知財求人 - 知財ポータルサイト「IP Force」
▶ 公立大学法人大阪の特許一覧 ▶ 株式会社ユタニの特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024117215
(43)【公開日】2024-08-29
(54)【発明の名称】ナットランナ
(51)【国際特許分類】
B25B 23/14 20060101AFI20240822BHJP
B23P 19/06 20060101ALI20240822BHJP
【ＦＩ】
B25B23/14 620H
B25B23/14 620C
B25B23/14 610E
B23P19/06 K
【審査請求】未請求
【請求項の数】6
【出願形態】ＯＬ
(21)【出願番号】P 2023023180
(22)【出願日】2023-02-17
(71)【出願人】
【識別番号】519135633
【氏名又は名称】公立大学法人大阪
(71)【出願人】
【識別番号】390005924
【氏名又は名称】株式会社ユタニ
(74)【代理人】
【識別番号】100120868
【弁理士】
【氏名又は名称】安彦 元
(74)【代理人】
【識別番号】100199347
【弁理士】
【氏名又は名称】西田 泰士
(72)【発明者】
【氏名】中島 智晴
(72)【発明者】
【氏名】下田 萌喜
(72)【発明者】
【氏名】吉本 智
(72)【発明者】
【氏名】油谷 謙介
【テーマコード（参考）】
3C038
【Ｆターム（参考）】
3C038AA01
3C038AA04
3C038BC03
3C038BC04
3C038CA02
3C038CA06
3C038CA07
3C038CA10
3C038CB02
3C038CC04
3C038EA02
(57)【要約】
【課題】ボルト又はナットの着座や底付を正しく判定し、判定精度を向上させて不良化率を低減するナットランナを提供する。
【解決手段】締付対象物に対してボルト又はナットの締付制御を行う制御手段を有するナットランナにおいて、前記制御手段は、進化戦略に従って重み係数の最適値を探索する最適値探索手段を用いて締付制御を行うＡＩ締付制御手段を有し、前記ＡＩ締付制御手段は、締付開始後の計測データ群を前記最適値探索手段に入力することにより、前記締付対象物の着座及び／又は底付を検出する検出手段を有することを特徴とする。
【選択図】図３
【解決手段】締付対象物に対してボルト又はナットの締付制御を行う制御手段を有するナットランナにおいて、前記制御手段は、進化戦略に従って重み係数の最適値を探索する最適値探索手段を用いて締付制御を行うＡＩ締付制御手段を有し、前記ＡＩ締付制御手段は、締付開始後の計測データ群を前記最適値探索手段に入力することにより、前記締付対象物の着座及び／又は底付を検出する検出手段を有することを特徴とする。
【選択図】図３
【特許請求の範囲】
【請求項1】
締付対象物に対してボルト又はナットの締付制御を行う制御手段を有するナットランナにおいて、
前記制御手段は、進化戦略に従って重み係数の最適値を探索する最適値探索手段を用いて締付制御を行うＡＩ締付制御手段を有し、
前記ＡＩ締付制御手段は、締付開始後の計測データ群を前記最適値探索手段に入力することにより、前記締付対象物の着座及び／又は底付を検出する検出手段を有することを特徴とするナットランナ。
前記制御手段は、進化戦略に従って重み係数の最適値を探索する最適値探索手段を用いて締付制御を行うＡＩ締付制御手段を有し、
前記ＡＩ締付制御手段は、締付開始後の計測データ群を前記最適値探索手段に入力することにより、前記締付対象物の着座及び／又は底付を検出する検出手段を有することを特徴とするナットランナ。
【請求項2】
前記ＡＩ締付制御手段は、ナットランナの外部に設けたこと特徴とする請求項１記載のナットランナ。
【請求項3】
前記ＡＩ締付制御手段は、更に予め設定された前記締付対象物の着座トルクに到達したか否かを判定する判定手段を有し、前記判定手段により前記着座トルクに到達したと判定されるまで、前記検出手段による前記締付対象物の着座及び／又は底付の検出を繰り返すこと特徴とする請求項１又は２記載のナットランナ。
【請求項4】
前記最適値探索手段は、締付学習データから共分散行列適応進化戦略（ＣＭＡ－ＥＳ：Covariance Matrix Adaptation Evolution Strategy）のアルゴリズムに基づいて最適解（評価値）を探索することを特徴とする請求項１記載のナットランナ。
【請求項5】
前記ナットは、セルフロックナットであることを特徴とする請求項１記載のナットランナ。
【請求項6】
前記ナットランナは、エアナットランナ又は据付型ナットランナであることを特徴とする請求項１記載のナットランナ。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、ナットランナに関し、締付対象物の着座や底付きを自動的に検出するナットランナに関する。
【背景技術】
【0002】
ナットランナは自動車車体製造、航空宇宙産業、重機・建機組立、家電組立等、産業界の組立分野において幅広く使われている。これらの組立現場では、ナットランナが締付対象物に対してボルトやナットを締付ける際に利用される。ボルトやナットの締付には、回転する先端部分にソケットを装着して用いられる。ナットランナの形状は、手で持って作業をするハンドナットランナや設備に搭載する据付型のナットランナがある。ハンドナットランナとしては、ストレートタイプ、ピストルタイプ、アングルタイプ等がある。
【0003】
ナットランナの駆動方式としては、圧縮空気を利用したエア式ナットランナ、電動モータの軸から減速ギアを経由してソケットへ伝達してボルトやナットを回転させる電気式ナットランナが一般的である。締付強度（トルク、Ｎｍで表す）の与え方としては、連続的にトルクを与えるダイレクト駆動（ＤＣ）方式と、パルス状のトルクを与えながら締付けるパルス方式がある。パルス方式はＤＣ方式に比べて、締付完了段階における反力が少ないというメリットがある反面、正確なプログラム制御や締付トルクの判定が難しいというデメリットがある。
【0004】
エア式ナットランナでは、規定トルクに達するとクラッチが外れて空転する、又はシャットオフバルブが機能して回転を止めることにより、規定トルクの締付けを行う。電動ナットランナにおいては、回転速度・角度・締付トルクをプログラムにより制御を行うことが可能であり、回転速度が自動で切り替わる機能を有するものもあり、例えば締付ける時には高速回転で、最後は低速になって仕上げを行うといった作業を自動で行うことができる。エア式ナットランナにおいても、同様な機能を追加したものがある。
