[发明专利]状态判定装置

说明书

本发明涉及一种制造装置的状态判定装置。状态判定装置具备：一次判定学习模型，其基于从制造装置的产品的制造动作中取得的状态变量，来学习该制造装置的状态的概要；二次判定学习模型，其基于从预先确定的预定的动作模式中取得的状态变量及保养信息，来学习该制造装置的状态。而且，基于从产品的制造动作中取得的状态变量，使用一次判定学习模型对制造装置的状态的概要进行一次判定，进一步地，基于从预先确定的动作模式中取得的状态变量，使用二次判定学习模型对制造装置的状态进行二次判定。

技术领域

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。

发明内容

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。