JP2020131282A - 機械学習装置、レーザ加工装置及びレーザ加工システム - Google Patents

Abstract

【課題】レーザ加工装置のレーザ光の目標位置からの位置ずれを補正する場合に、複数の光学部品及び構造部材が複雑に影響する補正を温度変化に対応させて行うことができようにする。
【解決手段】レーザ光を反射する複数のガルバノミラー及び複数のガルバノミラーをそれぞれ回転駆動させる複数のガルバノモータを有し、ワークに対してレーザ光を走査するレーザ加工装置に対して、機械学習を行う機械学習装置であって複数のガルバノミラー及び複数のガルバノモータの少なくとも２つの検出温度を入力データとして取得する入力データ取得手段と、レーザ光によるワークの実際の加工位置から加工目標位置を求める係数をラベルとして取得するラベル取得手段と、ラベルと入力データと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、少なくとも２つの検出温度に基づいて、ワークの実際の加工位置から加工目標位置を算出するための数式モデルを構築する学習手段と、を備える。
【選択図】図９

Description

本発明は、機械学習装置、レーザ加工装置及びレーザ加工システムに関する。

従来、レーザ光をワークに対して所定の方向に走査させて加工を行うレーザ加工装置が知られている。
例えば、特許文献１は、ガルバノミラーやガルバノスキャナの温度変化による加工位置精度の低下を回避するために、レーザ加工装置が、レーザビームをガルバノミラーで偏向し、ｆθレンズで集光加工するレーザ加工装置において、ガルバノミラーの温度を検出するガルバノ温度検出手段と、ｆθレンズの温度を検出するレンズ温度検出手段と、このガルバノ温度検出手段及びレンズ温度検出手段からの温度に基づき、ガルバノミラーの偏向変位動作位置を制御する手段と、を備えることを記載している。

また、特許文献２は、揺動軸が熱変形しても、精度に優れる加工を行うことができるように、ミラーのアクチュエータを目標値と現在値との偏差に基づいて動作させ、ミラーに入射する光の出射角を制御する制御手段を有するガルバノスキャナの制御装置において、ガルバノスキャナの制御装置が、アクチュエータに供給する電流値とずれ量との関係を記憶する手段と、アクチュエータに供給する電流値からずれ量を推定する手段と、を備え、制御手段は、加工時、電流値に基づいてずれ量を推定し、推定されたずれ量を打ち消すように目標値を補正することを記載している。

また、特許文献３は、簡易な構成でレーザ加工の位置ずれを正確に補正して加工対象物を精度良く加工できるように、ガルバノ反射ミラーを制御して加工対象物の加工位置を制御し加工対象物のレーザ加工を行なうレーザ加工装置において、レーザ加工装置が、加工の位置ずれに基づいて算出される加工目標座標を補正するためのオフセット補正係数に基づいて所定のタイミングで加工目標座標を補正するとともに、ガルバノ反射ミラーの温度および加工の位置ずれに基づいて算出される加工目標座標を補正するための温度補正係数に基づいて所定のタイミングで加工目標座標を補正し、補正結果を位置指令情報として出力する位置指令作成部と、位置指令情報に基づいてガルバノ反射ミラーを制御するガルバノミラー制御部と、を備えることを記載している。

特開２００３−２９０９４４号公報 特開２００５−２９２３２２号公報 特開２００７−２１５０７号公報

レーザ加工機のレーザ光の目標位置からの位置ずれを補正する場合、位置ずれは加工中のガルバノミラーの温度変化による熱変形等で変化するが、位置ずれは複数の光学部品及び構造部材が影響するので、補正量を温度変化に対応させて求めることは難しいという課題があった。

（１） 本開示の第１の態様は、レーザ光を反射する複数のガルバノミラー及び前記複数のガルバノミラーをそれぞれ回転駆動させる複数のガルバノモータを有し、ワークに対してレーザ光を走査するレーザ加工装置に対して、機械学習を行う機械学習装置であって、
前記複数のガルバノミラー及び前記複数のガルバノモータの少なくとも２つの検出温度を入力データとして取得する入力データ取得手段と、
前記レーザ光による前記ワークの実際の加工位置から加工目標位置を求める係数をラベルとして取得するラベル取得手段と、
前記ラベルと前記入力データと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、前記少なくとも２つの検出温度に基づいて、前記ワークの実際の加工位置から前記加工目標位置を算出するための数式モデルを構築する学習手段と、
を備える機械学習装置である。

（２） 本開示の第２の態様は、上記（１）の機械学習装置と、
レーザ光を反射する複数のガルバノミラー及び前記複数のガルバノミラーをそれぞれ回転駆動させる複数のガルバノモータを有し、ワークに対してレーザ光を走査するスキャナヘッドと、
前記ワークの実際の加工位置を検出する位置検出手段と、
前記ワークの加工目標位置を作成する位置指令作成手段と、
前記位置検出手段から出力される前記実際の加工位置から、前記位置指令作成手段から出力される前記加工目標位置を求める係数を算出する係数算出手段と、
前記複数のガルバノミラー及び前記複数のガルバノモータの少なくとも２つの検出温度を検出する少なくとも２つの温度検出手段と、
前記機械学習装置から出力される、前記少なくとも２つの検出温度に基づいて、前記ワークの実際の加工位置から前記加工目標位置を算出するための数式モデルを用いて、前記加工目標位置から、前記少なくとも２つの温度検出手段で検出された少なくとも２つの検出温度における、前記ワークの実際の加工位置と前記加工目標位置との位置ずれを補正した加工目標位置を算出する補正位置指令作成手段と、
を備えるレーザ加工装置である。

