| Project/Area Number |
22K04160
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 21040:Control and system engineering-related
|
|---|
| Research Institution | Kagawa National College of Technology |
|---|
Principal Investigator |
漆原 史朗 香川高等専門学校, 電気情報工学科, 教授 (90311092)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
吉岡 崇 香川高等専門学校, 電気情報工学科, 講師 (40824412)
高橋 洋一 香川高等専門学校, 機械工学科, 准教授 (70442473)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥3,640,000 (Direct Cost: ¥2,800,000、Indirect Cost: ¥840,000)
Fiscal Year 2024: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2023: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2022: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
|
|---|
| Keywords | 深層学習に基づくデータ圧縮 / 深層学習の学習効率 / 熟練技能の特徴解析 / 熟練技能の可視化 / 機械インピーダンスモデル / 熟練技能データの獲得 / へら絞り / LSTM / 熟練技能データの特徴解析 / 卓上スピニング加工機 / 熟練技能 / データ圧縮技術 / スマート加工システム / 深層学習 |
|---|
| Outline of Research at the Start |
熟練技能の大容量の作業データや時系列データを入力変数として取り扱うことのできる時系列データ特化型の深層学習モデルであるLSTM（Long Short-Term Memory）を用いて熟練技能データの圧縮化を図る。さらに、従来の力覚センサと同等の計測精度を有するセンサレス力覚フィードバック系を構築し、加工システムの低コスト化と小型化の実現を図る。最終目標として提案するセンサレス加工システムにおける熟練技能の再現性に対して、実際の成果物の仕上がり具合に基づいて定量的に評価するなどスマート加工システムの基本技術を確立する。
|
| Outline of Annual Research Achievements |
令和5年度においては，昨年度作成した卓上スピニング加工機を用いて獲得した技能データから作業者の機械インピーダンスモデルをに基づく特徴解析と深層学習一手法であるLong Short-Term Memory (LSTM) を用いた技能データの圧縮技術について研究を進めた。
まず，熟練技能データの特徴解析においては，作業者の手首を含めた工具の扱い方を機械インピーダンスモデルで可視化する手法について検討した。具体的には，手の扱い方をばね－ダンパー系としてモデル化を行い，技能データの工具の作業角度と押しつけ力の入出力関係からパラメータ同定を行った。パラメータ同定法としてAdamを採用してばね定数とダンパー定数の同定を行ったが，両パラメータが一定値に収束せずモデル化誤差も零収束しなかった。そこで，インピーダンスモデルを時変パラメータとして扱った場合，もはやダンパ定数は必要なく押しつけ力を工具の作業角度で除算することで簡単に求めることができ，対象とする加工物の厚みに応じてばね定数の時間変化を分析した。素材厚みとの関係として，作業終わりのばね定数の最終値が最も高い相関があることを確認できた。
一方，深層学習の一手法であるLong Short-Term Memory (LSTM) を用いた熟練技能データの圧縮方法については，ハイパーパラメータの最適値設定を行い，素材厚み情報に応じたLSTMの学習効率について検証した。工具位置の過去10ステップの時系列データと厚み情報として一定値信号入力し，次ステップの押しつけ力を教師信号として与える深層学習を行ってた。3種類の厚み（0.3，0.4，0.5mm）について，厚みが異なる時系列データをまとめて学習した場合と1種類のみの学習結果との比較検証を行った。学習精度については，1種類のみの場合の方がばらつきも小さく学習効率が高いことがわかった。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
令和5年度は試作した実機を用いて取得した時系列データの計測ノイズ除去などを行い，教師データとなるデータセットを各素材厚みに対して50セットのデータセットを獲得した。さらに，分担者高橋と学生1名によって成果物の厚みや外形を測るレーザー変位計を用いて製造物の加工精度の評価も行っている。これらの結果により，加工精度の評価と技能データを紐付けしてより効率の高いLSTMの学習方法を検討予定であったが，本年度においては素材厚みに応じた学習効率について検証を行った。
一方で，熟練技能データの特徴解析の手法として，作業者の手首を含めた工具の扱い方を機械インピーダンスモデルで可視化する方法について検討を行った。押しつけ力を工具の作業角度で除算することで簡単に求めることができるバネのみを有する時変インピーダンスモデルを用いることで技能データの善し悪しの作業パターンを判断する一つの手法としての可能性を見出すことができた。具体的には，得られたパラメータが加工物の厚み，加工精度によってどのように変化するかをパラメータであるばね定数の最大値，最終値，変化率を指標とし分析した。分析結果から加工素材の厚みが大きいほど加工時間以外のパラメータの指標が大きくなることを確認できた。しかしながら，加工精度との関連性についても分析したがどの指標においても強い相関を見出すことができなかった。
また，3種類の厚み（0.3，0.4，0.5mm）について，厚みが異なる時系列データをまとめて学習した場合と1種類のみの学習との比較検証を行い，学習効率について検討できた。前年度の成果であるLSTMの汎化能力の検証と合わせると，計画通りに進展しているものと判断している。
|
| Strategy for Future Research Activity |
最終年度においては，令和5年度に作業者の手首を含めた工具の扱い方を機械インピーダンスモデルで可視化できることから，工具からアルミ加工物に力を加える力制御系を構築してインピーダンス制御系へと拡張を図る。その後，深層学習を行ったLSTMを用いて実際に加工を行うなど，インピーダンス制御の精度と加工精度の両面から技能の再現性を検証する。ここで，構築する制御系は直線運動による力制御系となるため，摩擦などの非線形特性の影響が顕著となることが想定される。そのため，非線形摩擦の影響を軽減しつつ高精度な力制御系を搭載した新たなインピーダンス制御系の設計手法について検討する。
そのため，制御系設計ソフトの年間ライセンスとして250千円，数値解析用高性能PCとして250千円，工具を駆動するシステム開発費として400千円を計上する。
|
