JP2959310B2

JP2959310B2 - ナットランナ制御装置

Info

Publication number: JP2959310B2
Application number: JP154693A
Authority: JP
Inventors: 隆志江口; 冬彦吉倉; 慎二是沢; 規森
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 1993-01-08
Filing date: 1993-01-08
Publication date: 1999-10-06
Anticipated expiration: 2014-10-06
Also published as: JPH06206127A

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、ナットランナによるね
じの締付を制御するナットランナ制御装置に関する。

【０００２】

【従来の技術】ナットランナ制御装置としては、従来か
ら、各種の手段によって軸力を管理する装置が知られて
いる。例えば特開平２−１５２７３４号公報には、ナッ
トランナのソケット内に超音波センサを内蔵させた構成
が開示されている。この超音波センサはねじの締付に伴
う当該ねじの長さの変化を検出する手段である。この装
置においては、ねじの締付を行いながらねじの長さの変
化を検出し、検出した長さ変化量に基づき軸力を計測し
て管理している。

【０００３】また、特開昭６１−２７９４７２号公報に
は、ねじの締付及び締戻しを行い、その際得られる締付
トルク及び角度のデータから軸力を計算する装置が開示
されている。

【０００４】

【発明が解決しようとする課題】しかしながら、前者の
装置においては、超音波センサによる長さの変化の検出
が当該センサが回転している状態で行われるため、セン
サの浮きが生じてしまい、長さを正確に検出できないこ
とがある。また、この回転に起因して、制御装置との間
での信号授受を良好に行うことが困難となり、ノイズが
発生する。従って、前者の装置においては、軸力を安定
的に計測することが困難である。また、超音波センサを
用いる必要があるため、装置コストも大きくなる。

【０００５】また、後者の装置においては、ねじの締付
及び締戻しに伴うノイズや滑り、ビビリ等と、トルクレ
ート等の変化とを区別するのが困難である。また、締付
対象となる各ワーク毎にトルクレートの変化傾向が異な
るため、ワークの変更に応じて、軸力の計算方法を修正
する必要がある。従って、適切な計算方法を発見するの
が困難であり、この結果、計算により得られる軸力も不
安定なものとなってしまう。

【０００６】本発明は、このような問題点を解決するこ
とを課題としてなされたものであり、軸締付時における
軸力計測を行うことなしに、ねじの締付を軸力に基づき
管理することを可能にすることを目的とする。

【０００７】

【課題を解決するための手段】このような目的を達成す
るために、本発明は、ナットランナによるねじの締付を
制御する締付制御手段と、ナットランナの動作状態を示
す状態信号の時系列を入力信号としかつ締付後に計測さ
れた軸力を教師信号とした学習が施され、入力される状
態信号の時系列に応じて推定軸力を出力するニューラル
ネットワークと、状態信号の時系列を入力しニューラル
ネットワークに供給する入力手段と、ニューラルネット
ワークから出力される推定軸力の値に応じて締付制御信
号に指令を与え、締付を停止させる締付停止制御手段
と、を備えることを特徴とする。

【０００８】

【作用】本発明のナットランナ制御装置においては、ニ
ューラルネットワークを用いて締付に係る軸力が推定さ
れる。このニューラルネットワークは、予め、ナットラ
ンナの動作状態を示す状態信号の時系列を入力信号とし
て、また締付後に計測された軸力を教師信号として、学
習が施されたニューラルネットワークである。従って、
このニューラルネットワークに状態信号の時系列を入力
することにより、締付に係る軸力の推定値（推定軸力）
が得られる。本発明においては、入力手段によって状態
信号の時系列がニューラルネットワークに入力され、こ
れによりニューラルネットワークから得られる推定軸力
の値に応じ、締付制御手段に対し指令が与えられる。こ
の指令は、ねじの締付を停止させる旨の指令である。こ
のように、本発明においては、実締付の際に軸力を計測
することなく、軸力によるねじの締付管理が行われるこ
ととなり、軸力の計測に伴う不安定動作やコストの増大
が防止される。

【０００９】

【実施例】以下、本発明の好適な実施例について図面に
基づき説明する。

【００１０】図１には、本発明の第１実施例に係るナッ
トランナ制御装置の構成が示されている。この図に示さ
れるナットランナ制御装置１０は、ナットランナ締付制
御装置１２、ニューラルネットワーク１４及び締付停止
制御回路１６を備えている。ナットランナ締付制御装置
１２は、ナットランナ１８のモータ２０に制御信号を与
え、当該モータ２０によるねじの締付を制御する。モー
タ２０には、角度センサ２２及びトルクセンサ２４が付
設されている。角度センサ２２は、モータ２０の回転角
を検出し、ナットランナ締付制御装置１２に供給すると
共に、ナットランナ制御装置１０内のＡＤ変換回路２６
にもこの角度を供給する。また、トルクセンサ２４は、
モータ２０による締付トルクを検出し、検出結果をナッ
トランナ締付制御装置１２及びＡＤ変換回路２６に供給
する。なお、図中２８は、締付の対象となるねじが取り
付けられるソケットであり、このソケット２８はモータ
２８の回転に伴い回転する。

【００１１】ナットランナ締付制御装置１２は、角度セ
ンサ２２及びトルクセンサ２４から入力される角度及び
トルクに基づき、モータ２０に制御信号を与えねじの締
付を制御する。その際、ナットランナ締付制御装置１２
には、締付停止制御回路１６から供給される停止命令に
応じ、モータ２０の制御動作、すなわちねじの締付動作
を停止させる。締付停止制御回路１６は、実締付時にニ
ューラルネットワーク１４から得られる推定軸力に基づ
き、ナットランナ締付制御装置１２に停止命令を与え
る。

【００１２】ニューラルネットワーク１４は、実締付に
先立ち、トルク及び角度時系列データ並びに温度データ
を入力信号として、実測軸力を教師信号として、学習処
理が施されたニューラルネットワークである。ニューラ
ルネットワーク１４の学習に用いられ、また実締付時に
ニューラルネットワーク１４への入力信号として用いら
れる角度及びトルクの時系列データは、ＡＤ変換回路２
６、前処理回路３０及びバッファ３２によって得られ
る。ＡＤ変換回路２６は、角度センサ２２から得られる
角度信号及びトルクセンサ２４から得られるトルク信号
をデジタルデータに変換し、前処理回路３０を介してバ
ッファ３２に格納する。前処理回路３０は、入力される
角度データ及びトルクデータについて、後述するように
シグモード変換等の前処理を施す回路である。前処理回
路３０によって前処理が施された角度及びトルクデータ
は、バッファ３２において時系列的に格納される。

【００１３】また、ニューラルネットワーク１４の学習
時及び実締付時に当該ニューラルネットワーク１４の入
力信号として用いられる温度データは、温度計３４によ
って得られ前処理回路３６により前処理が施されたデー
タである。前処理回路３６は、前処理回路３０と同様に
温度について前処理を施し、ニューラルネットワーク１
４に供給する。また、先に述べたバッファ３２上のデー
タ（トルク及び角度時系列データ）並びに温度データ
は、記憶装置３８に格納される。この記憶装置３８は、
実測軸力をこれらのデータと対応付けて記憶する装置で
ある。

【００１４】記憶装置３８に格納される実測軸力は、ニ
ューラルネットワーク１４の学習時に軸力計測手段４０
によって計測された締付終了後の軸力である。軸力計測
手段４０によって得られる実測軸力は、前処理回路４０
によってシグモイド変換等の前処理が施された上で、記
憶装置３８に格納される。このようにして記憶装置３８
上に格納される実測軸力は、ニューラルネットワーク１
４の学習時に教師信号として用いられる。

【００１５】図２には、本実施例におけるニューラルネ
ットワーク１４の内部及びその近傍の構成がより詳細に
示されている。この図に示されるように、ニューラルネ
ットワーク１４は、入力層４４、所定個数の中間層４６
及び出力層４８を有している。各層４４、４６及び４８
は、所定個数のニューロン５０を有している。隣接する
層４４、４６及び４８のニューロン５０の間は、シナプ
ス５２によって結合している。このシナプス５２による
結合の重みは、ニューラルネットワーク１４の学習時に
適宜調整される。ニューラルネットワーク１４に前置さ
れるバッファ３２は、前処理回路３０を介して入力され
るトルク及び角度のデータを時系列格納すべく、トルク
及び角度それぞれに対応してｎ個の記憶領域を有してい
る。バッファ３２に入力されるトルク及び角度のデータ
は、バッファ３２に次のデータが格納されると、図中下
方向にシフトされる。このシフトが進行し、格納時点か
らｎタイミング経過すると、当該データは消失すること
となる。

【００１６】図３には、この実施例におけるシステム構
築の流れが示されている。この図に示されるように、本
実施例に係るシステムを実締付（１００）に用いる場
合、これに先立ち工程外でデータ収集１０２及び学習１
０４を実行しておく必要がある。データ収集１０２に
は、ニューラルネットワーク１４の学習に必要なデータ
を収集するステップであり、学習１０４は、データ収集
１００において収集されたデータに基づくニューラルネ
ットワーク１４の学習を行うステップである。

【００１７】図４には、この実施例におけるデータ収集
処理の流れが示されている。この実施例においては、ま
ず、データの収集のために用いられるねじについて、締
付停止条件がランダムに設定される（２００）。ねじの
締付は、例えは図５に示されるように、仮締過程と本締
過程にわかれており、ステップ２００において設定され
る締付停止条件としては、例えば、締付停止に係るトル
ク値、角度値及び仮締開始からの経過時間等を挙げるこ
とができる。

【００１８】締付停止条件が設定されると、次に、当該
ねじについての締付が開始される（２０２）。締付が開
始されると、まず、図５に示されるように仮締が実行さ
れ３０、ねじの着座が、トルクセンナ２４によって検知
される締付トルクの上昇又は図示しないストロークセン
サ等によって検出されると、これに伴いねじの本締が開
始される。

【００１９】図４の処理においては、ステップ２０２実
行後に、判定に係るステップ２０４が実行される。この
ステップ２０４は、サンプリングタイミングか否かの判
定に係るステップである。すなわち、前述したようにス
トロークセンサ等によってねじの着座が検出されると、
データの取得期間が開始され、サンプリング周期ω毎に
サンプリングが行われる。ステップ２０４における判定
は、このサンプリング周期ωに係るサンプリングタイミ
ングが到来したか否かの判定である。

【００２０】この判定の結果、サンプリングタイミング
が未だ到来していないと判定された場合にはステップ２
０６が実行される。ステップ２０６においては、図５に
示される締付停止条件が満たされたか否か、すなわち当
該ねじの締付を終了させるべきか否かの判定が行われ
る。この判定の結果、締付停止条件が未だ満たされてい
ないと判定された場合にはステップ２０４に戻る。

【００２１】ステップ２０４において、サンプリングタ
イミングであると判定された場合にはステップ２０８が
実行される。このステップ２０８においては、前処理さ
れたトルク及び角度データがバッファ３２上に格納され
る。ここに、トルク及び角度データについて前処理回路
３０によって施される前処理は、例えば図６に示される
ような内容である。この図に示される関数はシグモイト
関数ｓｉｇ（ｘ）であり、この関数を用いて行われる変
換はシグモイド変換と呼ばれる。前処理回路３０によっ
てトルクＴに施される前処理は、ｓｉｇ（ｋ₁Ｔ−
Ｔ₀）であり、角度θに施される前処理はθ／ｋ₃πで
ある。ここに、ｋ₁及びｋ₃は定数であり、Ｔ₀はトル
クの設計値である。

【００２２】このような前処理が施されたデータは、ス
テップ２０８において、バッファ３２上に格納される。
バッファ３２は、前述のようにｎこの記憶領域を有して
いる。従って、図５に示される着座タイミングからｎ個
のサンプリングタイミングを経過した後は、最新ｎ個の
トルク及び角度に係るデータのみがバッファ３２上に保
存される。ステップ２０８実行後は、ステップ２０６に
移る。

【００２３】ステップ２０６において締付停止条件が満
たされていると判定された場合、ステップ２１０が実行
される。ステップ２１０は、軸力及び温度の計測に係る
ステップである。すなわち、ニューラルネットワーク１
４の学習の際に入力信号として用いるトルク及び角度の
時系列データがバッファ３２上に得られた状態で、軸力
計測手段４０により得られる軸力が実測軸力として入力
され、また、温度計３４によって得られる温度データが
入力される。軸力計測手段４０によって得られる軸力に
ついては、図６に示されるシグモイド関数による前処理
が前処理回路４２によって実行される。軸力Ｔ_pに係る
前処理は、ｓｉｇ（ｋ₂Ｔ_p−Ｔ_p0）である。ここに、
ｋ₂は定数、Ｔ_p0は軸力設計値である。なお、温度デー
タについても、適当な前処理が施される。

【００２４】ステップ２１０において軸力及び温度に係
るデータが得られると、このデータは、バッファ３２上
のトルク及び角度時系列データと共に、記憶装置３８上
に記憶される（２１２）。すなわち、記憶装置３８上に
は、トルク及び角度の時系列データ並びに温度データを
実測軸力と対応付けた記憶空間が形成される。ステップ
２１２実行後は、続いて、ステップ２１４が実行され
る。ステップ２１４は、において必要な個数のデータ群
が得られたか否かが判定される。十分なデータが得られ
ていないと判定された時には次のワークに係るデータ収
集を開始すべく、ステップ２００に移行する。

【００２５】図７には、本実施例における学習処理の流
れが示されている。この図に示されるように、本実施例
においては、学習に当ってまずワークがランダムに選択
される。次に、選択されたワークに係るデータが、記憶
装置３８上から読み出される（３０２）。読み出された
データは、ニューラルネットワーク１４の学習に係る入
力信号または教師信号として用いられる。

【００２６】すなわち、記憶装置３８上から読み出され
たトルク及び角度時系列データ並びに温度データは、ニ
ューラルネットワーク１４の入力層４４に入力される
（３０４）。この結果、出力層４８のニューロン５０か
ら、ある値が出力される（３０６）。この値は、十分学
習を行った後には軸力の推定値（推定軸力）として用い
得るのであるが、学習の中途では、実測軸力とある程度
異なる値となることが通常である。本実施例において
は、記憶装置３８上に格納されている実測軸力に対する
出力層４８の出力値の２乗誤差Ｅが次の式により求めら
れる（３０８）。

【００２７】

【数１】このようにして得られた２乗誤差Ｅは、ニューラルネッ
トワーク１４におけるニューロン５０間の結合重みの調
節に用いられる（３１０）。すなわち、結合重みとしき
い値をベクトルｗと表すこととすると、−ｄＥ／ｄｗの
方向にベクトルｗを調節することにより、いわゆる誤差
逆伝搬学習を行うことができる。

【００２８】このような重みの調節を行った後は、ステ
ップ３１２が実行される。ステップ３１２においては、
全ワークについての誤差が十分小か否かが判定される。
ここに言う全ワークについての誤差とは、ステップ３０
８において計算した２乗誤差Ｅを全ワークについて合計
した値等を言う。この誤差が十分小さく零に近い場合、
学習が十分に進行したとみなせるため、学習処理を終了
する。誤差が十分小さくなければ、次のワークに係る学
習を行うべく、ステップ３００に戻る。

【００２９】図８には、本実施例における実締付処理の
流れが示されている。この図に示される処理は、前述し
たデータ収集１０２及び学習１０４を経た後に工程内に
おいて実行される処理である。

【００３０】この処理においては、まず、締付対象たる
ねじの締付が開始された後（４００）、前述のステップ
２０４と同様の判定に係る４０２が実行される。この判
定の結果、まだサンプリングタイミングでないと判定さ
れた場合には引き続きサンプリングタイミングの到来待
ちが実行される。サンプリングタイミングが到来したと
判定された場合には、続いて、ステップ４０４が実行さ
れる。

【００３１】ステップ４０４においては、前処理回路３
０により前処理されたトルク及び角度データがバッファ
３２に格納される。この後に実行されるステップ４０６
は、バッファ３２上にｎ組のデータがあるか否かの判定
である。すなわち、ねじの着座タイミンクからがｎ個の
サンプリングタイミングが経過していれば、バッファ３
２上には、トルク及び角度データがｎタイミングに亘っ
て存在していることとなる。ステップ４０６は、バッフ
ァ３２上にこのような時系列データが形成されているか
否かの判定である。ステップ４０６において、ｎ組のデ
ータが存在していないと判定された場合にはステップ４
０２に戻り、存在していると判定された場合にはステッ
プ４０８に移行する。

【００３２】ステップ４０８においては、温度計３４に
よる温度の計測すなわち前処理回路３６によって前処理
が施された温度データの入力が実行される。ステップ４
０８において計測され前処理された温度は、前処理が施
された上で、バッファ３２上のデータと共に入力信号と
してニューラルネットワーク１４の入力層４４に入力さ
れる（４１０）。このとき、ニューラルネットワーク１
４にはすでに先に述べた処理により学習が施されている
ため、当該ニューラルネットワーク１４から軸力の推定
値、すなわち推定軸力が出力される（４１２）。このよ
うにして得られる推定軸力は、ステップ４１４における
判定に供される。

【００３３】ステップ４１４においては、締付停止制御
回路１６に係る判定が実行される。すなわち、ニューラ
ルネットワーク１４から得られる推定軸力が、狙いとす
る軸力に至ったか否かが判定され、至っていないと判定
された場合にはステップ４０２に戻り、至っていると判
定された場合には締付停止制御回路１６からナットラン
ナ締付制御回路１２に停止命令が発せられ（４１６）、
ねじの締付が停止される。ねじの締付が停止された後
は、次のワークに係る締付が開始される（４００）。

【００３４】このように、本実施例においては、実締付
時の軸力計測を行うことなく、軸力に基づくねじ締め管
理を行うことが可能となる。従って、不安定な軸力に基
づくねじ締付管理が廃止され、また、超音波センサの付
設等に伴なうコストの増大が防止される。従って、本実
施例の装置は、より安定な軸力データに基づきより低廉
な装置構成で軸力によるねじ締管理を行うことを可能に
している。

【００３５】また、ニューラルネットワーク１４は、い
わゆる汎化能力、すなわち補間機能を有している。従っ
て、実締付時のトルク及び角度のパターンがニューラル
ネットワーク１４に学習させていないパターンであって
も、軸力を推定することが可能である。また、トルクや
角度の波形がノイズや滑り等に起因して多少歪んでいる
場合でも、ニューラルネットワーク１４から出力される
推定軸力が、当該歪に影響されにくいため、安定した制
御を行うことができる。また、締付後の軸力を計測して
学習を行っているため、締付時のイナーシャを含んだ軸
力の推定が可能である。そして、ねじの焼付きが発生し
たときのトルクや角度データを学習させておくことによ
り、ねじの焼付け等を検出してねじの締付を停止させる
ことが可能である。

【００３６】さらに、本実施例によれば、摩擦係数の値
の如何（値、その安定性等）に左右されずに軸力を推定
できる。すなわち、学習時に摩擦係数の影響が入力信号
（トルク、角度）に含まれているため、推定に当たって
摩擦の影響が極めて小さくなる。

【００３７】図９には、本発明の第２実施例に係るナッ
トランナ制御装置の構成が示されている。この図に示さ
れるナットランナの制御装置５４は、第１実施例におけ
るニューラルネットワーク１４に代え時系列処理ニュー
ラルネットワーク５６を採用しており、これにより、前
処理が施されたトルク及び角度データを時系列的に格納
するバッファ３２を廃止している。すなわち、前処理回
路３０の出力は、バッファ３２を経ることなく記憶装置
３８に格納され、また時系列処理ニューラルネットワー
ク５６に入力される。

【００３８】この実施例において用いられる時系列処理
ニューラルネットワーク５６は、図１０に示されるよう
な構成を有している。すなわち、中間層に属するニュー
ロン５０にそれぞれその状態を保持するためのニューロ
ン（状態ユニット）５８を加えた構成である。このニュ
ーロン５８によって、中間層４６内において一次遅れ特
性が実現される。従って、バッファ３２を用いることな
しにデータの時系列処理を行うことが可能となる。

【００３９】また、このような装置構成の変更に伴い、
前述したデータ収集処理、学習処理及び実締付処理にも
変更が加えられる。まず、データ収集処理においては、
図１１に示されるように、ステップ２０８に代えステッ
プ２１６が、ステップ２１２に代えステップ２１８が、
それぞれ実行される。ステップ２１６においては、前処
理回路３０によって前処理されたトルク及び角度データ
が、バッファ３２にではなく記憶装置３８に格納され
る。また、前述のステップ２１２においてはバッファ３
２上のデータ及び前処理された実測軸力及び温度データ
が記憶装置３８に格納されていたのに対し、この実施例
で実行されるステップ２１８においては、前処理された
実測軸力及び温度データが記憶装置３８に格納される。
このステップ２１８においても、格納されるデータが、
先にステップ２１６において格納されたデータと対応付
けられることは言うまでもない。

【００４０】次に、学習処理においては、誤差の収束判
定に係るステップ３１２において、近似計算を行うこと
が必要とされる。これは、図１０に示されるように状態
を保持するニューロン５８を設けたことに起因して、誤
差の逆伝搬が無限に繰り返されることによるものであ
る。言い換えれば、学習処理に係る判定３１２において
近似計算を導入することにより、誤差の逆伝搬の無限繰
返しに伴う計算時間の長期化が防止される。

【００４１】そして、実締付処理においては、図１２に
示されるように、ステップ４０４に代えステップ４１８
が、ステップ４１０に代えステップ４２０が、それぞれ
実行される。ステップ４１８は、前処理されたトルク及
び角度データをバッファ３２にではなく記憶装置３８へ
格納するステップである。また、ステップ４２０は、バ
ッファ３２上のデータではなく記憶装置３８上のデータ
を、前処理された温度データと共に入力層４４へ入力す
るステップである。

【００４２】このように、本実施例によれば、第１実施
例とほぼ同様の効果を得ることができる。また、バッフ
ァ３２を廃止してより装置構成を簡素化することができ
る。図１３には、本発明の第３実施例に係るナットラン
ナ制御装置のシステム構築の流れが示されている。本実
施例の装置構成は前述した第１実施例及び第２実施例い
ずれの構成であっても良く、また、データ収集１０２、
学習１０４及び実締付１００に係る処理の内容も、第１
実施例及び第２実施例のいずれに係る処理であっても構
わない。この実施例が特徴とするところは、ねじの締付
に係る工程内において、抜取り検査を行いつつ、ニュー
ラルネットワーク１４又は５６の更新を行うことにあ
る。

【００４３】すなわち、図１３に示されるように、実締
付１００を行う際に所定の頻度で（１０６）抜取り検査
を実行し、抜き取ったワークについて軸力計測手段４０
による軸力計測を実行する（１０８）。この時、抜き取
られたワークに係るトルク及び角度データは、時系列デ
ータとしてバッファ３２または記憶装置３８上に格納さ
れており、また、温度計報３４によって温度データも得
られている。続くステップ１１０においては、トルク及
び角度時系列データ並びに温度データを入力信号とし
て、軸力計測手段４０によってステップ１０８において
得られた実測軸力を教師信号として、ニューラルネット
ワーク１４または５６の学習が行われる（１１０）。こ
のようにすると、ニューラルネットワーク１４又は５６
における結合重みが、周囲の環境の変化、ナットランナ
１８の状況、ワークの状況等に応じて経時的に適応する
こととなる。また、実締付１１０実行時に学習１１０を
実行しているため、ネットワーク１４又は５６の学習が
適当な頻度で行われることとなり、推定軸力の値の信頼
性が向上する。

【００４４】図１４には、本発明の第４実施例に係るナ
ットランナ制御装置におけるデータ収集処理の内容が示
されている。この実施例は、装置構成及び各処理の流れ
としては、前述の第１乃至第３実施例のいずれの構成及
び動作でも実現できる。この実施例が特徴とするところ
は、ニューラルネットワーク１４または５６の推定能力
を増強し、かつニューラルネットワーク１４または５６
の学習のためのデータをより多く収集するために、デー
タ収集時にステップ的な締付を行うことを特徴としてい
る。

【００４５】すなわち、データを収集する際、ナットラ
ンナ締付制御装置１２は、図１４（ａ）に示されるよう
な角度指令又は図１４（ｂ）に示されるような速度指令
をモータ２０に対し制御信号として与える。図１４
（ａ）に示される角度指令においては、指令値が、時刻
の経過と共にステップ的に増加している。また、図１４
（ｂ）に拡大図示されるように、角度指令はほぼステッ
プ的に増加する。図１４（ｂ）に示される速度指令は、
図１４（ａ）に示される角度指令を速度指令として表し
たものである。角度指令及び速度指令の拡大波形は、図
１４（ｄ）又は（ｅ）に示されるような波形である。速
度指令は、角度指令が立上る時点で立上る。

【００４６】このような角度指令または速度指令をモー
タ２０に制御信号として与えた場合のトルクセンサ２４
の出力は、図１４（ｃ）に示されるようなものとなる。
すなわち、角度指令又は速度指令の立上り時点で立上
る。図１４（ｃ）に示されるトルク出力の波形は、角度
指令に対する応答波形（角度センサ２２の出力波形）が
図１４（ｆ）に示されるようなものであり、これに対応
するモータ２０の速度応答が図１４（ｇ）に示されるよ
うなものであることから、図１４（ｈ）に拡大図示され
るような波形となる。

【００４７】本実施例においては、ニューラルネットワ
ーク１４又は５６の学習に係るデータ収集を行う際に、
図１４に示されるような制御によってねじの締付を行う
ようにしている。すなわち、図１４（ａ）又は（ｂ）に
示されるような角度指令又は速度指令の各ステップ毎
に、データを収集して、ニューラルネットワーク１４又
は５６の学習に使用している。

【００４８】この実施例においてニューラルネットワー
ク１４又は５６の学習のために収集されるデータは、ナ
ットランナ締付制御装置１２からモータ２０に与える速
度指令又はその応答、角度指令又はその応答、トルクセ
ンサ２４の出力及び軸力計測手段４０によって得られる
実測軸力である。学習は、角度指令又は速度指令の各ス
テップ毎に得られるこれらのデータの組合せに基づき実
行する。すなわち、各ステップにおいて得られる速度指
令又はその応答、角度指令又はその応答及びトルクデー
タを入力信号として、実測軸力を教師信号として、学習
を行う。このような学習を、図１４に示される各ステッ
プにおいて得られるデータの組合わせ毎に繰返し行うこ
とにより、ニューラルネットワーク１４又は５６が学習
構築される。実締付時には、やはり、図１４に示される
ような制御によってねじの締付を行い、ステップ毎に、
締付停止制御回路１６による締付停止に係る判定を行
う。この結果、当該ステップにおいてニューラルネット
ワーク１４又は５６から得られる推定軸力が狙いとする
軸力に至っている場合にはねじの締付を測定させるべく
停止命令を締付停止制御回路１６からナットランナ締付
制御装置１２に与えるようにする。

【００４９】このようにすることにより、本実施例によ
れば、ニューラルネットワーク１４又は５６の学習に係
るデータを収集する際、１個のワークから収集できるデ
ータの個数が格段に増大するため、データ収集効率が増
大する。これとともに、ニューラルネットワーク１４又
は５６の学習に係るデータを豊富に収集することができ
るため推定能力の向上を実現することができる。さら
に、ねじの締付制御が例えば図５に示されるような締付
過程に比べ簡素化されるため、ねじの締付に係る制御が
容易となる。さらに、角度指令又は速度指令の立上りに
応じてトルクセンサ２４の出力が変化する際、摩擦係数
の寄与分がそれに対応して変化するため、摩擦係数の寄
与分と軸力の寄与分を分離することができる。

【００５０】なお、この実施例においては、ねじの締付
に係る環境データとして温度データをニューラルネット
ワーク１４又は５６に入力するようにしているが、温度
データに代え、又は温度データに付加して、他の環境デ
ータ（湿度等）をニューラルネットワーク１４又は５６
に入力するようにしても構わない。また、ねじの締付に
係る環境が十分に温度等の制御が行き渡った環境である
場合には、環境に係るデータをニューラルネットワーク
１４又は５６の学習に用いる必要がなく、これらのデー
タの収集は不要となる。さらに、第１乃至第３実施例に
おいては、ナットランナ１８の動作状態を示す信号とし
て角度及びトルクに係る信号を入力しているが、これ以
外の信号を入力するようにしても構わない。例えば第４
実施例において行われているように、モータ２０の速度
応答を入力しても構わない。この場合には、モータ２０
の速度を何らかの手段で監視する必要がある。さらに、
第１乃至第３実施例においては、ナットランナ１８の動
作状態の実測値が入力されているが、これは、第４実施
例において行われるているように、動作状態の変更に係
る指令を用いても構わない。

【００５１】

【発明の効果】以上説明したように、本発明によれば、
ナットランナの動作状態を示す状態信号の時系列を入力
信号として、かつ締付後に計測された軸力を教師信号と
して学習が施されたニューラルネットワークを、実締付
時に軸力の推定に用い、この推定軸力の値に応じてねじ
の締付に係る制御を管理するようにしたため、実締付時
に不安定性を伴う軸力計測を行う必要がなくなり、軸力
に基づくねじの締付管理をより安定的に行うことが可能
となる。また、その際、超音波センサ等を用いる必要が
ないため、装置構成がより簡素なもので足りることとな
る。

【図面の簡単な説明】

【図１】本発明の第１実施例に係るナットランナ制御装
置の装置構成を示すブロック図である。

【図２】この実施例の要部構成を示すブロック図であ
る。

【図３】この実施例におけるシステム構築の流れを示す
フローチャートである。

【図４】この実施例におけるデータ収集処理の流れを示
すフローチャートである。

【図５】この実施例におけるねじの締付過程を示す図で
ある。

【図６】この実施例において実行される前処理の一例を
示す図である。

【図７】この実施例において実行される学習処理の流れ
を示すフローチャートである。

【図８】この実施例において実行される実締付処理の流
れを示すフローチャートである。

【図９】本発明の第２実施例に係るナットランナ制御装
置の装置構成を示すブロック図である。

【図１０】この実施例において用いられるニューラルネ
ットワークの構成を示すシナプス結合図である。

【図１１】この実施例において実行されるデータ使用収
集処理の流れを示すフローチャートである。

【図１２】この実施例において実行される実締付処理の
流れを示すフローチャートである。

【図１３】本発明の第３実施例に係るナットランナ制御
装置において実行されるシステム構築の流れを示すフロ
ーチャートである。

【図１４】本発明の第４実施例に係るナットランナ制御
装置において実行される締付制御の内容を示す図であ
り、図１４（ａ）は角度指令波形を、図１４（ｂ）は速
度指令波形を、図１４（ｃ）はトルク出力波形を、図１
４（ｄ）は角度指令の拡大波形を、図１４（ｅ）は速度
指令の拡大波形を、図１４（ｆ）は角度応答の波形を、
図１４（ｇ）は速度応答の波形を、図１４（ｈ）はトル
ク出力の拡大波形を、それぞれ示す図である。

【符号の説明】

１０，５４ナットランナ制御装置１２ナットランナ締付制御装置１４ニューラルネットワーク１６締付停止制御回路１８ナットランナ２０モータ２２角度センサ２４トルクセンサ３２バッファ３４温度計３８記憶装置４０軸力計測手段４４入力層４６中間層４８出力層５０ニューロン５２シナプス５６時系列処理ニューラルネットワーク５８状態を保持するニューロンＴトルクデータＴ_p 軸力 θ 角度

───────────────────────────────────────────────────── フロントページの続き (72)発明者森規愛知県豊田市トヨタ町１番地トヨタ自動車株式会社内 (56)参考文献特開昭58−90472（ＪＰ，Ａ) 特開平４−35878（ＪＰ，Ａ) 特開平２−139139（ＪＰ，Ａ) 特開昭59−118380（ＪＰ，Ａ) 特開昭61−50777（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁶，ＤＢ名) B23P 19/06 B25B 23/14

Claims

(57)【特許請求の範囲】

【請求項１】ナットランナによるねじの締付を制御す
る締付制御手段と、ナットランナの動作状態を示す状態信号の時系列を入力
信号としかつ締付後に計測された軸力を教師信号とした
学習が施され、入力される状態信号の時系列に応じて推
定軸力を出力するニューラルネットワークと、状態信号の時系列を入力しニューラルネットワークに供
給する入力手段と、ニューラルネットワークから出力される推定軸力の値に
応じて締付制御手段に指令を与え、締付を停止させる締
付停止制御手段と、を備えることを特徴とするナットランナ制御装置。
【請求項２】請求項１記載のナットランナ制御装置に
おいて、ニューラルネットワークの学習に用いる入力信号及び教
師信号を収集する際に、締付がねじ１個毎に複数ステッ
プに分解して行われるよう締付制御手段がねじの締付を
制御することを特徴とするナットランナ制御装置。
【請求項３】請求項１又は２記載のナットランナ制御
装置において、上記ニューラルネットワークが、ねじ締めに係るトルク
を含む状態信号の時系列を入力信号としかつ締付後に計
測された軸力を教師信号とした学習が施されたニューラ
ルネットワークであることを特徴とするナットランナ制
御装置。