CN107181163A - 机器学习装置、激光装置以及机器学习方法 - Google Patents

机器学习装置、激光装置以及机器学习方法 Download PDF

Info

Publication number
CN107181163A
CN107181163A CN201710141433.2A CN201710141433A CN107181163A CN 107181163 A CN107181163 A CN 107181163A CN 201710141433 A CN201710141433 A CN 201710141433A CN 107181163 A CN107181163 A CN 107181163A
Authority
CN
China
Prior art keywords
laser diode
outcome
drive condition
diode unit
laser
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710141433.2A
Other languages
English (en)
Other versions
CN107181163B (zh
Inventor
泷川宏
前田道德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fanuc Corp filed Critical Fanuc Corp
Publication of CN107181163A publication Critical patent/CN107181163A/zh
Application granted granted Critical
Publication of CN107181163B publication Critical patent/CN107181163B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S5/00—Semiconductor lasers
    • H01S5/0014—Measuring characteristics or properties thereof
    • H01S5/0021—Degradation or life time measurements
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
    • H01S3/05—Construction or shape of optical resonators; Accommodation of active medium therein; Shape of active medium
    • H01S3/06—Construction or shape of active medium
    • H01S3/0602—Crystal lasers or glass lasers
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
    • H01S3/09—Processes or apparatus for excitation, e.g. pumping
    • H01S3/091—Processes or apparatus for excitation, e.g. pumping using optical pumping
    • H01S3/094—Processes or apparatus for excitation, e.g. pumping using optical pumping by coherent light
    • H01S3/0941—Processes or apparatus for excitation, e.g. pumping using optical pumping by coherent light of a laser diode
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
    • H01S3/10—Controlling the intensity, frequency, phase, polarisation or direction of the emitted radiation, e.g. switching, gating, modulating or demodulating
    • H01S3/102—Controlling the intensity, frequency, phase, polarisation or direction of the emitted radiation, e.g. switching, gating, modulating or demodulating by controlling the active medium, e.g. by controlling the processes or apparatus for excitation
    • H01S3/1022—Controlling the intensity, frequency, phase, polarisation or direction of the emitted radiation, e.g. switching, gating, modulating or demodulating by controlling the active medium, e.g. by controlling the processes or apparatus for excitation by controlling the optical pumping
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S5/00—Semiconductor lasers
    • H01S5/02—Structural details or components not essential to laser action
    • H01S5/024—Arrangements for thermal management
    • H01S5/02407—Active cooling, e.g. the laser temperature is controlled by a thermo-electric cooler or water cooling
    • H01S5/02423—Liquid cooling, e.g. a liquid cools a mount of the laser
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S5/00—Semiconductor lasers
    • H01S5/04—Processes or apparatus for excitation, e.g. pumping, e.g. by electron beams
    • H01S5/042—Electrical excitation ; Circuits therefor
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S5/00—Semiconductor lasers
    • H01S5/06—Arrangements for controlling the laser output parameters, e.g. by operating on the active medium
    • H01S5/068—Stabilisation of laser output parameters
    • H01S5/06808—Stabilisation of laser output parameters by monitoring the electrical laser parameters, e.g. voltage or current
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S5/00—Semiconductor lasers
    • H01S5/06—Arrangements for controlling the laser output parameters, e.g. by operating on the active medium
    • H01S5/068—Stabilisation of laser output parameters
    • H01S5/0683—Stabilisation of laser output parameters by monitoring the optical output parameters
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S5/00—Semiconductor lasers
    • H01S5/40—Arrangement of two or more semiconductor lasers, not provided for in groups H01S5/02 - H01S5/30
    • H01S5/4025—Array arrangements, e.g. constituted by discrete laser diodes or laser bar

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Software Systems (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Plasma & Fusion (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Semiconductor Lasers (AREA)

Abstract

提供机器学习装置、激光装置以及机器学习方法。用于学习LD单元驱动条件数据的机器学习装置包括：状态量观测部，观测包括来自激光的光输出检测部、光输出特性记录部和驱动条件/状态量记录部的输出数据的激光装置的状态量，光输出特性记录部记录驱动电流和光输出特性的测定结果的历史，驱动条件/状态量记录部记录LD单元驱动条件数据的历史和激光装置的状态量的历史；动作结果获取部，获取LD单元的特性的预测结果和各LD单元的光输出特性的测定结果；学习部，将LD单元驱动条件数据与激光装置的状态量及LD单元驱动条件数据的结果相关联地学习；以及意思决定部，参照学习部的学习结果决定包括剩余寿命的预测结果的LD单元驱动条件数据。

