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
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 Download PDFInfo
- Publication number
- JP2021094577A JP2021094577A JP2019226926A JP2019226926A JP2021094577A JP 2021094577 A JP2021094577 A JP 2021094577A JP 2019226926 A JP2019226926 A JP 2019226926A JP 2019226926 A JP2019226926 A JP 2019226926A JP 2021094577 A JP2021094577 A JP 2021094577A
- Authority
- JP
- Japan
- Prior art keywords
- mold
- abnormality
- learning
- learning model
- unit
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 149
- 238000006073 displacement reaction Methods 0.000 claims abstract description 28
- 230000005856 abnormality Effects 0.000 claims description 124
- 239000002184 metal Substances 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000007667 floating Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000003825 pressing Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
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。
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。
[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)9Mと雌型(ダイ)9F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9Mと雌型9F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。
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W1,W2の出現確率に比べ、異常な金型9の波形W3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。
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)。
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。
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。
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。
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。
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)。
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。
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。
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
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)
- 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。 - 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。
- 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。
- 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。
- 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。
- 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。 - 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。
- 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。 - 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。
- 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。
- 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。
- 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。 - 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。
- 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019226926A JP2021094577A (ja) | 2019-12-17 | 2019-12-17 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019226926A JP2021094577A (ja) | 2019-12-17 | 2019-12-17 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021094577A true JP2021094577A (ja) | 2021-06-24 |
Family
ID=76430050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019226926A Pending JP2021094577A (ja) | 2019-12-17 | 2019-12-17 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021094577A (ja) |
-
2019
- 2019-12-17 JP JP2019226926A patent/JP2021094577A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111055532B (zh) | 压力机及压力机的异常监视方法 | |
JP2018156151A (ja) | 異常検知装置及び機械学習装置 | |
JP4697023B2 (ja) | プレス不良判定方法、プレス不良判定システム及びプレス成形装置 | |
Li et al. | A novel ensemble deep learning model for cutting tool wear monitoring using audio sensors | |
JPWO2017022312A1 (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラム | |
US8942939B2 (en) | Real-time detection system and the method thereof | |
WO2021232555A1 (zh) | 臂架监测方法、系统、工程机械及机器可读存储介质 | |
US11867668B2 (en) | Thickness correction for video extensometer systems and methods | |
US11275005B2 (en) | Fatigue limit stress specification system, fatigue limit stress specification device, and fatigue limit stress specification method | |
US20210366750A1 (en) | Abnormality detection apparatus | |
CN114270813A (zh) | 具有反射性后屏幕的视频伸长计系统 | |
EP3608743A1 (en) | Arrangement and method for controlling the pressing of metal sheets | |
JP6729577B2 (ja) | 信号検知装置、信号検知方法およびプログラム | |
KR20170006790A (ko) | 로봇의 그리퍼 변형 측정 장치 및 방법 | |
JP2021094577A (ja) | 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 | |
TW201822948A (zh) | 偵測工具機的線性滑軌預壓值變化的方法 | |
Alaluss et al. | Potential of tool clamping surfaces in forming machines for cognitive production | |
JP6888793B2 (ja) | 異常監視方法および異常監視装置 | |
JP2004301792A (ja) | 構造物の健全度診断システム | |
KR101358282B1 (ko) | 시편에 대한 성형 및 크랙 분석의 비접촉식 진단 장치 및 이를 위한 소프트웨어 | |
US20220120630A1 (en) | Detection device and sensor calibration method | |
JP4622688B2 (ja) | プレス成形品の面ひずみ予測方法および装置 | |
EP3653350A1 (en) | Apparatus and method to monitor robot mechanical condition | |
JP2010115702A (ja) | プレス成形金型調整用プレス機及び金型調整方法 | |
JP6409226B2 (ja) | ブレーキ圧力分布計測方法及びブレーキ圧力分布計測装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220927 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230613 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20231205 |