WO2022054782A1 - 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
WO2022054782A1
WO2022054782A1 PCT/JP2021/032790 JP2021032790W WO2022054782A1 WO 2022054782 A1 WO2022054782 A1 WO 2022054782A1 JP 2021032790 W JP2021032790 W JP 2021032790W WO 2022054782 A1 WO2022054782 A1 WO 2022054782A1
Authority
WO
WIPO (PCT)
Prior art keywords
state
learning
industrial machine
statistical
data
Prior art date
Application number
PCT/JP2021/032790
Other languages
English (en)
French (fr)
Inventor
淳史 堀内
Original Assignee
ファナック株式会社
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 ファナック株式会社 filed Critical ファナック株式会社
Priority to JP2022547601A priority Critical patent/JP7538234B2/ja
Priority to US18/024,820 priority patent/US20240028020A1/en
Priority to DE112021004168.1T priority patent/DE112021004168T5/de
Priority to CN202180054492.0A priority patent/CN116034006B/zh
Publication of WO2022054782A1 publication Critical patent/WO2022054782A1/ja

Links

Images

Classifications

    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Definitions

  • the present invention relates to a state determination device and a state determination method for industrial machines.
  • Maintenance of industrial machines such as injection molding machines is performed regularly or when an abnormality occurs.
  • the maintenance person determines whether or not there is an abnormality in the operating state of the industrial machine by using a physical quantity indicating the operating state of the industrial machine recorded at the time of operation of the industrial machine. Then, perform maintenance work such as replacement of parts with abnormalities.
  • Patent Document 1 shows that an abnormality is determined by supervised machine learning such as a load of a driving unit and a resin pressure.
  • machine learning such as a load of a driving unit and a resin pressure.
  • Patent Document 2 regarding the abnormality degree estimation value derived by machine learning, a correction coefficient associated with the injection molding model or equipment is used for the abnormality degree estimation value calculated from one learning model. It has been shown to derive a corrected anomaly correction value.
  • Patent Document 3 discloses that a plurality of learning models according to conditions related to injection operation such as operating conditions and environmental conditions are prepared in advance. What is shown in Patent Document 3 is to select one learning model from a plurality of learning models based on the conditions and processing capacity of the injection operation when calculating the evaluation value for the state of the injection operation. , The judgment accuracy of machine learning is improved. Further, Patent Document 4 shows that a plurality of learning models are prepared, the learning data classified according to the classification conditions are associated with the learning model, and one learning model is selected from the plurality of learning models. Has been done.
  • Japanese Unexamined Patent Publication No. 2017-20632 Japanese Unexamined Patent Publication No. 2020-404718 Japanese Unexamined Patent Publication No. 2019-067138 Japanese Unexamined Patent Publication No. 2020-066178
  • the state determination device with respect to the degree of abnormality estimated by machine learning, the time-series physical quantities (current, speed, etc.) acquired from the control device that controls the industrial machine are used as data indicating the state related to the industrial machine. Then, this state determination device calculates a plurality of estimated values (abnormality degrees) using a plurality of various learning models. Next, the statistical functions associated with the model and equipment of the industrial machine and the learning model are applied to the calculated estimated values for each of the plurality of learning models, and the statistic for evaluating the degree of abnormality of the industrial machine is calculated. .. Since the characteristics of a plurality of learning models are taken into consideration in the calculated statistic, it is possible to comprehensively determine the degree of abnormality in which a wide variety of characteristics are reflected by the statistic.
  • the degree of abnormality can be comprehensively determined based on the statistic calculated by applying the statistical function associated with the model and incidental equipment to the value. For example, two learning models, one for large machines and the other for small machines, are prepared in advance, and learning is performed when determining the degree of abnormality of a medium-sized machine different from the model used to create the learning model.
  • the two estimates calculated by the model were derived by applying weights corresponding to the size of the machine (eg, 70% for a learning model with a large machine size and 30% for a learning model with a small machine size).
  • weights corresponding to the size of the machine eg, 70% for a learning model with a large machine size and 30% for a learning model with a small machine size.
  • one aspect of the present invention is a state determination device for determining a state related to an industrial machine, and has learned the correlation between the data related to a predetermined physical quantity acquired from the industrial machine and the state related to the industrial machine.
  • a learning model storage unit that stores a plurality of learning models, designation of a plurality of the learning models used when determining a state related to the industrial machine, and numerical conversion of estimation results by the designated learning model to obtain statistics.
  • a statistical condition storage unit that stores statistical conditions including at least a statistical function for calculating the above, a data acquisition unit that acquires data related to a predetermined physical quantity as data indicating a state of the industrial machine, and the data acquisition unit.
  • the estimation unit that estimates the state related to the industrial machine using the plurality of learning models stored in the learning model storage unit, and the statistical function with reference to the statistical condition storage unit. It is a state determination device including a numerical conversion unit that numerically converts the estimation results for each of a plurality of learning models by the estimation unit using the acquired statistical function and calculates a statistic.
  • another aspect of the present invention is a state determination method for determining a state related to an industrial machine, and learns the correlation between the data related to a predetermined physical quantity acquired from the industrial machine and the state related to the industrial machine.
  • the designation of the plurality of learning models used when determining the state related to the industrial machine and the estimation result by the designated learning model are numerically converted to calculate the statistic.
  • Statistical conditions including at least the statistical function to be performed are stored in advance, and based on the step of acquiring the data related to a predetermined physical quantity as the data indicating the state of the industrial machine and the data acquired in the acquired step.
  • the step of estimating the state related to the industrial machine using the plurality of learning models stored in advance, and the statistical function included in the statistical condition stored in advance are acquired, and the acquired statistical function is obtained. It is a state determination method that executes a step of numerically converting the estimation results for each of a plurality of learning models by the estimation step and calculating a statistic.
  • statistically processed statistics are calculated based on estimated values obtained from a plurality of learning models, so that it is possible to make a comprehensive judgment on the state of industrial machines.
  • FIG. 1 is a schematic hardware configuration diagram showing a main part of a state determination device according to an embodiment of the present invention.
  • the state determination device 1 according to the present embodiment can be implemented as a control device that controls an industrial machine based on, for example, a control program. Further, the state determination device 1 according to the present embodiment is a personal computer attached to a control device that controls an industrial machine based on a control program, a personal computer connected to the control device via a wired / wireless network, and a cell computer. , Can be mounted on the fog computer 6 and the cloud server 7.
  • the state determination device 1 is mounted on a personal computer connected to the control device 3 via the network 9 .
  • the industrial machine for which the state determination device of the present invention determines the state include an injection molding machine, a machine tool, a mining machine, a woodworking machine, an agricultural machine, and a construction machine.
  • an injection molding machine will be described as an example of an industrial machine.
  • the CPU 11 included in the state determination device 1 is a processor that controls the state determination device 1 as a whole.
  • the CPU 11 reads the system program stored in the ROM 12 via the bus 22 and controls the entire state determination device 1 according to the system program. Temporary calculation data, display data, various data input from the outside, and the like are temporarily stored in the RAM 13.
  • the non-volatile memory 14 is composed of, for example, a memory backed up by a battery (not shown), an SSD (Solid State Drive), or the like, and the storage state is maintained even when the power of the state determination device 1 is turned off.
  • the non-volatile memory 14 stores data read from the external device 72 via the interface 15, data input via the input device 71, data acquired from the injection molding machine 4 via the network 9, and the like.
  • the stored data includes, for example, the motor current, voltage, torque, position, speed, acceleration, and inside of the mold of the drive unit detected by various sensors 5 attached to the injection molding machine 4 controlled by the control device 3.
  • Data related to physical quantities such as pressure, injection cylinder temperature, resin flow rate, flow velocity, vibration and sound may be included.
  • the data stored in the non-volatile memory 14 may be expanded in the RAM 13 at the time of execution / use. Further, various system programs such as a known analysis program are written in the ROM 12 in advance.
  • the interface 15 is an interface for connecting the CPU 11 of the state determination device 1 and an external device 72 such as an external storage device.
  • an external device 72 such as an external storage device.
  • a system program, a program related to the operation of the injection molding machine 4, parameters, and the like can be read.
  • the data or the like created / edited on the state determination device 1 side can be stored in an external storage medium such as a CF card or a USB memory (not shown) via the external device 72.
  • the interface 20 is an interface for connecting the CPU 11 of the state determination device 1 and the wired or wireless network 9.
  • the network 9 communicates using technologies such as serial communication such as RS-485, Ethernet (registered trademark) communication, optical communication, wireless LAN, Wi-Fi (registered trademark), and Bluetooth (registered trademark). It's okay to have it.
  • a control device 3 for controlling the injection molding machine 4, a fog computer 6, a cloud server 7, and the like are connected to the network 9, and these devices exchange data with each other with the state determination device 1. ..
  • each data read into the memory, data obtained as a result of executing a program, etc., data output from the machine learning device 2 described later, and the like are output and displayed via the interface 17. Will be done.
  • the input device 71 composed of a keyboard, a pointing device, and the like passes commands, data, and the like based on operations by the operator to the CPU 11 via the interface 18.
  • the interface 21 is an interface for connecting the CPU 11 and the machine learning device 2.
  • the machine learning device 2 stores a processor 201 that controls the entire machine learning device 2, a ROM 202 that stores a system program, a RAM 203 that temporarily stores each process related to machine learning, a learning model, and the like.
  • the non-volatile memory 204 used for the above is provided.
  • the machine learning device 2 has data that can be acquired by the state determination device 1 via the interface 21 (for example, the motor current, voltage, torque, position of the drive unit detected by various sensors 5 attached to the injection molding machine 4). It is possible to observe speed, acceleration, mold pressure, injection cylinder temperature, resin flow rate, flow velocity, data related to physical quantities such as vibration and sound). Further, the state determination device 1 acquires the processing result output from the machine learning device 2 via the interface 21, stores and displays the acquired result, and transmits the acquired result to other devices via the network 9 or the like. And send.
  • FIG. 2 is a schematic configuration diagram of the injection molding machine 4.
  • the injection molding machine 4 is mainly composed of a mold clamping unit 401 and an injection unit 402.
  • the mold clamping unit 401 is provided with a movable platen 416 and a fixed platen 414. Further, a movable side mold 412 is attached to each of the movable platen 416, and a fixed side mold 411 is attached to the fixed platen 414.
  • the injection unit 402 includes an injection cylinder 426, a hopper 436 for storing the resin material to be supplied to the injection cylinder 426, and a nozzle 440 provided at the tip of the injection cylinder 426.
  • the mold clamping unit 401 closes and molds the mold by moving the movable platen 416, and the injection unit 402 presses the nozzle 440 against the fixed side mold 411, and then the nozzle.
  • the resin is injected into the mold via the 440.
  • sensors 5 for detecting physical quantities are attached to each part of the injection molding machine 4, and the motor current, voltage, torque, position, speed, acceleration, mold internal pressure, temperature of the injection cylinder 426, and resin of the drive part are attached.
  • the physical quantities such as the flow rate, the flow velocity, the vibration and the sound of the sensor 5 are detected by the sensor 5.
  • the physical quantity detected by the sensor 5 is sent to the control device 3.
  • each detected physical quantity is stored in a RAM, a non-volatile memory, or the like (not shown), and is transmitted to the state determination device 1 via the network 9 as needed.
  • FIG. 3 shows as a schematic block diagram the functions included in the state determination device 1 according to the first embodiment of the present invention.
  • the CPU 11 included in the state determination device 1 and the processor 201 included in the machine learning device 2 respectively execute a system program, and the state determination device 1 and the machine are provided. It is realized by controlling the operation of each part of the learning device 2.
  • the state determination device 1 of the present embodiment includes a data acquisition unit 100, a data extraction unit 110, an estimation command unit 120, and a numerical conversion unit 140. Further, the machine learning device 2 includes an estimation unit 207. Further, in the RAM 13 to the non-volatile memory 14 of the state determination device 1, the acquired data storage unit 300 as an area for storing the data acquired by the data acquisition unit 100 from the control device 3 and the like, and the numerical value by the numerical conversion unit 140. A statistical condition storage unit 310 for storing statistical conditions used for conversion in advance is prepared in advance.
  • a learning model storage unit 210 is prepared in advance as an area for storing the learning model 214 of the above.
  • the data acquisition unit 100 executes a system program read from the ROM 12 by the CPU 11 included in the state determination device 1 shown in FIG. 1, mainly performs arithmetic processing using the RAM 13 and the non-volatile memory 14 by the CPU 11, and the interfaces 15 and 18. Alternatively, it is realized by performing the input control process according to 20.
  • the data acquisition unit 100 includes the motor current, voltage, torque, position, speed, acceleration, mold internal pressure, temperature of the injection cylinder 426, and resin flow rate of the drive unit detected by the sensor 5 attached to the injection molding machine 4. , Flow velocity, acquisition of data related to physical quantities such as vibration and sound.
  • the data related to the physical quantity acquired by the data acquisition unit 100 may be so-called time-series data indicating the value of the physical quantity for each predetermined cycle. Further, the data acquisition unit 100 may acquire data directly from the control device 3 that controls the injection molding machine 4 via the network 9. The data acquisition unit 100 may acquire data acquired and stored by the external device 72, the fog computer 6, the cloud server 7, and the like. The data acquisition unit 100 may acquire data related to physical quantities for each step constituting one molding cycle by the injection molding machine 4.
  • FIG. 4 is a diagram illustrating a molding cycle for manufacturing one molded product. In FIG.
  • the mold closing process, the mold opening process, and the protrusion process which are the processes of the shaded frame, are the operations of the mold clamping unit 401, and are the injection process, the pressure holding process, the measuring process, and the depressurizing process, which are the processes of the white frame.
  • the cooling step is performed by the operation of the injection unit 402.
  • the data acquisition unit 100 acquires data related to physical quantities so that each of these steps can be distinguished.
  • the data related to the physical quantity acquired by the data acquisition unit 100 is stored in the acquisition data storage unit 300.
  • the data extraction unit 110 is realized by executing a system program read from the ROM 12 by the CPU 11 included in the state determination device 1 shown in FIG. 1 and performing arithmetic processing mainly by the CPU 11 using the RAM 13 and the non-volatile memory 14. Will be done.
  • the data extraction unit 110 extracts from the acquisition data storage unit 300 data used for processing related to machine learning such as estimation processing by the machine learning device 2 from the data related to the physical quantity acquired by the data acquisition unit 100.
  • the data extraction by the data extraction unit 110 is performed based on the statistical conditions stored in the statistical condition storage unit 310.
  • Statistical conditions define how to calculate the estimation result of the current state of industrial machinery.
  • the statistical condition includes at least the designation of a plurality of learning models used for determining the state of the industrial machine and the statistical function for numerically converting the estimation result by the designated learning model to calculate the statistic.
  • Statistical conditions may be created for each model (scale, etc.) of the industrial machine and the type of equipment attached to the industrial machine.
  • Statistical functions to be included in the statistical conditions include, for example, weighted mean, arithmetic mean, weighted harmonic mean, harmonic mean, pruned mean, log mean, sum of squared mean square root, minimum, maximum, median, weighted median, and mode. It may be possible to set a predetermined statistical function in consideration of the relationship between the judgment state such as a value and each learning model.
  • a weighted average in which the weights are changed according to the correlation between the model of the industrial machine and the estimation result of each learning model may be used. Further, when it is determined that even one of the estimation results of the plurality of learning models is in a predetermined state (for example, an abnormal state), it is determined that the state of the industrial machine has become an abnormal state.
  • the maximum value (or minimum value) among the estimation results of the learning model of the above may be selected and used.
  • the estimation results of a plurality of learning models include outliers that deviate significantly from the average value of the estimation results and the outliers are excluded, the center of the estimation results of the plurality of learning models. You may use a value or a mode value.
  • FIG. 5 is a diagram illustrating a model of an injection molding machine and statistical conditions in which a screw diameter and a statistical function are associated with each other.
  • the model of the injection molding machine (the screw diameter is arbitrary) is 30 tons
  • the estimation results of the learning model a and the learning model b are used, and the weight for the estimation result by the learning model a is 0.30.
  • a weighted average with a weight of 0.70 for the estimation result by the learning model b is calculated, and this is defined as an estimated value for determining the state of the injection molding machine.
  • the estimation results of the learning models a, b, and c are used to calculate the pruning average of these estimation results, and this is used as the injection molding machine. It is defined as an estimated value to judge the state of.
  • Parameters such as weights related to the estimation result by the learning model used for the calculation of the statistical function may be defined by fixed values such as weights as described above. Further, parameters such as weights may be calculated by using a function such as a trigonometric function, a hyperbolic function, or a sigmoid function that takes a predetermined value (hyperparameter) determined in advance by an experiment or the like as an argument.
  • a hyperbolic function that takes a hyperparameter x as an argument when calculating these weighted averages using the estimation results of the learning models a and b.
  • tanh (x) which is a kind of, be a function f (x) for calculating the weight of the weighted average.
  • a weighted average is calculated in which the weight for the estimation result by the learning model a is the value calculated by the function f (x) and the weight value for the estimation result by the learning model b is 1-f (x). It is defined as an estimated value for determining the state of the injection molding machine.
  • the functions f (x), g (x), and h (x) for calculating the weights related to the learning model in the example of FIG. 5 use the hyper parameter x as an argument in addition to the above-mentioned function tanh (x). It may be a trigonometric function such as sin (x) or cos (x), or a sigmoid function.
  • the hyperparameter x which is an argument of the function at this time, may be set manually by the operator on the operation screen, or may be predetermined by conducting an experiment. This has the advantage that parameters such as weights can be easily adjusted in an analog manner. Further, parameters such as weights may be set directly from the user setting screen.
  • the data extraction unit 110 identifies a plurality of learning models necessary for determining the state related to the industrial machine. Then, the data necessary for executing the estimation process in the specified plurality of learning models is extracted from the acquired data storage unit 300 that stores the data acquired by the data acquisition unit 100.
  • the statistical conditions for each model of the injection molding machine and the screw diameter are shown, but different statistics are obtained when the operating conditions are different, such as energy-saving operation, stability-oriented operation, and productivity-oriented operation.
  • the injection molding machine used to create the training model is used. It is possible to determine the abnormal state of an injection molding machine of a different type from the above.
  • statistical conditions should be defined so as to use the estimation results of multiple learning models corresponding to the differences in operating conditions and environmental conditions, and the estimation results of multiple learning models corresponding to the differences in the accuracy and production efficiency of products. This makes it possible to make comprehensive judgments and general-purpose judgments that meet the needs of a wide variety of production environments and operators.
  • the statistical conditions may be expressed in a table format as illustrated in FIG. 5, but may be expressed in another format such as a mathematical formula. Regardless of which expression is used, the statistical condition may be defined by associating a plurality of learning models to be used with a statistical function applied to the estimation result by the learning model. This makes it possible to comprehensively determine the state of industrial machines based on the statistics calculated by applying statistical functions to the estimation results of a plurality of learning models.
  • the estimation command unit 120 executes a system program read from the ROM 12 by the CPU 11 included in the state determination device 1 shown in FIG. 1, and mainly uses the arithmetic processing by the CPU 11 using the RAM 13 and the non-volatile memory 14 and the interface 21. It is realized by performing the input / output processing that was performed.
  • the estimation command unit 120 refers to the statistical condition storage unit 310 to specify a learning model for performing estimation processing. Then, the machine learning device 2 is instructed to execute the estimation process using each of the specified learning models.
  • the numerical conversion unit 140 mainly performs arithmetic processing using the RAM 13 and the non-volatile memory 14 by the CPU 11 and the interface 21 by executing the system program read from the ROM 12 by the CPU 11 included in the state determination device 1 shown in FIG. It is realized by performing input / output processing using.
  • the numerical conversion unit 140 calculates the statistical function by referring to the statistical condition storage unit 310 and using the values as the estimation results by the plurality of learning models acquired from the machine learning device 2. Then, the calculation result is output as an estimated value for determining the state related to the industrial machine.
  • the estimated value output by the numerical conversion unit 140 may be displayed and output to the display device 70.
  • the estimated value may be displayed and output as it is, or the state determination may be performed by comparing with a predetermined threshold value or the state classification determination may be performed, and the determination result may be output. Further, transmission and output may be performed to the control device 3 of the injection molding machine 4 which is the target of determining the operating state, or to a higher-level device such as the fog computer 6 or the cloud server 7 via the network 9.
  • the estimation unit 207 included in the machine learning device 2 executes the system program read from the ROM 202 by the processor 201 included in the machine learning device 2 shown in FIG. 1, and mainly uses the RAM 203 and the non-volatile memory 204 by the processor 201. It is realized by performing the arithmetic processing that was performed.
  • the estimation unit 207 selects a plurality of learning models 214 from the learning model storage units 210 based on the command from the estimation command unit 120, and executes the estimation process using each learning model 214. Then, a plurality of estimation results are output to the numerical conversion unit 140.
  • a plurality of learning models 214 are stored in advance in the learning model storage unit 210.
  • the learning model 214 stores a learning model created in advance.
  • Each learning model 214 is trained in different situations and has a wide variety of different characteristics.
  • the learning model used to determine the state of an injection molding machine is data related to physical quantities that differ for each molding cycle process (injection process, pressure holding process, weighing process, depressurization process, cooling process, etc.) (in the injection process, the injection speed and In the mold internal pressure and weighing process, the screw rotation speed, screw torque, cylinder internal pressure, etc.) may be acquired and used as learning data, and the learning model may be created for each process (for each operating condition).
  • the learning model used to determine the condition of the injection molding machine is the type of equipment (motor, gear, etc.) that composes the injection molding machine, the type of production material, and the type of incidental equipment (mold, mold temperature controller, resin dryer). Etc.) It may be a learning model created for each configuration situation by acquiring data related to physical quantities and using it as learning data each time the configuration status is different.
  • the learning model used to determine the state of the injection molding machine acquires data related to physical quantities for each different production environment (stability of power supply, seasonal factors in summer and winter) in which the injection molding machine is operated, and uses it as learning data. It may be a learning model created for each environment situation. Due to the difference in these situations, the learning model has a difference in a suitable model and a suitable environment.
  • the learning models used for state determination related to industrial machines are supervised learning (multilayer perceptron, regression coupling neural network, convolutional neural network, etc.), unsupervised learning (autoencoder, k-average method, hostile generation network, etc.), and enhanced learning. It may be created for a different learning method such as (Q-learning, etc.). Further, the components (types of hyperparameters, types of optimization functions at the time of machine learning, etc.) in each algorithm may be different. Due to these differences, each learning model has a difference in the calculation load (calculation time) during the training process and the estimation process, the accuracy of the estimated value, and the robustness (stability, robustness) to the training data.
  • the learning model used for state determination related to industrial machines may be stored in a compressed state and decompressed at the time of calculation. As a result, the memory can be used efficiently and the amount of memory can be reduced, which has the merit of cost reduction. Further, the learning model may be encrypted and stored. It is preferable to encrypt and store the learning model from the viewpoint of security and information confidentiality.
  • the learning model a uses time-series data of the injection speed and the pressure inside the mold acquired in the injection process from a 30-ton scale injection molding machine as training data, and data indicating whether the operation at that time was normal or abnormal. It was created by performing supervised learning as label data.
  • the learning model b uses time-series data of screw rotation speed, screw torque, and cylinder pressure acquired in the weighing process from a 30-ton injection molding machine as training data, and determines whether the operation at that time was normal or abnormal.
  • the statistical condition storage unit 310 stores the statistical conditions exemplified in FIG. 5 in advance. In this case, the operating state when a screw having a screw diameter of 20 mm is attached to an injection molding machine having a scale of 50 tons is determined.
  • the data extraction unit 110 refers to statistical conditions matching the injection molding machine to be determined, and as data used for estimation, time-series data of injection speed and mold internal pressure in the injection process, and screw rotation speed in the weighing process. , Screw torque, and time-series data of cylinder pressure are extracted as data used for estimation.
  • the estimation command unit 120 causes the machine learning device 2 to perform estimation processing of the operating state of the injection molding machine using each of the learning model a and the learning model b using the data extracted by the data extraction unit 110. Command against.
  • the estimation unit 207 performs estimation processing using the learning model a and the learning model b stored in the learning model storage unit 210, and outputs each abnormality degree to the numerical conversion unit 140 as the estimation result. do.
  • the numerical conversion unit 140 refers to the statistical condition storage unit 310, and as a statistical function having a screw diameter of 20 mm in a 50-ton scale injection molding machine, the weight is 0.4 with respect to the estimation result of the learning model a, and the learning model b has a weight of 0.4. An operation using a weighted average function with a weight of 0.6 is performed on the estimation result.
  • the numerical conversion unit 140 is 0.4 ⁇ 0.7 + 0.6 ⁇ .
  • the statistic is plotted as an abnormality score on the screen displayed on the display device 70, and the warning message “Abnormality has been detected. Please check the injection cylinder.” Is output as an alarm. This is a display example. Then, the operation of the injection molding machine may be stopped or decelerated, or the drive torque of the prime mover for driving the drive unit of the injection molding machine may be limited.
  • the learning model a uses time-series data of the injection speed and the internal pressure of the mold acquired in the injection process from a 30-ton scale injection molding machine as training data, and if the product molded at that time has a molding defect, the molding is performed.
  • the learning model b created by performing supervised learning using (1,0,0,0,0)) as label data is Time-series data of screw rotation speed, screw torque, and cylinder pressure acquired in the weighing process from a 30-ton injection molding machine is used as learning data, and if there is a molding defect in the product molded at that time, the molding defect is found.
  • the statistical condition storage unit 310 stores the statistical conditions exemplified in FIG. 5 in advance.
  • a defective state of the molded product is determined when a screw having a screw diameter of 20 mm is attached to an injection molding machine having a scale of 50 tons.
  • the data extraction unit 110 refers to the statistical conditions of the injection molding machine to be determined, and as data used for estimation, time-series data of the injection speed and the internal pressure in the mold in the injection process, and the screw rotation speed in the weighing process. , Screw torque, and time-series data of cylinder pressure are extracted as data used for estimation.
  • the estimation command unit asks the machine learning device 2 to use the data extracted by the data extraction unit 110 to estimate the defective state of the molded product using each of the learning model a and the learning model b. Command.
  • the estimation unit 207 performs estimation processing using the learning model a and the learning model b stored in the learning model storage unit 210, and as the estimation result, the vector value indicating each defective state is converted into a numerical value conversion unit. Output to 140.
  • the numerical conversion unit 140 refers to the statistical condition storage unit 310, and as a statistical function having a screw diameter of 20 mm in a 50-ton scale injection molding machine, the weight is 0.4 with respect to the estimation result of the learning model a, and the learning model b has a weight of 0.4. An operation using a weighted average function with a weight of 0.6 is performed on the estimation result.
  • the numerical conversion unit 140 is set to 0.4 ⁇ .
  • ya + 0.6 ⁇ y b (0.16, 0.14, 0.26, 0.24, 0.20 ) is output as a statistic for determining the defective state of the molded product.
  • 0.26 which is the largest value among the vector values indicating the defective state of the molded product output by the numerical conversion unit 140, is located at the third position in the vector, so that the defective state of the molded product (sink: molding). Defects in which the product is dented, warp: deformation of the molded product due to residual stress, burning: discoloration of the molded product, voids: vacancies, cracks: cracks or cracks in the molded product) are judged as "burning: discoloration of the molded product" Will be done. Further, if there is a type of molding defect whose statistics exceed the preset threshold value Th b of the defective state of the molded product, it may be determined that the molding defect has occurred and an alarm may be sounded. ..
  • the state determination device 1 comprehensively describes the state related to the industrial machine by calculating statistically processed statistics based on the estimated values obtained from a plurality of learning models. It is possible to make a good judgment. In addition, it is not necessary to prepare a learning model for all models, configurations, operating conditions, periods from the start of production, operating conditions such as environmental conditions, and the like. In this case, a learning model for some typical models, configurations, etc. is prepared in advance, and the relationship between the learning model and other models, configurations, operating conditions, etc. is confirmed by experiments, etc., and statistical conditions are obtained. By creating it in advance, it is possible to perform estimation processing with a certain degree of accuracy without collecting a huge amount of learning data. This makes it possible to reduce the cost of operating the machine learning device.
  • a warning indicating the state of abnormality is displayed on the display device based on the statistics calculated by statistically processing the degree of abnormality obtained as the output of multiple machine learning. Or, when the statistic exceeds a predetermined threshold, the operation of the industrial machine is stopped, or the motor that drives the movable part is decelerated so that the movable part operates in a safe state, or the drive torque of the motor. Can also be limited to a small size.
  • FIG. 6 shows as a schematic block diagram the functions included in the state determination device 1 according to the second embodiment of the present invention.
  • the CPU 11 included in the state determination device 1 and the processor 201 included in the machine learning device 2 respectively execute a system program, and the state determination device 1 and the machine are provided. It is realized by controlling the operation of each part of the learning device 2.
  • the state determination device 1 of the present embodiment further includes a learning command unit 150 in addition to each function provided by the state determination device 1 according to the first embodiment. Further, the machine learning device 2 further includes a learning unit 206.
  • the data extraction unit 110 functions in the same manner as the data extraction unit 110 according to the first embodiment when performing estimation processing.
  • the data extraction unit 110 when the data extraction unit 110 is instructed by an operator or the like to proceed with learning by the machine learning device 2, the data extraction unit 110 extracts data used for processing related to machine learning such as learning processing from the acquisition data storage unit 300.
  • the data extraction unit 110 extracts data required for learning processing of one or a plurality of designated learning models from the acquisition data storage unit 300 that stores the data acquired by the data acquisition unit 100.
  • the learning command unit 150 executes a system program read from the ROM 12 by the CPU 11 included in the state determination device 1 shown in FIG. 1, and mainly uses the arithmetic processing by the CPU 11 using the RAM 13 and the non-volatile memory 14 and the interface 21. It is realized by performing the input / output processing that was performed.
  • the learning command unit 150 instructs the machine learning device 2 to execute a learning process using the data extracted by the data extraction unit 110 for each of the designated one or a plurality of designated learning models.
  • the learning unit 206 included in the machine learning device 2 executes the system program read from the ROM 202 by the processor 201 included in the machine learning device 2 shown in FIG. 1, and mainly uses the RAM 203 and the non-volatile memory 204 by the processor 201. It is realized by performing the arithmetic processing that was performed.
  • the learning unit 206 selects one or a plurality of learning models 214 to be learned from the learning model storage unit 210 based on the command from the learning command unit 150, and performs learning processing using each learning model 214. Execute.
  • the learning unit 206 may create a new learning model when the learning model commanded by the learning command unit 150 is not stored in the learning model storage unit 210.
  • the state determination device 1 can proceed with the learning process of one or a plurality of learning models 214 based on the command from the operator. By updating the learning model when useful data can be acquired to proceed with learning, it can be expected that the accuracy of estimation in the estimation process will be further improved.
  • the present invention is not limited to the examples of the above-described embodiments, and can be implemented in various embodiments by making appropriate changes.
  • the injection molding machine has been described as an example, but the target of the state determination may be another industrial machine.
  • the degree of abnormality of the spindle may be determined from a plurality of learning models corresponding to the cutting tool assembled on the spindle, the type and flow rate of the machining fluid for cooling the cutting tool, the work material, and the like.
  • the degree of abnormality of the rotating tool may be determined from a plurality of learning models corresponding to the type of the rotating tool, the rotation speed, and the like.
  • the degree of abnormality of the drive unit may be determined from a plurality of learning models corresponding to the driving force applied to the drive unit, the equipment provided in the drive unit, and the like.
  • the degree of abnormality of the hydraulic cylinder may be determined from a plurality of learning models corresponding to the type of hydraulic hose connected to the hydraulic cylinder, the output of the prime mover, the operating environment, and the like.
  • the embodiment when the machine learning device 2 is built in the state determination device 1 is described, but the machine learning device 2 is in a state where data can be exchanged with the state determination device 1. It may be installed outside the determination device 1.
  • the machine learning device 2 may be arranged on the fog computer 6 or the cloud server 7 and configured to transmit commands and receive estimation results via the network 9. With this configuration, the machine learning device 2 can be shared by a plurality of state determination devices 1 and the installation cost can be reduced.
  • the statistical conditions may be set based on the operator's designation as illustrated in FIG.
  • the operator specifies a weighted average as a statistical function, and the weight of the weighted average is 0.4 (40%) for the estimation result by the learning model 1 (high-precision model), and the learning model 2 (high).
  • the weight for the estimation result by the production model) is specified as 0.6 (60%).
  • the weighted average is calculated using the designated weight, and the calculated weighted average is used as an estimated value for determining the state of the injection molding machine.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

状態判定装置１は、複数の学習モデルを記憶する学習モデル記憶部２１０と、産業機械に係る状態を判定する際に用いる学習モデルの指定と、指定された学習モデルによる推定結果を数値変換して統計量を算出する統計関数とを少なくとも含む統計条件を記憶する統計条件記憶部３１０と、産業機械に係る状態を示すデータとしての所定の物理量に係るデータを取得するデータ取得部１００と、前記データに基づいて、複数の学習モデルを用いて産業機械に係る状態を推定する推定部２０７と、統計関数を用いて、前記複数の学習モデル毎の推定結果を数値変換して統計量を算出する数値変換部１４０と、を備える。

Description

状態判定装置及び状態判定方法
　本発明は、産業機械に係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、保守担当者は、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、該産業機械の動作状態の異常の有無を判定し、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。
　また、射出成形機の機種には、射出シリンダを備える射出装置、型締装置、成形品の突出し装置などの仕様が異なる多種多様なバリエーションがある。そのため、該バリエーションに対応した数だけ動作状態の異常の有無を判定する状態判定装置を用意したり、異常の有無の判定基準を用意したりする必要があった。
　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が知られている。この方法では、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、射出成形機の動作状態の異常を診断する手法が採られている。
　例えば、特許文献１には、駆動部の負荷や樹脂圧力などを教師あり機械学習によって異常を判定することが示されている。しかしながら、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異常の判定ができないという課題が生じる。
　そこで、特許文献２には、機械学習して導かれる異常度推定値に関して、１つの学習モデルより算出した異常度推定値に対して射出成形の機種や機材に関連づけられた補正係数を用いて、補正した異常度補正値を導くことが、示されている。また、特許文献３には、予め運転条件や環境条件など射出動作に係る条件に応じた複数の学習モデルを用意しておくことが示されている。この特許文献３に示されているものは、射出動作の状態に対する評価値を計算する際には、射出動作の条件や処理能力に基づき、複数の学習モデルより１つの学習モデルを選択することで、機械学習の判定精度を向上させている。更に、特許文献４には、複数の学習モデルを用意しておき、分類条件に従って分類された学習データと学習モデルとを関連づけておき、複数の学習モデルより１つの学習モデルを選択することが示されている。
特開２０１７－２０２６３２号公報 特開２０２０－０４４７１８号公報 特開２０１９－０６７１３８号公報 特開２０２０－０６６１７８号公報
　上記したように、１つの学習モデルだけでは、多種多様な生産環境やオペレータの要望に広範囲に対応し、総合的に機械学習による異常の判定を行うことは困難である。一方で、複数の学習モデルを用意した場合、その内の１つを選択する方法は知られているが、複数の学習モデルを活用した総合的な異常の判定をするまでには至っていない。
　すなわち、多種多様な生産環境やオペレータの要望に対応するため、複数の学習モデルより算出された「複数の状態判定結果（推定値）」を活用した総合的な判定、汎用的な判定を実現することが望まれている。
　本発明による状態判定装置では、機械学習によって推定される異常度について、産業機械を制御する制御装置より取得した時系列の物理量（電流、速度など）を産業機械に係る状態を示すデータとする。そして、この状態判定装置は、多種多様な複数の学習モデルを用いて、複数の推定値（異常度）を算出する。続いて、算出した複数の学習モデル毎の推定値に対して、産業機械の機種や機材、および学習モデルに関連づけられた統計関数を適用し、産業機械の異常度を評価する統計量を算出する。算出された統計量には複数の学習モデルの特性が考慮されているので、統計量によって多種多様な特性が反映された異常度を総合的に判定することが可能となる。
　具体的には、射出成形機の機種が異なっていたり（例：機械のサイズが小型／大型）、射出成形機の付帯設備や生産材である樹脂が異なっても、複数の学習モデル毎の推定値に機種や付帯設備などに関連づけられた統計関数を適用して算出された統計量に基づいて異常度を総合的に判定することができる。例えば、大型機用の学習モデルと、小型機用の学習モデルの２つを予め用意しておき、学習モデルの作成に用いた機種とは異なる中型機の異常度を判定する際には、学習モデルが算出した２つの推定値に、機械のサイズに対応した重み（例：機械のサイズが大型の学習モデルを７０％、機械のサイズが小型の学習モデルを３０％）を適用して導いた統計量を異常度とすることで、２つの学習モデルにより総合的に異常度を判定することが可能となる。
　そして、本発明の一態様は、産業機械に係る状態を判定する状態判定装置であって、前記産業機械から取得した所定の物理量に係るデータと該産業機械に係る状態との相関性を学習した複数の学習モデルを記憶する学習モデル記憶部と、前記産業機械に係る状態を判定する際に用いる複数の前記学習モデルの指定と、指定された前記学習モデルによる推定結果を数値変換して統計量を算出する統計関数とを少なくとも含む統計条件を記憶する統計条件記憶部と、前記産業機械に係る状態を示すデータとしての所定の物理量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データに基づいて、前記学習モデル記憶部に記憶された複数の前記学習モデルを用いて前記産業機械に係る状態を推定する推定部と、前記統計条件記憶部を参照して前記統計関数を取得し、取得した前記統計関数を用いて、前記推定部による複数の学習モデル毎の推定結果を数値変換して統計量を算出する数値変換部と、を備える状態判定装置である。
　そして、本発明の他の態様は、産業機械に係る状態を判定する状態判定方法であって、前記産業機械から取得した所定の物理量に係るデータと該産業機械に係る状態との相関性を学習した複数の学習モデルを予め記憶すると共に、前記産業機械に係る状態を判定する際に用いる複数の前記学習モデルの指定と、指定された前記学習モデルによる推定結果を数値変換して統計量を算出する統計関数とを少なくとも含む統計条件を予め記憶しておき、前記産業機械に係る状態を示すデータとしての所定の物理量に係るデータを取得するステップと、前記取得するステップで取得したデータに基づいて、予め記憶してある複数の前記学習モデルを用いて前記産業機械に係る状態を推定するステップと、予め記憶してある前記統計条件に含まれる前記統計関数を取得し、取得した前記統計関数を用いて、前記推定するステップによる複数の学習モデル毎の推定結果を数値変換して統計量を算出するステップとを実行する状態判定方法である。
　本発明の一態様により、複数の学習モデルより得られた推測値に基づいて、統計処理された統計量が算出されることによって、産業機械に係る状態について総合的な判断が可能となる。
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。 射出成形機の概略構成図である。 第１実施形態による状態判定装置を概略的に説明する図である。 １つの成形品を製造する成形サイクルの例を示す図である。 統計条件の例を示す図である。 第２実施形態による状態判定装置を概略的に説明する図である。 統計条件を指定する操作画面を表示装置に表示した例を示す図である。 異常が発生したときに表示される警告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は本発明の一実施形態による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。本実施形態による状態判定装置１は、例えば制御用プログラムに基づいて産業機械を制御する制御装置として実装することができる。また、本実施形態による状態判定装置１は、制御用プログラムに基づいて産業機械を制御する制御装置に併設されたパソコンや、有線／無線のネットワークを介して制御装置と接続されたパソコン、セルコンピュータ、フォグコンピュータ６、クラウドサーバ７の上に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、ネットワーク９を介して制御装置３と接続されたパソコンの上に実装した例を示す。なお、本発明の状態判定装置がその状態判定の対象とする産業機械としては、射出成形機、工作機械、鉱山機械、木工機械、農業機械、建設機械などが例示される。以下では、産業機械の一例として、射出成形機を例に説明する。
　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、バス２２を介してＲＯＭ１２に格納されたシステム・プログラムを読み出し、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や表示データ、及び外部から入力され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、インタフェース１５を介して外部機器７２から読み込まれたデータ、入力装置７１を介して入力されたデータ、ネットワーク９を介して射出成形機４から取得されたデータ等が記憶される。記憶されるデータには、例えば制御装置３により制御される射出成形機４に取り付けられた各種センサ５により検出された、駆動部のモータ電流、電圧、トルク、位置、速度、加速度、金型内圧力、射出シリンダの温度、樹脂の流量、流速、振動や音等の物理量に係るデータが含まれていてよい。不揮発性メモリ１４に記憶されたデータは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、公知の解析プログラムなどの各種システム・プログラムが予め書き込まれている。
　インタフェース１５は、状態判定装置１のＣＰＵ１１と外部記憶装置等の外部機器７２と接続するためのインタフェースである。外部機器７２側からは、例えばシステム・プログラムや射出成形機４の運転に係るプログラムやパラメータ等を読み込むことができる。また、状態判定装置１側で作成・編集したデータ等は、外部機器７２を介して図示しないＣＦカードやＵＳＢメモリ等の外部記憶媒体に記憶させることができる。
　インタフェース２０は、状態判定装置１のＣＰＵ１１と有線乃至無線のネットワーク９とを接続するためのインタフェースである。ネットワーク９は、例えばＲＳ－４８５等のシリアル通信、Ｅｔｈｅｒｎｅｔ（登録商標）通信、光通信、無線ＬＡＮ、Ｗｉ－Ｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の技術を用いて通信をするものであって良い。ネットワーク９には、射出成形機４を制御する制御装置３やフォグコンピュータ６、クラウドサーバ７等が接続され、これらの装置は、状態判定装置１との間で相互にデータのやり取りを行っている。
　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２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、ＣＰＵ１１と機械学習装置２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２は、機械学習装置２全体を統御するプロセッサ２０１と、システム・プログラム等を記憶したＲＯＭ２０２、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ＲＡＭ２０３、及び学習モデル等の記憶に用いられる不揮発性メモリ２０４を備える。機械学習装置２は、インタフェース２１を介して状態判定装置１で取得可能なデータ（例えば、射出成形機４に取り付けられた各種センサ５により検出された駆動部のモータ電流、電圧、トルク、位置、速度、加速度、金型内圧力、射出シリンダの温度、樹脂の流量、流速、振動や音等の物理量に係るデータ等）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２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、他の装置に対してネットワーク９等を介して送信する。
　図２は、射出成形機４の概略構成図である。射出成形機４は、主として型締ユニット４０１と射出ユニット４０２とから構成されている。型締ユニット４０１には、可動プラテン４１６と固定プラテン４１４が備えられている。また、それぞれ可動プラテン４１６には可動側金型４１２が、固定プラテン４１４には固定側金型４１１が取り付けられている。一方、射出ユニット４０２は、射出シリンダ４２６と、射出シリンダ４２６に供給する樹脂材料を溜めるホッパ４３６と、射出シリンダ４２６の先端に設けられたノズル４４０とから構成されている。１つの成形品を製造する成形サイクルでは、型締ユニット４０１で、可動プラテン４１６の移動によって型閉じ・型締めを行い、射出ユニット４０２で、ノズル４４０を固定側金型４１１に押し付けてから、ノズル４４０を介して樹脂を金型内に射出する。これらの動作は制御装置３からの指令により制御される。
　また、射出成形機４の各部には物理量を検出するセンサ５が取り付けられており、駆動部のモータ電流、電圧、トルク、位置、速度、加速度、金型内圧力、射出シリンダ４２６の温度、樹脂の流量、流速、振動や音等の物理量がセンサ５で検出される。センサ５で検出された物理量は制御装置３に送られる。制御装置３では、検出された各物理量が図示しないＲＡＭや不揮発性メモリ等に記憶され、必要に応じてネットワーク９を介して状態判定装置１へ送信される。
　図３は、本発明の第１実施形態による状態判定装置１が備える機能を概略的なブロック図として示したものである。本実施形態による状態判定装置１が備える各機能は、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２が備えるプロセッサ２０１がそれぞれシステム・プログラムを実行し、状態判定装置１及び機械学習装置２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１００、データ抽出部１１０、推定指令部１２０、数値変換部１４０を備える。また、機械学習装置２は、推定部２０７を備える。更に、状態判定装置１のＲＡＭ１３乃至不揮発性メモリ１４には、データ取得部１００が制御装置３等から取得したデータを記憶するための領域としての取得データ記憶部３００と、数値変換部１４０による数値変換に用いる統計条件を予め記憶する統計条件記憶部３１０が予め用意されている。また、機械学習装置２のＲＡＭ２０３乃至不揮発性メモリ２０４上には、後述する学習部が作成した産業機械から取得した所定の物理量に係るデータと該産業機械に係る状態との相関性を学習した複数の学習モデル２１４を記憶するための領域として学習モデル記憶部２１０が予め用意されている。
　データ取得部１００は、図１に示した状態判定装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１によるＲＡＭ１３、不揮発性メモリ１４を用いた演算処理と、インタフェース１５、１８又は２０による入力制御処理とが行われることで実現される。データ取得部１００は、射出成形機４に取り付けられたセンサ５で検出された駆動部のモータ電流、電圧、トルク、位置、速度、加速度、金型内圧力、射出シリンダ４２６の温度、樹脂の流量、流速、振動や音等の物理量に係るデータを取得する。データ取得部１００が取得する物理量に係るデータは、所定周期毎の物理量の値を示す、いわゆる時系列データであって良い。また、データ取得部１００は、ネットワーク９を介して射出成形機４を制御する制御装置３から直接データを取得しても良い。データ取得部１００は、外部機器７２や、フォグコンピュータ６、クラウドサーバ７等が取得して記憶しているデータを取得しても良い。データ取得部１００は、射出成形機４による１つの成形サイクルを構成する工程毎にそれぞれ物理量に係るデータを取得するようにしても良い。図４は、１つの成形品を製造する成形サイクルを例示する図である。図４において、網掛け枠の工程である型閉じ工程、型開き工程、突き出し工程は、型締ユニット４０１の動作で、白抜き枠の工程である射出工程、保圧工程、計量工程、減圧工程、冷却工程は、射出ユニット４０２の動作で行われる。データ取得部１００は、これらの工程ごとに区別できるように物理量に係るデータを取得する。データ取得部１００が取得した物理量に係るデータは、取得データ記憶部３００に記憶される。
　データ抽出部１１０は、図１に示した状態判定装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１によるＲＡＭ１３、不揮発性メモリ１４を用いた演算処理が行われることで実現される。データ抽出部１１０は、データ取得部１００が取得した物理量に係るデータから、機械学習装置２による推定処理等の機械学習に係る処理に用いるデータを取得データ記憶部３００より抽出する。データ抽出部１１０によるデータの抽出は、統計条件記憶部３１０に記憶される統計条件に基づいて行われる。
　統計条件は、産業機械の現在の状態の推定結果をどのようにして算出するのかを定義する。統計条件は、産業機械に係る状態を判定する際に用いる複数の学習モデルの指定と、指定した学習モデルによる推定結果を数値変換して統計量を算出する統計関数とを少なくとも含む。統計条件は、産業機械の機種（規模等）や産業機械に取り付けられた機材の種類毎に作成されていてよい。統計条件に含める統計関数としては、例えば加重平均、算術平均、重み付き調和平均、調和平均、刈り込み平均、対数平均、二乗和平均平方根、最小値、最大値、中央値、加重中央値、最頻値等、判定する状態と、各学習モデルとの関係を考慮した所定の統計関数を設定できるようにして良い。例えば、産業機械の機種と、それぞれの学習モデルの推定結果との相関性に応じて重みを変化させた加重平均を用いるようにして良い。また、複数の学習モデルの推定結果の内の１つでも所定の状態（例えば異常状態）であることを示した時に、産業機械の状態が異常状態になったものと判定する場合には、複数の学習モデルの推定結果の内の最大値（又は最小値）を選択して用いるようにして良い。また、複数の学習モデルの推定結果の内に、推定結果の平均値より大きく外れている外れ値が含まれる場合に外れ値を除いて判定する場合には、複数の学習モデルの推定結果の中央値や最頻値を用いるようにしても良い。図５は、射出成形機の機種及びスクリュ径と統計関数とを関連付けた統計条件を例示する図である。図５の例では、例えば射出成形機（スクリュ径は任意）の機種が３０ｔ規模の場合、学習モデルａ及び学習モデルｂとの推定結果を用い、学習モデルａによる推定結果に対する重みを０．３０、学習モデルｂによる推定結果に対する重みを０．７０とした加重平均を算出し、これを当該射出成形機の状態を判定するための推定値として定義している。また、１００ｔ規模の射出成形機であって、スクリュ径が３０ｍｍである場合、学習モデルａ，ｂ，ｃによる推定結果を用い、これらの推定結果の刈り込み平均を算出し、これを当該射出成形機の状態を判定する推定値として定義している。統計関数の演算に用いる学習モデルによる推定結果に係る重み等のパラメータは、上述したように重み等の固定値で定義しても良い。また、重み等のパラメータは、予め実験等で決められた所定の値（ハイパーパラメータ）を引数とする三角関数、双曲線関数、シグモイド関数等の関数を用いて算出するようにしても良い。例えば、５０ｔ規模の射出成形機であって、スクリュ径が２５ｍｍである場合、学習モデルａ，ｂによる推定結果を用いて、これらの加重平均を算出する際にハイパーパラメータｘを引数とする双曲線関数の一種であるｔａｎｈ（ｘ）を加重平均の重みを算出する関数ｆ（ｘ）とする。この場合、学習モデルａによる推定結果に対する重みは関数ｆ（ｘ）が算出した値、学習モデルｂによる推定結果に対する重みの値は１－ｆ（ｘ）とした加重平均を算出し、これを当該射出成形機の状態を判定するための推定値として定義している。なお、図５の例にある学習モデルに係る重みを算出する関数ｆ（ｘ），ｇ（ｘ），ｈ（ｘ）は、上述した関数ｔａｎｈ（ｘ）の他に、ハイパーパラメータｘを引数とするｓｉｎ（ｘ）やｃｏｓ（ｘ）等の三角関数、シグモイド関数であっても良い。この時の関数の引数であるハイパーパラメータｘについては、例えばオペレータが操作画面にて手動で設定したり、実験を行って予め定めるようにしてもよい。これにより、重み等のパラメータをアナログ的に調整しやすいメリットがある。また、重み等のパラメータは、ユーザ設定画面から直接設定できるようにしても良い。
　このような統計条件が記憶される統計条件記憶部３１０を参照することで、データ抽出部１１０は、産業機械に係る状態を判定するために必要な複数の学習モデルを特定する。そして、特定した複数の学習モデルにおける推定処理を実行するために必要なデータを、データ取得部１００が取得したデータを記憶した取得データ記憶部３００から抽出する。
　なお、図５の例では、射出成形機の機種及びスクリュ径毎の統計条件を示したが、例えば省エネ運転、安定性重視運転、生産性重視運転などのように稼働状況が異なる場合に異なる統計条件を設定したり、所定の製品を生産開始してからの所定期間（例えば、最初の１００成形サイクル）とそれ以降を異なる状況と考えて異なる統計条件を設定したり、季節（夏季／冬季等）毎に統計条件を設定したりする等、判定対象の環境の状況毎に統計条件を作成しても良い。また、これらを組み合わせた状況を産業機械の運転条件として定義して、この運転条件に対して、それぞれ統計条件を作成しても良い。これは、例えば生産開始直後は、生産が安定せずに不良品の発生率が大きいため学習モデルによる推定値にばらつきが生じるのに対して、生産が安定した状態ではチョコ停などの異常も生じ難く、動作状態が推定値に安定して反映される。そのため、前者の場合には、生産品の精度を重視した学習モデルの重みを小さく、学習データのバラツキや変動の影響を受け難い（異常な状況に鈍感な）学習モデルの重みを大きくすることで学習モデルによる推定値のばらつきから生じる誤判定を軽減し、後者の場合には、生産品の精度を重視した学習モデルや、生産効率を重視した学習モデルの重みを大きくすることで、些細な異常が生じた場合であっても統計量（異常度）が即座に大きく変動するので、異常を早期発見できる。また、産業機械の動作は温度や湿度の影響を受けるので、季節ごとに実験を行い判定する対象となる状態に対する学習モデルの推定値の相関性を調べ、その結果に応じて学習モデルの推定値に対する重みを設定することで、判定の精度を向上させることができる。
　このように、射出成形機の機種やスクリュ径など射出成形機の差異に対応した複数の学習モデルの推定結果を用いるように統計条件を定義することによって、学習モデルの作成に用いた射出成形機とは異なる種類の射出成形機の異常状態の判定を可能とする。
　また、稼働状況や環境状況の差異に対応した複数の学習モデルの推定結果や、生産品の精度や生産効率の差異に対応した複数の学習モデルの推定結果を用いるように統計条件を定義することによって、多種多様な生産環境やオペレータの要望に対応した総合的な判定、汎用的な判定を可能とする。
　また、統計条件は図５に例示されるようなテーブル形式で表現しても良いが、例えば数式等の他の形式で表現するようにしても良い。いずれの表現を用いる場合においても、統計条件は、使用する複数の学習モデルと、該学習モデルによる推定結果に適用する統計関数とを関連づけて定義しておけば良い。これにより、複数の学習モデルの推定結果に統計関数を適用して算出した統計量に基づいて産業機械に係る状態を総合的に判定することが可能となる。
　推定指令部１２０は、図１に示した状態判定装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１によるＲＡＭ１３、不揮発性メモリ１４を用いた演算処理と、インタフェース２１を用いた入出力処理が行われることで実現される。推定指令部１２０は、統計条件記憶部３１０を参照して、推定処理を行わせる学習モデルを特定する。そして、特定した学習モデルのそれぞれを用いた推定処理を実行するように機械学習装置２に指令する。
　数値変換部１４０は、図１に示した状態判定装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行することによって、主としてＣＰＵ１１によるＲＡＭ１３、不揮発性メモリ１４を用いた演算処理と、インタフェース２１を用いた入出力処理が行われることで、実現される。数値変換部１４０は、統計条件記憶部３１０を参照して、機械学習装置２から取得した複数の学習モデルによる推定結果としての値を用いて統計関数の演算を行う。そして、その演算結果を産業機械に係る状態を判定するための推定値として出力する。数値変換部１４０が出力する推定値は、表示装置７０に表示出力するようにしても良い。この時、推定値をそのまま表示出力するようにしても良いし、予め定めた閾値と比較した状態判定や、状態の分類判定を行い、その判定結果を出力するようにしても良い。また、動作状態の判定対象である射出成形機４の制御装置３や、ネットワーク９を介してフォグコンピュータ６やクラウドサーバ７等の上位装置に対して送信出力しても良い。
　一方、機械学習装置２が備える推定部２０７は、図１に示した機械学習装置２が備えるプロセッサ２０１がＲＯＭ２０２から読み出したシステム・プログラムを実行し、主としてプロセッサ２０１によるＲＡＭ２０３、不揮発性メモリ２０４を用いた演算処理が行われることで実現される。推定部２０７は、推定指令部１２０からの指令に基づいて、学習モデル記憶部２１０の中から複数の学習モデル２１４を選択し、それぞれの学習モデル２１４を用いた推定処理を実行する。そして、複数の推定結果を数値変換部１４０へと出力する。
　学習モデル記憶部２１０には、予め複数の学習モデル２１４が記憶されている。学習モデル２１４は、予め作成した学習モデルを記憶させておく。それぞれの学習モデル２１４は、異なる状況で学習が行われたものであり、多種多様な異なる特徴をもつ。例えば、射出成形機の状態判定に用いる学習モデルは、成形サイクルの工程（射出工程、保圧工程、計量工程、減圧工程、冷却工程等）毎に異なる物理量に係るデータ（射出工程では射出速度と金型内圧力、計量工程ではスクリュ回転速度、スクリュトルク、シリンダ内圧力等）を取得して学習データとし、それぞれの工程ごと（動作状況ごと）に作成した学習モデルであって良い。射出成形機の状態判定に用いる学習モデルは、射出成形機を構成する機材の種類（モータ、ギア等）、生産材の種類、付帯設備の種類（金型、金型温調機、樹脂乾燥機等）等の構成の状況が異なるごとに物理量に係るデータを取得して学習データとし、それぞれの構成の状況ごとに作成した学習モデルであって良い。射出成形機の状態判定に用いる学習モデルは、射出成形機を動作させる生産環境（電力供給の安定性、夏季や冬季の季節要因）が異なるごとに物理量に係るデータを取得して学習データとし、それぞれの環境の状況ごとに作成した学習モデルであって良い。これらの状況の違いにより、それぞれの学習モデルには、好適な機種、好適な環境の差異が生じる。
　産業機械に係る状態判定に用いる学習モデルは、教師あり学習（多層パーセプトロン、回帰結合ニューラルネットワーク、畳み込みニューラルネットワーク等）、教師なし学習（オートエンコーダ、ｋ平均法、敵対的生成ネットワーク等）、強化学習（Ｑ学習等）等の異なる学習方法のために作成されたものであって良い。また、それぞれのアルゴリズムにおける構成要素（ハイパーパラメータの種類や機械学習時の最適化関数の種類など）が異なるものであって良い。これらの違いにより、それぞれの学習モデルは、学習処理及び推定処理時の計算負荷（計算時間）、推定値の精度、学習データに対するロバスト性（安定性、頑健性）に差異が生じる。
　産業機械に係る状態判定に用いる学習モデルは、圧縮した状態で記憶させておき、演算時に解凍して使用しても良い。これにより、メモリを効率的に使用したり、少ないメモリ量で対応したりできるので、コスト削減のメリットがある。また、学習モデルを暗号化して記憶するようにしても良い。学習モデルを暗号化して記憶しておくと、セキュリティや情報秘匿の観点で好ましい。
　上記構成を備えた本実施形態による状態判定装置１を用いた推定処理の例を示す。この例では、予め学習モデル記憶部２１０に、学習モデルａと学習モデルｂが少なくとも記憶されているものとする。学習モデルａは、３０ｔ規模の射出成形機から射出工程において取得された射出速度と金型内圧力の時系列データを学習データとし、その時の動作が正常であったか、或いは異常であったかを示すデータをラベルデータとした教師あり学習を行うことで作成されたものである。学習モデルｂは、３０ｔ規模の射出成形機から計量工程において取得されたスクリュ回転速度、スクリュトルク、シリンダ内圧力の時系列データを学習データとし、その時の動作が正常であったか、或いは異常であったかを示すデータをラベルデータとした教師あり学習を行うことで作成されたものである。また、統計条件記憶部３１０には、図５に例示される統計条件が予め記憶されているものとする。この場合において、５０ｔ規模の射出成形機にスクリュ径が２０ｍｍのスクリュを取り付けた場合の動作状態の判定を行う。
　データ抽出部１１０は、判定対象となる射出成形機に一致する統計条件を参照して、推定に用いるデータとして射出工程における射出速度と金型内圧力の時系列データと、計量工程におけるスクリュ回転速度、スクリュトルク、シリンダ内圧力の時系列データとを、推定に用いるデータとして抽出する。
　次いで、推定指令部１２０は、データ抽出部１１０が抽出したデータを用いて、学習モデルａ及び学習モデルｂのそれぞれを用いた射出成形機の動作状態の推定処理を行うように機械学習装置２に対して指令する。
　この指令を受けて、推定部２０７は学習モデル記憶部２１０に記憶された学習モデルａ及び学習モデルｂを用いて推定処理を行い、その推定結果としてそれぞれの異常度を数値変換部１４０へと出力する。
　数値変換部１４０は、統計条件記憶部３１０を参照し、５０ｔ規模の射出成形機におけるスクリュ径が２０ｍｍである統計関数として、学習モデルａの推定結果に対して重み０．４、学習モデルｂの推定結果に対して重み０．６とした加重平均関数を用いた演算を行う。例えば、学習モデルａによる異常度の推定結果が０．７、学習モデルｂによる異常度の推定結果が０．５であった場合、数値変換部１４０は、０．４×０．７＋０．６×０．５＝０．５８を、スクリュ径が２０ｍｍのスクリュを取り付けた５０ｔ規模の射出成形機の状態を判定するための統計量として出力する。こうして出力された統計量には学習モデルａと学習モデルｂのそれぞれの推定結果が反映されているので、統計量によって射出成形機の総合的な異常度の判定が可能となる。また、予め設定されている異常度の閾値Ｔｈeを統計量が超えている場合には、射出成形機の動作に異常が発生していると判定して警報を出力する。図８は、表示装置７０に表示される画面に対して統計量を異常スコアとしてプロットし、警告のメッセージ「異常を検出しました。射出シリンダを点検して下さい。」を警報として出力した画面の表示例である。そして、射出成形機の運転を停止、減速したり、射出成形機の駆動部を駆動させる原動機の駆動トルクを制限したりするようにしても良い。
　次に、本実施形態による状態判定装置１を用いた他の推定処理の例を示す。この例では、予め学習モデル記憶部２１０に、学習モデルａと学習モデルｂが少なくとも記憶されているものとする。学習モデルａは、３０ｔ規模の射出成形機から射出工程において取得された射出速度と金型内圧力の時系列データを学習データとし、その時に成形された製品に成形不良があった場合、その成形不良の種類（ヒケ：成形品が凹んだ不良、そり：残留応力による成形品の変形、焼け：成形品の変色、ボイド：空孔、クラック：成形品の割れやひび）に応じたベクトル値（例えばヒケの不良があり、他の不良が無い場合には（１，０，０，０，０））をラベルデータとした教師あり学習を行うことで作成されたものである学習モデルｂは、３０ｔ規模の射出成形機から計量工程において取得されたスクリュ回転速度、スクリュトルク、シリンダ内圧力の時系列データを学習データとし、その時に成形された製品に成形不良があった場合、その成形不良の種類（ヒケ：成形品が凹んだ不良、そり：残留応力による成形品の変形、焼け：成形品の変色、ボイド：空孔、クラック：成形品の割れやひび）に応じたベクトル値をラベルデータとした教師あり学習を行うことで作成されたものである。また、統計条件記憶部３１０には、図５に例示される統計条件が予め記憶されているものとする。この場合において、５０ｔ規模の射出成形機にスクリュ径が２０ｍｍのスクリュを取り付けた場合の成形品の不良状態の判定を行う。
　データ抽出部１１０は、判定対象となる射出成形機にあった統計条件を参照して、推定に用いるデータとして射出工程における射出速度と金型内圧力の時系列データと、計量工程におけるスクリュ回転速度、スクリュトルク、シリンダ内圧力の時系列データとを、推定に用いるデータとして抽出する。
　次いで、推定指令部は、データ抽出部１１０が抽出したデータを用いて、学習モデルａ及び学習モデルｂのそれぞれを用いた成形品の不良状態の推定処理を行うように機械学習装置２に対して指令する。
　この指令を受けて、推定部２０７は学習モデル記憶部２１０に記憶された学習モデルａ及び学習モデルｂを用いて推定処理を行い、その推定結果としてそれぞれの不良状態を示すベクトル値を数値変換部１４０へと出力する。
　数値変換部１４０は、統計条件記憶部３１０を参照し、５０ｔ規模の射出成形機におけるスクリュ径が２０ｍｍである統計関数として、学習モデルａの推定結果に対して重み０．４、学習モデルｂの推定結果に対して重み０．６とした加重平均関数を用いた演算を行う。例えば、学習モデルａによる成形品の不良状態を示すベクトル値の推定結果がｙa＝（０．１０，０．２０，０．２０，０．３０，０．２０）、学習モデルｂによる成形品の不良状態のベクトル値を示す推定結果がｙb＝（０．２０，０．１０，０．３０，０．２０，０．２０）であった場合、数値変換部１４０は、０．４×ｙa＋０．６×ｙb＝（０．１６，０．１４，０．２６，０．２４，０．２０）を、成形品の不良状態を判定するための統計量として出力する。ここで、数値変換部１４０が出力した成形品の不良状態を示すベクトル値の中で最も大きな値である０．２６はベクトル内で３番目に位置するので、成形品の不良状態（ヒケ：成形品が凹んだ不良、そり：残留応力による成形品の変形、焼け：成形品の変色、ボイド：空孔、クラック：成形品の割れやひび）としては、「焼け：成形品の変色」と判定される。また、予め設定されている成形品の不良状態の閾値Ｔｈbを統計量が超えている成形不良の種類がある場合には、成形不良が発生していると判定して警報を鳴らしても良い。
　上記構成を備えた本実施形態による状態判定装置１は、複数の学習モデルより得られた推測値に基づいて、統計処理された統計量が算出されることによって、産業機械に係る状態について総合的な判断が可能となる。また、すべての機種、構成、稼働状況や生産開始からの期間、環境状況等の運転条件等に対して学習モデルを用意しなくともよい。この場合、いくつかの代表的な機種、構成等における学習モデルを予め用意しておき、その学習モデルと、他の機種、構成、運転条件等との関係を実験等で確認して統計条件を予め作成しておくことで、膨大な学習データを収集しなくてもある程度の精度を保った推定処理を行うことが可能となる。これによって、機械学習装置の運用におけるコストを低減することが可能となる。
　また、作業者の安全を確保するために、複数の機械学習の出力として得られた異常度を統計処理して算出される統計量を基に、異常の状態を示す警告を表示装置に表示したり、統計量が所定の閾値を越えた場合に産業機械の運転を停止させたり、あるいは安全な状態で可動部が動作するように、可動部を駆動するモータを減速させたり、モータの駆動トルクを小さく制限することも可能となる。
　図６は、本発明の第２実施形態による状態判定装置１が備える機能を概略的なブロック図として示したものである。本実施形態による状態判定装置１が備える各機能は、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２が備えるプロセッサ２０１がそれぞれシステム・プログラムを実行し、状態判定装置１及び機械学習装置２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実施形態による状態判定装置１が備える各機能に加えて、更に学習指令部１５０を備える。また、機械学習装置２は、更に学習部２０６を備える。
　本実施形態によるデータ抽出部１１０は、推定処理を行う場合には第１実施形態によるデータ抽出部１１０と同様に機能する。一方、データ抽出部１１０は、オペレータ等から機械学習装置２による学習を進めるように指令されると、取得データ記憶部３００から学習処理等の機械学習に係る処理に用いるデータを抽出する。データ抽出部１１０は、データ取得部１００が取得したデータを記憶した取得データ記憶部３００から、指定された１乃至複数の学習モデルの学習処理に必要とされるデータを抽出する。
　学習指令部１５０は、図１に示した状態判定装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１によるＲＡＭ１３、不揮発性メモリ１４を用いた演算処理と、インタフェース２１を用いた入出力処理が行われることで実現される。学習指令部１５０は、指定された１乃至複数の学習モデルのそれぞれについて、データ抽出部１１０が抽出したデータを用いた学習処理を実行するように機械学習装置２に指令する。
　一方、機械学習装置２が備える学習部２０６は、図１に示した機械学習装置２が備えるプロセッサ２０１がＲＯＭ２０２から読み出したシステム・プログラムを実行し、主としてプロセッサ２０１によるＲＡＭ２０３、不揮発性メモリ２０４を用いた演算処理が行われることで実現される。学習部２０６は、学習指令部１５０からの指令に基づいて、学習モデル記憶部２１０の中から学習対象となる１乃至複数の学習モデル２１４を選択し、それぞれの学習モデル２１４を用いた学習処理を実行する。学習部２０６は、学習指令部１５０から指令された学習モデルが学習モデル記憶部２１０に記憶されていない場合に、新たに学習モデルを作成するようにしても良い。
　上記構成を備えた本実施形態による状態判定装置１は、オペレータからの指令に基づいて１乃至複数の学習モデル２１４の学習処理を進めることができる。学習を進めるために有用なデータが取得できた場合等に学習モデルを更新することで、推定処理における推定の精度をより向上させることが期待できる。
　以上、本発明の一実施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。
　上記の実施形態では射出成形機を例に説明したが、状態判定の対象は他の産業機械であっても良い。例えば、工作機械では、主軸に組付ける切削工具、切削工具を冷却する加工液の種類や流量、ワーク材料、などに対応した複数の学習モデルより、主軸の異常度を判定しても良い。木工機械では、回転工具の種類、回転速度などに対応した複数の学習モデルより回転工具の異常度を判定しても良い。農業機械では、駆動部に掛かる駆動力、駆動部が備える機材、などに対応した複数の学習モデルより、駆動部の異常度を判定しても良い。建設機械や鉱山機械では、油圧シリンダに接続された油圧ホースの種類、原動機の出力、運転環境、などに対応した複数の学習モデルより、油圧シリンダの異常度を判定しても良い。
　また、上記の実施形態では機械学習装置２が状態判定装置１に内蔵された場合の実施形態について説明しているが、機械学習装置２は状態判定装置１とデータのやり取りが可能な状態で状態判定装置１の外部に設置しても良い。例えば、機械学習装置２をフォグコンピュータ６やクラウドサーバ７上に配置し、ネットワーク９を介して指令の送信や推定結果の受信を行うように構成しても良い。このように構成することで、機械学習装置２を複数の状態判定装置１で共有し、設置コストを低減させることが可能となる。
　更に、統計条件については、図７に例示されるように、オペレータの指定に基づいて設定できるようにしても良い。図７の例では、オペレータが統計関数として加重平均を指定し、その加重平均の重みとして学習モデル１（高精度モデル）による推定結果に対する重みを０．４（４０％）、学習モデル２（高生産モデル）による推定結果に対する重みを０．６（６０％）と指定する。これによって、指定された重みを用いて加重平均を算出し、この算出された加重平均を当該射出成形機の状態を判定する推定値として用いることを示す。その際には、どのような統計関数を用いるのか、統計関数のパラメータをどのように設定するのかも含めて、ユーザ設定画面上で指定できるようにして良い。このようにすることで、産業機械を用いているオペレータが、工場の環境などに合せて適切な統計条件を設定することが可能となる。
　　１　状態判定装置
　　２　機械学習装置
　　３　制御装置
　　４　射出成形機
　　５　センサ
　　６　フォグコンピュータ
　　７　クラウドサーバ
　　９　ネットワーク
　　１１　ＣＰＵ
　　１２　ＲＯＭ
　　１３　ＲＡＭ
　　１４　不揮発性メモリ
　　１５，１７，１８，２０，２１　インタフェース
　　２２　バス
　　７０　表示装置
　　７１　入力装置
　　７２　外部機器
　　１００　データ取得部
　　１１０　データ抽出部
　　１２０　推定指令部
　　１４０　数値変換部
　　１５０　学習指令部
　　２０１　プロセッサ
　　２０２　ＲＯＭ
　　２０３　ＲＡＭ
　　２０４　不揮発性メモリ
　　２０６　学習部
　　２０７　推定部
　　２１０　学習モデル記憶部
　　２１４　学習モデル
　　３００　取得データ記憶部
　　３１０　統計条件記憶部

Claims (11)

  1. 　産業機械に係る状態を判定する状態判定装置であって、
    　前記産業機械から取得した所定の物理量に係るデータと該産業機械に係る状態との相関性を学習した複数の学習モデルを記憶する学習モデル記憶部と、
    　前記産業機械に係る状態を判定する際に用いる複数の前記学習モデルの指定と、指定された前記学習モデルによる推定結果を数値変換して統計量を算出する統計関数とを少なくとも含む統計条件を記憶する統計条件記憶部と、
    　前記産業機械に係る状態を示すデータとしての所定の物理量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データに基づいて、前記学習モデル記憶部に記憶された複数の前記学習モデルを用いて前記産業機械に係る状態を推定する推定部と、
    　前記統計条件記憶部を参照して前記統計関数を取得し、取得した前記統計関数を用いて、前記推定部による複数の学習モデル毎の推定結果を数値変換して統計量を算出する数値変換部と、
    を備える状態判定装置。
  2. 　前記統計条件は、状態を判定する対象となる前記産業機械の機種及び該産業機械に取り付けられた機材の少なくともいずれかと関連付けて作成され、
    　前記数値変換部は、状態を判定する対象となる前記産業機械の機種及び該産業機械に取り付けられた機材の少なくともいずれかに基づいて用いる統計関数を取得する、
    請求項１に記載の状態判定装置。
  3. 　前記統計条件は、前記産業機械の運転条件と関連付けて作成され、
    　前記数値変換部は、前記運転条件に基づいて用いる統計関数を取得する、
    請求項２に記載の状態判定装置。
  4. 　前記統計関数は、加重平均、算術平均、重み付き調和平均、調和平均、刈り込み平均、対数平均、二乗和平均平方根、最小値、最大値、中央値、加重中央値、最頻値のいずれか１つである、
    請求項１に記載の状態判定装置。
  5. 　前記統計関数のパラメータは、所定の固定値、または、所定の関数を用いて算出された数値である、
    請求項１に記載の状態判定装置。
  6. 　前記データ取得部が取得したデータを用いた機械学習を行い、学習モデルを生成または更新する学習部を更に備える、
    請求項１に記載の状態判定装置。
  7. 　前記統計条件記憶部に記憶された統計条件の要素をオペレータが編集可能なインタフェースを提供する、
    請求項１に記載の状態判定装置。
  8. 　前記推定部は、前記産業機械の動作状態に係る異常度を推定し、
    　前記数値変換部が前記統計関数を用いて前記推定部による複数の学習モデル毎の推定結果を数値変換して算出した統計量が予め定めた所定の閾値を超えた場合に警告メッセージを表示する、
    請求項１に記載の状態判定装置。
  9. 　前記推定部は、前記産業機械の動作状態に係る異常度を推定し、
    　前記数値変換部が前記統計関数を用いて前記推定部による複数の学習モデル毎の推定結果を数値変換して算出した統計量が予め定めた所定の閾値を超えた場合に、前記産業機械の運転を停止、減速、または前記産業機械を駆動する原動機の駆動トルクを制限する、
    請求項１に記載の状態判定装置。
  10. 　前記データ取得部が取得するデータは、有線または無線のネットワークによって接続された複数の産業機械から取得されるデータのうち少なくとも１つである、
    請求項１に記載の状態判定装置。
  11. 　産業機械に係る状態を判定する状態判定方法であって、
    　前記産業機械から取得した所定の物理量に係るデータと該産業機械に係る状態との相関性を学習した複数の学習モデルを予め記憶すると共に、
    　前記産業機械に係る状態を判定する際に用いる複数の前記学習モデルの指定と、指定された前記学習モデルによる推定結果を数値変換して統計量を算出する統計関数とを少なくとも含む統計条件を予め記憶しておき、
    　前記産業機械に係る状態を示すデータとしての所定の物理量に係るデータを取得するステップと、
    　前記取得するステップで取得したデータに基づいて、予め記憶してある複数の前記学習モデルを用いて前記産業機械に係る状態を推定するステップと、
    　予め記憶してある前記統計条件に含まれる前記統計関数を取得し、取得した前記統計関数を用いて、前記推定するステップによる複数の学習モデル毎の推定結果を数値変換して統計量を算出するステップと、
    を実行する状態判定方法。
PCT/JP2021/032790 2020-09-10 2021-09-07 状態判定装置及び状態判定方法 WO2022054782A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2022547601A JP7538234B2 (ja) 2020-09-10 2021-09-07 状態判定装置及び状態判定方法
US18/024,820 US20240028020A1 (en) 2020-09-10 2021-09-07 State determination device and state determination method
DE112021004168.1T DE112021004168T5 (de) 2020-09-10 2021-09-07 Zustandsbestimmungsvorrichtung und Zustandsbestimmungsverfahren
CN202180054492.0A CN116034006B (zh) 2020-09-10 2021-09-07 状态判定装置以及状态判定方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020152256 2020-09-10
JP2020-152256 2020-09-10

Publications (1)

Publication Number Publication Date
WO2022054782A1 true WO2022054782A1 (ja) 2022-03-17

Family

ID=80632134

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/032790 WO2022054782A1 (ja) 2020-09-10 2021-09-07 状態判定装置及び状態判定方法

Country Status (5)

Country Link
US (1) US20240028020A1 (ja)
JP (1) JP7538234B2 (ja)
CN (1) CN116034006B (ja)
DE (1) DE112021004168T5 (ja)
WO (1) WO2022054782A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024084741A1 (ja) * 2022-10-17 2024-04-25 株式会社日本製鋼所 情報処理方法、情報処理装置及びコンピュータプログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018025945A (ja) * 2016-08-09 2018-02-15 株式会社リコー 診断装置、学習装置および診断システム
JP2019138152A (ja) * 2018-02-06 2019-08-22 株式会社日立製作所 機械制御装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5740459B2 (ja) * 2009-08-28 2015-06-24 株式会社日立製作所 設備状態監視方法
JP2015176175A (ja) 2014-03-13 2015-10-05 日本電気株式会社 情報処理装置、情報処理方法、およびプログラム
US20160358099A1 (en) 2015-06-04 2016-12-08 The Boeing Company Advanced analytical infrastructure for machine learning
US10614830B2 (en) 2016-01-14 2020-04-07 National Institute Of Advanced Industrial Science And Technology System, method, and computer program for estimation of target value
JP6698603B2 (ja) 2017-09-29 2020-05-27 ファナック株式会社 数値制御システム、及び運転状態異常検知方法
JP6885321B2 (ja) * 2017-12-22 2021-06-16 Ｊｆｅスチール株式会社 プロセスの状態診断方法及び状態診断装置
JP6928031B2 (ja) * 2018-10-02 2021-09-01 ファナック株式会社 制御装置及び制御システム
JP7015261B2 (ja) * 2019-02-13 2022-02-02 ファナック株式会社 管理装置及び管理システム
JP2021015573A (ja) 2019-07-16 2021-02-12 ファナック株式会社 異常判定装置及び異常判定システム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018025945A (ja) * 2016-08-09 2018-02-15 株式会社リコー 診断装置、学習装置および診断システム
JP2019138152A (ja) * 2018-02-06 2019-08-22 株式会社日立製作所 機械制御装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024084741A1 (ja) * 2022-10-17 2024-04-25 株式会社日本製鋼所 情報処理方法、情報処理装置及びコンピュータプログラム

Also Published As

Publication number Publication date
CN116034006B (zh) 2024-09-17
JP7538234B2 (ja) 2024-08-21
CN116034006A (zh) 2023-04-28
DE112021004168T5 (de) 2023-06-29
US20240028020A1 (en) 2024-01-25
JPWO2022054782A1 (ja) 2022-03-17

Similar Documents

Publication Publication Date Title
US11628609B2 (en) State determination device and method
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
JP6773738B2 (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
WO2022075224A1 (ja) 状態判定装置及び状態判定方法
WO2022054782A1 (ja) 状態判定装置及び状態判定方法
CN110962315B (zh) 状态判定装置以及状态判定方法
JP7525631B2 (ja) 状態判定装置及び状態判定方法
JP7495513B2 (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
JP7495514B2 (ja) 状態判定装置及び状態判定方法
WO2024057461A1 (ja) 判定装置及び判定方法
JP2021057064A (ja) 状態判定装置及び状態判定方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21866741

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022547601

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 18024820

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 21866741

Country of ref document: EP

Kind code of ref document: A1