CN115803168A - 成形体区域的检查程序、成形体区域的检查方法、成形体区域的检查装置 - Google Patents
成形体区域的检查程序、成形体区域的检查方法、成形体区域的检查装置 Download PDFInfo
- Publication number
- CN115803168A CN115803168A CN202180048963.7A CN202180048963A CN115803168A CN 115803168 A CN115803168 A CN 115803168A CN 202180048963 A CN202180048963 A CN 202180048963A CN 115803168 A CN115803168 A CN 115803168A
- Authority
- CN
- China
- Prior art keywords
- mechanical property
- region
- molding
- information
- molded body
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/043—Analysing solids in the interior, e.g. by shear waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
- G01N29/0654—Imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29K—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES B29B, B29C OR B29D, RELATING TO MOULDING MATERIALS OR TO MATERIALS FOR MOULDS, REINFORCEMENTS, FILLERS OR PREFORMED PARTS, e.g. INSERTS
- B29K2105/00—Condition, form or state of moulded material or of the material to be shaped
- B29K2105/06—Condition, form or state of moulded material or of the material to be shaped containing reinforcements, fillers or inserts
- B29K2105/08—Condition, form or state of moulded material or of the material to be shaped containing reinforcements, fillers or inserts of continuous length, e.g. cords, rovings, mats, fabrics, strands or yarns
- B29K2105/10—Cords, strands or rovings, e.g. oriented cords, strands or rovings
- B29K2105/101—Oriented
- B29K2105/105—Oriented uni directionally
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0231—Composite or layered materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/02827—Elastic parameters, strength or force
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/26—Scanned objects
- G01N2291/269—Various geometry objects
- G01N2291/2698—Other discrete objects, e.g. bricks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明提供一种检查装置,该检查装置能够在不测定机械特性的情况下推测成形体的机械特性而有助于成形体的评价。检查装置与存储机械特性推测模型的存储部,该机械特性推测模型通过基于由强化纤维强化后且机械特性信息和非破坏检查信息已知的第一成型体区域的该机械特性信息以及该非破坏检查信息的机械学习生成特性且以由强化纤维强化后且机械特性信息未知的第二成形体区域的非破坏检查信息为输入来推测所述第二成型体区域的机械特性信息特性,获取所述第二成形体区域的非破坏检查信息,将该非破坏检查信息输入所述机械特性推测模型,从所述机械特性推测模型获取该第二成形体区域的机械特性信息,进行基于该机械特性信息的输出。
Description
技术领域
本发明涉及纤维强化后的成形体区域的检查程序、检查方法以及检查装置。
背景技术
利用碳纤维进行纤维强化后的成形体能够利用强度高的纤维来强化基体树脂的脆弱性。因此,作为轻量、高特性优异的材料被广泛采用。
以往,在纤维强化后的复合材料的生产工序中,进行用于检查复合材料的制造时的不合格品的非破坏检查。例如,在专利文献1中,在使热塑性树脂含浸于碳纤维的工序中,进行如下的检查。首先,与被检查物(使热塑性树脂含浸于碳纤维的复合材料)隔开固定距离而使具有指向性的超声波发射器与波接收器对置。然后,从一个超声波发射器发射超声波,对被检查物用其对置的波接收器接收超声波,利用信号处理电路测定该超声波的传播时间,由此以非接触的方式检测被检查物的内部缺陷。在此的使用了超声波的检查的数据被转换为图像,由此能够基于该图像判定被检查物的合格与否。
在专利文献2、3中,公开了一种为了在加工食品的生产工序中高效地进行暗红色鱼肉、羽毛等的分选,而自动进行高精度的检索的装置。
现有技术文献
专利文献
专利文献1:日本特开2019-158459号公报
专利文献2:国际公开第2019/151393号
专利文献3:国际公开第2019/151394号
发明内容
发明欲解决的技术问题
近年来,存在原材料价格、人工费的高涨等情况,在维持高品质的同时抑制生产成本成为课题,要求相对于利用模具(成形模具)对纤维强化后的复合材料进行成形而得到的区域即成形体区域,实现低成本且高精度的检查。
专利文献1所记载的非破坏检查中的复合材料的分选作业依赖于所得到的图像的目视检查。因此,难以详细地掌握复合材料的状态。特别是,在通过目视来进行图像的合格与否判定中,难以设置客观的评价基准,难以决定以什么来计算材料的合格与否基准。
另外,专利文献2、3所记载的食品检查系统是用于人寻找硬骨的位置的装置,与进行成形体的检查的技术不同。该食品检查系统只不过是让神经网络代替实现只要人类观察图像、测定对象物的好坏就能够做出的判断工作。
本发明的目的在于提供一种成形体区域的检查程序、检查方法以及检查装置,其能够在不测定机械特性的情况下,推测利用模具对复合材料进行成形而得到的成形体区域的机械特性,有助于该成形体区域的评价。
用于解决问题的技术手段
上述目的可以通过以下的各方式来解决。
本发明的一方式的成形体区域的检查程序使处理器执行如下步骤:通过对纤维强化后的第一成形体区域的机械特性信息和非破坏检查信息进行机器学习,从而生成机械特性推测模型的步骤,所述机械特性推测模型以机械特性信息未知的纤维强化后的第二成形体区域的非破坏检查信息为输入来推测所述第二成形体区域的机械特性信息;获取所述第二成形体区域的非破坏检查信息的步骤;以及将所述获取的所述非破坏检查信息输入到所述机械特性推测模型,从所述机械特性推测模型获取所述第二成形体区域的机械特性信息,进行基于该机械特性信息的输出的步骤,所述第一成形体区域和所述第二成形体区域分别是将板状的复合材料用成形模具成形而得到的,将所述复合材料的投影面积设为S1,将所述成形模具的成形模具空腔中的与所述第一成形体区域和所述第二成形体区域各自对应的部分的投影面积设为S2,将通过(S1/S2)×100的运算得到的值作为填充率,所述第一成形体区域和所述第二成形体区域分别以所述填充率为10%以上且500%以下的方式成形所述复合材料而得到。
本发明的一方式的成形体区域的检查方法,具备:通过对纤维强化后的第一成形体区域的机械特性信息和非破坏检查信息进行机器学习,从而生成以机械特性信息未知的纤维强化后的第二成形体区域的非破坏检查信息为输入来推测所述第二成形体区域的机械特性信息的机械特性推测模型的步骤;获取所述第二成形体区域的非破坏检查信息的步骤;以及将所述获取的所述非破坏检查信息输入到所述机械特性推测模型,从所述机械特性推测模型获取所述第二成形体区域的机械特性信息,进行基于该机械特性信息的输出的步骤,所述第一成形体区域和所述第二成形体区域分别是将板状的复合材料用成形模具成形而得到的,将所述复合材料的投影面积设为S1,将所述成形模具的成形模具空腔中的与所述第一成形体区域和所述第二成形体区域各自对应的部分的投影面积设为S2,将通过(S1/S2)×100的运算得到的值作为填充率,所述第一成形体区域和所述第二成形体区域分别以所述填充率为10%以上且500%以下的方式成形所述复合材料而得到。
本发明的一方式的成形体区域的检查装置,具备处理器,所述处理器能够访问模型存储部,所述模型存储部存储通过基于纤维强化后的第一成形体区域的机械特性信息和非破坏检查信息的机器学习而生成的机械特性推测模型,所述机械特性推测模型以机械特性信息未知的纤维强化后的第二成形体区域的非破坏检查信息为输入来推测所述第二成形体区域的机械特性信息,所述第一成形体区域和所述第二成形体区域分别是将板状的复合材料利用成形模具成形而得到的,将所述复合材料的投影面积设为S1,将所述成形模具的成形模具空腔中的与所述第一成形体区域和所述第二成形体区域各自对应的部分的投影面积设为S2,将通过(S1/S2)×100的运算得到的值作为填充率,所述第一成形体区域和所述第二成形体区域分别以所述填充率为10%以上且500%以下的方式成形所述复合材料而得到,所述处理器获取所述第二成形体区域的非破坏检查信息,将该非破坏检查信息输入到所述机械特性推测模型,从所述机械特性推测模型获取该第二成形体区域的机械特性信息,进行基于该机械特性信息的输出。
发明效果
根据本发明,能够在不测定机械特性的情况下,仅通过非破坏检查信息推测成形体区域的机械特性,有助于成形体区域的评价。根据本发明,能够以较高的精度瞬间地推测出人根据非破坏检查信息无论如何努力也无法推测的机械特性信息。由此,能够降低包含成形体区域的成形体的生产中的废弃损耗,以低成本提供高品质的成形体。
附图说明
图1是表示检查系统的结构例的图。
图2是学习处理的流程图。
图3是表示输出3个反应值的神经网络的例子的图。
图4是表示神经网络的单元之间的运算处理的图。
图5是推测处理的流程图。
图6是在激活函数中使用了RBF时的识别曲面与反应值的分布。
图7是在激活函数中使用了Sigmoid函数时的识别曲面与反应值的分布。
图8是表示超声波探伤检查图像的示意图。
图9是示意性地表示用于复合材料MX的冲压成形的成形模具的一个例子的侧视图。
图10是从可动模具侧观察图9所示的成形模具中的固定模具的俯视示意图。
图11是表示通过图9所示的成形模具对单一的复合材料M进行成形的方法的一个例子的示意图。
图12是沿着方向D1观察图11所示的固定模具以及复合材料M的平面示意图。
图13是表示通过图9所示的成形模具对复合材料M进行成形的状态的示意图。
图14是表示对复合材料M进行加热而进行预赋形后配置于固定模具的例子的示意图。
图15是表示将预赋形后的多个板状的复合材料以相互不重叠的方式配置在固定模具上之后进行成形的例子的示意图。
图16是表示从图15的状态对复合材料进行成形的状态的示意图。
图17是用于说明填充率与复合材料的流动距离的关系的示意图。
符号说明
11:图像存储部
12:处理部
13:输入数据生成部
14:学习数据存储部
15:学习部
16:模型存储部
17:推测部
18:显示部
19:操作部
301:神经网络
302:输入层
303:隐藏层
304:输出层
311、312、313:单元
具体实施方式
以下,对包含作为本发明的一个实施方式的检查装置的检查系统进行说明,但本发明并不限定于此。
[检查系统的概要]
本实施方式的检查系统将由模具对机械特性信息未知的纤维强化后的规定形状(例如板状)的复合材料进行成形而得到的区域即成形体区域(第二成形体区域)作为被检查物,对于该第二成形体区域的机械特性信息,不进行实测而进行推测。
成形体区域的机械特性信息是表示成形体区域的机械特性的信息,例如是与成形体区域的强度等的破坏或弹性相关的信息。作为机械特性信息,能够示例与拉伸强度或弯曲强度等破坏强度相关的信息、与断裂强度、压缩强度、或剪切强度等分别相关的弹性模量相关的信息。
弹性模量相关的信息可以是弹性模量(例如拉伸弹性模量或弯曲弹性模量)其本身,也可以是将弹性模量(例如拉伸弹性模量或弯曲弹性模量)分级的情况下的其等级(以下,记载为机械特性等级)。弹性模量相关的信息,可以进一步包括表示弹性模量(或其等级)符合不合格品的信息、表示弹性模量(或其等级)符合合格品的信息、表示弹性模量(或其等级)难以推测的信息中的任一者。
与破坏强度相关的信息可以是破坏强度(例如拉伸强度或屈服强度)其本身,也可以是将破坏强度(例如拉伸强度或屈服强度)分级的情况下的其等级(以下,记载为机械特性等级)。关于破坏强度的信息,可以进一步包括表示破坏强度(或其等级)符合不合格品的信息、表示破坏强度(或其等级)符合合格品的信息、表示破坏强度(或其等级)难以推测的信息中的任一者。
检查系统所包括的计算机获取第二成形体区域的非破坏检查信息,将该非破坏检查信息输入到预先生成并存储于模型存储部的机械特性推测模型,通过该机械特性推测模型进行该第二成形体区域的机械特性信息的推测,进行基于该推测结果的输出。作为输出方法,可举出在显示部显示信息(例如机械特性等级、是合格品或不合格品的信息、难以推测的信息等)、从扬声器将该信息作为消息而播出、使打印机印刷该信息等。
非破坏检查信息是指通过放射线、红外线或超声波等非破坏性地检查成形体区域的内部的状态而得到的信息。作为非破坏检查信息,既可以是利用了振动或者声音的检查的图像,也可以是数值数据。在图像的情况下,例如能够示例放射线图像、红外线图像或超声波图像等图像。另外,在后述的实施方式之一中,以超声波图像为例进行说明,但本发明并不限定于此。
机械特性推测模型是将机械特性信息和非破坏检查信息的数据已知的、纤维强化后的成形体区域(第一成形体区域)的该数据通过机器学习(包括有监督学习、或无监督学习的深度学习)而生成的、以非破坏检查信息为输入而输出机械特性信息的模型。机械特性推测模型例如使用神经网络或支持向量机等。
检查系统的计算机构成检查装置。该计算机具备处理器、由硬盘装置或者SSD(Solid State Drive:固态驱动器)等能够存储信息的装置构成的存储部、RAM(RandomAccess Memory:随机存取存储器)以及ROM(Read Only Memory:只读存储器)。该处理器通过执行存储于ROM的检查程序,从而进行被检查物的成形体区域的非破坏检查信息的获取、所获取的非破坏检查信息向机械特性推测模型的输入、来自机械特性推测模型的机械特性信息的获取、基于所获取的机械特性信息的输出等处理。
成形体区域的非破坏检查信息通常用于判断在成形体区域的内部是否存在缺陷、空隙或异物,判断在存在的情况下哪个存在程度是怎样的程度。但是,即使在成形体区域的内部大量存在缺陷、空隙或异物,根据缺陷、空隙或异物的分布状态,也存在机械特性良好的情况。在这样的情况下,若目视确认非破坏检查信息,会由于缺陷、空隙或异物多而判断为不合格品,会废弃本应是合格品的成形体区域,生产效率下降。另一方面,也可能存在其相反情况。即,目视确认非破坏检查信息,即使由于缺陷、空隙或异物少而判断为合格品,机械特性有时也是相当于不合格品的状态。
本发明人基于上述观点进行验证,结果发现非破坏检查信息和机械特性信息具有相关性,通过使神经网络或支持向量机等模型对非破坏检查信息和机械特性信息的多个实测数据进行机器学习,从而成功地根据成形体区域的非破坏检查信息,以高准确度推测该成形体区域的机械特性信息。以往没有考虑根据非破坏检查信息求出机械特性信息。因此,构建以非破坏检查信息为输入来输出机械特性信息的机器学习模型对于本领域技术人员来说是不容易的。
以下,对检查系统的详细例进行说明。另外,以下,对机械特性推测模型为神经网络的例子进行说明。
[强化纤维]
本发明中使用的强化纤维的种类可以根据被检查物即成形体区域a(相当于机械特性信息未知的第二成形体区域)的用途等适当选择,没有特别限定。作为强化纤维,可以适宜地使用无机纤维或有机纤维中的任一种。
作为上述无机纤维,例如可以举出碳纤维、活性炭纤维、石墨纤维、玻璃纤维、碳化钨纤维、碳化硅纤维(Silicon carbide fiber)、陶瓷纤维、氧化铝纤维、天然矿物纤维(玄武岩纤维等)、硼纤维、氮化硼纤维、碳化硼纤维、以及金属纤维等。
[碳纤维]
在使用碳纤维作为纤维的情况下,作为碳纤维,一般已知有聚丙烯腈(PAN)系碳纤维、石油/煤沥青系碳纤维、人造丝系碳纤维、纤维素系碳纤维、木质素系碳纤维、酚系碳纤维、气相生长系碳纤维等,在本发明中,可以优选使用这些中的任一种碳纤维。
