CN110355462B - 加工条件调整装置以及机器学习装置 - Google Patents
加工条件调整装置以及机器学习装置 Download PDFInfo
- Publication number
- CN110355462B CN110355462B CN201910232835.2A CN201910232835A CN110355462B CN 110355462 B CN110355462 B CN 110355462B CN 201910232835 A CN201910232835 A CN 201910232835A CN 110355462 B CN110355462 B CN 110355462B
- Authority
- CN
- China
- Prior art keywords
- laser processing
- laser
- machining
- learning
- workpiece
- 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
Links
- 238000003754 machining Methods 0.000 title claims abstract description 180
- 238000010801 machine learning Methods 0.000 title claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 271
- 230000006399 behavior Effects 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 description 12
- 238000001514 detection method Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000000034 method Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 238000013459 approach Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
- B23K31/006—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to using of neural networks
-
- 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
-
- 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
- B23K26/14—Working by laser beam, e.g. welding, cutting or boring using a fluid stream, e.g. a jet of gas, in conjunction with the laser beam; Nozzles therefor
- B23K26/1435—Working by laser beam, e.g. welding, cutting or boring using a fluid stream, e.g. a jet of gas, in conjunction with the laser beam; Nozzles therefor involving specially adapted flow control means
- B23K26/1436—Working by laser beam, e.g. welding, cutting or boring using a fluid stream, e.g. a jet of gas, in conjunction with the laser beam; Nozzles therefor involving specially adapted flow control means for pressure control
-
- 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
- B23K26/14—Working by laser beam, e.g. welding, cutting or boring using a fluid stream, e.g. a jet of gas, in conjunction with the laser beam; Nozzles therefor
- B23K26/1435—Working by laser beam, e.g. welding, cutting or boring using a fluid stream, e.g. a jet of gas, in conjunction with the laser beam; Nozzles therefor involving specially adapted flow control means
- B23K26/1437—Working by laser beam, e.g. welding, cutting or boring using a fluid stream, e.g. a jet of gas, in conjunction with the laser beam; Nozzles therefor involving specially adapted flow control means for flow rate control
-
- 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
-
- 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
- B23K26/382—Removing material by boring or cutting by boring
- B23K26/389—Removing material by boring or cutting by boring of fluid openings, e.g. nozzles, jets
-
- 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
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
