焊接系统及使用该焊接系统的工件的焊接方法与流程

本发明涉及一种焊接系统及使用该焊接系统的工件的焊接方法。

背景技术：

以往，作业人员大多通过目视来进行焊接部位的形状检查，其检查工时成为问题。另外，根据进行检查的工作人员的不同，判断存在偏差，有时无法保证规定的焊接品质。

对此，提出了一种使用具有形状计测传感器的外观检查装置来检查焊接部位的形状的技术。例如，在专利文献1所公开的方法中，在工件的焊接部位扫描并投影来自激光光源的狭缝光，通过计测相机来拍摄所得到的形状线。进而，基于拍摄结果取得焊接部位的三维形状作为点云数据，根据该点云数据得到焊接部位的所希望的剖面形状。

专利文献1：日本公开专利公报特开2012-037487号公报

技术实现要素：

-发明要解决的技术问题-

在焊接工序中，按照预先设定的焊接条件对工件进行焊接，例如，通过如专利文献1所示的方法进行焊接部位的外观检查，在反映出其结果的基础上，焊接作业人员或系统管理者手动进行了焊接条件的修正。

另一方面，根据工件、焊接设备的状态、焊接环境的变动等，焊接工件中的最佳条件也发生变动。

但是，焊接作业人员难以不仅仅根据外观检查结果还根据工件、焊接设备的状态等的变动，将焊接条件修正为最佳条件。因此，在预先设定的焊接条件脱离最佳条件的情况下，产生了焊接不良。另外，随着所焊接的工件的种类及焊接部位的形状等的多样化，焊接作业人员难以进行各个焊接条件的细微的修正。

本发明是鉴于上述方面而完成的，其目的在于，提供一种能够自动且高精度地修正焊接条件的焊接系统及使用该焊接系统的工件的焊接方法。

-用以解决技术问题的技术方案-

为了实现上述目的，本发明的焊接系统包括对工件进行焊接的焊接装置和检查所述工件的焊接部位的外观的外观检查装置，其特征在于，所述外观检查装置至少具有形状计测部、图像处理部、判定部以及反馈部，所述形状计测部计测所述焊接部位的形状，所述图像处理部基于由所述形状计测部计测到的形状数据，生成所述焊接部位的图像数据，所述判定部基于从所述图像处理部读出的图像数据，判定所述焊接部位的形状的良好与否，所述反馈部基于所述判定部中的判定结果和从所述图像处理部读出的所述图像数据，提取形状不良信息，该形状不良信息包含所述焊接部位的不良模式和所述焊接部位中的形状不良部位的尺寸及位置，所述焊接装置至少具有焊接头和输出控制部，所述焊接头用于向所述工件输入热量，所述输出控制部控制所述焊接头的焊接输出，在由所述判定部判定为所述焊接部位的形状不良的情况下，所述输出控制部基于由所述反馈部提取出的所述形状不良信息来修正所述工件的焊接条件。

根据该构成方式，能够基于外观检查装置中的检查结果，自动且高精度地修正工件的焊接条件。

另外，本发明的工件的焊接方法是使用了上述的焊接系统的工件的焊接方法，其特征在于，包括第一焊接步骤、形状判定步骤、形状不良信息提取步骤、焊接条件修正步骤、以及第二焊接步骤，在该第一焊接步骤中，通过所述焊接装置按照规定的焊接条件对所述工件的规定的部位进行焊接，在该形状判定步骤中，在所述第一焊接步骤结束后，使用所述外观检查装置来判定所述工件的焊接部位的形状的良好与否，在该形状不良信息提取步骤中，在所述形状判定步骤中的判定结果为否定的情况下，提取与所述焊接部位相关的所述形状不良信息，在该焊接条件修正步骤中，基于所述形状不良信息来修正所述焊接条件，在该第二焊接步骤中，通过所述焊接装置按照修正后的焊接条件对所述工件的其他部位或其他工件中的所述规定的部位进行焊接。

根据该方法，通过基于外观检查装置中的检查结果来修正工件的焊接条件，按照修正后的焊接条件进行工件的焊接，从而能够减少工件的焊接不良，并且提高焊接品质。

-发明的效果-

根据本发明的焊接系统，能够自动且高精度地修正工件的焊接条件。另外，根据本发明的工件的焊接方法，能够减少工件的焊接不良，并且提高焊接品质。

附图说明

图1是示出本发明的第一实施方式的焊接系统的结构的示意图。

图2a是外观检查装置的功能框图。

图2b是示出外观检查装置的功能框图的一部分的图。

图3是焊接装置的输出控制部的功能框图。

图4a是示出焊接部位的不良模式的一例的平面示意图。

图4b是沿图4a的ivb-ivb线剖切的剖面示意图。

图4c是沿图4a的ivc-ivc线剖切的剖面示意图。

图4d是沿图4a的ivd-ivd线剖切的剖面示意图。

图4e是沿图4a的ive-ive线剖切的剖面示意图。

图5是示出工件的焊接步骤的流程图。

图6是示出本发明的第二实施方式的工件的焊接条件设定步骤的流程图。

图7是示出本发明的第三实施方式的工件的焊接次数与焊接条件的修正频度之间的关系的图。

具体实施方式

以下，基于附图对本发明的实施方式详细进行说明。以下优选的实施方式的说明本质上只不过是示例而已，完全没有对本发明、本发明的应用对象或本发明的用途加以限制的意图。

(第一实施方式)

[焊接系统的结构]

图1示出本实施方式的焊接系统的结构，焊接系统100具有焊接装置10和外观检查装置20。

焊接装置10具有焊炬11、焊丝进给装置13、电源14、输出控制部15、机械臂16、以及机器人控制部17。通过从电源14向保持于焊炬11的焊丝12供给电力，在焊丝12的前端与工件200之间产生电弧，工件200被输入热量而进行电弧焊接。需要说明的是，焊接装置10具有用于向焊炬11供给保护气体的配管、储气瓶等其他构成部件或设备，但为了方便说明，省略它们的图示及说明。

输出控制部15与电源14及焊丝进给装置13连接，输出控制部15按照规定的焊接条件，控制焊炬11的焊接输出，换言之，控制向焊丝12供给的电力及电力供给时间。另外，输出控制部15控制从焊丝进给装置13向焊炬11进给的焊丝12的进给速度及进给量。需要说明的是，关于焊接条件，可以经由未图示的输入部直接向输出控制部15输入，也可以选自从另外的记录介质等读出的焊接程序。

机械臂16是公知的多关节轴机器人，其在前端保持焊炬11，并且与机器人控制部17连接。机器人控制部17控制机械臂16的动作，使得焊炬11的前端、换言之保持于焊炬11的焊丝12的前端描绘规定的焊接轨迹向所希望的位置移动。

需要说明的是，输出控制部15基于外观检查装置20的反馈部29(参照图2a)中的提取结果来修正工件200的焊接条件。之后详述这一点。

外观检查装置20具有形状计测部21、数据处理部22、机械臂30及机器人控制部31，形状计测部21被安装于机械臂30，对工件200的焊接部位201的形状进行计测。机器人控制部31接受由形状计测部21取得并由数据处理部22加工后的信号，对机械臂30的动作进行控制，使得形状计测部21来到工件200的所希望的位置。之后详述数据处理部22的结构。

需要说明的是，在图1中，作为焊接装置10示例了电弧焊接装置，但并非特别限定于此。例如，焊接装置10也可以是激光焊接装置。在该情况下，代替焊炬11，将经由光纤(未图示)与激光振荡器(未图示)连接的激光头(未图示)安装并保持在机械臂16上。另外，在以后的说明中，有时将焊炬11和激光头统称为焊接头11。

[外观检查装置的结构]

图2a示出外观检查装置的功能框图，图2b示出功能框图的一部分。图2b详细示出图2a所示的功能块中的由单点划线包围的学习数据集生成部25和判定模型生成部26。需要说明的是，数据处理部22具有多个功能块，具体而言，具有图像处理部23、存储部24、学习数据集生成部25、判定模型生成部26、判定部27、通知部28及反馈部29。通常，数据处理部22由个人计算机构成，其通过执行安装在cpu(centralprocessingunit，中央处理器)或gpu(graphicsprocessingunit，图形处理器)上的软件而构成数据处理部22内的多个功能块。

形状计测部21是公知的结构，其例如是由激光光源(未图示)和相机(未图示)构成的三维形状计测传感器，该激光光源构成为能够扫描工件200的表面，该相机拍摄投影在工件200的表面上的激光的反射轨迹(以下，有时称为形状线。)。通过形状计测部21，利用激光光线对工件200的整个焊接部位201进行扫描，利用相机拍摄在焊接部位201反射后的激光光线，由此计测焊接部位201的形状。需要说明的是，形状计测部21构成为：不仅对焊接部位201进行形状计测，还对其周围在规定范围内也进行形状计测。这是为了评价有无后述的飞溅物204或污物206(参照图4a)。需要说明的是，相机具有ccd或cmos图像传感器作为拍摄元件。另外，形状计测部21的结构没有特别限定于上述结构，能够采用其他结构。

图像处理部23接受由形状计测部21取得的形状数据，将该形状数据转换成图像数据。例如，图像处理部23取得由形状计测部21拍摄到的形状线的点云数据。另外，图像处理部23通过对点云数据进行统计处理，来修正焊接部位201的基底部分相对于规定的基准面、例如工件200的设置面的倾斜或形变等，生成与焊接部位201的形状相关的图像数据。除此以外，例如，为了强调焊接部位201的形状、位置，也有时进行强调焊接部位201的周缘的边缘强调修正。

另外，图像处理部23具有由形状计测部21取得的数据的噪声去除功能。根据工件200的材质的不同，从形状计测部21出射的激光的反射率不同，因此，当反射率过高时，引起光晕等而形成噪声，有时无法顺利地生成点云数据等图像数据。因此，在图像处理部23中构成为通过软件进行噪声的滤波处理。需要说明的是，通过对形状计测部21本身设置光学滤波器(未图示)，同样也能够去除噪声。通过并用光学滤波器和软件上的滤波处理，能够得到高品质的图像数据。另外，由此，能够提高后述的学习数据集的判定模型的品质，能够高精度地判定焊接部位201的形状良好与否。

另外，图像处理部23根据工件200的形状，并且根据焊接部位201的形状的检查项目，来提取图像数据的特征量。在该情况下，针对一个图像数据，提取与一个或多个检查项目对应的一个或多个特征量。另外，所提取的特征量与图像数据相关联，用于以后的数据处理。这里，特征量是指从图像数据提取的特定的各种因素，作为代表性的特征量，有焊接部位201的长度、宽度、距基准面的高度、以及焊接部位201内的多个点之间的长度、宽度、高度之差等。但是，不特别限定于此，根据在各检查项目中判定的内容，适当设定特征量。

在焊接成为评价对象的工件200之前，存储部24中保存有已被处理的其他工件200中的焊接部位201的图像数据。另外，存储部24保存有在焊接实际的工件200之前在实验中取得的样本图像数据。样本图像数据包括成为评价对象的焊接部位201的形状良好的合格品数据、以及形状存在某些不良情况的不合格品数据。需要说明的是，其他工件200的焊接部位201的图像数据和成为评价对象的工件200中的焊接部位201的图像数据当然是针对具有同样的形状及材质的工件200内的同样的焊接部位201而取得的。

学习数据集生成部25读出由图像处理部23生成并保存于存储部24的图像数据，按照工件200的每种材质及形状进行分类。另外，也可以按照焊接部位201的每个检查项目进行分类。在该情况下，相同的图像数据也可以分别包含在不同的检查项目中。另外，学习数据集生成部25基于与图像数据相关联的特征量，按照工件200的每种材质及形状而生成学习数据集，即，生成被输入到后述的判定模型并用于提高判定模型的判定精度的学习数据的组。例如，以矩阵的形式对工件200的材质和形状进行整理来决定分类的类别，与该类别对应地对学习数据集进行分类(参照图2b)。需要说明的是，作为工件200的形状的例子，举出板材的对接或重合、t字接头或十字接头等。

判定模型生成部26针对按照工件200的每种材质及形状而设定的焊接部位201的每个检查项目，基于在各个项目中设定的判定基准，生成判定模型。所生成的判定模型通过分别进行了加权的多个识别器的组合等得以表现。例如，通过cnn(convolutionalneuralnetwork；卷积神经网络)等得以表现。

另外，判定模型生成部26向按照工件200的每种材质及形状而生成的各判定模型输入多个学习数据集中的与工件200的每种材质及形状对应的学习数据集，反复进行学习，由此提高各判定模型的判定精度。在该情况下，根据图2b所示的分类的类别来生成判定模型。需要说明的是，反复进行学习，直至判定模型的准确率(accuracyrate)、再现率、精度满足预先设定的值。另外，在生成判定模型时，根据检查项目，适当地选择并使用样本图像数据中的合格品数据及不合格品数据，由此，能够缩短判定模型的生成时间，实现判定模型的高精度化。同样，在按照焊接部位201的每个检查项目而生成判定模型的情况下，根据检查项目，适当地选择并使用样本图像数据中的合格品数据及不合格品数据，由此，能够缩短判定模型的生成时间，实现判定模型的高精度化。

判定部27基于由图像处理部23生成的焊接部位201的图像数据、和由判定模型生成部26生成的判定模型中的与选择出的检查项目对应的判定模型，判定焊接部位201的形状是否良好，换言之，是否满足规定的判定基准。

但是，如后所述，由于形状不良的模式涉及多方面，因此，实际上以概率的形式计算图像数据中所包含的形状异常部分是怎样的不良模式，如果为规定值以上的概率，则判定为形状不良好。例如，将判定为图像数据中包含形状不良部位并且其种类为飞溅物204(参照图4a)的概率(例如考虑形状、尺寸和/或位置等计算概率)显示于未图示的显示部。如果概率值为70％以上，则判定为该形状不良部位是飞溅物204。需要说明的是，能够任意地设定判定的阈值和显示形式。例如也可以是，如果是飞溅物204，则显示为红色，如果是穿孔202(参照图4a)，则显示为黄色。另外，在作为检查项目而设定了有无飞溅物204及飞溅物204的上限个数的情况下，也可以以与背景不同的颜色显示识别为飞溅物204的部分，并且，通过颜色区分来显示是飞溅物204的概率。例如也可以是，如果为30％以下的概率，则显示为绿色，如果为70％以上的概率，则显示为红色。需要说明的是，当然也能够任意地设定该情况下的概率范围的划分和对应的颜色设定等。另外，在飞溅物204的尺寸也包含在形状良好与否的判定基准内的情况下，当然对基于图像数据计算出的飞溅物204的尺寸与判定基准进行比较，进行形状良好与否的判定。

需要说明的是，如后所述，由于焊接部位201的形状的检查项目涉及多方面，因此，按照每个检查项目进行形状的良好与否判定，仅在需要判定的全部检查项目都已得到满足的情况下，进行最终的合格品判定。

通知部28构成为，将判定部27中的判定结果通知给反馈部29以及焊接作业人员或系统管理者。判定结果可以显示于焊接系统100的未图示的显示部，或者从未图示的打印机输出，或者也可以通过这两者进行通知。如果仅仅是通知最终的判定结果，则也可以从未图示的声音输出部作为声音而输出。需要说明的是，从通知部28通知的判定结果优选不仅通知最终的判定，还通知每个检查项目的判定结果。通过这种方式，焊接作业人员或系统管理者能够具体地知晓在焊接部位201中发生了怎样的不良情况。

反馈部29构成为：基于判定部27中的判定结果和从图像处理部23读出的图像数据，提取与后述的焊接部位201的不良模式、形状不良部位的位置、尺寸相关的信息(以下，有时统称为形状不良信息。)。具体而言，反馈部29构成为：在判定出焊接部位201的形状不良好的情况下，基于从图像处理部23读出的图像数据，提取形状不良信息。另外，反馈部29构成为：将提取出的形状不良信息和判定部27中的判定结果输出到焊接装置10的输出控制部15和机器人控制部17。

需要说明的是，构成为：在判定部27中的判定结果为肯定、即判定出焊接部位201的形状良好的情况下，焊接系统100连续地对同一工件200内的下一个焊接部位201进行焊接，或者对下一个工件200中的同样的焊接部位201进行焊接。

另一方面，在判定部27中的判定结果为否定、即判定出焊接部位201的形状不良好的情况下，输出控制部15停止焊炬11的焊接输出，机器人控制部17使机械臂16的动作停止。

[焊接装置的输出控制部的结构]

图3示出焊接装置的输出控制部的功能框图。需要说明的是，输出控制部15具有多个功能块，具体而言，具有接收部151、存储部152、最佳条件估计部153、焊接条件设定部154及控制信号输出部155。通常，通过执行安装在cpu(centralprocessingunit)或mcu(microcontrollerunit，微控制器)上的软件，构成输出控制部15内的多个功能块。

接收部151从外观检查装置20的反馈部29接受判定部27中的判定结果及形状不良信息。需要说明的是，反馈部29与接收部151之间的通信可以是通过无线方式进行的，也可以是通过有线方式进行的。

存储部152保存有预先设定的工件200的焊接条件。该焊接条件是指工件200的材质、厚度、焊丝12的材质、焊丝直径、保护气体种类、流量等、以及使焊接装置10动作的情况下的多个条件的集合。作为这些条件的例子，有焊接电流、焊接电压的设定平均值即设定电流、设定电压、焊丝12的进给速度、进给量、焊接次数、时间等。另外，除此以外，例如，有是tig焊接还是mag焊接、或者是否为脉冲焊接等焊接模式、机械臂16的移动速度、移动时间等。需要说明的是，前述的条件只不过是示例，能够根据焊接的种类适当进行变更。另外，在存储部152中，根据工件200的材质及形状等而保存有在实验中求出的多个焊接条件。

需要说明的是，存储部152也可以位于输出控制部15的外部。例如，也可以经由输出控制部15的接收部151而与存储部152进行数据的交换。存储部152也可以是外部服务器等。

在由判定部27判定出焊接部位201的形状不良好的情况下，最佳条件估计部153基于由反馈部29提取出的形状不良信息，针对在焊接工件200时使用的焊接条件进行机器学习，并以该焊接条件成为用于焊接工件200的最佳条件的方式进行修正。需要说明的是，用于机器学习的多个学习模型以与存储部152所保存的多个焊接条件中的每一个对应的方式、或者与它们的一部分对应的方式，构成为最佳条件估计部153。学习模型通过分别进行了加权的多个识别器的组合等得以表现。例如，通过cnn(convolutionalneuralnetwork；卷积神经网络)等得以表现。

另外，最佳条件估计部153构成为将修正后的焊接条件保存于存储部152。需要说明的是，也可以将结束了规定的学习的学习模型的结构信息保存于存储部152。在该情况下，在修正规定的焊接条件时，也可以从存储部152读出对应的学习模型的结构信息，通过最佳条件估计部153重新构成该学习模型。

焊接条件设定部154根据预定焊接的工件200的材质及形状，从保存于存储部152的多个焊接条件中设定对应的条件。在该情况下，在没有被焊接的工件200的焊接实绩或者焊接条件未被修正的情况下，设定预先设定的焊接条件，在预定焊接的工件200的焊接条件修正完的情况下，设定修正后的焊接条件。需要说明的是，在修正了焊接条件之后以相同的条件对工件200进行焊接的情况下，也可以从最佳条件估计部153直接向焊接条件设定部154读出修正后的焊接条件。

控制信号输出部155按照由焊接条件设定部154设定的焊接条件，向焊丝进给装置13、电源14输出控制信号，控制向焊丝12供给的电力及电力供给时间、以及焊丝12的进给速度及进给量。

[工件的焊接步骤]

图4a～4e示出在焊接部位产生的形状不良部位的一例，图5示出重新焊接的执行步骤的流程图。需要说明的是，图4a～图4e示出对接焊接时的焊接部位201的形状，图4a示出平面形状，图4b～图4e示出沿图4a的ivb-ivb线至ive-ive线剖切的剖视图。

如图4a～图4e所示，在对工件200进行了电弧焊接或激光焊接的情况下，由于焊接条件的设定的不良情况或使用低品质的工件200等，因此在该焊接部位201可能产生各种形状不良。例如，有时焊接部位201的一部分烧穿(以下，有时将焊接部位201的一部分从工件200烧穿而形成于工件200的通孔称为穿孔202)或产生咬边203。需要说明的是，咬边203是指焊缝的边缘的部分比工件200的表面凹陷的状态下的不良情况部分。另外，焊接部位201的长度、宽度、距基准面的高度有时从各自的设计值l、w、h超过容许范围δl、δw、δh而变动。另外，有时在形成于焊丝12的前端的熔滴(未图示)向工件200转移时熔滴的一部分或工件200的熔融金属的微粒飞散而产生飞溅物204，或者在工件200为镀锌钢板的情况下，一部分从焊接部位201蒸发而产生凹坑205，或者在工件200或焊丝12为铝系材料的情况下，在焊接部位201的附近产生污物206。

需要说明的是，凹坑205是在焊缝的表面开口的部分，污物206是在焊缝的附近产生的黑色碳黑状的附着物，包含上述的穿孔202、咬边203、飞溅物204等在内，分别是形状不良的模式(种类)之一。

这样，焊接部位201的形状不良存在各种模式，与此相应地，焊接条件的修正点也不同。例如，如果产生飞溅物204，则考虑重新评估焊丝12的进给速度和进给量，使得在前端形成有熔滴(未图示)的状态下，焊丝12与工件200不直接接触。另外，考虑重新评估设定电流、设定电压，使得熔滴不会过度地成长。另外，如果产生穿孔202，则考虑重新评估设定电流、机械臂16的移动速度等。如果产生污物206，则考虑重新评估设定电流、保护气体的流量。

在此基础上，使用图5来说明工件200的焊接步骤。

首先，按照规定的焊接条件对工件200进行焊接(步骤s11；第一焊接步骤)，通过外观检查装置20来检查焊接部位201的外观，具体而言是焊接部位201的形状(步骤s12；外观检查步骤)。

基于步骤s12的检查结果，外观检查装置20判定焊接部位201的形状的良好与否(步骤s13；形状判定步骤)。在步骤s13中的判定结果为肯定、即判定出焊接部位201的形状良好的情况下，对工件200内的全部对象部位进行焊接，结束工件200的焊接。如果残留有应焊接的其他工件，则向焊接系统100内导入其他工件，继续焊接。

另一方面，在步骤s13中的判定结果为否定、即判定出焊接部位201的形状不良好的情况下，反馈部29提取形状不良信息，即，该焊接部位201中的形状不良是何种模式、以及形状不良部位的尺寸、焊接部位201内的形状不良部位的位置(步骤s14；形状不良信息提取步骤)，进而，输出控制部15、具体而言是最佳条件估计部153基于步骤s14中的提取结果，修正所使用的焊接条件，使其成为用于焊接工件200的最佳条件(步骤s15；焊接条件修正步骤)。

接下来，焊接系统100按照修正后的焊接条件对下一个工件200或者同一工件200内的其他部位进行焊接(步骤s16；第二焊接步骤)，返回步骤s12，进行焊接部位201的外观检查。以后，反复进行一系列的步骤，直至工件200的焊接全部完成。

[效果等]

如以上说明的那样，本实施方式的焊接系统100包括对工件200进行焊接的焊接装置10、以及检查工件200的焊接部位201的外观的外观检查装置20。

外观检查装置20至少具有形状计测部21、图像处理部23、判定部27、以及反馈部29，该形状计测部21计测焊接部位201的形状，该图像处理部23基于由形状计测部21计测的形状数据，生成焊接部位201的图像数据，该判定部27基于从图像处理部23读出的图像数据，判定焊接部位201的形状的良好与否，该反馈部29基于判定部27中的判定结果和从图像处理部23读出的图像数据，提取形状不良信息，该形状不良信息包含焊接部位201的不良模式和焊接部位201中的形状不良部位的尺寸及位置。

焊接装置10至少具有用于向工件200输入热量的焊接头11(焊炬11)、以及对焊接头11(焊炬11)的焊接输出进行控制的输出控制部15。

在由判定部27判定出焊接部位201的形状不良好的情况下，输出控制部15基于由反馈部29提取出的形状不良信息，对工件200的焊接条件进行修正。

通过以这样的方式构成焊接系统100，能够基于外观检查装置20中的检查结果，自动修正工件200的焊接条件。另外，由于基于由形状计测部21计测的形状数据，提取形状不良信息，即，焊接部位201的不良模式和形状不良部位的位置及尺寸，因此，例如与焊接作业人员自己提取形状不良信息的情况相比，能够提高形状不良信息的提取精度。由此，能够提高用于修正焊接条件的数据的可靠性，能够高精度地修正焊接条件。

外观检查装置20还具有学习数据集生成部25和判定模型生成部26，该学习数据集生成部25按照工件200的每种材质及形状对由图像处理部23生成的多个图像数据进行分类，并且基于分类后的多个图像数据而生成多个学习数据集，该判定模型生成部26使用多个学习数据集，按照工件200的每种材质及形状而生成用于进行焊接部位201的形状的良好与否判定的判定模型。另外，学习数据集生成部25基于在图像处理部23中从图像数据提取出的一个或多个特征量，生成学习数据集。

通过以这样的方式构成外观检查装置20，不用手动设定复杂的判定基准就能够自动检测焊接部位201的形状不良。此外，由于在按照工件200的每种材质及形状预先对图像数据进行分类之后生成学习数据集，因此，能够高效地生成学习数据集。另外，通过使用从图像数据提取出的特征量而生成学习数据集，能够在不降低判定模型的精度的状态下简化学习数据集的生成处理。

需要说明的是，学习数据集生成部25也可以按照焊接部位201的每个检查项目对由图像处理部23生成的多个图像数据进行分类，并且，对分类后的图像数据进行数据扩展处理，生成多个学习数据集。

另外，判定模型生成部26也可以使用多个学习数据集，按照焊接部位201的每个检查项目，生成用于进行焊接部位201的形状的良好与否判定的判定模型。

另外，外观检查装置20还包括通知判定部27中的判定结果的通知部28。

通过这种方式，在焊接工件200的过程中，焊接作业人员或系统管理者能够实时知晓焊接部位201是否发生了不良情况。另外，能够根据需要，采取是否继续焊接工件200的处置。由此，能够降低焊接工序的成本。

焊接装置10的输出控制部15至少具有存储部152、最佳条件估计部153及焊接条件设定部154，该存储部152保存规定的焊接条件，该最佳条件估计部153基于形状不良信息来修正该焊接条件，将修正后的焊接条件保存于存储部152，该焊接条件设定部154从包含修正后的焊接条件的保存于存储部152中的多个焊接条件中，设定与预定焊接的工件200对应的焊接条件。

通过以这样的方式构成输出控制部15，能够基于在焊接部位201实际产生的形状不良的信息，适当地修正焊接条件，另外，由于在焊接部位201的形状不良所产生的定时修正工件200的焊接条件，因此，能够抑制焊接工序的成品率下降，降低焊接工序的成本。

最佳条件估计部153优选通过基于形状不良信息对焊接条件进行机器学习来修正焊接条件。

通过以这样的方式构成最佳条件估计部153，能够高精度地修正焊接条件，并且容易使修正后的焊接条件接近最佳条件。

另外，外观检查装置20也可以具有存储部24，该存储部24保存由图像处理部23生成的图像数据。在该情况下，将存储部24所保存的图像数据向学习数据集生成部25读出，生成多个学习数据集。

通过这种方式，能够顺利地进行学习数据集的生成及紧随其后的判定模型的生成处理。需要说明的是，存储部24也可以位于数据处理部22的外部。例如，也可以在数据处理部22设置与外部之间的通信接口部，经由该通信接口部而与存储部24进行数据的交换。存储部24也可以是外部服务器等。

另外，使用上述的焊接系统100进行的本实施方式的工件200的焊接方法包括第一焊接步骤(步骤s11)和形状判定步骤(步骤s13)，在该第一焊接步骤(步骤s11)中，通过焊接装置10按照规定的焊接条件对工件200的规定的部位进行焊接，在该形状判定步骤(步骤s13)中，在第一焊接步骤结束后，使用外观检查装置20判定工件200的焊接部位201的形状的良好与否。

另外，本实施方式的工件200的焊接方法包括形状不良信息提取步骤(步骤s14)、焊接条件修正步骤(步骤s15)及第二焊接步骤(步骤s16)，在该形状不良信息提取步骤(步骤s14)中，在形状判定步骤中的判定结果为否定的情况下，提取与焊接部位201相关的形状不良信息，在该焊接条件修正步骤(步骤s15)中，基于形状不良信息来修正焊接条件，在该第二焊接步骤(步骤s16)中，通过焊接装置10按照修正后的焊接条件，对工件200的其他部位或其他工件200中的规定的部位进行焊接。

根据本实施方式，通过基于焊接部位201的形状的良好与否判定结果及形状不良信息来修正工件200的焊接条件，能够提高焊接条件的修正精度，实现焊接工序的成品率提高及焊接工序的成本降低。另外，能够将焊接品质维持到规定级别以上。

(第二实施方式)

第一实施方式所示的焊接系统100不仅在基于焊接部位201的外观检查结果来修正使用中的焊接条件的情况下是有用的，在进行目前为止没有焊接实绩的工件200的焊接条件设定的情况下也是有用的。

图6示出本实施方式的工件的焊接条件设定步骤的流程图。

首先，按照临时决定的焊接条件进行工件200的试验焊接(步骤s21；第一试验焊接步骤)。在该情况下，根据工件200的材质及形状，从过去有焊接实绩的相似种类的工件200的焊接条件中选择适当的条件，进而，准备使认为与焊接形状相关的参数适当变动了的多个条件。即，在步骤s21中，进行几种试验焊接。但是，为了降低条件设定的工时，也可以按照一种条件进行试验焊接。

步骤s22～步骤s24与步骤s12～步骤s14同样，因此，省略内容的说明。但是，在步骤s22中检查的焊接部位201会根据临时决定的焊接条件而存在多个，在步骤s23中，针对多个焊接部位201的形状，分别判定良好与否。另外，在步骤s24中，针对在步骤s23中判定为形状不良的焊接部位201，分别提取形状不良信息。

接着，输出控制部15的最佳条件估计部153基于步骤s24中的提取结果，对临时决定的焊接条件进行修正，使得成为用于焊接工件200的最佳条件(步骤s25；焊接条件修正步骤)。

接下来，焊接系统100按照修正后的焊接条件再次进行试验焊接(步骤s26；第二试验焊接步骤)，返回步骤s22，进行焊接部位201的外观检查。以后，反复进行步骤s22至步骤s26的一系列的步骤，直至步骤s23中的判定结果成为肯定。

如以上说明的那样，使用焊接系统100进行的本实施方式的工件200的焊接条件设定方法包括第一试验焊接步骤(步骤s21)和形状判定步骤(步骤s23)，在该第一试验焊接步骤(步骤s21)中，通过焊接装置10按照临时决定的焊接条件进行工件200的试验焊接，在该形状判定步骤(步骤s23)中，在第一试验焊接步骤结束后，使用外观检查装置20，判定工件200的焊接部位201的形状的良好与否。

另外，本实施方式的工件200的焊接条件设定方法包括形状不良信息提取步骤(步骤s24)、焊接条件修正步骤(步骤s25)及第二试验焊接步骤(步骤s26)，在该形状不良信息提取步骤(步骤s24)中，在形状判定步骤中的判定结果为否定的情况下，提取与焊接部位201相关的形状不良信息，在该焊接条件修正步骤(步骤s25)中，基于形状不良信息来修正临时决定的焊接条件，在该第二试验焊接步骤(步骤s26)中，通过焊接装置10按照修正后的焊接条件进行工件200的试验焊接，反复进行形状判定步骤至第二试验焊接步骤的一系列的步骤，直至形状判定步骤中的判定结果成为肯定。

根据本实施方式，能够大幅降低新制作的焊接条件的条件设定工时。另外，能够使实际使用的工件200的焊接条件与最初相比更接近最佳条件，因此，实现焊接工序的成品率提高及焊接工序的成本降低。另外，能够将焊接品质维持到规定级别以上。

需要说明的是，在第一实施方式中，设想针对连续处理的工件200，根据焊接部位201的形状检查结果来修正焊接条件。因此，预计从最初的焊接条件起的修正量较小，能够通过一次修正使焊接条件接近最佳条件。

另一方面，在本实施方式中，临时决定的焊接条件可能从原本的最佳条件大幅偏离。因此，就步骤s22至步骤s26的例程的重复而言，有时重复一次不收敛而重复多次。

(第三实施方式)

图7示出本实施方式的工件的焊接次数与焊接条件的修正频度之间的关系。

通常，伴随着工件200的焊接次数增加，焊接条件的修正频度趋向于增加。这是因为，焊接系统100、特别是焊接装置10的各部分的状态随着运转时间增长而发生变化，导致焊接部位201的形状不良产生频度增加。因此，通常，在焊接装置10的各部分分别设置有多个管理项目，对每个管理项目设定有容许范围。例如，作为焊接时的实际输出的焊接电流、焊接电压也被未图示的检测部监视。

但是，并非在监视管理项目的各种监视器中分别设置有检测自身的故障的机构。同样，并非在构成焊接装置10的各部分的部件中分别设置有检测自身的故障的机构。因此，即便在各种监视器、焊接装置10的构成部件的一部分中发生了故障或劣化，所决定的管理项目有时看起来也都处于容许范围内。若在这样的状态下对工件200进行焊接，则有可能频繁产生焊接不良。

另外，即便连续处理相同的工件200，如果在批次之间工件200的状态极端不同，则即便焊接系统100的被决定的管理项目全部处于容许范围内，也有可能在特定的批次中频繁产生焊接不良。

另外，在未注意到焊接装置10的设备异常、异常批次的状态下想要修正焊接条件时，反而有可能脱离最佳条件。

对此，在本实施方式中，在相对于工件200的焊接次数的焊接条件的修正频度达到容许上限值以上或者焊接条件的修正频度的变动趋势脱离预测的情况下，将工件200的焊接中断，检查焊接系统100、或检查被焊接的工件200、或者执行这两者。

当焊接系统100正常运转时，例如，如图7的(a)图所示，相对于工件200的焊接次数的焊接条件的修正频度平缓增加，在焊接次数a处达到容许上限值。在该时间点，通过检查焊接系统100并修补故障部位或劣化部位，能够抑制焊接不良的产生。

另一方面，如图7的(b)图所示，在相对于工件200的焊接次数的焊接条件的修正频度在焊接次数b处急剧增加的情况下，在焊接系统100产生突发的故障或者处理了异常批次的可能性高。在该情况下，通过检查焊接系统100、或检查被焊接的工件200、或者执行这两者，能够抑制焊接不良的产生。

另外，如图7的(c)图所示，在焊接次数c以后相对于工件200的焊接次数的焊接条件的修正频度从虚线所示的预测线脱离的情况下，也视作在焊接系统100或工件200中存在某种异常，能够通过检查焊接系统100、或检查被焊接的工件200、或者执行这两者，来抑制焊接不良的产生。

另外，根据本实施方式，能够防止焊接条件被过度修正，来稳定地对工件200进行焊接。

需要说明的是，工件200的焊接次数也可以被改称为工件200的焊接累计时间。另外，焊接条件的修正频度也可以被改称为工件200的焊接部位201的形状不良产生频度。

(其他实施方式)

在第一实施方式中，将形状计测部21安装在机械臂30上，但也可以将形状计测部21安装于焊炬11或机械臂16。通过这种方式，能够降低焊接系统100内的设备数量，能够降低焊接系统100的成本。需要说明的是，在该情况下，当然通过由机器人控制部17控制机械臂16的动作而依次执行工件200的焊接和外观检查。

需要说明的是，外观检查装置20的学习数据集生成部25也可以对从存储部24读出的图像数据进行数据扩展处理，生成学习数据集。例如，通过使与图像数据相关联的一个或多个特征量变化、或改变图像数据中的形状不良部位的位置、或者执行这两者，来执行数据扩展处理。

通过以这样的方式构成外观检查装置20，能够基于较少的图像数据，生成所需要的量的学习数据集，使判定模型高精度化，因此，能够高精度地判定焊接部位201的形状良好与否。另外，无需大量取得学习用的图像数据，能够大幅削减用于判定形状良好与否的工时。需要说明的是，只要能够确保提高判定模型的精度所需要的量的学习数据即可，因此，也可以不对从存储部24读出的所有图像数据进行数据扩展处理，还可以仅对需要量的图像数据进行数据扩展处理。

另外，如上所述，由多个识别器的组合等表现判定模型。因此，如图2a中的虚线的箭头所示，也可以将由判定模型生成部26生成且结束了规定的学习的判定模型、即各识别器的结构和它们的组合模式保存于存储部24。在该情况下，也可以从存储部24将与所判定的检查项目对应的判定模型的结构信息读出到判定模型生成部26，通过判定模型生成部26重新构成判定模型。通过这种方式，即便在伴随着检查项目的增大而导致应使用的判定模型的个数增加的情况下也能够容易地应对。

需要说明的是，在第一实施方式、第二实施方式中，示出了将反馈部29设置于外观检查装置20的数据处理部22的例子，但也可以将反馈部29设置于输出控制部15。在该情况下，也可以经由通知部28，由输出控制部15的接收部151接受判定部27中的判定结果。

另外，在图2a中，示出了从图像处理部23向反馈部29直接发送图像数据的例子，但数据流向仅是为了方便说明而示例性地进行了图示，并不特别限定于此。例如，也可以从判定部27向反馈部29直接发送图像数据。另外，也可以向反馈部29直接发送判定部27中的判定结果。

需要说明的是，在外观检查装置20中，也可以构成为如下：省略判定模型生成部26，取而代之，在存储部24中保存按照焊接部位201的每个检查项目而设定的判定基准，由判定部27基于形状不良信息和保存于存储部24的判定基准来判定焊接部位201的形状的良好与否。如果检查项目少且判定基准的范围宽，则即便这样也能够确保规定的判定精度。

-产业实用性-

本发明的焊接系统能够自动且高精度地修正工件的焊接条件，因此，在应用于使焊接作业自动化的焊接系统的方面是有用的。

-符号说明-

10焊接装置

11焊接头(焊炬)

12焊丝

13焊丝进给装置

14电源

15输出控制部

16机械臂

17机器人控制部

20外观检查装置

21形状计测部

22数据处理部

23图像处理部

24存储部

25学习数据集生成部

26判定模型生成部

27判定部

28通知部

30机械臂

31机器人控制部

151接收部

152存储部

153最佳条件估计部

154焊接条件设定部

155控制信号输出部

100焊接系统

200工件

201焊接部位。