WO2022019120A1 - 欠陥発生予測方法、及び欠陥発生予測装置 - Google Patents

欠陥発生予測方法、及び欠陥発生予測装置 Download PDF

Info

Publication number
WO2022019120A1
WO2022019120A1 PCT/JP2021/025680 JP2021025680W WO2022019120A1 WO 2022019120 A1 WO2022019120 A1 WO 2022019120A1 JP 2021025680 W JP2021025680 W JP 2021025680W WO 2022019120 A1 WO2022019120 A1 WO 2022019120A1
Authority
WO
WIPO (PCT)
Prior art keywords
welding
information
defect
modeled object
input
Prior art date
Application number
PCT/JP2021/025680
Other languages
English (en)
French (fr)
Inventor
栄一 田村
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 EP21846372.7A priority Critical patent/EP4169659A4/en
Priority to CN202180060324.2A priority patent/CN116171205A/zh
Priority to US18/006,230 priority patent/US20230294215A1/en
Publication of WO2022019120A1 publication Critical patent/WO2022019120A1/ja

Links

Images

Classifications

    • 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
    • B33Y40/00—Auxiliary operations or equipment, e.g. for material handling
    • 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
    • B23K31/12—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 investigating the properties, e.g. the weldability, of materials
    • B23K31/125—Weld quality monitoring
    • 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
    • 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
    • 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 defect generation prediction method when manufacturing a modeled object by a welded bead, and a defect generation prediction device.
  • a 3D printer for laminating and modeling a metal material melts and solidifies a metal powder or a metal wire using a heat source such as a laser or an arc, and laminates a welded metal (welded bead) to form a model having a desired shape. To make.
  • the characteristics of the metal material constituting the modeled object may change significantly from the expected characteristics. Therefore, in the conventional welding technology, the characteristics of the modeled object when manufactured under the specified manufacturing conditions are predicted based on the knowledge obtained empirically, trial and error, etc., so that the desired shape and characteristics can be obtained. In addition, the manufacturing conditions are adjusted.
  • Patent Document 1 discloses an example in which machine learning is utilized in a process of determining the suitability of each specification of a welded product.
  • Patent Document 2 discloses a technique for predicting good / bad of a modeled object from profile features such as welding current, welding voltage, and filler feed rate.
  • an object of the present invention is to provide a defect generation prediction method and a defect generation prediction device that can efficiently predict the occurrence of defects in a modeled object with less effort and support the creation of a more appropriate modeling plan for the modeled object. do.
  • the present invention has the following configuration.
  • a defect generation prediction method for predicting the occurrence of defects when a welded bead formed by melting and solidifying a filler material supplied from a welding head is laminated in a desired shape to manufacture a modeled object.
  • Each of the input information items has a plurality of input sub-items different from each other.
  • the output information has a plurality of individual defect information corresponding to the input sub-items.
  • each of the input sub-items of the input information is related to the individual defect information in the mathematical model. Defect occurrence prediction method.
  • a defect generation prediction method for predicting the occurrence of defects when a welded bead formed by melting and solidifying a filler metal supplied from a welding head is laminated and shaped into a desired shape to produce a modeled object.
  • Input information including each item of the material, welding condition and welding track of the modeled object, temperature history of the modeled object when laminated under the conditions of each item of the input information, and the shape of the molten pool at the time of forming the welded bead.
  • the first mathematical model that associates the feature amount of the welded bead with the intermediate output information including the bead height or bead width information of the welded bead, and the output information including the intermediate output information and the defect information of the modeled object.
  • the process of generating the second mathematical model to be attached and A process of creating a database showing the correspondence between the input information and the output information using the first mathematical model and the second mathematical model.
  • the process of presenting the obtained defect information of the modeled object and Including Each of the input information items has a plurality of input sub-items different from each other.
  • the intermediate output information has individual intermediate values corresponding to the input sub-items.
  • the output information has a plurality of individual defect information corresponding to the individual intermediate values.
  • each of the input sub-items is related to the individual intermediate value in the first mathematical model, and the individual intermediate value is used. Each is related to the individual defect information in the second mathematical model.
  • Defect occurrence prediction method (3) A defect generation prediction device that predicts the occurrence of defects when a welded bead formed by melting and solidifying a filler material supplied from a welding head is laminated in a desired shape to manufacture a modeled object. , Mathematical relation between the input information including each item of the material, welding condition and welding track of the modeled object and the output information including the defect information of the modeled object in the case of laminated modeling under the conditions of the respective items of the input information.
  • a mathematical model generator that generates a model, and a mathematical model generator
  • a database creation unit that creates a database that represents the correspondence between the input information and the output information using the mathematical model.
  • a search unit that searches the database using each item of the material, welding conditions, and welding track of the modeled object and obtains defect information of the modeled object, which is input to the database.
  • An output unit that presents the obtained defect information of the modeled object, Including
  • Each of the input information items has a plurality of input sub-items different from each other.
  • the output information has a plurality of individual defect information corresponding to the input sub-items.
  • each of the input sub-items of the input information is related to the individual defect information in the mathematical model. Defect occurrence predictor.
  • a defect generation prediction device that predicts the occurrence of defects when a welded bead formed by melting and solidifying a filler material supplied from a welding head is laminated in a desired shape to manufacture a modeled object.
  • Input information including each item of the material, welding condition and welding track of the modeled object, temperature history of the modeled object when laminated under the conditions of each item of the input information, and the shape of the molten pool at the time of forming the welded bead.
  • the first mathematical model that associates the feature amount of the welded bead with the intermediate output information including the bead height or bead width information of the welded bead, and the output information including the intermediate output information and the defect information of the modeled object.
  • the mathematical model generator that generates the second mathematical model to be attached, and A database creation unit that creates a database that represents the correspondence between the input information and the output information using the first mathematical model and the second mathematical model.
  • a search unit that searches the database using each item of the material, welding conditions, and welding track of the modeled object and obtains defect information of the modeled object, which is input to the database.
  • An output unit that presents the obtained defect information of the modeled object, Including
  • Each of the input information items has a plurality of input sub-items different from each other.
  • the intermediate output information has individual intermediate values corresponding to the input sub-items.
  • the output information has a plurality of individual defect information corresponding to the individual intermediate values.
  • each of the input sub-items is related to the individual intermediate value in the first mathematical model, and the individual intermediate value is used. Each is related to the individual defect information in the second mathematical model. Defect occurrence predictor.
  • defects can be easily predicted without using a complicated measurement method, and a more appropriate modeling plan for a modeled object can be created.
  • FIG. 1 is an overall configuration diagram of a modeling system for manufacturing a modeled object.
  • FIG. 2 is a schematic block configuration diagram of the robot control device.
  • FIG. 3 is a schematic block configuration diagram of the modeling control device.
  • FIG. 4 is an explanatory diagram showing a procedure for creating a modeling program for performing laminated modeling.
  • FIG. 5 is an explanatory diagram showing a procedure for constructing a database.
  • FIG. 6 is a flowchart showing a procedure for constructing a database.
  • FIG. 7 is a flowchart showing a procedure for creating an initial database used in the first procedure.
  • FIG. 8A is an explanatory diagram showing the relationship between the input information and the output information using a mathematical model
  • FIG. 8B is a database in which the input information and the output information are linked.
  • FIG. 9 is an explanatory diagram showing a relationship between input information whose input information is composed of a plurality of items and output information using a mathematical model.
  • FIG. 10 is an explanatory diagram showing a process of dividing the shape of a modeled object to be manufactured into a plurality of element shapes and obtaining a welding track of each element shape.
  • FIG. 11 is a flowchart showing a procedure for creating a modeling plan when the shape of the modeled object is decomposed into element shapes.
  • FIG. 12 is an explanatory diagram showing the relationship between the input information, the intermediate output information, and the output information using a mathematical model.
  • FIG. 13 is a graph showing the temperature history of the welded bead formed at the time of modeling at a specific position.
  • FIG. 14A and 14B are graphs showing the difference in cooling characteristics when beads are formed with different heat input amounts
  • FIG. 14A is a graph showing temperature change characteristics when the heat input amount is relatively high
  • FIG. 14B is a graph showing relatively low heat input. It is a graph which shows the temperature change characteristic in the case of calorific value.
  • FIG. 15 is an explanatory view showing a molten pool formed at the tip of the filler metal.
  • FIG. 16 is a cross-sectional view showing an example of a defect generated in a laminated structure of beads having one layer and two rows.
  • FIG. 17 (A) is a cross-sectional view of the simulation result by the model shape function of the welded beads laminated in one layer and two rows, and FIG.
  • FIG. 17 (B) shows the shape of each bead in FIG. 17 (A). It is sectional drawing which shows.
  • FIG. 18A is a cross-sectional view of the simulation result by the model shape function of the welded beads laminated in two layers and two rows, and FIG. 18B is for each bead of each layer in FIG. 18A. It is sectional drawing which shows the shape.
  • FIG. 19 is an explanatory diagram showing how a plurality of databases for associating input information and output information are selectively used.
  • a welded bead formed by melting and solidifying a filler metal supplied from a welding head is laminated and molded into a desired shape by a modeling device
  • the modeling method and the configuration of the modeling device will be described. Not limited to this.
  • other modeling methods such as powder sintering layered manufacturing method may be adopted.
  • FIG. 1 is an overall configuration diagram of a modeling system for manufacturing a modeled object.
  • the modeling system 100 having this configuration includes a modeling device 11 and a modeling control device 13 that controls the modeling device 11.
  • the modeling device 11 supplies a welding robot 17 having a welding head having a welding torch 15 on the tip shaft, a robot control device 21 for driving the welding robot 17, and a filler metal (welding wire) M to the welding torch 15. It is provided with a filler material supply unit 23 and a welding power source 25 for supplying a welding current.
  • the welding robot 17 is an articulated robot, and a filler metal M that is continuously supplied is supported at the tip of the welding torch 15 attached to the tip shaft of the robot arm.
  • the position and posture of the welding torch 15 can be arbitrarily set three-dimensionally within the range of the degree of freedom of the robot arm by a command from the robot control device 21.
  • a shape sensor 32 and a temperature sensor 30 that move integrally with the welding torch 15 are provided on the tip shaft of the welding robot 17.
  • the shape sensor 32 is a non-contact type sensor that measures the shape of the welded bead 28 to be formed and, if necessary, the shape around the bead forming position.
  • the measurement by the shape sensor 32 may be performed at the same time as the formation of the welded bead, or may be performed at different timings before and after the formation of the bead.
  • a laser sensor that detects a three-dimensional shape can be used depending on the position of the reflected light of the irradiated laser light or the time from the irradiation timing until the reflected light is detected.
  • the shape sensor 32 is not limited to the laser, and may be a sensor of another detection method.
  • the temperature sensor 30 is a contact-type sensor such as a radiation thermometer or a thermography, and detects the temperature (temperature distribution) at an arbitrary position of the modeled object.
  • the welding torch 15 is a torch for gas metal arc welding having a shield nozzle (not shown) and to which a shield gas is supplied from the shield nozzle.
  • the arc welding method 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, and is appropriately selected according to the laminated model to be manufactured. Weld.
  • 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 welding torch 15 generates an arc from the tip of the filler M in a shield gas atmosphere while holding the filler M.
  • the fillering material supply unit 23 includes a reel 29 around which the fillering material M is wound, and a wire feeding sensor 31 for measuring the feeding amount of the fillering material M sent from the reel 29 to the feeding mechanism and the welding torch 15. To prepare for.
  • the filler material M is sent from the filler material supply unit 23 to a feeding mechanism (not shown) attached to a robot arm or the like, and is fed to the welding torch 15 while being forward and reversely fed by the feeding mechanism as needed.
  • a feeding mechanism not shown
  • any commercially available welding wire can be used.
  • it is defined by mag welding and MIG welding solid wire for mild steel, high tension steel and low temperature steel (JIS Z 3312), arc welding flux-containing wire for mild steel, high tension steel and low temperature steel (JIS Z 3313), and the like.
  • Welding wire is available.
  • a filler M such as aluminum, an aluminum alloy, nickel, and a nickel-based alloy can be used according to the required characteristics. Then, when the filler M, which is continuously fed as described above, is melted and solidified by an arc, a welded bead 28, which is a melt-solidified body of the filler M, is formed on the base plate 27.
  • the base plate 27 is a metal plate such as a steel plate, but is not limited to a plate shape, and may have other shapes such as a block body, a rod shape, and a columnar shape.
  • FIG. 2 is a schematic block configuration diagram of the robot control device 21.
  • the robot control device 21 is a computer device including an input / output interface 33, a storage unit 35, and an operation panel 37.
  • a welding robot 17, a welding power supply 25, and a modeling control device 13 are connected to the input / output interface 33.
  • Various types of information including a drive program described later are stored in the storage unit 35.
  • the storage unit 35 includes a memory such as a ROM and a RAM, a hard disk, a drive device such as an SSD (Solid State Drive), and a storage exemplified as a storage medium such as a CD, a DVD, and various memory cards, and inputs and outputs various information. It is possible.
  • the operation panel 37 may be an information input unit such as an input operation panel, or may be an input terminal (teaching pendant) for teaching the welding robot 17.
  • a modeling program corresponding to the modeled object to be produced is transmitted to the robot control device 21 from the modeling control device 13.
  • the modeling program is composed of a large number of instruction codes, and is created based on an appropriate algorithm according to various conditions such as shape data (CAD data, etc.), material, heat input amount, etc. of the modeled object.
  • the robot control device 21 executes the modeling program stored in the storage unit 35 to drive the welding robot 17, the filler metal supply unit 23, the welding power supply 25, etc., and forms the welded bead 28 according to the modeling program. .. That is, the robot control device 21 drives the welding robot 19 to move the welding torch 15 along the trajectory (welding track) of the welding torch 15 set in the modeling program, and according to the set welding conditions.
  • the filler metal supply unit 23 and the welding power supply 25 are driven to melt and solidify the filler metal M at the tip of the welding torch 15 by an arc.
  • the welded bead 28 is formed on the base plate 27.
  • the welded beads 28 form a welded bead layer adjacent to each other, and the welding bead layer of the next layer is repeatedly laminated on the welded bead layer to form a model having a desired three-dimensional shape. ..
  • the modeling control device 13 also functions as a defect generation prediction device that provides defect information when generating a modeling program.
  • the modeling control device 13 may be arranged separately from the modeling device 11 and may be connected to the modeling device 11 from a remote location via a network, a communication means, a storage medium, or the like.
  • the modeling program may be created by another device and transmitted by communication, in addition to being created by the modeling control device 13.
  • FIG. 3 is a schematic block configuration diagram of the modeling control device 13.
  • the modeling control device 13 is a computer device similar to the robot control device 21, and includes a CPU 41, a storage unit 43, an input / output interface 45, an input unit 47, and an output unit 49.
  • the storage unit 43 is composed of a ROM which is a non-volatile storage area, a RAM which is a volatile storage area, and the like.
  • the input / output interface 45 is connected to the filler material supply unit 23 having the shape sensor 32, the temperature sensor 30, and the wire feeding sensor 31, the welding power supply 25, the robot control device 21, the input unit 47, and the output unit 49.
  • the input unit 47 is an input device such as a keyboard and a mouse
  • the output unit 49 includes a display device such as a monitor or an output terminal to which an output signal is transmitted.
  • the modeling control device 13 further includes a basic information table 51, a mathematical model generation unit 53, a database creation unit 55, a modeling planning unit 57, and a search unit 59, each of which will be described in detail later.
  • Each of the above-mentioned components operates according to the command of the CPU 41 and exerts its respective function.
  • FIG. 4 is an explanatory diagram showing a procedure for creating a modeling program for performing laminated modeling.
  • the operator inputs data such as the material, shape, and welding conditions of the model to be manufactured from the input unit 47 of the model control device 13 shown in FIG.
  • the modeling control device 13 creates a modeling plan so that the modeled object can obtain desired characteristics according to the input data.
  • a model is generated from the shape data, the generated model is divided into layers for each predetermined weld bead height, and each layer obtained is filled with the weld bead material, bead width, and bead formation order.
  • Determine various conditions such as (welding track).
  • welding track There are various methods for determining the welding track and the like, and the determination method is not limited.
  • the defect means, in a broad sense, the internal characteristics of the modeled object including the defect information.
  • the modeling plan will be created again by adjusting the various manufacturing conditions described above. Then, when the modeled object according to the created modeling plan does not contain defects, that is, when the characteristics including the defects satisfy the desired characteristics, a modeling program corresponding to the modeling plan is created.
  • the modeling program created in this way is sent to the robot control device 21 shown in FIG.
  • the robot control device 21 executes the sent modeling program to stack and model the modeled object.
  • the database 61 used for predicting and determining whether or not a modeled object can obtain desired characteristics is efficiently constructed by the created modeling program with little effort. As a result, it is possible to accurately and quickly determine the modeling plan, and thus it is possible to support the smooth creation of a more appropriate modeling plan.
  • FIG. 5 is an explanatory diagram showing a procedure for constructing the database 61.
  • the input information including each item of the material of the modeled object, the welding condition of the welded bead, and the partial welding track, and the output information including the defect information of the modeled object laminated under the condition of the input information are provided. Relationships are made using a mathematical model. The relation processing is repeated by machine learning, and a database 61 referred to in the prediction and determination shown in FIG. 4 is created based on the obtained mathematical model.
  • the modeling control device 13 creates a modeling plan according to the input data such as the material, shape, and welding conditions of the modeled object.
  • the characteristic values of the modeled object when the modeled object is produced by this modeling plan are obtained by the following first and second procedures.
  • the modeling control device 13 refers to the initial database 63 in which the relationship between the modeling plan and the characteristic value is registered in advance, and predicts the occurrence of defects in the modeled object to be laminated by the created modeling plan.
  • the modeling control device 13 drives the robot control device 21 according to the created modeling plan, and causes the modeling device 11 to perform laminated modeling of the modeled object.
  • a test sample is cut out from the modeled object, and the mechanical strength, metal structure, etc. are measured by testing (observation).
  • a mathematical model 62 is generated so that the difference between the prediction results and the test results of the characteristics of the modeled object obtained by the same modeling plan is compared, and the mathematical model 62 is used.
  • Create the database 61 The above-mentioned initial database 63 and database 61 are created by the database creation unit 55 shown in FIG. 3, but may be created by an apparatus other than the modeling control device 13.
  • a mathematical model 62 is generated by machine learning the prediction result of the characteristics by the initial database 63 by the first procedure and the test result by the second procedure, and the database 61 is created by using the mathematical model 62. The flow of a series of processes to be created will be explained.
  • FIG. 6 is a flowchart showing a procedure for constructing the database 61.
  • shape data shape data by 3D-CAD
  • a modeling plan is created from the shape data of this modeled object (S12).
  • the modeling plan includes a plurality of slice data obtained by dividing the model of the modeled object into layers by defining a predetermined stacking direction axis, the shape of the welded bead in each slice data, the welding conditions for forming the welded bead, and the like.
  • the defect of the modeled object is predicted by the first procedure (S13).
  • Predicted defects include, for example, the presence or absence of defects, the location of defects, the size of defects, the presence or absence of spatter, and the like.
  • Defects in the model are predicted using the initial database 63.
  • the initial database 63 is created from the basic information table 51 (FIG. 3) showing the correspondence between various manufacturing conditions and the test results of the model manufactured by the various manufacturing conditions based on the experience and knowledge obtained by the past modeling. To.
  • FIG. 7 is a flowchart showing a procedure for creating the initial database 63 used in the first procedure.
  • information on parameters used in the database for example, paths for forming weld beads, number of passes, order of forming weld beads (welding track), cross-sectional shape of weld beads, etc.
  • training data S21
  • the prepared learning data and the characteristic values of the modeled object corresponding to the learning data are related by the initial mathematical model (S22). That is, by repeatedly machine learning a plurality of training data and the characteristic values of the corresponding modeled objects, an initial mathematical model representing the relationship between the two is generated.
  • the "mathematical model” as used herein means a model in which the quantitative behavior of a modeled object is formulated and the properties can be simulated by calculation.
  • the mathematical model is a computational model created based on a group of experimental data collected by an experiment and associated with a predetermined algorithm, and this computational model is well matched with the experimental data assuming a predetermined function. It may be optimized so as to be performed, or it may be created by giving input information and output information by machine learning. Examples of specific algorithms include support vector machines, neural networks, random forests, and the like.
  • the characteristic values of the modeled object corresponding to the plurality of training data are predicted, and these predicted values are associated with the training data and registered in the table component of the initial database 63 (S23). .. In this way, the initial database 63 is created.
  • a modeled object is produced based on the created modeling plan. That is, the modeling planning unit 57 (FIG. 3) creates a modeling program according to the modeling plan (S14), and by executing the modeling program, the modeling device 11 shown in FIG. 1 is driven to model the modeled object (S14). S15). Then, a test sample is cut out from the obtained modeled object, and various characteristics of the test sample are tested (S16).
  • the prediction result of the characteristics of the modeled object obtained in the first procedure is compared with the test result obtained in the second procedure (S17). If the difference between the prediction result and the test result is large, the mathematical model 62 (corresponding to the initial mathematical model used to create the initial database 63) shown in FIG. 5 is modified so that the difference between the two is small (corresponding to the initial mathematical model). S18). That is, the test result for the input information is used as the teacher data, and the mathematical model 62 is machine-learned so that the predicted result approaches the test result. If the difference between the prediction result and the test result is small, the mathematical model 62 is not modified, but machine learning may be performed so as to contribute to the improvement of the accuracy of the mathematical model 62. In this way, the mathematical model 62 becomes a trained model in which the relationship between the input information and the output information is machine-learned.
  • the characteristic values (output information) of the modeled object corresponding to an arbitrary plurality of conditions (input information) are predicted, and the set conditions and the predicted characteristics are predicted. It is associated with the value and made into a table component of the database 61.
  • the initial database 63 is modified by using the mathematical model 62 to construct the database 61 in which the prediction result and the test result for a specific condition match accurately (S19).
  • FIG. 8A is an explanatory diagram showing the relationship between the input information and the output information using a mathematical model
  • FIG. 8B is a database in which the input information and the output information are linked. It is explanatory drawing which shows.
  • a filler material which is a material of a modeled object will be described as an example.
  • various types of fillering materials A, B, C, ... can be selected as the fillering material.
  • the defects that may occur in the obtained modeled product are defect information A and filler metal B for the filler material A.
  • the mathematical model A is used for the defect information A of the modeled object for the filler material A
  • the mathematical model B is used for the defect information B of the modeled object for the filler metal B
  • the defect information C of the modeled object for the filler metal C is used.
  • the filler material A and the defect information A are associated with each other, and the filler material B and the defect information B are associated with each other, and the filler is added.
  • the material C and the defect information C are associated with each other, and so on.
  • the type of the filler material may be specified by a trade name such as MG-51T and MG-S63B (solid wire manufactured by Kobe Steel), and is distinguished by the component composition (for example, the amount of carbon) of the filler material. May be good.
  • the above example is an example in which defect information is related to each type of filler metal, but there are more various items in the actual input information.
  • FIG. 9 is an explanatory diagram showing a relationship between input information whose input information is composed of a plurality of items and output information using a mathematical model.
  • the input information includes, at least, the material of the modeled object, the welding conditions, and the partial welding track.
  • Examples of the material of the welded material include members such as a base plate 27 (FIG. 1) on which a welded bead is formed and a structural material (not shown) which is joined to the welded bead and is a component of a modeled object, in addition to the above-mentioned filler metal. Will be.
  • Welding conditions include at least welding current, welding voltage, welding speed, pitch width of welding track, time between passes, target position of welding head, welding posture of welding head, and supply speed of filler metal at the time of welding bead formation. Any or a combination thereof may be mentioned.
  • the aiming position of the welding head is the position of the torch tip for arranging the torch tip at the welding position
  • the welding posture of the welding head is the inclination angle between the vertical axis and the torch axis and the torch around the vertical axis.
  • the angle of circumference in the direction of inclination The pitch width of the welded tracks is the distance between adjacent welded tracks
  • the interpass time is the welding path of one welded track to the welded path of the next welded track in a plurality of welded tracks. Represents the time until the transfer.
  • the time between passes affects the metallographic structure of the welded bead to be formed.
  • the molten mild steel filler metal When the molten mild steel filler metal is rapidly cooled during the formation of the welded bead, it becomes a mixed structure mainly composed of bainite. Further, when the molten mild steel filler material is naturally solidified, it becomes a structure containing coarse ferrite, pearlite, and bainite.
  • pearlite and bainite are transformed into ferrite, and coarse ferrite is formed. Becomes a finer structure.
  • the welding beads of the next layer are laminated while controlling the interlayer time and the amount of heat input so that the inter-pass temperature is within the range of 200 ° C. to 550 ° C., and similarly, the next layer is formed.
  • the welded beads are heated beyond the transformation point of ferrite. In that case, a homogenized structure composed of a fine ferrite phase having an average crystal grain size of 10 ⁇ m or less can be obtained.
  • Such a welded bead has a high hardness (for example, a Vickers hardness of about 130 to 180 Hv), a good mechanical strength, and a substantially uniform hardness with little variation.
  • the interpass temperature is less than 200 ° C., even if the welding beads are heated by laminating the welding beads of the next layer and thereafter, the transformation point of ferrite is not exceeded. , A uniformed structure consisting of a fine ferrite phase cannot be obtained.
