JP2019038027A - 機械学習装置、機械学習システム及び機械学習方法 - Google Patents

機械学習装置、機械学習システム及び機械学習方法 Download PDF

Info

Publication number
JP2019038027A
JP2019038027A JP2017163735A JP2017163735A JP2019038027A JP 2019038027 A JP2019038027 A JP 2019038027A JP 2017163735 A JP2017163735 A JP 2017163735A JP 2017163735 A JP2017163735 A JP 2017163735A JP 2019038027 A JP2019038027 A JP 2019038027A
Authority
JP
Japan
Prior art keywords
learning
laser
machine learning
observation
laser beam
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
JP2017163735A
Other languages
English (en)
Other versions
JP6546230B2 (ja
Inventor
嘉孝 久保
Yoshitaka Kubo
嘉孝 久保
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 JP2017163735A priority Critical patent/JP6546230B2/ja
Priority to US16/050,252 priority patent/US10532432B2/en
Priority to DE102018214170.3A priority patent/DE102018214170B4/de
Priority to CN201810975964.6A priority patent/CN109426154B/zh
Publication of JP2019038027A publication Critical patent/JP2019038027A/ja
Application granted granted Critical
Publication of JP6546230B2 publication Critical patent/JP6546230B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/70—Auxiliary operations or equipment
    • B23K26/702—Auxiliary equipment
    • B23K26/705—Beam measuring device
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • B23K26/032—Observing, e.g. monitoring, the workpiece using optical means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/08—Devices involving relative movement between laser beam and workpiece
    • B23K26/083—Devices involving movement of the workpiece in at least one axial direction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/08—Devices involving relative movement between laser beam and workpiece
    • B23K26/0869—Devices involving movement of the laser head in at least one axial direction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/36—Removing material
    • B23K26/38—Removing material by boring or cutting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/70—Auxiliary operations or equipment
    • B23K26/702—Auxiliary equipment
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/006—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to using of neural networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
    • B23K31/125—Weld quality monitoring
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K37/00—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups
    • B23K37/02—Carriages for supporting the welding or cutting element
    • B23K37/0211—Carriages for supporting the welding or cutting element travelling on a guide member, e.g. rail, track
    • B23K37/0235—Carriages for supporting the welding or cutting element travelling on a guide member, e.g. rail, track the guide member forming part of a portal
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K37/00—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups
    • B23K37/04—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups for holding or positioning work
    • B23K37/0408—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups for holding or positioning work for planar work
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

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

Abstract

【課題】レーザ光の観測に関する条件を考慮した上で、レーザ光の強度分布についての良否判定を行う。
【解決手段】機械学習装置が、レーザ光の強度分布を示すデータと、前記強度分布を示すデータ生成の為に行う前記レーザ光の観測に関する条件を示すデータとを入力データとして取得する状態観測手段と、前記レーザ光の良否の判定に関する評価値をラベルとして取得するラベル取得手段と、前記状態観測手段が取得した入力データと前記ラベル取得手段が取得したラベルの組を教師データとして教師あり学習を行うことにより、前記レーザ光の良否の判定を行うための学習モデルを構築する学習手段と、を備える。
【選択図】図１

