JP7468558B2

JP7468558B2 - 表面疵の発生原因特定システム及び工業製品の製造方法

Info

Publication number: JP7468558B2
Application number: JP2022037585A
Authority: JP
Inventors: 俊輔佐々木; 雅史多田; 龍郎勝村; 秀夫木島
Original assignee: JFE Steel Corp
Current assignee: JFE Steel Corp
Priority date: 2021-03-19
Filing date: 2022-03-10
Publication date: 2024-04-16
Anticipated expiration: 2042-03-10
Also published as: JP2022145596A

Description

本開示は、表面疵の発生原因特定システム及び工業製品の製造方法に関する。本開示は、特に、工業製品の表面疵検出と疵の発生プロセスを特定する技術に関して、疵の個々の形態と特定された個々の疵の多次元（二次元以上）の分布状態を利用した疵の発生プロセスを特定するシステムを提案するものである。

素形材の成形では塑性加工が多く利用され、成形したい形状に応じた多種多様なプロセスを複数個組み合わせて実施する場合が多い。塑性加工は製造速度及び素材歩留まりに優れるが、素材の降伏応力以上の外力を与えて成形する大ひずみ加工であるため加工後の表面（例えば外表面）に疵が発生する場合がある。表面疵は意匠性の低下を招くため好ましくなく、疵深さがある程度を超えると品質不良として歩留まり落ちの原因となる。

表面の疵はその個々大きさ及び素材内部への深さを非破壊検査で測定され、その検査後の状態に応じて疵を取り除く、又は疵部分を製品対象外とするなどの判断が行われる。疵の非破壊検査方法は多く報告されている、例えば、熱間で行う塑性加工の一つである圧延後の板、棒及び管材の疵判定には超音波及び磁束を用いた方法が一般的に利用されている。また、これら一般的な疵判定技術では検出が難しい微小な凹凸を検出する手法として特許文献１には撮像素子による信号を利用した検出装置が開示されている。また、板状形状の様に上下面だけでなく周方向３６０°の表面疵について検出が必要な棒材については特許文献２に漏洩磁束を利用し、丸棒を回転させながら通過させて周方向３６０°の検出を行う方法が開示されている。また、特許文献３には疵の形態を測定し、機械学習による疵の分類と、未知の表面疵を分別する方法も開示されている。

特許第５８９１７１５号明細書特許第６４５１６７８号明細書特開２０１９－１２４６３３号公報

生産性及び素材歩留まりが良好な塑性加工は多くの工業製品製造に利用される。塑性加工は成形する形状に応じて複数個のプロセスを利用する場合が多いが、あるプロセス、又は複数のプロセスで問題が生じ、表面疵が発生すると、高い生産性であるがゆえに表面疵を持つ欠陥製品が大量に製造される課題がある。このような課題を解決するには表面疵の情報を得て、問題となるプロセスを特定し、表面疵を発生させる原因、例えば加工工具の損傷、潤滑剤の噴射不良などを早期に特定する必要がある。しかし、表面疵の発生は複数の製造プロセスに及ぶ場合がある。また、疵の数は素材の化学成分などにも左右される。そのため、塑性加工後の製品表面の疵の発生有無を測定するだけでは、一つ、又は複数のプロセスのいずれか、又は複合したプロセスに問題であるのか、又は、プロセスではなく素材自体に問題があるのか特定することは容易ではない。この表面疵測定から問題の特定、改善の一連の作業を早期に実施することは、大量の不良品製造による歩留まりの低下を避けるとともに、欠陥のある製品の大量生産を早期に停止するために重要な課題である。

これらの問題解決を早期に行う上で重要となる表面疵の検出は「製品品質の保証」で求められる精度とは異なる。つまり、表面疵の検出はあくまで製造生産性と歩留まりの向上、問題の抽出のために実行される。製品品質保証に求められる１００％の検出率は必要とされず、どの製造プロセスで問題が発生しているか特定するための不確定な表面疵の情報を基に予測できればよい。つまり、得られた表面疵情報を考察し、これまでの製造経験から、問題となる一つ又は複数のプロセス、プロセスでなく素材の問題である等の予測結果を出力することが重要となる。

特許文献１及び特許文献２に記載の疵の検出装置、方法はあくまで製品品質の保証を目的とした検出技術である。つまり、製品の品質不良に関わる例えば疵の深さ及び幅を高い検出精度を得られる一方で、その疵の分類及び疵を発生させる製造プロセスの特定は行っておらず、多くの塑性加工を経て得られた製品の表面疵について発生原因を示すものでない。また、あくまで製品品質の合否を目的にしているため、表面疵の発生初期、つまり１００％の不良ではない初期の欠陥及び欠陥の発生兆候を目的とした設備、手法になっていない。特許文献３に記載の機械学習を用いた疵、欠陥の分類については、疵の検出技術に加え、疵の種類を機械学習により判定、分類を行う技術であるが、疵の発生プロセスを早期に特定できる技術ではなく、あくまで分類後の疵種別データを確認する手法に過ぎない。

上記実情に鑑みてなされた本開示の目的は、表面疵の発生原因を推定できる表面疵の発生原因特定システム及びそのシステムを利用して生産性及び歩留まりの向上させることができる工業製品の製造方法を提供することにある。

本開示の一実施形態に係る表面疵の発生原因特定システムは、
塑性加工後の素材の表面疵を検出する疵検出部と、
前記表面疵を形態に応じた疵種別に分類する第１のサブシステムと、
前記表面疵の発生情報を前記素材の多次元図の座標に対応付ける第２のサブシステムと、
第１のサブシステムで分類された前記疵種別と第２のサブシステムで対応付けられた前記座標に基づいて前記疵種別毎に疵密度分布図を作成し、前記疵密度分布図に基づいて前記表面疵の発生プロセス又は疵発生原因となる化学成分を特定する制御部と、を備える。

また、本開示の一実施形態に係る表面疵の発生原因特定システムは、
前記第１のサブシステムは、前記疵種別が特定された教師データを用いた機械学習によって生成された第１の学習済モデルを用いて、前記表面疵を分類する。

また、本開示の一実施形態に係る表面疵の発生原因特定システムは、
前記第１のサブシステムは、前記第１の学習済モデルを用いた前記表面疵の分類の正解率が５０％以上である。

また、本開示の一実施形態に係る表面疵の発生原因特定システムは、
前記制御部は、前記表面疵の発生プロセス又は疵発生原因となる化学成分が特定された前記疵密度分布図を教師データとして用いた機械学習によって生成された第２の学習済モデルを用いて、前記表面疵の発生プロセス又は疵発生原因となる化学成分を特定する。

また、本開示の一実施形態に係る表面疵の発生原因特定システムは、
前記制御部は、第２の学習済モデルを用いて特定した前記表面疵の発生プロセス又は疵発生原因となる化学成分のうち、特定率が５０％以上であるものを前記特定率と共に表示させる。

また、本開示の一実施形態に係る工業製品の製造方法は、
上記の発生原因特定システムによって特定された前記表面疵の発生プロセス又は疵発生原因となる化学成分に基づいて操業条件を変更する。

本開示によれば、表面疵の発生原因を推定できる表面疵の発生原因特定システム及びそのシステムを利用して生産性及び歩留まりの向上させることができる工業製品の製造方法を提供することができる。

図１は、一実施形態に係る表面疵の発生原因特定システムの構成例を示す図である。図２は、一実施形態に係る工業製品の製造方法のフローチャートの例を示す図である。図３は、管圧延を例とする表面疵の発生原因特定について説明する図である。図４は、管材及び棒材の塑性加工プロセスの例について説明するための図である。

以下、図面を参照して本開示の一実施形態に係る表面疵の発生原因特定システム１及び工業製品の製造方法が説明される。図１は、本実施形態に係る表面疵の発生原因特定システム１の構成例を示す図である。一実施形態に係る工業製品の製造方法は、表面疵の発生原因特定システム１を用いて実行される。表面疵の発生原因特定システム１は、制御部１０と、第１のサブシステム１１と、第２のサブシステム１２と、疵検出部１３と、記憶部１４と、表示部１５と、を備える。表面疵の発生原因特定システム１の各構成要素の詳細は後述する。

表面疵の測定及び分類についてはいくつかの手法が提案されており、例えば超音波又は漏洩磁束を用いる方法、光学系及び画像処理を工夫したカメラ画像を利用する方法がある。ここで、表面疵は外表面疵及び内表面疵を含む。また、最近ではこれらのデータを機械学習結果と照合し、疵の程度及び種別の分類を行う手法がある。ここで、疵の程度とは、疵の数並びに疵の大小を判断する疵部の長さ及び面積である。疵の分類では、疵の発生原因に関わる名称、例えば塑性加工では焼き付き疵、転写疵（工具の形状不良部の押し込み）、擦れ疵及び割れ疵などが疵種別を示すものとして用いられてよい。

塑性加工に関わる製造プロセスは、成形される製品形状によるが、複数の成形プロセス及び熱処理プロセスにまたがることが多い。また、同じ成形プロセスを利用する場合でも、全く異なる化学成分を持つ素材を製品形状へ塑性加工することがある。従来の検査で検出される疵の程度は、数、疵部面積又は検出ピーク高さで評価される。しかし、このような評価の情報から発生原因を特定することは難しい。ここで、検査の過程で得られる特徴量及び機械学習を利用した疵の分類は、疵の発生原因の特定に役立つ。しかし、疵の発生原因の特定に至っても、製造プロセスのどのプロセスに問題があるかを早期に判断することは難しい。

そこで発明者らは、表面疵を引き起こすプロセス（以下「表面疵の発生プロセス」とも称される）及び疵発生原因となる化学成分の特徴を特定する方法を鋭意検討した結果、表面疵の個々の形態を種別するシステムだけではなく、個々の表面疵の座標データを組み合わせて使用することが重要であることを着想した。また、品質保証で用いられる表面疵のデータと異なり、表面疵が漏れなく検出されなくても、また、表面疵の分類が１００％の正解率でなくても、高い精度で表面疵の発生プロセス又は疵発生原因となる化学成分を特定できることを見出した。以下、このように高い精度での特定が可能な表面疵の発生原因特定システム１の構成要素の詳細が説明される。

疵検出部１３は、製造された工業製品の表面疵を検出する。本実施形態において、疵検出部１３は、例えば圧延加工、押出加工、伸線加工、引き抜き加工、絞り加工などの塑性加工後の素材（例えば金属）の表面疵を検出する。

疵検出部１３が表面疵の測定に使用する原理は特に限定されない。例えば上記のように超音波又は漏洩磁束が用いられてよいし、カメラなどの撮像素子によって撮像される画像及び動画が用いられてよい。また、疵検出部１３は、このような非破壊検査の複数の組み合わせによって疵を検出してよい。疵検出部１３は、測定した疵の検出データを第１のサブシステム１１及び第２のサブシステム１２へ出力する。

疵検出部１３が第１のサブシステム１１へ出力する測定した疵の検出データ（以下「第１の検出データ」と称することがある）は、疵の形態についての情報を含む。例えば疵検出部１３が超音波を利用して疵を測定する場合に、第１の検出データは、エコー高さの特徴を含んでよい。ここで、エコーの高さが高いほど、超音波が強く、疵が大きいことを意味する。例えば疵検出部１３が画像を利用して疵を測定する場合に、第１の検出データは、その画像であってよい。画像はそのままで、又は明暗度、二値化処理などの画像処理が行われてから、第１のサブシステム１１による疵の特徴検出で用いられ得る。

疵検出部１３が第２のサブシステム１２へ出力する測定した疵の検出データ（以下「第２の検出データ」と称することがある）は、疵の位置についての情報を含む。疵の位置についての情報は、製造された工業製品における座標データであってよいが、特定のものに限定されない。

ここで、疵検出部１３によって検出される疵の形態は、後述する第１のサブシステム１１における分類の正解率が５０％以上で検出されればよい。また、疵検出部１３は全ての表面疵を製品保証上必要な合否範囲に対して漏れなく検出する仕様（例えば表面疵無しを０とし、有りを１００とする）ではなく、第１のサブシステム１１では５０％以上の分類結果を出力する。これにより、複数ある塑性加工及び加熱冷却のプロセスを特定するための十分な情報、品質保証上問題にならない程度の初期の表面疵、表面疵の発生兆候を捉え、迅速に製造プロセスにフィードバックすることができる。本システムにおいて、品質保証に利用されるような１００％の疵検出は要求されず、５０％以上の検出率による巨視的な疵密度分布図に基づいて表面疵の発生プロセスの特定を行う。

また、疵検出部１３は複数であってよい。例えば検出対象が板材である場合に、複数の疵検出部１３によって板材の両側の疵が検出されれば、疵を生成したプロセスに加え、板の表側、裏側のいずれの塑性加工が原因であるかまで特定できる。また、例えば検出対象が棒材又は管材である場合に、表面疵の位置などが二次元展開図（多次元図の一例）の座標に対応付けられるように、軸方向と円周方向に複数の疵検出部１３が設けられてよい。

第１のサブシステム１１は、疵検出部１３からの第１の検出データに基づいて、表面疵を形態に応じた疵種別に分類する。形態に応じた疵種別は、後述の例では疵種別Ｄ_１、Ｄ_２、Ｄ_３…のように表記されるが、上記のように例えば焼き付き疵、転写疵などの疵の発生原因に関わる名称が用いられてよい。

本実施形態において、第１のサブシステム１１は、疵種別が特定された教師データを用いた機械学習によって生成された第１の学習済モデルを用いて、表面疵を分類する。第１のサブシステム１１は、機械学習を用いて、できるだけ多くのデータを学習することで、表面疵を分類する精度が高まり、より早い段階で初期の表面疵及び発生の兆候を捉え、製造条件にフィードバックすることができる。

ここで、疵検出部１３は、製造された工業製品の表面疵を検出して、多くの検出データを出力可能である。過去の検出データを、表面疵を形態の特徴及びその特徴がどのプロセスに起因したかを紐付けて、多くの教師データ（機械学習用データ）を生成して蓄積することができる。生成された教師データは記憶部１４に記憶されてよい。ここで、教師データは、意図的な疵を発生させることによって生成されてよい。意図的な疵は、例えば製造工程で損傷した工具又は装置を意図的に使用すること、意図的に潤滑剤の供給を止めること、意図的な加工条件変更などによって生じ得る。また、これら表面疵は製品品質で問題にならない程度の初期又は発生の兆候が確認できたものも学習データに用いるとよい。つまり、本発明では品質保証上の１００％の表面疵判定ではなく、５０％以上の判定率で表面疵の初期段階及び発生の兆候も利用して問題のあるプロセスを特定することがポイントとなるためである。第１のサブシステム１１は、蓄積された教師データを用いた機械学習によって、第１の学習済モデルを生成する。生成された第１の学習済モデルは記憶部１４に記憶されてよい。第１の学習済モデルの生成は、表面疵の発生原因特定システム１が表面疵の発生プロセス又は疵発生原因となる化学成分を特定する（予測する）前に実行されればよい。また、第１の学習済モデルは新たな教師データを用いて更新されてよい。ここで、教師データを利用した機械学習は、例えば特徴量を抽出する手法、深層学習などいずれの手法も可能である。これらのデータと測定結果を照合し、特徴の一致率又は統計的な判定による正解率を利用することができる。

また、第１のサブシステム１１は、第１の学習済モデルを用いた表面疵の分類の正解率が５０％以上、９５％以下であればよい。上記のように、品質保証で用いられる表面疵のデータと異なり、表面疵の分類が１００％の正解率でなくても、高い精度で表面疵の発生プロセス又は疵発生原因となる化学成分を特定できるためである。５０％未満では間違いを含むデータにより疵の発生原因の特定が困難になる。学習データが十分にある場合には８０％以上の正解率を用いると良いが、学習データが十分でない場合は判定される精度が低下し、検出されるデータが減り、表面疵発生プロセスの判定が困難になるため注意が必要である。学習データを十分に準備できた場合でも正解率は９０％以下に設定して検出されることが好ましい。

第２のサブシステム１２は、疵検出部１３からの第２の検出データに基づいて、表面疵の発生情報を塑性加工後の素材の二次元展開図の座標に対応付ける。表面疵の発生情報は、表面疵の位置及び数を含む。

ここで、疵検出部１３により疵を測定される工業製品は疵の発生が課題となる塑性加工により製造されるものを対象に含む。工業製品の形状に制限はなく、例えば板状、棒状、管状又はその他複雑形状であってよい。第２のサブシステム１２では工業製品の形状に応じた二次元展開図を作成する。例えば工業製品の形状が棒材又は管材である場合にも、軸方向と円周方向の二次元展開図にすることによって、容易に表面疵の発生情報を把握することが可能になる。

測定される工業製品の形状が決まっている場合に、二次元展開図は初期値として入力されてよい。検査される工業製品の形状が頻繁に変わる場合に、疵検出部１３の数を増やして測定範囲の形状を認識する機構を設け、自動で二次元展開図が作成されるようにしてよい。また、二次元展開図は一つの工業製品に対して複数あってよい。例えば測定される工業製品が板形状の場合に、表面及び裏面の二次元展開図があってよい。複雑な形状についても二次元展開図の数を変化させることによって、工業製品の全体の表面疵を座標に対応付けることができる。

ここで、第２のサブシステム１２で用いられる疵の位置を高精度に特定するために、座標位置を特定する物体認識について機械学習が用いられてよい。

制御部１０は、第１のサブシステム１１で分類された疵種別と、第２のサブシステム１２で対応付けられた座標に基づいて、疵種別毎に疵密度分布図を作成する。制御部１０は、第１のサブシステム１１と第２のサブシステム１２より疵の分類と分類された疵の発生情報を取得する。制御部１０は、これらの情報を利用して疵種別毎の二次元展開図上の疵密度分布図を作成できる。密度の計算に利用する面積は任意の大きさ、形状が利用でき、種別毎の疵の数を任意の面積で除すれば計算できる。疵密度分布図は、その分布の特徴から表面疵の発生プロセスを特定する重要なデータである。そのため、密度の計算に利用する面積は疵種別毎の分布から表面疵の発生プロセスの特定が可能な大きさであることが好ましく、二次元展開図を１００分割以上することが好ましい。疵密度分布図の具体例については後述する。

また、制御部１０は、疵密度分布図に基づいて表面疵の発生プロセス又は疵発生原因となる化学成分を特定する。また、制御部１０は、特定した表面疵の発生プロセス又は疵発生原因となる化学成分を表示部１５に表示させてよい。制御部１０は、上記の他に、表面疵の発生原因特定システム１の全体の動作を制御する。

本実施形態において、制御部１０は、表面疵の発生プロセス又は疵発生原因となる化学成分が特定された疵密度分布図を教師データとして用いた機械学習によって生成された第２の学習済モデルを用いて、表面疵の発生プロセス又は疵発生原因となる化学成分を特定する。制御部１０は、機械学習を用いることによって、表面疵の発生原因の推定の精度を高めることができる。

ここで、生成された教師データ、すなわち表面疵の発生原因が特定された疵密度分布図は記憶部１４に記憶されてよい。ここで、教師データは、上記のように、意図的な疵を発生させることによって生成されてよい。制御部１０は、蓄積された教師データを用いた機械学習によって、第２の学習済モデルを生成する。生成された第２の学習済モデルは記憶部１４に記憶されてよい。第２の学習済モデルの生成は、表面疵の発生原因特定システム１が表面疵の発生プロセス又は疵発生原因となる化学成分を特定する（予測する）前に実行されればよい。また、第２の学習済モデルは新たな教師データを用いて更新されてよい。ここで、教師データを利用した機械学習は、例えば特徴量を抽出する手法、深層学習などいずれの手法も可能である。

また、制御部１０は、第２の学習済モデルを用いて特定した表面疵の発生プロセス又は疵発生原因となる化学成分のうち、特定率が５０％以上であるものを特定率と共に表示部１５に表示させてよい。工業製品の製造の管理者は、表面疵の発生原因と特定率に基づいて適切に操業条件を見直して、生産性及び歩留まりの向上させることができる。また、例えば特定率が最も高い表面疵の発生原因に基づいて、工業製品の製造プロセスを管理するプロセスコンピュータが自動で操業条件を変更してよい。

記憶部１４は、表面疵の発生原因特定において用いられるプログラム及びデータを記憶する。本実施形態において、記憶部１４が記憶するデータは、教師データ、第１の学習済モデル及び第２の学習済モデルを含む。記憶部１４は、半導体記憶デバイス、光記憶デバイス及び磁気記憶デバイスなどの任意の記憶デバイスを含んでよい。半導体記憶デバイスは例えば半導体メモリを含んでよい。記憶部１４は、複数の種類の記憶デバイスを含んでよい。

表示部１５は、制御部１０からの表示制御に従って表面疵の発生原因を表示する。表示部１５は、液晶ディスプレイ（ＬｉｑｕｉｄＣｒｙｓｔａｌＤｉｓｐｌａｙ）又は有機ＥＬパネル（ＯｒｇａｎｉｃＥｌｅｃｔｒｏ－ＬｕｍｉｎｅｓｃｅｎｃｅＰａｎｅｌ）などの表示装置であってよい。

表面疵の発生原因特定システム１は、例えば工業製品の製造プロセスを管理するプロセスコンピュータなどのコンピュータを含んで実現されてよい。コンピュータは、例えばメモリ及びハードディスクドライブ（記憶装置）、ＣＰＵ（処理装置）、ディスプレイなどの表示装置を備える。オペレーティングシステム（ＯＳ）及び各種の処理を実施するためのアプリケーションプログラムは、ハードディスクドライブに格納することができ、ＣＰＵにより実行される際にはハードディスクドライブからメモリに読み出される。必要に応じてＣＰＵは、ディスプレイに情報を表示させる。また、処理途中のデータについては、メモリに格納され、必要があればＨＤＤに格納される。各種機能は、ＣＰＵ、メモリ等のハードウエアとＯＳ及び必要なアプリケーションプログラムとを有機的に協働させることにより実現される。記憶部１４は、例えば記憶装置で実現されてよい。制御部１０は、例えばＣＰＵで実現されてよい。表示部１５は、例えば表示装置で実現されてよい。また、第１のサブシステム１１及び第２のサブシステム１２は、それぞれプロセスコンピュータと通信する独立したコンピュータで実現されてよい。それぞれが独立したコンピュータで実現される場合に、第１のサブシステム１１の処理（疵種別の分類）と第２のサブシステム１２の処理（表面疵の位置などの二次元展開図の座標への対応付け）は並行して実行可能である。

図２は一実施形態に係る工業製品の製造方法のフローチャートの例を示す。ここで、「製造」は、塑性加工を含むプロセス全体であり、塑性加工に関するプロセスに限定されない。例えば塑性加工を行う一つ又は複数の加工機のパラメータ設定、塑性加工前の温度変更処理及び塑性加工前後の搬送などは、製造に含まれ得る。

まず、工業製品が製造される（ステップＳ１）。ステップＳ１では、対象となる工業製品を製造する公知の手法が用いられてよい。本実施形態において、製造工程は操業条件の設定を含む。操業条件の設定は、例えば塑性加工を行う一つ以上の加工機のパラメータの設定、塑性加工前の温度の設定を含んでよい。

疵検出部１３は、製造された工業製品の表面疵を検出する（ステップＳ２）。疵検出部１３は、検出した疵の形態の情報を含む第１の検出データを第１のサブシステム１１へ出力する。また、疵検出部１３は、検出した疵の位置の情報を含む第２の検出データを第２のサブシステム１２へ出力する。

第１のサブシステム１１は、疵検出部１３からの第１の検出データに基づいて、表面疵を形態に応じた疵種別に分類する（ステップＳ３）。本実施形態において、第１のサブシステム１１は、上記の第１の学習済モデルを用いて表面疵を分類する。

第２のサブシステム１２は、疵検出部１３からの第２の検出データに基づいて、表面疵の発生情報を塑性加工後の素材の二次元展開図の座標に対応付ける（ステップＳ４）。

制御部１０は、第１のサブシステム１１で分類された疵種別と、第２のサブシステム１２で対応付けられた座標に基づいて、疵種別毎に疵密度分布図を作成する（ステップＳ５）。

制御部１０は、疵密度分布図に基づいて表面疵の発生プロセス又は疵発生原因となる化学成分を特定する（ステップＳ６）。本実施形態において、制御部１０は、上記の第２の学習済モデルを用いて、表面疵の発生プロセス又は疵発生原因となる化学成分を特定する。

その後、製造工程へのフィードバックが実行される（ステップＳ７）。つまり、表面疵の発生原因特定システム１によって特定された表面疵の発生プロセス又は疵発生原因となる化学成分に基づいて、操業条件が変更される。

図３は、管圧延を例とする表面疵の発生原因特定について説明するための図である。管圧延では様々な化学成分を持つ素材が温度調整、塑性加工を経て製品となる。化学成分については、塑性加工時の疵の発生に影響する延性に違いがあり、成分によって特徴的な疵形態と分布を示す。温度調整については適正な温度範囲、加熱及び冷却中に半製品が保持されるスキットの形状及び接触位置に応じて特徴的な疵形態と分布を示す。管の塑性加工では軸方向と平行に減肉及び外径変化を与える形態及び管をスパイラル状に回転させながら行う形態があり、それぞれに特徴的な疵形態と分布を示す。

図３の例の管は、所定の化学成分の素材が、塑性加工プロセスである温度調整Ｔ_１、温度調整Ｔ_２、塑性加工Ｐ_１、塑性加工Ｐ_２及び塑性加工Ｐ_３を経て製造される。製造された管は、疵検出部１３によって表面疵を測定される。第１のサブシステム１１によって疵種別Ｄ_１、Ｄ_２、Ｄ_３への分類が実行される（図３の「疵種別」を参照）。第２のサブシステム１２は、疵の数、座標を取得し、製品形状を入力データとした二次元展開図を作成する。第２のサブシステム１２は第１のサブシステム１１から疵の種別を取得してよい。そして、疵の座標が疵種別毎に二次元展開図上へプロットされ、区画された範囲の疵密度分布図が出力される。一例として、管の直径が３００ｍｍ、長さが１３ｍの製品形状に対し、周方向が４５°、長さが５００ｍｍで区画して、疵種別毎の疵密度分布図が作成されてよい。

得られた疵種別と疵密度分布が示す製品上の種別された疵の密度分布を、すでに明らかになっている塑性加工プロセスで発生しうる疵種別と密度分布の特徴と比較し、それぞれの種別された疵が発生した塑性加工プロセスを特定できる。本実施形態では、上記のように第１のサブシステム１１の処理、及び、制御部１０の疵密度分布図からの問題プロセスを特定する処理について機械学習を利用した。

第１のサブシステム１１では疵検出部１３に撮像素子を利用し、得られた撮像画像の中から疵を特定し、種別した教師データを疵種別毎に３５００枚を準備して学習した。また、疵密度分布図は疵種別と密度毎に異なる色合いをつけるように作成し、教師データとして、６０００枚の画像を保存した。教師データとして用いられる疵密度分布図は、図３に示される疵密度分布図と同様である。ここで、図３の例では、疵種別のそれぞれ（Ｄ_ｘ：ｘ＝１、２、３）において、疵密度が多くなるほど色が濃くなることが示されている。また、疵種別のそれぞれ（Ｄ_ｘ：ｘ＝１、２、３）で色合いが異なるため、疵密度分布図はカラー表示されることによって、疵種別が容易に把握される。例えば疵種別Ｄ_１が青色で、疵種別Ｄ_２が緑色で、疵種別Ｄ_３が赤色で示されてよい。

疵密度分布図に対して、塑性加工プロセスの問題箇所及びその数について学習が行われた。これら機械学習の精度は学習させるデータの量と質に左右される。発明者らが機械学習の精度を検討した結果、第１のサブシステム１１については５０％の正解率で疵の種別、量及び座標を出力できれば良く、疵密度分布から問題となる塑性加工プロセスを特定できた。また、疵密度分布から問題となる塑性加工プロセスを出力する場合も１００％である必要はなく５０％以上の確率を掲示できれば優位に効果を発揮する。問題となる塑性加工プロセスについて５０％以上の可能性（特定率）があるものを特定率と共に示せば、工業製品の製造の管理者は確認が容易になるため好ましい。

ここで、機械学習で教師データを与えていないものは疵分類で不明と認識され、疵密度分布上でも疵種別不明の状態で密度分布が示される。このデータに関しては教師となる塑性加工プロセスとの関係性を学習できていないため、問題となるプロセスを判別できないが、不明データを記憶しておき、別途、塑性加工プロセスの問題との関係性を学習すれば、学習によるデータの量と質に応じて問題となるプロセスを予測できるようになる。

図３の例では、機械学習によって、次のような塑性加工プロセスで発生しうる疵種別と密度分布の特徴が明らかになっている。疵種別Ｄ_１に分類される表面疵の直線状の分布は、塑性加工Ｐ_３の設定が最適化されていないことによって発生し得る。疵種別Ｄ_２に分類される表面疵の斜めの分布は、素材の化学成分が最適化されていないことによって発生し得る。疵種別Ｄ_３に分類される表面疵の先端部の分布は、温度調整Ｔ_２の設定が最適化されていないことによって発生し得る。本実施形態において、表面疵の発生原因特定システム１は、このような疵種別毎の分布の特徴を学習した第２の学習済みモデルを用いて、得られる疵密度分布図と学習済みの特徴とを比較して、疵の発生原因を特定する。

以下、塑性加工プロセスで製造する管と棒についての実施例が示される。

表１に示される化学成分の被圧延材が真空溶解炉で溶製された。製造される管についてはΦ２００ｍｍの丸ビレット形状とした。また、製造される棒については一辺が３５０ｍｍのブルームとした。図４に示すように、管については加熱Ｔ_ｈ１、加熱Ｔ_ｈ２、加熱Ｔ_ｈ３と冷却Ｔ_ｃ１、塑性加工Ｐ_１、塑性加工Ｐ_２、塑性加工Ｐ_３を利用してΦ１６０～１９０ｍｍ、肉厚５～１８ｍｍ、長さ１５０００ｍｍの継目無鋼管とした。また、棒材については加熱Ｔ_ｈ４と塑性加工Ｐ_４、塑性加工Ｐ_５、塑性加工Ｐ_６を利用してΦ１００～２００ｍｍ、長さ１００００ｍｍの棒鋼とした。

それぞれの塑性加工プロセスで得られた製品形状について、疵検出部１３で外表面のデータが取得された。疵検出部１３は撮像素子による撮像画像と超音波によるエコー高さを一つ又は組み合わせて測定した。得られたデータは第１のサブシステム１１へ送られて疵が分類された。また、疵の座標、数については、第２のサブシステム１２へ送られた。第２のサブシステム１２は、疵検出部１３で測定されたデータ数と検出時間、製品の搬送速度を基に製品形状を自動で認識し、棒、管の外表面二次元展開図を作成した。表２に示すように、二次元展開図はアスペクト比が０．５以上、区画数が１００以上となるように区画化された。一区画毎の面積が計算されて、第１のサブシステム１１で分類された疵種別に、座標、数を基に疵密度分布図が作成された。表３のように、評価は、疵密度分布を基に原因となる化学成分及び塑性加工プロセスを０～１００％で出力し、５０％以上のものについて合否を〇×で評価した。ここで、表２及び表３は一体の表であって、原因となる化学成分及び塑性加工プロセスの特定率、判定及び実施例と比較例の区分について表３としてまとめ、それ以外の項目を表２としてまとめた。ここで、表３において、Ｎｏ．１４以降のサンプルについては、発明例（実施例）に区分されるか、比較例に区分されるかを示し、個別の番号付与を省略している。

表３の結果から、本開示例において疵発生塑性加工プロセス特定率が５０％を超えたものについて問題プロセスとの整合性が確認された。本システムによる塑性加工プロセスにおける表面疵の発生原因特定が可能となった。

本開示に係る実施形態について、諸図面及び実施例に基づき説明してきたが、当業者であれば本開示に基づき種々の変形又は修正を行うことが容易であることに注意されたい。従って、これらの変形又は修正は本開示の範囲に含まれることに留意されたい。例えば、各構成部又は各ステップなどに含まれる機能などは論理的に矛盾しないように再配置可能であり、複数の構成部又はステップなどを１つに組み合わせたり、或いは分割したりすることが可能である。本開示に係る実施形態は装置が備えるプロセッサにより実行されるプログラム又はプログラムを記録した記憶媒体としても実現し得るものである。本開示の範囲にはこれらも包含されるものと理解されたい。

例えば、図１の表面疵の発生原因特定システム１の構成は一例であり、構成要素の一部を含まなくてよい。また、表面疵の発生原因特定システム１は別の構成要素を備えてよい。例えば表面疵の発生原因特定システム１は、表示部１５を備えずに、制御部１０が外部の表示装置に必要な情報を表示させる構成であってよい。

上記の実施形態において二次元の展開図を用いて説明したが、二次元に限定されず、多次元図（二次元以上の図）を用いることが可能である。つまり、第２のサブシステム１２が表面疵の発生情報を座標に対応付けることが可能であれば、二次元展開図でなく、多次元図が使用されてよい。例えば、平面に加えて高さ方向の情報も付した三次元図が使用されてよい。また、例えば疵検出部１３が多数設けられている場合に、複数の二次元図及び三次元図が組み合わされて使用されてよいし、四次元以上の高次元図が使用されてよい。

１表面疵の発生原因特定システム
１０制御部
１１第１のサブシステム
１２第２のサブシステム
１３疵検出部
１４記憶部
１５表示部

Claims

塑性加工後の素材の表面疵を超音波若しくは漏洩磁束を用いる測定又は画像処理によって検出する疵検出部と、
前記表面疵を形態に応じた疵種別に分類する第１のサブシステムと、
前記表面疵の発生情報を前記素材の多次元図の座標に対応付ける第２のサブシステムと、
第１のサブシステムで分類された前記疵種別と第２のサブシステムで対応付けられた前記座標に基づいて前記疵種別毎に疵密度分布図を作成し、前記疵密度分布図から得られる前記疵種別と分布の位置及び向きを含む疵密度分布の組み合わせに基づいて、第２の学習済モデルを用いて前記表面疵の発生プロセス又は疵発生原因となる化学成分を特定する制御部と、を備え、
前記第２の学習済モデルは、前記表面疵の発生プロセス又は疵発生原因となる化学成分が特定された前記疵密度分布図を教師データとして用いた機械学習によって生成され、分布の位置及び向きを含む前記疵密度分布と前記疵種別との組み合わせと、前記表面疵の発生プロセス又は疵発生原因となる化学成分との対応を学習した学習済みモデルである、表面疵の発生原因特定システム。
前記第１のサブシステムは、前記疵種別が特定された教師データを用いた機械学習によって生成された第１の学習済モデルを用いて、前記表面疵を分類する、請求項１に記載の表面疵の発生原因特定システム。
前記第１のサブシステムは、前記第１の学習済モデルを用いた前記表面疵の分類の正解率が５０％以上である、請求項２に記載の表面疵の発生原因特定システム。
前記制御部は、第２の学習済モデルを用いて特定した前記表面疵の発生プロセス又は疵発生原因となる化学成分のうち、特定率が５０％以上であるものを前記特定率と共に表示させる、請求項１に記載の表面疵の発生原因特定システム。
請求項１から４のいずれか一項に記載の発生原因特定システムによって特定された前記表面疵の発生プロセス又は疵発生原因となる化学成分に基づいて操業条件を変更する、工業製品の製造方法。