CN115867407A - 机器学习装置、层叠造型系统、焊接条件的机器学习方法、焊接条件的调整方法及程序 - Google Patents

机器学习装置、层叠造型系统、焊接条件的机器学习方法、焊接条件的调整方法及程序 Download PDF

Info

Publication number
CN115867407A
CN115867407A CN202180046941.7A CN202180046941A CN115867407A CN 115867407 A CN115867407 A CN 115867407A CN 202180046941 A CN202180046941 A CN 202180046941A CN 115867407 A CN115867407 A CN 115867407A
Authority
CN
China
Prior art keywords
shape data
difference
data
welding
welding conditions
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180046941.7A
Other languages
English (en)
Inventor
黄硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kobe Steel Ltd
Original Assignee
Kobe Steel Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kobe Steel Ltd filed Critical Kobe Steel Ltd
Publication of CN115867407A publication Critical patent/CN115867407A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/006—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to using of neural networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K9/00—Arc welding or cutting
    • B23K9/04—Welding for other purposes than joining, e.g. built-up welding
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K9/00—Arc welding or cutting
    • B23K9/095—Monitoring or automatic control of welding parameters
    • B23K9/0953—Monitoring or automatic control of welding parameters using computing means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K9/00—Arc welding or cutting
    • B23K9/16—Arc welding or cutting making use of shielding gas
    • B23K9/173—Arc welding or cutting making use of shielding gas and of a consumable electrode
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y30/00—Apparatus for additive manufacturing; Details thereof or accessories therefor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45135—Welding
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Plasma & Fusion (AREA)
  • Evolutionary Computation (AREA)
  • Materials Engineering (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Butt Welding And Welding Of Specific Article (AREA)
  • Numerical Control (AREA)

Abstract

一种机器学习装置，其进行通过熔敷填充材料并层叠焊接缝而对层叠造型物进行造型时的焊接条件的机器学习，该机器学习装置具有学习处理单元，该学习处理单元进行用于生成学习完毕模型的学习处理，该学习完毕模型将焊接缝的两个形状数据或者两个形状数据间的差分作为输入数据，将与所述两个形状数据间的差分对应的焊接条件间的差分作为输出数据。

