CN113305410A - 电阻焊用电极的修整好坏判断方法及其装置 - Google Patents

Abstract

本发明涉及一种电阻焊用电极的修整好坏判断方法及其装置。修整好坏判断方法用于当在多个焊点进行电阻焊时，判断对电极进行的修整的好坏。该方法包括：累积工序(S1)，将刚对电极进行修整后的已知电阻值波形(A)和快要对电极进行修整前的已知电阻值波形(B)进行累积；模型创建工序(S2)，根据多个刚修整后已知电阻值波形(A)和多个快修整前已知电阻值波形(B)，通过统计方法创建模型，该模型用于设定修整好坏判断的阈值；波形获取工序(S3)，获取刚对电极进行修整后的未知电阻值波形(C)；以及判断工序(S4)，通过对刚修整后未知电阻值波形(C)与判断修整好坏的阈值进行比较，判断修整正常还是修整异常。

Description

电阻焊用电极的修整好坏判断方法及其装置

背景技术

本发明涉及一种电阻焊用电极的修整好坏判断方法及其装置。

在电阻焊中，利用一对电极对由多块金属板重叠而成的工件进行加压并通电。在该多块金属板上，因电阻而产生焦耳热，使得其与电极之间的接触部分局部熔融。

由于反复进行焊接，电极的顶端磨损而导致直径变大。如果在电极的顶端磨损的状态下进行焊接，则因为电阻较小，所以无法得到足够的焦耳热，可能导致焊接强度不足。

于是，以一定的周期对电极的顶端进行修整。通过正常进行修整，电极的顶端直径变小，能够得到足够的焦耳热，从而能够保证焊接强度。

另一方面，如果修整进行得不充分，则电极的顶端不会变细，焦耳热不足，可能导致焊接强度不足。

因此，为了保证强度品质，需要高精度地判断修整的好坏，即高精度地判断修整是正常还是异常。

已有各种发明公开了关于修整好坏的判断方法和装置。例如，日本公开专利公报特开2018－167302号公报所涉及的电阻焊用电极的修整好坏判断装置包括通电介质、测量部以及判断部，该通电介质与一对电极的顶端抵接，该测量部在通过一对电极向通电介质通电时，对该通电介质的电阻值进行测量，该判断部根据由测量部测量出的通电介质的电阻值，判断一对电极的修整好坏。

发明内容

一对电极之间的电阻值随时间推移而发生变化。因此，如果像上述专利文献1那样，仅根据某一时刻的通电介质的电阻值，来进行修整好坏判断，则可能导致误判。例如，刚开始通电后，金属板间隙对电阻值影响较大。因此，仅根据刚开始通电后的某一时刻的电阻值，来进行修整好坏判断时，尽管本来修整正常，也可能被判断为修整异常，或做出相反的判断。

于是，能够想到根据表示通电时间与电阻值之间的关系的整个电阻值波形，来进行修整好坏判断的方法。

要根据该方法高精度地进行修整好坏判断，就需要适当地设定作为判断基准的阈值。然而，电阻值波形的形态因焊点不同而不同，或者其随电极的经年变化而发生变化。出于上述理由，在根据电阻值波形进行的修整好坏判断中，很难适当地设定阈值。

本发明正是为解决上述技术问题而完成的，其目的在于：高精度地进行基于电阻值波形的修整好坏判断。

本发明涉及一种电阻焊用电极的修整好坏判断方法，其用于当在多个焊点进行利用一对电极对由多块金属板重叠而成的工件进行加压并通电来将多块所述金属板焊接起来的电阻焊时，判断对所述电极进行的修整的好坏，该电阻焊用电极的修整好坏判断方法包括累积工序、模型创建工序、波形获取工序以及判断工序，在所述累积工序中，在多个所述焊点中作为修整好坏的判断对象的判断对象焊点，对多个刚对所述电极进行修整后的已知电阻值波形即刚修整后已知电阻值波形和多个快要对所述电极进行修整前的已知电阻值波形即快修整前已知电阻值波形分别进行累积，在所述模型创建工序中，在所述判断对象焊点，根据多个所述刚修整后已知电阻值波形和多个所述快修整前已知电阻值波形，通过统计方法创建模型，所述模型用于设定判断修整好坏的阈值，在所述波形获取工序中，在所述判断对象焊点，获取刚对所述电极进行修整后的未知电阻值波形即刚修整后未知电阻值波形，在所述判断工序中，在所述判断对象焊点，通过对所述刚修整后未知电阻值波形和所述阈值进行比较，判断对所述电极进行的修整是正常还是异常。

通常，修整正常的概率高于修整异常的概率。即，多个刚修整后已知电阻值波形中的大部分是修整正常时的电阻值波形。另一方面，快修整前已知电阻值波形是快要进行修整前的电极在严重磨损的状态下的电阻值波形，近似于修整异常时的电阻值波形。通过利用上述修整正常时的电阻值波形(刚修整后已知电阻值波形)和修整异常时的电阻值波形(快修整前已知电阻值波形)，能够通过统计方法设定判断修整好坏的适当的阈值。因此，能够高精度地进行基于电阻值波形的修整好坏判断。