  • the heat removed by the base plate 27 causes the interpass temperature when laminating the welded beads of the next layer to be less than 200 ° C. In that case, the welded bead at the initial stage of modeling becomes a mixed structure mainly composed of bainite.
  • the welded bead is heated by laminating the welded bead of the next layer, flattening of the welded bead and dripping occur, and the welded bead cannot be laminated in a predetermined shape. Further, in the welded bead in the latter stage of molding (the uppermost layer of the modeled object), the welded bead of the next layer is not laminated and is not heated again, so that the molten filler material is naturally solidified, that is, coarse. The structure remains with ferrite, pearlite, and bainite.
  • the metal structure of the welded bead formed during the inter-pass time changes, which in turn changes the defects that occur in the modeled object.
  • the above is about the effect of the inter-pass time on the defects of the model, but it is also known that other parameters also affect the characteristics of the model.
  • a partial welding track is a welding track for an element shape obtained by cutting out a part of the shape of a modeled object, and when a complicated shape is decomposed into a simple shape (element shape), the simple shape is modeled. It means a welding track for this (this point will be described later).
  • Information on each weld track includes information on the paths forming the weld bead, the number of passes, the order in which the weld beads are formed, and the cross-sectional shape of the weld beads.
  • each of the above-mentioned materials of the modeling material, welding conditions, and partial welding trajectories is referred to as “items", and filler materials A, B, C, ..., And welding current, welding voltage, and welding for each item.
  • Velocity, ..., element shape, path, number of paths, ... are called “input sub-items”.
  • the range that can be input can be limited. That is, it is possible to prevent the contents other than the input sub-items from being set as the input data so as not to deviate from the recommended range of the welding robot 17 of the modeling apparatus 11, the recommended conditions for using the filler metal, and the like. As a result, it is possible to prevent troubles caused by defects in the device or materials, and to prevent the presentation of improper conditions.
  • the input information consists of a plurality of items of the material of the modeled object, welding conditions, and partial welding trajectories, and each of the items has a plurality of input sub-items different from each other.
  • the input data of each item defines the input sub-items whose range is divided by a plurality of sections, and the representative value corresponding to each input sub-item is defined as the input data. May be good.
  • the representative value of the input sub-item may be any representative of the input sub-item, for example, the median value in the input sub-item, or the value of the upper limit value and the lower limit value.
  • the database creation unit 55 inputs the input data for each input sub-item thus determined into the mathematical model created by the mathematical model generation unit 53, and obtains the output data for each input sub-item.
  • the output data of the output information is the output value of the mathematical model corresponding to the input data.
  • each input data for each input sub-item can be input data, for example, with the median value of the data section defined as the input sub-item as a representative value.
  • the database creation unit 55 creates a database by accumulating and storing the correspondence between the output data obtained by inputting the input data for each input sub-item into the mathematical model and the input data for each input sub-item. do. That is, the database creation unit 55 creates a database accumulating the output data for each input sub-item in which the range of each item of the input data is divided into a plurality of sections.
  • the input sub-items of each item are related to the defect information of the modeled object by the mathematical model.
  • Tuning here includes transfer learning, in which what is learned in one area (learned model) is useful for another area and is efficiently learned. According to this, the learning data can be reduced and the amount of calculation can be reduced.
  • FIG. 10 is an explanatory diagram showing a process of dividing the shape of a modeled object to be manufactured into a plurality of element shapes and obtaining a welding track of each element shape.
  • the model 65 an example includes a main body 65A, a first protrusion 65B connected to one surface of the main body 65A, and a second protrusion 65C connected to the other surface of the main body 65A. do.
  • this model 65 is divided into element shapes having a simple shape, it becomes a first protrusion 65B of a cylinder, a main body 65A of a cube, and a second protrusion 65C of a U shape.
  • the division into element shapes may be divided manually, or may be divided by pattern matching with a simple shape or the like registered in advance.
  • the welding trajectory representing the formation order of the welded beads is individually obtained. That is, the welding track is determined for each divided element shape.
  • the welding track of each element shape may be sequentially designed and obtained each time it is divided into element shapes, but since the element shape is a simple shape, a plurality of types of simple shape welding tracks (reference welding tracks) are preliminarily used as elements. It may be registered in a database and refer to this element database to determine a welding track having a shape corresponding to the element shape.
  • a reference welding track in which a welding bead formation path (torch trajectory) is defined is used.
  • a reference welding track having a shape close to that of the element database is searched for and obtained, and from the obtained reference welding track, the welding track A of the main body 65A and the welding track of the second protrusion 65C are found.
  • C can be easily determined.
  • the modeled object can be regarded as an aggregate of simple shapes, and the modeling plan can be simplified.
  • the occurrence of defects can be predicted for each element shape, it also contributes to identifying the position (near which part) of the entire modeled object where the defect occurs.
  • FIG. 11 is a flowchart showing a procedure for creating a modeling plan when the shape of the modeled object is decomposed into element shapes.
  • the modeling planning unit 57 inputs a model created from the shape data into a plurality of element shapes.
  • various information such as the reference welding track and welding conditions corresponding to each decomposed element shape is searched for and extracted from the element database (not shown) prepared in advance (S33).
  • the element database used here is information including a reference welding track and welding conditions set corresponding to the element shape, and these information are registered in the element database in advance.
  • the extracted reference welding tracks are applied to the corresponding element shapes to obtain the welding tracks (S34), and a modeling plan for the entire modeled object is created according to the welding conditions (S35).
  • the created modeling plan is the modeling plan of S12 shown in FIG. Therefore, the modeling plan shown in FIG. 4 can be obtained by disassembling into element shapes and determining the welding trajectory and welding conditions for each element shape by generating a mathematical model in the same manner as described above and constructing the database 61. Is supported. Regarding the welding conditions, information on the welding conditions can be easily collected from the modeling device 11, the wire feeding sensor 31, the shape sensor 32, the drive signal of the welding robot 17, and the like. These values can also be used to feedback control the shape of the model as needed.
  • FIG. 12 is an explanatory diagram showing the relationship between the input information, the intermediate output information, and the output information using a mathematical model.
  • Each item of the material of the modeled object of the input information, the welding condition, and the partial welding track has a plurality of input sub-items.
  • Intermediate output information is associated with each combination of input sub-items by a separate first mathematical model. Further, each input sub-item of the intermediate output information is associated with each input sub-item of the output information by the second mathematical model.
  • the intermediate output information includes information on the temperature history of the modeled object, the characteristic amount of the molten pool shape at the time of forming the welded bead, the bead height or the bead width of the welded bead, the characteristic amount of the arc shape, the presence or absence of spatter, etc. May include.
  • the molten pool and the like will be described later with reference to FIG.
  • the properties of the beads will be described later with reference to FIGS. 16 to 18.
  • the temperature history of the modeled object will be explained.
  • the temperature history has a great influence on the internal state (for example, material) including defects of the laminated structure of the modeled object. Therefore, analyzing the temperature history to estimate the internal state of the modeled object is useful for predicting the possibility of occurrence of defects and the degree thereof (for example, defect size).
  • the temperature history of the formed object is as described above. It depends on the condition of the item. Therefore, the mechanical strength of the formed model, the properties of the metal structure, and the like also differ depending on the conditions, and therefore, the defects that occur are also affected.
  • the intermediate output information mentioned here can be easily collected even during modeling by providing a shape sensor and a temperature sensor.
  • FIG. 13 is a graph showing the temperature history of the welded bead formed at the time of modeling at a specific position.
  • the welded bead that is repeatedly laminated melts and solidifies to become a welded bead, and then is reheated by the welded bead laminated on the upper layer and heated (melted if it is a close layer). (Sometimes) and cooling are repeated.
  • Each peak in the temperature history is located higher than the welded bead at the specific position and is separated from the specific position, so that the temperature is lowered.
  • the melting point Tw of the welded bead is 1534 ° C., which is the melting point of iron (carbon steel), and the transformation point Tt (A1 transformation point of carbon steel) of the welded bead is 723 ° C.
  • the material of the welded bead after solidification is transformed. It is generally determined by the temperature history in the range of the point Tt or more and the melting point or less and Tw or less. That is, in the laminated modeling, heating and cooling are repeated, but the factor that affects the structure of the modeled object is the temperature history of the above-mentioned range Aw. Therefore, by extracting the feature amount of the temperature history of the range (inspection temperature range) Aw of the transformation point Tt or more and the melting point or less and Tw or less, the characteristics of the modeled object can be predicted.
  • peaks exceeding the melting point Tw and peaks below the transformation point Tt are ignored.
  • the temperature of the low temperature side maximum point Pk2 closest to the transformation point Tt and the temperature of the high temperature side maximum point Pk1 second closest to the transformation point Tt.
  • the temperatures of these high-temperature side maximum points Pk1 and low-temperature side maximum points Pk2 are set as feature quantities in the temperature history, that is, intermediate output information.
  • FIG. 14A and 14B are graphs showing the difference in cooling characteristics when beads are formed with different heat input amounts
  • FIG. 14A is a graph showing temperature change characteristics when the heat input amount is relatively high
  • FIG. 14B is a graph showing relatively low heat input. It is a graph which shows the temperature change characteristic in the case of calorific value.
  • the cooling rate depends on the amount of heat input, and if the temperature of the local maximum point Pk2 on the low temperature side is known, the structure of the welded bead can be predicted. Then, by predicting the characteristics of the structure or the like by combining the temperature of the low-temperature side maximum point Pk2 and the temperature of the high-temperature side maximum point Pk1, the prediction accuracy is improved as compared with the case of predicting only at any of the temperatures.
  • the item of intermediate processing information is set as a determinant of the material of the modeling material, the input information and the intermediate output information are related by the first mathematical model, and the intermediate output information and the output information are related to the second mathematical model. Relationship by model. This can be expected to have the effect of being able to relate the input information and the output information more accurately than when the input information and the output information are directly related.
  • the temperature of the modeled object may be monitored by the temperature sensor 30 (FIG. 1) during modeling, and the temperature data at a predetermined position may be acquired.
  • the temperature sensor 30 may detect the temperature in cooperation with the shape sensor 32. That is, the shape sensor 32 detects the shape of the modeled object, and the temperature sensor 30 detects the temperature at a specific position of the modeled object.
  • the temperature simulation calculation may be performed based on the type of filler metal and the welding conditions.
  • the following is an example of the basic formula used for temperature simulation.
  • the basic equation (1) is an equation for heat transfer analysis by the so-called explicit method FEM (Finite Element Method). Each parameter of the basic equation (1) is as follows. H: Enthalpy C: Reciprocal of node volume K: Heat conduction matrix F: Heat flux Q: Volume heat generation
  • the amount of heat input during molding may be applied to the welding region according to the welding speed. Further, when the welded bead is short, heat input of the entire bead may be applied.
  • FIG. 15 is an explanatory view showing a molten pool formed at the tip of the filler metal.
  • the arc center 71, the filler tip 73, the molten pool tip 75, the molten pool left end 77, and the molten pool right end 79 are shown as feature quantities (image feature information).
  • the present invention is not limited to this, and for example, the width of the arc, the shape of the arc, and the like may be estimated and extracted as feature quantities.
  • the movement of the torch is restricted or occurs due to the presence thereof.
  • the arc is attracted to the protrusions and walls, and the arc direction changes.
  • the area or position of the molten pool may deviate from the normal range, or the distance between the tip of the filler metal and the center of the arc may become long, and the feature amount may fluctuate.
  • FIG. 16 is a cross-sectional view showing an example of a defect generated in a laminated structure of beads having one layer and two rows.
  • the first bead 81 is formed on the base plate 27, and the second bead 83 is formed so as to overlap a part of the first bead 81.
  • a defect of the cavity (nest) 85 is generated between the first bead 81 and the second bead 83, and although not shown, slag, spatter, etc. are also observed around each bead. Slag and spatter are formed on the outside of the laminated structure, but when the beads are laminated, they may be sandwiched between the beads and enter the inside of the laminated structure. In that case, it affects the characteristics such as joint strength, durability, and mechanical strength. In this way, the properties of adjacent beads are closely related to defects inside the beads and can be useful information for predicting the occurrence of defects.
  • FIG. 17 (A) is a cross-sectional view of the simulation result by the model shape function of the welded beads laminated in one layer and two rows
  • FIG. 17 (B) shows the shape of each welded bead in FIG. 17 (A).
  • BD1 is a cross-sectional shape of the entire welded bead in one layer and two rows. This cross-sectional shape is obtained by synthesizing the shape BD1-1 of the first bead and the shape BD1-2 of the second bead shown in FIG. 17 (B). That is, the cross-sectional shape of the entire welded bead can be decomposed into a first bead and a second bead, and defect information can be estimated individually for each bead.
  • FIG. 18A is a cross-sectional view of the simulation result by the model shape function of the welded beads laminated in two layers and two rows
  • FIG. 18B is the shape of each welded bead in FIG. 18A.
  • BD2 is a cross-sectional shape of the entire welded bead in two layers and two rows.
  • the cross-sectional shapes thereof include the shape BD2-1 of the first bead of the first layer and the shape BD2-2 of the second bead shown in FIG. 18B, and the shape BD2-3 of the third bead of the second layer. And obtained by synthesizing the shape BD2-4 of the fourth bead.
  • each of the third and fourth beads of the second layer shows the bead shape to be arranged after the first and second beads of the first layer are formed. That is, the cross-sectional shape of the entire welded bead can be decomposed into the first to fourth beads, and the defect information can be estimated individually for each bead.
  • the model shape function by applying the model shape function to the information on the overall appearance shape of the welded bead obtained from the shape detection result of the welded bead, the shape information such as the bead height and bead width of the welded bead in each layer can be specified. can.
  • a defect with higher accuracy is taken into consideration in consideration of the properties of each weld bead. Can be predicted.
  • FIG. 19 is an explanatory diagram showing how a plurality of databases for associating input information and output information are selectively used.
  • the input information and the output information are related by using the mathematical model I
  • the database DB1 (the above-mentioned database 61) is constructed by the mathematical model I.
  • the input information and the intermediate output information are related by using the mathematical model IIa
  • the intermediate output information and the output information are related by using the mathematical model IIb.
  • Database DB2 (database 61 described above) is constructed by IIa and IIb.
  • the constructed database DB1 and the database DB2 are compared, and the database whose output information with respect to the input information is more accurate is used as the database 61 shown in FIG.
  • the accuracy of the output with respect to the input is determined by using the set of the input information and the output information (teacher data) whose correspondence relationship is known.
  • the present invention is not limited to the above-described embodiment, and is modified or applied by those skilled in the art based on the combination of each configuration of the embodiments with each other, the description of the specification, and the well-known technique. It is also a matter of the present invention to do so, and it is included in the scope of seeking protection.
  • a defect generation prediction method for predicting the occurrence of defects when a welded bead formed by melting and solidifying a filler material supplied from a welding head is laminated in a desired shape to manufacture a modeled object.
  • Each of the input information items has a plurality of input sub-items different from each other.
  • the output information has a plurality of individual defect information corresponding to the input sub-items.
  • each of the input sub-items of the input information is related to the individual defect information in the mathematical model. Defect occurrence prediction method.
  • this defect generation prediction method by constructing a database related to defect generation, it is possible to predict the occurrence of defects in a modeled object before performing laminated modeling.
  • defects can be easily predicted for shaped objects that are manufactured by laminated molding and for which contact-type internal inspection such as ultrasonic flaw detection is difficult to apply due to the complicated shape, or for shaped objects that are large in size and difficult to apply for flaw detection tests by X-rays.
  • defects can be easily predicted.
  • a defect generation prediction method for predicting the occurrence of defects when a welded bead formed by melting and solidifying a filler metal supplied from a welding head is laminated and shaped into a desired shape to produce a modeled object.
  • Input information including each item of the material, welding condition and welding track of the modeled object, temperature history of the modeled object when laminated under the conditions of each item of the input information, and the shape of the molten pool at the time of forming the welded bead.
  • the first mathematical model that associates the feature amount of the welded bead with the intermediate output information including the bead height or bead width information of the welded bead, and the output information including the intermediate output information and the defect information of the modeled object.
  • the process of generating the second mathematical model to be attached and A process of creating a database showing the correspondence between the input information and the output information using the first mathematical model and the second mathematical model.
  • the process of presenting the obtained defect information of the modeled object and Including Each of the input information items has a plurality of input sub-items different from each other.
  • the intermediate output information has individual intermediate values corresponding to the input sub-items.
  • the output information has a plurality of individual defect information corresponding to the individual intermediate values.
  • each of the input sub-items is related to the individual intermediate value in the first mathematical model, and the individual intermediate value is used.
  • Each is related to the individual defect information in the second mathematical model.
  • Defect occurrence prediction method According to this defect generation prediction method, by setting the temperature history, the feature amount of the molten pool, etc., the bead height or the bead width, etc. as intermediate outputs, the typical features of the modeling conditions are aggregated and associated with the defect information. It will be easier. Further, the intermediate output information mentioned here can be easily collected by providing a shape sensor and a temperature sensor during the modeling of the modeled object, and can be realized by a simple method.
  • the predicted temperature history it is possible to grasp whether the internal state of the modeled object is in a state in which it is determined that defects are likely to occur or the possibility of defects is higher than usual. Furthermore, it is possible to infer, for example, the possibility that welding outside the normal range is performed from the feature quantities of the molten pool and the like that are directly related to welding, and to narrow down the presence or absence and degree of defects.
  • the shape information of the welded bead in each layer of the welded bead is estimated using a model shape function, etc., and the shape, size, crushing condition, outer shape disorder, and degree of structural instability of the welded bead are also taken into consideration. , The position and size of defects can be predicted.
  • the above-mentioned defects can be predicted in consideration of the presence or absence of spatter generation.
  • it is possible to predict the occurrence of defects with unprecedented accuracy without significantly increasing the amount of learning. It is also possible to improve the prediction accuracy by predicting the occurrence of defects by combining a plurality of intermediate output information. Further, by increasing the types of intermediate output information, the accuracy of prediction can be further improved.
  • the information on the welding conditions in the input information includes the welding current, welding voltage, welding speed, pitch width between adjacent welding trajectories, and specific welding among a plurality of welding trajectories at the time of forming the weld bead. Includes information on the time between passes from track to another weld track, the target position of the weld head, the weld posture of the weld head, at least one of the filler feed rates, or a combination thereof.
  • the defect occurrence prediction method according to any one of 1) to (3). According to this defect generation prediction method, focusing on various items of welding conditions, for example, by limiting to some promising ones or cutting out with various patterns, the intermediate output corresponding to the selected item is obtained. Information and defect occurrence information can be output. That is, various variations can be obtained in predicting the occurrence of defects. This also facilitates the expansion of the number of data. In addition, since all of them are indicators that can be monitored during modeling, data can be easily collected.
  • the information of the welding track in the input information includes at least one of the information of the path forming the welding bead, the number of the paths, the formation order of the welding bead, and the cross-sectional shape of the welding bead (5).
  • the defect occurrence prediction method according to any one of 1) to (4). According to this defect generation prediction method, the same effect as in (4) above can be obtained.
  • each element shape may be performed manually, or may be cut out by pattern matching with a simple shape registered in advance.
  • Each element shape cut out can be layered, for example, by defining a predetermined stacking direction axis, and each layer is divided into predetermined bead units to create an orbit forming each welded bead. Is also possible. In this way, since the occurrence of defects can be predicted for each element shape, it is possible to easily identify the position of the defect in the modeled object.
  • defect generation prediction method according to any one of (1) to (6), wherein the output information includes at least any one of defect size, defect shape, spatter generation amount, and defect generation presence / absence.
  • this defect occurrence prediction method it is possible to search by a database, that is, to estimate defects, etc., using important indicators related to the quality of the modeled object as output information. Therefore, prior to the actual modeling, defect prediction using a database can be performed to obtain defect information that can be an important index related to the quality of the modeled object. In other words, by using those important indicators as output information, it is possible to efficiently predict the quality of the modeled object.
  • the defect occurrence prediction method according to any one of (1) to (8), wherein the input range of the input information is limited to a limited range based on a predetermined condition.
  • this defect generation prediction method by setting a limit on the input range so as not to deviate from the recommended range for driving the modeling device and the recommended conditions for using the filler material, troubles caused by device defects or materials can be caused. You can avoid entering conditions that are likely to occur. Further, for example, it is possible to reduce the calculation load of the mathematical model by excluding cases that deviate from the recommended range of the welding machine, the recommended conditions for using the filler material, and the like.
  • a defect generation prediction device for predicting the occurrence of defects when a welded bead formed by melting and solidifying a filler material supplied from a welding head is laminated in a desired shape to manufacture a modeled object.
  • a mathematical model generator that generates a model, and a mathematical model generator
  • a database creation unit that creates a database that represents the correspondence between the input information and the output information using the mathematical model.
  • a search unit that searches the database using each item of the material, welding conditions, and welding track of the modeled object and obtains defect information of the modeled object, which is input to the database.
  • An output unit that presents the obtained defect information of the modeled object, Including
  • Each of the input information items has a plurality of input sub-items different from each other.
  • the output information has a plurality of individual defect information corresponding to the input sub-items.
  • each of the input sub-items of the input information is related to the individual defect information in the mathematical model. Defect occurrence predictor. According to this defect generation prediction device, by constructing a database regarding the occurrence of defects, it is possible to predict the occurrence of defects in the modeled object before performing the laminated modeling.
  • a defect generation prediction device for predicting the occurrence of defects when a welded bead formed by melting and solidifying a filler material supplied from a welding head is laminated in a desired shape to manufacture a modeled object.
  • Input information including each item of the material, welding condition and welding track of the modeled object, temperature history of the modeled object when laminated under the conditions of each item of the input information, and the shape of the molten pool at the time of forming the welded bead.
  • the first mathematical model that associates the feature amount of the welded bead with the intermediate output information including the bead height or bead width information of the welded bead, and the output information including the intermediate output information and the defect information of the modeled object.
  • the mathematical model generator that generates the second mathematical model to be attached, and A database creation unit that creates a database that represents the correspondence between the input information and the output information using the first mathematical model and the second mathematical model.
  • a search unit that searches the database using each item of the material, welding conditions, and welding track of the modeled object and obtains defect information of the modeled object, which is input to the database.
  • An output unit that presents the obtained defect information of the modeled object, Including
  • Each of the input information items has a plurality of input sub-items different from each other.
  • the intermediate output information has individual intermediate values corresponding to the input sub-items.
  • the output information has a plurality of individual defect information corresponding to the individual intermediate values.
  • each of the input sub-items is related to the individual intermediate value in the first mathematical model, and the individual intermediate value is used.
  • Each is related to the individual defect information in the second mathematical model.
  • Defect occurrence predictor According to this defect generation prediction device, by setting the temperature history, the feature amount of the molten pool, the bead height, the bead, etc. as the intermediate output, the typical features of the modeling conditions are aggregated and easily associated with the defect information. Become. Further, since the intermediate output information mentioned here can be easily collected by providing a shape sensor and a temperature sensor during the modeling of the modeled object, it can be realized by a simple method.
  • the predicted temperature history it is possible to grasp whether the internal state of the modeled object is in a state in which it is determined that defects are likely to occur or the possibility of defects is higher than usual. Furthermore, it is possible to infer, for example, the possibility that welding outside the normal range is performed from the feature quantities of the molten pool and the like that are directly related to welding, and to narrow down the presence or absence and degree of defects.
  • the shape information of the welded bead in each layer of the welded bead is estimated using a model shape function, etc., and the shape, size, crushing condition, outer shape disorder, and degree of structural instability of the welded bead are also taken into consideration. , Defect location, size, etc. can be predicted.
  • the above-mentioned defects can be predicted in consideration of the presence or absence of spatter generation.
  • it is possible to predict the occurrence of defects with unprecedented accuracy without significantly increasing the amount of learning.
  • It is also possible to improve the prediction accuracy by predicting the occurrence of defects by combining a plurality of intermediate output information.
  • the accuracy of prediction can be further improved.
  • Modeling device 13 Modeling control device 15 Welding torch 17 Welding robot 21
  • Robot control device 23 Welding material supply unit 25
  • Welding power supply 27 Base plate 29
  • Reel 30 Temperature sensor 31
  • Wire feeding sensor 32 Shape sensor 33
  • Input / output interface 35 Storage unit 37
  • Operation Panel 39
  • Welded bead layer 41
  • CPU 43
  • Storage unit 45
  • Output unit 51 Basic information table
  • Mathematical model generation unit 55 Database creation unit 57
  • Modeling planning unit 59 Search unit 61
  • Initial database 65
  • 65B 1st protrusion (element shape)
  • 65C second protrusion (element shape)