Description

机器学习装置、激光装置以及机器学习方法
技术领域
本发明涉及一种将大量的激光二极管(LD)作为激光光源或者用于激光振荡的激励光源的激光装置、学习这种激光装置的LD驱动条件的数据的机器学习装置以及机器学习方法。
背景技术
在使用LD的高输出激光装置中，需要大量的LD。因此，准备多个包括一个以上的LD的激光二极管模块(LDM)。而且，通常来说激光装置具备包括多个LDM、能够独立驱动的多个激光二极管单元(LDU、LD单元)。
在使用LD的激光装置中，掌握LD的剩余寿命的意义大，存在多个现有技术的文献。此外，剩余寿命表示寿命耗尽之前剩余的寿命。但是，剩余寿命有时根据LD的随后的驱动条件而发生变化。设本申请说明书中的剩余寿命表示在标准驱动条件下驱动激光装置的情况下的剩余寿命。
例如，日本特开平8-279642号公报中公开了：“将用于发出特定的光输出的驱动电流值作为基准值，相对于该基准值将其n倍的驱动电流作为用于更换发光元件的劣化阈值电流，来预测上述发光元件的寿命”。
并且，日本特开2005-294493号公报中公开了：“以使各激光振荡器的输出变为固定、且所述加工点的功率变为预先决定的规定功率的方式进行控制，并进行激励用的LD的寿命预测”。
并且，日本特开2005-317178号公报中公开了：“制作因半导体激光器的劣化引起的发热量增加的时间序列数据，基于上述发热量增加的时间序列数据来进行半导体激光器的寿命预测”。
并且，日本特开2006-222411号公报中公开了：“使用在功率传感器所输出的信号满足预先决定的条件的情况下电源对激励光源提供的电流值以及存储器中保存的运行时间，来估计激励光源的寿命”。
并且，日本特开2011-86496号公报中公开了：将特性变动量与容许变动量进行比较，来预测激光光源的更换时期，其中，该特性变动量是因使用而劣化的电流强度特性与理想特性之差。
并且，日本特开2012-15440号公报中公开了：“在超过规定的劣化阈值电流的驱动电流流过激光二极管的时间的累积时间超过按周边温度预先决定的阈值时间的情况下，判定为激光二极管的寿命快到了”。
并且，日本特开2005-317841号公报中公开了：通过使用“驱动电流时间积”，“能够以符合实际状态的形式管理激光二极管元件1a、1b、1c的劣化度”。
发明内容
然而，日本特开平8-279642号公报只是当用于发出特定的光输出的驱动电流超过劣化阈值电流时判定为达到寿命的结束期，没有公开推导出定量性的剩余寿命的方法。
另外，日本特开2005-294493号公报没有公开推导出剩余寿命的具体方法。另外，日本特开2005-294493号公报中存在“以使各激光振荡器的输出变为固定的方式”这样的记载，因此在通过各种光输出条件、也就是说从低输出到高输出、从连续激光输出到脉冲激光输出的光输出条件来驱动光源的情况下，无法进行准确的寿命预测。
另外，日本特开2005-317178号公报中公开的技术仅在光输出为固定的驱动条件的情况下能够进行寿命预测。并且，日本特开2005-317178号公报的技术在半导体激光器的劣化变得明显而发热量增加之前无法进行寿命预测。
另外，在日本特开2006-222411号公报中，在始终进行额定输出的条件下累计运行时间。因此，在中途以不同的条件运行激光装置的情况下，难以计算出有效的运行时间。
另外，在日本特开2011-86496号公报中，使用了劣化后的电流强度特性，因此在劣化变得明显之前无法估计剩余寿命。另外，在劣化速度加速地变化的情况下，即使处于劣化变得明显之后，也难以准确地计算剩余寿命。
另外，在日本特开2012-15440号公报所公开的技术中，虽然能够掌握到接近了寿命的终点，但是难以掌握激光装置的定量性的剩余寿命。
并且，在日本特开2005-317841号公报中虽然使用了“驱动电流时间积”，但是并不是驱动电流变为n倍寿命就变为1/n。因此，在日本特开2005-317841号公报中没有计算出准确的有效驱动时间，因而也无法求出定量性的剩余寿命。
另外，在光输出、驱动电流或LD温度等为某个既定标准值的驱动条件、即标准驱动条件下驱动LD的情况下，能够大致掌握LD的终生寿命。而且，也大致能够获知当相对于标准驱动条件使光输出、LD驱动电流为几倍时平均的终生寿命会短多少。并且，也大致能够获知当相对于标准驱动条件使LD的温度上升多少时平均的终生寿命会短多少。
然而，对于大致相同性能的LD，在最初以13A驱动3万小时之后以10A驱动5万小时后LD的寿命耗尽的情况下，不清楚最初以10A驱动5万小时之后以13A驱动3万小时后LD的寿命是否会耗尽。
实际上，在后者的将LD以10A驱动5万小时之后以13A驱动时，LD的寿命在3万小时以内耗尽的可能性高。例如，假设10A的驱动电流下的平均终生寿命为10万小时、13A的驱动电流下的平均终生寿命为5万小时。在该情况下，并不是13A的驱动电流下的终生寿命以相比于10A的驱动电流下的终生寿命的2倍的速度减少。可以认为在现实中，当剩余寿命逐渐减少时，LD的劣化速度变快，剩余寿命的减少速度也变得更快。
换言之，以13A驱动的情况下的寿命初期时的剩余寿命的减少速度小于以10A驱动的情况下的剩余寿命的减少速度的2倍。而且，以13A驱动的情况下的寿命后期时的剩余寿命的减少速度大于以10A驱动的情况下的剩余寿命的减少速度的2倍。因此，就整体的终生寿命而言，在以13A驱动的情况与以10A驱动的情况之间存在2倍的差。因此，能够判断为：与最初以13A驱动3万小时后以10A驱动的情况相比，在最初以10A驱动5万小时后以13A驱动的情况下终生寿命更短。
可以认为这种基于驱动电流的增大而产生的剩余寿命减少的加速率不是单纯的驱动电流的函数，还受LD温度、LD周边的湿度等激光装置的状态以及至今为止的LD驱动条件的历史所影响。
这样，在以某个驱动条件驱动LD时，至今为止的LD的驱动历史、驱动时的LD的状态等诸关联条件会影响LD的剩余寿命，因此难以准确地掌握LD的剩余寿命。因此，存在以下问题：在想要针对某个光输出指令在多个LD中得到遵循指令的光输出的情况下，无法准确地获知最好如何对各LD分配驱动电流以实现作为整体的最长的寿命。而且，在前述的现有技术中，也无法推导出LD的准确的剩余寿命。
为了在LD的驱动条件多样地变化的情况下始终推导出准确的剩余寿命，需要由人来一边分配各种LD的驱动历史、激光器状态，一边针对剩余寿命的预测进行反复试验，调查LD的驱动历史、激光器状态对LD的剩余寿命的影响。另外，即使进行这种反复试验，不到寿命末期也无法确认剩余寿命的估测是否正确。
而且，当寿命末期的剩余寿命的估测精度提高时，能够判定比寿命末期靠前一些的时间点下的剩余寿命的估测是否正确。因此，为了连寿命初期的剩余寿命也高精度地估测，需要积累极为庞大的数据，从该庞大的数据中提取预测剩余寿命的方法是非常困难的，也耗费时间。
本发明是鉴于这种情况而完成的，其目的在于提供一种能够无需人介入地学习包括各LDU的剩余寿命的预测结果的LDU驱动条件数据使得能够预测因LDU的驱动引起的LDU的剩余寿命的减少量的机器学习装置、激光装置以及机器学习方法。
为了达到前述的目的，根据第1发明，提供一种机器学习装置，用于学习激光装置的LD单元驱动条件数据，所述激光装置具备多个包括一个以上的激光二极管模块的LD单元、个别地向各LD单元提供驱动电流的电源部、以及按每个所述LD单元来独立地控制从所述电源部注入到各所述LD单元的驱动电流的控制部，所述激光装置将来自多个所述LD单元的激光作为激光光源或用于激光振荡的激励光源，经由激光光学系统来射出激光，所述LD单元驱动条件数据包括向所述电源部指示的输出指令数据，所述机器学习装置的特征在于，具备：状态量观测部，其观测包括来自所述电源部、一个以上的光输出检测部、光输出特性记录部以及驱动条件/状态量记录部的输出数据的所述激光装置的状态量，该一个以上的光输出检测部用于测定激光的光输出，该光输出特性记录部记录根据从所述电源部输出的驱动电流和所述光输出求出的各所述LD单元的光输出特性的测定结果的历史，该驱动条件/状态量记录部记录所述激光装置的所述状态量的历史以及从所述机器学习装置输出的所述LD单元驱动条件数据的历史，所述LD单元驱动条件数据至少包括各LD单元的剩余寿命的预测结果作为各所述LD单元的特性的预测结果；动作结果获取部，其获取所述驱动条件/状态量记录部中记录的各所述LD单元的特性的预测结果以及各所述LD单元的光输出特性的测定结果，来作为所述LD单元驱动条件数据的结果，各所述LD单元的特性的预测结果至少包括各所述LD单元的剩余寿命的预测结果；学习部，其接收来自所述状态量观测部的输出和来自所述动作结果获取部的输出，将至少包括剩余寿命的预测结果作为各所述LD单元的特性的预测结果的所述LD单元驱动条件数据与所述激光装置的所述状态量及所述LD单元驱动条件数据的结果相关联地进行学习；以及意思决定部，其参照所述学习部的学习结果，来决定至少包括剩余寿命的所述预测结果作为各所述LD单元的特性的预测结果的所述LD单元驱动条件数据。
根据第2发明，在第1发明中，从所述机器学习装置输出并记录在所述驱动条件/状态量记录部中的所述LD单元驱动条件数据还包括各所述LD单元的光输出特性的预测结果作为各所述LD单元的特性的预测结果，作为所述LD单元驱动条件数据的结果由所述动作结果获取部获取的数据包括各所述LD单元的光输出特性的预测结果，所述学习部将至少包括剩余寿命的预测结果和光输出特性的预测结果作为各所述LD单元的特性的预测结果的所述LD单元驱动条件数据与所述激光装置的所述状态量及所述LD单元驱动条件数据的结果相关联地进行学习。
根据第3发明，在第1或第2发明中，所述学习部具有如下功能：基于某个时间点下的各所述LD单元的光输出特性、所述光输出特性记录部中记录的到所述某个时间点为止的各所述LD单元的光输出特性的历史、以及所述驱动条件/状态量记录部中记录的到所述某个时间点为止的所述LD单元驱动条件数据的历史和所述激光装置的所述状态量的历史，参照至少包括剩余寿命的预测结果作为各LD单元的特性的预测结果的LD单元驱动条件数据的学习结果，来估计所述某个时间点下的各所述LD单元的剩余寿命。
根据第4发明，在第1至第3发明中的任一个发明中，在输入到所述状态量观测部的所述激光装置的所述状态量中，包括如下输出数据中的至少一个输出数据：来自对各所述LD单元以及与各所述LD单元热连接的构件中的至少一方的温度进行检测的一个以上的温度检测部的输出数据；来自对用于冷却各所述LD单元的制冷剂的温度进行检测的制冷剂温度检测部的输出数据；来自对各所述LD单元的环境温度进行检测的环境温度检测部的输出数据；来自对所述制冷剂的流量进行检测的流量检测部的输出数据；以及来自对各所述LD单元的环境湿度进行检测的湿度检测器的输出数据。
根据第5发明，在第1至第4发明中的任一个发明中，所述学习部具有价值函数，该价值函数决定至少包括剩余寿命的预测结果作为各所述LD单元的特性的预测结果的所述LD单元驱动条件数据的价值，所述机器学习装置还具备报酬计算部，在从第一时间点到晚于第一时间点的第二时间点为止的期间作为向各LD单元指示的所述LD单元驱动条件数据的结果而预测或估计出的各所述LD单元的剩余寿命中的、对所述第二时间点的预测结果与所述第二时间点的估计结果之间的差异小于规定的值或规定的比率的情况下，该报酬计算部根据差异或比率给予正的报酬，其中，对所述第二时间点的预测结果是以所述第一时间点下的估计结果为起点进行预测得到的，被记录在所述驱动条件/状态量记录部中，在所述剩余寿命的预测结果与估计结果之间的差异大于规定的值或规定的比率的情况下，该报酬计算部根据差异或比率的大小给予负的报酬，在所述LD单元驱动条件数据包括光输出特性的预测结果作为各所述LD单元的特性的预测结果的情况下，在从所述第一时间点到所述第二时间点为止的期间作为向各LD单元指示的所述LD单元驱动条件数据的结果而获取到的各所述LD单元的光输出特性中的、对所述第二时间点的预测结果与所述第二时间点下的测定结果之间的差异小于规定的值或规定的比率的情况下，该报酬计算部根据差异或比率给予正的报酬，其中，对所述第二时间点的预测结果是以所述第一时间点下的测定结果为起点进行预测得到的，被记录在所述驱动条件/状态量记录部中，在所述光输出特性的预测结果与测定结果之间的差异大于规定的值或规定的比率的情况下，该报酬计算部根据差异或比率给予负的报酬，所述机器学习装置还具备根据所述报酬来更新所述价值函数的价值函数更新部。
根据第6发明，在第1至第4发明中的任一个发明中，所述学习部具有学习模型，该学习模型学习至少包括剩余寿命的预测结果作为各所述LD单元的特性的预测结果的所述LD单元驱动条件数据，所述机器学习装置还具备误差计算部，该误差计算部计算在从第一时间点到第二时间点为止的期间作为向各LD单元指示的所述LD单元驱动条件数据的结果而预测或估计出的各所述LD单元的剩余寿命中的、对所述第二时间点的预测结果与所述第二时间点下的估计结果之间的误差，其中，对所述第二时间点的预测结果是以所述第一时间点下的估计结果为起点进行预测得到的，被记录在所述驱动条件/状态量记录部中，并且，在所述LD单元驱动条件数据中包括光输出特性的预测结果作为各所述LD单元的特性的预测结果的情况下，该误差计算部计算在从所述第一时间点到所述第二时间点为止的期间作为向各LD单元指示的所述LD单元驱动条件数据的结果而获取到的各所述LD单元的光输出特性中的、对所述第二时间点的预测结果与所述第二时间点下的测定结果之间的误差，其中，对所述第二时间点的预测结果是以所述第一时间点下的测定结果为起点进行预测得到的，被记录在所述驱动条件/状态量记录部中，所述机器学习装置还具备根据由所述误差计算部计算出的所述误差来更新所述学习模型的学习模型更新部。
根据第7发明，提供一种激光装置，具备第1至第6发明中的任一个发明的机器学习装置，该激光装置的特征在于，具备分别对向各所述LD单元提供驱动电流的所述电源部、所述激光光学系统、所述光输出检测部、所述光输出特性记录部、所述驱动条件/状态量记录部进行控制的控制部。
根据第8发明，在第7发明中，根据来自所述控制部的指令，按规定的时间表来个别地测定各所述LD单元的相对于驱动电流的施加电压与光输出的关系，将测定时间点的各所述LD单元的光输出特性追加写入到所述光输出特性记录部。
根据第9发明，在第7或第8发明中，具备多个所述光输出检测部，同时测定多个所述LD单元的所述光输出特性。
根据第10发明，在第7至第9发明中的任一个发明中，所述学习部将参照学习结果而估计出的各LD单元的估计剩余寿命作为所述LD单元驱动条件数据的结果追加写入到所述驱动条件/状态量记录部，所述LD单元驱动条件数据至少包括剩余寿命的所述预测结果作为各所述LD单元的特性的预测结果，将从第三时间点的所述估计剩余寿命减去晚于所述第三时间点的第四时间点的所述估计剩余寿命所得到的时间作为将从所述第三时间点到所述第四时间点为止的各LD单元的实际的驱动时间换算为标准驱动条件下的驱动时间所得到的各LD单元的有效驱动时间，将所述第四时间点下的各LD单元的所述估计剩余寿命作为所述第四时间点下的各所述LD单元的剩余寿命，来输出或显示。
根据第11发明，在第7至第10发明中的任一个发明中，所述意思决定部设定为选择寿命最优先模式、效率优先模式、寿命优先模式以及同时交换模式这四个驱动条件模式中的至少一个驱动条件模式的条件或者在所述驱动条件模式之间切换驱动条件模式的条件，其中，所述意思决定部针对对于所述激光装置的光输出指令，参照所述学习部的学习结果，输出包括各所述LD单元的剩余寿命和光输出特性的所述预测结果的所述LD单元驱动条件数据，在所述寿命最优先模式中，输出预测为因驱动LD单元导致的各所述LD单元的所述剩余寿命的减少量的总和为最小值的LD单元驱动条件数据，在所述效率优先模式中，输出在预测为各所述LD单元的所述剩余寿命的减少量的总和为所述最小值的规定倍率以下的条件范围内所述激光装置整体的光电变换效率为大致最大效率的LD单元驱动条件数据，在所述寿命优先模式中，输出预测为在所述激光装置整体的光电变换效率相对于最大效率的下降率为规定的下降率以下这一条件范围内各所述LD单元的所述剩余寿命的减少量的总和为最小值的LD单元驱动条件数据，在所述同时交换模式中，输出预测为各所述LD单元的所述剩余寿命的减少量与各所述LD单元的所述剩余寿命成比例的LD单元驱动条件数据。
根据第12发明，在第7至第11发明中的任一个发明中，所述控制部读出由所述意思决定部针对对于所述激光装置的光输出指令而输出并记录到所述驱动条件/状态量记录部的所述LD单元驱动条件数据，向所述电源部、所述激光光学系统、所述光输出检测部、所述光输出特性记录部输出包括向所述电源部指示的输出指令数据的所述LD单元驱动条件数据。
根据第13发明，在第7至第12发明中的任一个发明中，存在多个所述激光装置，设置于各个所述激光装置的多个所述机器学习装置经由通信介质来相互共用或交换数据。
根据第14发明，在第13发明中，经由通信介质在多个所述激光装置中共用所述机器学习装置。
根据第15发明，提供一种机器学习方法，学习包括向电源部指示的输出指令数据并至少包括剩余寿命的预测结果作为各LD单元的特性的预测结果的LD单元驱动条件数据，该机器学习方法的特征在于，包括以下步骤：观测包括来自所述电源部、一个以上的光输出检测部、光输出特性记录部以及驱动条件/状态量记录部的输出数据的激光装置的状态量，该一个以上的光输出检测部用于测定光输出，该光输出特性记录部记录根据从所述电源部输出的驱动电流和所述光输出求出的各所述LD单元的光输出特性的测定结果的历史，该驱动条件/状态量记录部记录激光装置的所述状态量的历史以及从机器学习装置输出的所述LD单元驱动条件数据的历史，所述LD单元驱动条件数据至少包括剩余寿命的预测结果作为各所述LD单元的特性的预测结果；接收所述驱动条件/状态量记录部中记录的各所述LD单元的特性的预测结果以及各所述LD单元的光输出特性的测定结果，来作为所述LD单元驱动条件数据的结果，各所述LD单元的特性的预测结果至少包括各所述LD单元的剩余寿命的预测结果；以及将包括向所述电源部指示的输出指令数据并至少包括剩余寿命的预测结果作为各所述LD单元的特性的预测结果的所述LD单元驱动条件数据与所述激光装置的所述状态量及所述LD单元驱动条件数据的结果相关联地进行学习。
根据第16发明，在第15发明中，从所述机器学习装置输出并记录在所述驱动条件/状态量记录部中的所述LD单元驱动条件数据还包括各所述LD单元的光输出特性的预测结果作为各所述LD单元的特性的预测结果，作为所述LD单元驱动条件数据的结果由动作结果获取部获取的数据包括各所述LD单元的光输出特性的预测结果，学习部将至少包括剩余寿命的预测结果和光输出特性的预测结果作为各所述LD单元的特性的预测结果的所述LD单元驱动条件数据与所述激光装置的所述状态量及所述LD单元驱动条件数据的结果相关联地进行学习。
通过附图所示的本发明的典型的实施方式的详细说明，本发明的这些目的、特征和优点以及其它目的、特征和优点会变得更明确。
附图说明
图1是表示本发明的一个实施方式的激光装置的概念性结构的框图。
图2是表示实际的驱动时间与对寿命的负荷率之间的关系的图。
图3是示意性地表示数据流的框图。
图4是表示温度检测部的配置例的图。
图5是示意性地表示数据流的其它框图。
图6是示意性地表示数据流的另一框图。
图7A是表示图1所示的机器学习装置的动作的一例的第一流程图。
图7B是表示图1所示的机器学习装置的动作的一例的第二流程图。
图8是表示本发明的其它实施方式的激光装置的概念性结构的框图。
图9A是表示图8所示的机器学习装置的动作的一例的第一流程图。
图9B是表示图8所示的机器学习装置的动作的一例的第二流程图。
图10是表示本发明的另一实施方式的激光装置的概念性结构的框图。
图11是表示LDU的估计出的剩余寿命的变化与预测出的剩余寿命的变化之间的关系的图。
图12是示意性地表示光输出指令、机器学习装置的处理以及光输出的时间流的图。
图13是示意性地表示神经元的模型的图。
图14是示意性地表示将图13所示的神经元进行组合而构成的3层的神经网络的图。
具体实施方式
下面，参照附图来说明本发明的实施方式。在下面的附图中，对同样的构件标注同样的参照标记。对于这些附图适当变更了比例尺以易于理解。
图1是表示本发明的一个实施方式的激光装置1的概念性结构的框图。本实施方式的激光装置1具备：多个激光二极管模块单元2(LDU、LD单元)，该激光二极管模块单元2包括一个以上的激光二极管模块(LDM)；电源部3，其能够个别地向各LDU 2提供驱动电流；控制部4，其能够按每个LDU 2来独立地控制从电源部3注入到各LDU 2的驱动电流；激光光学系统5，其用于将来自多个LDU 2的激光14作为激光光源或者用于激光振荡的激励光源，从激光装置1射出激光14；光输出检测部7，其用于测定激光14的光输出；光输出特性记录部8，其记录根据从电源部3输出的驱动电流和光输出求出的各LDU 2的光输出特性的测定结果的历史；驱动条件/状态量记录部9，其记录LDU驱动条件数据的历史以及激光装置1的状态量的历史，该LDU驱动条件数据包括向各电源部3指示的输出指令数据并至少包括剩余寿命的预测结果作为各LDU 2的特性的预测结果；以及机器学习装置6。在此，机器学习装置6具备状态量观测部10、动作结果获取部11、学习部12以及意思决定部13。
在机器学习装置6中，学习部12接收来自状态量观测部的输出、来自动作结果获取部11的输出，将至少包括剩余寿命的预测结果作为各LDU 2的特性的预测结果的LDU驱动条件数据与激光装置1的状态量及LDU驱动条件数据的结果相关联地进行学习，该状态量观测部对包括来自光输出特性记录部8和驱动条件/状态量记录部9的输出数据的激光装置1的状态量进行观测，该动作结果获取部11获取驱动条件/状态量记录部9中记录的至少包括各LDU 2的剩余寿命的预测结果的LDU 2的特性的预测结果以及各LDU 2的光输出特性的测定结果来作为LDU驱动条件数据的结果，意思决定部13参照学习部12的学习结果，决定并输出包括向各电源部3指示的输出指令数据并至少包括剩余寿命的预测结果作为各LDU 2的特性的预测结果的LDU驱动条件数据。
在一边改变驱动条件一边驱动各LDU 2的情况下，由于驱动条件的历史也造成影响，因此无法准确地掌握剩余寿命减少了多少，例如，也无法准确地获知使各LDU 2的剩余寿命的总和减少量最小的对各LDU 2的驱动电流的分配条件。但是，通过LDU 2的驱动条件的历史、光输出特性的历史不同的各种条件下的LDU驱动，来将至少包括剩余寿命的预测结果作为各LDU 2的特性的预测结果的LDU驱动条件数据与激光装置1的状态量及LDU驱动条件数据的结果相关联地进行学习，由此LDU 2的剩余寿命的预测精度提高，即使对于在各种驱动条件下被驱动的LDU 2，也能够以准确地预测出剩余寿命的变化的最佳驱动条件来驱动LDU 2。
另外，从机器学习装置6输出并记录在驱动条件/状态量记录部9中的LDU驱动条件数据还包括各LDU 2的光输出特性的预测结果作为各LDU 2的特性的预测结果，作为LDU驱动条件数据的结果由动作结果获取部11获取的数据包括各LDU 2的光输出特性的预测结果，学习部12也能够将至少包括剩余寿命的预测结果和光输出特性的预测结果作为各LDU2的特性的预测结果的LDU驱动条件数据与激光装置1的状态量及LDU驱动条件数据的结果相关联地进行学习。光输出特性始终能够准确地被测定而能够验证预测的精度，并且光输出特性与剩余寿命之间关联性强，如，在以规定的驱动电流无法得到规定的光输出的时间点设为寿命耗尽、剩余寿命＝0小时。另一方面，关于剩余寿命，除了寿命末期，至少在学习初期难以验证剩余寿命的预测结果是否正确。因而，期望的是，使LDU 2的特性的预测结果也包括光输出特性的预测结果，来提高LDU 2的光输出特性的预测精度，从而使得LDU 2的剩余寿命的预测精度提高。
此外，关于剩余寿命，并非完全不知道会变为什么样的学习结果，在LDU 2的驱动电流与标准驱动条件不同的情况下，可以预想到进行学习的结果是获得如图2那样的学习结果。在图2中，横轴是LDU 2的实际的驱动时间，纵轴表示对寿命的负荷率。标准驱动电流是10A，当设以10A驱动时的终生寿命为tL、以13A持续驱动的情况下的终生寿命为tL/2时，以13A驱动时的对寿命的平均负荷率为2倍。但是，可以认为以13A驱动时的对寿命的实际负荷率与虚线所示的平均负荷率不同，定性地说是以曲线表示的形状，随着有效累积驱动时间经过而劣化逐渐严重，对寿命的负荷率越大。在对以13A驱动时的对寿命的实际负荷率从时间0至tL/2进行积分所得到的有效累积驱动时间确实为tL，但是若以平均的对寿命的负荷率来考虑，则存在招致以下事态的担忧：不仅在寿命的中途过大评价有效累积驱动时间、过小评价剩余寿命，还在寿命后期过小评价使驱动电流增加时的对寿命的负荷率的增加，使特定的LDU 2的剩余寿命高于预期地减少。因而，图2所示的曲线虽然仅示出了概念，但是会通过机器学习来获得正确的关系。但是，在此仅说明了相对于标准驱动电流10A使驱动电流为13A的情况，但是不仅对于其它驱动电流也需要获得正确的关系，而且在如后所述那样LDU2的温度等不同的情况下也需要获得正确的关系，因此为了在整个生命中预测以各种条件驱动的LDU 2的剩余寿命，依然需要庞大的数据，以无需人介入的方式学习的意义大，这一点是不变的。
此外，意思决定部13决定并输出适合于对激光装置1的光输出指令的LDU驱动条件数据，并且在存在与各LDU 2的驱动有关的设定条件(或制约条件)的情况下，意思决定部13决定并输出也适合于设定条件的LDU驱动条件数据。例如，在设定了以使各LDU 2的剩余寿命的减少量的总和最小的方式驱动LDU 2这一条件的情况下，意思决定部13以使参照学习部12的学习结果而预测出的各LDU 2的剩余寿命的减少量的总和最小的方式，决定并输出对各LDU 2分配驱动电流的LDU驱动条件数据。能够参照通过以使预测结果的误差变小的方式学习至少包括剩余寿命的预测结果作为各LDU 2的特性的预测结果的LDU驱动条件数据等所得到的学习结果，来进行各LDU 2的剩余寿命的预测。具体的学习方法在后面叙述。此外，期望的是，预先从控制部4等向机器学习装置6的状态量观测部10等输入各LDU 2的容许光输出范围、来自光检测部的输出与来自激光装置1的光输出之间的关系等激光装置1的基本信息。
基于LDU驱动条件数据射出的激光14既可以是脉冲光也可以是CW光，还可以是在CW光上叠加脉冲光后的波形，不对输出波形进行限定。
此外，作为将来自多个LDU 2的激光14按原样作为激光光源的激光装置1，存在直接二极管激光装置等，作为将来自多个LDU 2的激光14作为激励光源的激光装置1，存在光纤激光装置等，但是并不限定于这些激光装置1。
在图1中，空心的箭头模拟地表示激光14的光线，但是不限定于在空间中传播的光线，例如，将在光纤内传播的光线等也包含在内地模拟地示出。从激光装置1输出的激光14也同样，模拟性地示出也包括具备加工头的构造的含义，该加工头构成为激光14在光纤内传播后在光纤的终端激光14在加工对象物的大致表面聚焦。
另外，在图1中，示意性地记载为光从激光光学系统5入射到光输出检测部，但是，在光在空间中传播的情况下，例如能够利用半透半反镜使光分支后检测光的一部分，或者，在光在光纤内传播的情况下，例如能够检测使用光分支器分支出的来自光纤的终端的光或检测从光纤的包层泄漏的光，光入射到光输出检测部的入射构造不限定于图1所示的构造。
另外，LDU 2的个数不限定于如图1所示的4个。只要是多个，则可以是人任意个数。
并且，在图1中，记载为激光光学系统5仅存在于激光装置1内，但是，例如，模拟地表示为将设置于光纤的终端的加工头的光学系统也包含在内的含义，该光纤以也延伸到激光装置1的外部的状态铺设，该激光光学系统5用于使从激光装置1输出的激光14例如在加工对象物的大致表面聚焦。因而，设激光光学系统5具有因此而需要的光耦合、聚光、对焦等功能。另外，设在将来自LDU 2的激光14作为激励光源的激光装置1中也包括激励介质。另外，期望的是，激光光学系统5能够通过控制部4来控制距加工对象物的表面的焦点位置等。
此外，在图1中，由于图会变得不易观看，因此省略了从控制部4向激光光学系统5、光输出检测部7、光输出特性记录部8、驱动条件/状态量记录部9的各部的控制信号线以及从各部向控制部4的状态传递线。
另外，状态量观测部10和动作结果获取部11是功能性模块，也能够认为是通过一个模块来实现两者的功能。另外，光输出特性记录部8和驱动条件/状态量记录部9也是功能性模块，也能够认为是通过一个模块来实现两者的功能。
并且，光输出特性记录部8和驱动条件/状态量记录部9中既可以是其中一个以上设置于机器学习装置6内，也可以是全部设置于机器学习装置6内。
另外，期望的是学习部12具有以下功能：如图3中以框图来示意性地表示数据流那样，在测定出各LDU 2的光输出特性的某个时间点tm，基于时间点tm的光输出特性、驱动条件/状态量记录部9中记录的到时间点tm为止的LDU驱动条件数据的历史及激光装置1的状态量的历史、以及光输出特性记录部8中记录的到时间点tm为止的各LDU 2的光输出特性的历史，参照至少包括剩余寿命的预测结果作为各LDU 2的特性的预测结果的LDU驱动条件数据的学习结果，来估计时间点tm下的各LDU 2的剩余寿命。在某个时间点tm，除了考虑至今为止的光输出特性、LDU驱动条件数据的历史、激光装置1的状态量的历史以外，还考虑时间点tm下的最新的各LDU 2的光输出特性的数据，来估计各LDU 2的剩余寿命，由此能够得到与在以前的时间点预测出的剩余寿命相比精度高的剩余寿命。
另外，机器学习装置6能够使输入到状态量观测部10的激光装置1的状态量包括来自对各LDU 2和/或与各LDU 2热连接的构件的温度进行检测的一个以上的温度检测部17的输出数据、来自对用于冷却各LDU 2的制冷剂的温度进行检测的制冷剂温度检测部的输出数据、来自对各LDU 2的环境温度进行检测的环境温度检测部的输出数据、来自对制冷剂的流量进行检测的流量检测部的输出数据、来自对各LDU 2的环境湿度进行检测的湿度检测器的输出数据中的一个以上的输出数据。
例如，如图4所示，当在LDU 2所热连接的冷却板18的配管19内如粗箭头那样流通冷却水等制冷剂来对LDU 2进行冷却时，从制冷剂的流入侧到流出侧制冷剂温度因LDU 2的发热而上升，产生温度梯度，利用温度检测部17来测定各LDU 2附近的冷却板18的温度，取入各LDU 2的温度条件来作为激光装置1的状态量，由此将当以高温驱动时寿命短等温度条件也纳入考虑，能够进行精度高的光输出特性、剩余寿命的变化量的预测和恰当的学习。另外，虽然在图4中没有记载，但是如果在LDU 2周边设置湿度检测部等，则能够将有可能影响LDM的寿命的LDU 2周边的湿度也纳入考虑来进行学习。
如以上那样，在图1所记载的机器学习装置6中，如图5中以框图示意性地表示数据流那样，学习部12具有决定至少包括剩余寿命的预测结果作为各LDU 2的特性的预测结果的LDU驱动条件数据的价值的价值函数，能够具备报酬计算部15和价值函数更新部16，在从某个时间点ta到晚于时间点ta的时间点tb的期间作为向各LDU 2指示的LDU驱动条件数据的结果而预测或估计出的各LDU 2的剩余寿命中的、对时间点tb的预测结果与时间点tb下的估计结果之间的差异(在图5中，最右侧的双箭头所指的预测剩余寿命与估计剩余寿命之间的差异)小于规定的值或规定的比率的情况下，报酬计算部15根据差异的值或比率的小的程度给予正的报酬，在剩余寿命的预测结果与估计结果之间的差异大于规定的值或规定的比率的情况下，报酬计算部15根据差异的值或比率的大的程度给予负的报酬，其中，对时间点tb的预测结果是以时间点ta下的估计结果为起点进行预测得到的，被记录在驱动条件/状态量记录部9中，并且，在LDU驱动条件数据包括光输出特性的预测结果作为各LDU 2的特性的预测结果的情况下，如图6中以框图示意性地表示数据流那样，在从时间点ta到时间点tb的期间作为向各LDU 2指示的LDU驱动条件数据的结果而获取到的各LDU 2的光输出特性中的、对时间点tb的预测结果与时间点tb下的测定结果之间的差异(在图6中，上侧的最右侧的双箭头所指的上侧的预测出的光输出特性与下侧的测定出的光输出特性之间的差异)小于规定的值或规定的比率的情况下，报酬计算部15根据差异的值或比率的小的程度给予正的报酬，在光输出特性的预测结果与测定结果之间的差异大于规定的值或规定的比率的情况下，报酬计算部15根据差异的值或比率的大的程度给予负的报酬，其中，对时间点tb的预测结果是以时间点ta下的测定结果为起点进行预测得到的，被记录在驱动条件/状态量记录部9中，价值函数更新部16根据报酬来更新价值函数。此外，价值函数不限定于一种。
学习部12以如下方式进行学习：当剩余寿命的预测结果与估计结果之间的差异小时给予正的报酬、当剩余寿命的预测结果与估计结果之间的差异大时给予负的报酬，由此能够高精度地预测剩余寿命。并且，当光输出特性的预测结果与测定结果之间的差异小时给予正的报酬，当光输出特性的预测结果与估计结果之间的差异大时给予负的报酬，由此能够高精度地预测与剩余寿命之间关联性强的光输出特性，从而使得剩余寿命的预测精度提高。
接着，说明本实施方式的激光装置1所具备的机器学习装置6的动作的一例。图7A和图7B是表示图1所示的机器学习装置6的动作的一例的流程图。
如图7A和图7B所示，在图1所示的机器学习装置6中，当学习动作(学习处理)开始时，首先，判定是否存在对激光装置1的光输出指令(步骤S101)，在激光装置1存在光输出指令的情况下，利用状态量观测部10观测包括来自驱动条件/状态量记录部9及光输出特性记录部的输出数据的激光装置1的状态量(步骤S102)，学习部12参照反映了学习结果的价值函数，来预测因执行包括电源部3中的输出指令的LDU驱动电流数据而引起的各LDU 2的至少剩余寿命的变化，从意思决定部13输出符合激光装置1中设定的条件的、至少包括各LDU2的剩余寿命的预测结果的LDU驱动电流数据(步骤S103)。从意思决定部13输出的至少包括各LDU 2的剩余寿命的预测结果的LDU驱动电流数据被追加写入到驱动条件/状态量记录部9，并且被输入到控制部4(步骤S104)，控制部4将包括对电源部3的输出指令的LDU驱动电流数据输出到包括激光装置1的电源部3在内的各部，LDU 2被驱动而从激光装置1射出激光14(步骤S105)。在该时间点，按规定的时间表来判定是否为测定光输出特性的定时(步骤S106)。在步骤S101中的判定为激光装置1不存在光输出指令的情况下，进入步骤S106，如果步骤S106中的判定为不是测定光输出特性的定时，则返回到步骤S101。若果步骤S106中的判定为是测定光输出特性的定时，则基于从电源部3提供到各LDU 2的驱动电流和来自光输出检测部的输出来测定各LDU 2的光输出特性，追加写入到光输出特性记录部8(步骤S107)。
并且，学习部12从状态量观测部10接收测定出各LDU 2的光输出特性的时间点下的包括来自驱动条件/状态量记录部9和光输出特性记录部的输出数据的激光装置1的状态量，并且从动作结果获取部11接收各LDU 2的光输出特性的测定结果和LDU驱动电流数据中包括的各LDU 2的特性的预测结果作为LDU驱动电流数据的结果，参照反映了学习结果的价值函数，来估计各LDU 2的剩余寿命(步骤S108)。判定各LDU 2的剩余寿命的估计结果与LDU驱动电流数据中包括的各LDU 2的剩余寿命的预测结果之间的差异(步骤S109)，报酬计算部15在各LDU 2的剩余寿命的估计结果与预测结果之间的差异小于规定的值或规定的比率的情况下根据差异的值或比率的小的程度给予正的报酬(步骤S110)，在剩余寿命的预测结果与估计结果之间的差异大于规定的值或规定的比率的情况下根据差异的值或比率的大的程度给予负的报酬(步骤S111)。接着，判定LDU驱动条件数据是否也包括各LDU 2的光输出特性的预测结果(步骤S112)，在LDU驱动条件数据也包括各LDU 2的光输出特性的预测结果的情况下，判定各LDU 2的光输出特性的预测结果与测定结果之间的差异(步骤S113)，报酬计算部15在各LDU 2的光输出特性的预测结果与测定结果之间的差异小于规定的值或规定的比率的情况下根据差异的值或比率的小的程度给予正的报酬(步骤S114)，在光输出特性的预测结果与测定结果之间的差异大于规定的值或规定的比率情况下根据差异的值或比率的大的程度给予负的报酬(步骤S115)，在价值函数更新部16中，根据报酬来更新价值函数(步骤S116)，返回到步骤S101，再次执行步骤S101以后的流程。在步骤S112的判定中LDU驱动条件数据不包括各LDU 2的光输出特性的预测结果的情况下，直接进入步骤S116。
通过重复以上的步骤S101～S116，学习部12持续更新价值函数或后述的行动价值表来进行学习。如前所述，价值函数不限定于一种。
此外，在LDU 2的寿命耗尽时，剩余寿命＝0小时，对与剩余时间的预测结果之间的差异、误差进行评价的对象不是剩余时间的估计结果，而是实际的剩余时间(＝0小时)。另外，也可以是，根据LDU 2的光输出特性的测定定时，在估计为光输出特性测定时以前寿命已耗尽的情况下，估计剩余寿命是负的几小时。
另外，也可以是，在光输出特性的测定结果的变化小于测定误差的情况下等，不在每次测定出LDU 2的光输出特性时进行价值函数、学习模型的更新，而只对驱动条件/状态量记录部9追加写入LDU驱动条件数据、激光装置1的状态量、剩余寿命的预测结果、光输出特性的预测结果，在光输出特性的测定结果的变化变为大于测定误差的规定大小的时间点，计算报酬、误差来进行价值函数、学习模型的更新。
机器学习包括有监督学习、无监督学习、强化学习等算法，但是根据行动(LDU驱动条件数据的输出)会对环境(各LDU 2的剩余寿命等激光装置1的状态量)造成影响，因此可以认为期望的是通过观测周围的环境来学习应该怎样行动的强化学习。通过对环境造成影响并从环境以报酬的形式得到反馈来进行学习，因此即使无法作为输出数据直接给出LDU2的剩余寿命、无法以成对的方式给出用于学习的适当的输入数据和输出数据，也能够灵活运用强化学习的平衡性好地选择逐渐开拓未知的学习领域的行动和利用已知的学习领域的行动这一特征，通过一系列行动来学习得到最多报酬的方策。
此外，关于剩余寿命，以从能够根据寿命实际耗尽来验证剩余寿命的预测是否准确的寿命末期起沿寿命后期、寿命中期、寿命初期的方向回溯寿命的方式，预测精度佳的范围逐渐扩大，因此认为到学习至在整个生命中都能够高精度地估计为止需要非常庞大的数据，因此也可以通过有监督学习来进行事先学习。
在有监督学习中，如图8所记载的机器学习装置6那样，学习部12具有学习至少包括剩余寿命的预测结果作为各LDU 2的特性的预测结果的LDU驱动条件数据的学习模型，能够具备误差计算部20和学习模型更新部21，误差计算部20计算在从时间点ta到时间点tb的期间作为向各LDU 2指示的LDU驱动条件数据的结果而预测或估计出的各LDU 2的剩余寿命中的、对时间点tb的预测结果与时间点tb下的估计结果之间的误差(在图5中，最右侧的双箭头所指的预测剩余寿命与估计剩余寿命之间的误差)，其中，对时间点tb的预测结果是以时间点ta下的估计结果为起点进行预测得到的，被记录在驱动条件/状态量记录部9中，并且，在LDU驱动条件数据中包括光输出特性的预测结果作为各LDU 2的特性的预测结果的情况下，误差计算部20计算在从时间点ta到时间点tb的期间作为向各LDU 2指示的LDU驱动条件数据的结果而获取到的各LDU 2的光输出特性中的、对时间点tb的预测结果与时间点tb下的测定结果之间的误差(在图6中，上侧的最右侧的双箭头所指的上侧的预测出的光输出特性与下侧的测定出的光输出特性之间的误差)，其中，对时间点tb的预测结果是以时间点ta下的测定结果为起点进行预测得到的，被记录在驱动条件/状态量记录部9中，学习模型更新部21根据误差来更新学习模型。
图8表示应用了有监督学习的激光装置1的例子，根据前述的图1的比较可以明确的是，相对于图1所示的应用了强化学习的激光装置1，图8所示的应用了有监督学习的激光装置1还具备带结果(标签)数据记录部22。另外，应用了有监督学习的激光装置1中的机器学习装置6具备状态量观测部、动作结果获取部11、学习部12以及意思决定部13，学习部12包括误差计算部20和学习模型更新部21。
学习部12以计算剩余寿命的预测结果与估计结果之间的误差、以使误差变小的方式更新学习模型由此能够高精度地预测剩余寿命的方式进行学习。并且，计算光输出特性的预测结果与测定结果之间的误差，以使误差变小的方式更新学习模型，由此能够高精度地预测与剩余寿命之间关联性强的光输出特性，从而能够使得剩余寿命的预测精度提高。通过提供用于学习的适当的输入数据与输出数据的对，能够比较容易地推进学习。
在强化学习中，从完全不知道或者仅不完全地知道行动所引起的结果的状态起开始学习，但是如前所述，可以认为到学习至在整个生命中都能够高精度地估计剩余寿命为止需要非常庞大的数据，因此期望的是，通过有监督学习来进行事先学习，以事先学习后的状态为初始状态，从条件佳的开始地点起开始强化学习。在有监督学习中，提供用于学习的适当的输入数据与输出数据的对，生成映射输入数据以及应该与其对应的输出数据的函数(学习模型)。在有监督学习中，能够提供用于学习的适当的输入数据与输出数据的对，因此具有与强化学习相比学习比较容易的优点。期望的是，在有监督学习中也是，特别是在学习初期，以如驱动电流固定的情况、除驱动电流在终生寿命的前半和后半不同以外驱动电流固定的情况这样的单纯的LDU驱动条件数据来重复学习，由此学习LDU驱动条件数据与激光装置1的状态量及LDU驱动条件数据的结果的基本关系、或将基本的输入数据与输出数据的对记录到带结果(标签)数据记录部22，从而顺畅地推进学习。
图9A和图9B是表示图8所示的机器学习装置6的动作的一例的流程图。如图9A和图9B所示，在图8所示的机器学习装置6中，当学习动作(学习处理)开始时，首先，判定是否存在对激光装置1的光输出指令(步骤S201)，在激光装置1存在光输出指令的情况下，利用状态量观测部10观测包括来自驱动条件/状态量记录部9和光输出特性记录部的输出数据的激光装置1的状态量(步骤S202)，学习部12参照反映了学习结果的学习模型，来预测因执行包括电源部3中的输出指令的LDU驱动电流数据而引起的各LDU 2的至少剩余寿命的变化，从意思决定部13输出符合激光装置1中设定的条件的、至少包括各LDU 2的剩余寿命的预测结果的LDU驱动电流数据(步骤S203)。从意思决定部13输出的至少包括各LDU 2的剩余寿命的预测结果的LDU驱动电流数据被追加写入到驱动条件/状态量记录部9，并且被输入到控制部4(步骤S204)，控制部4将包括对电源部3的输出指令的LDU驱动电流数据输出到激光装置1，LDU 2被驱动而从激光装置1射出激光14(步骤S205)。在该时间点，按规定的时间表来判定是否为测定光输出特性的定时(步骤S206)。在步骤S201中的判定为激光装置1不存在光输出指令的情况下，进入步骤S206，如果步骤S206中的判定为不是测定光输出特性的定时，则返回到步骤S201。如果步骤S206中的判定为是测定光输出特性的定时，则基于从电源部3提供到各LDU2的驱动电流和来自光输出检测部的输出来测定各LDU 2的光输出特性，追加写入到光输出特性记录部8(步骤S207)。
并且，学习部12从状态量观测部10接收测定出各LDU 2的光输出特性的时间点下的包括来自驱动条件/状态量记录部9及光输出特性记录部的输出数据的激光装置1的状态量，并且从动作结果获取部11接收各LDU 2的光输出特性的测定结果和LDU驱动电流数据中包括的各LDU 2的特性的预测结果作为LDU驱动电流数据的结果，参照反映了学习结果的学习模型，来估计各LDU 2的剩余寿命(步骤S208)。误差计算部20计算各LDU 2的剩余寿命的估计结果与LDU驱动电流数据中包括的各LDU 2的剩余寿命的预测结果之间的误差(步骤S209)。接着，判定LDU驱动条件数据是否也包括各LDU 2的光输出特性的预测结果(步骤S210)，在LDU驱动条件数据也包括各LDU 2的光输出特性的预测结果的情况下，各误差计算部20计算LDU 2的光输出特性的预测结果与测定结果之间的误差(步骤S211)。接着，学习模型更新部21根据误差来更新学习模型(步骤S212)，返回到步骤S201，再次执行步骤101以后的流程。在步骤S210的判定中LDU驱动条件数据不包括各LDU 2的光输出特性的预测结果的情况下，直接进入步骤S212。
通过重复以上的步骤S201～S212，学习部12持续更新学习模型来进行学习。
此外，在激光装置1中，期望的是，如图5、图6中示意性的框图所示，根据来自控制部4的指令，按规定的时间表，个别地测定各LDU 2的相对于驱动电流的施加电压与光输出的关系，将测定时间点的各LDU 2的光输出特性追加写入到光输出特性记录部8。通过按规定的时间表来个别地驱动各LDU 2、测定各LDU 2的光输出特性来追加写入到光输出特性记录部8，来记录光输出特性作为从机器学习装置6输出的LDU驱动条件数据的结果在光输出特性的测定间隔之间是如何逐渐地变化的这样的历史，状态量观测部接收将光输出特性的历史也包括在内的激光装置1的状态量，由此能够准确地学习光输出特性的历史对LDU驱动条件数据的结果造成的影响。另外，通过测定出各LDU 2的光输出特性的时间点下的各LDU2的剩余寿命的预测结果与估计结果的对照、各LDU 2的光输出特性的测定结果与预测结果的对照，学习机会增加，推进各LDU 2的剩余寿命、光输出特性的预测精度的提高。
另外，期望的是，激光装置1具备多个光输出检测部7，能够同时测定多个LDU 2的光输出特性。这是由于，为了增加机器学习装置6的学习机会，期望的是，利用对激光装置1的光输出指令的间歇等来比较频繁地实施各LDU 2的光输出特性的测定。因此，要求能够短时间地进行光输出特性的测定，而通过具备多个光输出检测部7，能够同时进行多个LDU 2的光输出特性的测定，从而能够缩短全部LDU 2的光输出特性的测定所需的时间。并且，为了能够同时测定全部LDU 2的光输出特性，期望的是，如图10所示，除了测定从激光装置1射出的激光14的光输出的光输出检测部7以外，还针对各LDU 2分别具备一个以上的光输出检测部7。通过针对各LDU 2分别具备一个以上的光输出检测部7，即使在激光装置1射出激光14以进行被加工对象物(工件)的激光加工时，虽然无法获取如在规定的驱动电流整个范围内的各LDU 2的光输出的各驱动电流依赖性那样的完全的光输出特性，但是能够测定针对驱动中的某个驱动电流的光输出，因此能够测定各LDU 2的光输出特性。在本说明书中，也可以使LDU 2的光输出特性测定包括这种针对某一个驱动电流的LDU 2的光输出的测定。另外，也可以使LDU 2的光输出特性的测定结果包括这种针对某一个驱动电流的LDU 2的光输出的测定结果。
另外，激光装置1的学习部12将参照学习结果而估计出的各LDU 2的估计剩余寿命作为至少包括剩余寿命的预测结果作为各LDU 2的特性的预测结果的LDU驱动条件数据的结果追加写入到驱动条件/状态量记录部9，激光装置1能够将从某个时间点ts的估计剩余寿命减去晚于时间点ts的某个时间点tp的估计剩余寿命所得到的时间作为将从时间点ts到时间点tp为止的各LDU 2的实际的驱动时间换算为标准驱动条件下的驱动时间所得到的各LDU 2的有效驱动时间，将时间点tp下的各LDU 2的估计剩余寿命作为时间点tp下的各LDU 2的剩余寿命，来输出和/或显示。
若通过学习，无论至今为止以什么样的驱动条件驱动LDU 2，都能够估计出将到该时间点为止的LDU 2的驱动条件、激光装置1的状态量等的全部历史也纳入考虑的剩余寿命，则如图11中示意性的图表所示，剩余时间的变化量为将实际的驱动时间换算为标准驱动条件下的驱动时间所得到的各LDU 2的有效驱动时间。当知道各LDU 2的有效驱动时间时，只要时间点ts是出厂前的规定的检查工序完成的时间点或出厂后第一次驱动LDU 2的时间点，则有效驱动时间就成为有效累积驱动时间，因此在有寿命的期间，能够检查估计终生寿命＝有效累积驱动时间+估计剩余寿命是否示出异常的值，在寿命耗尽的时间点，能够得到标准驱动条件下的LDU 2的寿命保证、高精度地与平均终生寿命进行比较等，而且能够得到与LDU 2的可靠性的评价、改进有关的准确的寿命相关信息。
另外，激光装置1的意思决定部13能够设定为选择四个驱动条件模式中的至少一个驱动条件模式的条件或者在驱动条件模式之间切换驱动条件模式的条件，其中，意思决定部13针对对于激光装置1的光输出指令，参照学习部12的学习结果，输出包括各LDU 2的剩余寿命和光输出特性的预测结果的LDU驱动条件数据，所述四个驱动条件模式是：输出预测为因驱动LDU 2导致的各LDU 2的剩余寿命的减少量的总和为最小值的LDU驱动条件数据的驱动条件模式(寿命最优先模式)；输出在预测为各LDU 2的剩余寿命的减少量的总和为最小值的规定倍率以下的条件范围内激光装置1整体的光电变换效率为大致最大效率的LDU驱动条件数据的驱动条件模式(效率优先模式)；输出预测为在激光装置1整体的光电变换效率相对于最大效率的下降率为规定下降率以下这一条件范围内各LDU 2的剩余寿命的减少量的总和为最小值的LDU驱动条件数据的驱动条件模式(寿命优先模式)；以及输出预测为各LDU 2的剩余寿命的减少量与各LDU 2的剩余寿命成比例的LDU驱动条件数据的驱动条件模式(同时更换模式)。
当能够准确地预测因驱动LDU 2导致的剩余寿命的减少量时，能够以如上所述的驱动条件模式来驱动LDU 2。当选择寿命最优先模式时，能够实现长寿的激光装置1，当选择效率优先模式时，能够实现考虑寿命但是也高效的激光装置1，当选择寿命优先模式时，能够实现考虑效率但是也长寿的激光装置1，当选择同时更换模式时，全部LDU 2的寿命大致同时耗尽，因此具有能够减少用于更换LDU的维护次数的优点。能够选择符合用户期望的驱动条件模式来设定，因此顾客满足度变高。通过在中途切换驱动条件模式、例如变为寿命后期后切换为同时更换模式，能够进行长寿且LDU 2的更换时期相同等的设定。此外，在测定LDU 2的光输出特性时，测定从电源部3提供到各LDU 2的驱动电流并且测定对LDU 2施加的施加电压，由此根据光电变换效率＝光输出/(驱动电流×施加电压)来求出光电变换效率。机器学习装置6从控制部4接收对控制部4设定的如上所述的条件，决定并输出激光装置1能够射出所指示的光输出并且符合所设定的条件的LDU驱动条件数据。
此外，光电变换效率高的LDU 2有剩余寿命长、伴随驱动的劣化(剩余寿命的减少)也少的倾向，因此可以认为无论选择上述的哪个模式，都有对光电变换效率高的LDU 2分配多的驱动电流的趋势，但是不明确定量地说多分配多少才能够以希望的模式驱动各LDU 2。
另外，激光装置1的控制部4能够读出由意思决定部13针对对于激光装置1的光输出指令而输出并记录到驱动条件/状态量记录部9的LDU驱动条件数据，向电源部3、激光光学系统5、光输出检测部、光输出特性记录部8输出包括向电源部3指示的输出指令数据的LDU驱动条件数据。在该情况下，可以在图1、图8或图10所示的激光装置1中追加从驱动条件/状态量记录部9向控制部4输出LDU驱动条件数据的信号线。
虽然也要看机器学习装置6的处理器的性能，但是可以考虑到以下情况：从对激光装置1发出光输出指令到学习部12从状态量观测部和动作结果获取部11接收数据来决定要输出的LDU驱动条件数据为止需要时间。在这种情况下，如图12中示意性地示出的那样表现出从左侧向右侧的流程，当针对连续的多个光输出指令实时地射出激光14时，存在LDU驱动条件数据的决定慢、无法顺畅地利用激光14进行加工的可能性。因此，在实际射出激光14之前，针对一系列连续的光输出指令，预先进行上述的处理，决定要输出的LDU驱动条件数据并记录在驱动条件/状态量记录部9中，记录完之后，控制部4读出该记录来向包括电源部3在内的激光装置1的各部输出包括输出指令数据的LDU驱动条件数据，这样的话，就能够针对一系列光输出指令来无间断地射出遵循指令的激光14。
最后，叙述图1、图8或图10所示的机器学习装置6的学习方法。
机器学习装置6具备以下功能：通过分析来提取输入到机器学习装置6的数据的集合中的有用的规则、法则、知识表述、判断基准等，输出其判断结果，并且进行知识的学习。已知各种各样的机器学习的方法，但能够大致分为“强化学习”、“有监督学习”、“无监督学习”等。并且，存在以下被称为“深层学习(深度学习：Deep Learning)”的方法：在实现上述方法的基础上，对特征量本身的提取进行学习。图1、图10表示具备强化学习的机器学习装置6的激光装置1的例子，图8表示具备有监督学习的机器学习装置6的激光装置1的例子。
“强化学习”是指以下方法：不仅学习判定、分类，还学习行动，由此基于行动对环境造成的相互作用来学习恰当的行动、即学习使得在将来得到的报酬最大的学习的方法。在本实施方式中，例如，LDU驱动条件数据的输出这一行动的结果是对激光装置1的状态量(环境)造成影响，如LDU 2的劣化逐渐严重、光输出特性变化、剩余寿命减少，通过观测周围的环境来学习应该怎样行动，因此，想到了应用通过对环境造成影响并从环境以报酬的形式得到反馈来进行学习的强化学习。
但是，强化学习从完全不知道或者仅不完全地知道行动所引起的结果的状态起开始学习，从该状态起获得足以引起适当的行动的学习结果是不容易的。在本发明中，可以认为到学习至在整个生命中都能够高精度地估计LDU 2的剩余寿命为止需要非常庞大的数据，因此期望的是，通过有监督学习来进行事先学习，以通过有监督学习等进行了事先学习后的状态为初始状态，开始强化学习，其中，在有监督学习中，提供作为用于学习的适当的输入数据与输出数据的对的带结果(标签)数据。
“有监督学习”是指以下的学习方法：向机器学习装置6大量提供某个输入与结果(标签)的数据组，由此能够学习这些数据组所具有的特征，从而归纳性地获得根据输入来估计结果的模型、即输入与结果的相关性。此外，可以认为仅利用有监督学习也具有一定的学习效果，能够以某种程度的精度来预测LDU 2的剩余寿命，因此强化学习并非是必需的，也可以考虑使机器学习止于有监督学习的范围。
“无监督学习”是指以下方法：仅向学习装置大量提供输入数据，由此学习输入数据是如何分布的，即使不提供对应的监督输出数据也利用对输入数据进行压缩、分类、整形等的装置进行学习。在未预先决定“应该输出的数据”这一点上与有监督学习不同。用于提取存在于数据背后的本质性构造。
首先，记载强化学习的应用。可以考虑如下那样进行强化学习的问题设定。
·激光装置1的机器学习部12观测包括激光装置1的状态的环境的状态，决定行动(LDU驱动条件数据的输出)。
·环境按照某种规则发生变化，并且也存在行动使环境发生变化的情况。
·在每次行动时都有报酬信号返回来。
·想要最大化的是到将来的报酬的总和。
·从完全不知道或者仅不完全地知道行动所引起的结果的状态起开始学习。
作为强化学习的代表性方法，已知Q学习、TD学习。下面，以Q学习的情况来进行说明，但是不限定于Q学习。
Q学习是学习在某种环境状态s下选择行动a的价值Q(s，a)的方法，在某种状态s时，将价值Q(s，a)最高的行动a选作最佳的行动即可。但是，最初，关于状态s与行动a的组合，不知道价值Q(s，a)的正确的值，因此智能体(行动主体)在某种状态s下选择各种行动a，并对此时的行动a给予报酬。由此，智能体逐渐学习更好的行动的选择、即正确的价值Q(s，a)。
并且，行动的结果是想要使到将来得到的报酬的总和最大化，因此最终目标是使得Q(s，a)＝E[Σ(γt)rt]。在此，“E[]”表示期待值，t是时刻，γ是在后面叙述的被称为折扣率的参数，rt是时刻t下的报酬，Σ是基于时刻t的总和。设在按照最佳的行动发生状态变化时取该式中的期待值，由于尚不知道该期待值，因此一边探索一边学习。例如能够通过下述的式(1)来表示这种价值Q(s，a)的更新式。
即，价值函数更新部16使用下述的式(1)来更新价值函数Q(st，at)。
在此，st表示时刻t下的环境的状态，at表示时刻t下的行动。通过行动at，状态变化为st+1。rt+1表示通过该状态的变化而得到的报酬。另外，带有max的项为在状态st+1下将选择当时知道的Q值最高的行动a时的Q值与γ相乘而得到的项。在此，γ是0<γ≤1的参数，被称为折扣率。另外，α是学习系数，设为0<α≤1的范围。
上述的式(1)表示了以下方法：基于作为尝试at的结果而返回来的报酬rt+1，来对状态st下的行动at的评价值Q(st，at)进行更新。即，示出了以下情况：与状态s下的行动a的评价值Q(st，at)相比，如果报酬rt+1与基于行动a的下一个状态下的最好的行动max a的评价值Q(st+1，max at+1)的总和大，则使Q(st，at)变大，相反地，如果报酬rt+1与基于行动a的下一个状态下的最好的行动max a的评价值Q(st+1，max at+1)的总和小，则使Q(st，at)变小。也就是说，使某种状态下的某种行动的价值接近基于作为结果而立即返回的报酬以及该行动的下一个状态下的最好的行动的价值。
当为了方便而将学习系数和折扣率设为1时，如下述的式(2)那样表示。
该更新式示出了以下情况：与环境s下的行动a的评价值Q(st，at)相比，如果基于行动a的下一个环境状态下的最好的行动的评价值Q(st+1，max at+1)大，则使Q(st，at)变大，相反地，如果基于行动a的下一个环境状态下的最好的行动的评价值Q(st+1，max at+1)小，则使Q(st，at)变小。即，使某种状态下的某种行动的价值接近基于该行动的下一个状态下的最好的行动的价值。
在此，Q(s，a)在计算机上的表达方法包括以下方法：针对全部状态行动对(s，a)，将其值保持为行动价值表；以及准备对Q(s，a)进行近似那样的函数。在后者的方法中，能够通过利用随机梯度下降法等方法逐渐调整近似函数的参数来实现前述的式(1)。此外，作为近似函数，能够使用神经网络。
接着，记载有监督学习的应用。有监督学习是指：向机器学习装置6大量提供某个输入与结果(标签)的数据组，由此能够学习这些数据组所具有的特征，从而归纳性地获得根据输入来估计结果的模型、即输入与结果的相关性。
进行有监督学习的机器学习器的动作包括学习阶段和预测阶段这两个阶段。在学习阶段，进行有监督学习的机器学习器当提供包括被用作输入数据的状态变量(说明变量)的值以及被用作输出数据的目的变量的值的监督数据时，学习在被输入状态变量的值时输出目的变量的值，通过提供多个这种监督数据来构建用于输出与状态变量的值相对的目的变量的值的预测模型。然后，在预测阶段，进行有监督学习的机器学习器在被提供新的输入数据(状态变量)时，按照学习结果(所构建的预测模型)来预测输出数据(目的变量)并将其输出。在此，带结果(标签)数据记录部22能够保持至今为止得到的带结果(标签)数据，将带结果(标签)数据提供到误差计算部20。或者，也能够通过存储卡、通信线路等将激光装置1的带结果(标签)数据提供到该激光装置1的误差计算部20。
作为进行有监督学习的机器学习器的学习的一例，例如设定如下面的式(3)所示的预测模型的回归式，在学习的过程中，以在将各状态变量x1、x2、x3，…所取的值代入到回归式时得到目的变量y的值的方式调整各系数a0、a1、a2、a3、…的值，由此推进学习。此外，学习的方法不限于此，按有监督学习的算法而不同。
y＝a0+a1x1+a2x2+a3x3+…+anxn…(3)
作为有监督学习的算法，众所周知神经网络、最小二乘法、逐步法(stepwisemethod)等各种方法，作为应用于本发明的方法，可以采用任一个有监督学习算法。此外，各有监督学习算法是众所周知的，因此省略本说明书中的各算法的详细说明。
此外，如前所述，作为强化学习中的价值函数的近似算法、或者有监督学习、无监督学习的学习模型，能够使用神经网络，因此机器学习装置6优选具有神经网络。
图13是示意性地表示神经元的模型的图，图14是示意性地表示将图13所示的神经元进行组合而构成的三层的神经网络的图。神经网络由模仿如图13所示的神经元的模型的运算装置和存储器等构成。神经元输出针对多个输入x的输出(结果)y。对各输入x(x1～x3)赋予与该输入x对应的权重w(w1～w3)，神经元输出通过下面的式(4)表达的结果y。此外，输入x、结果y以及权重w均是矢量。
在此，θ是偏置，fk是激活函数(activation function)。
如图14所示，从神经网络的左侧输入多个输入x(x1～x3)，从右侧输出结果y(y1～y3)。输入x1～x3被赋予与3个神经元N11～N13分别对应的权重后被分别输入到3个神经元N11～N13。对这些输入赋予的权重被统一标记为w1。
神经元N11～N13分别输出z11～z13。在图14中，这些z11～z13被统一标记为特征矢量z1，能够视为提取输入矢量的特征量所得到的矢量。该特征矢量z1是权重w1与权重w2之间的特征矢量。z11～z13被赋予与2个神经元N21及N22分别对应的权重后被分别输入到2个神经元N21及N22。对这些特征矢量赋予的权重被统一标记为w2。神经元N21、N22分别输出z21、z22。在图14中，这些z21、z22被统一标记为特征矢量z2。该特征矢量z2是权重w2与权重w3之间的特征矢量。z21、z22被赋予与3个神经元N31～N33分别对应的权重后被分别输入到3个神经元N31～N33。对这些特征矢量赋予的权重被统一标记为w3。
最后，神经元N31～N33分别输出结果y1～结果y3。神经网络的动作中存在学习模式和价值预测模式，在学习模式下使用学习数据组来学习权重w，使用该参数来在预测模式下进行LDU驱动条件数据的输出的行动判断。在此，也能够进行在线学习(on-line learning)和批量学习(batch learning)，在在线学习中，在预测模式下立即学习实际进行LDU驱动条件数据的输出所得到的数据，使该数据反映到下一次行动中，在批量学习中，使用预先收集到的数据群来进行集中的学习，以后一直以该参数进行探测模式。也能够每当数据积攒到某种程度就插入学习模式。
另外，能够通过误差反向传播法(backpropagation)来学习权重w1～w3。此外，误差的信息从右侧进入而流向左侧。误差反向传播法是以下方法：针对各神经元，以减小输入了输入x时的输出y与真正的输出y(监督)之差的方式调整(学习)各个权重。
图14的神经网络的中间层(隐藏层)是1层，但是也能够设为2层以上，在中间层为2层以上的情况下被称为深层学习。
以上，叙述了强化学习和有监督学习的应用，但是应用于本发明的机器学习方法不限定于这些方法，能够应用作为能够在机器学习装置6中使用的方法的“有监督学习”、“无监督学习”、“半有监督学习”以及“强化学习”等之类的各种方法。
此外，上述的实施方式的激光装置1如图1、图8或图10所示那样针对1个激光装置1具备1个机器学习装置6。但是，在本发明中，激光装置1和机器学习装置6各自的数量不限定于1个。优选的是，存在多台激光装置1，设置于各激光装置1的多个机器学习装置6经由通信介质来相互共用或交换数据。通过各激光装置1共用包括获取到的学习结果的数据，能够利用更短时间得到精度高的学习效果，输出更适当的LDU驱动条件数据。
并且，机器学习装置6既可以存在于激光装置1内也可以存在于激光装置1外，还可以由多个激光装置1共用机器学习装置6。机器学习装置6也可以存在于云服务器上。不仅能够共用学习效果，还能够集中管理数据并且利用大规模的高性能处理器来进行学习，学习速度、学习的精度提高，能够输出更适当的LDU驱动条件数据。另外，决定要输出的LDU驱动条件数据所需的时间也能够缩短。在这些机器学习装置6中，也可以使用通用的计算机或处理器，但是若应用GPGPU(General-Purpose computing on Graphics Processing Units：通用计算图形处理器)、大规模PC集群等，则能够更高速地进行处理。
发明的效果
在第1发明中，通过LDU(LD单元)的驱动条件的历史、光输出特性的历史不同的各种条件下的LDU驱动，来将至少包括剩余寿命的预测结果作为各LDU的特性的预测结果的LDU驱动条件数据与激光装置的状态量及LDU驱动条件数据的结果相关联地进行学习，由此LDU的剩余寿命的预测精度提高，即使对于在各种驱动条件下被驱动的LDU，也能够以准确地预测出剩余寿命的变化的最佳驱动条件来驱动LDU。
在第2发明中，使LDU的特性的预测结果也包括光输出特性的预测结果，由此能够提高LDU的光输出特性的预测精度，从而使得LDU的剩余寿命的预测精度提高。这是由于，关于剩余寿命，除了寿命末期，至少在学习初期难以验证剩余寿命的预测结果是否正确，而光输出特性始终能够准确地被测定而能够验证预测的精度，并且与剩余寿命之间关联性强，如，在以规定的驱动电流无法得到规定的光输出的时间点设为寿命耗尽、剩余寿命＝0小时。
在第3发明中，在某个时间点、例如时间点tm，除了考虑至今为止的光输出特性、LDU驱动条件数据、激光装置的所述状态量的历史以外，还考虑上述某个时间点下的最新的各LDU的光输出特性的数据，来估计各LDU的剩余寿命，由此能够得到与在以前的时间点预测出的剩余寿命相比精度高的剩余寿命。
在第4发明中，测定LDU或与LDU热连接的构件的温度，取入各LDU的温度条件来作为激光装置的状态量。由此，例如，从制冷剂的流入侧到流出侧制冷剂温度因LDU的发热而上升，产生温度梯度，能够将当以高温驱动LDU时LDU的终生寿命变短等温度条件也纳入其中来进行恰当的LDU驱动条件数据的学习，精度高的LDU的残留寿命的预测精度提高。另外，能够将有可能影响LDM的寿命的LDU周边的温度、湿度也纳入考虑来进行学习。
在第5发明中，学习部以如下方式进行学习：当剩余寿命的预测结果与估计结果之间的差异小时给予正的报酬，当剩余寿命的预测结果与估计结果之间的差异大时给予负的报酬，由此能够高精度地预测剩余寿命。并且，当光输出特性的预测结果与测定结果之间的差异小时给予正的报酬，当光输出特性的预测结果与测定结果之间的差异大时给予负的报酬，由此能够高精度地预测与剩余寿命之间关联性强的光输出特性，从而使得剩余寿命的预测精度提高。通过对环境造成影响并从环境以报酬的形式得到反馈来进行学习，由此即使无法以成对的方式给出用于学习的适当的输入数据和输出数据，也能够推进学习。
在第6发明中，学习部以如下方式学习：计算剩余寿命的预测结果与估计结果之间的误差，以使误差变小的方式更新学习模型，由此能够高精度地预测剩余寿命。并且，计算光输出特性的预测结果与测定结果之间的误差，以使误差变小的方式更新学习模型，由此能够高精度地预测与剩余寿命之间关联性强的光输出特性，从而能够使得剩余寿命的预测精度提高。通过提供用于学习的适当的输入数据与输出数据的对，能够比较容易地推进学习。
在第7发明中，通过具备机器学习装置的激光装置，例如，对于如下等的设定条件，能够以最佳的驱动条件驱动各LDU，该设定条件是针对对激光装置的某个光输出指令、以使各LDU的剩余寿命的减少量的总和最小的方式对各LDU分配驱动电流的条件。
在第8发明中，通过按规定的时间表来个别地驱动各LDU、测定各LDU的光输出特性来追加写入到光输出特性记录部，来记录光输出特性作为从机器学习装置输出的LDU驱动条件数据的结果在光输出特性的测定间隔之间是如何逐渐地变化这样的历史，状态量观测部接收将光输出特性的历史也包括在内的激光装置的状态量，由此能够准确地学习光输出特性的历史对LDU驱动条件数据的结果造成的影响。
在第9发明中，为了增加学习机会，期望的是，利用对激光装置的光输出指令的间歇等来比较频繁地实施各LDU的光输出特性的测定。因此，要求能够短时间地进行光输出特性的测定，而通过具备多个光输出检测部，能够同时进行多个LDU的光输出特性的测定，从而能够缩短全部LDU的光输出特性的测定所需的时间。
在第10发明中，若通过学习，无论至今为止以什么样的驱动条件驱动LDU，都能够估计出将到该时间点为止的LDU的驱动条件、激光装置的状态量等的全部历史也纳入考虑的剩余寿命，则剩余时间的变化量为将实际的驱动时间换算为标准驱动条件下的驱动时间所得到的各LDU的有效驱动时间，因此，在寿命耗尽的时间点，能够得到标准驱动条件下的LDU的寿命保证、高精度地与平均终生寿命进行比较等，而且能够得到与LDU的可靠性的评价、改进有关的准确的寿命相关信息。
在第11发明中，当能够准确地预测因驱动LDU导致的剩余寿命的减少量时，能够以如上所述的驱动条件模式来驱动LDU。当选择寿命最优先模式时，能够实现长寿的激光装置，当选择效率优先模式时，能够实现考虑寿命但是也高效的激光装置，当选择寿命优先模式时，能够实现考虑效率但是也长寿的激光装置，当选择同时更换模式时，全部LDU的寿命大致同时地耗尽，因此能够减少维护次数。能够选择符合用户期望的驱动条件模式来设定，因此顾客满足度变高。通过在中途切换驱动条件模式、例如变为寿命后期后切换为同时更换模式，能够进行长寿且LDU的更换时期相同等的设定。
在第12发明中，虽然也要看机器学习装置的处理器的性能，但可以考虑到以下情况：从对激光装置发出光输出指令到学习部从状态量观测部和动作结果获取部接收数据来决定要输出的LDU驱动条件数据为止需要时间。在这种情况下，当针对连续的多个光输出指令实时地射出激光时，存在LDU驱动条件数据的决定慢、无法顺畅地利用激光进行加工的可能性。在实际射出激光之前，针对一系列连续的光输出指令，预先进行上述的处理，决定要输出的LDU驱动条件数据并记录在驱动条件/状态量记录部中，记录完之后，控制部读出该记录来向包括电源部在内的激光装置的各部输出包括输出指令数据的LDU驱动条件数据，由此，能够针对一系列光输出指令来无间断地射出遵循指令的激光。
在第13发明中，通过各激光装置共用包括获取到的学习结果的数据，能够利用更短时间得到精度高的学习效果，输出更适当的LDU驱动条件数据。
在第14发明中，不仅能够共用学习效果，还能够集中管理数据并且利用大规模的高性能处理器来进行学习，学习速度、学习的精度提高，能够输出更适当的LDU驱动条件数据。另外，决定要输出的LDU驱动条件数据的所需的时间也能够缩短。所述机器学习装置也可以存在于云服务器上。
在第15发明中，能够得到与第1发明大致相同的效果。
在第16发明中，能够得到与第2发明大致相同的效果。
使用典型实施方式说明了本发明，但是本领域技术人员应该能够理解，能够不脱离本发明的范围地进行前述的变更以及各种其它变更、省略、追加。

Claims (16)

1.一种机器学习装置，用于学习激光装置的激光二极管单元驱动条件数据，所述激光装置具备多个包括一个以上的激光二极管模块的激光二极管单元、个别地向各激光二极管单元提供驱动电流的电源部、以及按每个所述激光二极管单元来独立地控制从所述电源部注入到各所述激光二极管单元的驱动电流的控制部，所述激光装置将来自多个所述激光二极管单元的激光作为激光光源或用于激光振荡的激励光源，经由激光光学系统来射出激光，所述激光二极管单元驱动条件数据包括向所述电源部指示的输出指令数据，所述机器学习装置的特征在于，具备：
状态量观测部，其观测包括来自所述电源部、一个以上的光输出检测部、光输出特性记录部以及驱动条件/状态量记录部的输出数据的所述激光装置的状态量，该一个以上的光输出检测部用于测定激光的光输出，该光输出特性记录部记录根据从所述电源部输出的驱动电流和所述光输出求出的各所述激光二极管单元的光输出特性的测定结果的历史，该驱动条件/状态量记录部记录所述激光装置的所述状态量的历史以及从所述机器学习装置输出的所述激光二极管单元驱动条件数据的历史，所述激光二极管单元驱动条件数据至少包括各激光二极管单元的剩余寿命的预测结果作为各所述激光二极管单元的特性的预测结果；
动作结果获取部，其获取所述驱动条件/状态量记录部中记录的各所述激光二极管单元的特性的预测结果以及各所述激光二极管单元的光输出特性的测定结果，来作为所述激光二极管单元驱动条件数据的结果，各所述激光二极管单元的特性的预测结果至少包括各所述激光二极管单元的剩余寿命的预测结果；
学习部，其接收来自所述状态量观测部的输出和来自所述动作结果获取部的输出，将至少包括剩余寿命的预测结果作为各所述激光二极管单元的特性的预测结果的所述激光二极管单元驱动条件数据与所述激光装置的所述状态量及所述激光二极管单元驱动条件数据的结果相关联地进行学习；以及
意思决定部，其参照所述学习部的学习结果，来决定至少包括剩余寿命的所述预测结果作为各所述激光二极管单元的特性的预测结果的所述激光二极管单元驱动条件数据。
2.根据权利要求1所述的机器学习装置，其特征在于，
从所述机器学习装置输出并记录在所述驱动条件/状态量记录部中的所述激光二极管单元驱动条件数据还包括各所述激光二极管单元的光输出特性的预测结果作为各所述激光二极管单元的特性的预测结果，
作为所述激光二极管单元驱动条件数据的结果由所述动作结果获取部获取的数据包括各所述激光二极管单元的光输出特性的预测结果，
所述学习部将至少包括剩余寿命的预测结果和光输出特性的预测结果作为各所述激光二极管单元的特性的预测结果的所述激光二极管单元驱动条件数据与所述激光装置的所述状态量及所述激光二极管单元驱动条件数据的结果相关联地进行学习。
3.根据权利要求1或2所述的机器学习装置，其特征在于，
所述学习部具有如下功能：基于某个时间点下的各所述激光二极管单元的光输出特性、所述光输出特性记录部中记录的到所述某个时间点为止的各所述激光二极管单元的光输出特性的历史、以及所述驱动条件/状态量记录部中记录的到所述某个时间点为止的所述激光二极管单元驱动条件数据的历史和所述激光装置的所述状态量的历史，参照至少包括剩余寿命的预测结果作为各激光二极管单元的特性的预测结果的激光二极管单元驱动条件数据的学习结果，来估计所述某个时间点下的各所述激光二极管单元的剩余寿命。
4.根据权利要求1～3中的任一项所述的机器学习装置，其特征在于，
在输入到所述状态量观测部的所述激光装置的所述状态量中，包括如下输出数据中的至少一个输出数据：来自对各所述激光二极管单元以及与各所述激光二极管单元热连接的构件中的至少一方的温度进行检测的一个以上的温度检测部的输出数据；来自对用于冷却各所述激光二极管单元的制冷剂的温度进行检测的制冷剂温度检测部的输出数据；来自对各所述激光二极管单元的环境温度进行检测的环境温度检测部的输出数据；来自对所述制冷剂的流量进行检测的流量检测部的输出数据；以及来自对各所述激光二极管单元的环境湿度进行检测的湿度检测器的输出数据。
5.根据权利要求1～4中的任一项所述的机器学习装置，其特征在于，
所述学习部具有价值函数，该价值函数决定至少包括剩余寿命的预测结果作为各所述激光二极管单元的特性的预测结果的所述激光二极管单元驱动条件数据的价值，
所述机器学习装置还具备报酬计算部，
在从第一时间点到晚于第一时间点的第二时间点为止的期间作为向各激光二极管单元指示的所述激光二极管单元驱动条件数据的结果而预测或估计出的各所述激光二极管单元的剩余寿命中的、对所述第二时间点的预测结果与所述第二时间点的估计结果之间的差异小于规定的值或规定的比率的情况下，该报酬计算部根据差异或比率给予正的报酬，其中，对所述第二时间点的预测结果是以所述第一时间点下的估计结果为起点进行预测得到的，被记录在所述驱动条件/状态量记录部中，
在所述剩余寿命的预测结果与估计结果之间的差异大于规定的值或规定的比率的情况下，该报酬计算部根据差异或比率的大小给予负的报酬，
在所述激光二极管单元驱动条件数据包括光输出特性的预测结果作为各所述激光二极管单元的特性的预测结果的情况下，在从所述第一时间点到所述第二时间点为止的期间作为向各激光二极管单元指示的所述激光二极管单元驱动条件数据的结果而获取到的各所述激光二极管单元的光输出特性中的、对所述第二时间点下的预测结果与所述第二时间点下的测定结果之间的差异小于规定的值或规定的比率的情况下，该报酬计算部根据差异或比率给予正的报酬，其中，对所述第二时间点的预测结果是以所述第一时间点下的测定结果为起点进行预测得到的，被记录在所述驱动条件/状态量记录部中，
在所述光输出特性的预测结果与测定结果之间的差异大于规定的值或规定的比率的情况下，该报酬计算部根据差异或比率给予负的报酬，
所述机器学习装置还具备根据所述报酬来更新所述价值函数的价值函数更新部。
6.根据权利要求1～4中的任一项所述的机器学习装置，其特征在于，
所述学习部具有学习模型，该学习模型学习至少包括剩余寿命的预测结果作为各所述激光二极管单元的特性的预测结果的所述激光二极管单元驱动条件数据，
所述机器学习装置还具备误差计算部，
该误差计算部计算在从第一时间点到第二时间点为止的期间作为向各激光二极管单元指示的所述激光二极管单元驱动条件数据的结果而预测或估计出的各所述激光二极管单元的剩余寿命中的、对所述第二时间点的预测结果与所述第二时间点下的估计结果之间的误差，其中，对所述第二时间点的预测结果是以所述第一时间点下的估计结果为起点进行预测得到的，被记录在所述驱动条件/状态量记录部中，并且，在所述激光二极管单元驱动条件数据中包括光输出特性的预测结果作为各所述激光二极管单元的特性的预测结果的情况下，该误差计算部计算在从所述第一时间点到所述第二时间点为止的期间作为向各激光二极管单元指示的所述激光二极管单元驱动条件数据的结果而获取到的各所述激光二极管单元的光输出特性中的、对所述第二时间点的预测结果与所述第二时间点下的测定结果之间的误差，其中，对所述第二时间点的预测结果是以所述第一时间点下的测定结果为起点进行预测得到的，被记录在所述驱动条件/状态量记录部中，
所述机器学习装置还具备根据由所述误差计算部计算出的所述误差来更新所述学习模型的学习模型更新部。
7.一种激光装置，具备根据权利要求1～6中的任一项所述的机器学习装置，该激光装置的特征在于，
具备分别对向各所述激光二极管单元提供驱动电流的所述电源部、所述激光光学系统、所述光输出检测部、所述光输出特性记录部、所述驱动条件/状态量记录部进行控制的控制部。
8.根据权利要求7所述的激光装置，其特征在于，
根据来自所述控制部的指令，按规定的时间表来个别地测定各所述激光二极管单元的相对于驱动电流的施加电压与光输出的关系，将测定时间点的各所述激光二极管单元的光输出特性追加写入到所述光输出特性记录部。
9.根据权利要求7或8所述的激光装置，其特征在于，
具备多个所述光输出检测部，同时测定多个所述激光二极管单元的所述光输出特性。
10.根据权利要求7～9中的任一项所述的激光装置，其特征在于，
所述学习部将参照学习结果而估计出的各激光二极管单元的估计剩余寿命作为所述激光二极管单元驱动条件数据的结果追加写入到所述驱动条件/状态量记录部，所述激光二极管单元驱动条件数据至少包括剩余寿命的所述预测结果作为各所述激光二极管单元的特性的预测结果，
将从第三时间点的所述估计剩余寿命减去晚于所述第三时间点的第四时间点的所述估计剩余寿命所得到的时间作为将从所述第三时间点到所述第四时间点为止的各激光二极管单元的实际的驱动时间换算为标准驱动条件下的驱动时间所得到的各激光二极管单元的有效驱动时间，将所述第四时间点下的各激光二极管单元的所述估计剩余寿命作为所述第四时间点下的各所述激光二极管单元的剩余寿命，来输出或显示。
11.根据权利要求7～10中的任一项所述的激光装置，其特征在于，
所述意思决定部设定为选择寿命最优先模式、效率优先模式、寿命优先模式以及同时交换模式这四个驱动条件模式中的至少一个驱动条件模式的条件或者在所述驱动条件模式之间切换驱动条件模式的条件，其中，所述意思决定部针对对于所述激光装置的光输出指令，参照所述学习部的学习结果，输出包括各所述激光二极管单元的剩余寿命和光输出特性的所述预测结果的所述激光二极管单元驱动条件数据，在所述寿命最优先模式中，输出预测为因驱动激光二极管单元导致的各所述激光二极管单元的所述剩余寿命的减少量的总和为最小值的激光二极管单元驱动条件数据，在所述效率优先模式中，输出在预测为各所述激光二极管单元的所述剩余寿命的减少量的总和为所述最小值的规定倍率以下的条件范围内所述激光装置整体的光电变换效率为大致最大效率的激光二极管单元驱动条件数据，在所述寿命优先模式中，输出预测为在所述激光装置整体的光电变换效率相对于最大效率的下降率为规定的下降率以下这一条件范围内各所述激光二极管单元的所述剩余寿命的减少量的总和为最小值的激光二极管单元驱动条件数据，在所述同时交换模式中，输出预测为各所述激光二极管单元的所述剩余寿命的减少量与各所述激光二极管单元的所述剩余寿命成比例的激光二极管单元驱动条件数据。
12.根据权利要求7～11中的任一项所述的激光装置，其特征在于，
所述控制部读出由所述意思决定部针对对于所述激光装置的光输出指令而输出并记录到所述驱动条件/状态量记录部的所述激光二极管单元驱动条件数据，向所述电源部、所述激光光学系统、所述光输出检测部、所述光输出特性记录部输出包括向所述电源部指示的输出指令数据的所述激光二极管单元驱动条件数据。
13.根据权利要求7～12中的任一项所述的激光装置，其特征在于，
存在多个所述激光装置，
设置于各个所述激光装置的多个所述机器学习装置经由通信介质来相互共用或交换数据。
14.根据权利要求13所述的激光装置，其特征在于，
经由通信介质在多个所述激光装置中共用所述机器学习装置。
15.一种机器学习方法，学习包括向电源部指示的输出指令数据并至少包括剩余寿命的预测结果作为各激光二极管单元的特性的预测结果的激光二极管单元驱动条件数据，该机器学习方法的特征在于，包括以下步骤：
观测包括来自所述电源部、一个以上的光输出检测部、光输出特性记录部以及驱动条件/状态量记录部的输出数据的激光装置的状态量，该一个以上的光输出检测部用于测定光输出，该光输出特性记录部记录根据从所述电源部输出的驱动电流和所述光输出求出的各所述激光二极管单元的光输出特性的测定结果的历史，该驱动条件/状态量记录部记录激光装置的所述状态量的历史以及从机器学习装置输出的所述激光二极管单元驱动条件数据的历史，所述激光二极管单元驱动条件数据至少包括剩余寿命的预测结果作为各所述激光二极管单元的特性的预测结果；
接收所述驱动条件/状态量记录部中记录的各所述激光二极管单元的特性的预测结果以及各所述激光二极管单元的光输出特性的测定结果，来作为所述激光二极管单元驱动条件数据的结果，各所述激光二极管单元的特性的预测结果至少包括各所述激光二极管单元的剩余寿命的预测结果；以及
将包括向所述电源部指示的输出指令数据并至少包括剩余寿命的预测结果作为各所述激光二极管单元的特性的预测结果的所述激光二极管单元驱动条件数据与所述激光装置的所述状态量及所述激光二极管单元驱动条件数据的结果相关联地进行学习。
16.根据权利要求15所述的机器学习方法，其特征在于，
从所述机器学习装置输出并记录在所述驱动条件/状态量记录部中的所述激光二极管单元驱动条件数据还包括各所述激光二极管单元的光输出特性的预测结果作为各所述激光二极管单元的特性的预测结果，
作为所述激光二极管单元驱动条件数据的结果由动作结果获取部获取的数据包括各所述激光二极管单元的光输出特性的预测结果，
学习部将至少包括剩余寿命的预测结果和光输出特性的预测结果作为各所述激光二极管单元的特性的预测结果的所述激光二极管单元驱动条件数据与所述激光装置的所述状态量及所述激光二极管单元驱动条件数据的结果相关联地进行学习。
CN201710141433.2A 2016-03-10 2017-03-10 机器学习装置、激光装置以及机器学习方法 Active CN107181163B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016-047324 2016-03-10
JP2016047324A JP6360090B2 (ja) 2016-03-10 2016-03-10 機械学習装置、レーザ装置および機械学習方法

Publications (2)

Publication Number Publication Date
CN107181163A true CN107181163A (zh) 2017-09-19
CN107181163B CN107181163B (zh) 2019-04-12

Family

ID=59700738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710141433.2A Active CN107181163B (zh) 2016-03-10 2017-03-10 机器学习装置、激光装置以及机器学习方法

Country Status (4)

Country Link
US (1) US10242325B2 (zh)
JP (1) JP6360090B2 (zh)
CN (1) CN107181163B (zh)
DE (1) DE102017104438B4 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110032164A (zh) * 2018-01-09 2019-07-19 发那科株式会社 光纤激光装置以及机器学习装置
CN110091084A (zh) * 2018-01-30 2019-08-06 发那科株式会社 学习激光装置的故障发生机制的机器学习装置
CN110549005A (zh) * 2018-05-15 2019-12-10 发那科株式会社 加工条件调整装置以及机器学习装置
CN111046718A (zh) * 2018-10-11 2020-04-21 株式会社岛津制作所 分析装置、分析系统以及分析方法
CN112513760A (zh) * 2018-08-14 2021-03-16 西门子股份公司 用于预测机器的剩余使用寿命的装置和方法
CN113261166A (zh) * 2019-02-07 2021-08-13 极光先进雷射株式会社 机器学习方法、消耗品管理装置和计算机可读介质
JP2023507067A (ja) * 2019-12-18 2023-02-21 サイマー リミテッド ライアビリティ カンパニー ガス放電光源における予測装置
CN116401604A (zh) * 2019-05-13 2023-07-07 北京绪水互联科技有限公司 进行冷头状态分类检测和寿命预测的方法
CN116882303A (zh) * 2023-09-06 2023-10-13 深圳市联明电源有限公司 一种激光电源的寿命预测方法、系统及存储介质

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6728495B2 (ja) * 2016-11-04 2020-07-22 ディープマインド テクノロジーズ リミテッド 強化学習を用いた環境予測
US11195137B2 (en) 2017-05-18 2021-12-07 International Business Machines Corporation Model-driven and automated system for shared resource solution design
US10990898B2 (en) * 2017-05-18 2021-04-27 International Business Machines Corporation Automatic rule learning in shared resource solution design
JP6640811B2 (ja) 2017-10-06 2020-02-05 ファナック株式会社 結露防止機能を備えたレーザ装置
CN110340884B (zh) * 2018-04-05 2024-09-20 发那科株式会社 测定动作参数调整装置、机器学习装置以及系统
EP3561615B1 (en) 2018-04-23 2021-07-14 Omron Corporation Method for operating an automation system and automation system
JP7462220B2 (ja) * 2020-05-08 2024-04-05 パナソニックＩｐマネジメント株式会社 レーザ発振器
CN117458261B (zh) * 2023-12-26 2024-04-16 东莞市湃泊科技有限公司 激光器封装系统及其智能散热方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005317841A (ja) * 2004-04-30 2005-11-10 Matsushita Electric Ind Co Ltd 半導体レーザ装置
CN1808800A (zh) * 2005-01-17 2006-07-26 发那科株式会社 激光振荡器
CN102447217A (zh) * 2010-10-08 2012-05-09 领特德国有限公司 激光二极管控制装置
CN103479319A (zh) * 2013-09-04 2014-01-01 深圳先进技术研究院 医用内窥镜、医用内窥镜冷光源系统及其工作方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4046778B2 (ja) 1995-04-05 2008-02-13 ソニー株式会社 光学ディスク記録再生装置
JP2005235075A (ja) * 2004-02-23 2005-09-02 Toshiba Corp 医療検査機器部品交換支援システム
JP2005317178A (ja) 2004-03-29 2005-11-10 Sharp Corp 記録再生装置、記録媒体、記録再生装置の駆動方法、半導体レーザの寿命予測方法、プログラム、プログラム記録媒体、半導体レーザ
JP2005294493A (ja) 2004-03-31 2005-10-20 Toshiba Corp レーザプロセスおよびレーザアニール装置
US7835642B2 (en) * 2005-01-03 2010-11-16 Finisar Corporation Optical transceiver module end of life indication
JP2006222411A (ja) * 2005-01-17 2006-08-24 Fanuc Ltd レーザ発振器及びレーザ発振器の励起光源の寿命推定方法
JP5387877B2 (ja) * 2008-03-18 2014-01-15 富士電機株式会社 油入電気機器の余寿命推定方法
JP2011086496A (ja) 2009-10-15 2011-04-28 Hitachi High-Technologies Corp 有機ｅｌ用マスククリーニング装置、有機ｅｌディスプレイの製造装置、有機ｅｌディスプレイおよび有機ｅｌ用マスククリーニング方法
JP5166488B2 (ja) 2010-07-05 2013-03-21 竹中オプトニック株式会社 レーザダイオードの寿命予測システム
JP6339603B2 (ja) * 2016-01-28 2018-06-06 ファナック株式会社 レーザ加工開始条件を学習する機械学習装置、レーザ装置および機械学習方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005317841A (ja) * 2004-04-30 2005-11-10 Matsushita Electric Ind Co Ltd 半導体レーザ装置
CN1808800A (zh) * 2005-01-17 2006-07-26 发那科株式会社 激光振荡器
CN102447217A (zh) * 2010-10-08 2012-05-09 领特德国有限公司 激光二极管控制装置
CN103479319A (zh) * 2013-09-04 2014-01-01 深圳先进技术研究院 医用内窥镜、医用内窥镜冷光源系统及其工作方法

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11093828B2 (en) 2018-01-09 2021-08-17 Fanuc Corporation Fiber laser device and machine learning device
CN110032164A (zh) * 2018-01-09 2019-07-19 发那科株式会社 光纤激光装置以及机器学习装置
CN110032164B (zh) * 2018-01-09 2021-04-09 发那科株式会社 光纤激光装置以及机器学习装置
CN110091084A (zh) * 2018-01-30 2019-08-06 发那科株式会社 学习激光装置的故障发生机制的机器学习装置
CN110549005A (zh) * 2018-05-15 2019-12-10 发那科株式会社 加工条件调整装置以及机器学习装置
US11554448B2 (en) 2018-05-15 2023-01-17 Fanuc Corporation Machining condition adjustment apparatus and machine learning device
CN112513760A (zh) * 2018-08-14 2021-03-16 西门子股份公司 用于预测机器的剩余使用寿命的装置和方法
CN111046718A (zh) * 2018-10-11 2020-04-21 株式会社岛津制作所 分析装置、分析系统以及分析方法
CN111046718B (zh) * 2018-10-11 2023-11-10 株式会社岛津制作所 分析装置、分析系统以及分析方法
CN113261166A (zh) * 2019-02-07 2021-08-13 极光先进雷射株式会社 机器学习方法、消耗品管理装置和计算机可读介质
CN113261166B (zh) * 2019-02-07 2023-07-14 极光先进雷射株式会社 机器学习方法、消耗品管理装置和计算机可读介质
US11822324B2 (en) 2019-02-07 2023-11-21 Gigaphoton Inc. Machine learning method, consumable management apparatus, and computer readable medium
CN116401604A (zh) * 2019-05-13 2023-07-07 北京绪水互联科技有限公司 进行冷头状态分类检测和寿命预测的方法
CN116401604B (zh) * 2019-05-13 2024-05-28 北京绪水互联科技有限公司 进行冷头状态分类检测和寿命预测的方法
JP2023507067A (ja) * 2019-12-18 2023-02-21 サイマー リミテッド ライアビリティ カンパニー ガス放電光源における予測装置
JP7358642B2 (ja) 2019-12-18 2023-10-10 サイマー リミテッド ライアビリティ カンパニー ガス放電光源における予測装置
CN116882303A (zh) * 2023-09-06 2023-10-13 深圳市联明电源有限公司 一种激光电源的寿命预测方法、系统及存储介质
CN116882303B (zh) * 2023-09-06 2023-12-22 深圳市联明电源有限公司 一种激光电源的寿命预测方法、系统及存储介质

Also Published As

Publication number Publication date
US20170262772A1 (en) 2017-09-14
JP2017163036A (ja) 2017-09-14
CN107181163B (zh) 2019-04-12
DE102017104438B4 (de) 2020-10-15
JP6360090B2 (ja) 2018-07-18
US10242325B2 (en) 2019-03-26
DE102017104438A1 (de) 2017-09-14

Similar Documents

Publication Publication Date Title
CN107181163A (zh) 机器学习装置、激光装置以及机器学习方法
CN107199397B (zh) 机器学习装置、激光加工系统以及机器学习方法
CN107009031B (zh) 机器学习装置、激光装置以及机器学习方法
JP6680809B2 (ja) ファイバレーザ装置及び機械学習装置
CN107576499A (zh) 机械学习装置、寿命预测装置以及机械学习方法
JP6892400B2 (ja) レーザ装置の故障発生メカニズムを学習する機械学習装置
US20170091672A1 (en) Motor drive apparatus equipped with fan motor preventive maintenance function
CN106612094A (zh) 机器学习装置及方法以及寿命预测装置及电动机驱动装置
US20170091675A1 (en) Production equipment including machine learning system and assembly and test unit
CN106557070A (zh) 机器学习装置、电动机控制装置、加工机及机器学习方法
CN107301489A (zh) 实施生产计划的生产系统
CN106814606B (zh) 机械学习器、电动机控制系统以及机械学习方法
TWI757691B (zh) 運轉指標提示裝置、運轉指標提示方法及程式
US20200393818A1 (en) System and Method for Predicting Industrial Equipment Motor Behavior
JP7156975B2 (ja) 運営評価装置、運営評価方法、およびプログラム
CN114611411A (zh) 基于isfo-svm模型的igbt结温预测方法
CN109145373A (zh) 基于改进esgp与预测区间的剩余寿命预测方法及装置
CN106503794A (zh) 一种风机齿轮箱剩余寿命预测方法
CN104515591B (zh) 一种高精度的磨煤机振动检测工艺方法
CN105279978B (zh) 交叉口交通信号控制方法和设备
JP3579553B2 (ja) 設備及び製品プロセス異常状態の診断方法及び診断装置
Tsai An adaptive diagnosis system for copper wire bonding process control and quality assessment in integrated circuit assembly
Kumari et al. Remaining useful life prediction using hybrid neural network and genetic algorithm approaches
CN113705093B (zh) 一种杆塔力学响应预测方法、装置、设备和介质
KR102496502B1 (ko) 인공지능을 이용한 금융 지표 생성 방법 및 인공지능을 이용한 금융 지표 생성 장치

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant