JPH105872A - 長尺部材の曲がり矯正方法 - Google Patents

Abstract

(57)【要約】 （修正有） 【課題】 矯正精度及び加工能率を向上させ得る長尺部
材の曲がり矯正方法を提供する。 【解決手段】 学習溝ニューラルネットワークを用い
て、棒２の矯正中リアルタイムに、制御装置５のＣＰＵ
は、荷重Ｐを変位量δで割り傾きλを算出して、その値
とニューラルネットワークが示すλ２値との比較により
除荷点Ｑを求め、さらに弾性回復量δｓを求める。弾性
回復量に基づいてプレス１０により棒に荷重Ｐを加え
る。また、所定の入力情報が与えられたときに、ニュー
ラルネットワーク５２の中間層は出力層に正しい出力値
を与えるためのパラメータにより構成される。パラメー
タは学習により決定される。学習は、ワークの種々のケ
ースについて矯正前形状を仮定し、塑性加工解析によ
り、矯正量を求めた結果をニューラルネットワーク出力
層に与えることにより行う。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、長尺部材の曲がり
矯正方法、特に、転がり案内用のボールネジ軸又はリニ
ヤガイドレールの素材の曲がり矯正方法に関する。

【０００２】

【従来の技術】転がり案内用のボールネジ軸又はリニヤ
ガイドレールは、熱処理加工工程、機械加工工程におい
て曲がりが発生する。一方、ボールネジ軸又はリニヤガ
イドレールは転動体の案内ガイド溝を有しており、この
案内ガイド溝は、高精度の転がり案内を可能にするため
に研削加工が施されている。案内ガイド溝の研削加工を
能率よく行うためには素材の直線性が必要であり、素材
の曲がりを極力少なくするために素材の矯正を行ってい
る。

【０００３】以下、図１３を参照しながら、従来のプレ
ス矯正法により棒材の曲がりを矯正する方法を説明す
る。ここで、図１３は従来のプレス矯正法の説明図であ
る。

【０００４】図１３において、二つの支持部１００がス
パンＬで離間している。曲がった棒材１０１が二つの支
持部１００上に上方に凸になるように支持されている。
支持部１００における棒材１０１の支持点の基準レベル
をＯとして、棒材１０１の中央部における曲がり量はδ
０である。棒材１０１の中央部には上方からプレス１０
２により荷重Ｐが加えられる。棒材１０１は矯正変位量
δだけ矯正される。

【０００５】以下、図１４及び図１５を参照しながら、
図１３の従来のプレス矯正法の原理を説明する。ここ
で、図１４は従来のプレス矯正法の原理の説明図であ
り、図１５は従来のプレス矯正法における荷重（Ｐ）−
変位量（δ）曲線のグラフである。

【０００６】図１４において、図１３の構成要素と同等
のものには、同じ参照番号が付されており、その説明は
図１３のものと同じである。スパンＬの二つの支持部１
００に支持された矯正前の棒材１０１は初期曲がり量δ
０を有する。棒材１０１の中央部に荷重Ｐが下方に向か
って印加される。この荷重Ｐは、荷重Ｐの除去後に棒材
１０１が直線になるように弾性回復量δｓを見込んで設
定される。これを、図１５を参照して説明すると、図１
５において、棒材１０１の弾性域にけるＰ−δ曲線の傾
きはλ１である。荷重Ｐが棒材１０１に印加され始め、
荷重Ｐが徐々に増加すると、最初は、傾きλ１の弾性変
形域であるが、塑性変形域に到達すると荷重Ｐの増加が
緩慢になり、塑性曲げが進行する。任意の時点、例えば
Ｂ点で除荷（荷重Ｐを０まで減少）すると、除荷曲線に
沿ってＣ点（荷重Ｐが０）にいく。この場合、棒材１０
１の初期曲がり量δ０（ＡＯ）が減少して残留曲がり量
（ＣＯ）になる。Ｂ点よりさらに棒材１０１の曲げを除
荷点Ｑまで進行させると、荷重Ｐの除荷後に弾性回復量
δｓだけ矯正変位量δが回復して棒材１０１の残留曲が
り量が０になる。

【０００７】

【発明が解決しようとする課題】しかしながら、棒材１
０１の矯正量δは、棒材１０１の材料の強度、寸法、矯
正前の棒材１０１の履歴、プレス装置の剛性等によって
影響を受ける。また、Ｐ−δ曲線を精度よく予測するの
が困難である。そのため、棒材１０１のプレス矯正は熟
練者によって手作業で経験的に行われている。除荷点Ｑ
と荷重Ｐが０に戻ったときの点を結ぶ直線の傾きを除荷
時の傾きλ２と定義すると、実際の加工現場ではこの傾
きλ２が不明のため熟練者の技能（知識、ノウハウ、経
験）に依存した加工条件で荷重Ｐの除荷の時点を決定せ
ざるを得ず、現実的にはしばしば除荷後の棒材１０１の
弾性回復量δｓが０にならず、追い曲げ、逆曲げを余儀
なくされるので矯正時間がかかる上、精度も悪くなる。

【０００８】これを自動化するため、与えられた曲がり
量、その他の条件をもとに、例えば有限要素法により、
どのような矯正変形を加えれば矯正されるか求める方法
もある。しかし、有限要素法解析には、解析モデルの作
成に手間がかかり、計算にも時間がかかる。従って、加
工現場において、個々の矯正すべき部材ごとに曲がり量
等の条件に基づきいちいち有限要素法解析を行い、矯正
条件を求めるというやり方は、多大な労力、時間を要
し、現実的とはいえない。

【０００９】本発明は、熟練者の技能に依存せずに長尺
部材の曲がり矯正加工における矯正精度及び加工能率を
向上させることができる長尺部材の曲がり矯正方法を提
供することにある。

【００１０】

【課題を解決するための手段】前述の目的を達成するた
めに、請求項１の長尺部材の曲がり矯正方法は、前記長
尺部材の長手軸方向に関する少なくとも１ヶ所において
前記長手軸方向に直交する方向に関する前記長尺部材の
曲がり量を測定し、予め所定の学習アルゴリズムに従い
学習を行わせたニューラルネットワークにより、前記測
定された長尺部材の曲がり量を入力パラメータとして前
記長尺部材の矯正曲げ条件を算出し、前記ニューラルネ
ットワークにより算出された長尺部材の矯正曲げ条件に
基づいて矯正曲げ機構を制御することを特徴とする。

【００１１】前記長尺部材の曲がり矯正方法において、
前記学習済のニューラルネットワークは、前記長尺部材
の形状、材質、支持スパン、及び矯正前の長尺部材の曲
がり量に基づいて、前記長尺部材の曲がり量の測定点に
加えられるべき矯正変位量を算出して得てもよく、ま
た、前記長尺部材の曲がり矯正方法は、矯正変形中の長
尺部材の曲がり量を前記矯正変位量と比較し、前記長尺
部材の曲がり量が前記矯正変位量に達すると、矯正曲げ
機構に除荷指令信号を出力する比較工程を含んでもよ
い。

【００１２】前記比較工程は、前記長尺部材に加えられ
た負荷荷重と前記長尺部材の矯正変位量とを同時に受け
取り、負荷荷重を変位量で割った値である傾きを算出し
て、前記ニューラルネットワーク部の出力より定まる除
荷曲線の傾きとの比較を行ってもよい。

【００１３】前記長尺部材の曲がり矯正方法において、
長尺部材上の長手軸方向に関する複数の位置で、それぞ
れ独立に曲げ荷重を前記長尺部材に付与するように前記
長尺部材に矯正曲げ変形を付与する複数の曲げ付与工程
を含み、前記ニューラルネットワーク法が、複数の各測
定位置での矯正前の長尺部材の曲がり量を受け取り、こ
れらの曲がり量に基づいて複数の曲げ付与手段が付与す
べき矯正変位量を算出してもよい。

【００１４】前記矯正曲げ変形が、前記長尺部材の矯正
変位量に基づいて制御されてもよく、前記長尺部材の曲
げ荷重に基づいて制御されてもよい。

【００１５】前述の目的を達成するために、長尺部材を
支持する支持機構と、前記支持された長尺部材に矯正曲
げ変形を与える矯正曲げ機構とを備えた長尺部材の曲が
り矯正装置において、前記長尺部材の長手軸方向に関す
る少なくとも１ヶ所において前記長手軸方向に直交する
方向に関する前記長尺部材の曲がり量を測定する測定手
段と、所定の入力パラメータに基いて誤差逆伝搬法によ
る学習アルゴリズムにより前記長尺部材の矯正曲げ条件
を算出するニューラルネットワーク部と、前記測定され
た長尺部材の曲がり量を受け取り、この受け取られた長
尺部材の曲がり量を前記所定の入力パラメータとして前
記ニューラルネットワーク部に送出し、かつ前記ニュー
ラルネットワーク部で算出された長尺部材の矯正曲げ条
件を受け取ると共に、この受け取られた長尺部材の矯正
委曲げ条件に基づいて前記矯正曲げ機構を制御する演算
処理部とを備えることを特徴とする長尺部材の曲がり矯
正装置が提供される。

【００１６】前記長尺部材の曲がり矯正装置によれば、
前記長尺部材の長手軸方向に関する少なくとも１ヶ所に
おいて前記長手軸方向に直交する方向に関する前記長尺
部材の曲がり量を測定し、誤差逆伝搬法による学習アル
ゴリズムを有するニューラルネットワーク法により、前
記測定された長尺部材の曲がり量を入力パラメータとし
て前記長尺部材の矯正曲げ条件を算出し、前記ニューラ
ルネットワーク法により算出された長尺部材の矯正曲げ
条件に基づいて前記矯正曲げ機構を制御するので、長尺
部材の曲がり矯正加工における矯正精度及び加工能率を
向上させることができる。

【００１７】前記長尺部材の曲がり矯正装置において、
前記ニューラルネットワーク部を、前記長尺部材の形
状、材質、支持スパン、及び矯正前の長尺部材の曲がり
量に基づいて、前記長尺部材の曲がり量の測定点に加え
られるべき矯正変位量を算出するように構成してもよ
く、前記演算処理部が、矯正変形中の長尺部材の曲がり
量を逐次取り込み、前記矯正変位量と比較し、前記長尺
部材の曲がり量が前記矯正変位量に達すると、前記矯正
曲げ機構に除荷指令信号を出力する比較手段を備えても
よい。

【００１８】前記比較手段は、前記長尺部材に加えられ
た負荷荷重と前記長尺部材の矯正変位量とを同時に受け
取り、負荷荷重を変位量で割った値である傾きを算出し
て、前記ニューラルネットワーク部の出力より定まる除
荷曲線の傾きとの比較を行ってもよい。

【００１９】前記支持機構が、長尺部材を回転する回転
機構及び長尺部材を長手軸方向に送る送り機構を備えて
いてもよい。

【００２０】前記の長尺部材の曲がり矯正装置におい
て、前記測定手段が複数の変位測定器からなり、前記矯
正曲げ機構が長尺部材上の長手軸方向に関する複数の位
置で、それぞれ独立に曲げ荷重を印加して長尺部材に矯
正曲げ変形を付与する複数の曲げ付与手段からなり、前
記ニューラルネットワーク部が、複数の変位測定器によ
り得られる各測定位置での矯正前の長尺部材の曲がり量
を受け取り、これらの曲がり量に基づいて複数の曲げ付
与手段が付与すべき矯正変位量を算出するように構成さ
れてもよい。

【００２１】前記矯正曲げ機構が長尺部材の矯正変位量
に基づいて前記矯正曲げ変形を制御してもよく、長尺部
材の曲げ荷重に基づいて前記矯正曲げ変形を制御しても
よい。

【００２２】

【発明の実施の形態】以下、本発明を図に示す好ましい
実施の形態を参照しながら詳述する。なお、以下の説明
において、前述の図１３から図１５によって説明した従
来技術等の内容を適宜参照する。

【００２３】塑性加工、特に曲げ加工の数値計算には弾
塑性の有限要素法による解析が用いられるが、有限要素
法による解析を行うには一定の専門知識を必要とし、解
析モデル作成等の解析準備時間と計算時間が要求される
ので現段階では矯正加工の作業者が有限要素法解析を行
うのは困難である。このような状況下で、本発明の実施
の形態では、曲げ加工における数値計算を予め種々の条
件で有限要素法や境界要素法などにより得られる解を所
定の学習アルゴリスムにより学習させたニューラルネッ
トワークにより行う。本実施の形態では、ニューラルネ
ットワークの学習のアルゴリズムとして誤差逆伝搬法
（バックプロパゲーション：Error Back Propagation）
を用いるが他の方法によってもよい。

【００２４】図１は誤差逆伝搬法によるニューラルネッ
トワークの学習モデルの説明図である。図１のニューラ
ルネットワークの学習モデルは、入力情報が与えられる
入力層Ｘ１，Ｘ２，Ｘ３，…，Ｘｍと、中間に位置する
中間層α１，α２，α３，…，αｋと、教師情報が与え
られると共に出力端子になっている出力層Ｙ１，Ｙ２，
Ｙ３，…，Ｙｎとからなり、前記入力情報と前記教師情
報とに基づいて出力層Ｙ１，Ｙ２，Ｙ３，…，Ｙｎから
希望をする値の出力が得られるように、入力層Ｘ１，Ｘ
２，Ｘ３，…，Ｘｍと出力層Ｙ１，Ｙ２，Ｙ３，…，Ｙ
ｎとのシナプス結合が自動的に変わるフィードバック回
路を有している。これにより、ニューラルネットワーク
が入力情報に対して適切なデータを出力するように自己
変化するようになっている。

【００２５】換言すると、種々の条件Ｘ１，Ｘ２，…Ｘ
ｍに対し正しい出力値Ｙ１，Ｙ２，…，Ｙｎが得られる
ような中間層α１，α２，…，αｋが、学習を繰返すこ
とにより定められる。このような学習を終了した後のニ
ューラルネットワークを使用すれば、学習の際入力しな
かった条件も含め、任意のＸ１，Ｘ２，…，Ｘｍをこの
学習終了後のニューラルネットワークに入力することに
より、前記α１，α２，…，αｋに基づき対応する出力
値Ｙ１，Ｙ２，…，Ｙｎを得ることができるのである。
例えば、複雑な有限要素法等を用いた弾塑性解析により
Ｘ１，Ｘ２，…，Ｘｍ（例えば、矯正前の条件）からＹ
１，Ｙ２，…，Ｙｎ（例えば、矯正変位等）を得るとい
う問題の場合、この学習後のニューラルネットワークを
使うことにより、必要な入力事項Ｘ１，Ｘ２，…，Ｘｍ
を入力すれば、機械的かつ容易に対応するＹ１，Ｙ２，
…，Ｙｎが得られる。すなわち、その都度解析モデルの
作成等の複雑かつ労力を要する準備をし、有限要素法に
よって求めるという手間を要しない。

【００２６】以下、図２を参照しながら本発明の第１の
実施の形態に係る部材の曲がり矯正装置の構成を説明す
る。ここで、図２は本発明の第１の実施の形態の概略構
成図である。

【００２７】所定のスパンで配置された二つの支持部１
は断面円の棒２を支持している。支持部１のスパンは棒
２の長さに比べて小さい。棒２の一端には回転ローラ３
が回転軸が互いに平行になるように当接している。回転
ローラ３には軸回転用のモータ４が連結されている。モ
ータ４の回転により回転ローラ３を介して棒２が回転す
る。モータ４は制御装置５に接続されており、棒２の回
転角θを制御装置５に送出し、制御装置５から棒２の回
転角θの指令を受容する。支持部１の間において棒部材
２の中央部下方には、棒２の変位量δを測定する変位セ
ンサ６が設けられている。変位センサ６は制御装置５に
接続されており、棒２の変位量δを制御装置５に送出す
る。棒２の他端には送りローラ７が回転軸が棒２と直交
位置となるように当接している。送りローラ３には軸方
向送り用のモータ８が連結されている。モータ８の回転
により送りローラ７を介して棒２が軸線方向に並進移動
する。モータ８は制御装置５に接続されており、棒２の
送り量Ｘを制御装置５に送出し、制御装置５から棒部材
２の送り量Ｘの指令を受け取る。

【００２８】一方、支持部１の間において棒２の中央部
上方には、荷重センサ９を介して棒２に垂直方向下方に
荷重Ｐを印加するプレス１０が設けられている。プレス
１０には油圧ユニット１１が連結されている。油圧ユニ
ット１１は制御装置５に接続されており、制御装置５か
ら作動指令を受け取る。また、荷重センサ９は制御装置
５に接続されており、プレス１０により棒２に印加され
た荷重Ｐを制御装置５に送出する。

【００２９】以下、図３を参照しながら、図２の装置に
おける制御装置５を詳述する。ここで、図３は図２の装
置における制御装置５のブロック図である。

【００３０】図３において、制御装置５は、演算装置、
メモリ、入出力部等からなるＣＰＵ２０と、学習終了後
のニューラルネットワーク２１と、コントローラ２２と
を有する。ニューラルネットワーク２１及びコントロー
ラ２２はＣＰＵ２０にそれぞれ接続されている。

【００３１】コントローラ２２には軸回転用のモータ４
及び軸方向送り用のモータ８がそれぞれ接続されてい
る。ＣＰＵ２０には油圧ユニット１１、変位センサ６、
荷重センサ９及び例えばキーボードなどのような条件入
力手段２３がそれぞれ接続されている。

【００３２】ニューラルネットワーク２１は、前述の図
１のニューラルネットワークの学習モデルを有する。本
実施の形態においては、入力層Ｘ１，Ｘ２，Ｘ３，…，
Ｘｍに与えられる入力情報としては、条件入力手段２３
からＣＰＵ２０を経由し、入力される棒２の形状、材
質、支持スパンＬ、及び変位センサ６からＣＰＵ２０を
経由し入力される矯正前の棒２の曲がり量δ０であり、
出力層Ｙ１，Ｙ２，Ｙ３，…，Ｙｎに与えられる教師情
報としては、図１５の荷重（Ｐ）−変位量（δ）曲線に
おける除荷点Ｑに対応する弾性回復量δｓ、及び荷重Ｐ
である。

【００３３】このような情報からなる設計パラメータを
変化させながら、例えば有限要素法により曲げ変形加工
解析を弾塑性問題として行い、設計パラメータ等の加工
諸元及び支持スパンＬと除荷点Ｑでの傾きλとのデータ
対を多数求めておき、これを用いてニューラルネットワ
ーク２１に予め学習させておく。

【００３４】このようにして構築された学習終了後のニ
ューラルネットワーク２１は、特定の条件（形状、材
質、支持スパン及び矯正前の曲がり量δ０）を入力され
ると、学習内容に基づき、直ちに対応するＱ，δｓ，Ｐ
や傾きλ２を出力する。すなわち、学習終了後のニュー
ラルネットワーク２１を用いれば、棒２の矯正中にリア
ルタイムに、荷重センサ９から荷重Ｐを、変位センサ６
から変位量δを制御装置５のＣＰＵ２０に送出し、ＣＰ
Ｕ２０は、荷重Ｐを変位量δで割った値である傾きλを
算出して、その値とニューラルネットワーク２１が示す
λ２値との比較によって高速に除荷点Ｑを求め、さらに
弾性回復量δｓを求めることができる。

【００３５】以下、図４を参照しながら、図２の装置を
用いる丸棒状のワークの曲がり矯正方法を説明する。こ
こで、図４は図２の装置を用いる丸棒状のワークの曲が
り矯正方法による処理のフローチャートである。

【００３６】まず、入力手段２３により、ＣＰＵ２０を
介してニューラルネットワーク２１にディジタル量とし
ての設計パラメータを入力する（ステップＳ１０１）、
丸棒状のワークを図２の装置にセットする（ステップＳ
１０２）。次いで、制御装置５からの指令によりモータ
４を回転させることにより、ワークを３６０°回転させ
ながら、変位センサ６によりワークの変位量δを逐次測
定し、回転用モータ４からコントローラ２２を経由しＣ
ＰＵ２０に伝達される回転角θと対応づけて、ＣＰＵ２
０中のメモリに蓄え（ステップＳ１０３）、蓄えられた
θとδの組の中から最大となる場合のθを求めて、ワー
クの変位量δが最大（δ０）になる最大曲がり位相でモ
ータ４を停止させ、その結果ワークは上方に凸の状態
（回転角θ）で静止する（ステップＳ１０４）。

【００３７】ステップＳ１０５では、ニューラルネット
ワーク２１によって、入力設計パラメータ、支持部１の
スパンＬ、最大曲がり量δ０に対応する除荷点Ｑを求
め、次に、プレス１０でワークに荷重Ｐを印加しつつ、
荷重センサ９で荷重Ｐを測定すると共に変位センサ６で
ワークの変位量δを測定し（ステップＳ１０６）、ステ
ップＳ１０７で、ＣＰＵ２０はこれらの測定値Ｐ，δを
受け取り、荷重（Ｐ）−変位量（δ）曲線を作成し、ニ
ューラルネットワーク２２で学習させた除荷点Ｑに達し
たか否かを判別し、除荷点Ｑに達したら、ステップＳ１
０８に進み、油圧ユニット１１に除荷指令を送出して、
プレス１０の荷重印加動作を終了させる。この後、ワー
クを９０°回転させて上記矯正動作を繰り返してもよ
い。

【００３８】次いで、支持部１のスパンＬはワークの全
長Ｌ０に比べて小さいので、送りローラ７の作動によ
り、ワークを軸方向にワークの全長Ｌ０を等分した距離
Ｘだけワークを移動させ、ワークを順次全長Ｌ０にわた
って矯正する。ワークの移動距離Ｘは、ワークの全長Ｌ
０の等分でなくてもよい。

【００３９】例えば、図５に示す例では、ワークの全長
がＬ０（図５（ａ））、支持部１のスパンがＬ（＝Ｌ０
／２）（図５（ｂ））であり、ワークを軸方向にワーク
の全長Ｌ０を４等分した距離Ｌ／２だけワークを移動さ
せ、ワークを順次全長Ｌ０にわたって矯正する。具体的
には、第１回目の矯正時におけるワークの状態は図５
（Ｃ）、第２回目の矯正時におけるワークの状態は図５
（Ｄ）に示される。

【００４０】図４に戻って、ステップＳ１０９で、ワー
クの全長Ｌ０にわたって矯正動作が終了したか判別し
（ステップＳ１０９）、ワークの全長Ｌ０にわたって矯
正動作が終了していなければ、ステップＳ１１０に進
み、ワークをＸだけ軸方向に送った後ステップＳ１０３
からＳ１０９を繰り返す。ステップＳ１０９でワークの
全長Ｌ０にわたって矯正動作が終了したら、直ちに本手
順を終了する。

【００４１】以下、図６を参照しながら、図２の装置を
用いる角材状のワークの曲がり矯正方法を説明する。こ
こで、図６は図２の装置を用いる角材状のワークの曲が
り矯正方法による処理のフローチャートである。ただ
し、本例の場合は、図２の装置において、回転ローラ３
及び軸回転用のモータ４は設けられていない。

【００４２】まず、ステップＳ２０１で、角材状のワー
クにねじり矯正を加えて、面のねじりを除去する。次い
で、入力手段２３により、ＣＰＵ２０を介してニューロ
ネットワーク２１に設計パラメータを入力する（ステッ
プＳ２０２）、角材状のワークを上方に凸になるように
図２の装置にセットする（ステップＳ２０３）。次に、
変位センサ６によりワークの最大曲がり量δ０を測定し
（ステップＳ２０４）、ニューラルネットワーク２１に
よって、入力設計パラメータ、支持部１のスパンＬ、最
大曲がり量δ０に対応する除荷点Ｑを求め（ステップＳ
２０５）、次に、プレス１０でワークに荷重Ｐを印加し
つつ、荷重センサ９で荷重Ｐを測定すると共に変位セン
サ６でワークの変位量δを測定し（ステップＳ２０
６）、ステップＳ２０７で、ＣＰＵ２０はこれらの測定
値Ｐ，δを受け取り、荷重（Ｐ）−変位量（δ）曲線を
作成し、ニューラルネットワーク２２で学習させた除荷
点Ｑに達したか否かを判別し、Ｑ点に達したら、ステッ
プＳ２０８に進み、油圧ユニット１１に除荷指令を送出
して、プレス１０の荷重印加動作を終了させる。

【００４３】次いで、ステップＳ２０９に進み、ワーク
の互いに隣り合う二つの面に関して矯正動作が終了した
かを判別し、終了していなければ、ステップＳ２１０に
進み、ワークを上方に凸になるように９０°回転させ、
次いでステップＳ２０４からＳ２０９を繰り返す。

【００４４】ステップＳ２０９で、ワークの隣り合う二
つの面に関して矯正動作が終了したら、ステップＳ２１
１に進む。

【００４５】ここで、支持部１のスパンはワークの全長
Ｌ０に比べて小さいので、送りローラ７の作動により、
ワークを軸方向にワークの全長Ｌ０を等分した距離Ｘだ
けワークを移動させ、ワークを順次全長Ｌ０にわたって
矯正する。ワークの移動距離Ｘは、ワークの全長Ｌ０の
等分でなくてもよい。

【００４６】ステップＳ２１１で、ワークの全長Ｌ０に
わたって矯正動作が終了したか判別し（ステップＳ２１
１）、ワークの全長Ｌ０にわたって矯正動作が終了して
いなければ、ステップＳ２１２に進み、ワークを距離Ｘ
だけ軸方向に送った後ステップＳ２０４からＳ２１１繰
り返す。ステップＳ２１１で、ワークの全長Ｌ０にわた
って矯正動作が終了したら、直ちに本手順を終了する。

【００４７】本発明の第１の実施の形態によれば、学習
終了後のニューラルネットワーク２１を用いることによ
り、棒２の矯正中にリアルタイムに、荷重センサ９から
荷重Ｐを、変位センサ６から変位量δを制御装置５のＣ
ＰＵ２０に送出し、ＣＰＵ２０は、荷重Ｐを変位量δで
割った値である傾きλを算出して、その値と矯正前のワ
ークの曲がり量δ０等に基づき、ニューラルネットワー
ク２１が示すλ２値との比較によって高速に除荷点Ｑを
求め、さらに弾性回復量δｓを求めることができる。こ
の求められた弾性回復量δｓに基づいてプレス１０によ
り棒２に荷重Ｐを加えることにより、棒２の曲がり矯正
加工における矯正精度及び加工能率を向上させ、しかも
棒２の矯正作業を自動化できる。すなわち、熟練者の勘
に頼る必要はなく、かつ矯正加工を行うたびごとに複雑
かつ労力と時間を要する有限要素法等のような手法にた
よる必要もなく、省力化に加え、高速化、低コスト化も
達成できる。

【００４８】以下、図７を参照しながら、本発明の第２
の実施の形態にかかる部材の曲がり矯正装置を説明す
る。ここで、図７は、本発明の第２の実施の形態に係る
部材の曲がり矯正装置の正面図であり、図８は、図７の
装置の側面断面図である。

【００４９】ベッド３０には、垂直な駆動軸を有するモ
ータ３１がベッド３０の長手方向に沿って等間隔で五つ
取り付けられている。また、各モータ３１の上方におい
てベッド３０には五つの上下方向スライダ３２が取り付
けられている。

【００５０】モータ３１の駆動軸には送りネジ３３が取
り付けられており、送りネジ３３は、スライダ３２に取
り付けられたナット３４に係合している。モータ３１の
作動により、スライダ３２が上下動する。スライダ３２
の後方においてベッド３１には、案内部材３５が鉛直方
向に移動自在に設けられており、案内部材３５の上端に
はクランパ３６が取り付けられている、クランパ３６と
ベッド３１の間にはシリンダ・ピストン３７が取り付け
られており、シリンダ・ピストン３７の作動によりクラ
ンパ３５は、上下動する。ワークＷは、五つのクランパ
３６と、五つのスライダ３２によって５ヶ所で挟持され
る。

【００５１】一方、ベッド３０の長手方向の両端には、
案内部材４０、４１が直立して設けられている。案内部
材４０，４１には、水平なバー４２が上下方向に摺動自
在に取り付けられている。ベッド３０の両端側部には垂
直な駆動軸を有するモータ４３，４４が取り付けられて
いる。モータ４３の駆動軸には送りネジ４５が連結され
ており、送りネジ４５はバー４２の一端に設けられた図
示しないナットに係合している。モータ４４の駆動軸に
は送りネジ４６が連結されており、送りネジ４６はバー
４２の他端に設けられた図示しないナットに係合してい
る。モータ４３，４４の作動によりバー４２が上下動す
る。バー４２には、スライダ３２及びクランパ３６の各
組に対応する５位置と、隣接するスライダ３２及びクラ
ンパ３６の組の各中間に対応する４位置との合計９位置
において、ワークＷの上面の変位量δを測定する電気マ
イクロ式の変位測定子４６ｈ，４６ａ，４６ｂ，４６
ｃ，４６ｄ，４６ｅ，４６ｆ，４６ｇ，４６ｉがそれぞ
れ取り付けられている。測定子４６ｈ，４６ｉは変位測
定子の両端に配置されている。

【００５２】測定子４６ｈ，４６ａ，４６ｂ，４６ｃ，
４６ｄ，４６ｅ，４６ｆ，４６ｇ，４６ｉは、後述する
制御装置５０に備えられたニューラルネットワーク５２
の入力層にそれぞれ接続されており、五つのモータ３１
は、ニューラリネットワーク５２の出力層にそれぞれ接
続されている。なお、両端の２ケ所において必ずしもモ
ータ３１、スライダ３２はなくてもよい。

【００５３】以下、図９を参照しながら、図７の装置に
おける制御装置５０を詳述する。ここで、図９は図７の
装置における制御装置５０のブロック図でる。

【００５４】図９において、制御装置５０は、演算装
置、メモリ、入出力部等からなるＣＰＵ５１と、学習終
了後のニューラルネットワーク５２と、コントローラ５
３とを有する。ニューラルネットワーク５２及びコント
ローラ５３はＣＰＵ５１にそれぞれ接続されている。

【００５５】コントローラ５３にはモータ３１の１〜ｎ
（本実施の形態ではｎ＝５）がそれぞれ接続されてい
る。ＣＰＵ５１には変位測定子４６の１〜ｍ（本実施の
形態ではｍ＝９）がそれぞれ接続されている。

【００５６】ニューラルネットワーク５２は、前述の図
１のニューラルネットワークの学習モデルを有する。本
実施の形態においては、入力層Ｘ１，Ｘ２，Ｘ３，…，
Ｘｍに与えられる入力情報としては、ワークＷの形状、
材質、支持スパン、矯正前のワークＷの曲がり量δ１〜
δｍであり、出力層Ｙ１，Ｙ２，Ｙ３，…，Ｙｎに与え
られる教師情報としては、例えば有限要素法による弾塑
性滑降解析により求められる矯正変位量（または荷重）
である。

【００５７】以下、図１０を参照しながら、図７の装置
を用いるワークの曲がり矯正方法を説明する。ここで、
図１０は図７の装置を用いるワークの曲がり矯正方法に
よる処理のフローチャートである。

【００５８】まず、ステップＳ３０１で、図７の装置に
ワークＷをセットする。このワークＷのセットは以下の
ように行う。すなわち、バー４２を上方に移動して、測
定子４６ｈ，４６ａ，４６ｂ，４６ｃ，４６ｄ，４６
ｅ，４６ｆ，４６ｇ，４６ｉを上方に逃がし、ワークＷ
を両端のクランパ３６及びスライダ３２で保持する。こ
のとき、両端以外のクランパ３６及びスライダ３２はワ
ークＷには当接していない。

【００５９】次いで、ステップＳ３０２で、バー４２を
下降させて変位測定子４６ｈ，４６ａ，４６ｂ，４６
ｃ，４６ｄ，４６ｅ，４６ｆ，４６ｇ，４６ｉでワーク
Ｗの上面の曲がりワークＷの曲がり量δ１，δ２，δ
３，…，δｍ（本実施の形態では９）を測定する（図１
１（ａ））。この際、変位測定子４６ｈ，４６ａ，４６
ｂ，４６ｃ，４６ｄ，４６ｅ，４６ｆ，４６ｇ，４６ｉ
は真直なマスタワークＷ０にて予め０点が校正されてい
る。次に、モータ３１を作動させてスライダ３２のそれ
ぞれをワークＷに曲がりがないとした位置まで上昇さ
せ、クランパ６にてワークＷの全体をクランプする。

【００６０】次に、ワークＷの曲がり量δ１，δ２，δ
３，…，δ９をニューロネットワーク２１の入力情報と
して、ワークＷの矯正変位量Ｙ１，Ｙ２，Ｙ３，…，Ｙ
５を求める（ステップＳ３０３）。

【００６１】以下、図１２を参照しながら、曲がり矯正
加工を行う前に予め済ませておいたニューラルネットワ
ーク５２の学習方法について説明する。

【００６２】ニューラルネットワーク５２の入力層に所
定の入力情報が与えられたときに、ニューラルネットワ
ーク５２の中間層は出力層に正しい出力値を与えるため
のパラメータα１，α２，α３，…，αｎにより構成さ
れる。パラメータα１，α２，α３，…，αｎは学習に
より決定される。学習の方法は、図１２に示されるよう
に、ワークＷの矯正前形状を仮定し、例えば有限要素法
を用いて塑性加工解析により、矯正後の残留曲がりΔが
最小になる矯正量を求め、種々のケース、例えば、１山
の形状でワークＷの最大曲がり点が部材の一端よりｌ／
２位置にある場合（図１２（ａ））、同約５ｌ／８位置
にある場合（図１２（ｂ））、２山の形状でワークＷの
最大曲がり点が部材の一端よりｌ／４位置にある場合
（図１２（Ｃ））、同約３ｌ／８にある場合（図１２
（ｄ））のケースについての結果をニューラルネットワ
ーク５２出力層に与えることにより行う。

【００６３】矯正点の数は残留曲がりの山数がどこまで
許されるかにより決定されるが、一般に山数が多いほど
曲がり量が小さくなる。

【００６４】図１０に戻り、ステップＳ３０４では、こ
のようにして学習済のニューラルネットワークによりス
テップＳ３０３で得られたワークＷの矯正変位量Ｙ１，
Ｙ２，Ｙ３，…，Ｙｎ（本実施の形態ではｎ＝５）が、
モータ３１のそれぞれに与えられ、ワークＷの矯正量Ｙ
１，Ｙ２，Ｙ３，…，Ｙ５に応じてスライダ３２のそれ
ぞれを上昇させその位置に保持して、ワークＷに矯正変
位を与える（図１１（ｂ））。

【００６５】さらに、両端以外のクランプ３６を上昇さ
せてワークＷから除荷し、変位測定子４６ｈ，４６ａ，
４６ｂ，４６ｃ，４６ｄ，４６ｅ，４６ｆ，４６ｇ，４
６ｉにより、再度ワークＷの曲がり量δ１’，δ２’，
δ３’，…，δｍ’（本実施の形態ではｍ＝５）を変位
測定子４６で測定し、ステップＳ３０６で、これらが許
容値内にあるか否かを判別する（図１１（ｃ））。ステ
ップＳ３０６で、許容値内にない場合は、ワークの曲が
り量δ１’，δ２’，δ３’，…，δ９’をニューラル
ネットワーク５２の入力情報として、ステップＳ３０３
からＳ３０６により上述の曲げ直しを繰り返す。

【００６６】上記処理において、２回目以降の曲げ直し
の際は、ワークＷの局部的曲がりに対し３点のみの測定
で行うことも可能である。この場合、他の位置での拘束
は不要である。

【００６７】また、ステップＳ３０４において、矯正変
位量Ｙ１，Ｙ２，Ｙ３，…，Ｙ５を変位としているが、
これをワークＷに対する矯正荷重としてもよい。この場
合には、ステップＳ３０３のニューラルネットワーク５
２の出力は矯正荷重Ｆ１，Ｆ２，Ｆ３，…，Ｆ５とな
る。

【００６８】以上の処理において、ワークＷが角材の場
合は必ず、丸材の場合は必要に応じて、ステップＳ３０
６の後でワークＷを９０°回転させてから、ステップＳ
３０２からＳ３０６を繰り返してもよい。

【００６９】本実施の形態では、ワークＷの形状等は一
定の場合を想定しており、設計パラメータの入力は省い
ているが、設計パラメータの入力が必要な場合は、本発
明の第１の実施の形態と同様にニューラルネットワーク
５２に設計パラメータを入力する。

【００７０】本発明の第２の実施の形態によれば、ニュ
ーラルネットワーク５２の入力層に所定の入力情報が与
えられたときに、ニューラルネットワーク５２の中間層
は出力層に正しい出力値を与えるためのパラメータα
１，α２，α３，…，αｎにより構成される。パラメー
タα１，α２，α３，…，αｎは学習により決定され
る。学習の方法は、ワークＷの矯正前形状を仮定し、塑
性加工解析により、矯正後の残留曲がりΔが最小になる
矯正量を求め、種々のケースについての結果をニューラ
ルネットワーク５２出力層に与えることにより行う。こ
のような学習を予め済ませたニューラルネットワーク５
２により特定のワークＷについて複数の位置において測
定したワークＷの矯正前の曲がり量δ１，δ２，…，δ
９に基づいて算出されたワークＷの矯正変位量Ｙ１，Ｙ
２，Ｙ３，…，Ｙ５が、モータ３１のそれぞれに与えら
れ、ワークＷの矯正量Ｙ１，Ｙ２，Ｙ３，…，Ｙ５に応
じてスライダ３２のそれぞれを上昇させその位置に保持
して、ワークＷに矯正変位を与える。さらに矯正後のワ
ークＷの曲がり量δ１’，δ２’，…，δ９’を測定
し、許容範囲外の場合は、同様の手順を繰返す。これに
より、ワークＷの曲がり矯正加工における矯正精度及び
加工能率を向上させ、しかもワークＷの矯正作業を自動
化できる。

【００７１】すなわち、熟練者の勘に頼る必要がなく、
かつ矯正加工を行う度ごとに複雑で労力のかかる有限要
素法等により矯正条件を求める必要もない。

【００７２】

【発明の効果】本発明の請求項１の長尺部材の曲がり矯
正方法によれば、前記長尺部材の長手軸方向に関する少
なくとも１ヶ所において前記長手軸方向に直交する方向
に関する前記長尺部材の曲がり量を測定し、例えば誤差
逆伝搬法による学習アルゴリズムを有するニューロネッ
トワーク法により、前記測定された長尺部材の曲がり量
を入力パラメータとして前記長尺部材の矯正曲げ条件を
算出し、前記ニューロネットワーク法により算出された
長尺部材の矯正曲げ条件に基づいて矯正曲げ機構を制御
するので、長尺部材の曲がり矯正加工における矯正精度
及び加工能率を向上させることができる。

【図面の簡単な説明】

【図１】誤差逆伝搬法によるニューラルネットワークの
学習モデルの説明図である。

【図２】本発明の第１の実施の形態の概略構成図であ
る。

【図３】図２の装置における制御装置５のブロック図で
ある。

【図４】図２の装置を用いる丸棒状のワークの曲がり矯
正方法による処理のフローチャートである。

【図５】矯正時におけるワークの状態の説明図であり、
（ａ）はワークの全長Ｌ０の説明図であり、（ｂ）は矯
正点の位置選択の説明図であり、（ｃ）は第１回目の矯
正時におけるワークの状態の説明図であり、（ｄ）は第
２回目の矯正時におけるワークの状態の説明図である。

【図６】図２の装置を用いる角材状のワークの曲がり矯
正方法による処理のフローチャートである。

【図７】本発明の第２の実施の形態に係る部材の曲がり
矯正装置の正面図である。

【図８】図７の装置の側面断面図である。

【図９】図７の装置における制御装置５０のブロック図
でる。

【図１０】図７の装置を用いるワークの曲がり矯正方法
による処理のフローチャートである。

【図１１】ニューラルネットワーク５２におけるワーク
Ｗの曲げ量の算出法の説明図である。

【図１２】ニューロネットワーク５２の学習方法の説明
図である。（ａ）は１山の形状でワークＷの最大曲がり
点が部材の一端よりｌ／２位置にある場合、（ｂ）は同
約５ｌ／８位置にある場合、（ｃ）は２山の形状でワー
クＷの最大曲がり点が部材の一端よりｌ／４位置にある
場合、（ｄ）同約３ｌ／８位置にある場合の説明であ
る。

【図１３】従来のプレス矯正法の説明図である。

【図１４】従来のプレス矯正法の原理の説明図である。

【図１５】従来のプレス矯正法における荷重（Ｐ）−変
位量（δ）曲線のグラフである。

【符号の説明】

１ 支持部 ２ 棒 ３ 回転ローラ ４，８ モータ ５，５０ 制御装置 ６ 変位センサ ７ 送りローラ ９ 負荷センサ １０ プレス １１ 油圧ユニット ２０，５１ ＣＰＵ ２１，５２ ニューラルネットワーク ２２，５３ コントローラ ３０ ベッド ３１ モータ ３２ スライダ ３３ 送りネジ ３５ 案内部材 ３６ クランパ ４０，４１ 案内部材 ４２ バー ４３，４４ モータ ４５，４７ 送りネジ ４６ａ〜４６ｉ 変位測定子 １００ 支持部 １０１ 棒材

Claims (1)

【特許請求の範囲】
1. 【請求項１】 長尺部材の長尺部材の長手軸方向に関す
   る少なくとも１ヶ所において前記長手軸方向に直交する
   方向に関する前記長尺部材の曲がり量を測定し、予め所
   定の学習アルゴリズムに従い学習を行わせたニューラル
   ネットワークにより、前記測定された長尺部材の曲がり
   量を入力パラメータとして前記長尺部材の矯正曲げ条件
   を算出し、前記ニューラルネットワークにより算出され
   た長尺部材の矯正曲げ条件に基づいて矯正曲げ機構を制
   御することを特徴とする長尺部材の曲がり矯正方法。