专利名称：连接装置的制作方法
技术领域：
本发明涉及使用能够学习焊接实验结果的神经(neural)网络的连接装置。
电阻焊接、热压接等连接装置使用于钢板等各种金属制品的连接(jion)。近年来，确保其焊接部的质量很受重视。
向来，在电阻焊接中由于通常被焊接材料(工件)是软钢板，因此通电不良的情况也少。只要管理焊接的条件稳定，则焊接质量就能够保持相对稳定。
但是在开始大量使用镀锌钢板或高强度钢板替代软钢板以来，使焊接稳定进行变得困难了。
另一方面，在电气设备领域内为了确保连接强度、连接寿命等，连接方法不使用钎焊，而频繁使用焊接和压接方法。
在这样的情况下，微小的连接部的质量管理是一个大课题。
从这样的背景出发，有待于对连接条件进行高精度监视，进而确立能高精度控制连接质量的控制方法。
对于这一课题，已经以电阻焊接为主要对象进行了各种开发研究，研究出连接结束之后判断该连接结果良好与否的方法或在连接进行时控制连接质量的方法。
作为主要连接方法的焊接，迄今为止开发研究出的方法的例子如下所示。还有，这些方法以焊接结束之后判断该焊接结果良好与否或在焊接进行时控制焊接质量为目的。
1)根据焊接电流与焊接电压求出电极尖端(tip)之间的电阻，根据其变化图形判断焊接结果是否良好。其一例示于日本特开昭56-158286号。
2)将电极尖端之间的电压与预先设定的基准电压随时间的变化加以比较，判断其差是否在允许值之内。其一例示于日本特公昭59-14312号。
还有，提取电极尖端之间的电压对焊接处的发热有效的成分，根据有效成分的时间积分值判断焊接效果是否良好。其例子示于日本特公昭59-40550号和特开昭59-61580号。
3)检测发热温度，根据其温度变化图形判断焊接结果是否良好。其一例示于特开平1-216246号。
4)使超声波透过被焊接材料之间，根据其透过量判断焊接效果是否良好。其一例示于特开昭52-94841号。
5)利用焊接进行时电极尖端位置的位移。其一例示于特公昭60-40955号。
6)检测焊接电流，监视其上下限值，使焊接结果稳定。
7)利用热传导模型，利用计算机计算熔核(nugget)。
8)作为对焊机进行直接控制的方法，从热传导模型计算出母材的温度分布，根据该温度分布推算出熔核的直径。同时根据焊接时电极的移动量对温度分布加以修正。其一例示于特公平7-16791号。
在这些方法中，1)在电极尖端的前端的压力作用下发生变形，和在该处产生分流(non-effective shunt current，无效分流)的情况下，或被焊接的材料是镀锌钢板的情况下，电阻变化的图形不一样。因此对焊接结果进行质量监督有困难。
2)在每一次电极尖端的压力作用下发生变形，板厚发生变化等焊接状态变化时，必须重新设定焊接结果的判定条件。因此在实用上要正确进行质量监督是困难的。
对于3)、4)，在温度检测装置、超声波的发送、接收装置的设置，以及安装方法上，存在现场操作时使用困难的问题。
5)使用于焊接现场工作时，存在由位移测定器的设置方法、干扰的混入、测定微小位移的难度、各电阻焊机机械强度的差异等产生的实用上的问题。
关于位移测定器的设置，研究出在伺服电动机驱动的加压方式中，根据安装于伺服电动机上的位置检测用的编码器的输出进行位移检测的方法。这种方法不需要位移测定器。
但是使用这种方法时，由于与编码器输出的响应慢，加压机构的机械强度相关的挠曲的存在，要进行正确的位移测量是困难的，实用上还是存在问题。
6)价格便宜，容易实现。便于发现电源故障、次级导线断线等情况容易发现。但是对于焊机工作中不可避免的电极尖端的前端在压力作用下发生的变形和分流等电流密度下降引起的焊接处质量变坏的情况不能够判别。
又，这些已有的各种质量监督和控制的方法要求进行下述需要大量劳力和经验的预备性工作。
a)要求在现场对各种焊接材料分别进行预备实验，预先求出焊接质量与判别基准的关系。
b)根据其结果，要估计决定焊接条件的电极加压力、焊接电流、焊接时间的复杂关系，求出判别基准。
7)具有不需要这种预备实验，能够使用于广泛的范围的优点，但是解热传导方程式需要时间。
