JP4133914B2 - 鍛造品の材質分布推定方法 - Google Patents

Description

本発明は、プログラムされたコンピュータによって、鍛造品の材質を物理的評価を行なうことなく、製造段階あるいは製造前に予測できるようにした鍛造品の材質予測方法に関するものである。

鍛造品の材質分布をその成分および鍛造過程から推定することは、品質管理および設計・新製品開発の上で重要なことである。その試みは、重回帰等で解析した簡単な線形方程式で材質を推定する方法（例えばＰｉｃｋｅｒｉｎｇの式等）が一般的であるが、入力項目が少なく、現状のプロセスを記述できるものではない。また、精度および適用範囲に問題があった。
一方、製造過程で生じる冶金現象を、再加熱時のα→γ変態やγ粒成長、加工時の再結晶や未再結晶、冷却時の変態や析出等各々の物理現象に則して定式化し、それ等を組み合わせて最終組織（フェライト＋パーライト、ベイナイト、マルテンサイト等）の分率および形態を予測し、さらにその予測された組織から、材質を推定することが厚板・薄板等の鋼板製造プロセスにおいて行なわれている。
特許文献１は、上記思想のもとに冶金現象を定式化しそれによって材質を推定するシステムを開示している。
特開平０５−１４２１２６号公報

しかし、これらのシステムは、計算量が膨大で、十分な計算精度を出すためには調整に多大な労力を要していた。さらにこれらのシステムは鋼板製造プロセスにおける材質予測を目的としているため、鍛造品のように場所により加工度や温度が大きく異なり、成分が多岐にわたる場合には適用不可であった。
そこで、本発明は、鍛造品の部位毎の材質、即ち鍛造品の材質分布を簡便に予測する手法を提供することを課題とする。

本発明は、複雑形状に鍛造された部位毎の冶金的データから材質を推定するものであり、具体的には、プログラムされたコンピュータによって鍛造品の材質を推定する方法において、鍛造を模したFEM解析によって得られる、場所毎の最高加熱温度、鍛造温度、歪み速度、歪み量、冷却速度および、あらかじめ測定していた場所毎の成分のデータのみをもとに、教師データセットを用いて学習を行うニューラルネットを用いて場所毎の材質を推定することを特徴とする鍛造品の材質推定方法である。

本発明により、鍛造品の材質分布を簡便に予測することが可能となる。即ち、鍛造部品の最弱部位等、設計に必要な情報を実鍛造および材質試験をすることなく推定することが可能となり、部品の開発費の低減および開発期間の短縮を実現する。

以下、本発明について説明する。
鍛造を模するＦＥＭ解析では、鍛造素材は複数のエレメントに分割され、熱解析・変形解析等はそのエレメント毎に行なわれている。材質を予測する上で必要になる場所毎の最高加熱温度、鍛造温度、歪み速度、歪み量、冷却速度等の冶金因子も、エレメント毎に鍛造ＦＥＭ計算中に必要に応じて抽出し、ストックしておく。これらの解析値がそろった時点で、あらかじめ測定していた成分値とともにニューラルネット入力層に代入し材質を計算する。材質の計算結果を、エレメント中の１変数として保存することにより、ＦＥＭのポスト処理で可視的な材質分布を得ることが可能となる。

本発明では、材質の予測にニューラルネットを用いているが、ＰＤＰ理論（ＰＤＰ： Ｐａｒａｌｌｅｌ Ｄｉｓｔｒｉｂｕｔｅｄ Ｐｒｏｃｃｅｓｓｉｎｇ）に基づいた階層型のニューラルネットワークは現在様々な分野で広く活用されており、その原理については省略する。
ニューラルネットワークの特徴は、一種のブラックボックスと見なせることである。ブラックボックスの中身の物理的意味を考慮することは極めて困難であるが、どのような手法よりも簡単に入力と出力を関係づけることが可能である。

ある入力が与えられたとき、特定の出力が得られるように入出力データを関係図づけること、即ちニューラルネットワーク内のニューロン間の結合係数（リンク荷重）を決定することを学習と呼び、学習を行なうために予め与えておく入出力の参照データを教師データと呼ぶ。学習は教師出力データとニューラルネットワークの計算出力データの差の２乗和を最小にすることを目的としており、リンク荷重を変化させて最適値を探すものである。その手法としては、ニュートンの急降下法を学習規則に適用したバックプロパゲーション法（誤差逆伝播法）、カルマンフィルタを学習規則に適用した拡張カルマンフィルタ法等があり、階層型ニューラルネットワークの学習法の研究は今も進められている。

