JPH05337663A

JPH05337663A - 溶接状況監視装置

Info

Publication number: JPH05337663A
Application number: JP3274204A
Authority: JP
Inventors: Shigetaka Hosaka; 重孝穂坂; Takashi Akaha; 崇赤羽; Yasumi Nagura; 保身名倉; Tadashi Nagashima; 是長島; Takashi Ishide; 孝石出
Original assignee: Mitsubishi Heavy Industries Ltd
Current assignee: Mitsubishi Heavy Industries Ltd
Priority date: 1991-10-22
Filing date: 1991-10-22
Publication date: 1993-12-21
Anticipated expiration: 2013-12-14
Also published as: JP2837002B2

Abstract

(57)【要約】【目的】溶接の異常判断を非熟練者でも容易に行うこ
とができ、また、溶接の異常判断に際して、正常溶接の
モニタデータを得るための溶接試行準備時間を比較的に
短くすることができる。【構成】正常な溶接でもそのモニタ信号は常に一定で
はなく、ある分布を示し、正規分布している場合とそう
ではない場合とがあり、溶接が異常な時は、そのモニタ
信号は正常溶接時とは異なる分布を示し、当然異常の種
類が異なれば、それ特有の分布を示す。本発明では、予
め溶接を試行してそのモニタ信号を記録し、試行溶接の
結果に応じ正常時のデータ、異常時のデータに分け、正
常規範、異常規範を学習しておく。実際の溶接のモニタ
信号について、正常時、異常時のどちらの分布関数に含
まれるかによって、正常か異常かを判別する。異常であ
ればその種類を識別する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、例えばレーザによる円
周溶接のような溶接の状況を監視するための装置に関す
るものである。

【０００２】

【従来の技術】従来、例えば蒸気発生器の伝熱管の内周
面にスリーブを挿着して補修するような円周レーザ溶接
の状況を監視するには、溶接状況を６個のモニタ信号で
モニタし、各モニタ信号を別個に処理して表示し、これ
を操作員が監視して溶接の良否の判断を行っている。

【０００３】即ち、図１６は、上述した従来のものを機
能ブロック図のように図示したもので、溶接装置２００
は、例えば蒸気発生器の伝熱管のスリーブ補修を溶接に
より行うと共に、溶接対象であるレーザ溶接部１００の
監視を行い、モニタ信号入力手段３００の各チャネル
に、ＹＡＧ(イットリゥム・アルミニゥム・ガーネット)
レーザ発振器のレーザ出力信号、溶接部から発光される
０.８ μｍ波長の発光強度を表す緑レーザ信号、溶接部
から発光される０.９４ μｍ波長の発光強度を表す青レ
ーザ信号、ＹＡＧレーザの反射光の１.０６ μｍ波長の
強度を表す紫レーザ信号、溶接速度信号及びモータの負
荷比信号を入力する。モニタ信号入力手段３００が監視
すべきこれ等のモニタ信号をディジタル信号に変換して
モニタ信号処理手段４００に送ると、該モニタ信号処理
手段４００は、１回のレーザ溶接作業でサンプリングし
た全ての各モニタ信号を平均値５０としたときの偏差値
に変換する処理、即ち正規化処理を行って、モニタデー
タを得る。このモニタデータは表示手段５００に表示さ
れ、また、希望に応じて印刷手段６００により印字され
る。

【０００４】操作者は、陰極線管のような表示手段５０
０の画面を見て、或は印刷手段６００の出力テープを見
て、前述したレーザ出力等のモニタ信号の変化から溶接
部の正常／異常状態の監視、判断を行っている。

【０００５】

【発明が解決しようとする課題】溶接部の異常には、周
知のように、溶接工具を溶接部から発生するスパッタか
ら守るための遮断ガスを噴出するノズルにスパッタが付
着し、遮断ガスが乱れることによる異常（スパッタ付着
異常）や、レーザ出力が発振器或は光学系の途中で経路
が大きく減衰することにより生ずる異常（レーザ出力減
衰異常）や、溶接工具の軸が偏心回転して一様な溶接が
できなくなる異常（工具偏心異常）や、溶接工具の位置
検出器或はモータが故障して溶接速度にむらがでること
による異常（溶接速度変動異常）や、溶接工具の光学系
のレンズ、ミラー等が損傷してレーザ光が遮られること
による異常（光学系損傷異常）や、光学系のミラーずれ
による異常（ミラー異常）等がある。操作者は、これ等
の異常やその種類もしくは原因を適切に判断することを
要求されるが、判断には熟練を要するので、異常の識別
に長時間を要し、溶接作業効率が上がらないだけでな
く、熟練のために相当長い訓練時間を必要とし、改善が
望まれていた。

【０００６】特に、レーザ溶接は、レーザ光線の焦点位
置の調節により薄板構造物を溶接歪みのような変形を与
えることなく精度良く接合できるため、高精度の溶接に
適用されるが、その反面、溶接工具の癖を含む特性の差
が溶接の良否に影響を及ぼすので、レーザ溶接の場合、
人間による判断は更に難しいものとなっていた。

【０００７】従って、本発明の目的は、溶接部の異常判
断を非熟練者でも容易に行うことができる溶接状況監視
装置を提供することである。

【０００８】本発明の別の目的は、上述した溶接部の異
常判断に際して、正常溶接のモニタデータを得るための
溶接試行準備時間を比較的に短くすることができる溶接
状況監視装置を提供することである。

【０００９】

【課題を解決するための手段】上述した目的を達成する
ため、第１の発明によると、溶接状況監視装置は、監視
用モニタデータを記憶するモニタデータ記憶手段と、該
モニタデータ記憶手段に接続されそのモニタデータから
溶接状況の正常、異常を判別する正常／異常判別手段
と、該正常／異常判別手段に接続され、前記溶接状況が
異常の場合に異常の種類を識別する異常識別手段と、前
記モニタデータ記憶手段に接続され、予め試行された正
常溶接のモニタデータから正常規範データを学習する正
常規範学習手段と、前記モニタデータ記憶手段に接続さ
れ、予め試行された異常溶接のモニタデータから異常規
範データを学習する異常規範学習手段とを有することを
特徴としている。

【００１０】また、第２の発明による溶接状況監視装置
は、監視すべき現在の監視用モニタデータを採集するモ
ニタ信号処理手段と、該モニタ信号処理手段に接続さ
れ、溶接工具毎の過去の監視用モニタデータを記憶する
第１モニタデータ記憶手段と、該第１モニタデータ記憶
手段に接続され、前記監視すべき現在のモニタデータが
どの溶接工具の監視用モニタデータに近いかを判定する
ための工具特性規範を学習する工具特性規範学習手段
と、前記モニタ信号処理手段及び工具特性規範学習手段
に接続され、前記工具特性規範に基づいて、前記監視す
べき現在のモニタデータがどの溶接工具の監視用モニタ
データに近いかを判定する工具特性判定手段と、監視用
モニタデータを記憶する第２モニタデータ記憶手段と、
該第２モニタデータ記憶手段に接続されそのモニタデー
タから溶接状況の正常、異常を判別する正常／異常判別
手段と、該正常／異常判別手段に接続され、前記溶接状
況が異常の場合に異常の種類を識別する異常識別手段
と、前記第２モニタデータ記憶手段に接続され、予め試
行された正常溶接のモニタデータから正常規範データを
学習する正常規範学習手段と、前記第２モニタデータ記
憶手段に接続され、予め試行された異常溶接のモニタデ
ータから異常規範データを学習する異常規範学習手段と
を有することを特徴としている。

【００１１】更に、第３の発明は、溶接状況をモニタ信
号を用いて監視するものにおいて、１回の溶接作業から
複数回の溶接作業分の数の監視用モニタデータを採集す
るモニタ信号処理手段と、該モニタ信号処理手段に接続
され、前記監視用モニタデータを記憶するモニタデータ
記憶手段と、該モニタデータ記憶手段に接続されそのモ
ニタデータから溶接状況の正常、異常を判別する正常／
異常判別手段と、該正常／異常判別手段に接続され、前
記溶接状況が異常の場合に異常の種類を識別する異常識
別手段と、前記モニタデータ記憶手段に接続され、予め
試行された正常溶接のモニタデータから正常規範データ
を作成すると共に、前記正常／異常判別手段が正常溶接
と判別した場合に、該正常溶接のモニタデータを先に作
成されたモニタデータの１つと置換して再び正常規範デ
ータを学習する繰り返し正常規範学習手段と、前記モニ
タデータ記憶手段に接続され、予め試行された異常溶接
のモニタデータから異常規範データを学習する異常規範
学習手段とを有することを特徴とする溶接状況監視装置
を提供している。

【００１２】

【作用】第１の発明では、操作者は、モニタデータ記憶
手段に記憶された正常或は異常のモニタデータを用い
て、正常規範学習手段又は異常規範学習手段によって正
常規範或は異常規範を溶接状況監視装置に学習させる。
また、新たに判別すべきモニタ信号について正常／異常
判別手段によって正常か異常かを判別し、異常であれば
異常識別手段によって異常の種類を識別する。このよう
に、溶接状況監視装置に正常及び異常の学習機能とそれ
に基づく判別、識別機能とを持たせることによって、操
作者は、熟練を要することなく、しかも短時間に、異常
やその種類を適切に判断する。

【００１３】また、第２の発明では、溶接の正常／異常
監視において、予め、溶接工具毎の過去のモニタデータ
を工具特性データとして第１モニタデータ記憶手段に記
憶する。溶接状況監視装置は、この工具特性データを用
いて、工具特性規範学習手段で工具特性規範を学習す
る。そして、監視すべき溶接の正常／異常監視におい
て、工具特性判定手段によって監視すべき溶接の１回目
のモニタデータが過去のどのモニタデータに近いかを判
定し、最も近い溶接工具の正常規範を取り出し、以後の
正常／異常判別の規範として用いる。このように、溶接
状況監視装置に正常及び異常の学習機能とそれに基づく
判別、識別機能とを持たせるだけでなく、先ず過去の工
具の正常規範を用いて監視を開始する機能を持たせるこ
とにより、正常溶接のモニタデータを得るための溶接試
行準備時間が比較的に短くなり、溶接作業効率の向上に
なる。

【００１４】更に、第３の発明では、溶接工具による正
常なモニタ信号として、モニタ信号処理手段を利用し
て、始めに例えば１６サイクル分を採集し、この信号か
ら例えば８０サイクル分のモニタ信号を取り出し、モニ
タデータ記憶手段に記憶する。そして、繰り返し正常規
範学習手段によって８０サイクル分のモニタデータから
正常規範を作成する。こうした準備の後、監視すべき溶
接に対して、判別すべきモニタ信号の正常か異常かを判
別し、異常であれば異常識別手段によって異常の種類を
識別する。正常であれば、そのモニタデータを正常規範
の作成に用いた８０サイクル分の１つの１サイクル分の
データとして新たに置換し、再び繰り返し正常規範学習
手段によって新たに正常規範が作成される。こうして、
溶接状況監視装置に正常規範の繰り返し学習機能を付与
することにより、正常溶接のモニタデータを得るための
溶接試行準備時間が比較的に短くなると共に、溶接工具
毎のバラツキの影響が少なくなる。

【００１５】

【実施例】次に、本発明の好適な実施例について添付図
面を参照して詳細に説明するが、図中、同一符号は同一
又は対応部分を示すものとする。

【００１６】図１は、本発明による溶接状況監視装置の
第１実施例を示すもので、本発明によれば、図１６に示
した従来のもののモニタ信号処理手段４００及び表示手
段５００の間に、鎖線８００で囲んだ、モニタデータや
学習データを記憶するモニタデータ記憶手段８１０、判
定すべきデータと正常規範データとを比較して、正常か
異常かを判別する正常／異常判別手段８２０、該正常／
異常判別手段８２０により異常と判別された後、更に異
常の種類を識別する異常識別手段８３０、８０サイクル
（８０回のレーザ溶接作業）の記憶されたモニタデータ
から正常規範を学習する正常規範学習手段８４０、人為
的に或は記憶されたモニタデータから異常規範を学習す
る異常規範学習手段８５０、及び操作者が本発明による
溶接状況監視装置を用いる際のインターフェースとなる
操作手段８６０を更に含んでいる。

【００１７】１００、２００、３００、５００及び６０
０は、それぞれ、従来例と同様の溶接対象、溶接工具も
しくは装置、モニタ信号入力手段、表示手段及び印刷手
段である。従って、溶接装置２００は、例えば蒸気発生
器の伝熱管のスリーブ補修を溶接により行うと共に、溶
接対象であるレーザ溶接部１００の監視を行い、モニタ
信号入力手段３００の各チャネル(上から順にＮｏ.０、
Ｎｏ.１、Ｎｏ.３・・・・Ｎｏ.５チャネルと呼ぶ）
に、ＹＡＧ(イットリゥム・アルミニゥム・ガーネッ
ト）レーザ発振器のレーザ出力信号、溶接部から発光さ
れる０.８ μｍ波長の発光強度を表す緑レーザ信号、溶
接部から発光される０.９４ μｍ波長の発光強度を表す
青レーザ信号、ＹＡＧレーザの反射光の１.０６ μｍ波
長の強度を表す紫レーザ信号、溶接速度信号及びモータ
の負荷比信号を入力する。そして、モニタ信号入力手段
３００がこれ等のモニタ信号をディジタル信号に変換し
てモニタ信号処理手段４００に送る。

【００１８】４００は、モニタ信号の正規化に加えて、
平均値処理を行うモニタ信号処理手段であって、モニタ
信号入力手段３００からの溶接速度信号について説明す
ると、例えば０.５秒というようなオーダーのある時間
内にサンプリングした溶接速度信号の算術平均値を計算
する平均値処理を行うと共に、１回のレーザ溶接作業中
にサンプリングした全ての溶接速度のモニタ信号を平均
値を５０としたときの偏差値に変換する正規化処理とを
行う。具体的には、モニタ信号処理手段４００は、実施
例では、１サイクル（１回のレーザ溶接作業）分の２０
０サンプリング(１回のレーザ溶接作業中にデータを２
００回採取する)のデータを読み込み、２００点のデー
タを５〜６個毎に平均して１サイクル当たり３８サンプ
リングに平均値処理する。また、モニタ信号処理手段４
００は、処理後のデータと共に採取された年月日、時
刻、溶接工具名をモニタデータ記憶手段８１０に記憶さ
せるため入力する。

【００１９】次に、本発明による溶接状況監視装置を５
つのモード、即ち、ＡＭＯＤモード（正常／異常判別モード）ＢＭＯＤモード（異常識別モード）ＣＭＯＤモード（正常規範学習モード）ＤＭＯＤモード（異常規範学習モード）ＥＭＯＤモード（印刷モード）に分けて説明するが、その前に操作手段８６０及びモニ
タデータ記憶手段８１０について説明する。

【００２０】操作手段８６０の操作により、図示しない
ディスプレイを含む表示手段５００上に図２の画面が現
れる。この図から分かるように、操作手段８６０は、溶
接工具名の選択手段８２１、ＡＭＯＤモード選択手段８
２２、ＣＭＯＤモード選択手段８２３、ＤＭＯＤモード
選択手段８２４及びＥＭＯＤモード選択手段８２５を有
し、また、表示手段の画面には、「工具名を選択して下
さい。」、「モードを選択して下さい。」というメッセ
ージが表示される。図中のＡＭＯＤモード選択手段８２
２のブロックのように、ブロック内が複数の「・」で埋
められているのは、ＡＭＯＤモードが選択されたことを
示している。

【００２１】また、図３及び図４は、モニタ信号処理手
段４００からのモニタデータや正常規範学習手段８４０
からの学習用データを記憶するモニタデータ記憶手段８
１０の説明図で、このモニタデータ記憶手段８１０は、
新たに判別すべき被判別データ８３１と、正常規範を作
るための８０サイクル分の学習用データ８３２と、正常
／異常判別に用いる正常規範データ８３３とを有してい
る。正常規範を作るために、溶接を試行して観測値もし
くは測定値を得ると共に操作者が試行溶接の結果を見て
正常と判断したときの観測値を学習用データとし、その
データによって正常規範が作成される。図４において、
８４１は異常Ａの規範データ、即ち２６個の要素もしく
は識別セクションからなる異常パターン、８４２〜８４
６は、それぞれ異常Ｂ〜Ｆのパターンを表している。複
数の「・」で埋められている識別セクションは異常と判
別されたセクションを表している。異常規範は、過去の
異常時のモニタデータから得られる処理結果に基づいて
操作者が作り、機械に学習させることにより作成され
る。実施例では、異常規範データは異常規範学習手段８
５０からモニタデータ記憶手段８１０に入力される。
尚、異常Ａ〜Ｆとは、前述したスパッタ付着異常、レー
ザ出力減衰異常、工具偏心異常、溶接速度変動異常、光
学系損傷異常、ミラー異常等をそれぞれ指している。

【００２２】先ず、ＡＭＯＤモード、即ち終了したばか
りの溶接の正常／異常判別モードについて説明する。操
作手段８６０のＡＭＯＤモード選択手段８２２で正常／
異常判別モードが選択されると（図２）、モニタ信号入
力手段３００は例えば約１８秒の１回のレーザ溶接作業
中にモニタ信号を２００回サンプリングして、そのチャ
ネルＮｏ.１〜Ｎｏ.５のモニタ信号を各２００サンプリ
ング分読み込む。これ等のモニタ信号は、モニタ信号処
理手段４００により正規化及び平均化処理され、モニタ
データとしてモニタデータ記憶手段８１０に記憶され
る。一方、正常／異常判別手段８２０（図１）は、モニ
タデータ記憶手段８１０から正常／異常の判別をしたい
溶接の観測値即ち被判別データのサンプルを一つづつ取
り込む。

【００２３】ここで、被判別データをＹ^j ₁,_iと表す。た
だし、ｊは１サイクル当たりのサンプリング数でｊ＝１
〜３８の整数（時間順）、ｉはチャネル番号でｉ＝０〜
５（セクションｓ＝１〜６）である。また、セクション
とは３８×６個のデータ区分を意味しており、セクショ
ン毎に正常／異常を判別する。即ち、それぞれのセクシ
ョンにおいて、データのバラツキの類似度を比較するマ
ハラノビスの汎距離による判別、或はデータの絶対値の
大きさを比較する基準値比較判別で、正常か異常かを判
別する。正常規範の分布が正規分布している場合には前
者の判別法を用い、正規分布していない場合には後者の
判別法を用いる。

【００２４】マハラノビスの汎距離(Maharanobis's gen
eralized distance)による判別とは、あるセクションに
おいて、「if Ｄ² _j，_s＞31.４，then そのセクションは
異常，else そのセクションは正常。」とするものであ
る。ここで、マハラノビスの汎距離Ｄ² _j,_sは、Ｙ^j ₁,_iを
サンプル(Ｙ₁,₁・・Ｙ₁,_p）^Tｐ＝ｉとすると、次式で表
される。

【００２５】

【数１】Ｄ² _j,_s＝（Ｙ^j ₁,_i−μ^j _i）^TΣ^-1（Ｙ^j ₁,_i−μ^j _i）

【００２６】基準値比較判別とは、あるセクションにお
いて、「if 全ての（ｓＬ−α）＜Ｙ_p＜（ｓＬ＋α)，
then そのセクションは正常、else そのセクションは異
常」とするものである。

【００２７】そして、１つのセクションでも異常と判定
されたならば、その溶接は異常と判別し、全てのセクシ
ョンで正常と判定されたならば、その溶接は正常と判別
する。

【００２８】上述した正常／異常の判別を行うように操
作手段８６０を操作すると、表示手段には図５に示す諸
表示が現れる。図５において、８５１は判別すべきデー
タ又は判別結果を表示するデータ・結果表示であり、８
５２は判別処理中であることを示す判別表示であり、８
５３は判別の結果が正常であることを示す正常表示であ
り、８５４は判別の結果が異常であることを示す異常表
示であり、８５５は判別結果を確認し、異常の種類を識
別する際に用いる確認ボタンであり、８５６は識別を実
行する際に用いる識別ボタンであり、８５７は８５１が
表示しているデータが判別すべきデータであることを示
す生データ表示であり、８５８は８５１に表示されてい
るデータが判別の結果であることを示す判別パターン表
示である。また、表示手段には、「判別の結果は異常で
す。」、「判別の結果を表示しています。」というメッ
セージが表示される。

【００２９】操作手段８６０は、ＡＭＯＤモードで異常
と判別されたとき、ＢＭＯＤモード（異常識別モード）
を自動的に選択するようになっており、表示手段には図
６に示す画面が表示される。図１の異常識別手段８３０
は、異常と判別されたデータの６×３８個のセクション
を縦３個×横４個からなるセクション群を新しいセクシ
ョンと見なして２６個のセクションに変換する。このパ
ターンと前述した異常Ａ〜Ｆの規範パターンとを識別す
る。

【００３０】図６は、異常規範データを学習する際に用
いる操作を表示するもので、８６１は異常規範と識別す
べきパターンとを示す異常規範データ表示であり、８６
２は識別結果を示す異常識別表示であり、８６３は識別
不可能であることを示す識別不可表示であり、８６４は
異常識別結果を確認する確認ボタンであり、８６５は識
別が実行中であることを示す識別中表示であり、８６６
は表示したい先頭の異常規範の種類を選択する際に用い
るNEXTボタンであり、８６８は８６１に表示されている
データが判別に使用されたパターンであることを示す判
別パターン表示である

【００３１】異常識別方法としては、人為的に或は記憶
されたデータから作成した規範異常パターンと被判別デ
ータの異常パターンとの比較を図７に示したニューラル
ネットワークモデルを用いて識別する方法を使用するこ
とが好ましい。図７において、８７１は２６個のセクシ
ョンに対応した入力層、８７２は中間層、８７３は異常
の種類の数（６）と正常のそれとを合わせて７つに対応
した出力層である。

【００３２】次に、図２において、正常規範学習モード
選択手段８２３が選ばれると、異常時のデータは正常時
のデータ群と比較してデータのバラツキ方の類似度が小
さいか、或は数値の大きさが離れるから、正常規範学習
手段８４０は、先ず、データのバラツキの類似度で比較
するか（マハラノビスの汎距離）、データの絶対値の大
きさで比較するか（基準値比較）、判別のための方法を
選択するため、モニタデータ記憶手段８１０に記憶され
た８０サイクル分のデータのサイクル同期性を確認す
る。即ち、Ｘ^j _a,_i（ｊ＝１〜３８，ｉ＝０〜５）が異な
るサイクルａ（ａ＝１〜８０）でも大きく変わらないこ
とを確認するため、Ｘ^j _a,_iを取り出し、母集団の正規分
布性（再現性）を調べる。具体的には、あるｊ、あるｉ
のＸ^j _a,_iが、サイクルａによる分布が正規分布であるか
否か調べるため、ｘ２乗検定（カイ２乗検定）を行う。
あるセクション（ｓ，ｊ）において、そのセクションの
チャネルｉについて正規分布であれば、そのセクション
の判定法を「マハラノビスの汎距離による判別」を行う
Ｍセクションとし、正規分布でなければ、そのセクショ
ンの判定法を「基準値比較判別」を行うＫセクションと
する。

【００３３】また、溶接後の判別処理を高速化するた
め、マハラノビスの汎距離の事前計算を行う。即ち、μ
^j _iをＸ^j _a,_iの平均＝（μ₁・・μ_p）^Tｐ＝ｉ、Σ
^-1Ｘ^j _a，_iの分散・共分散行列とすると、Σは下記の行
列式（２）で表される。

【００３４】

【数２】ただし、σ_uvは次式（３）の通りであり、

【数３】例えば、σ₁₁は、数式（４）で表される。

【数４】

【００３５】また、基準値比較判別に用いる基準値を計
算するために、各セクションにおいて、チェビシェフの
不等式を用い、正常既知データＸ^j _a,_iの一つでもその基
準値（ｓＬ±α）を越える確率が５％となる値を基準値
とする。

【００３６】図８は、上述した正常規範データを学習す
る際に用いる操作と表示手段を示しており、８８１は、
正常規範として呼び出しているデータの番号とその内容
を示す正常規範データ表示、８８２は現在までに選ばれ
ている正常規範のデータ数を示す正常規範データ数表
示、８８３は更に正常規範データとして選択可能である
ことを示している選択可能表示、８８４は別の正常規範
データを選択する際に用いるNEXTボタン、８８５は８８
１で表示されているデータを正常規範データとして登録
が可能であることを示している登録可能表示、８８６は
登録の実行の際に用いる登録ボタン、８８７は選択すべ
きデータが終了したか或は登録すべきデータが終了した
かを示す終了表示、８８８は登録や選択の終了を各課人
し学習に入るときに使用する終了ボタン、８８９は学習
中であることを示す学習ランプである。

【００３７】図２において、異常規範学習モードが選ば
れると、異常規範学習手段８５０は先ず、過去の異常の
データや経験、知見より、異常状態Ａ〜Ｆの各パターン
を作って、異常規範パターンを登録する。学習により、
ニューラルネットワークの中に適確な異常パターンを作
る。学習とは、操作者が溶接状況監視装置に学習用デー
タと教師データを入力すると、そのデータ間の関係を溶
接状況監視装置が自ら学習し、その後、操作者が、学習
用データや未学習データを入力したとき、教師データに
相当するデータを出力することである。例えば、学習用
データとして、「白黒黒白白黒・・」のパターンを、教
師データとして「異常Ａ」のデータを与え、このような
セットを数多くペアで与える。そして、学習後「白黒黒
白白黒・・」のパターンが与えられると、それに対して
「異常Ａ」と答える。

【００３８】図９は、異常Ａ３のパターンを登録し、学
習する際の操作手段及び表示手段を示している。図９に
おいて、８９１は登録済みの異常Ａ１、Ａ２、Ｂ１、Ｂ
２、Ｂ３及びこれから登録する異常Ａ３のパターンを示
す異常規範パターン表示、８９２はどの異常が登録済み
であるかを示す登録済み表示、８９３は既に登録した異
常のパターンの数を示す異常規範登録数表示、８９４は
これから登録する異常の規範パターンとしてＡ３が選択
されていることを示す登録状況表示、８９５は別の異常
パターンの選択のために用いられるNEXTボタン、８９６
は登録を実施するときに用いる登録ボタン、８９７は学
習が実行されていることを示す学習ランプ、８９８は学
習を実行するときに用いる実行ボタン、８９９は異常規
範の学習が終了したことを示す終了ランプである。

【００３９】最後に、図２において印刷モードが選ばれ
ると、印刷手段８２５は、操作者の要求によりモニタデ
ータ記憶手段８１０に格納されているデータのリストや
表示画面の内容を印刷する。図１０は、印刷手段８２５
の出力の一例を示しており、例えば、サイクルデータ番
号１２３−２３４−３４５ＬＫＺＤは、異常と判別さ
れ、異常Ａ１と識別されたデータが異常規範データとし
て使用中であることを示している。

【００４０】図１１〜１３には、本発明による溶接状況
監視装置の第２実施例が示されている。

【００４１】溶接工具は、一般的に、同溶接工具を構成
している種々の部品の寸法公差もしくは製造上の寸法精
度のため、溶接工具毎に光学系における機械的特性が異
なったり、また、ＹＡＧレーザの出力や、モータ電圧
や、エンコーダ出力等の電気的特性も異なる。例えば、
ＹＡＧレーザを使用した溶接工具では、図示しないが、
ＹＡＧレーザを導く光ファイバや、ＹＡＧレーザを絞っ
たり焦点合わせする光学レンズや、ＹＡＧレンズを導波
管の軸方向から半径方向に偏光させるミラーや、ＹＡＧ
レーザの照射位置を周方向に回転させるモータや、方向
を変えるときの位置と速度を検出するエンコーダや、溶
接工具本体を導波管内に同軸状に位置決めする調心機構
や、溶接工具をスパッタから守るための遮断ガスを噴出
するノズルや、溶接部を監視するための光ファイバ等の
諸部品を有するが、これ等にはその特性に差がある。

【００４２】従って、特にレーザ溶接の場合、精度良く
溶接が行えるという特性があるため、この特性を生かす
には、溶接工具の特性のバラツキに対処すべく、正常溶
接のモニタデータを数多く採集する必要があり、これ
は、比較的長い溶接試行準備時間を必要することを意味
している。そこで、長い溶接試行準備時間の必要性を無
くすために、後述するように、本発明の第２実施例の溶
接状況監視装置は、工具毎モニタデータ記憶手段と、工
具特性判定手段と、工具特性規範学習手段とを更に備
え、また、本発明の第３実施例の溶接状況監視装置は、
複数回の溶接作業分の数の監視用モニタデータを採集す
るモニタ信号処理手段と、繰り返し正常規範学習手段と
を備えている。

【００４３】即ち、図１１に示すように、第２実施例
は、過去の溶接で用いた溶接工具のモニタデータの平均
値を記憶する工具毎モニタデータ記憶手段（第１モニタ
データ記憶手段）８７０と、監視すべき現在のモニタデ
ータがどの溶接工具の監視用モニタデータに近いかを判
定するための工具特性規範を作成する工具特性規範学習
手段８９０と、工具特性規範に基づいて、監視すべき現
在のモニタデータがどの溶接工具の監視用モニタデータ
に近いかを判定する工具特性判定手段８８０とを有す
る。

【００４４】次に、図１２を参照して工具毎モニタデー
タ記憶手段８７０について説明すると、符号４２１〜４
２６は、それぞれ工具番号１〜６の溶接工具について、
正常時のモニタデータのうち１回目のレーザ溶接作業に
おける各チャネルの２００サンプリングを平均した値を
記憶した工具特性記憶手段である。

【００４５】図１３は、工具特性判定手段８８０及び工
具特性規範学習手段８９０の説明図で、階層型ニューラ
ルネットワークの入力層４３１は、工具特性規範学習手
段８９０として用いることができ、その場合、学習デー
タとして用いる工具毎モニタデータのチャネルＮo.０〜
Ｎo.５までの平均値を入力する。また、入力層４３１
は、工具特性判定手段８８０としても用いられ、その場
合、監視すべき溶接の溶接工具のモニタデータのチャネ
ルＮｏ.０〜Ｎｏ.５までの平均値を入力する。

【００４６】４３２は、階層型ニューラルネットワーク
の中間層で、判定すべき溶接工具の種類に１つ足りない
数、即ち５個のニューロンを示している。４３３は、階
層型ニューラルネットワークの出力層で、工具特性規範
学習手段として用いるときは、ある工具番号の学習デー
タを入力層に入力する場合は、その工具番号に対応した
教師データとして工具番号に対応したニューロンだけが
１の値で他のニューロンは全て０の値を設定する。ま
た、工具特性判定手段として用いるときは、入力層に監
視すべき溶接の溶接工具のモニタデータのチャネルＮ
ｏ.０からＮｏ.５までの平均値を入力された結果、最も
１の値に近い値を出力する出力層のニューロンに対応し
た工具番号を判定結果として用いる。

【００４７】上述した４３１、４３２、４３３を構成す
る一つ一つのニューロンモデルは多入力一出力の非線形
閾関数であり、多入力の値にそれぞれの重みを掛けて合
計した値がある閾値を超えたときは１を出力し、そうで
ないときは０を出力する。また、ニューロンモデルは、
合計した値からアナログ値を出力するように傾きが単調
増加するシグモイド関数を用いてもよい。上述のような
ニューロンモデルをネットワークに構成して、パターン
の学習と識別に利用している。

【００４８】図１４に示した本発明の第３実施例では、
モニタ信号処理手段４５０で初めに１６サイクル分を採
集し、この信号から８０サイクル分のモニタ信号を取り
出し、モニタデータ記憶手段８１０に記憶する。第１、
第２実施例では、例えば溶接速度信号の１サイクル分の
データは２００回のサンプリングで２００点あり、これ
等のデータは、５〜６個毎に平均値をとって３８点のデ
ータとなっている。第３実施例では、例えば５〜６個毎
に平均値をとるとき、２００点のデータを１つ、２つ、
３つ、４つ或は５つずらして平均をとることによって、
１サイクル分のデータから５サイクル分のデータを得て
いる。従って、１６サイクル分のモニタ信号を採集すれ
ば、この信号から８０サイクル分のモニタ信号を取り出
すことができる。

【００４９】また、第１、第２実施例の正常規範学習手
段は８０サイクル分のデータを用いて、唯１回規範を作
成するのに対して、第３実施例の繰り返し正常規範学習
手段８４５は、初めにモニタ信号処理手段４５０が８０
サイクル分のモニタ信号を取り出したときに正常学習規
範を作成し、正常／異常判別手段８２０で正常と判別さ
れたとき、再び正常学習規範を作成し、このようにして
繰り返し正常規範学習手段８４５は、１６サイクル分、
１７サイクル分・・・８０サイクル分のデータから、正
常な溶接の回数を重ねる毎に繰り返し正常規範を作成す
る。

【００５０】このように、第３実施例では、１６サイク
ル分のデータから８０サイクル分のデータを得て、一度
は正常規範を作るが、溶接工具によっては、やはり８０
サイクル分のデータから８０サイクル分のデータを得て
正常規範を作る方が、データの分布がより正規分布に近
くなり、正常／異常の判別精度が良くなるので、繰り返
し正常規範学習手段により、正常と判定されたデータを
８０サイクル分のデータの一つと置換してから再び正常
規範を作っている。

【００５１】上述したモニタ信号処理手段４５０を説明
する図１５において、４４１は１回のレーザ溶接作業で
得られる１つのチャネルのモニタ信号の２００サンプリ
ングのデータを示している。モニタ信号処理手段４５０
は、データ４４１から上述したように５サンプリング置
きにモニタ信号を取り出すなどして、参照符号４４２〜
４４６で示す３８サンプリングのデータを作成してい
る。

【００５２】

【発明の効果】第１実施例として説明した第１の発明に
よれば、操作者は、試行溶接によりモニタデータ記憶手
段に記憶された正常或は異常のモニタデータを用いて、
正常規範学習手段或は異常規範学習手段によって正常規
範或は異常規範を装置に学習させ、新たな判別すべきモ
ニタ信号を正常／異常判別手段によって正常か異常か判
別し、異常であれば更に異常識別手段により異常の種類
を識別するように構成されているので、溶接状況監視装
置が正常及び異常の学習機能とそれに基づく判別、識別
機能とを持つことになり、熟練者でなくても溶接工具の
特性のバラツキに対処することができるので、熟練のた
めに比較的長い訓練時間を必要とすることがない。ま
た、溶接作業中に監視に時間を多くあてる必要がないた
め、溶接作業全体の効率を改善することができる。

【００５３】また、第２実施例として説明した第２の発
明によれば、操作者は、予め、工具毎モニタデータ記憶
手段に記憶された溶接工具の工具特性データを用いて、
工具特性規範学習手段で工具特性判定規範を学習してお
く。そして、これから監視すべき溶接に使用する溶接工
具で試行溶接を行い、その中で正常に溶接できたものに
ついて、モニタ信号処理手段を介して得た工具特性デー
タと工具特性規範データを工具特性判定手段によって比
較判定し、監視すべき溶接に使用する溶接工具が過去の
どの溶接工具に近いかを判定して最も近い溶接工具の正
常規範を取り出し、以後、例えば８０回分の正常な溶接
のモニタデータが揃うまで正常／異常判別の規範として
用いる。溶接工具毎の工具特性データの収集は、溶接の
施工現場で行う必要がなく、溶接工具を製作した際のテ
スト段階で溶接工具毎のデータの収集を行うことができ
るので、短い時間で、これから監視すべき溶接におい
て、溶接工具の特性に最も近い溶接工具の正常規範を設
定し、その溶接工具による正常なモニタデータが十分に
採集することができるまで、監視を実行可能であり、比
較的長い溶接試行準備時間を必要とせず、溶接作業全体
の効率を改善することができる。

【００５４】更に、第３実施例として説明した第３の発
明によれば、操作者は、先ず例えば１６回の正常な溶接
を実施し、そのときのモニタ信号からモニタ信号処理手
段によって８０回分のモニタデータを作り、モニタデー
タ記憶手段に記憶する。ここで正常な溶接のモニタデー
タを用いて、繰り返し正常規範学習手段によって正常規
範を装置に学習させ、新たな判別すべきモニタ信号を正
常／異常判別手段によって正常か異常かを判別し、異常
であれば更に異常識別手段によって異常の種類を識別す
る。そして、正常と判別されたモニタデータは、モニタ
信号処理手段によって先に作られた例えば８０回分のモ
ニタデータの一つと置換され、再び繰り返し正常規範学
習手段により正常規範が学習される。そのため、溶接工
具の特性に対処するために、比較的に短い時間で溶接工
具による正常な溶接のモニタデータを採集することがで
きるので、長い溶接試行準備時間を必要とせず、溶接作
業全体の効率を改善することができる。

【図面の簡単な説明】

【図１】本発明の第１実施例に係る溶接状況監視装置の
ブロック図。

【図２】図１の溶接状況監視装置で使用されている操作
手段の説明図。

【図３】図１の溶接状況監視装置で使用されているモニ
タ信号記憶手段の説明図。

【図４】図３のモニタ信号記憶手段に記憶された異常パ
ターンの一例を示す説明図。

【図５】図１の溶接状況監視装置の操作手段により正常
／異常判別モードを選択したときに表示手段に表れる画
面を示す説明図。

【図６】図１の溶接状況監視装置の操作手段により異常
識別モードを選択したときに表示手段に表れる画面を示
す説明図。

【図７】異常識別モードを選択したときに、異常識別手
段が異常識別のために用いるニューラルネットワークモ
デルの説明図。

【図８】図１の溶接状況監視装置の操作手段により正常
規範学習モードを選択したときに表示手段に表れる画面
を示す説明図。

【図９】図１の溶接状況監視装置の操作手段により異常
規範学習モードを選択したときに表示手段に表れる画面
を示す説明図。

【図１０】図１の溶接状況監視装置の操作手段により印
刷モードを選択したときに表示手段に表れる画面を示す
説明図。

【図１１】本発明の第２実施例に係る溶接状況監視装置
のブロック図。

【図１２】図１１の溶接状況監視装置で使用されている
工具毎モニタデータ記憶手段の説明図。

【図１３】図１１の溶接状況監視装置で使用されている
工具特性規範学習手段及び工具特性判定手段のニューラ
ルネットワークモデルの説明図。

【図１４】本発明の第３実施例に係る溶接状況監視装置
のブロック図。

【図１５】図１４の溶接状況監視装置で使用されている
モニタ信号処理手段の説明図。

【図１６】従来の溶接状況監視装置を示すブロック図。

【符号の説明】

２００溶接工具もしくは装置３００モニタ信号入力手段４００モニタ信号処理手段４５０モニタ信号処理手段８１０モニタデータ記憶手段（第２モニタデータ記
憶手段）８２０正常／異常判別手段８３０異常識別手段８４０正常規範学習手段８４５繰り返し正常規範学習手段８５０異常規範学習手段８６０操作手段８７０工具毎モニタデータ記憶手段（第２モニタデ
ータ記憶手段）８８０工具特性判定手段８９０工具特性規範学習手段

フロントページの続き (72)発明者長島是神戸市兵庫区和田崎町一丁目１番１号三菱重工業株式会社神戸造船所内 (72)発明者石出孝兵庫県高砂市荒井町新浜二丁目１番１号三菱重工業株式会社高砂研究所内

Claims

【特許請求の範囲】

【請求項１】溶接状況をモニタ信号を用いて監視する
ものにおいて、監視用モニタデータを記憶するモニタデ
ータ記憶手段と、該モニタデータ記憶手段に接続されそ
のモニタデータから溶接状況の正常、異常を判別する正
常／異常判別手段と、該正常／異常判別手段に接続さ
れ、前記溶接状況が異常の場合に異常の種類を識別する
異常識別手段と、前記モニタデータ記憶手段に接続さ
れ、予め試行された正常溶接のモニタデータから正常規
範データを学習する正常規範学習手段と、前記モニタデ
ータ記憶手段に接続され、予め試行された異常溶接のモ
ニタデータから異常規範データを学習する異常規範学習
手段とを有することを特徴とする溶接状況監視装置。
【請求項２】溶接状況をモニタ信号を用いて監視する
ものにおいて、監視すべき現在の監視用モニタデータを
採集するモニタ信号処理手段と、該モニタ信号処理手段
に接続され、溶接工具毎の過去の監視用モニタデータを
記憶する第１モニタデータ記憶手段と、該第１モニタデ
ータ記憶手段に接続され、前記監視すべき現在のモニタ
データがどの溶接工具の監視用モニタデータに近いかを
判定するための工具特性規範を学習する工具特性規範学
習手段と、前記モニタ信号処理手段及び工具特性規範学
習手段に接続され、前記工具特性規範に基づいて、前記
監視すべき現在のモニタデータがどの溶接工具の監視用
モニタデータに近いかを判定する工具特性判定手段と、
監視用モニタデータを記憶する第２モニタデータ記憶手
段と、該第２モニタデータ記憶手段に接続されそのモニ
タデータから溶接状況の正常、異常を判別する正常／異
常判別手段と、該正常／異常判別手段に接続され、前記
溶接状況が異常の場合に異常の種類を識別する異常識別
手段と、前記第２モニタデータ記憶手段に接続され、予
め試行された正常溶接のモニタデータから正常規範デー
タを学習する正常規範学習手段と、前記第２モニタデー
タ記憶手段に接続され、予め試行された異常溶接のモニ
タデータから異常規範データを学習する異常規範学習手
段とを有することを特徴とする溶接状況監視装置。
【請求項３】溶接状況をモニタ信号を用いて監視する
ものにおいて、１回の溶接作業から複数回の溶接作業分
の数の監視用モニタデータを採集するモニタ信号処理手
段と、該モニタ信号処理手段に接続され、前記監視用モ
ニタデータを記憶するモニタデータ記憶手段と、該モニ
タデータ記憶手段に接続されそのモニタデータから溶接
状況の正常、異常を判別する正常／異常判別手段と、該
正常／異常判別手段に接続され、前記溶接状況が異常の
場合に異常の種類を識別する異常識別手段と、前記モニ
タデータ記憶手段に接続され、予め試行された正常溶接
のモニタデータから正常規範データを作成すると共に、
前記正常／異常判別手段が正常溶接と判別した場合に、
該正常溶接のモニタデータを先に作成されたモニタデー
タの１つと置換して再び正常規範データを作成する繰り
返し正常規範学習手段と、前記モニタデータ記憶手段に
接続され、予め試行された異常溶接のモニタデータから
異常規範データを学習する異常規範学習手段とを有する
ことを特徴とする溶接状況監視装置。