异常检测系统、成型机系统、异常检测装置、异常检测方法及计算机程序与流程

1.本发明涉及异常检测系统、成型机系统、异常检测装置、异常检测方法及计算机程序。


背景技术：

2.在专利文献1中，公开了使用加速度传感器监视注射成型机的各可动部的振动、检测成型工序的状态及可动部的异常发生的监视方法。
3.现有技术文献
4.专利文献
5.专利文献1：日本特开平5-50480号公报


技术实现要素：

6.但是，在专利文献1中，未公开分体构成进行如注射成型机这种制造装置的运行控制的控制装置、和检测该制造装置的异常或诊断制造装置的状态的装置的具体技术。在控制装置构成为进行制造装置的异常检测及诊断的情况下，存在运行控制处理的延迟等对制造装置的动作产生不良影响的可能性。
7.本公开的目的在于提供一种具备进行制造装置的运行控制的控制装置、异常检测装置，通过各装置协作，不会给控制装置施加过度的负担就能够检测制造装置的异常的异常检测系统、成型机系统、异常检测装置、异常检测方法及计算机程序。
8.本公开的异常检测系统具备检测制造装置的异常的异常检测装置的诊断装置，该异常检测系统具备：控制装置，其进行所述制造装置的运行控制，发送表示该运行控制的内容的运行数据；以及传感器，其检测所述制造装置的动作或产品的物理量，输出表示检测出的物理量的时间序列的传感器值数据，所述异常检测装置具备：接收从所述控制装置发送来的所述运行数据的通信部；获取从所述传感器输出的传感器值数据的获取部；以及处理部，其计算出由该获取部获取的传感器值数据的统计量，基于计算出的所述统计量和与接收的所述运行数据对应的阈值，判断所述制造装置有无异常，所述通信部将判断结果以及所述统计量发送至所述控制装置。
9.本公开的成型机系统具备上述异常检测系统、以及成型机，所述异常检测系统构成为检测所述成型机的异常。
10.本公开的异常检测装置检测制造装置的异常，该异常检测装置具备：通信部，其接收从进行所述制造装置的运行控制的控制装置发送来的、表示该运行控制的内容的运行数据；获取部，其获取从检测出所述制造装置的动作或产品的物理量的传感器输出的时间序列的传感器值数据；以及处理部，其计算出由所述获取部获取的传感器值数据的统计量，基于计算出的所述统计量和与获取的所述运行数据对应的阈值，判断所述制造装置有无异常，所述通信部将判断结果以及所述统计量所述诊断结果发送至所述控制装置。
11.本公开的异常检测方法使计算机执行检测制造装置的异常的处理，在异常检测方法中，所述计算机执行如下的处理：接收从进行所述制造装置的运行控制的控制装置发送来的、表示该运行控制的内容的运行数据，获取从检测所述制造装置的动作或产品的物理量的传感器输出的时间序列的传感器值数据，计算出获取的传感器值数据的统计量，基于计算出的所述统计量、以及与获取的所述运行数据对应的阈值，判断所述制造装置有无异常，将判断结果发送至所述控制装置。
12.本公开的计算机程序用于使计算机执行检测制造装置的异常的处理，该计算机程序使所述计算机执行如下的处理：接收从进行所述制造装置的运行控制的控制装置发送来的、表示该运行控制的内容的运行数据，获取从检测所述制造装置的动作或产品的物理量的传感器输出的时间序列的传感器值数据，计算出获取到的传感器值数据的统计量，基于计算出的所述统计量、以及获取到的所述运行数据对应的阈值，判断所述制造装置有无异常，将判断结果发送至所述控制装置。
13.发明效果
14.根据本公开，具备进行制造装置的运行控制的控制装置、异常检测装置，通过各装置协作，不会对控制装置施加过度的负担就能够检测制造装置的异常。
附图说明
15.图1是示出本实施方式1的成型机系统的构成例的框图。
16.图2是示出本实施方式1的双轴混炼挤出机的构成例的示意图。
17.图3是示出本实施方式1的异常检测装置的构成例的框图。
18.图4是示出实施方式1的诊断装置的构成例的框图。
19.图5是示出实施方式1的数据库的记录布局(record layout)的一例的概念图。
20.图6是示出实施方式1的双轴混炼挤出机的异常检测及诊断的处理顺序的流程图。
21.图7是示出实施方式1的双轴混炼挤出机的异常检测及诊断的处理顺序的流程图。
22.图8是示出异常判断的处理顺序的流程图。
23.图9是示出异常诊断的处理顺序的流程图。
24.图10是示出螺杆轴11的异常诊断的处理顺序的流程图。
25.图11是示出两根螺杆轴的变异的时间序列数据图像。
26.图12是示出时间序列数据图像的特征量及异常检测结果的概念图。
27.图13是示出寿命诊断的处理顺序的流程图。
28.图14是示出学习模型的生成方法的概要的概念图。
29.图15是示出在学习阶段的学习模型的概念图。
30.图16是示出在测试阶段的学习模型的概念图。
31.图17是示出控制装置中的异常判断结果等的显示例的示意图。
32.图18是示出终端装置中的异常判断结果等的显示例的示意图。
33.图19是示出实施方式2的与诊断结果有关的反馈处理顺序的流程图。
34.图20是示出实施方式3的与双轴混炼挤出机的状态有关的反馈处理顺序的流程图。
具体实施方式
35.下面参照附图对本发明的实施方式的异常检测系统、成型机系统、异常检测装置、异常检测方法及计算机程序的具体例进行说明。此外，本发明并不限定于这些示例，意在由权利要求书示出，包含与权利要求书等同的含义以及范围内的所有变更。另外，也可以将下面记载的实施方式及变形例的至少一部分任意组合。
36.图1是示出本实施方式1的成型机系统的构成例的框图。成型机系统具备双轴混炼挤出机1、多个传感器2、异常检测装置3、路由器4、诊断装置5、数据库6以及用户的终端装置7。此外，成型机系统由双轴混炼挤出机1和异常检测系统构成，该异常检测系统由多个传感器2、异常检测装置3、诊断装置5及数据库6构成。
37.《双轴混炼挤出机1》
38.图2是示出本实施方式1的双轴混炼挤出机1的构成例的示意图。双轴混炼挤出机1具备缸体10和两根螺杆轴11，其中，缸体10具有投入树脂原料的料斗10a。两根螺杆轴11以相互啮合的状态大致平行地配置，可旋转地插入缸体10的孔内，将投入料斗10a中的树脂原料(图1及图2中右方向)向挤出方向搬运，并进行溶融及混炼。
39.螺杆轴11通过将多种螺杆构件组合并一体化而构成为一根螺杆轴11。例如，通过以与树脂原料的特性对应的顺序及位置配置和组合向正向输送树脂原料的螺纹杆形状的正螺纹构件、向反向输送树脂原料的螺旋螺杆构件、以及将树脂原料进行混炼的捏合构件(kneading piece)等，来构成螺杆轴11。
40.另外，双轴混炼挤出机1具备用于输出使螺杆轴11旋转的驱动力的马达12、将马达12的驱动力减速传递的减速器13和控制装置14。螺杆轴11连接于减速器13的输出轴。螺杆轴11通过由减速器13减速传递的马达12的驱动力而旋转。
41.《传感器2》
42.传感器2检测双轴混炼挤出机1的动作或成型品的物理量，并将表示检测出的物理量的时间序列的传感器值数据输出至异常检测装置3。物理量包括温度、位置、速度、加速度、电流、电压、压力、时间、图像数据、扭矩、力、应变、耗电量、重量等。这些物理量能够使用温度计、位置传感器、速度传感器、加速度传感器、电流计、电压计、压力计、计时器、相机(摄像头)、扭矩传感器、功率计、重量计等来测定。
43.更具体来说，检测出双轴混炼挤出机1的动作的物理量的传感器2为检测减速器13的振动的加速度传感器等振动传感器、检测施加于螺杆轴11的轴向扭矩的扭矩传感器、检测螺杆轴11的温度的温度计、检测螺杆轴11的旋转中心的位移的位移传感器、检测成型品或股线的尺寸的光传感器、对成型品或股线进行拍摄像的摄像装置、检测树脂压力的树脂压力传感器等。
44.检测成型品的物理量的传感器2为检测成型品的尺寸、色度、亮度等的光学计测器、摄像装置、检测成型品的重量的重量计等。
45.《控制装置14》
46.控制装置14为进行双轴混炼挤出机1的运行控制的计算机，具备与异常检测装置3之间收发信息的收发部(未图示)及显示部。
47.具体来说，控制装置14将表示双轴混炼挤出机1的运行状态的运行数据发送至异常检测装置3。运行数据例如为送料器供给量(树脂原料的供给量)、螺杆轴11的转速、挤出
量、缸体温度、树脂压力、马达电流等。
48.控制装置14接收由异常检测装置3发送的表示双轴混炼挤出机1有无异常的后述的判断结果、传感器值数据的各种统计量、与双轴混炼挤出机1的异常、寿命等有关的诊断结果，并显示接收到的判断结果、统计量的值及图表、和诊断结果。另外，控制装置14使用判断结果等监视双轴混炼挤出机1的异常，根据需要输出警告，执行使双轴混炼挤出机1的动作停止的处理。
49.《异常检测装置3》
50.图3是示出本实施方式1的异常检测装置3的构成例的框图。异常检测装置3为边缘计算机，具备处理部31、存储部32、通信部33及获取部34，存储部32、通信部33及获取部34与处理部31连接。构成异常检测装置3的边缘计算机为与后述的诊断装置5相比硬件规格低的计算机，执行双轴混炼挤出机1的简易的异常检测处理。
51.处理部31具有cpu(central processing unit：中央处理器)、多核cpu、asic(application specific integrated circuit：专用集成电路)、fpga(field-programmable gate array：现场可编程逻辑门阵列)等运算处理电路、rom(read only memory：只读存储器)、ram(random access memory：随机存取存储器)等内部存储装置和i/o端子等。处理部31通过执行由后述的存储部32存储的计算机程序(程序产品)p1，作为本实施方式1的异常检测装置3发挥功能。此外，异常检测装置3的各功能部可以以软件方式实现，也可以以硬件方式实现其一部分或全部。
52.存储部32为硬盘、eeprom(electrically erasable programmable rom：电可擦可编程只读存储器)、快闪存储器等非易失性存储器。存储部32存储有计算机程序p1，计算机程序p1用于使计算机实施本实施方式1的异常检测方法。
53.本实施方式1的计算机程序p1也可以是以计算机可读取的方式记录于记录介质30的形态。存储部32存储由读出装置(未图示)从记录介质30读出的计算机程序p1。记录介质30为快快闪存储器储器等半导体存储器。另外，记录介质30也可以是cd(compact disc：高密度光盘)-rom、dvd(digital versatile disc：数字通用光盘)-rom、bd(blu-ray(注册商标)disc)等光盘。而且，记录介质30也可以是软盘、硬盘等磁盘、磁光盘等。此外，也可以从与通信网(未图示)连接的外部服务器(未图示)下载本实施方式1的计算机程序p1，并存储于存储部32中。
54.通信部33为根据以太网(注册商标)等规定的通信协议来收发信息的通信电路。通信部33经由lan等第1通信网络与控制装置14连接，处理部31能够经由通信部33与控制装置14之间收发各种信息。
55.第1网络与路由器4连接，通信部33经由路由器4连接至作为第2通信网络的云端上的诊断装置5。处理部31能够经由通信部33及路由器4与诊断装置5之间收发各种信息。
56.获取部34为输入信号的输入接口。获取部34与传感器2连接，输入从传感器2输出的作为时间序列数据的传感器值数据。
57.《诊断装置5及数据库6》
58.图4为示出实施方式1的诊断装置5的构成例的框图。诊断装置5为计算机，具备诊断处理部51、存储部52和通信部53。存储部52和通信部53与诊断处理部51连接。
59.诊断处理部51具有、cpu、多核cpu、gpu(graphics processing unit：图形处理单
元)、gpgpu(general-purpose computing on graphics processing units：通用图形处理单元)、tpu(tensor processing unit：张量处理单元)、asic、fpga、npu(neural processing unit：神经处理单元)等运算处理电路、rom、ram等内部存储装置和i/o端子等。诊断处理部51通过执行由后述的存储部52存储的计算机程序(程序产品)p2，作为本实施方式1的诊断装置5发挥功能。此外，诊断装置5的各功能部可以以软件方式实现，也可以以硬件方式实现其一部分或全部。
60.存储部52为硬盘、eeprom、快闪存储器等非易失性存储器。存储部52存储有计算机程序p2和一个或多个学习模型54，该计算机程序p2用于使计算机实施诊断双轴混炼挤出机1的异常、寿命等、双轴混炼挤出机1的状态的处理。
61.计算机程序p2及学习模型54也可以是以计算机可读取的方式记录于记录介质50的样态。存储部52存储由读出装置(未图示)从记录介质50读出的计算机程序p2及学习模型54。记录介质50为快闪存储器等半导体存储器。另外，记录介质50也可以是cd(compact disc)-rom、dvd(digital versatile disc)-rom、bd(blu-ray(注册商标)disc)等光盘。而且，记录介质50也可以是软盘、硬盘等磁盘、磁光盘等。另外，也可以从与通信网(未图示)连接的外部服务器(未图示)下载计算机程序p2及学习模型54，并存储于存储部52中。
62.通信部53为根据以太网(注册商标)等规定的通信协议收发信息的通信电路。通信部53经由第2通信网络与异常检测装置3、数据库6及终端装置7连接，处理部31能够经由通信部53与异常检测装置3、数据库6及终端装置7之间收发各种信息。
63.图5为示出实施方式1的数据库6的记录布局的一例的概念图。数据库6具备硬盘、dbms(database management system：数据库管理系统)，存储与双轴混炼挤出机1的运行有关的各种信息。例如，数据库6的表具有“no.”(记录编号)列、“运行日期和时间”列、“运行数据”列、“螺杆构成”列、“树脂种类”列、“传感器值”列、“状态”列、“品质评价”列、“寿命”列。
[0064]“运行日期和时间”列保存表示得到作为记录而存储的各种数据的年、月、日期和时间等的信息。
