特許 6557272 状態判定装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6557272

(24)【登録日】2019年7月19日

(45)【発行日】2019年8月7日

(54)【発明の名称】状態判定装置

(51)【国際特許分類】

   B29C 45/76 20060101AFI20190729BHJP

【ＦＩ】

   B29C45/76

【請求項の数】13

【全頁数】17

(21)【出願番号】特願2017-64774(P2017-64774)

(22)【出願日】2017年3月29日

(65)【公開番号】特開2018-167424(P2018-167424A)

(43)【公開日】2018年11月1日

【審査請求日】2018年5月15日

【早期審査対象出願】

【前置審査】

(73)【特許権者】

【識別番号】390008235

【氏名又は名称】ファナック株式会社

(74)【代理人】

【識別番号】110001151

【氏名又は名称】あいわ特許業務法人

(72)【発明者】

【氏名】浅岡 裕泰

(72)【発明者】

【氏名】堀内 淳史

(72)【発明者】

【氏名】清水 顕次郎

【審査官】 ▲来▼田 優来

(56)【参考文献】

【文献】 特開２０１７−０３０２２１（ＪＰ，Ａ）

【文献】 特開２０１０−２７７５３４（ＪＰ，Ａ）

【文献】 特開２０１７−０３０１３５（ＪＰ，Ａ）

【文献】 特許第６０５５０５８（ＪＰ，Ｂ１）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｂ２９Ｃ４５／７６

Ｂ２２Ｄ１７／３２

(57)【特許請求の範囲】

【請求項1】

射出成形機の動作状態に基づいて、該射出成形機の異常に係る状態を判定する状態判定装置において、
前記射出成形機の動作状態に係るデータに含まれる時系列データの内の少なくとも１つのデータに対して前処理を実行する前処理部と、
前記射出成形機の動作状態に係り、成形動作中に変化しない固定的な内部パラメータが設定された内部パラメータ設定部と、
前記射出成形機の動作状態に対する前記射出成形機の異常に係る状態を学習する機械学習装置を備え、
前記機械学習装置は、
前記射出成形機の動作状態を示す前記前処理部により前処理されたデータを含む射出データ、及び前記内部パラメータを、環境の現在状態を表す状態変数として観測する状態観測部と、
前記射出成形機の異常に係る状態を示すラベルデータを取得するラベルデータ取得部と、
前記状態変数と、前記ラベルデータとを関連付けて学習する学習部と、
を備え、
前記状態判定装置は、前記状態変数と、前記学習部による学習結果に基づいて判定された前記射出成形機の異常に係る状態を出力する判定出力部を更に備える状態判定装置。

【請求項2】

前記内部パラメータ設定部には、複数の内部パラメータが設定されており、
前記複数の内部パラメータの内の１つを前記状態変数として観測される内部パラメータとして選択可能である、
請求項１に記載の状態判定装置。

【請求項3】

前記学習部は、
前記状態変数から前記射出成形機の異常に係る状態を判定する相関性モデルと予め用意された教師データから識別される相関性特徴との誤差を計算する誤差計算部と、
前記誤差を縮小するように前記相関性モデルを更新するモデル更新部とを備える、
請求項１または２に記載の状態判定装置。

【請求項4】

前記学習部は、前記状態変数と前記ラベルデータとを多層構造で演算する、
請求項１〜３のいずれか１つに記載の状態判定装置。

【請求項5】

前記判定出力部は、前記学習部により判定された前記射出成形機の異常に係る状態があらかじめ設定された閾値超えた場合に警告を出力する、
請求項１に記載の状態判定装置。

【請求項6】

前記前処理は、前記射出成形機の動作状態に係るデータに含まれる時系列データの内の少なくとも１つのデータを、補完、あるいは抽出あるいはそれらの組み合わせを行い、前記時系列データの入力点数を調整する処理である、
請求項１〜５のいずれか１つに記載の状態判定装置。

【請求項7】

前記射出成形機の動作状態に係るデータとは、前記射出成形機の駆動部または可動部の負荷、駆動部または可動部の速度、駆動部または可動部の位置、駆動部への指令値、圧力、型締力、温度、成形サイクル毎の物理量、成形条件、成形材料、成形品、射出成形機の構成部品の形状、射出成形機の構成部品のひずみ、動作音、画像のうち、少なくとも１つを利用して得られた値であることを特徴とする、
請求項１〜６のいずれか１つに記載の状態判定装置。

【請求項8】

前記学習部による前記射出成形機の異常に係る状態の判定を行うために、前記射出成形機に対してあらかじめ定められた所定の動作を行わせる、
請求項４または５に記載の状態判定装置。

【請求項9】

前記判定を行うためのあらかじめ定められた所定の動作は、自動、あるいは作業者の要求により行われる、
請求項８に記載の状態判定装置。

【請求項10】

前記判定を行うためのあらかじめ定められた所定の動作を行った日時を記憶しておき、前記記憶した日時から一定期間が経過した場合に情報を出力する、
請求項８または９に記載の状態判定装置。

