JP2022034349A - 学習装置、推論装置、学習方法、および推論方法 - Google Patents

Abstract

【課題】加工機が備える構成要素の異常を正確に診断できる学習装置を提供する。【解決手段】学習装置３０が、加工機が備える構成要素の状態を示す入力情報４１の推移と、加工機に発生した異常の情報である異常情報４２とを含む学習用データを取得するデータ取得部３１と、データ取得部３１が取得した学習用データを用いて、入力情報４１の推移から加工機に発生する異常の情報を推論するための学習済モデル４３を生成するモデル生成部３２と、を備える。【選択図】図６

Description

本開示は、加工機の異常の情報を診断する学習装置、推論装置、学習方法、および推論方法に関する。

レーザ加工機といった加工機は、経年変化等による加工異常を防止することが求められている。特許文献１に記載のガルバノスキャナの制御装置は、予め定められた複数種類のゲイン変化のパターンの中から、出荷時から特定時間経過後のアクチュエータのゲイン変化に近いパターンを判定し、判定結果から、ガルバノスキャナの位置決め性能の劣化を診断している。

特許第５８１９７４６号公報

しかしながら、上記特許文献１の技術では、特定時間経過後のゲイン変化に近いパターンは、予め定められた複数種類のゲイン変化のパターンの中から選択されるので、正確なパターン変化を特定することが困難であった。このため、ガルバノスキャナの位置決め性能の異常を正確に診断できないという問題があった。

本開示は、上記に鑑みてなされたものであって、加工機が備える構成要素の異常を正確に診断できる学習装置を得ることを目的とする。

上述した課題を解決し、目的を達成するために、本開示の学習装置は、加工機が備える構成要素の状態を示す状態情報の推移と、加工機に発生した異常の情報である第１の異常情報とを含む学習用データを取得するデータ取得部を備えている。また、本開示の学習装置は、学習用データを用いて、状態情報の推移から加工機に発生する異常の情報である第２の異常情報を推論するための学習済モデルを生成するモデル生成部を備えている。

本開示によれば、加工機が備える構成要素の異常を正確に診断できるという効果を奏する。

実施の形態にかかる機械学習装置を備えたレーザ加工システムの構成を示す図 実施の形態にかかる機械学習装置に接続されるガルバノスキャナの構成を説明するための図 実施の形態にかかる機械学習装置が学習する異常要因と入力情報との対応関係を説明するための図 実施の形態にかかる機械学習装置が取得する第１のミラー光量を説明するための図 実施の形態にかかる機械学習装置が取得する第２のミラー光量を説明するための図 実施の形態にかかる機械学習装置が備える学習装置の構成を示す図 実施の形態にかかる学習装置による学習処理の処理手順を示すフローチャート 実施の形態にかかる機械学習装置が用いるニューラルネットワークの構成を示す図 実施の形態にかかる機械学習装置が備える推論装置の構成を示す図 実施の形態にかかる推論装置による推論処理の処理手順を示すフローチャート 実施の形態にかかる学習装置のハードウェア構成を示す図

以下に、本開示にかかる学習装置、推論装置、学習方法、および推論方法の実施の形態を図面に基づいて詳細に説明する。

実施の形態．
図１は、実施の形態にかかる機械学習装置を備えたレーザ加工システムの構成を示す図である。レーザ加工システム１０１は、加工機の一例であるレーザ加工機８０と、機械学習装置７０とを備えている。レーザ加工システム１０１は、レーザ加工機８０によるレーザ加工時の異常動作を予防し、レーザ加工機８０を保全するシステムである。

レーザ加工機８０は、例えば、マイクロレーザ加工機である。レーザ加工機８０は、発振器１と、アンプ２と、ガルバノスキャナ３，４と、ｆθレンズ（エフシータレンズ）５と、搭載台６と、光量計８，９と、熱電対などの温度測定器７１～７３とを備えている。

発振器１は、レーザ光線７ａを出力し、レーザ光線７ａをガルバノスキャナ３に送る。ガルバノスキャナ３，４は、回転電動機である。ガルバノスキャナ３は、ミラー１４を備えており、ミラー１４を回転させる。また、ガルバノスキャナ３は、ミラー１４の温度であるミラー温度Ｔｍ１を測定する熱電対などの温度測定器７１を備えている。温度測定器７１は、測定したミラー温度Ｔｍ１を機械学習装置７０に送る。

ガルバノスキャナ４は、ミラー２４を備えており、ミラー２４を回転させる。また、ガルバノスキャナ４は、ミラー２４の温度であるミラー温度Ｔｍ２を測定する熱電対などの温度測定器７２を備えている。温度測定器７２は、測定したミラー温度Ｔｍ２を機械学習装置７０に送る。

ミラー１４は、発振器１から送られてきたレーザ光線７ａを反射し、レーザ光線７ｂをミラー２４に送る。ミラー２４は、ミラー１４で反射されたレーザ光線７ｂを反射し、レーザ光線７ｃをｆθレンズ５に送る。

アンプ２は、後述するステータ１０に制御信号をインプットすることで、ミラー１４、後述するロータ１３、および後述するエンコーダ１５の回転を制御する。以下の説明では、ミラー１４、後述するロータ１３、および後述するエンコーダ１５を、第１の回転部品という場合がある。また、アンプ２は、後述するステータ２０に制御信号をインプットすることで、ミラー２４、後述するロータ２３、および後述するエンコーダ２５の回転を制御する。以下の説明では、ミラー２４、後述するロータ２３、および後述するエンコーダ２５を、第２の回転部品という場合がある。

ｆθレンズ５は、ミラー１４，２４から送られてきたレーザ光線７ｃを集光し、搭載台６に載置されている被加工物２６に照射する。以下の説明では、ｆθレンズ５が送り出すレーザ光線をレーザ光線７ｄという。

搭載台６は、被加工物２６が載置される台である。温度測定器７３は、ｆθレンズ５の温度であるレンズ温度Ｔｆ１を測定する。温度測定器７３は、測定したレンズ温度Ｔｆ１を機械学習装置７０に送る。

