JP7021052B2 - 製品状態推定装置 - Google Patents

Description

本発明の実施形態は、製品状態推定装置に関する。

射出成形機あるいはダイカストマシンによる製品の製造において、成形あるいは鋳造を行うショットで生じた製品の不具合は、後の検査工程まで判明しない場合が多い。その場合、例えば、ショットにおいて生じた不良品に対しても、ショット後から検査工程前まで加工処理が行われるため、その加工処理は無駄になる。

従来、例えば、１ショット内における、射出成形機からの溶融材料の射出速度、射出成形機のスクリュ位置などの変化が所定の上下限波形内に入っているか否かにより、成形品の良否判定を行う技術が提案されている。また、１ショット内における、実測された射出速度波形と基準となる射出速度波形との相関関係を所定の差異率又は相似率により判定することにより、成形品の良否判定を行う技術も提案されている。

しかし、溶融材料の射出速度、プランジャー等の位置などの動作状態の微細な変動の発生は、これらの提案の技術では製品の品質の判定あるいは推定においては考慮されていない。すなわち、射出成形機あるいはダイカストマシンの動作状態の微細な変動の発生による製品の品質の判定あるいは推定に対する影響は、考慮されていない。

日本国特許第２９２６２９８号公報 日本国特許第３６５６１２１号公報

そこで、本実施形態は、射出成形機あるいはダイカストマシンの動作状態における大幅な変動だけでなく、微細な変動も考慮可能な、製品の状態を推定する製品状態推定装置を提供することを目的とする。

実施形態の製品状態推定装置は、射出成形機あるいはダイカストマシンによる製品の状態を推定する推定装置であって、各ショットにより得られた前記製品の状態に関する検査結果を取得する検査結果取得部と、前記各ショット時における、前記射出成形機あるいは前記ダイカストマシンの動作状態を検出する複数のセンサの複数の検出信号に基づく複数の時系列データを取得する時系列データ取得部と、取得された前記複数の時系列データに対して時刻の同期を取った後に、前記複数の時系列データから所定の時間区間のデータを切り出し、切り出された前記複数の時系列データの結合をする加工を行う時系列データ加工部と、前記検査結果取得部が取得した前記検査結果を保存する検査結果保存部と、前記時系列データ加工部が加工した前記時系列データを加工された時系列データとして保存する時系列データ保存部と、前記検査結果と前記加工された時系列データを学習データとして、ニューラルネットワークを用いて、前記検査結果のラベルの識別モデル、又は前記検査結果に関わる指標の回帰モデル、又は前記加工された時系列データ中のある時刻あるいはある時間区間のデータから前記加工された時系列データ中の他の時刻あるいは他の時間区間のデータを回帰する回帰モデル、又は前記加工された時系列データを圧縮し再構成するオートエンコーダモデル、のうちいずれかひとつ以上のモデルに基づく推定モデルを生成する推定モデル生成部と、前記推定モデル生成部が生成した前記推定モデルを保存する推定モデル保存部と、前記推定モデル保存部に保存された前記推定モデルを用いて、前記各ショット時における前記複数の検出信号から得られた前記加工された時系列データに基づいて、前記製品の品質に関わる情報を推定する推定部と、前記推定部の推定結果に関する情報を出力する推定結果出力部と、を具備し、前記複数の時系列データの前記結合は、前記時刻の同期が取られて同じ時間区間が切り出された前記複数の時系列データを１つのベクトルデータとして直列に結合すること、又は前記時刻の同期が取られて同じ時間区間が切り出された前記複数の時系列データを同じ時刻の時系列データが１つの組みになるように並列に結合することである。

実施形態に関わる製品状態推定装置の構成を示すブロック図である。 実施形態に関わる、ダイカストマシンにおける金型キャビティへのアルミニウム等の溶湯の射出系を説明するための模式図である。 実施形態に関わる、プランジャーの位置の時系列データの例を示す図である。 実施形態に関わる、算出されたプランジャーの速度の時系列データの例を示す図である。 実施形態に関わる、時系列データ取得部において取得される速度の時系列データの例を示す図である。 実施形態に関わる、検査結果保存部に保存された検査結果情報の構成例を示す表である。 実施形態に関わる、３つの時系列データを１つのベクトルデータとして直列に結合した時系列データの例を示す図である。 実施形態に関わる、３つの時系列データを並列に結合した時系列データの例を示す図である。 実施形態に関わる、複数の入力チャンネルに対応するように関連付けて結合した複数の時系列データの例を示す図である。 実施形態に関わる、２つの時系列データに基づく軌跡を示すグラフである。 実施形態に関わる、表示装置に表示されたグラフ画像である。 実施形態に関わる、ニューラルネットワークの構成例を示す図である。 実施形態に関わる、注目部位の提示例を示す図である。 実施形態に関わる、推定モデル生成装置３の動作の例を示すフローチャートである。 実施形態に関わる、良・不良推定装置４の動作の例を示すフローチャートである。 実施形態に関わる、微細な変動を有する時系列データの例を示す図である。

以下、図面を参照して実施形態を説明する。
（構成）
図１は、本実施形態に関わる製品状態推定装置の構成を示すブロック図である。製品状態推定装置１は、射出成形機あるいはダイカストマシンによる製品の状態を推定する推定装置である。以下、本実施形態を、ダイカストマシンによる製品の状態を推定する推定装置の例を用いて説明する。

製品状態推定装置１は、データ取得装置２と、推定モデル生成装置３と、良・不良推定装置４とを含む。製品状態推定装置１は、ダイカストマシン５において製造される製品の状態を推定するシステムである。

ダイカストマシン５は、製造ライン用の制御装置（図示せず）により制御されて、ショット番号などもその制御装置により管理される。データ取得装置２等の各装置も、その制御装置により制御され、ショット番号などと関連付けて各種データを保存することができる。
以下、製品状態推定装置１に含まれる各装置の構成を説明する。
［データ取得装置の構成］
データ取得装置２は、時系列データ取得部１１と、時系列データ加工部１２と、検査結果取得部１３とを含む。

時系列データ取得部１１は、ダイカストマシン５に設けられた後述する各種センサからのアナログ信号の検出信号を受信して、所定のサンプリング周期でアナログ信号をデジタル信号に変換して出力する回路を含む装置である。すなわち、時系列データ取得部１１は、各ショット時における、ダイカストマシン５の動作状態を検出するセンサの出力に基づく時系列データを取得する時系列データ取得装置である。

ここで、ダイカストマシン５の動作状態を検出するセンサについて説明する。
図２は、ダイカストマシン５における金型キャビティへのアルミニウム等の溶湯の射出系を説明するための模式図である。

２つの金型Ｄ１，Ｄ２は、一方の金型Ｄ１がショット毎に矢印Ａで示す方向に移動して金型Ｄ２に密着して型締めされる。金型Ｄ１とＤ２が密着している間に、ランナーＲ内の溶湯Ｍｅが、プランジャーＰの移動により、２つの金型Ｄ１，Ｄ２内の金型キャビティ内に射出され充填される。