【請求項11】

前記状態判定装置は、前記射出成形機の制御装置の一部として構成されている、
請求項１〜１０のいずれか１つに記載の状態判定装置。

【請求項12】

前記状態判定装置は、複数の前記射出成形機をネットワークを介して管理する成形機管理装置の一部として構成されている、
請求項１〜１０のいずれかに記載の状態判定装置。

【請求項13】

射出成形機の動作状態に基づいて、該射出成形機の異常に係る状態を判定する状態判定装置において、
前記射出成形機の動作状態に係るデータに含まれる時系列データの内の少なくとも１つのデータに対して前処理を実行する前処理部と、
前記射出成形機の動作状態に係り、成形動作中に変化しない固定的な内部パラメータが設定された内部パラメータ設定部と、
前記射出成形機の動作状態に対する前記射出成形機の異常に係る状態を学習した学習部を有する機械学習装置を備え、
前記機械学習装置は、
前記射出成形機の動作状態を示す前記前処理部により前処理されたデータを含む射出データ、及び前記内部パラメータを、環境の現在状態を表す状態変数として観測する状態観測部と、
前記状態変数と、前記学習部による学習結果とに基づいて判定された前記射出成形機の異常に係る状態を出力する判定出力部と、
を備える状態判定装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、状態判定装置に関し、特に射出成形機の保守を補助する状態判定装置に関する。

【背景技術】

【0002】

射出成形機の保守は定期的あるいは異常発生時に行っている。射出成形機の保守に際して射出成形機の状態を判定する方法の一つとして、射出成形機を用いて成形品を製造する射出成形サイクルの中の型開閉動作や成形品突き出し動作で、時間または可動部の位置に対応して前記可動部を駆動するモータの負荷状態を基準負荷として所定のサンプリング周期でメモリなどに記録しておき、更に、記録された前記基準負荷と実際のモータ負荷を時間または可動部の位置に対応させて順次比較して、その偏差が予め設定された閾値を超えたか否かで型開閉動作や突き出し動作が正常であるか異常を判定する方法がある。このように、射出成形機を保守する際には、射出成形機の動作時に記録しておいた射出成形機の動作状態を示す物理量を用いることにより、射出成形機による射出動作の状態を判定することが行われる。

【0003】

射出成形機の状態を判定する従来技術として、例えば特許文献１〜２には、正常な型開閉動作や突き出し動作が行われた少なくとも過去１回分の負荷或いは複数回の動作の移動平均値を算出することにより得られた負荷を、基準負荷として設定する技術が開示されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２００１−０３０３２６号公報

【特許文献2】特開２００１−０３８７７５号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

ところで、射出成形機から取得されるデータは、成形サイクル毎に所定のサンプリング周期で取得されたサンプリングデータ（離散的な時系列データ）と、成形サイクル毎に１回取得されるデータとの、２種類のデータとして記録される。

【0006】

例えば、図９Ａ〜９Ｃは、射出成形機の射出工程における可塑化スクリュ駆動用モータのトルクを記録した例であり、図９Ａはある動作設定（条件Ａとする）でのモータの時間−トルク曲線、図９Ｂは同じ部品で動作設定を変更（条件Ｂとする）した際のモータの時間−トルク曲線、図９Ｃは条件Ａで部品が損耗した際のモータの時間−トルク曲線の例を示している。これら図９Ａ〜９Ｃに示されるデータは、成形サイクル毎に所定のサンプリング周期で取得されたサンプリングデータとして記録される。
また、動作設定の各設定値や樹脂の性質を示す値などは成形サイクル毎に１回取得されるデータとして記録される。

【0007】

ここで、図９Ａ及び図９Ｂに示されるように、成形サイクル毎に所定のサンプリング周期で取得されたサンプリングデータは、成形サイクルにおける射出工程の動作条件が異なる場合（図９Ａと図９Ｂ）には曲線の形は類似していることが多いが、一方で、射出工程の時間が動作設定により異なるため、同じサンプリング周期で取得すると得られる時間方向のデータ点数が異なってくる。そのため、サンプリングデータの内で取得開始時点からｉ番目の値が何を示すのかは動作条件が異なる成形サイクル毎に異なることとなり、射出成形機の状態を判定するためにそれぞれの成形サイクルにおいて取得されたサンプリングデータを見る場合に、サンプリングデータをそのまま用いると射出成形機の状態を正しく判定できなくなるという射出成形機特有の問題が生じる。このような問題は、例えば各成形サイクル間のサンプリングデータの比較において顕著となる。例えば、部品の損耗が起きると、図９Ａ及び図９Ｃに示されるように、同じ動作条件でも曲線の形が変わってくるが、図９Ａと図９Ｃ（動作条件が条件Ａ）で比較すると曲線の形の変化は容易に判定できるものの、図９Ｂと図９Ｃ（動作条件が条件Ｂと条件Ａとで異なる）を比較しても曲線の形の変化は容易に判定できない。

【0008】

また、射出成形機による生産は多品種であることが多く、一つの機械でも、生産対象によって条件が大きく異なる事が顕著であり、これらサンプリングデータを全て同様に扱うことが難しいという射出成形機特有の問題もある。

【0009】

そこで本発明の目的は、射出成形機の動作条件や生産対象によらずに取得されたデータに基づいて射出成形機の状態を判定することが可能な状態判定装置を提供することである。

【課題を解決するための手段】

【0010】

本発明の状態判定装置は、射出成形機から取得された該射出成形機の成形動作に係る情報に対して前処理を行う前処理部を設け、該前処理部により、射出成形機の動作状態を示す情報の内で、動作条件によってデータ点数やスケールなどに変化があるデータに対して調整を行い、調整後のデータを機械学習やデータ分析のための入力とすることで上記課題を解決する。

