JP2021094577A - 金型異常検知装置、学習モデル生成装置、及び、これらのプログラム - Google Patents

Abstract

【課題】雑音の影響を受けることなく、高精度に異常検知を行うことができる金型異常検知装置、学習モデル生成装置、及び、これらのプログラムを提供する。【解決手段】金型異常検知装置４は、歪センサ２で測定したプレス期間における金型の変位量が検知対象データとして入力される検知対象データ入力部４５と、正常な金型の変位量を波形として予め学習した学習モデルＭを参照し、検知対象データ入力部４５に入力された検知対象データから金型の異常度を算出する検知部４６と、を備える。【選択図】図３

Description

本発明は、板金プレス加工用の金型の異常を検知する金型異常検知装置、板金プレス加工用の金型の異常を検知するための学習モデルを生成する学習モデル生成装置、及び、これらのプログラムに関する。

ＭＴ（Maharanobis-Taguchi）法と機械学習を用いたプレス加工音による金型摩耗の検知方法が知られている（例えば、非特許文献１）。この非特許文献１に記載の手法では、ＭＴ法と機械学習であるｋ−ｍｅａｎｓ法とを使い、マイクロホンを用いて金型摩耗を検知する。

ＭＴ法と機械学習を用いたプレス加工音による金型摩耗の検知、新村諭他、長野県工技センター研報、Ｎｏ．１３、ｐ．４６−Ｐ４９（２０１８）

しかし、非特許文献１に記載の手法では、マイクロホンを用いるため、雑音の影響を受けやすく、検知精度が低下するという問題がある。例えば、板金プレス加工を行う工場では、場内のアナウンス音、機械の動作音や警報音、トラック等のエンジン音、作業員の会話なと、様々な雑音が発生する。このとき、非特許文献１に記載の手法では、前記したプレス加工音以外の雑音もマイクロホンが拾ってしまい、検知精度が低下することがある。実際の製造現場において、これら雑音をマイクロホンが拾わないようにするのは、極めて困難である。

本発明は、前記した問題点に鑑みてなされたものであり、本発明の目的は、雑音の影響を受けることなく、高精度に異常検知を行うことができる金型異常検知装置、学習モデル生成装置、及び、これらのプログラムを提供することにある。

本発明の上記目的は、下記の手段によって達成される。

（１）板金プレス加工用の金型の異常を検知する金型異常検知装置であって、測定センサで測定したプレス期間における前記金型の変位量が、検知対象データとして入力される検知対象データ入力部と、前記金型の変位量を波形として予め学習した学習モデルを参照し、前記検知対象データ入力部に入力された検知対象データから前記金型の異常度を算出する検知部と、備える金型異常検知装置。

（２）前記検知部は、算出した前記金型の異常度の閾値判定により、前記金型の異常を検知する前記（１）に記載の金型異常検知装置。

（３）前記検知部は、前記検知対象データが示す波形をパターン認識する前記（１）又は前記（２）に記載の金型異常検知装置。

（４）前記検知部は、正常な前記金型の変形量のみを学習データとして学習可能で、かつ、多次元正規分布に基づいた手法で予め学習した前記学習モデルを参照し、前記金型の異常度を算出する前記（１）から前記（３）の何れか一項に記載の金型異常検知装置。

（５）前記検知部は、正常波形に対して、正常時の確率分布を算出する演算処理で予め学習した前記学習モデルを参照し、前記金型の異常度を算出する前記（４）に記載の金型異常検知装置。

（６）前記測定センサは、前記金型又は前記金型を用いる板金プレス加工装置に取り付けられた歪センサ、光学センサ又は超音波センサであり、前記検知対象データ入力部は、当該測定センサから前記検知対象データが入力される前記（１）から前記（５）の何れか一項に記載の金型異常検知装置。

（７）前記検知部は、前記金型の摩耗又はカス浮きに関する異常度を算出する前記（１）から前記（６）の何れか一項に記載の金型異常検知装置。

（８）板金プレス加工用の金型の異常を検知するための学習モデルを生成する学習モデル生成装置であって、測定センサで測定したプレス期間における前記金型の変位量が、学習データとして入力される学習データ入力部と、前記学習データ入力部に入力された学習データを波形として学習することで、前記学習モデルを生成する学習部と、を備える学習モデル生成装置。

