JP7481450B2 - 切断エッジに対する切断パラメータの影響を明らかにするための方法、コンピュータプログラム製品及びデバイス - Google Patents
切断エッジに対する切断パラメータの影響を明らかにするための方法、コンピュータプログラム製品及びデバイス Download PDFInfo
- Publication number
- JP7481450B2 JP7481450B2 JP2022537848A JP2022537848A JP7481450B2 JP 7481450 B2 JP7481450 B2 JP 7481450B2 JP 2022537848 A JP2022537848 A JP 2022537848A JP 2022537848 A JP2022537848 A JP 2022537848A JP 7481450 B2 JP7481450 B2 JP 7481450B2
- Authority
- JP
- Japan
- Prior art keywords
- cutting
- parameters
- method step
- neural network
- record
- 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.)
- Active
Links
- 238000005520 cutting process Methods 0.000 title claims description 85
- 238000000034 method Methods 0.000 title claims description 61
- 238000004590 computer program Methods 0.000 title claims description 11
- 230000000694 effects Effects 0.000 title description 3
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000003698 laser cutting Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000002844 melting Methods 0.000 claims description 2
- 230000008018 melting Effects 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 description 11
- 238000004220 aggregation Methods 0.000 description 11
- 238000011176 pooling Methods 0.000 description 6
- 241000282472 Canis lupus familiaris Species 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004372 laser cladding Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 101150006061 neur gene Proteins 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- B23K26/02—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
- 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
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/36—Nc in input of data, input key till input tape
- G05B2219/36199—Laser cutting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- General Physics & Mathematics (AREA)
- Plasma & Fusion (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Laser Beam Processing (AREA)
Description
本発明は、工作機械によって作成された切断エッジを分析するための方法に関する。本発明は、その方法を実行するためのコンピュータプログラム製品及びデバイスに更に関する。
ワークピースの切断を最適化することは、既知である。例として、（特許文献１）は、レーザ切断プロセスを調整するためのニューラルネットワークの使用を開示している。
しかしながら、大部分の切断プロセス又は切断エッジに対する切断パラメータの影響は、完全には理解されていない。これは、例えば、以下の記事から推測することができる。
（非特許文献１）。
（非特許文献２）。
（非特許文献３）。
切断装置の経験豊富なユーザでさえ、一般に、切断パラメータが切断エッジの外観にどのように影響を及ぼすかを予測することはできない。したがって、切断エッジの外観を改善するために、特に材料品質の変化による問題の場合及び／又は新しいレーザ源、新しい板金の厚さなどを使用する新しいプロセスの場合、切断パラメータを様々な方法で変化させて、複雑な一連のテストを定期的に実行する必要がある。
Ｈｕｅｇｅｌ，Ｈ．，Ｇｒａｆ，Ｔ．Ｌａｓｅｒ ｉｎ ｄｅｒ Ｆｅｒｔｉｇｕｎｇ：Ｓｔｒａｈｌｑｕｅｌｌｅｎ，Ｓｙｓｔｅｍｅ，Ｆｅｒｔｉｇｕｎｇｓｖｅｒｆａｈｒｅｎ［Ｌａｓｅｒｓ ｉｎ ｍａｎｕｆａｃｔｕｒｉｎｇ：ｂｅａｍ ｓｏｕｒｃｅｓ，ｓｙｓｔｅｍｓ，ｍａｎｕｆａｃｔｕｒｉｎｇ ｍｅｔｈｏｄｓ］．Ｗｉｅｓｂａｄｅｎ：Ｖｉｅｗｅｇ＋Ｔｅｕｂｎｅｒ，２００９
Ｐｅｔｒｉｎｇ，Ｄ．，Ｓｃｈｎｅｉｄｅｒ，Ｆ．，Ｗｏｌｆ，Ｎ．Ｓｏｍｅ ａｎｓｗｅｒｓ ｔｏ ｆｒｅｑｕｅｎｔｌｙ ａｓｋｅｄ ｑｕｅｓｔｉｏｎｓ ａｎｄ ｏｐｅｎ ｉｓｓｕｅｓ ｏｆ ｌａｓｅｒ ｂｅａｍ ｃｕｔｔｉｎｇ．Ｉｎ：Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｇｒｅｓｓ ｏｎ Ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ Ｌａｓｅｒｓ ＆ Ｅｌｅｃｔｒｏ－Ｏｐｔｉｃｓ．ＩＣＡＬＥＯＲ ２０１２，Ａｎａｈｅｉｍ，Ｃａｌｉｆｏｒｎｉａ，ＵＳＡ：Ｌａｓｅｒ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ａｍｅｒｉｃａ，２０１２，４３－４８
Ｓｔｅｅｎ，Ｗ．Ｍ．，Ｍａｚｕｍｄｅｒ，Ｊ．Ｌａｓｅｒ Ｍａｔｅｒｉａｌ Ｐｒｏｃｅｓｓｉｎｇ．Ｌｏｎｄｏｎ：Ｓｐｒｉｎｇｅｒ Ｌｏｎｄｏｎ，２０１０
ＬｅＣｕｎ Ｙ，Ｂｅｎｇｉｏ Ｙ，Ｈｉｎｔｏｎ Ｇ（２０１５）Ｄｅｅｐ ｌｅａｒｎｉｎｇ；Ｎａｔｕｒｅ ５２１：４３６｛４４４，ＤＯＩ １０．１０３８／ｎａｔｕｒｅ１４５３９
Ｌｉｎ Ｈ，Ｌｉ Ｂ，Ｗａｎｇ Ｘ，Ｓｈｕ Ｙ，Ｎｉｕ Ｓ（２０１９）；Ａｕｔｏｍａｔｅｄ ｄｅｆｅｃｔ ｉｎｓｐｅｃｔｉｏｎ ｏｆ ＬＥＤ ｃｈｉｐ ｕｓｉｎｇ ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；Ｊ Ｉｎｔｅｌｌ Ｍａｎｕｆ；３０：２５２５｛２５３４，ＤＯＩ １０．１００７／ｓ１０８４５－０１８－１４１５－ｘ
Ｆｕ Ｇ，Ｓｕｎ Ｐ，Ｚｈｕ Ｗ，Ｙａｎｇ Ｊ，Ｃａｏ Ｙ，Ｙａｎｇ ＭＹ，Ｃａｏ Ｙ（２０１９）；Ａ ｄｅｅｐ－ｌｅａｒｎｉｎｇ－ｂａｓｅｄ ａｐｐｒｏａｃｈ ｆｏｒ ｆａｓｔ ａｎｄ ｒｏｂｕｓｔ ｓｔｅｅｌ ｓｕｒｆａｃｅ ｄｅｆｅｃｔｓ ｃｌａｓｓｉｆｉｃａｔｉｏｎ；Ｏｐｔ Ｌａｓｅｒ Ｅｎｇ １２１：３９７｛４０５，ＤＯＩ １０．１０１６／ｊ．ｏｐｔｌａｓｅｎｇ．２０１９．０５．００５
Ｌｅｅ ＫＢ，Ｃｈｅｏｎ Ｓ，Ｋｉｍ ＣＯ（２０１７）Ａ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ｆａｕｌｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ Ｄｉａｇｎｏｓｉｓ ｉｎ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ Ｍａｎｕｆａｃｔｕｒｉｎｇ Ｐｒｏｃｅｓｓｅｓ；ＩＥＥＥ Ｔ Ｓｅｍｉｃｏｎｄｕｃｔ Ｍ ３０：１３５｛１４２，ＤＯＩ １０．１１０９／ＴＳＭ．２０１７．２６７６２４５
Ｇｏｎｃａｌｖｅｓ ＤＡ，Ｓｔｅｍｍｅｒ ＭＲ，Ｐｅｒｅｉｒａ Ｍ（２０２０）Ａ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｐｐｒｏａｃｈ ｏｎ ｂｅａｄ ｇｅｏｍｅｔｒｙ ｅｓｔｉｍａｔｉｏｎ ｆｏｒ ａ ｌａｓｅｒ ｃｌａｄｄｉｎｇ ｓｙｓｔｅｍ；Ｉｎｔ Ｊ Ａｄｖ Ｍａｎｕｆ Ｔｅｃｈ １０６：１８１１｛１８２１，ＤＯＩ １０．１００７／ｓ００１７０－０１９－０４６６９－ｚ
Ｋａｒａｔａｓ Ａ，Ｋｏｅｌｓｃｈ Ｄ，Ｓｃｈｍｉｄｔ Ｓ，Ｅｉｅｒ Ｍ，Ｓｅｅｗｉｇ Ｊ（２０１９）Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ａ ｃｏｎｖｏｌｕｔｉｏｎａｌ ａｕｔｏｅｎｃｏｄｅｒ ｕｓｉｎｇ ｄｅｅｐ ｎｅｕｒｏｎａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｄｅｆｅｃｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｇｅｎｅｒａｔｉｎｇ ｉｄｅａｌ ｒｅｆｅｒｅｎｃｅｓ ｆｏｒ ｃｕｔｔｉｎｇ ｅｄｇｅｓ；Ｍｕｎｉｃｈ，Ｇｅｒｍａｎｙ，ＤＯＩ １０．１１１７／１２．２５２５８８２
Ｓｔａｈｌ Ｊ，Ｊａｕｃｈ Ｃ（２０１９）Ｑｕｉｃｋ ｒｏｕｇｈｎｅｓｓ ｅｖａｌｕａｔｉｏｎ ｏｆ ｃｕｔ ｅｄｇｅｓ ｕｓｉｎｇ ａ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；Ｉｎ：Ｐｒｏｃｅｅｄｉｎｇｓ ＳＰＩＥ １１１７２，Ｍｕｎｉｃｈ，Ｇｅｒｍａｎｙ，ＤＯＩ １０．１１１７／１２．２５１９４４０
Ｂａｃｈ Ｓ，Ｂｉｎｄｅｒ Ａ，Ｍｏｎｔａｖｏｎ Ｇ，Ｋｌａｕｓｃｈｅｎ Ｆ，Ｍｕｅｌｌｅｒ ＫＲ，Ｓａｍｅｋ Ｗ（２０１５）Ｏｎ Ｐｉｘｅｌ－Ｗｉｓｅ Ｅｘｐｌａｎａｔｉｏｎｓ ｆｏｒ Ｎｏｎ－Ｌｉｎｅａｒ Ｃｌａｓｓｉｆｉｅｒ Ｄｅｃｉｓｉｏｎｓ ｂｙ Ｌａｙｅｒ－Ｗｉｓｅ Ｒｅｌｅｖａｎｃｅ Ｐｒｏｐａｇａｔｉｏｎ；ＰＬｏＳ ＯＮＥ １０：ｅ０１３０１４０，ＤＯＩ １０．１３７１／ｊｏｕｒｎａｌ．ｐｏｎｅ．０１３０１４０
Ｗ Ｓａｍｅｋ，Ａ Ｂｉｎｄｅｒ，Ｇ Ｍｏｎｔａｖｏｎ，Ｓ Ｌａｐｕｓｃｈｋｉｎ，Ｋ Ｍｕｅｌｌｅｒ（２０１７）Ｅｖａｌｕａｔｉｎｇ ｔｈｅ Ｖｉｓｕａｌｉｚａｔｉｏｎ ｏｆ Ｗｈａｔ ａ Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｈａｓ Ｌｅａｒｎｅｄ．ＩＥＥＥ Ｔ Ｎｅｕｒ Ｎｅｔ Ｌｅａｒ ２８：２６６０｛２６７３，ＤＯＩ １０．１１０９／ＴＮＮＬＳ．２０１６．２５９９８２０
Ｍｏｎｔａｖｏｎ Ｇ，Ｌａｐｕｓｃｈｋｉｎ Ｓ，Ｂｉｎｄｅｒ Ａ，Ｓａｍｅｋ Ｗ，Ｍｕｅｌｌｅｒ ＫＲ（２０１７）Ｅｘｐｌａｉｎｉｎｇ ＮｏｎＬｉｎｅａｒ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｄｅｃｉｓｉｏｎｓ ｗｉｔｈ Ｄｅｅｐ Ｔａｙｌｏｒ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ；Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ６５：２１１｛２２２，ＤＯＩ １０．１０１６／ｊ．ｐａｔｃｏｇ．２０１６．１１．００８
Ｍｏｎｔａｖｏｎ Ｇ，Ｌａｐｕｓｃｈｋｉｎ Ｓ，Ｂｉｎｄｅｒ Ａ，Ｓａｍｅｋ Ｗ，Ｍｕｅｌｌｅｒ ＫＲ（２０１５）Ｅｘｐｌａｉｎｉｎｇ ＮｏｎＬｉｎｅａｒ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｄｅｃｉｓｉｏｎｓ ｗｉｔｈ Ｄｅｅｐ Ｔａｙｌｏｒ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ；ａｒＸｉｖ ｐｒｅｐｒｉｎｔ ＵＲＬ ｈｔｔｐｓ：／／ａｒｘｉｖ．ｏｒｇ／ｐｄｆ／１５１２．０２４７９．ｐｄｆ
Ｍｏｎｔａｖｏｎ Ｇ，Ｂｉｎｄｅｒ Ａ，Ｌａｐｕｓｃｈｋｉｎ Ｓ，Ｓａｍｅｋ Ｗ，Ｍｕｅｌｌｅｒ ＫＲ（２０１９）Ｌａｙｅｒ－Ｗｉｓｅ Ｒｅｌｅｖａｎｃｅ Ｐｒｏｐａｇａｔｉｏｎ：Ａｎ Ｏｖｅｒｖｉｅｗ．Ｉｎ：Ｓａｍｅｋ Ｗ，Ｍｏｎｔａｖｏｎ Ｇ，Ｖｅｄａｌｄｉ Ａ，Ｈａｎｓｅｎ ＬＫ，Ｍｕｅｌｌｅｒ ＫＲ（ｅｄｓ）Ｅｘｐｌａｉｎａｂｌｅ ＡＩ：Ｉｎｔｅｒｐｒｅｔｉｎｇ，Ｅｘｐｌａｉｎｉｎｇ ａｎｄ Ｖｉｓｕａｌｉｚｉｎｇ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ，Ｓｐｒｉｎｇｅｒ，Ｃｈａｍ，Ｓｗｉｔｚｅｒｌａｎｄ，ｐｐ１９３｛２０９
Ａｂａｄｉ Ｍ，Ａｇａｒｗａｌ Ａ，Ｂａｒｈａｍ Ｐ，Ｂｒｅｖｄｏ Ｅ，Ｃｈｅｎ Ｚ，Ｃｉｔｒｏ Ｃ，Ｃｏｒｒａｄｏ Ｇ，Ｄａｖｉｓ Ａ，Ｄｅａｎ Ｊ，Ｄｅｖｉｎ Ｍ，Ｇｈｅｍａｗａｔ Ｓ，Ｇｏｏｄｆｅｌｌｏｗ Ｉ，Ｈａｒｐ Ａ，Ｉｒｖｉｎｇ Ｇ，Ｉｓａｒｄ Ｍ，Ｊｉａ Ｙ，Ｊｏｚｅｆｏｗｉｃｚ Ｒ，Ｋａｉｓｅｒ Ｌ，Ｋｕｄｌｕｒ Ｍ，Ｚｈｅｎｇ Ｘ（２０１６）ＴｅｎｓｏｒＦｌｏｗ：Ｌａｒｇｅ－Ｓｃａｌｅ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ｏｎ Ｈｅｔｅｒｏｇｅｎｅｏｕｓ Ｄｉｓｔｒｉｂｕｔｅｄ Ｓｙｓｔｅｍｓ．ａｒＸｉｖ ｐｒｅｐｒｉｎｔ ＵＲＬ ｈｔｔｐｓ：／／ａｒｘｉｖ．ｏｒｇ／ｐｄｆ／１６０３．０４４６７．ｐｄｆ） ａｎｄ Ｋｅｒａｓ ２．２．４
Ｃｈｏｌｌｅｔ Ｆ（２０１５）Ｋｅｒａｓ．ＵＲＬ ｈｔｔｐｓ：／／ｋｅｒａｓ．ｉｏ
Ａｌｂｅｒ，Ｍ．，ｅｔ ａｌ．：ｉＮＮｖｅｓｔｉｇａｔｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ！．Ｊ．Ｍａｃｈ．Ｌｅａｒｎ．Ｒｅｓ．２０（９３），１－８（２０１９）
この背景に対して、本発明の目的は、切断パラメータが切断エッジに及ぼす影響を分析することができる方法、コンピュータプログラム製品及びデバイスを提供することである。
この目的は、本発明によれば、請求項１に記載の方法、請求項１０に記載のコンピュータプログラム製品及び請求項１１に記載のデバイスによって達成される。従属請求項は、好ましい発展形態を提示する。
したがって、本発明による目的は、工作機械によって作成された切断エッジの記録であって、複数の記録ピクセルを有する記録が読み込まれる方法によって達成される。ニューラルネットワークを有するアルゴリズムを使用して、記録から少なくとも１つの切断パラメータ、特に複数の切断パラメータを判定する。これに続いて、ニューラルネットワークにおいて逆伝播が行われて、以前に判定された切断パラメータを確認するために個々の記録ピクセルの関連性が確認される。次いで、記録は、少なくともいくつかの記録ピクセルがマーク付けされた状態で出力され、マークは、以前に確認された記録ピクセルの関連性を反映している。好ましくは、全ての記録ピクセルは、それらの関連性に従って出力及びマーク付けされる。
その結果、ユーザは、マーク付けされた出力から、切断エッジのそれぞれの領域が１つ又は複数のそれぞれの切断パラメータによって影響を受けた程度を直ちに識別し、次いでその１つ又は複数の切断パラメータの適合を実行して、標的化された方式で切断エッジの特定の領域を変更することができる。
ニューラルネットワークの逆伝播は、例えば、（特許文献２）によって開示されており、その内容は、参照によりその全体が本説明に組み込まれる。
そのような逆伝播（「逆伝播ベースのメカニズム」）は、通常、ニューラルネットワークが正しい関係性を学習したかどうかをチェックするためにのみ使用される。これに関連しては、「超人的パフォーマンス」を有しないニューラルネットワークが存在する。この場合、人間には、正しい情報がどのようなものであるかを評価することができることにおいて問題はない。したがって、例えば、犬と猫とを区別することができるニューラルネットワークが犬の存在を示すとき、犬が立っている牧草地を考慮せずに、画像内の犬を実際に認識するかどうかを調べることが可能である。例として、画像内の特定の動物（例えば、馬）を認識する代わりに、ニューラルネットワークが、馬の全ての画像に見られ得る画像内の文字を認識することが起こり得る（いわゆる「賢馬ハンス問題」）。対照的に、この場合、逆伝播は、切断プロセス中の製造プロセス又は物理的関係性を理解するか又は少なくとも予測できるように使用される。
この場合、ニューラルネットワークは、少なくとも１つのデータ集約ルーチン、特に複数のデータ集約ルーチンを有するアーキテクチャを意味すると理解される。データ集約ルーチンは、複数の「判定されたデータ」を集約して新しいデータパケットを形成するように設計することができる。新しいデータパケットは、１つ以上の数値又はベクトルを含み得る。更なるデータ集約ルーチンにより、「判定されたデータ」として完全に又は部分的に新しいデータパケットで利用可能にされ得る。「判定されたデータ」は、特に、データ集約ルーチンの１つによって利用可能にされた切断パラメータ又はデータパケットであり得る。特に好ましくは、アーキテクチャは、複数の接続されたデータ集約ルーチンで構成される。特に、数百、特に数千のそのようなデータ集約ルーチンが互いに接続され得る。その結果、ニューラルネットワークの品質が大幅に向上する。
この場合、アーキテクチャは、重み付け変数を備えた関数を有し得る。１つのデータ集約ルーチン、特に複数のデータ集約ルーチン、特に好ましくは全てのデータ集約ルーチンは、複数の「判定されたデータ」の各々を重み付け変数と組み合わせるか又はそれによって乗算して、「判定されたデータ」を「結合されたデータ」に変換し、次いでそれによって「結合されたデータ」を集約、特に追加して、新しいデータパケットを形成するように設計することができる。ニューラルネットワークでは、データは、重みによって乗算され得る。複数のニューロンの情報が追加され得る。更に、ニューラルネットワークは、非線形活性化関数を有し得る。
記録に含まれる切断エッジの特徴は、この場合、それら自体がデータパケット、特に複数の構造化データ、特にデータベクトル又はデータ配列であり得、それら自体が、特にデータ集約ルーチンのために、再び「判定されたデータ」を構成することができる。
適切な重み付け変数を判定する、すなわちニューラルネットワークを訓練するために、データ、特に記録との関連付けが各場合において既知である切断パラメータを用いて方法を実行することが可能である。
このニューラルネットワークは、好ましくは、複数の層を有する畳み込みニューラルネットワーク（ＣＮＮ）の形態で構成される。畳み込みニューラルネットワークは、畳み込み層及びプーリング層を有し得る。プーリング層は、通常、２つの連続する畳み込み層間に配置される。代替として又はそれに加えて、各畳み込み後にプーリングが実行され得る。
畳み込み層及びプーリング層に加えて、ＣＮＮは、特にニューラルネットワークの最後に、完全に接続された層を有し得る。畳み込み層及びプーリング層は、特徴を抽出し、完全に接続された層は、その特徴を切断パラメータに割り当てることができる。
ニューラルネットワークは、層ごとに複数のフィルタを有し得る。畳み込みニューラルネットワークの構造については、例えば、以下の記事、特に以下で説明する最初の記事から収集することができる。
（非特許文献４）。
（非特許文献５）。
（非特許文献６）。
（非特許文献７）。
（非特許文献８）。
（非特許文献９）。
（非特許文献１０）。
逆伝播の場合、層ごとの関連性の伝播（ＬＲＰ）は、特に標的化して、同時に簡単な方式で実施可能であることがわかっている。層ごとの関連性の伝播については、特に以下の記事から収集することができる。
（非特許文献１１）。
（非特許文献１２）。
（非特許文献１３）。
（非特許文献１４）。
（非特許文献１５）。
特に層ごとの関連性の伝播の形態での逆伝播は、好ましくは、ディープテイラー分解（ＤＴＤ）に基づく。ディープテイラー分解については、特に以下の記事から収集することができる。
（非特許文献１３）。
実施は、例えば、ＰｙｔｈｏｎにおいてライブラリＴｅｎｓｏｒＦｌｏｗ １．１３．１の形態で実行され得る（（非特許文献１６）を参照されたい（（非特許文献１７）を参照されたい）。更に、Ｐｙｔｈｏｎライブラリ「ｉＮＮｖｅｓｔｉｇａｔｅ」（非特許文献１８）を使用することが可能である。
更に好ましくは、出力は、ヒートマップの形態で行われる。ヒートマップは、特に関連性のある記録ピクセル及び特に関連性のない記録ピクセルをそれぞれ識別する２つの色、特に赤色及び青色を有し得る。平均的な関連性の記録ピクセルは、２つの色間の中間の色合い又は灰色で識別され得る。その結果、出力は、特に直感的に理解可能である。
記録は、好ましくは、写真、特に好ましくはカラー写真、特にＲＧＢ写真の形態又は３Ｄ点群である。３Ｄ点群は、深度情報を含むため、作成がやや複雑である。深度情報は、特にライトセクション又は異なる角度からの三角測量により、記録の作成中に取得され得る。しかしながら、様々な切断パラメータがニューラルネットワークによって主に切断エッジの異なる色から認識されるため、カラー写真が特に適切又は十分であることが見出された。
記録は、写真及び／又はビデオカメラによって作成され得る。好ましくは、カメラは、一定の記録状況を確実にするために工作機械の一部である。代替として又はそれに加えて、カメラは、記録の作成中の周囲の影響を低減するために、写真ブースの一部であり得る。
更に好ましくは、本発明による方法は、工作機械によって切断エッジを作成することを含む。工作機械の切断方法は、熱切断方法、特にプラズマ切断方法、好ましくはレーザ切断方法であり得る。
レーザ切断方法の場合に判定される切断パラメータには、好ましくは、ビームパラメータ、特に焦点直径及び／若しくはレーザ出力、搬送パラメータ、特に焦点位置、ノズル－焦点距離及び／若しくはフィード、ガスダイナミクスパラメータ、特にガス圧及び／若しくはノズル－ワークピース距離並びに／又は材料パラメータ、特にガス純度の程度及び／若しくはワークピースの融点が含まれる。これらの切断パラメータは、切断エッジの外観に対して特に形成可能であることがわかっている。
本発明による目的は、本明細書に記載の計算操作を実行するためのコンピュータプログラム製品によって更に達成される。コンピュータプログラム製品は、複数のユーザがコンピュータプログラム製品にアクセスできるようにするために、部分的に、特に完全にクラウドベースの方式で構成することができる。更に、ニューラルネットワークのより包括的な訓練は、複数のユーザによって実行され得る。
最後に、本発明による目的は、本明細書に記載の方法を実行するためのデバイスによって達成され、デバイスは、特にレーザ切断機の形態の工作機械を含む。
この場合、デバイスは、本明細書に記載のカメラを含み得る。
本発明の更なる利点は、本明細書及び図面から明らかである。同様に、本発明によれば、上記の特徴及びなおも更に説明される特徴は、それぞれの場合において、それら自体で個別に又は任意の所望の組み合わせにおいて複数として使用することができる。図示及び説明される実施形態は、網羅的な列挙として理解されるべきではなく、むしろ本発明を概説するための例示的な特徴のものである。
図１は、レーザ切断機の形態の工作機械１０の一部を示す。この場合、切断ヘッド１２は、ワークピース１４を通過し、ワークピース１４は、レーザ照射及びガスに対する曝露を受ける。そのプロセスにおいて、切断エッジ１６が生成される。切断エッジ１６は、特に、以下の切断パラメータ１８：ガス圧２０、フィード２２、ノズル－ワークピース距離２４、ノズル－焦点距離２６及び／又は焦点位置２８によって影響を受ける。
得られた切断エッジ１６の外観に対する個々の切断パラメータ１８の影響は、専門家でさえ非常に不明確である。例えば、条痕が切断エッジ１６上に発生する場合、条痕が消えるまで切断パラメータ１８を変化させる必要があり、その場合、第１に、その変化は、材料及びエネルギーの大量消費並びに時間の浪費に関連付けられ、第２に、多くの場合、その変化によって新しいアーティファクトの生成が発生する。したがって、切断パラメータ１８が、標的化された方式で切断エッジ１６の特徴に割り当てられる方法及びデバイスを提供する必要性が存在する。次いで、これらの切断パラメータ１８は、切断エッジ１６の特徴を変化させるために変更され得る。したがって、本発明は、問題の複雑さ（「超人的パフォーマンス」）のために人間のユーザが解決できない問題を解決する。
図２は、本発明による方法の概要を示す。方法ステップＡ）では、切断エッジ１６が工作機械１０によって切断パラメータ１８を使用して生成される。方法ステップＢ）では、切断エッジ１６（方法ステップＡ）を参照されたい）がカメラ３０を使用して記録される。カメラ３０は、写真用カメラ及び／又はビデオカメラの形態で構成され得る。方法ステップＣ）では、作成された記録３２が読み込まれる。方法ステップＤ）では、記録３２がアルゴリズム３４によって分析される。アルゴリズム３４は、ニューラルネットワーク３６を有する。ニューラルネットワーク３６は、切断パラメータ１８を判定する（３８）のに役立つ。判定された切断パラメータ１８は、例えば、工作機械１０の欠陥を判定するために（方法ステップＡ）を参照されたい）、設定された切断パラメータ１８（方法ステップＡ）を参照されたい）と比較され得る。
方法ステップＥ）では、アルゴリズム３４は、ニューラルネットワーク３６において逆伝播４０を実行する。記録３２に対する切断パラメータ１８の逆伝播４０は、方法ステップＤ）において切断パラメータ１８を判定する際、記録４０の個々の記録ピクセル４２ａ、４２ｂの関連性を確立する。方法ステップＦ）では、記録ピクセル４２ａ、ｂが表され（明確にするために、記録ピクセル４２ａ、ｂのみが図２の参照記号で提供されている）、それらのそれぞれの関連性が識別される。この場合、特に関連性のある記録ピクセル４２ａは、第１の色（例えば、赤色）を使用して識別され、特に関連性のない記録ピクセル４２ｂは、第２の色（例えば、青色又は灰色）を使用して識別される。正式な規定により、本明細書では、異なる色は、異なるパターン（ハッチング）で表されている。特に関連する記録ピクセル４２ａに基づいて、ユーザは、記録された切断エッジ１６（方法ステップＡ）を参照されたい）のいずれの領域が、それぞれ判定された切断パラメータ１８（方法ステップＤ）を参照されたい）によって特に影響を受けるかを直接認識することができる。
図３は、例として、３つの記録３２ａ、３２ｂ、３２ｃを示し、記録３２ａ～ｃは、異なる切断パラメータ１８（図１を参照されたい）を用いて作成されている。
記録３２ａ：ガス圧２０ １５ｂａｒ
フィード２２ ２１ｍ／分
ノズル－ワークピース距離２４ １．５ｍｍ
ノズル－焦点距離２６ －２ｍｍ
これと比較して、記録３２ｂは、ノズル－焦点距離２６を増加して作成された。記録３２ｃは、記録３２ａと比較してフィード２２を低減して作成された。図３から、切断パラメータ１８（図１を参照されたい）の影響は、人間のユーザにとって記録３２ａ～ｃから直接推測可能でないことが明らかである。
記録３２ａ：ガス圧２０ １５ｂａｒ
フィード２２ ２１ｍ／分
ノズル－ワークピース距離２４ １．５ｍｍ
ノズル－焦点距離２６ －２ｍｍ
これと比較して、記録３２ｂは、ノズル－焦点距離２６を増加して作成された。記録３２ｃは、記録３２ａと比較してフィード２２を低減して作成された。図３から、切断パラメータ１８（図１を参照されたい）の影響は、人間のユーザにとって記録３２ａ～ｃから直接推測可能でないことが明らかである。
図４は、アルゴリズム３４又はより具体的にはニューラルネットワーク３６を概略的に示す。ニューラルネットワーク３６は、複数のブロック４４ａ、４４ｂ、４４ｃ、４４ｄ、４４ｅを有する畳み込みニューラルネットワークの形態で構築される。この場合、入力ブロック４４ａが提供される。ブロック４４ｂ～ｅは、それぞれ３つの畳み込み層４６ａ、４６ｂ、４６ｃ、４６ｄ、４６ｅ、４６ｆ、４６ｇ、４６ｈ、４６ｉ、４６ｊ、４６ｋ、４６ｌを有する。ブロック４４ａ～ｅは、フィルタ４８ａ、４８ｂ、４８ｃ、４８ｄ、４８ｅを有する。入力ブロック４４ａの各層は、３２個のフィルタ４８ａを有する。ブロック４４ｂの層は、同様に、３２個のフィルタ４８ｂを有する。ブロック４４ｃの層は、６４個のフィルタ４８ｃを有する。ブロック４４ｄの層は、１２８個のフィルタ４８ｄを有し、ブロック４４ｅの層は、２５６個のフィルタ４８ｅを有する。フィルタ４８ａ～ｅは、記録３２の解像度の（例えば、２００ピクセル×２００ピクセルから７ピクセル×７ピクセルへの）低下をもたらし得ると同時に、深度（又はチャネル数）の増加をもたらし得る。各ブロック４４ａ～ｅの第３の層のフィルタ４８ａ～ｅは、解像度の低下をもたらす。ここでは、畳み込み層がプーリングにも使用されている。深度は、１つのブロック４４ａ～ｅから次のブロックに対して増加する。例として、ブロック４４ｂは、３つの畳み込み層からなり、各々が３２個のフィルタを有する。第１の２つでは、空間解像度は、１１２×１１２ピクセルである。第２から第３では、空間解像度は、１１２×１１２ピクセルから５６×５６ピクセルに減少する。ブロック４４ｂ（最後の層）からブロック４４ｃ（最初の層）に遷移すると、深度は、３２から６４に増加する。空間分解能は、一定のままである。
それにより、ニューラルネットワーク３６は、切断パラメータ１８を判定する（３８）ことを可能にする。この場合、層ごとの関連性の伝播が逆伝播４０において使用される。この結果が図５に示されている。
図５は、上の列の記録３２ａ及び下の列の記録３２ｂを示す。記録３２ａ、ｂは、各列で何度も再生成され、記録ピクセル４２ａ、ｂは、第２の列で強調表示されているフィード２２によって大きく又はわずかに影響を受け、記録ピクセル４２ａ、ｂは、第３の列で強調表示されている焦点位置２８によって大きく又はわずかに影響を受け、記録ピクセル４２ａ、ｂは、第４の列で強調表示されているガス圧２０によって大きく又はわずかに影響を受けている。この場合、出力５０は、ヒートマップの形態で存在し得る。
それぞれの切断パラメータ１８（図１を参照されたい）によって特にほとんど影響を受けない記録ピクセル４２ｂは、主に出力５０の妥当性をチェックするのに役立つ。好ましくは、出力５０において、ユーザに対する出力５０の取り扱いを容易にするために、それぞれの切断パラメータ１８（図１を参照されたい）によって特に大きく影響を受ける記録ピクセル４２ａのみが強調表示される。
図面の全ての図を一緒に考慮に入れて、本発明は、要約すると、切断エッジ１６の特定の特徴にとって特に重要である切断パラメータ１８を認識するための方法に関する。この場合、切断エッジ１６の記録３２、３２ａ～ｃは、切断パラメータ１８を判定する（３８）ために、ニューラルネットワーク３６を有するアルゴリズム３４によって分析される。切断パラメータ１８を確認するために重要な役割を果たすこれらの記録ピクセル４２ａ、ｂは、この分析の逆伝播４０によって識別される。これらの重要な記録ピクセル４２ａ、ｂの表現の形態、特にヒートマップの形態の出力５０は、切断エッジ１６を改善するために、いずれの切断パラメータ１８を変更する必要があるかを方法のユーザに対して明らかにする。本発明は、その方法を実行するためのコンピュータプログラム製品及びそれぞれのデバイスに更に関する。
１０ 工作機械
１２ 切断ヘッド
１４ ワークピース
１６ 切断エッジ
１８ 切断パラメータ
２０ ガス圧
２２ フィード
２４ ノズル－ワークピース距離
２６ ノズル－焦点距離
２８ 焦点位置
３０ カメラ
３２、３２ａ～ｃ 記録
３４ アルゴリズム
３６ ニューラルネットワーク
３８ 切断パラメータ１８の判定
４０ 逆伝播
４２ａ、ｂ 記録ピクセル
４４ａ～ｅ ニューラルネットワーク３６のブロック
４６ａ～ｌ ニューラルネットワーク３６の層
４８ａ～ｅ ニューラルネットワーク３６のフィルタ
５０ 出力
１２ 切断ヘッド
１４ ワークピース
１６ 切断エッジ
１８ 切断パラメータ
２０ ガス圧
２２ フィード
２４ ノズル－ワークピース距離
２６ ノズル－焦点距離
２８ 焦点位置
３０ カメラ
３２、３２ａ～ｃ 記録
３４ アルゴリズム
３６ ニューラルネットワーク
３８ 切断パラメータ１８の判定
４０ 逆伝播
４２ａ、ｂ 記録ピクセル
４４ａ～ｅ ニューラルネットワーク３６のブロック
４６ａ～ｌ ニューラルネットワーク３６の層
４８ａ～ｅ ニューラルネットワーク３６のフィルタ
５０ 出力
Claims (11)
- 工作機械（１０）によって作成された切断エッジ（１６）を分析するための方法であって、
Ａ）前記工作機械（１０）により、前記切断エッジ（１６）を作成する方法ステップ、
Ｃ）前記切断エッジ（１６）の少なくとも１つの記録（３２、３２ａ～ｃ）を読み込む方法ステップであって、前記記録（３２、３２ａ～ｃ）は、複数の記録ピクセル（４２）を有する、方法ステップ、
Ｄ）少なくとも１つの切断パラメータ（１８）を判定するために、訓練されたニューラルネットワーク（３６）によって前記記録（３２、３２ａ～ｃ）を分析する方法ステップ、
Ｅ）前記判定された切断パラメータ（１８）を確認するために、分析された前記記録ピクセル（４２）の、前記判定された切断パラメータ（１８）によって前記切断エッジ（１６）のいずれの領域が影響を受けたかという関連性を判定するために、前記ニューラルネットワーク（３６）の逆伝播（４０）を行う方法ステップ、
Ｆ）方法ステップＥ）で確認された関連性のある記録ピクセル（４２ａ）及び／又は関連性のない記録ピクセル（４２ｂ）の識別を用いて、再生成された記録（３２、３２ａ～ｃ）を出力する方法ステップ
を含み、
前記工作機械（１０）は、レーザ切断機の形態で構成され、
切断パラメータ（１８）のうち、材料パラメータにおけるガス純度の程度及びワークピース（１４）の融点は、方法ステップＤ）において判定される、方法。 - 方法ステップＤ）における前記分析は、複数の層（４６ａ～ｌ）ごとに複数のフィルタ（４８ａ～ｅ）を有する畳み込みニューラルネットワークによって行われる、請求項１に記載の方法。
- 方法ステップＥ）における前記逆伝播（４０）は、ＬＲＰ法によって行われる、請求項１又は２に記載の方法。
- 方法ステップＥ）における前記関連性の割り当ては、ディープテイラー分解に基づく、請求項１～３のいずれか一項に記載の方法。
- 方法ステップＦ）における前記出力は、ヒートマップの形態で行われる、請求項１～４のいずれか一項に記載の方法。
- 方法ステップＣ）における前記記録（３２、３２ａ～ｃ）は、ＲＧＢ写真又は３Ｄ点群の形態で存在する、請求項１～５のいずれか一項に記載の方法。
- Ｂ）前記工作機械（１０）のカメラ（３０）により、前記記録（３２、３２ａ～ｃ）を作成する方法ステップ
を含む、請求項１～６のいずれか一項に記載の方法。 - 以下の切断パラメータ（１８）：
・ビームパラメータにおける、焦点直径及び／若しくはレーザ出力、
・搬送パラメータにおける、焦点位置（２８）、ノズル－焦点距離（２６）及び／若しくはフィード（２２）、
・ガスダイナミクスパラメータにおける、ガス圧（２０）及び／若しくはノズル－ワークピース距離（２４）
のうち、任意のパラメータが方法ステップＤ）において判定される、
請求項１～７のいずれか一項に記載の方法。 - 請求項１～８のいずれか一項に記載の方法ステップＣ）～Ｆ）を実行するためのコンピュータプログラム製品であって、前記ニューラルネットワーク（３６）を含むコンピュータプログラム製品。
- 請求項１～８のいずれか一項に記載の方法を実行するためのレーザ切断機の形態の工作機械（１０）、コンピュータ及び請求項９に記載のコンピュータプログラム製品を含むデバイス。
- カメラを含む、請求項１０に記載のデバイス。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102020212510.4 | 2020-10-02 | ||
| DE102020212510.4A DE102020212510A1 (de) | 2020-10-02 | 2020-10-02 | Verfahren und Vorrichtung zum Aufzeigen des Einflusses von Schneidparametern auf eine Schnittkante |
| PCT/EP2021/077086 WO2022069702A1 (de) | 2020-10-02 | 2021-10-01 | Verfahren, computerprogrammprodukt, und vorrichtung mit einem solchen produkt zum aufzeigen des einflusses von schneidparametern auf eine schnittkante |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023508308A JP2023508308A (ja) | 2023-03-02 |
| JP7481450B2 true JP7481450B2 (ja) | 2024-05-10 |
Family
ID=78080298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022537848A Active JP7481450B2 (ja) | 2020-10-02 | 2021-10-01 | 切断エッジに対する切断パラメータの影響を明らかにするための方法、コンピュータプログラム製品及びデバイス |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20220339739A1 (ja) |
| EP (1) | EP4221930A1 (ja) |
| JP (1) | JP7481450B2 (ja) |
| CN (1) | CN115461186A (ja) |
| DE (1) | DE102020212510A1 (ja) |
| WO (1) | WO2022069702A1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102021127016A1 (de) | 2021-10-19 | 2023-04-20 | Precitec Gmbh & Co. Kg | Prozesssignalrekonstruktion und Anomalie-Detektion bei Laserbearbeitungsprozessen |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102018129425A1 (de) | 2018-11-22 | 2020-05-28 | Precitec Gmbh & Co. Kg | System zur Erkennung eines Bearbeitungsfehlers für ein Laserbearbeitungssystem zur Bearbeitung eines Werkstücks, Laserbearbeitungssystem zur Bearbeitung eines Werkstücks mittels eines Laserstrahls umfassend dasselbe und Verfahren zur Erkennung eines Bearbeitungsfehlers eines Laserbearbeitungssystems zur Bearbeitung eines Werkstücks |
| JP2020121338A (ja) | 2019-01-31 | 2020-08-13 | 三菱電機株式会社 | 加工条件解析装置、レーザ加工装置、レーザ加工システムおよび加工条件解析方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012000650A1 (en) | 2010-06-28 | 2012-01-05 | Precitec Kg | A method for classifying a multitude of images recorded by a camera observing a processing area and laser material processing head using the same |
| JP6625914B2 (ja) | 2016-03-17 | 2019-12-25 | ファナック株式会社 | 機械学習装置、レーザ加工システムおよび機械学習方法 |
| DE102018123363B4 (de) | 2018-09-24 | 2021-01-07 | Bystronic Laser Ag | Verfahren zur Kollisionsvermeidung und Laserbearbeitungsmaschine |
| EP3654248A1 (en) | 2018-11-19 | 2020-05-20 | Siemens Aktiengesellschaft | Verification of classification decisions in convolutional neural networks |
-
2020
- 2020-10-02 DE DE102020212510.4A patent/DE102020212510A1/de active Pending
-
2021
- 2021-10-01 CN CN202180008252.7A patent/CN115461186A/zh active Pending
- 2021-10-01 WO PCT/EP2021/077086 patent/WO2022069702A1/de unknown
- 2021-10-01 EP EP21786859.5A patent/EP4221930A1/de active Pending
- 2021-10-01 JP JP2022537848A patent/JP7481450B2/ja active Active
-
2022
- 2022-07-11 US US17/861,925 patent/US20220339739A1/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102018129425A1 (de) | 2018-11-22 | 2020-05-28 | Precitec Gmbh & Co. Kg | System zur Erkennung eines Bearbeitungsfehlers für ein Laserbearbeitungssystem zur Bearbeitung eines Werkstücks, Laserbearbeitungssystem zur Bearbeitung eines Werkstücks mittels eines Laserstrahls umfassend dasselbe und Verfahren zur Erkennung eines Bearbeitungsfehlers eines Laserbearbeitungssystems zur Bearbeitung eines Werkstücks |
| JP2020121338A (ja) | 2019-01-31 | 2020-08-13 | 三菱電機株式会社 | 加工条件解析装置、レーザ加工装置、レーザ加工システムおよび加工条件解析方法 |
Non-Patent Citations (2)
| Title |
|---|
| J STAHL; ET AL，QUICK ROUGHNESS EVALUATION OF CUT EDGES USING A CONVOLUTIONAL NEURAL NETWORK，PROCEEDINGS OF SPIE，SPIE，2019年07月16日，VOL:11172，PAGE(S):111720P(1-7)，https://doi.org/10.1117/12.2519440 |
| SEBASTIAN BACH; ET AL，ON PIXEL-WISE EXPLANATIONS FOR NON-LINEAR CLASSIFIER DECISIONS BY LAYER-WISE RELEVANCE PROPAGATION，PLOS ONE，米国，2015年，VOL:10, NO:7，PAGE(S):E0130140(1-46)，https://journals.plos.org/plosone/article/file?id=10.1371/journal.pone.0130140&type=printable |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022069702A1 (de) | 2022-04-07 |
| DE102020212510A1 (de) | 2022-04-07 |
| US20220339739A1 (en) | 2022-10-27 |
| JP2023508308A (ja) | 2023-03-02 |
| CN115461186A (zh) | 2022-12-09 |
| EP4221930A1 (de) | 2023-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sassi et al. | A smart monitoring system for automatic welding defect detection | |
| Mery | Aluminum casting inspection using deep learning: a method based on convolutional neural networks | |
| Rodríguez et al. | Study and classification of plum varieties using image analysis and deep learning techniques | |
| DE102018109392A1 (de) | Verfahren zum erfassen optischer codes, automatisierungssystem und computerprogrammprodukt zum durchführen des verfahrens | |
| Fuentes et al. | Coffee fruit recognition using artificial vision and neural networks | |
| JP7481450B2 (ja) | 切断エッジに対する切断パラメータの影響を明らかにするための方法、コンピュータプログラム製品及びデバイス | |
| Xing et al. | Using convolutional neural networks to classify melt pools in a pulsed selective laser melting process | |
| Hu et al. | A method for classification of surface defect on metal workpieces based on twin attention mechanism generative adversarial network | |
| Sauter et al. | Defect detection of metal nuts applying convolutional neural networks | |
| CN110111332A (zh) | 基于深度卷积神经网络的胶原蛋白肠衣缺陷检测模型、检测方法及系统 | |
| KR102242011B1 (ko) | 딥러닝 기반의 축산물 이미지 등급 분류 장치 | |
| JP2021197184A (ja) | 分類器を訓練及びテストするためのデバイス及び方法 | |
| Trinks et al. | Image mining for real time quality assurance in rapid prototyping | |
| Saiz et al. | Synthetic Data Set Generation for the Evaluation of Image Acquisition Strategies Applied to Deep Learning Based Industrial Component Inspection Systems. | |
| Petrik et al. | MeltPoolGAN: Auxiliary Classifier Generative Adversarial Network for melt pool classification and generation of laser power, scan speed and scan direction in Laser Powder Bed Fusion | |
| CN114155555B (zh) | 人体行为人工智能判断系统和方法 | |
| Saini et al. | Hybrid Deep Learning Model for The SmartManufacturing | |
| JP7468155B2 (ja) | 方法、装置、および、コンピュータープログラム | |
| Sahid et al. | Implementation of Face Emotion Detection In Classroom Using Convolutional Neural Network | |
| Fibriani et al. | Detection of Kinship through Microexpression Using Colour Features and Extreme Learning Machine | |
| Zhang et al. | Weld joint penetration state sequential identification algorithm based on representation learning of weld images | |
| Buitrago et al. | Automatic detection surface defects based on convolutional neural networks and deflectometry | |
| Jiao | End-to-end Prediction of Weld Penetration in Real Time Based on Deep Learning | |
| Boman | A deep learning approach to defect detection with limited data availability | |
| JP2022187493A (ja) | 白髪識別装置、白髪識別方法及び白髪識別プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220617 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230627 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230925 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231017 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231211 |
|
| 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: 20240326 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240425 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7481450 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |