JP7717841B2 - 成形体領域の検査プログラム、成形体領域の検査方法、成形体領域の検査装置および記録媒体 - Google Patents

成形体領域の検査プログラム、成形体領域の検査方法、成形体領域の検査装置および記録媒体

Info

Publication number
JP7717841B2
JP7717841B2 JP2023569317A JP2023569317A JP7717841B2 JP 7717841 B2 JP7717841 B2 JP 7717841B2 JP 2023569317 A JP2023569317 A JP 2023569317A JP 2023569317 A JP2023569317 A JP 2023569317A JP 7717841 B2 JP7717841 B2 JP 7717841B2
Authority
JP
Japan
Prior art keywords
molded body
body region
information
mechanical property
inspection
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.)
Active
Application number
JP2023569317A
Other languages
English (en)
Other versions
JPWO2023120256A5 (ja
JPWO2023120256A1 (ja
Inventor
香織 谷上
千緒 峰尾
武 大木
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Teijin Ltd
Original Assignee
Teijin Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Teijin Ltd filed Critical Teijin Ltd
Publication of JPWO2023120256A1 publication Critical patent/JPWO2023120256A1/ja
Publication of JPWO2023120256A5 publication Critical patent/JPWO2023120256A5/ja
Application granted granted Critical
Publication of JP7717841B2 publication Critical patent/JP7717841B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C43/00—Compression moulding, i.e. applying external pressure to flow the moulding material; Apparatus therefor
    • B29C43/32—Component parts, details or accessories; Auxiliary operations
    • B29C43/58—Measuring, controlling or regulating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C43/00—Compression moulding, i.e. applying external pressure to flow the moulding material; Apparatus therefor
    • B29C43/003—Compression moulding, i.e. applying external pressure to flow the moulding material; Apparatus therefor characterised by the choice of material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/043—Analysing solids in the interior, e.g. by shear waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/12—Analysing solids by measuring frequency or resonance of acoustic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4472—Mathematical theories or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C43/00—Compression moulding, i.e. applying external pressure to flow the moulding material; Apparatus therefor
    • B29C43/32—Component parts, details or accessories; Auxiliary operations
    • B29C43/58—Measuring, controlling or regulating
    • B29C2043/585—Measuring, controlling or regulating detecting defects, e.g. foreign matter between the moulds, inaccurate position, breakage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29K—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES B29B, B29C OR B29D, RELATING TO MOULDING MATERIALS OR TO MATERIALS FOR MOULDS, REINFORCEMENTS, FILLERS OR PREFORMED PARTS, e.g. INSERTS
    • B29K2105/00—Condition, form or state of moulded material or of the material to be shaped
    • B29K2105/06—Condition, form or state of moulded material or of the material to be shaped containing reinforcements, fillers or inserts
    • B29K2105/12—Condition, form or state of moulded material or of the material to be shaped containing reinforcements, fillers or inserts of short lengths, e.g. chopped filaments, staple fibres or bristles
    • B29K2105/14—Condition, form or state of moulded material or of the material to be shaped containing reinforcements, fillers or inserts of short lengths, e.g. chopped filaments, staple fibres or bristles oriented
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29K—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES B29B, B29C OR B29D, RELATING TO MOULDING MATERIALS OR TO MATERIALS FOR MOULDS, REINFORCEMENTS, FILLERS OR PREFORMED PARTS, e.g. INSERTS
    • B29K2307/00—Use of elements other than metals as reinforcement
    • B29K2307/04—Carbon
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29K—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES B29B, B29C OR B29D, RELATING TO MOULDING MATERIALS OR TO MATERIALS FOR MOULDS, REINFORCEMENTS, FILLERS OR PREFORMED PARTS, e.g. INSERTS
    • B29K2995/00—Properties of moulding materials, reinforcements, fillers, preformed parts or moulds
    • B29K2995/0037—Other properties
    • B29K2995/0077—Yield strength; Tensile strength
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29K—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES B29B, B29C OR B29D, RELATING TO MOULDING MATERIALS OR TO MATERIALS FOR MOULDS, REINFORCEMENTS, FILLERS OR PREFORMED PARTS, e.g. INSERTS
    • B29K2995/00—Properties of moulding materials, reinforcements, fillers, preformed parts or moulds
    • B29K2995/0037—Other properties
    • B29K2995/0082—Flexural strength; Flexion stiffness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/02827—Elastic parameters, strength or force

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Description

本発明は、繊維強化された成形体領域の検査プログラム、検査方法、検査装置および記録媒体に関する。
炭素繊維によって繊維補強された成形体は、マトリックス樹脂の脆弱性を強度の高い繊維によって補強することができる。このため、軽量、高機械特性の優れた材料として広く採用されている。
従来、繊維強化された複合材料の生産工程では、複合材料の製造時の不良品を検査するための超音波検査が行われている。例えば、特許文献１では、熱可塑性樹脂を炭素繊維へ含浸させる工程において、次のような検査が行われる。まず、被検査物（熱可塑性樹脂を炭素繊維へ含浸させた複合材料）に一定の距離を隔てて指向性を有する超音波送波器と受波器を対向させる。そして、一方の超音波送波器から超音波を発射し、被検査物をその対向した受波器で超音波を受け、信号処理回路によりその超音波の伝播時間を測定し、これらにより被検査物の内部欠陥を非接触で検出する。ここでの超音波を用いた検査のデータは画像に変換されることで、当該画像に基づき、被検査物の合否判定を行うことができる。
特許文献２、３には、加工食品の生産工程で効率的に血合いや羽などの選別を行うため、高精度の検索を自動的に行う装置が開示されている。
日本国特開２０１９－１５８４５９号公報 国際公開第２０１９／１５１３９３号 国際公開第２０１９／１５１３９４号
近年、原材料価格や人件費の高騰などもあり、高い品質を維持しながら生産コストを抑えることが課題となっており、繊維強化された複合材料を金型（成形型）にて成形して得られた領域である成形体領域に対し、低コスト且つ高精度な検査を実現することが求められている。
特許文献１に記載の超音波検査による複合材料の選別作業は、得られた画像の目視検査に頼っている。このため、複合材料の状態を詳細に把握することは難しい。特に、画像を目視して行う合否判定では、客観的な評価基準を設けるのが難しく、何をもって材料の合否基準を算出するのかが定まりにくい。
また、特許文献２、３に記載の食品検査システムは、人間が硬骨の位置を探すための装置であり、成形体の検査を行う技術とは異なる。この食品検査システムは、あくまで画像や測定対象物の良否を人間が見れば判断できるものを、ニューラルネットワークに代替させているに過ぎない。
本発明は、機械物性を測定することなく、複合材料を金型にて成形して得られた成形体領域の機械物性を推測してその成形体領域の評価に役立てることのできる成形体領域の検査プログラム、検査方法、検査装置および記録媒体を提供することを目的とする。
上記目的は以下の各態様によって解決できる。
本発明の一態様の成形体領域の検査プログラムは、機械物性情報及び非破壊検査情報が既知の、繊維強化された第一成形体領域の当該機械物性情報及び当該非破壊検査情報を機械学習させることで、機械物性情報が未知の繊維強化された第二成形体領域の非破壊検査情報を入力として前記第二成形体領域の機械物性情報を推測する機械物性推測モデルを生成するステップと、前記第二成形体領域の非破壊検査情報を取得するステップと、前記取得した前記非破壊検査情報を前記機械物性推測モデルに入力して、前記機械物性推測モデルから前記第二成形体領域の機械物性情報を取得し、当該機械物性情報に基づく出力を行うステップと、をプロセッサに実行させる成形体領域の検査プログラムであり、前記第一成形体領域及び前記第二成形体領域は、それぞれ、板状の複合材料を成形型にて成形して得られたものであり、前記複合材料の投影面積をＳ１とし、前記成形型の成形型キャビティにおける、前記第一成形体領域及び前記第二成形体領域の各々に対応する部分の投影面積をＳ２とし、（Ｓ１／Ｓ２）×１００の演算で得られる値をチャージ率とし、前記第一成形体領域及び前記第二成形体領域は、それぞれ、前記チャージ率が１０％以上５００％以下となるように前記複合材料を成形して得られたものである。
ただし、前記非破壊検査情報は、振動特性情報又は音響特性情報であって、前記非破壊検査情報を取得する際のサンプリング周波数は０Ｈｚ超である。
本発明の一態様の成形体領域の検査方法は、機械物性情報及び非破壊検査情報が既知の、繊維強化された第一成形体領域の当該機械物性情報及び当該非破壊検査情報を機械学習させることで、機械物性情報が未知の繊維強化された第二成形体領域の非破壊検査情報を入力として前記第二成形体領域の機械物性情報を推測する機械物性推測モデルを生成するステップと、前記第二成形体領域の非破壊検査情報を取得するステップと、前記取得した前記非破壊検査情報を前記機械物性推測モデルに入力して、前記機械物性推測モデルから前記第二成形体領域の機械物性情報を取得し、当該機械物性情報に基づく出力を行うステップと、を備え、前記第一成形体領域及び前記第二成形体領域は、それぞれ、板状の複合材料を成形型にて成形して得られたものであり、前記複合材料の投影面積をＳ１とし、前記成形型の成形型キャビティにおける、前記第一成形体領域及び前記第二成形体領域の各々に対応する部分の投影面積をＳ２とし、（Ｓ１／Ｓ２）×１００の演算で得られる値をチャージ率とし、前記第一成形体領域及び前記第二成形体領域は、それぞれ、前記チャージ率が１０％以上５００％以下となるように前記複合材料を成形して得られたものである。ただし、前記非破壊検査情報は、振動特性情報又は音響特性情報であって、前記非破壊検査情報を取得する際のサンプリング周波数は０Ｈｚ超である。
本発明の一態様の成形体領域の検査装置は、繊維強化された第一成形体領域の機械物性情報及び非破壊検査情報に基づく機械学習によって生成された機械物性推測モデルを記憶するモデル記憶部にアクセス可能なプロセッサを備え、前記機械物性推測モデルは、機械物性情報が未知の繊維強化された第二成形体領域の非破壊検査情報を入力として前記第二成形体領域の機械物性情報を推測するものであり、前記第一成形体領域及び前記第二成形体領域は、それぞれ、板状の複合材料を成形型にて成形して得られたものであり、前記複合材料の投影面積をＳ１とし、前記成形型の成形型キャビティにおける、前記第一成形体領域及び前記第二成形体領域の各々に対応する部分の投影面積をＳ２とし、（Ｓ１／Ｓ２）×１００の演算で得られる値をチャージ率とし、前記第一成形体領域及び前記第二成形体領域は、それぞれ、前記チャージ率が１０％以上５００％以下となるように前記複合材料を成形して得られたものであり、前記プロセッサは、前記第二成形体領域の非破壊検査情報を取得し、当該非破壊検査情報を前記機械物性推測モデルに入力して、前記機械物性推測モデルから当該第二成形体領域の機械物性情報を取得し、当該機械物性情報に基づく出力を行う。ただし、前記非破壊検査情報は、振動特性情報又は音響特性情報であって、前記非破壊検査情報を取得する際のサンプリング周波数は０Ｈｚ超である。
本発明の一態様の成形体領域の検査プログラムは、機械物性情報及び温度分布情報が既知の、繊維強化された第一成形体領域の当該機械物性情報及び当該温度分布情報を機械学習させることで、機械物性情報が未知の繊維強化された第二成形体領域の温度分布情報を入力として前記第二成形体領域の機械物性情報を推測する機械物性推測モデルを生成するステップと、前記第二成形体領域の温度分布情報を取得するステップと、前記取得した前記温度分布情報を前記機械物性推測モデルに入力して、前記機械物性推測モデルから前記第二成形体領域の機械物性情報を取得し、当該機械物性情報に基づく出力を行うステップと、をプロセッサに実行させる成形体領域の検査プログラムであり、前記第一成形体領域及び前記第二成形体領域は、それぞれ、板状の複合材料を成形型にて成形して得られたものであり、前記複合材料の投影面積をＳ１とし、前記成形型の成形型キャビティにおける、前記第一成形体領域及び前記第二成形体領域の各々に対応する部分の投影面積をＳ２とし、（Ｓ１／Ｓ２）×１００の演算で得られる値をチャージ率とし、前記第一成形体領域及び前記第二成形体領域は、それぞれ、前記チャージ率が１０％以上５００％以下となるように前記複合材料を成形して得られたものである。
本発明によれば、機械物性を測定することなく、非破壊検査情報のみによって成形体領域の機械物性を推測して成形体領域の評価に役立てることができる。本発明によれば、非破壊検査情報からでは人がどのように頑張っても推測することが出来ない機械物性情報を、高い精度にて瞬時に推測することができる。これにより、成形体領域を含む成形体の生産における廃棄ロスを低減し、高品質な成形体を低コストで提供できる。
検査装置の構成例を示すブロック図。 学習処理のフローチャート。 ３つの反応値を出力するニューラルネットワークの例を示す図。 ニューラルネットワークのユニット間の演算処理を示す図。 推測処理のフローチャート。 活性化関数にＲＢＦを使ったときの識別曲面と反応値の分布。 活性化関数にシグモイド関数を使ったときの識別曲面と反応値の分布。 振動検査画像を示す図。 振動検査画像を示す図。 振動検査画像を示す図。 振動検査画像を示す図。 複合材料ＭＸのプレス成形に用いる成形型の一例を模式的に示した側面図。 図９に示す成形型における固定型を可動型側から見た平面模式図。 図９に示す成形型によって単一の複合材料Ｍを成形する方法の一例を示す模式図。 図１１に示す固定型及び複合材料Ｍを方向Ｄ１に見た平面模式図。 図９に示す成形型によって複合材料Ｍを成形した状態を示す模式図。 複合材料Ｍを加熱して予備賦形を行ってから固定型に配置する例を示す模式図。 予備賦形された複数の板状の複合材料を互いに重ならないようにして固定型上に配置してから成形を行う例を示す模式図。 図１５の状態から複合材料を成形した状態を示す模式図。 チャージ率と複合材料の流動距離との関係を説明するための模式図。 温度分布画像（アクティブ・サーモグラフィ画像）を示す図。 温度分布画像（アクティブ・サーモグラフィ画像）を示す模式図。
以下に、本発明の一実施形態である検査装置を含む検査システムについて説明するが、本発明はこれに制限されるものではない。
［検査システムの概略］
本実施形態の検査システムは、機械物性情報が未知の繊維強化された所定形状（例えば板状）の成形体領域（第二成形体領域）を被検査物とし、この第二成形体領域の機械物性情報を、実測することなく、推測するものである。ここで、成形体領域は、強化繊維を含む複合材料を金型にて成形して得られた領域である。
成形体領域の機械物性情報とは、成形体領域の機械的な物性を示す情報であり、例えば、成形体領域の強度などの破壊又は弾性に関する情報である。機械物性情報としては、引張強度又は曲げ強度などの破壊強度に関する情報や、破壊強度、圧縮強度、又はせん断強度等のそれぞれに関連する弾性率に関する情報が例示できる。
弾性率に関する情報は、弾性率（例えば引張弾性率又は曲げ弾性率）そのものであってもよいし、弾性率（例えば引張弾性率又は曲げ弾性率）をランク分けした場合のそのランク（以下、機械物性ランクと記載）であってもよい。弾性率に関する情報には、弾性率（又はそのランク）が不良品に該当することを示す情報、弾性率（又はそのランク）が良品に該当することを示す情報、弾性率（又はそのランク）が推測困難であったことを示す情報のいずれかが更に含まれるようにするとよい。
破壊強度に関する情報は、破壊強度（例えば引張強度、又は降伏強度）そのものであってもよいし、破壊強度（例えば引張強度又は降伏強度）をランク分けした場合のそのランク（以下、機械物性ランクと記載）であってもよい。破壊強度に関する情報には、破壊強度（又はそのランク）が不良品に該当することを示す情報、破壊強度（又はそのランク）が良品に該当することを示す情報、破壊強度（又はそのランク）が推測困難であったことを示す情報のいずれかが更に含まれるようにするとよい。
検査システムに含まれるコンピュータは、第二成形体領域の非破壊検査情報を取得し、この非破壊検査情報を、事前に生成してモデル記憶部に記憶しておいた機械物性推測モデルに入力し、この機械物性推測モデルによって推測を行い、推測される第二成形体領域の機械物性情報、または推測困難であることの情報を出力する。推測される第二成形体領域の機械物性情報としては、例えば機械物性ランク、良品又は不良品であることの情報等が挙げられる。情報を出力する方法としては、表示部に情報を表示する、スピーカから該情報をメッセージとして流す、プリンタに該情報を印刷させる、等が挙げられる。
本発明において、非破壊検査情報は、例えば振動特性情報や温度分布情報である。
振動特性とは、成形体領域を固定状態または非固定状態で加振させることで得られる、変位や加速度、固有振動数といった成形体領域自体の情報である。振動特性情報としては、固有振動数等の数値データでも良いし、ウェーブレット画像を利用した振動検査画像または音響特性画像であっても良い。振動検査画像として、例えば図８Ａ～図８Ｄのウェーブレット画像を例示できる。ここで、ウェーブレット画像は、成形体領域の振動をウェーブレット変換した後、振動の周波数を縦軸、時間を横軸、振動の振幅を濃淡で示した二次元画像である。
温度分布情報とは、検査対象の成形体領域の温度分布を示す情報である。温度分布情報としては、例えば成形体領域を赤外線カメラで撮像した画像（サーモグラフィ）を用いることができる。
機械物性推測モデルは、機械物性情報及び非破壊検査情報のデータが既知の、繊維強化された成形体領域（第一成形体領域）、の当該データを機械学習（教師あり学習、又は教師無し学習のディープラーニングを含む）させることで生成された、非破壊検査情報を入力として機械物性情報を出力するモデルである。機械物性推測モデルは、例えばニューラルネットワーク又はサポートベクターマシン等が用いられる。
検査システムのコンピュータは、検査装置を構成する。このコンピュータは、プロセッサと、ハードディスク装置又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の情報を記憶可能な装置からなる記憶部と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）及びＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）と、を備えていても良い。このプロセッサは、ＲＯＭに記憶された検査プログラムを実行することにより、被検査物の成形体領域の非破壊検査情報の取得、取得した非破壊検査情報の機械物性推測モデルへの入力、機械物性推測モデルからの機械物性情報の取得、取得した機械物性情報に基づく出力、等の処理を行う。検査プログラムを格納する記憶媒体としてはＲＯＭに限定されるものではなく、公知の記憶媒体を用いることができるが、非一時的な記憶媒体であると好ましく、ハードディスク装置又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）などが用いられてもよい。記憶媒体は記録媒体と称されることもある。また、検査プログラムはネットワーク上のサーバ（クラウド）に記憶され、プロセッサは、そのサーバからプログラムをダウンロードしてそのプログラムを実行してもよい。
成形体領域の非破壊検査情報は、通常、成形体領域の内部に欠陥、空隙、又は異物が存在しているか、存在している場合にはどの存在度合がどの程度であるか、といったことを判断するために用いられる。しかし、成形体領域の内部に欠陥、空隙、又は異物が多く存在していても、欠陥、空隙、又は異物の分布状態によっては、機械物性が良好となっている場合もある。このような場合、非破壊検査情報を目視にて確認して、欠陥、空隙、又は異物が多いから不良品であると判断してしまうと、良品であったはずの成形体領域を破棄することになってしまい、生産効率が下がることになる。一方、その逆もあり得る。つまり、非破壊検査情報を目視にて確認して、欠陥、空隙、又は異物が少ないから良品であると判断しても、機械物性は不良品に該当する状態となっている場合がある。
本発明者らは、上記の観点に基づき検証を行った結果、非破壊検査情報と機械物性情報には相関性があることを見出し、非破壊検査情報及び機械物性情報の多数の実測データを、ニューラルネットワーク又はサポートベクターマシン等のモデルに機械学習させることで、成形体領域の非破壊検査情報から、高い確度で、その成形体領域の機械物性情報を推測することに成功した。非破壊検査情報から機械物性情報を求めることは従来考えられていない。このため、非破壊検査情報を入力として機械物性情報を出力する機械学習モデルを構築することは、当業者にとって容易なことではなかった。
以下、検査システムの詳細例について説明する。なお、以下では、機械物性推測モデルがニューラルネットワークである例について説明する。
［強化繊維］
本発明に用いられる強化繊維の種類は、被検査物である成形体領域ａ（機械物性情報が未知の第二成形体領域に相当する）の用途等に応じて適宜選択することができるものであり、特に限定されるものではない。強化繊維としては、無機繊維又は有機繊維のいずれであっても好適に用いることができる。
上記無機繊維としては、例えば、炭素繊維、活性炭繊維、黒鉛繊維、ガラス繊維、タングステンカーバイド繊維、シリコンカーバイド繊維（炭化ケイ素繊維）、セラミックス繊維、アルミナ繊維、天然鉱物繊維（玄武岩繊維など）、ボロン繊維、窒化ホウ素繊維、炭化ホウ素繊維、及び金属繊維等を挙げることができる。
［炭素繊維］
繊維として炭素繊維を用いる場合、炭素繊維としては、一般的にポリアクリロニトリル（ＰＡＮ）系炭素繊維、石油・石炭ピッチ系炭素繊維、レーヨン系炭素繊維、セルロース系炭素繊維、リグニン系炭素繊維、フェノール系炭素繊維、気相成長系炭素繊維などが知られているが、本発明においてはこれらのいずれの炭素繊維であっても好適に用いることができる。
［強化繊維の形態］
本発明において、強化繊維の形態に特に限定は無いが、以下、本発明者らが具体例として行った、連続繊維について説明する。ただし、本発明は連続繊維に限定されるものではない。
連続繊維とは、強化繊維を短繊維の状態に切断することなく、強化繊維束を連続した状態で引き揃えた強化繊維を意味する。力学特性に優れる成形体領域ａを得る目的からは、連続強化繊維を用いることが好ましい。より具体的には、連続繊維とは好ましくは長さが１ｍ以上の繊維のことで、織物や編み物等の織布に加工した後樹脂をハンドレイアップなどで含浸させて用いたり、連続繊維に未硬化の樹脂を含浸させたプリプレグとして用いられたりする。
［成形体領域ａ］
成形体領域ａは、強化繊維で強化されたものである。以下、本発明らが行った実施態様の一例を説明するが、本発明は下記に記載の成形体領域ａに限定されない。
１．成形体
成形体領域ａは、板状の複合材料を成形した後の成形体であり、熱可塑性樹脂を用いた成形体であっても良いし、熱硬化性のプリプレグを用いた成形体であっても良い。
プリプレグとは、成形体を作成するための材料であり、連続した炭素繊維を一方向に並べシート状にしたもの（一方向プリプレグ）や炭素繊維織物などの炭素繊維から成る基材に熱硬化性樹脂を含浸させたもの、または熱硬化性樹脂の一部を含浸させ、残りの部分を少なくとも片方の表面に配置した成形中間材料である。
２．一方向性材料
成形体領域ａは、一方向性材料であることが好ましい。一方向性材料とは、長さ１００ｍｍ以上の連続した強化繊維が成形体領域ａの内部に一方向にそろえて配置されているものをいう。一方向材料としては、複数の連続強化繊維を積層したものであっても良い。特に、成形体領域ａが一方向性材料であって、熱硬化性のプリプレグを用いた成形体である場合、繊維配向による機械物性への影響が少ない。このため、後述のモデルによる機械物性情報の推測の精度を高めることができる。
［好ましい成形体領域］
前記成形体領域は必須成分として強化繊維とマトリクス樹脂とを含み、任意成分としてその他の成分を含み、下記式（Ａ）（Ｂ）で求められる成形体領域の空孔率Ｖｒが１０％以下であることが好ましい。
Ｖｒ＝（ｔ２－ｔ１）／ｔ２×１００ ・・・ 式（Ａ）
ｔ１＝（Ｗｆ／Ｄｆ＋Ｗｍ／Ｄｍ＋Ｗｚ／Ｄｚ）÷単位面積（ｍｍ２） ・・・ 式（Ｂ）
ｔ１：成形体領域の理論厚み（ｍｍ）
ｔ２：成形体領域の実測厚み（ｍｍ）
Ｄｆ：強化繊維の密度（ｍｇ／ｍｍ３）
Ｄｍ：マトリクス樹脂の密度（ｍｇ／ｍｍ３）
Ｄｚ：その他の成分の密度 （ｍｇ／ｍｍ３）
Ｗｆ：強化繊維の質量（ｍｇ）
Ｗｍ：マトリクス樹脂の質量（ｍｇ）
Ｗｚ：その他の成分の質量（ｍｇ）
空孔率Ｖｒは５％以下がより好ましく、３％以下が更に好ましい。空孔率が当該範囲内であれば、本発明の機械物性推測の精度が向上する。
［成形体領域ａの製造］
例えば、成形体領域ａは以下のように準備できる。
１．材料
・強化繊維：炭素繊維“テナックス（登録商標）”ＳＴＳ４０－２４Ｋ（引張強度４，３００ＭＰａ、引張弾性率２４０ＧＰａ、フィラメント数２４，０００本、繊度１，６００ｔｅｘ、伸度１．８％、密度１．７８ｇ／ｃｍ３、帝人（株）製）
・母材樹脂：エポキシ樹脂を主成分とした熱硬化性樹脂組成物
２．一方向プリプレグの作成
一方向プリプレグは次のようにホットメルト法により作製した。まず初めに、コーターを用いて上記熱硬化性樹脂組成物を離型紙上に塗布し、樹脂フィルムを作製した。次に、クリールから上記炭素繊維束を送り出し、コームに通過させ、炭素繊維束間のピッチを揃えた後、開繊バーを通して拡幅し、単位面積あたりの繊維の質量（繊維目付）が１００ｇ／ｍ２のシート状となるように一方向に整列させた。その後、上記樹脂フィルムを炭素繊維の両面から重ね、加熱加圧して熱硬化性樹脂組成物を含浸させ、ワインダーで巻き取り、一方向プリプレグを作製した。得られた一方向プリプレグの樹脂含有率は３０ｗｔ．％とした。
３．成形体領域ａの作成
一方向プリプレグを人手により０°方向に１１枚積層し、積層構成［０１１］Ｔのプリプレグ積層体を得た。上記プリプレグ積層体をバッグフィルム内に入れ、成形型内に配置してこれをオートクレーブ内で昇温し、１３０℃にて１２０分間加熱し、硬化させて厚さ１ｍｍのＣＦＲＰ成形体（一方向炭素繊維強化熱硬化性樹脂成形体である、成形体領域ａ）を作製した。オートクレーブ成形時の下記に述べるチャージ率は１００％であった。
［引張弾性率、引張強度の測定］
本発明の破壊強度、又は弾性率の具体例として、本発明者らは次に述べるように成形体領域ａの引張弾性率と引張強度を測定した。
上記ＣＦＲＰ成形体をウォータージェットにより試験片形状（長さ２５０ｍｍ×幅１５ｍｍ）に加工し、ガラス繊維強化樹脂基複合材料製のタブを接着した。ＡＳＴＭ Ｄ３０３９法に準拠し、万能試験機を用いて、試験速度２ｍｍ／ｍｉｎの条件にて０°方向引張試験を行い、ＣＦＲＰ成形体（成形体領域ａ）の引張弾性率および引張強度を算出した。
［振動特性情報］
本発明において、非破壊検査情報は振動特性情報であることが好ましい。振動特性情報の取得に用いられる振動検査方法に特に限定は無く、成形体領域の内部欠陥、空隙、又は異物を、成形体領域を破壊することなく検出する検査方法であればよい。また、振動特性情報の取得には、有限要素法（ＦＥＡ）を用いても良い。振動特性情報は、前記振動検査、又は有限要素法によって得られた情報を画像に変換したものが好ましく用いられ、変換後の画像がウェーブレット画像であることが特に好ましい。
具体的なウェーブレット画像を図８Ａ～図８Ｄに示す。この画像を取得するにあたり、振動測定は、フリー・フリー境界条件でインパルス加振により実施した。成形体にΦ２ｍｍの穴を開け、この穴にナイロンテグス（高木綱業製２２－８２３１）を通して梁から吊るすことでフリー・フリー境界条件とした。加速度ピックアップセンサー（ＰＣＢ ＰＩＥＺＯＴＲＯＮＩＣＳ製 ３５６Ａ０１）を成形体領域に設置し、インパルスハンマ（小野測器製ＧＫ－３１００）を用いて加振した。データ計測および解析はリアルタイム音響振動解析システム（小野測器製ＤＳ－３０００）を使用した。このとき、サンプリング周波数は２０００Ｈｚとした。
得られた振動データを、ウェーブレット解析用ソフトウェア（ＥＬＭＥＣ社製ＢＩＯＭＡＳ）を用いて解析し、振動の周波数を縦軸、時間を横軸、振動の振幅を輝度や色相で示したウェーブレット画像を得た。
図８Ａおよび図８Ｂは欠陥のない成形体領域のウェーブレット画像であり、図８Ｃおよび図８Ｄは欠陥のある成形体領域のウェーブレット画像である。なお、図８Ａ～図８Ｄは２値化した画像であり、白色の部分が多いほど、その周波数における振動の振幅が大きいことを示している。図８Ｃ中の符号８０３および図８Ｄ中の符号８０４は球状の模様となっており、４５０Ｈｚの振動が断続的に発生していたことが分かる。図８Ｃ中の符号８０３および図８Ｄ中の符号８０４の部分は図８Ａ中の８０１および図８Ｂ中の符号８０２の部分とは明らかに異なることが確認された。
［振動特性の振動減衰］
画像は振動減衰の情報を含むことが好ましい。振動減衰とは、振動の時刻歴データにおいて、振幅が時間経過に伴い減少する振動現象である。例えば図８Ａ中の符号８０１および図８Ｂ中の符号８０２の模様を見ると、図８Ａおよび図８Ｂの約４５０Ｈｚにおける白色の模様の縦軸方向の長さが時間経過とともに小さくなり、約４５０Ｈｚの振動が減衰している様子が分かる。このとき、図８Ａの符号８０１では図８Ｂの符号８０２に比べて、約４５０Ｈｚの振動が減衰する速度が速い。図８Ａ～図８Ｄの測定データを測定した成形体領域では、約４５０Ｈｚの振動が減衰する速度が速いほど、引張弾性率および引張強度が小さかった。なお、図８Ａ～図８Ｄはあくまで例に過ぎない。試験片の形状や固有振動数に応じて、振動減衰が生じる周波数は異なる。また、引張弾性率および引張強度以外の機械物性については、必ずしも振動が減衰する速度が速いほど小さくなるわけではない。
［音響特性］
本発明における非破壊検査情報は音響特性情報であっても良い。
［周波数］
１．サンプリング周波数
一般に、サンプリング周波数は音声等のアナログ波形をデジタルデータにするために必要な処理であるサンプリングにおいて、単位時間あたりに標本を採る頻度のことを指す。ある波形を正しくサンプリングするためには、波形の有する周波数成分の帯域幅の２倍以上の周波数でサンプリングする必要がある。本発明において、非破壊検査情報は、振動特性情報又は音響特性情報であって、第二成形体領域の非破壊検査情報を取得する際のサンプリング周波数は０Ｈｚ超である。
下限値の好ましい値は５０Ｈｚ以上であり、より好ましい値は２５０Ｈｚ以上、更に好ましくは５，０００Ｈｚ以上、より一層好ましくは１０，０００Ｈｚ以上である。一方、上限値の好ましい値は５０，０００Ｈｚ以下であり、より好ましくは４０，０００Ｈｚ以下であり、更に好ましい値は３０，０００Ｈｚ以下である。
したがって、サンプリング周波数は、５０Ｈｚ以上５０，０００Ｈｚ以下であることが好ましく、２５０Ｈｚ以上５０，０００Ｈｚ以下であることがより好ましく、５，０００Ｈｚ以上４０，０００Ｈｚ以下であることが更に好ましく、１０，０００Ｈｚ以上３０，０００Ｈｚ以下であることがより一層好ましい。
別の観点では、サンプリング周波数は、上述した振動減衰が生じる周波数の２倍以上であることが好ましい。
また、別の観点では、第二成形体領域の振動特性を取得する際のサンプリング周波数は後述する一次モードの固有振動数の２倍以上が好ましく、二次モードの固有振動数の２倍以上が更に好ましい。
２．一次モードの固有振動数
非破壊検査情報が振動特性情報であるとき、第一成形体領域、及び第二成形体領域の一次モードの固有振動数は０Ｈｚ超１０００Ｈｚ以下の間であることが好ましい。この範囲であれば、例えば自動車に成形体を組付けた場合に、外部やエンジンルームからの振動と共振せずに快適性が高まる。より好ましい第一成形体領域、及び第二成形体領域の一次モードの固有振動数は０Ｈｚ超５００Ｈｚ以下である。
一方、非破壊検査情報が音響特性情報であるとき、第一成形体領域、及び第二成形体領域の一次モードの固有振動数は０Ｈｚ超２０，０００Ｈｚ以下であると好ましく、０Ｈｚ超１０，０００Ｈｚ以下であるとより好ましい。
［有限要素法］
第一成形体領域の機械物性情報または非破壊検査情報は有限要素法により得られたものが好ましい。ここで、有限要素法（Ｆｉｎｉｔｅ Ｅｌｅｍｅｎｔ Ｍｅｔｈｏｄ， ＦＥＭ）とは、数値解析手法の一つであり、解析的に解くことが難しい微分方程式の近似解を数値的に得ることができる。第一成形体領域の形状に、予め実測と解析との比較により同定した材料パラメータを適用させた解析モデルを作製することで、第一成形体領域の機械物性または非破壊検査を実測しなくとも、有限要素法でこれらの情報を取得することができる。
［温度分布画像］
温度分布情報は温度分布画像であることが好ましい。温度分布画像とは、被検査物である成形体領域ａの温度の分布を赤外線カメラで撮像した画像をいう。
具体的な温度分布画像を図１８Ａおよび図１８Ｂに示す。図１８Ａは「ボイド」を含む成形体領域のアクティブ・サーモグラフィ画像である。図１８Ｂはシートモールディングコンパウンドを金型内で流動成形することで形成された成形体領域のアクティブ・サーモグラフィ画像である。これらの画像を取得するにあたり、アクティブ・サーモグラフィによる測定は、被検査物である成形体領域ａをクランプで固定し、ハロゲンランプ（Ｃａｓｔｅｒ社製 ＣＨＰ５００）２個を成形体領域ａの表面に対し左右４５°の角度から熱を照射できるようそれぞれ設置した。これら２個のハロゲンランプから照射された熱が成形体領域ａの表面で反射されるが、この反射された熱を赤外線カメラ（ＦＬＩＲ Ｓｙｓｔｅｍｓ社製 Ａ６１５）で測定した。熱源周波数０．１Ｈｚ、フレームレート２５Ｈｚ，撮影時間は１２５秒であった。図１８Ａ中の符号１８０１には、成形体領域の欠陥が可視化されていることが確認された。このような欠陥が存在すると、成形体領域の欠陥の部分において破壊強度や弾性率などの機械物性が低下する傾向がある。
シートモールディングコンパウンドは、連続強化繊維の繊維束を切断したチョップド繊維束をシート状に堆積させてなるチョップド繊維束マットに、マトリックス樹脂として熱硬化性樹脂を含浸させたものである。シートモールディングコンパウンドを金型内で流動成形することで成形体領域を形成すると、金型内での流動に応じてチョップド繊維束の配向および分布が変化し、チョップド繊維束の配向および分布に応じて、成形体領域の機械物性に変化が生じうる。