Description

机器学习装置、层叠造型系统、焊接条件的机器学习方法、焊 接条件的调整方法及程序
技术领域
本申请发明涉及机器学习装置、层叠造型系统、焊接条件的机器学习方法、焊接条件的调整方法及程序。更详细而言，涉及通过层叠焊接缝而对层叠造型物进行造型时的焊接条件的调整技术。
背景技术
以往，通过层叠焊接缝而对层叠造型物进行造型。在进行层叠造型时，为了提高其造型精度而需要考虑各种焊接条件来进行控制。这样的焊接条件产生多种组合，因此，在通过手动进行适当的焊接条件的提取的情况下，变得非常复杂且繁琐。
关于上述状况，例如在专利文献1中公开了一种在焊接装置中用于在无熟练的作业者的示教的情况下自动地决定最佳的焊接条件的学习装置。在该情况下，作为用于学习的信息，示出了焊缝的外观、焊缝的高度或宽度、熔深量等。
在先技术文献
专利文献
专利文献1：日本特开2017-30014号公报
发明内容
发明要解决的课题
如上所述，在层叠造型时的焊接条件的调整中，为了掌握焊缝形状(宽度或高度等)的变化趋势而考虑非常多的条件的组合，因此，难以确定适当的组合。例如，考虑制作规定了条件的组合的数据库，但该制作的负荷高。此外，在制作数据库时，无法忽视进行层叠造型的电源、机器人的机差，在基于这种装置固有的影响而调整焊接条件的情况下，焊接条件的提取变得更加复杂且繁琐。在上述的专利文献1中，未考虑这样的电源、机器人的机差，从这一点出发也具有改善的余地。
鉴于上述课题，本申请发明的目的在于，提高层叠造型物的造型时的焊接条件的调整的精度。
用于解决课题的手段
为了解决上述课题，本申请发明具有以下结构。
(1)一种机器学习装置，进行通过熔敷填充材料并层叠焊接缝而对层叠造型物进行造型时的焊接条件的机器学习，其特征在于，
所述机器学习装置具有学习处理单元，该学习处理单元进行用于生成学习完毕模型的学习处理，该学习完毕模型将焊接缝的两个形状数据或者两个形状数据间的差分作为输入数据，将与所述两个形状数据间的差分对应的焊接条件间的差分作为输出数据。
另外，作为本申请发明的另一方式，具有以下的结构。
(2)一种层叠造型系统，是通过熔敷填充材料并层叠焊接缝而对层叠造型物进行造型的层叠造型系统，其特征在于，
所述层叠造型系统具有：
制作单元，其基于所述层叠造型物的设计数据，制作焊接缝的形状数据作为第一形状数据；
决定单元，其决定形成所述第一形状数据时的焊接条件；
取得单元，其取得使用由所述决定单元决定出的焊接条件而形成的焊接缝的形状数据作为第二形状数据；
导出单元，其向将焊接缝的两个形状数据或两个形状数据间的差分作为输入数据且将与该两个形状数据间的差分对应的焊接条件间的差分作为输出数据并通过进行学习处理而生成的学习完毕模型输入所述第一形状数据和所述第二形状数据或者所述第一形状数据与所述第二形状数据的差分，由此，导出对应于所述第一形状数据的焊接条件与对应于所述第二形状数据的焊接条件的差分；以及
调整单元，其使用由所述导出单元导出的差分，调整由所述决定单元决定的焊接条件。
另外，作为本申请发明的另一方式，具有以下的结构。
(3)一种机器学习方法，是通过熔敷填充材料并层叠焊接缝而对层叠造型物进行造型时的焊接条件的机器学习方法，其特征在于，
所述机器学习方法具有学习处理工序，在该学习处理工序中，进行用于生成学习完毕模型的学习处理，该学习完毕模型将焊接缝的两个形状数据或者两个形状数据间的差分作为输入数据，将与所述两个形状数据间的差分对应的焊接条件间的差分作为输出数据。
另外，作为本申请发明的另一方式，具有以下的结构。
(4)一种焊接条件的调整方法，是通过熔敷填充材料并层叠焊接缝而对层叠造型物进行造型的层叠造型系统中的焊接条件的调整方法，其特征在于，
所述焊接条件的调整方法具有：
制作工序，在该制作工序中，基于所述层叠造型物的设计数据，制作焊接缝的形状数据作为第一形状数据；
决定工序，在该决定工序中，决定形成所述第一形状数据时的焊接条件；
取得工序，在该取得工序中，取得使用在所述决定工序中决定的焊接条件而形成的焊接缝的形状数据作为第二形状数据；
导出工序，在该导出工序中，向将焊接缝的两个形状数据或两个形状数据间的差分作为输入数据且将与该两个形状数据间的差分对应的焊接条件间的差分作为输出数据并通过进行学习处理而生成的学习完毕模型输入所述第一形状数据和所述第二形状数据或者所述第一形状数据与所述第二形状数据的差分，由此导出对应于所述第一形状数据的焊接条件与对应于所述第二形状数据的焊接条件的差分；以及
调整工序，在该调整工序中，使用在所述导出工序中导出的差分，调整在所述决定工序中决定的焊接条件。
另外，作为本申请发明的另一方式，具有以下的结构。
(5)一种程序，其中，
所述程序用于使计算机执行学习处理工序，在该学习处理工序中，进行用于生成学习完毕模型的学习处理，该学习完毕模型将对层叠造型物进行造型时的焊接缝的两个形状数据或者两个形状数据间的差分作为输入数据，将与所述两个形状数据间的差分对应的焊接条件间的差分作为输出数据。
另外，作为本申请发明的另一方式，具有以下的结构。
(6)一种程序，其中，
所述程序用于使计算机执行以下工序：
制作工序，在该制作工序中，基于通过熔敷填充材料并层叠焊接缝而造型的层叠造型物的设计数据，制作焊接缝的形状数据作为第一形状数据；
决定工序，在该决定工序中，决定形成所述第一形状数据时的焊接条件；
取得工序，在该取得工序中，取得使用在所述决定工序中决定的焊接条件而形成的焊接缝的形状数据作为第二形状数据；
导出工序，在该导出工序中，向将焊接缝的两个形状数据或两个形状数据间的差分作为输入数据且将与该两个形状数据间的差分对应的焊接条件间的差分作为输出数据并通过进行学习处理而生成的学习完毕模型输入所述第一形状数据和所述第二形状数据或者所述第一形状数据与所述第二形状数据的差分，由此导出对应于所述第一形状数据的焊接条件与对应于所述第二形状数据的焊接条件的差分；以及
调整工序，在该调整工序中，使用在所述导出工序中导出的差分，调整在所述决定工序中决定的焊接条件。
发明效果
根据本申请发明，能够提高层叠造型物的造型时的焊接条件的调整的精度。
附图说明
图1是示出本申请发明的一实施方式的层叠造型系统的结构例的概要结构图。
图2A是用于说明进给速度与电源的控制值的关系性的概念图。
图2B是用于说明层叠造型系统中的焊缝形成时的目标位置的输入与输出的关系性的概念图。
图3是用于说明焊缝的形状数据的概念图。
图4是用于说明本申请发明的一实施方式的学习处理的概念的概要图。
图5是本申请发明的第一实施方式的造型处理的流程图。
具体实施方式
以下，参照附图等对用于实施本申请发明的方式进行说明。需要说明的是，以下说明的实施方式是用于说明本申请发明的一实施方式，并非意在限定地解释本申请发明，另外，各实施方式中说明的全部的结构并不一定是为了解决本申请发明的课题而必须的结构。另外，在各附图中，通过针对相同的结构要素标注相同的参照标记而示出对应关系。
<第一实施方式>
以下，对本申请发明的第一实施方式进行说明。
[系统结构]
以下，参照附图对本申请发明的一实施方式详细进行说明。图1是能够应用本申请发明的层叠造型系统的概要结构图。
本实施方式的层叠造型系统1构成为包括层叠造型装置100、以及统一控制层叠造型装置100的信息处理装置200。
层叠造型装置100构成为包括焊接机器人104、向焊炬102供给填充材料(焊丝)M的填充材料供给部105、对焊接机器人104进行控制的机器人控制器106、以及电源107。
焊接机器人104是多关节机器人，将填充材料M支承为能够连续供给到设置于前端轴的焊炬102。焊炬102将填充材料M保持为从前端突出的状态。焊炬102的位置或姿势能够在构成焊接机器人104的机械臂的自由度的范围内三维地任意进行设定。
焊炬102具有保护喷嘴(未图示)，从保护喷嘴供给保护气体。保护气体将大气切断，防止焊接中的熔融金属的氧化、氮化等而抑制焊接不良。作为在本实施方式中使用的电弧焊接法，也可以是被覆电弧焊接或二氧化碳气体电弧焊接等自耗电极式、TIG焊接或等离子体电弧焊接等非自耗电极式中的任意一种，根据所造型的层叠造型物W而适当选定。
在焊炬102附近，具备能够追随于焊炬102的动作而移动的形状传感器101。形状传感器101检测形成在基座103上的层叠造型物W的形状。在本实施方式中，通过形状传感器101，能够检测构成层叠造型物W的焊接缝108(也仅称为“焊缝”)的高度或位置、宽度等。由形状传感器101检测到的信息被发送到信息处理装置200。需要说明的是，形状传感器101的结构没有特别限定，可以是通过接触来检测形状的结构(接触式传感器)，也可以是通过激光等来检测形状这样的结构(非接触式传感器)。需要说明的是，作为将所形成的焊缝的形状导出的单元，不限于设置在焊炬102附近的形状传感器101。例如，也可以为间接地导出所形成的焊缝的形状这样的结构。作为一例，也可以构成为预先规定焊接电流或填充材料M的进给速度的轮廓、以及表示焊缝的高度的趋势的DB(数据库)，基于造型时的焊接条件，来导出所形成的焊缝的高度。
在焊接机器人104中，在电弧焊接法为自耗电极式的情况下，在保护喷嘴的内部配置接触片，供给熔融电流的填充材料M保持于接触片。焊炬102保持填充材料M，并且在保护气体气氛中从填充材料M的前端产生电弧。通过安装于机械臂等的抽出机构(未图示)从填充材料供给部105向焊炬102进给填充材料M。然后，使焊炬102移动，并且使连续进给的填充材料M熔融及凝固，此时，作为填充材料M的熔融凝固体的线状的焊接缝108形成在基座103上。通过层叠焊接缝108而造型出层叠造型物W。
需要说明的是，作为使填充材料M熔融的热源，不限于上述的电弧。例如，也可以采用并用电弧和激光的加热方式、使用等离子体的加热方式、使用电子束或激光的加热方式等基于其他方式的热源。在通过电子束或激光进行加热的情况下，能够更加细微地控制加热量，更加适当地维持焊接缝108的状态，能够有助于层叠造型物W的进一步的品质提高。
机器人控制器106基于来自信息处理装置200的指示，通过规定的驱动程序对焊接机器人104进行驱动，在基座103上造型出层叠造型物W。即，焊接机器人104根据来自机器人控制器106的指令，一边通过电弧使填充材料M熔融一边使焊炬102移动。电源107是向机器人控制器106供给焊接所需的电力的焊接电源。电源107能够以多个控制模式进行动作，根据控制模式，能够切换向机器人控制器106供给电源时的电力(电流或电压等)。填充材料供给部105基于来自信息处理装置200的指示，来控制焊接机器人104向焊炬102的填充材料M的供给以及进给速度。
信息处理装置200例如可以是PC(Personal Computer，个人计算机)等信息处理装置等。图1所示的各功能可以通过未图示的控制部读出并执行未图示的存储部所存储的本实施方式的功能的程序而实现。作为存储部，可以包括作为易失性的存储区域的RAM(Random Access Memory，随机存取存储器)、作为非易失性的存储区域的ROM(Read OnlyMemory，只读存储器)或HDD(Hard Disk Drive，硬盘驱动器)等。另外，作为控制部，可以使用CPU(Central Processing Unit，中央处理器)、GPU(Graphical Processing Unit，图形处理器)、或者GPGPU(General-Purpose computing on Graphics Processing Units，通用图形处理器)等。
信息处理装置200构成为包括造型控制部201、电源控制部202、进给控制部203、DB管理部204、形状数据取得部205、学习用数据管理部206、学习处理部207、以及焊接条件导出部208。造型控制部201基于要造型的层叠造型物W的设计数据(例如，CAD/CAM数据等)，生成针对造型时的机器人控制器106的控制信号。这里的控制信号包括基于焊接机器人104形成的焊炬102的移动轨迹、焊接缝108形成时的焊接条件、填充材料供给部105进给填充材料M的进给速度等。焊炬102的移动轨迹不限定于在基座103上形成焊接缝108的过程中的焊炬102的轨迹，例如也包括焊炬102相对于形成焊接缝108的开始位置的移动轨迹等。
电源控制部202控制基于电源107的向机器人控制器106的电源供给(控制模式)。根据控制模式，形成相同形状的焊缝时的电流或电压的值、电流的波形(脉冲)等也可能不同。另外，电源控制部202适时地取得从电源107向机器人控制器106提供的电流或电压的信息。
进给控制部203控制填充材料供给部105进给填充材料M的进给速度或进给定时。这里的填充材料M的进给控制不仅包括抽出(正进给)，还包括返回(逆进给)。DB管理部204管理本实施方式的DB(数据库)。之后详细叙述本实施方式的DB。形状数据取得部205取得由形状传感器101检测到的形成在基座103上的焊接缝108的形状数据。
学习用数据管理部206进行在由学习处理部207进行的学习处理中使用的学习用数据的生成和管理。学习处理部207使用由学习用数据管理部206管理的学习用数据，进行学习处理。之后详细叙述本实施方式的学习用数据和学习处理。另外，学习处理部207管理作为学习处理的结果而得到的学习完毕模型。如上所述，本实施方式的电源107能够以多个控制模式进行动作。与此相伴，本实施方式的学习处理部207进行与电源107的多个控制模式分别对应的学习，生成学习完毕模型。
焊接条件导出部208使用由学习处理部207生成的学习完毕模型，导出针对造型控制部201的焊接条件的调整量，并通知给造型控制部201。之后叙述本实施方式的调整量的导出方法。
在本实施方式中，如图1所示，以使焊炬102在圆柱状的基座103上移动而形成焊接缝108从而对层叠造型物W进行造型的结构为例进行说明。在图1中，在本实施方式中，示出基座103在圆柱的平面上造型出层叠造型物W这样的结构，但不限于此。例如，也可以为基座103由圆柱状构成且在其侧面外周形成焊接缝108这样的结构。另外，本实施方式的设计数据中的坐标系与造型出层叠造型物W的基座103上的坐标系建立对应，设定了坐标系的3轴(X轴，Y轴，Z轴)，使得将任意的位置设为原点来规定三维中的位置。
上述构成的层叠造型系统1一边按照根据所设定的设计数据而规定的焊炬102的移动轨迹，通过焊接机器人104的驱动使焊炬102移动，一边使填充材料M熔融，将熔融后的填充材料M供给到基座103上。由此，造型出在基座103的上表面排列地层叠有多个线状的焊接缝108的层叠造型物W。
[造型时的因素的关系性]
在对层叠造型物W进行造型时，由于电源107的动作状态、装置固有的特性、层叠造型物W的结构等，需要调整造型时的控制参数。更具体而言，焊缝的形状能够根据焊接时的各种控制参数而变化。以下，对影响到焊缝的形状的控制参数的例子进行说明。
作为影响到焊缝的形状的控制参数的例子，举出填充材料M的进给速度、焊接速度、焊接量、目标位置、摆动的振幅或振动频率、输入热量等。以填充材料M的进给速度为例进行说明。图2A是示出填充材料M的进给速度与由电源107供给的电流(或者电压)的关系的图，横轴表示填充材料M的进给速度，纵轴表示由电源107供给的电流(或者电压)的控制值。伴随着进给速度上升，从电源107供给的电流(或者电压)上升，但该上升不是固定的。该变动的趋势可能根据电源107的控制模式而不同。因此，根据该变动的趋势的差分，即便是相同的控制参数，所形成的焊缝的形状也可能变动。
作为另一例，对焊缝形成时的目标位置进行说明。图2B是示出基于设计数据而确定的基座103上的焊缝的目标位置(输入)与作为形成结果而得到的焊缝的目标位置(输出)的关系的图，横轴表示输入，纵轴表示输出。在图2B中，虚线表示输入与输出的理想的关系，输入值(即，设计值)与输出值表示相同的值。但是，实际上，由于设备的性能或规格等各种因素，输入值与输出值不一定一致。例如，图2B的实线表示实际的输入值与输出值的关系的一例，如这些线所示，设计值与输出结果可能产生差异。因此，即便是相同的控制参数，焊缝的形状也可能根据目标位置的差异(偏移)而变动。
图3是用于说明焊接缝的形状数据的概念图。图3示出在基座103上形成了焊接缝108的状态下从形成时的焊炬102的行进方向观察到的剖面。如图3所示，作为焊接缝108的形状数据，能够使用高度h、宽度w、根部的角度α、表面凹凸等信息。
[数据库]
在本实施方式中，使用表示焊接条件与在该焊接条件下形成的焊缝的形状信息的关系性的数据库。该数据库由DB管理部204管理，并被预先规定。如上所述，本实施方式的电源107能够以多个控制模式进行动作。与此相伴，规定并管理与多个控制模式分别对应的多个数据库。
在本实施方式的数据库中，将作为焊接条件的预先规定的控制参数与使用该控制参数进行了焊接时形成的焊缝的形状的信息建立对应来保持。作为焊接条件的项目，包括上述那样的填充材料M的焊接量、目标位置、摆动条件、输入热量、层叠路径数、母材温度、路径间时间等。另外，作为焊缝形状的信息的项目，包括图3所示的焊缝的高度、宽度、根部的角度、表面的凹凸等。需要说明的是，由数据库规定的各种信息的项目不限于上述，可以根据需要进行增减。
[学习处理]
在本实施方式中，作为学习方法而使用机器学习中的基于神经网络的深度学习(deep learning)的方法，以监督学习为例进行说明。需要说明的是，深度学习的更加具体的方法(算法)没有特别限定，例如，可以使用卷积神经网络(CNN：Convolutional NeuralNetwork)等公知的方法。另外，构成神经网络的层的种类和层数也没有特别限定。
图4是用于说明本实施方式的学习处理的概念的概要图。首先，在本实施方式中，作为原始数据，使用多个表示焊缝的形状的形状数据和在形成该焊缝时使用的焊接条件的对数据。需要说明的是，原始数据可以使用作为焊缝的形成历史而保持的数据。使用多个对数据，求出形状数据与焊接条件各自的差分。例如，求出焊缝形状A的形状数据A与焊缝形状B的形状数据B的差分、以及对应于焊缝形状A的焊接条件A与对应于焊缝形状B的焊接条件B的差分。然后，在它们中，准备多个将焊缝形状的差分设为输入数据且将焊接条件的差分设为示教数据的学习用数据。需要说明的是，在本实施方式中，作为学习用数据所包含的输入数据，以焊缝形状的差分为例进行说明，但不限于此，也可以将用于导出该差分的两个形状数据的对用作输入数据。
在本实施方式中，使用上述的学习用数据进行学习处理。当针对学习模型输入作为学习用数据而准备的输入数据(这里为焊缝形状的差分)时，输出焊接条件的差分作为针对该输入数据的输出数据。该输出数据相当于焊接条件的调整量。接着，使用该输出数据和作为学习用数据而准备的示教数据(这里为焊接条件的差分)，通过损失函数而导出误差。然后，对学习模型中的各参数进行调整，使得该误差变小。在参数的调整中，例如可以使用误差反向传播法等。这样，通过使用多个学习用数据重复进行学习，生成学习完毕模型。学习完毕模型伴随着学习处理的执行每次被更新，因此，根据所使用的定时，变更构成学习完毕模型的参数，针对输入数据的输出结果也不同。需要说明的是，即便在对输入数据使用两个形状数据的对的情况下，基本上也进行同样的动作。
需要说明的是，学习处理不一定需要由信息处理装置200执行。例如，信息处理装置200也可以构成为，向设置于信息处理装置200的外部的学习用的服务器(未图示)进行学习用的数据的提供，在该服务器侧进行学习处理。而且，也可以根据需要而构成为，该服务器向信息处理装置200提供学习完毕模型。这样的学习用的服务器例如可以位于因特网等网络(未图示)上，学习用的服务器与信息处理装置200以能够通信的方式连接。即，信息处理装置200也可以作为机器学习装置进行动作，外部装置也可以作为机器学习装置进行动作。无论在哪种情况下，信息处理装置200都能够取得在学习处理中得到的学习完毕模型，并且用于层叠造型物W的造型时。
[处理流程]
图5是本实施方式的焊接条件的调整处理的流程图。本处理由信息处理装置200执行并控制，例如可以通过信息处理装置200具备的CPU或GPU等处理部从存储部(未图示)读出并执行用于实现图1所示的各部位的程序而实现。另外，在开始本处理流程之前，进行上述的学习处理，生成学习完毕模型。另外，本处理流程中的用于调整参数的处理也可以在将要开始实际的层叠造型物W的造型之前进行。或者，也可以在进行层叠造型物W的造型的过程中，在切换了电源的控制模式的情况或者在将形成的焊缝的层移到下一层的情况下进行。这里，说明以下情况：在将要造型出层叠造型物W之前，利用与在基座103上对层叠造型物W进行造型的位置不同的位置来进行调整。
在S501中，信息处理装置200取得层叠造型物W的设计数据。这里的设计数据是指定了层叠造型物W的形状等的数据，是基于用户的指示而制作的。关于设计数据，例如可以从以能够通信的方式连接的外部装置(未图示)输入，也可以在信息处理装置200上经由规定的应用(未图示)而制作。
在S502中，信息处理装置200基于在S501中取得的设计数据，制作在层叠造型装置100中与构成层叠造型物W的各焊缝对应的路径数据。这里的路径数据除了包括焊炬102的移动轨迹等信息之外，还包括表示焊缝的形状的形状数据。这里制作出的形状数据相当于设计值，可以由存储部(未图示)保持并管理。
在S503中，信息处理装置200关注于电源107能够进行动作的多个控制模式中的未实施参数调整处理的一个控制模式。这里的成为处理对象的控制模式也可以是电源107能够进行动作的全部的控制模式，也可以限定于在使用在S501中取得的设计数据对层叠造型物W进行造型时使用的一个或多个控制模式。
在S504中，信息处理装置200取得与在S503中关注的控制模式对应的学习完毕模型。如上所述，生成根据控制模式而不同的学习完毕模型，从其中取得对应的学习完毕模型。
在S505中，信息处理装置200参照与在S503中关注的控制模式对应的DB，确定与在S502中制作出的形状数据对应的焊接条件。如上所述，在DB中，焊接条件与焊缝的形状数据建立了对应，通过指定形状数据，能够确定焊接条件。
在S506中，信息处理装置200基于在S505中确定出的焊接条件，执行基于焊接机器人104的造型动作。这里的造型动作不是为了对层叠造型物W的一部分进行造型而进行的，而是为了在与此不同的位置形成参数调整用的焊缝而进行的。
在S507中，信息处理装置200经由形状传感器101，取得在S506中执行的作为焊缝的形成结果的形状数据。如上所述，本实施方式的形状传感器101设置为追随于焊炬102进行移动。也可以构成为与焊缝的形成并行地取得形状数据，还可以构成为在焊缝的形成完成之后取得形状数据。作为这里取得的形状数据，如图3所示，举出所形成的焊缝的高度或宽度、根部的角度、表面的凹凸等。
在S508中，信息处理装置200导出在S507中取得的形状数据(测定值)与在S502中制作出的形状数据(设计值)的差分。例如，在作为形状数据而包括高度或宽度等多个项目的情况下，导出各个差分。
在S509中，信息处理装置200对在S508中导出的差分与预先规定的阈值进行比较，判定差分是否为阈值以上。阈值是针对形状数据的每个项目而设定的，并保持在未图示的存储部中。这里使用的阈值可以根据控制模式而不同，也可以使用固定值。在差分为阈值以上的情况下(S509中的是)，信息处理装置200的处理进入S510。另一方面，在差分比阈值小的情况下(S509中的否)，信息处理装置200的处理进入S513。另外，在形状数据中，在将多个项目用于判定的情况下，作为各项目与阈值的比较结果，在全部的项目为阈值以上的情况下，可以判定为是。在该情况下，针对各项目而设定阈值。
在S510中，信息处理装置200通过向在S503中取得的学习完毕模型输入在S508中导出的差分作为输入数据，从而取得焊接条件的差分作为输出数据。该差分相当于针对在紧前面的焊缝的形成中使用的焊接条件的调整量。需要说明的是，如上所述，在将两个形状数据的对作为输入数据而进行了学习的情况下，这可以代替在S508中导出的差分，输入在S507中取得的形状数据(测定值)与在S502中制作出的形状数据(设计值)的对。
在S511中，信息处理装置200通过对在紧前面的焊缝的形成中使用的焊接条件反映在S510中取得的调整量来进行修正。
在S512中，信息处理装置200利用在S511中修正后的焊接条件，再次执行焊缝的形成。之后，返回S507，重复进行以后的处理。即，重复进行S507～S512的处理，直至基于设计数据的设计值与基于实际的形成结果的测定结果的差分小于阈值。因此，通过重复地累积在S510中取得的调整量并反映到焊接条件中，从而差分渐渐变小(收敛)。
在S513中，信息处理装置200将基于当前的调整量的焊接条件与关注的电源107的控制模式对应地存储于存储部(未图示)。这里存储的焊接条件(或者调整量)用于层叠造型物W的造型时。之后，进入S514。
在S514中，信息处理装置200针对电源107能够进行动作的全部控制模式，判定参数调整处理是否完成。在存在未处理的控制模式的情况下(S514中的否)，信息处理装置200的处理返回到S503，重复进行以后的处理。另一方面，在针对全部的控制模式完成了处理的情况下(S514中的是)，结束本处理流程。
在上述的流程图中，示出了基于层叠造型物W的设计数据来进行参数调整的例子。此时，也可以构成为基于设计数据所示的焊缝的层叠数、与相邻的焊缝(邻接焊缝)之间的位置关系，进行与层或位置关系对应的参数调整。更具体而言，也可以将与层数或位置相关的信息进一步用作形状数据。通过包含这样的信息，能够进行考虑了与焊缝的形成位置相应的焊缝的垂下或与相邻焊缝的融合等的参数调整。另外，也可以构成为代替使用层叠造型物W的设计数据而基于预先规定的参数调整用的形状数据进行参数调整。
以上，根据本实施方式，能够提高层叠造型物的造型时的焊接条件的调整的精度。尤其是通过使用学习完毕模型而导出焊接条件的变化趋势与焊缝形状的变化趋势的关系性，能够进行不依赖于系统的焊接条件的调整。另外，也不需要制作考虑了系统的机差的数据库，仅使用通用的数据库就能够应用于各种层叠造型系统。
<其他实施方式>
除了第一实施方式所示的结构之外，也可以具有层叠造型系统1进行用于学习处理的学习用数据的生成这样的结构。例如，在层叠造型物W的造型时，在每次形成焊缝时通过形状传感器101检测焊缝的形状，将形成该焊缝时的焊接条件、形状数据以及电源的控制模式对应地存储。此外，可以使用存储的数据，如使用图4说明的那样求出各差分，由此生成学习用数据。此时，用于生成学习用数据的数据可以由层叠造型系统1的利用者指定，也可以从蓄积的数据中以任意的条件进行过滤而提取数据。
另外，在本申请发明中，即便是以下处理也能够实现：使用网络或存储介质等将用于实现上述的一个以上的实施方式的功能的程序或应用供给到系统或装置，由该系统或装置的计算机中的一个以上的处理器读出并执行程序。
另外，也可以通过实现一个以上的功能的电路(例如，ASIC(ApplicationSpecific Integrated Circuit，专用集成电路)或FPGA(Field Programmable GateArray，现场可编程门阵列))来实现。
按照以上，本说明书公开了以下的事项。
(1)一种机器学习装置，进行通过熔敷填充材料并层叠焊接缝而对层叠造型物进行造型时的焊接条件的机器学习，其特征在于，
所述机器学习装置具有学习处理单元，该学习处理单元进行用于生成学习完毕模型的学习处理，该学习完毕模型将焊接缝的两个形状数据或者两个形状数据间的差分作为输入数据，将与所述两个形状数据间的差分对应的焊接条件间的差分作为输出数据。
根据该结构，能够提高层叠造型物的造型时的焊接条件的调整的精度。尤其是能够生成在调整焊接条件时使用的与形状数据的变化趋势对应的用于导出焊接条件的调整量的学习完毕模型。
(2)根据(1)所记载的机器学习装置，其特征在于，所述形状数据包括所述焊接缝的高度、宽度、根部的角度、以及表面的凹凸中的至少任意一方。
根据该结构，作为形状数据，能够考虑焊缝的高度、宽度、角度、表面形状而进行焊接条件的调整。
(3)根据(1)或(2)所记载的机器学习装置，其特征在于，所述焊接条件包括所述填充材料的进给速度、焊接速度、焊接的电流或电压、所述层叠造型物被造型的基座上的目标位置、造型时的输入热量、以及摆动的控制条件中的至少任意一方。
根据该结构，作为焊接条件，能够将填充材料的进给速度、基座上的目标位置、造型时的输入热量、以及摆动的控制条件作为对象而进行调整。
(4)根据(3)所记载的机器学习装置，其特征在于，所述焊接条件还包括层叠路径数或者母材温度。
根据该结构，作为焊接条件，还能够将层叠路径数、母材温度作为对象而进行调整。例如，能够进行考虑了与层叠路径数增加相伴的电极的摩擦或向喷嘴上的溅射附着等负荷蓄积的学习处理。另外，能够进行考虑了向基座的蓄热的学习处理。
(5)根据(1)至(4)中任一项所记载的机器学习装置，其特征在于，所述学习处理单元按照在对所述层叠造型物进行造型时使用的电源的每个控制模式而生成学习完毕模型。
根据该结构，能够生成与电源的控制模式相应的学习完毕模型，更高精度地进行焊接条件的调整。
(6)根据(5)所记载的机器学习装置，其特征在于，与所述焊接条件对应地供给的电压值、电流值、或者电流的脉冲中的至少任意一方按照所述电源的每个控制模式而不同。
根据该结构，能够生成考虑了在电源的控制模式中不同的电压值、电流值、脉冲的学习完毕模型。
(7)根据(1)至(6)中任一项所记载的机器学习装置，其特征在于，所述学习处理单元使用利用了神经网络的监督学习的方法而进行所述学习处理。
根据该结构，能够进行与使用了神经网络的监督学习对应的机器学习。
(8)一种层叠造型系统，是通过熔敷填充材料并层叠焊接缝而对层叠造型物进行造型的层叠造型系统，其特征在于，
所述层叠造型系统具有：
制作单元，其基于所述层叠造型物的设计数据，制作焊接缝的形状数据作为第一形状数据；
决定单元，其决定形成所述第一形状数据时的焊接条件；
取得单元，其取得使用由所述决定单元决定出的焊接条件而形成的焊接缝的形状数据作为第二形状数据；
导出单元，其向将焊接缝的两个形状数据或两个形状数据间的差分作为输入数据且将与该两个形状数据间的差分对应的焊接条件间的差分作为输出数据并通过进行学习处理而生成的学习完毕模型输入所述第一形状数据和所述第二形状数据或者所述第一形状数据与所述第二形状数据的差分，由此，导出对应于所述第一形状数据的焊接条件与对应于所述第二形状数据的焊接条件的差分；以及
调整单元，其使用由所述导出单元导出的差分，调整由所述决定单元决定的焊接条件。
根据该结构，能够提高层叠造型物的造型时的焊接条件的调整的精度。另外，通过使用学习完毕模型来导出焊接条件的变化趋势与焊缝形状的变化趋势的关系性，能够进行不依赖于系统的焊接条件的调整。另外，也不需要制作考虑了系统的机差的单独的数据库，仅利用通用的数据库就能够应用于各种层叠造型系统。
(9)根据(8)所记载的层叠造型系统，其特征在于，所述导出单元在所述第一形状数据与所述第二形状数据的差分为规定的阈值以上的情况下，导出用于调整由所述决定单元决定的焊接条件的差分。
根据该结构，通过重复执行焊接条件的调整，能够进行控制，使得得到规定的精度。
(10)根据(8)或(9)所记载的层叠造型系统，其特征在于，所述决定单元使用将焊接缝的形状与焊接条件预先建立了对应的数据库，来决定形成所述第一形状数据时的焊接条件。
根据该结构，能够使用通用的数据库，决定成为基准的焊接条件，进行从该基准的调整。因此，能够削减制作每个装置的焊接条件的数据库的时间和精力。
(11)根据(8)至(10)中任一项所记载的层叠造型系统，其特征在于，所述取得单元通过由传感器测定所述焊接缝而取得该焊接缝的形状数据。
根据该结构，能够通过传感器，取得实际的焊缝形状的测定值，用于与设计值的比较。
(12)一种机器学习方法，是通过熔敷填充材料并层叠焊接缝而对层叠造型物进行造型时的焊接条件的机器学习方法，其特征在于，
所述机器学习方法具有学习处理工序，在该学习处理工序中，进行用于生成学习完毕模型的学习处理，该学习完毕模型将焊接缝的两个形状数据或者两个形状数据间的差分作为输入数据，将与所述两个形状数据间的差分对应的焊接条件间的差分作为输出数据。
根据该结构，能够提高层叠造型物的造型时的焊接条件的调整的精度。尤其是能够生成在调整焊接条件时使用的与形状数据的变化趋势对应的用于导出焊接条件的调整量的学习完毕模型。
(13)一种焊接条件的调整方法，是通过熔敷填充材料并层叠焊接缝而对层叠造型物进行造型的层叠造型系统中的焊接条件的调整方法，其特征在于，
所述焊接条件的调整方法具有：
制作工序，在该制作工序中，基于所述层叠造型物的设计数据，制作焊接缝的形状数据作为第一形状数据；
决定工序，在该决定工序中，决定形成所述第一形状数据时的焊接条件；
取得工序，在该取得工序中，取得使用在所述决定工序中决定的焊接条件而形成的焊接缝的形状数据作为第二形状数据；
导出工序，在该导出工序中，向将焊接缝的两个形状数据或两个形状数据间的差分作为输入数据且将与该两个形状数据间的差分对应的焊接条件间的差分作为输出数据并通过进行学习处理而生成的学习完毕模型输入所述第一形状数据和所述第二形状数据或者所述第一形状数据与所述第二形状数据的差分，由此导出对应于所述第一形状数据的焊接条件与对应于所述第二形状数据的焊接条件的差分；以及
调整工序，在该调整工序中，使用在所述导出工序中导出的差分，调整在所述决定工序中决定的焊接条件。
根据该结构，能够提高层叠造型物的造型时的焊接条件的调整的精度。另外，通过使用学习完毕模型来导出焊接条件的变化趋势与焊缝形状的变化趋势的关系性，能够进行不依赖于系统的焊接条件的调整。另外，也不需要制作考虑了系统的机差的单独的数据库，仅利用通用的数据库就能够应用于各种层叠造型系统。
(14)一种程序，其中，
所述程序用于使计算机执行学习处理工序，在该学习处理工序中，进行用于生成学习完毕模型的学习处理，该学习完毕模型将对层叠造型物进行造型时的焊接缝的两个形状数据或者两个形状数据间的差分作为输入数据，将与所述两个形状数据间的差分对应的焊接条件间的差分作为输出数据。
根据该结构，能够提高层叠造型物的造型时的焊接条件的调整的精度。尤其是能够生成在调整焊接条件时使用的与形状数据的变化趋势对应的用于导出焊接条件的调整量的学习完毕模型。
(15)一种程序，其中，
所述程序用于使计算机执行以下工序：
制作工序，在该制作工序中，基于通过熔敷填充材料并层叠焊接缝而造型的层叠造型物的设计数据，制作焊接缝的形状数据作为第一形状数据；
决定工序，在该决定工序中，决定形成所述第一形状数据时的焊接条件；
取得工序，在该取得工序中，取得使用在所述决定工序中决定的焊接条件而形成的焊接缝的形状数据作为第二形状数据；
导出工序，在该导出工序中，向将焊接缝的两个形状数据或两个形状数据间的差分作为输入数据且将与该两个形状数据间的差分对应的焊接条件间的差分作为输出数据并通过进行学习处理而生成的学习完毕模型输入所述第一形状数据和所述第二形状数据或者所述第一形状数据与所述第二形状数据的差分，由此导出对应于所述第一形状数据的焊接条件与对应于所述第二形状数据的焊接条件的差分；以及
调整工序，在该调整工序中，使用在所述导出工序中导出的差分，调整在所述决定工序中决定的焊接条件。
根据该结构，能够提高层叠造型物的造型时的焊接条件的调整的精度。另外，通过使用学习完毕模型来导出焊接条件的变化趋势与焊缝形状的变化趋势的关系性，能够进行不依赖于系统的焊接条件的调整。另外，也不需要制作考虑了系统的机差的单独的数据库，仅利用通用的数据库就能够应用于各种层叠造型系统。
以上，参照附图对各种实施方式进行了说明，但本发明当然不限定于上述例子。对本领域技术人员来说，显然在权利要求书所记载的范围内能够想到各种变更例或修正例，应理解这些变更例或修正例当然也属于本发明的技术范围。另外，在不脱离发明的主旨的范围内，也可以任意地组合上述实施方式中的各构成要素。
需要说明的是，本申请是基于2020年7月15日申请的日本专利申请(日本特愿2020-121581)而完成的，其内容作为参照而被援引到本申请中。
附图标记说明
1…层叠造型系统；
100…层叠造型装置；
101…形状传感器；
102…焊炬；
103…基座；
104…焊接机器人；
106…机器人控制器；
107…电源；
108…焊接缝；
200…信息处理装置；
201…造型控制部；
202…电源控制部；
203…进给控制部；
204…DB(数据库)管理部；
205…形状数据取得部；
206…学习用数据管理部；
207…学习处理部；
208…焊接条件导出部；
W…层叠造型物；
M…填充材料。

Claims (15)

1.一种机器学习装置，进行通过熔敷填充材料并层叠焊接缝而对层叠造型物进行造型时的焊接条件的机器学习，其特征在于，
所述机器学习装置具有学习处理单元，该学习处理单元进行用于生成学习完毕模型的学习处理，该学习完毕模型将焊接缝的两个形状数据或者两个形状数据间的差分作为输入数据，将与所述两个形状数据间的差分对应的焊接条件间的差分作为输出数据。
2.根据权利要求1所述的机器学习装置，其特征在于，
所述形状数据包括所述焊接缝的高度、宽度、根部的角度以及表面的凹凸中的至少任意一方。
3.根据权利要求1所述的机器学习装置，其特征在于，
所述焊接条件包括所述填充材料的进给速度、焊接速度、焊接的电流或电压、所述层叠造型物被造型的基座上的目标位置、造型时的输入热量以及摆动的控制条件中的至少任意一方。
4.根据权利要求3所述的机器学习装置，其特征在于，
所述焊接条件还包括层叠路径数或者母材温度。
5.根据权利要求1所述的机器学习装置，其特征在于，
所述学习处理单元按照在对所述层叠造型物进行造型时使用的电源的每个控制模式而生成学习完毕模型。
6.根据权利要求5所述的机器学习装置，其特征在于，
与所述焊接条件对应地供给的电压值、电流值、或者电流的脉冲中的至少任意一方，按照所述电源的每个控制模式而不同。
7.根据权利要求1所述的机器学习装置，其特征在于，
所述学习处理单元使用利用了神经网络的监督学习的方法而进行所述学习处理。
8.一种层叠造型系统，是通过熔敷填充材料并层叠焊接缝而对层叠造型物进行造型的层叠造型系统，其特征在于，
所述层叠造型系统具有：
制作单元，其基于所述层叠造型物的设计数据，制作焊接缝的形状数据作为第一形状数据；
决定单元，其决定形成所述第一形状数据时的焊接条件；
取得单元，其取得使用由所述决定单元决定出的焊接条件而形成的焊接缝的形状数据作为第二形状数据；
导出单元，其向将焊接缝的两个形状数据或两个形状数据间的差分作为输入数据且将与该两个形状数据间的差分对应的焊接条件间的差分作为输出数据并通过进行学习处理而生成的学习完毕模型输入所述第一形状数据和所述第二形状数据或者所述第一形状数据与所述第二形状数据的差分，由此，导出对应于所述第一形状数据的焊接条件与对应于所述第二形状数据的焊接条件的差分；以及
调整单元，其使用由所述导出单元导出的差分，调整由所述决定单元决定的焊接条件。
9.根据权利要求8所述的层叠造型系统，其特征在于，
所述导出单元在所述第一形状数据与所述第二形状数据的差分为规定的阈值以上的情况下，导出用于调整由所述决定单元决定的焊接条件的差分。
10.根据权利要求8所述的层叠造型系统，其特征在于，
所述决定单元使用将焊接缝的形状与焊接条件预先建立了对应的数据库，来决定形成所述第一形状数据时的焊接条件。
11.根据权利要求8所述的层叠造型系统，其特征在于，
所述取得单元通过由传感器测定所述焊接缝而取得该焊接缝的形状数据。
12.一种机器学习方法，是通过熔敷填充材料并层叠焊接缝而对层叠造型物进行造型时的焊接条件的机器学习方法，其特征在于，
所述机器学习方法具有学习处理工序，在该学习处理工序中，进行用于生成学习完毕模型的学习处理，该学习完毕模型将焊接缝的两个形状数据或者两个形状数据间的差分作为输入数据，将与所述两个形状数据间的差分对应的焊接条件间的差分作为输出数据。
13.一种焊接条件的调整方法，是通过熔敷填充材料并层叠焊接缝而对层叠造型物进行造型的层叠造型系统中的焊接条件的调整方法，其特征在于，
所述焊接条件的调整方法具有：
制作工序，在该制作工序中，基于所述层叠造型物的设计数据，制作焊接缝的形状数据作为第一形状数据；
决定工序，在该决定工序中，决定形成所述第一形状数据时的焊接条件；
取得工序，在该取得工序中，取得使用在所述决定工序中决定的焊接条件而形成的焊接缝的形状数据作为第二形状数据；
导出工序，在该导出工序中，向将焊接缝的两个形状数据或两个形状数据间的差分作为输入数据且将与该两个形状数据间的差分对应的焊接条件间的差分作为输出数据并通过进行学习处理而生成的学习完毕模型输入所述第一形状数据和所述第二形状数据或者所述第一形状数据与所述第二形状数据的差分，由此导出对应于所述第一形状数据的焊接条件与对应于所述第二形状数据的焊接条件的差分；以及
调整工序，在该调整工序中，使用在所述导出工序中导出的差分，调整在所述决定工序中决定的焊接条件。
14.一种程序，其中，
所述程序用于使计算机执行学习处理工序，在该学习处理工序中，进行用于生成学习完毕模型的学习处理，该学习完毕模型将对层叠造型物进行造型时的焊接缝的两个形状数据或者两个形状数据间的差分作为输入数据，将与所述两个形状数据间的差分对应的焊接条件间的差分作为输出数据。
15.一种程序，其中，
所述程序用于使计算机执行以下工序：
制作工序，在该制作工序中，基于通过熔敷填充材料并层叠焊接缝而造型的层叠造型物的设计数据，制作焊接缝的形状数据作为第一形状数据；
决定工序，在该决定工序中，决定形成所述第一形状数据时的焊接条件；
取得工序，在该取得工序中，取得使用在所述决定工序中决定的焊接条件而形成的焊接缝的形状数据作为第二形状数据；
导出工序，在该导出工序中，向将焊接缝的两个形状数据或两个形状数据间的差分作为输入数据且将与该两个形状数据间的差分对应的焊接条件间的差分作为输出数据并通过进行学习处理而生成的学习完毕模型输入所述第一形状数据和所述第二形状数据或者所述第一形状数据与所述第二形状数据的差分，由此导出对应于所述第一形状数据的焊接条件与对应于所述第二形状数据的焊接条件的差分；以及
调整工序，在该调整工序中，使用在所述导出工序中导出的差分，调整在所述决定工序中决定的焊接条件。
CN202180046941.7A 2020-07-15 2021-06-16 机器学习装置、层叠造型系统、焊接条件的机器学习方法、焊接条件的调整方法及程序 Pending CN115867407A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020-121581 2020-07-15
JP2020121581A JP7384760B2 (ja) 2020-07-15 2020-07-15 機械学習装置、積層造形システム、溶接条件の機械学習方法、溶接条件の調整方法、およびプログラム
PCT/JP2021/022941 WO2022014240A1 (ja) 2020-07-15 2021-06-16 機械学習装置、積層造形システム、溶接条件の機械学習方法、溶接条件の調整方法、およびプログラム

Publications (1)

Publication Number Publication Date
CN115867407A true CN115867407A (zh) 2023-03-28

Family

ID=79555501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180046941.7A Pending CN115867407A (zh) 2020-07-15 2021-06-16 机器学习装置、层叠造型系统、焊接条件的机器学习方法、焊接条件的调整方法及程序

Country Status (5)

Country Link
US (1) US20230273605A1 (zh)
EP (1) EP4166265A4 (zh)
JP (1) JP7384760B2 (zh)
CN (1) CN115867407A (zh)
WO (1) WO2022014240A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023114157A (ja) * 2022-02-04 2023-08-17 株式会社神戸製鋼所 制御情報生成装置、制御情報生成方法、溶接制御装置及び制御情報生成プログラム

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6126174B2 (ja) * 2015-07-31 2017-05-10 ファナック株式会社 機械学習装置、アーク溶接制御装置、アーク溶接ロボットシステムおよび溶接システム
JP6754118B2 (ja) * 2016-08-18 2020-09-09 国立大学法人埼玉大学 三次元造形のためのコンピュータ支援製造装置，方法およびプログラム，三次元造形のための制御プログラム生成装置，ならびに三次元造形システム
JP6751040B2 (ja) * 2017-03-13 2020-09-02 株式会社神戸製鋼所 積層造形物の製造方法、製造システム、及び製造プログラム
US11090764B2 (en) * 2018-04-12 2021-08-17 Mitsubishi Electric Corporation Additive manufacturing apparatus, additive manufacturing system, and additive manufacturing method
JP7048435B2 (ja) * 2018-06-27 2022-04-05 株式会社神戸製鋼所 積層造形物の積層計画方法、積層造形物の製造方法及び製造装置
JP7068950B2 (ja) * 2018-07-03 2022-05-17 株式会社神戸製鋼所 溶接設計支援方法、及びプログラム
JP7146576B2 (ja) * 2018-10-29 2022-10-04 芝浦機械株式会社 積層造形装置、積層造形方法、及びプログラム
JP2020121581A (ja) 2019-01-29 2020-08-13 トヨタ紡織株式会社 乗物用照明装置
CN110883403B (zh) * 2019-12-24 2020-10-30 华中科技大学 一种用于电弧增材制造的焊道建模方法、设备及系统

Also Published As

Publication number Publication date
EP4166265A4 (en) 2024-01-10
US20230273605A1 (en) 2023-08-31
EP4166265A1 (en) 2023-04-19
WO2022014240A1 (ja) 2022-01-20
JP7384760B2 (ja) 2023-11-21
JP2022018467A (ja) 2022-01-27

Similar Documents

Publication Publication Date Title
US11945031B2 (en) Laminated molded object production method and production device
US11772194B2 (en) Method for designing laminate molded article, production method, production device, and program
CN111344096B (zh) 层叠造形物的制造方法以及制造装置
US20230259099A1 (en) Machine learning device, additive manufacturing system, machine learning method for welding condition, method for determining welding condition, and a non-transitory computer readable medium
EP3693118B1 (en) Hybrid additive manufacturing system using laser and arc welding
JP6978350B2 (ja) ワーク姿勢調整方法、造形物の製造方法及び製造装置
US20190366466A1 (en) Systems and methods for additive manufacturing in a controlled short circuit welding system
EP4183509A1 (en) System for manufacturing laminate molded product, method for manufacturing laminate molded product, and program for manufacturing laminate molded product
JP2019136711A (ja) 積層造形物の製造方法
CN115867407A (zh) 机器学习装置、层叠造型系统、焊接条件的机器学习方法、焊接条件的调整方法及程序
JP7409997B2 (ja) 積層造形物の製造方法
WO2022149426A1 (ja) 積層造形物の製造方法
EP4169677A1 (en) System for manufacturing laminate molded product, method for manufacturing laminate molded product, and program for manufacturing laminate molded product
JP7160764B2 (ja) 積層造形物の製造方法
WO2023149142A1 (ja) 制御情報生成装置、制御情報生成方法、溶接制御装置及び制御情報生成プログラム
JP7553400B2 (ja) 積層造形方法、積層造形装置、及び積層造形物を造形するプログラム
JP2024072589A (ja) ロボットの制御装置、制御方法、およびプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination