WO2023068146A1 - 溶接システム及び溶接モニタ装置 - Google Patents

溶接システム及び溶接モニタ装置 Download PDF

Info

Publication number
WO2023068146A1
WO2023068146A1 PCT/JP2022/038121 JP2022038121W WO2023068146A1 WO 2023068146 A1 WO2023068146 A1 WO 2023068146A1 JP 2022038121 W JP2022038121 W JP 2022038121W WO 2023068146 A1 WO2023068146 A1 WO 2023068146A1
Authority
WO
WIPO (PCT)
Prior art keywords
welding
data
information
estimating
estimation
Prior art date
Application number
PCT/JP2022/038121
Other languages
English (en)
French (fr)
Inventor
直樹 松下
勇斗 宍戸
Original Assignee
株式会社アマダ
株式会社アマダウエルドテック
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 株式会社アマダ, 株式会社アマダウエルドテック filed Critical 株式会社アマダ
Publication of WO2023068146A1 publication Critical patent/WO2023068146A1/ja

Links

Images

Classifications

    • 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
    • B23K11/00—Resistance welding; Severing by resistance heating
    • B23K11/24—Electric supply or control circuits therefor
    • 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
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • Patent Document 1 requires a plurality of processing experiments, and the search experiment for a method of trying all possible combinations relies on the intuition and experience of the operator in many ways. There is a problem that it takes a long time to find the appropriate processing conditions.
  • a welding system includes a welding device that welds a workpiece, processing condition information including processing conditions for welding performed in advance by the welding device, and welding obtained after welding based on the processing conditions.
  • a learning device for inputting welding result information related to the welding results as training data, creating and outputting a welding result estimation model based on the teaching data; an estimating device for inputting processing condition information including processing conditions set in a welding device as estimation data, and estimating and outputting a welding result of welding performed by the welding device based on the processing conditions.
  • ADVANTAGE OF THE INVENTION it is possible to easily search for suitable processing conditions for welding in a short time with a simple configuration, and to non-destructively estimate the welding result of a welded portion by welding under suitable processing conditions. .
  • the welding system 100 is a system capable of estimating and outputting welding results.
  • the welding system 100 includes a welding device (laser welder 40) that welds workpieces, processing condition information 2 including processing conditions for welding performed in advance by the welding device (laser welder 40), and processing conditions.
  • a learning device 10 is provided for inputting welding result information 1 related to welding results obtained after welding as training data, and for creating and outputting a welding result estimation model 3 based on these training data.
  • the welding system 100 inputs processing condition information 4 including processing conditions set in the welding device (laser welder 40) to the welding result estimation model 3 created by the learning device 10 as data for estimation.
  • An estimating device 30 for estimating and outputting the welding result of the welding performed by the welding device (laser welder 40) based on .
  • Estimation device 30 is included in welding result determination device 20 that determines the welding result based on the estimated welding result.
  • the teacher data of the objective variable input to the learning device 10 includes welding result information 1 related to the welding strength F (N/mm 2 ) of the welded portion of the laser welding.
  • processing condition information 2 including various processing conditions (laser power (output value), laser irradiation time, etc.) can be used as explanatory variable teaching data. Note that the objective variable and the explanatory variable used in the welding system 100 are not limited to these examples.
  • the welding device is the laser welder 40
  • the processing condition information 2 and 4 includes the material of the workpiece, the thickness of the workpiece, the laser power, the laser irradiation time, It includes at least one processing condition from the time from the start of laser irradiation to reaching the peak power, the time from the peak power to the end of laser irradiation, fiber diameter, lens focal length, focal position, and laser diameter at the irradiation point.
  • the spot diameter calculated by the combination of the lens, fiber, and focal position is used for machine learning in the welding result learning unit 11, for example.
  • the laser welder 40 is a device that performs welding by irradiating a workpiece with a laser beam under processing conditions specified by an external input, for example.
  • the laser welder 40 is configured to be able to acquire or transmit/receive various conditions under which the laser beam is irradiated through various types of communication (network communication or communication by direct connection). Welding results also include weld strength, spot diameter, weld quality, and the like.
  • the welding system 100 of the first embodiment is used as a system for estimating the welding strength included in the welding result of laser welding by the laser welder 40, for example.
  • the welding result information 1 may include the spot diameter.
  • the welding result information 1 may be an index obtained by evaluating the metal structure from the appearance, cross section, or the like as the welding quality, or may be an index obtained by evaluating the corrosion resistance. Therefore, the welding system 100 can also be used as a system for estimating the spot diameter and welding quality included in the welding results of laser welding.
  • the learning device 10 includes a welding result learning section 11.
  • the welding result learning unit 11 combines the processing condition information 2 input to the learning device 10 and the welding result information 1 related to the welding result of the weld obtained by, for example, a destructive inspection after welding based on this processing condition.
  • a welding result estimation model 3 is created by performing machine learning using, for example, a predetermined machine learning algorithm based on the teacher data.
  • destructive inspection, etc. can be used for JIS Z 2241 metal material tensile test method and other welding tests and inspections listed as destructive tests listed on the website of the Japan Welding Association Welding Information Center. Any of the JIS standards may be selected, and the experimental method and evaluation method are also based on those described in the JIS standard.
  • the learned welding result estimation model 3 is configured by, for example, software operated by a computer.
  • the learned welding result estimation model 3 is a program that outputs welding result estimated values 8 including welding strength and the like when processing condition information 4 is input as estimation data.
  • the welding result determination device 20 determines, for example, the welding strength and/or the spot diameter (hereinafter referred to as "welding strength etc.”). ) can be determined.
  • the welding result estimated value 8 is information about the welding strength, which can numerically express, for example, the tensile strength (unit: N) of a certain welding point (welded portion) and the distribution range of the strength.
  • the welding result estimated value 8 is information about the spot diameter that can numerically express, for example, the size of the irradiation range of the laser beam on the surface of a certain welding point (weld portion) or the size of the melted portion of the welded portion. That's what I mean.
  • the welding system 100 can obtain the welding result estimated value 8 simply by inputting the processing condition information 4 set in the laser welder 40 to the learned welding result estimation model 3 .
  • the welding system 100 eliminates the complicated work required to actually irradiate the laser beam using a plurality of pieces of processing condition information 4 and measure the results, thereby realizing the desired welding strength. It is possible to reduce the number of combinations of processing condition information used for condition search. For this reason, the welding system 100 can easily search for suitable processing conditions for laser welding with a simple configuration in a short time, and the welding result of the welded portion by laser welding under suitable processing conditions is non-destructive. can be estimated by
  • the learning device 10 and/or the estimating device 30 are provided with an input I/F (interface) 207, an output I/F (interface) 208, and a communication I/F (interface) 209, for example.
  • Each component 201 to 209 is interconnected by a bus 200, respectively.
  • the CPU 201 controls the learning device 10 and/or the estimation device 30 by executing various programs stored in the RAM 202, ROM 203, HDD 204, SSD 205, and the like.
  • the CPU 201 executes a learning program in the learning device 10 to realize the function of each section of the learning device 10 including the function of the welding result learning section 11 .
  • the RAM 202 can be used as a work area for arithmetic processing of the CPU 201.
  • the ROM 203 stores at least the various programs described above in a readable manner.
  • the HDD 204 and SSD 205 store the various data described above in a readable and writable manner.
  • the memory card 206 stores these various data in a readable and writable manner, and constitutes a removable storage medium for each of the devices 10 and 30 .
  • the HDD 204, SSD 205, and memory card 206 implement the functions of the storage device or storage medium described above.
  • a sensor 212 is connected to the input I/F 207 to acquire detection information.
  • the sensor 212 includes various sensors such as a temperature sensor, an optical sensor, an acoustic sensor, and an image sensor.
  • Input I/F 207 is connected to touch panel 211 functioning as an operating unit or input unit of learning device 10 and/or estimating device 30 , and receives information accompanying operation input from the user of welding system 100 .
  • Various input devices such as a keyboard and a mouse (including a trackball mouse) (not shown) can also be connected to the input I/F 207 .
  • the touch panel 211 may be provided on the display 210 .
  • the learning device 10 and/or the estimation device 30 may be indirectly or directly connected to a server device, external device, or the like connected to a network such as the Internet (not shown) via the communication I/F 209 .
  • FIG. 3 is an explanatory diagram showing the basic configuration of the welding system according to the second embodiment of the present invention.
  • the same reference numerals are given to the same constituent elements as those of the first embodiment and its modification, so redundant description will be omitted below.
  • the welding system 100A includes monitoring information 5 and 6 obtained by monitoring (state observation) the progress of welding by the welding device (laser welder 40) with a sensor 212.
  • a welding monitor device 50 that outputs
  • the learning device 10 calculates feature amount information as teacher data of auxiliary variables from the teacher data of the monitoring information 5 output from the welding monitor device 50, and creates the welding result estimation model 3 based on the teacher data to which the auxiliary variables are added. and output.
  • the estimating device 30 calculates feature amount information as data for estimating auxiliary variables from the data for estimating the monitoring information 6 output from the welding monitor device 50, and inputs the data for estimating the auxiliary variables to obtain the welding result. is estimated and output.
  • the welding monitor device 50 is a device capable of monitoring the welded portion of the workpiece with the sensor 212, acquiring the output information from the sensor 212 as the monitoring information 5, 6, and outputting it.
  • the welding system 100A of the second embodiment uses the monitoring information 5 and 6 from the welding monitor device 50 as auxiliary variables (teaching data and estimation data for) having a correlation with the processing condition information 2 and 4. It is a system applied to welding.
  • the auxiliary variables correlated with explanatory variables (processing condition information) include, for example, physical quantities (welding temperature, sound, light, color, etc.) observed during or after laser welding.
  • the auxiliary variables used in welding system 100A are not limited to those illustrated.
  • the learning device 10 of the welding system 100A includes the first auxiliary variable calculation unit 12 that calculates the feature amount information from the teaching data of the monitoring information 5 as teaching data of the auxiliary variables. Further, the learning device 10 is based on the teacher data of the welding result information 1, the teacher data of the processing condition information 2, and the teacher data (feature amount information) of the auxiliary variables calculated by the first auxiliary variable calculator 12. , for example, a welding result learning unit 11 that performs machine learning to create and output a welding result estimation model 3 .
  • the estimation device 30 includes a second auxiliary variable calculation unit 32 that calculates feature amount information from the estimation data of the monitoring information 6 as auxiliary variable estimation data.
  • the estimating device 30 also inputs the data for estimating the auxiliary variables (feature information) calculated by the second auxiliary variable calculating unit 32 and the data for estimating the processing condition information 4 to the welding result estimation model 3. and includes a welding result estimation unit 31 for estimating and outputting the welding result.
  • the monitoring information 5 and 6 output from the welding monitor device 50 includes, for example, information including time-series data of physical quantities (welding temperature, sound, light, color, etc.) observed during laser welding.
  • the feature amount information calculated based on the monitoring information 5 is used as teacher data for auxiliary variables given when the welding result estimation model 3 is learned by the learning device 10 .
  • the feature amount information calculated based on the monitoring information 6 is used as data for estimating auxiliary variables given when the welding result estimated value 8 is estimated by the estimating device 30 .
  • the first auxiliary variable calculator 12 of the learning device 10 calculates the feature amount information from the teacher data of the monitoring information 5 as the teacher data of the auxiliary variable.
  • the welding result estimation model 3 is learned and created by the welding result learning unit 11 using the data including the information 1 and the teaching data of the processing condition information 2 . Then, the welding result estimation model 3 created by the learning device 10 is provided to the estimation device 30 of the welding result determination device 20 .
  • the second auxiliary variable calculating unit 32 uses the same algorithm as the first auxiliary variable calculating unit 12, for example, from the data for estimation of the monitoring information 6 to
  • the feature amount information is calculated as data for estimating the auxiliary variables, and the data including this feature amount information and the data for estimating the machining condition information 4 is input to the welding result estimation model 3, and the welding result estimation unit 31 estimates the welding result. is estimated and the welding result estimated value 8 is output.
  • the first auxiliary variable calculation unit 12 detects a plurality of predetermined features from the teacher data of the monitoring information 5, which is time-series data, and calculates the value of each detected feature as feature amount information. You may do so.
  • the second auxiliary variable calculation unit 32 detects a plurality of predetermined features from the data for estimation of the monitoring information 6, which is time-series data, and calculates the value of each detected feature as feature amount information. You may make it Calculation of this feature amount information will be described later.
  • the welding system 100A of the second embodiment it is possible to achieve the same effects as those of the first embodiment.
  • the monitoring information 5 and 6 as auxiliary variables, it is possible to estimate the physical phenomenon caused by welding as an event that occurred during welding, including fluctuations in the welding state. This enables more precise estimation and improves the accuracy of estimation.
  • the estimation device 30 Based on the data for estimation of the processing condition information 4, the data for estimation of the auxiliary variables (feature information), and the latent variable calculation information 7, the estimation device 30 extracts from the data for estimation of the auxiliary variables (feature information)
  • a second latent variable calculation unit that calculates latent variable estimation data (not shown) that can abstractly represent the correlation between the estimation data of the processing condition information 4 and the dimension reduction or dimension compression. 33.
  • the welding result estimation unit 31 inputs the estimation data of the processing condition information 4 and the estimation data of the latent variables to the welding result estimation model 3 to estimate and output the welding result.
  • the welding system 100B of the third embodiment performs dimension reduction or dimension compression on the correlation between the auxiliary variables (feature information) calculated based on the monitoring information 5 and 6 and the processing condition information 2 and 4.
  • This system is applied to laser welding using latent variables (teaching data and estimation data) expressed abstractly by a method.
  • the first latent variable calculation unit 13 outputs the latent variable calculation information 7 determined when calculating the latent variable teacher data to the estimation device 30 of the welding result determination device 20 so that it can be used.
  • the first latent variable calculation unit 13 uses one-dimensional or two-dimensional information obtained by dimension reduction or dimension compression of the teacher data of the processing condition information 2 and the teacher data (feature amount information) of the auxiliary variables as latent information teacher data. You may make it calculate.
  • the second latent variable calculation unit 33 converts one-dimensional or two-dimensional information obtained by dimension reduction or dimension compression of the estimation data of the processing condition information 4 and the estimation data of the auxiliary variables (feature amount information) into latent information. may be calculated as data for estimation of .
  • the training data and estimation data of the latent variables are such that the auxiliary variables or the auxiliary variables and the explanatory variables are dimensionally reduced or dimensionally compressed as described above, respectively, so that the correlation between the explanatory variables is reduced more than the auxiliary variables.
  • the latent variable is a variable that characterizes the objective variable in the same way as the explanatory variable, and is a variable that is estimated from observed variables (auxiliary variables) but not directly observed.
  • a latent variable means a variable that characterizes the observed variable and that is dimensionality-reduced or dimensionality-compressed from at least the auxiliary variables.
  • the explanatory variables, the objective variables, the latent variables, and the latent variable calculation information 7 used in the welding system 100B can each be composed of one or more variables or parameters.
  • "prediction/estimation of the objective variable” is used to mean “prediction of the objective variable” or “estimation of the objective variable”.
  • "Objective variable prediction” means to assume an objective variable that is expected to be realized in the future (future), and “objective variable estimation” is an objective variable that is currently realized but cannot be directly observed.
  • means to estimate “Correlation” is not limited to a linear relationship between multiple variables, but whether it is linear or non-linear, between multiple variables, if one variable changes, the other variables will change. means relationship.
  • the latent variable calculation information 7 means various types of information that are determined in the first latent variable calculation unit 13 when calculating teacher data for latent variables and used when calculating additional latent variables. or algorithms are included.
