WO2024014070A1 - 推定方法、推定装置及びコンピュータプログラム - Google Patents

推定方法、推定装置及びコンピュータプログラム Download PDF

Info

Publication number
WO2024014070A1
WO2024014070A1 PCT/JP2023/012413 JP2023012413W WO2024014070A1 WO 2024014070 A1 WO2024014070 A1 WO 2024014070A1 JP 2023012413 W JP2023012413 W JP 2023012413W WO 2024014070 A1 WO2024014070 A1 WO 2024014070A1
Authority
WO
WIPO (PCT)
Prior art keywords
physical quantity
quantity data
estimation
abnormality
molded product
Prior art date
Application number
PCT/JP2023/012413
Other languages
English (en)
French (fr)
Inventor
翼 沖本
潤 鈴木
幹央 風呂川
Original Assignee
株式会社日本製鋼所
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 株式会社日本製鋼所 filed Critical 株式会社日本製鋼所
Publication of WO2024014070A1 publication Critical patent/WO2024014070A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C48/00—Extrusion moulding, i.e. expressing the moulding material through a die or nozzle which imparts the desired form; Apparatus therefor
    • B29C48/25—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
    • B29C48/00—Extrusion moulding, i.e. expressing the moulding material through a die or nozzle which imparts the desired form; Apparatus therefor
    • B29C48/25—Component parts, details or accessories; Auxiliary operations
    • B29C48/30—Extrusion nozzles or dies
    • 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
    • B29C48/00—Extrusion moulding, i.e. expressing the moulding material through a die or nozzle which imparts the desired form; Apparatus therefor
    • B29C48/25—Component parts, details or accessories; Auxiliary operations
    • B29C48/36—Means for plasticising or homogenising the moulding material or forcing it through the nozzle or die
    • B29C48/395—Means for plasticising or homogenising the moulding material or forcing it through the nozzle or die using screws surrounded by a cooperating barrel, e.g. single screw extruders
    • 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
    • B29C48/00—Extrusion moulding, i.e. expressing the moulding material through a die or nozzle which imparts the desired form; Apparatus therefor
    • B29C48/25—Component parts, details or accessories; Auxiliary operations
    • B29C48/92—Measuring, controlling or regulating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass

Definitions

  • the present invention relates to an estimation method, an estimation device, and a computer program.
  • Patent Document 1 discloses a life prediction device that predicts the life of a rotating member in an injection molding machine or the like.
  • the life prediction device of Patent Document 1 integrates the number of rotations of a rotating member rotated by a drive motor, and calculates the fatigue life of the rotating member from the integrated number of rotations and the torque required to rotate the rotating member.
  • Patent Document 2 discloses an abnormality detection device that includes a vibration sensor that detects vibrations of a ball screw provided in an injection molding machine and detects abnormalities in the ball screw by analyzing the vibration intensity detected by the vibration sensor. Disclosed.
  • the purpose of the present disclosure is to perform machine learning for estimating the lifespan, etc. of the parts constituting a molding machine, regardless of the amount of data that can be collected for estimating the lifespan or degree of abnormality of the parts constituting the molding machine, or the quality of the molded product.
  • Another object of the present invention is to provide an estimation method, an estimation device, and a computer program that can estimate the degree of abnormality or the quality of a molded product.
  • An estimation method acquires physical quantity data related to the state of members constituting a molding machine, and uses a plurality of estimation models to estimate the lifespan, degree of abnormality, or molded product quality of the members using different algorithms.
  • One or more of the estimation models selected from the plurality of estimation models are used to estimate the lifespan, degree of abnormality, or molded product quality of the member based on the acquired physical quantity data.
  • An estimation device includes an acquisition unit that acquires physical quantity data related to the state of a member constituting a molding machine, and a plurality of acquisition units that estimate the life span or degree of abnormality or molded product quality of the member using different algorithms.
  • a process of estimating the life span or degree of abnormality or molded product quality of the member based on the physical quantity data acquired by the acquisition unit using an estimation model and one or more estimation models selected from the plurality of estimation models. It is equipped with a section.
  • a computer program (computer program product) according to one aspect of the present disclosure acquires physical quantity data related to the state of members constituting a molding machine, and estimates the lifespan, degree of abnormality, or molded product quality of the members using different algorithms. Using one or more of the estimation models selected from a plurality of estimation models, a computer is caused to perform a process of estimating the life span or degree of abnormality or molded product quality of the member based on the acquired physical quantity data.
  • FIG. 1 is a block diagram showing a configuration example of a molding machine system according to the present embodiment.
  • FIG. 1 is a schematic diagram showing a configuration example of a molding machine 1 according to the present embodiment.
  • 1 is a block diagram showing a configuration example of a data collection device 3 according to the present embodiment.
  • FIG. It is a block diagram showing an example of composition of a life prediction device concerning an embodiment.
  • FIG. 2 is a conceptual diagram showing an example of a record layout of a collected data DB.
  • FIG. 2 is a conceptual diagram showing an example of a record layout of a model configuration DB. It is a flowchart which shows the learning processing procedure of a lifespan prediction model.
  • FIG. 3 is a conceptual diagram showing a first life prediction model.
  • FIG. 3 is a conceptual diagram showing a second life prediction model. It is a flowchart which shows the learning process procedure of a 2nd life prediction model. It is a graph which shows the learning result of a 2nd life prediction model. It is a graph which shows the inference result using a 2nd life prediction model.
  • FIG. 3 is a conceptual diagram showing a third life prediction model. It is a flowchart which shows the learning processing procedure of a 3rd life prediction model.
  • FIG. 2 is a schematic diagram showing an example of a remaining life estimation result display screen displayed on a portal site.
  • FIG. 2 is a schematic diagram showing an example of a dashboard screen displayed on a portal site.
  • FIG. 2 is a schematic diagram showing an example of a search display screen displayed on a portal site.
  • FIG. 2 is a schematic diagram showing an example of a monthly report screen displayed on a portal site.
  • FIG. 1 is a block diagram showing a configuration example of a molding machine system according to this embodiment.
  • the molding machine system includes a molding machine 1, a plurality of sensors 2, a data collection device 3, a router 4, a life prediction device 5, and terminal devices 6a and 6b.
  • the molding machine 1 includes an injection molding machine and an extruder.
  • the molding machine 1 will be explained as an extruder as an example.
  • FIG. 1 Although one molding machine 1 and a data collection device 3 are illustrated in FIG. 1, a plurality of data collection devices 3 (not shown) are connected to the life prediction device 5 via a network. One or more molding machines 1 are connected to the data collection device 3 .
  • the life prediction device 5 can collect information on each of the plurality of molding machines 1 and predict the remaining life of one or more members constituting each molding machine 1. It is assumed that the plurality of molding machines 1 and the data collection devices 3 are installed in the factories of each of the plurality of users who own the molding machines 1. The user is not an operator but an organization such as a corporation that owns the molding machine 1.
  • the terminal devices 6a and 6b are communication terminals having a display unit such as a computer, a tablet terminal, or a smartphone.
  • the terminal device 6a is a terminal used by a user.
  • the terminal device 6b is a terminal used by a service provider such as a sales person or a maintenance manager related to the molding machine 1 of the user.
  • FIG. 2 is a schematic diagram showing a configuration example of the molding machine 1 according to the present embodiment.
  • the molding machine 1 includes a cylinder 10 having a hopper 10a into which a resin raw material is input, two screws 11, and a die 12 (see FIG. 1) provided at the outlet of the cylinder 10.
  • the two screws 11 are disposed substantially parallel to each other in a mutually engaged state, and are rotatably inserted into the hole of the cylinder 10, and are used to direct the resin raw material charged into the hopper 10a in the extrusion direction (Figs. 2) to the right), melt and knead.
  • the molten resin raw material is discharged from the die 12 having through holes.
  • the screw 11 is configured as a single screw 11 by combining and integrating multiple types of screw pieces.
  • a flight screw-shaped forward flight piece that transports the resin raw material in the forward direction a reverse flight piece that transports the resin raw material in the reverse direction, a kneading piece that kneads the resin raw material, etc. can be arranged in an order according to the characteristics of the resin raw material.
  • the screw 11 is constructed by arranging and combining the parts.
  • the molding machine 1 also includes a motor 13 that outputs a driving force for rotating the screw 11, a reducer 14 that reduces and transmits the driving force of the motor 13, and a control device 15.
  • the screw 11 is connected to the output shaft of the speed reducer 14. The screw 11 is rotated by the driving force of the motor 13 that is decelerated and transmitted by the reducer 14 .
  • the sensor 2 detects a physical quantity related to the state of the members constituting the molding machine 1, and directly or indirectly outputs the detected physical quantity data to the data collection device 3.
  • the physical quantity data is time-series sensor value data indicating a detected physical quantity.
  • the sensors 2 include those provided in the molding machine 1 as necessary for controlling the operation of the molding machine 1, and those provided for estimating the lifespan of members. Some of the plurality of sensors 2 are connected to a data collection device 3, and the data collection device 3 acquires physical quantity data from the sensors 2. Some of the plurality of sensors 2 are connected to the control device 15, and the data collection device 3 acquires physical quantity data from the sensors 2 via the control device 15.
  • Physical quantities include temperature, position, speed, acceleration, current, voltage, pressure, time, image data, torque, force, strain, power consumption, weight, etc. These physical quantities can be measured using a thermometer, position sensor, speed sensor, acceleration sensor, ammeter, voltmeter, pressure meter, timer, camera, torque sensor, wattmeter, weight meter, etc.
  • the plurality of sensors 2 include, for example, a first sensor 21 that detects a physical quantity related to the reducer 14, a second sensor 22 that detects a physical quantity related to the screw 11, and a third sensor 23 that detects a physical quantity related to the motor 13. , and a fourth sensor 24 that detects a physical quantity related to the dice 12.
  • the first sensor 21 is, for example, a vibration detector that detects vibrations of the reducer 14.
  • the second sensor 22 includes a torque detector that detects the axial torque of the screw 11, a tachometer that detects the number of rotations of the screw 11, a pressure gauge that detects the pressure at the tip of the screw, a thermometer that detects the temperature of the screw 11, and a thermometer that detects the temperature of the screw 11.
  • the third sensor 23 is an ammeter that detects the motor current, a tachometer that detects the motor rotation speed, or the like.
  • the fourth sensor 24 is a pressure gauge that detects the die head pressure acting on the die 12.
  • the control device 15 is a computer that controls the operation of the molding machine 1, and includes a transmitting and receiving unit (not shown) that transmits and receives information to and from the data collecting device 3, and a display unit. Specifically, the control device 15 transmits operation data indicating the operating state of the molding machine 1 to the data collection device 3.
  • the operation data includes, for example, motor current, rotation speed of the screw 11, tip pressure of the screw 11, die head pressure, feeder supply amount (resin raw material supply amount), extrusion amount, cylinder temperature, resin pressure, etc.
  • the control device 15 receives various graph data transmitted from the data collection device 3 and remaining life data indicating the remaining life of the members constituting the molding machine 1 .
  • the control device 15 displays the contents of the received graph data and remaining life data. Further, the control device 15 outputs a warning depending on the remaining life indicated by the received remaining life data.
  • FIG. 3 is a block diagram showing an example of the configuration of the data collection device 3 according to this embodiment.
  • the data collection device 3 is a computer, and includes a control section 31, a storage section 32, a communication section 33, and a data input section 34, and the storage section 32, communication section 33, and data input section 34 are connected to the control section 31.
  • the data collection device 3 is, for example, a PLC (Programmable Logic Controller).
  • the control unit 31 includes an arithmetic processing circuit such as a CPU (Central Processing Unit), a multi-core CPU, an ASIC (Application Specific Integrated Circuit), an FPGA (Field-Programmable Gate Array), a ROM (Read Only Memory), and a RAM (Random Access Memory). It has an internal storage device, an I/O terminal, etc.
  • the control unit 31 executes a process of collecting physical quantity data and transmitting it to the life prediction device 5 by executing a control program stored in a storage unit 32, which will be described later.
  • each functional unit of the data collection device 3 may be realized in software, or may be partially or entirely realized in hardware.
  • the storage unit 32 is a nonvolatile memory such as a hard disk, EEPROM (Electrically Erasable Programmable ROM), and flash memory.
  • the storage unit 32 stores a control program for causing a computer to perform physical quantity data collection processing.
  • the communication unit 33 is a communication circuit that transmits and receives information according to a predetermined communication protocol such as Ethernet (registered trademark).
  • the communication unit 33 is connected to the control device 15 via a first communication network such as a LAN, and the control unit 31 can send and receive various information to and from the control device 15 via the communication unit 33.
  • the control unit 31 acquires physical quantity data via the communication unit 33.
  • a router 4 is connected to the first network, and the communication unit 33 is connected via the router 4 to a life prediction device 5 on the cloud, which is a second communication network.
  • the control unit 31 can send and receive various information to and from the life prediction device 5 via the communication unit 33 and the router 4 .
  • the data input section 34 is an input interface into which the signal output from the sensor 2 is input.
  • the sensor 2 is connected to the data input section 34, and the control section 31 acquires physical quantity data via the data input section 34.
  • FIG. 4 is a block diagram showing a configuration example of the life prediction device 5 according to the embodiment.
  • the life prediction device 5 is a computer and includes a processing section 51, a storage section 52, and a communication section 53.
  • the storage section 52 and the communication section 53 are connected to the processing section 51.
  • the processing unit 51 is a processor, and includes a CPU, a multi-core CPU, a GPU (Graphics Processing Unit), a GPGPU (General-purpose computing on graphics processing units), a TPU (Tensor Processing Unit), an ASIC, an FPGA, and an NPU (Neural Processing Unit). It has arithmetic processing circuits such as, internal storage devices such as ROM and RAM, I/O terminals, etc.
  • the processing unit 51 functions as the life prediction device 5 according to the present embodiment by executing a computer program (computer program product) P stored in a storage unit 52, which will be described later. Note that each functional unit of the life prediction device 5 may be realized in software, or may be partially or entirely realized in hardware.
  • the communication unit 53 is a communication circuit that transmits and receives information according to a predetermined communication protocol such as Ethernet (registered trademark).
  • the communication section 53 is connected to the data collection device 3 and the terminal devices 6a, 6b via the second communication network, and the control section 31 is connected to the data collection device 3 and the terminal devices 6a, 6b via the communication section 53.
  • Various information can be sent and received between the two.
  • the storage unit 52 is a nonvolatile memory such as a hard disk, EEPROM, or flash memory.
  • the storage unit 52 stores a computer program P for causing a computer to perform a process of estimating the lifespan of the members constituting the molding machine 1, a first lifespan prediction model M1, a second lifespan prediction model M2, and a third lifespan prediction. It stores the model M3, collected data DB 52a, and model configuration DB 52b.
  • the computer program P and the like may be recorded on the recording medium 50 in a computer-readable manner.
  • the storage unit 52 stores the computer program P and the like read out from the recording medium 50 by a reading device (not shown).
  • the recording medium 50 is a semiconductor memory such as a flash memory.
  • the recording medium 50 may be an optical disc such as a CD (Compact Disc)-ROM, a DVD (Digital Versatile Disc)-ROM, or a BD (Blu-ray (registered trademark) Disc).
  • the recording medium 50 may be a flexible disk, a magnetic disk such as a hard disk, a magneto-optical disk, or the like.
  • the computer program P etc. may be downloaded from an external server (not shown) connected to a communication network (not shown) and stored in the storage unit 52.
  • the first life prediction model M1 includes an image recognition learning model 73 that outputs data indicating the remaining life of the members constituting the molding machine 1 when image data generated from physical quantity data is input (see FIG. 8). .
  • the image recognition learning model 73 includes, for example, a CNN (Convolutional Neural Network).
  • the image recognition learning model 73 of the first life prediction model M1 stored in advance in the storage unit 52 is a ready-made trained model.
  • the processing unit 51 can generate a learning model specialized for predicting the remaining life of a specific molding machine 1 and member by performing transfer learning or fine tuning on this existing trained model. Note that the learning model and the lifespan prediction model that have been subjected to transfer learning or fine tuning are also referred to as the image recognition learning model 73 and the first lifespan prediction model M1 for convenience.
  • the second life prediction model M2 includes physical quantity data indicating a plurality of types of physical quantities that can be detected by the sensor 2, and one or more state quantity estimation mathematical models 81 indicating relationships with other state quantities other than the physical quantities; It has a life estimation mathematical model 82 (see FIG. 11).
  • the state quantity estimation mathematical model 81 of the second life prediction model M2 stored in advance in the storage unit 52 is an existing mathematical model.
  • the coefficients that define the state quantity estimation mathematical model 81 are adjusted in advance using a test molding machine or the like. It is preferable that the life estimation mathematical model 82 is also roughly adjusted in advance using a test molding machine or the like.
  • the processing unit 51 performs transfer learning or fine tuning of the state quantity estimation mathematical model 81 and the life estimation mathematical model 82 to generate a mathematical model specialized for predicting the remaining life of a specific molding machine 1 and member. I can do it.
  • the mathematical model and life prediction model that have been subjected to transfer learning or fine tuning are also referred to as the state quantity estimation mathematical model 81, the life expectancy estimation mathematical model 82, and the second life prediction model M2 for convenience.
  • the third life prediction model M3 has one or more explanatory variables, and has a life estimation function (regression equation) 92 that indicates the relationship between physical quantity data and the remaining life of the members constituting the molding machine 1 (Fig. 14 reference).
  • the coefficients that define the life estimation function 92 may be roughly adjusted in advance using a test molding machine or the like.
  • the processing unit 51 can generate an estimation function specialized for predicting the remaining life of a specific molding machine 1 and member.
  • the transfer learning or fine-tuned estimation function and lifespan prediction model are also referred to as the lifespan estimation function 92 and the third lifespan prediction model M3 for convenience.
  • the first life prediction model M1 is a model that predicts the life of the members constituting the molding machine 1 based on time-series physical quantity data obtained by short-term measurement
  • the second life prediction model M2 and The third life prediction model M3 is a model that predicts the life of the members constituting the molding machine 1 based on time-series physical quantity data obtained by long-term measurement.
  • the first to third life prediction models M1, M2, and M3 are configured to predict the life of the members constituting the molding machine 1 based on time-series physical quantity data obtained by measurement during the same period. You can.
  • the measurement time width of the physical data used for predicting the lifespan of the members constituting the molding machine 1 may be configured to be set for each lifespan prediction model.
  • the first to third life prediction models M1, M2, and M3 are examples of models that predict the life of the members of the molding machine 1 using different algorithms, and the number of life prediction models is not limited to three. None. Further, the types of life prediction models are not particularly limited to those mentioned above.
  • the first to third life prediction models M1, M2, and M3 are based on multilayer perceptron (MLP), convolutional neural network (CNN), graph neural network (GNN), graph convolution It may be configured with a neural network (Graph Convolutional Network: GCN), RNN (Recurrent Neural Network), LSTM (Long Short Term Memory), or other neural network model.
  • the first life prediction model M1 may be configured using an algorithm such as a decision tree, random forest, or SVM (Support Vector Machine).
  • FIG. 5 is a conceptual diagram showing an example of the record layout of the collected data DB 52a.
  • the collected data DB 52a includes a hard disk and a DBMS (DataBase Management System), and stores various physical quantity data collected from the molding machine 1.
  • the collected data DB 52a has a "No.” (record number) column, an "equipment ID” column, an "operation date and time” column, a "vibration data” column, and an "shaft torque” column.
  • the “equipment ID” column stores the equipment identifier of the molding machine 1.
  • the “operation date and time” column stores information indicating the year, month, date and time, etc., when various data stored as records were obtained.
  • the "operating data” column includes time-series physical quantities indicating the operating state of the molding machine 1, such as motor current, rotation speed of the screw 11, tip pressure of the screw 11, die head pressure, feeder supply amount (resin raw material supply amount), Stores extrusion amount, cylinder temperature, resin pressure, etc.
  • the "vibration data” column stores vibration data that is time-series physical quantity data.
  • the “shaft torque data” column stores torque data of the screw 11, which is time-series physical quantity data.
  • FIG. 6 is a conceptual diagram showing an example of the record layout of the model configuration DB 52b.
  • the model configuration DB 52b includes a hard disk and a DBMS (DataBase Management System), and stores coefficients and the like of various life prediction models used to predict the lifespan of the members constituting the molding machine 1.
  • the model configuration DB 52b includes a "user ID” column, a "device ID” column, a "component ID” column, a "first life prediction model” column, a "first life prediction sensor ID used” column, a “second life prediction It has a "model” column, a "second lifespan prediction sensor used ID” column, a "third lifespan prediction model” column, and a "third lifespan prediction sensor used ID” column.
  • the "user ID” column stores the identifier of the user of the molding machine 1.
  • the "equipment ID” column stores the equipment identifier of the molding machine 1.
  • the “member ID” column stores the member identifier of the member that constitutes the molding machine 1 and whose remaining life is to be predicted.
  • the “first life prediction model” column stores the first life prediction model M1 that has been subjected to transfer learning or fine tuning to predict the remaining life of the member of the molding machine 1 indicated by the device ID and member ID.
  • the “first life prediction model” column stores weighting coefficients and various parameters of the image recognition learning model 73.
  • the “first life prediction used sensor ID” column stores the identifier of the sensor 2 used to predict the remaining life of the member using the first life prediction model M1.
  • the type of physical quantity data used to predict the remaining life of the member is stored.
  • the identifier of the sensor 2 that detects the motor current the identifier of the sensor 2 that detects the vibration of the reducer 14, the identifier of the sensor 2 that detects the shaft torque of the screw 11, etc. are stored.
  • the “second life prediction model” column stores the second life prediction model M2 that has been subjected to transfer learning or fine tuning to predict the remaining life of the member of the molding machine 1 indicated by the device ID and member ID.
  • the “second life prediction model” column stores weighting coefficients and various parameters of the state quantity estimation mathematical model 81 and the life estimation mathematical model 82.
  • the “second life prediction sensor used ID” column stores the identifier of the sensor 2 used to predict the remaining life of the member using the second life prediction model M2.
  • the "Third Life Prediction Model” column stores the third life prediction model M3 that has been subjected to transfer learning or fine tuning to predict the remaining life of the member of the molding machine 1 indicated by the device ID and member ID.
  • the “third life prediction model” column stores the coefficients of the life estimation function 92.
  • the “Third life prediction sensor used ID” column stores the identifier of the sensor 2 used to predict the remaining life of the member using the third life prediction model M3.
  • the remaining life is calculated using the first life prediction model M1 based on the physical quantity data of the first part obtained using the first sensor 21, and the remaining life is calculated using the first life prediction model M1.
  • the remaining life is calculated using the second life prediction model M2 or the third life prediction model M3, and the average value of the calculated remaining life, etc. can be calculated.
  • the physical quantity data obtained using the first sensor 21 is, for example, vibration data of the reducer 14, and the physical quantity data obtained using the second sensor 22 is the shaft torque of the screw 11.
  • the model configuration DB 52b stores information on life prediction models used for predicting remaining life, and stores information on life prediction models that are not used for predicting remaining life, depending on the molding machine 1 and components. It may be configured so that the lifespan is not stored.
  • the model configuration DB 52b stores all information of the first to third life prediction models M1, M2, and M3 trained using collectable physical quantity data, regardless of whether transfer learning or fine tuning is appropriate. may be configured.
  • the model configuration DB 52b may store weighting coefficients corresponding to the prediction accuracy of the first to third life prediction models M1, M2, and M3 in association with the device ID and member ID. The weighting coefficient is a coefficient for calculating a weighted average of the lifespan predictions calculated by the first to third lifespan prediction models M1, M2, and M3.
  • FIG. 7 is a flowchart showing the learning process procedure of the life prediction model.
  • the processing unit 51 of the life prediction device 5 acquires physical quantity data related to the state of the members constituting the molding machine 1 from the data collection device 3 (step S11).
  • the processing unit 51 stores the acquired physical quantity data in the collected data DB 52a.
  • the processing unit 51 executes machine learning processing of the first life prediction model M1 based on the acquired physical quantity data (step S12).
  • the processing unit 51 executes machine learning processing of the second life prediction model M2 based on the acquired physical quantity data (step S13).
  • the processing unit 51 executes machine learning processing of the third life prediction model M3 based on the acquired physical quantity data (step S14).
  • the processing unit 51 may be configured to selectively learn the first to third life prediction models M1, M2, and M3 depending on the member of the molding machine 1 whose life is to be predicted. For example, when there is little physical quantity data for machine learning, only the third life prediction model M3 is trained, and when enough physical quantity data has been accumulated, all the first to third life prediction models M1, M2, and M3 are trained. It may be configured as follows.
  • the processing unit 51 that has finished learning the first to third life prediction models M1, M2, and M3 uses the data for configuring the learned first to third life prediction models M1, M2, and M3 as life prediction targets. is stored in the model configuration DB 52b in association with the equipment ID and member ID indicating the molding machine 1 and member (step S15).
  • the data for configuring the trained first life prediction model M1 is, for example, the weighting coefficient of the image recognition learning model 73.
  • the data for configuring the learned second lifespan prediction model M2 are, for example, coefficients of the state quantity estimation mathematical model 81 and the lifespan estimation mathematical model 82.
  • the data for configuring the learned third life prediction model M3 is, for example, the coefficients of the life estimation function 92.
  • FIG. 8 is a conceptual diagram showing the first life prediction model M1.
  • the first life prediction model M1 includes a frequency analysis section 71, an image generation section 72, and an image recognition learning model 73.
  • the frequency analysis unit 71 is an arithmetic processing unit that performs Fourier transform of time-series physical quantity data into frequency component physical quantity data.
  • the frequency analysis unit 71 preferably performs Fourier transform of the physical quantity data using short-time Fourier transform (STFT).
  • STFT short-time Fourier transform
  • the image generation unit 72 is an arithmetic processing unit that converts physical quantity data subjected to Fourier transformation into image data expressed as an image.
  • the physical quantity data may be expressed on an image plane in which the horizontal axis of the image is the frequency and the vertical axis is the magnitude of the frequency component.
  • a Fourier transformed image an image obtained by Fourier transforming physical quantity data will be referred to as a Fourier transformed image.
  • frequency analysis methods are not limited to STFT, but include wavelet transformation, Stockwell transform, Wigner distribution function, empirical mode decomposition, Hilbert - Fan transformation (Hilbert-Huang Transform) etc. may be used.
  • the image recognition learning model 73 is a convolutional neural network (CNN), and includes an input layer 73a into which image data of a Fourier transform image is input, an intermediate layer 73b, and remaining life data indicating the remaining life of the member. and an output layer 73c for output.
  • CNN convolutional neural network
  • the input layer 73a has a plurality of nodes into which the pixel values of each pixel forming the Fourier transform image are input.
  • the intermediate layer 73b has a configuration in which a convolution layer that convolves the pixel value of each pixel of the Fourier transform image input to the input layer 73a and a pooling layer that maps the pixel value convolved with the convolution layer are alternately connected. .
  • the intermediate layer 73b extracts the feature amount of the Fourier transform image while compressing the image information of the Fourier transform image, and outputs the extracted Fourier transform image, that is, the feature amount of the physical quantity data to the output layer 73c.
  • the output layer 73c has a node that outputs remaining life data indicating the remaining life of the member at the time of physical quantity data measurement.
  • CNN is illustrated as an example of the image recognition learning model 73, multilayer perceptron (MLP), convolutional neural network (CNN), graph neural network (GNN), graph convolutional neural It may be configured with a Graph Convolutional Network (GCN), RNN (Recurrent Neural Network), LSTM (Long Short Term Memory), or other neural network model.
  • the first life prediction model M1 may be configured using an algorithm such as a decision tree, random forest, or SVM (Support Vector Machine).
  • FIG. 9 is a flowchart showing the learning process procedure of the first life prediction model M1.
  • the processing unit 51 performs frequency analysis on the time-series physical quantity data accumulated in the collected data DB 52a to convert it into a frequency component physical quantity (step S21), and generates a Fourier transformed image based on the Fourier transformed physical quantity data. is generated (step S22). Then, the processing unit 51 labels the Fourier transform image with the remaining life of the member at the time when the physical quantity data on which the Fourier transform image is based is measured (step S23). Next, the processing unit 51 executes machine learning of the first life prediction model M1 using the Fourier transform image labeled with the remaining life as learning data (training data) (step S24).
  • the storage unit 52 stores an existing image recognition learning model 73, and through transfer learning or fine tuning of the image recognition learning model 73, a first life prediction specialized for predicting the remaining life of a specific molding machine 1 and member is performed. Model M1 can be generated. More specifically, the processing unit 51 performs machine learning on the image recognition learning model 73 by optimizing the weighting coefficients of the image recognition learning model 73 by error backpropagation, error gradient descent, or the like using learning data.
  • FIG. 10A is a graph showing the learning results of the first life prediction model M1
  • FIG. 10B is a graph showing the inference results using the first life prediction model M1.
  • the horizontal axis shown in FIGS. 10A and 10B shows the number of days that have passed, and the vertical axis shows the remaining lifespan (estimated lifespan).
  • the member to be predicted is, for example, a gear or a bearing of the reducer 14, and the physical quantity is the vibration of the reducer 14.
  • Machine learning of the image recognition learning model 73 was performed using learning data obtained during the period shown in FIG. 10A (number of days elapsed from 0 to 7 months).
  • the straight arrow indicates the labeled remaining life (life label).
  • the circle dot plot shows the prediction result of the remaining life obtained by inputting the Fourier transform image of the learning data to the image recognition learning model 73. Additionally, during the learning stage, items whose lifespan exceeds a certain level are determined to be unbreakable.
  • the circle dot plot on the left side indicates that the Fourier transform image obtained from the molding machine 1 equipped with used parts (with short remaining life) is input to the image recognition learning model 73.
  • the prediction result (estimated life) of the remaining life obtained by doing this is shown.
  • those for which the predicted remaining life is equal to or greater than a certain level at the inference stage for example, the range A in FIG. 10B
  • FIGS. 10A and 10B it can be seen that the remaining life of the member can be predicted using the trained image recognition learning model 73.
  • FIG. 11 is a conceptual diagram showing the second life prediction model M2.
  • the second life prediction model M2 includes a state quantity estimation mathematical model 81 and a life estimation mathematical model 82.
  • the state estimation model is a function that defines the relationship between a plurality of physical quantity data each representing a plurality of types of physical quantities that can be detected using the sensor 2 and other state quantities other than the plurality of physical quantities.
  • the plurality of physical quantities and other state quantities include, for example, the vibration of the reducer 14, the supply amount of the resin raw material, the motor current, the rotation speed of the screw 11, the type of resin seed material, the screw configuration, etc.
  • the life estimation mathematical model 82 is a function that estimates the remaining life of the members of the molding machine 1 based on the physical quantity data and the physical quantity data estimated by the state quantity estimation mathematical model 81.
  • FIG. 12 is a flowchart showing the learning process procedure of the second life prediction model M2.
  • the processing unit 51 labels the physical quantity data stored in the collected data DB 52a with the remaining life of the member at the time the physical quantity data was measured (step S31).
  • the processing unit 51 optimizes the coefficients of the state quantity estimation mathematical model 81 and the lifespan estimation mathematical model 82 using the physical quantity data with the remaining life labeled as learning data (step S32).
  • the state quantity estimation mathematical model 81 and the lifespan estimation mathematical model 82 can be expressed by regression equations, and the processing unit 51 can optimize the coefficients of the mathematical models by, for example, Kernel Ridge Regression.
  • the storage unit 52 stores a state quantity estimation mathematical model 81 and a life estimation mathematical model 82 that have been roughly adjusted in advance, and generates a second life prediction model M2 by optimizing the coefficients of the mathematical model. I can do it. Note that the method for optimizing the coefficients of the state quantity estimation mathematical model 81 and the life estimation mathematical model 82 is not limited to kernel ridge regression.
  • FIG. 13A is a graph showing the learning results of the second life prediction model M2
  • FIG. 13B is a graph showing the inference results using the second life prediction model.
  • the horizontal axis shown in FIGS. 13A and 13B represents the number of days that have passed, and the vertical axis represents the remaining lifespan (estimated lifespan).
  • the member to be predicted is, for example, a gear or a bearing of the reducer 14, and the physical quantity is the vibration of the reducer 14.
  • Machine learning of the state quantity estimation mathematical model 81 and the lifespan estimation mathematical model 82 was performed using learning data obtained during the period shown in FIG. 13A (elapsed days 0 to 12 months).
  • the solid line indicates the labeled remaining life (life label).
  • the circle dot plot shows the remaining life predicted using the second life prediction model M2.
  • FIG. 13B the circle dot plot shown in the period range shown on the right side (3 to 8 months elapsed) is obtained from molding machine 1 equipped with new parts (long remaining life). The remaining life predicted based on the RMS of physical quantity data is shown.
  • the dot plot shown in the period range (0 to 2 months) on the left is based on the RMS of physical quantity data obtained from molding machine 1 equipped with used parts (short remaining life). The predicted remaining life is shown.
  • FIGS. 13A and 13B it can be seen that the remaining life of the member can be predicted using the learned state quantity estimation mathematical model 81 and life estimation mathematical model 82.
  • FIG. 14 is a conceptual diagram showing the third life prediction model M3.
  • the third life prediction model M3 includes an RMS calculation section 91 and a life estimation function 92.
  • the RMS calculation unit 91 is an arithmetic processing unit that calculates the root mean square of physical quantity data.
  • the life estimation function 92 is a function that estimates the remaining life of the members of the molding machine 1 based on the RMS of physical quantity data.
  • the lifespan estimation function 92 is a regression equation that expresses the remaining lifespan, which is an objective variable, using one or more explanatory variables.
  • FIG. 15 is a flowchart showing the learning process procedure of the third life prediction model M3.
  • the processing unit 51 calculates the RMS of the physical quantity based on the physical quantity data stored in the collected data DB 52a (step S41), and adds the remaining life of the member at the time when the physical quantity data is measured to the calculated RMS. is labeled (step S42).
  • the processing unit 51 optimizes the coefficients of the life estimation function 92 using the RMS labeled with the remaining life as learning data (step S43).
  • the processing unit 51 can optimize the coefficients of the life estimation function 92 by, for example, Lasso Regression.
  • the storage unit 52 stores a lifespan estimation function 92 that has been roughly adjusted in advance, and by optimizing the coefficients of the lifespan estimation function 92, the third lifespan prediction model M3 can be generated.
  • FIG. 16A is a graph showing the learning results of the third life prediction model M3, and FIG. 16B is a graph showing the inference results using the third life prediction model M3.
  • the horizontal axis shown in FIGS. 16A and 16B shows the number of days that have passed, and the vertical axis shows the remaining life.
  • the member to be predicted is, for example, a gear or a bearing of the reducer 14, and the physical quantity is the vibration of the reducer 14.
  • Machine learning of the life estimation function 92 was performed using learning data obtained during the period shown in FIG. 16A (1 to 16 months elapsed).
  • the solid line shows the labeled remaining life.
  • the circle dot plot shows the remaining life predicted using the life estimation function 92.
  • the circle dot plot on the upper right side shows the predicted remaining life based on the RMS of the physical quantity data obtained from the molding machine 1 equipped with a new member (with a long remaining life).
  • the circle dot plot on the lower left side shows the remaining life predicted based on the RMS of the physical quantity data obtained from the molding machine 1 equipped with used members (with short remaining life).
  • FIGS. 16A and 16B it can be seen that the remaining life of the member can be predicted using the learned life estimation function 92.
  • FIGS. 17 and 18 are flowcharts showing the processing procedure for lifespan prediction.
  • the processing unit 51 of the life prediction device 5 acquires physical quantity data from the data collection device 3 (step S51).
  • the processing unit 51 selects one or more life prediction models to be used to predict the member whose life is to be predicted (step S52).
  • the processing unit 51 reads the life estimation mathematical model 82 associated with the device ID and member ID indicating the specific molding machine 1 and member from the model configuration DB 52b.
  • the processing unit 51 determines whether to use the first life prediction model M1 (step S53). If it is determined that the first life prediction model M1 is to be used (step S53: YES), the processing unit 51 performs frequency analysis on the acquired time-series physical quantity data to convert it into a frequency component physical quantity (step S54), Based on the Fourier-transformed physical quantity data, image data of a Fourier-transformed image is generated (step S55). Then, the processing unit 51 predicts the remaining life of the member by inputting the image data of the generated Fourier transform image to the image recognition learning model 73 (step S56).
  • step S56 determines whether or not to use the second life prediction model M2. is determined (step S57). If it is determined that the second life prediction model M2 is to be used (step S57: YES), the processing unit 51 estimates the unknown state quantity by substituting the acquired physical quantity data into the state quantity estimation mathematical model 81 (step S58). ). Next, the processing unit 51 predicts the remaining life of the member by substituting the acquired physical quantity data and the calculated unknown state quantity into the life estimation mathematical model 82 (step S59).
  • step S59 When the process of step S59 is finished, or when it is determined in step S57 that the second life prediction model M2 is not used (step S57: NO), the processing unit 51 determines whether or not to use the third life prediction model M3. is determined (step S60). When it is determined that the third life prediction model M3 is to be used (step S60: YES), the processing unit 51 calculates the RMS of the physical quantity based on the acquired physical quantity data (step S61). Then, the processing unit 51 predicts the remaining life of the member by substituting the RMS of the calculated physical quantity data into the life estimation function 92 (step S62).
  • step S62 When the process of step S62 is finished, or when it is determined in step S60 that the third life prediction model M3 is not used (step S60: NO), the remaining life of the component is determined based on the first to third life estimation models used.
  • the lifespan is calculated (step S63).
  • the processing unit 51 calculates the minimum value, average value, median value, weighted average value, etc. of the remaining lifespan calculated by the first to third lifespan estimation models, respectively.
  • the weighting coefficient used for the weighted average may be set arbitrarily by the user, or may be set according to feedback information of past life prediction accuracy (for example, the difference between the calculated remaining life and the actual remaining life). May be set.
  • the processing unit 51 may select the remaining life calculated by one life prediction model selected by the user.
  • the processing unit 51 may calculate the minimum value, average value, median value, weighted average value, etc. of the remaining lifespan calculated by a plurality of lifespan prediction models selected by the user.
  • the processing unit 51 calculates the characteristic frequency intensity representing the characteristic of each member constituting the molding machine 1 at each time point in the time series, based on the acquired time series physical quantity data (step S64). Then, the processing unit 51 creates a time series graph of the calculated characteristic frequency intensities (step S65).
  • the time series graph is a graph in which the horizontal axis is time and the vertical axis is characteristic frequency intensity, and represents the calculated time series characteristic frequency intensity.
  • the processing unit 51 executes a process of displaying the remaining life of each member constituting the molding machine 1 and a time series graph (step S66).
  • the processing unit 51 displays the remaining life of each member and a time-series graph on a portal site where the user can view the status of each molding machine 1 owned by the user using a browser, for example.
  • the processing unit 51 transmits the calculated remaining life of each member constituting the molding machine 1 and data of the time series graph to the terminal devices 6a and 6b (step S67). For example, the processing unit 51 transmits the remaining life and time series graph data to a terminal device 6a of a user or operator of the molding machine 1 and a terminal device 6b of a service provider related to the molding machine 1 of the user.
  • the life prediction device 5 provides a portal site where you can view the remaining life of each of a plurality of molding machines 1 and members, and a time series graph of physical quantities related to the state of each member of the molding machine 1. .
  • the life prediction device 5 manages the status of the molding machines 1 owned by a plurality of users, and each user can access the portal site using a browser to The status of machine 1 can be viewed and confirmed.
  • a person in charge of providing services related to the molding machine 1 and its parts can also view and confirm the status of the user in charge or the molding machine 1 by accessing the portal site using a browser.
  • FIG. 19 is a schematic diagram showing an example of the remaining life estimation result display screen 101 displayed on the portal site.
  • the remaining life estimation result display screen 101 includes an equipment name display section 111 that displays the name of each of the plurality of molding machines 1 owned or used by the user, and a component name display section that displays the names of the components that constitute each molding machine 1. 112.
  • the remaining life estimation result display screen 101 also includes a member status display section 113 that displays the status of each member, particularly the status based on the remaining life.
  • the member status display section 113 displays the status of each member by displaying icons such as "good", "needs confirmation", and "abnormal". When the icon on the member state display section 113 is operated, the processing section 51 displays a time series graph of physical quantities related to the state of the member.
  • the remaining life estimation result display screen 101 includes a remaining life display section 114 that displays the remaining life of a member with an abnormality.
  • the processing unit 51 displays the remaining life of the member calculated by the above processing.
  • FIG. 20 is a schematic diagram showing an example of the dashboard screen 102 displayed on the portal site.
  • the dashboard screen 102 is a screen that displays a time series graph of one or more representative physical quantity data indicating the state of the molding machine 1.
  • the dashboard screen 102 includes a display operation section 121 for specifying the molding machine 1 and period to be displayed, and a time series graph display section 122.
  • the display operation section 121 includes, for example, a model specification section for specifying the model of the molding machine 1, a period specification section for indicating the period to be displayed, a screw rotation speed specification section for specifying the screw rotation speed, and a display pattern of a graph to be displayed on the dashboard. It has a pattern display area for specifying, a search button, etc.
  • the user can set a display pattern in advance, and the life prediction device 5 stores the set display pattern.
  • the display pattern includes information such as the model ID of the molding machine 1, the name of the display pattern, the category of the member to be displayed, and the data items to be displayed in a graph.
  • the member categories include, for example, the speed reducer 14, shaft device, and the like.
  • Data items include operating information data, frequency analysis data, torque analysis data, two-axis correlation data, etc.
  • the operation information data includes, for example, screw rotation speed, motor current, screw tip pressure, die head pressure, and the like.
  • the frequency analysis data includes vibration RMS, rotational frequency intensity, gear engagement frequency intensity, bearing failure frequency intensity, etc.
  • Torque analysis data includes the average torque value, maximum value, average value, maximum value, and main torque amplitude of the screw 11. Including frequency etc.
  • the twin-screw correlation data includes the phase difference between the two screws 11 in the twin-screw extruder.
  • the processing unit 51 receives information input to the display operation unit 121, and when the search button is operated, reads physical quantity data corresponding to the received information from the collected data DB 52a, and creates a time series graph of the read physical quantity data. do.
  • the time series graph display section 122 displays a time series graph of physical quantity data according to the model, period, screw rotation speed, and display pattern specified by the display operation section 121.
  • FIG. 21 is a schematic diagram showing an example of the search display screen 103 displayed on the portal site.
  • the search display screen 103 includes a search operation section 131 for searching for time series graphs, and a time series graph display section 132 for displaying the searched time series graphs.
  • the search operation unit 131 includes input items and search buttons for specifying, for example, the model of the molding machine 1, category of member, graph (data item), channel of the sensor 2, period, screw rotation speed, etc. to be searched and displayed. have
  • the processing unit 51 receives information input to the search operation unit 131, and when the search button is operated, reads physical quantity data corresponding to the received information from the collected data DB 52a, and creates a time series graph of the read physical quantity data. do.
  • the time series graph display section 132 displays a time series graph of the searched and created physical quantity data.
  • FIG. 22 is a schematic diagram showing an example of the monthly report screen 104 displayed on the portal site.
  • the monthly report screen 104 is a screen that displays a monitoring report created by a service provider for the molding machine 1.
  • the monthly report screen 104 includes a report search section 141 for searching for reports, a comment display section 142, and a time series graph display section 143.
  • the report search section 141 has items for specifying the model of the molding machine 1, the year and month of report publication, a search button, and the like.
  • the comment display section 142 displays comments regarding the state of the molding machine 1 input by the service provider. By accessing the portal site, service personnel can check various time-series graphs related to the condition of the molding machine 1 and parts, the remaining life of each part, etc. Based on the viewed information, the service staff can A comment for the state of No. 1 is created and sent to the life prediction device 5.
  • the life prediction device 5 stores comments in association with the device ID and report publication date.
  • the time series graph display section 143 displays a typical time series graph representing the state of the molding machine 1. The person in charge of service of the molding machine 1 can select and specify a time series graph to be displayed in the monthly report.
  • the life prediction device 5 stores comments in association with the device ID and report publication date.
  • the processing unit 51 receives information input by the user into the report search unit 141, and when the search button is operated, reads comments and physical quantity data corresponding to the received information, and creates a time series graph based on the physical quantity data. create.
  • the time series graph display section 132 displays a time series graph of the searched and created physical quantity data.
  • the life prediction device 5 can predict the remaining life of the members constituting the molding machine 1 by subjecting the image recognition learning model 73 to machine learning.
  • the life prediction device 5 performs machine learning on the state quantity estimation mathematical model 81 and the life estimation mathematical model 82, and can predict the remaining life of the members constituting the molding machine 1.
  • the life prediction device 5 can predict the remaining life of the members constituting the molding machine 1 by performing machine learning on the life estimation function 92.
  • the life prediction device 5 performs machine learning by combining these life prediction models according to the obtained learning data, and can predict the remaining life of the members constituting the molding machine 1.
  • the life prediction device 5 collects multiple types of physical quantity data, it is possible to machine learn the first to third life prediction models M1, M2, and M3 by selecting or combining arbitrary physical quantity data. , the remaining life of the members constituting the molding machine 1 can be predicted.
  • the life prediction device 5 includes a life prediction model that predicts the remaining life of a component based on physical quantity data obtained by short-term measurement, and a life prediction model that predicts the remaining life of a component based on physical quantity data obtained by long-term measurement.
  • the remaining life of the component can be predicted by combining it with a life prediction model that predicts.
  • the life prediction device 5 includes a life prediction model that predicts the remaining life of a predetermined member constituting the molding machine 1 based on physical quantity data obtained by measuring physical quantities of a first part related to the predetermined member;
  • the remaining life of the member can be predicted by combining it with a life prediction model that predicts the remaining life of the member based on physical quantity data obtained by measuring physical quantities of a second part related to the member.
  • the life prediction device 5 calculates the remaining life of the parts related to the extruder including the reducer 14, the screw 11, the motor 13, and the die 12, which constitute the molding machine 1, and the physical quantity data related to the reducer 14 and the physical quantity data related to the screw 11. , the physical quantity data related to the motor 13 and the physical quantity data related to the dice 12 can be used for prediction.
  • the life prediction device 5 predicts the remaining life of the reducer 14 based on a life prediction model that predicts the remaining life of the reducer 14 based on the physical quantity data related to the reducer 14 and the physical quantity data related to the screw 11.
  • the remaining life of the reducer 14 can be predicted. That is, when predicting the remaining life of the reducer 14, the accuracy of predicting the life can be improved by using different types of physical quantity data or physical quantity data measured at different locations.
  • the accuracy of life prediction is improved. be able to.
  • the life prediction device 5 calculates the minimum value, average value, median value, or weighted average value of the life of the members of the molding machine 1 estimated using a plurality of life prediction models, thereby improving the accuracy of life prediction. can be improved.
  • the life prediction device 5 can store different life prediction models for different molding machines 1 and members. In other words, combinations of life prediction models suitable for different molding machines 1 and members can be stored. Further, it is possible to store specialized life prediction models for different molding machines 1 and members. The life prediction device 5 can predict the remaining life of the member using one or more life prediction models suitable for each different molding machine 1 and member.
  • the life prediction device 5 can display the prediction results of the remaining life of the members constituting the molding machine 1 and a time series graph of physical quantity data on the portal site.
  • the life prediction device 5 can transmit the prediction results of the remaining life of the members constituting the molding machine 1 and a time series graph of physical quantity data to the user's terminal device 6a and the service provider's terminal device 6b.
  • the degree of abnormality of the members may be estimated in the same manner.
  • the degree of abnormality of the member can be estimated in the same manner as in this embodiment.
  • the quality of the molded product produced by the molding machine 1 may be estimated. Abnormalities in the quality of the molded product may occur due to changes in the state of the parts that make up the molding machine 1. For example, unmelting of the molded article may occur due to wear of the screw piece. Molded product quality is a continuous quantity that indicates the degree of quality. When learning the first to third life prediction models M1, M2, and M3, if molded product quality is learned instead of remaining life, molded product quality can be estimated in the same manner as in this embodiment.
  • the plurality of estimation models are including a learning model that outputs data indicating the life span or degree of abnormality or molded product quality of the member when image data generated from the physical quantity data is input;
  • the physical quantity data includes physical quantity data indicating a plurality of types of physical quantities
  • the plurality of estimation models are including a mathematical model showing the relationship between the plurality of types of physical quantity data, other state quantities other than the plurality of types of physical quantities, and the life or abnormality of the member or the quality of the molded product,
  • the estimation method according to Supplementary Note 1 or 2 wherein the lifespan, degree of abnormality, or molded product quality of the member is estimated by substituting the acquired physical quantity data into the one or more mathematical models.
  • the plurality of estimation models are It has one or more explanatory variables and includes a regression equation showing the relationship between the physical quantity data and the life or abnormality degree or molded product quality of the member, The estimation method according to any one of Supplementary Notes 1 to 3, wherein the lifespan or degree of abnormality or molded product quality of the member is estimated by substituting the acquired physical quantity data into the regression equation.
  • the physical quantity data includes physical quantity data indicating a plurality of types of physical quantities
  • the plurality of estimation models are a learning model that outputs data indicating the life span or degree of abnormality or molded product quality of the member when image data generated from the physical quantity data is input; a mathematical model showing a relationship between the plurality of types of physical quantity data, other state quantities other than the plurality of types of physical quantities, and the life or abnormality degree of the member or the quality of the molded product; a regression equation that has one or more explanatory variables and indicates a relationship between the physical quantity data and the life or abnormality of the member or the quality of the molded product, By inputting image data generated from the acquired physical quantity data into the learning model, substituting the acquired physical quantity data into the mathematical model, and substituting the acquired physical quantity data into the regression equation, The estimation method described in any one of Supplementary Notes 1 to 4 for estimating the life span or degree of abnormality or quality of a molded product.
  • the plurality of estimation models are an estimation model that estimates the life span or degree of abnormality or molded product quality of the member based on the physical quantity data obtained by short-term measurement; and an estimation model for estimating the lifespan or degree of abnormality or molded product quality of the member based on the physical quantity data obtained by long-term measurement.
  • the plurality of estimation models are an estimation model that estimates the lifespan, degree of abnormality, or molded product quality of the member based on physical quantity data obtained by measuring physical quantities of a first part related to the member; and an estimation model for estimating the life span or degree of abnormality or molded product quality of the member based on physical quantity data obtained by measuring physical quantities of a second part related to the member. Estimation method described in.
  • the molding machine is an extruder including a reducer, a screw, a motor and a die
  • the physical quantity data is The estimation method according to any one of Supplementary notes 1 to 7, including physical quantity data related to the reducer, physical quantity data related to the screw, physical quantity data related to the motor, or physical quantity data related to the dice.
  • the plurality of estimation models are an estimation model that estimates the lifespan, degree of abnormality, or molded product quality of the reduction gear based on physical quantity data related to the reduction gear;
  • the estimation method according to any one of Supplementary Notes 1 to 8, comprising: an estimation model that estimates the life span or degree of abnormality or molded product quality of the reduction gear based on physical quantity data related to the screw.
  • Appendix 10 Calculating the minimum value, average value, median value, or weighted average value of the life span or degree of abnormality or molded product quality of the member estimated using the plurality of estimation models. According to any one of Appendix 1 to Appendix 9. Estimation method described. (Appendix 11) A device identifier indicating each of the plurality of molding machines, a member identifier indicating the member constituting the molding machine, and one or more of the estimation models used for estimating the life span or degree of abnormality or molded product quality of the member. The estimation method described in any one of Supplementary notes 1 to 10 is stored in association with each other.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Extrusion Moulding Of Plastics Or The Like (AREA)

Abstract

成形機を構成する部材の状態に関連する物理量データを取得し、異なるアルゴリズムにより前記部材の寿命若しくは異常度又は成形品品質を推定する複数の推定モデルを用意し、前記複数の推定モデルから選択される一又は複数の前記推定モデルを用い、取得した前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する。

Description

推定方法、推定装置及びコンピュータプログラム
　本発明は、推定方法、推定装置及びコンピュータプログラムに関する。
　特許文献１には、射出成形機等における回転部材の寿命を予測する寿命予測装置が開示されている。特許文献１の寿命予測装置は、駆動モータによって回転する回転部材の回転数を積算し、積算された回転数と回転部材を回転させるのに要したトルクから回転部材の疲れ寿命を演算する。
　特許文献２には、射出成形機に設けられたボールねじの振動を検出する振動センサを備え、振動センサにて検出された振動強度を解析することによってボールねじの異常を検知する異常検知装置が開示されている。
特開平６－９１６８３号公報 特開２０２１－７４９１７号公報
　成形機を構成する部材の状態に関連する物理量データを収集し、機械学習することによって、当該部材の寿命を予測することが考えられる。
　成形機を構成する部材の寿命予測に使用できる種々の寿命予測モデルが考えられるが、最適な寿命予測モデルを一つに決定し、当該モデルの学習に十分なデータを収集することは必ずしも容易では無い。成形機を構成する部材の異常度又は成形品品質を推定する際にも同様の問題が生ずる。
　本開示の目的は、成形機を構成する部材の寿命若しくは異常度又は成形品品質を推定のために収集できるデータ量にかかわらず、寿命等の推定のための機械学習を行い、当該部材の寿命若しくは異常度又は成形品品質を推定することができる推定方法、推定装置及びコンピュータプログラムを提供することにある。
　本開示の一側面に係る推定方法は、成形機を構成する部材の状態に関連する物理量データを取得し、異なるアルゴリズムにより前記部材の寿命若しくは異常度又は成形品品質を推定する複数の推定モデルを用意し、前記複数の推定モデルから選択される一又は複数の前記推定モデルを用い、取得した前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する。
　本開示の一側面に係る推定装置は、成形機を構成する部材の状態に関連する物理量データを取得する取得部と、前記部材の寿命若しくは異常度又は成形品品質を異なるアルゴリズムにより推定する複数の推定モデルと、前記複数の推定モデルから選択される一又は複数の前記推定モデルを用い、前記取得部が取得した前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する処理部とを備える。
　本開示の一側面に係るコンピュータプログラム（コンピュータプログラム製品）は、成形機を構成する部材の状態に関連する物理量データを取得し、異なるアルゴリズムにより前記部材の寿命若しくは異常度又は成形品品質を推定する複数の推定モデルから選択される一又は複数の前記推定モデルを用い、取得した前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する処理をコンピュータに実行させる。
　本開示によれば、成形機を構成する部材の寿命若しくは異常度又は成形品品質を推定のために収集できるデータ量にかかわらず、寿命等の推定のための機械学習を行い、当該部材の寿命を予測することができる。
本実施形態に係る成形機システムの構成例を示すブロック図である。 本実施形態に係る成形機１の構成例を示す模式図である。 本実施形態に係るデータ収集装置３の構成例を示すブロック図である。 実施形態に係る寿命予測装置の構成例を示すブロック図である。 収集データＤＢのレコードレイアウトの一例を示す概念図である。 モデル構成ＤＢのレコードレイアウトの一例を示す概念図である。 寿命予測モデルの学習処理手順を示すフローチャートである。 第１寿命予測モデルを示す概念図である。 第１寿命予測モデルの学習処理手順を示すフローチャートである。 第１寿命予測モデルの学習結果を示すグラフである。 第１寿命予測モデルを用いた推論結果を示すグラフである。 第２寿命予測モデルを示す概念図である。 第２寿命予測モデルの学習処理手順を示すフローチャートである。 第２寿命予測モデルの学習結果を示すグラフである。 第２寿命予測モデルを用いた推論結果を示すグラフである。 第３寿命予測モデルを示す概念図である。 第３寿命予測モデルの学習処理手順を示すフローチャートである。 第３寿命予測モデルの学習結果を示すグラフである。 第３寿命予測モデルを用いた推論結果を示すグラフである。 寿命予測の処理手順を示すフローチャートである。 寿命予測の処理手順を示すフローチャートである。 ポータルサイトに表示される残存寿命推定結果表示画面の一例を示す模式図である。 ポータルサイトに表示されるダッシュボード画面の一例示す模式図である。 ポータルサイトに表示される検索表示画面の一例示す模式図である。 ポータルサイトに表示されるマンスリーレポート画面の一例を示す模式図である。
　本開示の実施形態に係る推定方法、寿命予測装置及びコンピュータプログラムを、以下に図面を参照しつつ説明する。なお、本開示はこれらの例示に限定されるものではなく、請求の範囲によって示され、請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。また、以下に記載する実施形態の少なくとも一部を任意に組み合わせてもよい。
　図１は本実施形態に係る成形機システムの構成例を示すブロック図である。成形機システムは、成形機１と、複数のセンサ２と、データ収集装置３と、ルータ４と、寿命予測装置５と、端末装置６ａ，６ｂとを備える。成形機１には、射出成形機及び押出機が含まれる。以下、成形機１は、一例として押出機であるものとして説明する。
　図１には１台の成形機１及びデータ収集装置３が図示されているが、寿命予測装置５には、図示しない複数のデータ収集装置３がネットワークを介して接続されている。データ収集装置３には一又は複数の成形機１が接続されている。寿命予測装置５は、複数の成形機１それぞれの情報を収集し、各成形機１を構成する一又は複数の部材の残存寿命を予測することができる。複数の成形機１及びデータ収集装置３は、成形機１を保有する複数のユーザそれぞれの工場に設置されているものとする。ユーザは、オペレータでは無く成形機１を保有する法人等の組織である。
　端末装置６ａ，６ｂは、コンピュータ、タブレット端末、スマートフォン等の表示部を有する通信端末である。端末装置６ａは、ユーザが使用する端末である。端末装置６ｂは、当該ユーザの成形機１に関連する営業担当者、保守管理担当者等のサービス提供担当者が使用する端末である。
＜成形機１＞
　図２は本実施形態に係る成形機１の構成例を示す模式図である。成形機１は、樹脂原料が投入されるホッパ１０ａを有するシリンダ１０と、２本のスクリュ１１と、シリンダ１０の出口部分に設けられたダイス１２（図１参照）とを備える。２本のスクリュ１１は、相互に噛み合わされた状態で略平行に配され、シリンダ１０の孔内に回転可能に挿入されており、ホッパ１０ａに投入された樹脂原料を押出方向（図１及び図２中右方向）へ搬送し、溶融及び混練する。溶融した樹脂原料は、貫通孔を有するダイス１２から排出される。
　スクリュ１１は、複数種類のスクリュピースを組み合わせ、一体化することによって一本のスクリュ１１として構成されている。例えば、樹脂原料を順方向へ輸送するフライトスクリュ形状の順フライトピース、樹脂原料を逆方向へ輸送する逆フライトピース、樹脂原料を混練するニーディングピース等を、樹脂原料の特性に応じた順序及び位置に配して組み合わせることにより、スクリュ１１が構成される。
　また、成形機１は、スクリュ１１を回転させるための駆動力を出力するモータ１３と、モータ１３の駆動力を減速伝達する減速機１４と、制御装置１５とを備える。スクリュ１１は減速機１４の出力軸に接続されている。スクリュ１１は、減速機１４によって減速伝達されたモータ１３の駆動力によって回転する。
＜センサ２＞
　センサ２は、成形機１を構成する部材の状態に関連する物理量を検出し、検出して得た物理量データを直接又は間接的にデータ収集装置３へ出力する。物理量データは、検出された物理量を示す時系列のセンサ値のデータである。センサ２には、成形機１の運転制御に必要なものとして当該成形機１に設けられているものと、部材の寿命を推定するために設けられたものとが含まれる。複数のセンサ２の一部は、データ収集装置３に接続されており、データ収集装置３は当該センサ２から物理量データを取得する。複数のセンサ２の一部は、制御装置１５に接続されており、データ収集装置３は制御装置１５を介して当該センサ２から物理量データを取得する。
　物理量には、温度、位置、速度、加速度、電流、電圧、圧力、時間、画像データ、トルク、力、歪、消費電力、重さ等がある。これらの物理量は、温度計、位置センサ、速度センサ、加速度センサ、電流計、電圧計、圧力計、タイマ、カメラ、トルクセンサ、電力計、重量計等を用いて測定することができる。
　複数のセンサ２は、例えば、減速機１４に係る物理量を検出する第１センサ２１と、スクリュ１１に係る物理量を検出する第２センサ２２と、モータ１３に係る物理量を検出する第３センサ２３と、ダイス１２に係る物理量を検出する第４センサ２４とを含む。
　第１センサ２１は、例えば減速機１４の振動を検出する振動検出器等である。第２センサ２２は、スクリュ１１の軸トルクを検出するトルク検出器、スクリュ１１の回転数を検出する回転計、スクリュ先端圧力を検出する圧力計、スクリュ１１の温度を検出温度計、スクリュ１１の回転中心の変位を検出する変位センサ等である。第３センサ２３は、モータ電流を検出する電流計、モータ回転数を検出する回転計等である。第４センサ２４は、ダイス１２に働くダイヘッド圧力を検出する圧力計である。
＜制御装置１５＞
　制御装置１５は、成形機１の運転制御を行うコンピュータであり、データ収集装置３との間で情報を送受信する図示しない送受信部、及び表示部を備える。
　具体的には、制御装置１５は、成形機１の運転状態を示す運転データをデータ収集装置３へ送信する。運転データは、例えば、モータ電流、スクリュ１１の回転数、スクリュ１１の先端圧力、ダイヘッド圧力、フィーダ供給量（樹脂原料の供給量）、押出量、シリンダ温度、樹脂圧等である。
　制御装置１５は、データ収集装置３から送信される各種グラフデータ、成形機１を構成する部材の残存寿命を示す残存寿命データを受信する。制御装置１５は、受信したグラフデータ及び残存寿命データの内容を表示する。また、制御装置１５は、受信した残存寿命データが示す残存寿命に応じて警告を出力する。
＜データ収集装置３＞
　図３は本実施形態に係るデータ収集装置３の構成例を示すブロック図である。データ収集装置３は、コンピュータであり、制御部３１、記憶部３２、通信部３３及びデータ入力部３４を備え、記憶部３２、通信部３３及びデータ入力部３４は制御部３１に接続されている。データ収集装置３は、例えばＰＬＣ（Programmable Logic Controller）である。
　制御部３１は、ＣＰＵ（Central Processing Unit）、マルチコアＣＰＵ、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）等の演算処理回路、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等の内部記憶装置、Ｉ／Ｏ端子等を有する。制御部３１は、後述の記憶部３２が記憶する制御プログラムを実行することにより、物理量データを収集し、寿命予測装置５へ送信する処理を実行する。なお、データ収集装置３の各機能部は、ソフトウェア的に実現してもよいし、一部又は全部をハードウェア的に実現してもよい。
　記憶部３２は、ハードディスク、ＥＥＰＲＯＭ（Electrically Erasable Programmable ROM）、フラッシュメモリ等の不揮発性メモリである。記憶部３２は、物理量データの収集処理をコンピュータに実施させるための制御プログラムを記憶している。
　通信部３３は、イーサネット（登録商標）等の所定の通信プロトコルに従って情報を送受信する通信回路である。通信部３３は、ＬＡＮ等の第１通信ネットワークを介して制御装置１５に接続されており、制御部３１は通信部３３を介して制御装置１５との間で各種情報を送受信することができる。制御部３１は、通信部３３を介して物理量データを取得する。
　第１ネットワークにはルータ４が接続されており、通信部３３はルータ４を介して第２通信ネットワークであるクラウド上の寿命予測装置５に接続されている。制御部３１は、通信部３３及びルータ４を介して寿命予測装置５との間で各種情報を送受信することができる。
　データ入力部３４は、センサ２から出力された信号が入力する入力インタフェースである。データ入力部３４にはセンサ２が接続されており、制御部３１は、データ入力部３４を介して物理量データを取得する。
＜寿命予測装置５＞
　図４は実施形態に係る寿命予測装置５の構成例を示すブロック図である。寿命予測装置５は、コンピュータであり、処理部５１、記憶部５２、通信部５３を備える。記憶部５２、通信部５３は、処理部５１に接続されている。
　処理部５１は、プロセッサであり、ＣＰＵ、マルチコアＣＰＵ、ＧＰＵ（Graphics Processing Unit）、ＧＰＧＰＵ（General-purpose computing on graphics processing units）、ＴＰＵ（Tensor Processing Unit）、ＡＳＩＣ、ＦＰＧＡ、ＮＰＵ（Neural Processing Unit）等の演算処理回路、ＲＯＭ、ＲＡＭ等の内部記憶装置、Ｉ／Ｏ端子等を有する。処理部５１は、後述の記憶部５２が記憶するコンピュータプログラム（コンピュータプログラム製品）Ｐを実行することにより、本実施形態に係る寿命予測装置５として機能する。なお、寿命予測装置５の各機能部は、ソフトウェア的に実現してもよいし、一部又は全部をハードウェア的に実現してもよい。
　通信部５３は、イーサネット（登録商標）等の所定の通信プロトコルに従って情報を送受信する通信回路である。通信部５３は、第２通信ネットワークを介してデータ収集装置３、及び端末装置６ａ，６ｂに接続されており、制御部３１は通信部５３を介してデータ収集装置３、及び端末装置６ａ，６ｂとの間で各種情報を送受信することができる。
　記憶部５２は、ハードディスク、ＥＥＰＲＯＭ、フラッシュメモリ等の不揮発性メモリである。記憶部５２は、成形機１を構成する部材の寿命を推定する処理をコンピュータに実施させるためのコンピュータプログラムＰと、第１寿命予測モデルＭ１と、第２寿命予測モデルＭ２と、第３寿命予測モデルＭ３と、収集データＤＢ５２ａ、モデル構成ＤＢ５２ｂとを記憶している。
　コンピュータプログラムＰ等は、記録媒体５０にコンピュータ読み取り可能に記録されている態様でもよい。記憶部５２は、図示しない読出装置によって記録媒体５０から読み出されたコンピュータプログラムＰ等を記憶する。記録媒体５０はフラッシュメモリ等の半導体メモリである。また、記録媒体５０はＣＤ（Compact Disc）－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）－ＲＯＭ、ＢＤ（Blu-ray（登録商標）Disc）等の光ディスクでもよい。更に、記録媒体５０は、フレキシブルディスク、ハードディスク等の磁気ディスク、磁気光ディスク等であってもよい。更にまた、図示しない通信網に接続されている図示しない外部サーバからコンピュータプログラムＰ等をダウンロードし、記憶部５２に記憶させてもよい。
　第１寿命予測モデルＭ１は、物理量データから生成される画像データが入力された場合、成形機１を構成する部材の残存寿命を示すデータを出力する画像認識学習モデル７３を備える（図８参照）。画像認識学習モデル７３は、例えばＣＮＮ（Convolutional Neural Network）を有する。記憶部５２が予め記憶している第１寿命予測モデルＭ１の画像認識学習モデル７３は、既成の学習済みモデルである。処理部５１は、この既成の学習済みモデルの転移学習又はファインチューニングを行うことによって、特定の成形機１及び部材の残存寿命予測に特化した学習モデルを生成することができる。
　なお、転移学習又はファインチューニングされた学習モデル及び寿命予測モデルも、便宜上、画像認識学習モデル７３及び第１寿命予測モデルＭ１と呼ぶ。
　第２寿命予測モデルＭ２は、センサ２にて検出可能な複数種類の物理量を示す物理量データと、当該物理量以外の他の状態量との関係を示す一又は複数の状態量推定数理モデル８１と、寿命推定数理モデル８２とを有する（図１１参照）。記憶部５２が予め記憶している第２寿命予測モデルＭ２の状態量推定数理モデル８１は、既存の数理モデルである。状態量推定数理モデル８１を規定する係数は、試験用の成形機等を用いて予め調整されている。寿命推定数理モデル８２も試験用の成形機等を用いて予め粗調整しておくとよい。処理部５１は、この状態量推定数理モデル８１及び寿命推定数理モデル８２の転移学習又はファインチューニングを行うことによって、特定の成形機１及び部材の残存寿命予測に特化した数理モデルを生成することができる。
　なお、転移学習又はファインチューニングされた数理モデル及び寿命予測モデルも、便宜上、状態量推定数理モデル８１及び寿命推定数理モデル８２、並びに第２寿命予測モデルＭ２と呼ぶ。
　第３寿命予測モデルＭ３は、一又は複数の説明変数を有し、物理量データと、成形機１を構成する部材の残存寿命との関係を示す寿命推定関数（回帰式）９２を有する（図１４参照）。寿命推定関数９２を規定する係数は、試験用の成形機等を用いて予め粗調整しておくとよい。処理部５１は、この寿命推定関数９２の転移学習又はファインチューニングを行うことによって、特定の成形機１及び部材の残存寿命予測に特化した推定関数を生成することができる。
　なお、転移学習又はファインチューニングされた推定関数及び寿命予測モデルも、便宜上、寿命推定関数９２及び第３寿命予測モデルＭ３と呼ぶ。
　なお、第１寿命予測モデルＭ１は、短期的に測定して得られた時系列の物理量データに基づいて成形機１を構成する部材の寿命を予測するモデルであり、第２寿命予測モデルＭ２及び第３寿命予測モデルＭ３は、長期的に測定して得られた時系列の物理量データに基づいて成形機１を構成する部材の寿命を予測するモデルである。もちろん、第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３は、同期間に測定して得られた時系列の物理量データに基づいて成形機１を構成する部材の寿命を予測するように構成してもよい。成形機１を構成する部材の寿命予測に利用する物理用データの測定時間幅を寿命予測モデル毎に設定できるように構成してもよい。
　なお、第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３は、異なるアルゴリズムにより成形機１の部材の寿命を予測するモデルの一例であり、寿命予測モデルの数は３つに限定されるものでは無い。また、寿命予測モデルの種類も特に上記のものに限定されるものでは無い。
　例えば、第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３は、多層パーセプトロン（Multilayer perceptron：MLP）、畳み込みニューラルネットワーク（Convolutional Neural Network：CNN）、グラフニューラルネットワーク（Graph Neural Network：GNN）、グラフ畳み込みニューラルネットワーク（Graph Convolutional Network：GCN）、ＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long Short Term Memory）、その他のニューラルネットワークモデルで構成してもよい。また、決定木、ランダムフォレスト、ＳＶＭ（Support Vector Machine）などのアルゴリズムを用いて第１寿命予測モデルＭ１を構成してもよい。
　図５は、収集データＤＢ５２ａのレコードレイアウトの一例を示す概念図である。収集データＤＢ５２ａは、ハードディスク、ＤＢＭＳ（DataBase Management System）を備え、成形機１から収集した各種物理量データを記憶する。例えば、収集データＤＢ５２ａは、「Ｎｏ．」（レコード番号）列、「機器ＩＤ」列、「運転日時」列、「振動データ」列、「軸トルク」列を有する。
　「機器ＩＤ」列は、成形機１の機器識別子を格納する。「運転日時」列は、レコードとして記憶される各種データが得られた年、月、日時等を示す情報を格納する。「運転データ」列は、成形機１の運転状態を示す時系列の物理量、例えばモータ電流、スクリュ１１の回転数、スクリュ１１の先端圧力、ダイヘッド圧力、フィーダ供給量（樹脂原料の供給量）、押出量、シリンダ温度、樹脂圧等を格納する。「振動データ」列は、時系列の物理量データである振動データを格納する。「軸トルクデータ」列は、時系列の物理量データであるスクリュ１１のトルクデータを格納する。
　図６は、モデル構成ＤＢ５２ｂのレコードレイアウトの一例を示す概念図である。モデル構成ＤＢ５２ｂは、ハードディスク、ＤＢＭＳ（DataBase Management System）を備え、成形機１を構成する部材の寿命を予想するために使用する各種寿命予測モデルの係数等を記憶する。例えば、モデル構成ＤＢ５２ｂは、「ユーザＩＤ」列、「機器ＩＤ」列、「部材ＩＤ」列、「第１寿命予測モデル」列、「第１寿命予測使用センサＩＤ」列、「第２寿命予測モデル」列、「第２寿命予測使用センサＩＤ」列、「第３寿命予測モデル」列、「第３寿命予測使用センサＩＤ」列を有する。
　「ユーザＩＤ」列は、成形機１のユーザの識別子を格納する。「機器ＩＤ」列は、成形機１の機器識別子を格納する。「部材ＩＤ」列は成形機１を構成する部材であって、残存寿命の予測対象である部材の部材識別子を格納する。
　「第１寿命予測モデル」列は、当該機器ＩＤ及び部材ＩＤが示す成形機１の部材の残存寿命を予測するために転移学習又はファインチューニングされた第１寿命予測モデルＭ１を記憶する。例えば、「第１寿命予測モデル」列は、画像認識学習モデル７３の重み係数、各種パラメータを格納する。「第１寿命予測使用センサＩＤ」列は、当該第１寿命予測モデルＭ１を用いて当該部材の残存寿命を予測するために利用するセンサ２の識別子を格納する。言い換えると、当該部材の残存寿命を予測するために利用する物理量データの種類を格納する。例えば、モータ電流を検出するセンサ２の識別子、減速機１４の振動を検出するセンサ２の識別子、スクリュ１１の軸トルクを検出するセンサ２の識別子等を記憶する。
　「第２寿命予測モデル」列は、当該機器ＩＤ及び部材ＩＤが示す成形機１の部材の残存寿命を予測するために転移学習又はファインチューニングされた第２寿命予測モデルＭ２を記憶する。例えば、「第２寿命予測モデル」列は、状態量推定数理モデル８１及び寿命推定数理モデル８２の重み係数、各種パラメータを格納する。「第２寿命予測使用センサＩＤ」列は、当該第２寿命予測モデルＭ２を用いて当該部材の残存寿命を予測するために利用するセンサ２の識別子を格納する。
　「第３寿命予測モデル」列は、当該機器ＩＤ及び部材ＩＤが示す成形機１の部材の残存寿命を予測するために転移学習又はファインチューニングされた第３寿命予測モデルＭ３を記憶する。例えば、「第３寿命予測モデル」列は、寿命推定関数９２の係数を格納する。「第３寿命予測使用センサＩＤ」列は、当該第３寿命予測モデルＭ３を用いて当該部材の残存寿命を予測するために利用するセンサ２の識別子を格納する。
　図６に示すように、一の部材の残存寿命を予測する際、異なるセンサ２を用いて得られた物理量データを用いて、それぞれ異なる寿命予測モデルを用いて残存寿命を予測するように構成することができる。例えば、減速機１４の残存寿命を予測する際、第１センサ２１を用いて得られる第１の部位の物量データに基づいて、第１寿命予測モデルＭ１を用いて残存寿命を算出すると共に、第２センサ２２を用いて得られる第２の部位の物理量データに基づいて、第２寿命予測モデルＭ２又は第３寿命予測モデルＭ３を用いて残存寿命を算出し、算出された残存寿命の平均値等を算出するようにすることができる。第１センサ２１を用いて得られる物理量データは例えば減速機１４の振動データ、第２センサ２２を用いて得られる物理量データはスクリュ１１の軸トルクである。
　なお、モデル構成ＤＢ５２ｂは、図６に示すように、成形機１及び部材に応じて、残存寿命の予測に使用する寿命予測モデルの情報を格納し、残存寿命の予測に使用しない寿命予測モデルの寿命を格納しないように構成してもよい。また、モデル構成ＤＢ５２ｂは、転移学習又はファインチューニングの適否にかかわらず、収集可能な物理量データを用いて学習させた第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３の情報を全て格納するように構成してもよい。更にモデル構成ＤＢ５２ｂは、第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３の予測精度に応じた重み係数を機器ＩＤ及び部材ＩＤに対応付けて記憶してもよい。当該重み係数は、第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３にて算出される寿命予測の重み付け平均を算出するための係数である。
＜機械学習処理＞
　図７は、寿命予測モデルの学習処理手順を示すフローチャートである。寿命予測装置５の処理部５１は、データ収集装置３から成形機１を構成する部材の状態に関連する物理量データを取得する（ステップＳ１１）。処理部５１は取得した物理量データを収集データＤＢ５２ａに格納する。
　次いで、処理部５１は取得した物理量データに基づいて第１寿命予測モデルＭ１の機械学習処理を実行する（ステップＳ１２）。処理部５１は取得した物理量データに基づいて第２寿命予測モデルＭ２の機械学習処理を実行する（ステップＳ１３）。処理部５１は取得した物理量データに基づいて第３寿命予測モデルＭ３の機械学習処理を実行する（ステップＳ１４）。
　なお、処理部５１は、寿命予測対象である成形機１の部材に応じて、第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３を選択的に学習させるように構成してもよい。例えば、機械学習用の物理量データが少ない場合、第３寿命予測モデルＭ３のみを学習させ、物理量データが十分に蓄積された場合、第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３を全て学習させるように構成してもよい。
　第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３の学習を終えた処理部５１は、学習済みの第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３を構成するためのデータを、寿命予測対象の成形機１及び部材を示す機器ＩＤ及び部材ＩＤに対応付けてモデル構成ＤＢ５２ｂに格納する（ステップＳ１５）。
　学習済みの第１寿命予測モデルＭ１を構成するためのデータは、例えば、画像認識学習モデル７３の重み係数である。学習済みの第２寿命予測モデルＭ２を構成するためのデータは、例えば、状態量推定数理モデル８１及び寿命推定数理モデル８２の係数である。学習済みの第３寿命予測モデルＭ３を構成するためのデータは、例えば、寿命推定関数９２の係数である。
　図８は、第１寿命予測モデルＭ１を示す概念図である。第１寿命予測モデルＭ１は、周波数解析部７１と、画像生成部７２と、画像認識学習モデル７３とを備える。周波数解析部７１は、時系列の物理量データを周波数成分の物理量データにフーリエ変換する演算処理部である。周波数解析部７１は、短時間フーリエ変換（STFT: Short-Time Fourier Transform）にて物理量データのフーリエ変換を行うとよい。画像生成部７２は、フーリエ変換された物理量データを画像で表した画像データに変換する演算処理部である。例えば、画像の横軸を周波数、縦軸を周波数成分の大きさとした画像平面に物理量データを表すとよい。以下、物理量データをフーリエ変換することによって得られる画像をフーリエ変換画像と呼ぶ。
　なお、周波数解析の方法はＳＴＦＴに限定されるものでは無く、ウェーブレット変換（Wavelet Transformation）、ストックウェル変換（Stockwell Transform）、ウィグナー分布（Wigner distribution function）、経験的モード分解（Empirical Mode Decomposition）、ヒルベルト・ファン変換（Hilbert-Huang Transform）等を用いてもよい。
　画像認識学習モデル７３は、畳み込みニューラルネットワーク（CNN：Convolutional neural network）であり、フーリエ変換画像の画像データが入力される入力層７３ａと、中間層７３ｂと、部材の残存寿命を示す残存寿命データを出力する出力層７３ｃとを備える。
　入力層７３ａは、フーリエ変換画像を構成する各画素の画素値が入力される複数のノードを有する。中間層７３ｂは、入力層７３ａに入力されたフーリエ変換画像の各画素の画素値を畳み込む畳み込み層と、畳み込み層で畳み込んだ画素値をマッピングするプーリング層とが交互に連結された構成を有する。中間層７３ｂは、フーリエ変換画像の画像情報を圧縮しながら当該フーリエ変換画像の特徴量を抽出し、抽出したフーリエ変換画像、つまり物理量データの特徴量を出力層７３ｃに出力する。
　出力層７３ｃは、物理量データ測定時点における部材の残存寿命を示す残存寿命データを出力するノードを有する。
　なお、画像認識学習モデル７３の一例としてＣＮＮを例示したが、多層パーセプトロン（Multilayer perceptron：MLP）、畳み込みニューラルネットワーク（Convolutional Neural Network：CNN）、グラフニューラルネットワーク（Graph Neural Network：GNN）、グラフ畳み込みニューラルネットワーク（Graph Convolutional Network：GCN）、ＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long Short Term Memory）、その他のニューラルネットワークモデルで構成してもよい。また、決定木、ランダムフォレスト、ＳＶＭ（Support Vector Machine）などのアルゴリズムを用いて第１寿命予測モデルＭ１を構成してもよい。
　図９は、第１寿命予測モデルＭ１の学習処理手順を示すフローチャートである。処理部５１は、収集データＤＢ５２ａに蓄積された時系列の物理量データを周波数解析することによって、周波数成分の物理量に変換し（ステップＳ２１）、フーリエ変換された物理量データに基づいて、フーリエ変換画像を生成する（ステップＳ２２）。そして、処理部５１は、フーリエ変換画像に、当該フーリエ変換画像の元になった物理量データが測定された時点における部材の残存寿命をラベリングする（ステップＳ２３）。次いで、処理部５１は、残存寿命がラベリングされたフーリエ変換画像を学習データ（訓練データ）として用いて第１寿命予測モデルＭ１の機械学習を実行する（ステップＳ２４）。記憶部５２は既成の画像認識学習モデル７３を記憶しており、当該画像認識学習モデル７３の転移学習又はファインチューニングにより、特定の成形機１及び部材の残存寿命予測に特化した第１寿命予測モデルＭ１を生成することができる。より具体的には処理部５１は、学習データを用いた誤差逆伝播法、誤差勾配降下法等によって、画像認識学習モデル７３の重み係数を最適化することにより、画像認識学習モデル７３を機械学習させる。
　図１０Ａは、第１寿命予測モデルＭ１の学習結果を示すグラフ、図１０Ｂは、第１寿命予測モデルＭ１を用いた推論結果を示すグラフである。図１０Ａ及び図１０Ｂに示す横軸は経過日数、縦軸は残存寿命（推定寿命）を示している。予測対象の部材は、例えば、減速機１４のギア又は軸受けであり、物理量は減速機１４の振動である。図１０Ａに示す期間（経過日数０～７か月）に得られた学習データを用いて画像認識学習モデル７３の機械学習が行われた。直線矢印はラベリングされた残存寿命（寿命ラベル）を示している。丸点プロットは、学習データのフーリエ変換画像を画像認識学習モデル７３に入力することによって得られた残存寿命の予測結果を示している。なお、学習の段階で、寿命一定以上となるものは壊れないものと判定するようにした。
　図１０Ｂ中、左側（経過日数０～２か月）の丸点プロットは、中古の部材（残存寿命が短い）を備えた成形機１から得られたフーリエ変換画像を画像認識学習モデル７３に入力することによって得られた残存寿命の予測結果（推定寿命）を示している。図１０Ｂ中、推論段階で、予測された残存寿命が一定以上となるもの（例えば図１０Ｂ中、Ａの範囲）は、丸点プロットとして表示されていない。図１０Ａ及び図１０Ｂに示すように、学習済みの画像認識学習モデル７３にて部材の残存寿命を予測できることが分かる。
　図１１は、第２寿命予測モデルＭ２を示す概念図である。第２寿命予測モデルＭ２は、状態量推定数理モデル８１と、寿命推定数理モデル８２とを備える。状態推定モデルは、センサ２を用いて検出可能な複数種類の物理量それぞれを示す複数の物理量データと、当該複数の物理量以外の他の状態量との関係を規定する関数である。複数の物理量及び他の状態量には、例えば、減速機１４の振動、樹脂原料の供給量、モータ電流、スクリュ１１の回転数、樹脂種料樹脂の種類、スクリュ構成等が含まれる。寿命推定数理モデル８２は、物理量データと、状態量推定数理モデル８１によって推定される物理量データとに基づいて、成形機１の部材の残存寿命を推定する関数である。
　図１２は、第２寿命予測モデルＭ２の学習処理手順を示すフローチャートである。処理部５１は、収集データＤＢ５２ａに蓄積されている物理量データに、当該物理量データが測定された時点における部材の残存寿命をラベリングする（ステップＳ３１）。次いで、処理部５１は、残存寿命がラベリングされた物理量データを学習データとして用いて状態量推定数理モデル８１及び寿命推定数理モデル８２の係数を最適化する（ステップＳ３２）。状態量推定数理モデル８１及び寿命推定数理モデル８２は回帰式で表すことができ、処理部５１は、例えばカーネルリッジ回帰（Kernel Ridge Regression）によって、当該数理モデルの係数を最適化することができる。記憶部５２は、予め粗調整された状態量推定数理モデル８１及び寿命推定数理モデル８２を記憶しており、当該数理モデルの係数を最適化することによって、第２寿命予測モデルＭ２を生成することができる。
　なお、状態量推定数理モデル８１及び寿命推定数理モデル８２の係数を最適化する方法は、カーネルリッジ回帰に限定されるものではない。
　図１３Ａは、第２寿命予測モデルＭ２の学習結果を示すグラフ、図１３Ｂは、第２寿命予測モデルを用いた推論結果を示すグラフである。図１３Ａ及び図１３Ｂに示す横軸は経過日数、縦軸は残存寿命（推定寿命）を示している。予測対象の部材は、例えば、減速機１４のギア又は軸受けであり、物理量は減速機１４の振動である。図１３Ａに示す期間（経過日数０～１２か月）に得られた学習データを用いて状態量推定数理モデル８１及び寿命推定数理モデル８２の機械学習が行われた。実線はラベリングされた残存寿命（寿命ラベル）を示している。丸点プロットは第２寿命予測モデルＭ２を用いて予測された残存寿命を示している。
　図１３Ｂ中、右側の期間（経過日数３～８か月）に示された期間の範囲に示された丸点プロットは、新品の部材（残存寿命が長い）を備えた成形機１から得られた物理量データのＲＭＳに基づいて予測された残存寿命を示している。図１３中、左側の期間（０～２か月）の範囲に示された丸点プロットは、中古の部材（残存寿命が短い）を備えた成形機１から得られた物理量データのＲＭＳに基づいて予測された残存寿命を示している。図１３Ａ及び図１３Ｂに示すように、学習済みの状態量推定数理モデル８１及び寿命推定数理モデル８２にて部材の残存寿命を予測できることが分かる。
　図１４は、第３寿命予測モデルＭ３を示す概念図である。第３寿命予測モデルＭ３は、ＲＭＳ算出部９１及び寿命推定関数９２とを備える。ＲＭＳ算出部９１は、物理量データの２乗平均平方根を算出する演算処理部である。寿命推定関数９２は、物理量データのＲＭＳに基づいて、成形機１の部材の残存寿命を推定する関数である。寿命推定関数９２は、目的変数である残存寿命を一又は複数の説明変数によって表す回帰式である。
　図１５は、第３寿命予測モデルＭ３の学習処理手順を示すフローチャートである。処理部５１は、収集データＤＢ５２ａに蓄積されている物理量データに基づいて、当該物理量のＲＭＳを算出し（ステップＳ４１）、算出されたＲＭＳに、当該物理量データが測定された時点における部材の残存寿命をラベリングする（ステップＳ４２）。次いで、処理部５１は、残存寿命がラベリングされたＲＭＳを学習データとして用いて寿命推定関数９２の係数を最適化する（ステップＳ４３）。処理部５１は、例えばラッソ回帰（Lasso Regression）によって、当該寿命推定関数９２の係数を最適化することができる。記憶部５２は、予め粗調整された寿命推定関数９２を記憶しており、当該寿命推定関数９２の係数を最適化することによって、第３寿命予測モデルＭ３を生成することができる。
　図１６Ａは、第３寿命予測モデルＭ３の学習結果を示すグラフ、図１６Ｂは、第３寿命予測モデルＭ３を用いた推論結果を示すグラフである。図１６Ａ及び図１６Ｂに示す横軸は経過日数、縦軸は残存寿命を示している。予測対象の部材は、例えば、減速機１４のギア又は軸受けであり、物理量は減速機１４の振動である。図１６Ａに示す期間（経過日数１～１６か月）に得られた学習データを用いて寿命推定関数９２の機械学習が行われた。実線はラベリングされた残存寿命を示している。丸点プロットは、寿命推定関数９２を用いて予測された残存寿命を示している。
　図１６Ｂ中、右上側の丸点プロットは、新品の部材（残存寿命が長い）を備えた成形機１から得られた物理量データのＲＭＳに基づいて予測された残存寿命を示している。図１６Ｂ中、左下側の丸点プロットは、中古の部材（残存寿命が短い）を備えた成形機１から得られた物理量データのＲＭＳに基づいて予測された残存寿命を示している。図１６Ａ及び図１６Ｂに示すように、学習済みの寿命推定関数９２にて部材の残存寿命を予測できることが分かる。
＜残存寿命予測＞
　図１７及び図１８は、寿命予測の処理手順を示すフローチャートである。寿命予測装置５の処理部５１は、データ収集装置３から物理量データを取得する（ステップＳ５１）。次いで、処理部５１は、寿命予測対象の部材を予測するために使用する一又は複数の寿命予測モデルを選択する（ステップＳ５２）。具体的には、処理部５１は、特定の成形機１及び部材を示す機器ＩＤ及び部材ＩＤに対応付けられた寿命推定数理モデル８２をモデル構成ＤＢ５２ｂから読み出す。
　処理部５１は、第１寿命予測モデルＭ１を利用するか否かを判定する（ステップＳ５３）。第１寿命予測モデルＭ１を利用すると判定した場合（ステップＳ５３：ＹＥＳ）、処理部５１は、取得した時系列の物理量データを周波数解析することによって、周波数成分の物理量に変換し（ステップＳ５４）、フーリエ変換された物理量データに基づいて、フーリエ変換画像の画像データを生成する（ステップＳ５５）。そして、処理部５１は、生成されたフーリエ変換画像の画像データを画像認識学習モデル７３に入力することによって、部材の残存寿命を予測する（ステップＳ５６）。
　ステップＳ５６の処理を終えた場合、又はステップＳ５３において第１寿命予測モデルＭ１を利用しないと判定した場合（ステップＳ５３：ＮＯ）、処理部５１は、第２寿命予測モデルＭ２を利用するか否かを判定する（ステップＳ５７）。第２寿命予測モデルＭ２を利用すると判定した場合（ステップＳ５７：ＹＥＳ）、処理部５１は、取得した物理量データを状態量推定数理モデル８１に代入することによって未知の状態量を推定する（ステップＳ５８）。次いで、処理部５１は、取得した物理量データと、算出された未知の状態量を寿命推定数理モデル８２に代入することによって、部材の残存寿命を予測する（ステップＳ５９）。
　ステップＳ５９の処理を終えた場合、又はステップＳ５７において第２寿命予測モデルＭ２を利用しないと判定した場合（ステップＳ５７：ＮＯ）、処理部５１は、第３寿命予測モデルＭ３を利用するか否かを判定する（ステップＳ６０）。第３寿命予測モデルＭ３を利用すると判定した場合（ステップＳ６０：ＹＥＳ）、処理部５１は、取得した物理量データに基づいて、当該物理量のＲＭＳを算出する（ステップＳ６１）。そして、処理部５１は、算出された物理量データのＲＭＳを寿命推定関数９２に代入することによって、部材の残存寿命を予測する（ステップＳ６２）。
　ステップＳ６２の処理を終えた場合、又はステップＳ６０において第３寿命予測モデルＭ３を利用しないと判定した場合（ステップＳ６０：ＮＯ）、利用した第１～第３寿命推定モデルに基づいて、部材の残存寿命を算出する（ステップＳ６３）。例えば、処理部５１は、第１～第３寿命推定モデルによってそれぞれ算出された残存寿命の最小値、平均値、中央値、重み付け平均値等を算出する。
　重み付け平均に使用する重み係数は、ユーザによって任意に設定される構成でもよいし、過去の寿命予測精度のフィードバック情報（例えば、算出された残存寿命と、実際の残存寿命との差分）に応じて設定してもよい。また、処理部５１は、ユーザによって選択された一つの寿命予測モデルによって算出された残存寿命を選択してもよい。処理部５１は、ユーザによって選択された複数の寿命予測モデルによって算出された残存寿命の最小値、平均値、中央値、重み付け平均値等を算出してもよい。
　次いで、処理部５１は、取得した時系列の物理量データに基づいて、成形機１を構成する各部材の、時系列の各時点における特徴を表した特徴周波数強度を算出する（ステップＳ６４）。そして、処理部５１は、算出された特徴周波数強度の時系列グラフを作成する（ステップＳ６５）。時系列グラフは、横軸を時間、縦軸を特徴周波数強度とし、上記算出された時系列の特徴周波数強度を表すグラフである。
　次いで、処理部５１は、成形機１を構成する各部材の残存寿命及び時系列グラフの表示処理を実行する（ステップＳ６６）。処理部５１は、例えばユーザが所有する各成形機１の状態をブラウザで閲覧することが可能なポータルサイトに、各部材の残存寿命及び時系列グラフを表示する。
　また、処理部５１は、算出された成形機１を構成する各部材の残存寿命及び時系列グラフのデータを端末装置６ａ，６ｂへ送信する（ステップＳ６７）。例えば、処理部５１は、成形機１のユーザ又はオペレータの端末装置６ａ、当該ユーザの成形機１に関わるサービス提供担当者の端末装置６ｂへ残存寿命及び時系列グラフのデータを送信する。
　本実施形態に係る寿命予測装置５は、複数の成形機１及び部材それぞれの残存寿命、成形機１の各部材の状態に関連する物理量の時系列グラフを閲覧することができるポータルサイトを提供する。本実施形態に係る寿命予測装置５は、複数のユーザがそれぞれ保有する成形機１の状態を管理しており、各ユーザはブラウザを用いてポータルサイトにアクセスすることによって、当該ユーザが保有する成形機１の状態を閲覧及び確認することができる。また、成形機１及び部材に関わるサービス提供担当者もブラウザを用いてポータルサイトにアクセスすることによって、担当のユーザ又は成形機１の状態を閲覧及び確認することができる。
　図１９は、ポータルサイトに表示される残存寿命推定結果表示画面１０１の一例を示す模式図である。残存寿命推定結果表示画面１０１は、ユーザが保有又は使用する複数の成形機１それぞれの名称を表示する機器名表示部１１１と、各成形機１を構成する部材の名称を表示する部材名表示部１１２とを有する。また、残存寿命推定結果表示画面１０１は、各部材の状態、特に残存寿命に基づく状態を表示する部材状態表示部１１３を有する。部材状態表示部１１３は、「良好」、「要確認」、「異常」等のアイコンを表示することによって各部材の状態を表示する。部材状態表示部１１３のアイコンが操作された場合、処理部５１は当該部材の状態に関連する物理量の時系列グラフを表示させる。更に、残存寿命推定結果表示画面１０１は、異常がある部材の残存寿命を表示する残存寿命表示部１１４を有する。処理部５１は、上記処理によって算出された部材の残存寿命を表示する。
　図２０は、ポータルサイトに表示されるダッシュボード画面１０２の一例示す模式図である。ダッシュボード画面１０２は、成形機１の状態を示す代表的な一又は複数の物理量データの時系列グラフを表示する画面である。ダッシュボード画面１０２は、表示する成形機１及び期間等を指定するための表示操作部１２１と、時系列グラフ表示部１２２とを有する。表示操作部１２１は、例えば成形機１の機種を指定する機種指定部、表示する期間を示す期間指定部、スクリュ回転数を指定するスクリュ回転数指定部、ダッシュボードに表示するグラフの表示パターンを指定するパターン表示部、検索ボタン等を有する。
　ユーザは、予め表示パターンを設定することができ、寿命予測装置５は設定された表示パターンを記憶する。表示パターンは、成形機１の機種ＩＤ、表示パターン名、表示する部材のカテゴリ及びグラフ表示するデータ項目等の情報を含む。部材のカテゴリは、例えば減速機１４、軸デバイス等である。
　データ項目には、稼働情報データ、周波数分析データ、トルク分析データ、２軸相関データ等が含まれる。稼働情報データは、例えば、スクリュ回転数、モータ電流、スクリュ先端圧力、ダイヘッド圧力等を含む。周波数分析データは、振動ＲＭＳ、回転周波数強度、ギア噛み合い周波数強度、軸受け故障周波数強度等を含む、トルク分析データは、スクリュ１１のトルク平均値、最大値、トルク振幅の平均値、最大値、主要周波数等を含む。２軸相関データは、二軸押出機における２本のスクリュ１１の位相差等を含む。
　処理部５１は、表示操作部１２１に入力された情報を受け付け、検索ボタンが操作された場合、受け付けた情報に対応する物理量データを収集データＤＢ５２ａから読み出し、読み出した物理量データの時系列グラフを作成する。時系列グラフ表示部１２２は、表示操作部１２１にて指定された機種、期間、スクリュ回転数、表示パターンに応じた物理量データの時系列グラフを表示する。
　図２１は、ポータルサイトに表示される検索表示画面１０３の一例示す模式図である。検索表示画面１０３は、時系列グラフを検索するための検索操作部１３１と、検索された時系列グラフを表示する時系列グラフ表示部１３２とを有する。検索操作部１３１は、例えば、検索及び表示する成形機１の機種、部材のカテゴリ、グラフ（データ項目）、センサ２のチャンネル、期間、スクリュ回転数等を指定するための入力項目、検索ボタンを有する。
　処理部５１は、検索操作部１３１に入力された情報を受け付け、検索ボタンが操作された場合、受け付けた情報に対応する物理量データを収集データＤＢ５２ａから読み出し、読み出した物理量データの時系列グラフを作成する。時系列グラフ表示部１３２は、検索及び作成された物理量データの時系列グラフを表示する。
　図２２は、ポータルサイトに表示されるマンスリーレポート画面１０４の一例を示す模式図である。マンスリーレポート画面１０４は、成形機１のサービス提供担当者が作成したモニタリングレポートを表示する画面である。マンスリーレポート画面１０４は、レポートを検索するためのレポート検索部１４１と、コメント表示部１４２と、時系列グラフ表示部１４３とを有する。
　レポート検索部１４１は、成形機１の機種、レポート発行年月を指定する項目、検索ボタン等を有する。コメント表示部１４２は、サービス提供担当者が入力した成形機１の状態に関するコメントを表示する。サービス担当者は、ポータルサイトにアクセスすることによって、当該成形機１及び部材の状態に係る各種時系列グラフ、各部材の残存寿命等を確認することができ、閲覧した情報に基づいて、成形機１の状態に対するコメントを作成し、寿命予測装置５へ送信する。寿命予測装置５は、機器ＩＤ及びレポート発行年月に対応付けてコメントを記憶する。時系列グラフ表示部１４３は、成形機１の状態を表した代表的な時系列グラフを表示する。当該成形機１のサービス担当者は、マンスリーレポートに表示すべき時系列グラフを選択して指定することができる。寿命予測装置５は、機器ＩＤ及びレポート発行年月に対応付けてコメントを記憶する。
　処理部５１は、ユーザによってレポート検索部１４１に入力された情報を受け付け、検索ボタンが操作された場合、受け付けた情報に対応するコメント及び物理量データを読み出し、当該物理量データに基づいて時系列グラフを作成する。時系列グラフ表示部１３２は、検索及び作成された物理量データの時系列グラフを表示する。
　以上の通り、本実施形態に係る寿命予測方法等によれば、成形機１を構成する部材の寿命予測のために収集できるデータ量にかかわらず、寿命予測のための機械学習を行い、当該部材の寿命を予測することができる。
　また、寿命予測装置５は、画像認識学習モデル７３を機械学習させ、成形機１を構成する部材の残存寿命を予測することができる。寿命予測装置５は、状態量推定数理モデル８１及び寿命推定数理モデル８２を機械学習させ、成形機１を構成する部材の残存寿命を予測することができる。寿命予測装置５は、寿命推定関数９２を機械学習させ、成形機１を構成する部材の残存寿命を予測することができる。寿命予測装置５は、得られる学習データに応じて、これらの寿命予測モデルを組み合わせて機械学習を行い、成形機１を構成する部材の残存寿命を予測することができる。
　寿命予測装置５は、複数種類の物理量データを収集しているが、任意の物理量データを選択し、又は組み合わせて、第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３を機械学習させることができ、成形機１を構成する部材の残存寿命を予測することができる。
　寿命予測装置５は、短期的に測定して得られた物理量データに基づいて部材の残存寿命を予測する寿命予測モデルと、長期的に測定して得られた物理量データに基づいて部材の残存寿命を予測する寿命予測モデルとを組み合わせて、当該部材の残存寿命を予測することができる。
　寿命予測装置５は、成形機１を構成する所定の部材に関連する第１の部位の物理量を測定して得られる物理量データに基づいて当該部材の残存寿命を予測する寿命予測モデルと、当該所定の部材に関連する第２の部位の物理量を測定して得られる物理量データに基づいて当該部材の残存寿命を予測する寿命予測モデルとを組み合わせて、当該部材の残存寿命を予測することができる。
　寿命予測装置５は、成形機１を構成する減速機１４、スクリュ１１、モータ１３及びダイス１２を含む押出機に係る部材の残存寿命を、減速機１４に係る物理量データ、スクリュ１１に係る物理量データ、モータ１３に係る物理量データ、ダイス１２に係る物理量データを用いて予測することができる。
　寿命予測装置５は、減速機１４に係る物理量データに基づいて、減速機１４の残存寿命を予測する寿命予測モデルと、スクリュ１１に係る物理量データに基づいて、減速機１４の残存寿命を予測する寿命予測モデルとを組み合わせて、減速機１４の残存寿命を予測することができる。つまり、減速機１４の残存寿命を予測する際、異なる種類の物理量データ、又は異なる部位で測定される物理量データを用いることによって、寿命の予測精度を向上させることができる。また、異なる種類の物理量データ、又は異なる部位で測定される物理量データそれぞれに適した異なる寿命予測モデルを選択し、複数種類の物理量データ及び寿命予測モデルを用いることによって、寿命の予測精度を向上させることができる。
　寿命予測装置５は、複数の寿命予測モデルを用いて推定された、成形機１の部材の寿命の最小値、平均値、中央値、又は重み付け平均値を算出することによって、寿命の予測精度を向上させることができる。
　寿命予測装置５は、異なる成形機１及び部材毎に異なる寿命予測モデルを記憶することができる。つまり、異なる成形機１及び部材毎に適した、寿命予測モデルの組み合わせを記憶することができる。また、異なる成形機１及び部材毎に特化した寿命予測モデルを記憶することができる。寿命予測装置５は、異なる成形機１及び部材毎に適した、一又は複数の寿命予測モデルを用いて、当該部材の残存寿命を予測することができる。
　寿命予測装置５は、成形機１を構成する部材の残存寿命の予測結果、物理量データの時系列グラフを、ポータルサイトに表示することができる。
　寿命予測装置５は、成形機１を構成する部材の残存寿命の予測結果、物理量データの時系列グラフを、ユーザの端末装置６ａ及びサービス提供担当者の端末装置６ｂに送信することができる。
　なお、本実施形態では、成形機１を構成する部材の残存寿命を予測する例を説明したが、同様にして当該部材の異常度を推定するように構成してもよい。第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３を学習させる際、残存寿命に代えて異常度を学習させれば、本実施形態と同様にして部材の異常度を推定することができる。
　また、成形機１によって生産される成形品の品質を推定するように構成してもよい。成形機１を構成する部品の状態変化から成形品の品質異常が生じることがある。例えば、スクリュピースの摩耗が原因で、成形品の未溶融が発生し得る。成形品品質は、品質の程度を示す連続量であるものとする。第１～第３寿命予測モデルＭ１，Ｍ２，Ｍ３を学習させる際、残存寿命に代えて成形品品質を学習させれば、本実施形態と同様にして成形品品質を推定することができる。
（付記１）
　成形機を構成する部材の状態に関連する物理量データを取得し、
　異なるアルゴリズムにより前記部材の寿命若しくは異常度又は成形品品質を推定する複数の推定モデルを用意し、
　前記複数の推定モデルから選択される一又は複数の前記推定モデルを用い、取得した前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する
　推定方法。
（付記２）
　前記複数の推定モデルは、
　前記物理量データから生成される画像データが入力された場合、前記部材の寿命若しくは異常度又は成形品品質を示すデータを出力する学習モデルを含み、
　取得した前記物理量データから生成される画像データを前記学習モデルに入力することによって、前記部材の寿命若しくは異常度又は成形品品質を推定する
　付記１に記載の推定方法。
（付記３）
　前記物理量データは複数種類の物理量を示す物理量データを含み、
　前記複数の推定モデルは、
　前記複数種類の物理量データと、前記複数種類の物理量以外の他の状態量と、前記部材の寿命若しくは異常度又は成形品品質との関係を示す数理モデルを含み、
　取得した前記物理量データを前記一又は複数の数理モデルに代入することによって、前記部材の寿命若しくは異常度又は成形品品質を推定する
　付記１又は付記２に記載の推定方法。
（付記４）
　前記複数の推定モデルは、
　一又は複数の説明変数を有し、前記物理量データと、前記部材の寿命若しくは異常度又は成形品品質との関係を示す回帰式を含み、
　取得した前記物理量データを前記回帰式に代入することによって、前記部材の寿命若しくは異常度又は成形品品質を推定する
　付記１から付記３のいずれか１つに記載の推定方法。
（付記５）
　前記物理量データは複数種類の物理量を示す物理量データを含み、
　前記複数の推定モデルは、
　前記物理量データから生成される画像データが入力された場合、前記部材の寿命若しくは異常度又は成形品品質を示すデータを出力する学習モデルと、
　前記複数種類の物理量データと、前記複数種類の物理量以外の他の状態量と、前記部材の寿命若しくは異常度又は成形品品質との関係を示す数理モデルと、
　一又は複数の説明変数を有し、前記物理量データと、前記部材の寿命若しくは異常度又は成形品品質との関係を示す回帰式と
　を含み、
　前記取得した前記物理量データから生成される画像データを前記学習モデルに入力し、取得した前記物理量データを前記数理モデルに代入し、取得した前記物理量データを前記回帰式に代入することによって、前記部材の寿命若しくは異常度又は成形品品質を推定する
　付記１から付記４のいずれか１つに記載の推定方法。
（付記６）
　前記複数の推定モデルは、
　短期的に測定して得られた前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する推定モデルと、
　長期的に測定して得られた前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する推定モデルと
　を含む付記１から付記５のいずれか１つに記載の推定方法。
（付記７）
　前記複数の推定モデルは、
　前記部材に関連する第１の部位の物理量を測定して得られる物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する推定モデルと、
　前記部材に関連する第２の部位の物理量を測定して得られる物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する推定モデルと
　を含む付記１から付記６のいずれか１つに記載の推定方法。
（付記８）
　前記成形機は減速機、スクリュ、モータ及びダイスを含む押出機であり、
　前記物理量データは、
　前記減速機に係る物理量データ、前記スクリュに係る物理量データ、前記モータに係る物理量データ、又は前記ダイスに係る物理量データを含む
　付記１から付記７のいずれか１つに記載の推定方法。
（付記９）
　前記複数の推定モデルは、
　前記減速機に係る物理量データに基づいて、前記減速機の寿命若しくは異常度又は成形品品質を推定する推定モデルと、
　前記スクリュに係る物理量データに基づいて、前記減速機の寿命若しくは異常度又は成形品品質を推定する推定モデルと
　を含む付記１から付記８のいずれか１つに記載の推定方法。
（付記１０）
　前記複数の推定モデルを用いて推定された前記部材の寿命若しくは異常度又は成形品品質の最小値、平均値、中央値、又は重み付け平均値を算出する
　付記１から付記９のいずれか１つに記載の推定方法。
（付記１１）
　複数の前記成形機それぞれを示す機器識別子と、前記成形機を構成する前記部材を示す部材識別子と、前記部材の寿命若しくは異常度又は成形品品質推定に使用する一又は複数の前記推定モデルとを対応付けて記憶する
　付記１から付記１０のいずれか１つに記載の推定方法。
（付記１２）
　推定された前記部材の寿命若しくは異常度又は成形品品質を示す情報を表示可能に提供する
　付記１から付記１１のいずれか１つに記載の推定方法。
（付記１３）
　推定された前記部材の寿命若しくは異常度又は成形品品質を示す情報を端末装置へ送信する
　付記１から付記１２のいずれか１つに記載の推定方法。
１　　　　　：成形機
２　　　　　：センサ
３　　　　　：データ収集装置
４　　　　　：ルータ
５　　　　　：寿命予測装置
６ａ　　　　：端末装置
６ｂ　　　　：端末装置
１０　　　　：シリンダ
１０ａ　　　：ホッパ
１１　　　　：スクリュ
１２　　　　：ダイス
１３　　　　：モータ
１４　　　　：減速機
１５　　　　：制御装置
２１　　　　：第１センサ
２２　　　　：第２センサ
２３　　　　：第３センサ
２４　　　　：第４センサ
３１　　　　：制御部
３２　　　　：記憶部
３３　　　　：通信部
３４　　　　：データ入力部
５０　　　　：記録媒体
５１　　　　：処理部
５２　　　　：記憶部
５３　　　　：通信部
７１　　　　：周波数解析部
７２　　　　：画像生成部
７３　　　　：画像認識学習モデル
７３ａ　　　：入力層
７３ｂ　　　：中間層
７３ｃ　　　：出力層
８１　　　　：状態量推定数理モデル
８２　　　　：寿命推定数理モデル
９１　　　　：ＲＭＳ算出部
９２　　　　：寿命推定関数
１０１　　　：残存寿命推定結果表示画面
１０２　　　：ダッシュボード画面
１０３　　　：検索表示画面
１０４　　　：マンスリーレポート画面
ＤＢ５２ａ　：収集データ
ＤＢ５２ｂ　：モデル構成
Ｍ１　　　　：第１寿命予測モデル
Ｍ２　　　　：第２寿命予測モデル
Ｍ３　　　　：第３寿命予測モデル
Ｐ　　　　　：コンピュータプログラム

Claims (15)

  1. 　成形機を構成する部材の状態に関連する物理量データを取得し、
    　異なるアルゴリズムにより前記部材の寿命若しくは異常度又は成形品品質を推定する複数の推定モデルを用意し、
    　前記複数の推定モデルから選択される一又は複数の前記推定モデルを用い、取得した前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する
    　推定方法。
  2. 　前記複数の推定モデルは、
    　前記物理量データから生成される画像データが入力された場合、前記部材の寿命若しくは異常度又は成形品品質を示すデータを出力する学習モデルを含み、
    　取得した前記物理量データから生成される画像データを前記学習モデルに入力することによって、前記部材の寿命若しくは異常度又は成形品品質を推定する
    　請求項１に記載の推定方法。
  3. 　前記物理量データは複数種類の物理量を示す物理量データを含み、
    　前記複数の推定モデルは、
    　前記複数種類の物理量データと、前記複数種類の物理量以外の他の状態量と、前記部材の寿命若しくは異常度又は成形品品質との関係を示す数理モデルを含み、
    　取得した前記物理量データを前記一又は複数の数理モデルに代入することによって、前記部材の寿命若しくは異常度又は成形品品質を推定する
    　請求項１に記載の推定方法。
  4. 　前記複数の推定モデルは、
    　一又は複数の説明変数を有し、前記物理量データと、前記部材の寿命若しくは異常度又は成形品品質との関係を示す回帰式を含み、
    　取得した前記物理量データを前記回帰式に代入することによって、前記部材の寿命若しくは異常度又は成形品品質を推定する
    　請求項１に記載の推定方法。
  5. 　前記物理量データは複数種類の物理量を示す物理量データを含み、
    　前記複数の推定モデルは、
    　前記物理量データから生成される画像データが入力された場合、前記部材の寿命若しくは異常度又は成形品品質を示すデータを出力する学習モデルと、
    　前記複数種類の物理量データと、前記複数種類の物理量以外の他の状態量と、前記部材の寿命若しくは異常度又は成形品品質との関係を示す数理モデルと、
    　一又は複数の説明変数を有し、前記物理量データと、前記部材の寿命若しくは異常度又は成形品品質との関係を示す回帰式と
    　を含み、
    　前記取得した前記物理量データから生成される画像データを前記学習モデルに入力し、取得した前記物理量データを前記数理モデルに代入し、取得した前記物理量データを前記回帰式に代入することによって、前記部材の寿命若しくは異常度又は成形品品質を推定する
    　請求項１に記載の推定方法。
  6. 　前記複数の推定モデルは、
    　短期的に測定して得られた前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する推定モデルと、
    　長期的に測定して得られた前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する推定モデルと
    　を含む請求項１から請求項５のいずれか１項に記載の推定方法。
  7. 　前記複数の推定モデルは、
    　前記部材に関連する第１の部位の物理量を測定して得られる物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する推定モデルと、
    　前記部材に関連する第２の部位の物理量を測定して得られる物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する推定モデルと
    　を含む請求項１から請求項５のいずれか１項に記載の推定方法。
  8. 　前記成形機は減速機、スクリュ、モータ及びダイスを含む押出機であり、
    　前記物理量データは、
    　前記減速機に係る物理量データ、前記スクリュに係る物理量データ、前記モータに係る物理量データ、又は前記ダイスに係る物理量データを含む
    　請求項１から請求項５のいずれか１項に記載の推定方法。
  9. 　前記複数の推定モデルは、
    　前記減速機に係る物理量データに基づいて、前記減速機の寿命若しくは異常度又は成形品品質を推定する推定モデルと、
    　前記スクリュに係る物理量データに基づいて、前記減速機の寿命若しくは異常度又は成形品品質を推定する推定モデルと
    　を含む請求項８に記載の推定方法。
  10. 　前記複数の推定モデルを用いて推定された前記部材の寿命若しくは異常度又は成形品品質の最小値、平均値、中央値、又は重み付け平均値を算出する
    　請求項１から請求項５のいずれか１項に記載の推定方法。
  11. 　複数の前記成形機それぞれを示す機器識別子と、前記成形機を構成する前記部材を示す部材識別子と、前記部材の寿命若しくは異常度又は成形品品質推定に使用する一又は複数の前記推定モデルとを対応付けて記憶する
    　請求項１から請求項５のいずれか１項に記載の推定方法。
  12. 　推定された前記部材の寿命若しくは異常度又は成形品品質を示す情報を表示可能に提供する
    　請求項１から請求項５のいずれか１項に記載の推定方法。
  13. 　推定された前記部材の寿命若しくは異常度又は成形品品質を示す情報を端末装置へ送信する
    　請求項１から請求項５のいずれか１項に記載の推定方法。
  14. 　成形機を構成する部材の状態に関連する物理量データを取得する取得部と、
    　前記部材の寿命若しくは異常度又は成形品品質を異なるアルゴリズムにより推定する複数の推定モデルと、
    　前記複数の推定モデルから選択される一又は複数の前記推定モデルを用い、前記取得部が取得した前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する処理部と
    　を備える推定装置。
  15. 　成形機を構成する部材の状態に関連する物理量データを取得し、
    　異なるアルゴリズムにより前記部材の寿命若しくは異常度又は成形品品質を推定する複数の推定モデルから選択される一又は複数の前記推定モデルを用い、取得した前記物理量データに基づいて前記部材の寿命若しくは異常度又は成形品品質を推定する
    　処理をコンピュータに実行させるためのコンピュータプログラム。
     
PCT/JP2023/012413 2022-07-11 2023-03-28 推定方法、推定装置及びコンピュータプログラム WO2024014070A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022111275A JP2024009613A (ja) 2022-07-11 2022-07-11 推定方法、推定装置及びコンピュータプログラム
JP2022-111275 2022-07-11

Publications (1)

Publication Number Publication Date
WO2024014070A1 true WO2024014070A1 (ja) 2024-01-18

Family

ID=89536358

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/012413 WO2024014070A1 (ja) 2022-07-11 2023-03-28 推定方法、推定装置及びコンピュータプログラム

Country Status (3)

Country Link
JP (1) JP2024009613A (ja)
TW (1) TW202403581A (ja)
WO (1) WO2024014070A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019187138A1 (ja) * 2018-03-30 2019-10-03 株式会社牧野フライス製作所 残寿命予測装置及び工作機械
WO2020044477A1 (ja) * 2018-08-29 2020-03-05 株式会社 東芝 異常診断システム、方法及びプログラム
JP2021074918A (ja) * 2019-11-06 2021-05-20 株式会社日本製鋼所 異常検知装置、異常検知方法及びコンピュータプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019187138A1 (ja) * 2018-03-30 2019-10-03 株式会社牧野フライス製作所 残寿命予測装置及び工作機械
WO2020044477A1 (ja) * 2018-08-29 2020-03-05 株式会社 東芝 異常診断システム、方法及びプログラム
JP2021074918A (ja) * 2019-11-06 2021-05-20 株式会社日本製鋼所 異常検知装置、異常検知方法及びコンピュータプログラム

Also Published As

Publication number Publication date
TW202403581A (zh) 2024-01-16
JP2024009613A (ja) 2024-01-23

Similar Documents

Publication Publication Date Title
US11521105B2 (en) Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device
US20170091672A1 (en) Motor drive apparatus equipped with fan motor preventive maintenance function
WO1993024808A1 (fr) Procede de diagnostic d'un processus evolutif
CN110785717B (zh) 工艺的异常状态诊断装置和异常状态诊断方法
KR102479755B1 (ko) 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템 및 그 방법
JP7201844B2 (ja) グラディエントベースのセンサ識別を利用した障害予測
KR20140041766A (ko) 예측 및 예지를 위한 순차적 커널 회귀 모델링 방법
CN110864795A (zh) 一种称重异常报警系统
TW202133968A (zh) 異常檢知裝置、異常檢知方法以及記錄電腦可讀取程式之記錄媒體
TW202142847A (zh) 異常檢知裝置、異常檢知方法以及記錄電腦可讀取程式之記錄媒體
US20240109234A1 (en) Abnormality Detection System, Molding Machine System, Abnormality Detection Apparatus, Abnormality Detection Method and Non-Transitory Computer Readable Recording Medium
US20240109237A1 (en) Abnormality Detection System, Molding Machine System, Abnormality Detection Apparatus, Abnormality Detection Method and Non-Transitory Computer Readable Recording Medium
Martínez-García et al. Measuring system entropy with a deep recurrent neural network model
Kizito et al. Long short-term memory networks for facility infrastructure failure and remaining useful life prediction
WO2024014070A1 (ja) 推定方法、推定装置及びコンピュータプログラム
US20240126244A1 (en) Information Processing Method, Information Processing Apparatus, Molding Machine System and Non-Transitory Computer Readable Recording Medium
CN116705272A (zh) 基于多维诊断的设备健康状态综合评价方法
WO2024084741A1 (ja) 情報処理方法、情報処理装置及びコンピュータプログラム
CN113158535A (zh) 一种基于深度学习的风电机组主轴承温度预测方法
JP2024058980A (ja) 情報処理方法、情報処理装置及びコンピュータプログラム
JP2024058979A (ja) 情報処理方法、情報処理装置及びコンピュータプログラム
US12007753B2 (en) System and method for predicting industrial equipment motor behavior
KR102469229B1 (ko) 인공지능 기반의 피쉬본 다이어그램 관리 시스템 및 그 방법
CN117786373B (zh) 一种基于大数据的瓦楞纸加工的设备运行诊断系统
US20200393818A1 (en) System and Method for Predicting Industrial Equipment Motor Behavior

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: 23839249

Country of ref document: EP

Kind code of ref document: A1