CN108568596B - 激光加工装置以及机器学习装置 - Google Patents

激光加工装置以及机器学习装置 Download PDF

Info

Publication number
CN108568596B
CN108568596B CN201810183069.0A CN201810183069A CN108568596B CN 108568596 B CN108568596 B CN 108568596B CN 201810183069 A CN201810183069 A CN 201810183069A CN 108568596 B CN108568596 B CN 108568596B
Authority
CN
China
Prior art keywords
unit
laser processing
laser
learning
value
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.)
Active
Application number
CN201810183069.0A
Other languages
English (en)
Other versions
CN108568596A (zh
Inventor
畑田将伸
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 CN108568596A publication Critical patent/CN108568596A/zh
Application granted granted Critical
Publication of CN108568596B publication Critical patent/CN108568596B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/04—Automatically aligning, aiming or focusing the laser beam, e.g. using the back-scattered light
    • 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
    • B23K26/0869—Devices involving movement of the laser head in at least one axial direction
    • B23K26/0876—Devices involving movement of the laser head in at least one axial direction in at least two axial directions
    • 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
    • B23K26/705—Beam measuring device
    • 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
    • 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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Theoretical Computer Science (AREA)
  • Plasma & Fusion (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Laser Beam Processing (AREA)

Abstract

本发明提供利用从激光加工头输出的激光来加工被加工物的激光加工装置，包括：在预定时间内检测激光的输出的输出检测部；计算由输出检测部检测到的激光的输出的波动的波动计算部；以及基于由波动计算部计算出的波动来指令激光加工头相对于被加工物的垂线倾斜的角度的角度指令部。