光量計８は、ｆθレンズ５を通過したレーザ光線７ｄの光量であるレンズ光量Ｌｆ１を測定する。光量計８は、測定したレンズ光量Ｌｆ１を機械学習装置７０に送る。光量計９は、ミラー１４で反射された後のレーザ光線７ｂの光量であるミラー光量Ｌｍ１と、ミラー１４およびミラー２４で反射されたのちのレーザ光線７ｃの光量であるミラー光量Ｌｍ２とを測定する。光量計９は、測定したミラー光量Ｌｍ１，Ｌｍ２を機械学習装置７０に送る。

機械学習装置７０は、学習装置３０と、推論装置５０とを備えている。学習装置３０は、レーザ加工機８０の状態を示す状態情報（後述する入力情報）に基づいて、レーザ加工機８０が備える構成要素の異常の情報を学習する。

状態情報である入力情報は、レーザ加工機８０が備える構成要素の音の情報、レーザ加工機８０が備える構成要素の振動の情報、レーザ加工機８０が備える構成要素の温度の情報、およびレーザ加工機８０が備える構成要素の電流の情報の少なくとも１つを含んでいる。入力情報の例は、ミラー温度Ｔｍ１，Ｔｍ２、レンズ温度Ｔｆ１、ミラー光量Ｌｍ１，Ｌｍ２、およびレンズ光量Ｌｆ１である。これらの入力情報は、レーザ加工機８０によって機械学習装置７０に入力される。また、入力情報には、アンプ２から機械学習装置７０に入力される情報が含まれていてもよい。アンプ２から機械学習装置７０に入力される情報については後述する。

機械学習装置７０が異常の情報を学習するレーザ加工機８０の構成要素の例は、ｆθレンズ５、ミラー１４，２４、後述するロータ１３，２３、および後述する軸受け１１，１２である。以下の説明では、ｆθレンズ５、ミラー１４，２４、ロータ１３，２３、および軸受け１１，１２を対象製品という場合がある。

機械学習装置７０が学習する異常の情報は、異常要因および異常の発生が予測される時期（以下、異常発生時期という場合がある）である。学習装置３０は、異常要因および異常発生時期を学習することによって、異常要因の推論、および異常発生時期の推論を実行する。学習装置３０は、対象製品に対し、推論される異常要因、および推論される異常発生時期の少なくとも１つを学習する。学習装置３０が学習する異常要因には、異常の発生箇所の情報と、異常の要因の情報とが含まれている。

レーザ加工機８０では、発振器１から発せられたレーザ光線７ａが、ガルバノスキャナ３が備えるミラー１４で反射される。ミラー１４は、レーザ光線７ｂの水平方向または垂直方向の照射位置を制御する。次に、ガルバノスキャナ４が備えるミラー２４は、ミラー１４で反射されたレーザ光線７ｂを反射する。ミラー２４は、レーザ光線７ｃの水平方向または垂直方向の照射位置を制御する。次に、ｆθレンズ５は、ミラー２４で反射されたレーザ光線７ｃを通過させ、適切な焦点距離に調整する。ｆθレンズ５を通過したレーザ光線７ｄは、搭載台６に搭載された被加工物２６上に照射され、被加工物２６が加工される。なお、本実施の形態では、加工機がレーザ加工機８０である場合について説明するが、加工機は放電加工機などのレーザ加工機８０以外の加工機であってもよい。

次に、ガルバノスキャナ３，４の動作原理について説明する。図２は、実施の形態にかかる機械学習装置に接続されるガルバノスキャナの構成を説明するための図である。

ガルバノスキャナ３は、ステータ１０、軸受け１１，１２、ロータ１３、ミラー１４、およびエンコーダ１５を備えている。また、ガルバノスキャナ４は、ステータ２０、軸受け２１，２２、ロータ２３、ミラー２４、およびエンコーダ２５を備えている。なお、図２では、温度測定器７１，７２の図示を省略している。温度測定器７１は、ミラー１４の近傍に配置され、温度測定器７２は、ミラー２４の近傍に配置されている。

ロータ１３は、２つの軸受け１１，１２を介してステータ１０に取付けられている。ロータ１３の一端には、ミラー１４が取付けられており、ロータ１３の他端には、エンコーダ１５が取付けられている。この構成により、ロータ１３、ミラー１４、およびエンコーダ１５は一体となって揺動する。ロータ１３、および軸受け１１，１２の軸方向は、エンコーダ１５からミラー１４に向かう方向である。

また、ロータ２３は、２つの軸受け２１，２２を介してステータ２０に取付けられている。ロータ２３の一端には、ミラー２４が取付けられており、ロータ２３の他端には、エンコーダ２５が取付けられている。この構成により、ロータ２３、ミラー２４、およびエンコーダ２５は一体となって揺動する。ロータ２３、および軸受け２１，２２の軸方向は、エンコーダ２５からミラー２４に向かう方向である。

エンコーダ１５は、アンプ２が誤差補正前の制御信号をステータ１０にインプットして回転した、第１の回転部品の回転角度である第１の回転部品角度を検出して、検出値をアンプ２にフィードバックする。これにより、アンプ２は、検出値と目標値との間の誤差を補正し、誤差補正後の制御信号をステータ１０にインプットすることで、第１の回転部品角度を目標値通りとなるように制御する。アンプ２は、第１の回転部品が規定の回転角度の範囲内で揺動するように、回転角度を制御する。以下の説明では、誤差補正前の制御信号を、第１のアンプ指令という場合がある。

また、エンコーダ２５は、アンプ２が誤差補正前の制御信号をステータ２０にインプットして回転した、第２の回転部品の回転角度である第２の回転部品角度を検出して、検出値をアンプ２にフィードバックする。これにより、アンプ２は、検出値と目標値との間の誤差を補正し、誤差補正後の制御信号をステータ２０にインプットすることで、第２の回転部品角度を目標値通りとなるように制御する。アンプ２は、第２の回転部品が規定の回転角度の範囲内で揺動するように、回転角度を制御する。以下の説明では、誤差補正前の制御信号を、第２のアンプ指令という場合がある。

なお、レーザ加工機８０は、ガルバノスキャナ３用のアンプ２と、ガルバノスキャナ４用のアンプ２とを有していてもよい。この場合、ガルバノスキャナ３用のアンプ２が、ロータ１３、ミラー１４、およびエンコーダ１５の回転角度を制御する。また、ガルバノスキャナ４用のアンプ２が、ロータ２３、ミラー２４、およびエンコーダ２５の回転角度を制御する。

レーザ加工機８０では、ミラー１４，２４の総回転距離の増加に伴い、ガルバノスキャナ３が備える軸受け１１，１２の転動面、ガルバノスキャナ４が備える軸受け２１，２２の転動面、およびロータ１３，２３の転動面で、摩耗または傷の発生による劣化が進行する。

劣化の進行に伴い、軸受け１１の回転軸、軸受け１２の回転軸、およびロータ１３の回転軸に、ずれ、および傾きが発生する。このため、アンプ２からステータ１０への指令である第１のアンプ指令と第１の回転部品角度との間に差異が生じる。

また、劣化の進行に伴い、軸受け２１の回転軸、軸受け２２の回転軸、およびロータ２３の回転軸に、ずれ、および傾きが発生する。このため、アンプ２からステータ２０への指令である第２のアンプ指令と第２の回転部品角度との間に差異が生じる。

また、劣化の進行に伴い、軸受け１１，１２，２１，２２、およびロータ１３，２３に、異音および異常振動の少なくとも一つが発生する場合がある。機械学習装置７０は、アンプ２から、異音、異常振動といった異常に関連する情報を入力情報の一部として取得する。機械学習装置７０がアンプ２から取得する入力情報の例は、第１のアンプ指令、第２のアンプ指令、エンコーダ１５，２５の角度、軸受け１１，１２，２１，２２の音の情報および振動の情報、ロータ１３，２３の音の情報および振動の情報である。入力情報にレーザ加工機８０が備える構成要素の電流の情報が含まれる場合、学習装置３０は、アンプ２がガルバノスキャナ３，４のステータ（後述するステータ１０）へ流す電流の指令をアンプ２から取得する。

また、レーザ加工機８０では、加工の累積時間の増加に伴い、ミラー１４，２４、ｆθレンズ５への汚れ付着量が増加する。汚れ付着量の増加に伴い、ミラー１４で反射したレーザ光線７ｂ、ミラー２４で反射したレーザ光線７ｃ、およびｆθレンズ５を通過したレーザ光線７ｄの光量であるレンズ光量Ｌｆ１が低下する。また、汚れ付着量の増加に伴い、レーザ光線７ａ～７ｄが汚れに照射されて汚れの温度が上昇するので、ミラー１４，２４、およびｆθレンズ５の温度が上昇する。このため、機械学習装置７０は、レーザ加工機８０から、ミラー光量Ｌｍ１，Ｌｍ２、レンズ光量Ｌｆ１、ミラー温度Ｔｍ１，Ｔｍ２、およびレンズ温度Ｔｆ１を入力情報の一部として取得する。

図３は、実施の形態にかかる機械学習装置が学習する異常要因と入力情報との対応関係を説明するための図である。学習装置３０は、異常要因などを学習する際に、レーザ加工機８０から入力情報を取得する。学習装置３０は、入力情報を用いて、異常要因などを学習する。入力情報は、レーザ加工機８０で検知される検知項目である。

機械学習装置７０の学習装置３０は、ロータ１３，２３、軸受け１１，１２，２１，２２、ｆθレンズ５、およびミラー１４，２４のうちの少なくとも１つの対象製品に対して、異常の情報を学習する。

なお、ロータ１３，２３の異常要因と、レーザ加工機８０での検知項目である入力情報との関係は同じであるので、ここでは、ロータ１３について説明する。また、軸受け１１，１２，２１，２２の異常要因と入力情報との関係は、同じであるので、ここでは、軸受け１１について説明する。図３では、第１のアンプ指令および第２のアンプ指令を、アンプ指令と記載し、第１の回転部品角度および第２の回転部品角度を、回転部品角度と記載している。

ロータ１３の異常要因は、ロータ１３の劣化である。ロータ１３が劣化した場合に発生する第１の現象は、ロータ１３の軸のずれ、および軸の傾きの少なくとも一つである。第１の現象を検知するための入力情報は、第１のアンプ指令および第１の回転部品角度である。

また、ロータ１３が劣化した場合に発生する第２の現象は、ロータ１３の動作不良である。第２の現象を検知するための入力情報は、ロータ１３の実際の音の情報およびロータ１３の実際の振動の情報の少なくとも一つである。

軸受け１１の異常要因は、軸受け１１の劣化である。軸受け１１が劣化した場合に発生する第３の現象は、軸受け１１の軸のずれ、および軸の傾きの少なくとも一つである。第３の現象を検知するための入力情報は、第１のアンプ指令および第１の回転部品角度である。

また、軸受け１１が劣化した場合に発生する第４の現象は、軸受け１１の動作不良である。第４の現象を検知するための入力情報は、軸受け１１の実際の音の情報および軸受け１１の実際の振動の情報の少なくとも一つである。

ｆθレンズ５の異常要因は、ｆθレンズ５への汚れの付着である。ｆθレンズ５に汚れが付着した場合に発生する第５の現象は、レンズ光量Ｌｆ１の低下であり、第５の現象を検知するための入力情報は、レンズ光量Ｌｆ１である。

また、ｆθレンズ５に汚れが付着した場合に発生する第６の現象は、レンズ温度Ｔｆ１の上昇であり、第６の現象を検知するための入力情報は、レンズ温度Ｔｆ１である。

ミラー１４の異常要因は、ミラー１４への汚れの付着である。ミラー１４に汚れが付着した場合に発生する第７の現象は、ミラー光量Ｌｍ１の低下であり、第７の現象を検知するための入力情報は、ミラー光量Ｌｍ１である。

また、ミラー１４に汚れが付着した場合に発生する第８の現象は、ミラー温度Ｔｍ１の上昇であり、第８の現象を検知するための入力情報は、ミラー温度Ｔｍ１である。

図４は、実施の形態にかかる機械学習装置が取得する第１のミラー光量を説明するための図である。図５は、実施の形態にかかる機械学習装置が取得する第２のミラー光量を説明するための図である。第１のミラー光量は、ミラー光量Ｌｍ１であり、第２のミラー光量は、ミラー光量Ｌｍ２である。

図４に示すように、光量計９が、ミラー光量Ｌｍ１を測定する際には、ミラー１４が、発振器１から発せられたレーザ光線７ａを反射し、ミラー１４で反射されたレーザ光線７ｂが、ミラー２４を介さずに、光量計９に照射される。これにより、光量計９は、ミラー１４で反射されたレーザ光線７ｂのミラー光量Ｌｍ１を測定する。

図５に示すように、光量計９が、ミラー光量Ｌｍ２を測定する際には、ミラー１４が、発振器１から発せられたレーザ光線７ａを反射し、ミラー２４が、ミラー１４で反射されたレーザ光線７ｂを反射し、レーザ光線７ｃが光量計９に照射される。このように、光量計９が、ミラー光量Ｌｍ２を測定する際には、ミラー１４，２４を介したレーザ光線７ｃが光量計９に照射される。これにより、光量計９は、ミラー１４，２４で反射されたレーザ光線７ｃのミラー光量Ｌｍ２を測定する。

なお、レーザ加工機８０は、ミラー１４用の光量計９を用いてミラー光量Ｌｍ１を測定し、ミラー２４用の光量計９を用いてミラー光量Ｌｍ２を測定してもよい。すなわち、レーザ加工機８０は、複数の光量計９を用いてミラー光量Ｌｍ１，Ｌｍ２を測定してもよい。

次に、機械学習装置７０が備える学習装置３０および推論装置５０の構成について説明する。図６は、実施の形態にかかる機械学習装置が備える学習装置の構成を示す図である。学習装置３０は、データ取得部３１と、モデル生成部３２と、学習済モデル記憶部３３とを備えている。

データ取得部３１は、入力情報４１と、対象製品の異常の情報を示す異常情報４２とを、学習用データとして取得する状態観測部の機能を有している。ここで、学習用データは、入力情報４１および異常情報４２を互いに関連付けたデータである。データ取得部３１は、入力情報４１をレーザ加工機８０から取得する。異常情報４２は、ユーザによってデータ取得部３１に入力される。データ取得部３１へは、入力情報４１に対応する異常情報４２が入力される。データ取得部３１は、入力情報４１と異常情報４２とを対応付けることによって学習用データを生成する。

異常情報４２は、異常要因および異常発生の時期の少なくとも１つを含んでいる。異常情報４２に含まれる異常発生の時期は、実際に異常が発生した時期である。異常情報４２が第１の異常情報である。

ロータ１３に関連する入力情報４１には、第１のアンプ指令および第１の回転部品角度が含まれている。第１のアンプ指令と第１の回転部品角度との差が、ロータ１３の劣化による軸のずれ、軸の傾きに対応している。ロータ１３の劣化の原因は、ロータ１３の摩耗、傷等である。

また、ロータ１３に関連する入力情報４１には、ロータ１３の音の情報および振動の情報が含まれている。ロータ１３の異音および異常振動が、ロータ１３の劣化によるロータ１３の動作不良に対応している。

ロータ２３に関連する入力情報４１には、第２のアンプ指令および第２の回転部品角度が含まれている。第２のアンプ指令と第２の回転部品角度との差が、ロータ２３の劣化による軸のずれ、軸の傾きに対応している。ロータ２３の劣化の原因は、ロータ２３の摩耗、傷等である。

また、ロータ２３に関連する入力情報４１には、ロータ２３の音の情報および振動の情報が含まれている。ロータ２３の異音および異常振動が、ロータ２３の劣化によるロータ２３の動作不良に対応している。

軸受け１１，１２に関連する入力情報４１には、第１のアンプ指令および第１の回転部品角度が含まれている。第１のアンプ指令と第１の回転部品角度との差が、軸受け１１，１２の劣化による、軸のずれ、または軸の傾きに対応している。軸受け１１，１２の劣化の原因は軸受け１１，１２の摩耗、傷等である。

第１のアンプ指令と第１の回転部品角度との差である第１の角度差は、ロータ１３が劣化した場合と軸受け１１，１２が劣化した場合とで異なる。データ取得部３１は、ロータ１３が劣化した場合の第１の角度差と、ロータ１３の異常要因および異常発生の時期の少なくとも１つとを対応付けた学習用データを生成する。また、データ取得部３１は、軸受け１１，１２が劣化した場合の第１の角度差と、軸受け１１，１２の異常要因および異常発生の時期の少なくとも１つとを対応付けた学習用データを生成する。

また、軸受け１１，１２に関連する入力情報４１には、軸受け１１，１２の音の情報および振動の情報が含まれている。軸受け１１，１２の異音および異常振動が、軸受け１１，１２の劣化による軸受け１１，１２の動作不良に対応している。

軸受け２１，２２に関連する入力情報４１には、第２のアンプ指令および第２の回転部品角度が含まれている。第２のアンプ指令と第２の回転部品角度との差が、軸受け２１，２２の劣化による、軸のずれ、または軸の傾きに対応している。軸受け２１，２２の劣化の原因は軸受け２１，２２の摩耗、傷等である。

また、軸受け２１，２２に関連する入力情報４１には、軸受け２１，２２の音の情報および振動の情報が含まれている。軸受け２１，２２の異音および異常振動が、軸受け２１，２２の劣化による軸受け２１，２２の動作不良に対応している。

