状态判断装置以及状态判断方法
阅读：725发布：2020-05-14
专利汇可以提供状态判断装置以及状态判断方法专利检索，专利查询，专利分析的服务。并且本 发明 提供一种状态判断装置以及状态判断方法，状态判断装置能够辅助维护各种注射成形机，获取与注射成形机有关的数据，对获取到的该数据中的物理量的时序数据进行提取时间方向或振幅方向的特征的数值转换，使用数值转换后的该数据进行 机器学习 ，生成学习模型。，下面是状态判断装置以及状态判断方法专利的具体信息内容。
1.一种状态判断装置，判断注射成形机的动作状态，其特征在于，
该状态判断装置具备：
数据获取部，其获取与上述注射成形机有关的数据；
数值转换部，其对由上述数据获取部获取的与上述注射成形机有关的数据中的物理量的时序数据进行提取时间方向或振幅方向的特征的数值转换；以及
学习部，其进行使用由上述数值转换部进行数值转换而得的数据的机器学习，生成学习模型。
2.一种状态判断装置，判断注射成形机的动作状态，其特征在于，
该状态判断装置具备：
数据获取部，其获取与上述注射成形机有关的数据；
数值转换部，其对由上述数据获取部获取的与上述注射成形机有关的数据中的物理量的时序数据进行提取时间方向或振幅方向的特征的数值转换；
学习模型存储部，其存储学习模型，该学习模型是根据提取时间方向或振幅方向的特征而得的数据，对与上述注射成形机有关的数据中的物理量的时序数据进行机器学习所得的学习模型；以及
估计部，其根据由上述数值转换部进行数值转换而得的数据，进行使用存储于上述学习模型存储部的学习模型的估计。
3.根据权利要求1或2所述的状态判断装置，其特征在于，
由上述数值转换部进行的数值转换为将上述时序数据归一化的处理。
4.根据权利要求1～3的任一项所述的状态判断装置，其特征在于，
由上述数值转换部进行的数值转换为将上述时序数据微分的处理。
5.根据权利要求1～4的任一项所述的状态判断装置，其特征在于，
该状态判断装置还具备转换表存储部，其定义了上述时序数据的每个数据类型的数值转换的内容，
上述数值转换部参照上述转换表存储部，决定对上述时序数据的每个数据类型进行的数值转换的内容。
6.根据权利要求1所述的状态判断装置，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种机器学习。
7.根据权利要求2所述的状态判断装置，其特征在于，
上述估计部估计与上述注射成形机的动作状态有关的异常度，
在上述估计部估计出的异常度超过预先决定的阈值的情况下，上述状态判断装置在显示装置中显示警告消息。
8.根据权利要求2所述的状态判断装置，其特征在于，
上述估计部估计与上述注射成形机的动作状态有关的异常度，
在上述估计部估计出的异常度超过预先决定的阈值的情况下，上述状态判断装置在显示装置中显示警告图标。
9.根据权利要求2所述的状态判断装置，其特征在于，
上述估计部估计与上述注射成形机的动作状态有关的异常度，
在上述估计部估计出的异常度超过预先决定的阈值的情况下，上述状态判断装置对注射成形机输出运行的停止、减速或限制发动机的扭矩的指令的至少一个。
10.根据权利要求2所述的状态判断装置，其特征在于，
上述数据获取部从经由有线/无线网络连接的多个注射成形机获取与各注射成形机有关的数据。
11.一种状态判断方法，判断注射成形机的动作状态，其特征在于，
包括：
数据获取步骤，获取与上述注射成形机有关的数据；
数值转换步骤，对通过上述数据获取步骤获取的与上述注射成形机有关的数据中的物理量的时序数据进行提取时间方向或振幅方向的特征的数值转换；以及学习步骤，进行使用通过上述数值转换步骤进行数值转换而得的数据的机器学习，生成学习模型。
12.一种状态判断方法，判断注射成形机的动作状态，其特征在于，
包括：
数据获取步骤，获取与上述注射成形机有关的数据；
数值转换步骤，对通过上述数据获取步骤获取的与上述注射成形机有关的数据中的物理量的时序数据进行提取时间方向或振幅方向的特征的数值转换；以及估计步骤，使用学习模型进行基于通过上述数值转换步骤进行数值转换而得的数据的注射成形机的状态的估计，其中，该学习模型是根据提取时间方向或振幅方向的特征而得的数据，对与上述注射成形机有关的数据中的物理量的时序数据进行机器学习所得的学习模型。
状态判断装置以及状态判断方法
技术领域
[0001] 本发明涉及一种状态判断装置以及状态判断方法，特别涉及一种辅助维护注射成形机的状态判断装置以及状态判断方法。
背景技术
[0002] 注射成形机等工业机械，定期或在发生异常时进行维护。在维护工业机械时，通过使用在工业机械进行动作时记录的表示该工业机械的动作状态的物理量，维护人员判断该工业机械的动作状态是否存在异常，并进行更换发生了异常的部件等维护作业。
[0003] 例如已知以下方法：在注射成形机所具备的注射缸的逆止阀(check ring)的维护作业中，定期地从注射缸拔出螺杆，直接测量逆止阀的尺寸。然而，在该方法中，必须临时停止生产来进行测量作业，存在生产性降低这种问题。
[0004] 作为用于解决这种问题的现有技术，已知以下技术：为了不从注射缸拔出螺杆等暂时停止生产而间接地检测注射缸的逆止阀的磨损量来诊断异常，检测对螺杆施加的旋转扭矩或检测树脂向螺杆后方倒流的现象。例如在日本特开平01-168421号公报中公开了以下内容：测量作用于螺杆的旋转方向的旋转扭矩，如果超出允许范围则判断为异常。另外，在日本特开2014-104689号公报中公开了以下内容：将实际测量到的实测应力差与允许差进行比较来判断是否需要维护检修。并且，在日本特开2017-030221号公报以及日本特开2017-202632号公报中公开了以下内容：通过有监督学习来诊断驱动部的负载、树脂压力等的异常。
[0005] 然而，在上述日本特开平01-168421号公报以及日本特开2014-104689号公报所公开的技术中存在以下问题：在构成注射成形机的驱动部的电动机的额定扭矩、惯量、减速机的减速比等各种因素不同的机械中，需要调整判断为异常的允许范围的作业的。
[0006] 另外，在上述日本特开2017-030221号公报和日本特开2017-202632号公报所公开的技术中存在以下问题：在构成注射成形机的驱动部的要素的各种因素不同的机器中，从该机械得到的测量值与在机器学习时输入的学习数据的数值的偏差较大，无法通过机器学习正确地进行诊断。例如大型注射成形机运行时得到的驱动部的负载、树脂压力等测量值大，但是小型注射成形机运行而得到的驱动部的负载、树脂压力的测量值小。因此，存在以下问题：使用将使大型注射成形机运行时得到的驱动部的负载、树脂压力等的测量值作为学习数据进行机器学习而得的学习模型，即使将使小型注射成形机运行而得到的测量值直接作为学习数据来估计异常度，根据注射成形机不同而不同的各种因素的差异带来影响，而无法正确地估计异常度。
[0007] 另外，存在以下问题：当由注射成形机制造的成形品的原料即树脂的种类、注射成形机的附带设备即模具、模具调温机、树脂干燥机等为与机器学习时不同的种类时，受到附带设备的影响而从注射成形机得到的测量值产生差异，从而无法通过机器学习正确地进行诊断。
[0008] 另外，为了提高机器学习的诊断精度，已知以下技术：在制作机器学习的学习模型时，以构成注射成形机的发动机、减速机、可动部的机器的组合数量来准备多种学习条件而进行机器学习。然而，备齐多种注射成形机、树脂、附带设备、构成部件来进行机器学习需要大量成本。而且，在运行机械时，还需要准备树脂、工件等原料，为了获取学习数据所需的原料成本也大。另外，获取学习数据的作业需要大量时间。因此，存在无法有效地收集学习数据的问题。
发明内容
[0009] 因此，本发明的目的在于，提供一种能够辅助各种注射成形机的维护而并不花费大量成本的状态判断装置以及状态判断方法。
[0010] 在本发明中，针对在机器学习时输入的时序的物理量，将对从控制装置获取的时序的物理量(电流、速度等)进行归一化、微分等数值转换而导出的学习数据输入到机器学习来估计异常度，由此解决上述问题。
[0011] 更具体地说，即使注射成形机的附带设备不同或注射成形机的机型不同，例如机器尺寸为小型/大型这样不同，或构成注射成形机的注射装置、合模装置或注射缸、螺杆、发动机等构成部件不同，通过将进行数值转换以消除附带设备、机型的差异的学习数据应用于机器学习，也实现估计异常度。
[0012] 另外，设置以下单元：根据作为机器学习的输出而得到的异常度，将表现异常状态的消息、图标显示在显示装置中，或在异常度为预定值以上的情况下使机械的可动部停止动作以确保操作员的安全，或使驱动可动部的发动机减速或将发动机的驱动扭矩限制得小，以在安全状态下使可动部进行动作。
[0013] 本发明的一个方式的状态判断装置判断注射成形机的动作状态，具备：数据获取部，其获取与上述注射成形机有关的数据；数值转换部，其对由上述数据获取部获取的与上述注射成形机有关的数据中的物理量的时序数据进行提取时间方向或振幅方向的特征的数值转换；以及学习部，其进行使用由上述数值转换部进行数值转换而得的数据的机器学习，生成学习模型。
[0014] 本发明的其它方式的状态判断装置判断注射成形机的动作状态，具备：数据获取部，其获取与上述注射成形机有关的数据；数值转换部，其对由上述数据获取部获取的与上述注射成形机有关的数据中的物理量的时序数据进行提取时间方向或振幅方向的特征的数值转换；学习模型存储部，其存储学习模型，该学习模型是根据提取时间方向或振幅方向的特征而得的数据，对与上述注射成形机有关的数据中的物理量的时序数据进行机器学习所得的学习模型；以及估计部，其根据由上述数值转换部进行数值转换而得的数据，进行使用存储于上述学习模型存储部的学习模型的估计。
[0015] 由上述数值转换部进行的数值转换，能够设为将上述时序数据归一化的处理。
[0016] 由上述数值转换部进行的数值转换，能够设为将上述时序数据微分的处理。
[0017] 上述状态判断装置还具备对上述时序数据的每个数据类型的数值转换的内容进行定义的转换表存储部，上述数值转换部也可以参照上述转换表存储部，决定对上述时序数据的每个数据类型进行的数值转换的内容。
[0019] 上述估计部估计与上述注射成形机的动作状态有关的异常度，另外，在由上述估计部估计出的异常度超过预先决定的阈值的情况下，上述状态判断装置也可以在显示装置中显示警告消息。
[0020] 上述估计部估计与上述注射成形机的动作状态有关的异常度，另外，在由上述估计部估计出的异常度超过预先决定的阈值的情况下，上述状态判断装置也可以在显示装置中显示警告图标。
[0021] 上述估计部估计与上述注射成形机的动作状态有关的异常度，另外，在由上述估计部估计出的异常度超过预先决定的阈值的情况下，上述状态判断装置也可以向注射成形机输出运行的停止、减速或限制发动机的扭矩的指令的至少一个。
[0022] 上述数据获取部也可以从经由有线/无线网络连接的多个注射成形机获取与各注射成形机有关的数据。
[0023] 本发明的一个方式的状态判断方法包括：数据获取步骤，获取与上述注射成形机有关的数据；数值转换步骤，对通过上述数据获取步骤获取的与上述注射成形机有关的数据中的物理量的时序数据进行提取时间方向或振幅方向的特征的数值转换；以及学习步骤，进行使用通过上述数值转换步骤进行数值转换而得的数据的机器学习，生成学习模型。
[0024] 本发明的其它方式的状态判断方法包括：数据获取步骤，获取与上述注射成形机有关的数据；数值转换步骤，对通过上述数据获取步骤获取的与上述注射成形机有关的数据中的物理量的时序数据进行提取时间方向或振幅方向的特征的数值转换；以及估计步骤，使用学习模型进行基于通过上述数值转换步骤进行数值转换而得的数据的注射成形机的状态的估计，其中，该学习模型是根据提取时间方向或振幅方向的特征而得的数据，对与上述注射成形机有关的数据中的物理量的时序数据进行机器学习所得的学习模型。
[0025] 根据本发明，即使不收集注射成形机的各种机型的学习数据来进行机器学习，在学习时和估计时获取的数据通过归一化、微分等进行数值转换来进行学习或估计，因此在机器学习时能够估计与各种注射成形机有关的状态而并不花费大量成本。附图说明
[0027] 图2是第一实施方式的状态判断装置的概要功能框图。
[0028] 图3是表示基于归一化的数值转换的示例的图。
[0029] 图4是表示基于微分的数值转换的示例的图。
[0030] 图5是第二实施方式的状态判断装置的概要功能框图。
[0031] 图6是表示异常状态的显示例的图。
[0032] 图7是第三实施方式的状态判断装置的概要功能框图。
[0033] 图8是表示转换表的示例的图。
具体实施方式
[0034] 图1是表示一个实施方式的具备机器学习装置的状态判断装置的主要部分的概要硬件结构图。
[0035] 本实施方式的状态判断装置1例如能够安装于控制注射成形机的控制装置上，另外，能够安装成与控制注射成形机的控制装置并列设置的个人计算机、经由有线/无线的网络与该控制装置连接的管理装置3、边缘计算机、单元计算机、主机计算机、云服务器等计算机。在本实施方式中，示出将状态判断装置1安装成与控制注射成形机的控制装置并列设置的个人计算机的情况的示例。
[0036] 本实施方式的状态判断装置1所具备的CPU 11为整体地控制状态判断装置1的处理器。CPU 11经由总线20读出存储于ROM 12的系统程序，按着该系统程序控制状态判断装置1整体。在RAM 13中暂时存储有临时计算数据以及操作员经由输入装置71输入的各种数据等。
[0037] 非易失性存储器14例如由通过电池(未图示)备份供电的存储器、SSD(Solid State Drive：固态驱动器)等构成，即使状态判断装置1的电源被关闭也保持存储状态。在非易失性存储器14中存储有从用于存储与状态判断装置1的动作有关的设定信息的设定区域、输入装置71输入的数据、从注射成形机2获取的各种数据(机型、模具质量或材质、树脂种类等)、在注射成形机2的成形动作中检测出的各种物理量(喷嘴温度、驱动喷嘴的发动机的位置、速度、加速度、电流、电压、扭矩、模具温度、树脂流量、流速、压力等)的时序数据、经由外部存储装置(未图示)或网络读取的数据等。存储于非易失性存储器14的程序、各种数据，在执行时/使用时也可以加载到RAM 13。另外，在ROM 12中预先写入了包含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之间的交换的程序等的系统程序。
[0038] 注射成形机2作为制造由塑料等树脂成形的产品的机械，是将作为材料的树脂熔化并填充(注射)至模具内而成形的机械。注射成形机2由喷嘴、发动机(电动机等)、传动机构、减速机、可动部等各种机器构成，由传感器等检测出各部的状态，由控制装置控制各部的动作。使用于注射成形机2的发动机例如使用电动机、液压缸、液压电动机、空气电动机等。另外，使用于注射成形机2的传动机构使用滚珠丝杠、齿轮、皮带轮、皮带等。
[0039] 在存储器上读取的各数据、作为由程序等执行的结果而得到的数据以及从后述的机器学习装置100输出的数据等，经由接口17输出到显示装置70并显示。另外，由键盘、指点设备等构成的输入装置71将基于操作员的操作的指令、数据等经由接口18发送到CPU 11。
[0040] 接口21为用于连接状态判断装置1与机器学习装置100的接口。机器学习装置100具备：处理器101，其控制机器学习装置100整体；ROM 102，其存储有系统程序等；RAM 103，其用于进行与机器学习有关的各处理中的临时存储；以及非易失性存储器104，其用于存储学习模型等。
[0041] 机器学习装置100能够观测状态判断装置1经由接口21能够获取的各种信息(例如注射成形机2的机型、模具质量或材质、树脂种类等各种数据、喷嘴温度、驱动喷嘴的发动机的位置、速度、加速度、电流、电压、扭矩、模具温度、树脂流量、流速、压力等各种物理量的时序数据)。另外，状态判断装置1经由接口21获取从机器学习装置100输出的处理结果，存储或显示获取到的结果或经由网络等发送到其它装置。
[0042] 图2是第一实施方式的状态判断装置1和机器学习装置100的概要功能框图。
[0043] 本实施方式的状态判断装置1具备机器学习装置100进行学习的情况下所需的结构(学习模式)。图1示出的状态判断装置1所具备的CPU 11以及机器学习装置100的处理器101执行各系统程序，并控制状态判断装置1和机器学习装置100的各部动作，从而实现图2示出的各功能块。
[0044] 本实施方式的状态判断装置1具备数据获取部30、数值转换部32以及预处理部34，状态判断装置1所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上设置有获取数据存储部50，该获取数据存储部50存储有从外部机械等获取的数据。另外，在机器学习装置100的非易失性存储器104上设置有学习模型存储部130，该学习模型存储部130存储通过学习部110的机器学习构建的学习模型。
[0045] 数据获取部30获取从注射成形机2和输入装置71等输入的各种数据。数据获取部30例如获取注射成形机2的机型、模具质量或材质、树脂种类等各种数据、喷嘴温度、驱动喷嘴的发动机的位置、速度、加速度、电流、电压、扭矩、模具温度、树脂流量、流速、压力等各种物理量的时序数据、由操作员输入的与注射成形机2的维护作业有关的信息等各种数据，并存储到获取数据存储部50。数据获取部30在获取时序数据时，根据从注射成形机2获取的信号数据、其它时序数据的变化等，在将预定时间范围(例如一个循环的成形工序的范围)内获取的时序数据作为一个时序数据之后，存储到获取数据存储部50。数据获取部30也可以经由外部存储装置(未图示)、有线/无线的网络7从管理装置3、其它计算机获取数据。
[0046] 数值转换部32对存储于获取数据存储部50的获取数据内包含的与注射成形机2有关的时序数据进行归一化、微分等数值转换。数值转换部32也可以针对由数据获取部30获取并存储于获取数据存储部50的与注射成形机2有关的时序数据，制作将在振幅方向上出现的值的获取范围进行统一，并提取与在振幅方向、时间方向上出现的值的变化有关的特征而得的数据。
[0047] 图3示出的曲线图分别是将在注射成形机2中进行一个循环的成形工序时检测出的发动机的电流值的变化排列成三个循环量(基准工序、i工序、j工序)而例示的曲线图。
[0048] 数值转换部32例如针对从注射成形机获取的预定时间范围的时序数据(例如发动机的电流值的时序数据等)，将在基准工序中检测出的时序数据作为基准时序数据ys(数据值的系列ys1、ys2、…、ysn)，使用以下示出的式(1)计算该基准时序数据ys的均方值ysms。此外，符号n为预定时间范围内的时序数据的数据点数。
[0049]
[0050] 然后，数值转换部32使用计算出的基准时序数据ys的均方值ysms，计算使用以下式(2)对预定时间范围(例如基准工序、i工序、j工序)的时序数据y进行归一化而得的值y’。
[0051]
[0052] 此外，在数值转换部32的归一化中，代替将基准时序数据ys进行均方而得到的值，也可以使用算术平均、加权平均、几何平均、调和平均等。通过进行这种归一化，能够统一每个预定时间范围(每个循环)内获取的时序数据的最小值、最大值，期待提高在各循环中在成形工序中检测出的物理量的时序数据中与振幅方向、时间方向的特征有关的学习和估计精度。
[0053] 数值转换部32对由数据获取部30获取并存储于获取数据存储部50的与注射成形机2有关的时序数据进行微分等处理，由此也可以制作提取与时序数据中的振幅方向、时间方向上出现的值的变化有关的特征而得的数据。
[0054] 图4示出的曲线图分别是例示在注射成形机2中进行一个循环的成形工序时检测出的发动机的电流值的变化的曲线图。
[0055] 数值转换部32例如使用以下示出的式(3)，计算出从注射成形机获取的时序数据y(例如发动机的电流值的时序数据等)的微分值y’。
[0056]
[0057] 使用这种微分值进行特征提取，由此在数据中明显出现时序数据的变化，期待提高在各循环中在成形工序中检测出的物理量的时序数据中与振幅方向、时间方向的变化的特征有关的学习和估计精度。
[0058] 数值转换部32也可以将提取其它时间方向、振幅方向的特征的数值转换方法应用于时序数据。另外，数值转换部32对从注射成形机2获取的物理量的时序数据，也可以将多个数值转换方法组合应用来提取该时序数据的特征。例如，数值转换部32也可以使用式(3)对时序数据进行微分，对微分后的数据进一步进行归一化，将作为其结果而得到的数据作为用于机器学习装置100的机器学习的数据。
[0059] 预处理部34根据数值转换部32从时序数据提取特征而得的数据，制作用于机器学习装置100的学习的状态数据。预处理部34制作将从数值转换部32输入的数据转换(数值化、采样等)为在机器学习装置100中处理的统一的形式的状态数据。例如，预处理部34在机器学习装置100进行无监督学习的情况下，制作该学习中的预定形式的状态数据S，在机器学习装置100进行有监督学习的情况下，制作该学习中的预定形式的状态数据S和标签数据L的组，在机器学习装置100进行强化学习的情况下，制作该学习中的预定形式的状态数据S和判断数据D的组。
[0060] 学习部110根据数值转换部32从时序数据提取特征而得的数据，使用由预处理部34制作出的状态数据进行机器学习。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方法，使用从注射成形机2获取的数据进行机器学习，由此生成学习模型，并将所生成的学习模型存储到学习模型存储部130。作为学习部110所进行的无监督学习的方法，例如可举出自编码器(auto encoder)法、k-means法等，作为有监督学习方法，例如可举出多层感知机(multilayer perceptron)法、循环神经网络(recurrent neural network)法、长短期记忆(Long Short-Term Memory)法、卷积神经网络(convolutional neural network)法等，另外，作为强化学习方法，例如可举出Q学习等。
[0061] 学习部110例如根据数值转换部32和预处理部34将从正常进行动作的状态的注射成形机2获取的获取数据进行转换而得到的状态数据来进行无监督学习，能够作为学习模型而生成在正常状态下获取的数据的分布。使用这样生成的学习模型，后述的估计部120可以估计数值转换部32和预处理部34将从注射成形机2获取的获取数据进行转换而得到的状态数据从正常状态动作时获取到的状态数据偏离多少，计算出作为估计结果的异常度。
[0062] 另外，学习部110例如可以对从正常动作的状态的注射成形机2获取的获取数据附加正常标签，另一方面，对在发生异常前后从注射成形机2获取的获取数据附加异常标签，使用数值转换部32和预处理部34将获取数据进行转换而得到的状态数据来进行有监督学习，作为学习模型而生成正常数据与异常数据的判别边界。后述的估计部120可以使用这样生成的学习模型，将数值转换部32、预处理部34对从注射成形机2获取的获取数据进行转换而得到的状态数据输入到学习模型，估计属于正常数据还是属于异常数据，计算出作为估计结果的标签值(正常/异常)以及其可靠性。
[0063] 在具备上述结构的状态判断装置1中，数值转换部32对从注射成形机2获取的获取数据进行归一化、微分等来进行预定的特征提取，学习部110使用提取特征后的数据进行学习。这样由学习部110使用于学习的数据基于数值转换部32提取出预定特征的数据，因此，由学习部110制作的学习模型能够对提取出的特征以高精度进行估计。
[0064] 图5是第二实施方式的状态判断装置1和机器学习装置100的概要功能框图。
[0065] 本实施方式的状态判断装置1具备机器学习装置100进行估计的情况下所需的结构(估计模式)。图1示出的状态判断装置1所具备的CPU 11和机器学习装置100的处理器101执行各系统程序，并控制状态判断装置1和机器学习装置100的各部动作来实现图5示出的各功能块。
[0066] 本实施方式的状态判断装置1与第一实施方式同样地具备数据获取部30、数值转换部32以及预处理部34。状态判断装置1所具备的机器学习装置100具备估计部120。另外，在非易失性存储器14上设置有获取数据存储部50，该获取数据存储部50存储有用于机器学习装置100的状态估计的数据，在机器学习装置100的非易失性存储器104上设置有学习模型存储部130，该学习模型存储部130存储有通过学习部110的机器学习构建的学习模型。
[0067] 本实施方式的数据获取部30、数值转换部32具备与第一实施方式的数据获取部30、数值转换部32相同的功能。
[0068] 本实施方式的预处理部34根据数值转换部32对存储于获取数据存储部50的获取数据实施预定的数值转换来特征提取而得的数据，制作使用于机器学习装置100的估计的状态数据。预处理部34制作将获取到的数据转换(数值化、采样等)为机器学习装置100中处理的统一形式的状态数据。预处理部34制作机器学习装置100的估计中的预定形式的状态数据S。
[0069] 估计部120根据由预处理部34制作出的状态数据S，使用存储于学习模型存储部130的学习模型来估计注射成形机的状态。在本实施方式的估计部120中，对由学习部110生成(决定了参数)的学习模型输入从预处理部34输入的状态数据S，由此估计并计算出与注射成形机的状态有关的异常度，或估计并计算出注射成形机的动作状态所属的类(正常/异常等)。
[0070] 由估计部120估计出的结果(与注射成形机的状态有关的异常度、注射成形机的动作状态所属的类等)可以显示输出到显示装置70，或经由有线/无线网络发送输出到主机计算机、云计算机等并使用。另外，状态判断装置1在由估计部120估计出的结果变为预定的状态的情况下(例如在由估计部120估计出的异常度超过预先决定的阈值的情况下，或由估计部120估计出的注射成形机的动作状态所属的类变为“异常”的情况下等)，例如图6例示那样，可以向显示装置70进行通过警告消息、图标的显示输出，也可以对注射成形机输出运行的停止、减速或用于限制发动机的扭矩的指令等。
[0071] 在具备上述结构的状态判断装置1中，数值转换部32通过对从注射成形机2获取的获取数据进行归一化、微分等来进行预定的特征提取，估计部120使用提取出特征后的数据估计该注射成形机2的状态。存储于学习模型存储部130的学习模型用于数值转换部32根据提取预定特征而得的数据来进行估计，能够以高精度对提取出的特征部分进行估计，因此，估计部120能够进行适当的估计处理。
[0072] 图7是第三实施方式的状态判断装置1和机器学习装置100的概要功能框图。
[0073] 本实施方式的状态判断装置1具备机器学习装置100进行学习的情况下所需的结构(学习模式)。图1示出的状态判断装置1所具备的CPU 11以及机器学习装置100的处理器101执行各系统程序，控制状态判断装置1和机器学习装置100的各部的动作，来实现图7示出的各功能块。
[0074] 本实施方式的状态判断装置1与第一实施方式同样地具备数据获取部30、数值转换部32以及预处理部34。状态判断装置1所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上设置有用于存储从外部机械等获取的数据的获取数据存储部50以及定义了每个数据的数值转换内容的转换表存储部52，在机器学习装置100的非易失性存储器104上设置有学习模型存储部130，该学习模型存储部130存储有通过学习部110的机器学习构建的学习模型。
[0075] 如图8例示那样，在转换表存储部52中存储有转换表，在该转换表中，针对由状态判断装置1获取的注射成形机2的每个数据类型，定义是否进行数值转换或在进行数值转换的情况下应用哪种数值转换。本实施方式的数值转换部32在将存储于获取数据存储部50的获取数据内包含的注射成形机2的物理量的时序数据进行转换时，通过参照转换表存储部52，针对各数据决定应用哪种数值转换(或并不应用数值转换)，将所决定的数值转换应用于该数据。
[0076] 在具备上述结构的状态判断装置1中，将分别应用于从注射成形机2获取的获取数据内包含的注射成形机2的物理量的时序数据的数值转换方法预先定义到转换表，由此，根据注射成形机2的物理量的时序数据的数据类型，能够灵活且适当地应用数值转换，预期会提高机器学习装置100的学习精度。此外，将本实施方式的转换表存储部52应用于上述第二实施方式的推理模式的状态判断装置，同样也能够提高机器学习装置100的估计精度。
[0077] 以上，说明了本发明的实施方式，但是本发明并不限定于上述实施方式的示例，通过施加适当的变更，能够以各种方式实施。
[0078] 例如，在上述实施方式中，状态判断装置1与机器学习装置100作为具有不同CPU(处理器)的装置进行了说明，但是机器学习装置100也可以通过状态判断装置1所具备的CPU 11和存储于ROM 12的系统程序来实现。另外，在多个注射成形机2经由网络相连接的情况下，可以通过一个状态判断装置1判断多个注射成形机2的动作状态，也可以在注射成形机2所具备的控制装置上安装状态判断装置1。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种Web攻击检测方法、系统、介质和设备 | 2020-05-16 | 326 |
| 一种基于CSI指纹特征迁移的船载环境室内定位方法 | 2020-05-15 | 128 |
| 基于目标高度信息和色彩信息的固废在线识别方法 | 2020-05-08 | 891 |
| 车辆道路噪声辅助分析评估方法及其系统 | 2020-05-16 | 309 |
| 视频CDN盗链检测方法、装置、电子设备及存储介质 | 2020-05-17 | 472 |
| 基于深度学习的具有自适应学习率的设备故障诊断方法 | 2020-05-08 | 709 |
| 一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法 | 2020-05-16 | 744 |
| 一种视频无监督学习中的帧顺序判断方法 | 2020-05-19 | 695 |
| 一种社交媒体平台虚假信息识别方法 | 2020-05-12 | 108 |
| 基于CDBN-SVR的空气预热器转子变形软测量方法 | 2020-05-13 | 908 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
无监督学习热门专利
QQ群二维码
意见反馈
意见反馈