JP6792129B2 - アーク溶接システム及びアーク溶接判定装置 - Google Patents

Description

開示の実施形態は、アーク溶接システム及びアーク溶接判定装置に関する。

特許文献１には、アーク電圧やアーク電流など溶接パラメータにおける平均、分散、標準偏差などといった統計学的な解析により溶接状態の異常を判定する手法が記載されている。

実用新案登録第３１９７１００号

しかしながら、溶接電圧及び溶接電流の時系列波形自体は他の要因によるノイズの影響を受けやすく、溶接状態の異常判定に関して必要な微妙な波形変化の検出精度が十分に得られないため対応する異常の判定精度が低かった。

本発明はこのような問題点に鑑みてなされたものであり、溶接状態の判定性能を向上できる制御装置の利便性を向上できる制御装置及び制御方法を提供することを目的とする。

上記課題を解決するため、本発明の一の観点によれば、ロボットと、前記ロボットに移送可能に装着されてアーク溶接を実施するアーク溶接部と、前記アーク溶接部に所定の溶接電圧及び溶接電流を給電するアーク溶接電源と、前記溶接電圧と前記溶接電流の少なくとも一方の時系列波形を周波数解析して周波数スペクトルデータを生成する解析部と、前記解析部が生成した前記周波数スペクトルデータに基づいて前記アーク溶接部による溶接状態を判定する判定部と、を有するアーク溶接システムが適用される。

また、本発明の別の観点によれば、外部のアーク溶接電源から検出した溶接電圧又は溶接電流の時系列波形を周波数解析して周波数スペクトルデータを生成する解析部と、機械学習プロセスでの学習内容に基づいて、時間領域と周波数領域の両方において前記周波数スペクトルデータが有する特徴量に対応した異常種別の異常の有無を判定する判定部と、を有するアーク溶接判定装置が適用される。

本発明によれば、溶接状態の判定性能を向上できる。

実施形態のロボットアーク溶接システムの概略的なシステムブロック構成の一例を表す図である。 正常溶接時における溶接電流の時系列波形データと周波数スペクトルデータの一例を表す図である。 正常溶接時における溶接電圧の時系列波形データと周波数スペクトルデータの一例を表す図である。 解析部における周波数スペクトルデータの生成手法を説明する図である。 溶接破れ異常時における溶接電流の時系列波形データと周波数スペクトルデータの一例を表す図である。 溶接破れ異常時における溶接電圧の時系列波形データと周波数スペクトルデータの一例を表す図である。 ガスなし異常時における溶接電流の時系列波形データと周波数スペクトルデータの一例を表す図である。 ガスなし異常時における溶接電圧の時系列波形データと周波数スペクトルデータの一例を表す図である。 深層学習を適用した場合における判定部のニューラルネットワークの概略モデル構成の一例を表す図である。 判定部学習用データセットを表す図である。 深層学習を適用した場合で溶接ワイヤ送給速度も反映する判定部のニューラルネットワークの概略モデル構成の変形例を表す図である。

以下、第１の実施形態について図面を参照しつつ説明する。

＜ロボットアーク溶接システムの概略構成＞
図１は、本実施形態のロボットアーク溶接システムの概略的なシステムブロック構成の一例を表している。このロボットアーク溶接システムは、自動車のフレームＦを対象物として、当該フレームＦにおける所定の溶接線に沿ってアーク溶接を行うシステムである。図１においてロボットアーク溶接システム１（アーク溶接システム）は、上位制御装置２と、ロボットコントローラ３と、ロボット４と、溶接電源５と、アーク溶接判定装置６とを有している。なお、本実施形態の例では、自動車のフレームＦを対象ワークとして作業を行う場合を示しているが、他の機械構造物等を対象ワークとし、当該対象ワークにおける部材間の継ぎ目等を溶接線としてアーク溶接する作業に適用してもよい。

上位制御装置２は、例えば特に図示しないＣＰＵ、ＲＯＭ、ＲＡＭ、操作部、表示部等を備えた汎用パーソナルコンピュータ等で構成されており、当該ロボットアーク溶接システム１全体の動作を管理する。具体的には、ロボットコントローラ３に所定の作業指令を出力したり、またロボット４が備える後述の溶接ワイヤ送給部に所定の送給速度指令を出力したり、また後述の溶接電源５に所定の溶接電力を出力させるよう給電指令を出力したり、また後述のアーク溶接判定装置６から入力された判定情報に基づいてアーク溶接作業の完了確認や中断、再作業の判断を行う。

ロボットコントローラ３は、上記の上位制御装置２から入力された作業指令に基づいて、ロボット４のアーム先端部４ａに装着した後述のアーク溶接部の先端をフレームＦ上の所定の溶接線に沿って移動させるよう、ロボット４の各駆動軸モータ（図示省略）を駆動制御する駆動電力の給電制御を行う。

ロボット４は、図示する本実施形態の例では６つの関節軸を備えたマニプレータアーム（６軸ロボット）である。そのアーム先端部４ａにはアーク溶接部４１が装着されており、ロボット４は上記のロボットコントローラ３から給電された駆動電力によって各駆動軸モータを駆動することで、アーク溶接部４１の位置制御及び姿勢制御が可能となっている。

アーク溶接部４１は、この例では溶接ワイヤ４３を溶加材としてシールドガスとともに連続供給しつつ、後述の溶接電源５から給電された溶接電力により母材であるフレームＦに対して短絡溶接を行うエンドエフェクタである。溶接ワイヤ４３は、同じくロボット４に備えられた溶接ワイヤ送給部４２から連続的に送給される。この溶接ワイヤ送給部４２は、上位制御装置２から入力された送給速度指令に基づく送給速度で溶接ワイヤ４３をアーク溶接部４１に送給するとともに、実際に計測した溶接ワイヤ４３の送給速度を後述のアーク溶接判定装置６の判定部６１に出力する。なお、ロボット４は、上位制御装置２からの指令に基づいてシールドガスを生成しアーク溶接部４１に供給するシールドガス供給部も備えているが、図示を省略している。

溶接電源５（アーク溶接電源）は、図示しない商用電源からの給電電力を変換して上位制御装置２から入力された給電指令に対応する溶接電力を生成し、アーク溶接部４１とフレームＦとの間に給電する装置である。図示する例では、アーク溶接部４１を正極側とし、フレームＦを負極側とした直流電力を溶接電力として給電する。そして溶接電源５は、実際に給電した溶接電流と溶接電圧の検出値をそれぞれ溶接電流検出値、溶接電圧検出値として後述するアーク溶接判定装置６の解析部６１に出力する。

アーク溶接判定装置６は、上記溶接電源５から入力された溶接電流検出値と溶接電圧検出値の少なくとも一方に基づいて、アーク溶接部４１で行われた溶接作業における溶接状態の異常の有無を判定する装置である。このアーク溶接判定装置６は、解析部６１と判定部６２を有している。

解析部６１は、溶接電流検出値又は溶接電圧検出値を時系列的に記録した時系列波形データを周波数解析することで、周波数スペクトルデータを生成する処理部である。なお、この解析部６１における解析手法および周波数スペクトルデータの内容については、後に詳述する。

判定部６２は、上記解析部６１が生成した周波数スペクトルデータに基づいて、対応する溶接状態における各種の異常の有無を判定する処理部である。また、この判定部６２における判定手法についても、後に詳述する。

以上の構成のロボットアーク溶接システム１によれば、自動車のフレームＦにおいて３次元的に多様な軌跡にある溶接線に対しても自動的にアーク溶接を実施することができる。そして、アーク溶接判定装置６がその溶接状態における異常の有無を自動的に判定し、上位制御装置２が異常発生時に対応する処置を講ずることができる。

＜本実施形態の特徴＞
近年では、以上のようにロボットに装着したアーク溶接部を対象物の溶接線（継ぎ目）に沿って移送させつつアーク溶接を行わせるアーク溶接システムが要望されている。しかし、アーク溶接の作業は、対象物の配置状態（例えば継ぎ目の重なり具合）、対象物と溶加材（この例の溶接ワイヤ４３）との離間距離、溶加材やシールドガスの供給状態、及び対象物の温度環境等の多様な条件がいずれも高い基準を満たさなければ溶接状態の品質を大きく低下させてしまうという非常に厳密な作業となる。このため、ロボットでのアーク溶接作業における溶接状態を判定することが重要となっていた。

これまでには、溶接電源がアーク溶接部に供給する溶接電圧又は溶接電流の時系列波形そのものにおける平均、分散、標準偏差などといった統計学的な解析（つまり時間領域だけでの解析）により溶接状態の異常を判定する手法が提案されていた。しかし、溶接電圧及び溶接電流の時系列波形自体は他の要因によるノイズの影響を受けやすく、溶接状態の異常の種別によってはその判定に関して必要な微妙な波形変化の検出精度が十分に得られないため対応する異常の判定が困難となっていた。

これに対し本実施形態では、溶接電源５から検出した溶接電圧又は溶接電流の時系列波形を周波数解析して周波数スペクトルデータを生成する解析部６１と、この解析部６１が生成した周波数スペクトルデータに基づいてアーク溶接部４１による溶接状態を判定する判定部６２と、を有している。これにより、溶接電圧又は溶接電流の時系列波形に対する位相解析も可能となり、特に周波数スペクトルデータにおいて溶接状態の異常に関係する周波数スペクトルの時間変化について監視することでノイズを分別し高い異常判定精度を確保できる。

＜解析部における解析手法について＞
図２は、正常溶接時における溶接電流の時系列波形データとそれに基づいて解析部６１が生成した周波数スペクトルデータの一例を示しており、図３は、正常溶接時における溶接電圧の時系列波形データとそれに基づいて解析部６１が生成した周波数スペクトルデータの一例を示している。これら図２、図３のそれぞれ下方側に示している時系列波形データは、アーク溶接部４１が溶接作業を開始した後の安定期において所定のサンプリング周期で検出した溶接電流検出値、溶接電圧検出値を逐次時系列的に記録した波形データである。各時系列波形データは、横軸に時間を取り、縦軸に溶接電流、溶接電圧を取っており、およそ周期的に放電を繰り返す波形であることが分かる。

しかし、上述した短絡溶接でのアーク溶接作業において放電現象は自然発生的に生じるものであるため、図示からも分かるように各時系列波形データにおける放電周期や各周期波形は一律になく大きなバラツキが生じる。このため、同一周期でサンプリングした時系列波形どうしの間では位相変化が生じ、それぞれ個別に周波数解析しても正しく比較できる周波数スペクトルデータが得られない。

そこで本実施形態では、解析部６１において、図４に示すような解析手法により周波数スペクトルデータを生成する。すなわち、図４中の最も左側に示すように、時系列波形データでの任意のサンプリング時ｔ１における周波数解析を行う場合、サンプリング時に発生する可能性のある折り返し誤差を防止するためアンチエイリアシングフィルタを施し、周波数解析を行う。言い換えると、サンプリングに対するナイキスト周波数以上の帯域のパワーをフィルタで充分減衰させた波形に対して周波数解析を行う。

さらに本実施形態では、この移動平均を行う際にサンプリング時ｔ１の前後周囲の波形に対して所定の窓関数で重み付けしデータの周期性拡張を行う。ここで、一般的な波形解析で用いられる窓関数としては多数の種類が知られているが、このアーク溶接の時系列波形データに対してはそのアーク溶接作業時の溶接条件に対応した種類の窓関数を適用すべきである。図示する本実施形態の例では、溶接工法が短絡溶接であり溶接電流が２５０Ａ以上である溶接条件から、いわゆるガウス窓を適用している。このガウス窓は、当該図中の太実線で示すように、サンプリング時ｔ１での最大値１．０を中心として前後に非線形的に減少する窓関数であり、各時点においてガウス窓の値と積算（重み付け）を行うことで、データ周期性拡張処理を行い、フーリエ変換（時間周波数解析）を行う上で発生しうる高調波歪を防ぐ。

これにより、図中の左から２番目に示すように、データ周期性拡張処理を行った時刻ｔ１の波形に対してＦＦＴ等によるフーリエ変換で周波数解析する。さらに得られた各時刻のスペクトルデータに対応して時間シフトしながら重ね合わせと畳み込み演算を行い、周波数解析を時系列波形データの時間領域について逐次処理を行う。得られた周波数スペクトルデータを図中の最も右側に示すように時系列に並べることで、上記図２、図３それぞれの上方側に示すような２次元マッピングデータ（２次元ピクセル列データ）としての周波数スペクトルデータが得られる。なお、図２、図３の各図における周波数スペクトルデータは、それぞれ対応する時系列波形データと同一の時間軸を横軸に取り（時間領域に相当）、周波数を縦軸に取り（周波数領域に相当）、各点における濃淡がスペクトル密度を表している。

そして、以上の検出手法、解析手法により、溶接破れ異常時の場合とガスなし異常時の場合でそれぞれ得られる時系列波形データと周波数スペクトルデータの一例を図５〜図８に示す。図５は、アーク溶接作業時においてビートが破れて穴が空く、いわゆる溶接破れ異常時における溶接電流の時系列波形データと周波数スペクトルデータの一例を示している。図６は、同じ溶接破れ異常時における溶接電圧の時系列波形データと周波数スペクトルデータの一例を示している。図７は、アーク溶接作業時においてシールドガスが欠乏した、いわゆるガスなし異常時における溶接電流の時系列波形データと周波数スペクトルデータの一例を示している。図８は、同じガスなし異常時における溶接電圧の時系列波形データと周波数スペクトルデータの一例を示している。

＜判定部における判定手法について＞
正常溶接時に対応した上記図２、図３の各周波数スペクトルデータを見ると、いずれも周波数領域における０〜１４０Ｈｚの帯域でスペクトル密度が比較的高く、それ以上の帯域で周波数の増加に伴いスペクトル密度が緩やかに減少しているのが分かる。またいずれの周波数スペクトルデータも時間領域においては、周波数スペクトルに変動が見られず安定していることが分かる。

これに対して、溶接破れ異常時に対応した上記図５、図６の各周波数スペクトルデータを見ると、いずれも時間領域において間欠的に周波数スペクトルデータが変動しており、この変動時には正常溶接時と比較して周波数領域全体に渡り大幅にスペクトル密度が減少していることが分かる（各図中の点線枠部分参照）。このように、正常溶接時と比較して、溶接破れ異常時に生成される周波数スペクトルデータには時間領域で大きな変動が発生する特徴が認められる。

これにより本実施形態の例における判定部６２では、この周波数スペクトルデータ上の特徴を検知することで溶接破れ異常の発生を判定する。つまり、正常溶接時の各周波数スペクトルデータ（以下、正常周波数スペクトルデータという）を予め記憶しておき、これと実際のアーク溶接作業時に解析部６１が生成した周波数スペクトルデータ（以下、解析周波数スペクトルデータという）とを時間領域で比較することにより溶接破れ異常の有無を判定する。具体的には、例えば時間領域上の各時点で対応する正常周波数スペクトルデータと解析周波数スペクトルデータとを比較し、それらの間で大きく相違している状態が一定時間以上継続していることを検知した場合に溶接破れ異常が発生したと判定すればよい。なお、各時点における正常周波数スペクトルデータと解析周波数スペクトルデータの比較手法としては、例えばその時点の周波数領域全体に渡るスペクトル密度波形どうしの相関を取るか、またはその時点の周波数領域全体に渡るスペクトル密度の平均値や積算値などの指標値を比較する等がある。

また、ガスなし異常時に対応した上記図７、図８の各周波数スペクトルデータを見ると、いずれも周波数領域における特定の周波数帯域（図示する例では１０^２Ｈｚ付近）で正常溶接時よりもスペクトル密度が比較的大きいことが分かる（各図中の点線枠部分参照）。このように、正常溶接時と比較して、ガスなし異常時に生成される周波数スペクトルデータには周波数領域で大きな変動が発生する特徴が認められる。

これにより本実施形態の例における判定部６２では、この周波数スペクトルデータ上の特徴を検知することでガスなし異常の発生を判定する。つまり、予め記憶していた正常周波数スペクトルデータと、解析周波数スペクトルデータとを周波数領域で比較することによりガスなし異常の有無を判定する。具体的には、例えば周波数領域上の上記特定の周波数帯域で対応する正常周波数スペクトルデータと解析周波数スペクトルデータとを比較し、それらの間で大きく相違している状態が一定時間以上継続していることを検知した場合にガスなし異常が発生したと判定すればよい。なお、特定の周波数帯域における正常周波数スペクトルデータと解析周波数スペクトルデータの比較手法としては、例えばその時点の当該周波数帯域に限定したスペクトル密度波形どうしの相関を取るか、またはその時点の当該周波数帯域に限定したスペクトル密度の平均値や積算値などの指標値を比較する等がある。

なお特に図示しないが、以上に例示した溶接破れ異常やガスなし異常以外の他の種別の溶接異常の場合についても、解析周波数スペクトルデータ上の時間領域又は周波数領域のいずれかにおいて何らかの特徴を表出するものであり、それらの特徴はそれぞれ異なる時間変動態様や異なる周波数帯域で表出することが予想される。これに対して判定部６２がそれぞれの時間変動態様や周波数帯域ごとに対応してそれらの特徴を検出することにより、各溶接異常の種別ごとに区別した異常判定が可能となる。

＜本実施形態による効果＞
以上説明したように、本実施形態のロボットアーク溶接システム１は、溶接電源５から検出した溶接電圧又は溶接電流の時系列波形を周波数解析して周波数スペクトルデータを生成する解析部６１と、この解析部６１が生成した周波数スペクトルデータに基づいてアーク溶接部４１による溶接状態を判定する判定部６２と、を有している。これにより、溶接電圧又は溶接電流の時系列波形に対する位相解析も可能となり、特に周波数スペクトルデータにおいて溶接状態の異常に関係する周波数スペクトルの時間変化について監視することでノイズを分別し高い異常判定精度を確保できる。この結果、溶接状態の判定性能を向上できる。

また、今回の技術検討にあたって本件の発明者は、解析部６１が、窓関数を用いた畳み込み演算で処理された各時系列波形に対して周波数解析することにより、その得られた周波数スペクトルデータにおいてアーク溶接の各種異常判定で特に検出すべき波形変動の特徴を良好に表出できることを新たに知見した。つまり、これまでに人間の声紋分析に適用されていた波形解析手法を、アーク溶接作業時の溶接電圧又は溶接電流の時系列波形に対する周波数解析に対しても特に好適に適用可能であることがわかった。本実施形態ではこのようにアーク溶接で検出された時系列波形において、あるアーク放電単周期に対応した周波数解析を当該アーク放電単周期だけに基づいて行うのではなく、その時間領域の周囲において窓関数で重み付けした移動平均により平滑化した上で周波数解析することにより、異常判定精度をより向上できる。

また、本実施形態では特に、窓関数は、溶接条件に対応したものを用いている。例えば溶接工法の種類（短絡溶接、パルス溶接等）や溶接電圧、溶接電流の大きさ等といった溶接条件は、そのアーク溶接作業における溶滴移行状態に大きく影響を与えるものであり、すなわちそのアーク溶接で検出される時系列波形の波形形状や、ひいては時間領域において連続するアーク放電周期どうしの間の関係性にも大きく影響を与える。従って、溶接条件に対応して適宜選択した窓関数を用いることは、周波数解析における周波数分解能とダイナミックレンジのバランスを良好に得られることになり、多様な溶接条件に対しても溶接状態の異常判定精度を向上させることができる。

なお、本実施形態の例においては溶接工法が短絡溶接であり溶接電流が２５０Ａ以上である溶接条件から窓関数にガウス窓を適用した場合を例示したが、これに限られない。他にも、例えばパルス溶接等の溶接工法や、溶滴移行状態が変化するほどの溶接電流、溶接電圧の違いなどの溶接条件に適宜対応した窓関数（特に図示せず）を適用することで、異常判定精度を向上させることができる。

また、本実施形態では特に、判定部６２は、解析部６１が生成した解析周波数スペクトルデータと、溶接状態が正常である場合の正常周波数スペクトルデータとの比較により溶接異常の有無を判定する。これにより、比較的簡易な比較処理だけで明確な溶接状態の異常判定が可能となる。

また、本実施形態では特に、判定部６２は、周波数領域における所定の異常種別（ガスなし異常等）に対応した周波数帯域での解析周波数スペクトルデータと正常周波数スペクトルデータの比較により当該異常種別の異常の有無を判定する。これにより、周波数スペクトルデータの周波数領域にしか明確に異常の特徴が表出しない複数の異常種別ごとに明確に区別にした異常の有無の判定が可能となり、また異常判定に関係のない周波数帯域での不要な比較処理を省略できる。

また、本実施形態では特に、判定部６２は、時間領域における解析周波数スペクトルデータと正常周波数スペクトルデータの比較により所定の異常種別（溶接破れ異常等）の異常の有無を判定する。これにより、周波数スペクトルデータの時間領域にしか明確に異常の特徴が表出しない異常種別の異常の有無の判定が可能となる。

なお、上記実施形態では、溶接電流と溶接電圧をそれぞれ区別していずれか一方（又は両方それぞれ）に対応する周波数スペクトルデータでの比較により溶接異常の判定を行っていたが、これに限られない。他にも、解析部６１が、溶接電圧及び溶接電流から求めたインピーダンス（電圧／電流）、溶接電力（電圧×電流）のいずれか１つの時系列波形を周波数解析してもよい（特に図示せず）。これにより、判定部６２は、溶接電圧と溶接電流の両方に基づく判定処理を１度にまとめて行うことができる。

＜変形例＞
なお、以上説明した実施形態は、その趣旨及び技術的思想を逸脱しない範囲内で種々の変形が可能である。

＜変形例１：機械学習により溶接異常を判定する場合＞
上記実施形態では、判定部６２が正常周波数スペクトルデータと解析周波数スペクトルデータとの比較により溶接異常の有無を判定したが、これに限られない。他にも、判定部６２は、機械学習を用いた判定手法で溶接異常の判定を行ってもよい。

判定部６２の判定手法には多様な機械学習手法を適用できるが、以下においては例えば機械学習アルゴリズムに深層学習（ディープラーニング）を適用した場合の例を説明する。図９は、深層学習を適用した場合における判定部６２のニューラルネットワークの概略モデル構成の一例を示している。この図９において、判定部６２のニューラルネットワークは、解析部６１から入力された２次元マッピングデータとしての解析周波数スペクトルデータに対して、当該解析周波数スペクトルデータに表出されている特徴から判定可能な溶接異常の有無とその種別を判定情報として出力するよう設計されている。

図示する例では、解析周波数スペクトルデータを入力ノードに入力し、正常、溶接やぶれ、ガスなしの各溶接状態に対応する３つの出力ノードのいずれか１つだけを真値として２値出力する（いわゆるクラスタリング出力する）。解析周波数スペクトルデータの入力においては、その時間軸と周波数軸の２軸の関係性を維持した２次元マッピングデータとして各ピクセルにおけるスペクトル密度（図中での濃淡）を各入力ノードに入力する。これら判定処理は、当該判定部６２の学習フェーズにおける機械学習プロセスでの学習内容に基づくものであり、すなわちこの判定部６２のニューラルネットワークは、解析周波数スペクトルデータの時間領域と周波数領域の両方におけるスペクトル密度のパターンと溶接状態との相関を表す特徴量を学習している。

この判定部６２の機械学習プロセスについては、上記のように設計された多層ニューラルネットワークがアーク溶接判定装置６上でソフトウェア的（又はハードウェア的）に実装された後、特に図示しないデータベースに保存した多数の判定部学習用データセットを用いていわゆる教師あり学習により判定部６２に学習させる。ここで用いる判定部学習用データセットは、例えば図１０に示すように、周波数スペクトルデータ（図示する例では溶接電流に基づくもの）と、対応して行われたアーク溶接作業の実際の溶接状態とを対応付けて１つの学習用データセットとして作成する。そして各溶接状態についてこのような学習用データセットを多様な溶接条件で多数作成し、データベースに保存する。

本実施形態の例における判定部６２の学習フェーズでは、周波数スペクトルデータを入力データとし、溶接状態を出力データとした組み合わせの教師データを用いて、判定部６２のニューラルネットワークの入力層と出力層の間の関係性が成立するよう各ノードどうしをつなぐ各エッジの重み係数を調整するいわゆるバックプロパゲーション処理等により学習を行う。なお、このようなバックプロパゲーションの他にも、いわゆるオートエンコーダ、制限付きボルツマンマシン、ドロップアウト、ノイズ付加、及びスパース正則化などの公知の多様な学習手法を併用して処理精度を向上させてもよい。なお、この判定部６２の学習フェーズが、各請求項記載の機械学習プロセスに相当する。

なお上述したように、判定部６２において溶接状態を判定するアルゴリズムは、図示した深層学習によるもの以外にも、例えばサポートベクトルマシンやベイジアンネットワーク等を利用した他のパターンマッチングアルゴリズム（特に図示せず）を適用してもよい。その場合でも、入力した解析周波数スペクトルデータを生成する際の元となる溶接状態を判定して判定情報として出力するという基本的な構成については同等となる。

＜第１変形例による効果＞
以上説明したように、本変形例のロボットアーク溶接システム１は、判定部６２が、機械学習プロセス（深層学習及び他の機械学習）での学習内容に基づいて溶接状態を判定する。これにより、判定部６２は、人為的に設計した数理モデルに基づく解析手法によらず、機械学習プロセスで機械学習した実際の周波数スペクトルデータから得られる異常の特徴量に基づいて異常の有無の判定が可能となるため、実作業上で有効な異常判定精度を向上できる。

また、本変形例では特に、判定部６２は、機械学習プロセスにおいて、入力される周波数スペクトルデータの時間領域と周波数領域の両方における特徴量と、出力すべき異常種別の異常の有無との対応関係を学習する。これにより、解析部６１が生成した周波数スペクトルデータを、時間領域及び周波数領域を直交軸とした２次元パターンデータとしてパターン解析することができ、判定部６２はその２次元パターン中に表出する異常の特徴量を検出して各種の異常種別ごとの異常の有無の判定を高い精度で行える。

＜変形例２：溶接ワイヤ送給速度も参照して溶接異常を判定する場合＞
溶加材である溶接ワイヤ４３の送給速度の変動はアーク溶接作業での溶滴移行状態に大きく影響を与えるものであり、ひいては時系列波形データの波形形状も大きく変化しうる。このため判定部６２は、溶接ワイヤ送給部４２が検出した送給速度も反映して溶接状態を判定してもよい。図１１は、深層学習を適用した場合でさらに溶接ワイヤ送給速度も反映させる判定部６２のニューラルネットワークの概略モデル構成の一例を示している。

この図１１において、判定部６２のニューラルネットワークは、解析部６１から入力された解析周波数スペクトルデータと溶接ワイヤ送給速度に対して、溶接異常の有無とその種別を判定情報として出力するよう設計されている。

図示する例では、解析周波数スペクトルデータと実際に検出された溶接ワイヤ送給速度を入力し、正常、溶接やぶれ、ガスなし、溶接ワイヤ送給速度異常の各溶接状態に対応する４つの出力ノードのいずれか１つだけを真値として２値出力する（いわゆるクラスタリング出力する）。溶接ワイヤ送給速度の入力においては、周波数スペクトルデータと同じ時系列で検出した送給速度の平均値を入力する。なお、特に図示しないが、入力する溶接ワイヤ送給速度は、周波数スペクトルデータと同じ時系列で検出した時系列波形データで入力してもよい。この判定部６２のニューラルネットワークは、解析周波数スペクトルデータと溶接ワイヤ送給速度と、溶接状態との相関を表す特徴量を学習している。また、この場合の学習フェーズでは、特に図示しないが、周波数スペクトルデータと、溶接ワイヤ送給速度と、対応して行われたアーク溶接作業の実際の溶接状態とを対応付けた学習用データセットを用いて同様のバックプロパゲーション処理等により学習を行えばよい。

＜第２変形例による効果＞
以上説明したように、本変形例のロボットアーク溶接システム１は、アーク溶接部４１が、溶接ワイヤ４３を送給する溶接ワイヤ送給部４２を有し、判定部６２は、溶接ワイヤ送給部４２による溶接ワイヤ４３の送給速度にも基づいて溶接状態を判定する。このように、判定部６２が溶接ワイヤ４３の送給速度にも基づいて溶接状態を判定することで、発生した異常の種別や原因の特定も可能となる。なお、他にもシールドガスの供給状態なども反映して溶接状態を判定してもよい。

なお、以上の説明において、「垂直」「平行」「平面」等の記載がある場合には、当該記載は厳密な意味ではない。すなわち、それら「垂直」「平行」「平面」とは、設計上、製造上の公差、誤差が許容され、「実質的に垂直」「実質的に平行」「実質的に平面」という意味である。

また、以上の説明において、外観上の寸法や大きさ、形状、位置等が「同一」「同じ」「等しい」「異なる」等の記載がある場合は、当該記載は厳密な意味ではない。すなわち、それら「同一」「等しい」「異なる」とは、設計上、製造上の公差、誤差が許容され、「実質的に同一」「実質的に同じ」「実質的に等しい」「実質的に異なる」という意味である。

また、以上既に述べた以外にも、上記実施形態や各変形例による手法を適宜組み合わせて利用しても良い。その他、一々例示はしないが、上記実施形態や各変形例は、その趣旨を逸脱しない範囲内において、種々の変更が加えられて実施されるものである。

１ ロボットアーク溶接システム（アーク溶接システム）
２ 上位制御装置
３ ロボットコントローラ
４ ロボット
５ 溶接電源（アーク溶接電源）
６ アーク溶接判定装置
４１ アーク溶接部
４２ 溶接ワイヤ送給部
４３ 溶接ワイヤ（溶加材）
６１ 解析部
６２ 判定部

Claims (6)

1. ロボットと、
   前記ロボットに移送可能に装着されてアーク溶接を実施するアーク溶接部と、
   前記アーク溶接部に所定の溶接電圧及び溶接電流を給電するアーク溶接電源と、
   前記溶接電圧と前記溶接電流の少なくとも一方の時系列波形を周波数解析して時間軸と周波数軸を直交軸とした２次元マッピングデータに対する周波数スペクトルデータを生成する解析部と、
   前記解析部が生成した前記周波数スペクトルデータが入力され、機械学習プロセスでの学習内容に基づいて前記アーク溶接部による溶接状態を判定する判定部と、
   を有し、
   前記判定部は、機械学習としてのニューラルネットワークにおいて、入力される前記２次元マッピングデータに対応する前記周波数スペクトルデータのスペクトル密度の特徴量と、出力すべき異常種別の異常の有無との対応関係を学習する
   機能を備える
   ことを特徴とするアーク溶接システム。
2. 前記解析部は、窓関数を用いた畳み込み演算で処理された各時系列波形に対して周波数解析することを特徴とする請求項１記載のアーク溶接システム。
3. 前記窓関数は、溶接条件に対応したものを用いることを特徴とする請求項２記載のアーク溶接システム。
4. 前記解析部は、前記溶接電圧及び前記溶接電流から求めたインピーダンス、溶接電力のいずれか１つの時系列波形を周波数解析することを特徴とする請求項１乃至３のいずれか１項に記載のアーク溶接システム。
5. 前記アーク溶接部は、溶加材を送給する溶加材送給部を有し、
   前記判定部は、前記溶加材送給部による前記溶加材の送給速度にも基づいて前記溶接状態を判定することを特徴とする請求項１乃至４のいずれか１項に記載のアーク溶接システム。
6. 外部のアーク溶接電源から検出した溶接電圧又は溶接電流の少なくとも一方の時系列波形を周波数解析して時間軸と周波数軸を直交軸とした２次元マッピングデータに対する周波数スペクトルデータを生成する解析部と、
   前記解析部が生成した前記周波数スペクトルデータが入力され、機械学習プロセスでの学習内容に基づいて溶接状態を判定する判定部と、
   を有し、
   前記判定部は、機械学習としてのニューラルネットワークにおいて、入力される前記２次元マッピングデータに対応する前記周波数スペクトルデータのスペクトル密度の特徴量と、出力すべき異常種別の異常の有無との対応関係を学習する
   機能を備える
   ことを特徴とするアーク溶接判定装置。
   

Images