数值控制系统的制作方法

本发明涉及数值控制系统，特别是涉及切换学习模型来进行注射成型机的防止逆流阀的磨耗检测的数值控制系统。

背景技术：

在直列式的注射成型机中，由于螺杆前端的防止逆流阀在注射和计量过程中相对进行后退动作或前进动作，因此设为在注射过程中防止树脂流向螺杆的后方，而在计量过程中使树脂从后方流向前方。这里，产生如下问题：若在注射过程中防止逆流阀没有后退，或即使后退其动作时刻也偏差，则因树脂向螺杆后方的逆流现象而导致成型品的质量不足预定值或成型品的质量产生偏差。

这样的防止逆流阀的动作的问题主要起因于由注射成型机的长时间成型而造成防止逆流阀磨耗并使尺寸从当初的尺寸发生变化。为了长期稳定地生产高品质的注射成型品，对防止逆流阀是否磨耗进行监视，在检测出磨耗时，需要快速将防止逆流阀更换为新品。

作为防止逆流阀的磨耗量检测方法已知如下方法：定期从注射气缸拔出螺杆，直接测定尺寸。然而该方法中存在如下问题：暂时停止生产，必须进行测定作业，导致生产性降低。因此，作为不从注射气缸拔出螺杆而间接检测磨耗量的方法，已知对树脂向螺杆后方的逆流现象进行检测。例如，在日本特开平01-168424号公报和日本特开2008-302527号公报中示出了如下内容：对施加到螺杆的旋转方向的负载转矩进行测定来检测树脂的逆流现象。此外，在日本特开平01-281912号公报和日本特开2009-096045号公报中示出了如下内容：对保压中的螺杆的前进速度进行测定来检测树脂的逆流现象。并且，在日本特开2008-302528号公报中示出了如下内容：使用检测出的防止逆流阀的锁闭时刻的螺杆位置来推定防止逆流阀的磨耗量。

但是，即使要基于在加工过程中从外部能够观测的信息来判断防止逆流阀的磨耗状态，防止逆流阀的磨耗时从外部观测的注射成型动作的状态信息也因注射成型机的尺寸或螺杆直径、用于注射成型的树脂的种类(粘度)等而不同，因此，难以与这些各种状况相对应地运用上述现有技术。此外，为了推定注射成型机的防止逆流阀的磨耗状态还存在导入机器学习器这样的方法，但是为了生成能够与上述各种状况对应的通用的机器学习器(通用的学习模型)，需要在各种状况下检测出的大量状态信息，此外，由于需要包含与状况有关的数据在内的大量介质变量，因此有时也产生过度学习等已知的问题。

技术实现要素：

因此，本发明的目的在于，提供一种数值控制系统，其即使在注射成型机的运转条件或环境条件不同的情况下，也能够更广泛地进行注射成型机的防止逆流阀的磨耗检测。

在本发明的数值控制系统中，通过设置根据注射成型机的运转条件或环境条件来切换所使用的学习模型的机构，来解决上述问题。本发明的数值控制系统具有多个学习模型，根据注射成型机的运转条件或环境条件来选择学习模型，针对选择出的学习模型进行基于在注射时检测出的状态量的机器学习，此外，根据注射成型机的运转条件或环境条件分开使用这样生成的学习模型，来进行注射成型机的防止逆流阀的磨耗检测。

本发明的一方式的数值控制系统对注射成型机的防止逆流阀的磨耗状态进行检测，该数值控制系统具有：条件指定部，其指定所述注射成型机的注射动作中的条件；状态量检测部，其对表示所述注射成型机所进行的注射动作的状态的状态量进行检测；推论计算部，其根据所述状态量推断针对注射动作的状态的评价值；异常检测部，其基于所述评价值来检测异常状态；学习模型生成部，其通过使用了所述状态量的机器学习来生成或更新学习模型；以及学习模型存储部，其将所述学习模型生成部生成的至少一个学习模型与由所述条件指定部指定的条件的组合关联起来进行存储。并且，所述推论计算部基于所述条件指定部指定的注射动作中的条件，从存储于所述学习模型存储部的学习模型中选择性地使用至少一个学习模型，计算针对注射动作的状态的评价值。

所述数值控制系统也可以具有：特征量生成部，其根据状态量检测部检测出的状态量生成对注射动作的状态赋予特征的特征量，所述推论计算部根据所述特征量推断针对注射动作的状态的评价值，所述学习模型生成部通过使用了所述特征量的机器学习来生成或更新学习模型。

所述学习模型生成部也可以通过实施针对所述学习模型存储部存储的已有的学习模型的改变而生成新的学习模型。

所述学习模型存储部也可以对所述学习模型生成部所生成的学习模型进行加密存储，通过所述推论计算部在读出学习模型时对已加密的学习模型进行解码。

本发明的其他方式的数值控制系统对注射成型机的防止逆流阀的磨耗状态进行检测，该数值控制系统具有：条件指定部，其指定所述注射成型机的注射动作中的条件；状态量检测部，其对表示所述注射成型机所进行的注射动作的状态的状态量进行检测；推论计算部，其根据所述状态量推断针对注射动作的状态的评价值；异常检测部，其基于所述评价值来检测异常状态；以及学习模型存储部，其对与所述注射成型机的注射动作中的条件的组合预先关联起来的至少一个学习模型进行存储。并且，所述推论计算部基于所述条件指定部指定的注射动作中的条件，从存储于所述学习模型存储部的学习模型中选择性地使用至少一个学习模型，计算针对注射动作的状态的评价值。

所述数值控制系统还可以具有：特征量生成部，其根据所述状态量生成对注射动作的状态赋予特征的特征量，所述推论计算部根据所述特征量推断针对注射动作的状态的评价值。

本发明的一方式的数值控制装置具有所述条件指定部和状态量检测部。

本发明的一方式的注射成型机的防止逆流阀状态检测方法执行以下步骤：指定注射成型机的注射动作中的条件的步骤；对表示所述注射成型机所进行的注射动作的状态的状态量进行检测的步骤；根据所述状态量推断针对注射动作的状态的评价值的步骤；基于所述评价值检测异常状态的步骤；以及通过使用了所述状态量的机器学习来生成或更新学习模型的步骤。并且，所述推断的步骤中，从与所述注射成型机的注射动作中的条件的组合预先关联起来的至少一个所述学习模型中，基于在指定所述条件的步骤中指定的注射动作中的条件来选择所使用的学习模型，使用选择出的学习模型来计算针对注射动作的状态的评价值。

注射成型机的防止逆流阀状态检测方法还可以执行根据所述状态量生成对注射动作的状态赋予特征的特征量的步骤，所述推断的步骤中，根据所述特征量推断针对注射动作的状态的评价值，生成或更新所述学习模型的步骤通过使用了所述特征量的机器学习来生成或更新学习模型。

本发明的其他方式的注射成型机的防止逆流阀状态检测方法执行以下步骤：指定注射成型机的注射动作中的条件的步骤；对表示所述注射成型机所进行的注射动作的状态的状态量进行检测的步骤；根据所述状态量来推断针对注射动作的状态的评价值的步骤；以及基于所述评价值来检测异常状态的步骤。并且，所述推断的步骤从与所述注射成型机的注射动作中的条件的组合预先关联起来的至少一个学习模型中，基于在指定所述条件的步骤中指定的注射动作中的条件来选择所使用的学习模型，使用选择出的学习模型来计算针对注射动作的状态的评价值。

所述注射成型机的防止逆流阀状态检测方法还可以执行根据所述状态量生成对注射动作的状态赋予特征的特征量的步骤，所述推断的步骤根据所述特征量推断针对注射动作的状态的评价值。

本发明的一方式的学习模型组是将多个学习模型分别与注射成型机的注射动作中的条件的组合关联而成的。并且，所述多个学习模型分别是使用基于状态量生成的所述注射动作的特征量来进行生成或更新而得的学习模型，所述状态量表示在所述注射成型机的注射动作中的条件下进行的注射动作的状态，从所述多个学习模型中基于设定给所述注射成型机的条件来选择一个学习模型，该选择出的学习模型用于推断针对所述注射成型机的注射动作的状态的评价值。

通过本发明，由于可以基于在各条件下检测出的状态量对根据注射成型机的运转条件或环境条件而选择出的学习模型进行机器学习，因此可以进行高效的机器学习，此外，由于将根据注射成型机的运转条件或环境条件而选择出的学习模型用于注射成型机的防止逆流阀的磨耗检测，因此注射成型机的防止逆流阀的磨耗检测的精度得以提升。

附图说明

图1是本发明的第一实施方式的数值控制系统的概略功能框图。

图2是本发明的第二实施方式的数值控制系统的概略功能框图。

图3是本发明的第三实施方式的数值控制系统的概略功能框图。

图4是本发明的第四实施方式的数值控制系统的概略功能框图。

图5是本发明的第五实施方式的数值控制系统的概略功能框图。

图6是表示本发明的第五实施方式的数值控制系统的变形例的概略功能框图。

图7是本发明的第六实施方式的数值控制系统的概略功能框图。

图8是在图5～图7中的任一个所示的数值控制系统上执行的处理的概略流程图。

图9是在图1～图4中的任一个所示的数值控制系统上执行的处理的概略流程图。

图10是表示本发明的一实施方式的数值控制装置和机器学习装置的主要部分的概略硬件结构图。

具体实施方式

图1是第一实施方式的数值控制系统1的概略功能框图。

构成数值控制系统1的数值控制装置、单元计算机、主计算机、云服务器等计算机所具有的cpu、gpu等处理器按照各自的系统程序来控制装置各部的动作，由此实现图1所示的各功能块。

本实施方式的数值控制系统1至少具有：作为边缘设备的数值控制部100，其成为状态的观察和推断对象；推论处理部200，其进行针对边缘设备的状态的推断；以及学习模型存储部300，其存储多个学习模型并进行管理。该数值控制系统1还具有：异常检测部400，其基于推论处理部200针对边缘设备的状态推断出的结果，对注射成型机120所进行的注射动作的异常(防止逆流阀的磨耗)进行检测；以及学习模型生成部500，其生成和更新存储于学习模型存储部300的学习模型。

本实施方式的数值控制部100基于存储于未图示的存储器的进行位置循环、速度循环、电流循环的处理的伺服控制专用的控制程序来控制注射成型机120。数值控制部100例如实装为数值控制装置，读出存储于未图示的存储器的控制程序并进行解析，根据解析出的结果来对注射成型机120的注射用电动机、与螺杆旋转轴连接的螺杆旋转用电动机等进行控制。

数值控制部100所具有的条件指定部110指定数值控制部100(以及由该数值控制部100控制的注射成型机)所控制的注射动作中的条件(加工条件、运转条件、环境条件等)。作为设定给注射动作的条件，例如包含注射成型机的尺寸或螺杆直径、用于注射成型的树脂的种类(粘度)等。条件指定部110根据需要针对数值控制部100的各部指定(输出)条件，并且将该指定的条件指定(输出)给学习模型存储部300和学习模型生成部500，所述条件包括：作业员经由未图示的输入装置设定给数值控制部100设定的条件、经由网络等连接的其他计算机设定给数值控制部100的条件、由控制程序所指令的条件、或者由另外设置于数值控制部100的传感器等设备检测出的条件等。条件指定部110具有将作为边缘设备的数值控制部100的当前注射动作中的条件设为用于选择学习模型的条件，并对数值控制系统1的各部进行通知的功能。

数值控制部100所具有的状态量检测部140检测数值控制部100(以及由该数值控制部100控制的注射成型机)所进行的注射动作的状态来作为状态量。注射动作的状态量中例如包含回流(c轴电流)、负载传感器压力等。状态量检测部140例如检测在数值控制部100或对该数值控制部100所控制的注射成型机的各机构进行驱动的电动机流动的电流值、和由另外设置于各部的传感器等设备检测出的检测值来作为状态量。状态量检测部140检测出的状态量输出给推论处理部200和学习模型生成部500。

推论处理部200观测作为边缘设备的数值控制部100(以及由该数值控制部100控制的注射成型机)的状态，对基于观测到的结果的数值控制部100的状态(加工的状态)进行推断。推论处理部200例如可以实装为数值控制装置或单元计算机、主计算机、云服务器、或者机器学习装置等。

推论处理部200所具有的特征量生成部210基于状态量检测部140检测出的状态量，来生成表示数值控制部100的注射动作的状态的特征的特征量。特征量生成部210所生成的表示注射动作的状态的特征的特征量是指，在数值控制部100(和由该数值控制部100控制的注射成型机)所控制的注射动作中作为检测防止逆流阀的磨耗状态时的判断的材料而有用的信息。此外，特征量生成部210生成的表示注射动作的状态的特征的特征量成为后述的推论计算部220进行使用了学习模型的推断时的输入数据。特征量生成部210生成的表示注射动作的状态的特征的特征量例如可以是以过去的预定期间相对应的量按预定的采样周期对状态量检测部140检测出的回流进行采样而得的特征量，此外，还可以是状态量检测部140检测出的负载传感器压力的过去预定期间内的峰值。特征量生成部210进行前处理并进行正规化，以便推论计算部220处理由状态量检测部140检测出的状态量。

推论处理部200所具有的推论计算部220基于特征量生成部210生成出的特征量、以及根据当前的注射动作中的条件而从存储于学习模型存储部300的多个学习模型中选择出的一个学习模型，来推断数值控制部100(以及由该数值控制部100控制的注射成型机)所控制的注射动作的状态的评价值。通过将存储于学习模型存储部300的学习模型应用于能够执行基于机器学习的推断处理的平台，由此实现推论计算部220。推论计算部220例如可以用于进行使用了多层神经网络的推断处理，此外，还可以用于进行使用了贝叶斯网络、支持向量机、混合高斯模型等作为机器学习而公知的学习算法的推断处理。推论计算部220例如可以用于进行使用了监督学习、无监督学习、强化学习等学习算法的推断处理。此外，推论计算部220还能够分别执行基于多种学习算法的推断处理。

推论计算部220构成基于从存储于机器学习的学习模型存储部300的多个学习模型中选择出的一个学习模型的机器学习器，执行将特征量生成部210生成的特征量用作该机器学习器的输入数据的推断处理，由此推断数值控制部100(以及由该数值控制部100控制的注射成型机)所控制的注射动作的状态的评价值。作为推论计算部220推断出的结果的评价值，例如也可以表示当前的注射动作的状态与正常时的注射动作的状态的分布的距离、防止逆流阀的磨耗量、防止逆流阀的破损/磨耗的状态。

本实施方式的学习模型存储部300能够对与条件指定部110所指定的注射动作中的条件的组合相关联的多个学习模型进行存储。学习模型存储部300例如可以实装为数值控制装置或单元计算机、主计算机、云服务器、数据库服务器等。

在学习模型存储部300中存储有与条件指定部110所指定的注射动作中的条件(加工条件、运转条件、环境条件等)的组合相关联的多个学习模型1、2、…、n。这里所说的注射动作中的条件(加工条件、运转条件、环境条件等)的组合表示与各条件能够取得的值、值的范围、值的列举相关的组合。

存储于学习模型存储部300的学习模型存储为能够构成一个学习模型的信息，所述一个学习模型适合于推论计算部220中的推断处理。存储于学习模型存储部300的学习模型例如是使用了多层神经网络的学习算法的学习模型时，则可以存储为各层的神经元数、各层的神经元之间的权重参数等，此外，在是使用了贝叶斯网络的学习算法的学习模型时，则可以存储为构成贝叶斯网络的节点与节点之间的变化概率等。各存储于学习模型存储部300的学习模型可以是使用了相同的学习算法的学习模型，此外，也可以是使用了不同的学习算法的学习模型，只要能够用于由推论计算部220所进行的推断处理则可以是使用了任何学习算法的学习模型。

学习模型存储部300可以将一个学习模型与一个注射动作中的条件的组合关联起来进行存储，此外，还可以将使用了两个以上的不同的学习算法而得的学习模型与一个注射动作中的条件的组合关联起来进行存储。学习模型存储部300还可以将使用了不同的学习算法而得的学习模型与该组合的范围所重叠的多个注射动作中的条件的组合中的每一个关联起来进行存储。此时，学习模型存储部300针对与注射动作中的条件的组合相对应的学习模型，进一步确定所需处理能力或学习算法的种类等利用条件，由此，例如能够针对注射动作中的条件的组合，选择与能够执行的推断处理或处理能力不同的推论计算部220所对应的学习模型。

当学习模型存储部300从外部受理包含注射动作中的条件的组合在内的学习模型的读出/写入请求时，读出或写入与该注射动作中的条件的组合关联起来进行存储的学习模型。此时，学习模型的读出/写入请求中可以包含推论计算部220能够执行的推断处理或处理能力的信息，在这样的情况下，学习模型存储部300读出或写入与注射动作中的条件的组合、以及推论计算部220能够执行的推断处理或处理能力相关联的学习模型。学习模型存储部300可以具有如下功能，即，基于从条件指定部110指定的条件，针对来自外部的学习模型的读出/写入请求，读出或写入与该条件(的组合)相关联的学习模型。通过设置这样的功能，不需要对推论计算部220或学习模型生成部500设置请求基于从条件指定部110指定的条件的学习模型的功能。

另外，学习模型存储部300可以对学习模型生成部500生成的学习模型进行加密存储，在通过推论计算部220读出学习模型时对已加密的学习模型进行解码。

异常检测部400基于由推论处理部200推断出的注射动作的状态的评价值，对在数值控制部100(以及由该数值控制部100控制的注射成型机)产生的异常进行检测。异常检测部400对与作为推论计算部220所输出的推断结果的评价值的内容相对应的注射动作的状态的正常/异常进行检测。异常检测部400例如可以在当前注射动作的状态与正常时的注射动作的状态的分布的距离超过预先确定的预定阈值的情况下检测为注射动作的状态是异常的，而在此外的情况下检测为注射动作的状态是正常的。异常检测部400例如可以在防止逆流阀的磨耗量超过预先确定的阈值的情况下检测为注射动作的状态是异常的，在除此此外的情况下检测为注射动作的状态是正常的。

在检测为注射动作的状态是异常的情况下，异常检测部400可以通过未图示的显示装置、灯、声音输出装置等对作业员通知注射动作的状态的异常。此外，在检测为注射动作的状态是异常的情况下，异常检测部400可以对数值控制部100进行指令来中止加工。

学习模型生成部500基于由条件指定部110指定的注射动作中的条件、以及由特征量生成部210生成的表示注射动作的状态的特征的特征量，来进行存储于学习模型存储部300的学习模型的生成或更新(机器学习)。学习模型生成部500基于由条件指定部110指定的注射动作中的条件来选择成为生成或更新的对象的学习模型，针对该选择出的学习模型进行基于由特征量生成部210生成的表示注射动作的状态的特征的特征量的机器学习。在与由条件指定部110指定的注射动作中的条件(的组合)相关联的学习模型没有被存储于学习模型存储部300的情况下，学习模型生成部500重新生成与该条件(的组合)相关联的学习模型，另一方面在与由条件指定部110指定的注射动作中的条件的(组合)相关联的学习模型被存储于学习模型存储部300的情况下，通过进行针对该学习模型的机器学习来更新该学习模型。在学习模型存储部300中存储有多个与由条件指定部110指定的注射动作中的条件(的组合)相关联的学习模型的情况下，学习模型生成部500可以针对各学习模型进行机器学习，此外，还可以基于能够由学习模型生成部500执行的学习处理或处理能力，而只针对一部分的学习模型进行机器学习。

学习模型生成部500除了对存储于学习模型存储部300的学习模型施加改变之外还可以生成新的学习模型。作为学习模型生成部500所进行的学习模型的改变的示例，存在蒸馏模型的生成。蒸馏模型是使用针对向装入了完成学习模型的机器学习器的输入而获得的输出，通过在其他机器学习器中从1起进行学习而获得的完成学习模型。学习模型生成部500可以将经由这样的工序(称为蒸馏工序)获得的蒸馏模型作为新的学习模型存储于学习模型存储部300来进行利用。一般情况下，蒸馏模型的大小比原来的完成学习模型小，尽管如此还能输出与原来的完成学习模型相同的正确度，因此更适合于针对经由网络等的其他计算机的分配。作为学习模型生成部500所进行的学习模型的改变的其他示例，考虑了学习模型的综合。学习模型生成部500在与注射动作中的条件(的组合)相关联地存储的两个以上的学习模型的构造类似的情况下，例如在各权重参数的值处于预先确定的预定阈值内的情况下，可以在将与这些学习模型相关联的注射动作中的条件(的组合)综合之后，与此相对应地对构造类似的两个以上的学习模型中的任一个进行存储。

图2是第二实施方式的数值控制系统1的概略功能框图。

在本实施方式的数值控制系统1中，将各功能块实装于一台数值控制装置2上。通过像这样构成，本实施方式的数值控制系统1例如可以根据数值控制装置2所控制的注射成型机120的注射动作中的条件，使用不同的学习模型来推断注射动作的状态，检测注射动作的状态的异常。此外，还可以通过一台数值控制装置2来生成/更新与注射动作中的条件相对应的各学习模型。

图3是第三实施方式的数值控制系统1的概略功能框图。

在本实施方式的数值控制系统1中，将数值控制部100、推论处理部200、和异常检测部400实装于数值控制装置2上，此外，还将学习模型存储部300和学习模型生成部500实装于经由标准的接口或网络与数值控制装置2连接的机器学习装置3上。机器学习装置3也可以实装于单元计算机、主计算机、云服务器、数据库服务器上。通过像这样构成，可以在数值控制装置2上执行比较轻的处理即使用了完成学习的模型的推断处理，可以在机器学习装置3上执行比较重的处理即生成/更新学习模型的处理。因此，可以不妨碍由数值控制装置2执行的注射成型机120的控制的处理而进行数值控制系统1的运用。

图4是第四实施方式的数值控制系统1的概略功能框图。

在本实施方式的数值控制系统1中，将数值控制部100实装于数值控制装置2上，将推论计算部220、学习模型存储部300、以及学习模型生成部500实装于经由标准的接口或网络与数值控制装置2连接的机器学习装置3上。此外，另外准备异常检测部400。另外，在本实施方式的数值控制系统1中，将状态量检测部140检测出的状态量假设为是可以直接用于推论计算部220的推断处理或学习模型生成部500的学习模型的生成/更新处理的数据，并省略特征量生成部210的结构。通过像这样构成，可以在机器学习装置3上执行使用了完成学习的模型的推断处理和学习模型的生成/更新的处理。因此，可以不妨碍由数值控制装置2执行的注射成型机120的控制的处理而进行数值控制系统1的运用。

图5是第五实施方式的数值控制系统1的概略功能框图。

在本实施方式的数值控制系统1中，将各功能块实装于一台数值控制装置2上。另外，在本实施方式的数值控制系统1中，在学习模型存储部300中已经存储有与注射动作中的条件的组合相关联的多个完成学习的学习模型，假设不进行学习模型的生成/更新，省略学习模型生成部500的结构。通过像这样构成，本实施方式的数值控制系统1例如可以根据数值控制装置2所控制的注射成型机120的注射动作的条件而使用不同的学习模型来推断注射动作的状态，检测注射动作的状态的异常。此外，由于不随便进行学习模型的更新，因此例如可以采用为针对顾客出货的数值控制装置2的结构。

图6是表示第五实施方式的数值控制系统1的变形例的概略功能框图。

在本实施方式的数值控制系统1中，将学习模型存储部300实装于与数值控制装置2连接的外部存储器4。在本变形例中，通过将容量大的学习模型存储于外部存储器4，能够利用大量的学习模型，并且可以不经由网络等读出学习模型，因此，在推断处理需要实时性的情况下是有效的。

图7是第六实施方式的数值控制系统1的概略功能框图。

在本实施方式的数值控制系统1中，将数值控制部100实装于数值控制装置2上，将推论计算部220、学习模型存储部300实装于经由标准的接口或网络与数值控制装置2连接的机器学习装置3上。机器学习装置3可以实装于单元计算机、主计算机、云服务器、数据库服务器上。另外，在本实施方式的数值控制系统1中，在学习模型存储部300中已经存储有与注射动作中的条件的组合相关联的多个完成学习的学习模型，假设不进行学习模型的生成/更新，省略学习模型生成部500的结构。此外，在本实施方式的数值控制系统1中，将状态量检测部140检测出的状态量假设为是可以直接用于推论计算部220的推断处理的数据，并省略特征量生成部210的结构。通过像这样构成，本实施方式的数值控制系统1例如可以根据数值控制装置2所控制的注射成型机120的注射动作的条件而使用不同的学习模型来推断注射动作的状态，检测注射动作的状态的异常。此外，由于不随便进行学习模型的更新，因此例如可以采用为针对顾客出货的数值控制装置2的结构。

图8是在本发明的数值控制系统1执行的处理的概略流程图。

图8所示的流程图例示出没有更新数值控制系统1中的学习模型时的(第五、六实施方式)的处理的流程。

·[步骤sa01]条件指定部110指定数值控制部100(以及由该数值控制部100控制的注射成型机)所进行的注射动作中的条件。

·[步骤sa02]状态量检测部140检测数值控制部100(和由该数值控制部100控制的注射成型机)所进行的注射动作的状态来作为状态量。

·[步骤sa03]特征量生成部210根据在步骤sa02中检测出的状态量，生成表示注射动作的特征的特征量。

·[步骤sa04]推论计算部220从作为用于推断的学习模型而存储于学习模型存储部300的多个学习模型中，选择读出与在步骤sa01指定的注射动作中的条件相对应的学习模型。

·[步骤sa05]推论计算部220基于在步骤sa04中读出的学习模型与在步骤sa03中生成的特征量来推断注射动作的状态的评价值。

·[步骤sa06]异常检测部400基于在步骤sa05中推断出的评价值，来检测注射动作的状态的异常。

图9是在本发明的数值控制系统1中执行的处理的概略流程图。图9所示的流程图例示出生成和更新数值控制系统1中的学习模型时(第一～四实施方式)的处理的流程。

·[步骤sb01]条件指定部110指定数值控制部100(以及由该数值控制部100控制的注射成型机)所进行的注射动作中的条件。

·[步骤sb02]状态量检测部140检测数值控制部100(以及由该数值控制部100控制的注射成型机)所进行的注射动作的状态作为状态量。

·[步骤sb03]特征量生成部210基于在步骤sb02检测出的状态量，生成表示注射动作的特征的特征量。

·[步骤sb04]推论计算部220从作为推断使用的学习模型而存储于学习模型存储部300的多个学习模型中，选择读出通过步骤sb01指定的注射动作中的条件相对应的学习模型。

·[步骤sb05]学习模型生成部500判定在学习模型存储部300中是否生成有与在步骤sb01中指定的注射动作中的条件相对应的完成学习的学习模型。在生成有完成学习的学习模型的情况下，向步骤sb07转入处理，在没有生成完成学习的学习模型的情况下，向步骤sb06转入处理。

·[步骤sb06]学习模型生成部500基于在步骤sb03中生成出的特征量，不进行与在步骤sb01中指定的注射动作中的条件相对应的学习模型的生成和更新，向步骤sb01转入处理。

·[步骤sb07]推论计算部220基于在步骤sb04中读出的学习模型和在步骤sb03中生成的特征量来推断注射动作的状态的评价值。

·[步骤sb08]异常检测部400基于在步骤sb05中推断出的评价值，来检测注射动作的状态的异常。

图10是表示本发明的一实施方式的数值控制装置和机器学习装置的主要部分的概略硬件结构图。本实施方式的数值控制装置2具有的cpu11是对数值控制装置2进行整体控制的处理器。cpu11读出存储于rom12的系统程序，按照该系统程序来对数值控制装置2整体进行控制。将临时的计算数据或显示数据、操作员经由未图示的输入部输入的各种数据等暂时存储于ram13中。

显示器70由液晶显示装置等构成。也可以在显示器70显示表示注射成型机120的防止逆流阀的磨耗状况的推断评价值和其历史记录。作为提出的系统的实现方式，可以通过阈值判定方式、趋势图判定方式、外检方式等各种方法获得最终结果，但是通过使获得该结果的过程的一部分可视化，可以对在生产现场实际运转注射成型机120的作业员给予工业上的直观一致的结果。

用于控制注射成型机120所具有的轴的轴控制电路30从cpu11受理轴的移动指令量，输出给伺服放大器40。伺服放大器40接受该指令，对使注射成型机120所具有的轴移动的电动机进行驱动。轴的电动机内置位置速度检测器，将来自该位置速度检测器的位置速度反馈信号反馈给轴控制电路30，进行位置速度的反馈控制。另外，在图1的硬件结构图中只是逐个示出了轴控制电路30、伺服放大器40、电动机，但是实际上仅以成为控制对象的注射成型机120所具有的轴的数量来进行准备。

接口21是用于将数值控制装置2与机器学习装置3连接的接口。机器学习装置3具有：统御机器学习装置3整体的处理器80、存储系统程序和学习模型等的rom81、用于进行机器学习所涉及的各处理中的临时存储的ram82。机器学习装置3经由接口84和接口21在与数值控制装置2之间进行数据的交换。

以上，对本发明的实施方式进行了说明，但是本发明并不只限定于上述实施方式的示例，可以通过增加适当的变更以各种方式来实施。