JP2017163036A - 機械学習装置、レーザ装置および機械学習方法 - Google Patents

機械学習装置、レーザ装置および機械学習方法 Download PDF

Info

Publication number
JP2017163036A
JP2017163036A JP2016047324A JP2016047324A JP2017163036A JP 2017163036 A JP2017163036 A JP 2017163036A JP 2016047324 A JP2016047324 A JP 2016047324A JP 2016047324 A JP2016047324 A JP 2016047324A JP 2017163036 A JP2017163036 A JP 2017163036A
Authority
JP
Japan
Prior art keywords
unit
result
prediction result
learning
light output
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
JP2016047324A
Other languages
English (en)
Other versions
JP6360090B2 (ja
Inventor
宏 瀧川
Hiroshi Takigawa
宏 瀧川
道徳 前田
Michitoku Maeda
道徳 前田
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
Priority to JP2016047324A priority Critical patent/JP6360090B2/ja
Priority to DE102017104438.8A priority patent/DE102017104438B4/de
Priority to US15/454,724 priority patent/US10242325B2/en
Priority to CN201710141433.2A priority patent/CN107181163B/zh
Publication of JP2017163036A publication Critical patent/JP2017163036A/ja
Application granted granted Critical
Publication of JP6360090B2 publication Critical patent/JP6360090B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H01S5/0014—Measuring characteristics or properties thereof
    • H01S5/0021—Degradation or life time measurements
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • H01S3/05—Construction or shape of optical resonators; Accommodation of active medium therein; Shape of active medium
    • H01S3/06—Construction or shape of active medium
    • H01S3/0602—Crystal lasers or glass lasers
    • 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
    • H01S3/09—Processes or apparatus for excitation, e.g. pumping
    • H01S3/091—Processes or apparatus for excitation, e.g. pumping using optical pumping
    • H01S3/094—Processes or apparatus for excitation, e.g. pumping using optical pumping by coherent light
    • H01S3/0941—Processes or apparatus for excitation, e.g. pumping using optical pumping by coherent light of a laser diode
    • 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
    • H01S3/10—Controlling the intensity, frequency, phase, polarisation or direction of the emitted radiation, e.g. switching, gating, modulating or demodulating
    • H01S3/102—Controlling the intensity, frequency, phase, polarisation or direction of the emitted radiation, e.g. switching, gating, modulating or demodulating by controlling the active medium, e.g. by controlling the processes or apparatus for excitation
    • H01S3/1022—Controlling the intensity, frequency, phase, polarisation or direction of the emitted radiation, e.g. switching, gating, modulating or demodulating by controlling the active medium, e.g. by controlling the processes or apparatus for excitation by controlling the optical pumping
    • 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
    • H01S5/02—Structural details or components not essential to laser action
    • H01S5/024—Arrangements for thermal management
    • H01S5/02407—Active cooling, e.g. the laser temperature is controlled by a thermo-electric cooler or water cooling
    • H01S5/02423—Liquid cooling, e.g. a liquid cools a mount of the laser
    • 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
    • H01S5/04—Processes or apparatus for excitation, e.g. pumping, e.g. by electron beams
    • H01S5/042—Electrical excitation ; Circuits therefor
    • 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
    • H01S5/06808—Stabilisation of laser output parameters by monitoring the electrical laser parameters, e.g. voltage or current
    • 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
    • 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
    • H01S5/40—Arrangement of two or more semiconductor lasers, not provided for in groups H01S5/02 - H01S5/30
    • H01S5/4025—Array arrangements, e.g. constituted by discrete laser diodes or laser bar

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Software Systems (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Plasma & Fusion (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Semiconductor Lasers (AREA)

Abstract

【課題】ＬＤＵの残存寿命の予測結果を含むＬＤＵ駆動条件データを学習する。【解決手段】ＬＤユニット駆動条件データを学習する機械学習装置（６）は、レーザ光の光出力検出部（７）と、駆動電流と光出力特性の測定結果との履歴を記録する光出力特性記録部（８）と、ＬＤユニット駆動条件データの履歴と前記レーザ装置の状態量の履歴を記録する駆動条件・状態量記録部（９）からの出力データを含む前記レーザ装置の前記状態量を観測する状態量観測部（１０）と、ＬＤユニットの特性の予測結果と各ＬＤユニットの光出力特性の測定結果を取得する動作結果取得部（１１）と、ＬＤユニット駆動条件データを、前記レーザ装置の前記状態量および前記ＬＤユニット駆動条件データの結果に関連付けて学習する学習部（１２）と、学習部の学習結果を参照して、残存寿命の前記予測結果を含む前記ＬＤユニット駆動条件データを決定する意思決定部（１３）とを含む。【選択図】図１

Description

本発明は、多数のレーザダイオード（ＬＤ）をレーザ光源、あるいはレーザ発振のための励起光源とするレーザ装置、そのようなレーザ装置のＬＤ駆動条件のデータを学習する機械学習装置および機械学習方法に関する。
ＬＤを使用した高出力レーザ装置では、多数のＬＤが必要である。このため、少なくとも一つ以上のＬＤを含む複数のレーザダイオードモジュール（ＬＤＭ）が準備される。そして、通常、レーザ装置は、複数のＬＤＭを含んでいて、独立して駆動可能な複数のレーザダイオードユニット（ＬＤＵ、ＬＤユニット）を備えている。
ＬＤが使用されるレーザ装置においては、ＬＤの残存寿命を把握する意義は大きく、複数の従来技術の文献が存在する。なお、残存寿命は、寿命が尽きるまでに残っている寿命を意味する。ただし、残存寿命は、ＬＤの後の駆動条件によって変化する場合がある。本願明細書における残存寿命は、標準駆動条件でレーザ装置を駆動した場合の残存寿命を意味するものとする。
例えば、特許文献１には、「特定の光出力を発光させるための駆動電流値を基準値とし、この基準値に対してそのｎ倍の駆動電流を発光素子交換のための劣化しきい値電流として、上記発光素子の寿命を予測する」ことが開示されている。
さらに、特許文献２には、「各レーザ発振器の出力が一定になるよう、かつ、前記加工点のパワーが予め定められている所定のパワーになるように制御し、また、励起用のＬＤの寿命予測をおこなっている」ことが開示されている。
さらに、特許文献３には、「半導体レーザの劣化による発熱量増加の時系列データを作成し、上記発熱量増加の時系列データに基づいて半導体レーザの寿命予測を行う」ことが開示されている。
さらに、特許文献４には、「パワーセンサが出力した信号が予め定められた条件を満たす場合に電源が励起光源に供給している電流値と、メモリに保存された稼動時間とを用いて、励起光源の寿命を推定する」ことが開示されている。
さらに、特許文献５には、使用により劣化した電流強度特性と理想特性との差分である特性変動量を許容変動量と比較して、レーザ光源の交換時期を予測することが開示されている。
さらに、特許文献６には、「レーザダイオードに所定の劣化閾値電流を超える駆動電流が流れた時間の累積時間が、周辺温度毎に予め定められている閾値時間を越えた場合に、レーザダイオードの寿命が近いとの判定を行う」ことが開示されている。
さらに、特許文献７には、「駆動電流時間積」を用いることにより「レーザダイオード素子１ａ、１ｂ、１ｃの劣化度合が実態に即した形で管理できる」ことが開示されている。
特開平８−２７９６４２号公報 特開２００５−２９４４９３号公報 特開２００５−３１７１７８号公報 特開２００６−２２２４１１号公報 特開２０１１−８６４９６号公報 特開２０１２−１５４４０号公報 特開２００５−３１７８４１号公報
しかしながら、特許文献１は、特定の光出力を発光させるための駆動電流が劣化しきい値電流を越えると寿命の終末期に至ったと判定しているだけであり、定量的な残存寿命を導出する方法は開示していない。
また、特許文献２は、残存寿命を導出する具体的な方法を開示していない。また、特許文献２には「各レーザ発振器の出力が一定になるように」という記載があることから、種々の光出力条件、つまり低出力から高出力、連続レーザ出力からパルスレーザ光出力までにより光源を駆動した場合には、正確な寿命予測はできない。
また、特許文献３に開示される技術は、光出力が一定の駆動条件の場合にのみ寿命予測が可能である。さらに、特許文献３の技術は、半導体レーザの劣化が顕在化して、発熱量が増加するまで寿命予測が行えない。
また、特許文献４においては、常に定格出力を行った条件下で稼働時間を積算している。このため、途中で異なる条件でレーザ装置を稼働した場合には、実効的な稼働時間を算出するのは困難である。
また、特許文献５では、劣化した電流強度特性を使用しているので、劣化が顕在化するまで残存寿命を推定できない。また、劣化速度が加速度的に変化する場合には、劣化が顕在化した後であっても、残存寿命を正確に算出するのは困難である。
また、特許文献６に開示される技術では、寿命の終わりに近づいたことは把握できるものの、レーザ装置の定量的な残存寿命を把握するのは困難である。
さらに、特許文献７では「駆動電流時間積」を用いているものの、駆動電流がｎ倍になったとしても寿命が１／ｎになるわけではない。このため、特許文献７においては正確な実効的駆動時間は算出されず、従って、定量的な残存寿命も求めることはできない。
また、光出力や駆動電流あるいはＬＤ温度等がある決まった標準値の駆動条件、すなわち標準駆動条件でＬＤを駆動した場合にはＬＤの生涯寿命を概ね把握することができる。そして、標準駆動条件に対して光出力やＬＤ駆動電流を何倍にすると、平均的な生涯寿命がどの程度短くなるかについても概ね知られている。さらに、標準駆動条件に対してＬＤの温度をどの程度上げると、平均的な生涯寿命がどの程度短くなるかについても概ね知られている。
しかしながら、ほぼ同一性能のＬＤについて、最初に１３Ａで３万時間駆動後、１０Ａで５万時間駆動してＬＤの寿命が尽きた場合、最初に１０Ａで５万時間駆動後、１３Ａで３万時間駆動してＬＤの寿命が尽きるのかは定かでない。
実際には、後者のＬＤを１０Ａで５万時間駆動後に１３Ａで駆動しているときに、３万時間以内にＬＤの寿命が尽きると可能性が高い。例えば、１０Ａの駆動電流での平均的な生涯寿命が１０万時間で、１３Ａの駆動電流での平均的な生涯寿命が５万時間であると仮定する。この場合、１３Ａの駆動電流での生涯寿命は１０Ａの駆動電流での生涯寿命よりも２倍の速度で減少している訳ではない。現実には、残存寿命が減少していくと、ＬＤがＬＤの劣化速度が速くなり、残存寿命の減少速度もより速くなると考えられる。
言い変えれば、１３Ａで駆動した場合の寿命初期における残存寿命の減少速度は、１０Ａで駆動した場合に比べて、２倍より小さい。そして、１３Ａで駆動した場合の寿命後期における残存寿命の減少速度は、１０Ａで駆動した場合に比べて、２倍より大きい。このため、全体的な生涯寿命は、１３Ａで駆動した場合と、１０Ａで駆動した場合との間に２倍の差がある。それゆえ、最初に１３Ａで３万時間駆動後に１０Ａで駆動した場合よりも、最初に１０Ａで５万時間駆動後に１３Ａで駆動した場合のほうが生涯寿命は短くなると判断できる。
このような駆動電流の増大に基づく残存寿命減少の加速率は、単なる駆動電流の関数ではなく、ＬＤ温度やＬＤ周辺の湿度等のレーザ装置の状態、ならびにそれまでのＬＤ駆動条件の履歴に影響されると考えられる。
このように、或る駆動条件でＬＤを駆動した時には、それまでのＬＤの駆動履歴や駆動時のＬＤの状態等の関連諸条件がＬＤの残存寿命に影響するので、ＬＤの残存寿命を正確に把握するのは難しい。このため、或る光出力指令に対して、複数のＬＤで指令通りの光出力を得ようとする場合には、全体として最も長寿命を実現するためには、各ＬＤにどのように駆動電流を割振れば良いかが正確には分からないという問題があった。そして、前述した従来技術においても、ＬＤの正確な残存寿命を導出することはできない。
ＬＤの駆動条件が様々に変化する場合に常に正確な残存寿命を導出するためには、人間がＬＤの駆動履歴やレーザ状態を色々振りながら、残存寿命の予測について試行錯誤を繰り返し、ＬＤの駆動履歴やレーザ状態によるＬＤの残存寿命への影響を調べる必要があった。また、このような試行錯誤を行ったとしても、残存寿命の見積りが正しいか否かは、寿命末期にならないと確認できない。
そして、寿命末期の残存寿命の見積り精度が向上すると、寿命末期よりも手前の時点における残存寿命の見積りが正しいか否かを判定できるようになる。このため、寿命初期の残存寿命まで精度良く見積れるようになるためには、極めて膨大なデータを積み上げる必要があり、その膨大なデータの中から残存寿命を予測する方法を抽出することは非常に困難であり、時間もかかる。
本発明はこのような事情に鑑みてなされたものであり、ＬＤＵの駆動によるＬＤＵの残存寿命の減少量が予測できるように、各ＬＤＵの残存寿命の予測結果を含むＬＤＵ駆動条件データを人間の介在無しに学習できる機械学習装置、レーザ装置および機械学習方法を提供することを目的とする。
前述した目的を達成するために１番目の発明によれば、少なくとも１つ以上のレーザダイオードモジュールを含む複数のＬＤユニットと、各ＬＤユニットに個別に駆動電流を供給する電源部と、前記電源部から前記各ＬＤユニットに注入する駆動電流を前記ＬＤユニット毎に独立に制御する制御部とを備え、複数の前記ＬＤユニットからのレーザ光をレーザ光源、あるいはレーザ発振のための励起光源として、レーザ光学系を経由してレーザ光を出射するレーザ装置の、前記電源部に指令する出力指令データを含むＬＤユニット駆動条件データを学習する機械学習装置であって、前記電源部と、レーザ光の光出力を測定するための少なくとも一つ以上の光出力検出部と、前記電源部から出力される駆動電流と前記光出力より求まる前記各ＬＤユニットの光出力特性の測定結果の履歴を記録する光出力特性記録部と、前記機械学習装置から出力された前記各ＬＤユニットの特性の予測結果として少なくとも各ＬＤユニットの残存寿命の予測結果を含む前記ＬＤユニット駆動条件データの履歴と前記レーザ装置の状態量の履歴を記録する駆動条件・状態量記録部からの出力データを含む前記レーザ装置の前記状態量を観測する状態量観測部と、前記駆動条件・状態量記録部に記録されている少なくとも前記各ＬＤユニットの残存寿命の予測結果を含む前記各ＬＤユニットの特性の予測結果と、前記各ＬＤユニットの光出力特性の測定結果を、前記ＬＤユニット駆動条件データの結果として取得する動作結果取得部と、前記状態量観測部からの出力および前記動作結果取得部からの出力を受取り、前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記ＬＤユニット駆動条件データを、前記レーザ装置の前記状態量および前記ＬＤユニット駆動条件データの結果に関連付けて学習する学習部と、前記学習部の学習結果を参照して、前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の前記予測結果を含む前記ＬＤユニット駆動条件データを決定する意思決定部を備えることを特徴とする機械学習装置が提供される。
２番目の発明によれば、１番目の発明において、前記機械学習装置から出力され、前記駆動条件・状態量記録部に記録される前記ＬＤユニット駆動条件データには、前記各ＬＤユニットの特性の予測結果として前記各ＬＤユニットの光出力特性の予測結果も含まれており、前記ＬＤユニット駆動条件データの結果として前記動作結果取得部が取得するデータに前記各ＬＤユニットの光出力特性の予測結果が含まれており、前記学習部が、前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の予測結果および光出力特性の予測結果を含む前記ＬＤユニット駆動条件データを、前記レーザ装置の前記状態量および前記ＬＤユニット駆動条件データの結果に関連付けて学習する。
３番目の発明によれば、１番目または２番目の発明において、前記学習部は、或る時点における前記各ＬＤユニットの光出力特性と、前記光出力特性記録部に記録されている前記或る時点までの前記各ＬＤユニットの光出力特性の履歴と、前記駆動条件・状態量記録部に記録されている前記或る時点までの前記ＬＤユニット駆動条件データの履歴および前記レーザ装置の前記状態量の履歴とに基づいて、各ＬＤユニットの特性の予測結果として少なくとも残存寿命の予測結果を含むＬＤユニット駆動条件データの学習結果を参照して、前記或る時点での前記各ＬＤユニットの残存寿命を推定する機能を有する。
４番目の発明によれば、１番目から３番目のいずれかの発明において、前記各ＬＤユニットおよび前記各ＬＤユニットと熱的に接続している部材のうちの少なくとも一方の温度を検出する少なくとも一つ以上の温度検出部からの出力データと、前記各ＬＤユニットを冷却するための冷媒の温度を検出する冷媒温度検出部からの出力データと、前記各ＬＤユニットの環境温度を検出する環境温度検出部からの出力データと、前記冷媒の流量を検出する流量検出部からの出力データと、前記各ＬＤユニットの環境湿度を検出する湿度検出器からの出力データとのうちの少なくとも一つの出力データが、前記状態観測部に入力される前記レーザ装置の前記状態量に含まれる。
５番目の発明によれば、１番目から４番目のいずれかの発明において、前記学習部は、前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記ＬＤユニット駆動条件データの価値を定める価値関数を有しており、前記機械学習装置は、さらに、報酬計算部を備え、該報酬計算部は、第一時点から該第一時点より後の第二時点までの間に各ＬＤユニットに指令された前記ＬＤユニット駆動条件データの結果として予測あるいは推定された前記各ＬＤユニットの残存寿命における前記第一時点での推定結果を起点として予測され、前記駆動条件・状態量記録部に記録されている前記第二時点に対する予測結果と前記第二時点の推定結果との差異が所定の値あるいは所定に比率より小さい場合には、差異あるいは比率に応じてプラスの報酬を与え、前記残存寿命の予測結果と推定結果との差異が所定の値あるいは所定の比率より大きい場合には、差異あるいは比率の大きさに応じてマイナスの報酬を与え、前記ＬＤユニット駆動条件データに前記各ＬＤユニットの特性の予測結果として光出力特性の予測結果を含む場合には、前記第一時点から前記第二時点迄の間に各ＬＤユニットに指令された前記ＬＤユニット駆動条件データの結果として取得した前記各ＬＤユニットの光出力特性における前記第一時点での測定結果を起点として予測され、前記駆動条件・状態量記録部に記録されている前記第二時点に対する予測結果と前記第二時点での測定結果との差異が所定の値あるいは所定の比率より小さい場合には、差異あるいは比率に応じてプラスの報酬を与え、前記光出力特性の予測結果と測定結果との差異が所定の値あるいは所定に比率より大きい場合は差異あるいは比率に応じてマイナスの報酬を与えており、前記機械学習装置は、さらに、前記報酬に応じて前記価値関数を更新する価値関数更新部を備える。
６番目の発明によれば、１番目から４番目のいずれかの発明において、前記学習部は、前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記ＬＤユニット駆動条件データを学習する学習モデルを有し、前記機械学習装置は、さらに、誤差計算部を備え、該誤差計算部は、前記第一時点から前記第二時点迄の間に各ＬＤユニットに指令された前記ＬＤユニット駆動条件データの結果として予測あるいは推定された前記各ＬＤユニットの残存寿命における前記第一時点での推定結果を起点として予測され、前記駆動条件・状態量記録部に記録されている前記第二時点に対する予測結果と前記第二時点での推定結果との誤差を計算し、更に、前記ＬＤユニット駆動条件データに前記各ＬＤユニットの特性の予測結果として光出力特性の予測結果を含む場合には、前記第一時点から前記第二時点迄の間に各ＬＤユニットに指令された前記ＬＤユニット駆動条件データの結果として取得した前記各ＬＤユニットの光出力特性における前記第一時点での測定結果を起点として予測され、前記駆動条件・状態量記録部に記録されている前記第二時点に対する予測結果と前記第二時点での測定結果との誤差を計算しており、前記機械学習装置は、さらに、前記誤差計算部と前記誤差に応じて前記学習モデルを更新する学習モデル更新部を備える。
７番目の発明によれば、１番目から６番目のいずれかの機械学習装置を備えたレーザ装置であって、前記各ＬＤユニットに駆動電流を供給する前記電源部、前記レーザ光学系、前記出力光検出部、前記光出力特性記録部、前記駆動条件・状態量記録部をそれぞれ制御する制御部を備えるレーザ装置が提供される。
８番目の発明によれば、７番目の発明において、前記制御部からの指令により、所定のスケジュールに沿って、前記各ＬＤユニットの駆動電流に対する印加電圧と光出力の関係を個別に測定して、前記光出力特性記録部に測定時点の前記各ＬＤユニットの光出力特性を追記していく。
９番目の発明によれば、７番目または８番目の発明において、複数の前記光出力検出部を備え、同時に、複数の前記ＬＤユニットの前記光出力特性を測定する。
１０番目の発明によれば、７番目から９番目のいずれかの発明において、前記学習部が、前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の前記予測結果を含む前記ＬＤユニット駆動条件データの結果として、学習結果を参照して推定した各ＬＤユニットの推定残存寿命を前記駆動条件・状態量記録部に追記していき、第三時点の前記推定残存寿命から、前記第三時点より後の第四時点の前記推定残存寿命を差し引いた時間を、前記第三時点から前記第四時点迄の各ＬＤユニットの実際の駆動時間を前記標準駆動条件における駆動時間に換算した各ＬＤユニットの実効的駆動時間として、前記時点第四時点おける各ＬＤユニットの前記推定残存寿命を前記第四時点における前記各ＬＤユニットの残存寿命として出力または表示する。
１１番目の発明によれば、７番目から１０番目のいずれかの発明において、前記レーザ装置に対する光出力指令に対して、前記学習部による学習結果を参照して、前記各ＬＤユニットの残存寿命と光出力特性の前記予測結果を含む前記ＬＤユニット駆動条件データを出力する前記意思決定部が、ＬＤユニットの駆動による前記各ＬＤユニットの前記残存寿命の減少量の合計が最小値になると予測されたＬＤユニット駆動条件データを出力する寿命最優先モード、前記各ＬＤユニットの前記残存寿命の減少量の合計が前記最小値に対して所定の倍率以下であると予測された条件範囲内で前記レーザ装置全体の光電変換効率が略最大効率になるＬＤユニット駆動条件データを出力する効率優先モード、前記レーザ装置全体の光電変換効率が最大効率から所定の低下率以下であるという条件範囲内で前記各ＬＤユニットの前記残存寿命の減少量の合計が最小値になると予測されたＬＤユニット駆動条件データを出力する寿命優先モード、前記各ＬＤユニットの前記残存寿命の減少量が前記各ＬＤユニットの前記残存寿命に比例すると予測されたＬＤユニット駆動条件データを出力する同時交換モードの４つの駆動条件モード内の少なくとも１つの駆動条件モードを選択する条件、あるいは、前記駆動条件モード間で駆動条件モードを切り替える条件に設定する。
１２番目の発明によれば、７番目から１１番目のいずれかの発明において、前記レーザ装置に対する光出力指令に対して、前記意思決定部が出力して、前記駆動条件・状態量記録部に記録された前記ＬＤユニット駆動条件データを、前記制御部が、読み出して、前記電源部、前記レーザ光学系、前記出力光検出部、前記光出力特性記録部に、前記電源部に指令する出力指令データを含む前記ＬＤユニット駆動条件データを出力する。
１３番目の発明によれば、７番目から１２番目のいずれかの発明において、前記レーザ装置が複数存在しており、前記レーザ装置のそれぞれに設けられた複数の前記機械学習装置が、通信媒体を介して相互にデータを共有または交換するようになっている。
１４番目の発明によれば、１３番目の発明において、前記機械学習装置を、通信媒体を介して複数の前記レーザ装置で共有する。
１５番目の発明によれば、前記電源部に指令する出力指令データおよび前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記ＬＤユニット駆動条件データを学習する機械学習方法であって、前記電源部と、光出力を測定するための少なくとも一つ以上の光出力検出部と、前記電源部から出力される駆動電流と前記光出力より求まる前記各ＬＤユニットの光出力特性の測定結果の履歴を記録する光出力特性記録部と、前記機械学習装置から出力された前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記ＬＤユニット駆動条件データの履歴と前記レーザ装置の前記状態量の履歴を記録する駆動条件・状態量記録部からの出力データを含む前記レーザ装置の前記状態量を観測し、前記駆動条件・状態量記録部に記録されている少なくとも前記各ＬＤユニットの残存寿命の予測結果を含む前記各ＬＤユニットの特性の予測結果と、前記各ＬＤユニットの光出力特性の測定結果を前記ＬＤユニット駆動条件データの結果として受取り、前記電源部に指令する出力指令データおよび前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記ＬＤユニット駆動条件データを、前記レーザ装置の前記状態量および前記ＬＤユニット駆動条件データの結果に関連付けて学習することを特徴とする機械学習方法が提供される。
１６番目の発明によれば、１５番目の発明において、前記機械学習装置から出力され、前記駆動条件・状態量記録部に記録される前記ＬＤユニット駆動条件データには、前記各ＬＤユニットの特性の予測結果として前記各ＬＤユニットの光出力特性の予測結果も含まれており、前記ＬＤユニット駆動条件データの結果として前記動作結果取得部が取得するデータに前記各ＬＤユニットの光出力特性の予測結果が含まれており、前記学習部が、前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の予測結果および光出力特性の予測結果を含む前記ＬＤユニット駆動条件データを、前記レーザ装置の前記状態量および前記ＬＤユニット駆動条件データの結果に関連付けて学習する。
１番目の発明においては、ＬＤＵ（ＬＤユニット）の駆動条件の履歴や光出力特性の履歴が異なる様々な条件下でのＬＤＵ駆動を通じて、各ＬＤＵの特性の予測結果として少なくとも残存寿命の予測結果を含むＬＤＵ駆動条件データをレーザ装置の状態量とＬＤＵ駆動条件データの結果に関連付けて学習することで、ＬＤＵの残存寿命の予測精度が向上し、様々な駆動条件で駆動されたＬＤＵに対しても残存寿命の変化を正確に予測した最適な駆動条件でＬＤＵを駆動できるようになる。
２番目の発明においては、少なくとも学習初期は、残存寿命については、寿命末期を除くと、残存寿命の予測結果が正しいか否かの検証が困難である。一方、光出力特性は、常に正確に測定できて予測の精度が検証できると共に、所定の光出力が所定の駆動電流では得られなくなった時点を寿命が尽き、残存寿命＝０時間とされるように、残存寿命と関連が深い。従って、ＬＤＵの特性の予測結果に光出力特性の予測結果も含めることによって、ＬＤＵの光出力特性の予測精度を向上させ、ＬＤＵの残存寿命の予測精度向上に繋げることができる。
３番目の発明においては、或る時点、例えば時点tｍにおいて、それまでの光出力特性やＬＤＵ駆動条件データやレーザ装置の前記状態量の履歴に加えて、上記或る時点での最新の前記各ＬＤＵの光出力特性のデータも考慮して、各ＬＤＵの残存寿命を推定することにより、それ以前の時点で予測した残存寿命より精度の高い残存寿命が得られる。
４番目の発明においては、ＬＤＵあるいはＬＤＵに熱的に接続している部材の温度を測定して、各ＬＤＵの温度条件をレーザ装置の状態量として取り入れている。これにより、例えば、冷媒の流入側から流出側にかけて、ＬＤＵの発熱により、冷媒温度が上昇して、温度勾配が発生するが、高温でＬＤＵを駆動するとＬＤＵの生涯寿命が短くなる等の温度条件も織り込んで適確なＬＤＵ駆動条件データの学習が可能になり、精度の良いＬＤＵの残留寿命の予測精度が向上する。また、ＬＤＭの寿命に影響する可能性のあるＬＤＵ周辺の温度や湿度も考慮して学習することが可能になる。
５番目の発明においては、学習部は、残存寿命の予測結果と推定結果との差異が小さいとプラスの報酬を与え、残存寿命の予測結果と推定結果との差異が大きいとマイナスの報酬を与えることによって残存寿命を精度良く予測できるように学習する。更に、光出力特性の予測結果と測定結果との差異が小さいとプラスの報酬を与え、光出力特性の予測結果と測定結果との差異が大きいとマイナスの報酬を与えることによって残存寿命と関連の深い光出力特性を精度良く予測できるようになり、残存寿命を予測精度向上に繋げることができる。環境に影響を及ぼし、環境から報酬という形でフィードバックを得ることで学習することによって、学習のための適切な入力データと出力データがペアで与えられなくても学習を進めることができる。
６番目の発明においては、学習部は、残存寿命の予測結果と推定結果との誤差を計算して、誤差が小さくなるように学習モデルを更新することによって、残存寿命を精度良く予測できるように学習する。更に、光出力特性の予測結果と測定結果との誤差を計算して、誤差が小さくなるように学習モデルを更新することによって、残存寿命と関連の深い光出力特性を精度良く予測できるようになり、残存寿命を予測精度向上に繋げることができる。学習のための適切な入力データと出力データのペアが与えられることによって、比較的容易に学習を進めることができる。
７番目の発明においては、機械学習装置を備えたレーザ装置により、例えば、レーザ装置へのある光出力指令に対して、各ＬＤＵの残存寿命の減少量の合計が最も小さくなるように、各ＬＤＵに駆動電流を割振る等の設定条件に対して、最適な駆動条件で各ＬＤＵを駆動することが可能になる。
８番目の発明においては、所定のスケジュールに沿って、各ＬＤＵを個別に駆動して各ＬＤＵの光出力特性を測定して光出力特性記録部に追記して行くことによって、光出力特性の測定間隔の間に機械学習装置から出力されたＬＤＵ駆動条件データの結果として光出力特性がどのように変わって行ったかという履歴が記録され、状態量観測部が光出力特性の履歴も含めたレーザ装置の状態量を受け取ることによって、光出力特性の履歴がＬＤＵ駆動条件データの結果に与える影響を正確に学習することができる。
９番目の発明においては、学習機会を増やすために、各ＬＤＵの光出力特性の測定は、レーザ装置への光出力指令の合間などを利用して、比較的頻繁に実施することが望ましい。そのため、光出力特性の測定は短時間に行えることが要求されるが、複数の光出力検出部を備えることによって、複数のＬＤＵの光出力特性の測定を同時に行うことが可能になり、全てのＬＤＵの光出力特性の測定に要する時間が短縮できる。
１０番目の発明においては、学習によって、それまでどのような駆動条件でＬＤＵを駆動してきても、その時点までのＬＤＵの駆動条件やレーザ装置の状態量等のあらゆる履歴も考慮された残存寿命が推定できるようになると、残存時間の変化量が、実際の駆動時間を標準駆動条件における駆動時間に換算した各ＬＤＵの実効的駆動時間になるので、寿命が尽きた時点で、標準駆動条件でのＬＤＵの寿命保証や平均的生涯寿命との精度の良い比較等が可能になり、ＬＤＵの信頼性の評価や改善に繋がる正確な寿命関連情報も得ることができるようになる。
１１番目の発明においては、ＬＤＵの駆動による残存寿命の減少量が正確に予想できるようになると、上記のような駆動条件モードによるＬＤＵの駆動が可能になる。寿命最優先モードを選択すると、長寿命なレーザ装置が実現でき、効率優先モードを選択すると寿命を考慮しながらも高効率なレーザ装置が実現でき、寿命優先モードを選択すると、効率を考慮しながらも長寿命なレーザ装置が実現でき、同時交換モードを選択すると、全ＬＤＵの寿命がほぼ同時に尽きるのでメンテナンス回数を減らせる。ユーザの要望にあった駆動条件モードを選んで設定できるので、顧客満足度が高くなる。途中で駆動条件モードを切り替え、例えば、寿命後期になって同時交換モードに切替えることによって、長寿命でありながら、ＬＤＵの交換時期は同じになる等の設定が可能である。
１２番目の発明においては、機械学習装置のプロセッサの性能にもよるが、レーザ装置に対して光出力指令が出てから、学習部が状態量観測部と動作結果取得部からデータを受取り、出力するＬＤＵ駆動条件データを決定するまでに時間を要する場合が考えられる。そのような場合、連続した複数の光出力指令に対してリアルタイムでレーザ光を出射していると、ＬＤＵ駆動条件データの決定が遅れ、レーザ光による加工がスムーズに行われない可能性がある。実際にレーザ光を出射する前に、一連の連続した光出力指令に対して、予め上記の処理を行い、出力するＬＤＵ駆動条件データを決定して、駆動条件・状態量記録部に記録し終わってから、制御部が、その記録を読み出して電源部を含むレーザ装置の各部にＬＤＵ駆動条件データに出力指令データを出力することによって、一連の光出力指令に対して間断なく指令通りのレーザ光を出射できるようになる。
１３番目の発明においては、各レーザ装置が取得した学習結果を含むデータを共有することによって、より短時間により精度の高い学習効果が得られ、より適切なＬＤＵ駆動条件データが出力できるようになる。
１４番目の発明においては、学習効果を共有できるだけでなく、データを集中管理すると共に、大規模な高性能プロセッサを利用して学習することが可能になり、学習速度、学習の精度が向上し、より適切なＬＤＵ駆動条件データが出力できる。また、出力するＬＤＵ駆動条件データの決定に要する時間も短縮できる。前記機械学習装置はクラウドサーバ上に存在しても良い。
１５番目の発明においては、１番目の発明と概ね同様な効果が得られる。
１６番目の発明においては、２番目の発明と概ね同様な効果が得られる。
添付図面に示される本発明の典型的な実施形態の詳細な説明から、本発明のこれら目的、特徴および利点ならびに他の目的、特徴および利点がさらに明解になるであろう。
本発明の一つの実施形態のレーザ装置の概念的な構成を示すブロック図である。 実際の駆動時間と寿命への負荷率との間の関係を示す図である。 データの流れを模式的に示すブロック図である。 温度検出部の配置例を示す図である。 データの流れを模式的に示す他のブロック図である。 データの流れを模式的に示すさらに他のブロック図である。 図１に示される機械学習装置の動作の一例を示す第一のフローチャートである。 図１に示される機械学習装置の動作の一例を示す第二のフローチャートである。 本発明の他の実施形態のレーザ装置の概念的な構成を示すブロック図である。 図８に示される機械学習装置の動作の一例を示す第一のフローチャートである。 図８に示される機械学習装置の動作の一例を示す第二のフローチャートである。 本発明のさらに他の実施形態のレーザ装置の概念的な構成を示すブロック図である。 ＬＤＵの推定された残存寿命と予測された残存寿命の推移との関係を示す図である。 光出力指定と機械学習装置による処理と光出力の時間の流れを模式的に表した図である。 ニューロンのモデルを模式的に示す図である。 図１３に示すニューロンを組合せて構成した３層のニューラルネットワークを模式的に示す図である。
以下、添付図面を参照して本発明の実施形態を説明する。以下の図面において同様の部材には同様の参照符号が付けられている。理解を容易にするために、これら図面は縮尺を適宜変更している。
図１は、本発明の一実施形態のレーザ装置１の概念的な構成を示すブロック図である。本実施形態のレーザ装置１は、少なくとも１つ以上のレーザダイオードモジュール（ＬＤＭ）を含む複数のレーザダイオードモジュールユニット２（ＬＤＵ、ＬＤユニット）と、各ＬＤＵ２に個別に駆動電流を供給可能な電源部３と、電源部３から各ＬＤＵ２に注入する駆動電流をＬＤＵ２毎に独立に制御可能な制御部４と、複数のＬＤＵ２からのレーザ光１４をレーザ光源、あるいはレーザ発振のための励起光源としてレーザ装置１からレーザ光１４を出射するためのレーザ光学系５と、レーザ光１４の光出力を測定するための光出力検出部７と、電源部３から出力される駆動電流と光出力より求まる各ＬＤＵ２の光出力特性の測定結果の履歴を記録した光出力特性記録部８と、電源部３と、各電源部３に指令する出力指令データと各ＬＤＵ２の特性の予測結果として少なくとも残存寿命の予測結果を含むＬＤＵ駆動条件データの履歴とレーザ装置１の状態量の履歴を記録した駆動条件・状態量記録部９と、機械学習装置６とを備える。ここで、機械学習装置６は、状態観測部１０と、動作結果取得部１１と、学習部１２と、意思決定部１３とを備える。
機械学習装置６は、光出力特性記録部８と駆動条件・状態量記録部９からの出力データを含むレーザ装置１の状態量を観測する状態量観測部からの出力と、駆動条件・状態量記録部９に記録されている少なくとも各ＬＤＵ２の残存寿命の予測結果を含むＬＤＵ２の特性の予測結果と、各ＬＤＵ２の光出力特性の測定結果を、ＬＤＵ駆動条件データの結果として取得する動作結果取得部１１からの出力を受取り、各ＬＤＵ２の特性の予測結果として少なくとも残存寿命の予測結果を含むＬＤＵ駆動条件データを、レーザ装置１の状態量およびＬＤＵ駆動条件データの結果に関連付けて学習部１２が学習し、学習部１２の学習結果を参照して、意思決定部１３が各電源部３に指令する出力指令データと各ＬＤＵ２の特性の予測結果として少なくとも残存寿命の予測結果を含むＬＤＵ駆動条件データを決定して出力する。
駆動条件を変えながら各ＬＤＵ２を駆動した場合には、残存寿命がどの程度減少するかは、駆動条件の履歴も影響を与えるため正確には把握できず、例えば、各ＬＤＵ２の残存寿命の合計の減少量が最小になる各ＬＤＵ２への駆動電流の割振り条件も正確には分からなかった。しかし、ＬＤＵ２の駆動条件の履歴や光出力特性の履歴が異なる様々な条件下でのＬＤＵ駆動を通じて、各ＬＤＵ２の特性の予測結果として少なくとも残存寿命の予測結果を含むＬＤＵ駆動条件データをレーザ装置１の状態量とＬＤＵ駆動条件データの結果に関連付けて学習することで、ＬＤＵ２の残存寿命の予測精度が向上し、様々な駆動条件で駆動されたＬＤＵ２に対しても残存寿命の変化を正確に予測した最適な駆動条件でＬＤＵ２を駆動できるようになる。
また、機械学習装置６から出力され、駆動条件・状態量記録部９に記録されるＬＤＵ駆動条件データに各ＬＤＵ２の特性の予測結果として各ＬＤＵ２の光出力特性の予測結果も含まれ、ＬＤＵ駆動条件データの結果として動作結果取得部１１が取得するデータに各ＬＤＵ２の光出力特性の予測結果が含まれ、学習部１２が、各ＬＤＵ２の特性の予測結果として少なくとも残存寿命の予測結果および光出力特性の予測結果を含むＬＤＵ駆動条件データを、レーザ装置１の状態量およびＬＤＵ駆動条件データの結果に関連付けて学習するもできる。光出力特性は、常に正確に測定できて予測の精度が検証できると共に、所定の光出力が所定の駆動電流では得られなくなった時点で寿命が尽き、残存寿命＝０時間とされるように、残存寿命と関連が深い。一方、残存寿命については、少なくとも学習初期は、寿命末期を除くと、残存寿命の予測結果が正しいか否かの検証が困難である。従って、ＬＤＵ２の特性の予測結果に光出力特性の予測結果も含めることによって、ＬＤＵ２の光出力特性の予測精度を向上させ、ＬＤＵ２の残存寿命の予測精度向上に繋げることが望ましい。
なお、残存寿命はどのような学習結果になるか全く分からない訳ではなく、ＬＤＵ２の標準駆動条件から駆動電流が異なっている場合、学習の結果、図２のような学習結果を獲得するものと予想される。図２において、横軸はＬＤＵ２の実際の駆動時間であり、縦軸は寿命への負荷率を表している。標準駆動電流は１０Ａであり、１０Ａで駆動した時の生涯寿命はｔLとし、１３Ａで駆動し続けた場合の生涯寿命はｔL／２であったとすると、１３Ａで駆動した時の寿命への平均的負荷率は２倍である。しかし、１３Ａで駆動した時の寿命への実際の負荷率は点線で示した平均的負荷率とは異なり、定性的には曲線で示したような形となり、実効的累積駆動時間が経過して、劣化が進む程、寿命への負荷率は大きくなると考えられる。１３Ａで駆動した時の寿命への実際の負荷率を時間0からｔL／２で積分した実効的累積駆動時間は確かにｔLになるが、平均的な寿命への負荷率で考えると、寿命の途中では実効的累積駆動時間を過大評価し、残存寿命を過小評価していることになるだけでなく、寿命後期では駆動電流を増やした時の寿命への負荷率の増加を過小評価して、特定のＬＤＵ２の残存寿命を予測以上に減少させてしまうという事態を招く恐れがある。従って、図２に示した曲線は概念を示しているだけだが、機械学習によって正しい関係を獲得することになる。ただ、ここでは標準駆動電流１０Ａに対して駆動電流が１３Ａの場合についてのみ説明したが、他の駆動電流についても正しい関係を獲得する必要があるだけでなく、後述のようにＬＤＵ２の温度等が異なる場合についても、正しい関係を獲得する必要があるので、様々な条件で駆動したＬＤＵ２の残存寿命を全生涯に亘って予測するには、やはり膨大なデータが必要であり、人間の介在無しに学習させる意味は大きいことに変わりは無い。
なお、意思決定部１３は、レーザ装置１に対する光出力指令に適合すると共に各ＬＤＵ２の駆動に関する設定条件（あるいは制約条件）がある場合は、設定条件にも適合するＬＤＵ駆動条件データを決定して出力する。例えば、各ＬＤＵ２の残存寿命の減少量の合計が最小になるようにＬＤＵ２を駆動するという条件が設定されている場合は、学習部１２の学習結果を参照して予測した各ＬＤＵ２の残存寿命の減少量の合計が最小になるように、各ＬＤＵ２に駆動電流を割振ったＬＤＵ駆動条件データを決定して出力する。各ＬＤＵ２の残存寿命の予測は、各ＬＤＵ２の特性の予測結果として少なくとも残存寿命の予測結果を含むＬＤＵ駆動条件データを、予測結果の誤差が小さくなるように学習すること等によって得られた学習結果を参照して行うことができる。具体的な学習方法は後述する。なお、各ＬＤＵ２の許容光出力範囲や光検出部からの出力とレーザ装置１からの光出力との関係等のレーザ装置１の基本情報は、制御部４等から予め機械学習装置６の状態観測部１０等に入力しておくことが望ましい。
ＬＤＵ駆動条件データに基づいて出射されるレーザ光１４は、パルス光でもＣＷ光でもＣＷ光にパルス光が重畳した波形でも良く、出力波形を限定するものではない。
なお、複数のＬＤＵ２からのレーザ光１４をそのままレーザ光源とするレーザ装置１としてはダイレクトダイオードレーザ装置等があり、複数のＬＤＵ２からのレーザ光１４を励起光源とするレーザ装置１にはファイバレーザ装置等があるが、これらのレーザ装置１に限定されるものではない。
図１において、白抜きの矢印はレーザ光１４の光線を模擬的に表しているが、空間を伝搬する光線に限定されず、例えば、光ファイバ内を伝搬する光線等も含めて模擬的に示している。レーザ装置１から出力されるレーザ光１４についても同様であり、レーザ光１４が光ファイバ内を伝搬して光ファイバの終端にレーザ光１４が加工対象物の略表面に焦点を結ぶように構成された加工ヘッドを備えた構造も含めた意味で模擬的に示している。
また、図１では、出力光検出部にはレーザ光学系５から光が入射しているように模式的に記載しているが、光が空間を伝搬している場合は、例えばハーブミラーで分岐させて光の一部を検出したり、光が光ファイバ内を伝搬している場合は、例えば光分岐器を使用して分岐した光ファイバの終端からの光を検出したり、光ファイバのクラッドから漏れ光を検出したりすることができ、出力光検出部への光の入射構造は図１に示した構造に限定されない。
また、ＬＤＵ２の個数は、図１に示したような４個には限定されない。複数であれば何個であっても良い。
更に、図１において、レーザ光学系５は、レーザ装置１内だけに存在するように記載されているが、例えば、レーザ装置１の外部にも延伸した状態で敷設されている光ファイバの終端に設置された加工ヘッドの光学も含めた意味で模擬的に表しており、このレーザ光学系５は、レーザ装置１から出力されたレーザ光１４が、例えば、加工対象物の略表面に焦点を結ぶようにするために利用される。従って、レーザ光学系５は、そのために必要な光結合や集光、焦点合わせ等の機能を有するものとする。また、ＬＤＵ２からのレーザ光１４を励起光源とするレーザ装置１においては、励起媒体も含まれるものとする。また、レーザ光学系５は制御部４よって加工対象物の表面からの焦点位置等が制御できるようになっていることが望ましい。
なお、図１においては、図が見難くなるので、制御部４からレーザ光学系５、出力光検出部、光出力特性記録部８、駆動条件・状態量記録部９、予測結果記録部の各部へ制御信号線および各部から制御部４への状態伝達線は省略している。
また、状態量観測部および動作結果取得部１１は、機能的なブロックであり、１つのブロックにより両者の機能を達成するものとして捉えることもできる。また、光出力特性記録部８および駆動条件・状態量記録部９も機能的なブロックであり、１つのブロックにより両者の機能を達成するものとして捉えることもできる。
更に、光出力特性記録部８および駆動条件・状態量記録部９は、その内の１つ以上を機械学習装置６内に設けても良く、全てを機械学習装置６内に設けても良い。
また、学習部１２は、図３にデータの流れをブロック図で模式的に示したように、各ＬＤＵ２の光出力特性を測定したある時点tｍで、時点tｍの光出力特性と、駆動条件・状態量記録部９に記録されている時点tｍまでのＬＤＵ駆動条件データの履歴とレーザ装置１の状態量の履歴と、光出力特性記録部８に記録されている時点tｍまでの各ＬＤＵ２の光出力特性の履歴から、各ＬＤＵ２の特性の予測結果として少なくとも残存寿命の予測結果を含むＬＤＵ駆動条件データの学習結果を参照して、時点tｍでの各ＬＤＵ２の残存寿命を推定する機能を有することが望ましい。ある時点tｍで、それまでの光出力特性やＬＤＵ駆動条件データやレーザ装置１の状態量の履歴に加えて、時点tｍでの最新の各ＬＤＵ２の光出力特性のデータも考慮して、各ＬＤＵ２の残存寿命を推定することにより、それ以前の時点で予測した残存寿命より精度の高い残存寿命が得られる。
また、機械学習装置６は、各ＬＤＵ２および／または各ＬＤＵ２と熱的に接続している部材の温度を検出する少なくとも一つ以上の温度検出部１７からの出力データと、各ＬＤＵ２を冷却するための冷媒の温度を検出する冷媒温度検出部からの出力データと、各ＬＤＵ２の環境温度を検出する環境温度検出部からの出力データと、 冷媒の流量を検出する流量検出部からの出力データと、各ＬＤＵ２の環境湿度を検出する湿度検出器からの出力データの内、少なくとも一つ以上の出力データを、状態観測部１０に入力されるレーザ装置１の状態量に含むことができる。
例えば、図４に示したように、ＬＤＵ２が熱的に接続している冷却板１８の配管１９内を太い矢印のように冷却水等の冷媒を流して、ＬＤＵ２を冷却していると、冷媒の流入側から流出側にかけて、ＬＤＵ２の発熱により、冷媒温度が上昇して、温度勾配が発生するが、各ＬＤＵ２近傍の冷却板１８の温度を温度検出部１７で測定して、各ＬＤＵ２の温度条件をレーザ装置１の状態量として取り入れることによって、高温で駆動すると寿命が短い等の温度条件も考慮して、精度の良い光出力特性や残存寿命の変化量の予測や適確な学習が可能になる。また、また、図４には記載していないが、ＬＤＵ２周辺に湿度検出部等を設置すれば、ＬＤＭの寿命に影響する可能性のあるＬＤＵ２周辺の湿度も考慮して学習することが可能になる。
以上のように、図１に記載した機械学習装置６においては、学習部１２は、図５にデータの流れをブロック図で模式的に示したように、各ＬＤＵ２の特性の予測結果として少なくとも残存寿命の予測結果を含むＬＤＵ駆動条件データの価値を定める価値関数を有し、ある時点taから時点taより後のある時点tb迄の間に各ＬＤＵ２に指令されたＬＤＵ駆動条件データの結果として予測あるいは推定された各ＬＤＵ２の残存寿命における時点taでの推定結果を起点として予測され、駆動条件・状態量記録部９に記録されている時点tbに対する予測結果と時点tbでの推定結果との差異（図５において、一番右側の両矢印の先にある予測残存寿命と推定残存寿命との差異）が所定の値あるいは所定に比率より小さい場合は差異の値あるいは比率の小ささに応じてプラスの報酬を与え、残存寿命の予測結果と推定結果との差異が所定の値あるいは所定の比率より大きい場合は差異の値あるいは比率の大きさに応じてマイナスの報酬を与え、更に、ＬＤＵ駆動条件データに各ＬＤＵ２の特性の予測結果として光出力特性の予測結果を含む場合は、図６にデータの流れをブロック図で模式的に示したように、時点taから時点tb迄の間に各ＬＤＵ２に指令されたＬＤＵ駆動条件データの結果として取得した各ＬＤＵ２の光出力特性における時点taでの測定結果を起点として予測され、駆動条件・状態量記録部９に記録されている時点tbに対する予測結果と時点tbでの測定結果との差異（図６において、上側の一番右側の両矢印の先にある上側の予測された光出力特性と下側の測定された光出力特性との差異）が所定の値あるいは所定の比率より小さい場合は差異の値あるいは比率の小ささに応じてプラスの報酬を与え、光出力特性の予測結果と測定結果との差異が所定の値あるいは所定に比率より大きい場合は差異の値あるいは比率の大きさに応じてマイナスの報酬を与える報酬計算部１５と、報酬に応じて価値関数を更新する価値関数更新部１６を備えることができる。なお、価値関数は１種類に限定されない。
学習部１２は、残存寿命の予測結果と推定結果との差異が小さいとプラスの報酬を与え、残存寿命の予測結果と推定結果との差異が大きいとマイナスの報酬を与えることによって残存寿命を精度良く予測できるように学習する。更に、光出力特性の予測結果と測定結果との差異が小さいとプラスの報酬を与え、残存寿命の予測結果と推定結果との差異が大きいとマイナスの報酬を与えることによって残存寿命と関連の深い光出力特性を精度良く予測できるようになり、残存寿命を予測精度向上に繋げることができる。
次に、本実施形態のレーザ装置１に備わる機械学習装置６の動作の一例を説明する。図７Ａおよび図７Ｂは、図１に示す機械学習装置６の動作の一例を示すフローチャートである。
図７Ａおよび図７Ｂに示されるように、図１に示す機械学習装置６において、学習動作（学習処理）が開始すると、まず、レーザ装置１への光出力指令がある否かを判定し（ステップＳ１０１）、レーザ装置１に光出力指令がある場合は、駆動条件・状態量記録部９と光出力特性記録場からの出力データを含むレーザ装置１の状態量を状態観測部１０で観測し（ステップＳ１０２）、学習部１２が、学習結果を反映した価値関数を参照して、電源部３での出力指令を含むＬＤＵ駆動電流データの実行による各ＬＤＵ２の少なくとも残存寿命の変化を予測して、レーザ装置１に設定された条件に合致し、少なくとも各ＬＤＵ２の残存寿命の予測結果を含むＬＤＵ駆動電流データを意思決定部１３から出力する（ステップＳ１０３）。意思決定部１３から出力された少なくとも各ＬＤＵ２の残存寿命の予測結果を含むＬＤＵ駆動電流データは駆動条件・状態量記録部９に追記されると共に制御部４に入力され（ステップＳ１０４）、制御部４は、電源部３への出力指令を含むＬＤＵ駆動電流データをレーザ装置１の電源部３を含む各部に出力し、ＬＤＵ２が駆動されてレーザ装置１からレーザ光１４が出射される（ステップＳ１０５）。その時点で、所定のスケジュールに沿って光出力特性を測定するタイミングか否かを判定する（ステップＳ１０６）。ステップＳ１０１における判定で、レーザ装置１に光出力指令がない場合は、ステップＳ１０６に進み、ステップＳ１０６における判定で、光出力特性を測定するタイミングでなければ、ステップＳ１０１に戻る。ステップＳ１０６における判定で、光出力特性を測定するタイミングであれば、電源部３から各ＬＤＵ２に供給された駆動電流と出力光検出部からの出力から各ＬＤＵ２の光出力特性を測定して、光出力特性記録部８に追記する（ステップＳ１０７）。
さらに、学習部１２が、各ＬＤＵ２の光出力特性を測定した時点での記駆動条件・状態量記録部９と光出力特性記録場からの出力データを含むレーザ装置１の状態量を状態観測部１０から受取ると共にＬＤＵ駆動電流データの結果として各ＬＤＵ２の光出力特性の測定結果とＬＤＵ駆動電流データに含まれている各ＬＤＵ２の特性の予測結果を動作結果取得部１１から受取り、学習結果を反映した価値関数を参照して、各ＬＤＵ２の残存寿命を推定する（ステップＳ１０８）。各ＬＤＵ２の残存寿命の推定結果とＬＤＵ駆動電流データに含まれていた各ＬＤＵ２の残存寿命の予測結果との差異を判定し（ステップＳ１０９）、報酬計算部１５は、各ＬＤＵ２の残存寿命の推定結果と予測結果の差異が所定の値あるいは所定の比率より小さい場合は差異の値あるいは比率の小ささに応じてプラスの報酬を与え（ステップＳ１１０）、残存寿命の予測結果と推定結果との差異が所定の値あるいは所定に比率より大きい場合は差異の値あるいは比率の大きさに応じてマイナスの報酬を与える（ステップＳ１１１）。続いて、ＬＤＵ駆動条件データに各ＬＤＵ２の光出力特性の予測結果も含まれているか否かを判定し（ステップＳ１１２）、ＬＤＵ駆動条件データに各ＬＤＵ２の光出力特性の予測結果も含まれている場合は、各ＬＤＵ２の光出力特性の予測結果と測定結果の差異を判定し（ステップＳ１１３）、報酬計算部１５は、各ＬＤＵ２の光出力特性の予測結果と測定結果との差異が所定の値あるいは所定の比率より小さい場合は差異の値あるいは比率の小ささに応じてプラスの報酬を与え（ステップＳ１１４）、光出力特性の予測結果と測定結果との差異が所定の値あるいは所定に比率より大きい場合は差異の値あるいは比率の大きさに応じてマイナスの報酬を与えて（ステップＳ１１５）、報酬に応じて価値関数更新部１６において、価値関数を更新して（ステップＳ１１６）、ステップＳ１０１に戻り、再度、ステップ１０１以降のフローを実行する。ステップＳ１１２の判定において、ＬＤＵ駆動条件データに各ＬＤＵ２の光出力特性の予測結果が含まれていない場合は、直接ステップＳ１１６に進む。
以上のステップＳ１０１〜Ｓ１１６を繰返すことにより、学習部１２は、価値関数あるいは後述の行動価値テーブルの更新を継続して、学習する。前述のように価値関数は１種類に限定されない。
なお、ＬＤＵ２の寿命が尽きた時は、残存寿命＝０時間であり、残存時間の予測結果との差異や誤差を評価する対象は、残存時間の推定結果ではなく、実際の残存時間（＝０時間）になる。また、ＬＤＵ２の光出力特性の測定のタイミングのよっては、光出力特性測定時より以前に既に寿命が尽きていたと推定される場合は、推定残存寿命がマイナス何時間であるとしても良い。
また、光出力特性の測定結果の変化が測定誤差より小さい場合等は、ＬＤＵ２の光出力特性の度に、価値関数や学習モデルの更新を行わず、駆動条件・状態量記録部９にＬＤＵ駆動条件データやレーザ装置１の状態量、残存寿命や光出力特性の予測結果の追記だけ行って、光出力特性の測定結果の変化が測定誤差より大きい所定の大きさになった時点で、報酬や誤差を計算して価値関数や学習モデルの更新を行っても良い。
機械学習には、教師あり学習、教師なし学習、強化学習などのアルゴリズムがあるが、行動（ＬＤＵ駆動条件データの出力）によって環境（各ＬＤＵ２の残存寿命等のレーザ装置１の状態量）に影響を及ぼすので、周囲の環境を観測することでどう行動すべきかを学習する強化学習が望ましいと考えられる。環境に影響を及ぼし、環境から報酬という形でフィードバックを得ることで学習するので、出力データとしてＬＤＵ２の残存寿命を直接的には与えることができず、学習のための適切な入力データと出力データがペアで与えられなくても、未知の学習領域を開拓していく行動と、既知の学習領域を利用して行く行動とをバランスよく選択できるという強化学習の特徴を活かして、一連の行動を通じて報酬が最も多く得られるような方策を学習することができる。
なお、残存寿命については、実際に寿命が尽きることによって残存寿命の予測が正確であったか否かが検証できる寿命末期から、寿命後期、寿命中期、寿命初期の方向に寿命を遡るように予測精度の良い範囲が広がって行くので、生涯に亘って精度の良い推定ができるように学習するまでには非常に膨大なデータを要すると考えられるので、教師あり学習で事前学習を行っても良い。
教師あり学習においては、図８に記載した機械学習装置６のように、学習部１２は、各ＬＤＵ２の特性の予測結果として少なくとも残存寿命の予測結果を含むＬＤＵ駆動条件データを学習する学習モデルを有し、時点taから時点tb迄の間に各ＬＤＵ２に指令されたＬＤＵ駆動条件データの結果として予測あるいは推定された各ＬＤＵ２の残存寿命における時点taでの推定結果を起点として予測され、駆動条件・状態量記録部９に記録されている時点tbに対する予測結果と時点tbでの推定結果との誤差（図５において、一番右側の両矢印の先にある予測残存寿命と推定残存寿命との誤差）を計算し、更に、ＬＤＵ駆動条件データに各ＬＤＵ２の特性の予測結果として光出力特性の予測結果を含む場合は、時点taから時点tb迄の間に各ＬＤＵ２に指令されたＬＤＵ駆動条件データの結果として取得した各ＬＤＵ２の光出力特性における時点taでの測定結果を起点として予測され、駆動条件・状態量記録部９に記録されている時点tbに対する予測結果と時点tbでの測定結果との誤差（図６において、上側の一番右側の両矢印の先にある上側の予測された光出力特性と下側の測定された光出力特性との誤差）を計算する誤差計算部２０と誤差に応じて学習モデルを更新する学習モデル更新部２１を備えることができる。
図８は、教師あり学習を適用したレーザ装置１の例を示し、前述した図１の比較から明らかなように、図８に示す教師あり学習を適用したレーザ装置１は、図１に示す強化学習を適用したレーザ装置１に対して、さらに、結果（ラベル）付きデータ記録部２２を備える。また、教師あり学習を適用したレーザ装置１における機械学習装置６は、状態量観測部と、動作結果取得部１１と、学習部１２と、意思決定部１３とを備え、学習部１２は、誤差計算部２０と、学習モデル更新部２１とを含んでいる。
学習部１２は、残存寿命の予測結果と推定結果との誤差を計算して、誤差が小さくなるように学習モデルを更新することによって、残存寿命を精度良く予測できるように学習する。更に、光出力特性の予測結果と測定結果との誤差を計算して、誤差が小さくなるように学習モデルを更新することによって、残存寿命と関連の深い光出力特性を精度良く予測できるようになり、残存寿命を予測精度向上に繋げることができる。学習のための適切な入力データと出力データのペアが与えられることによって、比較的容易に学習を進めることができる。
強化学習では、行動が引き起こす結果を全く知らない、または、不完全にしか知らない状態から学習を開始するが、前述のように、残存寿命を生涯に亘って精度の良い推定ができるように学習するまでには非常に膨大なデータを要すると考えられるので、教師あり学習で事前学習を行って、事前学習した状態を初期状態として、条件の良いスタート地点から強化学習をスタートさせることが望ましい。教師あり学習では、学習のための適切な入力データと出力データのペアが与えられ、入力データとそれに対応すべき出力データを写像する関数（学習モデル）を生成する。教師あり学習では、学習のための適切な入力データと出力データのペアが与えられるので、強化学習に比べると比較的学習が容易というメリットがある。教師あり学習においても、特に、学習初期においては、駆動電流が一定や生涯寿命の前半と後半で駆動電流が異なる以外は駆動電流が一定のような単純なＬＤＵ駆動条件データで学習を重ねることによって、ＬＤＵ駆動条件データとレーザ装置１の状態量とＬＤＵ駆動条件データの結果の基本的な関係を学習させるか、基本的な入力データと出力データのペアを結果（ラベル）付きデータ記録部２２に記録しておくことによって、スムーズに学習が進むようにすることが望ましい。
図９Ａおよび図９Ｂは、図８に示す機械学習装置６の動作の一例を示すフローチャートである。図９Ａおよび図９Ｂに示されるように、図８に示す機械学習装置６において、学習動作（学習処理）が開始すると、まず、レーザ装置１への光出力指令がある否かを判定し（ステップＳ２０１）、レーザ装置１に光出力指令がある場合は、駆動条件・状態量記録部９と光出力特性記録場からの出力データを含むレーザ装置１の状態量を状態観測部１０で観測し（ステップＳ２０２）、学習部１２が、学習結果を反映した学習モデルを参照して、電源部３での出力指令を含むＬＤＵ駆動電流データの実行による各ＬＤＵ２の少なくとも残存寿命の変化を予測して、レーザ装置１に設定された条件に合致し、少なくとも各ＬＤＵ２の残存寿命の予測結果を含むＬＤＵ駆動電流データを意思決定部１３から出力する（ステップＳ２０３）。意思決定部１３から出力された少なくとも各ＬＤＵ２の残存寿命の予測結果を含むＬＤＵ駆動電流データは駆動条件・状態量記録部９に追記されると共に制御部４に入力され（ステップＳ２０４）、制御部４は、電源部３への出力指令を含むＬＤＵ駆動電流データをレーザ装置１に出力し、ＬＤＵ２が駆動されてレーザ装置１からレーザ光１４が出射される（ステップＳ２０５）。その時点で、所定のスケジュールに沿って光出力特性を測定するタイミングか否かを判定する（ステップＳ２０６）。ステップＳ２０１における判定で、レーザ装置１に光出力指令がない場合は、ステップＳ２０６に進み、ステップＳ２０６における判定で、光出力特性を測定するタイミングでなければ、ステップＳ２０１に戻る。ステップＳ２０６における判定で、光出力特性を測定するタイミングであれば、電源部３から各ＬＤＵ２に供給された駆動電流と出力光検出部からの出力から各ＬＤＵ２の光出力特性を測定して、光出力特性記録部８に追記する（ステップＳ２０７）。
さらに、学習部１２が、各ＬＤＵ２の光出力特性を測定した時点での記駆動条件・状態量記録部９と光出力特性記録場からの出力データを含むレーザ装置１の状態量を状態観測部１０から受取ると共にＬＤＵ駆動電流データの結果として各ＬＤＵ２の光出力特性の測定結果とＬＤＵ駆動電流データに含まれている各ＬＤＵ２の特性の予測結果を動作結果取得部１１から受取り、学習結果を反映した学習モデルを参照して、各ＬＤＵ２の残存寿命を推定する（ステップＳ２０８）。誤差計算部２０は各ＬＤＵ２の残存寿命の推定結果とＬＤＵ駆動電流データに含まれていた各ＬＤＵ２の残存寿命の予測結果との誤差を計算する（ステップＳ２０９）。続いて、ＬＤＵ駆動条件データに各ＬＤＵ２の光出力特性の予測結果も含まれているか否かを判定し（ステップＳ２１０）、ＬＤＵ駆動条件データに各ＬＤＵ２の光出力特性の予測結果も含まれている場合は、各誤差計算部２０はＬＤＵ２の光出力特性の予測結果と測定結果の誤差を計算する（ステップＳ２１１）。続いて、学習モデル更新部２１は誤差に応じて学習モデルを更新して（ステップＳ２１２）、ステップＳ２０１に戻り、再度、ステップ１０１以降のフローを実行する。ステップＳ２１０の判定において、ＬＤＵ駆動条件データに各ＬＤＵ２の光出力特性の予測結果が含まれていない場合は、直接ステップＳ２１２に進む。
以上のステップＳ２０１〜Ｓ２１２を繰返すことにより、学習部１２は、学習モデルの更新を継続して、学習する。
なお、レーザ装置１においては、図５や図６に模式的なブロック図で示したように、制御部４からの指令により、所定のスケジュールに沿って、各ＬＤＵ２の駆動電流に対する印加電圧と光出力の関係を個別に測定して、光出力特性記録部８に測定時点の各ＬＤＵ２の光出力特性を追記していくことが望ましい。所定のスケジュールに沿って、各ＬＤＵ２を個別に駆動して各ＬＤＵ２の光出力特性を測定して光出力特性記録部８に追記して行くことによって、光出力特性の測定間隔の間に機械学習装置６から出力されたＬＤＵ駆動条件データの結果として光出力特性がどのように変わって行ったかという履歴が記録され、状態量観測部が光出力特性の履歴も含めたレーザ装置１の状態量を受け取ることによって、光出力特性の履歴がＬＤＵ駆動条件データの結果に与える影響を正確に学習することができる。また、各ＬＤＵ２の光出力特性を測定した時点での、各ＬＤＵ２の残存寿命の予測結果と推定結果の照合や各ＬＤＵ２の光出力特性の測定結果と予測結果の照合により、学習機会が増えて、各ＬＤＵ２の残存寿命や光出力特性の予測精度の向上が進む。
また、レーザ装置１が複数の光出力検出部７を備え、同時に、複数のＬＤＵ２の光出力特性が測定可能とすることが望ましい。何故なら、機械学習装置６の学習機会を増やすためには、各ＬＤＵ２の光出力特性の測定は、レーザ装置１への光出力指令の合間などを利用して、比較的頻繁に実施することが望ましい。そのため、光出力特性の測定は短時間に行えることが要求されるが、複数の光出力検出部７を備えることによって、複数のＬＤＵ２の光出力特性の測定を同時に行うことが可能になり、全てのＬＤＵ２の光出力特性の測定に要する時間が短縮できる。更には、全ＬＤＵ２の光出力特性を同時に測定できるようにするために、図１０に示したように、レーザ装置１から出射するレーザ光１４の光出力を測定する光出力検出部７に加えて、各ＬＤＵ２に対して、それぞれ少なくとも１つ以上の光出力検出部７を備えることが望ましい。各ＬＤＵ２に対して、それぞれ少なくとも１つ以上の光出力検出部７を備えることによって、被加工対象物（ワーク）のレーザ加工のためにレーザ装置１がレーザ光１４を出射している時でも、所定の駆動電流全範囲における各ＬＤＵ２の光出力の各駆動電流依存性のような完全な光出力特性は取得できないが、駆動中のある駆動電流に対する光出力は測定できるので、各ＬＤＵ２の光出力特性を測定することが可能になる。本明細書において、ＬＤＵ２の光出力特性測定に、このようなある一つの駆動電流に対するＬＤＵ２の光出力の測定を含めても良い。また、ＬＤＵ２の光出力特性の測定結果には、このようなある一つの駆動電流に対するＬＤＵ２の光出力の測定結果を含めても良い。
また、レーザ装置１は、学習部１２が、各ＬＤＵ２の特性の予測結果として少なくとも残存寿命の予測結果を含むＬＤＵ駆動条件データの結果として、学習結果を参照して推定した各ＬＤＵ２の推定残存寿命を駆動条件・状態量記録部９に追記していき、ある時点tsの推定残存寿命から、時点tsより後のある時点tpの推定残存寿命を差し引いた時間を、時点tsから時点tp迄の各ＬＤＵ２の実際の駆動時間を標準駆動条件における駆動時間に換算した各ＬＤＵ２の実効的駆動時間として、時点tpにおける各ＬＤＵ２の推定残存寿命を時点tpにおける各ＬＤＵ２の残存寿命として出力および／または表示することができる。
学習によって、それまでどのような駆動条件でＬＤＵ２を駆動してきても、その時点までのＬＤＵ２の駆動条件やレーザ装置１の状態量等のあらゆる履歴も考慮された残存寿命が推定できるようになると、図１１に模式的なグラフで示したように、残存時間の変化量が、実際の駆動時間を標準駆動条件における駆動時間に換算した各ＬＤＵ２の実効的駆動時間になる。各ＬＤＵ２の実効的駆動時間が分かると、時点tsが出荷前の所定の検査工程が完了した時点や出荷後初めてＬＤＵ２を駆動した時点であれば、実効的駆動時間は実効的累積駆動時間になるので、寿命がある間は、推定生涯寿命＝実効的累積駆動時間＋推定残存寿命が異常な値を示していないか等がチェックでき、寿命が尽きた時点では、標準駆動条件でのＬＤＵ２の寿命保証や平均的生涯寿命との精度の良い比較等が可能になり、ＬＤＵ２の信頼性の評価や改善に繋がる正確な寿命関連情報も得ることができるようになる。
また、レーザ装置１は、レーザ装置１に対する光出力指令に対して、学習部１２による学習結果を参照して、各ＬＤＵ２の残存寿命と光出力特性の予測結果を含むＬＤＵ駆動条件データを出力する意思決定部１３が、ＬＤＵ２の駆動による各ＬＤＵ２の残存寿命の減少量の合計が最小値になると予測されたＬＤＵ駆動条件データを出力する駆動条件モード（寿命最優先モード）、各ＬＤＵ２の残存寿命の減少量の合計が最小値に対して所定の倍率以下であると予測された条件範囲内でレーザ装置１全体の光電変換効率が略最大効率になるＬＤＵ駆動条件データを出力する駆動条件モード（効率優先モード）、レーザ装置１全体の光電変換効率が最大効率から所定の低下率以下であるという条件範囲内で各ＬＤＵ２の残存寿命の減少量の合計が最小値になると予測されたＬＤＵ駆動条件データを出力する駆動条件モード（寿命優先モード）、各ＬＤＵ２の残存寿命の減少量が各ＬＤＵ２の残存寿命に比例すると予測されたＬＤＵ駆動条件データを出力する駆動条件モード（同時交換モード）の４つの駆動条件モード内の少なくとも１つの駆動条件モードを選択する条件、あるいは、駆動条件モード間で駆動条件モードを切り替える条件に設定可能とすることができる。
ＬＤＵ２の駆動による残存寿命の減少量が正確に予想できるようになると、上記のような駆動条件モードによるＬＤＵ２の駆動が可能になる。寿命最優先モードを選択すると、長寿命なレーザ装置１が実現でき、効率優先モードを選択すると寿命を考慮しながらも高効率なレーザ装置１が実現でき、寿命優先モードを選択すると、効率を考慮しながらも長寿命なレーザ装置１が実現でき、同時交換モードを選択すると、全ＬＤＵ２の寿命がほぼ同時に尽きるのでＬＤＵ交換のためのメンテナンス回数を減らせるメリットがある。ユーザの要望にあった駆動条件モードを選んで設定できるので、顧客満足度が高くなる。途中で駆動条件モードを切り替え、例えば、寿命後期になって同時交換モードに切替えることによって、長寿命でありながら、ＬＤＵ２の交換時期は同じになる等の設定が可能である。なお、光電変換効率は、ＬＤＵ２の光出力特性測定時に、電源部３から各ＬＤＵ２に供給される駆動電流と共にＬＤＵ２への印加電圧を測定することによって、光電変換効率＝光出力／（駆動電流×印加電圧）から求められる。機械学習装置６は、制御部４に対して設定された上記のような条件を制御部４から受取り、レーザ装置１が指令された光出力を出射できると共に設定された条件に合致するＬＤＵ駆動条件データを決定して、出力する。
なお、光電変換効率の高いＬＤＵ２は、残存寿命が長く、駆動に伴う劣化（残存寿命の減少）も少ない傾向があるので、上記のいずれもモードを選択しても、光電変換効率の高いＬＤＵ２に駆動電流が多く割振られる傾向があると考えられるが、定量的にどの程度多く割振れば、希望するモードで各ＬＤＵ２を駆動できるかは明らかではない。
また、レーザ装置１は、レーザ装置１に対する光出力指令に対して、意思決定部１３が出力して、駆動条件・状態量記録部９に記録されたＬＤＵ駆動条件データを、制御部４が、読み出して、電源部３、レーザ光学系５、出力光検出部、光出力特性記録部８に、電源部３に指令する出力指令データを含むＬＤＵ駆動条件データを出力することができる。この場合、図１や図８あるいは図１０に示したレーザ装置１において、駆動条件・状態量記録部９から制御部４にＬＤＵ駆動条件データを出力する信号ラインを追加すると良い。
機械学習装置６のプロセッサの性能にもよるが、レーザ装置１に対して光出力指令が出てから、学習部１２が状態量観測部と動作結果取得部１１からデータを受取り、出力するＬＤＵ駆動条件データを決定するまでに時間を要する場合が考えられる。そのような場合、図１２に模式的に示したように、左側から右側への流れを表しているが、連続した複数の光出力指令に対してリアルタイムでレーザ光１４を出射していると、ＬＤＵ駆動条件データの決定が遅れ、レーザ光１４による加工がスムーズに行われない可能性がある。そこで、実際にレーザ光１４を出射する前に、一連の連続した光出力指令に対して、予め上記の処理を行い、出力するＬＤＵ駆動条件データを決定して、駆動条件・状態量記録部９に記録し終わってから、制御部４が、その記録を読み出して電源部３を含むレーザ装置１の各部にＬＤＵ駆動条件データに出力指令データを出力するようにすれば、一連の光出力指令に対して間断なく指令通りのレーザ光１４を出射できるようになる。
最後に、図１や図８あるいは図１０に示した機械学習装置６の学習方法について述べる。
機械学習装置６は、機械学習装置６に入力されたデータの集合の中にある有用な規則、ルール、知識表現、判断基準などを解析により抽出し、その判断結果を出力するとともに、知識の学習を行う機能を備えている。機械学習の手法は色々知られているが、「強化学習」、「教師あり学習」、「教師なし学習」等に大別できる。更に、これらの手法を実現するうえで、特徴量そのものの抽出を学習する、「深層学習（ディープラーニング：Deep Learning）」と呼ばれる手法がある。図１や図１０は、強化学習の機械学習装置６を備えたレーザ装置１の例、図８は教師あり学習の機械学習装置６を備えたレーザ装置１の例を示している。
強化学習とは、判定や分類だけではなく、行動を学習することにより、環境に行動が与える相互作用を踏まえて適切な行動を学習、すなわち将来的に得られる報酬を最大にするための学習する方法を学ぶものである。本実施形態において、例えば、ＬＤＵ駆動条件データの出力という行動の結果、ＬＤＵ２の劣化が進み、光出力特性が変化し、残存寿命が減少するという具合にレーザ装置１の状態量（環境）に影響及ぼし、周囲の環境を観測することでどう行動すべきかを学習するので、環境に影響を及ぼし、環境から報酬という形でフィードバックを得ることで学習するので強化学習の適用が考えられる。
しかし、強化学習は、行動が引き起こす結果を全く知らない、または、不完全にしか知らない状態から学習を開始するが、その状態から適切な行動を起こすのに充分な学習結果を獲得することは容易ではない。本発明において、ＬＤＵ２の残存寿命を生涯に亘って精度の良く推定できるように学習するまでには非常に膨大なデータを要すると考えられるので、学習のための適切な入力データと出力データのペアである結果（ラベル）付きデータが与えられる教師あり学習で事前学習を行い、教師あり学習等で事前学習を行った状態を初期状態として強化学習を開始させることが望ましい。
教師あり学習とは、ある入力と結果（ラベル）のデータの組を大量に機械学習装置６に与えることで、それらのデータセットにある特徴を学習し、入力から結果を推定するモデル、すなわちその関係性を帰納的に獲得する学習法である。なお、教師あり学習だけでも一定の学習効果があり、ある程度の精度でＬＤＵ２の残存寿命を予測できるようになると考えられるので、強化学習は不可欠という訳ではなく、機械学習を教師あり学習の範囲に留めることも考えられる。
教師なし学習とは、入力データのみを大量に学習装置に与えることで、入力データがどのような分布をしているか学習し、対応する教師出力データを与えなくても、入力データに対して圧縮・分類・整形などを行う装置で学習する手法である。「出力すべきもの」が予め決まっていないという点で教師有り学習とは異なる。データの背後に存在する本質的な構造を抽出するために用いられる。
まず、強化学習の適用について記載する。強化学習の問題設定は次のように考えられる。
・レーザ装置１の機械学習部１２は、レーザ装置１の状態を含む環境の状態を観測し、行動（ＬＤＵ駆動条件データの出力）を決定する。
・環境は、何らかの規則に従って変化し、更に、行動が、環境に変化を与えることもある。
・行動する度に、報酬信号が帰ってくる。
・最大化したいのは、将来にわたっての報酬の合計である。
・行動が引き起こす結果を全く知らない、または、不完全にしか知らない状態から学習を開始する。
強化学習の代表的な手法としては、Ｑ学習やＴＤ学習が知られている。以下、Ｑ学習の場合で説明するが、Ｑ学習に限定されるものではない。
Ｑ学習は、或る環境状態ｓの下で、行動ａを選択する価値Ｑ（ｓ，ａ）を学習する方法であって、ある状態ｓのとき、価値Ｑ（ｓ，ａ）の最も高い行動ａを最適な行動として選択すれば良い。しかし、最初は、状態ｓと行動ａとの組合せについて、価値Ｑ（ｓ，ａ）の正しい値は分かっていないので、エージェント（行動主体）は、ある状態ｓの下で様々な行動ａを選択し、その時の行動ａに対して、報酬が与えられる。それにより、エージェントは、より良い行動の選択、すなわち、正しい価値Ｑ（ｓ，ａ）を学習していく。
更に、行動の結果、将来にわたって得られる報酬の合計を最大化したいので、最終的にＱ（ｓ，ａ）＝Ｅ［Σ（γt）ｒt］となるようにすることを目指す。ここで”Ｅ［］”は期待値を表し、tは時刻、γは後述する割引率と呼ばれるパラメータ、ｒtは時刻tにおける報酬、Σは時刻tによる合計である。この式における期待値は、最適な行動に従って状態変化したときについてとるものとし、それは、分かっていないので、探索しながら学習することになる。このような価値Ｑ（ｓ，ａ）の更新式は、例えば、下記の式（１）により表すことができる。
即ち、価値関数更新部１６は、下記の式（１）を用いて価値関数Ｑ（ｓt，ａt）を更新する。
Figure 2017163036
ここで、ｓtは、時刻tにおける環境の状態を表し、ａtは、時刻tにおける行動を表す。行動ａtにより、状態はｓt+1に変化する。rt+1は、その状態の変化により得られる報酬を表している。また、ｍａｘの付いた項は、状態ｓt+1の下で、その時に分かっている最もＱ値の高い行動ａを選択した場合のＱ値にγを乗じたものになる。ここで、γは、０＜γ≦１のパラメータで、割引率と呼ばれる。また、αは、学習係数で、０＜α≦１の範囲とする。
上述した式（１）は、試行ａtの結果、帰ってきた報酬ｒt+1を元に、状態ｓtにおける行動ａtの評価値Ｑ（ｓt，ａt）を更新する方法を表している。すなわち、状態ｓにおける行動ａの評価値Ｑ（ｓt，ａt）よりも、報酬ｒt+1と行動ａによる次の状態における最良の行動ｍａｘ ａの評価値Ｑ（ｓt+1，ｍａｘ ａt+1）の合計の方が大きければ、Ｑ（ｓt，ａt）を大きくし、反対に小さければ、Ｑ（ｓt，ａt）を小さくすることを示している。つまり、ある状態におけるある行動の価値を、結果として即時帰ってくる報酬と、その行動による次の状態における最良の行動の価値に近付けるものである。
簡便のため学習係数及び割引率を１とすると、下記の式（２）のように表せる。
Figure 2017163036
この更新式は、環境ｓにおける行動ａの評価値Ｑ（ｓt，ａt）よりも、行動ａによる次の環境状態における最良の行動の評価値Ｑ（ｓt+1，ｍａｘ ａt+1）の方が大きければＱ（ｓt，ａt）を大きくし、逆に小さければＱ（ｓt，ａt）を小さくすることを示す。即ち、ある状態におけるある行動の価値を、それによる次の状態における最良の行動の価値に近づけるものである。
ここで、Ｑ（ｓ，ａ）の計算機上での表現方法は、すべての状態行動ペア（ｓ，ａ）に対して、その値を行動価値テーブルとして保持しておく方法と、Ｑ（ｓ，ａ）を近似するような関数を用意する方法がある。後者の方法では、前述の式（１）は、確率勾配降下法などの手法で近似関数のパラメータを調整していくことにより、実現することができる。なお、近似関数としては、ニューラルネットワークを用いることができる。
続いて、教師あり学習の適用について記載する。教師あり学習とは、ある入力と結果（ラベル）のデータの組を大量に機械学習装置６に与えることで、それらのデータセットにある特徴を学習し、入力から結果を推定するモデル、すなわちその関係性を帰納的に獲得するものである。
教師あり学習を行う機械学習器の動作は学習段階と予測段階の２つの段階がある。教師あり学習を行う機械学習器は、学習段階において、入力データとして用いられる状態変数（説明変数）の値と、出力データとして用いられる目的変数の値とを含む教師データを与えると、状態変数の値が入力された時に、目的変数の値を出力することを学習し、このような教師データをいくつも与えることにより、状態変数の値に対する目的変数の値を出力するための予測モデルを構築する。そして、教師あり学習を行う機械学習器は、予測段階において、新しい入力データ（状態変数）が与えられたとき、学習結果（構築された予測モデル）に従って、出力データ（目的変数）を予測して出力する。ここで、結果（ラベル）付きデータ記録部２２は、それまでに得られた結果（ラベル）付きデータを保持し、結果（ラベル）付きデータを誤差計算部２０に提供することができる。あるいは、レーザ装置１の結果（ラベル）付きデータを、メモリカードや通信回線等により、そのレーザ装置１の誤差計算部２０に提供することも可能である。
教師あり学習を行う機械学習器の学習の一例として、例えば以下の式（３）に示すような予測モデルの回帰式を設定し、学習の過程において各状態変数ｘ1，ｘ2，ｘ3，…が取る値を回帰式に当てはめた時に、目的変数ｙの値が得られるように、各係数ａ0，ａ1，ａ2，ａ3，…の値を調整することにより学習が進められる。なお、学習の方法はこれに限られるものではなく、教師あり学習のアルゴリズムごとに異なる。
Figure 2017163036
教師あり学習のアルゴリズムとしては、ニューラルネットワーク、最小二乗法、ステップワイズ法など様々な方法が周知となっており、本発明に適用する方法としていずれの教師あり学習アルゴリズムを採用しても良い。なお、それぞれの教師あり学習アルゴリズムは周知なので、本明細書における各アルゴリズムの詳細説明は省略する。
なお、前述のように、強化学習での価値関数の近似アルゴリズム、あるいは教師あり学習や教師なし学習の学習モデルとして、ニューラルネットワークを用いることができるので、機械学習装置６は、ニューラルネットワークを有することが好ましい。
図１３は、ニューロンのモデルを模式的に示す図であり、図１４は、図１３に示すニューロンを組み合わせて構成した三層のニューラルネットワークを模式的に示す図である。ニューラルネットワークは、図１３に示すようなニューロンのモデルを模した演算装置およびメモリ等で構成される。ニューロンは、複数の入力ｘに対する出力（結果）ｙを出力するものである。各入力ｘ（ｘ1〜ｘ3）には、この入力ｘに対応する重みｗ（ｗ1〜ｗ3）が掛けられ、ニューロンは、以下の式（４）により表現される結果ｙを出力する。なお、入力ｘ、結果ｙおよび重みｗは、すべてベクトルである。
Figure 2017163036
 ここで、θは、バイアスであり、ｆkは、活性化関数である。
図１４に示したように、ニューラルネットワークの左側から複数の入力ｘ（ｘ1〜ｘ3）が入力され、右側から結果ｙ（ｙ1〜ｙ3）が出力される。入力ｘ1〜ｘ3は、３つのニューロンＮ11〜Ｎ13の各々に対して、対応する重みが掛けられて入力される。これらの入力に掛けられる重みは、まとめてｗ１と表記している。
ニューロンＮ11〜Ｎ13は、それぞれ、ｚ11〜ｚ13を出力する。図１４において、これらｚ11〜ｚ13は、まとめて特徴ベクトルｚ１と表記され、入力ベクトルの特徴量を抽出したベクトルと見なすことができる。この特徴ベクトルｚ１は、重みｗ１と重みｗ２との間の特徴ベクトルである。ｚ11〜ｚ13は、２つのニューロンＮ21およびＮ22の各々に対して、対応する重みが掛けられて入力される。これらの特徴ベクトルに掛けられる重みは、まとめてｗ２と表記されている。ニューロンＮ21，Ｎ22は、それぞれｚ21，ｚ22を出力する。図１４において、これらｚ21，ｚ22は、まとめて特徴ベクトルｚ２と標記されている。この特徴ベクトルｚ２は、重みｗ２と重みｗ３との間の特徴ベクトルである。ｚ21，ｚ22は、３つのニューロンＮ31〜Ｎ33の各々に対して、対応する重みが掛けられて入力される。これらの特徴ベクトルに掛けられる重みは、まとめてｗ３と標記している。
最後に、ニューロンＮ31〜Ｎ33は、それぞれ、結果ｙ１〜結果ｙ３を出力する。ニューラルネットワークの動作には、学習モードと価値予測モードがあり、学習モードにおいて、学習データセットを用いて重みｗを学習し、そのパラメータを用いて予測モードにおいて、ＬＤＵ駆動条件データの出力の行動判断を行う。ここで、予測モードで実際にＬＤＵ駆動条件データの出力を行い、得られたデータを即時学習し、次の行動に反映させるオンライン学習も、予め収集しておいたデータ群を用いてまとめた学習を行い、以降はずっとそのパラメータで検知モードを行うバッチ学習も行うこともできる。ある程度データが溜まるたびに学習モードを挟むということも可能である。
また、重みｗ１〜ｗ３は、誤差逆伝播法（Backpropagation）により学習可能である。なお、誤差の情報は、右側から入り左側に流れる。誤差逆伝搬法は、各ニューロンについて、入力ｘが入力されたときの出力ｙと真の出力ｙ（教師）との差分を小さくするように、それぞれの重みを調整（学習）する手法である。
図１４のニューラルネットワークの中間層（隠れ層）は一層だが、２層以上にすることも可能であり、中間層が２層以上の場合は深層学習と呼ばれている。
以上、強化学習と教師あり学習の適用について述べてきたが、本発明に適用される機械学習方法は、これらの手法に限定されず、機械学習装置６で用いることが出来る手法である「教師あり学習」、「教師なし学習」、「半教師あり学習」および「強化学習」等といった様々な手法が適用可能である。
なお、上述した実施形態のレーザ装置１は、図１や図８あるいは図１０に示されるように１つのレーザ装置１に対して１つの機械学習装置６を備えたものである。しかし、本発明においては、レーザ装置１および機械学習装置６の各々の数は１つに限定されない。レーザ装置１が、複数台存在し、レーザ装置１毎にそれぞれ設けられた複数の機械学習装置６が、通信媒体を介して相互にデータを共有または交換することが好ましい。各レーザ装置１が取得した学習結果を含むデータを共有することによって、より短時間により精度の高い学習効果が得られ、より適切なＬＤＵ駆動条件データが出力できるようになる。
更に、機械学習装置６は、レーザ装置１内に在っても、レーザ装置１外に在っても良く、機械学習装置６を複数のレーザ装置１で共有しても良い。機械学習装置６はクラウドサーバ上に存在しても良い。学習効果を共有できるだけでなく、データを集中管理すると共に、大規模な高性能プロセッサを利用して学習することが可能になり、学習速度、学習の精度が向上し、より適切なＬＤＵ駆動条件データが出力できる。また、出力するＬＤＵ駆動条件データの決定に要する時間も短縮できる。これらの機械学習装置６には、汎用の計算機もしくはプロセッサを用いても良いが、ＧＰＧＰＵ（General-Purpose computing on Graphics Processing Units）や大規模ＰＣクラスター等を適用すると、より高速に処理することができる。
典型的な実施形態を用いて本発明を説明したが、当業者であれば、本発明の範囲から逸脱することなしに、前述した変更および種々の他の変更、省略、追加を行うことができるのを理解できるであろう。
１ レーザ装置
２ レーザダイオードモジュールユニット（ＬＤＵ、ＬＤユニット）
３ 電源部
４ 制御部
５ レーザ光学系
６ 機械学習装置
７ 出力光検出部
８ 光出力特性記録部
９ 駆動条件・状態量記録部９
１０ 状態観測部
１１ 動作結果取得部
１２ 学習部
１３ 意志決定部
１４ レーザ光
１５ 報酬計算部
１６ 価値関数更新部
１７ 温度検出部
１８ 冷却板
１９ 冷媒用配管
２０ 誤差計算部
２１ 学習モデル更新部
２２ 結果（ラベル）付きデータ記録部

Claims (16)

  1. 少なくとも１つ以上のレーザダイオードモジュールを含む複数のＬＤユニット（２）と、各ＬＤユニットに個別に駆動電流を供給する電源部（３）と、前記電源部から前記各ＬＤユニットに注入する駆動電流を前記ＬＤユニット毎に独立に制御する制御部（４）とを備え、複数の前記ＬＤユニットからのレーザ光をレーザ光源、あるいはレーザ発振のための励起光源として、レーザ光学系（５）を経由してレーザ光を出射するレーザ装置（１）の、前記電源部に指令する出力指令データを含むＬＤユニット駆動条件データを学習する機械学習装置（６）であって、
    前記電源部と、
    レーザ光の光出力を測定するための少なくとも一つ以上の光出力検出部（７）と、
    前記電源部から出力される駆動電流と前記光出力より求まる前記各ＬＤユニットの光出力特性の測定結果の履歴を記録する光出力特性記録部（８）と、
    前記機械学習装置から出力された前記各ＬＤユニットの特性の予測結果として少なくとも各ＬＤユニットの残存寿命の予測結果を含む前記ＬＤユニット駆動条件データの履歴と前記レーザ装置の状態量の履歴を記録する駆動条件・状態量記録部（９）からの出力データを含む前記レーザ装置の前記状態量を観測する状態量観測部（１０）と、
    前記駆動条件・状態量記録部に記録されている少なくとも前記各ＬＤユニットの残存寿命の予測結果を含む前記各ＬＤユニットの特性の予測結果と、前記各ＬＤユニットの光出力特性の測定結果を、前記ＬＤユニット駆動条件データの結果として取得する動作結果取得部（１１）と、
    前記状態量観測部からの出力および前記動作結果取得部からの出力を受取り、前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記ＬＤユニット駆動条件データを、前記レーザ装置の前記状態量および前記ＬＤユニット駆動条件データの結果に関連付けて学習する学習部（１２）と、
    前記学習部の学習結果を参照して、前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の前記予測結果を含む前記ＬＤユニット駆動条件データを決定する意思決定部（１３）を備えることを特徴とする機械学習装置。
  2. 前記機械学習装置から出力され、前記駆動条件・状態量記録部に記録される前記ＬＤユニット駆動条件データには、前記各ＬＤユニットの特性の予測結果として前記各ＬＤユニットの光出力特性の予測結果も含まれており、
    前記ＬＤユニット駆動条件データの結果として前記動作結果取得部が取得するデータに前記各ＬＤユニットの光出力特性の予測結果が含まれており、
    前記学習部が、前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の予測結果および光出力特性の予測結果を含む前記ＬＤユニット駆動条件データを、前記レーザ装置の前記状態量および前記ＬＤユニット駆動条件データの結果に関連付けて学習することを特徴とする請求項１に記載の機械学習装置。
  3. 前記学習部は、或る時点における前記各ＬＤユニットの光出力特性と、前記光出力特性記録部に記録されている前記或る時点までの前記各ＬＤユニットの光出力特性の履歴と、前記駆動条件・状態量記録部に記録されている前記或る時点までの前記ＬＤユニット駆動条件データの履歴および前記レーザ装置の前記状態量の履歴とに基づいて、各ＬＤユニットの特性の予測結果として少なくとも残存寿命の予測結果を含むＬＤユニット駆動条件データの学習結果を参照して、前記或る時点での前記各ＬＤユニットの残存寿命を推定する機能を有することを特徴とする請求項１または２に記載の機械学習装置。
  4. 前記各ＬＤユニットおよび前記各ＬＤユニットと熱的に接続している部材のうちの少なくとも一方の温度を検出する少なくとも一つ以上の温度検出部からの出力データと、前記各ＬＤユニットを冷却するための冷媒の温度を検出する冷媒温度検出部からの出力データと、前記各ＬＤユニットの環境温度を検出する環境温度検出部からの出力データと、前記冷媒の流量を検出する流量検出部からの出力データと、前記各ＬＤユニットの環境湿度を検出する湿度検出器からの出力データとのうちの少なくとも一つの出力データが、前記状態観測部に入力される前記レーザ装置の前記状態量に含まれることを特徴とする請求項１から３のいずれか一項に記載の機械学習装置。
  5. 前記学習部は、前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記ＬＤユニット駆動条件データの価値を定める価値関数を有しており、
    前記機械学習装置は、さらに、報酬計算部（１５）を備え、
    該報酬計算部は、第一時点から該第一時点より後の第二時点までの間に各ＬＤユニットに指令された前記ＬＤユニット駆動条件データの結果として予測あるいは推定された前記各ＬＤユニットの残存寿命における前記第一時点での推定結果を起点として予測され、前記駆動条件・状態量記録部に記録されている前記第二時点に対する予測結果と前記第二時点の推定結果との差異が所定の値あるいは所定に比率より小さい場合には、差異あるいは比率に応じてプラスの報酬を与え、
    前記残存寿命の予測結果と推定結果との差異が所定の値あるいは所定の比率より大きい場合には、差異あるいは比率の大きさに応じてマイナスの報酬を与え、
    前記ＬＤユニット駆動条件データに前記各ＬＤユニットの特性の予測結果として光出力特性の予測結果を含む場合には、前記第一時点から前記第二時点迄の間に各ＬＤユニットに指令された前記ＬＤユニット駆動条件データの結果として取得した前記各ＬＤユニットの光出力特性における前記第一時点での測定結果を起点として予測され、前記駆動条件・状態量記録部に記録されている前記第二時点に対する予測結果と前記第二時点での測定結果との差異が所定の値あるいは所定の比率より小さい場合には、差異あるいは比率に応じてプラスの報酬を与え、
    前記光出力特性の予測結果と測定結果との差異が所定の値あるいは所定に比率より大きい場合は差異あるいは比率に応じてマイナスの報酬を与えており、
    前記機械学習装置は、さらに、前記報酬に応じて前記価値関数を更新する価値関数更新部（１６）を備えることを特徴とする請求項１から４のいずれか一項に記載の機械学習装置。
  6. 前記学習部は、前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記ＬＤユニット駆動条件データを学習する学習モデルを有し、
    前記機械学習装置は、さらに、誤差計算部（２０）を備え、
    該誤差計算部は、前記第一時点から前記第二時点迄の間に各ＬＤユニットに指令された前記ＬＤユニット駆動条件データの結果として予測あるいは推定された前記各ＬＤユニットの残存寿命における前記第一時点での推定結果を起点として予測され、前記駆動条件・状態量記録部に記録されている前記第二時点に対する予測結果と前記第二時点での推定結果との誤差を計算し、更に、前記ＬＤユニット駆動条件データに前記各ＬＤユニットの特性の予測結果として光出力特性の予測結果を含む場合には、前記第一時点から前記第二時点迄の間に各ＬＤユニットに指令された前記ＬＤユニット駆動条件データの結果として取得した前記各ＬＤユニットの光出力特性における前記第一時点での測定結果を起点として予測され、前記駆動条件・状態量記録部に記録されている前記第二時点に対する予測結果と前記第二時点での測定結果との誤差を計算しており、
    前記機械学習装置は、さらに、前記誤差計算部と前記誤差に応じて前記学習モデルを更新する学習モデル更新部（２１）を備えることを特徴とする請求項１から４のいずれか一項に記載の機械学習装置。
  7. 請求項１から６のいずれか一項に記載の機械学習装置を備えたレーザ装置であって、
    前記各ＬＤユニットに駆動電流を供給する前記電源部、前記レーザ光学系、前記出力光検出部、前記光出力特性記録部、前記駆動条件・状態量記録部をそれぞれ制御する制御部を備えることを特徴とするレーザ装置。
  8. 前記制御部からの指令により、所定のスケジュールに沿って、前記各ＬＤユニットの駆動電流に対する印加電圧と光出力の関係を個別に測定して、前記光出力特性記録部に測定時点の前記各ＬＤユニットの光出力特性を追記していくことを特徴とする請求項７に記載のレーザ装置。
  9. 複数の前記光出力検出部を備え、同時に、複数の前記ＬＤユニットの前記光出力特性を測定することを特徴とする請求項７または８に記載のレーザ装置。
  10. 前記学習部が、前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の前記予測結果を含む前記ＬＤユニット駆動条件データの結果として、学習結果を参照して推定した各ＬＤユニットの推定残存寿命を前記駆動条件・状態量記録部に追記していき、
    第三時点の前記推定残存寿命から、前記第三時点より後の第四時点の前記推定残存寿命を差し引いた時間を、前記第三時点から前記第四時点迄の各ＬＤユニットの実際の駆動時間を前記標準駆動条件における駆動時間に換算した各ＬＤユニットの実効的駆動時間として、前記時点第四時点おける各ＬＤユニットの前記推定残存寿命を前記第四時点における前記各ＬＤユニットの残存寿命として出力または表示することを特徴とする請求項７から９のいずれか一項に記載のレーザ装置。
  11. 前記レーザ装置に対する光出力指令に対して、前記学習部による学習結果を参照して、前記各ＬＤユニットの残存寿命と光出力特性の前記予測結果を含む前記ＬＤユニット駆動条件データを出力する前記意思決定部が、ＬＤユニットの駆動による前記各ＬＤユニットの前記残存寿命の減少量の合計が最小値になると予測されたＬＤユニット駆動条件データを出力する寿命最優先モード、前記各ＬＤユニットの前記残存寿命の減少量の合計が前記最小値に対して所定の倍率以下であると予測された条件範囲内で前記レーザ装置全体の光電変換効率が略最大効率になるＬＤユニット駆動条件データを出力する効率優先モード、前記レーザ装置全体の光電変換効率が最大効率から所定の低下率以下であるという条件範囲内で前記各ＬＤユニットの前記残存寿命の減少量の合計が最小値になると予測されたＬＤユニット駆動条件データを出力する寿命優先モード、前記各ＬＤユニットの前記残存寿命の減少量が前記各ＬＤユニットの前記残存寿命に比例すると予測されたＬＤユニット駆動条件データを出力する同時交換モードの４つの駆動条件モード内の少なくとも１つの駆動条件モードを選択する条件、あるいは、前記駆動条件モード間で駆動条件モードを切り替える条件に設定することを特徴とする請求項７から１０のいずれか一項に記載のレーザ装置。
  12. 前記レーザ装置に対する光出力指令に対して、前記意思決定部が出力して、前記駆動条件・状態量記録部に記録された前記ＬＤユニット駆動条件データを、前記制御部が、読み出して、前記電源部、前記レーザ光学系、前記出力光検出部、前記光出力特性記録部に、前記電源部に指令する出力指令データを含む前記ＬＤユニット駆動条件データを出力することを特徴とする請求項７から１１のいずれか一項に記載のレーザ装置。
  13. 前記レーザ装置が複数存在しており、
    前記レーザ装置のそれぞれに設けられた複数の前記機械学習装置が、通信媒体を介して相互にデータを共有または交換するようになっていることを特徴とする請求項７から１２のいずれか一項に記載のレーザ装置。
  14. 前記機械学習装置を、通信媒体を介して複数の前記レーザ装置で共有することを特徴とする請求項１３に記載のレーザ装置。
  15. 電源部（３）に指令する出力指令データおよび各ＬＤユニット（２）の特性の予測結果として少なくとも残存寿命の予測結果を含む前記ＬＤユニット駆動条件データを学習する機械学習方法であって、
    前記電源部と、
    光出力を測定するための少なくとも一つ以上の光出力検出部（７）と、
    前記電源部から出力される駆動電流と前記光出力より求まる前記各ＬＤユニットの光出力特性の測定結果の履歴を記録する光出力特性記録部（８）と、
    機械学習装置（６）から出力された前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記ＬＤユニット駆動条件データの履歴とレーザ装置（１）の前記状態量の履歴を記録する駆動条件・状態量記録部（９）からの出力データを含む前記レーザ装置の前記状態量を観測し、
    前記駆動条件・状態量記録部に記録されている少なくとも前記各ＬＤユニットの残存寿命の予測結果を含む前記各ＬＤユニットの特性の予測結果と、前記各ＬＤユニットの光出力特性の測定結果を前記ＬＤユニット駆動条件データの結果として受取り、
    前記電源部に指令する出力指令データおよび前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記ＬＤユニット駆動条件データを、前記レーザ装置の前記状態量および前記ＬＤユニット駆動条件データの結果に関連付けて学習することを特徴とする機械学習方法。
  16. 前記機械学習装置から出力され、前記駆動条件・状態量記録部に記録される前記ＬＤユニット駆動条件データには、前記各ＬＤユニットの特性の予測結果として前記各ＬＤユニットの光出力特性の予測結果も含まれており、
    前記ＬＤユニット駆動条件データの結果として前記動作結果取得部が取得するデータに前記各ＬＤユニットの光出力特性の予測結果が含まれており、
    前記学習部が、前記各ＬＤユニットの特性の予測結果として少なくとも残存寿命の予測結果および光出力特性の予測結果を含む前記ＬＤユニット駆動条件データを、前記レーザ装置の前記状態量および前記ＬＤユニット駆動条件データの結果に関連付けて学習することを特徴とする請求項１５に記載の機械学習方法。
JP2016047324A 2016-03-10 2016-03-10 機械学習装置、レーザ装置および機械学習方法 Active JP6360090B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2016047324A JP6360090B2 (ja) 2016-03-10 2016-03-10 機械学習装置、レーザ装置および機械学習方法
DE102017104438.8A DE102017104438B4 (de) 2016-03-10 2017-03-03 Vorrichtung zum maschinellen Lernen, Laservorrichtung und Verfahren zum maschinellen Lernen
US15/454,724 US10242325B2 (en) 2016-03-10 2017-03-09 Machine learning apparatus, laser apparatus and machine learning method
CN201710141433.2A CN107181163B (zh) 2016-03-10 2017-03-10 机器学习装置、激光装置以及机器学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016047324A JP6360090B2 (ja) 2016-03-10 2016-03-10 機械学習装置、レーザ装置および機械学習方法

Publications (2)

Publication Number Publication Date
JP2017163036A true JP2017163036A (ja) 2017-09-14
JP6360090B2 JP6360090B2 (ja) 2018-07-18

Family

ID=59700738

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016047324A Active JP6360090B2 (ja) 2016-03-10 2016-03-10 機械学習装置、レーザ装置および機械学習方法

Country Status (4)

Country Link
US (1) US10242325B2 (ja)
JP (1) JP6360090B2 (ja)
CN (1) CN107181163B (ja)
DE (1) DE102017104438B4 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023507067A (ja) * 2019-12-18 2023-02-21 サイマー リミテッド ライアビリティ カンパニー ガス放電光源における予測装置
JP7428667B2 (ja) 2019-02-07 2024-02-06 ギガフォトン株式会社 機械学習方法、消耗品管理装置、及びコンピュータ可読媒体
JP7462220B2 (ja) 2020-05-08 2024-04-05 パナソニックＩｐマネジメント株式会社 レーザ発振器

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117521725A (zh) * 2016-11-04 2024-02-06 渊慧科技有限公司 加强学习系统
US10990898B2 (en) 2017-05-18 2021-04-27 International Business Machines Corporation Automatic rule learning in shared resource solution design
US11195137B2 (en) 2017-05-18 2021-12-07 International Business Machines Corporation Model-driven and automated system for shared resource solution design
JP6640811B2 (ja) 2017-10-06 2020-02-05 ファナック株式会社 結露防止機能を備えたレーザ装置
JP6680809B2 (ja) 2018-01-09 2020-04-15 ファナック株式会社 ファイバレーザ装置及び機械学習装置
JP6892400B2 (ja) * 2018-01-30 2021-06-23 ファナック株式会社 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
US11579000B2 (en) * 2018-04-05 2023-02-14 Fanuc Corporation Measurement operation parameter adjustment apparatus, machine learning device, and system
EP3561615B1 (en) * 2018-04-23 2021-07-14 Omron Corporation Method for operating an automation system and automation system
JP6923484B2 (ja) 2018-05-15 2021-08-18 ファナック株式会社 加工条件調整装置及び機械学習装置
EP3611588A1 (de) * 2018-08-14 2020-02-19 Siemens Aktiengesellschaft Anordnung und verfahren zur prognose einer restnutzungsdauer einer maschine
JP7135697B2 (ja) * 2018-10-11 2022-09-13 株式会社島津製作所 分析装置、分析システムおよび分析方法
CN116956174B (zh) * 2019-05-13 2024-06-18 北京绪水互联科技有限公司 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法
CN116882303B (zh) * 2023-09-06 2023-12-22 深圳市联明电源有限公司 一种激光电源的寿命预测方法、系统及存储介质
CN117458261B (zh) * 2023-12-26 2024-04-16 东莞市湃泊科技有限公司 激光器封装系统及其智能散热方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005235075A (ja) * 2004-02-23 2005-09-02 Toshiba Corp 医療検査機器部品交換支援システム
JP2005317841A (ja) * 2004-04-30 2005-11-10 Matsushita Electric Ind Co Ltd 半導体レーザ装置
JP2006222411A (ja) * 2005-01-17 2006-08-24 Fanuc Ltd レーザ発振器及びレーザ発振器の励起光源の寿命推定方法
JP2009222620A (ja) * 2008-03-18 2009-10-01 Fuji Electric Systems Co Ltd 油入電気機器の余寿命推定方法
US20120263202A1 (en) * 2010-10-08 2012-10-18 Gunther Steinle Laser diode control device

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4046778B2 (ja) 1995-04-05 2008-02-13 ソニー株式会社 光学ディスク記録再生装置
JP2005317178A (ja) 2004-03-29 2005-11-10 Sharp Corp 記録再生装置、記録媒体、記録再生装置の駆動方法、半導体レーザの寿命予測方法、プログラム、プログラム記録媒体、半導体レーザ
JP2005294493A (ja) 2004-03-31 2005-10-20 Toshiba Corp レーザプロセスおよびレーザアニール装置
US7835642B2 (en) * 2005-01-03 2010-11-16 Finisar Corporation Optical transceiver module end of life indication
US20060159140A1 (en) 2005-01-17 2006-07-20 Fanuc Ltd Laser oscillator and method of estimating the lifetime of a pump light source
JP2011086496A (ja) 2009-10-15 2011-04-28 Hitachi High-Technologies Corp 有機ｅｌ用マスククリーニング装置、有機ｅｌディスプレイの製造装置、有機ｅｌディスプレイおよび有機ｅｌ用マスククリーニング方法
JP5166488B2 (ja) 2010-07-05 2013-03-21 竹中オプトニック株式会社 レーザダイオードの寿命予測システム
CN103479319B (zh) 2013-09-04 2015-02-18 深圳先进技术研究院 医用内窥镜、医用内窥镜冷光源系统及其工作方法
JP6339603B2 (ja) * 2016-01-28 2018-06-06 ファナック株式会社 レーザ加工開始条件を学習する機械学習装置、レーザ装置および機械学習方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005235075A (ja) * 2004-02-23 2005-09-02 Toshiba Corp 医療検査機器部品交換支援システム
JP2005317841A (ja) * 2004-04-30 2005-11-10 Matsushita Electric Ind Co Ltd 半導体レーザ装置
JP2006222411A (ja) * 2005-01-17 2006-08-24 Fanuc Ltd レーザ発振器及びレーザ発振器の励起光源の寿命推定方法
JP2009222620A (ja) * 2008-03-18 2009-10-01 Fuji Electric Systems Co Ltd 油入電気機器の余寿命推定方法
US20120263202A1 (en) * 2010-10-08 2012-10-18 Gunther Steinle Laser diode control device

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7428667B2 (ja) 2019-02-07 2024-02-06 ギガフォトン株式会社 機械学習方法、消耗品管理装置、及びコンピュータ可読媒体
JP2023507067A (ja) * 2019-12-18 2023-02-21 サイマー リミテッド ライアビリティ カンパニー ガス放電光源における予測装置
JP7358642B2 (ja) 2019-12-18 2023-10-10 サイマー リミテッド ライアビリティ カンパニー ガス放電光源における予測装置
JP7462220B2 (ja) 2020-05-08 2024-04-05 パナソニックＩｐマネジメント株式会社 レーザ発振器

Also Published As

Publication number Publication date
JP6360090B2 (ja) 2018-07-18
CN107181163B (zh) 2019-04-12
DE102017104438A1 (de) 2017-09-14
CN107181163A (zh) 2017-09-19
DE102017104438B4 (de) 2020-10-15
US20170262772A1 (en) 2017-09-14
US10242325B2 (en) 2019-03-26

Similar Documents

Publication Publication Date Title
JP6360090B2 (ja) 機械学習装置、レーザ装置および機械学習方法
JP6625914B2 (ja) 機械学習装置、レーザ加工システムおよび機械学習方法
JP6680809B2 (ja) ファイバレーザ装置及び機械学習装置
US10990089B2 (en) Machine learning device learning failure occurrence mechanism of laser device
JP6339603B2 (ja) 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
US10796226B2 (en) Laser processing apparatus and machine learning device
US10121107B2 (en) Machine learning device and method for optimizing frequency of tool compensation of machine tool, and machine tool having the machine learning device
CN103649858B (zh) 用于预测组件或系统状况的方法和设备
JP2018004473A (ja) 軸受の予測寿命を学習する機械学習装置、寿命予測装置および機械学習方法
KR102103006B1 (ko) 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치
US9952574B2 (en) Machine learning device, motor control system, and machine learning method for learning cleaning interval of fan motor
CN110829175B (zh) 激光装置
KR102656115B1 (ko) 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치
Abdelli et al. Machine learning based data driven diagnostic and prognostic approach for laser reliability enhancement
KR102124425B1 (ko) 시계열 데이터 예측 모델 평가 방법 및 장치
Guan et al. Remaining useful life prediction for degradation processes based on the Wiener process considering parameter dependence
Hatherall et al. Load prediction based remaining discharge energy estimation using a combined online and offline prediction framework
Haghighi et al. Rolling horizon optimal maintenance policy for a system subject to shocks and degradation under uncertain parameters
Kopka Reliability Assessment of Technical Devices Based on Degradation Data and Stochastic Equations

Legal Events

Date Code Title Description
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180130

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180220

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180326

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20180529

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180621

R150 Certificate of patent or registration of utility model

Ref document number: 6360090

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150