本发明涉及一种基于注塑成型机的动作状态来判定该注塑成型机所涉及的异常状态并辅助该注塑成型机的维护的状态判定装置。
背景技术：
注塑成型机的维护是定期或者产生异常时进行。作为在注塑成型机的维护时判定注塑成型机的状态的方法之一，有以下方法：使用注塑成型机制造成型品的注塑成型周期中的模具开闭动作或成型品推出动作中，将对应时间或者可动部的位置来驱动上述可动部的电动机的负荷状态作为基准负荷，并以预定的采样周期记录到存储器等，而且，使该记录的上述基准负荷和实际的电动机负荷对应时间或者可动部的位置而依次比较，根据其偏差是否超过预先设定的阈值来判定模具开闭动作或推出动作是正常还是异常。这样，在维护注塑成型机时，通过利用在注塑成型机的动作时记录的表示注塑成型机的动作状态的物理量，来判定注塑成型机的注塑动作的状态。
作为判定注塑成型机的状态的现有技术，例如在日本特开2001－30326号公报、日本特开2001－38775号公报中公开了将进行了正常的模具开闭动作或推出动作的至少过去1次相对应的量的负荷或者通过计算多次的动作的移动平均值所得到的负荷作为基准负荷设定的技术。
然而，从注塑成型机获取的数据被记录为以下两种数据：按成型周期以预定的采样周期获取的采样数据(离散时间序列数据)和按成型周期1次获取的数据。
例如，图9A～9C是记录注塑成型机的注塑工序中的塑化螺杆驱动用电动机的转矩的例子，图9A表示某动作设定(条件A)下的电动机的时间－转矩曲线，图9B表示以相同的部件变更动作设定(条件B)时的电动机的时间－转矩曲线，图9C表示条件A下部件损耗时的电动机的时间－转矩曲线的例子。这些图9A～9C所示的数据作为按成型周期以预定的采样周期获取的采样数据来进行记录。
另外，表示动作设定的各设定值或树脂的性质的值等作为按成型周期1次获取的数据来进行记录。
这里，如图9A以及图9B所示，虽然按成型周期以预定的采样周期获取的采样数据在成型周期中的注塑工序的动作条件不同的情况下(图9A和图9B)曲线的形状大多类似，但是由于注塑工序的时间根据动作设定而有所不同，所以如果以相同的采样周期获取则所得到的时间方向的数据个数不同。因此，产生如下注塑成型机特有的问题，即，在采样数据中从获取开始时刻起第i个值表示什么，按动作条件不同的成型周期而有所不同，从而在为了判定注塑成型机的状态而观察各个的成型周期中获取的采样数据的情况下，若直接使用采样数据则不能正确地判定注塑成型机的状态。这样的问题例如在各成型周期间的采样数据的比较中较为显著。例如，如果发生部件的损耗，则如图9A以及图9C所示，即使是相同的动作条件，曲线的形状也会变化，但是如果在图9A与图9C(动作条件为条件A)中比较则能够容易判定曲线的形状的变化，但是即使比较图9B与图9C(动作条件中条件B与条件A不同)也不能容易地判定曲线的形状的变化。
另外，注塑成型机的生产大多为多品种，即使是一个机械，根据生产对象而条件较大不同情况也十分显著，从而也存在难以对这些采样数据全部以相同的方式进行处理的注塑成型机特有的问题。
技术实现要素：
因此本发明的目的在于，提供一种无论注塑成型机的动作条件或生产对象如何，基于所获取的数据就可以判定注塑成型机的状态的状态判定装置。
本发明的状态判定装置设置有对从注塑成型机获取的该注塑成型机的成型动作所涉及的信息进行预处理的预处理部，通过该预处理部，在表示注塑成型机的动作状态的信息内，对根据动作条件而在数据个数或尺度等发生变化的数据进行调整，通过将该调整后的数据作为用于机器学习或数据分析的输入从而解决上述问题。
本发明的状态判定装置基于注塑成型机的动作状态，判定该注塑成型机所涉及的异常的状态。
本发明的状态判定装置的第1方式，具备：预处理部，其对在上述注塑成型机的动作状态所涉及的数据中包含的时间序列数据中的至少一个数据执行预处理；以及机器学习装置，其学习相对于上述注塑成型机的动作状态的上述注塑成型机的异常所涉及的状态。并且，上述机器学习装置具备：状态观测部，其将表示上述注塑成型机的动作状态的、包含由上述预处理部预处理过的数据的注塑数据作为表示环境的当前状态的状态变量来进行观测；标签数据获取部，其获取表示上述注塑成型机的异常所涉及的状态的标签数据；以及学习部，其将上述状态变量与上述标签数据关联起来进行学习。
