特許ウォッチ

公開番号2025138435
公報種別公開特許公報(A)
公開日2025-09-25
出願番号2024037530
出願日2024-03-11
発明の名称防錆性能解析方法、防錆性能解析システム、防錆性能管理プログラム及び該防錆性能管理プログラムを記憶しているコンピュータ読取可能な記憶媒体
出願人マツダ株式会社
代理人弁理士法人前田特許事務所
主分類G01N 27/26 20060101AFI20250917BHJP(測定;試験)
要約【課題】複数の製造工程を経て製造される金属製品について、その防錆性能の良否に寄与したと考えられる製造工程を、高精度かつ容易に判別する。
【解決手段】防錆性能解析方法は、複数の特徴量Pの各々と、複数の製造工程Qの1つ以上と、を関連付けるように事前に生成された2種以上の機械学習モデル69をSSD9から読み込むプロセスと、複数の特徴量Pの中から、事前に選択された特定特徴量Psを読み込むプロセスと、特定特徴量Psと2種以上の機械学習モデル69とに基づいて、防錆性能の判定に寄与すると推定される特定工程Qsを、機械学習モデル69の種類別に推定するプロセスと、を含む。
【選択図】図15A
特許請求の範囲【請求項１】
記憶部及び演算部を備えるコンピュータを用いることで、複数の製造工程を経て製造される金属製品の防錆性能を解析する防錆性能解析方法であって、
前記防錆性能の判定に用いられる複数の特徴量のうち、前記防錆性能の判定に寄与すると推定される１つ又は複数の特徴量を特定特徴量とし、前記複数の製造工程のうち、前記防錆性能の判定に寄与すると推定される１つ又は複数の製造工程を特定工程とすると、
前記演算部が、前記金属製品の表面に腐食因子を接触させた状態で電圧を印加することで、該電圧に起因して生じる電流の経時的変化を取得し、
前記演算部が、前記経時的変化の波形を特徴付ける複数の特徴量に基づいて、前記防錆性能を判定して出力し、
前記演算部が、前記複数の特徴量の各々と、前記複数の製造工程の１つ以上と、を関連付けるように事前に生成された２種以上の機械学習モデルを前記記憶部から読み込み、
前記複数の特徴量の中から、前記特定特徴量を読み込み、
前記演算部が、前記特定特徴量と、前記２種以上の機械学習モデルとに基づいて、前記特定工程を、前記機械学習モデルの種類別に推定する
ことを特徴とする防錆性能解析方法。
続きを表示（約 2,600 文字）【請求項２】
請求項１に記載された防錆性能解析方法において、
前記２種以上の機械学習モデルは、
決定木系のアルゴリズムに基づいた第１の機械学習モデルと、
非決定木系のアルゴリズムに基づいた第２の機械学習モデルと、を含む
ことを特徴とする防錆性能解析方法。
【請求項３】
請求項２に記載された防錆性能解析方法において、
前記演算部は、前記第１の機械学習モデルにおける、前記複数の特徴量の各々に対応した前記複数の製造工程の各々の重要度に基づいて、前記特定工程を決定する
ことを特徴とする防錆性能解析方法。
【請求項４】
請求項２に記載された防錆性能解析方法において、
前記第２の機械学習モデルは、前記複数の特徴量の各々を子ノードとし、前記複数の製造工程の各々を親ノードとしたベイジアンネットワークであり、
前記演算部は、前記ベイジアンネットワークを有向グラフ構造として可視化したときに、前記特定特徴量に対して一のエッジを介して結ばれる製造工程を、前記特定工程として決定する
ことを特徴とする防錆性能解析方法。
【請求項５】
請求項２に記載された防錆性能解析方法において、
前記演算部は、前記第１の機械学習モデルによる決定結果と、前記第２の機械学習モデルによる決定結果とが相違する場合、
前記第１及び第２の機械学習モデルそれぞれの推定結果と、
前記第１及び第２の機械学習モデルのそれぞれの生成に際して用いられたサンプル数と、を個別に通知する
ことを特徴とする防錆性能解析方法。
【請求項６】
請求項１に記載された防錆性能解析方法において、
前記品質の判定結果は、該品質の良否に応じて増減する品質データとして定量化され、
前記複数の製造工程は、それぞれ、各製造工程の内容を特徴づけるように数値化され、
前記記憶部は、
前記複数の特徴量のそれぞれと、前記品質データとの間の相関関係を示す第１の相関関係と、
前記複数の製造工程のそれぞれと、前記複数の特徴量のそれぞれとの間の相関関係を示す第２の相関関係と、を事前に記憶し、
前記演算部は、前記特定工程の決定後、前記第１及び第２の相関関係に基づいて、
前記特定工程の内訳と、
前記品質を向上させるための、前記特定工程の制御態様と、を通知する
ことを特徴とする防錆性能解析方法。
【請求項７】
請求項６に記載された防錆性能解析方法において、
前記演算部は、該演算部の演算結果を表示可能な表示部に、
前記特定工程の内訳と、
前記品質を向上させるための、前記特定工程の制御態様と、を前記品質の良否に寄与する特定工程から順に表示する
ことを特徴とする防錆性能解析方法。
【請求項８】
請求項１に記載された防錆性能解析方法において、
前記演算部は、
前記複数の特徴量と、前記品質の良否度合とを関連付けるように事前の機械学習によって生成された性能判定モデルを読み込み、
前記複数の特徴量と、前記性能判定モデルとに基づいて、前記良否度合いを判定し、
前記演算部はまた、前記性能判定モデルにおける、前記良否度合いに対応した前記複数の特徴量各々の重要度に基づいて、前記特定特徴量を決定する
ことを特徴とする防錆性能解析方法。
【請求項９】
