DE102018214170A1 - Maschinelles-lernen-vorrichtung, maschinelles-lernen-system und maschinelles lernverfahren - Google Patents

Maschinelles-lernen-vorrichtung, maschinelles-lernen-system und maschinelles lernverfahren Download PDF

Info

Publication number
DE102018214170A1
DE102018214170A1 DE102018214170.3A DE102018214170A DE102018214170A1 DE 102018214170 A1 DE102018214170 A1 DE 102018214170A1 DE 102018214170 A DE102018214170 A DE 102018214170A DE 102018214170 A1 DE102018214170 A1 DE 102018214170A1
Authority
DE
Germany
Prior art keywords
learning
laser beam
laser
data
machine 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
DE102018214170.3A
Other languages
English (en)
Other versions
DE102018214170B4 (de
Inventor
Yoshitaka Kubo
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 DE102018214170A1 publication Critical patent/DE102018214170A1/de
Application granted granted Critical
Publication of DE102018214170B4 publication Critical patent/DE102018214170B4/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • B23K26/032—Observing, e.g. monitoring, the workpiece using optical means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/08—Devices involving relative movement between laser beam and workpiece
    • B23K26/083—Devices involving movement of the workpiece 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
    • B23K26/08—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
    • B23K26/36—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
    • B23K26/70—Auxiliary operations or equipment
    • B23K26/702—Auxiliary equipment
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • 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
    • 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
    • B23K31/12—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 investigating the properties, e.g. the weldability, of materials
    • B23K31/125—Weld quality monitoring
    • 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
    • B23K37/00—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups
    • B23K37/02—Carriages for supporting the welding or cutting element
    • B23K37/0211—Carriages for supporting the welding or cutting element travelling on a guide member, e.g. rail, track
    • B23K37/0235—Carriages for supporting the welding or cutting element travelling on a guide member, e.g. rail, track the guide member forming part of a portal
    • 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
    • B23K37/00—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups
    • B23K37/04—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups for holding or positioning work
    • B23K37/0408—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups for holding or positioning work for planar work
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Mechanical Engineering (AREA)
  • Plasma & Fusion (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Laser Beam Processing (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)

Abstract

Eine Qualitätsbeurteilung zu einer Laserstrahlintensitätsverteilung wird unter Berücksichtigung einer Beobachtungsbedingung des Laserstrahls durchgeführt. Eine Maschinelles-Lernen-Vorrichtung (10) umfasst: eine Zustandsbeobachtungseinrichtung (11), die Daten zu der Intensitätsverteilung eines Laserstrahls und Daten zu einer Bedingung für das Beobachten des Laserstrahls, das für das Erzeugen der Daten zu der Intensitätsverteilung durchgeführt wird, als Eingabedaten erhält; eine Etiketterhaltungseinrichtung (12), die einen Bewertungswert in Bezug auf die Beurteilung der Qualität des Laserstrahls als ein Etikett erhält; und eine Lerneinrichtung (13), die ein überwachtes Lernen unter Verwendung eines Paars aus den durch die Zustandsbeobachtungseinrichtung (11) erhaltenen Eingabedaten und dem durch die Etiketterhaltungseinrichtung (12) erhaltenen Etikett als Trainingsdaten für das Erstellen eines Lernmodells für das Beurteilen der Qualität des Laserstrahls durchführt.

Description

  • HINTERGRUND DER ERFINDUNG
  • Erfindungsfeld
  • Die Erfindung betrifft eine Maschinelles-Lernen-Vorrichtung, ein Maschinelles-Lernen-System und ein maschinelles Lernverfahren für das Durchführen eines maschinellen Lernens in Bezug auf einen Laserstrahl.
  • Stand der Technik
  • Ein durch einen Laseroszillator gestrahlter Laserstrahl wird manchmal aus Gründen wie etwa einer Beeinträchtigung eines internen Spiegels, die durch eine lange Nutzungsdauer oder eine falsche Installationsposition des internen Spiegels verursacht wird, nicht korrekt gestrahlt. Deshalb beobachtet ein Benutzer einen Laserstrahl nach dem Reinigen des Spiegels oder dem Ersetzen des Spiegels und führt eine Qualitätsbeurteilung in Bezug auf den Laserstrahl hinsichtlich dazu durch, „ob eine vorbestimmte Laserausgabe erhalten wird“ und „ob eine zufriedenstellende Intensitätsverteilung (Strahlmodusform) des Laserstrahls erhalten wird“.
  • Dabei kann die Laserausgabe durch einen gewöhnlichen Laserleistungsmesser oder einen Laserleistungsfühler gemessen werden. Der Benutzer kann also eine Qualitätsbeurteilung dazu, ob eine vorbestimmte Laserausgabe erhalten wird, durchführen, indem er auf eine numerische Datenausgabe als das Messergebnis bezugnimmt.
  • Im Gegensatz dazu wird hinsichtlich der Laserstrahlintensitätsverteilung ein Laserstrahl mit einer Nennausgabe zu einem transparenten Acrylharz für eine vorbestimmte Periode gestrahlt und führt ein Benutzer eine Qualitätsbeurteilung durch, indem er auf ein Brennmuster, das eine Brennmarke ist, bezugnimmt. Alternativ dazu führt der Benutzer eine Qualitätsbeurteilung durch, indem er auf ein durch einen Strahlprofilierer erhaltenes Beobachtungsergebnis bezugnimmt.
  • Eine Technik für die Beobachtung der Intensitätsverteilung eines Laserstrahls ist in dem Patentdokument 1 angegeben. Insbesondere beschreibt das Patentdokument 1 eine Konfiguration, in der ein Laserstrahl zu einem Ziel gestrahlt wird und die Temperaturverteilung des Ziels gemessen wird, sodass eine Variation im Strahlprofil des Laserstrahls während einer Verarbeitung unmittelbar erfasst wird.
  • Patentdokument 1: Ungeprüfte japanische Patentanmeldung mit der Veröffentlichungsnummer 2015-166094
  • ZUSAMMENFASSUNG DER ERFINDUNG
  • Wenn jedoch die Beobachtungsbedingungen von Laserstrahlen verschieden sind, sind auch die korrekten Intensitätsverteilungen der Laserstrahlen verschieden. Wenn zum Beispiel die Beobachtungsbedingungen wie etwa der Typ eines Laseroszillators, der Temperaturzustand des Laseroszillators, die Strahlungsperiode eines Laserstrahls und die Distanz von einer Strahlemissionsöffnung des Laseroszillators zu einem Beobachtungspunkt der Intensitätsverteilung verschieden sind, sind auch die korrekten Intensitätsverteilungen der Laserstrahlen verschieden.
  • Die in dem Patentdokument 1 angegebene Technik beobachtet eine Änderung im Zustand eines Laserstrahls in der Zeit unter einer vorbestimmten Beobachtungsbedingung, berücksichtigt jedoch nicht verschiedene Beobachtungsbedingungen außer der vorbestimmten Beobachtungsbedingung. Weiterhin ist es schwierig, verschiedene Beobachtungsbedingungen bei der Beurteilung durch den Benutzer unter Verwendung des Brennmusters und des Strahlprofilierers zu berücksichtigen.
  • Deshalb ist es eine Aufgabe der vorliegenden Erfindung, eine Maschinelles-Lernen-Vorrichtung, ein Maschinelles-Lernen-System und ein Maschinelles-Lernen-Verfahren für das Durchführen einer Qualitätsbeurteilung hinsichtlich einer Laserstrahlintensitätsverteilung unter Berücksichtigung der Beobachtungsbedingung des Laserstrahls vorzusehen.
    1. (1) Eine Maschinelles-Lernen-Vorrichtung (zum Beispiel die weiter unten beschriebene Maschinelles-Lernen-Vorrichtung 10) der Erfindung umfasst: eine Zustandsbeobachtungseinrichtung (zum Beispiel die weiter unten beschriebene Zustandsbeobachtungseinheit 11), die Daten zu der Intensitätsverteilung eines Laserstrahls und Daten zu einer Bedingung für das Beobachten des Laserstrahls, das für das Erzeugen der Daten zu der Intensitätsverteilung durchgeführt wird, als Eingabedaten erhält; eine Etiketterhaltungseinrichtung (zum Beispiel die weiter unten beschriebene Etiketterhaltungseinheit 12), die einen Bewertungswert in Bezug auf die Beurteilung der Qualität des Laserstrahls als ein Etikett erhält; und eine Lerneinrichtung (zum Beispiel die weiter unten beschriebene Lerneinheit 13), die ein überwachtes Lernen unter Verwendung eines Paars aus den durch die Zustandsbeobachtungseinrichtung erhaltenen Eingabedaten und dem durch die Etiketterhaltungseinrichtung erhaltenen Etikett als Trainingsdaten für das Erstellen eines Lernmodells für das Beurteilen der Qualität des Laserstrahls durchführt.
    2. (2) Die Maschinelles-Lernen-Vorrichtung gemäß (1) kann derart konfiguriert sein, dass die Daten zu der Intensitätsverteilung Bilddaten sind, die durch das Abbilden eines Laserempfangsteils eines mit dem Laserstrahl bestrahlten Strahlungsziels erhalten werden.
    3. (3) Die Maschinelles-Lernen-Vorrichtung gemäß (2) kann derart konfiguriert sein, dass die Bilddaten eine Vielzahl von Teilen von Bilddaten enthalten, die durch das Abbilden des Laserempfangsteils von einer Vielzahl von Richtungen erhalten werden.
    4. (4) Die Maschinelles-Lernen-Vorrichtung gemäß (1) kann derart konfiguriert sein, dass die Daten zu der Intensitätsverteilung durch das Beobachten des Laserstrahls unter Verwendung eines Strahlprofilierers erhalten werden.
    5. (5) Die Maschinelles-Lernen-Vorrichtung gemäß einem von (1) bis (4) kann derart konfiguriert sein, dass die Daten zu der Bedingung für das Beobachten der Intensitätsverteilung Modellinformationen eines Laseroszillators, der den Laserstrahl strahlt, Informationen zu dem Temperaturzustand des Laseroszillators, Informationen zu der Strahlungsperiode des Laserstrahls und/oder Informationen zu der Distanz von einer Strahlemissionsöffnung des Laseroszillators zu einem Beobachtungspunkt der Intensitätsverteilung umfassen.
    6. (6) Die Maschinelles-Lernen-Vorrichtung gemäß einem von (1) bis (5) kann derart konfiguriert sein, dass der Bewertungswert basierend auf der Beurteilung eines Benutzers unter Bezugnahme auf einen Laserempfangsteil eines mit dem Laserstrahl bestrahlten Strahlungsziels oder auf ein Beobachtungsergebnis des Laserstrahls von einem Strahlprofilierer bestimmt wird.
    7. (7) Die Maschinelles-Lernen-Vorrichtung gemäß einem von (1) bis (6) kann derart konfiguriert sein, dass der Laserstrahl ein Laserstrahl ist, der in einer mit einer Laserverarbeitung assoziierten Vorrichtung verwendet wird, und die Lerneinrichtung ein zusätzliches Lernen in Abhängigkeit von der Anordnung eines Laseroszillators, der den Laserstrahl strahlt, in der mit der Laserverarbeitung assoziierten Vorrichtung durchführt.
    8. (8) Die Maschinelles-Lernen-Vorrichtung gemäß einem von (1) bis (7) kann derart konfiguriert sein, dass der Laserstrahl ein Laserstrahl ist, der in einer mit einer Laserverarbeitung assoziierten Vorrichtung verwendet wird, und das durch die Lerneinrichtung erstellte Lernmodell ein Lernmodell ist, das einen Wert einer Wahrscheinlichkeit dazu angibt, ob der Laserstrahl vorbestimmte Kriterien erfüllt, wenn die Daten zu der Intensitätsverteilung des Laserstrahls und die Daten zu der Bedingung für das Beobachten der Intensitätsverteilung als die Eingabedaten verwendet werden.
    9. (9) Das Maschinelles-Lernen-System (zum Beispiel das weiter unten beschriebene Maschinelles-Lernen-System 1) der Erfindung ist ein Maschinelles-Lernen-System, das eine Vielzahl von Maschinelles-Lernen-Vorrichtungen gemäß einem von (1) bis (8) enthält, wobei die in der Vielzahl von Maschinelles-Lernen-Vorrichtungen enthaltenen Lerneinrichtungen das Lernmodell gemeinsam verwenden und wobei die in der Vielzahl von Maschinelles-Lernen-Vorrichtungen enthaltenen Lerneinrichtungen das Lernen auf dem gemeinsamen Lernmodell durchführen.
    10. (10) Das Maschinelles-Lernen-Verfahren der Erfindung ist ein Maschinelles-Lernen-Verfahren, das durch eine Maschinelles-Lernen-Vorrichtung (zum Beispiel die weiter unten beschriebene Maschinelles-Lernen-Vorrichtung 10) durchgeführt wird, und umfasst: einen Zustandsbeobachtungsschritt zum Erhalten von Daten zu einer Intensitätsverteilung eines Laserstrahls und von Daten zu einer Bedingung für das Beobachten des Laserstrahls, das für das Erzeugen der Daten zu der Intensitätsverteilung durchgeführt wird, als Eingabedaten; einen Etikett-Erhaltungsschritt zum Erhalten eines Bewertungswerts hinsichtlich einer Beurteilung der Qualität des Laserstrahls als eines Etiketts; und einen Lernschritt zum Durchführen eines überwachten Lernens unter Verwendung eines Paars aus den in dem Zustandsbeobachtungsschritt erhaltenen Eingabedaten und dem in dem Etiketterhaltungsschritt erhaltenen Etikett als Trainingsdaten für das Erstellen eines Lernmodells für das Beurteilen der Qualität des Laserstrahls.
  • Gemäß der Erfindung kann eine Qualitätsbeurteilung zu einer Laserstrahlintensitätsverteilung unter Berücksichtigung einer Beobachtungsbedingung des Laserstrahls durchgeführt werden.
  • Figurenliste
    • 1 ist ein Funktionsblockdiagramm, das die gesamte Konfiguration einer Ausführungsform der Erfindung zeigt.
    • 2 ist eine perspektivische Ansicht, die schematisch eine Konfiguration einer Lasermaschine gemäß einer Ausführungsform der Erfindung zeigt.
    • 3 ist eine perspektivische Ansicht, die schematisch ein Beispiel für das Erzeugen eines Brennmusters gemäß einer ersten Ausführungsform der Erfindung zeigt.
    • 4 ist eine perspektivische Ansicht, die schematisch ein anderes Beispiel für das Erzeugen eines Brennmusters gemäß der ersten Ausführungsform der Erfindung zeigt.
    • 5 ist eine schematische Ansicht, die ein Beispiel für ein als Eingabedaten verwendetes Brennmuster gemäß der ersten Ausführungsform der Erfindung zeigt.
    • 6 ist ein Funktionsblockdiagramm, das eine Konfiguration einer Maschinelles-Lernen-Vorrichtung gemäß den Ausführungsformen der Erfindung zeigt.
    • 7 ist ein Flussdiagramm, das den Betrieb für das Erstellen eines Lernmodells gemäß den Ausführungsformen der Erfindung zeigt.
    • 8 ist ein Flussdiagramm, das den Betrieb für das Verwenden eines Lernmodells gemäß den Ausführungsformen der Erfindung zeigt.
  • AUSFÜHRLICHE BESCHREIBUNG DER ERFINDUNG
  • Im Folgenden wird eine Ausführungsform der Erfindung mit Bezug auf die Zeichnungen beschrieben. Anschließend werden zwei Ausführungsformen einer ersten Ausführungsform und einer zweiten Ausführungsform beschrieben. Obwohl die grundlegende Konfiguration der entsprechenden Ausführungsformen gleich ist, sind die Typen der Ziellaserstrahlen der Qualitätsbeurteilung verschieden. Insbesondere wird in der ersten Ausführungsform eine Qualitätsbeurteilung auf einem Kohlendioxidlaser (CO2-Laser) basierend auf einem an einem Acrylblock ausgebildeten Brennmuster durchgeführt. Im Gegensatz dazu wird in der zweiten Ausführungsform eine Qualitätsbeurteilung auf einem YAG-Laser oder Faserlaser basierend auf der Ausgabe eines Strahlprofilierers durchgeführt.
  • <Gesamtkonfiguration der Ausführungsform>
  • Wie in 1 gezeigt, umfasst ein Maschinelles-Lernen-System 1 gemäß dieser Ausführungsform eine Maschinelles-Lernen-Vorrichtung 10, eine Lasermaschine 20 und eine Abbildungsvorrichtung 30. 1 zeigt auch einen Acrylblock 40, der für das Ausbilden eines Brennmusters verwendet wird.
  • Die entsprechenden Einrichtungen in dem Maschinelles-Lernen-System 1 sind kommunikativ miteinander verbunden. Eine Kommunikation kann direkt zwischen entsprechenden Einrichtungen durchgeführt werden und kann über ein Netzwerk mit einer darin enthaltenen Weiterleitungseinrichtung erfolgen. Das Netzwerk ist zum Beispiel ein LAN (Local Area Network) in einem Werk oder ein VPN (Virtual Private Network) im Internet.
  • Die Maschinelles-Lernen-Vorrichtung 10 ist eine Vorrichtung, die ein maschinelles Lernen in Bezug auf einen Laserstrahl für das Erstellen eines Lernmodells für das Durchführen einer Qualitätsbeurteilung hinsichtlich einer Intensitätsverteilung des Laserstrahls durchführt. Das maschinelle Lernen der Maschinelles-Lernen-Vorrichtung 10 wird durch ein Trainingsdaten verwendendes überwachtes Lernen durchgeführt, das durch das Abbilden eines an dem Acrylblock 40 ausgebildeten Brennmusters erhaltene Bilddaten und eine Bedingung (nachfolgend als „Beobachtungsbedingung“ bezeichnet) für das Beobachten des Laserstrahls als Eingabedaten und einen Bewertungswert in Bezug auf die Qualitätsbeurteilung der Laserstrahlintensitätsverteilung als ein Etikett verwendet.
  • Auf diese Weise führt die Maschinelles-Lernen-Vorrichtung 10 ein überwachtes Lernen durch, das die Beobachtungsbedingung und die durch das Abbilden des Brennmusters erhaltenen Bilddaten als Eingabedaten für das Erstellen eines Lernmodells verwendet. Das erstellte Lernmodell ist also ein Lernmodell, das die Qualität des Laserstrahls beurteilen kann, indem es die Beobachtungsbedingung des Laserstrahls berücksichtigt. Insbesondere erzeugt die Maschinelles-Lernen-Vorrichtung 10 eine Vielzahl von Teilen von Trainingsdaten durch das Sammeln einer Vielzahl von Teilen von Bilddaten der ausgebildeten Brennmuster zum Beispiel unter einer ersten Beobachtungsbedingung und führt wiederholt ein Lernen auf der ersten Beobachtungsbedingung basierend auf der Vielzahl von Teilen von Trainingsdaten durch, um ein Lernmodell zu erstellen, das eine Qualitätsbeurteilung der ersten Beobachtungsbedingung durchführen kann. Weiterhin erzeugt die Maschinelles-Lernen-Vorrichtung 10 eine Vielzahl von Teilen von Trainingsdaten durch das Sammeln einer Vielzahl von Bilddaten zu den Brennmustern, die unter einer zweiten Beobachtungsbedingung ausgebildet wurden. Weiterhin führt die Maschinelles-Lernen-Vorrichtung 10 wiederholt ein Lernen auf der zweiten Beobachtungsbedingung unter Verwendung des für die erste Beobachtungsbedingung gelernten Lernmodells basierend auf der Vielzahl von Teilen von Trainingsdaten in Bezug auf die zweite Beobachtungsbedingung durch, um ein Lernmodell zu erstellen, das eine Qualitätsbeurteilung auf der zweiten Beobachtungsbedingung und der ersten Beobachtungsbedingung durchführen kann.
  • In dieser Ausführungsform kann die Maschinelles-Lernen-Vorrichtung 10 ein Lernmodell erstellen, das die Qualitätsbeurteilung auf einer Beobachtungsbedingung, die einer Lernziel-Beobachtungsbedingung ähnlich ist, und weiterhin die Qualitätsbeurteilung auf der Lernziel-Beobachtungsbedingung durchführen kann, indem sie wiederholt ein Lernen auf verschiedenen Beobachtungsbedingungen auf diese Weise durchführt. Details zu dem Ausbilden des Brennmusters, der Beobachtungsbedingung und dem Bewertungswert werden mit Bezug auf 2 und die folgenden Zeichnungen beschrieben.
  • Die Lasermaschine 20 ist eine Vorrichtung, die eine vorbestimmte Laserverarbeitung durchführt. In Abhängigkeit von der Konfiguration der Lasermaschine 20 kann die Lasermaschine 20 entweder selbst eine Laserverarbeitung durchführen oder die Laserverarbeitung in Zusammenwirkung mit einer externen Vorrichtung wie etwa einer Steuereinrichtung oder einer die Lasermaschine 20 steuernden Host-Vorrichtung durchführen. In der folgenden Beschreibung wird angenommen, dass die Lasermaschine 20 eine externe Vorrichtung wie etwa eine Steuereinrichtung und eine Host-Vorrichtung umfasst, außer wenn dies eigens anders angegeben ist.
  • Die Lasermaschine 20 empfängt die Eingabe einer Beobachtungsbedingung und einen Bewertungswert von einem Benutzer, um ein überwachtes Lernen durchzuführen. Die Lasermaschine 20 gibt die empfangene Beobachtungsbedingung und den Bewertungswert an die Maschinelles-Lernen-Vorrichtung 10 aus. Diese Konfiguration ist jedoch nur ein Beispiel, wobei die Maschinelles-Lernen-Vorrichtung 10 die Beobachtungsbedingung und den Bewertungswert direkt von dem Benutzer empfangen kann, anstatt dass die Lasermaschine 20 dieselben empfängt und an die Maschinelles-Lernen-Vorrichtung 10 ausgibt.
  • Die Abbildungsvorrichtung 30 ist ein Teil, der ein Brennmuster auf dem Acrylblock 40 abbildet, um ein überwachtes Lernen durchzuführen. Die Abbildungsvorrichtung 30 gibt durch das Abbilden des Brennmusters erzeugte Bilddaten an die Maschinelles-Lernen-Vorrichtung 10 aus. Die Abbildungsvorrichtung 30 wird durch eine gewöhnliche Digitalkamera oder ein Smartphone mit einer darin enthaltenen Kamera realisiert. Weil die detaillierte Konfiguration der Abbildungsvorrichtung 30 dem Fachmann bekannt ist, wird hier auf eine ausführliche Beschreibung derselben verzichtet.
  • <Konfiguration der Lasermaschine 20>
  • Im Folgenden wird eine Konfiguration der Lasermaschine 20, die einen Laserstrahl strahlt, der ein Ziel des maschinellen Lernens ist, mit Bezug auf 2 beschrieben. 2 ist eine perspektivische Ansicht, die eine schematische Konfiguration der Lasermaschine 20 zeigt.
  • Wie in 2 gezeigt, umfasst die Lasermaschine 20 einen Laseroszillator 21, eine Laseremissionsöffnung 22, einen ersten Reflexionsspiegel 23, einen zweiten Reflexionsspiegel 24, einen dritten Reflexionsspiegel 25, einen vierten Reflexionsspiegel 26, einen Verarbeitungskopf 27, einen fünften Reflexionsspiegel 28 und eine Fokussierungslinse 29. In der Zeichnung sind weiterhin ein planares Werkstück 60, das ein Ziel der Laserverarbeitung durch die Lasermaschine 20 ist, und ein beweglicher Tisch 61, auf dem das Werkstück 60 während der Laserverarbeitung platziert wird, gezeigt. Im Folgenden werden diese Komponenten im Detail beschrieben. Es wird hier auf eine Darstellung und eine ausführliche Beschreibung einer Steuereinrichtung für das Steuern des Antriebs des Laseroszillators 21 und des beweglichen Tisches 61 für das Durchführen einer Laserverarbeitung und weiterhin der internen Komponenten des Laseroszillators 21 und des Verarbeitungskopfs 27 verzichtet, weil diese Komponenten nicht Gegenstand dieser Ausführungsform sind.
  • Der Laseroszillator 21 ist eine Einrichtung, die einen Laserstrahl mit einem kreisförmigen Querschnitt von der Laseremissionsöffnung 22 emittiert und einen Resonator, ein Lasermedium und eine Erregungslichtquelle für das Emittieren eines Laserstrahls umfasst. Der Laseroszillator 21 ist ein Kohlenstoffdioxidlaser. In der weiter unten beschriebenen zweiten Ausführungsform ist der Laseroszillator 21 ein YAG-Laser oder ein Faserlaser.
  • Der von der Laseremissionsöffnung 22 emittierte Laserstrahl wird durch die entsprechenden Reflexionsspiegel einschließlich der ersten, zweiten, dritten und vierten Reflexionsspiegel 23, 24, 25 und 26 in dieser Reihenfolge emittiert und fällt auf den Verarbeitungskopf 27 ein. Das heißt, dass der von der Laseremissionsöffnung 22 emittierte Laserstrahl auf den Verarbeitungskopf 27 über einen Lichtführungspfad 50 einfällt, der durch die ersten, zweiten, dritten und vierten Reflexionsspiegel 23, 24, 25 und 26 gebildet wird.
  • Eine Lichtführungspfadabdeckung zum Aufrechterhalten einer zufriedenstellenden Umgebung des Lichtführungspfads 50 ist um den Lichtführungspfad 50 herum vorgesehen. Die Lichtführungspfadabdeckung wird perspektivisch als eine Strichlinie wiedergegeben, um den Lichtführungspfad 50 deutlich zu zeigen.
  • Der Verarbeitungskopf 27 weist eine annähernd zylindrische Form auf, sodass ein Laserstrahl zu dem Werkstück 60 gestrahlt wird. Der Verarbeitungskopf 27 umfasst den fünften Reflexionsspiegel 28 und die Fokussierungslinse 29. Der fünfte Reflexionsspiegel 28 reflektiert einen auf den Verarbeitungskopf 27 in der Richtung (der Z-Achsenrichtung) des Werkstücks 60 einfallenden Laserstrahl. Die Fokussierungslinse 29 fokussiert den von dem fünften Reflexionsspiegel 28 reflektierten Lasertrahl, um den Laserstrahl zu dem Werkstück 60 über eine an einem fernen Ende des Verarbeitungskopfs 27 angebrachte Düse zu strahlen. Auf diese Weise wird ein Laserempfangsteil des Werkstücks 60 durch den Laserstrahl erhitzt und geschmolzen, wodurch die Laserverarbeitung realisiert wird.
  • <Form und Abbildung des Brennmusters>
  • Im Folgenden werden ein Verfahren zum Ausbilden eines Brennmusters an dem Acrylblock 40 und ein Verfahren zum Abbilden des Brennmusters beschrieben. Das Brennmuster kann durch einen Benutzer zu einer beliebigen Zeit ausgebildet werden und kann zum Beispiel während einer periodischen Reinigung wie weiter unten beschrieben ausgebildet werden.
  • Ein interner Spiegel eines industriellen Laseroszillators kann verunreinigt werden oder aufgrund einer Alterung beeinträchtigt werden. Die Absorptionsfähigkeit eines Laserstrahls ändert sich aufgrund der Verunreinigung oder Beeinträchtigung, sodass eine gewünschte Performanz nicht erzielt wird. Deshalb entfernt ein Benutzer den Spiegel periodisch (zum Beispiel nach jeweils mehreren hundert bis mehreren tausend Stunden), um die Spiegelkomponente zu reinigen oder zu ersetzen. Nach dem Reinigen oder Ersetzen der Spiegelkomponente bringt der Benutzer den Spiegel wieder an. Aufgrund von individuellen Unterschieden der Spiegel ist es schwierig, einen Spiegel ganz genau an der gleichen Position anzubringen, wobei Fehler in der Größenordnung von Mikrometern auftreten können. Deshalb weist eine Einheit zum Montieren eines Spiegels in dem Laseroszillator 21 einen Mechanismus zum Einstellen der Installationsposition auf.
  • Der Benutzer beobachtet einen durch den Laseroszillator gestrahlten Laserstrahl, um einen Einstellungszustand der Installationsposition eines Spiegels durch den Einstellungsmechanismus und den Beeinträchtigungszustand des Spiegels zu beurteilen. Mit dieser Beobachtung führt der Benutzer eine Qualitätsbeurteilung dazu durch, ob eine vorbestimmte Laserausgabe erhalten wird und eine zufriedenstellende Laserstrahlintensitätsverteilung (Strahlmodusform) erhalten wird.
  • Zum Beispiel verwendet der Benutzer diese Ausführungsform bei der Qualitätsbeurteilung. Wenn zum Beispiel eine Vielzahl von Laseroszillatoren 21 in ähnlicher Weise im gleichen Werk verwendet werden, führt die Maschinelles-Lernen-Vorrichtung 10 ein Lernen unter der gleichen Beobachtungsbedingung immer dann durch, wenn eine Wartung der Vielzahl von Laseroszillatoren durchgeführt wird. Auf diese Weise kann eine Vielzahl von Teilen von Trainingsdaten für die gleiche Beobachtungsbedingung gesammelt werden und kann ein Lernmodell erstellt werden. Zum Beispiel wird ein Laserstrahl mit einer Nennausgabe auf einen Acrylblock 40, der aus einem transparenten Acrylharz (zum Beispiel einem rechteckigen, parallelepipedförmigen Acrylblock von 50 [mm] mal 50 [mm] mal 30 [mm]) besteht, für eine vorbestimmte Zeitdauer (zum Beispiel ungefähr 1 bis 4 Sekunden, in Abhängigkeit von der Ausgabe) gestrahlt und wird ein Brennmuster, das eine Brennmarkierung ist, beobachtet, um eine Qualitätsbeurteilung durchzuführen. Dabei ist das Acrylharz transparent in einem sichtbaren Lichtbereich, während ungefähr 100% bei einer Wellenlänge von 10,6 [µm] des Kohlenstoffdioxidlasers absorbiert werden. Wenn also der Kohlenstoffdioxidlaser auf den Acrylblock 40 gestrahlt wird, wird das Kunstharz unmittelbar vergast und bleibt die Brennmarkierung als ein Brennmuster.
  • Spezifische Beispiele eines Verfahrens zum Ausbilden des Brennmusters werden im Folgenden mit Bezug auf 3 und 4 beschrieben. 3 zeigt ein erstes Beispiel eines Brennmuster-Ausbildungsverfahrens. In diesem Beispiel platziert ein Benutzer den Acrylblock 40 auf dem beweglichen Tisch 61 anstelle des Werkstücks 60. Ein Laserstrahl wird auf den Acrylblock 40 in diesem Zustand gestrahlt, um ein Brennmuster (in Entsprechung zu einem Brennmuster 41 in der Zeichnung) auszubilden. In 3 ist das ausgebildete Brennmuster als ein Brennmuster 41 gezeigt. Gemäß dem Verfahren des ersten Beispiels kann der Laserstrahl selbst für eine Laserverarbeitung beobachtet werden, wenn er von dem Verarbeitungskopf 27 über den Lichtführungspfad 50 gestrahlt wird.
  • 4 zeigt ein zweites Beispiel eines Brennmuster-Ausbildungsverfahrens. In diesem Beispiel entfernt ein Benutzer die Lichtführungspfadabdeckung und den ersten Reflexionsspiegel 23, der den von der Laseremissionsöffnung 22 emittierten Laserstrahl reflektiert. In diesem Zustand wird der sich nach der Emission von der Laseremissionsöffnung 22 frei fortpflanzende Laserstrahl zu dem Acrylblock 40 emittiert, um ein Brennmuster (in Entsprechung zu dem Brennmuster 41 in der Zeichnung) auszubilden. Gemäß dem Verfahren des zweiten Beispiels kann der von der Laseremissionsöffnung 22 emittierte Laserstrahl selbst beobachtet werden, bevor er durch den Lichtführungspfad 50 hindurchgeht.
  • Diese Brennmuster-Ausbildungsverfahren sind lediglich beispielhaft, wobei das Brennmuster auch durch andere Verfahren ausgebildet werden kann. Zum Beispiel können die Lichtführungspfadabdeckung und der dritte Reflexionsspiegel 25 anstatt des ersten Reflexionsspiegels 23 entfernt werden und kann das Brennmuster durch den von den ersten und zweiten Reflexionsspiegeln 23 und 24 reflektierten Laserstrahl ausgebildet werden.
  • Wie oben beschrieben, wird in dieser Ausführungsform ein maschinelles Lernen unter Verwendung der durch das Abbilden des Brennmusters erhaltenen Daten als Trainingsdaten durchgeführt. Insbesondere ist es in einer anfänglichen Stufe des maschinellen Lernens sehr wahrscheinlich, dass das maschinelle Lernen in einer kürzeren Zeitdauer erzielt werden kann, wenn das Lernen unter Verwendung einer bestimmten Anzahl von Teilen von Trainingsdaten für die gleiche Beobachtungsbedingung durchgeführt wird anstatt das Lernen unter Verwendung von Trainingsdaten für verschiedene Beobachtungsbedingungen durchzuführen. Deshalb ist es wünschenswert, dass die Brennmuster unter der gleichen Beobachtungsbedingung durchgeführt werden.
  • Zum Beispiel wird die Distanz von der Laseremissionsöffnung 22 zu dem Acrylblock 40, der ein Beobachtungspunkt des Laserstrahls ist, derart gesteuert, dass sie konstant ist, wenn das Brennmuster ausgebildet wird. Zum Beispiel steuert in dem ersten Beispiel von 3 eine Steuereinrichtung (nicht gezeigt) den Verarbeitungskopf 27 und den beweglichen Tisch 61 in ähnlicher Weise wie wenn eine Laserverarbeitung an dem Werkstück 60 durchgeführt wird, sodass die Distanz von der Laseremissionsöffnung 22 zu dem Acrylblock 40, der ein Beobachtungspunkt des Laserstrahls ist, konstant ist. Weiterhin misst zum Beispiel in dem zweiten Beispiel von 4 ein Benutzer die Distanz von der Laseremissionsöffnung 22 zu dem Acrylblock 40, der ein Beobachtungspunkt des Laserstrahls ist, und installiert den Acrylblock 40 derart, dass die Distanz jedesmal gleich ist, um dadurch eine konstante Distanz zwischen der Laseremissionsöffnung 22 und dem Acrylblock 40, der ein Beobachtungspunkt des Laserstrahls ist, aufrechtzuerhalten.
  • Wenn sich ein Kohlendioxidlaser in der Luft fortpflanzt und die Dichte des CO2-Gases oder einer anorganischen Lösungsmittelkomponente in der Luft hoch ist, kann ein Divergenzwinkel des Strahls größer werden. Deshalb lüftet der Benutzer die Umgebung der Lasermaschine 20 ausreichend während des Ausbildens des Brennmusters, sodass das Brennmuster jedesmal unter der gleichen Bedingung ausgebildet wird.
  • Im Folgenden wird beschrieben, wie das an dem Acrylblock 40 ausgebildete Brennmuster abgebildet wird. Der Benutzer bildet den Acrylblock 40 in drei Richtungen (zum Beispiel in den drei orthogonalen Richtungen der X, Y und Z-Achsen) unter Verwendung der Abbildungsvorrichtung 30 ab. Auf diese Weise werden Bilddaten des Brennmusters erzeugt.
  • Zum Beispiel kann ein Benutzer, der eine Wartungsoperation durchführt, eine Abbildung an dem Ort durchführen, an dem die Wartung durchgeführt wird. Und weil der Acrylblock 40 einfach getragen werden kann, kann der Benutzer den Acrylblock 40 zu einer Umgebung tragen, in welcher das Abbilden einfacher durchgeführt werden kann als an dem Ort, an dem die Wartung durchgeführt wird, und dann das Abbilden durchführen.
  • Das Abbilden des Acrylblocks 40 wird vorzugsweise jedesmal unter der gleichen Bedingung durchgeführt. Es ist deshalb wünschenswert, dass die Positionsbeziehung zwischen einer in der Abbildungsvorrichtung 30 enthaltenen Kameralinse und dem Acrylblock 40 konstant vorgesehen wird, indem ein Werkzeug verwendet wird, mit dem die Positionsbeziehung zwischen der Kameralinse und dem Acrylblock 40 fixiert werden kann. Weiterhin kann die Helligkeit oder ähnliches der Umgebung während des Abbildens derart gesteuert werden, dass sie konstant ist.
  • <Beispiel eines Brennmusters>
  • Im Folgenden wird ein spezifisches Beispiel einer Brennmusterform beschrieben. Ein Brennmuster gibt eine Intensitätsverteilung eines Laserstrahls an, wobei sich seine Form basierend auf verschiedenen Faktoren ändert.
  • Wenn zum Beispiel ein Laserstrahl durch die gleiche Lasermaschine 20 gestrahlt wird, ist die Form eines Brennmusters in Abhängigkeit von einem Erwärmungszustand der Lasermaschine 20 verschieden. In diesem Zusammenhang wird ein Strahlmodus, in dem die Intensitätsverteilung von einem Strahl-Aus-Zustand für eine vorbestimmte Zeitdauer (von zum Beispiel drei Minuten) vor einer Strahlung eines Strahls beobachtet wird, als ein Kalt-Modus bezeichnet. Weiterhin wird ein Strahlmodus, in dem eine Blende vor einer Strahlung eines Strahls geschlossen ist und die Intensitätsverteilung von einem Strahl-Ein-Zustand für eine vorbestimmte Zeitdauer (von zum Beispiel drei Minuten) beobachtet wird, als ein Heiß-Modus bezeichnet.
  • 5 zeigt sechs Bilder, die durch das Abbilden eines Brennmusters aus den drei orthogonalen Richtungen der X, Y und Z-Achsen in den Kalt- und Heiß-Modi erhalten werden. In dem in 5 gezeigten Beispiel ist in einem Bild, das durch das Abbilden einer Strahlungsfläche von der Z-Achsenrichtung, die die Fortpflanzungsrichtung des Laserstrahls ist, erhalten wird, der Bereich eines in dem Heiß-Modus erhaltenen Brennmusters größer als der in dem Kalt-Modus erhaltene. In den aus den Y- und X-Richtungen abgebildeten Bildern ist die Tiefe eines in dem Heiß-Modus erhaltenen Brennmusters tiefer als die in dem Kalt-Modus erhaltene. Die Fortpflanzungseigenschaften des Laserstrahls sind also in Abhängigkeit davon verschieden, ob der Strahlmodus der Kalt-Modus oder der Heiß-Modus ist.
  • Wie oben beschrieben, ist die Form des Brennmusters allgemein verschieden in Abhängigkeit davon, ob der Strahlmodus der Kalt-Modus oder der Heiß-Modus ist. Insbesondere wenn die Form in dem Kalt-Modus und dem Heiß-Modus jeweils stark verschieden ist, ist es sehr wahrscheinlich, dass sich der interne Spiegel des Laseroszillators 21 verschlechtert hat. Indem also die in den Kalt- und Heiß-Modi erhaltenen Formen der Brennmuster verglichen werden, kann eine Qualitätsbeurteilung dazu, ob der interne Spiegel des Laseroszillators 21 beeinträchtigt wurde, durchgeführt werden. Deshalb wird in dieser Ausführungsform ein maschinelles Lernen unter Verwendung von insgesamt sechs Teilen von Bilddaten, die durch das Abbilden in drei Richtungen in den Kalt- und Heiß-Modi erhalten werden, wie in 5 gezeigt als der Eingabedaten durchgeführt. Details dazu werden unter <Modifikation 1> beschrieben, wobei das maschinelle Lernen auch nur unter Verwendung der im Kalt-Modus oder im Heiß-Modus erhaltenen Bilddaten durchgeführt werden kann.
  • Der Erwärmungszustand der Lasermaschine 20 ist nicht der einzige Faktor, der die Form eines Brennmusters beeinflusst. Zum Beispiel weist auch ein Unterschied in einer Beobachtungsbedingung wie etwa dem Typ eines Laseroszillators, der Strahlungsperiode eines Laserstrahls und der Distanz von einer Strahlemissionsöffnung des Laseroszillators zu einem Beobachtungspunkt der Intensitätsverteilung einen Einfluss auf die Brennmusterform auf. Deshalb wird ein maschinelles Lernen unter Verwendung dieser Beobachtungsbedingungen als Eingabedaten durchgeführt.
  • <Funktionsblöcke der Maschinelles-Lernen-Vorrichtung 10>
  • Im Folgenden werden die Funktionsblöcke in der Maschinelles-Lernen-Vorrichtung 10 für das Durchführen eines maschinellen Lernens unter Verwendung von derartigen Eingabedaten beschrieben. Die Maschinelles-Lernen-Vorrichtung 10 enthält eine Zustandsbeobachtungseinheit 11, eine Etiketterhaltungseinheit 12, eine Lerneinheit 13, eine Lermodell-Speichereinheit 14 und eine Ausgabepräsentationseinheit 15.
  • Die Zustandsbeobachtungseinheit 11 ist ein Teil, der die Beobachtungsbedingung und die Bilddaten von jeweils der Lasermaschine 20 und der Abbildungsvorrichtung 30 als Eingabedaten erhält und die erhaltenen Eingabedaten zu der Lerneinheit 13 ausgibt. Dabei umfassen die Eingabedaten in dieser Ausführungsform die von der Lasermaschine 20 erhaltene Beobachtungsbedingung und die von der Abbildungsvorrichtung 30 erhaltenen Bilddaten wie oben beschrieben. Diese Daten werden im Folgenden im Detail erläutert.
  • Die Beobachtungsbedingung umfasst zum Beispiel den Typ eines Laseroszillators, eine Strahlungsperiode eines Laserstrahls und die Distanz von einer Strahlemissionsöffnung des Laseroszillators zu einem Beobachtungspunkt der Intensitätsverteilung. Die Zustandsbeobachtungseinheit 11 kann alle diese Teile von Informationen oder nur einige derselben als die Eingabedaten erhalten.
  • Der Typ des Laseroszillators ist zum Beispiel ein Identifizierer oder ähnliches für das Identifizieren des Typs des Laseroszillators 21. Weil die Fokussierungsperformanz und die Fortpflanzungseigenschaften des Laserstrahls in Abhängigkeit von dem Typ des Laseroszillators verschieden sind und einen Einfluss auf die Brennmusterform aufweisen, wird der Typ des Laseroszillators als die Beobachtungsbedingung verwendet.
  • Die Strahlungsperiode eines Laserstrahls ist ein Wert, der eine Zeitdauer, für welche ein Laserstrahl auf den Acrylblock 40 gestrahlt wird, angibt. Weil sich die Brennmusterform in Abhängigkeit von der Strahlungsperiode des Laserstrahls ändert, wird die Strahlungsperiode eines Laserstrahls als die Beobachtungsbedingung verwendet. Die Strahlungsperiode eines Laserstrahls beträgt zum Beispiel 1 bis 4 Sekunden.
  • Die Distanz von der Strahlemissionsöffnung eines Laseroszillators zu einem Beobachtungspunkt der Intensitätsverteilung ist ein Wert, der eine Distanz angibt. Weil sich ein Kohlenstoffdioxidlaser bei seiner Fortpflanzung etwas spreizt, ändert sich die Brennmusterform in Abhängigkeit von der Distanz. Deshalb wird die Distanz als die Beobachtungsbedingung verwendet. Die Distanz beträgt zum Beispiel mehrere Meter.
  • Allgemein wird bei einer Qualitätsbeurteilung der Laserstrahlintensitätsverteilung die Laserstrahlintensitätsverteilung als gut beurteilt, wenn die Form eines Laserstrahls in einer Ebenenrichtung aus der Fortpflanzungsrichtung des Laserstrahls gesehen rund ist, der Laserstrahl aus der Fortpflanzungsrichtung des Laserstrahls gesehen symmetrisch ist und kein Interferenzrand sichtbar ist. Die Qualitätsbeurteilung des Laserstrahls mit diesen allgemeinen Kriterien ist jedoch nicht ausreichend, weil die korrekte Intensitätsverteilung für den laserstrahl verschieden ist, wenn die Beobachtungsbedingungen verschieden sind. Deshalb wird in dieser Ausführungsform ein maschinelles Lernen unter Verwendung der oben beschriebenen Beobachtungsbedingung als der Eingabedaten durchgeführt.
  • Ein Benutzer, der die Intensitätsverteilung beobachtet, versteht diese Beobachtungsbedingungen und gibt die Beobachtungsbedingungen zum Beispiel zu der Lasermaschine 20 oder der Maschinelles-Lernen-Vorrichtung 10 zusammen mit den Bilddaten ein. Die Zustandsbeobachtungseinheit 11 erhält die eingegebenen Beobachtungsbedingungen. Wenn an dem Ort, an dem die Lasermaschine 20 installiert ist, wie etwa einem Werk die Beobachtungsbedingung jedesmal gleich ist, kann die Beoabachtungsbedingung zuvor als eine Datenbank vorbereitet werden, sodass der Benutzer die Beobachtungsbedingung aus der Datenbank auswählt. Auf diese Weise muss der Benutzer keine Zeit und Mühe für das Eingeben der Beobachtungsbedingung aufwenden. In einem derartigen Werk kann eine Anzahl von Trainingsdaten für die gleiche Beobachtungsbedingung erhalten werden.
  • Im Folgenden werden die Bilddaten beschrieben. Wie weiter oben beschrieben, werden die Bilddaten durch die Abbildungsvorrichtung 30, die das Brennmuster an dem Acrylblock 40 abbildet, erzeugt. Die Zustandsbeobachtungseinheit 11 erhält die durch das Abbilden erzeugten Bilddaten von der Abbildungsvorrichtung 30.
  • Die Etiketterhaltungseinheit 12 ist ein Teil, der den Bewertungswert von der Lasermaschine 20 als ein Etikett erhält und das erhaltene Etikett zu der Lerneinheit 13 ausgibt. In dieser Ausführungsform ist der Bewertungswert ein Bewertungswert in Bezug auf die Qualitätsbeurteilung, der angibt, ob die Intensitätsverteilung des Laserstrahls korrekt ist und ob der Laserstrahl so wie er ist verwendet werden kann (das heißt: „gut“) oder ob die Intensitätsverteilung des Laserstrahls nicht korrekt ist und der Laserstrahl nicht so wie er ist verwendet werden kann (das heißt: „schlecht“).
  • Der Bewertungswert wird basierend auf der Beurteilung eines Benutzers bestimmt, der visuell das an dem Acrylblock 40 ausgebildete Brennmuster selbst oder die durch das Abbilden des Brennmusters erhaltenen Bilddaten beobachtet. Der Benutzer gibt den bestimmten Bewertungswert zum Beispiel zu der Lasermaschine 20 oder der Maschinelles-Lernen-Vorrichtung 10 ein. Die Etiketterhaltungseinheit 12 erhält den eingegebenen Bewertungswert. Weil der Bewertungswert korrekt sein muss, ist es wünschenswert, dass ein erfahrener Benutzer eine Beurteilung für das Bestimmen des Bewertungswerts abgibt.
  • Die Lerneinheit 13 empfängt ein Paar der Eingabedaten und das Etikett als Trainingsdaten und führt ein überwachtes Lernen unter Verwendung der Trainingsdaten durch, um ein Lernmodell zu erstellen. Zum Beispiel führt die Lerneinheit 13 ein überwachtes Lernen unter Verwendung eines neuronalen Netzes durch. In diesem Fall führt die Lerneinheit 13 eine Vorwärtsfortpflanzung durch, in welcher das Paar der Eingabedaten und des in den Trainingsdaten enthaltenen Etiketts zu einem durch eine Kombination von Perzeptronen gebildeten neuronalen Netz eingegeben werden und die Gewichtungsfaktoren für die entsprechenden Perzeptronen in dem neuronalen Netz geändert werden, sodass die Ausgabe des neuronalen Netzes gleich dem Etikett ist.
  • In dieser Ausführungsform wird die Ausgabe des neuronalen Netzes in die zwei Klassen „gut“ und „schlecht“ klassifiziert und wird die Wahrscheinlichkeit, dass die Ausgabe zu einer bestimmten Klasse klassifiziert wird, ausgegeben. Es wird eine Vorwärtsfortpflanzung derart durchgeführt, dass der Wahrscheinlichkeitswert der Qualität der Laserstrahlintensitätsverteilung, der durch das neuronale Netz ausgegeben wird (zum Beispiel ein Wahrscheinlichkeitswert von 90%, dass die Qualität „gut“ ist), gleich dem Bewertungswert des Etiketts ist (wenn zum Beispiel das Etikett eine „gute“ Qualität angibt, ist der durch das neuronale Netz ausgegebene Wahrscheinlichkeitswert für „gut“ gleich 100%).
  • Die Lerneinheit 13 stellt die Gewichtsfaktoren ein, um die Fehler in der Ausgabe der entsprechenden Parameter durch eine Rückfortpflanzung (auch als eine Fehlerrückfortpflanzung bezeichnet) nach dem Durchführen der Vorwärtsfortpflanzung auf diese Weise zu vermindern.
  • Insbesondere berechnet die Lerneinheit 13 einen Fehler zwischen dem Etikett und der Ausgabe des neuronalen Netzes und korrigiert den Gewichtungsfaktor, um den berechneten Fehler zu vermindern. Auf diese Weise lernt die Lerneinheit 13 die Eigenschaften von Trainingsdaten und erhält ein Lernmodell für das Schätzen eines Ergebnisses aus einer Eingabe rekursiv.
  • In dieser Ausführungsform sind die Bilddaten, die durch die das Brennmuster an dem Acrylblock 40 abbildende Abbildungsvorrichtung 30 erzeugt werden, in den Eingabedaten enthalten. Deshalb kann die Lerneinheit 13 die Eigenschaften der Bilddaten unter Verwendung eines gefalteten neuronalen Netzes (Convolutional Neural Network (CNN)) lernen, das ein für das Lernen der Bilddaten geeignetes neuronales Netz ist. Weiterhin kann ein Lernmodell unter Verwendung eines neuronalen Netzes erstellt werden, das die durch ein anderes neuronales Netz als das gefaltete neuronale Netz gelernten Eigenschaften der Beobachtungsbedingung und die durch das gefaltete neuronale Netz gelernten Eigenschaften der Bilddaten empfängt. Alternativ dazu kann das Lernmodell unter Verwendung eines neuronalen Netzes erstellt werden, das die Beobachtungsbedingung selbst und die durch das gefaltete neuronale Netz gelernten Eigenschaften der Bilddaten empfängt.
  • Die Lerneinheit 13 erstellt ein Lernmodell durch das Durchführen eines maschinellen Lernens wie oben beschrieben. Das durch die Lerneinheit 13 erstellte Lernmodell wird zu der Lernmodell-Speichereinheit 14 ausgegeben.
  • Die Lernmodell-Speichereinheit 14 ist eine Speichereinheit, die das durch die Lerneinheit 13 erstellte Lernmodell speichert. Wenn neue Trainingsdaten erhalten werden, nachdem das Lernmodell erstellt wurde, kann das überwachte Lernen zu dem in der Lernmodell-Speichereinheit 14 gespeicherten Lernmodell hinzugefügt werden und kann das maschinelle Lernen zusätzlich durchgeführt werden, sodass das bereits erstellte Lernmodell korrekt aktualisiert wird.
  • Dieses zusätzliche Lernen kann automatisch durchgeführt werden, wobei das Lernen aber auch auf der Basis der Beurteilung eines Benutzers durchgeführt werden kann. Das heißt, wenn der Benutzer beurteilt, dass die Qualitätsbeurteilung basierend auf dem Lernmodell falsch ist, kann der Benutzer die Beobachtungsbedingung und den Bewertungswert gemäß seinen eigenen Kriterien bestimmen, sodass die Qualitätsbeurteilung korrekter ist, um auf diese Weise Trainingsdaten zu erzeugen und ein zusätzliches Lernen durchzuführen. Weiterhin kann das zusätzliche Lernen durchgeführt werden, wenn die Anordnung des Laseroszillators 21 in der Lasermaschine 20 geändert wird und die Position, an welcher der Acrylblock 40 platziert werden kann, geändert wird. Durch das Durchführen eines derartigen zusätzlichen Lernens kann ein Lernmodell gemäß den eigenen Kriterien des Benutzers erstellt werden.
  • Die Ausgabepräsentationseinheit 15 ist ein Teil, der die Ausgabe der Lerneinheit 13 präsentiert. Weil wie oben beschrieben in dieser Ausführungsform das Ergebnis der Qualitätsbeurteilung an dem Acrylblock 40 durch das durch die Lerneinheit 13 erstellte Lernmodell ausgegeben werden kann, präsentiert die Ausgabepräsentationseinheit 15 den Inhalt der Ausgabe der Lerneinheit 13 für den Benutzer. Die Präsentation kann zum Beispiel durch das Anzeigen von Informationen an einem Flüssigkristalldisplay oder ähnlichem oder durch das Drucken von Informationen auf ein Papiermedium durchgeführt werden oder kann durch das Ausgeben eines Klangs durchgeführt werden (zum Beispiel kann ein Warnklang ausgegeben werden, wenn das Qualitätsbeurteilungsergebnis angibt, dass die Wahrscheinlichkeit von „schlecht“ groß ist).
  • Vorstehend wurden die in der Maschinelles-Lernen-Vorrichtung 10 enthaltenen Funktionsblöcke beschrieben. Um diese Funktionsblöcke zu realisieren, enthält die Maschinelles-Lernen-Vorrichtung 10 eine arithmetische Verarbeitungseinrichtung wie etwa eine zentrale Verarbeitungseinheit (CPU). Weiterhin enthält die Maschinelles-Lernen-Vorrichtung 10 eine Hilfsspeichereinrichtung wie etwa ein Festplattenlaufwerk (HDD), das verschiedene Steuerprogramme wie etwa eine Anwendungssoftware und ein Betriebssystem (OS) speichert, und eine Hauptspeichereinrichtung wie etwa einen Speicher mit wahlfreiem Zugriff (RAM), der Daten speichert, die vorübergehend für eine arithmetische Verarbeitungseinrichtung für das Ausführen von Programmen erforderlich sind.
  • In der Maschinelles-Lernen-Vorrichtung 10 liest die arithmetische Verarbeitungseinrichtung eine Anwendungssoftware und ein Betriebssystem aus der Hilfsspeichereinrichtung und führt einen arithmetischen Prozess basierend auf der Anwendungssoftware und dem Betriebssystem durch, indem sie die gelesene Anwendungssoftware und das Betriebssystem auf der Hauptspeichereinrichtung ausführt. Verschiedene in den entsprechenden Einrichtungen enthaltene Hardwarekomponenten werden basierend auf diesem arithmetischen Verarbeitungsergebnis gesteuert. Auf diese Weise werden die Funktionsblöcke dieser Ausführungsform realisiert. Diese Ausführungsform kann also durch das Zusammenwirken von Hard- und Software realisiert werden.
  • In einem spezifischen Beispiel kann die Maschinelles-Lernen-Vorrichtung 10 realisiert werden, indem eine Anwendungssoftware für das Realisieren dieser Ausführungsform in einem gewöhnlichen PC oder einem Servergerät integriert wird. Weil jedoch die Maschinelles-Lernen-Vorrichtung 10 eine große Menge von arithmetischen Operationen in Verbindung mit dem überwachten Lernen ausführen muss, wird das überwachte Lernen unter Umständen mit einer hohen Geschwindigkeit durchgeführt, zum Beispiel wenn eine graphische Verarbeitungseinheit (GPU) an einem PC montiert ist und die GPU für eine arithmetische Verarbeitung verwendet wird, die mit dem überwachten Lernen gemäß einer als GPGPU (General-Purpose Computing on Graphics Processing Units) bezeichneten Technik assoziiert ist. Und um eine schnellere Verarbeitung zu realisieren, kann ein Computercluster unter Verwendung einer Vielzahl von Computern mit jeweils einer derartigen GPU gebildet werden und kann eine parallele Verarbeitung durch eine Vielzahl von in dem Computercluster enthaltene Computer durchgeführt werden.
  • Im Folgenden wird eine Operation während eines überwachten Lernens der Maschinelles-Lernen-Vorrichtung 10 mit Bezug auf das Flussdiagramm von 7 beschrieben. In Schritt S11 erhält die Zustandsüberwachungseinheit 11 Bilddaten, die durch das Abbilden des an dem Acrylblock 40 ausgebildeten Brennmusters erhalten werden, von der Abbildungsvorrichtung 30. Die Zustandsbeobachtungseinheit 11 gibt die erhaltenen Bilddaten zu der Lerneinheit 13 aus.
  • In Schritt S12 erhält die Zustandsbeobachtungseinheit 11 den Beobachtungszustand in Entsprechung zu den in Schritt S11 erhaltenen Bilddaten. Die Zustandsbeobachtungseinheit 11 gibt die erhaltene Beobachtungsbedingung zu der Lerneinheit 13 aus.
  • In Schritt S13 erhält die Etiketterhaltungseinheit 12 einen Bewertungswert in Entsprechung zu den Bilddaten und der durch die Zustandsbeobachtungseinheit 11 erhaltenen Beobachtungsbedingung jeweils in den Schritten S11 und S12. Die Etiketterhaltungseinheit 12 gibt den erhaltenen Bewertungswert zu der Lerneinheit 13 aus. Der Einfachheit halber werden die Schritte S11 bis S13 in dieser Reihenfolge beschrieben, wobei diese drei Schritte aber auch in einer anderen Reihenfolge oder parallel ausgeführt werden können.
  • In Schritt S14 erzeugt die Lerneinheit 13 Trainingsdaten durch das Paaren der entsprechenden Teile der in den Schritten S11, S12 und S13 eingegebenen Daten.
  • In Schritt S15 führt die Lerneinheit 13 ein maschinelles Lernen basierend auf den in Schritt S14 erzeugten Trainingsdaten durch. Das maschinelle Lernen ist ein überwachtes Lernen, wobei das Verfahren dafür gleich dem für die Funktionsblöcke der Lerneinheit 13 beschriebenen ist.
  • In Schritt S16 bestimmt die Lerneinheit 13, ob das maschinelle Lernen beendet wird oder nicht. Diese Bestimmung wird basierend auf vorbestimmten Bedingungen durchgeführt. Zum Beispiel wird das Lernen beendet, wenn die Bedingungen, dass der Wert eines Fehlers zwischen dem Etikett und der Ausgabe des neuronalen Netzes gleich oder kleiner als ein vorbestimmter Wert ist oder dass das überwachte Lernen mit einer vorbestimmten Anzahl von Wiederholungen durchgeführt wurde, erfüllt werden.
  • Wenn die Bedingungen für das Beenden des maschinellen Lernens nicht erfüllt werden, wird ein Bestimmungsergebnis NEIN in Schritt S16 erhalten und kehrt der Prozess zu Schritt S11 zurück. Die oben beschriebenen Prozesse werden für neue Eingabedaten und neue Etiketten wiederholt. Wenn dagegen die Bedingungen für das Beenden des maschinellen Lernens erfüllt werden, wird ein Bestimmungsergebnis JA in Schritt S16 erhalten und schreitet der Prozess zu Schritt S17 fort.
  • In Schritt S22 speichert die Lerneinheit 13 das durch das Lernen in Schritt S22 erstellte Lernmodell in der Lernmodell-Speichereinheit 14. Mittels der oben beschriebenen Operationen führt die Lerneinheit 13 ein überwachtes Lernen unter Verwendung von Eingabedaten einschließlich der Beobachtungsbedingung des Acrylblocks 40 und der Bilddaten für das Erstellen eines Lernmodells durch. Auf diese Weise kann ein Lernmodell für das Durchführen einer Qualitätsbeurteilung der Laserstrahlintensitätsverteilung unter Berücksichtigung der Beobachtungsbedingung des Brennmusters erstellt werden.
  • Die oben beschriebenen Operationen können als ein Prozess zum Erstellen eines Lernmodells durchgeführt werden und können durchgeführt werden, wenn wie üblich eine Wartung an der Lasermaschine 20 in einem Werk oder ähnlichem durchgeführt wird.
  • Das überwachte Lernen wird hier durch ein Onlinelernen bewerkstelligt, wobei das überwachte Lernen aber auch durch ein Stapellernen oder ein Ministapellernen bewerkstelligt werden kann. Ein Onlinelernen ist ein Lernverfahren, in dem ein überwachtes Lernen immer dann durchgeführt wird, wenn Trainingsdaten erzeugt werden. Weiterhin ist ein Stapellernen ein Lernverfahren, in dem eine Vielzahl von Teilen von Trainingsdaten gesammelt werden, während die Trainingsdaten wiederholt erzeugt werden, und ein überwachtes Lernen unter Verwendung aller Teile der gesammelten Trainingsdaten durchgeführt wird. Weiterhin ist ein Ministapellernen ein Lernverfahren, das zwischen dem Onlinelernen und dem Stapellernen angesiedelt ist und in dem ein überwachtes Lernen immer dann durchgeführt wird, wenn eine bestimmte Menge von Trainingsdaten gesammelt wurde.
  • Im Folgenden wird eine Operation für eine Qualitätsbeurteilung unter Verwendung des auf diese Weise erstellten Lernmodells mit Bezug auf das Flussdiagramm von 8 beschrieben. In Schritt S21 erhält die Zustandsbeobachtungseinheit 11 die Bilddaten, die durch das Abbilden des an dem Acrylblock 40 ausgebildeten Brennmusters erhalten werden, von der Abbildungsvorrichtung 30. Die Zustandsbeobachtungseinheit 11 gibt die erhaltenen Bilddaten zu der Lerneinheit 13 aus.
  • In Schritt S22 erhält die Zustandsbeobachtungseinheit 11 die Beobachtungsbedingung in Entsprechung zu den in Schritt S11 erhaltenen Bilddaten. Die Zustandsbeobachtungseinheit 11 gibt die erhaltene Beobachtungsbedingung zu der Lerneinheit 13 aus. Ähnlich wie die Schritte S11 bis S13 können die Schritte S21 und S22 in einer anderen Reihenfolge oder auch parallel ausgeführt werden.
  • In Schritt S23 gibt die Lerneinheit 13 die entsprechenden Teile der in den Schritten S21 und S22 eingegebenen Daten zu dem in der Lernmodell-Speichereinheit 14 gespeicherten Lernmodell als Eingabedaten ein. Die Lerneinheit 13 gibt die Ausgabe des Lernmodells in Entsprechung zu dieser Eingabe zu der Ausgabepräsentationseinheit 15 aus. Die Ausgabepräsentationseinheit 15 präsentiert die Ausgabe des von der Lerneinheit 13 eingegebenen Lernmodells für den Benutzer als das Ergebnis der Qualitätsbeurteilung.
  • Durch die oben beschriebenen Operationen kann die Maschinelles-Lernen-Vorrichtung 10 die Qualität der Laserstrahlintensitätsverteilung unter Berücksichtigung der Beobachtungsbedingung des Brennmusters beurteilen. Weiterhin kann der Benutzer unter Bezugnahme auf das präsentierte Ergebnis der Qualitätsbeurteilung bestimmen, ob es erforderlich ist, einen internen Spiegel oder ähnliches des Laseroszillators 21 zu ersetzen. Auf diese Weise kann die Qualitätsbeurteilung automatisiert werden, ohne dass hierfür eine Beurteilung des Benutzers basierend auf einer visuellen Beobachtung erforderlich ist, die herkömmlicherweise für eine Beurteilung durchgeführt wird. Weiterhin können die herkömmlichen obskuren Beurteilungskriterien modelliert werden und können die Beurteilungsergebnisse als numerische Werte angegeben werden.
  • <Zweite Ausführungsform>
  • Im Folgenden wird eine zweite Ausführungsform beschrieben. Weil die ersten und zweiten Ausführungsformen die gleiche Grundkonfiguration aufweisen, wird hier auf eine redundante Beschreibung der gemeinsamen Teile verzichtet und werden die Unterschiede zwischen den ersten und zweiten Ausführungsformen im Detail beschrieben. In der ersten Ausführungsform führt die Lerneinheit 13 ein maschinelles Lernen unter Verwendung der Bilddaten des an dem Acrylblock 40 ausgebildeten Brennmusters als der Eingabedaten durch. In einer Modifikation kann die Zustandsbeobachtungseinheit 11 Daten der durch andere Beobachtungseinrichtungen wie etwa einen Strahlprofilierer beobachteten Intensitätsverteilung erhalten und kann die Lerneinheit 13 ein maschinelles Lernen unter Verwendung der Daten der Intensitätsverteilung als der Eingabedaten durchführen.
  • Weil Strahlprofilierer für industrielle CO2-Laser allgemein kostspielig sind, wird, wenn das Beobachtungsziel ein CO2-Laser ist, eine Beobachtung unter Verwendung des Acrylblocks 40 wie in der ersten Ausführungsform durchgeführt. Wenn dagegen das Objektziel ein YAG-Laser oder ein Faserlaser ist, ist eine Beobachtung des Acrylblocks 40 aufgrund einer Differenz im Wellenlängenbereich nicht möglich und ist das Lichtempfangselement kostengünstiger als bei dem CO2-Laser, sodass häufig ein Strahlprofilierer für die Beobachtung verwendet wird. Deshalb kann diese Ausführungsform verwendet werden, wenn das Beobachtungsziel ein YAG-Laser oder ein Faserlaser ist.
  • Die Ausgabe eines Strahlprofilierers weist ein derartiges Format auf, dass ein numerischer Wert in Entsprechung zu einer Lichtintensität in jede Zelle eingesetzt wird, die durch das Teilen einer Ebene (einer XY-Ebene) vertikal zu der Bewegungsrichtung (der Z-Richtung) eines Laserstrahls in eine Vielzahl von Zellen (zum Beispiel 128 × 128 Zellen) erhalten wird. In dieser Modifikation erhält die Zustandsbeobachtungseinheit 11 die Ausgabe des Strahlprofilierers und die Beobachtungsbedingung als Eingabedaten. Auf diese Weise kann auch dann, wenn das Beobachtungsziel ein YAG-Laser oder ein Faserlaser ist, ein Lernmodell für das Durchführen einer Qualitätsbeurteilung eines Laserstrahls erstellt werden.
  • Weil in der ersten Ausführungsform die Brennmusterform in Abhängigkeit von einer Strahlungsperiode eines Laserstrahls verschieden ist, ist die Strahlungsperiode des Laserstrahls in der Beobachtungsbedingung enthalten. Wenn jedoch eine Beobachtung unter Verwendung eines Strahlprofilierers durchgeführt wird, beeinflusst die Strahlungsperiode eines Laserstrahls das Beobachtungsergebnis nicht, sodass die Strahlungsperiode des Laserstrahls aus der Beobachtungsbedingung ausgeschlossen werden kann.
  • Die Anzahl von Teilungen der XY-Ebene kann in Abhängigkeit von einem Unterschied des Modells oder von einer Einstellung eines Strahlprofilierers verschieden sein. Deshalb können die Ausgabedaten eines Strahlprofilierers vorverarbeitet werden, bevor sie zu einem Lernmodell eingegeben werden, wobei die Ausgabedaten derart gewandelt werden, dass sie einer vorbestimmten Anzahl von Teilungen entsprechen. Wenn zum Beispiel Ausgabedaten, in denen die XY-Ebene in 128 × 128 Zellen geteilt ist, und Ausgabedaten, in denen die XY-Ebene in 64 × 64 Zellen geteilt ist, vorhanden sind, können die Ausgabedaten in Entsprechung zu den 64 × 64 Zellen durch eine Vorverarbeitung weiter geteilt werden, sodass sie den Ausgabedaten in Entsprechung zu den 128 × 128 Zellen entsprechen. Indem auf diese Weise das Format der Ausgabedaten des Strahlprofilierers durch eine Vorverarbeitung gewandelt wird, kann ein Lernmodell auch dann erstellt werden, wenn das Modell oder eine Einstellung des Strahlprofilierers verschieden sind.
  • In dieser Ausführungsform kann das Bild mit dreidimensionalen Formdaten, die basierend auf dem Beobachtungsergebnis des Strahlprofilierers erzeugt werden, als Bilddaten behandelt werden und kann das maschinelle Lernen unter Verwendung der Bilddaten als der Eingabedaten durchgeführt werden.
  • <Zusammenwirkung von Hardware und Software>
  • Die in dem Maschinelles-Lernen-System enthaltenen Einrichtungen können durch Hardware, Software oder eine Kombination aus diesen realisiert werden. Das durch das Zusammenwirken der entsprechenden Einrichtungen in dem Maschinelles-Lernen-System durchgeführte Verfahren kann durch Hardware, Software oder eine Kombination aus diesen realisiert werden. Eine Realisierung durch Software ist möglich, indem ein Computer ein Programm liest und ausführt.
  • Die Programme können auf verschiedenen Typen von nicht-transitorischen, computerlesbaren Medien gespeichert sein und in einen Computer geladen werden. Die nicht-transitorischen, computerlesbaren Medien umfassen verschiedene Typen von greifbaren Speichermedien. Beispiele für nicht-transitorische, computerlesbare Medien sind ein magnetisches Speichermedium (zum Beispiel eine Diskette, ein Magnetband und ein Festplattenlaufwerk), ein magnetooptisches Aufzeichnungsmedium (zum Beispiel eine magnetooptische Platte), eine CD-ROM (Nur-LeseSpeicher), eine CD-R, eine CD-R/W, ein Halbleiterspeicher (zum Beispiel ein Masken-ROM, ein programmierbarer ROM (PROM), ein löschbarer PROM (EPROM), ein Flash-ROM und ein RAM (Speicher mit wahlfreiem Zugriff)). Die Programme können für einen Computer unter Verwendung von verschiedenen Typen von transitorischen, computerlesbaren Medien bereitgestellt werden. Beispiele für transitorische, computerlesbare Medien sind elektrische Signale, optische Signale und elektromagnetische Wellen. Ein transitorisches, computerlesbares Medium kann Programme zu einem Computer über einen drahtgebundenen Kommunikationspfad wie etwa ein Elektrokabel, einen Lichtwellenleiter oder ähnliches und über einen drahtlosen Kommunikationspfad zuführen.
  • <Modifikationen der Ausführungsform>
  • Die hier beschriebenen Ausführungsformen sind bevorzugte Ausführungsformen der Erfindung, wobei der Erfindungsumfang jedoch nicht auf die oben beschriebenen Ausführungsformen beschränkt ist und die hier beschriebenen Ausführungsformen auch miteinander kombiniert und/oder auf verschiedene Weise modifiziert werden können, ohne dass deshalb der Erfindungsumfang verlassen wird.
  • <Modifikation 1>
  • In den oben beschriebenen Ausführungsformen führt die Lerneinheit 13 ein maschinelles Lernen unter Verwendung der Bilddaten von sechs Bildern, die durch das Abbilden eines Brennmusters aus drei orthogonalen Richtungen der X, Y und Z-Achsen in dem Kalt- und Heiß-Modi erhalten werden, als der Eingabedaten durch. Die Anzahl von Teilen der als die Eingabedaten verwendeten Bilddaten kann auch kleiner sein. Zum Beispiel kann das maschinelle Lernen unter Verwendung von drei Bildern, die durch das Abbilden eines Brennmusters aus drei orthogonalen Richtungen der X, Y und Z-Achsen in entweder dem Kalt- oder dem Heiß-Modus erhalten werden, als der Eingabedaten durchgeführt werden.
  • Weiterhin kann die Erfindung auf verschiedene Fälle angewendet werden, wie etwa einen „Fall, in dem drei in dem Kalt-Modus erhaltene Bilder als Eingabedaten verwendet werden“, einen „Fall, in dem drei in dem Heiß-Modus erhaltene Bilder als Eingabedaten verwendet werden“ und einen „Fall, in dem sechs in den Kalt- und Heiß-Modi erhaltene Bilder als Eingabedaten verwendet werden.“ In diesen Fällen kann ein Lernmodell durch das Hinzufügen, zu der Beobachtungsbedingung, von Informationen für das Identifizieren, ob die in den Eingabedaten enthaltenen Bilder in dem Kalt-Modus erhaltene Bilder, in dem Heiß-Modus erhaltene Bilder oder in den Kalt- und Heiß-Modi erhaltene Bilder sind, erstellt werden. Alternativ dazu kann jeweils ein Lernmodell für jeden dieser Fälle erstellt werden.
  • <Modifikation 2>
  • In den oben beschriebenen Ausführungsformen werden die Funktionen in der Maschinelles-Lernen-Vorrichtung 10, der Lasermaschine 20 und der Abbildungsvorrichtung 30 durch separate Vorrichtungen realisiert, wobei aber auch einige oder aller dieser Funktionen durch eine integrierte Vorrichtung realisiert werden können.
  • Weiterhin kann eine Maschinelles-Lernen-Vorrichtung 10 mit einer Vielzahl von Lasermaschinen 20 und einer Vielzahl von Abbildungsvorrichtungen 30 verbunden sein. Weiterhin kann eine Maschinelles-Lernen-Vorrichtung 10 ein Lernen basierend auf den von einer Vielzahl von Lasermaschinen 20 und einer Vielzahl von Abbildungsvorrichtungen 30 erhaltenen Trainingsdaten durchführen. In den oben beschriebenen Ausführungsformen ist nur eine Maschinelles-Lernen-Vorrichtung 10 gezeigt, wobei jedoch auch eine Vielzahl von Maschinelles-Lernen-Vorrichtungen 10 vorhanden sein kann. Die Beziehung zwischen der Maschinelles-Lernen-Vorrichtung 10, der Lasermaschine 20 und der Abbildungsvorrichtung 30 kann eine eins-zu-eins-Beziehung, eine eins-zu-mehrere-Beziehung oder eine mehrere-zu-mehrere-Beziehung sein.
  • <Modifikation 3>
  • Wenn wie in der Modifikation 2 beschrieben eine Vielzahl von Maschinelles-Lernen-Vorrichtungen 10 vorhanden sind, kann ein in der Lernmodell-Speichereinheit 14 einer der Maschinelles-Lernen-Vorrichtungen 10 gespeichertes Lernmodell gemeinsam mit den anderen Lernvorrichtungen 10 verwendet werden. Wenn das Lernmodell gemeinsam durch eine Vielzahl von Maschinelles-Lernen-Vorrichtungen 10 verwendet wird, kann ein überwachtes Lernen durch die entsprechenden Maschinelles-Lernen-Vorrichtungen 10 auf verteilte Weise durchgeführt werden, wodurch die Effizienz des überwachten Lernens verbessert werden kann.
  • <Modifikation 4>
  • Während in den oben beschriebenen Ausführungsformen der Bewertungswert durch die Beurteilung eines Benutzers bestimmt wird, der das an dem Acrylblock 40 ausgebildete Brennmuster visuell beobachtet, kann der Bewertungswert basierend auf dem Ergebnis einer tatsächlichen Verwendung des Laserstrahls bestimmt werden. In diesem Fall führt der Benutzer tatsächlich eine Laserverarbeitung unter Verwendung der Lasermaschine 20 nach einem Abbilden des Acrylblocks 40 unter Verwendung der Abbildungsvorrichtung 30 durch. Der Benutzer bestimmt den Bewertungswert basierend auf dem Ergebnis der tatsächlich durchgeführten Laserverarbeitung. Auf diese Weise kann der Bewertungswert genauer bestimmt werden.
  • In diesem Fall kann die Maschinelles-Lernen-Vorrichtung 10 den Bewertungswert automatisch basierend auf einem Prüfungsergebnis eines tatsächlich durch ein Laserschneiden geschnittenen Werkstücks bestimmen. Deshalb ist die Maschinelles-Lernen-Vorrichtung 10 mit einer Prüfungsvorrichtung verbunden, die prüft, ob Kriterien wie etwa die Qualität einer Schneidfläche des geschnittenen Werkstücks erfüllt werden. Die Maschinelles-Lernen-Vorrichtung 10 empfängt ein Prüfungsergebnis von der Prüfungsvorrichtung. Die Maschinelles-Lernen-Vorrichtung 10 bestimmt den Bewertungswert als „gut“, wenn sie ein Prüfungsergebnis dazu empfängt, dass die Kriterien wie etwa die Qualität einer Schneidfläche des geschnittenen Werkstücks erfüllt werden. Umgekehrt bestimmt die Maschinelles-Lernen-Vorrichtung 10 den Bewertungswert als „schlecht“, wenn sie ein Prüfungsergebnis dazu empfängt, dass die Kriterien wie etwa die Qualität einer Schneidfläche des geschnittenen Werkstücks nicht erfüllt werden. Auf diese Weise muss der Benutzer keine Zeit und Mühe für das Eingeben der Beobachtungsbedingung aufwenden.
  • Bezugszeichenliste
    • 1:
    Maschinelles-Lernen-System
    10:
    Maschinelles-Lernen-Vorrichtung
    11:
    Zustandsbeobachtungseinheit
    12:
    Etiketterhaltungseinheit
    13:
    Lerneinheit
    14:
    Lernmodell-Speichereinheit
    15:
    Ausgabepräsentationseinheit
    20:
    Lasermaschine
    21:
    Laseroszillator
    22:
    Laseremissionsöffnung
    23:
    erster Reflexionsspiegel
    24:
    zweiter Reflexionsspiegel
    25:
    dritter Reflexionsspiegel
    26:
    vierter Reflexionsspiegel
    27:
    Verarbeitungskopf
    28:
    fünfter Reflexionsspiegel
    29:
    Fokussierungslinse
    30:
    Abbildungsvorrichtung
    40:
    Acrylblock
    41:
    Brennmuster
    50:
    Lichtführungspfad
    60:
    Werkstück
    61:
    beweglicher Tisch
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • JP 2015166094 [0006]

Claims (10)

  1. Maschinelles-Lernen-Vorrichtung (10), umfassend: eine Zustandsbeobachtungseinrichtung (11), die Daten zu der Intensitätsverteilung eines Laserstrahls und Daten zu einer Bedingung für das Beobachten des Laserstrahls, das für das Erzeugen der Daten zu der Intensitätsverteilung durchgeführt wird, als Eingabedaten erhält, eine Etiketterhaltungseinrichtung (12), die einen Bewertungswert in Bezug auf die Beurteilung der Qualität des Laserstrahls als ein Etikett erhält, und eine Lerneinrichtung (13), die ein überwachtes Lernen unter Verwendung eines Paars aus den durch die Zustandsbeobachtungseinrichtung (11) erhaltenen Eingabedaten und dem durch die Etiketterhaltungseinrichtung (12) erhaltenen Etikett als Trainingsdaten für das Erstellen eines Lernmodells für das Beurteilen der Qualität des Laserstrahls durchführt.
  2. Maschinelles-Lernen-Vorrichtung (10) nach Anspruch 1, wobei: die Daten zu der Intensitätsverteilung Bilddaten sind, die durch das Abbilden eines Laserempfangsteils eines mit dem Laserstrahl bestrahlten Strahlungsziels erhalten werden.
  3. Maschinelles-Lernen-Vorrichtung (10) nach Anspruch 2, wobei: die Bilddaten eine Vielzahl von Teilen von Bilddaten enthalten, die durch das Abbilden des Laserempfangsteils von einer Vielzahl von Richtungen erhalten werden.
  4. Maschinelles-Lernen-Vorrichtung (10) nach Anspruch 1, wobei: die Daten zu der Intensitätsverteilung durch das Beobachten des Laserstrahls unter Verwendung eines Strahlprofilierers erhalten werden.
  5. Maschinelles-Lernen-Vorrichtung (10) nach einem der Ansprüche 1 bis 4, wobei: die Daten zu der Bedingung für das Beobachten der Intensitätsverteilung Modellinformationen eines Laseroszillators, der den Laserstrahl strahlt, Informationen zu dem Temperaturzustand des Laseroszillators, Informationen zu der Strahlungsperiode des Laserstrahls und/oder Informationen zu der Distanz von einer Strahlemissionsöffnung des Laseroszillators zu einem Beobachtungspunkt der Intensitätsverteilung umfassen.
  6. Maschinelles-Lernen-Vorrichtung (10) nach einem der Ansprüche 1 bis 5, wobei: der Bewertungswert basierend auf der Beurteilung eines Benutzers unter Bezugnahme auf einen Laserempfangsteil eines mit dem Laserstrahl bestrahlten Strahlungsziels oder auf ein Beobachtungsergebnis des Laserstrahls von einem Strahlprofilierer bestimmt wird.
  7. Maschinelles-Lernen-Vorrichtung (10) nach einem der Ansprüche 1 bis 6, wobei: der Laserstrahl ein Laserstrahl ist, der in einer mit einer Laserverarbeitung assoziierten Vorrichtung verwendet wird, und die Lerneinrichtung (13) ein zusätzliches Lernen in Abhängigkeit von der Anordnung eines Laseroszillators, der den Laserstrahl strahlt, in der mit der Laserverarbeitung assoziierten Vorrichtung durchführt.
  8. Maschinelles-Lernen-Vorrichtung (10) nach einem der Ansprüche 1 bis 7, wobei: der Laserstrahl ein Laserstrahl ist, der in einer mit einer Laserverarbeitung assoziierten Vorrichtung verwendet wird, und das durch die Lerneinrichtung (13) erstellte Lernmodell ein Lernmodell ist, das einen Wert einer Wahrscheinlichkeit dazu angibt, ob der Laserstrahl vorbestimmte Kriterien erfüllt, wenn die Daten zu der Intensitätsverteilung des Laserstrahls und die Daten zu der Bedingung für das Beobachten der Intensitätsverteilung als die Eingabedaten verwendet werden.
  9. Maschinelles-Lernen-System, das eine Vielzahl von Maschinelles-Lernen-Vorrichtungen (10) gemäß einem der Ansprüche 1 bis 8 enthält, wobei: die in der Vielzahl von Maschinelles-Lernen-Vorrichtungen (10) enthaltenen Lerneinrichtungen (13) das Lernmodell gemeinsam verwenden und wobei die in der Vielzahl von Maschinelles-Lernen-Vorrichtungen (10) enthaltenen Lerneinrichtungen (13) das Lernen auf dem gemeinsamen Lernmodell durchführen.
  10. Maschinelles-Lernen-Verfahren, das durch eine Maschinelles-Lernen-Vorrichtung (10) durchgeführt wird, umfassend: einen Zustandsbeobachtungsschritt zum Erhalten von Daten zu einer Intensitätsverteilung eines Laserstrahls und von Daten zu einer Bedingung für das Beobachten des Laserstrahls, das für das Erzeugen der Daten zu der Intensitätsverteilung durchgeführt wird, als Eingabedaten, einen Etikett-Erhaltungsschritt zum Erhalten eines Bewertungswerts hinsichtlich einer Beurteilung der Qualität des Laserstrahls als eines Etiketts, und einen Lernschritt zum Durchführen eines überwachten Lernens unter Verwendung eines Paars aus den in dem Zustandsbeobachtungsschritt erhaltenen Eingabedaten und dem in dem Etiketterhaltungsschritt erhaltenen Etikett als Trainingsdaten für das Erstellen eines Lernmodells für das Beurteilen der Qualität des Laserstrahls.
DE102018214170.3A 2017-08-28 2018-08-22 Maschinelles-lernen-vorrichtung, maschinelles-lernen-system und maschinelles lernverfahren Active DE102018214170B4 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-163735 2017-08-28
JP2017163735A JP6546230B2 (ja) 2017-08-28 2017-08-28 機械学習装置、機械学習システム及び機械学習方法

Publications (2)

Publication Number Publication Date
DE102018214170A1 true DE102018214170A1 (de) 2019-02-28
DE102018214170B4 DE102018214170B4 (de) 2021-02-11

Family

ID=65321890

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102018214170.3A Active DE102018214170B4 (de) 2017-08-28 2018-08-22 Maschinelles-lernen-vorrichtung, maschinelles-lernen-system und maschinelles lernverfahren

Country Status (4)

Country Link
US (1) US10532432B2 (de)
JP (1) JP6546230B2 (de)
CN (1) CN109426154B (de)
DE (1) DE102018214170B4 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019112099B3 (de) 2019-05-09 2020-06-18 Dürr Systems Ag Überwachungsverfahren für eine Applikationsanlage und entsprechende Applikationsanlage

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020199517A (ja) * 2019-06-07 2020-12-17 ファナック株式会社 レーザ加工システム
KR102089749B1 (ko) * 2019-11-20 2020-05-27 전명숙 소화 배관 제조 공정을 제어하기 위한 방법 및 장치
US20230103837A1 (en) * 2020-01-31 2023-04-06 Fanuc Corporation Machine learning device, machined state prediction device, and control device
CN117369282B (zh) * 2023-11-17 2024-04-19 上海四方无锡锅炉工程有限公司 一种自适应性分级送风的控制方法及其固废cfb锅炉

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015166094A (ja) 2014-03-03 2015-09-24 ビアメカニクス株式会社 レーザ加工装置

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63269588A (ja) * 1987-04-28 1988-11-07 Toshiba Corp レ−ザビ−ムのモニタリング装置
JPH05115992A (ja) * 1991-05-16 1993-05-14 Nikon Corp レーザ加工装置
JP2837003B2 (ja) * 1991-10-22 1998-12-14 三菱重工業株式会社 レーザ作業監視装置
JP3541617B2 (ja) * 1997-04-23 2004-07-14 日本ビクター株式会社 光学式ディスク装置
US7079765B2 (en) * 2001-03-07 2006-07-18 Nippon Telegraph And Telephone Corporation Optical wavelength division multiplex signal monitoring apparatus
EP1462206A1 (de) * 2003-03-26 2004-09-29 Lasag Ag Laservorrichtung zum Bohren von Löchern in Bauteilen einer Flüssigkeitsinjektionsvorrichtung
US10620105B2 (en) * 2004-03-06 2020-04-14 Michael Trainer Methods and apparatus for determining characteristics of particles from scattered light
JP4429974B2 (ja) * 2005-06-17 2010-03-10 オリンパス株式会社 レーザ加工方法および装置
JP2007044739A (ja) * 2005-08-11 2007-02-22 Miyachi Technos Corp レーザ加工モニタリング装置
US7410763B2 (en) * 2005-09-01 2008-08-12 Intel Corporation Multiplex data collection and analysis in bioanalyte detection
US7313299B2 (en) * 2006-03-09 2007-12-25 Lockheed Martin Coherent Technologies, Inc. Laser beam transformation and combination using tapered waveguides
JP5688203B2 (ja) * 2007-11-01 2015-03-25 株式会社半導体エネルギー研究所 半導体基板の作製方法
JP5204276B2 (ja) * 2011-08-09 2013-06-05 ファナック株式会社 電力計算手段を備えたガスレーザ装置
WO2014019860A2 (en) 2012-08-03 2014-02-06 Abb Technology Ag Overload limitation in peak power operation
US20160123885A1 (en) * 2014-10-31 2016-05-05 Brasscorp Limited Inspection Lamp Having Reduction of Speckle of Laser Light
US10016843B2 (en) * 2015-03-20 2018-07-10 Ultratech, Inc. Systems and methods for reducing pulsed laser beam profile non-uniformities for laser annealing
CN108027911A (zh) * 2015-07-29 2018-05-11 伊利诺斯工具制品有限公司 促进焊接即服务软件的系统及方法
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015166094A (ja) 2014-03-03 2015-09-24 ビアメカニクス株式会社 レーザ加工装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019112099B3 (de) 2019-05-09 2020-06-18 Dürr Systems Ag Überwachungsverfahren für eine Applikationsanlage und entsprechende Applikationsanlage
WO2020225175A1 (de) 2019-05-09 2020-11-12 Dürr Systems Ag Überwachungsverfahren für eine applikationsanlage und entsprechende applikationsanlage

Also Published As

Publication number Publication date
US20190061062A1 (en) 2019-02-28
CN109426154A (zh) 2019-03-05
JP2019038027A (ja) 2019-03-14
JP6546230B2 (ja) 2019-07-17
CN109426154B (zh) 2020-04-17
US10532432B2 (en) 2020-01-14
DE102018214170B4 (de) 2021-02-11

Similar Documents

Publication Publication Date Title
DE102018214170B4 (de) Maschinelles-lernen-vorrichtung, maschinelles-lernen-system und maschinelles lernverfahren
DE102017105224B4 (de) Vorrichtung zum maschinellen lernen, laserbearbeitungssystem und maschinelles lernverfahren
DE102018214063A1 (de) Maschinenlernvorrichtung, Maschinenlernsystem und Maschinenlernverfahren
DE102012219187B4 (de) System zur binären Klassifikation von interessierenden Elementen in einem reproduzierbaren Prozess
DE102019000457B4 (de) Maschinelle lernvorrichtung zum lernen eines fehlerauftrittsprinzips einer laservorrichtung
DE2508611C2 (de) Verfahren zur Bestimmung der charakteristischen Brechkräfte einer Linse und Vorrichtung zur Durchführung desselben
DE112018005809T5 (de) Verfahren des optimierens einer bearbeitungssimulationsbedingung, bearbeitungssimulationsvorrichtung, bearbeitungssimulationssystem und programm
DE102021114967A1 (de) Werkstückinspektions- und fehlererkennungssystem, das die anzahl der fehlerbilder für das training angibt
DE102019000041A1 (de) Faserlaservorrichtung und maschinelle Lernvorrichtung
DE102020002263A1 (de) Vorrichtung und Verfahren zum Erlernen einer Fokuspositionsverschiebung einer Laserbearbeitungsvorrichtung und Laserbearbeitungssystem, das eine Fokuspositionsverschiebung korrigiert
EP3767403B1 (de) Machine-learning gestützte form- und oberflächenmessung zur produktionsüberwachung
EP4072808B1 (de) Computergestütztes verfahren und einrichtung zur prüfung einer sichtbetonqualität
DE102016218977A1 (de) Verfahren und Vorrichtung zur Ermittlung eines OPC-Modells
DE102021129478A1 (de) Verfahren und system zum übertragen von daten von fertigungsdatenurhebern an zielrechensysteme unter verwendung von definierten nachrichtenschemata
DE102021115002A1 (de) Werkstückinspektions- und fehlererkennungssystem einschliesslich überwachung der werkstückbilder
EP3071928B1 (de) Bildaufnahmesimulation in einem koordinatenmessgerät
DE112011102209T5 (de) Datenstörung für eine Einrichtung zur Waferinspektion oder -Metrologie
DE112018001600T5 (de) System und verfahren zur 3d-profilbestimmung unter verwendung einer modellbasierten peak-auswahl
DE102020112651A1 (de) Computerimplementiertes Verfahren zur Zustandsüberwachung einer Vorrichtung zur Untersuchung von Objekten
DE102013020705A1 (de) Verfahren und Vorrichtung zur Untersuchung einer Maske
DE102014223326B4 (de) Verfahren zur Vorhersage mindestens eines Beleuchtungsparameters zur Bewertung eines Beleuchtungssettings und Verfahren zur Optimierung eines Beleuchtungssettings
EP2525188A1 (de) Justage einer zu prüfenden optischen Fläche in einer Prüfvorrichtung
DE102007047924B4 (de) Verfahren zur automatischen Detektion von Fehlmessungen mittels Qualitätsfaktoren
DE60117645T2 (de) Verfahren und Vorrichtung zur Vorprüfung eines elektrophotographischen photosensitiven Elements
DE102014018510A1 (de) Anordnung und Verfahren zur Charakterisierung von Photolithographie-Masken

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication
R018 Grant decision by examination section/examining division
R020 Patent grant now final