JP7779779B2 - 性能予測システムおよび性能予測方法 - Google Patents

Description

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に荷重をかけた際のたわみ量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。

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。

下記特許文献１には、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の設計図面の情報からデント剛性を予測するデント剛性予測方法が開示されている。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、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。

このようして、開発の前半においてデント剛性を求め、デント剛性の評価が遅れることによる開発の遅れを未然に防止している。

特開２００７－３３０６７号公報（特許第４５６８１８６号）

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。また、これらの測定結果には、作業者によってばらつきが発生するため、このばらつきによって、予測する測定点の変位（デント剛性）の精度にも影響がでる、という問題があった。

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に負荷をかけた際のたわみ量の算定にかかる時間を大幅に短縮するとともに、デント性能を安定的かつ高精度に予測可能な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。

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ものである。たとえば、前記パネルに一様に設けられた負荷点周辺の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説明変数とし、各負荷点における説明変数と負荷点に一定の荷重をかけた際のたわみ量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を備える。そして、モデル生成手段が、前記記憶手段から読み出したデータセットを用いて、前記パネルの任意の箇所である性能予測点に一定の荷重をかけた際のたわみ量を予測する性能予測モデルを機械学習により生成し、性能予測手段が、性能予測点周辺の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、性能予測点に一定の荷重をかけた際のたわみ量を予測することを特徴とする。

また、本発明にかかる性能予測システムにおいて、前記記憶手段には、前記パネルの３Ｄ設計情報と、前記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、既知の手法で取得した各負荷点におけるたわみ量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手段が、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）に配置し、負荷点または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、当該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こととした。

これにより、データセット生成手段は、前記点群座標データ生成手段により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、前記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、前記既知の手法で取得した各負荷点におけるたわみ量とに基づいて、モデル生成のための前記データセットを生成することができる。また、入力データ生成手段は、前記点群座標データ生成手段により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、前記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ことができる。

したがって、本発明にかかる性能予測システムによれば、性能予測モデル導入により、自動車用の各種パネルの任意の位置（性能予測点）に負荷をかけた際のたわみ量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、性能予測モデルの利用により、作業者によってばらつきが発生することがなくなるため、デント性能を安定的かつ高精度に予測することができる。

また、本発明にかかる性能予測システムにおいては、性能予測点に一定の荷重をかけた際のたわみ量の予測の結果を表示するとともに、前記３Ｄ座標空間上に配置された前記パネルを３Ｄ画像で表示する表示手段をさらに備えることが望ましい。

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、たとえば、前記パネルに一様に設けられた負荷点周辺の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説明変数とし、各負荷点における説明変数と負荷点に一定の荷重をかけた際のたわみ量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、前記パネルの任意の箇所である性能予測点に一定の荷重をかけた際のたわみ量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、性能予測点周辺の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、性能予測点に一定の荷重をかけた際のたわみ量を予測する性能予測ステップと、前記予測の結果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。

また、本発明にかかる性能予測方法において、前記メモリには、前記パネルの３Ｄ設計情報と、前記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、既知の手法で取得した各負荷点におけるたわみ量とを予め記憶することとした。

そして、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、前記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、前記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、前記既知の手法で取得した各負荷点におけるたわみ量とに基づいて、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、を含むこととした。

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、前記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、前記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、を含むこととした。

したがって、本発明にかかる性能予測方法によれば、性能予測モデル導入により、自動車用の各種パネルの任意の位置（性能予測点）に負荷をかけた際のたわみ量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、性能予測モデルの利用により、作業者によってばらつきが発生することがなくなるため、デント性能を安定的かつ高精度に予測することができる。

また、本発明にかかる性能予測方法においては、前記３Ｄ座標空間上に配置された前記パネルを３Ｄ画像でディスプレイに表示する表示ステップをさらに含むことが望ましい。

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に負荷をかけた際のたわみ量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、デント性能を安定的かつ高精度に予測することができる。

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は、エンジンフードの３Ｄ画像の一例を示す図である。 図５は、断面形状の取得位置を示す図である。 図６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７は、点群座標データの一例を示す図である。 図８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９は、機械学習によるモデルの評価結果を示す図である。 図１０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１１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１２は、性能予測処理の一例を示すフローチャートである。

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。

＜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に荷重をかけた際のたわみ量（デント性能）を予測する処理（以下、性能予測処理と呼ぶ。）およびたわみ量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。

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。

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に荷重をかけた際のたわみ量を予測する性能予測プログラムと、たわみ量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、板厚および性能や、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。

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。

＜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詳細に説明する。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。

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、上記学習モデルの一例として、自動車のエンジンフードの任意の位置に所定の荷重（たとえば、一定の荷重）をかけた際のたわみ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。

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。

また、本実施形態においては、エンジンフードの所定位置（負荷点：たとえば１４３カ所）に一定の荷重をかけた際の、各負荷点におけるたわみ量を予め取得しておき、それらのたわみ量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、各負荷点におけるたわみ量（性能情報）を取得する。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形等が解析される。

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解析を行い各負荷点におけるたわみ量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負荷点におけるたわみ量を取得することとしてもよい。また、本実施形態のおいては、一例として、荷重を加える負荷点を１４３カ所としたが、これに限るものではなく、要求される性能予測の精度等に応じて、たとえば、１４３か所以上であることが望ましい。すなわち、荷重を加える負荷点は、パネル全体に一様（均一にバラ付いていること）に設けられていればよく、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、図２においては、性能予測システム１の制御部１１の機能ブロックとして、ＣＡＤシステム２４およびＣＡＥシステム２５を制御部１１内に含め実現することとしたが、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。

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たわみ量とを用いて、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。

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４は、エンジンフードの３Ｄ画像の一例を示す図である。

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（１４３カ所カ所分）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５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５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５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。

図６（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５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。

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６（ｃ）および（ｄ）は、たとえば、図５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７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。

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ＣＡＥ解析により取得し記憶しておいた負荷点毎のたわみ量（性能情報）とを読み出し、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、負荷点毎のたわみ量を紐づけて、機械学習のためのデータセットを生成する（ステップＳ５）。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、予め取得しておいたその負荷点のたわみ量を目的変数（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データセットである。そして、データセット生成部２２は、生成したデータセットを記憶部１２に記憶する。

図８は、性能予測モデルを生成するためのデータセット（負荷点１４３カ所分のデータセットうちの性能予測モデルを生成するための１２０カ所分のデータセット）の一例を示す図である。制御部１１の機械学習部２３は、図８に示す負荷点１２０カ所分のデータセットを記憶部１２から読み出し、機械学習アルゴリズムの１つであるニューラルネットワークを利用して、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、たとえば、自動車のエンジンフードの任意の箇所に一定の荷重をかけた際のたわみ量を予測する性能予測モデルを生成する（ステップＳ６）。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、自動車のエンジンフードの３Ｄ形状データ（たとえば、負荷点毎の点群座標データ）、材質および板厚と、エンジンフードの各負荷点に一定の荷重をかけた際のたわみ量と、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任意の箇所に一定の荷重をかけた際のたわみ量を予測する性能予測モデルを生成する。

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１４３件（負荷点：１４３カ所分）のデータセットを用意した。そのうち、１２０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、４０件を評価用データとして使用する。そして、残りの２３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、予め取得しておいたたわみ量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、決定係数Ｒ２が０．８～０．９の範囲）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平均二乗誤差（ＭＳＥ：Mean Squared Error）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。

図９は、機械学習によるモデルの評価結果を示す図であり、たとえば、学習の程度（Ｅｐｏｃｈｓ）に対する平均二乗誤差および平均絶対誤差の推移を示したものである。図９に示すとおり、本実施形態の性能予測モデルは、学習が進むほど平均二乗誤差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：５０くらいからは平均二乗誤差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：５０程度が適していると言える。

また、図１０は、テスト用データの２３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（たわみ量）と、教師データ（実測値：予め取得しておいたたわみ量）とをプロットし、その結果を観察した。図１０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決定係数Ｒ２＝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２３カ所のたわみ量）の近似曲線は、決定係数Ｒ２＝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。

＜機械学習アルゴリズムの一例＞
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（CNN：Convolution Neural Network）や再帰型ニューラルネットワーク（RNN：Recurrent Neural Network）等の既知のニューラルネットワークである。制御部１１の機械学習部２３は、たとえば、ニューラルネットワークの出力層の出力である予測結果（たわみ量）と教師データ（たわみ量）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（Epochs）数にわたって繰り返し学習を行う。

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。

＜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詳細に説明する。図１１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１２は、性能予測処理の一例を示すフローチャートである。

図１１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、上記で生成した学習モデル（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（たわみ量を知りたい任意の箇所）のたわみ量を予測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に一定の荷重をかけた際のたわみ量を予測する。

具体的には、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４参照）。

つぎに、作業者による入力部１３の操作により、たわみ量を知りたいエンジンフード上の任意の位置である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５および図６参照）。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）。

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６（ｃ）、（ｄ）および図７参照）、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）。

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）。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。

性能予測部２７は、入力データ生成部２６により生成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（たわみ量を知りたい任意の箇所）のたわみ量を予測する（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に一定の荷重をかけた際のたわみ量（性能予測点におけるたわみ量）を予測する。そして、性能予測点におけるたわみ量は、性能予測値として表示部１５に表示される。

＜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、荷重に対するたわみ量を予測するものである。具体的には、エンジンフードに一様に設けられた負荷点周辺の点群の点群座標データ（図７参照）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説明変数とし、各負荷点における説明変数（入力データ）と負荷点に一定の荷重をかけた際のたわみ量である目的変数（教師データ）とを負荷点毎に紐づけたデータセット（図８参照）を記憶する記憶部１２を備え、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、エンジンフードの性能予測点に一定の荷重をかけた際のたわみ量を予測する性能予測モデルを機械学習により生成する。そして、性能予測部２７が、エンジンフードの任意の箇所である性能予測点周辺の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、性能予測点に一定の荷重をかけた際のたわみ量を予測する。

さらに、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、既知の手法で予め取得しておいた各負荷点におけるたわみ量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）に配置し、負荷点または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、当該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こととした。

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、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におけるたわみ量とに基づいて、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、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。

このように、本実施形態の性能予測システム１によれば、性能予測モデル導入により、自動車用の各種パネルの任意の位置（性能予測点）に負荷をかけた際のたわみ量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、性能予測モデルの利用により、作業者によってばらつきが発生することがなくなるので、デント性能を安定的かつ高精度に予測することができる。

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。

また、本実施形態においては、金属製パネルの任意の位置に一定の荷重をかけた際のたわみ量を予測する性能予測モデルを生成することとしたが、たとえば、説明変数として荷重の情報（荷重の大きさ、荷重方向等）を加えることにより、荷重の大きさや荷重方向に対応するたわみ量を予測する性能予測モデルを生成することも可能である。

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

Claims (5)

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、
   前記パネルに一様に設けられた負荷点周辺の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説明変数とし、各負荷点における説明変数と負荷点に一定の荷重をかけた際のたわみ量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、前記パネルの任意の箇所である性能予測点に一定の荷重をかけた際のたわみ量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、
   性能予測点周辺の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、性能予測点に一定の荷重をかけた際のたわみ量を予測する性能予測手段と、
   を備える、
   ことを特徴とする性能予測システム。
2. 前記記憶手段には、前記パネルの３Ｄ設計情報と、前記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、既知の手法で取得した各負荷点におけるたわみ量とを予め記憶することとし、
   さらに、
   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）に配置し、負荷点または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、当該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手段と、
   前記点群座標データ生成手段により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、前記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、前記既知の手法で取得した各負荷点におけるたわみ量とに基づいて、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手段と、
   前記点群座標データ生成手段により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、前記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手段と、
   を備える、
   ことを特徴とする請求項１に記載の性能予測システム。
3. 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、
   前記パネルに一様に設けられた負荷点周辺の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説明変数とし、各負荷点における説明変数と負荷点に一定の荷重をかけた際のたわみ量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、前記パネルの任意の箇所である性能予測点に一定の荷重をかけた際のたわみ量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、
   性能予測点周辺の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、性能予測点に一定の荷重をかけた際のたわみ量を予測する性能予測ステップと、
   前記予測の結果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。
4. 前記メモリには、前記パネルの３Ｄ設計情報と、前記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、既知の手法で取得した各負荷点におけるたわみ量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、
   前記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、前記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、前記既知の手法で取得した各負荷点におけるたわみ量とに基づいて、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３に記載の性能予測方法。
5. 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、
   前記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、前記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４に記載の性能予測方法。