CN119452237A 推定方法、推定装置和计算机程序 （株式会社日本制钢所）

2024.12.27PCT/JP2023/0124132023.03.28WO2024/014070JA2024.01.18获取与构成成型机的部件的状态相关的物的寿命或异常程度或成型品品质的多个推定模来推定所述部件的寿命或异常程度或成型品品2准备多个推定模型，其通过不同的算法来推定所述部使用从所述多个推定模型中选择的一个或多个所述推定模型，基所述多个推定模型包括学习模型，所述学习模型在被输入根据所述通过将根据所获取的所述物理量数据生成的图像数据输入到所述学习所述物理量数据包括表示多种类型的物理量的物所述多个推定模型包括数学模型，所述数学模型表示多种类型的所述种类型的所述物理量以外的其他状态量以及所述部件的寿命或异常程度或成型品品质之通过将所获取的所述物理量数据代入一个或多个所述数学模型，推所述多个推定模型包括回归方程，该回归方程具有一个或多个解释变理量数据与所述部件的寿命或异常程度或成型品品质之间的关通过将所获取的所述物理量数据代入所述回归方程，推定所述部件的所述物理量数据包括表示多种类型的物理量的物学习模型，其在被输入根据所述物理量数据生成的图像数数学模型，其表示多种类型的所述物理量数据、多种类型的所通过将根据所述所获取的所述物理量数据生成的图像数据输入到所述获取的所述物理量数据代入所述数学模型，将所获取的所述物理量数据代入所述回归方基于通过短期测量所获得的所述物理量数据来推定所述部件的寿命或异常程度或成3基于通过长期测量所获得的所述物理量数据来推定所述部件的寿命或异常程度或成基于通过测量与所述部件相关的第一部位的物理量所获得的物理量数据来推定所述基于通过测量与所述部件相关的第二部位的物理量所获得的物理量数据来推定所述所述物理量数据包括与所述减速器相关的物理量数据、与所述螺杆相关的物理量数基于与所述减速器相关的物理量数据来推定所述减速器的寿命或异常程度或成型品基于与所述螺杆相关的物理量数据来推定所述减速器的寿命或异常程度或成型品品计算出使用所述多个推定模型推定出的所述部件的寿命或异常程度或成型品品质的将表示多个所述成型机中的每一个的设备标识符、表示构成所将表示被推定出的所述部件的寿命或异常程度或成型品品质的信息能将表示被推定出的所述部件的寿命或异常程度或成型品品质的信息向及处理部，使用从所述多个推定模型中选择的一个或多个所述推定模型，部所获取的所述物理量数据来推定所述部件的寿命或异常程使用从通过不同的算法来推定所述部件的寿命或异常程度或成型品品质的多个推定45[0002]专利文献1公开了预测注射成型机等中的旋转部件的寿命的寿命预测装置。专利文献1的寿命预测装置累计由驱动马达旋转的旋转部件的转速，并根据累计的转速和使旋[0003]专利文献2公开了异常检查装置，其具备检测设置于注射成型机的滚珠丝杠的振[0009]考虑通过收集与构成成型机的部件的状态关联的物理量[0010]虽然有能够用于对构成成型机的部件进行寿命预测的各[0013]根据本公开的一个方面的推定方法获取与构成成型机的部件的状态相关的物理理量数据来推定所述部件的寿命或异常程度或成型基于所述获取部所获取的所述物理量数据来推定所述部件的寿命或异常程度或成型品品[0015]根据本公开的一个方面的计算机程序(计算机程序产品)用于使计算机执行以下6所述部件的寿命或异常程度或成型品品质的多个推定模型中选择的一个或多个所述推定[0044]图1是示出根据本实施方式的成型机系统的构成例的框图。成型机系统包括成型7多个成型机1以及数据收集装置3设置于保有成型机1的多个用户各自的工厂。用户并非为过由减速器14减速传动的马达13的驱动据直接或间接地向数据收集装置3输出。物理量数据为示出被检测的物理量的时间序列的8[0061]图3是示出根据本实施方式的数据收集装置3的构成例的框图。数据收集装置3是据输入部34连接于控制部31。数据收集装置3例如是PLC(ProgrammableLogic[0062]控制部31具有CPU(CentralProcessingUnit：中央处理部)、多核CPU、ASIC(ApplicationSpecificIntegratedCircuit：专用集成电路)、FPGA(Field_部33经由LAN等第一通信网络连接于控制装置15，控制部31能够经由通信部33与控制装置端上的寿命预测装置5。控制部31能够经由通信部33和路由器4与寿命预测装置5之间收发[0066]数据输入部34为供从传感器2输出的信号输入的输入接口。数据输入部34连接有[0068]图4是示出根据实施方式的寿命预测装置5的构成例的框图。寿命预测装置5为计9理单元)、TPU(TensorProcessingUnit:张量处理单元)、ASIC、FPGA、NPU(Neural处理部51通过执行后述的存储部52所存储的计算机程序(计算机程序产品)P，作为根据本[0072]计算机程序P等可以为计算机能够读取地记录于记录介质50的形式。存储部52存储通过未图示的读出装置从记录介质50读出的计算机程序P等。记录介质50为闪存等半导体存储器。此外，记录介质50可以为CD(CompactDisc：致密盘)一ROM、DVD(Digital51能够通过执行该现有的已经学习的模型的迁移学习或微调，生成专用于特定的成型机1由传感器2检测的多种类型的物理量的物理量数据与该物理量以外的其他状态量的关系；型机等预先进行了调整。寿命推定数学模型82也优选使用试验用成型机等预先进行粗调。处理部51能够通过对该状态量推定数学模型81和寿命推定数学模型82进行迁移学习或微成型机1的部件的残留寿命之间的关系的寿命推定函数(回归方程)92(参见图14)。规定寿寿命推定函数92的迁移学习或微调，生成专用于特定的成型机1和部件的残留寿命预测的量数据来预测构成成型机1的部件的寿命的模型，第二寿命预测模型M2和第三寿命预测模型M3是基于通过长期测量获得的时间序列的物理量数据来预测构成成型机1的部件的寿命的时间序列的物理量数据来预测构成成型机1的部件的寿命。也可以配置为用于对构成成型机1的部件进行寿命预测的物理量数据的测量时间跨度能够针对每个寿命预测模型进行[0081]例如，第一至第三寿命预测模型M1、M2、M3可以由多层感知器(MultilayerPerceptron：MLP)、卷积神经网络(ConvolutionalNeuralNetwork：CNN)、图神经网络[0082]图5是示出收集数据DB52a的记录布局的一例的概念图。收集数据DB52a包括硬盘[0084]图6是示出模型构成DB52b的记录布局的一例的概念图。模型构成DB52b包括硬盘“第二寿命预测模型”列保存状态量推定数学模型81和寿命推定数学模型82的权重系数和该部件的残留寿命的传感器2的标识符。保存用于使用该第三寿命预测模型M3来预测该部件的残留寿命的传感器2的标识符。残留寿命的平均值等。使用第一传感器21获得的物理量数据例如是减速器14的振动数据，使用第二传感器22获得的物理量数据是螺杆11数据收集装置3获取与构成成型机1的部件的状态相关的物理量数据(步骤S11)。处理部51将所获取的物理量数据保存在收集数据DB[0094]需要说明的是，处理部51也可以构成为，根据作为寿命预测对象的成型机1的部[0096]用于构成已经学习的第一寿命预测模型M1的数据例如是图像识别学习模型73的[0097]图8是示出第一寿命预测模型M1的概念图。第一寿命预测模型M1包括频率分析部叶变换为频率成分的物理量数据的运算处理部。频率分析部71优选通过短时傅里叶变换选将物理量数据表示在将图像的横轴设为频率且将纵轴设为频率成分的大小的图像平面[0098]需要说明的是，频率分析的方法不限于STFT，也可以使用小波变换(Wavelet[0100]输入层73a具有多个节点，构成傅里叶变换图像的各个像素的像素值被输入到这[0101]输出层73c具有输出表示在物理量数据测定时间点的部件的残留寿命的残留寿命多层感知器(MultilayerPerceptron：MLP)、卷积神经网络(ConvolutionalNeuralNetwork：CNN)、图神经网络(GraphNeuralNetwork：GNN)、图卷积神经网络(Graph随机森林、SVM(SupportVectorMachine：支持向量机)等算法来构成第一寿命预测模型[0103]图9是示出第一寿命预测模型M1的学习处理顺序的流程图。处理部51通过对收集数据DB52a中累积的时间序列的物理量数据进行频率分析，将其变换为频率成分的物理量处理部51在傅里叶变换图像上标记测量到该傅里叶变换图像所基于的物理量数据的时间作为学习数据(训练数据)来执行第一寿命预测模型M动。使用在图10A所示的期间(经过天数0到7个月)中获得的学习数据来执行图像识别学习[0105]在图10B中，左侧(经过天数0至2个月)的圆点图示出通过将从包括使用过的部件(残留寿命短)的成型机1获得的傅里叶变换图像输入到图像识别学习模型73而得到的残留经学习的图像识别学习模型73来预测部件数学模型81和寿命推定数学模型82。状态推定模型是规定表示能够使用传感器2检测的多数据和由状态量推定数学模型81推定的物理量数据来推定成型机1的部件的残留寿命的函模型81和寿命推定数学模型82的系数最优化(步骤S32)。状态量推定数学模型81和寿命推定数学模型82能够利用回归方程来表示，并且处理部51能够通过例如核岭回归(KernelRidgeRegression)来将该数学模型的系数最优化。存储部52存储预先进行了粗调的状态用在图13A所示的期间(经过天数0到12个月)中获得的学习数据来进行状态量推定数学模[0110]在图13B中，右侧的期间(经过天数3至8个月)中所示的期间的范围里所示的圆点图示出基于从包括新部件(残留寿命长)的成型机1获得的物理量数据的RMS预测出的残留件(残留寿命短)的成型机1获得的物理量数据的RMS预测的残留寿命。如图13A和图13B所[0111]图14是示出第三寿命预测模型M3的概念图。第三寿命预测模型M3包括RMS计算部通过一个或多个解释变量来表示作为目标变量的残留寿16A所示的期间(经过天数1至16个月)中获得的学习数据来执行寿命推定函数92的机器学用过的部件(残留寿命短)的成型机1获得的物理量数[0116]图17和图18是示出寿命预测的处理顺序的流程图。寿命预测装置5的处理部51从件进行预测而使用的一个或多个寿命预测模型(步骤DB52b读取与表示特定的成型机1和部件的设备ID和部件ID对应关联的寿命推定数学模型[0117]处理部51判定是否使用第一寿命预测模型M1(步骤S53)。在判定为使用第一寿命的物理量数据和计算出的未知的状态量代入寿命推定数学模型82来预测部件的残留寿命[0123]接下来，处理部51执行构成成型机1的各部件的残留寿命和时间序列图表的显示处理(步骤S66)。处理部51例如将各部件的残浏览器查看所拥有的各成型机1的状态的门户[0124]另外，处理部51将计算出的构成成型机1的各部件的残留寿命和时间序列图表的[0125]根据本实施方式的寿命预测装置5提供能够查看多个成型机1和部件各自的残留[0126]图19是示出在门户网站所显示的残留寿命推定结果显示画面101的一例的示意显示表示成型机1的状态的代表性的一个或多个物理量数据的时间序列图表的画面。仪表板画面102具有用于指定所显示的成型机1和期间等的显示操作部121、以及时间序列图表收集数据DB52a读取与受理的信息相对应的物理量数据，并创建所读取的物理量数据的时[0131]图21是示出显示于在门户网站的搜索显示画面103的一例的示意图。搜索显示画面103具有用于搜索时间序列图表的搜索操作部131和显示搜索到的时间序列图表的时间收集数据DB52a读取与所受理的信息对应的物理量数据，并创建所读取的物理量数据的时143显示表示成型机1的状态的代表性的时间序列图表。该成型机1的服务负责者能够选择并指定应在月报中显示的时间序列图表。寿命预测装置5将评论与设备ID和报告发行年月[0135]处理部51在受理由用户向报告搜索部141输入的信息，并且搜索按钮被操作的情[0138]寿命预测装置5虽然收集多种类型的物理量数据，但是能够通过选择或组合任意[0139]寿命预测装置5能够通过将基于通过短期测量而获得的物理量数据来预测部件的[0140]寿命预测装置5能够将基于通过测量与构成成型机1的规定部件相关的第一部位测量与该规定部件相关的第二部位的物理量而得到的物理量数据来预测该规定部件的残[0141]寿命预测装置5能够使用与减速器14相关的物理量数据、与螺杆11相关的物理量[0142]寿命预测装置5能够将基于与减速器14相关的物理量数据来预测减速机14的残留[0143]寿命预测装置5能够通过计算使用多个寿命预测模型推定的成型机1的部件的寿[0144]寿命预测装置5能够针对不同的成型机1和部件的每一者存储不同的寿命预测模适合于不同的成型机1以及部件中的每一者的一个或多个寿命预测模型来预测该部件的残[0145]寿命预测装置5能够在门户网站显示构成成型机1的部件的残留寿命的预测结果[0146]寿命预测装置5能够将构成成型机1的部件的残留寿命的预测结果和物理量数据的时间序列图表发送到用户的终端装置6a和物理量数据来推定所述部件的寿命或异常程[0174]通过将根据所述所获取的所述物理量数据生成的图像数[0178]基于通过短期测量所获得的所述物理量数据来推定所述部件的寿命或异常程度[0179]基于通过长期测量所获得的所述物理量数据来推定所述部件的寿命或异常程度[0183]基于通过测量与所述部件相关的第一部位的物理量所获得的物理量数据来推定[0184]基于通过测量与所述部件相关的第二部位的物理量所获得的物理量数据来推定所述部件的寿命或异常程度或成型品品质的[0193]基于与所述减速器相关的物理量数据来推定所述减速器的寿命或异常程度或成[0194]基于与所述螺杆相关的物理量数据来推定所述减速器的寿命或异常程度或成型[0197]计算出使用所述多个推定模型推定出的所述部件的寿命或异常程度或成型品品[0203]将表示推定出的所述部件的寿命或异常程度或成型品品质的信息能够显示地提[0206]将表示推定出的所述部件的寿命或异常程度或成型品品质的信息向终端装置发