CN109420859A - 机器学习装置、机器学习系统以及机器学习方法 - Google Patents
机器学习装置、机器学习系统以及机器学习方法 Download PDFInfo
- Publication number
- CN109420859A CN109420859A CN201810975958.0A CN201810975958A CN109420859A CN 109420859 A CN109420859 A CN 109420859A CN 201810975958 A CN201810975958 A CN 201810975958A CN 109420859 A CN109420859 A CN 109420859A
- Authority
- CN
- China
- Prior art keywords
- optical component
- mentioned
- machine learning
- laser
- 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
Links
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
- B23K26/02—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
- B23K26/70—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
- B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
- B23K26/06—Shaping the laser beam, e.g. by masks or multi-focusing
- B23K26/064—Shaping the laser beam, e.g. by masks or multi-focusing by means of optical elements, e.g. lenses, mirrors or prisms
- B23K26/0643—Shaping the laser beam, e.g. by masks or multi-focusing by means of optical elements, e.g. lenses, mirrors or prisms comprising mirrors
-
- 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
- B23K26/06—Shaping the laser beam, e.g. by masks or multi-focusing
- B23K26/064—Shaping the laser beam, e.g. by masks or multi-focusing by means of optical elements, e.g. lenses, mirrors or prisms
- B23K26/0648—Shaping the laser beam, e.g. by masks or multi-focusing by means of optical elements, e.g. lenses, mirrors or prisms comprising lenses
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- General Physics & Mathematics (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Software Systems (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)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Laser Beam Processing (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
- Optical Head (AREA)
Abstract
本发明涉及一种机器学习装置、机器学习系统以及机器学习方法,在考虑了光学部件的用途的基础上进行光学部件的良好与否判定。机器学习装置(10)具备:状态观测单元(11),其取得拍摄光学部件(21)而得到的图像数据和与上述光学部件(21)的用途相关的数据来作为输入数据;标签取得单元(12),其取得与上述光学部件(21)的良好与否判定相关的评价值来作为标签;以及学习单元(13),其将上述状态观测单元(11)取得的输入数据与上述标签取得单元(12)取得的标签的组合作为训练数据来进行有监督学习,由此构筑用于判定上述光学部件(21)的良好与否的学习模型。
Description
技术领域
本发明涉及进行与光学部件相关的机器学习的机器学习装置、机器学习系统以及机器学习方法。
背景技术
工业用激光加工机等使用的光学部件会随着使用而产生污染和劣化。而且,激光的吸收率会由于该污染和劣化而发生变化,产生无法得到所希望的性能等不良情况。
因此,关于光学部件需要定期地(例如当光学部件为聚焦透镜时每天)进行清洁,使光学部件的性能恢复。另外,也会有即使进行了清洁性能也未恢复的情况,所以在清洁后进行光学部件的良好与否判定。然后,在良好与否判定的结果为判定为不良的情况下需要更换光学部件。
在专利文献1中公开了与这样的光学部件良好与否判定相关的技术的一例。在专利文献1公开的技术中,具备带有颜色的投影部,该投影部用于映出经过了透镜的激光,将附着在透镜上的尘埃的影像投射到投影部从而能够目视。由此,能够通过目视容易地确认有无在激光经过的透镜上附着的尘埃(例如参照专利文献1的“摘要”以及说明书段落号[0024]~[0026]等)。
在上述专利文献1公开的一般的技术中,在每次判定良好与否时,需要用户目视进行判定。
另外,光学部件被用于各种用途,但是在目视的判定中,没有充分考虑光学部件的用途。例如,即使是用于相同的激光加工机的光学部件,如果入射到光学部件的激光的特性、成为加工对象的工件的特性和所要求的加工精度这样的用途不同,则对光学部件要求的性能也不同,但是没有充分考虑这样的用途。
专利文献1:日本特开2008-52861号公报
发明内容
因此,本发明的目的在于,提供一种在考虑了光学部件的用途的基础上进行光学部件的良好与否判定的机器学习装置、机器学习系统以及机器学习方法。