（３） 本開示の第３の態様は、レーザ光を反射する複数のガルバノミラー及び前記複数のガルバノミラーをそれぞれ回転駆動させる複数のガルバノモータを有し、ワークに対してレーザ光を走査するスキャナヘッドと、
前記ワークの加工目標位置を作成する位置指令作成手段と、
前記複数のガルバノミラー及び前記複数のガルバノモータの少なくとも２つの検出温度を検出する少なくとも２つの温度検出手段と、
前記少なくとも２つの検出温度を入力データとし、前記レーザ光による前記ワークの実際の加工位置から前記加工目標位置を求める係数をラベルとした教師有り学習により得られた数式モデルを用いて、前記加工目標位置から、前記少なくとも２つの温度検出手段で検出された少なくとも２つの検出温度における、前記ワークの実際の加工位置と前記加工目標位置との位置ずれを補正した加工目標位置を算出する補正位置指令作成手段と、
を備えるレーザ加工装置である。

（４） 本開示の第４の態様は、上記（１）の機械学習装置と、レーザ加工装置とを備え、
前記レーザ加工装置は、
レーザ光を反射する複数のガルバノミラー及び前記複数のガルバノミラーをそれぞれ回転駆動させる複数のガルバノモータを有し、ワークに対してレーザ光を走査するスキャナヘッドと、
前記ワークの実際の加工位置を検出する位置検出手段と、
前記ワークの加工目標位置を作成する位置指令作成手段と、
前記位置検出手段から出力される前記実際の加工位置から、前記位置指令作成手段から出力される前記加工目標位置を求める係数を算出する係数算出手段と、
前記複数のガルバノミラー及び前記複数のガルバノモータの少なくとも２つの検出温度を検出する少なくとも２つの温度検出手段と、
前記機械学習装置から出力される、前記少なくとも２つの検出温度に基づいて、前記ワークの実際の加工位置から前記加工目標位置を算出するための数式モデルを用いて、前記加工目標位置から、前記少なくとも２つの温度検出手段で検出された少なくとも２つの検出温度における、前記ワークの実際の加工位置と前記加工目標位置との位置ずれを補正した加工目標位置を算出する補正位置指令作成手段と、
を備えるレーザ加工システムである。

上記各態様によれば、レーザ加工装置のレーザ光の目標位置からの位置ずれを補正する場合に、複数の光学部品及び構造部材が影響する補正を温度変化に対応させて行うことができる。

本開示の一実施形態のレーザ加工装置の機械学習中の構成を示すブロック図である。 本開示の一実施形態のレーザ加工装置の機械学習後の構成を示すブロック図である。 レーザ加工装置におけるスキャナヘッドの光学系の一部、ＣＣＤカメラ及び温度センサを説明する図である。 スキャナヘッドの光学系の全体構成を示す図である。 学習用プログラムによりワーク上に出射されるレーザ光の走査経路を示す図である。 補正前の加工目標位置データ（ｘ，ｙ）を示す図である。 係数ａ_ij、ｂ_ijを求めるための、数式１を連立した行列式を示す図である。 指令位置と実際の照射位置との、補正前と補正後の関係を示す説明図である。 機械学習部の構成を示すブロック図である。 ディープランニングによる学習部の構成を示す説明図である。 本実施形態における機械学習部の機械学習に係る動作を示すフローチャートである。 本開示の一実施形態のレーザ加工システムの構成を示すブロック図である。

以下、本開示の実施形態について図面を参照して説明する。
［レーザ加工装置の全体構成］
図１は、本開示の一実施形態のレーザ加工装置の機械学習中の構成を示すブロック図である。図２は、本開示の一実施形態のレーザ加工装置の機械学習後の構成を示すブロック図である。図３はレーザ加工装置におけるスキャナヘッドの光学系の一部、ＣＣＤカメラ及び温度センサを説明する図である。
図１及び図２において、レーザ加工装置１０は、制御部１００、レーザ発振器２００、スキャナヘッド３００、ＣＣＤカメラ４００、温度センサ５００、係数算出部６００及び機械学習部７００を備える。係数算出部６００は機械学習部７００に含まれてもよい。

制御部１００は、プログラム解析部１０１、レーザ指令出力部１０２、位置指令作成部１０３、ヘッド制御部１０４、及び補正位置指令作成部１０５を備える。補正位置指令作成部１０５は位置指令作成部１０３に含まれてもよい。
本実施形態では、機械学習中には、補正位置指令作成部１０５を動作させない状態で、制御部１００、レーザ発振器２００、スキャナヘッド３００、ＣＣＤカメラ４００、温度センサ５００、係数算出部６００、及び機械学習部７００を動作させる。レーザ加工装置１０は、機械学習用の加工プログラムによる加工目標位置に対する実際の加工位置の位置ずれを抑制する制御は行わない。そのため、図１では、位置指令作成部１０３からの加工目標位置データは補正位置指令作成部１０５に入力されず、温度センサ５００からの検出温度は補正位置指令作成部１０５に入力されない。このため、図１では、位置指令作成部１０３と補正位置指令作成部１０５との間の経路、及び温度センサ５００と補正位置指令作成部１０５との間の経路は機能しないという意味で、これらの経路は破線で表されている。

一方、本実施形態では、機械学習後には、ＣＣＤカメラ４００、係数算出部６００、及び機械学習部７００を動作させない状態で、制御部１００、レーザ発振器２００、スキャナヘッド３００、及び温度センサ５００を動作させる。レーザ加工装置１０は、補正位置指令作成部１０５を用いて、実際の加工プログラムによる加工目標位置に対する実際の加工位置の位置ずれを抑制する制御を行う。そのため、図２では、ＣＣＤカメラ４００からの出力は係数算出部６００に入力されず、位置指令作成部１０３からの出力は係数算出部６００に入力されない。また、係数算出部６００からの出力は機械学習部７００に入力されず、温度センサ５００からの検出温度は機械学習部７００に入力されない。このため、図２では、係数算出部６００と、ＣＣＤカメラ４００及び位置指令作成部１０３との間の経路、及び機械学習部７００と、係数算出部６００及び温度センサ５００との間の経路は機能しないという意味で、これらの経路は破線で表されている。機械学習後には、レーザ加工装置は、ＣＣＤカメラ４００、係数算出部６００、及び機械学習部７００を切り離した、ＣＣＤカメラ４００、係数算出部６００、及び機械学習部７００を有しない装置として構成されてもよい。

なお、各径路を機能させないようにするには、例えば、各径路の信号出力側が信号を出力しないようにするか、信号入力側が信号を受け付けないようにするか、又は各径路にスイッチを設けて信号の導通又は遮断を切り替えればよい。

プログラム解析部１０１は、図示しない入力装置から、機械学習後の実際の加工時には実際の加工プログラム、機械学習中は機械学習用の加工プログラム（以下、学習用プログラムという）を受け、実際の加工プログラム又は学習用プログラムを解析する。
プログラム解析部１０１は、実際の加工プログラム又は学習用プログラムを解析し、その解析結果に基づき、スキャナヘッド３００から出射されるレーザ光Ｌのレーザ出力情報を生成し、生成したレーザ出力情報をレーザ指令出力部１０２に出力する。また、プログラム解析部１０１は、スキャナヘッド３００のレーザ光走査方向と目標とする速度とに関する動作指令情報を生成して、生成した動作指令情報を位置指令作成部１０３に出力する。

レーザ指令出力部１０２は、スキャナヘッド３００から出射されるレーザ光Ｌがプログラム解析部１０１から出力されたレーザ出力情報に基づく所望のレーザ出力となるように、レーザ発振器２００にレーザ出力指令を出力する。

レーザ発振器２００は、レーザ媒質、光共振器及び励起源等（いずれも図示せず）から構成される。レーザ発振器２００はレーザ出力指令に基づくレーザ出力のレーザ光を生成し、生成したレーザ光Ｌをスキャナヘッド３００に出射する。

スキャナヘッド３００は、例えば、レーザ発振器２００から出射されるレーザ光Ｌを受けて、ワーク２０に対してレーザ光Ｌを走査可能なガルバノスキャナである。図３に示すように、スキャナヘッド３００は、レーザ発振器２００から出射されるレーザ光Ｌを反射させる２つのガルバノミラー３０１、３０２と、ガルバノミラー３０１、３０２をそれぞれ回転駆動するガルバノモータ３１１、３１２と、カバーガラス３２０とを備える。また、スキャナヘッド３００は図４に示すように、３つの焦点レンズ３３０、３４０、３５０と、反射ミラー３６０とを備えている。

カバーガラス３２０は、円柱状であり、ガルバノミラー３０１、３０２によって順次反射されてワーク２０に向かうレーザ光Ｌを透過すると共に、スキャナヘッド３００の内部を保護する機能を有する。

位置指令作成部１０３は、機械学習中は動作指令情報に基づいて加工目標位置データを作成して、加工目標位置データを位置指令としてヘッド制御部１０４及び係数算出部６００に出力する。位置指令作成部１０３は位置指令作成手段となる。位置指令作成部１０３は、機械学習後は加工目標位置データを補正位置指令作成部１０５に出力し、補正位置指令作成部１０５で生成された、補正された加工目標位置データを位置指令としてヘッド制御部１０４に出力する。なお、補正された加工目標位置データは位置指令作成部１０３を介さず、直接補正位置指令作成部１０５からヘッド制御部１０４に直接出力されてもよい。

ヘッド制御部１０４は、位置指令作成部１０３から出力された位置指令を、ガルバノモータ３１１、３１２を回転させる駆動制御データをスキャナヘッド３００に出力する。スキャナヘッド３００のガルバノモータ３１１、３１２は、駆動制御データに基づいてガルバノミラー３０１、３０２を互いに直交する２つの回転軸Ｊ１、Ｊ２回りに独立して回転させ、スキャナヘッド３００からワーク２０に対して出射されるレーザ光Ｌの走査を制御する。

スキャナヘッド３００からワーク２０上に出射されるレーザ光Ｌの走査経路は、ガルバノモータ３１１、３１２の回転駆動を適宜制御してガルバノミラー３０１、３０２のそれぞれの回転角度を変化させることにより、図５に示す、Ｘ、Ｙ方向に任意に変化させることができる。
図５は学習用プログラムによりワーク上に出射されるレーザ光の走査経路を示す図である。図５に示すように、レーザ光の走査経路は、格子状となっている。レーザ光の走査経路は特に格子状でなく、他の形状であってもよい。

ＣＣＤカメラ４００はワーク２０の加工位置を撮像して、加工軌跡の出力画像から加工位置データ（ｘ’，ｙ’）を求めて、求めた加工位置データ（ｘ’，ｙ’）を係数算出部６００に出力する。ＣＣＤカメラ４００は位置検出手段となる。
温度センサ５００は、レーザ光走査に影響を与えるガルバノミラー３０１、３０２及びガルバノモータ３１１、３１２の温度を測定して、機械学習中は機械学習部７００に、機械学習後は補正位置指令作成部１０５に出力する。
温度センサ５００は例えば、ガルバノミラー３０１、３０２に近接して設けられた非接触型の温度センサ５００ａ１、５００ｂ１、及びガルバノモータ３１１、３１２に取り付けられた接触型の温度センサ５００ａ２、５００ｂ２である。温度センサ５００は温度検出手段となる。

加工目標位置に対する実際の加工位置の位置ずれは、ガルバノミラー３０１、３０２の熱変形、ガルバノミラー３０１、３０２の固定部の熱変形による組み付けのゆがみ、ガルバノモータ３１１、３１２の固定部の熱変形による組み付けのゆがみ等により発生する。

また、加工目標位置に対する加工位置の位置ずれは、３つの焦点レンズ３３０、３４０、３５０、及び反射ミラー３６０の熱変形、及び３つの焦点レンズ３３０、３４０、３５０、及び反射ミラー３６０の固定部の熱変形による組み付けのゆがみによっても発生する。
そして、加工目標位置に対する加工位置の位置ずれは、レーザビームによる発熱、ガルバノモータの発熱、環境温度の変化等の要因で生ずる。
本実施形態では、ガルバノミラー３０１、３０２の温度変化を非接触型の温度センサ５００ａ１、５００ｂ１で測定し、ガルバノモータ３１１、３１２の温度変化を接触型の温度センサ５００ａ２、５００ｂ２で測定する例を取り上げて説明する。
なお、３つの焦点レンズ３３０、３４０、３５０、及び反射ミラー３６０の温度変化も考慮してレーザ加工装置における温度補正を行う場合には、３つの焦点レンズ３３０、３４０、３５０、及び反射ミラー３６０のそれぞれについて、接触型又は非接触型の温度センサを取り付ける。

係数算出部６００は、位置指令作成部１０３から補正前の加工目標位置データ（ｘ，ｙ）を得る。また、係数算出部６００は、ＣＣＤカメラ４００から加工位置データ（ｘ’，ｙ’）を得る。なお、ＣＣＤカメラ４００は出力画像を出力し、係数算出部６００が出力画像から加工位置データ（ｘ’，ｙ’）を求める処理を行ってよい。この場合は、ＣＣＤカメラ４００と係数算出部６００の一部とが位置検出手段となる。
そして、係数算出部６００は、数式１（数１とも記載する）を連立してＭ^２点を求める。係数算出部６００は係数算出手段となる。

図６はＭ^２点の測定点を示す図である。図７は、Ｍ^２点の測定点での加工位置データ（ｘ’，ｙ’）と加工目標位置データ（ｘ，ｙ）により、係数ａ_ij、ｂ_ijを求めるための、数式１を連立した行列式を示す図である。係数ａ_ij、ｂ_ijはＭ^２点（Ｍ^２≧（Ｎ＋１）^２）の測定点の加工位置データ（ｘ’，ｙ’）と加工目標位置データ（ｘ，ｙ）を代入した数１を図７に示すように連立することで求める。

機械学習部７００は、温度センサ５００からの検出温度Ｔを入力データとし、係数算出部６００から出力される係数ａ_ij、ｂ_ijをラベルとして、数式２（数２とも記載する）に示す数式モデルの、検出温度Ｔに対する係数ａ’_ij(T)、ｂ’_ij(T)を学習し、数式２の数式モデルを補正位置指令作成部１０５に出力する。機械学習部７００は機械学習装置となる。検出温度Ｔに基づいて規定される係数ａ’_ij(T)、ｂ’_ij(T)を持つ数式２の数式モデルは、図７の係数ａ_ij、ｂ_ijを係数ａ’_ij(T)、ｂ’_ij(T)に置き替えた行列式となる。

温度センサ５００からの検出温度Ｔは、非接触型の温度センサ５００ａ１、５００ｂ１、及び接触型の温度センサ５００ａ２、５００ｂ２からの検出温度である。

補正位置指令作成部１０５は、機械学習後に、機械学習部７００から出力された、係数ａ’_ij(T)、ｂ’_ij(T)を持つ数式２の数式モデルを用い、温度センサ５００からの検出温度に基づいて、位置指令作成部１０３から出力された加工目標位置データ（ｘ，ｙ）を補正して、補正された加工目標位置データ（ｘ’’，ｙ’’）を位置指令作成部１０３に出力する。補正位置指令作成部１０５は補正位置指令作成手段となる。
補正された加工目標位置データ（ｘ’’，ｙ’’）は数式２のｘ、ｙをｘ’’，ｙ’’に置き替え、ｘ’，ｙ’をｘ、ｙに置き替えた数式モデルの数式３（数３ともいう）で求めることができる。

位置指令作成部１０３は、加工目標位置データ（ｘ’’，ｙ’’）を位置指令としてヘッド制御部１０４に出力する。ヘッド制御部１０４によりスキャナヘッド３００を駆動する。

図８は、指令位置と実際の照射位置（加工位置）との、補正前と補正後の関係を示す説明図である。
ヘッド制御部１０４は、機械学習中に、指令位置となる加工目標位置データ（ｘ，ｙ）によりスキャナヘッド３００を走査し、係数算出部６００は、ＣＣＤカメラ４００から、ワーク２０上でレーザ光を走査すること得られた加工軌跡の出力画像を得て、実際の照射位置を示す加工位置データ（ｘ’，ｙ’）を求める。図８に示す例では、加工位置データ（ｘ’，ｙ’）は加工目標位置データ（ｘ，ｙ）に対して、ｘ方向についてｘ座標の絶対値が大きくなるように位置ずれが起こり、ｙ方向についてｙ座標の絶対値が小さくなるように位置ずれが起こっている。

機械学習部７００は、加工位置データ（ｘ’，ｙ’）を加工目標位置データ（ｘ，ｙ）とする、数式２の数式モデルの、検出温度Ｔに基づいて規定される係数ａ’_ij(T)、ｂ’_ij(T)を学習する。
補正位置指令作成部１０５は、機械学習後に、数式３で示される数式モデルを用い、温度センサ５００からの検出温度に基づいて、位置指令作成部１０３から出力された加工目標位置データ（ｘ，ｙ）を補正して、補正された加工目標位置データ（ｘ’’，ｙ’’）を得る。

位置指令作成部１０３は、加工目標位置データ（ｘ’’，ｙ’’）を位置指令としてヘッド制御部１０４に出力する。ヘッド制御部１０４は、指令位置となる加工目標位置データ（ｘ’’，ｙ’’）に基づいて、スキャナヘッド３００を走査する。スキャナヘッド３００の走査によって得られる実際の照射位置（加工位置）は加工目標位置データ（ｘ，ｙ）に対応するものとなる。
こうして、加工目標位置に対する実際の加工位置の位置ずれを抑制したレーザ加工装置を得ることができる。

次に、図９を用いて、機械学習部７００の構成及び動作について更に説明する。図９は機械学習部の構成を示すブロック図である。
図９に示すように、機械学習部７００は、入力データ取得部７１０、ラベル取得部７２０、学習部７３０、及び数式モデル記憶部７４０を備えている。

入力データ取得部７１０は、温度センサ５００から検出温度Ｔを取得し、取得した入力データを学習部７３０に対して出力する。温度センサ５００からの検出温度Ｔは、ここでは、非接触型の温度センサ５００ａ１、５００ｂ１、及び接触型の温度センサ５００ａ２、５００ｂ２からの検出温度である。
ラベル取得部７２０は、係数算出部６００から係数ａ_ij、ｂ_ijを取得し、取得したラベルを学習部７３０に対して出力する。

このようにして、入力データである検出温度Ｔと、ラベルである係数ａ_ij、ｂ_ijとの組が学習部７３０に入力される。この入力データとラベルの組は、機械学習における教師データに相当する。

学習部７３０は、このようにして入力された教師データに基づいて教師あり学習を行うことにより、検出温度Ｔに基づいて規定される係数ａ’_ij(T)、ｂ’_ij(T)を求める。ここで、教師あり学習自体は当業者にとってよく知られているので詳細な説明を省略して、その概略を説明する。

教師あり学習は、例えば、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より行う。具体的には、教師データに含まれる入力データである検出温度Ｔとラベルである係数ａ_ij、ｂ_ijの組を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、各パーセプトロンについての重み付けを変更しながら学習を繰り返す。
例えば、フォワードプロパゲーション（Ｆｏｒｗａｒｄ−ｐｒｏｐａｇａｔｉｏｎ）を行った後に、バックプロパゲーション（Ｂａｃｋ−ｐｒｏｐａｇａｔｉｏｎ、誤差逆伝搬法とも呼ばれる。）という処理を行うことを繰り返すことにより各パーセプトロン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。

なお、学習部７３０が学習に用いるニューラルネットワークは三層であってもよいが、これ以上に更に層を増やすようにしてもよい。いわゆるディープラーニング（深層学習とも呼ばれる。）により学習を行うようにしてもよい。図１０はディープランニングによる学習部の構成を示す説明図である。図１０において、ニューラルネットワークは入力層と中間層と出力層とから構成され、ここでは中間層は３層で構成されている。図１０の温度Ｔ_０〜Ｔ_Ｌはニューラルネットワークの入力となる検出温度Ｔを示し、係数ａ_００〜ａ_ＮＮはニューラルネットワークで求められる係数を示す。なお、ここでは温度Ｔ_０〜Ｔ_ＬはＴ_０〜Ｔ_３（Ｌ＝３）となり、温度Ｔ_０〜Ｔ_３は、非接触型の温度センサ５００ａ１、５００ｂ１、及び接触型の温度センサ５００ａ２、５００ｂ２からの検出温度に対応する。
このようにして、教師データの特徴を学習し、入力から出力を推定するための係数ａ’_ij(T)、ｂ’_ij(T)を帰納的に獲得する。

ここで、教師あり学習は、上述したように重み付けの値を異ならせながら、ラベルと出力データとの誤差がなくなるようにするものである。そして、本実施形態のラベルは、係数ａ_ij、ｂ_ijであり、入力は検出温度Ｔである。そのため、学習部７３０が学習を繰り返すことにより求められた係数ａ’_ij(T)、ｂ’_ij(T)は、加工位置データ（ｘ’，ｙ’）から加工目標位置データ（ｘ，ｙ）を求めるために数式２の係数となる。

学習部７３０が求めた係数ａ’_ij(T)、ｂ’_ij(T)を持つ数式２の数式モデルは、数式モデル記憶部７４０に対して出力される。

数式モデル記憶部７４０は、学習部７３０が求めた係数ａ’_ij(T)、ｂ’_ij(T)を持つ数式２の数式モデルを記憶する記憶部である。
補正位置指令作成部１０５は、実際の加工前に、数式モデル記憶部７４０から数式２の数式モデルを取得し、数式２の数式モデルを用いて、数式３の数式モデルを構築する。この数式３の数式モデルは、加工目標位置データ（ｘ，ｙ）から、補正された加工目標位置データ（ｘ’’，ｙ’’）を得る数式モデルである。加工目標位置データ（ｘ’’，ｙ’’）は、加工目標位置データ（ｘ，ｙ）に対して検出温度Ｔに対応して生ずる実際の位置ずれを補正した値となる。この加工目標位置データ（ｘ’’，ｙ’’）に基づいて、スキャナヘッド３００を走査することで得られる実際の照射位置（加工位置）は加工目標位置データ（ｘ，ｙ）に対応するものとなる。

以上、機械学習部７００の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、機械学習部７００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等の演算処理装置を備える。また、機械学習部７００は、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を備える。

そして、機械学習部７００では、演算処理装置が補助記憶装置からアプリケーションやＯＳを読み込み、読み込んだアプリケーションや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やＯＳに基づいた演算処理を行う。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、本実施形態における機械学習部７００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、機械学習部７００は、パーソナルコンピュータやサーバ装置あるいは数値制御装置（ＣＮＣ：Ｃｏｍｐｕｔｅｒｉｚｅｄ Ｎｕｍｅｒｉｃａｌ Ｃｏｎｔｒｏｌ）の一部等により実現できる。
ただし、機械学習部７００については機械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を機械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、本実施形態における機械学習部７００の機械学習に係る動作について図１１のフローチャートを参照して説明を行う。
ステップＳ１１において、機械学習部７００は、機械学習が終了したか否かを判断する。

ここで、機械学習が終了した場合には、ステップＳ１１においてＹｅｓと判定され、処理が終了する。機械学習が終了していない場合には、ステップＳ１１においてＮｏと判定され、処理はステップＳ１２に進む。
ステップＳ１２及びステップＳ１３において、機械学習部７００の入力データ取得部７１０及びラベル取得部７２０は入力データとラベルを取得する。これらのデータの具体的な内容は上述した通りである。

ステップＳ１４において、機械学習部７００の学習部７３０は、入力された教師データを用いて機械学習を実行する。この教師データを用いた機械学習の具体的な内容も上述した通りである。

ステップＳ１５において、学習部７３０は、求めた係数ａ’_ij、ｂ’_ijを持つ学習モデルを数式モデル記憶部７４０に対して出力することにより、学習モデルを更新する。その後、処理は再度ステップＳ１１に進む。

このように機械学習が終了するまで、ステップＳ１１からステップＳ１５の処理を繰り返すことにより、学習が継続されていく。なお、機械学習の終了は、例えば、ユーザからの指示により行われてもよいし、予め定めておいた回数だけ機械学習を繰り返した場合に行われてもよい。
このようにすることで、加工目標位置に対する実際の加工位置の位置ずれを抑制するための数式モデルを構築することができる。

なお、本実施形態に係るレーザ加工装置におけるスキャナヘッドは、それぞれ独立したガルバノモータによって回転する３つ以上のガルバノミラーを有するものであってもよい。

上述した実施形態は、本発明の好適な実施形態ではあるが、上述した各実施形態のみに本発明の範囲を限定するものではなく、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。例えば、以下に記載するような変更を施した形態での実施が可能である。

＜制御部が係数算出部及び機械学習部の少なくとも一方を備える変形例＞
上述した実施形態では、係数算出部６００及び機械学習部７００を、制御部１００とは別体の装置により構成した。しかし、係数算出部６００の機能の一部又は全部を制御部１００により実現するようにしてもよい。また、機械学習部７００の機能の一部又は全部を制御部１００により実現するようにしてもよい。

＜システム構成の自由度＞
上述した実施形態では、機械学習部７００が制御部１００、温度センサ５００及び係数算出部６００と接続されてレーザ加工装置を構成しているが、本実施形態の構成はかかる構成に限定されない。
図１２は本開示の一実施形態のレーザ加工システムの構成を示すブロック図である。レーザ加工システム３０は、図１２に示すように、ｎ台のレーザ加工部１０Ａ−１〜１０Ａ−ｎ、ｎ台の機械学習部７００−１〜７００−ｎ、及びネットワーク８００を備えている。なお、ｎは任意の自然数である。ｎ台の機械学習部７００−１〜７００−ｎは図１及び図２に示した機械学習部７００に対応している。また、レーザ加工部１０Ａ−１〜１０Ａ−ｎの各々は図１及び図２において、機械学習部７００を有しないレーザ加工装置１０に対応している。

ここで、レーザ加工部１０Ａ−１と機械学習部７００−１とは１対１の組とされて、ネットワーク８００を介して通信可能に接続されている。レーザ加工部１０Ａ−２〜１０Ａ−ｎと機械学習部７００−２〜７００−ｎについてもレーザ加工部１０Ａ−１と機械学習部７００−１と同様に接続される。図１２では、レーザ加工部１０Ａ−１〜１０Ａ−ｎと機械学習部７００−１〜７００−ｎとのｎ個の組は、ネットワーク８００を介して接続されているが、レーザ加工部１０Ａ−１〜１０Ａ−ｎと機械学習部７００−１〜７００−ｎとのｎ個の組は、それぞれの組のレーザ加工部と機械学習部とが接続インタフェースを介して直接接続されてもよい。レーザ加工部１０Ａ−１〜１０Ａ−ｎと機械学習部７００−１〜７００−ｎとのｎ個の組は、例えば同じ工場に複数組設置されていてもよく、それぞれ異なる工場に設置されていてもよい。

ネットワーク８００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、公衆電話網、或いは、これらの組み合わせである。ネットワーク８００における具体的な通信方式又は、有線接続および無線接続のいずれであるか等については、特に限定されない。

また、１台の機械学習部と複数のレーザ加工部とが、直接又はネットワークを介して通信可能に接続され、各レーザ加工部の機械学習を実施するようにしてもよい。
その際、機械学習部の各機能を、適宜複数のサーバに分散する、分散処理システムとしてもよい。また、クラウド上で仮想サーバ機能等を利用して、機械学習部の各機能を実現してもよい。

また、複数の同じ型名、同一仕様、又は同一シリーズの、図１及び図２に示すような、複数のレーザ加工装置があった場合に、各レーザ加工装置における学習結果を共有するように構成するようにしてもよい。そうすることで、より最適なモデルを構築することが可能となる。

＜オンライン学習、バッチ学習及びミニバッチ学習＞
上述した学習部７３０における教師あり学習は、オンライン学習で行ってもよく、バッチ学習で行ってもよく、ミニバッチ学習で行ってもよい。
オンライン学習とは、レーザ加工装置が駆動し、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、レーザ加工装置が駆動し、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。

また、以上説明した実施形態は、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。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。ハードウェアで構成する場合、各実施形態の一部又は全部を、例えば、ＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ)、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ゲートアレイ、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の集積回路（ＩＣ）で構成することができる。

また、上述した実施形態の一部又は全部をソフトウェアとハードウェアの組み合わせで構成する場合、フローチャートで示される機械学習装置の動作の全部又は一部を記述したプログラムを記憶した、ハードディスク、ＲＯＭ等の記憶部、演算に必要なデータを記憶するＤＲＡＭ、ＣＰＵ、及び各部を接続するバスで構成されたコンピュータにおいて、演算に必要な情報をＤＲＡＭに記憶し、ＣＰＵで当該プログラムを動作させることで実現することができる。

プログラムは、様々なタイプのコンピュータ可読媒体（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。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。コンピュータ可読媒体の例は、磁気記録媒体（例えば、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。

１０ レーザ加工装置
２０ ワーク
３０ レーザ加工システム
１００ 制御部
１０１ プログラム解析部
１０２ レーザ指令出力部
１０３ 位置指令作成部
１０４ ヘッド制御部
１０５ 補正位置指令作成部
２００ レーザ発振器
３００ スキャナヘッド
４００ ＣＣＤカメラ
５００ 温度センサ
６００ 係数算出部
７００ 機械学習部
Ｌ レーザ光

Claims (6)

1. レーザ光を反射する複数のガルバノミラー及び前記複数のガルバノミラーをそれぞれ回転駆動させる複数のガルバノモータを有し、ワークに対してレーザ光を走査するレーザ加工装置に対して、機械学習を行う機械学習装置であって、
   前記複数のガルバノミラー及び前記複数のガルバノモータの少なくとも２つの検出温度を入力データとして取得する入力データ取得手段と、
   前記レーザ光による前記ワークの実際の加工位置から加工目標位置を求める係数をラベルとして取得するラベル取得手段と、
   前記ラベルと前記入力データと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、前記少なくとも２つの検出温度に基づいて、前記ワークの実際の加工位置から前記加工目標位置を算出するための数式モデルを構築する学習手段と、
   を備える機械学習装置。
2. 前記ワークの実際の加工位置は、前記ワークの実際の加工位置を検出する位置検出手段から出力され、
   前記加工目標位置は前記レーザ加工装置から出力され、
   前記係数は、前記位置検出手段から出力される前記実際の加工位置から、前記レーザ加工装置から出力される前記加工目標位置を求める係数算出手段から出力される、請求項１に記載の機械学習装置。
3. 請求項１に記載の機械学習装置と、
   レーザ光を反射する複数のガルバノミラー及び前記複数のガルバノミラーをそれぞれ回転駆動させる複数のガルバノモータを有し、ワークに対してレーザ光を走査するスキャナヘッドと、
   前記ワークの実際の加工位置を検出する位置検出手段と、
   前記ワークの加工目標位置を作成する位置指令作成手段と、
   前記位置検出手段から出力される前記実際の加工位置から、前記位置指令作成手段から出力される前記加工目標位置を求める係数を算出する係数算出手段と、
   前記複数のガルバノミラー及び前記複数のガルバノモータの少なくとも２つの検出温度を検出する少なくとも２つの温度検出手段と、
   前記機械学習装置から出力される、前記少なくとも２つの検出温度に基づいて、前記ワークの実際の加工位置から前記加工目標位置を算出するための数式モデルを用いて、前記加工目標位置から、前記少なくとも２つの温度検出手段で検出された少なくとも２つの検出温度における、前記ワークの実際の加工位置と前記加工目標位置との位置ずれを補正した加工目標位置を算出する補正位置指令作成手段と、
   を備えるレーザ加工装置。
4. レーザ光を反射する複数のガルバノミラー及び前記複数のガルバノミラーをそれぞれ回転駆動させる複数のガルバノモータを有し、ワークに対してレーザ光を走査するスキャナヘッドと、
   前記ワークの加工目標位置を作成する位置指令作成手段と、
   前記複数のガルバノミラー及び前記複数のガルバノモータの少なくとも２つの検出温度を検出する少なくとも２つの温度検出手段と、
   前記少なくとも２つの検出温度を入力データとし、前記レーザ光による前記ワークの実際の加工位置から前記加工目標位置を求める係数をラベルとした教師有り学習により得られた数式モデルを用いて、前記加工目標位置から、前記少なくとも２つの温度検出手段で検出された少なくとも２つの検出温度における、前記ワークの実際の加工位置と前記加工目標位置との位置ずれを補正した加工目標位置を算出する補正位置指令作成手段と、
   を備えるレーザ加工装置。
5. 請求項１に記載の機械学習装置と、レーザ加工装置とを備え、
   前記レーザ加工装置は、
   レーザ光を反射する複数のガルバノミラー及び前記複数のガルバノミラーをそれぞれ回転駆動させる複数のガルバノモータを有し、ワークに対してレーザ光を走査するスキャナヘッドと、
   前記ワークの実際の加工位置を検出する位置検出手段と、
   前記ワークの加工目標位置を作成する位置指令作成手段と、
   前記位置検出手段から出力される前記実際の加工位置から、前記位置指令作成手段から出力される前記加工目標位置を求める係数を算出する係数算出手段と、
   前記複数のガルバノミラー及び前記複数のガルバノモータの少なくとも２つの検出温度を検出する少なくとも２つの温度検出手段と、
   前記機械学習装置から出力される、前記少なくとも２つの検出温度に基づいて、前記ワークの実際の加工位置から前記加工目標位置を算出するための数式モデルを用いて、前記加工目標位置から、前記少なくとも２つの温度検出手段で検出された少なくとも２つの検出温度における、前記ワークの実際の加工位置と前記加工目標位置との位置ずれを補正した加工目標位置を算出する補正位置指令作成手段と、
   を備えるレーザ加工システム。
6. 前記機械学習装置と、レーザ加工装置とはネットワークを介して接続される、請求項５に記載のレーザ加工システム。

Images