  • the latent variable calculation information 7 includes an algorithm
  • the second latent variable calculation unit 33 uses the same algorithm as the one used to calculate latent variable teacher data in the first latent variable calculation unit 13 of the learning device 10.
  • Algorithms may be used to calculate data for latent variable estimation. In this way, even during estimation, estimation using the same welding result estimation model 3 is possible by calculating latent variables using the same algorithm as during learning.
  • the latent variable calculation information 7 passed from the learning device 10 side to the estimation device 30 side can be selected by each device 10, 30 to be suitable for calculating latent variables.
  • the latent variable parameters may be principal component vectors and fixed values, and in addition to these, specific auxiliary variables (monitoring information 5)
  • the latent variable parameters may be selected by excluding the principal component vectors whose teacher data contribution rate is higher than a predetermined value.
  • the first auxiliary variable calculation unit 12 and the second auxiliary variable calculation unit 32 calculate, for example, selection conditions confirmed in advance by experiments, etc., from the teacher data of the monitoring information 5 and the estimation data of the monitoring information 6, which are composed of time-series data, for example.
  • a plurality of features that have been automatically extracted in advance by computer processing or the like are detected, and the value of each detected feature is calculated as feature amount information.
  • the plurality of features detected at that time for example, the following are assumed.
  • FIG. 5 is a graph showing an example of time-series data.
  • Examples of the time-series data included in the monitoring information 5 and 6 include time-series variation data D1 of laser power and time-series variation data D2 of radiant near-infrared light intensity at the irradiation point, as shown in FIG. .
  • the horizontal axis represents time (seconds) and the vertical axis represents temperature ( ⁇ 100° C.), showing a plurality of features from which feature amount information in data can be calculated.
  • rise_period is a value that means the time from laser-on to the inflection point (prediction (70%)).
  • the value of this "rise_period” is calculated by the number of measurement points (time in 5 ⁇ s) from the time when the laser is turned on until it reaches 70% of the measured value at the time when the laser rise is completed.
  • inflection3_value is a value that means the temperature at which solidification starts (melting point). The value of this "inflection3_value” is calculated as a measured value at inflection point 3 where coagulation starts after the laser stops.
  • laseroff_inf3_period is a value that means the time from laser off to the start of coagulation. The value of this "laseroff_inf3_period” is calculated by the number of measurement points from laser-off to inflection point 3 (time is x5 ⁇ s).
  • inflection3_5ms_value is a value that means the first 5ms of solidification (cooling speed (hardness of solidified metal) x (relative to molten volume)). The value of this "inflection3_5ms_value” is calculated as a measured value after 5ms have elapsed from the inflection point 3.
  • inflection2_value is a value that means the temperature at which the temperature begins to drop. The value of this “inflection2_value” is calculated as the measured value at the inflection point 2 where the measured value starts decreasing after the laser is turned off.
  • inf2_inf3_period is a value that means the time from the start of temperature drop to the start of solidification. The value of this "inf2_inf3_period” is calculated by the number of measurement points from the inflection point 2 to the inflection point 3 (time is 5 ⁇ s).
  • laseroff_inf2_period is a value that means the time from when the laser is turned off until the temperature starts to drop. The value of this "laseroff_inf2_period” is calculated by the number of measurement points from laser-off to inflection point 2 (time is x5 ⁇ s).
  • trend_start_value means the first value (minimum) of the regression line section.
  • the value of this "trend_start_value” is the time of inflection point 1 of Calculated as a value at time.
  • trend_finish_value means the last value (maximum) of the regression line section.
  • the value of this "trend_finish_value” is calculated as the value at the time of the inflection point 2 of the linear regression equation of the measured values in the specific period.
  • trend_period is a value that means the time (calculated time) from the start of melting to the start of temperature drop. The value of this "trend_period” is calculated with the time ( ⁇ s) of the specific period.
  • trend_slope is a value that signifies the rate of temperature rise during melting. The value of this "trend_slope” is calculated from the slope of the linear regression equation of the measured values in the specific period.
  • min is a value that means the minimum temperature during melting. This "min” value is calculated as the minimum value of the measurements over a specified period.
  • 25% means 25/100 number measurements in ascending order. This "25%” value is calculated as the 25% tile of the measurements for the specified time period.
  • 50% means the 50/100th measured value in ascending order. This "50%” value is calculated as the 50% tile of the measurements for the specified time period.
  • 75% means 75/100 measurements in ascending order. This "75%” value is calculated as the 75% tile of the measurements for the specified time period.
  • maximum is a value denoting the maximum temperature during melting. This "max” value is calculated as the maximum measured value for a specific period.
  • "dence1” is a value that means the degree of (coarse) variation (jaggedness) of the temperature based on the time-series variation data D2.
  • the value of “dence1” is calculated from the spectral density of 195-585 Hz (the sum of the spectral densities of three predetermined frequencies).
  • “dence2” is a value that means the degree of (slightly rough) fluctuation (jaggedness) of the temperature based on the time-series fluctuation data D2.
  • the value of this "dence2" is calculated from the spectral density of 781-1171 Hz (the sum of spectral densities of three predetermined frequencies).
  • “dence3” is a value that means the degree of (medium) fluctuation (jaggedness) of the temperature based on the time-series fluctuation data D2. The value of this "dence3” is calculated from the spectral density of 1367-1757 Hz (the sum of spectral densities of three predetermined frequencies).
  • “dence4" is a value that means the degree of (slightly finer) variation (jaggedness) of the temperature based on the time-series variation data D2. The value of this "dence4" is calculated with the spectral density of 1953-2343 Hz (the sum of the spectral densities of three predetermined frequencies).
  • “dence5" is a value that means a (fine) variation component (jaggedness) of the temperature based on the time-series variation data D2.
  • the value of this "dence5" is calculated with spectral densities of 2539-2929 Hz (the sum of spectral densities of three predetermined frequencies).
  • the first auxiliary variable calculation unit 12 and the second auxiliary variable calculation unit 32 detect, for example, a plurality of automatically extracted features among the plurality of features described above, and calculate their values as feature amount information. It is not limited to this.
  • the first auxiliary variable calculator 12 may detect a plurality of automatically extracted features based on the degree of contribution to the estimation of the objective variable. The degree of contribution is determined by, for example, a predetermined machine learning algorithm used when the welding result estimation model 3 is created by the welding result learning unit 11, for a plurality of features included in the time-series data of the teacher data of the monitoring information 5, for example, spatter It is weighted as a contribution to the estimation of various physical phenomena related to welding quality such as welding quality and porosity.
  • the first auxiliary variable calculation unit 12 may detect a plurality of automatically extracted features based on the degree of contribution and calculate their values as feature amount information.
  • the welding system 100B of the third embodiment along with the teaching data and estimation data of the auxiliary variables calculated by the first and second auxiliary variable calculation units 12 and 32 based on the monitoring information 5 and 6, the first and By using the latent variable teacher data and estimation data calculated by the second latent variable calculators 13 and 33, it is possible to more precisely and accurately estimate the welding result including fluctuations in the welding state. be. Moreover, deterioration of the estimation accuracy due to the correlation between the monitoring information 5, 6 and the processing condition information 2, 4 can be more effectively avoided.
  • the welding result information 1 and the processing condition information 2 stored in, for example, an external storage device or storage medium, and the monitoring information 5 output from the welding monitor device 50 are, for example, teacher data of objective variables, explanations, and so on. They are input to the learning apparatus 10 and stored in a storage unit (not shown) as teacher data for variables and teacher data for auxiliary variables.
  • the learning device 10 calculates feature amount information (teaching data of auxiliary variables) in the first auxiliary variable calculating section 12 from the data including teaching data of the monitoring information 5 from the welding monitoring device 50 among these input data. do. Further, the learning device 10 converts the feature amount information to the processing condition information in the first latent variable calculation unit 13 based on the feature amount information calculated by the first auxiliary variable calculation unit 12 and the teacher data of the processing condition information 2. 2 is calculated by reducing or compressing the dimension of the correlation between the two training data and abstractly expressing the training data of the latent variable (for example, the correlation is small), and the latent variable calculation information 7 is output.
  • the learning device 10 is based on the teacher data of the welding result information 1, the teacher data of the processing condition information 2, and the latent variable teacher data calculated by the first latent variable calculator 13 in the welding result learning unit 11. Then, for example, machine learning is performed to create a welding result estimation model 3 for estimating welding results including welding strength and the like.
  • the learning device 10 stores the latent variable calculation information 7 used for calculating latent variable teacher data and the created welding result estimation model 3 in the storage unit in the device, and the estimation device 30 of the welding result determination device 20. output available to
  • the learning device 10 may output the latent variable calculation information 7 and the welding result estimation model 3 to an external storage device (not shown), for example, via a connected network or the like.
  • the external storage device temporarily or permanently stores the inputted latent variable calculation information 7 and welding result estimation model 3 .
  • Various data may be stored in a storage device (not shown) that forms part of the welding system 100B, for example, instead of the external storage device or storage medium as described above.
  • laser welding is performed based on the set processing condition information 4.
  • a sensor 212 attached to the laser welder 40 acquires monitoring information 6, which is state observation information during laser welding of an estimation target (for example, a welded portion of a workpiece) by the welding monitor device 50 .
  • the processing condition information 4 set in the laser welder 40 and the monitoring information 6 of the welding monitor device 50 are used by the estimation device 30 of the welding result determination device 20 as explanatory variable estimation data and auxiliary variable estimation data, respectively. entered as possible.
  • the estimation device 30 stores various data input together with the latent variable calculation information 7 and the welding result estimation model 3 in a storage unit (not shown). In addition, the estimating device 30 calculates feature amount information (data for estimating auxiliary variables) in the second auxiliary variable calculating section 32 from the data including the data for estimating the monitoring information 6 from the welding monitor device 50 . In addition, the estimation device 30 uses the second latent variable calculation unit 33 to , the correlation between the feature amount information and the estimation data of the processing condition information 4 is reduced or compressed to abstractly express (for example, the correlation is small) estimation data of the latent variable is calculated.
  • the estimating device 30 inputs the data for estimating the latent variables calculated by the second latent variable calculating unit 33 in the welding result estimating unit 31 and the data for estimating the processing condition information 4 to the welding result estimating model 3. Then, the welding result including the welding strength is estimated, and the welding result estimated value 8 is output.
  • the welding result estimated value 8 is stored in the storage unit, output from the estimation device 30 in a form that can be used as appropriate, such as display or printing, and can be used by the welding result determination device 20 .
  • the learning device 10 uses the data for estimation of the processing condition information 4 set in the laser welder 40 and the data from the welding monitor device 50.
  • the data for estimation of the monitoring information 6 is added to the teaching data of the processing condition information 2 and the teaching data of the monitoring information 5 as teaching data of the explanatory variables and auxiliary variables, or is referred to and used as teaching data of the explanatory variables and auxiliary variables. may In this way, more data can be used to contribute to improvement in estimation accuracy.
  • the welding result estimation model 3 using these information is created.
  • this information and processing condition information as data for estimating explanatory variables are calculated. 4 is input to the welding result estimation model 3, a welding result estimation value 8 including welding strength and the like is output.
  • the welding result of the estimation target (welded portion of the workpiece) can be non-destructively estimated from the data regarding the laser welding processing conditions and the data monitored during welding. can be done.
  • the welding system 100B can estimate the welding strength included in the welding result, and estimate the spot diameter based on the combination of the lens, fiber, and focal position.
  • the welding system 100B of the third embodiment has a configuration that can improve the estimation accuracy using the feature amount information from the monitoring information as an auxiliary variable and avoid deterioration of the estimation accuracy due to correlation.
  • a configuration is adopted in which it is possible to estimate a physical phenomenon including a change in the welding state as an event that occurred during welding. Therefore, such problems can be solved.
  • the welding system 100B can not only achieve the same effects as those of the first and second embodiments, but also enables more precise estimation, improves estimation accuracy, and avoids deterioration in accuracy due to correlation. be.
  • the welding system 100B of the third embodiment aims at estimating the welding result including the welding strength of laser welding, it is not limited to this.
  • the welding system 100B is also capable of estimating welding results including the quality of welding based on various physical phenomena related to welding quality such as spatter and porosity.
  • the objective variable in the learning device 10 may be the welding quality of laser welding.
  • the data on welding quality includes at least one of data indicating good welding and data indicating poor welding.
  • a welding result estimation model 3 is created by learning. If the welding system 100B performs estimation based on the data for estimation of the processing condition information 4 and the monitoring information 6 by the estimation device 30 using this welding result estimation model 3, the welding result including the quality of the welding can be estimated by laser welding. It can also be performed during welding.
  • the learning device 10 and the estimating device 30 can be installed, for example, centrally at the same site as the installation location of the laser welder 40, or separately at a remote location. For this reason, it is possible to perform a wide variety of operations for estimating the welding strength, etc. of laser welding, assuming global deployment.
  • FIG. 6 is an explanatory diagram showing the basic configuration of a welding system according to a fourth embodiment of the invention.
  • the welding system 100C according to the fourth embodiment differs from the welding system 100B according to the third embodiment in that the estimation device 30 is provided inside the welding monitor device 50A. .
  • the welding monitor device 50A is configured so that the latent variable calculation information 7 and the welding result estimation model 3 acquired from the learning device 10 can be input to the internal estimation device 30.
  • the estimating device 30 inside the welding monitor device 50A stores the monitoring information 5 and 6 acquired by the sensor 212 and stored in the first storage unit, and the processing condition information 4 set in the laser welder 40. is input to the welding result estimation model 3 stored in the second storage unit to estimate the welding result.
  • FIG. 7 is an explanatory diagram showing the basic configuration of the welding system according to the fifth embodiment of the present invention.
  • a welding system 100D according to the fifth embodiment uses monitoring information 5 and 6 from a welding monitor device (resistance welding checker) 51 as auxiliary variables (
  • the welding system 100B of the third embodiment is similar to the welding system 100B of the third embodiment in that it is used as teacher data and estimation target data), but is different from the welding system 100B of the third embodiment in that it is applied to resistance welding. .
  • the welding device is a resistance welder (resistance welding power source/head 41).
  • the processing condition information 2 and 4 includes welding current, welding pressure, energization time, welding method, material of workpiece, plate thickness of workpiece, surface treatment of workpiece, combination condition of workpiece, It includes at least one machining condition of sampling period, displacement detection resolution, and nugget diameter.
  • the monitoring information 5 and 6 includes time-series variation data of welding current/voltage and time-series variation data of welding point pressure/displacement amount.
  • the first auxiliary variable calculator 12 of the learning device 10 calculates feature amount information (teaching data of auxiliary variables) based on the monitoring information 5, and the first latent variable calculator 13 calculates latent variable teacher data based on the feature amount information, outputs latent variable calculation information 7, and creates a welding result estimation model 3 in a welding result learning unit 11.
  • This welding result estimation model 3 and the latent variable The calculation information 7 is given to the estimation device 30 of the welding result determination device 20 .
  • the second auxiliary variable calculation unit 32 of the estimation device 30 of the welding result determination device 20 uses the latent variable calculation information 7 to calculate feature amount information (data for estimating auxiliary variables) based on the monitoring information 6, and the second latent A variable calculation unit 33 calculates latent variable estimation data based on the feature amount information, and a welding result estimation unit 31 inputs the data including the latent variable estimation data to the welding result estimation model 3 to estimate the welding result. make an estimate. Based on the obtained estimated welding result 8, the welding strength can be estimated, the welding result can be determined, and the estimated welding result 8 can be output to the outside.
  • the welding system 100D of the fifth embodiment can also achieve the same effects as the welding system 100B of the third embodiment.

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Optics & Photonics (AREA)
  • Plasma & Fusion (AREA)
  • General Factory Administration (AREA)
  • Laser Beam Processing (AREA)

Abstract

一態様の溶接システムは、被加工物の溶接を行う溶接装置と、溶接装置によって予め実施された溶接の加工条件を含む加工条件情報と、加工条件に基づく溶接後に得られた溶接結果に関連する溶接結果情報とを教師データとして入力し、これら教師データに基づき、溶接結果推定モデルを作成し出力する学習装置と、学習装置で作成された溶接結果推定モデルに溶接装置に設定された加工条件を含む加工条件情報を推定用データとして入力し、加工条件に基づいて溶接装置で行われる溶接の溶接結果を推定し出力する推定装置と、を備える。

Description

溶接システム及び溶接モニタ装置
　本発明は、溶接システム及び溶接モニタ装置に関する。
　従来より溶接においては、溶接の要求仕様に対応する適切な加工条件を決定する際に、必要に応じた加工実験を、どのような加工条件を用いてできるだけ少ない試行数で試行するかを自動的に決定し、適切な加工条件を探索すること（特許文献１参照）や、溶接を構成する材料や溶接時間等の多数の要素について考えられるすべての組み合わせを試す方法で探索実験を繰り返すことが行われていた。
　また、溶接完了後に溶接部が正しく溶接されているか、或いは必要な溶接強度が得られているかなどについて、超音波を用いた非破壊検査（特許文献２参照）や、実際に溶接部を破壊してその状態を確認する破壊検査が行われていた。
特開２０１２－２３６２６７号公報 特開２００９－１５６７０１号公報
　しかしながら、上記特許文献１に開示された装置では複数の加工実験が必要となると共に、考えられるすべての組み合わせを試す方法の探索実験では作業者の勘と経験に頼る点が多いため、結果的に適切な加工条件を見出すまでに大きく時間がかかってしまうという問題がある。
　また、上記特許文献２に開示された装置による非破壊検査で溶接部の溶接強度を確認するためには、装置にセンサやプローブ等の構成部が必要となる。このため、装置構成の最小化は図りにくい。更に、ある加工条件下で溶接が実施された溶接部について、その溶接強度が破壊検査をしたものとしていないものとで同程度であるかを確認するためには、非破壊検査を避けては通れないという問題がある。
　本発明の一態様は、溶接の適切な加工条件の探索を簡単な構成で短時間に容易に行うことができると共に、適切な加工条件下での溶接による溶接部の溶接結果を非破壊で推定することができる溶接システム及び溶接モニタ装置である。
　本発明の一態様に係る溶接システムは、被加工物の溶接を行う溶接装置と、前記溶接装置によって予め実施された溶接の加工条件を含む加工条件情報と、前記加工条件に基づく溶接後に得られた溶接結果に関連する溶接結果情報とを教師データとして入力し、これら教師データに基づき、溶接結果推定モデルを作成し出力する学習装置と、前記学習装置で作成された前記溶接結果推定モデルに前記溶接装置に設定された加工条件を含む加工条件情報を推定用データとして入力し、前記加工条件に基づいて前記溶接装置で行われる溶接の溶接結果を推定し出力する推定装置と、を備える。
　本発明の一態様に係る溶接システムによれば、溶接装置によって予め実施された溶接の加工条件情報と、これに基づく溶接後に得られた溶接結果情報との教師データに基づいて、溶接結果推定モデルが作成される。また、溶接結果推定モデルに溶接装置に設定された加工条件情報を推定用データとして入力することで、加工条件に基づき溶接装置で行われる溶接の溶接結果を推定し出力するので、適切な加工条件下での溶接による溶接部の溶接結果を非破壊で推定することができる。また、溶接装置に設定された加工条件情報を溶接結果推定モデルに入力することで溶接結果を推定できるので、簡単な構成で加工条件の探索作業や探索数を減らして、溶接の適切な加工条件の探索を短時間に容易に行うことが可能となる。
　本発明の一態様によれば、溶接の適切な加工条件の探索を簡単な構成で短時間に容易に行うと共に、適切な加工条件下での溶接による溶接部の溶接結果を非破壊で推定できる。
図１は、本発明の第１実施形態に係る溶接システムの基本的構成を示す説明図である。 図２は、溶接システムの学習装置および／または推定装置の基本的なハードウェア構成を示す説明図である。 図３は、本発明の第２実施形態に係る溶接システムの基本的構成を示す説明図である。 図４は、本発明の第３実施形態に係る溶接システムの基本的構成を示す説明図である。 図５は、時系列データの例を示すグラフである。 図６は、本発明の第４実施形態に係る溶接システムの基本的構成を示す説明図である。 図７は、本発明の第５実施形態に係る溶接システムの基本的構成を示す説明図である。
　以下、添付の図面を参照して、本発明の実施の形態に係る溶接システム及び溶接モニタ装置を詳細に説明する。ただし、以下の実施の形態は、各請求項に係る発明を限定するものではなく、また、実施の形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。また、以下の実施の形態においては、各構成要素の配置、縮尺及び寸法等が誇張或いは矮小化されて示されている場合、並びに一部の構成要素の記載が省略されている場合がある。
［第１実施形態］
　図１は、本発明の第１実施形態に係る溶接システムの基本的構成を示す説明図である。図２は、溶接システムの学習装置および／または推定装置の基本的なハードウェア構成を示す説明図である。
　図１に示すように、第１実施形態に係る溶接システム１００は、溶接の溶接結果を推定し出力し得るシステムである。溶接システム１００は、被加工物の溶接を行う溶接装置（レーザ溶接機４０）と、溶接装置（レーザ溶接機４０）によって予め実施された溶接の加工条件を含む加工条件情報２と、加工条件に基づく溶接後に得られた溶接結果に関連する溶接結果情報１とを教師データとして入力し、これら教師データに基づき、溶接結果推定モデル３を作成し出力する学習装置１０を備える。また、溶接システム１００は、学習装置１０で作成された溶接結果推定モデル３に溶接装置（レーザ溶接機４０）に設定された加工条件を含む加工条件情報４を推定用データとして入力し、加工条件に基づいて溶接装置（レーザ溶接機４０）で行われる溶接の溶接結果を推定し出力する推定装置３０を備える。推定装置３０は、推定された溶接結果に基づき溶接結果を判定する溶接結果判定装置２０に含まれる。
　この溶接システム１００においては、例えば学習装置１０に入力される目的変数の教師データとしては、レーザ溶接の溶接部の溶接強度Ｆ（Ｎ／ｍｍ２）に関連する溶接結果情報１が挙げられる。また、溶接システム１００においては、説明変数の教師データとしては、種々の加工条件（レーザパワー（出力値）、レーザ照射時間等）を含む加工条件情報２が挙げられる。なお、溶接システム１００で用いられる目的変数及び説明変数は、これら例示したものに限定されるものではない。
　そして、第１実施形態の溶接システム１００において、溶接装置はレーザ溶接機４０であり、加工条件情報２，４は、被加工物の材質、被加工物の板厚、レーザパワー、レーザ照射時間、レーザ照射開始からピークパワーに到達するまでの時間、前記ピークパワーからレーザ照射終了までの時間、ファイバ径、レンズ焦点距離、焦点位置、及び照射点のレーザ径の少なくとも一つの加工条件を含む。なお、レンズ・ファイバ・焦点位置の組み合わせで計算されるスポット径は、例えば溶接結果学習部１１での機械学習に用いられる。
　また、レーザ溶接機４０は、例えば外部からの入力によって指定された加工条件のレーザ光を被加工物に照射し、溶接を行う装置である。レーザ溶接機４０は、各種通信（ネットワーク通信又は直接接続による通信）により、レーザ光を照射した各種の条件を取得可能に若しくは送受信可能に構成されている。また、溶接結果は、溶接強度、スポット径、及び溶接品質等を含む。
　このように、第１実施形態の溶接システム１００は、例えばレーザ溶接機４０によるレーザ溶接の溶接結果に含まれる溶接強度の推定システムとして用いられる。なお、溶接結果情報１には、上記スポット径が含まれていてもよい。また、溶接結果情報１は、上記溶接品質として外観や断面などから金属組織を評価した指標であってもよいし、耐食性を評価した指標であってもよい。従って、溶接システム１００は、レーザ溶接の溶接結果に含まれるスポット径や溶接品質の推定システムとしても用いられ得る。
　学習装置１０は、溶接結果学習部１１を備える。溶接結果学習部１１は、学習装置１０に入力された加工条件情報２と、この加工条件に基づく溶接後に、例えば破壊検査等により取得された溶接部の溶接結果に関連する溶接結果情報１との教師データに基づいて、例えば所定の機械学習アルゴリズムを用いた機械学習を行って、溶接結果推定モデル３を作成する。なお、破壊検査等とは、一般社団法人日本溶接協会溶接情報センターのホームページに記載された破壊試験として掲げた、例えばJIS Z 2241 金属材料引張試験方法やその他掲載された溶接試験・検査に用い得るJIS規格の何れを選択してもよく、その実験方法や評価方法もそのJIS規格に記載されたものによる。また、学習済みの溶接結果推定モデル３は、例えばコンピュータにより動作するソフトウェアで構成される。学習済みの溶接結果推定モデル３は、本例では加工条件情報４を推定用データとして入力すると、溶接強度等を含む溶接結果推定値８を出力するプログラムが挙げられる。
　学習方法は、回帰、分類、クラスタリング、判別、補間、特徴量抽出、及び時系列モデリング等のアルゴリズムを含むが、これに限定されるものではない。溶接結果学習部１１で学習された溶接結果推定モデル３は、学習済みモデルを特徴付ける予測・推定のための各種パラメータ、各種式および／またはアルゴリズムを含む。そして、学習装置１０は、溶接結果推定モデル３を、推定装置３０を備える溶接結果判定装置２０に対して出力する。
　一方、推定装置３０は、溶接結果判定装置２０に含まれ、溶接結果推定部３１を備える。溶接結果判定装置２０は、推定装置３０と共に、学習装置１０から出力された溶接結果推定モデル３を備える。溶接結果推定部３１は、推定装置３０に入力されたレーザ溶接機４０に設定された加工条件情報４を、推定用データとして溶接結果判定装置２０に備えられた溶接結果推定モデル３に入力して、加工条件に基づいてレーザ溶接機４０で行われる溶接の溶接結果を推定し溶接結果推定値８を出力する。
　溶接結果判定装置２０は、推定装置３０の溶接結果推定部３１から出力された溶接結果推定値８に基づいて、例えば溶接の溶接強度および／またはスポット径（以下、「溶接強度等」と呼ぶ。）を判定し得る。なお、溶接結果推定値８は、溶接強度についての、例えばある溶接点（溶接部）の引張強度（単位：Ｎ）及び強度の分布範囲を数値で表現し得る情報のことをいう。また、溶接結果推定値８は、スポット径についての、例えばある溶接点（溶接部）の表面におけるレーザ光の照射範囲の大きさ、或いは溶接部の融解部分の大きさを数値で表現し得る情報のことをいう。
　なお、学習装置１０及び推定装置３０における機械学習や推定に際しては、アルゴリズムとして、回帰分析（Ｒｅｇｒｅｓｓｉｏｎ　Ａｎａｌｙｓｉｓ：ＲＡ）、主成分分析（Ｐｒｉｎｃｉｐａｌ　Ｃｏｍｐｏｎｅｎｔ　Ａｎａｌｙｓｉｓ：ＰＣＡ）、特異値分解（Ｓｉｎｇｕｌａｒ　Ｖａｌｕｅ　Ｄｅｃｏｍｐｏｓｉｔｉｏｎ：ＳＶＤ）、線形判別分析（Ｌｉｎｅａｒ　Ｄｉｓｃｒｉｍｉｎａｎｔ　Ａｎａｌｙｓｉｓ：ＬＤＡ）、独立成分分析（Ｉｎｄｅｐｅｎｄｅｎｔ　Ｃｏｍｐｏｎｅｎｔ　Ａｎａｌｙｓｉｓ：ＩＣＡ）、ガウス過程潜在変数モデル（Ｇａｕｓｓｉａｎ　Ｐｒｏｃｅｓｓ　Ｌａｔｅｎｔ　Ｖａｒｉａｂｌｅ　Ｍｏｄｅｌ：ＧＰＬＶＭ）、ロジスティクス回帰（Ｌｏｇｉｓｔｉｃ　Ｒｅｇｒｅｓｓｉｏｎ：ＬＲ）、サポートベクターマシン（Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ：ＳＶＭ）、判別分析（Ｄｉｓｃｒｉｍｉｎａｎｔ　Ａｎａｌｙｓｉｓ：ＤＡ）、ランダムフォレスト（Ｒａｎｄｏｍ　Ｆｏｒｅｓｔ：ＲＦ）、ランキングＳＶＭ（Ｒａｎｋｉｎｇ　Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ：ＲＳＶＭ）、勾配ブースティング（Ｇｒａｄｉｅｎｔ　Ｂｏｏｓｔｉｎｇ：ＧＢ）、ナイーブベイズ（Ｎａｉｖｅ　Ｂａｙｅｓ：ＮＢ）、Ｋ近接法（Ｋ－Ｎｅａｒｅｓｔ　Ｎｅｉｇｈｂｏｒ　Ａｌｇｏｒｉｔｈｍ：Ｋ－ＮＮ）等の各種のアルゴリズムを利用することができる。
　このように、第１実施形態の溶接システム１００では、学習装置１０の溶接結果学習部１１で加工条件情報２及び溶接結果情報１に基づき、例えば機械学習を行って、溶接結果推定モデル３を作成する。そして、推定装置３０の溶接結果推定部３１でレーザ溶接機４０に設定された加工条件情報４を溶接結果推定モデル３に入力することで、レーザ溶接機４０で行われる溶接の溶接結果（溶接強度、スポット径）を推定し溶接結果推定値８を出力する。
　溶接システム１００は、レーザ溶接機４０に設定された加工条件情報４を学習済みの溶接結果推定モデル３に入力するだけで、溶接結果推定値８を得ることができる。これにより、溶接システム１００は、複数の加工条件情報４を用いて実際にレーザ光を照射し、その結果を測定するのに必要があった煩雑な作業を無くし、所望の溶接強度を実現する加工条件の探索に用いられる加工条件情報の組み合わせ等を減らすことが可能となる。このため、溶接システム１００は、レーザ溶接の適切な加工条件の探索を簡単な構成で短時間に容易に行うことができ、適切な加工条件下でのレーザ溶接による溶接部の溶接結果を非破壊で推定することができる。
　なお、溶接システム１００における溶接結果情報（目的変数の教師データ）１、及び加工条件情報（説明変数の教師データ）２の各データは、各々１つ以上の変数又はパラメータから構成され得る。各データは、例えば図示しない据置型若しくは可搬性を有する記憶装置又は記憶媒体に記憶され得る。また、各データは、例えばインターネット等の情報通信媒体を介して送受信され得るもので、図示しないセンサ等の測定装置によって取得された生データであってもよい。また、溶接結果推定モデル３は、学習装置１０及び推定装置３０間で上記記憶媒体又は情報通信媒体を介して入出力されてもよい。
　図２に示すように、溶接システム１００の学習装置１０および／または推定装置３０は、基本的なハードウェア構成として、例えばＣＰＵ（中央処理装置）２０１と、ＲＡＭ（ランダムアクセスメモリ）２０２と、ＲＯＭ（リードオンリーメモリ）２０３と、ＨＤＤ（ハードディスクドライブ）２０４および/またはＳＳＤ（ソリッドステートドライブ）２０５と、メモリカード２０６と、を備える。
　また、学習装置１０および／または推定装置３０は、例えば入力Ｉ／Ｆ（インタフェース）２０７と、出力Ｉ／Ｆ（インタフェース）２０８と、通信Ｉ／Ｆ（インタフェース）２０９と、を備える。各構成部２０１～２０９は、それぞれバス２００によって相互に接続されている。
　ＣＰＵ２０１は、ＲＡＭ２０２、ＲＯＭ２０３、ＨＤＤ２０４、ＳＳＤ２０５等に記憶された各種プログラムを実行することで、学習装置１０および／または推定装置３０を制御する。ＣＰＵ２０１は、学習装置１０においては学習プログラムを実行することで、上記溶接結果学習部１１の機能を含めた学習装置１０の各部の機能を実現する。
　また、ＣＰＵ２０１は、推定装置３０においては推定プログラムを実行することで、上記溶接結果推定部３１の機能を含めた推定装置３０の各部の機能を実現する。なお、学習装置１０及び推定装置３０の各ＣＰＵ２０１が協働することで、溶接システム１００の全体を制御するように構成し得る。
　ＲＡＭ２０２は、ＣＰＵ２０１の演算処理の作業領域として使用され得る。ＲＯＭ２０３は、上記の各種プログラムを少なくとも読み出し可能に格納する。ＨＤＤ２０４及びＳＳＤ２０５は、上述した各種のデータを読み書き可能に記憶する。メモリカード２０６は、これら各種のデータを読み書き可能に記憶すると共に、各装置１０，３０に対して着脱自在な記憶媒体を構成する。ＨＤＤ２０４、ＳＳＤ２０５及びメモリカード２０６は、上述した記憶装置又は記憶媒体の機能を実現する。
　入力Ｉ／Ｆ２０７には、例えばセンサ２１２が接続されて検出情報が取得される。センサ２１２は、温度センサ、光センサ、音響センサ、画像センサ等の各種センサが含まれる。なお、入力Ｉ／Ｆ２０７は、学習装置１０および／または推定装置３０の操作部又は入力部として機能するタッチパネル２１１が接続され、溶接システム１００のユーザからの操作入力に伴う情報を受け付ける。入力Ｉ／Ｆ２０７には、図示しないキーボード及びマウス（トラックボールマウスを含む）等の各種の入力デバイスも接続され得る。
　出力Ｉ／Ｆ２０８には、例えば表示装置としてのディスプレイ２１０が接続され、学習装置１０および／または推定装置３０でモニタ表示される各種情報が出力される。タッチパネル２１１は、ディスプレイ２１０上に設けられていてもよい。また、学習装置１０および／または推定装置３０は、通信Ｉ／Ｆ２０９を介して、図示しないインターネット等のネットワークに接続されたサーバ装置及び外部機器等と間接的又は直接的に接続され得る。
［第２実施形態］
　図３は、本発明の第２実施形態に係る溶接システムの基本的構成を示す説明図である。なお、図３を含む以降の説明においては、第１実施形態及びその変形例と同一の構成要素に関しては同一の符号を付しているので、以下では重複する説明は省略する。
　図３に示すように、第２実施形態に係る溶接システム１００Ａは、溶接装置（レーザ溶接機４０）による溶接の進行状況をセンサ２１２によってモニタリング（状態観測）して得られたモニタリング情報５，６を出力する溶接モニタ装置５０を備える。学習装置１０は、溶接モニタ装置５０から出力されたモニタリング情報５の教師データから特徴量情報を補助変数の教師データとして算出し、この補助変数を加えた教師データに基づき溶接結果推定モデル３を作成して出力する。推定装置３０は、溶接モニタ装置５０から出力されたモニタリング情報６の推定用データから特徴量情報を補助変数の推定用データとして算出し、この補助変数を加えた推定用データを入力して溶接結果を推定し出力する。なお、溶接モニタ装置５０は、被加工物の溶接部をセンサ２１２で監視し、センサ２１２からの出力情報をモニタリング情報５，６として取得し出力可能な装置をいう。
　すなわち、第２実施形態の溶接システム１００Ａは、溶接モニタ装置５０からのモニタリング情報５，６を、加工条件情報２，４と相関を有する補助変数（の教師データ及び推定用データ）として用いたレーザ溶接に適用されるシステムである。なお、説明変数（加工条件情報）と相関を有する補助変数としては、例えばレーザ溶接時又は溶接後に観測される物理量（溶接温度、音、光、色等）が挙げられる。ただし、溶接システム１００Ａで用いられる補助変数は、例示したものに限定されるものではない。
　補助変数を用いるため、具体的には、溶接システム１００Ａの学習装置１０は、モニタリング情報５の教師データから特徴量情報を補助変数の教師データとして算出する第１補助変数算出部１２を含む。また、学習装置１０は、溶接結果情報１の教師データと、加工条件情報２の教師データと、第１補助変数算出部１２により算出された補助変数の教師データ（特徴量情報）とに基づいて、例えば機械学習を行って、溶接結果推定モデル３を作成し出力する溶接結果学習部１１を含む。
　推定装置３０は、モニタリング情報６の推定用データから特徴量情報を補助変数の推定用データとして算出する第２補助変数算出部３２を含む。また、推定装置３０は、第２補助変数算出部３２により算出された補助変数の推定用データ（特徴量情報）と、加工条件情報４の推定用データと、を溶接結果推定モデル３に入力して、溶接結果を推定し出力する溶接結果推定部３１を含む。
　溶接モニタ装置５０から出力されるモニタリング情報５，６は、例えばレーザ溶接時に観測される物理量（溶接温度、音、光、色等）の時系列データを含む情報が挙げられる。そして、モニタリング情報５に基づき算出される特徴量情報は、学習装置１０における溶接結果推定モデル３の学習に際して与えられる補助変数の教師データとして用いられる。モニタリング情報６に基づき算出される特徴量情報は、推定装置３０における溶接結果推定値８の推定に際して与えられる補助変数の推定用データとして用いられる。
　第２実施形態の溶接システム１００Ａにおいて、溶接装置はレーザ溶接機４０である。また、加工条件情報２，４は、被加工物の材質、被加工物の板厚、レーザパワー、レーザ照射時間、レーザ照射開始からピークパワーに到達するまでの時間、前記ピークパワーからレーザ照射終了までの時間、ファイバ径、レンズ焦点距離、焦点位置、及び照射点のレーザ径の少なくとも一つの加工条件を含む。なお、レンズ・ファイバ・焦点位置の組み合わせで計算されるスポット径は、溶接結果学習部１１での機械学習に用いられる。また、モニタリング情報５，６は、レーザパワーの時系列変動データ及び照射点の放射近赤外光強度の時系列変動データを含む。
　第２実施形態の溶接システム１００Ａでは、学習装置１０の第１補助変数算出部１２でモニタリング情報５の教師データから特徴量情報を補助変数の教師データとして算出し、この特徴量情報と、溶接結果情報１及び加工条件情報２の教師データとを含むデータを用いて、溶接結果学習部１１で溶接結果推定モデル３の学習・作成を行う。そして、学習装置１０で作成された溶接結果推定モデル３を溶接結果判定装置２０の推定装置３０に与える。
　溶接結果推定モデル３が与えられた推定装置３０では、第２補助変数算出部３２において、例えば第１補助変数算出部１２が利用したアルゴリズムと同じアルゴリズムを用いて、モニタリング情報６の推定用データから特徴量情報を補助変数の推定用データとして算出し、この特徴量情報と加工条件情報４の推定用データとを含むデータを溶接結果推定モデル３に入力して、溶接結果推定部３１で溶接結果を推定し溶接結果推定値８を出力する。
　なお、第１補助変数算出部１２は、時系列データかなるモニタリング情報５の教師データから、予め定められた複数の特徴を検出し、検出された各特徴の値を、特徴量情報として算出するようにしてもよい。また、第２補助変数算出部３２は、時系列データかなるモニタリング情報６の推定用データから、予め定められた複数の特徴を検出し、検出された各特徴の値を、特徴量情報として算出するようにしてもよい。この特徴量情報の算出については、後述する。
　これにより、第２実施形態の溶接システム１００Ａによれば、第１実施形態と同様の作用効果を奏することができる。また、モニタリング情報５，６を補助変数として利用することで、溶接に起因する物理現象を溶接中に起きた事象として溶接状況の変動を含めた推定を行うことができる。これにより、より精緻な推定を可能にして推定の精度を向上させることができる。
［第３実施形態］
　図４は、本発明の第３実施形態に係る溶接システムの基本的構成を示す説明図である。
　図４に示すように、第３実施形態に係る溶接システム１００Ｂにおいて、学習装置１０は、加工条件情報２の教師データと、補助変数の教師データ（特徴量情報）とに基づいて、補助変数の教師データ（特徴量情報）から加工条件情報２の教師データとの間の相関性を次元削減又は次元圧縮等の手法によって抽象的に表現可能な潜在変数の教師データ（図示せず）を算出し、潜在変数算出情報７を出力する第１潜在変数算出部１３を含む。溶接結果学習部１１は、加工条件情報２の教師データと、溶接結果情報１の教師データと、潜在変数の教師データとに基づいて、例えば機械学習を行って、溶接結果推定モデル３を作成して出力する。
　推定装置３０は、加工条件情報４の推定用データと、補助変数の推定用データ（特徴量情報）と、潜在変数算出情報７とに基づいて、補助変数の推定用データ（特徴量情報）から加工条件情報４の推定用データとの間の相関性を次元削減又は次元圧縮等の手法によって抽象的に表現可能な潜在変数の推定用データ（図示せず）を算出する第２潜在変数算出部３３を含む。溶接結果推定部３１は、加工条件情報４の推定用データと、潜在変数の推定用データとを、溶接結果推定モデル３に入力して、溶接結果を推定し出力する。
　すなわち、第３実施形態の溶接システム１００Ｂは、モニタリング情報５，６に基づき算出された補助変数（特徴量情報）および加工条件情報２，４との間の相関性を次元削減又は次元圧縮等の手法によって抽象的に表現した潜在変数（の教師データ及び推定用データ）を用いたレーザ溶接に適用されるシステムである。
　なお、第１潜在変数算出部１３は、潜在変数の教師データの算出の際に決定された潜在変数算出情報７を、溶接結果判定装置２０の推定装置３０に利用可能に出力する。第１潜在変数算出部１３は、加工条件情報２の教師データと、補助変数の教師データ（特徴量情報）とを次元削減又は次元圧縮した１次元又は２次元の情報を潜在情報の教師データとして算出するようにしてもよい。また、第２潜在変数算出部３３は、加工条件情報４の推定用データと、補助変数の推定用データ（特徴量情報）とを次元削減又は次元圧縮した１次元又は２次元の情報を潜在情報の推定用データとして算出するようにしてもよい。
　潜在変数の教師データ及び推定用データは、それぞれ補助変数よりも説明変数との間の相関を減じるように補助変数が、又は補助変数及び説明変数が、例えば上記のように次元削減又は次元圧縮されたものである。潜在変数は、本実施形態においては、説明変数と同様に目的変数を特徴づける変数であり、直接は観測されないが観測された変数（補助変数）から推定される変数である。換言すれば、潜在変数は、観測された変数を特徴づける変数であって少なくとも補助変数から次元削減又は次元圧縮されたものを意味する。溶接システム１００Ｂで用いられる説明変数、目的変数、潜在変数、並びに潜在変数算出情報７は、各々１つ以上の変数又はパラメータから構成され得る。本明細書においては、「目的変数の予測・推定」とは、「目的変数の予測」又は「目的変数の推定」の意味で用いられる。「目的変数の予測」は、未来（将来）に実現すると考えられる目的変数を想定することを意味し、「目的変数の推定」は、現在実現しているが、直接観測することのできない目的変数を推し量ることを意味する。なお、「相関」とは、複数の変数の間の線形の関係に限定せず、線形、非線形にかかわらず、複数の変数の間で、１つの変数が変化すれば他の変数が変化するという関係を意味する。
　潜在変数算出情報７は、第１潜在変数算出部１３において、潜在変数の教師データの算出に際して決定され、追加の潜在変数の算出に際して用いられる各種情報を意味し、例えば各種パラメータ、各種式および／またはアルゴリズムが含まれる。例えば、潜在変数算出情報７がアルゴリズムを含んでいる場合、第２潜在変数算出部３３は、学習装置１０の第１潜在変数算出部１３で潜在変数の教師データの算出に用いられたアルゴリズムと同じアルゴリズムを用いて、潜在変数の推定用データの算出を行い得る。このように、推定時においても、学習時と同じアルゴリズムを用いて潜在変数を算出することで、同一の溶接結果推定モデル３を用いた推定が可能になる。
　また、学習装置１０側から推定装置３０側へ渡される潜在変数算出情報７は、各装置１０，３０で潜在変数の算出に適切なものが選択され得る。例えば、学習装置１０における潜在変数の教師データの算出が主成分分析によって行われる場合、潜在変数パラメータとして、主成分ベクトル及び固定値であって良く、これらに加え特定の補助変数（モニタリング情報５）の教師データの寄与率が所定値よりも高い主成分ベクトルを除外した潜在変数パラメータを選択するようにしてもよい。これにより、例えば補助変数よりも説明変数との間の相関が小さい潜在変数を、説明変数と共に教師データ及び推定用データに用いることができるので、多重共線性に起因する推定精度の悪化が回避可能となる。
　第１補助変数算出部１２及び第２補助変数算出部３２は、例えば時系列データからなるモニタリング情報５の教師データ及びモニタリング情報６の推定用データから、例えば事前に実験等で確認された選定条件に基づき計算機処理等で予め自動抽出された複数の特徴を検出し、検出された各特徴の値を特徴量情報として算出する。その際に検出される複数の特徴としては、例えば次のようなものが想定される。
　図５は、時系列データの例を示すグラフである。
　モニタリング情報５，６に含まれる時系列データとしては、例えば図５に示すように、レーザパワーの時系列変動データＤ１及び照射点の放射近赤外光強度の時系列変動データＤ２等が挙げられる。図５においては、横軸が時間（秒）を表し、縦軸が温度（×１００℃）を表しており、データにおける特徴量情報を算出し得る複数の特徴が示されている。
　図５における複数の特徴の値として、「rise_period」は、レーザオンから変曲点（予測（７０％））までの時間を意味する値である。この「rise_period」の値は、レーザオンの時刻から、レーザ立ち上がり完了時点での測定値の７０％に達するまでの測定点数（×５μｓで時間）で算出される。
　また、「inflection1_period」は、レーザオンから融解開始するまでの時間を意味する値である。この「inflection1_period」の値は、レーザオンの時刻から、レーザ立ち上がり完了の変曲点１までの測定点数（×５μｓで時間）で算出される。「rise_value」は、変曲点（予測（７０％））を意味する値である。この「rise_value」の値は、レーザ立ち上がり完了時刻での測定値の７０％の値として算出される。「inflection1_value」は、融解開始（融点）の温度を意味する値である。この「inflection1_value」の値は、変曲点１での測定値として算出される。
　また、「inflection3_value」は、凝固開始（融点）の温度を意味する値である。この「inflection3_value」の値は、レーザ停止後、凝固が始まる変曲点３での測定値として算出される。「laseroff_inf3_period」は、レーザオフから凝固開始までの時間を意味する値である。この「laseroff_inf3_period」の値は、レーザオフから変曲点３までの測定点数（×５μｓで時間）で算出される。「inflection3_5ms_value」は、固まり方の最初の５ｍｓ（冷えの速さ（固まった金属の硬さ）×（溶融体積に関係））を意味する値である。この「inflection3_5ms_value」の値は、変曲点３から５ｍｓ経過後の測定値として算出される。
　また、「inflection2_value」は、温度下がり始めの温度を意味する値である。この「inflection2_value」の値は、レーザオフ後、測定値が下がり始める変曲点２の測定値として算出される。「inf2_inf3_period」は、温度下がり始めから凝固開始するまでの時間を意味する値である。この「inf2_inf3_period」の値は、変曲点２から変曲点３までの測定点数（×５μｓで時間）で算出される。「laseroff_inf2_period」は、レーザオフから温度が下がり始めるまでの時間を意味する値である。この「laseroff_inf2_period」の値は、レーザオフから変曲点２までの測定点数（×５μｓで時間）で算出される。
　また、「trend_start_value」は、回帰線の区間最初の値（最小）を意味する。この「trend_start_value」の値は、変曲点１の時刻から変曲点２の時刻までの期間（以下、「特定期間」と称する。）の測定値の１次回帰式の、変曲点１の時刻での値として算出される。「trend_finish_value」は、回帰線の区間最後の値（最大）を意味する。この「trend_finish_value」の値は、特定期間の測定値の１次回帰式の、変曲点２の時刻での値として算出される。「trend_period」は、融解開始から温度の下がり始めまでの時間（時間計算済み）を意味する値である。この「trend_period」の値は、特定期間の時刻（μｓ）で算出される。「trend_slope」は、融解中の温度上昇率を意味する値である。この「trend_slope」の値は、特定期間の測定値の１次回帰式の傾きで算出される。
　その他、図５への図示は省略するが、複数の項目要素としては、「rise_value_sum」、「laserontime_value_sum」、「count」、「mean」、「std」、「min」、「25%」、「50%」、「75%」、「max」、「dence1～5」等が挙げられる。「rise_value_sum」は、立ち上がりの温度総量を意味する値である。この「rise_value_sum」の値は、レーザオンの時刻から「rise_period」までの期間の測定値の積分により算出される。「laserontime_value_sum」は、レーザ出力中の温度総量を意味する値である。この「laserontime_value_sum」の値は、レーザオンからレーザオフまでの期間の測定値の積分により算出される。
　また、「count」は、溶融開始から温度が下がり始めるまでの時間を意味する値である。この「count」の値は、特定期間の測定点数（×５μｓで時間）で算出される。「mean」は、線形トレンドからの外れ具合（波打ち具合）を意味する値である。この「mean」の値は、特定期間の線形トレンド（１次回帰）を除外した測定値の平均値として算出される。また、「std」は、「mean」と同じく線形トレンドからの外れ具合（波打ち具合）を意味する値である。この「std」の値は、特定期間の測定値の標準偏差として算出される。
　また、「min」は、融解中の最小温度を意味する値である。この「min」の値は、特定期間の測定値の最小値として算出される。「25%」は、小さい順に２５／１００番の測定値を意味する。この「25%」の値は、特定期間の測定値の２５％タイルとして算出される。「50%」は、小さい順に５０／１００番の測定値を意味する。この「50%」の値は、特定期間の測定値の５０％タイルとして算出される。「75%」は、小さい順に７５／１００番の測定値を意味する。この「75%」の値は、特定期間の測定値の７５％タイルとして算出される。「max」は、溶融中の最大温度を意味する値である。この「max」の値は、特定期間の測定値の最大値として算出される。
　また、「dence1」は、時系列変動データＤ２に基づく温度の（粗い）変動具合（ギザギザ具合）を意味する値である。この「dence1」の値は、１９５－５８５Ｈｚのスペクトル密度（所定の３つの周波数のスペクトル密度の和）で算出される。「dence2」は、時系列変動データＤ２に基づく温度の（少し粗い）変動具合（ギザギザ具合）を意味する値である。この「dence2」の値は、７８１－１１７１Ｈｚのスペクトル密度（所定の３つの周波数のスペクトル密度の和）で算出される。
　「dence3」は、時系列変動データＤ２に基づく温度の（中くらいの）変動具合（ギザギザ具合）を意味する値である。この「dence3」の値は、１３６７－１７５７Ｈｚのスペクトル密度（所定の３つの周波数のスペクトル密度の和）で算出される。「dence4」は、時系列変動データＤ２に基づく温度の（少し細かい）変動具合（ギザギザ具合）を意味する値である。この「dence4」の値は、１９５３－２３４３Ｈｚのスペクトル密度（所定の３つの周波数のスペクトル密度の和）で算出される。「dence5」は、時系列変動データＤ２に基づく温度の（細かい）変動具材（ギザギザ具合）を意味する値である。この「dence5」の値は、２５３９－２９２９Ｈｚのスペクトル密度（所定の３つの周波数のスペクトル密度の和）で算出される。
　第１補助変数算出部１２及び第２補助変数算出部３２は、上記のような複数の特徴のうち、例えば自動抽出された複数の特徴を検出してその値を特徴量情報として算出するが、これに限定されるものではない。例えば、第１補助変数算出部１２は、目的変数の推定への寄与度の大きさに基づき、自動抽出された複数の特徴を検出するようにしてもよい。寄与度は、溶接結果学習部１１による溶接結果推定モデル３の作成時に用いられた、例えば所定の機械学習アルゴリズムによって、モニタリング情報５の教師データの時系列データに含まれる複数の特徴について、例えばスパッタやポロシティ等の溶接品質に関する各種の物理現象の推定への寄与度として重み付けされる。第１補助変数算出部１２は、この寄与度に基づき自動抽出された複数の特徴を検出し、その値を特徴量情報として算出するようにしてもよい。
　この第３実施形態の溶接システム１００Ｂによれば、モニタリング情報５，６に基づき第１及び第２補助変数算出部１２，３２で算出された補助変数の教師データ及び推定用データと共に、第１及び第２潜在変数算出部１３，３３で算出された潜在変数の教師データ及び推定用データを利用して、溶接状況の変動を含めた溶接結果の推定を、より精緻且つ精度よく行うことが可能である。また、モニタリング情報５，６と加工条件情報２，４の相関に起因する推定精度の悪化をより効果的に回避することが可能となる。
［溶接システムの動作］
　溶接システム１００Ｂにおいて、例えば外部の記憶装置又は記憶媒体等に記憶された溶接結果情報１及び加工条件情報２並びに溶接モニタ装置５０から出力されたモニタリング情報５は、例えばそれぞれ目的変数の教師データ、説明変数の教師データ及び補助変数の教師データとして、学習装置１０に入力され図示しない記憶部に記憶される。
　学習装置１０は、これらの入力されたデータのうち、溶接モニタ装置５０からのモニタリング情報５の教師データを含むデータから第１補助変数算出部１２において特徴量情報（補助変数の教師データ）を算出する。また、学習装置１０は、第１補助変数算出部１２で算出された特徴量情報と、加工条件情報２の教師データとに基づき、第１潜在変数算出部１３において、特徴量情報から加工条件情報２の教師データとの間の相関性を次元削減又は次元圧縮して抽象的に表現した（例えば、相関が小さい）潜在変数の教師データを算出し、潜在変数算出情報７を出力する。
　また、学習装置１０は、溶接結果学習部１１において溶接結果情報１の教師データと、加工条件情報２の教師データと、第１潜在変数算出部１３により算出された潜在変数の教師データとに基づいて、例えば機械学習を行って、溶接強度等を含めた溶接結果を推定する溶接結果推定モデル３を作成する。学習装置１０は、潜在変数の教師データの算出に用いられた潜在変数算出情報７及び作成した溶接結果推定モデル３を、装置内の記憶部に記憶すると共に、溶接結果判定装置２０の推定装置３０に利用可能に出力する。
　なお、学習装置１０は、潜在変数算出情報７及び溶接結果推定モデル３を、例えば接続されたネットワーク等を介して外部の記憶装置（図示せず）に出力するようにしてもよい。この場合、外部の記憶装置は、入力された潜在変数算出情報７及び溶接結果推定モデル３を一時的或いは恒久的に記憶する。なお、各種のデータは、上記のような外部の記憶装置や記憶媒体ではなく、例えば溶接システム１００Ｂの一部を構成する記憶装置（図示せず）に記憶されていてもよい。
　一方、レーザ溶接機４０においては、設定された加工条件情報４に基づいてレーザ溶接が実行される。レーザ溶接機４０に付属のセンサ２１２によって、推定対象（例えば、被加工物の溶接部）のレーザ溶接時の状態観測情報であるモニタリング情報６が溶接モニタ装置５０により取得される。レーザ溶接機４０に設定された加工条件情報４及び溶接モニタ装置５０のモニタリング情報６は、それぞれ説明変数の推定用データ及び補助変数の推定用データとして、溶接結果判定装置２０の推定装置３０に利用可能に入力される。
　推定装置３０は、潜在変数算出情報７及び溶接結果推定モデル３と共に入力された各種のデータを図示しない記憶部に記憶する。また、推定装置３０は、溶接モニタ装置５０からのモニタリング情報６の推定用データを含むデータから第２補助変数算出部３２において特徴量情報（補助変数の推定用データ）を算出する。また、推定装置３０は、第２補助変数算出部３２で算出された特徴量情報と、加工条件情報４の推定用データと、潜在変数算出情報７とに基づき、第２潜在変数算出部３３において、特徴量情報から加工条件情報４の推定用データとの間の相関性を次元削減又は次元圧縮して抽象的に表現した（例えば、相関が小さい）潜在変数の推定用データを算出する。
　また、推定装置３０は、溶接結果推定部３１において第２潜在変数算出部３３により算出された潜在変数の推定用データと、加工条件情報４の推定用データとを、溶接結果推定モデル３に入力して、溶接強度等を含む溶接結果を推定し溶接結果推定値８を出力する。溶接結果推定値８は、記憶部に記憶されると共に、表示、印刷等適宜利用可能な形態で推定装置３０から出力され、溶接結果判定装置２０で利用され得る。
　なお、学習装置１０は、特徴量情報の算出、潜在変数の算出及び溶接結果推定モデル３の作成に際し、レーザ溶接機４０に設定された加工条件情報４の推定用データ及び溶接モニタ装置５０からのモニタリング情報６の推定用データを、説明変数及び補助変数の教師データとして加工条件情報２の教師データ及びモニタリング情報５の教師データに追加或いは説明変数及び補助変数の教師データとして参照して用いるようにしてもよい。このようにすれば、より多くのデータを利用して推定の精度向上に寄与することができる。
　第３実施形態の溶接システム１００Ｂでは、溶接結果情報１の補助変数の教師データとしてのモニタリング情報５に基づく特徴量情報や潜在変数を算出した上で、これらの情報を用いた溶接結果推定モデル３が作成される。また、潜在変数算出情報７を用いて補助変数の推定用データとしてのモニタリング情報６に基づき特徴量情報や潜在変数を算出した上で、これらの情報と説明変数の推定用データである加工条件情報４とを溶接結果推定モデル３に入力することで、溶接強度等を含む溶接結果推定値８が出力される。
　従って、第３実施形態の溶接システム１００Ｂによれば、レーザ溶接の加工条件に関するデータと溶接時にモニタリングされるデータから、非破壊で推定対象（被加工物の溶接部）の溶接結果を推定することができる。これにより、溶接システム１００Ｂは、溶接結果に含まれる溶接強度を推定したり、レンズ・ファイバ・焦点位置の組み合わせによるスポット径を推定したりすることが可能となる。
　一般的にレーザ溶接においては、同一の加工条件でレーザ溶接を施した場合であっても、被加工物の材質、溶接環境のばらつき等の要因によって溶接強度は変化する。従って、実際に製品を破壊しなければ溶接強度を測定することはできないという問題がある。また、実際にレーザ光を照射した実験を行わなければ、目的とする溶接結果を得るための種々の加工条件を知ることはできないという問題もある。
　しかし、第３実施形態の溶接システム１００Ｂは、モニタリング情報からの特徴量情報を補助変数として利用した推定精度の向上及び相関による推定精度の悪化の回避を図ることができる構成、並びに溶接に起因する物理現象を溶接中に起きた事象として溶接状況の変動を含めた推定を行うことができる構成を採用する。従って、このような問題を解決することができる。これと共に、溶接システム１００Ｂは、第１及び第２実施形態と同様の作用効果を奏することができるだけでなく、より精緻な推定を可能にして推定の精度向上、相関による精度悪化の回避が可能である。
　なお、第３実施形態の溶接システム１００Ｂは、レーザ溶接の溶接強度等を含む溶接結果の推定を目的としているが、これに限定されない。溶接システム１００Ｂは、例えばスパッタやポロシティ等の溶接品質に関する各種の物理現象に基づく溶接の良否を含む溶接結果の推定を行うことも可能である。この場合、学習装置１０における目的変数をレーザ溶接の溶接品質とすればよい。
　溶接品質に関するデータは、溶接良を示すデータと溶接不良を示すデータの少なくとも一方を含み、そのときの加工条件情報２及びモニタリング情報５を説明変数及び補助変数の教師データとして、学習装置１０で機械学習を行い溶接結果推定モデル３を作成する。溶接システム１００Ｂは、この溶接結果推定モデル３を用いて推定装置３０で加工条件情報４及びモニタリング情報６の推定用データに基づく推定を行えば、溶接の良否を含めた溶接結果の推定を、レーザ溶接中も含めて行うことができる。
　また、溶接システム１００Ｂは、学習装置１０及び推定装置３０を、例えばそれぞれレーザ溶接機４０の設置箇所と同じ現場に集中して或いは遠隔地に別々に設置可能である。このため、レーザ溶接の溶接強度等の推定に関して、グローバルな展開をも想定した多種多様な運用が可能となる。
［第４実施形態］
　図６は、本発明の第４実施形態に係る溶接システムの基本的構成を示す説明図である。図６に示すように、第４実施形態に係る溶接システム１００Ｃでは、溶接モニタ装置５０Ａの内部に推定装置３０が設けられている点が、第３実施形態の溶接システム１００Ｂとは相違している。
　すなわち、溶接モニタ装置５０Ａは、被加工物の溶接を行う溶接装置（レーザ溶接機４０）による溶接の進行状況をセンサによってモニタリングして得られるモニタリング情報５，６を記憶する第１の記憶部（図示せず）を備える。また、溶接モニタ装置５０Ａは、溶接装置（レーザ溶接機４０）によって予め実施された溶接の加工条件を含む加工条件情報２と、加工条件情報２に基づく溶接後に得られた溶接結果に関連する溶接結果情報１と、第１の記憶部（図示せず）から出力されたモニタリング情報５とに基づき作成された溶接結果推定モデル３を記憶する第２の記憶部（図示せず）を備える。また、溶接モニタ装置５０Ａは、溶接装置（レーザ溶接機４０）に設定された加工条件を含む加工条件情報４と、第１の記憶部（図示せず）に記憶されたモニタリング情報６とを第２の記憶部（図示せず）に記憶された溶接結果推定モデル３に入力し、溶接装置（レーザ溶接機４０）で行われる溶接の溶接結果を推定し出力する溶接結果推定部３１（推定装置３０）を備える。
　従って、溶接モニタ装置５０Ａは、学習装置１０から取得した潜在変数算出情報７及び溶接結果推定モデル３を内部の推定装置３０に入力可能に構成されている。そして、溶接モニタ装置５０Ａでは、この内部の推定装置３０おいて、センサ２１２で取得し第１の記憶部に記憶したモニタリング情報５，６と、レーザ溶接機４０に設定された加工条件情報４とを、第２の記憶部に記憶された溶接結果推定モデル３に入力して溶接結果の推定が行われる。
　これにより、溶接モニタ装置５０Ａ単体で溶接強度等を含む溶接結果を推定し溶接結果推定値８を出力することが可能である。この第４実施形態の溶接システム１００Ｃによれば、第３実施形態と同様の作用効果を奏することができると共に、溶接モニタ装置５０Ａ単体で推定装置３０の機能を実現することができる。
［第５実施形態］
　図７は、本発明の第５実施形態に係る溶接システムの基本的構成を示す説明図である。図７に示すように、第５の実施形態に係る溶接システム１００Ｄは、溶接モニタ装置（抵抗溶接チェッカ）５１からのモニタリング情報５，６を、加工条件情報２，４と相関を有する補助変数（の教師データ及び推定対象データ）として用いる点は、第３実施形態の溶接システム１００Ｂと同様であるが、抵抗溶接に適用される点が、第３実施形態の溶接システム１００Ｂとは相違している。
　すなわち、第５実施形態の溶接システム１００Ｄにおいて、溶接装置は抵抗溶接機（抵抗溶接電源・ヘッド４１）である。また、加工条件情報２，４は、溶接電流、溶接加圧力、通電時間、溶接方式、被加工物の材質、被加工物の板厚、被加工物の表面処理、被加工物の組み合わせ条件、サンプリング周期、変位量検出分解能、及びナゲット径の少なくとも一つの加工条件を含む。また、モニタリング情報５，６は、溶接電流・電圧の時系列変動データ及び溶接点の加圧力・変位量の時系列変動データを含む。
　この第５実施形態の溶接システム１００Ｄにおいても、学習装置１０の第１補助変数算出部１２でモニタリング情報５に基づき特徴量情報（補助変数の教師データ）を算出し、第１潜在変数算出部１３で特徴量情報に基づき潜在変数の教師データを算出して潜在変数算出情報７を出力し、溶接結果学習部１１で溶接結果推定モデル３の作成を行って、この溶接結果推定モデル３と潜在変数算出情報７を溶接結果判定装置２０の推定装置３０に与える。
　溶接結果判定装置２０の推定装置３０の第２補助変数算出部３２では、潜在変数算出情報７を用いてモニタリング情報６に基づき特徴量情報（補助変数の推定用データ）を算出し、第２潜在変数算出部３３で特徴量情報に基づき潜在変数の推定用データを算出して、溶接結果推定部３１においてこの潜在変数の推定用データを含めたデータを溶接結果推定モデル３に入力し溶接結果の推定を行う。そして、得られた溶接結果推定値８により溶接強度等の推定を行ったり溶接結果を判定したり、溶接結果推定値８を外部に出力したりすることができる。このように、第５実施形態の溶接システム１００Ｄにおいても、第３実施形態の溶接システム１００Ｂと同様の作用効果を奏することができる。
　以上、本発明のいくつかの実施の形態を説明したが、これらの実施の形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これらの新規な実施の形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施の形態やその変形は、発明の範囲や要旨に含まれると共に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

Claims (10)

  1. 　被加工物の溶接を行う溶接装置と、
    　前記溶接装置によって予め実施された溶接の加工条件を含む加工条件情報と、前記加工条件に基づく溶接後に得られた溶接結果に関連する溶接結果情報とを教師データとして入力し、これら教師データに基づき、溶接結果推定モデルを作成し出力する学習装置と、
    　前記学習装置で作成された前記溶接結果推定モデルに前記溶接装置に設定された加工条件を含む加工条件情報を推定用データとして入力し、前記加工条件に基づいて前記溶接装置で行われる溶接の溶接結果を推定し出力する推定装置と、を備える
    　溶接システム。
  2. 　前記溶接装置による溶接の進行状況をセンサによってモニタリングして得られたモニタリング情報を出力する溶接モニタ装置を備え、
    　前記学習装置は、前記溶接モニタ装置から出力された前記モニタリング情報の教師データから特徴量情報を補助変数の教師データとして算出し、この補助変数を加えた教師データに基づき前記溶接結果推定モデルを作成して出力し、
    　前記推定装置は、前記溶接モニタ装置から出力された前記モニタリング情報の推定用データから特徴量情報を補助変数の推定用データとして算出し、この補助変数を加えた推定用データを入力して前記溶接結果を推定し出力する
    　請求項１記載の溶接システム。
  3. 　前記学習装置は、
    　前記モニタリング情報の教師データから特徴量情報を補助変数の教師データとして算出する第１補助変数算出部と、
    　前記溶接結果情報の教師データと、前記加工条件情報の教師データと、前記第１補助変数算出部により算出された前記補助変数の教師データとに基づいて、前記溶接結果推定モデルを作成し出力する溶接結果学習部と、を含み、
    　前記推定装置は、
    　前記モニタリング情報の推定用データから前記特徴量情報を補助変数の推定用データとして算出する第２補助変数算出部と、
    　前記第２補助変数算出部により算出された前記補助変数の推定用データと、前記加工条件情報の推定用データとを前記溶接結果推定モデルに入力して、前記溶接結果を推定し出力する溶接結果推定部と、を含む
    　請求項２記載の溶接システム。
  4. 　前記学習装置は、前記加工条件情報の教師データと、前記補助変数の教師データとに基づいて、前記補助変数の教師データから前記加工条件情報の教師データとの間の相関性を次元削減又は次元圧縮して抽象的に表現可能な潜在変数の教師データを算出し、潜在変数算出情報を出力する第１潜在変数算出部を含み、
    　前記溶接結果学習部は、前記加工条件情報の教師データと、前記溶接結果情報の教師データと、前記潜在変数の教師データとに基づいて、前記溶接結果推定モデルを作成して出力し、
    　前記推定装置は、前記加工条件情報の推定用データと、前記補助変数の推定用データと、前記潜在変数算出情報とに基づいて、前記補助変数の推定用データから前記加工条件情報の推定用データとの間の相関性を次元削減又は次元圧縮して抽象的に表現可能な潜在変数の推定用データを算出する第２潜在変数算出部を含み、
    　前記溶接結果推定部は、前記加工条件情報の推定用データと、前記潜在変数の推定用データとを、前記溶接結果推定モデルに入力して、前記溶接結果を推定し出力する
    　請求項３記載の溶接システム。
  5. 　前記第１補助変数算出部は、時系列データかなる前記モニタリング情報の教師データから、予め定められた複数の特徴を検出し、検出された各特徴の値を、前記特徴量情報として算出し、
    　前記第２補助変数算出部は、時系列データかなる前記モニタリング情報の推定用データから、予め定められた複数の特徴を検出し、検出された各特徴の値を、前記特徴量情報として算出する
    　請求項３又は４記載の溶接システム。
  6. 　前記第１潜在変数算出部は、前記加工条件情報の教師データと、前記補助変数の教師データとを次元削減又は次元圧縮した１次元又は２次元の情報を潜在情報の教師データとして算出し、
    　前記第２潜在変数算出部は、前記加工条件情報の推定用データと、前記補助変数の推定用データとを次元削減又は次元圧縮した１次元又は２次元の情報を潜在情報の推定用データとして算出する
    　請求項４記載の溶接システム。
  7. 　前記溶接装置はレーザ溶接機であり、
    　前記加工条件情報は、被加工物の材質、前記被加工物の板厚、レーザパワー、レーザ照射時間、レーザ照射開始からピークパワーに到達するまでの時間、前記ピークパワーからレーザ照射終了までの時間、ファイバ径、レンズ焦点距離、焦点位置、及び照射点のレーザ径の少なくとも一つの加工条件を含む
    　請求項１～６のいずれか１項記載の溶接システム。
  8. 　前記溶接装置はレーザ溶接機であり、
    　前記加工条件情報は、被加工物の材質、前記被加工物の板厚、レーザパワー、レーザ照射時間、レーザ照射開始からピークパワーに到達するまでの時間、前記ピークパワーからレーザ照射終了までの時間、ファイバ径、レンズ焦点距離、焦点位置、及び照射点のレーザ径の少なくとも一つの加工条件を含み、
    　前記モニタリング情報は、レーザパワーの時系列変動データ及び照射点の放射近赤外光強度の時系列変動データを含む
    　請求項２～６のいずれか１項記載の溶接システム。
  9. 　前記溶接装置は抵抗溶接機であり、
    　前記加工条件情報は、溶接電流、溶接加圧力、通電時間、溶接方式、被加工物の材質、前記被加工物の板厚、前記被加工物の表面処理、前記被加工物の組み合わせ条件、サンプリング周期、変位量検出分解能、及びナゲット径の少なくとも一つの加工条件を含む
    　請求項１～６のいずれか１項記載の溶接システム。
  10. 　被加工物の溶接を行う溶接装置による溶接の進行状況をセンサによってモニタリングして得られるモニタリング情報を記憶する第１の記憶部と、
    　前記溶接装置によって予め実施された溶接の加工条件を含む加工条件情報と、前記加工条件情報に基づく溶接後に得られた溶接結果に関連する溶接結果情報と、前記第１の記憶部から出力された前記モニタリング情報とに基づき作成された溶接結果推定モデルを記憶する第２の記憶部と、
    　前記溶接装置に設定された加工条件を含む加工条件情報と、前記第１の記憶部に記憶された前記モニタリング情報とを前記第２の記憶部に記憶された前記溶接結果推定モデルに入力し、前記溶接装置で行われる溶接の溶接結果を推定し出力する溶接結果推定部と、を備える
    　溶接モニタ装置。
PCT/JP2022/038121 2021-10-19 2022-10-12 溶接システム及び溶接モニタ装置 WO2023068146A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021171196A JP2023061287A (ja) 2021-10-19 2021-10-19 溶接システム及び溶接モニタ装置
JP2021-171196 2021-10-19

Publications (1)

Publication Number Publication Date
WO2023068146A1 true WO2023068146A1 (ja) 2023-04-27

Family

ID=86059190

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/038121 WO2023068146A1 (ja) 2021-10-19 2022-10-12 溶接システム及び溶接モニタ装置

Country Status (2)

Country Link
JP (1) JP2023061287A (ja)
WO (1) WO2023068146A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170032281A1 (en) * 2015-07-29 2017-02-02 Illinois Tool Works Inc. System and Method to Facilitate Welding Software as a Service
JP2017164801A (ja) * 2016-03-17 2017-09-21 ファナック株式会社 機械学習装置、レーザ加工システムおよび機械学習方法
JP6818970B1 (ja) * 2020-05-20 2021-01-27 三菱電機株式会社 データ作成装置、機械学習システムおよび加工状態推定システム
WO2021186567A1 (ja) * 2020-03-17 2021-09-23 三菱電機株式会社 レーザ加工システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170032281A1 (en) * 2015-07-29 2017-02-02 Illinois Tool Works Inc. System and Method to Facilitate Welding Software as a Service
JP2017164801A (ja) * 2016-03-17 2017-09-21 ファナック株式会社 機械学習装置、レーザ加工システムおよび機械学習方法
WO2021186567A1 (ja) * 2020-03-17 2021-09-23 三菱電機株式会社 レーザ加工システム
JP6818970B1 (ja) * 2020-05-20 2021-01-27 三菱電機株式会社 データ作成装置、機械学習システムおよび加工状態推定システム

Also Published As

Publication number Publication date
JP2023061287A (ja) 2023-05-01

Similar Documents

Publication Publication Date Title
McCann et al. In-situ sensing, process monitoring and machine control in Laser Powder Bed Fusion: A review
Goossens et al. A virtual sensing approach for monitoring melt-pool dimensions using high speed coaxial imaging during laser powder bed fusion of metals
EP2388572B1 (en) Welding method
JP5583821B2 (ja) 超音波ボンディング方法及びボンディング装置
EP2342040B1 (en) System and process for automatic determination of welding parameters for automated friction stir welding
US20160098825A1 (en) Feature extraction method and system for additive manufacturing
CN112154040B (zh) 自动确定用于在工件上执行焊接的最佳焊接参数的方法
US9212967B2 (en) Method for monitoring the quality of industrial processes and system therefrom
US20230201956A1 (en) Method for analyzing a laser machining process, system for analyzing a laser machining process, and laser machining system comprising such a system
JPWO2012050108A1 (ja) 溶接品質判別装置
Zou et al. Control of weld penetration depth using relative fluctuation coefficient as feedback
CN116000453A (zh) 一种激光焊接质量实时监控方法及系统
Raj et al. Weld quality monitoring via machine learning-enabled approaches
WO2023068146A1 (ja) 溶接システム及び溶接モニタ装置
Chua et al. In-process and post-process strategies for part quality assessment in metal powder bed fusion: A review
Yusof et al. Identification of weld defect through the application of denoising method to the sound signal acquired during pulse mode laser welding
Hollatz et al. Processing of keyhole depth measurement data during laser beam micro welding
Prem et al. A review on application of acoustic emission testing during additive manufacturing
Liu et al. Surface roughness prediction using multi-source heterogeneous data and Bayesian quantile regression in milling process
WO2023068147A1 (ja) 溶接システム及び溶接結果判定装置
JP5183369B2 (ja) レーザ溶接システムの異常検出方法
Nabavi et al. A comprehensive geometrical, metallurgical, and mechanical characteristic dynamic model of laser beam welding process
WO2023068148A1 (ja) 予測・推定システム、学習装置及び予測・推定装置
Mao et al. Development of a melt pool characteristics detection platform based on multi-information fusion of temperature fields and photodiode signals in plasma arc welding
Harničárová et al. Measurement and assessment of surface roughness for optimisation of laser cutting technology

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: 22883450

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE