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 PDFInfo
- 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
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
【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
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。
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。
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。
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。
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。
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。
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。
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。
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、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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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)
- 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。 - 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。
- 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。
- 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。
- 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。
- 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。
- 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。 - 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。 - 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。 - 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。
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)
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)
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)
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)
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 |
-
2017
- 2017-08-28 JP JP2017163735A patent/JP6546230B2/ja active Active
-
2018
- 2018-07-31 US US16/050,252 patent/US10532432B2/en active Active
- 2018-08-22 DE DE102018214170.3A patent/DE102018214170B4/de active Active
- 2018-08-24 CN CN201810975964.6A patent/CN109426154B/zh active Active
Patent Citations (6)
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)
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 |