还有8)是前进一步的方式，但是由于利用电极的移动量，与5)存在相同的问题。还有，在焊接位置是被焊接材料的端部或被焊接材料相互重叠不好的情况下不适用。
本发明的目的在于，为了与复杂相关的连接状态变化对应，提供在连接过程的控制中使用神经网络，能够与复杂的连接状态变化对应的连接装置。
本发明的另一目的在于，提供能够保持推定精度近似求解从物理模型导出的热传导方程式，缩短数值计算时间，实现控制速度的提高，降低数值运算功能的成本，廉价、简便地完成学习过程的连接装置。
本发明的再一目的是，提供使用动态模拟模型于神经元元件，利用其输出与热传导方程式的解的类似性，抑制向神经网络的输入数，而且即使学习数少也能够减少网络的输出误差的、使用神经网络的结构的连接装置。
本发明的目的在于，计算出直接表示连接质量的连接处的强度，利用该连接强度特性值进行控制的连接装置。
本发明的另一目的在于，提供能够得到更高精度的控制结果的由神经网络进行控制的连接装置。
本发明的再一目的是，提供能够进行连接现场的连接控制装置的管理、工作情况的确认的连接装置。
为了达到上述目的，本发明的连接装置具备对被连接物体在连接时的连接状态进行检测的检测部、对连接装置的输出进行控制的控制部、以及向该控制部输出信号的神经网络。该网络的输入层输入从检测部输出的信号。并且构成所述神经网络的至少一个神经元的输出与该神经元的输入重叠。
而且神经网络能够得到与表示连接现象的热传导方程式的解类似形式的解。
本发明涉及作为主要连接方法的焊接，公开了为达到上述目的而构成的连接装置。
图1是表示本发明第1实施例的装置结构的方框图。
图2表示使神经元输出反馈到神经元输入的动态模拟模式。
图3是利用焊接强度进行焊接控制的情况下的神经元结构图。
图4表示第1实施例的工件的形状。
图5表示神经元输出值与焊接结果(焊接强度)的关系。
图6是神经元输出的一个例子。
图7是本发明第2实施例的装置结构方框图。
图8是本发明第2实施例的动作流程图。
图9A与图9B是本发明第2实施例的控制方法说明图。
图10是表示本发明第2实施例的焊接电流和熔核(nugget)直径与焊接打点次数的关系的方框图。
图11是本发明第3实施例的装置结构方框图。
图12是本发明第3实施例的神经网络的结构图。
图13A表示本发明第3实施例的教师数据的一个例子。
图13B表示本发明第3实施例的教师数据的一个例子。
下面对最佳实施例加以说明。在对各实施形态进行具体说明之前，首先对本发明的原理进行总体说明。又，在本实施形态中对作为主要连接方法的焊接和作为连接装置的焊机(焊机装置)进行具体说明。
本发明的连接控制装置要解决以往的连接处质量确认和控制技术的实用上的课题。为此，将前馈方式的神经网络加上反馈方式的神经网络技术应用于焊接控制。
用使用于神经网络的神经元元件，如图2所示将神经元输出反馈到神经元输入的动态模拟模型。(参照近代科学社出版的「神经计算机计算的数学基础」第9～20页)该模型能够把输入历史输出。因此应用这种模型能够把作为焊机的连接质量(焊接质量)的主要因素的、连接处(焊机处)的热输入的历史状况反映于焊机质量的评价上。
因此使用于本发明的神经网络，在与输入焊接处的热量有关的诸量的输入部使用以反馈方式工作的动态模拟模型。
又，在本发明中，热传导方程式适用于电阻式焊机。这时为了缩短计算时间和使运算装置更加便宜，如下所述求热热传导方程式。
热传导方程式以下述(a)式表达。∂T∂t=▿(k▿T)+ρCσδ2---(a)]]>其中ρ为固有电阻，δ为电流密度，将该式离散化即可得出下式、即T(N)-T(O)=k▿TΔtΔl+ρδ2Cσ---(b)]]>(b)式意味着左边的温度增减量表达为右边第1项热的移动变化与右边第2项输入热量引起发热的和。
在这里，在右边第1项如果假定热以相似形移动变化，则T=-αT(O) …(c)又，R=ρl/S,V=I·R。因此得出下述式(1)。
T(N)≈(1-α·k·Δt/Δl)T(O)+(ΔV·I·Δt)/(c·σ·S·Δl)…(1)其中T(N)为焊接处的中心温度，T(O)为时间Δt之前的中心温度，α为假定热的移动变化是相似形时的常数，k为被焊接物体的热传导率，Δl为焊接处的厚度，c为被焊接物的比热，σ为密度，S为通电面积，ΔV为焊接处的连接电压(焊接电压)，I为焊接处的连接电流(焊接电流)。
亦即，某一时刻的连接处的温度T(N)表示为瞬间之前的连接处的温度(右边第1项)与时间Δt间热量输入引起发热的和。右边第1项的括号内的第2项表示热的移动变化。在这里，每一种母材的α都根据实验决定。
根据式(1)，焊接处温度的计算以一次数值计算完成。因此，与已有的温度计算方法相比，计算时间可以大大减少。又，构成该运算功能所需要的费用可以更便宜。
又，动态模拟模型的一般解如下面的式(2)所示，(参照近代科学社出版的「神经计算机计算的数学基础」第19页式(13))。
对于电阻焊接部的热传导模型热传导方程的解如式(3)所示(参照产报出版的「焊接-连接选书第1卷，焊接-连接工艺的基础」第235页式(6.17))。
动态模拟模型的一般解和热传导方程式的解的基波，如下所述是相同形式的方程式。
u(t)=τV(1-exp(-t/τ) …(2)其中τ为时间常数，V为外部输入，Tc/To≈32/π3×(1-exp(-t/τ)) …(3)其中τ为时间常数，Tc为焊接处的中心温度，To为焊接处的最高温度。
动态模拟模型的内部电位(输出)可以认为能够用作表示焊接处的温度状态的参数。
而且，在限定的焊接环境、例如1)焊接处通电直径的变化小。2)焊接处的厚度变化可以忽略不计等条件下，可以推测，作为向神经网络的输入，至少可使用连接(焊接)电流和连接(焊接)电压。
如果不可以忽略不计的状态变化的发生因素事前判明，则应将这些因素追加到对神经网络的输入中去。
采用这种方法，则对于连接(焊接)状态的考虑，例如被焊接物体(被焊接材料)的形状、电极形状，以及合适的神经网络结构等的先期准备可以更加容易。
在上面所述中，利用了电阻焊接中热传导方程式的解与动态模拟模型的一般解的相似。
在光、激光加热、加热的工具的接触加热等，可以利用同样的相似性方便地构成神经网络。将电阻焊接的电流、电压分别置换为光输入产生的热、照射直径、工具温度等。借助于此，可以与电阻焊接的情况一样，方便地决定神经网络的构成及其输入的种类。这时，也可以决定神经网络需要的、应该学习的项目的数目。
又，为了直接利用表示连接质量(焊接质量)的连接强度(焊接强度)进行连接控制(焊接控制)，在神经网络中使用图3所示的结构的神经元。用该神经元元件，利用动态模拟模型，将其输出(内部电位)进行差分求解就得到式(4)，u(t+dt)=A0·u(t)+x1…(4)其中A0为反馈系数，x1为输入变化量。将该输出用sigmoid函数、例如式(5)所示的函数表示。
y=B/(1+exp(-(u-u0)w)) …(5)利用式(4)和式(5)，将输入动态模拟模型的教师数据中包含的焊接电流、焊接电压与教师数据的焊接强度的关系作为学习结果使其学习。B根据焊接处的饱和强度决定。解根据学习结果得到的联立方程，决定未知参数A0、u0、w。
该式(4)和式(5)的动态模拟模型的结构的输出数值就是表示焊接强度的数值。利用该数值为基准进行焊接控制可以控制焊接强度。
又，做成这种结构，并使用焊接强度数据作为教师数据，使神经网络学习成为可能。
如上所述，将动态模拟模型组装到神经网络中，为限定控制对象的施工形态(焊接过程，welding procedure)，就能够使用于控制用途。
为了推广到更广泛的施工对象(工件)，对模型进行修正是必要的。
对于施工对象(工件)的物理常数，可以考虑如下所述进行变更的方法。
a)根据内部电位的状态变化来变更影响动态模拟模型的内部电位的物理常数因子。
b)比照其他检测方法得到的焊接处的温度、例如根据热传导方程式导出的焊接处温度和根据热图像数据推定的焊接处的温度相重合来加以变更。
c)施工对象(工件)的形状变化、例如焊接处厚度的变化可以检测电极的移动量、电极加压力的变化量后进行修正。
d)对于通电面积变化，可以根据焊接处的温度、该材料在该温度下的固有电阻值、以及从该时刻的电流和电压求出的焊接处电阻值，计算出通电面积。
又，检测焊接处状态变化以进行控制用的检测方法也可以利用下面所述方法。
1)焊接时的声音变化，2)焊接时发出的光，3)根据声音的变化推定的焊接处材料组成的变化。
2)又可以利用焊接处的温度分布。焊接处的温度分布可以从例如电极移动量求出。该方法公开于例如上述日本特公平7-16791号。
上述物理常数的变更方法也可以使用于式(1)的常数α的、相应于连接材料(焊接材料)等的调整。
向来，确认焊接现场的焊接装置运行情况的方法主要是对焊接处进行破坏性检查。焊接状况的判断需要很多经验和知识。因此在现场进行简单的焊接状况评价是困难的。
焊接结束之后的、神经网络中的动态模拟模型的输出(内部电位)表示与焊接处达到的强度有关的数值，这一点已经说明过。将该内部电位输出到神经网络外部作为焊接评价指数。
还有，可以利用观察焊接处在焊接时的变色情况，准备好焊接评价指数与该变色状态的关系的对比表。这时，利用这种对比表可以很容易地确认焊接装置在现场的运行状况。
再者，对焊接处的图像进行图像处理，利用颜色信息对施工(焊接过程，weldingprocedure)的确认工作进行判断，通常可以监视焊接装置的运行状况。
根据焊接评价指数与变色状态的关系，在焊接评价指数超过允许限度的情况下，对设备、被焊接材料进行核查，可以确保焊接质量。
下面对将动态模拟模型使用于焊接处的焊接控制的情况下的状态进行说明。
如上所述，动态模拟模型的内部电位可以作为焊接处的评价指数使用。又，该内部电位是时间的函数。
在电阻焊接中，该焊接评价指数由输入焊接处的热量、即焊接电流和焊接电压决定。在光、激光焊接等焊接中也可以同样用输入焊接处的热量求评价指数。
以电阻焊接的情况为例，电流作为外部输入是可以设定的。焊接电压对焊接过程进行监控，可以表示为以电流为变数的函数。
然后，以随着焊接的进行计算出的焊接处评价指数为依据，利用各时刻的焊接电流值与用电流的函数表示的焊接电压的推测值，计算焊接结束时焊接处的评价指数达到的预测值。
在该预测值与作为焊接结束时达到的目标的焊接处评价指数目标值不同的情况下，改变焊接电流使两者的差消失。
在达到结束焊接的设定时间之前如果焊接处的评价指数超过目标值，则也可以在该时刻结束焊接。又，反之在评价指数没有达到目标值的情况下则只要延长焊接时间即可。
又，在焊接期间，多次反复进行上述目标值与到达的预测值的计算值的比较，直到设定的焊接结束时刻为止，以此提高在设定的焊接结束时刻达到目标值的精度。如果焊接结束时刻评价指数达到的数值与目标值之间存在差异，则对焊接时间进行微调。
实施例1下面对本发明第1具体实施形态进行说明。
在图1中，电阻凸焊机11(下称“焊机11”)以未图示的电极夹着焊接处104，用未图示的加压机构加压，对图4所示的被焊接材料进行凸焊接(projection焊接)。
作为连接条件设定部的焊接条件设定部12对连接条件(焊接条件)进行设定，预先决定焊接质量标准，作成教师数据16。焊机控制部3根据神经网络4的输出值对焊机11输出焊接条件指令。在本实施例中，控制部13对焊接电流进行控制。
还有，焊机11包含检测部(未图示)。检测部对连接部(焊接部)的连接状态(焊接状态)进行观察和检测。
神经网络14由1个动态模拟模型类型的神经元构成。焊机11将焊接时的焊接电压V和焊接电流I输入神经网络14。
学习部15输入教师数据16。学习部15根据学习决定神经网络14的反馈系数及神经元输出目标值。由学习部15决定的反馈系数、神经元输出目标值设定于神经网络14。
下面对本实施例的动作加以说明。
焊接条件设定部2变更焊接电流、焊接时间、电极施加的压力(下面将这些称为“焊接条件”)的组合。以测定焊接部达到的温度得到的数据作为教师数据16。
在这里，也可以使用焊接部104表面由于高热引起变色的信息。
使用变色信息时，从图4中箭头106所示的方向观察焊接处表面的变色状况。
又，除了电极上施加的压力引起的焊接电流、焊接电压变化量外，焊接处的尺寸变化量也可以作为教师数据16使用。
又，在进行焊接时，焊接部104温度升高，这时焊接部发光。该发出的光也可以作为教师数据使用。又，在激光焊接的情况下，也可以利用激光焊接处的反射光。
学习部15读入教师数据16，利用能够得到大致相同的焊接结果的焊接条件的数据组，解联立方程计算出反馈数据。
进行控制所需要的神经元输出目标值用如下所述方法求得。
1)可以在反馈数据决定之后，由学习部15再度对教师数据16进行处理，根据能够得到良好的焊接结果(例如用抗拉强度判定)的神经元输出值范围决定目标值。
2)也可以首先决定目标值，求反馈系数以输出该目标值。
图5表示神经元输出目标值与表示焊接结果是否良好的抗拉强度的关系。
根据图5，可以求出在本实施例中能够得到满足要求的抗拉强度的神经元输出范围。于是，神经元输出目标值取90，良好的神经元输出范围取±20。
图6是从焊接开始到焊接结束的神经元输出的一个例子。
将由学习部15决定的各数值输入输入神经网络14。这样就完成了执行焊接的准备工作。
焊接进行时，神经网络4将1)神经元输出目标值与2)图6所示的焊接时输出的神经元输出信号的差加以输出。该差值被输入焊机控制部13。控制部13改变焊机13的焊接条件以使该差值消失。于是就重现作为目标的焊接结果。
在本实施例中，为了改变焊接条件，改变了焊接电流。
又，在通过改变焊接时间来改变焊接条件的情况下，也可以在达到神经元输出目标值的时刻结束焊接工作。在这种情况下，神经元输出目标值只对于焊接结束时刻的值是必要的，对于焊接过程中的特性不是必要的。
又考虑到把电极施加的压力作为变更焊接条件用的参数。这时如果加压机构的响应速度快，也能够得到与上述例子相同的效果。
实施例2下面对本发明第2个具体实施例进行说明。
在图7中，电阻点焊机21用电极尖端夹着被焊接的材料的焊接处22加压同时进行加热，生成熔核(nugget)。温度计算部23利用由焊机21提供的焊接处22的电压、电流及被焊接材料的固有电阻特性数据(A)26、比热温度特性数据(B)27，计算焊接处的温度。
在这里，焊机焊机21包含检测部(未图示)。检测部对焊接处的焊机状态进行观察和检测。
温度计算部23还计算电极尖端之间的电阻Rm。鉴别处理部24将实测的电极尖端之间的电阻Re与Rm加以比较，求出通电直径dc，输出到温度计算部23。
预测控制部25根据温度计算部23计算出的焊接处的温度对电阻焊机71的电压和电流进行控制。
下面对实施例2的动作进行说明。
图8是本实施例的动作流程图。下面根据该流程图对焊接控制序列进行说明。
在焊接开始时刻，焊接处的温度T0设定为20℃。内部温度T1是将数据(A)26及数据(B)27的数值、电流值和电压值代入式(1)求出的。式(1)的通电面积S的直径dc在通电开始时刻取初始值，即取6mm。在温度的计算结束之后，根据测定的电压和电流求焊接处的电阻值R。再利用计算方法求出电阻值r。
r=ρ·l/S …(6)其中ρ为固有电阻，l为焊接处的板厚，S为通电部的面积接着将两者加以比较，如果R＞r，则减小dc，而如果R＜r，则加大dc，如果R=r，则以原来的值转移到下一次计算循环中。
在接着的计算中将计算出的内部温度T1用于T0。固有电阻特性的数据(A)26及比热温度特性的数据(B)27的数值使用在温度T1的数值。通电路径的直径dc使用前一次计算决定的数值。电压和电流使用新测定的数值。
又，式(1)的计算所需要的密度、焊接处厚度、热传导率在该流程的最初包含于读入的焊接条件因素中。
与前一次计算一样，计算出T2，根据电阻的实测值R与计算值r的比较决定cd。如果焊接没有结束，序列就转移到下一计算循环。该过程反复进行，直到焊接结束，计算出焊接处的温度变化。
还有，式(1)的系数α也可以根据温度计算部23的输出进行调整。
图9A与图9B是根据该焊接处的温度变化可靠地生成熔核的控制方法说明图。如图9B所示，温度计算部23逐次以上述方法计算焊接中心部的温度。按照该温度变化如图9A所示对焊接电流进行控制，以此在目标时刻ts生成熔核。
图10是表示焊接打点次数与熔核直径/焊接电流的变化。
已有的恒电流焊接方法焊接打点次数达到1500～2000次以上时由于电极的消耗已经不能够生成熔核。而在本实施例即使打点次数达到3000次以上也能够生成熔核，电极寿命大大延长。
本实施例中，焊接电流从焊接开始时刻的6kA左右增加到打点次数3000次左右时的7.5kA左右。
采用本实施例，温度计算部23不使用昂贵的具有高速因素功能的CPU，而采用廉价的CPU也能够实现。
还有，本实施例在目标时刻将计算温度控制为目标温度。在这里，目标温度是钢板的熔化温度。
还有控制计算温度的增加速率也有抑制焊接中发生的喷溅的效果。
实施例3下面对本发明实施例3进行说明。
在实际焊接现场，由于被焊接材料的尺寸或形状的误差、压力加工时的变形尺寸偏差等原因，有对被焊接材料的端部进行焊接的情况。
在这样的情况下，与非端部的正常位置在热容量、发热分布有所不同，因此在采用与正常位置相同的焊接条件进行焊接的情况下，有发生极端变形、喷溅，影响焊接质量的情况。在这样的焊接状况下，将焊接条件改变为适应该状况的条件能够改善焊接质量。
为了推定其焊接位置，自动改变为与该状态相应的焊接条件，采用了神经网络。在这种情况下，有必要判断焊接位置是否端部。利用电极施加压力的变化作为该判断的信息。
下面对本实施例的结构和动作加以说明。
在图11中，焊接电源装置31包含加压部。神经网络34将计算结果输出到焊接电源装置31的输出控制部33。
控制部33对电源装置31进行控制。学习手段35利用教师数据36计算出神经网络的反馈系数、加权系数。
作为连接电压检测部的焊接电压检测部37对焊接电压进行检测。作为连接电流检测部的焊接电流检测部38对焊接电流进行检测。
加压力检测部39对焊接时发生的电极加压力的变化进行测定。加压力变化特性输出部40在焊接开始后经过规定时间的时刻对加压力检测部39得到的加压力变化特性进行计算处理，对测定值进行计算处理。还有，输出部40将该结果传达到神经网络4。焊接输出设定部32设定输出控制部33的条件。
焊接电源装置31用未图示的加压部夹住也未图示的由钢板或铝板构成的工件，按照焊接输出设定部32的焊接指令所规定的电流值通焊接电流进行电阻焊接。焊接电流检测部8对焊接电流进行检测。焊接电压检测部37对焊接时工件上发生的焊接电压进行检测，将其传达到神经网络34的输入。
又，组装于加压部的未图示的加压力传感器输出的信号被输入加压力检测部39。而加压力变化特性输出部40将焊接开始起经过规定时间的时刻的测定值的计算处理结果、即加压力变化特性量H传递到神经网络34的其他输入。
下面对神经网络34进行说明。
神经网络34的结构示于图12。其结构为3个输入，2个中间层，1个输出层。输入之一是其输出反馈到输入。利用所述焊接电流I、焊接电压V及加压力特性输出手段110，输入层输入加压力变化特性量H。
加压力变化特性量H是将在图13B所示的加压力特性显示出最大值起5毫秒后的值以最大值为基准归一化后输入。
神经网络34采取在加压力变化特性量H输入之前令输出C稳定的结构。因此在加压力变化特性量H输入之前输出控制部33按照输出设定部32设定的焊接条件继续进行焊接工作。
又，输入焊接电流I和焊接电压V的神经元，利用事前在学习部35用教师数据36决定的反馈系数A0，从焊接开始时刻起开始进行学习。加权系数wij、vij由学习部35事前利用教师数据36决定。
在这里，一旦输入特性量H，神经网络34就利用事前决定的这些系数改变输出C。输出控制部33根据该输出C对焊接电源装置31输出关于焊接电流值的指令，改变焊接条件。
图13A和图13B表示本实施例的教师数据6的一个例子。
图13A所示的焊接工作中的电流、电压数据组被输入神经网络34的进行学习的神经元。亦即将与多个焊接时间对应的电流、电压数据输入神经元。采用抗拉强度值作为焊接结果是否良好的判别基准，决定反馈系数A0。在本实施例的情况下，A0采用0.94。
又，图13B表示焊接中加压力的变化。在该图中，随着焊接位置向工件端部靠近，加压力变化特性的变化如曲线41→42→43→44所示。
以加压力特性的最大值为基准将41～44的曲线归一化，并且以显示最大值的时刻起5毫秒以后得到的值作为加压力变化特性值H。
该值被输入神经网络34。
学习部35使用个人电脑。该个人电脑设定为能够根据学习用的程序及对具有输入层、中间层、输出层的通常的静态模拟模型的加权系数进行计算用的学习程序动作。
又，加权系数的计算使用向后传播(backpropagation)方法。
已有的焊接方法如上所述由于被焊接的材料的形状不整齐，被焊接的材料在对位置时发生偏差。在焊接点是在被焊接材料的端部时，焊接处熔化的金属有时向外部飞溅、即发生喷溅。因此在包括焊接处的装置内残留飞散的金属，有可能损害装置的可靠性。
使用本实施例的结果是，在焊接点位于被焊接的材料端部的情况下，在靠近端部的焊接点进行焊接时，改变焊接条件、也就是使焊接电流、焊接电压或电极加压力迅速下降。这样可以使喷溅几乎不发生，焊接强度也能够得到可以满足的结果。
还有，焊接位置的学习在本实施例中使用加压力变化特性。使用焊接电极的位移量、即电极移动量的方法也能够得到相同的效果。又，用CCD摄像机对焊接位置进行摄影，以该图像为依据直接将焊接位置输入，则能够得到更好的效果。
如上所述，本发明能够得到下述效果。
1)提供能够适应复杂的连接状态(焊接状态)变化的控制方法。
2)能够缩短数值计算时间。从而能够实现控制速度的提高、数值运算功能的低成本化。同时能够提供廉价的、不需要学习过程的控制方法。
3)对神经网络的输入数目限制于最小数目。而且学习数目至少能够减少网络的输出误差。于是，可以提供能进行高效率学习的、连接性能良好的连接装置。
4)实现更实用的连接控制。
5)能够提供适用范围扩大的，而且可以得到高精度控制结果的控制方法。
6)提供使用于连接现场(焊接现场)时连接控制装置的管理和工作状况的确认方法。
7)能够确保连接质量、生产线节拍。
权利要求
1．一种连接装置，其特征在于，具备(a)对被连接物体在连接时连接部的连接状态进行检测的检测部、(b)对所述连接装置的输出进行控制的控制部、以及(c)在输入层接收所述检测部的输出信号，并且向所述控制部输出信号的神经网络，使构成所述神经网络的神经元的输出与所述神经元的输入重叠。
2．一种连接装置，其特征在于，具备(a)对被连接物体在连接时连接部的连接状态进行检测的检测部、(b)对所述连接装置的输出进行控制的控制部、以及(c)在输入层接收所述检测部的输出信号，并且向所述控制部输出信号的神经网络，所述神经网络依据热传导方程式的输出特性构成。
3．根据权利要求1或2所述的连接装置，其特征在于，用所述检测部检测在所述连接部连接电流、连接电压、发生的光、温度、声音、以及所述被连接物体的组成变化、连接电极的移动量的诸量中的至少一个。
4．根据权利要求1或2所述的连接装置，其特征在于，用所述神经网络计算连接强度特性值。
5．根据权利要求1或2所述的连接装置，其特征在于，将所述被连接物体的变色信息使用于使所述神经元学习的学习手段。
6．根据权利要求1或2所述的连接装置，其特征在于，所述神经网络的特性式的系数根据所述神经网络的输出值调整。
7．根据权利要求1或2所述的连接装置，其特征在于，设置在对所述被连接物体进行连接时对所述被连接物体进行加压的加压机构，根据(1)被加压的所述被连接物体的位移量、以及(2)所述加压机构的加压力根据两者中的至少一个量，对所述神经网络的特性式中的系数进行调整。
8．根据权利要求1或2所述的连接装置，其特征在于，所述神经网络的特性式中的系数根据所述连接部分的温度分布信息进行调整。
9．根据权利要求1或2所述的连接装置，其特征在于，所述控制部将所述神经网络的输出特性值与基准值进行比较，在判定为满足所述基准值时使连接操作结束。
10．根据权利要求1或2所述的连接装置，其特征在于，所述控制部在连接工作中将所述神经网络的输出特性值与基准值进行比较，向着消除其与基准值的差的方向改变连接条件。
11．根据权利要求1或2所述的连接装置，其特征在于，所述控制部在连接进行期间将所述神经网络的输出特性值与连接结束时要达到的目标基准值进行比较，根据(1)所述输出特性值的输出历史、(2)连接电压在连接进行时的变化的推定特性、以及(3)所述连接部的温度在连接进行时的变化的推定特性中的至少其一，计算出为要达到所述目标基准值用的连接条件的变更量并输出。
12．根据权利要求10所述的连接装置，其特征在于，用所述控制部改变的所述连接条件是在所述连接部的电流、电压、电功率、加压力、光、输入的热量中的至少一种。
13．一种连接装置，其特征在于，具备(a)对被连接物体在连接时连接部的连接状态进行检测的检测部、(b)对所述连接装置的输出进行控制的控制部、以及接收所述检测部输出的信号，并且向所述控制部输出信号的运算部，在所述运算部使用热传导方程式变形的运算式，即T(N)≈(1-α·k·Δt/Δl)T(O)+ΔV·I·Δt/c·σ·S·Δl其中α为假定热的移动变化是相似形时的系数，T(N)为所述连接部的中心温度，T(O)为时间Δt之前的中心温度，k为所述被连接物体的热传导率，Δl为所述连接处的厚度，c为所述被连接物体的比热，σ为密度，S为通电面积，ΔV为所述连接处的连接电压，I为所述连接处的连接电流。
14．根据权利要求13所述的连接装置，其特征在于，用所述检测部检测在所述连接部的连接电流、连接电压、发生的光、温度、声音、以及所述被连接物体的组成变化、连接电极的移动量中的至少一种。
15．根据权利要求13或14所述的连接装置，其特征在于，所述运算式中的系数α根据所述运算部的输出值调整。
16．根据权利要求13或14所述的连接装置，其特征在于，设置在对所述被连接物体进行连接时对所述被连接物体进行加压的加压机构，根据(1)所述加压机构产生的被连接物体之间的位移量、以及(2)所述加压机构的加压力两者中的至少一个量，对所述运算式中的系数α进行调整。
17．根据权利要求13或14所述的连接装置，其特征在于，所述运算式中的系数α根据所述连接部的温度分布信息进行调整。
18．根据权利要求13或14所述的连接装置，其特征在于，所述控制部将所述运算式的输出特性值与基准值进行比较，在判定为满足基准值时使连接操作结束。
19．根据权利要求13或14所述的连接装置，其特征在于，所述控制部在连接工作进行中对所述运算式的输出特性值与基准值进行预测、比较，向着消除其与基准值的差值的方向改变连接条件。
20．根据权利要求13或14所述的连接装置，其特征在于，所述控制部在连接进行期间对所述运算式的输出特性值与连接结束时要达到的目标基准值进行预测、比较，根据(1)所述输出特性值的输出历史、(2)连接电压在连接进行时的变化的推定特性、以及(3)所述连接部的温度在连接进行时的变化的推定特性中的至少其一，计算出达到所述目标基准值用的连接条件的变更量并输出。
21．根据权利要求19所述的连接装置，其特征在于，用所述控制部改变的所述连接条件是在所述连接部的电流、电压、电功率、加压力、光、输入的热量中的至少一种。
22．根据权利要求20所述的连接装置，其特征在于，用所述控制部改变的所述连接条件是在所述连接部的电流、电压、电功率、加压力、光、输入的热量中的至少一种。
23．根据权利要求11所述的连接装置，其特征在于，用所述控制部改变的所述连接条件是在所述连接部的电流、电压、电功率、加压力、光、输入的热量中的至少一种。
全文摘要
本发明涉及在连接过程的控制中使用神经(neural)网络的连接装置。神经元(neurone)使用动态模拟模型。检测部对被连接物体在连接时连接部的连接状态进行检测。控制部对连接装置的输出进行控制。神经网络根据检测部的输出信号向控制部输出信号。于是,能够得到能够与复杂的连接状态变化相对应的连接装置。而且利用与热传导方程式的相似性抑制向神经网络的输入数目。又利用热传导方程的近似解,既保持精度又缩短数值计算时间。
文档编号B23K11/25GK1319473SQ0111231
公开日2001年10月31日 申请日期2001年3月30日 优先权日2000年3月30日
发明者藤井孝治, 王静波, 渡边镇, 后藤康宏, 龙堂诚, 松山钦一 申请人:松下电器产业株式会社