レーザ溶接システムの異常検出方法
【課題】異常要素を簡易且つ精度よく検出する。
【解決手段】基準用ワークに溶接部を形成すると共に、その際の溶接状態に関する基準用状態データを取得し、基準用状態データを正規化することで基準用正規化データを求め、基準用正規化データに基づいてＭＴシステムのＳＮ比を算出し、このＳＮ比をニューラルネットワークに教師データとして適用する（Ｓ１１〜１５）。そして、かかるＳＮ比の適用を複数の基準用被加工物に対して実施することで、ニューラルネットワークモデルを構築する（Ｓ１６）。続いて、加工用ワークに溶接部を形成すると共に、その際の溶接状態に関する加工用状態データを取得し、加工用状態データを正規化することで加工用正規化データを求め、加工用正規化データに基づいてＭＴシステムのＳＮ比を算出し、このＳＮ比及び構築したニューラルネットワークモデルに基づいて異常要素を検出する。
【解決手段】基準用ワークに溶接部を形成すると共に、その際の溶接状態に関する基準用状態データを取得し、基準用状態データを正規化することで基準用正規化データを求め、基準用正規化データに基づいてＭＴシステムのＳＮ比を算出し、このＳＮ比をニューラルネットワークに教師データとして適用する（Ｓ１１〜１５）。そして、かかるＳＮ比の適用を複数の基準用被加工物に対して実施することで、ニューラルネットワークモデルを構築する（Ｓ１６）。続いて、加工用ワークに溶接部を形成すると共に、その際の溶接状態に関する加工用状態データを取得し、加工用状態データを正規化することで加工用正規化データを求め、加工用正規化データに基づいてＭＴシステムのＳＮ比を算出し、このＳＮ比及び構築したニューラルネットワークモデルに基づいて異常要素を検出する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、レーザ溶接システムにおいて異常を検出するためのレーザ溶接システムの異常検出方法に関する。
【背景技術】
【０００２】
従来のレーザ溶接システムの異常検出方法としては、被加工物にレーザビームを照射して溶接部を形成すると共に、その際の溶接状態に関する状態データを取得し、この状態データに基づいて溶接異常の有無を判別するものが知られている（例えば、特許文献１参照）。
【特許文献１】特開２００７−２５３２２０号公報
【発明の開示】
【発明が解決しようとする課題】
【０００３】
ここで、上記のレーザ溶接システムの異常検出方法においては、前述のように溶接異常の有無を判別できるものの、レーザ溶接を構成する要素（例えば、レーザ発信器、ガスノズルの設置姿勢、ガス成分及びガス流量等）の何れが異常要素であるのかを精度よく検出することは困難である。また、近年のレーザ溶接システムの異常検出方法では、簡易に異常要素を検出できるものが特に望まれている。
【０００４】
そこで、本発明は、異常要素を簡易且つ精度よく検出することができるレーザ溶接システムの異常検出方法を提供することを課題とする。
【課題を解決するための手段】
【０００５】
上記課題を解決するため、本発明に係るレーザ溶接システムの異常検出方法は、レーザビームの照射で被加工物に溶接部を形成するレーザ溶接システムにおいて異常を検出するための異常検出方法であって、異常要素を検出するためのニューラルネットワークモデルを構築する溶接前工程と、溶接前工程で構築されたニューラルネットワークモデルに基づいて異常要素を検出する溶接本工程と、を備え、溶接前工程は、基準用被加工物にレーザビームを照射して溶接部を形成すると共に、その際の溶接状態に関する基準用状態データを取得する第１工程と、取得した基準用状態データを正規化することで基準用正規化データを求める第２工程と、求めた基準用正規化データに基づいてＭＴシステムのＳＮ比を算出し、このＳＮ比をニューラルネットワークに教師データとして適用する第３工程と、第１〜３工程を複数の基準用被加工物に対して実施することで、ニューラルネットワークモデルを構築する第４工程と、を含み、溶接本工程は、加工用被加工物にレーザビームを照射して溶接部を形成すると共に、その際の溶接状態に関する加工用状態データを取得する第５工程と、取得した加工用状態データを正規化することで加工用正規化データを求める第６工程と、求めた加工用正規化データに基づいてＭＴシステムのＳＮ比を算出し、このＳＮ比及び溶接前工程で構築されたニューラルネットワークモデルに基づいて異常要素を検出する第７工程と、を含むことを特徴とする。
【０００６】
このレーザ溶接システムの異常検出方法では、ＭＴシステム及びニューラルネットワークを互いに好適に協働させて異常要素を検出している。すなわち、一般的にＭＴシステムのＭＤ（マハラノビスの距離）による異常の検出においては、例えば異常要素として検出されるべき要素の数が多いと、定量的評価が困難になり検出精度が低下してしまう。この点、本発明では、ＭＴシステムを適用する一方で、ＭＴシステムのＭＤによらずにニューラルネットワークによって異常要素を検出している。よって、異常要素を精度よく検出することができる。他方、ニューラルネットワークによる異常の検出においては、通常、ニューラルネットワークモデルを構築する際、非常に多く（例えば、約１００〜１０００程度）の教師データ数が必要とされる。この点、本発明では、教師データにＭＴシステムのＳＮ比を適用している。さらに、このＳＮ比にあっては、正規化されることで特徴化（正常と異常の違いが強調）された正規化データに基づいて算出される。よって、教師データのばらつきの影響を極小化でき、必要な教師データ数を最小化できると共に精度よいニューラルネットワークモデルを構築できる。従って、本発明によれば、異常要素を簡易且つ精度よく検出することが可能となる。
【０００７】
ここで、状態データは、具体的には、レーザ出力、プラズマ、反射光、温度、音、振動、アシストガス圧力及び供給電力のうちの少なくとも１つに関するものである場合がある。
【０００８】
また、ＳＮ比は、望大特性のＳＮ比であることが好ましい。この場合、充分な精度を確保しつつ一層簡易に異常要素を検出することが可能となる。
【０００９】
また、異常要素として検出される要素は複数存在しており、ＳＮ比は、複数の要素ごとに分けられたＳＮ比群からなるＳＮ比データとして算出されることが好ましい。これにより、異常要素として検出される要素が複数存在する場合において、その要素ごとにＳＮ比を算出してニューラルネットワークモデルを構築することが不要となる。つまり、１つのニューラルネットワークモデルで複数の異常要素を特定して検出することができる。
【発明の効果】
【００１０】
本発明によれば、異常要素を簡易且つ精度よく検出することが可能となる。
【発明を実施するための最良の形態】
【００１１】
以下、図面を参照しながら、本発明の好適な実施形態について詳細に説明する。本実施形態において、「上」、「下」等の語は、図面に示される状態に基づいており、便宜的なものである。
【００１２】
図１は、本発明の一実施形態に係るレーザ溶接システムの構成を示す概略図である。図１に示すように、本実施形態に係るレーザ溶接システム１は、レーザ溶接を構成する要素（レーザ発振器、ガスノズルの設置姿勢、ガス成分、ガス流量等）のうち異常又は異常の兆候が生じている要素を異常要素として検出し特定する。具体的には、レーザ溶接システム１では、ＭＴシステム及びニューラルネットワークを互いに好適に協働させて異常要素を検出する。そこで、まず、ＭＴシステム及びニューラルネットワークのそれぞれについて説明する。
【００１３】
［ＭＴシステム］
一般的に、ＭＴ（Mahalanobis-Taguchi）システムとは、ＭＤという基本概念を用いて状態の変化を判別する多変量解析手法である。つまり、ＭＴシステムは、複数の測定量（多変数）をＭＤ（１つの変数）で表現して取り扱う。このＭＴシステムでは、例えば、次の（１）〜（３）の順にそのアルゴリズムが構築される。
【００１４】
（１）単位空間の構築
まず、図２に示すように、異常要素の検出に必要なデータを測定（検出）し、正常と異常とのデータに仮定する。そして、測定した測定量に、正常と異常との違いを強調する数値処理である特徴化を行う。このように測定量を特徴化することで、種々の要因で正常データが異常データとされてしまうことが抑制され、異常検出に使用する情報が的確に取り出される。その後、測定量や特徴化した項目（図中のＡ´，Ｂ´等）によって単位空間を形成する。
【００１５】
（２）有効性解析
次に、データの有効性を見極める有効性解析を行う。この際の評価は、異常検出のために有用な情報と有害な情報との比であるＳＮ比によって行うことができる。具体的には、図３に示すように、上記（１）で特徴化したデータを直交表に割り付けることで、ＳＮ比を項目別に算出する。ここでは、直交表として、Ｌ８直交表を用いている。直交表中の１，２は水準を示しており、「１」はその項目を用いる（単位空間に含む）ことを意味し、「２」はその項目を用いない（単位空間から除外する）ことを意味する。列番（図中のＡ，Ｂ…）は、異常要素として検出される要素に対応するものである。
【００１６】
これにより、図４に示すように、有効性解析の結果として、要素別にＳＮ比が示されたＳＮ比データが得られる。なお、図中の縦軸は、大きいもの程異常検出のための効果があることを意味する。
【００１７】
（３）ＭＤの算出
次に、上記（２）で得られたＳＮ比データの中からＳＮ比（要因効果）が大きい項目を選択し、ＭＤを算出する。なお、ＭＤの算出の詳細については、特開２００６−１６０１５３号公報等を参照されたい。
【００１８】
［ニューラルネットワーク］
一般的に、ニューラルネットワークとは、脳神経系の情報処理機構を模倣した数理モデルであり、様々なパターンを教師データとして与え、そのパターン差を異常状態としてアルゴリズムを構築する手法である。
【００１９】
図５に示すように、ここでのニューラルネットワーク５０は、階層型のものであり、ユニット５１と呼ばれる演算素子を層状に結合した階層構造として表される。このニューラルネットワーク５０は、外部からデータを受け取る入力ユニット５２が配置された入力層と、外部へデータを出力する出力ユニット５３が配置された出力層と、これらの層間の隠れ層（中間層）と、を備えている。また、図中の矢印５５は、信号の流れを表している。
【００２０】
このニューラルネットワークによれば、上記ＭＴシステムと異なり、結果が「○」「×」や「Ｙｅｓ」「Ｎｏ」のように２値化される。そのため、異常発生の明確な判別を行うことが可能となる。
【００２１】
次に、本実施形態のレーザ溶接システム１について説明する。
【００２２】
図１に戻り、レーザ溶接システム１は、ワーク（被加工物）１０Ａ，１０Ｂの略中央部分に直線状の溶接部Ｗを形成し、ワーク１０Ａ，１０Ｂを重ね溶接する。ワーク１０Ａ，１０Ｂとしては、鉄道車両構体に用いられる板状の外板パネル及び骨部材が用いられている。このレーザ溶接システム１は、レーザビームを照射して溶接部Ｗを形成するレーザ溶接装置２と、レーザ溶接が正常に実行されたか否かを評価する評価装置３とを備えている。
【００２３】
レーザ溶接装置２は、送り装置２１と、ワーク固定装置２２と、レーザ照射装置２３と、ガス供給装置２４とを備えている。これらの各装置２１〜２４は、上位の制御装置（不図示）に接続され、この制御装置から出力される動作指示情報に従って、各動作を自動で実行するようになっている。
【００２４】
送り装置２１は、ワーク１０Ａ，１０Ｂへのレーザビームの照射位置を走査する。具体的には、送り装置２１は、可動ステージ２５に載置されたワーク１０Ａ，１０Ｂを、レーザ照射装置２３によるレーザビームに対し溶接予定領域Ｒに沿って相対的に移動させる。
【００２５】
ワーク固定装置２２は、ワーク１０Ａ，１０Ｂを可動ステージ２５に固定する。このワーク固定装置２２では、長尺の押さえ板２６ａによって、溶接予定領域Ｒを挟んだワーク１０Ａ，１０Ｂの両端部分を可動ステージ２５に押し付ける。これにより、溶接予定領域Ｒ近傍のワーク１０Ａ，１０Ｂの密着性が向上される。
【００２６】
レーザ照射装置２３は、ワーク１０Ａ，１０Ｂの溶接予定領域Ｒに向けてレーザビームを照射する。具体的には、レーザ照射装置２３は、ワーク１０Ａ，１０Ｂの上方のレーザヘッド２７における先端から、例えばＹＡＧレーザやＣＯ２レーザ等のレーザビームを所定時間出射する。なお、レーザ照射装置２３は、内部に出力切替機構（不図示）を備えており、レーザビームを連続的に照射する場合と、レーザビームをパルス状に照射する場合とで切り替え可能とされている。
【００２７】
ガス供給装置２４は、ワーク１０Ａ，１０Ｂの溶接予定領域Ｒに対してアシストガスを供給する。ここでのガス供給装置２４では、供給ノズル２８がワーク１０Ａ，１０Ｂの厚さ方向に対し約３０度傾斜するように配置されている。このガス供給装置２４は、所定の供給量でワーク１０Ａ，１０Ｂのレーザビーム照射位置（以下、「加工点」という）にアシストガスを供給する。アシストガスとしては、ワーク１０Ａ，１０Ｂの酸化防止及びスパッタ防止等を目的として、アルゴンガス等が用いられている。
【００２８】
一方、評価装置３は、物理的には、ＣＰＵ、メモリ、通信インタフェイス、ハードディスクといった格納部、ディスプレイといった表示部等を備えたコンピュータシステムである。この評価装置３には、フィルタ５を介して光強度検出センサ４が接続されている。
【００２９】
光強度検出センサ４は、加工点の光強度を検出するためのフォトセンサである。この光強度検出センサ４は、レーザビームの照射位置の近傍に配置されている。フィルタ５は、光学フィルタである。ここでのフィルタ５は、加工点で発生するプラズマ（波長１１００ｎｍ以下）に関する光強度と、加工点の温度（赤外線領域の波長）に関する光強度と、を選択的に通過させる。これにより、光強度検出センサ４からフィルタ５を介して出力信号が評価装置３に入力され、溶接状態（ここでは、プラズマ及び温度）に関する状態データが評価装置３に入力される。
【００３０】
また、評価装置３は、機能的な構成要素として、異常要素検出部３１と、格納部３２とを有している。異常要素検出部３１は、入力された状態データに基づいて異常要素を検出する（詳しくは、後述）。格納部３２は、異常要素検出部３１から出力される検出結果情報を受け取り格納する。また、この格納部３２は、異常要素の検出するためのニューラルネットワークモデルを格納する。
【００３１】
なお、ＭＴシステムとニューラルネットワークとは、例えば次の理由から、協動させるのが困難な手法といえる。すなわち、それぞれの手法が誕生した時期が異なっている。具体的には、ニューラルネットワークは１９８０年代〜１９９０年代をピークに研究される一方、ＭＴシステムは２０００年代をピークに研究されている。また、ニューラルネットワークは、非常に多くのデータから計算を行うことから、２０００年代以前の汎用コンピュータによる計算では非常に難儀である。よって、従来、ニューラルネットワークは、計算コスト、計算速度から推定される異常検出速度の遅さ、等の点で現実上困難な手法とされている。
【００３２】
次に、上述した構成のレーザ溶接システム１において異常要素を検出する処理について、図６〜図８のフローチャートを参照しつつ説明する。なお、以下の説明では、複数の要素を対象に異常要素を検出しており、具体的には、第１要素としてガス流量、第２要素としてガス成分、及び第３要素としてガスノズル角度を対象としている。
【００３３】
このレーザ溶接システム１では、基準用のワーク１０Ａ，１０Ｂ（以下、「基準用ワーク１０Ａ，１０Ｂ」と称す）にレーザ溶接を実施し、異常要素の検出のためのニューラルネットワークモデルを予め構築する（溶接前工程：Ｓ１）。そして、加工用のワーク（以下、「加工用ワーク１０Ａ，１０Ｂ」という）にレーザ溶接を実施してこれらを互いに溶接すると共に、構築されたニューラルネットワークモデルに基づく異常要素の検出を行ってレーザ溶接を評価（検査）する（溶接本工程：Ｓ２）。
【００３４】
［溶接前工程］
まず、溶接前工程について説明する。基準用ワーク１０Ａ，１０Ｂを可動ステージ２５に載置し、上方から加圧治具２６を下降させて基準用ワーク１０Ａ，１０Ｂを可動ステージ２５に固定する。続いて、レーザヘッド２７からレーザビームを照射すると共に、可動ステージ２５を速度約１０ｍ／ｓで移動させて基準用ワーク１０Ａ，１０Ｂを矢印Ａ方向（図１参照）に走査する。これに併せて、ガス供給装置２４によってアシストガスを流量１５Ｌ／ｍｉｎで供給する。これにより、基準用ワーク１０Ａ，１０Ｂの溶接予定領域Ｒに沿って、溶接部Ｗを形成する（Ｓ１１）。
【００３５】
ここで、溶接部Ｗを形成する際、光強度検出センサ４によって加工点の光強度をフィルタ５を介して検出する。これにより、プラズマ及び温度のそれぞれについて、波形パターンの出力信号を状態データ（以下、「基準用状態データ」という）として取得する（Ｓ１２）。
【００３６】
続いて、取得した基準用状態データを特徴化するため、該基準用状態データを正規化して基準用正規化データを求める（Ｓ１３）。具体的には、基準用状態データを正規化し、この正規化した基準用状態データが正規化値と交差する数（以下、「変化量」という）を求めると共に、正規化した基準用状態データが正規化値を超えた数（以下、「存在量」という）を求める。なお、正規化値は、要素ごとに予め設定されており、ここでの正規化値は、要素ごとに５つ設定されている。
【００３７】
続いて、求めた基準用正規化データに基づいて有効性解析を実施し、ＭＴシステムのＳＮ比を算出する（Ｓ１４）。具体的には、基準用正規化データを直交表に割り付けることで、ＭＴシステムのＳＮ比を、要素ごとに分けられたＳＮ比群からなる基準用ＳＮ比データとして算出する。ＳＮ比は、異常要素を検出できればよいという観点から好ましいとして、望大特性のＳＮ比とされている。直交表としては、状態データのデータ数に応じて適宜なものが用いられ、例えばＬ４直交表、Ｌ８直交表、Ｌ１２直交表及びＬ１６直交表等が挙げられる。
【００３８】
続いて、算出した基準用ＳＮ比データをニューラルネットワークへ教師データとして適用する（Ｓ１５）。そして、上記のＳ１１〜Ｓ１５を複数の基準用ワーク１０Ａ，１０Ｂに対して繰り返し実施する。ここでは、第１〜３要素のそれぞれについて、異常要素であるときの基準用ＳＮ比データを教師データとして３〜４回繰り返し適用する。これにより、ＳＮ比データの各ＳＮ比のパターンの違いにより第１〜３要素から異常要素を検出し特定できるニューラルネットワークモデルが構築される（Ｓ１６）。
【００３９】
図９は、基準用ＳＮ比データの一例を示す線図である。図中の基準用ＳＮ比データＤ１は、第２要素が異常要素のときのものを示している。この基準用ＳＮ比データＤ１は、第１〜第３要素ごとに分けられた複数のＳＮ比を含んで構成されている。また、基準用ＳＮ比データＤ１では、プラズマ及び温度のそれぞれについて、基準用状態データのＳＮ比と、複数の変化量のＳＮ比と、複数の存在量のＳＮ比とが算出されている。なお、ＳＮ比データでは、状態データのＳＮ比を算出しない場合もある（以下、同じ）。
【００４０】
図９に示すように、この基準用ＳＮ比データＤ１では、次の傾向があることがわかる。すなわち、異常要素である第２要素の項目にてＳＮ比が正となる傾向があるのがわかる。その中でも、温度の項目のＳＮ比が特に大きくなる傾向がある。また、異常要素ではない第１要素における温度の一項目においても、ＳＮ比が特に大きくなる傾向があるのがわかる。
【００４１】
図１０は、基準用ＳＮ比データの他の一例を示す線図である。図中の基準用ＳＮ比データＤ２は、第３要素が異常要素のときのものを示している。この基準用ＳＮ比データＤ２は、上記の基準用ＳＮ比データＤ１と同様な構成とされている。つまり、第１〜第３要素ごとに分けられた複数のＳＮ比を含んで構成され、プラズマ及び温度のそれぞれについて、基準用状態データのＳＮ比と、複数の変化量のＳＮ比と、複数の存在量のＳＮ比とが算出されている。
【００４２】
図１０に示すように、この基準用ＳＮ比データＤ２では、次の傾向があることがわかる。すなわち、異常要素である第３要素の項目においては、ＳＮ比に特徴的な傾向が特に見られない。一方、異常要素ではない第１及び２要素におけるプラズマの一項目にてＳＮ比が大きくなる傾向があるのがわかる。
【００４３】
［溶接本工程］
次に、溶接本工程について説明する。まず、上記のＳ１１と同様に、加工用ワーク１０Ａ，１０Ｂを可動ステージ２５に載置し、上方から加圧治具２６を下降させて加工用ワーク１０Ａ，１０Ｂを可動ステージ２５に固定する。続いて、レーザヘッド２７からレーザビームを照射すると共に、可動ステージ２５を速度約１０ｍ／ｓで移動させて加工用ワーク１０Ａ，１０Ｂを矢印Ａ方向（図１参照）に走査する。これに併せて、ガス供給装置２４によってアシストガスを流量１５Ｌ／ｍｉｎで供給する。これにより、加工用ワーク１０Ａ，１０Ｂの溶接予定領域Ｒに沿って、溶接部Ｗを形成する（Ｓ２１）。
【００４４】
ここで、溶接部Ｗを形成する際、光強度検出センサ４により加工点の光強度をフィルタ５を介して検出する。これにより、プラズマ及び温度のそれぞれについて、波形パターンの出力信号を状態データ（以下、「加工用状態データ」という）として取得する（Ｓ２２）。
【００４５】
続いて、上記のＳ１３と同様に、取得した加工用状態データを特徴化するため、該加工用状態データを正規化して加工用正規化データを求める（Ｓ２３）。具体的には、加工用状態データを正規化し、正規化した加工用状態データの変化量及び存在量を求める。
【００４６】
続いて、上記のＳ１４と同様に、加工用正規化データに基づいて有効性解析を実施し、ＭＴシステムのＳＮ比を算出する（Ｓ２４）。具体的には、加工用正規化データを直交表に割り付けることで、ＭＴシステムのＳＮ比を、要素ごとに分けられたＳＮ比群からなる加工用ＳＮ比データとして算出する。
【００４７】
続いて、算出した加工用ＳＮ比データと、上記のＳ１６で構築したニューラルネットワークモデルとに基づいて、溶接異常が生じている要素を異常要素として検出する（Ｓ２５）。つまり、加工用ＳＮ比データをニューラルネットワークモデルへ未知データとして適用することで、加工用ＳＮ比データに含まれる各ＳＮ比のパターンの違いから異常要素が判別され特定されることとなる。
【００４８】
そして、異常要素が検出された場合、その検出結果を格納部３２に格納すると共に、レーザ溶接システム１を全停止する（Ｓ２６→Ｓ２７）。その後、異常要素のメンテナンスを行う。一方、異常要素が検出されない場合、レーザ溶接が完了するまで上記のＳ２１〜Ｓ２７の処理を繰り返し続行する（Ｓ２８→Ｓ２１）。
【００４９】
ここで、一般的にＭＴシステムのＭＤによる異常の検出においては、例えば異常要素として検出されるべき要素の数が多いと、定量的評価が困難になり検出精度が低下してしまう。この点、本実施形態では、上述したように、ＭＴシステムを適用する一方で、ＭＴシステムのＭＤによらずに（上記の「（３）ＭＤの算出」を実施せずに）、ニューラルネットワークによって異常要素を検出している。よって、例えば複数の異常要素を検出する場合であっても、異常要素を精度よく検出することができる。
【００５０】
他方、一般的にニューラルネットワークによる異常の検出においては、ニューラルネットワークモデルを構築する際、非常に多く（例えば、約１００〜１０００程度）の教師データ数が必要とされる。このデータ数は、ＭＴシステムで必要とするデータ数の数十倍である。ニューラルネットワークが多くの教師データ数を必要とするのは、教師データのばらつきが大きいことを示している。この点、本実施形態では、教師データにＭＴシステムのＳＮ比を適用している。さらに、このＳＮ比にあっては、正規化されることで特徴化された正規化データに基づいて算出されている。よって、教師データのばらつきの影響を極小化でき、必要な教師データ数を最小化（ここでは、３〜４つに）することができると共に、精度よいニューラルネットワークモデルを構築することができる。
【００５１】
従って、本実施形態によれば、ＭＴシステム及びニューラルネットワークを互いに好適に協働させ、異常要素を自動的に検出（異常診断）することができる。つまり、ＭＴシステムの欠点とニューラルネットワークの欠点とのそれぞれを補うように、それぞれの長所が互いに強調されて異常要素が自動的に検出される。その結果、異常要素を簡易且つ精度よく検出することが可能となる。さらに、異常要素を精度よく検出できることによってレーザ溶接システム１の主要部位の監視が可能となり、予防保全を実現することができる。その結果、レーザ溶接システム１の不具合による溶接品質の低下を抑制でき、歩留まりを向上することが可能となる。
【００５２】
図１１は、図１のレーザ溶接システムによる異常要素検出結果を示す図表である。図中の検出結果では、検出精度の確認のため、異常要素は判定値として既知とされている。また、図中の第１〜７段目に示す結果では、ＳＮ比データを教師データとしてニューラルネットワークに適用し、ニューラルネットワークモデルを構築している。加えて、ＳＮ比データを未知データとしてニューラルネットワークモデルへ適用し、異常要素の検出の確認を行っている。図中の第８段目に示す結果では、ＳＮ比データを未知データとしてニューラルネットワークモデルへ適用し、異常要素の検出を行っている。図１１に示すように、本実施形態によれば、ＳＮ比データを教師データとして３〜４回ニューラルネットワークへ適用することで、正答率１００％で異常要素が検出されるのがわかる。よって、異常要素を簡易且つ精度よく検出するという上記効果を確認することができる。
【００５３】
また、本実施形態では、上述したように、ＳＮ比は、望大特性のＳＮ比とされている。よって、充分な精度を確保しつつ一層簡易に異常要素を検出することが可能となる。なお、ＳＮ比は、場合によっては、動特性のＳＮ比等としてもよい。
【００５４】
また、本実施形態では、上述したように、異常要素として検出される要素が複数存在しており、ＳＮ比は、複数の要素ごとに分けられたＳＮ比群からなるＳＮ比データとして算出されている（図９，１０参照）。この場合、要素ごとにＳＮ比を算出し、要素ごとにニューラルネットワークモデルを構築することが不要となる。つまり、１つのモデルで複数の異常要素を特定して検出することができる。
【００５５】
なお、上述したように、算出されたＳＮ比は、異常要素ではない要素の項目において特徴的な傾向を示す場合がある（図１０参照）。この点、本実施形態では、ＳＮ比を要素ごとに算出せずにＳＮ比データとして算出し、このＳＮ比データをニューラルネットワークに適用している。そのため、異常要素ではない要素の項目にてＳＮ比が特徴的な傾向を示す場合であっても、かかる特徴を考慮してニューラルネットワークモデルを構築することができる。よって、一層精度よく異常要素を検出することが可能となる。
【００５６】
以上、本発明の好適な実施形態について説明したが、本発明は、上記実施形態に限られるものではない。
【００５７】
例えば、上述した実施形態では、光強度検出センサ４で加工点における光強度をフィルタ５を介して検出することでプラズマ及び温度に関する状態データを取得したが、例えばフィルタを適宜設定して、レーザビーム及びレーザビームの反射光に関する状態データを検出してもよい。取得する状態データは、検出する異常要素（異常部位）、レーザビームの種類及び被加工物の材質等によって適宜選択されるものである。
【００５８】
また、加工点の音を検出するための加工音検出センサ、又はワーク１０Ａ，１０Ｂの振動の大きさを検出するための振動検出センサをさらに備え、音又は振動に関する状態データを取得してもよい。この場合、センサの出力信号にＦＴＴ（Fast Fourier Transform）処理が施される。
【００５９】
また、各装置に供給される電力量を検出するための供給電力検出センサ、又はアシストガスの圧力を検出するためのガス圧力検出センサをさらに備え、供給電力又はアシストガス圧力に関する状態データを取得してもよい。この場合、センサの出力信号に移動平均処理が施される。
【００６０】
また、上記実施形態では、ガス流量、ガス成分及びガスノズル角度を要素としてこれらの要素の異常を検出したが、これらに加え、例えば、レーザ発振器であるレーザヘッド２７の異常や、レーザ照射装置２３周りの種々の部位における異常等を検出してもよい。また、これらの何れか１つ又は複数を検出してもよい。
【００６１】
また、上記実施形態では、変化量及び存在量を正規化データとして求めたが、これらの何れか一方を正規化データとして求めてもよい。
【図面の簡単な説明】
【００６２】
【図１】本発明の一実施形態に係るレーザ溶接システムの構成を示す概略図である。
【図２】ＭＴシステムにおける単位空間の構築を説明するための図である。
【図３】ＭＴシステムにおける直交表の一例を示す図である。
【図４】ＭＴシステムにおける有効性解析の結果を示す図である。
【図５】ニューラルネットワークシステムの構造を示す概略図である。
【図６】図１のレーザ溶接システムにおける処理のフローチャートである。
【図７】図６の溶接前工程におけるフローチャートである。
【図８】図６の溶接本工程におけるフローチャートである。
【図９】基準用ＳＮ比データの一例を示す線図である。
【図１０】基準用ＳＮ比データの他の一例を示す線図である。
【図１１】図１のレーザ溶接システムによる異常要素検出結果を示す図表である。
【符号の説明】
【００６３】
１…レーザ溶接システム、１０Ａ，１０Ｂ…ワーク（被加工物）、５０…ニューラルネットワーク、Ｄ１，Ｄ２…基準用ＳＮ比データ、Ｗ…溶接部。
【技術分野】
【０００１】
本発明は、レーザ溶接システムにおいて異常を検出するためのレーザ溶接システムの異常検出方法に関する。
【背景技術】
【０００２】
従来のレーザ溶接システムの異常検出方法としては、被加工物にレーザビームを照射して溶接部を形成すると共に、その際の溶接状態に関する状態データを取得し、この状態データに基づいて溶接異常の有無を判別するものが知られている（例えば、特許文献１参照）。
【特許文献１】特開２００７−２５３２２０号公報
【発明の開示】
【発明が解決しようとする課題】
【０００３】
ここで、上記のレーザ溶接システムの異常検出方法においては、前述のように溶接異常の有無を判別できるものの、レーザ溶接を構成する要素（例えば、レーザ発信器、ガスノズルの設置姿勢、ガス成分及びガス流量等）の何れが異常要素であるのかを精度よく検出することは困難である。また、近年のレーザ溶接システムの異常検出方法では、簡易に異常要素を検出できるものが特に望まれている。
【０００４】
そこで、本発明は、異常要素を簡易且つ精度よく検出することができるレーザ溶接システムの異常検出方法を提供することを課題とする。
【課題を解決するための手段】
【０００５】
上記課題を解決するため、本発明に係るレーザ溶接システムの異常検出方法は、レーザビームの照射で被加工物に溶接部を形成するレーザ溶接システムにおいて異常を検出するための異常検出方法であって、異常要素を検出するためのニューラルネットワークモデルを構築する溶接前工程と、溶接前工程で構築されたニューラルネットワークモデルに基づいて異常要素を検出する溶接本工程と、を備え、溶接前工程は、基準用被加工物にレーザビームを照射して溶接部を形成すると共に、その際の溶接状態に関する基準用状態データを取得する第１工程と、取得した基準用状態データを正規化することで基準用正規化データを求める第２工程と、求めた基準用正規化データに基づいてＭＴシステムのＳＮ比を算出し、このＳＮ比をニューラルネットワークに教師データとして適用する第３工程と、第１〜３工程を複数の基準用被加工物に対して実施することで、ニューラルネットワークモデルを構築する第４工程と、を含み、溶接本工程は、加工用被加工物にレーザビームを照射して溶接部を形成すると共に、その際の溶接状態に関する加工用状態データを取得する第５工程と、取得した加工用状態データを正規化することで加工用正規化データを求める第６工程と、求めた加工用正規化データに基づいてＭＴシステムのＳＮ比を算出し、このＳＮ比及び溶接前工程で構築されたニューラルネットワークモデルに基づいて異常要素を検出する第７工程と、を含むことを特徴とする。
【０００６】
このレーザ溶接システムの異常検出方法では、ＭＴシステム及びニューラルネットワークを互いに好適に協働させて異常要素を検出している。すなわち、一般的にＭＴシステムのＭＤ（マハラノビスの距離）による異常の検出においては、例えば異常要素として検出されるべき要素の数が多いと、定量的評価が困難になり検出精度が低下してしまう。この点、本発明では、ＭＴシステムを適用する一方で、ＭＴシステムのＭＤによらずにニューラルネットワークによって異常要素を検出している。よって、異常要素を精度よく検出することができる。他方、ニューラルネットワークによる異常の検出においては、通常、ニューラルネットワークモデルを構築する際、非常に多く（例えば、約１００〜１０００程度）の教師データ数が必要とされる。この点、本発明では、教師データにＭＴシステムのＳＮ比を適用している。さらに、このＳＮ比にあっては、正規化されることで特徴化（正常と異常の違いが強調）された正規化データに基づいて算出される。よって、教師データのばらつきの影響を極小化でき、必要な教師データ数を最小化できると共に精度よいニューラルネットワークモデルを構築できる。従って、本発明によれば、異常要素を簡易且つ精度よく検出することが可能となる。
【０００７】
ここで、状態データは、具体的には、レーザ出力、プラズマ、反射光、温度、音、振動、アシストガス圧力及び供給電力のうちの少なくとも１つに関するものである場合がある。
【０００８】
また、ＳＮ比は、望大特性のＳＮ比であることが好ましい。この場合、充分な精度を確保しつつ一層簡易に異常要素を検出することが可能となる。
【０００９】
また、異常要素として検出される要素は複数存在しており、ＳＮ比は、複数の要素ごとに分けられたＳＮ比群からなるＳＮ比データとして算出されることが好ましい。これにより、異常要素として検出される要素が複数存在する場合において、その要素ごとにＳＮ比を算出してニューラルネットワークモデルを構築することが不要となる。つまり、１つのニューラルネットワークモデルで複数の異常要素を特定して検出することができる。
【発明の効果】
【００１０】
本発明によれば、異常要素を簡易且つ精度よく検出することが可能となる。
【発明を実施するための最良の形態】
【００１１】
以下、図面を参照しながら、本発明の好適な実施形態について詳細に説明する。本実施形態において、「上」、「下」等の語は、図面に示される状態に基づいており、便宜的なものである。
【００１２】
図１は、本発明の一実施形態に係るレーザ溶接システムの構成を示す概略図である。図１に示すように、本実施形態に係るレーザ溶接システム１は、レーザ溶接を構成する要素（レーザ発振器、ガスノズルの設置姿勢、ガス成分、ガス流量等）のうち異常又は異常の兆候が生じている要素を異常要素として検出し特定する。具体的には、レーザ溶接システム１では、ＭＴシステム及びニューラルネットワークを互いに好適に協働させて異常要素を検出する。そこで、まず、ＭＴシステム及びニューラルネットワークのそれぞれについて説明する。
【００１３】
［ＭＴシステム］
一般的に、ＭＴ（Mahalanobis-Taguchi）システムとは、ＭＤという基本概念を用いて状態の変化を判別する多変量解析手法である。つまり、ＭＴシステムは、複数の測定量（多変数）をＭＤ（１つの変数）で表現して取り扱う。このＭＴシステムでは、例えば、次の（１）〜（３）の順にそのアルゴリズムが構築される。
【００１４】
（１）単位空間の構築
まず、図２に示すように、異常要素の検出に必要なデータを測定（検出）し、正常と異常とのデータに仮定する。そして、測定した測定量に、正常と異常との違いを強調する数値処理である特徴化を行う。このように測定量を特徴化することで、種々の要因で正常データが異常データとされてしまうことが抑制され、異常検出に使用する情報が的確に取り出される。その後、測定量や特徴化した項目（図中のＡ´，Ｂ´等）によって単位空間を形成する。
【００１５】
（２）有効性解析
次に、データの有効性を見極める有効性解析を行う。この際の評価は、異常検出のために有用な情報と有害な情報との比であるＳＮ比によって行うことができる。具体的には、図３に示すように、上記（１）で特徴化したデータを直交表に割り付けることで、ＳＮ比を項目別に算出する。ここでは、直交表として、Ｌ８直交表を用いている。直交表中の１，２は水準を示しており、「１」はその項目を用いる（単位空間に含む）ことを意味し、「２」はその項目を用いない（単位空間から除外する）ことを意味する。列番（図中のＡ，Ｂ…）は、異常要素として検出される要素に対応するものである。
【００１６】
これにより、図４に示すように、有効性解析の結果として、要素別にＳＮ比が示されたＳＮ比データが得られる。なお、図中の縦軸は、大きいもの程異常検出のための効果があることを意味する。
【００１７】
（３）ＭＤの算出
次に、上記（２）で得られたＳＮ比データの中からＳＮ比（要因効果）が大きい項目を選択し、ＭＤを算出する。なお、ＭＤの算出の詳細については、特開２００６−１６０１５３号公報等を参照されたい。
【００１８】
［ニューラルネットワーク］
一般的に、ニューラルネットワークとは、脳神経系の情報処理機構を模倣した数理モデルであり、様々なパターンを教師データとして与え、そのパターン差を異常状態としてアルゴリズムを構築する手法である。
【００１９】
図５に示すように、ここでのニューラルネットワーク５０は、階層型のものであり、ユニット５１と呼ばれる演算素子を層状に結合した階層構造として表される。このニューラルネットワーク５０は、外部からデータを受け取る入力ユニット５２が配置された入力層と、外部へデータを出力する出力ユニット５３が配置された出力層と、これらの層間の隠れ層（中間層）と、を備えている。また、図中の矢印５５は、信号の流れを表している。
【００２０】
このニューラルネットワークによれば、上記ＭＴシステムと異なり、結果が「○」「×」や「Ｙｅｓ」「Ｎｏ」のように２値化される。そのため、異常発生の明確な判別を行うことが可能となる。
【００２１】
次に、本実施形態のレーザ溶接システム１について説明する。
【００２２】
図１に戻り、レーザ溶接システム１は、ワーク（被加工物）１０Ａ，１０Ｂの略中央部分に直線状の溶接部Ｗを形成し、ワーク１０Ａ，１０Ｂを重ね溶接する。ワーク１０Ａ，１０Ｂとしては、鉄道車両構体に用いられる板状の外板パネル及び骨部材が用いられている。このレーザ溶接システム１は、レーザビームを照射して溶接部Ｗを形成するレーザ溶接装置２と、レーザ溶接が正常に実行されたか否かを評価する評価装置３とを備えている。
【００２３】
レーザ溶接装置２は、送り装置２１と、ワーク固定装置２２と、レーザ照射装置２３と、ガス供給装置２４とを備えている。これらの各装置２１〜２４は、上位の制御装置（不図示）に接続され、この制御装置から出力される動作指示情報に従って、各動作を自動で実行するようになっている。
【００２４】
送り装置２１は、ワーク１０Ａ，１０Ｂへのレーザビームの照射位置を走査する。具体的には、送り装置２１は、可動ステージ２５に載置されたワーク１０Ａ，１０Ｂを、レーザ照射装置２３によるレーザビームに対し溶接予定領域Ｒに沿って相対的に移動させる。
【００２５】
ワーク固定装置２２は、ワーク１０Ａ，１０Ｂを可動ステージ２５に固定する。このワーク固定装置２２では、長尺の押さえ板２６ａによって、溶接予定領域Ｒを挟んだワーク１０Ａ，１０Ｂの両端部分を可動ステージ２５に押し付ける。これにより、溶接予定領域Ｒ近傍のワーク１０Ａ，１０Ｂの密着性が向上される。
【００２６】
レーザ照射装置２３は、ワーク１０Ａ，１０Ｂの溶接予定領域Ｒに向けてレーザビームを照射する。具体的には、レーザ照射装置２３は、ワーク１０Ａ，１０Ｂの上方のレーザヘッド２７における先端から、例えばＹＡＧレーザやＣＯ２レーザ等のレーザビームを所定時間出射する。なお、レーザ照射装置２３は、内部に出力切替機構（不図示）を備えており、レーザビームを連続的に照射する場合と、レーザビームをパルス状に照射する場合とで切り替え可能とされている。
【００２７】
ガス供給装置２４は、ワーク１０Ａ，１０Ｂの溶接予定領域Ｒに対してアシストガスを供給する。ここでのガス供給装置２４では、供給ノズル２８がワーク１０Ａ，１０Ｂの厚さ方向に対し約３０度傾斜するように配置されている。このガス供給装置２４は、所定の供給量でワーク１０Ａ，１０Ｂのレーザビーム照射位置（以下、「加工点」という）にアシストガスを供給する。アシストガスとしては、ワーク１０Ａ，１０Ｂの酸化防止及びスパッタ防止等を目的として、アルゴンガス等が用いられている。
【００２８】
一方、評価装置３は、物理的には、ＣＰＵ、メモリ、通信インタフェイス、ハードディスクといった格納部、ディスプレイといった表示部等を備えたコンピュータシステムである。この評価装置３には、フィルタ５を介して光強度検出センサ４が接続されている。
【００２９】
光強度検出センサ４は、加工点の光強度を検出するためのフォトセンサである。この光強度検出センサ４は、レーザビームの照射位置の近傍に配置されている。フィルタ５は、光学フィルタである。ここでのフィルタ５は、加工点で発生するプラズマ（波長１１００ｎｍ以下）に関する光強度と、加工点の温度（赤外線領域の波長）に関する光強度と、を選択的に通過させる。これにより、光強度検出センサ４からフィルタ５を介して出力信号が評価装置３に入力され、溶接状態（ここでは、プラズマ及び温度）に関する状態データが評価装置３に入力される。
【００３０】
また、評価装置３は、機能的な構成要素として、異常要素検出部３１と、格納部３２とを有している。異常要素検出部３１は、入力された状態データに基づいて異常要素を検出する（詳しくは、後述）。格納部３２は、異常要素検出部３１から出力される検出結果情報を受け取り格納する。また、この格納部３２は、異常要素の検出するためのニューラルネットワークモデルを格納する。
【００３１】
なお、ＭＴシステムとニューラルネットワークとは、例えば次の理由から、協動させるのが困難な手法といえる。すなわち、それぞれの手法が誕生した時期が異なっている。具体的には、ニューラルネットワークは１９８０年代〜１９９０年代をピークに研究される一方、ＭＴシステムは２０００年代をピークに研究されている。また、ニューラルネットワークは、非常に多くのデータから計算を行うことから、２０００年代以前の汎用コンピュータによる計算では非常に難儀である。よって、従来、ニューラルネットワークは、計算コスト、計算速度から推定される異常検出速度の遅さ、等の点で現実上困難な手法とされている。
【００３２】
次に、上述した構成のレーザ溶接システム１において異常要素を検出する処理について、図６〜図８のフローチャートを参照しつつ説明する。なお、以下の説明では、複数の要素を対象に異常要素を検出しており、具体的には、第１要素としてガス流量、第２要素としてガス成分、及び第３要素としてガスノズル角度を対象としている。
【００３３】
このレーザ溶接システム１では、基準用のワーク１０Ａ，１０Ｂ（以下、「基準用ワーク１０Ａ，１０Ｂ」と称す）にレーザ溶接を実施し、異常要素の検出のためのニューラルネットワークモデルを予め構築する（溶接前工程：Ｓ１）。そして、加工用のワーク（以下、「加工用ワーク１０Ａ，１０Ｂ」という）にレーザ溶接を実施してこれらを互いに溶接すると共に、構築されたニューラルネットワークモデルに基づく異常要素の検出を行ってレーザ溶接を評価（検査）する（溶接本工程：Ｓ２）。
【００３４】
［溶接前工程］
まず、溶接前工程について説明する。基準用ワーク１０Ａ，１０Ｂを可動ステージ２５に載置し、上方から加圧治具２６を下降させて基準用ワーク１０Ａ，１０Ｂを可動ステージ２５に固定する。続いて、レーザヘッド２７からレーザビームを照射すると共に、可動ステージ２５を速度約１０ｍ／ｓで移動させて基準用ワーク１０Ａ，１０Ｂを矢印Ａ方向（図１参照）に走査する。これに併せて、ガス供給装置２４によってアシストガスを流量１５Ｌ／ｍｉｎで供給する。これにより、基準用ワーク１０Ａ，１０Ｂの溶接予定領域Ｒに沿って、溶接部Ｗを形成する（Ｓ１１）。
【００３５】
ここで、溶接部Ｗを形成する際、光強度検出センサ４によって加工点の光強度をフィルタ５を介して検出する。これにより、プラズマ及び温度のそれぞれについて、波形パターンの出力信号を状態データ（以下、「基準用状態データ」という）として取得する（Ｓ１２）。
【００３６】
続いて、取得した基準用状態データを特徴化するため、該基準用状態データを正規化して基準用正規化データを求める（Ｓ１３）。具体的には、基準用状態データを正規化し、この正規化した基準用状態データが正規化値と交差する数（以下、「変化量」という）を求めると共に、正規化した基準用状態データが正規化値を超えた数（以下、「存在量」という）を求める。なお、正規化値は、要素ごとに予め設定されており、ここでの正規化値は、要素ごとに５つ設定されている。
【００３７】
続いて、求めた基準用正規化データに基づいて有効性解析を実施し、ＭＴシステムのＳＮ比を算出する（Ｓ１４）。具体的には、基準用正規化データを直交表に割り付けることで、ＭＴシステムのＳＮ比を、要素ごとに分けられたＳＮ比群からなる基準用ＳＮ比データとして算出する。ＳＮ比は、異常要素を検出できればよいという観点から好ましいとして、望大特性のＳＮ比とされている。直交表としては、状態データのデータ数に応じて適宜なものが用いられ、例えばＬ４直交表、Ｌ８直交表、Ｌ１２直交表及びＬ１６直交表等が挙げられる。
【００３８】
続いて、算出した基準用ＳＮ比データをニューラルネットワークへ教師データとして適用する（Ｓ１５）。そして、上記のＳ１１〜Ｓ１５を複数の基準用ワーク１０Ａ，１０Ｂに対して繰り返し実施する。ここでは、第１〜３要素のそれぞれについて、異常要素であるときの基準用ＳＮ比データを教師データとして３〜４回繰り返し適用する。これにより、ＳＮ比データの各ＳＮ比のパターンの違いにより第１〜３要素から異常要素を検出し特定できるニューラルネットワークモデルが構築される（Ｓ１６）。
【００３９】
図９は、基準用ＳＮ比データの一例を示す線図である。図中の基準用ＳＮ比データＤ１は、第２要素が異常要素のときのものを示している。この基準用ＳＮ比データＤ１は、第１〜第３要素ごとに分けられた複数のＳＮ比を含んで構成されている。また、基準用ＳＮ比データＤ１では、プラズマ及び温度のそれぞれについて、基準用状態データのＳＮ比と、複数の変化量のＳＮ比と、複数の存在量のＳＮ比とが算出されている。なお、ＳＮ比データでは、状態データのＳＮ比を算出しない場合もある（以下、同じ）。
【００４０】
図９に示すように、この基準用ＳＮ比データＤ１では、次の傾向があることがわかる。すなわち、異常要素である第２要素の項目にてＳＮ比が正となる傾向があるのがわかる。その中でも、温度の項目のＳＮ比が特に大きくなる傾向がある。また、異常要素ではない第１要素における温度の一項目においても、ＳＮ比が特に大きくなる傾向があるのがわかる。
【００４１】
図１０は、基準用ＳＮ比データの他の一例を示す線図である。図中の基準用ＳＮ比データＤ２は、第３要素が異常要素のときのものを示している。この基準用ＳＮ比データＤ２は、上記の基準用ＳＮ比データＤ１と同様な構成とされている。つまり、第１〜第３要素ごとに分けられた複数のＳＮ比を含んで構成され、プラズマ及び温度のそれぞれについて、基準用状態データのＳＮ比と、複数の変化量のＳＮ比と、複数の存在量のＳＮ比とが算出されている。
【００４２】
図１０に示すように、この基準用ＳＮ比データＤ２では、次の傾向があることがわかる。すなわち、異常要素である第３要素の項目においては、ＳＮ比に特徴的な傾向が特に見られない。一方、異常要素ではない第１及び２要素におけるプラズマの一項目にてＳＮ比が大きくなる傾向があるのがわかる。
【００４３】
［溶接本工程］
次に、溶接本工程について説明する。まず、上記のＳ１１と同様に、加工用ワーク１０Ａ，１０Ｂを可動ステージ２５に載置し、上方から加圧治具２６を下降させて加工用ワーク１０Ａ，１０Ｂを可動ステージ２５に固定する。続いて、レーザヘッド２７からレーザビームを照射すると共に、可動ステージ２５を速度約１０ｍ／ｓで移動させて加工用ワーク１０Ａ，１０Ｂを矢印Ａ方向（図１参照）に走査する。これに併せて、ガス供給装置２４によってアシストガスを流量１５Ｌ／ｍｉｎで供給する。これにより、加工用ワーク１０Ａ，１０Ｂの溶接予定領域Ｒに沿って、溶接部Ｗを形成する（Ｓ２１）。
【００４４】
ここで、溶接部Ｗを形成する際、光強度検出センサ４により加工点の光強度をフィルタ５を介して検出する。これにより、プラズマ及び温度のそれぞれについて、波形パターンの出力信号を状態データ（以下、「加工用状態データ」という）として取得する（Ｓ２２）。
【００４５】
続いて、上記のＳ１３と同様に、取得した加工用状態データを特徴化するため、該加工用状態データを正規化して加工用正規化データを求める（Ｓ２３）。具体的には、加工用状態データを正規化し、正規化した加工用状態データの変化量及び存在量を求める。
【００４６】
続いて、上記のＳ１４と同様に、加工用正規化データに基づいて有効性解析を実施し、ＭＴシステムのＳＮ比を算出する（Ｓ２４）。具体的には、加工用正規化データを直交表に割り付けることで、ＭＴシステムのＳＮ比を、要素ごとに分けられたＳＮ比群からなる加工用ＳＮ比データとして算出する。
【００４７】
続いて、算出した加工用ＳＮ比データと、上記のＳ１６で構築したニューラルネットワークモデルとに基づいて、溶接異常が生じている要素を異常要素として検出する（Ｓ２５）。つまり、加工用ＳＮ比データをニューラルネットワークモデルへ未知データとして適用することで、加工用ＳＮ比データに含まれる各ＳＮ比のパターンの違いから異常要素が判別され特定されることとなる。
【００４８】
そして、異常要素が検出された場合、その検出結果を格納部３２に格納すると共に、レーザ溶接システム１を全停止する（Ｓ２６→Ｓ２７）。その後、異常要素のメンテナンスを行う。一方、異常要素が検出されない場合、レーザ溶接が完了するまで上記のＳ２１〜Ｓ２７の処理を繰り返し続行する（Ｓ２８→Ｓ２１）。
【００４９】
ここで、一般的にＭＴシステムのＭＤによる異常の検出においては、例えば異常要素として検出されるべき要素の数が多いと、定量的評価が困難になり検出精度が低下してしまう。この点、本実施形態では、上述したように、ＭＴシステムを適用する一方で、ＭＴシステムのＭＤによらずに（上記の「（３）ＭＤの算出」を実施せずに）、ニューラルネットワークによって異常要素を検出している。よって、例えば複数の異常要素を検出する場合であっても、異常要素を精度よく検出することができる。
【００５０】
他方、一般的にニューラルネットワークによる異常の検出においては、ニューラルネットワークモデルを構築する際、非常に多く（例えば、約１００〜１０００程度）の教師データ数が必要とされる。このデータ数は、ＭＴシステムで必要とするデータ数の数十倍である。ニューラルネットワークが多くの教師データ数を必要とするのは、教師データのばらつきが大きいことを示している。この点、本実施形態では、教師データにＭＴシステムのＳＮ比を適用している。さらに、このＳＮ比にあっては、正規化されることで特徴化された正規化データに基づいて算出されている。よって、教師データのばらつきの影響を極小化でき、必要な教師データ数を最小化（ここでは、３〜４つに）することができると共に、精度よいニューラルネットワークモデルを構築することができる。
【００５１】
従って、本実施形態によれば、ＭＴシステム及びニューラルネットワークを互いに好適に協働させ、異常要素を自動的に検出（異常診断）することができる。つまり、ＭＴシステムの欠点とニューラルネットワークの欠点とのそれぞれを補うように、それぞれの長所が互いに強調されて異常要素が自動的に検出される。その結果、異常要素を簡易且つ精度よく検出することが可能となる。さらに、異常要素を精度よく検出できることによってレーザ溶接システム１の主要部位の監視が可能となり、予防保全を実現することができる。その結果、レーザ溶接システム１の不具合による溶接品質の低下を抑制でき、歩留まりを向上することが可能となる。
【００５２】
図１１は、図１のレーザ溶接システムによる異常要素検出結果を示す図表である。図中の検出結果では、検出精度の確認のため、異常要素は判定値として既知とされている。また、図中の第１〜７段目に示す結果では、ＳＮ比データを教師データとしてニューラルネットワークに適用し、ニューラルネットワークモデルを構築している。加えて、ＳＮ比データを未知データとしてニューラルネットワークモデルへ適用し、異常要素の検出の確認を行っている。図中の第８段目に示す結果では、ＳＮ比データを未知データとしてニューラルネットワークモデルへ適用し、異常要素の検出を行っている。図１１に示すように、本実施形態によれば、ＳＮ比データを教師データとして３〜４回ニューラルネットワークへ適用することで、正答率１００％で異常要素が検出されるのがわかる。よって、異常要素を簡易且つ精度よく検出するという上記効果を確認することができる。
【００５３】
また、本実施形態では、上述したように、ＳＮ比は、望大特性のＳＮ比とされている。よって、充分な精度を確保しつつ一層簡易に異常要素を検出することが可能となる。なお、ＳＮ比は、場合によっては、動特性のＳＮ比等としてもよい。
【００５４】
また、本実施形態では、上述したように、異常要素として検出される要素が複数存在しており、ＳＮ比は、複数の要素ごとに分けられたＳＮ比群からなるＳＮ比データとして算出されている（図９，１０参照）。この場合、要素ごとにＳＮ比を算出し、要素ごとにニューラルネットワークモデルを構築することが不要となる。つまり、１つのモデルで複数の異常要素を特定して検出することができる。
【００５５】
なお、上述したように、算出されたＳＮ比は、異常要素ではない要素の項目において特徴的な傾向を示す場合がある（図１０参照）。この点、本実施形態では、ＳＮ比を要素ごとに算出せずにＳＮ比データとして算出し、このＳＮ比データをニューラルネットワークに適用している。そのため、異常要素ではない要素の項目にてＳＮ比が特徴的な傾向を示す場合であっても、かかる特徴を考慮してニューラルネットワークモデルを構築することができる。よって、一層精度よく異常要素を検出することが可能となる。
【００５６】
以上、本発明の好適な実施形態について説明したが、本発明は、上記実施形態に限られるものではない。
【００５７】
例えば、上述した実施形態では、光強度検出センサ４で加工点における光強度をフィルタ５を介して検出することでプラズマ及び温度に関する状態データを取得したが、例えばフィルタを適宜設定して、レーザビーム及びレーザビームの反射光に関する状態データを検出してもよい。取得する状態データは、検出する異常要素（異常部位）、レーザビームの種類及び被加工物の材質等によって適宜選択されるものである。
【００５８】
また、加工点の音を検出するための加工音検出センサ、又はワーク１０Ａ，１０Ｂの振動の大きさを検出するための振動検出センサをさらに備え、音又は振動に関する状態データを取得してもよい。この場合、センサの出力信号にＦＴＴ（Fast Fourier Transform）処理が施される。
【００５９】
また、各装置に供給される電力量を検出するための供給電力検出センサ、又はアシストガスの圧力を検出するためのガス圧力検出センサをさらに備え、供給電力又はアシストガス圧力に関する状態データを取得してもよい。この場合、センサの出力信号に移動平均処理が施される。
【００６０】
また、上記実施形態では、ガス流量、ガス成分及びガスノズル角度を要素としてこれらの要素の異常を検出したが、これらに加え、例えば、レーザ発振器であるレーザヘッド２７の異常や、レーザ照射装置２３周りの種々の部位における異常等を検出してもよい。また、これらの何れか１つ又は複数を検出してもよい。
【００６１】
また、上記実施形態では、変化量及び存在量を正規化データとして求めたが、これらの何れか一方を正規化データとして求めてもよい。
【図面の簡単な説明】
【００６２】
【図１】本発明の一実施形態に係るレーザ溶接システムの構成を示す概略図である。
【図２】ＭＴシステムにおける単位空間の構築を説明するための図である。
【図３】ＭＴシステムにおける直交表の一例を示す図である。
【図４】ＭＴシステムにおける有効性解析の結果を示す図である。
【図５】ニューラルネットワークシステムの構造を示す概略図である。
【図６】図１のレーザ溶接システムにおける処理のフローチャートである。
【図７】図６の溶接前工程におけるフローチャートである。
【図８】図６の溶接本工程におけるフローチャートである。
【図９】基準用ＳＮ比データの一例を示す線図である。
【図１０】基準用ＳＮ比データの他の一例を示す線図である。
【図１１】図１のレーザ溶接システムによる異常要素検出結果を示す図表である。
【符号の説明】
【００６３】
１…レーザ溶接システム、１０Ａ，１０Ｂ…ワーク（被加工物）、５０…ニューラルネットワーク、Ｄ１，Ｄ２…基準用ＳＮ比データ、Ｗ…溶接部。
【特許請求の範囲】
【請求項１】
レーザビームの照射で被加工物に溶接部を形成するレーザ溶接システムにおいて異常を検出するための異常検出方法であって、
異常要素を検出するためのニューラルネットワークモデルを構築する溶接前工程と、
前記溶接前工程で構築された前記ニューラルネットワークモデルに基づいて前記異常要素を検出する溶接本工程と、を備え、
前記溶接前工程は、
基準用被加工物に前記レーザビームを照射して前記溶接部を形成すると共に、その際の溶接状態に関する基準用状態データを取得する第１工程と、
取得した前記基準用状態データを正規化することで基準用正規化データを求める第２工程と、
求めた前記基準用正規化データに基づいてＭＴシステムのＳＮ比を算出し、このＳＮ比をニューラルネットワークに教師データとして適用する第３工程と、
前記第１〜３工程を複数の基準用被加工物に対して実施することで、前記ニューラルネットワークモデルを構築する第４工程と、を含み、
前記溶接本工程は、
加工用被加工物に前記レーザビームを照射して前記溶接部を形成すると共に、その際の溶接状態に関する加工用状態データを取得する第５工程と、
取得した前記加工用状態データを正規化することで加工用正規化データを求める第６工程と、
求めた前記加工用正規化データに基づいてＭＴシステムのＳＮ比を算出し、このＳＮ比及び前記溶接前工程で構築された前記ニューラルネットワークモデルに基づいて前記異常要素を検出する第７工程と、を含むことを特徴とするレーザ溶接システムの異常検出方法。
【請求項２】
前記状態データは、レーザ出力、プラズマ、反射光、温度、音、振動、アシストガス圧力及び供給電力のうちの少なくとも１つに関するものであることを特徴とする請求項１記載のレーザ溶接システムの異常検出方法。
【請求項３】
前記ＳＮ比は、望大特性のＳＮ比であることを特徴とする請求項１又は２記載のレーザ溶接システムの異常検出方法。
【請求項４】
前記異常要素として検出される要素は複数存在しており、
前記ＳＮ比は、複数の前記要素ごとに分けられたＳＮ比群からなるＳＮ比データとして算出されることを特徴とする請求項１〜３の何れか一項記載のレーザ溶接システムの異常検出方法。
【請求項１】
レーザビームの照射で被加工物に溶接部を形成するレーザ溶接システムにおいて異常を検出するための異常検出方法であって、
異常要素を検出するためのニューラルネットワークモデルを構築する溶接前工程と、
前記溶接前工程で構築された前記ニューラルネットワークモデルに基づいて前記異常要素を検出する溶接本工程と、を備え、
前記溶接前工程は、
基準用被加工物に前記レーザビームを照射して前記溶接部を形成すると共に、その際の溶接状態に関する基準用状態データを取得する第１工程と、
取得した前記基準用状態データを正規化することで基準用正規化データを求める第２工程と、
求めた前記基準用正規化データに基づいてＭＴシステムのＳＮ比を算出し、このＳＮ比をニューラルネットワークに教師データとして適用する第３工程と、
前記第１〜３工程を複数の基準用被加工物に対して実施することで、前記ニューラルネットワークモデルを構築する第４工程と、を含み、
前記溶接本工程は、
加工用被加工物に前記レーザビームを照射して前記溶接部を形成すると共に、その際の溶接状態に関する加工用状態データを取得する第５工程と、
取得した前記加工用状態データを正規化することで加工用正規化データを求める第６工程と、
求めた前記加工用正規化データに基づいてＭＴシステムのＳＮ比を算出し、このＳＮ比及び前記溶接前工程で構築された前記ニューラルネットワークモデルに基づいて前記異常要素を検出する第７工程と、を含むことを特徴とするレーザ溶接システムの異常検出方法。
【請求項２】
前記状態データは、レーザ出力、プラズマ、反射光、温度、音、振動、アシストガス圧力及び供給電力のうちの少なくとも１つに関するものであることを特徴とする請求項１記載のレーザ溶接システムの異常検出方法。
【請求項３】
前記ＳＮ比は、望大特性のＳＮ比であることを特徴とする請求項１又は２記載のレーザ溶接システムの異常検出方法。
【請求項４】
前記異常要素として検出される要素は複数存在しており、
前記ＳＮ比は、複数の前記要素ごとに分けられたＳＮ比群からなるＳＮ比データとして算出されることを特徴とする請求項１〜３の何れか一項記載のレーザ溶接システムの異常検出方法。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【公開番号】特開２０１０−５２００９（Ｐ２０１０−５２００９Ａ）
【公開日】平成２２年３月１１日（２０１０．３．１１）
【国際特許分類】
【出願番号】特願２００８−２２０００７（Ｐ２００８−２２０００７）
【出願日】平成２０年８月２８日（２００８．８．２８）
【出願人】（０００００３３７７）東急車輛製造株式会社 (332)
【Ｆターム（参考）】
【公開日】平成２２年３月１１日（２０１０．３．１１）
【国際特許分類】
【出願日】平成２０年８月２８日（２００８．８．２８）
【出願人】（０００００３３７７）東急車輛製造株式会社 (332)
【Ｆターム（参考）】
[ Back to top ]