DE102017004374B4

DE102017004374B4 - Abriebgrössen-Schätzvorrichtung und Abriebgrössen-Schätzverfahren für das Rückschlagventil einer Spritzgiessmaschine

Info

Publication number: DE102017004374B4
Application number: DE102017004374.4A
Authority: DE
Inventors: Tatsuhiro Uchiyama
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2016-05-12
Filing date: 2017-05-05
Publication date: 2021-01-28
Anticipated expiration: 2037-05-06
Also published as: CN107364097A; DE102017004374A1; US10562217B2; US20170326771A1; JP2017202632A; CN107364097B; JP6517728B2

Abstract

Abriebgrößen-Schätzvorrichtung (1), die eine Abriebgröße eines an einer Spritzgießmaschine (2) befestigten Rückschlagventils schätzt, wobei die Abriebgrößen-Schätzvorrichtung (1) umfasst:eine Lernergebnis-Speichereinheit (12), die dazu ausgebildet ist, ein Ergebnis zu speichern, das durch ein durchgeführtes überwachtes Lernen ermittelt wird auf der Basis einer Merkmalsgröße, wobei die Merkmalsgröße extrahiert wird aus einer physikalischen Größe in einem Rückschlagventil, in dem eine vorbestimmte Abriebgröße vorab berücksichtigt wird, und die in einem durch die Spritzgießmaschine (2) durchgeführten Einspritzen erfasst wird, und einer Information in Bezug auf eine Abriebgröße eines Rückschlagventils, das an der Spritzgießmaschine (2) beim Einspritzen befestigt wurde;eine Einheit zum Erfassen einer physikalischen Größe (20), die eine physikalische Größe beim Einspritzen durch die Spritzgießmaschine (2) erfasst;eine Merkmalsgrößen-Extraktionseinheit (30), die eine Merkmalsgröße einer physikalischen Größe auf der Basis der von der Einheit zum Erfassen einer physikalischen Größe (20) erfassten Größe extrahiert;eine Abriebgrößen-Schätzeinheit (13), die eine Abriebgröße eines Rückschlagventils, das an der Spritzgießmaschine (2) beim Einspritzen befestigt wurde, auf der Basis des in der Lernergebnis-Speichereinheit (12) gespeicherten Lernergebnisses und der von der Merkmalsgrößen-Extraktionseinheit (30) extrahierten Merkmalsgröße schätzt; undeine Schätzergebnis-Ausgabeeinheit (40), die eine von der Abriebgrößen-Schätzeinheit (13) geschätzte Abriebgröße ausgibt.

Description

HINTERGRUND DER ERFINDUNG
Gebiet der Erfindung
Die vorliegende Erfindung betrifft eine Abriebgrößen-Schätzvorrichtung und ein Abriebgrößen-Schätzverfahren für das Rückschlagventil einer Spritzgießmaschine und betrifft insbesondere eine Abriebgrößen-Schätzvorrichtung und ein Abriebgrößen-Schätzverfahren für das Rückschlagventil einer Inline-Spritzgießmaschine.
Beschreibung des Stands der Technik
Bei einer Inline-Spritzgießmaschine führt ein an einem Ende einer Schraube angeordnetes Rückschlagventil eine relative Vorschubbewegung und eine relative Rückzugbewegung während des Einspritzens und Dosierens aus, um zu verhindern, dass Harz in einer Rückwärtsrichtung der Schraube während des Einspritzens fließt, und dem Harz zu ermöglichen, von der Rückwärtsrichtung in die Vorwärtsrichtung während des Dosierens zu fließen. Wenn sich das Rückschlagventil während der Einspritzung nicht zurückzieht oder wenn die Zeitsteuerung der Bewegung des Rückschlagventils nicht stabil ist, selbst wenn sich das Rückschlagventil zurückzieht, tritt das Problem auf, dass die Masse aufgrund des Phänomens des Zurückfließens von Harz zur Schrauben-Rückwärtsrichtung eines geschmolzenen Artikels einen vorgegebenen Wert nicht erreicht oder ein Variieren der Masse von geschmolzenen Artikeln erzeugt wird.
Solch ein Problem bei der Bewegung eines Rückschlagventils ist im Wesentlichen auf die Änderung eines Maßes des Rückschlagventils gegenüber dem Ausgangsmaß durch den Abrieb aufgrund eines längeren Einsatzes im Spritzgießen zurückzuführen. Um dementsprechend hochwertige Spritzgussartikel über einen langen Zeitraum stabil erzeugen zu können, muss überwacht werden, ob ein Rückschlagventil Abrieb aufweist oder nicht, und das Rückschlagventil muss gegen ein neues Rückschlagventil ausgetauscht werden, wenn Abrieb festgestellt wird.
Als ein Verfahren zum Erfassen einer Abriebgröße eines Rückschlagventils ist ein Verfahren bekannt, bei dem eine Schraube regelmäßig einem Einspritzzylinder entnommen wird, um das Maß direkt zu messen. Bei diesem Verfahren muss aber der Messvorgang in einem Zustand erfolgen, in dem die Produktion vorübergehend unterbrochen wird, wodurch die Produktivität beeinträchtigt wird. Daher ist als ein Verfahren zum indirekten Erfassen einer Abriebgröße ohne Entnehmen einer Schraube aus einem Einspritzzylinder ein Verfahren zum Erfassen des Phänomens des Zurückfließens von Harz zur Schraube nach hinten bekannt. Beispielsweise offenbaren die offengelegte japanische Patentanmeldung JP H01- 168421 A und die offengelegte japanische Patentanmeldung JP 2008- 302527 A ein Verfahren, bei dem ein Lastdrehmoment, das in einer Drehrichtung einer Schraube einwirkt, gemessen wird, um das Phänomen des Zurückfließens von Harz zu erfassen. Ferner offenbaren die offengelegte japanische Patentanmeldung JP H01- 281 912 A und die offengelegte japanische Patentanmeldung Nr. JP 2009- 96 045 A ein Verfahren, bei dem eine Vorschubdrehzahl einer Schraube während des Packprozesses gemessen wird, um das Phänomen des Zurückfließens von Harz zu erfassen. Ferner offenbart die offengelegte japanische Patentanmeldung Nr. JP 2008- 302 528 A ein Verfahren zum Schätzen einer Abriebgröße eines Rückschlagventils auf der Basis einer erfassten Schraubenstellung, wenn das Rückschlagventil geschlossen ist.
Die in den zuvor genannten Verfahren nach dem Stand der Technik offenbarten Verfahren zum Erfassen des Abriebs eines Rückschlagventils haben den Vorteil, dass der Abrieb einer Schraube indirekt auch während der Produktion durch Erfassen des Phänomens des Zurückfließens von Harz erfasst werden kann. Die Betriebsbedingungen einer Spritzgießmaschine variieren jedoch während der Produktion je nach Gussteilen oder Harzarten und ein Lastdrehmoment sowie eine Vorschubdrehzahl einer Schraube, die Anzeichen des zuvor beschriebenen Phänomens des Zurückfließens sind, variieren ebenfalls je nach Betriebsbedingungen der Spritzgießmaschine. Somit ist das Schätzen einer Abriebgröße eines Rückschlagventils mit hoher Genauigkeit schwierig.
Weiterer Stand der Technik findet sich in der DE 699 30 353 T2 , WO 2015/ 052 072 A1 , EP 2 400 358 A1 , US 5 597 588 A und JP 2007- 112 100 A .
ZUSAMMENFASSUNG DER ERFINDUNG
Eine Aufgabe der vorliegenden Erfindung besteht im Bereitstellen einer Abriebgrößen-Schätzvorrichtung und eines Abriebgrößen-Schätzverfahrens zum äußerst genauen Schätzen einer Abriebgröße eines Rückschlagventils ohne Abhängigkeit von Betriebsbedingungen einer Spritzgießmaschine.
In der vorliegenden Erfindung werden die zuvor beschriebenen Probleme und Aufgabe durch die unabhängigen Patentansprüche 1 und 5 gelöst. Vorteilhafte Weiterbildungen finden sich in den jeweils abhängigen Patentansprüchen.
Eine Abriebgrößen-Schätzvorrichtung gemäß der vorliegenden Erfindung, die eine Abriebgröße eines an einer Spritzgießmaschine befestigten Rückschlagventils schätzt, umfasst: eine Lernergebnis-Speichereinheit, die dazu ausgebildet ist, ein Ergebnis zu speichern, das durch ein durchgeführtes überwachtes Lernen ermittelt wird auf der Basis einer Merkmalsgröße, die extrahiert wird aus einer physikalischen Größe in einem Rückschlagventil, in dem eine vorbestimmte Abriebgröße vorab berücksichtigt wird, und die in einem durch die Spritzgießmaschine durchgeführten Einspritzen erfasst wird, und einer Information in Bezug auf eine Abriebgröße eines Rückschlagventils, das an der Spritzgießmaschine beim Einspritzen befestigt wurde; eine Einheit zum Erfassen einer physikalischen Größe, die eine physikalische Größe beim Einspritzen durch die Spritzgießmaschine erfasst; eine Merkmalsgrößen-Extraktionseinheit, die eine Merkmalsgröße einer physikalischen Größe auf der Basis der von der Einheit zum Erfassen einer physikalischen Größe extrahiert; eine Abriebgrößen-Schätzeinheit, die eine Abriebgröße eines Rückschlagventils, das an der Spritzgießmaschine beim Einspritzen befestigt wurde, auf der Basis des in der Lernergebnis-Speichereinheit gespeicherten Lernergebnisses und der von der Merkmalsgrößen-Extraktionseinheit extrahierten Merkmalsgröße schätzt; und eine Schätzergebnis-Ausgabeeinheit, die eine von der Abriebgrößen-Schätzeinheit geschätzte Abriebgröße ausgibt.
Die Abriebgrößen-Schätzvorrichtung kann ferner eine Einheit zum überwachten Lernen umfassen, die überwachtes Lernen auf der Basis einer Merkmalsgröße, die von einer physikalischen Größe, die in einem durch die Spritzgießmaschine durchgeführten Einspritzen erfasst wird, extrahiert wird, und einer Information in Bezug auf eine Abriebgröße eines Rückschlagventils, das an der Spritzgießmaschine beim Einspritzen befestigt wurde, durchführt und ein Ergebnis des Lernens in der Lernergebnis-Speichereinheit speichert.
Eine Merkmalsgröße der physikalischen Größe kann ein numerischer Wert zum Darstellen eines Merkmals der physikalischen Größe sein.
Eine Merkmalsgröße der physikalischen Größe kann eine durch Näherung eines Variationsmusters der physikalischen Größe ermittelte Merkmalsgröße sein.
Ein Abriebgrößen-Schätzverfahren gemäß der vorliegenden Erfindung zum Schätzen einer Abriebgröße eines Rückschlagventils einer Spritzgießmaschine umfasst: Durchführen eines Einspritzvorgangs in einem Zustand, in dem eine Vielzahl von Rückschlagventilen mit sich voneinander unterscheidenden Abriebgrößen jeweils befestigt sind; Erfassen einer mit einem Einspritzvorgang verknüpften physikalischen Größe während des von der Spritzgießmaschine durchgeführten Einspritzvorgangs; Extrahieren einer Merkmalsgröße der physikalischen Größe, die erfasst wird; Durchführen von überwachtem Lernen, bei dem eine Abriebgröße des Rückschlagventils als richtige Antwortinformation verwendet wird und die Merkmalsgröße, die extrahiert wird, als eine Eingabe verwendet; und Schätzen einer Abriebgröße eines Rückschlagventils auf der Basis eines Lernergebnisses des überwachten Lernens, wenn eine willkürliche Merkmalsgröße der physikalischen Größe eingegeben wird.
Eine Merkmalsgröße der physikalischen Größe kann ein numerischer Wert zum Darstellen eines Merkmals der physikalischen Größe sein.
Eine Merkmalsgröße der physikalischen Größe kann eine durch Näherung eines Variationsmusters der physikalischen Größe ermittelte Merkmalsgröße sein.
Gemäß der vorliegenden Erfindung kann eine Abriebgröße eines Rückschlagventils äußerst genau ohne Beeinflussung durch Betriebsbedingungen einer Spritzgießmaschine geschätzt werden.
Figurenliste

1A und 1B zeigen schematisch einen Betrieb einer maschinellen Lernvorrichtung, die überwachtes Lernen durchführt.
2 zeigt ein schematisches Diagramm zur Darstellung eines Modells eines Neurons.
3 zeigt ein schematisches Diagramm zur Darstellung eines neuronalen Netzes mit drei Schichtgewichten.
4 zeigt ein Blockdiagramm zur schematischen Darstellung der Konfiguration einer Abriebgrößen-Schätzvorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung.
5 zeigt eine Merkmalsgröße, wenn Wellenformdaten, in denen ein Lastdrehmoment in einer Schraubendrehrichtung einer Spritzgießmaschine mit der verstrichenen Zeit seit Beginn der Einspritzung verknüpft sind, verwendet werden.
6 zeigt eine Merkmalsgröße, wenn Wellenformdaten, in denen der Harzdruck einer Spritzgießmaschine mit der verstrichenen Zeit seit Beginn der Einspritzung verknüpft ist, verwendet werden.

AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORM
In der vorliegenden Erfindung wird eine Abriebgröße eines Rückschlagventils äußerst genau ohne Abhängigkeit von Betriebsbedingungen einer Spritzgießmaschine durch Anwenden von maschinellem Lernen geschätzt. Beim maschinellen Lernen gemäß der vorliegenden Erfindung wird eine Merkmalsextraktion auf der Basis von physikalischen Größen in Spritzgießmaschinen, die jeweils Rückschlagventile mit zueinander unterschiedlichen Abriebgrößen (unterschiedlichen Maßen) verwenden, durchgeführt, um ein maschinelles Lernen von durch diese Merkmalsextraktion extrahierten Merkmalsgrößen und Abriebgrößen der Rückschlagventile (durch Abrieb geänderte Maße der Rückschlagventile) durchzuführen.
Insbesondere werden im maschinellen Lernen gemäß der vorliegenden Erfindung Rückschlagventile mit voneinander verschiedenen Abriebgrößen (Rückschlagventile mit verschiedenen Maßen) vorab vorbereitet und diese Rückschlagventile werden jeweils an Spritzgießmaschinen zum Durchführen eines Gießvorgangs befestigt. Anschließend wird eine Vielzahl von Gießbedingungen im Gießvorgang eingestellt und das Einspritzen wird zum Erfassen und Speichern von Wellenformdaten durchgeführt, wobei eine physikalische Größe während des Einspritzens mit der verstrichenen Zeit seit Beginn des Einspritzens oder einer Schraubenstellung während des Einspritzens verknüpft wird. Ferner wird eine Merkmalsextraktion auf der Basis der Wellenformdaten der physikalischen Größe durchgeführt. Anschließend wird maschinelles Lernen durchgeführt, in dem die extrahierte Merkmalsgröße als eine Eingabe verwendet wird und ein Maß des Rückschlagventils als eine Ausgabe verwendet wird.
Nachfolgend ist das in der vorliegenden Erfindung verwendete maschinelle Lernen kurz beschrieben.
<Maschinelles Lernen>
Maschinelles Lernen wird auf solch eine Weise ausgeführt, dass in einem an einer das maschinelle Lernen durchführenden Vorrichtung (nachfolgend als maschinelle Lernvorrichtung bezeichnet) eingegebenen Datensatz enthaltene nützliche Regeln, Wissensdarstellung, Ermittlungskriterien u. Ä. durch Analyse extrahiert werden und die Ermittlungsergebnisse ausgegeben werden, um ein Lernen des Wissens durchzuführen. Es gibt verschiedene maschinelle Lernverfahren und die Verfahren werden grob in „überwachtes Lernen“, „nicht überwachtes Lernen“ und „verstärkendes Lernen“ unterteilt. Ferner gibt es beim Ausführen dieser Verfahren ein Verfahren, das als „Deep Learning“ bezeichnet wird und bei dem das Extrahieren einer Merkmalsgröße selbst gelernt wird.
„Überwachtes Lernen“ ist ein Verfahren, bei dem eine maschinelle Lernvorrichtung mit einer großen Zahl von Datenpaaren aus Eingaben und Ergebnissen (Kennsätzen) versorgt wird, um die in diesen Datensätzen enthaltenen Merkmale zu lernen und rekursiv ein Modell zum Schätzen der Ergebnisse aus den Eingaben, das heißt eine Beziehung zwischen den Eingaben und den Ergebnissen, zu erfassen. Das überwachte Lernen kann durch Verwenden eines Algorithmus, beispielsweise einem neuronalen Netz, ausgeführt werden.
„Nicht überwachtes Lernen“ ist ein Verfahren, bei dem eine Lernvorrichtung lediglich mit einer großen Größe von Eingabedaten versorgt wird, um die Verteilung der Eingabedaten zu lernen und eine Vorrichtung zum Durchführen von Komprimierung, Klassifizierung, Formung u. Ä. in Bezug auf Eingabedaten ohne Empfang von entsprechenden Lehrerausgabedaten zu lernen. Es können beispielsweise in den Datensätzen enthaltene ähnliche Merkmale gebündelt werden. Es kann eine Schätzung von Ausgaben durch Bereitstellen bestimmter Kriterien und Zuweisen der Ausgaben zum Optimieren dieser Kriterien ausgeführt werden.
Ferner gibt es ebenfalls ein „halb überwachtes Lernen“ als ein zwischen „überwachtem Lernen“ und „nicht überwachtem Lernen“ angeordnetes Problemlösungsverfahren. Bei „halb überwachtem Lernen“ ist nur ein Teil der Datensätze Datenpaare von Eingaben und Ausgaben und der Rest der Datensätze ist Daten ausschließlich von Eingaben. In einer vorliegenden Ausführungsform werden Daten, die ohne tatsächlichen Betrieb einer Bearbeitungsvorrichtung erfasst werden können, im nicht überwachtem Lernen verwendet und es kann somit ein Lernen effizient ausgeführt werden.
„Verstärkendes Lernen“ ist ein Verfahren zum Lernen einer geeigneten Aktion auf der Basis einer Interaktion zwischen einer Aktion und einer Umgebung durch Lernen nicht nur der Ermittlung und Klassifizierung, sondern auch von Aktionen, das heißt zum Lernen für das Maximieren einer Belohnung, die in der Zukunft erhalten wird. Beim verstärkenden Lernen kann eine maschinelle Lernvorrichtung mit dem Lernen in einem Zustand, in dem die maschinelle Lernvorrichtung ein von einer Aktion verursachtes Ergebnis überhaupt nicht kennt, oder einem Zustand, in dem die maschinelle Lernvorrichtung ein Ergebnis unzureichend kennt, beginnen. Ferner kann die maschinelle Lernvorrichtung mit dem Lernen von einem gewünschten Startpunkt in einem Ausgangszustand beginnen, in dem vorhergehendes Lernen (ein Verfahren wie umgekehrtes verstärkendes Lernen und das zuvor beschriebene überwachte Lernen) durchgeführt wurde, um menschliche Aktionen zu simulieren.
Die vorliegende Erfindung betrifft das Lernen einer Korrelation zwischen einer Merkmalsgröße, die von einer in einem Betrieb einer Spritzgießmaschine erfassten physikalischen Größe extrahiert wird, und einer Abriebgröße eines Rückschlagventils, das an der Spritzgießmaschine befestigt ist (einem Maß des Rückschlagventils, das sich durch Abrieb geändert hat). Ein Algorithmus des überwachten Lernens wird eingesetzt, wobei berücksichtigt wird, dass Lernen auf der Basis von klar angegebenen Daten durchgeführt werden kann und dass eine Abriebgröße eines Rückschlagventils auf der Basis eines Lernergebnisses ermittelt werden muss.
1A und 1B zeigen schematisch einen Betrieb einer maschinellen Lernvorrichtung, die überwachtes Lernen durchführt.
Ein Vorgang der maschinellen Lernvorrichtung, die überwachtes Lernen durchführt, kann grob in zwei Phasen unterteilt werden, die aus einer Lernphase und einer Schätzphase bestehen. Wenn Lehrerdaten, die einen Wert einer als Eingabedaten verwendeten Zustandsvariable (Erläuterungsvariablen: x₁, x₂, x₃, ... in 1A) und einen Wert einer als Ausgabedaten verwendeten Zielvariable (y in 1A) umfassen, in der Lernphase bereitgestellt werden (1A), lernt eine maschinelle Lernvorrichtung, die überwachtes Lernen durchführt, das Ausgeben des Werts der Zielvariable, wenn der Wert der Zustandsvariable eingegeben wird. Durch Bereitstellen vieler solcher Daten erstellt die maschinelle Lernvorrichtung ein Schätzmodell zum Ausgeben eines Werts einer Zielvariable entsprechend einem Wert einer Zustandsvariable (einer Funktion f zum Durchführen des Zuordnens).
Ferner schätzt, wenn neue Eingabedaten (Zustandsvariable) in der Schätzphase bereitgestellt werden (1B), die maschinelle Lernvorrichtung, die überwachtes Lernen durchführt, Ausgabedaten (Zielvariable) entsprechend einem Lernergebnis (das erstellte Schätzmodell) und gibt die Ausgabedaten aus.
Als ein Beispiel für das Lernen einer maschinellen Lernvorrichtung, die überwachtes Lernen durchführt, besteht ein Verfahren, bei dem eine Regressionsformel wie die folgende Formel (1) als ein Schätzmodell verwendet wird (die Funktion f zum Durchführen der Zuordnung). Im Verfahren unter Verwendung einer Regressionsformel schreitet das Lernen durch Anpassen eines Werts von jedem der Koeffizienten a₀, a₁, a₂, a₃, ... fort, so dass ein Wert einer Zielvariable (richtige Antwortinformation) y ermittelt werden kann, wenn ein Wert von jeder der Zustandsvariablen x₁, x₂, x₃, ... in der Formel (1) auf die Regressionsformel in einem Lernprozess angewendet wird. $y = a_{0} + a_{1} x_{1} + a_{2} x_{2} + a_{3} x_{3} + \dots + a_{n} x_{n}$
Ferner besteht als ein weiteres Beispiel für das Lernen einer maschinellen Lernvorrichtung, die überwachtes Lernen durchführt, ein Verfahren, bei dem beispielsweise ein neuronales Netz als ein Schätzmodell verwendet wird (die Funktion f zum Durchführen der Zuordnung). Das neuronale Netz besteht aus einer arithmetischen Vorrichtung, einem Speicher u. Ä., die ein neuronales Netz ausführen, das beispielsweise ein Modell eines Neurons wie in 2 dargestellt simuliert. 2 zeigt ein schematisches Diagramm zur Darstellung eines Modells eines Neurons.
Wie in 2 dargestellt gibt ein Neuron eine richtige Antwortinformation y entsprechend einer Eingabe x (hier eine Vielzahl von Eingaben x₁ bis x₃ als ein Beispiel) aus. Jede der Eingaben x₁ bis x₃ wird mit einem Gewicht w (w₁ bis w₃) entsprechend der Eingabe x multipliziert. Entsprechend gibt das Neuron die richtige Antwortinformation y ausgedrückt durch die folgende Formel (2) aus. Hier in der Formel (2) sind die Eingabe x, die richtige Antwortinformation y und das Gewicht w sämtlich Vektoren. Ferner bezeichnet 0 eine Verzerrung und f_k bezeichnet eine Aktivierungsfunktion. $y = f_{k} (\sum_{i = 1}^{n} x_{i} w_{i} - θ)$
Ferner besteht als eine Anwendung des Verfahrens, in dem ein neuronales Netz zum Lernen einer maschinellen Lernvorrichtung, die überwachtes Lernen durchführt, verwendet wird, ein Verfahren, in dem ein neuronales Netz mit drei durch Kombinieren der zuvor beschriebenen Neuronen erhaltenen Schichtgewichten als ein Schätzmodell verwendet wird (die Funktion f zum Durchführen der Zuordnung).
3 zeigt ein schematisches Diagramm zur Darstellung eines neuronalen Netzes mit den drei Schichtgewichten D1 bis D3.
Im in 3 dargestellten Beispiel wird die Eingabe x (hier eine Vielzahl von Eingaben x₁ bis x₃ als ein Beispiel) von der linken Seite des neuronalen Netzes eingegeben und die richtige Antwortinformation y (hier eine Vielzahl von Teilen einer richtigen Antwortinformation y₁ bis y₃ als ein Beispiel) wird von der rechten Seite ausgegeben. Insbesondere werden die Eingaben x₁ bis x₃ an jedem von drei Neuronen N₁₁ bis N₁₃ auf eine durch entsprechende Gewichte multiplizierende Weise eingegeben. In 3 werden die in Bezug auf diese Eingaben multiplizierten Gewichte (in Bezug auf die Eingaben x₁ bis x₃, die an jedem der Neuronen eingegeben werden, multiplizierte Gewichte) gemeinsam als eine Matrix w₁ bezeichnet. Die Neuronen N₁₁ bis N₁₃ geben jeweils z₁₁ bis z₁₃ aus. z₁₁ bis z₁₃ werden gemeinsam als ein Merkmalsvektor z₁ bezeichnet und können als durch Extrahieren von Merkmalsgrößen der Eingabevektoren ermittelte Vektoren betrachtet werden. Dieser Merkmalsvektor z₁ ist ein Merkmalsvektor zwischen dem Gewicht w₁ und dem Gewicht w₂.
Die Merkmalsvektoren z₁₁ bis z₁₃ werden an jedem von zwei Neuronen N₂₁ und N₂₂ auf eine durch entsprechende Gewichte multiplizierende Weise eingegeben. In 3 werden die in Bezug auf diese Merkmalsvektoren multiplizierten Gewichte (Gewichte, die in Bezug auf Elemente der Merkmalsvektoren multipliziert werden, die an jedem der Neuronen eingegeben werden) gemeinsam als eine Matrix w₂ bezeichnet. Die Neuronen N21 und N22 geben jeweils Z21 und Z22 aus. Z21 und Z22 werden gemeinsam als Merkmalsvektor z₂ bezeichnet. Dieser Merkmalsvektor z₂ ist ein Merkmalsvektor zwischen dem Gewicht w₂ und dem Gewicht w₃.
Die Merkmalsvektoren z₂₁ und z₂₂ werden an jedem von drei Neuronen N₃₁ bis N₃₃ auf eine Weise eingegeben, dass sie durch entsprechende Gewicht multipliziert werden. In 3 werden die in Bezug auf diese Merkmalsvektoren multiplizierten Gewichte (Gewichte, die in Bezug auf Elemente der Merkmalsvektoren multipliziert werden, die an jedem der Neuronen eingegeben werden) gemeinsam als eine Matrix w₃ bezeichnet.
Schließlich geben die Neuronen N₃₁ bis N₃₃ jeweils richtige Antwortinformationen y₁ bis y₃ aus.
Der Betrieb des in 2 und 3 dargestellten neuronalen Netzes umfasst einen Lernmodus (entsprechend der Lernphase von 1) und einen Schätzmodus (entsprechend der Schätzphase von 1). Jedes Gewicht w wird durch Verwenden eines Lerndatensatzes im Lernmodus gelernt und es wird eine Aktionsermittlung einer Spritzgießmaschine im Schätzmodus durch Verwenden des Parameters durchgeführt. („Schätzen“ umfasst hier verschiedene Aufgaben wie Erfassen, Klassifizieren und Ableiten.)
Hier können sofort Daten gelernt, die durch tatsächliches Betreiben der Spritzgießmaschine im Schätzmodus ermittelt wurden, und das Lernergebnis zur nächsten Aktion gespiegelt werden (Online-Lernen), und es kann ebenfalls ein Lernen gemeinsam durch Verwenden einer Gruppe von Daten, die vorab gesammelt wurden, durchgeführt werden und ein Erfassungsmodus unter Verwendung der Parameter danach (Batch-Lernen) durchgeführt werden. Als ein Zwischenverfahren zwischen dem Online-Lernen und dem Batch-Lernen kann ein Lernmodus jedes Mal eingeschoben werden, wenn sich eine bestimmte Datengröße angesammelt hat.
Die Gewichte w₁ bis w₃ können durch das Fehler-Backpropagationsverfahren (Backpropagation) gelernt werden. Die Information eines Fehlers wird von der rechten Seite eingegeben und fließt zur linken Seite. Das Fehler-Backpropagationsverfahren ist ein Verfahren zum Anpassen (Lernen) von jedem Gewicht zum Verringern eines Unterschieds zwischen der richtigen Antwortinformation y, wenn eine Eingabe x eingegeben wird, und der realen richtigen Antwortinformation y (Lehrer) für jedes Neuron.
Die Zahl von Schichten im neuronalen Netz kann auf drei oder mehr erhöht werden (sogenanntes „Deep Learning“). Eine arithmetische Vorrichtung, die eine Merkmalsextraktion von Eingaben in Stufen durchführt und Ergebnisse wiederholt, kann automatisch ausschließlich auf der Basis von Lehrerdaten erzeugt werden.
Hier sind als ein Algorithmus des überwachten Lernens verschiedene Verfahren wie die Methode der kleinsten Quadrate, das Schrittverfahren, die SVM und das Entscheidungsbaum-Lernen wohlbekannt. Als ein auf die vorliegende Erfindung angewendetes Verfahren kann jeder beliebige überwachte Lernalgorithmus verwendet werden. Da jeder dieser anderen überwachten Lernalgorithmen und jeder der zuvor genannten überwachten Lernalgorithmen wie das Verfahren unter Verwendung einer Regressionsformel und das Verfahren unter Verwendung eines neuronalen Netzes wohlbekannt sind, wird auf eine ausführliche Beschreibung von jedem Algorithmus in der vorliegenden Beschreibung verzichtet.
Nachfolgend ist das Abriebgrößen-Schätzverfahren für das Rückschlagventil einer Spritzgießmaschine gemäß der vorliegenden Erfindung, in dem das zuvor beschriebene überwachte Lernen verwendet wird, beschrieben.
<Ausführungsform>
4 zeigt ein Blockdiagramm zur schematischen Darstellung der Konfiguration einer Abriebgrößen-Schätzvorrichtung für das Rückschlagventil einer Spritzgießmaschine gemäß einer Ausführungsform der vorliegenden Erfindung.
Die Abriebgrößen-Schätzvorrichtung kann als eine Vorrichtung eines Computers o. Ä., der mit einer Spritzgießmaschine 2 über einen Kommunikationskanal, eine Signalleitung o. Ä. ausgeführt sein oder kann auf einer Steuerung ausgebildet sein, die eine Spritzgießvorrichtung steuert.
Eine Abriebgrößen-Schätzvorrichtung 1, gemäß der vorliegenden Ausführungsform umfasst eine Vorrichtung zum überwachten maschinellen Lernen 10 (ein durch eine punktierte Linie gezogener Rahmen in 4). An die Abriebgrößen-Schätzvorrichtung 1 werden eine Gießbedingung während des Einspritzens und Wellenformdaten, in denen eine physikalische Größe während des Einspritzens mit der verstrichenen Zeit seit Beginn des Einspritzens oder einer Schraubenstellung während des Einspritzens verknüpft ist, von der Spritzgießmaschine 2 gesendet.
Eine in der Abriebgrößen-Schätzvorrichtung 1 enthaltene Einheit zum Erfassen einer physikalischen Größe 20 erfasst eine für die Spritzgießmaschine 2 eingestellte Gießbedingung und Wellenformdaten, in denen eine physikalische Größe während des Einspritzens, die von einem an der Spritzgießmaschine 2 angeordneten Sensor o. Ä. erfasst wird, mit der verstrichenen Zeit seit Beginn des Einspritzens oder einer Schraubenstellung während des Einspritzens verknüpft ist, in der Abriebgrößen-Schätzvorrichtung 1. Beispiele der für die Spritzgießmaschine 2 eingestellte Gießbedingung umfassen wenigstens einen oder mehrere Parameter wie eine Schraubendrehzahl und eine Heizungstemperatur eines Einspritzzylinders und die Gießbedingung kann aus einem Satz einer Vielzahl von Parametern bestehen. Beispiele der physikalischen Größe während des Einspritzens umfassen gemessene Daten wie eine Einspritzgeschwindigkeit, ein Harzdruck und ein Lastdrehmoment in einer Schraubendrehrichtung und es kann ein Merkmal für jeden Satz einer Vielzahl von physikalischen Größen extrahiert werden.
Hier kann, wenn die Vorrichtung zum überwachten maschinellen Lernen 10 in der Lernphase in Betrieb ist, die Einheit zum Erfassen einer physikalischen Größe 20 eine Abriebgröße eines momentan an der Spritzgießmaschine 2 befestigten Rückschlagventils erfassen. In diesem Fall kann die Konfiguration eingesetzt werden, bei der eine Abriebgröße eines momentan an der Spritzgießmaschine 2 befestigten Rückschlagventils in Bezug auf die Spritzgießmaschine 2 von einem Bediener eingestellt werden kann und die Einheit zum Erfassen einer physikalischen Größe 20 die eingestellte Abriebgröße des Rückschlagventils erfasst, oder es kann die Konfiguration eingesetzt werden, bei der eine Abriebgröße des Rückschlagventils in einem Speicher, der von der Abriebgrößen-Schätzvorrichtung 1 gelesen werden kann, von einem Bediener mit einer Eingabevorrichtung, die nicht dargestellt ist, eingestellt werden kann.
Eine Merkmalsgrößen-Extraktionseinheit 30 extrahiert eine Merkmalsgröße aus Wellenformdaten, die in Bezug zum Spritzgießen steht und von der Einheit zum Erfassen einer physikalischen Größe 20 erfasst wird. Eine aus Wellenformdaten durch die Merkmalsgrößen-Extraktionseinheit 30 extrahierte Merkmalsgröße kann durch Verwenden eines herkömmlichen statistischen Verfahrens wie Höchstwert, Mindestwert, ein Durchschnittswert und ein Streuwert von Wellenformdaten, und es können ein Wert einer physikalischen Größe zum Zeitpunkt, zu dem sich eine Neigung der Wellenformdaten ändert, und der Zeitablauf (Zeit und Position), oder eine Musterform eines Variationsmusters einer physikalischen Größe in Bezug auf die verstrichene Zeit oder eine Schraubenstellung während des Einspritzens selbst als ein Merkmal eingestellt werden.
Beispielsweise wenn wie in 5 dargestellt, Wellenformdaten, in denen ein Lastdrehmoment in einer Schraubendrehrichtung einer Spritzgießmaschine mit der verstrichenen Zeit seit dem Beginn des Einspritzens verknüpft ist, verwendet werden, können ein ansteigender Teil, in dem der Anstieg eines Lastdrehmoments eine Neigung gleich einem bestimmten Neigungsgrad oder größer als dieser aufweist (ein Teil, in dem der schnelle Anstieg eines Lastdrehmoments beginnt), ein Spitzenteil, in dem ein Lastdrehmoment den Höchstwert erreicht, und ein abfallender Teil, in dem das Abfallen eines Lastdrehmoments eine Neigung gleich einem bestimmten Neigungsgrad oder größer als dieser aufweist (ein Teil, in dem das Abfallen eines Lastdrehmoments mäßig wird), als Merkmale betrachtet werden. In diesem Zustand können ein Lastdrehmoment im ansteigenden Teil, Zeit im ansteigenden Teil, ein Lastdrehmoment im Spitzenteil, Zeit im Spitzenteil, Ausdehnung des Spitzenteils (ein Zeitintervall zum Darstellen eines Intervalls von einem Lastdrehmoment im Spitzenteil zu einem Lastdrehmoment in einem vorgegebenen Wert α), ein Lastdrehmoment im abfallenden Teil, Zeit im abfallenden Teil, ein Streuwert eines Lastdrehmoments u. Ä. als Merkmalsgrößen extrahiert werden.
Ferner können, wenn wie in 6 dargestellt, Wellenformdaten, in denen ein Harzdruck einer Spritzgießmaschine mit der verstrichenen Zeit seit dem Beginn des Einspritzens verknüpft ist, verwendet werden, ein ansteigender Teil, in dem der Anstieg des Harzdrucks eine Neigung gleich einem bestimmten Neigungsgrad oder größer als dieser aufweist (ein Teil, in dem der schnelle Anstieg des Harzdrucks beginnt), ein erster Spitzenteil, in dem ein Harzdruck zuerst den Höchstwert erreicht, ein abgesenkter Teil, in dem der Harzdruck den Mindestwert nach dem ersten Spitzenteil aufweist, ein zweiter Spitzenteil, in dem der Harzdruck den Höchstwert nach dem abgesenkten Teil aufweist, und ein abfallender Teil, in dem das Abfallen des Harzdrucks eine Neigung gleich einem bestimmten Neigungsgrad oder größer als dieser aufweist (ein Teil, in dem das Abfallen des Harzdrucks mäßig wird), als Merkmale betrachtet werden. In diesem Zustand können Harzdruck im ansteigenden Teil, Zeit im ansteigenden Teil, Harzdruck im ersten Spitzenteil, Zeit im ersten Spitzenteil, Harzdruck im abgesenkten Teil, Zeit im abgesenkten Teil, Harzdruck im zweiten Spitzenteil, Zeit im zweiten Spitzenteil, Harzdruck im abfallenden Teil, Zeit im abfallenden Teil, ein Streuwert des Harzdrucks u. Ä. als Merkmalsgrößen extrahiert werden.
Hier sind die zuvor beschriebenen physikalischen Größen und Merkmalsgrößen lediglich Beispiele und es können beliebige Werte als Merkmalsgrößen verwendet werden, solange die Werte Merkmale einer Form von Wellenformdaten ausdrücken können.
Eine Einheit zum überwachten Lernen 11, eine Lernergebnis-Speichereinheit 12 und eine Abriebgrößen-Schätzeinheit 13, die in der Vorrichtung zum überwachten maschinellen Lernen 10 enthalten sind, sind funktionale Mittel, die einen Hauptteil der Vorrichtung zum überwachten maschinellen Lernen 10 darstellen.
Wenn sich die Vorrichtung zum überwachten maschinellen Lernen 10 in der Lernphase befindet, führt die Einheit zum überwachten Lernen 11 überwachtes Lernen auf der Basis einer Abriebgröße eines Rückschlagventils, die von der Einheit zum Erfassen einer physikalischen Größe 20, einer Gießbedingung, die in der Spritzgießmaschine 2 eingestellt ist, und einer Merkmalsgröße, die von der Merkmalsgrößen-Extraktionseinheit 30 extrahiert wird, und speichert ein Lernergebnis in der Lernergebnis-Speichereinheit 12. Die Einheit zum überwachten Lernen 11 der vorliegenden Ausführungsform setzt das überwachte Lernen durch Verwenden von Lehrerdaten fort, in denen eine Gießbedingung, die von der Einheit zum Erfassen einer physikalischen Größe 20 erfasst und in der Spritzgießmaschine 2 eingestellt ist, und eine Merkmalsgröße, die von der Merkmalsgrößen-Extraktionseinheit 30 extrahiert wird, als Eingabedaten verwendet werden und eine Abriebgröße eines Rückschlagventils als Ausgabedaten verwendet wird.
Im von der Einheit zum überwachten Lernen 11 gemäß der vorliegenden Erfindung durchgeführten überwachten Lernen kann die von der Eingabe x mit der Funktion f zum Durchführen der Zuordnung zugeordnete richtige Antwortinformation y als ein spezifischer numerischer Wert zum Darstellen einer Abriebgröße eines Rückschlagventils eingestellt werden oder als Information eingestellt werden, in der Abriebgrößen von Rückschlagventilen in Stufen klassifiziert werden (ein Rückschlagventil ohne Abriebgröße, ein Rückschlagventil mit 1 mm Abriebgröße einer Endfläche, ein Rückschlagventil mit 2 mm Abriebgröße einer Endfläche, ... ).
Wenn die richtige Antwortinformation y als ein spezifischer numerischer Wert zum Darstellen einer Abriebgröße eines Rückschlagventils eingestellt wird, kann das Verfahren des überwachten Lernens mit Regression eingesetzt werden. In diesem Fall kann eine Regressionsformel zum Zuordnen der Eingabe x (Merkmalsgröße) der richtigen Antwortinformation y (ein spezifischer numerischer Wert zum Darstellen einer Abriebgröße eines Rückschlagventils) als die Funktion F ermittelt werden.
Wenn hingegen die richtige Antwortinformation y als Information eingestellt wird, in der Abriebgrößen von Rückschlagventilen in Stufen klassifiziert sind, kann das Verfahren des überwachten Lernens mit Identifikation eingesetzt werden. In diesem Fall kann eine nichtlineare Identifikationsfläche zum Identifizieren der richtigen Antwortinformation y auf Basis der Eingabe x durch Verwenden eines neuronalen Netzes erzeugt werden und die somit erzeugte nichtlineare Identifikationsfläche kann als die Funktion f eingestellt werden.
Die Lernergebnis-Speichereinheit 12 ist ein funktionales Mittel, das ein Ergebnis eines Lernens, das von der Einheit zum überwachten Lernen 11 entsprechend Lehrerdaten durchgeführt wurde, speichert. Wenn die zuvor beschriebene Regressionsformel als ein Schätzmodell verwendet wird, speichert die Lernergebnis-Speichereinheit 12 beispielsweise eine als ein Lernergebnis ermittelte Regressionsformel, während, wenn das zuvor beschriebene Lernverfahren unter Verwendung eines neuronalen Netzes als ein Schätzmodell verwendet wird, die Lernergebnis-Speichereinheit 12 einen als ein Lernergebnis ermittelten Parameter des neuronalen Netzes speichert. Die Lernergebnis-Speichereinheit 12 gibt ein gespeichertes Lernergebnis als Reaktion auf eine Anfrage von außen aus. Durch diese Funktion kann ein in der Lernergebnis-Speichereinheit 12 gespeichertes Lernergebnis ebenfalls zu einer weiteren zu verwendenden Abriebgrößen-Schätzvorrichtung o. Ä. übertragen werden.
Die Abriebgrößen-Schätzeinheit 13 schätzt eine Abriebgröße eines Rückschlagventils der Spritzgießmaschine 2 durch Verwenden einer von der Einheit zum Erfassen einer physikalischen Größe 20 erfassten Gießbedingung zum Zeitpunkt des Einspritzens und einer von der Merkmalsgrößen-Extraktionseinheit 30 extrahierten Merkmalsgröße auf der Basis eines in der Lernergebnis-Speichereinheit 12 gespeicherten Lernergebnisses, wenn sich die Vorrichtung zum überwachten maschinellen Lernen 10 in der Schätzphase befindet.
Ferner gibt eine Schätzergebnis-Ausgabeeinheit 40 eine von der Abriebgrößen-Schätzeinheit 13 Abriebgröße eines Rückschlagventils der Spritzgießmaschine 2 an eine Anzeigevorrichtung o. Ä., die nicht dargestellt ist, aus. Wenn die von der Abriebgrößen-Schätzeinheit 13 geschätzte Abriebgröße einen vorgegebenen Wert überschreitet und die Schätzergebnis-Ausgabeeinheit 40 ermittelt, dass der Abrieb Gießqualität und Gießstabilität beeinflusst, kann die Schätzergebnis-Ausgabeeinheit 40 entsprechend eine Warnung ausgeben. Ein Bediener kann somit einen Vorgang zum Ersetzen eines vorhandenen Rückschlagventils durch ein neues entsprechend dem Inhalt der Warnung durchführen.
Vorhergehend wurden die Ausführungsformen der vorliegenden Erfindung beschrieben. Es ist aber darauf hinzuweisen, dass die vorliegende Erfindung nicht auf die zuvor beschriebenen Beispiele der Ausführungsformen beschränkt ist und in verschiedenen Aspekten durch Ausführen geeigneter Änderungen oder Modifizierungen ausgeführt werden kann.
Beispielsweise ist das Beispiel, bei dem eine Gießbedingungen zum Lernen und Schätzen einer Abriebgröße verwendet wird, in der zuvor beschriebenen Ausführungsform beschrieben. Eine Gießbedingung ist aber keine Voraussetzung zum Lernen und Schätzen einer Abriebgröße. Wenn die Funktion f nur auf der Basis einer Abriebgröße eines Rückschlagventils und einer aus Wellenformdaten einer physikalischen Größe durch die Merkmalsgrößen-Extraktionseinheit extrahierten Merkmalsgröße ermittelt werden kann, kann auf eine Gießbedingung verzichtet werden.
Ferner ist das Verfahren beschrieben, bei dem eine Merkmalsgröße aus Wellenformdaten einer physikalischen Größe extrahiert wird, so dass ein Lernen der Vorrichtung zum überwachten Lernen und ein Schätzen einer Abriebgröße durch Verwenden der extrahierten Merkmalsgröße in der zuvor beschriebenen Ausführungsform durchgeführt wird. Es kann aber auch ein Verfahren eingesetzt werden, bei dem ein Variationsmuster von Wellenformdaten einer physikalischen Größe selbst als ein Merkmal zusätzlich zur zuvor beschriebenen Merkmalsgröße eingestellt wird. In diesem Fall kann eine Zeitvariation einer physikalischen Größe während des Einspritzens oder eine Variation einer physikalischen Größe in Bezug auf eine Schraubenstellung auf eine Annäherungskurve angewendet werden, es kann ein ermittelter Koeffizient der Annäherungskurve als eine Merkmalsgröße eingestellt werden und es kann ein Lernen der Vorrichtung zum überwachten Lernen und ein Schätzen einer Abriebgröße unter Verwenden dieser Merkmalsgröße durchgeführt werden.
Ferner umfasst in der zuvor beschriebenen Ausführungsform die Abriebgrößen-Schätzvorrichtung 1 die Einheit zum überwachten Lernen 11. Wenn aber angenommen wird, dass beispielsweise ein durch Lernen von einer anderen Abriebgrößen-Schätzvorrichtung 1 ermitteltes Lernergebnis auf die zu verwendende Lernergebnis-Speichereinheit 12 kopiert wird, muss die Einheit zum überwachten Lernen 11 nicht ausgeführt werden.
Bei der zuvor beschriebenen Konfiguration kann eine Abriebgröße eines Rückschlagventils ausreichend durch Verwenden von bestehenden Lernergebnissen ohne Vorsehen eines Lernmechanismus geschätzt werden, sofern der gleiche Typ von Spritzgießmaschine oder der gleiche Typ von Rückschlagventil verwendet wird; es können jedoch keine Merkmale einer neuen Spritzgießmaschine oder eines neuen Rückschlagventils gelernt werden.

Claims

Abriebgrößen-Schätzvorrichtung (1), die eine Abriebgröße eines an einer Spritzgießmaschine (2) befestigten Rückschlagventils schätzt, wobei die Abriebgrößen-Schätzvorrichtung (1) umfasst: eine Lernergebnis-Speichereinheit (12), die dazu ausgebildet ist, ein Ergebnis zu speichern, das durch ein durchgeführtes überwachtes Lernen ermittelt wird auf der Basis einer Merkmalsgröße, wobei die Merkmalsgröße extrahiert wird aus einer physikalischen Größe in einem Rückschlagventil, in dem eine vorbestimmte Abriebgröße vorab berücksichtigt wird, und die in einem durch die Spritzgießmaschine (2) durchgeführten Einspritzen erfasst wird, und einer Information in Bezug auf eine Abriebgröße eines Rückschlagventils, das an der Spritzgießmaschine (2) beim Einspritzen befestigt wurde; eine Einheit zum Erfassen einer physikalischen Größe (20), die eine physikalische Größe beim Einspritzen durch die Spritzgießmaschine (2) erfasst; eine Merkmalsgrößen-Extraktionseinheit (30), die eine Merkmalsgröße einer physikalischen Größe auf der Basis der von der Einheit zum Erfassen einer physikalischen Größe (20) erfassten Größe extrahiert; eine Abriebgrößen-Schätzeinheit (13), die eine Abriebgröße eines Rückschlagventils, das an der Spritzgießmaschine (2) beim Einspritzen befestigt wurde, auf der Basis des in der Lernergebnis-Speichereinheit (12) gespeicherten Lernergebnisses und der von der Merkmalsgrößen-Extraktionseinheit (30) extrahierten Merkmalsgröße schätzt; und eine Schätzergebnis-Ausgabeeinheit (40), die eine von der Abriebgrößen-Schätzeinheit (13) geschätzte Abriebgröße ausgibt.
Abriebgrößen-Schätzvorrichtung (1) nach Anspruch 1, ferner umfassend: eine Einheit zum überwachten Lernen (11), die überwachtes Lernen auf der Basis einer Merkmalsgröße, wobei die Merkmalsgröße von einer physikalischen Grö-ße, die in einem durch die Spritzgießmaschine (2) durchgeführten Einspritzen erfasst wird, extrahiert wird, und einer Information in Bezug auf eine Abriebgröße eines Rückschlagventils, das an der Spritzgießmaschine (2) beim Einspritzen befestigt wurde, durchführt und ein Ergebnis des Lernens in der Lernergebnis-Speichereinheit (12) speichert.
Abriebgrößen-Schätzvorrichtung (1) nach Anspruch 1 oder 2, wobei eine Merkmalsgröße der physikalischen Größe ein numerischer Wert zum Darstellen eines Merkmals der physikalischen Größe ist.
Abriebgrößen-Schätzvorrichtung (1) nach einem der Ansprüche 1 bis 3, wobei eine Merkmalsgröße der physikalischen Größe eine durch Nähern eines Variationsmusters der physikalischen Größe ermittelte Merkmalsgröße ist.
Abriebgrößen-Schätzverfahren für das an einer Spritzgießmaschine (2) befestigte Rückschlagventil, wobei das Abriebgrößen-Schätzverfahren umfasst: Durchführen eines Einspritzvorgangs in einem Zustand, in dem eine Vielzahl von Rückschlagventilen mit sich voneinander unterscheidenden Abriebgrößen jeweils befestigt sind; Erfassen einer mit einem Einspritzvorgang verknüpften physikalischen Größe während des von der Spritzgießmaschine (2) durchgeführten Einspritzvorgangs; Extrahieren einer Merkmalsgröße der physikalischen Größe, die erfasst wird; Durchführen von überwachtem Lernen, bei dem eine Abriebgröße des Rückschlagventils als richtige Antwortinformation verwendet wird und die Merkmalsgröße, die extrahiert wird, als eine Eingabe verwendet wird; und Schätzen einer Abriebgröße eines Rückschlagventils auf der Basis eines Lernergebnisses des überwachten Lernens, wenn eine willkürliche Merkmalsgröße der physikalischen Größe eingegeben wird.
Abriebgrößen-Schätzverfahren für ein Rückschlagventil nach Anspruch 5, wobei eine Merkmalsgröße der physikalischen Größe ein numerischer Wert zum Darstellen eines Merkmals der physikalischen Größe ist.
Abriebgrößen-Schätzverfahren für ein Rückschlagventil nach Anspruch 5 oder 6, wobei ein Merkmal der physikalischen Größe eine durch Nähern eines Variationsmusters der physikalischen Größe ermittelte Merkmalsgröße ist.