- B23Q15/007—Automatic control or regulation of feed movement, cutting velocity or position of tool or work while the tool acts upon the workpiece
- B23Q15/12—Adaptive control, i.e. adjusting itself to have a performance which is optimum according to a preassigned criterion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Mechanical Engineering (AREA)
- Plasma & Fusion (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Fluid Mechanics (AREA)
- Laser Beam Processing (AREA)
- Numerical Control (AREA)
Abstract
本发明提供加工条件调整装置以及机器学习装置。加工条件调整装置所具备的机器学习装置将激光加工中的激光加工条件数据以及表示辅助气体的压力损失或流量的目标偏差的气体目标偏差数据作为表示环境的当前状态的状态变量来进行观测。并且,取得判定根据激光加工条件进行加工后的工件质量的判定数据,使用该判定数据和观测到的上述状态变量,将辅助气体的压力损失或流量的目标偏差与激光加工中的激光加工条件的调整关联起来进行学习。
Description
技术领域
本发明涉及加工条件调整装置以及机器学习装置。
背景技术
构成通过激光进行工件的切断等加工的激光加工装置的外部光学系统的部件(加工头、供料纤维、加工纤维等)通过制造激光加工装置的MTB(Machine Tool Builder:机床构建器)来选择。因此,激光加工装置进行加工时的激光加工条件需要按照每个MTB来设定,但是加工条件设置的作业会成为较大的负担,因此不进行充分的加工条件设置而是以不是最优的加工条件进行发货。
激光加工装置进行加工时的激光加工条件最好是在加工精度、加工质量保持了一定水平的范围内能够高速地执行加工的条件。作为这种激光加工条件的加工条件设置相关的现有技术,例如在日本特开2017-164801号公报中公开一种使用机器学习器来决定激光加工条件的技术。
为了进行激光加工条件的评价,对于在该激光条件下进行的加工评价加工精度和加工质量、加工速度,并需要将该评价值输入给机器学习器。一般,加工速度能够作为从加工开始后到结束为止所花费的时间而自动取得,但是对于加工精度和加工表面的处理等加工质量,需要准备用于另外评价质量的测量装置等,并且需要由熟练的作业人员目视评价并手动输入等。作为结果,会有激光加工条件的加工条件设置需要成本的问题。
发明内容
因此本发明的目的为,提供能够有效地调整激光加工装置的激光加工条件的加工条件调整装置以及机器学习装置。
本发明的加工条件调整装置通过对工件的加工部位喷射的辅助气体的压力损失或流量来检测激光加工的加工质量。工件的加工部位通过激光加工形成预定宽度的切口,但是如果对加工部位这样地喷射辅助气体,则由于切口宽度、切口内的表面质量(加工表面质量)、浮渣的状态等辅助气体的压力或流量会发生变化。因此,在本发明的加工条件调整装置中,通过预先被调整为最优状态的激光加工装置进行加工,相对于成为了最优的加工状态的工件,如图7所示那样使喷嘴紧贴或接近工件。并且,在该状态下,不输出激光而以预定的压力喷射辅助气体并且使喷嘴在被加工的切缝上静止或者沿着切缝使喷嘴移动,执行通过压力计等的传感器检测辅助气体的压力损失或流量的加工质量检测动作。并且,将根据通过该加工质量检测动作检测出的值求出的辅助气体的压力损失或流量记录为目标值。
而且,在进行新的激光加工装置的激光加工条件的调整时,在调整激光加工条件并进行了工件的试加工的基础上,对试加工的部分进行同样的加工质量检测动作,搜索辅助气体的压力损失或流量接近目标值的激光加工条件。通过重复这样的动作,不需要对新的激光加工装置另外准备检测切口宽度、切口内的表面质量(加工表面质量)、浮渣的状态等的测量装置等而能够有效地找到最优的激光加工条件。
本发明的加工条件调整装置的一个方式为,调整对工件进行激光加工的激光加工装置的激光加工条件,上述加工条件调整装置具备学习上述激光加工中的激光加工条件的机器学习装置。并且,上述机器学习装置具备:状态观测部,其观测表示上述激光加工中的激光加工条件的加工条件数据以及表示辅助气体的压力损失或流量的目标偏差的气体目标偏差数据作为表示环境的当前状态的状态变量;判定数据取得部,其取得工件质量判定数据作为表示上述工件的加工的适当与否判定结果的判定数据,上述工件质量判定数据是判定根据上述激光加工中的激光加工条件进行加工后的工件的质量的数据;以及学习部,其使用上述状态变量和上述判定数据,将辅助气体的压力损失或流量的目标偏差与激光加工中的激光加工条件的调整关联起来进行学习。
上述判定数据取得部还取得判定上述工件的加工所需要的时间的周期时间判定数据作为表示上述工件的加工的适当与否判定结果的判定数据。
上述学习部具备:回报计算部,其求出与上述适当与否判定结果相关联的回报;以及价值函数更新部,其使用上述回报,来更新表示与辅助气体的压力损失或流量对应的激光加工中的激光加工条件的调整行为的价值的函数。而且,上述工件的质量越高以及上述工件的加工所需要的时间越短,上述回报计算部赋予越高的回报。
上述学习部通过多层构造来运算上述状态变量和上述判定数据。
本发明的加工条件调整装置的其他方式为,调整对工件进行激光加工的激光加工装置的激光加工条件,上述加工条件调整装置具备学习上述激光加工中的激光加工条件的机器学习装置。而且,上述机器学习装置具备:状态观测部,其观测表示上述激光加工中的激光加工条件的加工条件数据以及表示辅助气体的压力损失或流量的目标偏差的气体目标偏差数据作为表示环境的当前状态的状态变量;学习部,其将辅助气体的压力损失或流量的目标偏差与激光加工中的激光加工条件的调整关联起来进行学习;以及决策部,其根据上述状态观测部观测到的状态变量和上述学习部的学习结果,来决定激光加工中的激光加工条件的调整。
上述机器学习装置能够存在于云服务器中。
本发明的机器学习装置的一个方式为,学习对工件进行激光加工的激光加工装置的激光加工条件,该机器学习装置具备:状态观测部,其观测表示上述激光加工中的激光加工条件的加工条件数据以及表示辅助气体的压力损失或流量的目标偏差的气体目标偏差数据作为表示环境的当前状态的状态变量;判定数据取得部,其取得工件质量判定数据作为表示上述工件的加工的适当与否判定结果的判定数据,上述工件质量判定数据是判定根据上述激光加工中的激光加工条件进行加工后的工件的质量的数据;以及学习部,其使用上述状态变量和上述判定数据,将辅助气体的压力损失或流量的目标偏差与激光加工中的激光加工条件的调整关联起来进行学习。
本发明的机器学习装置的其他一个方式为,学习对工件进行激光加工的激光加工装置的激光加工条件,该机器学习装置具备:状态观测部,观测表示上述激光加工中的激光加工条件的加工条件数据以及表示辅助气体的压力损失或流量的目标偏差的气体目标偏差数据作为表示环境的当前状态的状态变量;学习部,其将辅助气体的压力损失或流量的目标偏差与激光加工中的激光加工条件的调整关联起来进行学习;以及决策部,其根据上述状态观测部观测到的状态变量和上述学习部的学习结果,来决定激光加工中的激光加工条件的调整。
根据本发明能够不花费较大成本而自动进行激光加工装置的激光加工条件的加工条件设置作业。
附图说明
图1是表示一个实施方式的加工条件调整装置的概要硬件结构图。
图2是一个实施方式的加工条件调整装置的概要功能框图。
图3是表示加工条件调整装置的一个方式的概要功能框图。
图4是表示机器学习方法的一个方式的概要流程图。
图5A是说明神经元的图。
图5B是说明神经网络的图。
图6是表示组入了加工条件调整装置的系统的一个方式的概要功能框图。
图7是说明本发明中导入的加工质量检测动作的图。
具体实施方式
图1是表示第一实施方式的加工条件调整装置的主要部件的概要硬件结构图。
加工条件调整装置1例如能够作为控制激光加工装置的控制装置进行安装,另外,例如也能够作为与控制激光加工装置的控制装置并设的个人电脑、经由有线/无线网络与控制装置连接的单元计算机、主机、边缘服务器、云服务器等计算机进行安装。在本实施方式中,将加工条件调整装置1安装为控制激光加工装置2的控制装置。
本实施方式的加工条件调整装置1所具备的CPU11是整体控制加工条件调整装置1的处理器,经由总线20读出存储在ROM12中的系统/程序,并按照该系统/程序控制加工条件调整装置1整体。RAM13中暂时存储暂时的计算数据、显示数据、操作员经由未图示的输入部输入的各种数据等。
非易失性存储器14构成为例如通过电池(未图示)进行备份等,即使加工条件调整装置1的电源被切断也保持存储状态的存储器。非易失性存储器14中存储有经由显示器/MDI单元70输入的程序、从加工条件调整装置1的各部、激光加工装置2取得的各种数据(例如激光加工装置2进行的激光加工中的激光输出、频率、占空比、加工速度、辅助气体的种类和压力、喷嘴直径、间隙、焦点位置、通过安装在激光加工装置2上的传感器等检测出的辅助气体的压力损失或流量、这些激光加工条件和加工位置的关系等)。存储在非易失性存储器14中的程序、各种数据可以在执行时/使用时在RAM13中展开。另外,在ROM12中预先写入公知的解析程序等各种系统/程序(包括用于控制与后述的机器学习装置100的交换的系统/程序)。
显示器/MDI单元70是具备显示器、键盘等的手动数据输入装置,接口17接收来自显示器/MDI单元70的键盘的指令、数据并传给CPU11。接口18与操作盘17连接,该操作盘17具备在手动驱动各轴时所使用的手动脉冲发生器等。
接口19是用于连接加工条件调整装置1和激光加工装置2的接口。接口21是用于连接加工条件调整装置1和机器学习装置100的接口。机器学习装置100具备控制机器学习装置100整体的处理器101、存储系统/程序等的ROM102、用于进行机器学习相关的各个处理的暂时存储的RAM103以及用于存储学习模型等的非易失性存储器14。机器学习装置100能够观测可通过加工条件调整装置1经由接口21取得的各个信息(例如激光加工装置2进行的激光加工中的激光输出、频率、占空比、加工速度、辅助气体的种类和压力、喷嘴直径、间隙、焦点位置、通过安装在激光加工装置2上的传感器等检测出的辅助气体的压力损失或流量、这些激光加工条件和加工位置的关系等)。另外,加工条件调整装置1接收从机器学习装置100输出的加工条件的变更指令,并控制激光加工装置2的动作。
图2是一个实施方式的加工条件调整装置1和机器学习装置100的概要功能框图。
图2所示的各个功能块通过图1所示的加工条件调整装置1所具备的CPU11以及机器学习装置100的处理器101分别执行系统/程序,并控制加工条件调整装置1以及机器学习装置100的各部的动作来实现。
本实施方式的加工条件调整装置1具备控制部34,该控制部34根据从机器学习装置100输出的加工条件的变更指令来控制激光加工装置2。控制部34一般按照控制程序等的指令来控制激光加工装置2的动作,但此时,如果从机器学习装置100输出加工条件的变更指令,则控制激光加工装置2以便代替上述程序、在激光加工装置中事先设定的激光加工条件而成为从机器学习装置100输出的加工条件。
控制部34在机器学习装置100进行学习动作时,在以调整后的激光加工条件进行基于激光加工装置2的工件的激光加工后,在使喷嘴紧贴或接近工件的状态下,不输出激光而以预定的压力喷出辅助气体的同时使喷嘴在加工后的切缝(cutting kerf)上静止或者使喷嘴沿着切缝移动,执行通过传感器检测辅助气体的压力损失或流量的加工质量检测动作,并且将通过传感器3检测出的辅助气体的压力损失或流量与加工各个加工部位时的激光加工条件关联起来存储在非易失性存储器14中。另外,加工质量检测动作能够在加工中并列进行,但是在加工中工件的加工部位的状态与时间一起逐渐发生变化,因此难以稳定地检测出辅助气体的压力损失或流量(也能够采取取时间轴上的平均值等的方法),所以希望在加工结束后重新进行加工质量检测动作。
在该加工质量检测动作中,可以记录以预先决定的预定的一个压力喷出辅助气体时的压力损失或流量,也可以预先决定2个或其以上的阶段性的压力,并记录以各个压力喷出辅助气体时的多个压力损失或流量。采取后者的方法的情况下,预先记录各个压力的压力损失或流量的目标值,调整激光加工条件使得在相应的压力下的多个压力损失或流量分别接近目标值即可。根据工件的加工部位的状态,以不同的压力喷出辅助气体时的压力损失或流量的方法也会改变,因此与以一个压力进行检查的情况相比,通过多个压力进行检查,能够高精度地进行激光加工条件的调整。
另一方面,加工条件调整装置1所具备的机器学习装置100包括用于通过所谓的机器学习自学调整针对辅助气体的压力损失或流量的目标偏差的激光加工中的激光加工条件的软件(学习算法等)以及硬件(处理器101等)。加工条件调整装置1所具备的机器学习装置100进行学习的内容相当于表示辅助气体的压力损失或流量的目标偏差与激光加工中的激光加工条件的调整的相关性的模型结构。
如图2的功能块所示,加工条件调整装置1所具备的机器学习装置100具备:状态观测部106,其将表示激光加工的激光加工条件的激光加工条件数据S1以及表示辅助气体的压力损失或流量的目标偏差的气体目标偏差数据S2作为表示环境的当前状态的状态变量S进行观测;判定数据取得部108,其取得判定数据D,该判定数据D包括用于判定根据调整后的激光加工的激光加工条件进行加工后的工件的质量的工件质量判定数据D1;以及学习部110,其使用状态变量S和判定数据D,将辅助气体的压力损失或流量的目标偏差与激光加工的激光加工条件的调整关联起来进行学习。
在状态观测部106所观测的状态变量S中,激光加工条件数据S1能够作为在激光加工装置2中进行的激光加工的激光加工条件来取得。激光加工的激光加工条件中例如包括激光加工装置2进行的激光加工的激光输出、频率、占空比、加工速度、辅助气体的种类、压力、喷嘴直径、间隙(gap)、焦点位置等。特别是焦点位置、在下一个点的加工速度对工件的激光加工处理产生很大的影响,因此希望至少这些条件被包括在激光加工条件数据S1中。能够从控制激光加工装置2的动作的程序、设定在加工条件调整装置1中并存储在非易失性存储器14中的激光加工参数等中取得这些激光加工条件。
激光加工条件数据S1能够根据机器学习装置100的学习部110的学习结果对前一个学习周期的辅助气体的压力损失或流量的目标偏差直接使用在该学习周期进行调整后的激光加工的激光加工条件。在采用这种方法时,机器学习装置100将激光加工的激光加工条件按照学习周期暂时存储在RAM13中,状态观测部106从RAM103取得前一个学习周期的激光加工的激光加工条件作为这次的学习周期的激光加工条件数据S1。
状态观测部106观测到的状态变量S中的气体目标偏差数据S2能够作为相对于存储在非易失性存储器14中的辅助气体的压力损失或流量的目标值的、通过以调整后的激光加工条件进行加工后的工件的加工质量检测动作检测出的辅助气体的压力损失或流量的差分而取得。另外,在将多个压力损失或流量作为目标值进行记录时,将气体目标偏差数据S2定义为每个压力的辅助气体的压力损失或流量的差分集(矩阵)即可。
状态观测部106在学习部110进行在线学习时,可以从激光加工装置2、传感器3、加工条件调整装置1的各部逐个取得各个状态变量。另一方面,在学习部110进行离线学习时,加工条件调整装置1将在工件加工中以及加工质量检测动作时取得的各个信息作为日志数据而存储在非易失性存储器14中,状态观测部106解析所记录的日志数据并取得各个状态变量即可。
判定数据取得部108能够将根据调整后的激光加工的激光加工条件进行加工时的工件的质量判定结果作为工件质量判定数据D1来使用。作为判定数据取得部108所使用的工件质量判定数据D1,例如使用相对于辅助气体的压力损失或流量的目标值的、针对通过以调整后的激光加工条件进行加工后的工件用加工质量检测动作检测出的辅助气体的压力损失或流量的差是否小于(适当)、是否大于(不适当)预先决定的预定阈值的值即可。
另外,判定数据取得部108在学习部110进行学习的阶段为必须的结构,但是在将学习部110进行的辅助气体的压力损失或流量的目标偏差与激光加工的激光加工条件的调整关联后的学习完成之后不是必须的结构。例如,在将学习完成后的机器学习装置100出货给顾客时等,也可以卸下判定数据取得部108后出货。
在以学习部110进行的学习周期进行考虑时,同时输入给学习部110的状态变量S成为基于取得判定数据D的一个学习周期前的数据的变量。这样,在加工条件调整装置1所具备的机器学习装置100推进学习的期间,在环境中反复实施气体目标偏差数据S2的取得、基于根据所取得的各个数据调整后的激光加工条件数据S1的激光加工装置2进行的工件加工、判定数据D的取得。
学习部110按照总称为机器学习的任意学习算法来学习针对辅助气体的压力损失或流量的目标偏差的激光加工中的激光加工条件的调整。学习部110能够反复执行基于包含上述状态变量S和判定数据D的数据集合的学习。在针对辅助气体的压力损失或流量的目标偏差的、激光加工中的激光加工条件的学习循环的反复中,状态变量S如上所述从一个学习周期前的辅助气体的压力损失或流量的目标偏差以及在一个学习周期前进行了调整的激光加工中的激光加工条件中取得,另外判定数据D为根据调整后的激光加工中的激光加工条件进行的工件加工的适当与否判定结果。
通过反复进行这样的学习循环(cycle),学习部110能够识别暗示辅助气体的压力损失或流量的目标偏差与激光加工中的激光加工条件的调整之间的相关性的特征。在学习算法开始时辅助气体的压力损失或流量的目标偏差与激光加工中的激光加工条件的调整之间的相关性实质上是未知的,但是学习部110根据学习的推进逐渐识别特征来解释相关性。
如果辅助气体的压力损失或流量的目标偏差与激光加工中的激光加工条件的调整之间的相关性被解释到某种程度能够信赖的水平,则学习部110反复输出的学习结果成为为了针对当前状态(即辅助气体的压力损失或流量的目标偏差)进行应该怎样调整激光加工中的激光加工条件的行为的选择(即决策)而使用的结果。即,学习部110按照学习算法的推进,能够使针对辅助气体的压力损失或流量的目标偏差应该怎样调整激光加工中的激光加工条件的行为的相关性慢慢地接近最佳解。
决策部122根据学习部110学习到的结果来调整激光加工中的激光加工条件,并将调整后的激光加工中的激光加工条件输出给控制部34。决策部122在学习部110的学习成为能够用于激光加工条件的调整的状态的阶段,如果对机器学习装置100输入辅助气体的压力损失或流量的目标偏差,则输出激光加工中的激光加工条件(焦点位置、喷嘴直径、加工速度等)。决策部122根据状态变量S和学习部110学习到的结果来调整适当的激光加工中的激光加工条件。
如上所述,在加工条件调整装置1所具备的机器学习装置100中,状态观测部106使用观测到的状态变量S和判定数据取得部108取得的判定数据D,学习部110按照机器学习算法来学习针对辅助气体的压力损失或流量的目标偏差的激光加工中的激光加工条件的调整。状态变量S由激光加工条件数据S1以及气体目标偏差数据S2这样的数据构成,另外根据在加工工件时取得的信息、通过加工质量检测动作所取得的信息唯一地求出判定数据D。因此,根据加工条件调整装置1所具备的机器学习装置100,使用学习部110的学习结果,能够自动并且准确地进行与辅助气体的压力损失或流量的目标偏差对应的激光加工中的激光加工条件的调整。
并且,如果能够自动地进行激光加工中的激光加工条件的调整,则只要掌握辅助气体的压力损失或流量的目标偏差(气体目标偏差数据S2),就能够迅速地调整激光加工中的激光加工条件的适当的值。因此,能够有效地进行激光加工中的激光加工条件的调整。
作为加工条件调整装置1所具备的机器学习装置100的一个变形例,判定数据取得部108除了工件质量判定数据D1外,还可以将周期时间判定数据D2作为判定数据D来使用,该周期时间判定数据D2用于判定根据调整后的激光加工中的激光加工条件进行的工件加工所花费的时间。作为判定数据取得部108所使用的周期时间判定数据D2,例如使用根据调整后的激光加工中的激光加工条件进行的工件加工所花费的时间是比预先决定的预定阈值短(适当)还是长(不适当)这样的适当设定的判定基准进行判定的结果即可。将周期时间判定数据D2作为判定数据D来使用,从而能够在没有极端延长工件的加工时间的范围内调整为能够实现作为目标的加工质量的激光加工条件。
在具有上述结构的机器学习装置100中,不限于学习部110所执行的学习算法,作为机器学习能够采用公知的学习算法。图3表示具备作为图2所示的加工条件调整装置1的一个方式并且作为学习算法的一例执行强化学习的学习部110的结构。强化学习为如下的一种方法,即观测学习对象存在的环境的当前状态(即输入)并且在当前状态下执行预定的行为(即输出),试错地反复进行对该行为赋予什么样的回报的周期,并将回报的统计最大化的策略(本申请的机器学习装置中为激光加工中的激光加工条件)作为最佳解进行学习。
在图3所示的加工条件调整装置1所具备的机器学习装置100中,学习部110具备:回报计算部112,其根据状态变量S调整激光加工中的激光加工条件,求出基于调整后的激光加工中的激光加工条件的激光加工装置2进行的工件加工的适当与否判定结果(相当于在取得了状态变量S的接下来的学习周期中使用的判定数据D)相关联的回报R;以及价值函数更新部114,其使用回报R来更新表示激光加工中的激光加工条件的价值的函数Q。学习部110通过价值函数更新部114重复更新函数Q来学习针对辅助气体的压力损失或流量的目标偏差的激光加工中的激光加工条件的调整。
说明由学习部110执行的强化学习的算法的一例。该例子的算法作为Q学习(Q-learnig)而被熟知,将行为主体的状态s与在该状态s下行为主体能够选择的行为a作为独立变量,学习表示在状态s下选择了行为a时的行为的价值的函数Q(s,a)。在状态s下选择价值函数Q成为最高的行为a的情况为最佳解。在状态s和行为a之间的相关性未知的状态下开始Q学习,反复进行在任意的状态s下选择各种行为a的试错,由此反复更新价值函数Q,并接近最佳解。这里,作为在状态s下选择了行为a的结果,环境(即状态s)发生了变化时,得到与该变化对应的回报(即行为a的权重)r,引导学习以便选择得到更高回报r的行为a,由此能够使价值函数Q在比较短的时间内接近最佳解。
一般能够如下述的公式(1)那样表示价值函数Q的更新式。在公式(1)中,st以及at分别是时刻t的状态以及行为,状态通过行为at变化为st+1。rt+1是通过状态从st变化为st+1而得到的回报。maxQ的项表示在时刻t+1进行了成为(在时刻t考虑为)最大的价值Q的行为a时的Q。α以及γ分别是学习系数以及折扣率,在0<α≤1、0<γ≤1的范围内被任意设定。
当学习部110执行Q学习时,状态观测部106观测到的状态变量S以及判定数据取得部108取得的判定数据D相当于更新式的状态s,应该怎样调整针对当前状态(即辅助气体的压力损失或流量的目标偏差)的激光加工中的激光加工条件的行为相当于更新式的行为a,回报计算部112求出的回报R相当于更新式的回报r。因此价值函数更新部114通过使用了回报R的Q学习反复更新表示针对当前状态的激光加工中的激光加工条件的价值的函数Q。
回报计算部112求出的回报R例如在调整激光加工中的激光加工条件后进行的、基于调整后的激光加工中的激光加工条件的工件加工的适当与否判定结果被判定为“适当”时(例如辅助气体的压力损失或流量的目标偏差为预先决定的预定阈值以下时,工件的加工周期时间比预先决定的阈值、前一个学习周期的周期时间更短时等),设为正(+)的回报R,在调整激光加工中的激光加工条件后进行的、基于调整后的激光加工中的激光加工条件的工件加工的适当与否判定结果被判定为“否”时(例如辅助气体的压力损失或流量的目标偏差超过预先决定的预定阈值时,工件加工的周期时间比预先决定的阈值、前一个学习周期的周期时间更长时等),设为负(-)的回报R。正负回报R的绝对值既可以相互相同也可以不同。另外,作为判定的条件,可以组合判定数据D中包括的多个值来进行判定。
另外,不仅能够将基于调整后的激光加工中的激光加工条件的工件加工的适当与否判定结果设定为“适当”以及“不适当”两种,也能够设定为多个阶段。作为例子,当工件加工的周期时间的阈值为Tmax时,工件的激光加工所花费的周期时间T能够构成为,当0≤T<Tmax/5时赋予回报R=5,当Tmax/5≤T<Tmax/2时赋予回报R=3,当Tmax/2≤T<Tmax时赋予回报R=1,当Tmax≤T时赋予回报R=-3(负的回报)。
另外,在使用多个判定数据时,按照每个判定数据使回报的值发生变化(附加权重),从而能够变更作为学习目标的状态。例如,通过提高根据工件质量判定数据D1的判定结果赋予的回报,能够学习重视质量的激光加工条件的调整,另一方面,通过提高根据周期时间判定数据D2的判定结果赋予的回报,能够学习重视速度的激光加工条件的调整。进一步,也可以设为学习的初始阶段将判定所使用的阈值设定得较大,随着学习的推进缩小判定所使用的阈值的结构。
价值函数更新部114能够具有将通过函数Q表示的行为价值(例如数值)与状态变量S、判定数据D、回报R关联起来整理而得的行为价值表。此时,价值函数更新部114更新函数Q的行为与价值函数更新部114更新行为价值表的行为意思相同。在Q学习开始时环境的当前状态与激光加工中的激光加工条件的调整之间的相关性是未知的,所以在行为价值表中,通过与无作为地决定的行为价值的值(函数Q)关联起来的方式准备各种状态变量S、判定数据D、回报R。另外,回报计算部112如果知道判定数据D则能够立刻计算与此对应的回报R,并将该计算出的值R写入到行为价值表中。
如果使用与激光加工装置2的动作的适当与否判定结果对应的回报R来推进Q学习,则学习被引导到选择得到更高回报R的行为的方向,根据作为在当前状态下执行所选择的行为的结果而发生变化的环境的状态(即状态变量S以及判定数据D),改写针对在当前状态下进行的行为的行为价值的值(函授Q)并更新行为价值表。通过反复进行该更新,显示在行为价值表中的行为价值的值(函数Q)被改写为越是适当的行为(本发明的情况为,在没有极端延长工件加工的周期时间的范围内,增减焦点距离,或增减加工速度,或催促喷嘴的更换,或增减加工中的辅助气体的压力等调整激光加工中的激光加工条件的行为)越成为大的值。这样,未知的环境的当前状态(辅助气体的压力损失或流量的目标偏差)和针对该状态的行为(激光加工中的激光加工条件的调整)之间的相关性逐渐变得明确。即,通过行为价值表的更新,辅助气体的压力损失或流量的目标偏差与激光加工中的激光加工条件的调整之间的关系逐渐接近最佳解。
参照图4,进一步说明学习部110执行的上述Q学习的流程(即机器学习方法的一个方式)。
首先,在步骤SA01中,价值函数更新部114一边参照在该时间点的行为价值表,一边无作为地选择激光加工中的激光加工条件的调整行为作为在状态观测部106观测到的状态变量S所表示的当前状态下进行的行为。接着,价值函数更新部114在步骤SA02取入状态观测部106观测到的当前状态的状态变量S,在步骤SA03取入判定数据取得部108取得的当前状态的判定数据D。接着,价值函数更新部114在步骤SA04根据判定数据D判断调整后的激光加工中的激光加工条件进行的工件加工是否适当,如果适当,则在步骤SA05,将回报计算部112求出的正的回报R适用于函数Q的更新式,接着在步骤S06,使用当前状态的状态变量S以及判定数据D、回报R、行为价值的值(更新后的函数Q)来更新行为价值表。在步骤SA04,在判断为基于调整后的激光加工中的加工加工条件进行的工件加工不适当时,在步骤SA07,将回报计算部112求出的负的回报R适用于函数Q的更新式,接着在步骤S06,使用当前状态的状态变量S以及判定数据D、回报R、行为价值的值(更新后的函数Q)来更新行为价值表。学习部110通过反复进行步骤SA01~SA07来反复更新行为价值表,并推进激光加工中的激光加工条件的调整的学习。另外,对判定数据D中包括的各个数据执行从步骤SA04到步骤SA07的求出回报R的处理以及价值函数的更新处理。
在推进上述强化学习时,例如能够应用神经网络。图5A示意地表示神经元的模型。图5B示意地表示组合图5A所示的神经元而构成的三层神经网络的模型。神经网络例如能够由模拟了神经元的模型的运算装置、存储装置等构成。
图5A所示的神经元输出针对多个输入x(这里作为一例为输入x1~输入x3)的结果y。对各个输入x1~x3乘以与该输入x对应的权重w(w1~w3)。这样,神经元输出通过公式(2)表现的输出y。另外,在公式(2)中,输入x、结果y以及权重w都是向量。另外,θ是偏置,fk是激活函数。
图5B所示的三层神经网络从左侧输入多个输入x(这里作为一例为输入x1~输入x3),从右侧输出结果y(这里作为一例为结果y1~y3)。在图示的例子中,对输入x1、x2、x3分别乘以对应的权重(统一用w1表示),每个输入x1、x2、x3也都输入到3个神经元N11、N12、N13中。
图5B中,统一用z1表示神经元N11~N13各自的输出。z1能够视为提取输入向量的特征量而得的特征向量。在图示的例子中,对特征向量z1分别乘以对应的权重(统一用w2表示),每个特征向量z1都被输入到2个神经元N21、N22中。特征向量z1表示权重w1与权重w2之间的特征。
图5B中,统一用w2表示神经元N21~N22各自的输出。z2能够视为提取特征向量z1的特征量而得的特征向量。在图示的例子中,对特征向量z2分别乘以对应的权重(统一用w3表示),每个特征向量z2都被输入到3个神经元N31、N32、N33中。特征向量z2表示权重w2与权重w3之间的特征。最后神经元N31~N33分别输出结果y1~y3。
另外,也能够利用使用了组成三层以上的层的神经网络的所谓的深层学习方法。
在加工条件调整装置1所具备的机器学习装置100中,将神经网络作为Q学习的价值函数来使用,将状态变量S和行为a作为输入x,由学习部110进行按照上述神经网络的多层构造的运算,由此能够输出该状态的该行为的价值(结果y)。另外,神经网络的动作模式中有学习模式和价值预测模式,例如在学习模式中使用学习数据组学习权重W,能够使用学习到的权重W在价值预测模式中进行行为的价值判断。另外,在价值预测模式中也能够进行检测、分类、推论等。
上述加工条件调整装置1的结构能够记述为由处理器101执行的机器学习方法(或软件)。该机器学习方法是学习激光加工中的激光加工条件的调整的机器学习方法,包括以下步骤:计算机的CPU将表示激光加工条件数据S1以及气体目标偏差数据S2作为表示激光加工装置2进行动作的环境的当前状态的状态变量S进行观测的步骤;取得表示基于调整后的激光加工中的激光加工条件的工件加工的适当与否判定结果的判定数据D的步骤;以及使用状态变量S和判定数据D,将气体目标偏差数据S2与激光加工中的激光加工条件的调整关联起来进行学习的步骤。
图6表示具备加工条件调整装置1的第三实施方式系统170。
系统170具备:至少1台加工条件调整装置1,其作为单元计算机、主机、云服务器等计算机的一部分进行安装;多个激光加工装置2,其成为控制的对象;以及有线/无线网络172,其将加工条件调整装置1和激光加工装置2相互连接。
具有上述结构的系统170由具备机器学习装置100的加工条件调整装置1使用学习部110的学习结果,按照每个激光加工装置2能够自动并且准确地求出针对辅助气体的压力损失或流量的目标偏差的激光加工中的激光加工条件的调整。另外,加工条件调整装置1的机器学习装置100根据对多个激光加工装置2分别得到的状态变量S以及判定数据D来学习所有的激光加工装置2同样的激光加工中的激光加工条件的调整,并在所有的激光加工装置2的动作中共享该学习结果。
因此根据系统170,将更多样的数据集合(包括状态变量S以及判定数据D)作为输入,能够提高激光加工中的激光加工条件的调整的学习速度和可靠性。
以上,说明了本发明的实施方式,但是本发明不仅限于上述实施方式的例子,能够通过增加适当的变更以各种方式来实施。
例如,机器学习装置100执行的学习算法、运算算法、加工条件调整装置1执行的控制算法等不限于上述算法而能够采用各种算法。
另外,在上述实施方式中加工条件调整装置1和机器学习装置100作为具有不同的CPU的装置进行说明,但是也可以通过加工条件调整装置1所具备的CPU11、存储在ROM12中的系统程序来实现机器学习装置100。
Claims (8)
1.一种加工条件调整装置,其调整对工件进行激光加工的激光加工装置的激光加工条件,其特征在于,
上述加工条件调整装置具备:机器学习装置,其学习上述激光加工中的激光加工条件,
上述机器学习装置具备:
状态观测部,其观测表示上述激光加工中的激光加工条件的加工条件数据以及表示辅助气体的压力损失或流量的目标偏差的气体目标偏差数据作为表示环境的当前状态的状态变量;
判定数据取得部,其取得工件质量判定数据作为表示上述工件的加工的适当与否判定结果的判定数据,上述工件质量判定数据是判定根据上述激光加工中的激光加工条件进行加工后的工件的质量的数据;以及
学习部,其使用上述状态变量和上述判定数据,将辅助气体的压力损失或流量的目标偏差与激光加工中的激光加工条件的调整关联起来进行学习。
2.根据权利要求1所述的加工条件调整装置,其特征在于,
上述判定数据取得部还取得判定上述工件的加工所需要的时间的周期时间判定数据作为表示上述工件的加工的适当与否判定结果的判定数据。
3.根据权利要求1或2所述的加工条件调整装置,其特征在于,
上述学习部具备:
回报计算部,其求出与上述适当与否判定结果相关联的回报;以及
价值函数更新部,其使用上述回报,来更新表示与辅助气体的压力损失或流量对应的激光加工中的激光加工条件的调整行为的价值的函数,
上述工件的质量越高以及上述工件的加工所需要的时间越短,上述回报计算部赋予越高的回报。
4.根据权利要求1或2所述的加工条件调整装置,其特征在于,
上述学习部通过多层构造来运算上述状态变量和上述判定数据。
5.一种加工条件调整装置,其调整对工件进行激光加工的激光加工装置的激光加工条件,其特征在于,
上述加工条件调整装置具备:机器学习装置,其学习上述激光加工中的激光加工条件,
上述机器学习装置具备:
状态观测部,其观测表示上述激光加工中的激光加工条件的加工条件数据以及表示辅助气体的压力损失或流量的目标偏差的气体目标偏差数据作为表示环境的当前状态的状态变量;
学习部,其将辅助气体的压力损失或流量的目标偏差与激光加工中的激光加工条件的调整关联起来进行学习;以及
决策部,其根据上述状态观测部观测到的状态变量和上述学习部的学习结果,来决定激光加工中的激光加工条件的调整。
6.根据权利要求5所述的加工条件调整装置,其特征在于,
上述机器学习装置存在于云服务器中。
7.一种机器学习装置,其学习对工件进行激光加工的激光加工装置的激光加工条件,其特征在于,
该机器学习装置具备:
状态观测部,其观测表示上述激光加工中的激光加工条件的加工条件数据以及表示辅助气体的压力损失或流量的目标偏差的气体目标偏差数据作为表示环境的当前状态的状态变量;
判定数据取得部,其取得工件质量判定数据作为表示上述工件的加工的适当与否判定结果的判定数据,上述工件质量判定数据是判定根据上述激光加工中的激光加工条件进行加工后的工件的质量的数据;以及
学习部,其使用上述状态变量和上述判定数据,将辅助气体的压力损失或流量的目标偏差与激光加工中的激光加工条件的调整关联起来进行学习。
8.一种机器学习装置,其学习对工件进行激光加工的激光加工装置的激光加工条件,其特征在于,
该机器学习装置具备:
状态观测部,其观测表示上述激光加工中的激光加工条件的加工条件数据以及表示辅助气体的压力损失或流量的目标偏差的气体目标偏差数据作为表示环境的当前状态的状态变量;
学习部,其将辅助气体的压力损失或流量的目标偏差与激光加工中的激光加工条件的调整关联起来进行学习;以及
决策部,其根据上述状态观测部观测到的状态变量和上述学习部的学习结果,来决定激光加工中的激光加工条件的调整。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018058280A JP6767416B2 (ja) | 2018-03-26 | 2018-03-26 | 加工条件調整装置及び機械学習装置 |
JP2018-058280 | 2018-03-26 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110355462A CN110355462A (zh) | 2019-10-22 |
CN110355462B true CN110355462B (zh) | 2021-11-16 |
Family
ID=67848507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910232835.2A Active CN110355462B (zh) | 2018-03-26 | 2019-03-26 | 加工条件调整装置以及机器学习装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20190291215A1 (zh) |
JP (1) | JP6767416B2 (zh) |
CN (1) | CN110355462B (zh) |
DE (1) | DE102019106939A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6795567B2 (ja) * | 2018-10-30 | 2020-12-02 | ファナック株式会社 | 加工条件設定装置及び三次元レーザ加工システム |
DE102019130609A1 (de) * | 2019-11-13 | 2021-05-20 | Ford Global Technologies, Llc | Verfahren zum Bestimmen eines Reglers für eine Regelstrecke |
CN111251474B (zh) * | 2020-02-21 | 2022-04-26 | 山东理工大学 | 基于声发射信号特征识别与加工参数自动匹配的陶瓷激光车削复合塑性加工方法 |
JP7186944B2 (ja) * | 2020-03-27 | 2022-12-12 | 株式会社日立ハイテクソリューションズ | 加工装置および加工方法 |
US11742901B2 (en) * | 2020-07-27 | 2023-08-29 | Electronics And Telecommunications Research Institute | Deep learning based beamforming method and apparatus |
JP7308966B2 (ja) | 2021-04-06 | 2023-07-14 | 三菱電機株式会社 | レーザ加工装置およびレーザ加工方法 |
DE102022101429A1 (de) | 2022-01-21 | 2023-07-27 | TRUMPF Werkzeugmaschinen SE + Co. KG | Strahlschneidverfahren, Computerprogramm und Strahlschneidanlage |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6444296A (en) * | 1987-08-12 | 1989-02-16 | Fanuc Ltd | Assist gas control system |
CH678028A5 (zh) * | 1988-09-01 | 1991-07-31 | Inst Fiz Akademii Nauk Litovsk | |
DE3942299C2 (de) * | 1989-12-21 | 1995-04-27 | Bosch Gmbh Robert | Verfahren und Vorrichtung zum laufenden Messen der Größe von Durchgangsbohrungen |
IT1250872B (it) * | 1991-12-06 | 1995-04-21 | Altec Srl | Metodo per alimentare un gas di assistenza su un pezzo sottoposto a taglio laser ed apparecchiatura di taglio operante secondo tale metodo |
JPH06328281A (ja) * | 1993-05-17 | 1994-11-29 | Amada Co Ltd | レーザ加工機におけるレーザビームの芯出し方法およびその装置 |
DE4437795C2 (de) * | 1993-10-21 | 1996-12-12 | Mitsubishi Electric Corp | Bearbeitungskopf mit Haupt- und Neben-Hilfsgasdüsen für eine Laserbearbeitungseinrichtung sowie Laserbearbeitungseinrichtung |
JP4235789B2 (ja) * | 2002-05-15 | 2009-03-11 | トヨタ自動車株式会社 | 燃料噴射孔加工方法及び加工装置 |
JP4723456B2 (ja) * | 2006-10-27 | 2011-07-13 | 三菱電機株式会社 | 加工ヘッドおよびノズル交換装置およびレーザ加工装置 |
RU2529135C2 (ru) * | 2008-11-21 | 2014-09-27 | Прецитек Кг | Способ и устройство для контроля проводимого на обрабатываемой детали процесса лазерной обработки, а также лазерная обрабатывающая головка с подобным устройством |
EP2585248B1 (en) * | 2010-06-28 | 2017-10-18 | Precitec GmbH & Co. KG | Method for controlling a laser processing operation by means of a reinforcement learning agent and laser material processing head using the same |
EP3159093B1 (de) * | 2015-10-23 | 2018-07-18 | Bystronic Laser AG | Verfahren zur kontrolle von laserschneidvorgängen in hochleistungsbereich mit schneidvorgangunterbrechung entsprechende vorrichtung und computerprogrammprodukt |
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 |
JP6625914B2 (ja) * | 2016-03-17 | 2019-12-25 | 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 |
JP6453805B2 (ja) * | 2016-04-25 | 2019-01-16 | ファナック株式会社 | 製品の異常に関連する変数の判定値を設定する生産システム |
JP6801312B2 (ja) * | 2016-09-07 | 2020-12-16 | 村田機械株式会社 | レーザ加工機、及びレーザ加工方法 |
CN106425115B (zh) * | 2016-10-12 | 2019-03-05 | 广东正业科技股份有限公司 | 一种激光加工设备及其检测激光穿孔的装置 |
DE102017205084A1 (de) * | 2017-03-27 | 2018-09-27 | Trumpf Werkzeugmaschinen Gmbh + Co. Kg | Gasdüse mit verschleißfester Hülse zur Kapselung eines Schneidgasstrahls |
-
2018
- 2018-03-26 JP JP2018058280A patent/JP6767416B2/ja active Active
-
2019
- 2019-03-19 DE DE102019106939.4A patent/DE102019106939A1/de active Pending
- 2019-03-25 US US16/362,698 patent/US20190291215A1/en active Pending
- 2019-03-26 CN CN201910232835.2A patent/CN110355462B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110355462A (zh) | 2019-10-22 |
DE102019106939A1 (de) | 2019-09-26 |
JP2019166559A (ja) | 2019-10-03 |
US20190291215A1 (en) | 2019-09-26 |
JP6767416B2 (ja) | 2020-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110355462B (zh) | 加工条件调整装置以及机器学习装置 | |
CN109960219B (zh) | 控制装置以及机器学习装置 | |
CN110549005B (zh) | 加工条件调整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 | |
CN108241342B (zh) | 数值控制装置以及机器学习装置 | |
JP6557285B2 (ja) | 制御装置及び機械学習装置 | |
US10962960B2 (en) | Chip removal apparatus and information processing apparatus | |
CN108723889B (zh) | 加减速控制装置 | |
KR102224970B1 (ko) | 제어 장치 및 기계 학습 장치 | |
CN109725606B (zh) | 加工条件调整装置以及机器学习装置 | |
CN110501973B (zh) | 模拟装置 | |
JP2019185125A (ja) | 制御装置及び機械学習装置 | |
JP2019141869A (ja) | 制御装置及び機械学習装置 | |
JP2019168973A (ja) | 駆動装置及び機械学習装置 | |
CN109725597B (zh) | 测试装置以及机器学习装置 | |
CN110893515B (zh) | 加工条件调整装置以及机器学习装置 |
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 |