学习模型生成方法、计算机程序、设定值决定装置、成型机和成型装置系统制造方法及图纸

本发明专利技术收集包含涉及成型机的设定值、测量涉及成型的物理量得到的测量值、和成型机生成的成型品的优劣程度的第一训练数据，通过基于所收集的第一训练数据的机械学习，生成在输入了设定值和测量值的情况下输出成型品的优劣程度的第一学习模型，收集包含成型品的各缺陷类型的缺陷程度、测量值、和能降低缺陷程度的设定值的第二训练数据，通过基于所收集的第二训练数据和从第一学习模型输出的优劣程度的机械学习，生成在输入了缺陷程度和测量值的情况下输出能降低缺陷程度的设定值的第二学习模型。模型。模型。

Learning model generation method, computer program, setting value determination device, molding machine and molding device system

【技术实现步骤摘要】
【国外来华专利技术】学习模型生成方法、计算机程序、设定值决定装置、成型机和成型装置系统


[0001]本专利技术涉及学习模型生成方法、计算机程序、设定值决定装置、成型机和成型装置系统。

技术介绍

[0002]专利文献1公开了由强化学习器决定耗电少的最佳操作条件、并调整操作条件的注射成型系统和机械学习器。
[0003]专利文献2公开了通过机械学习诊断注射成型机异常的异常诊断装置。
[0004]现有技术文献
[0005]专利文献
[0006]专利文献1：日本专利技术专利第6346128号公报
[0007]专利文献2：日本专利技术专利第6294268号公报

技术实现思路

[0008]专利技术要解决的问题
[0009]但是，专利文献1的注射成型系统是通过强化学习决定涉及成型机的设定值的系统，存在需要庞大的训练数据或训练作业这一问题。对成型过程正确的模拟极为困难，需要使用了实机进行的成型控制、成型结果的确认作业。即使能够自动进行成型控制和成型结果的确认作业，也需要大量的树脂材料，在学习过程中同样会产生大量的缺陷品，现实情况下难以完成强化学习。
[0010]专利文献2的装置虽然能够进行注射成型的异常诊断，但是，不能决定成型机的最佳设定值。
[0011]本专利技术的目的在于提供学习模型生成方法、计算机程序、设定值决定装置、成型机和成型装置系统，其能够生成用于决定成型机的设定值的学习模型，而且能够削减学习模型学习所需的训练数据。
[0012]用于解决课题的手段
>[0013]本专利技术的学习模型生成方法，其生成用于决定涉及成型机的设定值的学习模型，收集第一训练数据，该第一训练数据包含涉及所述成型机的所述设定值、在所述成型机进行了成型时测量涉及该成型的物理量得到的测量值、和在所述设定值被设定且得到所述测量值的状态下所述成型机生成的成型品的优劣程度；通过基于所收集的第一训练数据的机械学习，生成第一学习模型，该第一学习模型在输入了所述设定值和所述测量值的情况下，输出所述成型机生成的成型品的优劣程度；收集第二训练数据，该第二训练数据包含成型品的各缺陷类型的缺陷程度、所述测量值、以及在得到所述缺陷程度和所述测量值的状态下至少能降低所述缺陷程度的所述设定值或该设定值的变更量；通过基于所收集的第二训练数据和从所述第一学习模型输出的优劣程度的机械学习，生成第二学习模型，该第二学
习模型在输入了所述缺陷程度和所述测量值的情况下，输出至少能降低所述缺陷程度的所述设定值或该设定值的变更量。
[0014]本专利技术的计算机程序，，其用于使计算机生成用于决定涉及成型机的设定值的学习模型，所述计算机程序使所述计算机执行下述处理：收集第一训练数据，该第一训练数据包含涉及所述成型机的所述设定值、在所述成型机进行了成型时测量涉及该成型的物理量得到的测量值、和在所述设定值被设定且得到所述测量值的状态下所述成型机生成的成型品的优劣程度；通过基于所收集的第一训练数据的机械学习，生成第一学习模型，该第一学习模型在输入了所述设定值和所述测量值的情况下，输出所述成型机生成的成型品的优劣程度；收集第二训练数据，该第二训练数据包含成型品的各缺陷类型的缺陷程度、所述测量值、以及在得到所述缺陷程度和所述测量值的状态下至少能降低所述缺陷程度的所述设定值或该设定值的变更量；通过基于所收集的第二训练数据和从所述第一学习模型输出的优劣程度的机械学习，生成第二学习模型，该第二学习模型在输入了所述缺陷程度和所述测量值的情况下，输出至少能降低所述缺陷程度的所述设定值或该设定值的变更量。
[0015]本专利技术的设定值决定装置其生成用于决定涉及成型机的设定值的学习模型，并根据所生成的学习模型决定所述设定值，所述设定值决定装置包括：第一收集处理部，其收集第一训练数据，该第一训练数据包含涉及所述成型机的所述设定值、在所述成型机进行了成型时测量涉及该成型的物理量得到的测量值、和在所述设定值被设定且得到所述测量值的状态下所述成型机生成的成型品的优劣程度；第一学习处理部，其通过基于所述第一收集处理部收集的第一训练数据的机械学习，生成第一学习模型，该第一学习模型在输入了所述设定值和所述测量值的情况下，输出所述成型机生成的成型品的优劣程度；第二收集处理部，其收集第二训练数据，该第二训练数据包含成型品的各缺陷类型的缺陷程度、所述测量值、以及在得到所述缺陷程度和所述测量值的状态下至少能降低所述缺陷程度的所述设定值或该设定值的变更量；和第二学习处理部，其通过基于所述第二收集处理部收集的第二训练数据和从所述第一学习模型输出的优劣程度的机械学习，生成第二学习模型，该第二学习模型在输入了所述缺陷程度和所述测量值的情况下，输出至少能降低所述缺陷程度的所述设定值或该设定值的变更量。
[0016]本专利技术的成型机，包括：第一取得部，其取得成型机生产的成型品的各缺陷类型的缺陷程度；第二取得部，其取得在所述成型机进行了成型时测量涉及所述成型的物理量得到的测量值；和学习模型，其在输入了所述第一取得部取得的所述缺陷程度和所述第二取得部取得的所述测量值的情况下，输出在得到所述缺陷程度和所述测量值的状态至少能降低所述缺陷程度的涉及所述成型机的设定值，所述成型机，通过将所述第一取得部取得的所述缺陷程度和所述第二取得部取得的所述测量值输入所述学习模型，使所述设定值输出，根据输出的该设定值运转。
[0017]本专利技术的成型装置系统包括上述设定值决定装置和成型机。
[0018]专利技术的效果
[0019]如上所述，能够生成用于决定成型机的设定值的学习模型，而且能够削减学习模型学习所需的训练数据。
附图说明
[0020]图1是表示实施方式1的成型装置系统的结构例的框图。
[0021]图2是表示实施方式1的学习模型生成方法的流程图。
[0022]图3是表示第一学习模型的生成方法的示意图。
[0023]图4是表示第二学习模型的生成方法的流程图。
[0024]图5是表示第二学习模型的生成方法的示意图。
[0025]图6是表示实施方式2的成型机的框图。
[0026]图7是表示设定值决定方法的流程图。
[0027]图8是表示实施方式3的成型装置系统的框图。
[0028]图9是表示变形例的成型装置系统的框图。
具体实施方式
[0029]以下，参照附图说明本专利技术实施方式的学习模型生成方法、计算机程序、设定值决定装置、成型机和成型装置系统的具体例子。也可以任意组合以下记载的实施方式的至少一部分。此外，本专利技术并不限定为这些例示，而是由权利要求所示，包含与权利要求书等同的意思和范围内的所有变更。
[0030](实施方式1)
[0031]图1是表示实施方式1的成型装置系统的结构例的框图。实施方式1的成型装置系统包括设定值决定装置1和成型机2。
[0032]成型机2例如为注射成型机、中空成型机、薄膜成型机、挤压机、双轴螺杆挤压机、纺丝挤压机、造粒机、镁注射成型机等。以下，在本实施方式1中说明的成型机2为注本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种学习模型生成方法，其生成用于决定涉及成型机的设定值的学习模型，收集第一训练数据，该第一训练数据包含涉及所述成型机的所述设定值、在所述成型机进行了成型时测量涉及该成型的物理量得到的测量值、和在所述设定值被设定且得到所述测量值的状态下所述成型机生成的成型品的优劣程度；通过基于所收集的第一训练数据的机械学习，生成第一学习模型，该第一学习模型在输入了所述设定值和所述测量值的情况下，输出所述成型机生成的成型品的优劣程度；收集第二训练数据，该第二训练数据包含成型品的各缺陷类型的缺陷程度、所述测量值、以及在得到所述缺陷程度和所述测量值的状态下至少能降低所述缺陷程度的所述设定值或该设定值的变更量；通过基于所收集的第二训练数据和从所述第一学习模型输出的优劣程度的机械学习，生成第二学习模型，该第二学习模型在输入了所述缺陷程度和所述测量值的情况下，输出至少能降低所述缺陷程度的所述设定值或该设定值的变更量。2.根据权利要求1所述的学习模型生成方法，通过将基于机械学习中的所述第二学习模型输出的所述设定值或所述变更量的设定值和第二训练数据所含的所述测量值输入所述第一学习模型，使用从所述第一学习模型输出的所述优劣程度使所述第二学习模型进行机械学习。3.根据权利要求1或权利要求2所述的学习模型生成方法，通过基于第一训练数据的机械学习，使所述第一学习模型进行机械学习，该第一训练数据包含基于从所述第二学习模型输出的所述设定值或所述变更量的设定值、在所述成型机进行了成型时测量涉及该成型的物理量得到测量值、和在所述设定值被设定且得到所述测量值的状态下所述成型机生成的成型品的优劣程度。4.根据权利要求1至权利要求3中任意一项所述的学习模型生成方法，用于生成所述第二学习模型的目标函数，是从所述第二学习模型输出的所述设定值或所述变更量与第二训练数据所含的所述设定值或所述变更量的差越小、从所述第一学习模型输出的所述优劣程度表示的优良品的程度越高或缺陷的程度越低则值越小的函数。5.根据权利要求4所述的学习模型生成方法，所述目标函数具有从所述第一学习模型输出的所述优劣程度表示的缺陷品的程度越高则所述值越大的惩罚项，该惩罚项具有确定所述值相对于所述优劣程度的变化率的参数。6.根据权利要求1至权利要求5中任意一项所述的学习模型生成方法，所述第一学习模型是输出所述成型品为优良品的概率和所述成型品为缺陷品的概率的机械学习器，所述第二学习模型是输出所述设定值或所述变更量的机械学习器。7.根据权利要求1至权利要求6中任意一项所述的学习模型生成方法，将所生成的所述第二学习模型向所述成型机分发。8.一种计算机程序，其用于使计算机生成用于决定涉及成型机的设定值的学习模型，所述计算机程序使所述计算机执行下述处理：收集第一训练数据，该第一训练数据包含涉及所述成型机的所述设定值、在所述成型机进行了成型时测量涉及该成型的物理量得到的测量值、和在所述设定值被设定且得到所
...

【专利技术属性】
技术研发人员：平野峻之，
申请(专利权)人：株式会社日本制钢所，
类型：发明
国别省市：