CN111098464A - 状态判定装置和方法 - Google Patents

状态判定装置和方法 Download PDF

Info

Publication number
CN111098464A
CN111098464A CN201911017034.0A CN201911017034A CN111098464A CN 111098464 A CN111098464 A CN 111098464A CN 201911017034 A CN201911017034 A CN 201911017034A CN 111098464 A CN111098464 A CN 111098464A
Authority
CN
China
Prior art keywords
data
learning
injection molding
molding machine
unit
Prior art date
Legal status (The legal status 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 status listed.)
Granted
Application number
CN201911017034.0A
Other languages
English (en)
Other versions
CN111098464B (zh
Inventor
堀内淳史
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
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 Fanuc Corp filed Critical Fanuc Corp
Publication of CN111098464A publication Critical patent/CN111098464A/zh
Application granted granted Critical
Publication of CN111098464B publication Critical patent/CN111098464B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • B29C2945/76066—Time
    • 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
    • B29C2945/76163—Errors, malfunctioning
    • 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
    • B29C2945/76929—Controlling method
    • B29C2945/76939—Using stored or historical data sets
    • B29C2945/76949—Using stored or historical data sets using a learning system, i.e. the system accumulates experience from previous occurrences, e.g. adaptive control
    • 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
    • B29C45/766—Measuring, controlling or regulating the setting or resetting of moulding conditions, e.g. before starting a cycle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Medical Informatics (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本发明的状态判定装置获取与注射成型机相关的数据，并存储对所获取的与注射成型机相关的数据进行分类的条件和多个学习模型。状态判定装置进而根据所存储的分类条件，对获取的数据进行分类，从所存储的多个学习模型中确定应用分类后的数据的学习模型。接着，状态判定装置根据分类后的数据，进行与确定为应用目标的学习模型对应的机器学习。

Description

状态判定装置和方法
技术领域
本发明涉及状态判定装置和方法，具体涉及辅助注射成型机的维护的状态判定装置和方法。
背景技术
定期地或在发生异常时进行注射成型机等工业机械的维护。在维护工业机械时，通过使用在工业机械动作时记录的表示工业机械的动作状态的物理量，维护负责人判定工业机械的动作状态的异常有无，并进行发生了异常的部件的更换等维护工作。
例如，作为注射成型机具备的注射缸的止逆阀的维护工作，已知定期地从注射缸拔出螺旋桨而直接测定止逆阀的尺寸的方法。但是，在该方法中，存在以下的问题，必须暂时停止生产而进行测定工作，生产性降低。此外，成为维护工作的对象的部件除了注射缸以外，还有包括具备注射缸的注射装置、合模装置、成型品的推出装置等具备的电动机、滚珠丝杆、皮带等的多种多样的驱动部件。
作为用于解决这样的问题的现有技术，作为不用从注射缸拔出螺旋桨等暂时停止生产而间接地检测注射缸的止逆阀的磨损量而诊断异常的方法，已知检测施加到螺旋桨的旋转转矩、检测树脂向螺旋桨后方逆流的现象而诊断异常的方法。
例如，在美国专利第5153149号(相当于日本特开平01-168421号公报)中，公开了测定作用于螺旋桨的旋转后方的旋转转矩，如果超出允许范围则判定为异常。另外，在日本特开2014-104689号公报中，公开了对实测的实测应力差和允许差进行比较，判断是否需要进行维护检修。
在美国专利申请公开第2017/0028593号公报(相当于日本特开2017-030221号公报)和美国专利申请公开第2017-0326771号(相当于日本特开2017-202632号公报)中，公开了通过对驱动部的负荷、树脂压力等进行监督学习而诊断异常。
进而，在美国专利第10203666号(相当于日本专利第6031202号)中，公开了获取多个制造机械的内部信息，对从各个制造机械获取的内部信息的差异进行比较，从而发现异常。
在此，注射成型机的驱动部与注射成型机制造成型品的合模/开模/保压/计量等多个成型工序对应地，与该成型工序关联的驱动部进行动作。驱动部的异常大多在与该驱动部关联的成型工序中产生。但是，在现有技术中，没有考虑到多个驱动部与成型工序的组合，因此存在无法正确地推定注射成型机的动作状态的异常有无。例如，在驱动注射缸的注射/保压/计量工序中实施注射缸的异常有无的判定即可，不驱动注射缸的合模/开模工序中的注射缸的异常有无的判定就有可能成为错误判定。如果混合存在这样不需要进行判定的驱动部与成型工序的组合，则存在动作状态的异常有无的判定精度恶化、或无法正确地推定动作状态的异常有无的问题。
另外，构成驱动部件的部件消耗或者破损的期间与部件的特性对应地有各种各样。例如，突发地产生驱动注射缸的皮带的破损，因此必须始终监视异常有无，但注射缸具备的止逆阀是经过长期间的运转而一点一点消耗的磨损部件，因此理想的是在长期间内间歇地实施异常有无的监视。
进而，一般为了判定多个构成部件的异常有无，必须准备与它们对应的多个状态判定装置，因此存在成本的问题。另外，存在无法应对与构成多个驱动部的部件对应的通用的异常有无的判定的问题。
发明内容
因此，本发明的目的在于：提供能够对从注射成型机获取的每个数据高效并且高精度地学习或者推论注射成型机的异常状态的状态判定装置和方法。
在本发明中，针对具备对根据从注射成型机获取的时序的物理量(电流、速度等)导出的学习数据(状态变量)进行机器学习而推定异常度的多个学习模型的状态判定装置，制作依照预定的分类条件按照时间区间对从注射成型机获取的时序的物理量进行分类所得的学习数据或者状态数据，依照该分类变更在学习时或者推定时应用的学习模型，由此解决上述问题。
在机器学习中，难以只通过一个学习模型判定与各种条件对应的异常有无，但在本发明中，实现了通过与构成成型工序的不同工序对应地分开使用多个学习模型而高精度地进行多个异常有无的判定，另外提供能够与部件的消耗期间对应地高效地判定异常有无的适合的状态判定装置。
另外，还设置以下的单元，即根据作为机器学习的输出得到的异常度，将表现异常的状态的消息、图标显示到显示装置，或在异常度为预定值以上的情况下，为了确保工作人员的安全，而使机械的可动部的动作停止，或者使驱动可动部的电动机停止或减速，使得可动部在安全的状态下动作。
本发明的一个实施例是判定注射成型机的动作状态的状态判定装置，具备：数据获取部，其获取与上述注射成型机相关的数据；分类条件存储部，其存储对上述数据获取部所获取的与上述注射成型机相关的数据进行分类的条件；学习模型存储部，其存储多个学习模型；数据分类部，其根据上述分类条件存储部所存储的分类条件，对上述数据获取部获取的数据进行分类，并从存储在上述学习模型存储部中的学习模型中确定应用分类后的数据的学习模型；以及学习部，其根据上述数据分类部分类的数据，针对上述数据分类部确定为应用目标的学习模型进行机器学习。
本发明的另一个实施例是判定注射成型机的动作状态的状态判定装置，具备：数据获取部，其获取与上述注射成型机相关的数据；分类条件存储部，其存储对上述数据获取部所获取的与上述注射成型机相关的数据进行分类的条件；学习模型存储部，其存储多个学习模型；数据分类部，其根据上述分类条件存储部所存储的分类条件，对上述数据获取部获取的数据进行分类，并从存储在上述学习模型存储部中的学习模型中确定应用分类后的数据的学习模型；以及推定部，其根据上述数据分类部分类的数据，利用上述数据分类部确定为应用目标的学习模型进行推定。
本发明的另一个实施例是判定注射成型机的动作状态的状态判定方法，其执行以下的步骤：数据获取步骤，在该数据获取步骤中，获取与上述注射成型机相关的数据；数据分类步骤，在该数据分类步骤中，根据对上述数据获取部获取的与上述注射成型机相关的数据进行分类的条件，对在上述数据获取步骤中获取的数据进行分类，并从多个学习模型中确定应用分类后的数据的学习模型；以及根据在上述数据分类步骤中分类的数据，进行与在上述数据分类步骤中确定为应用目标的学习模型关联的处理，该处理步骤包括针对上述学习模型进行机器学习的学习步骤、或进行利用了上述学习模型的推定的推定步骤。
根据本发明，能够根据分类条件将从注射成型机获取的数据分配到适当的学习模型，因此，能够高效并且高精度地学习或者推论注射成型机的异常状态。
附图说明
根据参照附图的以下的实施例的说明，能够了解本发明的上述以及其他目的和特征。
图1是表示本发明的状态判定装置的概要硬件结构例的图。
图2是本发明的状态判定装置的一个实施方式的概要功能框图。
图3是表示分类条件数据的例子的图。
图4A和图4B是表示数据获取部获取的时序数据的例子的图。
图5是本发明的状态判定装置的其他实施方式的状态判定装置的学习时的概要功能框图。
图6是表示异常状态的显示例的图。
图7是表示分类条件数据的其他例的图。
具体实施方式
以下，与附图一起说明本发明的实施方式。
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分的概要硬件结构图。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型机的控制装置上。另外，能够作为与控制注射成型机的控制装置一起设置的个人计算机、经由有线/无线的网络与该控制装置连接的管理装置3、边沿计算机、单元计算机、主计算机、云服务器等计算机，来实现本实施方式的状态判定装置1。在本实施方式中，表示作为经由有线/无线的网络将状态判定装置1与控制注射成型机的控制装置连接起来的计算机来实现的情况下的例子。
本实施方式的状态判定装置1具备的CPU(中央处理单元)11是整体地控制状态判定装置1的处理器。CPU11经由总线20读出存储在ROM(只读存储器)12中的***/程序，依照该***/程序控制状态判定装置1整体。在RAM(随机存取存储器)13中，临时存储临时的计算数据、工作人员经由输入装置71输入的各种数据等。
非易失性存储器14例如由被未图示的电池备份的存储器、SSD(固态驱动器)等构成，即使状态判定装置1的电源切断也保持存储状态。在非易失性存储器14中，存储用于存储与状态判定装置1的动作相关的信息的设定区域、从输入装置71输入的数据、从注射成型机2获取的各种数据(机种、模具的质量、材质、树脂的种类、识别工序的信号等)。除此以外，在非易失性存储器14中，还存储在注射成型机2的成型动作中检测出的各种物理量(喷嘴的温度、驱动喷嘴的电动机的位置、速度、加速度、电流、电压、转矩、模具的温度、树脂的流量、流速、压力等)的时序数据、经由网络从未图示的外部存储装置读入的数据等。可以在执行时/利用时将存储在非易失性存储器14中的程序、各种数据装载到RAM13中。另外，在ROM12中，预先写入有包括用于分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的收发的程序等的***/程序。
状态判定装置1经由接口(INT)16与有线/无线的网络7连接。网络7连接有至少一个注射成型机2、管理该注射成型机2的制造工作的管理装置3等，在与状态判定装置1之间相互进行数据的收发。
注射成型机2是制造用塑料等树脂成型的成品的机械，是将作为材料的树脂熔化并填充(注射)到模具内而成型的机械。注射成型机2由喷嘴、电动机(发动机)、传动机构、减速机、可动部等各种构件构成，通过传感器等检测各部分的状态，通过控制装置控制各部分的动作。作为注射成型机2使用的发动机，例如使用电动机、油压缸、油压电动机、空气电动机等。另外，作为注射成型机2使用的传动机构，使用滚珠丝杆、齿轮、滑轮、皮带等。
经由接口17向显示装置70输出被读入到存储器上的各数据、作为执行程序等的结果而得到的数据、从后述的机器学习装置100输出的数据等而显示。另外，由键盘、指示设备等构成的输入装置71经由接口18向CPU11传送基于操作者的操作的指令、数据等。
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***/程序等的ROM102、用于进行与机器学习相关的各处理中的临时存储的RAM103、以及用于学习模型等的存储的非易失性存储器104。机器学习装置100能够经由接口21观测能够通过状态判定装置1获取的各信息(例如注射成型机2的机种、模具的质量、材质、树脂的种类等各种数据、喷嘴的温度、驱动喷嘴的电动机的位置、速度、加速度、电流、电压、转矩、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获取从机器学习装置100输出的处理结果，存储或显示所获取的结果，经由未图示的网络等发送到其他装置。
图2是本发明的一个实施方式的状态判定装置1和机器学习装置100的概要功能框图。图2所示的状态判定装置1具备在机器学习装置100进行学习的情况下所需要的结构(学习模式)。通过由图1所示的状态判定装置1具备的CPU11、以及机器学习装置100的处理器101执行各个***/程序，控制状态判定装置1和机器学习装置100的各部分的动作，来实现图2所示的各功能模块。
本实施方式的状态判定装置1具备数据获取部30、数据分类部32，状态判定装置1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，设置有存储数据获取部30获取的数据的获取数据存储部50、存储对根据获取数据制作的状态数据、标志数据等学习数据进行分类的条件的分类条件存储部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的机器学习构筑的多个学习模型的学习模型存储部130。
数据获取部30是获取从注射成型机2和输入装置71等输入的各种数据的功能单元。数据获取部30例如获取注射成型机2的机种、模具的质量、材质、树脂的种类等各种数据、喷嘴的温度、驱动喷嘴的电动机的位置、速度、加速度、电流、电压、转矩、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、由工作人员输入的与注射成型机的维护工作相关的信息等各种数据，并存储到获取数据存储部50中。数据获取部30也可以经由未图示的外部存储装置、有线/无线的网络从其他装置获取数据。
数据分类部32是以下的功能单元，即制作依照存储在分类条件存储部52中的分类条件对数据获取部30获取的数据进行分类所得的学习数据，确定应用所制作的该学习数据的学习模型。在分类条件存储部52中，至少存储有使用于对学习数据进行分类的条件式与应用根据用于该分类的条件而分类的学习数据的学习模型的识别信息关联起来的至少一个分类条件数据。数据分类部32参照存储在分类条件存储部52中的分类条件数据，根据所参照的条件式对学习数据进行分类，确定成为应用目标的学习模型。数据分类部32制作的学习数据采取变换(数值化、标准化、采样等)为在机器学习装置100中处理的统一形式所得的数据形式。例如，数据分类部32在机器学习装置100进行无监督学习的情况下，制作该学习的预定的形式的状态数据S作为学习数据，在机器学习装置100进行有监督学习的情况下，制作该学习的预定的形式的状态数据S和标志数据L的组作为学习数据。或者，数据分类部32在机器学习装置100进行强化学习的情况下，制作该学习的预定的形式的状态数据S和判定数据D的组作为学习数据。
图3表示存储在分类条件存储部52中的分类条件数据的例子。存储在分类条件存储部52中的分类条件数据例如也可以使定义为与学习数据所包含的状态数据对应的条件的分类条件式与应用满足该分类条件式的学习数据的学习模型的识别信息关联起来。在图3的例子中，将在构成一个周期的成型工序的任意一个工序(合模工序、注射工序、保压工序、计量工序、推出工序、开模工序等)中获取(观测到)从注射成型机获取的数据这样的条件作为分类条件式，例如定义了在学习模型A的学习中使用在合模工序中获取的学习数据，另外在学习模型B的学习中使用从注射工序到保压工序获取的学习数据。
图4表示数据获取部30获取的数据的例子。在数据获取部30获取的数据中，除了包含有图4A的图表所示那样的电流、速度、压力等的时序数据，还包含有用于识别伴随着时间的推移而变化的成型工序的信息。如图4B所示，例如可以将这些信息表示为预定时间的各个值的时序数据。此外，在图4B中，作为成型工序的识别信息，1表示合模工序，2表示注射工序，3表示保压工序，4表示计量工序。
图4示例的数据被存储在获取数据存储部50中，另外在将图3示例的分类条件数据存储在分类条件存储部52中的情况下，数据分类部32根据成型工序的识别信息，按照多个时间区间分割时序数据，例如根据时间t1～ti(合模工序)的数据生成用于应用于学习模型A的学习数据，根据ti+1～tk(注射工序～保压工序)的数据生成用于应用于学习模型B的学习数据。数据分类部32依照存储在分类条件存储部52中的分类条件数据，制作将数据获取部30获取(另外存储在获取数据存储部50中)的数据分类到成为应用对象的学习模型所得的学习数据。
学习部110使用根据该分类的结果确定的学习模型，对数据分类部32分类后的各个数据进行机器学习。学习模型存储部130能够可识别地存储多个学习模型(在图2中，为学习模型A、学习模型B、学习模型C、……)，学习部110根据数据分类部32分类的结果，使用分类后的该学习数据，进行应用目标的学习模型的机器学习。此外，学习部110在学习模型存储部130中没有存储应用目标的学习模型的情况下，也可以制作成为该学习数据的应用目标的新的学习模型，并存储到学习模型存储部130中。
学习部110通过无监督学习、有监督学习、强化学习等公知的机器学习的方法，进行利用了从注射成型机2获取的数据的机器学习，由此生成学习模型，并将生成的学习模型存储到学习模型存储部130中。作为学习部110进行的无监督学习的方法，例如可以列举autoencoder(自动编码)法、k-means法等，作为有监督学习的方法，例如可以列举multilayer perceptron(多层感知)法、recurrent neural network(回归神经网络)法、Long Short-Term Memory(长短期记忆)法、convolutional neural network(卷积神经网络)法等，作为强化学习的方法，例如可以列举Q学习等。
学习部110例如能够根据从正常动作的状态的注射成型机2获取并通过数据分类部32分类后的学习数据进行无监督学习，生成在正常状态下获取的预定工序中的学习数据的分布作为学习模型。使用这样生成的(多个)学习模型，后述的推定部120能够推定从注射成型机2获取的预定工序中的学习数据从在正常状态的动作时获取的预定工序中的学习数据偏离了多少，并计算出作为推定结果的异常度。
另外，学习部110例如能够使用预定工序中的学习数据，进行以下的有监督学习，即向从正常动作的状态的注射成型机获取并通过数据分类部32分类后的预定工序中的数据赋予正常标志，向在发生异常前后从注射成型机2获取并通过数据分类部32分类后的预定工序中的数据赋予异常标志，其中，生成正常数据与异常数据的判别边界作为预定工序中的学习模型。使用这样生成的(多个)学习模型，后述的推定部120能够推定从注射成型机2获取的预定工序中的学习数据属于正常数据、还是属于异常数据，并计算出作为推定结果的标志值(正常/异常)及其可靠度。
在具有上述结构的状态判定装置1中，学习部110使用与获取的工序对应地按照时间区间分割地分类从注射成型机2获取的数据而制作的学习数据，对该学习数据的应用目标的学习模型进行机器学习。这样由学习部110进行机器学习所得的各个学习模型成为对构成成型工序的各个工序进行专用的学习的学习模型，因此能够高效地进行该工序中的注射成型机2的状态的学习。
图5是本发明的状态判定装置的其他实施方式的状态判定装置1和机器学习装置100的概要功能框图。本实施方式的状态判定装置1具有在机器学习装置100进行推定的情况下所需要的结构(推定模式)。通过由图1所示的状态判定装置1具备的CPU11、以及机器学习装置100的处理器101执行各个***/程序，控制状态判定装置1和机器学习装置100的各部分的动作，来实现图5所示的各功能模块。
本实施方式的状态判定装置1与第一实施方式同样，具备数据获取部30、数据分类部32，状态判定装置1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，设置有存储数据获取部30获取的数据的获取数据存储部50、存储对根据获取数据制作的状态数据进行分类的条件的分类条件存储部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的机器学习构筑的多个学习模型的学习模型存储部130。
本实施方式的数据获取部30具有与第一实施方式的数据获取部30同样的功能。另外，本实施方式的数据分类部32依照存储在分类条件存储部52中的分类条件，对数据获取部30获取(另外存储在获取数据存储部50中)的数据进行分类，制作状态数据，确定应用所制作的该状态数据的学习模型。
推定部120根据数据分类部32分类后的各个数据，使用该分类的结果所确定的学习模型，进行注射成型机的状态的推定。学习模型存储部130能够可识别地存储通过学习部110的机器学习生成的多个学习模型(在图2中，为学习模型A、学习模型B、学习模型C、……)，推定部120根据数据分类部32分类的结果，根据分类后的状态数据，执行利用了应用目标的学习模型的推定处理。此外，推定部120在学习模型存储部130中没有存储应用目标的学习模型的情况下，也可以输出由于不存在应用目标的学习模型而无法执行推定处理的消息。
在本实施方式的推定部120中，向通过学习部110生成(确定了参数)的学习模型，输入数据分类部32分类后的状态数据S，由此推定计算出与注射成型机的状态相关的异常度，或推定计算出注射成型机的动作状态所属的分类(正常/异常等)。推定部120推定的结果(与注射成型机的状态相关的异常度、注射成型机的动作状态所属的分类等)可以输出显示到显示装置70，或经由未图示的有线/无线网络发送输出到主计算机、云计算机等而利用。另外，状态判定装置1在通过推定部120推定的结果为预定的状态的情况(例如推定部120推定的注射成型机的动作状态所属的分类为“异常”的情况等)下，例如既可以如图6示例的那样，在显示装置70的画面170上用警告消息172、警告图标174进行显示输出，也可以向注射成型机输出运转的停止、减速、或限制电动机的转矩的指令等。
在具有上述结构的状态判定装置1中，推定部120使用与获取的工序对应地在按照时间区间分割的基础上分类从注射成型机2获取的数据而制作的状态数据，利用该状态数据的应用目标的学习模型，进行该注射成型机2的状态的推定。存储在学习模型存储部130中的学习模型是对构成成型工序的各个工序进行专用的学习的学习模型，因此期待在利用了该学习模型的注射成型机2的状态的推定中，能够维持比较高的精度。
以上，说明了本发明的实施方式，但本发明并不只限于上述实施方式的例子，通过施加适当的变更，能够以各种形式实施。
例如，在上述实施方式中，将状态判定装置1和机器学习装置100说明为具备不同的CPU(中央处理单元)的装置，但也可以通过状态判定装置1具备的CPU11、存储在ROM12中的***/程序，来实现机器学习装置100。
另外，在上述实施方式中，表示了将状态判定装置1安装在经由网络7与注射成型机2的控制装置连接的计算机上的例子，但例如也可以只将机器学习装置100的部分安装在主计算机上，而将包括数据获取部30、数据分类部32的状态判定装置1本体安装在边沿计算机上等，而适当地变更各构成要素的配置地实现。
在上述实施方式中，表示了在分类条件存储部52中作为对从注射成型机2获取的数据进行分类的条件使得对每个工序进行分类的情况下的例子。但是，并不限于此，例如也可以采用以下这样的结构，即预先制作能够检测的异常状态的紧急程度不同的多个学习模型，并存储在学习模型存储部130中，在分类条件存储部52中，如图7示例的那样，关联地存储是注射成型机2对成型品的制造周期的每几个周期这样的条件和学习模型的识别信息，在数据分类部32中，与数据获取部30获取的数据是在第几个周期获取的数据对应地，确定应用目标的学习模型。根据该结构，能够构筑与成为检测对象的异常的紧急度对应地变更异常的推定频度(每几个周期执行推定处理)的状态判定装置1。这样的状态判定装置1不用在每个制造周期对紧急度低的异常执行推定处理，因此能够抑制状态判定装置1的计算成本。

Claims (13)

1.一种状态判定装置，该状态判定装置判定注射成型机的动作状态，
其特征在于，
上述状态判定装置具备：
数据获取部，其获取与上述注射成型机相关的数据；
分类条件存储部，其存储对上述数据获取部所获取的与上述注射成型机相关的数据进行分类的条件；
学习模型存储部，其存储多个学习模型；
数据分类部，其根据上述分类条件存储部所存储的分类条件，对上述数据获取部所获取的数据进行分类，并从存储在上述学习模型存储部中的学习模型中确定应用分类后的数据的学习模型；以及
学习部，其根据上述数据分类部所分类的数据，针对上述数据分类部确定为应用目标的学习模型进行机器学习。
2.一种状态判定装置，该状态判定装置判定注射成型机的动作状态，
其特征在于，
上述状态判定装置具备：
数据获取部，其获取与上述注射成型机相关的数据；
分类条件存储部，其存储对上述数据获取部所获取的与上述注射成型机相关的数据进行分类的条件；
学习模型存储部，其存储多个学习模型；
数据分类部，其根据上述分类条件存储部所存储的分类条件，对上述数据获取部所获取的数据进行分类，并从存储在上述学习模型存储部中的学习模型中确定应用分类后的数据的学习模型；以及
推定部，其根据上述数据分类部分类的数据，利用上述数据分类部确定为应用目标的学习模型进行推定。
3.根据权利要求1或2所述的状态判定装置，其特征在于，
与上述注射成型机相关的数据包括时序数据，
上述分类条件存储部存储的条件包括按照时间区间分割上述时序数据的条件，
上述数据分类部根据上述分类条件存储部所存储的条件，按照时间区间分割上述时序数据，并对分割后的各个数据进行分类。
4.根据权利要求3所述的状态判定装置，其特征在于，
上述时间区间是注射成型机的成型工序中的合模、闭模、注射、保压、计量、开模、推出、等待的区间中的至少一个。
5.根据权利要求1或2所述的状态判定装置，其特征在于，
上述分类条件存储部存储的条件包括按照上述注射成型机的制造周期的预定周期对数据进行分类的条件，
上述数据分类部根据上述分类条件存储部所存储的条件，根据与上述数据获取部所获取的数据是在上述注射成型机的制造周期的第几个周期获取的情况，对该数据进行分类。
6.根据权利要求1所述的状态判定装置，其特征在于，
上述学习部进行有监督学习、无监督学习、以及强化学习中的至少一个学习。
7.根据权利要求2所述的状态判定装置，其特征在于，
上述推定部推定与上述注射成型机的动作状态相关的异常度，
在上述推定部所推定的异常度超过预先确定的预定的阈值的情况下，上述状态判定装置向显示装置显示警告消息。
8.根据权利要求2所述的状态判定装置，其特征在于，
上述推定部推定与上述注射成型机的动作状态相关的异常度，
在上述推定部所推定的异常度超过预先确定的预定的阈值的情况下，上述状态判定装置向显示装置显示警告图标。
9.根据权利要求2所述的状态判定装置，其特征在于，
上述推定部推定与上述注射成型机的动作状态相关的异常度，
在上述推定部所推定的异常度超过预先确定的预定的阈值的情况下，上述状态判定装置向注射成型机输出运转的停止、减速、限制电动机的转矩的指令中的至少一个。
10.根据权利要求1至9中的任一项所述的状态判定装置，其特征在于，
上述数据获取部从经由有线或无线的网络连接的多个注射成型机获取数据。
11.根据权利要求1至9中的任一项所述的状态判定装置，其特征在于，
上述状态判定装置安装在经由有线或无线的网络与上述注射成型机连接的管理上述注射成型机的管理装置上。
12.一种状态判定方法，该状态判定方法判定注射成型机的动作状态，
其特征在于，
上述状态判定方法执行以下的步骤：
数据获取步骤，在该数据获取步骤中，获取与上述注射成型机相关的数据；
数据分类步骤，在该数据分类步骤中，根据对在上述数据获取步骤中获取的与上述注射成型机相关的数据进行分类的条件，对在上述数据获取步骤中获取的数据进行分类，并从多个学习模型中确定应用分类后的数据的学习模型；以及
学习步骤，在该学习步骤中，根据在上述数据分类步骤中分类出的数据，针对在上述数据分类步骤中确定为应用目标的学习模型进行机器学习。
13.一种状态判定方法，该状态判定方法判定注射成型机的动作状态，
其特征在于，
上述状态判定方法执行以下的步骤：
数据获取步骤，在该数据获取步骤中，获取与上述注射成型机相关的数据；
数据分类步骤，在该数据分类步骤中，根据对在上述数据获取步骤中获取的与上述注射成型机相关的数据进行分类的条件，对在上述数据获取步骤中获取的数据进行分类，并从多个学习模型中确定应用分类后的数据的学习模型；以及
推定步骤，在该推定步骤中，根据在上述数据分类步骤中分类出的数据，使用在上述数据分类步骤中确定为应用目标的学习模型进行推定。
CN201911017034.0A 2018-10-25 2019-10-24 状态判定装置和方法 Active CN111098464B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018200692A JP6787971B2 (ja) 2018-10-25 2018-10-25 状態判定装置及び状態判定方法
JP2018-200692 2018-10-25