(1)本发明的机器学习装置(例如后述的机器学习装置10)具备:状态观测单元(例如后述的状态观测部11),其取得拍摄光学部件(例如后述的聚焦透镜21)而得到的图像数据以及与上述光学部件的用途相关的数据来作为输入数据;标签取得单元(例如后述的标签取得部12),其取得与上述光学部件的良好与否判定相关的评价值来作为标签;以及学习单元(例如后述的学习部13),其将上述状态观测单元取得的输入数据和上述标签取得单元取得的标签的组合作为训练数据来进行有监督学习,从而构筑用于判定上述光学部件的良好与否的学习模型。
(2)在上述(1)记载的机器学习装置中,上述光学部件是在与激光加工相关的装置(例如后述的激光加工机20)中使用的光学部件,与上述光学部件的用途相关的数据可以包含用于表示在上述与激光加工相关的装置中入射到上述光学部件的激光的特性的信息。
(3)在上述(1)或(2)记载的机器学习装置中,上述光学部件是在与激光加工相关的装置(例如后述的激光加工机20)中使用的光学部件,与上述光学部件的用途相关的数据可以包含用于表示上述与激光加工相关的装置照射激光的照射对象的特性的信息。
(4)在上述(1)~(3)中的任意一项记载的机器学习装置中,上述光学部件是在与激光加工相关的装置(例如后述的激光加工机20)中使用的光学部件,与上述光学部件的用途相关的数据可以包含用于表示上述与激光加工相关的装置所进行的激光加工被要求的特性的信息。
(5)在上述(1)~(4)中的任意一项记载的机器学习装置中,上述状态观测单元可以取得在开始使用上述光学部件后进行维护时拍摄到的图像数据。
(6)在上述(1)~(5)中的任意一项记载的机器学习装置中,可以根据目视了上述光学部件的用户的判断来决定上述评价值。
(7)在上述(1)~(6)中的任意一项记载的机器学习装置中,可以根据上述光学部件的使用结果来决定上述评价值。
(8)在上述(1)~(7)中的任意一项记载的机器学习装置中,在将上述光学部件的图像数据以及与上述光学部件的用途相关的数据作为输入数据时,上述学习单元所构筑的学习模型可以是输出概率的值的学习模型,该概率表示上述光学部件是否满足预定的基准。
(9)本发明的机器学习系统(例如后述的机器学习系统1)是包含了多个上述(1)~(8)中的任意一项记载的机器学习装置的机器学习系统,由多个上述机器学习装置各自具备的上述学习单元来共享学习模型,多个上述机器学习装置各自具备的上述学习单元对于上述共享的学习模型进行学习。
(10)本发明的机器学习方法是机器学习装置(例如后述的机器学习装置10)进行的机器学习方法,其具备:状态观测步骤,取得拍摄光学部件(例如后述的聚焦透镜21)而得到的图像数据以及与上述光学部件的用途相关的数据来作为输入数据;标签取得步骤,取得与上述光学部件的良好与否判定相关的评价值来作为标签;以及学习步骤,将通过上述状态观测步骤取得的输入数据与通过上述标签取得步骤取得的标签的组合作为训练数据来进行有监督学习,从而构筑用于判定上述光学部件的良好与否的学习模型。
根据本发明,能够在考虑了光学部件的用途的基础上进行光学部件的良好与否判定。
附图说明
图1是表示本发明的全体实施方式的结构的功能框图。
图2是示意地表示本发明实施方式的激光加工机的结构的垂直截面图。
图3A是在与激光同轴的方向平面观察本发明的实施方式的聚焦透镜(没有附着溅射)时的示意图。
图3B是在与激光同轴的方向平面观察本发明的实施方式的聚焦透镜(附着了溅射)时的示意图。
图4是表示本发明实施方式的机器学习装置的结构的功能框图。
图5是表示本发明实施方式的学习模型构筑时的动作的流程图。
图6是表示本发明实施方式的学习模型使用时的动作的流程图。
附图标记的说明
1:机器学习系统、10:机器学习装置、11:状态观测部、12:标签取得部、13:学习部、14:学习模型存储部、15:输出提示部、20:激光加工机、21:聚焦透镜、22:激光振荡器、23:反射镜、24:激光、25:加工头、26:气体供给口、27:喷嘴、30:拍摄装置、40:工件、41:激光受光部分。
具体实施方式
接着,参照附图来详细说明本发明的实施方式。
<实施方式整体的结构>
如图1所示,本实施方式的机器学习系统1具备机器学习装置10、激光加工机20以及拍摄装置30。另外,激光加工机20具备作为光学部件的聚焦透镜21。另外,在图中,设想从激光加工机20拆卸聚焦透镜21并通过拍摄装置30拍摄聚焦透镜21的场面,将激光加工机20和聚焦透镜21记载为相互独立。但是,在通常情况下,如之后参照图2所叙述的那样,将聚焦透镜21安装在激光加工机20的内部来使用。
将机器学习系统1中包含的各个装置可通信地连接。该通信可以是在各个装置间直接进行的通信,也可以是经由包含了中继装置的网络进行的通信。关于网络,例如通过在工厂内构建的LAN(Local Area Network局域网)、或在因特网上构建的VPN(VirtualPrivate Network虚拟专用网)来实现。
机器学习装置10通过进行与聚焦透镜21相关的机器学习,来构筑用于进行聚焦透镜21的良好与否判定的学习模型。
机器学习装置10进行的机器学习是通过使用了训练数据的有监督学习来进行的,该训练数据将拍摄聚焦透镜21而得到的图像数据以及与聚焦透镜21的用途相关的数据作为输入数据,并将与聚焦透镜21的良好与否判定相关的评价值作为标签。
在此,作为与聚焦透镜21的用途相关的数据,例如使用用于表示在激光加工机20进行的激光加工中入射到聚焦透镜21的激光的特性的数据、用于表示在激光加工中成为激光照射对象的工件的特性的数据、用于表示对激光加工要求的特性的数据。另外,在以下的说明中,将与该聚焦透镜21的用途相关的数据称为“用途数据”。
如此,机器学习装置10不仅将拍摄聚焦透镜21而得到的图像数据,还将与聚焦透镜21的用途相关的用途数据作为输入数据的一部分来进行有监督学习,从而构筑学习模型。因此,所构筑的学习模型成为能够在考虑了光学部件的用途的基础上进行光学部件的良好与否判定的学习模型。
激光加工机20是用于进行激光加工的装置。另外,根据激光加工机20的结构,既有激光加工机20单独进行激光加工的情况,也有用于控制激光加工机20的控制装置或上位装置这样的外部装置与激光加工机20进行协作来进行激光加工的情况。在以下的说明中,设为在只记载为激光加工机20的情况下,只要没有特别提到则也包含上述的控制装置、上位装置这样的外部装置。
如上所述,机器学习装置10将激光加工机20所具备的聚焦透镜21作为对象来进行有监督学习。为了进行该有监督学习,激光加工机20从用户接受用途数据和评价值的输入。然后,激光加工机20将接受的用途数据和评价值输出给机器学习装置10。但是,该结构不过是一例,关于用途数据和评价值,可以不像上述那样由激光加工机20接受输入并输出给机器学习装置10,机器学习装置10可以从用户直接接受输入。
拍摄装置30是为了进行有监督学习而拍摄聚焦透镜21的部分。拍摄装置30将通过拍摄聚焦透镜21而生成的图像数据输出给机器学习装置10。拍摄装置30通过一般的数字照相机或具备照相机的智能手机来实现。另外,关于拍摄装置30的具体结构,本领域技术人员非常熟悉,因此省略在此之上的详细说明。
<激光加工机20的结构>
接着,参照图2说明包含有作为机器学习装置10的机器学习对象的聚焦透镜21的激光加工机20的结构。图2是表示激光加工机20的示意性结构的垂直截面图。
如图2所示,激光加工机20具备聚焦透镜21、激光振荡器22、反射镜23、激光24、加工头25、气体供给口26以及喷嘴27。另外,在图中还图示了成为激光加工机20的加工对象的平板状工件40、工件40上的激光受光部分41。另外,关于激光振荡器22,未图示为垂直截面,而是图示为功能框。
另一方面,关于用于设置工件40的可动工作台、用于控制激光振荡器22以及加工头25的动作的控制装置等结构要素,不是本实施方式的要旨所以省略图示。
激光振荡器22出射圆形截面的激光24。反射镜23将从激光振荡器22出射的激光24进行反射来引导到聚焦透镜21,由此形成将激光24引导到工件40的导光路经。
将聚焦透镜21固定在加工头25内来使用。然后,聚焦透镜21使激光24聚焦,并经由在加工头25的前端安装的喷嘴27向工件40进行照射。由此,工件40的激光受光部分41通过激光24而被加热从而熔化,从而实现激光加工。
在激光加工机20中使用的激光24的种类未被特别限定,例如能够使用二氧化碳激光器、光纤激光器、直接二极管激光器(Direct diode laser)、YAG激光器等。
如图2所示,加工头25形成了向工件40照射激光24的大致圆筒状的形状。另外,加工头25具备在加工头25形成的气体供给口26。
从气体供给口26供给辅助气体。沿着从气体供给口26到喷嘴27的前端开口部的气体流路排出辅助气体。如此,向喷嘴27主体的内部供给以及排出辅助气体,从而能够在与激光24同轴的方向上从喷嘴27的前端开口部向工件40吹送辅助气体。
由此,在照射激光时能够从在激光受光部分41上形成的切口吹掉在激光受光部分41熔化的工件40。另外,还能够吹掉向与激光24同轴方向飞散的熔化的工件40(溅射),因此能够防止聚焦透镜21被污染。
但是,即使这样的结构,也无法吹掉所有的溅射。关于一部分的溅射,与辅助气体的气流相反地侵入加工头25内部,并附着在聚焦透镜21上。
参照图3A以及图3B说明溅射向聚焦透镜21的附着。图3A以及图3B是在与激光24同轴的方向上平面观察聚焦透镜21时的示意图。
图3A表示聚焦透镜21未使用,聚焦透镜没有附着溅射的状态。如果是该状态,则能够适当地通过聚焦透镜21进行聚焦,适当地执行激光加工。
与此相对,图3B表示聚焦透镜21使用后的状态,如上所述,表示与辅助气体的气流相反地侵入加工头25内的溅射附着在聚焦透镜21的状态。在这样地附着了溅射的情况下,聚焦透镜21无法适当地进行聚焦。例如,关于附着了溅射的部分,激光的吸收率上升并发热。而且,由于该热,聚焦透镜21产生热透镜效应,焦点位置偏移。具体地说,聚焦透镜21的一部分机械地膨胀从而焦点位置偏移。并且,由于与聚焦透镜的温度梯度相伴随的折射率的变化,焦点进一步偏移。如此由于热透镜效应使焦点位置偏移,从而无法适当地执行激光受光部分41的激光加工。另外,如果保持附着了溅射的状态继续使用,则由于热而使溅射牢固地附着,无法从聚焦透镜21去除。
因此,作为维护的一环需要对聚焦透镜21定期进行清洁。但是,会有通过清洁能够完全去除附着在聚焦透镜21上的溅射的情况和无法完全去除的情况。
并且,当无法完全去除溅射时,为了决定是否再次使用清洁后的聚焦透镜21,需要对聚焦透镜21进行良好与否的判定。
但是,作为背景技术如上所述,目前根据用户的经验来进行该良好与否判定,并难以设定定量的阈值。另外,目前对于清洁后的聚焦透镜21的用途没有充分考虑。
另外,聚焦透镜21价格高,所以一般用户根据用途来区分使用,但是如果考虑该与用途对应的区分使用,则良好与否判定更加困难。
例如在“干净地切断切断面。”、“高速地切断。”以及“切断厚板(一般为12mm厚度以上)。”这样的用途的情况下,要求聚焦透镜21接近新品时的性能。因此关于附着了溅射的聚焦透镜21,在良好与否判定中判定为“不良”,需要将聚焦透镜21更换为新的聚焦透镜。
与此相对,例如在“切断面的要求质量不高。”、“切断速度慢也没有关系。”以及“切断厚板(一般为3mm厚度以下)。”这样的用途的情况下,对于聚焦透镜21不要求接近新品时的性能。因此在附着了少量溅射的情况、附着了溅射的场所不是聚焦透镜21的中央部(激光24入射的部分)的情况下,在良好与否判定中判定为“良好”,之后也能够使用该聚焦透镜21。
如果如此地考虑与用途对应的区分使用,则良好与否判定的基准也会根据用途而不同,所以良好与否判定变得更加困难。
因此,在本实施方式中,如上所述,机器学习装置10将与聚焦透镜21的用途相关的用途数据以及图像数据作为输入数据来进行有监督学习,从而构筑学习模型。
<机器学习装置10所具备的功能块>
接着,说明为了构筑这样的学习模型,机器学习装置10所具备的功能块。机器学习装置10具备状态观测部11、标签取得部12、学习部13、学习模型存储部14以及输出提示部15。
状态观测部11是从激光加工机20和拍摄装置30分别取得用途数据和图像数据来作为输入数据,并将取得的输入数据输出给学习部13的部分。在此,如上所述,本实施方式的输入数据是从激光加工机20取得的用途数据和从拍摄装置30取得的图像数据。详细说明这些数据。
用途数据例如包含以下数据中的任意一个数据或全部数据:表示在激光加工中入射到聚焦透镜21的激光的特性的数据、表示在激光加工中成为激光照射对象的工件的特性的数据、表示对于激光加工要求的特性的数据。
表示激光的特性的数据例如是激光的输出、激光输出指令以及工件的切断速度。
激光的输出是指激光加工机20所具备的激光振荡器22的额定输出。例如,激光的输出为通过激光输出[kW]表示的值。例如,在将二氧化碳激光器用于激光加工时,激光的输出为1[kW]、2[kW]……6[kW]的值。聚焦透镜21的发热与所照射的激光强度成正比,所以在低输出的激光振荡器22中使用的光学部件一般具有使用寿命长的倾向。
激光输出指令是指激光加工机20为了进行激光加工而接受的指令。例如,激光输出指令为通过峰值功率[W]、脉冲频率[Hz]、脉冲占空比[%]表示的值。
工件的切断速度是指激光加工机20进行激光加工时的切断速度。例如,工件的切断速度为通过切断速度[mm/分]表示的值。
表示在激光加工中成为激光照射对象的工件的特性的数据例如是工件材质和工件板厚。
工件材质是用于确定工件的材质的信息,例如通过用于识别软钢、不锈钢、铝这样材质的识别符来表示。
工件板厚是用于确定平板状的工件的厚度的信息,例如为通过厚度[mm]表示的值。
用于表示对于激光加工要求的特性的数据例如是指与激光切断的难度相关的信息。
与激光切断的难度相关的信息例如是加工余量。加工余量能够通过焦点的振幅来表示。为了确定该焦点的振幅,以1mm为单位改变聚焦透镜21与工件的距离,调查在怎样程度的范围内能够良好地进行切断。此时,不使聚焦透镜21与工件的距离以外的条件(例如,上述的激光输出和切断速度等)变化。并且,作为调查的结果,如果能够良好地进行切断的振幅例如为2mm以下,则加工余量小,难度高。另一方面,当能够良好地进行切断的振幅例如超过3mm时加工余量变大,难度低。另外,当能够良好地进行切断的振幅例如超过2mm且在3mm以下时,加工余量是标准的加工余量,难度也是标准的难度。能够将用于表示如此确定的难度的数据设为用于表示对于激光加工要求的特性的数据。
另外,作为用于确定该加工余量的基准的2mm或3mm这样的基准值不过是例示,能够根据应用本实施方式的环境来变更为任意的值。另外,还能够阶段性地更详细地设定难度。
另外,除此以外,还能够将用于表示用户对于激光加工要求的内容的数据设为用于表示对于激光加工要求的特性的数据。例如,能够将干净地切断切断面、高速地切断或者切断面的要求质量不高、切断速度慢也没有关系这样的要求设为用于表示对于激光加工要求的特性的数据。
用户将这些各种数据作为用途数据例如输入给激光加工机20或机器学习装置10。然后,状态观测部11取得所输入的用途数据。
接着,说明图像数据。如上所述,通过拍摄装置30拍摄聚焦透镜21而生成图像数据。用户在设置了激光加工机20的工厂的现场,为了进行聚焦透镜21的维护,从激光加工机20拆卸了聚焦透镜21。此时,用户为了生成图像数据,通过拍摄装置30拍摄拆卸后的聚焦透镜21。例如,可以由进行维护作业的用户在进行维护的现场进行拍摄。另外,如上所述因为拆卸聚焦透镜21,所以可以将聚焦透镜21移动到比进行维护的现场更容易进行拍摄的环境中来进行拍摄。
然后,状态观测部11从拍摄装置30取得通过拍摄而生成的图像数据。
标签取得部12是从激光加工机20取得评价值来作为标签,并将取得的标签输出给学习部13的部分。这里,本实施方式的评价值是与良好与否判定相关的评价值,是表示能够持续使用聚焦透镜21(即为是否“良好”)还是需要更换聚焦透镜21(即为是否“不良”)中的某个情况的值。
通过目视了从激光加工机20拆卸的聚焦透镜21的用户的判断,来决定评价值。用户将决定的评价值例如输入给激光加工机20或机器学习装置10。标签取得部12取得所输入的评价值。
另外,希望评价值正确,因此希望由熟练的作业者来进行用于决定评价值的判断。
学习部13接受该输入数据和标签的组合来作为训练数据,使用该训练数据进行有监督学习,从而构筑学习模型。
例如,学习部13进行使用了神经网络的有监督学习。此时,学习部13向组合感知机而构成的神经网络赋予训练数据中包含的输入数据与标签的组合,并且,为了使神经网络的输出与标签相同,进行正向传播,即针对神经网络中包含的各个感知器的加权进行变更。
在本实施方式中,将神经网络的输出设为“良好”和“不良”这2个级别,对于分类为哪个级别,作为概率进行输出。然后,进行正向传播,使得神经网络输出的与聚焦透镜21的良好与否有关的概率值(例如,良好与否中的“良好”的可能性90%的值)与标签的评价值相同(例如,当标签表示良好与否中的“良好”时,神经网络输出的“良好”的概率值为100%)。
然后,学习部13在如此进行了正向传播后,通过反向传播(也称为误差逆传输法)的方法来调整加权值,使得各个参数的输出误差变小。更详细地说,学习部13计算神经网络的输出与标签之间的误差,修正加权值使得计算出的误差变小。
学习部13如此学习训练数据的特征,归纳性地获得用于根据输入来推定结果的学习模型。
另外,在本实施方式中,在输入数据中包含通过拍摄装置30拍摄聚焦透镜21而生成的图像数据。因此,学习部13对于该图像数据,使用对于将图像数据作为对象的学习而适合的神经网络即卷积神经网络(CNN:Convolutional Neural Network)来学习特征即可。然后,使用以下的神经网络来构筑学习模型即可,该神经网络将通过不同于上述卷积神经网络的神经网络而学习到的用途数据的特征以及通过卷积神经网络而学习到的图像数据的特征双方作为输入。
或者,可以使用将用途数据本身和通过卷积神经网络学习到的图像数据的特征双方作为输入的神经网络来构筑学习模型。
学习部13如上那样进行机器学习,从而构筑学习模型。
将学习部13构筑的学习模型输出给学习模型存储部14。
学习模型存储部14是存储由学习部13构筑的学习模型的存储部。当在构筑了学习模型后,取得了新的训练数据的情况下,可以对学习模型存储部14存储的学习模型进一步追加进行有监督学习,从而适当地更新一度构筑的学习模型。另外,该追加学习可以自动进行,但是也可以根据用户的判断来进行。即,用户在判断为基于学习模型的良好与否判定错误时,可以基于用户独自的基准来决定用途数据和评价值从而生成训练数据,并进行追加学习,使得良好与否判定变得更加正确。通过进行这样的追加学习,能够构筑遵照用户独自的判定基准的学习模型。
输出提示部15是对学习部13的输出进行提示的部分。如上所述,在本实施方式中,通过学习部13所构筑的学习模型,能够输出聚焦透镜21的良好与否判定的结果,因此输出提示部15将该学习部13的输出内容提示给用户。
例如,可以通过在液晶显示器等中进行显示来进行提示,也可以通过向纸介质进行打印来进行提示,还可以通过声音输出(例如在作为良好与否判定的结果,“不良”的可能性高时输出警告声音)来进行提示。
以上,说明了机器学习装置10中包含的功能块。
为了实现这些功能块,机器学习装置10具备CPU(Central Processing Unit中央处理单元)等运算处理装置。另外,机器学习装置10还具备存储了应用软件和OS(OperatingSystem操作系统)等各种控制用程序的HDD(Hard Disk Drive硬盘驱动器)等辅助存储装置、用于存储运算处理装置执行程序而暂时需要的数据的RAM(Random Access Memory随机存取存储器)等主存储装置。
并且,在机器学习装置10中,运算处理装置从辅助存储装置读入应用软件或OS,一边将读入的应用软件或OS在主存储装置中展开,一边基于这些应用软件或OS来进行运算处理。另外,根据该运算结果来控制各装置所具备的各种硬件。由此,实现本实施方式的功能块。即,本实施方式能够通过硬件与软件的协作来实现。
作为具体例子,机器学习装置10可通过在一般的个人计算机或服务器装置中组装用于实现本实施方式的应用软件来实现。
但是,关于机器学习装置10,与有监督学习相伴的运算量大,因此在个人计算机中搭载GPU(Graphics Processing Units图形处理单元),通过被称为GPGPU(General-Purpose computing on Graphics Processing Units通用图形处理单元)的技术,将GPU用于与监督学习相伴的运算处理从而能够高速处理即可。并且,为了进行更高速的处理,可以使用多台这样的搭载了GPU的计算机来构筑计算机集群,通过该计算机集群中包含的多个计算机进行并行处理。
接着,参照图5的流程图来说明机器学习装置10进行有监督学习时的动作。
在步骤S11中,状态观测部11从拍摄装置30取得拍摄聚焦透镜21而得到的图像数据。状态观测部11将取得的图像数据输出给学习部13。
在步骤S12中,状态观测部11取得与在步骤S11中取得的图像数据对应的用途数据。状态观测部11将取得的用途数据输出给学习部13。
在步骤S13中,标签取得部12取得与在步骤S11以及步骤S12中由状态观测部11取得的图像数据以及用途数据对应的评价值。标签取得部12将取得的评价值输出给学习部13。
另外,为了说明的方便,按照从步骤S11到步骤S13的顺序进行说明,但是这3个步骤可以通过不同的顺序来执行,也可以并行执行。
在步骤S14中,学习部13通过将在步骤S11、步骤S12以及步骤S13中输入的各个数据作成组合来生成训练数据。
在步骤S15中,学习部13根据在步骤S14生成的训练数据来进行机器学习。该机器学习是有监督学习,关于该机器学习的方法,作为学习部13的功能块的说明如以上所述。
在步骤S16中,学习部13判定是否结束机器学习。根据预定的条件来进行该判定。例如,将神经网络的输出与标签之间的误差值为预定值以下、有监督学习重复了预定次数作为条件,当满足这些条件时学习结束。
当没有满足用于结束机器学习的条件时,在步骤S16中判定为否,处理返回步骤S11。然后,将新的输入数据以及标签作为对象重复上述处理。另一方面,当满足了用于结束机器学习的条件时,在步骤S16中判定为是,处理进入步骤S17。
在步骤S22中,学习部13使学习模型存储部14存储通过步骤S22中的学习而构筑的学习模型。
通过以上说明的动作,学习部13将与聚焦透镜21的用途相关的用途数据以及图像数据作为输入数据来进行有监督学习,从而构筑学习模型。由此,能够在考虑了聚焦透镜21的用途的基础上,构筑用于进行聚焦透镜21的良好与否判定的学习模型。
另外,上述动作可以作为用于构筑学习模型的处理来进行,但是也可以在工厂等中如通常那样正在维护激光加工机20时进行上述动作。
另外,通过在线学习进行上述有监督学习,但是也可以通过批量学习和小批量学习进行有监督学习。
在线学习是指每次生成训练数据时立刻进行有监督学习的学习方法。另外,批量学习是指在重复生成训练数据的期间,收集与重复对应的多个训练数据,使用收集到的所有训练数据来进行有监督学习的学习方法。并且,小批量学习是指在线学习与批量学习中间的、在每次滞留了某种程度的训练数据时进行有监督学习的学习方法。
接着,参照图6的流程图来说明在使用如此构筑的学习模型进行良好与否判定时的动作。
在步骤S21中,状态观测部11从拍摄装置30取得拍摄聚焦透镜21而得到的图像数据。状态观测部11将取得的图像数据输出给学习部13。
在步骤S22中,状态观测部11取得与在步骤S11取得的图像数据对应的用途数据。状态观测部11将取得的用途数据输出给学习部13。另外,关于步骤S21以及步骤S22,也与步骤S11到步骤S13相同,可以按照不同的顺序执行,也可以并行执行。
在步骤S23中,学习部13将在步骤S21以及步骤S22输入的各个数据作为输入数据输入到在学习模型存储部14中存储的已学习的学习模型中。然后,学习部13向输出提示部15输出与该输入对应的学习模型的输出。
输出提示部15将从学习部13输入的学习模型的输出作为良好与否判定的结果提示给用户。
通过以上说明的动作,机器学习装置10能够在考虑了光学部件的用途的基础上进行光学部件的良好与否判定。另外,用户通过参照所提示的良好与否判定的结果,例如能够判断是否需要更换聚焦透镜21。
由此,不需要像目前那样在每次进行良好与否判定时由用户通过目视进行判定,而是能够使良好与否判定自动化。另外,能够使目前不明确的判定基准模型化,能够通过数值表示判定结果。
<硬件与软件的协作>
另外,上述机器学习系统中包含的各个装置分别能够通过硬件、软件或它们的组合来实现。另外,通过上述机器学习系统中包含的各个装置的协作所进行的机器学习方法也能够通过硬件、软件或它们的组合来实现。这里,通过软件实现是指通过计算机读入并执行程序来实现。
能够使用各种类型的非暂时的计算机可读介质(non-transitory computerreadable medium)来存储程序,并提供给计算机。非暂时的计算机可读介质包含各种类型的实体的记录介质(tangible storage medium,有形的存储介质)。作为非暂时的计算机可读介质的例子,包含磁记录介质(例如软盘、磁盘、硬盘驱动器)、光磁记录介质(例如光磁盘)、CD-ROM(Read Only Memory,只读存储器)、CD-R、CD-R/W、半导体存储器(例如掩模ROM、PROM(programmable ROM,可编程ROM)、EPROM(Erasable PROM,可擦除PROM)、闪存ROM、RAM(random access memory,随机存取存储器))。另外,也可以通过各种类型的暂时性的计算机可读介质(transitory computer readable medium)来向计算机提供程序。作为暂时性的计算机可读介质的例子,包含电信号、光信号以及电磁波。暂时性的计算机可读介质经由电线以及光纤等有线通信电路或无线通信电路,将程序提供给计算机。
<实施方式的变形>
另外,上述的各个实施方式是本发明的优选实施方式,但是并非将本发明的范围限定于上述实施方式,能够以组合了各个实施方式的方式和在不脱离本发明主旨的范围内实施了各种变更的方式来实施。
<变形例1>
在上述各个实施方式中,机器学习装置10通过单独的装置实现激光加工机20以及拍摄装置30各自所具备的功能,但是也可以通过一体的装置来实现这些功能的一部分或全部。
另外,1台机器学习装置10可以与多台激光加工机20以及拍摄装置30连接。然后,1台机器学习装置10也可以根据从多台激光加工机20以及拍摄装置30分别取得的训练数据来进行学习。并且,在上述实施方式中图示了1台机器学习装置10,但是也可以存在多台机器学习装置10。即,机器学习装置10与激光加工机20以及拍摄装置30的关系可以是1对1,也可以是1对多,也可以是多对多。
<变形例2>
如在变形例1中所述那样,当存在多台机器学习装置10时,可以在与其他机器学习装置10之间共享由任意一台机器学习装置10的学习模型存储部14所存储的学习模型。如果由多个机器学习装置10共享学习模型,则能够在各个机器学习装置10分散地进行有监督学习,因此能够提高有监督学习的效率。
<变形例3>
在上述实施方式中,机器学习装置10将激光加工机20所具备的聚焦透镜21作为对象进行了机器学习,但是光学部件不限定于聚焦透镜21。机器学习装置10可以将其他的光学部件作为对象来进行机器学习,从而取代聚焦透镜21。
例如,机器学习装置10可以将加激光加工机20所具备的内部镜和外部镜作为对象来进行机器学习。例如,也可以将反射镜23作为对象进行学习。另外,机器学习装置10也可以将激光振荡器22所具备的光学部件(未图示)作为对象进行机器学习。另外,用户为了对聚焦透镜21以外的光学部件定期地(例如每数百~数千小时)进行清洁而拆卸光学部件。因此,用户在进行了拆卸时,通过拍摄装置30进行拍摄即可。
另外,当作为机器学习对象的光学部件为光纤时,将显微镜与拍摄装置30连接。然后,用户可以通过该显微镜拍摄光纤的端面。
<变形例4>
在上述实施方式中,通过目视了聚焦透镜21的用户的判断来决定评价值,但是也可以根据实际使用了聚焦透镜21的结果来决定评价值。此时,用户在通过拍摄装置30拍摄了聚焦透镜21后,再次将聚焦透镜21固定在激光加工机20上。另外,用户通过该激光加工机20实际进行激光加工。
然后,用户根据该实际进行的激光加工的结果来决定评价值。由此,能够更高精度地决定评价值。
此时,机器学习装置10可以根据通过实际的激光加工而加工后的工件的检查结果,自动地决定评价值。因此,例如,将用于检查是否满足加工后的工件的切断面质量等的基准的检查装置与机器学习装置10连接。另外,机器学习装置10从检查装置接收检查结果。
然后,机器学习装置10在接收到加工后的工件满足切断面质量等的基准的意思的审查结果时,将评价值决定为“良好”。另一方面,机器学习装置10在接收到加工后的工件未满足切断面质量等的基准的意思的审查结果时,将评价值决定为“不良”。由此,能够节省用户输入评价值的工时。
<变形例5>
在上述实施方式中,说明了根据用户的输入生成用途数据的情况,但是,例如激光加工机20也可以自动生成用途数据。
如上所述,在用途数据中能够包含例如通过激光输出[kW]表示的激光的输出;通过峰值功率[W]、脉冲频率[Hz]、脉冲占空比[%]表示的激光输出指令。关于这些参数,在激光加工机20中进行了设定,因此激光加工机20根据设定自动生成用途数据。由此,能够节省用户输入用途数据的工时。
Claims (10)
1.一种机器学习装置,其特征在于,具备:
状态观测单元,其取得拍摄光学部件而得到的图像数据以及与上述光学部件的用途相关的数据来作为输入数据;
标签取得单元,其取得与上述光学部件的良好与否的判定相关的评价值来作为标签;以及
学习单元,其将上述状态观测单元取得的输入数据和上述标签取得单元取得的标签的组合作为训练数据来进行有监督学习,由此构筑用于进行上述光学部件的良好与否的判定的学习模型。
2.根据权利要求1所述的机器学习装置,其特征在于,
上述光学部件是在与激光加工相关的装置中使用的光学部件,
与上述光学部件的用途相关的数据包含用于表示在上述与激光加工相关的装置中入射到上述光学部件的激光的特性的信息。
3.根据权利要求1或2所述的机器学习装置,其特征在于,
上述光学部件是在与激光加工相关的装置中使用的光学部件,
与上述光学部件的用途相关的数据包含用于表示上述与激光加工相关的装置照射激光的照射对象的特性的信息。
4.根据权利要求1~3中的任意一项所述的机器学习装置,其特征在于,
上述光学部件是在与激光加工相关的装置中使用的光学部件,
与上述光学部件的用途相关的数据包含用于表示上述与激光加工相关的装置所进行的激光加工被要求的特性的信息。
5.根据权利要求1~4中的任意一项所述的机器学习装置,其特征在于,
上述状态观测单元取得在开始使用上述光学部件后进行维护时拍摄到的图像数据。
6.根据权利要求1~5中的任意一项所述的机器学习装置,其特征在于,
根据目视了上述光学部件的用户的判断来决定上述评价值。
7.根据权利要求1~6中的任意一项所述的机器学习装置,其特征在于,
根据上述光学部件的使用结果来决定上述评价值。
8.根据权利要求1~7中的任意一项所述的机器学习装置,其特征在于,
在将上述光学部件的图像数据以及与上述光学部件的用途相关的数据作为输入数据时,上述学习单元所构筑的学习模型是输出概率值的学习模型,该概率值表示上述光学部件是否满足预定的基准。
9.一种机器学习系统,其包含了多个权利要求1~8中的任意一项所述的机器学习装置,其特征在于,
由多个上述机器学习装置各自具备的上述学习单元来共享学习模型,多个上述机器学习装置各自具备的上述学习单元对于上述共享的学习模型进行学习。
10.一种机器学习装置进行的机器学习方法,其特征在于
该机器学习方法具备以下步骤:
状态观测步骤,取得拍摄光学部件而得到的图像数据以及与上述光学部件的用途相关的数据来作为输入数据;
标签取得步骤,取得与上述光学部件的良好与否的判定相关的评价值来作为标签;以及
学习步骤,将通过上述状态观测步骤取得的输入数据与通过上述标签取得步骤取得的标签的组合作为训练数据来进行有监督学习,由此构筑用于进行上述光学部件的良好与否的判定的学习模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017163734A JP6795472B2 (ja) | 2017-08-28 | 2017-08-28 | 機械学習装置、機械学習システム及び機械学習方法 |
JP2017-163734 | 2017-08-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109420859A true CN109420859A (zh) | 2019-03-05 |
CN109420859B CN109420859B (zh) | 2021-11-26 |
Family
ID=65321844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810975958.0A Active CN109420859B (zh) | 2017-08-28 | 2018-08-24 | 机器学习装置、机器学习系统以及机器学习方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20190061049A1 (zh) |
JP (1) | JP6795472B2 (zh) |
CN (1) | CN109420859B (zh) |
DE (1) | DE102018214063A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114193929A (zh) * | 2020-09-17 | 2022-03-18 | 精工爱普生株式会社 | 信息处理系统、信息处理方法以及学习装置 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7292170B2 (ja) * | 2019-10-09 | 2023-06-16 | 大阪瓦斯株式会社 | 部品状態判別システム |
DE102019127900B3 (de) * | 2019-10-16 | 2021-04-01 | Precitec Gmbh & Co. Kg | Verfahren zur Überwachung eines Laserbearbeitungsprozesses zur Bearbeitung von Werkstücken |
JP7364452B2 (ja) * | 2019-12-13 | 2023-10-18 | ファナック株式会社 | 機械学習装置、ノズル状態予測装置、及び制御装置 |
KR20220140806A (ko) * | 2020-02-20 | 2022-10-18 | 노드슨 코포레이션 | 기계 학습을 사용하는 개선된 유체 분배 공정 제어 및 이를 구현하는 시스템 |
CN111844019B (zh) * | 2020-06-10 | 2021-11-16 | 安徽鸿程光电有限公司 | 一种机器抓取位置确定方法、设备、电子设备和存储介质 |
JP6840307B1 (ja) * | 2020-08-27 | 2021-03-10 | 三菱電機株式会社 | レーザ加工装置 |
JP2022095433A (ja) * | 2020-12-16 | 2022-06-28 | キヤノン株式会社 | 光学機器および生成方法 |
DE102021121635A1 (de) | 2021-08-20 | 2023-02-23 | Carl Zeiss Microscopy Gmbh | Automatisiertes trainieren eines maschinengelernten algorithmus basierend auf der überwachung einer mikroskopiemessung |
CN114593898B (zh) * | 2022-05-07 | 2022-07-15 | 深圳市润之汇实业有限公司 | 基于折射数据的透镜质量分析方法、装置、设备及介质 |
CN116300129B (zh) * | 2023-03-01 | 2023-09-26 | 浙江大学 | 光学镜头定心装置、图像获取装置及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05302897A (ja) * | 1992-04-27 | 1993-11-16 | Toshiba Corp | 表面検査装置 |
JPH0929474A (ja) * | 1995-07-25 | 1997-02-04 | Nikon Corp | レーザ加工装置 |
CN101130450A (zh) * | 2006-08-12 | 2008-02-27 | 史考特公司 | 硬火石和镧硬火石位置的不含铅光学玻璃 |
AT517185A1 (de) * | 2015-05-13 | 2016-11-15 | Trodat Gmbh | Verfahren zum Gravieren, Markieren und/oder Beschriften eines Werkstückes () mit einem |
CN106393102A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 机械学习装置、机器人系统及机械学习方法 |
AU2017210636A1 (en) * | 2015-07-06 | 2017-08-24 | Accenture Global Services Limited | Augmented reality based component replacement and maintenance |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS605395B2 (ja) * | 1977-04-15 | 1985-02-09 | 株式会社日立製作所 | レ−ザ加工装置 |
JPH01180795A (ja) * | 1987-12-28 | 1989-07-18 | Toshiba Corp | レーザ加工装置 |
JP4483839B2 (ja) | 2006-08-28 | 2010-06-16 | パルステック工業株式会社 | レーザ光投影装置及びレーザ光の投影方法 |
JP2008057983A (ja) * | 2006-08-29 | 2008-03-13 | Ulvac Japan Ltd | レンズ研磨精度評価装置及び評価方法 |
JP2012179642A (ja) * | 2011-03-02 | 2012-09-20 | Disco Corp | レーザー加工装置 |
JP5624975B2 (ja) * | 2011-12-27 | 2014-11-12 | 日立Geニュークリア・エナジー株式会社 | 検査画像品質評価システム、方法、プログラム、及びデジタイザ保証システム |
US9216475B2 (en) * | 2012-03-31 | 2015-12-22 | Fei Company | System for protecting light optical components during laser ablation |
-
2017
- 2017-08-28 JP JP2017163734A patent/JP6795472B2/ja active Active
-
2018
- 2018-08-13 US US16/101,996 patent/US20190061049A1/en not_active Abandoned
- 2018-08-21 DE DE102018214063.4A patent/DE102018214063A1/de active Pending
- 2018-08-24 CN CN201810975958.0A patent/CN109420859B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05302897A (ja) * | 1992-04-27 | 1993-11-16 | Toshiba Corp | 表面検査装置 |
JPH0929474A (ja) * | 1995-07-25 | 1997-02-04 | Nikon Corp | レーザ加工装置 |
CN101130450A (zh) * | 2006-08-12 | 2008-02-27 | 史考特公司 | 硬火石和镧硬火石位置的不含铅光学玻璃 |
AT517185A1 (de) * | 2015-05-13 | 2016-11-15 | Trodat Gmbh | Verfahren zum Gravieren, Markieren und/oder Beschriften eines Werkstückes () mit einem |
AU2017210636A1 (en) * | 2015-07-06 | 2017-08-24 | Accenture Global Services Limited | Augmented reality based component replacement and maintenance |
CN106393102A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 机械学习装置、机器人系统及机械学习方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114193929A (zh) * | 2020-09-17 | 2022-03-18 | 精工爱普生株式会社 | 信息处理系统、信息处理方法以及学习装置 |
Also Published As
Publication number | Publication date |
---|---|
US20190061049A1 (en) | 2019-02-28 |
JP6795472B2 (ja) | 2020-12-02 |
JP2019039874A (ja) | 2019-03-14 |
DE102018214063A1 (de) | 2019-02-28 |
CN109420859B (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109420859A (zh) | 机器学习装置、机器学习系统以及机器学习方法 | |
CN107181163B (zh) | 机器学习装置、激光装置以及机器学习方法 | |
US10643127B2 (en) | Machine learning apparatus for learning condition for starting laser machining, laser apparatus, and machine learning method | |
EP3045254B1 (en) | Method and directed energy deposition material addition system and computer readable storage medium using neuro-fuzzy logic for controlling material addition processes | |
CN107052571B (zh) | 一种激光焊接设备及激光焊接方法 | |
CN110091084A (zh) | 学习激光装置的故障发生机制的机器学习装置 | |
JP2019038027A (ja) | 機械学習装置、機械学習システム及び機械学習方法 | |
CN206177838U (zh) | 一种基于红外信息的金属增材制造过程控制装置 | |
CN104347369B (zh) | 激光照射装置 | |
CN113878227A (zh) | 一种智能焊接方法、智能焊接系统及计算机存储介质 | |
CN116419815A (zh) | 用于对激光加工头进行状态监控的方法和用于执行所述方法的激光加工系统 | |
CN114216248B (zh) | 一种应用于数据中心机房的智能降温方法 | |
CN103182605A (zh) | 激光焊接机 | |
US10919110B2 (en) | Data generating device setting machining condition suitable for foil placed on workpiece to be machined by irradiating laser beam thereon | |
CN107121398A (zh) | 激光清洗能量的确定方法及装置、激光清洗方法及系统 | |
CN116833582A (zh) | 一种激光切割机辅助系统 | |
CN110954306B (zh) | 一种在线检测ld侧泵模块的装置及方法 | |
CN109991707A (zh) | 一种可视化的耦合调节装置及方法 | |
JP2017064749A (ja) | レーザ加工装置 | |
JP7364452B2 (ja) | 機械学習装置、ノズル状態予測装置、及び制御装置 | |
US20230256683A1 (en) | Vision System for Identifying Support Structures of 3D Printed Components | |
US20230256514A1 (en) | Identification marker on a 3d printed component | |
US8665428B2 (en) | Method and device for examining a laser system | |
US20210187810A1 (en) | Injection molding system | |
CN203156233U (zh) | 激光焊接机 |
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 |