特開 2024-85713 性能予測システムおよび性能予測方法

(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】P2024085713

(43)【公開日】2024-06-27

(54)【発明の名称】性能予測システムおよび性能予測方法

(51)【国際特許分類】

   G06F 30/15 20200101AFI20240620BHJP

   G06F 30/10 20200101ALI20240620BHJP

   G06F 30/27 20200101ALI20240620BHJP

   G01N 3/20 20060101ALI20240620BHJP

【ＦＩ】

G06F30/15

G06F30/10 100

G06F30/27

G01N3/20

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2022200386

(22)【出願日】2022-12-15

(71)【出願人】

【識別番号】000157083

【氏名又は名称】トヨタ自動車東日本株式会社

(74)【代理人】

【識別番号】100101878

【弁理士】

【氏名又は名称】木下 茂

(72)【発明者】

【氏名】上杉 浩史

【テーマコード（参考）】

2G061

5B146

【Ｆターム（参考）】

2G061AA07

2G061AB01

2G061CA01

2G061CB01

2G061DA11

2G061EA01

2G061EA02

5B146AA05

5B146DC03

5B146DE03

5B146DJ02

5B146DL08

5B146EA02

(57)【要約】      （修正有）

【課題】自動車用の各種パネルの構成部品による影響度を考慮した高度な性能予測を行える性能予測システムを提供する。
【解決手段】性能予測システムにおいて、記憶部は、パネル上の降伏点を有する領域に一様に設けられた負荷点の周辺に形成される点群の点群座標データとその点群を構成する各点の材質および板厚とを関連付けた部品単位の説明変数に対して、負荷点を押した際の荷重変位情報である目的変数を、負荷点毎に紐づけたデータセットを記憶部に記憶する。制御部は、機械学習部が、データセットを用いて性能予測点の荷重変位情報を予測する性能予測モデルを機械学習により生成し、性能予測部が、性能予測点の周辺に形成される点群の点群座標データと当該点群を構成する各点の材質及び板厚とを組み合わせた入力データを受け付け、学習済みの性能予測モデルを用いて性能予測点における荷重変位情報を予測する。
【選択図】図１

【特許請求の範囲】

【請求項1】

自動車の車体を構成する金属製のパネルの性能を予測する性能予測システムにおいて、
前記パネル上の降伏点を有する領域に一様に設けられた負荷点の周辺に形成される点群の点群座標データと当該点群を構成する各点の材質および板厚の情報とを関連付けたデータ、をさらに前記パネルを構成する部品単位に分類した入力データ、を説明変数とし、当該説明変数と負荷点を押した際のＦ－Ｓ線図に関する情報である目的変数とを負荷点毎に紐づけたデータセットを記憶する記憶手段と、
前記記憶手段から読み出したデータセットを用いて、前記領域内の任意の位置である性能予測点を押した際のＦ－Ｓ線図に関する情報を予測する性能予測モデルを機械学習により生成するモデル生成手段と、
性能予測点の周辺に形成される点群の点群座標データと当該点群を構成する各点の材質および板厚の情報とを関連付けたデータ、をさらに前記パネルを構成する部品単位に分類した入力データを受け付け、学習済みの性能予測モデルを用いて、性能予測点を押した際のＦ－Ｓ線図に関する情報を予測する性能予測手段と、
予測結果である前記Ｆ－Ｓ線図に関する情報に基づいて、性能予測点におけるＦ－Ｓ線図を作成するＦ－Ｓ線図作成手段と、
を備える、
ことを特徴とする性能予測システム。

【請求項2】

前記Ｆ－Ｓ線図に関する情報を、
既知の手法で予め取得しておいた負荷点のＦ－Ｓ線図から抽出した前記降伏点を含む複数の変曲点にそれぞれ対応する荷重および変位量、である荷重変位情報とする、
ことを特徴とする請求項１に記載の性能予測システム。

【請求項3】

前記機械学習のアルゴリズムとして畳み込みニューラルネットワークを採用することとし、
前記パネルを構成する部品単位に特徴量を抽出する中間層を有し、さらに、予測値と各部品との相関関係に応じて部品単位に前記中間層の深さを決定する、
ことを特徴とする請求項２に記載の性能予測システム。

【請求項4】

自動車の車体を構成する金属製のパネルの性能を予測する性能予測方法であって、
前記パネル上の降伏点を有する領域に一様に設けられた負荷点の周辺に形成される点群の点群座標データと当該点群を構成する各点の材質および板厚の情報とを関連付けたデータ、をさらに前記パネルを構成する部品単位に分類した入力データ、を説明変数とし、当該説明変数と負荷点を押した際のＦ－Ｓ線図に関する情報である目的変数とを負荷点毎に紐づけたデータセットをメモリに記憶するデータセット記憶ステップと、
前記メモリから読み出したデータセットを用いて、前記領域内の任意の位置である性能予測点を押した際のＦ－Ｓ線図に関する情報を予測する性能予測モデルを機械学習により生成するモデル生成ステップと、
性能予測点の周辺に形成される点群の点群座標データと当該点群を構成する各点の材質および板厚の情報とを関連付けたデータ、をさらに前記パネルを構成する部品単位に分類した入力データを受け付け、学習済みの性能予測モデルを用いて、性能予測点を押した際のＦ－Ｓ線図に関する情報を予測する性能予測ステップと、
予測結果である前記Ｆ－Ｓ線図に関する情報に基づいて、性能予測点におけるＦ－Ｓ線図を作成するＦ－Ｓ線図作成ステップと、
前記Ｆ－Ｓ線図作成ステップにより作成したＦ－Ｓ線図をディスプレイに表示する表示ステップと、
を含む、
ことを特徴とする性能予測方法。

【請求項5】

前記Ｆ－Ｓ線図に関する情報を、
既知の手法で予め取得しておいた負荷点のＦ－Ｓ線図から抽出した前記降伏点を含む複数の変曲点にそれぞれ対応する荷重および変位量、である荷重変位情報とする、
ことを特徴とする請求項４に記載の性能予測方法。