Publications (2)

Publication Number Publication Date
CN111098464A true CN111098464A (zh) 2020-05-05
CN111098464B CN111098464B (zh) 2022-03-08

Family

ID=70328120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911017034.0A Active CN111098464B (zh) 2018-10-25 2019-10-24 状态判定装置和方法

Country Status (4)

Country Link
US (1) US11628609B2 (zh)
JP (1) JP6787971B2 (zh)
CN (1) CN111098464B (zh)
DE (1) DE102019128177A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114077237A (zh) * 2020-08-20 2022-02-22 丰田自动车株式会社 机器学习装置
CN114986828A (zh) * 2021-03-01 2022-09-02 株式会社东芝 工作状态管理装置、工作状态管理***及工作状态管理方法
CN115816466A (zh) * 2023-02-02 2023-03-21 中国科学技术大学 一种提升视觉观测机器人控制稳定性的方法

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7452990B2 (ja) * 2019-11-29 2024-03-19 東京エレクトロン株式会社 異常検知装置、異常検知方法及び異常検知プログラム
CN112677438B (zh) * 2020-12-08 2021-11-16 上海微亿智造科技有限公司 基于注塑成型和调机数据特征分段构造与筛选方法及***
CN112749623B (zh) * 2020-12-08 2023-04-07 上海微亿智造科技有限公司 注塑成型工艺高频传感器数据的处理和特征提取方法及***
JP2022113523A (ja) * 2021-01-25 2022-08-04 株式会社日本製鋼所 コンピュータプログラム、異常検知方法、異常検知装置、成形機システム及び学習モデル生成方法
JP7480080B2 (ja) 2021-02-22 2024-05-09 株式会社日本製鋼所 情報処理方法、情報処理装置、成形機システム及びコンピュータプログラム
US11636752B2 (en) * 2021-04-26 2023-04-25 Rockwell Automation Technologies, Inc. Monitoring machine operation with different sensor types to identify typical operation for derivation of a signature
AT525098B1 (de) 2021-05-21 2023-01-15 Engel Austria Gmbh Einspritzeinheit, Formgebungsmaschine mit einer solchen Einspritzeinheit und Verfahren zum Überprüfen einer Einspritzeinheit
EP4190462A1 (en) * 2021-12-03 2023-06-07 Siemens Aktiengesellschaft Method and evaluation component for monitoring a die casting or injection molding production process of a mechanical component with an according production machine
DE102022116969A1 (de) 2022-07-07 2024-01-18 Schaeffler Technologies AG & Co. KG Verfahren zur dynamischen Erkennung von Ratcheting bei einem kollaborativen Roboter mittels Künstlicher Intelligenz und dynamischer Kompensation der Trajektorien
WO2024079882A1 (ja) * 2022-10-14 2024-04-18 株式会社Fuji 生産支援装置
WO2024079883A1 (ja) * 2022-10-14 2024-04-18 株式会社Fuji 生産支援装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0349649A1 (en) * 1987-12-25 1990-01-10 Fanuc Ltd. Abnormality detector of injection apparatus
JP2006192773A (ja) * 2005-01-14 2006-07-27 Fanuc Ltd 射出成形システムのデータ管理方法
JP6031202B1 (ja) * 2016-01-29 2016-11-24 ファナック株式会社 製造機械の異常の原因を発見するセル制御装置
US20170028593A1 (en) * 2015-07-31 2017-02-02 Fanuc Corporation Failure cause diagnostic device for injection molding machine
JP2017030152A (ja) * 2015-07-28 2017-02-09 ファナック株式会社 最適な操作条件を算出できる射出成形システム及び機械学習器
CN106409120A (zh) * 2015-07-31 2017-02-15 发那科株式会社 机械学习方法及机械学习装置、以及故障预知装置及***
CN106779069A (zh) * 2016-12-08 2017-05-31 国家电网公司 一种基于神经网络的异常用电检测方法
CN107364097A (zh) * 2016-05-12 2017-11-21 发那科株式会社 注射成形机的止回阀的磨损量推定装置及磨损量推定方法
JP2018015937A (ja) * 2016-07-26 2018-02-01 双葉電子工業株式会社 計測装置、計測方法、プログラム
CN107784322A (zh) * 2017-09-30 2018-03-09 东软集团股份有限公司 异常数据检测方法、装置、存储介质以及程序产品
US20180281256A1 (en) * 2017-03-29 2018-10-04 Fanuc Corporation State determination apparatus
CN108628253A (zh) * 2017-03-15 2018-10-09 发那科株式会社 异常检测装置以及机器学习装置
CN109693354A (zh) * 2017-10-23 2019-04-30 发那科株式会社 状态判定装置
JPWO2018135443A1 (ja) * 2017-01-17 2019-11-07 日精樹脂工業株式会社 射出成形機の成形条件推定方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6031202B2 (ja) 1976-04-26 1985-07-20 三井東圧化学株式会社 硬化性樹脂組成物
US6567709B1 (en) * 2000-02-04 2003-05-20 Rem Technology Integrated monitoring, diagnostics, shut-down and control system
US7013196B2 (en) * 2002-11-06 2006-03-14 Nissei Plastic Industrial Co., Ltd. Molding machine control system
JP5935998B2 (ja) 2012-11-29 2016-06-15 宇部興産機械株式会社 型締装置の異常診断方法および型締装置の異常診断装置
JP2015074102A (ja) * 2013-10-07 2015-04-20 ファナック株式会社 圧力異常を検出する射出成形装置
DE102016008987B4 (de) 2015-07-31 2021-09-16 Fanuc Corporation Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
JP6386520B2 (ja) * 2016-12-13 2018-09-05 ファナック株式会社 数値制御装置及び機械学習装置
AT519491A1 (de) * 2016-12-23 2018-07-15 Engel Austria Gmbh Verfahren zur Optimierung eines Prozessoptimierungssystems und Verfahren zum simulieren eines Formgebungsprozesses
JP2017132260A (ja) * 2017-03-17 2017-08-03 ファナック株式会社 射出成形における最適な操作条件を算出できるシステム

