特許 7597054 スポット溶接におけるナゲット径の推定方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-12-02

(45)【発行日】2024-12-10

(54)【発明の名称】スポット溶接におけるナゲット径の推定方法

(51)【国際特許分類】

   B23K 31/00 20060101AFI20241203BHJP

   G06N 20/00 20190101ALI20241203BHJP

   B23K 11/11 20060101ALI20241203BHJP

   B23K 11/25 20060101ALI20241203BHJP

【ＦＩ】

B23K31/00 Z

G06N20/00

B23K11/11 593Z

B23K11/25

【請求項の数】 1

(21)【出願番号】P 2022025335

(22)【出願日】2022-02-22

(65)【公開番号】P2023121955

(43)【公開日】2023-09-01

【審査請求日】2024-03-20

(73)【特許権者】

【識別番号】000003207

【氏名又は名称】トヨタ自動車株式会社

(74)【代理人】

【識別番号】110000028

【氏名又は名称】弁理士法人明成国際特許事務所

(72)【発明者】

【氏名】松木 優樹

(72)【発明者】

【氏名】泉野 亨輔

(72)【発明者】

【氏名】関口 智彦

(72)【発明者】

【氏名】小倉 修平

【審査官】杉田 隼一

(56)【参考文献】

【文献】特開２００４－１６０５１０（ＪＰ，Ａ）

【文献】特開平１１－５８０２８（ＪＰ，Ａ）

【文献】特開２０１９－１８５５３０（ＪＰ，Ａ）

【文献】特開２０２０－１７９４０６（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｂ２３Ｋ ３１／００

Ｇ０６Ｎ ２０／００

Ｂ２３Ｋ １１／１１

(57)【特許請求の範囲】

【請求項1】

スポット溶接におけるナゲット径の推定方法であって、
前記ナゲット径の大小に影響を与え得る外乱条件を変化させて前記スポット溶接を実行した場合の前記ナゲット径と、前記スポット溶接における溶接パラメータの時系列データである溶接波形とを、前記外乱条件ごとに紐付けた教師データを含む、データセットを取得する取得工程と、
前記データセットを学習済みの第１学習モデルに入力することによって、予め定められた複数の特徴パラメータごとの値を、前記溶接波形の特徴量として生成する特徴量生成工程と、
前記特徴パラメータと、前記特徴パラメータに対応する前記特徴量と、を学習済みの第２学習モデルに入力することによって、前記ナゲット径との相関が高い前記特徴パラメータを選別する選別工程と、
複数の機械学習モデルである複数の回帰モデルのそれぞれに対して、選別された前記特徴パラメータに係る前記特徴量を入力することによって、前記選別された前記特徴パラメータに係る前記特徴量を説明変数とし、前記ナゲット径を目的変数とした回帰式を、前記複数の回帰モデルのそれぞれについて機械学習によって作成する回帰式作成工程と、
機械学習された複数の前記回帰式の中から、前記ナゲット径との相関が高い回帰式を選定する回帰式選定工程と、を備える、推定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、スポット溶接におけるナゲット径の推定方法に関する。

【背景技術】

【0002】

従来、タガネ試験などの実物確認に基づいた溶接品質の良否に係る判定結果を学習した機械学習モデルを用いて、スポット溶接の溶接品質を診断する技術が知られている（特許文献１）。この技術では、電極間変位量などの溶接時における時系列的な推移を示す時系列データが内部関数として入力され、溶接品質の良否が出力されるように構成された機械学習モデルに対して、実物確認による判定結果が直接に入力される。これにより、閾値やパラメータの調整などを行うことなく、内部関数の学習が行われる。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１６－２０３２４６号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

従来の技術では、溶接品質を判定するための内部関数をシステムが一から学習している。つまり、時系列データに含まれる種々の特徴の中から溶接品質の良否に関わる要素を抽出するための抽出項目の選別についても、学習の過程で行う必要がある。そのため、より精度の高い内部関数を構築するためには、大量のデータを準備する工数を要する。また、従来の技術では、システムが内部関数を構築するため、内部関数に複雑な特徴量が含まれる場合が生じ得る。そのため、内部関数に不備が生じた場合に、修正すべき箇所や修正方法を人間が理解することが困難となる可能性がある。

【課題を解決するための手段】

【0005】

本開示は、以下の形態として実現することが可能である。

【0006】

本開示の一形態によれば、スポット溶接におけるナゲット径の推定方法が提供される。スポット溶接におけるナゲット径の推定方法は、前記ナゲット径の大小に影響を与え得る外乱条件を変化させて前記スポット溶接を実行した場合の前記ナゲット径と、前記スポット溶接における溶接パラメータの時系列データである溶接波形とを、前記外乱条件ごとに紐付けた教師データを含む、データセットを取得する取得工程と、前記データセットを学習済みの第１学習モデルに入力することによって、予め定められた複数の特徴パラメータごとの値を、前記溶接波形の特徴量として生成する特徴量生成工程と、前記特徴パラメータと、前記特徴パラメータに対応する前記特徴量と、を学習済みの第２学習モデルに入力することによって、前記ナゲット径との相関が高い前記特徴パラメータを選別する選別工程と、複数の機械学習モデルである複数の回帰モデルのそれぞれに対して、選別された前記特徴パラメータに係る前記特徴量を入力することによって、前記選別された前記特徴パラメータに係る前記特徴量を説明変数とし、前記ナゲット径を目的変数とした回帰式を、前記複数の回帰モデルのそれぞれについて機械学習によって作成する回帰式作成工程と、機械学習された複数の前記回帰式の中から、前記ナゲット径との相関が高い回帰式を選定する回帰式選定工程と、を備える。この形態によれば、溶接波形に含まれる種々の特徴の中からナゲット径との相関が高い要素を抽出するための抽出項目が予め設定された学習モデルによって、回帰式の説明変数として用いる特徴パラメータおよび特徴量を選別することができる。さらに、この形態によれば、外乱条件を変化させてスポット溶接を実行した場合のナゲット径と溶接波形とを、外乱条件ごとに紐付けた教師データを含むデータセットを用いて、回帰式が作成される。これにより、データセットに含まれる教師データの数が少ない場合であっても、特徴パラメータの選別に係る精度が低下することを抑制できる。よって、大量のデータを準備する工数を要することなく、より精度の高い回帰式を選別して、ナゲット径を推定することができる。また、この形態によれば、特徴パラメータの種類および特徴パラメータの選別方法が予め設定されており、選別された特徴パラメータに係る特徴量が回帰式の説明変数として用いられる。そのため、特徴パラメータおよび特徴量の選別に係る根拠や、説明変数を構成する要素を人間が把握することができる。つまり、学習の過程において、回帰式を導き出す根拠となるパラメータを人間が認識することができる。よって、回帰式に不備が生じた場合に、修正すべき箇所や修正方法を人間が理解しやすくできる。
本開示は、上記のスポット溶接におけるナゲット径の推定方法以外の種々の形態で実現することが可能である。例えば、スポット溶接におけるナゲット径の推定装置の製造方法、推定装置の制御方法、その制御方法を実現するためのコンピュータプログラム、そのコンピュータプログラムに記録した一時的でない記録媒体等の形態で実現することができる。

【図面の簡単な説明】

【0007】

【図1】本実施形態におけるスポット溶接装置の概略構成を示す模式図。

【図2】制御装置の概略構成を示す図。

【図3】本実施形態におけるナゲット径の推定方法を示すフローチャート。

【図4】取得工程の詳細を示すフローチャート。

【図5】抵抗値の溶接波形を外乱条件ごとに示したグラフ。

【図6】加圧力の溶接波形を外乱条件ごとに示したグラフ。

【図7】外乱条件を変化させて溶接した場合におけるナゲット径の一例を示す図。

【図8】特徴量生成工程の詳細を示すフローチャート。

【図9】第１学習モデルから出力される選別前特徴量データの一部を示す図。

【図10】選別工程の詳細を示すフローチャート。

【図11】第２学習モデルから出力される選別後特徴量データの一部を示す図。

【図12】入力用特徴量データの一部を示す図。

【図13】回帰式作成工程の詳細を示すフローチャート。

【図14】回帰式選定工程の詳細を示すフローチャート。

【図15】回帰式ごとの寄与率を示す図。

【図16】第２実施形態における選別工程の詳細を示すフローチャート。

【図17】選別された特徴パラメータの特徴量とナゲット径との関係を示すグラフ。

【発明を実施するための形態】

【0008】

Ａ．第１実施形態：
図１は、本実施形態におけるスポット溶接装置１０の概略構成を示す模式図である。スポット溶接装置１０は、複数の金属板Ｗ１，Ｗ２を重ね合わせた被溶接材Ｗを溶融して接合する装置である。スポット溶接装置１０は、スポット溶接ガンＧと、ロボットアームＲＡと、制御装置１００と、測定機構９と、を備える。

【0009】

スポット溶接ガンＧは、ガン本体１と、一対の電極である上部電極２および下部電極３と、電極昇降装置４と、電流調整装置５とを備える。ガン本体１は、ロボットアームＲＡに保持されている。上部電極２はガン本体１の上部１ａに電極昇降装置４を介して装着されている。下部電極３は、ガン本体１の下部１ｂに配置されている。被溶接材Ｗを溶接する場合には、上部電極２と下部電極３とによって被溶接材Ｗが挟まれて加圧され、上部電極２と下部電極３との間に電流が流される。これにより、抵抗発熱によって被溶接材Ｗが溶融して、その後に凝固することで、複数の金属板Ｗ１，Ｗ２が接合される。複数の金属板Ｗ１，Ｗ２が接合された接合界面には、ナゲットが形成される。ナゲットは、金属板Ｗ１，Ｗ２が溶融した後に凝固した接合部分である。ナゲットの形状は、一般に、接合部を中心面とする概ね碁石形状である。

【0010】

電極昇降装置４は、上部電極２を保持して昇降させる電動式の装置である。電極昇降装置４は、ガン本体１の上部１ａの先端に装着されている。電極昇降装置４は、サーボモータ４１と、サーボモータ４１の駆動軸と結合している昇降部材４２とを備える。電極昇降装置４は、制御装置１００からの指令信号に従ってサーボモータ４１を作動させることで、昇降部材４２を昇降させる。これにより、上部電極２と下部電極３との間で被溶接材Ｗが挟持される。

【0011】

電流調整装置５は、制御装置１００から送信される電流指令に応じて上部電極２と下部電極３との間に流す溶接電流の値（以下、電流値）を調整する。電流調整装置５は、例えば、可変抵抗器を備えた装置やコンバータを備えた装置である。

【0012】

制御装置１００は、スポット溶接装置１０の動作を制御すると共に、溶接品質を判定する一手段としてスポット溶接におけるナゲットの寸法（以下、ナゲット径Ｄ１）を推定する。つまり、本実施形態では、制御装置１００は、スポット溶接におけるナゲット径Ｄ１を推定するための推定装置としての機能を併せ持つ。なお、推定装置は、制御装置１００とは別体に構成され、有線や無線によってデータ通信する構成であってもよい。

【0013】

図２は、制御装置１００の概略構成を示す図である。制御装置１００は、通信部３０と、ディスプレイ４０と、入力操作部５０と、記憶部６０と、ＣＰＵ２０とを備える。制御装置１００は、例えば、各構成要素２０～６０を備えるコンピュータである。通信部３０は、スポット溶接装置１０における他の構成要素と、制御装置１００とを通信可能に接続する。ディスプレイ４０は、例えば、液晶ディスプレイであり、ＣＰＵ２０の指令に応じて、情報を表示する。入力操作部５０は、例えば、キーボードやマウスを有し、ユーザからの指示を受け付ける。

【0014】

記憶部６０は、スポット溶接装置１０の動作を制御する各種プログラムと、後述するデータセットＤと、後述する複数の機械学習モデルＭとを含む各種情報を記憶する。本実施形態では、機械学習モデルＭは、第１学習モデルＭ１と、第２学習モデルＭ２と、第１回帰モデルＭＲ１と、第２回帰モデルＭＲ２と、第３回帰モデルＭＲ３と、によって構成されている。データセットＤおよび機械学習モデルＭの詳細は、後述する。記憶部６０は、ＲＡＭやＲＯＭ、書き換え可能な不揮発性メモリなどを含む。

【0015】

ＣＰＵ２０は、記憶部６０に記憶された各種プログラムを展開することにより、動作制御部２１０と、取得部２２０と、特徴量生成部２３０と、特徴量選別部２４０と、回帰式作成部２５０と、回帰式選定部２６０として機能する。

【0016】

動作制御部２１０は、スポット溶接装置１０の動作を制御する。スポット溶接装置１０の動作は、溶接に際して予め設定されたパラメータ（以下、溶接パラメータ）に応じて制御される。つまり、溶接パラメータは、スポット溶接を実行する際に予め設定される溶接条件である。溶接パラメータは、例えば、電流値、電圧値、通電時間、通電のタイミング、電極２，３の加圧力、加圧のタイミング、上部電極２の変位量（以下、電極変位）である。動作制御部２１０は、これらの動作を統合的に制御する。スポット溶接装置１０の動作は、例えば、入力操作部５０を介して、溶接パラメータがユーザによって設定されることで、動作制御部２１０により制御される。

【0017】

取得部２２０は、ナゲット径Ｄ１と、測定機構９によって測定された各種データＤ２を含むデータセットＤを取得する。特徴量生成部２３０は、データセットＤを学習済みの第１学習モデルＭ１に入力して、後述する特徴パラメータごとの特徴量を生成する。特徴量選別部２４０は、生成された特徴量などのデータを学習済みの第２学習モデルＭ２に入力して、後述する特徴パラメータを選別する。回帰式作成部２５０は、スポット溶接におけるナゲット径Ｄ１を推定するための複数の回帰式Ｆ１～Ｆ３を、第１回帰モデルＭＲ１～第３回帰モデルＭＲ３を機械学習することで作成する。回帰式選定部２６０は、ナゲット径Ｄ１との相関が高い回帰式Ｆ１～Ｆ３を選定する。なお、ＣＰＵ２０の少なくとも一部の機能は、ハードウェア回路によって実現されてもよい。

【0018】

図１に示すように、測定機構９は、スポット溶接装置１０を用いた溶接に必要な物理量として、溶接パラメータの実測値を測定する機構である。ここで言う溶接パラメータの実測値とは、動作制御部２１０から送信される溶接条件に係る指令、つまり、予め設定された溶接パラメータに応じてスポット溶接を実行した場合に、実際に観測される溶接パラメータの値である。本実施形態では、測定機構９は、図２に示すように、電流測定部９１と、電圧測定部９２と、抵抗値算出部９３と、加圧力測定部９４と、電極変位測定部９５とを備える。

【0019】

電流測定部９１は、上部電極２と下部電極３との間に流れた実際の電流値を測定する。電流測定部９１は、例えば、電流センサである。電流測定部９１は、スポット溶接が実行されている間（以下、溶接中）において、予め定められた時間ごとに電流値を測定する。

【0020】

電圧測定部９２は、上部電極２と下部電極３との間における電圧（電位差）を測定する。電圧測定部９２は、例えば、電圧センサである。電圧測定部９２は、溶接中において、予め定められた時間ごとに電圧値を測定する。

【0021】

抵抗値算出部９３は、通電時において測定された電流値と電圧値とを用いて電気抵抗の値（以下、抵抗値）を算出する。具体的には、抵抗値算出部９３は、電圧値を電流値で除算することで、抵抗値を算出する。このとき、抵抗値の算出には、溶接中において同じタイミングで測定された電流値と電圧値とが用いられる。なお、抵抗値算出部９３は、ＣＰＵ２０の一機能として実現されてもよい。

【0022】

加圧力測定部９４は、被溶接材Ｗに対する各電極２，３による加圧力を測定する。加圧力測定部９４は、例えば、電極昇降装置４の内部に収容されたロードセルである。加圧力測定部９４は、溶接中において、予め定められた時間ごとに加圧力を測定する。

【0023】

電極変位測定部９５は、上部電極２の昇降位置を測定する。電極変位測定部９５は、例えば、電極昇降装置４の内部に収容され、サーボモータ４１の出力軸の回転角度位置を検出して上部電極２の昇降位置を測定するエンコーダである。電極変位測定部９５は、溶接中において、予め定められた時間ごとに上部電極２の昇降位置を測定する。

【0024】

測定機構９によって測定された溶接パラメータの実測値は、通信部３０を介して、ＣＰＵ２０に送信される。なお、測定機構９は、他の溶接パラメータを測定するための機構やナゲット径Ｄ１を測定するための機構をさらに備えてもよい。例えば、ナゲット径Ｄ１を非破壊検査によって測定する場合には、ナゲット径Ｄ１を測定するためのナゲット径測定部を設けてもよい。この場合、ナゲット径測定部は、例えば、超音波法や電磁気法によってナゲット径Ｄ１を測定する装置である。

【0025】

図３は、本実施形態におけるナゲット径Ｄ１の推定方法を示すフローチャートである。本実施形態では、制御装置１００（図２）が図３に示すステップＳ１～ステップＳ９を実行することで、ナゲット径Ｄ１を推定するための回帰式Ｆ１～Ｆ３が機械学習によって取得される。これにより、溶接条件（例えば、複数の溶接パラメータの少なくとも１つの値）を変更した場合に、変更後の溶接パラメータなどを回帰式Ｆ１～Ｆ３に入力することで、変更後の溶接条件おいてスポット溶接を実行したときのナゲット径Ｄ１が推定可能となる。スポット溶接におけるナゲット径Ｄ１の推定方法は、取得工程（ステップＳ１）、特徴量生成工程（ステップＳ３）、選別工程（ステップＳ５）、回帰式作成工程（ステップＳ７）、回帰式選定工程（ステップＳ９）の順に実行される。

【0026】

図４は、取得工程（ステップＳ１）の詳細を示すフローチャートである。取得工程（ステップＳ１）は、外乱条件を変化させてスポット溶接を実行した場合のナゲット径Ｄ１と、後述する溶接波形Ｄ２とを、外乱条件ごとに紐付けた教師データを含む、データセットＤを取得する工程である。取得工程（ステップＳ１１～ステップＳ１８）では、溶接工程（ステップＳ１１～ステップＳ１４）と、データセット生成工程（ステップＳ１５～ステップＳ１８）とが、この順で実行される。なお、教師データには、外乱条件が後述する正常状態のときの条件（以下、基準外乱条件）も含む。

【0027】

外乱条件とは、ナゲット径Ｄ１の大小に影響を与え得る条件である。具体的には、外乱条件は、正常状態におけるスポット溶接を基準とした場合に、正常状態とは異なる基準外状態を意図的に作り出すための条件である。外乱条件を変化させることで、例えば、複数の金属板Ｗ１，Ｗ２の間に隙間が形成された状態や、金属板Ｗ１，Ｗ２に対する各電極２，３の接触角度と接触位置との少なくとも一方が正常状態とは異なる状態でスポット溶接が実行される。ここで、本実施形態では、図１に示すように、水平面に載置された金属板Ｗ１，Ｗ２に対して、各電極２，３がそれぞれ垂直に接触する状態を正常状態とする。つまり、金属板Ｗ１，Ｗ２に対する各電極２，３の接触角度が正常状態とは異なる状態で溶接される場合とは、水平面に載置された金属板Ｗ１，Ｗ２に対して、上部電極２と下部電極３との少なくとも一方が垂直ではない状態で接触する場合を指す。垂直ではない状態とは、例えば、水平面に対して３０°傾いた状態である。また、金属板Ｗ１，Ｗ２に対する電極２，３の接触位置が正常状態とは異なる状態で溶接される場合とは、例えば、金属板Ｗ１，Ｗ２の端部Ｗ１ａ，Ｗ２ａ側に電極２，３が接触して、端部Ｗ１ａ，Ｗ２ａ側が溶接される場合を指す。なお、外乱条件は、これに限られるものではなく、他の条件であってもよい。以下において、正常状態において溶接されたサンプルを基準サンプルとも呼び、外乱条件を基準外乱条件から変化させた基準外状態で溶接されたサンプルを基準外サンプルとも呼ぶ。

【0028】

図４に示すように、まず、溶接工程（ステップＳ１１～ステップＳ１４）が実行される。溶接工程（ステップＳ１１～ステップＳ１４）は、データセットＤを構成する教師データを取得するために、各サンプルを溶接して、溶接に係る各種データを測定する工程である。

【0029】

ステップＳ１１において、外乱条件を変化させてスポット溶接を実行した場合のデータを取得するために、外乱条件が設定される。外乱条件の設定は、例えば、入力操作部５０を介してユーザによって行われる。基準サンプルのデータを取得する場合には、外乱条件が「基準外乱条件」となるように設定する。基準外サンプルのデータを取得する場合は、基準外乱条件から変化させた所望の外乱条件を設定する。このとき、１個のサンプルを溶接する場合には、基準外乱条件に対して、１種類の外乱条件を変化させてもよいし、２種類以上の外乱条件を同時に変化させてもよい。本実施形態では、基準サンプルと、基準外乱条件からそれぞれ１種類の外乱条件を変化させた複数の基準外サンプルと、が準備されている。具体的には、基準外サンプルとしての第１基準外サンプル、第２基準外サンプル、および、第３基準外サンプルと、基準外乱条件の基準サンプルと、の４種類のサンプルをスポット溶接によって形成する。基準サンプルと第１～第３基準外サンプルとはそれぞれ、例えば、２５個ずつ作製される。この場合、教師データとして、合計で１００個のデータが取得される。

【0030】

ステップＳ１１の後に、ステップＳ１２が実行される。ステップＳ１２において、動作制御部２１０は、スポット溶接を開始させる。本実施形態では、４種類のサンプルがそれぞれ順に溶接される。なお、各サンプルは、外乱条件が異なるのみで、溶接パラメータの設定値は同一である。

【0031】

ステップＳ１２の後に、ステップＳ１３が実行される。ステップＳ１３において、取得部２２０は、溶接パラメータの実測値を取得する。具体的には、測定機構９が、予め定められた時間ごとに溶接パラメータの各値を測定する。本実施形態では、電流値、電圧値、加圧力、および電極変位の４つの溶接パラメータが測定される。そして、抵抗値算出部９３が、電流値および電圧値の実測値を用いて、抵抗値を算出する。その後、取得部２２０が溶接パラメータの実測値および抵抗値を取得する。

【0032】

ステップＳ１３の後に、ステップＳ１４が実行される。動作制御部２１０は、例えば、溶接が開始された時点（以下、開始時点）から予め設定された通電時間が経過した場合に、溶接が完了したと判定する（ステップＳ１４：Ｙｅｓ）。ステップＳ１４において「Ｙｅｓ」の判定が成された場合には、ステップＳ１５およびステップＳ１６が実行される。

【0033】

これに対して、動作制御部２１０は、例えば、溶接の開始時点から予め設定された通電時間が経過していない場合には、溶接が完了していないと判定する（ステップＳ１４：Ｎｏ）。ステップＳ１４において「Ｎｏ」の判定が成された場合には、動作制御部２１０は、電極２，３への通電を継続させるなど、スポット溶接装置１０の溶接動作を継続させる。そして、ステップＳ１４において「Ｙｅｓ」の判定が成されるまでの間において、ステップＳ１３が繰り返し実行される。つまり、溶接パラメータの実測値は、溶接の開始時点から完了時点までの間において、連続的に測定されている。なお、溶接が完了したか否かの判定は、他の方法によって行われてもよい。

【0034】

溶接工程（ステップＳ１１～ステップＳ１４）の後に、データセット生成工程（ステップＳ１５～ステップＳ１８）が実行される。データセット生成工程（ステップＳ１５～ステップＳ１８）は、溶接工程（ステップＳ１１～ステップＳ１４）において作製されたサンプルのデータから教師データを取得して、データセットＤを生成する工程である。

【0035】

ステップＳ１４の後に、ステップＳ１５およびステップＳ１６が実行される。ステップＳ１５において、取得部２２０は、溶接波形Ｄ２を生成する。溶接波形Ｄ２は、溶接パラメータの実測値を時系列順に並べた時系列データである。つまり、溶接波形Ｄ２は、溶接中における溶接パラメータごとに実測値の推移を表したデータである。

【0036】

図５は、抵抗値の溶接波形Ｄ２を外乱条件ごとに示したグラフである。図６は、加圧力の溶接波形Ｄ２を外乱条件ごとに示したグラフである。図５および図６では、測定機構９によって測定ないし算出された溶接パラメータのうち、抵抗値と加圧力とのそれぞれにおける溶接波形Ｄ２の一例を示している。図５の縦軸は、抵抗値の実測値を表している。図５の横軸は、溶接の開始時点からの経過時間を表している。また、図６の縦軸は、加圧力の実測値を示している。図６の横軸は、溶接の開始時点からの経過時間を表している。図５および図６では、外乱条件の内容による差を分かりやすくするために、基準サンプル、および、第１～第３基準外サンプルの溶接波形Ｄ２を異なる線種によって表している。

【0037】

図５および図６に示すように、外乱条件の内容によって、溶接波形Ｄ２の形状が異なる。つまり、溶接波形Ｄ２は、外乱条件に応じて異なる傾向を示す。なお、溶接波形Ｄ２は、図５および図６のように、グラフとして生成されてもよく、テーブルなどの数値データの集合体として生成されてもよい。溶接波形Ｄ２は、適宜ディスプレイ４０に表示される。

【0038】

データ領域などを調整する前処理が適宜施された溶接波形Ｄ２が教師データとして用いられてもよい。データ領域は、例えば、図５の横軸におけるデータの幅であり、時間幅である。図５に示すように、溶接の開始時点から完了時点まで継続的に一定以上の変動が見られる溶接パラメータもあれば、図６に示すように、溶接の開始時点からしばらくの間には、外乱条件に関わらず変動が極めて小さい溶接パラメータもある。そこで、後の学習において、複数の溶接波形Ｄ２から特徴量を抽出する場合に、異なる溶接パラメータに係る溶接波形Ｄ２同士を比較しやすくするため、データ領域を統一する前処理を施してもよい。なお、前処理の態様は、これに限られるものではない。例えば、溶接波形Ｄ２において特徴的なピークなどの特徴部分が見られる場合などには、特徴部分が含まれるデータ領域を切り出した溶接波形Ｄ２を生成する前処理を施してもよい。

【0039】

図４に示すように、ステップＳ１６において、外乱条件を変化させたサンプルごとにナゲット径Ｄ１を測定する。本実施形態では、基準サンプルおよび第１～第３基準外サンプルは、教師データを得るための実験用サンプルである。よって、これらのナゲット径Ｄ１は、タガネ試験などの破壊検査によって測定している。なお、実際の製造過程において生産された製品を教師データとして用いる場合には、非破壊検査などによってナゲット径Ｄ１を測定してもよい。

【0040】

図７は、外乱条件を変化させてスポット溶接を実行した場合におけるナゲット径Ｄ１の一例を示す図である。図７では、教師データとして用いられるサンプルのうち、一部のサンプルに係るデータを代表して図示している。図７に示すように、外乱条件の内容によって、ナゲット径Ｄ１が異なる。具体的には、第３基準外サンプルのように基準サンプルにおけるナゲット径Ｄ１よりも大きなナゲット径Ｄ１が形成される場合と、第１および第２基準外サンプルのように基準サンプルにおけるナゲット径Ｄ１よりも小さなナゲット径Ｄ１が形成される場合とが観測され得る。なお、ステップＳ１５とステップＳ１６とは、ステップＳ１４の後にステップＳ１８が開始されるまでの間において、いずれか一方が先に実行されてもよく、同時並行的に実行されてもよい。

【0041】

図４に示すように、ステップＳ１５およびステップＳ１６の後に、ステップ１８が実行される。ステップＳ１８において、取得部２２０は、ステップＳ１５において生成された溶接波形Ｄ２と、ステップＳ１６において取得されたナゲット径Ｄ１と、を外乱条件ごとに紐付けた教師データをサンプルごとに生成する。そして、取得部２２０は、複数の教師データを含むデータセットＤを生成する。生成されたデータセットＤは、記憶部６０に記憶される。図４に示すステップＳ１８までの各工程（ステップＳ１１～ステップＳ１８）の実行により、取得工程（ステップＳ１）は終了する。

【0042】

なお、データセットＤに含まれる教師データの数および種類は、これに限られるものではない。データセットＤには、例えば、第１～第３基準外サンプルとは異なる外乱条件のサンプルに係るデータが含まれてもよい。また、同じ外乱条件のサンプルを複数準備して、それぞれを教師データとして用いてもよい。

【0043】

図３に示すように、取得工程（ステップＳ１）の後に、特徴量生成工程（ステップＳ３）が実行される。図８は、特徴量生成工程（ステップＳ３）の詳細を示すフローチャートである。特徴量生成工程（ステップＳ３）は、データセットＤを学習済みの第１学習モデルＭ１（図２）に入力することによって、予め定められた複数の特徴パラメータごとの値を、溶接波形Ｄ２の特徴量として生成する工程である。

【0044】

ステップＳ３１において、特徴量生成部２３０は、記憶部６０に記憶されたデータセットＤを読み込む。

【0045】

ステップＳ３１の後に、ステップＳ３３が実行される。ステップＳ３３において、特徴量生成部２３０は、読み込まれたデータセットＤを学習済みの第１学習モデルＭ１に入力する。そして、ステップＳ３５において、特徴量生成部２３０は、第１学習モデルＭ１からの出力された選別前特徴量データＤＦ１を取得する。選別前特徴量データＤＦ１は、適宜ディスプレイ４０に表示される。

【0046】

図９は、第１学習モデルＭ１から出力される選別前特徴量データＤＦ１の一部を示す図である。図９では、抵抗値に係る特徴パラメータの一例として、特徴パラメータＡ～Ｑが図示され、加圧力に係る特徴パラメータの一例として、特徴パラメータａ～ｆが図示されている。また、図９では、特徴パラメータに対応する特徴量が、サンプルごと、かつ、溶接パラメータごとに図示されている。

【0047】

第１学習モデルＭ１は、学習済みの機械学習モデルＭである。第１学習モデルＭ１には、データセットＤを入力した場合に、１つのサンプルに対して溶接パラメータごとに存在する複数種類の溶接波形Ｄ２から、溶接波形Ｄ２ごとの特徴を示す成分（特徴量）を抽出するためのプログラムが記憶されている。第１学習モデルＭ１は、例えば、プログラミング言語の一種であるｐｙｔｈｏｎによって作成された既存のプログラムによって構成される。

【0048】

第１学習モデルＭ１には、溶接波形Ｄ２に含まれる特徴を、特徴量として抽出するための抽出項目として、複数の特徴パラメータが予め設定されている。そのため、ステップＳ３３（図８）において、データセットＤが第１学習モデルＭ１に入力されると、特徴量生成部２３０は、図９に示すように、各溶接波形Ｄ２に対して、特徴パラメータの値を特徴量としてそれぞれ算出する。そして、ステップＳ３５（図８）において、特徴量生成部２３０は、特徴パラメータと特徴量との対応関係をサンプルおよび溶接パラメータごとにまとめたデータとして、図９に示すような選別前特徴量データＤＦ１を生成する。つまり、図８に示すステップＳ３３およびステップＳ３５は、既存の学習モデルＭ１のアルゴリズム内に、データセットＤを入力することで、特徴パラメータに対応する特徴量を自動的に算出する工程である。

【0049】

特徴パラメータは、例えば、溶接波形Ｄ２の最大値や最小値、分散値、フーリエ係数である。本実施形態では、第１学習モデルＭ１には、約１０００種類の特徴パラメータが予め設定されている。つまり、選別前特徴量データＤＦ１には、各サンプルの溶接波形Ｄ２ごとに、約１０００種類の特徴パラメータに係る値が特徴量として生成される。

【0050】

さらに、選別前特徴量データＤＦ１では、各サンプルに係る特徴量などのデータと、各サンプルのナゲット径Ｄ１とが紐付けられている。

【0051】

なお、第１学習モデルＭ１を構成するプログラムは、ｐｙｔｈｏｎによって作成された既存のプログラム以外のプログラムであってもよい。第１学習モデルＭ１は、任意の特徴パラメータが予め定められ、データセットＤを入力した場合に特徴パラメータごとの値を特徴量として算出できればよい。また、特徴パラメータの数や種類、特徴量の値は、これに限定されるものではない。特徴パラメータの種類は、溶接パラメータごとに異なっていてもよく、同一であってもよい。図８に示すステップＳ３５までの各工程（ステップＳ３１～ステップＳ３５）の実行により、特徴量生成工程（ステップＳ３）は終了する。

【0052】

図３に示すように、特徴量生成工程（ステップＳ３）の後に、選別工程（ステップＳ５）が実行される。図１０は、選別工程（ステップＳ５）の詳細を示すフローチャートである。選別工程（ステップＳ５）は、選別前特徴量データＤＦ１を学習済みの第２学習モデルＭ２（図２）に入力することによって、選別前特徴量データＤＦ１に含まれる複数の特徴パラメータの中から、ナゲット径Ｄ１との相関が高い特徴パラメータを選別する工程である。

【0053】

ステップＳ５１において、特徴量選別部２４０は、記憶部６０に記憶された選別前特徴量データＤＦ１を読み込む。

【0054】

ステップＳ５１の後に、ステップＳ５３が実行される。ステップＳ５３において、特徴量選別部２４０は、読み込まれた選別前特徴量データＤＦ１を学習済みの第２学習モデルＭ２に入力する。そして、ステップＳ５５において、特徴量選別部２４０は、第２学習モデルＭ２から出力された選別後特徴量データＤＦ２を取得する。選別後特徴量データＤＦ２は、適宜ディスプレイ４０に表示される。

【0055】

図１１は、第２学習モデルＭ２から出力される選別後特徴量データＤＦ２の一部を示す図である。図１１では、図１０に示す選別工程（ステップＳ５）の実行により追加されるデータを、図９の抵抗値に係るデータに追記して図示している。

【0056】

第２学習モデルＭ２は、学習済みの機械学習モデルＭである。第２学習モデルＭ２には、選別前特徴量データＤＦ１を入力した場合に、ナゲット径Ｄ１との相関が高い特徴パラメータを選別するためのプログラムが記憶されている。第２学習モデルＭ２は、例えば、プログラミング言語の一種であるｐｙｔｈｏｎによって作成された既存のプログラムによって構成される。第２学習モデルＭ２には、例えば、ナゲット径Ｄ１との相関が高い特徴パラメータを選別するために、相関係数を算出するための第１プログラムと、相関係数を用いてナゲット径Ｄ１との相関が高い特徴パラメータを抽出するための第２プログラムとが含まれる。

【0057】

ステップＳ５３（図１０）において、選別前特徴量データＤＦ１が第２学習モデルＭ２に入力されると、特徴量選別部２４０は、図１１に示すように、第１プログラムを用いて、ナゲット径Ｄ１と各特徴パラメータとの相関係数を算出する。ここで言う相関係数とは、選別前特徴量データＤＦ１に含まれる各特徴量に基づいて算出される値であって、ナゲット径Ｄ１と特徴パラメータとの相関関係の度合いを示す値である。つまり、相関係数は、任意の溶接パラメータ（例えば、抵抗値）について、選別前特徴量データＤＦ１に含まれる特徴量を特徴パラメータごとに比較した場合に、ナゲット径Ｄ１の大小が見られるサンプル間で特徴量の差が顕著に表れるか否かを示す指標である。よって、相関係数が相対的に大きい特徴パラメータは、ナゲット径Ｄ１との相関が高い。これに対して、相関係数が相対的に小さい特徴パラメータは、ナゲット径Ｄ１との相関が低い。

【0058】

図１１に示す例では、特徴パラメータＤの相関係数よりも、特徴パラメータＢの相関係数の方が大きい。つまり、図９に示す選別前特徴量データＤＦ１を用いる場合には、特徴パラメータＤよりも特徴パラメータＢの方がナゲット径Ｄ１の大小との関連性が高い。そのため、特徴パラメータＤよりも特徴パラメータＢを用いて後の工程にて回帰式Ｆ１～Ｆ３（図２）を作成する方が、より精度の高い回帰式Ｆ１～Ｆ３を作成することができる。

【0059】

さらに、特徴量選別部２４０は、第２プログラムを用いて、相関係数が大きい特徴パラメータを抽出する。特徴量選別部２４０は、例えば、予め設定された閾値と相関係数とを比較して、相関係数が閾値以上となる特徴パラメータを抽出したり、予め定められた数だけ特徴パラメータが抽出されるように相関係数の大きい上位Ｍ個の特徴パラメータを抽出したりする。

【0060】

そして、特徴量選別部２４０は、抽出された特徴パラメータに選別フラグを付す。選別フラグは、特徴量選別部２４０によって抽出された相関係数の大きい特徴パラメータを識別するための識別フラグである。特徴量選別部２４０は、抽出された相関係数の大きい特徴パラメータに対して、例えば、「ＴＲＵＥ」の選別フラグを付す。これに対して、特徴量選別部２４０は、選別フラグが「ＴＲＵＥ」以外の特徴パラメータに対して、例えば、「ＦＡＬＳＥ」の選別フラグを付す。なお、選別フラグは、これに限られるものではない。選別フラグは、例えば、数値や記号であってもよい。選別フラグが数値である場合、特徴量選別部２４０は、例えば、相関係数の大きい特徴パラメータに対しては「１」を付し、選別フラグが「１」以外の特徴パラメータに対しては「０」を付してもよい。

【0061】

このように、特徴量選別部２４０は、ステップＳ５５（図１０）において、特徴パラメータを予め定められた条件によって選別したデータとして、図１１に示すような選別後特徴量データＤＦ２を生成する。つまり、図１０に示すステップＳ５３およびステップＳ５５は、既存の学習モデルＭ２のアルゴリズム内に、選別前特徴量データＤＦ１を入力することで、ナゲット径Ｄ１との相関が高い特徴パラメータを自動的に選別する工程である。

【0062】

本実施形態では、特徴量選別部２４０は、選別前特徴量データＤＦ１（図９）に含まれる複数の溶接パラメータのそれぞれにおいて存在する複数種類の特徴パラメータに係るデータの中から、ナゲット径Ｄ１との相関が高い特徴パラメータを選別することとする。つまり、後の回帰式作成工程（ステップＳ７）において選別後特徴量データＤＦ２を入力した場合には、溶接パラメータごとではなく、１つの回帰モデルＭＲ１～ＭＲ３に対して１つの回帰式Ｆ１～Ｆ３が作成される。また、算出された相関係数の中から、相関係数が大きい上位３個の特徴パラメータＢ，Ｆ，Ｎを用いて後の工程を実行することとする。

【0063】

例えば、図１１では、複数存在する溶接パラメータおよび特徴パラメータのうち、抵抗値に係る３個の特徴パラメータＢ，Ｆ，Ｎが、最もナゲット径Ｄ１との相関が高いと判断された場合を示している。よって、特徴量選別部２４０は、相関係数が大きい上位３個の特徴パラメータとして、特徴パラメータＢと、特徴パラメータＦと、特徴パラメータＮとを抽出して、これらに「ＴＲＵＥ」の選別フラグを付している。さらに、特徴量選別部２４０は、特徴パラメータＢ、特徴パラメータＦ、および、特徴パラメータＮ以外の特徴パラメータには、「ＦＡＬＳＥ」の選別フラグを付している。

【0064】

なお、溶接パラメータごとに回帰式Ｆ１～Ｆ３を作成する場合には、第２プログラムを用いた特徴パラメータの抽出および選別フラグの付与は、溶接パラメータごとに実行される。つまり、抵抗値のうちで、ナゲット径Ｄ１との相関が高い特徴パラメータと、加圧力のうちで、ナゲット径Ｄ１との相関が高い特徴パラメータと、がそれぞれ抽出される。この場合、回帰式Ｆ１～Ｆ３は、溶接パラメータごとに作成される。

【0065】

なお、第２学習モデルＭ２を構成するプログラムは、ｐｙｔｈｏｎによって作成された既存のプログラム以外のプログラムであってもよい。第２学習モデルＭ２は、選別前特徴量データＤＦ１（図９）を入力した場合に、ナゲット径Ｄ１との相関が高い特徴パラメータを選別できればよい。また、特徴パラメータの選別方法は、これに限定されるものではない。

【0066】

図１０に示すように、ステップＳ５５の後に、ステップＳ５７が実行される。図１２は、入力用特徴量データＤＦ３の一部を示す図である。ステップＳ５７（図１０）において、特徴量選別部２４０は、選別後特徴量データＤＦ２を加工した入力用特徴量データＤＦ３を生成する。図１２に示す入力用特徴量データＤＦ３は、図１１に示す選別後特徴量データＤＦ２のうち、ステップＳ５５（図１０）において選別された特徴パラメータに係る特徴量とナゲット径Ｄ１とをサンプルごとに紐付けたデータである。つまり、ステップＳ５７において、特徴量選別部２４０は、図１１に示す「ＴＲＵＥ」の選別フラグが付された特徴パラメータに係るデータのみを抽出した入力用特徴量データＤＦ３を生成する。図１０に示すステップＳ５７までの各工程（ステップＳ５１～ステップＳ５７）の実行により、選別工程（ステップＳ５）は終了する。

【0067】

図３に示すように、選別工程（ステップＳ５）の後に、回帰式作成工程（ステップＳ７）が実行される。図１３は、回帰式作成工程（ステップＳ７）の詳細を示すフローチャートである。回帰式作成工程（ステップＳ７）は、複数の回帰モデルＭＲ１～ＭＲ３のそれぞれに対して、選別工程（ステップＳ５）において選別された特徴パラメータに係る特徴量と対応するナゲット径Ｄ１とを入力することによって回帰式Ｆ１～Ｆ３を作成する工程である。ここで言う回帰式Ｆ１～Ｆ３とは、選別工程（ステップＳ５）において選別された特徴パラメータに係る特徴量を説明変数とし、ナゲット径Ｄ１を目的変数とした、ナゲット径Ｄ１を推定するための関係式であり、例えば、重回帰分析によって導き出される回帰式である。複数の回帰式Ｆ１～Ｆ３はそれぞれ、複数の回帰モデルＭＲ１～ＭＲ３のそれぞれについて機械学習によって作成される。

【0068】

ステップＳ７１において、回帰式作成部２５０は、入力用特徴量データＤＦ３（図１２）を用いて、学習用データセットおよびテスト用データセットを生成する。学習用データセットは、複数の回帰式Ｆ１～Ｆ３を作成するために、複数の回帰モデルＭＲ１～ＭＲ３のそれぞれに入力されるデータセットである。テスト用データセットは、学習用データセットを用いて複数の回帰式Ｆ１～Ｆ３が作成された後に、作成された回帰式Ｆ１～Ｆ３の精度を評価するために用いられるデータセットである。例えば、入力用特徴量データＤＦ３に１００個のサンプルに係るデータが含まれる場合には、以下のようにデータを分ける。１００個のサンプルに係るデータのうち、７５個のサンプルに係るデータを学習用データセットとし、残りの２５個のサンプルに係るデータをテスト用データセットとするように分けることで、学習用データセットとテスト用データセットとを生成する。なお、学習用データセットおよびテスト用データセットに含まれるデータの数および種類は、これに限られるものではない。

【0069】

回帰式作成部２５０は、例えば、入力用特徴量データＤＦ３に含まれる全サンプルからランダムにサンプルを選択することで、テスト用データセットを生成する。この場合、回帰式作成部２５０は、入力用特徴量データＤＦ３のうち、テスト用データセットに用いられなかったサンプルに係るデータを学習用データセットとして生成する。また、回帰式作成部２５０は、Ｋ－分割交差検証法によって、学習用データセットとテスト用データセットとの組み合わせを複数作成してもよい。

【0070】

ステップＳ７１の後に、ステップＳ７３が実行される。ステップＳ７３において、回帰式作成部２５０は、複数の回帰モデルＭＲ１～ＭＲ３のそれぞれに対して、学習用データセットを入力する。そして、ステップＳ７５１～ステップＳ７５３において、回帰式作成部２５０は、複数の回帰モデルＭＲ１～ＭＲ３のそれぞれを用いて複数の回帰式Ｆ１～Ｆ３を作成して出力する。本実施形態では、回帰式作成部２５０は、第１回帰モデルＭＲ１と、第２回帰モデルＭＲ２と、第３回帰モデルＭＲ３とのそれぞれに対して、学習用データセットを入力している。

【0071】

第１回帰モデルＭＲ１と、第２回帰モデルＭＲ２と、第３回帰モデルＭＲ３とは、いずれも機械学習モデルＭであり、学習用データセットから異なる手法によって回帰式Ｆ１～Ｆ３を作成するためのプログラムが記憶されている。具体的には、第１回帰モデルＭＲ１と、第２回帰モデルＭＲ２と、第３回帰モデルＭＲ３とは、学習用データセットに対して実行する回帰分析のアルゴリズムが異なる。複数の回帰モデルＭＲ１～ＭＲ３のアルゴリズムは、例えば、Ｒｉｄｇｅ回帰やＬａｓｓｏ回帰、Ｅｌａｓｔｉｃ Ｎｅｔである。これにより、ステップＳ７５１～ステップＳ７５３において、回帰式作成部２５０は、同一の学習用データセットを用いて、選別された特徴パラメータに係る特徴量とナゲット径Ｄ１との関係性を複数の異なる回帰式Ｆ１～Ｆ３によって表すことができる。なお、回帰モデルＭＲ１～ＭＲ３のアルゴリズムは、これに限られるものではない。

【0072】

本実施形態では、ステップＳ７５１において、回帰式作成部２５０は、第１回帰モデルＭＲ１による機械学習によって、第１回帰式Ｆ１の係数を決定することで、第１回帰式Ｆ１を作成する。ステップＳ７５２において、回帰式作成部２５０は、第２回帰モデルＭＲ２による機械学習によって、第２回帰式Ｆ２の係数を決定することで、第２回帰式Ｆ２を作成する。ステップＳ７５３において、回帰式作成部２５０は、第３回帰モデルＭＲ３による機械学習によって、第３回帰式Ｆ３の係数を決定することで、第３回帰式Ｆ３を作成する。なお、ステップＳ７５１と、ステップＳ７５２と、ステップＳ７５３とは、ステップＳ７３の後において、いずれかが先に実行されてもよく、同時並行的に実行されてもよい。また、作成される回帰式Ｆ１～Ｆ３の数は、これに限られるものではない。ステップＳ７５３までの各工程（ステップＳ７１～ステップＳ７５３）の実行により、回帰式作成工程（ステップＳ７）は終了する。

【0073】

図３に示すように、回帰式作成工程（ステップＳ７）の後に、回帰式選定工程（ステップＳ９）が実行される。図１４は、回帰式選定工程（ステップＳ９）の詳細を示すフローチャートである。回帰式選定工程（ステップＳ９）は、機械学習された複数の回帰式Ｆ１～Ｆ３の中から、ナゲット径Ｄ１との相関が高い回帰式Ｆ１～Ｆ３を選定する工程である。

【0074】

ステップＳ９１において、回帰式選定部２６０は、回帰式作成工程（ステップＳ７）において作成された複数の回帰式Ｆ１～Ｆ３のそれぞれについて、寄与率を算出する。寄与率は、作成された回帰式Ｆ１～Ｆ３の精度を評価するために算出される値である。ここで言う回帰式Ｆ１～Ｆ３の精度とは、ナゲット径Ｄ１との相関の大小を表しており、ナゲット径Ｄ１との相関が高いほど、回帰式Ｆ１～Ｆ３の精度が高い。また、寄与率は、目的変数の全変動のうち、説明変数によって説明できる割合を示している。換言すると、寄与率は、ナゲット径Ｄ１の実測値と、作成された回帰式Ｆ１～Ｆ３を用いて算出したナゲット径Ｄ１の推定値と、の乖離度合いを表す指標である。つまり、寄与率が大きい回帰式Ｆ１～Ｆ３は、ナゲット径Ｄ１の推定に係る精度が高い。寄与率が小さい回帰式Ｆ１～Ｆ３は、ナゲット径Ｄ１の推定に係る精度が低い。

【0075】

図１５は、回帰式Ｆ１～Ｆ３ごとの寄与率を示す図である。本実施形態では、回帰式選定部２６０は、第１回帰式Ｆ１と、第２回帰式Ｆ２と、第３回帰式Ｆ３と、のそれぞれについて、学習用データセットに係る寄与率と、テスト用データセットに係る寄与率と、の２種類の寄与率を算出する。図１５では、回帰式Ｆ１～Ｆ３ごとに、学習用データセットに係る寄与率を上段に示し、テスト用データセットに係る寄与率を下段に示している。

【0076】

テスト用データセットに係る寄与率は、作成された複数の回帰式Ｆ１～Ｆ３のそれぞれに対して、テスト用データセットを入力することで算出される寄与率である。テスト用データセットに係る寄与率は、回帰式Ｆ１～Ｆ３の精度を評価するために算出される。テスト用データセットに係る寄与率は、回帰式Ｆ１～Ｆ３の作成に用いられていないデータであって、目的変数としてのナゲット径Ｄ１が実測により既知であるデータを用いて、回帰式Ｆ１～Ｆ３の精度の大小を表す。つまり、テスト用データセットに係る寄与率が大きいほど、学習用データセット以外のデータ（以下、未知データ）においても、精度良くナゲット径Ｄ１を推定できる可能性が高い。

【0077】

学習用データセットに係る寄与率は、作成された複数の回帰式Ｆ１～Ｆ３のそれぞれに対して、機械学習に用いた学習用データセットを再び入力することで算出される寄与率である。学習用データセットに係る寄与率は、算出されたテスト用データセットに係る寄与率の信憑性を確認するために算出される。具体的には、学習用データセットに係る寄与率は、機械学習に用いた学習用データセットと同一のデータを回帰式Ｆ１～Ｆ３に入力することで算出される値である。そのため、回帰式作成工程（ステップＳ７）において、問題なく回帰式Ｆ１～Ｆ３が作成された場合には、学習用データセットに係る寄与率が低くなることは起こりづらい。学習用データセットに係る寄与率が低い場合とは、例えば、寄与率が０．９００未満である場合を指す。

【0078】

仮に、テスト用データセットに係る寄与率が大きい場合であっても、学習用データセットに係る寄与率が低い場合には、以下の可能性が生じ得る。具体的には、テスト用データセットに含まれるデータが偶然に回帰式Ｆ１～Ｆ３によって表される傾向に近い値を示すがために、実際には精度が低い回帰式Ｆ１～Ｆ３に対して、精度が高い回帰式Ｆ１～Ｆ３であると誤判定される可能性が生じ得る。そこで、本実施形態では、テスト用データセットに係る寄与率と、学習用データセットに係る寄与率と、の両者を用いて比較することで、複数の回帰式Ｆ１～Ｆ３の中から、ナゲット径Ｄ１との相関が最も高い１つの回帰式Ｆ１を選定する。

【0079】

図１４に示すように、ステップＳ９１の後に、ステップＳ９３が実行される。ステップＳ９３において、回帰式選定部２６０は、回帰式Ｆ１～Ｆ３ごとに算出されたテスト用データセットに係る寄与率、および、学習用データセットに係る寄与率を比較する。

【0080】

図１５に示す例では、学習用データセットに係る寄与率は、いずれの回帰式Ｆ１～Ｆ３においても約０．９５０付近であり、テスト用データセットに係る寄与率の信憑性は問題ないと考えられる。

【0081】

これに対して、テスト用データセットに係る寄与率は、３つの回帰式Ｆ１～Ｆ３の中で、第１回帰式Ｆ１が最も大きい。このとき、第１回帰式Ｆ１における寄与率と、第２回帰式Ｆ２および第３回帰式Ｆ３における寄与率との間には、顕著な差が見られる。よって、ステップＳ９５（図１４）において、回帰式選定部２６０は、複数の回帰式Ｆ１～Ｆ３の中から、ナゲット径Ｄ１との相関が高い回帰式Ｆ１として、第１回帰式Ｆ１を選定する。なお、回帰式選定部２６０は、寄与率とは異なる方法によって、ナゲット径Ｄ１との相関が高い回帰式Ｆ１～Ｆ３を選定してもよい。ステップＳ９５までの各工程（ステップＳ９１～ステップＳ９５）の実行により、回帰式選定工程（ステップＳ９）は終了する。

【0082】

上記第１実施形態によれば、図９に示すように、溶接波形Ｄ２の特徴を表すための抽出項目である複数の溶接パラメータが予め設定された学習済みの第１学習モデルＭ１によって、複数の溶接パラメータごとの特徴量が算出される。そして、図１１に示すように、特徴量とナゲット径Ｄ１との相関を特徴パラメータごとに評価するプログラムが予め設定された学習済みの第２学習モデルＭ２によって、ナゲット径Ｄ１との相関が高い特徴パラメータが選別される。つまり、溶接波形Ｄ２に含まれる種々の特徴の中からナゲット径Ｄ１との相関が高い要素を抽出するための抽出項目が予め設定された学習モデルＭ１，Ｍ２によって、回帰式Ｆ１～Ｆ３の説明変数として用いる特徴パラメータおよび特徴量を選別することができる。そのため、ディープラーニングなどの学習手法を用いることなく、ナゲット径Ｄ１との相関が高い特徴パラメータおよび特徴量を選別することができる。よって、データセットＤに含まれる教師データの数が少ない場合であっても、特徴パラメータの選別に係る精度が低下することを抑制できる。これにより、大量のデータを準備する工数を要することなく、精度の高い回帰式Ｆ１～Ｆ３を作成および選別することができる。

【0083】

また、上記第１実施形態によれば、外乱条件を変化させてスポット溶接を実行した場合のナゲット径Ｄ１（図７）と溶接波形Ｄ２（図５，図６）とを、外乱条件ごとに紐付けた教師データを含むデータセットＤを用いて、回帰式Ｆ１～Ｄ３が作成される。つまり、データセットＤには、外乱条件の差異に起因した傾向の異なるデータが含まれ、教師データに幅を持たせることができる。これにより、データセットＤに含まれる教師データの数が少ない場合であっても、特徴パラメータの選別に係る精度が低下することを抑制できる。よって、大量のデータを準備する工数を要することなく、より精度の高い回帰式Ｆ１～Ｆ３を選別することができる。

【0084】

また、上記第１実施形態によれば、図７に示すように、外乱条件を変化させることで、ナゲット径Ｄ１を異ならせたサンプルに係るデータを教師データとしている。これにより、特定のナゲット径Ｄ１においてのみ適合した回帰式Ｆ１～Ｆ３が作成される可能性を低減することができる。つまり、過学習を防ぐことができ、ナゲット径Ｄ１の推定において汎用性の高い回帰式Ｆ１～Ｆ３を作成できる。そのため、未知データに対しても、精度良くナゲット径Ｄ１を推定できる可能性を高めることができる。

【0085】

また、上記第１実施形態によれば、図１１に示すように、特徴パラメータと、特徴パラメータに対応する特徴量と、が学習済みの第２学習モデルＭ２に入力されることで、複数の溶接パラメータのそれぞれについて、特徴パラメータごとに相関係数が算出される。そして、相関係数が予め定められた基準以上となる特徴パラメータが、ナゲット径Ｄ１との相関が高い特徴パラメータとして選別される。つまり、上記第１実施形態によれば、相関係数の大小を比較することで、ナゲット径Ｄ１の相関が高い特徴パラメータを選別することができる。これにより、特徴パラメータおよび特徴量の選別に係る根拠や、説明変数を構成する要素を人間が把握できる。

【0086】

また、上記第１実施形態によれば、図１１に示すように、相関係数が予め定められた基準以上となる特徴パラメータに対して、選別フラグが付される。これにより、選別された特徴パラメータおよび特徴量を人間が確認できる。つまり、回帰式Ｆ１～Ｆ３の説明変数として用いられた特徴パラメータおよび特徴量を人間が把握できる。よって、回帰式Ｆ１～Ｆ３に不備が生じた場合に、修正すべき箇所や修正方法を人間が理解しやすくできる。

【0087】

また、上記第１実施形態によれば、教師データには、データ領域などを調整する前処理が施された溶接波形Ｄ２が用いられる。これにより、解析に適した状態に加工された溶接波形Ｄ２を用いて、特徴量を算出することができる。

【0088】

また、上記第１実施形態によれば、図９に示すように、学習済みの第１学習モデルＭ１であって、既存のプログラムによって構成される第１学習モデルＭ１によって、大量の特徴パラメータに係る特徴量を一括に生成することができる。これにより、特徴パラメータおよび特徴量の選別に要する時間や工数を削減することができる。

【0089】

また、上記第１実施形態によれば、図１１に示すように、既存のプログラムによって構成される第２学習モデルＭ２によって、大量の特徴パラメータに係る特徴量から、ナゲット径Ｄ１との相関が高い特徴パラメータを容易に選別することができる。これにより、特徴パラメータおよび特徴量の選別に要する時間や工数をさらに削減することができる。

【0090】

また、上記第１実施形態によれば、図１３に示すように、入力用特徴量データＤＦ３は、回帰式Ｆ１～Ｆ３の作成に用いられる学習用データセットと、作成された回帰式Ｆ１～Ｆ３の評価に用いられるテスト用データセットとに分けられる。そして、学習用データセットは、複数の回帰モデルＭＲ１～ＭＲ３に入力される。これにより、同一の入力用特徴量データＤＦ３から、ナゲット径Ｄ１を推定するための複数の異なる回帰式Ｆ１～Ｆ３を作成することができる。

【0091】

また、上記第１実施形態によれば、図１４に示すように、作成された回帰式Ｆ１～Ｆ３に対して、テスト用データセットに係る寄与率が算出される。これにより、回帰式Ｆ１～Ｆ３ごとの寄与率を比較することで、ナゲット径Ｄ１との相関が高い最適な回帰式Ｆ１を選定することができる。よって、同一の入力用特徴量データＤＦ３を用いた場合であっても、複数の回帰式Ｆ１～Ｆ３の中から、ナゲット径Ｄ１の推定においてより好適な回帰式Ｆ１～Ｆ３を選定することができる。

【0092】

また、上記第１実施形態によれば、図１５に示すように、作成された回帰式Ｆ１～Ｆ３に対して、テスト用データセットに係る寄与率と、学習用データセットに係る寄与率と、の両者が算出される。これにより、算出されたテスト用データセットに係る寄与率の信憑性を確認することができる。そのため、ナゲット径Ｄ１の推定においてより一層好適な回帰式Ｆ１～Ｆ３を選定することができる。

【0093】

また、上記第１実施形態によれば、複数の溶接パラメータのそれぞれにおいて存在する全ての特徴パラメータの中から、ナゲット径Ｄ１との相関が高い特徴パラメータが選別される。これにより、複数の溶接パラメータごとに存在する溶接波形Ｄ２を一義的に表した回帰式Ｆ１～Ｆ３を作成することができる。

【0094】

Ｂ．第２実施形態：
図１６は、第２実施形態における選別工程（ステップＳ５）の詳細を示すフローチャートである。本実施形態の推定方法を実行するスポット溶接装置１０は、前述した第１実施形態（図１，図２）と同一である。また、制御装置１００は、第１実施形態と同様に、スポット溶接におけるナゲット径Ｄ１を推定するための回帰式Ｆ１～Ｆ３を作成して、最適な回帰式Ｆ１を選定する。本実施形態では、選別工程（ステップＳ５）における処理の一部が第１実施形態（図１０）とは異なる。これにより、回帰式作成工程（ステップＳ７）において、複数の回帰モデルＭＲ１～ＭＲ３に入力されるデータの一部が第１実施形態（図１２）と異なる。よって、図３に示す取得工程（ステップＳ１）、特徴量生成工程（ステップＳ３）、および、回帰式選定工程（ステップＳ９）は、第１実施形態と同一である。本実施形態の選別工程（ステップＳ５）が実行される前には、図３に示す取得工程（ステップＳ１）と、特徴量生成工程（ステップＳ３）とがこの順で実行されている。また、本実施形態の選別工程（ステップＳ５）と回帰式作成工程（ステップＳ７）とが実行された後には、回帰式選定工程（ステップＳ９）が実行される。なお、第１実施形態における各ステップと同一のステップについては、同一の符号を付すと共に説明を省略する。

【0095】

図１６に示すように、ステップＳ５１と、ステップＳ５３と、ステップＳ５５と、ステップＳ５７とがこの順に実行される。ステップＳ５１～ステップＳ５７の各工程は、第１実施形態と同一である。

【0096】

ステップＳ５７の後に、ステップＳ５９が実行される。ステップＳ５９において、特徴量選別部２４０は、入力用特徴量データＤＦ３（図１２）を加工した加工済入力用特徴量データを生成する。加工済入力用特徴量データは、入力用特徴量データＤＦ３に含まれる特徴量のうち、異常値を示す特徴量を取り除いたデータである。

【0097】

図１７は、選別された特徴パラメータに係る特徴量とナゲット径Ｄ１との関係を示すグラフである。本実施形態では、第１実施形態においてナゲット径Ｄ１との相関が高い特徴パラメータとして選別された上位３個の特徴パラメータＢ，Ｆ，Ｎを例に挙げて説明する。図１７において左側に図示されている第１グラフＧ１は、特徴パラメータＢに係る特徴量とナゲット径Ｄ１との関係を示すグラフである。図１７において中央に図示されている第２グラフＧ２は、特徴パラメータＦに係る特徴量とナゲット径Ｄ１との関係を示すグラフである。図１７において右側に図示されている第３グラフＧ３は、特徴パラメータＮに係る特徴量とナゲット径Ｄ１との関係を示すグラフである。つまり、各グラフＧ１～Ｇ３は、同一の溶接波形Ｄ２に対する特徴を特徴パラメータごとに示したグラフである。

【0098】

図１７に示す下部電極３つのグラフＧ１～Ｇ３は、例えば、外乱条件を変化させたサンプルが１３個存在する入力用特徴量データＤＦ３を、縦軸をナゲット径Ｄ１とし、横軸を特徴量として、特徴パラメータＢ，Ｆ，Ｎごとに表したグラフである。なお、図１７に示す各グラフＧ１～Ｇ３では１３個のプロットが図示されているが、図１７では、特徴パラメータＢ，Ｎ，Ｆに係る特徴量とナゲット径Ｄ１との関係を模式的に図示しているに過ぎず、データの数および値はこれに限られるものではない。

【0099】

各グラフＧ１～Ｇ３を参照すると、各特徴パラメータＢ，Ｆ，Ｎについて、ナゲット径Ｄ１の大小に応じて、径大サンプル群Ｄａ１～Ｄａ３と、径小サンプル群Ｄｂ１～Ｄｂ３に大別できる。径大サンプル群Ｄａ１～Ｄａ３は、例えば、ナゲット径Ｄ１が予め定められた第１閾値Ｔ１以上である、ナゲット径Ｄ１の大きなサンプルのプロット群である。径小サンプル群Ｄｂ１～Ｄｂ３は、例えば、ナゲット径Ｄ１が第１閾値Ｔ１未満である、ナゲット径Ｄ１の小さなサンプルのプロット群である。

【0100】

第１グラフＧ１を参照すると、特徴パラメータＢについては、径大サンプル群Ｄａ１において、ナゲット径Ｄ１と特徴量とに一定の相関が見られる。また、第２グラフＧ２を参照すると、特徴パラメータＦについても、径大サンプル群Ｄａ２において、ナゲット径Ｄ１と特徴量とに一定の相関が見られる。特に、この２つの特徴パラメータＢ，Ｆでは、径大サンプル群Ｄａ１，Ｄａ２のプロットは、第１閾値Ｔ１よりも大きい第２閾値Ｔ２以上のナゲット径Ｄ１となっている。よって、この２つの特徴パラメータＢ，Ｆは、ナゲット径Ｄ１が大きい第２閾値Ｔ２以上の場合における特徴パラメータの選別に特に有効である。

【0101】

このとき、径小サンプル群Ｄｂ１～Ｄｂ３のように、ナゲット径Ｄ１が極めて小さい場合には、ナゲットが成長しておらず、複数の金属板Ｗ１，Ｗ２（図１）が接合していない可能性が高い。そのため、ナゲット径Ｄ１が極めて小さいサンプルに係るデータを回帰式Ｆ１～Ｆ３の説明変数に含めた場合、回帰式Ｆ１～Ｆ３の精度が低下する場合が生じ得る。そこで、ナゲット径Ｄ１が極めて小さい径小サンプル群Ｄｂ１～Ｄｂ３に係るデータを異常値として取り除いた後に、回帰モデルＭＲ１～ＭＲ３に入力されることが好ましい。

【0102】

第３グラフＧ３を参照すると、特徴パラメータＮについて、径大サンプル群Ｄａ３と径小サンプル群Ｄｂ３とは、ナゲット径Ｄ１の大小に応じて異なる傾向を示している。具体的には、径大サンプル群Ｄａ３のプロットはいずれも、径小サンプル群Ｄｂ３と比べて、特徴労が極めて小さい値を示している。つまり、特徴パラメータＮに係る特徴量に注目することで、ナゲット径Ｄ１が極めて小さいサンプルに係るデータを抽出することができる。

【0103】

特徴パラメータＮを用いて異常値としての径小サンプル群Ｄｂ３を抽出する場合には、例えば、第３グラフＧ３に示すように、第３閾値Ｔ３が設定される。第３閾値Ｔ３は、径大サンプル群Ｄａ３に係る特徴量と、径小サンプル群Ｄｂ３に係る特徴量と、の間に設定される。これにより、ステップＳ５９において、例えば、特徴量選別部２４０は、特徴パラメータＮについて、第３閾値Ｔ３以上となった特徴量を異常値として抽出する。このとき、特徴量選別部２４０は、例えば、特徴量が第３閾値Ｔ３以上であるサンプルデータに対しては「１」を付し、特徴量が第３閾値Ｔ３未満であるサンプルデータには「０」を付す。そして、特徴量選別部２４０は、「１」が付されたデータを異常値と判定する。これにより、特徴量選別部２４０は、図１２に示す入力用特徴量データＤＦ３から異常値と判定されたデータを取り除くことで、加工済入力用特徴量データを生成する。

【0104】

図１６に示すステップＳ５９までの各工程（ステップＳ５１～ステップ５９）の実行により、本実施形態における選別工程（ステップＳ５）は終了する。図３に示すように、選別工程（ステップＳ５）の後に、回帰式作成工程（ステップＳ７）が実行される。このとき、図１３に示すように、ステップＳ７１において、回帰式作成部２５０は、複数の回帰モデルＭＲ１～ＭＲ３のそれぞれに対して、ステップＳ５９において生成した加工済入力用特徴量データを入力する。つまり、本実施形態では、異常値を示すデータを取り除いたデータを用いて、回帰式Ｆ１～Ｆ３を作成する。他の工程（ステップＳ７３～ステップＳ７５３）は、第１実施形態と同一であるため、説明を省略する。

【0105】

上記第２実施形態によれば、図１６に示すように、ステップＳ５９において、ナゲット径Ｄ１の大小に応じて異なる特徴量の傾向を示す特徴パラメータＮを用いてナゲット径Ｄ１が極めて小さいサンプルに係るデータが異常値として取り除かれる。これにより、加工済入力用特徴量データが生成される。そして、回帰式Ｆ１～Ｆ３は、加工済入力用特徴量データを用いて作成される。これにより、作成される回帰式Ｆ１～Ｆ３の精度が低下する可能性を低減させることができる。

【0106】

Ｃ．他の実施形態：
Ｃ－１．他の実施形態１：
教師データには、複数の溶接パラメータに係る溶接波形Ｄ２を足し合わせた波形（以下、合成波形）や、溶接波形Ｄ２に予め定められた係数を乗算した波形（以下、処理済波形）を用いてもよい。また、教師データには、電流値などの溶接条件を変化させて作成したサンプルに係るデータを含んでもよい。合成波形を生成する場合には、例えば、足し合わせる溶接波形Ｄ２同士のデータ領域を同一にする前処理を実行した後に、第１の溶接パラメータに係る溶接波形Ｄ２と第２の溶接パラメータに係る溶接波形Ｄ２とを足し合わせる。合成波形は、３種類以上の溶接パラメータに係る溶接波形Ｄ２同士を足し合わせた波形であってもよい。合成波形や処理済波形は、これらを教師データとして用いることで溶接波形Ｄ２の特徴がより顕著に表れる場合などに用いられる。このような形態であれば、溶接波形Ｄ２を予め加工した教師データを用いることで、ナゲット径Ｄ１との相関が高い特徴パラメータおよび特徴量をより一層抽出しやすくできる。

【0107】

Ｃ－２．他の実施形態２：
上記実施形態では、図１４に示すように、複数の回帰式Ｆ１～Ｆ３に対して算出された寄与率を比較することで、ナゲット径Ｄ１の推定に最適な回帰式Ｆ１を選定していた。しかし、最適な回帰式Ｆ１の選定方法は、これに限られるものではない。最適な回帰式Ｆ１は、例えば、複数の回帰式Ｆ１～Ｆ３に対して残査を算出して、算出された残査を比較することで選定されてもよい。ここで言う残査とは、ナゲット径Ｄ１の実測値と、作成された複数の回帰式Ｆ１～Ｆ３を用いて算出したナゲット径Ｄ１の推定値との数値差である。このような形態であっても、複数の回帰式Ｆ１～Ｆ３の中から、ナゲット径Ｄ１の推定精度が高い回帰式Ｆ１を選定することができる。なお、最適な回帰式Ｆ１は、寄与率と残査との両者を用いて選定されてもよく、他の方法によって選定されてもよい。

【0108】

本開示は、上述の実施形態に限られるものではなく、その趣旨を逸脱しない範囲において種々の構成で実現することができる。例えば、発明の概要の欄に記載した各形態中の技術的特徴に対応する実施形態の技術的特徴は、上述の課題の一部又は全部を解決するために、あるいは、上述の効果の一部又は全部を達成するために、適宜、差し替えや、組み合わせを行うことが可能である。また、その技術的特徴が本明細書中に必須なものとして説明されていなければ、適宜、削除することが可能である。

【符号の説明】

【0109】

１…ガン本体、１ａ…上部、１ｂ…下部、２…上部電極、３…下部電極、４…電極昇降装置、５…電流調整装置、９…測定機構、１０…スポット溶接装置、２０…ＣＰＵ、３０…通信部、４０…ディスプレイ、４１…サーボモータ、４２…昇降部材、５０…入力操作部、６０…記憶部、９１…電流測定部、９２…電圧測定部、９３…抵抗値算出部、９４…加圧力測定部、９５…電極変位測定部、１００…制御装置、２１０…動作制御部、２２０…取得部、２３０…特徴量生成部、２４０…特徴量選別部、２５０…回帰式作成部、２６０…回帰式選定部、Ａ～Ｑ，ａ～ｆ…特徴パラメータ、Ｄ…データセット、Ｄ１…ナゲット径、Ｄ２…溶接波形、ＤＦ１…選別前特徴量データ、ＤＦ２…選別後特徴量データ、ＤＦ３…入力用特徴量データ、Ｄａ１，Ｄａ２，Ｄａ３…径大サンプル群、Ｄｂ１，Ｄｂ２，Ｄｂ３…径小サンプル群、Ｆ１…第１回帰式、Ｆ２…第２回帰式、Ｆ３…第３回帰式、Ｇ…スポット溶接ガン、Ｇ１…第１グラフ、Ｇ２…第２グラフ、Ｇ３…第３グラフ、Ｍ…機械学習モデル、Ｍ１…第１学習モデル、Ｍ２…第２学習モデル、ＭＲ１…第１回帰モデル、ＭＲ２…第２回帰モデル、ＭＲ３…第３回帰モデル、ＲＡ…ロボットアーム、Ｔ１…第１閾値、Ｔ２…第２閾値、Ｔ３…第３閾値、Ｗ…被溶接材、Ｗ１，Ｗ２…金属板、Ｗ１ａ，Ｗ２ａ…端部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】