JPWO2020031948A1 - レーザ加工システムに用いられる機械学習方法、シミュレーション装置、レーザ加工システム並びにプログラム - Google Patents
レーザ加工システムに用いられる機械学習方法、シミュレーション装置、レーザ加工システム並びにプログラム Download PDFInfo
- Publication number
- JPWO2020031948A1 JPWO2020031948A1 JP2020535752A JP2020535752A JPWO2020031948A1 JP WO2020031948 A1 JPWO2020031948 A1 JP WO2020031948A1 JP 2020535752 A JP2020535752 A JP 2020535752A JP 2020535752 A JP2020535752 A JP 2020535752A JP WO2020031948 A1 JPWO2020031948 A1 JP WO2020031948A1
- Authority
- JP
- Japan
- Prior art keywords
- data
- processed
- laser
- laser beam
- processing
- 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.)
- Pending
Links
- 238000003754 machining Methods 0.000 title claims description 96
- 238000004088 simulation Methods 0.000 title claims description 59
- 238000010801 machine learning Methods 0.000 title claims description 46
- 238000012545 processing Methods 0.000 claims abstract description 169
- 239000000463 material Substances 0.000 claims abstract description 63
- 230000001678 irradiating effect Effects 0.000 claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 20
- 238000012805 post-processing Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims description 16
- 238000002679 ablation Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 29
- 238000005259 measurement Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 229910052710 silicon Inorganic materials 0.000 description 4
- 239000010703 silicon Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000001237 Raman spectrum Methods 0.000 description 2
- 239000004918 carbon fiber reinforced polymer Substances 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000000985 reflectance spectrum Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 229910052594 sapphire Inorganic materials 0.000 description 1
- 239000010980 sapphire Substances 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 239000010936 titanium Substances 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 238000012549 training Methods 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
- 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
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/36—Removing material
-
- 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
- B23K26/06—Shaping the laser beam, e.g. by masks or multi-focusing
- B23K26/062—Shaping the laser beam, e.g. by masks or multi-focusing by direct control of the laser beam
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
-
- 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
- G05B19/19—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 positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
-
- 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
- G05B19/4097—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 using design data to control NC machines, e.g. CAD/CAM
- G05B19/4099—Surface or curve machining, making 3D objects, e.g. desktop manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G05B2219/45—Nc applications
- G05B2219/45041—Laser cutting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Plasma & Fusion (AREA)
- Human Computer Interaction (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Laser Beam Processing (AREA)
Abstract
【課題】レーザ加工の途中におけるレーザ光の照射の前後の加工部の加工の程度と加工対象物の材質と照射するレーザ光のパラメータとを学習する。【解決手段】加工対象物の材質、加工対象物に照射したレーザ光の特性を示すレーザ光パラメータ、加工対象物にレーザ光を照射する前後の加工部のレーザ加工に伴う３次元形状を反映する前加工部データおよび後加工部データ、を用いて深層学習を行ない、加工対象物の材質、前加工部データ、レーザ光パラメータを入力データとしたときに入力データに係るレーザ光が照射された後の後加工部データを出力データとする第１関係を学習結果の一つとして得る。【選択図】図１
Description
本発明は、レーザ加工システムに用いられる機械学習方法、シミュレーション装置、レーザ加工システム並びにプログラムに関する。
従来、この種のレーザ加工システムに用いられる機械学習に関する技術としては、レーザ加工システムの状態量を観測する状態量観測部と、レーザ加工システムによる加工結果を取得する動作結果取得部と、状態量観測部からの出力および動作結果取得部からの出力を受け取り、レーザ加工条件データを、レーザ加工システムの状態量および加工結果に関連付けて学習する学習部と、学習部が学習したレーザ加工条件データを参照して、レーザ加工条件データを出力する意思決定部とを備える機械学習装置が提案されている（例えば、特許文献１参照）。この装置では、こうした機械学習により、最適な加工結果が得られるレーザ加工条件データを決定することができるとされている。
レーザ加工では、図１３に示すように、照射パルス数に対して加工対象物から除去される除去体積（アブレーション体積）は非線形に増大し、照射するレーザ光のフルーエンス（単位面積当たりのパルスエネルギ）に対してもアブレーション体積は非線形に増大することが解っている。このため、加工対象物にパラメータを設定してレーザ光を照射しても、そのレーザ光の照射によるアブレーション加工がどの程度になるかを推測したり、加工対象物に特定の加工を施すためにレーザ光のパラメータをどのように設定するかについては極めて困難であった。上述の機械学習装置では、最適な加工結果が得られるレーザ加工条件データを決定することができるとされているが、レーザ加工の結果との関係での学習に過ぎず、レーザ加工の途中におけるレーザ光の照射の前後の加工部の加工の程度との関係での学習は行なわれていない。
本発明のレーザ加工システムに用いられる機械学習方法は、レーザ加工の途中におけるレーザ光の照射の前後の加工部の加工の程度と加工対象物の材質と照射するレーザ光のパラメータとを学習することを主目的とする。
本発明のレーザ加工システムに用いられるシミュレーション装置は、レーザ加工の途中におけるレーザ光の照射の前後の加工部の加工の程度と加工対象物の材質と照射するレーザ光のパラメータとの学習結果を用いたシミュレーションを行なうこと主目的とする。
本発明のレーザ加工システムは、レーザ加工の精度を向上させることを主目的とする。
本発明のプログラムは、コンピュータをレーザ加工の途中におけるレーザ光の照射の前後の加工部の加工の程度と加工対象物の材質と照射するレーザ光のパラメータとを学習する機械学習装置として機能させることを主目的とする。
本発明のレーザ加工システムに用いられる機械学習方法、シミュレーション装置、レーザ加工システム並びにプログラムは、上述の主目的を達成するために以下の手段を採った。
本発明の機械学習方法は、
加工対象物にレーザ光を照射してアブレーション加工を行なうレーザ加工システムに用いられる機械学習方法であって、
前記加工対象物の材質、前記加工対象物に照射したレーザ光の特性を示すレーザ光パラメータ、前記加工対象物に前記レーザ光を照射する前後の加工部のレーザ加工に伴う３次元形状を反映する前加工部データおよび後加工部データ、を用いて深層学習を行ない、加工対象物の材質、前加工部データ、レーザ光パラメータを入力データとしたときに前記入力データに係るレーザ光が照射された後の後加工部データを出力データとする第１関係を学習結果の一つとして得る、
ことを特徴とする。
加工対象物にレーザ光を照射してアブレーション加工を行なうレーザ加工システムに用いられる機械学習方法であって、
前記加工対象物の材質、前記加工対象物に照射したレーザ光の特性を示すレーザ光パラメータ、前記加工対象物に前記レーザ光を照射する前後の加工部のレーザ加工に伴う３次元形状を反映する前加工部データおよび後加工部データ、を用いて深層学習を行ない、加工対象物の材質、前加工部データ、レーザ光パラメータを入力データとしたときに前記入力データに係るレーザ光が照射された後の後加工部データを出力データとする第１関係を学習結果の一つとして得る、
ことを特徴とする。
この本発明の機械学習方法では、加工対象物の材質、加工対象物に照射したレーザ光の特性を示すレーザ光パラメータ、加工対象物にレーザ光を照射する前後の加工部のレーザ加工に伴う３次元形状を反映する前加工部データおよび後加工部データ、を用いて深層学習を行ない、この深層学習の結果（学習結果）として、加工対象物の材質、前加工部データ、レーザ光パラメータを入力データとしたときに入力データに係るレーザ光が照射された後の後加工部データを出力データとする第１関係を得る。ここで、前加工部データおよび後加工部データは、加工対象物にレーザ光を照射する前後の加工部のレーザ加工に伴う３次元形状を反映するデータであるから、レーザ加工前とレーザ加工の途中とにおけるレーザ光の照射の前後のデータや、レーザ加工の途中におけるレーザ光の照射の前後のデータ、レーザ加工の途中とレーザ加工後（加工完了後）とにおけるレーザ光の照射の前後のデータなども含まれる。これにより、レーザ加工の途中におけるレーザ光の照射の前後の加工部の加工の程度と加工対象物の材質と照射するレーザ光のパラメータとを学習することができ、加工対象物の材質、前加工部データ、レーザ光パラメータを入力データとしたときに入力データに係るレーザ光が照射された後の後加工部データを出力データとする第１関係を学習結果とすることができる。本発明の機械学習方法における「深層学習」は、前加工部データおよび後加工部データを用いており、後加工部データを出力データとする第１の関係を学習結果として得るから、基本的には教師ありの学習となる。また、「レーザ光パラメータ」は、波長、パルス幅、パルス強度、スポット径、パルス数、フルーエンス（単位面積当たりのパルスエネルギ）の少なくとも一部を用いることができ、「前加工部データ」および「後加工部データ」は、加工部の３次元形状データ、加工部の表面温度分布データ、加工部の色分布データの少なくとも一部を用いることができる。加工部の表面温度分布データや加工部の色分布データは、レーザ光の照射による温度の変化を示すものであり、３次元形状の変化のしやすさや変化によるものを反映すると考えられるからである。ここで、色分布データとしては、通常の色の分布のデータだけでなく、ラマンスペクトルデータや光反射率スペクトルデータなども含まれる。
本発明の機械学習方法において、前記第１関係に基づいて、加工対象物の材質、前加工部データ、後加工部データを入力データとしたときに前記入力データに係る前加工部データの加工部の状態から後加工部データの加工部の状態とするのに必要な照射すべきレーザ光のレーザ光パラメータを出力データとする第２関係を学習結果の一つとして得るものとしてもよい。こうすれば、加工対象物の材質、前加工部データ、後加工部データを入力データとしたときに入力データに係る前加工部データの加工部の状態から後加工部データの加工部の状態とするのに必要な照射すべきレーザ光のレーザ光パラメータを出力データとする第２関係を学習結果として得ることができる。
本発明のシミュレーション装置は、
加工対象物にレーザ光を照射してアブレーション加工を行なうレーザ加工システムに用いられるシミュレーション装置であって、
上述の本発明のいずれかの態様の機械学習方法により得られた学習結果、即ち、加工対象物の材質、加工対象物に照射したレーザ光の特性を示すレーザ光パラメータ、加工対象物にレーザ光を照射する前後の加工部のレーザ加工に伴う３次元形状を反映する前加工部データおよび後加工部データ、を用いて深層学習を行なって得られる、加工対象物の材質、前加工部データ、レーザ光パラメータを入力データとしたときに入力データに係るレーザ光が照射された後の後加工部データを出力データとする第１関係や、第１関係に基づいて、加工対象物の材質、前加工部データ、後加工部データを入力データとしたときに入力データに係る前加工部データの加工部の状態から後加工部データの加工部の状態とするのに必要な照射すべきレーザ光のレーザ光パラメータを出力データとする第２関係、を用いて前記入力データに対して前記出力データを出力する、
ことを特徴とする。
加工対象物にレーザ光を照射してアブレーション加工を行なうレーザ加工システムに用いられるシミュレーション装置であって、
上述の本発明のいずれかの態様の機械学習方法により得られた学習結果、即ち、加工対象物の材質、加工対象物に照射したレーザ光の特性を示すレーザ光パラメータ、加工対象物にレーザ光を照射する前後の加工部のレーザ加工に伴う３次元形状を反映する前加工部データおよび後加工部データ、を用いて深層学習を行なって得られる、加工対象物の材質、前加工部データ、レーザ光パラメータを入力データとしたときに入力データに係るレーザ光が照射された後の後加工部データを出力データとする第１関係や、第１関係に基づいて、加工対象物の材質、前加工部データ、後加工部データを入力データとしたときに入力データに係る前加工部データの加工部の状態から後加工部データの加工部の状態とするのに必要な照射すべきレーザ光のレーザ光パラメータを出力データとする第２関係、を用いて前記入力データに対して前記出力データを出力する、
ことを特徴とする。
この本発明のシミュレーション装置では、加工対象物の材質、前加工部データ、レーザ光パラメータを入力データとしたときに入力データに係るレーザ光が照射された後の後加工部データを出力したり、加工対象物の材質、前加工部データ、後加工部データを入力データとしたときに入力データに係る前加工部データの加工部の状態から後加工部データの加工部の状態とするのに必要な照射すべきレーザ光のレーザ光パラメータを出力したりすることができる。これにより、レーザ加工の途中におけるレーザ光の照射の前後の加工部の加工の程度と加工対象物の材質と照射するレーザ光のパラメータとの学習結果を用いたシミュレーションを行なうことができる。
この本発明のシミュレーション装置において、前記加工対象物の加工前の形状と目的形状とを入力し、加工途中の形状と目的形状との差分に応じて前記レーザ光パラメータとレーザ光照射箇所とを調整したデータを前記入力データとし、前記入力データに対して前記学習結果を適用して得られる加工シミュレーションの結果としての前記出力データを前記加工途中の形状とし、前記加工途中の形状と目的形状との差分が所定範囲内となるまで前記加工シミュレーションを繰り返すものとしてもよい。例えば、初期値として任意のレーザ光パラメータと任意数のレーザ照射箇所とを設定し、これに加工対象物の材質や加工前の形状などを加えて入力データとし、加工シミュレーションを適用して出力データ（入力データに係るレーザ光が照射された後の後加工部データ）を得る。得られた出力データは加工途中の形状として目的形状との差分が所定範囲内となっているか否かを判定する加工途中の形状と目的形状との差分が所定範囲内になっていないときにはその差分に応じてレーザ光パラメータとレーザ照射箇所とを調整して入力データとする。そして、調整した入力データに加工シミュレーションを適用して出力データを得る。こうした途中の形状と目的形状との差分に応じて入力データを調整する処理と、調整した入力データに対して加工シミュレーションを適用して出力データを得る処理と、加工途中の形状（出力データ）と目的形状との差分が所定範囲内となるまで繰り返す。こうした繰り返し処理の繰り返し数や繰り返し毎に調整されたレーザ光パラメータとレーザ照射箇所がシミュレーション結果となる。この場合、初期値を変更して複数回に亘ってシミュレーション結果を得ることにより、各シミュレーション結果におけるレーザ照射による総エネルギーや加工時間、加工精度などを比較することにより、レーザ加工の最適値を得ることができる。
本発明の第１のレーザ加工システムは、
加工対象物にレーザ光を照射してアブレーション加工を行なう加工用レーザ光照射装置と、前記加工対象物へのレーザ加工に伴う３次元形状を反映する加工部データを計測する加工部データ状計測装置と、前記加工用レーザ光照射装置を制御する制御装置と、を備えるレーザ加工システムであって、
前記制御装置は、上述の本発明のいずれかの態様の機械学習方法を用いた学習を行ない、即ち、加工対象物の材質、加工対象物に照射したレーザ光の特性を示すレーザ光パラメータ、加工対象物にレーザ光を照射する前後の加工部のレーザ加工に伴う３次元形状を反映する前加工部データおよび後加工部データ、を用いて深層学習を行なって、加工対象物の材質、前加工部データ、レーザ光パラメータを入力データとしたときに入力データに係るレーザ光が照射された後の後加工部データを出力データとする第１関係を学習結果の一つとして得たり、第１関係に基づいて、加工対象物の材質、前加工部データ、後加工部データを入力データとしたときに入力データに係る前加工部データの加工部の状態から後加工部データの加工部の状態とするのに必要な照射すべきレーザ光のレーザ光パラメータを出力データとする第２関係を学習結果の一つとして得たりし、前記学習結果を用いて前記入力データに対する前記出力データに基づいて前記加工用レーザ光照射装置を制御する、
ことを特徴とする。
加工対象物にレーザ光を照射してアブレーション加工を行なう加工用レーザ光照射装置と、前記加工対象物へのレーザ加工に伴う３次元形状を反映する加工部データを計測する加工部データ状計測装置と、前記加工用レーザ光照射装置を制御する制御装置と、を備えるレーザ加工システムであって、
前記制御装置は、上述の本発明のいずれかの態様の機械学習方法を用いた学習を行ない、即ち、加工対象物の材質、加工対象物に照射したレーザ光の特性を示すレーザ光パラメータ、加工対象物にレーザ光を照射する前後の加工部のレーザ加工に伴う３次元形状を反映する前加工部データおよび後加工部データ、を用いて深層学習を行なって、加工対象物の材質、前加工部データ、レーザ光パラメータを入力データとしたときに入力データに係るレーザ光が照射された後の後加工部データを出力データとする第１関係を学習結果の一つとして得たり、第１関係に基づいて、加工対象物の材質、前加工部データ、後加工部データを入力データとしたときに入力データに係る前加工部データの加工部の状態から後加工部データの加工部の状態とするのに必要な照射すべきレーザ光のレーザ光パラメータを出力データとする第２関係を学習結果の一つとして得たりし、前記学習結果を用いて前記入力データに対する前記出力データに基づいて前記加工用レーザ光照射装置を制御する、
ことを特徴とする。
この本発明の第１のレーザ加工システムでは、上述の本発明のいずれかの態様の機械学習方法を用いた学習を行なうから、レーザ加工の途中におけるレーザ光の照射の前後の加工部の加工の程度と加工対象物の材質と照射するレーザ光のパラメータとの学習結果を用いてレーザ加工を行なうことができる。また、レーザ加工を行なう毎に第１関係や第２関係を学習するから、レーザ加工の精度を高くすることができる。
本発明の第２のレーザ加工システムは、
加工対象物にレーザ光を照射してアブレーション加工を行なう加工用レーザ光照射装置と、前記加工用レーザ光照射装置を制御する制御装置と、を備えるレーザ加工システムであって、
前記制御装置は、上述の本発明のいずれかの態様の機械学習方法により得られた学習結果、即ち、加工対象物の材質、加工対象物に照射したレーザ光の特性を示すレーザ光パラメータ、加工対象物にレーザ光を照射する前後の加工部のレーザ加工に伴う３次元形状を反映する前加工部データおよび後加工部データ、を用いて深層学習を行なって得られる、加工対象物の材質、前加工部データ、レーザ光パラメータを入力データとしたときに入力データに係るレーザ光が照射された後の後加工部データを出力データとする第１関係や、第１関係に基づいて、加工対象物の材質、前加工部データ、後加工部データを入力データとしたときに入力データに係る前加工部データの加工部の状態から後加工部データの加工部の状態とするのに必要な照射すべきレーザ光のレーザ光パラメータを出力データとする第２関係、を用いて前記入力データに対する前記出力データに基づいて前記加工用レーザ光照射装置を制御する、
ことを特徴とする。
加工対象物にレーザ光を照射してアブレーション加工を行なう加工用レーザ光照射装置と、前記加工用レーザ光照射装置を制御する制御装置と、を備えるレーザ加工システムであって、
前記制御装置は、上述の本発明のいずれかの態様の機械学習方法により得られた学習結果、即ち、加工対象物の材質、加工対象物に照射したレーザ光の特性を示すレーザ光パラメータ、加工対象物にレーザ光を照射する前後の加工部のレーザ加工に伴う３次元形状を反映する前加工部データおよび後加工部データ、を用いて深層学習を行なって得られる、加工対象物の材質、前加工部データ、レーザ光パラメータを入力データとしたときに入力データに係るレーザ光が照射された後の後加工部データを出力データとする第１関係や、第１関係に基づいて、加工対象物の材質、前加工部データ、後加工部データを入力データとしたときに入力データに係る前加工部データの加工部の状態から後加工部データの加工部の状態とするのに必要な照射すべきレーザ光のレーザ光パラメータを出力データとする第２関係、を用いて前記入力データに対する前記出力データに基づいて前記加工用レーザ光照射装置を制御する、
ことを特徴とする。
この本発明の第２のレーザ加工システムでは、上述の本発明のいずれかの態様の機械学習方法により得られた学習結果を用いるから、レーザ加工の途中におけるレーザ光の照射の前後の加工部の加工の程度と加工対象物の材質と照射するレーザ光のパラメータとの学習結果を用いてレーザ加工を行なうことができ、その結果、レーザ加工の精度を高くすることができる。
本発明のプログラムは、
コンピュータをレーザ加工システムに用いられる機械学習装置として機能させるプログラムであって、
加工対象物の材質、前記加工対象物に照射したレーザ光の特性を示すレーザ光パラメータ、前記加工対象物に前記レーザ光を照射する前後の加工部のレーザ加工に伴う３次元形状を反映する前加工部データおよび後加工部データからなる複数のデータを入力するステップと、
前記入力した複数のデータを用いて深層学習により、加工対象物の材質、前加工部データ、レーザ光パラメータを入力データとしたときに前記入力データに係るレーザ光が照射された後の後加工部データを出力データとする第１関係を学習結果の一つとして得るステップと、
を有することを特徴とする。
コンピュータをレーザ加工システムに用いられる機械学習装置として機能させるプログラムであって、
加工対象物の材質、前記加工対象物に照射したレーザ光の特性を示すレーザ光パラメータ、前記加工対象物に前記レーザ光を照射する前後の加工部のレーザ加工に伴う３次元形状を反映する前加工部データおよび後加工部データからなる複数のデータを入力するステップと、
前記入力した複数のデータを用いて深層学習により、加工対象物の材質、前加工部データ、レーザ光パラメータを入力データとしたときに前記入力データに係るレーザ光が照射された後の後加工部データを出力データとする第１関係を学習結果の一つとして得るステップと、
を有することを特徴とする。
この本発明のプログラムでは、加工対象物の材質、加工対象物に照射したレーザ光の特性を示すレーザ光パラメータ、加工対象物にレーザ光を照射する前後の加工部のレーザ加工に伴う３次元形状を反映する前加工部データおよび後加工部データからなる複数のデータを入力し、入力した複数のデータを用いて深層学習により、加工対象物の材質、前加工部データ、レーザ光パラメータを入力データとしたときに入力データに係るレーザ光が照射された後の後加工部データを出力データとする第１関係を学習結果の一つとして得る。ここで、前加工部データおよび後加工部データは、加工対象物にレーザ光を照射する前後の加工部のレーザ加工に伴う３次元形状を反映するデータであるから、レーザ加工前とレーザ加工の途中とにおけるレーザ光の照射の前後のデータや、レーザ加工の途中におけるレーザ光の照射の前後のデータ、レーザ加工の途中とレーザ加工後（加工完了後）とにおけるレーザ光の照射の前後のデータなども含まれる。これにより、コンピュータをレーザ加工の途中におけるレーザ光の照射の前後の加工部の加工の程度と加工対象物の材質と照射するレーザ光のパラメータとを学習する機械学習装置として機能させることができる。なお、「深層学習」は、前加工部データおよび後加工部データを用いており、後加工部データを出力データとする第１の関係を学習結果として得るから、基本的には教師ありの学習となる。また、「レーザ光パラメータ」は、波長、パルス幅、パルス強度、パルス数、フルーエンス（単位面積当たりのパルスエネルギ）の少なくとも一部を用いることができ、「前加工部データ」および「後加工部データ」は、加工部の３次元データ、加工部の表面温度分布データ、加工部の色分布データの少なくとも一部を用いることができる。
本発明のプログラムにおいて、前記第１関係に基づいて、加工対象物の材質、前加工部データ、後加工部データを入力データとしたときに前記入力データに係る前加工部データの加工部の状態から後加工部データの加工部の状態とするのに必要な照射すべきレーザ光のレーザ光パラメータを出力データとする第２関係を学習結果の一つとして得るステップを有するものとすることもできる。こうすれば、コンピュータを、加工対象物の材質、前加工部データ、後加工部データを入力データとしたときに入力データに係る前加工部データの加工部の状態から後加工部データの加工部の状態とするのに必要な照射すべきレーザ光のレーザ光パラメータを出力データとする第２関係を学習結果として得る機械学習装置として機能させることができる。
次に、本発明を実施するための形態を実施例を用いて説明する。
図１は、本発明の一実施例としてのレーザ加工システム２０の構成の概略を示す構成図である。実施例のレーザ加工システム２０は、図示するように、加工用のレーザ光を出力する加工用レーザ照射装置３０と、加工用レーザ照射装置３０から出力されて焦点レンズ４２とミラー４４により焦点や照射位置が調整されたレーザ光が照射される加工対象物１０を載置する電動ステージ４６と、加工対象物１０の加工部の３次元形状データを計測する３次元データ計測器４８と、システム全体を制御するシステム制御部５０と、を備える。
加工用レーザ照射装置３０は、加工用のレーザ光を出力する加工用レーザ照射器３２と、加工用レーザ照射器３２からのレーザ光のパルス列から任意のタイミングで任意数のパルスを切り出すパルスピッカー３４と、パルスピッカー３４からのレーザ光の偏光方向を調整する１／２波長板３５と、レーザ光のＳ偏光を反射すると共にＰ偏光を透過する偏光ビームスプリッタ３６と、これらを制御するレーザ制御部３８と、を備える。
加工用レーザ照射器３２は、例えば波長が８００ｎｍ、パルス幅が３５ｆｓ〜１０ｐｓで変更可能で、繰り返し周波数が１ｋＨｚ、最大出力が６Ｗ、最大パルスエネルギが６ｍＪ、フルーエンスが０．１〜１００Ｊ／ｃｍ2のレーザ光（パルスレーザ光）を出力可能なチタンサファイアレーザ照射器として構成されている。
１／２波長板３５と偏光ビームスプリッタ３６は、音響光学素子（ＡＯＭ）やニュートラルデンシティフィルタなどを代わりに用いることができる。
レーザ制御部３８は、図示しないがＣＰＵを中心とするマイクロコンピュータとして構成されており、ＣＰＵの他にＲＯＭやＲＡＭ、フラッシュメモリ、入出力ポート、通信ポートなどを備える。レーザ制御部３８は、通信ポートを介してシステム制御部５０と通信している。レーザ制御部３８は、システム制御部５０からの制御信号に基づくレーザ光パラメータのレーザ光が出力されるように加工用レーザ照射器３２を制御する。レーザ光パラメータは、波長、パルス幅、パルス強度、スポット径、パルス数、フルーエンス（単位面積当たりのパルスエネルギ）の少なくとも一部を用いることができる。また、レーザ制御部３８は、システム制御部５０からの制御信号に基づくレーザ光のパルス列を切り出すタイミングやパルス数となるようにパルスピッカー３４を制御したり、システム制御部５０からの制御信号に基づくレーザ光の偏光方向となるように１／２波長板３５や偏光ビームスプリッタ３６を制御する。
電動ステージ４６は、加工対象物１０を３次元データ計測器４８の計測位置に移動させるステージであり、実施例では、位置精度が０．５μｍで移動可能距離が１５０ｍｍのものを用いた。
３次元計測器４８は、例えば、白色干渉顕微鏡や走査式レーザ顕微鏡、Ｘ線ＣＴ（Computed Tomography：コンピュータ断層診断装置）、段差計、ＡＭＦ（Atomic Force Microscope：原子間力顕微鏡）、ラマン顕微鏡など３次元形状を計測可能な装置を用いることができる。実施例では、測定精度として垂直分解能が１ｎｍ、水平分解能が０．２μｍ、測定時間が１〜１０秒の白色干渉顕微鏡を用いた。なお、３次元計測器４８としてレーザ光と同一の光学系を用いるものとすれば、電動ステージ４６は不要となる。３次元計測器４８により計測される３次元形状データとしては、加工部の３次元形状データだけでなく、加工部の表面温度分布データや加工部の色分布データも含めることができる。加工部の表面温度分布データや加工部の色分布データは、レーザ光の照射による温度の変化を示すものであり、３次元形状の変化のしやすさや変化によるものを反映すると考えられるからである。ここで、色分布データとしては、通常の色の分布のデータだけでなく、ラマンスペクトルデータや光反射率スペクトルデータなども含まれる。
システム制御部５０は、図示しないが、ＣＰＵを中心とするマイクロコンピュータとして構成されており、ＣＰＵの他にＲＯＭやＲＡＭ、フラッシュメモリ、ＧＰＵ（Graphics Processing Unit）、入出力ポート、通信ポートなどを備える。システム制御部５０は機能的には、キーボードやマウスなどの入力部５２と機械学習部５４とを有する。システム制御部５０には、入力部５２からの入力データや、電動ステージ４６における加工対象物１０の位置信号、３次元計測器４８からの３次元計測データなどが入力ポートを介して入力されている。また、システム制御部５０からは、電動ステージ４６への駆動制御信号、３次元計測器４８への駆動制御信号などが出力ポートを介して出力されている。また、システム制御部５０は、レーザ制御部３８と通信しており、加工用レーザ照射装置３０から出力したレーザ光のレーザ光パラメータを取得している。
機械学習部５４は、加工対象物１０の材質と、加工対象物１０の加工部に照射したレーザ光のレーザ光パラメータと、レーザ光の照射の前後の加工部の３次元形状データと、からなる学習用データを用いて深層学習を行ない、第１入力データとして加工対象物１０の材質と加工対象物１０の加工部に照射するレーザ光のレーザ光パラメータとレーザ光の照射前の加工部の３次元形状データとを与えたときに、第１出力データとしてのレーザ光の照射後の加工部の３次元形状データを推定するための関係を第１学習結果として得て学習結果５６として記憶する。図２は、実施例の深層学習を模式的に示す模式図である。図示するように、実施例の深層学習は、レーザ光の照射後の加工部の３次元形状データが入力されていることから教師ありの畳み込みニューラルネットワークによるものであり、入力されるレーザ光パラメータが特徴ベクトルとなる。また、実施例では、第１学習結果に基づいて、第２入力データとして加工対象物１０の材質とレーザ光の照射の前後の加工部の３次元形状データとを与えたときに、第２出力データとしての加工対象物１０の加工部に照射すべきレーザ光のレーザ光パラメータを推定するための関係を第２学習結果として求め、これも学習結果５６として記憶する。
実施例のレーザ加工システム２０は、電動ステージ４６に載置された加工対象物１０の加工部にレーザ光を照射してレーザ加工を行なうレーザ加工システムとして機能する他、電動ステージ４６に載置された加工対象物１０にレーザ光を照射する毎に電動ステージ４６と３次元計測器４８とを動作させて３次元形状データを取得し、機械学習部５４で深層学習するレーザ加工システムに用いられる機械学習システムとしても機能する。また、実施例のレーザ加工システム２０は、第１入力データや第２入力データを入力部５２などから入力し、この第１入力データや第２入力データに対して機械学習部５４の学習結果５６における第１学習結果や第２学習結果を適用し、第１出力データや第２出力データを出力するレーザ加工システムに用いられるシミュレーション装置としても機能する。
次に、実施例のレーザ加工システム２０をレーザ加工システムに用いられる機械学習システムとして機能させたときの学習処理について説明する。図３は、実施例のレーザ加工システム２０のシステム制御部５０により実行される学習処理の一例を示すフローチャートである。学習処理では、まず、加工対象物１０を電動ステージ４６にセットし（ステップＳ１００）、３次元計測器４８によりレーザ加工前の加工部の３次元形状データを取得する（ステップＳ１１０）。所定範囲内（例えばレーザ光の照射が可能な範囲）においてランダムな照射位置にランダムなレーザ光パラメータを設定し（ステップＳ１２０）、設定したレーザ光パラメータのレーザ光を設定した照射位置に照射し（ステップＳ１３０）、３次元計測器４８によりレーザ光を照射した後の３次元形状データを取得する（ステップＳ１４０）。こうしたステップＳ１２０〜Ｓ１４０の処理を照射回数Ｎｆが閾値Ｎｆｒｅｆ（例えば１００回や２００回）に至るまで繰り返し実行する（ステップＳ１５０）。学習用データを取得する際のランダムな照射位置にランダムなレーザ光パラメータのレーザ光を７発照射したときのレーザ光の照射毎の３次元形状データの一例を図４に示す。図中、色の濃さは加工部の深さを示す。図示するように、加工対象物１０のランダムな照射位置にランダムなレーザ光パラメータのレーザ光が照射されているのが解る。なお、図４の実験に用いたレーザ光のパルスエネルギは０．１μＪ〜１００μＪの範囲内でランダムなものとした。
こうした処理（ステップＳ１２０〜Ｓ１５０の処理）を同一の材質の加工対象物１０の繰り返し回数Ｎｎが閾値Ｎｎｒｅｆ（例えば２０回や３０回）になるまで（ステップＳ１６０）、且つ、加工対象物１０の材質数Ｎｍが閾値Ｎｍｒｅｆ（例えば５や１０）になるまで（ステップＳ１７０）、ステップＳ１００の新たな加工対象物１０を電動ステージ４６にセットする処理から繰り返し実行する。加工対象物１０の材質としては、石英、銅、アルミニウム、炭素繊維強化プラスチック（ＣＦＲＰ： carbon fiber reinforced plastic）サファイア、シリコンなどを挙げることができる。いま、照射回数Ｎｆの閾値Ｎｆｒｅｆを２００回とし、同一の材質の加工対象物１０の繰り返し回数Ｎｎの閾値Ｎｎｒｅｆを２０回とし、加工対象物１０の材質数Ｎｍの閾値Ｎｍｒｅｆを５とすると、学習用データのデータ数は２万（２００×２０×５）となる。なお、学習用データは、レーザ光パラメータとレーザ光を照射する前後の３次元形状データである。
こうして学習用データを取得すると、取得した学習用データに対してレーザ光パラメータを特徴ベクトルｚとし、レーザ光の照射後の３次元形状データを例題の解とする教師ありの深層学習を行なう（ステップＳ１８０）。そして、第１入力データとして加工対象物１０の材質と加工対象物１０の加工部に照射するレーザ光のレーザ光パラメータとレーザ光の照射前の加工部の３次元形状データとを与えたときに、第１出力データとしてのレーザ光の照射後の加工部の３次元形状データを推定するための関係を第１学習結果として得てこれを記憶する（ステップＳ１９０）。続いて、第１学習結果に基づいて第２入力データとして加工対象物１０の材質とレーザ光の照射の前後の加工部の３次元形状データとを与えたときに、第２出力データとしての加工対象物１０の加工部に照射すべきレーザ光のレーザ光パラメータを推定するための関係を第２学習結果として導出し（ステップＳ２００）、これを記憶し（ステップＳ２１０）、学習処理を終了する。
次に、実施例のレーザ加工システム２０により得られた学習結果に基づくシミュレーション結果と実験結果とについて説明する。シミュレーションおよび実験は、波長が８００ｎｍ、スポット径が２６μｍ、パルス幅が３５ｆｓ、パルスエネルギが４０μＪ、５０μＪ、６０μＪのパルスエネルギ毎にレーザ光を、図５に示すように、石英を材質とする加工対象物１０に１０μｍずつ移動させて７発分を折り返しで順次照射し、レーザ光の照射毎の加工部の折り返し方向の各位置における加工深さを求めた。なお、実験結果は、３次元計測器４８による計測値である。パルスエネルギを５０μＪとしたときのレーザ光の照射数と加工部の折り返し方向の各位置における加工深さのシミュレーション結果と実験結果とを図６に示す。図示するように、シミュレーション結果と実験結果はよく一致する。パルスエネルギを４０μＪ、５０μＪ、６０μＪとしてレーザ光を１００発照射したときの加工部の折り返し方向の各位置における加工深さのシミュレーション結果と実験結果とを図７に示す。図７では、パルスエネルギを４０μＪ、５０μＪ、６０μＪのときの縦軸のスケールを変更しているが、シミュレーション結果と実験結果はよく一致する。これにより、実施例のレーザ加工システム２０による機械学習および学習結果が適切であることが解る。
図８は、シリコンを材質とする加工対象物１０に、波長が８００ｎｍ、スポット径が２６μｍ、パルス幅が３５ｆｓ、パルスエネルギが５０μＪのレーザ光を、一辺１２５μｍの星形に沿って１２．５μｍずつ照射位置を移動させながら５００発照射したときの各位置における加工深さのシミュレーション結果と実験結果とを示す説明図である。図中、色の濃さが加工深さである。図示するように、シミュレーション結果と実験結果では、加工深さ形状（平均深さ、外周部の形状、線分交点で一段と深くなっている点）がよく一致している。
以上説明した実施例のレーザ加工システム２０では、加工対象物１０の材質、加工対象物１０に照射したレーザ光の特性を示すレーザ光パラメータ、加工対象物１０にレーザ光を照射する前後の加工部の３次元形状データを用いて深層学習を行なう。第１入力データとして加工対象物１０の材質と加工対象物１０の加工部に照射するレーザ光のレーザ光パラメータとレーザ光の照射前の加工部の３次元形状データとを与えたときに、第１出力データとしてのレーザ光の照射後の加工部の３次元形状データを推定するための関係を第１学習結果として得る。これにより、レーザ加工の途中におけるレーザ光の照射の前後の加工部の３次元形状データと加工対象物１０の材質とレーザ光のレーザ光パラメータとの関係を学習することができる。また、レーザ光の照射によって変化した加工対象物１０の加工部の３次元形状を推定することができる。
また、実施例のレーザ加工システム２０では、第１学習結果に基づいて第２入力データとして加工対象物１０の材質とレーザ光の照射の前後の加工部の３次元形状データとを与えたときに、第２出力データとしての加工対象物１０の加工部に照射すべきレーザ光のレーザ光パラメータを推定するための関係を第２学習結果として導出する。これにより、加工対象物１０の加工部を所望の形状とするのに必要なレーザ光のレーザ光パラメータを推定することができる。
実施例のレーザ加工システム２０における学習処理では、同一の材質の加工対象物１０の他に異なる材質の加工対象物１０についても学習用データを取得するものとしたが、同一の材質の加工対象物１０に対してのみ学習データを取得するものとしてもよい。
実施例のレーザ加工システム２０における学習処理では、レーザ光を照射する毎に加工部の３次元形状データを取得するものとしたが、レーザ光を複数回照射する毎に、或いは、レーザ光をランダムな照射回数だけ照射する毎に加工部の３次元形状データを取得するものとしてもよい。この場合、複数回照射するレーザ光やランダムな照射回数だけ照射するレーザ光は同一のレーザ光パラメータとしてもよいし、異なるレーザ光パラメータとしてもよい。
実施例のレーザ加工システム２０の機械学習では、レーザ光の波長として８００ｎｍを用いたが、光による電子励起が加工に影響を及ぼす波長範囲、即ち、波長が１９３ｎｍ〜５μｍの範囲内のレーザ光についても適用可能である。
実施例のレーザ加工システム２０での機械学習では、レーザ光のパルス幅として３５ｆｓを用いたが、短パルスから超短パルスの範囲、即ち、パルス幅が１０ｆｓ〜１００ｎｓの範囲のレーザ光についても適用可能である。
実施例のレーザ加工システム２０では、図３の学習処理が実行されたときに機械学習が行なわれるものとしたが、図３の学習処理が終了した以降は、レーザ加工が行なわれる毎に或いは所定のタイミングでそれまでに蓄積した学習用データを用いて機械学習するものとしてもよい。
実施例のレーザ加工システム２０では、加工用レーザ照射装置３０や電動ステージ４６、３次元データ計測器４８、システム制御部５０を備え、レーザ光を照射する毎に加工部の３次元形状データを取得して学習用データを取得するものとしたが、本発明を機械学習装置の形態とした場合には、実施例のレーザ加工システム２０と同様のハード構成とする他、システム制御部５０だけを備えるハード構成としてもよい。この場合、図３の学習処理のステップＳ１００〜Ｓ１７０の処理を、予め他の装置により加工対象物１０の材質、加工対象物１０に照射したレーザ光の特性を示すレーザ光パラメータ、加工対象物１０にレーザ光を照射する前後の加工部の３次元形状データを取得しておき、これらの学習用データを入力する処理とすればよい。
本発明をコンピュータを機械学習装置として機能させるプログラムの形態とする場合には、この機械学習装置として機能するシステム制御部５０の他に、加工用レーザ照射装置３０や電動ステージ４６、３次元データ計測器４８などを備える実施例のレーザ加工システム２０を構成したときのシステム制御部５０に実行させるプログラムとしてもよい。この場合のプログラムとしては、図３の機械学習のフローチャートとすればよい。また、加工用レーザ照射装置３０や電動ステージ４６、３次元データ計測器４８などを備え無いものとすれば、即ち、システム制御部５０に相当するマイクロコンピュータだけを備えるものとすれば、図３の学習処理のステップＳ１００〜Ｓ１７０の処理を、予め他の装置により加工対象物１０の材質、加工対象物１０に照射したレーザ光の特性を示すレーザ光パラメータ、加工対象物１０にレーザ光を照射する前後の加工部の３次元形状データを取得しておき、これらの学習用データを入力する処理とすればよい。
本発明をシミュレーション装置の形態とする場合には、学習用データを入力して深層学習するものとしてもよいし、深層学習により得られる学習結果だけを記憶するものとしてもよい。
本発明をシミュレーション装置の形態とした際の応用例の一例について説明する。図９は、加工対象物のレーザ加工におけるレーザ光パラメータやレーザ照射箇所の最適化をシミュレーションする最適化シミュレーション処理の一例を示すフローチャートである。この処理では、まず、加工対象物の材質や目的形状を設定し（ステップＳ３００）、加工条件の初期値を設定する（ステップＳ３１０）。加工条件としてはレーザ光パラメータとレーザ照射箇所であり、レーザ光パラメータの初期値としては波長、パルス幅、パルス強度、スポット径、パルス数、フルーエンスを定め、レーザ照射箇所としては、照射するパルス数と目的形状に応じて定めればよい。
加工条件の初期値を設定すると、加工対象物の材質やレーザ光パラメータ、レーザ照射箇所を入力データとし、入力データに基づいて加工シミュレーションを行なう（ステップＳ３２０）。この加工シミュレーションは、入力データに図３の学習処理で得られた第１学習結果を適用して入力データに基づくレーザ光の照射後の加工部の３次元形状データ（加工途中の形状）を計算するものである。次に、得られた加工部の３次元形状データ（加工途中の形状）と目的形状との差分を計算し、この差分が許容範囲内であるか否かを判定する（ステップＳ３３０）。差分が許容範囲内ではないと判定したときには、加工部のレーザ加工による切削が過切削であるか否かを判定する（ステップＳ３４０）。過切削ではないと判定したときには、加工途中の形状と目的形状との差分に基づいて加工条件を調整する（ステップＳ３６０）。加工条件の調整は、例えば、レーザ光パラメータについては初期値を用い、加工途中の形状と目的形状との差分が大きい箇所にレーザ光を照射するようにレーザ照射箇所だけを調整するものとしてもよいし、レーザ光パラメータとレーザ照射箇所の双方を調整するものとしてもよい。そして、加工条件を調整すると、調整した加工条件を入力データとして加工シミュレーションを適用するステップＳ３２０に戻る。こうした加工条件の調整と加工シミュレーションは加工途中の形状と目的形状との差分が許容範囲内となるまで繰り返される。
ステップＳ３４０で過切削であると判定すると、直前に行なわれた加工シミュレーションについては行なわれなかったものとし（ステップＳ３５０）、その前に行なわれた加工シミュレーションの結果としての加工途中の形状と目的形状との差分に基づいて前回の加工条件の調整とは異なる調整を行なって（ステップＳ３６０）、ステップＳ３２０に戻る。これにより、過切削になることを抑止することができる。
ステップＳ３３０で加工途中の形状と目的形状との差分が許容範囲内であると判定したときには、ステップＳ３１０〜Ｓ３７０までの繰り返し回数が所定計算回数に至っているか否かを判定する（ステップＳ３７０）。所定計算回数に至っていないと判定したときには、ステップＳ３１０の加工条件の初期値の設定処理に戻る。この場合、加工条件の初期値としては、レーザ光パラメータのフルーエンスを繰り返す毎に所定量ずつ大きく（或いは小さく）したり、パルス数を所定数ずつ大きく（或いは小さく）したりすることなどが考えられる。
ステップＳ３７０でステップＳ３１０〜Ｓ３７０までの繰り返し回数が所定計算回数に至っていると判定したときには、ステップＳ３１０〜Ｓ３７０までを所定回数繰り返したことにより得られる各シミュレーション結果を出力し（ステップＳ３８０）、最適化シミュレーション処理を終了する。最適化としては、各シミュレーション結果に対して、レーザ加工による３次元形状データと目的形状との差分の程度（加工精度）や、レーザ加工に必要なエネルギー、レーザ加工に要する時間などにより判断することができる。
シリコンを材質とする加工対象物１０に目的形状として直径８０μｍ、深さ５μｍの円筒形状の穴をレーザ加工する際のシミュレーションを行なった。レーザ照射箇所は平面において略均等になるようにした。図１０に、パルスエネルギーと総エネルギーとの関係およびパルスエネルギーと底面の粗さとの関係のシミュレーション結果の一例を示す。図示するように、レーザ加工の総エネルギーは、パルスエネルギーが２５μＪ近傍で最大となる。底面の粗さパルスエネルギーが３０μＪ近傍で最小となる。図１１にレーザ照射されるトータルフルーエンスを示す。図中、最外側は値０であり破線の円形状の若干内側の最も薄い箇所で最大となる。図１２にシミュレーション結果による３次元形状データとシミュレーション結果の加工条件を用いてレーザ加工したものの３次元形状データとを示す。左側がシミュレーション結果による３次元形状データであり、右側が実際にレーザ加工したものの３次元形状データである。図示するように、シミュレーション結果による３次元形状データは実際にレーザ加工したものの３次元形状データによく一致するのが解る。
以上の説明により、本発明をシミュレーション装置の形態としたときでも、シミュレーション結果による３次元形状データは実際にレーザ加工したものの３次元形状データに精度よく一致するから、レーザ加工の最適化を行なうことができる。
以上、本発明を実施するための形態について実施例を用いて説明したが、本発明はこうした実施例に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において、種々なる形態で実施し得ることは勿論である。
本発明は、レーザ加工システムの製造産業などに利用可能である。
Claims (9)
- 加工対象物にレーザ光を照射してアブレーション加工を行なうレーザ加工システムに用いられる機械学習方法であって、
前記加工対象物の材質、前記加工対象物に照射したレーザ光の特性を示すレーザ光パラメータ、前記加工対象物に前記レーザ光を照射する前後の加工部のレーザ加工に伴う３次元形状を反映する前加工部データおよび後加工部データ、を用いて深層学習を行ない、加工対象物の材質、前加工部データ、レーザ光パラメータを入力データとしたときに前記入力データに係るレーザ光が照射された後の後加工部データを出力データとする第１関係を学習結果の一つとして得る、
ことを特徴とする機械学習方法。 - 請求項１記載の機械学習方法であって、
前記第１関係に基づいて、加工対象物の材質、前加工部データ、後加工部データを入力データとしたときに前記入力データに係る前加工部データの加工部の状態から後加工部データの加工部の状態とするのに必要な照射すべきレーザ光のレーザ光パラメータを出力データとする第２関係を学習結果の一つとして得る、
機械学習方法。 - 請求項１または２記載の機械学習方法であって、
前記レーザ光パラメータは、波長、パルス幅、パルス強度、パルス数、フルーエンスの少なくとも一部であり、
前記前加工部データおよび前記後加工部データは、前記加工部の３次元データ、前記加工部の表面温度分布データ、前記加工部の色分布データの少なくとも一部である、
機械学習方法。 - 加工対象物にレーザ光を照射してアブレーション加工を行なうレーザ加工システムに用いられるシミュレーション装置であって、
請求項１ないし３のうちのいずれか１つの請求項に記載の機械学習方法により得られた学習結果を用いて前記入力データに対して前記出力データを出力する、
ことを特徴とするシミュレーション装置。 - 請求項４記載のシミュレーション装置であって、
前記加工対象物の加工前の形状と目的形状とを入力し、加工途中の形状と目的形状との差分に応じて前記レーザ光パラメータとレーザ光照射箇所とを調整したデータを前記入力データとし、前記入力データに対して前記学習結果を適用して得られる加工シミュレーションの結果としての前記出力データを前記加工途中の形状とし、前記加工途中の形状と目的形状との差分が所定範囲内となるまで前記加工シミュレーションを繰り返す、
シミュレーション装置。 - 加工対象物にレーザ光を照射してアブレーション加工を行なう加工用レーザ光照射装置と、前記加工対象物へのレーザ加工に伴う３次元形状を反映する加工部データを計測する加工部データ状計測装置と、前記加工用レーザ光照射装置を制御する制御装置と、を備えるレーザ加工システムであって、
前記制御装置は、請求項１ないし３のうちのいずれか１つの請求項に記載の機械学習方法を用いた学習を行なうと共に、前記学習結果を用いて前記入力データに対する前記出力データに基づいて前記加工用レーザ光照射装置を制御する、
ことを特徴とするレーザ加工システム。 - 加工対象物にレーザ光を照射してアブレーション加工を行なう加工用レーザ光照射装置と、前記加工用レーザ光照射装置を制御する制御装置と、を備えるレーザ加工システムであって、
前記制御装置は、請求項１ないし３のうちのいずれか１つの請求項に記載の機械学習方法により得られた学習結果を用いて前記入力データに対する前記出力データに基づいて前記加工用レーザ光照射装置を制御する、
ことを特徴とするレーザ加工システム。 - コンピュータをレーザ加工システムに用いられる機械学習装置として機能させるプログラムであって、
加工対象物の材質、前記加工対象物に照射したレーザ光の特性を示すレーザ光パラメータ、前記加工対象物に前記レーザ光を照射する前後の加工部のレーザ加工に伴う３次元形状を反映する前加工部データおよび後加工部データからなる複数のデータを入力するステップと、
前記入力した複数のデータを用いて深層学習により、加工対象物の材質、前加工部データ、レーザ光パラメータを入力データとしたときに前記入力データに係るレーザ光が照射された後の後加工部データを出力データとする第１関係を学習結果の一つとして得るステップと、
を有することを特徴とするプログラム。 - 請求項８記載のプログラムであって、
前記第１関係に基づいて、加工対象物の材質、前加工部データ、後加工部データを入力データとしたときに前記入力データに係る前加工部データの加工部の状態から後加工部データの加工部の状態とするのに必要な照射すべきレーザ光のレーザ光パラメータを出力データとする第２関係を学習結果の一つとして得るステップ、
を有するプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023172717A JP2023171479A (ja) | 2018-08-06 | 2023-10-04 | レーザ加工システムに用いられる機械学習方法、シミュレーション装置、レーザ加工システム並びにプログラム |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018147383 | 2018-08-06 | ||
| JP2018147383 | 2018-08-06 | ||
| PCT/JP2019/030695 WO2020031948A1 (ja) | 2018-08-06 | 2019-08-05 | レーザ加工システムに用いられる機械学習方法、シミュレーション装置、レーザ加工システム並びにプログラム |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023172717A Division JP2023171479A (ja) | 2018-08-06 | 2023-10-04 | レーザ加工システムに用いられる機械学習方法、シミュレーション装置、レーザ加工システム並びにプログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPWO2020031948A1 true JPWO2020031948A1 (ja) | 2021-08-10 |
Family
ID=69413751
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020535752A Pending JPWO2020031948A1 (ja) | 2018-08-06 | 2019-08-05 | レーザ加工システムに用いられる機械学習方法、シミュレーション装置、レーザ加工システム並びにプログラム |
| JP2023172717A Pending JP2023171479A (ja) | 2018-08-06 | 2023-10-04 | レーザ加工システムに用いられる機械学習方法、シミュレーション装置、レーザ加工システム並びにプログラム |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023172717A Pending JP2023171479A (ja) | 2018-08-06 | 2023-10-04 | レーザ加工システムに用いられる機械学習方法、シミュレーション装置、レーザ加工システム並びにプログラム |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20210299788A1 (ja) |
| EP (1) | EP3834979A4 (ja) |
| JP (2) | JPWO2020031948A1 (ja) |
| CN (1) | CN112543692A (ja) |
| WO (1) | WO2020031948A1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210356940A1 (en) * | 2020-05-12 | 2021-11-18 | Standex International Corporation | Determining a laser-engraving process for a targeted surface geometry |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007090352A (ja) * | 2005-09-26 | 2007-04-12 | Keyence Corp | レーザ加工条件設定装置、レーザ加工条件設定方法、レーザ加工条件設定プログラム、コンピュータで読み取り可能な記録媒体及び記録した機器並びにレーザ加工装置 |
| JP2014133248A (ja) * | 2013-01-10 | 2014-07-24 | Mitsubishi Heavy Ind Ltd | 三次元レーザ加工機 |
| JP2017164801A (ja) * | 2016-03-17 | 2017-09-21 | 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 |
| JP2018086711A (ja) * | 2016-11-29 | 2018-06-07 | ファナック株式会社 | レーザ加工ロボットの加工順序を学習する機械学習装置、ロボットシステムおよび機械学習方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10489691B2 (en) * | 2016-01-15 | 2019-11-26 | Ford Global Technologies, Llc | Fixation generation for machine learning |
| EP3257615A1 (en) * | 2016-06-15 | 2017-12-20 | Eidgenössische Materialprüfungs- und Forschungsanstalt EMPA | Quality control of laser welding process |
| JP6708044B2 (ja) * | 2016-07-28 | 2020-06-10 | 富士通株式会社 | 画像認識装置、画像認識プログラム、画像認識方法および認識装置 |
| JP6457473B2 (ja) * | 2016-12-16 | 2019-01-23 | ファナック株式会社 | ロボットおよびレーザスキャナの動作を学習する機械学習装置，ロボットシステムおよび機械学習方法 |
| US11250312B2 (en) * | 2017-10-31 | 2022-02-15 | Levi Strauss & Co. | Garments with finishing patterns created by laser and neural network |
-
2019
- 2019-08-05 JP JP2020535752A patent/JPWO2020031948A1/ja active Pending
- 2019-08-05 EP EP19846492.7A patent/EP3834979A4/en active Pending
- 2019-08-05 CN CN201980051966.9A patent/CN112543692A/zh active Pending
- 2019-08-05 WO PCT/JP2019/030695 patent/WO2020031948A1/ja unknown
- 2019-08-05 US US17/265,667 patent/US20210299788A1/en active Pending
-
2023
- 2023-10-04 JP JP2023172717A patent/JP2023171479A/ja active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007090352A (ja) * | 2005-09-26 | 2007-04-12 | Keyence Corp | レーザ加工条件設定装置、レーザ加工条件設定方法、レーザ加工条件設定プログラム、コンピュータで読み取り可能な記録媒体及び記録した機器並びにレーザ加工装置 |
| JP2014133248A (ja) * | 2013-01-10 | 2014-07-24 | Mitsubishi Heavy Ind Ltd | 三次元レーザ加工機 |
| JP2017164801A (ja) * | 2016-03-17 | 2017-09-21 | 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 |
| JP2018086711A (ja) * | 2016-11-29 | 2018-06-07 | ファナック株式会社 | レーザ加工ロボットの加工順序を学習する機械学習装置、ロボットシステムおよび機械学習方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023171479A (ja) | 2023-12-01 |
| EP3834979A1 (en) | 2021-06-16 |
| CN112543692A (zh) | 2021-03-23 |
| EP3834979A4 (en) | 2022-04-27 |
| WO2020031948A1 (ja) | 2020-02-13 |
| US20210299788A1 (en) | 2021-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110446580B (zh) | 用于相干成像的方法和系统以及用于材料改性的反馈控制 | |
| CN109079328B (zh) | 通过激光束加工工件的方法、激光刀具、激光加工机、及机器控制 | |
| JP2023171479A (ja) | レーザ加工システムに用いられる機械学習方法、シミュレーション装置、レーザ加工システム並びにプログラム | |
| JP2019089129A (ja) | ３次元加工対象体のレーザパターニング装置および方法 | |
| US20210031304A1 (en) | Method for determining laser machining parameters and laser machining device using this method | |
| CA2682775C (en) | Apparatus for treatment of material, in particular for refractive surgery | |
| JP6773822B2 (ja) | Ａｏｄラウト加工用レーザシステム及び方法 | |
| JP7023500B2 (ja) | レーザ加工システム | |
| Pong-Ryol et al. | Laser micro-polishing for metallic surface using UV nano-second pulse laser and CW laser | |
| JP5219623B2 (ja) | レーザ加工制御装置およびレーザ加工装置 | |
| JP2018089689A (ja) | レーザーによる材料除去により所定の輪郭に沿って平坦な工作物に破断線を作製するための方法及び装置 | |
| US8017905B2 (en) | Method for energy calibration of a pulsed laser system | |
| US9694446B2 (en) | Wall thickness compensation during laser orifice drilling | |
| Melo-Fonseca et al. | Experimental analysis and predictive modelling of Ti6Al4V laser surface texturing for biomedical applications | |
| JP2011125867A (ja) | レーザ加工方法 | |
| JP6584053B2 (ja) | レーザ加工装置及びレーザ加工方法 | |
| CN112620964B (zh) | 一种基于包覆建模的激光加工控制方法 | |
| JP7118903B2 (ja) | レーザピーニング装置およびレーザピーニング方法 | |
| CN113164285B (zh) | 用于确定气泡形成所需的激光能量的最小值的方法及装置 | |
| JPH1015684A (ja) | レーザ加工装置 | |
| Holder et al. | OCT-controlled generation of complex geometries on stainless steel using ultra-short laser pulses | |
| JP2006320938A (ja) | レーザ加工方法及び装置 | |
| Petkov | Factors influencing laser material removal process in micro cavity manufacturing | |
| Mullan et al. | Estimating spot size and relating hole diameters with fluence and number of shots for nanosecond and femtosecond laser ablation of polyethylene terephthalate | |
| US20230263664A1 (en) | Treatment apparatus for an eye treatment, method, computer program and computer-readable medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220621 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230124 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230704 |