CN110549005A - 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 PDF

Info

Publication number
CN110549005A
CN110549005A CN201910403520.XA CN201910403520A CN110549005A CN 110549005 A CN110549005 A CN 110549005A CN 201910403520 A CN201910403520 A CN 201910403520A CN 110549005 A CN110549005 A CN 110549005A
Authority
CN
China
Prior art keywords
laser processing
workpiece
machining
laser
learning
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
CN201910403520.XA
Other languages
English (en)
Other versions
CN110549005B (zh
Inventor
和泉贵士
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 CN110549005A publication Critical patent/CN110549005A/zh
Application granted granted Critical
Publication of CN110549005B publication Critical patent/CN110549005B/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
    • 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
    • B23K31/10—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 cutting or desurfacing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/36—Removing material
    • B23K26/38—Removing material by boring or cutting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—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
    • B23K26/034—Observing the temperature of 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
    • B23K26/0006—Working by laser beam, e.g. welding, cutting or boring taking account of the properties of the material involved
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/08—Devices involving relative movement between laser beam and workpiece
    • B23K26/082—Scanning systems, i.e. devices involving movement of the laser beam relative to the laser head
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/08—Devices involving relative movement between laser beam and workpiece
    • B23K26/0869—Devices involving movement of the laser head in at least one axial direction
    • 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
    • B23K26/1462—Nozzles; Features related to nozzles
    • B23K26/1464—Supply to, or discharge from, nozzles of media, e.g. gas, powder, wire
    • 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
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/021—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a variable is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Mechanical Engineering (AREA)
  • Plasma & Fusion (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Laser Beam Processing (AREA)
  • Numerical Control (AREA)

Abstract

本发明提供一种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(1)所具备的机器学习装置具备：状态观测部，其观测表示激光加工的激光加工条件的加工条件数据以及表示工件的切割前沿的斜后方部的升温值的斜后方升温数据来作为表示环境的当前状态的状态变量；判定数据取得部，其取得升温值判定数据来作为表示工件的加工的适当与否判定结果的判定数据，升温值判定数据用于判定基于激光加工的激光加工条件进行加工时的升温值是否适当；以及学习部，其使用状态变量和判定数据，将升温值与激光加工的激光加工条件的调整关联起来进行学习。