（９）前記学習部は、前記波形の出現確率を表す前記学習モデルを生成する前記（８）に記載の学習モデル生成装置。

（１０）前記学習部は、正常な前記金型の変形量のみを前記学習データとして学習可能で、かつ、多次元正規分布に基づいた手法を用いて、前記学習モデルを生成する前記（８）又は前記（９）に記載の学習モデル生成装置。

（１１）前記学習部は、正常波形に対して、正常時の確率分布を算出する演算処理により前記学習モデルを生成する前記（１０）に記載の学習モデル生成装置。

（１２）前記測定センサは、前記金型又は前記金型を用いる板金プレス加工装置に取り付けられた歪センサ、光学センサ又は超音波センサであり、前記学習データ入力部は、当該測定センサから前記学習データが入力される前記（８）から前記（１１）の何れか一項に記載の学習モデル生成装置。

（１３）コンピュータを、前記（１）から前記（７）の何れか一項に記載の金型異常検知装置として機能させるためのプログラム。

（１４）コンピュータを、前記（８）から前記（１２）の何れか一項に記載の学習モデル生成装置として機能させるためのプログラム。

本発明によれば、雑音の影響を受けることなく、高精度に異常検知を行うことができる。

板金ブレス加工を説明する図であり、（ａ）は加重前を示し、（ｂ）は加重時を示す。 波形の出現確率を示すグラフの一例である。 正常な金型の波形を示すグラフの一例である。 正常な金型の波形を示すグラフの一例である。 異常な金型の波形を示すグラフの一例である。 本発明の実施形態に係る金型異常検知システムの全体構成を示すブロック図である。 金型異常検知装置の構成を示すブロック図である。 金型による変位量を波形として示したグラフの一例である。 摩耗した金型の異常度を示すグラフの一例である。 カス浮きが発生した金型の異常度を示すグラフの一例である。 金型異常検知システムの学習モードの動作を示すフローチャートである。 金型異常検知システムの検知モードの動作を示すフローチャートである。 ２個の歪センサを用いた測定を説明する図である。

以下、本発明の実施の形態を、図面を参照して詳細に説明する。各図は、本発明を十分に理解できる程度に、概略的に示してあるに過ぎない。よって、本発明は、図示例のみに限定されるものではない。また、各図において、共通する構成要素や同様な構成要素については、同一の符号を付し、それらの重複する説明を省略する。また、本発明に直接関連しない既知の機能については詳細な説明を省略する場合がある。

（実施形態）
［金型の異常検知の概略］
図１及び図２を参照し、板金プレス加工に用いる金型９の異常検知の概略を説明する。
図１は、板金ブレス加工を説明する図であり、（ａ）は加重前を示し、（ｂ）は加重時を示す。

図１（ａ）に示すように、板金プレス加工用の金型９は、雄型（パンチ）９_Ｍと雌型（ダイ）９_Ｆとが対になっている。図１（ｂ）に示すように、金属板等の被加工部材Ｈを雄型９_Ｍと雌型９_Ｆとの間に挟んだ状態で、板金プレス加工装置９０が金型９を加重（プレス）する。このように、板金プレス加工では、穴抜き、Ｕ字曲げ、絞り等の板金プレス加工を被加工部材Ｈに施して、同一品質の製品を大量に繰り返し生産できる。

金型９には、摩耗、カス浮き、欠損、かじり、クリアランス不良、組付け不良等の様々な異常が発生し、製品の品質低下につながる。その一方、金型９の異常の判断は、熟練者の経験に頼っていることが多く、その見極めが難しい。その結果、金型９の過剰メンテナンスや製品の過剰検査を引き起こしてしまう。

ここで、金型９の変位量と正常又は異常を示す金型９の状態との間には、何らかの相関があると考えられる。そこで、図１（ａ）に示すように、１個の歪センサ２を金型９に取り付ける。図１（ｂ）に示すように加重時、歪センサ２の測定結果（測定電圧）が変化する。
なお、金型９の変位量とは、板金プレス加工時における金型９の形状が変化した量を示す。

正常な金型９と異常な金型９との間では、歪センサ２の測定結果を板金プレス加工の開始から終了までプロットしたときの波形が相違すると考えられる。その一方、異常な金型９である場合に得られる波形（異常波形）が様々な形状で表れるので、単純に波形の形状から金型９の異常を検知することは困難である。そこで、正常な金型９である場合に得られる波形（正常波形）の出現確率を示す学習モデルをパターン認識でモデル化し、この学習モデルを用いて、金型９の異常を検知する。

図２は、金型９の異常を検知するための学習モデルＭを説明する図である。図２に示すように、この学習モデルＭでは、正常な金型９の波形Ｗ_１，Ｗ_２の出現確率に比べ、異常な金型９の波形Ｗ_３の出現確率が低くなる。つまり、金型９が正常な場合よりも異常な場合に、異常度が高くなる。従って、金型９の異常度の閾値判定により、金型９の異常を検知できる。
なお、異常度とは、平均的な波形が中心となる発生確率分布において、平均的な波形に対する各波形の離れ度合いを示す。

［金型異常検知システムの全体構成］
図３を参照し、金型異常検知システム１の全体構成を説明する。図３は、金型異常検知システム１の全体構成を示すブロック図である。

図３に示すように、金型異常検知システム１は、金型９の異常を検知するシステムであり、歪センサ（測定センサ）２と、モニタ３と、金型異常検知装置４とを備える。

なお、金型異常検知システム１は、学習モード及び検知モードという２つの動作モードで動作する。１つ目の学習モードは、学習モデルＭを学習する動作モードである。２つ目の検知モードは、学習モデルＭを用いて、金型９の異常を検知する動作モードである。これら２つの動作モードは、任意に切り替えることができる。通常、金型異常検知システム１は、学習モードに切り替えて学習モデルＭを事前に生成しておき、実際に板金プレス加工を行う際、検知モードに切り替えて金型９の異常を検知する。

歪センサ２は、金型９の変位量を測定するセンサである。この歪センサ２としては、圧電素子を例示できる。
なお、歪センサ２は、板金プレス加工に支障がなければ、金型９のどの部分に取り付けてもよい（例えば、金型９の側面）。

学習モードの場合、歪センサ２は、正常な金型９で板金プレス加工を行っているときの金型９の変位量を測定する。また、歪センサ２は、測定した金型９の変位量を学習データとして、金型異常検知装置４（学習データ入力部４１）に出力する。

検知モードの場合、歪センサ２は、板金プレス加工を行って実際に製品を生産しているときの金型９の変位量を測定する。また、歪センサ２は、測定した金型９の変位量を検知対象データとして、検知対象データ入力部４５に出力する。

モニタ３は、検知モードにおいて、金型異常検知装置４の検知結果を表示する。このモニタ３としては、液晶ディスプレイ、プラズマディスプレイ等の一般的なフラットパネルディスプレイを例示できる。

［金型異常検知装置の構成］
図３及び図４を参照し、金型異常検知装置４の構成を説明する。図４は、金型異常検知装置４の構成を示すブロック図である。

図４に示すように、金型異常検知装置４は、ＣＰＵ４００、メモリ４１０、ＨＤＤ４２０、データ送受信部４３０、及び、入力装置４４０を含み、これらは信号をやり取りするためのバス４５０を介して相互に接続されている。
なお、ここで示した金型異常検知装置４の構成はあくまで例示であり、金型異常検知装置４は、例えば、ここで示した以外の構成要素を含んでいてもよく、また、ここで示した構成要素のうちの一部が含まれていなくてもよい。

ＣＰＵ４００は、プログラムにしたがって上記各部の制御や各種の演算処理を行う。メモリ４１０は、予め各種プログラムや各種データを格納しておくＲＯＭ、作業領域として一時的にプログラムやデータを記憶するＲＡＭ等からなる。ＨＤＤ４２０は、オペレーティングシステムを含む各種プログラムや各種データを格納する。データ送受信部４３０は、例えば、ネットワークカードであり、ネットワークを介して、歪センサ２と通信するために使用される。入力装置４４０は、例えば、マウスやキーボードであり、動作モードの切り替えや閾値の設定に使用される。

図３に示す金型異常検知装置４は、学習処理部（学習モデル生成装置）４０と、記憶部４３と、異常検知部４４とを備える。
例えば、ＨＤＤ４２０にインストールされているプログラムをＣＰＵ４００、メモリ４１０等のリソース上で動作させることで、学習処理部４０、記憶部４３及び異常検知部４４が実現する。

学習処理部４０は、学習モードで処理を行うものであり、学習データ入力部４１と、学習部４２とを備える。

学習データ入力部４１は、歪センサ２で測定したプレス期間における金型９の変位量が、学習データとして入力される。また、学習データ入力部４１は、学習データを学習部４２に出力する。

学習部４２は、学習データ入力部４１に入力された学習データを波形として学習することで、波形の出現確率を表す学習モデルＭを生成する。また、学習部４２は、生成した学習モデルＭを記憶部４３に書き込む。

＜学習モデルの生成＞
図５を参照し、学習モデルＭの生成を詳細に説明する。図５は、金型９の変位量を波形として示したグラフである。

図５に示すグラフでは、縦軸が金型９の変位量を示し、横軸が時間を示す。また、前記したプレス期間は、任意に設定可能であり、例えば、板金プレス加工装置９０が１回のプレスを行う期間とすればよい。この場合、図５に示すグラフでは、横軸が、プレスの開始時刻（例えば‘０’）からプレスの終了時刻（例えば‘４００’）までの期間を示す。

前記したように、歪センサ２の測定電圧と金型９の変位量との間に線形の関係があるので、歪センサ２の測定電圧を金型９の変位量として扱っている。つまり、図５に示すグラフでは、縦軸が歪センサ２の測定電圧を示している。

また、学習部４２は、波形が金型９の種類に依存するので、金型９の種類に応じて学習モデルＭを生成し、生成した学習モデルＭを記憶部４３に書き込むことが好ましい。ここで、学習部４２は、正常波形に対して、正常時の確率分布を算出する演算処理により、学習モデルＭを生成する。例えば、学習部４２は、ニューラルネットワーク等の一般的な機械学習を用いて、学習モデルＭを生成する。

図３に戻り、金型異常検知装置４の構成の説明を続ける。
記憶部４３は、学習部４２が生成した学習モデルＭを記憶する。この学習モデルＭは、後記する検知部４６により参照される。

異常検知部４４は、検知モードで処理を行うものであり、検知対象データ入力部４５と、検知部４６とを備える。

検知対象データ入力部４５は、歪センサ２で測定したプレス期間における金型９の変位量が、検知対象データとして入力される。また、検知対象データ入力部４５は、検知対象データを検知部４６に出力する。

検知部４６は、記憶部４３に記憶されている学習モデルＭを参照し、検知対象データ入力部４５に入力された検知対象データから金型９の異常度を算出する。そして、検知部４６は、算出した金型９の異常度の閾値判定により金型９の異常を検知する。

＜金型の異常検知＞
図６及び図７を参照し、金型９の異常検知を詳細に説明する。
検知部４６は、以下で説明するように、検知対象データが示す波形をパターン認識する。つまり、検知部４６は、図３に示す学習モデルＭにおいて、検知対象データが示す波形の出現確率を算出し、算出した出現確率から波形の異常度を求める。そして、検知部４６は、求めた異常度が予め設定された閾値以上の場合、金型９が異常であると検知し、異常度とその検知結果をモニタ３に出力（表示）する。

図６は、摩耗した金型９の異常度を示すグラフの一例である。また、図７は、カス浮きが発生した金型９の異常度を示すグラフの一例である。図６及び図７に示すグラフでは、縦軸が異常度を示し、横軸がプレス回数を示し、破線が閾値を示す。また、図６及び図７に示す各点が、各検知対象データから求めた金型９の異常度を示す。

図６及び図７に示すように、プレス回数が約４０回目のときに異常度が閾値以上となるので、検知部４６は、金型９の異常を検知する。そして、検知部４６は、図６及び図７に示すグラフと、金型９の異常検知の結果とをモニタ３に出力（表示）する。

［金型異常検知システムの動作：学習モード］
図８を参照し、金型異常検知システム１の動作（学習モード）を説明する。図８は、金型異常検知システム１の学習モードの動作を示すフローチャートである。

図８に示すように、ステップＳ１において、歪センサ２は、プレス期間における金型９の変位量を学習データとして測定する。
ステップＳ２において、学習データ入力部４１は、ステップＳ１で測定した学習データが入力される。

ステップＳ３において、学習部４２は、ステップＳ２で入力された学習データを波形として学習することで、波形の出現確率を表す学習モデルＭを生成する。
ステップＳ４において、学習部４２は、ステップＳ３で生成した学習モデルＭを記憶部４３に書き込む。

［金型異常検知システムの動作：検知モード］
図９を参照し、金型異常検知システム１の動作（検知モード）を説明する。図９は、金型異常検知システム１の検知モードの動作を示すフローチャートである。

図９に示すように、ステップＳ１０において、歪センサ２は、プレス期間における金型９の変位量を検知対象データとして測定する。
ステップＳ１１において、検知対象データ入力部４５は、ステップＳ１０で測定した検知対象データが入力される。

ステップＳ１２において、検知部４６は、記憶部４３に記憶されている学習モデルＭを参照し、ステップＳ１１で入力された検知対象データから金型９の異常度を算出する。

ステップＳ１３において、検知部４６は、ステップＳ１２で算出した異常度が閾値以上であるか否かを判定する。
異常度が閾値以上の場合（ステップＳ１３でＹｅｓ）、検知部４６は、金型９の異常を検知する（ステップＳ１４）。

ステップＳ１５において、検知部４６は、ステップＳ１２で算出した異常度、及び、ステップＳ１４の判定結果を検知結果としてモニタ３に出力する。

以上のように構成された本発明の実施形態に係る金型異常検知システム１及び金型異常検知装置４は、以下のような作用効果を奏する。
つまり、金型異常検知装置４は、歪センサ２で測定した金型９の変位量を用いるので、雑音の影響を受けることなく、高精度に異常検知を行うことができる。

さらに、金型異常検知装置４は、正常な金型９のみで学習データを準備するだけでよく、異常な金型９を事前に用意する必要や、この異常な金型９で板金プレス加工を行う必要がない。このように、金型異常検知装置４では、学習データの準備に要する手間を大幅に低減できる。

以上、本発明の実施形態について説明したが、本発明は、前記した実施形態に限定されず、適宜変更して実施することが可能である。

前記した実施形態において歪センサが複数であってもよい。図１０は、２個の歪センサ２を金型９に取り付けた状態を示す図である。図１０に示すように、２個の歪センサ２が、金型９の側面に左右対称となるように取り付けられてもよい。通常、歪センサ２を対称に取り付けた場合、各歪センサ２の波形が同じ傾向を示すので、各歪センサ２に対応した検知結果に祖語が生じることは少ない。さらに、金型異常検知装置は、何れか一方の検知結果が異常を示す場合に金型９の異常を検知してもよく、両方の検知結果が異常を示す場合に金型９の異常を検知してもよい。

前記した実施形態において、金型の変位量を測定する測定センサとして、光学センサ又は超音波センサを用いてもよい。例えば、光学センサ又は超音波センサを板金プレス加工装置の支柱に取り付けて金型の変位量を測定できる。この場合、測定の都度、光学センサ又は超音波センサを金型に取り付ける必要がないので、金型の変位量を効率的に測定できる。なお、光学センサとしては、赤外線センサ、３Ｄ−ＴＯＦ（Time of Flight）センサ又はレーザセンサを例示できる。

前記した実施形態に係る金型異常検知装置における学習処理部及び異常検知部を独立した装置として実現してもよい。

前記した実施形態に係る金型異常検知装置における各種処理を行う手段および方法は、専用のハードウエア回路、またはプログラムされたコンピュータのいずれによっても実現することが可能である。上記プログラムは、例えば、フレキシブルディスクやＣＤ−ＲＯＭ等のコンピュータで読み取り可能な記録媒体によって提供されてもよいし、インターネット等のネットワークを介してオンラインで提供されてもよい。この場合、コンピュータで読み取り可能な記録媒体に記録されたプログラムは、通常、ハードディスク（ＨＤＤ）等の記憶部に転送されて記憶される。また、上記プログラムは、単独のアプリケーションソフトとして提供されてもよいし、装置の一機能としてその装置のソフトウエアに組み込まれてもよい。
前記した実施形態に係る金型異常検知装置における各種処理を行う手段および方法は、クラウドサーバとして実現することも可能である。

１ 金型異常検知システム
２ 歪センサ（測定センサ）
３ モニタ
４ 金型異常検知装置
９ 金型
４０ 学習処理部（学習モデル生成装置）
４１ 学習データ入力部
４２ 学習部
４３ 記憶部
４４ 異常検知部
４５ 検知対象データ入力部
４６ 検知部
９０ 板金プレス加工装置
Ｍ 学習モデル

Claims (14)

1. 板金プレス加工用の金型の異常を検知する金型異常検知装置であって、
   測定センサで測定したプレス期間における前記金型の変位量が、検知対象データとして入力される検知対象データ入力部と、
   前記金型の変位量を波形として予め学習した学習モデルを参照し、前記検知対象データ入力部に入力された検知対象データから前記金型の異常度を算出する検知部と、
   を備える金型異常検知装置。
2. 前記検知部は、算出した前記金型の異常度の閾値判定により、前記金型の異常を検知する請求項１に記載の金型異常検知装置。
3. 前記検知部は、前記検知対象データが示す波形をパターン認識する請求項１又は請求項２に記載の金型異常検知装置。
4. 前記検知部は、正常な前記金型の変形量のみを学習データとして学習可能で、かつ、多次元正規分布に基づいた手法で予め学習した前記学習モデルを参照し、前記金型の異常度を算出する請求項１から請求項３の何れか一項に記載の金型異常検知装置。
5. 前記検知部は、正常波形に対して、正常時の確率分布を算出する演算処理で予め学習した前記学習モデルを参照し、前記金型の異常度を算出する請求項４に記載の金型異常検知装置。
6. 前記測定センサは、前記金型又は前記金型を用いる板金プレス加工装置に取り付けられた歪センサ、光学センサ又は超音波センサであり、
   前記検知対象データ入力部は、当該測定センサから前記検知対象データが入力される請求項１から請求項５の何れか一項に記載の金型異常検知装置。
7. 前記検知部は、前記金型の摩耗又はカス浮きに関する異常度を算出する請求項１から請求項６の何れか一項に記載の金型異常検知装置。
8. 板金プレス加工用の金型の異常を検知するための学習モデルを生成する学習モデル生成装置であって、
   測定センサで測定したプレス期間における前記金型の変位量が、学習データとして入力される学習データ入力部と、
   前記学習データ入力部に入力された学習データを波形として学習することで、前記学習モデルを生成する学習部と、
   を備える学習モデル生成装置。
9. 前記学習部は、前記波形の出現確率を表す前記学習モデルを生成する請求項８に記載の学習モデル生成装置。
10. 前記学習部は、正常な前記金型の変形量のみを前記学習データとして学習可能で、かつ、多次元正規分布に基づいた手法を用いて、前記学習モデルを生成する請求項８又は請求項９に記載の学習モデル生成装置。
11. 前記学習部は、正常波形に対して、正常時の確率分布を算出する演算処理により前記学習モデルを生成する請求項１０に記載の学習モデル生成装置。
12. 前記測定センサは、前記金型又は前記金型を用いる板金プレス加工装置に取り付けられた歪センサ、光学センサ又は超音波センサであり、
    前記学習データ入力部は、当該測定センサから前記学習データが入力される請求項８から請求項１１の何れか一項に記載の学習モデル生成装置。
13. コンピュータを、請求項１から請求項７の何れか一項に記載の金型異常検知装置として機能させるためのプログラム。
14. コンピュータを、請求項８から請求項１２の何れか一項に記載の学習モデル生成装置として機能させるためのプログラム。

Images