JPWO2018147104A1

JPWO2018147104A1 - 設計支援装置

Info

Publication number: JPWO2018147104A1
Application number: JP2018567366A
Authority: JP
Inventors: 紀彦野中; 一朗片岡
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2017-02-07
Filing date: 2018-01-29
Publication date: 2019-11-07
Anticipated expiration: 2038-01-29
Also published as: WO2018147104A1; US20190362038A1; JP6611401B2; US11238192B2

Abstract

１組の入力パラメータに対して複数組の出力パラメータを出力する設計支援装置を提供するために、入力パラメータに基づきサンプリング点を設計空間内に発生させ、サンプリング点に対応する条件で計算を実行し、計算結果を出力パラメータとして取得する解析制御手段と、入力パラメータと出力パラメータの関係を機械学習する手段と、機械学習により学習された情報を用いて、要求仕様に対応する設計案を算出する設計案生成手段と、設計空間を可視化し、可視化された設計空間内に計算結果及び設計案生成手段により算出された設計案を表示する可視化手段と、可視化された設計空間において、設計案生成手段により算出された設計案の近傍の領域を指定する手段と、設計案生成手段により算出された設計案の近傍の領域に含まれる計算結果を、要求仕様を満たす設計案として出力する手段と、を有する。

Description

本発明は、設計支援装置に関する。

設計支援技術では、シミュレーション技術を用いたり、応答曲面モデルを用いたりして機械構造物の構成や効率などの性能を算出する。このような技術では、入力パラメータに対して一つの出力パラメータが対応する。入力パラメータが機械構造物の運転条件、出力パラメータが機器の構成や性能である場合を例に取ると、入力した運転条件に対して、一つの構成、一つの性能が出力される。しかし、機械構造物の構成を変更することにより、同じ運転条件を満たす機械構造物が存在する。すなわち、入力パラメータに対して、入力パラメータを満たす複数の出力パラメータが存在する場合がある。

例えば、特許文献１には、設定された設計パラメータに対してＬ行直交表を作成し、Ｌ組の設計パラメータ群それぞれについて、各部の寸法の公差を足して多数回の仮想試作を実行し、この仮想試作で得たＬ組の評価指標の平均値と分散量を処理し応答曲面化して応答曲面モデルを作成し、さらに評価指標毎の設計パラメータの要因効果図を作成し、この要因効果図を吟味し、評価指標に対して感度を持つ設計パラメータの任意の組み合わせを作成し、これを応答曲面モデルに当てはめることで設計目標値を達成し得る全設計パラメータを任意に組み合わせた多数の設計解を作成し、さらに、設計解群から指定された評価指標の制限値を達成する最尤設計解候補群を抽出するフィルタリングを行って最尤設計解群を選定し、ユーザに提示する装置が開示されている。

また、機械構造物の性能を算出する装置において、過去のデータに基づいて複数の機械構造物の性能を算出する方法がある。特許文献２には、鋼材設計支援システムのサーバ装置は、クライアント装置から与えられた要求仕様と一部が一致する要求仕様を含む過去事例を過去事例データベースから検索し、検索した過去事例において適用された鋼種と同一グループに属する鋼種を検索し、検索した鋼種が要求仕様を満足するか否かを判定する。当該判定結果はサーバ装置からクライアント装置へ送信され、クライアント装置が判定結果を表示する装置が開示されている。

特開２００９−９３２７１号公報特開２０１２−３５２４号公報

特許文献１に開示されている装置は、多数の設計パラメータ（入力パラメータ）から出力パラメータを生成し、検索機能を用いて複数の出力パラメータを得ている。しかし、この方法では、１組の入力パラメータに対して、多数の設計パラメータを生成すること十分に考慮されていない。

特許文献２には、過去のデータに基づいて複数の出力パラメータを出力するために、過去のデータを検索して求める方法が開示されている。このとき検索キーワードなど、どのように検索すればよいかノウハウを要するという課題がある。また、過去のデータは一般的に数が少ないため十分な結果を得られないという課題がある。

そこで、本発明は、１組の入力パラメータに対して複数組の出力パラメータを出力する設計支援装置を提供することを目的とする。

上記課題を解決するために、本発明に係る設計支援装置は、入力パラメータに基づきサンプリング点を設計空間内に発生させ、サンプリング点に対応する条件で計算を実行し、計算結果を出力パラメータとして取得する解析制御手段と、入力パラメータと出力パラメータの関係について機械学習する機械学習手段と、機械学習手段により学習された情報を用いて、要求仕様に対応する設計案を算出する設計案生成手段と、設計空間を可視化し、可視化された設計空間内に計算結果及び設計案生成手段により算出された設計案を表示する可視化手段と、可視化された設計空間において、設計案生成手段により算出された設計案の近傍の領域を指定する手段と、設計案生成手段により算出された設計案の近傍の領域に含まれる計算結果を、要求仕様を満たす設計案として出力する手段と、を有することを特徴とする。

本発明によれば、１組の入力パラメータに対して複数組の出力パラメータを出力する設計支援装置を提供することができる。

実施例１に係る設計支援装置の全体構成図である。実施例１の処理手順（フェーズ１）を表す図である。実施例１の処理手順（フェーズ１）（つづき）を表す図である。実施例１の処理手順（フェーズ２）を表す図である。解析プロセス定義画面の一例を表す図である。解析条件の入力画面の一例を表す図である。要求仕様の入力画面の一例を表す図である。設計空間の表示画面の一例を表す図である。設計案の表示画面の一例を表す図である。

以下、実施例を、図面を用いて説明する。

図１は、実施例１に係る設計支援装置の構成図である。設計支援装置は、解析プロセス定義部１０１、解析条件入力／表示部１０２、解析モデル作成・解析制御部１０３、機械学習部１０４、設計案生成部１０５、要求仕様入力部１０６、設計空間可視化部１０７、設計領域入力部１０８、設計案表示部１０９、データベース１１０、計算機１１１を備える。

解析プロセス定義部１０１では、解析プロセス入力画面を表示し、操作者が、解析モデル名、解析プログラムが内蔵された解析ノードをドラッグアンドドロップすることにより解析プロセスを入力し、入力された解析プロセス情報を表示し、入力された情報をデータベース１１０に格納する。

解析条件入力／表示部１０２では、解析条件画面を表示し、解析に必要な入力条件を表示し、入力条件に沿った入力パラメータ取得する。操作者が、解析プロセス定義部１０１で入力された解析モデルに対して、解析に必要な入力条件を解析条件画面に入力し、入力された情報をデータベース１１０に格納する。

解析モデル作成・解析制御部１０３では、入力パラメータに基づきサンプリング点を設計空間内に発生させ、サンプリング点に対応する条件で計算を実行し、計算結果を出力パラメータとして取得する。解析プロセス定義部１０１、解析条件入力／表示部１０２で入力された情報を取得し、その情報を基に解析プロセスに従った解析モデルを作成する。また、設計空間内にサンプリング点を発生させ、サンプリング点に対応する条件で計算を、サンプリング点数分実行する。計算が終了したら計算条件情報、計算結果をデータベース１１０に格納する。

機械学習部１０４では、入力パラメータと前記出力パラメータの関係について機械学習する。データベース１１０から全ての情報を取得し、サンプリング点の計算条件情報を入力パラメータ、計算結果を出力パラメータとして、入力パラメータと出力パラメータの関係についてニューラルネットワークによる方法で機械学習し、学習した結果情報をデータベース１１０に入力する。実施例１ではニューラルネットワークによる方法で機械学習するが、機械学習の方法はニューラルネットワークによる方法に限定されない。

設計案生成部１０５では、学習された情報を用いて、要求仕様に対応する設計案を算出する。要求仕様入力部１０６に入力された要求仕様に基づいて、機械学習１０４で学習した情報を用いてニューラルネットワークにより設計案を生成する。実施例１ではニューラルネットワークにより設計案を生成するが、設計案の生成方法はニューラルネットワークによる方法に限定されない。

要求仕様入力部１０６は、要求仕様入力画面を表示し、入力された要求仕様を取得する。

設計空間可視化部１０７では、可視化された設計空間内に解析モデル作成・解析制御部による計算結果及び設計案生成部により算出された設計案を表示する。例えば、データベース１１０から全ての情報を取得し、設計空間可視化画面により、解析モデル作成・解析制御部１０３で計算した情報を、相関関係を表す散布図と主成分分析した図を表示し、設計案生成１０５で生成した設計案も表示する。

設計領域入力部１０８では、可視化された設計空間において、前記設計案生成手段により算出された設計案の近傍の領域を指定する。例えば、設計空間可視化部１０７により表示した設計空間可視化画面において、ユーザインターフェースを介して設計案生成部１０５によって得られた設計案の近傍の領域を指定する。

設計案表示部１０９では、設計空間可視化部１０７により表示した設計空間可視化画面において、設計領域入力部１０８より入力された設計案近傍の領域に含まれるデータを取得し、設計案表示画面に表示する。

データベース１１０では、解析モデル入力／表示部１０１、解析条件入力／表示部１０２、解析モデル作成・解析制御部１０３、機械学習部１０４、設計案生成部１０５、要求仕様入力部１０６、設計空間可視化部１０７、設計領域入力部１０８、設計案表示部１０９で得られたデータを蓄積する。

計算機１１１では、解析プロセス定義部１０１、解析条件入力／表示部１０２、解析モデル作成・解析制御部１０３、機械学習部１０４、設計案生成部１０５、要求仕様入力部１０６、設計空間可視化部１０７、設計領域入力部１０８、設計案表示部１０９、データベース１１０の制御およびデータの授受の制御を行う。

このように構成される実施形態の処理手続きについて、図２〜４は、図１に示す設計支援装置における処理手順を示すフローチャートである。実施例１の手順は、大きく二つのフェーズに分けられる。フェーズ１は、解析プロセスの入力と、解析のための条件を入力し、条件に対応した解析を実行し、解析結果を用いて機械学習するフェーズである。フェーズ２は、これから設計する機械構造物の要求仕様の入力と、入力された要求仕様に基づく設計案を生成し、設計空間を可視化して複数の設計案を表示するフェーズである。

機械構造物の遠心圧縮機を例に取り、一つの要求仕様（一組の入力パラメータ）に対して複数の設計案を求める方法を説明する。遠心圧縮機は、羽根車を回転させることで気体を吸い込み、遠心方向に気体を除々に減速させることにより圧縮する機械である。遠心圧縮機は、通常羽根車を一つでなく複数個設けて気体を圧縮する。

図２及び図３にフェーズ１の処理手順を示す。

Ｓ１００では解析プロセス定義部１０１により解析プロセスの入力処理を行う。

Ｓ１０１では、解析プロセス定義部１０１より解析プロセスの入力画面を表示する。図５に解析プロセスの入力画面の一例を示す。操作者は、これから解析する解析プロセスを入力する。ここでは、解析モデルとして遠心圧縮機が入力されている。入力画面の左側部分には解析ノードと呼ばれるプログラムが内蔵されたブロックが表示されている。「条件取得」を例に取ると、本ブロックには解析のための条件を取得するプログラムが内蔵されている。ここでは、そのブロックを解析ノードと呼ぶ。また解析ノードは、内蔵したプログラムの実行が可能となっている。「型式選定」には、入力パラメータに対応する羽根車の段数、羽根車の外径、羽根車の回転数といった遠心圧縮機を特徴付けるパラメータを算出するプログラムが内蔵されている。「性能計算」には、ヘッドや効率などの遠心圧縮機の性能を予測するプログラムが内蔵されている。「結果登録」には、計算結果をデータベース１１０に登録するプログラムが内蔵されている。操作者は、解析ノードに表示された解析ノードをドラッグし、右側の画面にドロップすることで、解析手順を定義する。ここでは、「条件取得」、「型式選定」、「性能計算」、「結果登録」という順番で解析ノードが入力されている。

Ｓ１０２では、Ｓ１０１で入力した「条件取得」、「型式選定」、「性能計算」、「結果登録」という順で解析プロセス情報を取得する。

Ｓ１０３では、Ｓ１０２で得られた情報をデータベース１１０に格納する。

Ｓ２００では、解析条件入力／表示部１０２により解析条件の入力処理を行う。

Ｓ２０１では、解析プロセス定義部１０１で入力した情報を、データベース１１０から取得する。

Ｓ２０２では、解析条件入力／表示部１０２により解析条件の入力画面を表示する。図６に解析条件の入力画面の一例を示す。操作者は、解析のための解析条件を入力する。ここでは解析モデル名に、遠心圧縮機が入力されている。解析条件として、吸入圧力０．１ＭＰａが入力されている。また、圧力比、吸入温度、流量、分子量に関しては、上限値と下限値が入力され、圧力比の下限値１．１、上限値４．０、吸入温度の下限値４０℃、上限値６０℃、流量の下限値２０００ｍ^３／ｈ、上限値５００００ｍ^３／ｈ、分子量の下限値１０、上限値２５がそれぞれ入力されている。この条件が、遠心圧縮機の計算に必要な条件となる。また、サンプルリング点数１００００が入力されている。

Ｓ２０３では、Ｓ２０２で入力した解析条件を取得する。

Ｓ２０４では、Ｓ２０３で得られた情報をデータベース１１０に格納する。

Ｓ３００では解析モデル作成・解析制御部１０３により、パラメータサーベイを実施する。

Ｓ３０１では、Ｓ１００、Ｓ２００で入力されたすべての情報を、データベース１１０から取得する。

Ｓ３０２では、設計空間内にサンプリング点を発生させる。ここでは、Ｓ２０２で入力されたパラメータの設計空間内にサンプリング点を発生される。すなわち、圧力比の下限値１．１、上限値４．０、吸入温度の下限値４０℃、上限値６０℃、流量の下限値２０００ｍ^３／ｈ、上限値５００００ｍ^３／ｈ、分子量の下限値１０、上限値２５とする設計空間内に、サンプリング点を１００００点発生させる。サンプリング点の発生方法は幾つか存在するが、ここではＬＨＳ（ＬａｔｉｎＨｙｐｅｒｃｕｂｅＳａｍｐｌｉｎｇ）法を用いてサンプリング点を発生する。

Ｓ３０３では、Ｓ３０２で発生したサンプリング点の中の一つを選択し、選択したサンプリング点に対応する条件で、Ｓ１０２で入力した解析プロセスに従って計算を実行する。ここでは、「条件取得」、「型式選定」、「性能計算」、「結果登録」の順に計算を実行する。

Ｓ３０４では全てのサンプリング点で計算を実行したかどうかを判断する。実行していない場合は、Ｓ３０３に戻ってまだ実行していないサンプリング点一つを選択し、選択したサンプリング点に対応する条件で、Ｓ１０２で入力した解析プロセスに従って計算を実行する。全てのサンプリング点を実行した場合はＳ３０５に進む。ここではＳ２０２で入力されたサンプリング点数に応じた件数の計算を行う。本実施例では１００００件の計算を行う。

Ｓ３０５では、Ｓ３０２、Ｓ３０３で生成したサンプリング点などの計算条件情報、計算結果を取得する。

Ｓ３０６では、Ｓ３０５で取得した情報をデータベース１１０に格納する。

Ｓ４００では、機械学習部１０４により機械学習を行う。

Ｓ４０１では、Ｓ１００、Ｓ２００、Ｓ３００で入力されたすべての情報を、データベース１１０から取得する。

Ｓ４０２では、機械学習部１０４により、サンプリング点の計算条件情報を入力パラメータ、計算結果を出力パラメータとして、入力パラメータと出力パラメータの関係について機械学習する。表１に本実施例における入力パラメータと出力パラメータを示す。

実施例１では、サンプル点１００００点の情報を用いて機械学習する。機械学習の方法は幾つか存在するが、ここではニューラルネットワックを用いる。ニューラルネットワークは、多数の神経細胞からなる脳の特性を計算機上のシミュレーションで表現することを目的とした数学モデルである。ニューラルネットワークは、人口ニューロンの各層をＸ_ｉと置くと、下記のような漸化式で与えられる。

Ｘ_ｉ＋１＝ｆ（Ａ_ｉＸ_ｉ＋Ｂ_ｉ）式（１）
ここでＡ_ｉ、Ｂ_ｉはそれぞれ重みパラメータ、バイアスパラメータである。ｆは活性化関数である。機械学習を通じて重みパラメータ、バイアスパラメータを決定する。なお３層の場合はＸ_１が入力層、Ｘ_２が中間層、Ｘ_３が出力層となる。

Ｓ４０３では、機械学習した結果をデータベースに記憶する。ここでは、重みパラメータ、バイアスパラメータが学習結果となる。

図４を用いてフェーズ２について説明する。

Ｓ５００では、要求仕様入力部１０６により入力した要求仕様に基づいて、設計案生成部１０５により設計案を生成する。

Ｓ５０１では、Ｓ１００、Ｓ２００、Ｓ３００で入力されたすべての情報を、データベース１１０から取得する。

Ｓ５０２では、要求仕様入力部１０６により入力画面を表示する。図７に入力画面の一例を示す。操作者は、これから設計する遠心圧縮機の要求仕様を入力する。なお要求仕様は、表１の入力パラメータとなる。解析モデル名は遠心圧縮機と入力されている。ここでは、圧力比２．５、吸入温度５５℃、流量２７０００ｍ^３／ｈ、分子量２０が、要求仕様として入力されている。

Ｓ５０３では、Ｓ５０２で入力した要求仕様を入力パラメータとして、設計案生成部１０５により設計案を生成する。ここでは、機械学習部１０４により機械学習した情報に基づいて、式（１）で与えられるニューラルネットワークにより設計案を生成する。設計案とは、表１で示した出力パラメータである。

Ｓ６００では、設計空間可視化部１０７により設計空間を可視化し、設計領域入力部１０８により設計空間の指定した領域を入力し、設計案表示部１０９により設計案生成部１０５で得られた設計案と共に複数の設計案を表示する。

Ｓ６０１では、設計空間可視化部１０７により設計空間を表示する。図８に設計空間の表示画面の一例を示す。表示画面の上部には、フェーズ１のパラメータサーベイで得られたデータに対して、羽根車回転数、羽根車外径、ヘッド、軸効力に関する相関関係を表す散布図が表示されている。散布図は、対角線の「羽根車外径」を例に取ると、「羽根車外径」の行の縦軸が羽根車外径を意味し、列の横軸が羽根車外径を意味する。すなわち、二行三列に位置する散布図は、縦軸が羽根車外径、横軸がヘッドとなる。図の性質から、対角線で対称の図となる。なお、入出力パラメータを自由に選択することで、別のパラメータの散布図の表示ができる。また、表示画面の下部は、フェーズ１のパラメータサーベイで得られたデータに対して主成分分析を行ったときの散布図である。図中の×が、設計案生成部１０５によって得られた設計案である。このように操作者は、設計空間の全体の中で、設計案の位置関係を把握するこができる。

Ｓ６０２では、設計領域入力部１０８より、ユーザインターフェースを介して設計案生成部１０５によって得られた設計案の近傍の領域をユーザ（作業者）により指定する。設計案の近傍の領域は、広く取れば多くの設計案が、狭く取れば少ない設計案が選択されることになる。図８の点線で示すとおり、×近傍の領域が選択されている。×近傍は、要求仕様に対応した設計案が集まっている領域である。このため、×近傍の領域を指定することで、複数の設計案を抽出することができる。

Ｓ６０３では、設計案表示部１０９により、設計領域入力部１０８より入力された設計案×近傍の領域に含まれるデータを取得し、設計案表示画面に表示する。図９に設計案表示画面の一例を示す。設計案生成部１０５で得られた一つの設計案に加えて、設計領域入力部１０８より入力された設計案×近傍の破線領域に含まれるデータを表示することで、複数の設計案を得ることができる。

以上のように、設計空間を可視化することで、設計空間全体に対して入出力パラメータの位置関係を操作者に表示でき、操作者が入出力パラメータの近傍範囲を指定することで、複数の出力パラメータを得ることができる。

実施例１では、機械学習の手法にニューラルネットワークを用いたが、クリギング法などの他の手法を用いることは可能である。また、実施例１では、解析プロセスを構成する解析ノード解析を、同一の計算機で実施するものを説明したが、ネットワーク環境を利用することにより、異なる計算機において実施することも可能である。

１０１解析プロセス定義部
１０２解析条件入力／表示部
１０３解析モデル作成・解析制御部
１０４機械学習部
１０５設計案生成部
１０６要求仕様入力部
１０７設計空間可視化部
１０８設計領域入力部
１０９設計案表示部
１１０データベース
１１１計算機

Claims

要求仕様を満たす設計案を出力する設計支援装置であって、
入力パラメータに基づきサンプリング点を設計空間内に発生させ、前記サンプリング点に対応する条件で計算を実行し、計算結果を出力パラメータとして取得する解析制御手段と、
前記入力パラメータと前記出力パラメータの関係について機械学習する機械学習手段と、
前記機械学習手段により学習された情報を用いて、前記要求仕様に対応する設計案を算出する設計案生成手段と、
前記設計空間を可視化し、可視化された設計空間内に前記計算結果及び前記設計案生成手段により算出された設計案を表示する可視化手段と、
前記可視化された設計空間において、前記設計案生成手段により算出された設計案の近傍の領域を指定する手段と、
前記設計案生成手段により算出された設計案の近傍の領域に含まれる前記計算結果を、前記要求仕様を満たす設計案として出力する手段と、
を有することを特徴とする設計支援装置。
請求項１に記載の設計支援装置であって、
解析プロセス入力画面を表示し、解析プログラムが内蔵された解析ノードを選択することにより解析プロセスを表示する手段と、
解析条件入力画面を表示し、解析に必要な入力条件を表示し、前記入力条件に沿った入力パラメータ取得する手段と、
をさらに有すること特徴とする設計支援装置。
請求項１又は２に記載の設計支援装置であって、
前記機械学習手段は、前記入力パラメータと前記出力パラメータの関係についてニューラルネットワークによる方法で機械学習し、
前記設計案生成手段は、前記機械学習手段により学習された情報を用いてニューラルネットワークにより前記要求仕様を満たす設計案を生成する
ことを特徴とする設計支援装置。
請求項１乃至３のいずれか一項に記載の設計支援装置あって、
可視化手段は、前記解析制御手段による計算結果を、前記入力パラメータ及び前記出力パラメータ中の任意のパラメータの相関関係を表す散布図と、主成分分析により得られる散布図として表示することを特徴とする設計支援装置。