シートモールディングコンパウンドに含まれるチョップド繊維束と、マトリックス樹脂とで熱伝導率が異なる。このため、シートモールディングコンパウンドから成形された成形体領域では、マトリックス樹脂内に分布するチョップド繊維束に応じて温度分布に変化が生じうる。したがって、シートモールディングコンパウンドから成形された成形体領域の温度分布画像は、図１８Ｂに示すように、チョップド繊維束の分布および配向に応じて複雑なパターンとなる。
このように、シートモールディングコンパウンドに含まれるチョップド繊維束の配向および分布に応じて、温度分布画像および機械物性に変化が生じうるため、成形体領域の温度分布画像と機械物性とには相関関係がある。
人間がいくら頑張っても、図１８Ａおよび図１８Ｂの温度分布画像から、成形体領域の機械物性情報を推測できないことは明らかである。
本実施形態の検査装置１においては、第一成形体領域の温度分布画像と、温度分布画像の取得元である第一成形体領域を測定して得られた機械物性情報とを対応付けた教師データを用いて機械物性推測モデルを生成する。本実施形態の検査装置１を利用すれば、第二成形体領域の温度分布画像から第二成形体領域の機械物性情報を推測することができるため、熟練工がどのように頑張っても推測することが出来ない機械物性情報を、実測することなく、瞬時に推測することができる。
温度分布画像の取得方法に特に限定はなく、例えば赤外線サーモグラフィを利用できる。赤外線サーモグラフィは、物体の表面の温度、温度変化から内部の状況を知る非破壊検査のひとつである。発熱をしない対象物に、外部から励起して測定する場合は、アクティブ・サーモグラフィと呼ぶ。赤外線サーモグラフィで用いられる励起方法に特に限定はなく、加熱であっても冷却であっても良いが、外部から加熱して赤外線サーモグラフィ画像を撮像すると好ましい。加熱は輻射熱、超音波による振動エネルギー、電磁力によるもの、太陽光などを利用でき、冷却は自然冷却、気化熱、低音ガス吹き付けなどの手段を用いることが出来る。加熱又は冷却した表面には温度変化が生じ、その温度変化を赤外線センサーで検出し内部の状況を推定できる。
繊維と熱可塑性樹脂を含んだ成形体領域を加熱する場合には、加熱温度は熱可塑性樹脂の軟化点以下であることが好ましい。軟化点以下で加熱して観察すれば、成形体に悪影響を与えにくい。
［検査システム］
以下では、ニューラルネットワークの入力層へ入力可能な形式に変換されたデータを入力データと記載する。検査システムでは、第一成形体領域ａのサンプル（以下、成形体領域サンプルｂと記載）の非破壊検査情報（以下、非破壊検査情報サンプルと記載）と、成形体領域サンプルｂから実測して得た機械物性情報（以下、機械物性情報サンプルと記載）と、を取得して第２入力データとし、この第２入力データを使ってニューラルネットワークの学習を行う。ニューラルネットワークの学習が完了したら、成形体領域ａの非破壊検査情報を第１入力データとしてニューラルネットワークに入力し、ニューラルネットワークからの出力層における反応値に基づき、成形体領域ａの機械物性情報を推測する。推測された機械物性情報に基づき、成形体領域ａの良品と不良品の仕分けを行ってもよい。
検査システムは効果的な学習や高い精度の推測を行うため、学習処理と推測処理に最適化された非破壊検査情報を使うことができる。例えば、振動検査画像、音響特性画像または温度分布画像から特徴量の検出が容易になるよう、振動検査画像に各種画像処理を行っても良い。
［検査装置］
図１は検査装置１の構成例を示すブロック図である。検査装置１は、画像処理、入力データの生成、ニューラルネットワークの学習、ニューラルネットワークを使った機械物性情報の推測などを行う。検査装置１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等で構成された１つ又は複数のプロセッサと、記憶部と、通信部を備え、ＯＳ（オペレーティングシステム）とアプリケーションが動作する計算機などの情報処理装置である。検査装置１は、物理的な計算機であってもよいし、仮想計算機（Ｖｉｒｔｕａｌ Ｍａｃｈｉｎｅ：ＶＭ）、コンテナ（ｃｏｎｔａｉｎｅｒ）またはこれらの組み合わせにより実現されるものであってもよい。プロセッサの構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。
検査装置１は、非破壊検査情報と非破壊検査情報サンプルを記憶する画像記憶部１１と、非破壊検査情報と非破壊検査情報サンプルを処理する処理部１２と、入力データ生成部１３と、教師データ記憶部１４と、学習部１５と、モデル記憶部１６と、推測部１７と、表示部１８と、操作部１９とを備えている。処理部１２、入力データ生成部１３、学習部１５、及び推測部１７は、それぞれ、検査装置１のプロセッサがプログラムを実行することで実現される機能ブロックである。このプログラムには、成形体領域の検査プログラムが含まれる。
画像記憶部１１は、非破壊検査情報（好ましくは振動検査画像、音響特性画像または温度分布画像）を保存する記憶領域である。画像記憶部１１は、ＳＲＡＭ（Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などの揮発性メモリでも、ＮＡＮＤ型フラッシュメモリ、磁気抵抗メモリ（ＭＲＡＭ：Ｍａｇｎｅｔｒｏｒｅｓｉｓｔｉｖｅ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、強誘電体メモリ（ＦｅＲＡＭ：Ｆｅｒｒｏｅｌｅｃｔｒｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などの不揮発性メモリでもよい。
処理部１２は、非破壊検査情報（好ましくは振動検査画像、音響特性画像または温度分布画像）に対して画像処理を行い、画像処理が行われた後の画像を画像記憶部１１に保存する。画像処理の例としては、画像中のピクセルにおける赤、緑、青（ＲＧＢ）の各色の輝度をそれぞれ抽出した画像の生成、各ピクセルにおける赤（Ｒ）の輝度から緑（Ｇ）の輝度を減算した画像の生成、ＨＳＶ色空間への変換後、赤の成分のみを抽出した画像の生成などが挙げられるが、他の種類の画像処理を行ってもよい。
処理部１２は、他に画像の拡大、縮小、切り取り、ノイズ除去、回転、反転、色深度の変更、コントラスト調整、明るさ調整、シャープネスの調整、色補正などを行ってもよい。
入力データ生成部１３は、画像記憶部１１に記憶された非破壊検査情報又は非破壊検査情報サンプルから、ニューラルネットワークの入力層に入力される、入力データを生成する。例えば、振動検査画像を用いて後述の学習を行う場合には、振動検査画像から所望の部位を切り取り、あるいは余分な部位を除去して第２入力データとするのが好ましい。
検査装置１が学習処理を実行している場合、入力データ生成部１３は入力データを教師データ記憶部１４に保存する。検査装置１が成形体領域ａの検査を行っている場合、入力データは推測部１７に転送される。
なお、学習処理を行う際、入力データ生成部１３は、例えば、外部の装置やシステムによって撮影された画像（非破壊検査情報サンプル）を使って入力データを生成してもよい。
教師データ記憶部１４は、ニューラルネットワークの学習に用いられる複数の入力データを保存する記憶領域である。教師データ記憶部１４に保存された入力データは、学習部１５の教師データとして用いられる。教師データとして使われる入力データ（第２入力データ）には、その入力データの取得元である成形体領域サンプルｂから測定して得られた機械物性情報サンプルが対応付けて記憶される。この機械物性情報サンプルは、成形体領域サンプルｂの機械物性ランクと機械物性値（例えば弾性率）の少なくとも一方に加えて、機械物性値が良品に相当することを示す情報、機械物性値が不良品に相当することを示す情報、機械物性値の推測が困難であることを示す情報、等が含まれているとよい。
例えば、成形体領域サンプルｂから得た第２入力データへの機械物性情報サンプルの対応付け（以下、この対応付けをラベル付けとも記載する）は、その成形体領域サンプルｂの機械物性値（例えば弾性率）を、ユーザが操作部１９を操作することによって、直接入力することができる。入力後、検査装置１は、機械物性値を機械物性ランクに区分けする。例えば、引張弾性率を以下の機械物性ランクに分けることができる。
機械物性ランク１：成形体領域の引張弾性率が３０ＧＰａ以上
機械物性ランク２：成形体領域の引張弾性率が２５～３０ＧＰａ
機械物性ランク３：成形体領域の引張弾性率が２５ＧＰａ以下
この機械物性ランクは、上記のような５ＧＰａごとではなく、３ＧＰａや、１ＧＰａ単位で機械物性ランクを出力しても良い。なお、成形体領域サンプルｂから得た第２入力データに対応する機械物性情報サンプルが既知なのであれば、プログラムやスクリプトなどによって、ユーザ操作ではなく、自動的に機械物性ランクのラベル付けを行ってもよい。機械物性ランクのラベル付けは、成形体領域サンプルｂから得た非破壊検査情報サンプルの第２入力データへの変換前に行ってもよいし、第２入力データへの変換後に行ってもよい。
学習部１５は、教師データ記憶部１４に保存された入力データ（第２入力データ）を使い、ニューラルネットワークの学習を行う。学習部１５は、学習したニューラルネットワークをモデル記憶部１６に保存する。学習部１５は、例えば入力層と、隠れ層と、出力層の３層のニューラルネットワークを学習することができる。３層のニューラルネットワークを学習することにより、成形体領域ａの検査時におけるリアルタイムの応答性能を確保することができる。入力層、隠れ層、出力層のそれぞれに含まれるユニット数については特に限定しない。各層に含まれるユニット数は、求められる応答性能、推測対象、識別性能などに基づいて決定することができる。
なお、３層のニューラルネットワークは一例であり、これより層の数が多い多層のニューラルネットワークを用いることを妨げるものではない。多層のニューラルネットワークを用いる場合、畳み込みニューラルネットワークなど各種のニューラルネットワークを使うことができる。
モデル記憶部１６は、学習部１５により学習されたニューラルネットワークを保存する、記憶領域である。モデル記憶部１６には、検査対象とする成形体領域ａの種類に応じて複数のニューラルネットワークを保存してもよい。モデル記憶部１６は推測部１７より参照可能に設定されているため、推測部１７はモデル記憶部１６に保存されているニューラルネットワークを使って成形体領域ａの検査（機械物性情報の推測）を行うことができる。モデル記憶部１６は、ＲＡＭ、ＤＲＡＭなどの揮発性メモリでも、ＮＡＮＤ、ＭＲＡＭ、ＦＲＡＭ（登録商標）などの不揮発性メモリでもよい。なお、モデル記憶部１６は、検査装置１のプロセッサがアクセス可能な場所にあればよく、検査装置１に内蔵されたものでなくてもよい。例えば、モデル記憶部１６は、検査装置１に外付けされたストレージであってもよいし、検査装置１からアクセス可能なネットワークに接続されているネットワークストレージであってもよい。
推測部１７は、モデル記憶部１６に保存されたニューラルネットワークを使って、成形体領域ａの機械物性情報の推測を行う。推測部１７は、出力層のユニットから出力される反応値に基づいて成形体領域ａの機械物性ランクを推測する。出力層のユニットの例としては、機械物性ランク１のユニット、機械物性ランク２のユニット、機械物性ランク３のユニット、推測困難のユニットなどがあるが、その他の種類のユニットを用意してもよい。例えば、推測された機械物性ランクが低いものには、異物などが多く混入している可能性がある。複数のユニットの反応値の差や比を使って成形体領域ａの機械物性ランクを推測してもよい。
表示部１８は、画像やテキストを表示するディスプレイである。表示部１８には、撮影された画像や画像処理後の画像、推測部１７による推測結果を表示してもよい。
操作部１９は、利用者による検査装置１の操作手段を提供する装置である。操作部１９は、例えば、キーボード、マウス、ボタン、スイッチ、音声認識装置などであるが、これに限られない。
［学習処理］
検査装置１による成形体領域ａの機械物性ランクの推測を行う前に、成形体領域ａと同一種類の成形体領域サンプルｂの非破壊検査情報サンプル及び機械物性情報サンプルを使って、ニューラルネットワークの学習を行う必要がある。図２は、学習処理のフローチャートである。
まず、検査装置１のプロセッサは、複数の成形体領域サンプルｂの各々の非破壊情報サンプルを取得する（ステップＳ２０１）。ここでの非破壊検査情報サンプルには、機械物性ランクの高いものや低いものが含まれるようにする。ニューラルネットワークの出力層に推測困難の反応値を出力するユニットを設ける場合には、機械物性情報が推測困難な非破壊検査情報サンプルを用意してもよい。推測困難な非破壊検査情報サンプルの例としては、非破壊検査情報サンプルが画像の場合、成形体領域サンプルｂが充分に写っていない画像、照明や露光による明るさ調整が不適切で成形体領域サンプルｂが鮮明に写っていない画像などが挙げられる。
検査装置１のプロセッサは、取得した各非破壊検査情報サンプルから第２入力データを生成する（ステップＳ２０１）。次に、検査装置１のプロセッサは、この複数の成形体領域サンプルｂの各々の機械物性情報サンプルを取得し、取得した機械物性情報サンプルを、各第２入力データに対応付けて記憶する（ステップＳ２０３）。
なお、ステップＳ２０３は、ステップＳ２０２の前に行ってもよい。この場合、各非破壊検査情報サンプルが第２入力データに変換された後も、当該非破壊検査情報サンプルに対応付けられた機械物性情報サンプルは、その第２入力データに引き継がれるものとすればよい。
次に、検査装置１のプロセッサは、第２入力データに基づき、ニューラルネットワークによる学習を開始させる（ステップＳ２０４）。
図３は、３つの反応値を出力するニューラルネットワークの例を示している。図３のニューラルネットワーク３０１は入力層３０２、隠れ層３０３、出力層３０４の３層を有するニューラルネットワークである。出力層３０４は機械物性ランクを推測するユニット３１１、３１２、３１３を含む。ユニット３１１、３１２、３１３は図３では３個であるが、機械物性のランクに応じて適宜増減することができる。
ニューラルネットワークでは、入力層に入力された値が、隠れ層、出力層と伝播され、出力層の反応値が得られる。ステップＳ２０５では、第２入力データをニューラルネットワークに入力した場合に、この第２入力データに対応付けられた機械物性情報サンプル又はこれに近い情報が高い確率でニューラルネットワークから出力されるように、隠れ層３０３の数、入力層３０２及び隠れ層３０３の各々に含まれるユニット数、入力層３０２及び隠れ層３０３の各々に含まれるユニット間の結合係数等の、ニューラルネットワークの各パラメータや構造が調整される。このようにして、機械物性推測モデルが生成されて、モデル記憶部１６に記憶される。
図４はニューラルネットワークのユニット間の演算処理を示している。図４には、第ｍ－１層のユニットと、第ｍ層のユニットが示されている。説明のため、図４にはニューラルネットワークの一部のユニットのみが示されているものとする。第ｍ－１層におけるユニット番号はｋ＝１、２、３・・・である。第ｍ層におけるユニット番号はｊ＝１、２、３・・・である。
第ｍ－１層のユニット番号ｋの反応値をａｋ ｍ－１とすると、第ｍ層のユニット番号ｊの反応値ａｊ ｍは、下記の式（２）を使って求められる。

