注模机的支持设备的制作方法

专利名称：：注模机的支持设备的制作方法
技术领域：
：本发明涉及一种用于支持操作注模机(injection-moldingmachine)的工人的支持设备。
背景技术：
：向金属铸模里注入树脂材料以制造树脂物品的注模机广泛应用于实践。在注模机中，在由工人手工输入模制条件之后开始批量生产模制。然而，模制条件根据被模制品的形状和树脂性质而不同。由于这种原因，必须在批量生产模制能够发生之前确定模制条件，并且必须进行确定模制条件的工作。确定模制条件的工作优选地由具有相当多知识和经验的熟练工人来完成。然而，如果找不到这种熟练工人，必须指派非熟练工人做确定模制条件的工作。在这种情况下，使用例如JP2001—88187A中所公开的被称作专家系统的支持系统，是有用的。换句话说，在使用专家系统时模制条件甚至能由非熟练工人得到。这里将参照图12描述JP2001—88187A中所公开的的系统。在图12中所示的系统中，由工人在输入单元101的帮助下将涉及被模制品和金属铸模的信息数据102输入到初始模制条件确定单元103。涉及注模机的机器数据105从机器数据库文件104输入、而涉及树脂材料的树脂数据107从树脂数据库文件106输入到初始模制条件确定单元103。初始模制条件确定单元103计算模制条件108。流程分析器109基于模制条件108预测在模制中或模制后出现的参数。当这种预测导致模制缺陷时，模制条件校正单元110校正模制条件。工人将该校正的模制条件108输入到流程分析器109，并重新预测在模制中和模制后出现的各种参数。工人重复一系列的步骤直到被模制品成为可接受产品。最终的模制条件是合适的模制条件108。因为流程分析器109预测在模制中和之后出现的不同参数，工人不需要真实地执行注模。这种过程是有利的，因为通过重复模制条件校正和流程分析而不执行测试注射模制(injectionmolding),能够获得更合适的模制条件并且能够消除浪费的时间和成本。换句话说，通过仅仅用输入单元101输入模制和金属铸模信息102，工人能够知道合适的注模条件108。当使用注模机执行真实的注射模制时，通过这种方式获得的合适的注模条件仍然产生模制缺陷。当产生模制缺陷时，工人不能够确定要校正多个模制条件的哪个。这是因为用于计算合适的模制条件108的过程对于工人来说是个黑箱。换句话说，从训练和提高不熟练工人的观点来说，图12中所述的系统不是有利的。基于上述考虑，在例如JP2006-123172A中提出了一种使用可视曲线图使得工人能清楚了解模制条件和被模制品之间的关系的技术。这里将参照图13描述JP2006-123172A中提出的技术。如图13所示，双曲折曲线图(birefringencegraph)121是被模制品(圆盘基片)的单一评价项，其能够被显示在提供给用于注入圆形基片的注模机的显示单元120上。双曲折曲线图121提供示于水平轴122上的从被模制品的中心到外部周边的距离和示于垂直轴123上的双曲折的描述，获得曲线124。如下方提供的，双曲折图121为模制条件的显示125，其包括"压縮开始位置"、"加热气缸温度"、"注入速率"、和"合模力"，以及与显示125相关的增大按钮126和减小按钮127。例如，工人通过按与"压縮开始位置"相关的增大按钮126或减小按钮127向上或向下移动曲线124。曲线124或者被旋转。具休而言，工人能够从视觉上了解当按下增大按钮126时双曲折曲线图121的变化方式，并且工人能够从视觉上了解当按下减小按钮127时双曲折曲线图121如何变化。因为能够从视觉上确认双曲折曲线图121，所以工人能够更迅速理解该过程。因此，很明显图13中所示的技术对工人培训是有利的。需要注意，多个模制条件相互影响。因为这个原因，即使知道了单一模制条件和单一评价项之间的关系，该知识也未必能够被令人满意地用于真实注模机的操作。该知识对于培训目的有用，但是对操作注模机无用。考虑到这种情况，需要一种支持设备，其对于培训不熟练的工人是有利的并且对操作真实注模机有用。
发明内容根据本发明，提供了一种用于支持参与操作注模机的工人的注模机支持设备，该设备包括神经网络，该神经网络将测试模制中获得无缺陷品时使用的多个模制条件用作输入项，该神经网络将通过测量无缺限物品获得的质量值用作输出项，并且该神经网络基于输入和输出项建立预测函数；第一输入设备，当从多个模制条件中选择了至少一个模制条件时，其为被选择的模制条件之外的模制条件输入固定值；计算机，用于获取由神经网络确定的预测函数、设置预测函数输出项为未知数、为预测函数的部分输入项输入固定值、为预测函数变量形式的剩余部分的输入项输入选择的模制条件、并且然后使用该预测函数计算预测质量值，该预测质量值为质量值的预测值；曲线图产生器，用于以曲线图形式产生选择的模制条件和预测质量值之间的关系；以及显示单元，用于显示由曲线图产生器产生的曲线图。因为工人能够在任何时刻看到由工人选择的模制条件和从选择的模制条件预测的预测质量值之间的关系，所以能够通过改变模制条件视觉地观察质量值变化的方式。因为该过程基于视觉确认，所以对非熟练工人的培训效果增强。因为使用基于测试模制数据确定的预测函数计算该值，所以能够以高可靠性将该预测质量值应用于批量生产模制。因此，根据本发明，能够提供一种支持设备，其有利于培训非熟练工人并有利于操作真实注模机。优选地，该支持设备还包括第二输入设备，其由用户使用以输入目标质量值，该目标质量值是质量的目标值；和曲线图校正单元，其用于基于用第二输入设备输入的目标质量值校正曲线图。对应于由工人输入的目标质量值校正曲线图。参照曲线图中的变化，工人能够改变模制条件。工人能够在任何时刻查看对应于由工人自己指定的目标质量值的模制条件。仍然优选地，当存在多个选择的模制条件时，在显示单元上显示多个曲线图。该多个模制条件相互影响。然而，通过显示多个曲线图，工人能够容易清楚模制条件之间的关系。仍然优选地，该质量值为产品重量。产品重量是各种质量值间的最重要的值，并且通过保持产品重量恒定能够节省树脂材料。以下将参照附图仅以举例的方式描述本发明的某些优选实施例，其中图1是示出根据本发明的结合注模机支持设备的注模机的框图；图2是示出包括在支持设备中的神经网络(neuralnetwork)的基本理论的视图3A和3B是示出显示在支持设备中包括的显示单元上的消息示例的示图4是示出支持设备中包括的计算机的效果的示图；图5是显示在显示单元上的曲线图的视图；图6A和6B是示出涉及曲线图校正的消息示例的视图；图7是校正的曲线图的视图8A和8B是示出显示的消息的其它示例的视图9是示出校正的曲线图的另一示例的视图IO是示出显示消息的另一示例的视图11是示出校正的曲线图的另一示例的视图12是示出常规支持系统的基本原理的视图；以及图13是示出使用常规曲线图的支持系统的基本原理的视图。具体实施例方式如图1中所示，注模机10主要包括夹持金属铸模11的合模设备12，和将树脂注入到金属铸模ll中的注射设备13，并且还包括支持设备20。支持设备20是支持参与操作注模机10的工人的设备，包括神经网络21，该神经网络将测试模制中获得无缺陷品时使用的多个注模条件用作输入项，该神经网络将测量无缺陷品获得的质量值用作输出项，并且该神经网络基于输入和输出项建立预测函数；第一输入设备22，当从多个模制条件选择了至少一个模制条件时，其用于输入除所选择的模制条件之外的模制条件的固定值；计算机23，用于获取由神经网络确定的预测函数、设置预测函数输入项为未知数、为预测函数的部分输入项输入固定值、为预测函数的变量形式的剩余部分输入项输入选择的模制条件、并且然后使用该预测函数计算预测质量值，该预测质量值为质量值的预测值；曲线图产生器24，用于以曲线图形式产生选择的模制条件和预测质量值之间的关系；以及显示单元25，用于显示由曲线图产生器产生的曲线图。以下详细描述构成元件。在图2中所示的神经网络中，测试模制中使用的用于模制条件的输入项31、32、及33例如是由螺杆(screw)的正向速率定义的注入速率V;V-P切换位置S，被定义为从速率控制切换到基于注入压力的压力控制时的切换位置，其中速率控制中螺杆的运动控制的模式是基于注入速率的；以及保持的压力P，被定义为当刚注入后腔内压力保持不变时所保持的压力。通过使用已经针对每个输入和阈值建立的加权系数处理输入项31、32、及33确定中间层41的值。通过使用已经针对每个输入和另一个阈值建立的加权系数处理输入项31、32、及33确定中间层42的值。中间层43和44以同样的方式确定。通过使用已经针对又一个阈值和中间层41至44的每个建立的加权系数处理中间层41至44的值确定输出项51。输出项51是测量的质量值，例如产品重量w。神经网络是一种函数，因此输入项31至33及输出项51能够是己知量，而函数中的阈值和加权系数能够是未知量。换句话说，给出了输入项31、32、及33的模制条件和针对输出项51测得的产品重量。在校正加权系数和阈值时，计算机重复地执行计算直到输出项51与测得的产品重量相配。当输出项51与测得的产品重量足够一致时，确定加权系数和阈值。此时，选择V-P切换位置S、保持的压力P、及注入速率V作为三个输入项。为V-P切换位置S确定五个值Sl到S5。例如，Sl为6.81mm，S2为7.06mm，S3为7.31mm，S4为7.56mm，以及S5为7.81mm。为保持的压力P确定五个值P1到P5。例如，Pl为79.7MPa，P2为80.2MPa，P3为80.7MPa，P4为81.2MPa，以及P5为81.7MPa。为注入输率V确定五个值VI至ljV5。例如，Vl为33.8mm/s，V2为34.6mm/s，V3为35.3mm/s，V4为36.1mm/s，以及V5为36.8mm/s。将上述模制条件输入到注模机，保持其它模制条件恒定，通过组合执行多个测试模制，并且测量得到的被模制品的重量(产品重量)。下表示出了测试模制中的模制条件和测得的产品重量。表1<table>tableseeoriginaldocumentpage8</column></row><table><table>tableseeoriginaldocumentpage9</column></row><table>测试模制实验数目为3要素x5类型和125(5x5x5=125)种可能性，但是如上表所示可能性限制为25(25个实验)。为图2中所示的输入项31到33输入编号为1的实验中记录的V-P切换位置S1、保持的压力P1、以及注入速率V1，为输出项51输入产品重量6.6598g，并计算神经网络函数。然后，为图2中所示的输入项31到33输入编号为2的实验中记录的V-P切换位置S2、保持压力P2、以及注入速率V2，对输出项51输入产品重量6.6546g，并计算神经网络函数。上述过程还用于编号3到25的实验。换句话说，通过重复计算25次，能够提高函数的确定性。通过上述过程确定预测函数(神经网络函数)。这样确定的预测函数存储在图1中的计算机23中。图1中所示的第一输入设备22的作用将在接下来的示图中得到描述。第一输入设备22为触摸板、鼠标和/或键盘等。具体地，当消息显示在显示单元25上时，工人使用第一输入设备22输入数字值和指令。如图3A中所示，消息显示在显示单元25上。多个模制条件是V-P切换位置、保持的压力、以及注入速率，并且因此显示这些条件。排列出值框(valueboxes),并经由第一输入设备选择注入速率。这时，显示单元25的显示内容变为图3B中示出的显示内容。具体地，显示未选择的模制条件。排列出加括号的数值和长方形框。加括号的数值显示为表1中使用的数值范围内，具体为用于学习的数值范围。工人参照加括号的数值输入值，例如，在V-P切换位置项中输入"7.01"及在保持的压力项中输入"79.7"。使用上述过程能够固定未选择的模制条件。将预测函数(神经网络函数)、V-P切换位置"7.01"、以及保持的压力"79.7"给图1中的计算机23。接下来，将描述计算机23的操作。如图4中所示，在计算机中，将"7.01"作为固定值给予输入项32，而将"79，7"作为固定值给予输入项33。然后，将注入速率作为变量给予输入项31。具体地，注入速率值的学习范围，即33.8至lj36.8被细分并给出为33.80，33.81，33.82，…，36.79，和36.90。使用预测函数(神经网络函数)对输出项51计算每个单个变量的单个产品重量。在图1中的曲线图产生器24中产生曲线图，该曲线图中，注入速率表示在水平轴(x轴)上而产品重量表示在垂直轴(y轴)上。产生的曲线图显示在显示单元25上。在接下来的示图中将描述显示单元25的显示示例。如图5中所示，曲线图产生器24中产生的曲线图53显示在显示单元25上。选择的模制条件、V-P切换位置的固定值、以及保持的压力的固定值也显示在显示单元25上。接下来将描述图1的第二输入设备26的作用。第二输入设备26也是触摸板、鼠标和/或键盘等。具体地，当在显示单元25上显示消息时，工人使用第二输入设备26输入数字值和指令。第二输入设备26可以兼作第一输入设备22。在本例中，为描述方便，分别地提供输入设备。如图6A中所示，在显示单元25上显示询问是否指定目标质量值的消息。当选择"不指定"时，过程回到图5。在本例中，工人选择了"指定"。如图6B中所示，此时显示产品重量字符(数字值范围)和长方形值框。数字值范围(6.6345到6.6742)与表1中最右列中记录的范围一致。参照加括号的数字，工人输入值，例如"6.6540"。此时，图1的曲线图校正单元27如接下来的示图中所示校正曲线图。如图7中所示，将与指定值6.6540对应的水平线54添加到曲线图53，并且从水平线54与曲线相交的点向下加入垂直线55。垂直线55在刻度位置34.62处与x轴相交。作为目标质量值的产品重量6.6540g和作为指定的模制条件的注入速率34.62mm/s也显示在显示单元25的下部。换句话说，如果期望的产品重量为6.6540g，推荐注入速率为34.62mm/s，工人能够基于该消息设定注入速率并执行注入模制。省略了详细描述，但是图7中，工人能够手动改变数字值"7.01"、"79.7"、和/或"6.6540"。根据工人的手动修改改变曲线图53和注入速率的数字值。因此，当任何数字值改变任何量时，工人能够容易洞悉作为具体的模制条件的注入速率的数字值改变的方式。此外，如表1和图2中所示，因为模制基于测试模制的真实结果，所以数字值能够充分反映在批量生产模制中。下面将描述本发明的改进的技术。如图8A中所示，新的消息显示在显示单元25上。多个模制条件为V-P切换位置、保持的压力、以及注入速率，并且因此显示这些条件。排列出值框并经由第一输入设备选择V-P切换位置和注入速率。此时，显示单元25的显示内容变为示于图8B中的内容。具体地，显示未选择的模制条件。排列出加括号的数字和长方形框。加括号的数字作为表1中使用的数字值的学习范围而显示。参照加括号的数字，工人在保持的压力项中输入值，例如"79.7"。如图9中所示，此时，曲线图53和56显示在显示单元25上。选择的模制条件(注入速率和V-P切换位置)和作为保持压力的固定值的值79.7也显示在显示单元25上。此外，将与指定值6.6540对应的水平线54添加到曲线图53和56，并且从水平线54与曲线相交的点向下加入垂直线55和垂直线57。垂直线55在刻度位置34.62处与x轴相交，垂直线57在刻度位置7.01处与x轴相交。作为目标质量值的产品重量6.6540g和作为指定的模制条件的注入速率34.62mm/s和V-P切换位置7.01mm也显示在显示单元25的下部。如果期望的重量为6.6540g，推荐注入速率34.62mm/s和V-P切换位置7.01mm，工人能够基于该消息设定注入速率并执行注入模制。省略详细描述，但是图9中，工人能够手动改变数字值"79.7"、和/或"6.6540"。根据工人的手动修改改变曲线图53和56，并由此改变注入速率和V-P切换位置的数字值。因此，当任何数字值改变任何量时，工人能够洞悉作为具体的模制条件的注入速率的数字值和V-P切换位置的数字值改变的方式。接下来描述输入模制条件范围外的数字值的能力。如图10中所示，加括号的V-P切换位置的数字值为6.81到7.81，但是能够输入小于该范围的值，例如"6.57"。以同样的方式，加括号的保持的压力的数字值为79.7到81.7，但是能输入小于该范围的值，例如"79.2"。如图11中所示，作为上述输入的结果，曲线图53A的曲线整体上移。图53A中，点P01和P02之间的范围是用于学习的范围(表l的注入速率的范围)。通过基于图10中的要求进行外插(extrapolation),图1中的曲线图产生器24延伸曲线图53A的曲线。具体地，在图11中的曲线图53A中，延伸点P01左边的虚曲线并延伸点P02右边的虚曲线。基于也能够在点P01和P02之外适用的假定，外插延伸了点P01和P02之间的曲线的趋势。由于是假定，通过外插向外延伸的部分的可靠性降低了。因此，使用虚线绘出外插的部分。基于作为目标质量值的产品重量6.6540绘出水平线54和垂直线55。垂直线在33.71处与x轴相交。该值33.71显示在屏幕的右下方。以这种方式，即使当输入的数字值超过范围时，也能够绘图并且计算具体的模制条件。除了作为模制条件的注入速率、V-P切换位置、和保持的压力外，作为模制条件，其它项包括注入时间、冷却时间、及涉及到模制循环的其它项、以及螺杆旋转速度、背压(backpressure)、加热气缸温度、和其它塑化条件。还有，除了产品重量外，质量值可以是尺度、翘曲(warping)、双曲折、或另一种可测量值。权利要求1、一种用于支持参与操作注模机(10)的工人的注模机支持设备(20)，所述设备包括神经网络(21)，所述神经网络将测试模制中获得无缺陷品时使用的多个模制条件用作输入项，将测量所述无缺陷品获得的质量值用作输出项，并且基于所述输入和输出项建立预测函数；第一输入设备(22)，当已经从所述多个模制条件选择了至少一个模制条件时，其为除所选择的模制条件之外的模制条件输入固定值；计算机(23)，用于获取由所述神经网络确定的预测函数、设置所述预测函数的所述输出项为未知数、为所述预测函数的部分所述输入项输入固定值、为所述预测函数的变量形式的剩余部分的所述输入项输入所选择的模制条件、并且然后使用该预测函数计算预测质量值，所述预测质量值为所述质量值的预测值；曲线图产生器(24)，用于以曲线图形式产生所选择的模制条件和所述预测质量值之间的关系；以及显示单元(25)，用于显示由所述曲线图产生器产生的所述曲线图。2、如权利要求1所述的支持设备，其中，所述支持设备还包括由工人使用以输入作为所述质量的目标值的目标质量值的第二输入设备，以及用于基于用所述第二输入设备输入的所述目标质量值校正所述曲线图的曲线图校正单元(27)。3、如权利要求1所述的支持设备，其中，当存在多个所选择的模制条件时，在所述显示单元上显示多个曲线图。4、如权利要求1所述的支持设备，其中，所述质量值为产品重全文摘要一种用于支持参与操作注模机(10)的工人的设备(20)包括神经网络(21)，在其中基于测试模制确定预测函数。工人用第一输入设备(22)以固定值形式输入多个模制条件的部分，由此获得多个模制条件的剩下部分和预测质量值的关系曲线图，在其中预测了被模制品的质量。文档编号B29C45/76GK101168282SQ200710167920公开日2008年4月30日申请日期2007年10月26日优先权日2006年10月27日发明者山极佳年,岩下英纪,盐入隆仁申请人:日精树脂工业株式会社