Description

加工条件调整装置以及机器学习装置
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
在通过激光进行工件的切断等加工的激光加工装置中，每次运转时产生构成部件的劣化或污染物的附着等。因此，激光加工装置不是始终处于恒定状态。也就是说，激光加工装置的状态每天都在发生变化。因为，激光加工的最佳的激光加工条件随着激光加工装置的状态变化而发生变化。
在激光加工装置中，希望设定用于保持一定水准的加工精度、加工品质，并且能够高速地进行加工的激光加工条件。作为设定这样的激光加工的加工条件的现有技术，例如在日本特开平07-100674号和日本特开2017-164801号公报中公开了根据激光加工装置运转时的工件的加工部的温度，调整激光加工条件的技术。
然而，激光加工时的加工部的温度因切口宽度，辅助气体压力损失或辅助气体流出等的影响而细微地发生变化。因此，若将加工部的温度用于激光加工条件的调整，则有时加工条件不稳定，且调整不顺利。此外，若对一个工件长时间持续进行激光加工，则在工件中累积的热量增加，工件的温度上升。在该情况下，无法准确地掌握在加工过程中照射的激光向加工部传递的热量。因此，即使根据检测出的加工部的温度调整激光加工条件，有时也无法将激光加工条件调整为最佳的条件。
因此，本发明的目的在于提供一种能够恰当地调整激光加工装置对工件进行激光加工时的激光加工条件的加工条件调整装置以及机器学习装置。
发明内容
在本发明的一实施方式的加工条件调整装置中，如图9所示，从通过激光加工正在切断的工件的切割前沿观察，根据相对于加工方向的斜后方部的每个预定期间的升温值来调整激光加工条件。工件的切割前沿的斜后方部位于已完成加工的部分的附近。该斜后方部的温度与加工部的温度相比噪声少且稳定。因此，该斜后方部的温度适用于掌握加工状态。此外，通过使用每个预定期间的升温值，即使在环境温度变化或工件自身的温度上升的情况下，也能够准确地掌握基于激光加工的向工件的热传递量。与检测出的温度相比，每个预定期间的升温值更准确地反映了加工部的状态。通过根据每个预定期间的升温值进行激光加工条件的调整，能够恰当地进行激光加工。
并且，本发明的一方式是加工条件调整装置，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，且具备学习所述激光加工中的激光加工条件的机器学习装置，所述机器学习装置具备：状态观测部，其观测表示所述激光加工的激光加工条件的加工条件数据以及表示工件的切割前沿的斜后方部的升温值的斜后方升温数据来作为表示环境的当前状态的状态变量；判定数据取得部，其取得升温值判定数据来作为表示所述工件的加工的适当与否判定结果的判定数据，所述升温值判定数据用于判定基于所述激光加工的激光加工条件进行加工时的所述工件的切割前沿的斜后方部的升温值是否适当；以及学习部，其使用所述状态变量和所述判定数据，将工件的切割前沿的斜后方部的升温值与激光加工的激光加工条件的调整关联起来进行学习。
本发明的另一方式是加工条件调整装置，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，且具备学习所述激光加工中的激光加工条件的机器学习装置，所述机器学习装置具备：状态观测部，其观测表示所述激光加工的激光加工条件的加工条件数据以及表示工件的切割前沿的斜后方部的升温值的斜后方升温数据来作为表示环境的当前状态的状态变量；学习部，其将所述工件的切割前沿的斜后方部的升温值与所述激光加工的激光加工条件的调整关联起来进行学习；以及决策部，其根据所述状态观测部观测到的状态变量和所述学习部的学习结果，来决定激光加工的激光加工条件的调整。
本发明的其他方式是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的机器学习装置，所述机器学习装置具备：状态观测部，其观测表示所述激光加工的激光加工条件的加工条件数据以及表示工件的切割前沿的斜后方部的升温值的斜后方升温数据来作为表示环境的当前状态的状态变量；判定数据取得部，其取得升温值判定数据来作为表示所述工件的加工的适当与否判定结果的判定数据，所述升温值判定数据用于判定基于所述激光加工的激光加工条件进行加工时的工件的切割前沿的斜后方部的升温值是否适当；以及学习部，其使用所述状态变量和所述判定数据，将工件的切割前沿的斜后方部的升温值与激光加工的激光加工条件的调整关联起来进行学习。
本发明的其他方式是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的机器学习装置，所述机器学习装置具备：状态观测部，其观测表示所述激光加工的激光加工条件的加工条件数据以及表示工件的切割前沿的斜后方部的升温值的斜后方升温数据来作为表示环境的当前状态的状态变量；学习部，其将工件的切割前沿的斜后方部的升温值与激光加工的激光加工条件的调整关联起来进行学习；以及决策部，其根据所述状态观测部观测到的状态变量和所述学习部的学习结果，来决定激光加工的激光加工条件的调整。
根据本发明的一实施方式，恰当地进行激光加工装置中的对工件进行激光加工时的激光加工条件的调整。
附图说明
通过参照附图对以下的实施例进行说明，本发明的上述以及其他目的和特征变得明确。在这些附图中：
图1是一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是表示工件的升温值的测定方法的例子的图。
图4是表示工件的升温值的测定方法的其他例子的图。
图5是表示加工条件调整装置的一方式的概要功能框图。
图6是表示机器学习方法的一方式的概要流程图。
图7A是说明神经元的图。
图7B是说明神经网络的图。
图8是表示安装了加工条件调整装置的系统的一方式的概要功能框图。
图9是说明一实施方式中的作为判定数据的升温值的取得方法的图。
具体实施方式
以下，将本发明的实施方式与附图一起进行说明。
图1是表示第一实施方式的加工条件调整装置的概要硬件结构图。加工条件调整装置1例如安装在对激光加工装置进行控制的控制装置中。此外，加工条件调整装置1例如也可以安装在与控制激光加工装置的控制装置并设的个人计算机、经由有线/无线网络与控制装置连接的单元计算机、主机计算机、边缘服务器、云服务器等计算机中。在本实施方式中示出了加工条件调整装置1安装在控制激光加工装置2的控制装置的例子。
本实施方式的加工条件调整装置1所具备的CPU(Central Processing Unit，中央处理单元)11是对加工条件调整装置1进行整体控制的处理器。CPU11经由总线20读出存储在ROM(Read Only Memory，只读存储器)12的系统程序。CPU11按照该系统程序对整个加工条件调整装置1进行控制。RAM(Random Access Memory，随机存取存储器)13中暂时存储临时的计算数据、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例如通过未图示的电池进行支援。非易失性存储器14构成为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中存储经由接口从外部设备(未图示)读入的程序、经由显示器/MDI(Manual Data Input，手动数据输入)单元70输入的程序、经由加工条件调整装置1的各部或接口19从激光加工装置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的传感器等检测出的工件的切割前沿(cutting front)的斜后方部的温度等)。存储在非易失性存储器14中的程序、各种数据在执行时/利用时可以在RAM13中展开。此外，在ROM12中预先写入了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之间的交换的系统程序)。
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接受来自显示器/MDI单元70的键盘的指令或数据并转交给CPU11。接口18与操作盘71连接，该操作盘71具备在手动驱动各轴时所使用的手动脉冲发生器等。
接口21是用于将与加工条件调整装置1的各部相连接的总线20与机器学习装置100连接的接口。机器学习装置100具备对整个机器学习装置100进行控制的处理器101、存储了系统程序等的ROM102、临时存储在与机器学习有关的各处理中使用的各种数据的RAM103以及用于存储学习模型等的非易失性存储器104。机器学习装置100能够观测加工条件调整装置1能够经由接口21取得的各信息(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的传感器等检测出的工件的切割前沿的斜后方部的温度等)。此外，加工条件调整装置1根据从机器学习装置100输出的加工条件的变更指令，对激光加工装置2的动作进行控制。
图2是一实施方式的加工条件调整装置1的概要功能框图。图2所示的各功能模块的功能通过由图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执行各自的系统程序来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34一般按照基于控制程序等的指令来控制激光加工装置2的动作。此外，控制部34在正在控制激光加工装置2的动作时，若从机器学习装置100输出加工条件的变更指令，则控制激光加工装置2使得通过从机器学习装置100输出的加工条件进行激光加工，来取代控制程序或事先在激光加工装置2中设定的激光加工条件。
另一方面，机器学习装置100包含软件(学习算法等)以及硬件(处理器101等)，该软件和硬件用于通过机器学习来自己学习针对工件的切割前沿的斜后方部的升温值如何调整激光加工条件。机器学习装置100学习表示工件的切割前沿的斜后方部的升温值与激光加工中的激光加工条件的调整之间的相关性的模型构造。
如图2的功能模块所示，机器学习装置100具备状态观测部106、判定数据取得部108以及学习部110。状态观测部106观测表示环境的当前状态的状态变量S，该状态变量S包括表示激光加工条件的激光加工条件数据S1以及表示工件的切割前沿的斜后方部的升温值的斜后方部升温数据S2。判定数据取得部108取得包含升温值判定数据D1的判定数据D，该升温值判定数据D1用于判定根据调整后的激光加工条件进行了激光加工时的工件的切割前沿的斜后方部的升温值是否适当。学习部110使用状态变量S和判定数据D，来学习工件的切割前沿的斜后方部的升温值与激光加工条件的调整之间的相关性。
状态观测部106观测的状态变量S中的激光加工条件数据S1是在激光加工装置2中进行的激光加工的激光加工条件。激光加工条件例如包括激光加工装置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。这些激光加工条件中的焦点位置以及加工速度对工件的激光加工的完成产生大的影响。因此，希望激光加工条件数据S1中至少包含焦点位置以及加工速度。在控制激光加工装置2的动作的程序或加工条件调整装置1中设定激光加工条件。机器学习装置100取得根据存储在非易失性存储器14中的激光加工参数等设定的激光加工条件。
在激光加工条件数据S1中使用根据学习部110的学习结果针对前一个学习周期的工件的切割前沿的斜后方部的升温值进行调整后的激光加工条件。在该情况下，机器学习装置100在每个学习周期将激光加工条件临时存储在RAM103。状态观测部106从RAM103取得前一个学习周期中的激光加工条件来作为本次的学习周期的激光加工条件数据S1。
将斜后方部升温数据S2设为由传感器3检测出的工件的切割前沿的斜后方部的温度在预先决定的预定期间内的温度上升值来取得。
图3中示出了测定工件的切割前沿的斜后方部A的温度TA的传感器3a和测定充分远离了工件的加工位置的位置D的温度TD的传感器3b。例如，将斜后方部升温数据S2定义为传感器3a测定出的温度TA与传感器3b测定出的温度TD之间的差值温度(TA－TD)在每个预定期间的升温值。也可以预先通过实验等求出噪声降低某种程度从而传感器3a稳定地测定温度的位置A是从工件的切割前沿观察时远离了何种程度的位置。在通常规模的激光加工装置中，位置A是从工件的切割前沿观察时大概位于5mm～10mm左右的位置。此外，传感器3b测定温度的位置D因工件的材质、厚度等而不同。因此，预先通过实验等求出接近加工前的工件的温度的位置来作为位置D即可。接近加工前的工件的温度的位置是在激光加工中温度无变化、或者温度变化小的工件的位置。
在图4中示出了测定从工件的切割前沿稍微远离的斜后方部B的温度TB的传感器3。斜后方部升温数据S2例如也可以被定义为传感器3测定出的温度TB与当前的工件的基准温度TBb之间的差值温度(TB－TBb)，其中，当前的工件的基准温度TBb是根据在加工开始时测定出的工件的温度TB0以及在加工过程中取得的信息而推定出的温度。例如，可以预先通过实验等使用与加工条件、工件材质、热容量等关联起来求出的加工时的工件的温度的上升值来推定基准温度TBb。此外，也可以根据在所设定的加工条件下对工件赋予的热量，通过模拟等推定基准温度TBb。通过该方法求出的升温值为推定值，因此与使用图3说明的例子相比精度低，但是安装在喷嘴的传感器3为一个，因此在成本方面有优势。
状态观测部106在学习部110进行在线学习的情况下，从激光加工装置2、传感器3以及加工条件调整装置1的各部逐次取得各状态变量。另一方面，在学习部110进行离线学习的情况下，将在工件的加工过程中以及加工品质检测动作时取得的各信息作为日志数据存储在非易失性存储器14，状态观测部106解析所记录的日志数据来取得各状态变量即可。
判定数据取得部108能够使用根据调整后的激光加工条件进行了激光加工时的工件的切割前沿的斜后方部的升温值是否适当的判定结果来作为升温值判定数据D1。判定数据取得部108例如使用工件的切割前沿的斜后方部的温度在预先决定的期间内的温度上升值比预先决定的阈值小(适当)还是大(不适当)这样的信息来作为升温值判定数据D1。认为工件的切割前沿的斜后方部的升温值中存在与工件的种类、大小等对应的适当值，但基本上越小则越适当。判定数据取得部108也可以准备多个阈值，阶段性地判定升温值判定数据D1的适当与否。此外，判定数据取得部108也可以使用在本次的学习周期中取得的升温值比在前一个学习周期中取得的工件的切割前沿的斜后方部的升温值小(适当)还是大(不适当)这样的信息来进行判定。
另外，在学习部110进行学习的阶段，判定数据取得部108是必须的结构。但是，在学习部110进行的将工件的切割前沿的斜后方部的升温值与激光加工条件的调整关联起来的学习完成后，判定数据取得部108对于机器学习装置100而言并不是必须的结构。例如，可以将完成了学习的机器学习装置100在拆卸了判定数据取得部108的状态下向客户发货。
当以学习部110的学习周期进行考虑时，与判定数据D同时向学习部110输入的状态变量S成为基于取得了判定数据D的学习周期的前一个学习周期的数据的状态变量。这样，在加工条件调整装置1具备的机器学习装置100推进学习的期间，在环境下反复执行斜后方部升温数据S2的取得、基于根据所取得的各数据进行了调整后的激光加工条件数据S1的工件加工、以及判定数据D的取得。
学习部110按照统称为机器学习的任意的学习算法，来学习与工件的切割前沿的斜后方部的升温值相对的最佳的激光加工条件的调整。也就是说，学习部110在工件的切割前沿的斜后方部表示某个升温值的情况下，学习如何调整激光加工条件才能进行最佳的激光加工。学习部110基于包含上述的状态变量S和判定数据D的数据集合反复执行学习。在学习与工件的切割前沿的斜后方部的升温值相对的激光加工条件的学习循环的重复过程中，如上所述，根据工件的切割前沿的斜后方部的升温值以及在前一个学习周期中调整后的激光加工的激光加工条件来取得状态变量S。此外，判定数据D是根据调整后的激光加工的激光加工条件进行的工件加工是否适当的判定结果。
通过反复进行这样的学习循环，学习部110能够识别出暗示工件的切割前沿的斜后方部的升温值与激光加工的激光加工条件的调整之间的相关性的特征。在学习算法的开始时，工件的切割前沿的斜后方部的升温值与激光加工的激光加工条件的调整之间的相关性实质上是未知的。学习部110随着学习的推进逐渐识别特征来解释相关性。当工件的切割前沿的斜后方部的升温值与激光加工的激光加工条件的调整之间的相关性被解释到以某种程度可信任的水平时，学习部110反复输出的学习结果用于针对当前状态(即工件的切割前沿的斜后方部的升温值)应如何调整激光加工中的激光加工条件，即用于选择行为(即决策)。即，学习部110随着学习算法的推进，可使工件的切割前沿的斜后方部的升温值与应该如何调整激光加工条件的行为之间的相关性逐渐接近最佳解。
决策部122根据学习部110学习的结果，针对每一个加工条件在可调整的范围内对激光加工条件进行调整(例如，在可进行激光加工的范围内，对激光输出、加工速度设定下限值)。决策部122将调整后的激光加工条件输出至控制部34。在学习部110的学习成为可用于调制激光加工条件的状态的阶段，若对机器学习装置100输入工件的切割前沿的斜后方部的升温值，则决策部122输出激光加工的激光加工条件(焦点位置、加工速度等)。决策部122根据状态变量S和学习部110学习的结果，调整激光加工的适当的激光加工条件。
如上所述，在机器学习装置100中，学习部110使用状态观测部106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，按照机器学习算法学习应该如何调整与工件的切割前沿的斜后方部的升温值相对的激光加工条件等。状态变量S由激光加工条件数据S1、斜后方部升温数据S2等数据构成。根据在对工件进行了加工时取得的信息唯一地求出判定数据D。因此，根据本实施方式的机器学习装置100，通过使用学习部110的学习结果，能够根据工件的切割前沿的斜后方部的升温值自动且准确地进行激光加工条件的调整。
此外，根据本实施方式的机器学习装置100，若掌握了工件的切割前沿的斜后方部的升温值(斜后方部升温数据S2)，则能够自动地进行激光加工中的激光加工条件的调整。此外，将激光加工中的激光加工条件迅速调整为适当的值。即，本实施方式的机器学习装置100能够高效地进行激光加工中的激光加工条件的调整。
接着，说明加工条件调整装置1具备的机器学习装置100的一变形例。除了升温值判定数据D1外，判定数据取得部108还可以使用用于判定激光加工中的反射光是否适当的反射光判定数据D2来作为判定数据D。作为反射光判定数据D2，例如使用激光加工中的反射光的检测值比预先决定的阈值大(适当)还是小(不适当)这样的信息。也就是说，在反射光判定数据D2中使用根据任意设定的判定基准进行判定的结果。通过将反射光判定数据D2用作判定数据D，一并判定是否准确地进行工件的加工。此外，在准确地对工件进行加工的范围内进行激光加工条件的调整。
具有上述结构的机器学习装置100中的学习部110执行的学习算法的种类并未被特别地限定，可以采用公知的学习算法来作为机器学习。图5表示图2所示的加工条件调整装置1的一方式。本实施方式的加工条件调整装置1具备作为学习算法的一例执行强化学习的学习部110。在强化学习中，观测学习对象所在的环境的当前状态(即输入)，并且在当前状态下执行预定行为(即输出)，对该行为给予某种回报。在强化学习中，将这些作为一个循环，反复执行该循环。在强化学习中，以回报的总和最大化的方式，换言之以针对输入的输出成为最佳解的方式学习输入与输出之间的相关性。本实施方式的机器学习装置中的强化学习是用于使激光加工条件成为最佳解的学习方法。
如图5所示，学习部110具备回报计算部112和价值函数更新部114。回报计算部112求出与基于根据状态变量S进行调整后的激光加工条件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的下一个学习周期中使用的判定数据D)相关联的回报R。价值函数更新部114使用回报R来更新表示激光加工条件的价值的函数Q。学习部110通过由价值函数更新部114反复更新函数Q，来学习针对工件的切割前沿的斜后方部的升温值应如何调整激光加工条件。
说明学习部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-learning)而公知。在Q学习中，学习部110将行为主体的状态s以及在该状态s下行为主体能够选择的行为a作为独立变量，学习用于表示在状态s下选择了行为a时的行为价值的函数Q(s，a)。在状态s下选择价值函数Q的值最高的行为a为最优解。学习部110在状态s与行为a之间的相关性为未知的状态下开始Q学习，重复进行在任意的状态s下选择各种行为a的试错。学习部110反复更新价值函数Q使其趋近最优解。在作为在状态s下选择了行为a的结果使得环境(即状态s)发生变化时，学习部110得到与该变化对应的回报(即行为a的加权)r。引导学习使得选择得到更高回报r的行为a，由此学习部110能够在比较短时间内使价值函数Q趋近最优解。
一般能够如下述的数式1那样表示价值函数Q的更新公式。在数式1中，st和at分别是时刻t的状态和行为，由于行为at，状态变化为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进行了成为最大价值Q(在时刻t预测的)的行为a时的Q的值。α和γ分别是学习系数和折扣率，在0<α≤1、0<γ≤1的范围内任意地设定。
【数式1】
在学习部110执行Q学习时，状态观测部106观测到的状态变量S和判定数据取得部108取得的判定数据D相当于更新式的状态s。应该如何调整与当前状态(即，工件的切割前沿的斜后方部的升温值)相对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。价值函数更新部114通过使用了回报R的Q学习，反复更新表示与当前状态相对的激光加工条件的价值的函数Q。
回报计算部112例如当在调整了激光加工条件后进行的工件的加工的适当与否判定结果被判定为“适当”时(例如，工件的切割前沿的斜后方部的升温值为预先决定的阈值以下的情况下、比前一个学习周期中的升温值小的情况下等)计算出正的回报R。回报计算部112当在调整激光加工条件后进行的工件的加工的适当与否判定结果被判定为“不适当”时(例如，工件的切割前沿的斜后方部的升温值超过预先决定的阈值的情况下、比前一个学习周期中的升温值大的情况下等)计算出负的回报R。正负回报R的绝对值既可以彼此相同也可以不同。此外，也可以将判定数据D中包含的多个值进行组合来作为判定的条件使用。此外，关于工件加工的适当与否判定结果，不仅可以判定为“适当”和“不适当”这两个阶段，还可以分多个阶段进行判定。
此外，在使用多个判定数据的情况下，通过针对各个判定数据中的每个判定数据使回报值变化(进行加权)，来变更作为学习中的目标的状态。在学习的初始阶段，可以将用于判定的阈值设定为比较大的值。此外，随着学习的推进，可以将用于判定的阈值设定为小的值。
