷處理部51判定雙軸混煉擠出機1為輸出最高可信度的節點對應的狀態。

另外，當輸入有時序資料影像時，學習模型54也可以輸出更適當的成形條件，或是成形條件的調整量。診斷裝置5將學習模型54輸出的成形條件傳送至異常探測裝置3，異常探測裝置3將接收的該成形條件傳送至控制裝置14。

＜診斷結果以及判定結果的顯示處理＞說明步驟S19當中的判定結果以及統計量等的顯示例。第17圖為一模式圖，示意控制裝置14當中的異常判定結果等的顯示例。顯示於顯示部的判定結果等顯示畫面141，具有圖表顯示部141a、警告顯示部141b、AI診斷顯示部141c、處理值顯示部141d。圖表顯示部141a舉例來說，以圖表顯示軸力矩、螺旋軸11的振動、變位的統計量的時間變化。警告顯示部141b顯示示意接收的雙軸混煉擠出機1的異常的有無之判定結果，當有異常時，顯示警告內容。AI診斷顯示部141c顯示後面描述的診斷裝置5執行的診斷結果。處理值顯示部141d顯示接收的統計量的值。

說明步驟S28當中的診斷結果的顯示例。第18圖為一模式圖，示意終端裝置7當中的異常判定結果等的顯示例。判定結果等顯示畫面71，具有圖表顯示部71a、警告履歷顯示部71b、AI診斷履歷顯示部71c、處理值顯示部71d、資料選擇部71e。資料選擇部71e受理顯示的資料的選擇。舉例來說，資料選擇部71e受理雙軸混煉擠出機1的運轉日時、顯示的統計量的種類、診斷項目的選擇。當複數個雙軸混煉擠出機1與第1網路連接時，資料選擇部71e也可以受理雙軸混煉擠出機1的選擇。終端裝置7將資料選擇部71e選擇的運轉日時、雙軸混煉擠出機1的識別資訊等，傳送至異常探測裝置3，要求選擇的雙軸混煉擠出機1以及運轉日時當中的異常判定結果的履歷、感測值資料的統計量、診斷結果的履歷。終端裝置7因應要求，接收從診斷裝置5傳送的該等資訊，顯示接收的資訊。圖表顯示部71a，以圖表顯示感測值資料的統計量的時間變化。警告履歷顯示部71b顯示示意接收的雙軸混煉擠出機1的異常的有無之判定結果的履歷。AI診斷履歷顯示部71c顯示雙軸混煉擠出機1的異常或壽命相關的診斷結果的履歷。處理值顯示部71d顯示接收的統計量的值。

＜本實施形態1相關的成形機系統的作用效果＞以上，根據本實施形態1相關的成形機系統，包含執行雙軸混煉擠出機1的運轉控制之控制裝置14、異常探測裝置3、診斷裝置5，就能夠透過各裝置的協作，來探測雙軸混煉擠出機1的異常，並診斷雙軸混煉擠出機1的異常、壽命等詳細的狀態，而不會對控制裝置14造成過度的負擔。

另外，異常探測裝置3也可以使用感測值資料以及運轉資料，來簡易探測雙軸混煉擠出機1的異常，將異常判定結果傳送至控制裝置14。控制裝置14僅將運轉資料傳送至異常探測裝置3，就可以接收雙軸混煉擠出機1的異常判定結果，基於異常判定結果，監視雙軸混煉擠出機1的動作。

另外，異常探測裝置3可以算出感測值資料的統計量傳送至控制裝置14，使顯示部顯示統計量的圖表、以及統計量的值。

另外，異常探測裝置3可以探測減速機13的振動異常、對螺旋軸11的過負荷、成形品的尺寸異常，將相關的異常傳送至控制裝置14。

另外，診斷裝置5可以基於現在的雙軸混煉擠出機1的運轉資料以及感測值資料、以及資料庫6當中儲存的過去的感測值資料，來詳細診斷雙軸混煉擠出機1的異常以及壽命。診斷裝置5可以執行異常探測裝置3辦不到的雙軸混煉擠出機1的狀態診斷。異常探測裝置3可以將現在的雙軸混煉擠出機1的運轉資料以及感測值資料傳送至診斷裝置5要求診斷，來取得診斷結果，將取得的診斷結果傳送至控制裝置14。控制裝置14僅將運轉資料傳送至異常探測裝置3，就可以接收診斷裝置5執行的診斷結果，並在顯示部顯示診斷結果。

另外，診斷裝置5可以使用學習模型54診斷雙軸混煉擠出機1的異常、壽命等狀態。

另外，可以用1類別分類模型構成學習模型54，就可以使用正常的雙軸混煉擠出機1的動作時得到的時序資料影像，使該學習模型54機械學習，而不需要使用異常的雙軸混煉擠出機1的時序資料影像。

另外，可以用1張時序資料影像來表現複數個感測器2輸出的感測值資料，使用學習模型54算出該時序資料影像的特徵量，來輕易地得到以更高精度表示的雙軸混煉擠出機1的狀態。藉由使用這樣得到的特徵量，就可以用更高精度診斷雙軸混煉擠出機1的狀態。

另外，本實施形態1是說明診斷裝置5使學習模型54機械學習之例，但也可以使用外部的其他電腦或伺服器使學習模型54機械學習。

另外，本實施形態1主要是說明雙軸混煉擠出機1的異常探測以及診斷，但也可以執行射出成形機、薄膜成形機等的成形機、以及其他的製造裝置的異常探測以及診斷。

(變形例) 診斷裝置5也可以使用學習模型54，對診斷處理執行課金處理。舉例來說，診斷裝置5可以因應雙軸混煉擠出機1的台數、感測器2的個數、感測器2的種類、診斷處理對象的資料量、使用的學習模型54的個數等，算出診斷費用，將算出的診斷費用、異常診斷系統的使用者ID、雙軸混煉擠出機1的識別ID、使用日時、資料量、診斷項目對應記憶於記憶部52。

(實施形態2) 實施形態2相關的成形機系統，受理對診斷結果的使用者的回授，更新學習模型54或診斷基準，此點與實施形態2有所不同。成形機系統的其他構成，由於與實施形態1相關的成形機系統相同，故在相同的地方給予相同符號，並省略詳細的說明。

第19圖為一流程圖，示意實施形態2相關的診斷結果相關的回授處理順序。異常探測裝置3透過控制裝置14，受理診斷結果的適當與否、或是雙軸混煉擠出機1的正確狀態(步驟S211)。異常探測裝置3的處理部31將回授資訊傳送至診斷裝置5，該回授資訊包含了示意得到評價對象之診斷結果的原本的運轉資料以及感測值資料、連同雙軸混煉擠出機1的正確狀態之資料(步驟S212)。另外，上述的回授資訊的內容僅為一例。舉例來說，資料庫6當中記憶診斷ID、運轉資料、感測值資料以及診斷結果時，異常探測裝置3也可以將包含接收的診斷結果當中附加的診斷ID、雙軸混煉擠出機1的正確狀態在內的回授資訊傳送至診斷裝置5。另外，異常探測裝置3也可以將包含診斷ID以及診斷結果的適當與否在內的回授資訊傳送至診斷裝置5。

診斷裝置5接收從異常探測裝置3傳送的回授資訊(步驟S213)，將接收的回授資訊記憶於資料庫6(步驟S214)。換言之，記憶運轉資料、感測值、雙軸混煉擠出機1的正確狀態。然後，診斷處理裝置基於回授資訊，使學習模型54追加學習，或是更新診斷基準(步驟S215)。

舉例來說，當診斷結果誤判為異常，而雙軸混煉擠出機1為正常時，可以將診斷結果錯誤的感測值資料作為正常時的資料，連同學習用資料集，使學習模型54追加學習，而提高學習模型54執行的特徵量的取出精度。

另外，也可以基於算出的分數值，來變更用以診斷雙軸混煉擠出機1的異常之臨界值。舉例來說，當診斷結果誤判為異常，而雙軸混煉擠出機1為正常時，診斷處理部51增加臨界值。當診斷結果誤判為正常，而雙軸混煉擠出機1為異常時，診斷處理部51減少臨界值。

另外，學習模型54以及診斷基準的變更，也可以藉由接收以及儲存複數個回授資訊來執行。

根據實施形態2相關的成形機系統，就可以藉由來自於使用者的回授，更加提高診斷裝置5的診斷精度。

(實施形態3) 實施形態3相關的成形機系統，將示意現場得到的運轉資料、感測值資料、雙軸混煉擠出機1的狀態之資料儲存於資料庫6，使學習模型54追加學習，此點與實施形態3有所不同。成形機系統的其他構成，由於與實施形態1相關的成形機系統相同，故在相同的地方給予相同符號，並省略詳細的說明。

第20圖為一流程圖，示意實施形態3相關的雙軸混煉擠出機1的狀態相關的回授處理順序。異常探測裝置3透過控制裝置14，受理雙軸混煉擠出機1的狀態(步驟S311)。換言之，異常探測裝置3受理使用者評價的雙軸混煉擠出機1的現在的狀態。然後，異常探測裝置3的處理部31將包含運轉資料、感測值資料、雙軸混煉擠出機1的狀態在內的資訊傳送至診斷裝置5(步驟S312)。另外，異常探測裝置3也可以受理雙軸混煉擠出機1的螺旋軸11的構成、樹脂原料的種類、成形品的品質評價、估測壽命等資訊並傳送至診斷裝置。

診斷裝置5接收從異常探測裝置3傳送的運轉資料、感測值資料、雙軸混煉擠出機1的狀態、其他的上述資訊在內之資訊(步驟S313)，將接收的資訊記憶於資料庫6(步驟S314)。換言之，診斷處理部51記憶運轉資料、感測值資料、雙軸混煉擠出機1的狀態、其他的上述資訊。然後，診斷處理裝置使用基於資料庫6當中儲存的使用者的評價，包含感測值資料在內的學習用資料集，使學習模型54追加學習(步驟S315)。

根據實施形態3相關的異常探測裝置3，藉由反映使用者的評價，使學習模型54追加學習，就可以更加提高診斷裝置5的診斷精度。

另外，像這樣根據從異常探測裝置3傳送的資訊，可以作成監督式學習用的資料集。診斷裝置5如實施形態1的說明，可以使用監督式學習用資料集，當輸入有感測值資料或時序資料影像時，產生輸出雙軸混煉擠出機1的狀態相關的資訊之學習模型54，或是使學習模型54追加學習。

1:雙軸混煉擠出機 2:感測器 3:異常探測裝置 4:路由器 5:診斷裝置 6:資料庫 7:終端裝置 10:圓筒 10a:進料斗 11:螺旋軸 12:馬達 13:減速機 14:控制裝置 141:判定結果等顯示畫面 141a:圖表顯示部 141b:警告顯示部 141c:AI診斷顯示部 141d:處理值顯示部 30:記錄媒體 31:處理部 32:記憶部 33:通訊部 34:取得部 51:診斷處理部 52:記憶部 53:通訊部 54:學習模型 54a:第1類神經網路,第2類神經網路 71:判定結果等顯示畫面 71a:圖表顯示部 71b:警告履歷顯示部 71c:AI診斷履歷顯示部 71d:處理值顯示部 71e:資料選擇部 P1:電腦程式 P2:電腦程式 S11~S28:步驟 S51~S56:步驟 S61~S64:步驟 S71~S79:步驟 S91~S99:步驟 S211~S215:步驟 S311~S315:步驟

第1圖為一方塊圖，示意本實施形態1相關的成形機系統的構成例。第2圖為一模式圖，示意本實施形態1相關的雙軸混煉擠出機的構成例。第3圖為一方塊圖，示意本實施形態1相關的異常探測裝置的構成例。第4圖為一方塊圖，示意實施形態1相關的診斷裝置的構成例。第5圖為一概念圖，示意實施形態1相關的資料庫的記錄布局(Record Layout)的一例。第6圖為一流程圖，示意實施形態1相關的雙軸混煉擠出機的異常探測以及診斷相關的處理順序。第7圖為一流程圖，示意實施形態1相關的雙軸混煉擠出機的異常探測以及診斷相關的處理順序。第8圖為一流程圖，示意異常判定的處理順序。第9圖為一流程圖，示意異常診斷的處理順序。第10圖為一流程圖，示意螺旋軸11的異常診斷的處理順序。第11圖為一時序資料影像，示意2根螺旋軸的變異。第12圖為一概念圖，示意時序資料影像的特徵量以及異常探測結果。第13圖為一流程圖，示意壽命診斷的處理順序。第14圖為一概念圖，示意學習模型的產生方法的概要。第15圖為一概念圖，示意學習階段當中的學習模型。第16圖為一概念圖，示意測試階段當中的學習模型。第17圖為一模式圖，示意控制裝置當中的異常判定結果等的顯示例。第18圖為一模式圖，示意終端裝置當中的異常判定結果等的顯示例。第19圖為一流程圖，示意實施形態2相關的診斷結果相關的回授處理順序。第20圖為一流程圖，示意實施形態3相關的雙軸混煉擠出機的狀態相關的回授處理順序。

1:雙軸混煉擠出機

2:感測器

3:異常探測裝置

4:路由器

5:診斷裝置

6:資料庫

7:終端裝置

10:圓筒

11:螺旋軸

12:馬達

13:減速機

14:控制裝置

Claims

一種異常探測系統，包含探測製造裝置的異常之異常探測裝置，該異常探測系統包含：控制裝置，執行該製造裝置的運轉控制，傳送示意該運轉控制的內容之運轉資料；以及感測器，檢測該製造裝置的動作或產品相關的物理量，輸出示意檢測的物理量的時序之感測值資料；其中，該異常探測裝置包含：通訊部，接收從該控制裝置傳送的該運轉資料；取得部，取得從該感測器輸出的感測值資料；以及處理部，算出該取得部取得的感測值資料的統計量，基於算出的該統計量、以及接收的該運轉資料相應的臨界值，判定該製造裝置的異常的有無；其中，該通訊部將判定結果以及該統計量傳送至該控制裝置。
如請求項1之異常探測系統，其中，該控制裝置接收從該異常探測裝置傳送的該判定結果，監視該製造裝置的狀態。
如請求項1之異常探測系統，其中，該控制裝置接收從該異常探測裝置傳送的該統計量，顯示基於接收的該統計量之圖表或數值。
如請求項1至3任一項之異常探測系統，其中，該製造裝置為包含減速機的成形機；其中，該感測器檢測該減速機的振動；其中，該處理部判定該減速機的異常振動的有無。
如請求項1至3任一項之異常探測系統，其中，該製造裝置為包含螺旋軸的成形機；其中，該感測器檢測施加於該螺旋軸的軸力矩、該螺旋軸的溫度、或該螺旋軸的變位；其中，該處理部判定對於該成形機以及該螺旋軸的過負荷的有無。
如請求項1至3任一項之異常探測系統，其中，該製造裝置為成形機；其中，該感測器檢測該成形機製造的成形品的尺寸；其中，該處理部判定該成形品的尺寸的異常的有無。
一種成形機系統，包含：如請求項1至6任一項之異常探測系統；以及成形機；其中，該異常探測系統被設置以探測該成形機的異常。
一種異常探測裝置，探測製造裝置的異常，該異常探測裝置包含：通訊部，接收從執行該製造裝置的運轉控制之控制裝置所傳送，示意該運轉控制的內容之運轉資料；取得部，取得從檢測該製造裝置的動作或產品相關的物理量之感測器輸出的時序的感測值資料；以及處理部，算出該取得部取得的感測值資料的統計量，基於算出的該統計量、以及取得的該運轉資料相應的臨界值，判定該製造裝置的異常的有無；其中，該通訊部將判定結果以及該統計量傳送至該控制裝置。
一種異常探測方法，由電腦執行檢測製造裝置的異常之處理，該電腦執行下列處理：接收從執行該製造裝置的運轉控制之控制裝置所傳送，示意該運轉控制的內容之運轉資料；取得從檢測該製造裝置的動作或產品相關的物理量之感測器輸出的時序的感測值資料；基於算出的統計量、以及取得的該運轉資料相應的臨界值，判定該製造裝置的異常的有無；以及將判定結果傳送至該控制裝置。
一種記錄並可讀取電腦程式的記錄媒體，用以使電腦執行檢測製造裝置的異常之處理，該記錄並可讀取電腦程式的記錄媒體用以使該電腦執行下列處理：接收從執行該製造裝置的運轉控制之控制裝置所傳送，示意該運轉控制的內容之運轉資料；取得從檢測該製造裝置的動作或產品相關的物理量之感測器輸出的時序的感測值資料；基於算出的統計量、以及取得的該運轉資料相應的臨界值，判定該製造裝置的異常的有無；將判定結果傳送至該控制裝置。