上述状态判定装置还可以具备设定了上述注塑成型机的动作状态所涉及的固定的内部参数的内部参数设定部，而且上述状态观测部也可以构成为将表示上述注塑成型机的动作状态的、包含由上述预处理部预处理过的数据的注塑数据、以及上述内部参数作为表示环境的当前状态的状态变量进行观测。
也可以在上述内部参数设定部中设定多个内部参数，并能够将上述多个内部参数中的一个选择为作为上述状态变量而被进行观测的内部参数。
上述学习部可以具备：误差计算部，其对根据上述状态变量来判定上述注塑成型机的异常所涉及的状态的相关性模型、与从预先准备的监督数据中识别的相关性特征的误差进行计算；以及模型更新部，其以缩小上述误差的方式更新上述相关性模型。
上述学习部也可以构成为以多层构造对上述状态变量和上述标签数据进行运算。
上述状态判定装置还可以具备对基于上述状态变量和上述学习部的学习结果而判定的上述注塑成型机的异常所涉及的状态进行输出的判定输出部。
上述判定输出部也可以构成为在由上述学习部判定的上述注塑成型机的异常所涉及的状态超过预先设定的阈值的情况下输出警告。
上述预处理也可以是对上述注塑成型机的动作状态所涉及的数据中包含的时间序列数据中的至少一个数据进行补全或者进行提取或者进行两者的组合调整上述时间序列数据的输入个数的处理。
上述注塑成型机的动作状态所涉及的数据也可以是利用上述注塑成型机的驱动部或者可动部的负荷、驱动部或者可动部的速度、驱动部或者可动部的位置、对驱动部的指令值、压力、锁模力、温度、每个成型周期的物理量、成型条件、成型材料、成型品、注塑成型机的结构部件的形状、注塑成型机的结构部件的变形、动作声音、图像中的至少一个而得到的值。
为了进行基于上述学习部的对上述注塑成型机的异常所涉及的状态的判定，可以使上述注塑成型机进行预先决定的预定的动作。另外，也可以是自动或者根据作业者的要求来进行用于进行上述判定的预先决定的预定的动作。另外，还可以对进行了用于进行上述判定的预先决定的预定的动作的日期时间进行存储，在从上述存储的日期时间起经过了一定期间的情况下输出信息。
上述状态判定装置也可以构成为上述注塑成型机的控制装置的一部分。
上述状态判定装置也可以构成为经由网络对多个上述注塑成型机进行管理的成型机管理装置的一部分。
本发明的状态判定装置的第2方式，具备：预处理部，其对在上述注塑成型机的动作状态所涉及的数据中包含的时间序列数据中的至少一个数据执行预处理；机械学习装置，其具有学习相对于上述注塑成型机的动作状态的上述注塑成型机的异常所涉及的状态的学习部。而且，上述机器学习装置具备：状态观测部，其将表示上述注塑成型机的动作状态的、包含由上述预处理部预处理过的数据的注塑数据作为表示环境的当前状态的状态变量进行观测；以及判定输出部，其对基于上述状态变量和上述学习部的学习结果而判定的上述注塑成型机的异常所涉及的状态进行输出。
根据本发明，无论注塑成型机的动作条件或生产对象如何都可以基于获取的数据来判定注塑成型机的状态。
附图说明
图1是第1实施方式的状态判定装置的概略的功能框图。
图2是表示状态判定装置的一方式的概略的功能框图。
图3A是说明构成神经网络的神经元的图。
图3B是说明神经网络的图。
图4是第2实施方式的状态判定装置的概略的功能框图。
图5是表示状态判定装置的其他的方式的概略的功能框图。
图6是表示注塑成型系统的一方式的概略的功能框图。
图7是表示注塑成型系统的其他的方式的概略的功能框图。
图8是表示具备成型机管理装置的注塑成型系统的一方式的概略的功能框图。
图9A是对以动作条件A进行动作的注塑成型机的注塑工序中的塑化螺杆驱动用电动机的转矩曲线进行例示的图。
图9B是对以动作条件B进行动作的注塑成型机的注塑工序中的塑化螺杆驱动用电动机的转矩曲线进行例示的图。
图9C是对以动作条件A进行动作的部件损耗的注塑成型机的注塑工序中的塑化螺杆驱动用电动机的转矩曲线进行例示的图。
具体实施方式