[0065]“运行数据”列保存表示双轴混炼挤出机1的运行状态的信息，例如送料器供给量(树脂原料的供给量)、螺杆轴11的转速、挤出量、缸体温度、树脂压力、马达电流等。
[0066]“螺杆构成”列保存与构成螺杆轴11的各种螺杆构件的种类、排列以及组合相关的信息。
[0067]“树脂种类”列保存表示向双轴混炼挤出机1供给的树脂原料的种类的信息。
[0068]“传感器值”列保存传感器值数据。在“传感器值”列中可以直接保存数值数据，也可以如下述那样保存为用图像表示作为时间序列数据的传感器值数据的时间序列数据图像。
[0069]“状态”列保存表示在进行上述运行数据所示的运行控制且得到上述传感器值数据时的双轴混炼挤出机1的状态的信息。例如，保存有表示正常的信息、表示螺杆轴11产生了磨损的异常状态的信息、表示使用了不适合上述螺杆轴11的树脂原料的异常状态的信息、表示超负荷异常的信息等。
[0070]“品质评价”列保存表示在进行上述运行数据所示的运行控制且得到上述传感器值数据时的双轴混炼挤出机1制造的成型品的品质评价的信息。例如，保存表示成型品是否正常、尺寸异常等的信息。
[0071]“寿命”列保存表示用于得到上述信息而使用的双轴混炼挤出机1的寿命的信息。寿命可以是总的产品寿命，也可以是从得到上述数据的时间点起的剩余寿命。
[0072]
数据库6中保存的上述各种数据例如通过使双轴混炼挤出机1试验性地动作来确认双轴混炼挤出机1的动作状态从而评价成型品而得到的。另外，也可以由模拟器模拟双轴混炼挤出机1的动作状态，准备上述各种数据。在本实施方式1中，数据库6保存了试验性或实验性地使双轴混炼挤出机1动作而得到的上述数据、或者通过模拟得到的上述数据。
[0073]
《异常的例子》
[0074]
成为由异常检测装置3及诊断装置5检测或诊断的对象的异常例如包括减速器13的异常振动、超负荷、成型品的尺寸异常、螺杆轴11的伤痕、龟裂、磨损、腐蚀、减速器13及其各部分的磨损导致的性能劣化或油液异常、非高效运行状态(消耗能量的增加等)、导致品质异常的运行状态(强行启动等)、股线的异常(尺寸、异物、颜色、缠绕(扭曲)等不良)、树脂粘度(品质)异常等。
[0075]
在本实施方式1中，异常检测装置3基于传感器值数据检测减速器13的异常振动、超负荷、成型品的尺寸异常、股线的异常、树脂粘度异常等。具体来说，异常检测装置3计算出该传感器值的平均值、方差、均方根等统计量，根据基于计算出的统计量的负荷小的处理，检测减速器13的异常振动、超负荷、成型品的尺寸异常、股线的异常、树脂粘度异常等。
[0076]
另一方面，诊断装置5经由异常检测装置3使用从控制装置14获取的运行数据及传感器值数据、以及在数据库6中积累的过去的传感器值数据等，诊断有无螺杆轴11的伤痕、龟裂、磨损、腐蚀、减速器13的性能劣化或者油液异常、非高效运行状态、导致品质异常的运行状态这类的异常等。另外，诊断装置5还进行确定减速器13的故障部位(例如轴承、齿轮等)的处理。
[0077]
此外，异常检测装置3进行的异常检测处理和诊断装置5进行的诊断处理的任务分配是一个例子，如果异常检测装置3能够进行处理，也可以构成为在异常检测装置3侧执行。
[0078]
《异常检测处理整体的流程》
[0079]
图6及图7是示出实施方式1的双轴混炼挤出机1的异常检测及诊断的处理顺序的流程图。控制装置14将表示双轴混炼挤出机1的运行控制的状态的运行数据发送至异常检测装置3(步骤s11)。
[0080]
异常检测装置3的处理部31通过通信部53接收由控制装置14发送的运行数据(步骤s12)。
[0081]
处理部31获取由传感器2输出的时间序列的传感器值数据(步骤s13)。并且，处理部31基于传感器值数据，计算出该传感器值的平均值、方差、均方根等统计量(步骤s14)，基于计算出的统计量，执行双轴混炼挤出机1的异常判断处理(步骤s15)。
[0082]
接着，处理部31通过通信部53向控制装置14发送表示双轴混炼挤出机1有无异常的判断结果和在步骤s14中计算出的统计量(步骤s16)。
[0083]
控制装置14接收由异常检测装置3发送的判断结果及统计量(步骤s17)，基于接收的判断结果或统计量，监视双轴混炼挤出机1的动作(步骤s18)。例如，在判断结果示出了规定的异常的情况下，控制装置14停止双轴混炼挤出机1的运行控制。
[0084]
接着，控制装置14在显示部显示接收的判断结果及统计量等(步骤s19)。
[0085]
接下来，对发送判断结果及统计量的异常检测装置3的处理进行说明。结束了步骤
s16的处理的异常检测装置3的处理部31通过通信部33向诊断装置5发送在步骤s12中接收的运行数据和在步骤s13中获取的传感器值数据(步骤s20)。
[0086]
诊断装置5接收由异常检测装置3发送的运行数据及传感器值数据(步骤s21)，诊断处理部51使用接收的运行数据及传感器值数据、以及在数据库6中积累的过去的传感器值数据等，执行双轴混炼挤出机1的异常诊断处理(步骤s22)。另外，诊断处理部51执行双轴混炼挤出机1的寿命诊断处理(步骤s23)。诊断处理部51例如，由轴向扭矩的波形评价材料疲劳，计算出剩余寿命。
[0087]
结束了步骤s22及步骤s23的处理的诊断处理部51通过通信部53向异常检测装置3发送诊断结果(步骤s24)。
[0088]
异常检测装置3的处理部31接收由诊断装置5发送的诊断结果(步骤s25)，通过通信部53向控制装置14发送接收的诊断结果(步骤s26)。
[0089]
控制装置14接收由异常检测装置3发送的诊断结果(步骤s27)，在显示部显示接收的诊断结果(步骤s28)。
[0090]
此外，异常检测装置3能够根据来自终端装置7的请求而向终端装置7发送处理部31的异常判断结果、计算出的传感器值数据的统计量、诊断处理部51的诊断结果等。终端装置7显示接收的异常判断结果、统计量及诊断结果。
[0091]
《基于异常检测装置3的异常检测处理》
[0092]
图8是示出异常判断的处理顺序的流程图。异常检测装置3由于无法存储大量的传感器值数据，所以使用当日的运行数据及传感器值数据执行判断双轴混炼挤出机1有无异常的处理。
[0093]
处理部31基于在步骤s12中接收的运行数据，确定用于判断双轴混炼挤出机1有无异常的判断基准的阈值(步骤s51)。例如，由于轴向扭矩和螺杆轴11的转速为反比例关系，所以检测扭矩的超负荷的阈值取决于运行数据之一的螺杆轴11的转速。像这样，处理部31能够根据运行数据确定用于检测异常的阈值。
[0094]
具体来说，异常检测装置3在存储部32存储将运行数据、异常的种类、和判断基准的阈值对应关联的表。处理部31通过使用运行数据并参照该表读出阈值，能够确定与运行数据对应的作为各种异常的判断基准的阈值。
[0095]
接着，处理部31基于表示减速器13的振动的传感器值数据的统计量和在步骤s51中确定出的阈值来判断减速器13有无异常振动(步骤s52)。此外，处理部31也可以构成为将表示减速器13的振动的传感器值数据转换为时间频率分量，基于该时间频率分量的数据判断减速器13有无异常。
[0096]
另外，处理部31基于轴向扭矩、螺杆轴11的温度、表示螺杆轴11的旋转中心的位移的传感器值数据的统计量和在步骤s51中确定的阈值来判断有无超负荷(步骤s53)。
[0097]
进一步地，处理部31基于表示成型品的尺寸的统计量、在步骤s51中确定的阈值来判断有无成型品的尺寸异常(步骤s54)。
[0098]
处理部31基于表示对股线进行拍摄而得到的图像与正常图像的差分的统计量、和在步骤s51中确定的阈值，来判断有无股线的异常(步骤s55)。此外，处理部31能够根据摄像图像中包含的股线的图像的像素尺寸(像素的数量)来测定股线直径。另外，处理部31也能够通过判断摄像图像中包含的图像部分的颜色来判断有无异物。
[0099]
处理部31基于利用传感器2(例如树脂压力传感器)检测出的树脂压力的时间平均和在步骤s51中确定的阈值来判断有无树脂粘度的异常(步骤s56)，结束异常判断处理。
[0100]
《诊断装置5的异常诊断处理》
[0101]
图9是示出异常诊断的处理顺序的流程图。诊断处理部51通过向学习模型54输入表示螺杆轴11的旋转中心的位移的传感器值数据、或通过该传感器值数据的时间频率解析而得到的时间频率数据，来进行螺杆轴11的异常诊断(步骤s61)。
[0102]
在步骤s61中使用的学习模型54例如为如下的卷积神经网络模型，其在输入了以图像表示的作为时间序列数据的传感器值数据的后述的时间序列数据图像的情况下，提取该时间序列数据图像的特征，并输出所提取的特征量。学习模型54为具有cnn(convolutional neural network：卷积神经网络)的特征提取层的模型，例如为单分类模型。诊断处理部51通过对由与在步骤s12接收的运行数据相同或类似的运行数据对应关联、并且在双轴混炼挤出机1正常动作时的传感器值数据得到的特征量与诊断对象的特征量进行比较，能够诊断螺杆轴11有无异常。学习模型54的生成方法及构成的详细内容将在后面叙述。
[0103]
另外，诊断处理部51通过向学习模型54输入从在减速器13上设置的传感器2(例如振动传感器)得到的振动传感器数据、或通过该传感器值数据的时间频率解析得到的时间频率数据，来诊断减速器13及其各部分有无因磨损导致的性能劣化或者油液异常(步骤s62)。
[0104]
在步骤s62中使用的学习模型54例如为支持向量机。该支持向量机为学习利用正常的减速器13的振动传感器数据的时间频率解析得到的时间频率分量和利用异常的减速器13的振动传感器数据的时间频率解析得到的时间频率分量，并分类为正常的减速器13的正常类和异常的减速器13的异常类的分类器。此外，解析对象的频率成分也可以是例如从减速器13得到的主要频率成分、在故障时呈现出的故障频率成分等特定的频率成分。诊断处理部51确定例如利用振动传感器数据的时间频率解析得到的主要频率成分、故障频率成分等。然后，诊断处理部51通过将振动传感器数据的时间频率分量(例如主要频率成分及故障频率成分)输入至支持向量机，来诊断减速器13是否正常。
[0105]
学习模型54也可以是使用卷积神经网络模型的分类器。学习模型54例如只要以在输入振动传感器数据、或由该传感器值数据的时间频率解析而得到的时间频率数据的情况下输出表示减速器13的异常部位、异常水平的数据的方式来学习即可。异常部位例如为减速器13的轴承、齿轮等。
[0106]
另外，诊断处理部51通过向学习模型54输入表示从传感器2得到的轴向扭矩、螺杆轴11的旋转中心的位移、振动等的传感器值数据、或利用该传感器值数据的时间频率解析得到的时间频率数据，来诊断是否处于非高效运行状态(步骤s63)。
[0107]
在步骤s63中使用的学习模型54例如为如下的卷积神经网络模型，其在输入以图像表示的作为时间序列数据的传感器值数据的后述的时间序列数据图像的情况下，提取该时间序列数据图像的特征，并输出提取的特征量。学习模型54为具有cnn的特征提取层的模型，例如为单分类模型。
[0108]
诊断处理部51通过对从与在步骤s12接收的运行数据相同或类似的运行数据对应关联并且在双轴混炼挤出机1处于高效运行状态时传感器值数据得到的特征量与诊断对象
的特征量进行比较，能够诊断是否处于非高效运行状态。
[0109]
另外，诊断处理部51通过向学习模型54输入表示由传感器2得到的轴向扭矩、螺杆轴11的旋转中心的位移、振动等的传感器值数据、或利用该传感器值数据的时间频率解析得到的时间频率数据，诊断是否处于导致品质异常的运行状态(步骤s64)。
[0110]
在步骤s64中使用的学习模型54例如为如下的卷积神经网络模型，其在输入以图像表示的作为时间序列数据的传感器值数据的后述的时间序列数据图像的情况下，提取该时间序列数据图像的特征、输出提取的特征量。学习模型54为具有cnn的特征提取层的模型，例如为为单分类模型。
[0111]
诊断处理部51通过对由传感器值数据而得到的特征量与诊断对象的特征量进行比较，能够诊断是否处于导致品质异常的运行状态，此处的传感器值数据为与在步骤s12中接收的运行数据相同或类似的运行数据对应关联、并且在双轴混炼挤出机1没有处于导致品质异常的运行状态而是处于正常的运行状态时的传感器值数据。
[0112]
此外，诊断处理部51也可以构成为通过监视经由异常检测装置3从控制装置14得到的通电数据并计算出一定时间的运转率，来监视运转率。诊断处理部51也可以构成为基于运转率诊断双轴混炼挤出机1有无异常。
[0113]
以下，作为单分类模型的一例，对螺杆轴异常诊断进行详细描述。
[0114]
图10是示出螺杆轴11的异常诊断的处理顺序的流程图。诊断处理部51将多个传感器值数据转换为以图像表示的一个或多个时间序列数据图像(步骤s71)，在转换得到的时间序列数据图像有多个的情况下，将该多个时间序列图像数据合成为一张时间序列数据图像(步骤s72)。例如，在传感器值数据为表示两根螺杆轴11在各自在两个方向上的位移的数据的情况下，诊断处理部51将以图像表示第1螺杆轴11的旋转中心轴的两个方向上的位移的第1时间序列数据图像、和图像表示第2螺杆轴11的旋转中心轴的两个方向上的位移的第2时间序列数据图像合成。
[0115]
图11为示出两根螺杆轴11的变异的时间序列数据图像。第1时间序列数据图像示出了第1螺杆轴11的位移。第1时间序列数据图像为大致正方形的图像，将与螺杆轴11的旋转中心正交的x轴方向及y轴方向上的位移量绘制为x轴及y轴的座标值。第1时间序列数据图像为绘制了与3次旋转对应的位移的图像。第2时间序列数据图像也能够以同样方式创建。
[0116]
合成得到的时间序列数据图像为具有第1时间序列数据图像的2倍大小(面积为4倍)的大致正方形的图像。时间序列数据图像为变更第1及第2时间序列数据图像的纵横比而直接包含原始的图像所具有的信息。具体来说，时间序列数据图像具有在图11中上侧左右排列配置的第1及第2时间序列数据图像、和配置在下侧使时间序列数据图像呈大致正方形的空白图像。此外，第1及第2时间序列数据图像及空白图像的配置方法没有特别限定，只要直接包含第1及第2时间序列数据图像即可，其配置方法没有特别限定。
[0117]
此外，针对其他多个传感器值数据也同样转换为时间序列数据图像并进行合成即可。在图11示出的例子中，能够以图像表示共计8个传感器值数据，但在合成纵横3
×
3的9张时间序列数据图像的情况下，能够以一张时间序列数据图像来表示18个传感器值数据。
[0118]
接着，诊断处理部51通过向学习模型54输入在步骤s72中合成的时间序列数据图像，来计算时间序列数据图像的特征量(步骤s73)。
[0119]
另外，诊断处理部51从数据库6读出与在步骤s12中接收的运行数据相同或类似的运行数据对应关联并且在双轴混炼挤出机1正常动作时的传感器值数据(步骤s74)，同样将其转换为时间序列数据图像(步骤s75)并进行合成(步骤s76)，向学习模型54输入合成得到的时间序列数据图像，由此，计算在正常动作时的时间序列数据图像的特征量(步骤s77)。
[0120]
接着，诊断处理部51对在步骤s73中计算出的时间序列数据图像的特征量的离群值分数进行计算(步骤s78)。离群值分数为对在步骤s77中计算出的时间序列数据图像的特征量相对于在正常的双轴混炼挤出机1动作时得到的时间序列数据图像的特征量(以下称为样本特征量)而言的离群值的程度进行评价并进行数值化后的值。离群值分数例如为lof(local outlier factor：局部离群因子)。lof能够以作为异常检测对象的特征量的局部密度ld(p)与该特征量的近邻群(该特征量最邻近的k个的样本特征量)的局部密度平均值＜ld(q)＞的比＜ld(q)＞/ld(p)来表示。lof与1相比越大，则作为离群值的程度越大。此外，p表示作为异常检测对象的特征量，q表示上述样本特征量。
[0121]
然后，处理部31通过判断计算出的离群值分数是否为规定的阈值以上，判断双轴混炼挤出机1有无异常(步骤s79)。在离群值分数为上述的lof的情况下，阈值为1以上的值。在lof为阈值以上的情况下，诊断处理部51判断为存在异常，在lof在小于阈值的情况下，判断为正常。
[0122]
此外，上述使用lof的异常判断为一个例子，也可以通过k近邻法、svm来判断双轴混炼挤出机1是否异常。另外也可以构成为通过利用霍特林法判断异常检测对象的特征量是否偏离正常时的样本特征量，来判断双轴混炼挤出机1是否异常。
[0123]
图12为示出时间序列数据图像的特征量及异常检测结果的概念图。图12为将时间序列数据图像的高维特征量降维为2维特征量并在2维平面上绘制的图。图12中示出的图表的横轴及纵轴表示降维得到的时间序列数据图像的第1特征量及第2特征量。此外，特征量的维数压缩能够通过例如t-sne等降维算法进行。
[0124]
如图12所示，学习模型54以从该学习模型54输出的正常时的特征量的局部密度变高的方式来学习。
[0125]
虚线圆示出阈值的范围。在作为异常检测对象的时间序列数据图像的特征量(例如星型六边形标记)与正常时的时间序列数据图像的特征量群之间的统计距离短(局部密度相对较高)、lof值小的情况下，推定双轴混炼挤出机1为正常的状态。在作为异常检测对象的时间序列数据图像的特征量(例如x符号标记)与正常时的时间序列数据图像的特征量群之间的统计距离长(局部密度相对较低)、lof值大的情况下，推定双轴混炼挤出机1为异常的状态。
[0126]
通过使用螺杆轴11的旋转中心轴的位移的异常诊断，能够诊断有无螺杆轴11的磨损等异常。
[0127]
此外，虽然主要对基于螺杆轴11的位移的异常检测进行了说明，但不限定于此。例如，能够基于表示减速器13的振动的传感器值数据计算出频谱，生成以图像表示该频谱的时间序列数据图像，使用生成的时间序列数据图像诊断减速器13的振动异常。
[0128]
另外，能够生成以图像表示示出施加于螺杆轴11的轴向扭矩的传感器值数据的时间序列数据图像，使用生成的时间序列数据图像诊断有无超负荷。
[0129]
图13是示出寿命诊断的处理顺序的流程图。诊断处理部51将多个传感器值数据转
换为以图像表示的一个或多个时间序列数据图像(步骤s91)，在转换得到的时间序列数据图像为多个的情况下，将该多个时间序列图像数据合成为一张时间序列数据图像(步骤s92)。传感器值数据例如为表示轴向扭矩或螺杆轴11的旋转中心的位移的数据。接着，诊断处理部51通过向学习模型54输入在步骤s92中合成的时间序列数据图像，计算出时间序列数据图像的特征量(步骤s93)。
[0130]
另外，诊断处理部51从数据库6读出与特定的传感器值数据(例如在步骤s12中接收的运行数据)相同或类似的运行数据对应关联并且具有正常的寿命的双轴混炼挤出机1的传感器值数据(步骤s94)，同样将其转换为时间序列数据图像(步骤s95)，并进行合成(步骤s96)，通过向学习模型54输入合成得到的时间序列数据图像，计算具有正常寿命的双轴混炼挤出机1的时间序列数据图像的特征量(步骤s97)。
[0131]
接着，诊断处理部51计算在步骤s97中计算出的时间序列数据图像的特征量的离群值分数(步骤s98)。然后，处理部31通过判断计算出的离群值分数是否在规定的阈值以上，判断诊断对象的双轴混炼挤出机1的寿命是否具有正常寿命(步骤s99)。在离群值分数为上述的lof的情况下，阈值为1以上的值。在lof为阈值以上的情况下，判断诊断处理部51寿命短，在lof小于阈值的情况下，判断具有正常的寿命。
[0132]
此外，在此说明了诊断寿命是否正常的例子，但通过对从具有特定的寿命的双轴混炼挤出机1得到的传感器值数据的特征量和现在的传感器值数据的特征量进行比较，能够判断双轴混炼挤出机1是否具有特定的寿命。
[0133]
《学习模型生成方法》
[0134]
对基于诊断装置5的诊断处理所利用的学习模型54的生成方法进行说明。
[0135]
图14为示出学习模型54的生成方法的概要的概念图。对用于判断双轴混炼挤出机1的动作是否正常的学习模型54的生成方法进行说明。以下，对诊断装置5的诊断处理部51使学习模型54进行机器学习的例子进行说明。
[0136]
首先，作为生成单分类模型所需的学习用数据集，准备在双轴混炼挤出机1正常动作时进行检测而得到的多个时间序列数据图像、与时间序列数据图像无关的任意的多个参考图像a、b、c。参考图像a、b、c为例如从image net(图像网络)等学习用数据集选择的多个分类的图像数据。在图14示出的例子中准备带有标签0、标签1、标签2的参考图像a、b、c。
[0137]
然后，使具有提取图像特征的由多个卷积层及池化层构成的特征提取层的学习模型54机器学习正常动作时的时间序列数据图像和参考图像a、b、c。具体而言，诊断处理部51使学习模型54学习，以输出能够判别各图像的特征的特征量、即，如图14的右图所示的时间序列数据图像的特征量的局部密度高且与参考图像a、b、c的特征量的识别性高的特征量。
[0138]
以下，对单分类模型的生成方法的详细情况进行说明。
[0139]
图15为示出在学习阶段的学习模型54的概念图。首先，准备第1神经网络(参考网络)54a和第2神经网络(二级网络)54a。
[0140]
第1神经网络54a为具有输入层、特征提取层及分类层的cnn。特征提取层具有多个卷积层及池化层的重复构造。分类层具有例如一个或多个全连接层。第1神经网络54a使用例如image net等学习用数据集进行预备学习。
[0141]
第2神经网络54a与第1神经网络54a为相同的网络结构，对特征提取层及分类层赋予特征的各种参数(权重系数)也相同。以下，第1及第2神经网络54a在54a的学习阶段，特征
提取层及分类层的各种参数共有相同的值。
[0142]
然后，诊断处理部51向第1神经网络54a输入参考图像a，计算作为损失函数的描述性损失(descriptiveness loss)。另一方面，诊断处理部51将正常时的时间序列数据图像输入至第2神经网络54a，计算作为损失函数的压缩损失(compactness loss)。描述性损失为在分类器的学习中通常使用的损失函数，例如为交叉熵误差。压缩损失由下述式(1)、(2)、(3)表示。压缩损失为与批次内、即学习用数据集中的第2神经网络54a输出分布相当的值。
[0143]
【数学式1】
[0144]
zi＝x
i-mi…
(1)
[0145][0146][0147]
其中，
[0148]
i：表示学习用的多个时间序列数据图像各自的序列号
[0149]
n：批次大小(学习用时间序列数据图像的张数)
[0150]
xi：特征量
[0151]
k：特征量的维数
[0152]
然后，诊断处理部51计算基于描述性损失和压缩损失的总损失。总损失例如以下述式(4)表示。
[0153]
【数学式2】
[0154]
l＝ld+λlc…
(4)
[0155]
其中，
[0156]
l：总损失
[0157]
ld：描述性损失
[0158]
lc：压缩损失
[0159]
λ：常数(例如0.1)
[0160]
诊断处理部51通过以由上述(4)表示的总损失变小的方式使用误差反向传播算法等对第1及第2神经网络54a、54a的各种参数进行优化，来使第1及第2神经网络54a、54a学习。此外，在进行机器学习时，可以使前段的各种参数固定并调整后段的多个层的参数。
[0161]
就从按照上述方式学习的第1及第2神经网络54a、54a的特征提取层输出的特征量而言，如图14所示，在双轴混炼挤出机1正常时得到的时间序列数据图像的特征量的局部密度变高，其他的任意图像的特征量的局部密度低。
[0162]
图16为示出在学习阶段的学习模型54的概念图。如图16所示，本实施方式1的学习模型54能够使用按照上述方式学习的第2神经网络54a的输入层及特征提取层构成。因此，图15中示出的分类层并非本实施方式1的学习模型54的必要构成。但也能够直接使用图15中示出的第2神经网络54a来作为学习模型54，并使用从特征提取层输出的特征量。
[0163]
此外，图16中图示出两个学习模型54，概念性示出输入作为检测对象的时间序列数据图像和作为样本的正常时的时间序列数据图像的状态，并非示出存在两个模型。
[0164]
在测试阶段，诊断处理部51通过将在正常时得到的时间序列数据图像作为样本数据输入至学习模型54，来输出正常时的时间序列数据图像的特征量。另一方面，通过将异常检测对象的时间序列数据图像输入至学习模型54，来输出该时间序列数据图像的特征量。然后，诊断处理部51通过计算异常检测对象的特征量相对于样本数据的特征量而言的离群值分数，并将计算出的离群值分数与阈值比较，从而识别异常检测对象的时间序列数据图像是否异常、即双轴混炼挤出机1是否异常。
[0165]
此外，在图16中示出将样本数据输入学习模型54并计算出该样本数据的特征量的例子，但也可以预先将计算的多个样本数据的特征量存储于存储部32，并在异常检测处理中使用存储部32存储的样本数据的特征量来计算离群值分数。
[0166]
另外，对用于诊断双轴混炼挤出机1有无异常的学习模型54进行了说明，但通过使用从具有正常的寿命的双轴混炼挤出机1得到的传感器值数据使学习模型54学习，能够生成用于诊断双轴混炼挤出机1是否具有正常的寿命的学习模型54。
[0167]
此外，在上述的说明中说明了对正常和异常进行分类的例子，但也可以构成为使用多个作为单分类模型的学习模型54将典型的异常时的时间序列图像数据判别为其他异常时的时间序列数据图像。例如，异常检测装置3具备与上述实施方式1相同地具备学习正常时的时间序列数据图像的第1学习模型54。另外，异常检测装置3具备学习正常时的时间序列数据图像、第1异常时的时间序列数据图像的第2学习模型54。异常检测装置3能够通过使用第1学习模型54、第2学习模型54，来判别正常时的时间序列数据图像、第1异常时的时间序列数据图像、其他异常时的时间序列数据图像。同样地，能够构成为同时在异常检测装置3具备3个以上的学习模型54，从而能够判别两个以上的异常时的时间序列数据图像。
[0168]
另外，对螺杆轴异常诊断进行了详细描述，但也能够同样地构成及生成步骤s63及步骤s64中的进行是否处于非高效运行状态的诊断、是否处于导致品质异常运行状态的诊断的学习模型54。
[0169]
而且，作为学习模型54的一例对单分类模型进行了说明，但也可以使用通常的cnn、u-net、rnn(recurrent neural network：循环神经网络)等神经网络、其他svm(support vector machine：支持向量机)、贝叶斯网络、或回归树等。
[0170]
例如，在积累了正常时的传感器值数据、各种异常时的传感器值数据的情况下，只要将双轴混炼挤出机1的状态作为教师数据，创建在传感器值数据或时间序列数据图像上添加标签的学习用数据集，来训练由cnn等构成的学习模型54即可。双轴混炼挤出机1的状态包含表示双轴混炼挤出机1为正常的正常状态、螺杆轴11磨损的异常状态、使用不适合螺杆轴11的树脂原料的异常状态、发生超负荷的超负荷异常状态、减速器13的振动异常、寿命短的异常状态、成型品的尺寸等的异常状态等。
[0171]
学习模型54具有输入层、中间层及输出层。中间层具有提取图像的特征的多个卷积层及池化层。输出层具有与双轴混炼挤出机1的多个状态对应的多个节点，输出处于该状态的确信度。学习模型54在输入传感器值数据、或传感器值数据的时间序列数据图像的情况下，以使从学习模型54输出的双轴混炼挤出机1的状态接近教师数据所示的状态的方式将中间层的权重系数优化。该权重系数例如为神经元间的权重(结合系数)等。参数的优化的方法没有特别限定，例如使用最速下降法、误差反向传播算法等进行各种参数的优化。
[0172]
根据像这样生成的学习模型54，通过将由诊断对象的双轴混炼挤出机1得到的传
感器值数据的时间序列数据图像输入至学习模型54，能够诊断双轴混炼挤出机1的状态。例如，诊断处理部51判断双轴混炼挤出机1处于与输出最高的确信度的节点对应的状态。
[0173]
另外，学习模型54也可以构成为在向其输入了时间序列数据图像的情况下输出更优化的成型条件或成型条件的调整量。诊断装置5将由学习模型54输出的成型条件发送至异常检测装置3，异常检测装置3将接收的该成型条件发送至控制装置14。
[0174]
＜诊断结果及判断结果的显示处理＞
[0175]
对步骤s19中的判断结果及统计量等显示例进行说明。
[0176]
图17是示出控制装置14中的异常判断结果等显示例的示意图。在显示部显示的判断结果等显示画面141具有图表显示部141a、警告显示部141b、ai诊断显示部141c、处理值显示部141d。图表显示部141a例如用图表显示轴向扭矩、螺杆轴11的振动、位移的统计量的时间变化。警告显示部141b显示表示接收到的双轴混炼挤出机1有无异常的判断结果，在有异常的情况下，显示警告内容。ai诊断显示部141c显示由后述诊断装置5进行的诊断结果。处理值显示部141d显示接收的统计量的值。
[0177]
对步骤s28中的诊断结果的显示例进行说明。
[0178]
图18是示出终端装置7中的异常判断结果等显示例的示意图。判断结果等显示画面71具有图表显示部71a、警告历史记录显示部71b、ai诊断历史记录显示部71c、处理值显示部71d、数据选择部71e。数据选择部71e受理对显示数据的选择。例如，数据选择部71e受理对双轴混炼挤出机1的运行日期和时间、显示的统计量的种类、诊断项目的选择。在第1网络上连接有多个双轴混炼挤出机1的情况下，数据选择部71e也可以构成为受理对双轴混炼挤出机1的选择。终端装置7将由数据选择部71e选择的运行日期和时间、双轴混炼挤出机1的识别信息等发送至异常检测装置3，请求选择出的双轴混炼挤出机1及运行日期和时间的异常判断结果的历史记录、传感器值数据的统计量、诊断结果的历史记录。终端装置7根据请求接收从诊断装置5发送来的这些信息，并显示接收到的信息。
[0179]
图表显示部71a用图表显示传感器值数据的统计量的时间变化。警告历史记录显示部71b显示接收到的表示双轴混炼挤出机1有无异常的判断结果的历史记录。ai诊断历史记录显示部71c显示双轴混炼挤出机1的异常或寿命的诊断结果的历史记录。处理值显示部71d显示接收到的统计量的值。
[0180]
＜本实施方式1的成型机系统的作用效果＞
[0181]
以上，根据本实施方式1的成型机系统，具备进行双轴混炼挤出机1的运行控制的控制装置14、异常检测装置3、诊断装置5，通过各装置协作，不会对控制装置14施加过度的负担就能够检测双轴混炼挤出机1的异常，并诊断双轴混炼挤出机1的异常、寿命等详细状态。
[0182]
另外，异常检测装置3能够使用传感器值数据及运行数据容易地检测双轴混炼挤出机1的异常，并将异常判断结果发送至控制装置14。控制装置14仅通过将运行数据发送至异常检测装置3，就能够接收双轴混炼挤出机1的异常判断结果，并能够基于异常判断结果监视双轴混炼挤出机1的动作。
[0183]
进一步地，异常检测装置3能够计算出传感器值数据的统计量，并发送至控制装置14，在显示部显示统计量的图表及统计量的值。
[0184]
更进一步地，异常检测装置3能够检测减速器13的振动异常、相对于螺杆轴11的超
负荷、成型品的尺寸异常，向控制装置14发送相关的异常。
[0185]
更进一步地，诊断装置5能够基于当前的双轴混炼挤出机1的运行数据及传感器值数据、在数据库6中积累的过去的传感器值数据，详细地诊断双轴混炼挤出机1的异常及寿命。诊断装置5能够进行在异常检测装置3中无法执行的双轴混炼挤出机1的状态诊断。
[0186]
异常检测装置3通过向诊断装置5发送当前的双轴混炼挤出机1的运行数据及传感器值数据并请求诊断，能够获取诊断结果并向控制装置14发送获取的诊断结果。控制装置14仅通过向异常检测装置3发送运行数据，就能够接收由诊断装置5进行的诊断结果，在显示部显示诊断结果。
[0187]
更进一步地，诊断装置5能够使用学习模型54诊断双轴混炼挤出机1的异常、寿命等状态。
[0188]
更进一步地，通过用单分类模型构成学习模型54，不会使用异常时的双轴混炼挤出机1的时间序列数据图像，而能够使用在正常的双轴混炼挤出机1的动作时得到的时间序列数据图像来对该学习模型54进行机器学习。
[0189]
更进一步地，通过将由多个传感器2输出的传感器值数据显示于一张时间序列数据图像，使用学习模型54计算出该时间序列数据图像的特征量，能够容易地得到高精度地表示双轴混炼挤出机1的状态的特征量。通过使用以这样的方式得到的特征量，能够高精度地诊断双轴混炼挤出机1的状态。
[0190]
更进一步地，在本实施方式1中说明了诊断装置5对学习模型54进行机器学习的例子，但也可以使用外部的其他计算机或服务器对学习模型54进行机器学习。
[0191]
更进一步，在本实施方式1中主要对双轴混炼挤出机1的异常检测及诊断进行了说明，但也可以构成为进行注射成型机、膜成型机等成型机、其他制造装置的异常检测及诊断。
[0192]
(变形例)
[0193]
诊断装置5也可以构成为对使用了学习模型54的诊断处理执行计费处理。例如，诊断装置5也可以根据双轴混炼挤出机1的台数、传感器2的数量、传感器2的种类、诊断处理对象的数据量、使用的学习模型54的数量等，计算出诊断费用，将计算出的诊断费用、异常诊断系统的用户id、双轴混炼挤出机1的识别id、利用日期和时间、数据量、诊断项目对应关联地存储于存储部52。
[0194]
(实施方式2)
[0195]
实施方式2的成型机系统在受理用户对诊断结果的反馈并更新学习模型54或诊断基准这一点与实施方式2不同。成型机系统的其他结构与实施方式1的成型机系统相同，因此对相同的部位标注相同的附图标记，并省略详细的说明。
[0196]
图19是示出实施方式2的与诊断结果有关的反馈处理顺序的流程图。异常检测装置3经由控制装置14接受诊断结果的适当与否或双轴混炼挤出机1的正确状态(步骤s211)。异常检测装置3的处理部31向诊断装置5发送包含得到作为评价对象的诊断结果的基础的运行数据及传感器值数据、以及表示双轴混炼挤出机1的正确状态的数据的反馈信息(步骤s212)。
[0197]
此外，上述的反馈信息的内容为一个例子。例如在数据库6内存储了诊断id、运行数据、传感器值数据及诊断结果的情况下，异常检测装置3只要向诊断装置5发送包含接收
到的诊断结果附带的诊断id、双轴混炼挤出机1的正确状态在内的反馈信息即可。另外，异常检测装置3也可以构成为向诊断装置5发送包含诊断id及诊断结果的适当与否的反馈信息。
[0198]
诊断装置5接收由异常检测装置3发送的反馈信息(步骤s213)，将接收到的反馈信息存储于数据库6(步骤s214)。也就是说，存储运行数据、传感器值、双轴混炼挤出机1的正确状态。并且，诊断处理装置基于反馈信息追加训练学习模型54，或更新诊断基准(步骤s215)。
[0199]
例如，在异常这一诊断结果错误而双轴混炼挤出机1正常的情况下，通过将诊断结果错误的传感器值数据作为正常时的数据加入到学习用数据集中并对学习模型54进行追加训练，能够提高学习模型54的特征量的提取精度。
[0200]
另外，也可以构成为基于计算出的分数值，变更用于诊断双轴混炼挤出机1的异常的阈值。例如，在异常这一诊断结果错误而双轴混炼挤出机1正常的情况下，诊断处理部51使阈值正大。在正常这一诊断结果错误而双轴混炼挤出机1异常的情况下，诊断处理部51使阈值减少。
[0201]
此外，学习模型54及诊断基准的变更只要接收及积累多个反馈信息来进行即可。
[0202]
根据实施方式2的成型机系统，通过来自用户的反馈，能够进一步提高诊断装置5的诊断精度。
[0203]
(实施方式3)
[0204]
实施方式3的成型机系统与实施方式3的不同点在于，将在现场得到的运行数据、传感器值数据、表示双轴混炼挤出机1的状态的数据积累在数据库6内并追加训练学习模型54。成型机系统的其他结构由于与实施方式1的成型机系统相同，所以对相同的部位标注相同的附图标记，并省略详细的说明。
[0205]
图20是示出与实施方式3的双轴混炼挤出机1的状态有关的反馈处理顺序的流程图。异常检测装置3经由控制装置14接受双轴混炼挤出机1的状态(步骤s311)。也就是说，异常检测装置3接受由用户评价的双轴混炼挤出机1的当前的状态。然后，异常检测装置3的处理部31向诊断装置5发送包含运行数据、传感器值数据、双轴混炼挤出机1的状态的信息(步骤s312)。
[0206]
另外，异常检测装置3只要接受并向诊断装置5发送双轴混炼挤出机1的螺杆轴11的结构、树脂原料的种类、成型品的品质评价、推定寿命等信息即可。
[0207]
诊断装置5接收由异常检测装置3发送的包含运行数据、传感器值数据、双轴混炼挤出机1的状态、其他上述信息在内的信息(步骤s313)，并将接收到的信息存储于数据库6(步骤s314)。也就是说，诊断处理部51存储运行数据、传感器值数据、双轴混炼挤出机1的状态、其他上述信息。然后，诊断处理装置基于在数据库6中积累的用户的评价，使用包含传感器值数据的学习用数据集，使学习模型54追加训练(步骤s315)。
[0208]
根据实施方式3的异常检测装置3，通过反映用户的评价而使学习模型54追加训练，能够进一步提高诊断装置5的诊断精度。
[0209]
此外，根据以这样的方式从异常检测装置3发送的信息根据，能够创建有监督学习用的数据集。诊断装置5，如实施方式1中说明的那样，可以构成为在使用有监督学习用数据集输入了传感器值数据或时间序列数据图像的情况下，生成输出双轴混炼挤出机1的状态
的信息的学习模型54，或进行追加训练。
[0210]
附图标记说明
[0211]
1 双轴混炼挤出机
[0212]
2 传感器
[0213]
3 异常检测装置
[0214]
4 路由器
[0215]
5 诊断装置
[0216]
6 数据库
[0217]
7 终端装置
[0218]
10 缸体
[0219]
11 螺杆轴
[0220]
12 马达
[0221]
13 减速器
[0222]
14 控制装置
[0223]
31 处理部
[0224]
33 通信部
[0225]
34 获取部
[0226]
51 诊断处理部
[0227]
53 通信部
[0228]
54 学习模型
[0229]
54a 神经网络
[0230]
p1、p2计算机程序。

技术特征：
1.一种异常检测系统，其具备检测制造装置的异常的异常检测装置，所述异常检测系统的特征在于，具备：控制装置，其进行所述制造装置的运行控制，发送表示该运行控制的内容的运行数据；以及传感器，其检测所述制造装置的动作或产品的物理量，输出表示检测出的物理量的时间序列的传感器值数据，所述异常检测装置具备：接收从所述控制装置发送来的所述运行数据的通信部；获取从所述传感器输出的传感器值数据的获取部；以及处理部，其计算出由该获取部获取的传感器值数据的统计量，基于计算出的所述统计量和与接收到的所述运行数据对应的阈值，判断所述制造装置有无异常，所述通信部将判断结果以及所述统计量发送至所述控制装置。2.根据权利要求1所述的异常检测系统，其特征在于，所述控制装置接收从所述异常检测装置发送来的所述判断结果，监视所述制造装置的状态。3.根据权利要求1或2所述的异常检测系统，其特征在于，所述控制装置接收从所述异常检测装置发送来的所述统计量，显示基于接收到的所述统计量的图表或数值。4.根据权利要求1～3中任一项所述的异常检测系统，其特征在于，所述制造装置是具有减速器的成型机，所述传感器检测所述减速器的振动，所述处理部判断所述减速器有无异常振动。5.根据权利要求1～4中任一项所述的异常检测系统，其特征在于，所述制造装置是具有螺杆轴的成型机，所述传感器检测施加于所述螺杆轴的轴向扭矩、所述螺杆轴的温度、或所述螺杆轴的位移，以及所述处理部判断有无相对于所述成型机及所述螺杆轴的超负荷。6.根据权利要求1～5中任一项所述的异常检测系统，其特征在于，所述制造装置是成型机，所述传感器检测由所述成型机制造的成型品的尺寸，所述处理部判断所述成型品的尺寸有无异常。7.一种成型机系统，其特征在于，具备权利要求1～6中任一项所述的异常检测系统、以及成型机，所述异常检测系统构成为检测所述成型机的异常。8.一种异常检测装置，其检测制造装置的异常，所述异常检测装置的特征在于，具备：通信部，其接收从进行所述制造装置的运行控制的控制装置发送来的、表示该运行控制的内容的运行数据；获取部，其获取从检测所述制造装置的动作或产品的物理量的传感器输出的时间序列的传感器值数据；以及
处理部，其计算出由所述获取部获取的传感器值数据的统计量，基于计算出的所述统计量和与获取的所述运行数据对应的阈值，判断所述制造装置有无异常，所述通信部将判断结果以及所述统计量发送至所述控制装置。9.一种异常检测方法，使计算机执行检测制造装置的异常的处理，所述异常检测方法的特征在于，所述计算机执行如下的处理：接收从进行所述制造装置的运行控制的控制装置发送来的、表示该运行控制的内容的运行数据，获取从检测所述制造装置的动作或产品的物理量的传感器输出的时间序列的传感器值数据，计算出获取的传感器值数据的统计量，基于计算出的所述统计量、以及与获取的所述运行数据对应的阈值，判断所述制造装置有无异常，将判断结果发送至所述控制装置。10.一种计算机程序，其用于使计算机执行检测制造装置的异常的处理，所述计算机程序的特征在于，使所述计算机执行如下的处理：接收从进行所述制造装置的运行控制的控制装置发送来的、表示该运行控制的内容的运行数据，获取从检测所述制造装置的动作或产品的物理量的传感器输出的时间序列的传感器值数据，计算出获取到的传感器值数据的统计量，基于计算出的所述统计量、以及与获取到的所述运行数据对应的阈值，判断所述制造装置有无异常，将判断结果发送至所述控制装置。

技术总结
异常检测系统具备检测制造装置的异常的异常检测装置、进行制造装置的运行控制并发送运行数据的控制装置、以及检测制造装置的动作或产品的物理量并输出传感器值数据的传感器，异常检测装置接收从控制装置发送来的运行数据，获取从传感器输出的传感器值数据，算出获取到的传感器值数据的统计量，基于算出的统计量、与接收到的运行数据对应的阈值来判断制造装置有无异常，将判断结果及统计量发送至控制装置。装置。装置。


技术研发人员：风吕川干央 铃木润 平野峻之
受保护的技术使用者：株式会社日本制钢所
技术研发日：2021.10.27
技术公布日：2023/9/13