【0011】

そして、本発明の一態様は、射出成形機の動作状態に基づいて、該射出成形機の異常に係る状態を判定する状態判定装置において、前記射出成形機の動作状態に係るデータに含まれる時系列データの内の少なくとも１つのデータに対して前処理を実行する前処理部と、前記射出成形機の動作状態に係り、成形動作中に変化しない固定的な内部パラメータが設定された内部パラメータ設定部と、前記射出成形機の動作状態に対する前記射出成形機の異常に係る状態を学習する機械学習装置を備え、前記射出成形機の動作状態を示す前記前処理部により前処理されたデータを含む射出データ、及び前記内部パラメータを、環境の現在状態を表す状態変数として観測する状態観測部と、前記射出成形機の異常に係る状態を示すラベルデータを取得するラベルデータ取得部と、前記状態変数と、前記ラベルデータとを関連付けて学習する学習部と、を備え、前記状態判定装置は、前記状態変数と、前記学習部による学習結果に基づいて判定された前記射出成形機の異常に係る状態を出力する判定出力部を更に備える状態判定装置である。

【発明の効果】

【0012】

本発明により、射出成形機の動作条件や生産対象によらずに取得されたデータに基づいて射出成形機の状態を判定することが可能となる。

【図面の簡単な説明】

【0013】

【図1】第１の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。

【図2】状態判定装置の一形態を示す概略的な機能ブロック図である。

【図3A】ニューロンを説明する図である。

【図3B】ニューラルネットワークを説明する図である。

【図4】第２の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。

【図5】状態判定装置の他の形態を示す概略的な機能ブロック図である。

【図6】射出成形システムの一形態を示す概略的な機能ブロック図である。

【図7】射出成形システムの他の形態を示す概略的な機能ブロック図である。

【図8】成形機管理装置を備えた射出成形システムの一形態を示す概略的な機能ブロック図である。

【図9A】動作条件Ａで動作する射出成形機の射出工程における可塑化スクリュ駆動用モータのトルク曲線を例示する図である。

【図9B】動作条件Ｂで動作する射出成形機の射出工程における可塑化スクリュ駆動用モータのトルク曲線を例示する図である。

【図9C】動作条件Ａで動作する部品が損耗した射出成形機の射出工程における可塑化スクリュ駆動用モータのトルク曲線を例示する図である。

【発明を実施するための形態】

【0014】

以下に本発明を実現するための状態判定装置の構成例を示す。ただし、本発明の状態判定装置の構成は下記の例に限定されるものではく、本発明の目的を実現可能なものであれば、どのような構成を採用しても良い。

【0015】

図１は第１の実施形態による状態判定装置の概略的な構成を示す機能ブロック図である。状態判定装置１０は、例えば、射出成形機を制御する制御装置や射出成形機とデータ通信できるように有線／無線の通信回線で接続されたＰＣなどとして実装することができる。状態判定装置１０は、射出成形機から取得されるデータに対して前処理を施す前処理部１２と、固定的な内部パラメータ値が設定された内部パラメータ設定部１４、射出成形機の異常に係る状態について、いわゆる機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（コンピュータのＣＰＵ等）を含む機械学習装置２０を備える。状態判定装置１０が備える機械学習装置２０が学習する射出成形機の異常に係る状態は、射出成形機の動作状態（射出成形機から取得される射出データ）と、当該動作状態における射出成形機の異常に係る状態（異常の有無、異常がる箇所など）との、相関性を表すモデル構造に相当する。

【0016】

図１に機能ブロックで示すように、状態判定装置１０が備える機械学習装置２０は、射出成形機（図示せず）から取得される射出成形機の動作状態を示す射出データＳ１及び内部パラメータＳ２を含む環境の現在状態を表す状態変数Ｓとして観測する状態観測部２２と、射出成形機の異常に係る状態を示すラベルデータＬを取得するラベルデータ取得部２４と、状態変数ＳとラベルデータＬとを用いて、射出データＳ１及び内部パラメータＳ２にラベルデータＬを関連付けて学習する学習部２６とを備える。

【0017】

前処理部１２は、例えばコンピュータのＣＰＵの一機能として構成できる。或いは状態観測部２２は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。前処理部１２は、射出成形機又は射出成形機に取り付けられたセンサから得られるデータや、該データを利用乃至変換して得られるデータ、射出成形機に対して入力されたデータなどの少なくとも１つのデータに対して前処理を行い、前処理後のデータを状態観測部２２、ラベルデータ取得部２４へと出力する。前処理を行う対象となるデータ以外のデータについては、前処理部１２は、前処理を行わずにそのまま機械学習装置２０へと引き渡す。前処理部１２が行う前処理は、例えばサンプリングデータのデータ点数の調整が挙げられる。ここで言うところのサンプリングデータのデータ点数の調整とは、移動平均、データの間引き、あるいは部分抽出によるデータ点数の削減、または、中間点内挿、あるいは固定値追加によるデータ数の増加を組み合わせた処理である。前処理部１２が行う前処理には、一般的な標準化などのスケーリングに対する処理を組み合わせても良い。

【0018】

射出成形機から取得されるデータには、成形動作毎に所定のサンプリング周期で取得されたサンプリングデータと、成形動作毎に１回取得されるデータとの２種類のデータがあり、また、動作設定により同じ成形動作の工程（例えば型締め動作）であっても開始から終了までの所要時間が異なるため、サンプリングデータは同じサンプリング周期で取得したとしても同一動作間で得られるデータ点数が異なる。前処理部１２は、射出成形機の機械学習においてサンプリングデータのデータ点数を調整して状態観測部２２、ラベルデータ取得部２４へと受け渡すことで、動作設定の多様性に対して機械学習装置２０による機械学習の精度を維持・向上させる役割を持つ。

【0019】

内部パラメータ設定部１４は、例えばコンピュータのＣＰＵの一機能として構成できる。或いは内部パラメータ設定部１４は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。内部パラメータ設定部１４は、機械学習装置２０に入力される値の内で固定的に入力される値の系列を、内部パラメータとしてデータテーブルやファイルなどの形式で記憶し、該内部パラメータを機械学習装置２０による学習時などに出力する。ここで言うところの内部パラメータ（機械学習装置２０に入力される値の内で固定的に入力される値の系列）とは、例えば異なる樹脂による動作でそれぞれ求められたパラメータ系列や、異なる金型による動作でそれぞれ求められたパラメータ系列、異なる機械仕様の動作でそれぞれ求められたパラメータ系列などのように、射出成形機の設定や動作の環境などにより定まる値の内で、成形動作中に変化しない値の系列である。内部パラメータは、あらかじめ、又は任意のタイミングで機械学習を用いて求められた値であってもよい。

【0020】

状態観測部２２は、例えばコンピュータのＣＰＵの一機能として構成できる。或いは状態観測部２２は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。状態観測部２２が観測する状態変数Ｓの内、射出データＳ１は、例えば射出成形機又は射出成形機に付設されるセンサから得られるデータや、該データを利用乃至変換して得られるデータに対して前処理部１２によりデータ点数などの調整が行われた前処理後のデータを含む射出成形機の動作状態を示すデータを用いることができる。射出データＳ１は、例えば、成形動作における射出工程時の塑化スクリュ駆動用モータのトルク（電流、電圧）、スクリュの動作速度・位置、動作音、金型に付設されるセンサにより検知された圧力などを用いることができる。
また、状態観測部２２が観測する状態変数Ｓの内、内部パラメータＳ２は、内部パラメータ設定部１４から入力されたデータを用いる。

【0021】

ラベルデータ取得部２４は、例えばコンピュータのＣＰＵの一機能として構成できる。或いはラベルデータ取得部２４は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。ラベルデータ取得部２４が取得するラベルデータＬは、例えば熟練した作業者により射出成形機についての判定が行われ、作業者が該射出成形機に異常があると判定した場合に申告して状態判定装置１０に与えられる射出成形機の異常に関する申告データに対して前処理部１２が前処理をした後のデータを用いることができる。ラベルデータＬは、基準状態からの変化が判定できるものであれば良く、例えばスクリュやタイミングベルト、ベアリングなどの部品の損耗量、金型の損耗量、予測寿命などを用いることができる。ラベルデータＬは、状態変数Ｓの下での射出成形機の異常に係る状態を示す。

【0022】

このように、状態判定装置１０が備える機械学習装置２０が学習を進める間、環境においては、射出成形機による成形動作の実施、センサなどによる射出成形機の動作状態の測定、熟練者による射出成形機の異常に係る状態の判定が実施される。

【0023】

学習部２６は、例えばコンピュータのＣＰＵの一機能として構成できる。或いは学習部２６は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。学習部２６は、機械学習と総称される任意の学習アルゴリズムに従い、射出成形機の動作状態に対する射出成形機の異常に係る状態を学習する。学習部２６は、射出成形機の複数の成形動作に対して、前述した状態変数ＳとラベルデータＬとを含むデータ集合に基づく学習を反復実行することができる。

【0024】

このような学習サイクルを繰り返すことにより、学習部２６は、射出成形機の射出動作にかかるデータ（射出データＳ１）及び内部パラメータＳ２と該射出成形機の異常に係る状態との相関性を暗示する特徴を自動的に識別することができる。学習アルゴリズムの開始時には射出データＳ１及び内部パラメータＳ２と射出成形機の異常に係る状態との相関性は実質的に未知であるが、学習部２６は、学習を進めるに従い徐々に特徴を識別して相関性を解釈する。射出データＳ１及び内部パラメータＳ２と射出成形機の異常に係る状態との相関性が、ある程度信頼できる水準まで解釈されると、学習部２６が反復出力する学習結果は、現在の動作状態に対して射出成形機の異常に係る状態をどのように判定するべきかと言う行動の選択（つまり意思決定）を行うために使用できるものとなる。つまり学習部２６は、学習アルゴリズムの進行に伴い、射出成形機の現在の動作状態と、当該現在の動作状態に対して該射出成形機の異常に係る状態をどのように判定するべきかという行動との、相関性を最適解に徐々に近づけることができる。

【0025】

上記したように、状態判定装置１０が備える機械学習装置２０は、状態観測部２２が観測した状態変数Ｓとラベルデータ取得部２４が取得したラベルデータＬとを用いて、学習部２６が機械学習アルゴリズムに従い、射出成形機の現在の動作状態に対する射出成形機の異常に係る状態を学習するものである。状態変数Ｓは、射出データＳ１及び内部パラメータＳ２という、外乱の影響を受け難いデータで構成され、またラベルデータＬは、熟練した作業の申告データに基づいて一義的に求められる。したがって、状態判定装置１０が備える機械学習装置２０によれば、学習部２６の学習結果を用いることで、射出成形機の動作状態に応じた該射出成形機の異常に係る状態の判定を、演算や目算によらずに自動的に、しかも正確に行うことができるようになる。

【0026】

射出成形機の異常に係る状態の判定を、演算や目算によらずに自動的に行うことができれば、射出成形機による成形動作中に該射出成形機の動作状態を実測して取得するだけで、該射出成形機の異常に係る状態を迅速に決定することができる。したがって、射出成形機の異常に係る状態の判定に掛かる時間を短縮することができる。また、作業者は状態判定装置１０が判定した内容を元に射出成形機が正常かどうか判断したり、保守の計画、保守部品の準備などを容易に行うことが可能となる。

【0027】

状態判定装置１０の一変形例として、内部パラメータ設定部１４は、複数の内部パラメータの系列をデータテーブルやファイルの形式で持つようにしておき、射出成形機で実行される成形動作に応じて、作業者が選択した複数の内部パラメータの系列の内の１つの内部パラメータの系列を機械学習装置２０に対して出力するようにしても良い。内部パラメータ設定部１４が機械学習装置２０に対して出力する内部パラメータの系列の選択は、射出成形機に対して設定された成形動作にかかる値や検出された値などに基づいて、射出成形機又は状態判定装置１０が自動的に選択するようにしても良い。

【0028】

上記構成を備えることにより、幅の広い成形動作の条件に対して汎用的に使用できる機械学習モデルを構築することが可能となり、比較的容易に機械学習モデルによる判定精度を上げる効果が期待できる。また、機械学習の特徴として、ある条件下での成形について機械学習モデルによる判定精度を上げるため、前述の条件下の状態変数で機械学習の再学習を行い、新たな内部パラメータを求め、パラメータを更新することが可能である。一方、再学習による新たなパラメータは、その条件下で最適化されてしまうため、成形動作の条件が変わった際に逆に判定の精度を損なう恐れがある。そのため、例えば汎用的なパラメータ系列と再学習更新用のパラメータ系列、また別の条件のパラメータ系列などとして、成形動作や金型の変更に応じて切り替えることで、成形動作の変更に対して柔軟に対応する事が可能となる。

【0029】

状態判定装置１０が備える機械学習装置２０の一変形例として、学習部２６は、同一の構成を有する複数の射出成形機のそれぞれについて得られた状態変数Ｓ及びラベルデータＬを用いて、それら射出成形機のそれぞれの動作状態に対する該射出成形機の異常に係る状態を学習することができる。この構成によれば、一定時間で得られる状態変数ＳとラベルデータＬとを含むデータ集合の量を増加できるので、より多様なデータ集合を入力として、射出成形機の動作状態に対する該射出成形機の異常に係る状態の学習の速度や信頼性を向上させることができる。

【0030】

上記構成を有する機械学習装置２０では、学習部２６が実行する学習アルゴリズムは特に限定されず、機械学習として公知の学習アルゴリズムを採用できる。図２は、図１に示す状態判定装置１０の一形態であって、学習アルゴリズムの一例として教師あり学習を実行する学習部２６を備えた構成を示す。教師あり学習は、入力とそれに対応する出力との既知のデータセット（教師データと称する）が予め大量に与えられ、それら教師データから入力と出力との相関性を暗示する特徴を識別することで、新たな入力に対する所要の出力を推定するための相関性モデル（本願の機械学習装置２０では射出成形機の動作状態に対する該射出成形機の異常に係る状態）を学習する手法である。

【0031】

図２に示す状態判定装置１０が備える機械学習装置２０において、学習部２６は、状態変数Ｓから射出成形機の異常に係る状態を導く相関性モデルＭと予め用意された教師データＴから識別される相関性特徴との誤差Ｅを計算する誤差計算部３２と、誤差Ｅを縮小するように相関性モデルＭを更新するモデル更新部３４とを備える。学習部２６は、モデル更新部３４が相関性モデルＭの更新を繰り返すことによって射出成形機の動作状態に対する該射出成形機の異常に係る状態を学習する。

【0032】

相関性モデルＭは、回帰分析、強化学習、深層学習などで構築することができる。相関性モデルＭの初期値は、例えば、状態変数Ｓと射出成形機の異常に係る状態との相関性を単純化して表現したものとして、教師あり学習の開始前に学習部２６に与えられる。教師データＴは、例えば、過去の射出成形機の動作状態に対する該射出成形機の異常に係る状態を記録することで蓄積された経験値（射出成形機の動作状態と、該射出成形機の異常に係る状態との既知のデータセット）によって構成でき、教師あり学習の開始前に学習部２６に与えられる。誤差計算部３２は、学習部２６に与えられた大量の教師データＴから射出成形機の動作状態に対する該射出成形機の異常に係る状態との相関性を暗示する相関性特徴を識別し、この相関性特徴と、現在状態における状態変数Ｓに対応する相関性モデルＭとの誤差Ｅを求める。モデル更新部３４は、例えば予め定めた更新ルールに従い、誤差Ｅが小さくなる方向へ相関性モデルＭを更新する。

【0033】

次の学習サイクルでは、誤差計算部３２は、更新後の相関性モデルＭに従って射出成形機により成形動作を実行することにより得られた状態変数Ｓ及びラベルデータＬを用いて、それら状態変数Ｓ及びラベルデータＬに対応する相関性モデルＭに関し誤差Ｅを求め、モデル更新部３４が再び相関性モデルＭを更新する。このようにして、未知であった環境の現在状態（射出成形機の動作状態）とそれに対する状態の判定（射出成形機の異常に係る状態の判定）との相関性が徐々に明らかになる。つまり相関性モデルＭの更新により、射出成形機の動作状態と、該射出成形機の異常に係る状態との関係が、最適解に徐々に近づけられる。

【0034】

前述した教師あり学習を進める際に、例えばニューラルネットワークを用いることができる。図３Ａは、ニューロンのモデルを模式的に示す。図３Ｂは、図３Ａに示すニューロンを組み合わせて構成した三層のニューラルネットワークのモデルを模式的に示す。ニューラルネットワークは、例えば、ニューロンのモデルを模した演算装置や記憶装置等によって構成できる。

【0035】

図３Ａに示すニューロンは、複数の入力ｘ（ここでは一例として、入力ｘ₁〜入力ｘ₃）に対する結果ｙを出力するものである。各入力ｘ₁〜ｘ₃には、この入力ｘに対応する重みｗ（ｗ₁〜ｗ₃）が掛けられる。これにより、ニューロンは、次の数２式により表現される出力ｙを出力する。なお、数２式において、入力ｘ、出力ｙ及び重みｗは、すべてベクトルである。また、θはバイアスであり、ｆ_kは活性化関数である。

【0036】

【数1】

【0037】

図３Ｂに示す三層のニューラルネットワークは、左側から複数の入力ｘ（ここでは一例として、入力ｘ１〜入力ｘ３）が入力され、右側から結果ｙ（ここでは一例として、結果ｙ１〜結果ｙ３）が出力される。図示の例では、入力ｘ１、ｘ２、ｘ３のそれぞれに対応の重み（総称してｗ１で表す）が乗算されて、個々の入力ｘ１、ｘ２、ｘ３がいずれも３つのニューロンＮ１１、Ｎ１２、Ｎ１３に入力されている。

【0038】

図３Ｂでは、ニューロンＮ１１〜Ｎ１３の各々の出力を、総称してｚ１で表す。ｚ１は、入カベクトルの特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ１のそれぞれに対応の重み（総称してｗ２で表す）が乗算されて、個々の特徴ベクトルｚ１がいずれも２つのニューロンＮ２１、Ｎ２２に入力されている。特徴ベクトルｚ１は、重みｗ１と重みｗ２との間の特徴を表す。

【0039】

図３Ｂでは、ニューロンＮ２１〜Ｎ２２の各々の出力を、総称してｚ２で表す。ｚ２は、特徴ベクトルｚ１の特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ２のそれぞれに対応の重み（総称してｗ３で表す）が乗算されて、個々の特徴ベクトルｚ２がいずれも３つのニューロンＮ３１、Ｎ３２、Ｎ３３に入力されている。特徴ベクトルｚ２は、重みｗ２と重みｗ３との間の特徴を表す。最後にニューロンＮ３１〜Ｎ３３は、それぞれ結果ｙ１〜ｙ３を出力する。

【0040】

状態判定装置１０が備える機械学習装置２０においては、状態変数Ｓを入力ｘとして、学習部２６が上記したニューラルネットワークに従う多層構造の演算を行うことで、射出成形機の異常に係る状態（結果ｙ）を出力することができる。なおニューラルネットワークの動作モードには、学習モードと判定モードとがあり、例えば学習モードで学習データセットを用いて重みＷを学習し、学習した重みＷを用いて判定モードで射出成形機の異常に係る状態の判定を行うことができる。なお判定モードでは、検出、分類、推論等を行うこともできる。

【0041】

上記した状態判定装置１０の構成は、コンピュータのＣＰＵが実行する機械学習方法（或いはソフトウェア）として記述できる。この機械学習方法は、射出成形機の動作状態に対する該射出成形機の異常に係る状態を学習する機械学習方法であって、コンピュータのＣＰＵが、射出成形機の動作状態を示す射出データＳ１及び内部パラメータＳ２を射出成形機による成形動作が行われる環境の現在状態を表す状態変数Ｓとして観測するステップと、該射出成形機の異常に係る状態を示すラベルデータＬを取得するステップと、状態変数ＳとラベルデータＬとを用いて、射出成形機の動作状態と、該射出成形機の異常に係る状態とを関連付けて学習するステップとを有する。

【0042】

図４は、第２の実施形態による状態判定装置４０を示す。状態判定装置４０は、前処理部４２と、パラメータ設定部４４と、機械学習装置５０と、前処理部４２に入力されるデータを状態データＳ０として取得する状態データ取得部４６とを備える。状態データ取得部４６は、射出成形機や、射出成形に付設されるセンサ、作業者による適宜のデータ入力から、状態データＳ０を取得することができる。

【0043】

状態判定装置４０が有する機械学習装置５０は、射出成形機の動作状態に対する該射出成形機の異常に係る状態を機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（コンピュータのＣＰＵ等）に加えて、学習部２６が射出成形機の動作状態に基づいて判定した該射出成形機の異常に係る状態を、表示装置（図示せず）への文字の表示、スピーカ（図示せず）への音あるいは音声による出力、警報ランプ（図示せず）による出力、あるいはそれらの組合せとして出力するためのソフトウェア（演算アルゴリズム等）及びハードウェア（コンピュータのＣＰＵ等）を含むものである。状態判定装置４０が含む機械学習装置５０は、１つの共通のＣＰＵが、学習アルゴリズム、演算アルゴリズム等の全てのソフトウェアを実行する構成を有することもできる。

【0044】

判定出力部５２は、例えばコンピュータのＣＰＵの一機能として構成できる。或いは判定出力部５２は、例えばコンピュータのＣＰＵを機能させるためのソフトウェアとして構成できる。判定出力部５２は、学習部２６が射出成形機の動作状態に基づいて判定した該射出成形機の異常に係る状態を文字の表示、音あるいは音声による出力、警報ランプによる出力、あるいはそれらの組合せとして作業者に対して通知するように指令を出力する。判定出力部５２は、状態判定装置４０が備える表示装置などに対して通知の指令を出力するようにしても良いし、射出成形機が備える表示装置などに対して通知の指令を出力するようにしても良い。

