模具的异常预测系统、压力机以及模具的异常预测方法技术领域
本发明涉及一种模具的异常预测系统、具备该模具的异常预测系统的压
力机以及模具的异常预测方法。
背景技术
以往以来，已知在使用模具进行冲压加工的压力机中检测上述模具的异
常的方法。作为这样的方法，例如在专利文献1、2和非专利文献1中公开了
以下的方法：使用检测从模具的加工部分产生的弹性波的AE(Acoustic
Emission：声发射)传感器，来检测塑性加工的异常。
在专利文献1和非专利文献1中公开了以下的异常判别评价方法：使用通
过AE传感器检测出的弹性波，来判定冲压加工品的冲击痕缺陷、模具的损
伤缺陷以及磨损缺陷。
具体地说，在该专利文献1所公开的方法中，使用通过AE传感器检测出
的弹性波中的、在上模即将与下模接触前的加工工序中发出的第一弹性波、
在上模与下模接触时的加工工序中发出的第二弹性波以及在上模与下模接
触后的加工工序中发出的第三弹性波，来进行异常判别。而且，在上述专利
文献1所公开的方法中，基于上述第一弹性波的积分值来判定冲压加工品的
冲击痕缺陷，基于上述第二弹性波的最大值来判定模具的损伤缺陷，基于上
述第三弹性波的积分值来判定模具的磨损缺陷。
在专利文献2中公开了以下的方法：基于对通过AE传感器检测出的弹性
波进行频率分析而得到的值(功率)，来检测塑性加工中的异常。
具体地说，在该专利文献2所公开的方法中，还对AE传感器的输出信号
按时间序列进行每单位时间的频率分析，按时间序列针对每单位时间运算与
频率对应的功率。而且，在专利文献2所公开的方法中，使用每单位时间的
累加功率差来检测塑性加工中的异常，其中，该每单位时间的累加功率差是
在求出所得到的运算值与基准数据之间的功率差后将各频率下的功率差合
计而得到的，上述基准数据是正常的塑性加工时的与频率对应的功率的时间
序列变化。
专利文献1：日本专利第4372458号公报
专利文献2：日本专利第4959360号公报
非专利文献1：村尾増昭等，“AE法によるプレス加工状態監視技術の
開発”，デンソーテクニカルレビュー，Vol.9No.1 2004，p92～99
发明内容
发明要解决的问题
如上述专利文献1、2以及非专利文献1所公开的那样，通过AE传感器来
检测在进行冲压加工时产生的弹性波，由此能够检测模具的磨损等冲压加工
中的异常。
如上所述，通过使用由上述AE传感器检测出的弹性波，能够判定是否
发生了异常。然而，在用压力机等进行加工的情况下，即使在检测出异常时
立即进行模具维护、模具更换等应对，也有可能在该应对时刻之前生产出不
合格品。于是，需要进行用于确认是否为不合格品的检验作业、不合格品的
废弃等，从而产生不必要的成本。
因此，重要的是预测将来在冲压加工中会以什么程度发生异常、即判定
当前冲压加工处于什么样的状态来预测将来的异常的发生。通过进行这样的
异常的发生的预测，能够进行模具的更换等迅速的应对，因此能够防止无益
的不合格品的生产。
本发明的目的在于提供一种能够预测在压力机中使用的模具的异常的
发生的系统及方法。
用于解决问题的方案
本发明的一个实施方式所涉及的模具的异常预测系统是用于预测在压
力机中使用的模具的异常的异常预测系统。该模具的异常预测系统具备：AE
传感器，其检测在使用所述模具通过所述压力机进行冲压加工时在所述模具
的加工部分产生的弹性波；冲压状态检测部，其检测与在使用所述模具通过
所述压力机进行冲压加工时的所述模具的状态有关的参数中的除了所述弹
性波以外的参数；评分计算部，其基于所述AE传感器和所述冲压状态检测
部的各输出信号，来计算所述模具的异常预测评分；以及异常预测部，其基
于由所述评分计算部计算出的结果，来预测所述模具的异常的发生。
本发明的一个实施方式所涉及的模具的异常预测方法是用于预测在压
力机中使用的模具的异常的异常预测方法。该模具的异常预测方法包括：弹
性波成分获取步骤，通过AE传感器来检测在使用所述模具通过所述压力机
进行加工时在所述模具的加工部分产生的弹性波，基于该AE传感器的输出
信号来得到与所述弹性波有关的值；模具状态成分获取步骤，通过冲压状态
检测部来检测与使用所述模具通过所述压力机进行加工时的所述模具的状
态有关的参数中的除了所述弹性波以外的参数，基于该冲压状态检测部的输
出信号来得到与模具状态有关的值；评分计算步骤，基于在所述弹性波成分
获取步骤和所述模具状态成分获取步骤中分别得到的值，来计算所述模具的
异常预测评分；以及异常预测步骤，基于通过所述评分计算步骤计算出的结
果，来预测所述模具的异常的发生。
发明的效果
根据本发明的一个实施方式所涉及的模具的异常预测系统和异常预测
方法，能够实现能够预测模具的异常的发生的异常预测系统和异常预测方
法。
附图说明
图1是表示具备实施方式1、2所涉及的模具异常预测系统的压力机的概
要结构的主视图。
图2是表示模具的概要结构的主视图。
图3是表示实施方式1所涉及的模具异常预测系统的概要结构的框图。
图4是表示冲压载荷与模具的磨损程度之间的关系的一个例子的图。
图5是用于说明模具异常预测系统中的运算处理部的动作的流程图。
图6是用于说明模具异常预测系统中的运算处理部的动作的流程图。
图7是用于说明模具异常预测系统中的运算处理部的动作的流程图。
图8是表示实施方式2所涉及的模具异常预测系统的概要结构的框图。
图9是表示下死点检测传感器的输出与毛刺高度之间的关系的一个例子
的图。
图10是表示磨损度与异常预测评分之间的关系的图。
图11是用于说明模具异常预测系统中的运算处理部的动作的流程图。
图12是用于说明模具异常预测系统中的运算处理部的动作的流程图。
图13是用于说明模具异常预测系统中的运算处理部的动作的流程图。
附图标记说明
1：压力机；10：模具；11：上模；15：卸料板；17：下模；50、100：
模具异常预测系统；51、101：运算处理部；52：冲压载荷信号变换部；53：
冲压载荷信号处理运算部；54、104：弹性波信号变换部；55、105：弹性波
信号处理运算部；56、106：评分计算部；57：异常预测部；61：冲压载荷
检测传感器(冲压状态检测部、力传感器)；62：AE传感器；102：下死点信
号变换部；103：下死点信号处理运算部；111：下死点检测传感器(冲压状态
检测部、模具位置检测传感器)。
具体实施方式
以下，参照附图来详细说明本发明的实施方式。此外，对于图中的相同
或相当的部分，标注相同的标记，不重复其说明。另外，各图中的结构部件
的尺寸并不如实地表示实际的结构部件的尺寸和各结构部件的尺寸比例等。
此外，在以下的说明中，将压力机1的设置状态下的铅垂方向称为“上下
方向”。该上下方向与模具的冲压方向一致。另外，将在设置了压力机1的状
态下从正面看压力机1时的左右方向称为“宽度方向”。
[实施方式1]
(压力机)
图1是表示本发明的实施方式所涉及的压力机1的概要结构的主视图。压
力机1是使用模具10对金属制的板状材料M进行冲压加工的加工机。压力机1
具备模具10、机架20、驱动机构30、进给装置40以及模具异常预测系统50(模
具的异常预测系统，参照图3)。此外，图1是压力机1的主视图。
机架20具备顶部(crown)21、底座(bed)22以及支柱(column)23。顶部21与
底座22通过配置在它们之间的多个支柱23相连接。即，多个支柱23在顶部21
和底座22的四角将顶部21相对于底座22支承。在顶部21中容纳有驱动机构
30。在底座22之上配置有垫板(bolster)24。在垫板24之上固定有模具10。
在压力机1的侧方配置有进给装置40，该进给装置40用于从将压力机1从
正面看时的压力机1的外部朝向右方向输送板状材料M。进给装置40如上述
那样输送板状材料M，由此向模具10连续地供给板状材料M。由此，能够利
用模具10连续地对板状材料M进行冲压加工。此外，进给装置40被固定于支
柱23。
在支柱23处设置有检测利用压力机1进行冲压加工时的冲压载荷的冲压
载荷检测传感器61(力传感器)。冲压载荷检测传感器61例如包括应变计。冲
压载荷检测传感器61是后述的模具异常预测系统50的一部分。
驱动机构30构成为能够使模具10的后述的上模11沿上下方向移动。具体
地说，驱动机构30具备电动机31、带轮(wheel)32、带33、飞轮(flywheel)34、
离合器制动器(clutch brake)35、曲轴(crank shaft)36、连杆37以及滑块38。
电动机31被配置于顶部21之上。带轮32是圆筒或圆柱状，以其中心轴与
电动机31的旋转轴的轴线一致的方式与该旋转轴连接。由此，带轮32与电动
机31的旋转轴一体地旋转。
带33以位于带轮32的外周面上、以及位于配置在顶部21内的圆筒状或圆
柱状的飞轮34的外周面上的方式挂在带轮32和飞轮34上。通过带33能够将带
轮32的旋转传递到飞轮34。
曲轴36与飞轮34连接使得与飞轮34一体地旋转。详细地说，曲轴36在顶
部21内被配置为沿压力机1的宽度方向延伸，其一端侧与飞轮34连接。在曲
轴36上，在其延伸方向的不同位置连接有两条连杆37。
两条连杆37的末端侧与滑块38连接。滑块38构成为能够相对于机架20沿
上下方向滑动移动，对此没有特别图示。在滑块38的下侧固定有上模11。
压力机1具有上述结构，因此，通过电动机31的旋转，滑块38沿上下方
向滑动移动。通过滑块38的滑动移动，模具10的上模11沿上下方向移动。由
此，能够将板状材料M夹入上模11与下模17之间来对该板状材料M进行冲压
加工。
(模具)
接着，使用图2来说明模具10的结构。
模具10具备上模11和下模17。上模11能够相对于下模17沿上下方向滑动
移动。模具10例如被用于通过冲压将板状材料M冲切为规定的形状的冲切加
工。为此，模具10的上模11具有后述的冲头(punch)14和卸料板(stripper
plate)15。
详细地说，上模11具备固定侧安装板12、导正销(guide pin)13、冲头14、
卸料板15以及弹簧16。
固定侧安装板12例如是俯视观察时呈长方形的金属制的板状构件。固定
侧安装板12被固定在压力机1的滑块38的下表面。
导正销13从固定侧安装板12的下表面的四角向下方延伸。导正销13的下
端被插入到形成在下模17的四角的插入孔(省略图示)。
冲头14在末端具有用于冲切板状材料M的齿部14a。冲头14从固定侧安
装板12的下表面向下方延伸。齿部14a在冲头14中位于下侧。
卸料板15是平板状的金属制的构件。卸料板15经由多个弹簧16而与固定
侧安装板12连接。在卸料板15处，与冲头14对应地形成有贯通孔15a。
弹簧16以使卸料板15与固定侧安装板12平行且冲头14的末端部分定位
于贯通孔15a内的方式对卸料板15进行弹性支承。弹簧16是在伸缩方向上被
压缩的状态下产生弹性恢复力的压缩弹簧。
下模17是平板状的金属制的构件。在下模17处，与上模11的冲头14对应
地设置有凹模(die)18。在该凹模18处，与冲头14的齿部14a对应地形成有贯
通孔18a。通过该贯通孔18a的上侧的开口部和冲头14的齿部14a将板状材料M
冲切为规定的形状。在上模11向下方移动而通过冲头14对板状材料M进行冲
切后，冲头14的齿部14a进入到贯通孔18a内。
在下模17处设置有用于检测上模11的卸料板15的最下方的位置(下死点)
的下死点检测传感器111。
(模具异常预测系统)
接着，使用图3至图7来说明压力机1所具有的模具异常预测系统50。在
图3中用框图示出模具异常预测系统50的概要结构。在图4中示出冲压载荷与
模具10的磨损程度之间的关系。在图5至图7中，示出说明模具异常预测系统
50的动作的流程图。
模具异常预测系统50是预测在通过压力机1对板状材料M进行冲压加工
时使用的模具10的异常的系统。模具异常预测系统50既可以被压力机1的未
图示的控制装置所具备，也可以被与压力机1相分别地设置的控制装置所具
备。
模具异常预测系统50使用在进行冲压加工时在模具10的加工部分产生
的弹性波以及在冲压加工时作用于压力机1的冲压载荷，来估计模具10的现
状的磨损程度，基于该磨损程度来预测模具10的异常的发生(因磨损造成的
不合格品产生)。
具体地说，如图3所示，模具异常预测系统50具备运算处理部51、冲压
载荷检测传感器61(冲压状态检测部、力传感器)、AE传感器62以及角度检测
部63。
冲压载荷检测传感器61检测在使用模具10通过压力机1进行冲压加工时
在压力机1的支柱23处产生的冲压载荷(与模具10的状态有关的参数中的除
了弹性波以外的参数)。AE传感器62检测在使用模具10通过压力机1进行冲压
加工时在模具10的加工部分产生的弹性波。由冲压载荷检测传感器61和AE
传感器62检测出的值分别作为冲压载荷信号和弹性波信号而被输出到运算
处理部51。此外，冲压载荷信号和弹性波信号分别对应于输出信号。
角度检测部63将上模11在压力机1的上下方向上的位置作为角度来检
测。详细地说，角度检测部63检测固定有上模11的滑块38的上下方向的位置，
将滑块38沿上下方向往返一次的情况作为360度，来将滑块38的上下方向的
位置换算为角度。因此，角度检测部63将滑块38位于上下方向的最上方的状
态作为0度或360度，将滑块38位于最低点的状态作为180度，来输出角度信
号。从角度检测部63输出的角度信号被输入到运算处理部51。
此外，AE传感器62被配置在模具10的附近或安装于模具10，对此没有
特别图示。角度检测部63被配置在能够检测滑块38的上下移动或曲轴36的旋
转的位置，对此没有特别图示。
运算处理部51使用从冲压载荷检测传感器61和AE传感器62输出的冲压
载荷信号和弹性波信号，来计算用于估计模具10的磨损程度的异常预测评
分，使用该异常预测评分来预测模具10的异常的发生。
具体地说，运算处理部51具备冲压载荷信号变换部52、冲压载荷信号处
理运算部53、弹性波信号变换部54、弹性波信号处理运算部55、评分计算部
56以及异常预测部57。
冲压载荷信号变换部52对于从冲压载荷检测传感器61输出的冲压载荷
信号，仅将由角度检测部63得到的角度信号中1冲(1次冲压)内的期望的角度
的冲压载荷信号从模拟信号转换为数字信号(以下简称为A/D转换)。之后，
冲压载荷信号变换部52提取出利用模具10对板状材料M进行冲压加工的期
间的信号，在固定的冲数(冲压次数)内对该信号进行平均化处理。
此外，上述期望的角度在冲压加工的1冲中既可以是模具10与板状材料
M相接触的角度，也可以是与由AE传感器62检测出的弹性波信号的角度同步
的角度。
冲压载荷信号处理运算部53在由冲压载荷信号变换部52进行了平均化
处理后的信号中求出冲压载荷的最大振幅。
在此，上述冲压载荷信号是在利用模具10对板状材料M进行冲压加工时
冲压载荷增大、而在冲压加工后冲压载荷下降的信号。例如，在冲压加工是
冲切加工的情况下，关于上述冲压载荷信号，在上模11的冲头14在与下模17
的凹模18之间对板状材料M进行冲切时，上述冲压载荷为最大值，在冲头14
对板状材料M刚刚进行冲切后，冲压载荷为最小值。上述最大振幅是在使用
模具10的冲压加工中冲压载荷的最大值与最小值之间的差。
另外，本发明人们进行专心努力的结果发现，如图4所示，模具的磨损
程度与冲压载荷的最大振幅具有相关关系。在图4中示出模具的磨损程度与
冲压载荷的最大振幅之间的关系的一个例子。根据该图4可知，有如下趋势：
如果冲压载荷的最大振幅减小，则模具的磨损程度增大。
因此，本发明人们着眼于如上述那样的模具的磨损程度与冲压载荷的最
大振幅之间的关系，考虑到将冲压载荷用于模具的磨损程度的估计。具体地
说，如后述那样，本实施方式所涉及的模具异常预测系统50将冲压载荷检测
传感器61的输出信号用于异常预测评分的计算，并且使用该异常预测评分，
来根据模具10的现状的磨损程度预测模具10的异常的发生。
弹性波信号变换部54对于从AE传感器62输出的弹性波信号，仅对由角
度检测部63得到的角度信号中1冲(1次冲压)内的期望的角度的弹性波信号进
行A/D转换。之后，弹性波信号变换部54提取出利用模具10对板状材料M进
行冲压加工的期间内的信号，在固定的冲数内对该信号进行平均化处理。然
后，弹性波信号变换部54对平均化处理后的信号进行高速傅立叶变换(以下
简称为FFT)和功率谱运算，得到每个频带的功率值。
此外，上述期望的角度在冲压加工的1冲中既可以是模具10与板状材料
M相接触的角度，也可以是与由冲压载荷检测传感器61检测出的冲压载荷信
号的角度同步的角度。
弹性波信号处理运算部55使用由弹性波信号变换部54得到的每个频带
的功率值，进行每个频带的特征量的计算。例如，弹性波信号处理运算部55
进行面积计算(求出各频带的功率值的累加值的计算)。弹性波信号处理运算
部55按每个规定的频带(例如每100kHz)，进行上述功率值的面积计算。此外，
每个频带的特征量除了上述的面积以外，还存在频带内的平均值等。
评分计算部56根据AE传感器62和冲压载荷检测传感器61的各输出信
号，计算模具10的异常预测评分。即，评分计算部56使用由冲压载荷信号处
理运算部53求出的冲压载荷的最大振幅以及由弹性波信号处理运算部55求
出的每个频带的功率值的面积(功率面积值)，来计算异常预测评分。具体地
说，评分计算部56对上述最大振幅和上述功率面积值分别进行加权，求出所
得到的值的和，由此计算上述异常预测评分。
详细地说，评分计算部56将由冲压载荷信号处理运算部53求出的上述最
大振幅乘以冲压载荷系数，由此计算最大振幅校正值。另外，评分计算部56
将由弹性波信号处理运算部55求出的每个频带的功率面积值分别乘以弹性
波系数，并求出它们的和，由此计算弹性波校正值。然后，评分计算部56将
上述最大振幅校正值与上述弹性波校正值的和作为上述异常预测评分。
评分计算部56例如利用下式计算异常预测评分P。
P＝Σ(Kn×Sn)+(M×Lp-p)
在此，Kn是弹性波系数，按每个频带设定。Sn是每个频带的功率值的面
积。M是冲压载荷系数，Lp-p是冲压载荷的最大振幅。
上述弹性波系数和上述冲压载荷系数是根据弹性波和冲压载荷的最大
振幅各自对模具10的磨损程度的贡献度来设定的。以如下方式设定上述弹性
波系数：相对于功率值相对大的低频(例如100kHz以下)的功率值，调整功率
值相对小的高频(例如500kHz以上)的功率值的贡献度。这是因为，关于在模
具10的加工部分产生的弹性波而言，高频的成分对模具10的异常预测产生大
的影响。
此外，也可以通过重复进行异常预测评分的计算和模具10的异常的发生
的预测、或者通过在多台压力机1中进行异常预测评分的计算和模具10的异
常的发生的预测，来优化上述弹性波系数和上述冲压载荷系数。
另外，也可以通过除了上述以外的方法来进行评分计算部56的上述异常
预测评分的计算。即，只要是考虑冲压载荷和弹性波地计算异常预测评分的
方法，则可以是任意的计算方法。
异常预测部57使用由评分计算部56计算出的上述异常预测评分，来预测
模具10的异常的发生。具体地说，异常预测部57显示由评分计算部56得到的
上述异常预测评分的评分值，或者根据该评分值对作业者通知模具10的更换
准备、更换的时机。通过进行这样的通知，能够防止通过磨损的模具大量生
产不合格品，从而能够提高生产率。
接着，使用图5至图7来说明具有如上述那样的结构的模具异常预测系统
50的运算处理部51的动作。图5表示运算处理部51使用从AE传感器62输出的
弹性波信号来计算功率面积值的流程。图6表示运算处理部51使用从冲压载
荷检测传感器61输出的冲压载荷信号来计算冲压载荷的最大振幅的流程。图
7表示使用上述功率面积值和上述冲压载荷的最大振幅来计算异常预测评
分、并基于该异常预测评分来进行异常预测处理的动作的流程。
当图5所示的流程开始时，在步骤SA1中，弹性波信号变换部54使用从
角度检测部63输出的角度信号，来对从AE传感器62输出的弹性波信号进行
A/D转换。详细地说，弹性波信号变换部54对于从AE传感器62输出的弹性波
信号，仅对由角度检测部63得到的角度信号中1冲(1次冲压)内的期望的角度
的弹性波信号进行A/D转换。上述期望的角度在冲压加工的1冲中既可以是模
具10与板状材料M相接触的角度，也可以是与由冲压载荷检测传感器61检测
出的冲压载荷信号的角度同步的角度。
在接下来的步骤SA2中，弹性波信号变换部54从A/D转换后的信号中提
取出利用模具10对板状材料M进行冲压加工的期间的信号，在规定的冲数内
对该信号进行平均化处理。然后，在步骤SA3、步骤SA4中，弹性波信号变
换部54对平均化处理后的信号进行FFT处理并进行功率谱运算。
在步骤SA5中，弹性波信号处理运算部55使用FFT处理及功率谱运算后
的数据，来计算每个频带的特征量(例如功率值的面积)。在图5的例子中，弹
性波信号处理运算部55按每个规定的频带(例如每100kHz)进行求出各频带
的功率值的累加量的计算、即面积计算。此外，弹性波信号处理运算部55也
可以除了求出上述的面积以外，还求出频带内的平均值等来作为每个频带的
特征量。
之后，结束该流程(end)。
接着，在图6所示的流程中，当流程开始时，在步骤SB1中，冲压载荷信
号变换部52使用从角度检测部63输出的角度信号，来对从冲压载荷检测传感
器61输出的冲压载荷信号进行A/D转换。详细地说，冲压载荷信号变换部52
对于从冲压载荷检测传感器61输出的冲压载荷信号，仅对由角度检测部63得
到的角度信号中1冲(1次冲压)内的期望的角度的冲压载荷信号进行A/D转
换。上述期望的角度在冲压加工的1冲中既可以是模具10与板状材料M相接
触的角度，也可以是与由AE传感器62检测出的弹性波信号的角度同步的角
度。
在接下来的步骤SB2中，冲压载荷信号变换部52从A/D转换后的信号中
提取出利用模具10对板状材料M进行冲压加工的期间的信号，在规定的冲数
内对该信号进行平均化处理。
然后，在步骤SB3中，冲压载荷信号处理运算部53使用平均化处理后的
信号，来计算冲压载荷的最大振幅。之后，结束该流程(end)。
在图7所示的流程中，当流程开始时，在步骤SC1中，评分计算部56使用
由弹性波信号处理运算部55计算出的每个频带的功率值的面积(功率面积值)
以及由冲压载荷信号处理运算部53计算出的冲压载荷的最大振幅，来计算异
常预测评分。具体地说，评分计算部56通过将上述功率面积值乘以与频带对
应的弹性波系数来求出弹性波校正值，通过将上述冲压载荷的最大振幅乘以
冲压载荷系数来求出最大振幅校正值。然后，评分计算部56计算上述弹性波
校正值与上述最大振幅校正值的和来作为上述异常预测评分。
在接下来的步骤SC2中，异常预测部57显示在步骤SC1中求出的异常预
测评分的评分值，或者根据该评分值对作业者通知模具10的更换准备、更换
的时机。之后，结束该流程(end)。
上述步骤SA1至步骤SA5对应于以下的弹性波成分获取步骤，即通过AE
传感器62来检测在使用模具10通过压力机1进行冲压加工时在模具10的加工
部分产生的弹性波，基于该AE传感器62的输出信号来得到与上述弹性波有
关的值(每个频带的功率值的面积)。
另外，上述步骤SB1至SB3对应于以下的模具状态成分获取步骤，即通
过冲压载荷检测传感器61来检测与在使用模具10通过压力机1进行冲压加工
时的模具10的状态有关的参数中的除了弹性波以外的参数(冲压载荷)，基于
该冲压载荷检测传感器61的输出信号来得到与模具状态有关的值(冲压载荷
的最大振幅)。
并且，上述步骤SC1对应于以下的评分计算步骤，即基于在上述弹性波
成分获取步骤和上述模具状态成分获取步骤中分别得到的值，来计算模具10
的异常预测评分。上述步骤SC2对应于以下的异常预测步骤，即基于通过上
述评分计算步骤计算出的结果，来预测模具10的异常的发生。
此外，评分计算部56既可以同时处理图5和图6所示的流程，也可以先处
理图5和图6所示的流程中的任一方。
通过以上，在本实施方式中，模具异常预测系统50利用AE传感器62来
检测在使用模具10通过压力机1进行冲压加工时在模具10的加工部分产生的
弹性波，并且利用冲压载荷检测传感器61来检测上述冲压加工时的冲压载
荷。然后，模具异常预测系统50基于由AE传感器62检测出的弹性波信号以
及由冲压载荷检测传感器61检测出的冲压载荷信号，来计算异常预测评分，
使用该异常预测评分来预测模具10的异常的发生。
在如以往那样只使用AE传感器62进行的加工的异常检测中，虽然能够
检测出异常已发生，但是无法检测出模具10的磨损程度。因此，难以预测模
具10的异常的发生。
与此相对，如上述结构那样，除了使用由AE传感器62检测出的弹性波
的输出信号以外，还使用由冲压载荷检测传感器61检测出的冲压载荷的输出
信号，来求出上述异常预测评分，由此能够求出模具10的磨损程度。由此，
能够高精度地检测模具10的当前的状态，因此能够预测模具10的异常的发
生。因而，通过上述的结构，能够得到能够预测模具10的异常的发生的系统。
另外，模具异常预测系统50的评分计算部56计算对基于AE传感器62的
输出信号计算出的值(每个频带的功率值的面积)以及基于冲压载荷检测传感
器61的输出信号计算出的值(冲压载荷的最大振幅)分别进行加权而得到的
值，将该加权而得到的值的和作为上述异常预测评分。
能够根据由AE传感器62检测出的弹性波来检测出模具10的加工部分的
状态，能够根据由冲压载荷检测传感器61检测出的冲压载荷来检测出使用模
具10进行的冲压加工中的冲压状态。因此，通过对根据这些状态而得到的值
进行与它们的值的关系对应的加权并求出所得到的值的和，能够得到高精度
地反映了模具10的状态的上述异常预测评分。因此，能够高精度地预测模具
10的异常的发生。
如上所述的模具异常预测系统50适合于预测用于剪切加工的模具10的
异常的发生的情况。能够利用AE传感器62来高精度地检测在剪切加工中使
用的模具10的加工部分产生的弹性波。因而，上述模具异常预测系统50是对
于剪切加工中使用的模具10的异常的发生的预测而言有效的结构。
另外，模具异常预测系统50将根据AE传感器62的输出信号得到的每个
频带的功率值的面积以及根据冲压载荷检测传感器61的输出信号得到的冲
压载荷的最大振幅分别乘以规定的系数，基于通过加权而得到的弹性波校正
值与最大振幅校正值的和，来得到上述异常预测评分。由此，能够使用AE
传感器62和冲压载荷检测传感器61的检测信号来高精度地求出上述异常预
测评分。因而，能够高精度地估计模具10的现状的磨损程度，因此能够高精
度地预测模具10的异常的发生。
此外，在本实施方式中，作为检测在通过压力机1进行冲压加工时的模
具10的状态的传感器，使用了检测冲压载荷的冲压载荷检测传感器61。但是，
不限于此，除了冲压载荷以外，也可以使用其它传感器来检测进行冲压加工
时产生的力，使用该传感器的输出信号来预测模具10的异常的发生。
[实施方式2]
图8是表示实施方式2所涉及的模具异常预测系统100的概要结构的框
图。实施方式2所涉及的模具异常预测系统100与实施方式1的结构的不同之
处在于，使用下死点检测传感器111来代替冲压载荷检测传感器61。在以下
的说明中，对与实施方式1的结构相同的结构标注与实施方式1相同的标记并
省略说明，仅说明与实施方式1不同的部分。
模具异常预测系统100具备运算处理部101、下死点检测传感器111、AE
传感器62以及角度检测部63。下死点检测传感器111(冲压状态检测部、模具
位置检测传感器)检测压力机的上下方向(冲压方向)上的上模11的卸料板15
的最低点(下死点)的位置(模具的位置)，将该检测结果作为下死点信号来输
出。即，下死点检测传感器111检测与在使用模具10通过压力机1进行加工时
的模具10的状态有关的参数中的除了弹性波以外的参数(下死点)。如图2所
示，下死点检测传感器111安装于下模17。
运算处理部101使用从下死点检测传感器111和AE传感器62输出的下死
点信号和弹性波信号，来计算用于估计模具10的磨损程度的异常预测评分，
使用该异常预测评分来进行模具10的异常预测。
具体地说，运算处理部101具备下死点信号变换部102、下死点信号处理
运算部103、弹性波信号变换部104、弹性波信号处理运算部105、评分计算
部106以及异常预测部57。
下死点信号变换部102对于从下死点检测传感器111输出的下死点信号，
仅对由角度检测部63得到的角度信号中1冲(1次冲压)内的期望的角度的下死
点信号进行A/D转换。
下死点信号处理运算部103从A/D转换后的信号中提取出下死点附近(在
卸料板15的上下方向的位置中的相对于最低点而言的规定范围)的数据，求
出它们的平均值。另外，下死点信号处理运算部103通过在固定的冲数内对
求出的平均值进行平均化处理，来作为下死点值(位置数据)。
另外，本发明人们专心努力的结果发现，如图9所示，上述下死点信号
与利用模具10进行冲压加工后的板状材料的毛刺的高度(以下称为毛刺高度)
具有相关关系。即，有以下的趋势：如果上述毛刺高度变大，则上述下死点
信号的输出增大，另一方面，如果上述毛刺高度变小，则上述下死点信号的
输出下降。此外，在本实施方式的情况下，上述下死点信号的输出越大，则
卸料板15的下死点的位置越高。
已知，一般来说模具10的磨损变大则上述毛刺高度变高。因此，上述下
死点信号与模具10的磨损量具有相关关系。本发明人们着眼于上述下死点信
号与模具10的磨损量具有相关关系这一点，考虑到将上述下死点信号用于模
具10的磨损程度的估计。具体地说，如后述那样，本实施方式所涉及的模具
异常预测系统100将由下死点检测传感器111检测出的结果用于异常预测评
分的计算，使用该异常预测评分，来根据模具10的现状的磨损程度预测模具
10的异常的发生。
弹性波信号变换部104对于从AE传感器62输出的弹性波信号，仅对由角
度检测部63得到的角度信号中1冲(1次冲压)内的期望的角度的弹性波信号进
行A/D转换。之后，弹性波信号变换部104从A/D转换后的信号中提取出利用
模具10对板状材料M进行冲压加工的期间的信号。然后，弹性波信号变换部
104对提取出的信号进行FFT处理和功率谱运算，由此将每个频带的功率值作
为频率的函数而得到。
弹性波信号处理运算部105提取出由弹性波信号变换部104得到的每个
频带的功率值中的规定的频带(例如300～500kHz)的值，并求出其平均值。然
后，弹性波信号处理运算部105在固定的冲数内对求出的平均值进行平均化
处理，由此得到弹性波功率值。
评分计算部106基于AE传感器62和下死点检测传感器111的各输出信号，
来计算模具10的异常预测评分。即，评分计算部106使用由下死点信号处理
运算部103求出的下死点值以及由弹性波信号处理运算部105求出的弹性波
功率值，来计算异常预测评分。具体地说，评分计算部106对上述下死点值
和上述弹性波功率值分别进行加权，求出所得到的值的和，由此计算上述异
常预测评分。
详细地说，评分计算部106将由下死点信号处理运算部103求出的下死点
值乘以下死点系数，由此计算下死点校正值。另外，评分计算部106将由弹
性波信号处理运算部105求出的弹性波功率值乘以弹性波系数，由此计算弹
性波功率校正值。然后，评分计算部106将上述下死点校正值与上述弹性波
功率校正值的和作为上述异常预测评分。
在此，上述下死点系数和上述弹性波系数是由评分计算部106以在模具
10的磨损程度为规定的范围内时使后述的磨损度与异常预测评分之间的差
的合计为最小值的方式来设定的。此外，只要是能够校正实际的磨损度与异
常预测评分之间的差的值，则上述下死点系数和上述弹性波系数既可以是固
定值，也可以是根据实验或经验求出的值。
评分计算部106例如利用下式计算异常预测评分P。
P＝Σ(Kn×Sn)
在此，Kn是系数，Sn是基于从各传感器输出的信号得到的特征量。在如
本实施方式那样使用从多个传感器输出的信号的情况下，只要针对各传感器
将其特征量乘以规定的系数，再将所得到的值相加即可。
如图10所示，上述异常预测评分与实际的磨损度具有相关关系。即，如
果实际的磨损度变大，则异常预测评分变大。此外，图10中的磨损度(图10
中的白圈)是基于使用模具10进行冲压加工后的板状材料处形成的毛刺的高
度来决定的。即，如已经说明的那样，毛刺的高度越大则模具的磨损度越大，
因此根据毛刺高度与基准值(作为产品能够允许的毛刺高度的界限值)的比，
来计算磨损度。
此外，也可以通过除了上述以外的方法来进行评分计算部106的上述异
常预测评分的计算。即，只要是考虑下死点和弹性波地计算异常预测评分的
方法，则可以是任意的计算方法。
异常预测部57使用由评分计算部106计算出的上述异常预测评分，来预
测模具10的异常的发生。异常预测部57显示由评分计算部106得到的上述异
常预测评分的评分值，或者根据该评分值对作业者通知模具10的更换准备、
更换的时机。通过进行这样的通知，能够防止通过磨损的模具大量生产不合
格品，从而能够提高生产率。
接着，使用图11至图13来说明具有如上述那样的结构的模具异常预测系
统100的运算处理部101的动作。图11表示运算处理部101使用从AE传感器62
输出的弹性波信号来计算弹性波功率值的流程。图12表示运算处理部101使
用从下死点检测传感器111输出的下死点信号来计算下死点值的流程。图13
表示使用上述弹性波功率值和上述下死点值来计算异常预测评分、并基于该
异常预测评分来进行异常预测处理的动作的流程。
当图11所示的流程开始时，在步骤SD1中，弹性波信号变换部104使用从
角度检测部63输出的角度信号，来对从AE传感器62输出的弹性波信号进行
A/D转换。详细地说，弹性波信号变换部104对于从AE传感器62输出的弹性
波信号，仅对由角度检测部63得到的角度信号中1冲(1次冲压)内的期望的角
度的弹性波信号进行A/D转换。上述期望的角度在冲压加工的1冲中既可以是
模具10与板状材料M相接触的角度，也可以是与由下死点检测传感器111检
测出的下死点信号的角度同步的角度。
在接下来的步骤SD2中，弹性波信号变换部104从A/D转换后的信号中提
取出使用模具10进行加工的期间的信号。然后，在步骤SD3、步骤SD4中，
弹性波信号变换部104对提取后的信号进行FFT处理并进行功率谱运算。
在步骤SD5中，弹性波信号处理运算部105使用FFT处理及功率谱运算后
的数据，来求出规定的频带的功率值的平均值。在步骤SD6中，弹性波信号
处理运算部105在固定的冲数内对上述平均值进行平均化处理，由此计算弹
性波功率值。之后，结束该流程(end)。
接着，在图12所示的流程中，当流程开始时，在步骤SE1中，下死点信
号变换部102使用从角度检测部63输出的角度信号，来对从下死点检测传感
器111输出的下死点信号进行A/D转换。详细地说，下死点信号变换部102对
于从下死点检测传感器111输出的下死点信号，仅对由角度检测部63得到的
角度信号中1冲(1次冲压)内的期望的角度的下死点信号进行A/D转换。上述
期望的角度在冲压加工的1冲中既可以是模具10与板状材料M相接触的角
度，也可以是与由AE传感器62检测出的弹性波信号的角度同步的角度。
在接下来的步骤SE2中，下死点信号处理运算部103从A/D转换后的信号
中提取出下死点附近(在卸料板15的上下方向的位置中的相对于最低点而言
的规定范围)的数据。
然后，在步骤SE3中，下死点信号处理运算部103求出所提取出的数据的
平均值，在步骤SE4中，在固定的冲数内对上述平均值进行平均化处理，由
此作为下死点值。之后，结束该流程(end)。
在图13所示的流程中，当流程开始时，在步骤SF1中，评分计算部106
使用由弹性波信号处理运算部105计算出的弹性波功率值以及由下死点信号
处理运算部103计算出的下死点值，来计算异常预测评分。具体地说，评分
计算部106通过将上述弹性波功率值乘以弹性波系数来求出弹性波功率校正
值，通过将上述下死点值乘以下死点系数来求出下死点校正值。然后，评分
计算部106计算上述弹性波功率校正值与上述下死点校正值的和来作为上述
异常预测评分。
在接下来的步骤SF2中，异常预测部57显示在步骤SF1中求出的异常预测
评分的评分值，或者根据该评分值对作业者通知模具10的更换准备、更换的
时机。之后，结束该流程(end)。
上述步骤SD1至步骤SD6对应于以下的弹性波成分获取步骤，即通过AE
传感器62来检测在使用模具10通过压力机1进行冲压加工时在模具10的加工
部分产生的弹性波，基于该AE传感器62的输出信号来得到与上述弹性波有
关的值(弹性波功率值)。
另外，上述步骤SE1至SE4对应于以下的模具状态成分获取步骤，即通
过下死点检测传感器111来检测与在使用模具10通过压力机1进行冲压加工
时的模具10的状态有关的参数中的除了弹性波以外的参数(下死点)，基于该
下死点检测传感器111的输出信号来得到与模具状态有关的值(下死点值)。
并且，上述步骤SF1对应于以下的评分计算步骤，即基于在上述弹性波
成分获取步骤和上述模具状态成分获取步骤中分别得到的值，来计算模具10
的异常预测评分。上述步骤SF2对应于以下的异常预测步骤，即基于通过上
述评分计算步骤计算出的结果，来预测模具10的异常的发生。
此外，评分计算部106既可以同时处理图11和图12所示的流程，也可以
先处理图11和图12所示的流程中的任一方。
通过以上，在本实施方式中，模具异常预测系统100利用AE传感器62来
检测在使用模具10通过压力机1进行冲压加工时在模具10的加工部分产生的
弹性波，并且利用下死点检测传感器111来检测上述冲压加工时的卸料板15
的下死点。然后，模具异常预测系统100基于由AE传感器62检测出的弹性波
信号以及由下死点检测传感器111检测出的下死点信号，来计算异常预测评
分，使用该异常预测评分来预测模具10的异常的发生。
由此，通过本实施方式的模具异常预测系统100的结构，也能够高精度
地检测模具10的磨损程度。因而，能够得到能够高精度地预测模具10的异常
的发生的模具异常预测系统100。
另外，模具异常预测系统100将根据上述弹性波信号得到的规定的频带
的弹性波功率值以及根据上述下死点信号得到的下死点值分别乘以规定的
系数，基于通过加权而得到的弹性波功率校正值与下死点校正值的和，来得
到上述异常预测评分。由此，能够使用由AE传感器62和下死点检测传感器111
分别检测出的值来高精度地求出上述异常预测评分。因而，能够高精度地估
计模具10的现状的磨损程度，因此能够高精度地预测模具10的异常的发生。
此外，在本实施方式中，作为模具10的位置，使用了卸料板15的下死点
的位置，但是不限于此，只要是能够检测冲压状态的位置，则可以使用模具
10的其它位置。
(其它实施方式)
以上，说明了本发明的实施方式，但是上述实施方式只不过是用于实施
本发明的示例。因此，不限于上述实施方式，能够在不脱离其主旨的范围内
适当地变形来实施上述实施方式。
在上述各实施方式中，模具异常预测系统50、100通过使用AE传感器62
和冲压载荷检测传感器61的各输出信号、或者使用AE传感器62和下死点检
测传感器111的各输出信号，来预测模具10的异常的发生。
然而，模具异常预测系统也可以使用AE传感器62、冲压载荷检测传感
器61以及下死点检测传感器111的各输出信号，来预测模具10的异常的发生。
即，也可以使用根据AE传感器62的输出信号(弹性波信号)求出的值、根据冲
压载荷检测传感器61的输出信号(冲压载荷信号)求出的值以及根据下死点检
测传感器111的输出信号(下死点)求出的值，来计算异常预测评分，根据该异
常预测评分来预测模具10的异常的发生。在该情况下，也通过将根据各传感
器的输出信号求出的值分别乘以规定的系数来进行加权，将该计算结果相
加，由此计算上述异常预测评分。
另外，与AE传感器62一起使用的传感器只要是能够估计模具的状态(例
如磨损程度)的传感器，则也可以是除了冲压载荷检测传感器61和下死点检
测传感器111以外的其它传感器。并且，也可以使用AE传感器62的输出信号
以及其它多个(例如三个以上)传感器的输出信号来求出上述异常预测评分。
作为上述其它传感器，例如存在：检测上模11的位置或距离的传感器(用
于检测曲轴36的位置的旋转编码器等)；或者检测冲压加工时的振动或声音
的传感器(加速度传感器等)；检测压力机1的主体、模具10的冲头14或压力机
1的润滑油等的温度的传感器(热电偶、自记温度计(thermograph)等)；检测压
力机1的润滑油的流量的传感器(流量传感器等)等。此外，上述的其它传感器
对应于冲压状态检测部。
在上述各实施方式中，模具异常预测系统50、100应用于进行使用模具
10将板状材料M冲切为规定的形状的冲切加工的压力机1。然而，模具异常
预测系统50、100除了应用于通过冲压加工对材料进行剪切加工的压力机以
外，也可以应用于进行弯曲加工、深冲加工等的压力机等具有其它结构的压
力机。作为压力机的驱动方式，并不限定于如本实施方式那样的顶部冲压
(crown press)，也可以是连杆式冲压、伺服冲压、液压冲压等其它驱动方式。
产业上的可利用性
本发明能够用于使用模具进行冲压加工的压力机。