JP2020066178A - 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
JP2020066178A
JP2020066178A JP2018200692A JP2018200692A JP2020066178A JP 2020066178 A JP2020066178 A JP 2020066178A JP 2018200692 A JP2018200692 A JP 2018200692A JP 2018200692 A JP2018200692 A JP 2018200692A JP 2020066178 A JP2020066178 A JP 2020066178A
Authority
JP
Japan
Prior art keywords
data
learning
injection molding
molding machine
state determination
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
JP2018200692A
Other languages
English (en)
Other versions
JP6787971B2 (ja
Inventor
淳史 堀内
Atsushi Horiuchi
淳史 堀内
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
Priority to JP2018200692A priority Critical patent/JP6787971B2/ja
Priority to US16/594,092 priority patent/US11628609B2/en
Priority to DE102019128177.6A priority patent/DE102019128177A1/de
Priority to CN201911017034.0A priority patent/CN111098464B/zh
Publication of JP2020066178A publication Critical patent/JP2020066178A/ja
Application granted granted Critical
Publication of JP6787971B2 publication Critical patent/JP6787971B2/ja
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)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (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)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (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

【課題】射出成形機から取得したデータ毎に効率よく且つ精度良く射出成形機の異常状態を学習乃至推論することが可能な状態判定装置及び状態判定方法を提供すること。【解決手段】本発明の状態判定装置１は、射出成形機２に係るデータを取得するデータ取得部３０と、データ取得部３０が取得した射出成形機２に係るデータを分類する条件を記憶する分類条件記憶部５２と、複数の学習モデルを記憶する学習モデル記憶部１３０と、分類条件記憶部５２に記憶された分類条件に基づいて、データ取得部３０が取得したデータを分類し、分類したデータを適用する学習モデルを学習モデル記憶部１３０に記憶される学習モデルの中から決定するデータ分類部３２と、データ分類部３２が分類したデータに基づいて、データ分類部３２が適用先として決定した学習モデルに対して機械学習を行う学習部１１０と、備える。【選択図】図２

Description

本発明は、状態判定装置及び状態判定方法に関し、特に射出成形機の保守を補助する状態判定装置及び状態判定方法に関する。
射出成形機等の産業機械の保守は定期的あるいは異常発生時に行っている。産業機械を保守する際には、産業機械の動作時に記録しておいた産業機械の動作状態を示す物理量を用いることにより、保守担当者が産業機械の動作状態の異常有無を判定し、異常が生じた部品の交換などの保守作業を行なう。
例えば、射出成形機が備える射出シリンダの逆流防止弁の保守作業としては、定期的に射出シリンダからスクリュを抜き出して、逆流防止弁の寸法を直接測定する方法が知られている。しかしながら、この方法では生産を一旦停止して、測定作業を行わなくてはならず、生産性が低下するという問題が有った。なお、保守作業の対象とする部品には、射出シリンダの他に、射出シリンダを備える射出装置、型締装置、成形品の突出し装置などが有するモータやボールネジやベルトなど含む多種多様な駆動部品がある。
この様な問題を解決するための従来技術として、射出シリンダからスクリュを抜き出すなど生産を一旦停止させることなく、間接的に射出シリンダの逆流防止弁の摩耗量を検出して異常を診断する方法として、スクリュに加わる回転トルクの検出や、樹脂がスクリュ後方へ逆流する現象を検出して、異常を診断する方法が知られている。例えば特許文献１には、スクリュの回転方法に作用する回転トルクを測定して許容範囲を超えたら異常と判定することが示されている。また、特許文献２には、実測した実測応力差と許容差とを比較して保守点検の必要可否を判断することが示されている。また、特許文献３，４には、駆動部の負荷や樹脂圧力などを教師あり学習によって異常を診断することが示されている。更に、特許文献５には、複数の製造機械の内部情報を取得して、ぞれぞれの製造機械より取得した内部情報の差異を比較して異常を発見することが示されている。
特開平０１−１６８４２１号公報 特開２０１４−１０４６８９号公報 特開２０１７−０３０２２１号公報 特開２０１７−２０２６３２号公報 特許第６０３１２０２号公報
ここで、射出成形機の駆動部は、射出成形機が成形品を製造する型閉／型開／射出／保圧／計量等の複数の成形工程に応じて、該成形工程に関連づけられた駆動部が動作する。駆動部の異常は、該駆動部に関連づけられた成形工程中に生じることが多い。しかしながら、従来技術では、複数の駆動部と成形工程の組合せが考慮されていないため、射出成形機の動作状態の異常有無を正しく推定できない問題があった。例えば、射出シリンダの異常有無の判定は、射出シリンダが駆動される射出／保圧／計量工程において実施されれば良く、射出シリンダが駆動されない型閉／型開工程における射出シリンダの異常有無の判定は誤判定となる恐れがある。この様に判定不要な駆動部と成形工程の組合せが混在すると動作状態の異常有無の判定精度が悪化したり、動作状態の異常有無を正しく推定できない課題があった。
また、駆動部を構成する部品が消耗したり破損に至る期間は、部品の特性に応じて様々である。例えば、射出シリンダを駆動するベルトの破損は突発的に生じることがあるため異常有無を常時監視することが必要だが、射出シリンダが備える逆流防止弁は長期間の運転を経て少しずつ消耗が進む摩耗部品であるため異常有無は長期間に渡って間欠的に実施することが望ましい。
更に、一般に、複数の構成部品の異常有無を判定するには、それぞれに応じた複数の状態判定装置を用意する必要があるのでコストの課題があり、また、複数の駆動部を構成する部品に対応した汎用的な異常有無の判定に対応できない課題がある。
そこで本発明の目的は、射出成形機から取得したデータ毎に効率よく且つ精度良く射出成形機の異常状態を学習乃至推論することが可能な状態判定装置及び状態判定方法を提供することである。
本発明では、射出成形機より取得した時系列の物理量（電流、速度など）より導かれる学習データ（状態変数）を機械学習して異常度を推定する複数の学習モデルを有する状態判定装置について、射出成形機より取得した時系列の物理量を、所定の分類条件に従って時間区間で分類した学習データ乃至状態データを作成し、その分類に従って学習時乃至推定時に適用する学習モデルを変更することで、上記課題を解決する。
機械学習においては、１つの学習モデルだけで様々な条件に応じた異常有無を判定することは困難であるが、本発明では、成形工程を構成する異なる工程に応じて複数の学習モデルを使い分けることによって精度良く複数の異常有無の判定を行うことを実現し、また、部品の消耗期間に応じて異常有無を効率的に判定できる好適な状態判定装置を提供する。
また、機械学習の出力として得られる異常度を基に、異常の状態を表現するメッセージやアイコンを表示装置に表示したり、異常度が所定値以上の場合には作業者の安全を確保するため機械の可動部の動作を停止させたり、あるいは安全な状態で可動部が動作するように、可動部を駆動するモータを停止させたり減速させる手段をも設ける。
そして、本発明の一態様は、射出成形機における動作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データを取得するデータ取得部と、前記データ取得部が取得した前記射出成形機に係るデータを分類する条件を記憶する分類条件記憶部と、複数の学習モデルを記憶する学習モデル記憶部と、前記分類条件記憶部に記憶された分類条件に基づいて、前記データ取得部が取得したデータを分類し、分類したデータを適用する学習モデルを前記学習モデル記憶部に記憶される学習モデルの中から決定するデータ分類部と、前記データ分類部が分類したデータに基づいて、前記データ分類部が適用先として決定した学習モデルに対して機械学習を行う学習部と、を備えた状態判定装置である。
本発明の他の態様は、射出成形機における動作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データを取得するデータ取得部と、前記データ取得部が取得した前記射出成形機に係るデータを分類する条件を記憶する分類条件記憶部と、複数の学習モデルを記憶する学習モデル記憶部と、前記分類条件記憶部に記憶された分類条件に基づいて、前記データ取得部が取得したデータを分類し、分類したデータを適用する学習モデルを前記学習モデル記憶部に記憶された学習モデルの中から決定するデータ分類部と、前記データ分類部が分類したデータに基づいて、前記データ分類部が適用先として決定した学習モデルを用いた推定を行う推定部と、を備えた状態判定装置である。
本発明の他の態様は、射出成形機における動作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データを取得するデータ取得ステップと、前記データ取得ステップで取得した前記射出成形機に係るデータを分類する条件に基づいて、前記データ取得ステップで取得したデータを分類し、分類したデータを適用する学習モデルを複数の学習モデルの中から決定するデータ分類ステップと、前記データ分類ステップで分類されたデータに基づいて、前記データ分類ステップで適用先として決定した学習モデルに対して機械学習を行う学習ステップと、を実行する状態判定方法である。
本発明の他の態様は、射出成形機における動作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データを取得するデータ取得ステップと、前記データ取得部が取得した前記射出成形機に係るデータを分類する条件に基づいて、前記データ取得ステップで取得したデータを分類し、分類したデータを適用する学習モデルを複数の学習モデルの中から決定するデータ分類ステップと、前記データ分類ステップで分類されたデータに基づいて、前記データ分類ステップで適用先として決定した学習モデルを用いた推定を行う推定ステップと、を実行する状態判定方法である。
本発明により、分類条件に基づいて射出成形機から取得したデータを適切な学習モデルへと振り分けることができるようになるので、効率よく且つ精度良く射出成形機の異常状態を学習乃至推論することができるようになる。
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。 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。 分類条件データの例を示す図である。 データ取得部が取得する時系列データの例を示す図である。 第２実施形態による状態判定装置の学習時の概略的な機能ブロック図である。 異常状態の表示例を示す図である。 分類条件データの他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は一実施形態による機械学習装置を備えた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。本実施形態の状態判定装置１は、例えば射出成形機を制御する制御装置上に実装することができる。また、本実施形態の状態判定装置１は、射出成形機を制御する制御装置と併設されたパソコンや、該制御装置と有線／無線のネットワークを介して接続された管理装置３，エッジコンピュータ、セルコンピュータ、ホストコンピュータ、クラウドサーバ等のコンピュータとして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、射出成形機を制御する制御装置と有線／無線のネットワークを介して接続されたコンピュータとして実装した場合の例を示す。
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、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、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、入力装置７１を介して作業者が入力し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、状態判定装置１の動作に係る設定情報が格納される設定領域や、入力装置７１から入力されたデータ、射出成形機２から取得される各種データ（機種、金型の質量や材質、樹脂の種類、工程を識別する信号等）、射出成形機２の成形動作において検出される各種物理量（ノズルの温度、ノズルを駆動するモータの位置、速度、加速度、電流、電圧、トルク、金型の温度、樹脂の流量、流速、圧力等）の時系列データ、図示しない外部記憶装置やネットワークを介して読み込まれたデータ等が記憶される。不揮発性メモリ１４に記憶されたプログラムや各種データは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、各種データを解析するための公知の解析プログラムや後述する機械学習装置１００とのやりとりを制御するためのプログラム等を含むシステム・プログラムが予め書き込まれている。
状態判定装置１は、インタフェース１６を介して有線／無線のネットワーク７と接続されている。ネットワーク７には、少なくとも１つの射出成形機２や、該射出成形機２による製造作業を管理する管理装置３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。
射出成形機２は、プラスチック等の樹脂で成形された製品を製造する機械であり、材料である樹脂を溶かして金型内に充填（射出）して成形する機械である。射出成形機２は、ノズル、モータ（原動機）、伝達機構、減速機、可動部等の様々な機材で構成されており、各部の状態がセンサ等で検出され、各部の動作が制御装置により制御される。射出成形機２に用いられる原動機としては、例えば、電動機、油圧シリンダ、油圧モータ、空気モータ等が用いられる。また、射出成形機２に用いられる伝達機構としては、ボールネジ、歯車、プーリ、ベルト等が用いられる。
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、後述する機械学習装置１００から出力さ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、作業者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。
インタフェース２１は、状態判定装置１と機械学習装置１００とを接続するためのインタフェースである。機械学習装置１００は、機械学習装置１００全体を統御するプロセッサ１０１と、システム・プログラム等を記憶したＲＯＭ１０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ１０３、及び学習モデル等の記憶に用いられる不揮発性メモリ１０４を備える。機械学習装置１００は、インタフェース２１を介して状態判定装置１で取得可能な各情報（例えば、射出成形機２の機種、金型の質量や材質、樹脂の種類等の各種データ、ノズルの温度、ノズルを駆動するモータの位置、速度、加速度、電流、電圧、トルク、金型の温度、樹脂の流量、流速、圧力等の各種物理量の時系列データ）を観測することができる。また、状態判定装置１は、機械学習装置１００から出力される処理結果をインタフェース２１を介して取得し、取得した結果を記憶したり、表示したり、他の装置に対して図示しないネットワーク等を介して送信する。
図２は、第１実施形態による状態判定装置１と機械学習装置１００の概略的な機能ブロック図である。図２に示される状態判定装置１は、機械学習装置１００が学習を行う場合に必要とされる構成を備えている（学習モード）。図２に示した各機能ブロックは、図１に示した状態判定装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、状態判定装置１及び機械学習装置１００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３０、データ分類部３２を備え、状態判定装置１が備える機械学習装置１００は、学習部１１０を備えている。また、不揮発性メモリ１４上には、データ取得部３０が取得したデータが記憶される取得データ記憶部５０と、取得データに基づいて作成された状態データ、ラベルデータ等の学習データを分類する条件が記憶される分類条件記憶部５２が設けられており、機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築された複数の学習モデルを記憶する学習モデル記憶部１３０が設けられている。
データ取得部３０は、射出成形機２、及び入力装置７１等から入力された各種データを取得する機能手段である。データ取得部３０は、例えば、射出成形機２の機種、金型の質量や材質、樹脂の種類等の各種データ、ノズルの温度、ノズルを駆動するモータの位置、速度、加速度、電流、電圧、トルク、金型の温度、樹脂の流量、流速、圧力等の各種物理量の時系列データ、作業者により入力された射出成形機の保守作業に係る情報等の各種データを取得し、取得データ記憶部５０に記憶する。データ取得部３０は、図示しない外部記憶装置や有線／無線のネットワークを介して他の装置からデータを取得するようにしても良い。
データ分類部３２は、データ取得部３０が取得したデータを分類条件記憶部５２に記憶されている分類条件に従って分類した学習データを作成し、作成した該学習データを適用する学習モデルを決定する機能手段である。分類条件記憶部５２には、少なくとも学習データを分類するための条件式と、該分類するための条件に基づいて分類された学習データを適用する学習モデルの識別情報とを関連付けた分類条件データが少なくとも１つ記憶されており、データ分類部３２は、該分類条件記憶部５２に記憶された分類条件データを参照し、参照した条件式に基づいて学習データを分類して適用先となる学習モデルを決定する。データ分類部３２が作成する学習データは、機械学習装置１００において扱われる統一的な形式へと変換（数値化、正規化、サンプリング等）したデータ形式を取る。例えば、データ分類部３２は、機械学習装置１００が教師なし学習をする場合においては、学習データとして該学習における所定の形式の状態データＳを作成し、機械学習装置１００が教師あり学習をする場合においては、学習データとして該学習における所定の形式の状態データＳ及びラベルデータＬの組を作成し、機械学習装置１００が強化学習をする場合においては、学習データとして該学習における所定の形式の状態データＳ及び判定データＤの組を作成する。
図３は、分類条件記憶部５２に記憶される分類条件データの例を示している。分類条件記憶部５２に記憶される分類条件データは、例えば学習データに含まれる状態データに対する条件として定義される分類条件式と、該分類条件式を満足する学習データを適用する学習モデルの識別情報を関連付けたものとして良い。図３の例では、射出成形機から取得されたデータが１サイクルの成形工程を構成するいずれの工程（型閉工程、射出工程、保圧工程、計量工程、突出工程、型開工程等）において取得（観測）されたものであるのか、という条件を分類条件式としており、例えば型閉工程において取得された学習データを、学習モデルＡの学習に用い、また、射出工程から保圧工程にかけて取得された学習データは、学習モデルＢの学習に用いる、といったものが定義されている。
図４は、データ取得部３０が取得したデータの例を示している。データ取得部３０が取得するデータには、図４上のグラフに示されるような、電流や速度、圧力等の時系列データに加えて、時間の推移に伴って変化する成形工程を識別するための情報が含まれている。これらの情報は、図４下に示されるように、例えば所定の時間におけるそれぞれの値の時間的な系列データとして表すことができる。なお、図４において、成形工程の識別情報として１は型閉工程、２は射出工程、３は保圧工程、４は計量工程をそれぞれ意味している。
図４に例示されるデータが取得データ記憶部５０に記憶されており、また、図３に例示される分類条件データが分類条件記憶部５２に記憶される場合、データ分類部３２は、成形工程の識別情報に基づいて時系列データを複数の時間区間で分割し、例えば学習モデルＡに適用するための学習データを時間ｔ1〜ｔi（型閉工程）までのデータから生成し、学習モデルＢに適用するための学習データをｔi+1〜ｔk（射出工程〜保圧工程）までのデータから生成する。このように、データ分類部３２は、分類条件記憶部５２に記憶される分類条件データに従って、データ取得部３０が取得した（そして取得データ記憶部５０に記憶された）データを適用対象とする学習モデルへと分類した学習データを作成する。
学習部１１０は、データ分類部３２が分類したそれぞれのデータを、該分類の結果に基づいて決定した学習モデルを用いた機械学習を行う。学習モデル記憶部１３０は、複数の学習モデル（図２では、学習モデルＡ，学習モデルＢ，学習モデルＣ，…）が識別可能に記憶できるようになっており、学習部１１０は、データ分類部３２が分類した結果に基づいて、分類した該学習データを用いて適用先の学習モデルの機械学習を行う。なお、学習部１１０は、適用先の学習モデルが学習モデル記憶部１３０に記憶されていない場合には、該学習データの適用先となる新たな学習モデルを作成して学習モデル記憶部１３０に記憶するようにしても良い。
学習部１１０は、学習部１１０は、教師なし学習、教師あり学習、強化学習等の公知の機械学習の手法により、射出成形機２から取得されたデータを用いた機械学習を行うことで学習モデルを生成し、生成した学習モデルを学習モデル記憶部１３０に記憶する。学習部１１０が行う教師なし学習の手法としては、例えばａｕｔｏｅｎｃｏｄｅｒ法、ｋ−ｍｅａｎｓ法等が、教師あり学習の手法としては、例えばｍｕｌｔｉｌａｙｅｒ ｐｅｒｃｅｐｔｒｏｎｎ法、ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ法、Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ法、ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ法等が、強化学習の手法としては、例えばＱ学習等が挙げられる。
学習部１１０は、例えば、正常に動作している状態の射出成形機２から取得され、データ分類部３２により分類された学習データに基づいた教師なし学習を行い、正常状態で取得された所定の工程における学習データの分布を学習モデルとして生成することができる。このようにして生成された（複数の）学習モデルを用いて、後述する推定部１２０は、射出成形機２から取得された所定の工程における学習データが、正常状態の動作時に取得された所定の工程における学習データからどれだけ外れているのかを推定し、推定結果としての異常度を算出することができる。
また、学習部１１０は、例えば、正常に動作している状態の射出成形機から取得され、データ分類部３２により分類された所定の工程におけるデータに正常ラベルを、異常が発生した前後に射出成形機２から取得され、データ分類部３２により分類された所定の工程におけるデータに異常ラベルを付与した所定の工程における学習データを用いた教師あり学習を行い、正常データと異常データとの判別境界を所定の工程における学習モデルとして生成することができる。このようにして生成された（複数の）学習モデルを用いて、後述する推定部１２０は、射出成形機２から取得された所定の工程における学習データが、正常データに属するのか、異常データに属するのかを推定し、推定結果としてのラベル値（正常／異常）とその信頼度を算出することができる。
上記構成を備えた状態判定装置１では、射出成形機２から取得されたデータを、取得した工程に応じて時間区間で分割て分類して作成した学習データを用いて学習部１１０が該学習データの適用先の学習モデルに対して機械学習を行う。このようにして学習部１１０が機械学習したそれぞれの学習モデルは、成形工程を構成するそれぞれの工程に特化した学習が為されたものとなるため、該工程における射出成形機２の状態の学習を効率良く行うことができる。
図５は、第２実施形態による状態判定装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態の状態判定装置１は、機械学習装置１００が推定を行う場合に必要とされる構成を備えている（推定モード）。図５に示した各機能ブロックは、図１に示した状態判定装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、状態判定装置１及び機械学習装置１００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、第１実施形態と同様に、データ取得部３０、データ分類部３２を備え、状態判定装置１が備える機械学習装置１００は、推定部１２０を備えている。また、不揮発性メモリ１４上には、データ取得部３０が取得したデータが記憶される取得データ記憶部５０と、取得データに基づいて作成された状態データを分類する条件が記憶される分類条件記憶部５２が設けられており、機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築された複数の学習モデルを記憶する学習モデル記憶部１３０が設けられている。
本実施形態によるデータ取得部３０は、第１実施形態におけるデータ取得部３０と同様の機能を備える。また、本実施形態によるデータ分類部３２は、データ取得部３０が取得した（そして、取得データ記憶部５０に記憶された）データを、分類条件記憶部５２に記憶されている分類条件に従って分類して状態データを作成し、作成した該状態データを適用する学習モデルを決定する。
推定部１２０は、データ分類部３２が分類したそれぞれのデータに基づいて、該分類の結果決定された学習モデルを用いた射出成形機の状態の推定を行う。学習モデル記憶部１３０は、学習部１１０の機械学習により生成された複数の学習モデル（図２では、学習モデルＡ，学習モデルＢ，学習モデルＣ，…）が識別可能に記憶できるようになっており、推定部１２０は、データ分類部３２が分類した結果に基づいて、分類した状態データに基づく適用先の学習モデルを用いた推定処理を実行する。なお、推定部１２０は、適用先の学習モデルが学習モデル記憶部１３０に記憶されていない場合には、適用先の学習モデルが存在しないために推定処理が実行できない旨出力するようにしても良い。
本実施形態の推定部１２０では、学習部１１０により生成された（パラメータが決定された）学習モデルに対して、データ分類部３２が分類した状態データＳを入力することで、射出成形機の状態に係る異常度を推定して算出したり、射出成形機の動作状態の属するクラス（正常／異常等）を推定して算出したりする。推定部１２０が推定した結果（射出成形機の状態に係る異常度や射出成形機の動作状態の属するクラス等）は、表示装置７０に表示出力したり、図示しない有線／無線ネットワークを介してホストコンピュータやクラウドコンピュータ等に送信出力して利用するようにしても良い。また、状態判定装置１は、推定部１２０により推定された結果が所定の状態になった場合（例えば、推定部１２０が推定した異常度が予め定めた所定の閾値を超えた場合、推定部１２０が推定した射出成形機の動作状態の属するクラスが「異常」になった場合等）、例えば図６に例示されるように、表示装置７０への警告メッセージやアイコンでの表示出力をするようにしても良いし、射出成形機に対して運転の停止、減速、又はモータのトルクを制限する指令等を出力するようにしても良い。
上記構成を備えた状態判定装置１では、射出成形機２から取得されたデータを、取得した工程に応じて時間区間で分割した上で分類して作成した状態データを用いて推定部１２０が該状態データの適用先の学習モデルを用いて該射出成形機２の状態の推定を行う。学習モデル記憶部１３０に記憶されている学習モデルは、成形工程を構成するそれぞれの工程に特化した学習が為されたものであるため、該学習モデルを用いた射出成形機２の状態の推定において、比較的高い精度を維持できることが期待される。
以上、本発明の実施の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、上記した実施形態では状態判定装置１と機械学習装置１００が異なるＣＰＵ（プロセッサ）を有する装置として説明しているが、機械学習装置１００は状態判定装置１が備えるＣＰＵ１１と、ＲＯＭ１２に記憶されるシステム・プログラムにより実現するようにしても良い。
また、上記した実施形態では状態判定装置１を射出成形機２の制御装置とネットワーク７を介して接続されたコンピュータ上に実装した例を示したが、例えば機械学習装置１００の部分のみをホストコンピュータ上に実装して、データ取得部３０、データ分類部３２を含む状態判定装置１本体をエッジコンピュータ上に実装する等、各構成要素の配置を適宜変更して実装するようにしても良い。
上記した実施形態では、分類条件記憶部５２には、射出成形機２から取得したデータを分類する条件として工程毎に分類するようにした場合の例を示したが、例えば、検出可能な異常状態の緊急度合いが異なる複数の学習モデルを予め作成しておいて学習モデル記憶部１３０に記憶しておき、分類条件記憶部５２には、図７に例示されるように、射出成形機２による成形品の製造サイクルの何サイクル毎であるのかという条件と学習モデルの識別情報を関連付けて記憶しておき、データ分類部３２において、データ取得部３０が取得したデータが何サイクル目に取得されたデータなのかに応じて適用先の学習モデルを決定することで、検出対象となる異常の緊急度に応じて異常の推定頻度（何サイクル毎に推定処理を実行するのか）を変更する状態判定装置１を構築することができる。このような状態判定装置１は、緊急度の低い異常について製造サイクル毎に推定処理を実行することがないため、状態判定装置１における計算コストを抑制することができる。
１ 状態判定装置
２ 射出成形機
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１６，１７，１８ インタフェース
２０ バス
２１ インタフェース
３０ データ取得部
３２ データ分類部
５０ 取得データ記憶部
５２ 分類条件記憶部
７０ 表示装置
７１ 入力装置
１００ 機械学習装置
１０１ プロセッサ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ 不揮発性メモリ
１１０ 学習部
１２０ 推定部
１３０ 学習モデル記憶部

Claims (13)

  1. 射出成形機における動作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データを取得するデータ取得部と、
    前記データ取得部が取得した前記射出成形機に係るデータを分類する条件を記憶する分類条件記憶部と、
    複数の学習モデルを記憶する学習モデル記憶部と、
    前記分類条件記憶部に記憶された分類条件に基づいて、前記データ取得部が取得したデータを分類し、分類したデータを適用する学習モデルを前記学習モデル記憶部に記憶される学習モデルの中から決定するデータ分類部と、
    前記データ分類部が分類したデータに基づいて、前記データ分類部が適用先として決定した学習モデルに対して機械学習を行う学習部と、
    を備えた状態判定装置。
  2. 射出成形機における動作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データを取得するデータ取得部と、
    前記データ取得部が取得した前記射出成形機に係るデータを分類する条件を記憶する分類条件記憶部と、
    複数の学習モデルを記憶する学習モデル記憶部と、
    前記分類条件記憶部に記憶された分類条件に基づいて、前記データ取得部が取得したデータを分類し、分類したデータを適用する学習モデルを前記学習モデル記憶部に記憶された学習モデルの中から決定するデータ分類部と、
    前記データ分類部が分類したデータに基づいて、前記データ分類部が適用先として決定した学習モデルを用いた推定を行う推定部と、
    を備えた状態判定装置。
  3. 前記射出成形機に係るデータは時系列データを含み、
    前記分類条件記憶部が記憶する条件は、前記時系列データを時間区間で分割する条件を含み、
    前記データ分類部は、前記分類条件記憶部に記憶された条件に基づいて、前記時系列データを時間区間で分割し、分割したそれぞれのデータを分類する、
    請求項１または２に記載の状態判定装置。
  4. 前記時間区間は、射出成形機の成形工程の中の型閉、型締、射出、保圧、計量、型開、突出、待機の区間の少なくとも１つである、
    請求項３に記載の状態判定装置。
  5. 前記分類条件記憶部が記憶する条件は、前記射出成形機の製造サイクルの所定サイクル毎にデータを分類する条件を含み、
    前記データ分類部は、前記分類条件記憶部に記憶された条件に基づいて、前記データ取得部が取得したデータが前記射出成形機の製造サイクルの何サイクル目に取得されたのかに応じて該データを分類する、
    請求項１または２に記載の状態判定装置。
  6. 前記学習部は、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つの学習を行う、
    請求項１に記載の状態判定装置。
  7. 前記推定部は、前記射出成形機の動作状態に係る異常度を推定し、
    前記状態判定装置は、前記推定部が推定した異常度が予め定めた所定の閾値を超えた場合に表示装置に警告メッセージを表示する、
    請求項２記載の状態判定装置。
  8. 前記推定部は、前記射出成形機の動作状態に係る異常度を推定し、
    前記状態判定装置は、前記推定部が推定した異常度が予め定めた所定の閾値を超えた場合に表示装置に警告アイコンを表示する、
    請求項２記載の状態判定装置。
  9. 前記推定部は、前記射出成形機の動作状態に係る異常度を推定し、
    前記状態判定装置は、前記推定部が推定した異常度が予め定めた所定の閾値を超えた場合に射出成形機に運転の停止、減速、又はモータのトルクを制限する指令の少なくとも１つを出力する、
    請求項２記載の状態判定装置。
  10. 前記データ取得部は、有線又は無線のネットワークを介して接続された複数の射出成形機からデータを取得する、
    請求項１〜９のいずれか１つに記載の状態判定装置。
  11. 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、前記射出成形機を管理する管理装置上に実装されている、
    請求項１〜９のいずれか１つに記載の状態判定装置。
  12. 射出成形機における動作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データを取得するデータ取得ステップと、
    前記データ取得ステップで取得した前記射出成形機に係るデータを分類する条件に基づいて、前記データ取得ステップで取得したデータを分類し、分類したデータを適用する学習モデルを複数の学習モデルの中から決定するデータ分類ステップと、
    前記データ分類ステップで分類されたデータに基づいて、前記データ分類ステップで適用先として決定した学習モデルに対して機械学習を行う学習ステップと、
    を実行する状態判定方法。
  13. 射出成形機における動作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データを取得するデータ取得ステップと、
    前記データ取得ステップで取得した前記射出成形機に係るデータを分類する条件に基づいて、前記データ取得ステップで取得したデータを分類し、分類したデータを適用する学習モデルを複数の学習モデルの中から決定するデータ分類ステップと、
    前記データ分類ステップで分類されたデータに基づいて、前記データ分類ステップで適用先として決定した学習モデルを用いた推定を行う推定ステップと、
    を実行する状態判定方法。
JP2018200692A 2018-10-25 2018-10-25 状態判定装置及び状態判定方法 Active JP6787971B2 (ja)

Priority Applications (4)

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
US16/594,092 US11628609B2 (en) 2018-10-25 2019-10-07 State determination device and method
DE102019128177.6A DE102019128177A1 (de) 2018-10-25 2019-10-18 Vorrichtung und verfahren zur zustandsbestimmung
CN201911017034.0A CN111098464B (zh) 2018-10-25 2019-10-24 状态判定装置和方法

Applications Claiming Priority (1)

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

Publications (2)

Publication Number Publication Date
JP2020066178A true JP2020066178A (ja) 2020-04-30
JP6787971B2 JP6787971B2 (ja) 2020-11-18

Family

ID=70328120

Family Applications (1)

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

Country Status (4)

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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022158073A1 (ja) * 2021-01-25 2022-07-28 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
WO2022176937A1 (ja) 2021-02-22 2022-08-25 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
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

Families Citing this family (9)

* 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
JP7010343B1 (ja) * 2020-08-20 2022-01-26 トヨタ自動車株式会社 機械学習装置
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***
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
CN115816466B (zh) * 2023-02-02 2023-06-16 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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP2017202632A (ja) * 2016-05-12 2017-11-16 ファナック株式会社 射出成形機の逆流防止弁の摩耗量推定装置および摩耗量推定方法
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
CN108237670A (zh) * 2016-12-23 2018-07-03 恩格尔奥地利有限公司 用于优化用于成型机的过程优化***的方法

Family Cites Families (19)

* 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
JPH0712634B2 (ja) 1987-12-25 1995-02-15 ファナック株式会社 射出装置の異常検出装置
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
JP4261492B2 (ja) 2005-01-14 2009-04-30 ファナック株式会社 射出成形システムのデータ管理方法
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
JP6346128B2 (ja) 2015-07-28 2018-06-20 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
JP6148316B2 (ja) 2015-07-31 2017-06-14 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
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
JP6294268B2 (ja) * 2015-07-31 2018-03-14 ファナック株式会社 射出成形機の異常診断装置
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
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
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
JP6779316B2 (ja) 2017-01-17 2020-11-04 日精樹脂工業株式会社 射出成形機の成形条件推定方法
JP2018156151A (ja) 2017-03-15 2018-10-04 ファナック株式会社 異常検知装置及び機械学習装置
JP6557272B2 (ja) 2017-03-29 2019-08-07 ファナック株式会社 状態判定装置
CN107784322B (zh) 2017-09-30 2021-06-25 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
JP6616375B2 (ja) 2017-10-23 2019-12-04 ファナック株式会社 状態判定装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017202632A (ja) * 2016-05-12 2017-11-16 ファナック株式会社 射出成形機の逆流防止弁の摩耗量推定装置および摩耗量推定方法
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
CN108237670A (zh) * 2016-12-23 2018-07-03 恩格尔奥地利有限公司 用于优化用于成型机的过程优化***的方法
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

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022158073A1 (ja) * 2021-01-25 2022-07-28 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
WO2022176937A1 (ja) 2021-02-22 2022-08-25 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
KR20230147626A (ko) 2021-02-22 2023-10-23 가부시끼가이샤 니혼 세이꼬쇼 정보 처리 방법, 정보 처리 장치, 성형기 시스템 및 컴퓨터 프로그램
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

Also Published As

Publication number Publication date
DE102019128177A1 (de) 2020-04-30
JP6787971B2 (ja) 2020-11-18
US11628609B2 (en) 2023-04-18
CN111098464B (zh) 2022-03-08
US20200130246A1 (en) 2020-04-30
CN111098464A (zh) 2020-05-05

Similar Documents

Publication Publication Date Title
JP6787971B2 (ja) 状態判定装置及び状態判定方法
JP6826086B2 (ja) 状態判定装置及び状態判定方法
JP6975188B2 (ja) 状態判定装置及び状態判定方法
JP6773738B2 (ja) 状態判定装置及び状態判定方法
JP6867358B2 (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
US11772312B2 (en) State determination device and state determination method for determining operation state of injection molding machine
US20240009905A1 (en) State determination device and state determination method
US20230367304A1 (en) State determination device and state determination method
US20240028020A1 (en) State determination device and state determination method
JP7184997B2 (ja) 状態判定装置及び状態判定方法
JP2021057064A (ja) 状態判定装置及び状態判定方法
JP7525631B2 (ja) 状態判定装置及び状態判定方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200323

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200616

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20200626

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200728

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200929

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20201029

R150 Certificate of patent or registration of utility model

Ref document number: 6787971

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150