【0005】
特許文献１には、機械学習装置を用いたネジ締付システムが開示されている。
【0006】
また、特許文献２には、締付開始から着座までボルトやナットの締付対象物を例えば高速回転で締付け、その着座後から締付完了まで締付対象物を例えば低速回転で締付けるナットランナ及びその制御方法が開示されている。
【0007】
特許文献３には、ニューラルネットワークを用いて、ナットランナによるねじの締付を制御するナットランナ制御装置が開示されている。具体的には、特許文献３では、軸力測定結果を教師として、ナットランナ締付を軸力測定無しでも軸力と紐付けて締付け判定制御している。
【先行技術文献】
【特許文献】
【0008】
【特許文献1】特開２０１７－３００８８号公報
【特許文献2】特開２００６－１１０６５７号公報
【特許文献3】特開平６－２０６１２７号公報
【発明の概要】
【発明が解決しようとする課題】
【0009】
上記特許文献１では、報酬の決め方が、「距離センサによるネジ頭部と座面間の距離測定」に依存しているため、ネジ締付は距離センサが必要である。行動（制御動作）を最適化するためのニューラルネットワークによりエラーの少ない制御動作を学習し、その動作で動かす制御を行う。判定の良し悪しが学習されるわけではないため、距離センサが無い場合には、正解判定精度が著しく落ちるという問題点があった。
【0010】
上記特許文献２では、着座地点までに異常が発生しないことを評価する技術であり、着座の決定方法を改良することについては配慮されていなかった。
【0011】
上記特許文献３では、着座については開示されているが、底付きまでは考慮されていなかった。
【0012】
そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、ボルト又はナットの着座や底付を正しく判定し、判定精度を向上させて不良化率を低減するナットランナを提供することにある。
【課題を解決するための手段】
【0013】
前記課題を解決するために、第１発明に係るナットランナは、締付対象物に対してボルト又はナットの締付制御を行う制御手段を有するナットランナにおいて、前記制御手段は、進化戦略に従って重み係数の最適値を探索する最適値探索手段を用いて締付制御を行うＡＩ締付制御手段を有し、前記ＡＩ締付制御手段は、締付開始後の計測データ群を前記最適値探索手段に入力することにより、前記締付対象物の着座及び／又は底付を検出する検出手段を有することを特徴とする。
【0014】
第２発明に係るナットランナは、第１発明において、前記ＡＩ締付制御手段は、ナットランナの外部に設けたこと特徴とする。
【0015】
第３発明に係るナットランナは、第１発明又は第２発明において、前記ＡＩ締付制御手段は、更に予め設定された前記締付対象物の着座トルクに到達したか否かを判定する判定手段を有し、前記判定手段により前記着座トルクに到達したと判定されるまで、前記検出手段による前記締付対象物の着座及び／又は底付の検出を繰り返すことを特徴とする。
【0016】
第４発明に係るナットランナは、第１発明において、前記最適値探索手段は、締付学習データから共分散行列適応進化戦略（ＣＭＡ－ＥＳ：Covariance Matrix Adaptation Evolution Strategy）のアルゴリズムに基づいて最適解（評価値）を探索することを特徴とする。
【0017】
第５発明に係るナットランナは、第１発明において、前記ナットは、セルフロックナットであることを特徴とする請求項１記載のナットランナ。
【0018】
第６発明に係るナットランナは、第１発明において、前記ナットランナは、エアナットランナ又は据付型ナットランナであることを特徴とする。
【発明の効果】
【0019】
以上の構成により、本発明によれば、ボルト又はナットの着座や底付地点を正しく判定し、判定精度を向上させて不良化率を低減するナットランナを実現することができる。
【図面の簡単な説明】
【0020】
【図7】図７（ａ）はＣＭＡ－ＥＳによる共分散行列適応進化戦略による世代１の一例を示す図である。図７（ｂ）はＣＭＡ－ＥＳによる共分散行列適応進化戦略による世代２の一例を示す図である。図７（ｃ）はＣＭＡ－ＥＳによる共分散行列適応進化戦略による世代３の一例を示す図である。
【発明を実施するための形態】
【0021】
以下、本発明を適用した実施形態におけるナットランナの一例について、図面を参照しながら説明する。
【0022】
＜本実施形態：ハンドナットランナ＞
＜構成＞
図１は本発明の実施形態を示すハンドナットランナの一例を示す断面図である。
本実施形態のハンドナットランナは、図１に示すように、樹脂ケーシング１と、金属ケーシング２と、充電式バッテリ３と、グリップ４と、スイッチ５と、操作部６、表示部７と、を有する。
＜構成＞
図１は本発明の実施形態を示すハンドナットランナの一例を示す断面図である。
本実施形態のハンドナットランナは、図１に示すように、樹脂ケーシング１と、金属ケーシング２と、充電式バッテリ３と、グリップ４と、スイッチ５と、操作部６、表示部７と、を有する。
【0023】
これらのケーシング内部に、電子部品とメカ部品とモータ等が内蔵されている。すなわち、樹脂ケーシング１には、ＣＰＵ基板１１と、ＤＣブラシレスモータ１２と、エンコーダ１３と、モータ制御基板１４と、表示操作基板１５と、加速度および角速度計測部１６と、を有する。金属ケーシング２には、モータ駆動軸２１と、減速部２２と、かさ歯車部２３と、先端出力部２４と、歪ゲージ式トルクセンサ２５と、歪ゲージ式トルクセンサ２６と、を有する。図示を省略するが、減速部２２は、サンギヤと、ピニオンギヤと、インターナルギヤを有し、遊星歯車機構を構成している。
【0024】
＜構成の説明＞
樹脂ケーシング１には、ＣＰＵ基板１１、ＤＣブラシレスモータ１２、モータエンコーダ１３、モータ制御基板１４、表示操作基板１５、加速度および角速度計測部１６を内蔵している。
樹脂ケーシング１には、ＣＰＵ基板１１、ＤＣブラシレスモータ１２、モータエンコーダ１３、モータ制御基板１４、表示操作基板１５、加速度および角速度計測部１６を内蔵している。
【0025】
金属ケーシング２には、モータ駆動軸２１、モータ駆動軸２１、減速部２２、かさ歯車部２３、先端出力部２４、第１の歪ゲージ式トルクセンサ２５、第２の歪ゲージ式トルクセンサ２６を内蔵している。
【0026】
充電式バッテリ３は、ナットランナ内部のセンサ、各電子基板、モータ等に電源供給を行う。例えば、充電式のリチウムイオン電池やニッケル水素電池等が使用できる。試作機では、電池電圧２５．２Ｖ、容量３．９Ａｈのものを用いているが、これに限定されない。所望の締付トルクを達成できるものであれば良い。
【0027】
グリップ４は、操作者が手で握る部分である。グリップ４を操作者が把持し、ハンドナットランナを締付対象物に対して操作する。
【0028】
スイッチ５は、操作者により押すと締付制御が開始される。
【0029】
操作部６は、設定値変更、締付結果の表示の変更、決定、リセット等の操作を行うためのボタン群が設けられている。
【0030】
表示部７は、設定値、締付結果、状態等の表示を行うための液晶画面である。カラー表示や白黒表示等の表示形式については特に限定されない。
【0031】
ＣＰＵ基板１１は、締付対象物に対してボルト又はナットの締付制御を行う制御手段としての機能を備え、進化戦略に従って重み係数の最適値を探索する最適値探索手段を用いて締付制御を行うＡＩ締付制御手段を有している。ＣＰＵ基板１１には、ＡＩ締付制御手段としての締付制御を行うためのプログラムが書き込まれている。本明細書では、人工知能、Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｃｅを略して「ＡＩ」と表記する。以下、ＣＰＵ基板１１におけるナットランナのコントローラとしての機能を説明する。ＣＰＵ基板１１は、ＤＣブラスレスモータ等のモータ１２、エンコーダ１３、第１の歪ゲージ式トルクセンサ２５、第２の歪ゲージ式トルクセンサ２６、加速度および角速度計測部１６で計測した値を取り込む。ＣＰＵ基板１１は、Ｗｉ－Ｆｉ通信又はＵＳＢ接続により、図示しない外部ＰＣと接続できる。ナットランナから外部ＰＣに、締付結果や締付に必要な設定値を送信することができる。また、外部ＰＣからナットランナに、締付に必要な設定値を送信することができる。メモリに一時的に各種測定値や検討結果を保存することができる。内部ストレージ（ＳＤカード等）に、締付結果を保存することができる。
【0032】
モータ１２は、ナットランナの動力源である。モータ１２の回転速度及び電流値は、ＣＰＵに取り込まれる。
【0033】
モータエンコーダ１３は、モータ１２の回転速度を計測する。計測された回転速度値は、ＣＰＵに取り込まれる。
モータ制御基板１４は、モータ１２の駆動制御ＩＣ、ドライバ回路、電源回路などを備えた基板である。
表示操作基板１５は、操作部６や表示部７の表示・操作用の基板である。
モータ制御基板１４は、モータ１２の駆動制御ＩＣ、ドライバ回路、電源回路などを備えた基板である。
表示操作基板１５は、操作部６や表示部７の表示・操作用の基板である。
【0034】
加速度および角速度計測部１６は、ｘ、ｙ、ｚ軸の加速度および角速度の計測を行うためのものである。加速度および角速度計測部１６は後記図２の９軸ジャイロセンサに対応する。ジャイロセンサのことを、本明細書では「振動センサ」という用語を用いている場合もある。
【0035】
モータ駆動軸２１は、モータ１２の駆動力を伝達するものである。モータ１２の動力を駆動軸から減速部（遊星歯車機構等）へ入力を行うためのものである。
【0036】
減速部２２は、遊星歯車機構（サンギヤ、ピニオン、インターナルギヤ）等により減速させて、目標のトルク（規定トルク）を得る。
【0037】
かさ歯車部２３は、出力方向変換を行い、回転力を先端出力部２４に伝達する。
【0038】
先端出力部２４は、図示しないソケット等を装着し、ナットやボルトと接続することで、締付を行う。
【0039】
第１の歪ゲージ式トルクセンサ２５は、締付トルクの計測を行うためのものである。計測されたトルク値は、ＣＰＵに取り込まれる。この第１の歪ゲージ式トルクセンサ２５のことを後述するＡＩ開発においては、トルクセンサ（１）と略して表記する。
【0040】
第２の歪ゲージ式トルクセンサ２６は、締付トルクの計測を行うためのものである。計測されたトルク値は、ＣＰＵに取り込まれる。この第２の歪ゲージ式トルクセンサ２６のことを後述するＡＩ開発においては、トルクセンサ（２）と略して表記する。
【0041】
＜電子基板：ＣＰＵ基板、モータ制御基板等＞
図２は、本実施形態のナットランナの電子基板の主要な構成例を示す図である。
図２に示すように、電子基板は、トルクセンサ１０１Ａ、１０１Ｂと、増幅器１０２Ａ、１０２Ｂと、フィルタ１０３Ａ、１０３Ｂと、Ａ／Ｄ変換部１０４Ａ、１０４Ｂと、中点電圧１０５Ａ、１０５Ｂと、入力部１０６と、モータエンコーダ１０７と、ＣＰＵ１０８と、メモリ１０９と、記憶装置１１３と、表示部１１４と、モータ制御部１１５と、通信部１１６と、各種センサ（ジャイロセンサ等）１１７と、を有する。
図２は、本実施形態のナットランナの電子基板の主要な構成例を示す図である。
図２に示すように、電子基板は、トルクセンサ１０１Ａ、１０１Ｂと、増幅器１０２Ａ、１０２Ｂと、フィルタ１０３Ａ、１０３Ｂと、Ａ／Ｄ変換部１０４Ａ、１０４Ｂと、中点電圧１０５Ａ、１０５Ｂと、入力部１０６と、モータエンコーダ１０７と、ＣＰＵ１０８と、メモリ１０９と、記憶装置１１３と、表示部１１４と、モータ制御部１１５と、通信部１１６と、各種センサ（ジャイロセンサ等）１１７と、を有する。
【0042】
＜電子基板の構成の説明＞
トルクセンサ１０１Ａ、１０１Ｂは、ボルト締付時のトルクをアナログ値として発生させる。センサ部品自体にかかるトルクが歪を発生させ、それに起因した回路の電圧差を出力する。ここでは、歪ゲージを採用しているが、出力されるアナログ値は電圧に限定されない。トルクセンサ１０１Ａは、図１に示す第１の歪ゲージ式トルクセンサ２５に対応する。また、トルクセンサ１０１Ｂは、図１に示す第２の歪ゲージ式トルクセンサ２６に対応する。
トルクセンサ１０１Ａ、１０１Ｂは、ボルト締付時のトルクをアナログ値として発生させる。センサ部品自体にかかるトルクが歪を発生させ、それに起因した回路の電圧差を出力する。ここでは、歪ゲージを採用しているが、出力されるアナログ値は電圧に限定されない。トルクセンサ１０１Ａは、図１に示す第１の歪ゲージ式トルクセンサ２５に対応する。また、トルクセンサ１０１Ｂは、図１に示す第２の歪ゲージ式トルクセンサ２６に対応する。
【0043】
増幅器１０２Ａ、１０２Ｂは、トルクセンサが出力する微小電位差を増幅する。増幅率は例えば、２５０倍程度に設定するが、これに限定されない。
【0044】
フィルタ１０３Ａ、１０３Ｂは、増幅器１０２Ａ、１０２Ｂの出力のアナログ値を平滑化する丸め処理（フィルタリング）を行う。
【0045】
Ａ／Ｄ変換部１０４Ａ、１０４Ｂは、アナログ値をソフトウエアが読める形であるデジタル値に変換する。Ａ／Ｄ変換部１０４Ａ、１０４Ｂにより、ソフトウエア上の値（例えば、０－４０９６）として読み取りが可能となる。
【0046】
中点電圧１０５Ａ、１０６Ｂは、安全な出力をするための中点であり、異常電圧から回路を保護する。
【0047】
入力部１０６は、ハンドツール（手持ち式工具）の使用者が、操作を行うためのボタン等のインタフェースである。入力部１０６の例としては、ボタンに加えてタッチパネルやマイク等を含んでも良い。
【0048】
モータエンコーダ１０７は、モータの回転角度を読み取るためのパルス信号を出力する。ＯＮ－ＯＦＦ－ＯＮ－ＯＦＦという信号がＣＰＵ１０８に入力される。ＣＰＵ１０８は、その値からモータの回転角度を計算する。
【0049】
ＣＰＵ１０８は、以下の処理を実行する。（１）入力部１０６からの読み取り処理（２）通信部１１６からの読み取り処理及び通信部１１６への書き込み処理。（３）Ａ／Ｄ変換部１０４Ａ、１０４Ｂからの読み取り処理。（４）モータエンコーダ１０７からの読み取り処理。（５）トルクセンサ１０１Ａ、１０１Ｂとモータエンコーダ１０７のリアルタイムの読み取り値を計算し、モータ回転を制御する締付制御。（６）ハンドツール使用者に締付結果等の伝達。（７）締付結果データの記憶装置１１３への保存。ここで、ＣＰＵ１０８は、進化戦略に従って重み係数の最適値を探索する最適値探索手段を用いて締付制御を行うＡＩ締付制御手段を有している。そして、ＡＩ締付制御手段としての締付制御を行うためのプログラムが書き込まれている。ＡＩ締付制御手段については、ＡＩ開発から適用までの詳細を後述する。
【0050】
メモリ１０９は、プログラムおよび締付に必要なデータを一時的に記憶するための揮発性の記憶装置である。
【0051】
記憶装置１１３は、プログラムおよび締付に必要なデータを恒久的に記憶するための不揮発性の記憶装置である。
【0052】
表示部１１４は、使用者に情報を伝達するための電子部品である。例えば表示部１１４は、ディスプレイ、ＬＥＤライト、警告ブザーが含まれる。
【0053】
モータ制御部１１５は、例えばモータ本体、モータ制御のための電子部品から構成される。本実施形態では、モータ本体と一体構成としているが、別体構成にしても良い。
【0054】
通信部１１６は、接続された外部の電子機器とデータ転送をする電子部品である。本実施形態では、無線通信インタフェースを採用しているが、有線・無線インタフェースのどちらを採用しても良い。
【0055】
各種センサ１１７は、トルクセンサ１０１Ａ、１０１Ｂ以外の接続インタフェースである。本実施形態では、９軸ジャイロセンサ（振動センサ）を接続している。
上記実施形態において、バッテリタイプのハンドナットランナにＡＩ機能を搭載した点に特徴がある。そして、本発明のＡＩ締付制御手法は従来の制御手法に対して着座判定精度を向上させたものであり、「底付」や「かじり」の判定精度も向上させた点に特徴がある。
上記実施形態において、バッテリタイプのハンドナットランナにＡＩ機能を搭載した点に特徴がある。そして、本発明のＡＩ締付制御手法は従来の制御手法に対して着座判定精度を向上させたものであり、「底付」や「かじり」の判定精度も向上させた点に特徴がある。
【0056】
＜ナットランナの使用状態説明図＞
図１５（ａ）（ｂ）に図１（ａ）のナットランナ本体の先端出力部２４にソケットを装着した使用状態説明図を示す。図１５（ａ）は本実施形態におけるナットランナにソケットを装着する前の状態を示している。図１５（ｂ）は本実施形態におけるナットランナにソケットを装着した装着後の状態を示している。
図１５（ａ）、（ｂ）に示すように、図示しない使用者により、ナットランナ本体１５１（図１参照）の先端出力部にソケットＣＰ（ジョイント）１５２を装着し、締付対象物Ａ（接合対象Ａ）１５３と締付対象物Ｂ（接合対象Ｂ）を重合せて両方の穴にボルト１５６を通し、セルフロックナット１５５を押さえ込むようにナットランナ本体１５１を押し付けてスイッチをオンしてボルト又はナットの締付を行う。
図１５（ａ）（ｂ）に図１（ａ）のナットランナ本体の先端出力部２４にソケットを装着した使用状態説明図を示す。図１５（ａ）は本実施形態におけるナットランナにソケットを装着する前の状態を示している。図１５（ｂ）は本実施形態におけるナットランナにソケットを装着した装着後の状態を示している。
図１５（ａ）、（ｂ）に示すように、図示しない使用者により、ナットランナ本体１５１（図１参照）の先端出力部にソケットＣＰ（ジョイント）１５２を装着し、締付対象物Ａ（接合対象Ａ）１５３と締付対象物Ｂ（接合対象Ｂ）を重合せて両方の穴にボルト１５６を通し、セルフロックナット１５５を押さえ込むようにナットランナ本体１５１を押し付けてスイッチをオンしてボルト又はナットの締付を行う。
【0057】
＜本実施形態 ＡＩ締付制御フロー＞
図３は、本実施形態のナットランナにおけるＡＩ締付制御フローチャートである。以下、図１５（ｂ）のようにナットランナ本体にソケットを装着し、図３のＡＩ締付制御手段による締付制御フローについて説明する。
まず、締付け開始ボタンが押下（ＯＮ）される（ステップ３０１）と、モータが回転し、ネジ締付が開始され、各種計測値の測定が開始される（ステップ３０２）。
次に、着座や底付き等の異常判定に必要な数値を算出するため、測定値は時系列で保存され計算に使用される（ステップ３０３）。
次に、計測データ群をＡＩに入力し（ステップ３０４）、底付き判定（ステップ３０５）、着座判定（ステップ３０６）、着座トルク到達判定（ステップ３０７）を繰り返す。
着座を検出（ステップ３０６）し、着座トルクに到達した場合（ステップ３０７）は、判定結果は正常として処理を終了する（ステップ３０８）。
着座トルクに到達する前に、底付を検出した場合は（ステップ３０５）、判定結果はエラー（異常）、すなわち締付不良として（ステップ３０９）、モータを停止させて締付け終了とする。
上記ステップ３０１～３０６の処理を実行することによって、着座や底付きを判定することができる。
図３は、本実施形態のナットランナにおけるＡＩ締付制御フローチャートである。以下、図１５（ｂ）のようにナットランナ本体にソケットを装着し、図３のＡＩ締付制御手段による締付制御フローについて説明する。
まず、締付け開始ボタンが押下（ＯＮ）される（ステップ３０１）と、モータが回転し、ネジ締付が開始され、各種計測値の測定が開始される（ステップ３０２）。
次に、着座や底付き等の異常判定に必要な数値を算出するため、測定値は時系列で保存され計算に使用される（ステップ３０３）。
次に、計測データ群をＡＩに入力し（ステップ３０４）、底付き判定（ステップ３０５）、着座判定（ステップ３０６）、着座トルク到達判定（ステップ３０７）を繰り返す。
着座を検出（ステップ３０６）し、着座トルクに到達した場合（ステップ３０７）は、判定結果は正常として処理を終了する（ステップ３０８）。
着座トルクに到達する前に、底付を検出した場合は（ステップ３０５）、判定結果はエラー（異常）、すなわち締付不良として（ステップ３０９）、モータを停止させて締付け終了とする。
上記ステップ３０１～３０６の処理を実行することによって、着座や底付きを判定することができる。
【0058】
＜着座・底付のＡＩ判定処理＞
この着座や底付の判定は、進化戦略に従って重み係数の最適値を探索する最適値探索手段を用いて締付制御を行うＡＩ締付制御手段によって実行される。このＡＩ締付制御手段はＣＰＵに締付制御プログラムを書き込むことにより実現される。具体的には、ＡＩ締付制御手段は、締付開始後の計測データ群を前記最適値探索手段に入力することにより、前記締付対象物の着座及び／又は底付を検出する。前記最適値探索手段は、締付学習データから共分散行列適応進化戦略（ＣＭＡ－ＥＳ：Covariance Matrix Adaptation Evolution Strategy）のアルゴリズムに基づいて最適解（評価値）を探索することにより、着座や底付きを判定することができるので、従来の着座や底付の判定に対して判定精度を向上させることができる。
この着座や底付の判定は、進化戦略に従って重み係数の最適値を探索する最適値探索手段を用いて締付制御を行うＡＩ締付制御手段によって実行される。このＡＩ締付制御手段はＣＰＵに締付制御プログラムを書き込むことにより実現される。具体的には、ＡＩ締付制御手段は、締付開始後の計測データ群を前記最適値探索手段に入力することにより、前記締付対象物の着座及び／又は底付を検出する。前記最適値探索手段は、締付学習データから共分散行列適応進化戦略（ＣＭＡ－ＥＳ：Covariance Matrix Adaptation Evolution Strategy）のアルゴリズムに基づいて最適解（評価値）を探索することにより、着座や底付きを判定することができるので、従来の着座や底付の判定に対して判定精度を向上させることができる。
【0059】
以下では、本実施形態のハンドナットランナのＡＩ開発とその適用について図面を参照しながら説明する。
【0060】
＜ＡＩ開発工程＞
ＡＩ開発に当たり、学習データを教師データとして与え、ＡＩ締付制御を行う。ＡＩが用いる測定値は、ナットランナに搭載された各測定器が締付時に測定するものを用いる。各測定器と測定項目は、以下の通りである。歪ゲージ式トルクセンサ（締付トルク（Ｎ・ｍ））、歪ゲージ式トルクセンサ（締付トルク（Ｎ・ｍ））、振動センサ（Ｘ,Ｙ,Ｚ軸方向の加速度（m/sec2））、振動センサ（Ｘ,Ｙ,Ｚ軸方向の角速度（deg/sec））、エンコーダ（モータ回転角度（deg））、モータ/アンプ（モータ電流（Ａ））、モータ/アンプモータ回転数（rpm））。ナットランナは、内蔵されたコントローラにより、トルク１、トルク２、角度、モータ電流、回転速度、加速度(Ｘ,Ｙ,Ｚ軸)、角速度(Ｘ,Ｙ,Ｚ軸)の１１項目を例えば１ｍｓ間隔で計測/保存しながら締付けを行う。ボルト／ナットの組合せは、例えば組合せ１として、ＭＳ２１０４２Ｌ３（セルフロックナット）とＮＡＳ６３０３－１０（ボルト）、組合せ２として、ＭＳ２１０４３－５（セルフロックナット）とＮＡＳ６３０５Ａ１０（ボルト）を用いてデータを取得する。
ＡＩ開発に当たり、学習データを教師データとして与え、ＡＩ締付制御を行う。ＡＩが用いる測定値は、ナットランナに搭載された各測定器が締付時に測定するものを用いる。各測定器と測定項目は、以下の通りである。歪ゲージ式トルクセンサ（締付トルク（Ｎ・ｍ））、歪ゲージ式トルクセンサ（締付トルク（Ｎ・ｍ））、振動センサ（Ｘ,Ｙ,Ｚ軸方向の加速度（m/sec2））、振動センサ（Ｘ,Ｙ,Ｚ軸方向の角速度（deg/sec））、エンコーダ（モータ回転角度（deg））、モータ/アンプ（モータ電流（Ａ））、モータ/アンプモータ回転数（rpm））。ナットランナは、内蔵されたコントローラにより、トルク１、トルク２、角度、モータ電流、回転速度、加速度(Ｘ,Ｙ,Ｚ軸)、角速度(Ｘ,Ｙ,Ｚ軸)の１１項目を例えば１ｍｓ間隔で計測/保存しながら締付けを行う。ボルト／ナットの組合せは、例えば組合せ１として、ＭＳ２１０４２Ｌ３（セルフロックナット）とＮＡＳ６３０３－１０（ボルト）、組合せ２として、ＭＳ２１０４３－５（セルフロックナット）とＮＡＳ６３０５Ａ１０（ボルト）を用いてデータを取得する。
【0061】
＜ＡＩ開発の実施＞
着座判定に用いる判定式fを下記に示す。
f(A,B,C,D,E,F,G,H,I,J,K) =
aA+a'A2+bB+b'B2+cC+c'C2+dD+d'D2+eE+e'E2+fF+f'F2+gG+g'G2+hH+h'H2+iI+i'I2+jJ+j'J2+kK+k'K2+l
ここで、a,a',b,b',c,c',d,d',e,e',f,f',g,g',h, h',i,i',j,j', k,k',l：重み係数、A:締付トルク1、B:締付トルク2、C:モータ電流、D:締付角度、E:モータの回転数、F:振動センサの角速度(x軸)、G:振動センサの角速度(y軸)、H:振動センサの角速度(z軸)、I:振動センサの加速度(x軸)、J:振動センサの加速度(y軸)、K:振動センサの加速度(z軸) である。
しかしながら、上記の判定式に取得したデータを代入して計算するには、多くのパラメータが必要となるため、有意なデータに絞り判定式を以下に簡素化する。
着座判定に用いる判定式fを下記に示す。
f(A,B,C,D,E,F,G,H,I,J,K) =
aA+a'A2+bB+b'B2+cC+c'C2+dD+d'D2+eE+e'E2+fF+f'F2+gG+g'G2+hH+h'H2+iI+i'I2+jJ+j'J2+kK+k'K2+l
ここで、a,a',b,b',c,c',d,d',e,e',f,f',g,g',h, h',i,i',j,j', k,k',l：重み係数、A:締付トルク1、B:締付トルク2、C:モータ電流、D:締付角度、E:モータの回転数、F:振動センサの角速度(x軸)、G:振動センサの角速度(y軸)、H:振動センサの角速度(z軸)、I:振動センサの加速度(x軸)、J:振動センサの加速度(y軸)、K:振動センサの加速度(z軸) である。
しかしながら、上記の判定式に取得したデータを代入して計算するには、多くのパラメータが必要となるため、有意なデータに絞り判定式を以下に簡素化する。
【0062】
＜着座判定ＡＩの構築＞
着座判定に用いる判定式fを下記のように簡素化して定義する。
f(x, y) = ax2+ bx + cy2+ dy + e
ここで、a, b, c, d, e : 重み係数、x : トルクセンサ１の値、y : モータ電流の値である。
異常度a(χ)を用いて下記のように着座判定を定義する。
異常判定： 異常度a(χ)が閾値を超えていれば異常判定とする。
着座判定： 指定回数の異常を検知したとき、着座したと判定する。
データが正規分布に従う場合には、異常度a(χ)はホテリング理論により下記の（式１）で計算することができる。
ここで、x : 新たなデータ、μ : データ全体の平均値、σ2 : データ全体の分散 である。
((χ－μ)/σ)2は自由度１のカイ二乗分布に従う。このa(χ)のカイ二乗分布の例を図４に示す。χ2(1; k) < αとなるk を閾値として、a(χ) がk を超えているか否かにより、外れ値判定を行う。
着座判定に用いる判定式fを下記のように簡素化して定義する。
f(x, y) = ax2+ bx + cy2+ dy + e
ここで、a, b, c, d, e : 重み係数、x : トルクセンサ１の値、y : モータ電流の値である。
異常度a(χ)を用いて下記のように着座判定を定義する。
異常判定： 異常度a(χ)が閾値を超えていれば異常判定とする。
着座判定： 指定回数の異常を検知したとき、着座したと判定する。
データが正規分布に従う場合には、異常度a(χ)はホテリング理論により下記の（式１）で計算することができる。
【数1】
((χ－μ)/σ)2は自由度１のカイ二乗分布に従う。このa(χ)のカイ二乗分布の例を図４に示す。χ2(1; k) < αとなるk を閾値として、a(χ) がk を超えているか否かにより、外れ値判定を行う。
【0063】
もっとも精度よく着座を検知する重み係数a, b, c, d, e の値を下記ｉ）、ｉｉ）、ｉｉｉ）の方法にて探索する。
【0064】
＜ｉ）モンテカルロ法＞
例えば図５に示すように、ランダムに重み係数を決定し、評価を行う。その操作を何度も繰り返し、最適な解を探索する方法である。この例を図５に示す。ランダムに定数の組合せを決定し（ステップ５０１）、解の評価を行い（ステップ５０２）、終了条件の確認を行う（ステップ５０３）。
例えば図５に示すように、ランダムに重み係数を決定し、評価を行う。その操作を何度も繰り返し、最適な解を探索する方法である。この例を図５に示す。ランダムに定数の組合せを決定し（ステップ５０１）、解の評価を行い（ステップ５０２）、終了条件の確認を行う（ステップ５０３）。
【0065】
＜ｉｉ）遺伝的アルゴリズム＞
生物の適応進化に関する自然淘汰説に範を得た計算手法である。例えば図６（ａ）（ｂ）に示すように、まず、ランダムに定数の組合せを決定し（ステップ６０１）、終了条件の確認を行い（ステップ６０２）、解の評価を行う（ステップ６０３）。主に以下の操作を行う。適応度による選択（Selection）、２つ解を交叉（Crossover）、 解の一部を突然変異（Mutation）の処理を行う。
生物の適応進化に関する自然淘汰説に範を得た計算手法である。例えば図６（ａ）（ｂ）に示すように、まず、ランダムに定数の組合せを決定し（ステップ６０１）、終了条件の確認を行い（ステップ６０２）、解の評価を行う（ステップ６０３）。主に以下の操作を行う。適応度による選択（Selection）、２つ解を交叉（Crossover）、 解の一部を突然変異（Mutation）の処理を行う。
【0066】
＜ｉｉｉ）進化戦略＞
以下では、進化戦略のうち、共分散行列適応進化戦略（ＣＭＡ－ＥＳ（Covariance Matrix Adaptation Evolution Starategy））について説明する。共分散行列適応進化戦略は進化計算の１つであり、分散共分散行列を導入することで、変数間の依存関係を考慮した上で最適化を実現している。多変量正規分布のパラメータを更新して最適解を効率的に探索する。この例を図７（ａ）～（ｃ）、図８（ａ）～（ｃ）に示す。
（更新するパラメータ： 正規分布中心m、スケールσ、共分散行列C）
また、a, b, c, d, e の最適解探索（＝学習）の流れを図９に示す。
まず、ある重み係数a, b, c, d, e を決定する。
次に、観測データから、異常度a(χ)の平均μおよび分散σ2 を算出する。また、異常度a(χ)のχに検証データの判定式を代入する。変化検知した（＝異常度が閾値を指定回数超えた）地点が、実際の着座地点とどれほど離れているか（＝時差）を求めることで着座判定を行う。さらに重み係数a～e はそのままにして、下記のように検証データを入れ替えていく。
次に、ある重み係数a, b, c, d, e を変更せずに、別の検証データについて同様の流れを行う。この例を図１０に示す。
同様の作業を全てのデータが検証データとなるように繰り返し、集めた時差の平均をその重み係数の評価の指標とする。各手法ｉ）～ｉｉｉ）により新たな重み係数を導出し、同様の検証を行っていき、最も時差の平均が小さかったものを最善の重み係数とする。
変化検知の定義の一例は以下の設定である。
閾値：カイ二乗分布による１０％水準、 異常検知回数：１回
この時、各探索手法ｉ）～ｉｉｉ）による着座判定精度は以下の通りである。この例を図１１に示す。図１２にＣＭＡ－ＥＳの手法で最適解を探索し、着座判定を行った結果の一例を示す。図１２の例では、縦軸に個数（個）を示し、横軸に正解との時差（ｍｓ）を示している。約４５０個の締付結果を、学習で得た最適解を重み係数に使用して着座判定させたところ、図１２の結果が得られた。
以下では、進化戦略のうち、共分散行列適応進化戦略（ＣＭＡ－ＥＳ（Covariance Matrix Adaptation Evolution Starategy））について説明する。共分散行列適応進化戦略は進化計算の１つであり、分散共分散行列を導入することで、変数間の依存関係を考慮した上で最適化を実現している。多変量正規分布のパラメータを更新して最適解を効率的に探索する。この例を図７（ａ）～（ｃ）、図８（ａ）～（ｃ）に示す。
（更新するパラメータ： 正規分布中心m、スケールσ、共分散行列C）
また、a, b, c, d, e の最適解探索（＝学習）の流れを図９に示す。
まず、ある重み係数a, b, c, d, e を決定する。
次に、観測データから、異常度a(χ)の平均μおよび分散σ2 を算出する。また、異常度a(χ)のχに検証データの判定式を代入する。変化検知した（＝異常度が閾値を指定回数超えた）地点が、実際の着座地点とどれほど離れているか（＝時差）を求めることで着座判定を行う。さらに重み係数a～e はそのままにして、下記のように検証データを入れ替えていく。
