JP2003516860A - レーザーによって突き合せ溶接された金属薄板またはバンドの継ぎ目を品質管理する方法と装置 - Google Patents

レーザーによって突き合せ溶接された金属薄板またはバンドの継ぎ目を品質管理する方法と装置

Info

Publication number
JP2003516860A
JP2003516860A JP2001541641A JP2001541641A JP2003516860A JP 2003516860 A JP2003516860 A JP 2003516860A JP 2001541641 A JP2001541641 A JP 2001541641A JP 2001541641 A JP2001541641 A JP 2001541641A JP 2003516860 A JP2003516860 A JP 2003516860A
Authority
JP
Japan
Prior art keywords
network
artificial neuron
sensor
sensor data
data
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
JP2001541641A
Other languages
English (en)
Inventor
エッザー，グレゴル
コホ，マルティン
ステゲマン−アウハーゲ
Original Assignee
ティッセンクルップ シュタール アクチェンゲゼルシャフト
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 ティッセンクルップ シュタール アクチェンゲゼルシャフト filed Critical ティッセンクルップ シュタール アクチェンゲゼルシャフト
Publication of JP2003516860A publication Critical patent/JP2003516860A/ja
Pending legal-status Critical Current

Links

Classifications

    • 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
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • B23K26/032—Observing, e.g. monitoring, the workpiece using optical 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
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • 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
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • B23K26/034—Observing the temperature of the workpiece
    • 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]
    • G05B19/41875—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 quality surveillance of production
    • 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
    • G05B2219/33—Director till display
    • G05B2219/33025—Recurrent artificial neural network
    • 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
    • G05B2219/33—Director till display
    • G05B2219/33027—Artificial neural network controller
    • 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
    • G05B2219/33—Director till display
    • G05B2219/33038—Real time online learning, training, dynamic network
    • 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
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34153—Linear interpolation
    • 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
    • G05B2219/37—Measurements
    • G05B2219/37217—Inspect solder joint, machined part, workpiece, welding result
    • 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
    • G05B2219/45138—Laser 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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Plasma & Fusion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Laser Beam Processing (AREA)
  • Lining Or Joining Of Plastics Or The Like (AREA)

Abstract

(57)【要約】 本発明は、レーザーによって突き合せ溶接された金属薄板またはバンドの継ぎ目を品質管理する方法に関するものであって、溶接場所の周りに配置された少なくとも２つのセンサによって多数のセンサ測定がおこなわれる。センサデータは溶接継ぎ目の品質判定のための組み合わせおよび補正の測定データ処理装置に入力パラメータとして供給される。溶接結果の現実に忠実な分析を可能にする、溶接継ぎ目のほぼリアルタイムの品質管理のために、格納されているデータが入力パラメータとして、少なくとも２つのほぼ独立した、学習可能な人工ニューロンネットワークを含む、基本的に階層的なネットワーク構造を有する少なくとも１つの学習可能な人工ニューロンネットワークへ供給される。ネットワークネットワークネットワークさらに、第１の人工ニューロンネットワークは、少なくとも２つの独立した人工ニューロンネットワークを含む。第１の人工ニューロンネットワークには、データ前処理から結果が入力量として供給され、第２の人工ニューロン部分ネットワークには、第１の人工ニューロン部分ネットワークの結果が入力量として供給され、かつ少なくとも１つの人工ニューロンネットワークの結果が、品質管理のために利用される。

Description

【発明の詳細な説明】
【０００１】 本発明は、レーザーによって突き合せ溶接された金属薄板またはバンドの継ぎ
目を品質管理する方法に関するものであって、同方法においては溶接個所を中心
に配置された少なくとも２つのセンサによって多数のセンサデータが測定され、
センサデータは溶接継ぎ目の品質判定のために、少なくとも１つの統合しかつ相
関させる測定データ処理に入力量として供給され、溶接個所に配置されて、溶接
プラズマを検出する少なくとも１つのセンサのセンサデータが測定され、溶接継
ぎ目の後方に配置されて、溶接継ぎ目形状寸法を検出する少なくとも１つのセン
サのセンサデータが測定され、相関させ、かつ統合する測定データ処理において
、少なくとも２つのセンサの多数のセンサデータがそれぞれ入力量として少なく
とも１つのデータ処理へ供給され、データ処理の結果はセンサデータを場所を等
しくして参照するためにそれぞれメモリユニットに格納される。
【０００２】 ＥＰ０６５５２９４からは、レーザー溶接継ぎ目の継ぎ目品質を、同時に実施
される温度測定を用いて定めることが、知られている。そのためにパイロメータ
による温度測定によって、特徴的な処理感応データが求められて、品質管理のた
めに編集される。この方法において、溶接継ぎ目の少なくとも２つの定められた
個所で、好ましくは高速のパイロメータを用いて温度測定が実施される。測定さ
れた、個々のパイロメータの信号は、電子的な信号処理を用いて互いに関連づけ
られる。さらに、レーザー溶接ユニットによって標準的に獲得される測定値が参
照されて、パイロメータ測定値と再び論理的に結合される。この統合し、かつ相
関させる測定データ処理は、測定された処理変量を用いて溶接継ぎ目の品質判定
を実施することを可能にする。
【０００３】 この方法の欠点は、測定される処理変量の数が増大するにつれて、溶接処理に
おけるその相互の影響に基づいて、制御に基づくモデル形成による分析が困難に
なることである。
【０００４】 キーテクノロジー レーザー（Ｓｃｈｌｕｅｓｓｅｌｔｅｃｈｎｏｌｏｇｉｅ
Ｌａｓｅｒ）：ファブリーク２０００への挑戦（Ｈｅｒａｕｓｆｏｒｄｅｒｕ
ｎｇ ａｎ ｄｉｅ Ｆａｂｒｉｋ２０００）；第１２回国際会議の提言（Ｖｏ
ｒｔｒａｅｇｅ ｄｅｓ １２．Ｉｎｔ．Ｋｏｎｇｒｅｓｓｅｓ（ＬＡＳＥＲ’
９５））におけるセポルト、エグラー（Ｓｅｐｏｌｄ、Ｅｇｌｅｒ）の「大きい
構造のレーザー材料加工の展望（Ｐｅｒｓｐｅｋｔｉｖｅｎ ｄｅｒ Ｌａｓｅ
ｒｍａｔｅｒｉａｌｂｅａｒｂｅｉｔｕｎｇ ｇｒｏｓｓｅｒ Ｓｔｒｕｋｔｕ
ｒｅｎ）」；出版：ガイガー Ｍ．、バンベルク、マイセンバッハ−フェルラー
グ（Ｇｅｉｇｅｒ Ｍ．、Ｂａｍｂｅｒｇ、Ｍｅｉｓｅｎｂａｃｈ−Ｖｅｒｌａ
ｇ）、１９９５年、第２７５−５８４ページから、センサを使用することによっ
てレーザー材料加工設備のシステムインテリジェンスを向上させることが知られ
ており、それによって処理および工作物の非規則性にオンラインで応答すること
ができる。そのために、レーザーの加工個所の前、上方および後ろにセンサを配
置して、測定データを処理計算機へ供給することが、提案される。
【０００５】 この方法の欠点は、測定データ処理が既知のシステム状態に静的にしか応答で
きないことである。未知の状態においては、静的な測定データ処理は機能を発揮
しない。
【０００６】 「溶接と切断（Ｓｃｈｗｅｉｓｓｅｎ ｕｎｄ Ｓｃｈｎｅｉｄｅｎ）」にお
ける「人工ニューロンネットワークによる金属保護ガス溶接におけるオンライン
品質管理（Ｏｎｅ−Ｌｉｎｅ−Ｑｕａｌｉｔａｅｔｓｋｏｎｔｒｏｌｌｅ ｂｅ
ｉｍ Ｍｅｔａｌｌ−Ｓｃｈｕｔｚｇａｓｓｃｈｗｅｉｓｓｅｎ ｄｕｒｃｈ
ｋｕｅｎｓｔｌｉｃｈｅ ｎｅｕｒｏｎａｌｅ Ｎｅｔｚｔｅ）」、１９９７年
、第２冊、第７５−８０ページからは、レーザー溶接技術における人工ニューロ
ンネットワークの使用が知られている。品質判定のために、溶接継ぎ目に関する
データは、人工ニューロンネットワークによって処理される。ニューロンネット
ワークは、その構造に基づいて、多数の測定データを扱うことができる。さらに
、未知のシステム状態が発生した場合でも、溶接継ぎ目の品質判定を実施するこ
とができる。
【０００７】 この方法の欠点は、個々の測定データが継ぎ目品質に及ぼす影響を判定できな
いことである。既知のニューロンネットワークは、結果として良／否決定のみを
供給し、その場合に利用者にとっては、個々の測定データが決定を見出すことに
どのような影響を有するかは、わからない。
【０００８】 本発明の課題は、溶接結果の現実に忠実な分析を可能にする、溶接継ぎ目のほ
ぼリアルタイムの品質管理を行うことである。
【０００９】 この課題は、格納されているデータが入力量として、ほぼ階層的なネットワー
ク構造を有する少なくともつの学習可能な人工ニューロンネットワークへ供給さ
れ、ほぼ階層的なネットワーク構造を有する少なくとも１つの学習可能な人工ニ
ューロンネットワークが、少なくとも２つのほぼ独立した、学習可能な人工ニュ
ーロン部分ネットワークから形成され、第１の人工ニューロン部分ネットワーク
は、少なくとも２つの独立した人工ニューロンネットワークから形成され、第１
の人工ニューロン部分ネットワークへ、それぞれデータ前処理の結果が入力量と
して供給され、第２の人工ニューロン部分ネットワークに、第１の人工ニューロ
ン部分ネットワークの結果が入力量として供給され、かつ少なくとも１つの人工
ニューロンネットワークの結果が、品質管理に利用されることによって、解決さ
れる。
【００１０】 本発明に基づく方法は、多数のセンサデータを処理するために少なくとも１つ
の階層的な人工ニューロンネットワークを使用することによって、レーザー溶接
の継ぎ目のほぼリアルタイムの品質管理を可能にする。そのためには、溶接プラ
ズマと溶接継ぎ目形状寸法に関するセンサデータが最も説得力があることが、明
らかにされた。メモリユニットによって、溶接継ぎ目個所に属するセンサデータ
がパラレルに人工ニューロンネットワークへ供給され、それによってそれぞれの
溶接継ぎ目個所に属する信号の局所的な相関づけを、人工ニューロンネットワー
クによってほぼリアルタイムで実施することができる。２つの独立した人工ニュ
ーロンネットワークを使用することによって、第１の人工ニューロン部分ネット
ワーク内で豊富なデータが重要な最小限のものに減少され、第２の人工ニューロ
ン部分ネットワーク内でこれらのデータが互いに相関づけられる。さらにそれに
よって、第１の人工ニューロン部分ネットワークの結果を互いに分離して考察し
、場合によっては種々の溶接機械パラメータの制御に利用することも可能である
。さらに、これらの結果を格納して、後で溶接継ぎ目に故障が発生した場合に、
その原因をこれらのデータを用いて探索することができる。これは、製造物責任
の場合において効果的である。階層的なネットワーク構造を有する人工ニューロ
ンネットワークを使用することによって、品質表示のために多数のセンサを使用
し、多数のセンサデータをその多様な組合わせ可能性において評価することが、
可能になる。処理パラメータの他にさらに、機械パラメータ、たとえば出力、モ
ード、出力分配、合焦位置のような、レーザーの機械パラメータおよびたとえば
押圧力、保護ガス、継ぎ目冷却および送り速度のような、溶接設備の機械パラメ
ータを評価することも、もちろん可能である。また、たとえばセンサの機能を損
なう可能性のある外部の影響も、判定に組み込むことができる。その場合に製造
建屋内の照明と温度が考えられる。さらに、ノイズのある信号によっても、まだ
満足のゆく結果を得ることができる。
【００１１】 その場合にさらに間隙形状寸法を検出するためのセンサを使用する方法が効果
的であって、その場合にセンサは溶接場所の前に配置されている。このセンサを
用いて、溶接の前に端縁変位の大きさを検出することができ、それによって端縁
変位に依存する溶接の品質に関する表示が可能である。さらに、この情報を用い
て、溶接処理の間にさらに金属薄板の互いに対する位置を再制御することができ
る。
【００１２】 継ぎ目間隙に依存する溶接に関する品質表示は、継ぎ目間隙を検出するために
、溶接場所の前に配置された付加的なセンサを使用する方法によって可能となる
。このセンサによって、溶接前の継ぎ目間隙の大きさが検出される。さらに、こ
の情報を用いて溶接処理の間にさらに継ぎ目間隙を再制御することができる。
【００１３】 本発明の他の実施形態によれば、溶接継ぎ目温度を検出するセンサが、溶接場
所のすぐ後ろで使用される。
【００１４】 センサデータの効果的かつ迅速な判定は、各第１の人工ニューロン部分ネット
ワークが３つの層から形成され、その場合に第１の層は厳密に１つのニューロン
から形成され、第２の層は多数のニューロンから形成され、第３の層は厳密に１
つのニューロンから形成される場合に、可能となる。さらにそれによって、処理
パラメータを利用してエラー確率に関する表示が自動化される。
【００１５】 他の実施形態によれば、第２の人工ニューロン部分ネットワークは３つの層か
ら形成され、その場合に第１の層は多数のニューロンから形成され、第２の層は
多数のニューロンから形成され、第３の層は厳密に１つのニューロンから形成さ
れる。多数の入力ニューロンが設けられていることによって、第１のニューロン
部分ネットワークの出力をパラレルに第２の共通の人工ニューロン部分ネットワ
ークへ供給することができる。これは個々のセンサデータの互いに対するパラレ
ルな相関づけを可能にし、それによって多数のセンサデータを考慮して溶接継ぎ
目に関する品質表示が可能となる。第３の層の１つの出力ニューロンは、レーザ
ー溶接の継ぎ目に関する品質表示を可能にする信号を供給する。
【００１６】 さらに、逆伝播学習アルゴリズムを用いて人工ニューロンネットワークの学習
処理が実施され、その場合に第１の人工ニューロン部分ネットワークは０．０１
と０．１の間の学習率ηと０．１と０．６の間の運動量αに調節され、かつその
場合に第２の人工ニューロン部分ネットワークは人工ニューロン部分ネットワー
クの出力のエラー関数の勾配推移にほぼ適合された学習率ηと運動量αに調節さ
れる。人工ニューロン部分ネットワークの出力のエラー関数は、たとえば、実際
出力と目標出力の差の平方の合計が求められることによって、形成される。部分
ネットワークの個々のネットワーク要素の重みづけは、学習相の間に、このエラ
ー関数が最小値に達するように適合される。第１と第２の部分ネットワークは、
１つの過程で適合される。学習の前に見出されたネットワークコンフィグレーシ
ョンは、テスト相の間も不変である。適応的な学習アルゴリズムによって、第２
のニューロン部分ネットワークの学習率と運動量を、このエラー関数の勾配推移
に適合させることができ、その結果、大きい確率を有するエラー関数のグローバ
ルな最小値が発見されて、エラー関数の局所的最小値へ移行される。
【００１７】 センサデータから、品質表示にとって重要な情報をフィルタリング処理するた
めに、データ前処理において、センサデータの特徴抽出が実施される。それによ
って、接続されているシステム内の加速された計算をもたらす、著しいデータ削
減が達成され、それがほぼリアルタイムの品質表示を可能にする。
【００１８】 間隙幅を特徴づけるセンサデータの特徴抽出の場合に、好ましくは溶接場所の
前に配置されたセンサによって測定されたセンサデータが、それぞれ入力量とし
てエラー抑圧処理に供給され、エラー抑圧処理の結果がそれぞれ入力量として、
ほぼ自由に定義可能なウィンドウ平均へ供給されて、ウィンドウ平均の結果の差
が形成される。エラー抑圧は、エラー測定に基づいて生じるセンサデータをフィ
ルタリングアウトする。ウィンドウ平均は、センサデータ内のノイズ影響を抑圧
するために用いられる。差値を形成することによって、間隙幅に関する表示を行
うことが可能となる。
【００１９】 さらに、プラズマ強度を特徴づけるセンサデータの特徴抽出の場合に、プラズ
マ強度センサによって測定されたセンサデータを入力量としてウィンドウ変換へ
供給することができる。ウィンドウ変換は、測定されたプラズマ強度データから
、継ぎ目品質の判定にとって重要なデータをフィルタリングアウトすることを可
能にする。
【００２０】 本発明に基づく方法の他の好ましい実施形態によれば、継ぎ目発生を特徴づけ
るセンサデータの特徴抽出の場合に、形状寸法センサによって測定されたセンサ
データが、入力量としてウィンドウ平均へ供給される。ウィンドウ平均の種々の
ウィンドウ幅によって、局所的な信号変化も傾向的な信号変化も意図的に評価す
ることができる。
【００２１】 端縁変位を表すセンサデータの特徴抽出のために、形状寸法センサによって測
定されたセンサデータを入力量として平均値変換へ供給して、平均値変換の結果
をウィンドウ平均へ供給する方法は、本発明に基づく方法の他の形態である。平
均値変換によって、全体平均値に関して信号を整理することが可能である。ウィ
ンドウ平均は、端縁変位の傾向的な変化をフィルタリングアウトすることを可能
にする。端縁変位は、溶接の前も、溶接の後も測定することができる。特に、円
形板金溶接の場合に、１つの形状寸法センサのみを用いて、溶接の前の端縁変位
も溶接の後のそれも測定することができる。
【００２２】 個々のセンサデータのエラー値を共通の値領域に制限するために、第１の人工
ニューロン部分ネットワークの結果がそれぞれ値の領域に対して標準化されて、
第２の人工ニューロン部分ネットワークへ供給される。この値領域の最大値は、
たとえば局所的に測定された処理パラメータの最大のエラー確率を表すことがで
きる。
【００２３】 本発明の他の対象は装置であって、その装置はセンサデータを検出するための
少なくとも２つのセンサが、溶接場所を中心に配置されており、その場合に溶接
プラズマを検出するセンサが、溶接場所に配置されており、かつその場合に継ぎ
目形状寸法を検出するセンサは溶接場所の後方に配置されており、センサデータ
は入力量としてデータ前処理に用いられ、メモリユニットは場所を等しくして参
照するためにデータ前処理の結果を格納し、メモリユニットの記録は、大体にお
いて学習可能な人工ニューロンネットワーク構造のパラレルの入力量として用い
られ、ニューロンネットワーク構造の結果は、溶接継ぎ目の質的判定に用いられ
ることを特徴としている。センサデータをパラレルに検出して、大体において学
習可能な人工ニューロンネットワークにより計算することによって、溶接継ぎ目
品質のほぼリアルタイムの判定が可能となる。
【００２４】 本発明に基づく装置の実施形態においては、形状寸法センサは溶接場所の前に
配置されている。さらに、パイロセンサを溶接場所に配置することができる。パ
イロセンサが溶接場所の前に配置されていることも、同様に効果的である。多数
のセンサを配置することによって、多数の処理パラメータを溶接の間に検出する
ことが可能となる。さらに、品質表示は、どれだけ多くの異なる処理パラメータ
が測定されるかに依存しており、それによって装置は、多数のセンサ信号を記録
して処理できるように構成されなければならない。
【００２５】 次に、実施例を示す図面を用いて、本発明を詳細に説明する。 図１は、レーザーによって突き合せ溶接された金属薄板またはバンドの継ぎ目
を品質管理する装置の第１の実施例を示している。互いに突き合せ溶接すべき２
つの金属薄板またはバンド１００、１０２は、図示されていない移送および接合
装置によって予め定められた接合間隙１０４をもって、レーザー溶接設備の溶接
ヘッド１１２の下方へ移送方向Ｆに移送される。溶接ヘッド１１２の領域内で、
金属薄板１００、１０２は溶接継ぎ目１０６内でレーザービームＬにより互いに
突き合せ溶接される。
【００２６】 溶接継ぎ目１０６ないしは接合間隙１０４に沿って、センサ１０８、１１０、
１１４および１１６が配置されている。センサ１０８は、溶接の前段階における
接合間隙１０４の形状寸法を検出する。その場合に金属薄板の垂直の端縁変位が
、センサ１０８によって測定される。センサ１１０は、接合間隙１０４の間隙幅
を検出する。その場合に金属薄板１００、１０２の間隔は、たとえば光仕分け方
法ないしは透過光方法に従って作動する、それに適したセンサによって測定され
る。センサ１１４は、レーザー溶接ビームＬのプラズマ強度の検出に用いられる
。形状寸法センサ１１６は、端縁変位の検出にも溶接の後期段階における溶接継
ぎ目の継ぎ目開始の検出にも用いられる。（図示されていない）円形板金溶接に
おいては、継ぎ目間隙１０４の形状寸法も溶接継ぎ目１０６の形状寸法も１つの
センサのみによって検出することができる。さらに、パイロセンサ（図示せず）
を用いて、溶接温度を求めることができる。
【００２７】 センサ１０８、１１０、１１４および１１６によって検出されたセンサデータ
は、データ前処理ユニット１１８、１２０、１２２および１２４によって、規則
的な間隔で照合される。照合周波数は、個々のデータ前処理ユニットにおいて、
数ヘルツと数キロヘルツの間にある。
【００２８】 センサ１０８によって測定されたデータは、データ前処理ユニット１１８によ
って規則的な間隔で読み込まれる。センサ１０８によって測定された端縁変位に
ついて、ウィンドウ平均によってウィンドウ幅にわたるこのセンサデータの算術
的平均値が計算される。計算された、個々のウィンドウの算術的平均値は、全体
平均値に関して余分なものを除去される。
【００２９】 データ前処理ユニット１２０によって読み込まれた、接合間隙１０４の右と左
の端縁の位置に関する間隙センサ１１０のセンサデータは、補間と線形の多項式
によって再構築される。というのはセンサ信号には、誤りのある測定に基づいて
実際の継ぎ目推移からの著しい偏差があるからである。再構築されたセンサデー
タから、ウィンドウ平均によって算術的な平均値が形成される。このようにして
得られた、継ぎ目間隙１０４の右と左の端縁のセンサデータの算術的平均値から
、差が形成されて、その差は間隙拡幅の大きさに関する表示を与える。
【００３０】 プラズマセンサ１１４によって測定されたセンサデータは、データ前処理ユニ
ット１２２によって読み込まれ、図４に示す方法に従って処理される。その場合
にセンサデータは、入力４００へ供給される。このセンサデータから、ユニット
４０２においてウィンドウ平均により、それぞれ最後に測定された１０のセンサ
データの算術的平均値が計算される。ユニット４０４において、実際に測定され
たセンサ値とユニット４０２の結果から差が形成される。ユニット４０６におい
ては、ユニット４０４の出力信号の全体平均値が計算される。ユニット４０６の
出力値から、ユニット４０８において、グローバル標準偏差が計算される。ユニ
ット４１０においては、ウィンドウ平均によって、ユニット４０４の最後の１０
の結果の算術的平均値が計算される。ユニット４１２は、ユニット４１０と４０
４の結果を用いて、局所的標準偏差を計算する。ユニット４１４においては、ユ
ニット４０４の出力とユニット４１０の出力との間の最大の差が計算される。ユ
ニット４１６において、データ前処理の結果は、ユニット４１４の結果がユニッ
ト４１２の結果によって乗算されて、そのように計算された値がユニット４０８
の結果により割り算されるようにして、計算される。
【００３１】 データ前処理ユニット１２４によって読み込まれた、センサ１１６のセンサデ
ータは、平均値形成するためにウィンドウ変換を受ける。その場合にウィンドウ
幅は、溶接継ぎ目１０６の継ぎ目発生の局所的な変化も傾向的な変化も平均値計
算内で認識できるように、調節することができる。１０データ点のウィンドウ幅
においては、継ぎ目発生が短時間変化した場合には、４０データ点のウィンドウ
幅におけるよりも強い算術的平均値の変化が生じる。
【００３２】 データ前処理ユニット１１８、１２０、１２２および１２４によって計算され
た値は、メモリユニット１１９、１２１、１２３および１２５に記憶される。こ
のメモリユニットによって、１つの同じ溶接継ぎ目点に属するすべてのセンサの
データを同じ時点で人工ニューロンネットワーク１２８へ供給することが可能と
なる。センサ１０８から１１６の溶接継ぎ目点のセンサデータは様々な時点で測
定され、センサデータはデータ前処理ユニット１１９、１２０、１２２および１
２４によって様々なインターバルで照合され、種々のセンサデータのデータ前処
理はそれぞれ別の計算の手間を必要とするので、溶接継ぎ目点についてのデータ
はデータ前処理ユニット１１８、１２０、１２２および１２４の出力に同時には
存在しない。データをユニット１１９、１２１、１２３および１２５に格納する
ことによって、この時間的なずれが補償されるので、人工ニューロンネットワー
ク１２８は溶接継ぎ目点のデータを１つの時点でも得る。そのことによって初め
て、人工ニューロンネットワーク１２８によるセンサデータの相関づけが可能と
なる。メモリユニット１１９、１２１、１２３および１２５は、共通のクロック
信号ＣＬＫによって駆動される。溶接継ぎ目点に属する、格納されているデータ
は、クロック信号が印加された場合に、学習可能な人工ニューロンネットワーク
１２８へ供給される。この人工ニューロンネットワーク１２８内でデータ前処理
ユニット１１８、１２０、１２２および１２４のデータから出力信号１３０が計
算されて、この出力信号を用いて溶接継ぎ目の品質に関する表示が行われる。
【００３３】 図２には、大体において階層的なネットワーク構造を有する、学習可能な人工
ニューロンネットワーク１２８が示されている。ニューロンネットワーク１２８
は、多数の第１の人工ニューロン部分ネットワーク２１８、２２０、２２２およ
び２２４と第２の人工ニューロン部分ネットワーク２４２から構成されている。
データ前処理ユニット１１８、１２０、１２２および１２４の結果は、それぞれ
第１の人工ニューロン部分ネットワーク２１８、２２０、２２２および２２４へ
供給される。
【００３４】 第１の人工ニューロン部分ネットワーク２１８、２２０、２２２および２２４
のネットワーク構造が、図３に示されている。ネットワーク構造は入力層３１６
、被カバー層３１８および出力層３２０から構成されている。入力層３１６は、
入力ニューロン３００からなる。データ前処理の出力値である、第１の人工ニュ
ーロン部分ネットワークの入力値３０１は、入力ニューロン３００によって、異
なる重みづけを有する被カバー層３１８のニューロンへ分配される。被カバー層
３１８は、多数のニューロン３０２−３１２からなる。
【００３５】 各個々のニューロンの重みづけされた入力信号から、アクティベーション関数
を用いて出力信号の大きさが定められる。アクティベーション関数は、たとえば
シグモイド関数またはタンジェントハイパーボリック関数とすることができる。
【００３６】 アクティベーション関数の入力値としての重みづけされた入力信号としきい値
の合計から、出力信号の大きさが次のように計算される： Ｙｊ＝Ｆｊ（Σωｉｊ＊Ｘｉ＋θｊ） その場合に： Ｙｊ＝出力信号の大きさ Ｆｊ＝アクティベーション関数 ωｉｊ＝入力信号の重みづけ Ｘｉ＝ニューロンの入力信号 θｊ＝ニューロンのしきい値
【００３７】 被カバー層３１８のニューロンの出力信号は、出力層３１４のニューロンへ供
給される。ここでもまた、入力信号の重みづけ、アクティベーション関数および
しきい値を用いて、出力信号３１６の大きさが計算される。
【００３８】 第１の人工ニューロン部分ネットワーク２１８−２２４の出力は、それぞれ値
の領域に対して標準化されている。この値の領域に対する標準化によって、第１
の人工ニューロン部分ネットワーク２１８−２２４の出力は、たとえば０−１の
値の領域に対して標準化される。従って第１の人工ニューロン部分ネットワーク
２１８−２２４の出力は、局所的エラー値と考えることができる。すなわち、た
とえば人工ニューロン部分ネットワーク２２４の出力値が１であることは、継ぎ
目発生の場合におけるエラー確率が１００％であることを意味している。人工ニ
ューロン部分ネットワーク２１８の出力値が０．５であることは、第１の人工ニ
ューロンネットワーク２１８に対応づけられた処理パラメータである、形状寸法
センサによって測定された端縁変位のエラー確率は、５０％である。
【００３９】 個々の局所的エラー確率は、第２の人工ニューロン部分ネットワーク２４２へ
、パラレルに供給される。
【００４０】 第２の人工ニューロン部分ネットワーク２４２の構造は、図５に示されている
。第２の人工ニューロン部分ネットワーク２４２は、入力層５１６、被カバー層
５１８および出力層５２０からなる。入力層５１６は、多数のニューロン５３２
、５３４、５３６および５３８からなる。第２の人工ニューロン部分ネットワー
ク２４２の入力層５１６のニューロンの入力値は、第１の人工ニューロン部分ネ
ットワーク２３２−２３８の値の領域に対して標準化したそれぞれの出力値であ
る。出力信号の大きさは、ニューロン５３２−５３８においてここでもアクティ
ベーション関数と入力信号の重みづけおよび限界値を用いて、図３ですでに説明
されているようにして、計算される。
【００４１】 被カバー層５２８内には、多数のニューロン５０２−５０１がある。これらの
ニューロンには、入力層５１６のすべてのニューロン５３２−５３８の出力信号
が供給される。
【００４２】 すべてのニューロン５０２から５３８の入力は、重みづけされる。アクティベ
ーション関数と限界値を用いて、ニューロン５０２から５３８の出力信号が計算
される。
【００４３】 出力層５２０内には、１つのニューロン５１４のみが存在し、そのニューロン
に被カバー層５１８のニューロン５０２−５１２の出力信号が供給される。ここ
でもまた、入力信号は重みづけされて、重みづけされた入力信号の合計にしきい
値が加算されて、結果がアクティベーション関数のための入力値として用いられ
る。そこから得られる出力信号は、溶接継ぎ目の品質判定に用いられる。第１の
人工ニューロン部分ネットワーク２１８−２２４と第２の人工ニューロン部分ネ
ットワーク２４２内のニューロンの入力信号の個々の重みづけは、学習相の間に
、手動の考察者の人工ニューロンネットワーク１２８の表示がシミュレートされ
るように調節される。基準溶接を用いて、ニューロンネットワーク１２８の出力
における目標値／実際値比較を実施して、バックプロパゲーション学習アルゴリ
ズムによって重みづけが生じるようにすることができる。
【００４４】 第２の人工ニューロン部分ネットワーク２４２は、多数の入力値から、溶接継
ぎ目品質に関する表示を可能にする出力値２４４を求める。第２の人工ニューロ
ン部分ネットワーク２４２によって、個々の処理パラメータ間の相互作用が考慮
される。処理パラメータ継ぎ目発生のエラー確率が８０％であることは十分に可
能であるが、他の処理パラメータとの共同作用によって溶接継ぎ目の全エラー確
率は１０％である。
【００４５】 個々の処理ステップの論理的な順序が、図６に示されている。まず、たとえば
形状寸法センサ、間隙幅センサ、パイロセンサおよびプラズマセンサのような、
様々なセンサによってセンサデータ６００が検出される。これらのセンサデータ
は、人工ニューロンネットワーク６０２によるデータ分析へ供給される。人工ニ
ューロンネットワークによって求められた値に基づいて、継ぎ目判定６０４が可
能となる。さらに、たとえば送り速度、継ぎ目冷却、溶接出力あるいはまた押圧
力のような、溶接設備の状態に関する表示が可能である。継ぎ目判定の結果とセ
ンサデータは、データベース６０８に格納される。データベース６０８に格納さ
れたデータセットは、製品および設備評価に利用される。さらに、これらのデー
タは、場合によって生じる生産物責任の場合における証明に用いられる。さらに
、これらのデータを品質証明のための証拠書類として用いることができる。
【００４６】 さらに、継ぎ目判定６０４の結果は、制御回路６１０の構築に利用される。デ
ータは、一方では設備技術の制御６０３ａに利用され、他方ではレーザー技術の
制御６０３ｂに利用される。設備技術は、押圧力、保護ガスの供給および後冷却
と溶接すべき金属薄板の送り速度のような、溶接設備の調節を含んでいる。レー
ザー技術の制御６０３ｂは、溶接出力、溶接温度、出力分配および溶接ビームの
合焦位置の制御を内容としている。従って本発明に基づく方法によって、一方で
は製品品質に関する表示を行うことができ、他方ではオンラインで設備パラメー
タを調節することが可能になる。
【図面の簡単な説明】
【図１】 溶接継ぎ目の品質管理を行う装置を示している。
【図２】 人工ニューロンネットワークの階層的なネットワーク構造を示している。
【図３】 第１の人工ニューロン部分ネットワークの構造を示している。
【図４】 センサデータのウィンドウ変換を示している。
【図５】 第２の人工ニューロン部分ネットワークの構造を示している。
【図６】 本発明に基づく方法を概略的に示している。
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.7 識別記号 ＦＩ テーマコート゛(参考） Ｇ０６Ｎ 3/08 Ｇ０６Ｎ 3/08 Ｑ // Ｂ２３Ｋ 101:18 Ｂ２３Ｋ 101:18 101:30 101:30 (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＣＹ， ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，Ｉ Ｔ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ，ＴＲ)，ＯＡ(ＢＦ ，ＢＪ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＧＷ， ＭＬ，ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，Ｇ Ｍ，ＫＥ，ＬＳ，ＭＷ，ＭＺ，ＳＤ，ＳＬ，ＳＺ，ＴＺ ，ＵＧ，ＺＷ)，ＥＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ， ＭＤ，ＲＵ，ＴＪ，ＴＭ)，ＡＥ，ＡＧ，ＡＬ，ＡＭ， ＡＴ，ＡＵ，ＡＺ，ＢＡ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，Ｃ Ａ，ＣＨ，ＣＮ，ＣＲ，ＣＵ，ＣＺ，ＤＥ，ＤＫ，ＤＭ ，ＤＺ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＤ，ＧＥ，ＧＨ， ＧＭ，ＨＲ，ＨＵ，ＩＤ，ＩＬ，ＩＮ，ＩＳ，ＪＰ，Ｋ Ｅ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＣ，ＬＫ，ＬＲ，ＬＳ ，ＬＴ，ＬＵ，ＬＶ，ＭＡ，ＭＤ，ＭＧ，ＭＫ，ＭＮ， ＭＷ，ＭＸ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ，Ｓ Ｄ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＳＬ，ＴＪ，ＴＭ，ＴＲ ，ＴＴ，ＴＺ，ＵＡ，ＵＧ，ＵＳ，ＵＺ，ＶＮ，ＹＵ， ＺＡ，ＺＷ (72)発明者 ステゲマン−アウハーゲ ドイツ連邦共和国，38524 ベステルベッ ク，ヒンター デン グラスヘーフェン 36 Ｆターム(参考） 4E068 BE00 CC00 CC01 CC03 DA14 DB01 【要約の続き】 され、かつ少なくとも１つの人工ニューロンネットワー クの結果が、品質管理のために利用される。

Claims (17)

    【特許請求の範囲】
  1. 【請求項１】 レーザーによって突き合せ溶接された金属薄板またはバンド
    の継ぎ目を品質管理する方法であって、 −その場合に溶接個所を中心に配置された少なくとも２つのセンサによって、
    多数のセンサデータが測定され、 −その場合にセンサデータは、溶接継ぎ目の品質判定するための統合して相関
    づける、少なくとも１つの測定データ処理へ入力量として供給され、 −その場合にセンサデータは、溶接場所に配置された、溶接プラズマを検出す
    る少なくとも１つのセンサによって測定され、 −その場合にセンサデータは、溶接場所の後方に配置された、溶接継ぎ目の形
    状寸法を検出する少なくとも１つのセンサによって測定され、 −その場合に、相関づけて統合する測定データ処理の際に、少なくとも２つの
    センサの多数のセンサデータが、それぞれ入力量として少なくとも１つのデータ
    前処理へ供給され、 −その場合にデータ前処理の結果は、センサデータを場所を等しくして参照す
    るためにそれぞれメモリユニットに格納される、 前記方法において、 −格納されているデータが入力量として、ほぼ階層的なネットワーク構造を有
    する少なくとも１つの学習可能な人工ニューロンネットワークへ供給され、 −ほぼ階層的なネットワーク構造を有する少なくとも１つの学習可能な人工ニ
    ューロンネットワークは、少なくとも２つのほぼ独立した、学習可能な人工ニュ
    ーロン部分ネットワークから形成され、 −第１の人工ニューロン部分ネットワークは、少なくとも２つの独立した人工
    ニューロン部分ネットワークから形成され、 −第１の人工ニューロン部分ネットワークに、それぞれデータ前処理の結果が
    入力量として供給され、 −第２の人工ニューロン部分ネットワークに、第１の人工ニューロン部分ネッ
    トワークの結果が、入力量として供給され、かつ −少なくとも１つの人工ニューロン部分ネットワークの結果が、品質管理に利
    用される ことを特徴とする継ぎ目を品質管理する方法。
  2. 【請求項２】 間隙の形状寸法を検出するためのセンサが使用され、その場
    合にセンサは溶接場所の前に配置されていることを特徴とする請求項１に記載の
    方法。
  3. 【請求項３】 継ぎ目間隙を検出するためのセンサが使用され、その場合に
    センサは溶接場所の前に配置されることを特徴とする請求項１から２のいずれか
    １項に記載の方法。
  4. 【請求項４】 パイロ温度を検出するためのセンサが使用され、その場合に
    センサは、溶接場所のすぐ後ろに配置されていることを特徴とする請求項１から
    ３のいずれか１項に記載の方法。
  5. 【請求項５】 それぞれ第１の人工ニューロン部分ネットワークは、３つの
    層から形成され、その場合に第１の層は厳密に１つのニューロンから形成され、
    第２の層は多数のニューロンから形成され、第３の層は厳密に１つのニューロン
    から形成されることを特徴とする請求項１から４のいずれか１項に記載の方法。
  6. 【請求項６】 第２の人工ニューロン部分ネットワークは、３つの層から形
    成され、その場合に第１の層は多数のニューロンから形成され、第２の層は多数
    のニューロンから形成され、第３の層は厳密に１つのニューロンから形成される
    ことを特徴とする請求項１から５のいずれか１項に記載の方法。
  7. 【請求項７】 人工ニューロンネットワークの学習処理が、逆伝播学習(bac
    kpropagation learning)アルゴリズムによって実施され、その場合に第１の人工
    ニューロン部分ネットワークは、０．０１と０．１の間の学習率ηおよび０．１
    と０．６の間の運動量(momentum)αに調節され、かつ その場合に第２の人工ニューロン部分ネットワークは、人工ニューロン部分ネ
    ットワークの出力のエラー関数の勾配にほぼ適合された、学習率ηと運動量αに
    調節されることを特徴とする請求項１から６のいずれか１項に記載の方法。
  8. 【請求項８】 データ前処理の際に、センサデータの特性抽出(characteris
    tics extraction) が実施されることを特徴とする請求項１から７のいずれか１
    項に記載の方法。
  9. 【請求項９】 間隙幅を特徴づけるセンサデータの特性抽出の際に、溶接場
    所に配置されたセンサによって測定されたセンサデータが、それぞれ入力量とし
    てエラー抑圧処理へ供給され、エラー抑圧処理の結果がそれぞれ入力量として、
    ほぼ自由に定義可能なウィンドウ平均処理へ供給されて、ウィンドウ平均処理の
    結果の差が形成されることを特徴とする請求項８に記載の方法。
  10. 【請求項１０】 プラズマ強度を特徴づけるセンサデータの特性抽出の際に
    、プラズマ強度センサによって測定されたセンサデータが入力量としてウィンド
    ウ変換処理へ供給されることを特徴とする請求項８または９のいずれか１項に記
    載の方法。
  11. 【請求項１１】 継ぎ目発生を特徴づけるセンサデータの特性抽出の際に、
    形状寸法センサによって測定されたセンサデータが、入力量としてウィンドウ平
    均へ供給されることを特徴とする請求項８から１０のいずれか１項に記載の方法
    。
  12. 【請求項１２】 端縁変位を特徴づけるセンサデータの特性抽出の際に、形
    状寸法センサによって測定されたセンサデータが、入力量として平均値変換へ供
    給されて、平均値変換の結果がウィンドウ平均へ供給されることを特徴とする請
    求項８から１１のいずれか１項に記載の方法。
  13. 【請求項１３】 第１の人工ニューロン部分ネットワークの結果が、それぞ
    れ値の領域に対して標準化され、この値の領域に対して標準化された結果が、第
    ２の人工ニューロン部分ネットワークへ供給されることを特徴とする請求項１か
    ら１２のいずれか１項に記載の方法。
  14. 【請求項１４】 特に請求項１から１３のいずれか１項に記載の方法を実現
    するための、装置において、 −センサデータを検出する少なくとも２つのセンサが、溶接場所を中心に配置
    されており、 −その場合に溶接プラズマを検出するセンサが、溶接場所に取り付けられてお
    り、かつ −その場合に継ぎ目の形状寸法を検出するセンサが、溶接場所の後方に配置さ
    れており、かつ −センサデータは、それぞれ入力量としてデータ前処理に用いられ、 −メモリユニットは、場所を等しくしてセンサデータを参照するために、デー
    タ前処理の結果を格納し、 −メモリユニットの記録が、大体において学習可能な人工ニューロンネットワ
    ーク構造のパラレルの入力量として用いられ、 −ほぼ階層的なネットワーク構造を有する少なくとも１つの学習可能な人工ニ
    ューロンネットワークは、ほぼ互いに独立した少なくとも２つの人工ニューロン
    部分ネットワークを有しており、 −第１の人工ニューロン部分ネットワークは、少なくとも２つの互いに独立し
    た人工ニューロン部分ネットワークを有しており、 −第１の人工ニューロン部分ネットワークは、それぞれデータ前処理の結果を
    入力量として処理し、 −第２の人工ニューロン部分ネットワークは、第１の人工ニューロン部分ネッ
    トワークの結果を、入力量として処理し、かつ −ニューロンネットワーク構造の結果が、溶接継ぎ目の質的な判定に用いられ
    ることを特徴とする装置。
  15. 【請求項１５】 形状寸法センサが、大体において溶接場所の前に配置され
    ていることを特徴とする請求項１４に記載の装置。
  16. 【請求項１６】 パイロセンサが、溶接場所に配置されていることを特徴と
    する請求項１４または１５に記載の装置。
  17. 【請求項１７】 間隙センサが、溶接場所の前に配置されていることを特徴
    とする請求項１４から１６のいずれか１項に記載の装置。
JP2001541641A 1999-11-27 2000-11-10 レーザーによって突き合せ溶接された金属薄板またはバンドの継ぎ目を品質管理する方法と装置 Pending JP2003516860A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE19957163.5 1999-11-27
DE19957163A DE19957163C1 (de) 1999-11-27 1999-11-27 Verfahren und Vorrichtung zur Qualitätskontrolle der Naht an mit einem Laser stumpf geschweißten Blechen oder Bändern
PCT/EP2000/011109 WO2001039919A2 (de) 1999-11-27 2000-11-10 Verfahren und vorrichtung zur qualitätskontrolle der naht an mit einem laser stumpf geschweissten blechen oder bändern

Publications (1)

Publication Number Publication Date
JP2003516860A true JP2003516860A (ja) 2003-05-20

Family

ID=7930568

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2001541641A Pending JP2003516860A (ja) 1999-11-27 2000-11-10 レーザーによって突き合せ溶接された金属薄板またはバンドの継ぎ目を品質管理する方法と装置

Country Status (7)

Country Link
EP (1) EP1232036A2 (ja)
JP (1) JP2003516860A (ja)
CN (1) CN1384772A (ja)
AU (1) AU2505501A (ja)
CA (1) CA2390873A1 (ja)
DE (1) DE19957163C1 (ja)
WO (1) WO2001039919A2 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110099250A (ko) * 2008-11-21 2011-09-07 프레치텍 카게 공작물 레이저 가공 작업 모니터 방법 및 장치와 그 장치를 구비한 레이저 가공 헤드
JP2014176882A (ja) * 2013-03-15 2014-09-25 Japan Transport Engineering Co Ltd レーザ溶接方法及びレーザ溶接装置
KR20210090264A (ko) * 2018-11-22 2021-07-19 프레시텍 게엠베하 운트 코 카게 심층 합성곱 신경망을 이용한 레이저 가공 시스템의 가공오류 검출 시스템 및 방법
KR20210091789A (ko) * 2018-11-22 2021-07-22 프레시텍 게엠베하 운트 코 카게 심층 합성곱 신경망을 이용한 레이저 가공 공정 모니터링 시스템 및 방법
JP7390498B2 (ja) 2020-03-25 2023-12-01 バイストロニック レーザー アクチェンゲゼルシャフト 機械学習を用いてのレーザ加工プロセスの品質管理

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6670574B1 (en) * 2002-07-31 2003-12-30 Unitek Miyachi Corporation Laser weld monitor
DE10304709B4 (de) * 2003-02-06 2006-08-17 Daimlerchrysler Ag Verfahren und Vorrichtung zum Laser-Hybridschweißen
JP4032045B2 (ja) * 2004-08-13 2008-01-16 新キャタピラー三菱株式会社 データ処理方法及びデータ処理装置、並びに診断方法及び診断装置
DE102007059505A1 (de) 2007-02-27 2008-10-02 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Anlage zur Qualitätsüberwachung von Laserfüge- oder Laserschneidprozessen
US20090200282A1 (en) * 2008-02-08 2009-08-13 Gm Global Technology Operations, Inc. Weld signature monitoring method and apparatus
DE102008038332A1 (de) 2008-08-19 2009-01-22 Daimler Ag Verfahren und Vorrichtung zur Regelung eines Schweißprozesses
DE102008058422A1 (de) * 2008-11-21 2010-05-27 Precitec Itm Gmbh Verfahren und Vorrichtung zur Überwachung eines an einem Werkstück durchzuführenden Laserbearbeitungsvorgangs sowie Laserbearbeitungskopf mit einer derartigen Vorrichtung
FR2962568B1 (fr) * 2010-07-09 2012-08-17 Renault Sa Procede de controle de la qualite d'une soudure
DE102012221218A1 (de) 2011-11-22 2013-05-23 Leibniz-Institut Für Festkörper- Und Werkstoffforschung Dresden E.V. Vorrichtung zur Qualitätssicherung von mittels Laserstrahlbearbeitung hergestellten Produkten
KR20150136082A (ko) * 2013-03-11 2015-12-04 링컨 글로벌, 인크. 가상 현실 용접 시스템을 사용한 외부 데이터 임포팅 및 분석
JP5947740B2 (ja) * 2013-03-29 2016-07-06 トヨタ自動車株式会社 溶接部の検査装置とその検査方法
JP5947741B2 (ja) * 2013-03-29 2016-07-06 トヨタ自動車株式会社 溶接部の検査装置とその検査方法
JP5849985B2 (ja) * 2013-04-15 2016-02-03 トヨタ自動車株式会社 溶接部の検査装置とその検査方法
KR101780049B1 (ko) 2013-07-01 2017-09-19 한국전자통신연구원 레이저 용접 비드 검사 장치 및 방법
WO2019191506A1 (en) * 2018-03-28 2019-10-03 Nvidia Corporation Detecting data anomalies on a data interface using machine learning
JP6810110B2 (ja) 2018-08-24 2021-01-06 ファナック株式会社 加工条件調整装置及び機械学習装置
CN109332937B (zh) * 2018-09-04 2021-06-08 广州大学 一种基于温度曲线的激光软钎焊质量检测方法
CN109940305A (zh) * 2019-03-19 2019-06-28 天津大学 基于等离子体电信号的激光深熔焊智能监测系统及方法
DE102019208037A1 (de) * 2019-06-03 2020-12-03 Robert Bosch Gmbh Verfahren und Vorrichtung zum Verbessern eines Laserstrahlschweißprozesses
CN115413251A (zh) * 2020-03-25 2022-11-29 百超激光有限公司 使用机器学习的激光加工过程的质量控制
CN111814245B (zh) * 2020-09-02 2020-12-15 广东博智林机器人有限公司 天花拼缝布局的获取方法、装置、电子设备及存储介质
CN115916451B (zh) * 2020-10-16 2024-02-20 百超激光有限公司 用于计算空间和时间分辨的、组合的设定点数据集的方法、控制单元和激光切割系统
DE102022200371A1 (de) 2022-01-14 2023-07-20 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Diagnosesystem zur Fehlerdiagnose bei Schweißnähten

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04127984A (ja) * 1990-09-19 1992-04-28 Hitachi Ltd レーザ溶接方法及び装置
JPH04128962A (ja) * 1990-09-20 1992-04-30 Fujitsu Ltd ニューラルネットワークの統合方式
JPH06344167A (ja) * 1993-06-07 1994-12-20 Toshiba Corp レーザ加工装置
JPH07185855A (ja) * 1993-12-27 1995-07-25 Nissan Motor Co Ltd レーザ溶接の溶接品質管理方法
JPH08206859A (ja) * 1995-02-07 1996-08-13 Toshiba Corp レーザ溶接品質判定装置
JPH10235490A (ja) * 1996-12-24 1998-09-08 Kawasaki Steel Corp 電気溶接機の溶接状態の評価方法および装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0655294B1 (de) * 1993-11-30 1997-05-02 Elpatronic Ag Gleichzeitige Temperaturmessungen an Laserschweissnähten mit mindestens zwei Pyrometern und Zuordnung zu Prozessparametern und Nahtqualität
GB9719527D0 (en) * 1997-09-12 1997-11-19 Powerlasers Ltd Fuzzy neural-network controller for laser welding systems

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04127984A (ja) * 1990-09-19 1992-04-28 Hitachi Ltd レーザ溶接方法及び装置
JPH04128962A (ja) * 1990-09-20 1992-04-30 Fujitsu Ltd ニューラルネットワークの統合方式
JPH06344167A (ja) * 1993-06-07 1994-12-20 Toshiba Corp レーザ加工装置
JPH07185855A (ja) * 1993-12-27 1995-07-25 Nissan Motor Co Ltd レーザ溶接の溶接品質管理方法
JPH08206859A (ja) * 1995-02-07 1996-08-13 Toshiba Corp レーザ溶接品質判定装置
JPH10235490A (ja) * 1996-12-24 1998-09-08 Kawasaki Steel Corp 電気溶接機の溶接状態の評価方法および装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110099250A (ko) * 2008-11-21 2011-09-07 프레치텍 카게 공작물 레이저 가공 작업 모니터 방법 및 장치와 그 장치를 구비한 레이저 가공 헤드
JP2012509190A (ja) * 2008-11-21 2012-04-19 プレシテック カーゲー 工作物に対して実施されるべきレーザ加工作業をモニタリングするための方法および装置、ならびにかかる装置を有するレーザ加工ヘッド
JP2012509189A (ja) * 2008-11-21 2012-04-19 プレシテック カーゲー 工作物に対して実施されるべきレーザ加工作業をモニタリングするための方法および装置、ならびにかかる装置を有するレーザ加工ヘッド
KR101700896B1 (ko) * 2008-11-21 2017-01-31 프레시텍 게엠베하 운트 코 카게 공작물 레이저 가공 작업 모니터 방법 및 장치와 그 장치를 구비한 레이저 가공 헤드
KR101787510B1 (ko) * 2008-11-21 2017-10-18 프레시텍 게엠베하 운트 코 카게 공작물 레이저 가공 작업 모니터 방법 및 장치와 그 장치를 구비한 레이저 가공 헤드
JP2014176882A (ja) * 2013-03-15 2014-09-25 Japan Transport Engineering Co Ltd レーザ溶接方法及びレーザ溶接装置
KR20210090264A (ko) * 2018-11-22 2021-07-19 프레시텍 게엠베하 운트 코 카게 심층 합성곱 신경망을 이용한 레이저 가공 시스템의 가공오류 검출 시스템 및 방법
KR20210091789A (ko) * 2018-11-22 2021-07-22 프레시텍 게엠베하 운트 코 카게 심층 합성곱 신경망을 이용한 레이저 가공 공정 모니터링 시스템 및 방법
JP2022509143A (ja) * 2018-11-22 2022-01-20 プレシテック ゲーエムベーハー ウント ツェーオー カーゲー ディープ畳込みニューラルネットワークを使用するレーザ加工プロセスの監視
KR102468234B1 (ko) 2018-11-22 2022-11-16 프레시텍 게엠베하 운트 코 카게 심층 합성곱 신경망을 이용한 레이저 가공 시스템의 가공오류 검출 시스템 및 방법
KR102611342B1 (ko) * 2018-11-22 2023-12-06 프레시텍 게엠베하 운트 코 카게 심층 합성곱 신경망을 이용한 레이저 가공 공정 모니터링 시스템 및 방법
JP7390498B2 (ja) 2020-03-25 2023-12-01 バイストロニック レーザー アクチェンゲゼルシャフト 機械学習を用いてのレーザ加工プロセスの品質管理

Also Published As

Publication number Publication date
WO2001039919A2 (de) 2001-06-07
AU2505501A (en) 2001-06-12
CA2390873A1 (en) 2001-06-07
DE19957163C1 (de) 2001-08-09
EP1232036A2 (de) 2002-08-21
CN1384772A (zh) 2002-12-11
WO2001039919A3 (de) 2001-12-06

Similar Documents

Publication Publication Date Title
JP2003516860A (ja) レーザーによって突き合せ溶接された金属薄板またはバンドの継ぎ目を品質管理する方法と装置
Lei et al. Real-time weld geometry prediction based on multi-information using neural network optimized by PCA and GA during thin-plate laser welding
He et al. Autonomous detection of weld seam profiles via a model of saliency-based visual attention for robotic arc welding
Zhang et al. Real-time seam penetration identification in arc welding based on fusion of sound, voltage and spectrum signals
JP4632794B2 (ja) 工業プロセスの品質管理方法
EP3045254B1 (en) Method and directed energy deposition material addition system and computer readable storage medium using neuro-fuzzy logic for controlling material addition processes
Kovacevic et al. Real-time image processing for monitoring of free weld pool surface
Li et al. SVM-based information fusion for weld deviation extraction and weld groove state identification in rotating arc narrow gap MAG welding
Brecher et al. Use of NC kernel data for surface roughness monitoring in milling operations
Wu et al. Visual-acoustic penetration recognition in variable polarity plasma arc welding process using hybrid deep learning approach
Park et al. Estimation of weld bead size in CO 2 laser welding by using multiple regression and neural network
JP7420692B2 (ja) 溶接システム、溶接方法、溶接支援装置、プログラム、学習装置、及び学習済みモデルの生成方法
Li et al. Towards intelligent monitoring system in wire arc additive manufacturing: a surface anomaly detector on a small dataset
Kao et al. Laser cladding quality monitoring using coaxial image based on machine learning
Hong et al. Filter-PCA-based process monitoring and defect identification during climbing helium arc welding process using DE-SVM
CN111331211A (zh) 电火花小孔加工在线穿透检测方法
Tseng et al. Feature-based rule induction in machining operation using rough set theory for quality assurance
US8426771B2 (en) Method of monitoring machine condition
US7702476B2 (en) Method of controlling the quality of industrial processes and system therefor
CN109239301A (zh) 一种锚链闪光焊质量在线评估方法
Kong et al. Al alloy weld pool control of welding robot with passive vision
Hong et al. AF-FTTSnet: An end-to-end two-stream convolutional neural network for online quality monitoring of robotic welding
Jamnikar et al. Comprehensive process-molten pool relations modeling using CNN for wire-feed laser additive manufacturing
JPH05322531A (ja) 物体の３次元形状測定装置
Cai et al. Monitoring of distance between laser beam and arc in laser-arc hybrid welding based on deep learning

Legal Events

Date Code Title Description
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20041224

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20050104

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20050531