注射成形機的異常診斷裝置的製作方法
2024-04-11 02:07:05
本發明涉及注射成形機的異常診斷裝置,尤其涉及無論分析者的知識、經驗多少都能夠進行高精度的異常診斷的異常診斷裝置。
背景技術:
以往,在注射成形機發生了故障時,使用者、製造商的工程師對該注射成形機所保存的成形條件、警報歷史記錄等記錄進行分析,調查故障的原因。
作為關於注射成形機的故障分析的現有技術,例如日本特開平05-157662號公報公開了這樣一種技術:對注射成形機發生了故障時的注射成形機的構成要素的聲音及振動進行頻譜分析,得到故障頻譜信息,根據故障頻譜信息通過學習求出故障基本頻譜模式,並用於故障判斷。
另外,日本特開2002-229623號公報公開了一種樹脂機械的分析評價系統,其將樹脂機械工作時的各參數存儲於資料庫,基於存儲數據分析對樹脂機械的處理方法,並具有將該分析結果反映到下次的分析中的學習功能。
以往這樣的通過人工進行的故障分析方法,由於進行分析的使用者、製造商的工程師所擁有的知識、經驗的量有限,因此有時難以確定故障的原因。
另外,以往無法實現下述情況:注射成形機的控制裝置、連接於注射成形機的管理裝置基於從注射成形機獲取的成形條件、警報歷史記錄等數據,確定故障的原因,或者算出不會發生故障的成形條件。
技術實現要素:
因此,本發明的目的在於提供一種注射成形機的異常診斷裝置,無論分析者的知識、經驗的多少都能夠進行高精度的異常診斷。
本發明的注射成形機的異常診斷裝置,輸入注射成形機的內在和外在的狀態數據,利用機械學習器診斷注射成形機的異常,其中,通過使用發生異常時得到的所述狀態數據和沒有發生異常時得到的所述狀態數據進行機械學習來得到所述機械學習器的內部參數。
在所述異常診斷裝置中,所述內在和外在的狀態數據包括注射成形機的驅動部的負荷、軸的頻率特性、樹脂壓力、合模力、報警發生歷史記錄、機械操作歷史記錄、每個成形周期的工序監視數據、成形條件、成形品的品質信息中的至少一者和有沒有發生異常的信息。
所述異常診斷裝置基於所述機械學習的結果,使用所述狀態數據對注射成形機的異常進行預測。
所述異常診斷裝置在進行發生異常的預測時,從所述狀態數據中確定成為異常的原因的狀態數據。
所述異常診斷裝置在進行發生異常的預測時,算出所述狀態數據與發生異常之間的關聯。
所述異常診斷裝置在進行發生異常的預測時,算出所述狀態數據的調整值,使得不發生異常。
所述異常診斷裝置在發生異常時,從所述狀態數據中確定成為異常的原因的狀態數據。
所述異常診斷裝置在發生異常時,算出所述狀態數據與發生異常之間的關聯。
所述異常診斷裝置在發生異常時,算出所述狀態數據的調整值,使得不發生異常。
在所述異常診斷裝置中,從經由網絡連接的多個所述注射成形機輸入所述內在和外在的狀態數據。
在所述異常診斷裝置中,在經由網絡連接的多個注射成形機之間共享所述機械學習器的內部參數。
本發明的機械學習器,學習了基於注射成形機的內在和外在的狀態數據的注射成形機的異常診斷,其中,通過使用發生異常時得到的所述狀態數據和沒有發生異常時得到的所述狀態數據進行機械學習來得到所述機械學習器的內部參數。
根據本發明,使用從發生了異常的注射成形機獲得的狀態變量和從未發生異常的注射成形機獲得的所述狀態變量進行機械學習,從而無論分析者的知識、經驗的多少,都能夠進行高精度的異常診斷。
另外,注射成形機的控制裝置、連接於注射成形機的管理裝置能夠基於從注射成形機獲取的成形條件、警報歷史記錄等數據,確定故障的原因,或者算出不會發生故障的成形條件。
附圖說明
從參照附圖進行的以下實施例的說明能夠了解本發明的上述以及其他目的、特徵。這些附圖中:
圖1A是說明進行有教師學習的機械學習器的動作的概況的圖,是表示學習階段的圖。
圖1B是說明進行有教師學習的機械學習器的動作的概況的圖,是表示基於學習結果的預測階段的圖。
圖2是本發明的實施方式中的異常診斷裝置的概略構成圖。
具體實施方式
以下,對本發明的實施方式及附圖進行說明。
本發明中,使用從發生了異常的注射成形機獲得的狀態變量和從未發生異常的注射成形機獲得的所述狀態變量進行機械學習,從而診斷異常的原因。另外,在發生異常時從所述狀態變量中確定成為異常原因的狀態變量,計算所述狀態變量的調整值,使得不發生異常。
<1.機械學習>
通常,機械學習根據其目的、條件分類為有教師學習、無教師學習、強化學習等各種算法。在本發明中,以學習注射成形機的內在參數或外在參數所表示的狀態與注射成形機中發生的故障之間的相關性為目的,考慮到能夠進行基於明示的數據的學習、需要進行基於學習結果的原因診斷等,採用有教師學習的算法。
圖1是說明進行有教師學習的機械學習器的動作的概況的圖。進行有教師學習的機械學習器的動作大體上能夠分為學習階段和預測階段這兩個階段。進行有教師學習的機械學習器,若在學習階段(圖1A)賦予包括作為輸入數據使用的狀態變量(說明變量)的值和作為輸出數據使用的目標變量的值的教師數據,則在該狀態變量的值被輸入時,學習輸出該目標變量的值,通過賦予若干這樣的教師數據,構築用於輸出與狀態變量的值相對應的目標變量的值的預測模型。
然後,進行有教師學習的機械學習器,在預測階段(圖1B)被賦予新的輸入數據(狀態變量)時,遵照學習結果(構築的預測模型),預測輸出數據(目標變量)並輸出。
作為進行有教師學習的機械學習器的學習的一例,例如設定以下的式1所示那樣的預測模型的回歸式,在學習過程中將各狀態變量x1、x2、x3……所取的值應用於回歸式時,調整各係數a0、a1、a2、a3……的值以獲得目標變量y的值,由此學習得以進展。另外,學習的方法不限於此,針對每一種有教師學習的算法而不同。
【式1】
y=a0+a1x1+a2x2+a3x3+…+anxn
另外,作為有教師學習的算法,周知有最小二乘法、逐步法、SVM、神經網絡,決策樹學習等各種方法,作為適用於本發明的方法,可以採用任一種有教師學習算法。另外,各有教師學習算法是周知的,因此本說明書中省略對算法的詳細說明。
以下,基於具體實施方式對導入了進行有教師學習的機械學習器的本發明的異常診斷裝置進行說明。
<2.實施方式>
圖2是表示本發明的一實施方式中的異常診斷裝置的概略結構的圖。本實施方式的異常診斷裝置10包括有教師機械學習器(圖中的虛線框)。異常診斷裝置10在與多個注射成形機1a、1b、1c之間通過通訊線路、信號線等連接,從注射成形機1a、1b、1c向異常診斷裝置10發送表示各注射成形機的狀態的狀態數據。
異常診斷裝置10所具有的狀態觀測部11是觀測從各注射成形機1a、1b、1c送來的與注射成形相關的狀態數據,並將該狀態數據取到異常診斷裝置10內的功能單元。作為狀態數據的一例,能夠列舉出注射成形機的驅動部的負荷、軸的頻率特性、樹脂壓力、合模力、機械操作歷史記錄、每個成形周期的工序監視數據、成形條件、成形品的品質信息、以及報警發生(歷史記錄)、故障信息等。
狀態數據存儲部12是將狀態觀測部11所取得的狀態數據以及後述的狀態預測部15所預測的診斷結果的數據存儲起來,並根據來自外部的請求輸出存儲的該狀態數據、診斷結果的數據的功能單元。關於狀態數據存儲部12所存儲的狀態數據,按照每一次成形加工的動作,或者按照每預定時間將發生的狀態數據成組存儲。並且,針對每一個注射成形機存儲各狀態數據。
狀態學習部13、學習結果存儲部14、狀態預測部15是構成有教師機械學習器的主要部分的功能單元。
狀態學習部13基於狀態觀測部11所取得的狀態數據、存儲於狀態數據存儲部12的狀態數據進行有教師學習,將學習結果存儲於學習結果存儲部14。本實施方式的狀態學習部13將狀態數據中有無發生報警或者有無發生故障作為目標變量,將其他狀態數據作為狀態變量,以這樣的教師數據進行有教師學習。作為學習的一例,在使用預測模型的回歸式的情況下,也可以按照警報的每個種類、故障的每個種類準備回歸式,另外,在使用SVM、神經網絡、決策樹等的情況下,也可以按照警報的每個種類、故障的每個種類準備分類器。另外,針對多個注射成形機,可以將它們視為通用來進行學習,對於特殊的注射成形機,也可以個別地進行學習。
在學習過程中,也可以將每次成形加工動作開始時的狀態數據和成形加工動作後的警報或者故障的狀態的組作為教師數據,在該情況下,能夠基於學習的結果,針對每個成形加工動作預測報警發生的可能性、故障的可能性。另一方面,教師數據也可以根據某時刻t的狀態數據設定狀態變量,將預先確定的預定時間α後的時刻t+α的狀態數據的有無發生報警或者有無發生故障作為目標變量,在該情況下,能夠基於學習的結果預測在注射成形機成為某狀態時在預定時間α後發生警報或者故障的可能性。
學習結果存儲部14是存儲狀態學習部13基於教師數據學習得出的結果的功能單元。學習結果存儲部14根據來自外部的請求而輸出所存儲的學習結果。利用該功能,還能夠將學習結果存儲部14存儲的學習結果應用於其他異常診斷裝置等。
狀態預測部15基於學習結果存儲部14中存儲的學習結果,使用狀態觀測部11所取得的各注射成形機1a、1b、1c的狀態數據預測警報或者故障的發生。
另外,狀態預測部15在預測出發生警報或故障的情況下、以及實際發生了警報或者故障的情況下,推測成為發生該警報或者發生該故障的原因的狀態變量,算出與該推測出的狀態變量的值相關的用於消除該警報的發生或者該故障的發生的調整值。
作為推測成為發生警報或者故障的原因的狀態變量的一個方法,可以考慮這樣的方法:對存儲於狀態數據存儲部12的過去的數據進行統計處理,分析各狀態變量和發生警報或者故障(目標變量)之間的相關性,由此來進行預測。相關性的分析可以使用機械學習,也能夠使用一般的統計方法。另外,在特定的狀態變量之間存在相關性的情況下,在分析狀態變量與目標變量之間的相關性時,有時推測為多個狀態變量是異常的原因(提取出多個同程度的相關性高的狀態變量)。為了應對這樣的狀況,在各狀態變量之間存在相關性的情況下,預先登記各狀態變量之間的關係性,基於該登記的關係性確定作為調整對象的狀態變量即可。例如,有這樣的情況:注射速度過快為根本原因,作為其結果,導致壓力高這樣的從屬原因。該情況下,通過機械學習將注射速度和壓力的高低的關係進行登記,確定原因時,確定作為根本原因的注射速度的快慢和作為從屬原因的壓力的高低即可。
作為推測成為發生警報或者故障的原因的狀態變量的其他方法,可以考慮使用啟發法的方法。也可以事先將與各報警的發生或者故障的發生相對應的啟發進行登記,在預測出發生報警或者故障時按照所登記的啟發法,確定成為異常的原因的狀態變量。作為啟發法的例子,例如,考慮「在預測出壓力警報時,在注射速度為預定閾值以上的情況下,注射速度是原因」這樣的啟發法。這樣的啟發法可以通過機械學習自動登記,也可以由熟練的操作員等事先登記。這樣,在預測出會發生警報或者故障時能夠確定成為原因的狀態變量。
另外,狀態預測部15在預測出會發生警報或者故障的情況下、以及實際發生了警報或者故障的情況下,將推測為是發生該警報或者該故障的原因的狀態變量的值調整為能夠消除該警報或者該故障的發生的值。
作為調整被推測為原因的狀態變量的值的一個方法,在預定範圍內變更被推測為發生該警報或者該故障的原因的狀態變量的值,使用該調整後的狀態變量的值進行基於學習結果存儲部14中存儲的學習結果的發生警報或者故障的試預測。作為試預測的結果,預測為不發生警報或者故障的情況下,將該調整後的狀態變量的值作為調整值,作為試預測的結果,預測為發生警報或者故障的情況下,對該狀態變量再次進行調整,在試預測中重複進行上述操作,直到不再發生警報或者故障為止。在狀態變量的調整中,按照各狀態變量的每個種類定義了進行調整的正負方向、一次的調整幅度等,進行已發生的或者預測要發生的警報或者故障的發生原因的狀態變量的調整即可。
另外,狀態預測部15將預測會發生警報或者故障的注射成形機的信息、預測的警報或者故障的發生、成為原因的狀態變量以及該成為原因的狀態變量的調整值輸出給預測結果輸出部16。
預測結果輸出部16將從狀態預測部15輸出的信息向操作員輸出。預測結果輸出部16可以對異常診斷裝置所具有的未圖示的顯示裝置顯示從狀態預測部15輸出的信息,也可以將該信息向通過網絡連接的未圖示的集中管理裝置輸出。另外,狀態預測部15也可以利用聲音、光等方式通知預測出了警報或者故障的發生。
另外,本發明的異常診斷裝置10可以構成為注射成形機的控制裝置的一部分,也可以構成為相對於注射成形機的控制裝置獨立的裝置,後者的情況下,例如也可以構成為管理多個注射成形機的管理裝置的一部分。
另外,異常診斷裝置10取得並存儲於狀態數據存儲部12的各注射成形機的狀態數據也可以作為各注射成形機通用的數據來管理。
此外,也可以將與異常診斷裝置10的機械學習器相當的結構構成為能夠相對於異常診斷裝置10裝卸。通過將學習結束後的機械學習器的學習結果存儲部14中存儲的學習結果、狀態數據存儲部12中存儲的狀態數據取出,存儲於其他的機械學習器,還能夠進行學習結束後的機械學習器的量產。
以上,對本發明的實施方式進行了說明,但本發明並非僅限於所述實施方式的例子,能夠通過進行適當的變更而以各種形態來實施。