JP5232560B2 - 品質予測方法 - Google Patents

Description

本発明は、ダイカスト鋳造による鋳造品の良否を予測する品質予測方法に関する。

従来、ダイカストマシン等の成形機において製品の良否を自動判別する製品良否判定方法としては、予め定められた所定ショット数の試ショット期間中に、予め定められた複数の運転条件モニタ項目の実測値と、製品重量の実測値とを取り込む工程と、各運転条件モニタ項目の実測値と製品重量の実測値とから、各運転条件モニタ項目と製品重量の実測値との相関関係式を多変量解析法の重回帰分析による回帰式として求める工程と、連続自動運転時に、前記相関関係式を用いて前記各運転条件モニタ項目の実測値に基づき１ショット毎に製品重量を予測し、該予測結果が、製品重量の上限値および下限値の範囲内にあるか否かに基づいて製品の良否判定を行う工程とを備えてなるものが知られている（特許文献１参照）。

かかる製品良否判定方法によれば、連続運転時に製品重量の実測値を取り込むことなく、各運転条件モニタ項目の実測値から予測された製品重量を良否判別の基準として良否判定を行う。
特許第２５６７９６８号公報

しかしながら、製品重量は製品の良否を判定する１つの要因とはなり得るが、製品重量が予め定められた上限値および下限値の範囲内にあったとしても、該製品が良品であるとは限らない。例えば、比重の小さいアルミニウム材料を用いて鋳造を行う場合には、製品重量では製品の良否を区別して判定することはできず、鋳巣、ガスポロシティおよび割れなどの鋳造欠陥がある場合にも良品と判定され兼ねない。

以上の事情に鑑みて、本発明は、鋳造品の品質の良否と鋳造条件との相関性を多角的に評価し、高い精度で該鋳造品の良否を予測することができる品質予測方法を提供することを目的とする。

上記目的を達成するために、第１発明の品質予測方法は、ダイカスト鋳造による鋳造品の良否を予測する品質予測方法であって、過去の各ショットの複数の鋳造条件を収集する履歴収集工程と、オペレータによる過去の鋳造品の良否判定結果を入力する検査データ入力工程と、前記履歴収集工程で収集された複数の鋳造条件を各説明変数とし、且つ、前記検査データ入力工程で入力された良否判定結果を目的変数とする相関行列を作成する相関行列作成工程と、前記相関行列作成工程で作成された相関行列から、前記説明変数と前記目的変数との重回帰モデルを構築するモデル構築工程と、前記モデル構築工程により作成された重回帰モデルに基づいて、前記説明変数とマハラノビスの平方距離により前記鋳造品が良品である確率（Ｐ１）と不良品である確率（Ｐ２）とを算出し、これらの確率に基づく予測判定結果と前記検査データ入力工程で入力された良否判定結果との合致度を予測精度として算出する精度算出工程と、前記精度算出工程での前記予測精度が所定値以上となるように、前記鋳造品が良品である確率（Ｐ１）と不良品である確率（Ｐ２）との確率差の大きさ（｜Ｐ１−Ｐ２｜）に対する判定閾値を設定する判定閾値設定工程と、前記判定閾値設定工程により設定された判定閾値に対して、検査する新たな鋳造品が良品である確率と不良品である確率の確率差の大きさが該判定閾値以上となる場合には、該鋳造品を良品群または不良品群に分類し、該確率差の大きさが該判定閾値未満の場合には、該鋳造品を該良品群と該不良品群のいずれにも属しない良否が不明な群に分類する品質検査処理工程とを備えることを特徴とする。

第１発明の品質予測方法によれば、鋳造条件と鋳造品の良品判定結果との相関関係を重回帰モデルによりモデル化し、該重回帰モデルから予測される鋳造品の良否の予測精度を算出する。そのため、鋳造欠陥等の鋳造品の品質の良否と鋳造条件との相関性を多角的に評価することができる。さらに、算出された予測精度が所定の精度となるように、判定閾値を設定することで、高い精度で該鋳造品の良否を予測することができる。

具体的に、第１発明の品質予測方法によれば、重回帰モデルに基づいて、説明変数とマハラノビスの平方距離により鋳造品が良品である確率（Ｐ１）と不良品である確率（Ｐ２）とを算出する。かかる確率Ｐ１，Ｐ２を比較して該鋳造品の良否を判定し、かかる結果をオペレータによる実際の判定結果と照合することで、その合致度を予測精度として算出することができる。これにより、実際の検査結果等に照らして妥当な予測精度を算出することができ、鋳造品の品質の良否と鋳造条件との相関性を多角的に評価することができる。

さらに、鋳造品が良品である確率（Ｐ１）と不良品である確率（Ｐ２）との偏りが大きいほど予測精度の確実性が高まり、偏りが小さいほど確実性は低くなる。そこで、予測精度が所定の精度となるように、偏りに相当する確率差の大きさ（｜Ｐ１−Ｐ２｜）の判定閾値を設定する。検査する新たな鋳造品についても同様に確率差の大きさを算出する。そして、該確率差の大きさが設定された判定閾値以上の場合には、所定の精度で鋳造品を良品または不良品と予測する。一方、該確率差の大きさが設定された判定閾値未満の場合には、所定の精度で鋳造品を良品または不良品と予測することができないため、グレーゾーンとして、鋳造品は良否が不明な群に分類される。これにより、高い精度で鋳造品の良否を予測すると共に、良否が不明な鋳造品を適切に抽出することができる。

第２発明の品質予測方法は、第１発明の品質予測方法において、前記品質検査処理工程は、前記判定閾値設定工程により設定された判定閾値に対して、前記新たな鋳造品に関する確率差の大きさが該判定閾値以上となる場合には、該鋳造品が良品である確率が不良品である確率より大きいとき該鋳造品を前記良品群に分類し、該鋳造品が良品である確率が不良品である確率以下のとき該鋳造品を前記不良品群に分類することを特徴とする。

第２発明の品質予測方法によれば、前記新たな鋳造品に関する確率差の大きさが設定された判定閾値以上の場合には、所定の精度で鋳造品を良品または不良品と予測するが、さらに、良品である確率が不良品である確率より大きいとき、鋳造品を良品群に分類する。また、良品である確率が不良品である確率以下のとき、鋳造品を不良品群に分類する。これにより、高い精度で鋳造品の良否を予測することができる。

第３発明の品質予測方法は、第１または第２発明の品質予測方法において、前記モデル構築工程は、前記各説明変数の相関係数が所定値以上である場合には、鋳造品質に対する相関が低い説明変数を削除すると共に、削除されずに残った説明変数の最大値または最小値が外れ値である場合には、該最大値または最小値を除去した上で、前記重回帰モデルを構築することを特徴とする。

第３発明の品質予測方法によれば、各説明変数の相関係数が所定値以上である場合、すなわち、説明変数同士の相関性が高い組み合わせであるとき、鋳造品質に対する相関が低い説明変数を削除することで多重共線性の影響を排除して、重回帰モデルの適格性を担保することができる。さらに、削除されずに残った説明変数の最大値または最小値が外れ値である場合には、外れ値（最大値または最小値）を除去することで、ノイズ因子の影響を排除して、重回帰モデルに基づく予測精度を向上させることができる。

本発明の一実施形態として、鋳造品の品質予測方法および該予測方法を用いた鋳造品の品質検査方法を実行する良否判定システムについて、図１〜図８を参照して説明する。

まず、図１を参照して、全体的な構成について説明する。

図１に示すように、本実施の形態の良否判定システムは、鋳造機１に取り付けられた各種センサ２から出力されるデータ信号を収集するデータ収集装置３と、データ収集装置３を介して取得される各種鋳造条件に関するデータを格納する鋳造条件データベース４と、品質検査データの入力が可能に構成された入力部５と、入力部５から入力された品質検査データを格納する品質検査データベース６と、これらデータベース４，６から鋳造品の品質予測のための処理を行う品質予測処理部１０と、品質予測処理部１０による処理に基づいて、鋳造品の品質検査に関連する処理を行う品質検査処理部２０と、品質検査処理部２０の処理結果に従って警報を発するスピーカ７とを備える。

鋳造機１は、アルミニウム等の軽金属材料の鋳造を行うダイカストマシンである。各種センサ２は、例えば鋳造機１の鋳型の各部位に設けられた熱電対からなる温度センサ２ａ，鋳型やピストンに取り付けられた変位計２ｂ、鋳造圧を計測する圧力センサ２ｃ等である。

データ収集装置３は、ＰＬＣ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｃｏｎｔｒｏｌｌｅｒ）からなり、各種センサ２から出力されたデータ信号を、鋳造品番号情報等の管理情報と共に記憶保持する。

鋳造条件データベース４は、データ収集装置３に記憶保持されたデータ信号を図示しないＡ／Ｄ変換器等を介してデジタルデータに変換し、該デジタルデータまたは、該デジタルデータに所定のアルゴリズムによる処理を施して得られるデータを鋳造条件として記憶保持する。鋳造条件データベースに記憶保持される鋳造条件としては、例えば、射出ストローク、射出速度、高速区間、高速区間速度、低速区間、低速区間速度、低速昇圧時間、鋳造圧力、最終型締力などが含まれる。また、デジタルデータに対する処理アルゴリズムとしては、例えば、収集した射出速度などの波形データを区間別に要約し、平均・標準偏差などの基本統計量を計算・保存する波形数値化アルゴリズムであり、膨大な波形データを統計処理用に数値化するものである。

入力部５は、キーボード等の入力手段からなり、オペレータによって鋳造品を検査した結果得られた品質検査データ等が手動で入力される。品質検査データは、鋳造品を種々の観点から検査および評価したものであって、例えば、圧力検査による鋳巣の有無や、目視による表面検査、鋳造品の重量検査等の検査結果が含まれる。尚、入力部５をインターフェイスとして構成し、これら品質検査データを自動的に取り込むように構成してもよい。

品質検査データベース６は、入力部５から入力された鋳造品の品質検査データを図示しないＡ／Ｄ変換器等を介してデジタルデータに変換して記憶保持する。

品質予測処理部１０は、過去の鋳造条件および品質検査データから、鋳造条件と品質検査データとの間の関係を規定したモデルを作成する処理部であって、モデル構築部１１と、予測精度算出部１２と、判定閾値設定部１３とを備える。

モデル構築部１１は、鋳造条件データベース４に記憶保持された複数の鋳造条件と、品質検査データベース６に記憶保持された品質検査データとの間の相関性に関する重回帰モデルを構築する。

予測精度算出部１２は、モデル構築部１１により構築された重回帰モデルによる予測判定結果と、品質検査データベース６に記憶保持された品質検査データによる実際の良品判定結果との合致度を、重回帰モデルの予測精度として算出する。

判定閾値設定部１３は、予測精度算出部１２により算出された予測精度が所定の精度以上となるように、重回帰モデルに基づいて鋳造品を良品または不良品と判定する際の判定閾値Ｔを設定する。

品質検査処理部２０は、新たに鋳造を行う際に、品質予測処理部１０で構築されたモデルに従って鋳造品の良否を予測する処理部であって、良否予測部２１と、警報処理部２２とを備える。

良否予測部２１は、品質予測処理部１０で構築および判定閾値Ｔが設定された重回帰モデルに従って、新たに鋳造条件データベース４に記憶保持された鋳造条件データベース４から、その鋳造品が良品群と、不良品群と、良否が不明な群とのいずれの群に属するかを予測する。

警報処理部２２は、良品予測処理部２１の予測判定結果が不良品と予測される場合に、スピーカ７からブザー音等の警報音を発生させると共に、図示しないディプレイやランプ等により視覚的な警報を行う。

なお、本実施形態において、各データベース４，６および各処理部１１〜１３，２１，２２は、ＣＰＵ、ＲＯＭ、ＲＡＭ等のハードウェアにより構成され、これらが共通のハードウェアによって構成されていてもよく、これらの一部又は全部が異なるハードウェアによって構成されていてもよい。

次に、図２に示すフローチャートを参照して、品質予測処理部１０における処理について説明する。

まず、品質予測処理部１０は、鋳造機１における過去のＮショットに関して、品質検査データベース６に記憶保持された品質検査データを読み出すと共に（ＳＴＥＰ１）、鋳造条件データベース４に記憶保持された鋳造条件を読み出す（ＳＴＥＰ２）。

次に、品質予測処理部１０に対して、オペレータにより入力部５を介して、除外因子情報や必須因子情報が入力される（ＳＴＥＰ３）。除外因子情報および必須因子情報は、鋳造条件データベース４から読み出された過去Ｎショットに関する鋳造条件に関して、その鋳造材料の特質等から、特に除外すべき条件や必須とすべき条件について指定するものである。

さらに、品質予測処理部１０に対して、オペレータにより入力部５を介して、１または複数の品質閾値Ｘが入力される（ＳＴＥＰ４）。品質閾値Ｘは、鋳造品を良否または不良品と判定するための品質指標であって、例えば、鋳造品における鋳巣の体積に関して、鋳巣体積の閾値を３０ｍｍ^３とする。

そして、品質予測処理部１０は、入力された品質閾値Ｘに従って、ＳＴＥＰ１で読み出された品質検査データについて、鋳造品を良品と不良品とに層別する（ＳＴＥＰ５）。上述のように鋳巣を品質閾値Ｘとした場合には、鋳巣体積が閾値未満の鋳造品が良品とされ、閾値以上の鋳造品が不良品とされる。

次いで、品質予測処理部１０のモデル構築部１１は、ＳＴＥＰ２で読み出された鋳造条件を各説明変数とし、且つ、ＳＴＥＰ５で層別された品質検査データを目的変数とする相関行列を作成する（ＳＴＥＰ６）。

そして、モデル構築部１１は、ＳＴＥＰ６で作成された相関行列で表される相関関係式において、説明変数同士の相関性が高い組み合わせを削除する多重共線性排除処理を実行する（ＳＴＥＰ１０）。なお、多重共線性排除処理の詳細は、図３を参照して後述する。

さらに、モデル構築部１１は、ＳＴＥＰ１０の処理が施された結果、削除されずに残った説明変数に対して、外れ値の除去処理を実行する（ＳＴＥＰ２０）。なお、外れ値の除去処理の詳細は、図４を参照して後述する。

次いで、モデル構築部１１は、ＳＴＥＰ１０およびＳＴＥＰ２０の処理が施された相関行列で表される相関関係式から、ステップワイズ法により重回帰モデルを構築する重回帰モデル構築処理を実行する（ＳＴＥＰ３０）。なお、重回帰モデルの構築処理の詳細は、図５を参照して後述する。

次に、予測精度算出部１２は、ＳＴＥＰ３０で構築された重回帰モデルに基づいて、鋳造条件から該鋳造品が良品である確率Ｐ１と不良品である確率Ｐ２とを算出し、これらの確率に基づく予測判定結果と、品質検査データベース６に記憶保持された品質検査データによる実際の良品判定結果との合致度を重回帰モデルの予測精度として算出する予測精度算出処理を実行する（ＳＴＥＰ４０）。なお、予測精度算出処理の詳細は、図６を参照して後述する。

次いで、判定閾値設定部１３は、ＳＴＥＰ４０で算出された予測精度が所定値以上となるように、鋳造品が良品である確率Ｐ１と不良品である確率Ｐ２との確率差の大きさ｜Ｐ１−Ｐ２｜に対する判定閾値Ｔを設定する判定閾値設定処理を実行する（ＳＴＥＰ５０）。なお、判定閾値設定処理の詳細は、図７を参照して後述する。

以上が、品質予測処理部１０により実行される処理の概要である。

次に、図３に示すフローチャートを参照して、多重共線性排除処理の詳細について説明する。

まず、モデル構築部１１は、複数の説明変数のうちの２つの説明変数（因子ｍ，ｎ、但しｍ≠ｎ）を抽出し、これらの間の相関係数が所定値（例えば、０．７）以上であるか否かを判定する（ＳＴＥＰ１１）。

そして、相関係数が所定値以上でない場合には（ＳＴＥＰ１１でＮＯ）、除去因子がないと判定して（ＳＴＥＰ１２）、他の２つの説明変数の組み合わせについて、同様に、ＳＴＥＰ１１以下の処理を実行する。

一方、相関係数が所定値以上の場合には（ＳＴＥＰ１１でＹＥＳ）、因子ｎの鋳造品質に対する相関が、因子ｍの鋳造品質に対する相関よりも大きいか否かを判定する（ＳＴＥＰ１３）。

そして、因子ｎの鋳造品質に対する相関が因子ｍより大きい場合には（ＳＴＥＰ１３でＹＥＳ）、鋳造品質に対する相関が低い因子ｍを除去する（ＳＴＥＰ１４）。

一方、因子ｎの鋳造品質に対する相関が因子ｍ以下の場合には（ＳＴＥＰ１３でＮＯ）、鋳造品質に対する相関が低い因子ｎを除去する（ＳＴＥＰ１５）。

次いで、いずれかの因子ｍ，ｎを除去した後、他の２つの説明変数の組み合わせについて、ＳＴＥＰ１１以下の処理を繰り返し実行する。

以上が、多重共線性排除処理の詳細である。なお、当該因子がＳＴＥＰ３で入力された必須因子情報と合致する場合には当該因子は除去されることはなく、当該因子が除去因子情報に合致する場合には、優先して当該因子が除去される。すなわち、ＳＴＥＰ３で指定された必須因子情報および除去因子情報は、多重共線性排除処理を行う上での前提条件となっている。

次に、図４に示すフローチャートを参照して、スミルノフ・グラブス検定による外れ値の除去処理の詳細について説明する。

まず、モデル構築部１１は、第１の説明変数（因子ｍ＝１）を抽出し（ＳＴＥＰ２１）、因子ｍの最大値または最小値が外れ値であるか否かを判定する（ＳＴＥＰ２２）。

具体的に、外れ値の判定は、まず、因子ｍの大きさをＮ、因子ｍの各データをＸ_１，Ｘ_２， … ，Ｘ_Ｎ とし、標本平均をＸ´、不偏分散をＵとすると、次式に従ってＴ_ｉ値を求める。

そして、次式に従って、有意点ｔを求める。

ここで、式（２）において、αは有意水準である。

そして、Ｔ_ｉ ＜ ｔ のときは、「データのうち、最大（最小）のものは外れ値であるとはいえない。」と判定して、Ｔ_ｉ≧ ｔ のときは、「データのうち、最大（最小）のものは外れ値である。」と判定する。

そして、外れ値であると判定された場合には（ＳＴＥＰ２２でＹＥＳ）、当該因子ｍの該当行を削除し（ＳＴＥＰ２３）、ｍをインクリメントして、次の説明変数を抽出する（ＳＴＥＰ２４）。一方、外れ値ではないと判定された場合には（ＳＴＥＰ２２でＮＯ）、当該因子ｍについて何ら操作をすることなく、ｍをインクリメントして、次の説明変数を抽出する（ＳＴＥＰ２４）。

次いで、インクリメントしたｍが、説明変数の総因子数を超えるか否かを判定する（ＳＴＥＰ２５）。

そして、ｍが総因子数を超える場合には（ＳＴＥＰ２５でＹＥＳ）、外れ値の除去処理を終了する。一方、ｍが総因子数を超えない場合には（ＳＴＥＰ２５でＮＯ）、ＳＴＥＰ２２にリターンし、一連の処理を繰り返す。

以上が、外れ値の除去処理の詳細である。なお、当該因子がＳＴＥＰ３で入力された必須因子情報と合致する場合には当該因子は除去されることはなく、当該因子が除去因子情報に合致する場合には、優先して当該因子が除去される。すなわち、ＳＴＥＰ３で指定された必須因子情報および除去因子情報は、外れ値の除去処理を行う上での前提条件となっている。

次に、図５に示すフローチャートを参照して、ステップワイズ法による重回帰モデルの構築処理の詳細について説明する。

まず、モデル構築部１１は、ＳＴＥＰ１０およびＳＴＥＰ２０の処理が施された相関行列で表される相関関係式から定数項の係数を求め、定数のみのモデルを構築する（ＳＴＥＰ３１）。

次いで、定数のみのモデルに対して、各説明変数のうちで追加することで、モデルの当てはまり度の指標となるＡＩＣが減少する（当てはまり度合いとしては増加する）因子があるか判定する（ＳＴＥＰ３２）。

そして、追加することでＡＩＣが減少する因子がある場合には（ＳＴＥＰ３２でＹＥＳ）、この因子を追加した上で（ＳＴＥＰ３３）、他の因子についてＳＴＥＰ３２以下の処理を実行する。

一方、追加することでＡＩＣが増加する因子がない場合には（ＳＴＥＰ３２でＮＯ）、逆に、削除することでＡＩＣ因子が減少する因子があるか否かを判定する（ＳＴＥＰ３４）。

そして、削除することでＡＩＣが減少する因子がある場合には（ＳＴＥＰ３４でＹＥＳ
）、この因子を除去した上で（ＳＴＥＰ３５）、他の因子についてＳＴＥＰ３２以下の処理を実行する。そして、削除することでＡＩＣが減少する因子がなくなった段階で（ＳＴＥＰ３４でＮＯ）、一連の処理を終了する。

以上が、重回帰モデルの構築処理の詳細である。なお、当該因子がＳＴＥＰ３で入力された必須因子情報と合致する場合には当該因子はモデルから削除されることはなく、当該因子が除去因子情報に合致する場合には、優先して当該因子が削除される。すなわち、ＳＴＥＰ３で指定された必須因子情報および除去因子情報は、重回帰モデルの構築処理を行う上での前提条件となっている。

次に、図６に示すフローチャートを参照して、交差確認法による予測精度算出処理の詳細について説明する。

まず、予測精度算出部１２は、第２の説明変数（因子ｎ＝１）を抽出し（ＳＴＥＰ４１）、全ショットＮのうちからｎ＝１を除いたもので、分散共分散行列Ｓ１，Ｓ２を計算する（ＳＴＥＰ４２）。

次いで、ｎ＝１のＳ１，Ｓ２に対するマハラノビス距離と、鋳造品が良品である確率Ｐ１および不良品である確率Ｐ２を求める（ＳＴＥＰ４３）。具体的に、マハラノビス距離は、分散共分散行列の逆行列を用いてマハラノビスの平方距離を計算することにより求める。また、両群に属する確率Ｐ１，Ｐ２は、マハラノビスの平方距離が自由度のカイ二乗分布に従うことに基づいて計算する。

次いで、鋳造品が良品である確率Ｐ１が、不良品である確率Ｐ２より大きいか否かが判定される（ＳＴＥＰ４４）。

そして、確率Ｐ１が確率Ｐ２より大きい場合には（ＳＴＥＰ４４でＹＥＳ）、鋳造品が良品群に属すると判定して（ＳＴＥＰ４４−Ａ）、該判定結果が、ＳＴＥＰ５で層別された品質検査データの良否判定結果（実測群）と合致するか否かが判定される（ＳＴＥＰ４５）。

一方、確率Ｐ１が確率Ｐ２以下の場合には（ＳＴＥＰ４４でＮＯ）、鋳造品が不良品群に属すると判定して（ＳＴＥＰ４４−Ｂ）、該判定結果が、ＳＴＥＰ５で層別された品質検査データの良否判定結果（実測群）と合致するか否かが判定される（ＳＴＥＰ４５）。

そして、合致する場合には（ＳＴＥＰ４５でＹＥＳ）、成功数および失敗数のカウンタにおいて、成功数のカウンタをインクリメントする（ＳＴＥＰ４５−Ａ）。一方、合致しない場合には、失敗数のカウンタをインクリメントする（ＳＴＥＰ４５−Ｂ）。

次いで、ｎがショット数（全ショット数Ｎ）を超えるか否かを判定し（ＳＴＥＰ４６）、ｎがショット数を超えるまでｎをインクリメントした上で（ＳＴＥＰ４７）、ＳＴＥＰ４２以下の処理を繰り返し実行する。

以上が、予測精度算出処理の詳細である。これにより、ショット数Ｎについて、成功数と失敗数を予測精度として算出することができる。

次に、図７を参照して、判定閾値設定処理の詳細について説明する。

まず、判定閾値設定部１３は、判定閾値Ｔを０にセットして（ＳＴＥＰ５１）、交差確認法による予測精度算出処理（ＳＴＥＰ４０）で算出した予測精度を取得する（ＳＴＥＰ５２）。

次いで、鋳造品が良品である確率Ｐ１と不良品である確率Ｐ２との確率差の大きさ｜Ｐ１−Ｐ２｜に対する判定閾値Ｔと、取得した予測精度の合致度が７０％以上となるか否かを判定する（ＳＴＥＰ５３）。

そして、合致度が７０％以上でない場合には（ＳＴＥＰ５３でＮＯ）、判定閾値Ｔを所定の割合増加させる（ＳＴＥＰ５４）。増加させる所定の割合としては、例えば、確率差の大きさ｜Ｐ１−Ｐ２｜の数十％である。

次いで、判定閾値Ｔを増加させた上で、合致度が７０％を超えるまで（ＳＴＥＰ５３でＹＥＳ）、ＳＴＥＰ５２以下の処理を繰り返し実行する。

以上が、判定閾値設定処理の詳細である。

次に、図８に示すフローチャートを参照して、品質検査処理部２０における処理について説明する。

まず、品質検査処理部２０は、新たに鋳造を行う際に使用した最新ショット用の鋳造条件を鋳造条件データベースから読み出す（ＳＴＥＰ６１）。さらに、ＳＴＥＰ５０の判定閾値設定処理で設定された判定閾値Ｔを読み出す（ＳＴＥＰ６２）。

そして、良否予測部２１は、ＳＴＥＰ１で読み出された鋳造条件から、ＳＴＥＰ３０で構築された重回帰モデルに従い、ＳＴＥＰ４２および４３の処理により、この鋳造品が良品である確率Ｐ１と不良品である確率Ｐ２とを算出する（ＳＴＥＰ６３）。なお、ＳＴＥＰ６３の処理は、良否予測部２１に行わせても良いが、システム構成を簡素化するためには、予測精度算出部１２に鋳造条件を与えて演算処理させて、演算処理結果を品質検査処理部２０に返すようにすることが望ましい。

次いで、良否予測部２１は、ここでの確率Ｐ１とＰ２の確率差の大きさ｜Ｐ１−Ｐ２｜が、ＳＴＥＰ６２で読み出された判定閾値Ｔ以上となっているか否かを判定する（ＳＴＥＰ６４）。

そして、確率差の大きさが判定閾値Ｔ以上となっている場合には（ＳＴＥＰ６４でＹＥＳ）、良品である確率Ｐ１が不良品である確率Ｐ２よりも大きいか否かを判定する（ＳＴＥＰ６５）。

ここで、良品である確率Ｐ１が不良品である確率Ｐ２よりも大きい場合には（ＳＴＥＰ６５でＹＥＳ）、良品である確率Ｐ１と不良品である確率Ｐ２とは、良品である確率Ｐ１側に判定閾値Ｔで規定される大きさ以上の偏りが生じているため、該鋳造品は良品群に属すると予測する（ＳＴＥＰ６６）。

一方、良品である確率Ｐ１が不良品である確率Ｐ２よりも大きくない場合には（ＳＴＥＰ６５でＮＯ）、良品である確率Ｐ１と不良品である確率Ｐ２とは、不良品である確率Ｐ２側に判定閾値Ｔで規定される大きさ以上の偏りが生じているため、該鋳造品は不良品群に属すると予測する（ＳＴＥＰ６７）。この場合、警報処理部２２は、オペレータに注意喚起をすべく、スピーカ７からブザー音等を出力させ、図示しないディスプレイに鋳造品が不良品に属する可能性がある旨の警報表示等を行う（ＳＴＥＰ６８）。

さらに、確率差の大きさが判定閾値Ｔ以上となっていない場合には（ＳＴＥＰ６４でＮＯ）、良品である確率Ｐ１と不良品である確率Ｐ２のいずれか一方の確率に判定閾値Ｔで規定される大きさほどの偏りが生じているわけではないため、該鋳造品は良否不明な群に属すると判定する（ＳＴＥＰ６９）。

次いで、良否予測部２１により鋳造品の品質が予測されると、オペレータは、良品群に属すると予測された鋳造品および良否不明な群に属すると予測された鋳造品については、圧力検査を行う（ＳＴＥＰ７０）。圧力検査は、事前に鋳造品の表面を削るプリ加工を施した上で、密封したケース内にエアを導入して圧力洩れを検査する圧力検査装置により行われる。これにより、鋳巣・微細孔のような欠損の有無を検査する。

そして、オペレータは、圧力検査の結果が良品である場合には（ＳＴＥＰ７１でＹＥＳ）、該鋳造品は、品質等が所定の条件を満たすものであるとして、一連の処理を終了し、該鋳造品は本加工工程や組み付け工程等へと送られる。

一方、ＳＴＥＰ６７で不良品群に属すると予測された鋳造品については、圧力検査を行うことなく、すべての鋳造品については含浸処理を行う（ＳＴＥＰ７２）。含浸処理は、例えば、真空−加圧含浸方式によって鋳巣等の欠陥部に、鋳造材料に対応した含浸液を含浸させる。具体的に、アルミニウムダイカスト鋳造品の場合には、洗浄され乾燥された鋳造品を処理槽にいれ、所定気圧以下になるように処理槽内部を真空にした後、所定の温度に加熱された含浸液を注入し、含浸液が被処理鋳造品を完全に覆い、所定の圧力を加え１０〜１５分間程度保持することにより処理する。かかる含浸処理を行うことにより、耐圧性、気密性、耐食性などを改善し、機械的強度を向上させることができる。

また、圧力検査の結果が良品と判定されない場合にも（ＳＴＥＰ７１でＮＯ）、該鋳造品に対して、ＳＴＥＰ７２の含浸処理が行われる。

そして、含浸処理が行われた鋳造品に対しては、再度、圧力検査が行われる（ＳＴＥＰ７３）。その結果、良品と判定された場合には（ＳＴＥＰ７４でＹＥＳ）には、一連の処理を終了し、該鋳造品は本加工工程や組み付け工程等へと送られる。

一方、再検査の結果、良品と判定されない場合には（ＳＴＥＰ７４でＮＯ）、一連の処理を終了し、該鋳造品は品質等が所定の条件を満たさない規格外品として破棄等される。

以上が、品質検査処理部２０における処理の詳細である。

なお、本実施形態では、ＳＴＥＰ７０，７３で圧力検査により、鋳造品の品質検査を行っているが、これに限定されるものではなく、他の検査方法による品質検査を行うようにしてもよい。例えば、ＣＣＤカメラ等により鋳造品の表面画像を撮像し、撮像画像から欠陥を検出するようにしてもよく、Ｘ線ＣＴデータのような空間離散データにより、内部欠陥を検査するようにしてもよい。

本実施の形態における良否判定システムの全体構成図。 品質予測処理部における処理を示すフローチャート。 多重共線性排除処理を示すフローチャート。 外れ値の除去処理を示すフローチャート。 重回帰モデルの構築処理を示すフローチャート。 予測精度算出処理を示すフローチャート。 判定閾値設定処理を示すフローチャート。 品質検査処理部における処理を示すフローチャート。

符号の説明

１…鋳造機、２…センサ、３…データ収集装置、４…鋳造条件データベース、５…入力部、６…品質検査データベース、７…スピーカ、１０…品質予測処理部、１１…モデル構築部、１２…予測精度算出部、１３…判定閾値設定部、２０…品質検査処理部、２１…良否予測部、２２…警報処理部。

Claims (3)

1. ダイカスト鋳造による鋳造品の良否を予測する品質予測方法であって、
   過去の各ショットの複数の鋳造条件を収集する履歴収集工程と、
   オペレータによる過去の前記鋳造品の良否判定結果を入力する検査データ入力工程と、
   前記履歴収集工程で収集された複数の鋳造条件を各説明変数とし、且つ、前記検査データ入力工程で入力された良否判定結果を目的変数とする相関行列を作成する相関行列作成工程と、
   前記相関行列作成工程で作成された相関行列から、前記説明変数と前記目的変数との重回帰モデルを構築するモデル構築工程と、
   前記モデル構築工程により作成された重回帰モデルに基づいて、前記説明変数とマハラノビスの平方距離により前記鋳造品が良品である確率（Ｐ１）と不良品である確率（Ｐ２）とを算出し、これらの確率に基づく予測判定結果と前記検査データ入力工程で入力された良否判定結果との合致度を予測精度として算出する精度算出工程と、
   前記精度算出工程での前記予測精度が所定値以上となるように、前記鋳造品が良品である確率（Ｐ１）と不良品である確率（Ｐ２）との確率差の大きさ（｜Ｐ１−Ｐ２｜）に対する判定閾値を設定する判定閾値設定工程と、
   前記判定閾値設定工程により設定された判定閾値に対して、検査する新たな鋳造品が良品である確率と不良品である確率の確率差の大きさが該判定閾値以上となる場合には、該鋳造品を良品群または不良品群に分類し、該確率差の大きさが該判定閾値未満の場合には、該鋳造品を該良品群と該不良品群のいずれにも属しない良否が不明な群に分類する品質検査処理工程とを備えることを特徴とする品質予測方法。
2. 請求項１記載の品質予測方法において、
   前記品質検査処理工程は、前記判定閾値設定工程により設定された判定閾値に対して、前記新たな鋳造品に関する確率差の大きさが該判定閾値以上となる場合には、該鋳造品が良品である確率が不良品である確率より大きいとき該鋳造品を前記良品群に分類し、該鋳造品が良品である確率が不良品である確率以下のとき該鋳造品を前記不良品群に分類することを特徴とする品質予測方法。
3. 請求項１または２記載の品質予測方法において、
   前記モデル構築工程は、前記各説明変数の相関係数が所定値以上である場合には、鋳造品質に対する相関が低い説明変数を削除すると共に、削除されずに残った説明変数の最大値または最小値が外れ値である場合には、該最大値または最小値を除去した上で、前記重回帰モデルを構築することを特徴とする品質予測方法。

Images