CN107199397A - 机器学习装置、激光加工系统以及机器学习方法 - Google Patents

机器学习装置、激光加工系统以及机器学习方法 Download PDF

Info

Publication number
CN107199397A
CN107199397A CN201710161174.XA CN201710161174A CN107199397A CN 107199397 A CN107199397 A CN 107199397A CN 201710161174 A CN201710161174 A CN 201710161174A CN 107199397 A CN107199397 A CN 107199397A
Authority
CN
China
Prior art keywords
laser
processing
result
output
data
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
CN201710161174.XA
Other languages
English (en)
Other versions
CN107199397B (zh
Inventor
泷川宏
大山昭宪
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 CN107199397A publication Critical patent/CN107199397A/zh
Application granted granted Critical
Publication of CN107199397B publication Critical patent/CN107199397B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • B23K26/032—Observing, e.g. monitoring, the workpiece using optical means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/08—Devices involving relative movement between laser beam and workpiece
    • B23K26/083—Devices involving movement of the workpiece in at least one axial direction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/20—Bonding
    • B23K26/21—Bonding by welding
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/36—Removing material
    • B23K26/38—Removing material by boring or cutting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/70—Auxiliary operations or equipment
    • B23K26/702—Auxiliary equipment
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/70—Auxiliary operations or equipment
    • B23K26/702—Auxiliary equipment
    • B23K26/707—Auxiliary equipment for monitoring laser beam transmission optics
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45041—Laser cutting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Artificial Intelligence (AREA)
  • Mechanical Engineering (AREA)
  • Plasma & Fusion (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Automation & Control Theory (AREA)
  • Laser Beam Processing (AREA)
  • Numerical Control (AREA)

Abstract

提供一种机器学习装置、激光加工系统以及机器学习方法。对激光加工系统的激光加工条件数据进行学习的机器学习装置包括：状态量观测部，其观测激光加工系统的状态量；动作结果获取部，其获取激光加工系统的加工结果；学习部，其接收来自状态量观测部的输出和来自动作结果获取部的输出，将激光加工条件数据与激光加工系统的状态量及加工结果相关联地进行学习；以及意思决定部，其参照学习部进行学习所得到的激光加工条件数据来输出激光加工条件数据。

Description

机器学习装置、激光加工系统以及机器学习方法
技术领域
本发明涉及一种对包括提供到激光振荡器的驱动电力数据的激光加工条件数据进行学习的机器学习装置、激光加工系统以及机器学习方法。
背景技术
在用于对被加工物进行切割、焊接等加工的激光加工系统中，为了能够高速地得到加工精度、加工质量高的加工结果，期望的是以最佳的激光加工条件进行加工。
存在各种探索或学习加工条件的技术。例如日本特开平4-75108号公报中公开了“一种加工条件自动决定装置，其特征在于，具备：属性数据存储单元，其存储有与工作物有关的数据、与工具有关的数据、与机械有关的数据；神经网络，其将所述属性数据存储单元中存储的数据作为输入，将用于决定数控机床的加工条件的运算式中的内部常数作为输出；加工条件运算单元，其根据所述属性数据存储单元中存储的数据和所述内部常数来求出加工条件；内部常数修正单元，在修正了所述加工条件时，该内部常数修正单元根据该加工条件的修正值来修正相关联的所述内部常数；以及权重修正单元，其修正所述神经网络的权重，使得对于与由所述内部常数修正单元进行修正前相同的输入能够得到修正后的内部常数”。
并且，日本特开平4-354653号公报中公开了“一种加工条件生成装置，具备：加工条件生成部；加工条件特性数据部，其保存生成所述加工条件所需的特性数据；以及学习部，其基于学习功能来进行所述加工条件的优化，该加工条件生成装置的特征在于，设置用于保存所述加工条件的变更内容的变更数据部，按照所述变更内容来变更所述加工条件，并且，所述学习部基于所述变更内容来优化所述加工条件生成部和所述加工条件特性数据部中的至少一方”。
并且，日本特开平11-85210号公报中公开了“一种激光加工机用辅助装置，具备：推断值生成单元，其通过人工智能功能来生成对激光加工的加工条件参数的推断值；显示单元，其用于显示由所述推断值生成单元生成的推断值；以及输入单元，其用于输入对加工状态进行评价的评价参数，并且，所述推断值生成单元具备加工条件参数选择单元，该加工条件参数选择单元用于根据所述评价参数来选择对修正当前加工状态而言最有效的加工条件参数”。
并且，日本特开2008-36812号公报中公开了“一种加工条件探索装置，其特征在于，具备：实验加工条件产生部；加工机，其以从所述实验加工条件产生部输出的加工条件来进行加工并输出实际加工结果；以及加工特性模型部，其基于实际加工结果来生成加工特性模型，该加工特性模型是输入了规定的加工条件的情况下的最佳加工条件，其中，所述实验加工条件产生部利用所述加工特性模型来产生实验加工条件”。
并且，日本特开2012-236267号公报中公开了“一种加工条件探索装置，具备：实验加工条件生成单元，其使用表示加工条件与加工结果的关系的加工特性模型来生成实验加工条件；加工结果收集单元，其收集按照由上述实验加工条件生成单元生成的实验加工条件进行实验加工的加工结果，存储上述加工结果与上述实验加工条件的组来作为实验加工数据；第一加工特性模型生成单元，其将利用实验加工数据而新生成的加工特性模型输出到上述实验加工条件生成单元；第二加工特性模型生成单元，其针对每个实验加工数据，一边逐个变更该实验加工数据内的加工结果所包含的加工好坏评价，一边生成反映了变更后的加工好坏评价的新的加工特性模型；加工特性模型合成单元，其对由上述第二加工特性模型生成单元生成的新的加工特性模型进行合成；以及最佳加工条件生成单元，其根据由上述加工特性模型合成单元合成得到的加工特性模型来生成最佳的加工条件”。
发明内容
激光加工中的加工条件包括作为振荡条件的光输出、模式、波形以及波长等、作为射出条件的聚光光学系统、功率密度、功率密度分布以及辅助气体等。并且，作为其它加工条件，存在加工速度、加工环境等许多参数。
另外，有可能对激光加工的加工结果产生影响的激光加工系统的状态量还包括激光振荡器、光学系统、加工头、支承被加工物的构造部件等的温度、对激光振荡器等进行冷却的冷却系统的状态等。并且，在将被加工物也解释为广义上的激光加工系统的结构部件的情况下，激光加工系统的状态量包括因激光加工而发生变化的被加工物的温度、表面状态等。
因此，除了考虑加工条件以外还考虑激光加工系统的状态量来决定最佳的激光加工条件数据以高速地得到高质量且高精度的加工结果是非常困难的。
并且，在前述的现有技术中，没有将加工结果与加工机械的状态量相关联。因此，现有技术存在以下问题：当加工机械的状态量发生变化时，无法设定为最佳的加工条件。
另外，例如，在通过激光加工进行了切割的被加工物的切割部附近的表背面形成有串珠状附着物(粘渣)。不容易对包括粘渣的量等的加工结果进行定量的评价，因此即使对加工结果进行反馈，也难以掌握最佳的激光加工条件数据。
如上所述，激光加工条件的参数多，关于激光加工装置的状态对加工结果造成的影响也存在很多不清楚之处，无法进行定量的评价的加工结果也多。以往，基于过去的经验、加工实际状况、实验结果等来决定加工条件。然而，所决定的加工条件是否真的最佳是不清楚的。另外，加工条件的决定受操作者的经验、技能所影响。并且，存在决定加工条件需要时间、工时这样的问题。
因而，鉴于以上状况，本发明的目的在于提供如下一种机器学习装置、具备该机器学习装置的激光加工系统以及机器学习装置的机器学习方法：即使在存在大量的激光加工条件参数以及有可能对激光加工结果产生影响的激光加工系统的大量的状态量的情况下，所述机器学习装置也能够将激光加工系统的状态对激光加工的结果造成的影响也纳入考虑地决定能够得到最佳或大致最佳的加工结果的激光加工条件数据，以高速地得到高质量且高精度的加工结果。
为了实现前述的目的，根据第1发明，提供一种机器学习装置，学习激光加工系统的激光加工条件数据，该激光加工系统具备：至少一个激光装置，该激光装置具备至少一个激光振荡器；至少一个以上的加工头，该加工头向被加工物射出来自所述激光装置的激光；至少一个以上的输出光检测部，该输出光检测部检测从该加工头射出的激光的光量；至少一个以上的反射光检测部，该反射光检测部检测从所述加工头射出后在所述被加工物的表面或表面附近反射、并经由所述加工头内的光学系统向所述激光装置返回来的反射光；至少一个以上的加工结果观测部，该加工结果观测部观测在激光加工的中途和激光加工后中的至少一方时的所述被加工物的加工状态和加工结果中的至少一方；以及至少一个以上的驱动装置，该驱动装置对所述加工头与所述被加工物的相对位置关系进行变更，所述机器学习装置的特征在于，具备：状态量观测部，其观测所述激光加工系统的状态量；动作结果获取部，其获取所述激光加工系统的加工结果；学习部，其接收来自所述状态量观测部的输出以及来自所述动作结果获取部的输出，将所述激光加工条件数据与所述激光加工系统的所述状态量及所述加工结果相关联地进行学习；以及意思决定部，其参照所述学习部进行学习所得到的所述激光加工条件数据来输出激光加工条件数据。
根据第2发明，在第1发明中，当在基于某个激光加工条件数据对所述被加工物进行加工的过程中、由所述反射光检测部检测出的反射光的光量超过设定得比第一规定水平更低的第二规定水平时，所述学习部参照进行学习所得到的所述激光加工条件数据，输出预测为由所述反射光检测部检测的所述反射光的光量不会超过所述第二规定水平而能够得到与基于所述某个激光加工条件数据的加工结果相近的加工结果的激光加工条件数据，其中，所述第一规定水平设定得比警报水平低，该警报水平为所述加工头、所述激光装置、所述加工头与所述激光装置之间的激光传输用光学部件中的至少任一个由于所述反射光而损伤的水平。
根据第3发明，在第1发明或第2发明中，所述状态量观测部所观测的状态量包括以下状态量中的至少一个以上：所述激光装置的光输出特性，其表示用于所述激光装置的光输出指令与从所述激光装置实际射出的光输出之间的关系；从所述激光装置射出的光输出；从所述加工头射出的光输出相对于来自所述激光装置的光输出的比率；与所述激光振荡器热连接的部分的温度；所述激光装置内的包括伴随激光振荡而温度发生变化的部件在内的各部的温度；所述加工头的温度；将激光从所述激光装置传输到所述加工头的光学系统的温度；所述驱动装置的温度；支承所述加工头、所述驱动装置的构造部件的温度；用于对伴随所述激光振荡而温度上升的部件进行冷却的流体的种类、温度及流量；所述激光装置内的空气的温度及湿度；所述激光装置周边的环境温度及湿度；所述驱动装置的驱动用电动机的实际电流；来自所述驱动装置的位置检测部的输出；以及所述被加工物的包括厚度在内的尺寸、材质、比热、密度、热导率、温度及表面状态。
根据第4发明，在第1发明至第3发明中的任一个发明中，所述意思决定部所输出的激光加工条件数据包括以下数据中的至少一个以上：从各所述激光装置射出的激光的光输出、光输出波形、光束模式、激光波长；射出激光的光学系统的焦距、F值、透过率；向所述被加工物射出的激光的焦点与所述被加工物的加工面之间的包括随时间的变化的相对位置关系；向所述被加工物射出的激光在所述被加工物的加工面上的光点尺寸、功率密度、功率密度分布；所述加工头与所述被加工物之间的包括随时间的变化的相对位置关系；激光的光轴与所述被加工物的加工面所成的角度；加工速度、辅助气体的种类和流量或供给压力。
根据第5发明，在第2发明中，所述学习部具备用于学习根据激光加工的内容而不同的激光加工条件数据的学习模型，所述学习部还具备：误差计算部，其计算所述动作结果获取部所获取到的包括加工速度或规定的加工所需的时间的激光加工结果与按各激光加工的内容而设定的包括加工速度或规定的加工所需的时间的大致理想的加工结果或作为目标的加工结果之间的误差；以及学习模型更新部，其根据所述误差来更新所述学习模型。
根据第6发明，在第5发明中，当在基于所述某个激光加工条件数据对所述被加工物进行加工的过程中、由所述反射光检测部检测出的反射光光量超过所述第二规定水平时，所述学习部的所述误差计算部输出认为所述激光加工条件数据的加工结果产生了规定的误差的计算结果，所述学习部根据该计算结果来更新所述学习模型。
根据第7发明，在第2发明中，所述学习部具有根据激光加工的内容而不同的、用于决定激光加工条件数据的价值的价值函数，所述学习部还具备：报酬计算部，其在所述动作结果获取部所获取到的包括加工速度或规定的加工所需的时间的激光加工结果与按各激光加工的内容而设定的包括加工速度或规定的加工所需的时间的大致理想的加工结果或作为目标的加工结果之间的差异小的情况下，根据该差异给予正的报酬，在所述差异大的情况下，根据该差异给予负的报酬；以及价值函数更新部，其根据所述报酬来更新所述价值函数。
根据第8发明，在第7发明中，当在以某个激光加工条件对所述被加工物进行加工的过程中、由所述反射光检测部检测出的反射光光量超过所述第二规定水平时，所述学习部的所述报酬计算部给予规定的负报酬，所述学习部根据所述规定的负报酬来更新所述价值函数。
根据第9发明，提供一种激光加工系统，具备根据第1发明至第8发明中的任一项所述的机器学习装置，该激光加工系统的特征在于，具备至少一个以上的所述激光装置、至少一个以上的所述加工头、至少一个以上的所述输出光检测部、至少一个以上的所述反射光检测部、至少一个以上的所述加工结果观测部以及至少一个以上的所述驱动装置，并且，具备对所述激光装置、所述加工头、所述输出光检测部、所述反射光检测部、所述加工结果观测部以及所述驱动装置进行控制的至少一个以上的控制装置。
根据第10发明，在第9发明中，在由所述反射光检测部检测出的反射光的光量超过所述第一规定水平的情况下，所述控制装置不等待来自所述机器学习装置的下一个激光加工条件数据的输出，而切断来自所述激光装置的光输出或将来自所述激光装置的光输出减少到规定的比例。
根据第11发明，在第9发明或第10发明中，在所述激光装置或所述控制装置中存储有表示来自所述控制装置的光输出指令与从所述激光装置实际射出的光输出之间的关系的所述激光装置的光输出特性，按照规定的时间表来测定所述光输出特性，利用测定出的结果对所述激光装置的所述光输出特性进行更新。
根据第12发明，在第9发明至第11发明中的任一个发明中，所述加工结果观测部的至少一个是数字二维摄像装置、CCD测定显微镜、接触式表面粗糙度/形状测定装置、白光干涉仪、激光显微镜、非接触三维测定装置中的任一种，利用激光得到的切割面的平滑度或表面粗糙度、切割部附近表背面的串珠状附着物的每单位切割长度的体积、背面的每单位面积的溅射物附着量、切割面的氧化物色密度、切割尺寸/形状精度、切割面的垂直度的观测结果数据中的至少一个以上的数据作为所述激光加工条件数据的结果而从所述加工结果观测部输出到所述动作结果获取部。
根据第13发明，在第9发明至第11发明中的任一个发明中，所述加工结果观测部的至少一个是数字二维摄像装置、CCD测定显微镜、激光显微镜、由光源和红外线照相机构成的光激励非破坏检查装置、超声波探伤试验装置、感应加热式非破坏检查装置、放射线透射摄像装置、声发射试验装置中的任一种，利用激光得到的焊接部的裂纹、气孔、针孔、未焊透、未熔合、咬边/焊瘤、驼峰的观测结果数据中的至少一个以上的数据作为所述激光加工条件数据的结果而从所述加工结果观测部输出到所述动作结果获取部。
根据第14发明，在第9发明至第13发明中的任一个发明中，所述激光加工系统存在有多个，按所述激光加工系统分别设置的多个所述机器学习装置经由通信介质来彼此共用或交换数据。
根据第15发明，在第14发明中，经由通信介质而在多个所述激光加工系统中共用所述机器学习装置。
根据第16发明，提供一种机器学习方法，学习输出到激光加工系统的控制装置的激光加工条件数据，该机器学习方法的特征在于，观测激光加工系统的状态量，该状态量包括来自至少一个以上的激光装置的输出数据、来自至少一个以上的加工头的输出数据、以及来自用于改变加工头与被加工物之间的相对位置关系的至少一个以上的驱动装置的输出数据，接收来自检测返回到激光装置的反射光的至少一个以上的反射光检测部的输出数据以及来自观测激光加工的中途和激光加工后中的至少一方时的所述被加工物的加工状态及加工结果中的至少一方的至少一个以上的加工结果观测部的输出数据来作为激光加工条件数据的结果，将所述激光加工条件数据与所述激光加工系统的所述状态量及所述激光加工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加工系统的概念性结构的框图。
图2是示意性地例示根据反射光光量切换激光加工条件数据、光输出波形发生变化的状态的时序图。
图3A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3B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4是表示本发明的其它实施方式的激光加工系统的概念性结构的框图。
图5A是表示图4所示的机器学习装置的动作的一例的第一流程图。
图5B是表示图4所示的机器学习装置的动作的一例的第二流程图。
图6是示意性地例示在根据反射光光量切换激光加工条件数据之前的期间通过控制装置来降低光输出的状态的时序图。
图7是示意性地表示神经元的模型的图。
图8是示意性地表示将图7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所涉及的机器学习装置、激光加工系统以及机器学习方法的实施例。在各附图中，对相同的构件标注相同的参照标记。另外，在不同的附图中标注有相同参照标记的结构要素是指具有相同功能的结构要素。此外，对这些附图适当变更了比例尺以易于观看。
图1是表示本发明的一个实施方式的激光加工系统1的概念性结构的框图。本实施方式的激光加工系统1具备：至少一个激光装置2，该激光装置2具备至少一个激光振荡器；至少一个以上的加工头3，该加工头3用于向被加工物射出来自激光装置2的激光19；至少一个以上的输出光检测部4，该输出光检测部4检测所输出的激光19的光量；至少一个以上的反射光检测部5，该反射光检测部5检测从加工头3射出后在被加工物7的表面或表面附近反射、并经由加工头3内的光学系统向激光装置2返回来的反射光；至少一个以上的加工结果观测部6，该加工结果观测部6观测激光加工中和/或激光加工后的被加工物7的加工状态和/或加工结果；至少一个以上的驱动装置8，该驱动装置8用于改变加工头3与被加工物7的相对位置关系；以及机器学习装置10。在此，机器学习装置10具备状态量观测部11、动作结果获取部12、学习部13以及意思决定部14。
机器学习装置10的学习部13接收来自观测激光加工系统1的状态量的状态量观测部11的输出以及来自获取激光加工系统1的加工结果的动作结果获取部12的输出，将激光加工条件数据与激光加工系统1的状态量及加工结果相关联地进行学习。然后，意思决定部14参照学习部13进行学习所得到的激光加工条件数据来决定激光加工条件数据，将该激光加工条件数据输出到控制装置9。
此外，在加工结果观测部6例如是非接触三维测定装置等评价装置的情况下等，也可以不将来自加工结果观测部6的输出数据直接输入到机器学习装置10，而是如图1所示那样利用预处理部18来进行处理。例如，也可以是，预处理部18如将相对于观察面倾斜地获取到的三维形状变换为从垂直于观察面的方向观察到的三维形状、或者基于三维形状数据将凸状异物变换为凸状异物的体积数据等，变换为易于在机器学习装置10中利用的数据。
预处理部18的设置位置不限定于图1所示的位置。例如，在想要对来自加工结果观测部6的输出数据进行预处理的情况下，也可以将预处理部18设置在只有加工结果观测部6的输出信号线通过的位置。另外，如果动作结果获取部12、状态量观测部11具备同样的预处理功能，则也可以不特别设置预处理部18。此外，状态量观测部11和动作结果获取部12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，期望的是，加工结果观测部6基本上无需人工干预地自动观测激光加工中和/或激光加工后的被加工物7的加工状态和/或加工结果。但是，在难以自动化的情况下、需要高额费用的情况下等，也可以由人操作加工结果观测部6来进行观测，并由人输入观测结果。
另外，如上所述，驱动装置8用于改变加工头3与被加工物7的相对位置关系。因此，驱动装置8既可以如图1那样设置于被加工物7侧，也可以设置于加工头3侧，还可以设置于被加工物7侧和加工头3侧这两方。
作为驱动装置8，一般来说能够考虑使用了直线电动机等的驱动装置8。但是，驱动装置8也可以是用于使被加工物7在加工底座上移动、或者为易于观测加工完的切割面而使被加工物7朝向加工结果观测部6的方向的机器人。在被加工物7不是平板而是立体形状的情况下等，也可以将加工头3安装于机器人的手。此外，在图1中，省略了介于驱动装置8与被加工物7、加工头3之间的加工底座、机器人手。也省略了支承驱动装置8、加工头3的构造物。
通过加工结果观测部6来观测激光加工中和/或激光加工后的被加工物7的加工状态和/或加工结果。然后，将激光加工条件数据与激光加工系统1的状态量及激光加工的加工结果相关联地进行机器学习，其中，激光加工系统1的状态量也包括由于激光19的射出而在激光加工期间发生变化的激光加工系统1的状态量。由此，以无需人工干预或者仅需最小限度的人工干预的方式，不管激光加工系统1的状态如何，始终能够以最佳或大致最佳的激光加工条件进行加工，从而能够稳定地得到高质量的加工结果。
激光加工系统1具备至少一个以上的激光装置2，激光装置2具备至少一个以上的激光振荡器。激光振荡器的种类没有限定，可以是二氧化碳激光器，也可以是以YAG晶体等为激励介质的固体激光器，也可以是以光纤为激励介质的光纤激光器，也可以是直接利用来自激光二极管的激光19的直接二极管激光器。控制装置9向激光装置2的电源部发出指令，以向激光振荡器提供适于各个激光振荡器的驱动电流或驱动电力。此外，在本说明书中，设为在激光装置2内具备电源部，在图1中没有明示。但是，并不限定为在激光装置2内具备电源部。
在图1中，虚线的箭头模拟性地表示了激光19的光线，但是不限定于在空间中传输的光线，例如，模拟性地示为也包括在光纤内传输的光线等在内。优选的是，加工头3具备以下光学系统：该光学系统构成为使从加工头3射出的激光19在被加工物7的大致表面聚焦。
另外，在图1中，反射光检测部5设置于加工头3，但是也可以设置于激光装置2内的任一个光传输路径，还可以设置于加工头3和激光装置2内的光传输路径这两方。在光在空间中传输的情况下，例如也可以由反射光检测部5检测利用半透半反镜进行分支后的光，在光在光纤内传输的情况下，例如也可以由反射光检测部5检测使用光分支器分支出的来自光纤的终端的光、或由反射光检测部5检测从光纤的包层泄漏的光。这些并不限定反射光向反射光检测部5入射的入射方法。
另外，虽未在图1中进行图示，但是在存在多个激光装置2的情况下，也可以利用光耦合器对多个激光19进行合成。在激光装置2内存在多个激光振荡器的情况下也可以利用光耦合器进行合成来输出为1束激光。
另外，图2是示意性地例示根据反射光光量来切换激光加工条件数据、光输出波形发生变化的状态的时序图。如图2所例示，当在基于某个激光加工条件数据1对被加工物7进行加工的过程中、作为来自动作结果获取部12的输出之一而接收到的由反射光检测部5检测出的反射光光量超过设定得比第一规定水平更低的第二规定水平时，学习部13参照学习部13进行学习所得到的激光加工条件数据来改变为其它激光加工条件数据2，其中，第一规定水平设定得比警报水平低，该警报水平为加工头3、激光装置2、加工头3与激光装置2之间的激光传输用光学部件中的至少任一个有可能由于反射光而受到损伤的水平。
优选的是，其它激光加工条件数据2是被预测为由反射光检测部5检测的反射光光量不会超过第二规定水平而能够得到在可能的范围内与基于前述的某个激光加工条件数据1的加工结果相近的加工结果的激光加工条件数据。
在图2所示的例子中，从CW光切换为在CW光上叠加脉冲光那样的输出波形。但是，激光加工条件数据的切换前后的激光19的输出波形不限定于图2的情况。另外，也可以取代对作为激光加工条件数据的输出波形进行变更的方式，而使激光19的焦点位置离开被加工物7的表面，还可以变更激光的输出波形和激光19的焦点位置这两方。可以对任意的能够控制的激光加工条件进行变更。
在来自被加工物7的表面的反射光的水平达到警报水平之前，参照学习部13的学习结果，切换为预测为反射光减少且能够得到大致同等的加工结果的激光加工条件，因此能够在避免激光装置2、加工头3等的损伤的同时继续进行加工。
另外，状态量观测部11所观测的状态量能够包括以下状态量中的至少一个以上：表示来自控制装置9的光输出指令与从激光装置2实际射出的光输出之间的关系的激光装置2的光输出特性；从激光装置2射出的光输出；从加工头3射出的光输出相对于来自激光装置2的光输出的比率(透过率)；与激光装置2内的激光振荡器热连接的部分的温度；激光装置2内的包括伴随激光振荡而温度发生变化的部件在内的各部的温度；加工头3的温度；将激光19从激光装置2传输到加工头3的光学系统的温度；驱动装置8的温度；支承加工头3、驱动装置8的构造部件的温度；用于对伴随激光振荡而温度上升的部件进行冷却的流体的种类、温度、流量；激光装置2内的空气的温度、湿度；激光装置2周边的环境温度、湿度；驱动装置8的驱动用电动机的实际电流；来自驱动装置8的位置检测部的输出；被加工物7的包括厚度在内的尺寸、材质、比热、密度、热导率、温度、表面状态。
能够根据来自输出光检测部4的输出来得到从激光装置2射出的光输出，但是输出光检测部4并不限定于如图1所示那样设置于加工头3。也能够将输出光检测部4设置于激光装置2内部或激光装置2与加工头3的中途。也可以将输出光检测部4设置于对被光耦合器合成后的激光19的光量进行检测的场所。另外，在存在多个能够独立驱动的激光振荡器的情况下，期望的是，对各个激光振荡器均设置输出光检测部4，使得能够同时测定各个激光振荡器的光输出特性。
另外，能够分别通过温度检测器、湿度检测器、流量计等来观测各部的温度、湿度、流量。通过对驱动装置8的驱动用电动机的实际电流、来自驱动装置8的位置检测部的输出进行观测，能够学习包括如下驱动条件数据的激光加工条件数据：该驱动条件数据用于进行在急剧的加速、减速时的过冲等少的精度好的驱动。
另外，关于被加工物7的包括厚度在内的尺寸、材质、比热、密度、热导率等，也可以以人工干预的方式输入数据，或者，也能够自动读入记录有所需信息的条形码来输入。也能够利用厚度测定器来自动测定被加工物7的厚度。另外，也可以通过等离子体光谱分析机对激光加工中的等离子光体进行分析来估计被加工物7的材质。
也能够利用激光19等脉冲式地进行加热后通过红外线摄像装置来观察温度的变化、热的扩散，从而估计被加工物7的比热、密度、热导率等热特性。也能够通过红外线摄像装置等来观测被加工物7的温度、表面状态。并且，也能够不仅获取激光加工开始前的被加工物7的温度，还获取激光加工中的加工部的温度、加工部附近的温度来作为激光加工系统1的状态量之一。
在本发明中，通过观测表示激光加工系统1的状态的许多状态量，能够不漏过因激光加工系统1的状态之差而引起的加工结果之差地进行学习。另外，在激光加工过程中因发热等而激光加工系统1的状态发生变化的情况下，能够也结合该变化来输出大致最佳的激光加工条件数据，因此能够防止因激光加工系统1的状态发生变化而导致加工精度、加工质量下降。
另外，意思决定部所输出的激光加工条件数据也可以包括以下数据中的至少一个以上：从各激光装置2射出的激光19的光输出、光输出波形、光束模式、激光波长；射出激光19的光学系统的焦距、F值、透过率；向被加工物7射出的激光19的焦点与被加工物7的加工面之间的包括随时间的变化的相对位置关系；向被加工物7射出的激光19在被加工物7的加工面上的光点尺寸、功率密度、功率密度分布；加工头3与被加工物7的包括随时间的变化的相对位置关系；激光19的光轴与被加工物7的加工面所成的角度；加工速度；辅助气体的种类和流量或供给压力。
关于激光波长，也能够考虑使用波长可变型的激光装置2，但是也能够通过存在波长不同的多个激光装置2并选择要使用的激光装置2来变更激光波长。另外，既能够通过从多个激光装置2、多个加工头3进行适当选择来改变光束模式，也可以使用模式可变光学系统来变更光束模式。
并且，能够通过加工头3内的变焦透镜系统的焦距的变化、AO(自适应光学)的曲率变化等，来变更射出激光19的光学系统的焦距、F值。另外，关于向被加工物7射出的激光19的焦点与被加工物7的加工面的包括随时间的变化的相对位置关系，既能够通过加工头3的移动来改变，也能够通过如上述那样改变光学系统的焦距来改变。
能够通过如上所述那样改变光束模式、光学系统的焦距、F值、激光19的焦点与被加工物7的加工面的相对位置关系来改变向被加工物7射出的激光19在被加工物7的加工面上的光点尺寸、功率密度、功率密度分布。
另外，这些激光加工条件数据并不限定于在时间上固定的值，也可以是随时间变化的数据。例如也可以通过如上所述的加工头3的移动、加工头3内的变焦透镜系统的焦距的变化、AO(自适应光学)的曲率变化等，来一边使加工对象物表面与激光焦点的距离随时间变化一边进行激光加工。
作为加工头3与被加工物7的相对位置关系的随时间的变化的加工速度也不限定于固定的速度，也可以给出伴有加速度的作为矢量的加工速度。例如，在进行加工方向急剧地变化那样的角部分的加工的情况下，也能够在角附近输出包括使加工速度变化那样的指令的激光加工条件数据。通过控制许多加工条件参数，能够得到与大致理想的加工结果或作为目标的加工结果相近的加工结果。
学习部13具备用于根据切割、焊接、标记、表面改性、光造型(AdditiveManufacturing：增材制造)等激光加工的内容来学习不同的激光加工条件数据的学习模型。而且，学习部13具备误差计算部15和学习模型更新部16，误差计算部15计算动作结果获取部12所获取到的包括加工速度或规定的加工所需的时间的激光加工结果与按各激光加工内容而设定的包括加工速度或规定的加工所需的时间的大致理想的加工结果或作为目标的加工结果之间的误差，学习模型更新部16根据误差来更新学习模型。
当在基于某个激光加工条件数据对被加工物7进行加工的过程中、作为来自动作结果获取部12的输出之一而接收到的由反射光检测部5检测出的反射光光量超过第二规定水平时，误差计算部15输出认为激光加工条件数据的加工结果产生了规定的误差的计算结果。然后，学习模型更新部16根据该计算结果来更新学习模型。
在其它加工结果同等的情况下，期望的是加工速度大或者完成规定的加工工序所需的加工时间短。因此，计算包括加工速度或规定的加工所需的时间的激光加工结果与按各激光加工内容设定的大致理想的加工结果或作为目标的加工结果之间的误差，以使误差变小的方式更新学习模型。由此，无论激光加工内容如何，对于各激光加工内容，都能够通过有监督学习来学习包括加工速度或规定的加工所需的时间的最佳或大致最佳的激光加工条件数据。在本发明中，能够以成对的方式给出输入(激光加工条件数据和激光加工系统1的状态量)和输出(激光加工的加工结果)，因此有监督学习较为适合。但是，在本发明中，并不将学习方法限定为有监督学习。具体的其它学习方法在后面叙述。
此外，若将加工速度小或者规定的加工所需的时间长时的误差的分配设定得大，则学习重视加工速度的激光加工条件数据。与此相对，若将加工速度小或者规定的加工所需的时间长时的误差的分配设定得小，则学习重视加工质量的激光加工条件数据。因此，也可以是，即使对于相同的加工内容也具备对加工速度或规定的加工所需的时间的误差分配不同的多个学习模型。
另外，当反射光光量超过第二规定水平时，误差计算部15输出认为激光加工条件数据的加工结果产生了规定的误差的计算结果。由此，学习部13能够学习反射光光量不超过第二规定水平的激光加工条件数据。
接着，说明本实施方式的激光加工系统1所具备的机器学习装置10的动作的一例。图3A和图3B是表示图1所示的机器学习装置10的动作的一例的流程图。
如图3A和图3B所示，在图1所示的机器学习装置10中，当学习动作(学习处理)开始时，首先，判定是否存在向激光加工系统1的激光加工指令(步骤S101)，在存在激光加工指令的情况下，机器学习装置10确认加工内容，如加工内容是切割还是焊接等(步骤S102)。接着，读出按激光加工内容设定的大致理想的加工结果或作为目标的加工结果(步骤S103)，参照从状态量观测部11接收到的激光加工系统1的最新的状态量和符合激光加工内容的学习模型，来决定激光加工条件数据并输出该激光加工条件数据(步骤S104)。然后，控制装置9基于激光加工条件数据输出包括向激光装置2的光输出指令的向激光加工系统1的各部的控制信号，使得从激光装置2射出激光19来执行激光加工(步骤S105)。
在激光加工过程中，作为实时地反馈回来的加工结果，由反射光检测部5对反射光光量进行观察，来监视检测出的反射光光量是否未超过第二规定水平(步骤S106)。判断机器学习部13所输出的激光加工条件数据的执行是否已结束(步骤S107)，在激光加工条件数据的执行结束之前，返回到步骤S105，继续射出激光19来继续进行激光加工。
与此相对，在判断为激光加工条件数据的执行已结束的情况下，接收从加工结果观测部6输出的激光加工的加工结果(步骤S108)。接着，在误差计算部15中，计算从加工结果观测部6获取到的包括加工速度或规定的加工所需的时间的加工结果与包括加工速度或规定的加工所需的时间的大致理想的加工结果或作为目标的加工结果之间的误差(步骤S109)。接着，根据误差的计算结果来更新学习模型(步骤S110)，返回到步骤S101，再次执行步骤S101以后的流程。
此外，在步骤S106中判定为反射光光量超过第二规定水平的情况下，从误差计算部15输出认为产生了规定的误差的计算结果(步骤S111)，根据该误差来更新学习模型(步骤S112)，返回到步骤S104，输出下一个激光加工条件数据。
通过重复以上的步骤S101～S112，学习部13持续更新学习模型，来学习激光加工条件数据。此外，也能够是，设定能够容许的加工质量来代替大致理想的加工结果或作为目标的加工结果，如果为能够容许的加工质量以上，则计算为加工质量没有误差，来在能够容许的加工质量以上的范围内学习加工速度尽可能大的激光加工条件数据。如前所述，学习模型不限定于一种。
另外，图4是表示本发明的其它实施方式的激光加工系统的概念性结构的框图。如图4所示，学习部13具备报酬计算部20以及根据报酬来更新价值函数的价值函数更新部21。根据切割、焊接、标记、表面改性、光造型(Additive Manufacturing，增材制造)等激光加工的内容，以按各激光加工内容而不同的内容来准备决定激光加工条件数据的价值的价值函数。
报酬计算部20在动作结果获取部12所获取到的包括加工速度或规定的加工所需的时间的激光加工结果与按各激光加工内容而设定的包括加工速度或规定的加工所需的时间的大致理想的加工结果或作为目标的加工结果之间的差异小的情况下，与该小的程度相应地给予正的报酬，在差异大的情况下，与该大的程度相应地给予负的报酬。
另外，在该情况下，优选的是，当在以某个激光加工条件对被加工物7进行加工的过程中、作为来自动作结果获取部12的输出之一而接收到的由反射光检测部5检测出的反射光光量超过第二规定水平时，报酬计算部20给予规定的负报酬，价值函数更新部21根据规定的负报酬来更新价值函数。
图4表示应用了强化学习的激光加工系统1的例子。如根据与图1的比较可以明确的那样，图4所示的应用了强化学习的激光加工系统1不具备带结果(标签)数据记录部17。另外，应用了强化学习的激光加工系统1中的机器学习装置10具备状态量观测部11、动作结果获取部12、学习部13以及意思决定部14，学习部13包括报酬计算部20和价值函数更新部21。
与有监督学习的情况同样地，如果其它加工结果同等，则期望加工速度大或完成规定的加工工序所需的加工时间短。因此，在包括加工速度或规定的加工所需的时间的激光加工结果与按各激光加工内容而设定的大致理想的加工结果或作为目标的加工结果之间的差异小的情况下，与该小的程度相应地给予正的报酬，在差异大的情况下，与该大的程度相应地给予负的报酬。由此，无论激光加工内容如何，对于各激光加工内容，都能够通过强化学习来学习包括加工速度或规定的加工所需的时间的最佳或大致最佳的激光加工条件数据。
如前所述，关于本发明的机器学习装置10的学习方法，大量给出输入与输出的对(带标签数据)的有监督学习是合适的。在此，强化学习具有开拓未知的学习领域这一特征。因此，通过在已进行了充分学习的阶段进行强化学习，有可能在以往完全不知道的条件领域发现更适合于作为目标的激光加工的激光加工条件。
此外，若将加工速度大或规定的加工所需的时间短时的报酬设定得大，则学习重视加工速度的激光加工条件数据。与此相对，若将加工速度小或规定的加工所需的时间长时的负报酬设定得小，则学习重视加工质量的激光加工条件数据。因此，也可以是，即使对于相同的加工内容也具备对加工速度或规定的加工所需的时间的报酬不同的多个价值函数。
另外，当反射光光量超过第二规定水平时，报酬计算部20给予规定的负报酬。因此，学习部13能够学习反射光光量不超过第二规定水平的激光加工条件数据。
图5A和图5B是表示图4所示的机器学习装置10的动作的一例的流程图。如图5A和图5B所示，在图4所示的机器学习装置10中，当学习动作(学习处理)开始时，首先，判定是否存在向激光加工系统1的激光加工指令(步骤S201)，在存在激光加工指令的情况下，机器学习装置10确认加工内容，如加工内容是切割还是焊接等(步骤S202)。接着，读出按激光加工内容设定的大致理想的加工结果或作为目标的加工结果(步骤S203)，参照从状态量观测部11接收到的激光加工系统1的最新的状态量和符合激光加工内容的价值函数，来决定激光加工条件数据并输出该激光加工条件数据(步骤S204)。并且，控制装置9基于激光加工条件数据输出包括向激光装置2的光输出指令的向激光加工系统1的各部的控制信号，使得从激光装置2射出激光19来执行激光加工(步骤S205)。
在激光加工过程中，作为实时地反馈回来的加工结果，由反射光检测部5对反射光光量进行观察，来监视检测出的反射光光量是否未超过第二规定水平(步骤S206)。判断机器学习部13所输出的激光加工条件数据的执行是否已结束(步骤S207)，在激光加工条件数据的执行结束之前，返回到步骤S205，继续射出激光19来继续进行激光加工。
与此相对，在判断为激光加工条件数据的执行已结束的情况下，接收从加工结果观测部6输出的激光加工的加工结果(步骤S208)。接着，判定从加工结果观测部6获取到的包括加工速度或规定的加工所需的时间的加工结果与包括加工速度或规定的加工所需的时间的大致理想的加工结果或作为目标的加工结果之间的差异(步骤S209)。然后，在从加工结果观测部6获取到的包括加工速度或规定的加工所需的时间的加工结果与包括加工速度或规定的加工所需的时间的大致理想的加工结果或作为目标的加工结果之间的差异小的情况下，报酬计算部20根据差异的小的程度给予正的报酬(步骤S210)。与此相对，在差异大的情况下，根据差异的大的程度给予负的报酬(步骤S211)。接着，在价值函数更新部21中根据报酬对价值函数进行更新(步骤S212)，返回到步骤S201，再次执行步骤S201以后的流程。
此外，在步骤S206中判定为反射光光量超过第二规定水平的情况下，报酬计算部20给予负的报酬(步骤S213)，在价值函数更新部21中根据该报酬对价值函数进行更新(步骤S214)。之后，返回到步骤S204，输出下一个激光加工条件数据。
通过重复以上的步骤S201～S214，学习部13持续更新价值函数或后述的行动价值表，来学习激光加工条件数据。此外，也能够是，设定能够容许的加工质量来代替大致理想的加工结果或作为目标的加工结果，如果为能够容许的加工质量以上，则对加工质量给予一定的正的报酬，来在能够容许的加工质量以上的范围内学习加工速度尽可能大的激光加工条件数据。如上所述，价值函数不限定于一种。
在具备如上所述的机器学习装置10的激光加工系统1中，控制装置9基于从机器学习装置10输出的激光加工条件数据，对分别具有至少一个以上的激光装置2、加工头3、输出光检测部4、反射光检测部5、加工结果观测部6、驱动装置8等激光加工系统1的各部进行控制，来进行激光加工。由此，能够在避免反射光对激光装置2、加工头3、激光光学系统等造成损伤的同时，以对于高速地得到高质量且高精度的加工结果而言最佳或大致最佳的激光加工条件来进行激光加工。
优选的是，激光加工系统1更可靠地避免反射光对激光装置2、加工头3、激光光学系统等造成损伤。在此，图6是示意性地例示在根据反射光光量而切换激光加工条件数据之前的期间通过控制装置来降低光输出的状态的时序图。也可以是，如图6所示，在反射光检测部5检测出的反射光光量超过比第二规定水平接近警报水平的第一规定水平的情况下，控制装置9不等待来自机器学习装置10的下一个激光加工条件数据的输出，而是切断来自激光装置2的光输出或将来自激光装置2的光输出减少到规定的比例。由此，即使输出下一个激光加工条件数据所需的处理时间稍微变长，也能够可靠地避免激光装置2等的损伤。
另外，也可以具备多个反射光检测部5。而且，例如，各个反射光检测部5检测传输路径不同的反射光的光量，来提取反射光量的比率等反射光的特征。也可以将这种反射光的光量经由动作结果获取部12来反馈到激光加工条件数据。另外，在设置有多个反射光检测部5的情况下，也可以针对各个反射光检测部5个别地设定第一规定水平、第二规定水平。
另外，激光加工系统1在激光装置2或控制装置9中存储有激光装置2的光输出特性，该激光装置2的光输出特性表示从激光装置2实际射出的光输出相对于来自控制装置9的光输出指令的关系。优选的是，按照规定的时间表来测定光输出特性，并基于测定出的结果对激光装置2的光输出特性进行更新。
而且，对激光装置2的光输出特性进行更新，并将其结果作为激光加工系统1的状态量的一部分取入到状态量观测部11。由此，即使在假设因激光装置2劣化等而光输出特性发生了变化的情况下，也能够针对光输出指令来输出遵循指令的光输出。此外，如前所述，在存在多个激光振荡器的情况下，输出光检测部4设置于对利用光耦合器进行合成后的激光的光量进行检测的场所。在存在多个能够独立驱动的激光振荡器的情况下，期望的是，对各个激光振荡器均设置输出光检测部4，使得能够同时测定各个激光振荡器的光输出特性。
另外，能够使激光加工系统1的加工结果观测部6的至少一个为数字二维摄像装置、CCD测定显微镜、接触式表面粗糙度/形状测定装置、白光干涉仪、激光显微镜(形状测定显微镜)、非接触三维测定装置中的任一个。而且，能够将利用激光而得到的切割面的平滑度或表面粗糙度、切割部附近表背面的串珠状附着物(粘渣)的每单位切割长度的体积、背面的每单位面积的溅射物附着量、切割面的氧化皮(氧化物)色密度、切割尺寸/形状精度、切割面的垂直度的观测结果数据中的至少一个以上的数据作为激光加工条件数据的结果从加工结果观测部6输出到动作结果获取部12。
通常，在基于激光加工条件数据的激光加工结束之后，通过上述的加工结果观测部6来获取激光切割加工的加工结果。例如，通过作为驱动装置8的具体例的机器人等使激光加工后的被加工物7或上述测定装置移动，由此，使得能够利用上述的测定装置来观测通过激光加工得到的被加工物7的切割面等。由此，能够自动地获取加工结果。
因而，能够无需人工干预地获取作为激光加工条件数据的结果的切割面的加工精度、加工质量等评价结果。其结果，机器学习装置10能够无需人工干预地学习激光加工条件数据。但是，如前所述，加工结果的获取并非完全排除人工干预。
另外，反射光检测部5对反射光光量的观测结果能够作为能够在激光加工过程中实时地获取并经由动作结果获取部12反馈的激光加工条件数据的加工结果。作为中间性的加工结果的观测，也可以是，利用数字二维摄像装置、CCD测定显微镜等来观测刚加工后的切割线形状，例如获取切割宽度的稳定性、直角切割部的加工精度等来作为加工结果，经由动作结果获取部12来反馈该加工结果。
另外，能够使激光加工系统1的加工结果观测部6的至少一个为数字二维摄像装置、CCD测定显微镜、激光显微镜(形状测定显微镜)、由光源和红外线照相机构成的光激励非破坏检查装置、超声波探伤试验装置、感应加热式非破坏检查装置、放射线透射摄像装置、声发射试验装置中的任一种。而且，能够将利用激光得到的焊接部的裂纹、气孔、针孔、未焊透、未熔合、咬边/焊瘤、驼峰的观测结果数据中的至少一个以上的数据作为激光加工条件数据的结果从加工结果观测部6输出到动作结果获取部12。
与激光切割加工结果的获取同样地，通常，在基于激光加工条件数据的激光加工结束之后，通过上述的加工结果观测部6来获取激光焊接的加工结果。例如，通过作为驱动装置8的具体例的机器人等使激光加工后的被加工物7或上述测定装置移动，由此，使得能够利用上述的测定装置来观测通过激光加工得到的焊接部等。由此，能够自动地获取加工结果。
因而，能够无需人工干预地获取作为激光加工条件数据的结果的焊接部的加工精度、质量等评价结果。其结果，机器学习装置10能够无需人工干预地学习激光加工条件数据。但是，如前所述，加工结果的获取并非完全排除人工干预。
另外，反射光检测部5对反射光光量的观测结果能够作为能够在激光加工过程中实时地获取并经由动作结果获取部12反馈的激光加工条件数据的加工结果。作为中间性的加工结果的观测，也可以是，利用数字二维摄像装置、CCD测定显微镜等来观测刚加工后的焊接部形状，例如获取咬边/焊瘤、驼峰的观测结果等来作为加工结果，经由动作结果获取部12来反馈该加工结果。
此外，关于上述的实施方式的激光加工系统1，如图1、图4所示，针对一个激光加工系统1具备一个机器学习装置10。但是，在本发明中，激光加工系统1和机器学习装置10各自的数量不限定于一个。优选的是，存在多个激光加工系统1，多个分别设置于各激光加工系统1的机器学习装置10经由通信介质来彼此共用或交换数据。通过共用包括各激光加工系统1获取到的学习结果的数据，能够通过更短时间得到更高精度的学习效果，从而能够输出更适当的激光加工条件数据。
并且，机器学习装置10既可以存在于激光加工系统1内，也可以存在于激光加工系统1外。另外，还可以经由通信介质来使多个激光加工系统1共用单个机器学习装置10。并且，机器学习装置10也可以存在于云服务器上。
其结果，不仅能够共用学习效果，还能够对数据进行集中管理并且利用大规模的高性能处理器来进行学习。因此，学习速度、学习的精度提高，从而能够输出更适当的激光加工条件数据。另外，还能够缩短决定要输出的激光加工条件数据所需的时间。在这些机器学习装置10中，也可以使用通用的计算机或处理器，但是若应用GPGPU(General-Purposecomputing 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。
最后，叙述图1、图4所示的机器学习装置10的学习方法。机器学习装置10具备以下功能：通过分析来提取输入到机器学习装置10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。
机器学习包括有监督学习、无监督学习、强化学习等算法，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。
有监督学习是指：向机器学习装置10大量提供某个输入与结果(标签)的数据组，由此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。在有监督学习中，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。
无监督学习是指以下方法：仅将输入数据大量提供给学习装置，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、整形等的装置来进行学习。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。
强化学习是指：不仅学习判定、分类，还学习行动，由此基于行动与环境相互给与的相互作用来学习适当的行动、即为了使将来得到的报酬最大而进行学习。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，但是也能够通过有监督学习来进行事先学习，以进行了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。强化学习具有能够以平衡良好的方式选择逐渐开拓未知的学习领域的行动以及利用已知的学习领域来进行的行动这一特征，从而有可能在以往完全不知道的条件领域发现更适合于作为目标的激光加工的激光加工条件。另外，通过输出激光加工条件数据，激光振荡器、被加工物7的温度等发生变化，即行动对环境造成影响，因此认为有应用强化学习的意义。
图1表示具备有监督学习的机器学习装置10的激光加工系统1的例子，图4表示具备强化学习的机器学习装置10的激光加工系统1的例子。
首先，叙述基于有监督学习的学习方法。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输入数据对应的输出数据的函数(学习模型)。
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被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标变量的值的监督数据时，学习到在被输入状态变量的值时输出目标变量的值，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标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(目标变量)并将其输出。在此，带结果(标签)数据记录部17能够保持至此为止得到的带结果(标签)数据，并将带结果(标签)数据提供到误差计算部15。或者，也能够通过存储卡、通信线路等将激光装置2的带结果(标签)数据提供到该激光装置2的误差计算部15。
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(1)所示的预测模型的回归方程式，在学习的过程中，调整各系数a0、a1、a2、a3、…的值，使得在将各状态变量x1、x2、x3、…所取的值应用到回归方程式时能够得到目标变量y的值，由此推进学习。此外，学习的方法不限于此，根据有监督学习的算法而不同。
y＝a0+a1x1+a2x2+a3x3+…+anxn…(1)
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，可以采用任何有监督学习算法。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。
接着，叙述基于强化学习的学习方法。能够如下那样考虑强化学习的问题设定。
·激光装置2的机器学习部13观测包括激光装置2的状态的环境的状态来决定行动(激光加工条件数据的输出)。
·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(2)来表示这种价值Q(s，a)的更新式。
即，价值函数更新部21使用下述的式(2)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(2)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来的报酬以及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(2)。
此外，作为近似函数，能够使用神经网络。
如上所述，作为有监督学习的学习算法、强化学习中的价值函数的近似算法，能够使用神经网络，因此机器学习装置10优选具有神经网络。
图7是示意性地表示神经元的模型的图，图8是示意性地表示将图7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7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)乘以与该输入x对应的权重w(w1～w3)，神经元输出通过下面的式(3)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8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8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8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激光加工条件数据的输出的行动判断。在此，也能够进行在线学习(on-linelearning)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激光加工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8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，简单叙述了有监督学习和强化学习的学习方法，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10中使用的方法的“有监督学习”、“无监督学习”、“半监督学习”以及“强化学习”等之类的各种方法。
发明的效果
在第1发明中，将激光加工条件数据与激光加工系统的状态量及从加工结果观测部输出的加工结果相关联地进行机器学习。由此，以无需人工干预或者仅需最小限度的人工干预的方式，不管激光加工系统的状态如何，始终能够以大致最佳的激光加工条件进行加工。因此，能够稳定地得到高质量的加工结果。此外，激光加工系统的状态量也包括由于激光的射出而在激光加工过程中发生变化的状态量。
在第2发明中，在反射光的水平达到警报水平之前，参照学习部的学习结果，将当前的激光加工条件切换为预测为反射光减少且能够得到大致同等的加工结果的激光加工条件。因此，能够在避免激光装置、加工头等的损伤的同时继续进行加工。
在第3发明中，通过观测表示激光加工系统的状态的许多状态量，能够不漏过由于激光加工系统的状态之差而可能产生的加工结果之差地进行学习。另外，即使在激光加工过程中因发热等而激光加工系统的状态发生变化的情况下，也能够结合该变化来输出大致最佳的激光加工条件数据。因此，能够防止加工精度、加工质量的下降。
在第4发明中，通过控制许多加工条件参数，能够得到与大致理想的加工结果或作为目标的加工结果相近的加工结果。为了得到与大致理想的加工结果或作为目标的加工结果相近的加工结果，也可以使激光加工条件数据包括从波长、光束模式不同的多个激光装置、加工头中选择最佳的激光装置、加工头的指令。
在第5发明中，作为机器学习的结果，无论激光加工的内容如何，对于各激光加工内容，都能够输出包括加工速度的大致最佳的激光加工条件数据。激光加工的内容可以是切割、焊接、标记、表面改性、光造型等。
在第6发明中，学习部能够通过后述的有监督学习来学习反射光光量不超过第二规定水平的激光加工条件数据。
在第7发明中，在使用有监督学习来事先充分学习之后进行强化学习。强化学习具有能够开拓未知的学习领域这一特征，因此有可能进一步在以往完全不知道的条件领域发现适合于作为目标的激光加工的激光加工条件。此外，激光加工的内容可以是切割、焊接、标记、表面改性、光造型等。
在第8发明中，学习部能够通过后述的强化学习来学习反射光的光量不超过第二规定水平的激光加工条件数据。
在第9发明中，通过具备机器学习装置的激光加工系统，能够在避免激光装置、加工头、激光光学系统等的损伤的同时，以最佳的激光加工条件进行激光加工。
在第10发明中，当反射光的光量超过与警报水平相近的第一规定水平时，在从机器学习装置输出取代此时的激光加工条件数据的下一个激光加工条件数据之前，立即切断光输出或将光输出减少到规定的比例。由此，能够避免激光装置等的损伤。
在第11发明中，对光输出特性进行更新，将其结果作为激光加工系统的状态量的一部分取入到状态量观测部。因而，即使因激光装置的劣化等而光输出特性发生变化，也能够针对光输出指令输出遵循指令的光输出。
在第12发明中，作为激光加工条件数据的结果，能够无需人工干预地获取切割面的加工精度、加工质量等评价结果，机器学习装置能够无需人工干预地学习激光加工条件数据。
在第13发明中，作为激光加工条件数据的结果，能够无需人工干预地获取焊接部的加工精度、加工质量等评价结果，机器学习装置能够无需人工干预地学习激光加工条件数据。
在第14发明中，通过共用包括各激光加工系统获取到的学习结果的数据，能够通过更短时间得到更高精度的学习效果。因而，多个激光加工系统能够输出更适当的激光加工条件数据。
在第15发明中，不仅能够共用学习效果，还能够对数据进行集中管理并且利用大规模的高性能处理器来进行学习，从而学习速度、学习的精度提高，能够输出更适当的激光加工条件数据。另外，还能够缩短决定要输出的激光加工条件数据所需的时间。另外，机器学习装置也可以存在于云服务器上。
在第16发明中，将激光加工条件数据与激光加工系统的状态量及从加工结果观测部输出的加工结果相关联地进行机器学习，该激光加工系统的状态量也包括由于激光的射出而在激光加工过程中发生变化的激光加工系统的状态量。因此，以无需人工干预或者仅需最小限度的人工干预的方式，不管激光加工系统的状态如何，始终能够以大致最佳的激光加工条件进行加工，从而能够稳定地得到高质量的加工结果。
使用典型的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，学习激光加工系统的激光加工条件数据，该激光加工系统具备：
至少一个激光装置，该激光装置具备至少一个激光振荡器；
至少一个以上的加工头，该加工头向被加工物射出来自所述激光装置的激光；
至少一个以上的输出光检测部，该输出光检测部检测从该加工头射出的激光的光量；
至少一个以上的反射光检测部，该反射光检测部检测从所述加工头射出后在所述被加工物的表面或表面附近反射、并经由所述加工头内的光学系统向所述激光装置返回来的反射光；
至少一个以上的加工结果观测部，该加工结果观测部观测在激光加工的中途和激光加工后中的至少一方时的所述被加工物的加工状态和加工结果中的至少一方；以及
至少一个以上的驱动装置，该驱动装置对所述加工头与所述被加工物的相对位置关系进行变更，
所述机器学习装置的特征在于，具备：
状态量观测部，其观测所述激光加工系统的状态量；
动作结果获取部，其获取所述激光加工系统的加工结果；
学习部，其接收来自所述状态量观测部的输出以及来自所述动作结果获取部的输出，将所述激光加工条件数据与所述激光加工系统的所述状态量及所述加工结果相关联地进行学习；以及
意思决定部，其参照所述学习部进行学习所得到的所述激光加工条件数据来输出激光加工条件数据。
2.根据权利要求1所述的机器学习装置，其特征在于，
当在基于某个激光加工条件数据对所述被加工物进行加工的过程中、由所述反射光检测部检测出的反射光的光量超过设定得比第一规定水平更低的第二规定水平时，所述学习部参照进行学习所得到的所述激光加工条件数据，输出预测为由所述反射光检测部检测的所述反射光的光量不会超过所述第二规定水平而得到与基于所述某个激光加工条件数据的加工结果相近的加工结果的激光加工条件数据，
其中，所述第一规定水平设定得比警报水平低，该警报水平为所述加工头、所述激光装置、所述加工头与所述激光装置之间的激光传输用光学部件中的至少任一个由于所述反射光而损伤的水平。
3.根据权利要求1或2所述的机器学习装置，其特征在于，
所述状态量观测部所观测的状态量包括以下状态量中的至少一个以上：所述激光装置的光输出特性，其表示用于所述激光装置的光输出指令与从所述激光装置实际射出的光输出之间的关系；从所述激光装置射出的光输出；从所述加工头射出的光输出相对于来自所述激光装置的光输出的比率；与所述激光振荡器热连接的部分的温度；所述激光装置内的包括伴随激光振荡而温度发生变化的部件在内的各部的温度；所述加工头的温度；将激光从所述激光装置传输到所述加工头的光学系统的温度；所述驱动装置的温度；支承所述加工头、所述驱动装置的构造部件的温度；用于对伴随所述激光振荡而温度上升的部件进行冷却的流体的种类、温度及流量；所述激光装置内的空气的温度及湿度；所述激光装置周边的环境温度及湿度；所述驱动装置的驱动用电动机的实际电流；来自所述驱动装置的位置检测部的输出；以及所述被加工物的包括厚度在内的尺寸、材质、比热、密度、热导率、温度及表面状态。
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，
所述意思决定部所输出的激光加工条件数据包括以下数据中的至少一个以上：从各所述激光装置射出的激光的光输出、光输出波形、光束模式、激光波长；射出激光的光学系统的焦距、F值、透过率；向所述被加工物射出的激光的焦点与所述被加工物的加工面之间的包括随时间的变化的相对位置关系；向所述被加工物射出的激光在所述被加工物的加工面上的光点尺寸、功率密度、功率密度分布；所述加工头与所述被加工物之间的包括随时间的变化的相对位置关系；激光的光轴与所述被加工物的加工面所成的角度；加工速度；辅助气体的种类和流量或供给压力。
5.根据权利要求2所述的机器学习装置，其特征在于，
所述学习部具备用于学习根据激光加工的内容而不同的激光加工条件数据的学习模型，
所述学习部还具备：
误差计算部，其计算所述动作结果获取部所获取到的包括加工速度或规定的加工所需的时间的激光加工结果与按各激光加工的内容而设定的包括加工速度或规定的加工所需的时间的大致理想的加工结果或作为目标的加工结果之间的误差；以及
学习模型更新部，其根据所述误差来更新所述学习模型。
6.根据权利要求5所述的机器学习装置，其特征在于，
当在基于所述某个激光加工条件数据对所述被加工物进行加工的过程中、由所述反射光检测部检测出的反射光光量超过所述第二规定水平时，所述学习部的所述误差计算部输出认为所述激光加工条件数据的加工结果产生了规定的误差的计算结果，所述学习部根据该计算结果来更新所述学习模型。
7.根据权利要求2所述的机器学习装置，其特征在于，
所述学习部具有根据激光加工的内容而不同的、用于决定激光加工条件数据的价值的价值函数，
所述学习部还具备：
报酬计算部，其在所述动作结果获取部所获取到的包括加工速度或规定的加工所需的时间的激光加工结果与按各激光加工的内容而设定的包括加工速度或规定的加工所需的时间的大致理想的加工结果或作为目标的加工结果之间的差异小的情况下，根据该差异给予正的报酬，在所述差异大的情况下，根据该差异给予负的报酬；以及
价值函数更新部，其根据所述报酬来更新所述价值函数。
8.根据权利要求7所述的机器学习装置，其特征在于，
当在以某个激光加工条件对所述被加工物进行加工的过程中、由所述反射光检测部检测出的反射光光量超过所述第二规定水平时，所述学习部的所述报酬计算部给予规定的负报酬，所述学习部根据所述规定的负报酬来更新所述价值函数。
9.一种激光加工系统，具备根据权利要求1～8中的任一项所述的机器学习装置，该激光加工系统的特征在于，
具备至少一个以上的所述激光装置、至少一个以上的所述加工头、至少一个以上的所述输出光检测部、至少一个以上的所述反射光检测部、至少一个以上的所述加工结果观测部以及至少一个以上的所述驱动装置，并且，
具备对所述激光装置、所述加工头、所述输出光检测部、所述反射光检测部、所述加工结果观测部以及所述驱动装置进行控制的至少一个以上的控制装置。
10.根据权利要求9所述的激光加工系统，其特征在于，
在由所述反射光检测部检测出的反射光的光量超过所述第一规定水平的情况下，所述控制装置不等待来自所述机器学习装置的下一个激光加工条件数据的输出，而切断来自所述激光装置的光输出或将来自所述激光装置的光输出减少到规定的比例。
11.根据权利要求9或10所述的激光加工系统，其特征在于，
在所述激光装置或所述控制装置中存储有表示来自所述控制装置的光输出指令与从所述激光装置实际射出的光输出之间的关系的所述激光装置的光输出特性，
按照规定的时间表来测定所述光输出特性，利用测定出的结果对所述激光装置的所述光输出特性进行更新。
12.根据权利要求9～11中的任一项所述的激光加工系统，其特征在于，
所述加工结果观测部的至少一个是数字二维摄像装置、CCD测定显微镜、接触式表面粗糙度/形状测定装置、白光干涉仪、激光显微镜、非接触三维测定装置中的任一种，
利用激光得到的切割面的平滑度或表面粗糙度、切割部附近表背面的串珠状附着物的每单位切割长度的体积、背面的每单位面积的溅射物附着量、切割面的氧化物色密度、切割尺寸/形状精度、切割面的垂直度的观测结果数据中的至少一个以上的数据作为所述激光加工条件数据的结果而从所述加工结果观测部被输出到所述动作结果获取部。
13.根据权利要求9～11中的任一项所述的激光加工系统，其特征在于，
所述加工结果观测部的至少一个是数字二维摄像装置、CCD测定显微镜、激光显微镜、由光源和红外线照相机构成的光激励非破坏检查装置、超声波探伤试验装置、感应加热式非破坏检查装置、放射线透射摄像装置、声发射试验装置中的任一种，
利用激光得到的焊接部的裂纹、气孔、针孔、未焊透、未熔合、咬边/焊瘤、驼峰的观测结果数据中的至少一个以上的数据作为所述激光加工条件数据的结果而从所述加工结果观测部被输出到所述动作结果获取部。
14.根据权利要求9～13中的任一项所述的激光加工系统，其特征在于，
所述激光加工系统存在有多个，按所述激光加工系统分别设置的多个所述机器学习装置经由通信介质来彼此共用或交换数据。
15.根据权利要求14所述的激光加工系统，其特征在于，
经由通信介质而在多个所述激光加工系统中共用所述机器学习装置。
16.一种机器学习方法，学习输出到激光加工系统的控制装置的激光加工条件数据，该机器学习方法的特征在于，
观测激光加工系统的状态量，该状态量包括来自至少一个以上的激光装置的输出数据、来自至少一个以上的加工头的输出数据、以及来自用于改变加工头与被加工物之间的相对位置关系的至少一个以上的驱动装置的输出数据，
接收来自至少一个以上的反射光检测部的输出数据以及来自至少一个以上的加工结果观测部的输出数据来作为激光加工条件数据的结果，其中，所述反射光检测部检测返回到激光装置的反射光，所述加工结果观测部观测激光加工的中途和激光加工后中的至少一方时的所述被加工物的加工状态和加工结果中的至少一方，
将所述激光加工条件数据与所述激光加工系统的所述状态量及所述激光加工条件数据的结果相关联地进行学习。
CN201710161174.XA 2016-03-17 2017-03-17 机器学习装置、激光加工系统以及机器学习方法 Active CN107199397B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016054190A JP6625914B2 (ja) 2016-03-17 2016-03-17 機械学習装置、レーザ加工システムおよび機械学習方法
JP2016-054190 2016-03-17

Publications (2)

Publication Number Publication Date
CN107199397A true CN107199397A (zh) 2017-09-26
CN107199397B CN107199397B (zh) 2021-08-24

Family

ID=59752046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710161174.XA Active CN107199397B (zh) 2016-03-17 2017-03-17 机器学习装置、激光加工系统以及机器学习方法

Country Status (4)

Country Link
US (1) US10664767B2 (zh)
JP (1) JP6625914B2 (zh)
CN (1) CN107199397B (zh)
DE (1) DE102017105224B4 (zh)

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107942929A (zh) * 2017-12-13 2018-04-20 吴迪 基于神经网络计算技术的数控车床的控制系统及其方法
CN108213707A (zh) * 2018-01-26 2018-06-29 吉林大学 基于超声导波的激光焊熔透状态实时监测装置及方法
CN108520675A (zh) * 2018-04-17 2018-09-11 李涛 金刚石教学实验台
CN108907453A (zh) * 2018-08-03 2018-11-30 英诺激光科技股份有限公司 一种具有自学习功能的激光加工分析装置和方法
CN108927806A (zh) * 2018-08-13 2018-12-04 哈尔滨工业大学（深圳） 一种应用于大批量重复性加工的工业机器人学习方法
CN108985452A (zh) * 2018-06-22 2018-12-11 中国计量大学 基于神经网络的太阳能电池硅片切割参数预测方法
CN109753019A (zh) * 2017-11-06 2019-05-14 发那科株式会社 控制装置和机器学习装置
CN109746570A (zh) * 2019-02-26 2019-05-14 苏州创鑫激光科技有限公司 一种光功率衰减调节系统、方法和激光焊接系统
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
CN110355462A (zh) * 2018-03-26 2019-10-22 发那科株式会社 加工条件调整装置以及机器学习装置
WO2019206339A1 (zh) * 2018-04-28 2019-10-31 深圳市创鑫激光股份有限公司 激光器的工作方法、准连续激光器、激光切割和焊接系统
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
CN110780639A (zh) * 2018-07-25 2020-02-11 株式会社捷太格特 研磨质量评估模型生成装置及相关装置
CN111571302A (zh) * 2019-02-18 2020-08-25 发那科株式会社 切削液量调整装置和系统
CN111624951A (zh) * 2019-02-28 2020-09-04 发那科株式会社 加工条件调整装置以及加工条件调整系统
CN111684474A (zh) * 2018-03-13 2020-09-18 欧姆龙株式会社 运算装置、运算方法及其程序
CN111702344A (zh) * 2019-03-18 2020-09-25 发那科株式会社 切断工件的激光加工机
CN111702343A (zh) * 2019-03-18 2020-09-25 发那科株式会社 切断工件的激光加工方法
CN111702769A (zh) * 2019-03-18 2020-09-25 发那科株式会社 机器学习装置、控制装置、激光加工机以及机器学习方法
CN112548326A (zh) * 2020-11-17 2021-03-26 华东师范大学重庆研究院 一种基于深度学习的山脊型表面5g芯片飞秒智能加工技术与装备
CN113169036A (zh) * 2018-11-30 2021-07-23 东京毅力科创株式会社 虚拟测定装置、虚拟测定方法及虚拟测定程序
CN113412423A (zh) * 2019-02-08 2021-09-17 株式会社电装 传感检测系统以及用于该传感检测系统的数据结构
CN113424191A (zh) * 2018-12-20 2021-09-21 音量制图法公司 分析来自对对象的测量的测量数据的计算机实现方法
CN114007800A (zh) * 2019-06-28 2022-02-01 三菱电机株式会社 激光加工系统、加工条件搜索装置及加工条件搜索方法
CN114001771A (zh) * 2020-07-28 2022-02-01 通用电气公司 使用物理辅助机器学习模型诊断增材制造设备的系统及方法
CN114054776A (zh) * 2020-07-31 2022-02-18 精工爱普生株式会社 机器学习装置
CN114341754A (zh) * 2019-08-28 2022-04-12 百超激光有限公司 对切割处理中的激光切割头运动的控制
CN114424129A (zh) * 2019-09-24 2022-04-29 大金工业株式会社 控制系统
CN114474462A (zh) * 2020-10-26 2022-05-13 株式会社神户制钢所 机器学习方法、机器学习装置以及机器学习程序
CN114799495A (zh) * 2021-12-28 2022-07-29 华中科技大学 一种激光切割的控制方法及相关装置
CN114930338B (zh) * 2020-01-08 2024-03-01 株式会社科学计算综合研究所 信息处理系统、信息处理方法及记录介质

Families Citing this family (66)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11178166B2 (en) * 2016-02-22 2021-11-16 The Regents Of The University Of California Information leakage-aware computer aided cyber-physical manufacturing
JP6333871B2 (ja) * 2016-02-25 2018-05-30 ファナック株式会社 入力画像から検出した対象物を表示する画像処理装置
US11062207B2 (en) * 2016-11-04 2021-07-13 Raytheon Technologies Corporation Control systems using deep reinforcement learning
JP6756676B2 (ja) * 2017-07-27 2020-09-16 ファナック株式会社 製造システム
US10766102B2 (en) * 2017-11-20 2020-09-08 Wipro Limited Method and system for performing laser marking
EP3731993A1 (en) * 2017-12-28 2020-11-04 Avery Dennison Retail Information Services, LLC Apparatus and method of adaptive laser cutting control based on optical inspection
BE1025957B1 (fr) 2018-01-26 2019-08-27 Laser Engineering Applications Méthode pour la détermination de paramètres d'usinage laser et dispositif d'usinage laser utilisant ladite méthode
JP2019141869A (ja) * 2018-02-19 2019-08-29 ファナック株式会社 制御装置及び機械学習装置
JP7023500B2 (ja) * 2018-02-23 2022-02-22 国立大学法人 東京大学 レーザ加工システム
JP6635274B2 (ja) * 2018-02-23 2020-01-22 株式会社安川電機 製品品質管理システム
JP7353019B2 (ja) * 2018-05-08 2023-09-29 三菱電機株式会社 加工制御装置、加工制御方法及びプログラム
CN108734142A (zh) * 2018-05-28 2018-11-02 西南交通大学 一种基于卷积神经网络的核堆内构件表面粗糙度评估方法
WO2020004974A1 (en) * 2018-06-27 2020-01-02 Lg Electronics Inc. Automatic control artificial intelligence device and method for updating control function
US11514358B2 (en) 2018-06-27 2022-11-29 Lg Electronics Inc. Automatic control artificial intelligence device and method for updating a control function
JP7236127B2 (ja) * 2018-07-20 2023-03-09 中日本炉工業株式会社 処理装置の稼働管理システム
JP2020015944A (ja) * 2018-07-25 2020-01-30 株式会社ジェイテクト 付加製造用学習モデル生成装置、付加製造による造形物の製造条件決定装置および付加製造による造形物の状態推定装置
JPWO2020031948A1 (ja) * 2018-08-06 2021-08-10 国立大学法人 東京大学 レーザ加工システムに用いられる機械学習方法、シミュレーション装置、レーザ加工システム並びにプログラム
KR102587522B1 (ko) * 2018-09-26 2023-10-11 헤이신 엘티디. 액체 도포 장치
JP6795567B2 (ja) 2018-10-30 2020-12-02 ファナック株式会社 加工条件設定装置及び三次元レーザ加工システム
JP2020069599A (ja) 2018-10-31 2020-05-07 株式会社ジェイテクト 工作機械の支援装置および工作機械システム
JP7062577B2 (ja) * 2018-11-21 2022-05-06 株式会社日立製作所 製造条件特定システムおよび方法
DE102018129425B4 (de) 2018-11-22 2020-07-30 Precitec Gmbh & Co. Kg System zur Erkennung eines Bearbeitungsfehlers für ein Laserbearbeitungssystem zur Bearbeitung eines Werkstücks, Laserbearbeitungssystem zur Bearbeitung eines Werkstücks mittels eines Laserstrahls umfassend dasselbe und Verfahren zur Erkennung eines Bearbeitungsfehlers eines Laserbearbeitungssystems zur Bearbeitung eines Werkstücks
EP3671373A1 (de) * 2018-12-19 2020-06-24 Bystronic Laser AG Prognoseverfahren zur prognose eines bearbeitungsergebnisses für ein laserbearbeitungsverfahren
JP7299597B2 (ja) * 2018-12-27 2023-06-28 国立大学法人 東京大学 レーザ加工におけるレーザ光強度への依存性の判定方法及びレーザ加工装置
JP6972047B2 (ja) * 2019-01-31 2021-11-24 三菱電機株式会社 加工条件解析装置、レーザ加工装置、レーザ加工システムおよび加工条件解析方法
US11267065B2 (en) 2019-02-18 2022-03-08 Lincoln Global, Inc. Systems and methods providing pattern recognition and data analysis in welding and cutting
JP6975190B2 (ja) * 2019-02-26 2021-12-01 ファナック株式会社 機械学習装置、レーザ加工装置及びレーザ加工システム
JP7103991B2 (ja) * 2019-04-19 2022-07-20 ファナック株式会社 レーザ加工機の焦点位置ずれを学習する機械学習装置及び機械学習方法、並びに焦点位置ずれを補正するレーザ加工システム
JP7000376B2 (ja) 2019-04-23 2022-01-19 ファナック株式会社 機械学習装置、予測装置、及び制御装置
EP3736645A1 (en) 2019-05-10 2020-11-11 EMPA Eidgenössische Materialprüfungs- und Forschungsanstalt Method for automated control of material processing and control unit
JP2020189305A (ja) * 2019-05-20 2020-11-26 パナソニックＩｐマネジメント株式会社 レーザ加工システム、学習装置および学習装置の学習方法
JP6758552B1 (ja) 2019-06-13 2020-09-23 三菱電機株式会社 加工不具合検出装置、レーザ切断加工装置および放電加工装置
JP7332144B2 (ja) * 2019-06-13 2023-08-23 株式会社ブイ・テクノロジー レーザ修正方法、レーザ修正装置
JP6968126B2 (ja) 2019-06-26 2021-11-17 株式会社アマダ レーザ加工機の設定方法及びレーザ加工機
JP6639760B1 (ja) * 2019-06-28 2020-02-05 三菱電機株式会社 加工条件探索装置および加工条件探索方法
JP7410365B2 (ja) 2019-07-10 2024-01-10 国立研究開発法人 海上・港湾・航空技術研究所 部材配置システム及び部材配置プログラム
WO2021011385A1 (en) * 2019-07-12 2021-01-21 Fatigue Technology, Inc. Machine-learning-based assessment for engineered residual stress processing
JP2021023965A (ja) * 2019-08-05 2021-02-22 株式会社片岡製作所 レーザ処理装置用の機械学習システム及び機械学習方法
EP3786736A1 (en) 2019-08-28 2021-03-03 Bystronic Laser AG Control for a laser cutting head movement in a cutting process
US11904417B2 (en) 2019-10-15 2024-02-20 International Business Machines Corporation Automated material welding
JP7364431B2 (ja) * 2019-11-06 2023-10-18 ファナック株式会社 機械学習装置、予測装置、及び制御装置
JP7405586B2 (ja) * 2019-12-05 2023-12-26 ファナック株式会社 テーパ面の形状及び面性状検査装置
CN111069773B (zh) * 2019-12-07 2021-07-06 武汉高思易数控有限公司 一种光功率自动调节方法及其系统
DE102019220485A1 (de) * 2019-12-20 2021-06-24 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Verfahren zur Bestimmung und Korrektur des Maschinenzustands einer Werkzeugmaschine und Diagnosesystem
KR102194695B1 (ko) * 2019-12-31 2020-12-24 한국과학기술원 3d 프린팅 공정 중 형성되는 적층부의 높이를 추정하는 방법 및 장치, 이를 구비한 3d 프린팅 시스템
KR102194694B1 (ko) * 2019-12-31 2020-12-24 한국과학기술원 3d 프린팅 공정의 열 화상 및 레이저 초음파 통합 검사 시스템 및 이를 구비한 3d 프린팅 시스템
JP2021141247A (ja) * 2020-03-06 2021-09-16 浜松ホトニクス株式会社 検査装置及び検査方法
JP7356381B2 (ja) * 2020-03-11 2023-10-04 株式会社アマダ レーザ加工機及び加工方法
JP2021159923A (ja) * 2020-03-30 2021-10-11 三菱重工工作機械株式会社 三次元積層装置、制御方法、及びプログラム
DE112020007175T5 (de) * 2020-05-11 2023-03-16 Mitsubishi Electric Corporation Laserbearbeitungsapparat
CN116157223A (zh) * 2020-08-27 2023-05-23 三菱电机株式会社 激光加工装置
US11806825B2 (en) 2020-09-01 2023-11-07 Walmart Apollo, Llc Automated container cutting system and method
DE102020212510A1 (de) 2020-10-02 2022-04-07 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Verfahren und Vorrichtung zum Aufzeigen des Einflusses von Schneidparametern auf eine Schnittkante
JP7436702B2 (ja) 2020-10-13 2024-02-22 ファナック株式会社 機械学習装置、制御装置、及び機械学習方法
DE102020134416B4 (de) * 2020-12-21 2024-02-29 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein Verfahren zur Einstellung und/oder dynamischen Anpassung der Leistungsdichteverteilung von Laserstrahlung
JP7471214B2 (ja) 2020-12-25 2024-04-19 株式会社日立製作所 付加製造条件の探索装置
WO2022168157A1 (ja) * 2021-02-02 2022-08-11 国立大学法人九州大学 機械学習方法、レーザアニールシステム、及びレーザアニール方法
WO2022215169A1 (ja) * 2021-04-06 2022-10-13 三菱電機株式会社 レーザ加工装置およびレーザ加工方法
CN117203591A (zh) * 2021-04-23 2023-12-08 发那科株式会社 机器学习装置、加减速调整装置以及计算机可读取的存储介质
EP4330792A1 (en) * 2021-07-19 2024-03-06 SAS Institute Inc. Quality prediction using process data
JP2023023205A (ja) * 2021-08-04 2023-02-16 Ｊｓｗアクティナシステム株式会社 レーザ照射装置、情報処理方法、プログラム、及び学習モデルの生成方法
JP2023061288A (ja) * 2021-10-19 2023-05-01 株式会社アマダ 溶接システム及び溶接結果判定装置
JP2023061287A (ja) * 2021-10-19 2023-05-01 株式会社アマダ 溶接システム及び溶接モニタ装置
KR102650245B1 (ko) * 2021-12-17 2024-03-27 주식회사 호원 레이저 용접 장치 및 그 제어 방법
JP2023132196A (ja) * 2022-03-10 2023-09-22 富士フイルム株式会社 情報処理装置、情報処理方法及び情報処理プログラム
CN116329774B (zh) * 2023-02-24 2023-10-20 百超(深圳)激光科技有限公司 一种高速光纤激光切割机智能切割控制系统及方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0343132A (ja) * 1989-07-07 1991-02-25 Fujitsu Ltd 工作機械の加工条件設定装置
JPH03263203A (ja) * 1990-03-14 1991-11-22 Mitsubishi Electric Corp 加工プログラム作成方法およびその装置
US5694046A (en) * 1994-11-28 1997-12-02 Precitec Gmbh Method and apparatus for monitoring thermal processing of a workpiece in accordance with a measured capacitance frequency distribution
JP2004074253A (ja) * 2002-08-21 2004-03-11 Hitachi Via Mechanics Ltd レーザ加工方法およびレーザ加工装置
WO2004109871A2 (en) * 2003-06-03 2004-12-16 Applied Thermal Sciences, Inc. Laser-weld process control system and method
CN101328584A (zh) * 2007-06-19 2008-12-24 上海海事大学 激光熔覆实时监测系统
US20090242531A1 (en) * 2008-03-31 2009-10-01 Electro Scientific Industries, Inc. Photonic clock stabilized laser comb processing
JP2010097310A (ja) * 2008-10-15 2010-04-30 Canon Inc 位置決め制御装置及びレーザ加工機
WO2011083087A1 (en) * 2010-01-08 2011-07-14 Precitec Kg Method for processing workpieces by means of a cognitive processing head and a cognitive processing head using the same
CN102292187A (zh) * 2008-11-21 2011-12-21 普雷茨特两合公司 用于监控要在工件上实施的激光加工过程的方法和装置以及具有这种装置的激光加工头
CN102637012A (zh) * 2012-04-01 2012-08-15 深圳市联赢激光股份有限公司 一种用于激光加工设备的双路功率负反馈系统
JP2013055084A (ja) * 2011-08-31 2013-03-21 Panasonic Industrial Devices Sunx Co Ltd レーザ加工装置、及びレーザ発振装置
US20130105556A1 (en) * 2011-10-26 2013-05-02 GM Global Technology Operations LLC Binary classification of items of interest in a repeatable process
WO2015006494A1 (en) * 2013-07-09 2015-01-15 Board Of Trustees Of The Leland Stanford Junior University Computation using a network of optical parametric oscillators
CN105108344A (zh) * 2015-08-31 2015-12-02 鞍山英程利远科技有限公司 一种机器人光纤激光打标机智能控制系统
CN204997228U (zh) * 2015-08-31 2016-01-27 鞍山英程利远科技有限公司 一种机器人光纤激光打标机智能控制系统
CN107005020A (zh) * 2014-10-15 2017-08-01 朗美通经营有限责任公司 激光系统以及调谐激光系统的输出功率的方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2950929B2 (ja) 1990-07-17 1999-09-20 豊田工機株式会社 加工条件自動決定装置
JPH04354653A (ja) 1991-05-31 1992-12-09 Mitsubishi Electric Corp 加工条件生成装置
JP4046852B2 (ja) 1997-06-24 2008-02-13 株式会社アマダ レーザ加工機用支援装置及びこれを備えたレーザ加工機
US7291805B2 (en) * 2003-10-30 2007-11-06 The Regents Of The University Of California Target isolation system, high power laser and laser peening method and system using same
JP4795282B2 (ja) 2006-07-11 2011-10-19 三菱電機株式会社 加工条件探索装置
WO2012000650A1 (en) 2010-06-28 2012-01-05 Precitec Kg A method for classifying a multitude of images recorded by a camera observing a processing area and laser material processing head using the same
JP5734086B2 (ja) 2011-05-13 2015-06-10 三菱電機株式会社 加工条件探索装置
CN102393575A (zh) * 2011-12-14 2012-03-28 索尔思光电（成都）有限公司 光纤自由空间隔离器及其组装方法
US20170147990A1 (en) * 2015-11-23 2017-05-25 CSI Holdings I LLC Vehicle transactions using objective vehicle data
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 (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0343132A (ja) * 1989-07-07 1991-02-25 Fujitsu Ltd 工作機械の加工条件設定装置
JPH03263203A (ja) * 1990-03-14 1991-11-22 Mitsubishi Electric Corp 加工プログラム作成方法およびその装置
US5694046A (en) * 1994-11-28 1997-12-02 Precitec Gmbh Method and apparatus for monitoring thermal processing of a workpiece in accordance with a measured capacitance frequency distribution
JP2004074253A (ja) * 2002-08-21 2004-03-11 Hitachi Via Mechanics Ltd レーザ加工方法およびレーザ加工装置
WO2004109871A2 (en) * 2003-06-03 2004-12-16 Applied Thermal Sciences, Inc. Laser-weld process control system and method
CN101328584A (zh) * 2007-06-19 2008-12-24 上海海事大学 激光熔覆实时监测系统
US20090242531A1 (en) * 2008-03-31 2009-10-01 Electro Scientific Industries, Inc. Photonic clock stabilized laser comb processing
JP2010097310A (ja) * 2008-10-15 2010-04-30 Canon Inc 位置決め制御装置及びレーザ加工機
CN102292187A (zh) * 2008-11-21 2011-12-21 普雷茨特两合公司 用于监控要在工件上实施的激光加工过程的方法和装置以及具有这种装置的激光加工头
WO2011083087A1 (en) * 2010-01-08 2011-07-14 Precitec Kg Method for processing workpieces by means of a cognitive processing head and a cognitive processing head using the same
JP2013055084A (ja) * 2011-08-31 2013-03-21 Panasonic Industrial Devices Sunx Co Ltd レーザ加工装置、及びレーザ発振装置
US20130105556A1 (en) * 2011-10-26 2013-05-02 GM Global Technology Operations LLC Binary classification of items of interest in a repeatable process
CN102637012A (zh) * 2012-04-01 2012-08-15 深圳市联赢激光股份有限公司 一种用于激光加工设备的双路功率负反馈系统
WO2015006494A1 (en) * 2013-07-09 2015-01-15 Board Of Trustees Of The Leland Stanford Junior University Computation using a network of optical parametric oscillators
CN107005020A (zh) * 2014-10-15 2017-08-01 朗美通经营有限责任公司 激光系统以及调谐激光系统的输出功率的方法
CN105108344A (zh) * 2015-08-31 2015-12-02 鞍山英程利远科技有限公司 一种机器人光纤激光打标机智能控制系统
CN204997228U (zh) * 2015-08-31 2016-01-27 鞍山英程利远科技有限公司 一种机器人光纤激光打标机智能控制系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钟义信: "《信息科学原理》", 31 December 2013 *

Cited By (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753019A (zh) * 2017-11-06 2019-05-14 发那科株式会社 控制装置和机器学习装置
CN107942929B (zh) * 2017-12-13 2020-08-28 深圳普菲特信息科技股份有限公司 基于神经网络计算技术的数控车床的控制方法
CN107942929A (zh) * 2017-12-13 2018-04-20 吴迪 基于神经网络计算技术的数控车床的控制系统及其方法
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
CN108213707A (zh) * 2018-01-26 2018-06-29 吉林大学 基于超声导波的激光焊熔透状态实时监测装置及方法
CN108213707B (zh) * 2018-01-26 2019-07-30 吉林大学 基于超声导波的激光焊熔透状态实时监测装置及方法
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
CN111684474B (zh) * 2018-03-13 2024-04-16 欧姆龙株式会社 运算装置、运算方法及记录介质
CN111684474A (zh) * 2018-03-13 2020-09-18 欧姆龙株式会社 运算装置、运算方法及其程序
CN110355462A (zh) * 2018-03-26 2019-10-22 发那科株式会社 加工条件调整装置以及机器学习装置
CN108520675A (zh) * 2018-04-17 2018-09-11 李涛 金刚石教学实验台
WO2019206339A1 (zh) * 2018-04-28 2019-10-31 深圳市创鑫激光股份有限公司 激光器的工作方法、准连续激光器、激光切割和焊接系统
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
CN108985452A (zh) * 2018-06-22 2018-12-11 中国计量大学 基于神经网络的太阳能电池硅片切割参数预测方法
CN110780639A (zh) * 2018-07-25 2020-02-11 株式会社捷太格特 研磨质量评估模型生成装置及相关装置
CN108907453B (zh) * 2018-08-03 2020-10-30 英诺激光科技股份有限公司 一种具有自学习功能的激光加工分析装置和方法
CN108907453A (zh) * 2018-08-03 2018-11-30 英诺激光科技股份有限公司 一种具有自学习功能的激光加工分析装置和方法
CN108927806A (zh) * 2018-08-13 2018-12-04 哈尔滨工业大学（深圳） 一种应用于大批量重复性加工的工业机器人学习方法
CN113169036A (zh) * 2018-11-30 2021-07-23 东京毅力科创株式会社 虚拟测定装置、虚拟测定方法及虚拟测定程序
CN113424191A (zh) * 2018-12-20 2021-09-21 音量制图法公司 分析来自对对象的测量的测量数据的计算机实现方法
CN113412423B (zh) * 2019-02-08 2024-04-26 株式会社电装 传感检测系统、用于该传感检测系统的数据结构、以及非临时性存储介质
CN113412423A (zh) * 2019-02-08 2021-09-17 株式会社电装 传感检测系统以及用于该传感检测系统的数据结构
CN111571302B (zh) * 2019-02-18 2024-05-14 发那科株式会社 切削液量调整装置和系统
CN111571302A (zh) * 2019-02-18 2020-08-25 发那科株式会社 切削液量调整装置和系统
CN109746570A (zh) * 2019-02-26 2019-05-14 苏州创鑫激光科技有限公司 一种光功率衰减调节系统、方法和激光焊接系统
CN111624951B (zh) * 2019-02-28 2024-04-23 发那科株式会社 加工条件调整装置以及加工条件调整系统
CN111624951A (zh) * 2019-02-28 2020-09-04 发那科株式会社 加工条件调整装置以及加工条件调整系统
CN111702343A (zh) * 2019-03-18 2020-09-25 发那科株式会社 切断工件的激光加工方法
CN111702344A (zh) * 2019-03-18 2020-09-25 发那科株式会社 切断工件的激光加工机
CN111702769A (zh) * 2019-03-18 2020-09-25 发那科株式会社 机器学习装置、控制装置、激光加工机以及机器学习方法
CN111702769B (zh) * 2019-03-18 2023-12-22 发那科株式会社 机器学习装置、控制装置、激光加工机以及机器学习方法
US11691219B2 (en) 2019-03-18 2023-07-04 Fanuc Corporation Laser machining method for cutting workpiece
CN114007800B (zh) * 2019-06-28 2023-04-04 三菱电机株式会社 激光加工系统、加工条件搜索装置及加工条件搜索方法
CN114007800A (zh) * 2019-06-28 2022-02-01 三菱电机株式会社 激光加工系统、加工条件搜索装置及加工条件搜索方法
CN114341754A (zh) * 2019-08-28 2022-04-12 百超激光有限公司 对切割处理中的激光切割头运动的控制
CN114424129A (zh) * 2019-09-24 2022-04-29 大金工业株式会社 控制系统
CN114930338B (zh) * 2020-01-08 2024-03-01 株式会社科学计算综合研究所 信息处理系统、信息处理方法及记录介质
CN114001771A (zh) * 2020-07-28 2022-02-01 通用电气公司 使用物理辅助机器学习模型诊断增材制造设备的系统及方法
CN114054776B (zh) * 2020-07-31 2024-01-02 精工爱普生株式会社 机器学习装置
CN114054776A (zh) * 2020-07-31 2022-02-18 精工爱普生株式会社 机器学习装置
CN114474462A (zh) * 2020-10-26 2022-05-13 株式会社神户制钢所 机器学习方法、机器学习装置以及机器学习程序
CN112548326B (zh) * 2020-11-17 2023-10-13 华东师范大学重庆研究院 一种基于深度学习的山脊型表面5g芯片飞秒智能加工技术与装备
CN112548326A (zh) * 2020-11-17 2021-03-26 华东师范大学重庆研究院 一种基于深度学习的山脊型表面5g芯片飞秒智能加工技术与装备
CN114799495B (zh) * 2021-12-28 2023-06-13 华中科技大学 一种激光切割的控制方法及相关装置
CN114799495A (zh) * 2021-12-28 2022-07-29 华中科技大学 一种激光切割的控制方法及相关装置

Also Published As

Publication number Publication date
DE102017105224A1 (de) 2017-09-21
US20170270434A1 (en) 2017-09-21
JP6625914B2 (ja) 2019-12-25
DE102017105224B4 (de) 2022-02-10
JP2017164801A (ja) 2017-09-21
US10664767B2 (en) 2020-05-26
CN107199397B (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN107199397A (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
US10780577B2 (en) Machine learning device, robot system, and machine learning method for learning operations of robot and laser scanner
CN107181163B (zh) 机器学习装置、激光装置以及机器学习方法
CN111198538B (zh) 加工条件设定装置和三维激光加工系统
US10796226B2 (en) Laser processing apparatus and machine learning device
CN108205180B (zh) 机器学习装置以及光源单元制造装置
JP2018086711A (ja) レーザ加工ロボットの加工順序を学習する機械学習装置、ロボットシステムおよび機械学習方法
US11093828B2 (en) Fiber laser device and machine learning device
JP2022509143A (ja) ディープ畳込みニューラルネットワークを使用するレーザ加工プロセスの監視
Zhang et al. Adaptive intelligent welding manufacturing
Liu et al. A tutorial on learning human welder's behavior: Sensing, modeling, and control
Chen et al. Data-Driven welding expert system structure based on internet of things
CN112462600B (zh) 一种高能激光器控制方法、系统、电子设备及存储介质
CN110893515B (zh) 加工条件调整装置以及机器学习装置
KR20210157253A (ko) 용접의 품질 평가 모델의 학습 장치와 방법, 및 이를 이용한 평가 장치
CN114970632A (zh) 基于多脉冲激光的污染物清除方法和装置
Sousa et al. An Adaptive Thermal Finite Element Simulation of Direct Energy Deposition With Reinforcement Learning: A Conceptual Framework
Schmöller Control of the Weld Depth for Deep Penetration Laser Beam Welding
Wei et al. Research on Three-dimensional System of Career Planning Based on BP Neural Network
Bailey et al. Seastate detection from vessels at motion using learning algorithms
CN110672157A (zh) Ti-Al-Sn合金组织结构及力学性能的分析方法
Shetty et al. Real‐time architecture for advanced quality monitoring in manufacturing

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