特許ウォッチ

公開番号2025014232
公報種別公開特許公報(A)
公開日2025-01-30
出願番号2023116588
出願日2023-07-18
発明の名称金属部材の余寿命診断装置及び金属部材の組織判定装置
出願人株式会社東芝,東芝エネルギーシステムズ株式会社
代理人弁理士法人サクラ国際特許事務所
主分類G01N 17/00 20060101AFI20250123BHJP(測定;試験)
要約【課題】作業者の熟練度に依存せずに、正確に短時間で診断結果を得ることのできる金属部材の余寿命診断装置及び金属部材の組織判定装置を提供することを目的とする。
【解決手段】評価対象の金属部材の金属組織画像を入力し、組織判定学習モデルに基づいて前記金属組織画像に含まれる複数種の金属組織を判定し、金属組織毎に定量化して出力する組織判定システムと、評価対象の金属部材の材料データを入力するとともに、前記組織判定システムから前記特徴量を入力し、前記特徴量、及び、前記材料データ、を説明変数とし、余寿命診断結果を目的変数とする余寿命診断データセットに基づいて、余寿命を診断する余寿命診断システムと、を具備した金属部材の余寿命診断装置。
【選択図】図1
特許請求の範囲【請求項１】
評価対象の金属部材の金属組織画像を入力し、組織判定学習モデルに基づいて前記金属組織画像に含まれる複数種の金属組織を判定し、金属組織毎に定量化した特徴量として出力する組織判定システムと、
前記評価対象の金属部材の材料データを入力するとともに、前記組織判定システムから前記特徴量を入力し、前記特徴量、及び、前記材料データ、を説明変数とし、余寿命診断結果を目的変数とする余寿命診断データセットに基づいて、余寿命を診断する余寿命診断システムと、
を具備したことを特徴とする金属部材の余寿命診断装置。
続きを表示（約 1,000 文字）【請求項２】
請求項１記載の金属部材の余寿命診断装置であって、
前記組織判定学習モデルは、教師ありの機械学習により構築され、結晶粒界、ボイド、析出物を判定可能とされている
ことを特徴とする金属部材の余寿命診断装置。
【請求項３】
請求項１又は２記載の金属部材の余寿命診断装置であって、
前記余寿命診断システムは、前記余寿命診断データセットを教師データとした教師ありの機械学習による学習モデルに基づいて余寿命を診断する
ことを特徴とする金属部材の余寿命診断装置。
【請求項４】
請求項３記載の金属部材の余寿命診断装置であって、
前記余寿命診断システムは、余寿命を診断した結果を前記学習モデルに蓄積して機械学習し、次回以降の余寿命の診断に使用する
ことを特徴とする金属部材の余寿命診断装置。
【請求項５】
請求項１又は２記載の金属部材の余寿命診断装置であって、
前記材料データは、前記評価対象の金属部材の適用箇所、適用機器の運転時間、初期強度、使用温度、の少なくとも１つと、前記評価対象の金属部材の金属組織の特徴量と、を含む
ことを特徴とする金属部材の余寿命診断装置。
【請求項６】
請求項２記載の金属部材の余寿命診断装置であって、
前記組織判定学習モデルに基づいて実施された前記金属組織画像に含まれる複数種の金属組織の判定結果について操作者が修正可能であり、修正された場合は、修正された判定結果と当該金属組織画像とを教師データとする機械学習により前記組織判定学習モデルが更新される
ことを特徴とする金属部材の余寿命診断装置。
【請求項７】
請求項１又は２記載の金属部材の余寿命診断装置であって、
前記組織判定システムにおいて金属組織毎に定量化した特徴量について操作者が修正可能であり、特徴量について修正された場合は、前記余寿命診断システムに修正された特徴量を入力する
ことを特徴とする金属部材の余寿命診断装置。
【請求項８】
評価対象の金属部材の金属組織画像を入力し、組織判定学習モデルに基づいて前記金属組織画像に含まれる複数種の金属組織を判定し、金属組織毎に定量化した特徴量として出力する金属部材の組織判定装置であって、
前記組織判定学習モデルは、教師ありの機械学習により構築され、結晶粒界、ボイド、析出物を判定可能とされている
ことを特徴とする金属部材の組織判定装置。

発明の詳細な説明【技術分野】
【０００１】
本発明の実施形態は、金属部材の余寿命診断装置及び金属部材の組織判定装置に関する。
続きを表示（約 1,800 文字）【背景技術】
【０００２】
蒸気タービン主蒸気リード管やケーシングおよび火力排熱回収ボイラ（ＨＲＳＧ）の配管には、２．２５Ｃｒ－１Ｍｏ鋼や、Ｃｒ－Ｍｏ－Ｖ鋼といった低合金鋼が用いられている。これらは高温高圧で使用されるため、金属組織の変化を伴うクリープや疲労、これらの重畳による損傷が懸念され、重篤なケースでは、き裂が肉厚を貫通して内部を流れる流体の漏洩に繋がってしまう。これを回避するために部材の損傷量を把握して寿命診断を実施しており、その方法はＡパラメータ法、ボイド面積率法や結晶粒変形法などがある（例えば特許文献1参照）。ただしこれらの診断による寿命評価結果は幅が大きいので、複数手法を掛け合わせて総合的に寿命評価をすることが多い。
【０００３】
診断のための作業工程は、いずれも部品外表面を鏡面研磨→薬品で腐食し金属組織を現出→ＳＵＭＰ法によりレプリカ採取→蒸着後金属顕微鏡や電子顕微鏡で組織観察し、寿命評価法ごとの解析を行う。これらの作業は膨大な作業時間がかかる上に、評価精度が作業者の経験に大きく依存するため熟練者による評価が必須である。
【０００４】
作業時間の課題を解消すべく、二値化などの画像処理や機械学習を用いることで評価の省力化が行われてきた。特許文献２には、組織写真を画像処理によって二値化して析出物のみを抽出し、余寿命評価する方法が開示されている。フェライト系耐熱鋼は、クリープ損傷の進行に伴い組織の析出物が凝集粗大化し、析出物同士の間隔が広くなることが知られており、本手法はこの既知の関係に基づいて析出物間隔から余寿命評価を行う。
【０００５】
特許文献３には、金属の組織形態と余寿命の関係を機械学習した学習モデルに基づいて余寿命評価する方法が開示されている。組織写真で得られるボイドの状態、結晶粒の状態、析出物の性状などの組織形態は、クリープ損傷量とそれぞれ関係があることが知られており、本手法はこの既知の各関係によって余寿命評価された組織写真と評価結果を機械学習して学習モデルを構築し、この学習モデルに基づいて余寿命評価を行う。
【先行技術文献】
【特許文献】
【０００６】
特開２０１０－２２３８２３号公報
特開２０１６－１９１５５６号公報
特開２０２３－４４８３５号公報
【発明の概要】
【発明が解決しようとする課題】
【０００７】
上述の特許文献１のような従来の寿命診断方法は、診断結果を得るまでに多くの作業工程が必要なため、多大な評価コストとリードタイムを必要とする。このため、例えば漏洩が懸念される部位が複数あっても、コストやリードタイムが理由で、全ての部位の寿命診断を行うことができない課題があった。また、評価精度が作業者の熟練度によって左右されるため、診断結果の信頼性が低いなどの課題がある。
【０００８】
上述の特許文献２の寿命評価方法においては、組織写真から抽出する特徴量が析出物のみである。上記開示に限らず、二値化に代表される画像処理では多要素（結晶粒界、析出物、ボイドなど）の識別が困難であるため単一の寿命診断法しか適用できず、従来の複数手法による寿命評価に比較して評価結果の信頼性に欠けることに課題を有する。
【０００９】
上述の特許文献３の余寿命評価方法では、組織写真と余寿命評価の相関関係を機械学習が判断する。一般的に機械学習によって判断された相関関係はブラックボックスであり、説明性が無いことが課題となる。本手法においても、組織写真のどの要素に基づいて余寿命評価したのか不明となり、評価結果の説明性に欠けることに課題を有する。また、本評価手法の学習モデル構築のためには、従来手法のＡパラメータ法や結晶粒変形法を用いて組織写真から余寿命評価を行う必要がある。したがって学習モデル構築時には、多くの作業工数が必要である。
【００１０】
本発明は上述した課題を解決するためになされたものであり、作業者の熟練度に依存せずに、正確に短時間で診断結果を得ることのできる金属部材の余寿命診断装置及び金属部材の組織判定装置を提供することを目的とする。
【課題を解決するための手段】
（【００１１】以降は省略されています）

関連特許