WO2022014240A1 - 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
WO2022014240A1
WO2022014240A1 PCT/JP2021/022941 JP2021022941W WO2022014240A1 WO 2022014240 A1 WO2022014240 A1 WO 2022014240A1 JP 2021022941 W JP2021022941 W JP 2021022941W WO 2022014240 A1 WO2022014240 A1 WO 2022014240A1
Authority
WO
WIPO (PCT)
Prior art keywords
shape data
difference
welding
data
welding conditions
Prior art date
Application number
PCT/JP2021/022941
Other languages
English (en)
French (fr)
Inventor
碩 黄
Original Assignee
株式会社神戸製鋼所
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 株式会社神戸製鋼所 filed Critical 株式会社神戸製鋼所
Priority to EP21842190.7A priority Critical patent/EP4166265A4/en
Priority to US18/005,574 priority patent/US20230273605A1/en
Priority to CN202180046941.7A priority patent/CN115867407A/zh
Publication of WO2022014240A1 publication Critical patent/WO2022014240A1/ja

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

Definitions

  • the present invention relates to a machine learning device, a laminated modeling system, a machine learning method of welding conditions, a method of adjusting welding conditions, and a program. More specifically, the present invention relates to a technique for adjusting welding conditions when forming a laminated model by laminating weld beads.
  • a laminated model is formed by laminating weld beads.
  • it is necessary to control it in consideration of various welding conditions in order to improve the molding accuracy. Since many combinations of such welding conditions occur, extraction of appropriate welding conditions is extremely complicated and complicated when manually performed.
  • Patent Document 1 discloses a learning device for automatically determining the optimum welding conditions in a welding device without the instruction of a skilled worker.
  • the information used for learning the appearance of the bead, the height and width of the bead, the amount of penetration, and the like are shown.
  • a machine learning device that performs machine learning of welding conditions when forming a laminated model by welding a filler metal and laminating weld beads. Learning to generate a trained model in which the input data is the difference between the two shape data of the weld bead or the two shape data, and the difference between the welding conditions corresponding to the difference between the two shape data is the output data.
  • a machine learning device characterized by having a learning processing means for performing processing.
  • a laminated modeling system that forms a laminated model by welding a filler metal and laminating weld beads.
  • Derivation means for deriving the difference between the condition and the welding condition corresponding to the second shape data and A laminated modeling system characterized by having an adjusting means for adjusting welding conditions determined by the determining means by using the difference derived by the deriving means.
  • It is a machine learning method of welding conditions when forming a laminated model by welding a filler metal and laminating weld beads. Learning to generate a trained model in which the input data is the difference between the two shape data of the weld bead or the two shape data, and the difference between the welding conditions corresponding to the difference between the two shape data is the output data.
  • a machine learning method characterized by having a learning processing step for performing processing.
  • It is a method of adjusting welding conditions in a laminated modeling system in which a laminated model is formed by welding a filler metal and laminating weld beads.
  • Welding corresponding to the first shape data by inputting the difference between the first shape data and the second shape data or the first shape data and the second shape data into the trained model.
  • a method for adjusting welding conditions which comprises an adjustment step for adjusting the welding conditions determined in the determination step using the difference derived in the derivation step.
  • the present invention has the following configuration. (5) On the computer Learning that the input data is the difference between the two shape data of the weld bead or the two shape data when modeling the laminated model, and the difference between the welding conditions corresponding to the difference between the two shape data is the output data.
  • a program for executing a training process that performs a training process to generate a completed model.
  • Welding corresponding to the first shape data by inputting the difference between the first shape data and the second shape data or the first shape data and the second shape data into the trained model.
  • the schematic block diagram which shows the structural example of the laminated modeling system which concerns on one Embodiment of this invention.
  • the flowchart of the modeling process which concerns on 1st Embodiment of this invention.
  • FIG. 1 is a schematic configuration diagram of a laminated modeling system to which the present invention can be applied.
  • the laminated modeling system 1 includes a laminated modeling device 100 and an information processing device 200 that collectively controls the laminated modeling device 100.
  • the laminated modeling apparatus 100 includes a welding robot 104, a filler material supply unit 105 that supplies a filler metal (welding wire) M to the torch 102, a robot controller 106 that controls the welding robot 104, and a power supply 107. ..
  • the welding robot 104 is an articulated robot, and the filler metal M is supported by the torch 102 provided on the tip shaft so that it can be continuously supplied.
  • the torch 102 holds the filler metal M in a state of protruding from the tip.
  • the position and posture of the torch 102 can be arbitrarily set three-dimensionally within the range of the degree of freedom of the robot arm constituting the welding robot 104.
  • the torch 102 has a shield nozzle (not shown), and shield gas is supplied from the shield nozzle.
  • the shield gas blocks the atmosphere, prevents oxidation and nitriding of the molten metal during welding, and suppresses welding defects.
  • the arc welding method used in this embodiment may be either a consumable electrode type such as shielded metal arc welding or carbon dioxide arc welding, or a non-consumable electrode type such as TIG welding or plasma arc welding. It is appropriately selected according to W.
  • a shape sensor 101 that can move following the movement of the torch 102 is provided in the vicinity of the torch 102.
