[发明专利]状态判定装置以及状态判定方法

说明书

本发明提供一种状态判定装置以及状态判定方法。状态判定装置取得与工业机械有关的数据，根据该取得的数据生成使与该工业机械有关的数据内的物理量的时间序列数据在时间轴方向上进行了滑动后的多个部分时间序列数据，提取包含该多个部分时间序列数据的多个学习用数据，进行使用了该提取出的学习数据的机器学习来生成学习模型。

技术领域

本发明涉及状态判定装置以及状态判定方法，特别涉及对工业机械的维护进行辅助的状态判定装置以及状态判定方法。

背景技术

定期地或者在产生异常时进行注射成型机等工业机械的维护。在维护工业机械时，负责维护的人员使用在工业机械动作时记录的表示该工业机械的动作状态的物理量，判定该工业机械的动作状态有无异常，进行产生了异常的部件的更换等维护作业。作为工业机械，具有注射成型机、机床、矿山机械、木工机械、农业机械、建筑机械等。

例如，作为工业机械的一种即注射成型机所具备的注射缸的止回阀的维护作业，已知定期地从注射缸拔出螺杆，直接测量止回阀的尺寸的方法。但是，该方法必须暂时停止生产来进行测量作业，会有生产效率降低的问题。

为了解决这样的问题，例如作为不会因为从注射缸拔出螺杆等作业使生产暂时停止，而是间接地检测注射缸的止回阀的消耗量来诊断异常的方法，已知有检测施加给螺杆的旋转转矩，或检测树脂向螺杆后方逆流的现象来诊断异常的方法。

例如，在日本特开平01-168421号公报中表示了测量作用于螺杆的旋转转矩，如果测定值超过容许范围则判定为异常。另外，在日本特开2017-030221号公报和日本特开2017-202632号公报中表示了通过对驱动部的负荷或树脂压力等进行监督学习来诊断异常。并且，在日本特开2018-097616号公报中表示了对多个时间序列数据进行机器学习来进行特征向量的聚类的学习方法。

但是，在构成注射成型机等工业机械的驱动部的要素的规格不同的机械中，构成该机械的器材、通过该机械进行处理的部件等各式各样，通过该机械得到的测定值和在机器学习时输入的学习数据的数值之间的偏离大，存在无法通过机器学习正确地进行诊断的问题。例如，当构成注射成型机的可动部的器材的种类、注射成型机所制造的成型品的原材料即树脂的种类或注射成型机的附带设备即金属模具、金属模具温度调节器、树脂干燥机等的种类与通过机器学习生成学习模型时的学习条件不同时，受这些种类的差异的影响，通过该机械得到的测定值与生成学习模型时使用的测定值之间产生偏离，因此无法通过机器学习正确地进行有无异常的状态判定。

在此，为了提高机器学习的诊断精度，在生成机器学习的学习模型时，具有准备多种多样的学习条件进行机器学习的方法。但是，聚齐多种多样的注射成型机、树脂、附带设备来进行机器学习需要高成本。而且，在运行机械时，还需要准备树脂和工件等原材料，为了取得学习数据而需要的原材料的成本也高。另外，取得学习数据的作业需要大量时间。因此，存在无法高效收集学习数据的问题。

发明内容

因此，希望一种状态判定装置以及状态判定方法，其根据从工业机械取得的测定值不需要花费高成本并且高效地进行机器学习，能够使用该学习结果来辅助各种工业机械的维护。

因此，在本发明的状态判定装置以及方法中，关于从工业机械取得的时间序列数据(电流、速度等)，以预定的数据数量为单位或以时间为单位使时间序列数据在时间轴方向上滑动(位移)来生成多个学习数据，对通过一个时间序列数据生成的多个学习数据进行机器学习，由此导出避免了机器学习时的过度学习的通用学习模型，实现高精度的动作状态和异常度的推定，由此解决上述问题。