状态判定装置的制作方法

本发明涉及一种制造装置的状态判定装置。

背景技术：

注射成型机等制造装置的维护是定期性、或者在发生异常时进行。在制造装置的维护时，作为判定制造装置的状态的方法的一例，已知如下方法等，即，记录从制造装置的可动部、传感器取得的数据，并将该记录的数据与通常动作时的从上述可动部、传感器取得的数据相比较，根据该偏差是否超过预先设定的阈值来判定该制造装置的动作是正常或异常。这样，在维护制造装置时，通过使用在制造装置的动作时所记录的表示动作状态的物理量，由此能够进行制造装置的动作状态的判定。

作为判定制造装置的状态的现有技术，例如在日本特开2014-203125号公报、日本特开2012-014584号公报中公开了如下技术，即，关于作为制造装置的注射成型机，计算进行了正常的模开闭动作、突出动作的至少过去一次所对应的量的负荷或者多次动作的移动平均值，将由此得到的负荷设定为标准负荷。另外，在日本特开2017-030221号公报中公开了如下技术，将由作为制造装置的注射成型机所进行的产品制造的动作所涉及的数据作为输入，使用机器学习器来诊断注射成型机的异常。

然而，例如就注射成型机这样的制造许多品种的制造装置而言，具有如下特征，即，产品的制造中的条件，例如若为注射成型机则是产品的制造中使用的材料、模具、制造时的温度条件、合模条件、射出条件等加工条件将根据各个品种而有所不同。因此，即使使用日本特开2014-203125号公报、日本特开2012-014584号公报中公开的技术，也存在难以推定各个条件相对应的准确的异常原因的问题。

另一方面，如日本特开2017-030221号公报所公开的那样，在对异常检测使用机器学习器的情况下，对于在用于判定的数据中不确定要素较少的一方容易提高判定异常原因等时的精度，并且机器学习模型的结构也能够以简单的方式构建。例如在基于结构要素的负荷来判定损耗状态的机器学习的情况下，已将用于判定的动作模式固定的方式具有容易区别正常/异常的倾向。然而，例如在作为制造装置的注射成型机的实际成型中，如上述那样，材料、模具、加工条件等各种各样，在实际成型中，作为现实问题，难以在所有成型中进行共同的动作。另外，如注射成型机那样，在将制造时的条件(温度平衡等)保持固定并且持续进行相同产品的制造的制造装置中，若为了进行动作状态的判定而中断用于制造的动作，则恢复制造动作耗费时间，存在制造工序大幅延迟的问题。结果会产生对在制造的动作中进行制造装置的高精度的异常原因判定方面存在制约的问题。

技术实现要素：

因此，本发明的目的在于，提供能够以高精度判定制造装置的状态的状态判定装置、以及机器学习装置。

在本发明中，通过对制造装置的状态判定装置导入多个机器学习器，使用该多个机器学习器来进行阶段性的状态判定(一次判定、二次判定)，从而能够进行更加详细的运行状态的判定或者综合性的判定，由此解决上述技术问题。

在本发明的状态判定装置的一次判定中，基于从制造装置的通常的运转中(产品的制造中)的动作中取得的制造装置的动作所涉及的状态量，来判定制造装置的概略性的状态。如上述那样，虽然难以根据从产品制造中的制造装置的动作中取得的数据来判定制造装置的严密的动作状态，但是具有能够判定制造装置的动作是正常还是异常，且能够判定在异常的情况下在哪个部分有可能产生了异常的可能性。在本发明的状态判定装置的一次判定中，将制造装置的状态进行一次区分。

另一方面，在本发明的状态判定装置的二次判定中，例如中断制造装置的运转，追加设置用于判定的传感器，或者以判定用的动作模式使制造装置进行动作并取得数据，从而进行更加详细的制造装置的状态的判定。

本发明的状态判定装置基于从制造装置的动作中取得的内部外部的状态变量来判定该制造装置的状态，该状态判定装置具备：一次判定学习模型，其基于从所述制造装置的产品的制造动作中取得的所述状态变量，来学习所述制造装置的状态的概要；二次判定学习模型，其基于从所述制造装置的预先确定的预定的动作模式中取得的所述状态变量和所述制造装置的保养所涉及的信息来学习所述制造装置的状态；判定结果输出部，其基于由所述制造装置从产品的制造动作中取得的所述状态变量，使用所述一次判定学习模型对所述制造装置的状态的概要进行一次判定，基于从在预定的机会下执行的所述制造装置的预先确定的动作模式中取得到的所述状态变量，使用所述二次判定学习模型对所述制造装置的状态进行二次判定。

所述预定的机会可以是从进行了所述一次判定的时刻起在预定的期间以内、在所述制造装置的预定的产品制造动作次数以内、或者在所述制造装置的预定的动作次数以内中的至少任一个。

用于所述二次判定的状态变量可以包含用于所述一次判定的状态变量中不含的传感器的检测值。

所述状态判定装置可以构成为所述制造装置的控制装置的一部分。

所述状态判定装置可以构成为经由网络与多个所述制造装置连接的计算机的一部分。

就本发明的状态判定装置而言，当在产品的制造中停止时而效率差的制造装置的动作中，通过一次判定在一定程度上掌握制造装置的状态，如有需要则在适当的时机暂时中断制造装置的产品制造，通过二次判定来详细地判定状态判定装置的状态。因此，不会使产品制造的周期时间浪费延长，能够高效且以高精度地判定制造装置的状态。

另外，一般而言，用于检测详细的动作状态的传感器大多昂贵，如果以在工厂设置的所有制造装置的数量来准备这样的传感器，则会在成本方面产生问题。然而，就本发明的状态判定装置而言，在制造装置的产品的制造中仅进行基于一次判定的概略性的制造装置的状态的区分，在这样的一次判定中大多数情况下并不需要昂贵的传感器，因此通常不设置传感器而使制造装置运转，只要在需要二次判定时在该制造装置安装传感器即可，因此例如仅准备一个传感器并能够分享使用。

即，根据本发明，能够基于不确定要素较多的制造装置的产品制造中的动作，来概率性地区分制造设备的状态，由于根据需要进一步进行详细的状态判定而能够判定异常的原因，因此能够高效且高精度地判定该制造装置的异常原因。

附图说明

图1是第一实施方式的状态判定装置的概略性的硬件结构图。

图2是第一实施方式的状态判定装置的概略性的功能框图。

图3是对状态判定装置的一次判定学习模型的学习进行说明的图。

具体实施方式

图1是表示第一实施方式的状态判定装置的主要部分的概略性的硬件结构图。

状态判定装置1例如作为制造装置的控制装置的一部分来进行安装，或者作为与制造装置的控制装置并列设置的个人计算机等计算机的一部分来进行安装，另外，可以作为经由网络与多个制造装置的控制装置连接的单元计算机、主机计算机、云服务器等计算机的一部分来进行安装。本实施方式的状态判定装置1所具备的cpu11是对状态判定装置1进行整体性控制的处理器，其经由总线20读取保存于rom12中的系统/程序，并按照该系统/程序来控制状态判定装置1整体。ram13中，临时性地保存临时计算数据、显示数据、操作者通过未图示的输入部而输入的各种数据等。

非易失性存储器14构成为，例如用未图示的电池进行备份等，即使关闭状态判定装置1的电源仍保持存储状态的存储器。在非易失性存储器14中，存储有操作者经由未图示的输入部而输入的各种数据、经由接口19从制造装置60取得的各种数据(例如，制造装置60的型号、各参数的设定值、制造装置60的动作所涉及的信息等)、经由接口18而从传感器70取得的各种检测值数据(例如，在传感器70为温度传感器的情况下则是温度值，在传感器70为距离传感器的情况下则是距离值等)、经由未图示的接口而输入的程序等。存储于非易失性存储器14中的程序、各种数据等在执行时/利用时可以在ram13中展开。另外，在rom12中，预先写入公知的解析程序等各种系统/程序(包括后述的用于控制与机器学习装置100的交换的系统/程序)。

传感器70是为了从外部观测制造装置60而设置的。在该传感器70中包括视觉传感器、音声传感器、温度传感器、距离传感器等。传感器70检测制造装置60自身无法检测的制造装置60的动作所涉及的信息，并经由接口18通知cpu11。传感器70对状态判定装置1来说并不一定是必须的结构，但在基于状态判定装置1进行的二次判定等中通过使用传感器70，能够提高异常的判定的精度。

制造装置60是成为通过状态判定装置1来判定状态的对象的设备。在该制造装置60中，包括机器人、机床、放电加工机、注射成型机等加工机械。制造装置60能够经由接口19通过信号等接收来自cpu11的动作指令，并控制各部。另外，制造装置60检测向设置于各部的传感器、电动机等供给的电流值等，并经由接口19向cpu11通知。

接口21是用于将状态判定装置1与机器学习装置100连接的接口。机器学习装置100具备：控制机器学习装置100整体的处理器101、存储有系统/程序等的rom102、在机器学习所涉及的各处理中的用于进行临时存储的ram103、以及用于存储学习模型等的非易失性存储器104。机器学习装置100可以经由接口21观测由状态判定装置1能够取得的各种信息(制造装置60的型号、各参数的设定值、与制造装置60或从传感器70取得的制造装置60的动作所涉及的数据等)。另外，状态判定装置1接受从机器学习装置100输出的制造装置60的状态的判定结果，并将基于该判定结果的消息等显示于显示器80，或者控制制造装置60的动作。

图2是第一实施方式的状态判定装置1和机器学习装置100的概略性的功能框图。

通过图1中所示的状态判定装置1所具备的cpu11以及机器学习装置100的处理器101执行各个系统/程序，并控制状态判定装置1及机器学习装置100的各部的动作，由此实现图2中所示的各功能块。

本实施方式的状态判定装置1具备：控制部34，其基于从机器学习装置100输出的制造装置60的状态判定的结果来输出控制制造装置60的动作的指令。在该控制部34所输出的指令中，例如包括如下控制：从在一次判定中判定为在制造装置60发生某些异常的时刻起，在预先确定的预定的期间以内，

·在进行了预先确定的次数的由制造装置60进行的产品的制造动作的时刻、

·在进行了预先确定的次数的由制造装置60进行的预定的动作的时刻、或者

·在制造装置60目前执行的一系列的制造工序结束的时刻，

使制造装置60切换为二次判定的模式的控制、和中断制造装置60目前执行的制造工序并强制性地切换为二次判定的模式的控制等。

本实施方式的状态判定装置1具备：显示部36，其基于从机器学习装置100输出的制造装置60的状态判定的结果对显示器80显示指导等。该显示部36在例如通过一次判定而判定为在制造装置60发生某些异常的时刻起，在预先确定的预定的期间以内，

·在进行了预先确定的次数的由制造装置60进行的产品的制造动作的时刻、

·在进行了预先确定的次数的由制造装置60进行的预定的动作的时刻、或者

·在目前执行的一系列的制造工序结束的时刻，

在显示器80上显示为将使制造装置60切换为用于二次判定的动作模式，或在显示器80上显示为将中断制造装置60目前执行的制造工序并强制性地切换为用于二次判定的动作模式。另外，显示部36也可以在切换为用于二次判定的动作模式之后，将对制造装置60安装追加的传感器70的指导显示于显示器80。

本实施方式的状态判定装置1所具备的机器学习装置100包括针对制造装置60的动作的、用于通过所谓的机器学习来自己学习该制造装置60的状态的软件(学习算法等)及硬件(处理器101等)。状态判定装置1所具备的机器学习装置100学习的内容相当于表示制造装置60的动作与该制造装置60的状态的相关性的模型结构。

图2中由功能块所示，状态判定装置1所具备的机器学习装置100具备：状态观测部106，其将作为制造装置60的产品制造时的动作所涉及的数据即制造动作数据s1和作为制造装置60的二次判定用的动作所涉及的数据即二次判定动作数据s2作为制造装置60的内部外部的状态变量s来进行观测；标识数据取得部108，其取得包含表示制造装置60的状态的状态标识数据l1的判定数据l；以及学习部110，其进行基于制造动作数据s1的一次判定所涉及的学习、以及使用状态变量s和标识数据l进行二次判定所涉及的学习。

状态观测部106在状态判定装置1处于进行一次判定的模式的情况下，将作为制造装置60的产品制造时的动作所涉及的数据即制造动作数据s1作为状态变量s进行观测。制造动作数据s1是制造装置60进行产品制造时取得的制造装置60的动作所涉及的数据。作为一例，在制造装置60为注射成型机的情况下，在制造动作数据s1中，包含注射成型机的成型动作中的可塑化螺杆驱动用电动机的转矩(电流、电压)、可塑化螺杆的动作速度/位置、向驱动部的指令值、材料的压力、合模力、温度、每个成型循环的物理量、成型条件、成型材料、成型品、注射成型机的结构部品的形状、注射成型机的结构部品的应变、动作声音、注射成型机的动作图像等。

制造动作数据s1是在制造装置60的标准性的制造动作时能够取得的数据，只要能够用于制造装置60的动作的正常/异常的判定，则可以为任何数据。另外，只要是标准性地安装于制造装置60，则可以将传感器70的检测值用作制造动作数据s1。作为制造动作数据s1而取得的各数据可以是某一时刻的数据值，另外，也可以是对贯穿制造装置60的一个动作而连续取得的值以规定的周期进行采样而得到的数据列。

状态观测部106在状态判定装置1处于进行二次判定的模式的情况下，将作为制造装置60的二次判定用的动作所涉及的数据即二次判定动作数据s2作为状态变量s来进行观测。二次判定动作数据s2是制造装置60在二次判定用的动作模式下进行动作时取得的制造装置60的动作所涉及的数据。作为一例，在制造装置60为注射成型机的情况下，在二次判定动作数据s2中包含：注射成型机的成型动作中的可塑化螺杆驱动用电动机的转矩(电流、电压)、可塑化螺杆的动作速度/位置、针对驱动部的指令值、材料的压力、合模力、温度、每个成型循环的物理量、成型条件、成型材料、成型品、注射成型机的结构部品的形状、注射成型机的结构部品的应变、动作声音、注射成型机的动作图像等。

二次判定动作数据s2是在制造装置60进行二次判定用的动作时能够取得的数据，只要能够用于制造装置60的动作的正常/异常的判定，则可以为任何数据。另外，对于二次判定动作数据s2，可以在二次判定时安装未标准性地安装于制造装置60的传感器70，并使用由该传感器70检测到的检测值。作为二次判定动作数据s2而取得的各数据可以为某一时刻的数据值，另外，也可以对贯穿制造装置60的一个动作连续取得的值以预定的周期进行采样而得到的数据列。

标识数据取得部108在状态判定装置1处于学习二次判定的模式的情况下，作为标识数据l，取得表示制造装置60的状态的状态标识数据l1。标识数据取得部108从在制造装置60保养时操作者经由未图示的输入装置而输入并存储于非易失性存储器14等存储器中的制造装置60的保养信息中，获取制造装置60的故障产生部分和故障内容作为状态标识数据l1。

学习部110根据总称为机器学习的任意的学习算法，将相对于制造装置60的动作的制造装置60的状态的概要作为一次判定学习模型112，将相对于制造装置60的二次判定用的动作的制造装置60的状态作为二次判定学习模型114，分别进行学习。学习部110能够反复执行基于包含上述的状态变量s和标识数据l的数据集合的学习。

学习部110所进行的一次判定学习模型112的学习是通过所谓无监督学习来对针对例如制造装置60的动作的制造装置60的动作的正常/异常的程度来进行的。图3是对使用无监督学习的一次判定学习模型112的学习方法进行说明的图。此外，在图3的例子中，为了简化说明，作为制造动作数据s1，以将可塑化螺杆驱动用电动机的转矩值、可塑化螺杆电动机的动作速度、以及材料的压力分别作为在某一时刻的数据值而取得的例子来进行说明。学习部110在一次判定学习模型112的学习中，对从制造装置60(以及传感器70)取得的制造动作数据s1进行聚类分析而形成一个或两个以上的聚类。状态判定装置1例如若在预定的条件下的基于制造装置60开始进行的产品制造，则收集制造动作数据s1，直至进行预先确定的预定数量的动作，并将积存于非易失性存储器14等存储器。进而，若收集预先确定好的预定数量的数据数(为了进行聚类分析的充分的数据数)的制造动作数据s1，则状态观测部106观测收集到的制造动作数据s1，执行基于学习部110的一次判定学习模型112(聚类集合)的构建(学习)。在预定的条件下的基于制造装置60的产品制造的初期，由于能够期待制造装置60的状态为正常，因此能够期待在该阶段对制造动作数据s1进行聚类分析而生成的聚类是制造装置60的状态为正常时的数据的聚类。基于学习部110的一次判定学习模型112的学习通常是在这样预定的条件下的基于制造装置60的产品制造的初期执行的。此外，对于无监督学习的学习算法，例如可以使用公知的分级型聚类、非分级型聚类等。

学习部110所进行的二次判定学习模型114的学习是以所谓监督学习而进行的，所述监督学习将例如在执行制造装置60中发生问题时由进行保养的操作者所执行的二次判定用的动作模式时取得的二次判定动作数据s2、以及从由操作者输入的保养作业的结果的数据取得的状态标识数据l1用作制造装置60的状态为异常时的教师数据。在学习部110所进行的二次判定学习模型114的学习中，也可以为，操作者进一步对保养后的制造装置60执行二次判定用的动作模式，将此时取得的二次判定动作数据s2以及表示正常的状态标识数据l1用作制造装置60的状态为正常时的教师数据。此外，对于监督学习的学习算法，例如可以使用公知的多层神经网络、贝叶斯网络、支持矢量机、混和高斯模型等。

判定结果输出部122在一次判定时，基于制造动作数据s1，进行使用了学习部110所学习到的结果(一次判定学习模型112)的制造装置60的状态概要的判定，并将该推理结果输出至控制部34。判定结果输出部122在一次判定时，例如对从制造装置60的产品的制造动作中取得的制造动作数据s1与从在图3中说明的制造装置60的正常的动作中取得的数据的各聚类间的距离进行计算，可以在计算出的距离内最短的距离为预先确定的第一阈值以上的情况下，将表示可能在制造装置60发生某些异常的情况作为判定结果进行输出，进一步地，也可以在计算出的距离内最短的距离为预先确定的第二阈值(＞第一阈值)以上的情况下，将表示可能在制造装置60发生某些紧急的异常的情况作为判定结果进行输出。

判定结果输出部122在二次判定时，基于二次判定动作数据s2，进行使用了学习部110学习到的结果(二次判定学习模型114)的制造装置60的状态的判定，并将该判定结果输出至控制部34。在判定结果输出部122输出的二次判定时的判定结果中，例如包含制造装置60的故障产生部分和故障内容。

作为状态判定装置1的一个变形例，也可以为，学习部110构建(学习)一次判定学习模型112，以便在一次判定中根据概率等输出构成制造装置60的各个部分中的某一个是否发生异常。在这样的情况下，作为一次判定学习模型112，例如使学习部110使用众所周知的cnn(convolutionalneuralnetwork：卷积神经网络)等学习算法来进行机器学习，以便将通过制造装置60的产品制造动作所取得的制造动作数据s1积存于非易失性存储器14等存储器，并在由操作者进行保养等时由操作者输入的信息中，将表示制造装置60的异常发生部分的异常位置数据l2作为标识数据l而进行取得，输出将一次判定学习模型112的输出侧分属于各等级的概率，由此，能够输出制造装置60的各个部分的异常发生的概率。若这样构成，操作者能够基于来自状态判定装置1的输出，推测在最高概率的部分存在异常，与之相应地进行二次判定。另外，也可以在二次判定中使用vae(variationalautoencoder，变分自动编码器)等自动编码器，对一次判定的异常位置候选，分别判定异常/正常。

除上述以外，也可以构成为，进一步分别对制造装置60的各个部分生成用于二次判定的二次判定学习模型114，为了判定各个部分的异常，基于适当的二次判定用的动作模式，进行关于制造装置60的部分的二次判定。在该情况下，通过选择二次判定动作数据s2的数据项目，从而能够以简单的结构构成各个二次判定学习模型114，因此也可以提高学习的速度并且防止过度学习等公知的问题，进一步地，还能够提高二次判定的异常的判定精度。

作为状态判定装置1的另一变形例，可以设置为，学习部110对发生异常的位置，在一次判定中进行粗略的判定，在二次判定中进一步进行细分化的判定。在本变形例中，例如将一次判定学习模型、二次判定学习模型双方设为构成对成型机的驱动用电动机的转矩变化的波形划分等级的多层感知器的分类器的学习模型，例如，构建各个学习模型，以便在一次判定中以粗略的精度(例如，最小分辨率1mm单位)对构成所述驱动用电动机的驱动部的滑动部件的磨损量进行判定，而在二次判定中以更加精细的精度(例如，最小分辨率0.5mm单位)进行判定。在注射成型机的产品的成型中，由于受到模具、成型条件等影响，不确定要素增大，难以进行严格的状态判定，在此，在设置为在进行粗略的状态判定之后，在二次判定中进行将基于模具、成型条件的限制分离的动作设为预定动作的精密判定，由此，能够容易地提高状态判定的精度。

以上对本发明的实施方式进行了说明，但本发明并不仅限定于上述的实施方式的例子，通过施以适当的变更，可以以各种方式实施。

例如，机器学习装置100所执行的学习算法、运算算法、状态判定装置1所执行的控制算法等并不限定于上述的方式，而可以采用各种算法。

另外，上述的实施方式中对状态判定装置1与机器学习装置100具有不同的cpu的装置进行了说明，但也可以是机器学习装置100通过状态判定装置1所具备的cpu11、存储于rom12中的系统/程序来实现。

进一步地，在上述的实施方式中将基于状态判定装置1的判定分为一次判定和二次判定两个阶段，但例如对于由多个制造装置构成的制造系统应用本发明的状态判定装置1时，也可以为进行分割为如下所述的三个阶段以上的状态判定，即，进行一次判定，通过基于从整体的制造系统取得的数据来进行一次判定从而确定在哪个装置发生了异常；基于从在一次判定中发生异常的装置取得的数据来进行二次判定；进一步地进行三次判定，在中断制造工序之后判定在该装置的任意部分发生了怎样的异常。