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0349649A1 (en) * 1987-12-25 1990-01-10 Fanuc Ltd. Abnormality detector of injection apparatus
JP2006192773A (ja) * 2005-01-14 2006-07-27 Fanuc Ltd 射出成形システムのデータ管理方法
JP2017030152A (ja) * 2015-07-28 2017-02-09 ファナック株式会社 最適な操作条件を算出できる射出成形システム及び機械学習器
US20170028593A1 (en) * 2015-07-31 2017-02-02 Fanuc Corporation Failure cause diagnostic device for injection molding machine
CN106393622A (zh) * 2015-07-31 2017-02-15 发那科株式会社 注射成形机的异常诊断装置
CN106409120A (zh) * 2015-07-31 2017-02-15 发那科株式会社 机械学习方法及机械学习装置、以及故障预知装置及***
JP6031202B1 (ja) * 2016-01-29 2016-11-24 ファナック株式会社 製造機械の異常の原因を発見するセル制御装置
CN107364097A (zh) * 2016-05-12 2017-11-21 发那科株式会社 注射成形机的止回阀的磨损量推定装置及磨损量推定方法
JP2018015937A (ja) * 2016-07-26 2018-02-01 双葉電子工業株式会社 計測装置、計測方法、プログラム
CN106779069A (zh) * 2016-12-08 2017-05-31 国家电网公司 一种基于神经网络的异常用电检测方法
JPWO2018135443A1 (ja) * 2017-01-17 2019-11-07 日精樹脂工業株式会社 射出成形機の成形条件推定方法
CN108628253A (zh) * 2017-03-15 2018-10-09 发那科株式会社 异常检测装置以及机器学习装置
US20180281256A1 (en) * 2017-03-29 2018-10-04 Fanuc Corporation State determination apparatus
CN108688105A (zh) * 2017-03-29 2018-10-23 发那科株式会社 状态判定装置
CN107784322A (zh) * 2017-09-30 2018-03-09 东软集团股份有限公司 异常数据检测方法、装置、存储介质以及程序产品
CN109693354A (zh) * 2017-10-23 2019-04-30 发那科株式会社 状态判定装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114077237A (zh) * 2020-08-20 2022-02-22 丰田自动车株式会社 机器学习装置
CN114077237B (zh) * 2020-08-20 2024-04-26 丰田自动车株式会社 机器学习装置
CN114986828A (zh) * 2021-03-01 2022-09-02 株式会社东芝 工作状态管理装置、工作状态管理***及工作状态管理方法
CN115816466A (zh) * 2023-02-02 2023-03-21 中国科学技术大学 一种提升视觉观测机器人控制稳定性的方法

Also Published As

Publication number Publication date
US11628609B2 (en) 2023-04-18
JP2020066178A (ja) 2020-04-30
DE102019128177A1 (de) 2020-04-30
JP6787971B2 (ja) 2020-11-18
CN111098464B (zh) 2022-03-08
US20200130246A1 (en) 2020-04-30

Similar Documents

Publication Publication Date Title
CN111098464B (zh) 状态判定装置和方法
US10981315B2 (en) State determination device
CN110962316B (zh) 状态判断装置以及状态判断方法
CN110920009B (zh) 状态判定装置以及状态判定方法
US11731332B2 (en) State determination device and state determination method
JP7010861B2 (ja) 状態判定装置及び状態判定方法
US11586949B2 (en) State judgment device and state judgment method
CN110962315B (zh) 状态判定装置以及状态判定方法
US20240009905A1 (en) State determination device and state determination method
US20230367304A1 (en) State determination device and state determination method
JP7184997B2 (ja) 状態判定装置及び状態判定方法
CN116034006A (zh) 状态判定装置以及状态判定方法
WO2024089851A1 (ja) 判定装置及び判定方法
WO2024057461A1 (ja) 判定装置及び判定方法
JP2021057064A (ja) 状態判定装置及び状態判定方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant