[go: up one dir, main page]

WO2022075181A1 - 状態判定装置及び状態判定方法 - Google Patents

状態判定装置及び状態判定方法 Download PDF

Info

Publication number
WO2022075181A1
WO2022075181A1 PCT/JP2021/036167 JP2021036167W WO2022075181A1 WO 2022075181 A1 WO2022075181 A1 WO 2022075181A1 JP 2021036167 W JP2021036167 W JP 2021036167W WO 2022075181 A1 WO2022075181 A1 WO 2022075181A1
Authority
WO
WIPO (PCT)
Prior art keywords
statistical
state
data
injection molding
molding machine
Prior art date
Application number
PCT/JP2021/036167
Other languages
English (en)
French (fr)
Inventor
淳史 堀内
Original Assignee
ファナック株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ファナック株式会社 filed Critical ファナック株式会社
Priority to DE112021005248.9T priority Critical patent/DE112021005248T5/de
Priority to CN202180066813.9A priority patent/CN116234651A/zh
Priority to JP2022555420A priority patent/JP7525631B2/ja
Priority to US18/245,897 priority patent/US20240009905A1/en
Publication of WO2022075181A1 publication Critical patent/WO2022075181A1/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
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/76—Measuring, controlling or regulating
    • B29C45/768—Detecting defective moulding conditions
    • 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
    • B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
    • B29C2945/76—Measuring, controlling or regulating
    • B29C2945/76003—Measured parameter

Definitions

  • the present invention relates to a state determination device and a state determination method related to an injection molding machine, and more particularly to a state determination device and a state determination method that assist in determining the quality of a molded product molded by the injection molding machine.
  • the discrimination conditions related to molding are set in advance, and the quality of the molded products molded using these discrimination conditions is determined. For example, when the production lot of the resin that is the material of the molded product is switched, the plasticized state of the resin in the injection cylinder fluctuates, which may cause a defect in the molded product. In addition, the molded product may be defective due to wear of parts such as a screw or running out of grease on moving parts. Therefore, the state of the injection molding machine, which fluctuates due to changes over time and changes in the environment, is determined based on changes in the injection time and peak pressure of the injection process in the molding cycle, the measurement time of the measurement process, and the changes in the feature quantities such as the measurement position. ing.
  • Patent Document 1 discloses that a quality determination is made based on the maximum value and the minimum value of the measurement data detected for each molding cycle.
  • feature quantities eg, actual values / operation data such as injection time, peak pressure, measurement position, etc.
  • reference values and reference values related to the calculated feature quantities are calculated. It is shown that normal (good product) or abnormal (defective product) is judged based on the allowable range such as deviation, average value, standard deviation, etc., and notified as an alarm (possibility that an abnormality has occurred in the product). There is.
  • Japanese Unexamined Patent Publication No. 02-106315 Japanese Unexamined Patent Publication No. 06-231327 Japanese Unexamined Patent Publication No. 2002-079560 Japanese Patent Application Laid-Open No. 2003-039519
  • the feature amount calculated from the measurement data fluctuates due to the influence of environmental changes such as temperature and changes over time. It varies. Conventionally, for abnormalities related to sudden or short-term factors, the measured values acquired for each molding cycle, or the upper and lower limit values determined in advance for the feature quantities and statistics calculated from the measured values, etc. It was possible to determine the molding state by setting a threshold value.
  • the state determination device is based on the time-series data (eg, pressure, current, speed, etc.) related to the molding operation of the injection molding machine, and the feature amount of the time-series data (peak value in the molding process) for each molding process. Etc.), and the statistics are calculated using the statistical function for the calculated features. Subsequently, the molding state of the injection molding machine is determined based on the fluctuations of the calculated plurality of statistics.
  • time-series data eg, pressure, current, speed, etc.
  • feature amount of the time-series data peak value in the molding process
  • one aspect of the present invention is a state determination device for determining the state of the injection molding machine, which is a data acquisition unit for acquiring data related to a predetermined physical quantity as data indicating the state of the injection molding machine, and the above-mentioned.
  • a feature amount calculation unit that calculates a feature amount that indicates the characteristics of the state of the injection molding machine based on data related to the physical amount, a feature amount storage unit that stores the feature amount, and a predetermined statistic from a predetermined feature amount.
  • the statistical condition storage unit that stores statistical conditions including at least a statistical function for calculating, and the statistical condition stored in the statistical condition storage unit based on the feature amount stored in the feature amount storage unit.
  • a statistical data calculation unit that calculates statistics as statistical data, a statistical data storage unit that stores the statistical data, and a plurality of continuous statistical data among the statistical data stored in the statistical data storage unit. It is a state determination device including a state determination unit for determining the state of the injection molding machine based on the fluctuation.
  • Another aspect of the present invention is a state determination method for determining the state of an injection molding machine, which comprises a step of acquiring data relating to a predetermined physical quantity as data indicating a state relating to the injection molding machine, and a step relating to the physical quantity. At least a step of calculating a feature amount indicating the characteristics of the state of the injection molding machine based on the data and a statistical function for calculating a predetermined statistic from the predetermined feature amount based on the calculated feature amount. A step of calculating the statistic as statistical data according to the included statistical conditions and a step of determining the state of the injection molding machine based on the fluctuation of a plurality of consecutive statistical data in the calculated statistical data are executed. This is a state determination method.
  • FIG. 1 is a schematic hardware configuration diagram showing a main part of a state determination device according to an embodiment of the present invention.
  • the state determination device 1 according to the present embodiment can be implemented as a control device that controls the injection molding machine 4 based on, for example, a control program.
  • the state determination device 1 according to the present embodiment is a personal computer attached to the control device that controls the injection molding machine 4 based on the control program, or a personal computer connected to the control device via a wired / wireless network. It can be mounted on a higher-level device such as a cell computer, a fog computer 6, or a cloud server 7.
  • a higher-level device such as a cell computer, a fog computer 6, or a cloud server 7.
  • FIG. 1 is a schematic hardware configuration diagram showing a main part of a state determination device according to an embodiment of the present invention.
  • the state determination device 1 according to the present embodiment can be implemented as a control device that controls the injection molding machine 4 based on, for example, a control program.
  • the CPU 11 included in the state determination device 1 is a processor that controls the state determination device 1 as a whole.
  • the CPU 11 reads the system program stored in the ROM 12 via the bus 22 and controls the entire state determination device 1 according to the system program. Temporary calculation data, display data, various data input from the outside, and the like are temporarily stored in the RAM 13.
  • the non-volatile memory 14 is composed of, for example, a memory backed up by a battery (not shown), an SSD (Solid State Drive), or the like, and the storage state is maintained even when the power of the state determination device 1 is turned off.
  • the non-volatile memory 14 has data read from the external device 72 via the interface 15, data input from the input device 71 via the interface 18, data acquired from the injection molding machine 4 via the network 9, and the like. Is memorized.
  • the stored data includes, for example, the motor current, voltage, torque, position, speed, acceleration, and in-mold pressure of the drive unit detected by various sensors 5 attached to the injection molding machine 4 controlled by the control device 3.
  • Data related to physical quantities such as the temperature of the injection cylinder, the flow rate of the resin, the flow velocity of the resin, the vibration and sound of the drive unit may be included.
  • the data stored in the non-volatile memory 14 may be expanded in the RAM 13 at the time of execution / use. Further, various system programs such as a known analysis program are written in the ROM 12 in advance.
  • the interface 15 is an interface for connecting the CPU 11 of the state determination device 1 and an external device 72 such as an external storage medium.
  • an external device 72 such as an external storage medium.
  • a system program, a program related to the operation of the injection molding machine 4, parameters, and the like can be read.
  • the data or the like created / edited on the state determination device 1 side can be stored in an external storage medium such as a CF card or a USB memory (not shown) via the external device 72.
  • the interface 20 is an interface for connecting the CPU of the state determination device 1 and the wired or wireless network 9.
  • the network 9 communicates using technologies such as serial communication such as RS-485, Ethernet (registered trademark) communication, optical communication, wireless LAN, Wi-Fi (registered trademark), and Bluetooth (registered trademark). It may be there.
  • a control device 3 for controlling the injection molding machine 4, a fog computer 6, a cloud server 7, and the like are connected to the network 9, and data is exchanged with each other with the state determination device 1.
  • each data read on the memory, data obtained as a result of executing the program, etc. are output and displayed via the interface 17.
  • the input device 71 composed of a keyboard, a pointing device, and the like passes commands, data, and the like based on operations by the operator to the CPU 11 via the interface 18.
  • FIG. 2 is a schematic configuration diagram of the injection molding machine 4.
  • the injection molding machine 4 is mainly composed of a mold clamping unit 401 and an injection unit 402.
  • the mold clamping unit 401 is provided with a movable platen 416 and a fixed platen 414. Further, a movable side mold 412 is attached to the movable platen 416, and a fixed side mold 411 is attached to the fixed platen 414.
  • the injection unit 402 includes an injection cylinder 426, a hopper 436 for storing the resin material to be supplied to the injection cylinder 426, and a nozzle 440 provided at the tip of the injection cylinder 426.
  • the mold clamping unit 401 performs the mold closing / mold clamping operation by moving the movable platen 416, and the injection unit 402 presses the nozzle 440 against the fixed side mold 411. Inject the resin into the mold. These operations are controlled by commands from the control device 3.
  • sensors 5 are attached to each part of the injection molding machine 4, and the motor current, voltage, torque, position, speed, acceleration, mold internal pressure, temperature of the injection cylinder 426, resin flow rate, and resin of the drive unit are attached. Physical quantities such as the flow velocity, vibration and sound of the driving unit are detected and sent to the control device 3.
  • each detected physical quantity is stored in a RAM, a non-volatile memory, or the like (not shown), and is transmitted to the state determination device 1 via the network 9 as needed.
  • FIG. 3 shows as a schematic block diagram the functions included in the state determination device 1 according to the first embodiment of the present invention.
  • Each function of the state determination device 1 according to the present embodiment is realized by the CPU 11 included in the state determination device 1 shown in FIG. 1 executing a system program and controlling the operation of each part of the state determination device 1. ..
  • the state determination device 1 of the present embodiment includes a data acquisition unit 100, a feature amount calculation unit 110, a statistical data calculation unit 120, and a state determination unit 140. Further, in the RAM 13 to the non-volatile memory 14 of the state determination device 1, the acquisition data storage unit 300 and the feature amount calculation unit 110 as an area for storing the data acquired by the data acquisition unit 100 from the control device 3 or the like are calculated. Statistical data calculated by the feature amount storage unit 310 as an area for storing the stored feature amount, the statistical condition storage unit 320 for storing statistical conditions in the calculation of statistical data by the statistical data calculation unit 120 in advance, and the statistical data calculation unit 120. A statistical data storage unit 330 is prepared in advance as an area for storing the data.
  • the data acquisition unit 100 executes a system program read from the ROM 12 by the CPU 11 included in the state determination device 1 shown in FIG. 1, mainly performs arithmetic processing using the RAM 13 and the non-volatile memory 14 by the CPU 11, and the interfaces 15 and 18. Alternatively, it is realized by performing the input control process according to 20.
  • the data acquisition unit 100 includes the motor current, voltage, torque, position, speed, acceleration, mold internal pressure, temperature of the injection cylinder 426, and resin flow rate of the drive unit detected by the sensor 5 attached to the injection molding machine 4. , Acquires data related to physical quantities such as resin flow velocity, drive unit vibration and sound.
  • the data related to the physical quantity acquired by the data acquisition unit 100 may be so-called time-series data indicating the value of the physical quantity for each predetermined cycle.
  • the data acquisition unit 100 acquires the data related to the physical quantity
  • the data acquisition unit 100 also acquires the production number (the number of shots) when the physical quantity is detected.
  • This production number (shot number) may be the production number (shot number) since the previous maintenance.
  • the data acquisition unit 100 may acquire data directly from the control device 3 that controls the injection molding machine 4 via the network 9.
  • the data acquisition unit 100 may acquire data acquired and stored by the external device 72, the fog computer 6, the cloud server 7, and the like.
  • the data acquisition unit 100 may acquire data related to physical quantities for each step constituting one molding cycle by the injection molding machine 4.
  • FIG. 4 is a diagram illustrating a molding cycle for manufacturing one molded product.
  • the mold closing step, the mold opening step, and the protrusion step which are the steps of the shaded frame, are performed by the operation of the mold clamping unit 401.
  • the injection step, the pressure holding step, the measuring step, the depressurizing step, and the cooling step which are the steps of the white frame, are performed by the operation of the injection unit 402.
  • the data acquisition unit 100 acquires data related to physical quantities so that each of these steps can be distinguished.
  • the data related to the physical quantity acquired by the data acquisition unit 100 is stored in the acquisition data storage unit 300 in association with the number of production (number of shots) produced by the injection molding machine 4.
  • the feature amount calculation unit 110 executes a system program read from the ROM 12 by the CPU 11 included in the state determination device 1 shown in FIG. 1, and mainly performs arithmetic processing using the RAM 13 and the non-volatile memory 14 by the CPU 11. It will be realized.
  • the feature amount calculation unit 110 is based on the data related to the physical amount indicating the state of the injection molding machine 4 acquired by the data acquisition unit 100, and the feature of the data related to the physical amount is for each step constituting the molding cycle of the injection molding machine 4.
  • the amount is calculated.
  • the feature amount calculated by the feature amount calculation unit 110 indicates the characteristics of the state of the injection molding machine 4 for each process.
  • FIG. 5 is a graph showing changes in pressure during the injection process.
  • t1 indicates the start time point of the injection process
  • t3 indicates the end time point of the injection process.
  • the pressure starts to rise with the operation of injecting the resin in the injection cylinder into the mold, and then is controlled by the control device 3 of the injection molding machine 4 so as to reach a predetermined target pressure P1.
  • the predetermined target pressure P1 is manually set in advance by operating the input device 71 by the operator visually confirming the operation screen displayed on the display device 70 as a command based on the operation of the operator. As shown in FIG.
  • the feature amount calculation unit 110 calculates the peak value of the time-series data indicating the pressure acquired in the injection step, and uses this as the feature amount of the peak pressure in the injection step.
  • FIG. 6 is a graph showing changes in pressure and changes in screw position in the injection process. As shown in FIG. 6, the feature amount calculation unit 110 calculates the peak pressure in the injection process, then calculates the screw position at the peak pressure arrival time t2 when the peak pressure is reached, and uses this as the peak pressure in the injection process. It is a feature amount of the arrival position. In this way, the feature quantity calculated by the feature quantity calculation unit 110 is calculated based on the data related to the predetermined physical quantity in the predetermined process, or is calculated from the data related to a plurality of physical quantities in the predetermined process. There is. The feature amount calculated by the feature amount calculation unit 110 is stored in the feature amount storage unit 310 in association with the number of production (number of shots) produced by the injection molding machine 4.
  • the statistical data calculation unit 120 executes a system program read from the ROM 12 by the CPU 11 included in the state determination device 1 shown in FIG. 1, and mainly performs arithmetic processing using the RAM 13 and the non-volatile memory 14 by the CPU 11. It will be realized.
  • the statistical data calculation unit 120 calculates statistical data, which is a statistic of the feature amount, based on the feature amount indicating the feature of the state of the injection molding machine 4 calculated by the feature amount calculation unit 110.
  • the statistical data calculation unit 120 refers to the statistical conditions stored in the statistical condition storage unit 320 when calculating the statistical data.
  • the statistical condition stored in the statistical condition storage unit 320 defines the condition for calculating the statistic (example: average value, variance, etc.) from the feature amount.
  • FIG. 7 is an example of statistical conditions stored in the statistical condition storage unit 320. As illustrated in FIG. 7, the statistical condition associates a feature amount with a statistical function for calculating a statistic from the feature amount. As shown in FIG. 7, the statistical conditions may be defined for each molding step constituting the molding cycle to which the feature amount belongs. Further, as shown in FIG. 7, the statistical condition may include the number of sample of the feature amount when calculating the statistic.
  • the statistical functions included in the statistical conditions are, for example, weighted mean, arithmetic mean, weighted harmonic mean, harmonic mean, pruned mean, log mean, squared sum mean square root, minimum, maximum, median, weighted median, mode. It may be a value or the like.
  • the injection molding machine 4 is subjected to a test operation in advance, and the correlation between the molding state of the molded product by the injection molding machine 4 and each statistic calculated from the feature amount is analyzed, and the analysis result is obtained. It is advisable to select an appropriate one based on.
  • the maximum value of a predetermined feature amount when the maximum value of a predetermined feature amount changes as the molding state of the molded product by the injection molding machine 4 changes, the maximum value as a statistical function for calculating the statistic of the feature amount. Should be selected. Further, for example, when an outlier that greatly deviates from the average value of the features is included in a plurality of features, the weighted median value or the mode value that is not easily affected by the outliers is used as a statistical function. You should select it. Further, for example, when the value of a predetermined feature amount varies as the molding state of the molded product by the injection molding machine 4 changes, as a statistical function for calculating the statistic of the feature amount. The standard deviation should be selected.
  • the statistical function when the value of the feature amount varies is not limited to the standard deviation, but may be a variance, an average deviation, a coefficient of variation, or the like. As described above, it is desirable to select a statistical function useful for determining the change in the state of the injection molding machine 4 as the statistical condition relating to the predetermined feature amount.
  • the statistical conditions may be set and updated manually by the operator operating the input device 71 from the operation screen displayed on the display device 70.
  • FIG. 14 is a table when the operator selects the weighted average as the statistical function for calculating the statistic from the injection time of the feature and the standard deviation as the statistical function for calculating the statistic from the peak pressure arrival position of the feature. An example is shown. Further, the number of samples used by the statistical function for calculating the statistic indicates that the injection time of the feature amount is 30 shots and the peak pressure arrival position of the feature amount is 10 shots.
  • the number of samples As a method of determining the number of samples, if the value of the feature quantity changes with a small number of shots such as the injection time in the injection process or the peak pressure arrival position, select a small value as the number of samples and the mold opening time in the mold opening process. If the feature quantity value is stable and changes little in each molding cycle, such as, or if the feature quantity changes slowly after a large number of shots, such as the temperature of an injection cylinder, the number of samples is large, such as 90 shots. You should select a value. As described above, the number of samples may be appropriately selected depending on how the feature amount changes for each molding cycle (for each shot).
  • the statistical data calculation unit 120 refers to the statistical conditions stored in the statistical condition storage unit 320, and refers to the statistical data of the feature amount based on the feature amount stored in the feature amount storage unit 310 at a predetermined timing predetermined.
  • the statistical data is calculated.
  • the statistical data calculation unit 120 may calculate statistical data for each predetermined molding cycle (every 1 shot, every 10 shots, every number of samples set in the statistical conditions, etc.).
  • 8A and 8B show an example of statistical data of the peak pressure arrival position.
  • FIG. 8A is a graph in which the feature amount for each shot is plotted
  • FIG. 8B is a graph in which statistical data calculated from the feature amount is plotted.
  • the statistical condition (statistical condition No.
  • the statistical data calculation unit 120 divides the feature amount of the peak pressure arrival position calculated for each shot into 10 shots and calculates the standard deviation, and uses the result as the statistical data of the peak pressure arrival position.
  • the injection process is defined as the molding process to which the feature amount belongs. Therefore, the timing at which the statistical data calculation unit 120 calculates the statistical data should not overlap with the injection process, that is, the statistical data should be calculated in the mold opening process, the ejection process, etc., which are the processes after the injection process is completed. It is good to set it to. (See FIG.
  • the statistical data calculation unit 120 stores the statistical data calculated in this way in the statistical data storage unit 330.
  • the operator visually confirms the dispersion state of the feature amount plotted in FIG. 8A and appropriately selects the statistical function.
  • FIG. 9 shows an example of statistical data stored in the statistical data storage unit 330.
  • the count numbers 1 to n correspond to the number of times the statistical data is calculated. That is, in the example of FIG. 9, n statistical data are stored after the statistical data is calculated and stored. In addition, each statistical data is arranged so as to have a large count number in the statistical data calculated later.
  • the statistical data storage unit 330 can grasp the calculation order of the statistical data calculated by the statistical data calculation unit 120, that is, the time order in which the data related to the physical quantity on which the calculation is based is acquired. It is desirable to be remembered. By storing the statistical data so that the order can be grasped, it is possible to execute a predetermined process on a plurality of consecutive statistical data.
  • the state determination unit 140 is realized by executing a system program read from the ROM 12 by the CPU 11 included in the state determination device 1 shown in FIG. 1 and performing arithmetic processing mainly by the CPU 11 using the RAM 13 and the non-volatile memory 14. Will be done.
  • the state determination unit 140 determines the state of the injection molding machine 4 based on the fluctuation of a plurality of continuous statistical data in the statistical data stored in the statistical data storage unit 330.
  • the state determination unit 140 determines the state of the injection molding machine 4 according to the fluctuation of the five most recent statistical data of, for example, the injection time, the weighing time, the mold closing time, and the mold opening time. judge.
  • the state determination unit 140 is an injection molding machine depending on how the five most recent statistical data of the measurement pressure peak value, the measurement torque peak value, or the measurement end position fluctuate. The state of 4 is determined.
  • the state determination unit 140 may determine fluctuations by performing statistical analysis on a plurality of consecutive statistical data stored in the statistical data storage unit 330.
  • FIG. 10 is a schematic block diagram showing the functions provided by the state determination unit 140 in the case of performing statistical analysis.
  • the state determination unit 140 that performs statistical analysis includes a statistical analysis unit 141 and a determination condition storage unit 142.
  • the statistical analysis unit 141 performs statistical analysis on a plurality of consecutive statistical data based on the determination conditions stored in the determination condition storage unit 142.
  • FIG. 11 shows an example of the determination condition stored in the determination condition storage unit 142.
  • the determination condition can be defined as a set of the fluctuation condition of the statistical data and the determination result when the condition is satisfied for each determination state.
  • the judgment condition (judgment condition No. 1) for judging the "state of time related to the molding process" is the latest one of "injection time, weighing time, mold closing time, and mold opening time”.
  • the statistical analysis unit 141 obtains the latest statistical data for each of the injection time, the weighing time, the mold closing time, and the mold opening time each time the statistical data is newly calculated. Five pieces are acquired, and it is determined whether the statistical data included in the acquired statistical data is monotonically increasing. Then, when any one of the injection time, the weighing time, the mold closing time, and the mold opening time is monotonically increased, the state determination unit 140 determines that the molding time is abnormal.
  • the determination condition (determination condition No. 3) for determining the “state of the weighing process” is the nearest one of the “measurement pressure peak value, the measurement torque peak value, and the measurement end position”.
  • the statistical analysis unit 141 obtains the latest statistical data for each of the measured pressure peak value, the measured torque peak value, and the measurement end position each time new statistical data is calculated. Five pieces are acquired, and it is determined whether the total increase amount between the statistical data included in the acquired statistical data is 10% or more. Then, when any one of the measurement pressure peak value, the measurement torque peak value, and the measurement end position is increased by 10% or more in total, the state determination unit 140 determines that there is an abnormality in the measurement process.
  • the determination result by the state determination unit 140 may be displayed and output to the display device 70. Further, the state determination unit 140 may transmit and output the determination result to a higher-level device such as the control device 3 of the injection molding machine 4, the fog computer 6, or the cloud server 7 via the network 9. Further, when the state determination unit 140 determines that the condition is abnormal, the operation of the injection molding machine 4 is stopped or decelerated, or the drive torque of the prime mover for driving the drive unit of the injection molding machine 4 is limited. May be good. As a result, the operation of the injection molding machine 4 can be stopped before the number of molding defects increases, or a safe standby state can be set to prevent the injection molding machine 4 from being damaged.
  • the state determination device 1 can determine a molding state that changes slowly over a long period of time, and can further predict future changes in the state. For example, when a sudden impact is applied to the sensor 5 or noise is added to the physical quantity detected by the sensor 5, the feature quantity calculated by the feature quantity calculation unit 110 may include an outlier.
  • the statistical data calculated by using the statistical conditions for the feature quantity including this outlier is a value in which the influence of the feature quantity outlier is reduced or a value in which the feature quantity outlier is removed.
  • the changing molding state can be accurately determined.
  • the state determination device 1 it is possible to grasp the transition of the molding state that gradually changes over time by making a judgment using the change state of the statistic obtained from a plurality of molding cycles. Therefore, it is possible to grasp the sign of the abnormality and notify the operator of the sign of the abnormality before the abnormality (alarm) occurs. That is, it is possible to notify before the injection molding machine is broken and before a defect of the molded product occurs, that is, to realize abnormality detection / preventive maintenance. Since it is possible to grasp the presence or absence of an abnormality before the production is stopped due to an abnormality, the operation rate is improved, the cost is reduced, and the work efficiency is improved.
  • the operator can grasp the presence or absence of an abnormality, prepare maintenance parts before the corresponding member breaks, or use the relevant member as a maintenance part. It is possible to carry out maintenance work such as replacement. This realizes a stable determination based on numerical information and a reproducible determination, instead of determining the presence or absence of an abnormality based on the operator's experience and intuition.
  • the state determination unit 140 determines fluctuations in a plurality of consecutive statistical data stored in the statistical data storage unit 330 by using a machine learning technique. You may try to do it.
  • FIG. 12 is a schematic block diagram showing the functions provided by the state determination unit 140 when the fluctuation is determined based on the estimation result using the machine learning technique.
  • the state determination unit 140 that makes a determination by machine learning includes an estimation unit 143 and a learning model storage unit 144.
  • the estimation unit 143 uses the learning model stored in the learning model storage unit 144 to estimate the state based on a plurality of consecutive statistical data.
  • FIG. 13 shows an example of a learning model stored in the learning model storage unit 144.
  • the learning model stored in the learning model storage unit 144 uses statistical data calculated based on data acquired from the injection molding machine 4 that is operating normally in advance and the injection molding machine 4 that shows an abnormality. I learned from it.
  • the learning model may be, for example, one learned by known supervised learning. In this case, as the machine learning algorithm, known ones such as a multi-layer perceptron, a recurrent neural network, and a convolutional neural network can be used.
  • the learning model (learning model No. 1) for "estimating the state of time related to the molding process” is the “injection time, weighing time, mold closing time, mold” acquired from the injection molding machine 4 in advance. Learning using teacher data with "5 most recent statistical data of opening time” as input data and output data (label data) with the ratio of the increase (0 to 100%) to the normal value of the time related to the manufacture of the molded product as the output data (label data). It is a learning model.
  • the estimation unit 143 acquires the five most recent continuous statistical data for each of the injection time, the weighing time, the mold closing time, and the mold opening time, and obtains the acquired statistical data as described above.
  • the output (estimated value of the degree of anomaly) is acquired by inputting to the training model.
  • the state determination unit 140 determines that there is an abnormality in the molding time.
  • the learning model (learning model No. 3) of "for estimating the state of the weighing process" is the latest statistics of the "measured pressure peak value and the measured torque peak value" acquired from the injection molding machine 4 in advance.
  • the learning model may be, for example, a known unsupervised learning.
  • a known algorithm such as an autoencoder or a k-means method can be used.
  • the learning model may be, for example, a known reinforcement learning.
  • the machine learning algorithm a known one such as Q-learning can be used.
  • the learning model may be stored in the learning model storage unit 144 in a compressed state, and may be decompressed and used at the time of estimation processing. By doing so, the storage memory of the state determination device can be used efficiently, and since it can be handled with a small amount of storage memory, there is a merit of cost reduction.
  • the learning model may be encrypted and stored in the learning model storage unit 144, and may be combined and used at the time of estimation processing. By doing so, the state determination device 1 is strong against security and information confidentiality.
  • the learning model can create a learning model with different characteristics depending on the type of learning data and the difference in the learning algorithm. Different learning models may be prepared and used appropriately in consideration of features and differences such as calculation load (calculation time), accuracy of estimated value, and robustness to time series data (stability, robustness). In this case, a plurality of different learning models are created in advance for the state to be determined. For example, when the calculation load of the state determination device 1 is high, a learning model having a low calculation load is selected, or the accuracy of the estimated value is obtained. If this is the case, a learning model with high estimation accuracy may be selected even if the calculation load is high, and an appropriate learning model may be used according to the situation.
  • the state determination device 1 using the machine learning technique can determine the molding state that changes slowly over a long period of time, and can further predict future changes in the state.
  • machine learning technology unlike the method by statistical analysis, the correlation between statistical data and state changes is learned in advance as a learning model, so the cost of analyzing the relationship between the two in advance can be reduced. ..
  • the present invention is not limited to the examples of the above-described embodiments, and can be implemented in various embodiments by making appropriate changes.
  • a plurality of injection molding machines 4 are connected to each other via a network 9
  • data is acquired from the plurality of injection molding machines and the state of each injection molding machine is determined by one state determination device 1.
  • the state determination device 1 may be arranged on each control device included in the plurality of injection molding machines, and the state of each injection molding machine may be determined by the injection molding machine. It may be judged by.

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

状態判定装置１は、射出成形機４に係る状態を示すデータとして所定の物理量に係るデータを取得するデータ取得部１００と、物理量に係るデータに基づいて、射出成形機４の状態の特徴を示す特徴量を算出する特徴量算出部１１０と、算出した特徴量に基づいて、所定の特徴量から所定の統計量を算出するための統計関数を少なくとも含む統計条件に従い統計量を統計データとして算出する統計データ算出部１２０と、連続する複数の統計データの変動に基づいて、射出成形機４の状態を判定する状態判定部１４０と、を備える。

Description

状態判定装置及び状態判定方法
　本発明は、射出成形機に係る状態判定装置及び状態判定方法に関し、特に射出成形機が成形する成形品の良否の判定を補助する状態判定装置及び状態判定方法に関する。
　射出成形機による成形品の生産では、成形に係る判別条件を予め設定し、この判別条件を用いて成形された成形品に対して良否判別を行っている。例えば、成形品の材料である樹脂の製造ロットが切り換わると、射出シリンダ内の樹脂の可塑化状態が変動することにより、成形品の不良が生じることがある。また、スクリュ等の部品の摩耗や可動部へのグリス切れによっても成形品の不良が生じることがある。そこで、経時変化や環境変化によって変動する射出成形機に係る状態の判定は、成形サイクルにおける射出工程の射出時間やピーク圧力、計量工程の計量時間や計量位置等の特徴量の変化に基づいて行っている。
　樹脂の可塑化状態が最適であった時の特徴量と比べて、特徴量に多少の差異が生じたとしても、その差異が著しいものでもない限り、必ずしも成形品に異常が生じるとは限らない。そこで、特徴量の判別条件には、許容範囲を設けるのが一般的である。例えば、特許文献１には、成形サイクル毎に検出した測定データの最大値及び最小値に基づき良否判定することが示されている。また、特許文献２～４には、時系列データより特徴量（例：射出時間、ピーク圧力、計量位置などの実績値／操業データ）を算出し、算出した特徴量に係る基準値、基準値との偏差、平均値、標準偏差、などの許容範囲に基づいて正常（良品）あるいは異常（不良品）を判定し、アラーム（製品に異常が発生した可能性）として報知することが示されている。
特開平０２－１０６３１５号公報 特開平０６－２３１３２７号公報 特開２００２－０７９５６０号公報 特開２００３－０３９５１９号公報
　成形品の異常（不良）を引き起こす要因はさまざまであり、突発的な要因と、中長期的な要因がある。突発的な要因の例としては、センサの破損、可動部への異物の混入、生産材料への異物の混入、オペレータの操作ミスなどが挙げられる。一方、中長期的な要因の例としては、機構部材の摩耗、消耗、劣化（スクリュの摩耗、ベルトの消耗、可動部のグリス切れ、電装品の経年劣化、金型の摩耗など）や、生産環境の変化（生産材料（樹脂）の劣化、季節の変化、降雨等による湿度の変化、朝昼晩の気温変化など）などが挙げられる。例えば、朝昼晩の気温変化は射出シリンダを加熱する温度制御に影響し、射出シリンダ内の樹脂の可塑化状態が変動して成形品の不良につながることがある。
　このように、機械を運転する条件（プログラム、射出速度などのパラメータ）が同一であっても、気温などの環境変動や経時変化の影響を受けて、測定データより算出される特徴量は変動してバラつく。従来、突発的・短期的な要因に係る異常については、成形サイクル毎に取得した測定値、または測定値より算出した特徴量や統計量に対して、予め決められた上限値／下限値等の閾値を設けて成形状態を判定することは可能であった。
　しかしながら、長期的に緩やかに変化する成形状態を判定すること、時間をかけて少しずつ変化する状態の変化の兆候を把握し、将来的な状態の変化を予測すること、には十分な対応がとれていなかった。
　即ち、機械が壊れる前に知らせること、成形品に不良が生じる前にその状態を知らせること、稼働率を向上させる予防保全が望まれている。
　本発明による状態判定装置は、射出成形機の成形動作に係る時系列データ（例：圧力、電流、速度など）に基づいて、成形工程毎に時系列データの特徴量（該成形工程におけるピーク値など）を算出し、算出された複数の特徴量に統計関数を用いて統計量を算出する。続いて、算出した複数の統計量の変動に基づいて、射出成形機の成形状態を判定する。
　そして、本発明の一態様は、射出成形機の状態を判定する状態判定装置であって、前記射出成形機に係る状態を示すデータとして所定の物理量に係るデータを取得するデータ取得部と、前記物理量に係るデータに基づいて、前記射出成形機の状態の特徴を示す特徴量を算出する特徴量算出部と、前記特徴量を記憶する特徴量記憶部と、所定の特徴量から所定の統計量を算出するための統計関数を少なくとも含む統計条件を記憶する統計条件記憶部と、前記特徴量記憶部に記憶された前記特徴量に基づいて、前記統計条件記憶部に記憶された統計条件を参照して統計量を統計データとして算出する統計データ算出部と、前記統計データを記憶する統計データ記憶部と、前記統計データ記憶部に記憶された前記統計データの内で連続する複数の統計データの変動に基づいて、前記射出成形機の状態を判定する状態判定部と、を備えた状態判定装置である。
　本発明の他の態様は、射出成形機の状態を判定する状態判定方法であって、前記射出成形機に係る状態を示すデータとして所定の物理量に係るデータを取得するステップと、前記物理量に係るデータに基づいて、前記射出成形機の状態の特徴を示す特徴量を算出するステップと、算出した前記特徴量に基づいて、所定の特徴量から所定の統計量を算出するための統計関数を少なくとも含む統計条件に従い統計量を統計データとして算出するステップと、算出した前記統計データの内で連続する複数の統計データの変動に基づいて、前記射出成形機の状態を判定するステップと、を実行する状態判定方法である。
　本発明の一態様により、長期的に緩やかに変化する成形状態の判定が可能となり、さらに、将来的な状態の変化を予測することが可能となる。
一実施形態による状態判定装置の概略的なハードウェア構成図である。 射出成形機の概略構成図である。 第１実施形態による状態判定装置の概略的な機能ブロック図である。 １つの成形品を製造する成形サイクルの例を示す図である。 １つの時系列データから特徴量を算出する例を示す図である。 ２つ以上の時系列データから特徴量を算出する例を示す図である。 統計条件の例を示す図である。 ショット毎の特徴量をプロットしたグラフを示す図である。 特徴量から算出された統計データをプロットしたグラフを示す図である。 統計データ記憶部に記憶される統計データの例を示す図である。 統計解析により射出成形機の状態を判定する場合の状態判定部の概略的な機能ブロック図である。 判定条件の例を示す図である。 機械学習により射出成形機の状態を判定する場合の状態判定部の概略的な機能ブロック図である。 学習モデルの例を示す図である。 統計条件の入力画面の例を示す図である。
　以下、本発明の実施形態を図面と共に説明する。
　図１は本発明の一実施形態による状態判定装置の要部を示す概略的なハードウェア構成図である。本実施形態による状態判定装置１は、例えば制御用プログラムに基づいて射出成形機４を制御する制御装置として実装することができる。また、本実施形態による状態判定装置１は、制御用プログラムに基づいて射出成形機４を制御する制御装置に併設されたパソコンや、有線／無線のネットワークを介して制御装置と接続されたパソコン、セルコンピュータ、フォグコンピュータ６、クラウドサーバ７等の上位装置に実装することができる。本実施形態では、状態判定装置１を、ネットワーク９を介して制御装置３と接続されたパソコンの上に実装した例を示す。
　本実施形態による状態判定装置１が備えるＣＰＵ１１は、状態判定装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、バス２２を介してＲＯＭ１２に格納されたシステム・プログラムを読み出し、該システム・プログラムに従って状態判定装置１全体を制御する。ＲＡＭ１３には一時的な計算データや表示データ、及び外部から入力された各種データ等が一時的に格納される。
　不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされたメモリやＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等で構成され、状態判定装置１の電源がオフされても記憶状態が保持される。不揮発性メモリ１４には、インタフェース１５を介して外部機器７２から読み込まれたデータ、インタフェース１８を介して入力装置７１から入力されたデータ、ネットワーク９を介して射出成形機４から取得されたデータ等が記憶される。記憶されるデータには、例えば制御装置３により制御される射出成形機４に取り付けられた各種センサ５により検出された駆動部のモータ電流、電圧、トルク、位置、速度、加速度、金型内圧力、射出シリンダの温度、樹脂の流量、樹脂の流速、駆動部の振動や音等の物理量に係るデータが含まれていてよい。不揮発性メモリ１４に記憶されたデータは、実行時／利用時にはＲＡＭ１３に展開されてもよい。また、ＲＯＭ１２には、公知の解析プログラムなどの各種システム・プログラムがあらかじめ書き込まれている。
　インタフェース１５は、状態判定装置１のＣＰＵ１１と外部記憶媒体等の外部機器７２とを接続するためのインタフェースである。外部機器７２側からは、例えばシステム・プログラムや射出成形機４の運転に係るプログラムやパラメータ等を読み込むことができる。また、状態判定装置１側で作成・編集したデータ等は、外部機器７２を介して図示しないＣＦカードやＵＳＢメモリ等の外部記憶媒体に記憶させることができる。
　インタフェース２０は、状態判定装置１のＣＰＵと有線乃至無線のネットワーク９とを接続するためのインタフェースである。ネットワーク９は、例えばＲＳ－４８５等のシリアル通信、Ｅｔｈｅｒｎｅｔ（登録商標）通信、光通信、無線ＬＡＮ、Ｗｉ－Ｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の技術を用いて通信をするものであってよい。ネットワーク９には、射出成形機４を制御する制御装置３やフォグコンピュータ６、クラウドサーバ７等が接続され、状態判定装置１との間で相互にデータのやり取りを行っている。
　表示装置７０には、メモリ上に読み込まれた各データ、プログラム等が実行された結果として得られたデータ等がインタフェース１７を介して出力されて表示される。また、キーボードやポインティングデバイス等から構成される入力装置７１は、オペレータによる操作に基づく指令，データ等をインタフェース１８を介してＣＰＵ１１に渡す。
　図２は、射出成形機４の概略構成図である。射出成形機４は、主として型締ユニット４０１と射出ユニット４０２とから構成されている。型締ユニット４０１には、可動プラテン４１６と固定プラテン４１４が備えられている。また、可動プラテン４１６には可動側金型４１２が取り付けられており、固定プラテン４１４には固定側金型４１１が取り付けられている。一方、射出ユニット４０２は、射出シリンダ４２６と、射出シリンダ４２６に供給する樹脂材料を溜めるホッパ４３６と、射出シリンダ４２６の先端に設けられたノズル４４０とから構成されている。１つの成形品を製造する成形サイクルでは、型締ユニット４０１で、可動プラテン４１６の移動によって型閉じ・型締めの動作を行い、射出ユニット４０２で、ノズル４４０を固定側金型４１１に押し付けてから樹脂を金型内に射出する。これらの動作は制御装置３からの指令により制御される。
　また、射出成形機４の各部にはセンサ５が取り付けられており、駆動部のモータ電流、電圧、トルク、位置、速度、加速度、金型内圧力、射出シリンダ４２６の温度、樹脂の流量、樹脂の流速、駆動部の振動や音等の物理量が検出されて制御装置３に送られる。制御装置３では、検出された各物理量が図示しないＲＡＭや不揮発性メモリ等に記憶され、必要に応じてネットワーク９を介して状態判定装置１へ送信される。
　図３は、本発明の第１実施形態による状態判定装置１が備える機能を概略的なブロック図として示したものである。本実施形態による状態判定装置１が備える各機能は、図１に示した状態判定装置１が備えるＣＰＵ１１がシステム・プログラムを実行し、状態判定装置１の各部の動作を制御することにより実現される。
　本実施形態の状態判定装置１は、データ取得部１００、特徴量算出部１１０、統計データ算出部１２０、状態判定部１４０を備える。また、状態判定装置１のＲＡＭ１３乃至不揮発性メモリ１４には、データ取得部１００が制御装置３等から取得したデータを記憶するための領域としての取得データ記憶部３００、特徴量算出部１１０が算出した特徴量を記憶するための領域としての特徴量記憶部３１０、統計データ算出部１２０による統計データの算出における統計条件を予め記憶する統計条件記憶部３２０、統計データ算出部１２０が算出した統計データを記憶するための領域としての統計データ記憶部３３０が予め用意されている。
　データ取得部１００は、図１に示した状態判定装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１によるＲＡＭ１３、不揮発性メモリ１４を用いた演算処理と、インタフェース１５、１８又は２０による入力制御処理とが行われることで実現される。データ取得部１００は、射出成形機４に取り付けられたセンサ５で検出された駆動部のモータ電流、電圧、トルク、位置、速度、加速度、金型内圧力、射出シリンダ４２６の温度、樹脂の流量、樹脂の流速、駆動部の振動や音等の物理量に係るデータを取得する。データ取得部１００が取得する物理量に係るデータは、所定周期毎の物理量の値を示す、いわゆる時系列データであってよい。データ取得部１００は、物理量に係るデータを取得する際に、その物理量が検出された際の生産数（ショット数）を併せて取得する。この生産数（ショット数）は、前回メンテナンスを行ってからの生産数（ショット数）であってよい。データ取得部１００は、ネットワーク９を介して射出成形機４を制御する制御装置３から直接データを取得してもよい。データ取得部１００は、外部機器７２や、フォグコンピュータ６、クラウドサーバ７等が取得して記憶しているデータを取得してもよい。データ取得部１００は、射出成形機４による１つの成形サイクルを構成する工程毎にそれぞれ物理量に係るデータを取得するようにしてもよい。図４は、１つの成形品を製造する成形サイクルを例示する図である。図４において、網掛け枠の工程である型閉じ工程、型開き工程、および、突き出し工程は、型締ユニット４０１の動作で行われる。また、白抜き枠の工程である射出工程、保圧工程、計量工程、減圧工程、および、冷却工程は、射出ユニット４０２の動作で行われる。データ取得部１００は、これらの工程ごとに区別できるように物理量に係るデータを取得する。データ取得部１００が取得した物理量に係るデータは、射出成形機４による生産数（ショット数）と関連付けて取得データ記憶部３００に記憶される。
　特徴量算出部１１０は、図１に示した状態判定装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１によるＲＡＭ１３、不揮発性メモリ１４を用いた演算処理が行われることで実現される。特徴量算出部１１０は、データ取得部１００が取得した射出成形機４の状態を示す物理量に係るデータに基づいて、射出成形機４の成形サイクルを構成する工程毎に、物理量に係るデータの特徴量（射出工程における射出時間、ピーク圧力、ピーク圧力到達位置、計量工程における計量圧力ピーク値、計量終了位置、型閉じ工程における型閉じ時間、型開き工程における型開き時間など）を算出する。特徴量算出部１１０が算出する特徴量は、射出成形機４の工程毎の状態の特徴を示す。図５は、射出工程における圧力の変化を示すグラフである。図５のｔ１は、射出工程の開始時点を示し、ｔ３は射出工程の終了時点を示す。圧力は射出シリンダ内の樹脂を金型内に射出する動作に伴い上昇を始め、その後、所定の目標圧力Ｐ１になるように射出成形機４の制御装置３によって制御される。所定の目標圧力Ｐ１は、オペレータの操作に基づく指令として、オペレータが表示装置７０に表示される操作画面を目視確認して入力装置７１を操作して予め手動で設定される。図５に示すように、特徴量算出部１１０は、射出工程において取得された圧力を示す時系列データのピーク値を算出し、これを射出工程におけるピーク圧力の特徴量とする。図６は、射出工程における圧力の変化及びスクリュ位置の変化を示すグラフである。図６に示すように、特徴量算出部１１０は、射出工程におけるピーク圧力を算出した上で、該ピーク圧力に到達したピーク圧力到達時間ｔ２におけるスクリュ位置を算出し、これを射出工程におけるピーク圧力到達位置の特徴量とする。このように、特徴量算出部１１０が算出する特徴量は、所定の工程における所定の物理量に係るデータに基づいて算出される場合や、所定の工程における複数の物理量に係るデータから算出される場合がある。特徴量算出部１１０が算出した特徴量は、射出成形機４による生産数（ショット数）と関連付けて特徴量記憶部３１０に記憶される。
　統計データ算出部１２０は、図１に示した状態判定装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１によるＲＡＭ１３、不揮発性メモリ１４を用いた演算処理が行われることで実現される。統計データ算出部１２０は、特徴量算出部１１０が算出した射出成形機４の状態の特徴を示す特徴量に基づいて、該特徴量の統計量である統計データを算出する。統計データ算出部１２０は、統計データを算出する際に、統計条件記憶部３２０に記憶された統計条件を参照する。
　統計条件記憶部３２０に記憶された統計条件は、特徴量から統計量（例：平均値、分散など）を算出する条件を定める。図７は、統計条件記憶部３２０に記憶された統計条件の例である。図７に例示されるように、統計条件は特徴量と、該特徴量より統計量を算出するための統計関数とを関連付けたものである。統計条件は、図７に示すように、該特徴量が属する成形サイクルを構成する成形工程毎に定義されていてよい。また、統計条件は、図７に示すように、統計量を演算する際の特徴量の標本数を含んでいてよい。統計条件に含まれる統計関数は、例えば加重平均、算術平均、重み付き調和平均、調和平均、刈り込み平均、対数平均、二乗和平均平方根、最小値、最大値、中央値、加重中央値、最頻値等であってよい。この統計関数は、予め射出成形機４を試験動作させ、射出成形機４による成形品の成形状態と特徴量から算出される各統計量との間の相関性を分析しておき、その分析結果に基づいて適切なものを選択するとよい。例えば、射出成形機４による成形品の成形状態が変化していくにしたがって、所定の特徴量の最大値が変化していく場合には、該特徴量の統計量を算出する統計関数として最大値を選択するとよい。また、例えば、複数の特徴量の内に、特徴量の平均値から大きく外れている外れ値が含まれる場合には、外れ値の影響を受け難い加重中央値や最頻値等を統計関数として選択するとよい。また、例えば、射出成形機４による成形品の成形状態が変化していくにしたがって、所定の特徴量の値にばらつきが出てくる場合には、該特徴量の統計量を算出する統計関数として標準偏差を選択するとよい。なお、特徴量の値にばらつきが出る場合の統計関数としては、標準偏差に限定するものではなく、分散、平均偏差、変動係数等であってよい。このように、所定の特徴量に係る統計条件には、射出成形機４の状態の変化を判定するために有用な統計関数を選択することが望ましい。
　統計条件は、図１４に例示するように、オペレータが表示装置７０に表示された操作画面から入力装置７１を操作して手動で設定・更新できるようにしてもよい。図１４は、オペレータが特徴量の射出時間より統計量を算出する統計関数として加重平均を選択し、特徴量のピーク圧力到達位置より統計量を算出する統計関数として標準偏差を選択した場合の表示例を示している。また、統計関数が統計量の算出に用いる標本数は、特徴量の射出時間が３０ショット、特徴量のピーク圧力到達位置が１０ショットであることを示している。標本数の決め方としては、射出工程における射出時間やピーク圧力到達位置のように少ないショット数で特徴量の値に変化が生じる場合は標本数として小さな値を選定し、型開き工程における型開き時間のように特徴量の値が成形サイクル毎に安定していて変化が小さかったり、射出シリンダの温度のように特徴量が多くのショット数を経て緩やかに変化する場合は標本数として９０ショットなど大きな値を選定するとよい。このように、標本数は、特徴量が成形サイクル毎（ショット毎）に変化する具合に応じて異なるショット数を適宜選定するとよい。
　統計データ算出部１２０は、統計条件記憶部３２０に記憶された統計条件を参照して、予め定めた所定のタイミングで特徴量記憶部３１０に記憶された特徴量に基づいて該特徴量の統計量である統計データを算出する。例えば、統計データ算出部１２０は、所定の成形サイクル毎（１ショット毎、１０ショット毎、統計条件に設定された標本数毎など）に統計データを算出するようにしてよい。図８Ａ，図８Ｂは、ピーク圧力到達位置の統計データの例を示している。図８Ａはショット毎の特徴量をプロットしたグラフであり、図８Ｂは特徴量から算出された統計データをプロットしたグラフである。図７に例示するように、ピーク圧力到達位置の統計データを算出する統計条件（統計条件Ｎｏ．３）は、統計関数として標準偏差、標本数として１０ショットが定められている。この時、統計データ算出部１２０は、ショット毎に算出されたピーク圧力到達位置の特徴量を１０ショット毎に分けてそれぞれ標準偏差を算出し、その結果をピーク圧力到達位置の統計データとする。また、統計条件（統計条件Ｎｏ．３）には、特徴量が属する成形工程として射出工程が定められている。そこで、統計データ算出部１２０が統計データを算出するタイミングは、射出工程に重複しないように、すなわち射出工程を終えた後の工程である型開き工程や突き出し工程などにて統計データを算出するようにするとよい。（図４参照）このようにして算出した統計データを、統計データ算出部１２０は統計データ記憶部３３０に記憶する。なお、統計条件に定める統計関数を決定する際は、図８Ａにプロットされる特徴量の散布状態をオペレータが目視確認して統計関数を適宜選定するとよい。
　図９は、統計データ記憶部３３０に記憶される統計データの例を示している。図９において、１～ｎのカウント数は、統計データを算出した回数に対応するものである。すなわち、図９の例は、統計データの算出及び記憶をしてからｎ個の統計データが記憶されている。また、後に算出された統計データに大きなカウント数となるように各統計データが並べられている。このように、統計データ記憶部３３０には、統計データ算出部１２０が算出した統計データが、その算出順序、即ち算出の基となった物理量に係るデータが取得された時間順序が把握できるように記憶されていることが望ましい。統計データの順序が把握できるように記憶することで、連続した複数の統計データに対して所定の処理を実行することが可能となる。
　状態判定部１４０は、図１に示した状態判定装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１によるＲＡＭ１３、不揮発性メモリ１４を用いた演算処理が行われることで実現される。状態判定部１４０は、統計データ記憶部３３０に記憶された統計データの内で、連続する複数の統計データの変動に基づいて、射出成形機４の状態を判定する。状態判定部１４０は、例えば射出時間や計量時間、型閉じ時間、型開き時間のいずれかの直近の統計データ５個の変動がどのようになっているのかに応じて射出成形機４の状態を判定する。別の例では、状態判定部１４０は、計量圧力ピーク値、計量トルクピーク値、計量終了位置のいずれかの直近の統計データ５個の変動がどのようになっているのかに応じて射出成形機４の状態を判定する。
　状態判定部１４０は、統計データ記憶部３３０に記憶された連続する複数の統計データに対して、統計的な解析を行うことで変動の判定をするようにしてもよい。図１０は、統計的な解析を行う場合における、状態判定部１４０が備える機能を概略的なブロック図で示したものである。統計的な解析を行う状態判定部１４０は、統計解析部１４１及び判定条件記憶部１４２を備える。
　統計解析部１４１は、判定条件記憶部１４２に記憶される判定条件に基づいて、連続した複数の統計データに対して統計的な解析を行う。図１１は、判定条件記憶部１４２に記憶される判定条件の例を示している。判定条件は、判定する状態毎に、統計データの変動条件と、該条件を満たした場合の判定結果の組として定義できる。図１１の例では、「成形工程に係る時間の状態」を判定する判定条件（判定条件Ｎｏ．１）には、「射出時間、計量時間、型閉じ時間、型開き時間のいずれか１つの直近の統計データ５個が連続して単調増加」という条件を満足する場合には、「成形時間異常」の状態と判定することが定義されている。このような判定条件が定義されている場合、統計解析部１４１は、新たに統計データが算出されるたびに、射出時間、計量時間、型閉じ時間、型開き時間のそれぞれについて直近の統計データを５個取得し、取得した統計データに含まれる統計データが単調増加しているのかを判定する。そして、射出時間、計量時間、型閉じ時間、型開き時間のいずれかが単調増加している場合、状態判定部１４０は、成形時間に異常があると判定する。図１１の他の例では、「計量工程の状態」を判定する判定条件（判定条件Ｎｏ．３）には、「計量圧力ピーク値、計量トルクピーク値、計量終了位置のいずれか１つの直近の統計データ５個が合計１０％上昇」という条件を満足する場合には、「計量異常」の状態と判定することが定義されている。このような判定条件が定義されている場合、統計解析部１４１は、新たに統計データが算出されるたびに、計量圧力ピーク値、計量トルクピーク値、計量終了位置のそれぞれについて直近の統計データを５個取得し、取得した統計データに含まれる統計データ間の増加量が合計で１０％以上かを判定する。そして、計量圧力ピーク値、計量トルクピーク値、計量終了位置のいずれかが合計で１０％以上増加している場合、状態判定部１４０は、計量工程に異常があると判定する。
　状態判定部１４０による判定結果は、表示装置７０に対して表示出力するようにしてよい。また、状態判定部１４０はその判定結果を、ネットワーク９を介して射出成形機４の制御装置３やフォグコンピュータ６やクラウドサーバ７等の上位装置に対して送信出力してもよい。更に、状態判定部１４０が異常であると判定した場合、射出成形機４の運転を停止、減速したり、射出成形機４の駆動部を駆動させる原動機の駆動トルクを制限したりするようにしてもよい。これにより、成形不良が増加する前に射出成形機４の運転を停止したり、射出成形機４の破損を防止する安全な待機状態とすることができる。
　上記構成を備えた本実施形態による状態判定装置１は、長期的に緩やかに変化する成形状態の判定が可能となり、さらに、将来的な状態の変化を予測することが可能となる。例えば、センサ５に突発的な衝撃が加わったり、センサ５で検出される物理量にノイズが加わった場合、特徴量算出部１１０が算出する特徴量に外れ値が含まれることがある。この外れ値を含む特徴量に統計条件を用いて算出される統計データは、特徴量の外れ値の影響が低減された値、もしくは特徴量の外れ値が除去された値となるので、緩やかに変化する成形状態を精度良く判定できる。また、本実施形態による状態判定装置１では、複数の成形サイクルより得た統計量の変化状態を用いて判断することによって、時間をかけて少しずつ変化する成形状態の推移を把握することが可能となり、異常（アラーム）となる前に、異常の兆候を把握し、オペレータに異常の兆候を報知することを実現する。即ち、射出成形機が壊れる前に知らせること、成形品の不良が生じる前に知らせること、即ち、異常検知・予防保全を実現する。異常が生じて生産を停止する前に、異常の有無を把握することができるので、稼働率の向上、コスト削減、作業効率を改善する。例えば、スクリュや金型の摩耗が進んで成形不良が生じる前に、オペレータは異常の有無を把握することが可能となり、該当部材が壊れる前に保守部品を準備したり、該当部材を保守部品に交換する等の保守作業を実施することが可能となる。これにより、オペレータの経験と勘に頼った異常有無の判定ではなく、数値情報に基づいた安定した判定、再現性のある判定を実現する。
　本実施形態による状態判定装置１の一変形例として、状態判定部１４０は、統計データ記憶部３３０に記憶された連続する複数の統計データに対して、機械学習の技術を用いて変動の判定をするようにしてもよい。図１２は、機械学習の技術を用いた推定結果に基づいて変動の判定を行う場合の、状態判定部１４０が備える機能を概略的なブロック図で示したものである。機械学習による判定を行う状態判定部１４０は、推定部１４３及び学習モデル記憶部１４４を備える。
　推定部１４３は、学習モデル記憶部１４４に記憶される学習モデルを用いて、連続する複数の統計データに基づく状態推定を行う。図１３は、学習モデル記憶部１４４に記憶される学習モデルの例を示している。学習モデル記憶部１４４に記憶される学習モデルは、予め正常に稼働している射出成形機４と、異常を示した射出成形機４とからそれぞれ取得したデータに基づいて算出された統計データを用いて学習をしたものである。学習モデルは、例えば公知の教師あり学習により学習したものであってよい。この場合、機械学習のアルゴリズムとしては、多層パーセプトロン、回帰結合ニューラルネットワーク、畳み込みニューラルネットワーク等の公知のものを用いることができる。ラベルデータの定義や状態の判定に用いる閾値は、状態判定の対象や、機械学習のアルゴリズムの種類などによって異なるため、予め試験動作を繰り返して適切な値を設定しておくとよい。例えば図１３の例では、「成形工程に係る時間の状態推定用」の学習モデル（学習モデルＮｏ．１）は、予め射出成形機４から取得した「射出時間、計量時間、型閉じ時間、型開き時間の直近の統計データ５個」を入力データ、成形品の製造に係る時間の正常値に対する増加分の割合（０～１００％）を出力データ（ラベルデータ）とした教師データを用いて学習した学習モデルである。推定部１４３は、新たに統計データが算出されるたびに、射出時間、計量時間、型閉じ時間、型開き時間のそれぞれについて直近の連続した統計データを５個取得し、取得した統計データを上記した学習モデルに入力してその出力（異常度の推定値）を取得する。そして、推定された異常度がしきい値である１０以上である場合、状態判定部１４０は、成形時間に異常があると判定する。図１３の他の例では、「計量工程の状態推定用」の学習モデル（学習モデルＮｏ．３）は、予め射出成形機４から取得した「計量圧力ピーク値、計量トルクピーク値の直近の統計データ１０個、及び計量終了位置の直近の統計データ２０個」を入力データ、成形品の重量の正常値からの乖離度を示すラベル（０～１００％）を出力データ（ラベルデータ）とした教師データを用いて学習した学習モデルである。推定部１４３は、新たに統計データが算出されるたびに、計量圧力ピーク値、計量トルクピーク値の直近の連続する統計データ１０個、及び計量終了位置の直近の連続した統計データ２０個取得し、取得した統計データを上記した学習モデルに入力してその出力（異常度の推定値）を取得する。そして、推定された異常度がしきい値である３０以上である場合、状態判定部１４０は、計量工程に異常があると判定する。このように、連続する複数の統計データの系列を入力データとして学習をした学習モデルは、複数の統計データ間の変動と、射出成形機４の状態（成形品の状態）との相関性を学習したモデルとなる。
　学習モデルは、例えば公知の教師なし学習によるものであってよい。この場合、機械学習のアルゴリズムとしては、オートエンコーダ、ｋ平均法等の公知のものを用いることができる。また、学習モデルは例えば公知の強化学習によるものであってよい。この場合、機械学習のアルゴリズムとしては、Ｑ学習等の公知のものを用いることができる。
　学習モデルは、圧縮した状態で学習モデル記憶部１４４に記憶しておき、推定処理時に解凍して使用するようにしてもよい。このようにすることで、状態判定装置の記憶メモリを効率的に使用でき、また、少ない記憶メモリ量で対応できるので、コスト削減のメリットがある。学習モデルは、暗号化して学習モデル記憶部１４４に記憶しておき、推定処理時に複合化して使用するようにしてもよい。このようにすることで、セキュリティや情報秘匿に強い状態判定装置１となる。
　学習モデルは、学習データの種類、学習アルゴリズムの差異によって、異なる特徴を有する学習モデルを作ることができる。計算負荷（計算時間）や推定値の精度、時系列データに対するロバスト性（安定性、頑健性）、などの特徴や差異を考慮して、異なる学習モデルを用意して適宜使い分けてもよい。この場合、判定する状態に対して複数の異なる学習モデルを予め作成しておき、例えば状態判定装置１の計算負荷が高い場合は計算負荷の低い学習モデルを選択したり、推定値の精度が求められる場合には計算負荷は高くても推定精度が高い学習モデルを選択したりするなど、状況に合わせて適切な学習モデルを使い分けるようにすればよい。
　このように、機械学習の技術を用いた状態判定装置１は、長期的に緩やかに変化する成形状態の判定が可能となり、さらに、将来的な状態の変化を予測することが可能となる。機械学習の技術を用いることにより、統計的な解析による方法とは異なり、予め統計データと状態の変化との相関性が学習モデルとして学習されるため、予め両者の関係を分析するコストを削減できる。
　以上、本発明の一実施形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。
　例えば、複数の射出成形機４がネットワーク９を介して相互に接続されている場合、複数の射出成形機からデータを取得して其々の射出成形機の状態を１つの状態判定装置１で判定してもよいし、複数の射出成形機が備える其々の制御装置上に状態判定装置１を配置して、其々の射出成形機の状態を該射出成形機が備える其々の状態判定装置で判定してもよい。
　　１　状態判定装置
　　２　機械学習装置
　　３　制御装置
　　４　射出成形機
　　５　センサ
　　６　フォグコンピュータ
　　７　クラウドサーバ
　　９　ネットワーク
　　１１　ＣＰＵ
　　１２　ＲＯＭ
　　１３　ＲＡＭ
　　１４　不揮発性メモリ
　　１５，１７，１８，２０　インタフェース
　　２２　バス
　　７０　表示装置
　　７１　入力装置
　　７２　外部機器
　　１００　データ取得部
　　１１０　特徴量算出部
　　１２０　統計データ算出部
　　１４０　状態判定部
　　１４１　統計解析部
　　１４２　判定条件記憶部
　　１４３　推定部
　　１４４　学習モデル記憶部
　　３００　取得データ記憶部
　　３１０　特徴量記憶部
　　３２０　統計条件記憶部
　　３３０　統計データ記憶部

Claims (11)

  1. 　射出成形機の状態を判定する状態判定装置であって、
    　前記射出成形機に係る状態を示すデータとして所定の物理量に係るデータを取得するデータ取得部と、
    　前記物理量に係るデータに基づいて、前記射出成形機の状態の特徴を示す特徴量を算出する特徴量算出部と、
    　前記特徴量を記憶する特徴量記憶部と、
    　所定の特徴量から所定の統計量を算出するための統計関数を少なくとも含む統計条件を記憶する統計条件記憶部と、
    　前記特徴量記憶部に記憶された前記特徴量に基づいて、前記統計条件記憶部に記憶された統計条件を参照して統計量を統計データとして算出する統計データ算出部と、
    　前記統計データを記憶する統計データ記憶部と、
    　前記統計データ記憶部に記憶された前記統計データの内で連続する複数の統計データの変動に基づいて、前記射出成形機の状態を判定する状態判定部と、
    を備えた状態判定装置。
  2. 　前記状態判定部は、
    　前記射出成形機の状態を判定するための判定条件を記憶した判定条件記憶部と、
    　前記統計データ記憶部に記憶した連続する複数の統計データが、前記判定条件記憶部に記憶された判定条件を満足するか否かを統計的に解析する統計解析部と、
    を備え、
    前記統計解析部の解析結果に基づいて前記射出成形機の状態を判定する、
    請求項１に記載の状態判定装置。
  3. 　前記判定条件は、連続する複数の統計データの単調増加する回数、単調減少する回数、上昇率、下降率のいずれか１つに係る条件を定義したものである、
    請求項２に記載の状態判定装置。
  4. 　前記状態判定部は、
    　前記統計データ算出部により算出された統計データの内で連続する複数の統計データと、該統計データが算出されたときの前記射出成形機の状態との相関性を学習した学習モデルを記憶した学習モデル記憶部と、
    　前記統計データ記憶部に記憶した連続する複数の統計データに基づいて、前記学習モデルを用いた前記射出成形機の状態の推定をする推定部と、
    を備えた請求項１に記載の状態判定装置。
  5. 　前記学習モデルは、教師あり学習、教師なし学習、及び強化学習のうち少なくとも１つの学習方法で学習したものである、
    請求項４に記載の状態判定装置。
  6. 　前記統計関数は、分散、標準偏差、平均偏差、変動係数、加重平均、重み付き調和平均、刈り込み平均、二乗和平均平方根、最小値、最大値、最頻値、加重中央値のいずれかである、
    請求項１に記載の状態判定装置。
  7. 　前記状態判定部による判定の結果は、表示装置に対して表示出力される、
    請求項１に記載の状態判定装置。
  8. 　前記状態判定部が前記射出成形機の状態が異常であると判定した場合、前記射出成形機の運転を停止、減速、または前記射出成形機を駆動する原動機の駆動トルクを制限する信号のうち少なくともいずれかを出力する、
    請求項１に記載の状態判定装置。
  9. 　前記データ取得部は、有線または無線のネットワークを介して接続され複数の射出成形機からデータを取得する、
    請求項１に記載の状態判定装置。
  10. 　前記射出成形機と有線又は無線のネットワークを介して接続された上位装置上に実装されている、
    請求項１に記載の状態判定装置。
  11. 　射出成形機の状態を判定する状態判定方法であって、
    　前記射出成形機に係る状態を示すデータとして所定の物理量に係るデータを取得するステップと、
    　前記物理量に係るデータに基づいて、前記射出成形機の状態の特徴を示す特徴量を算出するステップと、
    　算出した前記特徴量に基づいて、所定の特徴量から所定の統計量を算出するための統計関数を少なくとも含む統計条件に従い統計量を統計データとして算出するステップと、
    　算出した前記統計データの内で連続する複数の統計データの変動に基づいて、前記射出成形機の状態を判定するステップと、
    を実行する状態判定方法。
PCT/JP2021/036167 2020-10-05 2021-09-30 状態判定装置及び状態判定方法 WO2022075181A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
DE112021005248.9T DE112021005248T5 (de) 2020-10-05 2021-09-30 Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
CN202180066813.9A CN116234651A (zh) 2020-10-05 2021-09-30 状态判定装置及状态判定方法
JP2022555420A JP7525631B2 (ja) 2020-10-05 2021-09-30 状態判定装置及び状態判定方法
US18/245,897 US20240009905A1 (en) 2020-10-05 2021-09-30 State determination device and state determination method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-168771 2020-10-05
JP2020168771 2020-10-05

Publications (1)

Publication Number Publication Date
WO2022075181A1 true WO2022075181A1 (ja) 2022-04-14

Family

ID=81126853

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/036167 WO2022075181A1 (ja) 2020-10-05 2021-09-30 状態判定装置及び状態判定方法

Country Status (5)

Country Link
US (1) US20240009905A1 (ja)
JP (1) JP7525631B2 (ja)
CN (1) CN116234651A (ja)
DE (1) DE112021005248T5 (ja)
WO (1) WO2022075181A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023209988A1 (ja) * 2022-04-28 2023-11-02 ファナック株式会社 判定装置および判定方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080111264A1 (en) * 2006-11-15 2008-05-15 Husky Injection Molding Systems Ltd. Vibration Based Injection Molding Machine Damage Detection and Health Monitoring
JP2012076454A (ja) * 2010-09-07 2012-04-19 Sumitomo Heavy Ind Ltd 射出成形機及び電力用半導体素子消耗度監視システム
JP2017207822A (ja) * 2016-05-16 2017-11-24 ファナック株式会社 加工セル及び加工セル管理システム
JP2019046311A (ja) * 2017-09-05 2019-03-22 オムロン株式会社 情報処理装置および情報処理方法
JP2020044836A (ja) * 2018-09-14 2020-03-26 株式会社名機製作所 射出成形機、射出成形機の状態報知システム、射出成形機の状態報知方法
JP2020128014A (ja) * 2019-02-07 2020-08-27 ファナック株式会社 状態判定装置及び状態判定方法
JP2020142431A (ja) * 2019-03-06 2020-09-10 ファナック株式会社 射出成形機の管理システム及び射出成形機の集中管理システム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2862881B2 (ja) 1988-10-14 1999-03-03 ファナック株式会社 成形品の良否判別基準値自動設定方法及び装置
JPH06231327A (ja) 1993-01-28 1994-08-19 Konica Corp 成形不良自動判別装置
JP3546951B2 (ja) 2000-09-08 2004-07-28 住友重機械工業株式会社 射出成形機の製品良否判別方法
JP2003039519A (ja) 2001-05-25 2003-02-13 Toshiba Mach Co Ltd 射出成形機におけるモニタリング方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080111264A1 (en) * 2006-11-15 2008-05-15 Husky Injection Molding Systems Ltd. Vibration Based Injection Molding Machine Damage Detection and Health Monitoring
JP2012076454A (ja) * 2010-09-07 2012-04-19 Sumitomo Heavy Ind Ltd 射出成形機及び電力用半導体素子消耗度監視システム
JP2017207822A (ja) * 2016-05-16 2017-11-24 ファナック株式会社 加工セル及び加工セル管理システム
JP2019046311A (ja) * 2017-09-05 2019-03-22 オムロン株式会社 情報処理装置および情報処理方法
JP2020044836A (ja) * 2018-09-14 2020-03-26 株式会社名機製作所 射出成形機、射出成形機の状態報知システム、射出成形機の状態報知方法
JP2020128014A (ja) * 2019-02-07 2020-08-27 ファナック株式会社 状態判定装置及び状態判定方法
JP2020142431A (ja) * 2019-03-06 2020-09-10 ファナック株式会社 射出成形機の管理システム及び射出成形機の集中管理システム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023209988A1 (ja) * 2022-04-28 2023-11-02 ファナック株式会社 判定装置および判定方法

Also Published As

Publication number Publication date
JP7525631B2 (ja) 2024-07-30
CN116234651A (zh) 2023-06-06
US20240009905A1 (en) 2024-01-11
DE112021005248T5 (de) 2023-07-20
JPWO2022075181A1 (ja) 2022-04-14

Similar Documents

Publication Publication Date Title
JP6787971B2 (ja) 状態判定装置及び状態判定方法
US10981315B2 (en) State determination device
JP6975188B2 (ja) 状態判定装置及び状態判定方法
JP7010861B2 (ja) 状態判定装置及び状態判定方法
CN110920009B (zh) 状态判定装置以及状态判定方法
WO2022075224A1 (ja) 状態判定装置及び状態判定方法
WO2022075242A1 (ja) 状態判定装置及び状態判定方法
WO2022075181A1 (ja) 状態判定装置及び状態判定方法
CN110962315B (zh) 状态判定装置以及状态判定方法
WO2022075244A1 (ja) 状態判定装置及び状態判定方法
CN117795308A (zh) 控制装置以及控制方法
WO2022054782A1 (ja) 状態判定装置及び状態判定方法
WO2023026416A1 (ja) 状態判定装置及び状態判定方法
WO2023026411A1 (ja) 状態判定装置及び状態判定方法
JP7184997B2 (ja) 状態判定装置及び状態判定方法
WO2024089851A1 (ja) 判定装置及び判定方法
WO2024057461A1 (ja) 判定装置及び判定方法
WO2024004106A1 (ja) 判定システム及び方法

Legal Events

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

Ref document number: 21877482

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022555420

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 18245897

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 21877482

Country of ref document: EP

Kind code of ref document: A1