レーザ加工機８０では、音を測定するマイクロホンなどの音測定器機、振動を測定する加速度センサなどの振動測定器が、ガルバノスキャナ３，４に配置されている。ガルバノスキャナ３では、音測定器機および振動測定器がステータ１０に配置され、ガルバノスキャナ４では、音測定器機および振動測定器がステータ２０に配置されている。ステータ１０に配置された音測定器機および振動測定器が検知する音および振動は、ロータ１３、軸受け１１、および軸受け１２の動作に対応している。ステータ２０に配置された音測定器機および振動測定器が検知する音および振動は、ロータ２３、軸受け２１、および軸受け２２の動作に対応している。

ロータ１３に異常が発生している場合には、音測定器機および振動測定器が検知する異音および異常振動が、ロータ１３に関連する入力情報４１としてデータ取得部３１に入力される。

ロータ２３に異常が発生している場合には、音測定器機および振動測定器が検知する異音および異常振動が、ロータ２３に関連する入力情報４１としてデータ取得部３１に入力される。

軸受け１１または軸受け１２に異常が発生している場合には、音測定器機および振動測定器が検知する異音および異常振動が、軸受け１１，１２に関連する入力情報４１としてデータ取得部３１に入力される。

軸受け２１または軸受け２２に異常が発生している場合には、音測定器機および振動測定器が検知する異音および異常振動が、軸受け２１，２２に関連する入力情報４１としてデータ取得部３１に入力される。

ｆθレンズ５に関連する入力情報４１には、ｆθレンズ５を通過した後のレーザ光線７ｄの光量であるレンズ光量Ｌｆ１が含まれている。レンズ光量Ｌｆ１は、ｆθレンズ５への汚れ付着等による光量の低下に対応している。

なお、ｆθレンズ５に関連する入力情報４１は、ｆθレンズ５の通過前後のレーザ光線７ｃ，７ｄの光量差であってもよい。ｆθレンズ５を通過する前のレーザ光線７ｃのミラー光量Ｌｍ２は、光量計９が測定する。また、ｆθレンズ５を通過したレーザ光線７ｄのレンズ光量Ｌｆ１は、光量計８が測定する。ｆθレンズ５の通過前後のレーザ光線７ｃ，７ｄの光量差は、データ取得部３１によって算出される。この光量差は、ｆθレンズ５への汚れ付着等による光量の低下に対応している。

また、ｆθレンズ５に関連する入力情報４１には、ｆθレンズ５の温度であるレンズ温度Ｔｆ１が含まれている。レンズ温度Ｔｆ１は、ｆθレンズ５への汚れ付着等によるｆθレンズ５の温度上昇に対応している。

ミラー１４に関連する入力情報４１には、ミラー１４で反射された後のレーザ光線７ｂの光量であるミラー光量Ｌｍ１が含まれている。ミラー２４に関連する入力情報４１には、ミラー２４で反射された後のレーザ光線７ｃの光量であるミラー光量Ｌｍ２が含まれている。ミラー光量Ｌｍ１は、ミラー１４への汚れ付着等による光量の低下に対応し、ミラー光量Ｌｍ２は、ミラー１４，２４への汚れ付着等による光量の低下に対応している。したがって、モデル生成部３２は、ミラー光量Ｌｍ１とミラー光量Ｌｍ２との差分を、ミラー２４に関連する入力情報４１として用いてもよい。

また、ミラー１４に関連する入力情報４１には、ミラー１４の温度であるミラー温度Ｔｍ１が含まれている。ミラー２４に関連する入力情報４１には、ミラー２４の温度であるミラー温度Ｔｍ２が含まれている。ミラー温度Ｔｍ１は、ミラー１４への汚れ付着等によるミラー１４の温度上昇に対応し、ミラー温度Ｔｍ２は、ミラー２４への汚れ付着等によるミラー２４の温度上昇に対応している。

データ取得部３１には、入力情報４１の推移が入力される。これにより、データ取得部３１は、入力情報４１の推移と異常情報４２とを対応付けした学習用データを生成し、学習用データをモデル生成部３２に送る。入力情報４１の推移は、特定期間における時間毎の入力情報４１の変化である。

モデル生成部３２は、データ取得部３１から送られてくる入力情報４１の推移および異常情報４２の組合せに基づいて作成される学習用データに基づいて、対象製品の異常要因および対象製品の異常発生時期を推論する。モデル生成部３２は、対象製品の入力情報４１の推移および異常情報４２から、対象製品の異常要因および異常発生時期を推論する学習済モデル４３を生成する学習部の機能を有している。モデル生成部３２は、異常要因の推論を行う学習済モデル４３と、異常発生時期を推論する学習済モデル４３とを備えている。

モデル生成部３２が、異常要因の推論を行う学習済モデル４３を用いる場合、異常情報４２は、対象製品で実際に発生した異常の要因であり、モデル生成部３２が推論する異常要因が、対象製品に対して推測される異常の要因である。

モデル生成部３２が、異常発生時期の推論を行う学習済モデル４３を用いる場合、異常情報４２は、対象製品で実際に異常が発生した時期であり、モデル生成部３２が推論する異常発生時期が、対象製品で異常の発生が予測される時期である。

次に、図７を用いて学習装置３０による学習処理の処理手順について説明する。図７は、実施の形態にかかる学習装置による学習処理の処理手順を示すフローチャートである。

データ取得部３１は、学習用データを取得する（ステップＳ１０）。具体的には、データ取得部３１は、学習用データとして、入力情報４１の推移と異常情報４２とを取得する。なお、データ取得部３１は、入力情報４１の推移と、異常情報４２とを同じタイミングで取得してもよいし、別々のタイミングで取得してもよい。すなわち、データ取得部３１は、入力情報４１の推移と、異常情報４２とを関連付けて入力できれば、何れのタイミングで取得してもよい。

モデル生成部３２は、データ取得部３１によって取得された、入力情報４１の推移および異常情報４２の組合せである学習用データに従って、学習処理を実行する（ステップＳ２０）。モデル生成部３２は、例えば、学習用データに従って、いわゆる教師あり学習により、学習済モデル４３を生成する。モデル生成部３２が生成する学習済モデル４３は、異常要因を推論するための学習済モデル４３、および異常発生の時期を予測するための学習済モデル４３の少なくとも１つを含んでいる。

学習済モデル記憶部３３は、モデル生成部３２が生成した学習済モデル４３を記憶しておく（ステップＳ３０）。

なお、本実施の形態では、モデル生成部３２が、モデル生成部３２で学習した学習済モデル４３を用いたが、モデル生成部３２は、他の外部装置から学習済モデル４３を取得し、この学習済モデル４３に基づいて、対象製品の異常要因および異常発生時期を推論してもよい。

モデル生成部３２は、教師あり学習等の公知の学習アルゴリズムを用いることができる。ここで、モデル生成部３２が、ニューラルネットワークを用いた教師あり学習を実行する場合について説明する。

モデル生成部３２は、例えば、ニューラルネットワークモデルに従って、いわゆる教師あり学習により、対象製品の異常要因および異常発生時期を学習する。ここで、教師あり学習とは、入力と結果（ラベル）のデータの組を学習装置に与えることで、それらの学習用データにある特徴を学習し、入力から結果を推論する手法をいう。

ニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層（隠れ層）、および複数のニューロンからなる出力層で構成される。中間層は、１層、または２層以上でもよい。

図８は、実施の形態にかかる機械学習装置が用いるニューラルネットワークの構成を示す図である。例えば、図８に示すような３層のニューラルネットワークであれば、複数のデータが入力層Ｘ１～Ｘ３に入力されると、その値に重みｗ１１～ｗ１６を掛けて中間層Ｙ１～Ｙ２に入力され、その結果にさらに重みｗ２１～ｗ２６を掛けて出力層Ｚ１～Ｚ３から出力される。この出力結果は、重みｗ１１～ｗ１６および重みｗ２１～ｗ２６の値によって変わる。

実施の形態のニューラルネットワークは、データ取得部３１によって取得される入力情報４１と、対象製品の異常情報４２との組合せに基づいて作成される学習用データ（データセット）に従って、いわゆる教師あり学習により、対象製品に対して推論される異常要因および推論される異常発生時期を学習する。

すなわち、ニューラルネットワークは、入力層Ｘ１～Ｘ３に入力情報４１を入力して出力層Ｚ１～Ｚ３から出力された結果が、対象製品の異常要因および異常発生の時期に近づくように重みｗ１１～ｗ１６，ｗ２１～ｗ２６を調整することで学習する。

モデル生成部３２は、以上のような学習を実行することで学習済モデル４３を生成し、出力する。学習済モデル記憶部３３は、モデル生成部３２から出力された学習済モデル４３を記憶する。

図９は、実施の形態にかかる機械学習装置が備える推論装置の構成を示す図である。推論装置５０は、データ取得部５１と、推論部５２とを備えている。推論部５２は、学習済モデル記憶部３３に接続されている。

データ取得部５１は、入力情報４１をレーザ加工機８０から取得する。推論部５２は、学習済モデル記憶部３３から学習済モデル４３を読み出す。推論部５２は、入力情報４１を学習済モデル４３に入力する。これにより、学習済モデル４３は、対象製品の異常要因および異常発生時期を推論する。すなわち、推論部５２は、異常要因を推論するための学習済モデル４３に、データ取得部５１で取得した異常要因を推論するための入力情報４１を入力することで、入力情報４１から推論される、異常要因推論結果６２を出力することができる。また、推論部５２は、異常発生時期を推論するための学習済モデル４３に、データ取得部５１で取得した異常発生時期を推論するための入力情報４１を入力することで、入力情報４１から推論される、異常発生予測結果６３を出力することができる。異常要因推論結果６２は、異常要因の推論結果を示す情報である。異常発生予測結果６３は、異常発生時期の推論結果を示す情報である。異常要因推論結果６２、および異常発生予測結果６３が、第２の異常情報である。

データ取得部５１は、異常要因を推論するための学習済モデル４３に、入力情報４１を入力することで、異常要因を推論する。また、データ取得部５１は、異常発生の時期を予測するための学習済モデル４３に、入力情報４１を入力することで、異常発生時期を推論する。

なお、機械学習装置７０は、入力情報４１と、推論によって得た異常要因推論結果６２を、学習済モデル記憶部３３に蓄積しておいてもよい。この場合、推論部５２は、学習済モデル４３、蓄積しておいた入力情報４１、蓄積しておいた異常要因推論結果６２を用いて、異常要因を学習し、学習済モデル４３を更新する。学習済モデル記憶部３３は、更新された学習済モデル４３を蓄積しておく。

また、機械学習装置７０は、入力情報４１と、推論によって得た異常発生予測結果６３を、学習済モデル記憶部３３に蓄積しておいてもよい。この場合、推論部５２は、学習済モデル４３、蓄積しておいた入力情報４１、蓄積しておいた異常発生予測結果６３を用いて、異常発生時期を学習し、学習済モデル４３を更新する。学習済モデル記憶部３３は、更新された学習済モデル４３を蓄積しておく。

次に、図１０を用いて、推論装置５０による推論処理の処理手順について説明する。図１０は、実施の形態にかかる推論装置による推論処理の処理手順を示すフローチャートである。

データ取得部５１は、レーザ加工機８０から、入力情報４１を取得する（ステップＳ４０）。推論部５２は、学習済モデル記憶部３３から学習済モデル４３を読み出す。推論部５２は、入力情報４１を学習済モデル４３に入力する（ステップＳ５０）。これにより、学習済モデル４３は、入力情報４１を用いて、対象製品の異常要因および異常発生時期を推論し、推論結果を、対応する対象製品に出力する（ステップＳ６０）。すなわち、推論部５２は、異常要因推論結果６２および異常発生予測結果６３をレーザ加工機８０などに出力する。

レーザ加工機８０は、レーザ加工機８０が備える表示装置に、異常要因推論結果６２および異常発生予測結果６３を表示する。また、レーザ加工機８０は、異常要因推論結果６２および異常発生予測結果６３に基づいて、レーザ加工を実行する。レーザ加工機８０は、例えば、異常要因推論結果６２が異常要因を示す対象製品の動作を停止させてもよいし、レーザ加工機８０の全体の動作を停止させてもよい。また、レーザ加工機８０は、異常発生予測結果６３に基づいて、異常発生時期となる前にレーザ加工を停止する。

これにより、レーザ加工システム１０１のユーザは、異常要因推論結果６２および異常発生予測結果６３に基づいて、対象製品の異常をリアルタイムで診断できる。これにより、ユーザは、生産性の低下を防止できる。

このように、機械学習装置７０は、対象製品の異常要因の推論に学習済モデル４３を用いるので、様々な種類の異常要因を推論でき、メンテナンスコストを削減できる。また、機械学習装置７０は、対象製品の異常発生時期の予測に学習済モデル４３を用いるので、対象製品に異常が発生する前に異常の発生を予測でき、不良品の発生を防止できる。

なお、学習装置３０および推論装置５０の少なくとも一つは、例えば、ネットワークを介して対象製品を備えたレーザ加工機８０に接続されてもよい。また、学習装置３０および推論装置５０の少なくとも一つは、対象製品を備えたレーザ加工機８０とは別個の装置であってもよい。また、学習装置３０および推論装置５０の少なくとも一つは、対象製品を備えたレーザ加工機８０に内蔵されていてもよい。さらに、学習装置３０および推論装置５０の少なくとも一つは、クラウドサーバ上に存在していてもよい。

ところで、ミラーの回転角度に対するゲインからロータの劣化診断を行う方法がある。この方法では、劣化診断の対象がロータに限定される。一方、本実施の形態の機械学習装置７０は、ロータ１３，２３に限らず、ミラー１４，２４、軸受け１１，１２，２１，２２、およびｆθレンズ５の異常の診断を簡易な構成で実行できる。また、本実施の形態の機械学習装置７０は、レーザ加工機８０による被加工物２６の加工中であっても、ロータ１３，２３、軸受け１１，１２，２１，２２、およびｆθレンズ５の診断を実行できるので、生産性の低下を防止できる。

なお、本実施の形態では、モデル生成部３２が用いる学習アルゴリズムに教師あり学習を適用した場合について説明したが、学習アルゴリズムは、教師あり学習に限られるものではない。学習アルゴリズムについては、教師あり学習以外にも、強化学習、教師なし学習、または半教師あり学習等を適用することも可能である。

また、モデル生成部３２は、複数の対象製品に対して作成される学習用データに従って、異常要因および異常発生時期を学習してもよい。なお、モデル生成部３２は、同一のエリアで使用される複数の対象製品から学習用データを取得して学習処理を実行してもよいし、異なるエリアで独立して動作する複数の対象製品から収集される学習用データを利用して学習処理を実行してもよい。また、学習用データを収集する対象製品が途中で診断対象に追加されること、または診断対象から除去されることも可能である。さらに、ある対象製品に関して対象製品の異常要因および異常発生時期を学習した学習装置が、これとは別の対象製品に適用され、当該別の対象製品に関して対象製品の異常要因および異常発生時期を再学習して学習済モデル４３を更新するようにしてもよい。

また、モデル生成部３２に用いられる学習アルゴリズムとしては、特徴量そのものの抽出を学習する深層学習（Deep Learning）を用いることもできる。モデル生成部３２は、他の公知の方法、例えば遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどに従って機械学習を実行してもよい。

次に、学習装置３０および推論装置５０のハードウェア構成について説明する。なお、学習装置３０および推論装置５０のハードウェア構成は同様であるので、ここでは学習装置３０のハードウェア構成について説明する。

図１１は、実施の形態にかかる学習装置のハードウェア構成を示す図である。学習装置３０は、入力装置３００、プロセッサ１００、メモリ２００、および出力装置４００により実現することができる。プロセッサ１００の例は、ＣＰＵ（Central Processing Unit、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、ＤＳＰ（Digital Signal Processor）ともいう）またはシステムＬＳＩ（Large Scale Integration）である。メモリ２００の例は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）である。

学習装置３０は、プロセッサ１００が、メモリ２００で記憶されている学習装置３０の動作を実行するための、コンピュータで実行可能な、学習プログラムを読み出して実行することにより実現される。学習装置３０の動作を実行するためのプログラムである学習プログラムは、学習装置３０の手順または方法をコンピュータに実行させるものであるともいえる。なお、推論装置５０の場合、プロセッサ１００が、メモリ２００で記憶されている推論装置５０の動作を実行するための、コンピュータで実行可能な、推論プログラムを読み出して実行することにより実現される。

学習装置３０で実行される学習プログラムは、データ取得部３１と、モデル生成部３２とを含むモジュール構成となっており、これらが主記憶装置上にロードされ、これらが主記憶装置上に生成される。

入力装置３００は、入力情報４１を受け付けてプロセッサ１００に送る。メモリ２００は、プロセッサ１００が各種処理を実行する際の一時メモリに使用される。メモリ２００は、学習済モデル４３などを記憶する。出力装置４００は、対象製品の異常要因の推論結果および異常発生時期の推論結果を外部装置に出力する。

学習プログラムは、インストール可能な形式または実行可能な形式のファイルで、コンピュータが読み取り可能な記憶媒体に記憶されてコンピュータプログラムプロダクトとして提供されてもよい。また、学習プログラムは、インターネットなどのネットワーク経由で学習装置３０に提供されてもよい。なお、学習装置３０の機能について、一部を専用回路などの専用のハードウェアで実現し、一部をソフトウェアまたはファームウェアで実現するようにしてもよい。

このように実施の形態では、学習装置３０が、入力情報４１の推移と異常情報４２とを含む学習用データを用いて、異常要因推論結果６２および異常発生予測結果６３を推論するための学習済モデル４３を生成している。これにより、学習装置３０は、レーザ加工機８０が備える構成要素の異常を正確に診断できる。また、学習装置３０は、被加工物２６の加工中であっても、レーザ加工機８０が備える構成要素を診断できる。

また、推論装置５０が、学習済モデル４３を用いて、入力情報４１の推移から、入力情報４１の推移に対応する、異常要因推論結果６２および異常発生予測結果６３を推論している。これにより、推論装置５０は、レーザ加工機８０が備える構成要素の異常を正確に診断できる。また、推論装置５０は、被加工物２６の加工中であっても、レーザ加工機８０が備える構成要素を診断できる。

以上の実施の形態に示した構成は、一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。

１ 発振器、２ アンプ、３，４ ガルバノスキャナ、５ ｆθレンズ、６ 搭載台、７ａ～７ｄ レーザ光線、８，９ 光量計、１０，２０ ステータ、１１，１２，２１，２２ 軸受け、１３，２３ ロータ、１４，２４ ミラー、１５，２５ エンコーダ、２６ 被加工物、３０ 学習装置、３１ データ取得部、３２ モデル生成部、３３ 学習済モデル記憶部、４１ 入力情報、４２ 異常情報、４３ 学習済モデル、５０ 推論装置、５１ データ取得部、５２ 推論部、６２ 異常要因推論結果、６３ 異常発生予測結果、７０ 機械学習装置、７１～７３ 温度測定器、８０ レーザ加工機、１００ プロセッサ、１０１ レーザ加工システム、２００ メモリ、３００ 入力装置、４００ 出力装置。

Claims (12)

1. 加工機が備える構成要素の状態を示す状態情報の推移と、前記加工機に発生した異常の情報である第１の異常情報とを含む学習用データを取得するデータ取得部と、
   前記学習用データを用いて、前記状態情報の推移から前記加工機に発生する異常の情報である第２の異常情報を推論するための学習済モデルを生成するモデル生成部と、
   を備えることを特徴とする学習装置。
2. 前記状態情報は、前記構成要素の音の情報、前記構成要素の振動の情報、前記構成要素の温度の情報、および前記構成要素の電流の情報の少なくとも１つを含んでいる、
   ことを特徴とする請求項１に記載の学習装置。
3. 前記状態情報は、前記加工機が備えるアンプから前記加工機が備えるガルバノスキャナのステータへの指令であるアンプ指令と前記ガルバノスキャナが有するエンコーダの測定された回転角度である回転部品角度とを組み合わせた情報、前記ガルバノスキャナの音の情報、前記ガルバノスキャナの振動の情報、前記ガルバノスキャナのミラーの温度であるミラー温度、前記ミラーで反射されたレーザ光線の光量であるミラー光量、前記加工機が備えるエフシータレンズの温度であるレンズ温度、および前記エフシータレンズを通過したレーザ光線の光量であるレンズ光量の少なくとも１つを含んでいる、
   ことを特徴とする請求項１に記載の学習装置。
4. 前記第１の異常情報は、前記構成要素で実際に発生した異常の要因を含み、
   前記第２の異常情報は、前記構成要素に対して推測される異常の要因を含む、
   ことを特徴とする請求項１から３の何れか１つに記載の学習装置。
5. 前記第１の異常情報は、前記構成要素で実際に異常が発生した時期を含み、
   前記第２の異常情報は、前記構成要素で異常の発生が予測される時期を含む、
   ことを特徴とする請求項１から３の何れか１つに記載の学習装置。
6. 前記加工機は、レーザ加工機である、
   ことを特徴とする請求項１から５の何れか１つに記載の学習装置。
7. 加工機が備える構成要素の状態を示す状態情報の推移を取得するデータ取得部と、
   前記状態情報の推移から前記加工機に発生する異常の情報である異常情報を推論するための学習済モデルを用いて、前記状態情報の推移から、前記状態情報の推移に対応する前記異常情報を推論する推論部と、
   を備えることを特徴とする推論装置。
8. 前記状態情報は、前記加工機が備えるアンプから前記加工機が備えるガルバノスキャナのステータへの指令であるアンプ指令と前記ガルバノスキャナが有するエンコーダの測定された回転角度である回転部品角度とを組み合わせた情報、前記ガルバノスキャナの音の情報、前記ガルバノスキャナの振動の情報、前記ガルバノスキャナのミラーの温度であるミラー温度、前記ミラーで反射されたレーザ光線の光量であるミラー光量、前記加工機が備えるエフシータレンズの温度であるレンズ温度、および前記エフシータレンズを通過したレーザ光線の光量であるレンズ光量の少なくとも１つを含んでいる、
   ことを特徴とする請求項７に記載の推論装置。
9. 前記異常情報は、前記構成要素に対して推測される異常の要因を含む、
   ことを特徴とする請求項７または８に記載の推論装置。
10. 前記異常情報は、前記構成要素の異常の発生が予測される時期を含む、
    ことを特徴とする請求項７または８に記載の推論装置。
11. 加工機が備える構成要素の状態を示す状態情報の推移と、前記加工機に発生した異常の情報である第１の異常情報とを含む学習用データを取得するデータ取得ステップと、
    前記学習用データを用いて、前記状態情報の推移から前記加工機に発生する異常の情報である第２の異常情報を推論するための学習済モデルを生成するモデル生成ステップと、
    を含むことを特徴とする学習方法。
12. 加工機が備える構成要素の状態を示す状態情報の推移を取得するデータ取得ステップと、
    前記状態情報の推移から前記加工機に発生する異常の情報である異常情報を推論するための学習済モデルを用いて、前記状態情報の推移から、前記状態情報の推移に対応する前記異常情報を推論する推論ステップと、
    を含むことを特徴とする推論方法。
    
    

Images