特許 7572865 学習装置およびプログラム、ならびに金型異常予測装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-10-16

(45)【発行日】2024-10-24

(54)【発明の名称】学習装置およびプログラム、ならびに金型異常予測装置

(51)【国際特許分類】

   G01M 99/00 20110101AFI20241017BHJP

   G01H 17/00 20060101ALI20241017BHJP

【ＦＩ】

G01M99/00 Z

G01H17/00 D

【請求項の数】 10

(21)【出願番号】P 2021009639

(22)【出願日】2021-01-25

(65)【公開番号】P2022113410

(43)【公開日】2022-08-04

【審査請求日】2023-10-03

(73)【特許権者】

【識別番号】000142595

【氏名又は名称】株式会社栗本鐵工所

(74)【代理人】

【識別番号】110001586

【氏名又は名称】弁理士法人アイミー国際特許事務所

(72)【発明者】

【氏名】中谷 京治

(72)【発明者】

【氏名】西岡 康二

(72)【発明者】

【氏名】佐々木 佑介

(72)【発明者】

【氏名】南 椋介

(72)【発明者】

【氏名】鷲尾 隆

【審査官】中村 圭伸

(56)【参考文献】

【文献】特開２０１７－０１９０１６（ＪＰ，Ａ）

【文献】特許第６７７９４５７（ＪＰ，Ｂ１）

【文献】特開２０２０－０４２５１９（ＪＰ，Ａ）

【文献】特開昭６３－１９９０３４（ＪＰ，Ａ）

【文献】特開２０１８－０６３６６８（ＪＰ，Ａ）

【文献】特開２０２０－０４９５１２（ＪＰ，Ａ）

【文献】特開２０１１－０７９０５０（ＪＰ，Ａ）

【文献】特開２０２０－０６２６５０（ＪＰ，Ａ）

【文献】特開昭５４－１３１１８２（ＪＰ，Ａ）

【文献】特開平０４－０３３７２１（ＪＰ，Ａ）

【文献】独国特許出願公開第１９９５２８３４（ＤＥ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｂ２１Ｄ ３７／００ － ３７／２０

Ｂ３０Ｂ １５／００ － １５／３４

Ｇ０１Ｈ １／００ － １７／００

Ｇ０１Ｍ １３／００ － １３／０４５

Ｇ０１Ｍ ９９／００

Ｇ０８Ｂ １９／００ － ３１／００

(57)【特許請求の範囲】

【請求項1】

プレス機に搭載された金型の異常の有無を予測するための予測モデルを機械学習により生成する学習装置であって、
前記プレス機によるプレス運転時にワークに加わる荷重データと前記プレス機のフレームの支柱に取り付けられた振動計が検出した略水平方向の振動データとを含む測定データを、プレスサイクルごとに取得するデータ取得手段と、
前記データ取得手段により取得された測定データに基づいて、荷重特徴量と振動特徴量とを含む複数種類の特徴量を、プレスサイクルごとに算出する特徴量算出手段と、
前記特徴量算出手段により算出された複数種類の特徴量と金型状態との相関を機械学習して、プレスサイクルごとに金型の異常の有無を予測するための予測モデルを生成する生成手段と、
前記生成手段により生成された予測モデルを記憶するモデル記憶手段とを備える、学習装置。

【請求項2】

プレス機に搭載された金型の異常の有無を予測するための予測モデルを機械学習により生成する学習装置であって、
前記プレス機によるプレス運転時にワークに加わる荷重データと前記プレス機のフレームの振動データとを含む測定データを、プレスサイクルごとに取得するデータ取得手段と、
前記データ取得手段により取得された測定データに基づいて、荷重特徴量と振動特徴量とを含む複数種類の特徴量を、プレスサイクルごとに算出する特徴量算出手段と、
前記特徴量算出手段により算出された複数種類の特徴量と金型状態との相関を機械学習して、プレスサイクルごとに金型の異常の有無を予測するための予測モデルを生成する生成手段と、
前記生成手段により生成された予測モデルを記憶するモデル記憶手段とを備え、
前記振動特徴量が、波高ベクトル、時刻ベクトル、および周波数ベクトルのうちの少なくとも一つを含む、学習装置。

【請求項3】

前記生成手段は、金型パターンごとに、複数種類の特徴量と金型状態との相関を機械学習し、
前記モデル記憶手段は、金型パターンを識別する金型識別情報に関連付けて、予測モデルを記憶する、請求項１または２に記載の学習装置。

【請求項4】

前記プレス機は、複数の金型を搭載する多段式のプレス機であり、
前記生成手段は、複数種類の特徴量を入力とし、個々の金型に対する異常の有無を出力とする予測モデルを生成する、請求項１～３のいずれかに記載の学習装置。

【請求項5】

前記フレームは、前記複数の金型の上流側および下流側にそれぞれ設けられた第１および第２の支柱を有しており、
前記特徴量算出手段は、前記第１の支柱に取り付けられた振動計からの振動データに基づいて第１の振動特徴量を算出し、前記第２の支柱に取り付けられた振動計からの振動データに基づいて第２の振動特徴量を算出する、請求項４に記載の学習装置。

【請求項6】

前記特徴量算出手段は、荷重特徴量および振動特徴量に加えて、金型接触時間、ダイハイト値、金型温度、金型潤滑液量、および、金型ショット数のうちの少なくとも一つをさらに算出する、請求項１～５のいずれかに記載の学習装置。

【請求項7】

プレス機に搭載された金型の異常の有無を予測するための金型異常予測装置であって、
請求項１～６のいずれかに記載の学習装置によって生成された予測モデルを記憶する記憶手段と、
前記プレス機によるプレス運転時にワークに加わる荷重データと前記プレス機のフレームの振動データとを含む測定データを、プレスサイクルごとに取得するデータ取得手段と、
前記データ取得手段により取得された測定データに基づいて、荷重特徴量と振動特徴量とを含む複数種類の特徴量を、プレスサイクルごとに算出する特徴量算出手段と、
前記特徴量算出手段により算出された複数種類の特徴量を、前記記憶手段に記憶された予測モデルに入力して、プレスサイクルごとに金型の異常の有無を予測する予測手段と、
前記予測手段による予測結果を出力する出力手段とを備える、金型異常予測装置。

【請求項8】

前記記憶手段には、金型パターンを識別する金型識別情報に関連付けて、複数の予測モデルが記憶されており、
前記プレス機によるプレス運転開始前に、前記複数の予測モデルのうち、今回のプレス運転に対応する金型パターンに基づいて、金型の異常予測に用いる予測モデルを判別するモデル判別手段をさらに備える、請求項７に記載の金型異常予測装置。

【請求項9】

プレス機に搭載された金型の異常の有無を予測するための予測モデルを機械学習により生成する学習プログラムであって、
前記プレス機によるプレス運転時にワークに加わる荷重データと前記プレス機のフレームの支柱に取り付けられた振動計が検出した略水平方向の振動データとを含む測定データに基づいて、荷重特徴量と振動特徴量とを含む複数種類の特徴量を、プレスサイクルごとに算出するステップと、
算出された複数種類の特徴量と金型状態との相関を機械学習して、プレスサイクルごとに金型の異常の有無を予測するための予測モデルを生成するステップと、
生成された予測モデルをモデル記憶手段に記憶するステップとをコンピュータに実行させる、学習プログラム。

【請求項10】

プレス機に搭載された金型の異常の有無を予測するための予測モデルを機械学習により生成する学習プログラムであって、
前記プレス機によるプレス運転時にワークに加わる荷重データと前記プレス機のフレームの振動データとを含む測定データに基づいて、荷重特徴量と、波高ベクトル、時刻ベクトル、および周波数ベクトルのうちの少なくとも一つを含む振動特徴量と、を含む複数種類の特徴量を、プレスサイクルごとに算出するステップと、
算出された複数種類の特徴量と金型状態との相関を機械学習して、プレスサイクルごとに金型の異常の有無を予測するための予測モデルを生成するステップと、
生成された予測モデルをモデル記憶手段に記憶するステップとをコンピュータに実行させる、学習プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、学習装置およびプログラム、ならびに金型異常予測装置に関し、特に、プレス機に搭載された金型の異常の有無を予測するための予測モデルを機械学習により生成する学習装置およびプログラム、ならびに、機械学習により生成された予測モデルに基づいて金型の異常の有無を予測する金型異常予測装置に関する。

【背景技術】

【0002】

鍛造プレス装置は、クランク軸を回転駆動してスライドを昇降動作させることにより、ワークをプレス加工する。このような鍛造プレス装置では、特開２０１９－１３９４７号公報（特許文献１）に記載されているように、加工中にワークに加わる荷重を監視し、荷重のピーク値に基づいて異常を検出することが従来から行われている。荷重のピーク値が製品の良否と高い相関があることが分かっているためである。

【0003】

また、特開２０１９－１３９７６号公報（特許文献２）に記載されているように、プレス機の運転状況を検出する複数のセンサを利用することで、プレス機の故障を予測する技術が従来から提案されている。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１９－１３９４７号公報

【文献】特開２０１９－１３９７６号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

特許文献１では、荷重のピーク値に基づいて不良品を検出することができるが、その要因（異常要因）まで特定することができない。

【0006】

特許文献２では、複数のセンサから得られた計測結果の初期正常状態からの変化をモニタリングＰＣで確認し、過去の経験則も照らし合わせてプレス機の故障を予測するため、経験の浅い作業者が故障の予測を的確に行うことは困難である。

【0007】

特に、プレス機の金型は、他のパーツに比べて故障頻度が高いため、作業者の経験に頼らずに金型の異常（故障、破損など）を検出できる技術が望まれていた。

【0008】

本発明は、上記のような課題を解決するためになされたものであって、その目的は、プレス機に搭載された金型の異常を精度良く検出可能とするための学習装置およびプログラム、ならびに、金型異常予測装置を提供することである。

【課題を解決するための手段】

【0009】

この発明のある局面に従う学習装置は、プレス機に搭載された金型の異常の有無を予測するための予測モデルを機械学習により生成する学習装置であって、データ取得手段と、特徴量算出手段と、生成手段と、モデル記憶手段とを備える。データ取得手段は、プレス機によるプレス運転時にワークに加わる荷重データとプレス機のフレームの振動データとを含む測定データを、プレスサイクルごとに取得する。特徴量算出手段は、データ取得手段により取得された測定データに基づいて、荷重特徴量と振動特徴量とを含む複数種類の特徴量を、プレスサイクルごとに算出する。生成手段は、特徴量算出手段により算出された複数種類の特徴量と金型状態との相関を機械学習して、プレスサイクルごとに金型の異常の有無を予測するための予測モデルを生成する。モデル記憶手段は、生成手段により生成された予測モデルを記憶する。

【0010】

好ましくは、生成手段は、金型パターンごとに、複数種類の特徴量と金型状態との相関を機械学習し、モデル記憶手段は、金型パターンを識別する金型識別情報に関連付けて、予測モデルを記憶する。

【0011】

プレス機が、複数の金型を搭載する多段式のプレス機である場合、生成手段は、複数種類の特徴量を入力とし、個々の金型に対する異常の有無を出力とする予測モデルを生成することが望ましい。なお、個々の金型とは、広義には、上型、下型を区別することなく、工程ごとの金型を意味し、狭義には、各工程の上型、下型を意味する。

【0012】

フレームが、複数の金型の上流側および下流側にそれぞれ設けられた第１および第２の支柱を有している形態において、特徴量算出手段は、第１の支柱に取り付けられた振動計からの振動データに基づいて第１の振動特徴量を算出し、第２の支柱に取り付けられた振動計からの振動データに基づいて第２の振動特徴量を算出することが望ましい。各振動特徴量は、波高ベクトル、時刻ベクトル、および周波数ベクトルのうちの少なくとも一つを含み、少なくとも周波数ベクトルを含むことが望ましい。より望ましくは、周波数ベクトルと、波高ベクトルまたは時刻ベクトルとを含む。

【0013】

特徴量算出手段は、荷重特徴量および振動特徴量に加えて、金型接触時間、ダイハイト値、金型温度、金型潤滑液量、および金型ショット数のうちの少なくとも一つをさらに算出することが望ましい。なお、特徴量の種類には、金型温度および金型潤滑液量が含まれることが望ましい。これらを予測モデルの説明変数に加えることにより、金型への負荷の大きさを精度良く検出できる。プレス機が、複数の金型を搭載する多段式のプレス機である場合、金型温度、金型潤滑液量、および金型ショット数は、個々の金型（少なくとも工程ごと）に対して測定されることが望ましい。

【0014】

この発明の他の局面に従う金型異常予測装置は、プレス機に搭載された金型の異常の有無を予測するための金型異常予測装置であって、上記いずれかに記載の学習装置によって生成された予測モデルを記憶する記憶手段を備えている。また、プレス機によるプレス運転時にワークに加わる荷重データとプレス機のフレームの振動データとを含む測定データを、プレスサイクルごとに取得するデータ取得手段と、データ取得手段により取得された測定データに基づいて、荷重特徴量と振動特徴量とを含む複数種類の特徴量を、プレスサイクルごとに算出する特徴量算出手段と、特徴量算出手段により算出された複数種類の特徴量を、記憶手段に記憶された予測モデルに入力して、プレスサイクルごとに金型の異常の有無を予測する予測手段と、予測手段による予測結果を出力する出力手段とを備える。

【0015】

好ましくは、記憶手段には、金型パターンを識別する金型識別情報に関連付けて、複数の予測モデルが記憶されている。この場合、金型異常予測装置は、プレス機によるプレス運転開始前に、複数の予測モデルのうち、今回のプレス運転に対応する金型パターンに基づいて、金型の異常予測に用いる予測モデルを判別するモデル判別手段をさらに備えることが望ましい。

【0016】

この発明のさらに他の局面に従う学習プログラムは、プレス機に搭載された金型の異常の有無を予測するための予測モデルを機械学習により生成する学習プログラムであって、プレス機によるプレス運転時にワークに加わる荷重波形データとプレス機のフレームの振動波形データとを含む測定データに基づいて、荷重特徴量と振動特徴量とを含む複数種類の特徴量を、プレスサイクルごとに算出するステップと、算出された複数種類の特徴量と金型状態との相関を機械学習して、プレスサイクルごとに金型の異常の有無を予測するための予測モデルを生成するステップと、生成された予測モデルをモデル記憶手段に記憶するステップとをコンピュータに実行させる。

【発明の効果】

【0017】

本発明によれば、予測モデルにより、金型の異常を精度良く検出することができる。

【図面の簡単な説明】

【0018】

【図1】本発明の実施の形態に係る鍛造プレス装置の概略構成を示す図である。

【図2】本発明の実施の形態に係る鍛造プレス装置が備えるプレス機およびセンサ類を模式的に示す図である。

【図3】本発明の実施の形態におけるプレス機の周辺構造、ならびに、センサ類により検出される運転状況情報を模式的に示す図である。

【図4】本発明の実施の形態におけるプレス機が備える金型の配置例を模式的に示す図である。

【図5】本発明の実施の形態に係る学習装置の機能構成を示すブロック図である。

【図6】本発明の実施の形態に係る学習装置による予測モデルの生成方法を示すフローチャートである。

【図7】（Ａ）～（Ｃ）は、フレーム振動の特徴量の算出方法を説明するためのグラフである。

【図8】（Ａ）～（Ｄ）は、フレーム振動の特徴量の算出方法を説明するためのグラフである。

【図9】本発明の実施の形態に係る金型異常予測装置の機能構成を示すブロック図である。

【図10】本発明の実施の形態に係る金型異常予測装置による金型の異常予測方法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】

【0019】

本発明の実施の形態について図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付してその説明は繰返さない。

【0020】

本実施の形態では、鍛造プレス装置が、学習装置での学習結果に基づいて、金型の異常を検出する機能を有しているものとして説明する。

【0021】

＜鍛造プレス装置の概略構成＞
はじめに、図１～図３を参照して、鍛造プレス装置１０の概略構成について説明する。図１に示されるように、鍛造プレス装置１０は、ワークをプレス加工するプレス機１１と、プレス機１１の運転を制御するＰＬＣ（プログラマブル・ロジック・コントローラ）４０とを備える。

【0022】

図２に示されるように、プレス機１１は、フレーム３内の上下に対向するように設けられたスライド１およびボルスタ２を備えている。フレーム３は、プレス機１１の正面側に配置された一対の支柱３ａ，３ｂと、プレス機１１の後方側に配置された一対の支柱３ｃ，３ｄとを含む。プレス機１１は、クランク軸４を回転駆動させることにより、コンロッド５に連結されたスライド１が昇降動作するように構成されている。

【0023】

クランク軸４の一端側には、メインモータ６でベルト７によって回転駆動されるフライホイール８が、クラッチ９を介して接続されている。クランク軸４の他端側には、クランク軸４の回転を止めてスライド１を停止させるブレーキ装置１２が取り付けられている。プレス機１１は、メインモータ６でフライホイール８を一定速度で回転駆動し、クラッチ９を入りとして、フライホイール８の回転をクランク軸４に伝達することによってスライド１を昇降させて、ボルスタ２上に載置されたワークを鍛造する。ワークは、ボルスタ２上に設置された下型（図示せず）とスライド１の下端に設置された上型（図示せず）とを含む金型のパターンに応じた大きさおよび形状に加工され、最終製品となる。「金型」とは、鍛造に使用される型を意味する。金型は、典型的には特殊鋼により形成される。

【0024】

本実施の形態における鍛造プレス装置１０は、熱間鍛造によりワークを加工する装置である。鍛造プレス装置１０は、プレス機１１の運転状況を検出するために、以下に示すような複数のセンサ類を備えている。なお、後述するように、プレス機１１は、複数工程を経てワークを加工する多段式のプレス機であってもよい。つまり、プレス機１１に、複数の金型が搭載されていてもよい。
・荷重センサ２０：ワークに加わる荷重を検知する。たとえば、フレーム３の歪みを検出する歪みゲージで構成される。
・角度センサ２１：クランク軸４の回転角度（プレス角度）を検出することによって、スライド１の位置、および、スライド１の速度（ストローク）を検知する。
・ブレーキ緩み圧センサ２２：ブレーキ装置１２の緩み圧を検出する。
・クラッチ圧センサ２３：クラッチ９の圧力を検出する。
・クラッチタンク圧センサ２４：クラッチ９を駆動する作動油の圧力を検出する。
・ブレーキタンク圧センサ２５：ブレーキ装置１２の冷却水の圧力を検出する。
・冷却水流量センサ２６：ブレーキ装置１２の冷却水の流量を検出する。
・ＢＫＯ位置変位センサ２７：プレス機１１の下ノックアウト装置の位置（ＢＫＯ位置）を検出する。
・ＳＫＯ位置変位センサ２８：上ノックアウト装置の位置（ＳＫＯ位置）を検出する。
・測温抵抗体２９：プレス機１１の各部温度を検出する。
・潤滑液流量センサ３０：金型を潤滑する潤滑液の流量を検出する。
・エアブロー圧力センサ３１：プレス機１１に供給される高圧エアの圧力を検出する。
・材料温度センサ３２：プレス機１１に供給される材料の温度を検出する。
・ダイハイト変位センサ３３：プレス機１１のダイハイト（ボルスタ２とスライド１の下死点位置との間隔）を検出する。
・型温度センサ３４：金型の温度を検出する。

【0025】

図３に示されるように、鍛造プレス装置１０は、搬送装置１３およびヒータ１４をさらに備えている。搬送装置１３は、たとえばベルトコンベアにより構成され、ワークＷを、前工程からプレス機１１（ボルスタ２の位置）まで搬送する。ヒータ１４は、プレス機１１よりも上流側に配置され、搬送装置１３で搬送途中のワークＷの硬化を防止するために設けられている。ヒータ１４は、たとえばトンネル炉により構成されている。

【0026】

上記した材料温度センサ３２は、ヒータ１４を通過直後のワークＷ（ヒータ１４の出口付近のワークＷ）の温度を検知する。型温度センサ３４は、プレス機１１に搭載された金型の温度を検知する。

【0027】

なお、鍛造プレス装置１０は、上記したセンサ類の他、ワークＷがヒータ１４の出口からプレス位置に到達するまでに要した時間（ヒータ出口－プレス時間）を検出するタイマ（図示せず）などをさらに備えていてもよい。また、ヒータ１４の出口付近においてワークＷの有無を検知するワーク有無センサ（図示せず）がさらに設けられていてもよい。

【0028】

本実施の形態におけるプレス機１１は、多段式のプレス機であって、複数の金型を用いて段階的にワークＷを成形する。金型の配置例を図４に示す。図４の例では、プレス機１１が、ワークＷの搬送方向Ａ１に沿って配置された３個の金型５１～５３を備えている。この場合、ワークＷは、金型５１による第１工程（工程Ｉ）、金型５２による第２工程（工程ＩＩ）、金型５３による第３工程（工程ＩＩＩ）を順に経て、段階的に成形される。

【0029】

金型５１～５３それぞれの上型５１ａ，５２ａ，５３ａは、フレーム３内のスライド１の下端部に固定されており、同時に昇降移動する。金型５１～５３それぞれの下型５１ｂ，５２ｂ，５３ｂは、フレーム３内のボルスタ２の上端部に固定されている。以下の説明において、上下三対の型５１ａ，５１ｂ，５２ａ，５２ｂ，５３ａ，５３ｂを区別する必要がない場合には、これらを「型５０」と表現する。

【0030】

プレス機１１の金型５１～５３は、各々が、型潤滑手段６０（想像線で示す）から供給される潤滑液により潤滑される。この場合、潤滑液流量センサ３０および型温度センサ３４は、典型的には、型５０ごとに設けられる。

【0031】

上述の荷重センサ２０は、フレーム３のいずれか一つの支柱（たとえば支柱３ｃ）に取り付けられている。また、フレーム３の左右の支柱３ｃ，３ｄに一つずつ振動計３５が取り付けられている。支柱３ｃ，３ｄの一方（支柱３ｃ）は、工程Ｉの金型５１よりも搬送方向上流側に位置し、支柱３ｃ，３ｄの他方（支柱３ｄ）は、工程ＩＩＩの金型５３よりも搬送方向下流側に位置している。各振動計３５は、たとえば加速度センサにより構成され、フレーム３の振動を検出する。具体的には、各振動計３５は、自身が取り付けられた支柱３ｃ，３ｄの略水平方向（前後方向または左右方向）の振動を検出する。

【0032】

再び図１を参照して、鍛造プレス装置１０は、金型５１～５３の異常の有無を予測する金型異常予測装置（以下「異常予測装置」と略す）２００を備えている。異常予測装置２００は、学習装置１００により生成された予測モデルに基づいて、各型５０の異常の有無を予測する。学習装置１００および異常予測装置２００によって、金型異常予測システムＳＹＳが構成されている。

【0033】

学習装置１００および異常予測装置２００は、ＰＬＣ４０を介して、またはＰＬＣ４０を介することなく、複数のセンサ類からの検出信号を取得する。ＰＬＣ４０とこれらの装置１００，２００とは有線または無線にて接続されている。学習装置１００および異常予測装置２００は、ＣＰＵ（Central Processing Unit）などのプロセッサとメモリを含むコンピュータにより実現される。なお、本実施の形態では、ＰＬＣ４０と異常予測装置２００とが別個に設けられた例を示しているが、限定的ではなく、ＰＬＣ４０が、後述するような異常予測装置２００の機能を有していてもよい。

【0034】

＜学習装置＞
（機能構成について）
図５は、本実施の形態に係る学習装置１００の機能構成を示すブロック図である。学習装置１００は、データ取得部１０１と、形式変換部１０２と、結果取得部１０３と、学習部１０４と、モデル記憶部１１４とを主に備えている。モデル記憶部１１４には、金型パターンごとの予測モデルＭ１，Ｍ２，・・・が格納される。

【0035】

本実施の形態において、「金型パターン」は、金型５１～５３の形状に対応する品番（型番）、および、金型５１～５３へのワークＷの配置パターンを示すワークパターンにより特定される。鍛造プレス装置１０によって連続的にワークＷをプレス加工する場合、これらのワークＷの品番は共通である。金型５１～５３へのワークＷの配置パターンには、金型５１～５３の全てにワークＷが配置されたパターン、最初の金型５１にのみワークＷが配置されたパターン、最後の金型５３にのみワークＷが配置されたパターン、などが含まれる。品番に対応するワークＷの配置モードは１対１で定められているものの、ワークＷは順次搬送されるため、プレス運転の開始時および終了時などは、ワークＷの配置モードとは異るパターンで、金型５１～５３の一部にのみワークＷが配置される。なお、品番に対応するワークＷの配置モードとしては、金型５１～５３の全てにワークＷを順次配置するパターン、金型５１～５３に一つ飛ばしでワークＷを配置するパターン、などが含まれる。金型パターンを特定するための情報に、ワークＷの投影面積がさらに含まれてもよい。

【0036】

データ取得部１０１は、プレス機１１の運転時（鍛造プレス装置１０によるプレス運転時）に、鍛造プレス装置１０が備えるセンサ類から測定データを取得する。本実施の形態では、データ取得部１０１は、プレスサイクルごとに測定データ（以下、「サイクル測定データ」という）および金型パターンデータを取得する。

【0037】

サイクル測定データは、一次データであって、荷重センサ２０から得られる荷重データ、および、振動計３５から得られる振動データを少なくとも含む。サイクル測定データは、望ましくは、型温度センサ３４から得られる各型５０の温度データ、潤滑液流量センサ３０から得られる各型５０の潤滑液データ、ならびに、プレスサイクルごとにカウントされる各型５０のショット数データの少なくとも一つをさらに含む。

【0038】

データ取得部１０１により取得されたサイクル測定データは、一意に定められた識別番号（以下「サイクルＮｏ．」という）を見出しとして、一次データ記憶部１１１に時系列に記憶される。各サイクル測定データＤＴ１は、対応する金型パターンデータとともに、一次データ記憶部１１１に記憶される。金型パターンデータは、上述のように、対象のワークＷの品番およびワークパターンを含む。ワークＷの品番は、たとえば、鍛造プレス装置１０によるプレス運転開始前に、入力部（図示せず）を介してユーザ（作業者または管理者）により入力される。ワークパターンは、鍛造プレス装置１０が備えるワークパターン検知手段（図示せず）により検知される。

【0039】

形式変換部１０２は、一次データの形式を、機械学習に適した形式の二次データに変換する。具体的には、形式変換部１０２は、特徴量算出手段として機能し、サイクル測定データＤＴ１に基づいて、予測モデルの説明変数となる複数種類の特徴量を算出する。より具体的には、少なくとも荷重特徴量および振動特徴量を含む複数種類の特徴量を、プレスサイクルごとに算出する。

【0040】

形式変換部１０２により算出される特徴量（二次データ）の種類の詳細を、下記の表１に示す。表１では、特徴量の種類と、種類ごとのデータ項目とが列挙されている。また、各データ項目の型（スカラまたはベクトル）が併記されている。

【0041】

【表1】

【0042】

「荷重特徴量」は、荷重センサ２０から得られる荷重データに基づき算出可能な指標であり、荷重ピーク値または荷重増加傾きを含む。なお、荷重増加傾きは、成形荷重曲線の立ち上がり位置とピーク位置の２点を通る一次式の傾きとして算出される。本実施の形態では、荷重特徴量は、荷重ピーク値と荷重増加傾きとの両方を含む。これにより、製品の良否に直結する各型５０の異常の有無を精度良く予測することが可能であると考えられる。

【0043】

「金型接触時間」もまた、荷重センサ２０から得られる荷重データに基づき算出可能な指標であり、成形荷重曲線の立ち上がり位置とピーク位置との２点間の時間が、金型接触時間として算出される。このように、金型接触時間は、金型５１～５３ごとではなく、１つの特徴量として算出される。

【0044】

「ダイハイト値」の特徴量は、上記ダイハイト変位センサ３３からの出力値（ダイハイトデータ）により算出される。荷重特徴量だけでなくダイハイト値を考慮することにより、金型５１～５３の摩耗の有無をより精度良く予測することが可能になる。

【0045】

「金型温度」の特徴量は、各型５０に取り付けられた型温度センサ３４から得られる温度データに基づいて算出される。型温度センサ３４は、たとえば工程Ｉ～ＩＩＩそれぞれの下型５１ｂ，５２ｂ，５３ｂにのみ設けられており、下型５１ｂ，５２ｂ，５３ｂの温度の特徴量だけが算出されてもよい。各型５０（少なくとも下型５１ｂ，５２ｂ，５３ｂ）の温度の特徴量は、たとえば、プレス直前（ワーク搬送中）における、指定エリアの平均温度として算出される。なお、金型温度の特徴量には、平均温度に加え／代えて、最高温度、最低温度などが採用されてもよい。

【0046】

「金型潤滑液量」の特徴量は、各型５０への潤滑液路に設けられた潤滑液流量センサ３０から得られる潤滑液量データに基づいて算出される。各型５０の潤滑液量の特徴量は、たとえばプレス直前（ワーク搬送中）における、型５０ごとの潤滑液量（総量）である。

【0047】

「フレーム振動」の特徴量は、フレーム３の左右の支柱３ｃ，３ｄにそれぞれ設けられた振動計３５から得られる振動データに基づいて算出される。左右各々のフレーム振動の特徴量は、たとえば、１サイクルの特定区間における波高ベクトル、時刻ベクトル、および周波数ベクトルのうちの少なくとも一つを含む。なお、表１に示されるように、フレーム振動の特徴量は、波高ベクトルおよび周波数ベクトルの２項目を含むことが望ましいものの、時刻ベクトルおよび周波数ベクトルの２項目を含むようにしてもよい。このように、少なくとも周波数ベクトルを含むことが望ましい。具体的なフレーム振動の特徴量の算出方法の詳細については後述する。

【0048】

「金型ショット数」の特徴量は、一次データと共通の値であり、各型５０のショット数（累計）を含む。

【0049】

形式変換部１０２により算出された複数種類の特徴量を含むサイクル特徴データＤＴ２は、二次データとして、二次データ記憶部１１２に記憶される。各サイクル特徴データＤＴ２は、たとえば元のサイクル測定データＤＴ１と同じサイクルＮｏ．および金型パターンデータに関連付けて、二次データ記憶部１１２に記憶される。

【0050】

結果取得部１０３は、たとえば、操作部１２０などの入力手段を介してユーザから入力された金型異常情報を取得する。金型異常情報は、たとえば何番目のプレスサイクルのときに、どの型５０に異常が発生したかを示す情報である。結果取得部１０３は、取得した金型異常情報に基づいて、プレスサイクルごとの金型状態を示す結果データ（以下、「サイクル結果データ」という）を生成する。結果取得部１０３により生成されたサイクル結果データＤＴ３は、たとえばサイクルＮｏ．に関連付けて、結果データ記憶部１１３に記憶される。「金型状態」とは、各型５０の状態（異常あり／なし）を表わす。なお、各サイクル結果データＤＴ３は、どのサイクル測定データＤＴ１またはサイクル特徴データＤＴ２に対応するデータであるかが識別可能であればよく、サイクルＮｏ．に関連付けて記憶される形態に限定されない。

【0051】

学習部１０４は、二次データ記憶部１１２に記憶された多数のサイクル特徴データＤＴ２、および、結果データ記憶部１１３に記憶された多数のサイクル結果データＤＴ３を教師データとして、プレスサイクルごとの複数種類の特徴量と金型状態との相関を機械学習する。すなわち、プレスサイクルごとに金型の異常の有無を予測するための予測モデルを生成する。予測モデルの機械学習アルゴリズムとしては、公知のアルゴリズム、たとえばアイソレーションフォレストが用いられる。アイソレーションフォレストは、異常検知に用いられる汎用的な機械学習アルゴリズムである。

【0052】

本実施の形態では、学習部１０４は、「金型パターン」ごとに、複数種類の特徴量と金型状態との相関を機械学習し、金型パターンの個数（すなわち、品番とワークパターンとの組み合わせの数）分、予測モデルＭ１，Ｍ２，・・・を生成する。学習部１０４により生成された複数の予測モデルＭ１，Ｍ２，・・・は、モデル記憶部１１４に格納される。つまり、モデル記憶部１１４は、金型パターンを識別する金型識別情報に関連付けて、各予測モデルを記憶する。

【0053】

上述のデータ取得部１０１、形式変換部１０２、結果取得部１０３、および学習部１０４の機能は、プロセッサがソフトウェアを実行することにより実現される。操作部１２０は、たとえばキーボード、マウス、タッチパネルなどのユーザインターフェイスにより構成される。一次データ記憶部１１１、二次データ記憶部１１２、結果データ記憶部１１３、モデル記憶部１１４は、典型的には、コンピュータが備える不揮発性の記憶装置により構成される。

【0054】

（動作について）
図６は、本実施の形態に係る学習装置１００による予測モデルの生成方法を示すフローチャートである。図６に示すモデル生成処理は、学習装置１００のプロセッサがメモリに予め記憶された学習プログラムを実行することにより実現される。なお、この処理は、操作部１２０を介してユーザにより学習開始の指示が入力されたことに応じて開始される。本実施の形態では、この処理が開始される前に、一次データ記憶部１１１に、複数のサイクル測定データＤＴ１がサイクルＮｏ．および金型パターンデータと対応付けて時系列で記憶されているものとする。また、結果データ記憶部１１３には、複数のサイクル結果データＤＴ３がサイクルＮｏ．と対応付けて記憶されているものとする。

【0055】

図６を参照して、学習装置１００は、ワークＷの品番およびワークパターンの組み合わせの中から一つの金型パターンを（所定の順序で）特定し（ステップＳ２）、一次データ記憶部１１１において、その金型パターンに対応付けられたサイクル測定データＤＴ１を検索する（ステップＳ４）。

【0056】

その後、形式変換部１０２が、検索された（対象の）サイクル測定データＤＴ１を、一次データ記憶部１１１から全て読み出して（ステップＳ６）、読み出した各サイクル測定データＤＴ１を、サイクル特徴データＤＴ２に変換する（ステップＳ８）。つまり、形式変換部１０２は、サイクル測定データＤＴ１に含まれる各データに基づいて、上記表１に示した複数種類の特徴量を算出し、サイクル特徴データＤＴ２として二次データ記憶部１１２に記録する。ここで、「フレーム振動」の特徴量の算出例について、図７および図８を参照して説明する。

【0057】

図７（Ａ）は、時間軸に沿ったスライド１のストロークを示すグラフである。図７（Ｂ），（Ｃ）は、図７（Ａ）と同一の時間軸に沿った振動（パルス）の大きさの推移を示すグラフであり、縦軸の単位は一例として「ｍ／ｓ^２」である。図８（Ｂ）は、図７（Ａ）と同じく、スライド１のストロークを示すグラフである。図８（Ａ）は、同一の時間軸に沿ったブレーキ緩み信号を示すグラフである。図８（Ｃ）は、図７（Ｂ），（Ｃ）と同じく、振動（パルス）の大きさの推移を示すグラフである。図８（Ｄ）は、周波数を横軸（単位：Ｈｚ）としたパワースペクトル密度の推移を示すグラフである。なお、ここでは、たとえばフレーム３の後方左側の支柱３ｃに取り付けられた振動計３５が検知した振動を示しているものとする。

【0058】

図７（Ｂ）を参照して、波高ベクトルの算出方法について説明する。形式変換部１０２は、ベースライン（所定値）ＢＬを上回っている区間ＴＳのパルスを抽出し、時間軸に沿って、抽出された区間ＴＳを短冊状にｄ個に分割する。そして、パルスデータをｄ次元ベクトル（ｐ＝［ｈ_１，ｈ_２，・・・，ｈ_ｊ，・・・，ｈ_ｄ］）に加工し、波高ベクトルを算出する。ただし、「ｈ_ｊ」は個々の短冊内の平均値とする。

【0059】

図７（Ｃ）を参照して、時刻ベクトルの算出方法について説明する。形式変換部１０２は、区間ＴＳ内のパルスを、波高方向にｄ_ｗ個に分割し、この分割線（水平線）と交差する２ｄ_ｗ個の時間を取得する。そして、時間データを２ｄ_ｗ次元ベクトル（ｑ＝［ｗ_１，ｗ_２，・・・，ｗ_ｊ，・・・，ｗ_２ｄ］）に加工し、時刻ベクトルを算出する。ただし、「ｗ_ｊ」には、パルス頂点位置に対する外側の交差点を２つ選択するものとする。たとえば、分割線Ｌｘに注目すると、外側の交差点の時間ｔ１，ｔ４を選択し、時間ｔ２，ｔ３は選択しない。時間ｔ１は、金型５１～５３の上型がワークＷに接触し始める時間に相当し、時間ｔ４は、金型５１～５３の上型がワークＷから離れ始める時間に相当する。

【0060】

図８を参照して、周波数ベクトルの算出方法について説明する。形式変換部１０２は、図８（Ｃ）に示す振動波形から、３種類の解析区間、すなわち「ストローク前区間」、「金型接触前区間」、および「金型接触中区間」を切り出す。「ストローク前区間」は、図８（Ａ）に示すブレーキ緩み信号がＯＮとなった時点ｔ１１よりも前の区間である。「金型接触前区間」は、時点ｔ１１から、図８（Ｂ）に示すストローク位置が金型接触位置となった時点ｔ１２までの区間である。「金型接触中区間」は、時点ｔ１２から、図８（Ａ）に示すブレーキ緩み信号がＯＦＦとなった時点ｔ１３までの区間である。

【0061】

形式変換部１０２は、解析区間ごとに、振動信号をフーリエ変換し、パワースペクトル密度ＰＳＤを算出する。図８（Ｄ）には、周波数が０～ｆｓ／２Ｈｚまでのパワースペクトル密度の波形が示されている。「ｆｓ」はサンプリング周波数であり、この例では、ｆｓ／２＝５０である。

【0062】

形式変換部１０２は、たとえば下限周波数ｆ_ｍｉｎ＝０、上限周波数ｆ_ｍａｘ＝ｆｓ／２と定めて、この区間ＦＳを短冊状にｄ個（たとえば２０個）に分割し、区間ＦＳ内のパワースペクトル密度ＰＳＤを、波高ベクトルと同様に、ｄ次元ベクトル（ｐ＝［ｈ_１，ｈ_２，・・・，ｈ_ｊ，・・・，ｈ_ｄ］、ただし「ｈ_ｊ」は個々の短冊内の平均値）に加工する。これにより、解析区間ごとの周波数ベクトルが得られる。

【0063】

なお、３種類の解析区間のうち、金型５１～５３との関連性が強い「金型接触中区間」の周波数ベクトルのみ算出してもよい。つまり、「ストローク前区間」および「金型接触前区間」の周波数ベクトルは、サイクル特徴データＤＴ２に含めなくてもよい。

【0064】

また、周波数ベクトルの算出に用いた解析区間を、上記した波高ベクトルの算出に用いてもよい。すなわち、図８（Ｃ）に模式的に示すように、各解析区間を短冊状にｄ個（たとえば２０個）に分割し、解析区間ごとに、パルスデータをｄ次元ベクトルに加工して、波高ベクトルを算出してもよい。この場合も、形式変換部１０２は、「金型接触中区間」の波高ベクトルのみを算出してもよい。

【0065】

上記のような手法で算出された振動波高ベクトル、振動時刻ベクトル、および振動周波数ベクトルの少なくとも一つを含むサイクル特徴データＤＴ２が、対象のサイクル測定データＤＴ１と同じサイクルＮｏ．に対応付けて二次データ記憶部１１２に記録される。図５に示したように、サイクル特徴データＤＴ２は、対象の金型パターンデータにも対応付けられて記憶されてもよい。

【0066】

再び図６を参照して、次に、学習部１０４が、ステップＳ６で読み出したサイクル測定データＤＴ１に対応するサイクル結果データＤＴ３を、結果データ記憶部１１３から全て読み出す（ステップＳ１０）。具体的には、対象のサイクル測定データＤＴ１と同じサイクルＮｏ．に対応付けられたサイクル結果データＤＴ３を読み出す。これにより、ステップＳ８で得られた各サイクル特徴データＤＴ２に対応する結果データ（つまり、各型５０の異常の有無を示すデータ）が抽出される。

【0067】

学習部１０４は、ステップＳ８で得られたサイクル特徴データＤＴ２と、ステップＳ１０で読み出されたサイクル結果データＤＴ３との相関を機械学習する（ステップＳ１２）。すなわち、学習部１０４は、複数種類の特徴量を入力とし、各型５０（個々の金型）に対する異常の有無、すなわち金型状態を出力とする、予測モデルを生成する。学習部１０４は、予測モデルを生成すると、ステップＳ２で特定された金型パターン（品番、ワークパターン）を識別する金型識別情報に関連付けて、モデル記憶部１１４に記憶する（ステップＳ１４）。

【0068】

ワークＷの品番およびワークパターンの組み合わせのうち、未処理の金型パターンがある場合（ステップＳ１６にてＹＥＳ）、ステップＳ２に戻り、上記処理を繰り返す。全ての金型パターンに対する処理が完了すると（ステップＳ１６にてＮＯ）、一連のモデル生成処理を終了する。これにより、モデル記憶部１１４には、ワークＷの品番およびワークパターンの組み合わせの数だけ、予測モデルＭ１，Ｍ２，・・・が記憶される。図５の例では、予測モデルＭ１が、品番“３０”、ワークパターンＮｏ.“１５”の学習済モデルであり、予測モデルＭ２が、品番“８０”、ワークパターンＮｏ. “１５”の学習済モデルであることが示されている。

【0069】

上述のように、本実施の形態によれば、荷重ピーク値または荷重増加傾きを含む荷重特徴量に加えて、少なくとも、左側（上流側）の支柱３ｃの振動特徴量と、右側（下流側）の支柱３ｄの振動特徴量とが、予測モデルの説明変数に用いられる。複数の金型５１～５３のうちのいずれかに異常が発生すると、その位置（工程）により、左右の振動特徴量に差が生じたり、ほとんど差がなくても両方の振動特徴量が異常値となったりするので、左右の振動特徴量を予測モデルの説明変数に含めることにより、金型５１～５３のどれに異常が発生したかを予測することができる。また、本実施の形態では、予測モデルの説明変数に、型５０ごとの温度データ、潤滑液量データ、およびショット数データの少なくとも一つを加えることにより、金型５１～５３の上型、下型のいずれに異常が発生したかを精度良く予測することが可能となる。

【0070】

＜異常予測装置＞
（機能構成について）
図９は、本実施の形態に係る異常予測装置２００の機能構成を示すブロック図である。異常予測装置２００は、モデル記憶部２１３と、データ取得部２０２と、形式変換部２０３と、予測部２０４と、出力部２３０とを主に備えている。

【0071】

モデル記憶部２１３は、学習装置１００により生成された複数の予測モデルＭ１，Ｍ２，・・・を予め記憶している。モデル記憶部２１３においても、各予測モデルは、金型識別情報に対応付けて記憶されている。学習装置１００および異常予測装置２００は、たとえばネットワークを介して接続されており、異常予測装置２００の通信部（図示せず）が、学習装置１００の通信部（図示せず）から、モデル記憶部１１４に記憶された予測モデルＭ１，Ｍ２，・・・を受信して、受信した予測モデルＭ１，Ｍ２，・・・をモデル記憶部２１３に格納している。あるいは、着脱可能な記録媒体を用いて、学習装置１００のモデル記憶部１１４に記憶された予測モデルＭ１，Ｍ２，・・・を、モデル記憶部２１３に格納してもよい。

【0072】

データ取得部２０２は、プレス機１１の運転開始後に、プレスサイクルごとに、学習装置１００におけるサイクル測定データＤＴ１と同種の測定データ（サイクル測定データ）ＤＴ１１を、金型パターンデータとともに取得する。

【0073】

形式変換部２０３は、学習装置１００の形式変換部１０２と同様に、特徴量算出手段として機能する。すなわち、サイクル測定データＤＴ１１に基づいて、上記表１に示した複数種類の特徴量を算出し、これらの特徴量を含むサイクル特徴データＤＴ１２を生成する。

【0074】

予測部２０４は、まず、取得した金型パターンデータに基づいて、サイクルごとに、金型５１～５３の異常予測に用いる予測モデルを判別する。具体的には、モデル記憶部２１３に記憶された複数の予測モデルＭ１，Ｍ２，・・・のうち、今回のサイクルにおける金型パターンに対応する予測モデルを判別する。そして、サイクル特徴データＤＴ１２に含まれる複数種類の特徴量を、判別された予測モデルに入力して、金型５１～５３の異常の有無を予測する。つまり、予測モデルが出力する「金型状態」が、予想結果となる。

【0075】

出力部２３０は、予測部２０４による予測結果を出力する。出力部２３０は、プレスサイクルごとに、各型５０の異常の有無を出力する。また、表１に列挙したデータ項目の重要度（予測結果への影響度合）や予測結果の確信度をさらに出力してもよい。

【0076】

上述のデータ取得部２０２、形式変換部２０３、予測部２０４の機能は、プロセッサがソフトウェアを実行することにより実現される。モデル記憶部２１３は、典型的には、コンピュータが備える不揮発性の記憶装置により構成される。出力部２３０は、典型的には、予測結果を表示する表示部により構成される。なお、出力部２３０は、ＰＬＣ４０を介して、またはＰＬＣ４０を介することなく、図１に示したモニタリングＰＣ４２に予測結果を出力する通信部などにより構成されてもよい。

【0077】

（動作について）
図１０は、本実施の形態に係る異常予測装置２００による金型５１～５３の異常予測方法を示すフローチャートである。図１０に示す異常予測処理は、異常予測装置２００のプロセッサがメモリに予め記憶された異常予測プログラムを実行することにより実現される。

【0078】

図１０を参照して、プレス機１１の運転が開始されると、データ取得部２０２が、鍛造プレス装置１０が備える所定のセンサ類からの出力データを含むサイクル測定データＤＴ１１を、金型パターンデータとともに取得する（ステップＳ２６）。

【0079】

続いて、形式変換部２０３は、ステップＳ２６においてデータ取得部２０２が取得したサイクル測定データＤＴ１１を、サイクル特徴データＤＴ１２に変換する（ステップＳ２８）。つまり、形式変換部２０３は、サイクル測定データＤＴ１１に含まれる各データに基づいて、上記表１に示した複数種類の特徴量を算出する。

【0080】

また、予測部２０４は、ステップＳ２６においてデータ取得部２０２が取得した金型パターンデータに基づいて、モデル記憶部２１３に記憶された複数の予測モデルＭ１，Ｍ２，・・・のうち、今回使用する予測モデルを判別する（ステップＳ２９）。予測モデルの判別処理は、データ形式の変換処理と並行して行われてもよい。

【0081】

予測部２０４は、ステップＳ２８で得られたサイクル特徴データＤＴ１２（つまり、１サイクル分の複数種類の特徴量）を、ステップＳ２９で判別された予測モデルに入力し、プレスサイクルごとに、各型５０の異常の有無を予測する（ステップＳ３０）。

【0082】

出力部２３０は、予測モデルの出力である予測結果、すなわち各型５０の異常の有無を出力する（ステップＳ３２）。一例として、図９に示されるように、金型５１の上型（金型Ｉ上）、金型５１の下型（金型Ｉ下）、金型５２の上型（金型ＩＩ上）、・・・、金型５３の下型（金型ＩＩＩ下）それぞれについて、異常の有無が表示される。これにより、異常の可能性のある型５０を容易に特定することができる。なお、上型、下型の区別なく、金型５１～５３の異常予測結果を出力してもよい。

【0083】

また、出力部２３０は、表１に列挙したデータ項目の、ステップＳ３０での予測結果（予測モデルの出力）への影響度合を、たとえばグラフ化して出力するとともに、ステップＳ３０での予測結果の確信度を、数値（％）として出力する（ステップＳ３３）。確信度は、型５０ごとの予測結果（異常あり／異常なし）に対して出力されてもよい。

【0084】

このように、本実施の形態では、ｉ）金型５１～５３の異常予測結果、ｉｉ）予測結果に対する各データ項目の重要度、ｉｉｉ）予測結果の確信度、が出力される。これにより、予測結果に対する措置を容易に講ずることができる。

【0085】

上記ステップＳ２６～Ｓ３３の処理は、プレス運転が終了するまで繰り返し実行される（ステップＳ３４にてＮＯ）。

【0086】

以上説明したように、本実施の形態に係る金型異常予測システムＳＹＳは、学習装置１００を備えている。そのため、異常予測装置２００は、学習装置１００が生成した予測モデルを用いることにより、作業者の経験に頼ることなく金型５１～５３の異常を検出（予測）することができる。金型５１～５３は、他のパーツに比べて故障頻度が高いため、本実施の形態によれば、作業者の負担を軽減することができる。

【0087】

また、本実施の形態では、金型５１～５３の異常の有無を、プレスサイクルごとにリアルタイムで予測できるので、金型５１～５３の異常を早期に発見することができる。したがって、プレス機１１により不良品が量産されてしまうことを防止または抑制できる。なお、予測モデルによりいずれかの型５０の異常が予測された場合に、プレス機１１の運転を自動で停止するようにしてもよい。

【0088】

（変形例）
本実施の形態では、振動計３５が、フレーム３の後方側の支柱３ｃ，３ｄに取り付けられ、後方側の支柱３ｃ，３ｄの振動特徴量を異常予測に用いる例について説明したが、限定的ではなく、振動計３５を正面側の支柱３ａ，３ｄに取り付けて、後方側の支柱３ｃ，３ｄの振動特徴量を異常予測に用いてもよい。あるいは、振動計３５を、４本の支柱３ａ～３ｄの全てに取り付けて、４本の支柱３ａ～３ｄの振動特徴量を異常予測に用いてもよい。

【0089】

また、本実施の形態では、学習部１０４が、各型５０の異常の有無を出力とする予測モデルを生成することとしたが、上型、下型の区別なく、プレス機１１が備える工程ごとの金型５１～５３に対する異常の有無を出力とする予測モデルを生成してもよい。

【0090】

また、本実施の形態では、プレス機１１が金型５１～５３を搭載する例について説明したが、金型の個数は３個に限定されない。また、金型は、複数個に限定されず、１個であってもよい。

【0091】

また、異常予測装置２００のモデル記憶部２１３には、予め予測モデルＭ１，Ｍ２，・・・が記憶されることとしたが、学習装置１００による機械学習に応じて、モデル記憶部２１３の予測モデルＭ１，Ｍ２，・・・が更新されてもよい。あるいは、異常予測装置２００が学習装置１００の機能を有していてもよい。

【0092】

また、本実施の形態では、鍛造プレス装置１０が異常予測装置２００を備えることとしたが、限定的ではなく、異常予測装置２００はオフラインで金型５１～５３の異常の有無を予測してもよい。

【0093】

なお、学習装置１００により実行される学習方法を、プログラムとして提供することもできる。同様に、異常予測装置２００により実行される金型５１～５３の異常予測方法を、プログラムとして提供することもできる。このようなプログラムは、ＣＤ－ＲＯＭ（Compact Disc-ROM）などの光学媒体や、メモリカードなどのコンピュータ読取り可能な一時的でない（non-transitory）記録媒体にて記録させて提供することができる。また、ネットワークを介したダウンロードによって、プログラムを提供することもできる。

【0094】

本発明にかかるプログラムは、コンピュータのオペレーティングシステム（ＯＳ）の一部として提供されるプログラムモジュールのうち、必要なモジュールを所定の配列で所定のタイミングで呼出して処理を実行させるものであってもよい。その場合、プログラム自体には上記モジュールが含まれずＯＳと協働して処理が実行される。このようなモジュールを含まないプログラムも、本発明にかかるプログラムに含まれ得る。

【0095】

また、本発明にかかるプログラムは他のプログラムの一部に組込まれて提供されるものであってもよい。その場合にも、プログラム自体には上記他のプログラムに含まれるモジュールが含まれず、他のプログラムと協働して処理が実行される。このような他のプログラムに組込まれたプログラムも、本発明にかかるプログラムに含まれ得る。

【0096】

今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

【符号の説明】

【0097】

３ フレーム、３ａ，３ｂ，３ｃ，３ｄ 支柱、１０ 鍛造プレス装置、１１ プレス機、２０ 荷重センサ、３５ 振動計、５１，５２，５３ 金型、１００ 学習装置、１０１，２０２ データ取得部、１０２，２０３ 形式変換部、１０３ 結果取得部、１０４ 学習部、１１１ 一次データ記憶部、１１２ 二次データ記憶部、１１３ 結果データ記憶部、１１４，２１３ モデル記憶部、１２０ 操作部、２００ 異常予測装置、２０４ 予測部、２３０ 出力部、ＤＴ１，ＤＴ１１ サイクル測定データ、ＤＴ２，ＤＴ１２ サイクル特徴データ、ＤＴ３ サイクル結果データ、Ｍ１，Ｍ２ 予測モデル、ＳＹＳ 金型異常予測システム、Ｗ ワーク。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】