注塑成型机的控制装置.pdf

本发明提供一种注塑成型机的控制装置，由具备利用了神经网络(26、27)的控制装置(20)的注塑成型机(10)来进行试成型和批量成型。根据试成型决定的质量预测函数(Qpf)在批量成型时也根据必要进行修正。

权利要求书
1.  一种注塑成型机的控制装置，该注塑成型机的控制装置(20)具备神经网络(26、27)，将试成型的信息输入该神经网络中，推定神经网络中的加权系数和阈值，并重复与试成型的次数相同的次数，由此来确定质量预测函数(Qpf)，由该质量预测函数开始批量成型，其特征在于，具备：
管理上下限判断部(22)，设定表示成型机(10)各部分的状态的各监测值(M)的管理上限值和管理下限值；以及
要否修正函数判断部(24)，以由该管理上下限判断部设定的管理上限值、管理下限值为管理范围，当批量成型时获得的监测值超出上述管理范围时，输出修正上述质量预测函数的指令(Fc)，和/或从报警信号产生部(25)产生警报信号(As)。

2.  如权利要求1所述的注塑成型机的控制装置，其特征在于，上述管理上限值为从试成型时获得的监测组中选择的最大值(M1)，上述管理下限值为从试成型时获得的监测组中选择的最小值(M2)。

3.  如权利要求1所述的注塑成型机的控制装置，其特征在于，上述控制装置包括如下控制：当批量成型时获得的监测值(M3)超出上述管理范围时，从上述报警信号产生部中产生报警信号，当该报警信号连续预定次数时或报警信号的累计次数到达预定数时，修正质量预测函数，和/或使成型机停止动作。

4.  如权利要求1所述的注塑成型机的控制装置，其特征在于，上述控制装置(20)包括：
运算部(28)，通过将上述监测值(M)提供给质量预测函数(Qpf)来预测质量值；以及
优良与否判断部(29)，当由该运算部预测的质量预测值(Qp)在要求质量(Dq)内时认定成型品为优良品，当质量预测值在要求质量外时认定成型品为不良品。

说明书注塑成型机的控制装置
技术领域
本发明涉及利用了神经网络的注塑成型机的控制装置。
背景技术
注塑成型机在调节成型条件的同时制造树脂制品。当产生不良品时，修正上述成型条件，以获得优良品。作为成型条件的修正技术，提出过例如公开在日本特许公开第5-309711号公报中，利用了神经网络的成型控制方法的方案。通过使用神经网络，能够高效率地处理有偏差的监测值，能够缩短试运行的时间和压缩试运行的成本。
下面根据图6说明神经网络的原理。
图6表示用由4个输入单元构成的输入层100、由具有5个单元的1层构成的中间层110、和由1个输出单元构成的输出层120构成的分层型神经网络的例子。
输入层100将例如有关注塑成型机中设置的传感器检测到的射出最前进位置的监测值S1、有关计量开始位置的监测值S2、有关材料落下口温度的监测值S3、以及有关填充峰值压的监测值S4，分别被输入给第1、第2、第3和第4输入单元101、102、103和104中。
中间层110的第1单元111的值通过用阈值和每次输入确定的加权系数处理上述各监测值S1、S2、S3、S4来确定。中间层110的第2单元112的值通过用其他的阈值和每次输入确定的加权系数处理上述各监测值S1、S2、S3、S4来确定。同样确定第3～第5单元113～115的值。
输出层120的输出单元121再用其他的阈值和分别为第1～第5单元111～115确定的加权系数处理中间层110的第1～第5单元111～115的值，通过这样确定。该输出单元121在本实施例中为由成型品的质量预测值构成的预测重量。
由于神经网络为函数，因此可以将输入到输入层100的上述各监测值S1～S4和输出层120作为已知数，将函数内的加权系数和阈值作为未知数。即，将监测值S1～S4输入输入层100，将成型品的测量重量输入输出层120。并且，反复进行加权系数和阈值的修正和计算，直至计算机预测的重量与上述测量重量一致。当预测重量与测量重量很好地一致时，确定加权系数和阈值。如果确定了加权系数和阈值，则确定了函数、即质量预测函数。
这样一来，如果采用神经网络，不仅能够计算预测重量，还能够通过推定加权系数和阈值来确定质量预测函数。
为了确认神经网络的精度，本发明者等人使用了具备神经网络的注塑成型机进行过确认实验。实验的要领如下：
(1)设定估计能够获得优良品的严格的成型条件。
(2)进行20次(shot)试成型。此时用注塑成型机所具备的传感器获得监测值。
(3)测量每次成型的成型品的重量。
(4)将各监测值作为神经网络的输入，将成型品的重量作为神经网络的输出，确定神经网络的加权系数和阈值。在某次成型的下一次成型中修正某次成型使用过的加权系数和阈值。将这样的反复修正称为“学习”。
(5)通过进行20次学习来确定神经网络(质量预测函数)。该神经网络(质量预测函数)是指加权系数和阈值确定时的重量预测函数。因此，该重量预测函数可以在将监测值作为输入时、将预测重量作为输出。
(6)第21次成型以后进行批量成型。批量成型过程中不修正重量预测函数。在批量成型过程中也用注塑成型机所具备的传感器获得监测值。
(7)并且，测量成型品的重量。该测量的重量称为测量重量。
(8)学习结束的神经网络(重量预测函数)以(6)中获得的监测值为输入，由此计算预测重量。
(9)将测量重量与预测重量Ws进行比较，检查预测重量Ws的准确度。
以上叙述的确认实验的结果如图7所示。另外，横轴表示成型次数，纵轴表示成型品的重量，粗曲线表示测量重量Wact，细曲线表示预测重量Ws。
横轴上0～20为试成型范围，21以上为批量成型范围。
通过1～20次成型确定了重量预测函数。
21次成型～50次成型过程中，当确定的重量预测函数中输入以监测值、输出预测重量Ws时，该预测重量Ws非常接近测量重量Wact。
51次成型～110次成型中，当上述重量预测函数中输入监测值、输出预测重量Ws时，该预测重量Ws大大偏离测量重量Wact。
可以认为，51次成型～110次成型受时效变化或批量成型时成型条件的微修正等的影响。
由于注塑成型机要连续实施多次成型，因此需要避免某个时刻以后预测精度恶化，希望改进技术。
发明内容
如果采用本发明，能够提供注塑成型机地控制装置，其具备神经网络，将试成型的信息输入该神经网络中，推定神经网络中的加权系数和阈值，并重复与试成型的次数相同的次数，由此来确定质量预测函数，由该质量预测函数开始批量成型；其特征在于，该控制装置包含：管理上下限判断部，设定表示成型机各部分的状态的各监测值的管理上限值和管理下限值；以及要否修正函数判断部，以由该管理上下限判断部设定的管理上限值、管理下限值为管理范围，当批量成型时获得的监测值超出上述管理范围时，输出修正上述质量预测函数的指令，和/或从报警信号产生部产生警报信号。
由于控制装置中具备要否修正函数判断部，因此当批量成型时监测值变化到一定以上时能够用控制装置来修正质量预测函数。在批量成型时通过修正质量预测函数能够提高质量预测的可靠性。
并且，当监测值变化到一定以上时能够由报警信号产生部产生报警信号，能够提醒作业者等修正质量预测函数。
最好，上述管理上限值为从试成型时获得的监测组中选择的最大值，上述管理下限值为从试成型时获得的监测组中选择的最小值。
由于最大值和最小值唯一确定，因此系统管理变得容易。
最好，上述控制装置包括如下控制：当批量成型时获得的监测值超出上述管理范围时，从上述报警信号产生部中产生报警信号，当该报警信号连续预定次数或报警信号的累计次数到达预定数时，修正质量预测函数，和/或使成型机停止动作。
当监测值超出管理范围时，产生报警信号。当该报警信号连续预定次数或累计次数到达预定次数时，控制装置实施函数的修正。当由于信号系统的紊乱使监测值超出管理范围时，可以认为随后监测值会进入管理范围。假设如此，第1阶段发出警报，第2阶段修正函数。如果不进入第2阶段，则控制装置不必修正函数，因此能够减轻控制装置的负担。
最好，上述控制装置包括：运算部，通过将上述监测值提供给质量预测函数来预测质量值；优良与否判断部，当该运算部预测的质量预测值在要求质量内时认定成型品为优良品，当质量预测值在要求质量外时认定成型品为不良品。
在批量成型时不测量成型品而能够判断优良与否。由于可以不一个个地测量成型品，因此能够节省测量成本，能够降低成型成本。
附图说明
图1是本发明的注塑成型机的控制装置的方框结构图。
图2是本发明的控制装置的基本控制的流程图。
图3是本发明的函数修正处理的流程图。
图4是表示比较用本发明装置实施的测量重量与预测重量的曲线图。
图5是本发明的判断优良与否的处理的流程图。
图6是神经网络的原理图。
图7是表示确认实验的结果的曲线图。
具体实施方式
下面参照附图详细说明本发明的几个优选实施例。
如图1所示，注塑成型机10具备使模具11合模的合模装置12、往合模的模具11内射出树脂的射出装置13、以神经网络为基本要素的控制装置20。
控制装置20包含：发挥与外部的接口功能的成型机通讯功能部21；提供与注塑成型机10的动作状态有关的各种监测值M，设定各监测值M的由管理上限值构成的最大值和由管理下限值构成的最小值的管理上下限判断部22；附属于该管理上下限判断部22并存储监测值M组的存储器23；判断是否要修正质量预测函数Qpf的要否修正函数判断部24；当该要否修正函数判断部24发出修正函数指令信号Fc时产生报警信号As的报警信号产生部25；第1神经网络26和第2神经网络27这2个神经网络；通过将监测值M提供给由第1神经网络26或第2神经网络27确定的质量预测函数Qpf来计算质量预测值Qp的运算部28；比较由该运算部28算出的质量预测值Qp与要求质量Dq来判断是否优良的优良与否判断部29。
另外，虽然运算部28中也必须要有神经网络，但除了独自具备该神经网络外，也可以利用第1神经网络26或第2神经网络27。
下面参照图1、根据图2所示的流程图说明由以上结构构成的控制装置20的动作。
步骤(以下简略为ST)01：根据经验预测估计能够获得优良品的严格的成型条件，并设定。
ST02：试着实施20次左右的成型。
ST03：读入由注塑成型机10的各部分具备的传感器检测到的监测值M。
ST04：读入由试成型过程中所获得的成型品的重量(测量重量)构成的质量测量值Qm(图1)。
ST05：第1神经网络26以ST03中读入的各种监测值M为输入条件，并且以ST04中读入的测量重量为输出条件，确定加权系数和阈值。即，在某次成型的下一次成型中修正某次成型中使用的加权系数和阈值。反复进行这种修正称为“学习”。
ST06：第1神经网络26判断试成型是否结束。如果没有则返回ST02继续进行试成型。
ST07：如果在ST06中判定为试成型结束，则确定质量预测函数Qpf。即，确定第1神经网络26中的加权系数和阈值。
ST08：从ST03中读入的监测值M组中选择最大值M1和最小值M2。对每种监测值进行该处理。至此，作好了批量成型的准备。
ST09：实施批量成型。
ST10：读入批量成型中的监测值M3。
ST11：检查ST10中读入的监测值M3是否在ST08选中的最大值M1与最小值M2之间(这个区间称为“管理范围”)。如果不是，则前进到ST13修正函数，再返回ST09继续批量成型。
ST12：如果在ST11中监测值M3在最大值M1与最小值M2之间，则检查批量成型是否结束。如果没有结束，则继续批量成型。
下面用图3所示的流程图说明ST13以后的修正函数的处理。
ST13：当上述ST11为否时，发送以修正函数为内容的信息。信息除文字信息外，也可以是声音信息。
ST14：根据需要修正函数这个信号来测量此时成型的成型品的重量，读入该测量重量。
ST15：第2神经网络27以在ST10中读入的监测值M3为输入条件、以在ST14中读入的测量重量为输出条件，修正加权系数和阈值。
ST16：第2神经网络27决定修正函数(修正质量预测函数)。
ST17：将此前的质量预测函数置换成修正函数。然后返回到ST09。
用能够根据以上所示的流程图实施控制的注塑成型机10实施了试成型和批量成型。根据图4说明其结果。图中，横轴表示成型次数，纵轴表示成型品的重量，粗曲线表示测量重量Wact，细曲线表示预测重量Ws。
在横轴上0～20为试成型范围，21以上为批量成型范围。由于监测值变化，因此神经网络预测的预测重量Ws为上下变位若干的曲线。而测量重量Wact在最初的几次成型时变动，但以后稳定，到第50次成型时与预测重量Ws非常接近。
但是，在第50次成型附近，测量重量Wact急剧下降。但本发明的控制装置由于在第50次成型附近修正了函数，因此预测重量Ws被向下修正，与测量重量Wact非常接近。在第80次成型和第110次成型附近也同样被修正，已被确认预测重量Ws非常接近测量重量Wact。
即，即使在批量成型过程中，当ST11判断为需要进行函数(质量预测函数)修正时，通过在ST13～ST17中修正函数，可以大大提高预测重量Ws的可靠性。
但是，可以与修正质量预测函数分开地实施成型品的重量是否在合格范围内的优良与否判断。下面根据图5所示的流程图说明该优良与否判断处理的一例。
ST18：从预先输入的要求质量Dq中读入重量的上限值(允许范围上限值)G1和下限值(允许范围下限值)G2。
ST19：将在ST10中读入的监测值M3提供给质量预测函数Qpf，算出质量预测值Qp中的一个、即预测重量G3。
ST20：检查预测重量G3是否在上限值G1与下限值G2之间，即是否在要求质量Dq内。
ST21：如果预测重量G3在上下值G1与下限值G2之间，则判定成型品为优良品。
ST22：如果在ST20中为否，则判定成型品不良品。即，图1所示的优良与否判断部29根据要求质量Dq和质量预测值Qp输出优良/不良品信息Qinf，该信息Qinf输送给注塑成型机10。
如果采用这个流程，在批量成型过程中不需以成型品为对象测量成型品的重量就能判断优良与否。结果，能够省略测量成型品重量的过程，能够降低生产成本。
并且，成型品的质量与重量、尺寸和形状等种类无关。
虽然在本实施例中管理上限值和管理下限值直接使用监测项目的最大值和最小值，但并不局限于此，也可以根据监测值出现的情况设定任意的值。
例如，在进行批量成型的过程中想要提高质量预测函数的预测精度时，可以通过将管理上限值和/或管理下限值设定为比最大值低、比最小值高，来有目的地提高修正的程度。由此能够通过修正质量预测函数达到提高质量预测函数的预测精度的目的。
因此，即使因时效变化引起监测项目的变动或成型条件的变更也能够维持质量预测函数的预测精度，结果能够降低修正质量预测函数的次数。