logo

 >>学術活動カレンダー表示

機関誌

2021年7月号バックナンバー

2021年8月2日更新

巻頭言

「積層造形とAFP の非破壊評価」特集号刊行にあたって

伊藤 海太

日本非破壊検査協会「新素材に関する非破壊試験部門」は,宇宙航空分野を主たるターゲットとして,広く「新素材」に対する非破壊検査技術の確立を目指した調査・研究・開発を共通項として活動を行っている。そのため,当部門が取り扱う「新素材」は,主要なものだけでも,炭素繊維強化プラスチック(CFRP)などの複合材料,電子部品用の樹脂材料,耐熱部品用の溶射皮膜,各種コーティング・スパッタリングによる薄膜など,非常に多岐にわたっているが,我々はさらに,三次元複雑形状部材の生産プロセスとして近年プレゼンスを増しつつある積層造形(Additive Manufacturing)とAFP(Automated Fiber Placement)を正式に対象に加えることとした。これに相前後して本誌上で特集を企画する機会が頂けたので,今回は「積層造形とAFP の非破壊評価」と題し,最新の調査・研究・開発の一端を皆様にご紹介する。

積層造形による構造材は,既に大量生産も視野に入れた実用部材の一翼を担うようになり,年ごとに厳しい使用環境への適用も広がりつつある。先程も我々「新素材部門」の主たるターゲットであると紹介した宇宙航空分野は,特に部材に対して少量・多品種・複雑形状が求められることが多く,最近ではコストダウン競争が生き残りにも直結しつつあるため,積層造形やAFP の積極的活用が威力を発揮しやすい分野である。しかし一方で,極限環境での使用においても最高の信頼性が求められるという難しさは変わりなく,このことは,ますます非破壊検査の責任が重大になることを意味している。

このような状況を鑑みて,本特集号では,まず古賀洋一郎氏((株)3D Printing Corporation)に積層造形材ならではの非破壊検査適用上の課題について概論を頂いた。また,宇宙分野における最新の金属積層造形に関する事例を北本和也氏((国研)宇宙航空研究開発機構)にまとめて頂いた。航空分野からは,AFP 装置にリアルタイム品質検査システムを導入して生産性を高めたという,企業発の具体的な活用事例をPaul M. Haworth 氏(Electroimpact Inc.)にご紹介頂いた。最後に,非破壊検査法の開発事例として,私・伊藤海太((国研)物質・材料研究機構)より,アコースティック・エミッション法を用いた金属材料造形中の微小欠陥発生のリアルタイム検出法について紹介する。

本部門では,様々な「新素材」に対し,特定の非破壊検査手法にこだわらず,放射線透過試験法,超音波探傷試験法,渦電流探傷試験法,赤外線サーモグラフィ法,アコースティック・エミッション試験法など様々な手法を横断的に捉えて導入,ないし特定ターゲットに対する開発を行って,その非破壊検査技術を確立すべく,情報収集と技術交流を行っている。また,その成果はNDIS などの標準として普及させることも目的としている。年2 回の討論会と毎年3 月頃のシンポジウムはオープンな形式として開催しており,他部門との交流のための合同開催にも積極的に取り組んでいる。残念ながらCOVID-19の流行によって,2019 年度(2020 年3 月)のシンポジウムは中止,2020 年度(2021 年3 月)はミニシンポジウムとしてオンラインでの開催に留まっているが,ぜひ近いうちに,新素材のための新しい非破壊検査法に関して,また皆様と議論できる場が復活することを願っている。

最後に,今回の特集号刊行にあたり,ご多忙の中にもかかわらずご執筆をご快諾頂いた著者の皆様,海外を含めた調整を担ってくださった方々に,心より深謝申し上げる。

 

解説

積層造形とAFP の非破壊評価

3D プリント製造と非破壊検査

(株)3D Printing Corporation 古賀洋一郎

Non-Destructive Testing for Manufacturing by Three-dimensional Printing
3D Printing Corporation Yoichiro KOGA

キーワード:3Dプリント, 非破壊検査,メタマテリアル,ISRU,マスカスタマイズ

はじめに
近年各分野で成長著しい3D プリント(以下,Additive Manufacturing あるいはAM)技術は試作開発用あるいは研究対象としての段階を終え,実用技術として活用される技術へと成熟している。例えば,自動車産業で言えば,ランボルギーニ社,ゼネラルモータース社,ダイムラー社,フォード社など様々な企業が既にAM 技術を実用化している。ここで重要なポイントは,これらの活用が試作開発あるいは小ロット生産だけではないという点である。例えばダイムラー社は既に年間10 万パーツ以上をAM 技術により生産しており,フォルクスワーゲン社は2017 年までにアウトソーシングされていたパーツの93%を3D プリント製造による内製化に成功している1)。さらに,AM 技術は単なる意匠性の向上以外の様々な機能的特性の付与に貢献している点も見逃せない。トポロジー最適化などに代表される軽量化,近年ではメタマテリアルによる高機能化を実現する複雑形状の実体化手段として評価を高めており,今後はAM 技術独自の付加価値として他の製造法との差別化要因となることが期待されている。

従来の非破壊検査と同様に考慮すべき対象は,製造工程前・工程中・工程後の,使用する材料・製造装置・試験装置・設計データ等である2)。一方で,AM 技術による製造は従来の代表的な大量生産技術と異なる点が多く,その差異の多くは非破壊検査を実施する上で不可避な課題を生んでいる。実際,ASTMにおいては,材料や工程を評価する試験方法は徐々に規格化・有効化しつつあり規格整備が進む一方で,非破壊検査に関する規格は実装が急務であった航空宇宙用の規格ASTM E3166-20 の1 件を除き有効化しておらず,開発中が3 件(CT による疲労き裂評価,DED プロセス中検査,ポロシティのX 線検査)である3)。

本稿は,AM の非破壊検査に求められる従来にない特徴や要件のリストアップを目指す。第2 節にてAM 技術による大量生産における従来製造法との特徴的な差異,第3 節にてその差異が生む非破壊検査手法への要求,第4 節にてその総括を述べる。

 

宇宙機への金属Additive Manufacturing の適用・研究事例

(国研)宇宙航空研究開発機構 北本和也、長田泰一、内田英樹、住田泰史、畠中龍太

Metal Additive Manufacturing Technology for Space Applications
Japan Aerospace Exploration Agency Kazuya KITAMOTO, Taiichi NAGATA, Hideki UCHIDA
Taishi SUMITA and Ryuta HATAKENAKA

キーワード:金属積層技術,品質保証,X線 CT,宇宙機器

はじめに
 近年, 三次元積層造形(Additive Manufacturing: 以下,AM)に対する関心が急速に高まっており多くの造形手法が開発され,使用材料も樹脂から金属,セラミックスなど幅広いラインナップに対応可能な装置が市販されている。また,用途としては医療分野や多品種少量生産の部品が多いとされる航空宇宙分野への利用が拡大している。特に宇宙分野においてはロケット搭載のための限られた重量リソースの中で最大限の性能を発揮するために,搭載機器やその構成部品には極限の軽量化や各部品の多機能化(例えば断熱機能,低熱膨張化など)が要求されており,従来の製造方法ではコスト増加や長納期化の一因となっている。したがって,AM 技術を活用することで形状自由度の高い部品及びそれに伴う最適設計による軽量化や高機能化,低コスト・短納期などが期待でき,その恩恵は非常に大きいと考えられる。本稿では,金属AMの宇宙機への適用に関して,著者らが取り組んだ事例を紹介する。2 章及び3 章では実際のプロジェクトにおいて適用した事例の紹介を行い,4 章及び5 章では将来ミッションへの適用を見据えた研究開発の取り組みについて紹介する。なお本稿では概要を紹介し,詳細は参考文献等を参照されたい。

 

Comprehensive In-process Composite Fiber Placement Ply Quality
Inspection System Dramatically Improves Productivity
for AFP Systems

Electroimpact Inc. Paul M. HAWORTH

Abstract
Electroimpact has developed a new comprehensive, real-time in-process inspection system for automatic composite fiber placement systems. The inspection system architecture, referred to as RIPIT (real-time in-process inspection technology) offers 100% ply fill assurance by measuring approximate tow end locations as the composite fiber tow is placed on the part. Recently a more advanced version, referred to as RIPITx, builds on this architecture and adds lap/gap measurement, FOD (foreign object debris) detection and high accuracy tow end detection whilst also providing complete ply images that can be displayed on an inspection user interface and provide a useful backdrop to the inspection data.
Since 100% of tow ends are verified during the lamination process (and automatically compared to statistical go/no-go criteria for the entire ply) as well as other fiber placement quality criteria, complete ply verification can be achieved as soon as the lamination of the ply is completed, potentially reducing post lamination inspection time to zero. The RIPITx architecture combines data gathered on the physical behavior of the tow as it is processed in the fiber placement end effector with data from a high accuracy profilometer that measures the characteristics of the tow as it is placed on the part. By combining these data sources in a proprietary algorithm,extremely high levels of reliability can be achieved at high lamination speeds of up to 4000 IPM (approximately 100000 mm/min).

Key Words:AFP, Real time inspection, In-process inspection, Automated, Composite material

Introduction
Carbon fiber re-enforced polymers (CFRP) are an integral material in modern aircraft manufacture, and future high production Automated Fiber Placement (AFP) systems will naturally drive higher equipment utilization rates. It is predicted that by 2037 as many as 28000 (likely mostly CFRP) new single required1 aisle aircraft will be ) and therefore AFP will be under pressure to step up efficiency to meet this increased production demand. AFP equipment utilization is comprised of several factors but ply quality inspection is a significant segment, typically taking time2)as much as 40% of the overall processing and is often the largest planned stoppage event in any AFP production system. Ply quality inspection is often a mix of manual and automatic post lamination inspection operations, and often due to reliability limitations there is a significant amount of human intervention required to confirm if a given ply meets the production quality standards.

If this post lamination inspection burden could be reduced to zero, then substantial gains in throughput of a given piece of AFP equipment could be realized. In-process inspection systems for laps & gaps and tow end locations have been previously developed and have been utilized in production cells, and more recently Electroimpact has developed a new comprehensive system that combines the ability to measure laps/gaps, tow ends and FOD into a single ultra-high reliability system called RIPITx.

There are 4 tenets of AFP 4.0:
.Quality (pass inspection criteria 99 +% of the time)
.Reliability (100 % reliable between planned maintenance intervals)
.Performance (add/cut on-the-fly> 3000m/min)
.Utlization (>75%)

 

選択的レーザ溶融法による金属材料造形中に発生する 微小欠陥のAE モニタリング

(国研)物質・材料研究機構 伊藤海太、草野正大、出村雅彦、渡邊 誠

AE Monitoring of Micro-defects Occurrence during Selective Laser
Melting Method of Metals

National Institute for Materials Science Kaita ITO, Masahiro KUSANO, Masahiko DEMURA
and Makoto WATANABE

キーワード:選択的レーザ溶融法,3Dプリンタ,アコースティック・エミッション法,無線計測

はじめに
付加製造(Additive Manufacturing)法はCAD データを取り込み,切削加工を要さずに複雑形状でも作製できるため,少量多品種のパーツの作製法として近年注目されている。本手法は日本語で積層造形,英語でRapid prototyping とも通称されてきたが,2009 年に米国材料試験協会(ASTM)の国際標準化会議において「材料を付着することによって物体を三次元形状の数値表現から作製するプロセス」をAdditive Manufacturing と呼ぶことが定まり(ISO/ASTM FDIS 52900),日本語では「付加製造」(JIS B 9441:2020)と呼ぶこととなった1)。付加製造には光重合(光造形),材料押出堆積(Fused Deposition Modeling)など様々な手法が含まれるが,本稿で紹介する選択的レーザ溶融(Selective Laser Melting)法は,粉末を敷き詰めたパウダーベッドに対し,レーザを熱源として溶融凝固を繰り返しながら造形を行う手法であり,金属材料も使用できることが大きな特長の一つである。そのため,航空宇宙分野向けの高強度難加工材料である,Ni 基合金パーツの製造に対しても積極的な研究開発が進められている。しかし,金属が溶融と凝固を繰り返すというプロセスのため,造形中に材料内部に微小欠陥を生じやすいことが,部材の性能と信頼性を損なう問題である。

アコースティック・エミッション(Acoustic Emission)法は,この造形中の微小欠陥発生について,in-situ の実測情報を提供できることが期待できる数少ない手法である。SLM 法に対するAE 法の適用にはいくつか先行事例があり,Shevchik ら2)−4)はニューラルネットワークを用いて,AE 波形のウェーブレット変換結果(時間−周波数特性)から造形品質を推定できることを示した。また,造形中の微小欠陥の生成過程を高速X 線観察で捉え,前述のウェーブレット変換結果と対照し,微小欠陥生成時のAE 波の周波数成分の差異を示した。Eschner ら5)は,AE 波形の時間- 周波数特性から,造形物の密度を推定している。これらの例では造形条件に対する造形品質を評価するには有用であるが,AE を事象単位では処理しておらず,AE 発生源すなわち微小欠陥の位置標定の情報は含んでいない。SLM 法でAE位置標定まで行われた事例はほとんどないが,SLM 法と同じくレーザを材料加工に用いるレーザクラッディング法では,Wangら6)が2 個の圧電センサを使用し,加工線に沿って発生したAE 事象とクラックを対応させた例がある。しかし,SLM は不活性ガスで置換されたチャンバ内で行われるため,AE 計測のために多数の電源線や信号線でチャンバの内外をつなぐことは容易ではなく,現場では何らかの無線計測へのニーズが高い。先行研究ではマイクロフォンなどを用いた事例7)もあるが,これは位置標定が行えない。無線でAE 位置標定が可能な手法としては,我々の研究グループでは過去にヘテロダイン干渉計を用いたレーザAE 計測装置を開発し8),9),セラミックコーティングの溶射などの積層プロセスでの微小欠陥の検出にも成功したが10),11),安定的に光路を維持することが容易ではないので,造形の現場では有線ケーブルの接続以上に難易度が高いと思われる。そこで,センサ自体の無線化とは別のアプローチとして,圧電センサとAE 計測機をバッテリ駆動の小型装置にまとめ,計測結果のデータのみを無線送信する方法があり,既に市販もされている12)。しかし,その多くはバッテリ駆動の計測機の計算能力が限られるため,得られるデータはAE 事象のパラメータのみとなり,ノイズフィルタリングや,AE 発生メカニズムの分析に有用な波形データの取得に十分対応することは困難である。

そこで本研究では,AE センサを接続し,連続的にサンプリングした波形データを無線送信できるバッテリ駆動のセンサノードを開発し,波形解析はチャンバ外に設置したPC で行える独自開発の「無線 Continuous Wave Memory」13)を利用した。なお,本研究はSLM プロセスを無線CWM でモニタリングし,造形中の微小欠陥を検出してその発生時刻と位置が得られることを示すことが目的であるため,単層の造形で素過程を詳細に評価することとした。ただし,本手法は積層造形においても同様に適用できることが十分期待できるし,我々の研究グループでも現在手法を開発中である。

 

論文

時間領域境界要素法で求めた散乱波動場の深層学習と欠陥種別の判定の試み

斎藤隆泰、加藤 毅、廣瀬壮一

Deep Learning for Scattered Waves Obtained by Time-domain Boundary Element
Method and an Attempt to Classify Defect Types

Takahiro SAITOH, Tsuyoshi KATO and Sohichi HIROSE

Abstract
Laser ultrasonic visualization testing (LUVT) can visualize elastic wave propagation fields on the surface of a test specimen, and save them as image data. In general, LUVT inspectors make a judgement on the status of a defect by viewing the images obtained by LUVT. If AI can judge this process, instead of inspectors, LUVT might be a more effcient technique. Therefore, in this research, the deep learning, which is basis of AI creation, is carried out to determine the presence or absence, and type of a defect in images. The images required for the deep learning with the convolutional neural network (CNN) are numerically prepared using the time-domain boundary element method for simplicity. As numerical examples, some defect type classification problems are solved by using the created learning model. In addition, Grad-CAM is used to confirm the regions that the learning model uses to judge the defect types.The results for how the created deep learning model classifies the defect types in images may be useful for future application of AI to LUVT.

Key Words:Time-domain BEM, Deep-learning, Elastic wave field, Laser ultrasonic testing

緒言
近年,構造物の維持管理等を目的に非破壊評価の重要性が高まっている。特に超音波非破壊評価法は,安全性や利便性で優れていることから,現場で広く利用されてきた1)。その超音波非破壊評価法では,得られた受信波形から欠陥の位置,大きさ,種類等を推定することが行われている。近年では,計測機器の発展と共に,フェーズドアレイ探傷法や,レーザ超音波可視化試験(LUVT:Laser Ultrasonic Visualization Testing)等も開発され,検査精度や効率の向上が試みられてきた。しかしながら,一方で,将来の検査技術者不足が懸念されている。そのような中,近年,機械学習が注目を集めている。機械学習では,教師あり,教師なし学習等,様々なタイプの学習方法が提案され,多様な分野への応用2)が検討されている。中でも,深層学習(Deep learning)は,機械自身が特徴を抽出し,その結果から未知のデータの分類等を行う方法であり,人工知能の基礎として注目を集めている。深層学習の基礎を成すのは,ニューラルネットワーク(NN:Neural Network)である。超音波非破壊評価法にNN を適用する概念自体は,過去に提案3)されているが,当時は計算機性能等が原因で,実用的な検討はほとんど行われてこなかった。事実,機械学習の研究は,1990 年代に一時下火になったものの,計算機の性能向上と共に,近年再び注目を集めるようになってきた4)。深層学習は,維持管理の分野に目を向けると,例えば構造物表面の腐食検査等に対して深層学習の応用研究が見受けられる5)。一方,超音波非破壊評価に深層学習を適用した研究は,例えば国内では,安岡ら6)による減肉深さの推定,松岡ら7)による裏面開口き裂の検出に用いた例が最近報告されている。一方,海外でも,例えばMeng ら8)による先駆的研究をはじめ,Silva ら9)によるTOFD 法への応用,Sloṅ ski ら10)によるコンクリート材料への適用例も報告されている。また,Ye ら11),遠山ら12),都築ら13)は,先進超音波計測であるLUVT で得られた画像に対する深層学習を行っている。LUVT に対しては,著者ら14)による報告例もあり,いずれも主に欠陥の検出に深層学習を適用している。

そこで,本研究では,先進超音波計測であるLUVT に対する深層学習を念頭に,欠陥の有無のみならず,種別の判定をも試みる。その際,単に深層学習を実施するだけでなく,弾性波動論に基づいた散乱波の発生状況から,いかに作成した深層学習モデルが判定を下したかについても考察する。ただし,この種の研究の第一段階であることを考慮し,実際のLUVT で得られたデータではなく,数値解析により作成した画像データを深層学習させる。通常,LUVT で求めた画像は計測ノイズを含む。そのため,詳細な検討には,計測ノイズを含まない数値解析による画像データを用いた検証が,この種の研究の第一段階として有効であろう。また,LUVT を用いて画像を多数枚準備することは,多大な時間も労力も要する。数値解析で画像を大量に準備できれば,将来的に数値解析画像による学習成果を応用させた,転移学習15)の利用も検討できるだろう。転移学習を実現できれば,LUVT による画像を準備する時間や労力を大幅に削減でき,今後のさらなる発展も期待できる。

以下では,まず,本研究で念頭に置くLUVT で得られる画像データについて説明する。次に,画像データを求めるための数値解析手法である時間領域境界要素法について説明する。その後,深層学習について簡単に説明した後,実際に深層学習させた機械に未知の画像データを与えることで,学習の汎化性能を評価する。最後に,今後の展望等について述べる。

 

to top

<<2021>>