ここで、Ｗｊｋ ｍは重みであり、ユニット間の結合の強さを示している。ｂｊ ｍはバイアスである。ｆ（・・・）は活性化関数である。式（２）より、第ｍ層における任意のユニットの反応値は、第ｍ－１層にあるすべてのユニット（ｋ＝１、２、３・・・）の反応値を重み付け加算し、活性化関数の変数として入力したときの出力値であることがわかる。
次に活性化関数の例について説明する。下記の式（３）は正規分布関数である。

ここで、μは平均値であり、正規分布関数が描く釣鐘状のピークの中心位置を示している。σは標準偏差でありピークの幅を示している。式（３）の値は、ピークの中心からの距離のみに依存するため、ガウス関数（正規分布関数）は放射基底関数（ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ：ＲＢＦ）の一種であるといえる。ガウス関数（正規分布関数）は一例であり、これ以外のＲＢＦを使ってもよい。
下記の式（４）はシグモイド関数である。シグモイド関数はｘ→∞の極限で１．０に漸近する。また、ｘ→－∞の極限で０．０に漸近する。すなわち、シグモイド関数は（０．０，１．０）の範囲の値をとる。

なお、活性化関数としてガウス関数やシグモイド関数以外の関数を用いることを妨げるものではない。例えば、本発明者らは、畳み込み層ではＲｅｌｕ、出力層ではｓｏｆｔｍａｘを用いた。
ニューラルネットワークの学習は、入力データを入力層に入力したら、正しい出力が得られるよう、ユニット間の結合の強さである重みＷｊｋの調整を行う。ニューラルネットワークにおいてある機械物性ランクをラベル付けされた入力データを入力したときに期待される、正しい出力（出力層のユニットの反応値）は教師信号ともよばれる。
例えば、機械物性ランクが３１１とラベル付けした入力データを、ニューラルネットワーク３０１に入力したら、教師信号ではユニット３１１の反応値が１、ユニット３１２の反応値が０、ユニット３１３の反応値が０となる。機械物性ランクが３１２とラベル付けされた入力データをニューラルネットワーク３０１に入力したら、教師信号ではユニット３１１の反応値が０、ユニット３１２の反応値が１、ユニット３１３の反応値が０となる。
例えば、重みＷｊｋの調整はバックプロパゲーション法（誤差逆伝播法：Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ Ｍｅｔｈｏｄ）を使って実行することができる。バックプロパゲーション法では、ニューラルネットワーク３１０の出力と教師信号のずれが小さくなるよう、出力層側から順番に、重みＷｊｋを調整する。下記の式（５）は改良型バックプロパゲーション法を示している。

なお、活性化関数としてガウス関数を用いた場合には重みＷｊｋだけでなく、式（３）のσとμも、改良型バックプロパゲーション法におけるパラメータとして調整対象とする。パラメータσ、μの値を調整することにより、ニューラルネットワークの学習収束を補助する。下記の式（６）はパラメータσについて行われる値の調整処理を示している。


下記の式（７）はパラメータμについて行われる値の調整処理を示している。

ここで、ｔは学習回数、ηは学習定数、δｋは一般化誤差、Ｏｊはユニット番号ｊの反応値、αは感性定数、βは振動定数である。ΔＷｊｋ、Δσｊｋ、Δμｊｋは重みＷｊｋ、σ、μのそれぞれの修正量を示す。
ここでは、改良型バックプロパゲーション法を例に重みＷｊｋやパラメータの調整処理を説明したが、代わりに一般のバックプロパゲーション法を使ってもよい。以降で単にバックプロパゲーション法と述べた場合、改良型バックプロパゲーション法と一般のバックプロパゲーション法の双方を含むものとする。
バックプロパゲーション法による重みＷｊｋやパラメータの調整回数は一回でもよいし、複数回でもよく、特に限定しない。一般に、テストデータを使ったときの機械物性ランクの推測精度に基づいてバックプロパゲーション法による重みＷｊｋやパラメータの調整の繰り返しを行うのか否かを判断することができる。重みＷｊｋやパラメータの調整を繰り返すと、機械物性ランクの推測精度が向上する場合がある。
上述の方法を使うことにより、ステップＳ２０５において、重みＷｊｋ、パラメータσ、μの値を決定することができる。重みＷｊｋ、パラメータσ、μの値が決まると、ニューラルネットワークを使った推測処理を行うことが可能となる。
図５は成形体領域の検査プログラムにしたがって動作する検査装置１による機械物性情報の推測動作を説明するためのフローチャートである。検査装置１のプロセッサは、成形体領域ａの非破壊検査情報を取得する（好ましくは振動検査画像、音響特性画像または温度分布画像を撮影する）（ステップＳ５０１）。振動検査画像、音響特性画像または温度分布画像を非破壊検査情報とする場合、ステップＳ５０１とステップＳ５０２との間に、振動検査画像、音響特性画像または温度分布画像に対し画像処理をするステップがあっても良い。
次に、検査装置１のプロセッサは、非破壊検査情報から第１入力データを生成する（ステップＳ５０２）。第１入力データはニューラルネットワークの入力層のユニット数に等しいＮ個の要素を有し、ニューラルネットワークへ入力可能な形式となっている。
次に、検査装置１のプロセッサは、第１入力データをニューラルネットワークへ入力する（ステップＳ５０３）。第１入力データは入力層、隠れ層、出力層の順番に伝達される。検査装置１のプロセッサは、ニューラルネットワークの出力層における反応値に基づき、機械物性ランクの推測を行う（ステップＳ５０４）。
ニューラルネットワークを使った推測処理は、第１入力データの識別空間内における位置を見つける処理と等価である。図６は、活性化関数にガウス関数を使ったときの識別空間の例を示している。活性化関数にガウス関数などのＲＢＦを使うと、識別空間を機械物性のランクごとの領域に分ける識別曲面が閉曲面になる。また、機械物性ランクのそれぞれのカテゴリについて、高さ方向の指標を追加することにより、識別空間において各カテゴリに係る領域を局所化することができる。
図７は、活性化関数にシグモイド関数を使ったときの識別空間の例を示している。活性化関数がシグモイド関数である場合、識別曲面は開曲面となる。なお、上述のニューラルネットワークの学習処理は、識別空間で識別曲面を学習する処理にあたる。図６、図７における領域には機械物性ランク３１１と機械物性ランク３１２のみ示しているが、３個以上の複数の機械物性ランクの分布があっても良い。
以上のように、本実施形態の検査システムを用いれば、成形体領域ａの非破壊検査情報（好ましくは振動検査画像、音響特性画像または温度分布画像）から、その成形体領域ａの機械物性情報を推測できる。特許文献２（国際公開第２０１９／１５１３９３号）や特許文献３（国際公開第２０１９／１５１３９４号）に記載の発明では、あくまで画像や測定対象物を人間が見れば判断できるものを、ニューラルネットワークに代替させているに過ぎない。つまり、これら発明では、検査対象が写真撮影された食品であるため、その食品における異物などの有無を人間が容易に判断できる。
一方、機械物性情報は、数値又はこれに準じたランク等であり、非破壊検査情報（好ましくは振動検査画像、音響特性画像または温度分布画像）は、成形体領域の内部の状態を可視化又は数値化したものである。つまり、非破壊検査情報を熟練工が見ても、ここから機械物性情報を推測することはできない。
例えば、人間がいくら頑張っても、図８Ａ～図８Ｄの振動検査画像や、図１８Ａ～図１８Ｂの温度分布画像から、機械物性情報を推測できないことは明らかである。本実施形態の検査装置１を利用すれば、熟練工がどのように頑張っても推測することが出来ない機械物性情報を、実測することなく、瞬時に推測することができる。
上記実施形態では、板状の成形体領域の非破壊検査情報から機械物性情報を推測する例について説明したが、本発明は板状の成形体領域に限らず、三次元形状を有する成形体領域についても、非破壊検査情報から機械物性情報を推測することができる。
以下、板状の複合材料を成形型にて成形して成形体領域を得る例について説明する。以下では、成形型にて成形する前の板状の複合材料を総称して複合材料ＭＸと記載する。以下の説明では、複合材料ＭＸとして、複合材料Ｍ、複合材料Ｍｓ、複合材料Ｍ２、複合材料Ｍ３が例示される。複合材料ＭＸは、不連続繊維を含むものであることが好ましい。複合材料ＭＸは、マトリックス樹脂として熱可塑性樹脂を含んでもよい。複合材料ＭＸは、連続強化繊維の繊維束を切断したチョップド繊維束をシート状に堆積させてなるチョップド繊維束マットに、マトリックス樹脂として熱硬化性樹脂を含浸させたシートモールディングコンパウンドであることが特に好ましい。
［複合材料ＭＸの成形方法］
複合材料ＭＸの成形方法に特に限定は無く、プレス成形（圧縮成形）、オートクレーブ成形、バキューム成形などが用いられるが、プレス成形であることが好ましい。
［成形型］
図９は、複合材料ＭＸのプレス成形に用いる成形型の一例を模式的に示した側面図である。図１０は、図９に示す成形型における固定型２０を可動型３０側から見た平面模式図である。図９に示す成形型は、固定型２０と、固定型２０に対して移動自在に構成された可動型３０と、を備える。固定型２０における可動型３０側の上面２１には、凹部２２が形成されている。凹部２２は、底面２２Ａと、底面２２Ａと上面２１とを繋ぐ一対の側面２２Ｂとで区画される領域である。可動型３０は、固定型２０に対して近づく方向Ｄ１及び固定型２０から遠ざかる方向Ｄ２を含む方向Ｄに移動自在に構成されている。方向Ｄ１は、複合材料ＭＸを成形する際に複合材料ＭＸに対して圧力をかける方向である。なお、成形方法がバキューム成形であれば、方向Ｄ１が吸引方向となる。
可動型３０が最も固定型２０に接近した状態（図中の一点鎖線の位置に可動型３０がある状態）では、可動型３０と固定型２０の間に成形型キャビティ（図中の斜線で示した空間ＳＰ）が形成される。
成形型キャビティとは、成形体を形成する空間である。成形型によって複合材料ＭＸを成形して得られる成形体のうち、端部等において不要な部分をトリミングする場合もある。この場合には、図９に示す空間ＳＰのうち、トリミングされて最終的に残る成形体を形成する空間が、成形型キャビティとなる。例えば、図９に示す成形型によって複合材料Ｍを成形して得られた図１３に示す成形体ＭＤ１のうち、破線で示した部分をトリミングして最終製品とする場合を想定する。この場合には、空間ＳＰのうち、破線で示した範囲を除く部分が、成形型キャビティとなる。
図１１は、図９に示す成形型によって単一の複合材料Ｍを成形する方法の一例を示す模式図である。板状の複合材料Ｍは、固定型２０の上面２１に凹部２２を覆う状態にて配置される。図１２は、図１１に示す固定型２０及び複合材料Ｍを方向Ｄ１に見た平面模式図である。図１１に示す状態から可動型３０を方向Ｄ１に移動させると、複合材料Ｍは可動型３０からの圧力によって流動して、空間ＳＰの形状に沿って変形し、図１３に示すように、成形体ＭＤ１が得られる。図１１～図１３の例では、複合材料Ｍを成形して得られた成形体領域の全部が成形体ＭＤ１を構成している。
複合材料Ｍがマトリックス樹脂として熱可塑性樹脂を含む場合、コールドプレスにより複合材料Ｍを成形してもよい。成形方法がコールドプレスの場合には、プレスの前に複合材料Ｍを加熱して予備賦形を行う。この予備賦形した複合材料Ｍを、図１４に示すように、固定型２０の上面及び凹部に配置する。その後、図１４に示す状態から可動型３０を方向Ｄ１に移動させると、予備賦形された複合材料Ｍは可動型３０からの圧力によって流動して、空間ＳＰの形状に沿って変形し、図１３に示すように、成形体ＭＤ１が得られる。
成形型によって成形体を製造する場合、成形体の元となる複合材料ＭＸは１つであってもよいし、複数であってもよい。例えば、図１１及び図１２の一点鎖線で示すように、複合材料Ｍの上に更に別の板状の複合材料Ｍｓを配置してから成形を行う場合もある。また、図１５に示すように、予備賦形された複数の板状の複合材料（複合材料Ｍ２と複合材料Ｍ３）を互いに重ならないようにして固定型２０上に配置してから成形を行う場合もある。図１５に示す状態から可動型３０を方向Ｄ１に移動させると、予備賦形された複合材料Ｍ２と複合材料Ｍ３は可動型３０からの圧力によって流動して、空間ＳＰの形状に沿って変形する。そして、図１６に示すように、複合材料Ｍ２を成形して得られた成形体領域ＭＡ２と、複合材料Ｍ３を成形して得られた成形体領域ＭＡ３と、からなる成形体ＭＤ２が得られる。図１５及び図１６の例では、複合材料Ｍ２を成形して得られた成形体領域ＭＡ２と、複合材料Ｍ３を成形して得られた成形体領域ＭＡ３は、それぞれ、成形体ＭＤ２の一部を構成している。
［成形体を構成する複合材料ＭＸの投影面積Ｓ１］
（１）成形体が単一の複合材料ＭＸによって構成されている場合には、その単一の複合材料ＭＸ（コールドプレス成形を採用する場合には、予備賦形前の状態のもの）を厚み方向にみたときのその複合材料ＭＸの平面積を投影面積Ｓ１と定義する。図１１の例では、複合材料Ｍの平面積が投影面積Ｓ１となる。
（２）成形体が複数の複合材料ＭＸによって構成されており、且つ、この複数の複合材料ＭＸを重ねた状態にて成形する場合を想定する。この場合には、成形体は、単一の成形体領域によって構成されるものと見做す。そして、重ねられた状態のこの複数の複合材料ＭＸ（コールドプレス成形の場合は、予備賦形前の状態のもの）をそれぞれの厚み方向に見たときの、その複数の複合材料ＭＸ全体の平面積を投影面積Ｓ１と定義する。
（ｉ）図１２の例では、複合材料Ｍｓの全体が複合材料Ｍと重なっている。このため、投影面積Ｓ１は、複合材料Ｍの平面積と同じになる。
（ｉｉ）図１２において、例えば、複合材料Ｍｓの一部だけが複合材料Ｍに重なるよう配置される場合を想定する。この場合には、複合材料Ｍの平面積と、複合材料Ｍｓにおける複合材料Ｍと重なっていない領域の平面積との和が投影面積Ｓ１となる。
（３）成形体が複数の複合材料ＭＸによって構成され、且つ、この複数の複合材料ＭＸが重ならないよう配置してから成形する場合を想定する。この場合には、この複数の複合材料ＭＸ（コールドプレス成形の場合は、予備賦形前の状態のもの）をそれぞれの厚み方向に見たときの各複合材料ＭＸの平面積を投影面積Ｓ１と定義する。図１５の例では、予備賦形前の複合材料Ｍ２を厚み方向にみたときの複合材料Ｍ２の平面積が投影面積Ｓ１となる。また、予備賦形前の複合材料Ｍ３を厚み方向にみたときの複合材料Ｍ３の平面積が投影面積Ｓ１となる。
［成形型キャビティにおける成形体領域に対応する部分の投影面積Ｓ２］
成形型キャビティによって形成される成形体が、（１）単一の複合材料ＭＸによって構成されている場合、又は、（２）重なりあわされた複数の複合材料ＭＸを成形して得られた単一の成形体領域によって構成されるものと見做す場合を想定する。この場合には、成形型キャビティ（空間ＳＰ）全体が、この単一の成形体領域に対応する部分となる。方向Ｄ１にみたときのこの部分の平面積を投影面積Ｓ２と定義する。図１３の例では、方向Ｄ１にみたときの空間ＳＰの平面積が投影面積Ｓ２となる。
（３）成形型キャビティによって形成される成形体が、互いに重ならない状態で配置された複数の複合材料ＭＸを成形して得られた複数の成形体領域によって構成される場合を想定する。この場合には、成形型キャビティのうち各成形体領域が存在する部分が、各成形体領域に対応する部分である。この各部分を方向Ｄ１にみたときの平面積を投影面積Ｓ２と定義する。
図１６の例では、空間ＳＰのうち、成形体領域ＭＡ２の存在する部分を方向Ｄ１にみたときの平面積が成形体領域ＭＡ２の投影面積Ｓ２となる。また、空間ＳＰのうち、成形体領域ＭＡ３の存在する部分を方向Ｄ１にみたときの平面積が成形体領域ＭＡ３の投影面積Ｓ２となる。
なお、複数の複合材料ＭＸを離間して配置してコールドプレスして成形体を作成した場合には、成形時に各複合材料ＭＸが流動して境界にウエルドが形成される。このため、完成した成形体を観察すれば、「各複合材料ＭＸを成形して得られる成形体領域」は容易に判別できる。
［チャージ率］
成形型で製造された成形体について、下記式（Ｃ）の演算にて得られる値をチャージ率と定義する。
チャージ率［％］＝１００×｛（成形体を構成する複合材料ＭＸの投影面積Ｓ１）／（成形型キャビティにおける成形体領域に対応する部分の投影面積Ｓ２） ・・・（Ｃ）
なお、図１６に示す例のように、成形体ＭＤ２が複数の成形体領域ＭＡ２、ＭＡ３を含む場合には、各成形体領域ＭＡ２、ＭＡ３についての投影面積Ｓ１及び投影面積Ｓ２を式（Ｃ）に代入することで、１つの成形体ＭＤ２に関して２つのチャージ率が求まる。
つまり、複合材料Ｍ２の平面積を投影面積Ｓ１とし、且つ、成形型キャビティにおける成形体領域ＭＡ２の存在する部分の平面積を成形体領域ＭＡ２の投影面積Ｓ２として式（Ｃ）に代入することで、第一のチャージ率が算出される。また、複合材料Ｍ３の平面積を投影面積Ｓ１とし、且つ、成形型キャビティにおける成形体領域ＭＡ３の存在する部分の平面積を成形体領域ＭＡ３の投影面積Ｓ２として式（Ｃ）に代入することで、第二のチャージ率が算出される。
このチャージ率は、その値が大きいほど、成形中における複合材料ＭＸの流動距離が少ないことを意味する。例えば、図９に示した成形型を用いて、図１６に示す成形体領域ＭＡ２のみを製品として製造する場合を例にする。この場合、図１７に示すように、複合材料Ｍ２の投影面積Ｓ１を、図１５に示す例よりも小さくしてチャージ率を下げると、複合材料Ｍ２の流動距離は図１５に示す例よりも長くなる。ここで、「流動距離」は、成形型に配置された複合材料の端部から、複合材料を成形した後の成形体領域の端部までの距離で表すことができる。
複合材料ＭＸが不連続繊維を含み、この複合材料ＭＸを成形して得られた成形体領域が不連続繊維によって繊維強化されたものである場合、複合材料ＭＸを流動させて成形体領域を生成する際に、複合材料ＭＸの流動と同時に繊維が流動方向に配向する。したがって、複合材料ＭＸの流動距離が短い場合には、成形時の流動や繊維配向の制御が容易になり、大量生産したときの成形体領域の機械物性品質が安定する。ここで、「機械物性品質」とは、成形体領域の機械的な物性を示す品質である。機械的な物性としては、引張強度、曲げ強度、せん断強度などの破壊強度や、引張弾性率、曲げ弾性率、破壊強度、圧縮強度、又はせん断強度等のそれぞれに関連する弾性率が例示できる。
機械物性品質にできるだけバラツキがない成形体領域から得た教師データを用いて上述した機械物性推測モデルを生成することで、機械物性の推測精度を高めることができる。具体的には、機械物性推測モデルに学習させる教師データ（非破壊検査情報及び機械物性情報）の測定元となる第一成形体領域と、この機械物性推測モデルによって機械物性の推測を行う対象となる第二成形体領域として、それぞれ、チャージ率が１０％以上５００％以下となるように複合材料ＭＸを成形型にて成形して得られるものを適用対象とすることが好ましい。
第一成形体領域と第二成形体領域の各々の構造としては、例えば、図１３に示した成形体ＭＤ１、図１６に示した成形体領域ＭＡ２、図１６に示した成形体領域ＭＡ３、又は、図１６に示した成形体ＭＤ２を採用することができる。なお、第一成形体領域と第二成形体領域の各々が、図１６に示す成形体ＭＤ２である場合には、複合材料Ｍ２及び成形体領域ＭＡ２について求まるチャージ率と、複合材料Ｍ３及び成形体領域ＭＡ３について求まるチャージ率とのいずれか一方が、１０％以上５００％以下となっていればよい。
チャージ率が１０％未満になると、複合材料ＭＸの流動距離が大きくなる。このため、第一成形体領域と第二成形体領域の各々の機械物性品質を安定化させるのが難しくなる。したがって、チャージ率の下限は１０％としている。チャージ率の上限は、成形型にて製造する製品の用途によって決めることができる。この上限を５００％としておけば、多くの用途に適した製品を対象とすることができる。なお、第一成形体領域と第二成形体領域の各々の機械物性品質をより安定化させるためには、チャージ率を５０％以上とすることが好ましく、７０％以上とすることがより好ましく、８０％以上とすることが更に好ましい。なお、強化繊維が不連続繊維であって、特定方向への機械強度を向上させたいときは、チャージ率１０％以上５０％未満にすると、成形体領域に異方性が生じやすく、好ましい。
［成形体領域の等方性］
成形時の複合材料ＭＸの流動が少ない場合、複合材料ＭＸとこれの成形後の成形体領域の繊維配向は近似する。特に、複合材料ＭＸが不連続繊維によって強化された等方性基材の場合、成形時の流動が少なければ（換言すると、チャージ率が大きければ）成形体領域でも等方性が確保される。ここで、等方性は、成形体領域の任意の方向、およびこれと直交する方向の引張弾性率を測定し、測定した引張弾性率のうち、大きい値を小さい値で割った比で評価することができる。第一成形体領域と第二成形体領域の各々の等方性（引張弾性率の比）は１．５以下であることが好ましく、１．３以下であることがより好ましい。
［成形体領域の目付の変動係数（ＣＶ）］
第一成形体領域と第二成形体領域の各々の目付の変動係数（ＣＶ）は１０％以下であることが好ましい。ここで目付とは、単位面積当たりの成形体領域の質量である。目付の変動係数（ＣＶ）が１０％以下であれば、第一成形体領域と第二成形体領域の各々の物性が均一化される。このため、機械物性推測モデルによる機械物性の推測が容易になる。
［成形体領域に含まれる強化繊維］
第一成形体領域と第二成形体領域は、それぞれ、強化繊維束の繊維長をＬｉとし、強化繊維束を構成する強化繊維の単糸直径をＤｉとし、強化繊維束に含まれる単糸の繊維数をＮｉとした場合に、Ｌｉが１ｍｍ以上１００ｍｍ以下であり、且つ、Ｌｉ／（Ｎｉ×Ｄｉ２）が８．０×１０１以上３．３×１０３以下の強化繊維束Ａを含む、ことが好ましい。
強化繊維束Ａの体積割合は、成形体に含まれる強化繊維全体に対して５０～１００ｖｏｌ％であることが好ましく、７０～９０ｖｏｌ％であることがより好ましい。
本出願は、２０２１年１２月２４日付出願の日本国特願２０２１－２１０６１１号に基づく優先権を主張する。

Claims (25)

  1. 機械物性情報及び非破壊検査情報が既知の、繊維強化された第一成形体領域の当該機械物性情報及び当該非破壊検査情報を機械学習させることで、機械物性情報が未知の繊維強化された第二成形体領域の非破壊検査情報を入力として前記第二成形体領域の機械物性情報を推測する機械物性推測モデルを生成するステップと、
    前記第二成形体領域の非破壊検査情報を取得するステップと、
    前記取得した前記非破壊検査情報を前記機械物性推測モデルに入力して、前記機械物性推測モデルから前記第二成形体領域の機械物性情報を取得し、当該機械物性情報に基づく出力を行うステップと、をプロセッサに実行させる成形体領域の検査プログラムであって、
    前記第一成形体領域及び前記第二成形体領域は、それぞれ、板状の複合材料を成形型にて成形して得られたものであり、
    前記複合材料の投影面積をＳ１とし、前記成形型の成形型キャビティにおける、前記第一成形体領域及び前記第二成形体領域の各々に対応する部分の投影面積をＳ２とし、（Ｓ１／Ｓ２）×１００の演算で得られる値をチャージ率とし、
    前記第一成形体領域及び前記第二成形体領域は、それぞれ、前記チャージ率が１０％以上５００％以下となるように前記複合材料を成形して得られたものであり、
    前記機械物性情報は、引張強度または曲げ強度に関する情報、破壊強度、圧縮強度、またはせん断強度のそれぞれに関連する弾性率に関する情報であり、
    前記非破壊検査情報は、振動特性情報又は音響特性情報であって、前記非破壊検査情報を取得する際のサンプリング周波数は０Ｈｚ超である成形体領域の検査プログラム。
  2. 請求項１記載の成形体領域の検査プログラムであって、
    前記第一成形体領域及び前記第二成形体領域は、それぞれ、前記チャージ率が５０％以上となるように、前記複合材料を成形して得られる、成形体領域の検査プログラム。
  3. 請求項１記載の成形体領域の検査プログラムであって、
    前記第一成形体領域及び前記第二成形体領域は、それぞれ、不連続繊維によって繊維強化されている、成形体領域の検査プログラム。
  4. 請求項１記載の成形体領域の検査プログラムであって、
    前記第一成形体領域及び前記第二成形体領域は、それぞれ、等方性が１．５以下である、成形体領域の検査プログラム。
  5. 請求項１記載の成形体領域の検査プログラムであって、
    前記第一成形体領域及び前記第二成形体領域は、それぞれ、目付の変動係数が１０％以下である、成形体領域の検査プログラム。
  6. 請求項１記載の成形体領域の検査プログラムであって、
    前記第一成形体領域及び前記第二成形体領域の各々の強化繊維は、強化繊維束の繊維長をＬｉとし、強化繊維束を構成する強化繊維の単糸直径をＤｉとし、強化繊維束に含まれる単糸の繊維数をＮｉとした場合に、Ｌｉが１ｍｍ以上１００ｍｍ以下であり、且つ、Ｌｉ／（Ｎｉ×Ｄｉ２）が８．０×１０１以上３．３×１０３以下の強化繊維束を含む、成形体領域の検査プログラム。
  7. 請求項１記載の成形体領域の検査プログラムであって、
    前記成形はプレス成形である、成形体領域の検査プログラム。
  8. 請求項１記載の成形体領域の検査プログラムであって、
    前記複合材料は、チョップド繊維束マットに、マトリックス樹脂として熱硬化性樹脂を含浸させたシートモールディングコンパウンドである、成形体領域の検査プログラム。
  9. 請求項１記載の成形体領域の検査プログラムであって、
    前記非破壊検査情報は、画像又は数値データである、成形体領域の検査プログラム。
  10. 請求項１記載の成形体領域の検査プログラムであって、
    前記機械物性情報は、成形体領域の弾性率、又は破壊強度に関する情報である、成形体領域の検査プログラム。
  11. 請求項１０記載の成形体領域の検査プログラムであって、
    前記弾性率に関する情報は、弾性率、又は弾性率をランク分けした場合のランクを含み、
    前記破壊強度に関する情報は、破壊強度、又は破壊強度をランク分けした場合のランクを含む、成形体領域の検査プログラム。
  12. 請求項１１記載の成形体領域の検査プログラムであって、
    前記弾性率、又は破壊強度に関する情報は、前記弾性率、又は破壊強度が推測困難であることを示す情報、前記弾性率、又は破壊強度が不良品に相当することを示す情報、及び、前記弾性率、又は破壊強度が良品に相当することを示す情報の少なくとも１つを含む、成形体領域の検査プログラム。
  13. 請求項１から１２のいずれか１項記載の成形体領域の検査プログラムであって、
    前記第一成形体領域の機械物性情報又は非破壊検査情報は、有限要素法により取得された情報を少なくとも１つ以上含む検査プログラム。
  14. 請求項９記載の成形体領域の検査プログラムであって、
    前記画像は振動減衰の波形を含む検査プログラム。
  15. 請求項１から１２のいずれか１項記載の成形体領域の検査プログラムであって、
    前記非破壊検査情報が振動特性情報である検査プログラム。
  16. 請求項１５記載の成形体領域の検査プログラムであって、
    前記サンプリング周波数は２５０Ｈｚ以上５０，０００Ｈｚ以下である検査プログラム
  17. 請求項１５記載の成形体領域の検査プログラムであって、
    前記第一成形体領域及び前記第二成形体領域の一次モードの固有振動数は、０Ｈｚ超１０００Ｈｚ以下である検査プログラム。
  18. 請求項１から１２のいずれか１項記載の成形体領域の検査プログラムであって、
    前記非破壊検査情報が音響特性情報である検査プログラム。
  19. 請求項１８記載の成形体領域の検査プログラムであって、
    前記第一成形体領域及び前記第二成形体領域の一次モードの固有振動数は、０Ｈｚ超２０，０００Ｈｚ以下である検査プログラム。
  20. 機械物性情報及び非破壊検査情報が既知の、繊維強化された第一成形体領域の当該機械物性情報及び当該非破壊検査情報を機械学習させることで、機械物性情報が未知の繊維強化された第二成形体領域の非破壊検査情報を入力として前記第二成形体領域の機械物性情報を推測する機械物性推測モデルを生成するステップと、
    前記第二成形体領域の非破壊検査情報を取得するステップと、
    前記取得した前記非破壊検査情報を前記機械物性推測モデルに入力して、前記機械物性推測モデルから前記第二成形体領域の機械物性情報を取得し、当該機械物性情報に基づく出力を行うステップと、を備え、
    前記第一成形体領域及び前記第二成形体領域は、それぞれ、板状の複合材料を成形型にて成形して得られたものであり、
    前記複合材料の投影面積をＳ１とし、前記成形型の成形型キャビティにおける、前記第一成形体領域及び前記第二成形体領域の各々に対応する部分の投影面積をＳ２とし、（Ｓ１／Ｓ２）×１００の演算で得られる値をチャージ率とし、
    前記第一成形体領域及び前記第二成形体領域は、それぞれ、前記チャージ率が１０％以上５００％以下となるように前記複合材料を成形して得られたものであり、
    前記機械物性情報は、引張強度または曲げ強度に関する情報、破壊強度、圧縮強度、またはせん断強度のそれぞれに関連する弾性率に関する情報であり、
    前記非破壊検査情報は、振動特性情報又は音響特性情報であって、前記非破壊検査情報を取得する際のサンプリング周波数は０Ｈｚ超である、成形体領域の検査方法。
  21. 繊維強化された第一成形体領域の機械物性情報及び非破壊検査情報に基づく機械学習によって生成された機械物性推測モデルを記憶するモデル記憶部にアクセス可能なプロセッサを備え、
    前記機械物性推測モデルは、機械物性情報が未知の繊維強化された第二成形体領域の非破壊検査情報を入力として前記第二成形体領域の機械物性情報を推測するものであり、
    前記第一成形体領域及び前記第二成形体領域は、それぞれ、板状の複合材料を成形型にて成形して得られたものであり、
    前記複合材料の投影面積をＳ１とし、前記成形型の成形型キャビティにおける、前記第一成形体領域及び前記第二成形体領域の各々に対応する部分の投影面積をＳ２とし、（Ｓ１／Ｓ２）×１００の演算で得られる値をチャージ率とし、
    前記第一成形体領域及び前記第二成形体領域は、それぞれ、前記チャージ率が１０％以上５００％以下となるように前記複合材料を成形して得られたものであり、
    前記プロセッサは、前記第二成形体領域の非破壊検査情報を取得し、当該非破壊検査情報を前記機械物性推測モデルに入力して、前記機械物性推測モデルから当該第二成形体領域の機械物性情報を取得し、当該機械物性情報に基づく出力を行い、
    前記機械物性情報は、引張強度または曲げ強度に関する情報、破壊強度、圧縮強度、またはせん断強度のそれぞれに関連する弾性率に関する情報であり、
    前記非破壊検査情報は、振動特性情報又は音響特性情報であって、前記非破壊検査情報を取得する際のサンプリング周波数は０Ｈｚ超である成形体領域の検査装置。
  22. 機械物性情報及び温度分布情報が既知の、繊維強化された第一成形体領域の当該機械物性情報及び当該温度分布情報を機械学習させることで、機械物性情報が未知の繊維強化された第二成形体領域の温度分布情報を入力として前記第二成形体領域の機械物性情報を推測する機械物性推測モデルを生成するステップと、
    前記第二成形体領域の温度分布情報を取得するステップと、
    前記取得した前記温度分布情報を前記機械物性推測モデルに入力して、前記機械物性推測モデルから前記第二成形体領域の機械物性情報を取得し、当該機械物性情報に基づく出力を行うステップと、をプロセッサに実行させる成形体領域の検査プログラムであって、
    前記第一成形体領域及び前記第二成形体領域は、それぞれ、板状の複合材料を成形型にて成形して得られたものであり、
    前記機械物性情報は、引張強度または曲げ強度に関する情報、破壊強度、圧縮強度、またはせん断強度のそれぞれに関連する弾性率に関する情報であり、
    前記複合材料の投影面積をＳ１とし、前記成形型の成形型キャビティにおける、前記第一成形体領域及び前記第二成形体領域の各々に対応する部分の投影面積をＳ２とし、（Ｓ１／Ｓ２）×１００の演算で得られる値をチャージ率とし、
    前記第一成形体領域及び前記第二成形体領域は、それぞれ、前記チャージ率が１０％以上５００％以下となるように前記複合材料を成形して得られたものである成形体領域の検査プログラム。
  23. 請求項２２に記載の検査プログラムであって、
    前記温度分布情報は、温度分布画像である検査プログラム。
  24. 請求項２２に記載の検査プログラムであって、
    前記温度分布情報は、アクティブ・サーモグラフィ画像である検査プログラム。
  25. 請求項１～１２のいずれか１項に記載の検査プログラムが格納された記録媒体。
JP2023569317A 2021-12-24 2022-12-09 成形体領域の検査プログラム、成形体領域の検査方法、成形体領域の検査装置および記録媒体 Active JP7717841B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2021210611 2021-12-24
JP2021210611 2021-12-24
PCT/JP2022/045549 WO2023120256A1 (ja) 2021-12-24 2022-12-09 成形体領域の検査プログラム、成形体領域の検査方法、成形体領域の検査装置および記録媒体

Publications (3)

Publication Number Publication Date
JPWO2023120256A1 JPWO2023120256A1 (ja) 2023-06-29
JPWO2023120256A5 JPWO2023120256A5 (ja) 2024-09-02
JP7717841B2 true JP7717841B2 (ja) 2025-08-04

Family

ID=86902391

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023569317A Active JP7717841B2 (ja) 2021-12-24 2022-12-09 成形体領域の検査プログラム、成形体領域の検査方法、成形体領域の検査装置および記録媒体

Country Status (5)

Country Link
US (1) US20250050553A1 (ja)
EP (1) EP4455658A4 (ja)
JP (1) JP7717841B2 (ja)
CN (1) CN118451321A (ja)
WO (1) WO2023120256A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011079989A (ja) 2009-10-08 2011-04-21 Mitsubishi Rayon Co Ltd 連鎖硬化性樹脂組成物および繊維強化複合材料
JP2019527820A (ja) 2016-07-01 2019-10-03 イリノイ トゥール ワークス インコーポレイティド 静的試験および繰り返し試験下において物体内の欠陥を、その場で（ｉｎ−ｓｉｔｕ）３軸走査および検出するための統合システムおよび方法
US20200240139A1 (en) 2019-01-28 2020-07-30 William E. Smith Pre-stressed sinusoidal member in assembly and applications
CN112060627A (zh) 2020-09-08 2020-12-11 武汉大学 复合材料数字化智能铺放方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2019151393A1 (ja) 2018-01-31 2020-12-03 株式会社ニチレイフーズ 食品検査システム、食品検査プログラム、食品検査方法および食品生産方法
US11830179B2 (en) 2018-01-31 2023-11-28 Nichirei Foods Inc. Food inspection assisting system, food inspection assisting apparatus and computer program
JP6692380B2 (ja) 2018-03-09 2020-05-13 帝人株式会社 超音波を用いる検査方法
CN110286155B (zh) * 2019-07-15 2020-09-11 北京交通大学 一种多层复合材料的损伤检测方法及系统
JP2023120457A (ja) * 2020-07-08 2023-08-30 国立大学法人愛媛大学 複合材料の検査装置、複合材料の検査方法、複合材料の検査プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011079989A (ja) 2009-10-08 2011-04-21 Mitsubishi Rayon Co Ltd 連鎖硬化性樹脂組成物および繊維強化複合材料
JP2019527820A (ja) 2016-07-01 2019-10-03 イリノイ トゥール ワークス インコーポレイティド 静的試験および繰り返し試験下において物体内の欠陥を、その場で（ｉｎ−ｓｉｔｕ）３軸走査および検出するための統合システムおよび方法
US20200240139A1 (en) 2019-01-28 2020-07-30 William E. Smith Pre-stressed sinusoidal member in assembly and applications
CN112060627A (zh) 2020-09-08 2020-12-11 武汉大学 复合材料数字化智能铺放方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MIURA, K et al.，EXAMINATION OF LEARNING MODELS AND INFERENCE OF MANUFACTURING METHODS OF CFRP BY DEEP LEARNING USING，SAMPE Europe Conference 2020 Amsterdam - Netherlands，2020年09月30日，p.1-9，https://www.nasampe.org/store/viewproduct.aspx?id=17891988

Also Published As

Publication number Publication date
US20250050553A1 (en) 2025-02-13
EP4455658A4 (en) 2026-01-07
EP4455658A1 (en) 2024-10-30
JPWO2023120256A1 (ja) 2023-06-29
CN118451321A (zh) 2024-08-06
WO2023120256A1 (ja) 2023-06-29

Similar Documents

Publication Publication Date Title
JP7358648B2 (ja) 成形体領域の検査プログラム、成形体領域の検査方法、成形体領域の検査装置
Cuadra et al. Damage quantification in polymer composites using a hybrid NDT approach
US9042516B2 (en) Nondestructive examination of structures having embedded particles
JP2023120457A (ja) 複合材料の検査装置、複合材料の検査方法、複合材料の検査プログラム
Djabali et al. An experimental investigation of the mechanical behavior and damage of thick laminated carbon/epoxy composite
CN113720907B (zh) 一种轮廓与深度顺序辨识的复合材料分层损伤辨识方法
WO2021140312A1 (en) A method of producing 3d tomosynthesis images of a composite material
He et al. A combined global-local approach for delamination assessment of composites using vibrational frequencies and FBGs
Tuloup et al. Structural health monitoring of polymer-matrix composite using embedded piezoelectric ceramic transducers during several four-points bending tests
Cheng et al. Automated detection of delamination defects in composite laminates from ultrasonic images based on object detection networks
WO2021121545A1 (en) Method and system for generating a database of a plurality of fiber composite structures for wind turbine generators
JP7717841B2 (ja) 成形体領域の検査プログラム、成形体領域の検査方法、成形体領域の検査装置および記録媒体
JP2025016817A (ja) 複合材料の検査装置、複合材料の検査方法、複合材料の検査プログラム
US20180079155A1 (en) Automated Wave Guide System for In-Process Monitoring of Carbon Fiber Reinforced Polymer (CFRP) Composite Laminates
Chang et al. Based on wavelet-Lipschitz function for node detection method on armor subsequent damage optimization
Busca et al. High‐Speed Stereo Digital Image Correlation: Application to Biaxial Fatigue
Sadeghian et al. From Pixels to Predictions: Integrating Machine Learning and Digital Image Correlation for Damage Identification in Engineering Materials
CN119831967B (zh) 利用可解释型卷积神经网络识别碳纤维增强复合材料损伤模式的方法
Mahmod et al. Damage Detection of Impact-Induced Fiber Glass Laminated Composite (FGLC) Plates Via ANN Approach
Didonè Investigation of low-velocity impact damage in a discontinuous long fiber reinforced polymer composite
Miyano Quality Estimation during CFRTP Press Molding by Machine Learning of Condition Monitoring
Kande et al. Stress mapping of fiber reinforced composite through various experimental methods
Deepthi et al. Digital Image Correlation for Failure Analysis and Mechanical Characterization of Banana Fiber Hybrid Composites
Cuadra Damage quantification in fiber reinforced polymer composites using a hybrid non-destructive testing approach
Bashkov et al. Identification of Fatigue Damage Stages in Polymer Composite Materials by using Acoustic Emission: Approach and Perspectives

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240621

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20240621

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20250218

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20250411

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20250701

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20250723

R150 Certificate of patent or registration of utility model

Ref document number: 7717841

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150