Description

激光加工装置以及机器学习装置
技术领域
本发明涉及激光加工装置以及机器学习装置。
背景技术
在利用激光来加工被加工物的情况下，期望相对于被加工物的加工面垂直地照射激光。其理由如下：在相对于加工面垂直地照射激光的情况下，被加工面的照射部位的面积变小，从而能够提高功率密度。
然而，若相对于加工面垂直地照射激光，则有激光被加工面反射而返回至激光振荡器的可能性。尤其，在被加工物的加工面的反射率较高的情况下，有时反射光直接输入至激光振荡器。其结果，激光振荡器的振荡状态变得不稳定，激光的输出也变得不稳定，被加工物的加工状态也降低。
因此，公知有使激光加工头相对于被加工物的加工面的垂线倾斜的技术(例如参照日本特开2010-260095号公报以及日本特开2005-131645号公报)。
发明内容
当使激光加工头倾斜时，一般边输出激光边参照其反馈值来使激光加工头缓缓地倾斜。然而，该方法花费劳力和时间。或者，也有熟练的操作人员基于自身的经验等使激光加工头倾斜的情况。然而，在该情况下，需要熟练的操作人员，而培养这样的操作人员也花费时间。
因此，期望提供不需要花费操作人员的劳力和时间就能够决定使激光加工头倾斜的适当角度的激光加工装置以及机器学习装置。
根据本公开的第1方式，提供一种激光加工装置，在利用从激光加工头输出的激光来加工被加工物的激光加工装置中，具备：输出检测部，其在预定时间内检测上述激光的输出；波动计算部，其计算由该输出检测部检测到的上述激光的输出的波动；以及角度指令部，其基于由该波动计算部计算出的波动，来指令上述激光加工头相对于上述被加工物的垂线倾斜的角度。
在第1方式中，不需要花费操作人员的劳力和时间就能够适当地决定激光加工头的角度。
通过附图所示的本发明的典型的实施方式的详细说明，本发明的上述目的、特征和优点以及其它目的、特征和优点会变得更加明了。
附图说明
图1是基于第一实施方式的激光加工装置的框图。
图2是示出图1所示的激光加工装置的动作的流程图。
图3A是示出加工头的角度以及时间与激光的输出之间的关系的第一图。
图3B是示出加工头的角度以及时间与激光的输出之间的关系的第二图。
图4是基于第二实施方式的激光加工装置的框图。
图5是放大地示出机器学习装置的图。
图6是示出机器学习装置的动作的流程图。
图7是示出神经元的模型的示意图。
图8是示出神经网络的示意图。
图9是激光加工系统的简图。
具体实施方式
以下，参照附图对本发明的实施方式进行说明。以下的附图中，对相同的部件标注相同的符号。为了使理解变得容易，适当地变更这些附图的比例尺。
图1是基于第一实施方式的激光加工装置的框图。如图1所示，激光加工装置1主要包括：机器人10例如垂直多关节机器人；激光振荡器11；以及控制机器人10和激光振荡器11的控制装置20。在激光振荡器11配置有检测激光的输出的输出检测部13、例如激光功率传感器13。
在机器人10的臂的前端安装有激光加工头12。在机器人10的可动作范围内配置有被加工物B1、B2。由激光振荡器11起振后的激光通过激光加工头12朝向被加工物B1、B2输出。利用激光来对被加工物B1、B2进行预定的加工、例如焊接、切断、表面处理等。此外，被加工物B1、B2各自的特性、例如尺寸、材质、表面粗糙度等设为不变化。并且，也可以相对于单一的被加工物照射激光来进行预定的加工。
如后述的图3B所示，机器人10能使激光加工头12变更成相对于从被加工物B1、B2的加工面延伸的垂线O成所希望的角度A。激光加工头12的角度A与从激光加工头12输出的激光的光轴与垂线O之间的角度相同。因此，激光加工头12的角度A可以说是激光的入射角。
控制装置20是数字计算机，具备CPU和存储器等存储部。控制装置20包括如在下文中说明那样计算由激光功率传感器13在预定时间内检测到的激光的输出的波动的波动计算部21。另外，控制装置20包括角度指令部23，该角度指令部23基于由波动计算部21计算出的波动来指示激光加工头12相对于被加工物B1、B2的垂线O倾斜的角度。控制装置20的CPU起到波动计算部21、加工状态判断部22以及角度指令部23的作用。
图2是示出图1所示的激光加工装置的动作的流程图。以下，参照图1以及图2，对基于第一实施方式的激光加工装置1的动作进行说明。这种情况下，被加工物B1、B2也可以不配置于激光加工头12的下方。
首先，在步骤S11中，将使激光加工头12相对于垂线O倾斜的角度设定为初始角度、例如0度。而且，使机器人10进行动作，以使激光加工头12成为初始角度的方式来定位激光加工头12。
接下来，在步骤S12中，边输出激光，边利用激光功率传感器13来获取激光的输出。若如步骤S13所示在预定时间内获取激光的输出，则在步骤S14中，波动计算部21根据激光的输出来计算波动。
此处，在图3A以及图3B的左方示出激光加工头12。在图3A中，以使激光的入射角成为0度的方式来定位激光加工头12，在图3B中，激光加工头12被定位为以相对于垂线O成角度A地倾斜。这样的定位作业由机器人10来进行，但也可以使用能使角度A变更的其它的角度变更机构部来代替机器人10。
图3A以及图3B的右方中示出时间与激光的输出之间的关系。在这些关系中，横轴示出时间、例如预定时间，纵轴示出激光的输出。另外，与横轴平行的实线示出激光的输出指令值，曲线示出由激光功率传感器13获取到的激光的输出实际值。
如图3A所示，在激光加工头12与被加工物B1、B2垂直的情况下，激光的输出实际值的曲线的变化比较大。与此相对，图3B所示，在激光加工头12倾斜与垂线O所成的角度A的情况下，激光的输出实际值的曲线的变化比较小。
本申请说明书中的“激光的波动”是指激光的输出实际值的曲线的变化。因此，如图3A所示，在激光加工头12与被加工物B1、B2垂直的情况下，激光的输出实际值的曲线具有比较大的波动。与此相对，如图3B所示，在激光加工头12倾斜与垂线O所成的角度A的情况下，激光的输出实际值的曲线的波动比较小。而且，在波动较小的情况下，激光稳定，因此能够良好地加工被加工物B1、B2。
具体而言，“激光的波动”可以是激光的输出实际值的曲线的最大值与最小值之间的偏差。或者，“激光的波动”也可以是对激光的输出实际值的曲线进行梯形积分并以时间进行除法计算后的除法值。另外，“激光的波动”也可以是激光的输出实际值的曲线的斜度的最大值。在图2的步骤S14中，计算上述的偏差、除法值以及斜度最大值的至少一个作为波动。
而且，在步骤S15中，比较波动和预定阈值。对于预定阈值而言，预先准备根据波动的种类、例如偏差、除法值、或者斜度最大值而不同的值。而且，在波动在预定阈值以下的情况下，判断为能够输出稳定的激光，角度指令部23正式地指令在步骤S11中设定的角度的角度指令值(步骤S16)。
与此相对，当在步骤S15中波动不在预定阈值以下的情况下，返回步骤S11而让使激光加工头12倾斜的角度增加预定的微小量。而且，重复进行步骤S11～S15所示的处理直至波动成为预定阈值以下。
这样，在第一实施方式中，容易求出波动成为预定阈值以下的激光加工头12的适当角度。因此，能够输出稳定的激光，能够良好地加工被加工物。另外，能够自动地进行这样的作业，因而不需要花费操作人员的劳力和时间，并且也不需要熟练的操作人员。
图4是基于第二实施方式的激光加工装置的框图。图4中，配置有检测被加工物B1、B2的加工状态的加工状态检测部15、例如照相机。另外，控制装置20包括基于由加工状态检测部15拍摄到的图像来判断被加工物B1、B2的加工状态的加工状态判断部22。另外，控制装置20包括学习利用从激光加工头12输出的激光来加工被加工物B1、B2的动作的机器学习装置30。该机器学习装置30也可以以能够与控制装置20进行通信的方式外设。
机器学习装置30包括状态观测部31，该状态观测部31观测由激光的输出的波动和利用激光而加工的被加工物B1、B2的加工状态中的至少一个、以及激光加工头12的角度指令值构成的状态变量。状态观测部31也可以是能够随观测到上述的状态变量的时间依次进行存储的存储部、例如存储器。
另外，机器学习装置30包括学习部35，该学习部35将由状态观测部31观测到的波动和加工状态中的至少一个和由状态观测部31观测到的激光加工头12的角度指令值关联地进行学习。
此处，学习部35能够进行监督学习、无监督学习、半监督学习、强化学习、转导(transduction)、多任务学习等各种机器学习。以下，以学习部35通过Q学习(Q－learning：增强学习)进行强化学习的情况继续进行说明。
此处，如参照放大示出机器学习装置的图5可知，机器学习装置30相当于强化学习中的智能体。并且，波动计算部21、加工状态判断部22以及角度指令部23检测环境的状态。
进行强化学习的学习部35包括回报计算部32，该回报计算部32基于由状态观测部31观测到的波动和加工状态中的至少一个来计算回报。另外，学习部35包括函数更新部33(人工智能)，该函数更新部33基于由回报计算部32计算出的回报，并根据当前的状态变量来更新决定激光加工头12的角度指令值的函数、例如行动价值函数(行动价值表)。当然，函数更新部33也可以更新其它函数。
另外，机器学习装置30包括决策部34，该决策部34基于学习部35的学习结果，并根据当前的状态变量来决定激光加工头的角度指令值的最佳值。决策部34学习更良好的行动选择(意图决定)。此外，决策部34可以不包括在机器学习装置30内而包括在控制装置20内。
图6是示出机器学习装置的动作的流程图。以下，参照图1～图6对机器学习装置30的动作进行说明。图6所示的内容是在进行激光加工装置1对被加工物B1、B2的加工作业时在每个预定控制周期而实施的。
首先，在图6的步骤S21中，控制装置20的角度指令部23选择激光加工头的角度指令值并进行指令。激光加工头的角度指令值从其预定范围随机选择。或者，例如对于激光加工头的角度指令值而言，也可以首先选择预定范围内的最小值，接下来在下一个周期时选择以微小量增加后的值。
接下来，在步骤S22中，由波动计算部21计算激光的波动。此处，通过实施图2的步骤S12～S14来如上所述地计算波动。
而且，在图6的步骤S23中，如上述那样比较波动和预定阈值。而且，在波动在预定阈值以下的情况下，在步骤S24中增加回报，并在波动不在预定阈值以下的情况下，在步骤S25中减少回报或者回报保持不变。
接下来，在步骤S26中，加工状态判断部22获取由加工状态检测部15获取到的加工状态的拍摄数据。由加工状态检测部15获取到的加工状态例如是通过处理拍摄数据而得到的焊缝的外观、焊缝的堆高、焊缝宽度、飞溅产生量中的至少一个物理量。此外，能够根据在焊接时形成于工件的飞溅痕来获取飞溅产生量。
或者，作为加工状态检测部15，也可以使用熔深计测装置以及集音装置。在这样的情况下，由熔深计测装置得到的熔深以及由集音装置得到的电弧声波形也可以包含在上述的加工状态内。另外，作为加工状态检测部15也可以使用热传感器，在该情况下，被加工物B1、B2的温度以及/或者激光加工头12的温度包含在加工状态内。
在步骤S26中，加工状态判断部22判断所获取到的加工状态的优劣。例如，比较加工状态和对所对应的加工状态各自预先设定的阈值等。或者，也可以是操作人员使用加工状态检测部15的检测结果来判断加工状态的优劣。而且，在加工状态良好的情况下，在步骤S27中增加回报，并在加工状态并非良好的情况下，在步骤S28中减少回报或者回报保持不变。
这样的回报的增减由回报计算部32来计算。并且，对于回报增减的数额而言，也可以根据步骤而设定为使其值不同。并且，也能够省略步骤S23、S26中的一个判定步骤以及相关的回报的步骤。
之后，在步骤S29中，函数更新部33更新行动价值函数。此处，学习部35所实施的Q学习是学习在某环境状态s下选择行动a的价值(行动的价值)Q(s，a)的方法。而且，在某状态s时，选择Q(s，a)最高的行动a。在Q学习中，根据尝试而在某状态s下取得各种行动a，使用此时的回报来学习正确的Q(s，a)。行动价值函数Q(s，a)的更新式由下式(1)表示。
Figure BDA0001589469020000071
此处，st、at表示时刻t的环境和行动。环境因行动at而变化为st+1，根据该环境的变化来计算回报rt+1。并且，带有max的项是在环境st+1下选择了(当时可知的)Q值最高的行动a的情况下的Q值乘以γ后的值。此处，γ是0＜γ≤1(通常为0.9～0.99)的折扣率，α是0＜α≤1(通常为0.1左右)的学习系数。
该更新式示出如下情况：若与状态s下的行动a的评价值Q(st，at)相比，基于a的下一个环境状态的最优的行动的评价值Q(st+1，max at+1)较大，则加大Q(st，at)，相反若较小，则也减少Q(st，at)。也就是说，使某状态的某行动的价值接近其下一个状态的最优的行动的价值。换言之，学习部35更新激光加工头的角度指令值的最佳值。
这样，在步骤S29中，函数更新部33使用上述的式(1)来更新行动价值函数。而且，返回步骤S21，选择激光加工头的其它角度指令值，同样地更新行动价值函数。此外，也可以更新行动价值表来代替行动价值函数。
在强化学习中，作为智能体的学习部35基于环境的状况来决定行动。该情况下的行动是指决策部34选择激光加工头的角度指令值的新的值并根据新的值进行动作。而且，图5所示的环境、例如激光的输出的波动、以及利用激光而加工的被加工物B1、B2的加工状态根据新的指令值而变化。伴随这样的环境的变化，如上述那样对机器学习装置30赋予回报，机器学习装置30的决策部34以例如得到更高回报的方式学习更良好的行动的选择(意志决定)。
因此，通过多次地反复进行图6所示的处理，来提高行动价值函数的可靠度。而且，在步骤S21中，基于可靠性较高的行动价值函数来以例如使Q值变高的方式选择激光加工头12的角度指令值，由此能够决定更适当的激光加工头12的角度指令值。
这样，能够自动地决定由本发明的机器学习装置30的函数更新部33更新后的内容作为激光加工头的角度指令值。而且，根据通过将这样的机器学习装置30导入控制装置20从而能够自动地调整激光加工头12的角度指令值的机器学习装置的学习结果，能够排除操作人员的劳力和时间。而且，能够最佳地决定激光加工头12的角度，从而激光也稳定，被加工物B1、B2的加工状态也变高。其结果，能提高生产效率。
并且，作为行动价值函数，也可以使用利用后述的神经网络而近似的函数。此时，也可以以多层构造运算由状态观测部31观测到的状态变量，实时地更新行动价值函数。由此，可知能够得到进一步适当的学习结果。并且，在该情况下，在如图像数据等那样“s”以及“a”的信息量巨大时尤其有利。
此处，对于图5所示的机器学习装置30等而言，虽然一部分重复，但再次详细地进行说明。机器学习装置30具有如下功能：通过解析从输入至装置的数据的集合提取其中有用的规则、知识表现、判断基准等，输出其判断结果，并且进行知识的学习。其方法各种各样，但大致分为“监督学习”、“无监督学习”、“强化学习”。另外，在实现上述方法方面，有学习特征量其本身的提取的被称作“深层学习”的方法。
“监督学习”是指如下学习：通过对学习装置大量赋予某输入和结果(标签)的数据的组，来学习上述数据集所具有的特征，从而能够归纳地获得根据输入推断结果的模型、即其关系性。在本实施方式中，能够用于根据激光的输出的波动以及利用激光加工的被加工物B1、B2的加工状态来推断激光加工头的角度指令值的部分等。能够使用后述的神经网络等的算法来实现。
“无监督学习”是指如下技术：通过仅将输入数据大量地赋予学习装置，来学习输入数据如何进行分布，从而即使不赋予对应的监督输出数据，也能够学习相对于输入数据进行压缩、分类、整形等的装置。能够将上述数据集所具有的相似特征彼此之间进行集中等。使用该结果，设置某基准来进行使之最佳的输出分配，从而能够实现输出的预测。并且，作为“无监督学习”与“监督学习”的中间问题设定，存在被称作“半监督学习”的设定，这相当于存在仅一部分的输入和输出的数据的组，除此以外是仅输入的数据的情况。在本实施方式中，实际上在无监督学习中利用即使不使激光加工装置进行动作也能够获取的数据，从而能够高效地进行学习。
如下设定强化学习的问题。
·控制装置20观测环境的状态，并决定行动。
·环境根据某规则而变化，另外，自身的行动也能够使环境产生变化。
·每次进行行动时都回报回报信号。
·想要最大化的是将来(折扣)回报的合计。
·从完全不知行动所引起的结果、或者只能不完全知晓的状态起开始学习。激光加工装置实际上进行动作最初就能够取得其结果作为数据。也就是说，需要边尝试边探索最佳的行动。
·也能够将以模仿人类的动作的方式进行了预先学习(上述的监督学习、逆向强化学习等方法)的状态设为初始状态，并使学习从良好的开始点开始。
“强化学习”是指如下学习：通过不仅学习判定、分类，还学习行动，来基于行动对环境赋予的相互作用而学习适当的行动，即，用于使将来得到的回报变得最大的进行学习的方法。这在本实施方式中表示为能够获得对未来产生影响那样的行动。例如以Q学习的情况继续进行说明，但并不限定于此。
Q学习是学习在某环境状态s下选择行动a的价值Q(s，a)的方法。也就是说，在某状态s时，选择价值Q(s，a)最高的行动a作为最佳的行动即可。但是，最初对于状态s与行动a的组合而言，完全不知价值Q(s，a)的正确的值。因此，智能体(行动主体)在某状态s下选择各种行动a，并对于此时的行动a赋予回报。由此，智能体学习更加良好的行动的选择、即正确的价值Q(s，a)。
由于想要使行动的结果，将来得到的回报的合计变得最大，因而最终以Q(s，a)＝E[Σγtrt](期待值在根据最佳的行动而产生了状态变化时取得。当然，这未知晓，从而必须边探索边进行学习)为目标。这样的价值Q(s，a)的更新式例如能够由下式表示(与上述的式(1)相同)。
Figure BDA0001589469020000091
此处，st表示时刻t的环境状态，at表示时刻t的行动。状态因行动at而变化成st+1。rt+1表示因该状态的变化而得到的回报。并且，带有max的项是在状态st+1下选择了当时可知的Q值最高的行动a的情况下的Q值乘以γ后的值。γ是0＜γ≤1的参数，被称作折扣率。α是学习系数，设为0＜α≤1的范围。
该式表示以试行at的结果所回报的回报rt+1为基础来更新状态st时的行动at的评价值Q(st，at)的方法。示出如下情况：若与状态s时的行动a的评价值Q(st，at)相比，回报rt+1+基于行动a的下一个状态的最优的行动max a的评价值Q(st+1，max at+1)较大，则增加Q(st，at)，相反若较小，则还减少Q(st，at)。也就是说，使某状态的某行动的价值接近作为结果而即时回报的回报和基于该行动的下一个状态的最优的行动的价值。
Q(s，a)的在计算机上的表现方法有：相对于所有的状态行动对(s，a)预先保持其值作为表(行动价值表)的方法；和准备近似Q(s，a)那样的函数的方法。在后者的方法中，上述的更新式能够通过预先利用随机梯度下降法等方法对近似函数的参数进行调整来实现。作为近似函数，能够使用后述的神经网络。
作为监督学习、无监督学习、以及强化学习中的价值函数的近似算法，能够使用神经网络。神经网络例如由实现模仿了图7所示的神经元的模型的神经网络的运算装置以及存储器等来构成。图7是示出神经元的模型的示意图。
如图7所示，神经元输出针对多个输入x(此处作为一个例子，输入x1～输入x3)的输出y。对各输入x1～x3施加与该输入x对应的权重w(w1～w3)。由此，神经元输出由下式表现的输出y。此外，输入x、输出y以及权重w全部是向量。
Figure BDA0001589469020000101
此处，θ是偏置量，fk是激活函数。
接下来，参照图8对具有组合有上述的神经元的三层权重的神经网络进行说明。图8是示出具有D1～D3的三层权重的神经网络的示意图。
如图8所示，从神经网络的左侧输入多个输入x(此处作为一个例子，输入x1～输入x3)，从右侧输出结果y(此处作为一个例子，结果y1～结果y3)。
具体而言，对输入x1～输入x3施加对应的权重并分别输入三个神经元N11～N13。将对这些输入施加的权重集中标记为w1。
神经元N11～N13分别输出z11～z13。将这些z11～z13集中标记为特征向量z1，能够当作提取输入向量的特征量后的向量。该特征向量z1是权重w1与权重w2之间的特征向量。
对z11～z13施加对应的权重并分别输入两个神经元N21、N22。将对这些特征向量施加的权重集中标记为w2。
神经元N21、N22分别输出z21、z22。将它们集中标记为特征向量z2。该特征向量z2是权重w2与权重w3之间的特征向量。
对特征向量z21、z22施加对应的权重并分别输入三个神经元N31～N33。将这些对特征向量施加的权重集中标记为w3。
最后，神经元N31～N33分别输出结果y1～结果y3。神经网络的动作存在学习模式和价值预测模式，在学习模式中使用学习数据集来学习权重w，并使用该参数而在预测模式中进行激光加工装置的行动判断(为便于说明，写为预测，但能够是检测、分类、推论等多种任务)。
也能够在预测模式中即时学习实际上使激光加工装置动作而得的数据并反映至下一个行动(在线学习)，也能够使用预先收集的数据组而进行集中学习，之后一直用该参数来进行检测模式(批量学习)。也能够在中间的存积某程度的数据时插入学习模式。
权重w1～w3能够利用反向传播(Backpropagation)来学习。误差的信息从右侧进入并流至左侧。反向传播法是对于各神经元以使输入x被输入后的输出y与真的输出y(监督)的差分变小的方式调整(学习)各个权重的方法。
这样的神经网络也能够在三层以上进一步增加层(称作深层学习)。阶段性地进行输入的特征提取，能够仅根据监督数据自动地获得回归结果的运算装置。
因此，本实施方式的机器学习装置30为了实施上述的Q学习，如图5所示，具备状态观测部31、学习部35、以及决策部34。其中，本实施方式所应用的机器学习方法并不限定于Q学习。例如在应用监督学习的情况下，价值函数与学习模型对应，回报与误差对应。
然而，图9是激光加工系统的简图。如图9所示，激光加工系统5包含多个激光加工装置1、1a～1n。各激光加工装置1、1a～1n分别包含机器学习装置30、30a～30n，各机器学习装置30、30a～30n分别包含与上述相同的状态观测部31、31a～31n、函数更新部33、33a～33n等。从图9可知，这些各激光加工装置1、1a～1n由通信部40而相互连接。通信部40是网络，可以是有线或者无线中任一种。
反复实施机器学习，从而在激光加工装置1等的状态观测部31存储有各种物理量以及学习结果、例如激光加工头12的角度。而且，在函数更新部33存储有上述的函数。
因此，例如即使在其它激光加工装置1a的机器学习装置30a未进行机器学习的情况下，也能够由通信部40而将激光加工装置1的状态观测部31以及函数更新部33的存储内容编入其它激光加工装置1a的状态观测部31a以及函数更新部33a。因此，激光加工装置1a的机器学习装置30a不实际上进行机器学习就能够利用可靠性较高的学习结果等。别的激光加工装置1n等也相同。
另外，图9中，具备存储部51的上一级计算机50、例如服务器通过有线或者无线与通信部40连接。此外，上一级计算机50例如也可以与一个激光加工装置1直接连接。
而且，也可以由通信部40将存储于激光加工装置1的状态观测部31的物理量、学习结果等以及存储于函数更新部33的函数存储于上一级计算机50的存储部51。在该情况下，其它激光加工装置1a访问上一级计算机50的存储部51，将上述的学习结果、函数分别编入状态观测部31a以及函数更新部33a。也就是说，可知即使在一个激光加工装置1暂时从网络脱离的情况下，其它激光加工装置1a也能够获取上述的学习结果、函数。
本公开的方式如下。
根据第1方式，提供一种激光加工装置，是利用从激光加工头12输出的激光来加工被加工物的激光加工装置1，具备：输出检测部13，其在预定时间内检测上述激光的输出；波动计算部21，其计算由该输出检测部检测到的上述激光的输出的波动；以及角度指令部23，其基于由该波动计算部计算出的波动，来指令上述激光加工头相对于上述被加工物的垂线倾斜的角度。
根据第2方式，在第1方式中，还包括机器学习装置30，该机器学习装置30学习利用从上述激光加工头输出的激光来加工上述被加工物的动作，上述机器学习装置具备：状态观测部31，其观测由上述激光的输出的波动和利用上述激光加工的被加工物的加工状态以及激光加工头的角度指令值构成的状态变量；和学习部35，其将由上述状态观测部观测到的上述波动和上述加工状态中的至少一个与由上述状态观测部观测到的上述激光加工头的角度指令值建立关联地进行学习。
根据第3方式，在第2方式中，上述学习部包括：回报计算部32，其基于由上述状态观测部观测到的上述波动和上述加工状态中的至少一个来计算回报；和函数更新部33，其基于由该回报计算部计算出的回报，并根据当前的上述状态变量来对决定上述激光加工头的角度指令值的函数进行更新。
根据第4方式，在第2或者第3方式中，具备决策部34，该决策部34基于上述学习部的学习结果，并根据当前的上述状态变量来决定上述激光加工头的角度指令值的最佳值。
根据第5方式，在第2至第4方式的任一方式中，上述学习部以多层构造来运算由上述状态观测部观测到的状态变量，实时地更新上述函数。
根据第6方式，在第2至第5方式的任一方式中，使用由其它机器学习装置的函数更新部更新后的函数来更新上述函数更新部的上述函数。
根据第7方式，提供一种机器学习装置，是学习利用从激光加工头输出的激光来加工被加工物的动作的机器学习装置30，具备：状态观测部31，其观测由预定时间内的上述激光的输出的波动和利用上述激光加工的被加工物的加工状态中的至少一个以及上述激光的激光加工头的角度指令值构成的状态变量；和学习部35，其将由上述状态观测部观测到的上述波动和上述加工状态中的至少一个与由上述状态观测部观测到的上述激光加工头的角度指令值建立关联地进行学习。
根据第8方式，在第7方式中，上述学习部包括：回报计算部32，其基于由上述状态观测部观测到的上述波动和上述加工状态中的至少一个来计算回报；和函数更新部33，其基于由该回报计算部计算出的回报，并根据当前的上述状态变量来对决定上述激光加工头的角度指令值的函数进行更新。
根据第9方式，在第7或者第8方式中，具备决策部34，该决策部34基于上述学习部的学习结果，并根据当前的上述状态变量来决定上述激光加工头的角度指令值的最佳值。
根据第10方式，在第7至第9方式的任一方式中，上述学习部以多层构造中来运算由上述状态观测部观测到的状态变量，实时地更新上述函数。
根据第11方式，在第7至第10方式的任一方式中，使用由其它机器学习装置的函数更新部更新后的函数来更新上述函数更新部的上述函数进行。
根据第12方式，提供一种具备第7至第11方式的任一方式的机器学习装置的激光加工装置1。
方式的效果如下。
在第1方式中，不需要花费操作人员的劳力和时间就能够容易地决定激光加工头的适当角度。因此，能够输出稳定的激光，能够良好地加工被加工物。
在第2至第4方式以及第7至第9方式中，不需要花费操作人员的劳力和时间，使用机器学习装置就能够最佳地决定激光加工头的适当角度。
在第5以及第10方式的发明中，能够得到适当的学习结果。
在第6以及第11方式的发明中，能够将由某机器学习装置得到的学习结果编入其它机器学习装置，从而能够利用可靠性较高的学习结果等。
在第12方式的发明中，由于根据机器学习装置的学习结果，所以操作人员不需要决定激光加工头的适当角度。因此，能够减少用于决定最佳角度的劳力以及工时。
使用典型的实施方式对本发明进行了说明，但若是本领域技术人员，则能够理解在不脱离本发明的范围的情况下能够进行上述的变更以及各种其它的变更、省略、追加。例如也可以将激光加工头12的角度A的实际值进一步输入至状态观测部31，从而如上述那样输出角度指令值。

Claims (14)

1.一种激光加工装置，是利用从激光加工头输出的激光来加工被加工物的激光加工装置，其特征在于，具备：
输出检测部，其在预定时间内检测上述激光的输出；
波动计算部，其计算由该输出检测部检测到的上述激光的输出的波动；以及
角度指令部，其基于由该波动计算部计算出的波动，来指令上述激光加工头相对于上述被加工物的垂线倾斜的角度，
上述波动是在加工上述被加工物时在预定时间内取得的上述激光的输出实际值的曲线的最大值与最小值之间的偏差，或是对上述激光的输出实际值的曲线进行梯形积分并以时间进行除法计算后的除法值，或是上述激光的输出实际值的曲线的斜度的最大值。
2.根据权利要求1所述的激光加工装置，其特征在于，
还包括机器学习装置，该机器学习装置学习利用从上述激光加工头输出的激光来加工上述被加工物的动作，
上述机器学习装置具备：
状态观测部，其观测由上述激光的输出的波动和利用上述激光加工的被加工物的加工状态以及激光加工头的角度指令值构成的状态变量；和
学习部，其将由上述状态观测部观测到的上述波动和上述加工状态中的至少一个与由上述状态观测部观测到的上述激光加工头的角度指令值建立关联地进行学习。
3.根据权利要求2所述的激光加工装置，其特征在于，
上述学习部包括：
回报计算部，其基于由上述状态观测部观测到的上述波动和上述加工状态中的至少一个来计算回报；和
函数更新部，其基于由该回报计算部计算出的回报，并根据当前的上述状态变量来对决定上述激光加工头的角度指令值的函数进行更新。
4.根据权利要求2所述的激光加工装置，其特征在于，
具备决策部，该决策部基于上述学习部的学习结果，并根据当前的上述状态变量来决定上述激光加工头的角度指令值的最佳值。
5.根据权利要求3所述的激光加工装置，其特征在于，
具备决策部，该决策部基于上述学习部的学习结果，并根据当前的上述状态变量来决定上述激光加工头的角度指令值的最佳值。
6.根据权利要求2至5中任一项所述的激光加工装置，其特征在于，
上述学习部以多层构造运算由上述状态观测部观测到的状态变量，实时地更新上述函数。
7.根据权利要求2至5中任一项所述的激光加工装置，其特征在于，
使用由其它机器学习装置的函数更新部更新后的函数来更新上述函数更新部的上述函数。
8.一种机器学习装置，是学习利用从激光加工头输出的激光来加工被加工物的动作的机器学习装置，其特征在于，具备：
状态观测部，其观测由预定时间内的上述激光的输出的波动和利用上述激光加工的被加工物的加工状态中的至少一个以及上述激光的激光加工头的角度指令值构成的状态变量；和
学习部，其将由上述状态观测部观测到的上述波动和上述加工状态中的至少一个与由上述状态观测部观测到的上述激光加工头的角度指令值建立关联地进行学习，
上述波动是在加工上述被加工物时在预定时间内取得的上述激光的输出实际值的曲线的最大值与最小值之间的偏差，或是对上述激光的输出实际值的曲线进行梯形积分并以时间进行除法计算后的除法值，或是上述激光的输出实际值的曲线的斜度的最大值。
9.根据权利要求8所述的机器学习装置，其特征在于，
上述学习部包括：
回报计算部，其基于由上述状态观测部观测到的上述波动和上述加工状态中的至少一个来计算回报；和
函数更新部，其基于由该回报计算部计算出的回报，并根据当前的上述状态变量来对决定上述激光加工头的角度指令值的函数进行更新。
10.根据权利要求8所述的机器学习装置，其特征在于，
具备决策部，该决策部基于上述学习部的学习结果，并根据当前的上述状态变量来决定上述激光加工头的角度指令值的最佳值。
11.根据权利要求9所述的机器学习装置，其特征在于，
具备决策部，该决策部基于上述学习部的学习结果，并根据当前的上述状态变量来决定上述激光加工头的角度指令值的最佳值。
12.根据权利要求8至11中任一项所述的机器学习装置，其特征在于，
上述学习部以多层构造来运算由上述状态观测部观测到的状态变量，实时地更新上述函数。
13.根据权利要求8至11中任一项所述的机器学习装置，其特征在于，
使用由其它机器学习装置的函数更新部更新后的函数来更新上述函数更新部的上述函数。
14.一种激光加工装置，其特征在于，具备权利要求8至13中任一项所述的机器学习装置。
CN201810183069.0A 2017-03-07 2018-03-06 激光加工装置以及机器学习装置 Active CN108568596B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017042849A JP6490124B2 (ja) 2017-03-07 2017-03-07 レーザ加工装置および機械学習装置
JP2017-042849 2017-03-07

Publications (2)

Publication Number Publication Date
CN108568596A CN108568596A (zh) 2018-09-25
CN108568596B true CN108568596B (zh) 2020-01-24

Family

ID=63258554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810183069.0A Active CN108568596B (zh) 2017-03-07 2018-03-06 激光加工装置以及机器学习装置

Country Status (4)

Country Link
US (1) US10796226B2 (zh)
JP (1) JP6490124B2 (zh)
CN (1) CN108568596B (zh)
DE (1) DE102018001571B4 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7017985B2 (ja) * 2018-06-05 2022-02-09 株式会社日立製作所 システム及び処理条件の決定方法
CN111356552A (zh) * 2018-10-26 2020-06-30 合刃科技（深圳）有限公司 激光加工参数与反射光谱的预测模型训练方法及装置
DE102018129441B4 (de) 2018-11-22 2023-11-16 Precitec Gmbh & Co. Kg System zur Überwachung eines Laserbearbeitungsprozesses, Laserbearbeitungssystem sowie Verfahren zur Überwachung eines Laserbearbeitungsprozesses
EP3736645A1 (en) 2019-05-10 2020-11-11 EMPA Eidgenössische Materialprüfungs- und Forschungsanstalt Method for automated control of material processing and control unit
WO2020241753A1 (ja) * 2019-05-28 2020-12-03 三菱電機株式会社 傾斜補正装置、加工装置および傾斜補正方法
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
WO2020250882A1 (ja) * 2019-06-13 2020-12-17 本田技研工業株式会社 レーザ照射状態判定方法
US11231703B2 (en) * 2019-08-14 2022-01-25 Hitachi, Ltd. Multi task learning with incomplete labels for predictive maintenance
EP3786736A1 (en) * 2019-08-28 2021-03-03 Bystronic Laser AG Control for a laser cutting head movement in a cutting process
JP2021037716A (ja) * 2019-09-04 2021-03-11 株式会社荏原製作所 機械学習装置、ａｍ装置、機械学習方法、および学習モデルの生成方法
JP7331660B2 (ja) * 2019-11-26 2023-08-23 横河電機株式会社 装置、方法およびプログラム
DE112020007111T5 (de) * 2020-04-23 2023-03-16 Mitsubishi Electric Corporation Gerät zur additiven herstellung, verfahren zur additiven herstellung und maschinelle lernvorrichtung
JP7508929B2 (ja) * 2020-07-31 2024-07-02 セイコーエプソン株式会社 機械学習装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11214783A (ja) * 1998-01-27 1999-08-06 Komatsu Ltd エキシマレーザ装置のエネルギー制御装置及びその制御方法
CN1492488A (zh) * 2002-09-13 2004-04-28 株式会社半导体能源研究所 激光装置、激光照射方法和半导体器件制造方法
CN1905020A (zh) * 2005-07-27 2007-01-31 索尼株式会社 光盘驱动设备和信号处理方法
CN101674913A (zh) * 2007-05-03 2010-03-17 Esi电子科技工业公司 具有后扫瞄透镜偏转的激光微加工系统
CN104792705A (zh) * 2015-04-16 2015-07-22 西安交通大学 用于光声光谱测量的激光功率波动监测和补偿装置及方法
CN105458509A (zh) * 2015-12-15 2016-04-06 中国科学院力学研究所 铝合金电弧推焊激光后置的复合焊接方法及焊接装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2929447B2 (ja) * 1994-07-25 1999-08-03 川崎重工業株式会社 溶接方法
JP3800942B2 (ja) * 2000-04-26 2006-07-26 日本電気株式会社 半導体ウェハの研磨終了点検出装置及びその方法
JP4214367B2 (ja) * 2002-07-19 2009-01-28 横河電機株式会社 波長モニタ及びモータ駆動制御装置
JP2004322146A (ja) * 2003-04-24 2004-11-18 Matsushita Electric Ind Co Ltd レーザ加工装置
JP4349075B2 (ja) * 2003-10-28 2009-10-21 パナソニック電工株式会社 レーザ加工方法及び加工状態判断方法
EP1978926A2 (en) * 2005-12-19 2008-10-15 Comentis, Inc. Topical mecamylamine formulations for ocular administration and uses thereof
JP5224061B2 (ja) * 2009-05-11 2013-07-03 トヨタ自動車株式会社 レーザ溶接品質評価方法及び装置
JP2015094737A (ja) * 2013-11-14 2015-05-18 ソニー株式会社 光照射装置、粒子分析装置および光照射方法
JP6327862B2 (ja) 2014-01-09 2018-05-23 アテナ工業株式会社 注出部を有する容器
JP2017024065A (ja) * 2015-07-28 2017-02-02 ビアメカニクス株式会社 レーザ加工方法及びレーザ加工装置
DE102016015936B8 (de) * 2015-07-31 2024-10-24 Fanuc Corporation Vorrichtung für maschinelles Lernen, Robotersystem und maschinelles Lernsystem zum Lernen eines Werkstückaufnahmevorgangs
JP5969676B1 (ja) * 2015-09-30 2016-08-17 ファナック株式会社 工作機械の工具補正の頻度を最適化する機械学習装置及び機械学習方法、並びに該機械学習装置を備えた工作機械
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11214783A (ja) * 1998-01-27 1999-08-06 Komatsu Ltd エキシマレーザ装置のエネルギー制御装置及びその制御方法
CN1492488A (zh) * 2002-09-13 2004-04-28 株式会社半导体能源研究所 激光装置、激光照射方法和半导体器件制造方法
CN1905020A (zh) * 2005-07-27 2007-01-31 索尼株式会社 光盘驱动设备和信号处理方法
CN101674913A (zh) * 2007-05-03 2010-03-17 Esi电子科技工业公司 具有后扫瞄透镜偏转的激光微加工系统
CN104792705A (zh) * 2015-04-16 2015-07-22 西安交通大学 用于光声光谱测量的激光功率波动监测和补偿装置及方法
CN105458509A (zh) * 2015-12-15 2016-04-06 中国科学院力学研究所 铝合金电弧推焊激光后置的复合焊接方法及焊接装置

Also Published As

Publication number Publication date
DE102018001571A1 (de) 2018-09-13
JP6490124B2 (ja) 2019-03-27
CN108568596A (zh) 2018-09-25
US20180260712A1 (en) 2018-09-13
US10796226B2 (en) 2020-10-06
DE102018001571B4 (de) 2021-03-25
JP2018144078A (ja) 2018-09-20

Similar Documents

Publication Publication Date Title
CN108568596B (zh) 激光加工装置以及机器学习装置
US10121107B2 (en) Machine learning device and method for optimizing frequency of tool compensation of machine tool, and machine tool having the machine learning device
JP6470251B2 (ja) 数値制御装置及び機械学習装置
US11780095B2 (en) Machine learning device, robot system, and machine learning method for learning object picking operation
US10589368B2 (en) Machine learning device having function of adjusting welding positions of core in wire electric discharge machine
US10895852B2 (en) Controller and machine learning device
US10466658B2 (en) Numerical controller and machine learning device
JP6063016B1 (ja) 電動機に対する動作指令を学習する機械学習方法および機械学習装置並びに該機械学習装置を備えた工作機械
JP6235543B2 (ja) 加工機のサイクル加工時間を最適化する機械学習装置、モータ制御装置、加工機、および機械学習方法
US10962960B2 (en) Chip removal apparatus and information processing apparatus
JP2019171540A (ja) 機械学習装置、機械学習装置を用いたロボット制御装置及びロボットビジョンシステム、並びに機械学習方法
JP6923484B2 (ja) 加工条件調整装置及び機械学習装置
CN110355462B (zh) 加工条件调整装置以及机器学习装置
US11897066B2 (en) Simulation apparatus
Liu et al. A tutorial on learning human welder's behavior: Sensing, modeling, and control
US10698380B2 (en) Numerical controller
JP2019136818A (ja) 制御装置及び機械学習装置
CN110893515B (zh) 加工条件调整装置以及机器学习装置
JP7436702B2 (ja) 機械学習装置、制御装置、及び機械学習方法

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