CN110920009B - 状态判定装置以及状态判定方法 - Google Patents

Abstract

本发明提供状态判定装置以及状态判定方法。状态判定装置取得与注射成形机有关的数据，存储学习了该数据所对应的该注射成形机的动作状态的学习模型，并根据该数据进行使用了学习模型的推定。并且，取得与注射成形机的机型以及安装在注射成形机上的器材相关联的校正系数，使用应用了该取得的校正系数的预定校正函数，对上述推定结果进行数值变换并进行校正。

Description

状态判定装置以及状态判定方法

技术领域

本发明涉及状态判定装置以及状态判定方法，特别涉及辅助注射成形机的维护的状态判定装置以及状态判定方法。

背景技术

定期或在异常产生时进行注射成形机等的工业机器的维护。在维护工业机器时，使用在工业机器动作时记录的表示该工业机器的动作状态的物理量，维护担当者判定该工业机器的动作状态有无异常，并进行产生了异常的部件的更换等维护作业。

例如，作为注射成形机所具备的注射缸的逆流防止阀的维护作业，知道一种定期地从注射缸拔出螺杆并直接测量逆流防止阀的尺寸的方法。但是，在该方法中必须暂停停止生产，进行测量作业，会有生产率下降的问题。

另外，注射成形机的机型有具备注射缸的注射装置、合模装置、成形品的顶出装置等规格不同的多种多样的变化。因此，需要准备与注射成形机的机型对应的数量的判定有无异常的状态判定装置，并且准备有无异常的判定基准。

作为用于解决这种问题的现有技术已知以下一种技术，为了从注射缸拔出螺杆等没有使生产暂时停止而间接地检测注射缸的逆流防止阀的磨损量并且诊断异常，检测施加给螺杆的旋转转矩，或检测树脂向螺杆后方逆流的现象。例如，日本特开平01-168421号公报中公开了测量作用于螺杆的旋转方向的旋转转矩，如果超过了容许范围则判定为异常的情况。另外，日本特开2017-030221号公报以及日本特开2017-202632号公报中公开了通过监督学习来诊断驱动部的负荷或树脂压力等的异常的内容。

但是，在上述日本特开平01-168421号公报公开的技术中，在构成注射成形机的驱动部的电动机额定转矩、惯性、减速机的减速比等各个源数据不同的机器中，会有将对判断为异常的容许范围进行调整的作业设为必要的问题。

另外，在上述日本特开2017-030221号公报以及日本特开2017-202632号公报中公开的技术中，在构成注射成形机的驱动部的要素的各个数据不同的机器中，由该机器得到的测量值和机器学习时所输入的学习数据的数值之间的乖离较大，所以会有不能够准确地进行基于机器学习的判定的问题。特别是会有不能在具有多种多样的变化的注射成形机中通用地使用通过机器学习得到的一个学习模型的问题。

另外，如果注射成形机所生产的成形品的原材料即树脂的种类、注射成形机的附带设备即金属模具、金属模具温度控制器、树脂干燥机等是与机器学习时不同的种类，则受到这些种类差异的影响，通过该机器得到的测量值在与学习模型生成时所使用的测量值之间会产生乖离，因此会有不能够准确地进行基于机器学习的有无异常的判定的问题。

为了提高机器学习的判定精度，在生成机器学习的学习模型时，准备与构成注射成形机的电动机、减速机、可动部的器材组合的数量对应的多种多样的学习条件来进行机器学习。但是，备齐多种多样的注射成形机、附带设备、结构部件进行机器学习需要很多的成本。此外，在运行机器时，也需要准备树脂、工件等原材料，为了取得学习数据所需要的原材料的成本也较大。另外，取得学习数据的作业需要很多的时间。因此，会有不能够有效地收集学习数据的问题。

发明内容

因此本发明的目的为提供能够不花费较大成本而辅助各种注射成形机的维护的状态判定装置以及状态判定方法。

本发明中，关于通过机器学习推定出的异常度，针对将控制装置所取得的时间系列的物理量(电流、速度等)作为学习数据进行机器学习并导出的注射成形机的驱动部的异常度推定値，导出附加预定的校正量等实施了数值变换后的异常度校正值，从而解决上述问题。

更具体地说，实现以下单元，即使注射成形机的机型不同，或者注射成形机的附带设备或作为生产材料的树脂不同而例如机器的大小与小型/大型不同，并且即使构成注射成形机的注射装置和合模装置或注射缸、螺杆和电动机等的结构部件不同，也能够以吸收机型和附带设备的差异的方式将异常度推定值进行数值变换并导出异常度校正值，从而将一个学习模型通用且有效地适用于多种多样的注射成形机来判定有无异常。

另外，设置以下单元，以作为机器学习的输出得到的异常度为基础，在显示装置显示表现异常状态的消息、图标，或在异常度为预定值以上时为了确保作业人员的安全停止机器可动部的动作，或为了可动部在安全状态下动作而使驱动可动部的电动机减速，或将电动机的驱动转矩限制得较小。

本发明一个方式的状态判定装置判定注射成形机的动作状态，该状态判定装置具备：数据取得部，其取得与注射成形机有关的数据；学习模型存储部，其存储学习模型，上述学习模型学习了与注射成形机有关的数据所对应的该注射成形机的动作状态；推定部，其根据上述数据取得部取得的数据，进行使用了存储在上述学习模型存储部中的学习模型的推定；校正系数存储部，其存储至少与注射成形机的机型以及安装在注射成形机上的器材中的任意一个相关联的校正系数；以及数值变换部，其根据上述数据取得部取得了数据的注射成形机的机型或者安装在该注射成形机上的器材中的至少任意一个来取得存储在上述校正系数存储部中的校正系数，并使用应用了所取得的上述校正系数的预定的校正函数对上述推定部的推定结果进行数值变换并进行校正。

通过监督学习、无监督学习以及强化学习中的至少一个学习方法来学习上述学习模型。

上述校正函数是多项式函数、有理函数中至少一个。

上述数据取得部从经由有线/无线的网络连接的多个注射成形机取得与各个注射成形机有关的数据。

本发明的其他方式的状态判定方法为判定注射成形机的动作状态的方法，该状态判定方法包括如下步骤：数据取得步骤，取得与注射成形机有关的数据；推定步骤，根据上述数据取得步骤取得的数据，进行使用了学习模型的推定，上述学习模型学习了与注射成形机有关的数据所对应的该注射成形机的动作状态；以及数值变换步骤，使用应用了校正系数的预定的校正函数，对上述推定步骤的推定结果进行数值变换并进行校正，上述校正系数与在上述数据取得步骤取得了数据的注射成形机的机型或者安装在该注射成形机上的器材中的至少任意一个相关联。

根据本发明，即使没有收集并学习各种机型的学习数据，也能够根据成为判定对象的注射成形机的机型以及安装在该注射成形机上的器材来变换表示推定时所输出的注射成形机的状态的异常度，并根据该变换后的结果来进行注射成形机的异常判定，所以能够在学习时不花费较大的成本地进行与各种注射成形机有关的状态推定。

附图说明

图1是一个实施方式的状态判定装置的概略硬件结构图。

图2是学习时的状态判定装置的概略功能框图。

图3是一个实施方式的状态判定装置的概略功能框图。

图4是表示存储在校正系数存储部中的校正系数的例子的图。

图5是表示存储在校正系数存储部中的校正系数的其他例子的图。

图6是表示设定校正系数的界面的例子的图。

图7是表示异常状态的显示例的图。

具体实施方式

图1是表示一个实施方式的具备机器学习装置的状态判定装置的主要部件的概略硬件结构图。

本实施方式的状态判定装置1例如能够安装在控制注射成形机的控制装置上，另外，也能够安装为与控制注射成形机的控制装置并列设置的个人电脑、经由有线/无线的网络与该控制装置连接的管理装置3、边缘计算机、单元计算机、主计算机、云服务器等计算机。本实施方式中，示出了将状态判定装置1安装为与控制注射成形机的控制装置并列设置的个人电脑的情况的例子。

本实施方式的状态判定装置1所具备的CPU11是整体控制状态判定装置1的处理器。CPU11经由总线20读出存储在ROM12中的系统程序，按照该系统程序控制状态判定装置1整体。RAM13中暂时存储临时的计算数据、操作员经由输入装置71输入的各种数据等。

非易失性存储器14例如由通过电池(未图示)进行备份的存储器、SSD(SolidState Drive，固态驱动器)等构成，即使状态判定装置1的电源被切断也保持存储状态。非易失性存储器14中存储有存储与状态判定装置1的动作相关的设定信息的设定区域、从输入装置71输入的数据、从注射成形机2取得的各种数据(机型、金属模具的质量和材质、树脂的种类等)、在注射成形机2的成形动作中检测出的各种物理量(喷嘴的温度、驱动喷嘴的原动机的位置、速度、加速度、电流、电压、转矩、金属模具的温度、树脂的流量、流速、压力等)的时序数据、经由外部存储装置(未图示)或网络读入的数据等。非易失性存储器14中存储的程序和各种数据也可以在执行时/使用时在RAM13中展开。

另外，ROM12中预先写入系统程序，该系统程序包括用于解析各种数据的公知的分析程序、用于控制与后述的机器学习装置100的交换的程序等。

状态判定装置1经由接口16与有线/无线的网络7连接。网络7至少与一个注射成形机2、管理该注射成形机2的生产作业的管理装置3等连接，在与状态判定装置1之间相互进行数据的交换。

注射成形机2是生产由塑料等树脂成形的产品的机器，将作为材料的树脂溶化后填充(注射)到金属模具内而成形。注射成形机2由喷嘴、原动机(电动机等)、传递机构、减速机、可动部等各种器材构成，通过传感器等检测出各部的状态，通过控制装置来控制各部的动作。作为注射成形机2所使用的原动机，例如使用电动机、液压缸、液压电动机、空气电动机等。另外，作为注射成形机2所使用的传递机构，使用霍尔螺丝、齿轮、滑轮、传送带等。

经由接口17输出读入到存储器上的各个数据、作为执行了程序等的结果而得到的数据、从后述机器学习装置100输出的数据等并显示在显示装置70中。另外，由键盘、指针设备等构成的输入装置71经由接口18将基于作业人员进行的操作的指令、数据等过渡给CPU11。

接口21是用于连接状态判定装置1和机器学习装置100的接口。机器学习装置100具备统一控制机器学习装置100整体的处理器101、存储了系统程序等的ROM102、用于进行与机器学习相关的各个处理的暂时存储的RAM103以及用于存储学习模型等的非易失性存储器104。机器学习装置100能够观测经由接口12可通过状态判定装置1取得的各个信息(例如注射成形机2的机型、金属模具的质量和材质、树脂的种类等各种数据、喷嘴的温度、驱动喷嘴的原动机的位置、速度、加速度、电流、电压、转矩、金属模具的温度、树脂的流量、流速、压力等各种物理量的时序数据)。另外，状态判定装置1经由接口21取得从机器学习装置100输出的处理结果，存储并显示所取得的结果，经由未图示的网络发送给其他装置。

图2是学习时的状态判定装置1和机器学习装置100的概略功能框图。

图2所示的状态判定装置1具备机器学习装置100进行学习时所必需的结构(学习模式)。图1所示的状态判定装置1所具备的CPU11以及机器学习装置100的处理器101分别执行系统程序，并控制状态判定装置1以及机器学习装置100的各部的动作，从而实现图2所示的各个功能块。

图2所示的状态判定装置1具备数据取得部30以及预处理部32，状态判定装置1所具备的机器学习装置100具备学习部110。另外，在非易失性存储器14上设置有存储从外部的机器等取得的数据的取得数据存储部50，在机器学习装置100的非易失性存储器104上设置有存储通过学习部110的机器学习构筑的学习模型的学习模型存储部130。

数据取得部30取得从注射成形机2以及输入装置71等输入的各种数据。数据取得部30例如取得注射成形机2的机型、金属模具的质量和材质、树脂的种类等各种数据、喷嘴的温度、驱动喷嘴的原动机的位置、速度、加速度、电流、电压、转矩、金属模具的温度、树脂的流量、流速、压力等各种物理量的时序数据、通过作业人员输入的与注射成形机2的维护作业相关的信息等各种数据，并存储在取得数据存储部50中。数据取得部30在取得时序数据时，根据从注射成形机2取得的信号数据的输出、其他时序数据的变化等，将在预定的时间范围(例如一个工程的范围)内取得的时序数据作为一个时序数据存储在取得数据存储部50中。数据取得部30也可以经由未图示的外部存储装置、有线/无线网络7从其他计算机取得数据。

预处理部32根据存储在取得数据存储部50中的取得数据来生成机器学习装置100的学习所使用的数据。预处理部32生成将存储在取得数据存储部50中的取得数据变换(数值化、采样等)为机器学习装置100中处理的统一形式的数据。预处理部32在机器学习装置100进行无监督学习时，生成该学习的预定形式的状态数据S，在机器学习装置100进行监督学习时，生成该学习的预定形式的状态数据S以及标签数据L的组，在机器学习装置100进行强化学习时，生成该学习的预定形式的状态数据S以及判定数据D的组。

学习部110进行使用了由预处理部32生成的数据的机器学习。学习部110通过无监督学习、监督学习、强化学习等公知的机器学习的方法来进行使用从注射成形机2取得的数据的机器学习，由此生成学习模型，并将生成的学习模型存储在学习模型存储部130中。作为学习部110进行的无监督学习的方法，例如列举有自动编码(autoendoder)法、k均值(k-means)法等，另外作为监督学习的方法，例如列举有多层感知(multilayer perceptron)法、循环神经网络(recurrent neural network)法、长短期记忆(Long Short-TermMemory)法、卷积神经网络(convolutional neural network)法等，另外作为强化学习的方法例如列举Q学习等。

学习部110例如进行基于预处理部32将从正常动作的状态的注射成形机2取得并存储在取得数据存储部50中的取得数据进行变换后得到的数据的无监督学习，能够生成正常状态下取得的数据的分布作为学习模型。后述的推定部120使用这样生成的学习模型，能够推定预处理部32将从注射成形机2取得的取得数据进行变换而得的数据从正常状态动作时取得的数据偏离多少，并计算作为推定结果的异常度。

另外，学习部110例如使用如下数据进行监督学习，并能够生成正常数据与异常数据的判别边界作为学习模型：对从正常动作的状态的注射成形机2取得的取得数据赋予正常标签，在发生异常的前后从注射成形机2取得的取得数据赋予异常标签(并且，预处理部32对取得进行进行变换)的数据。后述的推定部120使用这样生成的学习模型，能够推定预处理部32将从注射成形机2取得的取得数据进行变换而得的数据是属于正常数据还是属于异常数据，并能够计算作为推定结果的标签值(正常/异常)及其可靠性。

在具备上述结构的状态判定装置1中，学习部110使用从注射成形机2取得的数据来进行学习。学习部110用于学习的数据例如可以是从1台注射成形机取得的数据，而不需要特别使用从具备不同器材的多个注射成形机取得的数据。通过学习部110生成的学习模型用于后述的推定部120进行的注射成形机状态的推定，但是在基于不论是从学习所使用的注射成形机、还是从其他注射成形机取得的数据的该注射成形机状态的推定中，也能够将该学习模型用于后述的数值变换部34进行的推定结果的数值变换。

图3是一个实施方式的状态判定装置1和机器学习装置100的概略功能框图。

本实施方式的状态判定装置1具备机器学习装置100进行推定时所需要的结构(推定模式)。图1所示的状态判定装置1所具备的CPU11以及机器学习装置100的处理器101分别执行系统程序，控制状态判定装置1以及机器学习装置100的各部的动作，从而实现图3所示的各个功能块。

与图2所示的状态判定装置1同样地，本实施方式的状态判定装置1具备数据取得部30以及预处理部32，并且还具备数值变换部34，状态判定装置1所具备的机器学习装置100具备推定部120。另外，在非易失性存储器14上设置有存储机器学习装置100的状态推定所使用的数据的取得数据存储部50、存储数值变换部34的数值变换所使用的校正量的校正系数存储部52，在机器学习装置100的非易失性存储器104上设置有存储通过学习部110的机器学习构筑的学习模型的学习模型存储部130。

本实施方式的数据取得部30具备与图2所示的数据取得部30同样的功能。

本实施方式的预处理部32通过存储在取得数据存储部50中的取得数据来生成机器学习装置100的推定所使用的预定形式的状态数据S。预处理部32生成将存储在取得数据存储部50中的取得数据变换(数值化、采样等)为机器学习装置100中处理的统一形式的状态数据。

推定部120根据由预处理部32生成的状态数据S来推定使用了存储在学习模型存储部130中的学习模型的注射成形机的状态。本实施方式的推定部120将从预处理部32输入的状态数据S输入到由学习部110生成(决定了参数)的学习模型，由此推定并计算与注射成形机的状态相关的异常度。

数值变换部34对推定部120推定出的结果进行数值变换。数值变换部34中例如也可以使用预先设定的校正函数对推定部120推定出的结果进行数值变换。这种情况下，校正系数存储部52中预先将该校正函数的校正系数与注射成形机的机型、安装在注射成形机上的器材的每一个关联起来进行存储。另外，数值变换部34从校正系数存储部52取得与成为判定对象的注射成形机2的机型、器材相关联的校正系数，并使用应用了所取得的校正系数的校正函数对推定部120推定出的结果进行数值变换。

设定于数值变换部34的校正函数例如使用多项式函数和有理函数。下述公式(1)是用作校正函数的多项式函数的例子。在公式(1)中，x表示作为推定部120推定出的结果的异常度，a、b表示校正系数，y表示校正后的异常度。

y＝ax+b……(1)

在使用上述公式(1)所例示的校正函数时，如图4以及图5所例示那样，校正系数存储部52中预先将校正系数a以及校正系数b与注射成形机的机型、器材关联起来进行存储。在设定图4、图5所例示的校正系数时，数值变换部34从成为对状态进行判定的对象的注射成形机2的机型和螺杆直径确定并取得校正系数a、b，使用应用了所取得的校正系数的公式(1)，对推定部120推定出的异常度进行数值变换并输出。另外，存储在校正系数存储部52中的校正系数可以只与注射成形机2的机型关联地设定，也可以只与安装在注射成形机2上的器材关联地设定，此外，还可以与其他影响注射成形机2的动作的事项关联地设定。

另外，关于数值变换部34所使用的校正函数以及存储在校正系数存储部52中的校正系数，预先在多个机型的注射成形机中更换器材的同时在正常状态、异常状态下使该注射成形机动作来观测各个物理量，将从这里计算出的各个异常度进行绘制，根据使用每个机型、每个器材时的在类似的异常状态下计算出的异常度的关系来求出每个校正系数，使得即使是某个机型的注射成形机、具备某个器材的注射成形机针对同样的异常状态也会成为同样的异常度。另外，此时，存储在校正系数存储部52中的校正系数例如能够经由图6所例示的校正系数设定用的界面来进行设定。一旦求出的校正系数表示针对每个注射成形机、器材等的组合计算出的异常度的倾向，不仅能够用于单一的学习模型也能够用于各种学习模型。

推定部120推定且由数值变换部34进行数值变换后的结果(与注射成形机的状态相关的异常度等)显示输出给显示装置70，或经由未图示的有线/无线网络发送输出给主计算机、云计算机等来使用。另外，状态判定装置1在通过推定部120推定出的结果为预定状态时(例如，数值变换部34进行数值变换后的异常度超过了预先决定的阈值时等)，例如如图7所例示那样，可以通过警告消息、图标进行向显示装置70的显示输出，也可以对注射成形机输出运行的停止、减速或限制电动机的转矩的指令等。

在具备上述结构的状态判定装置1中，推定部120根据从注射成形机2取得的取得数据来进行该注射成形机2的状态推定。并且，数值变换部34使用应用了与该注射成形机2的机型、器材关联地设定的校正系数的校正函数对推定部推定出的注射成形机2的异常度进行数值变换，并根据变换后的结果进行注射成形机2的异常度判定。存储在学习模型存储部130中的学习模型根据从安装了成为基准的器材的成为基准的机型的注射成形机2取得的数据来进行学习，但是通过应用了与注射成形机的机型、器材关联地设定的校正系数的校正函数，对基于从与此不同的器材、不同的机型的注射成形机取得的数据的作为推定部120的推定结果的异常度进行变换，并且能够使用预先决定的阈值来判定该注射成形机是正常状态还是异常状态。

以上，说明了本发明的实施方式，但是本发明不仅限于上述实施方式的例子，能够通过增加适当的变更以各种方式来实施。

例如，上述实施方式中状态判定装置1和机器学习装置100作为具有不同CPU(处理器)的装置进行了说明，但是机器学习装置100可以通过状态判定装置1所具备的CPU11和存储在ROM12中的系统程序来实现。

另外，当多个注射成形机2经由网络相互连接时，可以通过一个状态判定装置1来判定多个注射成形机的动作状态，也可以在多个注射成形机所具备的每个控制装置上配置状态判定装置1，通过该注射成形机2所具备的每个状态判定装置1来判定每个注射成形机2的动作状态。

Claims (5)

1.一种状态判定装置，判定注射成形机的动作状态，其特征在于，

该状态判定装置具备：

数据取得部，其取得与注射成形机有关的数据；

学习模型存储部，其存储学习模型，上述学习模型是学习了与第一注射成形机有关的数据所对应的上述第一注射成形机的动作状态而得到的学习模型；

校正系数存储部，其存储与第二注射成形机的机型和安装在上述第二注射成形机上的器材中的至少任意一个相关联的校正系数；

推定部，其根据包括在上述第二注射成形机的射出动作中检测到的物理量的类型的时间系列数据的、上述数据取得部取得的数据，进行使用了存储在上述学习模型存储部中的上述第一注射成形机的学习模型的上述第二注射成形机的动作状态相关的异常度的推定；以及

数值变换部，其取得存储在上述校正系数存储部中的校正系数，并使用应用了所取得的与上述第二注射成形机相关联的上述校正系数的预定的校正函数，对使用了上述第一注射成形机的学习模型的上述推定部的上述异常度的推定结果进行数值变换并进行校正。

2.根据权利要求1所述的状态判定装置，其特征在于，

通过监督学习、无监督学习以及强化学习中的至少一个学习方法来学习上述学习模型。

3.根据权利要求1所述的状态判定装置，其特征在于，

上述校正函数是多项式函数、有理函数中至少一个。

4.根据权利要求1所述的状态判定装置，其特征在于，

上述数据取得部从经由有线/无线的网络连接的多个注射成形机取得与各个注射成形机有关的数据。

5.一种状态判定方法，判定注射成形机的动作状态，其特征在于，

该状态判定方法包括如下步骤：

数据取得步骤，取得与第二注射成形机有关的数据；

推定步骤，根据包括在上述第二注射成形机的射出动作中检测到的物理量的类型的时间系列数据的、上述数据取得步骤取得的数据，进行使用了第一注射成形机的学习模型的上述第二注射成形机的动作状态相关的异常度的推定，上述学习模型是学习了与第一注射成形机有关的数据所对应的上述第一注射成形机的动作状态而得的学习模型；以及

校正步骤，使用上述第一注射成形机的学习模型和应用了与上述第二注射成形机相关联的校正系数的预定的校正函数，对异常度的推定结果进行数值变换并进行校正，其中，上述校正系数与上述第二注射成形机的机型和安装在上述第二注射成形机上的器材中的至少任意一个相关联。

Images