JP2023104014A - 加工機械の制御方法、制御装置及び制御プログラム - Google Patents

Abstract

【課題】材料の状態変化に対応した加工機械の制御によって、不良品発生を抑制する。
【解決手段】制御方法は、センサが、材料の加工工程における状態変化に係る情報を検知するステップと、コンピュータが、前記情報を受信するステップと、前記情報に基づいて、前記加工工程における予測加工速度を算出するステップと、前記情報に所定のアルゴリズムを適用して、前記加工工程における適正加工速度を算出するステップと、前記予測加工速度と前記適正加工速度とを比較して、一定以上の差分の有無を判定するステップと、前記差分がある場合に、前記加工機械に対し、前記加工工程を前記適正加工速度にて遂行するよう指令するステップと、を有する。
【選択図】図１

Description

本発明は、加工機械の制御方法、制御装置及び制御プログラムに関する。

従来、自動車部品等の生産現場においては、金属材料やプラスチック材料等の加工に適したプレス成形機等の加工機械が運用されている。

このような加工機械の運用上の課題の一つは、不良品発生の抑制である。例えば、後述する炭素繊維強化プラスチック（CFRP）のプレス成形加工においては、精密な動作制御を可能とするサーボモータを用いたサーボプレス機を用いても、不良品発生率は３割に及ぶことが少なくない。このような状況をいかに改善するかが、材料の加工を伴う多くの製造業のコスト削減及び生産性向上のための大きな課題となっている。

このような課題に対して、例えば特許文献１には、サーボプレス機が材料に加える荷重の変化をフィードバック制御する技術が記載されている。さらに、特許文献２には、特許文献１に係る技術を効率化するための技術が記載されている。

特開２０１３－２３７０６２号公報 特開２０１８－１６１６５７号公報

しかしながら、プレス機が材料に加える荷重の変化を測定するだけでは、加工工程において生じる材料の品質のばらつきに対応した制御を行うには必ずしも十分とは言えない。また、従来のフィードバック制御のみでは、加工工程において生じる材料の品質のばらつきに対応した制御を当該材料に対して反映させることは難しい。したがって、不良品発生の抑制という課題には、いまだ改善の余地が大きく残されている。

そこで、本発明は、加工工程における材料の状態変化に対応したフィードフォワード制御を行うことで、不良品発生率を限りなくゼロに近づけ、もって製造業のコスト削減及び生産性向上を図ることを目的とする。

なお、本発明において「フィードフォワード制御」とは、制御を乱す外的要因が発生し又はその発生が予測される場合に、その外的要因による影響が発生しないよう予め修正動作を行う制御方法をいう。

上記の課題を解決するための第１の発明に係る制御方法は、材料の加工に用いる加工機械の制御方法であって、センサが、前記材料の加工工程における状態変化に係る情報を検知するステップと、コンピュータが、前記情報を前記センサから受信するステップと、前記情報に基づいて、前記加工工程における予測加工速度を算出するステップと、前記情報に所定のアルゴリズムを適用して、前記加工工程における適正加工速度を算出するステップと、前記予測加工速度と前記適正加工速度とを比較して、一定以上の差分の有無を判定するステップと、前記差分がある場合に、前記加工機械に対し、前記加工工程を前記適正加工速度にて遂行するよう指令するステップと、を有する。

このようなフィードフォワード制御を行うことで、不良品発生を抑制してコスト削減及び生産性向上を図ることが可能となる。

上記の課題を解決するための第２の発明に係る制御方法は、第１の発明に係る制御方法において、前記加工は、プレス成形加工又は射出成形加工である。

このような静的な圧縮力を加える塑性加工は、加工工程に一定以上の時間を要するため、当該加工工程に予めの修正動作を施すフィードフォワード制御をより確実に行うことが可能となる。

上記の課題を解決するための第３の発明に係る制御方法は、第１又は第２の発明に係る制御方法において、前記センサは、前記状態変化に係る情報を、前記加工機械におけるシリンダのストローク位置と、前記シリンダ内の圧力と、油圧ポンプ内の油温と、の変化によって検知する。

このような異なる三種類の情報を取得することで、材料の加工工程における状態変化をより正確かつ迅速に把握することが可能となる。

上記の課題を解決するための第４の発明に係る制御方法は、第１～第３のいずれかの発明に係る制御方法において、前記コンピュータは、毎秒１００メガビット以上の通信性能を有する。

このような高速通信手段を利用することで、フィードフォワード制御の実行が許容される加工の幅を広げることが可能となる。

上記の課題を解決するための第５の発明に係る制御方法は、第１～第４のいずれかの発明に係る制御方法において、前記アルゴリズムは、前記加工機械における材料の加工工程における状態変化に係る複数の情報と、当該加工により不良品が発生したか否かの結果の情報と、を教師データとする人工知能コンピュータによる機械学習によって生成される。

このような機械学習を行うことで、材料の品質のより多様なばらつきに対応したより精度の高い適正加工速度をより短時間に算出することが可能となる。

上記の課題を解決するための第６の発明に係る制御方法は、第５の発明に係る制御方法において、前記機械学習は、深層学習を含む。「深層学習」とは、ニューラルネットワークを用いた機械学習をいう。

このような深層学習を行うことで、生成されるアルゴリズムは、たとえ上記の教師データには含まれない未知の情報が入力された場合であっても、推論を通じて精度の高い適正加工速度を導出することが可能となる。

上記の課題を解決するための第７の発明に係る制御方法は、第１～第６のいずれかの発明に係る制御方法において、前記加工速度は、前記加工機械におけるサーボモータの単位時間あたり回転数の加減によって制御される。

このようなサーボモータを利用することで、精密な動作制御によるより正確かつ迅速なフィードフォワード制御を行うことが可能となる。

上記の課題を解決するための第８の発明に係る制御装置は、材料の加工に用いる加工機械の制御装置であって、受信部と演算部と判定部と指令部とを有し、前記受信部は、前記加工機械に配設されたセンサから、前記材料の加工工程における状態変化に係る情報を受信し、前記演算部は、前記情報に基づいて、前記加工工程における予測加工速度を算出し、前記情報に所定のアルゴリズムを適用して、前記加工工程における適正加工速度を算出し、前記判定部は、前記予測加工速度と前記適正加工速度とを比較して、一定以上の差分の有無を判定し、前記指令部は、前記差分がある場合に、前記加工機械に対し、前記加工工程を前記適正加工速度にて遂行するよう指令する。

このようなフィードフォワード制御を行うことで、不良品発生を抑制してコスト削減及び生産性向上を図ることが可能となる。

上記の課題を解決するための第９の発明に係る制御プログラムは、コンピュータを、請求項７に記載の制御装置として機能させる。

このようなフィードフォワード制御を行うことで、不良品発生を抑制してコスト削減及び生産性向上を図ることが可能となる。

本発明により、加工工程における材料の状態変化に対応したフィードフォワード制御を行うことで、不良品発生率を限りなくゼロに近づけ、もって製造業のコスト削減及び生産性向上を図ることが可能となる。

本発明に係る制御方法を示す概念図である。 CFRPの品質のばらつきの発生過程を示す概念図である。 本発明に係る制御方法の手順を示すブロック線図である。 本発明に係るコンピュータ処理の手順を示すフロー図である。 本発明に係る制御装置のハードウェア構成を示すブロック図である。 本発明に係る制御方法の射出成形機への適用を示す概念図である。 本発明に係る制御方法のダイクッションへの適用を示す概念図である。

以下、図面を用いて本発明を実施するための形態について説明する。

＜第１実施形態＞
図１は、本発明に係る制御方法を示す概念図である。図１に示すように、本発明に係る制御方法の一つの典型例は、加工機械である油圧サーボプレス機１と、制御用コンピュータ２と、人工知能コンピュータ３とを含む。

加工機械である油圧サーボプレス機１において、材料は、所望の形状をとる金型１１及び金型１２によってプレス成形される。金型１１は、プレスユニット１９に取り付けられている。プレスユニット１９は、シリンダ１３によって下方向の力が加えられる。シリンダ１３は、送油パイプ１８を介して油圧ポンプ１４によって圧縮力が与えられる。油圧ポンプ１４は、サーボモータ１５によって所望の回転数を得て、当該回転数に対応する油圧を発生させる。

シリンダ１３には、位置及び圧力センサ１６が設けられている。位置及び圧力センサ１６は、シリンダのストローク位置とシリンダ内の圧力との変化を検知する。また、油圧ポンプ１４には、温度センサ１７が設けられている。温度センサ１７は、油圧ポンプ内の油温の変化を検知する。

位置及び圧力センサ１６と温度センサ１７とによって検知された情報は、材料の状態変化に係る情報として、産業用高速ネットワークシステムを介して制御用コンピュータ２及び人工知能コンピュータ３に送信される（４２及び４１）。

このようなセンサ１６及び１７とコンピュータ２及び３との間の情報通信は、毎秒１００メガビット以上の通信速度を有する産業用高速ネットワークシステムによって、有線又は無線を介して行われる。今日、このような高い水準の通信性能を有する産業用高速ネットワークシステムとしては、例えば「EtherCat」（登録商標）が広く知られている。

制御用コンピュータ２は、位置及び圧力センサ１６と温度センサ１７とから受信した情報４２に基づいて、予測加工速度を算出する。

なお、本発明において「加工速度」とは、材料の加工工程において変化する一連の速度をいい、加工速度の中には速度ゼロすなわち静止状態を含む。本実施形態における加工速度は、サーボモータ１５の回転数によって表される数値をいう。また、本発明において「予測加工速度」とは、現在進行中の加工工程が終了するまでに予測される加工速度をいう。

制御用コンピュータ２による予測加工速度の計算処理においては、温度センサ１７からもたらされる油温変化のデータが特に重要な役割を果たす。油温は油の粘度を左右するファクターであるため、加工工程の初期段階における材料の状態変化に係る情報からその後の加工速度を予測する上で不可欠な情報だからである。このような高度な計算処理を高速で行うため、制御用コンピュータ２には上述の産業高速ネットワークシステムが用いられる。

一方、人工知能コンピュータ３は、位置及び圧力センサ１６と温度センサ１７とから受信した複数の情報４１と、当該加工により不良品が発生したか否かの結果の情報とを教師データとする機械学習を行い学習済みモデルを生成する。

この学習済みモデルは、制御用コンピュータ２が適正加工速度を算出するためのアルゴリズムである。また、本発明において「適正加工速度」とは、現在進行中の加工工程において、加工機械が不良品を発生させずに加工工程を完遂することのできる加工速度をいう。

機械学習において用いる教師データが多ければ多いほど、生成されるアルゴリズムの精度は向上する。後述するように、人工知能コンピュータ３はアルゴリズムの見直しを不断に行い修正することによって、その精度を自律的に高めていくのである。

また、人工知能コンピュータ３による機械学習には、ニューラルネットワークを用いた深層学習を含む。このような深層学習を行うことで、生成されるアルゴリズムは、たとえ教師データには含まれない未知の情報が入力された場合であっても推論を通じて精度の高い適正加工速度を導出することが可能となる。

人工知能コンピュータ３は、機械学習によって生成したアルゴリズムを制御用コンピュータ２に送信４３する。この送信はアルゴリズムが修正される都度行われる。

制御用コンピュータ２は、位置及び圧力センサ１６と温度センサ１７とから受信したデータ４２に、人工知能コンピュータ３から受信４３したアルゴリズムを適用して、加工機械が不良品を発生させずに加工工程を完遂するための適正加工速度を算出する。

制御用コンピュータ２は、予測加工速度と適正加工速度とを比較して、一定以上の差分の有無を判定し、差分がある場合には油圧サーボプレス機１を制御する。

具体的には、現在加工中の材料の加工工程を適正加工速度にて遂行するよう、回転数を修正する指令４４を油圧サーボプレス機１のサーボモータ１５に対して与える。この通信にも上述の産業用高速ネットワークシステムが用いられる。

サーボモータ１５は、制御用コンピュータ２からの回転数指令４４を受けて、ただちに回転数を適正加工速度に修正し、修正後の回転数にて油圧ポンプ１４を稼働する。油圧ポンプ１４は、送油パイプ１８を介してシリンダに修正後の適正な油圧を伝達する。シリンダ１３は、プレスユニット１９を介して金型１１に修正後の適正な力を加える。

以上が、本発明に係る制御方法におけるフィードフォワード制御の概要である。このような制御方法を用いることによって、加工中の材料に対して、加工工程において生じる材料の品質のばらつきに適正に対応したプレス成形加工を施すことが可能となる。その結果、不良品の発生率を限りなくゼロに近づけ、もって製造業のコスト削減及び生産性向上を図ることが可能となるのである。

次に、材料の品質のばらつきについて説明する。上述の通り、本発明に係る制御方法は、材料の品質のばらつきが存在する場合に効果を発揮する。このような材料の典型例の一つは、炭素繊維強化プラスチック（CFRP）である。CFRPは、炭素繊維とプラスチックとの複合材料であり、軽量かつ高強度及び高成形性を兼ね備えることから、今日では自動車部品や航空機の主翼等の材料として多用されている。

図２は、CFRPの品質のばらつきの発生過程を示す概念図である。図２に示すように、CFRPのプレス成形加工においては、材料２１を加熱し（２２）、軟化させた上でプレスする（２３、２４）という工程をとる（２５）。

この際、加熱され膨張した材料をプレス圧縮変形することに伴い、材料内の樹脂が流動し、炭素繊維のうねりや配向の不規則な変化２６が生じる。このように、従来は、同一製造条件下であってもCFRPのプレス成形品質は安定せず、不良品の発生を抑えることが難しかった。

そこで、本発明により、金型を下降させて金型と材料が接触した直後の加工工程の初期段階２３の材料の状態変化を厳密に解析し、その後の状態変化を予測し、その予測結果をその後の工程２４に適切に反映するように制御することができれば、不良品の発生は抑えられるのである。

図３は、本発明に係る制御方法の手順を示すブロック線図である。図３に示すように、今日、多くの油圧サーボプレス機には位置情報４６によるフィードバック制御が導入されている。すなわち、シリンダ等に設けられた位置センサ１６ｂは、材料の実際の圧縮位置を検知し、その位置情報４６を制御器１９にフィードバックする。制御器１９は、プログラマブルロジックコントローラ（PLC）等によって予め入力された位置指令４５と位置情報４６とを総合して、サーボモータ１５に回転数指令を与える。

一方、本発明に係るフィードフォワード制御は、前述の通り、位置及び圧力センサ１６と温度センサ１７が検知する材料の加工工程における状態変化に係る情報を、制御用コンピュータ２が、人工知能コンピュータ３が生成したアルゴリズムによって処理し、制御器１９による回転数指令の修正が必要な場合に、修正指令４４を発する。

このように、既存技術であるフィードバック制御に加えて、さらに本発明に係るフィードフォワード制御を実施することで、油圧サーボプレス機における不良品発生は限りなく抑制されることが期待されるのである。

図４は、本発明に係るコンピュータ処理の手順を示すフロー図である。図４に示すように、まず、制御用コンピュータは、毎回の加工工程において処理を開始し（５１）、材料の加工工程における状態変化に係る情報を取得する（５２）。

次に、制御用コンピュータは、取得した状態変化情報５２に基づいて、当該材料の加工工程における予測加工速度を算出する（５３）。

次に、制御用コンピュータは、状態変化情報５２に人工知能コンピュータが生成したアルゴリズム６１を適用し（４３）、当該材料の加工工程における適正加工速度を算出する（５４）。

次に、制御用コンピュータは、算出した予測加工速度５３と適正加工速度５４とを比較して、一定以上の差分の有無を判定する（５５）。その判定基準は、制御用コンピュータの操作者によって設定される。

最後に、制御用コンピュータは、一定以上の差分がある場合には、加工機械に対し、当該材料の加工工程を適正加工速度にて遂行するよう指令を与えて（５６）、処理を終了する（５７）。一定以上の差分がない場合には処理を終了する（５７）。

一方、人工知能コンピュータは、毎回の加工工程において処理を開始し（５８）、材料の加工工程における状態変化に係る情報を取得する（５９）。

次に、人工知能コンピュータは、状態変化情報５９と、当該加工により不良品が発生したか否かの結果の情報とを教師データとする機械学習を行う（６０）。

次に、人工知能コンピュータは、機械学習により生成したアルゴリズム６１を、制御用コンピュータに伝達する（４３）。

最後に、人工知能コンピュータは、アルゴリズムの修正の必要性の有無について判断し（６２）、必要な場合は修正し、不要の場合は新たな状態変化データの取得を行う（５９）。このようなループを繰り返すことで、人工知能コンピュータはアルゴリズムの精度を高めていくのである。

図５は、本発明に係る制御装置のハードウェア構成を示すブロック図である。図５に示すように、制御用コンピュータ２のCPU６３には、材料の状態変化に係る情報を受信する受信部６４と、予測加工速度及び適正加工速度を算出する演算部６５と、予測加工速度と適正過去速度とを比較して一定以上の差分の有無を判定する判定部６６と、一定以上の差分がある場合に加工機械１に対して指令を行う指令部６７とを有する。

CPU６３は、メモリ６８とストレージ６９と通信インターフェース７０と相互に接続されている。また、通信インターフェース７０は、加工機械１に設けられたセンサ１６、センサ１７及びサーボモータ１５と、人工知能コンピュータ３とに有線又は無線を介して接続されている。

制御用コンピュータ２と人工知能コンピュータ３は、独立した別個のハードウェアでもよく、又は一つの産業用高速ネットワークシステムに統合された別個の機能であってもよい。

＜第２実施形態＞
図６は、本発明に係る制御方法の射出成形機への適用を示す概念図である。図６に示すように、加工機械である射出成形機１においては、材料はホッパ７１に投じられ、ヒータ７２で加熱され、金型１１及び金型１２によって形成された空間７３において成形され、完成品７４となる。

この加工過程において、材料をホッパ７１から空間７３に送り込む力を加えるシリンダ１３と、シリンダ１３に圧力を加える油圧ポンプ１４と、油圧ポンプ１４の油圧を加減するサーボモータ１５の役割は、第１実施形態における油圧サーボプレス機の例と同様である。また、制御用コンピュータ２と人工知能コンピュータ３による制御方法も、油圧サーボプレス機の例と同様である。

＜その他の実施形態＞
以上に説明した第１実施形態及び第２実施形態は、本発明を説明するための例示であり、本発明はこれらの実施形態に限定されるものではない。本発明はその要旨を逸脱しない限り、種々の形態で実施することができる。

例えば、材料については、必ずしもCFRPに限定されず、その品質に一定以上のばらつきが生じうる性質を有するものであれば、ガラス繊維強化プラスチック（GFRP）等の他のプラスチック材料や、金属材料等でもよい。

また、加工については、プレス成形加工の一形態であるダイクッションでもよい。ダイクッションはしぼり加工等を行う場合によく用いられる。図７は、本発明に係る制御方法のダイクッションへの適用を示す概念図である。図７に示すように、ダイクッションにおいて、シリンダ１３は、ダイクッションパッド８５、ベッド８４、ボルスタ８３及び金型１１を介して、材料に上方向の力を加えてプレス成形する。

この加工過程において、シリンダ１３に圧力を加える油圧ポンプ１４と、油圧ポンプ１４の油圧を加減するサーボモータ１５の役割は、第１実施形態と同様である。また、制御用コンピュータ２と人工知能コンピュータ３による制御方法も、第１実施形態と同様である。

さらに、加工については、必ずしもプレス成形加工や射出成形加工に限定されず、フィードフォワード制御が有効であれば、鍛造加工や切削加工等の他の機械加工でもよい。

また、加工機械の駆動方式については、必ずしもサーボモータと油圧ポンプによるものに限定されず、したがって、制御用コンピュータによる指令は必ずしもサーボモータの回転数指令に限定されない。

また、制御用コンピュータについては、必ずしも産業用高速ネットワークシステムに限定されず、フィードフォワード制御が可能な通信性能を有するものであれば、他のコンピュータ又はコンピュータシステムでもよい。

また、制御用コンピュータが用いるアルゴリズムについては、必ずしも機械学習により生成されたものに限定されず、精度に係る許容度に応じて、他の計算式を用いてもよい。

本発明により、材料の状態変化に対応したフィードフォワード制御を行うことで、加工工程における不良品発生率を限りなくゼロに近づけることで、製造業のコスト削減及び生産性向上を図ることが可能となる。よって、本発明は産業上の利用可能性を有するものである。

１ 加工機械
２ 制御用コンピュータ
３ 人工知能コンピュータ
１１ 金型
１２ 金型
１３ シリンダ
１４ 油圧ポンプ
１５ サーボモータ
１６ 位置及び圧力センサ
１６ｂ 位置センサ
１７ 温度センサ
１８ 送油パイプ
１９ プレスユニット
２１ 加工前のCFRP
２２ 加熱（膨張）
２３ プレス（圧縮）
２４ 金型内で樹脂流動
２５ 成形完了
２６ 炭素繊維のうねりや配向の不規則な変化
４１ 状態変化データの送信
４２ 状態変化データの送信
４３ アルゴリズムの送信
４４ 回転数指令
４５ 位置指令
４６ 位置情報
５１ 処理開始
５２ 状態変化データの受信
５３ 予測加工速度の算出
５４ 適正加工速度の算出
５５ 差分の有無の判定
５６ 回転数指令
５７ 処理終了
５８ 処理開始
５９ 状態変化データの受信
６０ 機械学習
６１ アルゴリズムの生成
６２ アルゴリズム修正の要否の判断
６３ CPU
６４ 受信部
６５ 演算部
６６ 判定部
６７ 指令部
６８ メモリ
６９ ストレージ
７０ 通信インターフェース
７１ ホッパ
７２ ヒータ
７３ 空間
７４ 完成品
８１ スライド
８２ クッションピン
８３ ボルスタ
８４ ベッド
８５ ダイクッションパッド

Claims (9)

1. 材料の加工に用いる加工機械の制御方法であって、
   センサが、前記材料の加工工程における状態変化に係る情報を検知するステップと、
   コンピュータが、
   前記情報を前記センサから受信するステップと、
   前記情報に基づいて、前記加工工程における予測加工速度を算出するステップと、
   前記情報に所定のアルゴリズムを適用して、前記加工工程における適正加工速度を算出するステップと、
   前記予測加工速度と前記適正加工速度とを比較して、一定以上の差分の有無を判定するステップと、
   前記差分がある場合に、前記加工機械に対し、前記加工工程を前記適正加工速度にて遂行するよう指令するステップと、
   を有する制御方法。
2. 前記加工は、プレス成形加工又は射出成形加工である、
   請求項１に記載の制御方法。
3. 前記センサは、前記状態変化に係る情報を、前記加工機械におけるシリンダのストローク位置と、前記シリンダ内の圧力と、油圧ポンプ内の油温と、の変化によって検知する、
   請求項１又は２に記載の制御方法。
4. 前記コンピュータは、毎秒１００メガビット以上の通信性能を有する、
   請求項１～３のいずれか１項に記載の制御方法。
5. 前記アルゴリズムは、前記加工機械における材料の加工工程における状態変化に係る複数の情報と、当該加工により不良品が発生したか否かの結果の情報と、を教師データとする人工知能コンピュータによる機械学習によって生成される、
   請求項１～４のいずれか１項に記載の制御方法。
6. 前記機械学習は、深層学習を含む、
   請求項５に記載の制御方法。
7. 前記加工速度は、前記加工機械におけるサーボモータの単位時間あたり回転数の加減によって制御される、
   請求項１～６のいずれか１項に記載の制御方法。
8. 材料の加工に用いる加工機械の制御装置であって、
   受信部と演算部と判定部と指令部とを有し、
   前記受信部は、前記加工機械に配設されたセンサから、前記材料の加工工程における状態変化に係る情報を受信し、
   前記演算部は、
   前記情報に基づいて、前記加工工程における予測加工速度を算出し、
   前記情報に所定のアルゴリズムを適用して、前記加工工程における適正加工速度を算出し、
   前記判定部は、前記予測加工速度と前記適正加工速度とを比較して、一定以上の差分の有無を判定し、
   前記指令部は、前記差分がある場合に、前記加工機械に対し、前記加工工程を前記適正加工速度にて遂行するよう指令する、
   制御装置。
9. コンピュータを、請求項８に記載の制御装置として機能させるための制御プログラム。