【請求項6】

前記メモリに、前記パネルの３Ｄ設計情報と、当該３Ｄ設計情報に関連付けられた前記パネルの材質および板厚の情報とを予め記憶することとし、
さらに、前記性能予測モデルを生成するための前処理として、
前記パネルの３Ｄ設計情報に基づいて、前記パネルを３Ｄ座標空間上（Ｘ座標、Ｙ座標、Ｚ座標）に配置する形状配置ステップと、
負荷点を中心とする前記パネルの複数の断面形状を取得する断面形状取得ステップと、
得られた断面形状を所定角の正方形で区切ることによってその中心点の集まりである前記点群を生成する点群生成ステップと、
点群を形成する各点の座標（Ｘ座標、Ｙ座標、Ｚ座標）を取得して前記点群座標データを生成する点群座標データ生成ステップと、
当該点群座標データ生成ステップにおいて生成された点群座標データと、前記パネルの３Ｄ設計情報と、当該３Ｄ設計情報に関連付けられた前記パネルの材質および板厚の情報と、各負荷点の前記荷重変位情報とに基づいて、モデル生成のための前記データセットを生成するデータセット生成ステップと、
を含む、
ことを特徴とする請求項５に記載の性能予測方法。

【請求項7】

さらに、前記性能予測ステップの前処理として、
前記形状配置ステップと、
性能予測点を中心とする前記パネルの複数の断面形状を取得する前記断面形状取得ステップと、
前記点群生成ステップと、
前記点群座標データ生成ステップと、
当該点群座標データ生成ステップにおいて生成された点群座標データと、前記パネルの３Ｄ設計情報と、当該３Ｄ設計情報に関連付けられた前記パネルの材質および板厚の情報とに基づいて、性能予測のための前記入力データを生成する入力データ生成ステップと、
を含む、
ことを特徴とする請求項６に記載の性能予測方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、自動車のエンジンフードやドア等の金属製の各種パネルを押した際の時系列の荷重変位曲線（Ｆ－Ｓ線図）を予測する性能予測システムおよび性能予測方法に関する。

【背景技術】

【0002】

たとえば、自動車のエンジンフードは、多少の衝撃ではへこみや変形が起こらないような剛性が必要であり、高いデント性能が要求されるが、このような要求を満足させるためにはエンジンフードの性能予測が欠かせない。

【0003】

たとえば、エンジンフード等の性能予測の一例として、下記特許文献１には、エンジンフードの測定点に負荷をかけた際の変位を設計図面の情報から算定するデント剛性予測方法が記載されている。

【0004】

具体的には、測定点に荷重をかけた際に測定点の周囲に定義される応力影響領域の面積をタワミ面積として算定し、板部材の測定点の曲率、板部材の測定点の板厚、板部材の材質およびタワミ面積を板部材の剛性を表す因子として、重回帰分析等により所定の関係式を求める。そして、設計図面から、板部材の測定点の曲率、板部材の測定点の板厚、板部材の材質、タワミ面積を取り出すことによって、所定の関係式に基づいて測定点の負荷方向での変位（デント剛性）を、設計の段階で適切に算定する。

【0005】

また、下記特許文献２には、三次元形状をなす対象物の性能を精度良く推定することのできる性能推定装置が記載されている。

【0006】

たとえば、下記特許文献２に記載の性能推定装置は、車両のフードの断面形状を示す画像を入力データとして、学習済みの畳み込みニューラルネットワークを用いて、車両のフードにおける歩行者保護性能を推定する。具体的には、性能推定装置により、車両の歩行者保護性能（詳しくは、頭部保護性能）にかかる情報として、以下の（値Ａ）～（値Ｄ）が求められる。

【0007】

［値Ａ］頭部傷害基準値
［値Ｂ］歩行者保護試験用の頭部インパクタの車両フードへの侵入量に相当する値
［値Ｃ］車両フードへの衝突初期（１ミリ秒）における頭部インパクタの平均加速度に相当する値
［値Ｄ］車両フードへの衝突初期（２ミリ秒）における頭部インパクタの平均加速度に相当する値

【先行技術文献】

【特許文献】

【0008】

【特許文献1】特開２００７－３３０６７号公報

【特許文献2】特開２０２０－１６６５１２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に記載のデント剛性予測方法においては、相関式（所定の関係式）の導出やたわみ量（デント剛性）の算定において、測定点に負荷をかけた際に測定点の周囲に定義される応力影響領域の曲率、板厚、材質および面積を毎回測定する必要があり、その作業に多大の時間を要する、という問題があった。

【0010】

また、上記特許文献１および上記特許文献２による性能予測においては、たとえば、エンジンフード等の内側の部品が性能に影響を及ぼす場合、その影響を考慮した性能予測ができていない、という問題があった。特に、予測する性能に対して相関の高い部品と相関の低い部品が存在するような場合には、それらの影響を考慮した高度な性能予測は困難である。

【0011】

本発明は、上記のような課題に鑑みてなされたものであって、自動車用の各種パネルの性能予測にかかる時間を大幅に短縮するとともに、各種パネルの構成部品による影響度を考慮した高度な性能予測を行える性能予測システムおよび性能予測方法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】

【0012】

本発明にかかる性能予測システムは、自動車の車体を構成する金属製のパネルの性能を予測する性能予測システムであって、たとえば、パネル上の降伏点を有する領域に一様に設けられた負荷点の周辺に形成される点群の点群座標データと当該点群を構成する各点の材質および板厚の情報とを関連付けたデータ、をさらにパネルを構成する部品単位に分類した入力データ、を説明変数とし、当該説明変数と負荷点を押した際のＦ－Ｓ線図に関する情報（後述する実施形態の荷重変位情報に相当）である目的変数とを負荷点毎に紐づけたデータセットを記憶する記憶手段と、当該記憶手段から読み出したデータセットを用いて、上記領域内の任意の位置である性能予測点を押した際のＦ－Ｓ線図に関する情報を予測する性能予測モデルを機械学習により生成するモデル生成手段と、性能予測点の周辺に形成される点群の点群座標データと当該点群を構成する各点の材質および板厚の情報とを関連付けたデータ、をさらにパネルを構成する部品単位に分類した入力データを受け付け、学習済みの性能予測モデルを用いて、性能予測点を押した際のＦ－Ｓ線図に関する情報を予測する性能予測手段と、予測結果であるＦ－Ｓ線図に関する情報に基づいて、性能予測点におけるＦ－Ｓ線図を作成するＦ－Ｓ線図作成手段と、を備えることを特徴とする。

【0013】

また、本発明にかかる性能予測システムにおいては、上記Ｆ－Ｓ線図に関する情報を、既知の手法で予め取得しておいた負荷点のＦ－Ｓ線図から抽出した上記降伏点を含む複数の変曲点にそれぞれ対応する荷重および変位量、である荷重変位情報とすることが望ましい。

【0014】

さらに、本発明にかかる性能予測システムにおいては、機械学習のアルゴリズムとして畳み込みニューラルネットワークを採用することとし、パネルを構成する部品単位に特徴量を抽出する中間層を有し、さらに、予測値と各部品との相関関係に応じて部品単位に中間層の深さを決定することが望ましい。

【0015】

本発明にかかる性能予測システムによれば、学習済みの性能予測モデルを導入することにより、パネル上の性能予測点を押した際のＦ－Ｓ線図の算定にかかる時間を大幅に短縮することができる。また、畳み込みニューラルネットワークにおける特徴的な構成により、パネルを構成する各部品の相関関係を考慮した高度な性能予測が可能となる。

【0016】

また、本発明にかかる性能予測方法は、自動車の車体を構成する金属製のパネルの性能を予測する性能予測方法であって、パネル上の降伏点を有する領域に一様に設けられた負荷点の周辺に形成される点群の点群座標データと当該点群を構成する各点の材質および板厚の情報とを関連付けたデータ、をさらにパネルを構成する部品単位に分類した入力データ、を説明変数とし、当該説明変数と負荷点を押した際のＦ－Ｓ線図に関する情報である目的変数とを負荷点毎に紐づけたデータセットをメモリに記憶するデータセット記憶ステップと、メモリから読み出したデータセットを用いて、上記領域内の任意の位置である性能予測点を押した際のＦ－Ｓ線図に関する情報を予測する性能予測モデルを機械学習により生成するモデル生成ステップと、性能予測点の周辺に形成される点群の点群座標データと当該点群を構成する各点の材質および板厚の情報とを関連付けたデータ、をさらにパネルを構成する部品単位に分類した入力データを受け付け、学習済みの性能予測モデルを用いて、性能予測点を押した際のＦ－Ｓ線図に関する情報を予測する性能予測ステップと、予測結果であるＦ－Ｓ線図に関する情報に基づいて、性能予測点におけるＦ－Ｓ線図を作成するＦ－Ｓ線図作成ステップと、Ｆ－Ｓ線図作成ステップにより作成したＦ－Ｓ線図をディスプレイに表示する表示ステップと、を含むことを特徴とする。

【0017】

また、本発明にかかる性能予測方法においては、Ｆ－Ｓ線図に関する情報を、既知の手法で予め取得しておいた負荷点のＦ－Ｓ線図から抽出した降伏点を含む複数の変曲点にそれぞれ対応する荷重および変位量、である荷重変位情報とすることが望ましい。

【0018】

また、本発明にかかる性能予測方法においては、メモリに、パネルの３Ｄ設計情報と、３Ｄ設計情報に関連付けられたパネルの材質および板厚の情報とを予め記憶することとした。そして、性能予測モデルを生成するための前処理として、パネルの３Ｄ設計情報に基づいて、パネルを３Ｄ座標空間上（Ｘ座標、Ｙ座標、Ｚ座標）に配置する形状配置ステップと、負荷点を中心とするパネルの複数の断面形状を取得する断面形状取得ステップと、得られた断面形状を所定角の正方形で区切ることによってその中心点の集まりである上記点群を生成する点群生成ステップと、点群を形成する各点の座標（Ｘ座標、Ｙ座標、Ｚ座標）を取得して上記点群座標データを生成する点群座標データ生成ステップと、当該点群座標データ生成ステップにおいて生成された点群座標データと、パネルの３Ｄ設計情報と、３Ｄ設計情報に関連付けられたパネルの材質および板厚の情報と、各負荷点の荷重変位情報とに基づいて、モデル生成のためのデータセットを生成するデータセット生成ステップと、を含むことを特徴とする。

【0019】

さらに、本発明にかかる性能予測方法においては、性能予測ステップの前処理として、上記形状配置ステップと、性能予測点を中心とするパネルの複数の断面形状を取得する上記断面形状取得ステップと、上記点群生成ステップと、上記点群座標データ生成ステップと、当該点群座標データ生成ステップにおいて生成された点群座標データと、パネルの３Ｄ設計情報と、３Ｄ設計情報に関連付けられたパネルの材質および板厚の情報とに基づいて、性能予測のための入力データを生成する入力データ生成ステップと、を含むことを特徴とする。

【0020】

本発明にかかる性能予測システムによれば、学習済みの性能予測モデルを導入することにより、パネル上の性能予測点を押した際のＦ－Ｓ線図の算定にかかる時間を大幅に短縮することができる。また、畳み込みニューラルネットワークにおける特徴的な構成により、パネルを構成する各部品の相関関係を考慮した高度な性能予測が可能となる。

【発明の効果】

【0021】

本発明にかかる性能予測システムおよび性能予測方法によれば、自動車用の各種パネルの性能予測にかかる時間を大幅に短縮することができ、さらに、各種パネルの構成部品による影響度を考慮した高度な性能予測を実現することができる。

【図面の簡単な説明】

【0022】

【図1】図１は、本発明にかかる性能予測システムとして動作するコンピュータのハードウェア構成例を示す図である。

【図2】図２は、学習モデル生成処理を実施する制御部の機能を示す機能ブロック図である。

【図3】図３は、学習モデル生成処理の一例を示すフローチャートである。

【図4】図４は、Ｆ－Ｓ線図の一例を示す図である。

【図5】図５は、エンジンフードの３Ｄ画像の一例を示す図である。

【図6】図６は、断面形状の取得位置を示す図である。

【図7】図７は、エンジンフードの断面形状の一例および断面形状を点群化した状態のイメージを示す図である。

【図8】図８は、点群座標データの一例を示す図である。

【図9】図９は、性能予測モデルを生成するためのデータセットの一例を示す図である。

【図10】図１０は、機械学習部の構成の一例を示す図である。

【図11】図１１は、機械学習によるモデルの評価結果を示す図である。

【図12】図１２は、テスト用データを用いた学習済みの性能予測モデルによる予測結果を示す図である。

【図13】図１３は、性能予測処理を実施する制御部の機能を示す機能ブロック図である。

【図14】図１４は、性能予測処理の一例を示すフローチャートである。

【発明を実施するための形態】

【0023】

以下、本発明にかかる性能予測システムおよび性能予測方法の実施形態を図面に基づいて詳細に説明する。なお、この実施形態により本発明が限定されるものではない。また、本願の明細書および図面において、同様に説明することが可能な要素については、同一の符号を付すことにより重複説明を省略する場合がある。

【0024】

＜システム構成＞
図１は、本発明にかかる性能予測システムとして動作するコンピュータのハードウェア構成例を示す図である。本実施形態の性能予測システム１は、自動車用の金属製の各種パネルの所定位置を押した際のＦ－Ｓ線図（時系列の荷重変位曲線）を作成する処理（以下、性能予測処理と呼ぶ。）、およびＦ－Ｓ線図に関する情報（以後、荷重変位情報と呼ぶ）の予測を実行する学習モデルを生成する処理（以下、学習モデル生成処理と呼ぶ。）を行うホストコンピュータとして動作する。

【0025】

図１において、性能予測システム１は、ＣＰＵ（Central Processing Unit）およびＦＰＧＡ（Field Programmable Gate Array）等で構成される制御部１１と、ＲＯＭ（Read Only Memory），ＲＡＭ（Random Access Memory）等の各種メモリを含む記憶部１２と、キーボードおよびマウス等のユーザインタフェースを含む入力部１３と、印刷やスキャン等の入出力処理を行うインタフェース（Ｉ／Ｆ）部１４と、ディスプレイである表示部１５と、所定のネットワークを介して外部と通信を行う通信部１６とを備える。なお、図１では、キーボードおよびマウス等のユーザインタフェースを含む入力部１３を備えることとしたが、本実施形態の性能予測システム１は、これに限るものではなく、表示部１５にタッチパネルの機能を持たせることによって、入力部１３を設けない構成、または入力部１３と併用する構成としてもよい。

【0026】

図１において、制御部１１は、本実施形態の性能予測システム１による性能予測処理および学習モデル生成処理を実現するために、たとえば、自動車用の各種パネルの所定位置を押した際のＦ－Ｓ線図を作成する性能予測プログラムと、荷重変位情報の予測を実行する学習モデルを生成するための学習モデル生成プログラムと、を実行する。記憶部１２は、本実施形態の性能予測処理および学習モデル生成処理にかかるプログラム（性能予測プログラム、学習モデル生成プログラム）および各種情報（各種パネルの形状を示す３Ｄ形状データ、材質および板厚や、機械学習のためのデータセット等）や、処理の過程で得られた各種データ（点群座標データ等）等を記憶する。制御部１１では、記憶部１２に記憶されている各種プログラムを読み出すことにより、本実施形態の性能予測処理および学習モデル生成処理を実行する。なお、記憶部１２は、内部メモリに限るものではなく、たとえば、ＤＶＤ（Digital Versatile Disc）やＳＤメモリ等の外部記憶媒体であってもよいし、また、内部メモリおよび外部記憶媒体（ＤＶＤやＳＤメモリ等）の両方で構成されることとしてもよい。また、本実施形態の性能予測システム１のハードウェア構成は、説明の便宜上、本実施形態の性能予測処理および学習モデル生成処理にかかわる構成を列挙したものであり、性能予測システム１を構成するコンピュータのすべての機能を表現したものではない。

【0027】

また、本実施形態の性能予測システム１は、デスクトップパソコン、ノートパソコン等の汎用ＰＣを想定しているが、これらに限るものではなく、たとえば、スマートフォン、タブレット端末等の携帯端末であってもよい。

【0028】

＜学習モデル生成処理＞
つづいて、本実施形態の性能予測システム１における性能予測処理を説明する前に、その前提となる学習モデル生成処理について説明する。図２は、学習モデル生成処理を実施する制御部１１の機能を示す機能ブロック図であり、図３は、学習モデル生成処理の一例を示すフローチャートである。

【0029】

図２において、制御部１１は、点群座標データ生成部２１と、データセット生成部２２と、機械学習アルゴリズムを利用して学習モデルを生成する機械学習部２３と、既知のＣＡＤ（computer-aided design）システム２４およびＣＡＥ（Computer Aided Engineering）システム２５とを有する。本実施形態においては、金属製の各種パネルの一例として、自動車のエンジンフードの３Ｄ設計情報を用いて学習モデルを生成する場合について説明する。すなわち、本実施形態においては、学習モデルの一例として、自動車のエンジンフードの所定位置を押した際の荷重変位情報（後述する６つの変曲点にそれぞれ対応する荷重および変位量）を予測する性能予測モデルを生成する。そして、この性能予測モデルは、たとえば、ニューラルネットワーク（CNN：Convolution Neural Network、RNN：Recurrent Neural Network等）等、公知の機械学習アルゴリズムを利用して生成する。

【0030】

また、自動車のエンジンフードは、たとえば、図２に示すＣＡＤシステム２４により設計され、３Ｄ形状データを含む３Ｄ設計情報が予め記憶部１２に記憶されていることとする。また、エンジンフードを構成する各部品の材質および板厚等の情報についても、３Ｄ設計情報（３Ｄ形状データ）に関連付けられた状態で予め記憶部１２に記憶されていることとする。

【0031】

また、本実施形態においては、学習モデル生成処理を行う上での前提処理として、エンジンフード上の特定の位置（負荷点：たとえば１００か所）を押した際の、各負荷点におけるＦ－Ｓ線図を予め取得しておき、それらのＦ－Ｓ線図を各負荷点に関連付けて予め記憶部１２に記憶しておく。具体的には、たとえば、図２に示すＣＡＥシステム２５が、エンジンフードの３Ｄ設計情報を記憶部１２から読み出し、この３Ｄ設計情報をもとに有限要素法によるＣＡＥ解析を行い、その解析結果として、各負荷点に対応するＦ－Ｓ線図（性能情報）を得る。有限要素法によるＣＡＥ解析では、エンジンフードの３Ｄ形状をメッシュ状に分割し、負荷点に荷重を加えることによって、分割したメッシュ状の各部分の変位等が解析される。図４は、前提処理により得られるＦ－Ｓ線図の一例を示す図である。

【0032】

なお、上記ＣＡＤシステム２４による３Ｄ設計およびＣＡＥシステム２５によるＣＡＥ解析については、公知の一般的な手法で行われているため詳細な説明を省略する。また、本実施形態においては、３Ｄ設計情報をもとに有限要素法によるＣＡＥ解析を行うことによって各負荷点（１００か所）におけるＦ－Ｓ線図を予め取得しておくこととしたが、これに限るものではなく、既知の手法であればどのような手法で各負荷点におけるＦ－Ｓ線図を取得することとしてもよい。

【0033】

また、本実施形態においては、一例として、負荷点を１００か所としたが、これに限るものではなく、要求される性能予測処理の精度等に応じて、たとえば、１００か所以上であることが望ましい。そして、本実施形態において、各負荷点は、上述したエンジンフード上の特定の位置として、たとえば、エンジンフード上の降伏点を有する領域（一定の荷重によって座屈現象が発生する領域）に一様（均一にバラ付いていること）となるように、配置する。具体的にいうと、エンジンフードを構成するアウター上に配置される各負荷点は、真下に、たわみ（変位）によって接合する座面（たとえば、デントＲ／ＦやロックＲ／Ｆ等の内部部品）がない領域内に、適宜配置される。すなわち、上述した前提処理においては、エンジンフード上の降伏点を有する領域内の１００か所の負荷点に対応するＦ－Ｓ線図を予め取得しておくことになる（図４参照）。

【0034】

また、図２に示す機能ブロックにおいては、ＣＡＤシステム２４およびＣＡＥシステム２５を制御部１１内に含める構成としたが、この構成に限るものではなく、たとえば、ＣＡＤシステム２４およびＣＡＥシステム２５を別構成とし、ネットワークを介して性能予測システム１と接続する構成としてもよい。

【0035】

本実施形態においては、上記のように各種情報が予め記憶部１２に記憶されていることを前提として、たとえば、図３に示すように、制御部１１が、自動車のエンジンフードの３Ｄ設計情報と、そのエンジンフードの材質および板厚の情報と、予め取得しておいた各負荷点におけるＦ－Ｓ線図とを用いて、性能予測モデルを生成する処理（学習モデル生成処理）を実行する。

【0036】

図３において、まず、作業者による入力部１３の操作により性能予測モデルの生成が指示された場合、制御部１１の点群座標データ生成部２１は、記憶部１２からエンジンフードの３Ｄ設計情報を読み出し、その３Ｄ設計情報から得られる３Ｄ形状データに基づいてエンジンフード（形状）を３Ｄ座標空間上（Ｘ座標、Ｙ座標、Ｚ座標）に配置する（ステップＳ１）。この際、表示部１５には、エンジンフードの３Ｄ画像が表示される。図５は、エンジンフードの３Ｄ画像の一例を示す図である。

【0037】

つぎに、点群座標データ生成部２１は、３Ｄ設計情報から、負荷点（１００か所分）周辺のエンジンフードの断面形状を取得する（ステップＳ２）。具体的には、負荷点を中心とする、たとえば、前後左右１５０ｍｍ幅のエンジンフードの断面形状を取得する。図６は、断面形状の取得位置を示す図である。本実施形態においては、負荷点を中心とする左右方向１５０ｍｍ幅のエンジンフードの断面形状（図６に示す負荷点Ｃを中心とするＡ－Ａ’直線（Ｘ軸に平行な直線）参照）と、負荷点を中心とする前後方向１５０ｍｍ幅のエンジンフードの断面形状（図６に示す負荷点Ｃを中心とするＢ－Ｂ’直線（Ｙ軸に平行な直線）参照）とを、負荷点毎に取得する。

【0038】

図７（ａ）および（ｂ）は、エンジンフードの断面形状の一例を示す図であり、詳細には、（ａ）は負荷点ＣのＡ－Ａ’断面を示し、（ｂ）は負荷点ＣのＢ－Ｂ’断面を示している。なお、本実施形態のおいては、一例として、取得する断面形状の幅を１５０ｍｍとしたが、これに限るものではなく、パネル全体から一様（均一にバラ付いていること）に断面形状が取得できていればよく、たとえば、パネルの形状や、材質および板厚、荷重をかけた際の応力範囲、性能予測の要求精度等に応じて適宜設定可能である。また、本実施形態においては、図６に示すＡ－Ａ’断面およびＢ－Ｂ’断面のように、直交する２つの断面形状を取得することとしたが、これに限るものではなく、たとえば、性能予測精度向上のために、負荷点を中心とするその他の方向の断面形状をさらに取得することとしてもよい。

【0039】

さらに、点群座標データ生成部２１は、負荷点毎に取得した断面形状（１５０ｍｍ幅）を、たとえば、５ｍｍ間隔（５ｍｍ×５ｍｍの正方形）で区切り、負荷点毎に断面形状の点群（５ｍｍ角の中心点の集まり）を生成する（ステップＳ３）。断面形状を点群にした際の形状表現精度（フィレットＲ部等）と特徴量の個数バランスから、点群を構成する各点の間隔を５ｍｍとした。そして、点群座標データ生成部２１は、３Ｄ座標空間上に配置されたエンジンフードの３Ｄ形状データに基づき、点群を形成する各点の座標（Ｘ座標、Ｙ座標、Ｚ座標）を取得し、負荷点毎に断面形状の点群座標データを生成し（ステップＳ４）、記憶部１２に記憶する。図７（ｃ）および（ｄ）は、たとえば、図６の負荷点Ｃにおいて取得した断面形状を点群化した状態のイメージを示す模式図であり、詳細には、（ｃ）は負荷点ＣのＡ－Ａ’断面の点群化イメージを示し、（ｂ）は負荷点ＣのＢ－Ｂ’断面の点群化イメージを示している。また、図８は、点群座標データの一例を示す図である。なお、本実施形態のおいては、一例として、点群における各点の間隔を５ｍｍとしたが、これに限るものではなく、たとえば、パネルの形状や、材質および板厚、荷重をかけた際の応力範囲、性能予測の要求精度等に応じて適宜設定可能である。

【0040】

上述のように、点群座標データ生成部２１が負荷点毎の点群座標データを生成後、つぎに、データセット生成部２２では、記憶部１２から、点群座標データと、３Ｄ設計情報（エンジンフードを構成する各部品の材質および板厚の情報を含む）と、予め記憶しておいた負荷点毎のＦ－Ｓ線図（性能情報）とを読み出す。そして、点群座標データを形成する各点の座標と、それら各点の材質および板厚と、負荷点毎のＦ－Ｓ線図から得られる荷重変位情報とを紐づけて、機械学習のためのデータセットを生成する（ステップＳ５）。ここで、本実施形態においては、データセット生成部２２が、負荷点毎のＦ－Ｓ線図（図４参照）のそれぞれから、たとえば、降伏点を含む６つの変曲点（たとえば、曲率の大きい順等）を抽出し、これら６つの変曲点にそれぞれ対応する荷重および変位量を荷重変位情報として、機械学習のためのデータセットを生成する。なお、本実施形態においては、一例として、６つの変曲点を抽出することとしたが、これに限るものではなく、抽出した変曲点からＦ－Ｓ線図を導出できればよく、抽出数は任意である。

【0041】

すなわち、機械学習アルゴリズムで使用するデータセットは、１つの負荷点に対応する点群座標データを形成する各点の座標と、それら各点の材質および板厚とを関連付けたデータを説明変数（入力データ）とし、その負荷点に対応する荷重変位情報を目的変数（教師データ）とし、負荷点毎に用意された入力データに対して、各負荷点に対応する教師データを個別に紐づけたものである。

【0042】

また、このデータセットは、負荷点毎に用意された入力データが、データセット生成部２２によって、さらにエンジンフードを構成する部品単位に分類（細分化）されることとした。ここで、エンジンフードを構成する部品は、たとえば、アウター、インナー、デントＲ／Ｆ、ロックＲ／Ｆ等である。そして、データセット生成部２２は、部品単位に分類された負荷点（Ｃ－１，Ｃ－２，Ｃ－３，Ｃ－４，Ｃ－５…）毎のデータセットを記憶部１２に記憶する。図９は、性能予測モデルを生成するためのデータセットの一例を示す図である。

【0043】

制御部１１の機械学習部２３は、図９に示す負荷点１００か所分のデータセットのうち、性能予測モデルを生成するための８９か所分のデータセットを記憶部１２から読み出し、たとえば、機械学習アルゴリズムの１つである畳み込みニューラルネットワーク（ＣＮＮ）を利用して、データセットによる教師あり学習を行わせることにより、自動車のエンジンフードの所定位置を押した際の荷重変位情報を予測する性能予測モデルを生成する（ステップＳ６）。

【0044】

すなわち、本実施形態においては、機械学習アルゴリズムを利用して、上述した入力データ（説明変数）と教師データ（目的変数）との相関を学習させることにより、自動車のエンジンフードの所定位置を押した際の荷重変位情報を予測する性能予測モデルを生成する。これにより、降伏点を有するエンジンフード上の所定位置における荷重変位情報を予測可能な性能予測モデルが得られる。

【0045】

＜機械学習アルゴリズムの一例＞
図１０は、機械学習を行わせる畳み込みニューラルネットワーク（ＣＮＮ）に相当する機械学習部２３の構成の一例を示す図である。本実施形態において使用する機械学習アルゴリズムは、たとえば、畳み込みニューラルネットワークであり、エンジンフードを構成する部品単位の入力データを入力する入力層を形成する入力部３１と、フィルター（重み）を用いた畳み込み演算により特徴量を抽出する複数の中間層を形成することにより層毎に異なる特徴を抽出するように学習する特徴抽出部３２と、特徴抽出部３２による学習で抽出された特徴を平滑化後に全結合する複数の中間層および上述した荷重変位情報を出力する出力層を有する出力部３３と、を備える。出力部３３は、一般的な全結合型のニューラルネットワークの中間層および出力層に相当する。

【0046】

本実施形態の機械学習部２３において、入力部３１には、エンジンフードを構成する部品単位の入力データ（説明変数）を、負荷点毎に入力する。そして、機械学習部２３では、出力部３３における出力層の出力である予測値（６つの変曲点に対応する荷重と変位量）と教師データ（荷重変位情報）との平均二乗誤差を計算し、この誤差が最小となるように、予め規定するエポック（epoch）数にわたって繰り返し学習を行う。これにより、性能予測モデルが学習される。

【0047】

また、本実施形態の機械学習部２３において、特徴抽出部３２は、エンジンフードを構成する部品単位（アウター、インナー、デントＲ／Ｆ、ロックＲ／Ｆ等）に特徴量を抽出する構成とし、さらに、予測値と各部品との相関関係（影響の大きさ）に応じて部品単位に中間層の深さ（大きさ）を決定する。たとえば、直接荷重がかかり最も予測値との相関が大きいアウターは中間層を最も深く設定し、その次に相関の大きいインナーは中間層をアウターよりも浅く設定し、これらの部品よりもさら予測値との相関が小さい部品（デントＲ／Ｆ、ロックＲ／Ｆ）については、中間層を最も浅く設定する。本実施形態においては、一例として、アウターの中間層の深さを３とし、各中間層により得られる特徴量をそれぞれ６４、３２、１６とした。また、インナーの中間層の深さを２とし、各中間層により得られる特徴量を３２、１６とした。また、デントＲ／Ｆの中間層の深さを１とし、この中間層により得られる特徴量を３２とした。そして、ロックＲ／Ｆの中間層の深さを１とし、この中間層により得られる特徴量を１６とした。これにより、エンジンフードを構成する各部品の相関関係を考慮した、高度な性能予測が可能となる。

【0048】

なお、本実施形態においては、上述したように、機械学習用に１００件（負荷点：１００か所分）のデータセットを用意した。そのうち、８９件を、性能予測モデルを生成するためのデータセットとして使用、すなわち、８０件を学習データとして使用し、９件を評価用データとして使用する。そして、残りの１１件をテスト用データとして使用する。ここで、学習データは、性能予測モデルの学習に使用されるデータセットであり、評価用データは、モデルの性能を検証するために使用されるデータセットであり、テスト用データは、教師データとの比較でモデルの最終的な評価を行うためのデータセットである。また、学習データは、たとえば、過学習および学習不足が発生することなく、所望の予測精度（たとえば、相関係数Ｒが０．８以上）が得られるだけの件数を用意する。また、本実施形態における性能予測モデルの性能評価には、評価指標の一例である損失関数（ｌｏｓｓ）や平均絶対誤差（ＭＡＥ：Mean Absolute Error）を採用する。すなわち、それらの値が小さいほど誤差の少ないモデルといえる。なお、評価指標はこれに限定されるものではない。

【0049】

図１１は、機械学習によるモデルの評価結果を示す図であり、（ａ）は荷重変位情報の１つである荷重（６つの変曲点にそれぞれ対応する荷重：Ｆ－Ｓ線図の縦軸）に関する学習曲線であり、（ｂ）は荷重変位情報の１つである変位（６つの変曲点にそれぞれ対応する変位：Ｆ－Ｓ線図の横軸）に関する学習曲線である。ここでは、たとえば、学習の程度（Ｅｐｏｃｈｓ）に対する損失（損失関数）および平均絶対誤差の推移を示したものである。図１１に示すとおり、本実施形態の性能予測モデルは、学習が進むほど損失および平均絶対誤差が小さくなっていることから、学習が順調に進んでいることが確認できる。また、エポック数：３０くらいからは損失および平均絶対誤差が十分に小さく、以後、変化が少ないことから、本実施形態においては、性能予測モデルの学習にはエポック数：３０程度が適していると言える。

【0050】

また、図１２は、テスト用データの１１件を用いた、学習済みの性能予測モデルによる予測結果を示す図である。ここでは、性能予測モデルから出力された予測値（荷重変位情報）と、教師データ（実測値：予め取得しておいたＦ－Ｓ線図から得られる荷重変位情報）とをプロットし、その結果を観察した。図１２では、丸印のプロットデータを結んだ実測値の直線に対して相関係数Ｒ＝０．８以上となる範囲を、点線で示している。その結果、性能予測モデルの予測値（△印で示す６６（＝１１（データ個数）×６（変曲点個数））か所の荷重変位情報）の近似曲線は、相関係数Ｒ＝０．８以上を満たしており、良好な予測結果が得られたと言える。

【0051】

なお、本実施形態においては、機械学習アルゴリズムの一例としてＣＮＮやＲＮＮ等のニューラルネットワークを用い、上述した性能予測モデルを生成することとしたが、性能予測モデルを生成するための機械学習アルゴリズムは、これに限るものではない。たとえば、ランダムフォレストやブーステッド決定木等、他の機械学習アルゴリズムを使用することも可能である。

【0052】

＜性能予測処理＞
つづいて、本実施形態の性能予測システム１における性能予測処理について説明する。図１３は、性能予測処理を実施する制御部１１の機能を示す機能ブロック図であり、図１４は、性能予測処理の一例を示すフローチャートである。

【0053】

図１３において、制御部１１は、前述した点群座標データ生成部２１と、入力データ生成部２６と、性能予測モデルとして動作する性能予測部２７と、予測値（荷重変位情報）からＦ－Ｓ線図を作成するＦ－Ｓ線図作成部２８とを有する。本実施形態においては、上記同様、金属製の各種パネルの一例として、自動車のエンジンフードの３Ｄ設計情報を用い、さらに、上記で生成した性能予測モデルを用いて、エンジンフードにおける性能予測点（Ｆ－Ｓ線図を作成したい位置：上述した所定位置に相当）の荷重変位情報を予測し、その後、得られた荷重変位情報に基づいてＦ－Ｓ線図を作成する場合について説明する。すなわち、本実施形態においては、学習済みの性能予測モデルを用いて自動車のエンジンフードの性能予測点を押した際の荷重変位情報を予測し、この荷重変位情報から性能予測点のＦ－Ｓ線図を作成する。

【0054】

なお、本実施形態において、性能予測点は、たとえば、エンジンフード上の降伏点を有する領域内の任意の位置（一定の荷重によって座屈現象が発生する位置）とする。具体的にいうと、性能予測点は、真下に、たわみ（変位）によって接合する座面（たとえば、デントＲ／ＦやロックＲ／Ｆ等の部品）がない領域内の任意の位置とする。

【0055】

図１４において、まず、作業者による入力部１３の操作により性能予測処理の実行が指示された場合、制御部１１の点群座標データ生成部２１は、記憶部１２からエンジンフードの３Ｄ設計情報を読み出し、その３Ｄ設計情報から得られる３Ｄ形状データに基づいてエンジンフード（形状）を３Ｄ座標空間上（Ｘ座標、Ｙ座標、Ｚ座標）に配置する（ステップＳ１１）。この際、表示部１５には、エンジンフードの３Ｄ画像が表示される（図５参照）。

【0056】

つぎに、作業者による入力部１３の操作により、エンジンフード上の性能予測点が設定された場合、点群座標データ生成部２１は、３Ｄ設計情報から、性能予測点周辺のエンジンフードの断面形状を取得する（ステップＳ１２）。具体的には、性能予測点を中心とする、たとえば、前後左右１５０ｍｍ幅のエンジンフードの断面形状を取得する。すなわち、本実施形態においては、性能予測点を中心とする左右方向１５０ｍｍ幅のエンジンフードの断面形状と、性能予測点を中心とする前後方向１５０ｍｍ幅のエンジンフードの断面形状とを取得する（図６および図７参照）。なお、ここで取得する断面形状の幅寸法については、性能予測モデル生成時において取得した断面形状の幅寸法と同じ寸法とする（図３のステップＳ２参照）。

【0057】

さらに、点群座標データ生成部２１は、性能予測点を中心とする前後方向および左右方向の断面形状（１５０ｍｍ幅）を、たとえば、５ｍｍ間隔（５ｍｍ×５ｍｍの正方形）で区切り、性能予測点における断面形状の点群（５ｍｍ角の中心点の集まり）を生成する（ステップＳ１３）。そして、点群座標データ生成部２１は、３Ｄ座標空間上に配置されたエンジンフードの３Ｄ形状データに基づき、点群を形成する各点の座標（Ｘ座標、Ｙ座標、Ｚ座標）を取得し、性能予測点における断面形状の点群座標データを生成し（ステップＳ１４）（図７（ｃ）、（ｄ）および図８参照）、記憶部１２に記憶する。なお、性能予測点における断面形状の点群を構成する各点の間隔は、性能予測モデル生成時において負荷点毎に取得した断面形状の点群を構成する各点の間隔と同じ間隔とする（図３のステップＳ３参照）。

【0058】

上述のように、点群座標データ生成部２１が性能予測点における点群座標データを生成後、つぎに、入力データ生成部２６では、記憶部１２から、性能予測点における点群座標データおよび３Ｄ設計情報（エンジンフードを構成する各部品の材質および板厚の情報を含む）を読み出し、点群座標データを形成する各点の座標と、それら各点の材質および板厚とを紐づけて、性能予測モデルへの入力となる入力データを生成する（ステップＳ１５）。この際、入力データ生成部２６は、上記入力データを、さらにエンジンフードを構成する部品単位に分類（細分化）する。ここで、エンジンフードを構成する部品は、たとえば、アウター、インナー、デントＲ／Ｆ、ロックＲ／Ｆ等である。そして、入力データ生成部２６は、生成した入力データを性能予測モデルとして動作する性能予測部２７に入力する。

【0059】

性能予測部２７は、エンジンフードを構成する部品単位に分類された入力データを受け付け、性能予測モデルを用いて、エンジンフードにおける性能予測点の荷重変位情報（上述した６つの変曲点にそれぞれ対応する荷重および変位量）を予測する（ステップＳ１６）。すなわち、本実施形態においては、学習済みの性能予測モデルを用いて、自動車のエンジンフードの性能予測点を押した際の荷重変位情報を予測する。

【0060】

その後、Ｆ－Ｓ線図作成部２８は、性能予測部２７による予測値（荷重変位情報）を用いて、１次近似および２次近似等の近似関数により近似することにより、性能予測点におけるＦ－Ｓ線図を作成する（ステップＳ１７）。そして、作成したＦ－Ｓ線図を性能予測結果として表示部１５に表示する。

【0061】

＜効果＞
以上のように、本実施形態の性能予測システム１は、自動車の車体を構成する金属製のパネル（たとえば、自動車のエンジンフード等）の性能の１つである、Ｆ－Ｓ線図（時系列の荷重変位曲線）を予測するものである。

【0062】

具体的には、エンジンフード上における降伏点を有する領域に一様に設けられた負荷点の周辺に形成される点群（図７参照）の点群座標データ（図８参照）とその点群を構成する各点の材質および板厚の情報とを関連付けたデータ、をさらにエンジンフードを構成する部品単位に分類した入力データ、を説明変数とし、その説明変数（入力データ）と負荷点を押した際の荷重変位情報である目的変数（教師データ）とを負荷点毎に紐づけたデータセット（図９参照）を記憶する記憶部１２を備える。そして、機械学習部２３が、記憶部１２から読み出したデータセットを用いて、性能予測点を押した際の荷重変位情報を予測する性能予測モデルを機械学習により生成する。その後、性能予測部２７が、性能予測点の周辺に形成される点群（図７参照）の点群座標データ（図８参照）とその点群を構成する各点の材質および板厚の情報とを関連付けたデータ、をさらにエンジンフードを構成する部品単位に分類した入力データを受け付け、学習済みの性能予測モデルを用いて、性能予測点を押した際の荷重変位情報を予測し、さらに、Ｆ－Ｓ線図作成部２８が、荷重変位情報に基づいて、性能予測点におけるＦ－Ｓ線図を作成する。

【0063】

なお、記憶部１２には、エンジンフードの３Ｄ設計情報と、３Ｄ設計情報に関連付けられたエンジンフードの材質および板厚の情報とを予め記憶することとした。そして、点群座標データ生成部２１が、エンジンフードの３Ｄ設計情報に基づいて、そのエンジンフードを３Ｄ座標空間上（Ｘ座標、Ｙ座標、Ｚ座標）に配置する。その後、点群座標データ生成部２１は、負荷点または性能予測点を中心とするエンジンフードの複数の断面形状を取得し、取得した断面形状を所定角の正方形で区切ることによってその中心点の集まりである点群を生成し、その点群を形成する各点の座標（Ｘ座標、Ｙ座標、Ｚ座標）を取得して点群座標データを生成する。

【0064】

これにより、データセット生成部２２が、上記点群座標データ生成部２１により生成された点群座標データと、エンジンフードの３Ｄ設計情報と、その３Ｄ設計情報に関連付けられたエンジンフードの材質および板厚の情報と、予め取得しておいた各負荷点のＦ－Ｓ線図とに基づいて、学習モデル生成のためのデータセットを生成することができる。また、入力データ生成部２６が、上記点群座標データ生成部２１により生成された点群座標データと、エンジンフードの３Ｄ設計情報と、その３Ｄ設計情報に関連付けられたエンジンフードの材質および板厚の情報とに基づいて、性能予測のための入力データを生成することができる。

【0065】

また、本実施形態の性能予測システム１は、機械学習アルゴリズムとして畳み込みニューラルネットワークを採用した。そして、機械学習においては、エンジンフードを構成する部品単位に特徴量を抽出する中間層を有し、さらに、予測値（荷重変位情報）と各部品との相関関係に応じて部品単位に中間層の深さを決定することとした。

【0066】

上記のように構成された本実施形態の性能予測システム１によれば、学習済みの性能予測モデルを導入することにより、エンジンフード上の性能予測点を押した際のＦ－Ｓ線図の算定にかかる時間を大幅に短縮することができる。また、本実施形態の畳み込みニューラルネットワークにおける特徴的な構成により、エンジンフードを構成する各部品の相関関係を考慮した高度な性能予測が可能となる。

【0067】

なお、本実施形態においては、金属製の各種パネルの一例として、自動車のエンジンフードを用いることとしたが、これに限るものではなく、本実施形態の学習モデル生成処理および性能予測処理については、たとえば、エンジンフードの他、フロントフェンダー、ルーフパネル、ドア等、自動車の車体を構成するすべての金属製パネルに対して適用可能である。

【符号の説明】

【0068】

１ 性能予測システム
１１ 制御部
１２ 記憶部
１３ 入力部
１４ インタフェース（Ｉ／Ｆ）部
１５ 表示部
１６ 通信部
２１ 点群座標データ生成部
２２ データセット生成部
２３ 機械学習部
２４ ＣＡＤシステム
２５ ＣＡＥシステム
２６ 入力データ生成部
２７ 性能予測部
２８ Ｆ－Ｓ線図作成部
３１ 入力部
３２ 特徴量抽出部
３３ 出力部
Ｃ－１，Ｃ－２，Ｃ－３，Ｃ－４，Ｃ－５，… 負荷点

【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】