特許ウォッチ

公開番号2025026031
公報種別公開特許公報(A)
公開日2025-02-21
出願番号2023131360
出願日2023-08-10
発明の名称製造プロセス予測装置、方法、プログラム及びシステム
出願人株式会社東芝,東芝インフラシステムズ株式会社
代理人弁理士法人鈴榮特許綜合事務所
主分類B29C 39/44 20060101AFI20250214BHJP(プラスチックの加工;可塑状態の物質の加工一般)
要約【課題】所望の強度特性を実現する製造プロセスの探索に要する時間を短縮可能な製造プロセス予測装置、方法、プログラム及びシステムを提供すること。
【解決手段】実施形態に係る製造プロセス予測装置は、抽出部、画像生成部、画像取得部及び最適化部を有する。抽出部は、画像に対する位相幾何学的データ解析に基づき画像の特徴量を抽出する。画像生成部は、製造プロセスの予測対象に関する疑似的な画像を、製造プロセスパラメータに対応する画像生成パラメータから生成する生成モデルに適用して生成する。画像取得部は、予測対象に関する第1の画像を取得する。最適化部は、第1の画像を抽出部に適用して得られる第1の特徴量と、画像生成パラメータの入力値を生成モデルに入力して生成される疑似的な第2の画像を抽出部に適用して得られる第2の特徴量とが一致するように、生成モデルに適用される入力値を最適化する。
【選択図】図8
特許請求の範囲【請求項１】
画像に対する位相幾何学的データ解析に基づき前記画像の特徴量を抽出する抽出部と、
製造プロセスの予測対象に関する疑似的な画像を、製造プロセスパラメータに対応する画像生成パラメータから生成する生成モデルに適用して生成する画像生成部と、
前記予測対象に関する第１の画像を取得する取得部と、
前記第１の画像を前記抽出部に適用して得られる第１の特徴量と、前記画像生成パラメータの入力値を前記生成モデルに入力して生成される第２の画像を前記抽出部に適用して得られる第２の特徴量とが一致するように、前記生成モデルに適用される前記入力値を最適化する最適化部と、
を具備する製造プロセス予測装置。
続きを表示（約 1,000 文字）【請求項２】
最適化された前記入力値を使用して、所望の強度特性を満たす前記予測対象が有する前記製造プロセスパラメータの最適値を探索する探索部を更に備える、請求項１記載の製造プロセス予測装置。
【請求項３】
前記探索部は、
最適化された前記入力値を変調して複数の変調入力値を算出し、
前記複数の変調入力値を前記生成モデルに適用して生成された複数の第３の画像を前記抽出部に適用して得られる複数の第３の特徴量に基づいて、前記製造プロセスパラメータの前記最適値を探索する、
請求項２記載の製造プロセス予測装置。
【請求項４】
前記探索部は、前記複数の第３の特徴量のうちの基準を満たす特定の第３の特徴量が存在する場合、前記特定の第３の特徴量に対応するプロセス値を、前記最適値とする、請求項３記載の製造プロセス予測装置。
【請求項５】
前記抽出部は、
前記画像に前処理を施して前処理画像を生成する前処理部と、
前記前処理画像に位相幾何学的データ解析を施して解析結果を算出する解析部と、
前記解析結果を、前記特徴量である数値データに変換する変換部と、を有する、
請求項１記載の製造プロセス予測装置。
【請求項６】
前記前処理部は、前記前処理として、２値化処理を行う、請求項５記載の製造プロセス予測装置。
【請求項７】
前記解析部は、前記位相幾何学的データ解析として、パーシステントホモロジー解析を行い、前記前処理画像からパーシステント図を算出し、
前記変換部は、前記パーシステント図を１次元の数値ベクトルに変換する、
請求項５記載の製造プロセス予測装置。
【請求項８】
前記画像生成パラメータは、１個以上のパラメータを有する、請求項１記載の製造プロセス予測装置。
【請求項９】
前記１個以上のパラメータは、空隙率、粒径分布、粒径サンプル数、最小粒径及び／又は粒配置を含む、請求項８記載の製造プロセス予測装置。
【請求項１０】
前記最適化部は、前記第１の特徴量と前記第２の特徴量との間の距離を最小化することにより最適化を行う、請求項１記載の製造プロセス予測装置。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明の実施形態は、製造プロセス予測装置、方法、プログラム及びシステムに関する。
続きを表示（約 2,900 文字）【背景技術】
【０００２】
注型材料は、各製品仕様に合わせてシリカ（SiO
2
）等の無機充填材を配合している。注型材料の曲げ強さや引張強度等の機械的強度は、無機充填材の形状や粒径等に応じて変化し、樹脂の化学構造によって耐熱性(ガラス転移温度)が変化する。そのため、製品に求められる強度特性を満足するように製造プロセスを最適化することは非常に重要である。
【０００３】
材料の組成や製造プロセス選定は、各製品仕様にあわせて実験的に行われている。しかしながら、実験には複数の要因が絡み合う事が多く、制御すべき真のパラメータが分からないまま最適化がなされている。そのため、組み合わせも膨大となり多くの開発時間と開発コストを要している。
【０００４】
近年、データ科学の手法を導入し、蓄積された既存データの再活用もしくは新規データの有効活用によって、試行錯誤による開発コストの低減や開発時間の短縮する試みがなされている。例えば、画像データの場合、深層学習等によって材料特性と紐付ける試みが盛んに行われている。また、画像に含まれる位相幾何学的な情報を抽出して材料特性と相関を調べる方法もなされている。しかし、これら既存の方法は、画像に含まれる微細構造の特徴量と材料特性との相関関係の解析に留まり、所望の強度特性を実現する微細構造を実現する製造プロセスを与えるものではない。
【先行技術文献】
【特許文献】
【０００５】
特開２０１９－２０９２７１号公報
【非特許文献】
【０００６】
Agrawal, A., & Choudhary, A. (2019). Deep materials informatics: Applications of deep learning in materials science. Mrs Communications, 9(3), 779-792.
Sun, Y., Hanhan, I., Sangid, M. D., & Lin, G. (2020). Predicting mechanical properties from microstructure images in fiber-reinforced polymers using convolutional neural networks. arXiv preprint arXiv:2010.03675.
Gupta, S., Mukhopadhyay, T., & Kushvaha, V. (2022). Microstructural image based convolutional neural networks for efficient prediction of full-field stress maps in short fiber polymer composites. Defence Technology.
Edelsbrunner, H., Letscher, D., and Zomorodian, A. 2000 “Topological persistence and simplification,” in Proceedings 41st annual symposium on foundations of computer science, 454-463, IEEE.
Adams, H., Emerson, T., Kirby, M., Neville, R., Peterson, C., Shipman, P., Chepushtanova, S., Hanson, E., Motta, F., and Ziegelmeier, L. 2017 “Persistence images: A stable vector representation of persistent homology,” Journal of Machine Learning Research 18.
【発明の概要】
【発明が解決しようとする課題】
【０００７】
本発明が解決しようとする課題は、所望の強度特性を実現する製造プロセスの探索に要する時間を短縮可能な製造プロセス予測装置、方法、プログラム及びシステムを提供することである。
【課題を解決するための手段】
【０００８】
実施形態に係る製造プロセス予測装置は、抽出部、画像生成部、画像取得部及び最適化部を有する。前記抽出部は、画像に対する位相幾何学的データ解析に基づき前記画像の特徴量を抽出する。前記画像生成部は、製造プロセスの予測対象に関する疑似的な画像を、製造プロセスパラメータに対応する画像生成パラメータから生成する生成モデルに適用して生成する。前記画像取得部は、前記予測対象に関する第１の画像を取得する。前記最適化部は、前記第１の画像を前記抽出部に適用して得られる第１の特徴量と、前記画像生成パラメータの入力値を前記生成モデルに入力して生成される疑似的な第２の画像を前記抽出部に適用して得られる第２の特徴量とが一致するように、前記生成モデルに適用される前記入力値を最適化する。
【図面の簡単な説明】
【０００９】
製造プロセス予測装置のハードウェア構成例を示す図
プロセッサの機能構成例を示す図
ＳＥＭ画像の一例を示す図
生成モデルによる疑似ＳＥＭ画像の生成過程を模式的に示す図
パーシステントホモロジー解析を模式的に示す図
パーシステントダイアグラムの具体例を示す図
パーシステントイメージと強度特性（曲げ強さ）との相関関係を表す図
製造プロセス予測処理の処理手順を示す図
図８のステップＳ１からＳ５までの処理手順を模式的に示す図
図８のステップＳ１からＳ５までの処理手順において生成されるデータの変遷を示す図
図８のステップＳ６の処理手順を模式的に示す図
図１１のステップＳ６の処理手順において生成されるデータの変遷を示す図
＜実施例１＞試料Ａの実ＳＥＭ画像と擬似ＳＥＭ画像とを示す図
＜実施例１＞試料ＡのＳＥＭ画像の０次パーシステント図と疑似ＳＥＭ画像の０次パーシステント図とを示す図
＜実施例１＞空隙率ｘ［３］を変化させた時の疑似ＳＥＭ画像とパーシステント図とを示す図
＜実施例１＞製造プロセスパラメータである３次元空隙率と画像生成パラメータである空隙率との対応関係を示す図
＜実施例２＞空隙率ｘ［３］を変化させた時の疑似ＳＥＭ画像とパーシステント図とを示す図
【発明を実施するための形態】
【００１０】
以下、図面を参照しながら本実施形態に係わる製造プロセス予測装置、方法、プログラム及びシステムを説明する。
（【００１１】以降は省略されています）

関連特許