[强化纤维的形态]
在本发明中,对强化纤维的形态没有特别限定,以下,对本发明者们作为具体例进行的连续纤维进行说明。但是,本发明并不限定于连续纤维。
连续纤维是指,在不将强化纤维切断为短纤维的状态的情况下,将强化纤维束在连续的状态下拉齐的强化纤维。从得到力学特性优异的成形体区域a的目的出发,优选使用连续强化纤维。更具体而言,连续纤维优选为长度为1m以上的纤维,从而作为将加工成织物、编织物等织布的后树脂通过手动敷层等浸渍而使用,或作为使未固化的树脂含浸于连续纤维而成的预浸料而使用。
[成形体区域a]
成形体区域a是由强化纤维强化的区域。以下,对本发明所进行的实施方式的一个例子进行说明,但本发明并不限定于下述记载的成形体区域a。
1.成形体
成形体区域a是板状的复合材料的成形后的成形体,可以是使用了热塑性树脂的成形体,也可以是使用了热固化性的预浸料的成形体。
预浸料是用于制作成形体的材料,是使连续的碳纤维沿着一个方向排列为片状的材料、使热固化性树脂浸渍于由碳纤维织物等碳纤维构成的基材而成的材料、或者使热固化性树脂的一部分浸渍且将剩余的部分配置于至少一个表面的成形中间材料。
2.单向性材料
成形体区域a优选为单向性材料。单向性材料是指长度100mm以上的连续的强化纤维在成形体区域a的内部沿着一个方向对齐配置的材料。作为单向材料,也可以是将多个连续强化纤维层叠而成的材料。特别是,在成形体区域a为单向性材料且使用热固化性的预浸料的成形体的情况下,纤维取向对机械特性的影响较少。因此,能够提高基于后述的模型的机械特性信息的推测的精度。
[优选的成形体区域]
上述成形体区域含有强化纤维和基体树脂作为必要成分,含有其他成分作为任意成分,由下述式(A)、(B)求出的成形体区域的孔隙率Vr优选为10%以下。
Vr=(t2-t1)/t2×100···式(A)
t1=(Wf/Df+Wm/Dm+Wz/Dz)÷单位面积(mm2)···式(B)
t1:成形体区域的理论厚度mm
t2:成形体区域的实测厚度mm
Df:强化纤维的密度(mg/mm3)
Dm:基体树脂的密度(mg/mm3)
Dz:其他成分的密度(mg/mm3)
Wf:强化纤维的质量比例(%)
Wm:基体树脂的质量比例(%)
Wz:其他成分的质量比例(%)
孔隙率(Vr)更优选为5%以下,进一步优选为3%以下。如果孔隙率在该范围内,则本发明的机械特性预测的精度提高。
[成形体区域a的制造]
例如,可以如下准备成形体区域a。
1.材料
·强化纤维:碳纤维“Tenex(注册商标)”STS 40-24K(拉伸强度4300MPa、拉伸弹性模量240GPa、长丝数24000根、纤度1600tex、伸长率1.8%、密度1.78g/cm3、帝人(株式会社)制)
·母材树脂:以环氧树脂为主成分的热固化性树脂组合物
2.单向预浸料的制作
单向预浸料通过如下热熔法制作。首先,使用涂布机将上述热固化性树脂组合物涂布在脱模纸上,制作树脂膜。接着,从筒子架送出上述碳纤维束,使其通过梳子,使碳纤维束之间的间距一致后,通过开纤棒扩宽,以每单位面积的纤维单位面积重量成为100g/m2的片状的方式在一个方向上排列。然后,将上述树脂膜从碳纤维的两面重叠,加热加压,使热固化性树脂组合物浸渍,用卷纸机进行卷取,制作单向预浸料。得到的单向预浸料的树脂含有率为30wt.%。
3.成形体区域a的制作
将单向预浸料通过人手在0°方向上层叠11片,得到层叠结构[011]T的预浸料层叠体。将上述预浸料层叠体放入袋膜内,配置在成形模具内,将其在高压釜内升温,在130℃下加热120分钟,使其固化,制作厚度1mm的CFRP成形体(单向碳素纤维强化热固化性树脂成形体、即成形体区域a)。高压釜成形时的下述所示的填充率为100%。
[拉伸弹性模量、拉伸强度的测定]
作为本发明的破坏强度或弹性模量的具体例,本发明人等如下所述测定成形体区域a的拉伸弹性模量和拉伸强度。
通过水射流将上述CFRP成形体加工成试验片形状(长度250mm×宽度15mm),粘接玻璃纤维强化树脂基复合材料制的标签。按照ASTM D3039法,使用万能试验机,在试验速度2mm/min的条件下进行0°方向拉伸试验,计算出CFRP成形体(成形体区域a)的拉伸弹性模量和拉伸强度。
[非破坏检查信息]
非破坏检查信息的生成中使用的非破坏检查的方法没有特别限定,只要是不破坏成形体区域a地检测成形体区域a的内部缺陷、空隙或异物的检查方法即可。在非破坏检查中,使用放射线、超声波或红外线等。非破坏检查信息优选使用将检查数据变换为图像的信息,特别优选变换后的图像是超声波探伤检查图像。另外,也可以是利用了振动或声音的检查的图像。对检查数据进行图像化的方法没有特别限制。在很多情况下,当购买超声波检查装置时,也与数据处理用计算机终端一起提供图像化软件。
[超声波探伤检查图像]
一般而言,作为材料的非破坏检查方法的代表性的方法,可举出使用超声波的检查方法。在作为被检查物的成形体区域a的两侧隔开固定的距离而使具有指向性的超声波发射器与波接收器对置,从一个波发送器发射脉冲调制后的超声波,利用该对置的波接收器接收超声波,通过信号处理电路测定超声波的传播时间(回波强度)。在作为被检查物的成形体区域a中含有空隙、异物的情况下,该传播时间变化。因此,能够通过超声波以非接触的方式对成形体区域a的内部状态进行检测。
接着,对作为非破坏检查信息的超声波探伤检查图像的获取方法的具体例进行叙述。在此,使用超声波探伤装置(SDS-3600:日本克劳德曼(クラウトクレイマー)公司制)测定作为成形体区域a的CFRP成形体,得到评价了CFRP成形体的内部缺陷的超声波探伤检查图像。
更详细而言,在配置超声波探头之后,使用频率600kHz的超声波对作为被检查物的成形体区域a进行超声波检查。以发送用探头与被检查物的上侧表面垂直距离为30mm、接收用探头与被检查物的下侧表面离开垂直距离30mm、接收用探头的轴部与发送用探头的轴部沿着铅垂方向对齐的方式配置两个探头。
在从由接收用探头接收到的超声波变换而成的电信号的图像化中,使用对超声波探头中的某个深度的接收回波强度进行亮度调制,将被检查物上的位置(2维)显示为直角坐标的C扫描。在所得到的C扫描图像中,超声波的传播行为的差异由色彩、浓淡的不同来表示。
将具体得到的C扫描图像示于图8。另外,图8所示的C扫描图像能够根据超声波的传播行为、回波强度来改变颜色,但在以下所述的学习中使用的图像和在被检查物的机械特性信息的推测中使用的图像全部在相同的条件下获取图像。
[检查系统]
以下,将变换为能够向神经网络的输入层输入的形式的数据记载为输入数据。在检查系统中,获取成形体区域a的样本(以下,记载为成形体区域样本b,相当于第一成形体区域)的非破坏检查信息(以下,记载为非破坏检查信息样本)和从成形体区域样本b实际测量得到的机械特性信息(以下,记载为机械特性信息样本),作为第二输入数据,使用该第二输入数据进行神经网络的学习。神经网络的学习完成后,将成形体区域a的非破坏检查信息作为第一输入数据输入到神经网络,基于来自神经网络的输出层的反应值,推测成形体区域a的机械特性信息。也可以基于推测出的机械特性信息,进行成形体区域a的合格品和不合格品的分类。
为了进行有效的学习、高精度的推测,检查系统在学习处理和推测处理中能够使用最优化的非破坏检查信息(优选超声波探伤图像)。例如,也可以对超声波探伤图像进行各种图像处理,以使得超声波探伤图像的检测变得容易。
[检查装置]
检查装置1进行图像处理、输入数据的生成、神经网络的学习、使用神经网络的机械特性信息的推测等。检查装置1是具备由CPU(Central Processing Unit:中央处理单元)等构成的1个或多个处理器、存储部、通信部,由OS(操作系统)和应用程序进行动作的计算机等信息处理装置。检查装置1可以是物理计算机,也可以通过虚拟机(Virtual Machine:VM)、容器(container)或者它们的组合来实现。更具体而言,处理器的结构是将半导体元件等电路元件组合而成的电路。
检查装置1具备:图像存储部11,其存储非破坏检查信息和非破坏检查信息样本;处理部12,其对非破坏检查信息和非破坏检查信息样本进行处理;输入数据生成部13;学习数据存储部14;学习部15;模型存储部16;推测部17;显示部18;以及操作部19。处理部12、输入数据生成部13、学习部15以及推测部17分别是通过检查装置1的处理器执行程序而实现的功能块。在该程序中包括成形体区域的检查程序。
图像存储部11优选是保存超声波探伤图像的存储区域。图像存储部11既可以是SRAM、DRAM等易失性存储器,也可以是NAND、MRAM、FRAM(注册商标)等非易失性存储器。
处理部12优选对超声波探伤图像进行图像处理,将进行了图像处理后的图像保存于图像存储部11。作为图像处理的例子,可举出分别提取图像中的像素中的红、绿、蓝(RGB)的各色的亮度的图像的生成、从各像素中的红(R)的亮度减去绿(G)的亮度的图像的生成、向HSV颜色空间的变换后,仅提取红的成分的图像的生成等,但也可以进行其他种类的图像处理。
处理部12还可以进行图像的放大、缩小、剪切、噪声去除、旋转、反转、颜色深度的变更、对比度调整、明亮度调整、清晰度的调整、颜色校正等。
输入数据生成部13根据存储在图像存储部11中的非破坏检查信息或者非破坏检查信息样本,生成输入到神经网络的输入层的输入数据。例如,在使用超声波探伤图像进行后述的学习的情况下,优选从超声波探伤图像切出期望的部位,或者去除多余的部位而制作第二输入数据。
在检查装置1执行学习处理的情况下,输入数据生成部13将输入数据保存于学习数据存储部14。在检查装置1进行成形体区域a的检查的情况下,输入数据被传送到推测部17。
此外,在进行学习处理时,输入数据生成部13例如也可以使用由外部的装置、系统拍摄到的图像(非破坏检查信息样本)来生成输入数据。
学习数据存储部14是保存用于神经网络的学习的多个输入数据的存储区域。保存在学习数据存储部14中的输入数据被用作学习部15的学习数据。对于作为学习数据而使用的输入数据(第二输入数据),与从作为该输入数据的获取源的成形体区域样本b进行测定而得到的机械特性信息样本建立对应地存储。该机械特性信息样本除了包括成形体区域样本b的机械特性等级和机械特性值(例如弹性模量)中的至少一者以外,还包括表示机械特性值相当于合格品的信息、表示机械特性值相当于不合格品的信息、表示机械特性值的推测困难的信息等。
例如,机械特性信息样本与从成形体区域样本b得到的第二输入数据的对应关系(以下,将该对应关系记载为标注)能够通过用户对操作部19进行操作来直接输入该成形体区域样本b的机械特性值(例如弹性模量)。在输入后,检查装置1将机械特性值划分为机械特性等级。例如,能够将拉伸弹性模量分为以下的机械特性等级。
机械特性等级1:成形体区域的拉伸弹性模量为30GPa以上
机械特性等级2:成形体区域的拉伸弹性模量为25~30GPa
机械特性等级3:成形体区域的拉伸弹性模量为25GPa以下
该机械特性等级也可以不是上述那样的每5GPa,而是以3GPa、1GPa为单位输出机械特性等级。另外,如果与从成形体区域样本b得到的第二输入数据对应的机械特性信息样本是已知的,则也可以通过程序、脚本等,不是用户操作而是自动地进行机械特性等级的标注。机械特性等级的标注既可以在从成形体区域样本b得到的非破坏检查信息样本向第二输入数据的变换前进行,也可以在向第二输入数据的变换后进行。
学习部15使用保存在学习数据存储部14中的输入数据(第二输入数据),进行神经网络的学习。学习部15将学习后的神经网络保存于模型存储部16。学习部15例如能够学习输入层、隐藏层和输出层这3层神经网络。通过学习3层神经网络,能够确保检查成形体区域a时的实时的响应性能。对输入层、隐藏层、输出层各自所包括的单元数没有特别限定。各层所包括的单元数能够基于所要求的响应性能、推测对象、识别性能等来决定。
另外,3层神经网络是一个例子,不妨碍使用层数比其多的多层神经网络。在使用多层神经网络的情况下,能够使用卷积神经网络等各种神经网络。
模型存储部16是保存利用学习部15学习后的神经网络的存储区域。在模型存储部16中,也可以根据作为检查对象的成形体区域a的种类来保存多个神经网络。模型存储部16被设定为能够由推测部17参照,因此推测部17能够使用模型存储部16中保存的神经网络来进行成形体区域a的检查(机械特性信息的推测)。模型存储部16既可以是RAM、DRAM等易失性存储器,也可以是NAND、MRAM、FRAM(注册商标)等非易失性存储器。另外,模型存储部16只要是检查装置1的处理器能够访问的场所即可,也可以不内置在检查装置1中。例如,模型存储部16既可以是外接于检查装置1的存储器,也可以是与能够从检查装置1访问的网络连接的网络存储器。
推测部17使用模型存储部16中保存的神经网络,进行成形体区域a的机械特性信息的推测。推测部17基于从输出层的单元输出的反应值来推测成形体区域a的机械特性等级。作为输出层的单元的例子,有机械特性等级1的单元、机械特性等级2的单元、机械特性等级3的单元、难以推测的单元等,但也可以准备其他种类的单元。例如,在推测出的机械特性等级低的情况下,有可能混入很多异物等。也可以使用多个单元的反应值的差、比值来推测成形体区域a的机械特性等级。
显示部18是显示图像、文本的显示器。在显示部18中,也可以显示拍摄到的图像、图像处理后的图像、基于推测部17的推测结果。
操作部19是提供利用者对检查装置1进行操作的操作单元的装置。操作部19例如是键盘、鼠标、按钮、开关、声音识别装置等,但不限于此。
[学习处理]
在进行基于检查装置1的成形体区域a的机械特性等级的推测之前,需要使用与成形体区域a相同种类的成形体区域样本b的非破坏检查信息样本以及机械特性信息样本来进行神经网络的学习。图2是学习处理的流程图。
首先,检查装置1的处理器获取多个成形体区域样本b各自的非破坏信息样本(步骤S201)。在此的非破坏检查信息样本中包括机械特性等级高的样本、机械特性等级低的样本。在设置向神经网络的输出层输出难以推测的反应值的单元的情况下,也可以准备机械特性信息难以推测的非破坏检查信息样本。作为难以推测的非破坏检查信息样本的例子,在非破坏检查信息样本为图像的情况下,可举出成形体区域样本b未充分显示的图像、因照明、曝光而导致的亮度调整不适当且成形体区域样本b未清晰地显示的图像等。
检查装置1的处理器从获取到的各非破坏检查信息样本生成第二输入数据(步骤S201)。接着,检查装置1的处理器获取该多个成形体区域样本b各自的机械特性信息样本,将获取到的机械特性信息样本与各第二输入数据建立对应地存储(步骤S203)。
另外,步骤S203也可以在步骤S202之前进行。在该情况下,在各非破坏检查信息样本被变换为第二输入数据之后,与该非破坏检查信息样本建立了对应的机械特性信息样本也被该第二输入数据集成。
接着,检查装置1的处理器基于第二输入数据,开始基于神经网络的学习(步骤S204)。
图3表示输出3个反应值的神经网络的例子。图3的神经网络301是具有输入层302、隐藏层303、输出层304这3层的神经网络。输出层304包括推测机械特性等级的单元311、312、313。单元311、312、313在图3中为3个,但能够根据机械特性的等级而适当增减。
在神经网络中,输入到输入层的值传播到隐藏层、输出层,得到输出层的反应值。在步骤S204中,在将第二输入数据输入到神经网络的情况下,调整隐藏层303的数量、输入层302以及隐藏层303各自所包含的单元数量、输入层302以及隐藏层303各自所包含的单元之间的结合系数等神经网络的各参数、结构,以使得以高概率从神经网络输出与该第二输入数据对应的机械特性信息样本或者与其接近的信息。这样,生成机械特性推测模型,并存储在模型存储部16中。
图4表示神经网络的单元之间的运算处理。图4示出第m-1层的单元和第m层的单元。为了说明,在图4中仅示出了神经网络的一部分单元。第m-1层中的单元序号为k=1、2、3······。第m层中的单元序号为j=1、2、3······。
若将第m-1层的单元序号k的反应值设为ak m-1,则第m层的单元序号j的反应值aj m使用下述的式(2)求出。
[数1]
在此,Wjk m是权重,表示单元之间的耦合的强度。bj m为偏置。f(······)为激活函数。根据式(2)可知,第m层中的任意的单元的反应值是对处于第m-1层的所有单元(k=1、2、3……)的反应值进行加权相加,并作为激活函数的变量而输入时的输出值。
接着,对激活函数的例子进行说明。下述的式(3)是正态分布函数。
[数2]
在此,μ是平均值,表示正态分布函数所描绘的吊钟状的峰值的中心位置。σ是标准偏差,表示峰值的宽度。式(3)的值仅依赖于距峰值的中心的距离,因此可以说高斯函数(正态分布函数)是放射基函数(radial basis function:RBF)的一种。高斯函数(正态分布函数)是一个例子,也可以使用除此以外的RBF。
下述的式(4)是Sigmoid函数。Sigmoid函数以x→∞的极限逐渐接近1.0。另外,以x→-∞的极限逐渐接近0.0。即,Sigmoid函数取(0.0,1.0)的范围的值。
[数3]
此外,作为激活函数,不妨碍使用高斯函数、Sigmoid函数以外的函数。例如,本发明人等在卷积层中使用了Relu,在输出层中使用了softmax。
神经网络的学习在将输入数据输入到输入层之后,进行单元之间的耦合的强度即权重Wjk的调整,以得到正确的输出。在神经网络中输入标注有某种机械特性等级的输入数据时,所期待的正确的输出(输出层的单元的反应值)也被称为教师信号。
例如,如果将机械特性等级标注为311的输入数据输入到神经网络301,则在教师信号中,单元311的反应值为1,单元312的反应值为0,单元313的反应值为0。若将标注有机械特性等级为312的输入数据输入到神经网络301,则在教师信号中,单元311的反应值为0,单元312的反应值为1,单元313的反应值为0。
例如,权重Wjk的调整能够使用反向传播法(误差反向传播法:Back PropagationMethod)来执行。在反向传播法中,从输出层侧依次调整权重Wjk,以使神经网络310的输出与教师信号的偏差变小。下述的式(5)表示改良型反向传播法。
[数4]
Wjk(t+1)=Wjk(t)+ΔWjk(t)
ΔWjk(t)=-ηδkOj+αΔWjk(t-1)+βΔWjk(t-2) (5)
此外,在使用高斯函数作为激活函数的情况下,不仅是权重Wjk,还将式(3)的σ和μ作为改良型反向传播法中的参数而作为调整对象。通过调整参数σ、μ的值,来辅助神经网络的学习收敛。下述的式(6)表示对参数σ进行的值的调整处理。
[数5]
σjk(t+1)=σjk(t)+Δσjk(t)
Δσjk(t)=-ηδkOj+αΔσjk(t-1)+βΔσjk(t-2) (6)
下述的式(7)表示对参数μ进行的值的调整处理。
[数6]
μjk(t+1)=μjk(t)+Δμjk(t)
Δμjk(t)=-ηδkOj+αΔμjk(t-1)+βΔμjk(t-2) (7)
这里,t是学习次数,η是学习常数,δk是一般化误差,Oj是单元序号j的反应值,α是感性常数,β是振动常数。ΔWjk、Δσjk、Δμjk表示权重Wjk、σ、μ各自的修正量。
在此,以改良型反向传播法为例对权重Wjk、参数的调整处理进行了说明,但也可以取而代之使用一般的反向传播法。以下,在仅叙述为反向传播法的情况下,使改良型反向传播法包含一般的反向传播法这两者。
基于反向传播法的权重Wjk、参数的调整次数可以是一次,也可以是多次,没有特别限定。通常,能够基于使用测试数据时的机械特性等级的推测精度,判断是否进行基于反向传播法的权重Wjk、参数的调整的重复。若反复进行权重Wjk、参数的调整,则有时机械特性等级的推测精度提高。
通过使用上述方法,可以在步骤S204中确定权重Wjk、参数σ和μ的值。若决定权重Wjk、参数σ、μ的值,则能够进行使用了神经网络的推测处理。
图5是用于说明按照成形体区域的检查程序进行动作的检查装置1对机械特性信息的推测动作的流程图。检查装置1的处理器获取成形体区域a的非破坏检查信息(优选拍摄超声波探伤检查图像)(步骤S501)。在将超声波探伤图像作为非破坏检查信息的情况下,也可以在步骤S501与步骤S502之间,存在对超声波探伤图像进行图像处理的步骤。
接着,检查装置1的处理器根据非破坏检查信息生成第一输入数据(步骤S502)。第一输入数据具有与神经网络的输入层的单元数相等的N个要素,成为能够向神经网络输入的形式。
接着,检查装置1的处理器将第一输入数据向神经网络输入(步骤S503)。第一输入数据按照输入层、隐藏层、输出层的顺序传递。检查装置1的处理器基于神经网络的输出层中的反应值来进行机械特性等级的推测(步骤S504)。
使用神经网络的推测处理等价于找到第一输入数据的识别空间内的位置的处理。图6示出了当使用高斯函数作为激活函数时的识别空间的示例。若对激活函数使用高斯函数等RBF,则将识别空间划分为机械特性的每个等级的区域的识别曲面成为闭合曲面。另外,对于机械特性等级的各个类别,通过追加高度方向的指标,能够在识别空间中对各类别所涉及的区域进行局部化。
图7表示在激活函数中使用了Sigmoid函数时的识别空间的例子。在激活函数是Sigmoid函数的情况下,识别曲面成为开曲面。另外,上述神经网络的学习处理相当于在识别空间中学习识别曲面的处理。在图6、图7中的区域中仅示出了机械特性等级311和机械特性等级312,但也可以存在3个以上的多个机械特性等级的分布。
如上所述,如果使用本实施方式的检查系统,则能够根据成形体区域a的非破坏检查信息(优选超声波探伤图像)推测该成形体区域a的机械特性信息。在专利文献2(国际公开第2019/151393号)或专利文献3(国际公开第2019/151394号)所记载的发明中,只不过是让神经网络代替实现只要人类看到图像、测定对象物就能做出的判断。即,在这些发明中,检查对象是被拍摄照片的食品,因此人能够容易地判断该食品中有无异物等。
另一方面,机械特性信息是数值或以此为基准的等级等,非破坏检查信息(优选超声波探伤图像)是将成形体区域的内部的状态可视化或数值化的信息。即,即使熟练工观察到非破坏检查信息,也无法由此推测机械特性信息。例如,显然,人类无论多么努力,也无法从图8(a)~(d)的超声波探伤图像推测机械特性信息。如果利用本实施方式的检查装置1,则能够在不实际测量的情况下瞬间推测出熟练工如何努力也无法推测的机械特性信息。
接着,对推测利用成形模具对板状的复合材料进行成形而得到的成形体区域的机械特性信息的例子进行说明。以下,将利用成形模具成形前的板状的复合材料总称为复合材料MX。在以下的说明中,作为复合材料MX,可示例复合材料M、复合材料Ms、复合材料M2、复合材料M3。复合材料MX优选包括不连续纤维。复合材料MX特别优选为在短切纤维束垫中浸渍有作为基体树脂的热固化性树脂的片材模塑化合物。
[复合材料MX的成形方法]
复合材料MX的成形方法没有特别限定,可以使用冲压成形(压缩成形)、高压釜成形、真空成形等,但优选为冲压成形。
[成形模具]
图9是示意性地表示在复合材料MX的冲压成形中使用的成形模具的一个例子的侧视图。图10是从可动模具30侧观察图9所示的成形模具中的固定模具20的俯视示意图。图9所示的成形模具具备固定模具20和相对于固定模具20移动自如地构成的可动模具30。在固定模具20的可动模具30侧的上表面21形成有凹部22。凹部22是由底面22A和将底面22A和上表面21连接的一对侧面22B所划分的区域。可动模具30构成为在包括接近于固定模具20的方向D1以及远离固定模具20的方向D2的方向D上移动自如。方向D1是在成形复合材料MX时对复合材料MX施加压力的方向。另外,若成形方法为真空成形,则方向D1成为吸引方向。
在可动模具30最接近固定模具20的状态(可动模具30位于图中的单点划线的位置的状态)下,在可动模具30与固定模具20之间形成成形模具空腔(图中的斜线所示的空间SP)。
成形模具空腔是指形成成形体的空间。在通过成形模具对复合材料MX进行成形而得到的成形体中,有时也对在端部等不需要的部分进行修整。在该情况下,图9所示的空间SP中的、形成被修整而最终残留的成形体的空间成为成形模具空腔。例如,假设在通过图9所示的成形模具对复合材料M进行成形而得到的图13所示的成形体MD1中,对虚线所示的部分进行修整而制成最终产品的情况。在该情况下,空间SP中的除了虚线所示的范围以外的部分成为成形模具空腔。
图11是表示利用图9所示的成形模具成形单一的复合材料M的方法的一个例子的示意图。板状的复合材料M以将凹部22覆盖的状态配置于固定模具20的上表面21。图12是从方向D1观察图11所示的固定模具20和复合材料M的俯视示意图。若使可动模具30从图11所示的状态向方向D1移动,则复合材料M因来自可动模具30的压力而流动,沿着空间SP的形状变形,如图13所示,得到成形体MD1。在图11~图13的例子中,对复合材料M进行成形而得到的成形体区域的全部构成成形体MD1。
在成形方法为冷冲压的情况下,在冲压之前对复合材料M进行加热而进行预赋形。如图14所示,将该预赋形后的复合材料M配置于固定模具20的上表面以及凹部。之后,若使可动模具30从图14所示的状态向方向D1移动,则预赋形后的复合材料M因来自可动模具30的压力而流动,沿着空间SP的形状变形,如图13所示,得到成形体MD1。
在利用成形模具制造成形体的情况下,成为成形体的原料的复合材料MX可以是1个,也可以是多个。例如,如图11及图12的单点划线所示,有时也在复合材料M上进一步配置其他板状的复合材料Ms后进行成形。另外,如图15所示,也存在将预赋形后的多个板状的复合材料(复合材料M2和复合材料M3)以相互不重叠的方式配置在固定模具20上之后进行成形的情况。当使可动模具30从图15所示的状态向方向D1移动时,预赋形后的复合材料M2和复合材料M3因来自可动模具30的压力而流动,沿着空间SP的形状变形。然后,如图16所示,得到由成形复合材料M2而得到的成形体区域MA2和成形复合材料M3而得到的成形体区域MA3构成的成形体MD2。在图15和图16的例子中,成形复合材料M2而得到的成形体区域MA2和成形复合材料M3而得到的成形体区域MA3分别构成成形体MD2的一部分。
[构成成形体的复合材料MX的投影面积S1]
在成形体由单一的复合材料MX构成的情况下,将在厚度方向上观察该单一的复合材料MX(在采用冷冲压成形的情况下为预赋形前的状态的复合材料)时的该复合材料MX的平面面积定义为投影面积S1。在图11的例子中,复合材料M的平面面积成为投影面积S1。
假设成形体由多个复合材料MX构成,且将该多个复合材料MX以重叠的状态成形的情况。在该情况下,可以视为成形体由单一的成形体区域构成。而且,将在各自的厚度方向上观察重叠状态的该多个复合材料MX(在冷冲压成形的情况下为预赋形前的状态的复合材料)时的、该多个复合材料MX整体的平面面积定义为投影面积S1。在图12的例子中,复合材料Ms的整体与复合材料M重叠。因此,投影面积S1与复合材料M的平面面积相同。在图12中,例如,假设仅复合材料Ms的一部分与复合材料M重叠地配置的情况。在该情况下,复合材料M的平面面积与复合材料Ms中的未与复合材料M重叠的区域的平面面积之和成为投影面积S1。
假设成形体由多个复合材料MX构成且该多个复合材料MX以不重叠的方式配置之后进行成形的情况。在该情况下,将在各自的厚度方向上观察该多个复合材料MX(在冷冲压成形的情况下为预赋形前的状态的复合材料)时的各复合材料MX的平面面积定义为投影面积S1。在图15的例子中,在厚度方向上观察预赋形前的复合材料M2时的复合材料M2的平面面积成为投影面积S1。另外在厚度方向上观察预赋形前的复合材料M3时的复合材料M3的平面面积成为投影面积S1。
[成形模具空腔的与成形体区域对应的部分的投影面积S2]
假设由成形模具空腔形成的成形体由对单一或重叠的多个复合材料MX进行成形而得到的单一的成形体区域构成的情况。在该情况下,成形模具空腔整体成为与该单一的成形体区域对应的部分。将从方向D1观察时的该部分的平面面积定义为投影面积S2。在图13的例子中,从方向D1观察时的空间SP的平面面积成为投影面积S2。
假设由成形模具空腔形成的成形体由对以彼此不重叠的状态配置的多个复合材料MX进行成形而得到的多个成形体区域构成的情况。在该情况下,成形模空腔中的存在各成形体区域的部分是与各成形体区域对应的部分。将从方向D1观察该各部分时的平面面积定义为投影面积S2。
在图16的例子中,从方向D1观察空间SP中的存在成形体区域MA2的部分时的平面面积成为投影面积S2。另外,从方向D1观察空间SP中的存在成形体区域MA3的部分时的平面面积成为投影面积S2。
另外,在将多个复合材料MX分离配置并进行冷冲压而制作成形体的情况下,在成形时各复合材料MX流动而在边界形成熔接。因此,如果观察完成的成形体,则能够容易地判别“将各复合材料MX成形而得到的成形体区域”。
[填充率]
对于由成形模具制造的成形体,将通过下述式(C)的运算得到的值定义为填充率。
填充率[%]=100×{(构成成形体的复合材料MX的投影面积S1)/(成形模具空腔的与成形体区域对应的部分的投影面积S2)}······(C)
另外,如图16所示的例子那样,在成形体包括多个成形体区域的情况下,通过将各成形体区域的投影面积S1以及投影面积S2代入式(C),关于1个成形体求出2个填充率。
即,将复合材料M2的平面面积设为投影面积S1,并且将成形模具空腔中的存在成形体区域MA2的部分的平面面积设为投影面积S2来计算第一填充率。另外,将复合材料M3的平面面积设为投影面积S1,并且将成形模具空腔中的存在成形体区域MA3的部分的平面面积设为投影面积S2来计算第二填充率。
该填充率的值越大,意味着成形中的复合材料MX的流动距离越少。例如,以使用图9所示的成形模具仅将图16所示的成形体区域MA2作为产品制造的情况为例。在该情况下,如图17所示,若使复合材料M2的投影面积S1比图15所示的例子小而降低填充率,则复合材料M2的流动距离比图15所示的例子长。
在复合材料MX包括不连续纤维、将该复合材料MX成形而得到的成形体区域通过不连续纤维进行纤维强化的情况下,若使复合材料MX流动而生成成形体区域,则纤维在流动同时取向。因此,在复合材料MX的流动距离短的情况下,成形时的流动、纤维取向的控制变得容易,大量生产时的成形体区域的机械特性品质稳定。
通过使用在成形体区域的机械特性品质尽可能不存在偏差的状态下得到的学习数据来生成上述的机械特性推测模型,从而能够提高机械特性的推测精度。具体而言,作为成为使机械特性推测模型学习的学习数据(非破坏检查信息和机械特性信息)的测定源的第一成形体区域、和成为通过该机械特性推测模型进行机械特性的推测的对象的第二成形体区域,优选分别以使填充率为10%以上且500%以下的方式将复合材料MX用成形模具成形而得到的材料作为适用对象。
作为第一成形体区域和第二成形体区域各自的结构,例如可以采用图13所示的成形体MD1、图16所示的成形体区域MA2、图16所示的成形体区域MA3或图16所示的成形体MD2。另外,在第一成形体区域和第二成形体区域分别为图16所示的成形体MD2的情况下,对于复合材料M2和成形体区域MA2求出的填充率和对于复合材料M3和成形体区域MA3求出的填充率中的任意一者为10%以上且500%以下即可。
若填充率小于10%,则复合材料MX的流动距离变大。因此,难以使第一成形体区域和第二成形体区域各自的机械特性品质稳定化。因此,填充率的下限设为10%。填充率的上限可以根据利用成形模具制造的产品的用途来决定。若将该上限设为500%,则能够将适于许多用途的产品作为对象。另外,为了使第一成形体区域和第二成形体区域各自的机械特性品质更加稳定化,优选使填充率为50%以上,更优选为70%以上,进一步优选为80%以上。需要说明的是,在强化纤维为不连续纤维且想要提高向特定方向的机械强度时,若使填充率为10%以上且小于50%,则容易在成形体区域产生各向异性,因此优选。
[成形体区域的各向同性]
在成形时的复合材料MX的流动少的情况下,复合材料MX和其成形后的成形体区域的纤维取向近似。特别是,在复合材料MX由不连续纤维强化的各向同性基材的情况下,若成形时的流动少(换言之,若填充率较大),则在成形体区域也能够确保各向同性。因此,第一成形体区域和第二成形体区域各自的各向同性优选为1.5以下,更优选为1.3以下。
[成形体区域的单位面积重量的变动系数(CV)]
优选第一成形体区域和第二成形体区域各自的单位面积重量的变动系数(CV)为10%以下。如果单位面积重量的变动系数(CV)为10%以下,则第一成形体区域和第二成形体区域各自的特性均匀化。因此,机械特性推测模型的机械特性的推测变得容易。
[成形体区域所含的强化纤维]
在将强化纤维束的纤维长度设为Li、将构成强化纤维束的强化纤维的单丝直径设为Di、将强化纤维束中所含的单丝的纤维数设为Ni的情况下,优选第一成形体区域和第二成形体区域分别包括Li为1mm以上且100mm以下、且Li/(Ni×Di2)为8.0×101以上且3.3×103以下的强化纤维束A。
强化纤维束A的体积比例相对于成形体中所含的强化纤维整体优选为50~100vol%,更优选为70~90vol%。
以上,参照附图说明了各种实施方式,但本发明不限于这样的例子是不言而喻的。本领域的技术人员可以在权利要求的范围内想到各种修正例和变形例,应该理解,它们当然属于本发明的技术范围。此外,在不脱离发明的宗旨的范围中,也可以将上述实施方式中的各结构要素任意地组合。
另外,本申请基于2020年7月8日申请的日本专利申请(日本特愿2020-118107),其内容作为参照引用于本申请中。
Claims (14)
1.一种成形体区域的检查程序,其特征在于,
所述成形体区域的检查程序使处理器执行如下步骤:
通过对纤维强化后的第一成形体区域的机械特性信息和非破坏检查信息进行机器学习,从而生成机械特性推测模型的步骤,所述机械特性推测模型以机械特性信息未知的纤维强化后的第二成形体区域的非破坏检查信息为输入来推测所述第二成形体区域的机械特性信息;
获取所述第二成形体区域的非破坏检查信息的步骤;以及
将所述获取的所述非破坏检查信息输入到所述机械特性推测模型,从所述机械特性推测模型获取所述第二成形体区域的机械特性信息,并基于该机械特性信息进行输出的步骤,
所述第一成形体区域和所述第二成形体区域分别是将板状的复合材料用成形模具成形而得到的,
将所述复合材料的投影面积设为S1,将所述成形模具的成形模具空腔中的与所述第一成形体区域和所述第二成形体区域中的每一个对应的部分的投影面积设为S2,将通过(S1/S2)×100的运算得到的值作为填充率,
所述第一成形体区域和所述第二成形体区域分别以所述填充率为10%以上且500%以下的方式成形所述复合材料而得到。
2.根据权利要求1所述的成形体区域的检查程序,其特征在于,
所述第一成形体区域和所述第二成形体区域分别以所述填充率为50%以上的方式成形所述复合材料而得到。
3.根据权利要求1或2所述的成形体区域的检查程序,其特征在于,
所述第一成形体区域以及所述第二成形体区域分别利用不连续纤维而被纤维强化。
4.根据权利要求1至3中任一项所述的成形体区域的检查程序,其特征在于,
所述第一成形体区域以及所述第二成形体区域各自的各向同性为1.5以下。
5.根据权利要求1-4中任一项所述的成形体区域的检查程序,其特征在于,
所述第一成形体区域和所述第二成形体区域各自的单位面积重量的变动系数为10%以下。
6.根据权利要求1-5中任一项所述的成形体区域的检查程序,其特征在于,
在将强化纤维束的纤维长度设为Li、将构成所述强化纤维束的强化纤维的单丝直径设为Di、将所述强化纤维束中所含的单丝的纤维数设为Ni的情况下,所述第一成形体区域和所述第二成形体区域各自的强化纤维包括Li为1mm以上且100mm以下、且Li/(Ni×Di2)为8.0×101以上且3.3×103以下的所述强化纤维束。
7.根据权利要求1至6中任一项所述的成形体区域的检查程序,其特征在于,
所述成形为压制成形。
8.根据权利要求1-7中任一项所述的成形体区域的检查程序,其特征在于,
所述复合材料是在短切纤维束垫中浸渍有作为基体树脂的热固化性树脂而成的片材模塑化合物。
9.根据权利要求1至8中任一项所述的成形体区域的检查程序,其特征在于,
所述非破坏检查信息是图像或数值数据。
10.根据权利要求1至9中任一项所述的成形体区域的检查程序,其特征在于,
所述机械特性信息是与成形体区域的弹性模量或破坏强度相关的信息。
11.根据权利要求10所述的成形体区域的检查程序,其特征在于,
与所述弹性模量相关的信息包括弹性模量或对弹性模量进行了分级的情况下的等级,
与所述破坏强度相关的信息包括破坏强度或对破坏强度进行了分级的情况下的等级。
12.根据权利要求11所述的成形体区域的检查程序,其特征在于,
与所述弹性模量或破坏强度相关的信息包括表示所述弹性模量或破坏强度难以推测的信息、表示所述弹性模量或破坏强度相当于不合格品的信息、以及表示所述弹性模量或破坏强度相当于合格品的信息中的至少一者。
13.一种成形体区域的检查方法,其特征在于,具备:
通过对纤维强化后的第一成形体区域的机械特性信息和非破坏检查信息进行机器学习,从而生成机械特性推测模型的步骤,所述机械特性推测模型以机械特性信息未知的纤维强化后的第二成形体区域的非破坏检查信息为输入来推测所述第二成形体区域的机械特性信息;
获取所述第二成形体区域的非破坏检查信息的步骤;以及
将所述获取的所述非破坏检查信息输入到所述机械特性推测模型,从所述机械特性推测模型获取所述第二成形体区域的机械特性信息,并基于该机械特性信息进行输出的步骤,
所述第一成形体区域和所述第二成形体区域分别是将板状的复合材料用成形模具成形而得到的,
将所述复合材料的投影面积设为S1,将所述成形模具的成形模具空腔中的与所述第一成形体区域和所述第二成形体区域中的每一个对应的部分的投影面积设为S2,将通过(S1/S2)×100的运算得到的值作为填充率,
所述第一成形体区域和所述第二成形体区域分别以所述填充率为10%以上且500%以下的方式成形所述复合材料而得到。
14.一种成形体区域的检查装置,其特征在于,
具备处理器,所述处理器能够访问模型存储部,所述模型存储部存储通过基于纤维强化后的第一成形体区域的机械特性信息和非破坏检查信息的机器学习而生成的机械特性推测模型,
所述机械特性推测模型以机械特性信息未知的纤维强化后的第二成形体区域的非破坏检查信息为输入来推测所述第二成形体区域的机械特性信息,
所述第一成形体区域和所述第二成形体区域分别是将板状的复合材料用成形模具成形而得到的,
将所述复合材料的投影面积设为S1,将所述成形模具的成形模具空腔中的与所述第一成形体区域和所述第二成形体区域中的每一个对应的部分的投影面积设为S2,将通过(S1/S2)×100的运算得到的值作为填充率,
所述第一成形体区域和所述第二成形体区域分别以所述填充率为10%以上且500%以下的方式成形所述复合材料而得到,
所述处理器获取所述第二成形体区域的非破坏检查信息,将该非破坏检查信息输入到所述机械特性推测模型,从所述机械特性推测模型获取所述第二成形体区域的机械特性信息,并基于该机械特性信息进行输出。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-118107 | 2020-07-08 | ||
JP2020118107 | 2020-07-08 | ||
PCT/JP2021/022002 WO2022009597A1 (ja) | 2020-07-08 | 2021-06-09 | 成形体領域の検査プログラム、成形体領域の検査方法、成形体領域の検査装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115803168A true CN115803168A (zh) | 2023-03-14 |
Family
ID=79552463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180048963.7A Pending CN115803168A (zh) | 2020-07-08 | 2021-06-09 | 成形体区域的检查程序、成形体区域的检查方法、成形体区域的检查装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230280311A1 (zh) |
EP (1) | EP4180197A4 (zh) |
JP (1) | JP7358648B2 (zh) |
CN (1) | CN115803168A (zh) |
WO (1) | WO2022009597A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024005068A1 (ja) * | 2022-06-30 | 2024-01-04 | コニカミノルタ株式会社 | 予測装置、予測システムおよび予測プログラム |
CN114972327B (zh) * | 2022-07-12 | 2023-01-06 | 爱尔达电气有限公司 | 半导体封装测试系统及其测试方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017027598A1 (en) * | 2015-08-11 | 2017-02-16 | Sabic Global Technologies B.V. | Multiple ply layered composite having low areal weight |
US10564108B2 (en) * | 2017-07-03 | 2020-02-18 | Saudi Arabian Oil Company | Apparatus and method for nondestructively inspecting fiberglass and nonmetallic pipes |
JP6955930B2 (ja) * | 2017-08-09 | 2021-10-27 | 三菱重工業株式会社 | 複合材の設計方法、及び複合材 |
WO2019151393A1 (ja) | 2018-01-31 | 2019-08-08 | 株式会社ニチレイフーズ | 食品検査システム、食品検査プログラム、食品検査方法および食品生産方法 |
US11830179B2 (en) | 2018-01-31 | 2023-11-28 | Nichirei Foods Inc. | Food inspection assisting system, food inspection assisting apparatus and computer program |
JP6692380B2 (ja) | 2018-03-09 | 2020-05-13 | 帝人株式会社 | 超音波を用いる検査方法 |
US11225039B2 (en) * | 2018-06-08 | 2022-01-18 | Aurora Flight Sciences Corporation | Systems and methods to automate composite manufacturing quality checks |
JP2020118107A (ja) | 2019-01-25 | 2020-08-06 | 愛三工業株式会社 | 発電用エンジンを搭載した電気自動車のパージシステム |
CN110297041A (zh) * | 2019-07-01 | 2019-10-01 | 天津工业大学 | 一种基于fcn与gru的3d编织复合材料缺陷检测方法 |
CN110286155B (zh) * | 2019-07-15 | 2020-09-11 | 北京交通大学 | 一种多层复合材料的损伤检测方法及系统 |
CN111351860A (zh) * | 2019-11-29 | 2020-06-30 | 浙江农林大学 | 基于Faster R-CNN的木材内部缺陷检测方法 |
-
2021
- 2021-06-09 WO PCT/JP2021/022002 patent/WO2022009597A1/ja unknown
- 2021-06-09 JP JP2022534967A patent/JP7358648B2/ja active Active
- 2021-06-09 EP EP21838178.8A patent/EP4180197A4/en active Pending
- 2021-06-09 US US18/008,339 patent/US20230280311A1/en active Pending
- 2021-06-09 CN CN202180048963.7A patent/CN115803168A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022009597A1 (ja) | 2022-01-13 |
JPWO2022009597A1 (zh) | 2022-01-13 |
US20230280311A1 (en) | 2023-09-07 |
JP7358648B2 (ja) | 2023-10-10 |
EP4180197A4 (en) | 2023-12-27 |
EP4180197A1 (en) | 2023-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Oz et al. | Multi-instrument in-situ damage monitoring in quasi-isotropic CFRP laminates under tension | |
Azadi et al. | Tensile loading rate effect on mechanical properties and failure mechanisms in open-hole carbon fiber reinforced polymer composites by acoustic emission approach | |
Stamopoulos et al. | Evaluation of porosity effects on the mechanical properties of carbon fiber-reinforced plastic unidirectional laminates by X-ray computed tomography and mechanical testing | |
CN115803168A (zh) | 成形体区域的检查程序、成形体区域的检查方法、成形体区域的检查装置 | |
Liu et al. | Effects of cure cycles on void content and mechanical properties of composite laminates | |
Pashmforoush et al. | Damage classification of sandwich composites using acoustic emission technique and k-means genetic algorithm | |
US9042516B2 (en) | Nondestructive examination of structures having embedded particles | |
Gutkin et al. | On acoustic emission for failure investigation in CFRP: Pattern recognition and peak frequency analyses | |
Posilović et al. | Flaw detection from ultrasonic images using YOLO and SSD | |
Barbière et al. | Influence of moisture and drying on fatigue damage mechanisms in a woven hemp/epoxy composite: Acoustic emission and micro-CT analysis | |
JP2023509152A (ja) | 複合材料の3次元断層合成画像を生成する方法 | |
WO2022009596A1 (ja) | 複合材料の検査装置、複合材料の検査方法、複合材料の検査プログラム | |
Liu et al. | Cluster-based acoustic emission signal processing and loading rate effects study of nanoindentation on thin film stack structures | |
Elenchezhian et al. | Stiffness degradation in fatigue life of composites using dielectric state variables | |
Dilonardo et al. | Inspection of Carbon Fibre Reinforced Polymers: 3D identification and quantification of components by X-ray CT | |
Chaki et al. | Non-destructive health monitoring of structural polymer composites: trends and perspectives in the digital era | |
Sisodia et al. | The effects of voids in quasi-static indentation of resin-infused reinforced polymers | |
Srivastava et al. | Determination of fiber content in 3-D printed composite parts using image analysis | |
WO2023120256A1 (ja) | 成形体領域の検査プログラム、成形体領域の検査方法、成形体領域の検査装置および記録媒体 | |
WO2023120257A1 (ja) | 複合材料の検査装置、複合材料の検査方法、複合材料の検査プログラムおよび記録媒体 | |
US9903848B2 (en) | Non-destructive inspection method with objective evaluation | |
Zhu et al. | Enhancing resistance to low-velocity impact of electrospun-manufactured interlayer-strengthened CFRP by using infrared thermography | |
Fatin et al. | Measuring material velocity and thickness mapping of flax fiber-reinforced plastic composites using automated ultrasonic rapid motion scanner | |
Sexton et al. | Classifying Tensile Loading History of Continuous Carbon Fiber Composites Using X‐Ray Scattering and Machine Learning | |
Fritz | Micro-computed tomography for interlaminar analysis, void quantification, and feature localization in carbon fiber composites |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |