JP2020004311A - 解析装置、解析方法及び解析プログラム - Google Patents

Abstract

【課題】設計データへの反映が容易な特徴量をメッシュデータから抽出できるようにする。【解決手段】解析装置１は、ベース形状Ｆｂの寸法を変更しつつメッシュ生成して、寸法が明らかなメッシュデータを複数作成し、作成された複数のメッシュデータを用い、機械学習により、メッシュデータと寸法との相関を表す形状学習モデル１３３を作成する。作成した形状学習モデル１３３により、設計データへ直接反映させることが可能な寸法の情報を、形状の特徴量としてメッシュデータから好適に抽出することができる。【選択図】図３

Description

本発明は、機械学習を利用して形状を解析する技術に関する。

近年、コンピュータの高速化・汎用化に伴い、ＣＡＥ（Computer Aided Engineering）を用いた部品設計が広く浸透してきている。
このような部品設計においては、実験・解析結果と形状との相関をスムーズに分析できるように、解析用のメッシュデータから寸法などの特徴量を自動抽出したい、という要望がある。
この解決策としては、メッシュデータの特徴量を人手で計測し、メッシュ（座標・エレメント情報など）と特徴量のセットをトレーニングデータとして学習させる発想が一般的である。
しかし、学習に必要なトレーニングデータ数を用意するためには、膨大な特徴量計測工数を必要とする。また、既存のメッシュデータ数しかトレーニングデータを準備出来ないため、十分な学習精度を確保できないおそれがある。

そこで、例えば特許文献１に記載の技術では、入力データ群を任意の次元の競合層へと写像する自己組織化写像を利用しており、競合層として予めメッシュ化して設定したベース形状に対し、入力データ群として予めメッシュ化して設定した入力形状を投射して、この投射された入力形状によりベース形状と入力形状との形状差を認識している。
この技術によれば、ベース形状と入力形状との形状差を抽出することができ、形状の各部の寸法を計測したりすることなく、対象とする物体と比較する物体の形状の違いを容易に精度良く認識することができる。

特開２０１４−２４６７号公報

しかしながら、上記特許文献１に記載の技術では、形状の特徴量を「ベース形状との類似度（形状差）」としているため、この「類似度」を出力として得られても、これを設計データへ直接的には反映させにくいという問題があった。

本発明は、上記事情を鑑みてなされたもので、設計データへの反映が容易な特徴量をメッシュデータから好適に抽出できるようにすることを目的とする。

上記目的を達成するために、請求項１に記載の発明は、解析装置であって、
基本形状データの寸法を変更しつつメッシュ生成して、寸法が明らかなメッシュデータを複数作成するデータ作成手段と、
前記データ作成手段により作成された複数のメッシュデータを用い、機械学習により、メッシュデータと寸法との相関を表す形状学習モデルを作成するモデル作成手段と、
を備えることを特徴とする。

請求項２に記載の発明は、請求項１に記載の解析装置において、
前記データ作成手段は、
実験計画法に基づいて、前記基本形状データの主要寸法をパラメータとしてその数値を複数設定し、
前記基本形状データの主要寸法を設定された数値に変更しつつメッシュ生成して、複数のメッシュデータを作成することを特徴とする。

請求項３に記載の発明は、請求項１又は２に記載の解析装置において、
前記データ作成手段は、
前記基本形状データの主要寸法をパラメータとしてその数値を複数設定し、
ＣＡＤのパラメトリック機能を用いて、前記基本形状データの主要寸法を設定された数値に変更しつつメッシュ生成して、複数のメッシュデータを作成することを特徴とする。