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Plasma & Fusion (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Materials Engineering (AREA)
  • Numerical Control (AREA)
  • Butt Welding And Welding Of Specific Article (AREA)

Abstract

造形計画支援方法は、造形物の材料、溶着ビードの溶接条件及び溶接軌道の各項目を含む入力情報と、その入力情報の条件で積層造形した場合の造形物の欠陥情報を含む出力情報とを、数理モデルを用いて関係付ける。この数理モデルを用いてデータベースを作成し、造形物の欠陥情報を、データベースを検索して求め、欠陥情報を提示する。入力情報の項目のそれぞれは、互いに異なる複数の入力サブ項目を有する。出力情報は、入力サブ項目それぞれに対応する複数の個別欠陥情報を有する。数理モデルを生成する際、入力情報の入力サブ項目のそれぞれを、数理モデルで個別欠陥情報に関係付けする。

Description

欠陥発生予測方法、及び欠陥発生予測装置
　本発明は、溶着ビードにより造形物を製造する際の欠陥発生予測方法、及び欠陥発生予測装置に関する。
　近年、３Ｄプリンタを用いた積層造形による部品製造のニーズが高まっており、金属材料を用いた造形の実用化に向けて研究開発が進められている。金属材料を積層造形する３Ｄプリンタは、例えばレーザ又はアーク等の熱源を用いて、金属粉体又は金属ワイヤを溶融及び凝固させ、溶接金属（溶着ビード）を積層することで所望の形状の造形物を作製する。
　しかし、金属材料を用いた積層造形では、金属組織、硬度等の材料特性が製造条件に応じて変化しやすい。そのため、造形物を構成する金属材料の特性が、予期した特性から著しく変化する可能性がある。そこで、従来の溶接技術では、経験的に得られた知見、試行錯誤等に基づいて、指定の製造条件で製造した場合の造形物の特性を予測して、所望の形状及び特性が得られるように、製造条件を調整することが行われている。
　さらに、上記の経験及び試行錯誤による情報の活用を計算機上で具現化するため、例えば、溶接物の試験断面画像及び試験溶接物を用意し、これらから、強度、延性、硬度、靱性、粒状構造といった溶接物の各仕様の適合性を判断する処理に、機械学習を活用した事例が特許文献１に開示されている。また、特許文献２には、溶接電流、溶接電圧、溶加材送り速度等のプロファイル特徴から、造形物の良／不良を予測する技術が開示されている。
日本国特開２０１９－５８０９号公報 日本国特開２０１９－１６２６６６号公報
　しかしながら、積層造形により製造される造形物の材料的観点に基づく特性の予測は、単純な溶接プロセスと比較して積層造形プロセスが複雑であることから困難と考えられる。また、積層造形による製造方法では、製造条件の自由度が非常に高く、造形物の特性の組み合わせが多岐にわたり、特性の予測には膨大な演算処理が必要となる。
　特に、積層構造中の欠陥の発見に関しては、積層造形により製造された造形物の形状が複雑なことから、超音波探傷等の接触式内部検査の適用が難しいケースがある。また、サイズの大きな造形物については、Ｘ線による探傷試験の適用が難しい。積層造形物は、このように造形後の、欠陥の発見を含む検査が難しいという課題を抱えている。そのため、超音波探傷又はＸ線探傷といった計測手法を使わなくても、簡便に欠陥を予測する方法の構築が求められている。
　そこで本発明は、少ない手間で効率よく造形物の欠陥発生を予測して、より適切な造形物の造形計画の作成を支援できる欠陥発生予測方法、及び欠陥発生予測装置を提供することを目的とする。
　本発明は下記の構成からなる。
（１）　溶接ヘッドから供給される溶加材を溶融及び凝固させて形成する溶着ビードを、所望の形状に積層して造形物を製造する際の欠陥発生を予測する欠陥発生予測方法であって、
　前記造形物の材料、溶接条件及び溶接軌道の各項目を含む入力情報と、当該入力情報の前記各項目の条件で積層造形した場合の前記造形物の欠陥情報を含む出力情報とを関係付ける数理モデルを生成する工程と、
　前記数理モデルを用いて前記入力情報と前記出力情報との対応関係を表すデータベースを作成する工程と、
　前記造形物の材料、溶接条件及び溶接軌道の各項目を前記データベースに入力し、前記造形物の欠陥情報を、前記データベースを検索して求める工程と、
　求めた前記造形物の欠陥情報を提示する工程と、
を含み、
　前記入力情報の項目のそれぞれは、互いに異なる複数の入力サブ項目を有し、
　前記出力情報は、前記入力サブ項目に対応する複数の個別欠陥情報を有し、
　前記数理モデルを生成する工程では、前記入力情報の前記入力サブ項目のそれぞれを、前記数理モデルで前記個別欠陥情報に関係付けする、
欠陥発生予測方法。
（２）　溶接ヘッドから供給される溶加材を溶融及び凝固させて形成する溶着ビードを、所望の形状に積層造形して造形物を製造する際の欠陥発生を予測する欠陥発生予測方法であって、
　前記造形物の材料、溶接条件及び溶接軌道の各項目を含む入力情報と、当該入力情報の各項目の条件で積層造形した場合の前記造形物の温度履歴、前記溶着ビード形成時の溶融池形状の特徴量、前記溶着ビードのビード高さ又はビード幅の情報を含む中間出力情報とを関係付ける第１の数理モデル、及び前記中間出力情報と前記造形物の欠陥情報を含む出力情報とを関係付ける第２の数理モデルをそれぞれ生成する工程と、
　前記第１の数理モデルと前記第２の数理モデルを用いて前記入力情報と前記出力情報との対応関係を表すデータベースを作成する工程と、
　前記造形物の材料、溶接条件及び溶接軌道の各項目を前記データベースに入力し、前記造形物の欠陥情報を、前記データベースを検索して求める工程と、
　求めた前記造形物の欠陥情報を提示する工程と、
を含み、
　前記入力情報の項目のそれぞれは、互いに異なる複数の入力サブ項目を有し、
　前記中間出力情報は、前記入力サブ項目に対応する個別中間値を有し、
　前記出力情報は、前記個別中間値に対応する複数の個別欠陥情報を有し、
　前記第１の数理モデル及び前記第２の数理モデルを生成する工程では、前記入力サブ項目のそれぞれを、前記第１の数理モデルで前記個別中間値に関係付けし、且つ、前記個別中間値のそれぞれを、前記第２の数理モデルで前記個別欠陥情報に関係付けする、
欠陥発生予測方法。
（３）　溶接ヘッドから供給される溶加材を溶融及び凝固させて形成する溶着ビードを、所望の形状に積層して造形物を製造する際の欠陥発生を予測する欠陥発生予測装置であって、
　前記造形物の材料、溶接条件及び溶接軌道の各項目を含む入力情報と、当該入力情報の前記各項目の条件で積層造形した場合の前記造形物の欠陥情報を含む出力情報とを関係付ける数理モデルを生成する数理モデル生成部と、
　前記数理モデルを用いて前記入力情報と前記出力情報との対応関係を表すデータベースを作成するデータベース作成部と、
　前記データベースに入力される前記造形物の材料、溶接条件及び溶接軌道の各項目を用いて前記データベースを検索し、前記造形物の欠陥情報を求める検索部と、
　求めた前記造形物の欠陥情報を提示する出力部と、
を含み、
　前記入力情報の項目のそれぞれは、互いに異なる複数の入力サブ項目を有し、
　前記出力情報は、前記入力サブ項目に対応する複数の個別欠陥情報を有し、
　前記数理モデルを生成する工程では、前記入力情報の前記入力サブ項目のそれぞれを、前記数理モデルで前記個別欠陥情報に関係付けする、
欠陥発生予測装置。
（４）　溶接ヘッドから供給される溶加材を溶融及び凝固させて形成する溶着ビードを、所望の形状に積層して造形物を製造する際の欠陥発生を予測する欠陥発生予測装置であって、
　前記造形物の材料、溶接条件及び溶接軌道の各項目を含む入力情報と、当該入力情報の各項目の条件で積層造形した場合の前記造形物の温度履歴、前記溶着ビード形成時の溶融池形状の特徴量、前記溶着ビードのビード高さ又はビード幅の情報を含む中間出力情報とを関係付ける第１の数理モデル、及び前記中間出力情報と前記造形物の欠陥情報を含む出力情報とを関係付ける第２の数理モデルをそれぞれ生成する数理モデル生成部と、
　前記第１の数理モデルと前記第２の数理モデルを用いて前記入力情報と前記出力情報との対応関係を表すデータベースを作成するデータベース作成部と、
　前記データベースに入力される前記造形物の材料、溶接条件及び溶接軌道の各項目を用いて前記データベースを検索し、前記造形物の欠陥情報を求める検索部と、
　求めた前記造形物の欠陥情報を提示する出力部と、
を含み、
　前記入力情報の項目のそれぞれは、互いに異なる複数の入力サブ項目を有し、
　前記中間出力情報は、前記入力サブ項目に対応する個別中間値を有し、
　前記出力情報は、前記個別中間値に対応する複数の個別欠陥情報を有し、
　前記第１の数理モデル及び前記第２の数理モデルを生成する工程では、前記入力サブ項目のそれぞれを、前記第１の数理モデルで前記個別中間値に関係付けし、且つ、前記個別中間値のそれぞれを、前記第２の数理モデルで前記個別欠陥情報に関係付けする、
欠陥発生予測装置。
　本発明によれば、複雑な計測手法を使わずに、簡便に欠陥を予測することができ、より適切な造形物の造形計画を作成できる。
図１は、造形物を製造する造形システムの全体構成図である。 図２は、ロボット制御装置の概略的なブロック構成図である。 図３は、造形制御装置の概略的なブロック構成図である。 図４は、積層造形を行う造形プログラムの作成手順を示す説明図である。 図５は、データベースを構築する手順を示す説明図である。 図６は、データベースを構築する手順を示すフローチャートである。 図７は、第１の手順で用いる初期データベースの作成手順を示すフローチャートである。 図８の（Ａ）は、入力情報と出力情報との数理モデルを用いた関係付けの様子を示す説明図で、図８の（Ｂ）は、入力情報と出力情報とが紐付けられたデータベースを示す説明図である。 図９は、入力情報が複数の項目からなる入力情報と、出力情報との数理モデルを用いた関係付けを示す説明図である。 図１０は、作製しようとする造形物の形状を複数の要素形状に分割し、各要素形状の溶接軌道を求める処理を示す説明図である。 図１１は、造形物の形状を要素形状に分解する場合の造形計画の作成手順を示すフローチャートである。 図１２は、入力情報と中間出力情報と出力情報との数理モデルを用いた関係付けを示す説明図である。 図１３は、造形時に形成される溶着ビードの特定位置における温度履歴を示すグラフである。 図１４は、それぞれ異なる入熱量でビード形成した場合の冷却特性の違いを示すグラフで、（Ａ）は比較的高い入熱量の場合の温度変化特性を示すグラフ、（Ｂ）は比較的低い入熱量の場合の温度変化特性を示すグラフである。 図１５は、溶加材の先端で形成される溶融池を示す説明図である。 図１６は、１層２列のビードの積層構造において発生した欠陥例を示す断面図である。 図１７の（Ａ）は、１層２列で積層した溶着ビードのモデル形状関数によるシミュレーション結果の断面図であり、図１７の（Ｂ）は、図１７の（Ａ）におけるビード毎の形状を示す断面図である。 図１８の（Ａ）、は２層２列で積層した溶着ビードのモデル形状関数によるシミュレーション結果の断面図であり、図１８の（Ｂ）は、図１８の（Ａ）における各層のビード毎の形状を示す断面図である。 図１９は、入力情報と出力情報とを関係付ける複数のデータベースを選択的に用いる様子を示す説明図である。
　以下、本発明の実施形態について、図面を参照して詳細に説明する。
　ここでは、溶接ヘッドから供給される溶加材を溶融及び凝固させて形成する溶着ビードを、造形装置により所望の形状に積層造形する場合を例に説明するが、造形方式及び造形装置の構成はこれに限らない。例えば、粉末焼結積層造形法等の他の造形方式を採用してもよい。
　＜造形システムの構成＞
　図１は、造形物を製造する造形システムの全体構成図である。本構成の造形システム１００は、造形装置１１と、造形装置１１を制御する造形制御装置１３とを備える。
　造形装置１１は、先端軸に溶接トーチ１５を有する溶接ヘッドが設けられた溶接ロボット１７と、溶接ロボット１７を駆動するロボット制御装置２１と、溶接トーチ１５へ溶加材（溶接ワイヤ）Ｍを供給する溶加材供給部２３と、溶接電流を供給する溶接電源２５と、を備える。
　（造形装置）
　溶接ロボット１７は、多関節ロボットであり、ロボットアームの先端軸に取り付けた溶接トーチ１５の先端には、連続供給される溶加材Ｍが支持される。溶接トーチ１５の位置及び姿勢は、ロボット制御装置２１からの指令により、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になっている。
　溶接ロボット１７の先端軸には、溶接トーチ１５と一体に移動する形状センサ３２と温度センサ３０が設けられる。
　形状センサ３２は、形成される溶着ビード２８の形状、必要に応じてビード形成位置周囲の形状を測定する非接触式のセンサである。形状センサ３２による測定は、溶着ビードの形成と同時に行ってもよく、ビード形成前後の異なるタイミングで行ってもよい。形状センサ３２としては、照射したレーザ光の反射光の位置、又は照射タイミングから反射光が検出されるまでの時間により３次元形状を検出するレーザセンサを利用できる。形状センサ３２は、レーザに限らず他の検出方式のセンサであってもよい。
　温度センサ３０は、放射温度計、サーモグラフィ等の接触式のセンサであり、造形物の任意の位置の温度（温度分布）を検出する。
　溶接トーチ１５は、不図示のシールドノズルを有し、シールドノズルからシールドガスが供給されるガスメタルアーク溶接用のトーチである。アーク溶接法としては、被覆アーク溶接又は炭酸ガスアーク溶接等の消耗電極式、ＴＩＧ溶接又は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、作製する積層造形物に応じて適宜選定される。
　例えば、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。溶接トーチ１５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。
　溶加材供給部２３は、溶加材Ｍが巻回されたリール２９と、リール２９から繰り出し機構及び溶接トーチ１５に送られる溶加材Ｍの送給量を測定するワイヤ送給センサ３１とを備える。溶加材Ｍは、溶加材供給部２３からロボットアーム等に取り付けられた繰り出し機構（不図示）に送られ、必要に応じて繰り出し機構により正逆送給されながら溶接トーチ１５へ送給される。
　溶加材Ｍとしては、あらゆる市販の溶接ワイヤを用いることができる。例えば、軟鋼，高張力鋼及び低温用鋼用のマグ溶接及びミグ溶接ソリッドワイヤ（ＪＩＳ Ｚ ３３１２）、軟鋼，高張力鋼及び低温用鋼用アーク溶接フラックス入りワイヤ（ＪＩＳ Ｚ ３３１３）等で規定される溶接ワイヤが利用可能である。さらに、アルミニウム、アルミニウム合金、ニッケル、ニッケル基合金等の溶加材Ｍを、求められる特性に応じて使用することができる。
　そして、上記のように連続送給される溶加材Ｍをアークにより溶融及び凝固させると、ベースプレート２７上に溶加材Ｍの溶融凝固体である溶着ビード２８が形成される。ベースプレート２７は、鋼板等の金属板であるが、板状に限らず、ブロック体、棒状、円柱状等、他の形状であってもよい。
　（ロボット制御装置）
　ロボット制御装置２１は、溶接ロボット１７を駆動して、溶接トーチ１５を移動させるとともに、連続供給される溶加材Ｍを溶接電源２５からの溶接電流及び溶接電圧によって溶融させる。
　図２は、ロボット制御装置２１の概略的なブロック構成図である。
ロボット制御装置２１は、入出力インターフェース３３と、記憶部３５と、操作パネル３７とを含んで構成されたコンピュータ装置である。
　入出力インターフェース３３には、溶接ロボット１７、溶接電源２５及び造形制御装置１３が接続される。記憶部３５には、後述する駆動プログラムを含む各種の情報が記憶される。記憶部３５は、ＲＯＭ，ＲＡＭ等のメモリ、ハードディスク，ＳＳＤ（Solid State Drive）等のドライブ装置、ＣＤ，ＤＶＤ，各種メモリーカード等の記憶媒体に例示されるストレージからなり、各種情報の入出力が可能となっている。操作パネル３７は、入力操作盤等の情報入力部であってもよく、溶接ロボット１７の教示用の入力端末（教示用ペンダント）であってもよい。
　ロボット制御装置２１には、作製しようとする造形物に応じた造形プログラムが造形制御装置１３から送信されてくる。造形プログラムは、多数の命令コードにより構成され、造形物の形状データ（ＣＡＤデータ等）、材質、入熱量等の諸条件に応じて、適宜なアルゴリズムに基づいて作成される。
　ロボット制御装置２１は、記憶部３５に記憶された造形プログラムを実行して、溶接ロボット１７、溶加材供給部２３及び溶接電源２５等を駆動し、造形プログラムに応じて溶着ビード２８を形成する。つまり、ロボット制御装置２１は、溶接ロボット１９を駆動して、造形プログラムに設定された溶接トーチ１５の軌道（溶接軌道）に沿って溶接トーチ１５を移動させるとともに、設定された溶接条件に応じて溶加材供給部２３及び溶接電源２５を駆動して、溶接トーチ１５の先端の溶加材Ｍをアークによって溶融、凝固させる。これにより、ベースプレート２７上に溶着ビード２８が形成される。溶着ビード２８が互いに隣接して溶着ビード層を形成し、この溶着ビード層の上に次層の溶着ビード層を積層することが繰り返されることで、所望の３次元形状の造形物が造形される。
　造形制御装置１３は、造形プログラムを生成する際に欠陥情報を提供する欠陥発生予測装置としても機能する。なお、造形制御装置１３は、造形装置１１とは離隔して配置され、ネットワーク、通信手段、記憶媒体等を介して遠隔地から造形装置１１に接続される構成であってもよい。造形プログラムは、造形制御装置１３で作成される以外にも、他の装置で作成され、通信によって送信されてきたものであってもよい。
　（造形プログラムの生成）
　次に、造形制御装置１３の構成と、造形制御装置１３が造形プログラムを生成するまでの具体的な手順を説明する。
　図３は、造形制御装置１３の概略的なブロック構成図である。
　造形制御装置１３は、ロボット制御装置２１と同様のコンピュータ装置であって、ＣＰＵ４１、記憶部４３、入出力インターフェース４５、入力部４７、出力部４９を含んで構成される。
　記憶部４３は、不揮発性の記憶領域であるＲＯＭ，揮発性の記憶量域であるＲＡＭ等により構成される。入出力インターフェース４５には、前述した形状センサ３２、温度センサ３０、ワイヤ送給センサ３１を有する溶加材供給部２３、溶接電源２５、ロボット制御装置２１、入力部４７、出力部４９が接続される。
　入力部４７は、キーボード及びマウス等の入力デバイスであり、出力部４９は、モニタ等の表示デバイス又は出力信号が送信される出力端子を含む。
　また、造形制御装置１３は、それぞれ詳細を後述する、基本情報テーブル５１、数理モデル生成部５３、データベース作成部５５、造形計画部５７及び検索部５９を更に備える。上記した各構成要素は、それぞれＣＰＵ４１の指令によって動作して、それぞれの機能を発揮する。
　図４は、積層造形を行う造形プログラムの作成手順を示す説明図である。
　まず、操作者によって図３に示す造形制御装置１３の入力部４７から、製造しようとする造形物の材料、形状、溶接条件のデータ等を入力する。造形制御装置１３は、入力されたデータに応じて、造形物が所望の特性を得られるように造形計画を作成する。例えば、形状データからモデルを生成し、生成されたモデルを所定の溶着ビードの高さ毎に層分割し、得られた各層を溶着ビードで埋めるように溶着ビードの材料、ビード幅、ビード形成順（溶接軌道）等の各種条件を決定する。これら溶接軌道等の決定方法には種々の方法があり、その決定方法は限定されない。
　次に、予め用意された、各種の製造条件とこれにより製造された造形物の欠陥情報との対応関係を示すデータベース６１を参照して、作成した造形計画で作製した場合に造形物に生じる欠陥を予測する。ここでいう欠陥とは、広義には欠陥情報を含む造形物の内部の特性を意味する。
　予測した造形物に欠陥が生じる可能性があると予測された場合は、上記した各種製造条件を調整するなどして、再度造形計画を作成する。そして、作成した造形計画による造形物が欠陥を含まないことになったら、すなわち、欠陥を含む特性が所望の特性を満足するようになったら、その造形計画に応じた造形プログラムを作成する。こうして作成された造形プログラムは、図１に示すロボット制御装置２１に送られる。ロボット制御装置２１は、送られてきた造形プログラムを実行して、造形物を積層造形する。
　本発明に係る造形計画支援方法及び装置では、作成した造形プログラムによって、造形物が所望の特性を得られるかの予測、判定に使用するデータベース６１を、少ない手間で効率よく構築させる。これにより、正確かつ迅速な造形計画の判定が行え、以て、より適切な造形計画を円滑に作成できるように支援できる。
　＜第１のデータベース構成例＞
　次に、上記したデータベース６１の構築方法について説明する。
　図５は、データベース６１を構築する手順を示す説明図である。ここでは、造形物の材料、溶着ビードの溶接条件及び部分的な溶接軌道の各項目を含む入力情報と、その入力情報の条件で積層造形された造形物の欠陥情報を含む出力情報とを、数理モデルを用いて関係付けする。その関係付けの処理を機械学習により繰り返し行い、得られた数理モデルに基づいて、図４に示す予測、判定で参照されるデータベース６１を作成する。
　具体的には、造形制御装置１３が、入力された造形物の材料、形状、溶接条件等のデータに応じて造形計画を作成する。この造形計画で造形物を作製した場合の造形物の特性値を、次の第１の手順と第２の手順により求める。
　第１の手順では、造形制御装置１３が、造形計画と特性値との関係を予め登録した初期データベース６３を参照し、作成した造形計画により積層造形される造形物の欠陥発生を予測する。
　第２の手順では、造形制御装置１３が、作成した造形計画の通りにロボット制御装置２１を駆動して、造形装置１１に造形物を積層造形させる。造形された造形物から試験サンプルを切り出して、機械的強度、金属組織等を試験（観察）により実測する。
　このようにして得られた同一の造形計画による造形物の特性の予測結果と試験結果とを比較して、双方の差が小さくなるように数理モデル６２を生成し、この数理モデル６２を用いてデータベース６１を作成する。上記した初期データベース６３、及びデータベース６１の作成は、図３に示すデータベース作成部５５が行うが、造形制御装置１３以外の装置が行ってもよい。
　ここで、上記した第１の手順による初期データベース６３による特性の予測結果と、第２の手順による試験結果とを機械学習して数理モデル６２を生成し、この数理モデル６２を用いてデータベース６１を作成する、一連の処理の流れを説明する。
　図６は、データベース６１を構築する手順を示すフローチャートである。
　まず、製造しようとする造形物を決定して形状データ（３Ｄ－ＣＡＤによる形状データ）を作成する（Ｓ１１）。この造形物の形状データから造形計画を作成する（Ｓ１２）。造形計画には、造形物のモデルを所定の積層方向軸を定めて層分割して得た複数のスライスデータ、各スライスデータにおける溶着ビードの形状、溶着ビードを形成する溶接条件等が含まれる。
　次に、作成した造形計画に基づいて、第１の手順により造形物の欠陥を予測する（Ｓ１３）。予測される欠陥には、例えば、欠陥の有無、欠陥場所、欠陥サイズ、スパッタの有無等が含まれる。
　造形物の欠陥は、初期データベース６３を用いて予測する。初期データベース６３は、過去の造形により得られた経験及び知見に基づく、各種の製造条件とこれにより製造された造形物の試験結果との対応関係を示す基本情報テーブル５１（図３）から作成される。
　図７は、第１の手順で用いる初期データベース６３の作成手順を示すフローチャートである。
　まず、予め用意された基本情報テーブル５１から、データベースに用いるパラメータの情報（例えば、溶着ビードを形成するパス、パスの数、溶着ビードの形成順序（溶接軌道）、溶着ビードの断面形状等）を抽出し、これらを学習データとして準備する（Ｓ２１）。
　次に、準備した学習データと、学習データに対応する造形物の特性値とを、初期数理モデルにより関係付ける（Ｓ２２）。つまり、複数の学習データと、これに対応する造形物の特性値とを繰り返し機械学習することで、双方の関係を表す初期数理モデルを生成する。ここでいう「数理モデル」とは、造形物の特性について、その定量的なふるまいを定式化し、計算によってその性質を模擬できるようにしたものを意味する。つまり、数理モデルは、実験にて収集し、所定のアルゴリズムで関連付けられた実験データ群を基に作成された計算モデルであり、この計算モデルは、所定の関数を仮定して実験データとよく整合するように最適化してもよいし、機械学習により入力情報、出力情報を与えて作成してもよい。具体的なアルゴリズムの例としては、サポートベクターマシン、ニューラルネットワーク、又はランダムフォレスト等が挙げられる。
　そして、生成した初期数理モデルを用いて、複数の学習データに対応する造形物の特性値を予測し、これら予測値を学習データと対応させて初期データベース６３のテーブル構成要素に登録する（Ｓ２３）。このようにして、初期データベース６３を作成する。
　一方、第２の手順（図６のＳ１４～Ｓ１６）では、作成した造形計画に基づいて造形物を作製する。つまり、造形計画部５７（図３）が造形計画に応じた造形プログラムを作成し（Ｓ１４）、その造形プログラムの実行によって、図１に示す造形装置１１を駆動して、造形物を造形する（Ｓ１５）。そして、得られた造形物から試験サンプルを切り出し、試験サンプルの各種の特性を試験する（Ｓ１６）。
　そして、第１の手順で求めた造形物の特性の予測結果と、第２の手順で求めた試験結果とを比較する（Ｓ１７）。予測結果と試験結果との差が大きい場合には、図５に示す数理モデル６２（初期データベース６３の作成に用いた初期数理モデルに相当する）を、双方の差が小さくなるように修正する（Ｓ１８）。つまり、入力情報に対する試験結果を教師データとして、予測結果が試験結果に近づくように数理モデル６２を機械学習させる。なお、予測結果と試験結果との差が小さい場合には、数理モデル６２の修正を行わないが、数理モデル６２の精度の向上に資するように機械学習させてもよい。このようにして、数理モデル６２は、入力情報と出力情報の関係を機械学習した学習済みモデルとなる。
　そして、初期数理モデルを更に機械学習させた数理モデル６２を用いて、任意の複数の条件（入力情報）に対応する造形物の特性値（出力情報）を予測し、設定した条件と予測した特性値とを紐付けして、データベース６１のテーブル構成要素にする。このようにして、初期データベース６３から数理モデル６２を用いて修正して、特定の条件に対する予測結果と試験結果とが精度よく一致するデータベース６１を構築する（Ｓ１９）。
　このように、複数の入力情報を数理モデル６２で出力情報を予測させることで、試験結果の存在しない部分を補完でき、これによりデータベース６１の情報量を簡単に増加させ、予測の精度を向上できる。
　次に、数理モデル６２を用いてデータベース６１を構築する具体的な手法について、より詳細に説明する。
　図８の（Ａ）は、入力情報と出力情報との数理モデルを用いた関係付けの様子を示す説明図で、図８の（Ｂ）は、入力情報と出力情報とが紐付けられたデータベースを示す説明図である。
　ここでは入力情報の一つとして、造形物の材料となる溶加材を例に挙げて説明する。図８の（Ａ）に示すように、溶加材としては多種の溶加材Ａ，Ｂ，Ｃ，・・・が選択可能である。それぞれの溶加材Ａ，Ｂ，Ｃ，・・・を用いて造形物を作製した場合、得られる造形物に生じ得る欠陥は、溶加材Ａに対しては欠陥情報Ａ、溶加材Ｂに対しては欠陥情報Ｂ、溶加材Ｃに対しては欠陥情報Ｃ，・・・となる。
　その場合、溶加材Ａに対する造形物の欠陥情報Ａは数理モデルＡを用い、溶加材Ｂに対する造形物の欠陥情報Ｂは数理モデルＢを用い、溶加材Ｃに対する造形物の欠陥情報Ｃは数理モデルＣを用いる、というように、溶加材の種類毎にそれぞれ個別の数理モデルを用いて欠陥情報と関係付けする。
　したがって、図８の（Ｂ）に示すように、作成されるデータベース６１は、溶加材Ａと欠陥情報Ａとが紐付けされ、溶加材Ｂと欠陥情報Ｂとが紐付けされ、溶加材Ｃと欠陥情報Ｃとが紐付けされる、というように、それぞれが個別に関係付けられる。これによれば、溶加材の種類毎に数理モデルが個別に機械学習されて欠陥情報が決定されるため、溶加材の特性に応じた欠陥情報が、正確、且つきめ細かに設定できる。よって、欠陥の予測精度を向上できる。
　溶加材の種類としては、例えばＭＧ－５１Ｔ、ＭＧ－Ｓ６３Ｂ（神戸製鋼所製ソリッドワイヤ）のように商品名で特定してもよく、溶加材の成分組成（例えば炭素量）で区別してもよい。
　上記例では溶加材の種類毎に欠陥情報を関係付けした例であるが、実際の入力情報には、更に多種の項目が存在する。
　図９は、入力情報が複数の項目からなる入力情報と、出力情報との数理モデルを用いた関係付けを示す説明図である。
　入力情報としては、少なくとも、造形物の材料と、溶接条件と、部分的な溶接軌道とがある。溶接物の材料としては、上記した溶加材の他、溶着ビードが形成されるベースプレート２７（図１）、溶着ビードに接合されて造形物の構成要素なる不図示の構造材等の部材が挙げられる。
　溶接条件としては、溶着ビード形成時における、溶接電流、溶接電圧、溶接速度、溶接軌道のピッチ幅、パス間時間、溶接ヘッドの狙い位置、溶接ヘッドの溶接姿勢、溶加材の供給速度の少なくとも何れか、又はこれらの組み合わせが挙げられる。ここで、溶接ヘッドの狙い位置とは、溶接位置にトーチ先端を配置するためのトーチ先端位置であり、溶接ヘッドの溶接姿勢とは、鉛直軸とトーチ軸との傾斜角及び鉛直軸周りのトーチ傾斜方向の円周角である。また、溶接軌道のピッチ幅とは、隣接する溶接軌道同士の間の距離であり、パス間時間とは、複数の溶接軌道において、１つの溶接軌道の溶接パスから次の溶接軌道の溶接パスに移るまでの間の時間を表す。
　上記のパス間時間は、形成される溶着ビードの金属組織に影響を及ぼす。
　溶着ビードの形成時、溶融した軟鋼製の溶加材が急冷されると、ベイナイトを主とする混合組織となる。また、溶融した軟鋼製の溶加材が自然凝固すると、粗大なフェライト、パーライト、ベイナイトを含む組織となる。溶着ビードを積層する場合には、これらの組織は、次層以降の溶着ビードが積層されることによりフェライトの変態点を超えて加熱されると、パーライト及びベイナイトはフェライトに変態し、粗大なフェライトは微細化した組織となる。
　パス間時間を調整して、例えば、パス間温度が２００℃～５５０℃の範囲内に納まるように、層間時間及び入熱量を制御しながら次層の溶着ビードを積層し、同様に、次層以降の溶着ビードを積層すると、溶着ビードがフェライトの変態点を超えて加熱される。その場合、平均結晶粒径が１０μｍ以下の微細なフェライト相からなる均一化された組織が得られる。そのような溶着ビードは、高硬度（例えばビッカース硬度で１３０～１８０Ｈｖ程度）となり、機械的強度が良好で、ばらつきの少ない略均一な硬度となる。
　一方、次層の溶着ビードを積層する際に、パス間温度が２００℃未満であると、次層以降の溶着ビードを積層することで溶着ビードが加熱されても、フェライトの変態点を超えず、微細なフェライト相からなる均一化された組織が得られない。例えば、造形初期においてはベースプレート２７による抜熱によって、次層の溶着ビードを積層する際のパス間温度が２００℃未満となる。その場合、造形初期の溶着ビードはベイナイトを主とする混合組織となる。また、パス間温度が５５０℃を超えると、次層の溶着ビードの積層により溶着ビードが加熱されて、溶着ビードの扁平化と、垂れ落ちが発生して所定の形状に積層できなくなる。さらに、造形後期（造形物の最上層）の溶着ビードは、次層の溶着ビードが積層されず、再度加熱されることがないので、溶融した溶加材が自然凝固した状態、即ち、粗大なフェライト、パーライト、及びベイナイトを含む組織のままとなる。
　このように、パス間時間で形成される溶着ビードの金属組織は変化し、これにより造形物に生じる欠陥も変化する。上記はパス間時間が造形物の欠陥に及ぼす影響についてであるが、同様に、他のパラメータについても造形物の特性に影響を及ぼすことがわかっている。
　部分的な溶接軌道とは、造形物の形状の一部を切り出した要素形状に対する溶接軌道であって、複雑な形状を単純な形状（要素形状）に分解したときの、その単純な形状を造形するための溶接軌道を意味する（この点については後述する）。それぞれの溶接軌道の情報は、溶着ビードを形成するパス、パスの数、溶着ビードの形成順序、溶着ビードの断面形状の情報を含む。
　ここで、上記した造形材の材料、溶接条件、部分的な溶接軌道のそれぞれを「項目」といい、各項目に対する溶加材Ａ，Ｂ，Ｃ，・・、及び溶接電流，溶接電圧，溶接速度，・・・、要素形状，パス，パスの数，・・・のそれぞれを「入力サブ項目」という。
　入力情報の各項目を複数の入力サブ項目に分割することで、入力可能な範囲を制限できる。つまり、入力データとして、入力サブ項目以外の内容が設定されることを防止して、例えば造形装置１１の溶接ロボット１７等の推奨範囲、溶加材の使用推奨条件等を逸脱しないようにできる。これにより、装置の不良又は材料に起因するトラブルを未然に防止して、不正な条件が提示されるのを回避できる。
　図９に示すように、入力情報は、造形物の材料、溶接条件、部分的な溶接軌道の複数の項目からなり、各項目のそれぞれは、互いに異なる複数の入力サブ項目を有する。
　また、項目の内容が数値で表される場合、各項目の入力データは、その範囲を複数の区間で区切った入力サブ項目を定め、各入力サブ項目に対応する代表値を入力データとして定めてもよい。入力サブ項目の代表値は、例えば入力サブ項目内の中央値、又は上限値、下限値の値等、入力サブ項目を代表するものであればよい。
　また、入力データの範囲は、実績データである入力情報と同一である必要はない。データベース作成部５５は、このようにして定めた入力サブ項目毎の入力データを、数理モデル生成部５３により作成された数理モデルに入力して、入力サブ項目毎の出力データを得る。
　また、出力情報の出力データは、入力データに対応する数理モデルの出力値である。ここで、入力サブ項目毎の各入力データは、例えば入力サブ項目として定めたデータ区間の中央値を代表値として、入力データとすることができる。そして、データベース作成部５５は、入力サブ項目毎の入力データを数理モデルに入力することで得られた出力データと、入力データとの対応関係を、入力サブ項目毎に蓄積保存してデータベースを作成する。つまりデータベース作成部５５は、入力データの各項目の範囲を複数区間で区切った入力サブ項目毎の出力データを蓄積したデータベースを作成する。
　このように、各項目の入力サブ項目は、数理モデルによって造形物の欠陥情報と関係付けられる。上記のように複数の数理モデルを全ての組み合わせで学習させることもできるが、ある特定の溶接条件、溶接軌道のパターン等に基づいて、おおよそ一つの数理モデルに集約し、その数理モデルをベースにして、各パラメータに合せてチューニングするのが好ましい。ここでいうチューニングとは、ある領域で学習したこと(学習済みモデル)を別の領域に役立たせ、効率的に学習させる、転移学習(Transfer Learning)等が挙げられる。これによれば、学習データを削減して演算量を軽減できる。
　次に、部分的な溶接軌道を求める際の要素形状と、要素形状毎の溶接軌道について、造形物の具体例と共に説明する。
　図１０は、作製しようとする造形物の形状を複数の要素形状に分割し、各要素形状の溶接軌道を求める処理を示す説明図である。
　ここでは、造形物６５として、本体６５Ａと、本体６５Ａの一方の面に接続された第１突起部６５Ｂと、本体６５Ａの他方の面に接続された第２突起部６５Ｃとを備えるものを例示する。この造形物６５を単純な形状の要素形状に分割すると、円筒体の第１突起部６５Ｂと、立方体の本体６５Ａと、Ｕ字形の第２突起部６５Ｃとなる。要素形状への分割は、手動で分割してもよく、予め登録してある単純形状等とのパターンマッチングにより分割してもよい。
　分割した各要素形状について、それぞれ個別に溶着ビードの形成順を表す溶接軌道を求める。つまり、分割した要素形状毎に溶接軌道を決定する。各要素形状の溶接軌道は、要素形状に分割する毎に逐次設計して求めてもよいが、要素形状が単純形状であるため、予め複数種の単純形状の溶接軌道（基準溶接軌道）を要素データベースに登録しておき、この要素データベースを参照して、要素形状に対応する形状の溶接軌道を決定することであってもよい。
　例えば、円筒状の要素形状であれば、円筒体が複数の層に分割され、分割された各層について、溶着ビードの形成パス（トーチの軌道）がそれぞれ定められた基準溶接軌道となる。この基準溶接軌道を第１突起部６５Ｂに適用することで、第１突起部６５Ｂを溶着ビードで造形する際の造形手順である溶接軌道Ｂを簡単に決定できる。
　本体６５Ａ，第２突起部６５Ｃについても同様に、要素データベースから近い形状の基準溶接軌道を検索して求め、求めた基準溶接軌道から、本体６５Ａの溶接軌道Ａと第２突起部６５Ｃの溶接軌道Ｃを簡単に決定できる。このように、複雑な形状の造形物であっても、要素形状に分割することで造形物を単純形状の集合体とみなし、造形計画を簡単化できる。また、要素形状毎に欠陥発生を予測できため、造形物の全体のどの位置（どの付近）に欠陥が生じるかを特定することにも貢献する。
　図１１は、造形物の形状を要素形状に分解する場合の造形計画の作成手順を示すフローチャートである。
　作製しようとする造形物の形状データを、図３に示す造形制御装置１３の造形計画部５７に入力すると（Ｓ３１）、造形計画部５７は、形状データから作成されるモデルを，複数の要素形状に分解する（Ｓ３２）。そして、分解された各要素形状に対応する基準溶接軌道及び溶接条件等の諸情報を、予め用意された要素データベース（不図示）を検索してそれぞれ抽出する（Ｓ３３）。ここで用いる要素データベースは、要素形状に対応して設定される基準溶接軌道及び溶接条件を含む情報であり、これらの情報が予め要素データベースに登録されている。
　抽出された基準溶接軌道を、対応する要素形状に適用した溶接軌道をそれぞれ求め（Ｓ３４）、溶接条件と合わせて造形物全体の造形計画を作成する（Ｓ３５）。
　作成された造形計画は、図７に示すＳ１２の造形計画となる。したがって、要素形状に分解して、要素形状毎に溶接軌道及び溶接条件を決定した造形計画も、前述と同様に数理モデルを生成して、データベース６１を構築することで、図４に示す造形計画が支援される。
　なお、溶接条件に関しては、造形装置１１、ワイヤ送給センサ３１、形状センサ３２、溶接ロボット１７の駆動信号等から、溶接条件に関する情報を簡単に収集できる。それらの値は、必要に応じてモデルの形状をフィードバック制御する場合にも使用できる。
＜第２のデータベース構成例＞
　次に、前述したデータベース６１の入力情報と出力情報に加えて、中間出力情報を設ける場合について説明する。
　図１２は、入力情報と中間出力情報と出力情報との数理モデルを用いた関係付けを示す説明図である。
　入力情報の造形物の材料と、溶接条件と、部分的な溶接軌道との各項目は、それぞれ複数の入力サブ項目を有する。それぞれの入力サブ項目同士の組み合わせに、中間出力情報が個別の第１の数理モデルによって関係付けられている。また、中間出力情報の各入力サブ項目が、出力情報の各入力サブ項目に第２の数理モデルによって関係付けられている。
　ここで、中間出力情報は、造形物の温度履歴、溶着ビード形成時の溶融池形状の特徴量、溶着ビードのビード高さ又はビード幅の情報を含み、アーク形状の特性量、スパッタの有無等を含んでもよい。溶融池等に関しては、図１５を参照して後述する。また、ビードの性状については、図１６～図１８を参照して後述する。
　まず、造形物の温度履歴について説明する。温度履歴は、造形物の積層構造の、欠陥を含む内部状態（例えば材質）に大きく影響する。そのため、温度履歴を解析して造形物の内部状態を推定することは、欠陥の発生の可能性及びその程度（例えば欠陥サイズ）の予測に役立つ。
　溶加材等の造形物の材料が、溶接条件に応じて加熱され、所定の溶接軌道に沿って溶融、凝固される場合、形成される造形物（溶着ビード）の温度履歴は、上記した各項目の条件によって異なる。そのため、形成された造形物の機械的強度、金属組織等の特性も条件に応じて異なり、したがって、発生する欠陥にも影響する。
　造形物の欠陥情報を推定するにあたり、入力情報の各項目（各条件）から直接的に造形物の欠陥情報を推定することが困難である場合でも、各項目に応じた温度履歴、溶融池形状の特徴量、ビード高さ又はビード幅が把握できれば、造形物の欠陥情報を推定しやすくなることがある。そこで、入力情報と出力情報である造形物の欠陥情報を関係付ける際に、まず、入力情報の各項目と中間出力情報とを関係付けし、さらに中間出力情報と出力情報である造形物の、欠陥情報（広義には、欠陥も含めた造形物の内部状態）とを関係付けするという、２段階の関係付けを行う。これによれば、入力情報と出力情報とを直接関係付けする場合と比較して、より高精度な関係付け、推定が可能となる。
　温度履歴、溶融池形状の特徴量、ビード高さ又はビード幅を中間出力とすることで、造形条件の代表的特徴が集約され、各特徴に欠陥情報と対応付けしやすくなる。また、ここに挙げた中間出力情報は、形状センサ、温度センサを設けることで、造形中であっても情報の収集が容易に行える。
　図１３は、造形時に形成される溶着ビードの特定位置における温度履歴を示すグラフである。図１３に示すように、繰り返し積層される溶着ビードは、自身が溶融及び凝固して溶着ビードとなった後、上層に積層される溶着ビードによって再び入熱され、加熱（近接層であれば溶融することもある）と冷却とを繰り返す。温度履歴の各ピークは、特定位置の溶着ビードよりも上層ほど、特定位置から離れるため、温度が低下している。
　溶着ビードの融点Ｔｗを、鉄（炭素鋼）の融点である１５３４℃とし、溶着ビードの変態点Ｔｔ（炭素鋼のＡ１変態点）を７２３℃とすると、凝固後の溶着ビードの材質は、変態点Ｔｔ以上、融点以下Ｔｗ以下の範囲での温度履歴によって概ね決定される。つまり、積層造形では加熱と冷却が繰り返されるが、造形物の組織に影響を及ぼす要因は、上記した範囲Ａｗの温度履歴にある。そこで、変態点Ｔｔ以上、融点以下Ｔｗ以下の範囲（検査温度範囲）Ａｗの温度履歴の特徴量を抽出すれば、造形物の特性が予測できる。
　例えば、図１３に示す複数のピークのうち、融点Ｔｗを超えるピークと、変態点Ｔｔ未満のピークについては無視する。そして、変態点Ｔｔ以上、融点Ｔｗ以下の検査温度範囲Ａｗのピークのうち、変態点Ｔｔに最も近い低温側極大点Ｐｋ２の温度と、変態点Ｔｔに２番目に近い高温側極大点Ｐｋ１の温度を抽出する。これら高温側極大点Ｐｋ１，低温側極大点Ｐｋ２の温度を温度履歴の特徴量、すなわち、中間出力情報として設定する。
　図１４は、それぞれ異なる入熱量でビード形成した場合の冷却特性の違いを示すグラフで、（Ａ）は比較的高い入熱量の場合の温度変化特性を示すグラフ、（Ｂ）は比較的低い入熱量の場合の温度変化特性を示すグラフである。
　図１４の（Ａ）に示すように、入熱量をＱａからＱｂ、Ｑｃ、Ｑｄの順に高めても、３５０℃程度にまで冷却されるまでの時間は殆ど変わらず、この場合は約１５秒となる（Ｐend参照）。一方、図１４の（Ｂ）に示すように、入熱量が比較的低い場合には、冷却される時間を約１５秒とすると約３００℃程度にまで冷却されてしまう（Ｐend参照）。つまり、入熱量が高いほど冷却速度が遅くなり、入熱量が低いほど冷却速度が速くなる。よって、冷却速度は入熱量に依存するものであり、低温側極大点Ｐｋ２の温度がわかれば、溶着ビードの組織を予測できる。そして、低温側極大点Ｐｋ２の温度と、高温側極大点Ｐｋ１の温度とを合わせて組織等の特性を予測することで、いずれかの温度だけで予測する場合よりも予測精度が高められる。
　このように、溶着ビードの材質を決定する要因となる温度履歴が、上記した特徴量から特定できれば、その温度履歴で形成された溶着ビードの材質を比較的高い精度で予測でき、これを欠陥発生の可能性の判定に活用することができる。そこで、中間処理情報の項目を、造形材の材質の決定要因に設定して、入力情報と中間出力情報とを第１の数理モデルによって関係付け、中間出力情報と出力情報とを第２の数理モデルによって関係付ける。これにより、入力情報と出力情報とを直接関係付ける場合よりも、正確に双方を関係付けできる効果が期待できる。
　この温度履歴については、造形中に温度センサ３０（図１）によって造形物を温度監視して所定位置の温度データを取得してもよい。温度センサ３０は、形状センサ３２と協働して温度を検出するものであってもよい。つまり、形状センサ３２が造形物の形状を検出し、温度センサ３０が造形物の特定位置の温度を検出する。
　また、溶加材の種類及び溶接条件を基に、温度のシミュレーション計算を行ってもよい。以下に温度シミュレーションに使用される基本式の一例を示す。
Figure JPOXMLDOC01-appb-M000001
　基本式（１）は、いわゆる陽解法ＦＥＭ（Finite Element Method）による伝熱解析の式である。基本式（１）の各パラメータは以下のとおりである。
　　Ｈ：エンタルピ
　　Ｃ：節点体積の逆数
　　Ｋ：熱伝導マトリックス
　　Ｆ：熱流束
　　Ｑ：体積発熱
　これによれば、エンタルピを未知数とすることにより、潜熱放出等の非線形現象を精度よく計算できる。なお、溶接時の入熱量は、体積発熱又は熱流束のパラメータに入力する。
　上記の３次元熱伝導方程式である基本式（１）において、造形（溶接）時の入熱量は、溶接速度に合わせて溶接領域に付与してもよい。また、溶着ビードが短い場合は、１ビード全体の入熱を付与してもよい。
　次に、中間出力情報が溶融池等に関する特徴量である場合について説明する。
　図１５は、溶加材の先端で形成される溶融池を示す説明図である。図１５では、特徴量（画像特徴情報）として、アーク中心７１、溶加材先端７３、溶融池先端７５、溶融池左端７７、溶融池右端７９が示されている。但し、これに限定されるものではなく、例えば、アークの幅、アークの形状等を特徴量として推測して抽出してもよい。
　一例として、溶接中の造形物の一部に複雑な形状の突起等が存在し、あるいは、近くにワークの壁部が存在する場合、その存在によってトーチの移動が制限される、また、発生するアークが、突起、壁部に引き寄せられ、アーク方向が変化する。そうすると、溶融池の面積又は位置が正常な範囲から外れたり、溶加材先端とアーク中心との距離が遠くなったりする、といった特徴量の変動が生じ得る。このような変動の傾向を機械学習することで、入力情報（造形物の材料、溶接条件、軌道計画等の少なくとも１つ）から、溶融池及びアークに関する特徴量を予測（推定）できる。
　そして溶融池又はアークの特徴量に、例えば正常範囲からの逸脱が認められるときがある。例えば、溶融金属の一部のみが集中的に加熱されて早く溶け、凝固するが、他部の温度は遅れて上昇してきて、その温度上昇によって先に凝固した部分が不均一に再溶融されて接合強度不足が生じる可能性がある。このようなとき、その傾向を機械学習できれば、溶融池等の特徴量から、欠陥の発生の可能性及びその程度、その発生位置等について予測（推定）できる。
　次に、中間出力情報が、ビード高さ、ビード幅等の、溶着ビードの性状についての情報である場合について説明する。
　図１６は、１層２列のビードの積層構造において発生した欠陥例を示す断面図である。
　ここで示す積層構造では、ベースプレート２７上に第１ビード８１が形成され、この第１ビード８１の一部と重なって第２ビード８３が形成されている。
　第１ビード８１と第２ビード８３との間には、空洞（巣）８５の欠陥が発生しており、図示はしないが、各ビードの周囲には、スラグ、スパッタ等の付着も認められる。スラグ、スパッタは、積層構造の外側に形成されるが、ビードの積層を行う場合に、ビード間に挟まれて、積層構造の内部に入り込むことがある。その場合、接合強度、耐久性、機械的強度等の特性に影響を及ぼす。このように、隣接したビードの性状は、ビード内部の欠陥にも密接に関連し、欠陥の発生を予測する有益な情報となり得る。
　このようなビード内部の欠陥は、カメラでビードの外観形状を撮像しただけでは、検出できず、超音波又はＸ線を用いた探傷試験に頼らざるを得ない。しかし、本予測方式によれば、撮像画像から得られる情報をモデル形状関数に当てはめることで、構成要素である溶着ビードに分解でき、分解した各溶着ビードの性状を把握することで、高い精度で欠陥発生の推定が可能となる。ここで、モデル形状関数について具体的に説明する。
　図１７の（Ａ）は１層２列で積層した溶着ビードのモデル形状関数によるシミュレーション結果の断面図であり、図１７の（Ｂ）は、図１７の（Ａ）における溶着ビード毎の形状を示す断面図である。
　図１７の（Ａ）において、ＢＤ１は１層２列の溶着ビード全体の断面形状である。この断面形状は、図１７の（Ｂ）に示す第１ビードの形状ＢＤ１－１と第２ビードの形状ＢＤ１－２とを合成して得られる。つまり、溶着ビード全体の断面形状は、第１ビードと第２ビードとに分解でき、各ビードのそれぞれについて、個別に欠陥情報の推定ができる。
　図１８の（Ａ）は、２層２列で積層した溶着ビードのモデル形状関数によるシミュレーション結果の断面図であり、図１８の（Ｂ）は、図１８の（Ａ）における溶着ビード毎の形状を示す断面図である。
　図１８の（Ａ）において、ＢＤ２は２層２列の溶着ビード全体の断面形状である。この断面形状は、図１８の（Ｂ）に示す１層目の第１ビードの形状ＢＤ２－１、及び第２ビードの形状ＢＤ２－２と、２層目の第３ビードの形状ＢＤ２－３、及び第４ビードの形状ＢＤ２－４とを合成して得られる。なお、２層目の第３、第４ビードのそれぞれは、１層目の第１，第２ビードが形成された後に盛り付けされるビード形状を示している。つまり、溶着ビード全体の断面形状は、第１～第４ビードに分解でき、各ビードのそれぞれについて、個別に欠陥情報の推定ができる。
　このように、溶着ビードの形状検出結果から得られる溶着ビードの全体の外観形状の情報に、モデル形状関数を適用することで、各層における溶着ビードのビード高さ、ビード幅等の形状情報を特定できる。特定された形状情報を、例えば学習モデルのパラメータとしてデータベースに登録しておき、試験結果で得られる欠陥情報との対応付けを行うことで、各溶着ビードの性状も考慮した、より精度の高い欠陥の予測が可能となる。
　＜他のデータベース構成例＞
　図１９は、入力情報と出力情報とを関係付ける複数のデータベースを選択的に用いる様子を示す説明図である。
　前述した第１のデータベース構成例は、入力情報と出力情報とを数理モデルＩを用いて関係付けして、この数理モデルＩによりデータベースＤＢ１（前述のデータベース６１）を構築する。
　また、第２のデータベース構成例は、入力情報と中間出力情報とを数理モデルIIａを用いて関係付けし、中間出力情報と出力情報とを数理モデルIIｂを用いて関係付けして、これら数理モデルIIａ,IIｂによりデータベースＤＢ２（前述のデータベース６１）を構築する。
　そして、構築されたデータベースＤＢ１とデータベースＤＢ２とを比較して、入力情報に対する出力情報がより正確な方のデータベースを、図４に示すデータベース６１として使用する。データベースＤＢ１，ＤＢ２の比較は、例えば対応関係が既知である入力情報と出力情報の組（教師データ）を用いて、入力に対する出力の正確性を判断する。
　これによれば、複数のデータベースを構築して、より精度の高いデータベースを選択的に用いることで、造形物の欠陥（広義には欠陥を含む特性）の予測精度が高まり、より適切な造形計画の作成を支援できる。
　このように、本発明は上記の実施形態に限定されるものではなく、実施形態の各構成を相互に組み合わせること、及び明細書の記載、並びに周知の技術に基づいて、当業者が変更、応用することも本発明の予定するところであり、保護を求める範囲に含まれる。
　以上の通り、本明細書には次の事項が開示されている。
（１）　溶接ヘッドから供給される溶加材を溶融及び凝固させて形成する溶着ビードを、所望の形状に積層して造形物を製造する際の欠陥発生を予測する欠陥発生予測方法であって、
　前記造形物の材料、溶接条件及び溶接軌道の各項目を含む入力情報と、当該入力情報の前記各項目の条件で積層造形した場合の前記造形物の欠陥情報を含む出力情報とを関係付ける数理モデルを生成する工程と、
前記数理モデルを用いて前記入力情報と前記出力情報との対応関係を表すデータベースを作成する工程と、
　前記造形物の材料、溶接条件及び溶接軌道の各項目を前記データベースに入力し、前記造形物の欠陥情報を、前記データベースを検索して求める工程と、
　求めた前記造形物の欠陥情報を提示する工程と、
を含み、
　前記入力情報の項目のそれぞれは、互いに異なる複数の入力サブ項目を有し、
　前記出力情報は、前記入力サブ項目に対応する複数の個別欠陥情報を有し、
　前記数理モデルを生成する工程では、前記入力情報の前記入力サブ項目のそれぞれを、前記数理モデルで前記個別欠陥情報に関係付けする、
欠陥発生予測方法。
　この欠陥発生予測方法によれば、欠陥発生に関するデータベースを構築することで、積層造形を行う前に造形物の欠陥発生を予測することができる。また、積層造形により製造され、形状が複雑であるために超音波探傷等の接触式内部検査の適用が難しい造形物についても、あるいは、サイズが大きくＸ線による探傷試験の適用が難しい造形物についても、簡便に欠陥を予測できる。
（２）　溶接ヘッドから供給される溶加材を溶融及び凝固させて形成する溶着ビードを、所望の形状に積層造形して造形物を製造する際の欠陥発生を予測する欠陥発生予測方法であって、
　前記造形物の材料、溶接条件及び溶接軌道の各項目を含む入力情報と、当該入力情報の各項目の条件で積層造形した場合の前記造形物の温度履歴、前記溶着ビード形成時の溶融池形状の特徴量、前記溶着ビードのビード高さ又はビード幅の情報を含む中間出力情報とを関係付ける第１の数理モデル、及び前記中間出力情報と前記造形物の欠陥情報を含む出力情報とを関係付ける第２の数理モデルをそれぞれ生成する工程と、
　前記第１の数理モデルと前記第２の数理モデルを用いて前記入力情報と前記出力情報との対応関係を表すデータベースを作成する工程と、
　前記造形物の材料、溶接条件及び溶接軌道の各項目を前記データベースに入力し、前記造形物の欠陥情報を、前記データベースを検索して求める工程と、
　求めた前記造形物の欠陥情報を提示する工程と、
を含み、
　前記入力情報の項目のそれぞれは、互いに異なる複数の入力サブ項目を有し、
　前記中間出力情報は、前記入力サブ項目に対応する個別中間値を有し、
　前記出力情報は、前記個別中間値に対応する複数の個別欠陥情報を有し、
　前記第１の数理モデル及び前記第２の数理モデルを生成する工程では、前記入力サブ項目のそれぞれを、前記第１の数理モデルで前記個別中間値に関係付けし、且つ、前記個別中間値のそれぞれを、前記第２の数理モデルで前記個別欠陥情報に関係付けする、
欠陥発生予測方法。
　この欠陥発生予測方法によれば、温度履歴、溶融池等の特徴量、ビード高さ又はビード幅等を中間出力とすることで、造形条件の代表的特徴が集約されて欠陥情報と対応付けしやすくなる。また、ここに挙げた中間出力情報は、造形物の造形中において、形状センサ、温度センサを設けることで容易に情報の収集が行え、簡便な手法で実現が可能である。例えば、予測される温度履歴から造形物の内部の状態が、欠陥が生じやすい、あるいは欠陥が生じる可能性が通常よりも高いと判定されるような状態であるかを把握できる。さらに、溶接に直接的に関係する溶融池等の特徴量から、例えば正常範囲から外れた溶接が実施される可能性を推測し、欠陥発生の有無、程度を絞り込める。また、溶着ビードの各層における溶着ビードの形状情報を、モデル形状関数等を用いて推定し、溶着ビードの形状、大きさ、つぶれ具合、外形の乱れ、構造的不安定さの程度も考慮して、欠陥の位置及びサイズ等を予測できる。さらには、スパッタ発生の有無等をも考慮して、上記欠陥を予測できる。このように、データベースを活用した簡便な手法で、学習量を大きく増大させることなく、従来にない高精度の欠陥発生の予測が可能となる。
　また、複数の中間出力情報を組み合わせて欠陥発生を予測することで、その予測精度を向上させることも可能である。また、中間出力情報の種類を増やすことで、さらに予測の確度を高めることもできる。
（３）　前記入力情報における前記材料の情報は、溶加材の種類の情報を含む、（１）又は（２）に記載の欠陥発生予測方法。
　この欠陥発生予測方法によれば、溶加材の種類に応じて溶融時の溶着ビードの粘性が異なり、それに伴って溶着ビードの断面形状が異なる傾向があるため、溶加材の種類毎に分けて数理モデルを作成することで、各溶加材に適した欠陥発生予測を実施できる。このことは、各溶加材に適した溶接条件及び軌道計画の効率的な策定にも寄与する。
（４）　前記入力情報における前記溶接条件の情報は、前記溶着ビード形成時の、溶接電流、溶接電圧、溶接速度、隣接する前記溶接軌道同士のピッチ幅、複数の前記溶接軌道のうち特定の溶接軌道から他の溶接軌道へ移るまでのパス間時間、前記溶接ヘッドの狙い位置、前記溶接ヘッドの溶接姿勢、前記溶加材の供給速度の少なくとも何れか、又はこれらの組み合わせの情報を含む、（１）～（３）のいずれか１つに記載の欠陥発生予測方法。
　この欠陥発生予測方法によれば、溶接条件の多様な項目に着目して、例えばいくつか有力なものに限定したり、多様なパターンで切り出したりすることで、その選択した項目に対応した中間出力情報及び欠陥発生情報を出力できる。つまり、欠陥発生の予測に際して、様々なバリエーションを得ることができる。これによって、データ数の拡充も容易となる。また、いずれも造形中に監視できる指標であるため、容易にデータを収集できる。
（５）　前記入力情報における前記溶接軌道の情報は、前記溶着ビードを形成するパス、前記パスの数、前記溶着ビードの形成順序、前記溶着ビードの断面形状の少なくともいずれかの情報を含む、（１）～（４）のいずれか１つに記載の欠陥発生予測方法。
　この欠陥発生予測方法によれば、上記（４）と同様の効果を得ることができる。
（６）　前記溶接軌道は、前記造形物の全体形状の一部を切り出した要素形状に対応する部分的溶接軌道を含む、（１）～（５）のいずれか１つに記載の欠陥発生予測方法。
　この欠陥発生予測方法によれば、造形物の全体を複数の要素形状に分割し、要素形状毎の軌道計画を設定することで、複雑な造形物を単純な要素形状の組み合わせで表せる。これにより、入力情報に応じた中間出力情報、及び最終的な出力情報である欠陥情報を、演算量を軽減して予測できる。つまり、部分的な軌道計画と関連付けてデータベースを作成することで、対象が複雑な造形物であっても、形状を適切に分解すれば予測が簡単になり、汎用性を向上できる。
　また、部分的な軌道計画に基づく欠陥予測情報を集約すれば、造形物全体についての欠陥予測が行える。この要素形状毎の分解は、手動で行ってもよく、予め登録してある単純形状とパターンマッチングすることで切り出してもよい。
　切り出された各要素形状は例えば、所定の積層方向軸を定めて層分解することもでき、また、各層は、所定のビード単位に分割することで、各溶着ビードを形成する軌道を作成することも可能である。このように、要素形状毎に欠陥発生を予測できるため、造形物のどの位置に欠陥が生じるかを簡単に特定できる。また、各要素形状に対応する部分的な溶接軌道を様々なバリエーションで作成しておくことで、複雑な形状の造形物であっても、煩雑な処理を要せずに、欠陥を含めた造形物の特性を高効率に予測でき、適切な造形計画を作成できる。
（７）　前記出力情報は、欠陥サイズ、欠陥形状、スパッタ発生量、欠陥発生有無の少なくともいずれかの情報を含む、（１）～（６）のいずれか１つに記載の欠陥発生予測方法。
　この欠陥発生予測方法によれば、造形物の品質に関わる重要な指標を出力情報として、データベースによる検索、すわなち、欠陥等の推定が可能である。そのため、実際の造形に先立ち、データベースを用いた欠陥予測を行って、造形物の品質に関わる重要な指標となり得る欠陥情報を得ることができる。つまり、それらの重要な指標を出力情報とすることで、造形物の品質を効率良く予測することが可能となる。
（８）　前記数理モデルは、前記入力情報と前記出力情報との関係を機械学習した学習済みモデルである、（１）～（７）のいずれか１つに記載の欠陥発生予測方法。
　この欠陥発生予測方法によれば、データさえあれば簡単に数理モデルが構築でき、かつ積層造形の度にデータを拡充してモデルの精度向上を図れる。機械学習によって数理モデルを構築することで、試験データのない部分を補完して、予測精度を向上させることができる。また、入力と出力に対応するデータは、例えば、壁造形、ブロック造形等の基礎的な形状の造形物よりデータを収集できるため、簡単に機械学習データを用意でき、実現性にも優れた構成にできる。
（９）　前記入力情報の入力範囲を、予め定めた条件に基づいて限定した範囲に制限する、（１）～（８）のいずれか１つに記載の欠陥発生予測方法。
　この欠陥発生予測方法によれば、造形装置を駆動する推奨範囲、及び溶加材の使用推奨条件等を逸脱しないように、入力範囲に制限を設けることで、装置不良又は材料に起因するトラブルを起こしやすい条件の入力を回避できる。また、例えば、溶接機の推奨範囲、溶加材の使用推奨条件、等を逸脱するケースは検索対象外とすることで、数理モデルの計算負荷を低減することも可能である。
（１０）　溶接ヘッドから供給される溶加材を溶融及び凝固させて形成する溶着ビードを、所望の形状に積層して造形物を製造する際の欠陥発生を予測する欠陥発生予測装置であって、
　前記造形物の材料、溶接条件及び溶接軌道の各項目を含む入力情報と、当該入力情報の前記各項目の条件で積層造形した場合の前記造形物の欠陥情報を含む出力情報とを関係付ける数理モデルを生成する数理モデル生成部と、
　前記数理モデルを用いて前記入力情報と前記出力情報との対応関係を表すデータベースを作成するデータベース作成部と、
　前記データベースに入力される前記造形物の材料、溶接条件及び溶接軌道の各項目を用いて前記データベースを検索し、前記造形物の欠陥情報を求める検索部と、
　求めた前記造形物の欠陥情報を提示する出力部と、
を含み、
　前記入力情報の項目のそれぞれは、互いに異なる複数の入力サブ項目を有し、
　前記出力情報は、前記入力サブ項目に対応する複数の個別欠陥情報を有し、
　前記数理モデルを生成する工程では、前記入力情報の前記入力サブ項目のそれぞれを、前記数理モデルで前記個別欠陥情報に関係付けする、
欠陥発生予測装置。
　この欠陥発生予測装置によれば、欠陥発生に関するデータベースを構築することで、積層造形を行う前に造形物の欠陥発生を予測できる。また、積層造形により製造され、形状が複雑であるために超音波探傷等の接触式内部検査の適用が難しい造形物についても、また、サイズが大きくＸ線による探傷試験の適用が難しい造形物についても、簡便に欠陥を予測できる。
（１１）溶接ヘッドから供給される溶加材を溶融及び凝固させて形成する溶着ビードを、所望の形状に積層して造形物を製造する際の欠陥発生を予測する欠陥発生予測装置であって、
　前記造形物の材料、溶接条件及び溶接軌道の各項目を含む入力情報と、当該入力情報の各項目の条件で積層造形した場合の前記造形物の温度履歴、前記溶着ビード形成時の溶融池形状の特徴量、前記溶着ビードのビード高さ又はビード幅の情報を含む中間出力情報とを関係付ける第１の数理モデル、及び前記中間出力情報と前記造形物の欠陥情報を含む出力情報とを関係付ける第２の数理モデルをそれぞれ生成する数理モデル生成部と、
　前記第１の数理モデルと前記第２の数理モデルを用いて前記入力情報と前記出力情報との対応関係を表すデータベースを作成するデータベース作成部と、
　前記データベースに入力される前記造形物の材料、溶接条件及び溶接軌道の各項目を用いて前記データベースを検索し、前記造形物の欠陥情報を求める検索部と、
　求めた前記造形物の欠陥情報を提示する出力部と、
を含み、
　前記入力情報の項目のそれぞれは、互いに異なる複数の入力サブ項目を有し、
　前記中間出力情報は、前記入力サブ項目に対応する個別中間値を有し、
　前記出力情報は、前記個別中間値に対応する複数の個別欠陥情報を有し、
　前記第１の数理モデル及び前記第２の数理モデルを生成する工程では、前記入力サブ項目のそれぞれを、前記第１の数理モデルで前記個別中間値に関係付けし、且つ、前記個別中間値のそれぞれを、前記第２の数理モデルで前記個別欠陥情報に関係付けする、
欠陥発生予測装置。
　この欠陥発生予測装置によれば、温度履歴、溶融池等の特徴量、ビード高さ又はビード等を中間出力とすることで、造形条件の代表的特徴が集約されて欠陥情報と対応付けしやすくなる。また、ここに挙げた中間出力情報は、造形物の造形中において、形状センサ、温度センサを設けることで容易に情報の収集が行えるため、簡便な手法で実現が可能である。例えば、予測される温度履歴から造形物の内部の状態が、欠陥が生じやすい、あるいは欠陥が生じる可能性が通常よりも高いと判定されるような状態であるかを把握できる。さらに、溶接に直接的に関係する溶融池等の特徴量から、例えば正常範囲から外れた溶接が実施される可能性を推測し、欠陥発生の有無、程度を絞り込める。また、溶着ビードの各層における溶着ビードの形状情報を、モデル形状関数等を用いて推定し、溶着ビードの形状、大きさ、つぶれ具合、外形の乱れ、構造的不安定さの程度も考慮して、欠陥の位置、サイズ等を予測できる。さらには、スパッタ発生の有無等をも考慮して、上記欠陥を予測できる。このように、データベースを活用した簡便な手法で、学習量を大きく増大させることなく、従来にない高精度の欠陥発生の予測が可能となる。
　また、複数の中間出力情報を組み合わせて欠陥発生を予測することで、その予測精度を向上させることも可能である。また、中間出力情報の種類を増やすことで、予測の確度をさらに高めることもできる。
　本出願は、２０２０年７月２０日出願の日本特許出願（特願２０２０－１２３８５９）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。
　１１　造形装置
　１３　造形制御装置
　１５　溶接トーチ
　１７　溶接ロボット
　２１　ロボット制御装置
　２３　溶加材供給部
　２５　溶接電源
　２７　ベースプレート
　２９　リール
　３０　温度センサ
　３１　ワイヤ送給センサ
　３２　形状センサ
　３３　入出力インターフェース
　３５　記憶部
　３７　操作パネル
　３９　溶着ビード層
　４１　ＣＰＵ
　４３　記憶部
　４５　入出力インターフェース
　４７　入力部
　４９　出力部
　５１　基本情報テーブル
　５３　数理モデル生成部
　５５　データベース作成部
　５７　造形計画部
　５９　検索部
　６１　データベース
　６３　初期データベース
　６５　造形物
　６５Ａ　本体（要素形状）
　６５Ｂ　第１突起部（要素形状）
　６５Ｃ　第２突起部（要素形状）

Claims (19)

  1. 　溶接ヘッドから供給される溶加材を溶融及び凝固させて形成する溶着ビードを、所望の形状に積層して造形物を製造する際の欠陥発生を予測する欠陥発生予測方法であって、
    　前記造形物の材料、溶接条件及び溶接軌道の各項目を含む入力情報と、当該入力情報の前記各項目の条件で積層造形した場合の前記造形物の欠陥情報を含む出力情報とを関係付ける数理モデルを生成する工程と、
    　前記数理モデルを用いて前記入力情報と前記出力情報との対応関係を表すデータベースを作成する工程と、
    　前記造形物の材料、溶接条件及び溶接軌道の各項目を前記データベースに入力し、前記造形物の欠陥情報を、前記データベースを検索して求める工程と、
    　求めた前記造形物の欠陥情報を提示する工程と、
    を含み、
    　前記入力情報の項目のそれぞれは、互いに異なる複数の入力サブ項目を有し、
    　前記出力情報は、前記入力サブ項目に対応する複数の個別欠陥情報を有し、
    　前記数理モデルを生成する工程では、前記入力情報の前記入力サブ項目のそれぞれを、前記数理モデルで前記個別欠陥情報に関係付けする、
    欠陥発生予測方法。
  2. 　溶接ヘッドから供給される溶加材を溶融及び凝固させて形成する溶着ビードを、所望の形状に積層造形して造形物を製造する際の欠陥発生を予測する欠陥発生予測方法であって、
    　前記造形物の材料、溶接条件及び溶接軌道の各項目を含む入力情報と、当該入力情報の各項目の条件で積層造形した場合の前記造形物の温度履歴、前記溶着ビード形成時の溶融池形状の特徴量、前記溶着ビードのビード高さ又はビード幅の情報を含む中間出力情報とを関係付ける第１の数理モデル、及び前記中間出力情報と前記造形物の欠陥情報を含む出力情報とを関係付ける第２の数理モデルをそれぞれ生成する工程と、
    　前記第１の数理モデルと前記第２の数理モデルを用いて前記入力情報と前記出力情報との対応関係を表すデータベースを作成する工程と、
    　前記造形物の材料、溶接条件及び溶接軌道の各項目を前記データベースに入力し、前記造形物の欠陥情報を、前記データベースを検索して求める工程と、
    　求めた前記造形物の欠陥情報を提示する工程と、
    を含み、
    　前記入力情報の項目のそれぞれは、互いに異なる複数の入力サブ項目を有し、
    　前記中間出力情報は、前記入力サブ項目に対応する個別中間値を有し、
    　前記出力情報は、前記個別中間値に対応する複数の個別欠陥情報を有し、
    　前記第１の数理モデル及び前記第２の数理モデルを生成する工程では、前記入力サブ項目のそれぞれを、前記第１の数理モデルで前記個別中間値に関係付けし、且つ、前記個別中間値のそれぞれを、前記第２の数理モデルで前記個別欠陥情報に関係付けする、
    欠陥発生予測方法。
  3. 　前記入力情報における前記材料の情報は、溶加材の種類の情報を含む、請求項１に記載の欠陥発生予測方法。
  4. 　前記入力情報における前記材料の情報は、溶加材の種類の情報を含む、請求項２に記載の欠陥発生予測方法。
  5. 　前記入力情報における前記溶接条件の情報は、前記溶着ビード形成時の、溶接電流、溶接電圧、溶接速度、隣接する前記溶接軌道同士のピッチ幅、複数の前記溶接軌道のうち特定の溶接軌道から他の溶接軌道へ移るまでのパス間時間、前記溶接ヘッドの狙い位置、前記溶接ヘッドの溶接姿勢、前記溶加材の供給速度の少なくとも何れか、又はこれらの組み合わせの情報を含む、請求項１に記載の欠陥発生予測方法。
  6. 　前記入力情報における前記溶接条件の情報は、前記溶着ビード形成時の、溶接電流、溶接電圧、溶接速度、隣接する前記溶接軌道同士のピッチ幅、複数の前記溶接軌道のうち特定の溶接軌道から他の溶接軌道へ移るまでのパス間時間、前記溶接ヘッドの狙い位置、前記溶接ヘッドの溶接姿勢、前記溶加材の供給速度の少なくとも何れか、又はこれらの組み合わせの情報を含む、請求項２に記載の欠陥発生予測方法。
  7. 　前記入力情報における前記溶接条件の情報は、前記溶着ビード形成時の、溶接電流、溶接電圧、溶接速度、隣接する前記溶接軌道同士のピッチ幅、複数の前記溶接軌道のうち特定の溶接軌道から他の溶接軌道へ移るまでのパス間時間、前記溶接ヘッドの狙い位置、前記溶接ヘッドの溶接姿勢、前記溶加材の供給速度の少なくとも何れか、又はこれらの組み合わせの情報を含む、請求項３に記載の欠陥発生予測方法。
  8. 　前記入力情報における前記溶接条件の情報は、前記溶着ビード形成時の、溶接電流、溶接電圧、溶接速度、隣接する前記溶接軌道同士のピッチ幅、複数の前記溶接軌道のうち特定の溶接軌道から他の溶接軌道へ移るまでのパス間時間、前記溶接ヘッドの狙い位置、前記溶接ヘッドの溶接姿勢、前記溶加材の供給速度の少なくとも何れか、又はこれらの組み合わせの情報を含む、請求項４に記載の欠陥発生予測方法。
  9. 　前記入力情報における前記溶接軌道の情報は、前記溶着ビードを形成するパス、前記パスの数、前記溶着ビードの形成順序、前記溶着ビードの断面形状の少なくともいずれかの情報を含む、請求項１～８のいずれか１項に記載の欠陥発生予測方法。
  10. 　前記溶接軌道は、前記造形物の全体形状の一部を切り出した要素形状に対応する部分的溶接軌道を含む、請求項１～８のいずれか１項に記載の欠陥発生予測方法。
  11. 　前記溶接軌道は、前記造形物の全体形状の一部を切り出した要素形状に対応する部分的溶接軌道を含む、請求項９に記載の欠陥発生予測方法。
  12. 　前記出力情報は、欠陥サイズ、欠陥形状、スパッタ発生量、欠陥発生有無の少なくともいずれかの情報を含む、請求項１～８のいずれか１項に記載の欠陥発生予測方法。
  13. 　前記出力情報は、欠陥サイズ、欠陥形状、スパッタ発生量、欠陥発生有無の少なくともいずれかの情報を含む、請求項９に記載の欠陥発生予測方法。
  14. 　前記出力情報は、欠陥サイズ、欠陥形状、スパッタ発生量、欠陥発生有無の少なくともいずれかの情報を含む、請求項１０に記載の欠陥発生予測方法。
  15. 　前記出力情報は、欠陥サイズ、欠陥形状、スパッタ発生量、欠陥発生有無の少なくともいずれかの情報を含む、請求項１１に記載の欠陥発生予測方法。
  16. 　前記数理モデルは、前記入力情報と前記出力情報との関係を機械学習した学習済みモデルである、請求項１～８のいずれか１項に記載の欠陥発生予測方法。
  17. 　前記入力情報の入力範囲を、予め定めた条件に基づいて限定した範囲に制限する、請求項１～８のいずれか１項に記載の欠陥発生予測方法。
  18. 　溶接ヘッドから供給される溶加材を溶融及び凝固させて形成する溶着ビードを、所望の形状に積層して造形物を製造する際の欠陥発生を予測する欠陥発生予測装置であって、
    　前記造形物の材料、溶接条件及び溶接軌道の各項目を含む入力情報と、当該入力情報の前記各項目の条件で積層造形した場合の前記造形物の欠陥情報を含む出力情報とを関係付ける数理モデルを生成する数理モデル生成部と、
    　前記数理モデルを用いて前記入力情報と前記出力情報との対応関係を表すデータベースを作成するデータベース作成部と、
    　前記データベースに入力される前記造形物の材料、溶接条件及び溶接軌道の各項目を用いて前記データベースを検索し、前記造形物の欠陥情報を求める検索部と、
    　求めた前記造形物の欠陥情報を提示する出力部と、
    を含み、
    　前記入力情報の項目のそれぞれは、互いに異なる複数の入力サブ項目を有し、
    　前記出力情報は、前記入力サブ項目に対応する複数の個別欠陥情報を有し、
    　前記数理モデルを生成する工程では、前記入力情報の前記入力サブ項目のそれぞれを、前記数理モデルで前記個別欠陥情報に関係付けする、
    欠陥発生予測装置。
  19. 　溶接ヘッドから供給される溶加材を溶融及び凝固させて形成する溶着ビードを、所望の形状に積層して造形物を製造する際の欠陥発生を予測する欠陥発生予測装置であって、
    　前記造形物の材料、溶接条件及び溶接軌道の各項目を含む入力情報と、当該入力情報の各項目の条件で積層造形した場合の前記造形物の温度履歴、前記溶着ビード形成時の溶融池形状の特徴量、前記溶着ビードのビード高さ又はビード幅の情報を含む中間出力情報とを関係付ける第１の数理モデル、及び前記中間出力情報と前記造形物の欠陥情報を含む出力情報とを関係付ける第２の数理モデルをそれぞれ生成する数理モデル生成部と、
    　前記第１の数理モデルと前記第２の数理モデルを用いて前記入力情報と前記出力情報との対応関係を表すデータベースを作成するデータベース作成部と、
    　前記データベースに入力される前記造形物の材料、溶接条件及び溶接軌道の各項目を用いて前記データベースを検索し、前記造形物の欠陥情報を求める検索部と、
    　求めた前記造形物の欠陥情報を提示する出力部と、
    を含み、
    　前記入力情報の項目のそれぞれは、互いに異なる複数の入力サブ項目を有し、
    　前記中間出力情報は、前記入力サブ項目に対応する個別中間値を有し、
    　前記出力情報は、前記個別中間値に対応する複数の個別欠陥情報を有し、
    　前記第１の数理モデル及び前記第２の数理モデルを生成する工程では、前記入力サブ項目のそれぞれを、前記第１の数理モデルで前記個別中間値に関係付けし、且つ、前記個別中間値のそれぞれを、前記第２の数理モデルで前記個別欠陥情報に関係付けする、
    欠陥発生予測装置。
PCT/JP2021/025680 2020-07-20 2021-07-07 欠陥発生予測方法、及び欠陥発生予測装置 WO2022019120A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP21846372.7A EP4169659A4 (en) 2020-07-20 2021-07-07 FAULT APPEARANCE PREDICTION METHOD AND FAULT APPEARANCE PREDICTION DEVICE
CN202180060324.2A CN116171205A (zh) 2020-07-20 2021-07-07 缺陷产生预测方法以及缺陷产生预测装置
US18/006,230 US20230294215A1 (en) 2020-07-20 2021-07-07 Defect occurrence prediction method, and defect occurrence prediction device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020123859A JP7303163B2 (ja) 2020-07-20 2020-07-20 欠陥発生予測方法、及び欠陥発生予測装置
JP2020-123859 2020-07-20

Publications (1)

Publication Number Publication Date
WO2022019120A1 true WO2022019120A1 (ja) 2022-01-27

Family

ID=79728673

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/025680 WO2022019120A1 (ja) 2020-07-20 2021-07-07 欠陥発生予測方法、及び欠陥発生予測装置

Country Status (5)

Country Link
US (1) US20230294215A1 (ja)
EP (1) EP4169659A4 (ja)
JP (1) JP7303163B2 (ja)
CN (1) CN116171205A (ja)
WO (1) WO2022019120A1 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115138867A (zh) * 2022-07-22 2022-10-04 南京航空航天大学 一种激光增材制造梯度材料成型质量实时监测反馈与优化的装置与方法
WO2023153105A1 (ja) * 2022-02-14 2023-08-17 株式会社神戸製鋼所 学習装置、欠陥判定装置、学習方法、欠陥判定方法、溶接制御装置及び溶接装置
WO2023204031A1 (ja) * 2022-04-20 2023-10-26 株式会社神戸製鋼所 積層造形物の品質管理方法、積層造形物の品質管理装置、プログラム、溶接制御装置及び溶接装置
JP7374390B1 (ja) 2023-02-08 2023-11-06 三菱電機株式会社 欠陥推定装置、数値制御装置、付加製造装置、および欠陥推定方法
WO2024018803A1 (ja) * 2022-07-20 2024-01-25 株式会社神戸製鋼所 画像情報生成装置及び画像情報生成方法、画像処理装置及び画像処理方法、欠陥予測装置及び欠陥予測方法、並びにプログラム

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023042934A (ja) * 2021-09-15 2023-03-28 新東工業株式会社 試験システム及び試験方法
US20230274407A1 (en) * 2022-02-25 2023-08-31 General Electric Company Systems and methods for analyzing weld quality
CN117030724B (zh) * 2023-10-09 2023-12-08 诺比侃人工智能科技(成都)股份有限公司 一种基于深度学习的多模态工业缺陷分析方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015003333A (ja) * 2013-06-21 2015-01-08 株式会社ダイヘン アークスタート良否傾向提示装置
JP2019005809A (ja) 2017-06-20 2019-01-17 リンカーン グローバル，インコーポレイテッド 溶接物の分類及び相関関係のための機械学習
JP2019162666A (ja) 2018-03-20 2019-09-26 リンカーン グローバル，インコーポレイテッド 溶接品質判定のための溶接シグネチャ解析
WO2020129618A1 (ja) * 2018-12-19 2020-06-25 パナソニックＩｐマネジメント株式会社 溶接システム及びそれを用いたワークの溶接方法
JP2020123859A (ja) 2019-01-31 2020-08-13 キヤノン株式会社 撮影制御装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11347191B2 (en) * 2015-07-29 2022-05-31 Illinois Tool Works Inc. System and method to facilitate welding software as a service
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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015003333A (ja) * 2013-06-21 2015-01-08 株式会社ダイヘン アークスタート良否傾向提示装置
JP2019005809A (ja) 2017-06-20 2019-01-17 リンカーン グローバル，インコーポレイテッド 溶接物の分類及び相関関係のための機械学習
JP2019162666A (ja) 2018-03-20 2019-09-26 リンカーン グローバル，インコーポレイテッド 溶接品質判定のための溶接シグネチャ解析
WO2020129618A1 (ja) * 2018-12-19 2020-06-25 パナソニックＩｐマネジメント株式会社 溶接システム及びそれを用いたワークの溶接方法
JP2020123859A (ja) 2019-01-31 2020-08-13 キヤノン株式会社 撮影制御装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4169659A4

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023153105A1 (ja) * 2022-02-14 2023-08-17 株式会社神戸製鋼所 学習装置、欠陥判定装置、学習方法、欠陥判定方法、溶接制御装置及び溶接装置
WO2023204031A1 (ja) * 2022-04-20 2023-10-26 株式会社神戸製鋼所 積層造形物の品質管理方法、積層造形物の品質管理装置、プログラム、溶接制御装置及び溶接装置
WO2024018803A1 (ja) * 2022-07-20 2024-01-25 株式会社神戸製鋼所 画像情報生成装置及び画像情報生成方法、画像処理装置及び画像処理方法、欠陥予測装置及び欠陥予測方法、並びにプログラム
CN115138867A (zh) * 2022-07-22 2022-10-04 南京航空航天大学 一种激光增材制造梯度材料成型质量实时监测反馈与优化的装置与方法
CN115138867B (zh) * 2022-07-22 2024-04-26 南京航空航天大学 一种激光增材制造梯度材料成型质量实时监测反馈与优化的装置与方法
JP7374390B1 (ja) 2023-02-08 2023-11-06 三菱電機株式会社 欠陥推定装置、数値制御装置、付加製造装置、および欠陥推定方法

Also Published As

Publication number Publication date
EP4169659A1 (en) 2023-04-26
US20230294215A1 (en) 2023-09-21
JP2022020392A (ja) 2022-02-01
EP4169659A4 (en) 2024-01-24
JP7303163B2 (ja) 2023-07-04
CN116171205A (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
WO2022019120A1 (ja) 欠陥発生予測方法、及び欠陥発生予測装置
WO2022019122A1 (ja) 造形計画支援方法、及び造形計画支援装置
Nguyen et al. Continuous Eulerian tool path strategies for wire-arc additive manufacturing of rib-web structures with machine-learning-based adaptive void filling
Li et al. A defect detection system for wire arc additive manufacturing using incremental learning
JP7068950B2 (ja) 溶接設計支援方法、及びプログラム
Graf et al. Numerical simulation of metallic wire arc additive manufacturing (WAAM)
Zahidin et al. Research challenges, quality control and monitoring strategy for Wire Arc Additive Manufacturing
Wang et al. Prediction of bead geometry with consideration of interlayer temperature effect for CMT-based wire-arc additive manufacturing
Barrionuevo et al. A machine learning approach for the prediction of melting efficiency in wire arc additive manufacturing
Prajadhiama et al. Development of bead modelling for distortion analysis induced by wire arc additive manufacturing using FEM and experiment
Béraud et al. An indicator of porosity through simulation of melt pool volume in aluminum wire arc additive manufacturing
CN102892548B (zh) 对带状物端部对接焊缝的热循环的控制方法和控制装置
Choudhury et al. Optimization of Weld Parameters on Bead Characteristics During EBW of Inconel 825
JP7391718B2 (ja) 積層造形物の材質予測方法、材質データベースの構築方法、積層造形物の積層計画方法、及び積層造形物の製造方法
JP7404833B2 (ja) 品質予測システム
Ling et al. A heat transfer finite element model for wire-arc-additive-manufacturing process
JP6753990B1 (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
Manokruang Phenomenological model of thermal effects on weld beads geometry produced by Wire and Arc Additive Manufacturing (WAAM)
Prajadhiana et al. Experimental verification of numerical computation with evolved material property model and sensitivity analysis on WAAM distortion using P-GMAW
Fang et al. Data driven analysis of thermal simulations, microstructure and mechanical properties of Inconel 718 thin walls deposited by metal additive manufacturing
Gihr et al. Bead geometry prediction and optimization for corner structures in directed energy deposition using machine learning
Koňár et al. Numerical simulation of a temperature field during multi-beads surface welding
JP2021028073A (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
WO2022163329A1 (ja) 積層造形物の変形予測方法
JP7382302B2 (ja) 溶接装置、溶接作業手順作成装置、溶接作業支援装置、溶接方法、溶接作業手順作成方法、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: 21846372

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021846372

Country of ref document: EP

Effective date: 20230120

NENP Non-entry into the national phase

Ref country code: DE