CN112543692A - 使用于激光加工系统的机器学习方法、模拟装置、激光加工系统以及程序 - Google Patents

使用于激光加工系统的机器学习方法、模拟装置、激光加工系统以及程序 Download PDF

Info

Publication number
CN112543692A
CN112543692A CN201980051966.9A CN201980051966A CN112543692A CN 112543692 A CN112543692 A CN 112543692A CN 201980051966 A CN201980051966 A CN 201980051966A CN 112543692 A CN112543692 A CN 112543692A
Authority
CN
China
Prior art keywords
processing
laser
data
processing portion
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.)
Pending
Application number
CN201980051966.9A
Other languages
English (en)
Inventor
小林洋平
谷峻太郎
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.)
University of Tokyo NUC
Original Assignee
University of Tokyo NUC
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 University of Tokyo NUC filed Critical University of Tokyo NUC
Publication of CN112543692A publication Critical patent/CN112543692A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/06—Shaping the laser beam, e.g. by masks or multi-focusing
    • B23K26/062—Shaping the laser beam, e.g. by masks or multi-focusing by direct control of the laser beam
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • 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
    • 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
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/19—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
    • G05B19/4099—Surface or curve machining, making 3D objects, e.g. desktop manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45041—Laser cutting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • Plasma & Fusion (AREA)
  • Human Computer Interaction (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Laser Beam Processing (AREA)

Abstract

对激光加工途中的激光照射前后的加工部的加工程度、加工对象物的材质以及所照射的激光的参数进行学习。使用加工对象物的材质、表示对加工对象物进行了照射的激光的特性的激光参数、反映对加工对象物照射激光前后的加工部的与激光加工相伴的三维形状的前加工部数据以及后加工部数据，进行深度学习，得到第1关系来作为学习结果之一，该第1关系在将加工对象物的材质、前加工部数据、激光参数作为了输入数据时，将照射了输入数据涉及的激光之后的后加工部数据作为输出数据。

Description

使用于激光加工系统的机器学习方法、模拟装置、激光加工系 统以及程序
技术领域
本发明涉及使用于激光加工系统的机器学习方法、模拟(simulation)装置、激光加工系统以及程序。
背景技术
以往，作为这种与使用于激光加工系统的机器学习有关的技术，提出了一种机器学习装置，具备：状态量观测部，其对激光加工系统的状态量进行观测；动作结果取得部，其取得激光加工系统的加工结果；学习部，其接受来自状态量观测部的输出和来自动作结果取得部的输出，与激光加工系统的状态量和加工结果相关联地对激光加工条件数据进行学习；以及意思决定部，其参照学习部进行了学习后的激光加工条件数据来输出激光加工条件数据(例如参照专利文献1)。在该装置中，通过这样的机器学习，使得能够决定能获得最佳的加工结果的激光加工条件数据。
现有技术文献
专利文献1:日本特开2017－164801号公报
发明内容
发明要解决的技术问题
已知在激光加工中，如图13所示，从加工对象物除去的除去体积(烧蚀体积)相对于照射脉冲数非线性地增大，烧蚀体积相对于所照射的激光的能量密度(fluence，每单位面积的脉冲能量)也非线性地增大。因此，即使设定参数来对加工对象物照射激光，推测通过该激光的照射进行的烧蚀加工成为何种程度、为了对加工对象物实施特定的加工而如何设定激光的参数也是极为困难的。在上述的机器学习装置中，使得能够决定能获得最佳的加工结果的激光加工条件数据，但不过是与激光加工的结果的关系下的学习，没有进行与激光加工途中的激光照射前后的加工部的加工程度的关系下的学习。
本发明的使用于激光加工系统的机器学习方法的主要目的在于对激光加工途中的激光照射前后的加工部的加工程度、加工对象物的材质以及所照射的激光的参数进行学习。
本发明的使用于激光加工系统的模拟装置的主要目的在于进行使用了激光加工途中的激光照射前后的加工部的加工程度、加工对象物的材质以及所照射的激光的参数的学习结果的模拟。
本发明的激光加工系统的主要目的在于使激光加工的精度提高。
本发明的程序的主要目的在于使计算机作为如下的机器学习装置发挥功能，该机器学习装置对激光加工途中的激光照射前后的加工部的加工程度、加工对象物的材质以及所照射的激光的参数进行学习。
用于解决问题的技术方案
本发明的激光加工系统所使用的机器学习方法、模拟装置、激光加工系统以及程序为了达成上述主要目的而采用了以下的技术方案。
本发明的机器学习方法是使用于激光加工系统的机器学习方法，所述激光加工系统对加工对象物照射激光来进行烧蚀加工，所述机器学习方法的特征在于，
使用所述加工对象物的材质、表示对所述加工对象物进行了照射的激光的特性的激光参数、反映对所述加工对象物照射所述激光前后的加工部的与激光加工相伴的三维形状的前加工部数据以及后加工部数据来进行深度学习，得到第1关系来作为学习结果之一，所述第1关系在将加工对象物的材质、前加工部数据、激光参数作为了输入数据时，将照射了所述输入数据涉及的激光之后的后加工部数据作为输出数据。
在该本发明的机器学习方法中，使用加工对象物的材质、表示对加工对象物进行了照射的激光的特性的激光参数、反映对加工对象物照射激光前后的加工部的与激光加工相伴的三维形状的前加工部数据以及后加工部数据来进行深度学习，得到第1关系来作为该深度学习的结果(学习结果)，该第1关系在将加工对象物的材质、前加工部数据、激光参数作为了输入数据时，将照射了输入数据涉及的激光之后的后加工部数据作为输出数据。在此，前加工部数据和后加工部数据是反映对加工对象物照射激光前后的加工部的与激光加工相伴的三维形状的数据，因此，也包括激光加工前和激光加工途中的激光照射前后的数据、激光加工途中的激光照射前后的数据、激光加工途中和激光加工后(加工完成后)的激光照射前后的数据等。由此，能够对激光加工途中的激光照射前后的加工部的加工程度、加工对象物的材质以及所照射的激光的参数进行学习，能够将第1关系作为学习结果，该第1关系在将加工对象物的材质、前加工部数据、激光参数作为了输入数据时，将照射了输入数据涉及的激光之后的后加工部数据作为输出数据。本发明的机器学习方法中的“深度学习”使用前加工部数据和后加工部数据，得到将后加工部数据作为输出数据的第1关系来作为学习结果，因此，基本上为有教师的学习。另外，“激光参数”可以使用波长、脉冲宽度、脉冲强度、光斑直径、脉冲数、能量密度(每单位面积的脉冲能量)中的至少一部分，“前加工部数据”和“后加工部数据”可以使用加工部的三维形状数据、加工部的表面温度分布数据、加工部的颜色分布数据中的至少一部分。这是由于认为加工部的表面温度分布数据、加工部的颜色分布数据是表示由照射激光引起的温度的变化的数据，反映三维形状的变化的容易度、由变化引起的结果。在此，作为颜色分布数据，不仅包括通常的颜色分布的数据，也包括拉曼频谱数据、光反射率频谱数据等。
在本发明的机器学习方法中，也可以设为基于所述第1关系，在将加工对象物的材质、前加工部数据、后加工部数据作为了输入数据时，得到第2关系来作为学习结果之一，所述第2关系将为了从所述输入数据涉及的前加工部数据的加工部的状态变为后加工部数据的加工部的状态所需要的应该照射的激光的激光参数作为输出数据。这样，能够得到第2关系来作为学习结果，该第2关系在将加工对象物的材质、前加工部数据、后加工部数据作为了输入数据时，将为了从输入数据涉及的前加工部数据的加工部的状态变为后加工部数据的加工部的状态所需要的应该照射的激光的激光参数作为输出数据。
本发明的模拟装置使用于激光加工系统，所述激光加工系统对加工对象物照射激光来进行烧蚀加工，所述模拟装置的特征在于，
使用通过上述本发明的任一技术方案的机器学习方法得到的学习结果、即第1关系和第2关系相当于所述输入数据输出所述输出数据，该第1关系是使用加工对象物的材质、表示对加工对象物进行了照射的激光的特性的激光参数、反映对加工对象物照射激光前后的加工部的与激光加工相伴的三维形状的前加工部数据以及后加工部数据来进行深度学习得到的、在将加工对象物的材质、前加工部数据、激光参数作为了输入数据时将照射了输入数据涉及的激光之后的后加工部数据作为输出数据的关系，该第2关系是基于第1关系在将加工对象物的材质、前加工部数据、后加工部数据作为了输入数据时将为了从输入数据涉及的前加工部数据的加工部的状态变为后加工部数据的加工部的状态所需要的应该照射的激光的激光参数作为输出数据的关系。
在该本发明的模拟装置中，能够在将加工对象物的材质、前加工部数据、激光参数作为了输入数据时输出照射了输入数据涉及的激光之后的后加工部数据，在将加工对象物的材质、前加工部数据、后加工部数据作为了输入数据时输出为了从输入数据涉及的前加工部数据的加工部的状态变为后加工部数据的加工部的状态所需要的应该照射的激光的激光参数。由此，能够进行使用了激光加工途中的激光照射前后的加工部的加工程度、加工对象物的材质以及所照射的激光的参数的学习结果的模拟。
在该本发明的模拟装置中，也可以设为输入所述加工对象物的加工前的形状和目标形状，将根据加工途中的形状和目标形状的差分对所述激光参数和激光照射部位进行了调整后的数据作为所述输入数据，将对所述输入数据应用所述学习结果得到的作为加工模拟的结果的所述输出数据作为所述加工途中的形状，反复进行所述加工模拟直到所述加工途中的形状和目标形状的差分成为预定范围内。例如，将任意的激光参数和任意数量的激光照射部位设定为初始值，对此加上加工对象物的材质、加工前的形状等来作为输入数据，应用加工模拟来得到输出数据(照射了输入数据涉及的激光之后的后加工部数据)。对于所得到的输出数据，在判定加工途中的形状和目标形状的差分是否处于预定范围内的加工途中的形状和目标形状的差分不处于预定范围内时，根据该差分对激光参数和激光照射部位进行调整来作为输入数据。并且，对进行调整后的输入数据应用加工模拟来得到输出数据。反复进行这样的根据途中的形状和目的形状的差分来对输入数据进行调整的处理、和对进行调整后的输入数据应用加工模拟来得到输出数据的处理，直到加工途中的形状(输出数据)和目的形状的差分成为预定范围内。这样的反复处理的反复数、按各反复进行了调整后的激光参数和激光照射部位成为模拟结果。在该情况下，通过改变初始值来连续多次地得到模拟结果，对各模拟结果中的激光照射的总能量、加工时间、加工精度等进行比较，由此，能够得到激光加工的最佳值。
本发明的第1激光加工系统是如下的第1激光加工系统，所述第1激光加工系统具备：加工用激光照射装置，其对加工对象物照射激光来进行烧蚀加工；加工部数据状计测装置，其对加工部数据进行计测，所述加工部数据反映与对所述加工对象物的激光加工相伴的三维形状；以及控制装置，其对所述加工用激光照射装置进行控制，所述激光加工系统的特征在于，
所述控制装置进行使用了上述本发明的任一技术方案的机器学习方法的学习，即使用加工对象物的材质、表示对加工对象物进行了照射的激光的特性的激光参数、反映对加工对象物照射激光前后的加工部的与激光加工相伴的三维形状的前加工部数据以及后加工部数据来进行深度学习，得到在将加工对象物的材质、前加工部数据、激光参数作为了输入数据时将照射了输入数据涉及的激光之后的后加工部数据作为输出数据的第1关系来作为学习结果之一，基于第1关系来得到在将加工对象物的材质、前加工部数据、后加工部数据作为了输入数据时将为了从输入数据涉及的前加工部数据的加工部的状态变为后加工部数据的加工部的状态所需要的应该照射的激光的激光参数作为输出数据的第2关系来作为学习结果之一，使用所述学习结果，基于相对于所述输入数据的所述输出数据，对所述加工用激光照射装置进行控制。
在该本发明的第1激光加工系统中，进行使用了上述本发明的任一技术方案的机器学习方法的学习，因此，能够使用激光加工途中的激光照射前后的加工部的加工程度、加工对象物的材质以及所照射的激光的参数的学习结果来进行激光加工。另外，每当进行激光加工时，对第1关系、第2关系进行学习，因此能够提高激光加工的精度。
本发明的第2激光加工系统是如下的第2激光加工系统，所述第2激光加工系统具备：加工用激光照射装置，其对加工对象物照射激光来进行烧蚀加工；和控制装置，其对所述加工用激光照射装置进行控制，所述激光加工系统的特征在于，
所述控制装置使用通过上述本发明的任一技术方案的机器学习方法得到的学习结果、即第1关系和第2关系，基于相对于所述输入数据的所述输出数据，对所述加工用激光照射装置进行控制，该第1关系是使用加工对象物的材质、表示对加工对象物进行了照射的激光的特性的激光参数、反映对加工对象物照射激光前后的加工部的与激光加工相伴的三维形状的前加工部数据以及后加工部数据来进行深度学习得到的、在将加工对象物的材质、前加工部数据、激光参数作为了输入数据时将照射了输入数据涉及的激光之后的后加工部数据作为输出数据的关系，该第2关系是基于第1关系在将加工对象物的材质、前加工部数据、后加工部数据作为了输入数据时将为了从输入数据涉及的前加工部数据的加工部的状态变为后加工部数据的加工部的状态所需要的应该照射的激光的激光参数作为输出数据的关系。
在该本发明的第2激光加工系统中，使用通过上述本发明的任一技术方案的机器学习方法得到的学习结果，因此，能够使用激光加工途中的激光照射前后的加工部的加工程度、加工对象物的材质以及所照射的激光的参数的学习结果来进行激光加工，其结果，能够提高激光加工的精度。
本发明的程序是使计算机作为激光加工系统所使用的机器学习装置发挥功能的程序，所述程序的特征在于，包括：
输入多个数据的步骤，所述多个数据包括加工对象物的材质、表示对所述加工对象物进行了照射的激光的特性的激光参数、反映对所述加工对象物照射所述激光前后的加工部的与激光加工相伴的三维形状的前加工部数据以及后加工部数据；和
使用所述输入的多个数据，通过深度学习得到第1关系来作为学习结果之一的步骤，所述第1关系在将加工对象物的材质、前加工部数据、激光参数作为了输入数据时，将照射了所述输入数据涉及的激光之后的后加工部数据作为输出数据。
在该本发明的程序中，输入包括加工对象物的材质、表示对加工对象物进行了照射的激光的特性的激光参数、反映对加工对象物照射激光前后的加工部的与激光加工相伴的三维形状的前加工部数据以及后加工部数据的多个数据，使用所输入的多个数据，通过深度学习得到第1关系来作为学习结果之一，该第1关系在将加工对象物的材质、前加工部数据、激光参数作为了输入数据时将照射了输入数据涉及的激光之后的后加工部数据作为输出数据。在此，前加工部数据和后加工部数据是反映对加工对象物照射激光前后的加工部的与激光加工相伴的三维形状的数据，因此，也包括激光加工前和激光加工途中的激光照射前后的数据、激光加工途中的激光照射前后的数据、激光加工途中和激光加工后(加工完成后)的激光照射前后的数据等。由此，能够使计算机作为对激光加工途中的激光照射前后的加工部的加工程度、加工对象物的材质以及所照射的激光的参数进行学习的机器学习装置发挥功能。此外，“深度学习”使用前加工部数据和后加工部数据，得到将后加工部数据作为输出数据的第1关系来作为学习结果，因此，基本上为有教师的学习。另外，“激光参数”可以使用波长、脉冲宽度、脉冲强度、脉冲数、能量密度(每单位面积的脉冲能量)中的至少一部分，“前加工部数据”和“后加工部数据”可以使用加工部的三维数据、加工部的表面温度分布数据以及加工部的颜色分布数据中的至少一部分。
在本发明的程序中，也可以设为包括如下步骤：基于所述第1关系，得到第2关系来作为学习结果之一，所述第2关系在将加工对象物的材质、前加工部数据、后加工部数据作为了输入数据时，将为了从所述输入数据涉及的前加工部数据的加工部的状态变为后加工部数据的加工部的状态所需要的应该照射的激光的激光参数作为输出数据。这样，能够使计算机作为得到第2关系来作为学习结果的机器学习装置发挥功能，该第2关系在将加工对象物的材质、前加工部数据、后加工部数据作为了输入数据时，将为了从输入数据涉及的前加工部数据的加工部的状态变为后加工部数据的加工部的状态所需要的应该照射的激光的激光参数作为输出数据。
附图说明
图1是表示作为本发明的一个实施例的激光加工系统20的概略构成的构成图。
图2是示意性地表示实施例的深度学习的示意图。
图3是表示由系统控制部50执行的学习处理的一个例子的流程图。
图4是表示对取得学习用数据时的随机的照射位置照射了7发随机的激光参数的激光时的激光的各照射的三维形状数据的一个例子的说明图。
图5是表示使加工对象物10每次移动10μm而每7发量进行折返来依次进行了照射时的激光的照射状态的说明图。
图6是表示将脉冲能量设为了50μJ时的激光的照射数、加工部的折返方向上的各位置处的加工深度的模拟结果以及实验结果的说明图。
图7是表示将脉冲能量设为40μJ、50μJ、60μJ来照射了100发激光时的加工部的折返方向上的各位置处的加工深度的模拟结果和实验结果的说明图。
图8是表示在星形上对将硅作为材质的加工对象物10反复照射了激光时的各位置处的加工深度的模拟结果和实验结果的说明图。
图9是表示最佳化模拟处理的一个例子的流程图。
图10是表示激光加工时的脉冲能量与总能量的关系以及脉冲能量与底面的粗糙度的关系的模拟结果的一个例子的曲线图。
图11是表示激光照射的总计能量密度的一个例子的说明图。
图12是表示基于模拟结果的三维形状数据和使用模拟结果的加工条件进行了激光加工后的三维形状数据的比例的说明图。
图13是对激光的照射脉冲数、能量密度以及从加工对象物除去的除去体积的关系进行说明的说明图。
具体实施方式
接着，使用实施例对本具体实施方式进行说明。
实施例
图1是表示作为本发明的一个实施例的激光加工系统20的概略构成的构成图。如图所示，实施例的激光加工系统20具备：加工用激光照射装置30，其输出加工用的激光；电动台46，其载置被照射激光的加工对象物10，该激光是从加工用激光照射装置30输出、通过聚焦透镜42和反射镜44调整了焦点和/或照射位置后的激光；三维数据计测器48，其计测加工对象物10的加工部的三维形状数据；以及系统控制部50，其对系统整体进行控制。
加工用激光照射装置30具备：加工用激光照射器32，其输出加工用的激光；脉冲拾取器34，其在任意的定时从来自加工用激光照射器32的激光的脉冲串截取任意数量的脉冲；1/2波长板35，其对来自脉冲拾取器34的激光的偏振光方向进行调整；偏振光束分束器36，其对激光的S偏振光进行反射，并且，透射P偏振光；以及激光控制部38，其对这些部件进行控制。
加工用激光照射器32例如作为能够输出波长为800nm、脉冲宽度能够以35fs～10ps进行变更、重复频率为1kHz、最大输出为6W、最大脉冲能量为6mJ、能量密度为0.1～100J/cm2的激光(脉冲激光)的钛宝石激光照射器来构成。
1/2波长板35和偏振光束分束器36可以取而代之地使用声光元件(AOM)、减光镜(neutral density filter)等。
虽未图示，但激光控制部38作为以CPU为中心的微型计算机来构成，除了CPU之外还具备ROM、RAM、闪速存储器、输入输出端口、通信端口等。激光控制部38经由通信端口与系统控制部50进行通信。激光控制部38对加工用激光照射器32进行控制以使得输出基于来自系统控制部50的控制信号的激光参数的激光。激光参数可以使用波长、脉冲宽度、脉冲强度、光斑直径、脉冲数、能量密度(每单位面积的脉冲能量)中的至少一部分。另外，激光控制部38对脉冲拾取器34进行控制以使得成为基于来自系统控制部50的控制信号的截取激光脉冲串的定时、脉冲数，对1/2波长板35、偏振光束分束器36进行控制以使得成为基于来自系统控制部50的控制信号的激光的偏振光方向。
电动台46是使加工对象物10移动到三维数据计测器48的计测位置的台子，在实施例中，使用了位置精度为0.5μm且可移动距离为150mm的台子。
三维计测器48例如可以使用白色干涉显微镜、扫描式激光显微镜、X线CT(Computed Tomography：计算机断层诊断装置)、高低差计、AMF(Atomic ForceMicroscope：原子力显微镜)、拉曼显微镜等能够对三维形状进行计测的装置。在实施例中，使用了作为测定精度而垂直分辨能力为1nm、水平分辨能力为0.2μm、测定时间为1～10秒的白色干涉显微镜。此外，若设为使用与激光相同的光学系统来作为三维计测器48，则不需要电动台46。作为由三维计测器48计测的三维形状数据，不仅包括加工部的三维形状数据，也可以包括加工部的表面温度分布数据、加工部的颜色分布数据。加工部的表面温度分布数据、加工部的颜色分布数据是表示由激光的照射导致的温度的变化的数据，这是由于认为该数据反映三维形状的变化的容易度、由变化导致的结果。在此，作为颜色分布数据，不仅包括通常的颜色分布的数据，也包括拉曼频谱数据、光反射率频谱数据等。
虽未图示，但系统控制部50作为以CPU为中心的微型计算机来构成，在CPU之外，也具备ROM、RAM、闪速存储器、GPU(Graphics Processing Unit，图形处理单元)、输入输出端口、通信端口等。系统控制部50在功能上具有键盘、鼠标等的输入部52和机器学习部54。来自输入部52的输入数据、电动台46中的加工对象物10的位置信号、来自三维计测器48的三维计测数据等经由输入端口而被输入到系统控制部50。另外，从系统控制部50经由输出端口输出向电动台46的驱动控制信号、向三维计测器48的驱动控制信号等。另外，系统控制部50与激光控制部38进行通信，取得从加工用激光照射装置30输出的激光的激光参数。
机器学习部54使用包括加工对象物10的材质、对加工对象物10的加工部进行了照射的激光的激光参数以及激光照射前后的加工部的三维形状数据的学习用数据来进行深度学习，在提供了加工对象物10的材质、对加工对象物10的加工部进行照射的激光的激光参数以及激光照射前的加工部的三维形状数据来作为第1输入数据时，得到用于对作为第1输出数据的激光照射后的加工部的三维形状数据进行推定的关系来作为第1学习结果，并作为学习结果56进行存储。图2是示意性地表示实施例的深度学习的示意图。如图所示，对于实施例的深度学习，由于被输入有激光照射后的加工部的三维形状数据，因此，该深度学习是通过有教师的卷积神经网络进行的，所输入的激光参数成为特征矢量。另外，在实施例中，基于第1学习结果求出用于在提供了加工对象物10的材质和激光照射前后的加工部的三维形状数据时对作为第2输出数据的应该对加工对象物10的加工部照射的激光的激光参数进行推定的关系来作为第2学习结果，这也作为学习结果56进行存储。
实施例的激光加工系统20在作为对载置于电动台46的加工对象物10的加工部照射激光来进行激光加工的激光加工系统发挥功能之外，也作为每当对载置于电动台46的加工对象物10照射激光时使电动台46和三维计测器48进行动作来取得三维形状数据、在机器学习部54中进行深度学习的激光加工系统所使用的机器学习系统发挥功能。另外，实施例的激光加工系统20也作为从输入部52等输入第1输入数据、第2输入数据、对该第1输入数据、第2输入数据应用机器学习部54的学习结果56中的第1学习结果、第2学习结果、并输出第1输出数据、第2输出数据的激光加工系统所使用的模拟装置发挥功能。
接着，对使实施例的激光加工系统20作为激光加工系统所使用的机器学习系统发挥了功能时的学习处理进行说明。图3是表示通过实施例的激光加工系统20的系统控制部50执行的学习处理的一个例子的流程图。在学习处理中，首先，将加工对象物10放置于电动台46(步骤S100)，通过三维计测器48取得激光加工前的加工部的三维形状数据(步骤S110)。在预定范围内(例如能够进行激光照射的范围)对随机的照射位置设定随机的激光参数(步骤S120)，对设定了所设定的激光参数的激光的照射位置进行照射(步骤S130)，取得通过三维计测器48照射了激光后的三维形状数据(步骤S140)。反复执行这样的步骤S120～S140的处理直到照射次数Nf达到阈值Nfref(例如100次、200次)(步骤S150)。在图4中表示对取得学习用数据时的随机的照射位置照射了7发随机的激光参数的激光时的激光的各照射的三维形状数据的一个例子。图中，颜色的浓度表示加工部的深度。如图所示，可知对加工对象物10的随机的照射位置照射了随机的激光参数的激光。此外，图4的实验中所使用了的激光的脉冲能量设为了在0.1μJ～100μJ的范围内随机的能量。
从步骤S100的将新的加工对象物10放置于电动台46的处理开始反复执行这样的处理(步骤S120～S150的处理)，直到同一材质的加工对象物10的反复次数Nn成为阈值Nnref(例如20次、30次)(步骤S160)，并且，直到加工对象物10的材质数Nm成为阈值Nmref(例如5、10)(步骤S170)。作为加工对象物10的材质，可以举出石英、铜、铝、碳纤维增强塑料(CFRP：carbon fiber reinforced plastic)、蓝宝石、硅等。现在，当将照射次数Nf的阈值Nfref设为200次、将同一材质的加工对象物10的反复次数Nn的阈值Nnref设为20次、将加工对象物10的材质数Nm的阈值Nmref设为5时，学习用数据的数据数成为2万(200×20×5)。此外，学习用数据是激光参数和照射激光前后的三维形状数据。
当这样取得学习用数据时，对于所取得的学习用数据进行将激光参数作为特征矢量z、将激光照射后的三维形状数据作为例题的解的有教师的深度学习(步骤S180)。并且，在提供了加工对象物10的材质、对加工对象物10的加工部照射的激光的激光参数以及激光照射前的加工部的三维形状数据来作为第1输入数据时，得到用于对作为第1输出数据的激光照射后的加工部的三维形状数据进行推定的关系来作为第1学习结果，并对其进行存储(步骤S190)。接着，基于第1学习结果导出用于在提供了加工对象物10的材质和激光照射前后的加工部的三维形状数据来作为第2输入数据时对作为第2输出数据的应该对加工对象物10加工部照射的激光的激光参数进行推定的关系来作为第2学习结果(步骤S200)，并对其进行存储(步骤S210)，结束学习处理。
接着，对基于通过实施例的激光加工系统20得到的学习结果的模拟结果和实验结果进行说明。对于模拟和实验，如图5所示，使将石英作为材质的加工对象物10每次移动10μm且每7发量进行折返来依次照射波长为800nm、光斑直径为26μm、脉冲宽度为35fs、脉冲能量为40μJ、50μJ、60μJ的各脉冲能量的激光，求出了激光的各照射的加工部的折返方向上的各位置处的加工深度。此外，实验结果是通过三维计测器48得到的计测值。在图6中表示将脉冲能量设为了50μJ时的激光的照射数、加工部的折返方向上的各位置处的加工深度的模拟结果以及实验结果。如图所示，模拟结果和实验结果非常一致。在图7中表示使脉冲能量为40μJ、50μJ、60μJ来照射了激光时的加工部的折返方向上的各位置处的加工深度的模拟结果和实验结果。在图7中，对使脉冲能量为40μJ、50μJ、60μJ时的纵轴的尺度进行变更，但模拟结果和实验结果非常一致。由此，可知通过实施例的激光加工系统20进行的机器学习以及学习结果是适当的。
图8是表示一边沿着125μm的星形每次使照射位置移动12.5μm、一边对将硅作为材质的加工对象物10照射了500发的波长为800nm、光斑直径为26μm、脉冲宽度为35fs、脉冲能量为50μJ的激光时的各位置处的加工深度的模拟结果和实验结果的说明图。图中，颜色的浓度为加工深度。如图所示，在模拟结果和实验结果中，加工深度形状(平均深度、外周部的形状、线段交点处更加变深的点)非常一致。
在以上说明的实施例的激光加工系统20中，使用加工对象物10的材质、表示对加工对象物10进行了照射的激光的特性的激光参数、对加工对象物10照射激光前后的加工部的三维形状数据来进行深度学习。在提供了加工对象物10的材质、对加工对象物10的加工部照射的激光的激光参数以及激光照射前的加工部的三维形状数据来作为第1输入数据时，得到用于对作为第1输出数据的激光照射后的加工部的三维形状数据进行推定的关系来作为第1学习结果。由此，能够对激光加工途中的激光照射前后的加工部的三维形状数据、加工对象物10的材质以及激光的激光参数的关系进行学习。另外，能够推定因激光的照射而变化了的加工对象物10的加工部的三维形状。
另外，在实施例的激光加工系统20中，基于第1学习结果导出用于在提供了加工对象物10的材质和激光照射前后的加工部的三维形状数据来作为第2输入数据时对作为第2输出数据的应该对加工对象物10的加工部照射的激光的激光参数进行推定的关系来作为第2学习结果。由此，能够推定为了使加工对象物10的加工部成为所希望的形状所需要的激光的激光参数。
在实施例的激光加工系统20的学习处理中，设为了在同一材质的加工对象物10之外还对不同的材质的加工对象物10取得学习用数据，但也可以设为仅对同一材质的加工对象物10取得学习数据。
在实施例的激光加工系统20的学习处理中，设为了每当照射激光时取得加工部的三维形状数据，但也可以设为每当照射多次激光时、或者每当照射随机的照射次数的激光时取得加工部的三维形状数据。在该情况下，照射多次的激光、照射随机的照射次数的激光既可以设为同一激光参数，也可以设为不同的激光参数。
在实施例的激光加工系统20的机器学习中，使用了800nm来作为激光的波长，但也可以对通过光实现的电子激发会对加工产生影响的波长范围、即波长为193nm～5μm的范围内的激光进行应用。
在实施例的激光加工系统20的机器学习中，使用了35fs来作为激光的脉冲宽度，但也可以对从短脉冲到超短脉冲的范围、即脉冲宽度为10fs～100ns的范围的激光进行应用。
在实施例的激光加工系统20中，设为了在执行了图3的学习处理时进行机器学习，但也可以设为在图3的学习处理结束了以后，每当进行激光加工时或者在预定定时使用到此为止所储存的学习用数据来进行机器学习。
在实施例的激光加工系统20中，设为了具备加工用激光照射装置30、电动台46、三维数据计测器48、系统控制部50，每当照射激光时取得加工部的三维形状数据来取得学习用数据，但在将本发明设为了机器学习装置的形态的情况下，除了设为与实施例的激光加工系统20同样的硬件结构之外，也可以设为仅具备系统控制部50的硬件结构。在该情况下，将图3的学习处理的步骤S100～S170的处理设为如下处理即可，该处理为：预先通过其他装置取得加工对象物10的材质、表示对加工对象物10进行了照射的激光的特性的激光参数、对加工对象物10照射激光前后的加工部的三维形状数据，输入这些学习用数据。
在将本发明设为使计算机作为机器学习装置发挥功能的程序的形态的情况下，除了作为该机器学习装置发挥功能的系统控制部50之外，也可以设为使构成了具备加工用激光照射装置30、电动台46、三维数据计测器48等的实施例的激光加工系统20时的系统控制部50执行的程序。作为该情况下的程序，设为图3的机器学习的流程图即可。另外，若设为不具备加工用激光照射装置30、电动台46、三维数据计测器48等，即若设为仅具备与系统控制部50相当的微型计算机，则将图3的学习处理的步骤S100～S170的处理设为如下处理即可，该处理为：预先通过其他装置取得加工对象物10的材质、表示对加工对象物10进行了照射的激光的特性的激光参数、对加工对象物10照射激光前后的加工部的三维形状数据，输入这些学习用数据。
在将本发明设为模拟装置的形态的情况下，既可以设为输入学习用数据来进行深度学习，也可以设为仅存储通过深度学习得到的学习结果。
对将本发明设为了模拟装置的形态时的应用例的一个例子进行说明。图9是表示对加工对象物的激光加工中的激光参数、激光照射部位的最佳化进行模拟的最佳化模拟处理的一个例子的流程图。在该处理中，首先，设定加工对象物的材质、目标形状(步骤S300)，设定加工条件的初始值(步骤S310)。作为加工条件而为激光参数和激光照射部位，确定波长、脉冲宽度、脉冲强度、光斑直径、脉冲数、能量密度来作为激光参数的初始值，作为激光照射部位，根据所照射的脉冲数和目标的形状来确定即可。
当设定加工条件的初始值时，将加工对象物的材质、激光参数、激光照射部位作为输入数据，基于输入数据来进行加工模拟(步骤S320)。该加工模拟是如下模拟：对输入数据应用通过图3的学习处理得到的第1学习结果，计算基于输入数据的激光照射后的加工部的三维形状数据(加工途中的形状)。接着，计算所得到的加工部的三维形状数据(加工途中的形状)与目标形状的差分，判定该差分是否处于容许范围内(步骤S330)。在判定为差分不处于容许范围内时，判定通过加工部的激光加工进行的切削是否为过切削(步骤S340)。在判定为不是过切削时，基于加工途中的形状与目标形状的差分来调整加工条件(步骤S360)。对于加工条件的调整，例如既可以设为对激光参数使用初始值、仅对激光照射部位进行调整以使得对加工途中的形状与目标形状的差分大的部位照射激光，也可以设为对激光参数和激光照射部位这两方进行调整。并且，当调整加工条件后，返回到将调整后的加工条件作为输入数据来应用加工模拟的步骤S320。反复进行这样的加工条件的调整和加工模拟直到加工途中的形状与目标形状的差分成为容许范围内。
当在步骤S340中判定为是过切削时，将紧接之前进行了的加工模拟设为未进行(步骤S350)，基于作为在那之前进行了的加工模拟的结果的加工途中的形状与目标形状的差分来进行与前次的加工条件的调整不同的调整(步骤S360)，返回到步骤S320。由此，能够抑制成为过切削。
在步骤S330中判定为了加工途中的形状与目标形状的差分处于容许范围内时，判定步骤S310～S370的反复次数是否达到预定计算次数(步骤S370)。在判定为了未达到预定计算次数时，返回到步骤S310的加工条件的初始值的设定处理。在该情况下，作为加工条件的初始值，考虑反复地将激光参数的能量密度每次增大(或者减小)预定量、和/或将脉冲数每次增大(或者减小)预定数等。
在步骤S370中判定为了步骤S310～S370的反复次数达到预定计算次数时，输出通过反复进行预定次数的步骤S310～S370得到的各模拟结果(步骤S380)，结束最佳化模拟处理。作为最佳化，能够根据基于激光加工的三维形状数据与目标形状的差分的程度(加工精度)、激光加工所需要的能量、激光加工所需要的时间等来对各模拟结果进行判断。
进行了对将硅作为材质的加工对象物10进行作为目标形状的直径80μm、深度5μm的圆筒形状的孔的激光加工时的模拟。激光照射部位设为了在平面上成为大致均等。在图10中表示脉冲能量与总能量的关系以及脉冲能量与底面的粗糙度的关系的模拟结果的一个例子。如图所示，激光加工的总能量的脉冲能量在25μJ附近成为最大。底面的粗糙度在脉冲能量处于30μJ附近成为最小。在图11中表示进行激光照射的总计能量密度。图中，最外侧为值0，在虚线的圆形状的稍微内侧的最薄的部位成为最大。在图12中表示基于模拟结果的三维形状数据和使用模拟结果的加工条件进行了激光加工而得到的三维形状数据。左侧为基于模拟结果的三维形状数据，右侧为实际地进行了激光加工而得到的三维形状数据。如图所示，可知基于模拟结果的三维形状数据与实际上进行了激光加工而得到的三维形状数据非常一致。
根据以上的说明，即使是在将本发明设为了模拟装置的形态时，基于模拟结果的三维形状数据与实际上进行了激光加工而得到的三维形状数据也高精度地一致，因此，能够进行激光加工的最佳化。
以上，使用实施例对本具体实施方式进行了说明，但本发明完全不限定于这样的实施例，当然能够在不脱离本发明的宗旨的范围内以各种形态来实施。
产业上的可利用性
本发明能够利用于激光加工系统的制造产业等。

Claims (9)

1.一种机器学习方法，使用于激光加工系统，所述激光加工系统对加工对象物照射激光来进行烧蚀加工，所述机器学习方法的特征在于，
使用所述加工对象物的材质、表示对所述加工对象物进行了照射的激光的特性的激光参数、反映对所述加工对象物照射所述激光前后的加工部的与激光加工相伴的三维形状的前加工部数据以及后加工部数据来进行深度学习，得到第1关系来作为学习结果之一，所述第1关系在将加工对象物的材质、前加工部数据、激光参数作为了输入数据时，将照射了所述输入数据涉及的激光之后的后加工部数据作为输出数据。
2.根据权利要求1所述的机器学习方法，
基于所述第1关系，得到第2关系来作为学习结果之一，所述第2关系在将加工对象物的材质、前加工部数据、后加工部数据作为了输入数据时，将为了从所述输入数据涉及的前加工部数据的加工部的状态变为后加工部数据的加工部的状态所需要的应该照射的激光的激光参数作为输出数据。
3.根据权利要求1或者2所述的机器学习方法，
所述激光参数为波长、脉冲宽度、脉冲强度、脉冲数、能量密度中的至少一部分，
所述前加工部数据和所述后加工部数据是所述加工部的三维数据、所述加工部的表面温度分布数据、所述加工部的颜色分布数据中的至少一部分。
4.一种模拟装置，使用于激光加工系统，所述激光加工系统对加工对象物照射激光来进行烧蚀加工，所述模拟装置的特征在于，
使用通过权利要求1～3中任一项权利要求所述的机器学习方法得到的学习结果，相对于所述输入数据而输出所述输出数据。
5.根据权利要求4所述的模拟装置，
输入所述加工对象物的加工前的形状和目标形状，将根据加工途中的形状与目标形状的差分对所述激光参数和激光照射部位进行了调整后的数据作为所述输入数据，将对所述输入数据应用所述学习结果得到的作为加工模拟的结果的所述输出数据作为所述加工途中的形状，反复进行所述加工模拟直到所述加工途中的形状与目标形状的差分成为预定范围内。
6.一种激光加工系统，具备：加工用激光照射装置，其对加工对象物照射激光来进行烧蚀加工；加工部数据状计测装置，其对加工部数据进行计测，所述加工部数据反映与对所述加工对象物的激光加工相伴的三维形状；以及控制装置，其对所述加工用激光照射装置进行控制，所述激光加工系统的特征在于，
所述控制装置进行使用了权利要求1～3中任一项权利要求所述的机器学习方法的学习，并且，使用所述学习结果，基于相对于所述输入数据的所述输出数据来对所述加工用激光照射装置进行控制。
7.一种激光加工系统，具备：加工用激光照射装置，其对加工对象物照射激光来进行烧蚀加工；和控制装置，其对所述加工用激光照射装置进行控制，所述激光加工系统的特征在于，
所述控制装置使用通过权利要求1～3中任一项权利要求所述的机器学习方法得到的学习结果，基于相对于所述输入数据的所述输出数据来对所述加工用激光照射装置进行控制。
8.一种程序，使计算机作为激光加工系统所使用的机器学习装置发挥功能，所述程序的特征在于，包括：
输入多个数据的步骤，所述多个数据包括加工对象物的材质、表示对所述加工对象物进行了照射的激光的特性的激光参数、反映对所述加工对象物照射所述激光前后的加工部的与激光加工相伴的三维形状的前加工部数据以及后加工部数据；和
使用所述输入的多个数据，通过深度学习得到第1关系来作为学习结果之一的步骤，所述第1关系在将加工对象物的材质、前加工部数据、激光参数作为了输入数据时，将照射了所述输入数据涉及的激光之后的后加工部数据作为输出数据。
9.根据权利要求8所述的程序，包括如下步骤：
基于所述第1关系，得到第2关系来作为学习结果之一，所述第2关系在将加工对象物的材质、前加工部数据、后加工部数据作为了输入数据时，将为了从所述输入数据涉及的前加工部数据的加工部的状态变为后加工部数据的加工部的状态所需要的应该照射的激光的激光参数作为输出数据。
CN201980051966.9A 2018-08-06 2019-08-05 使用于激光加工系统的机器学习方法、模拟装置、激光加工系统以及程序 Pending CN112543692A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018-147383 2018-08-06
JP2018147383 2018-08-06
PCT/JP2019/030695 WO2020031948A1 (ja) 2018-08-06 2019-08-05 レーザ加工システムに用いられる機械学習方法、シミュレーション装置、レーザ加工システム並びにプログラム

Publications (1)

Publication Number Publication Date
CN112543692A true CN112543692A (zh) 2021-03-23

Family

ID=69413751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980051966.9A Pending CN112543692A (zh) 2018-08-06 2019-08-05 使用于激光加工系统的机器学习方法、模拟装置、激光加工系统以及程序

Country Status (5)

Country Link
US (1) US20210299788A1 (zh)
EP (1) EP3834979A4 (zh)
JP (2) JPWO2020031948A1 (zh)
CN (1) CN112543692A (zh)
WO (1) WO2020031948A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210356940A1 (en) * 2020-05-12 2021-11-18 Standex International Corporation Determining a laser-engraving process for a targeted surface geometry

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2944414A1 (en) * 2013-01-10 2015-11-18 Mitsubishi Heavy Industries, Ltd. Three-dimensional laser processing machine
CN106980813A (zh) * 2016-01-15 2017-07-25 福特全球技术公司 机器学习的注视生成
US20170270434A1 (en) * 2016-03-17 2017-09-21 Fanuc Corporation Machine learning apparatus, laser machining system and machine learning method
WO2017216063A1 (en) * 2016-06-15 2017-12-21 Empa Eidgenössische Materialprüfungs- Und Forschungsanstalt Quality control of laser welding process
US20180147665A1 (en) * 2016-11-29 2018-05-31 Fanuc Corporation Machine learning device and robot system to learn processing order of laser processing robot and machine learning method thereof
US20180169856A1 (en) * 2016-12-16 2018-06-21 Fanuc Corporation Machine learning device, robot system, and machine learning method for learning operations of robot and laser scanner

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4774260B2 (ja) * 2005-09-26 2011-09-14 株式会社キーエンス レーザ加工条件設定装置、レーザ加工条件設定方法、レーザ加工条件設定プログラム、コンピュータで読み取り可能な記録媒体及び記録した機器並びにレーザ加工システム
JP6708044B2 (ja) * 2016-07-28 2020-06-10 富士通株式会社 画像認識装置、画像認識プログラム、画像認識方法および認識装置
US11952693B2 (en) * 2017-10-31 2024-04-09 Levi Strauss & Co. Using neural networks in laser finishing of apparel

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2944414A1 (en) * 2013-01-10 2015-11-18 Mitsubishi Heavy Industries, Ltd. Three-dimensional laser processing machine
CN106980813A (zh) * 2016-01-15 2017-07-25 福特全球技术公司 机器学习的注视生成
US20170270434A1 (en) * 2016-03-17 2017-09-21 Fanuc Corporation Machine learning apparatus, laser machining system and machine learning method
WO2017216063A1 (en) * 2016-06-15 2017-12-21 Empa Eidgenössische Materialprüfungs- Und Forschungsanstalt Quality control of laser welding process
US20180147665A1 (en) * 2016-11-29 2018-05-31 Fanuc Corporation Machine learning device and robot system to learn processing order of laser processing robot and machine learning method thereof
US20180169856A1 (en) * 2016-12-16 2018-06-21 Fanuc Corporation Machine learning device, robot system, and machine learning method for learning operations of robot and laser scanner

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
J.CIURANA: "Neural Network Modeling and Particle Swarm Optimization (PSO) of Process Parameters in Pulsed Laser Micromachining of Hardened AISI H13 Steel", 《MATERIALS AND MANUFACTURING PROCESSES》 *

Also Published As

Publication number Publication date
US20210299788A1 (en) 2021-09-30
EP3834979A4 (en) 2022-04-27
JPWO2020031948A1 (ja) 2021-08-10
JP2023171479A (ja) 2023-12-01
EP3834979A1 (en) 2021-06-16
WO2020031948A1 (ja) 2020-02-13

Similar Documents

Publication Publication Date Title
CN110446580B (zh) 用于相干成像的方法和系统以及用于材料改性的反馈控制
TWI423360B (zh) 用於自調整地控制以雷射為主之材料處理程序的方法及系統及用於鑑別其品質的方法及系統
JP2019089129A (ja) ３次元加工対象体のレーザパターニング装置および方法
CN101733561B (zh) 激光修调薄膜电阻中快速精确调整焦面的方法
DE112015004212T5 (de) Additivherstellungsgerät und Additivherstellungsverfahren
JP2023171479A (ja) レーザ加工システムに用いられる機械学習方法、シミュレーション装置、レーザ加工システム並びにプログラム
DE102016110266A1 (de) Verfahren und Vorrichtung zur generativen Fertigung von Bauteilen
EP4026648B1 (en) Laser machining device, and process of laser machining
JP7023500B2 (ja) レーザ加工システム
JP5219623B2 (ja) レーザ加工制御装置およびレーザ加工装置
KR20190083639A (ko) 작업 품질 검사 기능을 구비한 레이저 클리닝 장치 및 그 방법
JP2022170710A (ja) レーザリソグラフィ装置によってリソグラフィ材料内に三次元構造を作製する方法
US20100051793A1 (en) Method for Energy Calibration of a Pulsed Laser System
Fuchs et al. Fast and automatic depth control of iterative bone ablation based on optical coherence tomography data
CN113751887A (zh) 一种激光加工设备的检测方法、装置、设备及存储介质
CN113164285A (zh) 用于确定气泡形成所需的激光能量的最小值的方法及装置
KR102418701B1 (ko) 가공대상체의 레이저 패터닝 장치와 그 방법 및 그에 의하여 가공된 3차원 가공대상체
KR20160073785A (ko) 레이저 가공 시스템 및 이를 이용한 레이저 가공 방법
Holder et al. High-precision laser ablation using OCT closed-loop control
JP2015188890A (ja) レーザ加工装置及びビームプロファイル測定方法
JP7118903B2 (ja) レーザピーニング装置およびレーザピーニング方法
JPH1015684A (ja) レーザ加工装置
JP7387791B2 (ja) レーザ加工装置
EP4341751A1 (de) Verfahren zum erzeugen einer dreidimensionalen zielstruktur in einem lithographiematerial mittels einer laserlithographie-vorrichtung
TW201221260A (en) Method for optimization of laser process parameters and laser machining apparatus for the same

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