【0045】

上記構成を有する状態判定装置４０が備える機械学習装置５０は、前述した機械学習装置２０と同等の効果を奏する。特に機械学習装置５０は、判定出力部５２の出力によって環境の状態を変化させることができる。他方、機械学習装置２０では、学習部２６の学習結果を環境に反映させるための判定出力部に相当する機能を、外部装置（例えば射出成形機の制御装置）に求めることができる。

【0046】

状態判定装置４０の一変形例として、判定出力部５２は、学習部２６が射出成形機の動作状態に基づいて判定した該射出成形機の異常に係る状態のそれぞれについて、あらかじめ定めた所定の閾値を設けておき、学習部２６が射出成形機の動作状態に基づいて判定した該射出成形機の異常に係る状態が閾値を超えた場合に警告としての情報を出力するようにしても良い。

【0047】

状態判定装置４０の他の変形例として、判定出力部５２は、過去に学習部２６が射出成形機の動作状態に基づいて判定した該射出成形機の異常に係る状態のそれぞれと、現在の学習部２６が射出成形機の動作状態に基づいて判定した該射出成形機の異常に係る状態のそれぞれとの差分を算出し、該差分があらかじめ定めた所定の閾値を超えた場合に警告としての情報を出力するようにしても良い。個々でいうところの過去に学習部２６が射出成形機の動作状態に基づいて判定した該射出成形機の異常に係る状態は、過去の任意のタイミングで学習部２６が判定したもので良いが、例えば新品の部品の交換時など、状態がはっきりと分かっている時点の射出成形機の異常に係る状態を用いることで比較による状態の推測が行いやすくなる。

【0048】

状態判定装置４０の他の変形例として、学習部２６、判定出力部５２による射出成形機の異常に係る状態の判定を行う際の状態変数を取得するために、あらかじめ設定されている所定の動作設定に基づく所定の成形動作を状態判定装置４０が射出成形機に指令して行わせるようにしても良い。射出成形機による成形動作では、例えば可塑化スクリュの形状、材料、金型形状等、射出成形機の各部に対して様々な種類の設定を行う必要がある。そこで、学習部２６、判定出力部５２による射出成形機の異常に係る状態の判定を行う際に、あらかじめ定めた外乱要素の少ない動作設定に基づく所定の動作を行わせることにより、摩耗、破損、動作の不具合、保守に関わる状態を精度よく判定することができるようになる。ここで言うところの所定の動作とは、例えば金型周りの動作では、位置、速度、動作回数の設定を決めて型締め部や突き出し部を動作させる事、加熱筒周りでは、可塑化スクリュの動作速度、位置、圧力、動作回数の設定を決めて可塑化スクリュを動作させる事などが挙げられる。判定に用いられる所定の動作が予め決められているので、機械学習モデルも単純なもので構成できる可能性があり、判定に掛かる処理を簡単にすることで、状態判定装置を安価なシステムで構成できる効果も期待できる。

【0049】

また、前記所定の動作を、電源を入れた際や樹脂排出動作などの決められた動作の前後に状態判定装置４０が射出成形機に指令して自動で行わせたり、ある所定の期間が過ぎた場合に自動で行わせたり、又は作業者が状態判定装置４０又は射出成形機に設けられたボタン等で要求した際に自動で行わせたり、あるいはそれらを組み合わせた条件を基準として自動で行わせるようにしてもよい。

【0050】

更に、状態判定装置４０が射出成形機に指令して前記所定の動作を行わせて学習部２６、判定出力部５２による判定処理を実行した時刻を記憶しておき、現在時刻と記憶した処理時刻の差があらかじめ決められた時間を超えた場合に、判定出力部５２が前回の判定から一定時刻が経過した旨を警告として出力するようにしても良い。これにより、作業者が状態判定の処理を忘れて機械を稼働し続ける事を防ぐことが可能となる。

【0051】

状態判定装置４０の他の変形例として、追加の学習を行わずに機械学習装置５０により学習された学習結果を用いて射出成形機の状態の判定のみを行う（判定モードのみで動作する）ようにすることも可能である。図５に示すように、状態判定装置４０には、機械学習装置５０’が内蔵されている。機械学習装置５０’は、図４で説明した機械学習装置５０からラベルデータ取得部２４を取り除いたものとして構成されている。このように構成することで、機械学習装置５０’は、状態観測部２２が観測した状態変数Ｓに基づいて射出成形機の状態を判定し、その判定結果を判定出力部５２が出力するが、学習部２６は追加の学習を行わないため、比較的計算能力の高くないＣＰＵ等を用いても構成可能となり、コスト面でのメリットが生じる。特に、状態判定装置４０を製品として出荷する場合には、本変形例の構成とすることにより価格を抑えることができる。

【0052】

状態判定装置４０の他の変形例として、学習部２６が複数の条件下のそれぞれにおいて機械学習をした結果として得られた相関性モデルＭのパラメータ（例えば、相関性モデルＭがニューラルネットワークである場合、パラメータは各ニューロン間の重み値など）を数パターン記憶しておき、状態判定装置４０を利用する状況に応じて該パラメータを相関性モデルＭに対して設定して動作させるようにしても良い。このとき、相関性モデルＭのパラメータのパターンは、例えばパラメータ設定部４４に記憶させておくことができる。このように構成することで、状態判定装置４０が射出成形機の状態の判定を行う条件が異なる場合においても、当該条件にあった相関性モデルＭのパラメータを学習部２６に対して設定することで、より精度の高い射出成形機の状態判定を行うことができるようになる。

【0053】

図６は、射出成形機６０を備えた一実施形態による射出成形システム７０を示す。射出成形システム７０は、同一の機械構成を有する複数の射出成形機６０、６０’と、それら射出成形機６０、６０’を互いに接続するネットワーク７２とを備え、複数の射出成形機６０、６０’のうち少なくとも１つが、上記した状態判定装置４０を備える射出成形機６０として構成される。また射出成形システム７０は、状態判定装置４０を備えない射出成形機６０’を含むことができる。射出成形機６０、６０’は、成形動作をするために必要とされる一般的な構成を有する。

【0054】

上記構成を有する射出成形システム７０は、複数の射出成形機６０、６０’のうちで状態判定装置４０を備える射出成形機６０が、学習部２６の学習結果を用いて、射出成形装置の動作状態に対する該射出成形機の異常に係る状態を、演算や目算によらずに自動的に、しかも正確に求めることができる。また、少なくとも１つの射出成形機６０の状態判定装置４０が、他の複数の射出成形機６０、６０’のそれぞれについて得られた状態変数Ｓ及びラベルデータＬに基づき、全ての射出成形機６０、６０’に共通する射出成形装置の動作状態に対する該射出成形機の異常に係る状態を学習し、その学習結果を全ての射出成形機６０、６０’が共有するように構成できる。したがって射出成形システム７０によれば、より多様なデータ集合（状態変数Ｓ及びラベルデータＬを含む）を入力として、射出成形装置の動作状態に対する該射出成形機の異常に係る状態の学習の速度や信頼性を向上させることができる。

【0055】

図７は、射出成形機６０’を備えた他の実施形態による射出成形システム７０’を示す。射出成形システム７０’は、状態判定装置４０（又は１０）と、同一の機械構成を有する複数の射出成形機６０’と、それら射出成形機６０’と状態判定装置４０（又は１０）とを互いに接続するネットワーク７２とを備える。

【0056】

上記構成を有する射出成形システム７０’は、状態判定装置４０（又は１０）が、複数の射出成形機６０’のそれぞれについて得られた状態変数Ｓ及びラベルデータＬに基づき、全ての射出成形機６０’に共通する射出成形機の動作状態に対する該射出成形機の異常に係る状態を学習し、その学習結果を用いて、射出成形機の動作状態に応じた該射出成形機の異常に係る状態を、演算や目算によらずに自動的に、しかも正確に求めることができる。

【0057】

射出成形システム７０’は、状態判定装置４０（又は１０）が、ネットワーク７２に用意されたクラウドサーバに存在する構成を有することができる。この構成によれば、複数の射出成形機６０’のそれぞれが存在する場所や時期に関わらず、必要なときに必要な数の射出成形機６０’を状態判定装置４０（又は１０）に接続することができる。

【0058】

射出成形システム７０、７０’に従事する作業者は、状態判定装置４０（又は１０）に
よる学習開始後の適当な時期に、状態判定装置４０（又は１０）による射出成形機の動作状態に対する該射出成形機の異常に係る状態の学習の到達度が要求レベルに達したか否かの判断を実行することができる。

【0059】

射出成形システム７０，７０’の一変形例として、状態判定装置４０を、射出成形機６０，６０’を管理する成形機管理装置８０に組み込んだ形で実装することも可能である。図８に示すように、成形機管理装置８０には、ネットワーク７２を介して複数の射出成形機６０，６０’が接続されており、成形機管理装置８０は、ネットワーク７２を介して各射出成形機６０，６０’の稼働状態や成形に関するデータを収集する。成形機管理装置８０は、任意の射出成形機６０，６０’からの情報を受け取り、状態判定装置４０に対して該射出成形機６０，６０’の異常にかかる状態を判定するように指令し、その結果を成形機管理装置８０が備える表示装置などに出力したり、判定対象の射出成形機６０，６０’に対して結果を出力したりすることができる。このように構成することで、射出成形機６０，６０’の異常に係る状態の判定結果などを成形機管理装置８０で一元管理することができ、また、再学習の際に、複数の射出成形機６０，６０’からサンプルとなる状態変数を集めることができるため、再学習用のデータを多く集めやすいという利点がある。更に、金型あるいは成形条件と内部パラメータを紐付けることで、金型や成形条件に起因する判定要素を射出成形機の間で共有する事ができる利点がある。

【0060】

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。

【0061】

例えば、機械学習装置２０、５０が実行する学習アルゴリズム、機械学習装置５０が実行する演算アルゴリズム、状態判定装置１０、４０が実行する制御アルゴリズム等は、上述したものに限定されず、様々なアルゴリズムを採用できる。

【0062】

また、上記した実施形態では前処理部１２を状態判定装置４０（または状態判定装置１０）上に設けた構成としていたが、前処理部１２を射出成形機上に設けるようにしても良い。このとき、前処理は、状態判定装置４０（または状態判定装置１０）、射出成形機のいずれか、あるいは両方で実行するようにしても良く、処理能力と通信の速度を鑑みて処理する場所を適宜設定できるようにしても良い。

【符号の説明】

【0063】

１０ 状態判定装置
１２ 前処理部
１４ 内部パラメータ設定部
２０ 機械学習装置
２２ 状態観測部
２４ ラベルデータ取得部
２６ 学習部
３２ 誤差計算部
３４ モデル更新部
４０ 状態判定装置
４２ 前処理部
４４ パラメータ設定部
４６ 状態データ取得部
５０，５０’ 機械学習装置
５２ 判定出力部
６０，６０’ 射出成形機
７０，７０’ 射出成形システム
７２ ネットワーク
８０ 成形機管理装置

【図1】

【図2】

【図3A】

【図3B】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9A】

【図9B】

【図9C】