JP2022018467A - 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 - Google Patents

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 Download PDF

Info

Publication number
JP2022018467A
JP2022018467A JP2020121581A JP2020121581A JP2022018467A JP 2022018467 A JP2022018467 A JP 2022018467A JP 2020121581 A JP2020121581 A JP 2020121581A JP 2020121581 A JP2020121581 A JP 2020121581A JP 2022018467 A JP2022018467 A JP 2022018467A
Authority
JP
Japan
Prior art keywords
shape data
difference
welding
data
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.)
Granted
Application number
JP2020121581A
Other languages
English (en)
Other versions
JP7384760B2 (ja
Inventor
碩 黄
Shuo Huang
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
Priority to JP2020121581A priority Critical patent/JP7384760B2/ja
Priority to CN202180046941.7A priority patent/CN115867407A/zh
Priority to US18/005,574 priority patent/US20230273605A1/en
Priority to PCT/JP2021/022941 priority patent/WO2022014240A1/ja
Priority to EP21842190.7A priority patent/EP4166265A4/en
Publication of JP2022018467A publication Critical patent/JP2022018467A/ja
Application granted granted Critical
Publication of JP7384760B2 publication Critical patent/JP7384760B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Abstract

Figure 2022018467000001
【課題】積層造形物の造形時における溶接条件の調整の精度を向上させる方法を提供する。
【解決手段】溶加材Ｍを溶着して溶接ビード１０８を積層することで積層造形物Ｗを造形する際の溶接条件の機械学習を行う機械学習装置であって、溶接ビード１０８の形状データ間の差分を入力データとし、前記形状データ間の差分に対応する溶接条件間の差分を出力データとする学習済みモデルを生成するための学習処理を行う学習処理手段を有する。
【選択図】図１

Description

本願発明は、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、およびプログラムに関する。より詳しくは、溶接ビードを積層することで積層造形物を造形する際の溶接条件の調整技術に関する。
従来、溶接ビードを積層することで積層造形物を造形することが行われている。積層造形を行う際には、その造形精度を向上させるために様々な溶接条件を考慮して制御する必要がある。このような溶接条件は多くの組み合わせが生じるため、適切な溶接条件の抽出は、人手で行う場合には非常に複雑かつ煩雑なものとなっていた。
上記のような状況に関し、例えば、特許文献１では、溶接装置において、熟練した作業者の教示なしで最適な溶接条件を自動的に決定するための学習装置が開示されている。この場合に、学習に用いる情報としては、ビードの外観、ビードの高さや幅、溶け込み量などが示されている。
特開２０１７－３００１４号公報
上述したように、積層造形の際の溶接条件の調整において、ビード形状（幅や高さなど）の変化傾向を把握するには、非常に多くの条件の組み合わせが考えられるため、適切な組み合わせを特定することは困難である。例えば、条件の組み合わせを規定したデータベースを作成することが考えられるが、その作成は負荷が高いものとなる。さらには、データベースを作成するにあたって、積層造形を行う電源やロボットの機差を無視することはできず、そうした装置固有の影響に基づいて溶接条件を調整する場合、溶接条件の抽出がさらに複雑かつ煩雑となる。上述した特許文献１では、このような電源やロボットの機差については考慮されておらず、この点からも改善の余地があった。
上記課題を鑑み、本願発明は、積層造形物の造形時における溶接条件の調整の精度を向上させることを目的とする。
上記課題を解決するために本願発明は以下の構成を有する。
（１） 溶加材を溶着して溶接ビードを積層することで積層造形物を造形する際の溶接条件の機械学習を行う機械学習装置であって、
溶接ビードの形状データ間の差分を入力データとし、前記形状データ間の差分に対応する溶接条件間の差分を出力データとする学習済みモデルを生成するための学習処理を行う学習処理手段
を有することを特徴とする機械学習装置。
また、本願発明の別の一形態として、以下の構成を有する。
（２） 溶加材を溶着して溶接ビードを積層することで積層造形物を造形する積層造形システムであって、
前記積層造形物の設計データに基づいて、溶接ビードの形状データを第１の形状データとして作成する作成手段と、
前記第１の形状データを形成する際の溶接条件を決定する決定手段と、
前記決定手段にて決定された溶接条件を用いて形成された溶接ビードの形状データを第２の形状データとして取得する取得手段と、
溶接ビードの形状データ間の差分を入力データとし、当該形状データ間の差分に対応する溶接条件間の差分を出力データとして学習処理が行われることで生成された学習済みモデルに、前記第１の形状データと前記第２の形状データの差分を入力することで、前記第１の形状データに対応する溶接条件と前記第２の形状データに対応する溶接条件との差分を導出する導出手段と、
前記導出手段にて導出された差分を用いて、前記決定手段にて決定された溶接条件を調整する調整手段と
を有することを特徴とする積層造形システム。
また、本願発明の別の一形態として、以下の構成を有する。
（３） 溶加材を溶着して溶接ビードを積層することで積層造形物を造形する際の溶接条件の機械学習方法であって、
溶接ビードの形状データ間の差分を入力データとし、前記形状データ間の差分に対応する溶接条件間の差分を出力データとする学習済みモデルを生成するための学習処理を行う学習処理工程
を有することを特徴とする機械学習方法。
また、本願発明の別の一形態として、以下の構成を有する。
（４） 溶加材を溶着して溶接ビードを積層することで積層造形物を造形する積層造形システムにおける溶接条件の調整方法であって、
前記積層造形物の設計データに基づいて、溶接ビードの形状データを第１の形状データとして作成する作成工程と、
前記第１の形状データを形成する際の溶接条件を決定する決定工程と、
前記決定工程にて決定された溶接条件を用いて形成された溶接ビードの形状データを第２の形状データとして取得する取得工程と、
溶接ビードの形状データ間の差分を入力データとし、当該形状データ間の差分に対応する溶接条件間の差分を出力データとして学習処理が行われることで生成された学習済みモデルに、前記第１の形状データと前記第２の形状データの差分を入力することで、前記第１の形状データに対応する溶接条件と前記第２の形状データに対応する溶接条件との差分を導出する導出工程と、
前記導出工程にて導出された差分を用いて、前記決定工程にて決定された溶接条件を調整する調整工程と
を有することを特徴とする溶接条件の調整方法。
また、本願発明の別の一形態として、以下の構成を有する。
（５） コンピュータに、
積層造形物を造形する際の溶接ビードの形状データ間の差分を入力データとし、前記形状データ間の差分に対応する溶接条件間の差分を出力データとする学習済みモデルを生成するための学習処理を行う学習処理工程
を実行させるためのプログラム。
また、本願発明の別の一形態として、以下の構成を有する。
（６） コンピュータに、
溶加材を溶着して溶接ビードを積層することで造形される積層造形物の設計データに基づいて、溶接ビードの形状データを第１の形状データとして作成する作成工程と、
前記第１の形状データを形成する際の溶接条件を決定する決定工程と、
前記決定工程にて決定された溶接条件を用いて形成された溶接ビードの形状データを第２の形状データとして取得する取得工程と、
溶接ビードの形状データ間の差分を入力データとし、当該形状データ間の差分に対応する溶接条件間の差分を出力データとして学習処理が行われることで生成された学習済みモデルに、前記第１の形状データと前記第２の形状データの差分を入力することで、前記第１の形状データに対応する溶接条件と前記第２の形状データに対応する溶接条件との差分を導出する導出工程と、
前記導出工程にて導出された差分を用いて、前記決定工程にて決定された溶接条件を調整する調整工程と
を実行させるためのプログラム。
本願発明により、積層造形物の造形時における溶接条件の調整の精度を向上させることが可能となる。
本願発明の一実施形態に係る積層造形システムの構成例を示す概略構成図。 送給速度と電源の制御値の関係性を説明するための概念図。 積層造形システムにおけるビード形成時の狙い位置の入力と出力の関係性を説明するための概念図。 ビードの形状データを説明するための概念図。 本願発明の一実施形態に係る学習処理の概念を説明するための概略図。 本願発明の第１の実施形態に係る造形処理のフローチャート。
以下、本願発明を実施するための形態について図面などを参照して説明する。なお、以下に説明する実施形態は、本願発明を説明するための一実施形態であり、本願発明を限定して解釈されることを意図するものではなく、また、各実施形態で説明されている全ての構成が本願発明の課題を解決するために必須の構成であるとは限らない。また、各図面において、同じ構成要素については、同じ参照番号を付すことにより対応関係を示す。
＜第１の実施形態＞
以下、本願発明の第１の実施形態について説明を行う。
［システム構成］
以下、本願発明の一実施形態について、図面を参照して詳細に説明する。図１は、本願発明を適用可能な積層造形システムの概略構成図である。
本実施形態に係る積層造形システム１は、積層造形装置１００、および、積層造形装置１００を統括制御する情報処理装置２００を含んで構成される。
積層造形装置１００は、溶接ロボット１０４、トーチ１０２に溶加材（溶接ワイヤ）Ｍを供給する溶加材供給部１０５、溶接ロボット１０４を制御するロボットコントローラ１０６、および電源１０７を含んで構成される。
溶接ロボット１０４は、多関節ロボットであり、先端軸に設けたトーチ１０２には、溶加材Ｍが連続供給可能に支持される。トーチ１０２は、溶加材Ｍを先端から突出した状態に保持する。トーチ１０２の位置や姿勢は、溶接ロボット１０４を構成するロボットアームの自由度の範囲で３次元的に任意に設定可能となっている。
トーチ１０２は、シールドノズル（不図示）を有し、シールドノズルからシールドガスが供給される。シールドガスは、大気を遮断し、溶接中の溶融金属の酸化、窒化などを防いで溶接不良を抑制する。本実施形態で用いられるアーク溶接法としては、被覆アーク溶接や炭酸ガスアーク溶接等の消耗電極式、ＴＩＧ溶接やプラズマアーク溶接等の非消耗電極式のいずれであってもよく、造形する積層造形物Ｗに応じて適宜選定される。
トーチ１０２近傍には、トーチ１０２の動きに追従して移動可能な形状センサ１０１が備えられる。形状センサ１０１は、ベース１０３上に形成された積層造形物Ｗの形状を検知する。本実施形態では、形状センサ１０１により、積層造形物Ｗを構成する溶接ビード１０８（単に、「ビード」とも称する）の高さや位置、幅などを検出可能であるものとする。形状センサ１０１にて検出された情報は、情報処理装置２００へ送信される。なお、形状センサ１０１の構成は、特に限定するものではなく、接触により形状を検出する構成（接触式センサ）であってもよいし、レーザなどにより形状を検出するような構成（非接触式センサ）であってもよい。なお、形成されたビードの形状を導出する手段としては、トーチ１０２近傍に設置された形状センサ１０１に限定するものではない。例えば、形成されたビードの形状を間接的に導出するような構成であってもよい。一例としては、溶接電流や溶加材Ｍの送給速度のプロファイルと、ビードの高さの傾向を示すＤＢ（データベース）を予め規定しておき、造形時の溶接条件に基づいて、形成されたビードの高さを導出するような構成であってもよい。
溶接ロボット１０４において、アーク溶接法が消耗電極式の場合、シールドノズルの内部にはコンタクトチップが配置され、溶融電流が給電される溶加材Ｍがコンタクトチップに保持される。トーチ１０２は、溶加材Ｍを保持しつつ、シールドガス雰囲気で溶加材Ｍの先端からアークを発生する。溶加材Ｍは、ロボットアーム等に取り付けた繰り出し機構（不図示）により、溶加材供給部１０５からトーチ１０２に送給される。そして、トーチ１０２を移動しつつ、連続送給される溶加材Ｍを溶融及び凝固させると、溶加材Ｍの溶融凝固体である線状の溶接ビード１０８がベース１０３上に形成される。溶接ビード１０８が積層されることで、積層造形物Ｗが造形されることとなる。
なお、溶加材Ｍを溶融させる熱源としては、上記したアークに限らない。例えば、アークとレーザとを併用した加熱方式、プラズマを用いる加熱方式、電子ビームやレーザを用いる加熱方式等、他の方式による熱源を採用してもよい。電子ビームやレーザにより加熱する場合、加熱量を更に細かく制御でき、溶接ビード１０８の状態をより適正に維持して、積層造形物Ｗの更なる品質向上に寄与できる。
ロボットコントローラ１０６は、情報処理装置２００からの指示に基づき、所定の駆動プログラムにより溶接ロボット１０４を駆動させ、ベース１０３上に積層造形物Ｗを造形させる。つまり、溶接ロボット１０４は、ロボットコントローラ１０６からの指令により、溶加材Ｍをアークで溶融させながらトーチ１０２を移動させる。電源１０７は、ロボットコントローラ１０６に溶接に要する電力を供給する溶接電源である。電源１０７は、複数の制御モードで動作可能であり、制御モードに応じて、ロボットコントローラ１０６への電源供給の際の電力（電流や電圧など）を切り替えることが可能である。溶加材供給部１０５は、情報処理装置２００からの指示に基づき、溶接ロボット１０４のトーチ１０２への溶加材Ｍの供給および送給速度を制御する。
情報処理装置２００は、例えば、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）などの情報処理装置などであってよい。図１に示す各機能は、不図示の制御部が、不図示の記憶部に記憶された本実施形態に係る機能のプログラムを読み出して実行することで実現されてよい。記憶部としては、揮発性の記憶領域であるＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）や、不揮発性の記憶領域であるＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などが含まれてよい。また、制御部としては、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、またはＧＰＧＰＵ（Ｇｅｎｅｒａｌ－Ｐｕｒｐｏｓｅ ｃｏｍｐｕｔｉｎｇ ｏｎ Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔｓ）などが用いられてよい。
情報処理装置２００は、造形制御部２０１、電源制御部２０２、送給制御部２０３、ＤＢ管理部２０４、形状データ取得部２０５、学習用データ管理部２０６、学習処理部２０７、および溶接条件導出部２０８を含んで構成される。造形制御部２０１は、造形しようとする積層造形物Ｗの設計データ（例えば、ＣＡＤ／ＣＡＭデータなど）に基づき、造形の際のロボットコントローラ１０６に対する制御信号を生成する。ここでの制御信号は、溶接ロボット１０４によるトーチ１０２の移動軌跡や溶接ビード１０８の形成時の溶接条件、溶加材供給部１０５による溶加材Ｍの送給速度などを含む。トーチ１０２の移動軌跡は、ベース１０３上に溶接ビード１０８を形成している最中のトーチ１０２の軌跡に限定するものではなく、例えば、溶接ビード１０８を形成する開始位置へのトーチ１０２の移動軌跡なども含むものとする。
電源制御部２０２は、電源１０７によるロボットコントローラ１０６への電源供給（制御モード）を制御する。制御モードに応じて、同じ形状のビードを形成する際の電流や電圧の値、電流の波形（パルス）なども異なり得る。また、電源制御部２０２は、電源１０７から、ロボットコントローラ１０６に対して提供している電流や電圧の情報を適時取得する。
送給制御部２０３は、溶加材供給部１０５による溶加材Ｍの送給速度や送給タイミングを制御する。ここでの溶加材Ｍの送給制御は、繰り出し（正送給）のみならず、戻し（逆送給）も含むものとする。ＤＢ管理部２０４は、本実施形態に係るＤＢ（データベース）を管理する。本実施形態に係るＤＢの詳細は後述する。形状データ取得部２０５は、形状センサ１０１にて検出された、ベース１０３上に形成された溶接ビード１０８の形状データを取得する。
学習用データ管理部２０６は、学習処理部２０７にて行われる学習処理にて用いられる学習用データの生成および管理を行う。学習処理部２０７は、学習用データ管理部２０６にて管理されている学習用データを用いて、学習処理を行う。本実施形態に係る学習用データおよび学習処理の詳細は後述する。また、学習処理部２０７は、学習処理の結果として得られる学習済みモデルを管理する。上述したように、本実施形態に係る電源１０７は複数の制御モードにて動作可能である。これに伴い、本実施形態に係る学習処理部２０７は、電源１０７の複数の制御モードそれぞれに対応した学習を行い、学習済みモデルを生成する。
溶接条件導出部２０８は、学習処理部２０７にて生成された学習済みモデルを用いて、造形制御部２０１の溶接条件に対する調整量を導出し、造形制御部２０１に通知する。本実施形態に係る調整量の導出方法については、後述する。
本実施形態では、図１に示すように、円柱状のベース１０３上にてトーチ１０２を移動させて溶接ビード１０８を形成して積層造形物Ｗを造形する構成を例に挙げて説明する。図１において、本実施形態においてベース１０３は、円柱の平面上に積層造形物Ｗが造形されるような構成を示しているが、これに限定するものではない。例えば、ベース１０３が円柱状にて構成され、その側面外周に溶接ビード１０８が形成されるような構成であってもよい。また、本実施形態に係る設計データにおける座標系と、積層造形物Ｗが造形されるベース１０３上での座標系は対応付けられており、任意の位置を原点として、３次元における位置が規定されるように座標系の３軸（Ｘ軸、Ｙ軸、Ｚ軸）が設定されているものとする。
上記構成の積層造形システム１は、設定された設計データから規定されるトーチ１０２の移動軌跡に従って、トーチ１０２を溶接ロボット１０４の駆動により移動させながら、溶加材Ｍを溶融させ、溶融した溶加材Ｍをベース１０３上に供給する。これにより、ベース１０３の上面に複数の線状の溶接ビード１０８が並べられて積層された積層造形物Ｗが造形される。
［造形時の要因の関係性］
積層造形物Ｗを造形する際には、電源１０７の動作状態や、装置固有の特性、積層造形物Ｗの構成などに起因して、造形時の制御パラメータを調整する必要がある。より具体的には、溶接時の様々な制御パラメータに応じて、ビードの形状が変化し得る。以下に、ビードの形状に影響する制御パラメータの例について説明する。
ビードの形状に影響する制御パラメータの例として、溶加材Ｍの送給速度、溶接速度、溶接量、狙い位置、ウィービングの振幅や振動数、入熱量などが挙げられる。溶加材Ｍの送給速度を例に挙げて説明する。図２Ａは、溶加材Ｍの送給速度と電源１０７により供給される電流（または、電圧）の関係を示す図であり、横軸は溶加材Ｍの送給速度を示し、縦軸は電源１０７により供給される電流（または、電圧）の制御値を示す。送給速度が上昇することに伴って、電源１０７から供給される電流（または、電圧）は上昇するが、その上昇は一定ではない。この変動の傾向は、電源１０７の制御モードによって異なり得る。そのため、この変動の傾向の差分によって、同じ制御パラメータであっても形成されるビードの形状が変動し得る。
他の例として、ビード形成時の狙い位置について説明する。図２Ｂは、設計データに基づいて特定されるベース１０３上のビードの狙い位置（入力）と、形成結果として得られるビードの狙い位置（出力）との関係を示す図であり、横軸が入力を示し、縦軸が出力を示す。図２Ｂにおいて、破線は入力と出力の関係の理想を示し、入力値（すなわち、設計値）と出力値とが同じ値を示している。しかしながら、実際には、機器の性能や仕様など様々な要因に起因して、入力値と出力値は必ずしも一致しない。例えば、図２Ｂの実線は、実際の入力値と出力値の関係の一例を示し、これに示されるように、設計値と出力結果には差異が生じ得る。そのため、同じ制御パラメータであっても、狙い位置の差異（ずれ）によるビードの形状が変動し得る。
図３は、溶接ビードの形状データを説明するための概念図である。図３は、ベース１０３上に溶接ビード１０８が形成された状態において、形成時のトーチ１０２の進行方向から見た断面を示している。図３に示すように、溶接ビード１０８の形状データとしては、高さｈ、幅ｗ、根元部の角度α、表面凹凸などの情報を用いることが可能である。
［データベース］
本実施形態においては、溶接条件とその溶接条件にて形成されるビードの形状情報との関係性を示すデータベースを用いる。このデータベースは、ＤＢ管理部２０４にて管理されており、予め規定されているものとする。上述したように、本実施形態に係る電源１０７は複数の制御モードにて動作可能である。これに伴い、複数の制御モードそれぞれに対応した複数のデータベースが規定され、管理されているものとする。
本実施形態に係るデータベースにおいては、溶接条件としての予め規定された制御パラメータと、その制御パラメータを用いて溶接を行った際に形成されるビードの形状の情報とが対応付けて保持されているものとする。溶接条件の項目としては、上述したような溶加材Ｍの溶接量、狙い位置、ウィーウィング条件、入熱量、積層パス数、母材温度、パス間時間などが含まれる。また、ビード形状の情報の項目としては、図３に示したようなビードの高さ、幅、根元部の角度、表面の凹凸などが含まれる。なお、データベースにて規定される各種情報の項目は、上記に限定するものではなく、必要に応じて増減してよい。
［学習処理］
本実施形態においては、学習手法として機械学習のうちのニューラルネットワークによるディープラーニング（深層学習）の手法を用い、教師あり学習を例に挙げて説明する。なお、ディープラーニングのより具体的な手法（アルゴリズム）は特に限定するものではなく、例えば、畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）など公知の方法が用いられてよい。
図４は、本実施形態に係る学習処理の概念を説明するための概略図である。まず、本実施形態では、元データとして、ビードの形状を示す形状データと当該ビードを形成した際に用いられた溶接条件の対のデータを複数用いる。なお、元データは、ビードの形成履歴として保持されているデータを用いてよい。複数の対のデータを用いて、形状データと溶接条件それぞれの差分を求める。例えば、ビード形状Ａの形状データＡとビード形状Ｂの形状データＢの差分と、ビード形状Ａに対応する溶接条件Ａとビード形状Ｂに対応する溶接条件Ｂの差分を求める。そして、これらにおいて、ビード形状の差分を入力データとし、溶接条件の差分を教師データとした学習用データを複数用意する。
本実施形態では、上記の学習用データを用いて学習処理を行う。学習モデルに対して、学習用データとして用意された入力データ（ここでは、ビード形状の差分）を入力すると、その入力データに対する出力データとして、溶接条件の差分が出力される。この出力データは、溶接条件の調整量に相当する。次に、この出力データと、学習用データとして用意された教師データ（ここでは、溶接条件の差分）とを用いて、損失関数により誤差を導出する。そして、その誤差が小さくなるように、学習モデルにおける各パラメータが調整される。パラメータの調整には、例えば、誤差逆伝搬法などを用いてよい。このようにして、複数の学習用データを用いて繰り返し学習が行われることで、学習済みモデルが生成される。学習済みモデルは、学習処理の実行に伴ってその都度更新されるため、用いるタイミングに応じて、学習済みモデルを構成するパラメータは変更され、入力データに対する出力結果も異なる。
なお、学習処理は、必ずしも情報処理装置２００が実行する必要はない。例えば、情報処理装置２００は、学習用のデータの提供を、情報処理装置２００の外部に設けられた学習用のサーバ（不図示）に対して行い、当該サーバ側で学習処理を行うような構成であってもよい。そして、必要に応じて、当該サーバが情報処理装置２００に学習済みモデルを提供するような構成であってもよい。このような学習用のサーバは、例えばインターネットなどのネットワーク（不図示）上に位置してよく、学習用のサーバと情報処理装置２００は、通信可能に接続されているものとする。つまり、情報処理装置２００が機械学習装置として動作してもよいし、外部装置が機械学習装置として動作してもよい。いずれの場合においても、情報処理装置２００は、学習処理にて得られた学習済みモデルを取得し、積層造形物Ｗの造形時に利用可能であるものとする。
［処理フロー］
図５は、本実施形態に係る溶接条件の調整処理のフローチャートである。本処理は、情報処理装置２００により実行、制御され、例えば、情報処理装置２００が備えるＣＰＵやＧＰＵなどの処理部が図１に示した各部位を実現するためのプログラムを記憶部（不図示）から読み出して実行することにより実現されてよい。また、本処理フローが開始される前に、上述した学習処理が行われ、学習済みモデルが生成されているものとする。また、本処理フローによるパラメータの調整のための処理は、実際の積層造形物Ｗの造形が開始される直前に行われてもよい。または、積層造形物Ｗの造形を行っている最中において、電源の制御モードが切り替わった場合や、形成するビードの層が次の層に移行した場合に行われてもよい。ここでは、積層造形物Ｗが造形される直前に、ベース１０３上において積層造形物Ｗが造形される位置とは異なる位置を利用して調整が行われるものとして説明する。
Ｓ５０１にて、情報処理装置２００は、積層造形物Ｗの設計データを取得する。ここでの設計データは、積層造形物Ｗの形状等を指定したデータであり、ユーザの指示に基づいて作成される。設計データは、例えば、通信可能に接続された外部装置（不図示）から入力されてもよいし、情報処理装置２００上にて所定のアプリケーション（不図示）を介して作成されてもよい。
Ｓ５０２にて、情報処理装置２００は、Ｓ５０１にて取得した設計データに基づいて積層造形装置１００にて積層造形物Ｗを構成する各ビードに対応するパスデータを作成する。ここでのパスデータは、トーチ１０２の移動軌跡などの情報の他、ビードの形状を示す形状データを含むものとする。ここで作成された形状データは設計値に相当し、記憶部（不図示）にて保持・管理されてよい。
Ｓ５０３にて、情報処理装置２００は、電源１０７が動作可能な複数の制御モードのうち、パラメータ調整処理が未実施の１の制御モードに着目する。ここでの処理対象となる制御モードは、電源１０７が動作可能なすべての制御モードであってもよいし、Ｓ５０１にて取得した設計データを用いて積層造形物Ｗを造形する際に用いる１または複数の制御モードに限定してもよい。
Ｓ５０４にて、情報処理装置２００は、Ｓ５０３にて着目した制御モードに対応する学習済みモデルを取得する。上述したように、制御モードに応じて異なる学習済みモデルが生成されており、その中から対応する学習済みモデルが取得される。
Ｓ５０５にて、情報処理装置２００は、Ｓ５０３にて着目した制御モードに対応するＤＢを参照して、Ｓ５０２にて作成した形状データに対応する溶接条件を特定する。上述したように、ＤＢにおいて溶接条件とビードの形状データとが対応付けられており、形状データを指定することで、溶接条件を特定することが可能である。
Ｓ５０６にて、情報処理装置２００は、Ｓ５０５にて特定した溶接条件に基づき、溶接ロボット１０４による造形動作を実行させる。ここでの造形動作は、積層造形物Ｗの一部を造形するために行われるのではなく、それとは別の位置にてパラメータ調整用のビードを形成するように行われる。
Ｓ５０７にて、情報処理装置２００は、Ｓ５０６にて実行されたビードの形成結果としての形状データを、形状センサ１０１を介して取得する。上述したように、本実施形態に係る形状センサ１０１は、トーチ１０２に追従して移動するように設置されている。ビードの形成と並行して形状データを取得するような構成であってもよいし、ビードの形成が完了した後に取得するような構成であってもよい。ここで取得される形状データとしては、図３に示したように、形成されたビードの高さや幅、根元部の角度、表面の凹凸などが挙げられる。
Ｓ５０８にて、情報処理装置２００は、Ｓ５０７にて取得した形状データ（測定値）と、Ｓ５０２にて作成した形状データ（設計値）との差分を導出する。例えば、形状データとして、高さや幅など複数の項目を含む場合は、それぞれの差分を導出する。
Ｓ５０９にて、情報処理装置２００は、Ｓ５０８にて導出した差分と、予め規定された閾値とを比較し、差分が閾値以上か否かを判定する。閾値は、形状データの項目ごとに設定され、不図示の記憶部に保持されているものとする。ここで用いられる閾値は、制御モードに応じて異なっていてもよいし、固定値が用いられてもよい。差分が閾値以上である場合（Ｓ５０９にてＹＥＳ）、情報処理装置２００の処理はＳ５１０へ進む。一方、差分が閾値よりも小さい場合（Ｓ５０９にてＮＯ）、情報処理装置２００の処理はＳ５１３へ進む。また、形状データにおいて、複数の項目が判定に用いられる場合には、各項目と閾値の比較の結果、すべての項目が閾値以上である場合にＹＥＳと判定してよい。この場合、閾値は各項目に対して設定されているものとする。
Ｓ５１０にて、情報処理装置２００は、Ｓ５０３にて取得した学習済みモデルに、Ｓ５０８にて導出した差分を入力データとして入力することで、溶接条件の差分を出力データとして取得する。この差分が直前のビードの形成に用いた溶接条件に対する調整量に相当する。
Ｓ５１１にて、情報処理装置２００は、直前のビードの形成に用いた溶接条件に対して、Ｓ５１０にて取得した調整量を反映することで補正を行う。
Ｓ５１２にて、情報処理装置２００は、Ｓ５１１にて補正した溶接条件によりビードの形成を再度実行する。その後、Ｓ５０７へ戻り、以降の処理を繰り返す。つまり、Ｓ５０７～Ｓ５１２の処理は、設計データに基づく設計値と、実際の形成結果による測定結果との差分が閾値未満となるまで繰り返される。よって、Ｓ５１０にて取得される調整量が繰り返し累積して溶接条件に反映されることで、徐々に差分は小さくなる（収束する）こととなる。
Ｓ５１３にて、情報処理装置２００は、現在の調整量に基づく溶接条件を、着目している電源１０７の制御モードに対応付けて記憶部（不図示）に記憶する。ここで記憶された溶接条件（または、調整量）が、積層造形物Ｗの造形時に用いられることとなる。その後、Ｓ５１４へ進む。
Ｓ５１４にて、情報処理装置２００は、電源１０７が動作可能な制御モード全てに対し、パラメータ調整処理が完了したか否かを判定する。未処理の制御モードがある場合は（Ｓ５１４にてＮＯ）、情報処理装置２００の処理は、Ｓ５０３へ戻り、以降の処理を繰り返す。一方、すべての制御モードに対して処理が完了した場合（Ｓ５１４にてＹＥＳ）本処理フローを終了する。
上記のフローチャートでは、積層造形物Ｗの設計データに基づいてパラメータ調整を行う例を示した。このとき、設計データが示すビードの積層数や、隣接するビード（隣接ビード）との位置関係に基づき、層や位置関係に対応したパラメータ調整を行うような構成であってもよい。より具体的には、層数や位置に関する情報を形状データとして更に用いてもよい。このような情報を含めることで、ビードの形成位置に応じたビードの垂れや隣接ビードとの融合などを考慮したパラメータ調整が可能となる。また、積層造形物Ｗの設計データを用いる代わりに、予め規定されたパラメータ調整用の形状データに基づいてパラメータ調整を行うような構成であってもよい。
以上、本実施形態により、積層造形物の造形時における溶接条件の調整の精度を向上させることが可能となる。特に、溶接条件の変化傾向と、ビード形状の変化傾向との関係性を、学習済みモデルを用いて導出することで、システムに依存しない溶接条件の調整が可能となる。また、システムの機差を考慮したデータベースの作成も不要となり、汎用的なデータベースのみを用いて、様々な積層造形システムに適用可能である。
＜その他の実施形態＞
また、学習処理に用いる学習用データの生成を積層造形システム１が行うような構成を有してもよい。例えば、積層造形物Ｗの造形時に、ビードを形成するごとにビードの形状を形状センサ１０１にて検出し、当該ビードを形成した際の溶接条件、形状データ、および電源の制御モードを対応付けて記憶する。さらに、記憶されたデータを用いて、図４を用いて説明したように各差分を求めることで学習用データを生成してよい。このとき、学習用データを生成するためのデータは、積層造形システム１の利用者が指定可能であってもよいし、蓄積したデータの中から任意の条件にてフィルタリングしてデータを抽出してもよい。
また、本願発明において、上述した１以上の実施形態の機能を実現するためのプログラムやアプリケーションを、ネットワーク又は記憶媒体等を用いてシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサがプログラムを読出し実行する処理でも実現可能である。
また、１以上の機能を実現する回路（例えば、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）やＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ））によって実現してもよい。
以上の通り、本明細書には次の事項が開示されている。
（１） 溶加材を溶着して溶接ビードを積層することで積層造形物を造形する際の溶接条件の機械学習を行う機械学習装置であって、
溶接ビードの形状データ間の差分を入力データとし、前記形状データ間の差分に対応する溶接条件間の差分を出力データとする学習済みモデルを生成するための学習処理を行う学習処理手段
を有することを特徴とする機械学習装置。
この構成によれば、積層造形物の造形時における溶接条件の調整の精度を向上させることが可能となる。特に、溶接条件を調整する際に用いられる、形状データの変化傾向に対応した、溶接条件の調整量を導出するための学習済みモデルを生成することが可能となる。
（２） 前記形状データは、前記溶接ビードの高さ、幅、根元部の角度、および表面の凹凸の少なくともいずれかを含むことを特徴とする（１）に記載の機械学習装置。
この構成によれば、形状データとして、ビードの高さ、幅、角度、表面形状を考慮して、溶接条件の調整が可能となる。
（３） 前記溶接条件は、前記溶加材の送給速度、前記積層造形物が造形されるベース上での狙い位置、造形時の入熱量、およびウィービングの制御条件の少なくともいずれかを含むことを特徴とする（１）または（２）に記載の機械学習装置。
この構成によれば、溶接条件として、溶加材の送給速度、ベース上での狙い位置、造形時の入熱量、およびウィービングの制御条件を対象として調整が可能となる。
（４） 前記溶接条件は、積層パス数、または母材温度をさらに含むことを特徴とする（３）に記載の機械学習装置。
この構成によれば、溶接条件として更に、積層パス数、母材温度を対象として調整が可能となる。例えば、積層パス数が増加すること伴う、電極の摩擦やノズルへのスパッタの付着などの負荷蓄積を考慮した学習処理が可能となる。また、ベースへの蓄熱を考慮した学習処理が可能となる。
（５） 前記学習処理手段は、前記積層造形物を造形する際に用いられる電源の制御モードごとに学習済みモデルを生成することを特徴とする（１）～（４）のいずれかに記載の機械学習装置。
この構成によれば、電源の制御モードに応じた学習済みモデルを生成し、溶接条件の調整がより精度よく行うことが可能となる。
（６） 前記電源の制御モードごとに、前記溶接条件に対応して供給される電圧値、電流値、または電流のパルスの少なくともいずれかが異なることを特徴とする（５）に記載の機械学習装置。
この構成によれば、電源の制御モードに異なる電圧値、電流値、パルスを考慮した学習済みモデルを生成することが可能となる。
（７） 前記学習処理手段は、ニューラルネットワークを用いた教師あり学習の手法を用いて前記学習処理を行うことを特徴とする請求項（１）～（６）のいずれかに記載の機械学習装置。
この構成によれば、ニューラルネットワークを用いた教師あり学習に対応した機械学習が可能となる。
（８） 溶加材を溶着して溶接ビードを積層することで積層造形物を造形する積層造形システムであって、
前記積層造形物の設計データに基づいて、溶接ビードの形状データを第１の形状データとして作成する作成手段と、
前記第１の形状データを形成する際の溶接条件を決定する決定手段と、
前記決定手段にて決定された溶接条件を用いて形成された溶接ビードの形状データを第２の形状データとして取得する取得手段と、
溶接ビードの形状データ間の差分を入力データとし、当該形状データ間の差分に対応する溶接条件間の差分を出力データとして学習処理が行われることで生成された学習済みモデルに、前記第１の形状データと前記第２の形状データの差分を入力することで、前記第１の形状データに対応する溶接条件と前記第２の形状データに対応する溶接条件との差分を導出する導出手段と、
前記導出手段にて導出された差分を用いて、前記決定手段にて決定された溶接条件を調整する調整手段と
を有することを特徴とする積層造形システム。
この構成によれば、積層造形物の造形時における溶接条件の調整の精度を向上させることが可能となる。また、溶接条件の変化傾向と、ビード形状の変化傾向との関係性を、学習済みモデルを用いて導出することで、システムに依存しない溶接条件の調整が可能となる。また、システムの機差を考慮した個別のデータベースの作成も不要となり、汎用的なデータベースのみの利用により様々な積層造形システムへの適用が可能となる。
（９） 前記導出手段は、前記第１の形状データと前記第２の形状データの差分が、所定の閾値以上である場合に、前記決定手段にて決定された溶接条件を調整するための差分を導出することを特徴とする（８）に記載の積層造形システム。
この構成によれば、溶接条件の調整を繰り返し実行することで、所定の精度が得られるように制御することが可能となる。
（１０） 前記決定手段は、溶接ビードの形状と溶接条件とが予め対応付けられたデータベースを用いて、前記第１の形状データを形成する際の溶接条件を決定することを特徴とする請求項（８）または（９）に記載の積層造形システム。
この構成によれば、汎用的なデータベースを用いて、基準となる溶接条件を決定し、この基準からの調整を行うことができる。そのため、装置個別の溶接条件のデータベースを作成する手間を削減することができる。
（１１） 前記取得手段は、センサにより前記溶接ビードを測定することにより当該溶接ビードの形状データを取得することを特徴とする（８）～（１０）のいずれかに記載の積層造形システム。
この構成によれば、センサにより、実際のビード形状の測定値を取得して、設計値との比較に用いることが可能となる。
（１２） 溶加材を溶着して溶接ビードを積層することで積層造形物を造形する際の溶接条件の機械学習方法であって、
溶接ビードの形状データ間の差分を入力データとし、前記形状データ間の差分に対応する溶接条件間の差分を出力データとする学習済みモデルを生成するための学習処理を行う学習処理工程
を有することを特徴とする機械学習方法。
この構成によれば、積層造形物の造形時における溶接条件の調整の精度を向上させることが可能となる。特に、溶接条件を調整する際に用いられる、形状データの変化傾向に対応した、溶接条件の調整量を導出するための学習済みモデルを生成することが可能となる。
（１３） 溶加材を溶着して溶接ビードを積層することで積層造形物を造形する積層造形システムにおける溶接条件の調整方法であって、
前記積層造形物の設計データに基づいて、溶接ビードの形状データを第１の形状データとして作成する作成工程と、
前記第１の形状データを形成する際の溶接条件を決定する決定工程と、
前記決定工程にて決定された溶接条件を用いて形成された溶接ビードの形状データを第２の形状データとして取得する取得工程と、
溶接ビードの形状データ間の差分を入力データとし、当該形状データ間の差分に対応する溶接条件間の差分を出力データとして学習処理が行われることで生成された学習済みモデルに、前記第１の形状データと前記第２の形状データの差分を入力することで、前記第１の形状データに対応する溶接条件と前記第２の形状データに対応する溶接条件との差分を導出する導出工程と、
前記導出工程にて導出された差分を用いて、前記決定工程にて決定された溶接条件を調整する調整工程と
を有することを特徴とする溶接条件の調整方法。
この構成によれば、積層造形物の造形時における溶接条件の調整の精度を向上させることが可能となる。また、溶接条件の変化傾向と、ビード形状の変化傾向との関係性を、学習済みモデルを用いて導出することで、システムに依存しない溶接条件の調整が可能となる。また、システムの機差を考慮した個別のデータベースの作成も不要となり、汎用的なデータベースのみの利用により様々な積層造形システムへの適用が可能となる。
（１４） コンピュータに、
積層造形物を造形する際の溶接ビードの形状データ間の差分を入力データとし、前記形状データ間の差分に対応する溶接条件間の差分を出力データとする学習済みモデルを生成するための学習処理を行う学習処理工程
を実行させるためのプログラム。
この構成によれば、積層造形物の造形時における溶接条件の調整の精度を向上させることが可能となる。特に、溶接条件を調整する際に用いられる、形状データの変化傾向に対応した、溶接条件の調整量を導出するための学習済みモデルを生成することが可能となる。
（１５） コンピュータに、
溶加材を溶着して溶接ビードを積層することで造形される積層造形物の設計データに基づいて、溶接ビードの形状データを第１の形状データとして作成する作成工程と、
前記第１の形状データを形成する際の溶接条件を決定する決定工程と、
前記決定工程にて決定された溶接条件を用いて形成された溶接ビードの形状データを第２の形状データとして取得する取得工程と、
溶接ビードの形状データ間の差分を入力データとし、当該形状データ間の差分に対応する溶接条件間の差分を出力データとして学習処理が行われることで生成された学習済みモデルに、前記第１の形状データと前記第２の形状データの差分を入力することで、前記第１の形状データに対応する溶接条件と前記第２の形状データに対応する溶接条件との差分を導出する導出工程と、
前記導出工程にて導出された差分を用いて、前記決定工程にて決定された溶接条件を調整する調整工程と
を実行させるためのプログラム。
この構成によれば、積層造形物の造形時における溶接条件の調整の精度を向上させることが可能となる。また、溶接条件の変化傾向と、ビード形状の変化傾向との関係性を、学習済みモデルを用いて導出することで、システムに依存しない溶接条件の調整が可能となる。また、システムの機差を考慮した個別のデータベースの作成も不要となり、汎用的なデータベースのみの利用により様々な積層造形システムへの適用が可能となる。
１…積層造形システム
１００…積層造形装置
１０１…形状センサ
１０２…トーチ
１０３…ベース
１０４…溶接ロボット
１０６…ロボットコントローラ
１０７…電源
１０８…溶接ビード
２００…情報処理装置
２０１…造形制御部
２０２…電源制御部
２０３…送給制御部
２０４…ＤＢ（データベース）管理部
２０５…形状データ取得部
２０６…学習用データ管理部
２０７…学習処理部
２０８…溶接条件導出部
Ｗ…積層造形物
Ｍ…溶加材

Claims (15)

  1. 溶加材を溶着して溶接ビードを積層することで積層造形物を造形する際の溶接条件の機械学習を行う機械学習装置であって、
    溶接ビードの形状データ間の差分を入力データとし、前記形状データ間の差分に対応する溶接条件間の差分を出力データとする学習済みモデルを生成するための学習処理を行う学習処理手段
    を有することを特徴とする機械学習装置。
  2. 前記形状データは、前記溶接ビードの高さ、幅、根元部の角度、および表面の凹凸の少なくともいずれかを含むことを特徴とする請求項１に記載の機械学習装置。
  3. 前記溶接条件は、前記溶加材の送給速度、前記積層造形物が造形されるベース上での狙い位置、造形時の入熱量、およびウィービングの制御条件の少なくともいずれかを含むことを特徴とする請求項１または２に記載の機械学習装置。
  4. 前記溶接条件は、積層パス数、または母材温度をさらに含むことを特徴とする請求項３に記載の機械学習装置。
  5. 前記学習処理手段は、前記積層造形物を造形する際に用いられる電源の制御モードごとに学習済みモデルを生成することを特徴とする請求項１～４のいずれか一項に記載の機械学習装置。
  6. 前記電源の制御モードごとに、前記溶接条件に対応して供給される電圧値、電流値、または電流のパルスの少なくともいずれかが異なることを特徴とする請求項５に記載の機械学習装置。
  7. 前記学習処理手段は、ニューラルネットワークを用いた教師あり学習の手法を用いて前記学習処理を行うことを特徴とする請求項１～６のいずれか一項に記載の機械学習装置。
  8. 溶加材を溶着して溶接ビードを積層することで積層造形物を造形する積層造形システムであって、
    前記積層造形物の設計データに基づいて、溶接ビードの形状データを第１の形状データとして作成する作成手段と、
    前記第１の形状データを形成する際の溶接条件を決定する決定手段と、
    前記決定手段にて決定された溶接条件を用いて形成された溶接ビードの形状データを第２の形状データとして取得する取得手段と、
    溶接ビードの形状データ間の差分を入力データとし、当該形状データ間の差分に対応する溶接条件間の差分を出力データとして学習処理が行われることで生成された学習済みモデルに、前記第１の形状データと前記第２の形状データの差分を入力することで、前記第１の形状データに対応する溶接条件と前記第２の形状データに対応する溶接条件との差分を導出する導出手段と、
    前記導出手段にて導出された差分を用いて、前記決定手段にて決定された溶接条件を調整する調整手段と
    を有することを特徴とする積層造形システム。
  9. 前記導出手段は、前記第１の形状データと前記第２の形状データの差分が、所定の閾値以上である場合に、前記決定手段にて決定された溶接条件を調整するための差分を導出することを特徴とする請求項８に記載の積層造形システム。
  10. 前記決定手段は、溶接ビードの形状と溶接条件とが予め対応付けられたデータベースを用いて、前記第１の形状データを形成する際の溶接条件を決定することを特徴とする請求項８または９に記載の積層造形システム。
  11. 前記取得手段は、センサにより前記溶接ビードを測定することにより当該溶接ビードの形状データを取得することを特徴とする請求項８～１０のいずれか一項に記載の積層造形システム。
  12. 溶加材を溶着して溶接ビードを積層することで積層造形物を造形する際の溶接条件の機械学習方法であって、
    溶接ビードの形状データ間の差分を入力データとし、前記形状データ間の差分に対応する溶接条件間の差分を出力データとする学習済みモデルを生成するための学習処理を行う学習処理工程
    を有することを特徴とする機械学習方法。
  13. 溶加材を溶着して溶接ビードを積層することで積層造形物を造形する積層造形システムにおける溶接条件の調整方法であって、
    前記積層造形物の設計データに基づいて、溶接ビードの形状データを第１の形状データとして作成する作成工程と、
    前記第１の形状データを形成する際の溶接条件を決定する決定工程と、
    前記決定工程にて決定された溶接条件を用いて形成された溶接ビードの形状データを第２の形状データとして取得する取得工程と、
    溶接ビードの形状データ間の差分を入力データとし、当該形状データ間の差分に対応する溶接条件間の差分を出力データとして学習処理が行われることで生成された学習済みモデルに、前記第１の形状データと前記第２の形状データの差分を入力することで、前記第１の形状データに対応する溶接条件と前記第２の形状データに対応する溶接条件との差分を導出する導出工程と、
    前記導出工程にて導出された差分を用いて、前記決定工程にて決定された溶接条件を調整する調整工程と
    を有することを特徴とする溶接条件の調整方法。
  14. コンピュータに、
    積層造形物を造形する際の溶接ビードの形状データ間の差分を入力データとし、前記形状データ間の差分に対応する溶接条件間の差分を出力データとする学習済みモデルを生成するための学習処理を行う学習処理工程
    を実行させるためのプログラム。
  15. コンピュータに、
    溶加材を溶着して溶接ビードを積層することで造形される積層造形物の設計データに基づいて、溶接ビードの形状データを第１の形状データとして作成する作成工程と、
    前記第１の形状データを形成する際の溶接条件を決定する決定工程と、
    前記決定工程にて決定された溶接条件を用いて形成された溶接ビードの形状データを第２の形状データとして取得する取得工程と、
    溶接ビードの形状データ間の差分を入力データとし、当該形状データ間の差分に対応する溶接条件間の差分を出力データとして学習処理が行われることで生成された学習済みモデルに、前記第１の形状データと前記第２の形状データの差分を入力することで、前記第１の形状データに対応する溶接条件と前記第２の形状データに対応する溶接条件との差分を導出する導出工程と、
    前記導出工程にて導出された差分を用いて、前記決定工程にて決定された溶接条件を調整する調整工程と
    を実行させるためのプログラム。
JP2020121581A 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 Active JP7384760B2 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
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
CN202180046941.7A 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
US18/005,574 US20230273605A1 (en) 2020-07-15 2021-06-16 Machine learning device, additive manufacturing system, machine learning method for welding condition, method for adjusting welding condition, and a non-transitory computer readable medium storing a program
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
EP21842190.7A EP4166265A4 (en) 2020-07-15 2021-06-16 AUTOMATIC LEARNING DEVICE, LAMINATE MOLDING SYSTEM, AUTOMATIC LEARNING METHOD FOR WELDING CONDITION, ADJUSTMENT METHOD FOR WELDING CONDITION, AND PROGRAM

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
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

Publications (2)

Publication Number Publication Date
JP2022018467A true JP2022018467A (ja) 2022-01-27
JP7384760B2 JP7384760B2 (ja) 2023-11-21

Family

ID=79555501

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020121581A Active 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

Country Status (5)

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

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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018027558A (ja) * 2016-08-18 2018-02-22 国立大学法人山梨大学 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
JP2018149570A (ja) * 2017-03-13 2018-09-27 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
WO2019198212A1 (ja) * 2018-04-12 2019-10-17 三菱電機株式会社 付加製造装置、付加製造システムおよび付加製造方法
JP2020001059A (ja) * 2018-06-27 2020-01-09 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
JP2020006378A (ja) * 2018-07-03 2020-01-16 株式会社神戸製鋼所 溶接設計支援用データベースの生成方法、溶接設計支援方法、及びプログラム
JP2020069662A (ja) * 2018-10-29 2020-05-07 東芝機械株式会社 積層造形装置、積層造形方法、及びプログラム

Family Cites Families (3)

* 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
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018027558A (ja) * 2016-08-18 2018-02-22 国立大学法人山梨大学 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
JP2018149570A (ja) * 2017-03-13 2018-09-27 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
WO2019198212A1 (ja) * 2018-04-12 2019-10-17 三菱電機株式会社 付加製造装置、付加製造システムおよび付加製造方法
JP2020001059A (ja) * 2018-06-27 2020-01-09 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
JP2020006378A (ja) * 2018-07-03 2020-01-16 株式会社神戸製鋼所 溶接設計支援用データベースの生成方法、溶接設計支援方法、及びプログラム
JP2020069662A (ja) * 2018-10-29 2020-05-07 東芝機械株式会社 積層造形装置、積層造形方法、及びプログラム

Also Published As

Publication number Publication date
EP4166265A1 (en) 2023-04-19
WO2022014240A1 (ja) 2022-01-20
JP7384760B2 (ja) 2023-11-21
US20230273605A1 (en) 2023-08-31
CN115867407A (zh) 2023-03-28
EP4166265A4 (en) 2024-01-10

Similar Documents

Publication Publication Date Title
US11945031B2 (en) Laminated molded object production method and production device
JP7186512B2 (ja) ハイブリッド溶着速度のニアネットシェイプ積層造形のための方法及びシステム
US11980968B2 (en) Methods and systems for additive tool manufacturing
US20200282497A1 (en) Method for designing laminate molded article, production method, production device, and program
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
JP7068950B2 (ja) 溶接設計支援方法、及びプログラム
WO2022019013A1 (ja) 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、溶接条件の決定方法、およびプログラム
JP2021181107A (ja) 積層造形方法
JP2019147171A (ja) 積層造形物の造形手順設計方法、積層造形物の造形方法及び製造装置、並びにプログラム
WO2022014240A1 (ja) 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
WO2024018736A1 (ja) ロボットの制御方法、およびロボットの制御装置
JP2014030841A (ja) アーク倣い溶接方法および溶接装置
EP4169677A1 (en) System for manufacturing laminate molded product, method for manufacturing laminate molded product, and program for manufacturing laminate molded product
JP2024072589A (ja) ロボットの制御装置、制御方法、およびプログラム
JP7436272B2 (ja) 積層造形方法、積層造形システム、およびプログラム
US20040256437A1 (en) Weld guidance system and method
JP7183138B2 (ja) 造形物の製造方法、造形物の製造装置、及びプログラム
JP2024008544A (ja) 複数のロボットの制御方法、および複数のロボットの制御装置
WO2023008062A1 (ja) 造形装置の制御方法、造形装置及びプログラム
US20240181549A1 (en) Additive manufacturing method, additive manufacturing apparatus, and program for manufacturing additively manufactured article
JP2023114157A (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
JP2024071271A (ja) 断面形状データ生成方法、断面形状データ生成装置及びプログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221101

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230822

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230906

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20231031

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231109

R150 Certificate of patent or registration of utility model

Ref document number: 7384760

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150