DE102019000457A1 - Maschinelle lernvorrichtung zum lernen eines fehlerauftrittsprinzips einer laservorrichtung - Google Patents

Maschinelle lernvorrichtung zum lernen eines fehlerauftrittsprinzips einer laservorrichtung Download PDF

Info

Publication number
DE102019000457A1
DE102019000457A1 DE102019000457.4A DE102019000457A DE102019000457A1 DE 102019000457 A1 DE102019000457 A1 DE 102019000457A1 DE 102019000457 A DE102019000457 A DE 102019000457A DE 102019000457 A1 DE102019000457 A1 DE 102019000457A1
Authority
DE
Germany
Prior art keywords
occurrence
error
errors
laser device
state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
DE102019000457.4A
Other languages
English (en)
Inventor
Hiroshi Takigawa
Tetsuhisa Takazane
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 DE102019000457A1 publication Critical patent/DE102019000457A1/de
Granted legal-status Critical Current

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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; 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
    • B23K26/50—Working by transmitting the laser beam through or within the workpiece
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/70—Auxiliary operations or equipment
    • B23K26/702—Auxiliary equipment
    • B23K26/705—Beam measuring device
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
    • B23Q15/007—Automatic control or regulation of feed movement, cutting velocity or position of tool or work while the tool acts upon the workpiece
    • B23Q15/12—Adaptive control, i.e. adjusting itself to have a performance which is optimum according to a preassigned criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S5/00—Semiconductor lasers
    • H01S5/06—Arrangements for controlling the laser output parameters, e.g. by operating on the active medium
    • H01S5/068—Stabilisation of laser output parameters
    • H01S5/0683—Stabilisation of laser output parameters by monitoring the optical output parameters
    • 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
    • G05B2219/33—Director till display
    • G05B2219/33198—Laser, light link, infrared
    • 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
    • G05B2219/36—Nc in input of data, input key till input tape
    • G05B2219/36199—Laser cutting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Optics & Photonics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Plasma & Fusion (AREA)
  • Mechanical Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Molecular Biology (AREA)
  • General Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Laser Beam Processing (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Lasers (AREA)
  • Numerical Control (AREA)

Abstract

Eine maschinelle Lernvorrichtung beobachtet über eine Steuereinheit der Laservorrichtung eine Zustandsvariable des Inneren und des Äußeren einer Laservorrichtung, die Zeitreihendaten der Lichtleistung, die durch einen Ausgangslichtsensor detektiert wird, und einen Lichtausgabebefehl umfasst, und erfasst ein Bestimmungsergebnis der Richtigkeit mit Bezug auf ein quantitatives Prinzip für das Auftreten von Fehlern, das für jeden Fehler in der Laservorrichtung ausgegeben wird. Die maschinelle Lernvorrichtung lernt das quantitative Prinzip für das Auftreten von Fehlern, der jedem Fehler entspricht, und verknüpft dabei das quantitative Prinzip für das Auftreten von Fehlern mit der Zustandsvariablen und dem Bestimmungsergebnis der Richtigkeit mit Bezug auf das quantitative Prinzip für das Auftreten von Fehlern, und entscheidet über ein quantitatives Prinzip für das Auftreten von Fehlern, das ausgegeben werden soll, wenn ein Auftreten jedes Fehlers detektiert wird.

Description

  • HINTERGRUND DER ERFINDUNG
  • Gebiet der Erfindung
  • Die vorliegende Erfindung betrifft eine maschinelle Lernvorrichtung, die ein quantitatives Prinzip für das Auftreten von Fehlern in einer Hochleistungs-Laservorrichtung lernt. Die Hochleistungs-Laservorrichtung führt eine Laserbearbeitung aus, indem sie ein Werkstück mit einem Bearbeitungskopf über eine optische Faser mit Laserlicht, das von einem Laseroszillator unter Verwendung zahlreicher Laserdiodenmodule als Lichtemissionsquellen oder als Erregerlichtquellen emittiert wird, bestrahlt.
  • Genauer gesagt lernt die maschinelle Lernvorrichtung der vorliegenden Erfindung für einen Fehler einer Hochleistungs-Laservorrichtung, die Laserlicht, das von einem direkten Diodenlaseroszillator unter Verwendung zahlreicher Laserdiodenmodule als Lichtemissionsquellen oder von einem Faserlaseroszillator unter Verwendung zahlreicher Laserdiodenmodule als Erregerlichtquellen ausgestrahlt wird, anhand einer optischen Faser ausbreitet, nicht nur einen Grund für einen derartigen Fehlerauftritt und eine Bedingung für einen derartigen Fehlerauftritt, sondern lernt auch basierend auf der Fehlerursache, die den Fehlerauftritt auslöst, und auf der Größenordnung des Fehlers ein quantitatives Prinzip für das Auftreten von Fehlern der Laservorrichtung, das eine Kausalitätskette für das Erreichen eines Fehlerzustands, wie etwa eine quantitative Änderung des Zustands der Laservorrichtung, die durch die Fehlerursache verursacht wird, ein physikalisches Prinzip für das Auftreten von Fehlern durch die Änderung des Zustands der Laservorrichtung, und den Standort des Fehlers, der durch das physikalische Prinzip verursacht wird, und die Größenordnung des Fehlers, umfasst, unter Verwendung von Daten, die von der Laservorrichtung, die über ein Netzwerk verbunden ist, erfasst werden, und erteilt einen Befehl für eine Antriebsbedingung zur Fehlervermeidung an die Laservorrichtung unter Bezugnahme auf ein Ergebnis des Lernens. Diese maschinelle Lernvorrichtung dient auch als vorbeugende Wartungsvorrichtung, welche die verbleibende Zeit bis zum Auftreten eines Fehlers ausgibt.
  • Allgemeiner Stand der Technik
  • Es gibt viele verschiedene Zustandsvariablen einer Laservorrichtung, die als mit einer Fehlerauftrittsursache und einer Fehlerauftrittsbedingung der Laservorrichtung zusammenhängend gelten, wie etwa Antriebsbedingungen und Antriebszustände, umfassend eine Materialkonfiguration, eine Herstellungsinformation und einen Ereignisverlauf; Ausgaben von einer Mehrzahl von optischen Detektionssensoren und Ausgaben eines Temperatursensors und eines Feuchtigkeitssensors jeder Komponente; und periphere Umgebungsbedingungen, wie etwa Temperatur, Feuchtigkeit, Schwingungen, Höhenlage und Luftreinheit. Da ein Fehler nicht so oft auftritt, ist es andererseits schwierig, eine ausreichende Datenmenge zu erzielen.
  • Folglich bestand ein Problem darin, dass selbst wenn eine Fehlerauftrittsursache und eine Fehlerauftrittsbedingung durch maschinelles Lernen gelernt werden, so dass ein Ergebnis, bei dem es sich um den Fehlerzustand handelt, mit Zustandsvariablen einer Laservorrichtung, die zu einem Zeitpunkt erzielt werden, zu dem der Fehler auftritt und vor und nach dem Auftreten des Fehlers, verknüpft wird, keine ausreichende Genauigkeit erzielt werden konnte, oder viel Zeit benötigt wurde, um eine große Menge von Fehlerdaten zu erheben und die Genauigkeit zu verbessern.
  • Obwohl die betreffende Vorrichtung keine Laservorrichtung ist, offenbart beispielsweise die japanische Patent-Auslegeschrift Nr. 2017-030221 ein Gerät zum Diagnostizieren einer Anomalie einer Spritzgießmaschine, bei der interne und externe Zustandsdaten über die Spritzgießmaschine eingegeben werden, um eine Anomalie der Spritzgießmaschine anhand eines maschinellen Lerngeräts zu diagnostizieren. Bei diesem Gerät zum Diagnostizieren einer Anomalie werden interne Parameter des maschinellen Lerngeräts erzielt, indem das maschinelle Lernen basierend auf den Zustandsdaten, die erzielt werden, wenn eine Anomalie auftritt, und den Zustandsdaten, die erzielt werden, wenn keine Anomalie auftritt, erfolgt. Ferner gibt das Gerät zum Diagnostizieren einer Anomalie eine Zustandsvariable, welche die Anomalie verursacht, unter den Zustandsvariablen vor, wenn es das Auftreten einer Anomalie vorhersagt. Obwohl das Gerät zum Diagnostizieren einer Anomalie eine Zustandsvariable vorgibt, die eine Anomalie verursacht, führt das Gerät zum Diagnostizieren einer Anomalie jedoch kein maschinelles Lernen für quantitative Prinzipien für das Auftreten von Fehlern aus. Somit erwähnt die japanische Patent-Auslegeschrift Nr. 2017-030221 keine physikalischen Beweise, die eine Anomalieursache mit einem Anomaliephänomen koppeln, und dadurch zeigt die japanische Patent-Auslegeschrift Nr. 2017-030221 keine Lösung für das Problem, dass auf Grund des Vorliegens von zahlreichen Zustandsvariablen und von wenigen Fallbeispielen des Auftretens von Fehlern selbst durch maschinelles Lernen keine ausreichende Genauigkeit erzielt werden kann, und dass es lange dauert, bis eine große Menge von Fehlerdaten erhoben wird und sich die Genauigkeit verbessert.
  • Ferner offenbart die japanische Patent-Auslegeschrift Nr. 2017-033526 eine maschinelle Lernvorrichtung, die eine Bedingung lernt, die mit einem Fehler in einer Industriemaschine verknüpft ist. Diese maschinelle Lernvorrichtung umfasst: eine Zustandsbeobachtungseinheit zum Beobachten einer Zustandsvariablen, die mindestens eines von Ausgangsdaten eines Sensors, der einen Zustand der Industriemaschine oder einer peripheren Umgebung detektiert, von internen Daten einer Steuerungs-Software zum Steuern der Industriemaschine, und von Rechendaten, die auf der Grundlage der Ausgangsdaten oder der internen Daten erzielt werden, während die Industriemaschine funktioniert oder stillsteht, umfassen; eine Einheit zum Erfassen von Bestimmungsdaten, um Bestimmungsdaten zu erfassen, in denen das Vorliegen oder das Niveau eines Fehlers in der Industriemaschine bestimmt wird; und eine Lerneinheit zum Lernen einer Bedingung, die mit einem Fehler in der Industriemaschine verknüpft ist, gemäß einem Trainingsdatensatz, der auf der Grundlage einer Kombination der Zustandsvariablen und der Bestimmungsdaten erstellt wird.
  • Gemäß der zuvor erwähnten japanischen Patent-Auslegeschrift Nr. 2017-033526 lernt die Lerneinheit zwar eine Bedingung, die mit einem Fehler verknüpft ist, doch die Lerneinheit führt kein maschinelles Lernen für quantitative Prinzipien für das Auftreten von Fehlern aus. Somit erwähnt die japanische Patent-Auslegeschrift Nr. 2017-033526 keine physikalischen Beweise, die eine Anomalieursache mit einem Anomaliephänomen koppeln, und die japanische Patent-Auslegeschrift Nr. 2017-033526 zeigt keine Lösung für das Problem, dass auf Grund des Vorliegens von zahlreichen Zustandsvariablen und von wenigen Fallbeispielen des Auftretens von Fehlern selbst durch maschinelles Lernen keine ausreichende Genauigkeit erzielt werden kann, und dass es lange dauert, bis eine große Menge von Fehlerdaten erhoben wird, so dass sich die Genauigkeit verbessert.
  • Ferner offenbart die japanische Patent-Auslegeschrift Nr. 2015-088079 ein System zum Verwalten eines Allgemeinzustands, das den Allgemeinzustand einer Maschinenanlage überwacht. Das System zum Verwalten eines Allgemeinzustands umfasst: einen Teil zum Erfassen von Zeitreihendaten, um Sensordaten, die von einer Mehrzahl von Sensoren, die in der Maschinenanlage installiert sind, erfasst werden, oder die Sensordaten und Umgebungsdaten, welche die Installationsumgebung der Maschinenanlage darstellen, als Zeitreihendaten zu erfassen; einen Zustandsquantifizierungsteil zum Quantifizieren eines Anlagenzustands der Maschinenanlage und eines Allgemeinzustands, der die Leistung der Maschinenanlage oder einen Qualitätszustand darstellt, durch ein statistisches Verfahren, das normale Daten, bei denen es sich um die Zeitreihendaten handelt, die erfasst werden, wenn sich die Maschinenanlage in einem normalen Zustand befindet, als Lerndaten verwendet; und einen Ausgabeteil zum Anzeigen des quantifizierten Maschinenzustands und des quantifizierten Allgemeinzustands und/oder zum Ausgeben des quantifizierten Maschinenzustands und des quantifizierten Allgemeinzustands nach außen. Obwohl dieses System zum Verwalten eines Allgemeinzustands einen Allgemeinzustand der Maschinenanlage durch das statistische Verfahren unter Verwendung von normalen Daten als Lerndaten quantifiziert, führt das System zum Verwalten eines Allgemeinzustands jedoch kein maschinelles Lernen für quantitative Prinzipien für das Auftreten von Fehlern aus. Ferner erwähnt die japanische Patent-Auslegeschrift Nr. 2015-088079 keine physikalischen Beweise, die eine Anomalieursache mit einem Anomaliephänomen koppeln, und die japanische Patent-Auslegeschrift Nr. 2015-088079 zeigt somit keine Lösung für das Problem, dass auf Grund des Vorliegens von zahlreichen Zustandsvariablen und von wenigen Fallbeispielen des Auftretens von Fehlern selbst durch maschinelles Lernen keine ausreichende Genauigkeit erzielt werden kann, und dass es lange dauert, bis eine große Menge von Fehlerdaten erhoben wird, so dass sich die Genauigkeit verbessert.
  • Wie zuvor beschrieben erwähnt jede der Patentschriften die Technik zum Diagnostizieren einer Anomalie und zum Vorgeben einer Anomalieursache, um eine Bedingung, die mit einem Fehler verknüpft ist, zu lernen, oder um einen Allgemeinzustand einer Maschinenanlage basierend auf Daten, die einen Zustand der Maschine, in dem eine Anomalie oder ein Fehler auftritt, darstellen, und auf Daten, die einen Zustand einer Maschine, in dem keine Anomalie oder kein Fehler auftritt, darstellen, zu quantifizieren. Keine dieser Patentschriften zeigt jedoch eine Lösung für das Problem, dass auf Grund des Vorliegens von zahlreichen Zustandsvariablen und von wenigen Fallbeispielen des Auftretens von Fehlern selbst durch maschinelles Lernen keine ausreichende Genauigkeit erzielt werden kann, und dass es lange dauert, bis eine große Menge von Fehlerdaten erhoben wird, so dass sich die Genauigkeit verbessert.
  • In einer Hochleistungs-Laservorrichtung breitet sich Licht mit einer großen Energiemenge in den Kernen von dünnen Fasern aus. Daher gibt es zahlreiche Fehlermodi, wie etwa einen Fehler, der mit hochdichter optischer Energie zusammenhängt, einen Fehler, der mit einer optischen Komponente, in der sich hochdichte optische Energie ausbreitet, zusammenhängt, einen Fehler, der mit einem Laserdiodenmodul zusammenhängt und auf Grund der Verwendung einer großen Anzahl von Hochleistungs-Laserdiodenmodulen auftritt, und einen Fehler, der mit einer Energiequelle, die den Laserdiodenmodulen Hochleistung zuführt, zusammenhängt, anders als ein allgemeiner mechanischer Fehlermodus in einer mechanischen Vorrichtung. Die Zustandsvariablen einer Laservorrichtung, die als mit einer Fehlerauftrittsursache und einer Fehlerauftrittsbedingung der Laservorrichtung zusammenhängend gelten, umfassen: Daten, die mit Materialkonfigurationen zusammenhängen, wie etwa Arten und Typen eines Laserdiodenmoduls, einem optischen Koppler (Kombinator), einer Verstärkungsfaser, einer Abgabefaser, einem Bearbeitungskopf, einer Energiequelleneinheit und einem Sensor, die in der Maschine verwendet werden; Herstellungsinformationen, wie etwa eine Chargennummer, eine Herstellungsbedingung, ein Herstellungsdatum und ein Ergebnis einer Versandprüfung einer zu verwendenden Komponente; Daten, die mit Antriebsbedingungen und Antriebszuständen zusammenhängen, einschließlich eines Ereignisverlaufs, der eine Antriebsperiode und eine Antriebsbedingung darstellt; Ausgangsdaten von vielen Sensoren, wie etwa einer Mehrzahl von Lichtdetektionssensoren zum Detektieren von Ausgangslicht von einem Laseroszillator und Reflexionslicht von einem Werkstück und einem laseroptischen System, einer Mehrzahl von Temperatursensoren für jede Komponente, wie etwa einen Laseroszillator und eine Kühleinheit zum Kühlen des Laseroszillators, und einem Feuchtigkeitssensor zum Detektieren der Luftfeuchtigkeit in der Maschine; periphere Umgebungsbedingungen, wie etwa Temperatur, Feuchtigkeit, Schwingungen, Höhenlage und Luftreinheit; und dergleichen.
  • Wenn ein Fehler auftritt, ist es dadurch für Menschen schwierig, den Fehler zu diagnostizieren und eine Ursache des Fehlers vorzugeben und dabei alle zuvor erwähnten Daten und Bedingungen zu verstehen und den Einfluss der Daten und der Bedingungen zu berücksichtigen. Entsprechend gibt es ein Problem, dass die Wiederherstellung Zeit benötigt, weil die Menschen das fehlerhafte Teil nicht finden können, ein Problem, bei dem ein ähnlicher Fehler wiederkommt, weil die Menschen eine Fehlerauftrittsursache nicht verstehen können, und ein Problem, bei dem ein Fehler nicht verhindert werden kann, weil eine Fehlerauftrittsbedingung unbekannt ist.
  • Es wird in Betracht gezogen, das maschinelle Lernen anzuwenden, um zahlreiche Bedingungen und Daten zu verstehen, einen Fehler zu diagnostizieren, eine Ursache des Fehlers vorzugeben und eine Fehlerauftrittsbedingung zu verstehen und dabei den Einfluss der Bedingungen und der Daten zu berücksichtigen, was für Menschen schwer auszuführen ist. Ein Fehler kommt jedoch nicht so oft vor, und es ist nicht realistisch, eine Prüfung von Grenzkennwerten, bei der eine teure Hochleistungs-Laservorrichtung angetrieben wird und dabei eine Belastung derselben erhöht wird, bis die Hochleistungs-Laservorrichtung gezwungenermaßen versagt, mehrfach zu wiederholen. Daher ist es schwierig, Daten zu erzielen, die mit Fehlern zusammenhängen und für das maschinelle Lernen grundsätzlich benötigt werden.
  • Folglich gab es das Problem, dass obwohl eine Fehlerauftrittsursache und eine Fehlerauftrittsbedingung durch maschinelles Lernen derart lernt werden, dass ein Ergebnis, bei dem es sich um einen Fehlerzustand handelt, mit Zustandsvariablen einer Laservorrichtung, die zu einem Zeitpunkt, zu dem der Fehler auftritt und vor und nach dem Auftreten des Fehlers erzielt werden, verknüpft wird, kein Lernergebnis mit ausreichender Genauigkeit erzielt werden kann, und dass viel Zeit benötigt wird, um eine große Menge von Fehlerdaten zu sammeln und die Lerngenauigkeit zu verbessern, wie zuvor beschrieben.
  • KURZDARSTELLUNG DER ERFINDUNG
  • Eine Aufgabe der vorliegenden Erfindung besteht darin, eine maschinelle Lernvorrichtung bereitzustellen, die in der Lage ist, eine Fehlerauftrittsursache und eine Fehlerauftrittsbedingung mit hoher Genauigkeit selbst basierend auf einer relativ geringen Menge von Fehlerdaten zu lernen und eine präzise vorbeugende Wartung unter Verwendung des Lernergebnisses mit Bezug auf einen Fehler in einer Hochleistungs-Laservorrichtung, die viele Fehlermodi aufweist und für die eine Fehlerauftrittsursache und eine Fehlerauftrittsbedingung durch herkömmliche Verfahren schwer zu verstehen sind, auszuführen.
  • Eine maschinelle Lernvorrichtung gemäß der vorliegenden Erfindung ist eine maschinelle Lernvorrichtung, die mit mindestens einer Laservorrichtung verbunden ist, um über ein Netzwerk mit der Laservorrichtung gegenseitig kommunizieren zu können. Die Laservorrichtung umfasst: mindestens einen Laseroszillator; eine Energiequelleneinheit, die dem Laseroszillator einen Treiberstrom zuführt; mindestens einen Ausgangslichtsensor, der eine Lichtleistung von Laserlicht, das von dem Laseroszillator emittiert wird, detektiert; und eine Steuereinheit, die mindestens einen Stromausgabebefehl ausgibt, der einem Lichtausgabebefehl an die Energiequelleneinheit entspricht, und ein Detektionssignal von dem Ausgangslichtsensor empfängt. Die maschinelle Lernvorrichtung umfasst: eine Zustandsbeobachtungseinheit, die eine Zustandsvariable des Inneren und des Äußeren der Laservorrichtung, wozu Zeitreihendaten der Lichtleistung, die durch den Ausgangslichtsensor detektiert wird, und der Lichtausgabebefehl gehören, durch die Steuereinheit der Lasereinheit beobachtet; eine Einheit zum Erfassen eines Bestimmungsergebnisses, die ein Bestimmungsergebnis der Richtigkeit mit Bezug auf ein quantitatives Prinzip für das Auftreten von Fehlern erfasst, das durch die maschinelle Lernvorrichtung für jeden Fehler in der Laservorrichtung ausgegeben wird; eine Lerneinheit, die eine Ausgabe von der Zustandsbeobachtungseinheit und eine Ausgabe von der Einheit zum Erfassen eines Bestimmungsergebnisses empfängt und das quantitative Prinzip für das Auftreten von Fehlern, das jedem Fehler entspricht, lernt und dabei das quantitative Prinzip für das Auftreten von Fehlern mit der durch die Zustandsbeobachtungseinheit beobachteten Zustandsvariablen der Laservorrichtung und dem durch die Einheit zum Erfassen eines Bestimmungsergebnisses erfassten Bestimmungsergebnis der Richtigkeit mit Bezug auf das quantitative Prinzip für das Auftreten von Fehlern verknüpft; und eine Entscheidungsfindungseinheit, die sich auf ein Lernergebnis der Lerneinheit bezieht, wenn ein Auftreten jedes Fehlers mindestens durch Kollatierung zwischen den Zeitreihendaten der Lichtleistung und dem Lichtausgabebefehl detektiert wird, und über das quantitative Prinzip für das Auftreten von Fehlern entscheidet, das die maschinelle Lernvorrichtung ausgeben soll.
  • Die maschinelle Lernvorrichtung lernt ein sequentielles quantitatives Prinzip für das Auftreten von Fehlern von einer Fehlerursache bis zu einem Fehlerauftrittszustand für jeden von diversen Fehlertypen durch die zuvor erwähnte Konfiguration, und entsprechend kann die maschinelle Lernvorrichtung mit größerer Sicherheit eine präzisere Einschätzung ausführen, die mit einem physikalischen Phänomen und einem physikalischen Prinzip vereinbar ist, beispielsweise im Vergleich zu einem Lernverfahren zum Einschätzen einer Fehlerursache und einer Fehlerauftrittsbedingung durch statistische Verarbeitung von Zustandsvariablen.
  • Bei der maschinellen Lernvorrichtung kann die Zustandsvariable, die durch die Zustandsbeobachtungseinheit der Laservorrichtung beobachtet wird, mindestens eines umfassen von
    • - einer Materialkonfiguration, die einen Bearbeitungskopf der Laservorrichtung umfasst,
    • - Herstellungsinformationen der Laservorrichtung oder einer Einheit und einer Komponente, welche die Laservorrichtung bilden,
    • - Ausgangsdaten, die eine Antriebsbedingung oder einen Antriebszustand der Laservorrichtung darstellen und von einem Sensor, der innerhalb oder außerhalb der Laservorrichtung installiert ist, ausgegeben werden,
    • - einem Ereignisverlauf der Antriebsbedingung oder des Antriebszustands,
    • - einem Ereignisverlauf der Instandsetzung der Laservorrichtung,
    • - internen Daten einer Steuerungs-Software zum Steuern der Laservorrichtung, und
    • - Rechendaten, die basierend auf den Ausgangsdaten oder den internen Daten erzielt werden. Die Ausgangsdaten können mindestens eines umfassen von einer Lichtleistung von der Laservorrichtung oder dem Laseroszillator; der Intensität von Reflexionslicht, das sich im Innern eines laseroptischen Systems, das eine optische Faser umfasst, in einer entgegengesetzten Richtung zu der des Laserausgangslichts ausbreitet; einem Treiberstrom oder einer Antriebsenergie eines Laserdiodenmoduls, das eine Erregerlichtquelle des Laseroszillators ist; einer Temperatur des Laserdiodenmoduls oder eines Teils, der mit dem Laserdiodenmodul thermisch verbunden ist; einer Temperatur einer Wärmesenke zum Unterdrücken eines Temperaturanstiegs des Laserdiodenmoduls; einer Art, einer Eigenschaft, einer Temperatur, einer Fließgeschwindigkeit und eines Drucks von Kühlmittel zum Abkühlen der Wärmesenke; einer Intensität von Schwingungen, einer Beschleunigung und einer Intensität eines Aufpralls, die auf die Laservorrichtung einwirken; und Temperatur, Feuchtigkeit, Reinheit, Konzentration von Ölnebel und Konzentration von Schwebeteilchen der Umgebungsluft der Laservorrichtung.
  • Die maschinelle Lernvorrichtung kann quantitative Prinzipien für das Auftreten von Fehlern, die diversen Fehlertypen entsprechen, durch die Beobachtung zahlreicher Zustandsvariablen durch die zuvor erwähnte Konfiguration präzise lernen.
  • Die maschinelle Lernvorrichtung kann mindestens ein physikalisches Modell aufzeichnen, wobei das physikalische Modell mindestens einen Teil eines quantitativen Prinzips für das Auftreten von Fehlern darstellt, wobei das quantitative Prinzip für das Auftreten von Fehlern jedem Fehler in der Laservorrichtung entspricht und eine Kette von physikalischen Kausalbeziehungen umfasst, die eine Fehlerursache, die das Auftreten von Fehlern auslöst, und ein Niveau der Fehlerursache, einen Wert oder eine Variation einer spezifischen Zustandsvariablen in der Zustandsvariablen der Laservorrichtung, wobei der Wert oder die Variation durch die Fehlerursache bewirkt wird, ein physikalisches Phänomen oder ein physikalisches Prinzip, mit dem eine Beschädigung mit dem Wert oder der Variation der spezifischen Zustandsvariablen erzeugt wird, und einen Fehlerzustand, der eine Stelle oder eine Komponente darstellt, die bei dem physikalischen Phänomen oder dem physikalischen Prinzip beschädigt wird, und einen Zustand und ein Niveau der Beschädigung umfassen, und mindestens eines von dem Einschätzen des jedem Fehler entsprechenden quantitativen Prinzips für das Auftreten von Fehlern und dem Lernen des jedem Fehler entsprechenden quantitativen Prinzips für das Auftreten von Fehlern durch Bezugnahme auf das physikalische Modell ausführen.
  • Die maschinelle Lernvorrichtung kann durch die zuvor erwähnte Konfiguration die Erfolgswahrscheinlichkeit beim Einschätzen eines physikalisch rationalen quantitativen Prinzips für das Auftreten von Fehlern in relativ frühen Stadien erhöhen, indem sie sich auf das physikalische Modell bezieht.
  • Bei der maschinellen Lernvorrichtung kann eine Bestimmung der Richtigkeit des quantitativen Prinzips für das Auftreten von Fehlern, das mit Bezug auf jeden Fehler in der Laservorrichtung ausgegeben wird, basierend auf dem Vorliegen von mindestens einer Übereinstimmung zwischen dem Vorliegen von Kongruenz zwischen einem Fehlerauftrittszustand, der durch einen Verwalter, einen Bediener oder eine Person, die für die Instandsetzung der Laservorrichtung verantwortlich ist, bestätigt wird, und einem Fehlerauftrittszustand, der in dem quantitativen Prinzip für das Auftreten von Fehlern, das ausgegeben wird, enthalten ist, und dem Vorliegen von Kohärenz, die durch Bezugnahme auf das physikalische Modell untersucht wird, zwischen dem bestätigten Fehlerauftrittszustand, und dem physikalischen Phänomen oder dem physikalischen Prinzip, das in dem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, ausgeführt werden.
  • Die maschinelle Lernvorrichtung eliminiert die Einschätzung, die mit dem physikalischen Modell unvereinbar ist, indem sie die Bestimmung des Vorliegens von Kohärenz mit einem physikalischen Phänomen oder einem physikalischen Prinzip zu der Bestimmung der Richtigkeit hinzufügt, wodurch sie durch die zuvor erwähnte Konfiguration in der Lage ist, ein rationales quantitatives Prinzip für das Auftreten von Fehlern mit Bezug auf diverse Fehlertypen zu lernen.
  • Bei der maschinellen Lernvorrichtung kann die Lerneinheit mindestens ein Lernmodell aufweisen, welches ein Lernergebnis wiedergibt, und eine Fehlerberechnungseinheit und eine Einheit zum Aktualisieren eines Lernmodells umfassen; wenn es einen Unterschied zwischen dem Fehlerauftrittszustand, der bestätigt wird, und dem Fehlerauftrittszustand, der in dem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, gibt, kann die Lerneinheit eine erste Abweichung in Abhängigkeit von einer Größenordnung des Unterschieds berechnen und das Lernmodell in Abhängigkeit von der ersten Abweichung in der Einheit zum Aktualisieren eines Lernmodells aktualisieren; wenn der Fehlerauftrittszustand, der bestätigt ist, mit dem physikalischen Phänomen oder dem physikalischen Prinzip, das in dem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, in Kollatierung mit dem physikalischen Modell unvereinbar ist, kann die Lerneinheit eine zweite Abweichung berechnen und dabei berücksichtigen, dass eine Abweichung, die größer als die erste Abweichung ist, erzeugt wird; und die Einheit zum Aktualisieren eines Lernmodells kann das Lernmodell in Abhängigkeit von der Größenordnung der ersten oder zweiten Abweichung aktualisieren.
  • Wenn ein bestätigter Fehlerauftrittszustand nicht nur anders als ein Fehlerauftrittszustand ist, der in einem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, sondern auch mit einem physikalischen Phänomen oder einem physikalischen Prinzip, das in dem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, unvereinbar ist, bestimmt die maschinelle Lernvorrichtung, dass eine Abweichung eines Lernergebnisses des quantitativen Prinzips für das Auftreten von Fehlern für den Fehler größer ist und aktualisiert das Lernmodell, wodurch sie durch die zuvor erwähnte Konfiguration in der Lage ist, ein rationales quantitativen Prinzip für das Auftreten von Fehlern, das zu physikalischen Modellen mit Bezug auf jeden Fehler bei diversen Fehlertypen passt, zu lernen.
  • Bei der maschinellen Lernvorrichtung kann die Lerneinheit mindestens eine Wertfunktion aufweisen, die ein Lernergebnis wiedergibt, und eine Belohnungsberechnungseinheit und eine Einheit zum Aktualisieren einer Wertfunktion umfassen; wenn der Fehlerauftrittszustand, der bestätigt ist, mit dem Fehlerauftrittszustand übereinstimmt, der in dem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, kann die Belohnungsberechnungseinheit eine positive Belohnung einstellen; wenn es einen Unterschied zwischen dem Fehlerauftrittszustand, der bestätigt ist, und dem Fehlerauftrittszustand, der in dem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, gibt, kann die Belohnungsberechnungseinheit eine erste negative Belohnung in Abhängigkeit von einer Größenordnung des Unterschieds einstellen; wenn der Fehlerauftrittszustand, der bestätigt ist, mit dem physikalischen Phänomen oder dem physikalischen Prinzip, das in dem quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, das in Kollatierung mit dem physikalischen Modell eingeschätzt wird, unvereinbar ist, kann die Belohnungsberechnungseinheit eine zweite negative Belohnung einstellen, die größer als die erste negative Belohnung ist; und die Einheit zum Aktualisieren einer Wertfunktion kann die Wertfunktion in Abhängigkeit von der positiven Belohnung oder der ersten oder zweiten negativen Belohnung, die durch die Belohnungsberechnungseinheit eingestellt wird, aktualisieren.
  • Die maschinelle Lernvorrichtung kann durch die zuvor erwähnte Konfiguration das Lernen durch Ausführen von Verstärkungslernen weiter vertiefen, indem sie ein Ergebnis, das durch maschinelles Lernen eines quantitativen Prinzips für das Auftreten von Fehlern, das jedem Fehler aus diversen Fehlertypen entspricht, durch betreutes Lernen erzielt wird, als Anfangszustand verwendet. Die maschinelle Lernvorrichtung kann rationalere quantitative Prinzipien für das Auftreten von Fehlern lernen, die zu den physikalischen Modellen mit Bezug auf diverse Fehlertypen passen, indem sie eine größere negative Belohnung einstellt, wenn ein bestätigter Fehlerauftrittszustand mit einem physikalischen Phänomen oder einem physikalischen Prinzip, das in einem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, unvereinbar ist, im Vergleich dazu, wenn der bestätigte Fehlerauftrittszustand anders als ein Fehlerauftrittszustand ist, der in dem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist.
  • Bei der maschinellen Lernvorrichtung kann die Lerneinheit eine Mehrzahl von quantitativen Prinzipien für das Auftreten von Fehlern für einen Fehler, wie etwa nicht nur ein einziges quantitatives Prinzip für das Auftreten von Fehlern eines ersten Kandidaten sondern auch ein quantitatives Prinzip für das Auftreten von Fehlern eines zweiten Kandidaten und ein quantitatives Prinzip für das Auftreten von Fehlern eines dritten Kandidaten über die Entscheidungsfindungseinheit ausgeben, wenn die Lerneinheit den Fehler in der Laservorrichtung detektiert; die Belohnungsberechnungseinheit kann eine Belohnung einstellen, deren absoluter Wert relativ umso größer ist je höher ein Kandidatenrang des quantitativen Prinzips für das Auftreten von Fehlern ist, und die Belohnungsberechnungseinheit kann eine Belohnung einstellen, deren absoluter Wert relativ umso kleiner ist je niedriger der Kandidatenrang des quantitativen Prinzips für das Auftreten von Fehlern ist, wenn die Belohnungsberechnungseinheit eine positive oder negative Belohnung mit Bezug auf das quantitative Prinzip für das Auftreten von Fehlern jedes Kandidaten einstellt; und die Einheit zum Aktualisieren einer Wertfunktion kann die Wertfunktion in Abhängigkeit von der Belohnung, die durch die Belohnungsberechnungseinheit eingestellt wird, aktualisieren.
  • Die maschinelle Lernvorrichtung kann durch die zuvor erwähnte Konfiguration das Lernen weiterbringen, indem sie eine geringe Menge von Fehlerauftrittsdaten effektiv verwendet. Selbst wenn eine fehlerhafte Stelle oder eine fehlerhafte Komponente, die in dem quantitativen Prinzip für das Auftreten von Fehlern des ersten Kandidaten enthalten ist, falsch ist, kann eine Person, die für die Instandsetzung der Laservorrichtung verantwortlich ist, eine fehlerhafte Stelle oder eine fehlerhafte Komponente, die in dem quantitativen Prinzip für das Auftreten von Fehlern des folgenden Kandidaten enthalten ist, überprüfen, wodurch sie in der Lage ist, die Wahrscheinlichkeit des Auftretens des Problems, dass ein fehlerhaftes Teil nicht gefunden wird und die Wiederherstellung entsprechend lange dauert, zu verringern.
  • Die maschinelle Lernvorrichtung kann auch eine Funktion als präventive Wartungsvorrichtung aufweisen, indem sie sich auf das quantitative Prinzip für das Auftreten von Fehlern, das jedem Fehler entspricht und durch Lernen erfasst wird, bezieht, und indem sie, wenn sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen der Laservorrichtung sind, der Laservorrichtung, die verbunden sind, um über das Netzwerk gegenseitig kommunizieren zu können, näher als in einem vorbestimmten Umfang an einem Fehlerauftrittsbereich befindet, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, einen Befehl einer Antriebsbedingung zum Vermeiden von Fehlern, wobei es sich um eine Antriebsbedingung handelt, um das Auftreten von Fehlern zu verhindern, an die Steuereinheit der Laservorrichtung erteilt.
  • Die maschinelle Lernvorrichtung bezieht sich auf das quantitative Prinzip für das Auftreten von Fehlern, das jedem Fehler entspricht und durch Lernen erfasst wird, und wenn sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, dieser Laservorrichtung nahe an einem Fehlerauftrittsbereich befindet, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, erteilt die maschinelle Lernvorrichtung einen Befehl einer Antriebsbedingung zum Vermeiden von Fehlern an die Steuereinheit dieser Laservorrichtung, wodurch sie in der Lage ist, das Auftreten von Fehlern vor dem Auftreten des Fehlers durch die zuvor erwähnte Konfiguration zu verhindern.
  • Die maschinelle Lernvorrichtung kann der Steuereinheit der Laservorrichtung befehlen, die Laservorrichtung mit einer vorbestimmten Antriebsbedingung gemäß einem vorbestimmten Ablaufplan anzutreiben, die Zustandsvariable, die Daten über die Lichtleistungseigenschaft der Laservorrichtung umfasst, die bei jedem Antrieb der Laservorrichtung mit der vorbestimmten Antriebsbedingung erzielt werden, als Ereignisverlaufsdaten der Zustandsvariablen der Laservorrichtung aufzuzeichnen, und die Ereignisverlaufsdaten, die aufgezeichnet werden, in einer Zustandsvariablen, die durch die Zustandsbeobachtungseinheit beobachtet wird, einzubeziehen.
  • Die maschinelle Lernvorrichtung zeichnet regelmäßig eine Zustandsvariable der Laservorrichtung beim Antreiben der Laservorrichtung mit der gleichen Antriebsbedingung auf, und kann somit einen Übergang der Zustandsvariablen der Laservorrichtung verstehen und den Übergang der Zustandsvariablen zum Lernen eines quantitativen Prinzips für das Auftreten von Fehlern für einen Fehler, der durch Verschleiß verursacht wird, durch die zuvor erwähnte Konfiguration verwenden.
  • Die maschinelle Lernvorrichtung kann auch eine Funktion als präventive Wartungsvorrichtung erfüllen, indem sie sich auf das quantitative Prinzip für das Auftreten von Fehlern, das jedem Fehler entspricht und durch Lernen erfasst wird, bezieht; indem sie, wenn sie beobachtet, dass sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, dem Fehlerauftrittsbereich nähert, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, basierend auf dem Übergang des Wertes einer beliebigen Zustandsvariablen oder einem Bewegungsübergang des Punktes, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, die in den Ereignisverlaufsdaten enthalten sind, vorhersagt, wie lange es dauert, bis der Wert der Zustandsvariablen oder des Punktes, dessen Koordinatenwerte die Werte der Zustandsvariablen sind, der sich dem Fehlerauftrittsbereich nähert, den Fehlerauftrittsbereich erreicht, wenn die Laservorrichtung mit einer normalen Antriebsbedingung angetrieben wird, d.h. die verbleibende Zeit bis zum Auftreten des Fehlers; und indem sie, wenn die verbleibende Zeit kürzer als die vorbestimmte Zeit wird, mindestens eines von der verbleibenden Zeit und dem quantitativen Prinzip für das Auftreten von Fehlern, durch das vorhergesagt wird, dass ein Fehler nach Ablauf der verbleibenden Zeit auftreten wird, ausgibt.
  • Die maschinelle Lernvorrichtung erfüllt die präventive Wartungsfunktion für den Fall, dass sich ein Wert einer Zustandsvariablen im Verlauf der Zeit langsam ändert, um sich einem Fehlerauftrittsbereich zu nähern, und entsprechend kann die maschinelle Lernvorrichtung im Voraus einen Fehler, der durch Verschleiß verursacht wird, beispielsweise vor dem Auftreten von Fehlern erkennen, kann es ermöglichen, eine präventive Wartung präzise vorzunehmen, und kann die Wartungszeit für die Laservorrichtung durch die zuvor erwähnte Konfiguration minimieren.
  • Bei der maschinellen Lernvorrichtung kann für den Fall, dass sich eine beliebige Laservorrichtung, die angeschlossen ist, um über das Netzwerk gegenseitig kommunizieren zu können, in einem beliebigen Zustand befindet von: einem Zustand, in dem die Laservorrichtung erneut mit dem Netzwerk verbunden wird, einem Zustand, in dem ein Installationsort der Laservorrichtung geändert wird, einem Zustand, in dem die Laservorrichtung während eines Zeitraums, der länger als eine vorbestimmte Warteperiode ist, nicht angetrieben wurde, einem Zustand, in dem Komponenten der Laservorrichtung ausgetauscht werden, und einem Zustand, in dem Komponenten der Laservorrichtung justiert werden, und eine Zustandsvariable der Laservorrichtung nicht bekannt ist oder sich möglicherweise gegenüber dem vorherigen Antreiben geändert hat, der Steuereinheit dieser Laservorrichtung befohlen werden, die Laservorrichtung mit einer vorbestimmten Antriebsbedingung mit geringer Belastung anzutreiben, bevor die Laservorrichtung mit einer normalen Antriebsbedingung oder einer Antriebsbedingung mit hoher Belastung angetrieben wird, eine Zustandsvariable, die bei dem Antreiben mit der Bedingung mit geringer Belastung erzielt wird, kann durch die Zustandsbeobachtungseinheit beobachtet werden, es wird auf das quantitative Prinzip für das Auftreten von Fehlern, das jedem Fehler entspricht und durch Lernen erfasst wird, Bezug genommen, und ein quantitatives Prinzip für das Auftreten von Fehlern, mit dem vorhergesagt wird, dass ein Fehler auftreten wird, kann für den Fall ausgegeben werden, dass vorhergesagt wird, dass der Fehler auftreten wird, wenn die Laservorrichtung mit der normalen Antriebsbedingung oder mit der Antriebsbedingung mit hoher Belastung angetrieben wird.
  • Die maschinelle Lernvorrichtung kann das Auftreten von Fehlern, der durch Reflexionslicht von einem Schutzfenster eines Bearbeitungskopfs, das während einer längeren Pause verunreinigt wird, verursacht wird, das Auftreten von Fehlern, der auftritt, wenn ungewollte Stellen mit Laserausgangslicht und Reflexionslicht auf Grund einer unzureichenden Justierung der optischen Achse bestrahlt werden, und das augenblickliche Auftreten von Fehlern, durch die zuvor erwähnte Konfiguration verhindern. Wenn die Bestimmung nicht alleine durch das Antreiben mit geringer Belastung erfolgen kann, kann ein Antreiben mit einer Antriebsbedingung mit einer etwas höheren Last getestet werden.
  • Die maschinelle Lernvorrichtung kann eine Funktion erfüllen, indem sie sich auf ein quantitatives Prinzip für das Auftreten von Fehlern, das jedem Fehler entspricht und durch Lernen erfasst wird, und eine Häufigkeit des Auftretens eines Fehlers, die jedem quantitativen Prinzip für das Auftreten von Fehlern entspricht, bezieht und eine Liste mit einem Element ausgibt, das bevorzugt zu verbessern ist, um die Häufigkeit des Auftretens eines Fehlers in der Laservorrichtung zu verringern.
  • Wenn die maschinelle Lernvorrichtung ein quantitatives Prinzip für das Auftreten von Fehlern, das jedem Fehler aus diversen Fehlertypen entspricht durch Lernen lernt, wird eine effektive Verbesserung zum Verringern der Häufigkeit des Auftretens eines Fehlers durch die zuvor erwähnte Konfiguration deutlich. Falls daher die Information der Verbesserung ausgegeben wird, kann effektives Wissen zum Verbessern der Zuverlässigkeit einer Laservorrichtung erzielt werden, wodurch die Entwicklung einer langlebigen Laservorrichtung, die hohe Zuverlässigkeit aufweist, ermöglicht wird. Eine Punktzahl und eine Prioritätsreihenfolge können zu jedem Verbesserungselement hinzugefügt werden.
  • Die maschinelle Lernvorrichtung kann auf einem FOG-Server existieren, der mindestens eine Zelle, die eine Mehrzahl von Vorrichtungen umfasst, die mindestens eine Laservorrichtung umfassen, über ein erstes Netzwerk steuert.
  • Dadurch dass die maschinelle Lernvorrichtung auf dem FOG-Server existiert, um eine relativ kleine Zelle zu steuern, wie zuvor beschrieben, können die Beobachtung von Zustandsvariablen der Laservorrichtung und der Austausch von Informationen, deren Echtzeiteigenschaft wichtig ist, wie etwa eines Befehls einer Antriebsbedingung zum Vermeiden von Fehlern, ohne Verzögerung erfolgen.
  • Die maschinelle Lernvorrichtung kann auf einem Cloud-Server existieren, der mindestens einen FOG-Server über das zweite Netzwerk steuert, der mindestens eine Zelle, die eine Mehrzahl von Vorrichtungen umfasst, die mindestens eine Laservorrichtung umfassen, über das erste Netzwerk steuert.
  • Dadurch dass die maschinelle Lernvorrichtung auf dem Cloud-Server existiert, der eine große Aufzeichnungskapazität aufweist und in der Lage ist, eine umfangreiche Signalverarbeitung mit hoher Geschwindigkeit auszuführen, wie zuvor beschrieben, ist es möglich, eine Signalverarbeitung beim maschinellen Lernen basierend auf einem neuronalen Netzwerk oder dergleichen mit hoher Geschwindigkeit auszuführen.
  • Es kann eine Mehrzahl von maschinellen Lernvorrichtungen geben, und die Mehrzahl von maschinellen Lernvorrichtungen kann ein Ergebnis des maschinellen Lernens untereinander austauschen oder teilen.
  • Es dauert meistens länger, das Lernen in der maschinellen Lernvorrichtung weiterzubringen, weil ein Fehler nicht so oft auftritt. Die Geschwindigkeit des Lernfortschritts kann jedoch durch das Austauschen oder Teilen von Lernergebnissen in der zuvor erwähnten Konfiguration erhöht werden. Ferner verbessert die zuvor erwähnte Konfiguration auch die Genauigkeit des Lernens.
  • Gemäß der vorliegenden Erfindung wird mit Bezug auf einen Fehler in einer Hochleistungs-Laservorrichtung, die zahlreiche Fehlermodi aufweist und für die eine Fehlerauftrittsursache und eine Fehlerauftrittsbedingung durch herkömmliche Verfahren schwer zu verstehen sind, wird Bezug auf physikalische Modelle genommen, um ein quantitatives Prinzip für das Auftreten von Fehlern, das eine Kette von physikalischen Kausalbeziehungen umfasst, „wie hat bzw. haben sich ein oder mehrere Werte einer oder mehrerer Zustandsvariablen geändert, auf Grund welcher Ursache(n), und welcher oder welche Teile ist bzw. sind beschädigt, um sich in welchem Zustand zu befinden, auf Grund welches physikalischen Phänomens“ für einen detektierten Fehler zu lernen. Somit kann eine maschinelle Lernvorrichtung bereitgestellt werden, die in der Lage ist, das Lernen auszuführen, um in der Lage zu sein, ein quantitatives Prinzip für das Auftreten von Fehlern, das mit den physikalischen Modellen von einer Fehlerursache bis zu einem Fehlerzustand durchgehend übereinstimmt, selbst basierend auf einer relativ kleinen Menge von Fehlerdaten einzuschätzen und eine präzise präventive Wartungsinformation auszugeben, um das Auftreten von Fehlern einer Laservorrichtung unter Verwendung des Lernergebnisses zu verhindern.
  • Ferner kann bezüglich einer Laservorrichtung, die mit der maschinellen Lernvorrichtung der vorliegenden Erfindung über ein Netzwerk verbunden ist, eine Laservorrichtung, die in der Lage ist, das Auftreten von Fehlern zu verhindern, und die eine hohe Zuverlässigkeit aufweist, bereitgestellt werden.
  • Figurenliste
  • Es zeigen:
    • 1 ein Blockdiagramm, das eine konzeptuelle Konfiguration einer maschinellen Lernvorrichtung gemäß einer ersten Ausführungsform der vorliegenden Erfindung abbildet, und zu dem ein Blockdiagramm hinzugefügt ist, das eine konzeptuelle Konfiguration einer Laservorrichtung abbildet, die mit der maschinellen Lernvorrichtung über ein Netzwerk verbunden ist.
    • 2 ein Ablaufschema, das ein Beispiel einer Betätigung der in 1 abgebildeten maschinellen Lernvorrichtung abbildet.
    • 3 ein Ablaufschema, das ein anderes Beispiel einer Betätigung der in 1 abgebildeten maschinellen Lernvorrichtung abbildet.
    • 4 ein Blockdiagramm, das eine konzeptuelle Konfiguration einer maschinellen Lernvorrichtung gemäß einer zweiten Ausführungsform der vorliegenden Erfindung abbildet und zu dem ein Blockdiagramm hinzugefügt ist, das eine konzeptuelle Konfiguration einer Laservorrichtung, die über das Netzwerk mit der maschinellen Lernvorrichtung verbunden ist, abbildet.
    • 5 ein Ablaufschema, das ein Beispiel einer Betätigung der in 4 abgebildeten maschinellen Lernvorrichtung abbildet.
    • 6 ein Ablaufschema, das ein anderes Beispiel einer Betätigung der in 4 abgebildeten maschinellen Lernvorrichtung abbildet.
    • 7 schematisch ein Modell eines Neurons.
    • 8 schematisch ein neuronales Netzwerk auf drei Ebenen, das durch Kombinieren der in 7 abgebildeten Neuronen konfiguriert ist.
    • 9A und 9B Ablaufschemata, die ein Beispiel einer Betätigung der maschinellen Lernvorrichtung gemäß einer dritten Ausführungsform der vorliegenden Erfindung abbilden.
    • 10 schematisch ein Beispiel eines Fehlerauftrittsbereichs und eines Zustands, in dem sich ein Punkt, dessen Koordinatenwerte Werte von Zustandsvariablen sind, in einem zweidimensionalen Raum bewegt, dessen Koordinatenachsen Werte von Zustandsvariablen sind.
    • 11 schematisch ein anderes Beispiel eines Fehlerauftrittsbereichs und eines Zustands, in dem sich ein Punkt, dessen Koordinatenwerte Werte von Zustandsvariablen sind, in einem zweidimensionalen Raum bewegt, dessen Koordinatenachsen Werte von Zustandsvariablen sind.
    • 12A und 12B Ablaufschemata, die ein Beispiel einer Betätigung einer maschinellen Lernvorrichtung gemäß einer vierten Ausführungsform der vorliegenden Erfindung abbilden.
    • 13 ein Ablaufschema, das ein Beispiel einer Betätigung einer maschinellen Lernvorrichtung gemäß einer fünften Ausführungsform der vorliegenden Erfindung abbildet.
    • 14 ein Ablaufschema, das ein Beispiel einer Betätigung einer maschinellen Lernvorrichtung gemäß einer sechsten Ausführungsform der vorliegenden Erfindung abbildet.
    • 15 ein Beispiel eines Formats einer Liste mit einem quantitativen Prinzip für das Auftreten von Fehlern, die durch eine maschinelle Lernvorrichtung gemäß einer siebten Ausführungsform der vorliegenden Erfindung ausgegeben wird.
    • 16 ein Blockdiagramm, das ein Beispiel einer Position einer maschinellen Lernvorrichtung gemäß einer achten Ausführungsform der vorliegenden Erfindung in einem Netzwerk und einen Verbindungszustand derselben mit dem Netzwerk abbildet.
  • AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
  • Eine maschinelle Lernvorrichtung gemäß den Ausführungsformen der vorliegenden Erfindung wird mit Bezug auf die beiliegenden Zeichnungen beschrieben. Komponenten, die in den Zeichnungen identisch sind, sind mit den gleichen Bezugszeichen bezeichnet. Ferner weisen Komponenten, die in verschiedenen Zeichnungen mit den gleichen Bezugszeichen bezeichnet sind, die gleichen Funktionen auf. Dabei sind die Abmessungen in den Zeichnungen gegebenenfalls zum besseren Verständnis der Zeichnungen geändert.
  • Erste Ausführungsform
  • 1 ist ein Blockdiagramm, das die konzeptuelle Konfiguration einer maschinellen Lernvorrichtung 1 gemäß einer ersten Ausführungsform der vorliegenden Erfindung abbildet und einen Zustand, in dem die maschinelle Lernvorrichtung 1 über ein Netzwerk 3 mit drei Laservorrichtungen 2 verbunden ist, abbildet. Die Laservorrichtung 2 von den drei Laservorrichtungen 2, die ganz rechts positioniert ist, ist in einem Blockdiagramm abgebildet, das die konzeptuelle Konfiguration der Laservorrichtung abbildet.
  • Die Laservorrichtung 2 umfasst einen Laseroszillator 4, eine Energiequelleneinheit 5, ein laseroptisches System 6, einen Ausgangslichtsensor 7, einen Reflexionslichtsensor 8 und eine Steuereinheit 9. Die Energiequelleneinheit 5 führt dem Laseroszillator 4 Treiberstrom zu. Das laseroptische System 6 umfasst einen Bearbeitungskopf, um ein Werkstück (nicht gezeigt), das ein Laserbearbeitungsobjekt ist, mit Laserlicht, das von dem Laseroszillator 4 emittiert wird, über eine optische Faser zu bestrahlen. Der Ausgangslichtsensor 7 detektiert die Lichtleistung von Laserlicht 10, das von dem Laseroszillator 4 emittiert wird. Der Reflexionslichtsensor 8 detektiert Reflexionslicht, das von einem Werkstück zurückkehrt, ein durchlässiges Fenster, das in dem laseroptischen System enthalten ist, und beispielsweise eine Endfläche eines Faseranschlusses an den Laseroszillator oder das laseroptische System. Die Steuereinheit 9 gibt einen Befehl, der jeder Einheit der Laservorrichtung 2 entspricht, wie etwa das Ausgeben eines Stromausgabebefehls, der einem Lichtausgabebefehl entspricht, an die Energiequelleneinheit 5 aus und empfängt ein Signal von jeder Einheit der Laservorrichtung 2, wie etwa ein Detektionssignal, das von dem Ausgangslichtsensor 7 ausgegeben wird. Die Steuereinheit 9 jeder der Laservorrichtungen 2 ist konfiguriert, um mit der maschinellen Lernvorrichtung 1, mit der die Steuereinheit 9 über das Netzwerk 3 verbunden ist, Informationen austauschen zu können.
  • Die Steuereinheit 9 kann konfiguriert sein, um in ihrem Inneren oder Äußeren mit einem Speicher (nicht gezeigt) versehen zu sein, um Informationen, die mit einer Materialkonfiguration zusammenhängen, wie etwa eine Konfiguration, einen Typ, eine Zeichnungsnummer und eine Spezifikation der entsprechenden Laservorrichtung 2, die eine Zubehörkomponente, wie etwa einen Bearbeitungskopf, umfasst, und Herstellungsinformationen der Laservorrichtung 2, wie etwa ein Herstellungsdatum, eine Herstellungscharge, einen Herstellungsort, eine Herstellungsnummer und eine Herstellungsbedingung, im Voraus aufzuzeichnen und diese einzelnen Informationen an die maschinelle Lernvorrichtung 1 über das Netzwerk 3 auszugeben.
  • Eine Laservorrichtung 2 kann eine Mehrzahl von Laseroszillatoren 4, Energiequelleneinheiten 5, Ausgangslichtsensoren 7 und Reflexionslichtsensoren 8 umfassen. Beispielsweise kann das laseroptische System 6 einen optischen Kombinator zum Kombinieren von Laserlicht umfassen, und die Laservorrichtung 2 kann eine Mehrzahl von Energiequelleneinheiten 5 umfassen, die in der Lage sind, jeweils einer Mehrzahl von Laseroszillatoren 4, einer Mehrzahl von Ausgangslichtsensoren 7, welche die Lichtleistung von jeweiligen Laseroszillatoren und die Lichtleistung von kombiniertem Laserlicht detektieren, und einer Mehrzahl von Reflexionslichtsensoren 8, die Reflexionslicht, das zu jeder Einheit der Laseroszillatoren und des laseroptischen Systems zurückkehrt, detektieren, Treiberstrom unabhängig zuzuführen.
  • Dabei umfasst die maschinelle Lernvorrichtung 1 eine Zustandsbeobachtungseinheit 13, eine Einheit 12 zum Erfassen eines Bestimmungsergebnisses, eine Lerneinheit 11 und eine Entscheidungsfindungseinheit 14. Die Zustandsbeobachtungseinheit 13 beobachtet Zustandsvariablen des Inneren und des Äußeren der Laservorrichtung 2, wozu Zeitreihendaten der Lichtleistung, die durch den Ausgangslichtsensor 7 detektiert wird, und der Lichtausgabebefehl gehören. Die Zeitreihendaten und der Lichtausgabebefehl werden von der Steuereinheit 9 der Laservorrichtung 2 ausgegeben. Die Einheit 12 zum Erfassen eines Bestimmungsergebnisses erfasst ein Bestimmungsergebnis der Richtigkeit mit Bezug auf das quantitative Prinzip für das Auftreten von Fehlern (= quantitatives Prinzip für das Auftreten von Fehlern), das durch die maschinelle Lernvorrichtung 1 für jeden Fehler in der Laservorrichtung ausgegeben wird. Die Lerneinheit 11 empfängt eine Ausgabe von der Zustandsbeobachtungseinheit 13 und eine Ausgabe von der Einheit 12 zum Erfassen eines Bestimmungsergebnisses und lernt das quantitative Prinzip für das Auftreten von Fehlern für jeden Fehler, wobei sie das quantitative Prinzip für das Auftreten von Fehlern, das jedem Fehler entspricht, mit einer Zustandsvariablen der Vorrichtung, die durch die Zustandsbeobachtungseinheit 13 beobachtet wird, und einem durch die Einheit 12 zum Erfassen eines Bestimmungsergebnisses erfassten Bestimmungsergebnis der Richtigkeit mit Bezug auf das quantitative Prinzip für das Auftreten von Fehlern verknüpft. Die Entscheidungsfindungseinheit 14 bezieht sich auf ein Lernergebnis der Lerneinheit 11, wenn ein Auftreten des Fehlers durch Kollatierung beispielsweise zwischen den Zeitreihendaten der Lichtleistung und dem Lichtausgabebefehl detektiert wird, und entscheidet über das quantitative Prinzip für das Auftreten von Fehlern, das die maschinelle Lernvorrichtung 1 ausgeben soll.
  • Die Zustandsvariablen jeder Laservorrichtung, die durch die Zustandsbeobachtungseinheit 13 der maschinellen Lernvorrichtung 1 beobachtet und an die Lerneinheit 11 ausgegeben werden, sind hauptsächlich ein Befehl, der an jede Einheit der Laservorrichtung durch die Steuereinheit 9 der Laservorrichtung 2 ausgegeben wird, ein Signal, das durch die Steuereinheit 9 jeder Einheit der Laservorrichtung empfangen wird, und eine Information, die in der Steuereinheit 9 aufgezeichnet wird. Insbesondere können Beispiele von Zustandsvariablen umfassen:
    • eine Materialkonfiguration wie die zuvor beschriebene, die einen Bearbeitungskopf der Laservorrichtung umfasst;
    • Herstellungsinformationen der Laservorrichtung oder der Einheiten und Komponenten, welche die Laservorrichtung bilden;
    • Ausgangsdaten, die eine Antriebsbedingung oder einen Antriebszustand der Laservorrichtung darstellen und von einem Sensor, der innerhalb oder außerhalb der Laservorrichtung installiert ist, ausgegeben werden;
    • einen Ereignisverlauf der Antriebsbedingung oder des Antriebszustands;
    • eine Ereignisverlauf der Instandsetzung der Laservorrichtung;
    • interne Daten der Steuerungs-Software zum Steuern der Laservorrichtung; und
    • die Rechendaten, die basierend auf den Ausgangsdaten oder den internen Daten erzielt werden, sowie Zeitreihendaten einer Lichtleistung, die durch den Ausgangslichtsensor 7 detektiert wird, und einen Lichtausgabebefehl. Beispiele der Ausgangsdaten können umfassen: die Lichtleistung aus der Laservorrichtung oder dem Laseroszillator; die Intensität von Reflexionslicht, das sich im Innern des laseroptischen Systems, das eine optische Faser umfasst, in einer entgegengesetzten Richtung zu der des Laserausgangslichts ausbreitet; den Treiberstrom oder die Antriebsenergie des Laserdiodenmoduls, das eine Erregerlichtquelle des Laseroszillators ist; eine Temperatur des Laserdiodenmoduls oder eines Teils, der mit dem Laserdiodenmodul thermisch verbunden ist; eine Temperatur einer Wärmesenke zum Unterdrücken eines Temperaturanstiegs des Laserdiodenmoduls; eine Art, eine Eigenschaft, eine Temperatur, eine Fließgeschwindigkeit und einen Druck von Kühlmittel zum Abkühlen der Wärmesenke; die Intensität von Schwingungen, die Beschleunigung und die Aufprallintensität, die auf die Laservorrichtung einwirken; und Temperatur, Feuchtigkeit, Reinheit, Konzentration von Ölnebel und Konzentration von Schwebeteilchen der Umgebungsluft der Laservorrichtung.
  • Somit wird der Begriff „Zustandsvariable“ in der vorliegenden Beschreibung manchmal verwendet, um eine Bedeutung einer Zustandsvariablengruppe zu haben. Dabei kann die Konfiguration verwendet werden, bei der ein Detektionssignal eines Sensors zum Detektieren einer peripheren Umgebung der Laservorrichtung 2 ohne Eingreifen der Steuereinheit 9 beobachtet wird.
  • Die Lerneinheit 11 bestimmt, dass ein Fehler aufgetreten ist, wenn ein Unterschied zwischen einem Lichtausgabebefehl an die Laservorrichtung 2 und der Lichtleistung, die basierend auf einem Detektionsergebnis erzielt wird, das durch den Ausgangslichtsensor 7 erzielt wird, beispielsweise größer als ein vorbestimmter Umfang wird, und wenn ein Detektionsergebnis, das durch jeden Sensor erzielt wird und innerhalb eines vorbestimmten Steuerumfangs zu steuern ist, von dem vorbestimmten Steuerumfang unter den Zustandsvariablen jeder Laservorrichtung 2, die von der Zustandsbeobachtungseinheit 13 ausgegeben werden, abweicht. Dann schätzt die Lerneinheit 11 ein quantitatives Prinzip für das Auftreten von Fehlern ein, das eine Kette von physikalischen Kausalbeziehungen umfasst, umfassend:
    • eine Fehlerursache, die das Auftreten von Fehlern der Laservorrichtung auslöst,
    • einen Wert oder eine Variation desselben, der bzw. die durch die Fehlerursache bewirkt wird, einer spezifischen Zustandsvariablen unter den Zustandsvariablen der Laservorrichtung,
    • ein physikalisches Phänomen oder ein physikalisches Prinzip, nach dem eine Beschädigung auf Grund des Wertes oder der Variation der spezifischen Zustandsvariablen entsteht, und
    • einen Fehlerzustand, der eine Stelle oder eine Komponente, die bei dem physikalischen Phänomen oder dem physikalischen Prinzip beschädigt wird, und einen Zustand der Beschädigung darstellt, und
    • gibt das eingeschätzte quantitative Prinzip für das Auftreten von Fehlern von der Entscheidungsfindungseinheit aus.
  • Wenn bestimmt wird, dass ein Fehler aufgetreten ist, wird die Laservorrichtung 2, bei welcher der Fehler aufgetreten ist, angehalten und instandgesetzt. Nun untersucht und bestätigt eine Person, die für die Instandsetzung verantwortlich ist, beispielsweise eine beschädigte Stelle, die in dem quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, das von der maschinellen Lernvorrichtung 1 ausgegeben wird, und bestimmt, ob eine Stelle oder eine Komponente, die tatsächlich beschädigt ist, und ein Zustand der tatsächlichen Beschädigung mit der beschädigten Stelle, einem Zustand der Beschädigung und einem Ausmaß der Beschädigung, die in dem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten sind, übereinstimmen oder nicht, und das Bestimmungsergebnis wird über die Einheit 12 zum Erfassen eines Bestimmungsergebnisses an die Lerneinheit 11 ausgegeben.
  • Dabei wird es im Wesentlichen bevorzugt, dass auch eine Bestimmung automatisch ohne Eingriff von Menschen beim maschinellen Lernen ausgeführt wird, und es ist denkbar, eine Bestimmung automatisch durch einen Bildsensor oder dergleichen auszuführen. Es ist jedoch schwierig für einen Bildsensor oder dergleichen, einen Fehlerzustand für alle fehlerhaften Teile zu überprüfen. Ferner kommt ein Fehler nicht so oft vor, wie zuvor erwähnt, und normalerweise greifen Menschen bei der Instandsetzung für einen Fehler ein. Der Eingriff von Menschen in einem Teil des maschinellen Lernens gemäß der vorliegenden Erfindung erzeugt wenige zusätzliche Arbeitsstunden und eine geringe Verzögerung der Verarbeitungszeit, so dass man davon ausgeht, dass das Lernen genauer ausgeführt werden kann, wenn ein Fehlerzustand mit Eingriff von Menschen präzise überprüft wird.
  • Die Lerneinheit 11 empfängt eine Ausgabe von der Zustandsbeobachtungseinheit 13 und eine Ausgabe von der Einheit 12 zum Erfassen eines Bestimmungsergebnisses und lernt ein quantitatives Prinzip für das Auftreten von Fehlern, das einem Fehler entspricht, der aufgetreten ist, und verknüpft dabei eine Zustandsvariable der Laservorrichtung 2, die durch die Zustandsbeobachtungseinheit 13 beobachtet wird, mit einem Bestimmungsergebnis der Richtigkeit mit Bezug auf ein Einschätzungsergebnis (das von der Einheit 12 zum Erfassen eines Bestimmungsergebnisses erfasst wird) eines quantitativen Prinzips für das Auftreten von Fehlern, das von der Entscheidungsfindungseinheit 14 ausgegeben wird.
  • Die vorliegende Ausführungsform beschreibt ein Beispiel der maschinellen Lernvorrichtung, die betreutes Lernen verwendet. Die maschinelle Lernvorrichtung 1 umfasst ferner eine Einheit 15 zum Aufzeichnen von Daten mit einem Bestimmungsergebnis/ eines physikalischen Modells, die Daten mit einem Bestimmungsergebnis und ein physikalisches Modell bezüglich eines quantitativen Prinzips für das Auftreten von Fehlern aufzeichnet. Die Lerneinheit 11 umfasst eine Fehlerberechnungseinheit 16 und eine Einheit 17 zum Aktualisieren eines Lernmodells. Die Fehlerberechnungseinheit 16 berechnet eine Unstimmigkeit zwischen einem quantitativen Prinzip für das Auftreten von Fehlern, das von der maschinellen Lernvorrichtung 1 ausgegeben wird, und einem Fehlerzustand, der tatsächlich bestätigt wird, als eine Abweichung. Die Einheit 17 zum Aktualisieren eines Lernmodells aktualisiert ein Lernmodell, wobei es sich um ein Lernergebnis handelt, in Abhängigkeit von einer berechneten Abweichung.
  • Die Einheit 15 zum Aufzeichnen von Daten mit einem Bestimmungsergebnis/ eines physikalischen Modells zeichnet Daten mit einem Bestimmungsergebnis auf, in denen Zustandsvariablen der Laservorrichtung, die in der Vergangenheit erzielt wurden, mit Ergebnissen der Richtigkeitsbestimmung mit Bezug auf quantitative Prinzipien für das Auftreten von Fehlern, die jeweils mit Bezug auf die Zustandsvariablen eingeschätzt werden, und physikalischen Modellen, die mit Fehlern zusammenhängen, gepaart werden. Bezüglich dieses physikalischen Modells wird vorausgesetzt, dass es ein quantitatives Prinzip für das Auftreten von Fehlern gibt, bei dem Ölkomponenten, die an einem Werkstück haften, zu Ruß werden, der an einem Schutzfenster eines Bearbeitungskopfs während der Laserbearbeitung haftet, Komponenten, die erzielt werden, wenn Laserlicht durch das Schutzfenster reflektiert wird, d.h. das Reflexionslicht erhöht wird, um eine gewisse Wattleistung aufzuweisen, das Reflexionslicht, das sich über eine Abgabefaser in einer entgegengesetzten Richtung zu der des Laserlichts ausbreitet, an einem Mantel an einer Fusionsstelle (Spleißstelle) mit einer Zuleitungsfaser gestreut wird, die Temperatur einer Schutzhülle, die den Mantel umgibt, ansteigt und die Zündtemperatur der Schutzhülle übersteigt, die Schutzhülle entsprechend abbrennt, die Temperatur der Faser weiter ansteigt, die physikalischen Eigenschaften, wie etwa eine Brechzahl, variiert, ein Transmissionsgrad von Laserlicht verringert wird, die Temperatur der Faser auf Grund der Absorption des Laserlichts weiter ansteigt, und sich die Beschaffenheit eines Kerns ändert (Faserverschmelzung auftritt und sich das Laserlicht demnach nicht durch die Faser ausbreitet). Die Einheit 15 zum Aufzeichnen von Daten mit einem Bestimmungsergebnis/ eines physikalischen Modells kann das ganze quantitative Prinzip für das Auftreten von Fehlern einschließlich dieser Kette von physikalischen Kausalitätsbeziehungen als physikalisches Modell aufzeichnen. Alternativ kann die Einheit 15 zum Aufzeichnen von Daten mit einem Bestimmungsergebnis/ eines physikalischen Modells physikalische Phänomene aufzeichnen, die Teil des quantitativen Prinzips für das Auftreten von Fehlern sind, wie etwa eine Beziehung zwischen der Intensität des Reflexionslichts, das sich durch einen Mantel ausbreitet und durch einen gewissen Reflexionslichtsensor detektiert wird, und einem Temperaturanstieg der Faser und der Zündtemperatur der Schutzhülle.
  • Die Lerneinheit 11 führt das Lernen derart aus, dass sich die Lerneinheit 11 auf Daten mit einem Bestimmungsergebnis, die in der Einheit 15 zum Aufzeichnen von Daten mit einem Bestimmungsergebnis/ eines physikalischen Modells gespeichert sind, oder auf ein Lernergebnis, das auf den aufgezeichneten Daten mit einem Bestimmungsergebnis basiert, und auf ein physikalisches Modell bezieht, ein quantitatives Prinzip für das Auftreten von Fehlern mit Bezug auf eine Zustandsvariable, die erzielt wird, indem die fehlerhafte Laservorrichtung 2 beobachtet wird, wenn das Auftreten des Fehlers bestimmt wird, schätzt, das Einschätzungsergebnis ausgibt und ein Ergebnis der Richtigkeitsbestimmung mit Bezug auf die Einschätzung erfasst.
  • Dabei muss die Einheit 15 zum Aufzeichnen von Daten mit einem Bestimmungsergebnis/ eines physikalischen Modells nicht im Innern der maschinellen Lernvorrichtung 1 bereitgestellt werden. Data mit Bestimmungsergebnis können der Lerneinheit 11 unter Verwendung eines Netzwerks, einer Speicherkarte oder dergleichen bereitgestellt werden. Daten mit einem Bestimmungsergebnis und physikalische Modelle müssen nicht in der gleichen Aufzeichnungseinheit aufgezeichnet sein, sondern können in getrennten Aufzeichnungseinheiten aufgezeichnet sein.
  • 2 ist ein Ablaufschema, das ein Beispiel einer Betätigung der in 1 abgebildeten maschinellen Lernvorrichtung abbildet.
  • Bei der in 1 abgebildeten maschinellen Lernvorrichtung 1, wenn die Lerneinheit 11 mit dem Lernen beginnt, bezieht sich die Lerneinheit 11 zuerst auf Daten mit einem Bestimmungsergebnis und ein physikalisches Modell, die in der Einheit 15 zum Aufzeichnen von Daten mit einem Bestimmungsergebnis/ eines physikalischen Modells aufgezeichnet sind, um ein anfängliches Lernmodell zu erstellen (Schritt S101), und beobachtet eine Zustandsvariable jeder Laservorrichtung 2, die über das Netzwerk 3 mit der maschinellen Lernvorrichtung 1 verbunden ist (Schritt S102), wie in 2 abgebildet. Ferner bestimmt die Lerneinheit 11, ob davon ausgegangen wird, dass die Zustandsvariable das Auftreten von Fehlern aufweist, wie etwa einen Fall, bei dem ein Unterschied zwischen einem Lichtausgabebefehl an die Laservorrichtung 2 und einer Lichtleistung, die basierend auf einem Detektionsergebnis, das beispielsweise durch den Ausgangslichtsensor 7 erzielt wird, berechnet wird, einen vorbestimmten Umfang überschreitet, und einen Fall, bei dem ein Detektionsergebnis, das durch jeden Sensor erzielt wird und innerhalb eines vorbestimmten Steuerumfangs zu steuern ist, von dem vorbestimmten Steuerumfang abweicht (Schritt S103). Wenn nicht bestimmt wird, dass ein Fehler aufgetreten ist, kehrt die Verarbeitung zu Schritt S102 zurück und die Lerneinheit 11 fährt mit der Beobachtung der Zustandsvariablen der Laservorrichtung 2 fort. Falls dagegen bestimmt wird, dass ein Fehler aufgetreten ist, bezieht sich die Lerneinheit 11 auf das Lernmodell und das physikalische Modell (Schritt S104), schätzt ein sequentielles quantitatives Prinzip für das Auftreten von Fehlern von einer Fehlerursache bis zu einem Fehlerauftrittszustand (Schritt S105), und gibt das eingeschätzte quantitative Prinzip für das Auftreten von Fehlern aus der Entscheidungsfindungseinheit 14 aus (Schritt S106).
  • Eine Person, welche die fehlerhafte Laservorrichtung diagnostiziert und instandsetzt, überprüft den Fehlerauftrittszustand und gibt den Fehlerauftrittszustand in die Einheit 12 zum Erfassen eines Bestimmungsergebnisses der maschinellen Lernvorrichtung 1 direkt oder über das Netzwerk 3 ein (Schritt S107). Das es häufig unmöglich ist, eine Fehlerauftrittsursache vorzugeben, selbst wenn ein Fehlerauftrittszustand überprüft wird, werden im Allgemeinen ein fehlerhaftes Teil, eine fehlerhafte Komponente und ein Zustand eines Fehlers oder einer Beschädigung, die Dinge sind, die bei der Instandsetzung bestätigt werden können, eingegeben. Der Zustand des Fehlers oder der Beschädigung umfasst einen Zustand, in dem das fehlerhafte Teil oder die Komponente beispielsweise abgebrannt, geschmolzen, gerissen, verlagert, abgetrennt oder kurzgeschlossen ist.
  • Die Einheit 12 zum Erfassen eines Bestimmungsergebnisses erfasst ein Bestimmungsergebnis mit Bezug auf das Einschätzungsergebnis (Schritt S108) und gibt das Bestimmungsergebnis an die Lerneinheit 11 aus. Die Lerneinheit 11 bestimmt, ob der Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, d.h. eine fehlerhafte Stelle und Komponente oder eine beschädigte Stelle und Komponente, und ein Zustand des Fehlers oder der Beschädigung, mit dem Fehlerauftrittszustand, der tatsächlich bestätigt wird, übereinstimmt oder nicht (Schritt S109). Wenn es eine Unstimmigkeit gibt, berechnet die Fehlerberechnungseinheit 16 die Abweichung des Lernmodells in Abhängigkeit von dem Ausmaß der Unstimmigkeit (Schritt S110), und die Einheit 17 zum Aktualisieren eines Lernmodells aktualisiert das Lernmodell in Abhängigkeit von der Abweichung (Schritt S111).
  • Anschließend bestimmt die Lerneinheit 11, ob ein Befehl zum Beenden des maschinellen Lernens erteilt wurde oder nicht (Schritt S112). Wenn der Befehl zum Beenden des Lernens erteilt wurde, beendet die Lerneinheit 11 das Lernen. Wenn der Befehl zum Beenden des Lernens nicht erteilt wurde, kehrt die Verarbeitung zu Schritt S102 zurück, und die Lerneinheit 11 fährt mit der Beobachtung der Zustandsvariablen jeder Laservorrichtung 2, die über das Netzwerk 3 verbunden ist, fort. In Schritt S109, wenn eine fehlerhafte Stelle und Komponente oder eine beschädigte Stelle und Komponente und ein Zustand des Fehlers oder einer Beschädigung, die in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten sind, mit dem Fehlerauftrittszustand, der tatsächlich bestätigt wird, übereinstimmen, begibt sich die Verarbeitung direkt zu Schritt S112, und die Lerneinheit 11 bestimmt, ob der Befehl zum Beenden des maschinellen Lernens erteilt wurde oder nicht.
  • Die Lerneinheit 11 wiederholt das Aktualisieren des Lernmodells durch die Wiederholung der zuvor beschriebenen Schritte S101 bis S112, und die Lerneinheit 11 führt somit das Lernen aus, um ein quantitatives Prinzip für das Auftreten von Fehlern basierend auf Zustandsvariablen der Laservorrichtung 2 einschätzen zu können.
  • Das Lernen eines sequentiellen quantitativen Prinzips für das Auftreten von Fehlern von einer Fehlerursache bis zu einem Fehlerauftrittszustand führt mit größerer Sicherheit eine präzisere Einschätzung aus, die mit einem physikalischen Phänomen und einem physikalischen Prinzip vereinbar ist, im Vergleich zu einem Lernverfahren für das Einschätzen einer Fehlerursache und einer Fehlerauftrittsbedingung durch statistische Verarbeitung von Zustandsvariablen. Ferner können physikalisch unlogische Lernergebnisse ausgeschlossen werden, indem auf ein physikalisches Modell Bezug genommen wird, so dass die Erfolgswahrscheinlichkeit beim Einschätzen eines physikalisch rationalen quantitativen Prinzips für das Auftreten von Fehlern in relativ frühen Stadien des Lernens steigt, d.h. selbst in einem Zustand, in dem es eine relativ geringe Datenmenge über das Auftreten von Fehlern gibt.
  • Quantitative Prinzipien für das Auftreten von Fehlern, die diversen Fehlertypen entsprechen, können präzise gelernt werden, indem zahlreiche Zustandsvariablen mit Bezug auf die Laservorrichtung 2 beobachtet werden, so dass es bevorzugt wird, dass die Zustandsbeobachtungseinheit 13 möglichst viele Zustandsvariablen beobachtet, die sehr wahrscheinlich mit Fehlern zusammenhängen, wie zuvor beschrieben.
  • 3 ist ein Ablaufschema, das ein anderes Beispiel einer Betätigung der in 1 abgebildeten maschinellen Lernvorrichtung abbildet. Die maschinelle Lernvorrichtung umfasst nicht nur das Vorliegen von Kongruenz zwischen einem Fehlerauftrittszustand, der beispielsweise durch einen Bediener oder eine Person, die für die Instandsetzung der Laservorrichtung verantwortlich ist, bestätigt wird, und einem Fehlerauftrittszustand, der in dem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, sondern auch das Vorliegen von Kohärenz, die untersucht wird, indem auf ein physikalisches Modell Bezug genommen wird, zwischen einem bestätigten Fehlerauftrittszustand und einem physikalischen Phänomen oder einem physikalischen Prinzip, das in dem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, bei der Bestimmung der Richtigkeit des quantitativen Prinzips für das Auftreten von Fehlern, das mit Bezug auf einen Fehler, der in der Laservorrichtung auftritt, ausgegeben wird.
  • In dem Ablaufschema in 3 sind Schritt S201 bis Schritt S208 die gleichen wie Schritt S101 bis Schritt S108 in dem Ablaufschema aus 2. Schritt S209 ist auch dadurch der gleiche wie die Verarbeitung in dem Ablaufschema aus 2, dass die Lerneinheit 11 bestimmt, ob ein Fehlerauftrittszustand, der in einem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, d.h. eine fehlerhafte Stelle und Komponente oder eine beschädigte Stelle und Komponente, und ein Zustand des Fehlers oder einer Beschädigung mit dem Fehlerauftrittszustand, der tatsächlich bestätigt wird, übereinstimmt oder nicht (Schritt S209), und die Verarbeitung begibt sich direkt zu Schritt S214, und die Lerneinheit 11 bestimmt, ob ein Befehl zum Beenden des maschinellen Lernens erteilt wurde oder nicht, wenn der Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, mit dem Fehlerauftrittszustand, der tatsächlich bestätigt wird, übereinstimmt. Die Verarbeitung in dem Ablaufschema in 3 ist dadurch anders als die Verarbeitung des Ablaufschemas aus 2, dass in Schritt S209, wenn der Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, eine Unstimmigkeit gegenüber dem Fehlerauftrittszustand, der tatsächlich bestätigt wird, aufweist, sich die Verarbeitung zu Schritt S210 begibt, und bestimmt wird, ob der bestätigte Fehlerauftrittszustand mit dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern unvereinbar ist oder nicht. Die Lerneinheit 11 bestimmt,
    dass beispielsweise wenn sich die Positionen von Stellen, an denen Fehler auftreten, zwischen dem bestätigten Fehlerauftrittszustand und dem Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, nicht decken, und der Zustand kein abgebrannter Zustand sondern ein geschmolzener Zustand ist, der bestätigte Fehlerauftrittszustand mit einem physikalischen Prinzip für das Auftreten von Fehlern, das in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, nicht unvereinbar ist, weil ein Fehler auf Grund eines Temperaturanstiegs aufgetreten ist, obwohl sich die Fehlerauftrittszustände nicht decken, oder
    dass der bestätigte Fehlerauftrittszustand mit dem Prinzip für das Auftreten von Fehlern, das in dem quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, unvereinbar ist, weil der Fehler des bestätigten Fehlerauftrittszustands nicht als ein Fehler, der durch einen Temperaturanstieg verursacht wird, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, sondern als ein Fehler, der durch einen mechanischen Ausfall auf Grund von Schwingungen oder Aufprall verursacht wird, angesehen wird.
  • Wenn bestimmt wird, dass der bestätigte Fehlerauftrittszustand mit dem physikalischen Prinzip für das Auftreten von Fehlern, das in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, nicht unvereinbar ist, erkennt die Fehlerberechnungseinheit 16 das Auftreten einer Abweichung und berechnet die Abweichung 1 (Schritt S211), und die Einheit 17 zum Aktualisieren eines Lernmodells aktualisiert das Lernmodell in Abhängigkeit von der Größenordnung der Abweichung 1 in Schritt S213. Wenn andererseits bestimmt wird, dass der bestätigte Fehlerauftrittszustand mit dem physikalischen Prinzip für das Auftreten von Fehlern, das in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, unvereinbar ist, erkennt die Fehlerberechnungseinheit 16 das Auftreten einer Abweichung 2, die größer als die Abweichung 1 ist, und berechnet die Abweichung 2 (Schritt S212), und die Einheit 17 zum Aktualisieren eines Lernmodells aktualisiert das Lernmodell in Abhängigkeit von der Größenordnung der Abweichung 2 in Schritt S213.
  • Nachdem das Lernmodell aktualisiert wurde, begibt sich die Verarbeitung zu Schritt S214, und es wird bestimmt, ob ein Befehl zum Beenden des maschinellen Lernens erteilt wurde oder nicht, wie bei dem Ablaufschema aus 2. Die Lerneinheit 11 wiederholt das Aktualisieren des Lernmodells durch das Wiederholen der zuvor beschriebenen Schritte S201 bis S214, und die Lerneinheit 11 führt somit das Lernen aus, um ein quantitatives Prinzip für das Auftreten von Fehlern basierend auf Zustandsvariablen der Laservorrichtung 2 einschätzen zu können. Da die Anzahl von Lernmodellen, die einer maschinellen Lernvorrichtung bereitgestellt werden, nicht auf eins eingeschränkt ist, kann einer maschinellen Lernvorrichtung eine Mehrzahl von Lernmodellen bereitgestellt werden.
  • Das Hinzufügen der Bestimmung des Vorliegens von Kohärenz mit einem physikalischen Phänomen oder einem physikalischen Prinzip zu der Bestimmung der Richtigkeit eliminiert die Einschätzung, die mit dem physikalischen Modell unvereinbar ist, wodurch das Lernen von rationalen quantitativen Prinzipien für das Auftreten von Fehlern mit Bezug auf diverse Fehlertypen erfolgt. Insbesondere wird als das Betätigungsbeispiel, das in dem Ablaufschema aus 3 abgebildet ist, wenn ein bestätigter Fehlerauftrittszustand nicht nur anders als ein Fehlerauftrittszustand ist, der in einem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, sondern auch mit einem physikalischen Phänomen oder einem physikalischen Prinzip, das in dem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, unvereinbar ist, bestimmt, dass eine Abweichung eines Lernergebnisses des quantitativen Prinzips für das Auftreten von Fehlern mit Bezug auf den Fehler größer ist, und ein Lernmodell wird aktualisiert, wodurch es möglich ist, ein rationales quantitatives Prinzip für das Auftreten von Fehlern zu lernen, das zu den physikalischen Modellen mit Bezug auf diverse Fehlertypen passt.
  • Wenn es möglich ist, ein quantitatives Prinzip für das Auftreten von Fehlern, das jedem Fehler entspricht, als ein Lernergebnis auszugeben, kann die Zeit, die zum Instandsetzen einer fehlerhaften Stelle benötigt wird, für den Fall des Auftretens eines Fehlers, weil das quantitative Prinzip für das Auftreten von Fehlern eine fehlerhafte Stelle oder Komponente als einen Fehlerauftrittszustand umfasst, verkürzt werden.
  • Als ein Beispiel des Lernens einer maschinellen Lernvorrichtung, die ein betreutes Lernen ausführt, wird das Lernen derart weitergebracht, dass eine Regressionsgleichung eines Vorhersagemodells, wie beispielsweise diejenige, die in der nachstehenden Formel 1 ausgedrückt ist, eingestellt wird, und ein Wert jedes der Koeffizienten a0 , a1 , a2 , a3 , ... wird angepasst, um einen Wert einer objektiven Variablen y zu erzielen, wenn ein Wert jeder der Zustandsvariablen x1 , x2 , x3 , ... auf die Regressionsgleichung in einem Prozess des Lernens angewendet wird. Das Lernverfahren ist nicht auf dieses Verfahren eingeschränkt, und das Verfahren unterscheidet sich in jedem Algorithmus des betreuten Lernens. y = a 0 + a 1 x 1 + a 2 x 2 + + a 3 x 3 + … + a n x n
    Figure DE102019000457A1_0001
  • Diverse Verfahren, wie etwa ein neuronales Netzwerk und die Fehlerquadratmethode, sind als Algorithmus des betreuten Lernens wohlbekannt, und es kann ein beliebiger Algorithmus des betreuten Lernens als ein Verfahren verwendet werden, das auf die vorliegende Erfindung anzuwenden ist.
  • Zweite Ausführungsform
  • 4 ist ein Blockdiagramm, das die konzeptuelle Konfiguration einer maschinellen Lernvorrichtung 101 gemäß einer zweiten Ausführungsform der vorliegenden Erfindung abbildet und einen Zustand abbildet, in dem die maschinelle Lernvorrichtung 101 über das Netzwerk 3 mit drei Laservorrichtungen 2 verbunden ist, wie für den Fall von 1. Die Laservorrichtung 2 von den drei Laservorrichtungen 2, die ganz rechts positioniert ist, ist in einem Blockdiagramm abgebildet, das die konzeptuelle Konfiguration der Laservorrichtung abbildet.
  • Die Konfiguration der Laservorrichtung 2 ist die gleiche wie die in 1 abgebildete (erste Ausführungsform). 4 ist dadurch anders als 1, dass 4 ein Beispiel der maschinellen Lernvorrichtung 101 abbildet, die das Verstärkungslernen bei der vorliegende Ausführungsform anwendet, und eine Lerneinheit 111 umfasst eine Belohnungsberechnungseinheit 19 und eine Einheit 20 zum Aktualisieren einer Wertfunktion anstelle der Fehlerberechnungseinheit 16 und der Einheit 17 zum Aktualisieren eines Lernmodells. Ferner umfasst diese maschinelle Lernvorrichtung 101 nicht die Einheit 15 zum Aufzeichnen von Daten mit einem Bestimmungsergebnis/ eines physikalischen Modells, und physikalische Modelle werden in der Lerneinheit 111 aufgezeichnet. Außerdem wird vorausgesetzt, dass die Lerneinheit 111 der vorliegenden Ausführungsform das Lernen durch Verstärkungslernen mit einem Lernergebnis, das durch das zuvor erwähnte betreute Lernen erzielt wird, als Anfangszustand ausführt, und die Lerneinheit 111 bereits eine anfängliche Wertfunktion zu Beginn des Verstärkungslernens aufweist.
  • 5 ist ein Ablaufschema, das ein Beispiel einer Betätigung der maschinellen Lernvorrichtung abbildet, die in 4 abgebildet ist.
  • Das Ablaufschema aus 5 umfasst keinen Schritt, der Schritt S201 (dem Schritt, in dem ein anfängliches Lernmodell erstellt wird) des Ablaufschemas aus 3 entspricht, weil das anfängliche Lernergebnis der Lerneinheit 111 in der Verarbeitung, die in dem Ablaufschema aus 5 abgebildet ist, bereits bereitgestellt wurde, und ein Lernergebnis, auf das in Schritt S303 Bezug genommen wird, kein Lernmodell sondern eine Wertfunktion ist. Mit Ausnahme des Vorstehenden sind Schritt S301 bis Schritt S309 in dem Ablaufschema aus 5 die gleichen wie Schritt S202 bis Schritt S210 in dem Ablaufschema aus 3. Das Ablaufschema aus 5 ist von Schritt S310 ab anders als das Ablaufschema aus 3. D.h. in Schritt S308 bestimmt die Lerneinheit 111, ob der Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, d.h. eine fehlerhafte Stelle und Komponente oder eine beschädigte Stelle und Komponente, und ein Zustand des Fehlers oder der Beschädigung mit dem Fehlerauftrittszustand, der tatsächlich bestätigt wird, übereinstimmt oder nicht. Wenn der Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, mit dem Fehlerauftrittszustand, der tatsächlich bestätigt wird, übereinstimmt, stellt die Belohnungsberechnungseinheit 19 eine positive Belohnung (Belohnung 1) ein (Schritt S310), und die Einheit 20 zum Aktualisieren einer Wertfunktion aktualisiert die Wertfunktion in Abhängigkeit von der Belohnung in Schritt S313.
  • Dann bestimmt die Lerneinheit 111, ob ein Befehl zum Beenden des maschinellen Lernens erteilt wurde oder nicht (Schritt S314). Wenn der Befehl zum Beenden des Lernens erteilt wurde, beendet die Lerneinheit 111 das Lernen. Wenn der Befehl zum Beenden des Lernens nicht erteilt wurde, kehrt die Verarbeitung zu Schritt S301 zurück, und die Lerneinheit 111 fährt mit der Beobachtung der Zustandsvariablen jeder Laservorrichtung 2, die über das Netzwerk 3 verbunden ist, fort.
  • Wenn die Lerneinheit 111 in Schritt S308 bestimmt, dass der Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, d.h. die fehlerhafte Stelle und Komponente oder die beschädigte Stelle und Komponente, oder der Zustand des Fehlers oder der Beschädigung mit dem Fehlerauftrittszustand, der tatsächlich bestätigt wird, nicht übereinstimmt, begibt sich die Verarbeitung zu Schritt S309. Dann bestimmt die Lerneinheit 111 in Schritt S309, ob der bestätigte Fehlerauftrittszustand mit dem Prinzip für das Auftreten von Fehlern, das in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, in dem Zustand, in dem der bestätigte Fehlerauftrittszustand mit dem Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, nicht übereinstimmt, unvereinbar ist oder nicht, wie für den Fall von Schritt S210 des Ablaufschemas in 3. Wenn bestimmt wird, dass der bestätigte Fehlerauftrittszustand mit dem physikalischen Prinzip für das Auftreten von Fehlern, das in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, nicht unvereinbar ist, stellt die Belohnungsberechnungseinheit 19 eine relativ kleine negative Belohnung (Belohnung 2) ein (Schritt S311), und die Einheit 20 zum Aktualisieren einer Wertfunktion aktualisiert die Wertfunktion in Abhängigkeit von der Belohnung (Schritt S313). Wenn dagegen in Schritt S309 bestimmt wird, dass der bestätigte Fehlerauftrittszustand mit dem physikalischen Prinzip für das Auftreten von Fehlern, das in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, unvereinbar ist, stellt die Belohnungsberechnungseinheit 19 eine relativ große negative Belohnung (Belohnung 3) ein (Schritt S312).
  • Dann begibt sich, nachdem die Einheit 20 zum Aktualisieren einer Wertfunktion die Wertfunktion in Abhängigkeit von der eingestellten Belohnung in dem folgenden Schritt S313 aktualisiert hat, die Verarbeitung zu Schritt S314, und die Lerneinheit 111 bestimmt, ob ein Befehl zum Beenden des maschinellen Lernens erteilt wurde oder nicht. Wenn der Befehl zum Beenden des Lernens erteilt wurde, beendet die Lerneinheit 111 das Lernen. Wenn der Befehl zum Beenden des Lernens nicht erteilt wurde, kehrt die Verarbeitung zu Schritt S301 zurück, und die Lerneinheit 111 beobachtet die Zustandsvariable jeder Laservorrichtung 2, die über das Netzwerk 3 verbunden ist, wodurch das Lernen fortgeführt wird.
  • Dabei weisen die Belohnung 1, die Belohnung 2 und die Belohnung 3, die zuvor erwähnt wurden, eine Beziehung wie Belohnung 3 < Belohnung 2 < 0 < Belohnung 1 auf. Die Lerneinheit 111 wiederholt das Aktualisieren der Wertfunktion durch Wiederholen der zuvor beschriebenen Schritte S301 bis S314, und die Lerneinheit 111 führt somit das Lernen derart aus, dass sie ein quantitatives Prinzip für das Auftreten von Fehlern basierend auf Zustandsvariablen der Laservorrichtung 2 einschätzen kann.
  • 6 ist ein Ablaufschema, das ein anderes Beispiel einer Betätigung der in 4 abgebildeten maschinellen Lernvorrichtung abbildet.
  • Wenn bei der maschinellen Lernvorrichtung 101 die Lerneinheit 111 einen Fehler in der Laservorrichtung 2 detektiert, gibt die Lerneinheit 111 eine Mehrzahl von quantitativen Prinzipien für das Auftreten von Fehlern für den Fehler, wie etwa nicht nur ein einziges quantitatives Prinzip für das Auftreten von Fehlern des ersten Kandidaten, sondern auch ein quantitatives Prinzip für das Auftreten von Fehlern des zweiten Kandidaten und ein quantitatives Prinzip für das Auftreten von Fehlern des dritten Kandidaten, über die Entscheidungsfindungseinheit 14 aus. Dabei funktioniert die Belohnungsberechnungseinheit 19 derart, dass wenn die Belohnungsberechnungseinheit 19 eine positive oder negative Belohnung mit Bezug auf ein quantitatives Prinzip für das Auftreten von Fehlern jedes Kandidaten einstellt, die Belohnungsberechnungseinheit 19 eine Belohnung einstellt, deren absoluter Wert relativ umso größer ist je höher der Kandidatenrang des quantitativen Prinzips für das Auftreten von Fehlern ist.
  • Schritt S401 bis Schritt S407 in dem Ablaufschema aus 6 sind die gleichen wie Schritt S301 bis Schritt S307 in dem Ablaufschema aus 5. Nach Schritt S407 setzt die Lerneinheit 111 einen Wert (m) eines Zählers auf 1 zurück (Schritt S408), und dann bestimmt die Lerneinheit 111, ob der Fehlerauftrittszustand, der tatsächlich bestätigt wird, mit einem Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern des m. Kandidaten (anfänglich eines ersten Kandidaten, da m = 1) enthalten ist, übereinstimmt oder nicht (Schritt S409). Wenn der Fehlerauftrittszustand, der tatsächlich bestätigt wird, mit dem Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern des m. Kandidaten enthalten ist, übereinstimmt, stellt die Belohnungsberechnungseinheit 19 eine positive Belohnung (+Am) ein (Schritt S410), die Einheit 20 zum Aktualisieren einer Wertfunktion aktualisiert die Wertfunktion in Abhängigkeit von der eingestellten Belohnung (Schritt S416), und die Lerneinheit 111 bestimmt, ob ein Befehl für das Beenden des Lernens erteilt wurde oder nicht (Schritt S417). Wenn der Befehl zum Beenden des Lernens erteilt wurde, beendet die Lerneinheit 111 das Lernen. Wenn der Befehl zum Beenden des Lernens nicht erteilt wurde, kehrt die Verarbeitung zu Schritt S401 zurück, und die Lerneinheit 111 fährt mit dem Lernen fort.
  • Wenn in Schritt S409 bestimmt wird, dass der Fehlerauftrittszustand, der tatsächlich bestätigt wird, mit dem Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern des m. Kandidaten (des ersten Kandidaten, da zuerst m = 1) enthalten ist, nicht übereinstimmt, bestimmt die Lerneinheit 111, ob der bestätigte Fehlerauftrittszustand mit dem Prinzip für das Auftreten von Fehlern, das in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, unvereinbar ist oder nicht, wie für den Fall von Schritt S309 aus 5 (Schritt S411). Wenn bestimmt wird, dass der bestätigte Fehlerauftrittszustand mit dem physikalischen Prinzip für das Auftreten von Fehlern, das in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, nicht unvereinbar ist, stellt die Belohnungsberechnungseinheit 19 eine negative Belohnung (-Bm) ein (Schritt S412), und die Lerneinheit 111 bestimmt, ob der Wert (m) des Zählers kleiner als die eingestellte Anzahl von Kandidaten (n) ist (Schritt S414). Wenn m < n wahr ist, stimmt der bestätigte Fehlerauftrittszustand mit dem Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, noch nicht überein, und es gibt noch Kandidaten des eingeschätzten quantitativen Prinzips für das Auftreten von Fehlern. Daher erhöht die Lerneinheit 111 den Wert des Zählers um +1 (Schritt S415), dann kehrt die Verarbeitung zu Schritt S409 zurück, und die Lerneinheit 111 bestimmt, ob ein Fehlerauftrittszustand, der in einem quantitativen Prinzip für das Auftreten von Fehlern eines Kandidaten des nächsten Rangs unter den eingeschätzten quantitativen Prinzipien für das Auftreten von Fehlern enthalten ist, mit dem Fehlerauftrittszustand, der tatsächlich bestätigt wird, übereinstimmt oder nicht. Wenn in Schritt S411 bestimmt wird, dass der bestätigte Fehlerauftrittszustand mit dem physikalischen Prinzip für das Auftreten von Fehlern, das in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, unvereinbar ist, stellt die Belohnungsberechnungseinheit 19 eine negative Belohnung (-Cm) ein (Schritt S413), und die Verarbeitung begibt sich zu Schritt S414. Wenn bestimmt wird, dass m < n in Schritt S414 nicht wahr ist, stimmt der bestätigte Fehlerauftrittszustand mit dem Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, noch nicht überein, aber es gibt keine Kandidaten des eingeschätzten quantitativen Prinzips für das Auftreten von Fehlern mehr. Daher begibt sich die Verarbeitung zu Schritt S416, und die Einheit 20 zum Aktualisieren einer Wertfunktion aktualisiert die Wertfunktion in Abhängigkeit von dem Gesamtwert der Belohnungen, die in der Belohnungsberechnungseinheit 19 eingestellt werden (Schritt S416).
  • Dann bestimmt die Lerneinheit 111, ob ein Befehl zum Beenden des Lernens erteilt wurde oder nicht (Schritt S417). Wenn der Befehl zum Beenden des Lernens erteilt wurde, beendet die Lerneinheit 111 das Lernen. Wenn der Befehl zum Beenden des Lernens nicht erteilt wurde, kehrt die Verarbeitung zu Schritt S401 zurück, und die Lerneinheit 111 fährt mit dem Lernen fort. Die Lerneinheit 111 wiederholt das Aktualisieren der Wertfunktion durch das Wiederholen der zuvor beschriebenen Schritte S401 bis S417, und die Lerneinheit 111 führt somit das Lernen aus, um ein quantitatives Prinzip für das Auftreten von Fehlern basierend auf Zustandsvariablen der Laservorrichtung 2 einschätzen zu können. Auch bezüglich einer Wertfunktion kann eine maschinelle Lernvorrichtung 101 eine Mehrzahl von Wertfunktionen umfassen.
  • Dabei weisen Am, Bm und Cm Beziehungen wie A1 > A2 > ... > Am > ... > An > 0, B1 > B2 > ... > Bm > ... > Bn > 0, C1 > C2 > ... > Cm > ... > Cn > 0 und Bm < Cm auf. Bei der zuvor erwähnten Betätigung kann die Einstellung der negativen Belohnung (-Bm) auf eine Einstellung der positiven Belohnung (Bm) geändert werden. In diesem Fall können Am, Bm und Cm eingestellt werden, um die Beziehungen: A1 > A2 > ... > Am > ... > An > 0, B1 > B2 > ... > Bm > ... > Bn > 0, C1 > C2 > ... > Cm > ... > Cn > 0 und Am > Bm zu erfüllen. Ferner können die Werte von Am, Bm und Cm spezifisch beispielsweise auf Am = A1/m, Bm = B1/m und Cm = C1/m eingestellt werden.
  • Wie zuvor beschrieben, kann das Lernen weiter vertieft werden, indem ein Verstärkungslernen ausgeführt wird, das ein Ergebnis, das durch Ausführen des maschinellen Lernens von quantitativen Prinzipien für das Auftreten von Fehlern, das diversen Fehlertypen entspricht, durch betreutes Lernen erzielt wird, als Anfangszustand bei der vorliegenden Ausführungsform verwendet. Es ist möglich, rationalere quantitative Prinzipien für das Auftreten von Fehlern, die zu physikalischen Modellen passen, mit Bezug auf diverse Fehlertypen zu lernen, indem eine größere negative Belohnung eingestellt wird, wenn ein bestätigter Fehlerauftrittszustand mit einem physikalischen Phänomen oder einem physikalischen Prinzip, das in einem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, unvereinbar ist, im Vergleich dazu, wenn der bestätigte Fehlerauftrittszustand anders als ein Fehlerauftrittszustand ist, der in dem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist.
  • Auch bei der vorliegenden Ausführungsform kann, wenn es möglich ist, ein quantitatives Prinzip für das Auftreten von Fehlern, das jedem Fehler entspricht, als ein Ergebnis des Lernens auszugeben, die Zeit, die benötigt wird, um eine fehlerhafte Stelle instandzusetzen, für den Fall des Auftreten von Fehlern verkürzt werden, weil das quantitative Prinzip für das Auftreten von Fehlern fehlerhafte Stellen oder Komponenten als Fehlerauftrittszustände umfasst, wie für den Fall der ersten Ausführungsform.
  • Insbesondere wenn die Betätigung wie in dem Ablaufschema aus 6 abgebildet ausgeführt wird, kann das Lernen weitergebracht werden, indem eine kleine Menge von Fehlerauftrittsdaten effektiv verwendet wird. Selbst wenn eine fehlerhafte Stelle oder eine fehlerhafte Komponente, die in dem quantitativen Prinzip für das Auftreten von Fehlern des ersten Kandidaten enthalten ist, falsch ist, kann eine fehlerhafte Stelle oder eine fehlerhafte Komponente, die in dem quantitativen Prinzip für das Auftreten von Fehlern des folgenden Kandidaten enthalten ist, überprüft werden. Somit besteht ein vorteilhafter Effekt für das Verringern der Wahrscheinlichkeit des Auftretens des Problems, dass ein fehlerhaftes Teil nicht gefunden wird und die Wiederherstellung entsprechend lange dauert.
  • Beim Verstärkungslernen, das bei der vorliegenden Ausführungsform verwendet wird, wird ein Verfahren zum Lernen einer geeigneten Aktion basierend auf einer Interaktion zwischen einer Umgebung und einer Aktion, d.h. ein Lernverfahren zum Maximieren einer Belohnung, die in der Zukunft zu erzielen ist, nicht nur durch Bestimmung und Klassifizierung sondern auch durch Lernen von Aktionen gelernt. Das Verstärkungslernen ermöglicht es, eine Aktion zu erfassen, die einen Einfluss in der Zukunft ausübt, indem Ergebnisse erzielt werden, in denen beispielsweise ein Fehler der Laservorrichtung, der durch Reflexionslicht verursacht wird, vermieden werden könnte und infolge der Ausgabe von Fehlervermeidungsdaten nicht vermieden werden kann, wie es noch beschrieben wird.
  • Die Einheit 20 zum Aktualisieren einer Wertfunktion ist in der Lage, das Verstärkungslernen unter Verwendung des so genannten Q-Lernens auszuführen. Das Verfahren zum Verstärkungslernen ist jedoch nicht auf das Q-Lernen eingeschränkt. Das Q-Lernen ist ein Verfahren zum Lernen eines Wertes Q(s,a) zum Auswählen einer Aktion a in einem gewissen Umgebungszustand s, und eine Aktion a, die in einem gewissen Zustand s den höchsten Wert Q(s,a) bereitstellt, kann als die am besten geeignete Aktion ausgewählt werden. Ein richtiger Wert für den Wert Q(s,a) ist jedoch zuerst nicht für alle Kombinationen des Zustands s und der Aktion a bekannt, so dass diverse Aktionen a in einem gewissen Zustand s ausgewählt werden und eine Belohnung mit Bezug auf die Aktionen a bereitgestellt wird. Dadurch wird die Auswahl einer besseren Aktion, d.h. eines richtigen Wertes Q(s,a), gelernt.
  • Ferner soll Q(s,a) = E[Σ(γt)rt] schließlich erfüllt werden, um die Summe von Belohnungen zu maximieren, die in der Zukunft als Ergebnis von Aktionen erzielt wird. Dabei bezeichnet E[ ] einen Erwartungswert, t bezeichnet die Zeit, γ bezeichnet einen Parameter, der Ermäßigungsrate genannt und noch beschrieben wird, rt bezeichnet eine Belohnung zu dem Zeitpunkt t, und Σ bezeichnet eine Summe basierend auf dem Zeitpunkt t. Es wird vorausgesetzt, dass ein Erwartungswert in dieser Formel erfasst wird, wenn ein Zustand gemäß der am besten geeigneten Aktion geändert wird. Der Erwartungswert ist unbekannt, so dass der Erwartungswert durch Suchen gelernt wird. Eine Aktualisierungsformel eines derartigen Wertes Q(s,a) kann beispielsweise wie die nachstehende Formel 2 ausgedrückt werden. D.h. die Einheit 20 zum Aktualisieren einer Wertfunktion aktualisiert eine Wertfunktion Q(st,at) unter Verwendung der nachstehenden Formel 2. Q ( s t , a t ) ← Q ( s t , a t ) + α ( r t+1 + γ   max a Q ( s t + 1 , a ) − Q ( s t , a t ) )
    Figure DE102019000457A1_0002
  • Dabei bezeichnet st einen Zustand einer Umgebung zu dem Zeitpunkt t, und at bezeichnet eine Aktion zu dem Zeitpunkt t. Der Zustand wird in Abhängigkeit von der Aktion at auf st+1 geändert. rt+1 bezeichnet eine Belohnung, die basierend auf der Änderung des Zustands erzielt wird. Der Term mit max wird durch Multiplizieren eines Q-Wertes, wenn eine Aktion a ausgewählt wird, die den höchsten Q-Wert aufweist, der zu diesem Zeitpunkt in dem Zustand st+1 bekannt ist, mit γ erzielt. Dabei ist γ ein Parameter von 0 < γ ≤ 1 und wird Ermäßigungsrate genannt. Ferner ist α ein Lernkoeffizient und liegt in 0 < α≤ 1.
  • Die obige Formel 2 stellt ein Verfahren zum Aktualisieren eines Bewertungswertes Q(st ,at ) der Aktion at in dem Zustand st basierend auf einer zurückgegebenen Belohnung rt+1 als Ergebnis eines Tests at dar. D.h. die Formel 2 stellt dar, dass wenn eine Summe der Belohnung rt+1 und des Bewertungswertes Q(st+1,max at+1) der besten Aktion max a in dem nächsten Zustand basierend auf der Aktion a größer ist als der Bewertungswert Q(st ,at ) der Aktion a in dem Zustand s ist, Q(st ,at) erhöht wird, und wenn die Summe kleiner als der Bewertungswert Q(st ,at ) ist, Q(st ,at ) verringert wird. Mit anderen Worten ist es ein Verfahren, damit sich ein Wert einer gewissen Aktion in einem gewissen Zustand einer Belohnung nähert, die sofort als Ergebnis und als ein Wert der besten Aktion in dem folgenden Zustand basierend auf dieser gewissen Aktion zurückgegeben wird.
  • Beispiele eines Verfahrens zum Darstellen von Q(s,a) an einem Rechner umfassen ein Verfahren, bei dem die Werte aller Zustand-Aktion-Paare (s,a) als eine Aktionswerttabelle gepflegt werden, und ein Verfahren, bei dem eine Funktion zum Nähern von Q(s,a) angelegt wird. Bei dem letzteren Verfahren kann die obige Formel 2 durch Anpassen eines Parameters einer Näherungsfunktion durch ein Verfahren, wie etwa ein konjugiertes Gradientenverfahren der Wahrscheinlichkeit, ausgebildet werden. Dabei kann ein neuronales Netzwerk als Näherungsfunktion verwendet werden. Das neuronale Netzwerk besteht aus arithmetischen Vorrichtungen, Speichern und dergleichen als Nachbildung des Neuronenmodells.
  • Ein neuronales Netzwerk kann als Lernalgorithmus des betreuten Lernens und als Näherungsalgorithmus einer Wertfunktion beim Verstärkungslernen verwendet werden, wie zuvor beschrieben, so dass die maschinelle Lernvorrichtung bevorzugt ein neuronales Netzwerk umfasst.
  • 7 bildet schematisch ein Modell eines Neurons ab, und 8 bildet schematisch ein neuronales Netzwerk auf drei Ebenen ab, das konfiguriert wird, indem die Neuronen, die in 7 abgebildet sind, kombiniert werden. Das neuronale Netzwerk besteht aus arithmetischen Vorrichtungen, Speichern und dergleichen als Nachbildung des Neuronenmodells, das in 7 abgebildet ist. Das Neuron gibt eine Ausgabe (Ergebnis) y mit Bezug auf eine Mehrzahl von Eingaben x aus. Die Eingaben x (x1 bis x3 ) werden jeweils mit Gewichtungen w (w1 bis w3 ) multipliziert, die diesen Eingaben x entsprechen, und das Neuron gibt die Ausgabe y aus, die durch die nachstehende Formel 3 ausgedrückt wird. Dabei sind alle Eingaben x, Ausgaben y und Gewichtungen w Vektoren. y = f k ( ∑ i = 1 n x i w i − θ )
    Figure DE102019000457A1_0003
  • Dabei bezeichnet θ einen systematischen Fehler und fk bezeichnet eine Aktivierungsfunktion.
  • Wie in 8 abgebildet, wird eine Mehrzahl von Eingaben x (x1 bis x3 ) von der linken Seite des neuronalen Netzwerks eingegeben, und die Ergebnisse y (y1 bis y3 ) werden auf der rechten Seite ausgegeben. Die Eingaben x1 bis x3 werden jeweils mit entsprechenden Gewichtungen multipliziert, und jede der Eingaben x1 bis x3 wird in drei Neuronen N11 bis N13 eingegeben. Die Gewichtungen, die mit diesen Eingaben multipliziert werden, werden insgesamt mit w1 bezeichnet.
  • Die Neuronen N11 bis N13 geben jeweils z11 bis z13 aus. In 8 sind z11 bis z13 insgesamt durch einen Merkmalsvektor z1 bezeichnet, und z1 kann als ein Vektor angesehen werden, der erzielt wird, indem ein Merkmalsbetrag eines Eingangsvektors entnommen wird. Dieser Merkmalsvektor z1 ist ein Merkmalsvektor zwischen der Gewichtung w1 und der Gewichtung w2 . z11 bis z13 werden jeweils mit entsprechenden Gewichtungen multipliziert, und z11 bis z13 werden jeweils in zwei Neuronen N21 und N22 eingegeben. Die Gewichtungen, die mit Bezug auf diese Merkmalsvektoren multipliziert werden, werden insgesamt mit w2 bezeichnet. Die Neuronen N21 und N22 geben jeweils z21 und z22 aus. In 8 sind z21 und z22 insgesamt durch einen Merkmalsvektor z2 bezeichnet. Der Merkmalsvektor z2 ist ein Merkmalsvektor zwischen der Gewichtung w2 und der Gewichtung w3 . z21 und z22 werden jeweils mit entsprechenden Gewichtungen multipliziert, und z21 und z22 werden jeweils in drei Neuronen N31 bis N33 eingegeben. Die Gewichtungen, die mit Bezug auf diese Merkmalsvektoren multipliziert werden, werden insgesamt mit w3 bezeichnet.
  • Schließlich geben die Neuronen N31 bis N33 jeweils die Ergebnisse y1 bis y3 aus. Die Betriebsarten des neuronalen Netzwerks umfassen einen Lernmodus und einen Wertvorhersagemodus. Die Gewichtung w wird unter Verwendung eines Lerndatensatzes im Lernmodus gelernt, und eine Aktionsbestimmung der Ausgabe eines quantitativen Prinzips für das Auftreten von Fehlern kann unter Verwendung des Parameters im Wertvorhersagemodus ausgeführt werden. Dabei können auch Online-Lernen und Batch-Lernen ausgeführt werden. Beim Online-Lernen wird ein quantitatives Prinzip für das Auftreten von Fehlern im Wertvorhersagemodus tatsächlich ausgegeben, und die erzielten Daten werden sofort gelernt, um das Lernergebnis in der nächsten Aktion wiederzugeben. Beim Batch-Lernen erfolgt das Lernen zu einem gewissen Zeitpunkt unter Verwendung eines Datensatzes, der erzielt wird, indem zuvor Daten erhoben werden, um einen Wertvorhersagemodus basierend auf dem Parameter danach auszuführen. Ein Lernmodus kann jedes Mal eingeschoben werden, wenn sich eine gewisse Datenmenge angesammelt hat.
  • Die Gewichtungen w1 bis w3 können durch die Rückführung gelernt werden. Eine Information einer Abweichung tritt von der rechten Seite aus ein und verläuft in Richtung auf die rechte Seite. Die Rückführung ist ein Verfahren zum Anpassen (Lernen) jeder Gewichtung, um einen Unterschied zwischen einer Ausgabe y, die erzielt wird, wenn eine Eingabe x eingegeben wird, und der wahren Ausgabe y (Lehrer) für jedes Neuron zu reduzieren.
  • Eine Zwischenebene (maskierte Ebene) des neuronalen Netzwerks in 8 ist eine einzige Ebene, doch die Anzahl von Zwischenebenen kann auf zwei oder mehr eingestellt werden. Ein Lernen, bei dem die Anzahl von Zwischenebenen zwei oder mehr beträgt, wird tiefgehendes Lernen genannt.
  • Die Lernverfahren des betreuten Lernens und des Verstärkungslernens wurden zuvor kurz beschrieben, doch ein maschinelles Lernverfahren, das auf die vorliegende Erfindung anwendbar ist, ist nicht auf diese Verfahren eingeschränkt. Diverse Verfahren, wie etwa „betreutes Lernen“, „unbetreutes Lernen“, „halbbetreutes Lernen“ und „Verstärkungslernen“, die bei der maschinellen Lernvorrichtung verwendet werden können, sind anwendbar.
  • Dritte Ausführungsform
  • 9A und 9B sind Ablaufschemata, die ein Beispiel einer Betätigung einer maschinellen Lernvorrichtung gemäß einer dritten Ausführungsform der vorliegenden Erfindung abbilden.
  • Gemäß einer Betätigung dieser Ablaufschemata erfüllt die maschinelle Lernvorrichtung 1, die das Lernen durch betreutes Lernen gemäß der ersten Ausführungsform der vorliegenden Erfindung ausführt, auch eine Funktion als präventive Wartungsvorrichtung, indem sie sich auf ein quantitatives Prinzip für das Auftreten von Fehlern, das jedem Fehler unter diversen Fehlertypen entspricht und durch das Lernen erfasst wird, bezieht, und indem sie, wenn sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen der Laservorrichtung sind, einer beliebigen Laservorrichtung 2, die verbunden sind, um über das Netzwerk 3 gegenseitig kommunizieren zu können, einem Fehlerauftrittsbereich, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, um mehr als einen vorbestimmten Umfang nähert, einen Befehl einer Antriebsbedingung zum Vermeiden von Fehlern, wobei es sich um eine Antriebsbedingung handelt, um das Auftreten von Fehlern zu verhindern, an die Steuereinheit 9 der Laservorrichtung 2 erteilt.
  • 10 bildet schematisch einen Zustand ab, in dem sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, einer beliebigen Laservorrichtung 2 einem Fehlerauftrittsbereich um mehr als einen vorbestimmten Umfang nähert.
  • 10 bildet schematisch einen Zustand ab, in dem sich ein Punkt, dessen Koordinatenwerte Werte von zwei Zustandsvariablen, nämlich α und β, unter den Zustandsvariablen der Laservorrichtung 2 sind, einem zweidimensionalen Fehlerauftrittsbereich nähert. t1 bezeichnet einen Zeitpunkt, und t2 bezeichnet einen Zeitpunkt nach t1 .
  • In 10 stellt ein Bereich, der von dem Ursprung (Punkt bei α = β = 0) entfernt ist, mit einer durchgezogenen Linie als Grenze einen Fehlerauftrittsbereich dar, ein Bereich, der nahe an dem Ursprung liegt, mit der durchgezogenen Linie als Grenze stellt einen Bereich außerhalb des Fehlerauftrittsbereichs (= Bereich, in dem kein Fehler auftritt) dar, und ein Bereich zwischen der durchgezogenen Linie und einer strichpunktierten Linie stellt einen Bereich dar, der nahe an dem Fehlerauftrittsbereich um mehr als einen vorbestimmten Umfang liegt. Wenn der Punkt, dessen Koordinatenwerte die Werte von α und β sind, über die strichpunktierte Linie von der Ursprungsseite aus hinausgeht, wird bestimmt, dass sich der Punkt dem Fehlerauftrittsbereich um mehr als den vorbestimmten Umfang genähert hat. Bei dem Beispiel aus 10 wird bestimmt, dass sich der Punkt nahe an dem Fehlerauftrittsbereich um mehr als den vorbestimmten Umfang befindet, wenn sich der Punkt dem Fehlerauftrittsbereich um 80 % nähert. Ferner stellen in 10 gestrichelte Linien, die in dem Fehlerauftrittsbereich eingezeichnet sind, Grenzen von Zuständen und Niveaus von Fehlern dar. 10 bildet ab, dass ein Beschädigungszustand eines fehlerhaften Teils zu schmelzen beginnt, wenn der Punkt, dessen Koordinatenwerte die Werte von α und β sind, nur ein wenig in den Fehlerauftrittsbereich eintritt, und dass der Fehlerzustand angibt, dass die Temperatur von Abbrennen zu Verdampfen ansteigt, je mehr sich der Punkt vom Ursprung entfernt.
  • Da die Zustandsvariablen der Laservorrichtung 2, die durch die Zustandsbeobachtungseinheit 13 erfasst werden, auch Zeitreihendaten umfassen, können die Variablen α und β in 10 die Zeit sein. Wenn vorausgesetzt wird, dass eine waagerechte Achse die Zeit darstellt, wird eine Grafik wie in 11 gezeigt erzielt. 11 bildet ab, dass kein Fehler auftritt, selbst wenn ein Wert einer Zustandsvariablen, die mit γ bezeichnet ist, relativ groß ist, falls eine Betätigung kurzfristig erfolgt, doch dass ein Punkt in den Fehlerauftrittsbereich eintritt, wenn dieser Zustand längere Zeit anhält. Falls daher die Bedingung innerhalb kurzer Zeit auf die Antriebsbedingung zum Vermeiden von Fehlern umgeschaltet wird, kann ein Fehler vermieden werden. Spezifische Beispiele der Antriebsbedingung zum Vermeiden von Fehlern können das Reduzieren der Laserlichtleistung und das Anhalten der Laseroszillation umfassen, doch die Antriebsbedingung zum Vermeiden von Fehlern ist nicht darauf eingeschränkt und kann beispielsweise eine Steigerung der Kühlleistung eines Kühlgeräts sein, das den Laseroszillator kühlt. Eine durchgezogenen Linie, gestrichelte Linien, eine strichpunktierte Linie, t1 und t2 in 11 stellen die gleichen wie die aus 10 dar. Ein quantitativen Prinzip für das Auftreten von Fehlern, das jedem Fehler entspricht und durch Lernen durch die maschinellen Lernvorrichtungen 1 und 101 erfasst wird, umfasst auch Informationen wie diejenigen, die in 10 und 11 abgebildet sind.
  • 10 und 11 bilden das Beispiel einer Zustandsvariablen ab, die keinen negativen Wert aufweist, um die Beschreibung zu erleichtern. Selbstverständlich kann eine Zustandsvariable, die einen Fehlerauftrittsbereich definiert, einen negativen Wert aufweisen. Ferner ist ein Punkt, dessen Koordinatenwerte Werte von Zustandsvariablen sind, ein virtueller Punkt und muss nicht unbedingt einen Punkt auf einer zweidimensionalen Ebene, wie etwa in 10 und 11, darstellen. Der Punkt kann ein Punkt auf einer eindimensionalen Linie sein, kann ein Punkt in einem dreidimensionalen Raum sein oder kann beispielsweise ein Punkt in einem vierdimensionalen oder fünfdimensionalen virtuellen Raum sein. Ein entsprechender Fehlerauftrittsbereich ist in einem Raum einer Dimension definiert, welche die gleiche wie die eines Punktes ist, dessen Koordinatenwerte Werte der Zustandsvariablen sind.
  • Die Beschreibung kehrt zur Beschreibung der Ablaufschemata aus 9A und 9B zurück. Wenn die Lerneinheit 11 mit dem Lernen beginnt, bezieht sich die Lerneinheit 11 zuerst auf Daten mit einem Bestimmungsergebnis und auf physikalische Modellen, die in der Einheit 15 zum Aufzeichnen von Daten mit einem Bestimmungsergebnis/ einem physikalischen Modell aufgezeichnet sind, und erstellt ein anfängliches Lernmodell (Schritt S501). Dann überprüft die Lerneinheit 11, ob eine Fehlervermeidungsfunktion ein- oder ausgeschaltet ist (Schritt S502), und nach dem Zurücksetzen eines Zeitgebers zum Messen der verstrichenen Zeit, startet die Lerneinheit 11 erneut die Zählung der verstrichenen Zeit durch den Zeitgeber (Schritt S503). Dabei kann das Ein-/Ausschalten der Fehlervermeidungsfunktion für jede Laservorrichtung erfolgen. Alternativ kann die Einstellung derart ausgeführt werden, dass beispielsweise die Einstellung der Fehlervermeidungsfunktion einer Laservorrichtung für einen Grenzkennzeichentest ausgeschaltet bleibt und die Fehlervermeidungsfunktion von anderen Laservorrichtungen eingeschaltet wird.
  • Anschließend beobachtet die Lerneinheit 11 eine Zustandsvariable jeder Laservorrichtung 2, die über das Netzwerk 3 mit der maschinellen Lernvorrichtung 1 verbunden ist (Schritt S504), und bestimmt den Ein-/Ausschaltzustand der Fehlervermeidungsfunktion (Schritt S505). Obwohl keine Fehlervermeidungsbetätigung mit Bezug auf die Laservorrichtung 2 ausgeführt wird, von der bestimmt wird, dass ihre Fehlervermeidungsfunktion ausgeschaltet ist, bezieht sich die Lerneinheit 11 auf zuvor erzielte Lernergebnisse und bestimmt, ob ein Wert einer Zustandsvariablen, oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von Zustandsvariablen sind, der Laservorrichtung 2 in den Fehlerauftrittsbereich eingetreten ist oder nicht (Schritt S506), wie zuvor beschrieben. Wenn die Lerneinheit 11 in Schritt S506 bestimmt, dass ein Wert einer Zustandsvariablen, oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von Zustandsvariablen sind, der Laservorrichtung 2 nicht in den Fehlerauftrittsbereich eingetreten ist, bestimmt die Lerneinheit 11, ob die Zustandsvariable einen Zustand darstellt oder nicht, in dem angesehen wird, dass ein Fehler aufgetreten ist, wie etwa einen Zustand, in dem ein Unterschied zwischen einem Lichtausgabebefehl an die Laservorrichtung 2 und der Lichtleistung, die beispielsweise basierend auf einem Detektionsergebnis erzielt wird, das durch den Ausgangslichtsensor 7 erzielt wird, größer als ein vorbestimmter Umfang ist, und ein Zustand, in dem ein Detektionsergebnis, das durch jeden Sensor erzielt wird und innerhalb des vorbestimmten Steuerumfangs zu steuern ist, von dem vorbestimmten Steuerumfang abweicht (Schritt S507). Wenn bestimmt wird, dass kein Fehler aufgetreten ist, begibt sich die Verarbeitung zu Schritt S519. Wenn bestimmt wird, dass ein Fehler aufgetreten ist, wird davon ausgegangen, dass eine Abweichung in dem Lernergebnis (Lernmodell) entstanden ist, und die Fehlerberechnungseinheit 16 berechnet die Abweichung 3 (Schritt S508), weil bestimmt wird, dass der Fehler aufgetreten ist, selbst wenn bestimmt wurde, dass ein Wert einer Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von Zustandsvariablen sind, der Laservorrichtung 2 nicht in den Fehlerauftrittsbereich eingetreten ist. Anschließend bezieht sich die Lerneinheit 11 auf zuvor erzielte Lernergebnisse und aufgezeichnete physikalische Modelle, um ein quantitatives Prinzip für das Auftreten von Fehlern einzuschätzen, das einen sequenziellen Inhalt von einer Fehlerursache bis zu einem Fehlerauftrittszustand umfasst (Schritt S509), und gibt das eingeschätzte quantitative Prinzip für das Auftreten von Fehlern aus der Entscheidungsfindungseinheit 14 aus (Schritt S512).
  • Wenn die Lerneinheit 11 in Schritt S506 bestimmt, dass ein Wert einer Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von Zustandsvariablen sind, der Laservorrichtung 2 in den Fehlerauftrittsbereich eingetreten ist, bestimmt die Lerneinheit 11, ob die Zustandsvariable einen Zustand darstellt oder nicht, in dem angesehen wird, dass ein Fehler aufgetreten ist, wie für den Fall von Schritt S507 (Schritt S510). Wenn bestimmt wird, dass ein Fehler aufgetreten ist, bestimmt die Lerneinheit 11, dass ein Wert einer Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von Zustandsvariablen sind, der Laservorrichtung 2 in den Fehlerauftrittsbereich eingetreten ist. Somit wird bestimmt, dass ein Fehler aufgetreten ist, und entsprechend wird keine Abweichung in einem Lernergebnis gefunden, so dass sich die Verarbeitung direkt zu Schritt S509 begibt. Wenn in Schritt S510 bestimmt wird, dass kein Fehler aufgetreten ist, wird davon ausgegangen, dass eine Abweichung in dem Lernmodell entstanden ist, und die Fehlerberechnungseinheit 16 berechnet die Abweichung 4 (Schritt S511), weil bestimmt wird, dass der nicht aufgetreten ist, selbst wenn bestimmt wurde, dass ein Wert einer Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von Zustandsvariablen sind, der Laservorrichtung 2 in den Fehlerauftrittsbereich eingetreten ist. Dann begibt sich die Verarbeitung zu Schritt S519.
  • Schritt S512 bis Schritt S518 aus 9A sind fast die gleichen wie Schritt S206 bis Schritt S212 des Ablaufschemas in 3. Ein Fehlerauftrittszustand, der beispielsweise durch eine Person, die für die Verwaltung der Laservorrichtung 2 verantwortlich ist, oder eine Person, die für die Instandsetzung der Laservorrichtung 2 verantwortlich ist, bestätigt wird, wird eingegeben (Schritt S513). Die Einheit 12 zum Erfassen eines Bestimmungsergebnisses erfasst den bestätigten Fehlerauftrittszustand als ein Bestimmungsergebnis mit Bezug auf das eingeschätzte quantitative Prinzip für das Auftreten von Fehlern und gibt das Bestimmungsergebnis an die Lerneinheit 11 aus (Schritt S514). Die Lerneinheit 11 bestimmt, ob der Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, d.h. eine fehlerhafte Stelle und Komponente oder beschädigte Stelle und Komponente, und ein Zustand des Fehlers oder der Beschädigung mit dem Fehlerauftrittszustand, der tatsächlich bestätigt wird, übereinstimmt oder nicht (Schritt S515). Wenn der Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, mit dem Fehlerauftrittszustand, der tatsächlich bestätigt wird, übereinstimmt, begibt sich die Verarbeitung zu Schritt S519. Wenn der Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, eine Unstimmigkeit gegenüber dem Fehlerauftrittszustand, der tatsächlich bestätigt wird, aufweist, begibt sich die Verarbeitung zu Schritt S516, und die Lerneinheit 11 bestimmt, ob der bestätigte Fehlerauftrittszustand mit dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern unvereinbar ist oder nicht. Wie zuvor beschrieben bestimmt die Lerneinheit 11, dass beispielsweise, wenn eine Fehlerauftrittsstelle verschoben ist und der Zustand kein abgebrannter Zustand sondern ein geschmolzener Zustand ist, der bestätigte Fehlerauftrittszustand mit einem physikalischen Prinzip für das Auftreten von Fehlern, das in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, nicht unvereinbar ist, weil ein Fehler durch einen Temperaturanstieg verursacht wird, obwohl der Fehlerauftrittszustand unvereinbar ist, oder bestimmt, dass der bestätigte Fehlerauftrittszustand mit dem Prinzip für das Auftreten von Fehlern, das in dem quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, unvereinbar ist, weil der bestätigte Fehlerauftrittszustand nicht als ein Fehler angesehen wird, der durch einen Temperaturanstieg verursacht wird, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, sondern als ein Fehler angesehen wird, der durch ein mechanisches Versagen auf Grund von Schwingungen oder Aufprall verursacht wird. Wenn bestimmt wird, dass der bestätigte Fehlerauftrittszustand mit dem physikalischen Prinzip für das Auftreten von Fehlern, das in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, nicht unvereinbar ist, berechnet die Fehlerberechnungseinheit 16 eine Abweichung 1 (Schritt S517). Dann geht die Verarbeitung auf Schritt S519 über. Wenn dagegen in Schritt S516 bestimmt wird, dass der bestätigte Fehlerauftrittszustand mit dem physikalischen Prinzip für das Auftreten von Fehlern, das in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, unvereinbar ist, berechnet die Fehlerberechnungseinheit 16 eine Abweichung 2, die größer als die Abweichung 1 ist (Schritt S518). Dann begibt sich die Verarbeitung zu Schritt S519.
  • Dagegen bestimmt die Lerneinheit 11 bezüglich der Laservorrichtung 2, deren Fehlervermeidungsfunktion in Schritt S505 als eingeschaltet bestimmt wird, ob sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, der Laservorrichtung 2 dem Fehlerauftrittsbereich, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, um mehr als den vorbestimmten Umfang nähert (Schritt S521). Wenn bestimmt wird, dass sich der Wert oder der Punkt dem Fehlerauftrittsbereich um mehr als den vorbestimmten Umfang nähert, befiehlt die maschinelle Lernvorrichtung 1 der Laservorrichtung 2, eine Antriebsbedingung auf die Antriebsbedingung zum Vermeiden von Fehlern umzuschalten, um einen Fehler der Laservorrichtung 2 zu vermeiden (Schritt S522). Danach beobachtet die Lerneinheit 11 wieder die Zustandsvariable der Laservorrichtung 2 (Schritt S523), um zu bestimmen, ob die Zustandsvariable einen Zustand darstellt oder nicht, in dem angesehen wird, dass ein Fehler aufgetreten ist (Schritt S524). Falls das Lernergebnis richtig ist, wird richtig bestimmt, dass sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, dem Fehlerauftrittsbereich, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, um mehr als den vorbestimmten Umfang nähert, und dass die Antriebsbedingung zum Vermeiden von Fehlern, die der Laservorrichtung 2 befohlen wird, geeignet ist, wird nicht davon ausgegangen, dass ein Fehler aufgetreten ist. Der Fall, bei dem dennoch bestimmt wird, dass ein Fehler aufgetreten ist, bedeutet, dass das Lernergebnis eine Abweichung aufweist, das heißt, dass sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, dem Fehlerauftrittsbereich, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, um mehr als den vorbestimmten Umfang nähert, oder dass der erteilte Befehl der Antriebsbedingung zum Vermeiden von Fehlern nicht geeignet ist. Entsprechend berechnet die Fehlerberechnungseinheit 16 eine Abweichung 5 (Schritt S525), und die Verarbeitung kehrt zu Schritt S509 zurück und begibt sich zu dem Ablauf, in dem sich die Lerneinheit 11 auf Lernmodelle und physikalische Modelle bezieht, um ein quantitatives Prinzip für das Auftreten von Fehlern einzuschätzen. Der Fall, bei dem bestimmt wird, dass kein Fehler aufgetreten ist, in Schritt S524 bedeutet, dass die Fehlervermeidung richtig ausgeführt wurde, und die Verarbeitung begibt sich zu Schritt S519.
  • Wenn dagegen in Schritt S521 bestimmt wird, dass sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, nicht näher als um den vorbestimmten Umfang an dem Fehlerauftrittsbereich befindet, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, beobachtet die Lerneinheit 11 wieder die Zustandsvariable der Laservorrichtung 2 (Schritt S526), um zu bestimmen, ob die Zustandsvariable einen Zustand darstellt oder nicht, in dem angesehen wird, dass ein Fehler aufgetreten ist (Schritt S527). Falls das Lernergebnis richtig ist und richtig bestimmt wird, dass sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, nicht näher als um den vorbestimmten Umfang an dem Fehlerauftrittsbereich befindet, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, wird nicht angesehen, dass ein Fehler aufgetreten ist. Der Fall, bei dem dennoch bestimmt wird, dass ein Fehler aufgetreten ist, bedeutet, dass das Lernergebnis eine Abweichung aufweist und nicht richtig bestimmt wird, dass sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, näher als um den vorbestimmten Umfang an dem Fehlerauftrittsbereich befindet, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt. Entsprechend berechnet die Fehlerberechnungseinheit 16 eine Abweichung 6 (Schritt S528), und die Verarbeitung kehrt zu Schritt S509 zurück und begibt sich zu dem Ablauf, in dem sich die Lerneinheit 11 auf Lernmodelle und physikalische Modelle bezieht, um ein quantitatives Prinzip für das Auftreten von Fehlern einzuschätzen, wie bei dem zuvor beschriebenen Fall. Wenn in Schritt S527 bestimmt wird, dass kein Fehler aufgetreten ist, wird bestimmt, dass sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, nicht näher als um den vorbestimmten Umfang an dem Fehlerauftrittsbereich befindet, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt. Somit wird bestimmt, dass kein Fehler aufgetreten ist, und entsprechend wird keine Abweichung in dem Lernergebnis gefunden, so dass sich die Verarbeitung zu Schritt S519 begibt.
  • Wie zuvor beschrieben, laufen alle zuvor beschriebenen Abläufe in Schritt S519 zusammen, und in Schritt S519 wird bestimmt, ob es eine Abweichung gibt oder nicht, die in der Fehlerberechnungseinheit 16 berechnet wird (genauer gesagt eine Abweichung, die nach dem Aktualisieren des Lernmodells neu berechnet wird). Wenn bestimmt wird, dass es mindestens eine berechnete Abweichung gibt, aktualisiert die Einheit 17 zum Aktualisieren eines Lernmodells das Lernmodell in Abhängigkeit von der Größenordnung der berechneten Abweichung (Schritt S520). Dann bestimmt die Lerneinheit 11, ob die Zeit, die durch den Zeitgeber zum Messen der verstrichenen Zeit gestellt wurde, abgelaufen ist oder nicht (Schritt S529). Wenn in Schritt S519 bestimmt wird, dass es keine berechnete Abweichung gibt, wird das Aktualisieren des Lernmodells übersprungen, und die Verarbeitung begibt sich zu Schritt S529. Wenn bestimmt wird, dass die eingestellte Zeit in Schritt S529 nicht abgelaufen ist, bestimmt die Lerneinheit 11, ob ein Befehl zum Beenden des maschinellen Lernens erteilt wurde oder nicht (Schritt S530). Wenn der Befehl zum Beenden des Lernens erteilt wurde, beendet die Lerneinheit 11 das Lernen. Wenn der Befehl zum Beenden des Lernens nicht erteilt wurde, kehrt die Verarbeitung zu Schritt S504 zurück, und die Lerneinheit 11 fährt mit der Beobachtung der Zustandsvariablen der Laservorrichtung 2 fort. Wenn in Schritt S529 bestimmt wird, dass die eingestellte Zeit abgelaufen ist, kehrt die Verarbeitung zu Schritt S502 zurück, und die Lerneinheit 11 bestätigt, ob die Fehlervermeidungsfunktion ein- oder ausgeschaltet ist, und nach dem Zurücksetzen des Zeitgebers startet die Lerneinheit 11 die Zählung der verstrichenen Zeit durch den Zeitgeber erneut (Schritt S503). Die vergangene Zeit wird somit durch den Zeitgeber derart gemessen, dass regelmäßig überprüft wird, ob sich ein Ein-/Ausschaltzustand der Fehlervermeidungsfunktion geändert hat oder nicht.
  • Wenn mindestens eine Abweichung berechnet wird, aktualisiert die Einheit 17 zum Aktualisieren eines Lernmodells das Lernmodell in Abhängigkeit von der Größenordnung der berechneten Abweichung in Schritt S520, wie zuvor beschrieben. In diesem Fall können die Größenordnungen von jeweiligen Abweichungen die folgende Beziehung sowie die zuvor erwähnte Beziehung von Abweichung 2 > Abweichung 1 aufweisen. Die Abweichung 3 und die Abweichung 4 hängen mit dem Thema der Positionsgenauigkeit einer Grenze zwischen dem Fehlerauftrittsbereich und dem Nicht-Fehlerauftrittsbereich zusammen. Die Berechnung wird derart ausgeführt, dass die Abweichung umso größer ist desto weiter ein mit einem Fehler zusammenhängender Wert einer beliebigen Zustandsvariablen oder ein mit einem Fehler zusammenhängender Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, der für die Bestimmung in Schritt S506 verwendet wird, von dieser Grenze entfernt ist. Wenn ein Unterschied zwischen einem mit einem Fehler zusammenhängenden Wert einer beliebigen Zustandsvariablen oder einem mit einem Fehler zusammenhängenden Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, der für die Bestimmung in Schritt S506 verwendet wird, und der Grenze der gleiche ist, können die Größenordnung der Abweichung 3 und die Größenordnung der Abweichung 4 gleich eingestellt werden. Bezüglich der Abweichung 5 wird eine Antriebsbedingung zum Vermeiden von Fehlern befohlen, wenn detektiert wird, dass sich ein mit einem Fehler zusammenhängender Wert einer beliebigen Zustandsvariablen oder ein mit einem Fehler zusammenhängender Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, näher als um den vorbestimmten Umfang an dem Fehlerauftrittsbereich befindet, aber ein Fehler aufgetreten ist. Daher kann die Antriebsbedingung zum Vermeiden von Fehlern ungeeignet sein. Der Fehler ist jedoch in einer Position eines Wertes einer Zustandsvariablen oder eines Punktes, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, von dem eingeschätzt wird, dass er sich auf der sicheren Seite der zuvor erwähnten Grenze zwischen dem Fehlerauftrittsbereich und dem Nicht-Fehlerauftrittsbereich befindet, aufgetreten, so dass berechnet werden kann, dass die Abweichung 5 normalerweise größer als die Abweichung 3 und die Abweichung 4 ist.
  • Dagegen ist die Abweichung 6 eine Abweichung, die dem Ergebnis entspricht, dass ein Fehler aufgetreten ist, bevor detektiert wird, dass sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, näher um mehr als den vorbestimmten Umfang an dem Fehlerauftrittsbereich befindet, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt. Daher kann berechnet werden, dass die Abweichung 6 eine Abweichung ist, die größer als die Abweichung 5 ist.
  • Die maschinelle Lernvorrichtung 1 wiederholt das Aktualisieren des Lernmodells durch Wiederholen der zuvor beschriebenen Schritte S501 bis S530, und die maschinelle Lernvorrichtung 1 führt somit das Lernen aus, um ein quantitatives Prinzip für das Auftreten von Fehlern basierend auf Zustandsvariablen der Laservorrichtung 2 einschätzen zu können, und bezieht sich auf Lernergebnisse, um einen Befehl einer präzisen Antriebsbedingung zum Vermeiden von Fehlern mit Bezug auf die Laservorrichtung 2 zu erteilen, wenn anscheinend ein Fehler in der Laservorrichtung 2 auftreten soll. Dadurch können die Fehler in der Laservorrichtung allmählich reduziert werden, und es kann eine Laservorrichtung ausgebildet werden, die eine hohe Zuverlässigkeit aufweist.
  • Vierte Ausführungsform
  • 12A und 12B sind Ablaufschemata, die ein Beispiel einer Betätigung einer maschinellen Lernvorrichtung gemäß einer vierten Ausführungsform der vorliegenden Erfindung abbilden.
  • Die maschinelle Lernvorrichtung gemäß der vorliegenden Ausführungsform entspricht einer maschinellen Lernvorrichtung, die erzielt wird, indem eine Funktion als präventive Wartungsvorrichtung, die einen Befehl einer Antriebsbedingung (Antriebsbedingung zum Vermeiden von Fehlern), um das Auftreten eines Fehlers zu verhindern, an die zuvor beschriebene maschinelle Lernvorrichtung 101 (4) erteilt, die das Lernen durch Verstärkungslernen gemäß der zuvor beschriebenen zweiten Ausführungsform ausführt, hinzugefügt wird. D.h. die maschinelle Lernvorrichtung gemäß der vorliegenden Ausführungsform bezieht sich auf ein quantitatives Prinzip für das Auftreten von Fehlern, das jedem Fehler entspricht und durch Lernen erfasst wird, und wenn ein sich Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, der Laservorrichtung 2, die verbunden ist, um über das Netzwerk 3 gegenseitig kommunizieren zu können, näher als um mehr als einen vorbestimmten Umfang an einem Fehlerauftrittsbereich befindet, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, befiehlt die maschinelle Lernvorrichtung der Steuereinheit 9 dieser Laservorrichtung 2, eine Antriebsbedingung auf eine Antriebsbedingung zum Verhindern des Auftreten eines Fehlers umzuschalten (d.h. die Antriebsbedingung zum Vermeiden von Fehlern).
  • In dem Ablaufschema in 12A sind Schritt S601 bis Schritt S606 fast die gleichen wie Schritt S502 bis Schritt S507 in dem Ablaufschema in 9A. Wenn die Lerneinheit 111 mit dem Lernen beginnt, überprüft die Lerneinheit 111, ob die Fehlervermeidungsfunktion ein- oder ausgeschaltet ist (Schritt S601), und nach dem Zurücksetzen eines Zeitgebers zum Messen der verstrichenen Zeit startet die Lerneinheit 111 den Zeitgeber, damit er mit dem Zählen der verstrichenen Zeit beginnt (Schritt S602). Dabei kann das Ein-/Ausschalten der Fehlervermeidungsfunktion für jede Laservorrichtung erfolgen, wie bei der dritten Ausführungsform. Alternativ kann die Einstellung derart erfolgen, dass beispielsweise die Fehlervermeidungsfunktion einer Laservorrichtung für einen Grenzkennzeichentest ausgeschaltet bleibt und die Fehlervermeidungsfunktion anderer Laservorrichtungen eingeschaltet wird.
  • Anschließend beobachtet die Lerneinheit 111 eine Zustandsvariable jeder Laservorrichtung 2, die über das Netzwerk 3 mit der maschinellen Lernvorrichtung 101 verbunden ist (Schritt S603), und bestimmt den Ein-/Ausschaltzustand der Fehlervermeidungsfunktion (Schritt S604). Obwohl keine Fehlervermeidungsbetätigung mit Bezug auf die Laservorrichtung 2 erfolgt, für die bestimmt wird, dass die Fehlervermeidungsfunktion ausgeschaltet ist, bezieht sich die Lerneinheit 111 auf zuvor erzielte Lernergebnisse (Wertfunktionen) und bestimmt, ob ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, der Laservorrichtung 2 in den Fehlerauftrittsbereich eingetreten ist oder nicht (Schritt S605). Wenn die Lerneinheit 111 bestimmt, dass ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, der Laservorrichtung 2 nicht in den Fehlerauftrittsbereich eingetreten ist, bestimmt die Lerneinheit 111, ob die Zustandsvariable einen Zustand darstellt oder nicht, in dem angesehen wird, dass ein Fehler aufgetreten ist, wie etwa einen Zustand, in dem ein Unterschied zwischen einem Lichtausgabebefehl an die Laservorrichtung 2 und der Lichtleistung, die beispielsweise basierend auf einem Detektionsergebnis erzielt wird, das durch den Ausgangslichtsensor 7 erzielt wird, größer als ein vorbestimmter Umfang ist, und einen Zustand, in dem ein Detektionsergebnis, das durch jeden Sensor erzielt wird und innerhalb des vorbestimmten Steuerumfangs zu steuern ist, von dem vorbestimmten Steuerumfang abweicht (Schritt S606). Wenn bestimmt wird, dass kein Fehler aufgetreten ist, bestimmt die Lerneinheit 111, dass ein Wert einer Variablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, nicht in den Fehlerauftrittsbereich eingetreten ist, und die Verarbeitung begibt sich zu Schritt S620, ohne insbesondere eine Belohnung einzustellen. Der Grund dafür ist folgender. Der Fall, bei dem in Schritt S606 bestimmt wird, dass kein Fehler aufgetreten ist, ist ein normaler Zustand, in dem kein Fehler aufgetreten ist. Obwohl eine kleinere positive Belohnung eingestellt werden kann, weil die maschinelle Lernvorrichtung 101 den Zustand der Laservorrichtung 2 richtig erkennt, ist es höchst wahrscheinlich, dass dadurch positive Belohnungen zu hoch eingestellt werden, weil sich Laservorrichtungen, deren Fehlervermeidungsfunktion ausgeschaltet ist, fast immer in einem derartigen Zustand befinden.
  • Wenn dagegen in Schritt S606 bestimmt wird, dass ein Fehler aufgetreten ist, stellt die Belohnungsberechnungseinheit 19 eine negative Belohnung (Belohnung -D) ein (Schritt S607), weil bestimmt wird, dass ein Fehler aufgetreten ist, selbst wenn bestimmt wird, dass ein Wert einer Variablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von Variablen sind, der Laservorrichtung 2 nicht in den Fehlerauftrittsbereich eingetreten ist.
  • Anschließend bezieht sich die Lerneinheit 111 auf zuvor erzielte Lernergebnisse und aufgezeichnete physikalische Modelle, um ein quantitatives Prinzip für das Auftreten von Fehlern einzuschätzen, das einen sequenziellen Inhalt von einer Fehlerursache bis zu einem Zustand, in dem ein Fehler auftritt, umfasst (Schritt S608), und gibt das eingeschätzte quantitativen Prinzip für das Auftreten von Fehlern aus der Entscheidungsfindungseinheit 14 aus (Schritt S612). Wenn die Lerneinheit 111 in Schritt S605 bestimmt, dass ein Wert einer Variablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von Variablen sind, der Laservorrichtung 2 in den Fehlerauftrittsbereich eingetreten ist, bestimmt die Lerneinheit 111, ob die Zustandsvariable einen Zustand darstellt oder nicht, in dem angesehen wird, dass ein Fehler aufgetreten ist, wie für den Fall in Schritt S606 (Schritt S609). Wenn bestimmt wird, dass ein Fehler aufgetreten ist, bestimmt die Lerneinheit 111, dass ein Wert einer Variablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von Variablen sind, der Laservorrichtung 2 in den Fehlerauftrittsbereich eingetreten ist. Somit wird bestimmt, dass ein Fehler aufgetreten ist, und entsprechend ist das Einschätzungsergebnis richtig. Daher stellt die Belohnungsberechnungseinheit 19 eine positive Belohnung (Belohnung +E) ein (Schritt S610), und die Verarbeitung begibt sich zu Schritt S608.
  • Wenn dagegen in Schritt S609 bestimmt wird, dass kein Fehler aufgetreten ist, stellt die Belohnungsberechnungseinheit 19 eine negative Belohnung (Belohnung -F) ein (Schritt S611), weil bestimmt wird, dass kein Fehler aufgetreten ist, selbst wenn bestimmt wird, dass ein Wert einer Variablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von Variablen sind, der Laservorrichtung 2 in den Fehlerauftrittsbereich eingetreten ist. Dann begibt sich die Verarbeitung zu Schritt S620.
  • Schritt S612 bis Schritt S619 in 12A sind ähnlich wie Schritt S305 bis Schritt S312 in dem Ablaufschema aus 5.
  • Ein Fehlerauftrittszustand der Laservorrichtung 2, der beispielsweise durch eine Person, die für die Verwaltung verantwortlich ist, oder eine Person, die für die Instandsetzung verantwortlich ist, bestätigt wird, wird eingegeben (Schritt S613), und die Einheit 12 zum Erfassen eines Bestimmungsergebnisses erfasst den bestätigten Fehlerauftrittszustand als ein Bestimmungsergebnis mit Bezug auf das eingeschätzte quantitative Prinzip für das Auftreten von Fehlern und gibt das Bestimmungsergebnis an die Lerneinheit 111 aus (Schritt S614). Die Lerneinheit 111 bestimmt, ob der Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, d.h. eine fehlerhafte Stelle und Komponente oder eine beschädigte Stelle und Komponente, und ein Zustand des Fehlers oder der Beschädigung mit dem Fehlerauftrittszustand, der tatsächlich bestätigt wird (Schritt S615), übereinstimmt oder nicht. Wenn der Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, mit dem Fehlerauftrittszustand, der tatsächlich bestätigt wird, übereinstimmt, stellt die Belohnungsberechnungseinheit 19 eine positive Belohnung (Belohnung +G) ein (Schritt S616), und die Verarbeitung begibt sich zu Schritt S620.
  • Wenn dagegen in Schritt S615 bestimmt wird, dass der Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, eine Unstimmigkeit gegenüber dem Fehlerauftrittszustand, der tatsächlich bestätigt wird, aufweist, begibt sich die Verarbeitung zu Schritt S617, und die Lerneinheit 111 bestimmt, ob der bestätigte Fehlerauftrittszustand mit dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern unvereinbar ist oder nicht. Wie zuvor beschrieben, bestimmt die Lerneinheit 111, dass beispielsweise wenn sich die Positionen von Fehlerauftrittsstellen zwischen dem bestätigten Fehlerauftrittszustand und dem Fehlerauftrittszustand, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, nicht decken, und der Zustand kein abgebrannter Zustand sondern ein geschmolzener Zustand ist, der bestätigte Fehlerauftrittszustand mit einem physikalischen Prinzip für das Auftreten von Fehlern, das in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, nicht unvereinbar ist, weil ein Fehler auf Grund eines Temperaturanstiegs aufgetreten ist, selbst wenn sich die Fehlerauftrittszustände nicht decken, oder dass der bestätigte Fehlerauftrittszustand mit dem Prinzip für das Auftreten von Fehlern, das in dem quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, unvereinbar ist, weil der Fehler des bestätigten Fehlerauftrittszustands nicht als ein Fehler angesehen wird, der durch einen Temperaturanstieg verursacht wird, der in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, sondern ein Fehler ist, der durch einen mechanischen Ausfall auf Grund von Schwingungen oder Aufprall verursacht wird (Schritt S617). Wenn bestimmt wird, dass der bestätigte Fehlerauftrittszustand mit dem physikalischen Prinzip für das Auftreten von Fehlern, das in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, nicht unvereinbar ist, stellt die Belohnungsberechnungseinheit 19 eine relativ geringe negative Belohnung (Belohnung -H) ein (Schritt S618), weil das eingeschätzte quantitativen Prinzip für das Auftreten von Fehlern teilweise mit dem betätigten Fehlerauftrittszustand vereinbar ist. Dann begibt sich die Verarbeitung zu Schritt S620. Wenn dagegen in Schritt S617 bestimmt wird, dass der bestätigte Fehlerauftrittszustand mit dem physikalischen Prinzip für das Auftreten von Fehlern, das in dem eingeschätzten quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, unvereinbar ist, stellt die Belohnungsberechnungseinheit 19 eine negative Belohnung (Belohnung -I) ein, deren absoluter Wert größer als derjenige der zuvor erwähnten Belohnung -H ist (Schritt S619). Dann begibt sich die Verarbeitung zu Schritt S620.
  • Bezüglich der Laservorrichtung 2, deren Fehlervermeidungsfunktion in Schritt S604 als eingeschaltet bestimmt wird, bestimmt die Lerneinheit 111, ob sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, der Laservorrichtung 2 näher als um den vorbestimmten Umfang an dem Fehlerauftrittsbereich, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, befindet (Schritt S622). Wenn bestimmt wird, dass sich der Wert oder der Punkt näher als um den vorbestimmten Umfang an dem Fehlerauftrittsbereich befindet, befiehlt die maschinelle Lernvorrichtung 101 der Laservorrichtung 2, von einer Antriebsbedingung auf die Antriebsbedingung zum Vermeiden von Fehlern umzuschalten, um einen Fehler der Laservorrichtung 2 zu vermeiden (Schritt S623). Danach beobachtet die Lerneinheit 111 wieder die Zustandsvariable der Laservorrichtung 2 (Schritt S624), um zu bestimmen, ob die Zustandsvariable einen Zustand darstellt oder nicht, in dem angesehen wird, dass ein Fehler aufgetreten ist (Schritt S625). Falls das Lernergebnis zutreffend ist, wird richtig bestimmt, dass sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, näher als um den vorbestimmten Umfang an dem Fehlerauftrittsbereich, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, befindet, und dass der Befehl der Antriebsbedingung zum Vermeiden von Fehlern, der mit Bezug auf die Laservorrichtung 2 erteilt wird, geeignet ist, wird nicht angesehen, dass ein Fehler aufgetreten ist. Dagegen bedeutet der Fall, bei dem bestimmt wird, dass ein Fehler aufgetreten ist, dass nicht richtig bestimmt wird, dass sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, näher als um den vorbestimmten Umfang an dem Fehlerauftrittsbereich, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, befindet, oder dass der erteilte Befehl der Antriebsbedingung zum Vermeiden von Fehlern nicht geeignet ist. Entsprechend stellt die Belohnungsberechnungseinheit 19 eine negative Belohnung (Belohnung -J) ein (Schritt S626). Dann kehrt die Verarbeitung zu Schritt S608 zurück und begibt sich zu dem Ablauf, bei dem sich die Lerneinheit 111 auf Lernmodelle und physikalische Modelle bezieht, um ein quantitatives Prinzip für das Auftreten von Fehlern einzuschätzen. Dagegen bedeutet der Fall, bei dem in Schritt S625 bestimmt wird, dass kein Fehler aufgetreten ist, dass eine Fehlervermeidung richtig erfolgt ist, so dass die Belohnungsberechnungseinheit 19 eine positive Belohnung (Belohnung +K) einstellt (Schritt S627), und die Verarbeitung begibt sich zu Schritt S620.
  • Wenn die Lerneinheit 111 in Schritt S622 dagegen bestimmt, dass sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, der Laservorrichtung 2 nicht näher als um den vorbestimmten Umfang an dem Fehlerauftrittsbereich, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, befindet, beobachtet die Lerneinheit 111 wieder die Zustandsvariable der Laservorrichtung 2 (Schritt S628), um zu bestimmen, ob die Zustandsvariable einen Zustand darstellt oder nicht, in dem angesehen wird, dass ein Fehler aufgetreten ist (Schritt S629). Falls das Lernergebnis zutreffend ist und richtig bestimmt wird, dass sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, der Laservorrichtung 2 nicht näher als um den vorbestimmten Umfang an dem Fehlerauftrittsbereich, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, befindet, wird nicht angesehen, dass ein Fehler aufgetreten ist. Falls dagegen bestimmt wird, dass ein Fehler aufgetreten ist, stellt die Belohnungsberechnungseinheit 19 eine negative Belohnung (Belohnung -L) ein (Schritt S630). Dann kehrt die Verarbeitung zu Schritt S608 zurück und begibt sich zu dem Ablauf, in dem sich die Lerneinheit 111 auf Lernmodelle und physikalische Modelle bezieht, um ein quantitatives Prinzip für das Auftreten von Fehlern einzuschätzen.
  • Wenn in Schritt S629 bestimmt wird, dass kein Fehler aufgetreten ist, wird bestimmt, dass sich ein Wert einer Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von Zustandsvariablen sind, nicht näher als um den vorbestimmten Umfang an dem Fehlerauftrittsbereich, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, befindet. Dies ist ein normaler Zustand, in dem kein Fehler aufgetreten ist. Obwohl eine kleinere positive Belohnung eingestellt werden kann, weil die maschinelle Lernvorrichtung 101 den Zustand der Laservorrichtung 2 in diesem Fall richtig erkennt, ist es höchst wahrscheinlich, dass dadurch positive Belohnungen zu hoch eingestellt werden, weil sich Laservorrichtungen, deren Fehlervermeidungsfunktion eingeschaltet ist, fast immer in diesem Zustand befinden. Entsprechend wird bei der vorliegenden Ausführungsform keine Belohnung insbesondere eingestellt, und die Verarbeitung begibt sich zu Schritt S620.
  • Wie zuvor beschrieben laufen alle zuvor beschriebenen Abläufe bezüglich der Belohnungseinstellung in Schritt S620 zusammen, und es wird in Schritt S620 bestimmt, ob es eine Belohnung, die in der Belohnungsberechnungseinheit 19 eingestellt wird (genauer gesagt eine Belohnung, die nach dem Aktualisieren der Wertfunktion neu eingestellt wird), gibt oder nicht. Wenn bestimmt wird, dass es mindestens eine eingestellte Belohnung gibt, aktualisiert die Einheit 20 zum Aktualisieren einer Wertfunktion die Wertfunktion in Abhängigkeit von der eingestellten Belohnung (Schritt S621). Dann bestimmt die Lerneinheit 111, ob die Zeit, die durch den Zeitgeber, der in Schritt S602 mit der Zeitmessung begonnen hat, eingestellt wird und zum Messen der verstrichenen Zeit verwendet wird, eine zuvor eingestellte Zeit überschritten hat oder nicht (Schritt S631).
  • Wenn bestimmt wird, dass die Zeit, die durch den Zeitgeber eingestellt wurde, die zuvor eingestellte Zeit nicht überschritten hat, bestimmt die Lerneinheit 111, ob ein Befehl zum Beenden des maschinellen Lernens erteilt wurde oder nicht (Schritt S632). Wenn der Befehl zum Beenden des Lernens erteilt wurde, beendet die Lerneinheit 111 das Lernen. Wenn der Befehl zum Beenden des Lernens nicht erteilt wurde, kehrt die Verarbeitung zu Schritt S603 zurück und die Lerneinheit 111 fährt mit der Beobachtung der Zustandsvariablen der Laservorrichtung 2 fort.
  • Wenn in Schritt S631 bestimmt wird, dass die Zeit, die durch den Zeitgeber eingestellt wurde, die zuvor eingestellte Zeit überschritten hat, kehrt die Verarbeitung zu Schritt S601 zurück, und die Lerneinheit 111 bestätigt, ob die Fehlervermeidungsfunktion ein- oder ausgeschaltet ist, und nach dem Zurücksetzen des Zeitgebers startet die Lerneinheit 111 erneut die Zählung der verstrichenen Zeit durch den Zeitgeber (Schritt S602). Die verstrichene Zeit wird somit durch den Zeitgeber gemessen, um regelmäßig zu überprüfen, ob sich ein Ein-/Ausschaltzustand der Fehlervermeidungsfunktion geändert hat oder nicht, wie zuvor beschrieben.
  • Die Verarbeitung kehrt zu Schritt S608 zurück und begibt sich zu dem Ablauf, in dem sich die Lerneinheit 111 auf Lernmodelle und physikalische Modells bezieht, um ein quantitatives Prinzip für das Auftreten von Fehlern einzuschätzen, nachdem in Schritt S607, Schritt S610, Schritt S626 und Schritt S630 Belohnungen eingestellt wurden, und dann ferner die Belohnung +G, die Belohnung -H oder die Belohnung -I einzustellen ist. In diesem Fall, wenn beispielsweise die Belohnung -D zuvor eingestellt wurde, und die Belohnung +G danach eingestellt wird, kann angesehen werden, dass die Belohnung (-D+G), welche die Summe der Belohnung -D und der Belohnung +G ist, eingestellt wird, und die Einheit 20 zum Aktualisieren einer Wertfunktion kann in Schritt S621 die Wertfunktion in Abhängigkeit von der Belohnung (-D+G) aktualisieren. Dabei wird vorausgesetzt, dass D bis L positive Werte aufweisen, und die Größenordnungen der jeweiligen Belohnungen können die folgende Beziehung sowie die zuvor erwähnte Beziehung I > H aufweisen.
  • Zunächst hängen D und F mit dem Thema der Positionsgenauigkeit einer Grenze zwischen dem Fehlerauftrittsbereich und dem Nicht-Fehlerauftrittsbereich zusammen. Es wird bevorzugt, eine umso größere negative Belohnung einzustellen desto weiter ein mit einem Fehler zusammenhängender Wert einer beliebigen Zustandsvariablen oder ein mit einem Fehler zusammenhängender Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, der für die Bestimmung in Schritt S605 verwendet wird, von dieser Grenze entfernt ist. Umgekehrt kann bezüglich E eine umso größere positive Belohnung eingestellt werden desto näher ein mit einem Fehler zusammenhängender Wert einer beliebigen Zustandsvariablen oder ein mit einem Fehler zusammenhängender Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, der für die Bestimmung in Schritt S605 verwendet wird, an dieser Grenze liegt. Es ist schwierig, die Belohnung zu maximieren, wenn die Größenordnung von G nicht einigermaßen größer als die Größenordnung der negativen Belohnungen H und I ist, so dass es als bevorzugt angesehen wird, dass G etwa auf (H+I) ≤ G ≤ 3(H+I) eingestellt wird. Bezüglich J ist eine Antriebsbedingung zum Vermeiden von Fehlern zu befehlen, wenn detektiert wird, dass sich ein mit einem Fehler zusammenhängender Wert einer beliebigen Zustandsvariablen oder ein mit einem Fehler zusammenhängender Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, näher als um den vorbestimmten Umfang an dem Fehlerauftrittsbereich befindet, aber ein Fehler aufgetreten ist. Obwohl die Antriebsbedingung zum Vermeiden von Fehlern ungeeignet sein kann, ist der Fehler in einer Position eines Wertes einer Zustandsvariablen oder eines Punktes, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, von dem eingeschätzt wird, dass er sich auf der sicheren Seite der zuvor erwähnten Grenze zwischen dem Fehlerauftrittsbereich und dem Nicht-Fehlerauftrittsbereich befindet, aufgetreten. Daher kann J normalerweise eingestellt werden, um größer als D und F zu sein. Dagegen ist L eine negative Belohnung, die dem Ergebnis entspricht, dass ein Fehler aufgetreten ist, bevor detektiert wird, dass sich ein mit einem Fehler zusammenhängender Wert einer beliebigen Zustandsvariablen oder ein mit einem Fehler zusammenhängender Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, näher als um den vorbestimmten Umfang an dem Fehlerauftrittsbereich, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, befindet. Daher wird es bevorzugt, L auf L > J einzustellen. K ist eine positive Belohnung, die eingestellt wird, wenn ein Fehler sachgemäß vermieden werden konnte. Es kann jedoch sein, dass das Einstellen einer sehr großen positiven Belohnung nicht bevorzugt wird, um eine Tendenz zu vermeiden, einen Befehl einer Antriebsbedingung zum Vermeiden von Fehlern in einem Zustand zu erteilen, in dem sich ein Wert einer Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von Zustandsvariablen sind, nicht so nahe an dem Fehlerauftrittsbereich befindet. Daher wird es bevorzugt, K einzustellen, damit der Wert in einer Beziehung von K < G liegt.
  • Die maschinelle Lernvorrichtung 101 wiederholt das Aktualisieren der Wertfunktion durch Wiederholen der zuvor beschriebenen Schritte S601 bis S632, und die maschinelle Lernvorrichtung 101 führt somit das Lernen aus, um ein quantitatives Prinzip für das Auftreten von Fehlern basierend auf Zustandsvariablen der Laservorrichtung 2 einschätzen zu können, und bezieht sich auf Lernergebnisse, um einen Befehl einer präzisen Antriebsbedingung zum Vermeiden von Fehlern mit Bezug auf die Laservorrichtung 2 zu erteilen, wenn anscheinend ein Fehler in der Laservorrichtung 2 auftreten wird. Folglich können Fehler in der Laservorrichtung allmählich reduziert werden, und es kann eine Laservorrichtung ausgebildet werden, die eine hohe Zuverlässigkeit aufweist.
  • Fünfte Ausführungsform
  • 13 ist ein Ablaufschema, das ein Beispiel einer Betätigung einer maschinellen Lernvorrichtung gemäß einer fünften Ausführungsform der vorliegenden Erfindung abbildet.
  • Die maschinelle Lernvorrichtung gemäß der vorliegenden Ausführungsform entspricht einer maschinellen Lernvorrichtung, die erzielt wird, indem eine Funktion als präventive Wartungsvorrichtung zu der maschinellen Lernvorrichtung 1, die in 1 abgebildet ist, hinzugefügt wird. D.h. die maschinelle Lernvorrichtung der vorliegenden Ausführungsform befiehlt der Steuereinheit 9 der Laservorrichtung 2, die Laservorrichtung 2 mit einer vorbestimmten Antriebsbedingung in Übereinstimmung mit einem vorbestimmten Ablaufplan anzutreiben, zeichnet eine Zustandsvariable, die Daten über die Lichtleistungseigenschaft der Laservorrichtung 2 umfasst, die bei jedem Antrieb der Laservorrichtung 2 mit der vorbestimmten Antriebsbedingung erzielt werden, als Ereignisverlaufsdaten der Zustandsvariablen der Laservorrichtung 2 auf, und übernimmt die aufgezeichneten Ereignisverlaufsdaten in eine Zustandsvariable, die durch die Zustandsbeobachtungseinheit 13 beobachtet wird. Dann bezieht sich die maschinelle Lernvorrichtung auf quantitative Prinzipien für das Auftreten von Fehlern, die den jeweiligen Fehlern entsprechen und durch das Lernen erfasst werden. Wenn die maschinelle Lernvorrichtung beobachtet, dass sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, einem Fehlerauftrittsbereich nähert, in dem ein Fehler nach einem der quantitativen Prinzipien für das Auftreten von Fehlern auftritt, basierend auf dem Übergang des Wertes einer beliebigen Zustandsvariablen, die in den Ereignisverlaufsdaten enthalten ist, oder dem Bewegungsübergang des Punktes, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, der in den Ereignisverlaufsdaten enthalten ist, sagt die maschinelle Lernvorrichtung die Zeit voraus, die benötigt wird, bis ein Wert der Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte die Werte der Zustandsvariablen sind, der sich dem Fehlerauftrittsbereich nähert, den Fehlerauftrittsbereich erreicht, wenn die Laservorrichtung 2 mit einer normalen Antriebsbedingung angetrieben wird, d.h. sie sagt die verbleibende Zeit bis zum Auftreten eines Fehlers voraus. Wenn die verbleibende Zeit kürzer als die vorbestimmte verbleibende Zeit wird, gibt die maschinelle Lernvorrichtung die verbleibende Zeit und ein quantitatives Prinzip für das Auftreten von Fehlern, mit dem vorhergesagt wird, dass ein Fehler nach Ablauf der verbleibenden Zeit auftreten wird, aus.
  • In 13 fehlt die Abbildung einer Betätigung, um einen Befehl zum Antreiben der Laservorrichtung 2 mit einer vorbestimmten Antriebsbedingung in Übereinstimmung mit einem vorbestimmten Ablaufplan zu erteilen und Zustandsvariablen, die Daten über die Lichtleistungseigenschaft der Laservorrichtung 2 umfassen, die bei jedem Antreiben der Laservorrichtung 2 mit der vorbestimmten Antriebsbedingung erzielt werden, als Ereignisverlaufsdaten der Zustandsvariablen der Laservorrichtung 2 aufzuzeichnen, weil diese Betätigung einfach ist. 13 bildet ein Ablaufschema nur einer Betätigung ab, um die verbleibende Zeit unter Verwendung der aufgezeichneten Ereignisverlaufsdaten vorherzusagen und die vorhergesagte verbleibende Zeit auszugeben.
  • Durch das Einfügen des Ablaufschemas aus 13 vor Schritt S519 des Ablaufschemas in 9B erhält die maschinelle Lernvorrichtung 1 eine präventive Wartungsfunktion, mit der die maschinelle Lernvorrichtung 1 ein vorhergesagtes quantitatives Prinzip für das Auftreten von Fehlern ausgibt, das eine Information der verbleibenden Zeit, die benötigt wird, bis ein Fehler auftritt, und beispielsweise eine Information über eine fehlerhafte Stelle einer Komponente, deren Eigenschaft sich allmählich verschlechtert und in einem gewissen Stadium fehlerhaft sein wird, umfasst, zusätzlich zu einer präventiven Wartungsfunktion, mit der die maschinelle Lernvorrichtung 1 das Lernen ausführt, um ein quantitatives Prinzip für das Auftreten von Fehlern basierend auf Zustandsvariablen der Laservorrichtung 2 einschätzen zu können, und bezieht sich auf Lernergebnisse, um einen Befehl einer präzisen Antriebsbedingung zum Vermeiden von Fehlern mit Bezug auf die Laservorrichtung 2 zu erteilen, wenn anscheinend ein Fehler in dieser Laservorrichtung 2 auftreten wird.
  • In dem Ablaufschema, das in 13 abgebildet ist, wird bestimmt, ob es einen zusätzlichen Eintrag in den Ereignisverlaufsdaten gibt oder nicht, d.h. ob die Laservorrichtung 2 mit einer vorbestimmten Antriebsbedingung in Übereinstimmung mit einem vorbestimmten Ablaufplan angetrieben wurde und neue Daten zusätzlich in die Ereignisverlaufsdaten eingetragen wurden oder nicht (Schritt S701). Wenn es einen zusätzlichen Eintrag in den Ereignisverlaufsdaten gibt, wird bestimmt, ob es eine Zustandsvariable gibt oder nicht, deren Wert sich allmählich geändert hat, wenn er mit einem Wert einer Zustandsvariablen der Laservorrichtung 2 verglichen wird, die beim vorhergehenden Mal oder zuvor als Ereignisverlaufsdaten aufgezeichnet wurde, selbst wenn die Laservorrichtung 2 mit der vorbestimmten Antriebsbedingung angetrieben wird, welche die gleiche Antriebsbedingung ist (Schritt S702). Wenn es keine derartige sich allmählich ändernde Zustandsvariable gibt, kehrt die Verarbeitung zu Schritt S519 des Ablaufschemas in 9B zurück. Wenn es dagegen eine derartige sich allmählich ändernde Zustandsvariable gibt, wird die effektive Antriebszeit, in der sich der Wert der sich allmählich ändernden Zustandsvariablen geändert hat, eingeschätzt (Schritt S703). Die effektive Antriebszeit ist eine Antriebszeit, die für den Fall des Antreibens mit einer normalen Antriebsbedingung umgewandelt wird. Falls beispielsweise vorausgesetzt wird, dass ein Beschleunigungskoeffizient die m. Potenz von n ist, wenn die Laserleistung n-mal größer als die mit der normalen Antriebsbedingung ist, ist die tatsächliche Antriebszeit x nm die effektive Antriebszeit. Wie es noch beschrieben wird, kann auch dieser Beschleunigungskoeffizient als ein Lernobjekt des maschinellen Lernens eingestellt werden.
  • Wenn die effektive Antriebszeit somit eingeschätzt wird, wird die Variation des Wertes der sich allmählich ändernden Zustandsvariablen durch die eingeschätzte effektive Antriebszeit dividiert, um eine Änderungsgeschwindigkeit des Wertes der sich allmählich ändernden Zustandsvariablen zu berechnen (Schritt S704). Dann wird bestimmt, ob es ein Vorhersageergebnis, das zuvor erzielt wurde, indem eine Geschwindigkeitsänderung des Wertes dieser sich allmählich ändernden Zustandsvariablen vorhergesagt wurde, gibt oder nicht (Schritt S705). Wenn es ein Vorhersageergebnis gibt, wird die Größenordnung eines Unterschieds zwischen dem zuvor erzielten Vorhersageergebnis und der Änderungsgeschwindigkeit, die dieses Mal berechnet wird, bestimmt (Schritt S706). Wenn der Unterschied groß ist (bei der vorliegenden Ausführungsform, wenn der Unterschied größer als δ ist), wird davon ausgegangen, dass dies der Fall ist, weil es eine Abweichung des zuvor erwähnten Beschleunigungskoeffizienten oder dergleichen gibt, und die Fehlerberechnungseinheit 16 berechnet daher eine Abweichung 7 (Schritt S707). Die Lerneinheit 11 sagt eine zukünftige Änderungsgeschwindigkeit des Wertes dieser sich allmählich ändernden Zustandsvariablen voraus, d.h. wie sich der Wert der sich allmählich ändernden Zustandsvariablen oder eine Koordinate an einem Punkt, dessen Koordinatenwert der Wert der sich allmählich ändernden Zustandsvariablen ist, ändert (Schritt S708). Die Lerneinheit 11 bezieht sich auf vorhergehende Lernergebnisse, die eine Information, beispielsweise über Fehlerauftrittsbereiche, wie in 10 und 11 abgebildet, umfassen, und sagt ein Prinzip für das Auftreten von Fehlern voraus, mit dem vorhergesagt wird, dass ein Fehler auftreten wird, wenn sich der Wert der sich allmählich ändernden Zustandsvariablen oder eine Koordinate an einem Punkt, dessen Koordinatenwert der Wert der sich allmählich ändernden Zustandsvariablen ist, wie vorhergesagt ändert (Schritt S709), um zu bestimmen, ob vorhergesagt wird, dass ein Fehler auftreten wird, oder nicht (Schritt S710).
  • Wenn bestimmt wird, dass vorhergesagt wird, dass kein Fehler auftreten wird, kehrt die Verarbeitung zu Schritt S519 zurück. Wenn bestimmt wird, dass vorhergesagt wird, dass ein Fehler in einem gewissen Stadium auftreten wird, bezieht sich die Lerneinheit 11 auf die Information über den Fehlerauftrittsbereich und so weiter, wie in 10 und 11 abgebildet, und den zukünftigen Änderungszustand des Wertes der sich allmählich ändernden Zustandsvariablen oder der Koordinate an dem Punkt, dessen Koordinatenwert der Wert der sich allmählich ändernden Zustandsvariablen ist, der vorherzusagen ist, um die verbleibende Zeit bis zum Auftreten eines Fehlers beim Antreiben der Laservorrichtung 2, die mit einer normalen Antriebsbedingung angetrieben wird, einzuschätzen (Schritt S711), und zu bestimmen, ob die eingeschätzte verbleibende Zeit kürzer als die vorbestimmte Zeit ist oder nicht (Schritt S712). Wenn die eingeschätzte verbleibende Zeit länger als die vorbestimmte Zeit ist, kehrt die Verarbeitung zu Schritt S519 zurück. Wenn die eingeschätzte verbleibende Zeit kürzer als die vorbestimmte Zeit ist, gibt die Lerneinheit 11 die Information über die eingeschätzte verbleibende Zeit bis zum Auftreten eines Fehlers und über die vorhergesagte Fehlerauftrittsstelle, die in dem vorhergesagten Prinzip für das Auftreten von Fehlern enthalten sind, aus (Schritt S713), und die Verarbeitung kehrt zu Schritt S519 zurück.
  • Wenn bestimmt wird, dass es in Schritt S705 noch kein Vorhersageergebnis für eine Änderungsgeschwindigkeit des Wertes der sich allmählich ändernden Zustandsvariablen gibt, geht die Verarbeitung von Schritt S705 zu Schritt S708. Wenn ferner bestimmt wird, dass es in Schritt S701 keinen zusätzlichen Eintrag in den Ereignisverlaufsdaten gibt, [wird bestimmt,] ob es ein Einschätzungsergebnis für die verbleibende Zeit bis zum Auftreten eines Fehlers gibt oder nicht (Schritt S714). Wenn es kein Einschätzungsergebnis für die verbleibende Zeit gibt, kehrt die Verarbeitung zu Schritt S519 zurück. Wenn es ein Einschätzungsergebnis für die verbleibende Zeit gibt, schätzt die Lerneinheit 11 die effektive Antriebszeit von dem Zeitpunkt der vorherigen Einschätzung für die verbleibende Zeit wie für den Fall in dem zuvor beschriebenen Schritt S703 (Schritt S715), subtrahiert die effektive Antriebszeit von der zuvor eingeschätzten verbleibenden Zeit, um die verbleibende Zeit zu berechnen, die an diesem Punkt eingeschätzt wird (Schritt S716), und bestimmt in Schritt S712, ob die neu eingeschätzte verbleibende Zeit kürzer als die vorbestimmte Zeit ist oder nicht. Entsprechend kann das Problem vermieden werden, dass sich die verbleibende Zeit gegenüber der vorbestimmten Zeit, bevor ein zusätzlicher Eintrag in den Ereignisverlaufsdaten erfolgt, stark verringert und sich die Zeiteinstellung zum Ausgeben der verbleibenden Zeit entsprechend verzögert.
  • Die zuvor beschriebenen maschinellen Lernvorrichtungen gemäß der dritten Ausführungsform und der vierten Ausführungsform erfüllen eine Funktion zum Erteilen eines Befehls einer Antriebsbedingung zum Vermeiden von Fehlern, um einen Fehler für Zustandsvariablen zu vermeiden, deren Werte sich plötzlich ändern. Dagegen weist die maschinelle Lernvorrichtung gemäß der vorliegenden Ausführungsform eine präventive Wartungsfunktion für den Fall auf, dass sich ein Wert einer Zustandsvariablen im Verlauf der Zeit langsam ändert, um sich als ein Fehler auf Grund von Verschleiß einem Fehlerauftrittsbereich zu nähern. In diesem Fall sind eine Information über die Zeit bis zum Auftreten eines Fehlers und eine Information über eine Stelle, an der angesehen wird, dass ein Fehler auftreten wird, wichtiger als die Fehlervermeidung. Falls die Zeit und eine Stelle, an der vorhergesagt wird, dass ein Fehler auftreten wird, im voraus bekannt sind, können beispielsweise Maßnahmen, um Lagerbestände von Komponenten und Einheiten, die ausgetauscht werden müssen, sicherzustellen, und um diese Komponenten und Einheiten zu budgetieren, getroffen werden, wodurch es möglich ist, eine Stillstandperiode einer Laservorrichtung für Wartung und Instandsetzung zu minimieren.
  • Sechste Ausführungsform
  • 14 ist ein Ablaufschema, das ein Beispiel einer Betätigung einer maschinellen Lernvorrichtung gemäß einer sechsten Ausführungsform der vorliegenden Erfindung abbildet.
  • Die maschinelle Lernvorrichtung gemäß der vorliegenden Ausführungsform entspricht einer maschinellen Lernvorrichtung, die erzielt wird, indem eine präventive Wartungsvorrichtung für die in 4 abgebildete maschinelle Lernvorrichtung 101 bereitgestellt wird. Die maschinelle Lernvorrichtung 101 der vorliegenden Ausführungsform, die mit der präventiven Wartungsvorrichtung versehen ist, befiehlt der Steuereinheit 9 der Laservorrichtung 2, die Laservorrichtung 2 mit einer vorbestimmten Antriebsbedingung gemäß einem vorbestimmten Ablaufplan anzutreiben, zeichnet Zustandsvariablen, die Daten über die Lichtleistungseigenschaft der Laservorrichtung 2, die bei jedem Antreiben der Laservorrichtung 2 mit der vorbestimmten Antriebsbedingung erzielt werden, als Ereignisverlaufsdaten der Zustandsvariablen der Laservorrichtung 2 auf, und übernimmt die aufgezeichneten Ereignisverlaufsdaten in die Zustandsvariablen, die durch die Zustandsbeobachtungseinheit 13 beobachtet werden. Dann bezieht sich die maschinelle Lernvorrichtung 101 auf quantitative Prinzipien für das Auftreten von Fehlern, die den jeweiligen Fehlern entsprechen und durch das Lernen erfasst werden. Wenn die maschinelle Lernvorrichtung 101 beobachtet, dass sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, einem Fehlerauftrittsbereich nähert, in dem ein Fehler nach einem der quantitativen Prinzipien für das Auftreten von Fehlern auftritt, basierend auf dem Übergang des Wertes einer beliebigen Zustandsvariablen, die in den Ereignisverlaufsdaten enthalten ist, oder dem Bewegungsübergang des Punktes, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, die in den Ereignisverlaufsdaten enthalten sind, sagt die maschinelle Lernvorrichtung 101 die Zeit voraus, die benötigt wird, bis der Wert der Zustandsvariablen oder der Punkt, dessen Koordinatenwerte die Werte der Zustandsvariablen sind, der sich dem Fehlerauftrittsbereich nähert, den Fehlerauftrittsbereich erreicht, wenn die Laservorrichtung 2 mit einer normalen Antriebsbedingung angetrieben wird; d.h. die maschinelle Lernvorrichtung 101 sagt die verbleibende Zeit bis zum Auftreten eines Fehlers voraus. Wenn die verbleibende Zeit kürzer als die vorbestimmte verbleibende Zeit wird, gibt die maschinelle Lernvorrichtung 101 die verbleibende Zeit und ein quantitatives Prinzip für das Auftreten von Fehlern, mit dem vorhergesagt wird, dass ein Fehler nach Ablauf der verbleibenden Zeit auftreten wird, aus.
  • 14 bildet ein Ablaufschema nur einer Betätigung ab, um die verbleibende Zeit unter Verwendung der aufgezeichneten Ereignisverlaufsdaten vorherzusagen und die vorhergesagte verbleibende Zeit auszugeben, wie für den Fall von 13. Durch das Einfügen des Ablaufschemas aus 14 vor dem Schritt S620 des Ablaufschemas in 12B erhält die maschinelle Lernvorrichtung 101 eine präventive Wartungsfunktion, mit der die maschinelle Lernvorrichtung 101 ein vorhergesagtes quantitatives Prinzip für das Auftreten von Fehlern ausgibt, das beispielsweise eine Information der verbleibenden Zeit, die benötigt wird, bis ein Fehler auftritt, und eine Information einer fehlerhaften Stelle einer Komponente, deren Eigenschaft sich allmählich verschlechtert und in einem gewissen Stadium fehlerhaft sein wird, umfasst, zusätzlich zu einer präventiven Wartungsfunktion, mit der die maschinelle Lernvorrichtung 101 das Lernen ausführt, um ein quantitatives Prinzip für das Auftreten von Fehlern basierend auf Zustandsvariablen der Laservorrichtung 2 einschätzen zu können, und bezieht sich auf Lernergebnisse, um einen Befehl einer präzisen Antriebsbedingung zum Vermeiden von Fehlern mit Bezug auf die Laservorrichtung 2 zu erteilen, wenn anscheinend ein Fehler in dieser Laservorrichtung 2 auftreten wird.
  • Die Beschreibung der Betätigung in dem Ablaufschema in 14 entfällt, weil der Unterschied von 14 gegenüber 13 nur folgender ist: in 13 berechnet die Fehlerberechnungseinheit 16 die Abweichung 7, wenn ein Unterschied zwischen einem Berechnungsergebnis einer Änderungsgeschwindigkeit einer sich allmählich ändernden Zustandsvariablen und einem zuvor vorhergesagten Ergebnis derselben groß ist, wohingegen in 14 eine positive Belohnung (+M) eingestellt wird, wenn ein Unterschied zwischen einem Berechnungsergebnis einer Änderungsgeschwindigkeit einer sich allmählich ändernden Zustandsvariablen und einem zuvor vorhergesagten Ergebnis derselben gering ist (bei der vorliegenden Ausführungsform, wenn der Unterschied kleiner oder gleich δ ist), und eine negative Belohnung (-N) eingestellt wird, wenn der Unterschied groß ist (bei der vorliegenden Ausführungsform, wenn der Unterschied größer als δ ist).
  • Die maschinellen Lernvorrichtungen der fünften Ausführungsform und der vorliegenden Ausführungsform treiben die Laservorrichtung mit einer vorbestimmten Antriebsbedingung gemäß einem vorbestimmten Ablaufplan an, zeichnen Zustandsvariablen, die Daten über die Lichtleistungseigenschaft der Laservorrichtung, die bei jedem Antreiben der Laservorrichtung mit der vorbestimmten Antriebsbedingung erzielt werden, umfassen, als Ereignisverlaufsdaten der Zustandsvariablen der Laservorrichtung auf, und übernehmen die aufgezeichneten Ereignisverlaufsdaten der Zustandsvariablen der Laservorrichtung in die Zustandsvariablen, die durch die Zustandsbeobachtungseinheit beobachtet werden. Die Zustandsvariablen der Laservorrichtung beim Antreiben der Laservorrichtung mit der gleichen Antriebsbedingung werden regelmäßig aufgezeichnet, wie zuvor beschrieben, und bieten den Vorteil, dass der Übergang der Zustandsvariablen der Laservorrichtung zu verstehen ist und zum Lernen eines quantitativen Prinzip für das Auftreten von Fehlern für einen Fehler, der durch Verschleiß und dergleichen verursacht wird, verwendet werden kann.
  • Dabei kann für den Fall, dass eine Zustandsvariable einer Laservorrichtung nicht bekannt ist oder sich vielleicht gegenüber einem vorhergehenden Antreiben geändert hat, beispielsweise insbesondere für den Fall, dass die Laservorrichtung erneut mit einem Netzwerk verbunden wird, für den Fall, dass ein Installationsort der Laservorrichtung geändert wird, für den Fall, dass die Laservorrichtung eine Zeit lang nicht angetrieben wird, die länger als eine vorbestimmte Pausenperiode ist, für den Fall, dass die Komponenten der Laservorrichtung ausgetauscht werden, oder für den Fall, dass Komponenten der Laservorrichtung angepasst werden, ein nicht vorhergesagter Fehler auftreten, wenn die Laservorrichtung plötzlich mit der zuvor erwähnten vorbestimmten Antriebsbedingung oder einer normalen Antriebsbedingung angetrieben wird. Daher wird es bevorzugt, dass das Antreiben mit einer vorbestimmten Antriebsbedingung mit geringer Belastung vor dem Antreiben der Laservorrichtung mit der normalen Antriebsbedingung oder einer Antriebsbedingung mit hoher Belastung befohlen wird, dass Zustandsvariablen bei dem Antreiben mit der Antriebsbedingung mit geringer Belastung durch die Zustandsbeobachtungseinheit beobachtet werden, dass auf quantitative Prinzipien für das Auftreten von Fehlern, die den jeweiligen Fehlern entsprechen und durch Lernen erfasst werden, Bezug genommen wird, und dass ein quantitatives Prinzip für das Auftreten von Fehlern, mit dem vorhergesagt wird, dass ein Fehler auftreten wird, ausgegeben wird, wenn vorhergesagt wird, dass ein Fehler auftreten wird, falls die Laservorrichtung mit der normalen Antriebsbedingung oder mit der Antriebsbedingung mit hoher Belastung angetrieben wird.
  • Entsprechend ist es möglich, ein augenblickliches Auftreten eines Fehlers, wie etwa das Auftreten eines Fehlers, der durch Reflexionslicht von einem Schutzfenster eines Bearbeitungskopfs, das während einer längeren Pause verunreinigt wird, verursacht wird, und das Auftreten eines Fehlers, der auftritt, wenn ungewollte Stellen mit Laserausgangslicht und Reflexionslicht auf Grund einer unzureichenden Justierung der optischen Achse bestrahlt werden, zu verhindern. Wenn es nicht möglich ist, die Bestimmung nur mit dem Antreiben mit geringer Belastung auszuführen, kann ein Antreiben mit einer Antriebsbedingung mit einer etwas höheren Belastung getestet werden.
  • Siebte Ausführungsform
  • 15 bildet ein Beispiel einer Liste ab, die durch eine maschinelle Lernvorrichtung gemäß einer siebten Ausführungsform der vorliegenden Erfindung ausgegeben wird. Die Liste beschreibt ein quantitatives Prinzip für das Auftreten von Fehlern, das jedem Fehler in der Laservorrichtung entspricht und durch Lernen erfasst wird, die Häufigkeit des Auftretens eines Fehlers, der jedem quantitativen Prinzip für das Auftreten von Fehlern entspricht, und Elemente, die bevorzugt zu verbessern sind, um die Häufigkeit des Auftretens eines Fehlers in einer Laservorrichtung zu verringern. Falls quantitative Prinzipien für das Auftreten von Fehlern, die den jeweiligen Fehlern unter diversen Fehlern entsprechen, durch Lernen erfasst werden, wird eine effektive Verbesserung zum Verringern der Häufigkeit des Auftretens eines Fehlers deutlich. Die Ausgabe der Information über die Verbesserung stellt effektive Kenntnisse bereit, um die Zuverlässigkeit einer Laservorrichtung zu verbessern, wodurch die Entwicklung einer langlebigen Laservorrichtung, die eine hohe Zuverlässigkeit aufweist, ermöglicht wird. Es wird angesehen, dass nur ein Überblick über ein Prinzip für das Auftreten von Fehlern in einer Liste angezeigt wird. Daher kann in dem Überblick des Prinzips für das Auftreten von Fehlern ein Link eingestellt sein, so dass Einzelheiten des quantitativen Prinzips für das Auftreten von Fehlern, einschließlich quantitativer Werte, ebenfalls angezeigt werden, wenn der Link ausgewählt wird. Eine Punktezahl und eine Prioritätsreihenfolge können zu jedem Verbesserungselement hinzugefügt werden. Ferner kann eine Liste Elemente umfassen, wie etwa durchschnittliche Instandsetzungskosten und durchschnittliche Instandsetzungsdauer, sowie eine deutliche Notwendigkeit der Verbesserung.
  • Achte Ausführungsform
  • 16 ist ein Blockdiagramm, das ein Beispiel einer Position einer maschinellen Lernvorrichtung gemäß einer achten Ausführungsform der vorliegenden Erfindung in einem Netzwerk und einen Verbindungszustand mit dem Netzwerk abbildet. Eine maschinelle Lernvorrichtung 201, welche die maschinelle Lernvorrichtung gemäß einer der ersten bis siebten Ausführungsformen ist, existiert auf einem FOG-Server 23, der mindestens eine Zelle 22, die eine Mehrzahl von Vorrichtungen umfasst, die mindestens eine Laservorrichtung umfassen, über ein erstes Netzwerk 21 steuert. Dadurch dass die maschinelle Lernvorrichtung 201 auf dem FOG-Server 23 zum Steuern einer relativ kleinen Zelle existiert, können die Beobachtung von Zustandsvariablen der Laservorrichtung 2 und der Austausch von Informationen, deren Echtzeiteigenschaft wichtig ist, wie etwa eines Befehls einer Antriebsbedingung zum Vermeiden von Fehlern, ohne Verzögerung erfolgen.
  • Ferner wird bewirkt, dass eine maschinelle Lernvorrichtung 301, welche die maschinelle Lernvorrichtung nach einer der ersten bis siebten Ausführungsformen ist, auf einem Cloud-Server 25 existiert, der über das zweite Netzwerk 24 mindestens einen FOG-Server 23 steuert, der mindestens eine Zelle 22, die eine Mehrzahl von Vorrichtungen 26 umfasst, die mindestens eine Laservorrichtung 2 umfassen, über das erste Netzwerk 21 steuert. Dadurch dass mindestens eine der maschinellen Lernvorrichtungen 301 auf dem Cloud-Server 25 existiert, der über eine große Aufzeichnungskapazität verfügt und in der Lage ist, eine umfangreiche Signalverarbeitung schnell auszuführen, ist es möglich, eine Signalverarbeitung und Berechnung beim maschinellen Lernen basierend auf einem neuronalen Netzwerk oder dergleichen mit hoher Geschwindigkeit auszuführen.
  • Ferner wird es bevorzugt, wie in 16 abgebildet, dass eine Mehrzahl von maschinellen Lernvorrichtungen 201 und 301 existieren und die Ergebnisse des maschinellen Lernens von der Mehrzahl von maschinellen Lernvorrichtungen gegenseitig ausgetauscht oder geteilt werden. Es dauert meistens länger, das Lernen weiterzubringen, weil ein Fehler nicht so oft auftritt. Die Geschwindigkeit des Lernfortschritts kann jedoch durch das Austauschen oder Teilen von Lernergebnissen erhöht werden. Ferner kann auch die Genauigkeit des Lernens verbessert werden.
  • Bisher wurden die Ausführungsformen der vorliegenden Erfindung beschrieben. Die vorliegende Erfindung ist jedoch nicht auf die Beispiele der zuvor beschriebenen Ausführungsformen eingeschränkt und kann durch Hinzufügen geeigneter Änderungen in diversen Aspekten ausgebildet werden.
  • 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 2017030221 [0005]
    • JP 2017033526 [0006, 0007]
    • JP 2015088079 [0008]

Claims (15)

  1. Maschinelle Lernvorrichtung, die mit mindestens einer Laservorrichtung verbunden ist, um über ein Netzwerk mit der Laservorrichtung gegenseitig kommunizieren zu können, wobei die Laservorrichtung umfasst: mindestens einen Laseroszillator; eine Energiequelleneinheit, die dem Laseroszillator Treiberstrom zuführt; mindestens einen Ausgangslichtsensor der Licht detektiert, das von Laserlicht ausgegeben wird, das von dem Laseroszillator emittiert wird; und eine Steuereinheit, die mindestens einen Stromausgabebefehl, der einem Lichtausgabebefehl entspricht, an die Energiequelleneinheit ausgibt und ein Detektionssignal von dem Ausgangslichtsensor empfängt, wobei die maschinelle Lernvorrichtung umfasst: eine Zustandsbeobachtungseinheit, die durch die Steuereinheit der Lasereinheit eine Zustandsvariable eines Inneren und eines Äußeren der Laservorrichtung beobachtet, wobei die Zustandsvariable Zeitreihendaten der Lichtleistung, die durch den Ausgangslichtsensor detektiert wird, und den Lichtausgabebefehl umfasst; eine Einheit zum Erfassen eines Bestimmungsergebnisses, die ein Bestimmungsergebnis der Richtigkeit mit Bezug auf ein quantitatives Prinzip für das Auftreten von Fehlern erfasst, wobei das quantitative Prinzip für das Auftreten von Fehlern durch die maschinelle Lernvorrichtung für jeden Fehler in der Laservorrichtung ausgegeben wird; eine Lerneinheit, die eine Ausgabe von der Zustandsbeobachtungseinheit und eine Ausgabe von der Einheit zum Erfassen eines Bestimmungsergebnisses empfängt und das quantitative Prinzip für das Auftreten von Fehlern, das jedem Fehler entspricht, lernt und dabei das quantitative Prinzip für das Auftreten von Fehlern mit der Zustandsvariablen der Laservorrichtung, wobei die Zustandsvariable durch der Zustandsbeobachtungseinheit beobachtet wird, und dem Bestimmungsergebnis der Richtigkeit mit Bezug auf das quantitative Prinzip für das Auftreten von Fehlern, wobei das Bestimmungsergebnis durch die Einheit zum Erfassen eines Bestimmungsergebnisses erfasst wird, verknüpft; und eine Entscheidungsfindungseinheit, die sich auf ein Lernergebnis der Lerneinheit bezieht, wenn ein Auftreten jedes Fehlers mindestens durch Kollatierung zwischen den Zeitreihendaten der Lichtleistung und dem Lichtausgabebefehl detektiert wird, und über das quantitative Prinzip für das Auftreten von Fehlern entscheidet, das die maschinelle Lernvorrichtung ausgeben soll.
  2. Maschinelle Lernvorrichtung nach Anspruch 1, wobei die Zustandsvariable der Laservorrichtung, wobei die Zustandsvariable durch die Zustandsbeobachtungseinheit beobachtet wird, mindestens eines umfasst von einer Materialkonfiguration, die einen Bearbeitungskopf der Laservorrichtung umfasst, eine Herstellungsinformation der Laservorrichtung oder einer Einheit und einer Komponente, welche die Laservorrichtung bilden, Ausgangsdaten, die eine Antriebsbedingung oder einen Antriebszustand der Laservorrichtung darstellen und von einem Sensor ausgegeben werden, der innerhalb oder außerhalb der Laservorrichtung installiert ist, einen Ereignisverlauf der Antriebsbedingung oder des Antriebszustands, einen Ereignisverlauf der Instandsetzung der Laservorrichtung, interne Daten einer Steuerungs-Software zum Steuern der Laservorrichtung, und Rechendaten, die basierend auf den Ausgangsdaten oder den internen Daten erzielt werden, und wobei die Ausgangsdaten mindestens eines umfassen von einer Lichtleistung von der Laservorrichtung oder dem Laseroszillator, einer Intensität des Reflexionslichts, das sich im Innern eines laseroptischen Systems, das eine optische Faser umfasst, in einer entgegengesetzten Richtung zu der des Laserausgangslichts ausbreitet, einem Treiberstrom oder einer Antriebsenergie eines Laserdiodenmoduls, das eine Erregerlichtquelle des Laseroszillators ist, einer Temperatur des Laserdiodenmoduls oder eines Teils, der mit dem Laserdiodenmodul thermisch verbunden ist, einer Temperatur einer Wärmesenke zum Unterdrücken eines Temperaturanstiegs des Laserdiodenmoduls, einer Art, einer Eigenschaft, einer Temperatur, einer Fließgeschwindigkeit und eines Drucks von Kühlmittel zum Abkühlen der Wärmesenke, einer Intensität von Schwingungen, einer Beschleunigung und einer Intensität des Aufpralls, die auf die Laservorrichtung angewendet werden, und Temperatur, Feuchtigkeit, Reinheit, Konzentration von Ölnebel und Konzentration von Schwebeteilchen der Umgebungsluft der Laservorrichtung.
  3. Maschinelle Lernvorrichtung nach Anspruch 1 oder 2, wobei die maschinelle Lernvorrichtung mindestens ein physikalisches Modell aufzeichnet, wobei das physikalische Modell mindestens einen Teil eines quantitativen Prinzips für das Auftreten von Fehlern darstellt, wobei das quantitative Prinzip für das Auftreten von Fehlern jedem Fehler in der Laservorrichtung entspricht und eine Kette von physikalischen Kausalbeziehungen, die eine Fehlerursache, die das Auftreten von Fehlern auslöst, und ein Ausmaß der Fehlerursache umfassen, einen Wert oder eine Variation einer spezifischen Zustandsvariablen in der Zustandsvariablen der Laservorrichtung, wobei der Wert oder die Variation durch die Fehlerursache bewirkt wird, ein physikalisches Phänomen oder ein physikalisches Prinzip, mit eine Beschädigung mit dem Wert oder der Variation der spezifischen Zustandsvariablen erzeugt wird, und einen Fehlerzustand, der eine Stelle oder eine Komponente darstellt, die bei dem physikalischen Phänomen oder dem physikalischen Prinzip beschädigt wird, und einen Zustand und ein Ausmaß der Beschädigung, umfasst, und mindestens eines von Einschätzen des quantitativen Prinzips für das Auftreten von Fehlern, das jedem Fehler entspricht, und von Lernen des quantitativen Prinzips für das Auftreten von Fehlern, das jedem Fehler entspricht, durch Bezugnahme auf das physikalische Modell ausführt.
  4. Maschinelle Lernvorrichtung nach Anspruch 3, wobei die Bestimmung der Richtigkeit des quantitativen Prinzips für das Auftreten von Fehlern, das mit Bezug auf jeden Fehler in der Laservorrichtung ausgegeben wird, basierend auf dem Vorliegen mindestens einer Übereinstimmung zwischen dem Vorliegen von Kongruenz zwischen einem Fehlerauftrittszustand, der durch einen Verwalter, einen Bediener oder eine Person, die für die Instandsetzung der Laservorrichtung verantwortlich ist, bestätigt wird, und einem Fehlerauftrittszustand, der in dem quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, der ausgegeben wird, und dem Vorliegen von Kohärenz, die durch Bezugnahme auf das physikalische Modell untersucht wird, zwischen dem bestätigten Fehlerauftrittszustand und dem physikalischen Phänomen oder dem physikalischen Prinzip, das in dem quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, das ausgegeben wird, erfolgt.
  5. Maschinelle Lernvorrichtung nach Anspruch 4, wobei die Lerneinheit mindestens ein Lernmodell aufweist, das ein Lernergebnis wiedergibt, und eine Fehlerberechnungseinheit und eine Einheit zum Aktualisieren eines Lernmodells umfasst, und wobei wenn es einen Unterschied zwischen dem Fehlerauftrittszustand, der bestätigt wird, und dem Fehlerauftrittszustand, der in dem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, gibt, die Lerneinheit eine erste Abweichung in Abhängigkeit von einer Größenordnung des Unterschieds berechnet und das Lernmodell in Abhängigkeit von der ersten Abweichung in der Einheit zum Aktualisieren eines Lernmodells aktualisiert, wenn der Fehlerauftrittszustand, der bestätigt wird, mit dem physikalischen Phänomen oder dem physikalischen Prinzip, das in dem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern in Kollatierung mit dem physikalischen Modell unvereinbar ist, die Lerneinheit eine zweite Abweichung berechnet und dabei berücksichtigt, dass eine Abweichung, die größer als die erste Abweichung ist, erzeugt wird, und die Einheit zum Aktualisieren eines Lernmodells das Lernmodell in Abhängigkeit von der Größenordnung der ersten oder zweiten Abweichung aktualisiert.
  6. Maschinelle Lernvorrichtung nach Anspruch 4, wobei die Lerneinheit mindestens eine Wertfunktion aufweist, die ein Lernergebnis wiedergibt, und eine Belohnungsberechnungseinheit und eine Einheit zum Aktualisieren einer Wertfunktion umfasst, und wobei wenn der Fehlerauftrittszustand, der bestätigt wird, mit dem Fehlerauftrittszustand, der in dem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, übereinstimmt, die Belohnungsberechnungseinheit eine positive Belohnung einstellt, wenn es einen Unterschied zwischen dem Fehlerauftrittszustand, der bestätigt wird, und dem Fehlerauftrittszustand, der in dem ausgegebenen quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, gibt, die Belohnungsberechnungseinheit eine erste negative Belohnung in Abhängigkeit von einer Größenordnung des Unterschieds einstellt, wenn der Fehlerauftrittszustand, der bestätigt wird, mit dem physikalischen Phänomen oder dem physikalischen Prinzip, das in dem quantitativen Prinzip für das Auftreten von Fehlern enthalten ist, das in Kollatierung mit dem physikalischen Modell eingeschätzt wird, unvereinbar ist, die Belohnungsberechnungseinheit eine zweite negative Belohnung einstellt, die größer als die erste negative Belohnung ist, und die Einheit zum Aktualisieren einer Wertfunktion die Wertfunktion in Abhängigkeit von der positiven Belohnung oder der ersten oder zweiten negativen Belohnung, die durch die Belohnungsberechnungseinheit eingestellt wird, aktualisiert.
  7. Maschinelle Lernvorrichtung nach Anspruch 6, wobei die Lerneinheit eine Mehrzahl von quantitativen Prinzipien für das Auftreten von Fehlern für einen Fehler, wie etwa nicht nur ein einziges quantitativen Prinzip für das Auftreten von Fehlern eines ersten Kandidaten sondern auch ein quantitatives Prinzip für das Auftreten von Fehlern eines zweiten Kandidaten und ein quantitatives Prinzip für das Auftreten von Fehlern eines dritten Kandidaten über die Entscheidungsfindungseinheit ausgibt, wenn die Lerneinheit den Fehler in der Laservorrichtung detektiert, die Belohnungsberechnungseinheit eine Belohnung einstellt, deren absoluter Wert relativ umso größer ist desto höher ein Kandidatenrang des quantitativen Prinzips für das Auftreten von Fehlern ist, und die Belohnungsberechnungseinheit eine Belohnung einstellt, deren absoluter Wert relativ umso kleiner ist desto niedriger der Kandidatenrang des quantitativen Prinzips für das Auftreten von Fehlern ist, wenn die Belohnungsberechnungseinheit eine positive oder negative Belohnung mit Bezug auf das quantitative Prinzip für das Auftreten von Fehlern jedes Kandidaten einstellt, und die Einheit zum Aktualisieren einer Wertfunktion die Wertfunktion in Abhängigkeit von der Belohnung, die durch die Belohnungsberechnungseinheit eingestellt wird, aktualisiert.
  8. Maschinelle Lernvorrichtung nach einem der Ansprüche 1 bis 7, wobei die maschinelle Lernvorrichtung auch eine Funktion als präventive Wartungsvorrichtung erfüllt, indem sie sich auf das quantitative Prinzip für das Auftreten von Fehlern, das jedem Fehler entspricht und durch Lernen erfasst wird, bezieht, und indem sie, wenn sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, der Laservorrichtung, die verbunden ist, um über das Netzwerk gegenseitig kommunizieren zu können, näher um mehr als einen vorbestimmten Umfang an einem Fehlerauftrittsbereich, in dem ein Fehler gemäß einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, befindet, der Steuereinheit der Laservorrichtung einen Befehl einer Antriebsbedingung zum Vermeiden von Fehlern erteilt, wobei die Antriebsbedingung zum Vermeiden von Fehlern eine Antriebsbedingung zum Verhindern des Auftreten eines Fehlers ist.
  9. Maschinelle Lernvorrichtung nach Anspruch 8, wobei die maschinelle Lernvorrichtung der Steuereinheit der Laservorrichtung befiehlt, die Laservorrichtung mit einer vorbestimmten Antriebsbedingung gemäß einem vorbestimmten Ablaufplan anzutreiben, die Zustandsvariable, wobei die Zustandsvariable Daten der Lichtleistungseigenschaft der Laservorrichtung, die bei jedem Antreiben der Laservorrichtung mit der vorbestimmten Antriebsbedingung erzielt werden, umfasst, als Ereignisverlaufsdaten der Zustandsvariablen der Laservorrichtung aufzeichnet, und die Ereignisverlaufsdaten, wobei die Ereignisverlaufsdaten aufgezeichnet werden, in eine Zustandsvariable, die durch die Zustandsbeobachtungseinheit beobachtet wird, übernimmt.
  10. Maschinelle Lernvorrichtung nach Anspruch 9, wobei die maschinelle Lernvorrichtung auch eine Funktion als präventive Wartungsvorrichtung erfüllt, indem sie sich auf das quantitative Prinzip für das Auftreten von Fehlern, das jedem Fehler entspricht und durch Lernen erfasst wird, bezieht, indem sie, wenn beobachtet wird, dass sich ein Wert einer beliebigen Zustandsvariablen oder ein Punkt, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, dem Fehlerauftrittsbereich, in dem ein Fehler nach einem beliebigen quantitativen Prinzip für das Auftreten von Fehlern auftritt, nähert, basierend auf dem Übergang des Wertes einer beliebigen Zustandsvariablen oder dem Bewegungsübergang des Punktes, dessen Koordinatenwerte Werte einer Mehrzahl von beliebigen Zustandsvariablen sind, die in den Ereignisverlaufsdaten enthalten sind, die Zeit, die benötigt wird, bis der Wert der Zustandsvariablen oder des Punktes, dessen Koordinatenwerte die Werts von der Zustandsvariablen sind, der sich dem Fehlerauftrittsbereich nähert, den Fehlerauftrittsbereich erreicht, wenn die Laservorrichtung mit einer normalen Antriebsbedingung angetrieben wird, d.h. die verbleibende Zeit bis zum Auftreten eines Fehlers, vorhersagt, und indem sie, wenn die verbleibende Zeit kürzer als die vorbestimmte Zeit wird, mindestens eines von der verbleibenden Zeit und dem quantitativen Prinzip für das Auftreten von Fehlern, mit dem vorhergesagt wird, dass ein Fehler nach Ablauf der verbleibenden Zeit auftreten wird, ausgibt.
  11. Maschinelle Lernvorrichtung nach einem der Ansprüche 1 bis 10, wobei für den Fall, dass sich eine beliebige Laservorrichtung, die verbunden ist, um über das Netzwerk gegenseitig kommunizieren zu können, in einem beliebigen Zustand befindet von einem Zustand, in dem die Laservorrichtung erneut mit dem Netzwerk verbunden wird, einem Zustand, in dem ein Installationsort der Laservorrichtung geändert wird, einem Zustand, in dem die Laservorrichtung eine Zeit lang nicht angetrieben wurde, die länger als eine vorbestimmte Pausenperiode ist, einem Zustand, in dem Komponenten der Laservorrichtung ausgetauscht werden, und einem Zustand, in dem Komponenten der Laservorrichtung justiert werden, und eine Zustandsvariable der Laservorrichtung nicht bekannt ist oder sich möglicherweise gegenüber dem vorherigen Antrieb geändert hat, der Steuereinheit dieser Laservorrichtung befohlen wird, die Laservorrichtung mit einer vorbestimmten Antriebsbedingung mit geringer Belastung anzutreiben, bevor die Laservorrichtung mit einer normalen Antriebsbedingung oder einer Antriebsbedingung mit hoher Belastung angetrieben wird, und eine Zustandsvariable, die bei dem Antreiben mit der Bedingung mit geringer Belastung erzielt wird, über die Zustandsbeobachtungseinheit beobachtet wird, auf das quantitative Prinzip für das Auftreten von Fehlern, das jedem Fehler entspricht und durch Lernen erfasst wird, Bezug genommen wird, und ein quantitatives Prinzip für das Auftreten von Fehlern, mit dem vorhergesagt wird, dass ein Fehler auftreten wird, für den Fall ausgegeben wird, dass vorhergesagt wird, dass der Fehler auftritt, wenn die Laservorrichtung mit der normalen Antriebsbedingung oder mit der Antriebsbedingung mit hoher Belastung angetrieben wird.
  12. Maschinelle Lernvorrichtung nach einem der Ansprüche 1 bis 11, wobei die maschinelle Lernvorrichtung eine Funktion erfüllt, indem sie sich auf ein quantitatives Prinzip für das Auftreten von Fehlern, wobei das quantitative Prinzip für das Auftreten von Fehlern jedem Fehler entspricht und durch Lernen erfasst wird, und die Häufigkeit des Auftretens eines Fehlers, die jedem quantitativen Prinzip für das Auftreten von Fehlern entspricht, bezieht und eine Liste mit einem Element, das bevorzugt zu verbessern ist, um die Häufigkeit des Auftretens eines Fehlers in der Laservorrichtung zu verringern, ausgibt.
  13. Maschinelle Lernvorrichtung nach einem der Ansprüche 1 bis 12, wobei die maschinelle Lernvorrichtung auf einem FOG-Server existiert, wobei der FOG-Server mindestens eine Zelle, die eine Mehrzahl von Vorrichtungen umfasst, die mindestens eine Laservorrichtung umfassen, über ein erstes Netzwerk steuert.
  14. Maschinelle Lernvorrichtung nach Anspruch 13, wobei die maschinelle Lernvorrichtung auf einem Cloud-Server existiert, wobei der Cloud-Server mindestens einen FOG-Server über das zweite Netzwerk steuert, wobei der FOG-Server mindestens eine Zelle, die eine Mehrzahl von Vorrichtungen umfasst, die mindestens eine Laservorrichtung umfassen, über das erste Netzwerk steuert.
  15. Maschinelle Lernvorrichtung nach einem der Ansprüche 1 bis 14, wobei es eine Mehrzahl von maschinellen Lernvorrichtungen gibt und die Mehrzahl von maschinellen Lernvorrichtungen ein Ergebnis des maschinellen Lernens untereinander austauscht und teilt.
DE102019000457.4A 2018-01-30 2019-01-23 Maschinelle lernvorrichtung zum lernen eines fehlerauftrittsprinzips einer laservorrichtung Granted DE102019000457A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-014132 2018-01-30
JP2018014132A JP6892400B2 (ja) 2018-01-30 2018-01-30 レーザ装置の故障発生メカニズムを学習する機械学習装置

Publications (1)

Publication Number Publication Date
DE102019000457A1 true DE102019000457A1 (de) 2019-08-01

Family

ID=67224312

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019000457.4A Granted DE102019000457A1 (de) 2018-01-30 2019-01-23 Maschinelle lernvorrichtung zum lernen eines fehlerauftrittsprinzips einer laservorrichtung

Country Status (4)

Country Link
US (1) US10990089B2 (de)
JP (1) JP6892400B2 (de)
CN (1) CN110091084B (de)
DE (1) DE102019000457A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020123479A1 (de) 2020-09-09 2022-03-10 Precitec Gmbh & Co. Kg Verfahren zur Zustandsüberwachung eines Laserbearbeitungskopfes und Laserbearbeitungssystem zum Durchführen desselben
EP4300234A1 (de) * 2022-06-29 2024-01-03 Siemens Aktiengesellschaft Überwachungsvorrichtung zur zustandsüberwachung einer maschine

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019001760A1 (de) * 2018-03-19 2019-09-19 Fanuc Corporation Informationsverarbeitungsgerät, maschinelle lernvorrichtungund system
US11334057B2 (en) * 2019-01-25 2022-05-17 Waygate Technologies Usa, Lp Anomaly detection for predictive maintenance and deriving outcomes and workflows based on data quality
JP2021037716A (ja) * 2019-09-04 2021-03-11 株式会社荏原製作所 機械学習装置、ａｍ装置、機械学習方法、および学習モデルの生成方法
US11334987B2 (en) * 2019-10-09 2022-05-17 Siemens Medical Solutions Usa, Inc. Physics-constrained network and training thereof
US11775860B2 (en) * 2019-10-15 2023-10-03 UiPath, Inc. Reinforcement learning in robotic process automation
JP7226388B2 (ja) * 2020-04-24 2023-02-21 トヨタ自動車株式会社 車両制御装置、車両制御方法及び車両制御用コンピュータプログラム
US20230266168A1 (en) * 2020-08-18 2023-08-24 Cymer, Llc Predictive calibration scheduling apparatus and method
JP7010343B1 (ja) * 2020-08-20 2022-01-26 トヨタ自動車株式会社 機械学習装置
CN113675706A (zh) * 2021-08-16 2021-11-19 中国工程物理研究院电子工程研究所 一种光纤激光器健康监测方法
CN117273392B (zh) * 2023-11-16 2024-02-09 四川省致链数字科技有限公司 家具生产决策方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015088079A (ja) 2013-11-01 2015-05-07 株式会社日立パワーソリューションズ 異常診断システム及び異常診断方法
JP2017033526A (ja) 2015-07-31 2017-02-09 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JP2017030221A (ja) 2015-07-31 2017-02-09 ファナック株式会社 射出成形機の異常診断装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060159140A1 (en) * 2005-01-17 2006-07-20 Fanuc Ltd Laser oscillator and method of estimating the lifetime of a pump light source
JP2015151880A (ja) * 2014-02-12 2015-08-24 いすゞ自動車株式会社 エンジン冷却システム
DE102016009030B4 (de) * 2015-07-31 2019-05-09 Fanuc Corporation Vorrichtung für maschinelles Lernen, Robotersystem und maschinelles Lernsystem zum Lernen eines Werkstückaufnahmevorgangs
JP6522488B2 (ja) * 2015-07-31 2019-05-29 ファナック株式会社 ワークの取り出し動作を学習する機械学習装置、ロボットシステムおよび機械学習方法
JP5997330B1 (ja) * 2015-07-31 2016-09-28 ファナック株式会社 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法
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
JP6360090B2 (ja) * 2016-03-10 2018-07-18 ファナック株式会社 機械学習装置、レーザ装置および機械学習方法
JP6625914B2 (ja) * 2016-03-17 2019-12-25 ファナック株式会社 機械学習装置、レーザ加工システムおよび機械学習方法
JP6140331B1 (ja) * 2016-04-08 2017-05-31 ファナック株式会社 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
JP6496274B2 (ja) * 2016-05-27 2019-04-03 ファナック株式会社 寿命故障条件を学習する機械学習装置，故障予知装置，機械システムおよび機械学習方法
JP6871842B2 (ja) * 2017-11-30 2021-05-19 三菱重工工作機械株式会社 加工シミュレーションの条件の適正化方法、加工シミュレーション装置、加工シミュレーションシステム及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015088079A (ja) 2013-11-01 2015-05-07 株式会社日立パワーソリューションズ 異常診断システム及び異常診断方法
JP2017033526A (ja) 2015-07-31 2017-02-09 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JP2017030221A (ja) 2015-07-31 2017-02-09 ファナック株式会社 射出成形機の異常診断装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020123479A1 (de) 2020-09-09 2022-03-10 Precitec Gmbh & Co. Kg Verfahren zur Zustandsüberwachung eines Laserbearbeitungskopfes und Laserbearbeitungssystem zum Durchführen desselben
WO2022053526A1 (de) * 2020-09-09 2022-03-17 Precitec Gmbh & Co. Kg Verfahren zur zustandsüberwachung eines laserbearbeitungskopfes und laserbearbeitungssystem zum durchführen desselben
EP4300234A1 (de) * 2022-06-29 2024-01-03 Siemens Aktiengesellschaft Überwachungsvorrichtung zur zustandsüberwachung einer maschine
WO2024002725A1 (de) * 2022-06-29 2024-01-04 Siemens Aktiengesellschaft Überwachungsvorrichtung zur zustandsüberwachung einer maschine

Also Published As

Publication number Publication date
CN110091084B (zh) 2022-06-21
CN110091084A (zh) 2019-08-06
JP2019130559A (ja) 2019-08-08
US10990089B2 (en) 2021-04-27
US20190235481A1 (en) 2019-08-01
JP6892400B2 (ja) 2021-06-23

Similar Documents

Publication Publication Date Title
DE102019000457A1 (de) Maschinelle lernvorrichtung zum lernen eines fehlerauftrittsprinzips einer laservorrichtung
DE102017105224B4 (de) Vorrichtung zum maschinellen lernen, laserbearbeitungssystem und maschinelles lernverfahren
DE102017000955B4 (de) Produktionssteuersystem und integriertes Produktionssteuersystem
DE102017101223B4 (de) Maschinenlernvorrichtung zum Lernen von Lichtabgabe-Befehlsdaten, die einen an eine Laserstromversorgungseinheit zum Start der Bearbeitung auszugebenden Lichtabgabebefehl enthalten, Laservorrichtung mit einer Maschinenlernvorrichtung sowie dazugehörige Maschinenlernverfahren
DE102016011532B4 (de) Maschinenlernvorrichtung und Maschinenlernverfahren zum Optimieren der Häufigkeit einer Werkzeugkorrektur einer Werkzeugmaschine und Werkzeugmaschine mit der Maschinenlernvorrichtung
DE102019000041A1 (de) Faserlaservorrichtung und maschinelle Lernvorrichtung
DE102017010799B4 (de) Maschinenlernvorrichtung zum Lernen einer Bearbeitungsreihenfolge eines Robotersystems mit einer Mehrzahl von Laserbearbeitungsrobotern, dazugehöriges Robotersystem sowie Maschinenlernverfahren zum Lernen einer Bearbeitungsreihenfolge des Robotersystems mit einer Mehrzahl von Laserbearbeitungsrobotern
DE112019001512T5 (de) EINSPRITZGIEßMASCHINENSYSTEM
DE102017108169B4 (de) Produktionssystem, das einen Bestimmungswert einer Variablen in Bezug auf eine Produktabweichung festlegt
DE102016010048B4 (de) Maschinelles lernverfahren und vorrichtung zum maschinellen lernen zum erlernen eines betriebsbefehls an einen elektromotor sowie steuerung und elektromotorvorrichtung einschliesslich vorrichtung zum maschinellen lernen
DE102018115413B4 (de) Gerät zur kompensation thermischer verschiebung und maschinenlernvorrichtung zum lernen von formmessdaten
DE102017011350A1 (de) Maschinenlernvorrichtung, lebensdauerprognosevorrichtung, numerische steuereinrichtung, produktionssystem und maschinenlernverfahren zum prognostizieren einer lebensdauer eines nand-flash-speichers
DE102017011463B4 (de) Maschinenlerneinrichtung zum Lernen eines Verfahrens zum Justieren eines optischen Teils einer Lichtquelleneinheit und Lichtquelleneinheitsherstellungsvorrichtung
DE102016009032A1 (de) Maschinenlerneinheit, Spindelersatzbeurteilungsvorrichtung, Steuerung, Werkzeugmaschine, Produktionssystem und maschinelles Lernverfahren, die zur Beurteilung der Notwendigkeit eines Spindelersatzes fähig sind
DE102018108779A1 (de) Schätzvorrichtung eines maschinellen Bearbeitungsfehlerfaktors
DE102019003601A1 (de) Vorrichtung zur Lebensdauervorhersage und Vorrichtung für maschinelles Lernen
DE102016015332A1 (de) Präventivwartungsverwaltungssystem und -verfahren zum Erstellen eines Wartungsplans einer Maschine sowie Zellensteuereinrichtung
DE102018108778A1 (de) Beschleunigungs- und Verzögerungssteuereinheit
DE102018129529A1 (de) Vorrichtung zum Arbeitermanagement
DE102018133196A1 (de) Bildbasierte wartungsvorhersage und detektion von fehlbedienungen
DE102020101669A1 (de) Lasersteuervorrichtung, lasersteuersystem, und laservorrichtung sowie lasersteuerverfahren
DE102018214170B4 (de) Maschinelles-lernen-vorrichtung, maschinelles-lernen-system und maschinelles lernverfahren
DE102018002781B4 (de) Schaltungskonfigurations-Optimierungsvorrichtung und maschinelle Lernvorrichtung
DE102008009970A1 (de) Batteriemanagementsystem
DE102019001044A1 (de) Steuervorrichtung und maschinelle lernvorrichtung

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