請求項４に記載の発明は、請求項１〜３のいずれか一項に記載の解析装置において、
前記データ作成手段は３次元メッシュデータを作成することを特徴とする。

請求項５及び請求項６に記載の発明は、請求項１に記載の解析装置と同様の特徴を具備する解析方法及び解析プログラムである。

本発明によれば、基本形状データの寸法を変更しつつメッシュ生成して、寸法が明らかなメッシュデータが複数作成され、この複数のメッシュデータを用い、機械学習により、メッシュデータと寸法との相関を表す形状学習モデルが作成される。つまり、寸法とメッシュデータとのセットを自動で大量に作成し、これをトレーニングデータとして機械学習により形状学習モデルを作成することができる。
したがって、作成した形状学習モデルを用いることで、設計データへ直接反映させることが可能な寸法の情報を、形状の特徴量としてメッシュデータから好適に抽出することができる。
また、トレーニングデータの作成から形状学習モデルの作成まで自動で実行できるため、メッシュデータの寸法を人手で計測する場合と異なり、計測工数を必要としないうえに、トレーニングデータを大量に準備して学習精度を高めることができる。

実施形態における解析装置の概略構成を示すブロック図である。 自己組織化写像の原理を説明するための図である。 実施形態における形状学習処理の流れを示すフローチャートである。 実施形態における解析対象を示す図であって、（ａ）が側面図、（ｂ）がメッシュ化されたベース形状の側面図、（ｃ）がメッシュ化された比較形状の側面図である。 ベース形状に対して比較形状を自己組織化写像によってマッピングして形状差を明らかにした結果の一例を示す図である。 実施形態におけるＳＯＭマップ作成処理の流れを示すフローチャートである。 実施形態における一般グリッドの一例を示す図である。 実施形態におけるＳＯＭマップの一例を示す図である。 実施形態における解析処理の流れを示すフローチャートである。

以下、本発明の実施形態について、図面を参照して説明する。

＜解析装置の構成＞
まず、本実施形態における解析装置１の構成について説明する。
図１は、解析装置１の概略構成を示すブロック図である。

解析装置１は、部品設計を行うためのコンピュータであり、より詳しくは、所望の物理量（例えば圧力損失や質量など）が得られる形状（メッシュデータ）や寸法を求めるためのものである。本実施形態では、両端に相対する方向への曲げ部を有するパイプＰ（図４（ａ）参照）を解析対象としている。
具体的には、図１に示すように、解析装置１は、入力部１１と、表示部１２と、記憶部１３と、ＣＰＵ（Central Processing Unit）１４とを備えている。

入力部１１は、図示しないキーボードやマウスを備えており、操作されたキーやボタンの種類に対応する入力信号をＣＰＵ１４に出力する。
表示部１２は、図示しないディスプレイを備えており、ＣＰＵ１４から入力される表示信号に基づいて各種情報をディスプレイに表示する。

記憶部１３は、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等により構成されるメモリであり、各種のプログラム及びデータを記憶するとともに、ＣＰＵ１４の作業領域としても機能する。本実施形態では、記憶部１３は、形状学習プログラム１３０と、ＳＯＭマップ作成プログラム１３１と、解析プログラム１３２とを記憶している。
形状学習プログラム１３０は、後述の形状学習処理（図３参照）を実行するプログラムである。
ＳＯＭマップ作成プログラム１３１は、後述のＳＯＭマップ作成処理（図６参照）を実行するプログラムである。
解析プログラム１３２は、後述の解析処理（図９参照）を実行するプログラムである。

また、記憶部１３は、ベース形状Ｆｂと、形状学習モデル１３３と、ＳＯＭマップ１３４とを記憶しているとともに、物理量データベース１３５を有している。
ベース形状Ｆｂは、解析対象（本実施形態ではパイプＰ）の基本形状データであり、３次元ＣＡＤ（Computer-Aided Design）データが三角メッシュにより予めモデリングされたものである（図４（ｂ）参照）。このベース形状Ｆｂは、各部寸法が予め明らかなものである。但し、ベース形状Ｆｂはメッシュ生成されていないものでもよい。
形状学習モデル１３３は、形状と寸法の相関を表すものであって、より詳しくは、形状（メッシュデータ）を入力、寸法を出力とするものであり、後述の形状学習処理により作成される。
ＳＯＭマップ１３４は、寸法と物理量との相関を表すものであり、自己組織化写像（Self-organizing maps, SOM）を用いた後述のＳＯＭマップ作成処理により作成されるものである（図８参照）。
物理量データベース１３５には、互いに異なる形状を示す複数の寸法のデータセットと、各寸法のデータセットにおける圧力損失や質量等の物理量のデータとが対応付けられて格納されている。物理量は、実験やＣＡＥ（Computer Aided Engineering）解析により予め求められたものである。

ＣＰＵ１４は、入力される指示に応じて所定のプログラムに基づいた処理を実行し、各機能部への指示やデータの転送等を行い、解析装置１を統括的に制御する。具体的に、ＣＰＵ１４は、入力部１１から入力される操作信号等に応じて記憶部１３から各種プログラムを読み出し、当該プログラムに従って処理を実行する。そして、ＣＰＵ１４は、処理結果を記憶部１３に一時保存するとともに表示部１２に適宜出力させる。

＜自己組織化写像＞
続いて、後述のＳＯＭマップ作成処理で実行される自己組織化写像（Self-organizing maps, SOM）の原理について、簡単に説明する。
図２は、自己組織化写像の原理を説明するための図である。
自己組織化写像とは、教師無し学習により入力データ群をそのデータ間の関係を保ったまま、任意の次元の競合層へと写像する技術である。
例えば、図２（ａ）に示すように、各エレメントのデータ（ここでは、ベクトル（位置、方向）で表現される各エレメントで構成されるグリッド）を初期化する。次に、図２（ｂ）に示すような、入力ベクトル（位置、方向）が提示されると、図２（ｃ）に示すように、初期化された各エレメントのデータから、入力ベクトルに最も近いデータが検索され、勝者ユニットとして設定される。そして、全ての入力ベクトルについての勝者ユニットを検索した後、これら勝者ユニットをマッピングする。この際、図２（ｄ）に示すように、予め設定した領域（図２（ｄ）の例では勝者ユニットを中心とする半径ｒの領域）を学習処理して領域内のエレメントを勝者ユニットの値に近づける。
このような処理により、似た特徴のベクトルが近くに集まってくる。つまり、処理過程のどこにも分類という作業がないにも関わらず、自然にカテゴリー分けが行われる。このように、自己組織化写像では、入力データ群の分布を表すネットワークが自己組織的に獲得される。

なお、一つの入力ベクトルに対し、何度もマッピング・学習を繰り返し、マップが変わらなくなったら、この入力ベクトルに対する処理を終了し、次に、他の入力ベクトルに対し、同様の処理を繰り返す方法を採用してもよい。

＜形状学習処理＞
続いて、形状と寸法の相関を表す形状学習モデル１３３を作成する形状学習処理について説明する。
図３は、形状学習処理の流れを示すフローチャートであり、図４は、解析対象のパイプＰを示す図であって、（ａ）が側面図、（ｂ）がメッシュ化されたベース形状Ｆｂの側面図、（ｃ）がメッシュ化された比較形状Ｆｃの側面図であり、図５は、ベース形状Ｆｂに対して比較形状Ｆｃをマッピングして形状差を明らかにした結果の一例を示す説明図である。

図３に示すように、形状学習処理が実行されると、まずＣＰＵ１４は、記憶部１３からパイプＰのベース形状Ｆｂを読み込む（ステップＳ１１）。
本実施形態のベース形状Ｆｂは、図４（ｂ）に示すように、両端に相対する方向の半径４０ｍｍの曲げ部を有するパイプＰの３次元ＣＡＤ（Computer-Aided Design）データが三角メッシュにより予めモデリングされたものである。なお、ベース形状Ｆｂは、記憶部１３でなく、記憶メディアや他の記憶装置等に記憶されていてもよい。

次に、ＣＰＵ１４は、ベース形状Ｆｂの各部寸法を変更した比較形状Ｆｃを複数作成する（ステップＳ１２）。
具体的に、まずＣＰＵ１４は、例えば実験計画法等に基づいて、ベース形状Ｆｂの各部寸法（例えば、曲げ部の半径、ストレート部長さ、パイプ肉厚等の主要寸法。これらの組合せを含む）をパラメータとして、その数値を複数設定する。そして、ＣＰＵ１４は、例えばＣＡＤのパラメトリック機能により、ベース形状Ｆｂの各部寸法を設定された数値に調整することで複数の３次元ＣＡＤモデルを作成し、これを例えば三角メッシュでモデリングすることにより複数の比較形状Ｆｃの３次元メッシュデータを作成する。
本実施形態では、例えば図４（ｃ）に示すように、両端に相対する方向の半径ｘ（例えば、ｘ＝２０ｍｍ、３０ｍｍ、３５ｍｍ）の曲げ部を有するパイプの３次元メッシュデータが作成される。同様に、ストレート部長さや肉厚等が振られた３次元メッシュデータも作成される。また、ベース形状Ｆｂがメッシュデータでない場合には、ベース形状Ｆｂのメッシュ生成も行う。
こうして、比較形状Ｆｃとして、寸法が明らかな（寸法の情報が対応付けられた）３次元メッシュデータが自動的に複数生成される。
なお、各部寸法の数値の振り方や、その寸法部位の設定方法は特に限定されず、ユーザが個別に設定してもよい。

次に、作成された複数の比較形状Ｆｃをトレーニング用データセットとして、形状学習モデル１３３を作成していく（ステップＳ１３）。本実施形態では、複数の比較形状Ｆｃを教師データとし、畳み込みニューラルネットワーク（Convolutional neural network；CNN）を用いて形状学習モデル１３３が作成される。

こうして、複数の比較形状Ｆｃをトレーニング用データセットとして、３次元メッシュデータ（形状）と寸法との相関を表す形状学習モデル１３３が作成され、記憶部１３に格納される。この形状学習モデル１３３に、寸法が不明の３次元メッシュデータを入力すると、図５に示すように、曲げ部の半径などの各部寸法（主要寸法）を得ることができる。つまり、形状学習モデル１３３により、設計データへ直接反映させることが可能な寸法の情報を、形状の特徴量として３次元メッシュデータから抽出することができる。このような形状学習モデル１３３は、例えば、他人が作成したメッシュデータからも容易に寸法を取り出せるため、複数人で情報を共有して解析を進めたい場合に有用であるし、リバースエンジニアリングによって取得した形状から具体的な寸法を抽出したい場合などにも利用できる。

このように、解析装置１では、寸法とメッシュデータとのセット（比較形状Ｆｃ）を自動で大量に作成し、これをトレーニングデータとして、機械学習により形状学習モデル１３３を作成することができる。このようなベース形状Ｆｂを用いた形状学習は、例えばエンジンの吸気ポート・燃焼室のように、ある程度同じような形状が想定される部品設計において、特に有用である。
また、トレーニングデータの作成から形状学習モデル１３３の作成まで自動で実行できるため、メッシュデータの寸法を人手で計測する場合と異なり、計測工数を必要としないうえに、トレーニングデータを大量に準備して学習精度を高めることができる。
なお、形状学習モデルを作成する手順は特に限定されず、例えば比較形状Ｆｃを全数作成（ステップＳ１１、Ｓ１２）してから学習（ステップＳ１３〜Ｓ１７）するのではなく、少なくとも１つの比較形状Ｆｃを作成するたびに学習することとしてもよい。また、形状学習モデルを作成する機械学習手法は特に限定されず、例えばＣＮＮ以外のニューラルネットワークや、サポートベクターマシンなどを用いてもよい。ただし、入出力関係を陽に表現できる教師あり学習であることが好ましい。

＜ＳＯＭマップ作成処理＞
続いて、寸法と物理量との相関を表すＳＯＭマップ１３４を作成するＳＯＭマップ作成処理について説明する。
図６は、ＳＯＭマップ作成処理の流れを示すフローチャートであり、図７は、後述の一般グリッドｂｇの一例を示す図であり、図８は、ＳＯＭマップ１３４の一例を示す図である。

図６に示すように、ＳＯＭマップ作成処理が実行されると、まずＣＰＵ１４は、物理量データベース１３５に格納されているデータに基づいて、各形状の寸法に物理量を関連付けて入力ベクトル化処理する（ステップＳ２１）。
具体的には、ＣＰＵ１４は、各形状の寸法情報（本実施形態では、曲げ部の半径、ストレート部長さ、パイプ肉厚等の主要寸法）に、このときの物理量（例えば、圧力損失や質量等）を結合させて入力ベクトルとする。これにより、主要寸法の数と物理量の数とを足した次元数の入力ベクトルが、物理量データベース１３５に格納されている形状の個数分だけ作成される。

次に、ＣＰＵ１４は、ステップＳ２１で作成した入力ベクトルを一般グリッドｂｇに提示する（ステップＳ２２）。
一般グリッドｂｇは、予め設定しておいた自己組織化写像における一般的なグリッドであり、例えば、図７に示すように、ＸＹＺの直交３軸を有する三次元座標で表現されるグリッドである。この一般グリッドｂｇは、上述した自己組織化写像の説明では図２（ａ）に相当する。ステップＳ２２では、この一般グリッドｂｇに、図２（ｂ）に示すように、入力ベクトルを提示する。

次に、ＣＰＵ１４は、図２（ｃ）で説明したように、一般グリッドｂｇから、ステップＳ２２で提示された入力ベクトルに最も近いデータを勝者ユニットして検索する（ステップＳ２３）。

次に、ＣＰＵ１４は、図２（ｄ）で説明したように、勝者ユニットをマッピングし、この勝者ユニットを中心とする所定の領域内の各ユニットに対して学習処理（勝者ユニットに近づける処理）をする（ステップＳ２４）。

そして、ＣＰＵ１４は、物理量データベース１３５に格納されている全ての形状（すなわち全ての入力ベクトル）について、自己組織化写像による処理が終了したか否かを判定し（ステップＳ２５）、終了していないと判定した場合には（ステップＳ２５；Ｎｏ）、ステップＳ２２へ処理を移行し、次の形状についてステップＳ２２〜Ｓ２４の処理を繰り返す。

一方、全ての形状について自己組織化写像による処理が終了したと判定した場合には（ステップＳ２５；Ｙｅｓ）、ＣＰＵ１４は、全ての形状を投影したデータをＳＯＭマップ１３４として設定する（ステップＳ２６）。
このＳＯＭマップ１３４は、図８に示すように、物理量データベース１３５に格納されている全ての形状のデータを、その物理量と関連付けてマップ化したものである。なお、図８は、ＳＯＭマップ１３４のＸＹ平面上に例えば圧力損失のコンターを表示したものである。

＜解析処理＞
続いて、所望の物理量が得られる３次元形状を解析する解析処理について説明する。
図９は、この解析処理の流れを示すフローチャートである。

図９に示すように、解析処理が実行されると、まずＣＰＵ１４は、ユーザ操作に基づいて、所望の物理量（種類とその値。例えば所定値の圧力損失など）を、ＳＯＭマップ１３４に含まれるもののなかから少なくとも１つ選択する（ステップＳ３１）。

次に、ＣＰＵ１４は、ＳＯＭマップ１３４を参照し、ステップＳ３１で選択した物理量に対応する寸法情報を抽出する（ステップＳ３２）。つまり、ＣＰＵ１４は、ＳＯＭマップ１３４を参照して、ステップＳ３１で選択した物理量に該当する点を抽出し、この点に格納されている寸法情報を抽出する。

次に、ＣＰＵ１４は、形状学習モデル１３３を参照し、ステップＳ３２で抽出した寸法情報に対応する形状（３次元メッシュデータ）を抽出する（ステップＳ３３）。
そして、ＣＰＵ１４は、抽出した形状をディスプレイに表示させ（ステップＳ３４）、解析処理を終了する。
こうして、所望の物理量が得られる形状の３次元メッシュデータを速やかに取得することができる。

＜効果＞
以上のように、本実施形態によれば、ベース形状Ｆｂの寸法を変更しつつメッシュ生成して、寸法が明らかなメッシュデータが複数作成され、この複数のメッシュデータを用い、機械学習により、メッシュデータと寸法との相関を表す形状学習モデル１３３が作成される。つまり、寸法とメッシュデータとのセットを自動で大量に作成し、これをトレーニングデータとして機械学習により形状学習モデル１３３を作成することができる。
したがって、作成した形状学習モデル１３３を用いることで、設計データへ直接反映させることが可能な寸法の情報を、形状の特徴量としてメッシュデータから好適に抽出することができる。
また、トレーニングデータの作成から形状学習モデル１３３の作成まで自動で実行できるため、メッシュデータの寸法を人手で計測する場合と異なり、計測工数を必要としないうえに、トレーニングデータを大量に準備して学習精度を高めることができる。

＜変形例＞
なお、本発明を適用可能な実施形態は、上述した実施形態に限定されることなく、本発明の趣旨を逸脱しない範囲で適宜変更可能である。

また、ＳＯＭマップ作成処理では自己組織化写像によりＳＯＭマップ１３４（形状−物理量相関学習モデル）を作成することとしたが、形状−物理量相関学習モデル（寸法を入力とし物理量を出力とする学習モデルを含む）を作成できるものであれば、自己組織化写像以外の機械学習手法を用いることとしてもよい。

例えば、ＳＯＭマップ作成処理のステップＳ２２において、入力ベクトルを提示する一般グリッドｂｇは、一般２次元グリッドである必要はなく、３次元以上の多次元グリッドであってもよい。

また、上記実施形態では、解析対象をパイプＰとした場合を例に挙げて説明したが、解析対象が特に限定されないことは勿論である。
また、メッシュデータは３次元でなく２次元のものでもよい。

１ 解析装置
１３ 記憶部
１４ ＣＰＵ
１３０ 形状学習プログラム
１３１ ＳＯＭマップ作成プログラム
１３２ 解析プログラム
１３３ 形状学習モデル
１３４ ＳＯＭマップ
１３５ 物理量データベース
Ｆｂ ベース形状
Ｆｃ 比較形状

Claims (6)

1. 基本形状データの寸法を変更しつつメッシュ生成して、寸法が明らかなメッシュデータを複数作成するデータ作成手段と、
   前記データ作成手段により作成された複数のメッシュデータを用い、機械学習により、メッシュデータと寸法との相関を表す形状学習モデルを作成するモデル作成手段と、
   を備えることを特徴とする解析装置。
2. 前記データ作成手段は、
   実験計画法に基づいて、前記基本形状データの主要寸法をパラメータとしてその数値を複数設定し、
   前記基本形状データの主要寸法を設定された数値に変更しつつメッシュ生成して、複数のメッシュデータを作成することを特徴とする請求項１に記載の解析装置。
3. 前記データ作成手段は、
   前記基本形状データの主要寸法をパラメータとしてその数値を複数設定し、
   ＣＡＤのパラメトリック機能を用いて、前記基本形状データの主要寸法を設定された数値に変更しつつメッシュ生成して、複数のメッシュデータを作成することを特徴とする請求項１又は２に記載の解析装置。
4. 前記データ作成手段は３次元メッシュデータを作成することを特徴とする請求項１〜３のいずれか一項に記載の解析装置。
5. 解析装置が、
   基本形状データの寸法を変更しつつメッシュ生成して、寸法が明らかなメッシュデータを複数作成するデータ作成工程と、
   前記データ作成工程で作成された複数のメッシュデータを用い、機械学習により、メッシュデータと寸法との相関を表す形状学習モデルを作成するモデル作成工程と、
   を実行することを特徴とする解析方法。
6. コンピュータを、
   基本形状データの寸法を変更しつつメッシュ生成して、寸法が明らかなメッシュデータを複数作成するデータ作成手段、
   前記データ作成手段により作成された複数のメッシュデータを用い、機械学習により、メッシュデータと寸法との相関を表す形状学習モデルを作成するモデル作成手段、
   として機能させることを特徴とする解析プログラム。

Images