  • the shape sensor 101 detects the shape of the laminated model W formed on the base 103.
  • the shape sensor 101 can detect the height, position, width, and the like of the weld bead 108 (simply also referred to as “bead”) constituting the laminated model W.
  • the information detected by the shape sensor 101 is transmitted to the information processing apparatus 200.
  • the configuration of the shape sensor 101 is not particularly limited, and may be a configuration for detecting the shape by contact (contact type sensor) or a configuration for detecting the shape by a laser or the like (non-contact type sensor). ) May be.
  • the means for deriving the shape of the formed bead is not limited to the shape sensor 101 installed in the vicinity of the torch 102.
  • the configuration may be such that the shape of the formed bead is indirectly derived.
  • a profile of the welding current and the feeding speed of the filler metal M and a DB (database) showing the tendency of the height of the bead are defined in advance, and formed based on the welding conditions at the time of modeling. It may be configured to derive the height of the bead.
  • the arc welding method when the arc welding method is a consumable electrode type, a contact tip is arranged inside the shield nozzle, and the filler metal M to which the melting current is supplied is held by the contact tip.
  • the torch 102 generates an arc from the tip of the filler M in a shield gas atmosphere while holding the filler M.
  • the filler material M is fed from the filler material supply unit 105 to the torch 102 by a feeding mechanism (not shown) attached to a robot arm or the like. Then, when the filler M, which is continuously fed, is melted and solidified while moving the torch 102, a linear weld bead 108, which is a melt-solidified body of the filler M, is formed on the base 103. By laminating the weld beads 108, the laminated model W is modeled.
  • the heat source for melting the filler metal M is not limited to the above-mentioned arc.
  • a heat source by another method such as a heating method using both an arc and a laser, a heating method using plasma, and a heating method using an electron beam or a laser may be adopted.
  • the heating amount can be controlled more finely, the state of the weld bead 108 can be maintained more appropriately, and the quality of the laminated model W can be further improved.
  • the robot controller 106 drives the welding robot 104 by a predetermined drive program based on the instruction from the information processing apparatus 200, and forms the laminated model W on the base 103. That is, the welding robot 104 moves the torch 102 while melting the filler metal M with an arc according to a command from the robot controller 106.
  • the power supply 107 is a welding power supply that supplies power required for welding to the robot controller 106.
  • the power supply 107 can operate in a plurality of control modes, and can switch the power (current, voltage, etc.) when supplying power to the robot controller 106 according to the control mode.
  • the filler material supply unit 105 controls the supply and feed rate of the filler material M to the torch 102 of the welding robot 104 based on the instruction from the information processing apparatus 200.
  • the information processing device 200 may be, for example, an information processing device such as a PC (Personal Computer). Each function shown in FIG. 1 may be realized by the control unit (not shown) reading and executing the program of the function according to the present embodiment stored in the storage unit (not shown).
  • the storage unit may include a RAM (Random Access Memory) which is a volatile storage area, a ROM (Read Only Memory) or an HDD (Hard Disk Drive) which is a non-volatile storage area.
  • a CPU Central Processing Unit
  • GPU Graphics Processing Unit
  • GPGPU General-Purpose computing on Graphics Processing Units
  • the information processing device 200 includes a modeling control unit 201, a power supply control unit 202, a feed control unit 203, a DB management unit 204, a shape data acquisition unit 205, a learning data management unit 206, a learning processing unit 207, and a welding condition derivation unit. It is configured to include 208.
  • the modeling control unit 201 generates a control signal for the robot controller 106 at the time of modeling based on the design data (for example, CAD / CAM data) of the laminated model W to be modeled.
  • the control signal here includes the movement locus of the torch 102 by the welding robot 104, the welding conditions at the time of forming the welding bead 108, the feeding speed of the filler metal M by the filler metal supply unit 105, and the like.
  • the movement locus of the torch 102 is not limited to the locus of the torch 102 while the weld bead 108 is being formed on the base 103.
  • the power supply control unit 202 controls the power supply (control mode) to the robot controller 106 by the power supply 107. Depending on the control mode, the current and voltage values, the current waveform (pulse), and the like when forming beads of the same shape may differ. Further, the power supply control unit 202 timely acquires the current and voltage information provided to the robot controller 106 from the power supply 107.
  • the feed control unit 203 controls the feed rate and feed timing of the filler M by the filler material supply unit 105.
  • the feeding control of the filler material M here includes not only feeding (normal feeding) but also returning (reverse feeding).
  • the DB management unit 204 manages the DB (database) according to the present embodiment. Details of the DB according to this embodiment will be described later.
  • the shape data acquisition unit 205 acquires the shape data of the weld bead 108 formed on the base 103, which is detected by the shape sensor 101.
  • the learning data management unit 206 generates and manages learning data used in the learning process performed by the learning processing unit 207.
  • the learning processing unit 207 performs learning processing using the learning data managed by the learning data management unit 206. The details of the learning data and the learning process according to this embodiment will be described later. Further, the learning processing unit 207 manages the trained model obtained as a result of the learning processing.
  • the power supply 107 according to this embodiment can operate in a plurality of control modes. Along with this, the learning processing unit 207 according to the present embodiment performs learning corresponding to each of the plurality of control modes of the power supply 107, and generates a trained model.
  • the welding condition derivation unit 208 derives the adjustment amount for the welding condition of the modeling control unit 201 using the learned model generated by the learning processing unit 207, and notifies the modeling control unit 201.
  • the method for deriving the adjustment amount according to this embodiment will be described later.
  • the base 103 shows a configuration in which a laminated model W is formed on a plane of a cylinder, but the present invention is not limited to this.
  • the base 103 may be formed in a columnar shape, and the weld bead 108 may be formed on the outer periphery of the side surface thereof.
  • the coordinate system in the design data according to the present embodiment and the coordinate system on the base 103 on which the laminated model W is modeled are associated with each other, and the position in three dimensions is defined with an arbitrary position as the origin. It is assumed that the three axes (X-axis, Y-axis, Z-axis) of the coordinate system are set so as to be so.
  • the laminated modeling system 1 having the above configuration melts the filler metal M while moving the torch 102 by driving the welding robot 104 according to the movement locus of the torch 102 defined from the set design data, and melts the melted filler metal.
  • Material M is supplied onto the base 103.
  • a laminated model W in which a plurality of linear weld beads 108 are arranged and laminated on the upper surface of the base 103 is formed.
  • control parameters that affect the shape of the bead include the feeding speed, welding speed, welding amount, target position, weaving amplitude and frequency, heat input amount, etc. of the filler metal M.
  • the feeding speed of the filler metal M will be described as an example.
  • FIG. 2A is a diagram showing the relationship between the feed rate of the filler material M and the current (or voltage) supplied by the power supply 107, the horizontal axis shows the feed rate of the filler material M, and the vertical axis represents the feed rate.
  • the control value of the current (or voltage) supplied by the power source 107 is shown. As the feeding speed increases, the current (or voltage) supplied from the power source 107 increases, but the increase is not constant. The tendency of this fluctuation may differ depending on the control mode of the power supply 107. Therefore, the shape of the bead formed can change due to the difference in the tendency of the fluctuation even if the control parameters are the same.
  • FIG. 2B is a diagram showing the relationship between the target position (input) of the bead on the base 103 specified based on the design data and the target position (output) of the bead obtained as a result of formation, and the horizontal axis is the input. Is shown, and the vertical axis shows the output.
  • the broken line indicates the ideal relationship between the input and the output, and the input value (that is, the design value) and the output value show the same value.
  • the input value and the output value do not always match due to various factors such as the performance and specifications of the device.
  • 2B shows an example of the relationship between the actual input value and the output value, and as shown in this, there may be a difference between the design value and the output result. Therefore, even if the control parameters are the same, the shape of the bead may change due to the difference (deviation) in the target position.
  • FIG. 3 is a conceptual diagram for explaining the shape data of the weld bead.
  • FIG. 3 shows a cross section seen from the traveling direction of the torch 102 at the time of formation in a state where the weld bead 108 is formed on the base 103.
  • the shape data of the weld bead 108 it is possible to use information such as height h, width w, root angle ⁇ , and surface unevenness.
  • a database showing the relationship between the welding conditions and the shape information of the beads formed under the welding conditions is used.
  • This database is managed by the DB management unit 204 and is defined in advance.
  • the power supply 107 according to this embodiment can operate in a plurality of control modes. Along with this, it is assumed that a plurality of databases corresponding to each of the plurality of control modes are defined and managed.
  • a predetermined control parameter as a welding condition and information on the shape of a bead formed when welding is performed using the control parameter are stored in association with each other.
  • the items of the welding condition include the welding amount of the filler metal M as described above, the target position, the wewing condition, the heat input amount, the number of laminated passes, the base metal temperature, the time between passes and the like.
  • the bead shape information items include the height and width of the bead, the angle of the root portion, the unevenness of the surface, and the like as shown in FIG.
  • the items of various information specified in the database are not limited to the above, and may be increased or decreased as necessary.
  • a deep learning (deep learning) method using a neural network in machine learning is used as a learning method, and supervised learning will be described as an example.
  • the more specific method (algorithm) of deep learning is not particularly limited, and for example, a known method such as a convolutional neural network (CNN) may be used. Further, the type and number of layers constituting the neural network are not particularly limited.
  • FIG. 4 is a schematic diagram for explaining the concept of the learning process according to the present embodiment.
  • the original data a plurality of pair data of the shape data indicating the shape of the bead and the pair of welding conditions used when the bead is formed are used.
  • the data held as the bead formation history may be used.
  • the difference between the shape data and the welding conditions is obtained. For example, the difference between the shape data A of the bead shape A and the shape data B of the bead shape B, and the difference between the welding condition A corresponding to the bead shape A and the welding condition B corresponding to the bead shape B are obtained.
  • a plurality of learning data are prepared in which the difference in bead shape is used as input data and the difference in welding conditions is used as teacher data.
  • the difference in bead shape will be described as an example of the input data included in the training data, but the present invention is not limited to this, and a pair of two shape data for deriving the difference is not limited to this. May be used as input data.
  • the learning process is performed using the above learning data.
  • input data prepared as training data here, difference in bead shape
  • the difference in welding conditions is output as output data for the input data.
  • This output data corresponds to the adjustment amount of welding conditions.
  • an error is derived by a loss function.
  • each parameter in the learning model is adjusted so that the error becomes small.
  • an error back propagation method may be used for adjusting the parameters.
  • a trained model is generated by performing iterative learning using a plurality of training data. Since the trained model is updated each time the training process is executed, the parameters constituting the trained model are changed according to the timing of use, and the output result for the input data is also different. Even when two pairs of shape data are used as input data, basically the same operation is performed.
  • the learning process does not necessarily have to be executed by the information processing apparatus 200.
  • the information processing device 200 is configured to provide learning data to a learning server (not shown) provided outside the information processing device 200, and to perform learning processing on the server side. May be. Then, if necessary, the server may be configured to provide the trained model to the information processing apparatus 200.
  • a learning server may be located on a network (not shown) such as the Internet, and it is assumed that the learning server and the information processing apparatus 200 are communicably connected to each other. That is, the information processing device 200 may operate as a machine learning device, or the external device may operate as a machine learning device. In any case, it is assumed that the information processing apparatus 200 acquires the trained model obtained by the learning process and can be used at the time of modeling the laminated model W.
  • FIG. 5 is a flowchart of the welding condition adjustment process according to the present embodiment.
  • This processing is executed and controlled by the information processing apparatus 200.
  • a processing unit such as a CPU or GPU included in the information processing apparatus 200 stores a program for realizing each part shown in FIG. 1 (not shown). It may be realized by reading from and executing. Further, it is assumed that the above-mentioned learning process is performed and the trained model is generated before the main processing flow is started. Further, the process for adjusting the parameters by this process flow may be performed immediately before the actual modeling of the laminated model W is started.
  • this may be performed when the control mode of the power supply is switched or when the layer of the bead to be formed shifts to the next layer during the modeling of the laminated model W.
  • the adjustment is performed using a position different from the position on the base 103 where the laminated model W is modeled immediately before the laminated model W is modeled.
  • the information processing apparatus 200 acquires the design data of the laminated model W.
  • the design data here is data that specifies the shape and the like of the laminated model W, and is created based on the user's instruction.
  • the design data may be input from, for example, a communicably connected external device (not shown), or may be created on the information processing device 200 via a predetermined application (not shown).
  • the information processing apparatus 200 creates path data corresponding to each bead constituting the laminated model W by the laminated modeling device 100 based on the design data acquired in S501.
  • the path data here includes information such as the movement locus of the torch 102 and shape data indicating the shape of the bead.
  • the shape data created here corresponds to a design value and may be retained and managed in a storage unit (not shown).
  • the information processing apparatus 200 pays attention to one control mode in which the parameter adjustment process has not been executed, out of the plurality of control modes in which the power supply 107 can operate.
  • the control mode to be processed here may be all control modes in which the power supply 107 can operate, or 1 or 1 used when modeling the laminated model W using the design data acquired in S501. It may be limited to a plurality of control modes.
  • the information processing apparatus 200 acquires a trained model corresponding to the control mode focused on in S503. As described above, different trained models are generated according to the control mode, and the corresponding trained model is acquired from the trained models.
  • the information processing apparatus 200 refers to the DB corresponding to the control mode focused on in S503, and specifies the welding conditions corresponding to the shape data created in S502.
  • the welding condition and the shape data of the bead are associated with each other in the DB, and it is possible to specify the welding condition by designating the shape data.
  • the information processing apparatus 200 causes the welding robot 104 to execute the modeling operation based on the welding conditions specified in S505.
  • the modeling operation here is not performed to model a part of the laminated model W, but is performed so as to form a bead for parameter adjustment at a position different from that.
  • the information processing apparatus 200 acquires the shape data as a result of the bead formation executed in S506 via the shape sensor 101.
  • the shape sensor 101 according to the present embodiment is installed so as to follow the torch 102 and move.
  • the configuration may be such that the shape data is acquired in parallel with the formation of the bead, or the configuration may be such that the shape data is acquired after the formation of the bead is completed.
  • the shape data acquired here as shown in FIG. 3, the height and width of the formed bead, the angle of the root portion, the unevenness of the surface, and the like can be mentioned.
  • the information processing apparatus 200 derives the difference between the shape data (measured value) acquired in S507 and the shape data (design value) created in S502. For example, when the shape data includes a plurality of items such as height and width, the difference between them is derived.
  • the information processing apparatus 200 compares the difference derived in S508 with the predetermined threshold value, and determines whether or not the difference is equal to or greater than the threshold value. It is assumed that the threshold value is set for each item of shape data and is held in a storage unit (not shown). The threshold value used here may be different depending on the control mode, or a fixed value may be used. When the difference is equal to or greater than the threshold value (YES in S509), the process of the information processing apparatus 200 proceeds to S510. On the other hand, when the difference is smaller than the threshold value (NO in S509), the processing of the information processing apparatus 200 proceeds to S513.
  • YES may be determined when all the items are equal to or more than the threshold value as a result of comparison between each item and the threshold value. In this case, it is assumed that the threshold value is set for each item.
  • the information processing apparatus 200 acquires the difference in welding conditions as output data by inputting the difference derived in S508 into the trained model acquired in S503 as input data.
  • This difference corresponds to the adjustment amount for the welding conditions used for forming the immediately preceding bead.
  • the shape data (measured value) acquired in S507 is used.
  • the pair with the shape data (design value) created in S502 will be input.
  • the information processing apparatus 200 corrects the welding conditions used for forming the immediately preceding bead by reflecting the adjustment amount acquired in S510.
  • the information processing apparatus 200 re-executes bead formation under the welding conditions corrected in S511. After that, the process returns to S507 and the subsequent processing is repeated. That is, the processes of S507 to S512 are repeated until the difference between the design value based on the design data and the measurement result based on the actual formation result becomes less than the threshold value. Therefore, the adjustment amount acquired in S510 is repeatedly accumulated and reflected in the welding conditions, so that the difference gradually becomes smaller (converges).
  • the information processing apparatus 200 stores the welding conditions based on the current adjustment amount in the storage unit (not shown) in association with the control mode of the power supply 107 of interest.
  • the welding conditions (or adjustment amount) stored here will be used at the time of modeling the laminated model W. After that, the process proceeds to S514.
  • the information processing apparatus 200 determines whether or not the parameter adjustment process is completed for all the control modes in which the power supply 107 can operate. If there is an unprocessed control mode (NO in S514), the processing of the information processing apparatus 200 returns to S503, and the subsequent processing is repeated. On the other hand, when the processing is completed for all the control modes (YES in S514), this processing flow is terminated.
  • the parameter may be adjusted according to the layer and the positional relationship based on the number of stacked beads indicated by the design data and the positional relationship with the adjacent beads (adjacent beads). More specifically, information on the number of layers and positions may be further used as shape data. By including such information, it is possible to adjust the parameters in consideration of the sagging of the bead and the fusion with the adjacent bead according to the formation position of the bead. Further, instead of using the design data of the laminated model W, the configuration may be such that the parameters are adjusted based on the shape data for parameter adjustment specified in advance.
  • this embodiment it is possible to improve the accuracy of adjusting the welding conditions at the time of modeling the laminated model.
  • by deriving the relationship between the changing tendency of welding conditions and the changing tendency of bead shape using a trained model it is possible to adjust welding conditions independent of the system.
  • the laminated modeling system 1 may have a configuration in which the learning data used for the learning process is generated.
  • the shape of the bead is detected by the shape sensor 101 each time the bead is formed, and the welding conditions, the shape data, and the control mode of the power supply at the time of forming the bead are associated with each other.
  • the stored data may be used to generate learning data by obtaining each difference as described with reference to FIG.
  • the data for generating the learning data may be specified by the user of the laminated modeling system 1, or the accumulated data is filtered under arbitrary conditions to extract the data. May be good.
  • one or more programs or applications for realizing the functions of the above-mentioned one or more embodiments are supplied to the system or device using a network or a storage medium, and the system or device is used in a computer. It can also be realized by the process of reading and executing the program by the processor of.
  • circuit for example, ASIC (Application Specific Integrated Circuit) or FPGA (Field Programmable Gate Array) that realizes one or more functions.
  • ASIC Application Specific Integrated Circuit
  • FPGA Field Programmable Gate Array
  • a machine learning device that performs machine learning of welding conditions when forming a laminated model by welding a filler metal and laminating weld beads. Learning to generate a trained model in which the input data is the difference between the two shape data of the weld bead or the two shape data, and the difference between the welding conditions corresponding to the difference between the two shape data is the output data.
  • a machine learning device characterized by having a learning processing means for performing processing. According to this configuration, it is possible to improve the accuracy of adjusting the welding conditions at the time of modeling the laminated model. In particular, it is possible to generate a trained model for deriving the adjustment amount of the welding condition corresponding to the change tendency of the shape data used when adjusting the welding condition.
  • the shape data includes at least one of the height, width, root angle, and surface unevenness of the weld bead.
  • the welding conditions can be adjusted in consideration of the height, width, angle, and surface shape of the bead as the shape data.
  • the welding conditions include the feeding speed of the filler metal, the welding speed, the welding current or voltage, the target position on the base on which the laminated model is formed, the amount of heat input during modeling, and the weaving.
  • the machine learning apparatus according to (1) or (2) which comprises at least one of the control conditions. According to this configuration, as welding conditions, it is possible to adjust the feeding speed of the filler metal, the target position on the base, the amount of heat input during molding, and the control conditions of weaving.
  • the welding condition further includes the number of laminated passes or the base metal temperature.
  • the number of laminated passes and the base metal temperature as welding conditions. For example, it is possible to perform a learning process in consideration of load accumulation such as electrode friction and adhesion of spatter to a nozzle as the number of laminated passes increases. In addition, learning processing that considers heat storage in the base becomes possible.
  • a laminated modeling system that forms a laminated model by welding a filler metal and laminating weld beads.
  • Welding corresponding to the first shape data by inputting the difference between the first shape data and the second shape data or the first shape data and the second shape data into the trained model.
  • Derivation means for deriving the difference between the condition and the welding condition corresponding to the second shape data and A laminated modeling system characterized by having an adjusting means for adjusting welding conditions determined by the determining means by using the difference derived by the deriving means. According to this configuration, it is possible to improve the accuracy of adjusting the welding conditions at the time of modeling the laminated model. Further, by deriving the relationship between the changing tendency of the welding conditions and the changing tendency of the bead shape using the trained model, it is possible to adjust the welding conditions independent of the system. In addition, it is not necessary to create an individual database in consideration of system differences, and it is possible to apply it to various laminated modeling systems by using only a general-purpose database.
  • the derivation means is a difference for adjusting the welding conditions determined by the determination means when the difference between the first shape data and the second shape data is equal to or larger than a predetermined threshold value.
  • the laminated modeling system according to (8) which is characterized by deriving. According to this configuration, it is possible to control so that a predetermined accuracy can be obtained by repeatedly adjusting the welding conditions.
  • the claim is characterized in that the determination means determines the welding conditions for forming the first shape data by using a database in which the shape of the welding bead and the welding conditions are previously associated with each other.
  • the laminated molding system according to (8) or (9). According to this configuration, a general-purpose database can be used to determine a reference welding condition and make adjustments from this reference. Therefore, it is possible to reduce the trouble of creating a database of welding conditions for each device.
  • a machine learning method characterized by having a learning processing step for performing processing. According to this configuration, it is possible to improve the accuracy of adjusting the welding conditions at the time of modeling the laminated model. In particular, it is possible to generate a trained model for deriving the adjustment amount of the welding condition corresponding to the change tendency of the shape data used when adjusting the welding condition.
  • a method for adjusting welding conditions in a laminated modeling system in which a laminated model is formed by welding a filler metal and laminating weld beads A creation process for creating the shape data of the weld bead as the first shape data based on the design data of the laminated model, and A determination step for determining welding conditions for forming the first shape data, and a determination step.
  • Welding corresponding to the first shape data by inputting the difference between the first shape data and the second shape data or the first shape data and the second shape data into the trained model.
  • a derivation process for deriving the difference between the condition and the welding condition corresponding to the second shape data, and A method for adjusting welding conditions which comprises an adjustment step for adjusting the welding conditions determined in the determination step using the difference derived in the derivation step. According to this configuration, it is possible to improve the accuracy of adjusting the welding conditions at the time of modeling the laminated model. Further, by deriving the relationship between the changing tendency of the welding conditions and the changing tendency of the bead shape using the trained model, it is possible to adjust the welding conditions independent of the system. In addition, it is not necessary to create an individual database in consideration of system differences, and it is possible to apply it to various laminated modeling systems by using only a general-purpose database.
  • Welding corresponding to the first shape data by inputting the difference between the first shape data and the second shape data or the first shape data and the second shape data into the trained model.
  • by deriving the relationship between the changing tendency of the welding conditions and the changing tendency of the bead shape using the trained model it is possible to adjust the welding conditions independent of the system.
  • Laminated modeling system 100 Laminated modeling device 101 ... Shape sensor 102 ... Torch 103 ... Base 104 ... Welding robot 106 ... Robot controller 107 ... Power supply 108 ... Welding bead 200 ... Information processing device 201 ... Modeling control unit 202 ... Power supply control unit 203 ... Feeding control unit 204 ... DB (database) management unit 205 ... Shape data acquisition unit 206 ... Learning data management unit 207 ... Learning processing unit 208 ... Welding condition derivation unit W ... Laminated model M ... filler metal

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)
  • Numerical Control (AREA)
  • Butt Welding And Welding Of Specific Article (AREA)

Abstract

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２つの形状データまたは２つの形状データ間の差分を入力データとし、前記２つの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。

Description

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
　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。
日本国特開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２つの形状データまたは２つの形状データ間の差分を入力データとし、前記２つの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２つの形状データまたは２つの形状データ間の差分を入力データとし、当該２つの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の形状データまたは前記第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２つの形状データまたは２つの形状データ間の差分を入力データとし、前記２つの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２つの形状データまたは２つの形状データ間の差分を入力データとし、当該２つの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の形状データまたは前記第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２つの形状データまたは２つの形状データ間の差分を入力データとし、前記２つの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２つの形状データまたは２つの形状データ間の差分を入力データとし、当該２つの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の形状データまたは前記第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）により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。また、ニューラルネットワークを構成する層の種類や層数についても特に限定するものではない。
　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。なお、本実施形態では、学習用データに含まれる入力データとしてビード形状の差分を例に挙げて説明するが、これに限定するものではなく、その差分を導出するための２つの形状データの対を入力データとして用いてもよい。
　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、入力データに２つの形状データの対を用いる場合でも基本的には同様の動作が行われる。
　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。なお、上述したように、２つの形状データの対を入力データとして学習を行っていた場合には、ここではＳ５０８にて導出した差分に代えて、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）との対が入力されることとなる。
　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＞
　第１の実施形態にて示した構成に加え、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２つの形状データまたは２つの形状データ間の差分を入力データとし、前記２つの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、溶接速度、溶接の電流または電圧、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２つの形状データまたは２つの形状データ間の差分を入力データとし、当該２つの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の形状データまたは前記第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２つの形状データまたは２つの形状データ間の差分を入力データとし、前記２つの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２つの形状データまたは２つの形状データ間の差分を入力データとし、当該２つの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の形状データまたは前記第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２つの形状データまたは２つの形状データ間の差分を入力データとし、前記２つの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２つの形状データまたは２つの形状データ間の差分を入力データとし、当該２つの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の形状データまたは前記第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。
　以上、図面を参照しながら各種の実施の形態について説明したが、本発明はかかる例に限定されないことは言うまでもない。当業者であれば、特許請求の範囲に記載された範疇内において、各種の変更例又は修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。また、発明の趣旨を逸脱しない範囲において、上記実施の形態における各構成要素を任意に組み合わせてもよい。
　なお、本出願は、２０２０年７月１５日出願の日本特許出願（特願２０２０－１２１５８１）に基づくものであり、その内容は本出願の中に参照として援用される。
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２つの形状データまたは２つの形状データ間の差分を入力データとし、前記２つの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、溶接速度、溶接の電流または電圧、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２つの形状データまたは２つの形状データ間の差分を入力データとし、当該２つの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の形状データまたは前記第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２つの形状データまたは２つの形状データ間の差分を入力データとし、前記２つの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２つの形状データまたは２つの形状データ間の差分を入力データとし、当該２つの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の形状データまたは前記第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２つの形状データまたは２つの形状データ間の差分を入力データとし、前記２つの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２つの形状データまたは２つの形状データ間の差分を入力データとし、当該２つの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の形状データまたは前記第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。
PCT/JP2021/022941 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 WO2022014240A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
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
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
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

Applications Claiming Priority (2)

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

Publications (1)

Publication Number Publication Date
WO2022014240A1 true WO2022014240A1 (ja) 2022-01-20

Family

ID=79555501

Family Applications (1)

Application Number Title Priority Date Filing Date
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

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)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023149142A1 (ja) * 2022-02-04 2023-08-10 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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017030014A (ja) 2015-07-31 2017-02-09 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
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
JP2020121581A (ja) 2019-01-29 2020-08-13 トヨタ紡織株式会社 乗物用照明装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7146576B2 (ja) * 2018-10-29 2022-10-04 芝浦機械株式会社 積層造形装置、積層造形方法、及びプログラム
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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017030014A (ja) 2015-07-31 2017-02-09 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
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
JP2020121581A (ja) 2019-01-29 2020-08-13 トヨタ紡織株式会社 乗物用照明装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
REISGEN U.; MANN S.; OSTER L.; LOZANO P.; SHARMA R.: "Study on Workpiece and Welding Torch Height Control for Polydirectional WAAM by Means of Image Processing", 2019 IEEE 15TH INTERNATIONAL CONFERENCE ON AUTOMATION SCIENCE AND ENGINEERING (CASE), 22 August 2019 (2019-08-22), pages 6 - 11, XP033618457, DOI: 10.1109/COASE.2019.8843076
See also references of EP4166265A4

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023149142A1 (ja) * 2022-02-04 2023-08-10 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

Also Published As

Publication number Publication date
JP2022018467A (ja) 2022-01-27
US20230273605A1 (en) 2023-08-31
EP4166265A1 (en) 2023-04-19
CN115867407A (zh) 2023-03-28
EP4166265A4 (en) 2024-01-10
JP7384760B2 (ja) 2023-11-21

Similar Documents

Publication Publication Date Title
JP7048435B2 (ja) 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
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
US11772194B2 (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
CN111770806B (zh) 层叠造型物的造型方法、层叠造型物的制造装置、以及记录介质
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
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
JP2019089126A (ja) 造形物の製造方法、製造装置及び造形物
JP2019136711A (ja) 積層造形物の製造方法
WO2022019123A1 (ja) 積層造形物の製造システム、積層造形物の製造方法、及び積層造形物の製造プログラム
JP2014030841A (ja) アーク倣い溶接方法および溶接装置
JP7436272B2 (ja) 積層造形方法、積層造形システム、およびプログラム
JP2024072589A (ja) ロボットの制御装置、制御方法、およびプログラム
WO2022149426A1 (ja) 積層造形物の製造方法
WO2023008062A1 (ja) 造形装置の制御方法、造形装置及びプログラム
WO2022014202A1 (ja) 積層造形物の製造方法
WO2023149142A1 (ja) 制御情報生成装置、制御情報生成方法、溶接制御装置及び制御情報生成プログラム
JP2022164485A (ja) 積層造形方法、積層造形装置、及び積層造形物を造形するプログラム
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
JP2024049859A (ja) 狙い位置設定方法、狙い位置設定装置及びプログラム
JP2022116957A (ja) 造形履歴監視装置、造形物の製造システム及び造形履歴監視方法
JP2021074759A (ja) 造形物の製造方法、造形物の製造装置、及びプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21842190

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021842190

Country of ref document: EP

Effective date: 20230113

NENP Non-entry into the national phase

Ref country code: DE