以下示出用于实现本发明的状态判定装置的结构例。但是，本发明的状态判定装置的结构不限于下述的例子，只要能够实现本发明的目的，可以采用任何结构。
图1是表示第1实施方式的状态判定装置的概略的结构的功能框图。
状态判定装置10例如可以作为控制注塑成型机的控制装置或以有线/无线的通信线路连接为能够与注塑成型机进行数据通信的PC等来进行实际安装。该状态判定装置10具备：对从注塑成型机获取的数据实施预处理的预处理部12；设定了固定的内部参数值的内部参数设定部14；以及包含用于针对注塑成型机的异常所涉及的状态，通过所谓的机器学习而自己学习的软件(学习算法等)以及硬件(计算机的CPU等)的机器学习装置20。
状态判定装置10所具备的机器学习装置20学习的注塑成型机的异常所涉及的状态相当于表示注塑成型机的动作状态(从注塑成型机获取的注塑数据)与该动作状态下的注塑成型机的异常所涉及的状态(异常的有无，有异常的位置等)的相关性的模型构造。
如图1的功能块所示，状态判定装置10具备的机器学习装置20具备：状态观测部22，其将包含从注塑成型机(未图示)获取的表示注塑成型机的动作状态的注塑数据S1以及内部参数S2的环境的当前状态作为状态变量S进行观测；标签数据获取部24，其获取表示注塑成型机的异常所涉及的状态的标签数据L；以及学习部26，其利用状态变量S和标签数据L将标签数据L与注塑数据S1以及内部参数S2关联起来进行学习。
预处理部12例如能够构成为计算机的CPU的一个功能。或者状态观测部22例如能够构成为用于使计算机的CPU发挥功能的软件。预处理部12对从注塑成型机或者安装于注塑成型机的传感器得到的数据、使用或者变换该数据而得到的数据、以及输入到注塑成型机的数据等的至少一个数据进行预处理，将预处理后的数据输出至状态观测部22以及标签数据获取部24。对于成为进行预处理的对象的数据以外的数据，预处理部12不进行预处理而直接转给机器学习装置20。预处理部12进行的预处理例如举出采样数据的数据个数的调整。这里所说的采样数据的数据个数的调整是组合了基于移动平均、数据的抽稀、或部分提取的数据个数的减少，或者基于中点插值、或者固定值追加的数据数的增加的处理。也可以在预处理部12进行的预处理中组合一般的标准化等的针对缩放的处理。
从注塑成型机获取的数据中有以下这两种数据按成型动作以预定的采样周期获取的采样数据和按成型动1次获取的数据，另外，由于根据动作设定即使是相同的成型动作的工序(例如合模动作)从开始到结束的所需时间不同，因此即使采样数据是在相同的采样周期获取的，在相同动作期间得到的数据个数也不同。
预处理部12通过在注塑成型机的机器学习中调整采样数据的数据个数并传递给状态观测部22以及标签数据获取部24，由此具有针对动作设定的多样性来维持/提高机器学习装置20的机器学习的精度的作用。
内部参数设定部14例如能够构成为计算机的CPU的一功能。或者内部参数设定部14例如能够构成为用于使计算机的CPU发挥功能的软件。内部参数设定部14将输入到机器学习装置20的值中被固定地输入的值的序列作为内部参数以数据表格或文件等形式进行存储，在机器学习装置20的学习时等输出该存储的内部参数。这里所说的内部参数(输入到机器学习装置20的值中被固定地输入的值的序列)是例如在基于不同树脂的动作中分别求出的参数序列、在基于不同金属模具的动作中分别求出的参数序列、在不同机械规格的动作中分别求出的参数序列等，根据注塑成型机的设定或动作的环境等而决定的值中，在成型动作中不变化的值的序列。内部参数也可以是预先、或者在任意的时刻使用机器学习求出的值。
状态观测部22例如能够构成为计算机的CPU的一个功能。或者状态观测部22例如能够构成为用于使计算机的CPU发挥功能的软件。状态观测部22观测的状态变量S中，注塑数据S1可以使用表示注塑成型机的动作状态的数据，其中例如包含通过预处理部12对从注塑成型机或者附加于注塑成型机的传感器得到的数据、利用或者变换该数据而得到的数据进行了数据个数等的调整的预处理后的数据。注塑数据S1例如可以使用成型动作中的注塑工序时的塑化螺杆驱动用电动机的转矩(电流、电压)、螺杆的动作速度/位置、动作声音、通过附加于金属模具的传感器检测到的压力等。
另外，状态观测部22观测的状态变量S中，内部参数S2使用从内部参数设定部14输入的数据。
标签数据获取部24例如能够构成为计算机的CPU的一个功能。或者标签数据获取部24例如能够构成为用于使计算机的CPU发挥功能的软件。标签数据获取部24获取的标签数据L例如可以使用预处理部12对报告数据进行预处理后的数据，所述报告数据是由熟练的作业者进行针对注塑成型机的判定，在作业者判定为该注塑成型机有异常的情况下进行报告并赋予状态判定装置10的与注塑成型机的异常相关的数据。
标签数据L只要是能够判定从基准状态起的变化的数据即可，例如可以使用螺杆或正时皮带、轴承等部件的损耗量、金属模具的损耗量、预测寿命等。标签数据L表示状态变量S下的注塑成型机的异常所涉及的状态。
这样，在状态判定装置10所具备的机器学习装置20进行学习的期间、环境中，施行基于注塑成型机的成型动作的实施、基于传感器等的注塑成型机的动作状态的测定、基于熟练者的注塑成型机的异常的状态的判定。
学习部26例如能够构成为计算机的CPU的一个功能。或者学习部26例如能够构成为用于使计算机的CPU发挥功能的软件。学习部26按照统称为机器学习的任意的学习算法，学习相对于注塑成型机的动作状态的注塑成型机的异常所涉及的状态。学习部26对于注塑成型机的多个成型动作，可以反复执行基于包含前述的状态变量S和标签数据L的数据集合的学习。
通过重复这样的学习周期，学习部26可以自动地识别对注塑成型机的注塑动作所涉及的数据(注塑数据S1)以及内部参数S2与该注塑成型机的异常所涉及的状态的相关性进行暗示的特征。在学习算法的开始时实际上不知道注塑数据S1、以及内部参数S2与注塑成型机的异常所涉及的状态的相关性，但是学习部26随着进行学习渐渐识别特征并解释相关性。若注塑数据S1以及内部参数S2与注塑成型机的异常所涉及的状态的相关性被解释到一定程度上能够信赖的水准，则学习部26反复输出的学习结果能够使用于相对于当前的动作状态应当如何判定注塑成型机的异常所涉及的状态这样的行动的选择(换句话说就是意思决定)。换句话说，学习部26能够随着学习算法的进行，使注塑成型机的当前的动作状态、与相对于该当前的动作状态应当如何判定该注塑成型机的异常所涉及的状态这样的行动的相关性逐渐接近为最佳。
如上所述，在状态判定装置10具备的机器学习装置20中，学习部26使用状态观测部22观测到的状态变量S和标签数据获取部24所获取的标签数据L，按照机器学习算法，学习相对于注塑成型机的当前的动作状态的注塑成型机的异常所涉及的状态。该学习中使用的状态变量S由注塑数据S1以及内部参数S2这样的难以受到干扰的影响的数据构成，另外标签数据L基于熟练的作业的报告数据而被明确地求出。因此，根据状态判定装置10具备的机器学习装置20，使用学习部26的学习结果，由此不靠运算或估算就能够自动且正确地进行与注塑成型机的动作状态相对应的该注塑成型机的异常所涉及的状态的判定。
如果不靠运算或估算就能够自动地进行注塑成型机的异常所涉及的状态的判定，则只要在注塑成型机的成型动作中实际测量并获取该注塑成型机的动作状态，就能够迅速地决定该注塑成型机的异常所涉及的状态。因此，可以缩短注塑成型机的异常所涉及的状态的判定上花费的时间。另外，作业者可以基于状态判定装置10所判定的内容来判断注塑成型机是否正常，或者容易地进行维护的计划、维护部件的准备等。
作为状态判定装置10的一变形例，也可以是内部参数设定部14将多个内部参数的序列以数据表格或文件的形式保持，根据注塑成型机中执行的成型动作，将作业者所选择的多个内部参数的序列中的一个内部参数的序列输出给机器学习装置20。内部参数设定部14对机器学习装置20输出的内部参数的序列的选择也可以是基于对注塑成型机设定的成型动作所涉及的值或检测出的值等，由注塑成型机或者状态判定装置10自动地选择。
本发明的状态判定装置由于具备上述结构，因此可以构建针对广泛的成型动作的条件能够通用地使用的机器学习模型，从而能够期待比较容易地提高机器学习模型的判定精度的效果。另外，作为机器学习的特征，为了针对某条件下的成型而提高机器学习模型的判定精度，可以以前述的条件下的状态变量进行机器学习的再学习，求出新的内部参数，变更参数。另一方面，由于通过再学习得到的新的参数在该条件下被最佳化，因此有可能在成型动作的条件变化时反而有损判定的精度。因此，例如作为通用的参数序列和再学习更新用的参数序列、或者其它的条件的参数序列等，可以根据成型动作或金属模具的变更切换，而针对成型动作的变更灵活地应对。
作为状态判定装置10具备的机器学习装置20的一个变形例，学习部26可以使用对具有相同结构的多个注塑成型机分别得到的状态变量S以及标签数据L，来学习相对于这些注塑成型机的各自的动作状态的该注塑成型机的异常所涉及的状态。根据该结构，由于可以增加包含一定时间内得到的状态变量S和标签数据L的数据集合的量，所以可以将更多样的数据集合作为输入，并提高相对于注塑成型机的动作状态的该注塑成型机的异常所涉及的状态的学习的速度和可靠性。
在具有上述结构的机器学习装置20中，学习部26执行的学习算法没有特别限定，作为机器学习能够采用公知的学习算法。图2是图1所示的状态判定装置10的一个方式，示出具备作为学习算法的一个例子执行监督学习的学习部26的结构。监督学习是预先大量地赋予输入和与其对应的输出的已知的数据集(称为监督数据)，通过从这些监督数据中识别出对输入与输出的相关性进行暗示的特征，从而学习用于推断相对于新的输入的所需要的输出的相关性模型(图1以及图2所示的机器学习装置20的情况下，相对于注塑成型机的动作状态的该注塑成型机的异常所涉及的状态)的方法。
在图2所示的状态判定装置10具备的机器学习装置20中，学习部26具备：误差计算部32，其对根据状态变量S引导注塑成型机的异常所涉及的状态的相关性模型M与从预先准备的监督数据T中识别的相关性特征的误差E进行计算；以及模型更新部34，其以缩小误差E的方式来更新相关性模型M。学习部26通过模型更新部34重复相关性模型M的更新来学习相对于注塑成型机的动作状态的该注塑成型机的异常所涉及的状态。
相关性模型M可以通过回归分析、强化学习、深层学习等构建。相关性模型M的初始值例如是将状态变量S和注塑成型机的异常所涉及的状态的相关性简单化来表现的值，并在监督学习的开始前提供给学习部26。监督数据T例如能够通过对相对于过去的注塑成型机的动作状态的该注塑成型机的异常所涉及的状态进行记录而由此积蓄的经验值(注塑成型机的动作状态和该注塑成型机的异常所涉及的状态的已知的数据集)来构成，并在监督学习的开始前提供给学习部26。误差计算部32从提供给学习部26的大量的监督数据T识别对相对于注塑成型机的动作状态的该注塑成型机的异常所涉及的状态的相关性进行暗示的相关性特征，并求出该相关性特征与对应于当前状态的状态变量S的相关性模型M的误差E。模型更新部34例如按照预先决定的更新规则，使相关性模型M向误差E变小的方向更新。
在下一个学习周期中，误差计算部32使用由注塑成型机按照更新后的相关性模型M执行成型动作而由此得到的状态变量S以及标签数据L，关于与对应这些状态变量S以及标签数据L相对应的相关性模型M求出误差E，模型更新部34再次更新相关性模型M。这样，未知的环境的当前状态(注塑成型机的动作状态)与针对其的状态的判定(注塑成型机的异常所涉及的状态的判定)的相关性将逐渐变得清楚。换句话说，通过相关性模型M的更新，注塑成型机的动作状态与该注塑成型机的异常所涉及的状态的关系逐渐接近最佳。
在进行前述的监督学习时，例如可以使用神经网络。图3A示意性地表示构成神经网络的神经元的模型。图3B示意性地表示组合图3A所示的神经元而构成的三层的神经网络的模型。神经网络例如能够由模拟神经元的模型的运算装置或存储装置等构成。
图3A所示的神经元输出针对多个输入x(这里作为一个例子，输入x1～输入x3)的结果y。对各输入x1～x3乘以与该输入x对应的权重w(w1～w3)。由此，神经元输出以下述数学式(1)表现的输出y。此外，数学式(1)中，输入x、输出y以及权重w都是矢量。另外，θ是偏差，fk是激活函数。
图3B所示的三层的神经网络从左侧输入多个输入x(这里作为一个例子为输入x1、x2、输入x3)，从右侧输出结果y(这里作为一个例子为结果y1、y2、y3)。图示的例子中，对输入x1、x2、x3分别乘以对应的权重(统称为w1)，各个输入x1、x2、x3均被输入到3个神经元N11、N12、N13。
图3B中，将神经元N11、N12、N13的各自的输出统称为z1。z1可以视为提取输入矢量的特征量的特征矢量。图示的例子中，对特征矢量z1分别乘以对应的权重(统称为w2)，各个特征矢量z1都被输入到2个神经元N21、N22。特征矢量z1表示权重w1与权重w2间的特征。
图3B中，将神经元N21、N22的各自的输出统称为z2。z2可以视为提取特征矢量z1的特征量的特征矢量。图示的例子中，对特征矢量z2分别乘以对应的权重(统称为w3)，各个特征矢量z2都被输入到3个神经元N31、N32、N33。特征矢量z2表示权重w2与权重w3的之间的特征。最后神经元N31、N32、N33分别输出结果y1、y2、y3。
在状态判定装置10具备的机器学习装置20中，将状态变量S作为输入x，学习部26通过进行按照上述的神经网络的多层构造的运算，而可以输出注塑成型机的异常所涉及的状态(结果y)。另外神经网络的动作模式中有学习模式和判定模式，例如可以在学习模式中使用学习数据集来学习权重W，使用该学习到的权重W在判定模式中进行注塑成型机的异常所涉及的状态的判定。此外在判定模式中，也可以进行检测、分类、推论等。
上述的状态判定装置10的结构能够被记载为计算机的CPU执行的机器学习方法(或者软件)。该机器学习方法是学习相对于注塑成型机的动作状态的该注塑成型机的异常所涉及的状态的机器学习方法，具有如下步骤：
·计算机的CPU将表示注塑成型机的动作状态的注塑数据S1以及内部参数S2作为表示进行注塑成型机的成型动作的环境的当前状态的状态变量S并进行观测的步骤；
·获取表示该注塑成型机的异常所涉及的状态的标签数据L的步骤；
·使用状态变量S和标签数据L，将注塑成型机的动作状态与该注塑成型机的异常所涉及的状态关联起来进行学习的步骤。
图4表示第2实施方式的状态判定装置40。
状态判定装置40具备：预处理部42；参数设定部44；机器学习装置50；以及获取输入到预处理部42的数据作为状态数据S0的状态数据获取部46。状态数据获取部46可以从注塑成型机、附加于注塑成型机的传感器、作业者的适当地数据输入中，获取状态数据S0。
状态判定装置40具有的机器学习装置50除了用于通过机器学习对相对于注塑成型机的动作状态的该注塑成型机的异常所涉及的状态进行自己学习的软件(学习算法等)以及硬件(计算机的CPU等)以外，还包含用于使学习部26基于注塑成型机的动作状态所判定的该注塑成型机的异常所涉及的状态作为基于对显示装置(未图示)的文字的显示、对扬声器(未图示)的声响或者声音的输出、基于警报灯(未图示)的输出、或者它们的组合来输出的软件(运算算法等)以及硬件(计算机的CPU等)。状态判定装置40所包含的机器学习装置50也可以具有由一个共用的CPU执行学习算法、运算算法等的所有软件的结构。
判定输出部52例如能够构成为计算机的CPU的一个功能。或者判定输出部52例如能够构成为用于使计算机的CPU发挥功能的软件。判定输出部52输出指令，以使学习部26基于注塑成型机的动作状态所判定的该注塑成型机的异常所涉及的状态作为基于文字的显示、声响或者声音的输出、基于警报灯的输出、或者它们的组合来对作业者通知。判定输出部52可以对状态判定装置40具备的显示装置等输出通知的指令，也可以对注塑成型机具备的显示装置等输出通知的指令。
具有上述结构的状态判定装置40具备的机器学习装置50实现与前述的机器学习装置20同等的效果。特别是机器学习装置50可以根据判定输出部52的输出使环境的状态变化。另一方面，在机器学习装置20中，也可以对外部装置(例如注塑成型机的控制装置)要求相当于用于将学习部26的学习结果反映到环境的判定输出部的功能。
作为状态判定装置40的一个变形例，判定输出部52可以针对学习部26基于注塑成型机的动作状态所判定的该注塑成型机的异常所涉及的状态，分别设置预先决定的预定的阈值，在学习部26基于注塑成型机的动作状态所判定的该注塑成型机的异常所涉及的状态超过其阈值的情况下输出作为警告的信息。
作为状态判定装置40的其他的变形例，也可以是判定输出部52计算过去学习部26基于注塑成型机的动作状态所判定的该注塑成型机的异常所涉及的各个状态、与当前的学习部26基于注塑成型机的动作状态所判定的该注塑成型机的异常所涉及的各个状态的差值，在该计算出的差值超过预先决定的阈值的情况下输出作为警告的信息。过去学习部26基于注塑成型机的动作状态所判定的该注塑成型机的异常所涉及的状态可以是学习部26在过去的任意的时刻所判定的，例如在新品部件的交换时等，通过使用明确知道状态的时刻的注塑成型机的异常所涉及的状态，容易进行基于比较的状态推测。
作为状态判定装置40的其他的变形例，为了获取进行基于学习部26以及判定输出部52的注塑成型机的异常所涉及的状态的判定时的状态变量，也可以是状态判定装置40对注塑成型机进行指令使其进行基于预先设定的预定的动作设定的预定的成型动作。
在注塑成型机的成型动作中，例如需要对塑化螺杆的形状、材料、金属模形状等注塑成型机的各部进行各种种类的设定。因此，在进行基于学习部26、判定输出部52的注塑成型机的异常所涉及的状态的判定时，通过进行基于预先决定好的干扰因素少的动作设定的‘预定的动作’，从而可以高精度地判定与磨损、破损、动作不良、维护有关的状态。这里所说的‘预定的动作’例如在金属模具周围的动作中可以列举有决定位置、速度、动作次数的设定而使合模部或推出部动作，在加热筒周围可以列举有决定塑化螺杆的动作速度、位置、压力、动作次数的设定而使塑化螺杆动作等。由于用于判定的预定的动作被预先决定，因此机器学习模型也可以由简单的结构构成，通过简化涉及判定的处理，从而也可以期待能够使状态判定装置以廉价的系统构成的效果。
另外，也可以使上述预定的动作在接入电源时或树脂排出动作等的决定好的动作的前后，由状态判定装置40对注塑成型机进行指令并使其自动进行，使在已经过某预定的期间的情况下自动进行，或者在由作业者通过设置于状态判定装置40或者注塑成型机的按钮等要求时自动地进行，或者使以组合它们的条件为基准来自动进行。
进一步地，也可以是存储状态判定装置40对注塑成型机进行指令并使其进行上述预定的动作从而执行基于学习部26、判定输出部52的判定处理的时刻，在当前时刻与存储的处理时刻之差超过预先决定的时间的情况下，判定输出部52将表示从前次的判定起已经过一定时刻的意思作为警告进行输出。由此，可以防止作业者忘记状态判定的处理而继续运转机械。
作为状态判定装置40的其他的变形例，也可以不进行追加的学习而使用由机器学习装置50学习到的学习结果仅进行注塑成型机的状态的判定(仅以判定模式进行动作)。如图5所示，在状态判定装置40内置有机器学习装置50’。机器学习装置50’构成为从图4中说明的机器学习装置50去除了标签数据获取部24的结构。
通过这样构成，机器学习装置50’基于状态观测部22观测到的状态变量S来判定注塑成型机的状态，并由判定输出部52输出其判定结果，然而学习部26不进行追加的学习，因此可以使用计算能力不怎么高的CPU等来构成，从而产生成本方面的优点。特别是，在将状态判定装置40作为产品出厂的情况下，通过做成本变形例的结构，可以抑制价格。
作为状态判定装置40的其他的变形例，也可以将作为学习部26分别在多个条件下进行机器学习后的结果而得到的相关性模型M的参数(例如，相关性模型M为神经网络的情况下，参数为各神经元间的权值等)存储为多种模式，根据利用状态判定装置40的状况来对相关性模型M设定这些参数并进行动作。此时，相关性模型M的参数的模式例如能够存储到参数设定部44。通过这样构成，状态判定装置40在进行注塑成型机的状态的判定的条件不同的情况下，通过对学习部26设定处于该条件的相关性模型M的参数，从而可以进行更高精度的注塑成型机的状态判定。
图6表示具备注塑成型机60的一个实施方式的注塑成型系统70。
注塑成型系统70具备具有相同的机械结构的多个注塑成型机60、60’、以及将这些注塑成型机60、60’相互连接的网络72。此外，这些多个注塑成型机60、60’中的至少一个具备上述的状态判定装置40。另外注塑成型系统70可以包含不具备状态判定装置40的注塑成型机60’。这些注塑成型机60、60’具有为了进行成型动作所需的一般的结构。
就具有上述构成的注塑成型系统70而言，多个注塑成型机60，60’中的具备状态判定装置40的注塑成型机60使用学习部26的学习结果，不靠运算或估算就可以自动地且正确地求出相对于注塑成型机的动作状态的该注塑成型机的异常的状态。另外，可以构成为至少一个注塑成型机60的状态判定装置40基于分别针对其他的多个注塑成型机60、60’而得到的状态变量S以及标签数据L，学习在所有注塑成型机60、60’共用的相对于注塑成型机的动作状态的该注塑成型机的异常所涉及的状态，从而所有注塑成型机60、60’共享其学习结果。因此根据注塑成型系统70，将更多种数据集合(包含状态变量S以及标签数据L)作为输入，可以提高相对于注塑成型机的动作状态的该注塑成型机的异常所涉及的状态的学习的速度和可靠性。
图7表示具备注塑成型机60’的其他的实施方式的注塑成型系统70’。
注塑成型系统70’具备与状态判定装置40(或者10)具有相同的机械结构的多个注塑成型机60’、以及将这些注塑成型机60’和状态判定装置40(或者10)相互连接的网络72。
就具有上述结构的注塑成型系统70’而言，状态判定装置40(或者10)基于分别针对多个注塑成型机60’而得到的状态变量S以及标签数据L，学习所有注塑成型机60’共用的相对于注塑成型机的动作状态的该注塑成型机的异常所涉及的状态，使用该学习结果，不靠运算或估算就能够自动地且正确地求出与注塑成型机的动作状态相对应的该注塑成型机的异常所涉及的状态。
注塑成型系统70’可以具有使状态判定装置40(或者10)存在于在网络72中准备的云服务器中的结构。根据该结构，无论多个注塑成型机60’各自存在的位置或时期如何，都可以在需要时将所需要的数量的注塑成型机60’与状态判定装置40(或者10)连接。
操作注塑成型系统70、70’的作业者可以在通过状态判定装置40(或者10)的学习开始后的适当的时期，执行对基于状态判定装置40(或者10)的相对于注塑成型机的动作状态的该注塑成型机的异常所涉及的状态的学习的到达度是否达到要求等级的判断。
作为注塑成型系统70、70’的一个变形例，也可以将状态判定装置40以嵌入到管理注塑成型机60、60’的成型机管理装置80中的方式来实际安装。如图8所示，成型机管理装置80经由网络72与多个注塑成型机60、60’连接，成型机管理装置80经由网络72收集关于各注塑成型机60、60’的运转状态或成型的数据。
成型机管理装置80可以接受来自任意的注塑成型机60、60’的信息，对状态判定装置40进行指令，使得判定该注塑成型机60、60’的异常的状态，并将其结果输出到成型机管理装置80具备的显示装置等，或对判定对象的注塑成型机60、60’输出结果。
通过这样构成，可以由成型机管理装置80对注塑成型机60、60’的异常的状态的判定结果等统一管理，另外，当再学习时，可以从多个注塑成型机60、60’收集成为样本的状态变量，因此具有易于较多地收集的用于再学习的数据的优点。进而，通过将金属模具或者成型条件与内部参数关联起来，从而具有能够使起因于金属模或成型条件的判定要素在注塑成型机之间共享的优点。
以上，说明了本发明的实施方式，然而本发明并不限于上述的实施方式的例子，可以通过进行适当的变更以各种方式实施。
例如，机器学习装置20、50执行的学习算法、机器学习装置50执行的运算算法、状态判定装置10、40执行的控制算法等不限于上述的算法，可以采用各种算法。
另外，在上述的实施方式中构成为将预处理部12设置在状态判定装置40(或者状态判定装置10)上，但也可以将预处理部12设置在注塑成型机上。此时，预处理可以由状态判定装置40(或者状态判定装置10)、注塑成型机中的任意一个执行，或者由双方执行，也可以鉴于处理能力和通信的速度来适当设定处理的位置。