WO2023153105A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2023153105A1
WO2023153105A1 PCT/JP2022/048297 JP2022048297W WO2023153105A1 WO 2023153105 A1 WO2023153105 A1 WO 2023153105A1 JP 2022048297 W JP2022048297 W JP 2022048297W WO 2023153105 A1 WO2023153105 A1 WO 2023153105A1
Authority
WO
WIPO (PCT)
Prior art keywords
welding
defect
learning
estimation model
defect size
Prior art date
Application number
PCT/JP2022/048297
Other languages
English (en)
French (fr)
Inventor
碩 黄
翔太 椿
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
Publication of WO2023153105A1 publication Critical patent/WO2023153105A1/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
    • 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
    • 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
    • B23K9/02—Seam welding; Backing means; Inserts
    • B23K9/032—Seam welding; Backing means; Inserts for three-dimensional seams
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y30/00—Apparatus for additive manufacturing; Details thereof or accessories therefor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes

Definitions

  • the present invention relates to a learning device, a defect determination device, a learning method, a defect determination method, a welding control device, and a welding device.
  • Patent Literature 1 discloses a technique for judging the quality of a welded state by imaging the state of a molten pool with a visual sensor through a filter. This document also describes that welding current, voltage and wire feed speed are measured at the same time as imaging by the visual sensor.
  • Non-contact inspection means using an X-ray CT device are also conceivable, but are not necessarily realistic because the size of the inspection object is restricted by the device and the device itself is expensive.
  • an object of the present invention is to provide a learning device, a defect determination device, a learning method, a defect determination method, a welding control device, and a welding device that can accurately predict the defect size and suppress the occurrence of defects.
  • the present invention consists of the following configurations.
  • An estimation model that learns the defect size of an unwelded defect that occurs inside a layered product in which a plurality of beads are layered on a base material, and outputs the defect size according to the input information.
  • a learning device that generates Welding conditions when laminating the beads, dimensions related to narrow portions forming valleys in the surface shape of the laminate model before laminating the beads, positional relationship between the narrow portions and the target positions of the beads, and an information acquisition unit that acquires information on the size of the unwelded defect; a learning unit that learns the relationship between the welding conditions, the dimensions of the narrow portion, the positional relationship, and the defect size to generate the estimated model;
  • the dimension of the narrow portion is at least one of the width of the bottom of the valley, the width of the opening representing the distance between the tops on both sides of the valley forming the valley, and the depth of the valley from the top to the bottom of the valley.
  • the learning device including learning device.
  • Welding planning information including at least dimensional information and the positional relationship regarding the narrow portion is input to the estimation model, and an estimated value of the defect size of the unwelded defect and a predetermined allowable limit output from the estimation model.
  • a determination unit that compares a reference value that becomes comprising Defect judgment device.
  • An estimation model that learns the defect size of an unwelded defect that occurs inside a layered product in which a plurality of beads are layered on a base material, and outputs the defect size according to the input information.
  • a learning method that generates Welding conditions when laminating the beads, dimensions related to narrow portions forming valleys in the surface shape of the laminate model before laminating the beads, positional relationship between the narrow portions and the target positions of the beads, and a defect size of the unwelded defect; a step of learning the relationship between the welding conditions, the dimensions of the narrow portion, the positional relationship, and the defect size to generate the estimated model; has The dimension of the narrow portion is at least one of the width of the bottom of the valley, the width of the opening representing the distance between the tops on both sides of the valley forming the valley, and the depth of the valley from the top to the bottom of the valley. including learning method.
  • FIG. 1 is an overall configuration diagram of a welding system.
  • FIG. 2 is a schematic diagram showing a welding torch, a shape detection unit, and a bead formation trajectory.
  • FIG. 3 is a schematic functional block diagram of the defect determination device.
  • FIG. 4 is an explanatory diagram showing how a bead is formed in a narrow portion by a welding torch.
  • FIG. 5 is an explanatory diagram for explaining feature amounts in a cross section perpendicular to the bead forming direction of the existing bead.
  • FIG. 6 is an explanatory diagram showing how the intervals between the existing beads shown in FIG. 5 are changed.
  • FIG. 7 is an explanatory diagram showing how the intervals of the existing beads shown in FIG. 5 are changed.
  • FIG. 1 is an overall configuration diagram of a welding system.
  • FIG. 2 is a schematic diagram showing a welding torch, a shape detection unit, and a bead formation trajectory.
  • FIG. 3 is a schematic functional block diagram of the defect determination device.
  • FIG. 8 is a cross-sectional view of a laminated specimen in which defects are formed.
  • FIG. 9 is a cross-sectional view of a laminated specimen in which defects are formed.
  • FIG. 10 is a flow chart showing the procedure for determining welding conditions.
  • FIG. 11 is a graph showing the relationship between the measured defect size and the predicted defect size.
  • Laminate manufacturing in which beads are laminated to form a laminate-molded article will be described here as an example, but the present invention can also be applied to general welding such as fillet welding and butt welding.
  • FIG. 1 is an overall configuration diagram of a welding system.
  • Welding system 100 includes welding device 110 and welding control device 120 .
  • Welding control device 120 has control unit 11 and defect determination device 130 .
  • Welding device 110 includes welding robot 13 , robot drive section 15 , filler material supply section 17 , welding power supply section 19 , and shape detection section 21 . These welding robot 13 , robot drive section 15 , filler material supply section 17 , welding power source section 19 and shape detection section 21 are each connected to control section 11 of welding control device 120 .
  • the welding robot 13 is an articulated robot, and a welding torch 27 is attached to its distal end shaft.
  • the robot drive unit 15 outputs a command to drive the welding robot 13, and three-dimensionally arbitrarily sets the position and orientation of the welding torch 27 within the range of degrees of freedom of the robot arm.
  • a filler material (welding wire) M that is continuously supplied is supported at the tip of the welding torch 27 .
  • the welding torch 27 is a gas metal arc welding torch that has a shield nozzle (not shown) and is supplied with a shield gas from the shield nozzle.
  • the arc welding method may be a consumable electrode type such as coated arc welding or carbon dioxide gas arc welding, or a non-consumable electrode type such as TIG welding or plasma arc welding, depending on the shaped object (structure) to be produced. Selected as appropriate.
  • a contact tip is arranged inside the shield nozzle, and the contact tip holds the filler material M to which the melting current is supplied.
  • the welding torch 27 holds the filler material M and generates an arc from the tip of the filler material M in a shield gas atmosphere.
  • the filler material supply unit 17 includes a reel 17a around which the filler material M is wound.
  • the filler material M is sent from the filler material supply unit 17 to a feeding mechanism (not shown) attached to a robot arm or the like, and fed to the welding torch 27 while being fed forward and backward by the feeding mechanism as necessary. be.
  • any commercially available welding wire can be used as the filler material M.
  • MAG welding and MIG welding solid wire JIS Z 3312
  • high-strength steel and low-temperature steel arc welding flux-cored wire (JIS Z 3313) for mild steel, high-strength steel and low-temperature steel, etc. welding wire
  • arc welding flux-cored wire JIS Z 3313
  • a filler material M such as aluminum, aluminum alloy, nickel, nickel-based alloy, etc., depending on the required properties.
  • the welding power supply unit 19 supplies the welding torch 27 with welding current and welding voltage for generating an arc from the tip of the torch.
  • the shape detection unit 21 is provided at or near the tip axis of the welding robot 13, and the vicinity of the tip of the welding torch 27 is the measurement area.
  • the shape detection unit 21 may be other detection means provided at a position different from the welding torch 27 .
  • the shape detection unit 21 of this configuration is moved together with the welding torch 27 by driving the welding robot 13, and measures the shape of the bead B and the base portion when the bead B is formed.
  • a laser sensor that acquires reflected light of irradiated laser light as height data can be used.
  • other detection means such as a camera for three-dimensional shape measurement may be used.
  • the robot driving section 15 receives a molding program corresponding to a modeled object to be manufactured from the control section 11 .
  • 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 the shape data (CAD data, etc.) of the modeled object, the material, the amount of heat input, and the like.
  • the robot drive unit 15 executes the received molding program to drive the welding robot 13, the filler material supply unit 17, the welding power supply unit 19, etc., and forms the bead B according to the molding program. That is, the robot driving unit 15 drives the welding robot 13 to move the welding torch 27 along the trajectory (bead formation trajectory) of the welding torch 27 set in the modeling program. At the same time, the filler material supply unit 17 and the welding power supply unit 19 are driven according to the set welding conditions, and the filler material M at the tip of the welding torch 27 is melted and solidified by the arc. As a result, a bead B is formed along the trajectory of the welding torch 27 on the base plate P, which is the base material.
  • the beads B are formed adjacent to each other to form a bead layer consisting of a plurality of beads B.
  • a desired three-dimensional modeled object WK is modeled by laminating the bead layer of the next layer on top of this bead layer.
  • the welding control device 120 is configured by a computer device including a processor such as a CPU, a memory such as ROM and RAM, and a storage unit such as HD (Hard Disk Drive) and SSD (Solid State Drive). be.
  • a processor such as a CPU
  • ROM Read Only Memory
  • RAM Random Access Memory
  • SSD Solid State Drive
  • Each component of the welding control device 120 described above operates according to a command from the CPU, and exhibits its function.
  • Welding control device 120 may be arranged apart from welding device 110 and connected to welding device 110 from a remote location via communication means such as a network.
  • the control unit 11 that constitutes the welding control device 120 has a function of integrally controlling the robot drive unit 15, the filler material supply unit 17, the welding power supply unit 19, and the shape detection unit 21 shown in FIG.
  • the control unit 11 executes a drive program prepared in advance or a drive program created under desired conditions to drive each part such as the welding robot 13 .
  • the welding torch 27 is moved according to the driving program, and a plurality of layers of beads B are laminated on the base plate P based on the created welding plan, thereby forming a multi-layered object WK.
  • FIG. 2 is a schematic diagram showing the welding torch 27, the shape detection unit 21, and the bead forming trajectory of the bead B.
  • the beads B are sequentially formed by moving the welding torch 27 on the base plate P along a pre-made bead forming trajectory.
  • the surface shape of the existing bead B and the bead forming surface G is measured by the shape detection unit 21 .
  • the shape detection unit 21 outputs the surface shapes of the bead B and the bead forming surface G (collectively referred to as a shape profile) to the welding control device 120 .
  • the shape detection unit 21 may be arranged behind the welding torch 27 in the moving direction. According to this, while the bead B is formed by moving the welding torch 27, the shape of the formed bead B can be efficiently measured on the moving path, so that the tact time can be shortened.
  • This measurement of the shape profile may be performed at a timing different from that during formation of the bead B, or may be performed at a desired timing according to various conditions.
  • the bead to be formed before forming is also called “new bead”
  • the bead already formed is also called “existing bead”.
  • the modeled object WK shown here has a frame-shaped wall portion Aw formed by the beads B, and a filling portion Af for filling the area surrounded by the wall portions Aw with the beads B.
  • This filling portion Af is formed after forming the wall portion Aw. That is, after the wall portion Aw is formed, the bead B serving as the filling portion Af is formed inside the wall portion Aw along the bead forming tracks F1 to F3 indicated by dotted lines. After that, a bead B is formed along the bead forming track F4.
  • the formation order of the bead B in the filling part Af is arbitrary.
  • FIG. 3 is a schematic functional block diagram of the defect determination device 130.
  • Defect determination device 130 constituting welding control device 120 includes learning device 140 , determination section 151 , and welding plan correction section 152 .
  • the learning device 140 has a data acquisition unit (information acquisition unit) 141 , a learning unit 142 , and an estimation model unit (estimation model) 143 .
  • the determination unit 151 and welding plan correction unit 152 are each connected to the estimation model unit 143 of the learning device 140 .
  • the learning device 140 learns the defect size of an unwelded defect that occurs inside the layered product in which a plurality of beads B are layered on the base plate P, and estimates to output the defect size according to the input information. It is a device that generates a model.
  • the data acquisition unit 141 acquires the welding conditions for laminating the bead B, the dimensions related to the narrow portion forming the valley in the surface shape of the layered product before laminating the bead B, and the target positions of the narrow portion and the bead B. and the defect size of the unwelded defect.
  • the positional relationship between the narrow portion and the target position of the bead B is, for example, the difference distance between the representative position such as the center of the narrow portion and the target position of the bead B to be formed next, but is limited to this. do not have.
  • the learning unit 142 learns the relationship between the welding conditions, the dimensions of the narrow portion, the positional relationship, and the defect size to generate an estimation model.
  • the estimation model unit 143 registers the estimation model generated by the learning unit 142 .
  • the determination unit 151 inputs welding plan information, including dimensional information and positional relationships regarding the narrow portion, to the estimated model registered in the estimated model unit 143 . Then, the estimated value of the defect size of the unwelded defect output from the estimation model unit 143 is compared with a reference value that is a predetermined allowable limit.
  • the welding plan correction unit 152 corrects at least one of the welding conditions and the positional relationship to create a corrected welding plan. Then, this modified welding plan is transmitted to the estimation model unit 143 .
  • FIG. 4A and 4B are explanatory diagrams showing how the bead B is formed in the narrow portion N by the welding torch 27.
  • FIG. 4 learning data to be acquired by the data acquiring unit 141 of the learning device 140 is prepared. Specifically, as shown in FIG. 4, as learning data, the welding conditions of the bead B filling the narrow portion N, the feature amount of the shape of the narrow portion N of the bead B in the previous layer, the welding torch 27 and the narrow portion N Prepare the horizontal distance ⁇ .
  • the welding conditions for the bead B that fills the narrow portion N include the welding voltage and welding current set when the bead B is laminated, the welding speed, the feeding speed of the filler material M, the torch angle ⁇ that is the inclination angle of the welding torch 27,
  • the volume of the bead B, the cross-sectional area of the cross section perpendicular to the longitudinal direction of the bead B, and the like can be mentioned.
  • the torch angle ⁇ is an inclination angle in a cross section orthogonal to the longitudinal direction of the bead B, which is inclined in a direction orthogonal to the longitudinal direction. It may be an inclination angle (torch advance angle, torch receding angle).
  • FIG. 5 is an explanatory diagram showing an example of characteristic amounts W, U, and H in a cross section perpendicular to the bead forming direction of the existing bead B.
  • the narrow portion N of the bead B in the front layer refers to a portion formed in a valley shape between the base plate or the existing bead in the lower layer.
  • Three features of depth H are extracted. That is, when a pair of existing beads B adjacent to each other are formed on the base surface FL representing the surface of the existing bead on the base plate or the lower layer, in addition to the above-described bottom interval U and bead interval W, Let the average depth H to the top Pt of the bead B be a feature amount.
  • the average depth H corresponds to the trough depth to the trough bottom of the trough formed by the pair of existing beads B in the stacking direction.
  • FIGS. 6 and 7 are explanatory diagrams showing how the intervals of the existing beads B shown in FIG. 5 are changed.
  • the bottom interval U becomes 0, and the average depth H becomes the valley depth between the beads represented by the dotted triangles.
  • the bottom interval U is 0 and the average depth H is shallower than in the cases shown in FIGS. In this way, by including the combination of the bottom distance U, the bead distance W, and the average depth H as the feature quantity, the shape of the valley can be easily specified.
  • These feature values W, U, and H may be calculated after applying a model function that simulates the shape of the bead to the shape profile obtained by actual measurement.
  • the sensor for measuring the shape of the narrow portion N it is preferable that it is a non-contact sensor like the shape detecting portion 21 of this example, and furthermore, it is attached near the welding torch 27 and measures while scanning the surface of the bead B. It is more preferable that the
  • the horizontal distance ⁇ between the welding torch 27 and the narrow portion N is calculated as the difference distance between the representative position of the narrow portion N and the center position where the bead B is next laid.
  • the representative position of the narrow portion N may be, for example, the position where the depth is the minimum or the midpoint of the portion evaluated by the feature value U.
  • the defect size data may be data obtained by observing the bead lamination test piece with a CT apparatus and determining the defect size.
  • the defect size is a size including a cross-sectional area or length in a cross section perpendicular to the longitudinal direction of the bead B.
  • the diameter when the shape of the defect C is approximated by a perfect circle the cross-sectional area of the approximated circle Alternatively, it includes indices such as the area of the observed defect C, the length of the major axis when the shape of the defect is approximated to an ellipse, the length of the minor axis, and the like.
  • the learning unit 142 When the prepared learning data is input to the data acquisition unit 141 of the learning device 140, the learning unit 142 generates an estimation model including the relationship between the learning data and the defect size based on the learning data.
  • the estimation model generated by this learning unit 142 is transmitted to the estimation model unit 143 and registered in this estimation model unit 143 .
  • Known means such as decision trees, linear regression, random forests, support vector machines, Gaussian process regression, and neural networks are examples of means for generating an estimation model in the learning unit 142 .
  • the probability of occurrence of defects of a specific size, the density of occurrence of defects per specific region (area or volume), and the like may also be learned.
  • FIG. 10 is a flow chart showing the procedure for determining welding conditions.
  • the shape detection unit 21 arranged side by side on the welding torch 27 measures the surface shapes of the existing bead B and the bead forming surface G. Thereby, the shape of the narrow portion N on the bead forming surface G is measured (S1).
  • the feature values W, U, and H regarding the narrow portion N are calculated (S2).
  • the feature values W, U, and H may be calculated by fitting a model function simulating the narrow portion N prepared in advance.
  • a shape profile obtained by measurement may be subjected to smoothing processing or the like before fitting with a model function.
  • the calculated feature values W, U, and H, the welding conditions for the bead B to be formed on the bead forming surface G, and the information on the target position of the welding torch 27 are input to the estimation model unit 143 to obtain the estimated value of the defect size (S3 ).
  • the determination unit 151 compares the estimated value of the defect size obtained by the estimation model unit 143 with a preset allowable value, and determines whether the estimated value is equal to or less than the allowable value (S4).
  • This allowable value is the value of the allowable limit size, which is the allowable defect size. Note that the allowable limit size may be set for each modeled object to be modeled or for each material used for modelling.
  • the welding plan correction unit 152 searches for conditions for suppressing the defect size to the allowable limit size or less (S5). For example, the welding plan correction unit 152 corrects the welding plan such as the welding conditions of the bead B to be formed on the bead formation planned surface G and the target position of the welding torch 27, and transmits the corrected welding plan to the estimation model unit 143. . As a result, the estimated value of the defect size is obtained again (S3), and the determination unit 151 compares and determines the estimated value of the defect size that has been obtained again and the allowable value. Then, the correction of the welding plan by the welding plan correction unit 152, the estimation of the defect size by the estimation model unit 143, and the determination by the determination unit 151 are repeated.
  • an estimated model is generated by learning the relationship between the welding conditions, the dimensions and positional relationship of the narrow portion, and the defect size.
  • the bottom interval (bottom width) U of the valley portion of the narrow portion N serving as a base
  • the opening width (bead interval) representing the interval between the top portions on both sides of the valley portion forming the valley portion. W and/or the valley depth H from the top to the bottom of the valley.
  • the defect size can be predicted with high accuracy.
  • learning an index related to the volume of the bead B or the amount of heat input it is possible to incorporate into machine learning the relationship as to whether or not the narrow portion N of the front layer can be completely filled.
  • the estimated defect size of the defect C is compared with a reference value that is a predetermined allowable limit, even if the occurrence of the defect C is foreseen, the estimated defect C is harmless or harmful. By determining whether it is a defect, unnecessary defect handling can be suppressed.
  • the welding conditions suitable for suppressing the defect C and the target position of the welding torch 27 can be extracted.
  • arc welding can be performed by welding conditions suitable for suppressing defects C and the target position of the welding torch, and a model can be formed while suppressing defects C such as unwelded defects in the narrow portion N.
  • the learning unit 142 registers the variance of the defect size in addition to the defect size in the estimation model unit 143, and the estimation model unit 143 registers this information according to the input information. Corresponding defect sizes and their dispersion values may be output.
  • FIG. 11 is a graph showing the relationship between the measured value and the predicted value of the defect size.
  • the defect size is the diameter when the shape of the defect is approximated by a perfect circle.
  • the predicted value of the defect size (the predicted value of the diameter equivalent to the defect) varies to some extent with respect to the measured value of the defect size (the measured value of the diameter equivalent to the defect). Decrease in range. That is, the defect size can be predicted with high accuracy especially when the depth of the narrow portion N is 2 mm to 4 mm.
  • the learning unit 142 registers the variance of the defect size in the estimation model unit 143, and the estimation model unit 143 can output the defect size and its variance value.
  • Defect C can be predicted in consideration of variations.
  • An estimation model that learns the defect size of an unwelded defect that occurs inside a layered product in which a plurality of beads are layered on a base material, and outputs the defect size according to the input information.
  • a learning device that generates Welding conditions when laminating the beads, dimensions related to narrow portions forming valleys in the surface shape of the laminate model before laminating the beads, positional relationship between the narrow portions and the target positions of the beads, and an information acquisition unit that acquires information on the size of the unwelded defect; a learning unit that learns the relationship between the welding conditions, the dimensions of the narrow portion, the positional relationship, and the defect size to generate the estimated model;
  • the dimension of the narrow portion is at least one of the width of the bottom of the valley, the width of the opening representing the distance between the tops on both sides of the valley forming the valley, and the depth of the valley from the top to the bottom of the valley.
  • a learning device including This learning device learns the relationship between the welding conditions, the dimensions and the positional relationship of the narrow portion, and the defect size to generate an estimation model.
  • the dimensions of the narrow portion the bottom width of the valley of the narrow portion that forms the base, the opening width representing the interval between the tops on both sides of the valley forming the valley, and the depth of the valley from the top to the bottom of the valley. use at least one of In this way, by performing machine learning based on the shape of the underlying narrow portion and the conditions of the bead laminated thereon, it is possible to accurately predict the defect size even with a relatively small amount of data.
  • the welding conditions include at least one of a welding wire feeding speed, a welding speed, a welding current, a welding voltage, a torch angle of a welding torch, a volume of the bead, and a cross-sectional area perpendicular to the longitudinal direction of the bead.
  • the learning device according to (1) comprising: According to this learning device, at least one of the welding wire feed speed, welding speed, welding current, welding voltage, torch angle of the welding torch, bead volume, and cross-sectional area perpendicular to the longitudinal direction of the bead is included.
  • the defect size includes a cross-sectional area or length in a cross section perpendicular to the longitudinal direction of the bead. According to this learning device, a highly accurate estimation model can be generated for the defect size using the defect size including the cross-sectional area or length in the cross section perpendicular to the longitudinal direction of the bead.
  • the learning unit registers, in the estimation model, the dispersion of the defect sizes in addition to the defect sizes with respect to the welding conditions, the dimensions of the narrow portion, and the positional relationship;
  • the learning device according to any one of (1) to (4), wherein the estimation model is capable of outputting the defect size and its variance value corresponding to input information according to the information. According to this learning device, by outputting the variance value together with the defect size, it is possible to judge the reliability of the estimation, and based on the reliability, it is possible to determine the range of practically reliable estimation values.
  • the learning device according to any one of (1) to (5); Welding planning information including at least dimensional information and the positional relationship regarding the narrow portion is input to the estimation model, and an estimated value of the defect size of the unwelded defect and a predetermined allowable limit output from the estimation model. a determination unit that compares a reference value that becomes A defect determination device. According to this defect determination device, by providing a determination unit that compares the estimated value of the defect size of the unwelded defect with a reference value that is a predetermined allowable limit, the defect can be estimated even if the occurrence of the defect is foreseen. By determining whether a defect is a harmless defect or a harmful defect, unnecessary defect handling can be suppressed.
  • (7) further comprising a welding plan correction unit that corrects at least one of the welding conditions and the positional relationship to create a corrected welding plan when the determination unit determines that the reference value is exceeded;
  • the welding plan correction unit repeats correction of the welding plan until the estimated value of the defect size according to the information of the corrected welding plan output by the estimation model is equal to or less than the reference value. judgment device. According to this defect determination device, by repeating the correction of the welding plan, the calculation of the estimated value, and the determination of the estimated value, it is possible to extract the welding conditions and the target position of the welding torch that are suitable for suppressing unwelded defects.
  • An estimation model that learns the defect size of an unwelded defect that occurs inside a layered product in which a plurality of beads are layered on a base material, and outputs the defect size according to the input information.
  • a learning method that generates Welding conditions when laminating the beads, dimensions related to narrow portions forming valleys in the surface shape of the laminate model before laminating the beads, positional relationship between the narrow portions and the target positions of the beads, and a defect size of the unwelded defect; a step of learning the relationship between the welding conditions, the dimensions of the narrow portion, the positional relationship, and the defect size to generate the estimated model; has The dimension of the narrow portion is at least one of the width of the bottom of the valley, the width of the opening representing the distance between the tops on both sides of the valley forming the valley, and the depth of the valley from the top to the bottom of the valley.
  • an estimated model is generated by learning the relationship between the welding conditions, the dimensions and positional relationship of the narrow portion, and the defect size.
  • the dimensions of the narrow portion the bottom width of the valley of the narrow portion that forms the base, the opening width representing the interval between the tops on both sides of the valley forming the valley, and the depth of the valley from the top to the bottom of the valley.
  • Welding planning information including at least dimensional information and the positional relationship related to the narrow portion is input to the estimation model generated by the learning method described in (8), and the welding plan information output from the estimation model is A defect determination method, wherein an estimated value of a defect size of an unwelded defect is compared with a reference value that is a predetermined allowable limit, and it is determined that the unwelded defect occurs when the estimated value exceeds the reference value. .
  • this defect determination method by comparing the estimated value of the defect size of the unwelded defect with the reference value that is the predetermined allowable limit, even if the occurrence of a defect is foreseen, the estimated defect is harmless. By determining whether a defect is a defect or a harmful defect, unnecessary defect handling can be suppressed.
  • a welding control device comprising a control unit that performs arc welding according to the result output by the defect determination device. According to this welding control device, arc welding can be performed under the welding conditions and the target position of the welding torch that are suitable for suppressing unwelded defects.
  • the welding control device according to (11); a welding robot that performs arc welding; Welding equipment. According to this welding device, it is possible to form a model while suppressing defects such as unwelded defects in the narrow portion.
  • control unit 11 control unit 13 welding robot 27 welding torch 100 welding system 110 welding device 120 welding control device 130 defect determination device 140 learning device 141 data acquisition unit (information acquisition unit) 142 learning unit 143 estimation model unit (estimation model) 151 Judgment part 152 Welding plan correction part B, B1, B2, B3 Bead C Defect (unwelded defect) H Valley depth M Filler material (welding wire) N Narrow part P Base plate (base material) U Bottom width W Opening width ⁇ Torch angle ⁇ Horizontal distance (difference distance)

Landscapes

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

Abstract

学習装置は、ビードを積層する際の溶接条件、ビードを積層する前の積層造形体の表面形状のうち谷部を形成する狭隘部に関する寸法、狭隘部とビードの狙い位置との位置関係、及び未溶着欠陥の欠陥サイズ、に関する情報を取得するデータ取得部と、溶接条件、狭隘部に関する寸法、及び位置関係と、欠陥サイズとの関係を学習して推定モデルを生成する学習部を備え、狭隘部に関する寸法は、谷部の底幅、谷部を形成する谷部両脇の頂部同士の間隔を表す開口幅、頂部から谷部の底までの谷深さの少なくともいずれかを含む。

Description

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
　本発明は、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に関する。
　アーク溶接において、溶接された構造物に発生した欠陥を検出して適正な溶接施工がなされているかを判定する技術が知られている。例えば、特許文献１には、フィルタを通して溶融プールの状況を視覚センサで撮像して溶接状態の良否を判定する技術が開示されている。また、この文献には、視覚センサによる撮像と同時に、溶接電流、電圧及びワイヤ送給速度の計測も行うことも記載されている。
日本国特開２００８－１１０３８８号公報
　ところで、ビードを積層して造形した造形物の品質を非接触で検査する手段として、例えば、超音波探傷による検査手段がある。しかし、この超音波探傷では、探触子を造形物の表面に接触させる都合上、造形物の表面を切削した後でないと適用が困難であり、また、複雑な造形物に対しては超音波の反射波を円滑に検出できないおそれがある。
　また、Ｘ線ＣＴ装置を使用した非接触の検査手段も考えられるが、検査対象のサイズが装置に制約されるうえに装置自体が高価であるため、必ずしも現実的ではない。
　そこで本発明は、欠陥サイズを精度よく予測して欠陥の発生を未然に抑制できる学習装置、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の提供を目的とする。
　本発明は、下記の構成からなる。
（１）　母材上に複数のビードが層状に重ねられた積層造形体の内部に発生する未溶着欠陥の欠陥サイズを学習し、入力された情報に応じた前記欠陥サイズを出力する推定モデルを生成する学習装置であって、
　前記ビードを積層する際の溶接条件、前記ビードを積層する前の前記積層造形体の表面形状のうち谷部を形成する狭隘部に関する寸法、前記狭隘部と前記ビードの狙い位置との位置関係、及び前記未溶着欠陥の欠陥サイズ、に関する情報を取得する情報取得部と、
　前記溶接条件、前記狭隘部に関する寸法、及び前記位置関係と、前記欠陥サイズとの関係を学習して前記推定モデルを生成する学習部を備え、
　前記狭隘部に関する寸法は、前記谷部の底幅、前記谷部を形成する谷部両脇の頂部同士の間隔を表す開口幅、前記頂部から前記谷部の底までの谷深さの少なくともいずれかを含む、
学習装置。
（２）　（１）に記載の学習装置と、
　前記推定モデルに少なくとも前記狭隘部に関する寸法情報と前記位置関係とを含む溶接計画の情報を入力し、前記推定モデルから出力される前記未溶着欠陥の欠陥サイズの推定値と、予め定めた許容限界となる基準値とを比較する判定部と、
を備える、
欠陥判定装置。
（３）　母材上に複数のビードが層状に重ねられた積層造形体の内部に発生する未溶着欠陥の欠陥サイズを学習し、入力された情報に応じた前記欠陥サイズを出力する推定モデルを生成する学習方法であって、
　前記ビードを積層する際の溶接条件、前記ビードを積層する前の前記積層造形体の表面形状のうち谷部を形成する狭隘部に関する寸法、前記狭隘部と前記ビードの狙い位置との位置関係、及び前記未溶着欠陥の欠陥サイズ、に関する情報を取得する工程と、
　前記溶接条件、前記狭隘部に関する寸法、及び前記位置関係と、前記欠陥サイズとの関係を学習して前記推定モデルを生成する工程と、
を有し、
　前記狭隘部に関する寸法は、前記谷部の底幅、前記谷部を形成する谷部両脇の頂部同士の間隔を表す開口幅、前記頂部から前記谷部の底までの谷深さの少なくともいずれかを含む、
学習方法。
（４）　（３）に記載の学習方法によって生成される前記推定モデルに、少なくとも前記狭隘部に関する寸法情報と前記位置関係とを含む溶接計画の情報を入力し、前記推定モデルから出力される前記未溶着欠陥の欠陥サイズの推定値と、予め定めた許容限界となる基準値とを比較して、前記推定値が前記基準値を超える場合に前記未溶着欠陥が生じると判定する、
欠陥判定方法。
（５）　（２）に記載の欠陥判定装置と、
　前記欠陥判定装置により出力された結果に応じてアーク溶接を実行する制御部を備える、溶接制御装置。
（６）　（５）に記載の溶接制御装置と、
　アーク溶接を行う溶接ロボットと、
を備える、
溶接装置。
　本発明によれば、欠陥サイズを精度よく予測して欠陥の発生を未然に抑制させることを可能にする。
図１は、溶接システムの全体構成図である。 図２は、溶接トーチ及び形状検出部と、ビードの形成軌道とを示す模式図である。 図３は、欠陥判定装置の概略的な機能ブロック図である。 図４は、溶接トーチによる狭隘部へのビードの形成状況を示す説明図である。 図５は、既設ビードのビード形成方向に直交する断面における特徴量を説明する説明図である。 図６は、図５に示す既設ビードの間隔を変化させた様子を示す説明図である。 図７は、図５に示す既設ビードの間隔を変化させた様子を示す説明図である。 図８は、欠陥が形成された積層試験体の断面図である。 図９は、欠陥が形成された積層試験体の断面図である。 図１０は、溶接条件を決定する手順を示すフローチャートである。 図１１は、欠陥サイズの実測値と予測値との関係を示すグラフである。
　以下、本発明の構成例について、図面を参照して詳細に説明する。ここでは、ビードを積層して積層造形物を造形する積層造形を例に説明するが、隅肉溶接、突き合わせ溶接等の一般的な溶接についても本発明の適用が可能である。
＜溶接システムの構成＞
　図１は、溶接システムの全体構成図である。
　溶接システム１００は、溶接装置１１０と、溶接制御装置１２０とを備える。溶接制御装置１２０は、制御部１１と、欠陥判定装置１３０とを有している。
（溶接装置）
　まず、溶接装置１１０の構成を説明する。
　溶接装置１１０は、溶接ロボット１３と、ロボット駆動部１５と、溶加材供給部１７と、溶接電源部１９と、形状検出部２１とを備える。これらの溶接ロボット１３、ロボット駆動部１５、溶加材供給部１７、溶接電源部１９及び形状検出部２１は、それぞれ溶接制御装置１２０の制御部１１に接続されている。
　溶接ロボット１３は、多関節ロボットであり、その先端軸に溶接トーチ２７が装着されている。ロボット駆動部１５は、溶接ロボット１３を駆動する指令を出力し、溶接トーチ２７の位置及び姿勢をロボットアームの自由度の範囲で三次元的に任意に設定する。また、溶接トーチ２７の先端には、連続供給される溶加材（溶接ワイヤ）Ｍが支持される。
　溶接トーチ２７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、作製する造形物（構造物）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２７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１７は、溶加材Ｍが巻回されたリール１７ａを備える。溶加材Ｍは、溶加材供給部１７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２７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使用できる。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使用可能である。さらに、求められる特性に応じてアルミニウム、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の使用も可能である。
　溶接電源部１９は、トーチ先端からアークを発生させるための溶接電流及び溶接電圧を溶接トーチ２７に供給する。
　形状検出部２１は、溶接ロボット１３の先端軸又は先端軸の近傍に設けられ、溶接トーチ２７の先端付近を計測領域とする。形状検出部２１は、溶接トーチ２７とは別位置に設けた他の検出手段であってもよい。
　本構成の形状検出部２１は、溶接ロボット１３の駆動によって溶接トーチ２７とともに移動され、ビードＢ及びビードＢを形成する際の下地となる部分の形状を計測する。この形状検出部２１としては、例えば、照射したレーザ光の反射光を高さデータとして取得するレーザセンサを使用できる。また、形状検出部２１として、三次元形状計測用のカメラ等、他の検出手段を用いてもよい。
　上記構成の溶接装置１１０によれば、ロボット駆動部１５に、作製しようとする造形物に応じた造形プログラムが制御部１１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。
　ロボット駆動部１５は、受信した造形プログラムを実行して、溶接ロボット１３、溶加材供給部１７及び溶接電源部１９等を駆動し、造形プログラムに応じてビードＢを形成する。つまり、ロボット駆動部１５は、溶接ロボット１３を駆動して、造形プログラムに設定された溶接トーチ２７の軌道（ビード形成軌道）に沿って溶接トーチ２７を移動させる。これとともに、設定された溶接条件に応じて溶加材供給部１７及び溶接電源部１９を駆動して、溶接トーチ２７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、母材であるベースプレートＰ上に、溶接トーチ２７の軌道に沿ってビードＢが形成される。ビードＢは互いに隣接して形成されて、複数のビードＢからなるビード層を形成する。このビード層の上に次層のビード層が積層される等して、所望の三次元形状の造形物ＷＫが造形される。
　溶接制御装置１２０は、図示を省略するが、ＣＰＵ等のプロセッサと、ＲＯＭ、ＲＡＭ等のメモリと、ＨＤ（ハードディスクドライブ）、ＳＳＤ（ソリッドステートドライブ）等の記憶部とを含むコンピュータデバイスにより構成される。上記した溶接制御装置１２０の各構成要素は、それぞれＣＰＵの指令によって動作して、それぞれの機能を発揮する。また、溶接制御装置１２０は、溶接装置１１０と離隔して配置され、ネットワーク等の通信手段を介して遠隔地から溶接装置１１０に接続される構成であってもよい。
　溶接制御装置１２０を構成する制御部１１は、図１に示すロボット駆動部１５、溶加材供給部１７、溶接電源部１９及び形状検出部２１を統括して制御する機能を有する。制御部１１は、予め用意された駆動プログラム、又は所望の条件で作成した駆動プログラムを実行して、溶接ロボット１３等の各部を駆動する。これにより、駆動プログラムに応じて溶接トーチ２７を移動させ、作成した溶接計画に基づいてベースプレートＰ上に複数層のビードＢを積層することで、多層構造の造形物ＷＫが造形される。
　図２は、溶接トーチ２７及び形状検出部２１と、ビードＢのビード形成軌道とを示す模式図である。
　ビードＢは、溶接トーチ２７がベースプレートＰ上で、予め作成されたビード形成軌道に沿って移動することで順次に形成される。また、溶接トーチ２７を移動させると同時に、形状検出部２１により、既設のビードＢ及びビード形成予定面Ｇの表面形状を計測する。そして、形状検出部２１は、ビードＢ及びビード形成予定面Ｇの表面形状（これらを纏めて形状プロファイルという）を溶接制御装置１２０に出力する。
　形状プロファイルの計測は、ビードＢの形成時と同時に実施することが好ましい。その場合、溶接トーチ２７の移動方向後方に形状検出部２１を配置すればよい。これによれば、溶接トーチ２７の移動によってビードＢを形成しつつ、その移動パスで、形成したビードＢの形状を効率よく計測できるため、タクトタイムの短縮が図れる。この形状プロファイルの計測は、ビードＢの形成時とは別のタイミングで実施してもよく、種々の条件に応じて所望のタイミングで行ってもよい。以下、これから形成する予定の形成前のビードを「新設ビード」、既に形成したビードを「既設ビード」ともいう。
　ここで示す造形物ＷＫは、ビードＢにより形成された枠状の壁部Ａｗと、壁部Ａｗに囲まれた領域内をビードＢで充填する充填部Ａｆとを有する。この充填部Ａｆは、壁部Ａｗを形成した後に形成される。つまり、壁部Ａｗを形成した後、壁部Ａｗの内側で充填部ＡｆとなるビードＢを、点線で示すビード形成軌道Ｆ１～Ｆ３に沿って形成する。その後、ビード形成軌道Ｆ４に沿ってビードＢを形成する。なお、充填部Ａｆ内のビードＢの形成順は任意である。
　図３は、欠陥判定装置１３０の概略的な機能ブロック図である。
　溶接制御装置１２０を構成する欠陥判定装置１３０は、学習装置１４０と、判定部１５１と、溶接計画修正部１５２とを備える。学習装置１４０は、データ取得部（情報取得部）１４１と、学習部１４２と、推定モデル部（推定モデル）１４３とを有する。判定部１５１及び溶接計画修正部１５２は、それぞれ学習装置１４０の推定モデル部１４３に接続されている。
　学習装置１４０では、ベースプレートＰ上に複数のビードＢが層状に重ねられた積層造形体の内部に発生する未溶着欠陥の欠陥サイズを学習し、入力された情報に応じた欠陥サイズを出力する推定モデルを生成する装置である。データ取得部１４１は、ビードＢを積層する際の溶接条件、ビードＢを積層する前の積層造形体の表面形状のうちの谷部を形成する狭隘部に関する寸法、狭隘部とビードＢの狙い位置との位置関係、及び未溶着欠陥の欠陥サイズ、に関する情報を取得する。なお、狭隘部とビードＢの狙い位置との位置関係としては、例えば、狭隘部の中心等の代表位置と、次に形成するビードＢの狙い位置との差分距離が挙げられるが、これに限らない。学習部１４２は、溶接条件、狭隘部に関する寸法、及び位置関係と、欠陥サイズとの関係を学習して推定モデルを生成する。推定モデル部１４３は、学習部１４２によって生成される推定モデルを登録する。
　判定部１５１は、推定モデル部１４３に登録されている推定モデルに対して、狭隘部に関する寸法情報と位置関係とを含む溶接計画の情報を入力する。そして、この推定モデル部１４３から出力される未溶着欠陥の欠陥サイズの推定値と、予め定めた許容限界となる基準値とを比較する。
　溶接計画修正部１５２は、欠陥サイズの推定値が基準値を超えると判定部１５１が判定した場合に、溶接条件と位置関係の少なくともいずれかを修正して修正溶接計画を作成する。そして、この修正溶接計画を推定モデル部１４３へ送信する。
＜学習データの生成＞
　次に、学習データの生成のプロセスについて説明する。
（学習データの準備）
　図４は、溶接トーチ２７による狭隘部ＮへのビードＢの形成状況を示す説明図である。
　まず、学習装置１４０のデータ取得部１４１に取得させる学習データを準備する。具体的には、図４に示すように、学習データとして、狭隘部Ｎを埋めるビードＢの溶接条件、前層におけるビードＢの狭隘部Ｎの形状の特徴量、溶接トーチ２７と狭隘部Ｎの水平距離δを準備する。狭隘部Ｎを埋めるビードＢの溶接条件としては、ビードＢの積層時に設定する溶接電圧及び溶接電流、溶接速度、溶加材Ｍの送給速度、溶接トーチ２７の傾き角度であるトーチ角α、ビードＢの体積、ビードＢの長手方向に直交する断面の断面積などが挙げられる。ここでのトーチ角αは、ビードＢの長手方向に直交する断面内における、長手方向に直交する方向に傾斜する傾き角であるが、ビードＢの長手方向と平行な断面において、長手方向に傾斜する傾き角（トーチ前進角、トーチ後退角）であってもよい。
　図５は、既設ビードＢのビード形成方向に直交する断面における特徴量Ｗ,Ｕ,Ｈの例を示す説明図である。
　前層におけるビードＢの狭隘部Ｎとは、ベースプレート又は下層の既設ビード間に谷状に形成される部位を指し、狭隘部Ｎの形状の特徴量として、少なくともビード間隔Ｗ、底部間隔Ｕ及び平均深さＨの３つの特徴量を抽出する。つまり、ベースプレート又は下層の既設ビードの表面を表す下地面ＦＬ上に、互いに隣り合う一対の既設ビードＢが形成されている場合、前述した底部間隔Ｕ及びビード間隔Ｗに加え、下地面ＦＬからそれぞれのビードＢの頂部Ｐｔまでの平均深さＨを特徴量とする。平均深さＨは、積層方向に関して、一対の既設ビードＢにより形成される谷部の谷底までの谷深さに相当する。
　図６及び図７は、図５に示す既設ビードＢの間隔を変化させた様子を示す説明図である。
　図６に示すように、既設ビードＢが互いに接する位置まで接近した場合、底部間隔Ｕは０となり、平均深さＨは、点線で示す三角形で表されるビード間の谷深さとなる。更に図７に示すように、既設ビードＢ同士が互いに重なる場合には、底部間隔Ｕは０であり、平均深さＨは、図５、図６に示す場合よりも浅くなる。このように、特徴量として底部間隔Ｕと、ビード間隔Ｗと、平均深さＨとの組合せを含むことで、谷部の形状を容易に特定できる。
　これらの特徴量Ｗ，Ｕ，Ｈは、実際に計測して得られる形状プロファイルに対してビードの形状を模擬するモデル関数を当てはめてから算出してもよい。狭隘部Ｎの形状を計測するセンサとしては、本例の形状検出部２１のように、非接触式であると好ましく、さらに溶接トーチ２７の近傍に取り付けてビードＢの表面上を走査しつつ計測するものであることがさらに好ましい。
　溶接トーチ２７と狭隘部Ｎとの水平距離δについては、狭隘部Ｎの代表位置と次にビードＢを盛る中心位置との差分距離として算出する。狭隘部Ｎの代表位置は、例えば深さが最小となる位置あるいは特徴量Ｕで評価される部位の中間点としてもよい。
　図８及び図９は、欠陥Ｃが形成された積層試験体の断面図である。
　欠陥サイズのデータとしては、図８及び図９に示すビードの積層試験体を切断した後に、この切断面を直接観察して測定したものを用いることができる。また、欠陥サイズのデータとしては、ビードの積層試験体をＣＴ装置によって観察して欠陥サイズを求めたデータでもよい。
　ここで、ビードを形成した際に、このビードには、その側縁部の根元部分に凹部が形成され易く、また、側縁部の根元部分に異物が溜まり易い。このため、図８に示すように、一方のビードＢ１の側縁部に重なるように他方のビードＢ２を隣接させて形成した際に、ビードＢ１の側縁部の根元部分にアークが十分接触しないことでわずかに隙間が生じて欠陥（未溶着欠陥）Ｃを生じることがある。また、図９に示すように、隙間をあけて一対のビードＢ１，Ｂ２を形成した際にも、これらのビードＢ１，Ｂ２同士の間の谷部を埋めるようにビードＢ３を形成しても、アークが底部に十分接触しないことで、既設ビードＢ１，Ｂ２の側縁部の根元部分の凹部に未溶着欠陥Ｃを生じることがある。
　なお、欠陥サイズは、ビードＢの長手方向に直交する断面における断面積又は長さを含むサイズであり、例えば、欠陥Ｃの形状を真円で近似した際の直径、近似された円の断面積、あるいは観察される欠陥Ｃの面積、欠陥の形状を楕円近似した際の長軸長さ、短軸長さなどの指標を含む。
（推定モデルの生成）
　準備した学習データを学習装置１４０のデータ取得部１４１へ入力すると、学習部１４２は、学習データに基づいて、学習データと欠陥サイズとの関係からなる推定モデルを生成する。この学習部１４２によって生成された推定モデルは、推定モデル部１４３へ送信され、この推定モデル部１４３に登録される。学習部１４２における推定モデルを生成する手段としては、決定木、線形回帰、ランダムフォレスト、サポートベクターマシン、ガウス過程回帰、ニューラルネットワーク等の公知の手段が挙げられる。このとき、欠陥サイズの他に、特定のサイズの欠陥が生じる確率、特定の領域（面積又は体積）あたりに生じる欠陥の発生密度なども併せて学習させてもよい。
＜溶接条件の決定＞
　次に、溶接制御装置１２０における溶接条件の決定のプロセスについて説明する。
　図１０は、溶接条件を決定する手順を示すフローチャートである。
　予め作成されたビード形成軌道に沿って溶接トーチ２７を移動させることにより、この溶接トーチ２７に並設させた形状検出部２１によって既設のビードＢ及びビード形成予定面Ｇの表面形状を計測する。これにより、ビード形成予定面Ｇにおける狭隘部Ｎの形状を計測する（Ｓ１）。
　測定したビード形成予定面Ｇにおける狭隘部Ｎの形状に基づいて、狭隘部Ｎに関する特徴量Ｗ，Ｕ，Ｈを算出する（Ｓ２）。この特徴量Ｗ，Ｕ，Ｈの算出は、狭隘部Ｎを模擬したモデル関数を予め用意してフィッティングしてもよい。なお、計測で得られた形状プロファイルについて、モデル関数でフィッティングする前に平滑化処理などを行ってもよい。
　算出した特徴量Ｗ，Ｕ，Ｈ、ビード形成予定面Ｇに形成するビードＢの溶接条件及び溶接トーチ２７の狙い位置に関する情報を推定モデル部１４３に入力し、欠陥サイズの推定値を求める（Ｓ３）。
　判定部１５１が、推定モデル部１４３によって求めた欠陥サイズの推定値と予め設定した許容値とを比較し、推定値が許容値以下であるか否かを判定する（Ｓ４）。この許容値は、許容される欠陥のサイズである許容限界サイズの値である。なお、許容限界サイズは造形対象とする造形物又は造形に使用する材料ごとに設定してもよい。
　判定部１５１における判定によって欠陥サイズの推定値が許容値を超える場合は（Ｓ４：Ｎｏ）、溶接計画修正部１５２によって、欠陥サイズが許容限界サイズ以下に抑えられる条件が探索される（Ｓ５）。例えば、溶接計画修正部１５２は、ビード形成予定面Ｇに形成するビードＢの溶接条件、溶接トーチ２７の狙い位置などの溶接計画を修正し、修正後の溶接計画を推定モデル部１４３へ送信する。これにより、欠陥サイズの推定値が再度求められ（Ｓ３）、再度求められた欠陥サイズの推定値と許容値とが判定部１５１によって比較されて判定される。そして、この溶接計画修正部１５２による溶接計画の修正、推定モデル部１４３による欠陥サイズの推定及び判定部１５１による判定を繰り返す。
　判定部１５１における判定によって欠陥サイズの推定値が許容値以下である場合は（Ｓ４：Ｙｅｓ）、推定値を求めるために推定モデル部１４３に入力したビード形成予定面Ｇに形成するビードＢの溶接条件及び溶接トーチ２７の狙い位置等を溶接計画として決定する（Ｓ６）。その後、この溶接計画によってビード形成予定面ＧにビードＢを形成する。
　以上説明した本溶接システム１００によれば、溶接条件、狭隘部に関する寸法、及び位置関係と、欠陥サイズとの関係を学習して推定モデルを生成する。このとき、狭隘部Ｎに関する寸法として、下地となる狭隘部Ｎの谷部の底部間隔（底幅）Ｕ、谷部を形成する谷部両脇の頂部同士の間隔を表す開口幅（ビード間隔）Ｗ、頂部から谷部の底までの谷深さＨの少なくともいずれかを用いる。このように、下地となる狭隘部Ｎの形状とその上に積層するビードＢの条件をベースに機械学習させることで、データ数が比較的少なくても、欠陥サイズを精度よく予測できる。
　また、溶加材Ｍの送給速度、溶接速度、溶接電流、溶接電圧、溶接トーチ２７のトーチ角α、ビードＢの体積、ビードＢの長手方向に直交する断面の断面積の少なくともいずれかを含む溶接条件を用いて推定モデルを生成することで、欠陥サイズを精度よく予測できる。特に、ビードＢの体積または入熱量に関する指標を学習することで、前層の狭隘部Ｎを充填しきれるか否かの関係を機械学習に取り入れることができる。
　しかも、欠陥Ｃの欠陥サイズの推定値と、予め定めた許容限界となる基準値とを比較することで、欠陥Ｃの発生が予見されても、推定される欠陥Ｃが無害な欠陥か有害な欠陥か判定して、不必要な欠陥対応を抑制できる。
　そして、溶接計画の修正、推定値の算出及び推定値の判定を繰り返すことで、欠陥Ｃの抑制に適した溶接条件及び溶接トーチ２７の狙い位置を抽出できる。
　これにより、欠陥Ｃの抑制に適した溶接条件及び溶接トーチの狙い位置によってアーク溶接を実行させることができ、狭隘部Ｎにおける未溶着欠陥等の欠陥Ｃを抑制しつつ造形物を造形できる。
　なお、上記構成の学習装置１４０において、学習部１４２が、欠陥サイズに加え、欠陥サイズの分散を推定モデル部１４３に登録し、推定モデル部１４３が、入力される情報に応じて、この情報に対応した欠陥サイズとその分散値とを出力可能としてもよい。
　ここで、図１１は、欠陥サイズの実測値と予測値との関係を示すグラフである。なお、図１１では、欠陥サイズを、欠陥の形状を真円で近似した際の直径としている。欠陥サイズの予測値（欠陥相当直径予測値）は、欠陥サイズの実測値（欠陥相当直径実測値）に対してある程度のばらつきが生じ、このばらつきは、狭隘部Ｎの深さが２ｍｍ～４ｍｍの範囲で減少する。つまり、欠陥サイズは、特に、狭隘部Ｎの深さが、２ｍｍ～４ｍｍの場合に高い精度で予測可能である。
　学習部１４２が、欠陥サイズに加え、欠陥サイズの分散を推定モデル部１４３に登録し、推定モデル部１４３が、欠陥サイズとその分散値とを出力可能とすることにより、欠陥サイズに応じて生じるばらつきを考慮した欠陥Ｃの予測が可能となる。
　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）　母材上に複数のビードが層状に重ねられた積層造形体の内部に発生する未溶着欠陥の欠陥サイズを学習し、入力された情報に応じた前記欠陥サイズを出力する推定モデルを生成する学習装置であって、
　前記ビードを積層する際の溶接条件、前記ビードを積層する前の前記積層造形体の表面形状のうち谷部を形成する狭隘部に関する寸法、前記狭隘部と前記ビードの狙い位置との位置関係、及び前記未溶着欠陥の欠陥サイズ、に関する情報を取得する情報取得部と、
　前記溶接条件、前記狭隘部に関する寸法、及び前記位置関係と、前記欠陥サイズとの関係を学習して前記推定モデルを生成する学習部を備え、
　前記狭隘部に関する寸法は、前記谷部の底幅、前記谷部を形成する谷部両脇の頂部同士の間隔を表す開口幅、前記頂部から前記谷部の底までの谷深さの少なくともいずれかを含む、学習装置。
　この学習装置によれば、溶接条件、狭隘部に関する寸法、及び位置関係と、欠陥サイズとの関係を学習して推定モデルを生成する。このとき、狭隘部に関する寸法として、下地となる狭隘部の谷部の底幅、谷部を形成する谷部両脇の頂部同士の間隔を表す開口幅、頂部から谷部の底までの谷深さの少なくともいずれかを用いる。このように、下地となる狭隘部の形状とその上に積層するビードの条件をベースに機械学習させることで、データ数が比較的少なくても、欠陥サイズを精度よく予測できる。
（２）　前記溶接条件は、溶接ワイヤの送給速度、溶接速度、溶接電流、溶接電圧、溶接トーチのトーチ角、前記ビードの体積、前記ビードの長手方向に直交する断面の断面積の少なくともいずれかを含む、（１）に記載の学習装置。
　この学習装置によれば、溶接ワイヤの送給速度、溶接速度、溶接電流、溶接電圧、溶接トーチのトーチ角、ビードの体積、ビードの長手方向に直交する断面の断面積の少なくともいずれかを含む溶接条件を用いて推定モデルを生成することで、欠陥サイズを精度よく予測できる。特に、ビードの体積または入熱量に関する指標を学習することで、前層の狭隘部を充填しきれるか否かの関係を機械学習に取り入れることができる。
（３）　前記位置関係は、前記狭隘部の代表位置と、次に形成する前記ビードの狙い位置との差分距離を含む、（１）又は（２）に記載の学習装置。
　この学習装置によれば、狭隘部の代表位置と、次に形成する前記ビードの狙い位置との差分距離を含む位置関係を用いて精度の高い推定モデルを生成できる。
（４）　前記欠陥サイズは、前記ビードの長手方向に直交する断面における断面積又は長さを含む、（１）～（３）のいずれか１つに記載の学習装置。
　この学習装置によれば、欠陥サイズは、前記ビードの長手方向に直交する断面における断面積又は長さを含む欠陥サイズを用いて精度の高い推定モデルを生成できる。
（５）　前記学習部は、前記溶接条件、前記狭隘部に関する寸法、及び前記位置関係に対する前記欠陥サイズに加えて、前記欠陥サイズの分散を前記推定モデルに登録し、
　前記推定モデルは、入力される情報に応じて、該情報に対応した前記欠陥サイズとその分散値とを出力可能である、（１）～（４）のいずれか１つに記載の学習装置。
　この学習装置によれば、欠陥サイズと併せて分散値を出力させることで、推定の信頼性を判断でき、その信頼性を基に実用上信頼できる推定値の範囲を定めることができる。
（６）　（１）～（５）のいずれか１つに記載の学習装置と、
　前記推定モデルに少なくとも前記狭隘部に関する寸法情報と前記位置関係とを含む溶接計画の情報を入力し、前記推定モデルから出力される前記未溶着欠陥の欠陥サイズの推定値と、予め定めた許容限界となる基準値とを比較する判定部と、
を備える、欠陥判定装置。
　この欠陥判定装置によれば、未溶着欠陥の欠陥サイズの推定値と、予め定めた許容限界となる基準値とを比較する判定部を備えることで、欠陥発生が予見されても、推定される欠陥が無害な欠陥か有害な欠陥か判定して、不必要な欠陥対応を抑制できる。
（７）　前記判定部が前記基準値を超えると判定した場合に、前記溶接条件と前記位置関係の少なくともいずれかを修正して修正溶接計画を作成する溶接計画修正部を更に備え、
　前記推定モデルが出力する前記修正溶接計画の情報に応じた前記欠陥サイズの推定値が前記基準値以下となるまで前記溶接計画修正部による前記溶接計画の修正を繰り返す、（６）に記載の欠陥判定装置。
　この欠陥判定装置によれば、溶接計画の修正、推定値の算出及び推定値の判定を繰り返すことで、未溶着欠陥の抑制に適した溶接条件及び溶接トーチの狙い位置を抽出できる。
（８）　母材上に複数のビードが層状に重ねられた積層造形体の内部に発生する未溶着欠陥の欠陥サイズを学習し、入力された情報に応じた前記欠陥サイズを出力する推定モデルを生成する学習方法であって、
　前記ビードを積層する際の溶接条件、前記ビードを積層する前の前記積層造形体の表面形状のうち谷部を形成する狭隘部に関する寸法、前記狭隘部と前記ビードの狙い位置との位置関係、及び前記未溶着欠陥の欠陥サイズ、に関する情報を取得する工程と、
　前記溶接条件、前記狭隘部に関する寸法、及び前記位置関係と、前記欠陥サイズとの関係を学習して前記推定モデルを生成する工程と、
を有し、
　前記狭隘部に関する寸法は、前記谷部の底幅、前記谷部を形成する谷部両脇の頂部同士の間隔を表す開口幅、前記頂部から前記谷部の底までの谷深さの少なくともいずれかを含む、学習方法。
　この学習方法によれば、溶接条件、狭隘部に関する寸法、及び位置関係と、欠陥サイズとの関係を学習して推定モデルを生成する。このとき、狭隘部に関する寸法として、下地となる狭隘部の谷部の底幅、谷部を形成する谷部両脇の頂部同士の間隔を表す開口幅、頂部から谷部の底までの谷深さの少なくともいずれかを用いる。このように、下地となる狭隘部の形状とその上に積層するビードの条件をベースに機械学習させることで、データ数が比較的少なくても、欠陥サイズを精度よく予測できる。
（９）　（８）に記載の学習方法によって生成される前記推定モデルに、少なくとも前記狭隘部に関する寸法情報と前記位置関係とを含む溶接計画の情報を入力し、前記推定モデルから出力される前記未溶着欠陥の欠陥サイズの推定値と、予め定めた許容限界となる基準値とを比較して、前記推定値が前記基準値を超える場合に前記未溶着欠陥が生じると判定する、欠陥判定方法。
　この欠陥判定方法によれば、未溶着欠陥の欠陥サイズの推定値と、予め定めた許容限界となる基準値とを比較することで、欠陥発生が予見されても、推定される欠陥が無害な欠陥か有害な欠陥か判定して、不必要な欠陥対応を抑制できる。
（１０）　前記基準値を超えると判定した場合に、前記溶接条件と前記位置関係の少なくともいずれかを修正して修正溶接計画を作成し、
　前記修正溶接計画を前記推定モデルに入力し、
　前記推定モデルが出力する前記修正溶接計画の情報に応じた前記欠陥サイズの推定値が前記基準値以下となるまで前記溶接計画の修正を繰り返す、（９）に記載の欠陥判定方法。
　この欠陥判定方法によれば、溶接計画の修正、推定値の算出及び推定値の判定を繰り返すことで、未溶着欠陥の抑制に適した溶接条件及び溶接トーチの狙い位置を抽出できる。
（１１）　（６）又は（７）に記載の欠陥判定装置と、
　前記欠陥判定装置により出力された結果に応じてアーク溶接を実行する制御部を備える、溶接制御装置。
　この溶接制御装置によれば、未溶着欠陥の抑制に適した溶接条件及び溶接トーチの狙い位置によってアーク溶接を実行させることができる。
（１２）　（１１）に記載の溶接制御装置と、
　アーク溶接を行う溶接ロボットと、
を備える、溶接装置。
　この溶接装置によれば、狭隘部における未溶着欠陥等の欠陥を抑制しつつ造形物を造形できる。
　なお、本出願は、２０２２年２月１４日出願の日本特許出願（特願２０２２－０２０６８６）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　制御部
　１３　溶接ロボット
　２７　溶接トーチ
１００　溶接システム
１１０　溶接装置
１２０　溶接制御装置
１３０　欠陥判定装置
１４０　学習装置
１４１　データ取得部（情報取得部）
１４２　学習部
１４３　推定モデル部（推定モデル）
１５１　判定部
１５２　溶接計画修正部
　Ｂ，Ｂ１，Ｂ２，Ｂ３　ビード
　Ｃ　欠陥（未溶着欠陥）
　Ｈ　谷深さ
　Ｍ　溶加材（溶接ワイヤ）
　Ｎ　狭隘部
　Ｐ　ベースプレート（母材）
　Ｕ　底幅
　Ｗ　開口幅
　α　トーチ角
　δ　水平距離（差分距離）

Claims (21)

  1. 　母材上に複数のビードが層状に重ねられた積層造形体の内部に発生する未溶着欠陥の欠陥サイズを学習し、入力された情報に応じた前記欠陥サイズを出力する推定モデルを生成する学習装置であって、
    　前記ビードを積層する際の溶接条件、前記ビードを積層する前の前記積層造形体の表面形状のうち谷部を形成する狭隘部に関する寸法、前記狭隘部と前記ビードの狙い位置との位置関係、及び前記未溶着欠陥の欠陥サイズ、に関する情報を取得する情報取得部と、
    　前記溶接条件、前記狭隘部に関する寸法、及び前記位置関係と、前記欠陥サイズとの関係を学習して前記推定モデルを生成する学習部を備え、
    　前記狭隘部に関する寸法は、前記谷部の底幅、前記谷部を形成する谷部両脇の頂部同士の間隔を表す開口幅、前記頂部から前記谷部の底までの谷深さの少なくともいずれかを含む、
    学習装置。
  2. 　前記溶接条件は、溶接ワイヤの送給速度、溶接速度、溶接電流、溶接電圧、溶接トーチのトーチ角、前記ビードの体積、前記ビードの長手方向に直交する断面の断面積の少なくともいずれかを含む、
    請求項１に記載の学習装置。
  3. 　前記位置関係は、前記狭隘部の代表位置と、次に形成する前記ビードの狙い位置との差分距離を含む、
    請求項１に記載の学習装置。
  4. 　前記位置関係は、前記狭隘部の代表位置と、次に形成する前記ビードの狙い位置との差分距離を含む、
    請求項２に記載の学習装置。
  5. 　前記欠陥サイズは、前記ビードの長手方向に直交する断面における断面積又は長さを含む、
    請求項１～４のいずれか１項に記載の学習装置。
  6. 　前記学習部は、前記溶接条件、前記狭隘部に関する寸法、及び前記位置関係に対する前記欠陥サイズに加えて、前記欠陥サイズの分散を前記推定モデルに登録し、
    　前記推定モデルは、入力される情報に応じて、該情報に対応した前記欠陥サイズとその分散値とを出力可能である、
    請求項１～４のいずれか１項に記載の学習装置。
  7. 　前記学習部は、前記溶接条件、前記狭隘部に関する寸法、及び前記位置関係に対する前記欠陥サイズに加えて、前記欠陥サイズの分散を前記推定モデルに登録し、
    　前記推定モデルは、入力される情報に応じて、該情報に対応した前記欠陥サイズとその分散値とを出力可能である、
    請求項５に記載の学習装置。
  8. 　請求項１～４のいずれか１項に記載の学習装置と、
    　前記推定モデルに少なくとも前記狭隘部に関する寸法情報と前記位置関係とを含む溶接計画の情報を入力し、前記推定モデルから出力される前記未溶着欠陥の欠陥サイズの推定値と、予め定めた許容限界となる基準値とを比較する判定部と、
    を備える、
    欠陥判定装置。
  9. 　請求項５に記載の学習装置と、
    　前記推定モデルに少なくとも前記狭隘部に関する寸法情報と前記位置関係とを含む溶接計画の情報を入力し、前記推定モデルから出力される前記未溶着欠陥の欠陥サイズの推定値と、予め定めた許容限界となる基準値とを比較する判定部と、
    を備える、
    欠陥判定装置。
  10. 　請求項６に記載の学習装置と、
    　前記推定モデルに少なくとも前記狭隘部に関する寸法情報と前記位置関係とを含む溶接計画の情報を入力し、前記推定モデルから出力される前記未溶着欠陥の欠陥サイズの推定値と、予め定めた許容限界となる基準値とを比較する判定部と、
    を備える、
    欠陥判定装置。
  11. 　請求項７に記載の学習装置と、
    　前記推定モデルに少なくとも前記狭隘部に関する寸法情報と前記位置関係とを含む溶接計画の情報を入力し、前記推定モデルから出力される前記未溶着欠陥の欠陥サイズの推定値と、予め定めた許容限界となる基準値とを比較する判定部と、
    を備える、
    欠陥判定装置。
  12. 　前記判定部が前記基準値を超えると判定した場合に、前記溶接条件と前記位置関係の少なくともいずれかを修正して修正溶接計画を作成する溶接計画修正部を更に備え、
    　前記推定モデルが出力する前記修正溶接計画の情報に応じた前記欠陥サイズの推定値が前記基準値以下となるまで前記溶接計画修正部による前記溶接計画の修正を繰り返す、
    請求項８に記載の欠陥判定装置。
  13. 　前記判定部が前記基準値を超えると判定した場合に、前記溶接条件と前記位置関係の少なくともいずれかを修正して修正溶接計画を作成する溶接計画修正部を更に備え、
    　前記推定モデルが出力する前記修正溶接計画の情報に応じた前記欠陥サイズの推定値が前記基準値以下となるまで前記溶接計画修正部による前記溶接計画の修正を繰り返す、
    請求項９に記載の欠陥判定装置。
  14. 　前記判定部が前記基準値を超えると判定した場合に、前記溶接条件と前記位置関係の少なくともいずれかを修正して修正溶接計画を作成する溶接計画修正部を更に備え、
    　前記推定モデルが出力する前記修正溶接計画の情報に応じた前記欠陥サイズの推定値が前記基準値以下となるまで前記溶接計画修正部による前記溶接計画の修正を繰り返す、
    請求項１０に記載の欠陥判定装置。
  15. 　母材上に複数のビードが層状に重ねられた積層造形体の内部に発生する未溶着欠陥の欠陥サイズを学習し、入力された情報に応じた前記欠陥サイズを出力する推定モデルを生成する学習方法であって、
    　前記ビードを積層する際の溶接条件、前記ビードを積層する前の前記積層造形体の表面形状のうち谷部を形成する狭隘部に関する寸法、前記狭隘部と前記ビードの狙い位置との位置関係、及び前記未溶着欠陥の欠陥サイズ、に関する情報を取得する工程と、
    　前記溶接条件、前記狭隘部に関する寸法、及び前記位置関係と、前記欠陥サイズとの関係を学習して前記推定モデルを生成する工程と、
    を有し、
    　前記狭隘部に関する寸法は、前記谷部の底幅、前記谷部を形成する谷部両脇の頂部同士の間隔を表す開口幅、前記頂部から前記谷部の底までの谷深さの少なくともいずれかを含む、
    学習方法。
  16. 　請求項１５に記載の学習方法によって生成される前記推定モデルに、少なくとも前記狭隘部に関する寸法情報と前記位置関係とを含む溶接計画の情報を入力し、前記推定モデルから出力される前記未溶着欠陥の欠陥サイズの推定値と、予め定めた許容限界となる基準値とを比較して、前記推定値が前記基準値を超える場合に前記未溶着欠陥が生じると判定する、
    欠陥判定方法。
  17. 　前記基準値を超えると判定した場合に、前記溶接条件と前記位置関係の少なくともいずれかを修正して修正溶接計画を作成し、
    　前記修正溶接計画を前記推定モデルに入力し、
    　前記推定モデルが出力する前記修正溶接計画の情報に応じた前記欠陥サイズの推定値が前記基準値以下となるまで前記溶接計画の修正を繰り返す、
    請求項１６に記載の欠陥判定方法。
  18. 　請求項８記載の欠陥判定装置と、
    　前記欠陥判定装置により出力された結果に応じてアーク溶接を実行する制御部を備える、溶接制御装置。
  19. 　請求項１２記載の欠陥判定装置と、
    　前記欠陥判定装置により出力された結果に応じてアーク溶接を実行する制御部を備える、溶接制御装置。
  20. 　請求項１８に記載の溶接制御装置と、
    　アーク溶接を行う溶接ロボットと、
    を備える、
    溶接装置。
  21. 　請求項１９に記載の溶接制御装置と、
    　アーク溶接を行う溶接ロボットと、
    を備える、
    溶接装置。
PCT/JP2022/048297 2022-02-14 2022-12-27 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 WO2023153105A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022020686A JP2023117885A (ja) 2022-02-14 2022-02-14 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
JP2022-020686 2022-02-14

Publications (1)

Publication Number Publication Date
WO2023153105A1 true WO2023153105A1 (ja) 2023-08-17

Family

ID=87564186

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/048297 WO2023153105A1 (ja) 2022-02-14 2022-12-27 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

Country Status (2)

Country Link
JP (1) JP2023117885A (ja)
WO (1) WO2023153105A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP2021009126A (ja) * 2019-07-03 2021-01-28 株式会社ジェイテクト 付加製造物の品質推定装置
WO2022019120A1 (ja) * 2020-07-20 2022-01-27 株式会社神戸製鋼所 欠陥発生予測方法、及び欠陥発生予測装置
WO2022019013A1 (ja) * 2020-07-20 2022-01-27 株式会社神戸製鋼所 機械学習装置、積層造形システム、溶接条件の機械学習方法、溶接条件の決定方法、およびプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP2021009126A (ja) * 2019-07-03 2021-01-28 株式会社ジェイテクト 付加製造物の品質推定装置
WO2022019120A1 (ja) * 2020-07-20 2022-01-27 株式会社神戸製鋼所 欠陥発生予測方法、及び欠陥発生予測装置
WO2022019013A1 (ja) * 2020-07-20 2022-01-27 株式会社神戸製鋼所 機械学習装置、積層造形システム、溶接条件の機械学習方法、溶接条件の決定方法、およびプログラム

Also Published As

Publication number Publication date
JP2023117885A (ja) 2023-08-24

Similar Documents

Publication Publication Date Title
JP7068950B2 (ja) 溶接設計支援方法、及びプログラム
JP6912636B1 (ja) 積層造形物の製造システム、積層造形物の製造方法、及び積層造形物の製造プログラム
WO2021009963A1 (ja) 溶接作業データ蓄積装置、溶接作業支援システムおよび溶接ロボット制御装置
KR102120414B1 (ko) 용접부위 형상과 3d 좌표 측정을 이용한 용접 자동화시스템 및 이를 이용한 용접 방법
JP2009220155A (ja) 溶接品質検査方法および装置
JP2020189324A (ja) 構造体の製造システム及び製造方法
JP7422337B2 (ja) リペア溶接制御装置およびリペア溶接制御方法
WO2023153105A1 (ja) 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
JP6278852B2 (ja) 金属キャスク用伝熱銅フィンの溶接方法及び伝熱銅フィン付き金属キャスク
CN109926703A (zh) 焊接位置检测装置、焊接位置检测方法及焊接机器人系统
Steele et al. Development of closed‐loop control of robotic welding processes
WO2023068055A1 (ja) 溶接監視方法及び溶接監視装置、並びに積層造形方法及び積層造形装置
WO2022163328A1 (ja) 造形履歴監視装置、造形物の製造システム及び造形履歴監視方法
WO2024090024A1 (ja) 造形支援情報生成方法及び造形支援情報生成装置、造形支援方法及び造形支援装置、並びにプログラム
WO2024018803A1 (ja) 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
JP2022074401A (ja) 積層造形物の製造方法、積層造形物の製造システム、及び積層造形物の製造プログラム
WO2023204031A1 (ja) 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
JP2023010548A (ja) 欠陥監視装置、欠陥監視方法、溶接支援システム及び溶接システム
WO2024029276A1 (ja) 制御情報修正方法、制御情報修正装置及びプログラム
Sudhakaran et al. Prediction of angular distortion in gas tungsten arc welded 202 grade stainless steel plates using artificial neural networks–An experimental approach
JP7398241B2 (ja) 重ね継手の溶接検査装置及び方法
CN117644327B (zh) 一种自动焊接系统
WO2024004768A1 (ja) 積層造形装置の制御方法及び制御装置並びにプログラム
CN117580674A (zh) 缺陷监视装置、缺陷监视方法、焊接支援系统以及焊接系统
JP2024016872A (ja) 溶接装置

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: 22926119

Country of ref document: EP

Kind code of ref document: A1