Description

本発明は、レーザ光に関する機械学習を行う、機械学習装置、機械学習システム及び機械学習方法に関する。
レーザ発振器が照射するレーザ光は、長期間の使用に伴う内部ミラーの劣化や、内部ミラーの取り付け位置が不適切等の理由で、適切に照射されない場合がある。そこで、ユーザは、ミラーのクリーニング後やミラー交換後に、レーザ光を観測し、「所定のレーザ出力となっているか」、「良好なレーザ光の強度分布（ビームモード形状）となっているか」といった観点からレーザ光の良否判定を行う。
ここで、レーザ出力については、一般的なレーザパワーメータやレーザパワープローブによって測定することができる。そのため、ユーザは、測定結果として出力された数値データを参照することにより、所定のレーザ出力となっているか否かの良否判定を行うことができる。
これに対して、レーザ光の強度分布については、透明なアクリル樹脂へ定格出力のレーザビームを所定時間照射して、その焼け跡であるバーンパターンをユーザが参照して良否判定を行う。あるいは、ビームプロファイラによる観測結果をユーザが参照して良否判定を行う。
このような、レーザ光の強度分布の観測に関する技術が特許文献１に開示されている。具体的に、特許文献１には、ターゲットにレーザ光を照射し、このターゲットの温度分布を測定することにより、加工中のレーザ光のビームプロファイル変動を迅速に検出する構成が開示されている。
特開２０１５−１６６０９４号公報
ところで、レーザ光の観測条件が異なれば、レーザ光の適切な強度分布も異なる。例えば、レーザ発振器の種類、レーザ発振器の温度状態、レーザ光の照射時間、レーザ発振器のビーム出射口から強度分布の観測点までの距離等の観測条件が異なれば、レーザ光の適切な強度分布も異なる。
しかしながら、上述した特許文献１に開示の技術は、レーザ光の状態変化を、所定の観測条件下で経時的に観測するものであり、この所定の観測条件以外の様々な観測条件について考慮するものではなかった。
また、上述したバーンパターンやビームプロファイラを用いたユーザの判定でも、これらの様々な観測条件について十分考慮することは困難であった。
そこで本発明は、レーザ光の観測に関する条件を考慮した上で、レーザ光の強度分布についての良否判定を行うための、機械学習装置、機械学習システム及び機械学習方法を提供することを目的とする。
（１） 本発明の機械学習装置（例えば、後述の機械学習装置１０）は、レーザ光の強度分布を示すデータと、前記強度分布を示すデータ生成の為に行う前記レーザ光の観測に関する条件を示すデータとを入力データとして取得する状態観測手段（例えば、後述の状態観測部１１）と、前記レーザ光の良否の判定に関する評価値をラベルとして取得するラベル取得手段（例えば、後述のラベル取得部１２）と、前記状態観測手段が取得した入力データと前記ラベル取得手段が取得したラベルの組を教師データとして教師あり学習を行うことにより、前記レーザ光の良否の判定を行うための学習モデルを構築する学習手段（例えば、後述の学習部１３）と、を備える
（２） 上記（１）に記載の機械学習装置を、前記強度分布を示すデータは、前記レーザ光を照射される被照射物におけるレーザ光の受光部分を撮像した画像データであるようにしてもよい。
（３） 上記（２）に記載の機械学習装置を、前記画像データは、前記レーザ光の受光部分を複数の方向から撮像した複数の画像データを含むようにしてもよい。
（４） 上記（１）に記載の機械学習装置を、前記強度分布を示すデータは、前記レーザ光をビームプロファイラで観測することにより生成されるようにしてもよい。
（５） 上記（１）から（４）の何れかに記載の機械学習装置を、前記強度分布の観測に関する条件を示すデータは、前記レーザ光を照射するレーザ発振器の機種情報、前記レーザ発振器の温度状態に関する情報、前記レーザ光の照射時間を示す情報、及び前記レーザ発振器のビーム出射口から前記強度分布の観測点までの距離を示す情報の少なくとも何れかを含むようにしてもよい。
（６） 上記（１）から（５）の何れかに記載の機械学習装置を、前記評価値は、前記レーザ光を照射される被照射物におけるレーザ光の受光部分、又はビームプロファイラによる前記レーザ光の観測結果を参照したユーザの判断に基づいて決定されるようにしてもよい。
（７） 上記（１）から（６）の何れかに記載の機械学習装置を、前記レーザ光は、レーザ加工に関する装置にて用いられるレーザ光であり、前記学習手段は、レーザ加工に関する装置における、前記レーザ光を照射するレーザ発振器の配置に応じて追加学習を行うようにしてもよい。
（８） 上記（１）から（７）の何れかに記載の機械学習装置を、前記レーザ光は、レーザ加工に関する装置にて用いられるレーザ光であり、前記学習手段が構築した学習モデルは、前記レーザ光の強度分布を示すデータと、前記強度分布の観測に関する条件を示すデータとを入力データとした場合に、前記レーザ光が所定の基準を満たしているか否かを示す確率の値を出力する学習モデルであるようにしてもよい。
（９） 本発明の機械学習システム（例えば、後述の機械学習システム１）は、上記（１）から（８）の何れかに記載の機械学習装置を複数含んだ機械学習システムであって、複数の前記機械学習装置のそれぞれが備える前記学習手段にて学習モデルを共有し、前記共有した学習モデルに対して複数の前記機械学習装置のそれぞれが備える前記学習手段が学習を行う。
（１０） 本発明の機械学習方法は、機械学習装置（例えば、後述の機械学習装置１０）が行う機械学習方法であって、レーザ光の強度分布を示すデータと、前記強度分布を示すデータ生成の為に行う前記レーザ光の観測に関する条件を示すデータとを入力データとして取得する状態観測ステップと、前記レーザ光の良否の判定に関する評価値をラベルとして取得するラベル取得ステップと、前記状態観測ステップにて取得した入力データと前記ラベル取得ステップにて取得したラベルの組を教師データとして教師あり学習を行うことにより、前記レーザ光の良否の判定を行うための学習モデルを構築する学習ステップと、を備える。
本発明によれば、レーザ光の観測に関する条件を考慮した上で、レーザ光の強度分布についての良否判定を行うことが可能となる。
本発明の各実施形態の全体の構成について示す機能ブロック図である。 本発明の実施形態におけるレーザ加工機の構成について模式的に示す斜視図である。 本発明の第１の実施形態におけるバーンパターンの生成の一例について模式的に示す斜視図である。 本発明の第１の実施形態におけるバーンパターンの生成の他の例について模式的に示す斜視図である。 本発明の第１の実施形態において入力データとするバーンパターンの例について示すイメージ図である。 本発明の各実施形態における機械学習装置の構成について示す機能ブロック図である。 本発明の各実施形態における学習モデル構築時の動作を示すフローチャートである。 本発明の各実施形態における学習モデル利用時の動作を示すフローチャートである。
次に、本発明の実施形態について図面を参照して詳細に説明する。以下では、第１の実施形態と第２の実施形態の２つの実施形態について説明する。ここで、各実施形態の基本的な構成は共通であるが、良否判定の対象とするレーザ光の種類が異なる。
具体的には、第１の実施形態では、アクリルブロックに形成されたバーンパターンに基づいて、炭酸ガスレーザ（ＣＯ２レーザ）を対象とした良否判定を行う。これに対して、第２の実施形態では、ビームプロファイラの出力に基づいてＹＡＧレーザやファイバレーザを対象とした良否判定を行う。
＜実施形態全体の構成＞
図１に示すように、本実施形態に係る機械学習システム１は、機械学習装置１０、レーザ加工機２０、及び撮像装置３０を備える。また、図１には、バーンパターンの形成のために利用するアクリルブロック４０も図示する。
機械学習システム１に含まれる各装置は、通信可能に接続されている。この通信は、各装置間で直接行われるものであってもよいし、中継装置を含んだネットワークを介したものであってもよい。ネットワークは、例えば、工場内に構築されたＬＡＮ（Local Area Network）や、インターネット上に構築されたＶＰＮ（Virtual Private Network）により実現される。
機械学習装置１０は、レーザ光（レーザビーム）に関する機械学習を行うことにより、レーザ光の強度分布についての良否判定を行うための学習モデルを構築する装置である。
機械学習装置１０による機械学習は、アクリルブロック４０に形成されたバーンパターンを撮像した画像データと、レーザ光の観測に関する条件（以下、「観測条件」と呼ぶ。）を入力データとし、レーザ光の強度分布についての良否判定に関する評価値をラベルとした教師データを用いた、教師あり学習により行われる。
このように、機械学習装置１０は、バーンパターンを撮像した画像データのみならず、観測条件を入力データとした教師あり学習を行って学習モデルを構築する。そのため、構築された学習モデルは、レーザ光の観測に関する条件を考慮した上で、レーザ光の良否判定を行うことができる学習モデルとなる。
より詳細に説明すると、機械学習装置１０は、例えば第１の観測条件下で形成されたバーンパターンの画像データを複数集めて、複数の教師データを生成し、この複数の教師データに基づいて第１の観測条件についての学習を繰り返すことにより、第１の観測条件についての良否判定を行うことができる学習モデルを構築する。