在一实施方式中，所述模型创建工序具有：根据多个所述刚修整后已知电阻值波形中的一部分即多个学习用刚修整后已知电阻值波形，通过最大似然估计推导多维正态分布的概率密度函数的工序；在将多个所述快修整前已知电阻值波形应用于所述概率密度函数而得到的第一概率分布中，将从由与所述概率密度函数相关的马氏距离所定义的异常度较大者起规定的比例作为异常检测效率，设定覆盖所述异常检测效率的所述阈值的工序；在将多个所述刚修整后已知电阻值波形中的其他部分即多个验证用刚修整后已知电阻值波形应用于所述概率密度函数而得到的第二概率分布中，将所述第二概率分布的异常度在所述阈值以上的部分的比例设为误检测率的工序。在所述判断工序中，对所述刚修整后未知电阻值波形的异常度和所述阈值进行比较，当所述异常度在所述阈值以下时判断为修整正常，且当所述异常度在所述阈值以上时判断为修整异常。

根据上述构成方式，基于误检测率，能够得知判断工序的对于修整好坏的判断结果的可靠性。通过对误检测率加以考虑，能够探讨在判断工序中得到的判断结果是否正确。

在一实施方式中，构成由连续的多个所述判断对象焊点组成的焊点集合，该电阻焊用电极的修整好坏判断方法还包括重新判断工序，在所述重新判断工序中，在所述焊点集合中的各焊点，对所述判断工序的判断结果的似然加以考虑，重新判断修整的好坏，所述重新判断工序具有：将假设所述修整正常的情况作为正常假设，推导基于所述正常假设的所述判断结果和所述误检测率的负对数似然，且将假设所述修整异常的情况作为异常假设，推导基于所述异常假设的所述判断结果和所述异常检测效率的负对数似然的工序；推导所述焊点集合中的各焊点的所述正常假设的所述负对数似然的总和、以及所述焊点集合中的各焊点的所述异常假设的所述负对数似然的总和的工序；当所述正常假设的所述负对数似然的总和在所述异常假设的所述负对数似然的总和以下时，重新判断为修整正常，且当所述正常假设的所述负对数似然的总和在所述异常假设的所述负对数似然的总和以上时，重新判断为修整异常的工序。

因为电阻值波形的形态因焊点不同而不同，所以误检测率即判断工序的判断结果的可靠性也因焊点不同而不同。根据上述构成方式，构成由连续的判断对象焊点组成的焊点集合。并且，分别推导焊点集合中的各焊点的负对数似然。这样一来，能够根据各焊点的判断结果的可靠性来进行加权。通过将各焊点的负对数似然的总和用于修整好坏判断，从而重视可靠性较高的(误检测率较低的)焊点的判断结果，针对整个焊点集合进行修整好坏的重新判断。因此，能够进行可靠性更高的修整好坏的判断。

在一实施方式中，将在所述重新判断工序中被重新判断为修整正常的所述刚修整后未知电阻值波形作为所述刚修整后已知电阻值波形进一步累积。

根据上述构成方式，因为能够在进行电阻焊的同时，对刚修整后已知电阻值波形的新数据进行累积，所以效率较高。

在一实施方式中，该电阻焊用电极的修整好坏判断方法被导入生产线的焊接工序，在进行所述电阻焊的同时，进行所述判断。

根据上述构成方式，能够在不延长生产节拍的情况下，进行修整好坏的判断。

一种电阻焊用电极的修整好坏判断装置，用于当在多个焊点进行利用一对电极对由多块金属板重叠而成的工件进行加压并通电来将多块所述金属板焊接起来的电阻焊时，判断对所述电极进行的修整的好坏，该电阻焊用电极的修整好坏判断装置包括累积单元、模型创建单元、波形获取单元以及判断单元，所述累积单元在多个所述焊点中作为修整好坏的判断对象的判断对象焊点，对多个刚对所述电极进行修整后的已知电阻值波形即刚修整后已知电阻值波形和多个快要对所述电极进行修整前的已知电阻值波形即快修整前已知电阻值波形分别进行累积，所述模型创建单元在所述判断对象焊点，根据多个所述刚修整后已知电阻值波形和多个所述快修整前已知电阻值波形，通过统计方法创建模型，所述模型用于设定判断修整好坏的阈值，所述波形获取单元在所述判断对象焊点，获取刚对所述电极进行修整后的未知电阻值波形即刚修整后未知电阻值波形，所述判断单元在所述判断对象焊点，通过对所述刚修整后未知电阻值波形和所述阈值进行比较，判断对所述电极进行的修整是正常还是异常。

在一实施方式中，所述模型创建单元具有函数推导单元、阈值设定单元以及误检测率设定单元，所述函数推导单元根据多个所述刚修整后已知电阻值波形中的一部分即多个学习用刚修整后已知电阻值波形，通过最大似然估计推导多维正态分布的概率密度函数，所述阈值设定单元在将多个所述快修整前已知电阻值波形应用于所述概率密度函数而得到的第一概率分布中，将从由与所述概率密度函数相关的马氏距离所定义的异常度较大者起规定的比例作为异常检测效率，设定覆盖所述异常检测效率的所述阈值，所述误检测率设定单元在将多个所述刚修整后已知电阻值波形中的其他部分即多个验证用刚修整后已知电阻值波形应用于所述概率密度函数而得到的第二概率分布中，将所述第二概率分布的异常度在所述阈值以上的部分的比例设为误检测率，所述判断单元对所述刚修整后未知电阻值波形的异常度和所述阈值进行比较，当所述异常度在所述阈值以下时判断为修整正常，且当所述异常度在所述阈值以上时判断为修整异常。