記憶部及び演算部を備えるコンピュータを含み、複数の製造工程を経て製造される製品の防錆性能を解析する防錆性能解析システムであって、
前記防錆性能の判定に用いられる複数の特徴量のうち、前記防錆性能の判定に寄与すると推定される１つ又は複数の特徴量を特定特徴量とし、前記複数の製造工程のうち、前記防錆性能の判定に寄与すると推定される１つ又は複数の製造工程を特定工程とすると、
前記金属製品の表面に腐食因子を接触させた状態で電圧を印加することで、該電圧に起因して生じる電流の経時的変化を取得する測定装置と、
前記経時的変化の波形を特徴付ける複数の特徴量に基づいて、前記防錆性能を判定して出力する性能評価手段と、
前記複数の特徴量の各々と、前記複数の製造工程の１つ以上と、を関連付けるように事前に生成された２種以上の機械学習モデルを前記記憶部から読み込むモデル読込手段と、
前記複数の特徴量の中から、前記特定特徴量を読み込むとともに、前記特定特徴量と、前記２種以上の機械学習モデルとに基づいて、前記特定工程を、前記機械学習モデルの種類別に推定する特定工程推定手段と、を備える
ことを特徴とする防錆性能解析システム。
【請求項１０】
記憶部及び演算部を備えるコンピュータによって実行され、複数の製造工程を経て製造される製品の防錆性能を解析する防錆性能解析プログラムであって、
前記防錆性能の判定に用いられる複数の特徴量のうち、前記防錆性能の判定に寄与すると推定される１つ又は複数の特徴量を特定特徴量とし、前記複数の製造工程のうち、前記防錆性能の判定に寄与すると推定される１つ又は複数の製造工程を特定工程とすると、
前記コンピュータに、
測定装置が、前記金属製品の表面に腐食因子を接触させた状態で電圧を印加することで、該電圧に起因して生じる電流の経時的変化を取得させるステップと、
前記演算部が、前記経時的変化の波形を特徴付ける複数の特徴量に基づいて、前記防錆性能を判定して出力するステップと、
前記演算部が、前記複数の特徴量の各々と、前記複数の製造工程の１つ以上と、を関連付けるように事前に生成された２種以上の機械学習モデルを前記記憶部から読み込むステップと、
前記演算部が、前記複数の特徴量の中から、前記特定特徴量を読み込むとともに、前記特定特徴量と、前記２種以上の機械学習モデルとに基づいて、前記特定工程を、前記機械学習モデルの種類別に推定するステップと、を実行させる
ことを特徴とする防錆性能解析プログラム。
（【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】
本開示は、防錆性能管理方法、防錆性能管理システム、防錆性能管理プログラム及び該防錆性能管理プログラムを記憶しているコンピュータ読取可能な記憶媒体に関する。
続きを表示（約 1,300 文字）【背景技術】
【０００２】
例えば特許文献１には、特性制御加工条件を付与するための特性調整工程と、その特定調整工程の後、少なくとも１つの別工程を経て至る特性検査工程と、を備える製品の製造プロセスが開示されている。ここで、特性調整工程は、多数の工程の途中に設けられている。
【０００３】
前記特許文献１の記載によると、前記特性調整工程では、事前生成された学習モデルを用いることで、その特性調整工程よりも前の工程で得られた中間特性から、最適な特性制御加工条件が検索される。
【０００４】
また、前記特許文献１に記載の学習モデルは、中間特性と特性制御加工条件を入力とし、特性検査工程で得られる製品特性を出力としている。そうした学習モデルを用いることで、その都度得られる中間特性から、所望の製品特性を得るための特性制御加工条件を、自動的に且つ適切に検索することができる。
【０００５】
一方、特許文献２には、複数の製品データについて、第１判別ステップと、分類分けステップと、を実行することが開示されている。第１判別ステップとは、教師データ有りの第１学習モデルに基づいて、良品と不良品との判別を実行する処理である。分類分けステップとは、教師データ無しのクラスター分析に基づいて、不良品と判別された製品データについて、その不良の種別をグループ分けする処理である。
【０００６】
さらに、前記特許文献２には、前記分類分けステップの後に、第２判別ステップを行うことが開示されている。第２判別ステップとは、第２学習モデルに基づいて、複数の製品データについて、良品と不良品との判別、及び、各不良品における不良の種別の判別を行う処理である。
【０００７】
ここで、前記第２学習モデルは、第１判別ステップによって判別された良品データと、分類分けステップによって不良の種別毎にグループ分けされた不良品データと、を教師データとして機械学習を行うことで生成される。
【０００８】
前記特許文献２によると、第１学習モデルによる分類と、クラスター分析とを続けて行うことで、良品と不良品との判別の他に、各不良品における不良の種別の判別が可能となる。さらに、第１学習モデル及びクラスター分析による分類結果を教師データとした第２学習モデルを生成することで、２種類の判別を、その第２学習モデルを用いて行うことが可能になる。
【先行技術文献】
【特許文献】
【０００９】
特開２００２－２８７８０３号公報
特開２０１９－２０４２３２号公報
【発明の概要】
【発明が解決しようとする課題】
【００１０】
本願発明者らは、複数の製造工程を経て製造される金属製品について、その防錆性能の管理方法を模索した。そうした管理方法としては、前記特許文献１及び２に開示されているような、機械学習を用いた手法から出発することが考えられる。
（【００１１】以降は省略されています）

関連特許