また、機械学習装置１０は、第２の観測条件下で形成されたバーンパターンの画像データを複数集めて、複数の教師データを生成する。そして、機械学習装置１０は、この第２の観測条件に関する複数の教師データに基づいて、第１の観測条件に関して学習した上記学習モデルを用いた第２の観測条件についての学習を繰り返すことにより、第１の観測条件に加えて第２の観測条件についての良否判定を行うこともできる学習モデルを構築する。
本実施形態では、機械学習装置１０がこのようにして様々な観測条件についての学習を繰り返すことにより、学習の対象とした観測条件についての良否判定のみならず、学習の対象とした観測条件と類似する観測条件についての良否判定を判定することも可能な学習モデルを構築することが可能となる。
なお、バーンパターンの形成方法や、観測条件及び評価値についての詳細は、図２以降を参照して後述する。
レーザ加工機２０は、所定のレーザ加工を行う装置である。なお、レーザ加工機２０の構成によるが、レーザ加工機２０が単独でレーザ加工を行う場合も、レーザ加工機２０を制御する制御装置や上位装置といった外部装置と、レーザ加工機２０とが協働してレーザ加工を行う場合もある。以下の説明では、単にレーザ加工機２０と記載した場合、特に言及しない限り上記の制御装置や上位装置といった外部装置も含むものとする。
また、レーザ加工機２０は、教師あり学習のために、ユーザから観測条件や評価値の入力を受け付ける。そして、レーザ加工機２０は、受け付けた観測条件や評価値を機械学習装置１０に対して出力する。ただし、この構成は一例に過ぎず、観測条件や評価値については、このようにレーザ加工機２０が入力を受け付けて機械学習装置１０に対して出力するのではなく、機械学習装置１０がユーザから直接入力を受け付けるようにしてもよい。
撮像装置３０は、教師あり学習のために、アクリルブロック４０のバーンパターンを撮像する部分である。撮像装置３０は、バーンパターンを撮像することにより生成した画像データを機械学習装置１０に対して出力する。撮像装置３０は、一般的なデジタルカメラや、カメラを備えたスマートフォンにより実現される。撮像装置３０の具体的な構成については、当業者によく知られているので、これ以上の詳細な説明は省略する。
＜レーザ加工機２０の構成＞
次に、機械学習の対象とするレーザ光を照射するレーザ加工機２０の構成について図２を参照して説明する。図２は、レーザ加工機２０の模式化した構成を示す斜視図である。
図２に示すように、レーザ加工機２０は、レーザ発振器２１、レーザ出射口２２、第１反射ミラー２３、第２反射ミラー２４、第３反射ミラー２５、第４反射ミラー２６、加工ヘッド２７を、第５反射ミラー２８、及び集光レンズ２９を備える。また、図中には、レーザ加工機２０によるレーザ加工の対象となる平板状のワーク６０と、レーザ加工時にワーク６０が設置される可動テーブル６１も図示する。以下、これらの構成要素について詳細に説明する。
なお、レーザ加工を行うためにレーザ発振器２１や可動テーブル６１の駆動を制御する制御装置の詳細な構成や、レーザ発振器２１や加工ヘッド２７内部の詳細な構成については、本実施形態の要旨ではないので、図示及び詳細な説明を省略する。
レーザ発振器２１は、レーザ出射口２２から円形断面のレーザ光を出射する機器であり、レーザ光を出射するために内部に、共振器、レーザ媒体、及び励起光源を備える。レーザ発振器２１は、炭酸ガスレーザである。なお、後述する第２の実施形態では、レーザ発振器２１は、ＹＡＧレーザやファイバレーザである。
レーザ出射口２２から出射されたレーザ光は、第１反射ミラー２３、第２反射ミラー２４、第３反射ミラー２５及び第４反射ミラー２６の順に、各反射ミラーで反射され、加工ヘッド２７に入射する。すなわち、レーザ出射口２２から出射されたレーザ光は、第１反射ミラー２３、第２反射ミラー２４、第３反射ミラー２５及び第４反射ミラー２６により形成される導光路５０を介して加工ヘッド２７に入射する。
この導光路５０の周囲には、導光路５０の雰囲気を良好に保つための導光路カバーが設けられる。ただし、導光路５０を明確に示すために図中では、導光路カバーを透過した状態を破線にて示す。
加工ヘッド２７は、レーザ光をワーク６０に照射するための略円筒状の形状をしている。また、加工ヘッド２７は、第５反射ミラー２８及び集光レンズ２９を内部に備える。第５反射ミラー２８は、加工ヘッド２７に入射したレーザ光を、ワーク６０の方向（Ｚ軸方向）に反射する。集光レンズ２９は、第５反射ミラー２８により反射されたレーザ光を集光して、加工ヘッド２７の先端に装着されるノズルを介してワーク６０に照射する。これにより、ワーク６０のレーザ受光部分が、レーザ光にて加熱されて溶融し、レーザ加工が実現される。
＜バーンパターンの形成及び撮像＞
次に、アクリルブロック４０へのバーンパターンの形成方法、及びバーンパターンの撮像方法について説明する。バーンパターンの形成は、ユーザが任意のタイミングで行ってもよいし、例えば、以下に説明するように、定期的なクリーニング時に行ってもよい。
産業用のレーザ発振器の内部のミラーは、使用に伴い汚れや劣化が発生する。そして、この汚れや劣化に起因してレーザ光の吸収率が変化し、所望の性能が得られなくなる等の不具合が生じる。そのため、ユーザは、定期的に（例えば数百~数千時間毎に）ミラーを取り外してクリーニングや部品交換を行う。また、クリーニング後または部品交換後、ミラーの再取り付けを行う。ここで、ミラーの個体差等の影響もあり、ミラーを非常に精密に、例えばミクロン単位で同じ場所へ取り付けることは困難である。そのためレーザ発振器２１内部でミラーをマウントするユニットは取り付け位置の調整機構を備えている。
ユーザは、この調整機構によるミラーの取り付け位置の調整具合や、ミラーの劣化具合を判定するために、レーザ発振器が照射するレーザ光を観測する。この観測により、ユーザは、所定のレーザ出力が得られるか否か、良好なレーザ光の強度分布（ビームモード形状）となっているか否かといった良否判定をする。
ユーザは、例えばこの良否判定において本実施形態を利用する。例えば同じ工場において、同じように利用されているレーザ発振器２１が複数あるような場合には、機械学習装置１０が、複数のレーザ発振器のメンテナンスの都度、同じ観測条件下で学習を行う。これにより同じ観測条件についての教師データを複数収集して、学習モデルを構築することができる。
例えば、透明なアクリル樹脂からなるアクリルブロック４０（例えば５０［ｍｍ］×５０［ｍｍ］×３０［ｍｍ］の直方体のアクリルブロック）へ定格出力のレーザビームを所定時間（出力に応じて、例えば１〜４秒程度）照射して、その焼け跡であるバーンパターンを観測して良否判定をする。ここで、アクリル樹脂は可視域に対しては透明だが、炭酸ガスレーザの波長１０．６［μｍ］に対してはほぼ１００％吸収する。このため、アクリルブロック４０へ炭酸ガスレーザを照射すると瞬時に気化し、焼け跡をバーンパターンとして残すことができる。
バーンパターンの形成方法の具体例について図３及び図４を参照して説明する。
図３に、バーンパターンの形成方法の第１例を示す。本例では、ユーザがワーク６０に代えてアクリルブロック４０を可動テーブル６１に設置する。そして、この状態でアクリルブロック４０にレーザ光を照射することによりバーンパターン（図中のバーンパターン４１に相当。）を形成する。図３中では、形成されたバーンパターンをバーンパターン４１として図示する。この第１例の方法によれば、導光路５０を介してから加工ヘッド２７から照射される、レーザ加工するためのレーザ光そのものについて観測することができる。
次に、図４にバーンパターンの形成方法の第２例を示す。本例では、ユーザがレーザ出射口２２から出射されたレーザ光を最初に反射する第１反射ミラー２３及び導光路カバーを取り外す。そして、この状態でレーザ出射口２２から出射されて自由伝播しているレーザ光をアクリルブロック４０に照射することによりバーンパターン（図中のバーンパターン４１に相当。）を形成する。この第２例の方法によれば、導光路５０を介する前の、レーザ出射口２２から出射されたレーザ光そのものについて観測することができる。
なお、これらのバーンパターンの形成方法は、あくまで例示であり、他の方法によりバーンパターンを形成するようにしてもよい。例えば第２例において、第１反射ミラー２３ではなく第３反射ミラー２５及び導光路カバーを取り外し、第１反射ミラー２３及び第２反射ミラー２４を反射したレーザ光によりバーンパターンを形成するようにしてもよい。
上述したように、本実施形態では、このバーンパターンを撮像した画像データを教師データとして機械学習を行う。また、特に機械学習をはじめた当初は、様々な観測条件についての教師データを用いて学習するよりも、同じ観測条件についての教師データをある程度の数用いて学習するほうが、機械学習を早期に行うことができる可能性が高い。そこで、バーンパターンが毎回同じ観測条件下で形成されるようにするようにするとよい。
例えば、バーンパターン形成時における、レーザ出射口２２からレーザ光の観測点であるアクリルブロック４０までの距離が一定になるようにする。例えば図３に示す第１例の場合であれば、図示を省略した制御装置が、ワーク６０に対してレーザ加工を行う場合と同様に加工ヘッド２７及び可動テーブル６１を制御することにより、レーザ出射口２２からレーザ光の観測点であるアクリルブロック４０までの距離が一定になるようにする。また、例えば図４に示す第２例であれば、ユーザがレーザ出射口２２からレーザ光の観測点であるアクリルブロック４０までの距離を測定して、毎回同じ距離となるようにアクリルブロック４０を設置することにより、レーザ出射口２２からレーザ光の観測点であるアクリルブロック４０までの距離が一定になるようにする。
また、炭酸ガスレーザが空気中を伝搬する際、空気中のＣＯ２ガスや有機溶剤成分などの濃度が高いと、ビームの発散角が大きくなる等の影響が生じる。そこで、ユーザは、バーンパターンが毎回同じ条件下で形成されるように、バーンパターン形成時には、レーザ加工機２０周囲の換気を十分行うようにする。
次に、アクリルブロック４０に形成されたバーンパターンの撮像について説明する。ユーザは、撮像装置３０を用いてアクリルブロック４０を３方向（例えば、互いに直交するＸ軸、Ｙ軸、Ｚ軸の３方向）から撮像する。これにより、バーンパターンについての画像データが生成される。
撮像は、例えばメンテナンス作業を行うユーザが、メンテナンスを行う現場で行うようにしてもよい。また、アクリルブロック４０は容易に持ち運びが可能であるので、ユーザは、メンテナンスを行う現場よりも撮像しやすい環境にアクリルブロック４０を移動して撮像を行うようにしてもよい。
また、アクリルブロック４０の撮像は、毎回同じ条件で行われることが望ましい。そこで、例えば、撮像装置３０が備えるカメラレンズとアクリルブロック４０の位置関係を固定できる冶具を用いて、カメラレンズとアクリルブロック４０の位置関係が一定となるようにするとよい。また、撮像時の周囲の明るさ等も一定となるようにするとよい。
＜バーンパターンの例＞
次に、バーンパターンの形状の具体例について説明する。バーンパターンは、レーザ光の強度分布を示すものであるが、その形状は、様々な要因に基づいて変化する。
例えば、同じレーザ加工機２０が照射するレーザ光であったとしても、レーザ加工機２０の温まり具合によってバーンパターンの形状は異なる。この点についての説明のため、ビーム照射前に規定時間（例えば３分間）ビームオフした状態から観測したビームモードをＣｏｌｄモードと呼ぶ。また、ビーム照射前にシャッタを閉じ、規定時間（例えば３分間）ビームオンした状態から観測したビームモードをＨｏｔモードと呼ぶ。
このＣｏｌｄモードとＨｏｔモードのそれぞれにおいて、互いに直交するＸ軸、Ｙ軸、Ｚ軸の３方向からバーンパターンを撮像した６枚の画像を図５に示す。
図５に示す例では、レーザ光の進行方向であるＺ軸方向から照射面を撮像した画像において、ＣｏｌｄモードよりもＨｏｔモードの方が、バーンパターンの面積が広くなっている。また、Ｙ軸及びＺ軸方向から撮像した画像において、ＣｏｌｄモードよりもＨｏｔモードの方が、バーンパターンの深さが深くなっている。つまり、ＣｏｌｄモードとＨｏｔモードでは、レーザ光の伝播特性が異なっている。
このように、一般的にＣｏｌｄモードとＨｏｔモードでバーンパターンの形状は異なる。特に、ＣｏｌｄモードとＨｏｔモードで大きく形状が異なる場合は、レーザ発振器２１の内部ミラーが劣化している可能性が高い。
つまり、ＣｏｌｄモードとＨｏｔモードでバーンパターンの形状を比較することにより、レーザ発振器２１の内部ミラーが劣化しているか否かという良否判定を行うことができる。そこで、本実施形態では、入力データとして図５に示すように、ＣｏｌｄモードとＨｏｔモードのそれぞれについての３方向から撮像した計６枚の画像データを入力データとして機械学習を行う。ただし、詳細は＜変形例１＞として後述するが、ＣｏｌｄモードとＨｏｔモードの何れかについての画像データのみであっても、機械学習を行うことは可能である。
また、バーンパターンの形状に影響を与える要素は、上述したレーザ加工機２０の温まり具合のみではない。
例えば、レーザ発振器の種類、レーザ光の照射時間、及びレーザ発振器のビーム出射口から強度分布の観測点までの距離といった観測条件の違いもバーンパターンの形状に影響を与える。そこで、これらの観測条件についても入力データとして機械学習を行う。
＜機械学習装置１０が備える機能ブロック＞
次に、このような入力データを用いて機械学習を行うために機械学習装置１０が備える機能ブロックについて説明する。機械学習装置１０は、状態観測部１１、ラベル取得部１２、学習部１３、学習モデル記憶部１４及び出力提示部１５を備える。
状態観測部１１は、レーザ加工機２０と撮像装置３０と、から、それぞれ観測条件と画像データを入力データとして取得し、取得した入力データを学習部１３に対して出力する部分である。ここで、本実施形態における入力データは、上述したようにレーザ加工機２０から取得する観測条件と、撮像装置３０から取得する画像データである。これらのデータについて説明する。
観測条件は、上述したように、例えば、レーザ発振器の種類、レーザ光の照射時間、及びレーザ発振器のビーム出射口から強度分布の観測点までの距離である。なお、状態観測部１１は、これらの情報の全てを入力データとして取得してもよいし、一部のデータを入力データとして取得してもよい。
レーザ発振器の種類は、例えばレーザ発振器２１の種類を識別するための識別子等である。レーザ発振器の種類により、レーザ光の集光性能や伝播特性が異なり、バーンパターンの形状に影響を与えるためレーザ発振器の種類を観測条件とする。
レーザ光の照射時間は、レーザ光をアクリルブロック４０に対して照射した時間の長さを示す値である。レーザ光の照射時間によりバーンパターンの形状は変化するためレーザ光の照射時間を観測条件とする。なお、レーザ光の照射時間の長さは例えば１〜４秒程度である。
レーザ発振器のビーム出射口から強度分布の観測点までの距離は、距離を示す値である。炭酸ガスレーザは僅かに広がりながら伝播するので、かかる距離に応じてバーンパターンの形状は変化する。そのため、かかる距離を観測条件とする。なお、距離は、例えば数メートル程度である。
一般的にレーザ光の強度分布の良否判定では、レーザ光の進行方向を軸として平面視した場合のレーザ光の形状が丸く、レーザ光の進行方向を軸とした場合のレーザ光の対称性が良く、且つ、干渉縞がない場合に、レーザ光の強度分布が良好であると判定される。しかし、この一般的な基準だけでは、レーザ光の良否判定は十分ではなく、観測条件が異なれば、レーザ光の適切な強度分布も異なったものとなる。そこで、本実施形態では、上述したような観測条件を入力データとして機械学習を行う。
強度分布を観測するユーザは、これら観測条件を把握しており、例えば、画像データと共に、これらの観測条件を、レーザ加工機２０や機械学習装置１０に対して入力する。そして、状態観測部１１は、入力された観測条件を取得する。なお、レーザ加工機２０が設置された工場等の現場にて、毎回同じ観測条件である場合には、事前に観測条件をデータベースとして準備しておき、ユーザがデータベースから観測条件を選択するようにしてもよい。これにより、ユーザによる観測条件の入力の手間を省くことができる。また、このような工場であれば、同じ観測条件についての教師データを多数取得することができる。
次に、画像データについて説明する。上述したように、画像データは、撮像装置３０がアクリルブロック４０のバーンパターンを撮像することにより生成される。そして、状態観測部１１は、撮像により生成された画像データを撮像装置３０から取得する。
ラベル取得部１２は、レーザ加工機２０から評価値をラベルとして取得し、取得したラベルを学習部１３に対して出力する部分である。ここで、本実施形態における評価値は、良否判定に関する評価値であり、レーザ光の強度分布が適切でありレーザ光をそのままレーザ加工に利用できる（すなわち、「良」）か、レーザ光の強度分布が不適切でありレーザ光をそのままレーザ加工に利用することはできない（すなわち、「不良」）かの何れかを示す値である。
評価値は、アクリルブロック４０に形成されたバーンパターンそのもの、あるいはバーンパターンを撮像した画像データを目視したユーザの判断により決定される。ユーザは、決定した評価値を、例えばレーザ加工機２０や機械学習装置１０に対して入力する。ラベル取得部１２は、入力された評価値を取得する。
なお、評価値は正確なものである必要があるので、ベテランの作業者が評価値を決定するための判断を行うことが望ましい。
学習部１３は、この入力データとラベルとの組を教師データとして受け付け、この教師データを用いて、教師あり学習を行うことにより、学習モデルを構築する。
例えば、学習部１３は、ニューラルネットワークを用いた教師あり学習を行う。この場合、学習部１３は、教師データに含まれる入力データとラベルの組を、パーセプトロンを組み合わせて構成したニューラルネットワークに与え、ニューラルネットワークの出力がラベルと同じとなるように、ニューラルネットに含まれる各パーセプトロンについての重み付けを変更する、というフォワードプロパゲーションを行う。
本実施形態では、ニューラルネットワークの出力を「良」と「不良」の２つのクラスとし、何れのクラスに分類されるのかを確率として出力する。そして、ニューラルネットワークが出力するレーザ光の強度分布の良否についての確率の値（例えば、良否における「良」の可能性９０％といった値）が、ラベルの評価値と同じになるように（例えば、ラベルが良否における「良」を示す場合、ニューラルネットワークが出力する「良」の確率の値が１００％となるように）、フォワードプロパゲーションを行う。
そして、学習部１３は、このようにフォワードプロパゲーションを行った後に、バックプロパゲーション（誤差逆伝搬法とも呼ばれる。）という手法により各パラメータの出力の誤差を小さくするように重み付け値を調整する。より詳細には、学習部１３は、ニューラルネットワークの出力とラベルとの誤差を算出し、算出した誤差を小さくするように重み付け値を修正する。
学習部１３は、このようにして、教師データの特徴を学習し、入力から結果を推定するための学習モデルを帰納的に獲得する。
なお、本実施形態では、撮像装置３０がアクリルブロック４０に形成されたバーンパターンを撮像することにより生成した画像データが入力データに含まれる。そこで学習部１３は、この画像データについては、画像データを対象とした学習に適しているニューラルネットワークである、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）を使用して特徴を学習するようにするとよい。そして、上記畳み込みニューラルネットワークとは異なるニューラルネットワークにより学習した観測条件の特徴と、畳み込みニューラルネットワークにより学習した画像データの特徴との双方を入力としたニューラルネットワークを用いて学習モデルを構築するようにするとよい。
あるいは、観測条件そのものと、畳み込みニューラルネットワークにより学習した画像データの特徴との双方を入力としたニューラルネットワークを用いて学習モデルを構築するようにするとよい。
学習部１３は、以上説明したようにして機械学習を行うことにより学習モデルを構築する。
学習部１３が構築した学習モデルは、学習モデル記憶部１４に対して出力される。
学習モデル記憶部１４は、学習部１３が構築した学習モデルを記憶する記憶部である。なお、学習モデルを構築した後に、新たな教師データを取得した場合には、学習モデル記憶部１４が記憶した学習モデルに対して更に教師あり学習を追加して行うことにより、一度構築した学習モデルは適宜更新されるようにしてもよい。
また、この追加学習は、自動的に行われてもよいが、ユーザの判断により行われてもよい。つまり、ユーザが、学習モデルによる良否判定が誤っていると判断した場合に、良否判定がより正確となるように、ユーザ独自の基準で、観測条件や評価値を決定することにより教師データを生成して、追加学習を行うようにしてもよい。また、レーザ加工機２０におけるレーザ発振器２１の配置が変更になって、アクリルブロック４０を設置できる場所も変更になった場合等に追加学習を行うようにしてもよい。このような追加学習を行うことにより、ユーザ独自の判定基準に沿った学習モデルを構築することが可能となる。
出力提示部１５は、学習部１３の出力を提示する部分である。上述したように、本実施形態では、学習部１３が構築した学習モデルにより、アクリルブロック４０の良否判定の結果を出力することができるので、出力提示部１５は、この学習部１３の出力の内容をユーザに対して提示する。
提示は、例えば液晶ディスプレイ等に表示することにより行われてもよいし、紙媒体への印刷により行われてもよいし、音の出力（例えば、良否判定の結果「不良」の可能性が高い場合に警告音を出力する）により行われてもよい。
以上、機械学習装置１０に含まれる機能ブロックについて説明した。
これらの機能ブロックを実現するために、機械学習装置１０は、ＣＰＵ（Central Processing Unit）等の演算処理装置を備える。また、機械学習装置１０は、アプリケーションソフトウェアやＯＳ（Operating System）等の各種の制御用プログラムを格納したＨＤＤ（Hard Disk Drive）等の補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのＲＡＭ（Random Access Memory）といった主記憶装置も備える。
そして、機械学習装置１０において、演算処理装置が補助記憶装置からアプリケーションソフトウェアやＯＳを読み込み、読み込んだアプリケーションソフトウェアやＯＳを主記憶装置に展開させながら、これらのアプリケーションソフトウェアやＯＳに基づいた演算処理を行なう。また、この演算結果に基づいて、各装置が備える各種のハードウェアを制御する。これにより、本実施形態の機能ブロックは実現される。つまり、本実施形態は、ハードウェアとソフトウェアが協働することにより実現することができる。
具体例として、機械学習装置１０は、一般的なパーソナルコンピュータやサーバ装置に本実施形態を実現するためのアプリケーションソフトウェアを組み込むことより実現できる。
ただし、機械学習装置１０については教師あり学習に伴う演算量が多いため、例えば、パーソナルコンピュータにＧＰＵ（Graphics Processing Units）を搭載し、ＧＰＧＰＵ（General-Purpose computing on Graphics Processing Units）と呼ばれる技術により、ＧＰＵを教師あり学習に伴う演算処理に利用するようにすると高速処理できるようになるのでよい。更には、より高速な処理を行うために、このようなＧＰＵを搭載したコンピュータを複数台用いてコンピュータ・クラスターを構築し、このコンピュータ・クラスターに含まれる複数のコンピュータにて並列処理を行うようにしてもよい。
次に、図７のフローチャートを参照して、機械学習装置１０による教師あり学習時の動作について説明する。
ステップＳ１１において、状態観測部１１は、撮像装置３０からアクリルブロック４０に形成されたバーンパターンを撮像した画像データを取得する。状態観測部１１は、取得した画像データを、学習部１３に対して出力する。
ステップＳ１２において、状態観測部１１は、ステップＳ１１にて取得した画像データに対応する観測条件を取得する。状態観測部１１は、取得した観測条件を、学習部１３に対して出力する。
ステップＳ１３において、ラベル取得部１２は、ステップＳ１１及びステップＳ１２にて状態観測部１１が取得した画像データ及び観測条件に対応する評価値を取得する。ラベル取得部１２は、取得した評価値を、学習部１３に対して出力する。
なお、説明の便宜上、ステップＳ１１からステップＳ１３の順番で説明しているが、これら３つのステップは、異なる順番で実行されてもよく、並列に実行されてもよい。
ステップＳ１４において、学習部１３は、ステップＳ１１、ステップＳ１２及びステップＳ１３にて入力された各データを組とすることにより教師データを生成する。
ステップＳ１５において、学習部１３は、ステップＳ１４にて作成した教師データに基づいて機械学習を行う。この機械学習は、教師あり学習であり、その方法については、学習部１３の機能ブロックの説明として上述した通りである。
ステップＳ１６において、学習部１３は、機械学習を終了するか否かを判定する。この判定は所定の条件に基づいて行われる。例えば、ニューラルネットワークの出力とラベルとの誤差の値が所定値以下となったことや、予め定めておいた回数だけ教師あり学習を繰り返したことを条件として、これらの条件が満たされた場合に学習は終了する。
機械学習を終了するための条件が満たされていない場合は、ステップＳ１６においてＮｏと判定され、処理はステップＳ１１に戻る。そして、新たな入力データ及びラベルを対象として上述した処理が繰り返される。一方で、機械学習を終了するための条件が満たされた場合は、ステップＳ１６においてＹｅｓと判定され、処理はステップＳ１７に進む。
ステップＳ２２において、学習部１３は、ステップＳ２２における学習で構築した学習モデルを学習モデル記憶部１４に記憶させる。
以上説明した動作により、学習部１３は、アクリルブロック４０の用途に関する観測条件及び画像データを入力データとした教師あり学習を行って学習モデルを構築する。これにより、バーンパターンの観測条件を考慮した上で、レーザ光の強度分布の良否判定を行うための学習モデルを構築することができる。
なお、上述の動作は、学習モデルの構築のための処理として行われてもよいが、工場等においてレーザ加工機２０を通常通りにメンテナンスしている際に行われてもよい。
また、上述した教師あり学習は、オンライン学習で行っているが、バッチ学習やミニバッチ学習で教師あり学習を行ってもよい。
オンライン学習とは、教師データが作成される都度、即座に教師あり学習を行うという学習方法である。また、バッチ学習とは、教師データが作成されることが繰り返される間に、繰り返しに応じた複数の教師データを収集し、収集した全ての教師データを用いて、教師あり学習を行うという学習方法である。更に、ミニバッチ学習とは、オンライン学習と、バッチ学習の中間的な、ある程度教師データが溜まるたびに教師あり学習を行うという学習方法である。
次に、このようにして構築された学習モデルを利用した良否判定を行う場合の動作について図８のフローチャートを参照して説明する。
ステップＳ２１において、状態観測部１１は、撮像装置３０からアクリルブロック４０に形成されたバーンパターンを撮像した画像データを取得する。状態観測部１１は、取得した画像データを、学習部１３に対して出力する。
ステップＳ２２において、状態観測部１１は、ステップＳ１１にて取得した画像データに対応する観測条件を取得する。状態観測部１１は、取得した観測条件を、学習部１３に対して出力する。なお、ステップＳ２１及びステップＳ２２についても、ステップＳ１１からステップＳ１３までと同様に、異なる順番で実行されてもよく、並列に実行されてもよい。
ステップＳ２３において、学習部１３は、ステップＳ２１及びステップＳ２２にて入力された各データを入力データとして学習モデル記憶部１４に記憶されている学習済みの学習モデルに入力する。そして、学習部１３は、この入力に応じた学習モデルの出力を、出力提示部１５に対して出力する。
出力提示部１５は、学習部１３から入力された学習モデルの出力を、良否判定の結果としてユーザに対して提示する。
以上説明した動作により、機械学習装置１０は、バーンパターンの観測条件を考慮した上で、レーザ光の強度分布についての良否判定を行うことが可能となる。また、ユーザは提示された良否判定の結果を参照することにより、レーザ発振器２１内部のミラー等を交換する必要の有無等を判断することが可能となる。
これにより、従来は良否判定の都度行っていたユーザの目視による判定を要することなく、良否判定を自動化することができる。また、従来の曖昧な判定基準をモデル化することができ、判定結果を数値で示すことができる。
＜第２の実施形態＞
次に第２の実施形態について説明する。なお、第１の実施形態と第２の実施形態は、基本的な構成について共通するので、以下では、この共通する部分についての再度の説明を省略し、第１の実施形態と第２の実施形態とで相違する部分について詳細に説明する。
上述の第１の実施形態では、学習部１３は、アクリルブロック４０に形成されたバーンパターンの画像データを入力データとして機械学習を行っていた。これを変形して、状態観測部１１がビームプロファイラ等の他の観測手段が観測した強度分布についてのデータを取得し、学習部１３がこの強度分布についてのデータを入力データとして機械学習を行うようにしてもよい。
一般的に、産業用ＣＯ２レーザ用のビームプロファイラは高額なので、観測対象がＣＯ２レーザの場合は、第１の実施形態のようにアクリルブロック４０を用いて観測を行う。これに対して、観測対象がＹＡＧレーザやファイバレーザの場合は、波長帯の違いによりアクリルブロック４０による観測ができず、また受光素子がＣＯ２レーザ用より安価であるのでビームプロファイラを用いることが多い。そこで、観測対象がＹＡＧレーザやファイバレーザの場合に、本実施形態を利用するとよい。
ビームプロファイラの出力は、レーザビームの進行方向（Ｚ方向）に垂直な平面（ＸＹ平面）を複数のセル（例えば１２８×１２８のセル）に分割し、各セルへ光強度に相当する数値が入る形式となっている。本変形例では、状態観測部１１が、このビームプロファイラの出力と、観測条件とを入力データとして取得する。これにより、観測対象がＹＡＧレーザやファイバレーザの場合であっても、レーザ光の良否判定を行うための学習モデルを構築することができる。
なお、第１の実施形態ではレーザ光を照射時間の長さによりバーンパターンの形状が異なってくるため、レーザ光の照射時間を観測条件に含ませていた。しかしながら、ビームプロファイラにて観測を行う場合には、レーザ光の照射時間の長さは観測結果に影響しないので、レーザ光の照射時間を観測条件から省くようにするとよい。
また、ビームプロファイラの機種の違いや設定の違いにより、ＸＹ平面の分割数が異なる場合がある。そこで、ビームプロファイラの出力データを学習モデルに入力する前に前処理し、所定の分割数に変換する構成とするとよい。例えばＸＹ平面が、１２８×１２８のセルで分割されている出力データと、６４×６４のセルで分割されている出力データが存在する場合には、前処理により６４×６４のセルで分割されている出力データを更に分割して、１２８×１２８のセルとするとよい。
このように、ビームプロファイラの出力データの形式を前処理で変換することにより、ビームプロファイラの機種や設定が異なる場合においても、学習モデルを構築することができる。
また、本実施形態において、ビームプロファイラが観測結果に基づいて生成した３次元形状データの画像を画像データとして扱い、この画像データを入力データとして機械学習を行うようにしてもよい。
＜ハードウェアとソフトウェアの協働＞
なお、上記の機械学習システムに含まれる各装置のそれぞれは、ハードウェア、ソフトウェア又はこれらの組み合わせにより実現することができる。また、上記の機械学習システムに含まれる各装置のそれぞれの協働により行なわれる機械学習方法も、ハードウェア、ソフトウェア又はこれらの組み合わせにより実現することができる。ここで、ソフトウェアによって実現されるとは、コンピュータがプログラムを読み込んで実行することにより実現されることを意味する。
プログラムは、様々なタイプの非一時的なコンピュータ可読媒体(non-transitory computer readable medium)を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体(tangible storage medium)を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えば、フレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば、光磁気ディスク）、ＣＤ−ＲＯＭ(Read Only Memory)、ＣＤ−Ｒ、ＣＤ−Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ(Programmable ROM)、ＥＰＲＯＭ(Erasable PROM)、フラッシュＲＯＭ、ＲＡＭ(random access memory）)を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体(transitory computer readable medium)によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
＜実施形態の変形＞
また、上述した各実施形態は、本発明の好適な実施形態ではあるが、上記実施形態のみに本発明の範囲を限定するものではなく、各実施形態を組み合わせた形態や、本発明の要旨を逸脱しない範囲において種々の変更を施した形態での実施が可能である。
＜変形例１＞
上述した実施形態では、学習部１３は、ＣｏｌｄモードとＨｏｔモードのそれぞれにおいて、互いに直交するＸ軸、Ｙ軸、Ｚ軸の３方向からバーンパターンを撮像した６枚の画像についての画像データを入力データとして機械学習を行っていた。この、入力データとする画像データの数を減らすようにしてもよい。
例えば、ＣｏｌｄモードとＨｏｔモードの何れかにおいて、互いに直交するＸ軸、Ｙ軸、Ｚ軸の３方向からバーンパターンを撮像した３枚の画像を入力データとして機械学習を行うようにしてもよい。
また、「Ｃｏｌｄモードについての３枚の画像を入力データとする場合」、「Ｈｏｔモードについての３枚の画像を入力データとする場合」、「Ｃｏｌｄモード及びＨｏｔモードについての６枚の画像を入力データとする場合」のように様々な場合が混在する構成としてもよい。このような混在する構成とする場合には、入力データに含まれるのが、Ｃｏｌｄモードについての画像であるのか、Ｈｏｔモードについての画像であるのか、あるいは、Ｃｏｌｄモード及びＨｏｔモードについての画像であるのかを識別するための情報を、観測条件に含ませることにより学習モデルを構築することができる。
あるいは、様々な場合それぞれについて１つずつ学習モデルを構築するようにしてもよい。
＜変形例２＞
上述した各実施形態では、機械学習装置１０、レーザ加工機２０及び撮像装置３０のそれぞれが備える機能を別体の装置により実現していたが、これら機能の一部又は全部を一体の装置により実現してもよい。
また、１台の機械学習装置１０が、複数台のレーザ加工機２０及び撮像装置３０と接続されていてもよい。そして、１台の機械学習装置１０が、複数台のレーザ加工機２０及び撮像装置３０のそれぞれから取得した教師データに基づいて学習を行うようにしてもよい。更に、上述した実施形態では、機械学習装置１０を１台図示したが、機械学習装置１０が複数台存在してもよい。つまり、機械学習装置１０と、レーザ加工機２０及び撮像装置３０の関係は１対１であっても、１対多であっても、多対多であってもよい。
＜変形例３＞
変形例２で述べたように、機械学習装置１０が複数台存在する場合には、何れかの機械学習装置１０の学習モデル記憶部１４が記憶した学習モデルを、他の機械学習装置１０との間で共有するようにしてもよい。学習モデルを複数の機械学習装置１０で共有するようにすれば、各機械学習装置１０にて分散して教師あり学習を行うことが可能となるので、教師あり学習の効率を向上させることが可能となる。
＜変形例４＞
上述の実施形態では、アクリルブロック４０に形成されたバーンパターンを目視したユーザの判断により評価値を決定していたが、レーザ光を実際に利用した結果に基づいて評価値を決定するようにしてもよい。この場合、ユーザは、アクリルブロック４０を撮像装置３０で撮像した後に、このレーザ加工機２０にてレーザ加工を実際に行う。
そして、ユーザは、この実際に行ったレーザ加工の結果に基づいて評価値を決定する。これにより、より精度高く評価値を決定することが可能となる。
この場合に、実際に行ったレーザ加工により加工されたワークの検査結果に基づいて、機械学習装置１０が自動で評価値を決定するようにしてもよい。そのためには、例えば、加工されたワークの切断面品質等の基準を満たしているか否かを検査する検査装置と、機械学習装置１０とを接続する。また、機械学習装置１０が、検査装置から検査結果を受信する。
そして、機械学習装置１０は、加工されたワークが切断面品質等の基準を満たしている旨の審査結果を受信した場合には、評価値を「良」と決定する。一方で、機械学習装置１０は、加工されたワークが切断面品質等の基準を満たしていない旨の審査結果を受信した場合には、評価値を「不良」と決定する。これにより、ユーザによる評価値の入力の手間を省くことが可能となる。
１ 機械学習システム
１０ 機械学習装置
１１ 状態観測部
１２ ラベル取得部
１３ 学習部
１４ 学習モデル記憶部
１５ 出力提示部
２０ レーザ加工機
２１ レーザ発振器
２２ レーザ出射口
２３ 第１反射ミラー
２４ 第２反射ミラー
２５ 第３反射ミラー
２６ 第４反射ミラー
２７ 加工ヘッド
２８ 第５反射ミラー
２９ 集光レンズ
３０ 撮像装置
４０ アクリルブロック
４１ バーンパターン
５０ 導光路
６０ ワーク
６１ 可動テーブル

Claims (10)

  1. レーザ光の強度分布を示すデータと、前記強度分布を示すデータ生成の為に行う前記レーザ光の観測に関する条件を示すデータとを入力データとして取得する状態観測手段と、
    前記レーザ光の良否の判定に関する評価値をラベルとして取得するラベル取得手段と、
    前記状態観測手段が取得した入力データと前記ラベル取得手段が取得したラベルの組を教師データとして教師あり学習を行うことにより、前記レーザ光の良否の判定を行うための学習モデルを構築する学習手段と、
    を備える機械学習装置。
  2. 前記強度分布を示すデータは、前記レーザ光を照射される被照射物におけるレーザ光の受光部分を撮像した画像データである請求項１に記載の機械学習装置。
  3. 前記画像データは、前記レーザ光の受光部分を複数の方向から撮像した複数の画像データを含む請求項２に記載の機械学習装置。
  4. 前記強度分布を示すデータは、前記レーザ光をビームプロファイラで観測することにより生成される請求項１に記載の機械学習装置。
  5. 前記強度分布の観測に関する条件を示すデータは、前記レーザ光を照射するレーザ発振器の機種情報、前記レーザ発振器の温度状態に関する情報、前記レーザ光の照射時間を示す情報、及び前記レーザ発振器のビーム出射口から前記強度分布の観測点までの距離を示す情報の少なくとも何れかを含む請求項１から請求項４までの何れか１項に記載の機械学習装置。
  6. 前記評価値は、前記レーザ光を照射される被照射物におけるレーザ光の受光部分、又はビームプロファイラによる前記レーザ光の観測結果を参照したユーザの判断に基づいて決定される請求項１から請求項５までの何れか１項に記載の機械学習装置。
  7. 前記レーザ光は、レーザ加工に関する装置にて用いられるレーザ光であり、
    前記学習手段は、レーザ加工に関する装置における、前記レーザ光を照射するレーザ発振器の配置に応じて追加学習を行う請求項１から請求項６までの何れか１項に記載の機械学習装置。
  8. 前記レーザ光は、レーザ加工に関する装置にて用いられるレーザ光であり、
    前記学習手段が構築した学習モデルは、前記レーザ光の強度分布を示すデータと、前記強度分布の観測に関する条件を示すデータとを入力データとした場合に、前記レーザ光が所定の基準を満たしているか否かを示す確率の値を出力する学習モデルである請求項１から請求項７までの何れか１項に記載の機械学習装置。
  9. 請求項１から請求項８までの何れか１項に記載の機械学習装置を複数含んだ機械学習システムであって、
    複数の前記機械学習装置のそれぞれが備える前記学習手段にて学習モデルを共有し、前記共有した学習モデルに対して複数の前記機械学習装置のそれぞれが備える前記学習手段が学習を行う機械学習システム。
  10. 機械学習装置が行う機械学習方法であって、
    レーザ光の強度分布を示すデータと、前記強度分布を示すデータ生成の為に行う前記レーザ光の観測に関する条件を示すデータとを入力データとして取得する状態観測ステップと、
    前記レーザ光の良否の判定に関する評価値をラベルとして取得するラベル取得ステップと、
    前記状態観測ステップにて取得した入力データと前記ラベル取得ステップにて取得したラベルの組を教師データとして教師あり学習を行うことにより、前記レーザ光の良否の判定を行うための学習モデルを構築する学習ステップと、
    を備える機械学習方法。
JP2017163735A 2017-08-28 2017-08-28 機械学習装置、機械学習システム及び機械学習方法 Active JP6546230B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2017163735A JP6546230B2 (ja) 2017-08-28 2017-08-28 機械学習装置、機械学習システム及び機械学習方法
US16/050,252 US10532432B2 (en) 2017-08-28 2018-07-31 Machine learning device, machine learning system, and machine learning method
DE102018214170.3A DE102018214170B4 (de) 2017-08-28 2018-08-22 Maschinelles-lernen-vorrichtung, maschinelles-lernen-system und maschinelles lernverfahren
CN201810975964.6A CN109426154B (zh) 2017-08-28 2018-08-24 机器学习装置、机器学习系统以及机器学习方法

Applications Claiming Priority (1)

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

Publications (2)

Publication Number Publication Date
JP2019038027A true JP2019038027A (ja) 2019-03-14
JP6546230B2 JP6546230B2 (ja) 2019-07-17

Family

ID=65321890

Family Applications (1)

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

Country Status (4)

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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102089749B1 (ko) * 2019-11-20 2020-05-27 전명숙 소화 배관 제조 공정을 제어하기 위한 방법 및 장치
JP2020199517A (ja) * 2019-06-07 2020-12-17 ファナック株式会社 レーザ加工システム
WO2021153514A1 (ja) * 2020-01-31 2021-08-05 ファナック株式会社 機械学習装置、加工状態予測装置、及び制御装置

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019112099B3 (de) 2019-05-09 2020-06-18 Dürr Systems Ag Überwachungsverfahren für eine Applikationsanlage und entsprechende Applikationsanlage
CN117369282B (zh) * 2023-11-17 2024-04-19 上海四方无锡锅炉工程有限公司 一种自适应性分级送风的控制方法及其固废cfb锅炉

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63269588A (ja) * 1987-04-28 1988-11-07 Toshiba Corp レ−ザビ−ムのモニタリング装置
JPH05115992A (ja) * 1991-05-16 1993-05-14 Nikon Corp レーザ加工装置
JPH05337664A (ja) * 1991-10-22 1993-12-21 Mitsubishi Heavy Ind Ltd レーザ作業監視装置
JP2007044739A (ja) * 2005-08-11 2007-02-22 Miyachi Technos Corp レーザ加工モニタリング装置
JP2015166094A (ja) * 2014-03-03 2015-09-24 ビアメカニクス株式会社 レーザ加工装置
JP2017131937A (ja) * 2016-01-28 2017-08-03 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

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3541617B2 (ja) * 1997-04-23 2004-07-14 日本ビクター株式会社 光学式ディスク装置
EP1239623B1 (en) * 2001-03-07 2011-05-11 Nippon Telegraph And Telephone Corporation Optical wavelength division multiplex signal monitoring apparatus
EP1462206A1 (fr) * 2003-03-26 2004-09-29 Lasag Ag dispositif laser pour percer des trous dans des composants d'un dispositif d'injection d'un fluide
US10620105B2 (en) * 2004-03-06 2020-04-14 Michael Trainer Methods and apparatus for determining characteristics of particles from scattered light
JP4429974B2 (ja) * 2005-06-17 2010-03-10 オリンパス株式会社 レーザ加工方法および装置
US7410763B2 (en) * 2005-09-01 2008-08-12 Intel Corporation Multiplex data collection and analysis in bioanalyte detection
US7313299B2 (en) * 2006-03-09 2007-12-25 Lockheed Martin Coherent Technologies, Inc. Laser beam transformation and combination using tapered waveguides
JP5688203B2 (ja) * 2007-11-01 2015-03-25 株式会社半導体エネルギー研究所 半導体基板の作製方法
JP5204276B2 (ja) * 2011-08-09 2013-06-05 ファナック株式会社 電力計算手段を備えたガスレーザ装置
CA2879578A1 (en) 2012-08-03 2014-02-06 Abb Technology Ag Overload limitation in peak power operation
US20160123885A1 (en) * 2014-10-31 2016-05-05 Brasscorp Limited Inspection Lamp Having Reduction of Speckle of Laser Light
US10016843B2 (en) * 2015-03-20 2018-07-10 Ultratech, Inc. Systems and methods for reducing pulsed laser beam profile non-uniformities for laser annealing
CN108027911A (zh) * 2015-07-29 2018-05-11 伊利诺斯工具制品有限公司 促进焊接即服务软件的系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63269588A (ja) * 1987-04-28 1988-11-07 Toshiba Corp レ−ザビ−ムのモニタリング装置
JPH05115992A (ja) * 1991-05-16 1993-05-14 Nikon Corp レーザ加工装置
JPH05337664A (ja) * 1991-10-22 1993-12-21 Mitsubishi Heavy Ind Ltd レーザ作業監視装置
JP2007044739A (ja) * 2005-08-11 2007-02-22 Miyachi Technos Corp レーザ加工モニタリング装置
JP2015166094A (ja) * 2014-03-03 2015-09-24 ビアメカニクス株式会社 レーザ加工装置
JP2017131937A (ja) * 2016-01-28 2017-08-03 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

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020199517A (ja) * 2019-06-07 2020-12-17 ファナック株式会社 レーザ加工システム
KR102089749B1 (ko) * 2019-11-20 2020-05-27 전명숙 소화 배관 제조 공정을 제어하기 위한 방법 및 장치
WO2021153514A1 (ja) * 2020-01-31 2021-08-05 ファナック株式会社 機械学習装置、加工状態予測装置、及び制御装置
JPWO2021153514A1 (ja) * 2020-01-31 2021-08-05
JP7328364B2 (ja) 2020-01-31 2023-08-16 ファナック株式会社 機械学習装置、加工状態予測装置、及び制御装置

Also Published As

Publication number Publication date
US10532432B2 (en) 2020-01-14
CN109426154A (zh) 2019-03-05
CN109426154B (zh) 2020-04-17
US20190061062A1 (en) 2019-02-28
JP6546230B2 (ja) 2019-07-17
DE102018214170B4 (de) 2021-02-11
DE102018214170A1 (de) 2019-02-28

Similar Documents

Publication Publication Date Title
JP6546230B2 (ja) 機械学習装置、機械学習システム及び機械学習方法
JP6795472B2 (ja) 機械学習装置、機械学習システム及び機械学習方法
US10664767B2 (en) Machine learning apparatus, laser machining system and machine learning method
JP2020530070A (ja) 付加製造動作中の放射熱エネルギーを測定するためのシステムおよび方法
EP1818972A1 (en) Device processing system, information display method, program, and recording medium
JP2017131937A (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
CN109581618B (zh) 具有光焦度监测的可变焦距透镜系统
CN109900663B (zh) 激光光源散斑测量方法、散斑抑制装置及其参数优化方法
CN112839765B (zh) 用于求取加工过程的特征参量的方法和加工机
JP2019093429A (ja) レーザ加工中に保護ウインドの汚れを警告するレーザ加工装置
US10338561B2 (en) Data generating device that generates drawing data representing index pattern to be drawn on workpiece by laser beam for measuring deformation of workpiece
PL222531B1 (pl) Sposób i system do kolorowego znakowania metali
JP4486320B2 (ja) ３次元測定システムにおけるセンサ位置合わせ方法
JP2007155379A (ja) 三次元形状計測装置および三次元形状計測方法
JP2012194108A (ja) 被計測体の表面異常識別装置
JP2006258438A (ja) 高精度三次元形状測定方法および装置
JP6604121B2 (ja) レーザ加工装置
JP2014115249A (ja) 光導波路素子評価装置および光導波路素子評価方法
TW201617745A (zh) 預測用於評估照明設定的至少一照明參數的方法
JP5759232B2 (ja) 測定装置
JP2016173278A (ja) 屈折率測定データ処理装置
JP2020106285A (ja) 光源測定装置
JP2016017749A (ja) 干渉計測装置系の調整システムおよびその調整方法
JP2020148659A (ja) 計測装置
Stirling Taking Measures

Legal Events

Date Code Title Description
A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20190121

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20190214

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190514

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: 20190521

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190620

R150 Certificate of patent or registration of utility model

Ref document number: 6546230

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150