在一实施方式中，构成由连续的多个所述判断对象焊点组成的焊点集合，该电阻焊用电极的修整好坏判断装置还包括重新判断单元，所述重新判断单元在所述焊点集合中的各焊点，对所述判断单元的判断结果的似然加以考虑，重新判断修整的好坏，所述重新判断单元具有对数似然推导单元、对数似然和推导单元以及对数似然和比较单元，所述对数似然推导单元将假设所述修整正常的情况作为正常假设，推导基于所述正常假设的所述判断结果和所述误检测率的负对数似然，且将假设所述修整异常的情况作为异常假设，推导基于所述异常假设的所述判断结果和所述异常检测效率的负对数似然，所述对数似然和推导单元推导所述焊点集合中的各焊点的所述正常假设的所述负对数似然的总和、以及所述焊点集合中的各焊点的所述异常假设的所述负对数似然的总和，所述对数似然和比较单元当所述正常假设的所述负对数似然的总和在所述异常假设的所述负对数似然的总和以下时，重新判断为修整正常，且当所述正常假设的所述负对数似然的总和在所述异常假设的所述负对数似然的总和以上时，重新判断为修整异常。

在一实施方式中，将由所述重新判断单元重新判断为修整正常的所述刚修整后未知电阻值波形作为所述刚修整后已知电阻值波形进一步累积到所述累积单元中。

在一实施方式中，该电阻焊用电极的修整好坏判断装置设置于已被导入生产线的电阻焊装置中，所述电阻焊装置在进行所述电阻焊的同时，进行所述判断。

附图说明

图1A是示出点焊装置的结构图；

图1B是示出修整好坏判断装置的结构图；

图2是示出与焊点X相关的电阻值波形的曲线图；

图3是示出与焊点Y相关的电阻值波形的曲线图；

图4是示出在与焊点X相关的第一概率分布中，设定阈值的方式的曲线图；

图5是示出在与焊点X相关的第二概率分布中，设定误检测率的方式的曲线图；

图6是与焊点Y相关的相当于图4、图5的图；

图7A是示出修整好坏判断的流程的流程图(前段工序)；

图7B是示出修整好坏判断的流程的流程图(后段工序)。

具体实施方式

下面，根据附图对本发明的实施方式进行详细的说明。以下对优选实施方式的说明在本质上仅为举例说明而已，完全没有限制本发明、其应用对象或其用途的意图。

＜点焊装置的结构＞

本发明的实施方式所涉及的电阻焊用电极的修整好坏判断装置设置在作为电阻焊装置的点焊装置中。点焊装置对多块金属板进行电阻焊。具体而言，点焊装置利用一对电极对由多块金属板重叠而成的工件进行加压并通电，由此将多块所述金属板焊接起来。

在本实施方式中，将多台点焊装置导入汽车生产线的焊接工序。在焊接工序中，点焊装置在多个焊点对在作为前工序的冲压工序中成型的多个冲压部件进行电阻焊。冲压部件的数量例如是数百到数千个。焊点的数量例如是数千到数万个。

图1A示出点焊装置10的整体结构。如上所述，修整好坏判断装置30设置在点焊装置10中。点焊装置10包括焊枪11、保持焊枪11的臂式机器人12、机器人控制装置13、焊接控制装置(焊接计时器)14、电压计15以及修整好坏判断装置30。

焊枪11是C型焊枪，其包括臂16、设在臂16上的一对相对的电极(固定电极17和可动电极18)以及驱动可动电极18的伺服电动机19。伺服电动机19由机器人控制装置13控制。

机器人12是具有六个关节轴J1～J6的多关节机器人。机器人12在基部21上包括旋转部22、下部臂23、上部臂24以及第一到第三顶端部25～27，上述各部构成为可相互旋转。机器人12包括绕着各关节轴J1～J6驱动各部件的伺服电动机(未图示)。上述伺服电动机由机器人控制装置13控制。

电压计15以规定时间间隔，对电极17、18之间的电压的大小进行测量。焊接控制装置14对焊接电流流动的时间和电流的大小进行控制，并对流动的焊接电流的时间和大小进行监控。此外，焊接控制装置14根据焊接电流的电流值和由电压计15测量出的电极17、18之间的电压值，以规定时间间隔计算电极17、18之间的电阻值。焊接控制装置14创建表示电极17、18之间的电阻值和通电时间的关系的波形(以下称为“电阻值波形”)。

焊接控制装置14根据从机器人控制装置13接收的焊接条件和焊接指令，在利用电极17、18以规定加压力夹持着工件W的状态下，将受到控制后的焊接电流从电极17、18通入工件W。通电结束后，从焊接控制装置14向机器人控制装置13发送焊接结束信号。焊接控制装置14与修整好坏判断装置30相连。

修整好坏判断装置30在判断对象焊点判断对电极进行的修整的好坏。判断对象焊点是在点焊装置10进行电阻焊的多个焊点中，在刚刚对电极进行修整之后进行电阻焊的焊点。具体而言，判断对象焊点是从刚对电极进行修整后的第一个焊点到第十数个焊点左右的焊点，且是在电极的顶端未磨损的状态下进行电阻焊的焊点。在本实施方式中，具有多个判断对象焊点。下面，在多个判断对象焊点中，举出焊点X和焊点Y为例。

＜各焊点的电阻值波形的形态＞

图2示出与焊点X相关的电阻值波形。横轴表示通电时间，纵轴表示电阻值。需要说明的是，如图2所示，该电阻值波形是根据以规定时间间隔测量出的M个(例如12个)测量点而绘制的(以下相同)。

图2中实线示出在焊点X，刚对电极进行修整后的电阻值波形Ax。通常，修整正常的概率高于修整异常的概率。因此，图2示出修整正常时的刚修整后的电阻值波形。如图2所示，在电阻值波形Ax中，开始通电后，电阻值在中途一会儿上升一会儿下降，最终随时间推移而平滑地下降。电阻值波形Ax有两个极小峰。

图2中虚线示出在焊点X，快要对电极进行修整前的电阻值波形Bx。电阻值波形Bx是快要进行修整前的电极在严重磨损的状态下的电阻值波形，近似于修整异常时的电阻值波形。如图2所示，在电阻值波形Bx中，开始通电后，电阻值在中途一会儿上升一会儿下降，最终随时间推移而平滑地下降。电阻值波形Bx有两个极小峰。

此处，如图2所示，对电阻值波形Ax和电阻值波形Bx进行比较可知，刚开始通电后，电阻值波形Bx的电阻值小于电阻值波形Ax的电阻值。尤其是在第一个极小峰处，二者的电阻值的差异很明显。如上所述，在焊点X，刚修整后的电阻值波形Ax和快修整前的电阻值波形Bx分离得较好。即，在焊点X，修整正常时的电阻值波形和修整异常时的电阻值波形分离得较好。

图3示出与焊点Y相关的电阻值波形。需要说明的是，焊点Y是与焊点X不同的焊点。图3中实线示出焊点Y的刚修整后的电阻值波形Ay。与焊点X一样，图3示出修整正常时的刚修整后的电阻值波形。如图3所示，在电阻值波形Ay中，开始通电后，电阻值随时间推移而平滑地下降。

图3中虚线示出焊点Y的快修整前的电阻值波形By。与焊点X一样，电阻值波形By近似于修整异常时的电阻值波形。

此处，如图3所示，对电阻值波形Ay和电阻值波形By进行比较可知，二者几乎重合，几乎没有差异。如上所述，在焊点Y，刚修整后的电阻值波形Ay和快修整前的电阻值波形By分离得较差。即，在焊点Y，修整正常时的电阻值波形和修整异常时的电阻值波形分离得较差。

如上所述，电阻值波形的形态因焊点不同而不同，因此修整正常时的电阻值波形和修整异常时的电阻值波形分离得较好还是较差也因焊点不同而不同。即，在焊点X，根据电阻值波形进行修整好坏判断相对简单。另一方面，在焊点Y，根据电阻值波形进行修整好坏判断相对困难。

＜电阻焊用电极的修整好坏判断装置的结构＞

图1B示出修整好坏判断装置30的结构。如图1B所示，修整好坏判断装置30包括数据累积单元31、模型创建单元32、波形获取单元33、判断单元34以及重新判断单元35，且由包括微型计算机的电子电路构成。

(已知电阻值波形的数据的累积)

数据累积单元31在各判断对象焊点(例如焊点X、Y)，对多个刚对电极进行修整后的已知电阻值波形即刚修整后已知电阻值波形A进行累积。此外，数据累积单元31在各判断对象焊点，对多个快要对电极进行修整前的已知电阻值波形即快修整前已知电阻值波形B进行累积。刚修整后已知电阻值波形A和快修整前已知电阻值波形B在统计上需要足够数量(例如，各焊点分别需要100个各电阻值波形)的数据。

(判断模型的创建)

模型创建单元32在各判断对象焊点，根据多个刚修整后已知电阻值波形A和多个快修整前已知电阻值波形B，通过统计方法创建模型，该模型用于设定判断修整好坏的阈值和后述误检测率。在本实施方式中，统计方法采用霍特林T2法。需要说明的是，统计方法不限于霍特林T2法，也可以采用各种公知的方法。

模型创建单元32具有数据分离单元36、函数推导单元37、阈值设定单元38以及误检测率设定单元39。

数据分离单元36使多个刚修整后已知电阻值波形A的数据分离成两组。具体而言，将多个刚修整后已知电阻值波形A中的一部分设为多个学习用刚修整后已知电阻值波形A1。另一方面，将多个刚修整后已知电阻值波形A中的其他部分设为多个验证用刚修整后已知电阻值波形A2。二者的比例例如为学习用刚修整后已知电阻值波形A1：验证用刚修整后已知电阻值波形A2＝4：1。

函数推导单元37根据多个学习用刚修整后已知电阻值波形A1，通过最大似然估计决定多维正态分布的参数，推导概率密度函数P。具体而言，如下式(1)所示，概率密度函数P是M维正态分布的概率密度函数。此处，维数M基于各电阻值波形的每个规定时间间隔的测量数量M(例如12个)(参照图2、图3)。

[数式1]

在式(1)中，x表示随机变量，粗体字表示向量。μ表示平均值，Σ表示协方差，如下式(2)、式(3)所示。α是马氏距离，如下式(4)所示。

[数式2]

[数式3]

[数式4]

在式(2)、式(3)中，N是各焊点的学习用已知电阻值波形A1的数据数。i、j是各电阻值波形的每个规定时间间隔的测量点，代入1～M(例如M＝12)的数值。将式(4)代入式(1)，从而能够得到下式(5)。

[数式5]

将多个快修整前已知电阻值波形B应用于由式(5)表示的概率密度函数P，从而能够得到第一概率分布Q。此处，将与概率密度函数P相关的马氏距离α(式(4))定义为异常度(以下有时称为“异常度α”)。图4示出在与焊点X相关的第一概率分布Qx(虚线)中，设定修整好坏的阈值H的形态。横轴表示异常度(马氏距离)α，纵轴表示概率密度。

阈值设定单元38设定修整好坏的阈值H。具体而言，如图4所示，阈值设定单元38在第一概率分布Q中，将从异常度α较大者起规定的比例(图4中的阴影部分)作为异常检测效率g，设定覆盖异常检测效率g的阈值H。需要说明的是，在本实施方式中，异常检测效率g为0.99(99％)。

将多个验证用刚修整后已知电阻值波形A2应用于概率密度函数P，从而能够得到第二概率分布R。图5示出在与焊点X相关的第二概率分布Rx(实线)中，设定后述误检测率f的形态。横轴表示异常度(马氏距离)α，纵轴表示概率密度。

误检测率设定单元39设定误检测率f。误检测率f是尽管本来修整正常但却被误判断为修整异常的概率。具体而言，如图5所示，误检测率设定单元39在第二概率分布R中，将第二概率分布R中的异常度α在阈值H以上的部分的比例(图5中的阴影部分)设为误检测率f。将第二概率分布R中的异常度α等于阈值H的情况适当地设定为包括在误检测率f中或者不包括在误检测率f中即可。

(未知电阻值波形的获取)

波形获取单元33在各判断对象焊点，获取刚对电极进行修整后的未知电阻值波形即刚修整后未知电阻值波形C的数据。

(修整好坏判断)

判断单元34在各判断对象焊点，通过对刚修整后未知电阻值波形C和修整好坏判断的阈值进行比较，来判断对电极进行的修整是正常还是异常。

具体而言，如图5所示，判断单元34对刚修整后未知电阻值波形C的异常度α和阈值H进行比较。并且，判断单元34在刚修整后未知电阻值波形C的异常度α在阈值H以下时，判断为修整正常。另一方面，判断单元34在刚修整后未知电阻值波形C的异常度α在阈值H以上时，判断为修整异常。在刚修整后未知电阻值波形C的异常度α等于阈值H的情况下，只要适当地设定成判断为修整正常或判断为修整异常即可。

(修整好坏重新判断)

图6示出与焊点Y相关的第一概率分布Qy(虚线)和第二概率分布Ry(实线)。如上所述，在焊点Y，刚修整后的电阻值波形Ay和快修整前的电阻值波形By分离得较差(参照图3)。即，在焊点Y，修整正常时的电阻值波形和修整异常时的电阻值波形也分离得较差。因此，焊点Y的误检测率fy高于焊点X的误检测率fx(参照图5、图6)。就焊点Y那种误检测率f较高的焊点而言，判断单元34对于修整好坏的判断结果的可靠性较低。

于是，重新判断单元35在考虑判断单元34对每个焊点的修整好坏判断的可靠性的情况下，对修整好坏进行重新判断。首先，构成由连续的多个判断对象焊点组成的焊点集合。并且，重新判断单元35在焊点集合中的各焊点，对判断单元34的判断结果的似然加以考虑，对修整的好坏进行重新判断。

重新判断单元35具有对数似然推导单元41、对数似然和推导单元42以及对数似然和比较单元43。

对数似然推导单元41将假设修整正常的情况作为正常假设，推导基于正常假设的判断结果y和误检测率f的负对数似然d。另一方面，将假设修整异常的情况作为异常假设，推导基于异常假设的判断结果y和异常检测效率g的负对数似然。用下式(6)表示正常假设的负对数似然d。用下式(7)表示异常假设的负对数似然_e。

[数式6]

d_i＝-{y_iln f_i+(1-y_i)ln(1-f_i)}···式(6)

[数式7]

e_i＝-{y_ilng_i+(1-y_i)ln(1-g_i)}···式(7)

在式(6)、式(7)中，yi是判断单元34的判断结果。由判断单元34判断为修整正常时，代入yi＝0。由判断单元34判断为修整异常时，代入yi＝1。i表示焊点集合中的各焊点。需要说明的是，在本实施方式中，在式(7)中，代入异常检测效率gi＝0.99。

对数似然和推导单元42推导焊点集合中的各焊点的正常假设的负对数似然d的总和D。此外，对数似然和推导单元42推导焊点集合中的各焊点的异常假设的负对数似然e的总和E。分别用式(8)、式(9)表示正常假设的负对数似然d的总和D和异常假设的负对数似然e的总和E。

[数式8]

D＝∑d_i...式(8)

[数式9]

E＝∑e_i...式(9)

在式(8)、式(9)中，i表示焊点集合中的各焊点。

对数似然和比较单元43在正常假设的负对数似然d的总和D在异常假设的负对数似然e的总和E以下时，重新判断为修整正常。另一方面，对数似然和比较单元43在正常假设的负对数似然d的总和D在异常假设的负对数似然e的总和E以上时，重新判断为修整异常。在正常假设的负对数似然d的总和D等于异常假设的负对数似然e的总和E的情况下，只要适当地设定成重新判断为修整正常或重新判断为修整异常即可。

下面示出一例。为了方便起见，将由重新判断单元35考虑的焊点集合中的焊点数设为三个焊点。将第一个焊点设为：误检测率f1＝0.01(1％)，判断单元34的判断结果为“正常判断”。将第二个焊点设为：误检测率f2＝0.08(8％)，判断单元34的判断结果为“异常判断”。将第三个焊点设为：误检测率f3＝0.15(15％)，判断单元34的判断结果为“异常判断”。在此情况下，第一到第三个焊点各自的正常假设的负对数似然d的总和D为D＝0.010+2.526+1.897＝4.43。另一方面，第一到第三个焊点各自的异常假设的负对数似然e的总和E为E＝4.605+0.010+0.010＝4.63。三个焊点中，第二个焊点和第三个焊点这两个焊点虽然被判断单元34做出异常判断，但D＜E，因此重新判断单元35的最终判断(重新判断)为正常(重新)判断。

将在重新判断单元35中被重新判断为修整正常的刚修整后未知电阻值波形C作为刚修整后已知电阻值波形A进一步累积到数据累积单元31中。

在生产线中，判断单元34和重新判断单元35在点焊装置10进行电阻焊的同时，进行修整好坏的判断和重新判断。

＜电阻焊用电极的修整好坏判断方法＞

下面对电阻焊用电极的修整好坏判断方法的流程进行说明。图7A、图7B是示出修整好坏判断的流程的流程图。本实施方式所涉及的电阻焊用电极的修整好坏判断方法包括数据累积工序S1、模型创建工序S2、波形获取工序S3、判断工序S4以及重新判断工序S5。

如图7所示，首先，在数据累积工序S1中，在各判断对象焊点，分别对多个(统计上足够的数量)刚修整后已知电阻值波形A的数据和多个快修整前已知电阻值波形B的数据进行累积。

然后，在模型创建工序S2中，在各判断对象焊点，根据多个刚修整后已知电阻值波形A和多个快修整前已知电阻值波形B，通过统计方法(霍特林T2法)创建模型，该模型用于设定修整好坏判断的阈值。

模型创建工序S2具有下述小工序：数据分离工序t1、函数推导工序t2、阈值设定工序t3以及误检测率设定工序t4。

在数据分离工序t1中，将多个刚修整后已知电阻值波形A中的一部分设为多个学习用刚修整后已知电阻值波形A1。另一方面，在数据分离工序t1中，将多个刚修整后已知电阻值波形A中的其他部分设为多个验证用刚修整后已知电阻值波形A2。

接着，在函数推导工序t2中，根据多个学习用刚修整后已知电阻值波形A1，通过最大似然估计决定多维(M维)正态分布的参数，推导概率密度函数P。

接着，在阈值设定工序t3中，将多个快修整前已知电阻值波形B应用于概率密度函数P，得到第一概率分布Q。在第一概率分布Q中，将从由与概率密度函数P相关的马氏距离所定义的异常度α较大者起规定的比例(99％)作为异常检测效率g。并且，设定覆盖异常检测效率g的阈值H。

然后，在误检测率设定工序t4中，将多个验证用刚修整后已知电阻值波形A2应用于概率密度函数P而得到第二概率分布R。并且，将第二概率分布R的异常度α在阈值H以上的部分的比例设为误检测率f。

接着，在波形获取工序S3中，在各判断对象焊点，获取刚对电极进行修整后的未知电阻值波形即刚修整后未知电阻值波形C。

然后，在判断工序S4中，在各判断对象焊点，通过对刚修整后未知电阻值波形C和修整好坏的阈值进行比较，来判断对电极进行的修整是正常还是异常。

具体而言，在判断工序S4中，对刚修整后未知电阻值波形C的异常度α和阈值H进行比较。在判断工序S4中，在刚修整后未知电阻值波形C的异常度α在阈值H以下时，判断为修整正常。另一方面，在判断工序S4中，在刚修整后未知电阻值波形C的异常度α在阈值H以上时，判断为修整异常。

然后，在重新判断工序S5中，在焊点集合中的各焊点，对判断工序S4的判断结果的似然加以考虑的情况下，重新判断修整的好坏。重新判断工序S5具有下述小工序：对数似然推导工序u1、对数似然和推导工序u2以及对数似然和比较工序u3。

在对数似然推导工序u1中，将假设修整正常的情况作为正常假设，推导基于正常假设的判断结果y和误检测率f的负对数似然d。另一方面，在对数似然推导工序u1中，将假设修整异常的情况作为异常假设，推导基于异常假设的判断结果y和异常检测效率g的负对数似然e。

接着，在对数似然和推导工序u2中，推导焊点集合中的各焊点的正常假设的负对数似然d的总和D。此外，在对数似然和推导工序u2中，推导焊点集合中的各焊点的异常假设的负对数似然e的总和E。

然后，在对数似然和比较工序u3中，在正常假设的负对数似然d的总和D在异常假设的负对数似然e的总和E以下时，重新判断为修整正常。另一方面，在对数似然和比较工序u3中，在正常假设的负对数似然d的总和D在异常假设的负对数似然e的总和E以上时，重新判断为修整异常。

将在重新判断工序S5中被重新判断为修整正常的刚修整后未知电阻值波形C的数据作为刚修整后已知电阻值波形A的数据进一步进行累积。

本实施方式所涉及的修整好坏判断方法被导入生产线的焊接工序，从而在进行电阻焊的同时，进行判断和重新判断。

＜本实施方式的作用和效果＞

通常，修整正常的概率高于修整异常的概率。即，多个刚修整后已知电阻值波形A中的大部分是修整正常时的电阻值波形。另一方面，快修整前已知电阻值波形B是快要进行修整前的电极在严重磨损的状态下的电阻值波形，近似于修整异常时的电阻值波形。通过利用上述修整正常时的电阻值波形(刚修整后已知电阻值波形A)和修整异常时的电阻值波形(快修整前已知电阻值波形B)，能够通过统计方法设定修整好坏判断的适当的阈值。因此，能够高精度地进行基于电阻值波形的修整好坏判断。

根据误检测率f，能够得知判断工序S4(判断单元34)对于修整好坏的判断结果的可靠性。通过对误检测率f加以考虑，能够探讨在判断工序S4(判断单元34)中得到的判断结果是否正确。

因为电阻值波形的形态因焊点不同而不同，所以误检测率f即判断工序S4(判断单元34)的判断结果的可靠性也因焊点不同而不同。根据上述构成方式，构成由连续的判断对象焊点组成的焊点集合。并且，分别推导焊点集合中的各焊点的负对数似然d、e。这样一来，能够根据各焊点的判断结果的可靠性来进行加权。通过将各焊点的负对数似然d、e的总和D、E用于修整好坏判断，从而重视可靠性较高的(误检测率f较低的)焊点(例如焊点X)的判断结果，针对整个焊点集合进行修整好坏的重新判断。因此，能够进行可靠性更高的修整好坏的判断。

因为能够在进行电阻焊的同时，对刚修整后已知电阻值波形A的新数据进行累积，所以效率较高。

能够在不延长生产节拍的情况下，进行修整好坏的判断。

Claims (10)

1.一种电阻焊用电极的修整好坏判断方法，其用于当在多个焊点进行利用一对电极对由多块金属板重叠而成的工件进行加压并通电来将多块所述金属板焊接起来的电阻焊时，判断对所述电极进行的修整的好坏，其特征在于：

该电阻焊用电极的修整好坏判断方法包括累积工序、模型创建工序、波形获取工序以及判断工序，

在所述累积工序中，在多个所述焊点中作为修整好坏的判断对象的判断对象焊点，对多个刚对所述电极进行修整后的已知电阻值波形即刚修整后已知电阻值波形和多个快要对所述电极进行修整前的已知电阻值波形即快修整前已知电阻值波形分别进行累积，

在所述模型创建工序中，在所述判断对象焊点，根据多个所述刚修整后已知电阻值波形和多个所述快修整前已知电阻值波形，通过统计方法创建模型，所述模型用于设定修整好坏判断的阈值，

在所述波形获取工序中，在所述判断对象焊点，获取刚对所述电极进行修整后的未知电阻值波形即刚修整后未知电阻值波形，

在所述判断工序中，在所述判断对象焊点，通过对所述刚修整后未知电阻值波形和所述阈值进行比较，判断对所述电极进行的修整是正常还是异常。

2.根据权利要求1所述的电阻焊用电极的修整好坏判断方法，其特征在于：

所述模型创建工序具有：

根据多个所述刚修整后已知电阻值波形中的一部分即多个学习用刚修整后已知电阻值波形，通过最大似然估计推导多维正态分布的概率密度函数的工序；

在将多个所述快修整前已知电阻值波形应用于所述概率密度函数而得到的第一概率分布中，将从由与该概率密度函数相关的马氏距离所定义的异常度较大者起规定的比例作为异常检测效率，设定覆盖该异常检测效率的所述阈值的工序；以及

在将多个所述刚修整后已知电阻值波形中的其他部分即多个验证用刚修整后已知电阻值波形应用于所述概率密度函数而得到的第二概率分布中，将该第二概率分布的异常度在所述阈值以上的部分的比例设为误检测率的工序，

在所述判断工序中，对所述刚修整后未知电阻值波形的异常度和所述阈值进行比较，当该异常度在该阈值以下时，判断为修整正常，且当该异常度在该阈值以上时，判断为修整异常。

3.根据权利要求2所述的电阻焊用电极的修整好坏判断方法，其特征在于：

构成由连续的多个所述判断对象焊点组成的焊点集合，

该电阻焊用电极的修整好坏判断方法还包括重新判断工序，在所述重新判断工序中，在所述焊点集合中的各焊点，对所述判断工序的判断结果的似然加以考虑，重新判断修整的好坏，

所述重新判断工序具有：

将假设所述修整正常的情况作为正常假设，推导基于该正常假设的所述判断结果和所述误检测率的负对数似然，且将假设所述修整异常的情况作为异常假设，推导基于该异常假设的所述判断结果和所述异常检测效率的负对数似然的工序；

推导所述焊点集合中的各焊点的所述正常假设的所述负对数似然的总和、以及所述焊点集合中的各焊点的所述异常假设的所述负对数似然的总和的工序；以及

当所述正常假设的所述负对数似然的总和在所述异常假设的所述负对数似然的总和以下时，重新判断为修整正常，且当该正常假设的该负对数似然的总和在该异常假设的该负对数似然的总和以上时，重新判断为修整异常的工序。

4.根据权利要求3所述的电阻焊用电极的修整好坏判断方法，其特征在于：

将在所述重新判断工序中被重新判断为修整正常的所述刚修整后未知电阻值波形作为所述刚修整后已知电阻值波形进一步累积。

5.根据权利要求1到4中任一项权利要求所述的电阻焊用电极的修整好坏判断方法，其特征在于：

该电阻焊用电极的修整好坏判断方法被导入生产线的焊接工序，在进行所述电阻焊的同时，进行所述判断。

6.一种电阻焊用电极的修整好坏判断装置，其用于当在多个焊点进行利用一对电极对由多块金属板重叠而成的工件进行加压并通电来将多块所述金属板焊接起来的电阻焊时，判断对所述电极进行的修整的好坏，其特征在于：

该电阻焊用电极的修整好坏判断装置包括累积单元、模型创建单元、波形获取单元以及判断单元，

所述累积单元在多个所述焊点中作为修整好坏的判断对象的判断对象焊点，对多个刚对所述电极进行修整后的已知电阻值波形即刚修整后已知电阻值波形和多个快要对所述电极进行修整前的已知电阻值波形即快修整前已知电阻值波形分别进行累积，

所述模型创建单元在所述判断对象焊点，根据多个所述刚修整后已知电阻值波形和多个所述快修整前已知电阻值波形，通过统计方法创建模型，所述模型用于设定修整好坏判断的阈值，

所述波形获取单元在所述判断对象焊点，获取刚对所述电极进行修整后的未知电阻值波形即刚修整后未知电阻值波形，

所述判断单元在所述判断对象焊点，通过对所述刚修整后未知电阻值波形和所述阈值进行比较，判断对所述电极进行的修整是正常还是异常。

7.根据权利要求6所述的电阻焊用电极的修整好坏判断装置，其特征在于：

所述模型创建单元具有函数推导单元、阈值设定单元以及误检测率设定单元，

所述函数推导单元根据多个所述刚修整后已知电阻值波形中的一部分即多个学习用刚修整后已知电阻值波形，通过最大似然估计推导多维正态分布的概率密度函数，

所述阈值设定单元在将多个所述快修整前已知电阻值波形应用于所述概率密度函数而得到的第一概率分布中，将从由与该概率密度函数相关的马氏距离所定义的异常度较大者起规定的比例作为异常检测效率，设定覆盖该异常检测效率的所述阈值，

所述误检测率设定单元在将多个所述刚修整后已知电阻值波形中的其他部分即多个验证用刚修整后已知电阻值波形应用于所述概率密度函数而得到的第二概率分布中，将该第二概率分布的异常度在所述阈值以上的部分的比例设为误检测率，

所述判断单元对所述刚修整后未知电阻值波形的异常度和所述阈值进行比较，当该异常度在该阈值以下时，判断为修整正常，且当该异常度在该阈值以上时，判断为修整异常。

8.根据权利要求7所述的电阻焊用电极的修整好坏判断装置，其特征在于：

构成由连续的多个所述判断对象焊点组成的焊点集合，

该电阻焊用电极的修整好坏判断装置还包括重新判断单元，所述重新判断单元在所述焊点集合中的各焊点，对所述判断单元的判断结果的似然加以考虑，重新判断修整的好坏，

所述重新判断单元具有对数似然推导单元、对数似然和推导单元以及对数似然和比较单元，

所述对数似然推导单元将假设所述修整正常的情况作为正常假设，推导基于该正常假设的所述判断结果和所述误检测率的负对数似然，且将假设所述修整异常的情况作为异常假设，推导基于该异常假设的所述判断结果和所述异常检测效率的负对数似然，

所述对数似然和推导单元推导所述焊点集合中的各焊点的所述正常假设的所述负对数似然的总和、以及所述焊点集合中的各焊点的所述异常假设的所述负对数似然的总和，

所述对数似然和比较单元当所述正常假设的所述负对数似然的总和在所述异常假设的所述负对数似然的总和以下时，重新判断为修整正常，且当该正常假设的该负对数似然的总和在该异常假设的该负对数似然的总和以上时，重新判断为修整异常。

9.根据权利要求8所述的电阻焊用电极的修整好坏判断装置，其特征在于：

将由所述重新判断单元重新判断为修整正常的所述刚修整后未知电阻值波形作为所述刚修整后已知电阻值波形进一步累积到所述累积单元中。

10.根据权利要求6到9中任一项权利要求所述的电阻焊用电极的修整好坏判断装置，其特征在于：

该电阻焊用电极的修整好坏判断装置设置在已被导入生产线的电阻焊装置中，所述电阻焊装置在进行所述电阻焊的同时，进行所述判断。

Images