WO2023188865A1 - 加工システム及び加工性判定システム - Google Patents

加工システム及び加工性判定システム Download PDF

Info

Publication number
WO2023188865A1
WO2023188865A1 PCT/JP2023/004541 JP2023004541W WO2023188865A1 WO 2023188865 A1 WO2023188865 A1 WO 2023188865A1 JP 2023004541 W JP2023004541 W JP 2023004541W WO 2023188865 A1 WO2023188865 A1 WO 2023188865A1
Authority
WO
WIPO (PCT)
Prior art keywords
workpiece
machining
processing
conditions
determination
Prior art date
Application number
PCT/JP2023/004541
Other languages
English (en)
French (fr)
Inventor
功一 和家
武志 吉田
宗忠 湧井
Original Assignee
株式会社アマダ
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社アマダ filed Critical 株式会社アマダ
Publication of WO2023188865A1 publication Critical patent/WO2023188865A1/ja

Links

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
    • 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

Definitions

  • the present invention relates to a processing system and a processability determination system.
  • processing conditions are generally set in advance according to the material and thickness of the workpiece. Therefore, the operator of the machining device selects machining conditions that match the material and thickness of the workpiece, or performs machining under the machining conditions instructed by the machining program.
  • the workpieces may not work well under the processing conditions pre-prepared on the processing machine due to individual differences in country, manufacturer, manufacturing lot, storage conditions, etc. Processing quality may not be obtained.
  • the above-mentioned conventional technology is based on the actual processability (degree of suitability for processing) of the workpiece based on the selected processing conditions, which varies depending on the manufacturer, production lot, or storage situation. Judgments were not made in response to individual differences (variations in quality) of the workpiece materials. Therefore, before machining, the workability of the workpiece is determined based on the machining conditions, and based on the determination results, machining can be continued under the set machining conditions, or machining conditions suitable for the workpiece can be changed. There is a problem in that the operator cannot decide whether or not to make changes without performing trial machining.
  • One aspect of the present invention is to determine the workability of a workpiece before machining based on the machining conditions, and decide whether to perform the machining under the same machining conditions or to change the machining conditions to those suitable for the workpiece.
  • This is a machining system and a machinability determination system that can facilitate judgment and reduce machining defects.
  • a processing system includes a processing device that processes a workpiece, an acquisition device that acquires component information representing a chemical component of a material of the workpiece, and a processing device that processes the workpiece that is acquired by the acquisition device.
  • component information of the workpiece processing condition information including processing conditions of the processing device preset according to the material and plate thickness of the workpiece, and processing of the workpiece based on the processing conditions.
  • a processing system comprising a processing system, wherein the determination device determines the processing according to the component information acquired by the acquisition device before processing a newly processed workpiece, and the material and plate thickness of the workpiece. Machining condition information including machining conditions set in the apparatus is input to the determination model as estimation data, and a determination result of workability based on the machining conditions of the machining to be performed in the processing apparatus from now on is output.
  • component information of the material of the workpiece acquired by the acquisition device and processing conditions of the processing device preset according to the material and plate thickness of the workpiece are acquired.
  • the workpiece is machined by the judgment device based on the judgment model created by machine learning based on the training data of the processing condition information included and the processing quality evaluation results obtained by actually processing the workpiece based on the processing conditions.
  • the workability of the material is determined.
  • the determination device collects component information acquired by the acquisition device before processing the newly processed workpiece, and processing condition information including processing conditions set in the processing device according to the material and plate thickness of the workpiece.
  • a determination result of workability based on the machining conditions of the machining to be performed from now on in the machining device is output. This makes it possible to determine the workability of the workpiece material based on the machining conditions before machining, so whether the machining conditions should be used as they are during actual machining or whether the machining conditions should be changed to those suitable for the workpiece material. This makes it easier to judge whether or not the process should be performed, and it is possible to reduce machining defects.
  • the workability of the workpiece is determined based on the machining conditions, and whether machining should be performed under the machining conditions or changed to machining conditions suitable for the workpiece. It becomes easier to judge the strength, and it is possible to reduce machining defects.
  • FIG. 1 is an explanatory diagram showing the basic configuration of a processing system according to an embodiment of the present invention.
  • FIG. 2 is a schematic functional block diagram of the processing system of this embodiment.
  • FIG. 3 is a block diagram showing a schematic configuration of a machinability determination system used in the machining system of this embodiment.
  • FIG. 4 is an explanatory diagram showing the basic hardware configuration of the workability determination unit, the learning device, and/or the workability determination system.
  • FIG. 5 is an explanatory diagram showing a manner of acquiring component information of a workpiece.
  • FIG. 6 is a diagram illustrating standard processing conditions for processing depending on the material and plate thickness of the workpiece.
  • FIG. 7 is an explanatory diagram showing quality evaluation criteria for processing quality.
  • FIG. 8 is a diagram showing an example of the evaluation results.
  • FIG. 9 is a flowchart showing an example of workability determination.
  • FIG. 10 is a flowchart showing another example of processability determination.
  • FIG. 11 is a diagram showing the verification results of workability determination.
  • FIG. 12 is a diagram showing the results of checking the quality of the cut surface.
  • FIG. 13 is a diagram showing determination results and confirmation results.
  • FIG. 1 is an explanatory diagram showing the basic configuration of a processing system according to an embodiment of the present invention.
  • the processing system 100 includes a laser processing machine (laser processing device) 10 as a processing device that performs processing such as cutting and drilling the materials of workpieces NW and W, and a laser processing machine 10 adjacent to the laser processing machine 10.
  • a shuttle table 40 is provided on which a pallet (not shown) for loading and unloading the workpieces NW and W is placed.
  • the processing system 100 also includes a fluorescent X-ray device 30 as an acquisition device for acquiring component information representing the chemical components of the material of the workpiece NW placed on the shuttle table 40, and a fluorescent
  • a workability determination unit 50 is provided as a determination device that determines the workability of the workpiece NW based on component information of the workpiece NW.
  • the processing system 100 further includes an NC device 60 that controls the laser processing machine 10, the fluorescent X-ray device 30, and the processability determination unit 50, and a display 70 that displays various information. Note that the workability determination unit 50 and the NC device 60 may be included in the laser processing machine 10.
  • the workpiece NW when the workpiece NW is steel, it contains iron (Fe) as the main component, and when it is aluminum alloy steel, which is a non-ferrous metal, it contains aluminum (Al) as the main component.
  • the workpiece NW includes elements intentionally added by the manufacturer and elements mixed as impurities.
  • the main components, additive elements, and impurity elements that constitute these steels or nonferrous metals will be referred to as "chemical components" or simply "components.”
  • the laser processing machine 10 includes a processing table 11 on which a workpiece W such as a sheet metal is placed, and an X-axis carriage 12 that moves in the X-axis direction in the figure, which is the longitudinal direction of the processing table 11, with respect to the processing table 11. and has.
  • the laser processing machine 10 also includes a Y-axis carriage 13 that moves on the X-axis carriage 12 in the Y-axis direction in the figure, which is the lateral direction of the processing table 11, and a Y-axis carriage 13 that irradiates the workpiece W with the laser beam LB. It has a laser processing unit 20 that performs laser processing.
  • the laser processing unit 20 includes a laser oscillator 21 that generates and emits a laser beam LB, and is mounted on a Y-axis carriage 13 and is movable in the X-axis direction and the Y-axis direction by the X-axis carriage 12 and the Y-axis carriage 13. and a laser processing head 22.
  • the laser processing unit 20 includes a process fiber 23 that transmits a laser beam LB generated by a laser oscillator 21 to a laser processing head 22.
  • the laser processing machine 10 also includes an assist gas supply device (not shown) that supplies assist gas.
  • the laser oscillator 21 is, for example, a type in which seed light emitted from a laser diode excites and amplifies Yb (Ytterbium) or the like in a resonator and emits a laser beam LB of a predetermined wavelength, or a laser emitted from a laser diode.
  • Yb Ytterbium
  • a type of laser oscillator or the like that directly utilizes the light LB is used.
  • the laser oscillator 21 of this embodiment emits a laser beam LB in the 1 ⁇ m band with a wavelength of 900 nm to 1100 nm.
  • a DDL (Direct Diode Laser) oscillator emits laser light LB with a wavelength of 910 nm to 950 nm
  • a fiber laser oscillator emits laser light LB with a wavelength of 1060 nm to 1080 nm.
  • the blue semiconductor laser emits laser light LB having a wavelength of 400 nm to 460 nm.
  • the green laser may be a fiber laser oscillator or a DDL oscillator that emits laser light LB with a wavelength of 500 nm to 540 nm, or may be a multi-wavelength resonator that is optically combined with laser light LB in the 1 ⁇ m band. Further, the laser oscillator 21 emits guide light GB (for example, wavelength 650 nm) for confirming to which position of the workpiece W the laser light LB is to be emitted (not shown).
  • guide light GB for example, wavelength 650 nm
  • the laser processing head 22 has a beam control unit 24.
  • the beam control unit 24 has a function of controlling the laser beam LB to a convergence diameter and divergence angle suitable for the material of the workpiece W.
  • the beam control unit 24 includes a collimator lens 24a that enters the laser beam LB emitted from the output end of the process fiber 23 and converts it into a parallel beam.
  • the beam control unit 24 includes a bend mirror 24b that reflects the substantially parallel laser beam LB emitted from the collimator lens 24a downward in the Z-axis direction perpendicular to the X-axis and the Y-axis.
  • the beam control unit 24 includes a condenser lens 24c for processing that focuses the laser beam LB reflected by the bend mirror 24b and irradiates the workpiece W with the focused laser beam LB.
  • the bend mirror 24b is coated with a coating that reflects at least the wavelengths (for example, 1080 nm and 650 nm) of the laser beam LB and the guide beam GB.
  • the laser processing head 22 is equipped with a nozzle 25 at its tip, which has a circular opening 25a for irradiating the workpiece W with the laser beam LB.
  • This nozzle 25 removes the molten workpiece W.
  • the nozzle 25 has a nozzle function of injecting a gas flow having a predetermined assist gas pressure equal to or higher than atmospheric pressure and supplied from an assist gas supply device onto the workpiece W together with the laser beam LB.
  • the nozzle 25 is detachably provided on the laser processing head 22.
  • the collimator lens 24a, bend mirror 24b, condensing lens 24c, and nozzle 25 are fixed within the laser processing head 22 with their optical axes adjusted in advance.
  • a lens driving section (not shown) that drives the collimator lens 24a in a direction parallel to the optical axis (X-axis direction) is provided in order to adjust the focusing position.
  • the laser processing head 22 itself may be configured to be movable in the Z-axis direction perpendicular to the X-axis direction and the Y-axis direction by a drive mechanism (not shown).
  • the fluorescent X-ray device 30 performs quantitative analysis of elements in metals by using specific X-rays (fluorescent etc.
  • the fluorescent X-ray apparatus 30 measures the surface of the unprocessed workpiece NW placed on the shuttle table 40 and acquires component information representing the metal components contained in the workpiece NW.
  • the fluorescent X-ray apparatus 30 outputs the acquired component information to the workability determination unit 50.
  • the fluorescent X-ray apparatus 30 acquires component information of the workpiece NW waiting on the shuttle table 40.
  • the fluorescent X-ray apparatus 30 can perform the component information acquisition process while processing the previous workpiece W, and can shorten the overall processing time.
  • the fluorescent X-ray device 30 may be provided on the processing table 11 of the laser processing machine 10.
  • LIBS Laser-Induced Breakdown Spectrophotometer
  • a LIBS spectrometer is a device that receives emitted light from a high-temperature plasma generated by a short-pulse laser using a spectrometer, performs analysis based on the unique peak spectrum of each element, and performs quantitative analysis and the like.
  • FIG. 2 is a schematic functional block diagram of the processing system 100 of this embodiment.
  • the workability determination unit 50 includes a determination model storage section 51, a workability calculation section 52, and a workability determination section 53.
  • the determination model storage unit 51 readably stores determination models for evaluating processing conditions created according to at least one of the material and the plate thickness of the workpiece W. This determination model is generated in advance by machine learning, which will be described later. Note that this judgment model may not be stored inside the judgment model storage section 51 of the workability judgment unit 50, but may be saved in an external server.
  • the workability calculation unit 52 uses a judgment model read from the judgment model storage unit 51 based on the material and plate thickness data of the processing conditions of the workpiece NW and component information of the workpiece NW acquired by the fluorescent X-ray device 30. Based on this, a score (workability score: score) is given to evaluate the workability of the workpiece NW.
  • the workability determining unit 53 determines the workability of the workpiece NW ( ⁇ : good cutting material, ⁇ : cuttable material, and ⁇ ) based on the workability score of the workpiece NW calculated by the workability calculation unit 52. : Difficult-to-process materials).
  • the NC device 60 outputs control instructions for various operations to the laser processing machine 10, the fluorescent X-ray device 30, and the workability determination unit 50, and also displays various information on the display 70 based on the determination results of the workability determination unit 53.
  • a control section 61 capable of outputting display instructions is provided.
  • the NC device 60 includes a processing condition storage section 62 that stores various processing conditions in a storage device or the like according to the material and thickness of the workpiece NW. Note that the machining conditions are set for each material and thickness of the workpiece W, and a plurality of machining conditions may be provided in advance in the NC device 60 as standard machining conditions of standard specifications.
  • the control unit 61 may be configured to be able to output various information notification instructions such as audio output and lighting to a speaker or lamp via the output I/F.
  • FIG. 3 is a block diagram showing a schematic configuration of a machinability determination system used in the machining system of this embodiment.
  • a workability determination system 90 includes a learning device 80 and a workability determination unit 50 included in a processing system 100.
  • the learning device 80 may be provided inside the processing system 100 or may be provided outside the processing system 100.
  • the learning device 80 includes a decision model learning section 81. Three pieces of teacher data are input to the judgment model learning unit 81 during the learning process.
  • the first is component information 1 as an explanatory variable that represents the chemical components of the material of the workpiece acquired by the fluorescent X-ray apparatus 30.
  • the second is machining condition information 2 as an explanatory variable, which includes machining conditions according to the material and plate thickness of the workpiece selected from the machining condition storage unit 62 of the NC device 60.
  • the third is a processing quality evaluation result 3 as an objective variable obtained by actually processing the workpiece W with the laser processing machine 10 based on the selected processing conditions.
  • the judgment model learning unit 81 inputs the component information 1, processing condition information 2, and processing quality evaluation result 3 as teacher data, performs machine learning based on these teacher data, and creates a judgment model 4 for processing condition evaluation. and output.
  • the workability calculation section 52 of the workability determination unit 50 two pieces of estimation data are input to the workability calculation section 52 of the workability determination unit 50 in the estimation process.
  • the first is component information 5 acquired by the fluorescent X-ray apparatus 30 before processing a newly processed workpiece.
  • the second is processing condition information 6 that includes processing conditions set in the NC device 60 according to the material and thickness of the workpiece.
  • the machinability calculation unit 52 inputs the component information 5 and the machining condition information 6 as estimation data, and determines the machining conditions for the machining to be performed in the laser processing machine 10 based on the judgment model 4 created by the learning device 80. Processability determination result 7 based on is output.
  • component information 1 input to the learning device 80 and the component information 5 input to the workability determination unit 50 are, for example, information indicating the weight percent of elements contained in the surfaces of the workpieces W and NW. be.
  • Elements included in component information 1 and 5 are, for example, magnesium (Mg), aluminum (Al), silicon (Si), phosphorus (P), and sulfur (S).
  • the machining condition information 2 input to the learning device 80 and the machining condition information 6 input to the machinability determination unit 50 include, for example, the material of the workpiece (mild steel, stainless steel, etc.) and the plate thickness (19 mm, 22 mm).
  • Various processing conditions for cutting laser output (Peak Power, Repetition frequency, Pulse Width), Machining velocity, Focus position, etc.) ion, etc.) .
  • the energy density per time given to the workpiece can be determined by the above-mentioned processing conditions (laser output (laser average output), focusing position (focusing diameter), and processing speed).
  • the processing quality evaluation result 3 inputted to the learning device 80 is, for example, a quality which is an index for evaluating the cutting quality of the cut surface (processing location) of the workpiece W that has been processed in advance from its appearance, shape, etc. Includes evaluations determined based on evaluation criteria.
  • the machining quality evaluation result 3 is given as a score. Note that the explanatory variables and objective variables used in the workability determination system 90 are not limited to those exemplified above.
  • random forest random forest
  • RA regression analysis
  • PCA principal component analysis
  • Singular Value Decomposition Singular Value Decomposition
  • LDA Linear Discriminant Analysis
  • I Independent Component Analysis
  • GPLVM Logistic Regression: LR
  • SVM Support Vector Machine
  • DA Discriminant Analysis
  • Ranking SVM Ranking Support Vector Machine: RSVM
  • Gradient Boosting Gradient Boosting: GB
  • Naive Bayes It is possible to use various algorithms such as NB), K-Nearest Neighbor Algorithm (K-NN), and Neural Network (NN).
  • FIG. 4 is an explanatory diagram showing the basic hardware configuration of the workability determination unit 50, the learning device 80, and/or the workability determination system 90.
  • the workability determination unit 50, the learning device 80, and/or the workability determination system 90 include, for example, a GPU (Graphics Processing Unit) 212 and a CPU (Central Processing Unit).
  • RAM Random Access Memory
  • ROM Read Only Memory
  • HDD Hard Disk Drive
  • SSD Solid State Drive
  • the workability determination unit 50, the learning device 80, and/or the workability determination system 90 include, for example, an input I/F (interface) 207, an output I/F (interface) 208, and a communication I/F. (Interface) 209.
  • the components 201 to 209 are interconnected by a bus 200, respectively.
  • the input I/F 207 includes various input devices such as a keyboard, mouse, and touch panel, measurement devices such as the fluorescent X-ray device 30, and various sensors such as a temperature sensor, optical sensor, acoustic sensor, image sensor, and spectral sensor.
  • An input device 211 is connected.
  • the output I/F 208 is connected to a display 70 and an output device 210 such as a speaker or a lamp (not shown) that functions as a notification section.
  • the communication I/F 209 communicates with an external device 214 such as a server via a network 213 such as the Internet.
  • FIG. 5 is an explanatory diagram showing a manner of acquiring component information of a workpiece.
  • FIG. 6 is a diagram illustrating standard processing conditions for processing depending on the material and plate thickness of the workpiece.
  • FIG. 7 is an explanatory diagram showing quality evaluation criteria for processing quality.
  • FIG. 8 is an explanatory diagram showing an example of the evaluation results. Note that, hereinafter, laser cutting processing will be explained as laser processing by the laser processing machine 10.
  • component information (Mg: ⁇ weight %, Al: ⁇ weight %, . . . , Bi: XX weight %) 1 is measured and acquired for each measurement area MA.
  • component information Mg: ⁇ weight %, Al: ⁇ weight %, . . . , Bi: XX weight %) 1 is measured and acquired for each measurement area MA.
  • 100 to 150 samples of the workpiece W are prepared for each material, and about 70% of the samples (70 to 105 samples) are used for learning, but the present invention is not limited to this.
  • By measuring and acquiring component information 1 for each of a plurality of measurement areas MA it is possible to increase the number of training data of explanatory variables in the learning phase.
  • the determination model learning unit 81 also includes a processing condition storage unit 62 of the NC device 60 that performs processing in the laser processing machine 10 according to the material and plate thickness of the workpiece W, which are read out from a storage device or the like.
  • Processing condition information 2 including processing conditions for processing is input.
  • standard processing conditions according to the material and thickness of the workpiece W are shown in FIG. 6, for example.
  • the standard processing conditions 101 for a plate thickness of 19 mm are processing speed (m/min), laser output (peak output) ( W), pulse frequency (Hz), pulse duty (pulse width) (%), gas pressure (MPa), and nozzle gap (mm) are respectively 1000, 7000, 1000, 75, 0.06, and It is set to 1.
  • the standard processing conditions 102 for a plate thickness of 22 mm each item is set to 900, 8000, 1000, 75, 0.06, and 1, respectively, as described above.
  • FIG. 6(b) in the standard processing conditions 102 for a plate thickness of 22 mm, each item is set to 900, 8000, 1000, 75, 0.06, and 1, respectively, as described above.
  • each item in the standard processing conditions 103 for a plate thickness of 25 mm, each item is set to 850, 9000, 1000, 75, 0.07, and 0.7, respectively, as described above. There is.
  • the standard value (mm) of the cutting focus (focusing position) under each standard processing condition where the materials are the same but the plate thicknesses are different is set to, for example, 3.5.
  • a plurality of workpieces W for which component information 1 has been obtained are processed by the laser processing machine 10 multiple times, for example, by changing the cutting focus (focusing position) each time. Carry out the amputation. Alternatively, multiple conditions such as processing speed and cutting focus may be changed. Then, the cutting quality of the cut surface (processed location) of the workpiece W is evaluated based on the state using a quality evaluation standard 104 as shown in FIG.
  • the quality evaluation when the quality evaluation is " ⁇ ", it represents high-quality cutting, and when it is “ ⁇ ”, it represents good cutting. Moreover, when the quality evaluation is “ ⁇ '”, it represents a cut of slightly inferior quality, and when it is “ ⁇ ”, it represents a cut of poor quality. Further, when the quality evaluation is “ ⁇ ”, it means that the cutting is possible, and when the quality evaluation is “x”, it means that the cutting is not possible. Note that the classification of quality evaluation is not limited to these six evaluation ranges, and may be classified to enable more detailed evaluation.
  • FIG. 8 is a diagram showing an example of an evaluation result 105 of the cutting quality of cutting in which only the cutting focus (focus position) was changed under selected processing conditions based on such quality evaluation criteria 104.
  • the workpiece material (material A) from manufacturer A it includes evaluations of five " ⁇ " and one " ⁇ " in the cutting focus range of 0.5 mm to 6.5 mm. Good cutting material: ⁇ ”, and the score evaluation is 100 points.
  • the cutting focus includes six " ⁇ '" evaluations in the range of 0.5 mm to 6.5 mm, so it is evaluated as "cuttable material: ⁇ ". , the score evaluation is 50 points.
  • the machining quality evaluation result 3 which includes the quality evaluation (score evaluation) of cutting quality that is scored into multiple different numerical values such as 100 points, 50 points, and 0 points, is used as the teacher data of the explanatory variable as the teacher data of the objective variable. It is input to the judgment model learning section 81 together with component information 1 and processing condition information 2 which are data.
  • the determination model learning unit 81 uses machine learning to learn the relationship between component information 1 and machining condition information 2 when machining quality evaluation result 3 is obtained, and machining quality evaluation result 3, and makes a determination for machining condition evaluation. Create model 4.
  • the determination model storage unit 51 stores the determination models 4 for evaluating machining conditions, each created according to the material and thickness of the workpiece W, in a storage device or the like.
  • the determination model 4 for evaluating machining conditions is created in this way during the learning phase.
  • the machining quality evaluation obtained by changing the cutting focus or cutting quality and machining speed means the “margin” of the machining quality with respect to changes in the cutting focus or cutting focus and machining speed.
  • this "margin” is determined by the energy density of the laser beam that hits the front end of the cutting front on the material surface of the workpiece W and the position in the thickness direction of the beam waist position. This affects the degree of heat input into the cutting front and the viscosity of the melt metal at the lower end of the cutting front.
  • the "standard machining conditions” may be selected, for example, to be the machining conditions (excluding the cutting focus or cutting focus and machining speed) with the largest “margin”. Such "standard processing conditions” may be updated sequentially by machine learning. According to the determination model 4 created in this way, it becomes possible to evaluate that the machining conditions with a larger margin are more favorable.
  • FIG. 9 is a flowchart showing an example of workability determination.
  • the NC device 60 before processing the workpiece NW to be processed next, the NC device 60 first acquires the material and plate thickness data of the workpiece NW on the shuttle table 40 (step S100). ), and is transmitted to the judgment model storage section 51 of the workability judgment unit 50.
  • the judgment model storage unit 51 selects a judgment model 4 for processing conditions for the workpiece NW corresponding to these materials and plate thickness (step S101), and performs processing.
  • the information is sent to the processability calculation unit 52 together with the conditions.
  • component information 5 of the workpiece NW is acquired through measurement by the fluorescent X-ray device 30 (step S102), and is transmitted to the workability calculation unit 52.
  • the workability calculation unit 52 inputs the processing condition information 6 of the processing conditions including the above-mentioned material and plate thickness data and the acquired component information 5 into the selected judgment model 4, and calculates the processing condition of the workpiece NW. Evaluate workability.
  • the workability evaluation is performed by scoring the workability based on the material components of the workpiece NW using, for example, a numerical value of 0 to 100 (step S103).
  • the workability determining unit 53 determines the workability ( ⁇ , ⁇ , and 61.
  • the workability evaluation included in the determination result by the workability determination unit 53 can express the margin of adaptability to the workpiece NW depending on the machining conditions using the score as described above. For example, if the score of the workability evaluation in the judgment result is greater than 70 points (“70 ⁇ score” in step S104), the workpiece NW composed of the acquired component information 5 is a good cutting material ( ⁇ ). The workability is determined to be true.
  • the score of the workability evaluation in the determination result is 30 points or more and 70 points or less (“30 ⁇ score ⁇ 70” in step S104)
  • the workpiece NW composed of the acquired component information 5 is cut.
  • the workability is determined to be a possible material ( ⁇ ).
  • the score of the workability evaluation in the judgment result is smaller than 30 points (“score ⁇ 30” in step S104)
  • the workpiece material NW composed of the acquired component information 5 is a difficult-to-work material (x). The workability is determined to be true.
  • step S104 if the workability is determined to be a good cutting material ( ⁇ ) (“70 ⁇ score” in step S104), the control unit 61 calls up the standard machining conditions from the machining condition storage unit 62. The processing is carried out (step S105), and the workpiece NW is carried in as the workpiece W from the shuttle table 40 to the laser processing machine 10.
  • step S114 product processing of the workpiece W is performed based on the called standard processing conditions (step S114), and the series of processes according to this flowchart is completed.
  • step S105 information notifying the call of the standard machining conditions may be displayed on the display 70 to notify the operator. In this way, the operator can easily understand the machining conditions set during product machining, and easily judge whether to continue machining under the same machining conditions or to change to machining conditions suitable for the workpiece material. It becomes possible to
  • step S104 if the workability is determined to be a cuttable material ( ⁇ ) (“30 ⁇ score ⁇ 70” in step S104), the control unit 61 uses the standard processing from the processing condition storage unit 62. A condition is called (step S106). At this time, for example, information indicating that the standard processing conditions have been called may be displayed on the display 70 to notify the operator as described above.
  • the cutting quality can be expected to be improved by adjusting parameters included in the standard processing conditions, such as laser output, processing speed, and cutting focus (focus position). For this reason, a warning to that effect is displayed on the display 70 as information prompting test processing by the laser processing machine 10 (step S107), and as an example of information prompting execution of either adjustment or change of processing conditions. , an instruction for adjusting the machining conditions (adjustment of machining speed, laser output, focusing position, etc.) is output (step S108).
  • condition adjustment may be performed by adjusting the parameters of each item of the processing conditions.
  • the operator Based on the warning and condition adjustment instructions displayed on the display 70, the operator adjusts the machining conditions by operating input via the input device 211, such as a touch panel, and the control unit 61 adjusts the machining conditions. Test machining is performed based on (step S111).
  • step S104 if the workability is determined to be a difficult-to-work material (x) ("score ⁇ 30" in step S104), in the case of a difficult-to-work material (x), for example, Cutting itself is possible if cutting is performed based on adjusted parameters included in the processing conditions, such as laser output, processing speed, and cutting focus (focus position), as well as optical characteristics. Therefore, the control unit 61 displays a warning to that effect on the display 70 as information prompting test processing by the laser processing machine 10 (step S109). Then, the processing conditions for the difficult-to-process material are called up from the processing condition storage unit 62 (step S110).
  • information may be displayed on the display 70 to notify the operator of the calling of the processing conditions for the difficult-to-process material.
  • the operator should not continue machining with the same machining conditions, but should change the machining conditions to those suitable for the workpiece material (difficult to machine material), and the machining conditions that are set. It becomes possible to easily understand and judge that the material is made of a material that is difficult to process.
  • laser processing such as the focusing diameter (for example, changing ⁇ 720 ⁇ m to ⁇ 560 ⁇ m) etc. It becomes necessary to adjust the optical characteristics of the head 22 using the beam control unit 24. Changing the optical properties such as the focal diameter makes adjusting the processing conditions very complicated, and requires more skill. Further, since changing the optical characteristics may cause significant damage to the laser processing machine 10 itself, adjustment by an operator is not recommended.
  • step S110 for example, the processing conditions for the difficult-to-process material whose optical properties and various items have been adjusted are automatically called up. Thereafter, the control unit 61 performs test machining based on the machining conditions for the difficult-to-machine material (step S111).
  • the processing conditions for example, the focused Information prompting at least one of position adjustment and machining speed adjustment is reported. Then, the machining conditions may be adjusted by the operator's operation input as described above, and then the test machining can be performed.
  • step S111 After the test machining is performed in step S111, it is determined whether the machining quality is OK by checking the state of the cut surface, etc. (step S112), and if it is determined that the machining quality is OK (step S112). If Yes), the process moves to step S114, where the product processing of the workpiece W is performed, and the series of processes according to this flowchart ends. Note that the determination in step S112 may be made automatically by image processing or the like on the surface condition of the cut surface acquired by the sensor, or may be made manually by checking the cut surface by the operator using operational input or the like. It's okay.
  • step S113 the machining conditions (standard machining conditions, condition-adjusted machining conditions , or machining conditions for difficult-to-machine materials) (step S113), test machining is performed again (step S111), and the subsequent processes are repeated.
  • the fine adjustment of the machining conditions in step S113 may be performed, for example, as follows, in addition to the operator's operation input.
  • material and plate thickness data obtained), processing conditions (invoked), component information (obtained), and workability judgment (workability evaluation score) are used as explanatory variables.
  • a determination model 4 is created by performing machine learning in advance using the amount of change in each item of machining speed, laser output, and focus position as target variables as training data.
  • the workability determination system 90 determines the workability of the workpiece NW based on the machining conditions before machining, and represents the margin of adaptation to the workpiece NW according to the machining conditions.
  • the response can be changed (for example, processing is performed under standard processing conditions, processing conditions are changed to those suitable for the workpiece NW, etc.) according to the content of the determination result including workability evaluation.
  • FIG. 10 is a flowchart showing another example of workability determination. Note that this flowchart describes an operation that focuses on determining whether it is a difficult-to-process material as the processability determination.
  • processing conditions including material and plate thickness data corresponding to the workpiece NW and the corresponding judgment model 4 are acquired in advance by the NC device 60 from the processing condition storage section 62 and judgment model storage section 51. It is assumed that the data has already been sent to the gender calculation unit 52.
  • component information 5 of the workpiece NW is acquired by measurement using the fluorescent X-ray device 30 (step S120), and workability calculation is performed. 52.
  • the workability calculation unit 52 inputs the processing condition information 6 of the processing conditions including the above-mentioned material and plate thickness data and the acquired component information 5 into the selected judgment model 4, and determines the workpiece material NW.
  • the workability evaluation is performed based on the material components of the workpiece NW by giving a score, for example, with a numerical value of 0 to 100 (step S121).
  • the workability determination unit 53 determines whether the workpiece NW scored by the workability calculation unit 52 is a difficult-to-work material (workability: ⁇ ) based on the score (step S122), and transmits the determination result to the NC device. 60 control unit 61.
  • step S122 If the score is lower than 30 points and it is determined that the material is difficult to process (Yes in step S122), the information to prompt test processing by the laser processing machine 10 is provided by, for example, outputting an alarm sound from the speaker. A warning is issued (step S123). At the same time, the control unit 61 calls up the machining conditions for the difficult-to-process material from the machining condition storage unit 62 (step S124). At this time, for example, information may be displayed on the display 70 to notify the operator of the calling of the processing conditions for the difficult-to-process material.
  • control unit 61 executes a test machining based on the machining conditions for the difficult-to-process material (step S125), waits until the test machining is completed (No in step S126), and waits until the test machining is completed (Yes in step S126). ), a workpiece NW is carried into the laser processing machine 10 as a workpiece W from the shuttle table 40. Thereafter, product processing of the workpiece W is performed based on the called processing conditions for the difficult-to-process material (step S128), and the series of processes according to this flowchart is completed.
  • step S122 determines whether the material is not difficult to machine (No in step S122) is difficult to machine (No in step S122).
  • the control unit 61 saves the processing conditions for the standard material (good cutting material, cuttable material) from the processing condition storage unit 62. is called (step S127), and the workpiece NW is brought in as the workpiece W in the same way as above, and the product processing of the workpiece W is performed based on the processing conditions of the called standard material. (Step S128), and the series of processing according to this flowchart ends.
  • the operator may be notified by displaying, for example, on the display 70 information informing that the processing conditions for the standard material have been called up.
  • the workability determination system 90 can also operate in this way, it can determine whether the workpiece material NW is difficult to work with based on the processing conditions of the workpiece material NW before processing, and can easily take measures according to the contents of the determination result. It is possible to make changes (for example, to change the processing conditions to materials that are difficult to process). Therefore, it is also possible to improve the processing quality and reduce processing defects when processing a material that is determined to be difficult to process.
  • FIG. 11 is a diagram showing the verification results 107 of workability determination.
  • Material-12 and Material-44 in Fig. 11 have the same plate thickness of 19 mm, manufacturer C, and material SS400, but because the component information 5 is different, their scores are 97.6 points and 2 points, respectively. It was verified that there was a significant difference between the two points. As shown in Figure 11, the verification of workability evaluation has confirmed that even if the samples are of the same thickness, made of the same material, and made by the same manufacturer, the component information 5 will be different and the scores will be different if the samples are different. Ta.
  • FIG. 12 is a diagram showing the check result 108 of the quality of the cut surface.
  • the cutting focus was 0.5 mm to 0.5 mm under standard processing conditions with a plate thickness of 19 mm. Includes 5 ratings of " ⁇ " and 1 rating of " ⁇ " within the range of 6.5 mm. Therefore, it was confirmed that there was a large degree of margin for adapting the processing conditions, and that the material was rated as "good cutting material: 0" (score evaluation: 100 points).
  • the workability determination system 90 is capable of almost accurately determining the workability of the workpiece NW based on (the degree of margin for adaptation) the machining conditions of the workpiece NW before machining. .
  • Figure 13 shows the result of adjusting the parameters of any item of the standard processing conditions based on the margin of adaptation, picking up the workability judgment results, and comparing them with the confirmation results of the cut surface from actual processing. It became so.
  • the description of the workability score is omitted.
  • FIG. 13 is a diagram showing determination results and confirmation results.
  • material B was determined to be a good cutting material ( ⁇ ) by adjusting the processing conditions.
  • the cutting quality did not change when the cutting focus was 0.5 mm, 1.5 mm, and 6.5 mm, but the cutting quality decreased when the cutting focus was in the range of 2.5 mm to 5.5 mm.
  • the rating has improved from ⁇ ''' to ⁇ '', and there are now three or more ⁇ '' marks. Therefore, it has become possible to perform processing with a cutting quality of " ⁇ (good cutting)", which is sufficient for product processing. In this way, it was confirmed that by adjusting the machining conditions for material B as well, the margin of adaptation was increased and cutting quality sufficient for product machining could be obtained.
  • material C was also determined to be a good cutting material ( ⁇ ) after adjusting the processing conditions.
  • the cutting quality did not change when the cutting focus was 0.5 mm, 1.5 mm, and 6.5 mm, but the cutting quality clearly improved when the cutting focus was in the range of 2.5 mm to 5.5 mm. has improved. That is, when the cutting focus is in the range of 2.5 mm to 4.5 mm, the cutting quality improves from " ⁇ " or " ⁇ '" to " ⁇ ", and when the cutting focus is 5.5 mm, the cutting quality improves to " ⁇ ".
  • the rating improved from ⁇ to ⁇ ', and there were 3 or more ⁇ marks. Therefore, it has become possible to perform processing with a cutting quality of " ⁇ (good cutting)", which is sufficient for product processing. In this way, it was confirmed that by adjusting the machining conditions for material C as well, the margin of adaptability could be increased and cutting quality sufficient for product machining could be obtained.
  • the machining quality based on the determination result 7 and the confirmation result of the actual cut surface almost match and improve each other. It was verified that improvement in processing quality is expected. It has been found that this can sufficiently contribute to preventing the occurrence of processing defects.
  • the machining system 100 and the machinability determination system 90 determine the machinability of the workpiece based on the machining conditions before machining, so based on the determination result, machining is performed under the machining conditions. It becomes easy to judge whether to carry out the process or change the machining conditions to suit the workpiece material. On the other hand, for example, standard machining conditions cannot necessarily be said to be the most suitable machining conditions for the workpiece. Therefore, it is desirable that the processing conditions can be adjusted as appropriate.
  • the cutting focus (focus position) is changed from the standard value to a value away from the standard value to the in-focus side and/or the de-focus side
  • the cutting quality can also be grasped. It is possible to change the machining speed in the same way and understand the cutting quality. Therefore, the cutting quality with respect to the cutting focus and processing speed is displayed on the display 70 together with the determination results, so that the operator can easily adjust the focusing position and processing speed based on these.
  • the machining system 100 and the machinability determination system 90 can determine the machinability based on the machining conditions of the machining that will be performed in the machining device in accordance with the component information 1 of the workpiece material NW, the material quality, and the plate thickness. This is done by using the processing quality evaluation result 3 and the judgment model 4 created by machine learning as training data, and inputting the component information 5 acquired before processing into the judgment model 4 as estimation data. may be configured.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Plasma & Fusion (AREA)
  • Mechanical Engineering (AREA)
  • Laser Beam Processing (AREA)

Abstract

加工システムは、被加工材を加工する加工装置と、被加工材の材料の化学成分を表す成分情報を取得する取得装置と、成分情報と材質及び板厚に応じて予め設定された加工条件を含む加工条件情報と加工条件に基づき実際に加工して得られた加工品質評価結果とを教師データとして入力して機械学習により作成された判定モデルに基づき被加工材の加工性を判定する判定装置とを備える加工システムであって、判定装置は、新たに加工される被加工材の加工前に取得された成分情報と材質及び板厚に応じて加工装置に設定される加工条件を含む加工条件情報とを推定用データとして判定モデルに入力し、これから行われる加工の加工条件に基づく加工性の判定結果を出力する。

Description

加工システム及び加工性判定システム
　本発明は、加工システム及び加工性判定システムに関する。
　従来より、レーザ加工機等の加工装置においては、一般的に被加工材の材質及び板厚に応じた加工条件が予め設定されている。従って、加工装置のオペレータは、被加工材の材質及び板厚に合致した加工条件を選択して、もしくは加工プログラムの指示する加工条件にて加工を実施する。しかし、同じ名称の材質及び板厚の被加工材であっても、国、メーカ、製造ロットや保管状況等の個体差によって、加工機に事前に用意されている加工条件のままでは、良好な加工品質が得られないことがある。一方、被加工材の材質及び板厚に適した加工条件を選択した上で、被加工材の実際の材質及び板厚を測定し、選択した加工条件を、測定結果に応じて修正する技術も知られている（特許文献１参照）。
特許第６７５４６１４号公報
　しかしながら、上記特許文献１に開示された装置では、被加工材の材質及び板厚に応じて選択された加工条件を、実際に測定された材質及び板厚に基づいて修正することはできるものの、選択された加工条件を修正しない場合、どの程度の加工品質が得られるのかを判定することは想定されていない。
　すなわち、上記従来技術は、選択された加工条件に基づく被加工材の加工性（加工に適しているかどうかの程度）そのものを、例えば製造メーカ毎、製造ロット毎、または保管状況毎に異なる実際の被加工材の個体差（品質のバラつき）に対応させて判定するものではなかった。このため、加工前に被加工材の加工条件に基づく加工性を判定して、その判定結果に基づいて、設定された加工条件での加工を続行するか、被加工材に適した加工条件に変更するか、といった判断を、試し加工することなくオペレータがすることはできないという問題がある。
　本発明の一態様は、加工前に被加工材の加工条件に基づく加工性を判定して、その加工条件のままで加工を行うべきか、被加工材に適した加工条件に変更すべきかの判断が容易になり、加工不良を低減することができる加工システム及び加工性判定システムである。
　本発明の一態様に係る加工システムは、被加工材を加工する加工装置と、前記被加工材の材料の化学成分を表す成分情報を取得する取得装置と、前記取得装置によって取得された前記被加工材の成分情報と、前記被加工材の材質及び板厚に応じて予め設定された前記加工装置の加工条件を含む加工条件情報と、前記被加工材を前記加工条件に基づき実際に加工して得られた加工品質評価結果と、を教師データとして入力し、これら教師データに基づき機械学習を行って作成された判定モデルに基づいて、前記被加工材の加工性を判定する判定装置と、を備える加工システムであって、前記判定装置は、新たに加工される被加工材の加工前に前記取得装置で取得された成分情報と、前記被加工材の材質及び板厚に応じて前記加工装置に設定される加工条件を含む加工条件情報と、を推定用データとして、前記判定モデルに入力し、前記加工装置でこれから行われる加工の前記加工条件に基づく加工性の判定結果を出力する。
　本発明の一態様に係る加工システムによれば、取得装置によって取得された被加工材の材料の成分情報と、被加工材の材質及び板厚に応じて予め設定された加工装置の加工条件を含む加工条件情報と、被加工材を加工条件に基づき実際に加工して得られた加工品質評価結果との教師データに基づき機械学習が行われて作成された判定モデルに基づき判定装置で被加工材の加工性が判定される。判定装置では、新たに加工される被加工材の加工前に取得装置で取得された成分情報と、被加工材の材質及び板厚に応じて加工装置に設定される加工条件を含む加工条件情報とを推定用データとして判定モデルに入力することで、加工装置でこれから行われる加工の加工条件に基づく加工性の判定結果が出力される。これにより、加工前に被加工材の加工条件に基づく加工性を判定することができるので、実際の加工に際してその加工条件のままで加工を行うべきか、被加工材に適した加工条件に変更すべきかの判断が容易になり、加工不良を低減することが可能となる。
　本発明の一態様によれば、加工前に被加工材の加工条件に基づく加工性を判定して、その加工条件のままで加工を行うべきか、被加工材に適した加工条件に変更すべきかの判断が容易になり、加工不良を低減することができる。
図１は、本発明の一実施形態に係る加工システムの基本的構成を示す説明図である。 図２は、本実施形態の加工システムの概略的な機能ブロック図である。 図３は、本実施形態の加工システムで使用される加工性判定システムの概略構成を示すブロック図である。 図４は、加工性判定ユニット、学習装置及び／又は加工性判定システムの基本的なハードウェア構成を示す説明図である。 図５は、被加工材の成分情報の取得態様を示す説明図である。 図６は、被加工材の材質及び板厚に応じた加工の標準加工条件を例示する図である。 図７は、加工品質の品質評価基準を表す説明図である。 図８は、評価結果の一例を示す図である。 図９は、加工性判定の一例を示すフローチャートである。 図１０は、加工性判定の他の例を示すフローチャートである。 図１１は、加工性判定の検証結果を示す図である。 図１２は、切断面の品質の確認結果を示す図である。 図１３は、判定結果と確認結果を示す図である。
　以下、添付の図面を参照して、本発明の実施の形態に係る加工システム及び加工性判定システムを詳細に説明する。ただし、以下の実施の形態は、各請求項に係る発明を限定するものではなく、また、実施の形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。また、以下の実施の形態においては、各構成要素の配置、縮尺及び寸法等が誇張或いは矮小化されて示されている場合、並びに一部の構成要素の記載が省略されている場合がある。
［加工システムの基本的構成］
　図１は、本発明の一実施形態に係る加工システムの基本的構成を示す説明図である。
　図１に示すように、加工システム１００は、被加工材ＮＷ，Ｗの材料の切断、穴あけ等の加工を行う加工装置としてのレーザ加工機（レーザ加工装置）１０と、レーザ加工機１０に隣設され、被加工材ＮＷ，Ｗを搬入出するパレット（図示せず）が載置されたシャトルテーブル４０と、を備えている。また、加工システム１００は、シャトルテーブル４０上に載置された被加工材ＮＷの材料の化学成分を表す成分情報を取得する取得装置としての蛍光Ｘ線装置３０と、蛍光Ｘ線装置３０からの被加工材ＮＷの成分情報に基づき、被加工材ＮＷの加工性を判定する判定装置としての加工性判定ユニット５０と、を備えている。加工システム１００は、更に、レーザ加工機１０、蛍光Ｘ線装置３０及び加工性判定ユニット５０を制御するＮＣ装置６０と、各種の情報を表示するディスプレイ７０と、を備えている。なお、加工性判定ユニット５０及びＮＣ装置６０は、レーザ加工機１０に含まれるように搭載されていてもよい。
　ここで、被加工材ＮＷは、例えば、鉄鋼である場合、主成分として鉄（Ｆｅ）を含み、非鉄金属のアルミニウム合金鋼である場合、主成分としてアルミニウム（Ａｌ）を含む。被加工材ＮＷは、これらの主成分の他にメーカが意図的に添加した元素、及び不純物として混入している元素を含む。本実施形態では、これらの鋼または非鉄金属を構成する主成分、添加元素及び不純物元素を「化学成分」または単に「成分」と称することにする。
　レーザ加工機１０は、板金等の被加工材Ｗを載置する加工テーブル１１と、この加工テーブル１１に対して、加工テーブル１１の長手方向である図中Ｘ軸方向に移動するＸ軸キャリッジ１２と、を有する。また、レーザ加工機１０は、このＸ軸キャリッジ１２上を加工テーブル１１の短手方向である図中Ｙ軸方向に移動するＹ軸キャリッジ１３と、レーザ光ＬＢを被加工材Ｗに照射してレーザ加工を行うレーザ加工ユニット２０と、を有する。
　レーザ加工ユニット２０は、レーザ光ＬＢを生成して射出するレーザ発振器２１と、Ｙ軸キャリッジ１３に搭載されＸ軸キャリッジ１２及びＹ軸キャリッジ１３によってＸ軸方向及びＹ軸方向に移動可能に構成されたレーザ加工ヘッド２２と、を備える。レーザ加工ユニット２０は、レーザ発振器２１で生成されたレーザ光ＬＢをレーザ加工ヘッド２２へと伝送するプロセスファイバ２３を備える。また、レーザ加工機１０は、アシストガスを供給するアシストガス供給装置（図示せず）を備えている。
　レーザ発振器２１は、例えば、レーザダイオードから発せられる種光が共振器でＹｂ（イッテルビウム：Ｙｔｔｅｒｂｉｕｍ）などを励起させ増幅させて所定の波長のレーザ光ＬＢを射出するタイプ、又はレーザダイオードより発せられるレーザ光ＬＢを直接利用するタイプのレーザ発振器等が用いられる。
　本実施形態のレーザ発振器２１は、波長９００ｎｍ～１１００ｎｍの１μｍ帯のレーザ光ＬＢを射出する。例えば、ＤＤＬ（ダイレクト・ダイオード・レーザ：Ｄｉｒｅｃｔ　Ｄｉｏｄｅ　Ｌａｓｅｒ）発振器は、波長９１０ｎｍ～９５０ｎｍのレーザ光ＬＢを射出し、ファイバレーザ発振器は、波長１０６０ｎｍ～１０８０ｎｍのレーザ光ＬＢを射出する。また、青色半導体レーザは、波長４００ｎｍ～４６０ｎｍのレーザ光ＬＢを射出する。グリーンレーザは、波長５００ｎｍ～５４０ｎｍのレーザ光ＬＢを射出するファイバレーザ発振器やＤＤＬ発振器でもよく、１μｍ帯のレーザ光ＬＢと光合成した多波長共振器であってもよい。また、レーザ発振器２１は、レーザ光ＬＢを被加工材Ｗのどの位置に出射するかを確認するガイド光ＧＢ（例えば、波長６５０ｎｍ）を出射する（図示省略）。
　レーザ加工ヘッド２２は、ビームコントロールユニット２４を有する。ビームコントロールユニット２４は、レーザ光ＬＢを被加工材Ｗの材料に適した集束径や発散角に制御する機能を有する。ビームコントロールユニット２４は、プロセスファイバ２３の出力端から射出されたレーザ光ＬＢを入射して平行光束に変換するコリメータレンズ２４ａを有する。ビームコントロールユニット２４は、このコリメータレンズ２４ａから射出された略平行光束のレーザ光ＬＢをＸ軸及びＹ軸と直交するＺ軸方向の下方に向けて反射させるベンドミラー２４ｂを有する。ビームコントロールユニット２４は、ベンドミラー２４ｂで反射したレーザ光ＬＢを集束させて被加工材Ｗに照射する加工用の集光レンズ２４ｃを有する。ベンドミラー２４ｂには、少なくともレーザ光ＬＢやガイド光ＧＢの波長（例えば、１０８０ｎｍ、６５０ｎｍ）を反射するコーティングが施されている。
　レーザ加工ヘッド２２は、その先端部に、レーザ光ＬＢを被加工材Ｗに照射するための円形の開口部２５ａを有するノズル２５を備えている。このノズル２５は、溶融した被加工材Ｗを除去する。ノズル２５は、アシストガス供給装置から供給される大気圧以上の所定のアシストガス圧のガス流を、レーザ光ＬＢとともに被加工材Ｗに噴射するノズル機能を有する。ノズル２５は、レーザ加工ヘッド２２に着脱自在に設けられる。
　コリメータレンズ２４ａ、ベンドミラー２４ｂ、集光レンズ２４ｃ及びノズル２５は、予め光軸が調整された状態でレーザ加工ヘッド２２内に固定されている。なお、ビームコントロールユニット２４内には、集束位置を調整するために、コリメータレンズ２４ａを光軸に平行な方向（Ｘ軸方向）に駆動するレンズ駆動部（図示せず）が設けられている。また、集束位置を調整するため、レーザ加工ヘッド２２自体を、図示しない駆動機構によって、Ｘ軸方向及びＹ軸方向と直交するＺ軸方向に移動可能に構成されていてもよい。
　蛍光Ｘ線装置３０は、Ｘ線を被加工材ＮＷに照射して発生する固有Ｘ線（蛍光Ｘ線）を利用し、元素固有のエネルギーに基づく分析を行って、金属中の元素の定量分析等を行う。蛍光Ｘ線装置３０は、シャトルテーブル４０に載置された加工前の被加工材ＮＷの表面を測定して、被加工材ＮＷに含まれる金属の成分を表す成分情報を取得する。蛍光Ｘ線装置３０は、取得した成分情報を加工性判定ユニット５０に出力する。蛍光Ｘ線装置３０は、シャトルテーブル４０で待機中の被加工材ＮＷの成分情報を取得する。蛍光Ｘ線装置３０は、成分情報の取得処理を前の被加工材Ｗの加工中に行うことができ、全体的な処理時間を短縮することができる。しかし、蛍光Ｘ線装置３０は、レーザ加工機１０の加工テーブル１１上に設けられていてもよい。
　なお、取得装置としては、蛍光Ｘ線装置３０の他に、ＬＩＢＳ（レーザ誘起ブレークダウン分光法：Ｌａｓｅｒ－Ｉｎｄｕｃｅｄ　Ｂｒｅａｋｄｏｗｎ　Ｓｐｅｃｔｒｏｐｈｏｔｏｍｅｔｅｒ）分光分析装置等、他の分析装置を用いてもよい。ＬＩＢＳ分光分析装置は、短パルスレーザにより生じる高温プラズマからの放射光を分光器で受光し、各元素の固有のピークスペクトルに基づく分析を行って、定量分析等を行う装置である。
　次に、加工性判定ユニット５０及びＮＣ装置６０について説明する。図２は、本実施形態の加工システム１００の概略的な機能ブロック図である。
　図２に示すように、加工性判定ユニット５０は、判定モデル保存部５１と、加工性演算部５２と、加工性判定部５３と、を備える。
　判定モデル保存部５１は、被加工材Ｗの材質及び板厚の少なくとも一つに応じてそれぞれ作成された加工条件を評価するための判定モデルを、読み出し可能に記憶する。この判定モデルは、後述する機械学習により予め生成される。なお、この判定モデルは、加工性判定ユニット５０の判定モデル保存部５１の内部に保存せずに、外部のサーバに保存されるようにしてもよい。
　加工性演算部５２は、被加工材ＮＷの加工条件の材質及び板厚データに基づき判定モデル保存部５１から読み出した判定モデルと、蛍光Ｘ線装置３０により取得された被加工材ＮＷの成分情報とに基づき、被加工材ＮＷの加工性評価としての点数（加工性点数：スコア）付けを行う。
　加工性判定部５３は、加工性演算部５２で算出された被加工材ＮＷの加工性のスコアに基づいて、被加工材ＮＷの加工性（○：良好切断材、△：切断可能材及び×：難加工材）を判定し決定する。
　ＮＣ装置６０は、レーザ加工機１０、蛍光Ｘ線装置３０及び加工性判定ユニット５０に各種動作の制御指示を出力するとともに、加工性判定部５３の判定結果に基づき、例えばディスプレイ７０に各種情報の表示指示を出力可能な制御部６１を備える。ＮＣ装置６０は、被加工材ＮＷの材質及び板厚に応じた各種の加工条件を記憶装置等に保存する加工条件保存部６２を備える。なお、加工条件は、被加工材Ｗの材質及び板厚毎に設定され、ＮＣ装置６０に予め標準仕様の標準加工条件として複数備えられていてもよい。また、制御部６１は、出力Ｉ／Ｆを介してスピーカやランプに音声出力や点灯等の各種情報の報知指示も出力可能に構成され得る。
　図３は、本実施形態の加工システムで使用される加工性判定システムの概略構成を示すブロック図である。
　図３に示すように、一実施形態に係る加工性判定システム９０は、学習装置８０と、加工システム１００に含まれる加工性判定ユニット５０と、を有する。学習装置８０は、加工システム１００の内部に設けられていてもよいし、加工システム１００の外部に設けられていてもよい。学習装置８０は、判定モデル学習部８１を有する。判定モデル学習部８１には、学習過程において、３つの教師データが入力される。１つ目は、蛍光Ｘ線装置３０で取得された被加工材の材料の化学成分を表す、説明変数としての成分情報１である。２つ目は、ＮＣ装置６０の加工条件保存部６２から選択された被加工材の材質及び板厚に応じた加工条件を含む、説明変数としての加工条件情報２である。３つ目は、選択された加工条件に基づき、レーザ加工機１０で、被加工材Ｗを実際に加工して得られた、目的変数としての加工品質評価結果３である。判定モデル学習部８１は、これら成分情報１、加工条件情報２及び加工品質評価結果３を教師データとして入力し、これら教師データに基づき機械学習を行って、加工条件評価用の判定モデル４を作成し出力する。
　一方、加工性判定ユニット５０の加工性演算部５２には、推定過程において、２つの推定用データが入力される。１つ目は、新たに加工される被加工材の加工前に蛍光Ｘ線装置３０で取得された成分情報５である。２つ目は、被加工材の材質及び板厚に応じてＮＣ装置６０に設定される加工条件を含む加工条件情報６である。加工性演算部５２は、これら成分情報５及び加工条件情報６を推定用データとして入力し、学習装置８０で作成された判定モデル４に基づいて、レーザ加工機１０でこれから行われる加工の加工条件に基づく加工性の判定結果７を出力する。
　ここで、学習装置８０に入力される成分情報１及び加工性判定ユニット５０に入力される成分情報５は、例えば、被加工材Ｗ，ＮＷの表面に含有される元素の重量％を示す情報である。成分情報１，５に含まれる元素は、例えば、マグネシウム（Ｍｇ：Ｍａｇｎｅｓｉｕｍ）、アルミニウム（Ａｌ：Ａｌｕｍｉｎｉｕｍ）、ケイ素（シリコン）（Ｓｉ：Ｓｉｌｉｃｏｎ）、リン（Ｐ：Ｐｈｏｓｐｈｏｒｕｓ）、硫黄（Ｓ：Ｓｕｌｆｕｒ）、チタン（Ｔｉ：Ｔｉｔａｎｉｕｍ）、バナジウム（Ｖ：Ｖａｎａｄｉｕｍ）、クロム（Ｃｒ：Ｃｈｒｏｍｉｕｍ）、マンガン（Ｍｎ：Ｍａｎｇａｎｅｓｅ）、鉄（Ｆｅ：Ｉｒｏｎ）、コバルト（Ｃｏ：Ｃｏｂａｌｔ）、ニッケル（Ｎｉ：Ｎｉｃｋｅｌ）、銅（Ｃｕ：Ｃｏｐｐｅｒ）、亜鉛（Ｚｎ：Ｚｉｎｃ）、ジルコニウム（Ｚｒ：Ｚｉｒｃｏｎｉｕｍ）、ニオブ（Ｎｂ：Ｎｉｏｂｉｕｍ）、モリブデン（Ｍｏ：Ｍｏｌｙｂｄｅｎｕｍ）、パラジウム（Ｐｄ：Ｐａｌｌａｄｉｕｍ）、銀（Ａｇ：Ｓｉｌｖｅｒ）、カドミウム（Ｃｄ：Ｃａｄｍｉｕｍ）、錫（Ｓｎ：Ｔｉｎ）、アンチモン（Ｓｂ：Ａｎｔｉｍｏｎｙ）、ハフニウム（Ｈｆ：Ｈａｆｎｉｕｍ）、タンタル（Ｔａ：Ｔａｎｔａｌｕｍ）、タングステン（Ｗ：Ｔｕｎｇｓｔｅｎ）、レニウム（Ｒｅ：Ｒｈｅｎｉｕｍ）、鉛（Ｐｂ：Ｌｅａｄ）、及びビスマス（Ｂｉ：Ｂｉｓｍｕｔｈ）の２８種類である。これらの種類の元素を参照して、各元素の重量％を示す情報を成分情報１，５として利用すれば、十分に被加工材の化学成分を把握することが可能である。
　また、学習装置８０に入力される加工条件情報２及び加工性判定ユニット５０に入力される加工条件情報６は、例えば、被加工材の材質（軟鋼、ステンレス鋼等）及び板厚（１９ｍｍ、２２ｍｍ等）に応じた切断の種々の加工条件（レーザ出力（ピーク出力：Ｐｅａｋ　Ｐｏｗｅｒ、繰返し周波数：Ｒｅｐｅｔｉｔｉｏｎ　ｆｒｅｑｕｅｎｃｙ、パルス幅：Ｐｕｌｓｅ　Ｗｉｄｔｈ）、加工速度：Ｍａｃｈｉｎｉｎｇ　ｖｅｌｏｃｉｔｙ、集束位置：Ｆｏｃｕｓ　ｐｏｓｉｔｉｏｎ、他）を含む。なお、被加工材に与える時間当たりのエネルギー密度は、上記の加工条件（そのレーザ出力（レーザ平均出力）、集束位置（集束径）、及び加工速度）によって決定し得る。
　また、学習装置８０に入力される加工品質評価結果３は、例えば、予め加工された被加工材Ｗの切断面（加工箇所）の切断品質を、その外観や形状などから評価する指標である品質評価基準に基づき判断した評価を含む。本実施形態では、加工品質評価結果３が点数で与えられる。なお、加工性判定システム９０で用いられる説明変数及び目的変数は、これら例示したものに限定されるものではない。
　学習装置８０及び加工性判定ユニット５０における機械学習及び判定に際しては、ランダムフォレスト（Ｒａｎｄｏｍ　Ｆｏｒｅｓｔ：ＲＦ）、回帰分析（Ｒｅｇｒｅｓｓｉｏｎ　Ａｎａｌｙｓｉｓ：ＲＡ）、主成分分析（Ｐｒｉｎｃｉｐａｌ　Ｃｏｍｐｏｎｅｎｔ　Ａｎａｌｙｓｉｓ：ＰＣＡ）、特異値分解（Ｓｉｎｇｕｌａｒ　Ｖａｌｕｅ　Ｄｅｃｏｍｐｏｓｉｔｉｏｎ：ＳＶＤ）、線形判別分析（Ｌｉｎｅａｒ　Ｄｉｓｃｒｉｍｉｎａｎｔ　Ａｎａｌｙｓｉｓ：ＬＤＡ）、独立成分分析（Ｉｎｄｅｐｅｎｄｅｎｔ　Ｃｏｍｐｏｎｅｎｔ　Ａｎａｌｙｓｉｓ：ＩＣＡ）、ガウス過程潜在変数モデル（Ｇａｕｓｓｉａｎ　Ｐｒｏｃｅｓｓ　Ｌａｔｅｎｔ　Ｖａｒｉａｂｌｅ　Ｍｏｄｅｌ：ＧＰＬＶＭ）、ロジスティクス回帰（Ｌｏｇｉｓｔｉｃ　Ｒｅｇｒｅｓｓｉｏｎ：ＬＲ）、サポートベクターマシン（Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ：ＳＶＭ）、判別分析（Ｄｉｓｃｒｉｍｉｎａｎｔ　Ａｎａｌｙｓｉｓ：ＤＡ）、ランキングＳＶＭ（Ｒａｎｋｉｎｇ　Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ：ＲＳＶＭ）、勾配ブースティング（Ｇｒａｄｉｅｎｔ　Ｂｏｏｓｔｉｎｇ：ＧＢ）、ナイーブベイズ（Ｎａｉｖｅ　Ｂａｙｅｓ：ＮＢ）、Ｋ近接法（Ｋ－Ｎｅａｒｅｓｔ　Ｎｅｉｇｈｂｏｒ　Ａｌｇｏｒｉｔｈｍ：Ｋ－ＮＮ）、ＮＮ（Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）等の各種のアルゴリズムを利用することが可能である。
［ハードウェア構成］
　図４は、加工性判定ユニット５０、学習装置８０及び／又は加工性判定システム９０の基本的なハードウェア構成を示す説明図である。
　図４に示すように、加工性判定ユニット５０、学習装置８０及び／又は加工性判定システム９０は、例えばＧＰＵ（画像演算処理装置：Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）２１２と、ＣＰＵ（中央演算処理装置：Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）２０１と、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）２０２と、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）２０３と、ＨＤＤ（ハードディスクドライブ：Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）２０４と、ＳＳＤ（ソリッドステートドライブ：Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）２０５と、メモリカード２０６と、を備えたハードウェアにより実現されている。
　また、加工性判定ユニット５０、学習装置８０及び／又は加工性判定システム９０は、例えば入力Ｉ／Ｆ（インタフェース：Ｉｎｔｅｒｆａｃｅ）２０７と、出力Ｉ／Ｆ（インタフェース：Ｉｎｔｅｒｆａｃｅ）２０８と、通信Ｉ／Ｆ（インタフェース：Ｉｎｔｅｒｆａｃｅ）２０９と、を備える。各構成部２０１～２０９は、それぞれバス２００によって相互に接続されている。
　入力Ｉ／Ｆ２０７には、キーボード、マウス及びタッチパネル等の各種の入力デバイス、蛍光Ｘ線装置３０等の測定装置、及び温度センサ、光センサ、音響センサ、画像センサ、分光センサ等の各種センサを含む入力機器２１１が接続されている。出力Ｉ／Ｆ２０８には、ディスプレイ７０、報知部として機能する図示しないスピーカやランプ等の出力機器２１０が接続されている。通信Ｉ／Ｆ２０９は、インターネット等のネットワーク２１３を介して、サーバ等の外部機器２１４と通信を行う。
［加工条件評価の判定モデルの作成］
　図５は、被加工材の成分情報の取得態様を示す説明図である。図６は、被加工材の材質及び板厚に応じた加工の標準加工条件を例示する図である。図７は、加工品質の品質評価基準を表す説明図である。図８は、評価結果の一例を示す説明図である。なお、以降においては、レーザ加工機１０によるレーザ加工として、レーザ切断加工について説明する。
　加工条件評価用の判定モデル４の作成に際しては、まず、図５に示すように、蛍光Ｘ線装置３０によって、例えば被加工材Ｗの表面に設けられた複数の測定領域ＭＡに対し、それぞれＸ線を照射することで、測定領域ＭＡ毎の成分情報（Ｍｇ：○○重量％、Ａｌ：△△重量％、…、Ｂｉ：××重量％）１を測定し取得する。なお、被加工材Ｗは、例えば材料毎に１００～１５０サンプル用意され、そのうちの７割程度の数（７０～１０５サンプル）の試料が学習に用いられるが、これに限定されるものではない。複数の測定領域ＭＡ毎に成分情報１を測定し取得することで、学習フェーズにおける説明変数の教師データ数を増やすことができる。
　これにより、加工性の判定の際に、一つの被加工材ＮＷにおける位置毎の材料の成分のバラつきをも考慮した、成分情報５及び加工条件情報６の加工条件に基づく加工性の判定を行うことが可能となる。蛍光Ｘ線装置３０で取得された成分情報１は、判定モデル学習部８１に入力される。
　また、判定モデル学習部８１には、ＮＣ装置６０の加工条件保存部６２によって、記憶装置等から読み出された、被加工材Ｗの材質及び板厚に応じてレーザ加工機１０において実施される加工の加工条件を含む加工条件情報２が入力される。加工条件情報２に含まれる加工条件のうち、被加工材Ｗの材質及び板厚に応じた標準加工条件は、例えば図６に示す。
　すなわち、例えば被加工材Ｗの材質が軟鋼である場合、図６（ａ）に示すように、板厚１９ｍｍの標準加工条件１０１は、加工速度（ｍ／ｍｉｎ）、レーザ出力（ピーク出力）（Ｗ）、パルス周波数（Ｈｚ）、パルスデューティ（パルス幅）（％）、ガス圧（ＭＰａ）、及びノズルギャップ（ｍｍ）の各項目が、それぞれ１０００、７０００、１０００、７５、０．０６、及び１に設定されている。また、図６（ｂ）に示すように、板厚２２ｍｍの標準加工条件１０２は、上記と同じく各項目が、それぞれ９００、８０００、１０００、７５、０．０６、及び１に設定されている。更に、図６（ｃ）に示すように、板厚２５ｍｍの標準加工条件１０３は、上記と同じく各項目が、それぞれ８５０、９０００、１０００、７５、０．０７、及び０．７に設定されている。これらの材質が同じで板厚が異なる各標準加工条件における切断焦点（集束位置）の標準値（ｍｍ）は、例えば３．５に設定されている。
　このように構成された各標準加工条件に基づき、それぞれ成分情報１が取得された複数の被加工材Ｗを、レーザ加工機１０によって、例えば切断焦点（集束位置）を都度変化させて複数回の切断を実施する。または、加工速度及び切断焦点といった複数の条件を変更するようにしてもよい。そして、被加工材Ｗの切断面（加工箇所）の切断品質をその状態に基づき、図７に示すような品質評価基準１０４によって評価する。
　すなわち、品質評価が「◎」である場合は、高品位な切断であることを表し、「○」である場合は、良好な切断であることを表している。また、品質評価が「○´」である場合は、やや品質で劣る切断であることを表し、「○△」である場合は、品質ＮＧの切断であることを表している。更に、品質評価が「△」である場合は、分断が可能な切断であることを表し、「×」である場合は、切断不可であることを表している。なお、品質評価の分類は、この６つの評価範囲に限定されるものではなく、より詳細な評価が可能に分類されていてもよい。
　そして、品質評価が「◎」を２つ以上もしくは「○」以上が３つある場合は、「良好切断材：○」と判断し、１００点の点数評価をする。また、品質評価が「○´」以上が２つ以上である場合は、「切断可能材：△」と判断し、５０点の点数評価をする。更に、品質評価が「○´」以上が２つ未満である場合は、「難加工材：×」と判断し、０点の点数評価をする。
　図８は、このような品質評価基準１０４に基づき、選択された加工条件で切断焦点（集束位置）のみを変化させた切断の切断品質を評価した評価結果１０５の一例を示す図である。図８では、例えばメーカＡの被加工材（Ａ材）の場合、切断焦点が０．５ｍｍ～６．５ｍｍの範囲で５つの「◎」と、１つの「〇」の評価を含むので、「良好切断材：〇」と評価され、点数評価は１００点となっている。また、メーカＢの被加工材（Ｂ材）の場合、切断焦点が０．５ｍｍ～６．５ｍｍの範囲で６つの「〇´」の評価を含むので、「切断可能材：△」と評価され、点数評価は５０点となっている。更に、メーカＣの被加工材（Ｃ材）の場合、切断焦点が０．５ｍｍ～６．５ｍｍの範囲で「〇´」以上の評価が１つのみであるため、「難加工材：×」と評価され、点数評価は０点となっている。
　そして、このような点数評価を、複数のサンプル及び複数箇所について実施する。こうして、１００点、５０点及び０点の複数種の異なる数値に評点化された切断品質の品質評価（点数評価）を含む加工品質評価結果３は、目的変数の教師データとして、説明変数の教師データである成分情報１及び加工条件情報２とともに、判定モデル学習部８１に入力される。判定モデル学習部８１では、加工品質評価結果３が得られたときの成分情報１及び加工条件情報２と、加工品質評価結果３との関係を、機械学習により学習し、加工条件評価用の判定モデル４を作成する。そして、判定モデル保存部５１は、被加工材Ｗの材質及び板厚に応じてそれぞれ作成された加工条件評価用の判定モデル４を記憶装置等に保存する。学習装置８０では、学習フェーズにおいてこのようにして加工条件評価用の判定モデル４が作成される。
　なお、切断焦点又は切断品質及び加工速度を変化させて得られた加工品質評価は、切断焦点又は切断焦点及び加工速度の変化に対する加工品質の「余裕度」を意味する。この「余裕度」は、加工装置がレーザ加工機１０である場合、被加工材Ｗの材料表面におけるカッティングフロント先頭部に当たるレーザビームのエネルギー密度と、ビームウエスト位置が板厚方向のどの位置に当たるのかによるカッティングフロント内の入熱程度と、カッティングフロント下端のメルト金属の粘度と、に影響を与える。そして、「標準加工条件」は、例えば「余裕度」が最も大きい加工条件（切断焦点又は切断焦点及び加工速度を除く）とするように選択されても良い。このような「標準加工条件」は、機械学習により逐次更新されるようにしても良い。
　このように作成された判定モデル４によれば、加工条件における上記の余裕度の大きいものがより良好であると評価することが可能となる。
［判定モデルによる加工性評価］
　図９は、加工性判定の一例を示すフローチャートである。
　図９に示すように、次に加工予定の被加工材ＮＷの加工前に、まず、ＮＣ装置６０において、シャトルテーブル４０上の被加工材ＮＷの材質及び板厚データを取得して（ステップＳ１００）、加工性判定ユニット５０の判定モデル保存部５１に送信する。
　次に、送信された材質及び板厚データに基づいて、判定モデル保存部５１においてこれらの材質及び板厚に対応する被加工材ＮＷの加工条件の判定モデル４が選定され（ステップＳ１０１）、加工条件とともに加工性演算部５２に送信される。更に、蛍光Ｘ線装置３０による測定によって、被加工材ＮＷの成分情報５が取得され（ステップＳ１０２）、加工性演算部５２に送信される。
　加工性演算部５２は、上記の材質及び板厚データが含まれる加工条件の加工条件情報６と、取得された成分情報５とを、選定された判定モデル４に入力し、被加工材ＮＷの加工性評価を行う。加工性評価は、被加工材ＮＷの材料の成分に基づく加工性を、例えば０～１００の数値でスコア付けして行われる（ステップＳ１０３）。
　そして、加工性判定部５３は、加工性演算部５２でスコア付けされた被加工材ＮＷの加工性（○、△及び×）の判定を行い（ステップＳ１０４）、判定結果をＮＣ装置６０の制御部６１に送信する。この加工性判定部５３による判定結果に含まれる加工性評価は、上記のようなスコアにより加工条件による被加工材ＮＷへの適応の余裕度を表現し得る。例えば、判定結果における加工性評価のスコアが７０点より大きい場合（ステップＳ１０４の「７０＜スコア」）は、取得された成分情報５で構成される被加工材ＮＷが良好切断材（○）であるとの加工性が判定される。
　また、判定結果における加工性評価のスコアが３０点以上７０点以下である場合（ステップＳ１０４の「３０≦スコア≦７０」）は、取得された成分情報５で構成される被加工材ＮＷが切断可能材（△）であるとの加工性が判定される。更に、判定結果における加工性評価のスコアが３０点より小さい場合（ステップＳ１０４の「スコア＜３０」）は、取得された成分情報５で構成される被加工材ＮＷが難加工材（×）であるとの加工性が判定される。
　上記ステップＳ１０４において、良好切断材（○）であるとの加工性判定が行われたら（ステップＳ１０４の「７０＜スコア」）、制御部６１によって、加工条件保存部６２から標準加工条件の呼び出しが行われ（ステップＳ１０５）、シャトルテーブル４０からレーザ加工機１０に被加工材ＮＷが被加工材Ｗとして搬入される。
　その上で、呼び出された標準加工条件に基づく被加工材Ｗの製品加工が実施されて（ステップＳ１１４）、本フローチャートによる一連の処理を終了する。なお、ステップＳ１０５での標準加工条件の呼び出し時に、例えばディスプレイ７０上にその標準加工条件の呼び出しを知らせる情報を表示して、オペレータに報知するようにしてもよい。このようにすれば、オペレータが製品加工に際して設定される加工条件を容易に把握し、その加工条件のままで加工を行うべきか、被加工材に適した加工条件に変更すべきかの判断を容易にすることが可能となる。
　一方、上記ステップＳ１０４において、切断可能材（△）であるとの加工性判定が行われたら（ステップＳ１０４の「３０≦スコア≦７０」）、制御部６１によって、加工条件保存部６２から標準加工条件の呼び出しが行われる（ステップＳ１０６）。このとき、例えばディスプレイ７０上にその標準加工条件の呼び出しを知らせる情報を表示して、上記と同じくオペレータに報知するようにしてもよい。
　その上で、切断可能材（△）の場合は、例えば標準加工条件に含まれるレーザ出力、加工速度及び切断焦点（集束位置）等の各パラメータを調整すれば切断品質の改善が見込まれる。このため、レーザ加工機１０によるテスト加工を促す情報として、ディスプレイ７０上にその旨の警告を表示する（ステップＳ１０７）とともに、加工条件の調整及び変更のいずれか一つの実行を促す情報の一例として、加工条件の条件調整（加工速度、レーザ出力、集束位置等の調整）の指示を出力する（ステップＳ１０８）。このようにすれば、オペレータが製品加工に際して設定される加工条件の調整及びテスト加工の必要性を容易に把握し、その加工条件のままで加工を行うべきか、被加工材に適した加工条件に変更すべきかの判断を容易にすることが可能となる。なお、条件調整は、加工条件の各項目のパラメータを調整することにより行われ得る。
　オペレータは、こうしてディスプレイ７０上に表示された警告及び条件調整の指示に基づき、例えばタッチパネル等の入力機器２１１等を介した操作入力により加工条件を調整し、制御部６１によって、調整された加工条件に基づくテスト加工が実施される（ステップＳ１１１）。
　なお、上記ステップＳ１０４において、難加工材（×）であるとの加工性判定が行われたら（ステップＳ１０４の「スコア＜３０」）、難加工材（×）の場合は、例えば難加工材の加工条件に含まれるレーザ出力、加工速度及び切断焦点（集束位置）等の調整済みの各パラメータ並びに光学特性に基づく切断を行えば切断自体は可能である。このため、制御部６１によって、レーザ加工機１０によるテスト加工を促す情報として、ディスプレイ７０上にその旨の警告を表示する（ステップＳ１０９）。その上で、加工条件保存部６２から難加工材の加工条件の呼び出しが行われる（ステップＳ１１０）。このとき、例えばディスプレイ７０上にその難加工材の加工条件の呼び出しを知らせる情報を表示して、オペレータに報知するようにしてもよい。このようにすれば、オペレータが製品加工に際して、その加工条件のままで加工を行うべきではなく、被加工材（難加工材）に適した加工条件に変更すべきであり、設定される加工条件が難加工材のものであることを容易に把握し判断することが可能となる。
　すなわち、難加工材（×）の場合は、上記条件調整で調整可能な加工条件における項目（加工速度やレーザ出力等）の他に、集束径（例えば、Φ７２０μｍをΦ５６０μｍに変更）等のレーザ加工ヘッド２２の光学特性をビームコントロールユニット２４で調整する必要が生じてしまう。集束径等の光学特性を変更すると加工条件の調整は非常に複雑になるため、より熟練のスキルを要することとなる。また、光学特性の変更はレーザ加工機１０自体に大きな損傷を与える可能性があるため、オペレータによる調整は推奨できない。
　従って、上記ステップＳ１１０では、例えば自動で光学特性と各項目が調整済みの難加工材の加工条件を呼び出している。その後、制御部６１によって、難加工材の加工条件に基づくテスト加工が実施される（ステップＳ１１１）。
　なお、ステップＳ１０９での警告の表示において、注意喚起をした上で、加工条件の調整及び変更のいずれか一つの実行を促す催促情報として、例えば加工条件の調整で対応可能である場合は、集束位置調整及び加工速度調整の少なくとも一つを促す情報を報知する。そして、上記のようなオペレータによる操作入力によって加工条件を調整させてからテスト加工を対応可能に構成するようにしてもよい。
　ステップＳ１１１においてテスト加工を実施したら、切断面の状態等を確認して加工品質がＯＫであるか否かを判断し（ステップＳ１１２）、加工品質がＯＫであると判断された場合（ステップＳ１１２のＹｅｓ）は、上記ステップＳ１１４に移行して被加工材Ｗの製品加工が実施され、本フローチャートによる一連の処理を終了する。なお、ステップＳ１１２における判断は、センサにより取得された切断面の表面状態を画像処理等により自動で判断するようにしてもよいし、オペレータによる切断面の確認によって判断を操作入力等により手動で行ってもよい。
　一方、加工品質がＯＫではないと判断された場合（ステップＳ１１２のＮｏ）は、例えばオペレータの操作入力によって、レーザ加工機１０に設定されている加工条件（標準加工条件、条件調整済みの加工条件、又は難加工材の加工条件）の各パラメータの微調整を行って（ステップＳ１１３）、再度テスト加工を実施し（ステップＳ１１１）、以降の処理を繰り返す。なお、ステップＳ１１３における加工条件の微調整は、オペレータの操作入力の他、例えば次のように行われてもよい。
　すなわち、上述した学習フェーズにおいて、材質及び板厚データ（の取得）と、加工条件（の呼び出し）と、成分情報（の取得）と、加工性判定（加工性評価のスコア）と、を説明変数の教師データとして、加工条件の加工速度、レーザ出力及び集束位置それぞれの項目についての変更量を目的変数の教師データとして、予め機械学習を行って判定モデル４を作成する。
　そして、テスト加工開始時に、材質及び板厚データ（の取得）と、加工条件（の呼び出し）と、成分情報（の取得）と、加工性判定（加工性評価のスコア）と、を説明変数の推定用データとして再度判定モデル４に入力し、目的変数として得られた加工条件の加工速度、レーザ出力及び焦束位置それぞれの項目についての推定量を加工条件の各パラメータに反映させることで、微調整を行ってもよい。
　加工性判定システム９０は、このように動作することによって、加工前に被加工材ＮＷの加工条件に基づく加工性を判定して、その加工条件による被加工材ＮＷへの適応の余裕度を表す加工性評価を含む判定結果の内容に合わせて対応を変更（例えば、標準加工条件で加工を行う、または被加工材ＮＷに適した加工条件に変更等）することができる。これにより、加工品質の改善を図ることを迅速且つ容易に行うことができ、結果的に加工不良を低減することが可能となる。
　図１０は、加工性判定の他の例を示すフローチャートである。なお、本フローチャートは、加工性判定として、難加工材の判定を行うことに主眼を置いた動作について説明している。ここでは、ＮＣ装置６０によって、予め被加工材ＮＷに応じた材質及び板厚データを含む加工条件と、これに対応する判定モデル４とが、加工条件保存部６２及び判定モデル保存部５１から加工性演算部５２に送信済みであるとする。
　図１０に示すように、次に加工予定の被加工材ＮＷ製品の加工前に、蛍光Ｘ線装置３０による測定によって、被加工材ＮＷの成分情報５が取得され（ステップＳ１２０）、加工性演算部５２に送信される。加工性演算部５２は、上記の材質及び板厚データが含まれる加工条件の加工条件情報６と、取得された成分情報５とを、選定された判定モデル４に入力して、被加工材ＮＷの加工性評価を、被加工材ＮＷの材料の成分に基づき、例えば０～１００の数値でスコア付けして行う（ステップＳ１２１）。
　そして、加工性判定部５３は、加工性演算部５２でスコア付けされた被加工材ＮＷの難加工材の判定（加工性：×）を、スコアによって行い（ステップＳ１２２）、判定結果をＮＣ装置６０の制御部６１に送信する。ここでは、例えば判定結果における加工性評価のスコアが３０点より小さいか否かによって、取得された成分情報５で構成される被加工材ＮＷが難加工材（×）であるか否かの判定がされる。
　スコアが３０点より小さく、難加工材であると判定された場合（ステップＳ１２２のＹｅｓ）は、レーザ加工機１０によるテスト加工を促す情報として、例えばスピーカからアラーム音を音声出力することによりその旨の警告を報知する（ステップＳ１２３）。これとともに、制御部６１によって、加工条件保存部６２から難加工材の加工条件の呼び出しが行われる（ステップＳ１２４）。このとき、例えばディスプレイ７０上にその難加工材の加工条件の呼び出しを知らせる情報を表示して、オペレータに報知するようにしてもよい。
　そして、制御部６１によって、難加工材の加工条件に基づくテスト加工が実施され（ステップＳ１２５）、テスト加工が終了するまで待って（ステップＳ１２６のＮｏ）、テスト加工が終了したら（ステップＳ１２６のＹｅｓ）、シャトルテーブル４０からレーザ加工機１０に被加工材ＮＷが被加工材Ｗとして搬入される。その上で、呼び出された難加工材の加工条件に基づく被加工材Ｗの製品加工が実施されて（ステップＳ１２８）、本フローチャートによる一連の処理を終了する。
　一方、上記ステップＳ１２２において、難加工材ではないと判定された場合（ステップＳ１２２のＮｏ）は、制御部６１によって、加工条件保存部６２から標準材（良好切断材、切断可能材）の加工条件の呼び出しが行われ（ステップＳ１２７）、上記と同様に被加工材ＮＷが被加工材Ｗとして搬入された上で、呼び出された標準材の加工条件に基づく被加工材Ｗの製品加工が実施されて（ステップＳ１２８）、本フローチャートによる一連の処理を終了する。上記ステップＳ１２７の加工条件の呼び出し時には、例えばディスプレイ７０上にその標準材の加工条件の呼び出しを知らせる情報を表示して、オペレータに報知するようにしてもよい。
　加工性判定システム９０は、このように動作することもできるので、加工前に被加工材ＮＷの加工条件に基づく難加工材の判定をして、その判定結果の内容に合わせて対応を容易に変更（例えば、難加工材の加工条件に変更する等）することができる。従って、難加工材と判定された場合の加工における加工品質の改善及び加工不良の低減を図ることも可能となる。
［実施例］
　図１１は、加工性判定の検証結果１０７を示す図である。
　本出願人は、加工性判定システム９０における加工性判定の検証を行うために、例えば材質、板厚及び生産ロットの異なる４７種類以上の被加工材ＮＷのそれぞれについて、３０個のサンプルを用意し、それぞれの成分情報５を取得するとともに、加工性判定ユニット５０を用いて、加工性評価を行い、それらの平均値をスコアとして求めた。
　その結果、例えば図１１のＭａｔｅｒｉａｌ－１２と、Ｍａｔｅｒｉａｌ－４４とは、板厚１９ｍｍ、メーカＣ、材質ＳＳ４００が全て同じであるが、成分情報５が異なるため、スコアがそれぞれ９７．６点と２．２点と大きく異なることが検証された。このように、加工性評価の検証により、図１１に示すように、同じ板厚、同じ材質、同じメーカであっても、サンプルが異なると、成分情報５も異なり、スコアが異なることが確認された。
　次に、この検証結果１０７のうち、図１１の検証結果１０７ａで示す、スコアが９９．２点であったＭａｔｅｒｉａｌ－４２と、検証結果１０７ｂで示す、スコアが４３．１点であったＭａｔｅｒｉａｌ－４３と、検証結果１０７ｃで示す、スコアが２．２点であったＭａｔｅｒｉａｌ－４４について、実際に切断加工を行い、その切断面の品質を確認した。
　図１２は、切断面の品質の確認結果１０８を示す図である。
　図１２に示すように、スコアが９９．２点で加工性が良好切断材（○）と判定されたＡ材については、板厚１９ｍｍの標準加工条件下にて、切断焦点が０．５ｍｍ～６．５ｍｍの範囲で５つの「◎」と、１つの「〇」の評価を含む。このため、加工条件の適応の余裕度が大きく、「良好切断材：〇」（点数評価は１００点）であることが確認された。
　また、図１２に示すように、スコアが４３．１点で加工性が切断可能材（△）と判定されたＢ材については、板厚１９ｍｍの標準加工条件下にて、切断焦点が０．５ｍｍ～６．５ｍｍの範囲で６つの「〇´」の評価を含む。このため、加工条件の適応の余裕度はＡ材のものよりも小さく、「切断可能材：△」（点数評価は５０点）であることが確認された。
　また、図１２に示すように、スコアが２．２点で加工性が難加工材（×）と判定されたＣ材については、板厚１９ｍｍの標準加工条件下にて、切断焦点が０．５ｍｍ～６．５ｍｍの範囲で「〇´」以上の評価が１つのみである。このため、加工条件の適応の余裕度はＢ材のものよりも更に小さく、「難加工材：×」（点数評価は０点）であることが確認された。
　このように、加工性判定システム９０による加工性の判定結果７と、実際の切断面の確認結果とが、ほぼ合致していることが確認された。このような結果により、加工性判定システム９０は、加工前に被加工材ＮＷの加工条件（の適応の余裕度）に基づく加工性をほぼ正確に判定することが可能であることが証明された。
　なお、判定結果の内容に合わせて対応を変更する例として、判定結果が良好切断材（○）ではないＢ材（切断可能材：△）及びＣ材（難加工材：×）について、加工条件の適応の余裕度に基づき標準加工条件の任意の項目のパラメータを調整した上で、加工性の判定結果をピックアップし、実加工による切断面の確認結果と照らし合わせたものは、図１３に示すようになった。なお、図１３においては、加工性のスコアの記載については省略している。
　図１３は、判定結果と確認結果を示す図である。
　図１３の確認結果１０９において、Ｂ材は、加工条件の調整により良好切断材（〇）と判定された。このＢ材については、切断焦点が０．５ｍｍ、１．５ｍｍ、及び６．５ｍｍのときの切断品質は変わらなかったが、切断焦点が２．５ｍｍ～５．５ｍｍの範囲においては切断品質が「○´」から「○」に向上し、「○」が３つ以上となった。このため、製品加工には十分な品質である「○（良好な切断）」の切断品質での加工が可能となった。このように、Ｂ材についても加工条件を調整することで、適応の余裕度が大きくなり、製品加工に十分な切断品質を得られることが確認された。
　また、Ｃ材についても、加工条件の調整により良好切断材（〇）と判定された。このＣ材については、切断焦点が０．５ｍｍ、１．５ｍｍ、及び６．５ｍｍのときの切断品質は変わらなかったが、切断焦点が２．５ｍｍ～５．５ｍｍの範囲においては明らかに切断品質が向上した。すなわち、切断焦点が２．５ｍｍ～４．５ｍｍの範囲においては切断品質が「○△」または「○´」から「○」に向上し、切断焦点が５．５ｍｍのときは切断品質が「○△」から「○´」に向上し、「○」が３つ以上となった。このため、製品加工には十分な品質である「○（良好な切断）」の切断品質での加工が可能となった。このように、Ｃ材についても、加工条件を調整することで、適応の余裕度が大きくなり、製品加工に十分な切断品質を得られることが確認された。
　従って、加工性判定システム９０による加工性の判定結果に応じて加工条件を調整することで、その判定結果７による加工品質と、実際の切断面の確認結果とがほぼ合致して互いに向上していることが証明され、加工品質の改善が見込まれることが検証された。これにより、加工不良の発生の防止に十分寄与し得ることが判明した。
　なお、上記の例では、加工システム１００及び加工性判定システム９０は、加工前に被加工材の加工条件に基づく加工性を判定するので、判定結果に基づいて、その加工条件のままで加工を行うべきか、被加工材に適した加工条件に変更すべきかの判断が容易となる。一方、例えば標準加工条件が、被加工材に最も適した加工条件であるとは必ずしも言えない。従って、加工条件は適宜調整可能であることが望ましい。加工システム１００及び加工性判定システム９０では、標準加工条件において、例えば、上記のように切断焦点（集束位置）を標準値からインフォーカス側及び／又はデフォーカス側に離れた値に変更したときの切断品質も把握することが可能に構成されている。加工速度についても同様に変更し、切断品質を把握することは可能である。そこで、切断焦点及び加工速度に対する切断品質を判定結果と共にディスプレイ７０に表示して、オペレータが、これらに基づき容易に集束位置を調整したり、加工速度を調整したりすることも可能となる。
　また、加工システム１００及び加工性判定システム９０は、加工装置でこれから行われる加工の加工条件に基づく加工性の判定を、被加工材ＮＷの成分情報１と、材質及び板厚に応じて得られた加工品質評価結果３と、を教師データとして機械学習により作成された判定モデル４を用い、加工前に取得された成分情報５を推定用データとして判定モデル４に入力することで、行うように構成してもよい。
　以上、本発明の実施の形態を説明したが、この実施の形態は、例として提示したものであり、発明の範囲を限定することは意図していない。この新規な実施の形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施の形態やその変形は、発明の範囲や要旨に含まれると共に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
 

Claims (13)

  1. 　被加工材を加工する加工装置と、
    　前記被加工材の材料の化学成分を表す成分情報を取得する取得装置と、
    　前記取得装置によって取得された前記被加工材の成分情報と、前記被加工材の材質及び板厚に応じて予め設定された前記加工装置の加工条件を含む加工条件情報と、前記被加工材を前記加工条件に基づき実際に加工して得られた加工品質評価結果と、を教師データとして入力し、これら教師データに基づき機械学習を行って作成された判定モデルに基づいて、前記被加工材の加工性を判定する判定装置と、
    　を備える加工システムであって、
    　前記判定装置は、新たに加工される被加工材の加工前に前記取得装置で取得された成分情報と、前記被加工材の材質及び板厚に応じて前記加工装置に設定される加工条件を含む加工条件情報と、を推定用データとして、前記判定モデルに入力し、前記加工装置でこれから行われる加工の前記加工条件に基づく加工性の判定結果を出力する
    　加工システム。
  2. 　前記判定装置は、前記判定結果を視認及び聴認の少なくとも一つを可能に報知する報知部を含み、
    　前記判定結果は、前記加工条件による前記被加工材への適応の余裕度を表す加工性評価を含む
    　請求項１記載の加工システム。
  3. 　前記加工性評価は、予め設定された評価範囲に応じて分類されている
    　請求項２記載の加工システム。
  4. 　前記報知部は、前記加工性評価に基づいて、前記加工装置に設定される加工条件の呼び出しを知らせる情報、前記加工装置によるテスト加工を促す情報、並びに前記加工条件の調整及び変更のいずれか一つの実行を促す催促情報の少なくとも一つを報知し、
    　前記催促情報は、前記加工条件の調整として、集束位置調整及び加工速度調整の少なくとも一つを促す
    　請求項２又は３記載の加工システム。
  5. 　前記判定モデルは、前記被加工材の材質及び板厚の少なくとも一つ毎に作成されている
    　請求項１～４のいずれか１項記載の加工システム。
  6. 　前記加工品質評価結果は、前記加工条件情報に含まれる加工条件を都度変更して行った複数回の加工で判断された前記被加工材の加工箇所の状態を表す品質評価基準に基づいて、前記被加工材の加工品質を複数種の異なる数値に評点化した点数評価を含む
    　請求項１～５のいずれか１項記載の加工システム。
  7. 　前記成分情報は、前記被加工材の表面の材料に含有される元素の重量％を示す情報である
    　請求項１～６のいずれか１項記載の加工システム。
  8. 　前記加工装置に隣設されて前記被加工材が載置されるシャトルテーブルを更に備え、
    　前記取得装置は、前記シャトルテーブル上に載置された前記被加工材の前記成分情報を取得する
    　請求項１～７のいずれか１項記載の加工システム。
  9. 　前記取得装置は蛍光Ｘ線装置又はＬＩＢＳ分光分析装置であり、
    　前記加工装置はレーザ加工装置であり、
    　前記加工条件情報は、被加工材の材質、前記被加工材の板厚、前記被加工材の加工速度、レーザ出力、パルス周波数、パルスデューティ、アシストガス圧、ノズルギャップ、及び集束位置の少なくとも一つの加工条件を含む
    　請求項１～８のいずれか１項記載の加工システム。
  10. 　前記集束位置は、前記被加工材の材質及び板厚に応じた標準値、並びにこの標準値からインフォーカス側及び／又はデフォーカス側に離れた値を含む
    　請求項９記載の加工システム。
  11. 　被加工材の材料の化学成分を表す成分情報を取得する取得装置によって取得された前記被加工材の成分情報と、前記被加工材の材質及び板厚に応じて予め設定された加工装置の加工条件を含む加工条件情報と、前記被加工材を前記加工条件に基づき実際に加工して得られた加工品質評価結果と、を教師データとして入力し、これら教師データに基づき機械学習を行って判定モデルを作成する学習装置と、
    　新たに加工される被加工材の加工前に前記取得装置で取得された成分情報と、前記被加工材の材質及び板厚に応じて前記加工装置に設定される加工条件を含む加工条件情報と、を推定用データとして、前記学習装置で作成された判定モデルに入力し、前記加工装置でこれから行われる加工の前記加工条件に基づく加工性の判定結果を出力する判定装置と、を備える
    　加工性判定システム。
  12. 　被加工材を加工する加工装置と、
    　前記被加工材の材料の化学成分を表す成分情報を取得する取得装置と、
    　前記取得装置によって取得された前記被加工材の成分情報と、前記被加工材の材質及び板厚に応じて予め設定された前記加工装置の加工条件に基づき前記被加工材を実際に加工して得られた加工品質評価結果と、を教師データとして入力し、これら教師データに基づき機械学習を行って作成された判定モデルに基づいて、前記被加工材の加工性を判定する判定装置と、
    　を備える加工システムであって、
    　前記判定装置は、新たに加工される被加工材の加工前に前記取得装置で取得された成分情報を推定用データとして、前記判定モデルに入力し、前記加工装置でこれから行われる加工の前記加工条件に基づく加工性の判定結果を出力する
    　加工システム。
  13. 　被加工材の材料の化学成分を表す成分情報を取得する取得装置によって取得された前記被加工材の成分情報と、前記被加工材の材質及び板厚に応じて予め設定された加工装置の加工条件に基づき前記被加工材を実際に加工して得られた加工品質評価結果と、を教師データとして入力し、これら教師データに基づき機械学習を行って判定モデルを作成する学習装置と、
    　新たに加工される被加工材の加工前に前記取得装置で取得された成分情報を推定用データとして、前記学習装置で作成された判定モデルに入力し、前記加工装置でこれから行われる加工の前記加工条件に基づく加工性の判定結果を出力する判定装置と、を備える
    　加工性判定システム。
PCT/JP2023/004541 2022-03-30 2023-02-10 加工システム及び加工性判定システム WO2023188865A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022056411A JP7353413B1 (ja) 2022-03-30 2022-03-30 加工システム及び加工性判定システム
JP2022-056411 2022-03-30

Publications (1)

Publication Number Publication Date
WO2023188865A1 true WO2023188865A1 (ja) 2023-10-05

Family

ID=88143963

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/004541 WO2023188865A1 (ja) 2022-03-30 2023-02-10 加工システム及び加工性判定システム

Country Status (2)

Country Link
JP (1) JP7353413B1 (ja)
WO (1) WO2023188865A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03281076A (ja) * 1990-03-28 1991-12-11 Amada Co Ltd レーザ加工装置
WO2008099457A1 (ja) * 2007-02-09 2008-08-21 Toshiba Mitsubishi-Electric Industrial Systems Corporation プロセスラインの制御装置及びその制御方法
JP2017209692A (ja) * 2016-05-24 2017-11-30 株式会社アマダホールディングス 工作機械
JP2021186883A (ja) * 2020-06-01 2021-12-13 住友重機械ハイマテックス株式会社 加工条件推奨装置、加工条件推奨方法、プログラム、金属構造体製造システム及び金属構造体の製造方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03281076A (ja) * 1990-03-28 1991-12-11 Amada Co Ltd レーザ加工装置
WO2008099457A1 (ja) * 2007-02-09 2008-08-21 Toshiba Mitsubishi-Electric Industrial Systems Corporation プロセスラインの制御装置及びその制御方法
JP2017209692A (ja) * 2016-05-24 2017-11-30 株式会社アマダホールディングス 工作機械
JP2021186883A (ja) * 2020-06-01 2021-12-13 住友重機械ハイマテックス株式会社 加工条件推奨装置、加工条件推奨方法、プログラム、金属構造体製造システム及び金属構造体の製造方法

Also Published As

Publication number Publication date
JP2023148415A (ja) 2023-10-13
JP7353413B1 (ja) 2023-09-29

Similar Documents

Publication Publication Date Title
Motta et al. High-speed imaging and process characterization of coaxial laser metal wire deposition
Biswas et al. A parametric study of pulsed Nd: YAG laser micro-drilling of gamma-titanium aluminide
US11612963B2 (en) Laser cutting device including machining condition tables and laser cutting method thereof
US10300555B2 (en) Laser cutting machine and method for cutting workpieces of different thicknesses
Dubey et al. Optimization of kerf quality during pulsed laser cutting of aluminium alloy sheet
JP6795472B2 (ja) 機械学習装置、機械学習システム及び機械学習方法
US20100072182A1 (en) Fiber Laser Cutting Process with Multiple Foci
JP6170643B1 (ja) レーザ加工機及びレーザ加工方法
EP3437783A1 (en) Laser processing machine
Adalarasan et al. Selection of optimal machining parameters in pulsed CO 2 laser cutting of Al6061/Al 2 O 3 composite using Taguchi-based response surface methodology (T-RSM)
Vartanian et al. Accelerating industrial adoption of metal additive manufacturing technology
DE102016208264A1 (de) Verfahren und Vorrichtung zur Überwachung, insbesondere zur Regelung, eines Schneidprozesses
US11517978B2 (en) Laser cutting machine and method for cutting workpieces of different thicknesses
WO2023188865A1 (ja) 加工システム及び加工性判定システム
Bergs et al. Experimental investigations on the influence of temperature for Laser Metal Deposition with lateral Inconel 718 wire feeding
JP2023133443A (ja) レーザ加工機
Pramanik et al. A parametric study of kerf deviation in fiber laser micro cutting on Ti6Al4V Superalloy
JP2023507178A (ja) レーザー切断機械の切断パラメータを決定するための方法及び装置
Catalano et al. A survey on energy efficiency in metal wire deposition processes
Segerstark Additive Manufacturing using Alloy 718 Powder: Influence of Laser Metal Deposition Process Parameters on Microstructural Characteristics
JP6800271B2 (ja) レーザ加工機及び加工条件設定方法
JP7257372B2 (ja) レーザ加工機
JP2023059618A (ja) 保護ガラス汚れ検知装置及び保護ガラス汚れ検知方法
JP2021186816A (ja) レーザ加工装置
Milos et al. Application of the Taguchi method for optimization of laser cutting: a review

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23778899

Country of ref document: EP

Kind code of ref document: A1