价值函数更新部114也可以具有将状态变量S、判定数据D以及回报R与函数Q表示的行为价值(例如数值)关联起来的行为价值表。该情况下，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等同。在开始Q学习时，环境的当前状态与应如何调整激光加工条件之间的相关性是未知的。因此，在行为价值表中，通过与随机决定的行为价值的值(函数Q)关联起来的形式准备各种状态变量S、判定数据D以及回报R。另外，回报计算部112如果知晓判定数据D则能够立即计算出与其对应的回报R。将计算出的回报R写入到行为价值表中。
当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学习时，向选择得到更高回报R的行为的方向引导学习。此外，根据作为在当前状态下执行了所选择的行为的结果而发生变化的环境状态(即状态变量S和判定数据D)，改写与在当前状态下进行的行为相关的行为价值的值(函数Q)。即，更新行为价值表。在反复进行该更新的情况下，以执行的行为(调整激光加工中的激光加工条件的行为。在可进行激光加工的范围内增减焦距，或增减加工速度，或催促更换喷嘴，增减加工中的辅助气体的压力等)越适当则成为越大的值的方式来改写行为价值表中所显示的行为价值的值(函数Q)。这样，未知环境的当前状态(工件的切割前沿的斜后方部的升温值)和与此相对的行为(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。也就是说，通过更新行为价值表，使工件的切割前沿的斜后方部的升温值与应如何调整激光加工条件的行为之间的相关性逐渐接近最佳解。
参照图6，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方式)。首先，在步骤SA01中，价值函数更新部114一边参照该时间点的行为价值表，一边随机选择激光加工条件的调整行为来作为在状态观测部106观测到的状态变量S所示的当前状态下进行的行为。接着，在步骤SA02中，价值函数更新部114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中，价值函数更新部114取入判定数据取得部108取得的当前状态的判定数据D。在步骤SA04中，价值函数更新部114根据判定数据D，判断基于调整后的激光加工条件的工件加工是否适当。工件的加工适当时，在步骤SA05中，价值函数更新部114将回报计算部112求出的正的回报R应用于函数Q的更新式。接着，在步骤SA06中，价值函数更新部114使用当前状态下的状态变量S、判定数据D、回报R以及行为价值的值(更新后的函数Q)来更新行为价值表。在步骤SA04中，当基于调整后的激光加工条件进行的工件加工被判断为不适当时，在步骤SA07中，价值函数更新部114将回报计算部112求出的负的回报R应用于函数Q的更新式。接着，在步骤SA06中，价值函数更新部114使用当前状态下的状态变量S、判定数据D、回报R以及行为价值的值(更新后的函数Q)来更新行为价值表。通过反复进行步骤SA01～SA07，学习部110反复更新行为价值表，推进激光加工条件的调整的学习。另外，对于判定数据D中包含的各数据执行从步骤SA04到步骤SA07的求出回报R的处理和价值函数的更新处理。
在进行上述的强化学习时，例如可以应用神经网络。图7A示意性地示出神经元的模型。图7B示意性地示出将图7A所示的神经元进行组合而构成的三层的神经网络的模型。神经网络例如能够由模仿神经元模型的运算装置、存储装置等构成。
图7A所示的神经元输出与多个输入x(在这里作为一个例子为输入x1～x3)相对的结果y。对各输入x1～x3乘以与该输入x对应的权重w(w1～w3)。由此，神经元输出由下式2表现的输出y。另外，在数式2中，输入x、输出y以及权重w全部为向量。另外，θ为偏置，fk为激活函数。
【数学式2】
在图7B所示的三层的神经网络中，从左侧输入多个输入x(在这里作为一个例子为输入x1～输入x3)，从右侧输出结果y(在这里作为一个例子为结果y1～结果y3)。在图示的例子中，对输入x1、x2、x3分别乘以对应的权重(全体由w1表示)，向三个神经元N11、N12、N13都输入各个输入x1、x2、x3。
在图7B中，神经元N11～N13的各个输出全体由z1表示。能够将z1看做是提取了输入向量的特征量而得到的特征向量。在图示的例子中，对特征向量z1分别乘以对应的权重(全体由w2表示)，将各个特征向量z1均输入给两个神经元N21、N22。特征向量z1表示权重w1与权重w2之间的特征。
在图7B中，神经元N21～N22的各个输出全体由z2表示。能够将z2看做是提取了特征向量z1的特征量而得到的特征向量。在图示的例子中，对特征向量z2分别乘以对应的权重(全体由w3表示)，将各个特征向量z2均输入给三个神经元N31、N32、N33。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，也可以采用使用了三层以上的神经网络的所谓的深度学习的方法。
机器学习装置100能够将神经网络用作Q学习中的价值函数，将状态变量S和行为a用作输入x。在该情况下，学习部110按照上述神经网络进行多层构造的运算，由此输出该状态下的该行为的价值(结果y)。另外，在神经网络的动作模式中具有学习模式和价值预测模式。例如，机器学习装置100能够在学习模式下使用学习数据集来学习权值w，在价值预测模式下使用学习到的权值w来进行行为的价值判断。另外，在价值预测模式中也可以进行检测、分类、推论等。
上述的加工条件调整装置1的结构可以记述为处理器101执行的机器学习方法(或者软件)。该机器学习方法是学习激光加工的激光加工条件的调整的机器学习方法，具有由计算机的CPU执行的如下步骤：观测激光加工条件数据S1和斜后方部升温数据S2来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；取得表示基于调整后的激光加工的激光加工条件进行的工件加工的适当与否判定结果的判定数据D；使用状态变量S和判定数据D，将斜后方部升温数据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。
图8表示具备加工条件调整装置1的第三实施方式的系统170。系统170具备作为单元计算机、主机计算机、云服务器等计算机的一部分而安装的至少一台加工条件调整装置1、成为控制对象的多个激光加工装置2、将加工条件调整装置1和激光加工装置2相互连接的有线/无线的网络172。
在具有上述结构的系统170中，具备机器学习装置100的加工条件调整装置1能够使用学习部110的学习结果，针对每个激光加工装置2自动且准确地进行与工件的切割前沿的斜后方部的升温值相对的激光加工条件的调整。此外，机器学习装置100也可以根据对于多个激光加工装置2分别得到的状态变量S和判定数据D，学习应如何调整激光加工条件。在机器学习装置100学习了应如何调整激光加工条件的情况下，可以在所有的激光加工装置2的动作中共享该学习结果。因此，在系统170中，将更多样的数据集合(包含状态变量S和判定数据D)作为输入而使用，机器学习装置100的学习速度和可靠性得到提高。
以上，对本发明的实施方式进行了说明，但本发明并不限定于上述的实施方式的例子，通过增加适当的变更，能够以各种方式实施。
例如，机器学习装置100所执行的学习算法、运算算法、加工条件调整装置1所执行的控制算法等并不限于上述的说明，可采用各种算法。
此外，在上述的实施方式中说明了加工条件调整装置1和机器学习装置100是具有不同CPU的装置，但机器学习装置100也可以通过加工条件调整装置1所具备的CPU11和存储在ROM12的系统程序来实现。

Claims (9)

1.一种机器学习装置，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，
所述机器学习装置具备：
状态观测部，其观测表示所述激光加工的激光加工条件的加工条件数据以及表示工件的切割前沿的斜后方部的升温值的斜后方升温数据来作为表示环境的当前状态的状态变量；
判定数据取得部，其取得升温值判定数据来作为表示所述工件的加工的适当与否判定结果的判定数据，所述升温值判定数据用于判定基于所述激光加工的激光加工条件进行加工时的所述工件的切割前沿的斜后方部的升温值是否适当；以及
学习部，其使用所述状态变量和所述判定数据，将所述工件的切割前沿的斜后方部的升温值与所述激光加工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所述的机器学习装置，其特征在于，
所述斜后方升温数据是对传感器测定出的加工时的所述工件的切割前沿的斜后方部的温度与其他传感器测定出的远离所述工件的切割前沿的斜后方部的位置的所述工件的温度之间的差进行观测而得到的数据。
3.根据权利要求1所述的机器学习装置，其特征在于，
所述斜后方升温数据是对传感器测定出的加工时的工件的切割前沿的斜后方部的温度与加工前的工件的温度的推定值之间的差进行观测而得到的数据。
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，
所述判定数据取得部还取得用于判定基于所述激光加工的激光加工条件进行加工时的反射光是否适当的反射光判定数据，来作为表示所述工件的加工的适当与否判定结果的判定数据。
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，
所述学习部具备：
回报计算部，其求出与所述适当与否判定结果相关联的回报；以及
价值函数更新部，其使用所述回报来更新函数，该函数表示与所述工件的切割前沿的斜后方部的升温值相对的所述激光加工的激光加工条件的调整行为的价值，
所述工件的切割前沿的斜后方部的升温值越小，所述回报计算部赋予越高的回报。
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，
所述学习部通过多层构造来运算所述状态变量和所述判定数据。
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，
所述机器学习装置具备：
状态观测部，其观测表示所述激光加工的激光加工条件的加工条件数据以及表示工件的切割前沿的斜后方部的升温值的斜后方升温数据来作为表示环境的当前状态的状态变量；
学习部，其将所述工件的切割前沿的斜后方部的升温值与所述激光加工的激光加工条件的调整关联起来进行学习；以及
决策部，其根据所述状态观测部观测到的状态变量和所述学习部的学习结果，来决定激光加工的激光加工条件的调整。
8.一种加工条件调整装置，其特征在于，
所述加工条件调整装置具有权利要求1～7中的任意一项所述的机器学习装置，
所述加工条件调整装置对所述激光加工条件进行调整。
9.根据权利要求8所述的加工条件调整装置，其特征在于，
所述机器学习装置存在于云服务器。
CN201910403520.XA 2018-05-15 2019-05-15 加工条件调整装置以及机器学习装置 Active CN110549005B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-094133 2018-05-15
JP2018094133A JP6923484B2 (ja) 2018-05-15 2018-05-15 加工条件調整装置及び機械学習装置

Publications (2)

Publication Number Publication Date
CN110549005A true CN110549005A (zh) 2019-12-10
CN110549005B CN110549005B (zh) 2022-10-04

Family

ID=68419804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910403520.XA Active CN110549005B (zh) 2018-05-15 2019-05-15 加工条件调整装置以及机器学习装置

Country Status (4)

Country Link
US (1) US11554448B2 (zh)
JP (1) JP6923484B2 (zh)
CN (1) CN110549005B (zh)
DE (1) DE102019112379A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116213960A (zh) * 2023-04-26 2023-06-06 济宁市隆基新型建材有限公司 一种智能切割设备的智能校准系统及方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
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
US11413747B2 (en) * 2019-08-12 2022-08-16 Workshops for Warriors Machine learning driven computer numerical control of a robotic machine tool
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
DE102020112116A1 (de) 2020-05-05 2021-11-11 Precitec Gmbh & Co. Kg Verfahren zum Analysieren eines Laserbearbeitungsprozesses, System zum Analysieren eines Laserbearbeitungsprozesses und Laserbearbeitungssystem mit einem solchen System
JP7286055B2 (ja) * 2021-04-22 2023-06-02 三菱電機株式会社 加工条件探索装置、プログラム及び加工条件探索方法
JP2023061289A (ja) * 2021-10-19 2023-05-01 株式会社アマダ 予測・推定システム、学習装置及び予測・推定装置
CN115319311B (zh) * 2022-10-13 2023-03-17 扬州皓月机械有限公司 一种激光切割设备

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09179623A (ja) * 1995-12-22 1997-07-11 Makino Milling Mach Co Ltd 数値制御による機械装置の制御方法および装置
US5854751A (en) * 1996-10-15 1998-12-29 The Trustees Of Columbia University In The City Of New York Simulator and optimizer of laser cutting process
US20060060571A1 (en) * 2004-09-21 2006-03-23 Fanuc Ltd Laser apparatus
US20070150079A1 (en) * 2005-12-05 2007-06-28 Fisher-Rosemount Systems, Inc. Self-diagnostic process control loop for a process plant
US20080105094A1 (en) * 2004-12-20 2008-05-08 Renishaw Plc Machine and Control System
US20080296270A1 (en) * 2007-05-31 2008-12-04 Lijun Song Real-time implementation of generalized predictive algorithm for direct metal deposition (dmd) process control
US20100288734A1 (en) * 2009-05-14 2010-11-18 Dave Vivek R Controlled weld pool volume control of welding processes
JP2015206263A (ja) * 2014-04-17 2015-11-19 株式会社デンソー 全閉位置学習装置
US20170032281A1 (en) * 2015-07-29 2017-02-02 Illinois Tool Works Inc. System and Method to Facilitate Welding Software as a Service
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
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
JP6289713B1 (ja) * 2017-06-12 2018-03-07 南海鋼材株式会社 溶接システム及び溶接方法
CN107953144A (zh) * 2016-10-18 2018-04-24 发那科株式会社 学习机床加工程序的设定值的机械学习装置及加工系统
US20180122623A1 (en) * 2016-11-01 2018-05-03 Fanuc Corporation Wire electric discharge machine

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05309484A (ja) * 1992-05-08 1993-11-22 Komatsu Ltd 切断加工装置の制御方法
JPH07100674A (ja) 1993-10-05 1995-04-18 Amada Co Ltd 加工装置の加工条件自動補正システム
ES2101422T3 (es) * 1993-11-30 1997-07-01 Elpatronic Ag Mediciones de temperatura simultaneas en costuras de soldadura laser con al menos dos pirometros y coordinacion con parametros del proceso y calidad de la costura.
JP2007044719A (ja) * 2005-08-09 2007-02-22 Mitsubishi Heavy Ind Ltd レーザ加工装置
EP1988375A1 (en) * 2007-05-03 2008-11-05 Renishaw plc Method and apparatus for rapid temperature measurement
JP2013244505A (ja) * 2012-05-25 2013-12-09 Panasonic Corp レーザ装置

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09179623A (ja) * 1995-12-22 1997-07-11 Makino Milling Mach Co Ltd 数値制御による機械装置の制御方法および装置
US5854751A (en) * 1996-10-15 1998-12-29 The Trustees Of Columbia University In The City Of New York Simulator and optimizer of laser cutting process
US20060060571A1 (en) * 2004-09-21 2006-03-23 Fanuc Ltd Laser apparatus
US20080105094A1 (en) * 2004-12-20 2008-05-08 Renishaw Plc Machine and Control System
US20070150079A1 (en) * 2005-12-05 2007-06-28 Fisher-Rosemount Systems, Inc. Self-diagnostic process control loop for a process plant
US20080296270A1 (en) * 2007-05-31 2008-12-04 Lijun Song Real-time implementation of generalized predictive algorithm for direct metal deposition (dmd) process control
US20100288734A1 (en) * 2009-05-14 2010-11-18 Dave Vivek R Controlled weld pool volume control of welding processes
JP2015206263A (ja) * 2014-04-17 2015-11-19 株式会社デンソー 全閉位置学習装置
US20170032281A1 (en) * 2015-07-29 2017-02-02 Illinois Tool Works Inc. System and Method to Facilitate Welding Software as a Service
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
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
CN107953144A (zh) * 2016-10-18 2018-04-24 发那科株式会社 学习机床加工程序的设定值的机械学习装置及加工系统
US20180122623A1 (en) * 2016-11-01 2018-05-03 Fanuc Corporation Wire electric discharge machine
JP6289713B1 (ja) * 2017-06-12 2018-03-07 南海鋼材株式会社 溶接システム及び溶接方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116213960A (zh) * 2023-04-26 2023-06-06 济宁市隆基新型建材有限公司 一种智能切割设备的智能校准系统及方法

Also Published As

Publication number Publication date
US20190351512A1 (en) 2019-11-21
CN110549005B (zh) 2022-10-04
US11554448B2 (en) 2023-01-17
DE102019112379A1 (de) 2019-11-21
JP2019198876A (ja) 2019-11-21
JP6923484B2 (ja) 2021-08-18

Similar Documents

Publication Publication Date Title
CN110549005B (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
US10121107B2 (en) Machine learning device and method for optimizing frequency of tool compensation of machine tool, and machine tool having the machine learning device
CN110355462B (zh) 加工条件调整装置以及机器学习装置
CN108241342B (zh) 数值控制装置以及机器学习装置
CN108723889B (zh) 加减速控制装置
EP3486845B1 (en) Controller and machine learning device
US10796226B2 (en) Laser processing apparatus and machine learning device
JP6557285B2 (ja) 制御装置及び機械学習装置
US10635091B2 (en) Machining condition adjustment device and machine learning device
US20190258982A1 (en) Control device and machine learning device
CN110501973B (zh) 模拟装置
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