CN110032164A - 光纤激光装置以及机器学习装置 - Google Patents

光纤激光装置以及机器学习装置 Download PDF

Info

Publication number
CN110032164A
CN110032164A CN201910019160.3A CN201910019160A CN110032164A CN 110032164 A CN110032164 A CN 110032164A CN 201910019160 A CN201910019160 A CN 201910019160A CN 110032164 A CN110032164 A CN 110032164A
Authority
CN
China
Prior art keywords
mentioned
fiber laser
laser device
failure
state
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
CN201910019160.3A
Other languages
English (en)
Other versions
CN110032164B (zh
Inventor
泷川宏
町田久忠
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 CN110032164A publication Critical patent/CN110032164A/zh
Application granted granted Critical
Publication of CN110032164B publication Critical patent/CN110032164B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • 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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • 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
    • 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
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass

Landscapes

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

Abstract

本发明提供一种光纤激光装置以及机器学习装置，机器学习装置与光纤激光装置连接，作为表示光纤激光装置的驱动状态的状态变量而观测状态量，其中，该状态量包含检测从该光纤激光装置发射的激光的光输出而得到的输出光检测结果的时序数据以及检测激光的反射光而得到的反射光检测结果的时序数据，获取根据输出光检测结果与光纤激光装置的光输出指令的差异来判断出的表示光纤激光装置中的故障发生状况的判断数据。而且，使用这些状态变量和判断数据对反射光引起的故障发生边界条件进行学习。

