WO2022153645A1 - 計測装置、計測方法および射出成形装置 - Google Patents

計測装置、計測方法および射出成形装置 Download PDF

Info

Publication number
WO2022153645A1
WO2022153645A1 PCT/JP2021/039667 JP2021039667W WO2022153645A1 WO 2022153645 A1 WO2022153645 A1 WO 2022153645A1 JP 2021039667 W JP2021039667 W JP 2021039667W WO 2022153645 A1 WO2022153645 A1 WO 2022153645A1
Authority
WO
WIPO (PCT)
Prior art keywords
waveform image
model data
generation unit
model
waveform
Prior art date
Application number
PCT/JP2021/039667
Other languages
English (en)
French (fr)
Inventor
道信 藤原
和史 河野
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to JP2022575086A priority Critical patent/JPWO2022153645A1/ja
Publication of WO2022153645A1 publication Critical patent/WO2022153645A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D17/00—Pressure die casting or injection die casting, i.e. casting in which the metal is forced into a mould under high pressure
    • B22D17/20—Accessories: Details
    • B22D17/32—Controlling equipment
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D18/00—Pressure casting; Vacuum casting
    • B22D18/02—Pressure casting making use of mechanical pressure devices, e.g. cast-forging
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D46/00—Controlling, supervising, not restricted to casting covered by a single main group, e.g. for safety reasons
    • 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
    • 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
    • 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

Definitions

  • This application relates to a measuring device, a measuring method, and an injection molding device.
  • the movement to monitor the detection signal of the sensor mounted on the manufacturing equipment, for example, the injection molding equipment, or to utilize it for equipment maintenance, etc. is becoming active. Under such circumstances, the performance of the measurement system that measures the detection signal is regarded as important.
  • This measurement system can be used for temperature sensors, pressure sensors, etc. mounted in an injection molding machine, in a mold, or in a molding peripheral device (for example, a temperature controller for controlling the temperature of a mold, a material dryer for drying resin materials, etc.).
  • the waveform is output to a display device such as a display.
  • analyzing the detection signal it is possible to detect the occurrence of an abnormality and determine the maintenance time of the equipment. Further, it is possible to stop the injection molding apparatus by outputting an alarm when an abnormality occurs.
  • a general detection signal analysis technique there is a technique of determining the peak value of the waveform intensity based on the detection signal by comparing it with a preset threshold value.
  • a technique for a waveform based on a detection signal a technique for measuring the elapsed time from the start of measurement set on the horizontal axis, detecting a specific timing such as the rise of the waveform, and comparing it with a threshold value.
  • a threshold value There is.
  • only one point or a small part of the entire waveform can be used as a determination material.
  • Patent Document 1 discloses a technique of converting a waveform into an image, calculating the similarity between the inspection image and the reference image, and comparing the similarity with a preset threshold value to make a determination. ..
  • this conventional technique by analyzing the waveform as an image, it is possible to detect the presence or absence of an abnormality and determine the maintenance time of the equipment to a certain extent based on the determination based on the peak value or the specific timing.
  • An object of the present invention is to provide a measuring device, a measuring method, and an injection molding device in which the accuracy of the judgment result is higher than that in the conventional case and the reliability of the judgment result is improved.
  • the measuring device disclosed in the present application is An input unit that inputs detection signals from multiple sensors deployed in the manufacturing equipment and performs A / D conversion (Analog / Digital Conversion).
  • a waveform image generation unit that graphs the detection signal converted into digital data in the input unit to generate a waveform image
  • a waveform image generation unit A waveform image generated by the waveform image generation unit under the condition that each of the sensors is in a normal state, and a model data generation unit that inputs both quality information related to the waveform image and generates model data in which the two are linked.
  • a model data storage unit that stores model data generated by the model data generation unit, and a model data storage unit.
  • a waveform image obtained by detecting with the sensor in the manufacturing process of the product by the waveform image generation unit is set as a determination target, and the waveform image to be determined is included in the model data stored in the model data storage unit. It is provided with an image comparison unit that compares the waveform images, calculates the similarity between the two, and determines whether the product is normal or abnormal.
  • the injection molding apparatus disclosed in the present application is: A series of injection molding processes is executed by controlling a mold, an injection unit provided with a mechanism for injecting and filling a resin material into the mold, an injection operation of the injection unit, and an opening / closing operation of the mold.
  • the sensor is mounted on at least the mold or the injection unit.
  • the measuring device disclosed in the present application is An input unit that inputs detection signals from multiple sensors installed in the manufacturing equipment and performs A / D conversion, A waveform image generation unit that graphs the detection signal converted into digital data in the input unit to generate a waveform image, and a waveform image generation unit.
  • a model data storage unit that stores model data generated by the model data generation unit, and a model data storage unit.
  • a model generation unit that reads model data stored in the model data storage unit and builds a trained model that classifies quality from waveform images by machine learning.
  • a trained model storage unit that stores the trained model generated by the model generation unit, and a trained model storage unit.
  • the waveform image obtained by detecting with the sensor in the manufacturing process of the product by the waveform image generation unit is set as a determination target, and the waveform image to be determined is input to the trained model stored in the trained model storage unit.
  • a reasoning unit for determining normality and abnormality of the product.
  • the injection molding apparatus disclosed in the present application is: A series of injection molding processes is executed by controlling a mold, an injection unit provided with a mechanism for injecting and filling a resin material into the mold, an injection operation of the injection unit, and an opening / closing operation of the mold.
  • the sensor is mounted on at least the mold or the injection unit.
  • the measurement method disclosed in the present application is A model that creates model data that links the waveform image obtained under the condition that each sensor is in a normal state and a good product is molded and the quality information corresponding to the waveform image in order to compare the quality judgment of the product.
  • Storage mode and A waveform image obtained based on the detection of each sensor in the manufacturing process of the product is used as a determination target, and the waveform image of the model data obtained in the model storage mode is compared with the waveform image to be determined. It is provided with a quality judgment mode for judging the quality of the product.
  • the measurement method disclosed in the present application is A model that creates model data that links the waveform image obtained under the condition that each sensor is in a normal state and a good product is molded and the quality information corresponding to the waveform image in order to compare the quality judgment of the product.
  • Storage mode and A learning mode that reads the model data and builds a trained model that classifies the quality from the waveform image by machine learning.
  • a quality judgment mode in which a waveform image obtained by detecting with each sensor in the manufacturing process of the product is set as a judgment target, the waveform image to be judged is input to the trained model, and normality or abnormality of the product is judged. , Equipped with.
  • the quality of the product and the presence or absence of abnormality of the peripheral device are judged by using the entire shape of the waveform image as a judgment material.
  • the accuracy of the determination result is improved, and the reliability of the determination result can be improved.
  • FIG. It is a block diagram which shows the structure of the injection molding measurement system of Embodiment 1.
  • FIG. It is explanatory drawing which showed the structure of the injection molding apparatus of Embodiment 1.
  • FIG. It is a flowchart which showed the injection molding process by the injection molding apparatus of Embodiment 1.
  • It is a flowchart which showed the injection molding process by the injection molding apparatus of Embodiment 1.
  • It is a block diagram of the measuring apparatus of Embodiment 1.
  • FIG. It is a flowchart which shows the quality determination process based on the similarity of the waveform image of Embodiment 1.
  • FIG. It is explanatory drawing which shows an example of the graph generated by the waveform image generation part of Embodiment 1.
  • FIG. It is explanatory drawing of the model data generated by the model data generation part of Embodiment 1. It is explanatory drawing of short shot, flow mark or sink mark defect determination by the pressure waveform of Embodiment 1.
  • FIG. It is explanatory drawing of the runner balance deterioration determination by the pressure waveform of Embodiment 1.
  • FIG. It is explanatory drawing which shows an example of the graph generated by the waveform image generation part of Embodiment 2.
  • an injection molding apparatus as a manufacturing apparatus and an injection molding measurement system as a manufacturing measurement system will be described as an example.
  • the present application describes such an injection molding apparatus. It is not limited to the injection molding measurement system including.
  • FIG. 1 is a block diagram showing a configuration of an injection molding measurement system 100.
  • the injection molding measurement system 100 includes an injection molding device 1, a measuring device 2, an amplifier 3, a display device 4, and a molded product quality input unit 5.
  • the injection molding apparatus 1 includes a mold 10 generally arranged at a predetermined position, an injection unit 11 provided with a mechanism for injecting and filling a resin material into the mold 10, and an injection operation of the injection unit 11 and a metal. It is composed of a control unit 12 that controls an opening / closing operation of the mold 10 and executes a series of injection molding processes.
  • the control unit 12 is composed of, for example, a microcomputer having a CPU (Central Processing Unit).
  • the sensor 30 is mounted in the mold 10. Examples of the sensor 30 in this case include a temperature sensor that detects the temperature of the filled resin material, a pressure sensor that detects the pressure of the resin material, and the like. Further, a sensor 31 is mounted in the injection unit 11. Examples of the sensor 31 in this case include a temperature sensor that detects the temperature of the resin material, a pressure sensor that detects the resin pressure, and the like.
  • the amplifier 3 is connected to each of the above sensors 30 and 31 correspondingly.
  • an analog voltage signal is input as a detection signal from the sensors 30 and 31, the amplifier 3 standardizes the voltage signal in the amplifier 3 and outputs the voltage signal to the measuring device 2.
  • the measuring device 2 is composed of, for example, a microcomputer having a CPU, a non-volatile memory, and the like. The detailed configuration of the measuring device 2 will be described later.
  • the display device 4 is, for example, a liquid crystal display or the like, and displays the information input from the measuring device 2 so that the operator can visually recognize it.
  • the molded product quality input unit 5 includes an interface for inputting the result of measuring the quality of the injection-molded molded product, and a mechanism for outputting the quality information to the measuring device 2.
  • What kind of detection signal is input to the measuring device 2 is appropriately determined according to the actual structure and type of the injection molding device 1, the shape of the molded product, the number of sensors to be mounted, the measurement to be performed, the content of monitoring, and the like. It can be decided. Further, although not shown in FIG. 1, various sensors may be provided in peripheral devices of the injection molding apparatus 1, for example, a temperature controller for controlling the temperature of a mold, a material dryer for drying a resin material, and the like. , It is also assumed that the detection signals of those sensors are input to the measuring device 2.
  • Examples of communication are possible between the control unit 12 of the injection molding device 1 and the measuring device 2.
  • Examples of the communication C10 from the control unit 12 to the measuring device 2 include signals for notifying the start and end timings of one cycle of injection molding.
  • examples of the communication C20 from the measuring device 2 to the control unit 12 include an alarm signal when an abnormality occurs, a control signal of the mold 10 and the injection unit 11.
  • FIG. 2 is an explanatory diagram showing the configuration of the injection molding apparatus 1.
  • the mold 10 includes a fixed-side mold 101 and a movable-side mold 102, and has a cavity 105 between the fixed-side mold 101 and the movable-side mold 102.
  • the mold 10 is attached to the mold clamping mechanism 106 of the injection molding apparatus 1, and the mold 10 opens and closes when the movable mold 102 moves in the left-right direction of FIG. 2 in conjunction with the movement of the mold clamping mechanism 106. do.
  • the mold 10 is connected to the mold temperature control device 13 via a cooling pipe 131.
  • the mold 10 keeps the temperature of the mold 10 constant by exchanging heat with the cooling water having a constant temperature sent from the mold temperature control device 13 through the cooling pipe 131.
  • the injection portion 11 mounted in the injection molding apparatus 1 can be connected to the mold 10 or disconnected from the mold 10 by moving in the left-right direction in FIG. 2 (generally, nozzle touch). ⁇ Called nozzle back).
  • the resin material dried by the material drying / transporting device 15 is transported to the hopper 111 of the injection unit 11 through the material hose 151 by wind pressure.
  • the injection unit 11 mainly includes a hopper 111, a cylinder 112, a screw 113, a screw drive unit 114, a heater 115, and an injection nozzle 116.
  • the hopper 111 stores the resin material transported from the material drying / transporting device 15.
  • the hopper 111 is connected to the cylinder 112 and supplies the resin material to the hollow portion 112a of the cylinder 112.
  • the cylinder 112 has a tubular shape in which both ends are open, and the hollow portion 112a of the cylinder 112 extends between both ends of the cylinder 112.
  • a heater 115 is provided on the outer peripheral surface of the cylinder 112, and the heater 115 heats the resin material of the hollow portion 112a of the cylinder 112.
  • a screw 113 is arranged in the hollow portion 112a of the cylinder 112.
  • the screw 113 is moved and rotated in the direction in which the cylinder 112 extends (the left-right direction in FIG. 2) by the screw drive unit 114.
  • the resin material supplied from the hopper 111 can be sent to the injection nozzle 116 side.
  • An injection nozzle 116 is provided at the end of the cylinder 112, and the resin material is injected from the injection nozzle 116 toward the mold 10.
  • the sensors 30 and 31 described with reference to FIG. 1 include a mold 10, an injection unit 11, a mold temperature control device 13, a cooling pipe 131, a material drying / transporting device 15, a material hose 151, and the like of the injection molding apparatus shown in FIG. Is implemented in.
  • the sensors 30 and 31 are mounted on the mold 10 or the injection portion 11, it is necessary to use a sensor that can withstand high temperature and high pressure.
  • the sensors 30 and 31 are selected according to the purpose of use and mounted at appropriate positions.
  • strain gauge type pressure sensor model number: SSE series, SSB series, etc.
  • a pressure sensor model number: 6157C, 9211B, etc.
  • the cavities 105 of the mold 10 if they are mounted immediately after the gate, the peak pressure is high and the cooling is slow, so that information for a long time can be obtained (sensor Sa in FIG. 2).
  • a strain gauge type pressure sensor (model number: SSE series, SSB series, etc.) manufactured by Futaba Corporation, a mold surface temperature sensor (model number: STF04.0 ⁇ ) 08.0 ⁇ 026), an infrared resin temperature sensor (model number: EPSZL series, EPSZT series, etc.) is used to calculate the feature amount that combines both pressure and temperature.
  • an infrared resin temperature sensor (model number: EPSZL series, EPSZT series, etc.) is used to calculate the feature amount that combines both pressure and temperature.
  • the strain gauge type pressure sensor and the infrared resin temperature sensor at the place where the sink mark occurs in the cavity 105 of the mold 10 (sensor Sa in FIG. 2). Since the mold surface temperature sensor is used as an offset temperature reference value of the infrared resin temperature sensor, there is no problem even if it is mounted in a place other than the place where the sink mark occurs (sensor Sa in FIG. 2).
  • a strain gauge type pressure sensor (model number: NP465XL series, NP400 series, etc., material: Inconel 718) manufactured by Dynisco is used. Since no pressure is applied to the hopper 111 side from the tip of the screw 113, it is necessary to mount the pressure on the injection nozzle 116 side from the tip of the screw 113 when the injection is completed (sensor Sb in FIG. 2). For the purpose of observing plasticization stability, strain gauge type pressure sensor manufactured by Dynisco (model number: NP465XL series, NP400 series, etc., material: Inconel 718) and infrared resin temperature sensor manufactured by Futaba Corporation.
  • thermocouple (Model number: EPSZL series welded to the mounting jig) is used. By mounting it on the compression part of the screw, the process of increasing the resin pressure can be measured (sensor Sc in FIG. 2). Further, when the purpose is to observe the temperature control stability of the mold 10, a commercially available thermocouple and a flow meter are used. It can be attached to the surface of the cooling pipe 131 or connected to the end of the cooling pipe 131 (sensor Sd in FIG. 2). A commercially available thermocouple or moisture meter is used for the purpose of detecting defects related to the dry state or clogging of the material. It is mounted at the position of the sensor Se in FIG. Further, when the purpose is maintenance of equipment such as the mold temperature control device 13 and the material drying / transportation device 15, a vibration sensor or the like is used. Among the devices, it is mounted on a drive unit or the like (sensor Sf in FIG. 2).
  • step S100 After starting the injection molding process in step S100, first, the material is dried by the material drying / transporting apparatus 15 in step S101. Next, in step S102, the cylinder 112 is heated by the heater 115 of the injection unit 11. Next, in step S103, the mold 10 is attached to the mold clamping mechanism 106 of the injection molding apparatus 1. Next, in step S104, the mold 10 is heated by the mold temperature control device 13.
  • step S101 when the drying of the material is completed by the material drying / transporting device 15 (step S101), the material is transported to the injection unit 11 by the material drying / transporting device 15 in step S105.
  • step S106 the material is heated in a state where the injection unit 11 and the mold 10 are not connected (nozzle back), and the material is injected out of the mold 10 (generally called purging).
  • step S107 the injection unit 11 is moved and connected to the mold 10 (nozzle touch).
  • step S108 The above process is the setup before entering the molding cycle.
  • step S108 the following series of steps are automatically executed under the control of the control unit 12.
  • step S109 at the same time that the mold 10 is closed, a signal is transmitted from the control unit 12 to the measuring device 2 notifying the start of one cycle of injection molding, and the measurement by the measuring device 2 is started.
  • step S110 after the mold closing is completed, the material is injected into the mold 10.
  • step S111 the material is cooled in the mold 10.
  • step S112 the mold 10 is opened.
  • the timing of the end of the measurement may be the timing when a certain time has elapsed from the start of the measurement or the timing when the control unit 12 sends a signal notifying the timing of the end of one cycle to the measuring device 2.
  • the molding cycle is automatically executed a plurality of times, but the injection molding process ends when the molding is stopped by an operator or the like (steps S113 and S114).
  • FIG. 5 is a block diagram showing an internal configuration of the measuring device 2.
  • the measuring device 2 includes an input unit 20, a waveform image generation unit 21, a model data generation unit 22, a model data storage unit 23, and an image comparison unit 24.
  • the input unit 20 can input detection signals of a plurality of channels, and the voltage values (analog data) of the detection signals from the sensors 30 and 31 are converted into digital data for each channel to generate a waveform image. The process of outputting to the unit 21 is performed.
  • the waveform image generation unit 21 is composed of, for example, a microcomputer having a CPU. Then, based on the detection signals from the respective sensors 30 and 31 obtained for each cycle of the injection molding process, a waveform graph in which the horizontal axis is the time and the vertical axis is the intensity of the detection signal is drawn for each of the sensors 30 and 31. One by one, and this graph is converted into a waveform image.
  • the waveform image generation unit 21 is provided with a switch 25 for switching the output destination of the waveform image according to two measurement modes described later for the waveform image generated by the waveform image generation unit 21.
  • model accumulation mode in order to compare the quality judgment of the injection molded product, a good product is molded with the sensors 30 and 31 in a normal state.
  • model data is created by associating the waveform image obtained under the conditions specified with the quality information corresponding to the waveform image.
  • the other one is called a quality determination mode, in which a waveform image obtained by the waveform image generation unit 21 based on the detection of the sensors 30 and 31 in the molding process of the injection molded product is used as a determination target.
  • the quality of the injection-molded product is determined by comparing the waveform images of the model data obtained in the model storage mode.
  • the waveform image generation unit 21 outputs the generated waveform image to the model data generation unit 22.
  • the generated waveform image is output to the image comparison unit 24.
  • the model data generation unit 22 is composed of, for example, a microcomputer having a CPU. Then, in the model storage mode, the model data generation unit 22 mutually transmits the waveform image input from the waveform image generation unit 21 and the quality information of the molded product corresponding to the waveform image input from the molded product quality input unit 5. A process of generating the combined model data and outputting the model data to the model data storage unit 23 is performed.
  • the model data storage unit 23 is composed of, for example, a non-volatile memory or the like, and the model data generation unit 22 sequentially stores the model data generated in the model storage mode. Further, when the quality determination mode is selected by the switch 25, a process of outputting model data to the image comparison unit 24 is performed in response to a request from the image comparison unit 24.
  • the image comparison unit 24 is composed of, for example, a microcomputer having a CPU. Then, in the quality determination mode, the image comparison unit 24 sets the waveform image obtained by the waveform image generation unit 21 detected by the sensors 30 and 31 in the molding process of the injection molded product as the determination target, and models the waveform image. A process of calculating the similarity between the two waveform images is performed by comparing with the waveform image of the model data stored in the data storage unit 23. Further, the quality information of the model data having the highest degree of similarity and the waveform image are output to the display device 4, and when the quality information is abnormal, an abnormality signal is output to the injection molding device 1.
  • the model data is first stored in the model storage mode. That is, the model accumulation mode is set by the switch 25 for the waveform image generation unit 21 shown in FIG. 2, and the measurement is started. Then, as described above, in this model storage mode, the waveform image obtained under the condition that each sensor 30 and 31 is in a normal state and a good product is molded is associated with quality information (including abnormality information). Create model data, which is data.
  • the injection molding apparatus 1 outputs an injection start signal to the measuring apparatus 2 when the injection process is started.
  • the measuring device 2 starts the measurement when the injection start signal is input.
  • the sensor 30 in the mold 10 and the sensor 31 in the injection unit 11 constantly detect a signal, and output a detection signal, for example, an analog voltage signal to an amplifier 3 connected to each of them.
  • the amplifier 3 converts the input detection signal into, for example, a standardized analog voltage, and outputs the input detection signal to the input unit 20 of the measuring device 2 (step S1).
  • the input unit 20 of the measuring device 2 performs A / D conversion of the input detection signal according to the set sampling cycle, and outputs the input detection signal to the waveform image generation unit 21 (step S2).
  • the waveform image generation unit 21 stores the detection signal converted into digital data for one cycle of the injection molding process, and creates a graph in which the horizontal axis is the time from the start of injection and the vertical axis is the strength of the detection signal. ..
  • FIG. 8 shows an example of a graph created by the waveform image generation unit 21.
  • One graph is created for each of the sensors 30 and 31 for the detection signals obtained from the sensors 30 and 31 for each cycle of the injection molding process, and this graph is converted into an image to generate a waveform image. (Step S3).
  • the detection signal converted to digital data is read using software that has the same function as spreadsheet software, and a graph is created with the time from the start of injection on the horizontal axis and the signal strength of the sensor on the vertical axis.
  • the range on the horizontal axis of the graph is from 0 seconds to 1 cycle time when the injection molding process ends.
  • the range on the vertical axis is a range set in advance for each of the sensors 30 and 31 by the operator so that the entire graph falls within the plot area range.
  • one side of the plot area should be a square of 300 pixels or more.
  • the line width of the graph should be about 1/200 to 1/100 of one side of the plot area. The larger the size of the graph, the better the judgment accuracy, but the larger the data capacity. Further, the smaller the line width of the graph, the smaller the deviation of the waveform shape can be detected when the image comparison unit 24 calculates the similarity of the waveform image.
  • the sensitivity of quality determination can be adjusted by adjusting the line width of the graph.
  • the waveform image generation unit 21 outputs the created graph to the display device 4.
  • the display device 4 displays this graph on the display, and at the same time, converts the graph into a waveform image by taking a screenshot of the graph portion.
  • the size of the waveform image is set so that one side of the plot area is a square of 300 pixels or more, as in the case of creating a graph, for example. It is also possible for the waveform image generation unit 21 to generate graph image data in the waveform image generation unit 21 without outputting the created graph to the display device 4.
  • the waveform image generation unit 21 determines whether the measurement mode set by the switch 25 is the model storage mode or the quality determination mode (step S4). At this time, if the model storage mode is already set, the waveform image generation unit 21 outputs the generated waveform image to the model data generation unit 22 (step S5). At that time, the molded product quality input unit 5 outputs the quality information of the molded product corresponding to the waveform image to the model data generation unit 22.
  • the model data generation unit 22 associates and combines information such as a waveform image, quality information, number of cycles, and sensor number, and associates quality information and the like with one waveform image as shown in FIG. Generate model data one by one as a file. Then, the model data generation unit 22 outputs the generated model data to the model data storage unit 23 (step S6). The model data storage unit 23 sequentially stores the input model data (step S7). By repeating this series of steps, model data to be compared for determination is accumulated (steps S1 to S7).
  • step S4 Once sufficient model data has been accumulated to be required for quality judgment, quality judgment for judging the quality of injection-molded products and determining abnormalities in peripheral equipment by using those model data as comparison targets. Move to mode. Therefore, the switch 25 is set to the quality determination mode and the measurement is started (step S4).
  • the waveform image generation unit 21 outputs the waveform image detected and generated by the sensors 30 and 31 in the molding process of a normal injection molded product to the image comparison unit 24 (step S8).
  • the image comparison unit 24 reads one file of model data stored in advance in the model data storage unit 23 by the above-mentioned processing of the model data generation unit 22 (steps S1 to S7) (step S9).
  • the degree of similarity with the waveform image to be determined obtained by the waveform image generation unit 21 is calculated (step S10).
  • SAD Sud of Absolute Differences
  • SSD Sud of Squared Difference
  • the similarity is evaluated by the sum of squares of the differences between the pixel values, and it can be determined that the closer to "0", the greater the similarity.
  • SAD or SSD the sensitivity can be adjusted by the line width of the graph as described above.
  • NCC Normalized Cross Correlation
  • Another method for calculating the similarity is to compare the histograms of the images, but the area occupied by the waveform lines with respect to the area of the entire waveform image hardly changes even if the waveform shape changes. , There is no change in similarity. Therefore, the method based on histogram comparison cannot be used for this measurement.
  • step S11 it is determined whether or not the calculation of the similarity with respect to all the model data for each of the sensors 30 and 31 is completed. At this time, if the calculation of the similarity with all the model data is not completed, the process returns to step S9, the next model data is read from the model data storage unit 23, and the similarity with the waveform image to be determined is calculated. .. This is repeated, and the similarity with respect to all the model data for each of the sensors 30 and 31 is calculated.
  • the image comparison unit 24 When the calculation of the similarity with respect to all the model data for each of the sensors 30 and 31 is completed (step S11), the image comparison unit 24 then transfers the model data having the highest similarity among the calculated similarity. Read the quality information (step S12). Subsequently, the image comparison unit 24 determines whether or not all the sensors 30 and 31 on which this quality information is mounted are normal (step S13). If this quality information is good (normal) for all the mounted sensors 30 and 31 in step S13, the process returns to step S1 and the measurement of the next cycle is started.
  • the image comparison unit 24 outputs an abnormality signal to the control unit 12 of the injection molding machine (step S14).
  • quality information corresponding to the sensor abnormality and peripheral information are displayed on the display device 4 (step S15).
  • the measurement will end at this point. Further, when an abnormality that does not exist in the model data occurs, or when a plurality of abnormalities occur at the same time, the similarity of the waveforms of any of the model data does not become close. When the similarity to all the model data is equal to or less than a preset threshold value, an abnormality signal is output to the control unit 12 of the injection molding apparatus 1. In addition, it indicates that a defect of unknown cause has occurred in the display device 4 and that additional model data needs to be accumulated, and the measurement is terminated at this point.
  • the first embodiment it is possible to accumulate only the model data at the normal time in the model storage mode, and not to judge the type of abnormality in the quality judgment mode, but to judge only whether it is normal or abnormal.
  • the cooling water temperature of the mold temperature control device 13 is 70 ° C. in the normal state. However, if the heater of the mold temperature control device 13 fails, the temperature of the cooling water becomes room temperature (25 ° C.). When such an abnormality occurred, it was confirmed that both the short shot, the flow mark, and the sink mark were worse than those in the normal state.
  • FIG. 10 shows a pressure waveform in which a normal waveform (solid line) and an abnormal waveform (broken line) are shown together.
  • the maximum value is lower than in the normal state, and the decay rate after reaching the maximum value is faster than in the normal state.
  • the similarity becomes smaller as the positions of the pixels constituting the waveform do not overlap. Comparing the positions of the pixels constituting the two waveforms, the positions of the pixels do not match in the portion after reaching the maximum value. Since the similarity changes due to the influence of this part, it is possible to determine a short shot, a flow mark, or a sink mark defect.
  • By monitoring the pressure waveform it is possible to determine an abnormality not only when the mold temperature control device 13 fails but also when the mold temperature changes due to the season or the temperature difference between regions.
  • FIG. 10 shows a pressure waveform in which a normal waveform (solid line) and an abnormal waveform (dashed-dotted line) are shown together.
  • a normal waveform solid line
  • an abnormal waveform dashed-dotted line
  • FIG. 11 shows a pressure waveform in which a normal waveform (solid line) and an abnormal waveform (broken line) are shown together.
  • a normal waveform solid line
  • an abnormal waveform broken line
  • a model data storage method for determining the above two defects that is, a failure of the mold temperature control device 13 and a gas vent clogging, and a quality determination method will be described.
  • a waveform image is acquired when the temperature of the mold temperature control device 13 is set stepwise between 25 ° C. and lower than 70 ° C., and the quality information “short shot, flow mark or sink mark defect” is acquired. , And save it in the model data storage unit 23. Further, a waveform image when the mold temperature control device 13 is set to 70 ° C. is acquired, linked with the quality information "good product", and stored in the model data storage unit 23.
  • the waveform image of the mold 10 in which the gas vent is clogged is acquired, linked with the quality information "deterioration of runner balance", and stored in the model data storage unit 23.
  • the waveform image after the gas vent clogging is cleared by maintenance is acquired, linked with the quality information "non-defective product", and stored in the model data storage unit 23.
  • the above is the model data storage method.
  • an abnormality that does not exist in the model data occurs, or if multiple abnormalities occur at the same time, the similarity will not be close to any of the waveform images.
  • an abnormal signal is output to the molding machine, and in addition to displaying the quality information "other defects" on the display device 4, the improvement method "cause” Please investigate. Please accumulate additional model data. "Is displayed.
  • the quality of the injection-molded product and the presence or absence of abnormalities in the peripheral equipment are determined by using the entire shape of the waveform image obtained from the injection-molded product as a judgment material.
  • the accuracy of the determination result is higher than that of the above, and the reliability of the determination result can be improved.
  • Embodiment 2 In the first embodiment, one graph for each of the sensors 30 and 31 is generated for the detection signals obtained from the sensors 30 and 31 within one cycle of the injection molding process, and the graph that is the source of the waveform image is generated, and the degree of similarity is the highest.
  • the type of abnormality was determined.
  • the data capacity of the model data becomes enormous, and it is necessary to increase the storage capacity in the model data storage unit 23. , The cost will be high.
  • the data capacity is reduced by aggregating a plurality of waveform images based on the detection signals from the sensors 30 and 31 obtained for each cycle of the injection molding process in one screen. It is the one that was made. Since the configuration of the measurement system and the configuration of the measurement device 2 are basically the same as those of the first embodiment, detailed description thereof will be omitted here.
  • the model storage mode is set for the waveform image generation unit 21 by the switch 25 for measurement. To start.
  • the waveform image generation unit 21 simultaneously stores the detection signals from the sensors 30 and 31 for one cycle of the injection molding process, and for each of the sensors 30 and 31, the horizontal axis is the time from the start of injection and the vertical axis is the sensor 30.
  • a graph with the signal strength of 31 is created (steps S1 to S3).
  • FIG. 12 shows an example of a graph generated by the waveform image generation unit 21.
  • the injection is performed. Graphs of a plurality of waveforms based on the detection signals obtained from the sensors 30 and 31 for each cycle of the molding process are aggregated on one screen and drawn as one image (step S3).
  • the range on the horizontal axis of the graph is from 0 seconds to 1 cycle time when the injection molding process ends.
  • the range on the vertical axis is a range set in advance for each of the sensors 30 and 31 by the operator so that the graphs of the sensors 30 and 31 fall within the plot area range. It is also possible to set different vertical axis ranges for each waveform. Further, when a plurality of sensors of the same type are mounted, the waveforms overlap at substantially the same position, so it is set in advance to apply an offset in the vertical axis direction so that the waveforms do not overlap.
  • one side of the plot area should be a square of 300 pixels or more, and the line width of the graph should be about 1/200 to 1/100 of one side of the plot area. The sensitivity of quality judgment can be adjusted by adjusting the line width of the graph.
  • the waveform image generation unit 21 outputs the created graph to the display device 4.
  • the display device 4 displays this graph on the display, and at the same time, converts the graph into a waveform image by taking a screenshot of the graph portion.
  • the size of the waveform image is set so that one side of the plot area is a square of 300 pixels or more, as in the graph creation. It is also possible to generate graph image data in the waveform image generation unit 21 without outputting to the display device 4.
  • the waveform image generation unit 21 outputs the generated waveform image to the model data generation unit 22 (step S5).
  • the molded product quality input unit 5 outputs the quality information of the molded product corresponding to the waveform image to the model data generation unit 22.
  • the model data generation unit 22 associates and combines the waveform image with information such as quality information and the number of cycles, and as shown in FIG. 13, links the quality information and the like to one image including a plurality of waveforms.
  • the model data generation unit 22 outputs the generated model data to the model data storage unit 23 (step S6).
  • the model data storage unit 23 sequentially stores the input models (step S7). This series of steps is repeated, and model data to be compared for determination is accumulated (steps S1 to S7).
  • the switch 25 When sufficient model data required for quality judgment has been accumulated, the switch 25 is set to the quality judgment mode and measurement is started.
  • the waveform image generation unit 21 outputs the waveform image detected and generated by the sensors 30 and 31 in the molding process of a normal injection molded product to the image comparison unit 24 (step S8).
  • the image comparison unit 24 reads the model data for one file from the model data storage unit 23 (step S9) and calculates the similarity with the waveform image to be determined (step S10).
  • SAD or SSD which is one of template matching
  • the next model data is subsequently read from the model data storage unit 23, and the degree of similarity with the waveform image to be determined is calculated. This is repeated to calculate the similarity to all model data. Since the determination processing based on the similarity of other waveform images is the same as that of the first embodiment, detailed description thereof will be omitted here.
  • the second embodiment also includes a mode in which only the model data at the normal time is accumulated and only the normal or abnormal is determined in the quality determination mode, that is, the type of the abnormality is not determined.
  • the waveform image generation unit 21 detects and generates waveform images by the sensors 30 and 31 in the molding process of a normal injection molded product, and the image comparison unit 24. Output to.
  • the image comparison unit 24 reads the model data stored in advance in the model data storage unit 23 by the processing of the model data generation unit 22 described above for one file, and the determination target obtained by the waveform image generation unit 21. The degree of similarity with the waveform image is calculated.
  • a trained model for classifying the quality from the waveform image of the model data is constructed in advance by machine learning, and in the molding process of a normal injection molded product, the trained model is used as a base. By judging the quality, the amount of data read and the amount of calculation are reduced. Since the configuration of the measurement system is basically the same as that of the first embodiment, detailed description thereof will be omitted here.
  • the measuring device 2 includes an input unit 20, a waveform image generation unit 21, a model data generation unit 22, a model data storage unit 23, a model generation unit 26, a trained model storage unit 27, and an inference unit 28.
  • the waveform image generation unit 21 is provided with a switch 25 for switching the output destination of the waveform image according to the three modes described later for the waveform image generated by the waveform image generation unit 21.
  • the first of the above three measurement modes is called a model accumulation mode, and in order to compare the quality judgment of the injection-molded product, a good product is molded with the sensors 30 and 31 in a normal state.
  • model data is created by linking the waveform image obtained under the conditions to be performed and the quality information corresponding to the waveform image.
  • the second is called a learning mode, which is a mode in which the created model data is read and a trained model for classifying the quality from the waveform image by machine learning is constructed.
  • the third is called a quality determination mode, in which a waveform image obtained by the waveform image generation unit 21 based on the detection of the sensors 30 and 31 in the molding process of the injection molded product is used as a determination target. This mode determines the quality of an injection-molded product by comparing the waveform images of the model data obtained in the model storage mode.
  • the waveform image generation unit 21 outputs the generated waveform image to the model data generation unit 22.
  • the waveform image generation unit 21 outputs the generated waveform image to the inference unit.
  • the model data generation unit 22 is composed of, for example, a microcomputer having a CPU. Then, in the model storage mode, the model data generation unit 22 mutually transmits the waveform image input from the waveform image generation unit 21 and the quality information of the molded product corresponding to the waveform image input from the molded product quality input unit 5. A process of generating the combined model data and outputting the model data to the model data storage unit 23 is performed.
  • the model data storage unit 23 is composed of, for example, a non-volatile memory or the like, and the model data generation unit 22 sequentially stores the model data generated in the model storage mode. Further, when the learning mode is selected by the switch 25, the process of outputting the model data to the model generation unit 26 is performed in response to the request from the model generation unit 26.
  • the model generation unit 26 is composed of, for example, a microcomputer having a CPU. Then, in the learning mode, the model generation unit 26 reads the model data stored in the model data storage unit 23, constructs a model for classifying the quality from the waveform image by machine learning, and stores the trained model in the trained model storage. The process of outputting to unit 27 is performed.
  • the trained model storage unit 27 is composed of, for example, a non-volatile memory, and the model generation unit 26 performs a process of storing the trained model generated in the learning mode. Further, when the quality determination mode is selected by the switch 25, the trained model storage unit 27 performs a process of outputting the trained model to the inference unit 28 in response to a request from the inference unit 28.
  • the inference unit 28 is composed of, for example, a microcomputer having a CPU. Then, in the quality determination mode, the inference unit 28 sets the waveform image obtained by the waveform image generation unit 21 detected by the sensors 30 and 31 in the molding process of the injection molded product as the determination target, and stores the learned model. It is input to the trained model stored in the part 27, and the quality is judged by classifying the waveform image. Further, the determined quality information and the waveform image are output to the display device 4, and when the quality information is abnormal, a process of outputting an abnormality signal to the injection molding device 1 is performed.
  • the model data is first stored in the model storage mode. That is, the model accumulation mode is set by the switch 25 for the waveform image generation unit 21, and the measurement is started. Then, as described above, in this model storage mode, the waveform image obtained under the condition that each sensor 30 and 31 is in a normal state and a good product is molded is associated with quality information (including abnormality information). Create model data, which is data.
  • the injection molding apparatus 1 outputs an injection start signal to the measuring apparatus 2 when the injection process is started.
  • the measuring device 2 starts the measurement when the injection signal is input.
  • the sensor 30 in the mold 10 and the sensor 31 in the injection unit 11 constantly detect a signal, and output a detection signal, for example, an analog voltage signal to an amplifier 3 connected to each of them.
  • the amplifier 3 converts the input detection signal into, for example, a standardized analog voltage, and outputs the input detection signal to the input unit 20 of the measuring device 2 (step S1).
  • the input unit 20 of the measuring device 2 performs A / D conversion of the input detection signal according to the set sampling cycle, and outputs the input detection signal to the waveform image generation unit 21 (step S2).
  • the waveform image generation unit 21 stores the detection signal converted into digital data for one cycle of the injection molding process, and creates a graph in which the horizontal axis is the time from the start of injection and the vertical axis is the strength of the detection signal. (Step S3).
  • one waveform graph is created for each of the detection signals obtained from the sensors 30 and 31 for each cycle of the injection molding process
  • the other is the embodiment.
  • graphs of a plurality of waveforms based on the detection signals obtained from the sensors 30 and 31 for each cycle of the injection molding process are aggregated in one screen and drawn as one image.
  • one waveform graph is created for each of the detection signals obtained from the sensors 30 and 31 for each cycle of the injection molding process.
  • the detailed procedure of is described.
  • the detection signal converted to digital data is read using software that has the same function as spreadsheet software, and a graph is created with the time from the start of injection on the horizontal axis and the signal strength of the sensor on the vertical axis.
  • the range on the horizontal axis of the graph is from 0 seconds to 1 cycle time when the injection molding process is completed.
  • the range on the vertical axis is a range set in advance for each of the sensors 30 and 31 by the operator so that the entire graph falls within the plot area range. For example, one side of the plot area should be a square of 300 pixels or more.
  • the line width of the graph should be about 1/200 to 1/100 of one side of the plot area.
  • the larger the size of the graph the better the judgment accuracy, but the larger the data capacity.
  • the smaller the line width of the graph the smaller the deviation of the waveform shape can be classified when the model generation unit 26 and the inference unit 28 classify the images by machine learning of the waveform images.
  • the line width of the graph is too small, the pixel positions will change even if the waveform shape shifts due to molding variation or low measurement repetition accuracy of the sensor, making it difficult to classify images according to normal / abnormal. In this way, the sensitivity of quality determination can be adjusted by adjusting the line width of the graph.
  • the waveform image generation unit 21 outputs the created graph to the display device 4.
  • the display device 4 displays this graph on the display, and at the same time, converts the graph into a waveform image by taking a screenshot of the graph portion.
  • the size of the waveform image is set so that one side of the plot area is a square of 300 pixels or more, as in the case of creating a graph, for example.
  • the waveform image generation unit 21 may generate graph image data in the waveform image generation unit 21 without outputting the created graph to the display device 4.
  • the waveform image generation unit 21 determines whether the measurement mode set by the switch 25 is the model storage mode, the learning mode, or the quality determination mode. At this time, if the model storage mode has already been set, the waveform image generation unit 21 outputs the generated waveform image to the model data generation unit 22 (step S4). At that time, the molded product quality input unit 5 outputs the quality information of the molded product corresponding to the waveform image to the model data generation unit 22.
  • the model data generation unit 22 associates and combines information such as a waveform image, quality information, number of cycles, and sensor number, and associates quality information and the like with one waveform image as shown in FIG. Generate model data one by one as a file. Then, the model data generation unit 22 outputs the generated model data to the model data storage unit 23 (step S5). The model data storage unit 23 sequentially stores the model data input from the model data generation unit 22 (step S6). By repeating this series of steps, the model data storage unit 23 accumulates model data to be compared with the determination.
  • step S81 it is determined whether or not sufficient model data necessary for quality determination is accumulated in the model data storage unit 23 (step S81).
  • the switch 25 is set to the learning mode and learning is started.
  • the model generation unit 26 reads all the model data from the model data storage unit 23 (step S82).
  • the model generation unit 26 builds a trained model that classifies the quality from the waveform image of the model data by machine learning (step S83).
  • the trained model is constructed in the model generation unit 26, the constructed trained model is output to the trained model storage unit 27 (step S84).
  • Examples of machine learning models include neural networks.
  • the explanatory variable is a waveform image
  • the objective variable is quality information.
  • the learning data is model data read from the model data storage unit 23.
  • a neural network is composed of an input layer composed of a plurality of neurons, an intermediate layer composed of a plurality of neurons, and an output layer composed of a plurality of neurons.
  • the intermediate layer may be one layer or two or more layers. For example, in the case of a three-layer neuron network as shown in FIG.
  • the same quality information is obtained even if the waveform changes slightly despite the same molding conditions (for example, when the molding variation or the measurement repetition accuracy of the sensor is low) by incorporating the convolution layer or the pooling layer. Can be classified into.
  • This embodiment includes neural networks of all configurations and other machine learning models. Further, in the present embodiment, the sensitivity of the quality determination can be adjusted by both the adjustment of the line width of the graph described above and the layer structure of the neural network. Further, the present embodiment includes not only the classification of quality but also the form of performing regression prediction such as the sink depth of the molded product and the flatness of the molded product. In that case, the sink depth, flatness, and the like are input to the molded product quality input unit 5 in the quality information.
  • step S31 the input unit 20 of the measuring device 2 acquires the detection signal measured by the sensor 30 in the mold 10 and the sensor 31 in the injection unit 11.
  • step S32 the input unit 20 of the measuring device 2 performs A / D conversion of the input detection signal according to the set sampling cycle, and outputs the input detection signal to the waveform image generation unit 21.
  • step S33 the waveform image generation unit 21 stores one cycle of the injection molding process for the detection signal converted into digital data, and the horizontal axis is the time from the start of injection and the vertical axis is the strength of the detection signal. Create a graph and convert it to a waveform image.
  • step S34 the waveform image generation unit 21 outputs the waveform image detected and generated by the sensors 30 and 31 in the molding process of a normal injection molded product to the inference unit 28.
  • step S35 the inference unit 28 reads the trained model from the trained model storage unit 27.
  • step S36 the inference unit 28 inputs the waveform image output from the waveform image generation unit 21 into the trained model output from the trained model storage unit 27, and determines the quality.
  • step S37 the inference unit 28 determines whether or not the quality information is normal in all the mounted sensors 30 and 31. In step S37, if the quality information is good (normal) for all the mounted sensors 30 and 31, the process returns to step S31 and the measurement of the next cycle is started.
  • the inference unit 28 outputs an abnormality signal to the control unit 12 of the injection molding machine (step S38).
  • quality information corresponding to the sensor abnormality and peripheral information are displayed on the display device 4 (step S39).
  • a learned model for classifying the quality from the waveform image of the model data by machine learning is constructed in the learning mode, and the learned model is learned in the molding process of the normal injection molded product. Since the quality is determined based on the model, there is an advantage that the amount of data read and the amount of calculation can be reduced as compared with the first embodiment or the second embodiment.
  • it is desired to add a new defective waveform to the model data it takes time and effort to execute machine learning again in the learning mode. In the case of the first embodiment or the second embodiment, it is only necessary to measure again in the model storage mode.
  • a device that executes the learning mode for example, a microcomputer having a CPU, a non-volatile memory, or the like may be separated from the measuring device 2.
  • the model data stored in the model data storage unit 23 in the model storage mode of the measuring device 2 is moved to the device for executing the learning mode by a non-volatile memory or the like, and the learning mode is executed in the device for executing the learning mode.
  • a model is constructed with the above, the trained model is read by the measuring device 2, and the quality determination mode is executed.
  • the waveform image used in the learning mode may not be the one generated in the model storage mode, but may be the one obtained by graphing the sensor data acquired in the past by another device and converting it into an image.
  • the waveform image generation unit 21, the model data generation unit 22, the image comparison unit 24, the model generation unit 26, the inference unit 28, and the control unit 12 described in the above embodiment are hardware examples.
  • Processor 210 and storage device 220 includes a volatile storage device such as a random access memory (not shown) and a non-volatile auxiliary storage device such as a flash memory. Further, an auxiliary storage device of a hard disk may be provided instead of the flash memory.
  • the processor 210 executes the program input from the storage device 220. In this case, a program is input from the auxiliary storage device to the processor 210 via the volatile storage device. Further, the processor 210 may output data such as a calculation result to the volatile storage device of the storage device 220, or may store the data in the auxiliary storage device via the volatile storage device.

Landscapes

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

Abstract

製造装置に配備された複数のセンサ（３０、３１）から入力部（２０）を介して入力した検出信号をグラフ化して波形画像を生成する波形画像生成部（２１）、各センサ（３０、３１）が正常状態の下で波形画像生成部（２１）で生成された波形画像と当該波形画像に関する品質情報とを互いに結び付けたモデルデータを生成するモデルデータ生成部（２２）、生成されたモデルデータを記憶するモデルデータ記憶部（２３）、および波形画像生成部（２１）で得られる判定対象となる波形画像をモデルデータ記憶部（２３）のモデルデータの波形画像と比較して両者の類似度を算出し、製品の正常および異常を判定する画像比較部（２４）を備える。

Description

計測装置、計測方法および射出成形装置
　本願は、計測装置、計測方法および射出成形装置に関する。
　製造装置、例えば射出成形装置に、実装したセンサの検出信号を監視、あるいは機器メンテナンス等に活用する動きが活発化している。そのような中で、検出信号を計測する計測システムの性能が重要視されている。この計測システムは、射出成形機内、金型内、あるいは成形周辺機器（例えば金型温度調節用の温調機、樹脂材料乾燥用の材料乾燥機など）内に実装した温度センサ、圧力センサ等の波形をディスプレイ等の表示装置に出力する。さらに、検出信号を分析することで、異常発生の検出、設備のメンテナンス時期の判定などが可能である。また、異常発生時にアラームを出力することで射出成形装置を停止させることが可能である。
　従来、一般的な検出信号の分析技術として、検出信号に基づく波形の強度のピーク値を予め設定した閾値とを比較することで判定する技術がある。また、他の一般的な分析技術として、検出信号に基づく波形について、横軸に設定される測定開始からの経過時間を計測し、波形の立ち上がりなどの特定タイミングを検出して閾値と比較する技術がある。しかし、このようなピーク値、あるいは特定タイミングによる分析では、波形全体の内のある一点もしくはごく一部しか判定材料として用いることができない。
　そこで、下記の特許文献１において、波形を画像に変換し、検査画像と基準画像の類似度を算出し、その類似度を予め設定した閾値と比較することで判定を行う技術が開示されている。この従来技術では、波形を画像として分析することで、ピーク値、あるいは特定タイミング等による判定より、異常発生の有無の検出、設備のメンテナンス時期の判定などをある程度まで行うことができる。
特開２０１８－１５９３６号公報
　しかしながら、上記の特許文献１記載の技術では、特に樹脂成形分野において、波形の分析のためにピーク値、あるいは特定タイミングを用いており、波形全体の内、ある一点もしくはごく一部しか判定材料として用いていない。このため、判定結果の精度が未だ不十分で、高い信頼性を得ることが難しかった。
　本願は、上記のような課題を解決するための技術を開示するものであり、波形画像の全体の形状を判断材料に用いて製品の品質の良否、周辺機器の異常の有無を判定することで、従来よりも判定結果の精度が高まり、判定結果の信頼度を向上させた計測装置、計測方法および射出成形装置を提供することを目的とする。
　本願に開示される計測装置は、
製造装置に配備された複数のセンサからの検出信号を入力してＡ／Ｄ変換（Ａｎａｌｏｇ／Ｄｉｇｉｔａｌ　Ｃｏｎｖｅｒｓｉｏｎ）する入力部と、
前記入力部においてデジタルデータに変換された検出信号をグラフ化して波形画像を生成する波形画像生成部と、
各々の前記センサが正常状態である条件の下で波形画像生成部で生成された波形画像、ならびに当該波形画像に関する品質情報を共に入力して両者を結び付けたモデルデータを生成するモデルデータ生成部と、
前記モデルデータ生成部で生成されたモデルデータを記憶するモデルデータ記憶部と、
前記波形画像生成部により製品の製造過程において前記センサで検出して得られる波形画像を判定対象とし、判定対象となる前記波形画像に対して前記モデルデータ記憶部に記憶されたモデルデータに含まれる前記波形画像を比較して両者の類似度を算出し、前記製品の正常および異常を判定する画像比較部と、を備える。
　また、本願に開示される射出成形装置は、
金型と、前記金型に対して樹脂材料を射出充填するための機構を備えた射出部と、前記射出部の射出動作ならびに前記金型の開閉動作を制御して一連の射出成形処理を実行する制御部と、前記計測装置とを備え、前記センサは、少なくとも前記金型または前記射出部に実装されている。
　また、本願に開示される計測装置は、
製造装置に配備された複数のセンサからの検出信号を入力してＡ／Ｄ変換する入力部と、
前記入力部においてデジタルデータに変換された検出信号をグラフ化して波形画像を生成する波形画像生成部と、
各々の前記センサが正常状態である条件の下で波形画像生成部で生成された波形画像、ならびに当該波形画像に関する品質情報を共に入力して両者を結び付けたモデルデータを生成するモデルデータ生成部と、
前記モデルデータ生成部で生成されたモデルデータを記憶するモデルデータ記憶部と、
前記モデルデータ記憶部に記憶されているモデルデータを読み込み、機械学習により波形画像から品質を分類する学習済モデルを構築するモデル生成部と、
前記モデル生成部で生成された学習済モデルを記憶する学習済モデル記憶部と、
前記波形画像生成部により製品の製造過程において前記センサで検出して得られる波形画像を判定対象とし、判定対象となる前記波形画像を前記学習済モデル記憶部に記憶された学習済モデルへ入力し、前記製品の正常および異常を判定する推論部と、を備える。
　また、本願に開示される射出成形装置は、
金型と、前記金型に対して樹脂材料を射出充填するための機構を備えた射出部と、前記射出部の射出動作ならびに前記金型の開閉動作を制御して一連の射出成形処理を実行する制御部と、前記計測装置とを備え、前記センサは、少なくとも前記金型または前記射出部に実装されている。
　また、本願に開示される計測方法は、
製品の品質判定の比較対象とするために、各センサが正常状態で良品が成形される条件の下で得られる波形画像と当該波形画像に対応する品質情報とを結び付けたモデルデータを作成するモデル蓄積モードと、
前記製品の製造過程において各センサの検出に基づいて得られる波形画像を判定対象とし、判定対象となる前記波形画像に対して、前記モデル蓄積モードで得られた前記モデルデータの波形画像を比較することで製品の品質を判定する品質判定モードと、を備える。
　また、本願に開示される計測方法は、
製品の品質判定の比較対象とするために、各センサが正常状態で良品が成形される条件の下で得られる波形画像と当該波形画像に対応する品質情報とを結び付けたモデルデータを作成するモデル蓄積モードと、
前記モデルデータを読み込み、機械学習により波形画像から品質を分類する学習済モデルを構築する学習モードと、
前記製品の製造過程において各センサで検出して得られる波形画像を判定対象とし、判定対象となる前記波形画像を前記学習済モデルへ入力し、前記製品の正常および異常を判定する品質判定モードと、を備える。
　本願に開示される計測装置、計測方法および射出成形装置によれば、波形画像の全体の形状を判断材料に用いて製品の品質の良否、周辺機器の異常の有無を判定することで、従来よりも判定結果の精度が高まり、判定結果の信頼度を向上させることができる。
実施の形態１の射出成形計測システムの構成を示すブロック図である。 実施の形態１の射出成形装置の構成を示した説明図である。 実施の形態１の射出成形装置による射出成形プロセスを示したフローチャートである。 実施の形態１の射出成形装置による射出成形プロセスを示したフローチャートである。 実施の形態１の計測装置のブロック図である。 実施の形態１の波形画像の類似度による品質判定処理を示すフローチャートである。 実施の形態１の波形画像の類似度による品質判定処理を示すフローチャートである。 実施の形態１の波形画像生成部で生成されるグラフの一例を示す説明図である。 実施の形態１のモデルデータ生成部で生成されるモデルデータの説明図である。 実施の形態１の圧力波形によるショートショット、フローマークまたはヒケ不良判定の説明図である。 実施の形態１の圧力波形によるランナーバランス悪化判定の説明図である。 実施の形態２の波形画像生成部で生成されるグラフの一例を示す説明図である。 実施の形態２のモデルデータ生成部で生成されるモデルデータの説明図である。 実施の形態３の計測装置のブロック図である。 実施の形態３の波形画像の機械学習による品質判定処理を示すフローチャートである。 実施の形態３の波形画像の機械学習による品質判定処理を示すフローチャートである。 実施の形態３の機械学習で使用されるニューロンネットワークの例を示す図である。 本願の実施の形態による波形画像生成部、モデルデータ生成部、画像比較部、モデル生成部、推論部および制御部のハードウエアの一例を示すブロック図である。
　本願の内容の説明に当たり、以下の実施の形態では、製造装置として射出成形装置を、製造計測システムとして射出成形計測システムを、例に挙げて説明するが、本願は、このような射出成形装置を含む射出成形計測システムのみに限定されるものではない。
実施の形態１．
　＜射出成形計測システムの構成例＞
　本願の実施の形態となる射出成形装置１およびその計測装置２を含む射出成形計測システム１００全体の構成について説明する。
　図１は、射出成形計測システム１００の構成を示したブロック図である。この射出成形計測システム１００は、射出成形装置１、計測装置２、アンプ３、表示装置４、および成形品品質入力部５で構成されている。
　射出成形装置１は、一般的に所定位置に配置される金型１０、金型１０に対して樹脂材料を射出充填するための機構を備えた射出部１１、および射出部１１の射出動作ならびに金型１０の開閉動作等を制御して一連の射出成形処理を実行する制御部１２で構成されている。
　制御部１２は、例えばＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）を有するマイクロコンピュータで構成されている。
　金型１０内にはセンサ３０が実装されている。この場合のセンサ３０としては、例えば充填された樹脂材料の温度を検出する温度センサ、樹脂材料の圧力を検出する圧力センサなどが挙げられる。また、射出部１１内にはセンサ３１が実装されている。この場合のセンサ３１としては、例えば樹脂材料の温度を検出する温度センサ、樹脂圧力を検出する圧力センサなどが挙げられる。
　上記の各センサ３０、３１には、それぞれ対応してアンプ３が接続されている。アンプ３は、各センサ３０、３１からの検出信号として例えばアナログ電圧信号が入力されると、アンプ３内で電圧信号を規格化して計測装置２へ出力する。
　計測装置２は、例えばＣＰＵを有するマイクロコンピュータおよび不揮発性メモリ等により構成される。なお、計測装置２の詳細な構成については後述する。
　表示装置４は、例えば液晶ディスプレイなどであり、計測装置２から入力された情報を作業者が視覚的に認識できるように表示する。
　成形品品質入力部５は、射出成形された成形品の品質を測定した結果を入力するインターフェース、およびその品質情報を計測装置２へ出力する機構を備える。
　計測装置２に対してどのような検出信号入力を行うかは、実際の射出成形装置１の構造、種別、成形品形状、搭載するセンサの数、実行したい計測、監視の内容などに応じて適宜決められる。また、図１では図示していないが、射出成形装置１の周辺機器、例えば金型温度調節用の温調機、樹脂材料乾燥用の材料乾燥機などにも各種のセンサが設けられる場合があり、それらのセンサの検出信号を計測装置２に入力することも想定されている。
　射出成形装置１の制御部１２と計測装置２との間は、各種の通信が可能とされる。制御部１２から計測装置２への通信Ｃ１０としては、例えば射出成形の１サイクルの開始、終了のタイミングを通知する信号などが挙げられる。一方、計測装置２から制御部１２への通信Ｃ２０としては、例えば異常発生時のアラーム信号、金型１０および射出部１１の制御信号などが挙げられる。
〈射出成形装置の構成例〉
　次に、本願の実施の形態となる射出成形装置１の構成について説明する。
　図２は、射出成形装置１の構成を示した説明図である。
　図２において、金型１０は、固定側金型１０１と可動側金型１０２を備え、固定側金型１０１と可動側金型１０２の間にはキャビティ１０５を有している。金型１０は、射出成形装置１の型締め機構１０６に取り付けられており、型締め機構１０６の動きと連動して可動側金型１０２が図２の左右方向に動くことにより金型１０が開閉する。
　金型１０は、金型温度調節装置１３と冷却配管１３１を介して接続されている。金型１０は、金型温度調節装置１３から冷却配管１３１を通して送られてくる一定温度の冷却水と熱交換させることにより、金型１０の温度を一定に保たせる。
　射出成形装置１内に取り付けられている射出部１１は、図２の左右方向に動くことで金型１０と接続したり、金型１０との接続を解除したりすることができる（一般にノズルタッチ・ノズルバックと呼ばれる）。
　材料乾燥・輸送装置１５で乾燥された樹脂材料は、風圧によって材料ホース１５１の中を通り射出部１１のホッパ１１１に輸送される。
　射出部１１は、主に、ホッパ１１１と、シリンダ１１２と、スクリュ１１３と、スクリュ駆動部１１４と、ヒータ１１５と、射出ノズル１１６を備える。
　ホッパ１１１は、材料乾燥・輸送装置１５から輸送されてくる樹脂材料を貯蔵する。ホッパ１１１は、シリンダ１１２に接続され、樹脂材料をシリンダ１１２の中空部１１２ａに供給する。
　シリンダ１１２は、両方の端部が開口する筒形状となっており、シリンダ１１２の中空部１１２ａは、シリンダ１１２の両端部との間に延在する。
　シリンダ１１２の外周面にはヒータ１１５が設けられており、ヒータ１１５は、シリンダ１１２の中空部１１２ａの樹脂材料を加熱する。樹脂材料には、ヒータ１１５の熱だけでなく、スクリュ１１３の回転によって生じる摩擦熱なども加わる。
　シリンダ１１２の中空部１１２ａには、スクリュ１１３が配置される。スクリュ１１３は、スクリュ駆動部１１４によってシリンダ１１２が延在する方向（図２の左右方向）に移動するとともに、回転する。スクリュ１１３を回転させることで、ホッパ１１１から供給される樹脂材料を射出ノズル１１６側に送ることができる。
　シリンダ１１２の端部には、射出ノズル１１６が設けられており、射出ノズル１１６から金型１０に向かって樹脂材料を射出する。
〈射出成形装置のセンサ〉
　図１で説明したセンサ３０、３１は、図２に示す射出成形装置の、金型１０、射出部１１、金型温度調節装置１３、冷却配管１３１、材料乾燥・輸送装置１５、材料ホース１５１などに実装される。特に、センサ３０、３１を金型１０または射出部１１に実装する場合は、高温高圧に耐えられるセンサを用いる必要がある。
　センサ３０、３１は、使用目的によって選定し、適切な位置に実装することが重要である。
　金型１０において、バリ、オーバーパック、ショートショット等の検出を目的とする場合、双葉電子工業社製の歪ゲージ式圧力センサ（型番：ＳＳＥシリーズ、ＳＳＢシリーズ等）、またはキスラー社製の水晶式圧力センサ（型番：６１５７Ｃ、９２１１Ｂ等）を用いる。金型１０のキャビティ１０５の中でも特にゲート直後に実装すると、ピーク圧が高く冷却が遅いので、長時間の情報が得られる（図２のセンサＳａ）。
　また、金型１０において、ヒケの検出を目的とする場合、双葉電子工業社製の歪ゲージ式圧力センサ（型番：ＳＳＥシリーズ、ＳＳＢシリーズ等）、金型表面温度センサ（型番：ＳＴＦ０４．０×０８．０×０２６）、赤外線式樹脂温度センサ（型番：ＥＰＳＳＺＬシリーズ、ＥＰＳＳＺＴシリーズ等）を用い、圧力と温度の両方を組み合わせた特徴量を算出する。この場合は、金型１０のキャビティ１０５の中でもヒケの発生個所に歪ゲージ式圧力センサと赤外線式樹脂温度センサを実装する必要がある（図２のセンサＳａ）。金型表面温度センサに関しては、赤外線式樹脂温度センサのオフセット温度参照値として用いるため、ヒケの発生個所以外に実装しても問題ない（図２のセンサＳａ）。
　また、射出工程の樹脂流動挙動に関わる不良の検出を目的とする場合、ダイニスコ社製の歪ゲージ式圧力センサ（型番：ＮＰ４６５ＸＬシリーズ、ＮＰ４００シリーズ等、材質：インコネル７１８）を用いる。スクリュ１１３の先端よりもホッパ１１１側は圧力がかからないため、射出完了時のスクリュ１１３先端より射出ノズル１１６側に実装する必要がある（図２のセンサＳｂ）。
　また、可塑化安定性の観察を目的とする場合、ダイニスコ社製の歪ゲージ式圧力センサ（型番：ＮＰ４６５ＸＬシリーズ、ＮＰ４００シリーズ等、材質：インコネル７１８）と双葉電子工業社製の赤外線式樹脂温度センサ（型番：ＥＰＳＳＺＬシリーズを取付治具に溶接したもの）を用いる。スクリュの圧縮部に実装することで、樹脂圧力が上昇する過程を測定することができる（図２のセンサＳｃ）。
　また、金型１０の温調安定性の観察を目的とする場合は、市販の熱電対と流量計を用いる。冷却配管１３１の表面に貼り付けたり、冷却配管１３１の端部と接続したりする（図２のセンサＳｄ）。
　また、材料の乾燥状態または詰まり具合に関わる不良の検出を目的とする場合は、市販の熱電対または水分量計を用いる。図２のセンサＳｅの位置に実装する。
　また、金型温度調節装置１３、材料乾燥・輸送装置１５等の機器の保守メンテナンスを目的とする場合は、振動センサなどを用いる。機器の中でも特に駆動部などに実装する（図２のセンサＳｆ）。
　次に、本願の実施の形態となる射出成形装置１を用いた射出成形プロセスについて説明する。
　図３および図４は、実施の形態１の射出成形装置による射出成形プロセスを示したフローチャートである。図３および図４において、符号Ｓは処理ステップを意味する。
　ステップＳ１００にて射出成形プロセスを開始したら、まず、ステップＳ１０１にて材料を材料乾燥・輸送装置１５で乾燥する。
　次に、ステップＳ１０２にて、射出部１１のヒータ１１５でシリンダ１１２を加熱する。
　次に、ステップＳ１０３にて、金型１０を射出成形装置１の型締め機構１０６に取り付ける。
　次に、ステップＳ１０４にて、金型１０を金型温度調節装置１３で加熱する。
　次に、材料乾燥・輸送装置１５にて材料の乾燥が完了したら（ステップＳ１０１）、ステップＳ１０５にて、材料を材料乾燥・輸送装置１５で射出部１１に輸送する。
　次に、ステップＳ１０６にて、射出部１１と金型１０を接続しない状態（ノズルバック）で材料を加熱し、金型１０外に射出する（一般にパージと呼ばれる）。
　次に、ステップＳ１０７にて、射出部１１を移動させて金型１０と接続する（ノズルタッチ）。
　以上の工程が成形サイクルに入る前の段取りである。成形サイクル（ステップＳ１０８）においては、以下の一連の工程が制御部１２による制御により自動で実行される。
　まず、ステップＳ１０９にて、金型１０が閉じられると同時に制御部１２から計測装置２に射出成形の１サイクルの開始を通知する信号が送信され、計測装置２による測定が開始される。
　次に、ステップＳ１１０にて、型閉じ完了後、材料が金型１０内に射出される。
　次に、ステップＳ１１１にて、材料が金型１０内で冷却される。
　次に、ステップＳ１１２にて、金型１０が開かれる。測定終了のタイミングは、測定開始から一定時間が経過したタイミングまたは制御部１２から計測装置２に１サイクルの終了のタイミングを通知する信号が送られたタイミングなどが考えられる。
　量産においては、成形サイクルは複数回自動で実行されるが、作業者などによって成形が停止されれば射出成形プロセスが終了する（ステップＳ１１３、Ｓ１１４）。
＜計測装置の構成＞
　図５は計測装置２の内部構成を示すブロック図である。
　計測装置２は、入力部２０、波形画像生成部２１、モデルデータ生成部２２、モデルデータ記憶部２３、および画像比較部２４を備える。
　ここに、上記の入力部２０は、複数チャネルの検出信号が入力可能であり、チャネルごとに各センサ３０、３１からの検出信号の電圧値（アナログデータ）をデジタルデータに変換して波形画像生成部２１に出力する処理を行う。
　波形画像生成部２１は、例えばＣＰＵを有するマイクロコンピュータにより構成される。そして、射出成形処理の１サイクルごとに得られる各々のセンサ３０、３１からの検出信号に基づき、横軸を時間、縦軸を検出信号の強度とした波形のグラフを各センサ３０、３１に対して１枚ずつ作成し、このグラフを波形画像に変換する処理を行う。
　また、波形画像生成部２１には、波形画像生成部２１で生成された波形画像に対する後述する２つの計測モードに応じて、当該波形画像の出力先を切り替えるスイッチ２５が設けられている。
　ここに、上記の２つの計測モードの内の１つは、モデル蓄積モードと称するものであり、射出成形品の品質判定の比較対象とするため、各センサ３０、３１が正常状態で良品が成形される条件の下で得られる波形画像とこの波形画像に対応する品質情報とを結び付けたモデルデータを作成するモードである。他の１つは、品質判定モードと称するものであり、射出成形品の成形過程において各センサ３０、３１の検出に基づいて波形画像生成部２１で得られる波形画像を判定対象とし、これに対して、モデル蓄積モードで得られたモデルデータの波形画像を比較することで射出成形品の品質を判定するモードである。
　そして、スイッチ２５でモデル蓄積モードが設定された場合には、波形画像生成部２１は、生成した波形画像をモデルデータ生成部２２に出力する。また、スイッチ２５で品質判定モードが設定された場合には、生成した波形画像を画像比較部２４に出力する。
　モデルデータ生成部２２は、例えばＣＰＵを有するマイクロコンピュータにより構成されている。そして、モデルデータ生成部２２は、モデル蓄積モードにおいて、波形画像生成部２１から入力された波形画像、および成形品品質入力部５から入力されるこの波形画像に対応する成形品の品質情報を互いに結び付けたモデルデータを生成し、そのモデルデータをモデルデータ記憶部２３に出力する処理を行う。
　モデルデータ記憶部２３は、例えば不揮発性メモリ等で構成されており、モデルデータ生成部２２でモデル蓄積モードにおいて生成されたモデルデータを順次記憶する処理を行う。さらに、スイッチ２５で品質判定モードが選択された場合においては、画像比較部２４からの要求に応じてモデルデータを画像比較部２４に出力する処理を行う。
　一方、画像比較部２４は、例えばＣＰＵを有するマイクロコンピュータにより構成されている。そして、画像比較部２４は、品質判定モードにおいて、波形画像生成部２１により、射出成形品の成形過程において各センサ３０、３１で検出して得られる波形画像を判定対象とし、これに対してモデルデータ記憶部２３に記憶されているモデルデータの波形画像と比較して両者の波形画像の類似度を算出する処理を行う。さらに、類似度が最も高いモデルデータの品質情報、ならびに波形画像を表示装置４に出力し、品質情報が異常の場合には射出成形装置１に対して異常信号を出力する処理を行う。
＜波形画像の類似度による判定処理＞
　この実施の形態１の計測装置２において実施する、波形画像の類似度による品質判定処理の内容について、図６および図７に示すフローチャートを参照して説明する。なお、図６および図７の符合Ｓは、各処理ステップを意味する。
　波形画像の類似度により異常を判定するに当たり、先ず、正常時と異常時の波形画像をそれぞれ取得しておく必要がある。異常時の中でも、特に成形品の各種の成形不良について、その波形画像を取得し、この波形画像と対応する成形品品質入力部５から取り込んだ品質情報を予め紐づけておく必要がある。なお、図１または図５には示していないが、成形品品質入力部５から品質情報を入力する代わりに、射出成形装置１、また周辺機器の異常情報などを入力することも想定されている。
　本計測システムの導入時、あるいは射出成形装置１の機種変更時のように、成形環境が変更された場合には、先ずモデル蓄積モードによりモデルデータを蓄積する。すなわち、図２に示す波形画像生成部２１に対して、スイッチ２５によりモデル蓄積モードを設定して測定を開始する。そして、前述のように、このモデル蓄積モードにおいて、各センサ３０、３１が正常状態で良品が成形される条件の下で得られた波形画像と品質情報（異常情報を含む）とを紐づけたデータであるモデルデータを作成する。
　そのために、先ず、射出成形装置１は、射出工程を開始する際、射出開始信号を計測装置２に出力する。計測装置２は射出開始信号が入力されたら測定を開始する。金型１０内のセンサ３０、および射出部１１内のセンサ３１は常時信号を検出し、それぞれに接続されたアンプ３に検出信号、例えばアナログ電圧信号を出力する。
　アンプ３は、入力された検出信号を例えば規格化されたアナログ電圧等に変換し、計測装置２の入力部２０に出力する（ステップＳ１）。計測装置２の入力部２０は、入力された検出信号を設定されたサンプリング周期に応じてＡ／Ｄ変換し、波形画像生成部２１に出力する（ステップＳ２）。
　波形画像生成部２１は、デジタルデータに変換された検出信号につき、射出成形処理の１サイクル分を記憶して横軸を射出開始からの時間、縦軸を検出信号の強度としたグラフを作成する。図８は波形画像生成部２１により作成されたグラフの１例を示す。グラフは、射出成形処理の１サイクルにつき各センサ３０、３１から得られる検出信号に対して、センサ３０、３１ごとにそれぞれ１枚ずつ作成し、このグラフを画像に変換して波形画像を生成する（ステップＳ３）。
　以下にグラフ化のための詳細な手順について説明する。
　デジタルデータに変換された検出信号を表計算ソフトと同様な機能を持つソフトウェアを用いて読み込み、横軸に射出開始からの時間、縦軸にセンサの信号強度を取ったグラフを作成する。
　グラフの横軸の範囲は、０秒から射出成形処理が終了する１サイクルタイムまでとする。縦軸の範囲はグラフ全体がプロットエリア範囲内に入るように、予め作業者がセンサ３０、３１ごとに設定した範囲とする。例えば、プロットエリアの一辺が３００ピクセル以上の正方形となるようにする。また、グラフの線幅はプロットエリアの一辺の１／２００～１／１００程度となるようにする。グラフのサイズが大きいほど判定精度が向上するが、データ容量が大きくなる。また、グラフの線幅が小さいほど、画像比較部２４において波形画像の類似度を算出する際に微小な波形形状のずれも検出できるようになるが、線幅が小さすぎると成形バラツキによる波形形状のずれでも類似度が変化してしまい、成形バラツキによる類似度変化と正常／異常による類似度変化の判別が難しくなる。このように、グラフの線幅を調整することにより品質判定の感度を調整することができる。
　次に、波形画像生成部２１は、作成したグラフを表示装置４に出力する。表示装置４は、このグラフをディスプレイに表示すると同時に、そのグラフ部分のスクリーンショットを取得することでグラフを波形画像に変換する。この場合、波形画像のサイズは、例えばグラフ作成時と同じくプロットエリアの一辺が３００ピクセル以上の正方形となるようにする。なお、波形画像生成部２１は、作成したグラフを表示装置４に出力せずに、波形画像生成部２１でグラフ画像データを生成するようにすることも可能である。
　引き続いて、波形画像生成部２１は、スイッチ２５で設定された計測モードがモデル蓄積モードか品質判定モードのいずれであるかを判定する（ステップＳ４）。この時、既にモデル蓄積モードに設定されている場合には、波形画像生成部２１は生成した波形画像をモデルデータ生成部２２に出力する（ステップＳ５）。その際、成形品品質入力部５は、波形画像に対応する成形品の品質情報をモデルデータ生成部２２に出力する。
　モデルデータ生成部２２は、波形画像、品質情報、サイクル数、センサ番号などの情報をそれぞれ対応付けて結合し、図９に示すように、１つの波形画像に対して品質情報等を紐付けたモデルデータをファイルとして１つずつ生成する。そして、モデルデータ生成部２２は、生成したモデルデータをモデルデータ記憶部２３に出力する（ステップＳ６）。モデルデータ記憶部２３は、入力されたモデルデータを順次記憶する（ステップＳ７）。
　この一連の流れを繰り返して、判定の比較対象となるモデルデータを蓄積していく（ステップＳ１～ステップＳ７）。
　品質判定に必要となるのに十分なだけのモデルデータが蓄積されたならば、それらのモデルデータを比較対象として、射出成形品の品質を判定するとともに周辺機器の異常を判定するための品質判定モードへ移行する。そのために、スイッチ２５を品質判定モードに設定して測定を開始する（ステップＳ４）。
　品質判定モードにおいて、波形画像生成部２１は、通常の射出成形品の成形過程において各センサ３０、３１で検出して生成した波形画像を画像比較部２４に出力する（ステップＳ８）。また、その際、画像比較部２４は、前述のモデルデータ生成部２２の処理（ステップＳ１～ステップＳ７）によりモデルデータ記憶部２３に予め記憶されているモデルデータを１ファイル分読み込み（ステップＳ９）、波形画像生成部２１で得られる判定対象となる波形画像との類似度を算出する（ステップＳ１０）。
　類似度の算出方法としては、例えばテンプレートマッチングの手法の一つであるＳＡＤ（Ｓｕｍ　ｏｆ　Ａｂｓｏｌｕｔｅ　Ｄｉｆｆｅｒｅｎｃｅｓ）、あるいはＳＳＤ（Ｓｕｍ　ｏｆ　Ｓｑｕａｒｅｄ　Ｄｉｆｆｅｒｅｎｃｅ）などを適用することができる。この手法は画素値の差分の二乗和で類似度を評価し、「０」に近いほど類似度が大きいと判断できる。ＳＡＤ、あるいはＳＳＤを用いることで、上記の通りグラフの線幅による感度調整が可能となる。
　テンプレートマッチングの他の手法として、ＮＣＣ（Ｎｏｒｍａｌｉｚｅｄ　Ｃｒｏｓｓ　Ｃｏｒｒｅｌａｔｉｏｎ）があるが、計算が複雑になるとともに、ＮＣＣのメリットである明るさの変化に強いという点を白黒画像である波形画像に対して十分に活かすことができないため、ここでは推奨されない。また、他の類似度算出方法としては、画像のヒストグラムを比較する方法が挙げられるが、波形画像全体の面積に対して波形の線が占める面積は、波形形状が変化してもほとんど変化しないため、類似度に変化が現れない。よって、ヒストグラム比較による方法は、本測定に用いることができない。
　引き続いて、センサ３０、３１ごとの全てのモデルデータに対する類似度の算出が終了したかどうかを判定する（ステップＳ１１）。このとき、全てのモデルデータに対する類似度の算出が終了していないならば、ステップＳ９に戻り、モデルデータ記憶部２３から次のモデルデータを読み込み、判定対象の波形画像との類似度を算出する。これを繰り返し、センサ３０、３１ごとの全てのモデルデータに対する類似度を算出する。
　センサ３０、３１ごとの全てのモデルデータに対する類似度の算出が終了したならば（ステップＳ１１）、次に、画像比較部２４は、算出した類似度の中で最も類似度が大きかったモデルデータの品質情報を読み込む（ステップＳ１２）。続いて、画像比較部２４は、この品質情報が実装されている全てのセンサ３０、３１で正常であるかどうかを判断する（ステップＳ１３）。このステップＳ１３で、この品質情報が、実装されている全てのセンサ３０、３１について良品（正常）であった場合、ステップＳ１に戻り、次のサイクルの測定を開始する。
　一方、品質情報が良品以外（異常）を示すセンサがあった場合、画像比較部２４は、射出成形機の制御部１２に対して異常信号を出力する（ステップＳ１４）。また、表示装置４に対してセンサ異常に対応する品質情報、ならびにその周辺情報（例えば異常の修復方法など）を表示する（ステップＳ１５）。
　異常があった場合、この時点で測定を終了する。また、モデルデータに存在しないような異常が発生した場合、あるいは複数の異常が同時に発生した場合には、いずれのモデルデータの波形であっても類似度が近くならない。全てのモデルデータに対する類似度が予め設定した閾値以下となった場合には、射出成形装置１の制御部１２に対して異常信号を出力する。また、表示装置４に対して原因不明な不良が発生していること、ならびに、追加でモデルデータの蓄積が必要であることを表示し、この時点で測定を終了する。
　なお、この実施の形態１において、モデル蓄積モードでは正常時のモデルデータのみを蓄積し、品質判定モードでは異常の種類までは判定せず、正常か異常かのみを判定することも可能である。
　本手法による品質判定の具体例について、次に説明する。
　ここでは、一例として、金型温度調節装置１３の故障に起因してショートショット、フローマークまたはヒケ不良が発生した場合の波形変化に伴なって波形画像の類似度に変化が表れる理由を説明する。次に、バリまたはオーバーパック不良が発生した場合の波形変化に伴って波形画像の類似度に変化が表れる理由を説明する。次に、ガスベント詰まりに起因してランナーバランスが悪化した場合の波形変化に伴い波形画像の類似度に変化が表れる理由を説明する。最後に、金型温度調節装置１３の故障およびガスベント詰まりという、これら２つの不良を判定するためのモデルデータ蓄積方法および品質判定方法を説明する。
　先ず、金型温度調節装置１３の故障に起因してショートショット、フローマークまたはヒケ不良が発生した場合の波形変化に伴い類似度に変化が表れる理由を説明する。
　本事例においては、金型温度調節装置１３の冷却水温度は、正常時は７０℃である。しかし、金型温度調節装置１３のヒータが故障した場合、冷却水の温度は室温（２５℃）となる。このような異常が発生した場合、ショートショット、フローマークまたはヒケ不良は、共に正常時と比較して悪化したことを確認した。
　図１０に、正常時の波形（実線）と異常時の波形（破線）を併記した圧力波形を示す。
　異常時は最大値が正常時より低く、かつ最大値に到達した後の減衰速度が正常時より速い。これを波形画像として分析する場合、波形を構成する画素の位置が重なっていないほど類似度が小さくなる。２つの波形を構成する画素の位置を比較すると、最大値に到達した後の部分で画素の位置が一致していない。この部分の影響で類似度が変化するため、ショートショット、フローマークまたはヒケ不良を判定することができる。なお、圧力波形を監視することで、金型温度調節装置１３の故障以外にも、季節、あるいは地域間での気温差により金型温度が変化する場合においても異常を判定することができる。
　次に、バリまたはオーバーパック不良が発生した場合の波形変化に伴い類似度に変化が表れる理由を説明する。
　図１０に、正常時の波形（実線）と異常時（一点鎖線）を併記した圧力波形を示す。
　異常時は最大値が正常時より高い。これを波形画像として分析する場合、波形を構成する画素の位置が重なっていないほど類似度が小さくなる。２つの波形を構成する画素の位置を比較すると、最大値に到達した後の部分で画素の位置が一致していない。この部分の影響で類似度が変化するため、バリまたはオーバーパック不良を判定することができる。
　次に、ガスベント詰まりに起因してランナーバランスが悪化した場合の波形変化に伴い類似度に変化が表れる理由を説明する。
　図１１に、正常時の波形（実線）と異常時の波形（破線）を併記した圧力波形を示す。
　マルチゲート金型において、ある１つのキャビティのガスベントが詰まると、金型１０内に閉じ込められた空気圧により、流入しようとする樹脂が押し戻され、そのキャビティについてのみ、樹脂が流入するタイミングが遅くなると考えられる。また、他のキャビティが充填された後にガスベントが詰まったキャビティに対して樹脂が流入するため、樹脂の流入量が集中し、波形の立ち上がり部分の傾きが大きくなると考えられる。したがって、正常時と異常時の２つの波形画像を構成する画素の位置を比較すると、正常時の波形が立ち上がったタイミング以降の画素の位置が一致していない。この部分の影響で類似度が変化するため、ランナーバランスの悪化を判定することができる。
　最後に、金型温度調節装置１３の故障およびガスベント詰まりという、上記２つの不良を判定するためのモデルデータ蓄積方法、ならびに品質判定方法について説明する。
　先ず、モデル蓄積モードにおいて、金型温度調節装置１３の設定を２５℃以上７０℃未満の間で段階的に温度設定した場合の波形画像を取得し、品質情報「ショートショット、フローマークまたはヒケ不良」と結び付けてモデルデータ記憶部２３に保存しておく。また、金型温度調節装置１３の設定を７０℃に設定した場合の波形画像を取得し、品質情報「良品」と結び付けてモデルデータ記憶部２３に保存しておく。
　次に、ガスベント詰まりが発生した金型１０における波形画像を取得し、品質情報「ランナーバランス悪化」と結び付けてモデルデータ記憶部２３に保存しておく。次に、ガスベント詰まりをメンテナンスにより解消した後の波形画像を取得し、品質情報「良品」と結び付けてモデルデータ記憶部２３に保存しておく。以上がモデルデータ蓄積方法である。
　この状態で、モデル蓄積モードから品質判定モードに切り替える。正常の場合、品質情報「良品」の波形画像との類似度が最も高くなる。金型温度調節装置１３が故障した場合、金型温度調節装置１３の設定が２５℃以上７０℃未満の波形画像のいずれかとの類似度が最も高くなる。その場合は、成形機には異常信号が出力され、表示装置４には品質情報「ショートショット、フローマークまたはヒケ不良」の表示に加えて、改善方法「金型温度調節装置の状態を確認してください」が表示される。
　ガスベント詰まりが発生した場合、ガスベント詰まり発生時の波形画像との類似度が最も高くなり、成形機には異常信号が出力され、表示装置４には品質情報「ランナーバランス悪化」の表示に加えて、改善方法「ガスベントをメンテナンスしてください」が表示される。
　また、モデルデータに存在しないような異常が発生した場合、あるいは複数の異常が同時に発生した場合には、いずれの波形画像とも類似度が近くならない。全てのモデルデータに対する類似度がある閾値以下となった場合には、成形機には異常信号が出力され、表示装置４には品質情報「その他の不良」の表示に加えて、改善方法「原因を究明してください。追加でモデルデータを蓄積してください。」が表示される。
　以上のように、この実施の形態１では、射出成形品から得られる波形画像の全体の形状を判断材料として用いて射出成形品の品質の良否、周辺機器の異常の有無を判定するので、従来よりも判定結果の精度が高まり、判定結果の信頼度を向上させることが可能となる。
実施の形態２．
　実施の形態１では、射出成形処理の１サイクル内で各センサ３０、３１から得られる検出信号に対してセンサ３０、３１ごとに１枚ずつ波形画像の元となるグラフを生成し、最も類似度が高いモデルデータに該当する品質情報を読み込むことで、異常の種類を判別した。しかし、この手法であると、センサ３０、３１の個数が多い場合には、これに伴いモデルデータのデータ容量が膨大になってしまい、モデルデータ記憶部２３内の記憶容量を大きくする必要があり、コスト高になる。
　そこで、この実施の形態２では、射出成形処理の１サイクルごとに得られる各センサ３０、３１からの検出信号に基づく複数の波形画像を１画面内に集約することで、データ容量を削減するようにしたものである。なお、計測システムの構成および計測装置２の構成は、基本的に実施の形態１と同じであるので、ここでは詳しい説明は省略する。
＜波形画像の類似度による判定処理＞
　この実施の形態２の計測装置２において実施する波形画像の類似度による品質判定処理の内容について、図６および図７に示すフローチャートを参照して説明する。ただし、ここでは、実施の形態１の場合と異なる処理内容の部分のみに着目して説明する。
　本計測システムの導入時、あるいは射出成形装置の機種変更時のように、成形環境が変更された場合には、先ず、波形画像生成部２１に対してスイッチ２５によりモデル蓄積モードを設定して測定を開始する。
　波形画像生成部２１は、各センサ３０、３１からの検出信号を射出成形処理の１サイクル分を同時に記憶し、センサ３０、３１ごとに横軸を射出開始からの時間、縦軸をセンサ３０、３１の信号強度としたグラフを作成する（ステップＳ１～Ｓ３）。図１２に波形画像生成部２１にて生成したグラフの１例を示す。
　この実施の形態２では、実施の形態１のように、射出成形処理の１サイクルにつき各センサ３０、３１から得られる検出信号に対してそれぞれ１枚ずつ波形のグラフを作成するのではなく、射出成形処理の１サイクルにつき各センサ３０、３１から得られる検出信号に基づく複数の波形のグラフを１画面内に集約して１枚の画像として描画する（ステップＳ３）。
　グラフの横軸の範囲は０秒から射出成形処理が終了する１サイクルタイムまでとする。また、縦軸の範囲はそれぞれのセンサ３０、３１のグラフがプロットエリア範囲内に入るように予め作業者がセンサ３０、３１ごとに設定した範囲とする。それぞれの波形で異なる縦軸の範囲を設定することも可能である。また、同種のセンサが複数実装されている場合、波形がほぼ同じ位置に重なってしまうため、重ならないように縦軸方向にオフセットをかけるよう予め設定しておく。また、プロットエリアの一辺が３００ピクセル以上の正方形となるようにし、グラフの線幅はプロットエリアの一辺の１／２００～１／１００程度となるようにする。グラフの線幅を調整することにより品質判定の感度を調整することができる。
　次に、波形画像生成部２１は、作成したグラフを表示装置４に出力する。表示装置４は、このグラフをディスプレイに表示すると同時に、そのグラフ部分のスクリーンショットを取得することでグラフを波形画像に変換する。この場合、波形画像のサイズは、グラフ作成時と同じく、プロットエリアの一辺が３００ピクセル以上の正方形となるようにする。また、表示装置４に出力せずに、波形画像生成部２１でグラフ画像データを生成するようにすることも可能である。
　また、モデル蓄積モードにおいては、波形画像生成部２１は生成した波形画像をモデルデータ生成部２２に出力する（ステップＳ５）。その際、成形品品質入力部５は、波形画像に対応する成形品の品質情報をモデルデータ生成部２２に出力する。モデルデータ生成部２２は、波形画像と品質情報、サイクル数などの情報をそれぞれ対応付けて結合し、図１３に示すように、複数の波形を含む１枚の画像に品質情報等を紐付けたモデルデータをファイルとして１つずつ生成する。そして、モデルデータ生成部２２は、生成したモデルデータをモデルデータ記憶部２３に出力する（ステップＳ６）。モデルデータ記憶部２３は入力されたモデルを順次記憶する（ステップＳ７）。
　この一連の流れを繰り返し、判定の比較対象となるモデルデータを蓄積していく（ステップＳ１～ステップＳ７）。
　品質判定に必要となる十分なだけのモデルデータが蓄積されたらば、スイッチ２５を品質判定モードに設定して測定を開始する。この品質判定モードにおいて、波形画像生成部２１は、通常の射出成形品の成形プロセスにおいて各センサ３０、３１で検出して生成した波形画像を画像比較部２４に出力する（ステップＳ８）。また、その際、画像比較部２４は、モデルデータ記憶部２３からモデルデータを１ファイル分読み込み（ステップＳ９）、判定対象の波形画像との類似度を算出する（ステップＳ１０）。算出方法としては、実施の形態１と同様、例えばテンプレートマッチングの一つであるＳＡＤ、あるいはＳＳＤなどが挙げられる。「０」に近いほど類似度が大きいと判断する。
　この判定処理が終了すると、その後、モデルデータ記憶部２３から次のモデルデータを読み込み、判定対象の波形画像との類似度を算出する。これを繰り返し、全てのモデルデータに対する類似度を算出する。
　その他の波形画像の類似度による判定処理については、実施の形態１の場合と同様であるから、ここでは詳しい説明は省略する。
　以上のように、この実施の形態２は、モデル蓄積モードにおいて射出成形処理の１サイクルにつき１画面内に各センサ３０、３１から得られる検出信号に基づく複数の波形を集約して１枚のグラフとして作成するので、実施の形態１と比較して、モデルデータ記憶部２３内の記憶容量を削減することができるメリットがある。
　一方、波形画像生成部２１において検出信号をグラフ化する際に、グラフ同士が重ならないように、オフセット値を予め調整する手間が発生する。また、実施の形態１では、センサ３０、３１ごとで異なるモデルデータファイルを生成するため、異常をどのセンサが検出したかを追跡することが容易であるのに対して、この実施の形態２では、波形画像のうち一致しなかった波形がどのセンサのものなのか、作業者が波形画像を見て判断しなければならない。
　実施の形態１と実施の形態２のどちらの形態を選択するかは、判定したい内容と実装されているセンサ３０、３１の種類、数から判断する必要がある。
　なお、この実施の形態２には、正常時のモデルデータのみ蓄積し、品質判定モードにおいて正常か異常かのみを判定する、すなわち異常の種類は判定しない形態も含まれる。
実施の形態３．
　実施の形態１および実施の形態２では、品質判定モードにおいて、波形画像生成部２１は、通常の射出成形品の成形過程において各センサ３０、３１で検出して生成した波形画像を画像比較部２４に出力する。また、その際、画像比較部２４は、前述のモデルデータ生成部２２の処理によりモデルデータ記憶部２３に予め記憶されているモデルデータを１ファイル分読み込み、波形画像生成部２１で得られる判定対象となる波形画像との類似度を算出する。
　しかしながら、この手法であると、通常の射出成形品の成形過程において１サイクルごとにモデルデータ記憶部２３に予め記憶されているモデルデータを全て読み込み、それぞれに対して類似度を算出する必要があるため、データの読み込み量と計算量が多くなる。そのため、各部をつなぐ通信網を高速にしたり、モデルデータ記憶部２３内の記憶容量を大きくしたりする必要があり、高コストになる。
　そこで、この実施の形態３では、あらかじめ機械学習によりモデルデータの波形画像から品質を分類する学習済モデルを構築しておき、通常の射出成形品の成形過程においては、その学習済モデルを基に品質の判定を行うことで、データの読み込み量と計算量を削減するようにしたものである。なお、計測システムの構成は基本的に実施の形態１と同じであるので、ここでは詳しい説明は省略する。
＜計測装置の構成＞
　この実施の形態３の計測装置２の構成について、図１４に基づき説明する。ただし、ここでは、実施の形態１の場合と異なる構成の部分のみに着目して説明する。
　図１４において、計測装置２は、入力部２０、波形画像生成部２１、モデルデータ生成部２２、モデルデータ記憶部２３、モデル生成部２６、学習済モデル記憶部２７、および推論部２８を備える。
　波形画像生成部２１に対しては、波形画像生成部２１で生成された波形画像に対する後述する３つのモードに応じて、当該波形画像の出力先を切り替えるスイッチ２５が設けられている。
　ここに、上記の３つの計測モードの内の１番目は、モデル蓄積モードと称するものであり、射出成形品の品質判定の比較対象とするため、各センサ３０、３１が正常状態で良品が成形される条件の下で得られる波形画像と、当該波形画像に対応する品質情報とを結び付けたモデルデータを作成するモードである。
　２番目は、学習モードと称するものであり、作成したモデルデータを読み込んで機械学習により波形画像から品質を分類する学習済モデルを構築するモードである。
　３番目は、品質判定モードと称するものであり、射出成形品の成形過程において各センサ３０、３１の検出に基づいて波形画像生成部２１で得られる波形画像を判定対象とし、これに対して、モデル蓄積モードで得られたモデルデータの波形画像を比較することで射出成形品の品質を判定するモードである。
　そして、スイッチ２５でモデル蓄積モードが設定された場合には、波形画像生成部２１は、生成した波形画像をモデルデータ生成部２２に出力する。また、スイッチ２５で品質判定モードが設定された場合には、波形画像生成部２１は、生成した波形画像を推論部に出力する。
　モデルデータ生成部２２は、例えばＣＰＵを有するマイクロコンピュータにより構成されている。そして、モデルデータ生成部２２は、モデル蓄積モードにおいて、波形画像生成部２１から入力された波形画像、および成形品品質入力部５から入力される当該波形画像に対応する成形品の品質情報を互いに結び付けたモデルデータを生成し、そのモデルデータをモデルデータ記憶部２３に出力する処理を行う。
　モデルデータ記憶部２３は、例えば不揮発性メモリ等で構成されており、モデルデータ生成部２２でモデル蓄積モードにおいて生成されたモデルデータを順次記憶する処理を行う。さらに、スイッチ２５で学習モードが選択された場合においては、モデル生成部２６からの要求に応じてモデルデータをモデル生成部２６に出力する処理を行う。
　モデル生成部２６は、例えばＣＰＵを有するマイクロコンピュータにより構成されている。そして、モデル生成部２６は、学習モードにおいて、モデルデータ記憶部２３に記憶されているモデルデータを読み込み、機械学習により波形画像から品質を分類するモデルを構築し、学習済モデルを学習済モデル記憶部２７に出力する処理を行う。
　学習済モデル記憶部２７は、例えば不揮発性メモリ等で構成されており、モデル生成部２６で学習モードにおいて生成された学習済モデルを記憶する処理を行う。さらに、スイッチ２５で品質判定モードが選択された場合においては、学習済モデル記憶部２７は、推論部２８からの要求に応じて学習済モデルを推論部２８に出力する処理を行う。
　推論部２８は、例えばＣＰＵを有するマイクロコンピュータにより構成されている。そして、推論部２８は、品質判定モードにおいて、波形画像生成部２１により、射出成形品の成形過程において各センサ３０、３１で検出して得られる波形画像を判定対象とし、これを学習済モデル記憶部２７に記憶されている学習済モデルに入力し、波形画像を分類することで品質を判定する処理を行う。さらに、判定した品質情報、ならびに波形画像を表示装置４に出力し、品質情報が異常の場合には射出成形装置１に対して異常信号を出力する処理を行う。
＜波形画像の品質判定処理＞
　計測装置２において実施する、波形画像の機械学習による品質判定処理の内容について、図１５および図１６に示すフローチャートを参照して説明する。ただし、ここでは、実施の形態１または実施の形態２の場合と異なる処理内容の部分のみに着目して説明する。
　波形画像の機械学習により異常を判定するに当たり、先ず、正常時と異常時の波形画像をそれぞれ取得しておく必要がある。異常の中でも、特に成形品の各種の成形不良について、その波形画像を取得し、この波形画像と対応する成形品品質入力部５から取り込んだ品質情報を予め紐づけておく必要がある。なお、実施の形態１の図１および図５、または実施の形態３の図１４には示していないが、成形品品質入力部５から品質情報を入力する代わりに、射出成形装置１、また周辺機器の異常情報などを入力することも想定されている。
　本願の計測システムの導入時、あるいは射出成形装置１の機種変更時のように、成形環境が変更された場合には、先ずモデル蓄積モードによりモデルデータを蓄積する。すなわち、波形画像生成部２１に対して、スイッチ２５によりモデル蓄積モードを設定して測定を開始する。そして、前述のように、このモデル蓄積モードにおいて、各センサ３０、３１が正常状態で良品が成形される条件の下で得られた波形画像と品質情報（異常情報を含む）とを紐づけたデータであるモデルデータを作成する。
　そのために、先ず、射出成形装置１は、射出工程を開始する際、射出開始信号を計測装置２に出力する。計測装置２は射出信号が入力されたら測定を開始する。金型１０内のセンサ３０、および射出部１１内のセンサ３１は常時信号を検出し、それぞれに接続されたアンプ３に検出信号、例えばアナログ電圧信号を出力する。
　アンプ３は、入力された検出信号を例えば規格化されたアナログ電圧等に変換し、計測装置２の入力部２０に出力する（ステップＳ１）。
　計測装置２の入力部２０は、入力された検出信号を設定されたサンプリング周期に応じてＡ／Ｄ変換し、波形画像生成部２１に出力する（ステップＳ２）。
　波形画像生成部２１は、デジタルデータに変換された検出信号につき、射出成形処理の１サイクル分を記憶して横軸を射出開始からの時間、縦軸を検出信号の強度としたグラフを作成する（ステップＳ３）。
　この実施の形態３では、実施の形態１のように、射出成形処理の１サイクルにつき各センサ３０、３１から得られる検出信号に対してそれぞれ１枚ずつ波形のグラフを作成する場合と、実施の形態２のように、射出成形処理の１サイクルにつき各センサ３０、３１から得られる検出信号に基づく複数の波形のグラフを１画面内に集約して１枚の画像として描画する場合が含まれる。その際のメリットとデメリットは前述のとおりである。
　以下では、実施の形態１のように、射出成形処理の１サイクルにつき各センサ３０、３１から得られる検出信号に対してそれぞれ１枚ずつ波形のグラフを作成する場合を例に、グラフ化のための詳細な手順について説明する。
　デジタルデータに変換された検出信号を表計算ソフトと同様な機能を持つソフトウェアを用いて読み込み、横軸に射出開始からの時間、縦軸にセンサの信号強度を取ったグラフを作成する。
　グラフの横軸の範囲は、０秒から射出成形処理が終了する１サイクルタイムまでとする。縦軸の範囲はグラフ全体がプロットエリア範囲内に入るように、予め作業者がセンサ３０、３１ごとに設定した範囲とする。例えば、プロットエリアの一辺が３００ピクセル以上の正方形となるようにする。また、グラフの線幅はプロットエリアの一辺の１／２００～１／１００程度となるようにする。グラフのサイズが大きいほど判定精度が向上するが、データ容量が大きくなる。また、グラフの線幅が小さいほど、モデル生成部２６および推論部２８において波形画像の機械学習により画像を分類する際に、微小な波形形状のずれも分類できるようになる。しかし、グラフの線幅が小さすぎると成形バラツキ又はセンサの測定繰り返し精度が低いことによる波形形状のずれでも画素の位置が変化してしまい、正常／異常による画像の分類が難しくなる。このように、グラフの線幅を調整することで品質判定の感度を調整することができる。
　次に、波形画像生成部２１は、作成したグラフを表示装置４に出力する。表示装置４は、このグラフをディスプレイに表示すると同時に、そのグラフ部分のスクリーンショットを取得することでグラフを波形画像に変換する。この場合、波形画像のサイズは、例えばグラフ作成時と同じくプロットエリアの一辺が３００ピクセル以上の正方形となるようにする。なお、波形画像生成部２１は、作成したグラフを表示装置４に出力せずに、波形画像生成部２１でグラフ画像データを生成するようにしても良い。
　引き続いて、波形画像生成部２１は、スイッチ２５で設定された計測モードがモデル蓄積モード、学習モードまたは品質判定モードのいずれであるかを判定する。この時、既にモデル蓄積モードに設定されている場合には、波形画像生成部２１は生成した波形画像をモデルデータ生成部２２に出力する（ステップＳ４）。その際、成形品品質入力部５は、波形画像に対応する成形品の品質情報をモデルデータ生成部２２に出力する。
　モデルデータ生成部２２は、波形画像、品質情報、サイクル数、センサ番号などの情報をそれぞれ対応付けて結合し、図９に示すように、１つの波形画像に対して品質情報等を紐付けたモデルデータをファイルとして１つずつ生成する。
　そして、モデルデータ生成部２２は、生成したモデルデータをモデルデータ記憶部２３に出力する（ステップＳ５）。
　モデルデータ記憶部２３は、モデルデータ生成部２２から入力されたモデルデータを順次記憶する（ステップＳ６）。
　この一連の流れを繰り返して、モデルデータ記憶部２３は、判定の比較対象となるモデルデータを蓄積していく。
　そして、モデルデータ記憶部２３に品質判定に必要な十分なだけのモデルデータが蓄積されたかどうか判定する（ステップＳ８１）。
　品質判定に必要となる十分なだけのモデルデータが蓄積されたならば（ステップＳ８１でＹＥＳ）、スイッチ２５を学習モードに設定して学習を開始する。
　この学習モードにおいて、モデル生成部２６は、モデルデータ記憶部２３から全てのモデルデータを読み込む（ステップＳ８２）。
　次に、モデル生成部２６は、機械学習によりモデルデータの波形画像から品質を分類する学習済モデルを構築する（ステップＳ８３）。
　モデル生成部２６において学習済みモデルが構築されたならば、構築された学習済モデルを学習済モデル記憶部２７に出力する（ステップＳ８４）。
　機械学習モデルの例としては、ニューラルネットワークなどが挙げられる。説明変数は波形画像であり、目的変数は品質情報である。学習用データはモデルデータ記憶部２３から読み込んだモデルデータである。
　ここでは、入力（波形画像）と結果（品質情報）のデータをモデル生成部（学習装置）２６に与えることで、それらの学習用データにある特徴を学習し、入力から結果を推論する。
　ニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層、および複数のニューロンからなる出力層で構成される。中間層は、１層、または２層以上でもよい。
　例えば、図１７に示すような３層のニューロンネットワークであれば、複数の入力が入力層（Ｘ１－Ｘ３）に入力されると、その値に重みＷ１（Ｗ１１－Ｗ１６）を掛けて中間層（Ｙ１－Ｙ２）に入力され、その結果にさらに重みＷ２（Ｗ２１－Ｗ２６）を掛けて出力層（Ｚ１－Ｚ３）から出力される。この出力結果は重みＷ１とＷ２の値によって変わる。
　ニューラルネットワークの場合、畳み込み層またはプーリング層を組み込むことで、同一成形条件にもかかわらず波形がわずかに変化した場合（例えば、成形バラツキまたはセンサの測定繰り返し精度が低い場合など）でも同一の品質情報へ分類することができる。
　本実施の形態には、あらゆる構成のニューラルネットワークおよびその他の機械学習モデルが含まれる。また、本実施の形態においては、前述のグラフの線幅の調整と、ニューラルネットワークの層構成の両方により、品質判定の感度を調整することができる。
　また、品質の分類だけでなく、成形品のヒケの深さ、成形品の平面度などの回帰予測をする形態も本実施の形態に含まれる。その場合、品質情報にヒケの深さ、平面度などを成形品品質入力部５に入力する。
　モデル生成部２６において機械学習による学習済モデルが構築され、学習済モデル記憶部２７において学習済モデルが記憶されたならば、スイッチ２５を品質判定モードに設定して測定を開始する。
　実施の形態３の計測装置２において実施する、波形画像の類似度による品質判定処理の内容について、図１６に示すフローチャートを参照して説明する。なお、ここでは、実施の形態１の波形画像判定処理と同様の処理について詳しい説明は省略する。
　ステップＳ３１において、計測装置２の入力部２０は、金型１０内のセンサ３０、および射出部１１内のセンサ３１により測定された検出信号を取得する。
　ステップＳ３２において、計測装置２の入力部２０は、入力された検出信号を設定されたサンプリング周期に応じてＡ／Ｄ変換し、波形画像生成部２１に出力する。
　ステップＳ３３において、波形画像生成部２１は、デジタルデータに変換された検出信号につき、射出成形処理の１サイクル分を記憶して横軸を射出開始からの時間、縦軸を検出信号の強度としたグラフを作成し、波形画像に変換する。
　ステップＳ３４において、波形画像生成部２１は、通常の射出成形品の成形プロセスにおいて各センサ３０、３１で検出して生成した波形画像を推論部２８に出力する。
　ステップＳ３５において、推論部２８は、学習済モデル記憶部２７から学習済モデルを読み込む。
　ステップＳ３６において、推論部２８は、波形画像生成部２１から出力された波形画像を、学習済モデル記憶部２７から出力された学習済モデルに入力し、品質を判定する。
　ステップＳ３７において、推論部２８は、実装されている全てのセンサ３０、３１で品質情報が正常であるかどうかを判断する。このステップＳ３７で、品質情報が、実装されている全てのセンサ３０、３１について良品（正常）であった場合、ステップＳ３１に戻り、次のサイクルの測定を開始する。
　一方、品質情報が良品以外（異常）を示すセンサがあった場合、推論部２８は、射出成形機の制御部１２に対して異常信号を出力する（ステップＳ３８）。また、表示装置４に対してセンサ異常に対応する品質情報、ならびにその周辺情報（例えば異常の修復方法など）を表示する（ステップＳ３９）。
　以上のように、この実施の形態３は、学習モードにおいて機械学習によりモデルデータの波形画像から品質を分類する学習済モデルを構築しておき、通常の射出成形品の成形過程においてはその学習済モデルを基に品質を判定するので、実施の形態１または実施の形態２と比較して、データの読み込み量と計算量を削減することができるメリットがある。
　一方、新しい不良の波形をモデルデータに追加したい場合、再度学習モードにおいて機械学習を実行する手間が発生する。実施の形態１または実施の形態２の場合は、モデル蓄積モードにおいて再度測定するだけで済む。
　実施の形態３による手法か、実施の形態１または実施の形態２のいずれかの手法か、を選択するかは、新たなモデルデータを追加する頻度から判断する必要がある。
　なお、学習モードを実行する、例えばＣＰＵを有するマイクロコンピュータおよび不揮発性メモリ等により構成される装置は計測装置２から分離してもよい。その場合、計測装置２のモデル蓄積モードによりモデルデータ記憶部２３に記憶したモデルデータを不揮発性メモリ等で学習モード実行用の装置に移動し、学習モード実行用の装置において学習モードを実行することでモデルを構築し、その学習済みモデルを計測装置２で読み込んで品質判定モードを実行する形態が想定される。
　また、学習モードで用いる波形画像は、モデル蓄積モードで生成したものでなくても、過去に取得したセンサデータを別の装置によりグラフ化し画像に変換したものでも良い。
　上記実施の形態で説明した、波形画像生成部２１、モデルデータ生成部２２、画像比較部２４、モデル生成部２６、推論部２８および制御部１２は、ハードウエアの一例を図１８に示すように、プロセッサ２１０と記憶装置２２０から構成される。記憶装置２２０は、図示していない、ランダムアクセスメモリ等の揮発性記憶装置と、フラッシュメモリ等の不揮発性の補助記憶装置とを備える。
　また、フラッシュメモリの代わりにハードディスクの補助記憶装置を備えてもよい。プロセッサ２１０は、記憶装置２２０から入力されたプログラムを実行する。この場合、補助記憶装置から揮発性記憶装置を介してプロセッサ２１０にプログラムが入力される。また、プロセッサ２１０は、演算結果等のデータを記憶装置２２０の揮発性記憶装置に出力してもよいし、揮発性記憶装置を介して補助記憶装置にデータを保存してもよい。
　本願は、様々な例示的な実施の形態及び実施例が記載されているが、１つ、または複数の実施の形態に記載された様々な特徴、態様、及び機能は特定の実施の形態の適用に限られるのではなく、単独で、または様々な組み合わせで実施の形態に適用可能である。
従って、例示されていない無数の変形例が、本願に開示される技術の範囲内において想定される。例えば、少なくとも１つの構成要素を変形する場合、追加する場合または省略する場合、さらには、少なくとも１つの構成要素を抽出し、他の実施の形態の構成要素と組み合わせる場合が含まれるものとする。
１　射出成形装置、２　計測装置、３　アンプ、４　表示装置、５　成形品品質入力部、１０　金型、１１　射出部、１２　制御部、１３　金型温度調節装置、１５　材料乾燥・輸送装置、２０　入力部、２１　波形画像生成部、２２　モデルデータ生成部、２３　モデルデータ記憶部、２４　画像比較部、２５　スイッチ、２６　モデル生成部、２７　学習済モデル記憶部、２８　推論部、３０、３１　センサ、１００　射出成形計測システム、１０１　固定側金型、１０２　可動側金型、１０５　キャビティ、１０６　型締め機構、１１１　ホッパ、１１２　シリンダ、１１３　スクリュ、１１４　スクリュ駆動部、１１５　ヒータ、１１６　射出ノズル、１３１　冷却配管、１５１　材料ホース、Ｓａ～Ｓｆ　センサ。

Claims (13)

  1. 製造装置に配備された複数のセンサからの検出信号を入力してＡ／Ｄ変換する入力部と、
    前記入力部においてデジタルデータに変換された検出信号をグラフ化して波形画像を生成する波形画像生成部と、
    各々の前記センサが正常状態である条件の下で波形画像生成部で生成された波形画像、ならびに当該波形画像に関する品質情報を共に入力して両者を結び付けたモデルデータを生成するモデルデータ生成部と、
    前記モデルデータ生成部で生成されたモデルデータを記憶するモデルデータ記憶部と、
    前記波形画像生成部により製品の製造過程において前記センサで検出して得られる波形画像を判定対象とし、判定対象となる前記波形画像に対して前記モデルデータ記憶部に記憶されたモデルデータに含まれる前記波形画像を比較して両者の類似度を算出し、前記製品の正常および異常を判定する画像比較部と、を備える計測装置。
  2. 前記製造装置は射出成形装置であって、
    前記波形画像生成部は、射出成形処理の１サイクルごとに得られる各々の前記センサからの検出信号に基づく波形のグラフを各センサに対して１枚ずつ作成し、このグラフを画像に変換して波形画像を生成する、請求項１に記載の計測装置。
  3. 前記製造装置は射出成形装置であって、
    前記波形画像生成部は、射出成形処理の１サイクルごとに得られる各々の前記センサからの検出信号に基づく複数の波形のグラフを１画面内に集約して作成し、集約した前記波形のグラフを画像に変換して波形画像を生成する、請求項１に記載の計測装置。
  4. 前記製造装置は射出成形装置であって、
    前記波形画像生成部は、前記射出成形装置の金型に配置された圧力センサにより検出された検出信号をグラフ化して波形画像を生成し、
    前記モデルデータ生成部は、前記波形画像生成部で生成された波形画像、ならびに当該波形画像に対する、バリ、オーバーパック、ショートショット、ランナーバランス、フローマークまたはヒケの少なくとも一つに関する品質情報を共に入力して両者を結びつけたモデルデータを生成し、
    前記モデルデータ記憶部は、前記モデルデータ生成部で生成されたモデルデータを記憶し、
    前記画像比較部は、前記波形画像生成部により製品の製造過程において前記圧力センサで検出して得られる波形画像を判定対象とし、判定対象となる前記波形画像に対して前記モデルデータ記憶部に記憶されたモデルデータに含まれる前記波形画像を比較して両者の類似度を算出し、前記製品の正常および異常を判定する、請求項１から請求項３のいずれか１項に記載の計測装置。
  5. 前記製造装置は射出成形装置であって、
    前記波形画像生成部は、前記射出成形装置の射出部に配置された圧力センサにより検出された検出信号をグラフ化して波形画像を生成し、
    前記モデルデータ生成部は、前記波形画像生成部で生成された波形画像、ならびに当該波形画像に対する、射出工程の樹脂流動挙動または可塑化安定性の少なくとも一つに関する品質情報を共に入力して両者を結びつけたモデルデータを生成し、
    前記モデルデータ記憶部は、前記モデルデータ生成部で生成されたモデルデータを記憶し、
    前記画像比較部は、前記波形画像生成部により製品の製造過程において前記圧力センサで検出して得られる波形画像を判定対象とし、判定対象となる前記波形画像に対して前記モデルデータ記憶部に記憶されたモデルデータに含まれる前記波形画像を比較して両者の類似度を算出し、前記製品の正常および異常を判定する、請求項１から請求項３のいずれか１項に記載の計測装置。
  6. 金型と、前記金型に対して樹脂材料を射出充填するための機構を備えた射出部と、前記射出部の射出動作ならびに前記金型の開閉動作を制御して一連の射出成形処理を実行する制御部と、請求項１から請求項５のいずれか１項に記載の計測装置とを備え、前記センサは、少なくとも前記金型または前記射出部に実装されている射出成形装置。
  7. 製造装置に配備された複数のセンサからの検出信号を入力してＡ／Ｄ変換する入力部と、
    前記入力部においてデジタルデータに変換された検出信号をグラフ化して波形画像を生成する波形画像生成部と、
    各々の前記センサが正常状態である条件の下で波形画像生成部で生成された波形画像、ならびに当該波形画像に関する品質情報を共に入力して両者を結び付けたモデルデータを生成するモデルデータ生成部と、
    前記モデルデータ生成部で生成されたモデルデータを記憶するモデルデータ記憶部と、
    前記モデルデータ記憶部に記憶されているモデルデータを読み込み、機械学習により波形画像から品質を分類する学習済モデルを構築するモデル生成部と、
    前記モデル生成部で生成された学習済モデルを記憶する学習済モデル記憶部と、
    前記波形画像生成部により製品の製造過程において前記センサで検出して得られる波形画像を判定対象とし、判定対象となる前記波形画像を前記学習済モデル記憶部に記憶された学習済モデルへ入力し、前記製品の正常および異常を判定する推論部と、を備える計測装置。
  8. 前記製造装置は射出成形装置であって、
    前記波形画像生成部は、前記射出成形装置の金型に配置された圧力センサにより検出された検出信号をグラフ化して波形画像を生成し、
    前記モデルデータ生成部は、前記波形画像生成部で生成された波形画像、ならびに当該波形画像に対する、バリ、オーバーパック、ショートショット、ランナーバランス、フローマークまたはヒケの少なくとも一つに関する品質情報を共に入力して両者を結びつけたモデルデータを生成し、
    前記モデルデータ記憶部は、前記モデルデータ生成部で生成されたモデルデータを記憶し、
    前記モデル生成部は、前記モデルデータ記憶部に記憶されているモデルデータを読み込み、機械学習により波形画像から品質を分類する学習済モデルを構築し、
    前記学習済モデル記憶部は、前記モデル生成部で生成された学習済モデルを記憶し、
    前記推論部は、前記波形画像生成部により製品の製造過程において前記センサで検出して得られる波形画像を判定対象とし、判定対象となる前記波形画像を前記学習済モデル記憶部に記憶された学習済モデルへ入力し、前記製品の正常および異常を判定する、請求項７に記載の計測装置。
  9. 前記製造装置は射出成形装置であって、
    前記波形画像生成部は、前記射出成形装置の射出部に配置された圧力センサにより検出された検出信号をグラフ化して波形画像を生成し、
    前記モデルデータ生成部は、前記波形画像生成部で生成された波形画像、ならびに当該波形画像に対する、射出工程の樹脂流動挙動または可塑化安定性の少なくとも一つに関する品質情報を共に入力して両者を結びつけたモデルデータを生成し、
    前記モデルデータ記憶部は、前記モデルデータ生成部で生成されたモデルデータを記憶し、
    前記モデル生成部は、前記モデルデータ記憶部に記憶されているモデルデータを読み込み、機械学習により波形画像から品質を分類する学習済モデルを構築し、
    前記学習済モデル記憶部は、前記モデル生成部で生成された学習済モデルを記憶し、
    前記推論部は、前記波形画像生成部により製品の製造過程において前記センサで検出して得られる波形画像を判定対象とし、判定対象となる前記波形画像を前記学習済モデル記憶部に記憶された学習済モデルへ入力し、前記製品の正常および異常を判定する、請求項７に記載の計測装置。
  10. 機械学習により波形画像から品質を分類する学習済モデルを構築する前記モデル生成部は、前記計測装置の外部に配置し、
    前記推論部は、前記モデル生成部で構築した学習済モデルを使用して、前記製品の正常および異常を判定する、請求項７から請求項９のいずれか１項に記載の計測装置。
  11. 金型と、前記金型に対して樹脂材料を射出充填するための機構を備えた射出部と、前記射出部の射出動作ならびに前記金型の開閉動作を制御して一連の射出成形処理を実行する制御部と、請求項７から請求項１０のいずれか１項に記載の計測装置とを備え、前記センサは、少なくとも前記金型または前記射出部に実装されている射出成形装置。
  12. 製品の品質判定の比較対象とするために、各センサが正常状態で良品が成形される条件の下で得られる波形画像と当該波形画像に対応する品質情報とを結び付けたモデルデータを作成するモデル蓄積モードと、
    前記製品の製造過程において各センサの検出に基づいて得られる波形画像を判定対象とし、判定対象となる前記波形画像に対して、前記モデル蓄積モードで得られた前記モデルデータの波形画像を比較することで製品の品質を判定する品質判定モードと、を備えた計測方法。
  13. 製品の品質判定の比較対象とするために、各センサが正常状態で良品が成形される条件の下で得られる波形画像と当該波形画像に対応する品質情報とを結び付けたモデルデータを作成するモデル蓄積モードと、
    前記モデルデータを読み込み、機械学習により波形画像から品質を分類する学習済モデルを構築する学習モードと、
    前記製品の製造過程において各センサで検出して得られる波形画像を判定対象とし、判定対象となる前記波形画像を前記学習済モデルへ入力し、前記製品の正常および異常を判定する品質判定モードと、を備えた計測方法。
PCT/JP2021/039667 2021-01-12 2021-10-27 計測装置、計測方法および射出成形装置 WO2022153645A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022575086A JPWO2022153645A1 (ja) 2021-01-12 2021-10-27

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021002552 2021-01-12
JP2021-002552 2021-01-12

Publications (1)

Publication Number Publication Date
WO2022153645A1 true WO2022153645A1 (ja) 2022-07-21

Family

ID=82447114

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/039667 WO2022153645A1 (ja) 2021-01-12 2021-10-27 計測装置、計測方法および射出成形装置

Country Status (2)

Country Link
JP (1) JPWO2022153645A1 (ja)
WO (1) WO2022153645A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07205242A (ja) * 1994-01-13 1995-08-08 Sumitomo Heavy Ind Ltd 射出成形機の品質モニタ・成形品良否判別方法および装置
JP2006247874A (ja) * 2005-03-08 2006-09-21 Nissei Plastics Ind Co 射出成形用波形表示方法及び装置
JP2017202632A (ja) * 2016-05-12 2017-11-16 ファナック株式会社 射出成形機の逆流防止弁の摩耗量推定装置および摩耗量推定方法
JP2018206061A (ja) * 2017-06-05 2018-12-27 トヨタ自動車株式会社 異常診断装置及び異常診断方法
JP2020146929A (ja) * 2019-03-14 2020-09-17 宇部興産機械株式会社 射出成形機および成形品の良否判定方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07205242A (ja) * 1994-01-13 1995-08-08 Sumitomo Heavy Ind Ltd 射出成形機の品質モニタ・成形品良否判別方法および装置
JP2006247874A (ja) * 2005-03-08 2006-09-21 Nissei Plastics Ind Co 射出成形用波形表示方法及び装置
JP2017202632A (ja) * 2016-05-12 2017-11-16 ファナック株式会社 射出成形機の逆流防止弁の摩耗量推定装置および摩耗量推定方法
JP2018206061A (ja) * 2017-06-05 2018-12-27 トヨタ自動車株式会社 異常診断装置及び異常診断方法
JP2020146929A (ja) * 2019-03-14 2020-09-17 宇部興産機械株式会社 射出成形機および成形品の良否判定方法

Also Published As

Publication number Publication date
JPWO2022153645A1 (ja) 2022-07-21

Similar Documents

Publication Publication Date Title
US8060240B2 (en) Injection molding control method
US20210001526A1 (en) Injection molding machine system
US6600961B2 (en) Intelligent control method for injection machine
JP2017119425A (ja) 射出成形機の成形最適化方法
JP6573647B2 (ja) 計算機と複数台の射出成形機とからなる射出成形機システム
US20160214299A1 (en) Measurement apparatus
KR20210091130A (ko) 물리적 생산 공정을 개선하기 위한 방법 및 시스템
JP6494113B2 (ja) 計測装置、計測方法、プログラム
WO2022153645A1 (ja) 計測装置、計測方法および射出成形装置
Tsou et al. Design and validation of sensor installation for online injection molding sidewall deformation monitoring
JP7311387B2 (ja) 射出成形機管理支援装置及び射出成形機
KR100646282B1 (ko) 유량 측정을 위한 방법 및 장치, 그리고 중합체 제조의제어에의 적용
JP4737883B2 (ja) Ｒｔｍ樹脂流動制御方法及び装置
WO2022075181A1 (ja) 状態判定装置及び状態判定方法
JP6772119B2 (ja) 演算処理装置、演算処理装置の演算方法及びプログラム
JP7344754B2 (ja) 学習モデル生成方法、コンピュータプログラム、設定値決定装置、成形機及び成形装置システム
JP2020140365A (ja) 製品品質不良予測システム
US10882236B2 (en) Molding system, molding apparatus, inspection apparatus, inspection method, and program
CN111805857B (zh) 用于塑料分类的方法、成型方法、塑化组件及成型机
WO2019049669A1 (ja) 生産監視システム及び生産監視方法
US20210364492A1 (en) Method of classifying a plastic
Lopes et al. Part quality prediction in an injection moulding process using neural networks
KR102500376B1 (ko) 사출 금형 내 센서 신호를 이용한 모니터링 장치 및 그 방법
JPWO2022153645A5 (ja)
Chen et al. An innovative method to monitor and control an injection molding process condition using artificial intelligence based edge computing system

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: 21919536

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022575086

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21919536

Country of ref document: EP

Kind code of ref document: A1