次に、ある重み係数a, b, c, d, e を変更せずに、別の検証データについて同様の流れを行う。この例を図１０に示す。
同様の作業を全てのデータが検証データとなるように繰り返し、集めた時差の平均をその重み係数の評価の指標とする。各手法ｉ）～ｉｉｉ）により新たな重み係数を導出し、同様の検証を行っていき、最も時差の平均が小さかったものを最善の重み係数とする。
変化検知の定義の一例は以下の設定である。
閾値：カイ二乗分布による１０％水準、 異常検知回数：１回
この時、各探索手法ｉ）～ｉｉｉ）による着座判定精度は以下の通りである。この例を図１１に示す。図１２にＣＭＡ－ＥＳの手法で最適解を探索し、着座判定を行った結果の一例を示す。図１２の例では、縦軸に個数（個）を示し、横軸に正解との時差（ｍｓ）を示している。約４５０個の締付結果を、学習で得た最適解を重み係数に使用して着座判定させたところ、図１２の結果が得られた。
【0067】
＜精度向上検討＞
異常検知精度の精度向上を下記のステップ１～ステップ６により行う。
f(x, y) = ax + bx2+ cy + dy2 + e
ここで、a, b, c, d, e : 重み係数 、 x : トルク１傾き、 y : トルク１である。
（ステップ１） トルク１、締付角度を移動平均処理
（ステップ２） 移動平均したトルク１（＝ステップ１）の正規化（下記（式２）（式３））
（ステップ３） 正規化したトルク１（＝ステップ２）から、単位時間当たりのトルク増加幅を計算
（ステップ４） f(x, y) = ax + bx2 + cy + dy2 + e を計算
ここで、x: トルク１傾き(ステップ３) y: トルク１の値(ステップ２) である。
（ステップ５） (f(x, y) - mean)2 / var を計算
（ステップ６） ステップ５の値が閾値をN回連続で超えた地点を異常地点と判定
例えば、Ｎは１０である。ステップ１～ステップ６の実施により図１３に示すように、着座検知率を100％とすることができている。ここで、最大角度差０ｄｅｇが着座地点である。
このように、単位時間当たりのトルク上昇幅（トルク傾き）、移動平均 、異常検知回数、を最適化することで、異常検知精度が向上する。図１３の例では、角度差を着座判定基準として説明しているが（角度差－９．５～３８ｄｅｇの割合）、着座判定基準を軸力値で表して（例えば、軸力５０～５００Ｎの割合）、着座検知を行っても同様に着座検知率の精度を向上させることができる。軸力で着座検出を行った例を後記図１７に示す。
異常検知精度の精度向上を下記のステップ１～ステップ６により行う。
f(x, y) = ax + bx2+ cy + dy2 + e
ここで、a, b, c, d, e : 重み係数 、 x : トルク１傾き、 y : トルク１である。
（ステップ１） トルク１、締付角度を移動平均処理
（ステップ２） 移動平均したトルク１（＝ステップ１）の正規化（下記（式２）（式３））
【数2】
（ステップ４） f(x, y) = ax + bx2 + cy + dy2 + e を計算
ここで、x: トルク１傾き(ステップ３) y: トルク１の値(ステップ２) である。
（ステップ５） (f(x, y) - mean)2 / var を計算
（ステップ６） ステップ５の値が閾値をN回連続で超えた地点を異常地点と判定
例えば、Ｎは１０である。ステップ１～ステップ６の実施により図１３に示すように、着座検知率を100％とすることができている。ここで、最大角度差０ｄｅｇが着座地点である。
このように、単位時間当たりのトルク上昇幅（トルク傾き）、移動平均 、異常検知回数、を最適化することで、異常検知精度が向上する。図１３の例では、角度差を着座判定基準として説明しているが（角度差－９．５～３８ｄｅｇの割合）、着座判定基準を軸力値で表して（例えば、軸力５０～５００Ｎの割合）、着座検知を行っても同様に着座検知率の精度を向上させることができる。軸力で着座検出を行った例を後記図１７に示す。
【0068】
＜他の実施形態のＡＩ締付制御フロー＞
図１４にＡＩ締付制御手段による締付制御フローについて説明する。
まず、締付け開始ボタンが押下（ＯＮ）される（ステップ１４０１）と、モータが回転し、ネジ締付が開始され、各種計測値の測定が開始される（ステップ１４０２）。
次に、着座や底付き等の異常判定に必要な数値を算出するため、測定値は時系列で保存され計算に使用される（ステップ１４０３）。
次に、計測データ群をＡＩに入力し（ステップ１４０４）、底付き判定（ステップ１４０５）、着座判定（ステップ１４０６）、仮締めトルク到達判定（ステップ１４０７）を繰り返す。
図１４にＡＩ締付制御手段による締付制御フローについて説明する。
まず、締付け開始ボタンが押下（ＯＮ）される（ステップ１４０１）と、モータが回転し、ネジ締付が開始され、各種計測値の測定が開始される（ステップ１４０２）。
次に、着座や底付き等の異常判定に必要な数値を算出するため、測定値は時系列で保存され計算に使用される（ステップ１４０３）。
次に、計測データ群をＡＩに入力し（ステップ１４０４）、底付き判定（ステップ１４０５）、着座判定（ステップ１４０６）、仮締めトルク到達判定（ステップ１４０７）を繰り返す。
【0069】
仮締めトルクに到達した場合（ステップ１４０７）、締付けを一時停止し（ステップ１４０８）、最終締付トルクの自動補正を行い（ステップ１４０９）、締付モードを切り替えて（ステップ１４１０）、締付を再開する（ステップ１４１１）。
次に、計測データ群の読取りを行い（ステップ１４１２）、ステップ１４１３、１４１４、１４１５の処理を実行する。ステップ１４１３、１４１４、１４１５は、ステップ１４０３、１４０４、１４０５の処理と同様であるので、説明を省略する。
補正済み最終トルク到達まで上記ステップ１４１２～１４１５までの処理を繰り返す。ステップ１４１５において、底付きを検出した場合は、結果をエラーとして処理する（ステップ１４１８）、底付きがなく、補正済み最終トルクに到達した場合は、結果を正常として処理を終了する（ステップ１４１７）。
上記実施形態においては、ステップ１４０７において、仮締めトルクの到達を判定していたが、仮締め角度到達、仮締めトルク到達および仮締め角度到達を判定するように構成しても良い。
次に、計測データ群の読取りを行い（ステップ１４１２）、ステップ１４１３、１４１４、１４１５の処理を実行する。ステップ１４１３、１４１４、１４１５は、ステップ１４０３、１４０４、１４０５の処理と同様であるので、説明を省略する。
補正済み最終トルク到達まで上記ステップ１４１２～１４１５までの処理を繰り返す。ステップ１４１５において、底付きを検出した場合は、結果をエラーとして処理する（ステップ１４１８）、底付きがなく、補正済み最終トルクに到達した場合は、結果を正常として処理を終了する（ステップ１４１７）。
上記実施形態においては、ステップ１４０７において、仮締めトルクの到達を判定していたが、仮締め角度到達、仮締めトルク到達および仮締め角度到達を判定するように構成しても良い。
【0070】
上記ステップ１４０１～１４０７までの処理は、図３のＡＩ締付制御フローと同様である。これらの１４０１～１４０７の処理によって、着座や底付きを判定することができる。
ステップ１４０７以降の処理ステップは、必要に応じて行う。最終締付トルクの自動補正を行う（ステップ１４０９）。例えば、着座判定前の区間で計測された最大トルク値を算出して、最終締付トルクに加算する、といったような補正を行う。必要があれば、締付け精度等を向上させるために、締付けモードを切り替える（ステップ１４１０）。例えば、締付回転速度を低下させる等を行う。
最終締付トルクに到達するまで（ステップ１４１６）、ステップ１４１１～１４１６までの締付を行う。その際、ＡＩ開発の説明したような演算を行いながら、底付き等の異常が無いか検出しながら締付ける。異常なく、最終締付トルクに到達すれば、正常に締付完了したと判定する（ステップ１４１７）。
ステップ１４０７以降の処理ステップは、必要に応じて行う。最終締付トルクの自動補正を行う（ステップ１４０９）。例えば、着座判定前の区間で計測された最大トルク値を算出して、最終締付トルクに加算する、といったような補正を行う。必要があれば、締付け精度等を向上させるために、締付けモードを切り替える（ステップ１４１０）。例えば、締付回転速度を低下させる等を行う。
最終締付トルクに到達するまで（ステップ１４１６）、ステップ１４１１～１４１６までの締付を行う。その際、ＡＩ開発の説明したような演算を行いながら、底付き等の異常が無いか検出しながら締付ける。異常なく、最終締付トルクに到達すれば、正常に締付完了したと判定する（ステップ１４１７）。
【0071】
＜本発明と従来との比較結果＞
図１６（ａ）は本実施形態の実験１における発明の効果を示す図である。図１６（ｂ）は本実施形態の実験２における発明の効果を示す図である。図１６（ａ）、（ｂ）に示すような「締付トルク」、「締付角度」、「軸力」の関係が得られるボルト／ナット締結条件下において、本発明による効果と従来の効果比較結果を図１７に示す。図１７に示すように、従来手法では軸力「０」の着座していない誤検出が見られる。また、従来の手法では軸力が「７４５Ｎ」に達してからの着座検出が見られ、検出時間が遅く、判定精度が悪い。
これに対し、本発明のＡＩによる着座検出は誤検出がなく、着座検出精度の向上が図られる。教師データを変化させて学習することにより「底付」や「カジリ」等の締付異常も精度良く、検出することができる。
図１６（ａ）は本実施形態の実験１における発明の効果を示す図である。図１６（ｂ）は本実施形態の実験２における発明の効果を示す図である。図１６（ａ）、（ｂ）に示すような「締付トルク」、「締付角度」、「軸力」の関係が得られるボルト／ナット締結条件下において、本発明による効果と従来の効果比較結果を図１７に示す。図１７に示すように、従来手法では軸力「０」の着座していない誤検出が見られる。また、従来の手法では軸力が「７４５Ｎ」に達してからの着座検出が見られ、検出時間が遅く、判定精度が悪い。
これに対し、本発明のＡＩによる着座検出は誤検出がなく、着座検出精度の向上が図られる。教師データを変化させて学習することにより「底付」や「カジリ」等の締付異常も精度良く、検出することができる。
【0072】
本実施形態は、通常のボルトやナットの締付に適用しても効果を奏するが、セルフロックナットのように、着座に到達するまでにある程度のトルクを必要とするナットやボルトの締付に適用することにより有利な作用効果を奏する。セルフロックナットの締付では、着座や底付やカジリが発生していなくても、締付途中でトルクが上昇するという課題があるので、本発明が有効である。また、セルフタッピングネジで締付を行う際も、同様な課題があるので、本発明を適用することにより有利な効果を奏する。
【0073】
このように、本実施形態においては、ボルト又はナットの着座や底付を正しく判定し、判定精度を向上させて不良化率を低減するナットランナを実現することができる。
上記実施形態においては、手持ち式電動ナットランナについて説明したが、エアナットランナ又は据付型ナットランナにも同様に適用できる。さらに、コントローラが外付けのＡＣサーボナットランナや、ＥＴＣパルスレンチにも本発明を同様に適用できる。
上記実施形態においては、手持ち式電動ナットランナについて説明したが、エアナットランナ又は据付型ナットランナにも同様に適用できる。さらに、コントローラが外付けのＡＣサーボナットランナや、ＥＴＣパルスレンチにも本発明を同様に適用できる。
【符号の説明】
【0074】
１ 樹脂ケーシング
２ 金属ケーシング
３ 充電式バッテリ
４ グリップ
５ スイッチ
６ 操作部
７ 表示部
１１ ＣＰＵ基板
１２ ＤＣブラシレスモータ
１３ エンコーダ
１４ モータ制御基板
１５ 表示操作基板
１６ 加速度および角速度計測部
２１ モータ駆動軸
２２ 減速部
２３ かさ歯車部
２４ 先端出力部
２５ 第１の歪ゲージ式トルクセンサ
２６ 第２の歪ゲージ式トルクセンサ
１０８ ＣＰＵ
３０２ 計測データ群の読取りステップ
３０３ データ群の時系列保存ステップ
３０４ 計測データ群をＡＩに入力ステップ
３０５ 底付き判定ステップ
３０６ 着座判定ステップ
３０７ 着座トルク到達判定ステップ
２ 金属ケーシング
３ 充電式バッテリ
４ グリップ
５ スイッチ
６ 操作部
７ 表示部
１１ ＣＰＵ基板
１２ ＤＣブラシレスモータ
１３ エンコーダ
１４ モータ制御基板
１５ 表示操作基板
１６ 加速度および角速度計測部
２１ モータ駆動軸
２２ 減速部
２３ かさ歯車部
２４ 先端出力部
２５ 第１の歪ゲージ式トルクセンサ
２６ 第２の歪ゲージ式トルクセンサ
１０８ ＣＰＵ
３０２ 計測データ群の読取りステップ
３０３ データ群の時系列保存ステップ
３０４ 計測データ群をＡＩに入力ステップ
３０５ 底付き判定ステップ
３０６ 着座判定ステップ
３０７ 着座トルク到達判定ステップ
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】