JP4220169B2 - 実車の塗膜厚予測方法、実車の塗膜厚予測システムおよび記録媒体 - Google Patents
実車の塗膜厚予測方法、実車の塗膜厚予測システムおよび記録媒体 Download PDFInfo
- Publication number
- JP4220169B2 JP4220169B2 JP2002078283A JP2002078283A JP4220169B2 JP 4220169 B2 JP4220169 B2 JP 4220169B2 JP 2002078283 A JP2002078283 A JP 2002078283A JP 2002078283 A JP2002078283 A JP 2002078283A JP 4220169 B2 JP4220169 B2 JP 4220169B2
- Authority
- JP
- Japan
- Prior art keywords
- coating
- analysis
- vehicle
- coating thickness
- electrodeposition
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
- C25D13/00—Electrophoretic coating characterised by the process
- C25D13/22—Servicing or operating apparatus or multistep processes
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
- C25D21/00—Processes for servicing or operating cells for electrolytic coating
- C25D21/12—Process control or regulation
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Automation & Control Theory (AREA)
- Application Of Or Painting With Fluid Materials (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、車両モデルベースでの電着塗装解析を実施することなく、電着塗装による実車の塗膜厚を予測する手法に関する。
【０００２】
【従来の技術】
電着塗装は、高分子電解質の電気泳動現象や電気透析現象等を利用した塗装法である。この塗装は、被塗装物の表面に塗膜が均一に付着し、防食性にも優れているため、車両ボディや部品といった各種部材の下塗り塗装として広く用いられている。電着塗装により、部材表面に付着する塗装膜厚を一定の範囲に収めることは、防錆対策、塗料消費量の減少、或いは部材軽量化等の観点から重要な設計課題である。そのため、電着塗装解析による塗膜析出状態の解析・検討が重要となる。従来は、車両形状をメッシュで表現した車両モデルを用いて、電着塗装解析を行うことによって、実車の塗膜厚を予測・評価していた。
【０００３】
【発明が解決しようとする課題】
しかしながら、電着塗装解析を車両モデルベースで行う場合には、まず車両形状をメッシュで表現した解析メッシュを生成する必要がある。例えば、車両中の個々の部材の形状をメッシュで表現した部材メッシュを車両全体に重合・拡張し、全ての部材を含む実車全体の車両メッシュを生成する。この場合、車両全体に対して部材メッシュを重ね合わせていくため、複雑な車両メッシュのメッシュ数が膨大になる。また、車両全体に対する電着塗装解析に要する演算量も膨大になる。したがって、効率的なメッシュ生成と解析とを行うためにはコンピュータに高い処理能力が要求される。しかしながら、一般に普及しているパーソナルコンピュータの処理能力には限界があるため、車両モデルの解析メッシュを生成するのに、或いは、車両ベースでの塗膜量を予測するのに長時間を要するという問題がある。
【０００４】
本発明は、かかる事情に鑑みてなされたものであり、その目的は、車両モデルベースでの電着塗装解析を実施しなくても、実車の塗膜厚を予測可能にすることである。
【０００５】
また、本発明の別の目的は、実車の塗膜厚予測に要する演算量の低減を図り、実車の塗膜厚を効率的に算出可能にすることである。
【０００６】
【課題を解決するための手段】
かかる課題を解決するために、第１の発明は、電着塗装ラインを用いて電着塗装を行おうとする対象車に関して、実車状態の塗膜厚を予測する方法を提供する。この予測方法は、コンピュータを用いて、対象車の一部を構成する構成部材を解析対象にした電着塗装解析を行い、構成部材の塗膜厚解析値を算出する第１のステップと、コンピュータが、予め用意された相関予測式に基づいて、塗膜厚解析値から、対象車に関する実車状態の塗膜厚を予測する第２のステップとを有する。相関予測式は、対象車が電着塗装を行おうとする電着塗装ラインにおいて既に電着塗装が行われた量産車に関する実車状態の塗膜厚と、量産車の一部を構成する構成部材を解析対象にした電着塗装解析より得られる構成部材の塗膜厚解析値との相関関係を規定している。その際、対象車の一部を構成する構成部材と、量産車の一部を構成する構成部材とを同一部材にすれば、塗膜厚の予測精度の向上を図ることができる。
【０００７】
ここで、上記第２のステップにおいて、相関予測式として、少なくとも、構成部材の塗膜厚解析値を入力変数とした関数を用いてもよい。また、相関予測式として、少なくとも、構成部材の塗膜厚解析値を入力としたニューラルネットワークを用いてもよい。
【０００８】
また、上記第２のステップは、コンピュータが、相関予測式より算出された、対象車に関する実車状態の塗膜厚に対して、電着設備条件または電着液特性を考慮した補正を行う第３のステップを含むことが好ましい。この場合、第３のステップは、少なくとも電着設備条件または電着液特性を入力としたニューラルネットワークを用いて行うことが望ましい。
【０００９】
また、上記第１のステップは、構成部材に関して解析メッシュを生成するステップと、解析メッシュに対して、電着液が外部から浸入しない処理を施すステップとを含むことが好ましい。
【００１０】
第２の発明は、電着塗装ラインを用いて電着塗装を行おうとする対象車に関して、実車状態の塗膜厚を予測するシステムを提供する。この予測システムは、記憶装置とコンピュータとを有する。記憶装置には、予測相関式が記憶されている。この予測相関式は、対象車が電着塗装を行おうとする電着塗装ラインにおいて既に電着塗装が行われた量産車に関する実車状態の塗膜厚と、量産車の一部を構成する構成部材を解析対象にした電着塗装解析より得られる構成部材の塗膜厚解析値との相関関係を規定している。コンピュータは、対象車の一部を構成する構成部材を解析対象にした電着塗装解析を行い、構成部材の塗膜厚解析値を算出する。また、コンピュータは、相関予測式に基づいて、塗膜厚解析値から、対象車に関する実車状態の塗膜厚を予測する。その際、対象車の一部を構成する構成部材と、量産車の一部を構成する構成部材とを同一部材にすれば、塗膜厚の予測精度の向上を図ることができる。
【００１１】
第３の発明は、電着塗装ラインを用いて電着塗装を行おうとする対象車に関して、実車状態の塗膜厚を予測する方法をコンピュータに実行させるプログラムが記録された記録媒体を提供する。この記録媒体には、対象車の一部を構成する構成部材を解析対象にした電着塗装解析を行い、構成部材の塗膜厚解析値を算出する第１のステップと、コンピュータが、予め用意された相関予測式に基づいて、塗膜厚解析値から、対象車に関する実車状態の塗膜厚を予測する第２のステップとを有する塗膜厚予測方法をコンピュータに実行させるプログラムが記録されている。ここで、相関予測式は、対象車が電着塗装を行おうとする電着塗装ラインにおいて既に電着塗装が行われた量産車に関する実車状態の塗膜厚と、量産車の一部を構成する構成部材を解析対象にした電着塗装解析より得られる構成部材の塗膜厚解析値との相関関係を規定している。ここで、対象車の一部を構成する構成部材と、量産車の一部を構成する構成部材とを同一部材にすれば、塗膜厚の予測精度の向上を図ることができる。
【００１２】
【発明の実施の形態】
（システム構成）
図１は、本実施形態に係る実車の塗膜厚予測システムの構成図であり、このシステムを用いて、電着塗装ラインを用いて電着塗装を行おうとする実車に関して、実車状態の塗膜厚を予測する。このシステムは、コンピュータ１０，キーボードやマウス等の入力装置１１，ＣＲＴや液晶ディスプレイ等の表示装置１２および磁気ディスク等の記憶装置１３で構成されている。コンピュータ１０は、ＣＰＵ，ＲＡＭ，ＲＯＭ，入出力インターフェース等で構成された周知なものである。このコンピュータ１０は、解析対象である実車（対象車）の一部を構成するある構成部材（部材単体または複数部材の組立体）の電着塗装解析を行うとともに、その解析結果（塗膜厚解析値）に基づき、この対象車に関する電着塗装ラインにおける実車レベルの塗膜厚を予測する。オペレータは、表示装置１２に表示された情報に基づき、入力装置１１を操作して、解析対象となる構成部材の指定や数値の入力等を行う。
【００１３】
記憶装置１３には、対象車の一部を構成する構成部材をメッシュで表現した部材メッシュデータ、塗装環境をメッシュ表現したバックグラウンドメッシュメッシュ等が記憶されている。これらのデータは、構成部材ベースでの電着塗装解析を行う際に用いられる。また、記憶装置１３には、後述する相関予測式も記憶されており、対象車に関する実車レベルの塗膜厚は、この相関予測式を用いて、構成部材ベースの解析結果から一義的に算出される。なお、後述するコンピュータ処理の過程で生成された電着塗装の解析結果も記憶装置１３に記憶される。
【００１４】
図２は、実車の塗膜厚予測の手順を示すフローチャートである。まず、ステップ１において、対象車のある構成部材（部材単体または複数部材の組立体）を解析対象とし、標準塗料を用いた構成部材ベースの電着塗装解析を行う。この解析結果として、その構成部材の塗膜厚Ｘ（塗膜厚解析値）が算出される。
【００１５】
図３は、構成部材ベースの電着塗装解析の一例を示すフローチャートである。この解析手順自体は周知なものであるので、概略的に説明する。まず、ステップ１１では初期設定が行われる。このステップでは、注目している部位(例えば、フロントピラーやセンターピラー)の解析メッシュを入力し、境界条件や計算条件を設定する。構成部材ベースで解析を行うに際して、部材切断面から電着液が部材組立体内部に浸入するのを防ぐため、解析対象となる切出した構成部材(テストピース)に対して、計算上の詰め物や蓋等に相当する端面修正を施しておく。外部からの電着液浸入を阻止する処理を施すことにより、解析精度の向上を図る。
【００１６】
ステップ１２では、計算のタイムステップをΔtだけ進め、続くステップ１３では、現在の時刻ｔにおける電極電圧等の電位境界条件を更新する。そして、有限体積法、有限要素法、或いは有限差分法等により、電位拡散方程式を解いて、電着液槽内の電位分布を計算する（ステップ１４）。これにより得られた電位分布に基づいて、部材表面に吸
着している塗料の膜厚抵抗を考慮して部材表面の電流密度を求める（ステップ１５）。つぎに、予め基礎実験等によって確認しておいた電流密度と塗膜厚との予測式より、電流密度から、部材表面における塗膜析出量ΔＸを算出する（ステップ１６）。続くステップ１７において、従前の塗膜厚Ｘ(１タイムステップ前の塗膜厚)に今回算出された塗膜析出量ΔＸを加えることで塗膜厚Ｘを更新する（現在の時刻ｔにおける塗膜厚に相当）。そして、ステップ１８において、現在の時刻ｔと解析終了時刻ｔENDとを比較して、解析終了であるか否かを判断する。解析終了時刻ｔENDに到達していない場合にはステップ１２に戻り、解析終了時刻ｔENDに到達するまでステップ１２〜１８の手順を繰返し実行する。やがて解析終了時刻ｔENDに到達すると、ステップ１８からステップ１９に進んで塗膜厚Ｘを出力し、電着塗装解析を終了する。
【００１７】
図２のステップ１に続くステップ２では、構成部材ベースの電着塗装解析によって算出された塗膜厚Ｘから、記憶装置１３中に予め設定された相関予測式に基づいて、対象車に関する実車状態の塗膜厚Ｙを算出する。ここで、構成部材ベースとは、対象車全体を解析対象にするのではなく、対象車の一部を構成する一構成部材を解析対象することをいう。また、この相関予測式は、「量産車」に関する実車状態の塗膜厚と、「量産車」の一部を構成する構成部材の塗膜厚解析値との相関関係を規定している。ここで、「量産車」とは、対象車が電着塗装を行おうとする電着塗装ラインにおいて既に電着塗装が行われた車であり、例えば、前型車や類似車が挙げられる。すなわち、量産車は、今回塗膜状態を予測しようとしている実車そのものではなく、同一の電着塗装ラインで電着塗装が既に行われた車である。また、量産車の構成部材に関する塗膜厚解析値は、この構成部材を解析対象に電着塗装解析を行うことにより得られる。なお、予測精度の向上を図るために、量産車の構成部材は、対象車の構成部材と同一部材であることが好ましい。
【００１８】
相関予測式は、下記の手法１〜２のいずれかによって設定される。
【００１９】
（手法１）
相関予測式として下式の重相関関数ｆ（Ｘ，Ｌ，Ａ，Ｈ，・・・）を用いる（Ｘ，Ｌ，Ａ，Ｈは入力変数、Ｃ0〜Ｃ4は係数）。
【数１】
Ｙ＝Ｃ0＋Ｃ1・Ｘ＋Ｃ2・Ｌ＋Ｃ3・Ａ＋Ｃ4・Ｈ＋…
【００２０】
ここで、変数Ｙは、量産車に関する実車状態の塗膜厚（塗膜析出量）であり、変数Ｘは、量産車の一部を構成する構成部材の塗膜析出量（構成部材ベースの電着塗装解析による塗膜厚）である。また、変数Ｌは、予測点と穴(電着穴や構造上の穴)との間の距離、変数Ｌは、変数Ｌの対象となる穴面積、変数Ｈは部材間距離である。例えば、図４にように、ある部材に２つの電着穴と構造上の穴とが形成されている場合、予測点から３つの穴までの距離Ｌ１，Ｌ２，Ｌ３が入力変数となり、３つの穴の面積Ａ１，Ａ２，Ａ３が入力変数となる。また、図５に示すように、互いに対向した２つの部材Ａ，Ｂ間の距離Ｈは、部材Ｂ側の予測点から部材Ａまでの距離として特定される。
【００２１】
なお、数式１において、塗膜厚Ｘは、必須の入力変数であるが、それ以外の変数Ｌ，Ａ，Ｋに関しては、すべてを入力変数とする必要は必ずしもなく、予測精度との関係で適宜選択して適用してもよい。
【００２２】
実車状態の塗膜厚Ｙ（塗膜析出量）は、構成部材ベースの電着塗装解析により算出された構成部材の塗膜厚Ｘを必須の入力変数とた相関予測式に基づいて、一義的に算出される。構成部材の塗膜厚Ｘが厚いほど実車の塗膜厚Ｙも厚くなるという関係からわかるように、両変数Ｘ，Ｙの間には明確な相関関係がある。そこで、実験やシミュレーション等を通じて、係数Ｃ0〜Ｃ4の値を適切に設定すれば、構成部材ベースの塗膜厚Ｘから実車の電着塗装ライン上における実車塗膜厚Ｙ（実車状態の塗膜厚）を予測することが可能となる。
【００２３】
なお、相関予測式は数式１の重相関関数ｆの代わりに、入力変数Ｘ1〜Ｘ4と塗膜析出量Ｙとの対応関係を記述したテーブルであってもよい。また、重相関関数ｆを予め複数用意しておいて、個々の電着塗装のケースに応じて、適宜のものを選択して適用してもよい。
【００２４】
（第２のケース）
相関予測式としてニューラルネットワークを利用する。図６は、一般的なニューラルネットワークの基本構成を示す図である。入力層、中間層および出力層からなる階層型ニューラルネットワークにおいて、それぞれの層は、同一機能を有する複数の素子で構成されている。それぞれの素子は、固有の重み係数ｗijで結合されている。
【００２５】
図７は、素子の内部構造の説明図である。それぞれの素子は、入力データｙiに対して数式２，３に示す計算を行い、その演算結果を出力データＹjして出力する。ここで、ｗijは、ｉ番目の素子とｊ番目の素子との間の重み係数であり、θjはしきい値である。
【数２】
【数３】
【００２６】
数式３は、シグモイド関数と呼ばれ、ニューラルネットワーク素子の関数として一般的に用いられている。図８は、シグモイド関数の入出力特性図である。この特性図からわかるように、シグモイド関数は０から１まで連続的に変化し、しきい値θjが小さくなるにつれて、ステップ関数に近づいていく。
【００２７】
ニューラルネットワークによる推定結果の精度向上を図るためには、重み係数ｗijとしきい値θjとを適切に調整する必要がある。この調整（学習ともいう）は、Back-Propagation法と呼ばれる手法を用いて行う。これは、学習するための教師用データを予め用意し、結果が教師用データと一致するように学習を進め、重み係数ｗijとしきい値θjとを決定する方法である。重み係数ｗijとしきい値θjとの初期値は、ともに乱数で与える。入力データをニューラルネットワークの入力層素子に入力し、出力層素子からの出力結果を教師用データの値と比較し、下記の数式４で表される誤差Ｅを算出する。ここで、Ｙkは、ニューラルネットワーク出力素子の出力値、Ｄkは望ましい出力値、ｎは教師用データ数である。
【数４】
【００２８】
つぎに、数式５により算出された誤差Ｅに対する各重み係数ｗij、しきい値の寄与率∂Ｅ/∂ｗij，∂Ｅ/∂θjを求め、数式５，６に基づき、各重み係数の変化量Δｗij(t+1)、しきい値の変化量Δθj(t+1)を算出する。
【数５】
【数６】
【００２９】
ここで、α，β，γ，εは定数であり、α＝γ＝0.1，β＝ε＝0.9とする。また、Δｗij(t)は１学習前の重み係数の修正量であり、Δθj(t)は、１学習前のしきい値の修正量である。上述した重み係数ｗij，しきい値θjに対する修正を繰り返して学習を進める。学習回数は、１教師データ当たり500回以上とする。
【００３０】
図９は、実車の塗膜厚Ｙを予測するニューラルネットワークの構成図である。同図に示した３層モデルのように、入力層の素子数は２つ以上必要であり、構成部材ベースの解析結果である塗膜厚Ｘ以外に、予測点と穴(電着穴や構造上の穴)との距離Ｌ、Ｌの対象となる穴面積Ａ、部材間距離Ｈ等を設定する。なお、上述した手法１と同様に、距離Ｌ、穴面積Ａ、部材間距離Ｈのすべてを入力とする必要は必ずしもなく、必要に応じて適宜の変数を適用すればよい。また、中間層の素子数に関しては、理論的に求める方法がないため、中間層の素子数を変えた場合に推定精度がどのように変化するかを調べた上で適切な数を設定する。出力層の素子からの出力が実車レベルの塗膜厚Ｙ（塗膜析出量）に相当する。
【００３１】
この手法２では、ステップ１の電着塗装解析で算出された部材塗膜厚Ｘを必須の入力とし、かつ、距離Ｌ、穴面積Ａ、部材間距離Ｈを適宜入力としたニューラルネットワークを用いて、実車塗膜厚Ｙを求めている。非線形的な現象の予測に適したニューラルネットワークを用いることで、手法１の重相関関数ｆを用いる場合と比べて、実車塗膜厚Ｙの予測精度を向上させることができる。
【００３２】
ステップ３では、ステップ２で得られた実車塗膜厚Ｙを必要に応じて補正する。ここでは、電圧パターンや塗料特性との差異等を考慮した多次元関数やニューラルネットワーク等により補正値を求め、この補正値を用いて塗膜厚Ｙを補正する。図１０は、補正値算出用ニューラルネットワークの構成図である。入力としては、電着塗装の最大電圧（Ｍａｘ電圧）、電圧パターン、設備稼働状況等の電着設備条件と、塗料液温、塗料特性等の電着液特性とを含む。このように、電着設備条件や電着液特性等を入力としたニューラルネットワークを適用すれば、実状に適した最適な補正値を見出せ、電着設備条件や電着液が変わった場合にも適用することができる。
【００３３】
また、相関予測式としてニューラルネットワークを用い、かつ、補正値用のニューラルネットワークを用いる場合、図１１に示すような単一化したニューラルネットワーク構成にしてもよい。この場合、入力は、構成部材の塗膜厚Ｘ、部材間距離Ｈ、距離Ｌ、穴面積Ａに、電着設備条件と塗料特性とを付加した形態になる。このような構成にすれば、予測精度の高い実車塗膜厚Ｙを一度に求めることができ、ステップ３の補正処理が不要になる。
【００３４】
そして、ステップ３に続くステップ４において補正された実車塗膜厚Ｙを出力し、処理を終了する。
【００３５】
本実施形態では、注目している構成部材の解析メッシュを用いて、この構成部材の電着塗装解析を行い、構成部材レベルの塗膜厚Ｘを算出する。構成部材レベルの塗膜厚Ｘと車両レベルの塗膜厚Ｙとは相関関係にある。したがって、実験やシミュレーション等を通じて、両者の関係を相関予測式として事前に求めておけば、車両モデルベースでの電着塗装解析を実施しなくても、実際の電着塗装ライン上における実車塗膜厚Ｙを効率的に予測することが可能となる。
【００３６】
また、複雑な車両モデルの解析メッシュを生成する必要はなく、車両モデルベースでの電着塗装解析を行う必要もない。演算量が比較的少ない構成部材ベースでの電着塗装解析を行えば、実車レベルの塗膜厚Ｙを迅速に算出することができる。したがって、処理能力がそれほど高くないパーソナルコンピュータでも、実車の塗膜厚Ｙを効率的に予測することが可能となる。
【００３７】
さらに、部材単体の電着塗装試験を実施する必要がないので、コストダウンと時間短縮とを図ることができる。特に、本実施形態では、解析対象となる対象車に先行して、同一の電着塗装ラインによって電着塗装された量産車に関して、既に蓄積されているデータを用いて、相関予測式を設定する。この相関予測式は、対象となる電着塗装ライン固有の特性（例えば、塗料の流れ、電極の位置等）を良好に反映している。したがって、先行して実際に電着塗装が行われた量産車に関する相関予測式を、それと同一の電着塗装ラインで電着塗装を行おうとする対象車に適用すれば、その対象車に関する実車状態の塗膜厚を良好に予測することができる。その際、対象車の構成部材と量産車の構成部材とを同一にすれば、塗膜厚の予測精度を一層向上させることができる。
【００３８】
なお、対象車と量産車との構造上の相違は、相関予測式には反映できないため、構造上の相違に起因した塗膜厚は相関予測式自体では評価できない。しかしながら、本実施形態では、相関予測式の入力変数Ｘを、対象車の構成部材を解析対象にした電着塗装解析より算出している。この入力変数Ｘは、対象車と量産車との間における構造上の相違を反映している。これにより、異車種の蓄積データより特定された相関予測式であっても、対象車に関する実車状態の塗膜厚を精度よく検出することができる。
【００３９】
なお、上述した実施形態の機能を実現するコンピュータプログラムを記録した記録媒体を、図１のような構成を有するシステムに対して供給してもよい。この場合、このシステム中のコンピュータ１が、記録媒体に格納されたコンピュータプログラムを読み取り実行することによって、本発明の目的を達成することができる。したがって、記録媒体から読み取られたコンピュータプログラム自体が本発明の新規な機能を実現するため、そのプログラムを記録した記録媒体が本発明を構成する。コンピュータプログラムを記録した記録媒体としては、例えば、ＣＤ−ＲＯＭ、フレキシブルディスク、ハードディスク、メモリカード、光ディスク、ＤＶＤ−ＲＯＭ、ＤＶＤ−ＲＡＭ等が挙げられる。また、上述した実施形態の機能を実現するコンピュータプログラム自体も新規な機能を有している。
【００４０】
【発明の効果】
本発明では、車両モデルベースでの電着塗装解析を行わなくても、着目している構成部材の電着塗装解析結果から実車の塗膜厚を一義的に算出する。したがって、車両モデルの解析メッシュを生成したり、車両モデルベースでの電着塗装解析を行う必要がないので、少ない演算量で実車の塗膜厚を効率的に予測することが可能となる。
【図面の簡単な説明】
【図１】実車の塗膜厚予測システムの構成図
【図２】実車の塗膜厚予測手順を示すフローチャート
【図３】構成部材ベースの電着塗装解析のフローチャート
【図４】相関予測式における入力変数の説明図
【図５】相関予測式における入力変数の説明図
【図６】一般的なニューラルネットワークの基本構成を示す図
【図７】素子の内部構造の説明図
【図８】シグモイド関数の入出力特性図
【図９】実車の塗膜厚を予測するニューラルネットワークの構成図
【図１０】補正値算出用ニューラルネットワークの構成図
【図１１】単一化したニューラルネットワークの構成図
【符号の説明】
１０ コンピュータ
１１ 入力装置
１２ 表示装置
１３ 記憶装置
【発明の属する技術分野】
本発明は、車両モデルベースでの電着塗装解析を実施することなく、電着塗装による実車の塗膜厚を予測する手法に関する。
【０００２】
【従来の技術】
電着塗装は、高分子電解質の電気泳動現象や電気透析現象等を利用した塗装法である。この塗装は、被塗装物の表面に塗膜が均一に付着し、防食性にも優れているため、車両ボディや部品といった各種部材の下塗り塗装として広く用いられている。電着塗装により、部材表面に付着する塗装膜厚を一定の範囲に収めることは、防錆対策、塗料消費量の減少、或いは部材軽量化等の観点から重要な設計課題である。そのため、電着塗装解析による塗膜析出状態の解析・検討が重要となる。従来は、車両形状をメッシュで表現した車両モデルを用いて、電着塗装解析を行うことによって、実車の塗膜厚を予測・評価していた。
【０００３】
【発明が解決しようとする課題】
しかしながら、電着塗装解析を車両モデルベースで行う場合には、まず車両形状をメッシュで表現した解析メッシュを生成する必要がある。例えば、車両中の個々の部材の形状をメッシュで表現した部材メッシュを車両全体に重合・拡張し、全ての部材を含む実車全体の車両メッシュを生成する。この場合、車両全体に対して部材メッシュを重ね合わせていくため、複雑な車両メッシュのメッシュ数が膨大になる。また、車両全体に対する電着塗装解析に要する演算量も膨大になる。したがって、効率的なメッシュ生成と解析とを行うためにはコンピュータに高い処理能力が要求される。しかしながら、一般に普及しているパーソナルコンピュータの処理能力には限界があるため、車両モデルの解析メッシュを生成するのに、或いは、車両ベースでの塗膜量を予測するのに長時間を要するという問題がある。
【０００４】
本発明は、かかる事情に鑑みてなされたものであり、その目的は、車両モデルベースでの電着塗装解析を実施しなくても、実車の塗膜厚を予測可能にすることである。
【０００５】
また、本発明の別の目的は、実車の塗膜厚予測に要する演算量の低減を図り、実車の塗膜厚を効率的に算出可能にすることである。
【０００６】
【課題を解決するための手段】
かかる課題を解決するために、第１の発明は、電着塗装ラインを用いて電着塗装を行おうとする対象車に関して、実車状態の塗膜厚を予測する方法を提供する。この予測方法は、コンピュータを用いて、対象車の一部を構成する構成部材を解析対象にした電着塗装解析を行い、構成部材の塗膜厚解析値を算出する第１のステップと、コンピュータが、予め用意された相関予測式に基づいて、塗膜厚解析値から、対象車に関する実車状態の塗膜厚を予測する第２のステップとを有する。相関予測式は、対象車が電着塗装を行おうとする電着塗装ラインにおいて既に電着塗装が行われた量産車に関する実車状態の塗膜厚と、量産車の一部を構成する構成部材を解析対象にした電着塗装解析より得られる構成部材の塗膜厚解析値との相関関係を規定している。その際、対象車の一部を構成する構成部材と、量産車の一部を構成する構成部材とを同一部材にすれば、塗膜厚の予測精度の向上を図ることができる。
【０００７】
ここで、上記第２のステップにおいて、相関予測式として、少なくとも、構成部材の塗膜厚解析値を入力変数とした関数を用いてもよい。また、相関予測式として、少なくとも、構成部材の塗膜厚解析値を入力としたニューラルネットワークを用いてもよい。
【０００８】
また、上記第２のステップは、コンピュータが、相関予測式より算出された、対象車に関する実車状態の塗膜厚に対して、電着設備条件または電着液特性を考慮した補正を行う第３のステップを含むことが好ましい。この場合、第３のステップは、少なくとも電着設備条件または電着液特性を入力としたニューラルネットワークを用いて行うことが望ましい。
【０００９】
また、上記第１のステップは、構成部材に関して解析メッシュを生成するステップと、解析メッシュに対して、電着液が外部から浸入しない処理を施すステップとを含むことが好ましい。
【００１０】
第２の発明は、電着塗装ラインを用いて電着塗装を行おうとする対象車に関して、実車状態の塗膜厚を予測するシステムを提供する。この予測システムは、記憶装置とコンピュータとを有する。記憶装置には、予測相関式が記憶されている。この予測相関式は、対象車が電着塗装を行おうとする電着塗装ラインにおいて既に電着塗装が行われた量産車に関する実車状態の塗膜厚と、量産車の一部を構成する構成部材を解析対象にした電着塗装解析より得られる構成部材の塗膜厚解析値との相関関係を規定している。コンピュータは、対象車の一部を構成する構成部材を解析対象にした電着塗装解析を行い、構成部材の塗膜厚解析値を算出する。また、コンピュータは、相関予測式に基づいて、塗膜厚解析値から、対象車に関する実車状態の塗膜厚を予測する。その際、対象車の一部を構成する構成部材と、量産車の一部を構成する構成部材とを同一部材にすれば、塗膜厚の予測精度の向上を図ることができる。
【００１１】
第３の発明は、電着塗装ラインを用いて電着塗装を行おうとする対象車に関して、実車状態の塗膜厚を予測する方法をコンピュータに実行させるプログラムが記録された記録媒体を提供する。この記録媒体には、対象車の一部を構成する構成部材を解析対象にした電着塗装解析を行い、構成部材の塗膜厚解析値を算出する第１のステップと、コンピュータが、予め用意された相関予測式に基づいて、塗膜厚解析値から、対象車に関する実車状態の塗膜厚を予測する第２のステップとを有する塗膜厚予測方法をコンピュータに実行させるプログラムが記録されている。ここで、相関予測式は、対象車が電着塗装を行おうとする電着塗装ラインにおいて既に電着塗装が行われた量産車に関する実車状態の塗膜厚と、量産車の一部を構成する構成部材を解析対象にした電着塗装解析より得られる構成部材の塗膜厚解析値との相関関係を規定している。ここで、対象車の一部を構成する構成部材と、量産車の一部を構成する構成部材とを同一部材にすれば、塗膜厚の予測精度の向上を図ることができる。
【００１２】
【発明の実施の形態】
（システム構成）
図１は、本実施形態に係る実車の塗膜厚予測システムの構成図であり、このシステムを用いて、電着塗装ラインを用いて電着塗装を行おうとする実車に関して、実車状態の塗膜厚を予測する。このシステムは、コンピュータ１０，キーボードやマウス等の入力装置１１，ＣＲＴや液晶ディスプレイ等の表示装置１２および磁気ディスク等の記憶装置１３で構成されている。コンピュータ１０は、ＣＰＵ，ＲＡＭ，ＲＯＭ，入出力インターフェース等で構成された周知なものである。このコンピュータ１０は、解析対象である実車（対象車）の一部を構成するある構成部材（部材単体または複数部材の組立体）の電着塗装解析を行うとともに、その解析結果（塗膜厚解析値）に基づき、この対象車に関する電着塗装ラインにおける実車レベルの塗膜厚を予測する。オペレータは、表示装置１２に表示された情報に基づき、入力装置１１を操作して、解析対象となる構成部材の指定や数値の入力等を行う。
【００１３】
記憶装置１３には、対象車の一部を構成する構成部材をメッシュで表現した部材メッシュデータ、塗装環境をメッシュ表現したバックグラウンドメッシュメッシュ等が記憶されている。これらのデータは、構成部材ベースでの電着塗装解析を行う際に用いられる。また、記憶装置１３には、後述する相関予測式も記憶されており、対象車に関する実車レベルの塗膜厚は、この相関予測式を用いて、構成部材ベースの解析結果から一義的に算出される。なお、後述するコンピュータ処理の過程で生成された電着塗装の解析結果も記憶装置１３に記憶される。
【００１４】
図２は、実車の塗膜厚予測の手順を示すフローチャートである。まず、ステップ１において、対象車のある構成部材（部材単体または複数部材の組立体）を解析対象とし、標準塗料を用いた構成部材ベースの電着塗装解析を行う。この解析結果として、その構成部材の塗膜厚Ｘ（塗膜厚解析値）が算出される。
【００１５】
図３は、構成部材ベースの電着塗装解析の一例を示すフローチャートである。この解析手順自体は周知なものであるので、概略的に説明する。まず、ステップ１１では初期設定が行われる。このステップでは、注目している部位(例えば、フロントピラーやセンターピラー)の解析メッシュを入力し、境界条件や計算条件を設定する。構成部材ベースで解析を行うに際して、部材切断面から電着液が部材組立体内部に浸入するのを防ぐため、解析対象となる切出した構成部材(テストピース)に対して、計算上の詰め物や蓋等に相当する端面修正を施しておく。外部からの電着液浸入を阻止する処理を施すことにより、解析精度の向上を図る。
【００１６】
ステップ１２では、計算のタイムステップをΔtだけ進め、続くステップ１３では、現在の時刻ｔにおける電極電圧等の電位境界条件を更新する。そして、有限体積法、有限要素法、或いは有限差分法等により、電位拡散方程式を解いて、電着液槽内の電位分布を計算する（ステップ１４）。これにより得られた電位分布に基づいて、部材表面に吸
着している塗料の膜厚抵抗を考慮して部材表面の電流密度を求める（ステップ１５）。つぎに、予め基礎実験等によって確認しておいた電流密度と塗膜厚との予測式より、電流密度から、部材表面における塗膜析出量ΔＸを算出する（ステップ１６）。続くステップ１７において、従前の塗膜厚Ｘ(１タイムステップ前の塗膜厚)に今回算出された塗膜析出量ΔＸを加えることで塗膜厚Ｘを更新する（現在の時刻ｔにおける塗膜厚に相当）。そして、ステップ１８において、現在の時刻ｔと解析終了時刻ｔENDとを比較して、解析終了であるか否かを判断する。解析終了時刻ｔENDに到達していない場合にはステップ１２に戻り、解析終了時刻ｔENDに到達するまでステップ１２〜１８の手順を繰返し実行する。やがて解析終了時刻ｔENDに到達すると、ステップ１８からステップ１９に進んで塗膜厚Ｘを出力し、電着塗装解析を終了する。
【００１７】
図２のステップ１に続くステップ２では、構成部材ベースの電着塗装解析によって算出された塗膜厚Ｘから、記憶装置１３中に予め設定された相関予測式に基づいて、対象車に関する実車状態の塗膜厚Ｙを算出する。ここで、構成部材ベースとは、対象車全体を解析対象にするのではなく、対象車の一部を構成する一構成部材を解析対象することをいう。また、この相関予測式は、「量産車」に関する実車状態の塗膜厚と、「量産車」の一部を構成する構成部材の塗膜厚解析値との相関関係を規定している。ここで、「量産車」とは、対象車が電着塗装を行おうとする電着塗装ラインにおいて既に電着塗装が行われた車であり、例えば、前型車や類似車が挙げられる。すなわち、量産車は、今回塗膜状態を予測しようとしている実車そのものではなく、同一の電着塗装ラインで電着塗装が既に行われた車である。また、量産車の構成部材に関する塗膜厚解析値は、この構成部材を解析対象に電着塗装解析を行うことにより得られる。なお、予測精度の向上を図るために、量産車の構成部材は、対象車の構成部材と同一部材であることが好ましい。
【００１８】
相関予測式は、下記の手法１〜２のいずれかによって設定される。
【００１９】
（手法１）
相関予測式として下式の重相関関数ｆ（Ｘ，Ｌ，Ａ，Ｈ，・・・）を用いる（Ｘ，Ｌ，Ａ，Ｈは入力変数、Ｃ0〜Ｃ4は係数）。
【数１】
Ｙ＝Ｃ0＋Ｃ1・Ｘ＋Ｃ2・Ｌ＋Ｃ3・Ａ＋Ｃ4・Ｈ＋…
【００２０】
ここで、変数Ｙは、量産車に関する実車状態の塗膜厚（塗膜析出量）であり、変数Ｘは、量産車の一部を構成する構成部材の塗膜析出量（構成部材ベースの電着塗装解析による塗膜厚）である。また、変数Ｌは、予測点と穴(電着穴や構造上の穴)との間の距離、変数Ｌは、変数Ｌの対象となる穴面積、変数Ｈは部材間距離である。例えば、図４にように、ある部材に２つの電着穴と構造上の穴とが形成されている場合、予測点から３つの穴までの距離Ｌ１，Ｌ２，Ｌ３が入力変数となり、３つの穴の面積Ａ１，Ａ２，Ａ３が入力変数となる。また、図５に示すように、互いに対向した２つの部材Ａ，Ｂ間の距離Ｈは、部材Ｂ側の予測点から部材Ａまでの距離として特定される。
【００２１】
なお、数式１において、塗膜厚Ｘは、必須の入力変数であるが、それ以外の変数Ｌ，Ａ，Ｋに関しては、すべてを入力変数とする必要は必ずしもなく、予測精度との関係で適宜選択して適用してもよい。
【００２２】
実車状態の塗膜厚Ｙ（塗膜析出量）は、構成部材ベースの電着塗装解析により算出された構成部材の塗膜厚Ｘを必須の入力変数とた相関予測式に基づいて、一義的に算出される。構成部材の塗膜厚Ｘが厚いほど実車の塗膜厚Ｙも厚くなるという関係からわかるように、両変数Ｘ，Ｙの間には明確な相関関係がある。そこで、実験やシミュレーション等を通じて、係数Ｃ0〜Ｃ4の値を適切に設定すれば、構成部材ベースの塗膜厚Ｘから実車の電着塗装ライン上における実車塗膜厚Ｙ（実車状態の塗膜厚）を予測することが可能となる。
【００２３】
なお、相関予測式は数式１の重相関関数ｆの代わりに、入力変数Ｘ1〜Ｘ4と塗膜析出量Ｙとの対応関係を記述したテーブルであってもよい。また、重相関関数ｆを予め複数用意しておいて、個々の電着塗装のケースに応じて、適宜のものを選択して適用してもよい。
【００２４】
（第２のケース）
相関予測式としてニューラルネットワークを利用する。図６は、一般的なニューラルネットワークの基本構成を示す図である。入力層、中間層および出力層からなる階層型ニューラルネットワークにおいて、それぞれの層は、同一機能を有する複数の素子で構成されている。それぞれの素子は、固有の重み係数ｗijで結合されている。
【００２５】
図７は、素子の内部構造の説明図である。それぞれの素子は、入力データｙiに対して数式２，３に示す計算を行い、その演算結果を出力データＹjして出力する。ここで、ｗijは、ｉ番目の素子とｊ番目の素子との間の重み係数であり、θjはしきい値である。
【数２】
数式３は、シグモイド関数と呼ばれ、ニューラルネットワーク素子の関数として一般的に用いられている。図８は、シグモイド関数の入出力特性図である。この特性図からわかるように、シグモイド関数は０から１まで連続的に変化し、しきい値θjが小さくなるにつれて、ステップ関数に近づいていく。
【００２７】
ニューラルネットワークによる推定結果の精度向上を図るためには、重み係数ｗijとしきい値θjとを適切に調整する必要がある。この調整（学習ともいう）は、Back-Propagation法と呼ばれる手法を用いて行う。これは、学習するための教師用データを予め用意し、結果が教師用データと一致するように学習を進め、重み係数ｗijとしきい値θjとを決定する方法である。重み係数ｗijとしきい値θjとの初期値は、ともに乱数で与える。入力データをニューラルネットワークの入力層素子に入力し、出力層素子からの出力結果を教師用データの値と比較し、下記の数式４で表される誤差Ｅを算出する。ここで、Ｙkは、ニューラルネットワーク出力素子の出力値、Ｄkは望ましい出力値、ｎは教師用データ数である。
【数４】
つぎに、数式５により算出された誤差Ｅに対する各重み係数ｗij、しきい値の寄与率∂Ｅ/∂ｗij，∂Ｅ/∂θjを求め、数式５，６に基づき、各重み係数の変化量Δｗij(t+1)、しきい値の変化量Δθj(t+1)を算出する。
【数５】
ここで、α，β，γ，εは定数であり、α＝γ＝0.1，β＝ε＝0.9とする。また、Δｗij(t)は１学習前の重み係数の修正量であり、Δθj(t)は、１学習前のしきい値の修正量である。上述した重み係数ｗij，しきい値θjに対する修正を繰り返して学習を進める。学習回数は、１教師データ当たり500回以上とする。
【００３０】
図９は、実車の塗膜厚Ｙを予測するニューラルネットワークの構成図である。同図に示した３層モデルのように、入力層の素子数は２つ以上必要であり、構成部材ベースの解析結果である塗膜厚Ｘ以外に、予測点と穴(電着穴や構造上の穴)との距離Ｌ、Ｌの対象となる穴面積Ａ、部材間距離Ｈ等を設定する。なお、上述した手法１と同様に、距離Ｌ、穴面積Ａ、部材間距離Ｈのすべてを入力とする必要は必ずしもなく、必要に応じて適宜の変数を適用すればよい。また、中間層の素子数に関しては、理論的に求める方法がないため、中間層の素子数を変えた場合に推定精度がどのように変化するかを調べた上で適切な数を設定する。出力層の素子からの出力が実車レベルの塗膜厚Ｙ（塗膜析出量）に相当する。
【００３１】
この手法２では、ステップ１の電着塗装解析で算出された部材塗膜厚Ｘを必須の入力とし、かつ、距離Ｌ、穴面積Ａ、部材間距離Ｈを適宜入力としたニューラルネットワークを用いて、実車塗膜厚Ｙを求めている。非線形的な現象の予測に適したニューラルネットワークを用いることで、手法１の重相関関数ｆを用いる場合と比べて、実車塗膜厚Ｙの予測精度を向上させることができる。
【００３２】
ステップ３では、ステップ２で得られた実車塗膜厚Ｙを必要に応じて補正する。ここでは、電圧パターンや塗料特性との差異等を考慮した多次元関数やニューラルネットワーク等により補正値を求め、この補正値を用いて塗膜厚Ｙを補正する。図１０は、補正値算出用ニューラルネットワークの構成図である。入力としては、電着塗装の最大電圧（Ｍａｘ電圧）、電圧パターン、設備稼働状況等の電着設備条件と、塗料液温、塗料特性等の電着液特性とを含む。このように、電着設備条件や電着液特性等を入力としたニューラルネットワークを適用すれば、実状に適した最適な補正値を見出せ、電着設備条件や電着液が変わった場合にも適用することができる。
【００３３】
また、相関予測式としてニューラルネットワークを用い、かつ、補正値用のニューラルネットワークを用いる場合、図１１に示すような単一化したニューラルネットワーク構成にしてもよい。この場合、入力は、構成部材の塗膜厚Ｘ、部材間距離Ｈ、距離Ｌ、穴面積Ａに、電着設備条件と塗料特性とを付加した形態になる。このような構成にすれば、予測精度の高い実車塗膜厚Ｙを一度に求めることができ、ステップ３の補正処理が不要になる。
【００３４】
そして、ステップ３に続くステップ４において補正された実車塗膜厚Ｙを出力し、処理を終了する。
【００３５】
本実施形態では、注目している構成部材の解析メッシュを用いて、この構成部材の電着塗装解析を行い、構成部材レベルの塗膜厚Ｘを算出する。構成部材レベルの塗膜厚Ｘと車両レベルの塗膜厚Ｙとは相関関係にある。したがって、実験やシミュレーション等を通じて、両者の関係を相関予測式として事前に求めておけば、車両モデルベースでの電着塗装解析を実施しなくても、実際の電着塗装ライン上における実車塗膜厚Ｙを効率的に予測することが可能となる。
【００３６】
また、複雑な車両モデルの解析メッシュを生成する必要はなく、車両モデルベースでの電着塗装解析を行う必要もない。演算量が比較的少ない構成部材ベースでの電着塗装解析を行えば、実車レベルの塗膜厚Ｙを迅速に算出することができる。したがって、処理能力がそれほど高くないパーソナルコンピュータでも、実車の塗膜厚Ｙを効率的に予測することが可能となる。
【００３７】
さらに、部材単体の電着塗装試験を実施する必要がないので、コストダウンと時間短縮とを図ることができる。特に、本実施形態では、解析対象となる対象車に先行して、同一の電着塗装ラインによって電着塗装された量産車に関して、既に蓄積されているデータを用いて、相関予測式を設定する。この相関予測式は、対象となる電着塗装ライン固有の特性（例えば、塗料の流れ、電極の位置等）を良好に反映している。したがって、先行して実際に電着塗装が行われた量産車に関する相関予測式を、それと同一の電着塗装ラインで電着塗装を行おうとする対象車に適用すれば、その対象車に関する実車状態の塗膜厚を良好に予測することができる。その際、対象車の構成部材と量産車の構成部材とを同一にすれば、塗膜厚の予測精度を一層向上させることができる。
【００３８】
なお、対象車と量産車との構造上の相違は、相関予測式には反映できないため、構造上の相違に起因した塗膜厚は相関予測式自体では評価できない。しかしながら、本実施形態では、相関予測式の入力変数Ｘを、対象車の構成部材を解析対象にした電着塗装解析より算出している。この入力変数Ｘは、対象車と量産車との間における構造上の相違を反映している。これにより、異車種の蓄積データより特定された相関予測式であっても、対象車に関する実車状態の塗膜厚を精度よく検出することができる。
【００３９】
なお、上述した実施形態の機能を実現するコンピュータプログラムを記録した記録媒体を、図１のような構成を有するシステムに対して供給してもよい。この場合、このシステム中のコンピュータ１が、記録媒体に格納されたコンピュータプログラムを読み取り実行することによって、本発明の目的を達成することができる。したがって、記録媒体から読み取られたコンピュータプログラム自体が本発明の新規な機能を実現するため、そのプログラムを記録した記録媒体が本発明を構成する。コンピュータプログラムを記録した記録媒体としては、例えば、ＣＤ−ＲＯＭ、フレキシブルディスク、ハードディスク、メモリカード、光ディスク、ＤＶＤ−ＲＯＭ、ＤＶＤ−ＲＡＭ等が挙げられる。また、上述した実施形態の機能を実現するコンピュータプログラム自体も新規な機能を有している。
【００４０】
【発明の効果】
本発明では、車両モデルベースでの電着塗装解析を行わなくても、着目している構成部材の電着塗装解析結果から実車の塗膜厚を一義的に算出する。したがって、車両モデルの解析メッシュを生成したり、車両モデルベースでの電着塗装解析を行う必要がないので、少ない演算量で実車の塗膜厚を効率的に予測することが可能となる。
【図面の簡単な説明】
【図１】実車の塗膜厚予測システムの構成図
【図２】実車の塗膜厚予測手順を示すフローチャート
【図３】構成部材ベースの電着塗装解析のフローチャート
【図４】相関予測式における入力変数の説明図
【図５】相関予測式における入力変数の説明図
【図６】一般的なニューラルネットワークの基本構成を示す図
【図７】素子の内部構造の説明図
【図８】シグモイド関数の入出力特性図
【図９】実車の塗膜厚を予測するニューラルネットワークの構成図
【図１０】補正値算出用ニューラルネットワークの構成図
【図１１】単一化したニューラルネットワークの構成図
【符号の説明】
１０ コンピュータ
１１ 入力装置
１２ 表示装置
１３ 記憶装置
Claims (9)
- 電着塗装ラインを用いて電着塗装を行おうとする対象車に関して、実車状態の塗膜厚を予測する方法において、
コンピュータを用いて、前記対象車の一部を構成する構成部材を解析対象にした電着塗装解析を行い、前記構成部材の塗膜厚解析値を算出する第１のステップと、
コンピュータが、予め用意された相関予測式に基づいて、前記塗膜厚解析値から、前記対象車に関する実車状態の塗膜厚を予測する第２のステップとを有し、
前記相関予測式は、前記対象車が電着塗装を行おうとする電着塗装ラインにおいて既に電着塗装が行われた量産車に関する実車状態の塗膜厚と、前記量産車の一部を構成する前記構成部材を解析対象にした電着塗装解析より得られる前記構成部材の塗膜厚解析値との相関関係を規定していることを特徴とする実車の塗膜厚予測方法。 - 前記対象車の一部を構成する前記構成部材は、前記量産車の一部を構成する前記構成部材と同一部材であることを特徴とする請求項１に記載された実車の塗膜厚予測方法。
- 上記第２のステップにおいて、前記相関予測式として、少なくとも、前記構成部材の塗膜厚解析値を入力変数とした関数を用いることを特徴とする請求項１または２に記載された実車の塗膜厚予測方法。
- 上記第２のステップにおいて、前記相関予測式として、少なくとも、前記構成部材の塗膜厚解析値を入力としたニューラルネットワークを用いることを特徴とする請求項１または２に記載された実車の塗膜厚予測方法。
- 上記第２のステップは、コンピュータが、前記相関予測式より算出された、前記対象車に関する実車状態の塗膜厚に対して、電着設備条件または電着液特性に基づいた補正を行う第３のステップを含むことを特徴とする請求項１から４のいずれかに記載された実車の塗膜厚予測方法。
- 上記第３のステップは、少なくとも電着設備条件または電着液特性を入力としたニューラルネットワークを用いて行うことを特徴とする請求項５に記載された実車の塗膜厚予測方法。
- 上記第１のステップは、
前記構成部材に関して解析メッシュを生成するステップと、
前記解析メッシュに対して、電着液が外部から浸入しない端面修正処理を施すステップと
を含むことを特徴とする請求項１から６のいずれかに記載された実車の塗膜厚予測方法。 - 電着塗装ラインを用いて電着塗装を行おうとする対象車に関して、実車状態の塗膜厚を予測するシステムにおいて、
前記対象車が電着塗装を行おうとする電着塗装ラインにおいて既に電着塗装が行われた量産車に関する実車状態の塗膜厚と、前記量産車の一部を構成する構成部材を解析対象にした電着塗装解析より得られる前記構成部材の塗膜厚解析値との相関関係を規定した相関予測式を記憶した記憶装置と、
前記対象車の一部を構成する構成部材を解析対象にした電着塗装解析を行い、前記構成部材の塗膜厚解析値を算出するとともに、前記相関予測式に基づいて、前記塗膜厚解析値から、前記対象車に関する実車状態の塗膜厚を予測するコンピュータと
を有することを特徴とする実車の塗膜厚予測システム。 - 電着塗装ラインを用いて電着塗装を行おうとする対象車に関して、実車状態の塗膜厚を予測する方法をコンピュータに実行させるプログラムが記録された記録媒体において、
前記対象車の一部を構成する構成部材を解析対象にした電着塗装解析を行い、前記構成部材の塗膜厚解析値を算出する第１のステップと、
コンピュータが、予め用意された相関予測式に基づいて、前記塗膜厚解析値から、前記対象車に関する実車状態の塗膜厚を予測する第２のステップとを有し、
前記相関予測式は、前記対象車が電着塗装を行おうとする電着塗装ラインにおいて既に電着塗装が行われた量産車に関する実車状態の塗膜厚と、前記量産車の一部を構成する前記構成部材を解析対象にした電着塗装解析より得られる前記構成部材の塗膜厚解析値との相関関係を規定していることを特徴とする実車の塗膜厚予測方法をコンピュータに実行させるプログラムが記録された記録媒体。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002078283A JP4220169B2 (ja) | 2002-03-20 | 2002-03-20 | 実車の塗膜厚予測方法、実車の塗膜厚予測システムおよび記録媒体 |
| EP03006134.5A EP1351035B1 (en) | 2002-03-20 | 2003-03-18 | Paint film thickness predicting method, system, and recording medium |
| US10/390,716 US6816756B2 (en) | 2002-03-20 | 2003-03-19 | Paint film thickness predicting method and system for actual car, and recording medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002078283A JP4220169B2 (ja) | 2002-03-20 | 2002-03-20 | 実車の塗膜厚予測方法、実車の塗膜厚予測システムおよび記録媒体 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2003277993A JP2003277993A (ja) | 2003-10-02 |
| JP4220169B2 true JP4220169B2 (ja) | 2009-02-04 |
Family
ID=28035568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002078283A Expired - Fee Related JP4220169B2 (ja) | 2002-03-20 | 2002-03-20 | 実車の塗膜厚予測方法、実車の塗膜厚予測システムおよび記録媒体 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US6816756B2 (ja) |
| EP (1) | EP1351035B1 (ja) |
| JP (1) | JP4220169B2 (ja) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7171394B2 (en) * | 2003-10-30 | 2007-01-30 | Ford Motor Company | Global paint process optimization |
| US7346474B2 (en) * | 2004-06-02 | 2008-03-18 | Fuji Jukogyo Kabushiki Kaisha | Method of analyzing residual fluid and computer readable medium |
| US20060031027A1 (en) * | 2004-08-03 | 2006-02-09 | Alman David H | Method and apparatus for predicting properties of a chemical mixture |
| US7606671B2 (en) * | 2007-12-12 | 2009-10-20 | Elcometer, Inc. | Method of quantifying paint and bodywork on automobiles and other painted objects using coating thickness gauges |
| US8244481B2 (en) * | 2009-12-09 | 2012-08-14 | Toyota Motor Engineering & Manufacturing North America, Inc. | Methods for utilizing paint formulations based on paint component risk scores |
| US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
| US9015093B1 (en) | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
| JP6521822B2 (ja) * | 2015-09-30 | 2019-05-29 | 株式会社Ｓｕｂａｒｕ | 塗料の流動シミュレーション方法 |
| EP3330411A1 (en) * | 2016-12-02 | 2018-06-06 | Elsyca N.V. | Intelligent volume meshing for modelling electrochemical processes |
| CN110108245B (zh) * | 2019-05-22 | 2021-04-13 | 优信拍（北京）信息科技有限公司 | 车辆漆面情况的检测方法、装置及设备 |
| EP4065312A1 (en) * | 2019-11-27 | 2022-10-05 | 3M Innovative Properties Company | Robotic repair control systems and methods |
| CN111926367B (zh) * | 2020-08-25 | 2021-10-22 | 一汽解放青岛汽车有限公司 | 电泳工艺参数确定方法、装置、系统、设备和介质 |
| CN116770395B (zh) * | 2023-08-22 | 2023-10-20 | 深圳市互成自动化设备有限公司 | 一种电泳喷粉涂装质量监测方法及系统 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0278482B1 (en) * | 1987-02-10 | 1991-01-09 | Mazda Motor Corporation | Coating method |
| US5674562A (en) * | 1990-06-25 | 1997-10-07 | Lanxide Technology Company, Lp | Method for making self supporting composite bodies |
| JPH0559593A (ja) * | 1991-08-28 | 1993-03-09 | Kansai Paint Co Ltd | 電着塗装方法 |
| US5366690A (en) * | 1993-06-18 | 1994-11-22 | Combustion Engineering, Inc. | Zirconium alloy with tin, nitrogen, and niobium additions |
| US6185472B1 (en) * | 1995-12-28 | 2001-02-06 | Kabushiki Kaisha Toshiba | Semiconductor device manufacturing method, manufacturing apparatus, simulation method and simulator |
| US5941825A (en) * | 1996-10-21 | 1999-08-24 | Philipp Lang | Measurement of body fat using ultrasound methods and devices |
| WO1998022801A1 (en) * | 1996-11-22 | 1998-05-28 | Autospect, Inc. | Physical parameter measuring apparatus and method thereof |
| US6128081A (en) * | 1996-11-22 | 2000-10-03 | Perceptron, Inc. | Method and system for measuring a physical parameter of at least one layer of a multilayer article without damaging the article and sensor head for use therein |
| EP1145777B1 (en) * | 1999-03-10 | 2005-06-08 | Ishikawajima-Harima Heavy Industries Co., Ltd. | Method for manufacturing hot-rolled sheet steel |
| US6519037B2 (en) * | 1999-12-23 | 2003-02-11 | Lj Laboratories, Llc | Spectrometer having optical unit including a randomized fiber optic implement |
| US6219138B1 (en) * | 2000-01-10 | 2001-04-17 | The United States Of America As Represented By The Secretary Of The Navy | Particle sizing technique |
| JP3879384B2 (ja) * | 2000-03-31 | 2007-02-14 | 株式会社日立製作所 | 減肉予測情報の提供方法，減肉予測プログラムが記録されたコンピュータ読み取り可能な記録媒体及び配管工事計画の立案方法 |
| JP4554037B2 (ja) * | 2000-07-04 | 2010-09-29 | 東京エレクトロン株式会社 | 消耗品の消耗度予測方法及び堆積膜厚の予測方法 |
-
2002
- 2002-03-20 JP JP2002078283A patent/JP4220169B2/ja not_active Expired - Fee Related
-
2003
- 2003-03-18 EP EP03006134.5A patent/EP1351035B1/en not_active Expired - Fee Related
- 2003-03-19 US US10/390,716 patent/US6816756B2/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| US6816756B2 (en) | 2004-11-09 |
| EP1351035A2 (en) | 2003-10-08 |
| EP1351035B1 (en) | 2018-07-25 |
| EP1351035A3 (en) | 2011-05-18 |
| US20030182006A1 (en) | 2003-09-25 |
| JP2003277993A (ja) | 2003-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110341690B (zh) | 一种基于确定性策略梯度学习的phev能量管理方法 | |
| JP4220169B2 (ja) | 実車の塗膜厚予測方法、実車の塗膜厚予測システムおよび記録媒体 | |
| CN111199270B (zh) | 一种基于深度学习的区域波高预报方法及终端 | |
| Dwivedi et al. | Distributed physics informed neural network for data-efficient solution to partial differential equations | |
| CN105183928A (zh) | 铸铝构件中的残余应力和变形的快速分析 | |
| CN115742855A (zh) | 电动汽车剩余里程预测方法、装置、电动汽车及介质 | |
| CN109540089B (zh) | 一种基于贝叶斯-克里金模型的桥面高程拟合方法 | |
| CN116050007A (zh) | 基于混合自适应采样代理模型的复杂装备优化设计方法 | |
| CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
| CN108734207B (zh) | 一种基于双优选半监督回归算法的模型对脱丁烷塔底丁烷浓度进行预测的方法 | |
| Guorong et al. | Traffic flow forecasting based on PCA and wavelet neural network | |
| JP2002180295A (ja) | 電着塗装解析方法および電着塗装解析装置 | |
| JP2003049298A (ja) | 実車の塗膜厚予測方法、実車の塗膜厚予測システムおよび記録媒体 | |
| CN114239948A (zh) | 基于时序分解单元的深度交通流预测方法、介质及其设备 | |
| Faqih et al. | Multi-Step Ahead Prediction of Lorenz's Chaotic System Using SOM ELM-RBFNN | |
| CN113408183A (zh) | 基于预测模型的车辆基地短期复合预测方法 | |
| El-Beltagy et al. | Gaussian processes for model fusion | |
| JP4459698B2 (ja) | 塗料データの生成方法およびこの生成方法を実行するコンピュータが実行可能なプログラム | |
| CN114297940B (zh) | 确定非稳态储层参数的方法及装置 | |
| JP2003041395A (ja) | コンピュータを用いた解析処理方法、解析処理システムおよび記録媒体 | |
| Twumasi | Towards Reinforcement Learning Driven Mesh Adaptivity for Second Order Elliptic Problems | |
| CN115793472B (zh) | 重载列车的建模方法、建模系统、控制方法及控制系统 | |
| Ali et al. | The use of ARIMA, LSTM and GRU models in time series hybridization with practical application | |
| CN114330119B (zh) | 一种基于深度学习的抽蓄机组调节系统辨识方法 | |
| CN114118373A (zh) | 基于回声状态网络的多维时间序列缺失补全方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050310 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20060216 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060227 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060404 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060703 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060831 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20061017 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20081113 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111121 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121121 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121121 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131121 Year of fee payment: 5 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |