CN113226633B - 焊接异常诊断装置 - Google Patents

Abstract

本发明涉及一种焊接异常诊断装置，具备：摄像机系统，对被焊接材的背面进行摄影；焊接部摄影摄像机图像收集部，收集在上述被焊接材的焊接时由上述摄像机系统摄影到的发光摄影图像；焊接控制信息收集部，收集焊接条件设定值；以及焊接状况诊断部，基于上述发光摄影图像以及上述焊接条件设定值来计算用于诊断上述被焊接材的焊接状况的焊接光特征量，并基于上述焊接光特征量来判定焊接的好坏。

Description

焊接异常诊断装置

技术领域

本申请涉及一种焊接系统，将向以钢板的连续冷轧生产线为主的连续冷处理生产线供给的钢板之间进行焊接。

背景技术

在钢板的连续冷轧生产线中，连续地供给钢板并进行冷轧。向连续冷轧生产线供给的钢板主要是由热轧生产线轧制出的厚度1.0～10mm左右、长度100m～1km的钢板。

在以连续冷轧生产线为主的连续冷处理生产线中，将先行材的尾端与后行材的前端进行焊接而不间断地供给钢板。由此，提高生产率。

此处，在焊接产生了不良情况的情况下，在冷轧中钢板从焊接部断裂。由于断裂而成为错位辊(miss roll)，导致生产率降低或者冷轧设备的破损。因此，在以连续冷轧生产线为主的连续冷处理生产线中，钢板间的焊接是重要工序之一。

通过自动焊接装置进行先行材与后行材的焊接。通常情况下，在自动焊接装置中，通过剪切机将先行材的尾端以及后行材的前端切断，并使它们的被焊接部平行。之后，使先行材与后行材的间隙对接而进行焊接。根据材料的不同，在预先加热之后使先行材与后行材的间隙对接。

为了通过自动焊接装置执行所希望的焊接，例如输入预先确定的焊接条件(以下，称作预设信息)。但是，有时仅根据预设信息也无法良好地进行焊接。无法良好地进行焊接的理由的一例为钢板本身的歪斜。理由的另一例为在预热的情况下不均匀地热膨胀。除此以外，例如，由于焊接开始结束时的温度降低而引起的间隙距离的变化等也成为理由。因此，有时也使用来自焊接设备或者附属计量仪器的实际信息，通过反馈控制来执行焊接。但是，也有时无法得到用于反馈控制的有用的信息。

因此，在仅根据预设信息来进行自动焊接的情况下，例如，有时使用光学传感器来检测焊接完成后的焊道的形状，并判断焊接的好坏。除此以外，例如，在专利文献1中，通过在焊接紧后测定焊接部附近的温度来判定焊接的好坏。此外，在专利文献2中提出有如下方案：使用红外线传感器，根据焊接紧后目视确认的焊接熔池的形状来进行焊接的好坏判定，或者执行使用了该判定结果的焊接控制。

现有技术文献

专利文献

专利文献1：日本专利第5058707号公报

专利文献2：日本特开2000-351071号公报

发明内容

发明要解决的课题

基于焊道的形状检测来判断焊接好坏，近年来逐渐成为主流。但是，即使基于焊道而判定为良好，在连续冷轧中有时也会产生断裂，无法说一定能够进行准确的判定。此外，最终的判断由自动焊接装置的管理者或者焊接系统的操作者来进行，因此也存在判断困难的情形。

专利文献1仅能够应用于焊接部周边的温度分布能够相对目视确认那样的特定的焊接方法。因此，例如在热影响部较小的激光焊接等中难以应用。专利文献2着眼于被焊接材的焊接头12侧的表面，基于该表面上的焊道的形状特征来监视焊接的好坏。但是，关于焊道，难以区别焊接部位处于适当位置的情况下的形状与焊接部位从适当位置较大地偏移时的形状。

如以上说明的那样，在现有技术中，仍然存在难以进行高精度的好坏判定这样的实际情况。因此，本申请发明人进行了深刻研究，发现了基于与以往不同的新的技术思想而高精度地判定焊接的好坏的技术。

本申请是鉴于上述情况而完成的，其目的在于提供一种焊接异常诊断装置，被改良成能够高精度地判定焊接的好坏。

用于解决课题的手段

作为本申请的实施方式之一而提供的焊接异常诊断装置具备：摄像机系统，对被焊接材的背面进行摄影；焊接部摄影摄像机图像收集部，收集在上述被焊接材的焊接时由上述摄像机系统摄影的发光摄影图像；焊接控制信息收集部，收集焊接条件设定值；以及焊接状况诊断部，基于上述发光摄影图像以及上述焊接条件设定值来计算用于诊断上述被焊接材的焊接状况的焊接光特征量，并基于上述焊接光特征量以及焊接异常判定上下限值来判定焊接的好坏。

上述焊接光特征量也可以是用数值等来量化地表示从被焊接材的背面侧摄影到的焊接光的轮廓形状的特征量。上述焊接光特征量也可以是选自由发光摄影图像的焊接光所具有的空间力矩、面积、重心、焊接光、火花粗糙度以及圆度形成的组的一个特征量。

上述焊接条件设定值也可以包含向上述焊接系统的焊接头供给的电力、焊接头的移动速度、焊条的高度或者进给速度、以及先行材与后行材之间的间隙量。上述焊接条件设定值也可以包含关于导辊的高度位置或者压力的设定值或者实际值。上述焊接条件设定值也可以包含先行材的规格(例如钢种类、板厚及板宽)、后行材的规格(例如钢种类、板厚及板宽)、有无预热工序、以及预热时的温度设定。

为了便于数据处理，也可以设置有焊接异常判定上下限值表以及焊接状况信息数据库。焊接异常判定上下限值表保存用于判定焊接的好坏的焊接异常判定上下限值。焊接状况信息数据库保存焊接状况的输出结果。

为了提高焊接系统管理者的便利性，也可以设置焊接状况输出部和焊接异常警报部中的至少一方。上述焊接状况输出部是用于供焊接系统管理者目视确认上述焊接状况诊断部的输出结果的界面。上述焊接异常警报部基于上述焊接状况诊断部中的焊接异常的判定，将焊接异常通知给焊接系统管理者。

发明的效果

根据上述焊接异常诊断装置，能够基于根据被焊接材背面的焊接光计算出的焊接光特征量，来高精度地评价焊接状况。对被焊接材背面进行摄影而得到的焊接光具有容易呈现与焊接状况的好坏相应的不同这样的特征。通过将该焊接光的显现方式的不同作为焊接光特征量来处理，能够高强度地判定焊接的好坏。

附图说明

图1是表示第一实施方式的焊接系统的图。

图2是表示焊接异常诊断装置的构成的框图。

图3是表示由焊接部摄影摄像机图像收集部收集的图像的例子的图。

图4是表示焊接异常判定上下限表的图。

图5是表示焊接状况诊断部中的执行顺序的图。

图6是表示每个摄影图像诊断功能的处理的流程图。

图7是表示用于保存每个时刻的焊接光的特征和焊接的控制输出的信息的实际值的表的例子的图。

图8A是表示每个摄影图像诊断功能的其他处理例的图。

图8B是表示每个摄影图像诊断功能的其他处理例的图。

图9是表示每个时刻的焊接光的特征、焊接异常判定上下限值以及焊接异常警告上下限值的例子的图。

图10是表示焊接完成后诊断功能的处理的流程图。

图11是表示焊接倾向诊断功能的处理的流程图。

图12是表示焊接光特征量的统计量的倾向的一例的图。

图13A是表示第二实施方式的每个摄影图像诊断功能的处理的流程图。

图13B是表示第二实施方式的每个摄影图像诊断功能的处理的流程图。

图14是表示第二实施方式的焊接光的特征的梯度的取得例的图。

图15A是表示第二实施方式的焊接完成后诊断功能的处理的流程图。

图15B是表示第二实施方式的焊接完成后诊断功能的处理的流程图。

图16是表示第二实施方式的焊接完成后诊断功能中的焊接光的特征、上方管理极限以及下方管理极限的一例的图。

图17A是表示第二实施方式的焊接倾向诊断功能的处理的流程图。

图17B是表示第二实施方式的焊接倾向诊断功能的处理的流程图。

图18是表示第二实施方式的焊接倾向诊断功能中的焊接光特征量的统计量、上方管理极限以及下方管理极限的一例的图。

图19A是表示第三实施方式的处理流程的图。

图19B是表示第三实施方式的处理流程的图。

图20是表示对向以钢板的连续冷轧生产线为主的连续冷处理生产线供给的钢板之间进行焊接的焊接系统的一例的图。

图21是用于对与焊接状况相应的焊接光向背面的显现方式的不同进行说明的图。

图22是用于对与焊接状况相应的焊接光向背面的显现方式的不同进行说明的图。

图23是用于对与焊接状况相应的焊接光向背面的显现方式的不同进行说明的图。

图24是用于对被焊接材的切断面不平行的情况下的课题进行说明的图。

图25是用于对焊接光特征量的变化进行说明的图。

具体实施方式

在以下的说明中，在说明书以及附图中标注了相同符号的构成相互相同或者实质上相同。例如，在流程图中对对应的步骤标注相同符号。

第一实施方式

图1表示第一实施方式的焊接系统10的构成例。焊接头12沿着安装于装置的导轨或者导辊等，在被焊接材9的宽度方向上进行焊接。具体而言，被焊接材9包括先行材9a以及后行材9b。焊接头12将先行材9a与后行材9b进行焊接。

焊接部表面摄影摄像机13以及焊接部背面摄影摄像机14以追随焊接头12的移动的方式进行移动，相对于焊接头12始终在相同位置处对焊接状况进行摄影。焊接头12可以是激光焊接用的焊接头，也可以是电弧焊接用的焊接头。

从输出装置16供给的电力由控制装置15控制而得到所希望的焊接输出。此时，基于被焊接材9的信息来设定决定焊接条件的控制量。该控制量例如也可以包含向焊接头12供给的电力、焊接头12的移动速度、焊接头12的焊条的高度及进给速度、先行材9a与后行材9b之间的间隙量(以下，也称作间隙)、以及导辊的高度位置及压力。被焊接材9的信息例如也可以包含先行材9a的钢种类、板厚及板宽、以及后行材9b的钢种类、板厚及板宽。

这些控制量以及被焊接材9的信息成为预设信息。此外，实际进行了焊接时的实际信息有时也被取入到控制装置15中，并用于反馈控制等。焊接异常诊断装置20收集由焊接部表面摄影摄像机13以及焊接部背面摄影摄像机14在每个时刻摄影到的图像、焊接的控制输出的信息、以及其他的附随于焊接的信息。

焊接异常诊断装置20通过执行用于诊断焊接状况的焊接光特征量及其统计量的计算，来实施焊接好坏的判断等。另外，所记载的焊接系统构成为一例，可以适当地进行构成的追加或者省略。例如，也可以省略焊接部表面摄影摄像机13。

图20中图示出应用了焊接系统10的轧制系统40。焊接系统40具备供给热轧钢卷41的设备、对这些热轧钢卷41进行焊接的焊接系统10、作为连续冷轧生产线的冷轧机43、以及将轧制后的薄板卷取为冷轧钢卷44的设备。

焊接异常诊断装置20如图2所示的框图那样构成。焊接异常诊断装置20具备焊接部摄影摄像机图像收集部21、焊接控制信息收集部22、焊接状况诊断部23、焊接异常判定上下限表24、焊接异常警报部25、焊接状况输出部26、焊接控制信息数据库27以及焊接状况信息数据库28。

焊接控制信息收集部22收集焊接的控制输出的信息、其他的附随于焊接的信息。焊接的控制输出的信息例如是向焊接头12供给的电力、焊接头12的移动速度、焊条的高度、进给速度、先行材9a与后行材9b之间的间隙量(以下，称作间隙)、导辊的高度位置、压力的设定值及实际值等。

其他的附随于焊接的信息例如是先行材9a的钢种类、板厚、板宽、后行材9b的钢种类、板厚、板宽、有无预热工序、预热时的温度设定等、用于设定焊接条件的信息。由焊接控制信息收集部22收集到的信息例如保存于焊接控制信息数据库27。

焊接部摄影摄像机图像收集部21收集由焊接部表面摄影摄像机13以及焊接部背面摄影摄像机14在每个时刻摄影到的图像。

图3表示由焊接部摄影摄像机图像收集部21收集到的图像的例子。焊接头12从图3的下部移动到上部。焊接部表面摄影摄像机13或者焊接部背面摄影摄像机14以追随焊接头12的方式进行移动。在焊接头12通过之后形成焊接熔池B_d1。

焊接部表面摄影摄像机13或者焊接部背面摄影摄像机14对图3的虚线部位进行摄影，作为一例，得到拍摄出图3所示那样的焊接光L_w1的图像。为了方便，将焊接部背面摄影摄像机14得到的图像也称作焊接部背面摄影摄像机图像19。

焊接部背面摄影摄像机图像19优选通过调整对比度、明亮度以及曝光等，使其能够适当地目视确认到焊接光L_w1。这些调整可以由焊接部摄影摄像机图像收集部21处理，也可以由焊接部表面摄影摄像机13或者焊接部背面摄影摄像机14处理。

图21～图23是用于对与焊接状况相应的焊接光L_w1向背面的显现方式的不同进行说明的图。在图21中例示激光焊接的情况。如图21所示，当焊接激光适当地照射到先行材9a与后行材9b的抵接部位时，在被焊接材9的表面和背面显现出焊接光L_w1。另一方面，如图22所示，当焊接激光从抵接部位偏移时，虽然在表面上呈现出焊接光L_w1，但在背面不呈现焊接光L_w1。如图23所示，由于某种原因，有时所照射的焊接激光的强度(能量)比正常时弱。在该情况下，与图21的适当的情况相比，在背面呈现出的焊接光L_w1的大小、形状变小。

另外，如图24所示，有时后行材9b的断面相对于长度方向变得倾斜。在该情况下，产生倾斜的间隙ga1，因此，在焊接的中途焊接激光的照射状况变化。在该情况下，在焊接的中途，背面的焊接光L_w1的大小、形状容易呈现出明确的变化。

在上述例子中例示了激光焊接的情况，但在电弧焊接中也会由于同样的状况而使背面的焊接光L_w1呈现不同。

如此，从被焊接材9的背面摄影到的焊接光L_w1具有容易呈现与焊接状况的好坏相应的不同这样的特征。因而，通过将该焊接光L_w1的显现方式的不同作为特征量来处理，能够高精度地判定焊接的好坏。根据这样的原理，在实施方式中，能够基于被焊接材9的背面的焊接状况来高精度地评价焊接状况。

焊接状况诊断部23基于由焊接控制信息收集部22和焊接部摄影摄像机图像收集部21收集到的信息，计算用于诊断焊接状况的焊接光特征量及其统计量，并诊断焊接异常。用于诊断焊接状况的焊接光特征量及其统计量的计算结果保存于焊接状况信息数据库28。

关于焊接异常的诊断，例如，将用于诊断焊接状况的焊接光特征量及其统计量与焊接异常诊断基准进行比较，在超过基准值的情况下判定为焊接异常。此处，例如，也可以将用于诊断焊接状况的焊接光特征量及其统计量与预先确定了焊接异常判定上下限值的焊接异常判定上下限表24的规定值进行比较，而判定焊接异常。

图4是焊接异常判定上下限表24的例子。如图4所示，也可以根据各种区分来设定焊接异常判定上下限值的上限值和下限值。各种区分也可以包含先行材9a及后行材9b的钢种类、先行材9a与后行材9b的平均板厚、以及先行材9a与后行材9b的间隙设定值等。

此外，也可以在比判定为异常的范围窄的范围内，设定用于警告检测出接近于焊接异常判定的数值的上限值与下限值(焊接异常警告上下限值)。或者，也可以如在第二实施方式中说明的那样，基于使用用于诊断焊接状况的焊接光特征量及其统计量而计算出的焊接异常判定上下限值，来判定焊接异常。

在判定为焊接异常的情况下，通过焊接异常警报部25向管理者发出警告。焊接状况输出部26输出每个时刻的焊接状况、多个焊接状况的结果等。该输出也可以在用于供管理者确认焊接的显示画面上进行显示。

焊接状况诊断部23具有每个摄影图像诊断功能块23A、焊接完成后诊断功能块23B、以及焊接倾向诊断功能块23C。

每个摄影图像诊断功能块23A针对在焊接工序的开始到结束的期间中在每个时刻摄影到的每个图像，计算用于诊断焊接状况的统计量，并判定焊接的好坏。

焊接完成后诊断功能块23B为，每当被焊接材9的焊接完成时，就使用由上述每个摄影图像诊断功能块23A计算出的用于诊断焊接状况的统计量，计算出一次焊接中的用于诊断焊接状况的统计量，并判定焊接的好坏。

焊接倾向诊断功能块23C为，在焊接系统启动后在焊接次数超过规定的焊接根数N以后，根据从被焊接的时间较新的焊接根数起为任意的焊接根数M中的用于对焊接状况进行诊断的统计量的倾向，来判定焊接的好坏。

无论哪种功能，都将由焊接部摄影摄像机图像收集部21收集到的焊接部背面摄影摄像机图像19、以及从焊接控制信息收集部22收集的信息作为输入源。

图5是将各个功能的执行顺序表示为流程图。对焊接的开始到结束进行判断的逻辑(步骤S1)，也可以根据表示焊接顺序开启的焊接的控制输出的信息的实际值来进行判断。或者，也可以通过在从焊接部摄影摄像机图像收集部21得到的焊接部表面摄影摄像机图像或者焊接部背面摄影摄像机图像19中确认焊接光L_w1的存在来进行判断。

对应于焊接工序开启，每个摄影图像诊断功能块23A动作。经由焊接控制信息数据库27向每个摄影图像诊断功能块23A赋予由焊接控制信息收集部22收集到的信息。

每个摄影图像诊断功能块23A计算出在每个时刻摄影到的每个图像的焊接状况的分析结果。分析结果包含后述的“焊接光特征量”。该每个时刻的每个图像的分析结果保存于焊接状况信息数据库28。

步骤S2包含判断焊接完成的逻辑。步骤S2还实施是否进行了数据库更新的判定。在焊接完成后，焊接完成后诊断功能块23B动作。在焊接完成后，保存于焊接状况信息数据库28的在每个时刻摄影的每个图像的焊接状况的分析结果(焊接光特征量)，由焊接完成后诊断功能块23B使用。

焊接完成后诊断功能块23B将一次焊接中的焊接状况的分析结果输出至焊接状况信息数据库28。具体而言，分析结果包含根据焊接光特征量计算出的统计量。该统计量的详细情况将后述。

另外，判断焊接完成的逻辑(步骤S2)，可以根据表示上述焊接顺序开启的焊接的控制输出的信息的实际值来进行判断，也可以通过在从焊接部摄影摄像机图像收集部21得到的焊接部表面摄影摄像机图像或者焊接部背面摄影摄像机图像19中确认焊接光L_w1的存在来进行判断。

在步骤S1以及S2中，作为对从焊接部摄影摄像机图像收集部21得到的焊接部表面摄影摄像机图像或者焊接部背面摄影摄像机图像19中的焊接光L_w1的存在进行判断的方法，例如，可以使用图像处理中的以下的阈值处理。图像的颜色空间的数值阵列img由下述的公式(1)以及式(2)表示。

[数式1]

[数式2]

I(x，y)＝[r_xy g_xy b_xy]…(2)

此处，w是图像的宽度方向的像素数，h是图像的高度方向的像素数，I是宽度方向像素位置x、高度方向像素位置y处的像素值。此外，作为例子，用RGB空间来描述颜色空间，但并不限定于此。此时，例如，通过在将图像灰度化之后根据全部像素的平均值来进行阈值处理，由此能够判定焊接光L_w1的存在。

[数式3]

[数式4]

I′(x，y)＝0.299·r_xy+0.587·g_xy+0.114·b_xy…(4)

此处，NoWelding是焊接的开始到结束的判断。I^d(x,y)是宽度方向像素位置x以及高度方向像素位置y处的灰度化后的像素值。另外，用于对此处所示的I^d(x,y)进行计算的各系数，根据与模拟信号和数字信号的转换相关的国际标准即ITU-R BT.601(Studioencoding parameters of digital television for standard 4:3and wide screen 16:9aspect ratios International Telecommunication Union)确定。但是，各系数也可以依据其他标准。

但是，使用了上述平均值的方法为一例。并不限定于平均值，也可以应用各种公知的阈值处理。

此外，由于焊接光L_w1闪烁，因此不一定在焊接中的全部图像中都能够确认到焊接光L_w1，因此优选使用了任意张数的图像的判断。

接着，判定从系统启动起的焊接根数是否为N以上(步骤S3)。如果不为N以上，则此次的例程结束。

当在步骤S3中判断为焊接根数为N以上的情况下，焊接倾向诊断功能块23C动作。焊接倾向诊断功能块23C从焊接状况信息数据库28接收基于用于对焊接根数J(J≧N)的焊接状况进行诊断的焊接光特征量的统计量。

<每个摄影图像诊断功能>

使用图6的流程图对每个摄影图像诊断功能块23A进行说明。首先，取得焊接部背面摄影摄像机图像19。将所取得的焊接部背面摄影摄像机图像19中存在的除了焊接光L_w1以外的光源除去，并在与焊接光L_w1相应的部分和除此以外的部分进行二值化(步骤S101)。

作为仅提取焊接光L_w1的方法的一例，示出应用高斯滤波器和大津的二值化的情况。高斯滤波器通过高斯分布g对附近像素值进行加权，而使图像平滑化。

[数式5]

对于通过高斯滤波器平滑化后的图像应用大津的二值化处理。大津的二值化处理为，计算出在图像内的像素值的最大值与最小值的范围内分离程度最大的阈值。根据计算出的阈值对像素值进行二值化。

上述处理为一例，也能够进行其他变形例。作为变形例，可以使用平均值滤波，可以使用基于中值滤波的平滑化，或者也能够应用自适应二值化等处理。

根据提取了焊接光L_w1的图像来计算出焊接光L_w1的轮廓(步骤S102)。轮廓的提取方法也可以是应用一次微分滤波器或者拉普拉斯滤波器等滤波处理的方法。或者，轮廓的提取方法也可以是仅对属于通过二值化处理而得到的一方的数值的面积成为最大的轮廓进行提取的方法。无论在哪种方法中，都能够得到用于表示焊接光L_w1的轮廓的像素位置组。

在实施方式中，使用表示焊接光L_w1的轮廓的像素位置组，计算出表示焊接光L_w1的特征的焊接光特征量(步骤S103)。焊接光特征量为，用数值表示由焊接光L_w1的轮廓形状示出的图形的特征。

例如，能够使用以下那样的各种焊接光特征量。焊接光特征量可以是焊接光L_w1的空间力矩，可以是焊接光L_w1的面积，可以是焊接光L_w1的重心，可以是焊接光L_w1的周长，可以是焊接光L_w1的火花粗糙度，也可以是焊接光L_w1的圆度。

焊接光L_w1的空间力矩m_ijf可以通过下述的公式(6)计算。焊接光L_w1的面积A_f可以通过下述的公式(7)计算。焊接光L_w1的重心C_f可以通过下述的公式(8)计算。焊接光L_w1的周长P_f可以通过下述的公式(9)计算。焊接光L_w1的火花粗糙度R_f可以通过下述的公式(10)计算。焊接光L_w1的圆度C_ircf可以通过下述的公式(11)计算。

[数式6]

[数式7]

[数式8]

[数式9]

[数式10]

[数式11]

此处，m_10f、m_01f分别是图像的宽度方向和高度方向的空间一次力矩。下标f是从焊接开始到结束为止的图像张数(f＝1toF，F：焊接结束图像)。焊接光特征量优选至少包含焊接光L_w1的面积、焊接光L_w1的周长、焊接光L_w1的重心以及焊接光L_w1的圆度。

不仅限定于上述各焊接光特征量，也可以使用其他量。图25是表示焊接光特征量的变化的图。图25的焊接光L_w1包含相对于重心G朝纸面左右延伸的第一部分和第二部分。将从重心G到第一部分的距离设为r1、从重心G到第二部分的距离设为r2。将该r1与r2的差分的绝对值设为r_br。该r_br也可以被用作为焊接光特征量。

焊接光特征量保存于焊接状况信息数据库28(步骤S104)。在保存时，焊接光特征量被与从焊接控制信息收集部22得到的用于设定焊接条件的信息建立关联。此外，焊接光特征量被与从焊接控制信息收集部22得到的焊接的控制输出的信息的实际值一起保存。即，如图7所示的表那样，在与用于设定焊接条件的信息建立了关联的规定的表中保存每个时刻的焊接光特征量以及焊接的控制输出的信息的实际值。

根据所得到的焊接光特征量，对所取得的焊接部背面摄影摄像机图像19中的焊接的好坏进行评价·诊断。在实施方式中，首先，取得焊接异常判定基准(步骤S105)。

作为一例，在评价·诊断中使用作为焊接异常判定基准的一例的焊接异常判定上下限值。在焊接异常判定上下限表24中预先存储有焊接异常判定上下限值。从焊接控制信息收集部22得到的焊接条件设定信息中的、先行材9a以及后行材9b的钢种类、先行材9a与后行材9b的平均板厚、以及先行材9a与后行材9b之间的间隙的设定值，也可以被用作为表参照用参数。基于表参照用参数来参照焊接异常判定上下限表24的相应区分，能够取得焊接异常判定上下限值的焊接异常判定上下限值。

此处，在设置有焊接异常警告上下限值的情况下，也可以与焊接异常判定上下限值同时取得焊接异常警告上下限值。

在设置有焊接异常警告上下限值的情况下，将各焊接光特征量和与各焊接光特征量分别对应的焊接异常警告上下限值进行比较(步骤S106)。进而，将各焊接光特征量和与各焊接光特征量分别对应的焊接异常判定上下限值进行比较(步骤S107)。

在各焊接光特征量超过焊接异常警告上下限值但未超过焊接异常上下限值时，对处于接近焊接异常的状态进行警告通知(步骤S108)。在各焊接光L_w1的特征超过焊接异常上下限值时，判定为焊接异常并通知焊接异常(步骤S109)。此时，在焊接不良判定中使用的焊接光特征量可以限定为任意一个，也可以选择多个。

但是，在使用了从在每个时刻取得的焊接部背面摄影摄像机图像19得到的焊接光特征量的焊接异常判定中，也存在由于各种干扰而产生的极端数值的输出，因此作为将焊接异常向管理者进行通知的手段，不能说一定有效。

因此，作为变形例，提供图8A以及图8B的组合中记载的流程图。为了方便，有时将图8A与图8B统称为图8。在图8A的流程中，在步骤S104之后追加步骤S200～S203，由此取得任意的图像张数区间(F_r)中的焊接光特征量。接着，使用在步骤S203中取得的多个焊接光特征量的平均值或者中值等来进行平滑化(步骤S204)，并取得焊接异常判定基准(步骤S205)。也可以在平滑化之后判定焊接异常。

图9表示每个时刻的焊接光特征量A、焊接异常判定上下限值A_err1、A_err2以及焊接异常警告上下限值A_wrn1、A_wrn2的例子。从上述空间力矩以及面积等各种量中任意地选择焊接光特征量A。横轴是整个焊接过程中的图像张数。

在从焊接开始到结束的期间中，焊接光特征量A低于焊接异常警告下限值A_wrn2，因此向管理者进行警告通知。之后，焊接光特征量A进一步低于焊接异常判定下限值A_err2，因此通知焊接异常。

<焊接完成后诊断功能>

接着，对焊接完成后诊断功能块23B进行说明。图10表示焊接完成后诊断功能块23B的处理流程。在焊接完成的同时，从焊接状况信息数据库28中取得所完成的焊接的每个时刻的焊接光特征量(步骤S300)。此时，可以取出所收集到的每个时刻的焊接光特征量中的任意的图像张数之间的焊接光特征量，也可以根据任意的图像张数区间中的移动平均、移动中值来进行取出。

接着，在实施方式中，计算出与所收集到的每个时刻的焊接光特征量分别相关的统计量(步骤S301)。通过得到统计量，由此使每个时刻的焊接光特征量落入到每一焊接次数的特征。

此处所述的统计量，可以是平均值，可以是标准偏差，可以是方差，可以是最大值，可以是最小值，可以是失真度，可以是峰态，也可以是中值。

统计量可以通过公知的以下的公式(12)～(19)计算。

平均值

可以通过下述公式(12)计算。

标准偏差σ可以通过下述公式(13)计算。方差s²可以通过下述公式(14)计算。最大值可以通过下述公式(15)计算。最小值可以通过下述公式(16)计算。失真度β₁可以通过下述公式(17)计算。峰态β₂可以通过下述公式(18)计算。中值可以通过下述公式(19)计算。

[数式12]

[数式13]

[数式14]

[数式15]

max(X)…(l5)

[数式16]

min(X)…(16)

[数式17]

[数式18]

[数式19]

x(N+1)/2(sorted as x₁≤x₂≤…≤x_N)…(19)

焊接光L_w1的特征之一由下述公式(20)表示。从由式(6)～(11)例示那样的上述各种焊接光特征量中选择任意种类的焊接光特征量。计算所选择的焊接光特征量的统计量。

[数式20]

X＝{x₁，x₂，…，x_f，…，x_F}…(20)

此处，f是从焊接开始到结束的图像张数(f＝0toF，F：焊接结束图像)。

接着，计算出的焊接光特征量的统计量被与从焊接控制信息收集部22得到的用于设定焊接条件的信息建立关联，而保存于焊接状况信息数据库28(步骤S302)。

接着，根据焊接光特征量的统计量，对整个焊接过程中的焊接好坏进行评价·诊断。此处，取得焊接异常判定基准(步骤S105)。关于整个焊接过程中的焊接好坏的评价·诊断，与每个摄影图像诊断功能块23A所进行的处理相同，从焊接异常判定上下限表24中取得焊接异常判定上下限值，通过与上下限值进行比较来进行评价，并判定焊接异常(步骤S105～S109)。

在使用了焊接光特征量的统计量的整个焊接过程中的焊接异常判定用的焊接异常判定上下限表24中，设置有与统计量分别对应的上下限值。此外，在焊接不良判定中使用的焊接光特征量及其统计量，可以限定为任意一个，也可以选择多个。

<焊接倾向诊断功能>

接着，对焊接倾向诊断功能块23C进行说明。图11是焊接倾向诊断功能块23C的处理流程。在焊接倾向诊断功能块23C中，首先，从焊接状况信息数据库28中取得任意的焊接根数M量的焊接光特征量的统计量(步骤S400)。任意的焊接根数M优选比较大量。

图12表示所取得的任意的焊接根数M量的焊接光特征量的统计量的倾向例。图12中图示出某个焊接光特征量C的统计量C^d。图12中例示出针对统计量C^d的焊接异常判定上限值C^d _err1、焊接异常判定下限值C^d _err2、焊接异常警告上限值C^d _wrn1、焊接异常警告下限值C^d _wrn2、以及回归直线L_C ^d _,stat。

接着，针对所取得的焊接根数M量的焊接光特征量的统计量，按照在焊接状况信息数据库28中确定的每个区分来得到回归直线(步骤S401)。焊接光特征量的统计量的回归直线可以通过下述公式(21)计算。

[数式21]

此处，feat是焊接光L_w1的特征，stat是统计量，a_feat,stat是回归直线的斜率，b_feat,stat是回归直线的截距。

由此，能够得到回归直线的斜率(步骤S402)。根据所得到的回归直线的斜率，对焊接光L_w1的特征的长期倾向进行评价·诊断。与每个摄影图像诊断功能块23A以及焊接完成后诊断功能块23B同样，从预先确定了焊接异常判定上下限值的焊接异常判定上下限表24中取得针对与焊接光L_w1的特征、统计量对应的焊接倾向的焊接异常判定上下限值的上下限值(步骤S403)。

在回归直线的斜率超过焊接倾向异常中的焊接异常判定上下限值的上下限值的情况下，第一条件成立(步骤S404)。在从焊接时间较新的焊接起追溯了P根的根数量的焊接光L_w1的特征超过焊接异常判定上下限值的上下限值的情况下，第二条件成立(步骤S405)。在该第一条件和第二条件的双方都成立的情况下，诊断为与焊接光L_w1的特征相关的倾向存在长期的变化。诊断结果被通知给外部(步骤S406)。

例如，关于由于长期使用而导致的焊接部背面摄影摄像机14的透镜的污垢，只要能够取得焊接光L_w1的圆度的倾向变化即可。此外，焊接光特征量包含焊接光L_w1的面积或者周长。如果这些焊接光特征量的倾向变化中的回归直线的斜率处于减少倾向，则可知焊接输出有可能产生异常。尤其是，在焊接系统为激光焊接的情况下，也能够暗示激光输出源的保护玻璃产生污垢的可能性。

第二实施方式

接着，对第二实施方式进行说明。另外，与第一实施方式重复的部分省略说明。在第一实施方式中，作为预先设定的数值而取得各种焊接异常判定上下限值，并用于焊接异常判定。与此相对，在第二实施方式中，通过计算来求出各种焊接异常判定上下限值。

<每个摄影图像诊断功能>

通过图13A与图13B的组合来表示第二实施方式的每个摄影图像诊断功能块23A。为了方便，有时将图13A与图13B统称为图13。

在每个摄影图像诊断功能块23A中，根据在任意的图像张数区间R中取得的焊接光特征量，计算焊接光特征量的1次微分成分(即，区间R中的焊接光特征量的梯度)，并根据其变化来对焊接的好坏进行评价·诊断。此处，R可以在一次焊接的整个过程的期间中设为比较长的区间。此外，如在第一实施方式中也说明过的那样，从在每个时刻取得的焊接部背面摄影摄像机图像19得到的焊接光特征量，还存在由于各种干扰而引起的极端数值的输出，因此也可以使用在其他任意的图像张数区间(F^d _r)中平滑化后的焊接光特征量来计算1次微分。但是，在该情况下，需要设为R>F^d _r。

在图13中，在执行了上述步骤S101～S104的处理之后，在步骤S500中将图像张数计数用的标识符FrmCnt与规定值R进行比较。到图13的步骤S503之前为止，进行与第一实施方式相同的处理。在步骤S503中，在R中取得焊接光特征量。所取得的焊接光特征量也可以在任意的图像取得区间F^d _r中平滑化(步骤S504)。

根据所取得的焊接光L_w1的特征(此处，设为Y(f))，例如通过最小二乘法等来求出一次微分成分(步骤S505)。在每个时刻应用该计算，而计算出最近的梯度Q_k以及前一个梯度Q_k-1。Q_k是最近的图像张数区间位置k处的焊接光特征量的梯度，通过下述公式计算。

[数式22]

Q_k-1是前一个图像张数区间位置k-1处的焊接光特征量的梯度，通过下述公式计算。

[数式23]

将最近的梯度Q_k与其前一个梯度Q_k-1进行比较。此处，图像张数区间位置k是一次焊接的整个过程中的图像张数区间位置的数量(k＝0toK(K＝F/R，F：焊接结束图像))。

图14表示焊接光特征量的梯度的取得例。图示有各个图像张数区间位置k、k-1、k-2、位置k处的梯度Q_k、以及位置k-1的梯度Q_k-1。

在这些梯度之差超过任意的阈值(D_grad)的情况下，判定为焊接光特征量产生了显著的变化(步骤S506)。在该情况下，向管理者通知焊接异常(步骤S109)。

<焊接完成后诊断功能>

在第二实施方式的焊接完成后诊断功能块23B中，应用作为品质管理方法之一的管理图。在管理图中，一般将上方管理极限以及下方管理极限设为3σ(σ：标准偏差)，在超过这些极限的情况下判定为异常。

在第二实施方式的焊接完成后诊断功能块23B中，使用焊接正常完成了的情况下的焊接光特征量，按照每个时间序列来计算针对焊接光特征量的上方管理极限以及下方管理极限。将这些管理极限用作为焊接异常判定上下限值来对焊接的好坏进行诊断。

但是，在每次焊接时，都需要预先赋予表示焊接好坏的符号。该符号的赋予可以由管理者进行，可以作为第一实施方式中的诊断方法的结果来进行，也可以由其他的焊接好坏判定设备(例如，焊道检查装置等)进行。

图15A以及图15B是第二实施方式的焊接完成后诊断功能块23B的流程图。有时将图15A与图15B统称为图15。在焊接完成后，确认焊接为正常的情况下的焊接根数是否为N^d根以上(步骤S600)。

在低于N^d根的情况下，进行与第一实施方式中的焊接完成后诊断功能块23B相同的处理。

在为N^d根以上的情况下，取得焊接为正常的焊接根数中的任意的焊接根数M^d根的焊接光特征量(步骤S601)。

根据所收集到的焊接光特征量，按照每个图像张数来计算上方管理极限以及下方管理极限(步骤S602)。上方管理极限以及下方管理极限例如也可以按照休哈特控制图中的上方管理极限以及下方管理极限的定义(JIS Z9020-2：2016管理图-第2部：休哈特控制图)来计算。具体而言，也可以使用以下的公式(22)～(25a)以及(25b)。

上方管理极限UCL_i可以通过下述公式(22)计算。下方管理极限LCL_i可以通过下述公式(23)计算。标准化后的图像张数i中的焊接光L_w1的特征的平均值，可以通过下述公式(24)计算。标准化后的图像张数i中的焊接光L_w1的特征的标准偏差，可以通过下述公式(25a)计算。

[数式24]

[数式25]

[数式26]

[数式27]

[数式28]

此处，i是标准化后的图像张数(i＝0toI^d)。

是标准化后的图像张数i中的焊接正常完成了的焊接根数M^d根的平均值。

σ_i是标准化后的图像张数i中的焊接根数M^d根的标准偏差。图像张数有时根据各个焊接的条件而不同，因此也可以根据近似值等得到与标准化后的图像张数对应的焊接光特征量来进行插补。在该情况下，例如，可以仅使用线形插补，也可以使用基于样条函数的插补等。

此外，在此处，将上方管理极限以及下方管理极限设为3σ。但是，作为变形例，可以不设为3σ而设为2σ等，也可以变更上下限的设定。

此外，也可以按照与焊接异常判定上下限表24同样的区分来设定上方管理极限以及下方管理极限。焊接异常判定上下限表24的区分是根据焊接控制信息收集部22的焊接条件设定信息得到的先行材9a以及后行材9b的钢种类、先行材9a与后行材9b的平均板厚、先行材9a与后行材9b之间的间隙的设定值等。

通过将所得到的上方管理极限以及下方管理极限设定为焊接异常判定基准，而用于焊接好坏的判定(步骤S603)。即，在超过上方管理极限以及下方管理极限的得分较多的情况下，判定为焊接异常，并向管理者通知焊接异常。

图16表示焊接光特征量、与各时间序列相应的上方管理极限以及下方管理极限的例子。图16中图示出某个焊接光特征量D的上方管理极限D_m1、以及下方管理极限D_m2。第一焊接例D_ex1例示出超过了上方管理极限D_m1的情况。第二焊接例D_ex2是焊接正常完成了的例子。另外，标准化后的图像张数i为I^d。

<焊接倾向诊断功能>

在第二实施方式的焊接倾向诊断功能块23C中，与第二实施方式中的焊接完成后诊断功能块23B同样，将管理图中的上方管理极限以及下方管理极限用于焊接异常判定上下限值。

图17A以及图17B表示与第二实施方式中的焊接倾向诊断功能块23C的处理相关的流程图。有时将图17A与图17B统称为图17。在第二实施方式中，焊接完成后诊断功能块23B判定焊接正常完成了的根数是否为N^d根以上(步骤S600)。

在焊接正常完成了的根数为N^d根以上的情况下，取得焊接为正常的焊接根数中的任意的焊接根数M^d根的焊接光特征量的统计量(步骤S601)。进而，根据所取得的统计量来计算上方管理极限以及下方管理极限(步骤S702)。将这些管理极限设定为焊接异常判定基准(步骤S603)。之后，与图11的流程图同样地执行步骤S400～S406的处理。

即，如图18所示，针对某个焊接根数唯一地确定上方管理极限D^d _mx1以及下方管理极限D^d _mx2。将所得到的上方管理极限D^d _mx1以及下方管理极限D^d _mx2用于焊接异常判定上下限值，而评价焊接的好坏。

另外，作为焊接异常判定上下限值的决定方法之一，示出了根据管理图得到的上方管理极限以及下方管理极限，但并不一定限定于此，例如也可以使用图案识别那样的方法。

在该情况下，在某个焊接根数M^dd中，对每次焊接所得到的焊接光特征量间的距离进行计算，且还基于该距离求出焊接正常完成了的情况与成为焊接异常的情况之间的边界。此处，焊接根数M^dd是与焊接好坏无关而焊接完成了的根数。每次焊接所得到的各焊接光特征量之间的距离，例如可以通过均方误差等求出，例如也可以通过以下公式(26)计算。

[数式29]

此处，d_s,t是焊接根数M^dd中的第s个焊接中的焊接光特征量与第t个焊接中的焊接光特征量之间的距离(s>t，s,t＝1toM^dd)。均方误差是一例，也可以通过其他方法来计算特征量间的距离。基于焊接正常完成了的情况与成为焊接异常的情况之间的边界来判定焊接的好坏。

在求出边界的方法中，也可以使用各种机械学习。例如，也可以使用支持向量机、神经网络等来求出焊接正常完成了的情况与成为焊接异常的情况之间的边界。

第三实施方式

在第三实施方式中，每个摄影图像诊断功能块23A根据用于对针对在从焊接工序的开始到结束的期间中在每个时刻摄影到的每个图像计算出的焊接状况进行诊断的焊接光特征量，对焊接的控制输出的信息进行修正。

在控制输出中，存在向焊接头12供给的电力、焊接头12的移动速度、间隙。例如，在焊接系统为电弧焊接的情况下，在修正对象中也可以包含焊炬的进给速度。也可以将其他各种控制输出设为修正对象。这些控制输出是焊接系统10中的“焊接条件设定值”。

通过图19A与图19B的组合对第三实施方式进行说明。有时将图19A与图19B统称为图19。另外，不再提及与第一实施方式以及第二实施方式重复的部分。

在图19的流程图中，与在图8中所述同样地执行步骤S100～S104以及步骤S200～S204。在第三实施方式的每个摄影图像诊断功能块23A中，根据从所取得的焊接部背面摄影摄像机图像19得到的焊接光特征量与一致的图像张数中的焊接根数W根量的焊接光特征量的平均值之差，计算出针对焊接的控制输出的信息的修正量，并针对对象的控制输出施加修正(步骤S800～S802)。此时，针对控制对象的修正量例如可以通过以下公式(27)的计算式来赋予。

[数式30]

此处，α_S是针对对象的控制输出的修正系数。cur是从该焊接的焊接开始起的图像张数。f_match是与cur一致的图像张数。

例如，将对象的控制输出设为向焊接头12供给的电力。此时，作为焊接光特征量之一，例如使用面积。假定该面积在某个时刻cur^d变得小于f_match ^d中的焊接光L_w1的面积的焊接根数W根的平均值的情况。在该情况下，可以将向焊接头12供给的电力增大与修正量相应的量，以使焊接光L_w1的面积成为一定。

例如，将对象的控制输出设为焊接头12的移动速度。此时，作为焊接光特征量之一，例如使用周长。假定该周长在某个时刻cur^dd变得小于f_match ^dd中的焊接光L_w1的周长的焊接根数W根的平均值的情况。在该情况下，可以使焊接头12的移动速度延迟与修正量相应的量，以使焊接光L_w1的周长成为一定。

此外，优选按照与焊接异常判定上下限表24同样的区分来设置针对控制输出的修正系数，该焊接异常判定上下限表24将根据从焊接控制信息收集部22得到的用于设定焊接条件的信息得到的先行材9a以及后行材9b的钢种类、先行材9a与后行材9b的平均板厚、先行材9a与后行材9b之间的间隙的设定值等作为区分。进而，对象的控制输出并不一定是一个，也可以是多个。

基于每个时刻的焊接光特征量对控制输出施加修正量，但在焊接光L_w1的特征超过焊接异常警告上下限值的情况下，与第一实施方式同样地向管理者发出警告通知。进而，在超过焊接异常判定上下限值的情况下，通知焊接异常。

如以上说明的那样，实施方式的焊接异常诊断装置20利用从对被焊接材9的背面进行摄影的映像得到的焊接时的发光(即焊接光)的特征，对焊接状况进行分析，在焊接中以及焊接后判定焊接的好坏。根据在焊接中判定出的焊接的好坏状态来自动调整焊接条件，使之后的焊接状态变得良好。进而，在焊接后，利用在焊接中的好坏判定分析中使用的判断基准以及焊接条件来预测焊接状况，并且为了避免由于焊接不良引起的状况而向管理者发出措施劝告。

另外，在实施方式中对被焊接材9的背面应用基于焊接光的焊接状况诊断，但也可以对被焊接材9的表面应用实施方式的焊接状况诊断。

另外，也可以将实施方式的焊接异常诊断装置20执行的各流程图的处理步骤替换成方法步骤，由此提供实施方式的焊接异常诊断方法。

符号的说明

9：被焊接材；9a：先行材；9b：后行材；10：焊接系统；12：焊接头；13：焊接部表面摄影摄像机；14：焊接部背面摄影摄像机；15：控制装置；16：输出装置；19：焊接部背面摄影摄像机图像；20：焊接异常诊断装置；21：焊接部摄影摄像机图像收集部；22：焊接控制信息收集部；23：焊接状况诊断部；23A：每个摄影图像诊断功能块；23B：焊接完成后诊断功能块；23C：焊接倾向诊断功能块；24：焊接异常判定上下限表；25：焊接异常警报部；26：焊接状况输出部；27：焊接控制信息数据库；28：焊接状况信息数据库；A、C、D：焊接光特征量；C^d、D^d：统计量；A_err1、C^d _err1：焊接异常判定上限值；A_err2、C^d _err2：焊接异常判定下限值；A_wrn1、C^d _wrn1：焊接异常警告上限值；A_wrn2、C^d _wrn2：焊接异常警告下限值；B_d1：焊接熔池；D_m1、D^d _mx1、UCL_i：上方管理极限；D_m2、D^d _mx2、LCL_i：下方管理极限；F^dr：图像取得区间；FrmCnt：图像张数标识符；LC^d：回归直线；L_w1：焊接光；Q_k、Q_k-1：梯度；x：宽度方向像素位置；y：方向像素位置。

Claims (9)

1.一种焊接异常诊断装置，具备：

摄像机系统，对被焊接材的背面进行摄影；

焊接部摄影摄像机图像收集部，收集在上述被焊接材的焊接时由上述摄像机系统摄影到的发光摄影图像；

焊接控制信息收集部，收集焊接条件设定值；以及

焊接状况诊断部，基于上述发光摄影图像以及上述焊接条件设定值来计算用于诊断上述被焊接材的焊接状况的焊接光特征量，并基于上述焊接光特征量以及与上述焊接条件设定值建立关联的焊接异常判定上下限值来判定焊接的好坏，

上述焊接状况诊断部包括焊接倾向诊断单元，

上述焊接倾向诊断单元根据多个上述焊接光特征量来计算统计量，并基于上述统计量所具有的倾向以及上述焊接异常判定上下限值来判定焊接的好坏，

在上述焊接光特征量的统计量的回归直线的斜率超过上述焊接异常判定上下限值的上下限值的情况下，第一条件成立，在从焊接时间新的焊接起追溯了多根的根数量的焊接光的特征超过上述焊接异常判定上下限值的上下限值的情况下，第二条件成立，在上述第一条件和上述第二条件的双方都成立的情况下，上述焊接倾向诊断单元诊断为与上述焊接光的特征相关的倾向存在长期的变化。

2.根据权利要求1所述的焊接异常诊断装置，其中，

上述焊接状况诊断部包括每个摄影图像诊断单元，

上述每个摄影图像诊断单元为，根据在一根量的焊接工序中从上述焊接部摄影摄像机图像收集部得到的每个时刻的上述发光摄影图像，计算每个时刻的上述焊接光特征量，并基于上述焊接光特征量以及与上述焊接条件设定值建立关联的焊接异常判定上下限值来判定焊接的好坏。

3.根据权利要求2所述的焊接异常诊断装置，其中，

上述每个摄影图像诊断单元为，根据在一根量的焊接工序中从上述焊接部摄影摄像机图像收集部得到的每个时刻的上述发光摄影图像，计算每个时刻的上述焊接光特征量，并通过将预先确定的期间内的上述焊接光特征量的梯度进行比较来判定焊接的好坏。

4.根据权利要求2所述的焊接异常诊断装置，其中，

上述每个摄影图像诊断单元为，基于根据一根量的从上述焊接部摄影摄像机图像收集部得到的每个时刻的上述发光摄影图像而得到的每个时刻的上述焊接光特征量，对上述焊接条件设定值进行修正。

5.根据权利要求1所述的焊接异常诊断装置，其中，

上述焊接状况诊断部包括焊接完成后诊断单元，

上述焊接完成后诊断单元根据多个上述焊接光特征量来计算统计量，并基于上述统计量以及焊接异常判定上下限值来判定焊接的好坏。

6.根据权利要求5所述的焊接异常诊断装置，其中，

上述焊接完成后诊断单元基于上述统计量并使用统计的方法来决定上述焊接异常判定上下限值。

7.根据权利要求5所述的焊接异常诊断装置，其中，

上述焊接完成后诊断单元基于上述统计量并使用机械学习来决定上述焊接异常判定上下限值。

8.根据权利要求1所述的焊接异常诊断装置，其中，

上述焊接倾向诊断单元基于上述统计量并使用统计的方法来决定上述焊接异常判定上下限值。

9.根据权利要求1所述的焊接异常诊断装置，其中，

上述焊接倾向诊断单元基于上述统计量并使用机械学习来决定上述焊接异常判定上下限值。

Images