いずれの学習法においても、 学習過程においてマニュアルで調整するような箇所もなく、欠落のない精度良い教師データセットを用意できれば、容易に学習可能である。教師データに欠落のある場合、および教師データセットの精度が悪い場合は、容易に学習が完了せず、また学習が完了したとしても計算精度が低いので注意を要する。また、ニューラルネットワークで問題を解く場合、最適なリンク荷重数および中間層の層数は入出力間の関係の複雑さに依存し、一般解は存在しない。

本発明は、成分およびＦＥＭで計算された場所毎の最高加熱温度、鍛造温度、歪み速度、歪み量、冷却速度をもとに材質を計算するニューラルネットワークを含むシステムである。
成分としては、Ｃ，Ｓｉ，Ｍｎ，Ｐ，Ｓ，Ｎｉ，Ｃｒ，Ｃｕ，Ｍｏ，Ｖ，Ｎｂ，Ａｌ，Ｔｉ，Ｚｒ，Ｐｂ，Ｃａ，Ｂ，Ｎ等が考えられる。偏析等により場所毎の濃度偏差がある場合には、ＦＥＭ解析の各エレメントに反映させる必要がある。
最高加熱温度は鍛造時の再加熱温度である。鍛造の加工発熱が大きい場合、再加熱温度より加工時の最高到達温度が高くなることがあるがこの場合は、高い方を最高加熱温度とする。鍛造温度は加工時の最高到達温度熱温度とする。歪み、および歪み速度はＦＥＭで用いられている対数歪みとする。冷却速度は変態の生じる温度域、例えば８００℃から４００℃間の平均冷速とする。
材質としては、耐力、引張強度、一様伸び、全伸び、絞り、吸収エネルギー、破面遷移温度、硬度等が考えられる。

ニューラルネットワークの学習の方法は特に限定しないが、バックプロパゲーション法、カルマンフィルタ法等が考えられる。
ニューラルネットワークの中間層数は特に限定しないが、１層以下では複雑な系を学習することができないため２層以上が望ましい。また、４層以上では計算精度に飽和が見られるため、中間層は２層ないしは３層が最適である。
リンク荷重数は、入力層のニューロン数×第一中間層のニューロン数＋第一中間層のニューロン数×第二中間層のニューロン数＋…＋第Ｎ中間層のニューロン数×出力層のニューロン数で定義されるが、２００未満では十分な精度が得られない。また、多ければ多いほど精度は向上するが、教師データセットに誤差が含まれる場合は誤差までも学習してしまう過学習を招くこと、および学習に要する時間が長くなる等の理由から、上限を１０００としたほうがよい。

表１〜表３に示す教師データセットを用いて学習を行なった。ニューラルネットワークの構造は、入力層のニューロン数２３個、第一中間層のニューロン数２０個、第二中間層のニューロン数１０個、第三中間層のニューロン数５個、出力層のニューロン数１個の３層の中間層を持つ５層構造の階層型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の計算値と教師データの関係を図１に示す。この時の学習打ち切り誤差は１．５％であった。
これらのニューラルネットワークをＦＥＭに組み込み、鍛造解析を行なった。計算結果を図２に示す。図２は硬度分布（材質分布）が予測可能であることを示している。なお、鍛造ＦＥＭは市販ソフトであるＤＥＦＯＲＭ（Ｓｃｉｅｎｔｉｆｉｃ Ｆｏｒｍｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｅｓ Ｃｏｒｐｏｒａｔｉｏｎ製）を用いた。

硬度に関するニューラルネットワークの計算値と教師データの関係を示す図である。 本発明に係る一実施例としての鍛造品の硬度分布の解析結果を示す図である。

Claims (1)

1. プログラムされたコンピュータによって鍛造品の材質を推定する方法において、鍛造を模したFEM解析によって得られる、場所毎の最高加熱温度、鍛造温度、歪み速度、歪み量、冷却速度および、あらかじめ測定していた場所毎の成分のデータのみをもとに、教師データセットを用いて学習を行うニューラルネットを用いて場所毎の材質を推定することを特徴とする、鍛造品の材質分布推定方法。

Images