音響放射(AE)シグネチャを用いたレーザー溶接品質のリアルタイム評価:機械学習フレームワーク
Acoustic Emission Signatures as Predictors of Laser Weld Quality: A Machine Learning Framework for Real-Time Laser Welding Quality Assessment
異種材料接合における溶接品質保証は、破壊検査に依存する現状の課題に対し、レーザー溶接された超硬合金-鋼接合部において、音響放射(AE)モニタリングによるプロセス内品質評価を提案する。11の溶接条件で記録されたAEデータを時間領域および周波数領域の特徴量で分析し、教師なしクラスタリングにより不安定溶接(UW)、品質溶接(QW)、亀裂欠陥溶接(CDW)の3つのレジームに分類した。機械学習モデルによる分類では、亀裂欠陥溶接は両方の検証スキーム(LORO、LOCO)で高い精度(AUC 0.987–1.000)で識別された。不完全接合と連続接合の分離はLOCO下で読取レベル精度0.85、2段階モデルで精度0.86、バランス精度0.88を達成した。振幅領域の特徴量は熱入力とともに単調増加し飽和したが、ビームオフセットはスペクトルシグネチャを変化させた。AEは溶接完全性の解釈可能で予測的な指紋をエンコードし、未知の溶接への一般化条件を限定することを示す。
- レーザー溶接された超硬合金-鋼接合部において、音響放射(AE)モニタリングによるプロセス内品質評価を提案し、破壊検査依存の課題に対処
- 11の溶接条件で記録したAEデータを時間領域・周波数領域の特徴量で分析し、教師なしクラスタリングで不安定溶接(UW)・品質溶接(QW)・亀裂欠陥溶接(CDW)の3レジームに分類
- 機械学習モデルが亀裂欠陥溶接を両検証スキーム(LORO、LOCO)で高い精度(AUC 0.987–1.000)で識別
- 不完全接合と連続接合の分離はLOCO下で読取レベル精度0.85、2段階モデルで精度0.86・バランス精度0.88を達成
- 振幅領域の特徴量は熱入力とともに単調増加し飽和、ビームオフセットはスペクトルシグネチャを変化させた
- AEは溶接完全性の解釈可能で予測的な指紋をエンコードするが、未知の溶接への一般化条件を限定することを示した
レーザー溶接の品質をAE(音響放射)シグネチャと機械学習でリアルタイム評価する研究で、異種材料接合(超硬合金-鋼)の破壊検査依存という製造現場の課題を解決しうる。亀裂欠陥をAUC 0.987–1.000で識別、不完全接合/連続接合の分離も精度0.85–0.88に達しており、検査の自動化・インライン化による歩留まり改善と検査コスト削減の余地が示唆される。ただし現段階は限定的な溶接条件・未知溶接への一般化に制約がある研究段階の成果であり、実用化には追加検証が必要。将来的には産業用レーザー加工・非破壊検査(NDT)分野のソリューションに組み込まれる可能性があり、そうした装置・検査ベンダーへの波及を注視したい。