その後、金型キャビティ内の溶湯Ｍｅが保圧されて冷却された後に、金型Ｄ１が矢印Ａで示す方向とは反対方向に移動して、２つの金型Ｄ１，Ｄ２は、型開きし、成形された鋳造品の製品の取り出しが行われる。

プランジャーＰは、アクチュエータ５ａにより駆動される。プランジャーＰは、溶湯Ｍｅを金型キャビティ内に射出するとき、点線の矢印Ｂで示す方向に移動する。射出後、プランジャーＰは、アクチュエータ５ａにより矢印Ｂとは反対方向に移動される。

アクチュエータ５ａ内には、プランジャーＰの移動方向における位置を検出する位置センサ５ｂが内蔵されている。例えば、位置センサ５ｂは、プランジャーＰの移動方向における位置を、リニアエンコーダなどの出力により検出する。さらに、ランナーＲ内の圧力を検出する圧力センサ５ｃが、ランナーＲに設けられている。

位置センサ５ｂの出力は、プランジャーＰの位置信号として、信号線５ｂ１を介してデータ取得装置２の時系列データ取得部１１に供給される。圧力センサ５ｃの出力も、ランナーＲ内の圧力信号として、信号線５ｃ１を介してデータ取得装置２の時系列データ取得部１１に供給される。

なお、ここでは、位置センサ５ｂと圧力センサ５ｃの２つのセンサがダイカストマシン５に設けられているが、温度センサなどの他のセンサを、ダイカストマシン５にさらに設けて、ダイカストマシン５の他の動作状態を検出するようにしてもよい。

ここで、時系列データ取得部１１で取得される時系列データの構成例について説明する。
図３は、プランジャーＰの位置の時系列データの例を示す図である。図３は、１ショットにおける時間経過に沿った、位置センサ５ｂにより検出されたプランジャーＰの位置データのグラフを示す。

図３に示すように、プランジャーＰの位置は、１ショット内において時間の経過に伴って変化している。
ランナーＲ内の圧力についても、図示しないが、１ショットにおける時間経過に沿って変化する。圧力センサ５ｃは、その変化するランナーＲ内の圧力を検出する。

さらに、時系列データ取得部１１は、プランジャーＰの速度の時系列データを、位置センサ５ｂの位置情報から算出する機能も有している。

図４は、算出されたプランジャーＰの速度の時系列データの例を示す図である。プランジャーＰの速度は、プランジャーＰの位置データの時間変化から算出される。図４は、１ショットにおける時間経過に沿った、算出されたプランジャーＰの速度変化のグラフを示す。

図４に示すように、プランジャーＰの速度も、１ショット内において時間の経過に伴って変化している。
各センサの出力信号が所定のサンプリング周期でサンプリングされて、各時系列データは、デジタルデータに変換される。

また、時系列データ取得部１１は、時計回路を含み、タイムスタンプ機能を有する。時系列データ取得部１１は、取得したデータに時刻情報を付加して出力する。すなわち、時系列データ取得部１１は、デジタルデータに、タイムスタンプ機能による時刻情報を付加する。

なお、ここでは、タイムスタンプ機能による時刻情報が、時系列データに関連付けられているが、時刻情報に代えて、内部タイマのカウンタ情報を用いてもよい。

プランジャーＰの位置情報とランナーＲ内の圧力情報も、共に時刻情報を含む。各時系列データは、含まれる時刻情報に基づいて対応付けることができるので、後述するように、複数の時系列データに含まれる各データを同期させることができる。

図５は、時系列データ取得部１１において取得される速度の時系列データの例を示す図である。図５は、プランジャーＰの速度データの例を示す。
よって、図５に示すように、速度の時系列データは、速度データに時刻情報が対応付けられた時系列データである。
プランジャーＰの位置データ及びランナーＲ内の圧力データも、速度データと同様に、検出値に時刻情報が対応付けられた時系列データである。

図１に戻り、時系列データ加工部１２は、２つのセンサの検出信号に対して所定の加工を施す回路である。
時系列データ加工部１２は、時系列データ取得部１１からの複数の時系列データ間の同期、複数の時系列データの切り出し、複数の時系列データの結合、及び複数の時系列データからの軌跡データの作成、の機能を有する回路である。すなわち、時系列データ加工部１２は、時系列データからの所定の時間区間のデータを切り出す等の加工を行う時系列データ加工装置である。

なお、時系列データ取得部１１及び時系列データ加工部１２の処理の少なくとも一部の機能は、ソフトウエアにより実行されるようにしてもよい。その場合、データ取得装置２は、中央処理装置（以下、ＣＰＵという）、ＲＯＭ、ＲＡＭを含むプロセッサを有し、ＲＯＭに格納された各機能に対応するソフトウエアプログラムをＣＰＵが読み出してＲＡＭに展開して実行する。

本実施形態では、位置センサ５ｂの検出信号に基づくプランジャーＰの位置の時系列データと、圧力センサ５ｃの検出信号に基づくランナーＲ内の圧力の時系列データに加えて、算出されたプランジャーＰの速度の時系列データを用いて、推定モデルＭの生成と製品状態の推定が行われる。

なお、本実施形態では、上述した位置、圧力及び速度の３つの時系列データが用いられるが、プランジャーＰの位置情報から算出した溶湯の射出速度、及びランナーＲ内の圧力情報から算出した溶湯の射出圧力、等についての時系列データを用いてもよい。

よって、時系列データ加工部１２は、位置の時系列データと、圧力の時系列データと、速度の時系列データに対して、同期、切り出し、結合及び軌跡データの作成を行う。加工された時系列データは、推定モデル生成装置３へ供給される。

複数の時系列データの同期、切り出し、結合及び軌跡データの作成についての具体的な方法については、後述する。
時系列データ取得部１１と時系列データ加工部１２は、ダイカストマシン５の動作状態についてのデータを取得する動作状態データ取得装置を構成する。

時系列データ加工部１２の出力は、後述する時系列データ保存部１４に保存されて、推定モデルＭの生成時に使用される。
また、時系列データ取得部１１と時系列データ加工部１２は、ダイカストマシン５の動作時に、それぞれ、ショット毎に時系列データの取得と加工を行い、時系列データ加工部１２は、加工された時系列データ（以下、加工済時系列データともいう）を良・不良推定装置４に出力する。

検査結果取得部１３は、データを入力するための入力装置を有している。データ取得装置２の検査結果取得部１３は、例えば、ＣＰＵなどを有するプロセッサを含む。

熟練者などのユーザが、ダイカストマシン５で製造された製品の状態情報を、ショット毎の検査結果として、検査結果取得部１３の入力装置を用いて入力することによって、検査結果取得部１３は、検査結果の情報を取得する。すなわち、検査結果取得部１３は、各ショットにより得られた製品の状態に関する検査結果、例えば、良、不良、程度を示す数値、等を取得する検査結果取得装置である。

製品の状態についての情報は、「良」又は「不良」を示す情報である。「良」は、ダイカストによる製品が良品であることを意味し、「不良」は、ダイカストによる製品が不良品であることを意味する。
なお、ここでは、製品の状態についての情報は、「良」又は「不良」を示すラベル情報であるが、例えば不良の種類を更に分けてラベル化して、「良」、「不良Ａ」、「不良Ｂ」、など３つ以上のラベル情報を用いてもよいし、品質の程度を表す指標としての数値でもよい。

入力された製品の状態についての情報は、検査結果情報ＩＳとして、推定モデル生成装置３へ供給される。検査結果情報は、ショット番号などの識別子が付加されて、推定モデル生成装置３へ送信される。検査結果情報ＩＳは、後述する検査結果保存部１５に保存される。

なお、データ取得装置２は、１つの装置として構成されてもよいし、時系列データ取得部１１と時系列データ加工部１２を含む動作状態データ取得装置と、検査結果取得部１３とを別の装置として構成してもよい。例えば、検査結果取得部１３は、パーソナルコンピュータであってもよい。

図６は、検査結果保存部１５に保存された検査結果情報の構成例を示す表である。図６に示すように、検査結果情報ＩＳは、ショット番号と対応付けられてテーブルＴＢＬに格納される。
例えば、ユーザは、所定数のショットを実行して、所定数の検査結果を検査結果取得部１３に入力する。
なお、ここでは、検査結果取得部１３に入力されて生成された検査結果情報ＩＳは、図６のように、複数ショット分まとめた表データとして保存されているが、他の形式で保存するようにしてもよい。例えば、各ショットの時系列データを、対応する検査結果に応じてディレクトリ分けして保存するなどの方法によって、各ショットの検査結果を保存するようにしてもよい。

時系列データ加工部１２がどのような加工を行うかは、ユーザにより指定することができる。ユーザは、加工方法などを指定するための設定情報を所定の設定ファイル２２に入力して設定する。時系列データ加工部１２は、ユーザにより予め設定された設定ファイル２２の設定データなどを参照し、時系列データの加工に関わる設定情報を取得する。

設定ファイル２２は、メモリカードなどの記憶媒体２２ａに格納される。その記憶媒体２２ａは、図示しないカードインタフェースを介してデータ取得装置２に装着されて、設定データが時系列データ加工部１２において読み出される。なお、設定データは、他の装置において入力され、通信などにより、他の装置からデータ取得装置２に送信されてもよい。

次に、データの加工について説明する。
時系列データ加工部１２は、取得した設定の内容に従って、時系列データ取得部１１において取得された各時系列データに対して、加工を行う。
時系列データ加工部１２は、上述したように複数の時系列データの同期をとる同期機能、各時系列データから所望の区間のデータを切り出す切り出し機能、複数の時系列データを結合する結合機能、及び２以上の時系列データを軌跡データへ変換する変換機能を有する。各々の機能を用いるか否か、及び各々の機能の詳細な処理内容と必要な設定値が、設定ファイル２２により指定される。

時系列データ同期機能は、各時系列データに含まれるタイムスタンプ機能による時刻情報や内部タイマのカウンタ情報を用いて、複数の時系列データの時刻合わせを行う機能である。
なお、同期機能は、ある時系列データの中で、時刻によりサンプリングレートが変化している場合は、時系列データに対してデータの補間や間引きを行い、時系列データを予め設定されたサンプリングレートに統一する機能を有してもよい。
また、複数の時系列データのサンプリングレートやサンプリングのタイミングが異なる場合は、データの補間や間引きを行い、予め設定されたサンプリングレートやタイミング、もしくは特定の時系列データのサンプリングレートやタイミングに合わせる機能を有してもよい。

時系列データ切り出し機能は、各時系列データから、予め設定された時間区間のデータを切り出す機能である。切り出される区間は、時系列データ毎に異なってもよい。すなわち、３つの時系列データの切り出される区間は、ある第１の時刻からある第２の時刻の同じ時間区間でもよいし、３つの時系列データの少なくとも１つの時系列データの切り出し区間は、他の時系列データの切り出し区間と異なっていてもよい。
また、特定の時系列データを基準にして切り出し区間を決定し、決定された切り出し区間に基づいてその時系列データやその他の時系列データを切り出してもよい。

例えば、図４に示すように、速度の時系列データの変化量が所定値以上になったことが時刻ｔｔで検出されたとき、時刻ｔｔから所定の時間Ｔ１だけ前の時刻ｔｓを切り出し開始時間とし、時刻ｔｓから所定の時間Ｔ２後の時刻をｔｅとしたとき、時刻ｔｓから時刻ｔｅが切り出し区間として決定される。速度の変化量は、ある時刻における速度と、その１つ前の時刻においての速度の差である。その速度値の差が、所定の閾値を越えたあるいは下回ったときの時刻を基準に、時刻ｔｓからｔｅの切り出し区間が決定される。

図４では、速度値の差が所定の閾値を越えたときが検出されている。図４では、切り出し区間の開始時刻である時刻ｔｓの速度値から、切り出し区間の終了時刻である時刻ｔｅまでの速度値の時系列データが、切り出し後の速度の時系列データとなる。

位置の時系列データや圧力の時系列データについても、速度の時系列データに基づいて決定された切り出し区間と同じ時刻ｔｓから同じ時刻ｔｅまでの区間を切り出してもよい。この場合、例えば図３に示すように、位置の時系列データについても、速度の時系列データと同じ切り出し区間の時系列データが切り出される。圧力の時系列データについても同様である。

さらにまた、１ショットの時間区間を所定の複数の区間に分け、その複数の区間から所定の１つの区間を切り出し区間として設定するようにしてもよい。
なお、以上は、切り出し区間は、１つであるが、複数あってもよい。
以上のように、時系列データ取得部１１は、複数の時系列データを取得し、時系列データ加工部１２は、取得された複数の時系列データを同期させた後に、複数の時系列データから所定の時間区間の複数のデータを切り出すことができる。

時系列データ結合機能は、複数の時系列データを結合する機能である。この機能により、例えば、切り出された複数の時系列データを、同じ時刻の値が組みになるように並べて結合することができる。また、切り出された複数の時系列データを、時系列データの末尾に別の時系列データをつなげる形で結合することもできる。

図７は、３つの時系列データを１つのベクトルデータとして直列に結合した時系列データの例を示す図である。
ここでは、時系列データは、先頭から順に、速度の時系列データＤＡ１、位置の時系列データＤＡ２及び圧力の時系列データＤＡ３を含んで構成されている。図７では、プランジャーＰの位置の時系列データＤＡ２が、プランジャーＰの速度の時系列データＤＡ１の末尾に繋げられ、ランナーＲ内の圧力の時系列データＤＡ３が、プランジャーＰの位置の時系列データＤＡ２の末尾に繋げられている。

各時系列データＤＡ１、ＤＡ２、ＤＡ３は、例えば、同期機能により時刻の同期が取られかつ同じ区間が切り出された時系列データである。図７に示すような直列に連結された時系列データは、全結合ニューラルネットワークあるいは畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）を用いるときに有効である。

図８は、３つの時系列データを並列に結合した時系列データの例を示す図である。
図８は、並列に結合した３つの時系列データから、同じ時刻の３つの値を並べてひとまとめにしたベクトルを時刻順に取り出してＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）のリカレントニューラルネットワーク（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）に順に入力するときに有効である。図８に示すように、３つの時系列データは、同じ時刻の３つのデータが１つの組みになるように並列に結合される。

図８に示すような並列に連結された時系列データは、全結合ニューラルネットワークあるいは畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）を用いるときにも有効である。

図９は、複数の入力チャンネルに対応するように関連付けて結合した複数の時系列データの例を示す図である。ここでは、３つの入力チャンネルに３つの時系列データが関連付けられている。具体的には、
ニューラルネットワークの入力チャンネル数が３であれば、速度、位置及び圧力の３つの時系列データが、それぞれチャンネル１、２及び３に供給されるように、３つの時系列データは、結合される。

３つの時系列データは、同じ時刻ｔｓから同じ時刻ｔｅまでのデータである。
図９に示すような並列に連結された時系列データは、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）を用いるときに有効である。

次に、時系列データの軌跡データへの変換機能は、複数の時系列データを所定の空間内の軌跡データに変換する機能である。すなわち、時系列データ加工部１２は、複数の時系列データを、各時系列データに対応する軸を持つ次元空間上にプロットし、プロットされた次元空間上の複数の座標を、時刻の順番に線で繋ぐことにより、複数の時系列データを軌跡データに変換する加工を行う。
変換機能のために、まず複数（ここでは３つ）の時系列データに対して、時系列データの数に対応する次元を持つＮ次元空間が定義される。Ｎは時系列データの個数を示す整数である（ここではＮは３）。そして、各時刻について、その時刻の複数の時系列データの値をＮ個ぶん並べた位置ベクトルを、Ｎ次元空間上の座標にプロットする。そして、プロットされた座標を、時間経過に沿った、すなわち時刻の順番に、線で繋いて結合することにより、軌跡データは作成される。

作成された軌跡データは、例えば畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）を用いるときに有効である。
また、２つの時系列データから作成される軌跡データは、２次元のグラフ画像に変換可能であるので、そのグラフ画像を、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）に入力するようにしてもよい。その場合、線の太さは、サンプリング周期のゆらぎの大きさや、センサの検出誤差、等に応じて、変更するようにしてもよい。例えば、センサの検出誤差が所定の値よりも大きい場合は、軌跡は、太い線で描画される。

よって、例えば時系列データを２つ選択すると、この軌跡データは、表示装置の画面上に画像データとして表現することが可能である。すなわち、変換機能における次元空間を２次元空間とすると、軌跡データは、表示装置に２次元データとして表示可能である。

図１０は、２つの時系列データに基づく軌跡を示すグラフである。ここでは、説明を簡単にするために、速度と位置の５つの時刻１，２，３，４，５のデータがグラフで示されている。図１０では、説明を簡単にするために、５つの時刻の速度と位置に対応する点と、隣り合う２点間を結ぶ線で、グラフが示されている。

図１１は、表示装置に表示されたグラフ画像である。図１１のグラフ画像が、畳み込みニューラルネットワークに入力される。
グラフ画像において、時刻に応じて、グラフ上の点や線の色を変更するようにしてもよい。例えば、推定に用いられたデータの開始時刻から終点時刻までを赤色から青色へ変化する色の変化に対応させて、グラフ上の点及び線の色を変更する。

また、３つ以上の時系列データがある場合は、それらから２つを選び軌跡データの画像を生成するのを、全組み合わせに対して実施し、複数の軌跡データの画像を生成してもよい。

さらにまた、軌跡データとして表現する時刻の範囲を変更しながら軌跡データの画像を複数生成し、これらを動画データとして取り扱うようにしてもよい。
また、３つ以上の時系列データがある場合は、例えば、他に次のような軌跡データの表現方法もある。
まず、Ｎ次元の行列を定義し、すべての要素を一定の値Ｘ０（例えば０）とする。次に、各時刻の複数の時系列データの値を並べた位置ベクトルに対して、その座標に対応するＮ次元行列の要素を特定の値Ｘ１（例えば１）に変更する。その後、隣り合う時刻どうしの座標（Ｎ次元行列内の要素）を線で結び、その線に十分近い位置のＮ次元行列の要素を、特定の値Ｘ１（例えば１）に変更する。以上により、軌跡データへの変換が可能となる。なお、Ｘ１の値は、時系列データ中の時刻に応じて変化させてもよい。

以上のように、時系列データ加工部１２は、設定ファイル２２の設定情報に基づいて、複数の時系列データの同期、各時系列データの切り出し、複数の時系列データの結合、及び軌跡データへの変換の機能を有し、任意の１つの機能、又は任意の２つ以上の機能が選択されて、複数の時系列データが加工される。加工済時系列データがニューラルネットワークに入力される。

設定ファイル２２は、メモリカードなどの記憶媒体２２ａに格納され、データ取得装置２の図示しないインタフェースを介して、データ取得装置２の記憶装置（図示せず）に転送される。時系列データ加工部１２は、その設定ファイル２２に記憶された設定情報を参照することができる。

データ取得装置２は、ショット毎に得られた複数の時系列データに対して、上述した同期などの各種のデータ加工を行って、加工済時系列データを出力する。
加工済時系列データは、推定モデル生成装置３へ供給されて、時系列データ保存部１４に保存される。また、加工済時系列データは、良・不良推定装置４へ供給可能となっている。

また、検査結果取得部１３は、入力された検査結果情報を推定モデル生成装置３へ出力し、検査結果情報は、検査結果保存部１５に記憶される。
［推定モデル生成装置の構成］
推定モデル生成装置３は、時系列データ保存部１４と、検査結果保存部１５と、推定モデル生成部１６とを含む。

時系列データ保存部１４は、時系列データ加工部１２からの加工済時系列データを保存する記憶装置である。すなわち、時系列データ保存部１４は、時系列データ加工部１２が加工した時系列データを、加工済時系列データとして保存する時系列データ保存装置である。

時系列データ保存部１４は、ダイカストマシン５の１ショット毎に検出された各時系列データを記憶する。
各時系列データは、ショット番号などの識別子によって区別されて、時系列データ保存部１４に保存される。

ショット番号などの識別子は、複数の時系列データ間の対応付け、及びダイカストマシン５により製造された製品と検査結果との対応付けのために用いられる。
検査結果保存部１５は、検査結果取得部１３からの検査結果情報ＩＳを保存する記憶装置である。すなわち、検査結果保存部１５は、検査結果取得部１３が取得した検査結果を保存する検査結果保存装置である。

推定モデル生成部１６は、時系列データ保存部１４に保存された時系列データと、検査結果保存部１５に保存された複数の検査結果情報ＩＳを、学習データとして用いて、ニューラルネットワークを用いた推定用モデルを生成する。

すなわち、推定モデル生成部１６は、検査結果保存部１５に保存された複数ショットの検査結果情報ＩＳと、時系列データ保存部１４に保存された同じ複数ショットの時系列データを用いて、ディープラーニングにより推定モデルを生成する。

図１２は、ニューラルネットワークの構成例を示す図である。推定モデルＭは、図１２に示すニューラルネットワークＮＮを用いて生成される。
ニューラルネットワークＮＮは、入力層３１と、隠れ層３２と、出力層３３を有している。図１２では、入力層３１は、１ショットの時系列データを構成するデータの要素数ぶんだけ、丸で示す入力ユニット３１ａを有している。

入力層３１には、時系列データ加工部１２からの加工済時系列データが入力される。例えば、図１２では、図７に示す連結された時系列データが入力層３１に入力されている。その場合、入力層３１の入力ユニット３１ａの数は、連結された時系列データの要素数に等しく、時系列データ中の各要素は、対応する１つの入力ユニット３１ａに入力される。

隠れ層３２は、複数の隠れ層３２ａを含む多層構造を有する。
出力層３３は、ここでは、２つの出力ユニット３３ａを有し、第１の出力ユニットが「良」の確率で、第２の出力ユニットが「不良」の確率を出力する。

図１２では、図７に示すような連結された複数の時系列データが、入力層３１に入力される例が示されているが、図８の時系列データ、あるいは図９の時系列データを入力するようにしてもよい。
図８に示すような並列に組み合わされた３つの時系列データの場合は、例えば、時刻が同期した３つの時系列データが、時刻順に、入力層３１の３つの入力ユニット３１ａに入力される。

図９に示すような並列に組み合わされた３つの時系列データの場合は、例えばニューラルネットワークＮＮは、入力層３１が入力データと同じチャンネル数（図９の例では３チャンネル）を持つ畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）であり、各時系列データがそれぞれ入力層の対応するチャンネルに入力される。

推定モデル生成装置３は、ＣＰＵ、ＲＯＭ、ＲＡＭなどのハードウエアを有するプロセッサを含み、推定モデルＭを生成するソフトウエアプログラムを実行する。推定モデル生成部１６は、モデル生成プログラムであり、ＲＯＭなどの記憶装置に記憶され、ＣＰＵにより読み出されて実行される。

推定モデル生成部１６は、生成された推定モデルＭのモデル情報ＭＩを生成し、良・不良推定装置４へ送信する。モデル情報ＭＩは、ニューラルネットワークＮＮに関する構成データと、重み係数などの各種パラメータデータを含む。
ここで生成される推定モデルＭは、検査結果に対応するラベルの識別モデルである。

なお、ここでは、「良」と「不良」の２つのラベルを有する学習データから、ラベルを識別する推定モデルＭが生成されるが、３つ以上のラベルの識別モデルを生成してもよい。また、推定モデルＭは、検査結果の全ラベルのうち一部のラベルに該当する時系列データの特徴を学習したモデルでもよい。例えば、「良」のみの時系列データを学習データとして用いて、モデルを作成してもよい。その場合、時系列データの特徴を学習したモデルは、例えば時系列データを回帰するモデルや、時系列データを入力して再構成するオートエンコーダ（Ａｕｔｏ Ｅｎｃｏｄｅｒ）モデルなどである。

また、推定モデル生成部１６が生成する推定モデルＭの構造や、推定モデルＭへの入力データの形式および入力方法は、時系列データの数や時系列データ加工部１２により実施される加工の内容に応じて設定される。

例えば、時系列データが一つの場合や、時系列データ加工部１２が図７に示したように時系列データの末尾に別の時系列データをつなげる形で連結して一次元のデータを生成するような場合は、加工済時系列データをそのまま標準的な全結合の多層パーセプトロンや一次元データを対象とした畳み込みニューラルネットワーク（ＣＮＮ）に入力する形式にしてもよい。また、一次元のデータを時刻順にリカレントニューラルネットワーク（ＲＮＮ）に入力するようにしてもよい。

ほかにも、例えば、図９に示すような互いに同期した複数の時系列データを、それぞれ入力のチャネルに対応させて、畳み込みニューラルネットワーク（ＣＮＮ）に入力するようにしてもよい。

また、時系列データ加工部１２が軌跡データを生成する場合は、軌跡データを畳み込みニューラルネットワーク（ＣＮＮ）に入力するようにしてもよい。軌跡データが複数ある場合は、それぞれを畳み込みニューラルネットワーク（ＣＮＮ）の入力のチャネルに対応させてもよい。

さらにまた、図８に示すような互いに同期した複数の時系列データから、同じ時刻の値同士を組にしたベクトルデータを生成し、それらのベクトルデータを時刻順にリカレントニューラルネットワークに入力するようにしてもよい。

また、時系列データ加工部１２が軌跡データを複数生成する場合は、各軌跡データを順にリカレントニューラルネットワーク（ＲＮＮ）に入力するようにしてもよい。
なお、検査結果が数値で表される場合は、生成されるモデルは、検査結果に関する指標の回帰モデルでもよい。

すなわち、推定モデルＭは、検査結果と加工された時系列データを学習データとして、ニューラルネットワークを用いて学習された、検査結果のラベルの識別モデル、又は検査結果に関わる指標の回帰モデル、又は加工された時系列データ中のある時刻あるいはある時間区間のデータから加工された時系列データ中の他の時刻あるいは他の時間区間のデータを回帰する回帰モデル、又は加工された時系列データを圧縮し再構成するオートエンコーダモデル、に基づく推定モデルである。
また、推定モデルＭは、これらモデルの２つ以上を組み合わせて構成してもよい。
さらに、推定モデル生成部１６が生成する推定モデルＭは、全結合の多層パーセプトロン、畳み込みニューラルネットワーク（ＣＮＮ）、リカレントニューラルネットワーク（ＲＮＮ）の３つのうちのいずれか１つ以上を含んでもよい。推定モデル生成部１６が生成する推定モデルＭは、その他、いかなる構造のニューラルネットワークを用いても構わない。

推定モデル生成部１６が生成する推定モデルＭの構造は、設定ファイル２２などにより設定される。
図１に示すように、設定ファイル２２は、メモリカードなどの記憶媒体２２ａに格納され、推定モデル生成装置３の図示しないインタフェースを介して、推定モデル生成装置３の記憶装置（図示せず）に転送される。推定モデル生成部１６は、その設定ファイル２２に記憶された設定情報を参照することができる。

推定モデル生成部１６は、生成された推定モデルＭのモデル情報ＭＩを、良・不良推定装置４に送信する。モデル情報ＭＩは、後述する推定モデル保存部１７に保存される。
以上のように、推定モデル生成装置３は、学習データを用いて推定モデルＭを生成し、モデル情報ＭＩを良・不良推定装置４へ出力する。
［良・不良推定装置の構成］
良・不良推定装置４は、推定モデル保存部１７、推定部１８、注目部位算出部１９と、推定結果出力部２０及び推定結果提示部２１を有する。

推定モデル保存部１７は、推定モデル生成装置３からの推定モデルＭのモデル情報ＭＩを記憶して保存する記憶装置である。すなわち、推定モデル保存部１７は、推定モデル生成部１６が生成した推定モデルＭについての情報を保存する。

推定部１８は、推定モデル保存部１７に保存されている推定モデルＭのモデル情報ＭＩを用いて、ショット毎の時系列データ加工部１２からの加工済時系列データに基づいて、製品の良又は不良を推定し、推定結果情報ＩＪを出力する。

すなわち、推定部１８は、推定モデル保存部１７に保存された推定モデルＭを用いて、各ショット時における複数の検出信号から得られた加工済時系列データに基づいて、製品の品質に関わる情報を推定する推定部を構成する。

注目部位算出部１９は、推定部１８が推定結果を算出した後、注目部位の算出を行う。注目部位とは、推定モデルＭが推定結果を算出する際に、入力データの中で特に注目している要素のことである。

注目部位の算出は、例えば次のように行う。推定モデルＭが検査結果を表すラベルの識別モデルや、検査結果に関する指標の回帰モデルであるような場合は、推定モデルＭの出力層３３のいずれか一つ以上の出力ユニット３３ａの値、あるいはそれらに基づき算出された値を、推定モデルＭに入力された時系列データの各要素により偏微分する。偏微分した値の絶対値が大きい部分に対応する時系列データの要素を、注目部位として抽出する。

推定モデルＭの出力値あるいはその出力値に基づき算出された値を、入力時系列データの各要素により偏微分して、その偏微分により得られた値の絶対値が大きいところが、注目部位とされる。
すなわち、注目部位算出部１９は、推定モデルの出力データあるいは出力データに基づいて演算された値を加工済時系列データにより偏微分演算すること、または推定モデルの出力データあるいはその一部と加工された時系列データあるいはその一部とを比較することにより、推定部１８が製品の品質に関わる情報を推定するときに用いた推定モデルＭが推定結果を算出する際に注目した加工済時系列データの部分を注目部位として算出する。

推定モデルＭが、時系列データを回帰するモデルや、時系列データを入力して再構成するオートエンコーダモデルであるような場合は、例えば回帰により算出した値と実際の値との誤差や、再構成したデータと入力した時系列データとの誤差などを算出し、誤差の絶対値が大きい部分に対応する時系列データの要素を、注目部位として抽出する方法もある。

注目部位算出部１９は、算出した注目部位の情報を推定結果提示部２１に送る。
推定結果提示部２１は、推定部１８から送られた推定結果を提示すると同時に、注目部位算出部１９が算出した注目部位を提示する。

図１３は、注目部位の提示例を示す図である。
図１３は、プランジャーＰの速度の時系列データを破線の波形データとして表示し、注目部位ＲＡを太い実線で表したものである。
ほかにも、推定モデルＭの入力が画像データの場合は、画像データに注目部位を着色した画像を透過し重ねて表示するなどの方法も考えられる。

図１に戻り、良・不良推定装置４は、ＣＰＵ、ＲＯＭ、ＲＡＭなどを有するプロセッサを含み、推定部１８及び注目部位算出部１９のプログラムを実行する。推定部１８及び注目部位算出部１９は、プログラムであり、ＲＯＭなどの記憶装置に記憶され、ＣＰＵにより読み出されて実行される。

推定結果出力部２０は、推定部１８の推定結果情報ＩＪを、製造ラインの各種装置を制御する制御装置へ出力する回路である。すなわち、推定結果出力部２０は、推定部１８の推定結果に関する情報を出力する推定結果出力装置である。

例えば、製造ラインの各種装置は、不良品と判定された製品は、後工程で加工しないように、製造ラインから外すなどの処理を行う。
推定結果提示部２１は、推定部１８の推定結果に応じた所定の情報をユーザなどに提示して知らしめるための回路である。すなわち、推定結果提示部２１は、推定部１８の推定結果をユーザに告知するために、推定結果を提示する。

例えば、製造された製品が不良であると推定されたとき、製造された製品が不良品であることをユーザに知らせるために、推定結果提示部２１は、所定のメッセージを表示するための出力信号を表示装置に出力したり、所定の警告表示をさせるための出力信号を所定の表示灯に出力したりする。
［モデル更新装置の構成］
さらに、製品状態推定装置１は、モデル更新判定部２３とモデル更新提示部２４を有している。モデル更新判定部２３とモデル更新提示部２４は、モデル更新装置を構成する。モデル更新判定部２３とモデル更新提示部２４は、良・不良推定装置４あるいはデータ取得装置２に含まれていてもよいし、データ取得装置２と良・不良推定装置４とは別の装置として構成されていてもよい。

推定部１８の推定結果情報ＩＪは、モデル更新判定部２３にも供給される。
モデル更新判定部２３は、推定部１８からの各ショットの推定結果情報ＩＪを蓄積する。すなわち、モデル更新判定部２３には、ショット番号と関連付けられた推定結果情報ＩＪが蓄積される。

モデル更新判定部２３は、検査結果取得部１３とも接続されている。
検査結果取得部１３には、上述したように、ショット番号と関連付けられた検査結果情報ＩＳが蓄積される。

モデル更新判定部２３は、推定部１８の推定結果に基づいて、あるいは推定部１８の推定結果および検査結果取得部１３において取得された検査結果に基づいて、推定モデルＭの更新の要否を判定する。
ここでは、モデル更新判定部２３は、所定数の推定結果情報ＩＪが蓄積され、かつその推定結果情報ＩＪに対応する検査結果情報ＩＳを検査結果取得部１３から得られたとき、推定部１８の推定結果と、検査結果取得部１３において得られた正しい検査結果とを照合する。

照合を行った結果、推定部１８の推定結果と正しい検査結果との差異を表す指標が、予め設定された閾値ＴＨ以上となった場合、モデル更新判定部２３は、モデル更新が必要として、モデル更新を促す情報をモデル更新提示部２４に送信する。

推定部１８の推定結果と正しい検査結果との差異を表す指標としては、例えば、次の式（１）に示す不正解率が用いられる。

不正解率＝（推定結果を誤ったショットの数）／（推定結果と検査結果とを照合したショットの数） ・・・（１）
式（１）の場合、不正解率が、予め設定された閾値以上となったときにモデル更新が必要と判断される。

なお、指標としては、次の式（２）に示す正解率を用いてもよい。
正解率＝（推定結果が正しかったショットの数）／（推定結果と検査結果とを照合したショットの数） ・・・（２）
式（２）の場合、正解率が、予め設定された閾値未満となったときにモデル更新が必要と判断される。

指標としては、式（１）、（２）以外の指標でもよい。
また、推定モデルが、検査結果に関する指標値の回帰結果を出力するような場合は、回帰結果と正しい指標値とを比較し、平均二乗誤差、平均絶対誤差などを算出して、誤差が大きいときにモデル更新が必要と判断してもよい。

モデル更新提示部２４は、モデル更新を促す情報を受け取ると、モニタなどにモデル更新を指示するメッセージ情報等を表示し、ユーザにモデル更新を促す。メッセージ情報等を見て、ユーザがモデル更新を実施すると判断した場合は、推定モデル生成装置３に新しいデータを用いて推定モデル生成の処理を実施させ、新しいモデルを生成する。

なお、ユーザの判断を介さずに自動的にモデル更新を行うようにしてもよい。その場合、図１において、点線で示すように、モデル更新判定部２３は、モデル更新指示コマンドを推定モデル生成部１６に送信する。その結果、推定モデル生成部１６は、モデル更新指示コマンドを受信すると、自動的に新しいデータを用いて、推定モデル生成処理を実行して、新しいモデルを生成する。

なお、以上に示した方法は、正しい検査結果を用いてモデル更新を判断する方法であるが、推定モデルＭすなわち推定部１８が出力した結果のみを用いてモデル更新の要否を判断してもよい。この場合、正しい検査結果が得られるのを待たずにモデル更新の要否が判断できる利点がある。

例えば、推定部１８の出力結果の傾向が、それまでの出力に対して変化したことを検知することで、モデル更新を判断する。過去の所定期間における、推定部１８の出力結果を複数ショット分、集計して、例えば良品判定が９割、不良品判定が１割だったのに対し、直近の複数ショットについて集計してみると、良品判定が１割、不良品判定が９割など、判定結果の割合が大きく変化しているとする。そのような場合は、推定モデルが正しい結果を出力できていない可能性があるため、モデル更新が必要と判断できる。

また、推定部１８の出力結果の傾向が、予め定めた特定の状態になった場合にモデル更新を行うようにしてもよい。例えば、直近の複数ショットについて、不良品判定を行ったショットの割合が閾値以上となった場合にモデル更新を行うようにしてもよい。

ほかにも、例えば、推定モデルが、対象ショットに対して良品である確率、不良品である確率（以下、それぞれ良品確率、不良品確率と呼ぶ）を出力できるものである場合、直近の複数ショットに対して、良品確率あるいは不良品確率が一定の条件になるショットを数え、そのショット数が一定以上となった場合にモデル更新を行うようにしてもよい。一定の条件として、例えば「良品確率が０．５付近（０．４以上０．６以下など）となること」と設定すれば、推定モデルが良品・不良品の判断に迷っているショットを数えることができる。

ほかにも、直近の複数ショットの良品確率あるいは不良品確率の傾向（例えば分布など）を、過去の複数ショットの良品確率あるいは不良品確率の傾向と比較してモデル更新の要否を判断してもよい。

推定モデルが、時系列データを回帰するモデルや、時系列データを入力して再構成するオートエンコーダモデルであるような場合は、直近の複数ショットに対して、回帰により算出した値と実際の値との誤差や、再構成したデータと入力した時系列データとの誤差などを算出して、その誤差の傾向を用いてモデル更新を行うようにしてもよい。例えば複数ショットの誤差の平均が閾値以上となった場合や、以前と比較して誤差の平均が大きすぎる、あるいは小さすぎる場合などに、モデル更新が必要と判断される。

以上のように構成された製品状態推定装置１は、ダイカストマシン５により製造された製品の状態の推定モデルＭの生成と、生成された推定モデルＭを用いた製造された製品の状態の判定ができる。
（作用）
次に、上述した製品状態推定装置１の動作について説明する。
はじめに、推定モデル生成装置３における推定モデルＭの生成処理について説明する。

図１４は、推定モデル生成装置３の動作の例を示すフローチャートである。
推定モデル生成装置３は、上述したようにプロセッサを含み、図１４の処理は、ソフトウエアプログラムによる処理であり、推定モデル生成装置３のプロセッサによりそのソフトウエアプログラムが実行される。

推定モデル生成装置３は、データ取得装置２から加工済時系列データを取得し、時系列データ保存部１４に記録する（ステップ（以下、Ｓと略す）１）。
推定モデル生成装置３は、データ取得装置２から検査結果情報ＩＳを取得し、検査結果保存部１５に記録する（Ｓ２）。

推定モデル生成装置３は、所定のショット数分のデータが保存されたかを判定する（Ｓ３）。具体的には、所定数の加工済時系列データと所定数の検査結果情報ＩＳが、それぞれ時系列データ保存部１４と検査結果保存部１５に保存されたかが判定される。

所定のショット数分のデータが保存されていないとき（Ｓ３：ＮＯ）、処理は、Ｓ１に戻る。
所定数の加工済時系列データと所定数の検査結果情報が、それぞれ時系列データ保存部１４と検査結果保存部１５に保存されたとき（Ｓ３：ＹＥＳ）、推定モデル生成部１６は、時系列データ保存部１４と検査結果保存部１５にそれぞれ保存された所定数の加工済時系列データと所定数の検査結果情報ＩＳを、学習データとして読み込む（Ｓ４）。

Ｓ４の後、推定モデル生成部１６は、ディープラーニングによる学習を行う（Ｓ５）。すなわち、推定モデル生成部１６は、学習データを用いて推定モデルＭを生成する。

Ｓ５の後、推定モデル生成部１６は、生成された推定モデルＭのモデル情報ＭＩを、良・不良推定装置４へ送信して、推定モデル保存部１７に保存させる（Ｓ６）。
次に、良・不良推定装置４の動作について説明する。

図１５は、良・不良推定装置４の動作の例を示すフローチャートである。
良・不良推定装置４は、上述したようにプロセッサを含み、図１５の処理は、ソフトウエアプログラムである。図１５の処理は、良・不良推定装置４のプロセッサにより実行される。

良・不良推定装置４は、データ取得装置２の時系列データ加工部１２から、推定対象のショットの加工済時系列データを取得して、推定部１８に入力する（Ｓ１１）。
データ取得装置２の時系列データ取得部１１は、ダイカストマシン５の動作に応じて位置センサ５ｂと圧力センサ５ｃからの信号を受信して、３つの時系列データを生成する。生成された３つの時系列データは、時系列データ加工部１２において加工される。よって、時系列データ加工部１２は、取得された時系列データに対して、推定モデル生成時と同様の加工を施すので、推定部１８は、時系列データ保存部１４に保存される加工済時系列データと同様に加工された時系列データを取得する。

例えば、上述した３つの時系列データＤＡ１、ＤＡ２、ＤＡ３が、ショット毎に、時系列データ加工部１２から推定部１８に供給される。
推定部１８は、推定モデル保存部１７から推定モデルＭのモデル情報ＭＩを読み込む（Ｓ１２）。

推定部１８は、推定モデルＭに加工済時系列データを入力し、製品が良品であるか不良品であるかを推定する（Ｓ１３）。すなわち、推定部１８は、モデル情報ＭＩを用いて、加工済時系列データに対して推定を行う。

なお、ここでは、良・不良推定装置では、Ｓ１２において、モデル情報ＭＩは推定モデル保存部１７から読み込まれているが、推定部１８が、Ｓ１１の処理の開始前にモデル情報ＭＩを、事前に読み込むようにしてもよい。

Ｓ１３の後、注目部位算出部１９は、注目部位の算出を行う（Ｓ１４）。
Ｓ１４の後、推定部１８と注目部位算出部１９は、推定結果である推定結果情報ＩＪと、注目部位情報を出力する（Ｓ１５）。推定結果情報ＩＪは、推定結果出力部２０と推定結果提示部２１へ出力され、注目部位情報は、推定結果提示部２１へ出力される。

推定結果提示部２１は、ダイカストマシン５の後工程にある製造ラインの制御装置などに、推定結果情報ＩＪを送信する。例えば、製造ラインの制御装置は、不良品である旨の推定結果情報ＩＪを受信すると、その不良品と推定された製品に対して、後工程の加工などを行われないようにする処理を実行する。

推定結果提示部２１は、例えば、不良品である旨の推定結果情報ＩＪを受信すると、不良品がダイカストマシン５において製造された旨を、モニタなどの表示装置にメッセージで表示すると共に、図１３に示したような注目部位を示す画像を表示装置に表示する。その結果、製造ラインの作業者は、所定の対応を取ることができる。

以上のように、上述した実施形態によれば、ショット後、ダイカストマシン５において製造された製品が良品であるか不良品であるかを推定できるので、不良品と思われる製品を後の加工処理に流すことがなくなり、加工処理の無駄を減らすことができる。

ショットで生じる不良は、ショット時のプランジャーＰなどの位置及び速度、ショット時のランナーＲ内の圧力、等の影響を受けると考えられる。例えば、ダイカストの不良のひとつである巣は、ショットで金型内にガスが巻き込まれることで生じる場合があり、巻き込みガスの量により、巣の発生の有無や巣の大きさが変わってくる。巻き込みガス量を直接測定することは難しいが、ガスの量に応じて射出時のプランジャーＰの挙動に微細な変化が生じる可能性があり、これを捉えれば巣の発生の有無や巣の大きさなどを推定できる可能性がある。

よって、上述した実施形態では、プランジャーＰの挙動の微細な変化を捉えるために、プランジャーＰの位置や速度などの時系列データに基づいて、各ショットで得られた製品の良品・不良品推定が行われている。

図１６は、微細な変動を有する時系列データの例を示す図である。図１６は、プランジャーＰの速度の時系列データの波形を示している。速度データの変化が、基準波形から設定された所定の上下限波形（点線で示す）内に入っているか否かにより成形品の良否判定を行う従来の方法では、実線で示す微細な速度変動は、良否判定において考慮されない。すなわち、射出速度などの微小な変動の発生がガスなどの発生原因になり得る可能性もあり、その微小な変動による製品の品質への影響は、考慮されていない。

図１６の波形データの場合、波形データが上下限波形内に入っているため、波形データの微細な変動は、捉えられていない。速度以外の波形データについても同様である。
しかし、上述した実施形態によれば、実線で示す微細な変動も考慮して、射出成形機あるいはダイカストマシンにより製造された製品の品質の判定あるいは推定を行うことができる。

時系列データの微細な変動が巣の発生に影響する場合、本実施形態によれば、不良の発生を推定することができる。

従って、上述した実施形態によれば、射出成形機あるいはダイカストマシンの動作状態における大幅な変動だけでなく、微小な変動も考慮可能な、製品の状態を推定する製品状態推定装置を提供することができる。
なお、上述した実施形態は、ダイカストマシンによる製品の例を用いて説明したが、射出成形機による製品を製造する場合にも適用可能である。

さらにまた、推定モデル生成装置３と良・不良推定装置４は、別々の装置であるが、一つの装置として構成されていてもよい。

さらにまた、推定モデル生成装置３は、データ取得装置２と良・不良推定装置４とネットワークで接続されていてもよい。例えば、推定モデル生成装置３は、データ取得装置２と良・不良推定装置４とインターネットを介して接続され、遠隔に設置されてもよい。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として例示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると共に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１ 製品状態推定装置、２ データ取得装置、３ 推定モデル生成装置、４ 良・不良推定装置、５ ダイカストマシン、５ａ アクチュエータ、５ｂ 位置センサ、５ｂ１ 信号線、５ｃ 圧力センサ、５ｃ１ 信号線、１１ 時系列データ取得部、１２ 時系列データ加工部、１３ 検査結果取得部、１４ 時系列データ保存部、１５ 検査結果保存部、１６ 推定モデル生成部、１７ 推定モデル保存部、１８ 推定部、１９ 注目部位算出部、２０ 推定結果出力部、２１ 推定結果提示部、２２ 設定ファイル、２２ａ 記憶媒体、２３ モデル更新判定部、２４ モデル更新提示部、３１ 入力層、３２、３２ａ 隠れ層、３３ 出力層。

Claims (5)

1. 射出成形機あるいはダイカストマシンによる製品の状態を推定する推定装置であって、
   各ショットにより得られた前記製品の状態に関する検査結果を取得する検査結果取得部と、
   前記各ショット時における、前記射出成形機あるいは前記ダイカストマシンの動作状態を検出する複数のセンサの複数の検出信号に基づく複数の時系列データを取得する時系列データ取得部と、
   取得された前記複数の時系列データに対して時刻の同期を取った後に、前記複数の時系列データから所定の時間区間のデータを切り出し、切り出された前記複数の時系列データの結合をする加工を行う時系列データ加工部と、
   前記検査結果取得部が取得した前記検査結果を保存する検査結果保存部と、
   前記時系列データ加工部が加工した前記時系列データを加工された時系列データとして保存する時系列データ保存部と、
   前記検査結果と前記加工された時系列データを学習データとして、ニューラルネットワークを用いて、前記検査結果のラベルの識別モデル、又は前記検査結果に関わる指標の回帰モデル、又は前記加工された時系列データ中のある時刻あるいはある時間区間のデータから前記加工された時系列データ中の他の時刻あるいは他の時間区間のデータを回帰する回帰モデル、又は前記加工された時系列データを圧縮し再構成するオートエンコーダモデル、のうちいずれかひとつ以上のモデルに基づく推定モデルを生成する推定モデル生成部と、
   前記推定モデル生成部が生成した前記推定モデルを保存する推定モデル保存部と、
   前記推定モデル保存部に保存された前記推定モデルを用いて、前記各ショット時における前記複数の検出信号から得られた前記加工された時系列データに基づいて、前記製品の品質に関わる情報を推定する推定部と、
   前記推定部の推定結果に関する情報を出力する推定結果出力部と、
   を具備し、
   前記複数の時系列データの前記結合は、前記時刻の同期が取られて同じ時間区間が切り出された前記複数の時系列データを１つのベクトルデータとして直列に結合すること、又は前記時刻の同期が取られて同じ時間区間が切り出された前記複数の時系列データを同じ時刻の時系列データが１つの組みになるように並列に結合することである、製品状態推定装置。
2. 前記推定部の前記推定結果をユーザに告知するために、前記推定結果を提示する推定結果提示部を、さらに有する請求項１に記載の製品状態推定装置。
3. 前記推定モデルの出力データあるいは出力データに基づいて演算された値を前記加工された時系列データにより偏微分演算すること、または前記推定モデルの出力データあるいはその一部と前記加工された時系列データあるいはその一部とを比較することにより、前記推定部が前記製品の前記品質に関わる情報を推定するときに用いた前記推定モデルが前記推定結果を算出する際に注目した前記加工された時系列データの部分を注目部分として算出する、注目部位算出部をさらに備える、請求項１又は２に記載の製品状態推定装置。
4. 前記推定部の前記推定結果に基づいて、あるいは前記推定部の前記推定結果および前記検査結果取得部において取得された前記検査結果に基づいて、前記推定モデルの更新の要否を判定するモデル更新判定部をさらに有する、請求項１から３いずれか１つに記載の製品状態推定装置。
5. 前記ニューラルネットワークは、全結合の多層パーセプトロン、畳み込みニューラルネットワーク、及びリカレントニューラルネットワークの３つのうちのいずれか一つ以上を含む、請求項１から４のいずれか１つに記載の製品状態推定装置。

Images