Description

光纤激光装置以及机器学习装置
技术领域
本发明涉及一种对由光纤激光装置中的反射光引起的故障发生边界条件进行学习的机器学习装置以及参照该机器学习装置的学习结果来控制的光纤激光装置。详细地说，该光纤激光装置从光纤对作为被加工对象物的工件发射激光，对该工件进行切割、焊接等加工，该机器学习装置使用从经由通信单元连接的光纤激光装置获取的数据，对作为该光纤激光装置的故障原因的由来自工件、光纤激光装置的激光光学系统的部件等的反射光引起的故障发生边界条件进行学习。光纤激光装置的控制部根据该机器学习装置的学习结果，参照从机器学习装置输出的故障避免数据，根据反射光的检测结果等，为了避免由反射光引起的故障，适当地控制构成光纤激光装置的各部。
背景技术
在用经由包含光纤的激光光学系统从加工头等发射的激光对工件进行切割、焊接等激光加工的高输出光纤激光装置中，存在以下问题：激光振荡器、激光光学系统的一部分由于来自工件、激光光学系统的部件等的反射光而受损，光纤激光装置发生故障。因而，在以往的光纤激光装置中，为了防止由反射光引起的损伤，在检测出的反射光的能量超出预定水平的情况下，或超出预定水平的时间超出预定时间的情况下等，使激光振荡停止或减小光输出。
但是，反射光的强度瞬间地变动或不规则地变动的情况也较多，难以准确地掌握发生故障的条件与不发生故障的条件的边界、即由反射光引起的故障发生边界条件。另外，关于由反射光引起的故障发生边界条件，当考虑到还依赖于光纤激光装置的构造、光纤激光装置的驱动历史以及要准确地掌握由反射光引起的故障发生边界条件时，需要对很多光纤激光装置实施用于调查边界性能的破坏试验。但是，光纤激光装置昂贵且难以对很多光纤激光装置实施破坏试验，因此通常难以准确地掌握由反射光引起的故障发生边界条件。
在由反射光引起的故障发生边界条件未知的状况下，例如反射光的强度超出预定水平的情况下，有时进行控制使激光振荡停止。在该情况下，当将该预定水平设定得过高时存在发生故障的风险，因此务必将预定水平设定得低。因此，即使不发生故障也检测反射光，并且不必要地使激光振荡立即停止，其结果，引起无法实施激光加工或发生加工不良的问题。
此外，并未发现公开了用于解决该问题的技术的文献。例如在日本特开2007-042981号公报中公开了一种光纤激光器，至少具备作为激光介质的稀土类掺杂光纤、对该稀土类掺杂光纤进行光激发的多个激发光源以及将来自各激发光源的激发光一并入射到稀土类掺杂光纤的光耦合器，将激发光入射到该稀土类掺杂光纤而进行激光振荡。而且，在该光耦合器上设置有传播从稀土类掺杂光纤朝向激发光源侧的返回光的一部分的监视端口，并且设置有激发光源控制单元，该激发光源控制单元测量在该监视端口中传播的返回光的强度，在该光强度超出预定值的情况下减少上述激发光源的输出来防止返回光的放大。而且，在返回光即反射光的光强度超出预定值的情况下减少激发光源的输出。但是，在决定该预定值时，在上述专利文献中并未提及求出由反射光引起的故障发生边界条件，而且并未示出准确地掌握由反射光引起的故障发生边界条件这种技术问题的解决策略。
另外，在日本特开2017-131937号公报中公开了以下机器学习装置：学习具备对加工对象物照射激光而进行切割、焊接等加工的至少一个激光振荡器以及对上述激光振荡器供电的至少一个以上的激光电源部的激光装置的、包含加工开始时对上述激光电源部进行指示的光输出指令的光输出指令数据。该机器学习装置具备：状态量观测部，其观测上述激光装置的状态量，该上述激光装置的状态量包含用于测量从上述激光振荡器经由激光光学系统输出的上述激光的光量即输出光量的输出光检测部的输出数据、以及用于测量上述激光在上述加工对象物的表面上反射而再次入射到上述激光振荡器和/或激光光学系统的反射光的光量即反射光量的反射光检测部的输出数据；动作结果获取部，其根据上述光输出指令数据来获取基于从上述激光振荡器输出的激光的加工开始成功与否的结果；学习部，其接收来自上述状态量观测部的输出以及来自上述动作结果获取部的输出，将包含对上述激光电源部进行指示的光输出指令的上述光输出指令数据，与上述激光装置的状态量和上述加工开始成功与否的结果相关联地进行学习；以及决策部，其参照由上述学习部学习的上述光输出指令数据，决定包含对上述激光电源部进行指示的光输出指令的光输出指令数据。这样，该机器学习装置学习满足上述反射光量不会超出设定为大于第一预定水平的第二预定水平的条件，并且用于在预定时间内开始对上述加工对象物进行上述加工的光输出指令数据。但是，在上述专利文献中，在决定反射光量的第一预定水平、第二预定水平时，并未提及求出由反射光引起的故障发生边界条件，并未示出准确地掌握由反射光引起的故障发生边界条件这种技术问题的解决策略。
如上所述，在公知文献中均提及当由反射光检测器检测出的反射光的强度、反射光量超出预定值时减少光输出，或控制光输出以使不会超出预定水平的技术，但在设定预定值、预定水平时，并未提及求出作为设定基准的由反射光引起的故障发生边界条件，因此并未示出准确地掌握由反射光引起的故障发生边界条件这种技术问题的解决策略。
如上所述，在高输出光纤激光装置中存在以下问题：有时由于来自工件、激光光学系统的部件等的反射光而激光振荡器、激光光学系统受损，发生故障。因此，当由反射光检测单元检测出的反射光的强度、光量超出预定值、预定水平时，为了减少反射光，进行控制使激光振荡停止或减少激光输出，抑制故障的发生。在此，例如当由反射光检测单元检测出的反射光的强度、光量超出预定值、预定水平的1.25倍时发生故障，即若预定值、预定水平被设定为由反射光引起的故障发生边界条件的80％左右，不包含过度余量的适当条件，则预定值、预定水平不存在问题。
然而，实际激光加工中的反射光的强度瞬间地变动或不规则地变动的情况也较多，因此由于无法用简单的参数来表示由反射光引起的故障发生边界条件这一情况、或由反射光引起的故障发生边界条件还依赖于光纤激光装置的构造、驱动历史这一情况、根据反射光的发生位置等而受损并发生故障的位置不同这一情况、以及当要通过实验求出由反射光引起的故障发生边界条件时破坏很多昂贵的光纤激光装置这一情况等，准确地掌握由反射光引起的故障发生边界条件非常困难。
如果由反射光引起的故障发生边界条件不清楚，则存在以下问题：即使是意图适当地设定上述预定值、预定水平，在光纤激光装置中也有可能由反射光引起发生故障。相反地，通常想要极力避免在现场的激光加工中光纤激光装置由反射光而发生故障的情况，因此在由反射光引起的故障发生边界条件不清楚的状况下，务必将上述预定值、预定水平设定得低。但是，在该情况下存在以下问题：尽管不会由反射光而发生故障，但是反射光的强度、光量并非是真正成问题的水平，使激光振荡停止或减少激光输出，无法从最初开始进行目标激光加工，或在加工中激光输出降低而易于发生加工不良，成为难以使用的光纤激光装置。
如上所述，尽管弄清楚由反射光引起的故障发生边界条件是非常重要的，但是存在如上所述困难，在以往的方法中，无法准确地求出由反射光引起的故障发生边界条件。
发明内容
因而，本发明要解决的问题是提供一种机器学习装置，其尽可能抑制为进行破坏试验所需的光纤激光装置的台数，并且能够求出包括对光纤激光装置的构造、驱动历史的依赖性在内的由反射光引起的故障发生边界条件，另外，提供一种光纤激光装置，其参照根据由该机器学习装置求出的学习结果而设定的故障避免数据，不会出于避免由反射光引起的故障的目的不必要地使激光振荡停止或减少光输出，并且不会由反射光引起故障。
本发明的一个方式的机器学习装置经由通信单元与发射激光来加工工件的至少一个光纤激光装置相连接。该机器学习装置具备：状态量观测部，其观测上述光纤激光装置的状态量，作为表示上述光纤激光装置的驱动状态的状态变量，其中，该状态量至少包含检测从上述光纤激光装置发射的激光的光输出而得到的输出光检测结果的时序数据以及检测上述激光的反射光而得到的反射光检测结果的时序数据；判断数据获取部，其获取根据上述输出光检测结果与来自上述光纤激光装置的控制部的光输出指令的差异来判断出的表示上述光纤激光装置中的故障发生状况的判断数据；学习部，其使用上述状态变量和上述判断数据，将上述光纤激光装置的上述状态量与上述故障发生状况相关联，对上述反射光引起的故障发生边界条件进行学习；以及输出部，其根据上述学习部的学习结果，输出包含用于避免由上述反射光引起的故障的信息的故障避免数据以及故障发生边界条件数据中的至少一个数据。
本发明的其它方式的机器学习装置经由通信单元与至少一个光纤激光装置的控制部相连接。上述光纤激光装置具备：至少一个激光振荡器；电源部，其将驱动电流提供给上述激光振荡器；激光光学系统，其包含加工头，该加工头将从激光振荡器发射的激光经由光纤照射到作为激光加工对象物的工件；至少一个输出光检测单元，其检测从上述激光振荡器发射的激光的光输出；至少一个反射光检测单元，其检测在上述工件或上述激光光学系统内包含的部件上反射而返回到上述激光振荡器或上述激光光学系统的反射光；以及控制部，其至少将与光输出指令相应的电流输出指令输出到上述电源部，并接收来自上述输出光检测单元和上述反射光检测单元的检测信号。另一方面，上述机器学习装置具备：状态量观测部，其观测上述光纤激光装置的状态量，作为表示上述光纤激光装置的驱动状态的状态变量，其中，该状态量至少包含由上述输出光检测单元检测出的输出光检测结果以及由上述反射光检测单元检测出的反射光检测结果的时序数据；判断数据获取部，其获取至少根据由上述输出光检测单元检测出的光输出结果与上述光输出指令的差异来判断出的表示光纤激光装置中的故障发生状况的判断数据；学习部，其使用上述状态变量和上述判断数据，将上述光纤激光装置的上述状态量与上述故障发生状况相关联，对由上述光纤激光装置中的反射光引起的故障发生边界条件进行学习；以及输出部，其根据上述学习部的学习结果，输出包含故障发生边界条件数据以及用于避免由反射光引起的故障的信息的故障避免数据中至少一个数据。
也可以是，通过上述控制部并经由上述通信单元与上述机器学习装置相连接的上述光纤激光装置中的至少一台为极限特性试验用的上述光纤激光装置即极限特性试验用光纤激光装置。
也可以是，上述光纤激光装置的构造、结构、型号、图号、规格、制造日期、制造批次、制造场所、产品编号中的至少一个作为上述光纤激光装置的制造条件数据而被包含在由上述状态量观测部观察的上述光纤激光装置的上述状态量中。
也可以是，上述学习部使用包含上述制造条件数据的上述状态变量和上述判断数据，将包含上述制造条件数据的上述光纤激光装置的上述状态量与上述故障发生状况相关联，除了对上述光纤激光装置中的反射光引起的上述故障发生边界条件进行学习以外，还对反射光引起的上述故障发生边界条件的制造条件依赖性进行学习。
也可以是，上述机器学习装置还具备历史记录部，针对通过上述控制部并经由上述通信单元相连接的各上述光纤激光装置，将由上述状态量观测部观察到的上述光纤激光装置的状态量的历史数据作为状态量历史而记录到该历史记录部，另一方面，上述学习部使用包含在上述历史记录部中记录的上述光纤激光装置的上述状态量历史的上述光纤激光装置的上述状态变量和上述判断数据，将包含上述状态量历史的上述光纤激光装置的上述状态量与上述故障发生状况相关联，除了对上述光纤激光装置中的反射光引起的上述故障发生边界条件进行学习以外，还对反射光引起的故障发生边界条件的状态量历史依赖性进行学习。
也可以是，在上述机器学习装置中，至少根据由上述光纤激光装置中的反射光引起的上述故障发生边界条件的上述状态量历史依赖性的学习结果，挑选历史对由反射光引起的上述故障发生边界条件带来预定以上的影响的状态量，而且，在上述历史记录部中并不记录除了挑选出的状态量的历史以外的一个以上的状态量的历史。
也可以是，上述机器学习装置对上述光纤激光装置的上述控制部进行指示，使得按照预定的时间表，在作为预定的驱动条件的预定驱动条件下，驱动上述光纤激光装置，至少将每次在上述预定驱动条件下驱动时的上述光纤激光装置的上述状态量作为上述光纤激光装置的上述状态量历史而记录到上述历史记录部。
也可以是，对与上述机器学习装置进行连接的上述通信单元新连接的上述光纤激光装置的上述控制部进行指示，使得在作为预定的初始驱动条件的预定初始驱动条件下驱动上述光纤激光装置，至少将在上述预定初始驱动条件下驱动时的上述光纤激光装置的上述状态量作为上述光纤激光装置的上述状态量历史而记录到上述历史记录部。
也可以是，根据上述学习部的学习结果，对至少一台上述极限特性试验用光纤激光装置，预测上述极限特性试验用光纤激光装置中的反射光引起的上述故障发生边界条件，将通过极限特性试验估计为得到有效的试验数据的极限特性试验条件程序作为上述故障避免数据，从上述输出部输出。
也可以是，在按照上述极限特性试验条件程序实施上述极限特性试验的过程中，由反射光引起的故障发生了的情况下，上述学习部针对在由反射光引起的故障发生前的试验条件下的试验，提取包含由上述反射光检测单元检测出的上述反射光检测结果的上述光纤激光装置的上述状态量或上述状态量的变化，构建用于搜索所提取出的上述状态量或上述状态量的变化特征的学习模式，学习在按照上述极限特性试验条件程序实施上述极限特性试验的过程中，由反射光引起的故障发生的先兆。
也可以是，在根据与上述先兆有关的学习结果，按照上述极限特性试验条件程序来实施上述极限特性试验的过程中，在包含由反射光检测单元检测出的上述反射光检测结果的光纤激光装置的上述状态量或上述状态量的变化中观测到由反射光引起的故障发生的先兆的情况下，将对按照上述极限特性试验条件程序实施的试验的中断或上述极限特性试验条件程序的变更进行指示的上述故障避免数据输出到上述光纤激光装置的上述控制部。
也可以是，在上述机器学习装置中，根据至少包含反射光引起的上述故障发生边界条件的学习结果的学习结果，将包含由上述反射光检测单元检测出的上述反射光检测结果的上述光纤激光装置的上述状态量中的、为了避免由反射光引起的故障而应该对上述光纤激光装置的驱动条件进行变更的故障避免临界条件、或该故障避免临界条件以及用于在达到上述故障避免临界条件时避免由反射光引起的故障的上述光纤激光装置的上述驱动条件即故障避免驱动条件，作为上述故障避免数据，从上述输出部对经由上述通信单元连接的上述各光纤激光装置的上述控制部进行输出。
也可以是，用于在达到上述故障避免临界条件时避免由反射光引起的故障的上述光纤激光装置的上述故障避免驱动条件中包含与上述光输出指令对应的激光输出条件、上述加工头与上述工件的相对位置条件、从上述加工头发射的激光的焦点与上述工件的相对位置条件、加工头的聚光光学系统的F值条件、从加工头发射的激光束的光束轮廓条件中的至少一个条件。
也可以是，在上述机器学习装置中，至少在学习的初始阶段，针对至少一个故障部位，通过至少求出上述部位的上限温度和上述部位的热容量以及从上述部位至散热片为止的热阻的简化方法，对上述故障发生边界条件进行学习。
也可以是，存在多个上述机器学习装置，各上述机器学习装置经由通信单元与上级的信号处理装置相连接，能够共享由各上述机器学习装置学习所得的结果。
本发明的一个方式的光纤激光装置，经由上述通信单元与上述机器学习装置相连接，根据上述机器学习装置的上述学习部的学习结果参照从上述输出部输出的上述故障避免数据，上述光纤激光装置的上述控制部为了避免由反射光引起的故障而控制构成上述光纤激光装置的各部中的至少一个。
也可以是，还具备故障避免数据记录部，该故障避免数据记录部记录由上述机器学习装置的上述输出部输出的上述故障避免数据，将上述故障避免数据记录到上述故障避免数据记录部，参照记录在上述故障避免数据记录部中的上述故障避免数据，上述光纤激光装置的上述控制部为了避免由反射光引起的故障而控制构成上述光纤激光装置的各部中的至少一个。
上述反射光检测单元中的至少一个反射光检测单元能够包含光电二极管。
也可以是，还具备多个上述反射光检测单元，具备检测在上述光纤的纤芯中传播的反射光的至少一个上述反射光检测单元以及检测在上述光纤的包层中传播的反射光的至少一个上述反射光检测单元。
也可以是，上述反射光检测单元中的至少一个上述反射光检测单元为温度检测单元。
根据本发明，能够提供以下机器学习装置：将为了得到学习结果而破坏的光纤激光装置的台数抑制为最小限度，并且能够对包括光纤激光装置的制造条件依赖性、状态量历史依赖性在内的由反射光引起的故障发生边界条件进行学习，根据学习结果，能够对经由通信单元连接的各光纤激光装置输出与各光纤激光装置对应的故障避免临界条件、故障避免驱动条件等故障避免数据。
另外，根据本发明，能够提供以下光纤激光装置：参照从本发明的机器学习装置输出的故障避免临界条件、故障避免驱动条件等故障避免数据，不会由反射光引起发生故障，并且将伴随用于避免由反射光引起的故障的驱动条件的变更而产生的加工不良抑制为最小限度，并且具有高性能且高可靠性。
附图说明
图1是表示本发明的第一实施方式的机器学习装置和光纤激光装置的概念结构的框图。
图2A和图2B是表示图1示出的机器学习装置的动作的一例的流程图。
图3是表示本发明的第二实施方式的机器学习装置和光纤激光装置的概念结构的框图。
图4A和图4B是表示图3示出的机器学习装置的动作的一例的流程图。
图5是示意性地示出神经元的模型的图。
图6是示意性地示出将图5示出的神经元进行组合而构成的三层神经网络的图。
图7是表示本发明的第三实施方式的机器学习装置的概念结构的框图。
图8是表示图7示出的机器学习装置的动作的一例的局部流程图。
图9是表示图7示出的机器学习装置的动作的一例的局部流程图。
图10示出本发明的第四实施方式的机器学习装置所输出的极限特性试验条件程序的一例。
图11A-图11D示出本发明的第四实施方式的机器学习装置所输出的极限特性试验条件程序的其它一例。
图12A-图12C是例示本发明的第五实施方式的机器学习装置通过用于求出发生故障部位的上限温度和发生故障部位的热容量以及从发生故障部位至散热片为止的热阻的方法对故障发生边界条件进行学习的过程的图。
图13A-图13C是例示本发明的第五实施方式的机器学习装置通过用于求出发生故障部位的上限温度和发生故障部位的热容量以及从发生故障部位至散热片为止的热阻的方法对故障发生边界条件进行学习的过程的图。
图14是示意性地示出本发明的第六实施方式的机器学习装置向通信单元的连接状态的图。
图15是表示本发明的第七实施方式的光纤激光装置的概念结构的框图。
图16是表示本发明的第八实施方式的光纤激光装置的概念结构的框图。
图17是表示构成图16的光纤激光装置的激光振荡器的概念结构的框图。
具体实施方式
以下，参照附图说明本发明所涉及的机器学习装置和光纤激光装置的实施例。在各附图中，对相同部件附加相同参照附图标记。另外，在不同附图中附加了相同参照附图标记的部分意味着具有相同功能的结构要素。此外，为了便于观察这些附图，适当地变更了比例尺。
<第一实施方式>
图1是表示本发明的第一实施方式的机器学习装置10的概念结构的框图，示出该机器学习装置10经由通信单元9与三台光纤激光装置1相连接的状态。通过表示光纤激光装置1的概念结构的框图示出这三台光纤激光装置1中右端的一台光纤激光装置1。
光纤激光装置1具备：激光振荡器2；电源部3，其将驱动电流提供给激光振荡器2；激光光学系统5，其包含加工头，该加工头将从激光振荡器2发射的激光4经由光纤照射到作为激光加工对象的工件(未图示)；输出光检测单元6，其检测从激光振荡器2发射的激光的光输出；反射光检测单元7，其检测从工件或激光光学系统5内包含的透射窗口、光纤连接器的端面等返回至激光振荡器2、激光光学系统5的反射光；以及控制部8，其将与光输出指令相应的电流输出指令输出到上述电源部3，并且从上述输出光检测单元6和上述反射光检测单元7分别接收检测信号。
该控制部8与网络等通信单元9相连接，与机器学习装置10进行信息交换。能够将构成光纤激光装置1的各部的状态从控制部8经由通信单元9输出到机器学习装置10。另外，也可以是，控制部8在内部或外部具备存储器，将对应的光纤激光装置1的构造、结构、型号、图号、规格、制造日期、制造批次、制造场所、产品编号中的至少一个记录为上述光纤激光装置1的制造条件数据，并能够将记录的该内容经由通信单元9输出到机器学习装置10。
此外，激光振荡器2、电源部3、输出光检测单元6以及反射光检测单元7也可以在一台光纤激光装置1中包括多个。例如，也可以是，激光光学系统5包括将多个激光进行耦合的耦合器，光纤激光装置1具备：多个电源部3，其能够分别独立地将驱动电流提供给多个激光振荡器2；多个输出光检测单元6，其检测与各激光振荡器2的光输出耦合的激光的光输出；以及多个反射光检测单元7，其用于检测返回至激光振荡器2和激光光学系统5的各部的反射光。
此外，将光纤激光装置1的构造、结构、型号、图号、规格、制造日期、制造批次、制造场所、产品编号等光纤激光装置1的制造条件数据包含在由机器学习装置10所具备的状态量观测部11观测的光纤激光装置1的状态量中，由此还能够通过后述的机器学习对由光纤激光装置1中的反射光引起的故障发生边界条件的构造、结构等制造条件依赖性进行学习，即使在光纤激光装置1变更了设计的情况下等，也能够预测由反射光引起的故障发生边界条件的变化，从而能够提前得到学习结果。
另一方面，机器学习装置10具备：状态量观测部11，其作为表示光纤激光装置1的驱动状态的状态变量而观测至少包含由输出光检测单元6检测出的输出光检测结果以及由反射光检测单元7检测出的反射光检测结果的时序数据的光纤激光装置1的状态量；判断数据获取部12，其获取判断数据，该判断数据表示至少根据由输出光检测单元6检测出的光输出结果与光输出指令的差异判断出的光纤激光装置1中的故障发生状况；学习部13，其使用状态变量和判断数据，将光纤激光装置1的状态量与故障发生状况相关联，对由光纤激光装置1中的反射光引起的故障发生边界条件进行学习；以及输出部14，其根据该学习部13的学习结果决定输出到各光纤激光装置1的故障避免数据，将故障避免数据输出到各光纤激光装置1。
输出到各光纤激光装置1的故障避免数据，可以是在相当于例如通过学习结果获得的由反射光引起的故障发生边界条件的80％的条件下为了避免光纤激光装置1的故障而要变更包含光输出指令的光纤激光装置1的驱动条件的条件、即故障避免临界条件。此外，关于故障避免临界条件等故障避免数据，也优选由控制部8将最新的故障避免数据记录到设置于控制部8的内部或外部的存储器，能够在没有时间延迟的情况下进行用于避免故障的驱动条件的变更。
此外，作为光纤激光装置1的状态量而观测的对象中，并不限定于由输出光检测单元6检测出的光输出能量、光输出波形等的输出光检测结果、由反射光检测单元7检测出的反射光能量、反射光波形等的反射光检测结果，还能够包括环境温度、光纤激光装置内温度、环境湿度、光纤激光装置内湿度、冷却水的水温、构成激光振荡器2或激光光学系统5的各部的温度、施加到光纤激光装置1的振动等。
在本实施方式中示出应用了监督学习的机器学习装置10的示例，学习部13具备误差计算部15和学习模型更新部16。另外，该机器学习装置10还具备包含判断结果的数据记录部17。该包含判断结果的数据记录部17也可以记录到目前为止得到的光纤激光装置1的状态量与判断结果成对的包含判断结果的数据，并将该包含判断结果的数据提供给误差计算部15。此外，包含判断结果的数据记录部17不需要设置于机器学习装置10的内部，还能够通过存储卡、通信单元9等将包含判断结果的数据提供给误差计算部15。
图2A和图2B是表示图1示出的机器学习装置10的动作的一例的流程图。
如图2A和图2B所示，在图1示出的机器学习装置10中，当开始进行学习动作(学习处理)时，判断经由通信单元9连接的多个光纤激光装置1中是否存在电源处于接通状态的光纤激光装置1(步骤S101)。当存在电源处于接通状态的光纤激光装置1时，确认记录在该光纤激光装置1中的故障避免数据(步骤S102)，并且判断该故障避免数据是否为最新数据(步骤S103)。
如果故障避免数据并非最新数据，则将该故障避免数据更新为最近的故障避免数据(步骤S104)，进入到步骤S105。另一方面，在步骤S103中判断为故障避免数据为最新数据的情况下，直接进入到步骤S105。然后，在步骤S105中，判断是否向该光纤激光装置1发出了光输出指令。在发出了光输出指令的情况下，状态量观测部11作为表示该光纤激光装置1的驱动状态的状态变量而观测包含该光纤激光装置1的至少由输出光检测单元6检测出的输出光检测结果以及由反射光检测单元7检测出的反射光检测结果的时序数据的状态量，将该状态变量输入到学习部13(步骤S106)。另外，判断数据获取部12获取判断数据并将该判断数据输入到学习部13，其中，该判断数据表示根据至少由输出光检测单元6检测出的光输出结果与光输出指令的超过测量误差等误差的差异来判断出的该光纤激光装置1中的故障发生状况(步骤S107)。
接着，根据该判断数据，判断该光纤激光装置1中是否发生了故障(步骤S108)，在判断为该光纤激光装置1中发生了故障的情况下，执行自动故障诊断程序等，或由于故障的发生频度较低因此通过人工确认发生故障的部位等故障状态(步骤S109)。然后，判断发生故障时由状态量观测部11观测到的表示该光纤激光装置1的驱动状态的状态变量是否超出从目前的学习结果得到的由反射光引起的故障发生边界条件(步骤S110)。
在此，在制造现场实际使用于激光加工的光纤激光装置1中，当状态变量超出设定在由反射光引起的故障发生边界条件的安全侧的故障避免临界条件时，为了避免光纤激光装置1的故障，变更包含光输出指令的光纤激光装置1的驱动条件，因此不会超出从目前的学习结果得到的由反射光引起的故障发生边界条件。但是，如果是进行了如下设定的的极限特性试验用光纤激光装置，则有可能状态变量超出故障避免临界条件：为了获取由反射光引起的故障发生边界条件等，即使状态变量超出由反射光引起的故障发生边界条件，也不一定采取用于避免光纤激光装置1的故障的避免动作。
发生故障的光纤激光装置1为极限特性试验用光纤激光装置，在状态变量超出由反射光引起的故障发生边界条件的情况下，判断是否要将该状态变量和发生了故障这种判断结果的对作为包含判断结果的数据而记录到包含判断结果的数据记录部17(步骤S111)。在判断为要作为包含判断结果的数据而记录的情况下，将包含判断结果的数据记录到包含判断结果的数据记录部17(步骤S112)，进入到步骤S123。是否要将状态变量作为包含判断结果的数据而记录的判断，在与目前从学习结果得到的由反射光引起的故障发生边界条件过度偏离而绝对发生故障的条件(即使说是极限特性试验用光纤激光装置，也不考虑在招致无意义的故障的试验条件下进行试验)下没有意义，因此如果是表示该光纤激光装置1发生故障时的驱动状态的状态变量相当于例如由反射光引起的故障发生边界条件的120％以内的条件，则有效地加强学习结果，因此也可以判断为要进行记录。
另一方面，在步骤S111中判断为不需要记录包含判断结果的数据的情况下，直接进入到步骤S123。在步骤S123中，判断是否发出使学习继续的指令，在并未发出使学习继续的指令的情况下，结束学习，在发出使学习继续的指令的情况下，返回至步骤S101使学习继续。
在步骤S110中，在光纤激光装置1发生了故障但判断为发生故障时由状态量观测部11观测到的表示该光纤激光装置1的驱动状态的状态变量并未超出从目前的学习结果得到的由反射光引起的故障发生边界条件的情况下，并未超出从目前的学习结果得到的由反射光引起的故障发生边界条件但发生了故障，因此，将表示该光纤激光装置1发生故障时的驱动状态的状态变量与从目前的学习结果得到的由反射光引起的故障发生边界条件的差计算为误差(步骤S114)。然后，更新学习模型以使该误差接近零(步骤S115)，将发生故障时的状态变量作为发生了故障这种包含判断结果的数据而记录到包含判断结果的数据记录部17(步骤S116)。然后，判断该光纤激光装置是否为本次发生故障的光纤激光装置1(步骤S117)。
在步骤S110中判断为“否”而转移到步骤S114的情况下，该光纤激光装置1为本次发生故障的光纤激光装置1，因此电源处于断开的状态以进行修理等。因此，是无法从机器学习装置10访问该光纤激光装置1的状态，因此从步骤S117(判断结果“是”)转移到步骤S123，在此判断是否发出使学习继续的指令。在并未发出使学习继续的指令的情况下，结束学习，另一方面，在发出使学习继续的指令的情况下，返回至步骤S101而使学习继续。
另一方面，在步骤S108中，在根据判断数据判断为该光纤激光装置1并未发生故障的情况下，判断由状态量观测部11观测到的表示该光纤激光装置1的驱动状态的状态变量是否超出从目前的学习结果得到的由反射光引起的故障发生边界条件(步骤S113)。在判断为由状态量观测部11观测到的表示该光纤激光装置1的驱动状态的状态变量超出从目前的学习结果得到的由反射光引起的故障发生边界条件的情况下，超出从学习目前的结果得到的由反射光引起的故障发生边界条件但实际上并未发生故障，因此，将从目前的学习结果得到的由反射光引起的故障发生边界条件与表示该光纤激光装置1的驱动状态的状态变量的差计算为误差(步骤S114)(即使在该情况下，在制造现场实际使用于激光加工的光纤激光装置1中，也当状态变量超出设定在由反射光引起的故障发生边界条件的安全侧的故障避免临界条件时，变更包含光输出指令的光纤激光装置1的驱动条件，以避免光纤激光装置1的故障。因此，状态变量不会超出从目前的学习结果得到的由反射光引起的故障发生边界条件。但是，仅在被进行以下设定的极限特性试验用光纤激光装置中发生故障：即使超出由反射光引起的故障发生边界条件，也不一定采取用于避免光纤激光装置1的故障的避免动作)。然后，更新学习模型以使该误差接近零(步骤S115)，将发生故障时的状态变量作为发生了故障这种包含判断结果的数据而记录到包含判断结果的数据记录部17(步骤S116)，判断该光纤激光装置1是否为本次发生故障的光纤激光装置1(步骤S117)。
在步骤S108中判断为“否”而转移到步骤S113的情况下，该光纤激光装置1并非是发生了故障的光纤激光装置1(步骤S117的判断结果“否”)，是能够从机器学习装置10访问该光纤激光装置1的状态，因此，至少对经由通信单元9与该光纤激光装置1相连接的光纤激光装置1中在该时间点电源处于接通状态的其它光纤激光装置1，输出根据更新过的学习模型进行了更新的故障避免数据(步骤S120)。接着，在步骤S121中，针对该光纤激光装置1，判断是否结束光输出指令的执行，在光输出指令的执行并未结束的情况下，返回至步骤S106，使状态量观测部11继续观测该光纤激光装置1的状态量。另一方面，在结束光输出指令的执行的情况下，进一步判断是否对该光纤激光装置1发出使电源断开的指令(步骤S122)，在并未发出使电源断开的指令的情况下，返回至步骤S105，等待对该光纤激光装置1发出新的光输出指令。另一方面，在发出使电源断开的指令的情况下，进入到步骤S123，判断是否发出使学习继续的指令，在并未发出使学习继续的指令的情况下，结束学习，另一方面，在发出使学习继续的指令的情况下，返回至步骤S101而使学习继续。
在步骤S113中，在判断为由状态量观测部11观测到的表示该光纤激光装置1的驱动状态的状态变量并未超出从目前的学习结果得到的由反射光引起的故障发生边界条件的情况下，转移到步骤S118，但是在步骤S108中判断为“否”而转移到步骤S113，因此该光纤激光装置1处于并未发生故障并且也并未超出由反射光引起的故障发生边界条件这种极其正常的状态。在制造现场实际使用于激光加工的光纤激光装置1中，当超出设定在由反射光引起的故障发生边界条件的安全侧的故障避免临界条件时，变更包含光输出指令的光纤激光装置1的驱动条件，以避免光纤激光装置1的故障。因此，如果进行学习，并且作为学习结果的由反射光引起的故障发生边界条件的精度提高，则应该始终经由该路径(步骤S108→步骤S113→步骤S118)。
在步骤S118中，判断是否要将该状态变量与并未发生故障这种判断结果的对作为包含判断结果的数据而记录到包含判断结果的数据记录部17，在判断为要记录的情况下，将包含判断结果的数据记录到包含判断结果的数据记录部17(步骤S119)，进入到步骤S121。是否要将该状态变量与并未发生故障这种判断结果的对作为包含判断结果的数据而记录的判断，即使记录与目前从学习结果得到的由反射光引起的故障发生边界条件过度偏离而几乎没有考虑发生故障的条件，仅数据量变得巨大也并没有多大意义，因此在采取故障避免动作以例如在由反射光引起的故障发生边界条件的80％以上避免故障的情况下(在实施极限特性试验的过程中，在表示光纤激光装置1的驱动状态的状态变量本来是为了避免故障而应该采取故障避免动作的状态变量的情况下)，有效地加强学习结果，因此也可以判断为要进行记录。另一方面，在步骤S118中判断为不需要将该状态变量与并未发生故障这种判断结果的对作为包含判断结果的数据而记录的情况下，直接进入到步骤S121。步骤S121以后的处理与上述处理相同，因此省略其说明。
通过反复进行以上的步骤S101～S123，学习部13反复更新学习模型，学习由反射光引起的故障发生边界条件。
此外，上述步骤S101～S123的动作说明为经由通信单元9与机器学习装置10相连接的光纤激光装置1中的一台的动作例的说明，但是在经由通信单元9与机器学习装置10相连接的多个光纤激光装置1同时处于电源接通状态的情况下，同时对各光纤激光装置1进行步骤S101～S123的动作，因此，根据需要，学习部13能够具备多个学习模型。
另外，当观察以上动作的一例时，为了进行学习，需要多台极限特性试验用光纤激光装置，但是在后述的实施方式中还说明通过台数尽可能少的极限特性试验用光纤激光装置得到有效的学习结果的方法，但是，如上所述，将光纤激光装置1的构造、结构、型号、图号、规格、制造日期、制造批次、制造场所、产品编号等光纤激光装置的制造条件数据包含在由状态量观测部11观测的光纤激光装置1的状态量中，还学习由光纤激光装置1中的反射光引起的故障发生边界条件的构造、结构等制造条件依赖性，由此即使在光纤激光装置1变更了设计的情况下等，也不一定需要使用极限特性试验用光纤激光装置来实施极限特性试验，从而能够减少通过实施极限特性试验而受损的光纤激光装置1的台数。并且，当进行学习时，从学习结果中能够获取与不易由反射光而发生故障的光纤激光装置1所要求的制造条件有关的信息，能够有助于开发可靠性更高的光纤激光装置1。
此外，作为进行监督学习的机器学习器的学习的一例，例如设定以下式(1)示出的预测模型的回归方程，在将在学习过程中各状态变量x1、x2、x3、……所取的的值代入回归方程时，通过调整各系数a0、a1、a2、a3、……的值来进行学习，以得到目标变量y的值。此外，学习方法并不限定于此，根据监督学习的算法不同而不同。
y＝a0+a1x1+a2x2+a3X3+…+anxn……(1)
作为监督学习的算法，公知使用神经网络、最小二乘法等各种方法，作为应用于本发明的方法，也可以采用任意的监督学习算法。
<第二实施方式>
图3是表示本发明的第二实施方式的机器学习装置100的概念结构的框图，示出该机器学习装置100经由通信单元9与三台光纤激光装置1相连接的状态。使用表示光纤激光装置1的概念结构的框图示出这三台光纤激光装置1中的右端的一台光纤激光装置1。
该实施方式中的光纤激光装置1的结构与图1(第一实施方式中的光纤激光装置)相同，在本实施方式中示出应用了强化学习的机器学习装置100的示例，学习部131代替误差计算部15和学习模型更新部16而具备回报计算部18和价值函数更新部19，这与图1不同。另外，并未具备包含判断结果的数据记录部17。
图4A和图4B是表示图3示出的机器学习装置100的动作的一例的流程图。图4A和图4B的流程图的步骤S201～S210与图2A和图2B的流程图的步骤S101～S110相同，因此省略其说明。
在步骤S210中，关于判断为发生故障时由状态量观测部11观测到的表示该光纤激光装置1的驱动状态的状态变量超出从目前的学习结果得到的由反射光引起的故障发生边界条件的状况，如上所述，如果故障避免动作正常进行动作，则仅在极限特性试验用光纤激光装置中发生。在表示该光纤激光装置1的驱动状态的状态变量超出目前从学习结果得到的由反射光引起的故障发生边界条件的情况下，判断该发生故障这种结果的数据是否为有效的数据(步骤S211)。在判断为有效的数据的情况下，根据学习结果预测出的发生故障这种结果与实际发生故障这种结果一致，因此设定正回报(步骤S212)，更新价值函数(步骤S214)。在步骤S211中的是否为有效的数据的判断中，表示该光纤激光装置1发生故障时的驱动状态的状态变量与目前从学习结果得到的由反射光引起的故障发生边界条件过度偏离，绝对发生故障的条件的数据并非有效。因而，如果表示该光纤激光装置1发生故障时的驱动状态的状态变量例如相当于由反射光引起的故障发生边界条件的120％以内的条件，则也可以判断为对加强学习结果有效的数据。
在步骤S210中，在判断为发生故障时由状态量观测部11观测到的表示该光纤激光装置1的驱动状态的状态变量并未超出从目前的学习结果得到的由反射光引起的故障发生边界条件的情况下，根据学习结果预测出的并未发生故障这种结果与实际发生故障这种结果并不一致，因此设定负回报(步骤S213)，更新价值函数(步骤S214)。发生故障时由状态量观测部11观测到的表示该光纤激光装置1的驱动状态的状态变量与从目前的学习结果得到的由反射光引起的故障发生边界条件之间的偏差越大，则在根据目前的学习结果认为不可能发生故障的状态下发生了故障，因此，可以设定越大的负回报。
在步骤S214后续的步骤S215中，判断该光纤激光装置1是否为本次发生故障的光纤激光装置1。在步骤S208中判断为“是”的情况是该光纤激光装置1为本次发生故障的光纤激光装置1，因此电源处于断开的状态以便进行修理的状态，是无法从机器学习装置100访问该光纤激光装置1的状态。因而，从步骤S215进入到步骤S223，判断是否发出使学习继续的指令。然后，在未发出使学习继续的指令的情况下，结束学习，在发出使学习继续的指令的情况下，返回至S201而使学习继续。
另一方面，在步骤S208中，在根据判断数据判断为“否”(判断为该光纤激光装置1并未发生故障)的情况下，接着，判断由状态量观测部11观测到的表示该光纤激光装置1的驱动状态的状态变量是否超出从目前的学习结果得到的由反射光引起的故障发生边界条件(步骤S216)。由状态量观测部11观测到的表示该光纤激光装置1的驱动状态的状态变量超出目前从学习结果得到的由反射光引起的故障发生边界条件的判断，是超出目前从学习结果得到的由反射光引起的故障发生边界条件但实际上并未发生故障这一情况，因此根据学习结果预测出的发生故障的结果与实际上并未发生故障这种结果并不一致，因此设定负回报(步骤S217)，更新价值函数(步骤S214)。在并未发生故障的状态下，超出目前从学习结果得到的由反射光引起的故障发生边界条件时，由状态量观测部11观测到的表示该光纤激光装置1的驱动状态的状态变量与目前从学习结果得到的由反射光引起的故障发生边界条件之间的偏差越大，则根据目前的学习结果认为必定发生故障的状态下并未发生故障，因此也可以设定越大的负回报。此外，如上所述，如果故障避免动作正常地进行动作，则该状况也是仅可能在极限特性试验用光纤激光装置中发生的状况。
在步骤S216中，在判断为由状态量观测部11观测到的表示该光纤激光装置1的驱动状态的状态变量并未超出目前从学习结果得到的由反射光引起的故障发生边界条件的情况下，进入到步骤S218，但是在步骤S208中判断为“否”而转移到该步骤S216，因此是该光纤激光装置1并未发生故障且也并未超出由反射光引起的故障发生边界条件这种极其正常的状态。在制造现场实际使用于激光加工的光纤激光装置1中，当超出设定在由反射光引起的故障发生边界条件的安全侧的故障避免临界条件时，为了避免光纤激光装置1的故障，变更包含光输出指令的光纤激光装置1的驱动条件，因此如果学习推进而作为学习结果的由反射光引起的故障发生边界条件的精度提高，则应该始终经由该路径(步骤S208→步骤S216→步骤S218)。
在步骤S218中，表示该光纤激光装置1的驱动状态的状态变量并未超出目前从学习结果得到的由反射光引起的故障发生边界条件，判断该光纤激光装置1也未发生故障这种结果的数据是否为有效的数据。在判断为有效的数据的情况下，根据学习结果预测出的并未发生故障这种结果与实际上并未发生故障这种结果一致，因此设定正回报(步骤S219)，更新价值函数(步骤S214)。
在步骤S218中，在是否为有效的数据的判断中，与目前从学习结果得到的由反射光引起的故障发生边界条件过度偏离，并不认为发生故障的条件的数据并不有效。因而，在表示该光纤激光装置1的驱动状态的状态变量为例如避免由反射光引起的故障发生边界条件的80％以上，为了避免故障而采取故障避免动作的情况下(在实施极限特性试验的过程中，在表示光纤激光装置1的驱动状态的状态变量本来是为避免故障而要采取故障避免动作的状态变量的情况下)，也可以判断为对加强学习结果有效的数据。
在步骤S214中更新价值函数之后，在下一步骤S215中判断该光纤激光装置1是否为本次发生故障的光纤激光装置1，但是在步骤S208中判断为“否”而转移到步骤S216的情况下，在该光纤激光装置1中并未发生故障，因此是能够从机器学习装置100访问该光纤激光装置1的状态。因而，至少对经由通信单元9与该光纤激光装置1相连接的光纤激光装置1，即在该时间点电源处于接通状态的其它光纤激光装置1，输出根据更新过的价值函数更新后的故障避免数据(步骤S220)。
接着，在步骤S221中，判断对于该光纤激光装置1是否结束光输出指令的执行，在并未结束光输出指令的执行的情况下，返回至步骤S206，状态量观测部11继续观测该光纤激光装置1的状态量。另一方面，在结束光输出指令的执行的情况下，进一步判断是否对该光纤激光装置1发出使电源断开的指令(步骤S222)，在并未发出使电源断开的指令的情况下，返回至步骤S205，等待对该光纤激光装置1发出新的光输出指令。另一方面，在发出使电源断开的指令的情况下，进入到步骤S223，判断是否发出使学习继续的指令。在并未发出使学习继续的指令的情况下，结束学习，在发出使学习继续的指令的情况下，返回至步骤S201而使学习继续。
此外，在步骤S218中，表示该光纤激光装置1的驱动状态的状态变量并未超出目前从学习结果得到的由反射光引起的故障发生边界条件，在判断为该光纤激光装置也未发生故障这种结果的数据并非是有效的数据的情况下，进入到步骤S221。
通过反复进行以上的步骤S201～S223，学习部131反复更新价值函数，学习由反射光引起的故障发生边界条件。
此外，步骤S201～S223的动作说明为经由通信单元9与机器学习装置100相连接的多台光纤激光装置1中的一台有关的动作例的说明，但是在经由通信单元9与机器学习装置100相连接的多个光纤激光装置1同时处于电源接通状态的情况下，同时对各光纤激光装置1进行步骤S201～S223的动作，因此，根据需要，学习部131能够具备多个价值函数。
另外，当观察以上的动作的一例时，在强化学习的情况下，也与监督学习的情况同样地，需要多台极限特性试验用光纤激光装置以推进学习，但是也可以将基于监督学习进行了事先学习的状态设为初始状态，从积累了学习到某种程度的知识的状态开始进行强化学习。
强化学习不仅学习判断、分类，还学习行动，由此学习以下方法：根据行动对环境的相互作用来学习适当的行动、即用于使将来得到的回报最大的学习，在本实施方式中，例如示出输出故障避免数据的结果是光纤激光装置能够避免或无法避免由反射光引起的故障，能够获得对未来带来影响的行动。
价值函数更新部19能够使用所谓Q学习来进行强化学习。但是，强化学习的方法并不限定于Q学习。Q学习为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选择为最佳行动即可。
但是，最初关于状态s与行动a的组合，完全不知价值Q(s，a)的正确值，因此在某种状态s下选择各种行动a，对此时的行动a赋予回报。由此，学习更佳的行动的选择、即正确价值Q(s，a)。
并且，行动的结果是要使将来得到回报的合计最大化，因此最终目标是达到Q(s，a)＝E[Σ(γt)rt]。在此，E[]表示预期值，t为时刻，γ为后述的被称为折扣率的参数，rt为时刻t的回报，Σ为时刻t的合计。该式中的预期值是按照最佳行动在状态变化时求出，该预期值并不知晓，因此一边搜索一边学习。这种价值Q(s，a)的更新式例如能够通过以下式(2)表示。即，上述价值函数更新部19使用以下式(2)来更新价值函数Q(st，at)。
在此，st表示时刻t的环境状态，at表示时刻t的行动。通过行动at而状态变化为st+1。rt+1表示通过该状态变化而得到的回报。另外，附加max的项为在状态st+1下对选择此时已知的Q值最高的行动a的情况下的Q值乘以γ而得到的部分。在此，γ为0<γ≤1的参数，被称为折扣率。另外，α为学习系数，设为0<α≤1的范围。
上述式(2)示出根据作为试验at的结果而返回的回报rt+1来更新状态st中的行动at的评价值Q(st，at)的方法。即，示出如果基于回报rt+1和行动a的下一状态下的最佳行动maxa的评价值Q(st+1，max at+1)的合计大于状态s下的行动a的评价值Q(st，at)则增大Q(st，at)，相反，若小于状态s下的行动a的评价值Q(st，at)则减小Q(st，at)。也就是说，使某种状态下的某行动的价值接近基于作为结果而即时返回的回报以及该行动的、在下一状态下的最佳行动的价值。
在此，Q(s，a)在计算机上的表现方法存在对所有状态行动对(s，a)将其值保持为行动价值表的方法、以及准备对Q(s，a)进行近似的函数的方法。在后一方法中，能够通过随机梯度下降法等方法调整近似函数的参数来实现上述式(2)。此外，作为近似函数能够使用神经网络。神经网络由模仿神经元的模型的运算装置和存储器等构成。
如上所述，作为监督学习的学习算法、强化学习下的价值函数的近似算法能够使用神经网络，因此上述机器学习装置100优选具有神经网络。
图5是示意性地示出神经元的模型的图，图6是示意性地示出将图5示出的神经元进行组合而构成的三层神经网络的图。
神经网络由模仿图5示出的神经元的模型的运算装置和存储器等构成。神经元输出对多个输入x的输出(结果)y。将各输入x(x1～x3)乘以与该输入x对应的权重w(w1～w3)，神经元输出通过以下式(3)表现的结果y。此外，输入x、结果y以及权重w均为矢量。
在此，θ为偏置，fk为激活函数。
如图6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乘以对应的权重而输入三个神经元N11～N13的每个神经元。将与这些输入相乘的权重统称为w1。
神经元N11～N13分别输出z11～z13。在图6中，这些z11～z13被统称为特征矢量z1，能够视为提取了输入矢量的特征量的矢量。该特征矢量z1为权重w1与权重w2之间的特征矢量。z11～z13乘以对应的权重而输入两个神经元N21和N22的每个神经元。与这些特征矢量相乘的权重被统称为w2。神经元N21、N22分别输出z21、z22。在图6中，这些z21、z22被统称为特征矢量z2。该特征矢量z2为权重w2与权重w3之间的特征矢量。z21、z22乘以对应的权重而输入三个神经元N31～N33的每个神经元。与这些特征矢量相乘的权重被统称为w3。
最后，神经元N31～N33分别输出结果y1～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，使用学习数据集来学习权重w，使用该参数在预测模式下进行包含用于避免由反射光引起的故障的信息的故障避免数据以及故障发生边界条件数据内的至少一方数据的输出的行动判断。在此，能够进行以下在线学习：在预测模式下实际进行包含用于避免由反射光引起的故障的信息的故障避免数据以及故障发生边界条件数据内的至少一方数据的输出，即时学习得到的数据，并反映到下一行动；也能够进行以下批量学习：使用预先收集的数据群进行汇总学习，以后一直根据该参数进行检测模式。也可以在每次累积某种程度的数据时插入学习模式。
另外，能够通过误差反向传播法(Backpropagation)学习权重w1～w3。此外，误差的信息从右侧进入而流向左侧。误差反向传播法是针对各神经元调整(学习)各个权重以减小输入x被输入时的输出y与实际输出y(监督)的差值的方法。
图6的神经网络的中间层(隐藏层)为一层，但是还能够设为两层以上，在中间层为两层以上的情况下被称为深层学习。
以上，简单说明了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并不限定于这些方法，能够应用能够使用于机器学习装置的方法即“监督学习”、“非监督学习”、“半监督学习”以及“强化学习”等各种方法。
<第三实施方式>
图7是表示本发明的第三实施方式的机器学习装置200的概念结构的框图。
本实施方式的机器学习装置200与图1或图3示出的机器学习装置10、100不同点在于还具备历史记录部20。
机器学习装置200对通过控制部8经由通信单元9相连接的各光纤激光装置1，将由状态量观测部11观察到的光纤激光装置1的状态量的历史数据作为状态量历史而记录到历史记录部20。然后，学习部132使用包含记录在该历史记录部20中的各光纤激光装置1的状态量历史的各光纤激光装置1的状态变量和判断数据，将表示包含状态量历史的驱动状态的状态量与故障发生状况相关联，除了学习由光纤激光装置1中的反射光引起的故障发生边界条件以外，还学习由反射光引起的故障发生边界条件的状态量历史依赖性。在该机器学习装置200中，还学习由反射光引起的故障发生边界条件对历史带来影响的情况，由此，例如即使存在随着有效的累积驱动时间的增加、某一能级以上的反射光的累积能量的增加而由反射光引起的故障发生边界条件的水平下降而容易发生故障的趋势等，通过参照学习结果并叠加历史，也能够抑制由反射光引起故障发生的概率上升等问题的发生。
但是，当记录所有历史数据时，即使是仅一台光纤激光装置1的状态量的历史数据，所记录的数据量也随着时间经过而变得巨大，因此也可以根据由光纤激光装置1中的反射光引起的故障发生边界条件的状态量历史依赖性的学习结果，挑选对由反射光引起的故障发生边界条件带来预定以上的影响的状态量，不记录对由反射光引起的故障发生边界条件的状态量历史依赖性的影响较小的历史数据，在历史记录部20中仅记录挑选出的状态量的历史。
另外，也可以是，机器学习装置200对光纤激光装置1的控制部进行指示，使得按照预定的时间表在作为预定的驱动条件的预定驱动条件下驱动光纤激光装置1，将每次在预定驱动条件下驱动时的光纤激光装置1的状态量作为光纤激光装置1的状态量历史而记录到历史记录部20。将定期地在预定的相同驱动条件下驱动时的光纤激光装置1的状态量的观测结果记录为光纤激光装置1的状态量的变化，并用作历史数据，由此能够根据历史容易地掌握光纤激光装置1的状态量如何变化。因而，假设即使不存在其它历史数据，也能够根据定期地在相同驱动条件下驱动时的光纤激光装置1的状态量的观测结果这种较少历史数据，学习由反射光引起的故障发生边界条件的状态量历史依赖性。另外，考虑以下情况：当学习推进时，参照学习结果，并根据在相同驱动条件下驱动时的光纤激光装置1的状态量的观测结果，修正由反射光引起的故障发生边界条件，能够求出精度更高的由反射光引起的故障发生边界条件。
另外，在将光纤激光装置1新连接到连接有机器学习装置200的通信单元9时，对该新连接的光纤激光装置1的控制部进行指示，使得在作为预定的初始驱动条件的预定初始驱动条件下驱动光纤激光装置1，将在预定初始驱动条件下驱动时的光纤激光装置1的状态量作为光纤激光装置1的状态量历史而记录到历史记录部20。也可以考虑为所记录的该状态量历史相当于上述预定的时间表中在第一次的预定驱动条件下的驱动。
新连接到机器学习装置200的光纤激光装置1能够获取针对还包括工件状态在内的预定初始驱动条件下的驱动的从各反射光检测单元7输出的检测结果等那样的与该光纤激光装置1的个体差有关的信息，还能够结合考虑该个体差信息而进行学习。另外，当进行学习时，参照学习结果，根据基于预定的初始驱动条件下的驱动的状态量考虑由反射光引起的故障发生边界条件的个体差，输出针对该光纤激光装置1的由反射光引起的故障发生边界条件，由此能够防止根据个体差而由反射光引起发生故障这一情况。
图8是表示本实施方式中的机器学习装置的动作的一例的局部流程图，在图2A和图2B的流程图的步骤S103～S108之间仅追加了步骤S124～S128，图8示出仅追加了这些步骤的部分的流程图。
将由状态量观测部11观察到的光纤激光装置1的状态量的历史数据作为状态量历史而记录到历史记录部20。学习部132使用包含记录在历史记录部20中的各光纤激光装置1的状态量历史的各光纤激光装置1的状态变量和判断数据，将表示包含状态量历史的驱动状态的状态量与故障发生状况相关联，除了学习光纤激光装置1中的反射光引起的故障发生边界条件以外，还学习由反射光引起的故障发生边界条件的状态量历史依赖性。与该处理对应的部分为步骤S127和步骤S128。
将由状态量观测部11观察到的光纤激光装置1的状态量的历史数据作为状态量历史而记录到历史记录部20(步骤S127)，读出记录在历史记录部20中的各光纤激光装置1的状态量历史(步骤S128)，使表示包含该状态量历史的驱动状态的状态量与故障发生状况相关联，除了学习光纤激光装置1中的反射光引起的故障发生边界条件以外，还学习由反射光引起的故障发生边界条件的状态量历史依赖性。在步骤S127中，为了抑制要记录的信息量变得巨大，如上所述，也可以根据由反射光引起的故障发生边界条件的状态量历史依赖性的学习结果，仅挑选并记录对由反射光引起的故障发生边界条件带来预定以上的影响的状态量。另外，按照预定的时间表，在预定驱动条件下驱动光纤激光装置1，将每当在该预定驱动条件下驱动时的光纤激光装置1的状态量作为光纤激光装置1的状态量历史而记录到历史记录部20。与该处理对应的部分为步骤S124～步骤S126。与预定的时间表对照，判断是否为观测在预定驱动条件下驱动时的状态量的预定的时间(步骤S124)，如果判断为预定驱动的预定时间，则在该预定驱动条件下驱动该光纤激光装置1(步骤S125)，将驱动时的状态量、例如激光振荡器2的光输出特性等记录到历史记录部20(步骤S126)。在按照预定的时间表，仅将在预定驱动条件下驱动时的光纤激光装置1的状态量作为状态量的历史数据而记录到历史记录部20的情况下，不需要在步骤S127中向历史记录部20记录光纤激光装置1的状态量。
图9是表示本实施方式中的机器学习装置200的动作的一例的局部流程图，在图4A和图4B的流程图的步骤S203～S208之间追加了步骤S224～S228，但是除了步骤编号以外，图9的流程图与图8的流程图相同，因此省略其说明。
<第四实施方式>
图10和图11A-图11D示出本发明的第四实施方式的机器学习装置10、100、200根据上述学习部13、131、132的学习结果对至少一台上述极限特性试验用光纤激光装置预测由上述极限特性试验用光纤激光装置中的反射光引起的上述故障发生边界条件，并将其预测结果作为上述故障避免数据从上述输出部14输出的极限特性试验条件程序的示例。
当在上述方法中，进行由反射光引起的故障发生边界条件的学习时，大概已知其故障发生边界条件，因此使用其学习结果能够更有效地提高故障发生边界条件的学习精度，或能够掌握上述制造条件数据发生变化的情况下的故障发生边界条件的变化。例如考虑提供以下极限特性试验条件程序等：对极限特性试验用光纤激光装置，预测由反射光引起的上述故障发生边界条件，在发生故障前，能够尽可能获取对求出由反射光引起的故障发生边界条件有效的试验结果。按照极限特性试验条件程序进行试验，由此能够减少为了获取所需的试验数据而通过极限特性试验损坏的光纤激光装置1的台数，其中，上述极限特性试验条件程序能够获得很多对于掌握由反射光引起的故障发生边界条件有效的试验数据。
以下，说明具体考虑哪一种极限特性试验条件程序。
认为在由反射光引起的故障发生边界条件中包含很多参数，但是为了使说明简单，假设使用A和B这两个参数决定。而且，认为当通过目前的学习预测或估计在图10中用粗虚线表示的大致的故障发生边界条件时，一边从接近原点的曲线起例如向箭头方向使参数A与参数B的组合发生变化一边对使用细虚线表示的参数A与参数B的组合的试验条件进行试验，由此能够获得很多对于掌握由反射光引起的故障发生边界条件有效的试验数据数。
此外，在作为试验条件而采用的参数中当然包含反射光的光能、反射光波形等，但是在工件上反射的反射光中难以控制能量、波形，因此也可以将从其它激光装置发射的激光从光纤激光装置1的光纤发射端等向相反方向入射，作为能量、波形得到控制的伪反射光而进行试验。另外，也可以将入射的位置设为光纤的发射端的纤芯或设为包层而改变试验条件。
另外，也可以是，学习部13、131、132在按照极限特性试验条件程序实施极限特性试验的过程中，由反射光引起发生故障的情况下，对由反射光引起发生故障前的试验条件下的试验，提取包含由反射光检测单元7检测出的反射光检测结果的光纤激光装置1的状态量或状态量的变化，并构建搜索提取出的状态量或状态量的变化特征的学习模型，在按照极限特性试验条件程序实施极限特性试验的过程中，学习由反射光引起发生故障的先兆。在该情况下，当一边改变多个参数一边进行试验时，认为难以捕捉由反射光引起发生故障前不久的状态量的变化特征，因此，优选例如图11A-图11D示出的极限特性试验条件程序那样，一边仅改变一个参数(在图11A-图11D中，参数A)一边进行试验。仅对由反射光引起发生故障前不久的光纤激光装置1的状态量或状态量变化的参数A依赖性的数据学习与规则性、分布有关的模型，由此学习变得较容易，提高能够提取发生故障的先兆的可能性。例如搜索以下先兆：在以固定速度使参数A增加的情况下，发生故障部位的温度上升，该部位的物性发生变化，由此引起作为与参数A成正比地变化的光纤激光装置1的状态量之一的由反射光检测单元7检测出的反射光的强度、由输出光检测单元6检测出的输出光的强度等的变化偏离于目前的比例关系的先兆。
此外，期望在图11A-图11D的极限特性试验条件程序中，一边从上侧朝向箭头方向使参数A变化一边对在图11A中用细虚线表示的参数A与参数B的组合的试验条件进行试验，如果图11A示出的试验程序结束，则进行图11B示出的试验程序，如果图11B示出的试验程序结束，则进行图11C示出的试验程序，如果图11C示出的试验程序结束，则进行图11D示出的试验程序，像这样在与逐步估计的故障发生边界条件接近的条件下进行试验。
在按照图11A-图11D示出的极限特性试验条件程序依次稍微改变试验条件的同时进行极限特性试验的过程中，在由反射光引起发生故障时，提取在包含其紧前的、在此之前的试验条件下进行试验时的包含由反射光检测单元7检测出的反射光检测结果的光纤激光装置1的状态量或状态量的变化。然后，搜索其特征并学习发生故障的先兆，根据与先兆有关的学习结果，按照极限特性试验条件程序实施极限特性试验的过程中，在包含由反射光检测单元7检测出的上述反射光检测结果的光纤激光装置1的状态量或状态量的变化中观测到由反射光引起发生故障的先兆的情况下，使按照极限特性试验条件程序进行的试验中断或变更极限特性试验条件程序。由此，即使在极限特性试验用光纤激光装置中，也不会由反射光引起发生故障，而能够掌握由反射光引起的故障发生边界条件，从而能够大幅地减少由极限特性试验而损坏的光纤激光装置1的台数。另外，当学习结果的精度提高并且能够可靠地掌握由反射光引起的故障的先兆时，还能够使用并非是极限特性试验用光纤激光装置的光纤激光装置1求出由反射光引起的故障发生边界条件。
如上所述，根据至少包含由反射光引起的故障发生边界条件的学习结果的学习结果，从机器学习装置10、100、200的输出部14对经由通信单元9相连接的各光纤激光装置1的控制部，输出包含由反射光检测单元7检测出的反射光检测结果的各光纤激光装置1的状态量中的、为了避免由反射光引起的故障而要变更光纤激光装置1的驱动条件的故障避免临界条件(例如，如上所述，相当于故障发生边界条件的80％的条件)，并且也可以将在达到故障避免临界条件时用于避免由反射光引起的故障的光纤激光装置1的驱动条件即故障避免驱动条件也作为故障避免数据而输出。
关于故障避免驱动条件，也按照输出到各光纤激光装置1的控制部8的故障避免驱动条件，在各光纤激光装置1中，将达到故障避免临界条件时采取的故障避免驱动条件的结果进行反馈，并能够通过机器学习装置100进行学习。在对由反射光引起的故障发生边界条件进行学习之后，如果假设由反射光引起发生故障，则认为故障避免驱动条件不合适，因此在故障避免驱动条件的结果是可避免故障的情况下设定正回报，在未能避免故障的情况下设定负回报，除此以外，如果加工不良在预定范围以内则设定正回报，如果加工不良为预定范围以上则设定负回报，如果由故障避免驱动引起的时间损失在预定范围以内则设定正回报，如果由故障避免驱动引起的时间损失在预定范围以上则设定负回报，反复更新故障避免驱动条件的价值函数，由此能够学习故障避免驱动条件。
根据包含制造条件依赖性、状态量历史依赖性的由反射光引起的故障发生边界条件的学习结果，对各光纤激光装置1的控制部8输出故障避免临界条件，并且将故障避免驱动条件作为故障避免数据而输出，由此在该光纤激光装置1达到故障避免临界条件时，从预先指示的驱动条件转移到故障避免驱动条件，由此能够避免由反射光引起发生故障，并且在对加工结果、加工所需的时间带来尽可能少的不良影响的驱动条件下能够驱动光纤激光装置1。即，当达到故障避免临界条件时使激光振荡停止是最简单的故障避免方法，但是存在直到重新启动激光振荡为止发生时间损失或在激光加工中的情况下产生加工不良的问题。因此，考虑以下方法：当达到故障避免临界条件时，使激光输出在极短时间内停止或减少，然后立即自动恢复到原始激光输出水平等。例如通过将使激光输出停止或减少的时间(如上所述为极短时间)优化，能够一边避免由反射光引起发生故障一边将对加工结果、加工所需的时间的不良影响抑制为最小限度。
此外，在故障避免驱动条件中，除了与光输出指令对应的激光输出条件以外，还可以包含加工头与工件的相对位置条件、从加工头发射的激光的焦点与工件的相对位置条件、加工头的聚光光学系统的F值条件、从加工头发射的激光束的光束轮廓条件等。有时代替减少激光输出以避免由反射光引起发生故障或在减少激光输出的同时变更其它驱动条件，由此能够将对加工结果、加工所需的时间的不良影响抑制为最小限度。例如考虑与减少激光输出同步地降低加工头相对于工件的速度，由此将加工不良的发生抑制为最小限度。
<第五实施方式>
图12A-图12C以及图13A-图13C示出本发明的第五实施方式的机器学习装置10、100、200进行学习的过程的示例。本实施方式的机器学习装置10、100、200在学习由反射光引起的故障发生边界条件时，至少在学习的初始阶段，通过至少求出发生故障部位的上限温度、发生故障部位的热容量以及从发生故障部位至散热片为止的热阻的简化方法，对一个以上的发生故障部位学习上述故障发生边界条件。
由反射光引起的大部分故障被认为是故障部位由热引起温度上升。在发热部为光纤的某个部分等情况下，该部分的热容量小，因此认为温度在极短时间内上升而发生故障。这样，当由反射光引起发生的故障被假设为由于发生故障部位的温度上升而发生故障部位受损从而发生时，通过反射光而在发生故障部位累积的能量为将由入射到发生故障部位(能够观测为与对应的反射光检测单元的检测结果成正比的值等)的反射光引起的发热量H(W)按时序进行加法运算而得到的值。当将在发生故障部位累积的能量Q(J)除以发生故障部位的热容量C(J/K)时，求出发生故障部位的温度上升ΔT(K)。另一方面，在发生故障部位累积的能量Q以将该部位的温度上升ΔT(K)除以从发生故障部位至散热片为止的热阻R(K/W)而得到的值ΔT/R(W)的时间比例从发生故障部位流出。也就是说，决定由于流入到发生故障部位的反射光的发热量H(W)以及从发生故障部位流出的ΔT/R(W)在发生故障部位累积的能量Q(J)，决定发生故障部位的温度上升。因而，通过基于学习求出发生故障部位的上限温度和发生故障部位的热容量以及从发生故障部位至散热片为止的热阻这种较简单的方法，能够学习由反射光引起的故障发生边界条件。此外，在发生故障部位为即使在无反射光的状态下也通过激光振荡而温度上升的部位的情况下，例如与输出光检测单元的检测结果相关联地，还学习在无反射光的状态下通过激光振荡而流入到发生故障部位的热量，并考虑其影响即可。
图12A-图12C以及图13A-图13C示出通过求出上述发生故障部位的上限温度和发生故障部位的热容量以及从发生故障部位至散热片为止的热阻的方法学习故障发生边界条件的过程的示例。
在图12A-图12C的反射光的检测结果中，使用在图12A中经过0.24秒的时间点某部位发生故障、在图12B中经过0.385秒的时间点该部位发生故障、在图12C中经过0.776秒的时间点该部位发生故障这种光纤激光装置的状态变量和判断数据，使表示驱动状态的状态量与故障发生状况相关联，通过学习求出发生故障部位的上限温度和发生故障部位的热容量以及从发生故障部位至散热片为止的热阻。
在图12A-图12C的示例中，当假设图12A-图12C的反射光的光量为流入到发生故障部位的反射光的发热量H(W)、发生故障部位的热容量为0.1(J/K)以及从发生故障部位至散热片为止的热阻为2(K/W)时，与图12A-图12C的反射光的检测结果对应的发生故障部位的温度上升分别为图13A-图13C示出的那样。但是，在此，发生故障部位设为在无反射光的状态下温度不会由激光振荡而上升的部位。
如图13A-图13C所示，在任何情况下，当发生故障部位比散热片温度上升100K温度时均由反射光引起发生故障。因而，发生故障部位的热容量以及从发生故障部位至散热片为止的热阻的假设被认为大致正确。这样，通过学习由反射光引起发生故障的温度大约一致的条件，能够学习故障发生边界条件。根据学习结果，将故障发生边界条件的例如80％的水平、即在该情况下的示例中根据反射光检测单元的检测结果以及从学习的结果得到的、发生故障部位的热容量以及从发生故障部位至散热片为止的热阻估计出的发生故障部位的温度上升为80K的条件设为故障避免临界条件。而且，当达到该故障避免临界条件时，为了避免故障，将光纤激光装置的驱动条件切换为故障避免驱动条件即可。
如上所述，通过使学习内容简化，能够在短时间内学习到至少一定精度。之后，使学习继续以减小该初始学习结果的误差，由此也能够提高精度。
<第六实施方式>
图14是示意性地示出本发明的第六实施方式的机器学习装置300向通信单元9的连接状态的图，并未图示机器学习装置300的内部结构，但具备与在上述实施方式中示出的机器学习装置10、100至200相同的结构。
在本实施方式中，如图14所示，存在多个机器学习装置300，各机器学习装置300经由通信单元9与上级服务器等信号处理装置相连接，能够共享由各机器学习装置300学习的结果。也可以在上级高速大容量网络等的通信单元9与机器学习装置300直接进行连接的网络等的通信单元9之间设置有计算机、网络开关等信号处理装置21。该机器学习装置300需要实时地观测和获取包含表示各光纤激光装置1的驱动状态的状态变量的状态量、判断数据，另外，在记录各光纤激光装置1的制造条件数据、个体差信息的情况下，每台光纤激光装置的记录量变得非常大，因此在本实施方式中，经由通信单元9与一台机器学习装置300相连接并直接交换上述数据、信息的光纤激光装置1的台数被认为几台至几十台左右较适宜。
另一方面，在实际使用于激光加工的光纤激光装置1中，由反射光引起发生故障的概率较低，能够用作极限特性试验用光纤激光装置的光纤激光装置1的台数受到限制，因此在本实施方式中，共享由很多机器学习装置300学习的结果，由此能够一边维持状态量、判断数据的观测、获取的实时性并抑制所记录的信息量变得巨大，一边使用很多光纤激光装置1的故障信息进行学习，因此提高学习结果的精度。
<第七实施方式>
图15是表示本发明的第七实施方式的光纤激光装置101的概念结构的框图，经由通信单元9与如上所述的机器学习装置中的任一个机器学习装置10、100、200、300相连接。
在本实施方式中，光纤激光装置101的控制部8，为了避免由反射光引起的故障，根据机器学习装置10、100、200、300的学习部13、131、132的学习结果，参照来自机器学习装置10、100、200、300的输出部14的故障避免数据，控制构成光纤激光装置101的各部。本实施方式的光纤激光装置101具备用于记录故障避免数据的故障避免数据记录部22，将故障避免数据记录到故障避免数据记录部22。而且，控制部8参照记录到故障避免数据记录部22的故障避免数据，控制构成光纤激光装置1的各部，以避免由反射光引起的故障。
根据本实施方式，能够根据机器学习装置10、100、200、300的学习部13、131、132的学习结果即由反射光引起的故障发生边界条件，参照输出到各光纤激光装置1的故障避免临界条件、故障避免驱动条件等的故障避免数据，控制光输出条件等驱动条件以避免故障。因而，能够提供一种光纤激光装置1，其一边防止由反射光引起的故障，一边不会不必要地使激光振荡停止或减少光输出而产生加工不良等。
本实施方式的光纤激光装置101具备用于记录上述故障避免数据的故障避免数据记录部22，将故障避免数据记录到该故障避免数据记录部22。而且，该控制部8参照记录到故障避免数据记录部22的故障避免数据，控制构成光纤激光装置1的各部，以避免由反射光引起的故障。其结果，在本实施方式中，与每次从机器学习装置10、100、200、300读出记录到机器学习装置10、100、200、300的故障避免临界条件、故障避免驱动条件等的故障避免数据而避免由反射光引起的故障的情况相比，用于避免故障的响应加快，能够更可靠地防止由于响应延迟而由反射光引起发生故障这一情况。
<第八实施方式>
图16是表示本发明的第八实施方式的光纤激光装置102的概念结构的框图。
本实施方式的光纤激光装置102经由通信单元9与机器学习装置相连接，另外，具有三台激光振荡器2。将从各激光振荡器2发射的激光进行传播的光纤23由合束器26转换为一条光纤23，通过该合束器26耦合的激光经由将纤芯直径不同的光纤进行了熔接的熔接部27传播到加工头24，激光从加工头24照射到工件25。此外，省略图示电源部3、控制部8与光电二极管28、温度检测单元29之间的信号线。
照射到工件25的激光的一部分在工件25的表面上反射，其反射光的一部分返回至加工头24，在光纤23中在与来自激光振荡器2的输出光相反的方向上进行传播，使由光纤等构成的激光光学系统5、激光振荡器2受损，从而有时在光纤激光装置102中发生故障。
因此，在本实施方式中，在纤芯直径不同的光纤的熔接部27的两侧配置有光电二极管28，该光电二极管28检测从保护膜被去除的光纤漏出的光。在图16中，当增大纤芯直径不同的光纤的熔接部27右侧的光纤23的纤芯直径时，右侧的光电二极管28主要可以检测出在光纤23的包层中传播的反射光，另一方面，左侧的光电二极管28主要可以检测出在光纤23的纤芯中传播的反射光。左侧的光电二极管28主要可以检测出在光纤23的纤芯中传播的反射光是由于，从右侧向左侧在光纤23的纤芯中传播的反射光在纤芯直径不同的光纤的熔接部27中纤芯直径变细，从而从纤芯向包层漏出。此外，在这些光电二极管28中输出光也漏出并被检测到，但是在反射光少的状态下对光输出指令预先求出检测出的值，通过将检测值减去输出光的检测值，能够获知反射光的光量、能量。
如上所述，当将反射光检测单元7设为光电二极管28时，光电二极管28的响应速度较快，因此可以在没有时间延迟的情况下检测有时瞬间地变化的反射光的强度，从而能够可靠地避免由反射光引起的故障。另外，在光纤23的纤芯中传播的反射光到达光纤激光装置102的深部，并且在光纤23的包层中传播的反射光导致光纤23的包层烧坏等在纤芯中传播的反射光以及在包层中传播的反射光对光纤激光装置102的影响方式、影响大小不同。因此，具备用于检测在光纤23的纤芯中传播的反射光的反射光检测单元7(光电二极管28)以及用于检测在光纤的包层中传播的反射光的反射光检测单元7(光电二极管28)，从而区别检测在纤芯中传播的反射光以及在包层中传播的反射光。这样，能够准确地学习由反射光引起的故障发生边界条件。此外，这些光电二极管28在反射光少的状态下能够用作输出光检测单元6。特别是在纤芯直径小的光纤中传播的激光接近单模且模式稳定，因此设置于左侧的纤芯直径小的光纤侧的光电二极管28作为输出光检测单元6(输出光的功率监视器)是有效的。
此外，反射光并不仅限于来自工件25的反射光，例如当加工头24的透射窗口被激光加工中产生的烟雾等污染而透射率下降时，在加工头24的透射窗口中反射的反射光返回。在该情况下，反射光不一定返回至光纤23，从而有时招致加工头24的温度上升。这样，在反射光照射到热容量大的部位的情况下，反射光的光量增加表现为该部位的温度上升，因此通过在对应部位作为反射光检测单元而设置温度检测单元29，能够避免该部位损伤。在本实施方式中，在加工头24上设置温度检测单元29作为反射光检测单元。
图17是表示构成本实施方式的光纤激光装置的激光振荡器2的概念结构的框图。
从多个激光二极管模块30分别发射到光纤23的激光被合束器26耦合，在活性元素掺杂光纤内传播而作为激发光源发挥作用，在高反射光纤布拉格光栅32与低反射光纤布拉格光栅33之间形成谐振器31而进行激光振荡。此外，省略图示用于将驱动电流从电源部3提供给各激光二极管模块30的线缆、将光电二极管28与控制部8连结的信号线。
在本实施方式中，在从激光振荡器2输出激光一侧的光纤23的侧面以及高反射光纤布拉格光栅32的从合束器26分支的端口之一上分别设置有光电二极管28。前者的光电二极管28检测从光纤23的保护膜被去除的部分漏出的激光，后者的光电二极管28检测从光纤端放出的激光。前者的光电二极管28还能够用作反射光检测单元7，在反射光少的情况下还能够用作输出光检测单元6。后者的光电二极管28还能够用作以下单元：检测波长从穿过高反射光纤布拉格光栅32的输出激光偏移的光、例如受激拉曼散射的斯托克斯雷光等。这样，输出光检测单元6、反射光检测单元7也可以设置于激光振荡器2的内部。
这样，在本实施方式中，包括温度检测单元在内增加反射光检测单元7的个数，由此能够根据这些检测单元的检测结果来估计故障部位，能够降低由反射光的漏检测导致由反射光引起发生故障的风险。此外，本实施方式中的反射光检测单元7、输出光检测单元6的设置位置、设置个数、激光振荡器2的台数为一例，并不限定于本实施方式的示例。
以上，说明了本发明的实施方式，但是本发明并不仅限于上述实施方式的示例，通过施加适当的变更，能够以各种方式实施。

Claims (21)

1.一种机器学习装置，经由通信单元与发射激光来加工工件的至少一个光纤激光装置相连接，其特征在于，
上述机器学习装置具备：
状态量观测部，其观测上述光纤激光装置的状态量，作为表示上述光纤激光装置的驱动状态的状态变量，其中，该状态量至少包含检测从上述光纤激光装置发射的激光的光输出而得到的输出光检测结果的时序数据和检测上述激光的反射光而得到的反射光检测结果的时序数据；
判断数据获取部，其获取根据上述输出光检测结果与来自上述光纤激光装置的控制部的光输出指令的差异来判断出的表示上述光纤激光装置中的故障发生状况的判断数据；
学习部，其使用上述状态变量和上述判断数据，将上述光纤激光装置的上述状态量与上述故障发生状况相关联，对上述反射光引起的故障发生边界条件进行学习；以及
输出部，其根据上述学习部的学习结果，输出包含用于避免由上述反射光引起的故障的信息的故障避免数据以及故障发生边界条件数据中的至少一个数据。
2.一种机器学习装置，上述机器学习装置经由通信单元与至少一个光纤激光装置的控制部相连接，其特征在于，
上述光纤激光装置具备：至少一个激光振荡器；电源部，其将驱动电流提供给上述激光振荡器；激光光学系统，其包含加工头，该加工头将从激光振荡器发射的激光经由光纤照射到作为激光加工对象物的工件；至少一个输出光检测单元，其检测从上述激光振荡器发射的激光的光输出；至少一个反射光检测单元，其检测在上述工件或上述激光光学系统内包含的部件上反射而返回到上述激光振荡器或上述激光光学系统的反射光；以及控制部，其至少将与光输出指令相应的电流输出指令输出到上述电源部，并接收来自上述输出光检测单元和上述反射光检测单元的检测信号，
上述机器学习装置具备：
状态量观测部，其观测上述光纤激光装置的状态量，作为表示上述光纤激光装置的驱动状态的状态变量，其中，该状态量至少包含由上述输出光检测单元检测出的输出光检测结果以及由上述反射光检测单元检测出的反射光检测结果的时序数据；
判断数据获取部，其获取至少根据由上述输出光检测单元检测出的光输出结果与上述光输出指令的差异来判断出的表示光纤激光装置中的故障发生状况的判断数据；
学习部，其使用上述状态变量和上述判断数据，将上述光纤激光装置的上述状态量与上述故障发生状况相关联，对由上述光纤激光装置中的反射光引起的故障发生边界条件进行学习；以及
输出部，其根据上述学习部的学习结果，输出包含故障发生边界条件数据以及用于避免由反射光引起的故障的信息的故障避免数据中的至少一个数据。
3.根据权利要求2所述的机器学习装置，其特征在于，
通过上述控制部并经由上述通信单元与上述机器学习装置相连接的上述光纤激光装置中的至少一台为极限特性试验用的上述光纤激光装置即极限特性试验用光纤激光装置。
4.根据权利要求2或3所述的机器学习装置，其特征在于，
上述光纤激光装置的构造、结构、型号、图号、规格、制造日期、制造批次、制造场所、产品编号中的至少一个作为上述光纤激光装置的制造条件数据而被包含在由上述状态量观测部观察的上述光纤激光装置的上述状态量中。
5.根据权利要求4所述的机器学习装置，其特征在于，
上述学习部使用包含上述制造条件数据的上述状态变量和上述判断数据，将包含上述制造条件数据的上述光纤激光装置的上述状态量与上述故障发生状况相关联，除了对上述光纤激光装置中的反射光引起的上述故障发生边界条件进行学习以外，还对反射光引起的上述故障发生边界条件的制造条件依赖性进行学习。
6.根据权利要求2～5的任一项所述的机器学习装置，其特征在于，
上述机器学习装置还具备历史记录部，针对通过上述控制部并经由上述通信单元相连接的各上述光纤激光装置，将由上述状态量观测部观察到的上述光纤激光装置的状态量的历史数据作为状态量历史而记录到该历史记录部，
上述学习部使用包含在上述历史记录部中记录的上述光纤激光装置的上述状态量历史的上述光纤激光装置的上述状态变量和上述判断数据，将包含上述状态量历史的上述光纤激光装置的上述状态量与上述故障发生状况相关联，除了对上述光纤激光装置中的反射光引起的上述故障发生边界条件进行学习以外，还对反射光引起的故障发生边界条件的状态量历史依赖性进行学习。
7.根据权利要求6所述的机器学习装置，其特征在于，
至少根据上述光纤激光装置中的反射光引起的上述故障发生边界条件的上述状态量历史依赖性的学习结果，挑选历史对反射光引起的上述故障发生边界条件带来预定以上的影响的状态量，
在上述历史记录部中并不记录除了挑选出的状态量的历史以外的一个以上的状态量的历史。
8.根据权利要求6或7所述的机器学习装置，其特征在于，
上述机器学习装置对上述光纤激光装置的上述控制部进行指示，使得按照预定的时间表，在作为预定的驱动条件的预定驱动条件下，驱动上述光纤激光装置，
至少将每次在上述预定驱动条件下驱动时的上述光纤激光装置的上述状态量作为上述光纤激光装置的上述状态量历史而记录到上述历史记录部。
9.根据权利要求6～8的任一项所述的机器学习装置，其特征在于，
对与上述机器学习装置进行连接的上述通信单元新连接的上述光纤激光装置的上述控制部进行指示，使得在作为预定的初始驱动条件的预定初始驱动条件下驱动上述光纤激光装置，
至少将在上述预定初始驱动条件下驱动时的上述光纤激光装置的上述状态量作为上述光纤激光装置的上述状态量历史而记录到上述历史记录部。
10.根据权利要求3～9的任一项所述的机器学习装置，其特征在于，
根据上述学习部的学习结果，对至少一台上述极限特性试验用光纤激光装置，预测上述极限特性试验用光纤激光装置中的反射光引起的上述故障发生边界条件，将通过极限特性试验估计为得到有效的试验数据的极限特性试验条件程序作为上述故障避免数据，从上述输出部输出。
11.根据权利要求10所述的机器学习装置，其特征在于，
在按照上述极限特性试验条件程序实施上述极限特性试验的过程中，由反射光引起的故障发生了的情况下，上述学习部针对在由反射光引起的故障发生前的试验条件下的试验，提取包含由上述反射光检测单元检测出的上述反射光检测结果的上述光纤激光装置的上述状态量或上述状态量的变化，构建用于搜索所提取出的上述状态量或上述状态量的变化特征的学习模式，学习在按照上述极限特性试验条件程序实施上述极限特性试验的过程中，由反射光引起的故障发生的先兆。
12.根据权利要求11所述的机器学习装置，其特征在于，
在根据与上述先兆有关的学习结果，按照上述极限特性试验条件程序来实施上述极限特性试验的过程中，在包含由反射光检测单元检测出的上述反射光检测结果的光纤激光装置的上述状态量或上述状态量的变化中观测到由反射光引起的故障发生的先兆的情况下，将对按照上述极限特性试验条件程序实施的试验的中断或上述极限特性试验条件程序的变更进行指示的上述故障避免数据输出到上述光纤激光装置的上述控制部。
13.根据权利要求2～12的任一项所述的机器学习装置，其特征在于，
根据至少包含反射光引起的上述故障发生边界条件的学习结果的学习结果，将包含由上述反射光检测单元检测出的上述反射光检测结果的上述光纤激光装置的上述状态量中的、为了避免由反射光引起的故障而应该对上述光纤激光装置的驱动条件进行变更的故障避免临界条件、或该故障避免临界条件以及用于在达到上述故障避免临界条件时避免由反射光引起的故障的上述光纤激光装置的上述驱动条件即故障避免驱动条件，作为上述故障避免数据，从上述输出部对经由上述通信单元连接的各上述光纤激光装置的上述控制部进行输出。
14.根据权利要求13所述的机器学习装置，其特征在于，
用于在达到上述故障避免临界条件时避免由反射光引起的故障的上述光纤激光装置的上述故障避免驱动条件中包含与上述光输出指令对应的激光输出条件、上述加工头与上述工件的相对位置条件、从上述加工头发射的激光的焦点与上述工件的相对位置条件、加工头的聚光光学系统的F值条件、从加工头发射的激光束的光束轮廓条件中的至少一个条件。
15.根据权利要求2～14的任一项所述的机器学习装置，其特征在于，
至少在学习的初始阶段，针对至少一个故障部位，通过至少求出上述部位的上限温度和上述部位的热容量以及从上述部位至散热片为止的热阻的简化方法，对上述故障发生边界条件进行学习。
16.根据权利要求2～15的任一项所述的机器学习装置，其特征在于，
存在多个上述机器学习装置，各上述机器学习装置经由通信单元与上级的信号处理装置相连接，能够共享由各上述机器学习装置学习所得的结果。
17.一种光纤激光装置，经由上述通信单元与权利要求1～16的任一项所述的上述机器学习装置相连接，其特征在于，
根据上述机器学习装置的上述学习部的学习结果参照从上述输出部输出的上述故障避免数据，上述光纤激光装置的上述控制部为了避免由反射光引起的故障而控制构成上述光纤激光装置的各部中的至少一个。
18.根据权利要求17所述的光纤激光装置，其特征在于，
还具备故障避免数据记录部，该故障避免数据记录部记录由上述机器学习装置的上述输出部输出的上述故障避免数据，将上述故障避免数据记录到上述故障避免数据记录部，参照记录在上述故障避免数据记录部中的上述故障避免数据，上述光纤激光装置的上述控制部为了避免由反射光引起的故障而控制构成上述光纤激光装置的各部中的至少一个。
19.根据权利要求17或18所述的光纤激光装置，其特征在于，
上述反射光检测单元中的至少一个反射光检测单元为光电二极管。
20.根据权利要求17～19的任一项所述的光纤激光装置，其特征在于，
具备多个上述反射光检测单元，具备检测在上述光纤的纤芯中传播的反射光的至少一个上述反射光检测单元以及检测在上述光纤的包层中传播的反射光的至少一个上述反射光检测单元。
21.根据权利要求17～20的任一项所述的光纤激光装置，其特征在于，
上述反射光检测单元中的至少一个上述反射光检测单元为温度检测单元。
CN201910019160.3A 2018-01-09 2019-01-09 光纤激光装置以及机器学习装置 Active CN110032164B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-001500 2018-01-09
JP2018001500A JP6680809B2 (ja) 2018-01-09 2018-01-09 ファイバレーザ装置及び機械学習装置

Publications (2)

Publication Number Publication Date
CN110032164A true CN110032164A (zh) 2019-07-19
CN110032164B CN110032164B (zh) 2021-04-09

Family

ID=67139541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910019160.3A Active CN110032164B (zh) 2018-01-09 2019-01-09 光纤激光装置以及机器学习装置

Country Status (4)

Country Link
US (1) US11093828B2 (zh)
JP (1) JP6680809B2 (zh)
CN (1) CN110032164B (zh)
DE (1) DE102019000041A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814954A (zh) * 2020-06-19 2020-10-23 武汉光迅科技股份有限公司 一种光纤质量分析方法、装置、电子设备及存储介质
CN111934778A (zh) * 2020-07-01 2020-11-13 华中科技大学 一种光纤通信系统中发射端的优化设计方法及系统

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10608397B2 (en) * 2018-03-06 2020-03-31 Nlight, Inc. Laser burst logging systems and methods
JP6973298B2 (ja) * 2018-05-31 2021-11-24 トヨタ自動車株式会社 物体監視装置
JP6744369B2 (ja) 2018-08-08 2020-08-19 ファナック株式会社 レーザ装置
WO2021210162A1 (ja) * 2020-04-17 2021-10-21 住友電工オプティフロンティア株式会社 光ファイバのための融着接続システム、融着接続機、及び光ファイバを融着接続する方法
WO2021210161A1 (ja) * 2020-04-17 2021-10-21 住友電工オプティフロンティア株式会社 融着接続機、融着接続システム、及び光ファイバを融着接続する方法
EP3900857A1 (de) * 2020-04-21 2021-10-27 Siemens Aktiengesellschaft Ermitteln einer strahlungsintensität und/oder einer wellenlänge eines prozessleuchtens
DE102020210974A1 (de) * 2020-08-31 2022-03-03 Ford Global Technologies, Llc Verfahren und Vorrichtung zum Ermitteln von Defekten während eines Oberflächenmodifizierungsverfahrens
CN114295883B (zh) * 2022-01-06 2023-08-22 南京大学 一种提高光纤电流传感器测量精度的多维度标定方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106557070A (zh) * 2015-09-30 2017-04-05 发那科株式会社 机器学习装置、电动机控制装置、加工机及机器学习方法
CN107009031A (zh) * 2016-01-28 2017-08-04 发那科株式会社 机器学习装置、激光装置以及机器学习方法
CN107181163A (zh) * 2016-03-10 2017-09-19 发那科株式会社 机器学习装置、激光装置以及机器学习方法
JP2017164801A (ja) * 2016-03-17 2017-09-21 ファナック株式会社 機械学習装置、レーザ加工システムおよび機械学習方法
JP2017211930A (ja) * 2016-05-27 2017-11-30 ファナック株式会社 寿命故障条件を学習する機械学習装置，故障予知装置，機械システムおよび機械学習方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3637568A1 (de) 1986-11-04 1988-05-05 Trumpf Gmbh & Co Laser-bearbeitungsmaschine
JPH11104879A (ja) 1997-10-01 1999-04-20 Nkk Corp レーザ切断ノズルおよびレーザ切断方法
JP4075224B2 (ja) 1999-06-30 2008-04-16 澁谷工業株式会社 レーザ加工装置
JP4699131B2 (ja) 2005-08-05 2011-06-08 株式会社フジクラ 光ファイバレーザ、光ファイバ増幅器、ｍｏｐａ方式光ファイバレーザ
JP6148878B2 (ja) 2012-03-14 2017-06-14 株式会社アマダホールディングス レーザ加工機の同軸ノズル
JP6219865B2 (ja) * 2015-02-19 2017-10-25 ファナック株式会社 制御装置の故障予測システム
JP6671248B2 (ja) 2016-06-08 2020-03-25 株式会社日立製作所 異常候補情報分析装置
JP6542713B2 (ja) 2016-06-09 2019-07-10 ファナック株式会社 異常負荷検出の閾値を学習する機械学習器，数値制御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
CN106557070A (zh) * 2015-09-30 2017-04-05 发那科株式会社 机器学习装置、电动机控制装置、加工机及机器学习方法
CN107009031A (zh) * 2016-01-28 2017-08-04 发那科株式会社 机器学习装置、激光装置以及机器学习方法
CN107181163A (zh) * 2016-03-10 2017-09-19 发那科株式会社 机器学习装置、激光装置以及机器学习方法
JP2017164801A (ja) * 2016-03-17 2017-09-21 ファナック株式会社 機械学習装置、レーザ加工システムおよび機械学習方法
CN107199397A (zh) * 2016-03-17 2017-09-26 发那科株式会社 机器学习装置、激光加工系统以及机器学习方法
JP2017211930A (ja) * 2016-05-27 2017-11-30 ファナック株式会社 寿命故障条件を学習する機械学習装置，故障予知装置，機械システムおよび機械学習方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814954A (zh) * 2020-06-19 2020-10-23 武汉光迅科技股份有限公司 一种光纤质量分析方法、装置、电子设备及存储介质
CN111814954B (zh) * 2020-06-19 2023-09-08 武汉光迅科技股份有限公司 一种光纤质量分析方法、装置、电子设备及存储介质
CN111934778A (zh) * 2020-07-01 2020-11-13 华中科技大学 一种光纤通信系统中发射端的优化设计方法及系统

Also Published As

Publication number Publication date
US20190213479A1 (en) 2019-07-11
CN110032164B (zh) 2021-04-09
DE102019000041A1 (de) 2019-09-12
JP6680809B2 (ja) 2020-04-15
JP2019118940A (ja) 2019-07-22
US11093828B2 (en) 2021-08-17

Similar Documents

Publication Publication Date Title
CN110032164A (zh) 光纤激光装置以及机器学习装置
CN107009031A (zh) 机器学习装置、激光装置以及机器学习方法
JP6625914B2 (ja) 機械学習装置、レーザ加工システムおよび機械学習方法
US10990089B2 (en) Machine learning device learning failure occurrence mechanism of laser device
JP6360090B2 (ja) 機械学習装置、レーザ装置および機械学習方法
JP2648401B2 (ja) レーザによる材料処理を監視する装置
US10637205B2 (en) Laser device
US11293835B2 (en) Laser control device, laser control system, laser device, and laser control method
EP1437806B1 (en) Pulse oscillation solid-state laser apparatus and laser machining apparatus
CZ20032262A3 (cs) Způsob regulace termodynamického procesu, zejména procesu spalování, a zařízení k provádění tohoto způsobu
CN113962299A (zh) 一种核电设备智能运行监测与故障诊断通用模型
CN110829175B (zh) 激光装置
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
DE102020206460A1 (de) Laserbearbeitungssystem
CN115051468A (zh) 一种配电网设备智能运维管控系统
CN117490985B (zh) 一种受激布里渊散射在线监测方法、系统、设备及介质
Dongwei et al. Research on satellite fault diagnostics technology based on combination of several methods
Isotani et al. A 1-D pattern recognition system based on fuzzy logic
Bulatovic et al. EXPERT SYSTEM IN FUNCTION CONTROL OF MAINTENANCE AND PREDICTION OF MACHINE′ S FAILURE

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