JP6360090B2 - 機械学習装置、レーザ装置および機械学習方法 - Google Patents
機械学習装置、レーザ装置および機械学習方法 Download PDFInfo
- Publication number
- JP6360090B2 JP6360090B2 JP2016047324A JP2016047324A JP6360090B2 JP 6360090 B2 JP6360090 B2 JP 6360090B2 JP 2016047324 A JP2016047324 A JP 2016047324A JP 2016047324 A JP2016047324 A JP 2016047324A JP 6360090 B2 JP6360090 B2 JP 6360090B2
- Authority
- JP
- Japan
- Prior art keywords
- unit
- result
- learning
- prediction result
- remaining life
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
- H01S5/00—Semiconductor lasers
- H01S5/0014—Measuring characteristics or properties thereof
- H01S5/0021—Degradation or life time measurements
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
- H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
- H01S3/05—Construction or shape of optical resonators; Accommodation of active medium therein; Shape of active medium
- H01S3/06—Construction or shape of active medium
- H01S3/0602—Crystal lasers or glass lasers
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
- H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
- H01S3/09—Processes or apparatus for excitation, e.g. pumping
- H01S3/091—Processes or apparatus for excitation, e.g. pumping using optical pumping
- H01S3/094—Processes or apparatus for excitation, e.g. pumping using optical pumping by coherent light
- H01S3/0941—Processes or apparatus for excitation, e.g. pumping using optical pumping by coherent light of a laser diode
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
- H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
- H01S3/10—Controlling the intensity, frequency, phase, polarisation or direction of the emitted radiation, e.g. switching, gating, modulating or demodulating
- H01S3/102—Controlling the intensity, frequency, phase, polarisation or direction of the emitted radiation, e.g. switching, gating, modulating or demodulating by controlling the active medium, e.g. by controlling the processes or apparatus for excitation
- H01S3/1022—Controlling the intensity, frequency, phase, polarisation or direction of the emitted radiation, e.g. switching, gating, modulating or demodulating by controlling the active medium, e.g. by controlling the processes or apparatus for excitation by controlling the optical pumping
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
- H01S5/00—Semiconductor lasers
- H01S5/02—Structural details or components not essential to laser action
- H01S5/024—Arrangements for thermal management
- H01S5/02407—Active cooling, e.g. the laser temperature is controlled by a thermo-electric cooler or water cooling
- H01S5/02423—Liquid cooling, e.g. a liquid cools a mount of the laser
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
- H01S5/00—Semiconductor lasers
- H01S5/04—Processes or apparatus for excitation, e.g. pumping, e.g. by electron beams
- H01S5/042—Electrical excitation ; Circuits therefor
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
- H01S5/00—Semiconductor lasers
- H01S5/06—Arrangements for controlling the laser output parameters, e.g. by operating on the active medium
- H01S5/068—Stabilisation of laser output parameters
- H01S5/06808—Stabilisation of laser output parameters by monitoring the electrical laser parameters, e.g. voltage or current
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
- H01S5/00—Semiconductor lasers
- H01S5/06—Arrangements for controlling the laser output parameters, e.g. by operating on the active medium
- H01S5/068—Stabilisation of laser output parameters
- H01S5/0683—Stabilisation of laser output parameters by monitoring the optical output parameters
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
- H01S5/00—Semiconductor lasers
- H01S5/40—Arrangement of two or more semiconductor lasers, not provided for in groups H01S5/02 - H01S5/30
- H01S5/4025—Array arrangements, e.g. constituted by discrete laser diodes or laser bar
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Software Systems (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Plasma & Fusion (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Semiconductor Lasers (AREA)
Description
2番目の発明によれば、1番目の発明において、前記機械学習装置から出力され、前記駆動条件・状態量記録部に記録される前記LDユニット駆動条件データには、前記各LDユニットの特性の予測結果として前記各LDユニットの光出力特性の予測結果と測定結果との差異も含まれており、前記LDユニット駆動条件データの結果として前記動作結果取得部が取得するデータに前記各LDユニットの光出力特性の予測結果が含まれており、前記学習部が、前記各LDユニットの特性の予測結果として少なくとも残存寿命の予測結果および光出力特性の予測結果を含む前記LDユニット駆動条件データを、前記レーザ装置の前記状態量および前記LDユニット駆動条件データの結果に関連付けて学習する。
3番目の発明によれば、1番目または2番目の発明において、前記学習部は、或る時点における前記各LDユニットの光出力特性と、前記光出力特性記録部に記録されている前記或る時点までの前記各LDユニットの光出力特性の履歴と、前記駆動条件・状態量記録部に記録されている前記或る時点までの前記LDユニット駆動条件データの履歴および前記レーザ装置の前記状態量の履歴とに基づいて、各LDユニットの特性の予測結果として少なくとも残存寿命の予測結果を含むLDユニット駆動条件データの学習結果を参照して、前記或る時点での前記各LDユニットの残存寿命を推定する機能を有する。
4番目の発明によれば、1番目から3番目のいずれかの発明において、前記各LDユニットおよび前記各LDユニットと熱的に接続している部材のうちの少なくとも一方の温度を検出する少なくとも一つ以上の温度検出部からの出力データと、前記各LDユニットを冷却するための冷媒の温度を検出する冷媒温度検出部からの出力データと、前記各LDユニットの環境温度を検出する環境温度検出部からの出力データと、前記冷媒の流量を検出する流量検出部からの出力データと、前記各LDユニットの環境湿度を検出する湿度検出器からの出力データとのうちの少なくとも一つの出力データが、前記状態量観測部に入力される前記レーザ装置の前記状態量に含まれる。
5番目の発明によれば、1番目から4番目のいずれかの発明において、前記学習部は、前記各LDユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記LDユニット駆動条件データの価値を定める価値関数を有しており、前記機械学習装置は、さらに、報酬計算部を備え、該報酬計算部は、第一時点から該第一時点より後の第二時点までの間に各LDユニットに指令された前記LDユニット駆動条件データの結果として予測あるいは推定された前記各LDユニットの残存寿命における前記第一時点での推定結果を起点として予測され、前記駆動条件・状態量記録部に記録されている前記第二時点に対する予測結果と前記第二時点の推定結果との差異が所定の値あるいは所定に比率より小さい場合には、差異あるいは比率に応じてプラスの報酬を与え、前記残存寿命の予測結果と推定結果との差異が所定の値あるいは所定の比率より大きい場合には、差異あるいは比率の大きさに応じてマイナスの報酬を与え、前記LDユニット駆動条件データに前記各LDユニットの特性の予測結果として光出力特性の予測結果を含む場合には、前記第一時点から前記第二時点迄の間に各LDユニットに指令された前記LDユニット駆動条件データの結果として取得した前記各LDユニットの光出力特性における前記第一時点での測定結果を起点として予測され、前記駆動条件・状態量記録部に記録されている前記第二時点に対する予測結果と前記第二時点での測定結果との差異が所定の値あるいは所定の比率より小さい場合には、差異あるいは比率に応じてプラスの報酬を与え、前記光出力特性の予測結果と測定結果との差異が所定の値あるいは所定に比率より大きい場合は差異あるいは比率に応じてマイナスの報酬を与えており、前記機械学習装置は、さらに、前記報酬に応じて前記価値関数を更新する価値関数更新部を備える。
6番目の発明によれば、1番目から4番目のいずれかの発明において、前記学習部は、前記各LDユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記LDユニット駆動条件データを学習する学習モデルを有し、前記機械学習装置は、さらに、誤差計算部を備え、該誤差計算部は、第一時点から該第一時点より後の第二時点迄の間に各LDユニットに指令された前記LDユニット駆動条件データの結果として予測あるいは推定された前記各LDユニットの残存寿命における前記第一時点での推定結果を起点として予測され、前記駆動条件・状態量記録部に記録されている前記第二時点に対する予測結果と前記第二時点での推定結果との誤差を計算し、更に、前記LDユニット駆動条件データに前記各LDユニットの特性の予測結果として光出力特性の予測結果を含む場合には、前記第一時点から前記第二時点迄の間に各LDユニットに指令された前記LDユニット駆動条件データの結果として取得した前記各LDユニットの光出力特性における前記第一時点での測定結果を起点として予測され、前記駆動条件・状態量記録部に記録されている前記第二時点に対する予測結果と前記第二時点での測定結果との誤差を計算しており、前記機械学習装置は、さらに、前記誤差計算部と前記誤差に応じて前記学習モデルを更新する学習モデル更新部を備える。
7番目の発明によれば、1番目から6番目のいずれかの機械学習装置を備えたレーザ装置であって、前記各LDユニットに駆動電流を供給する前記電源部、前記レーザ光学系、前記出力光検出部、前記光出力特性記録部、前記駆動条件・状態量記録部をそれぞれ制御する制御部を備えるレーザ装置が提供される。
8番目の発明によれば、7番目の発明において、前記制御部からの指令により、所定のスケジュールに沿って、前記各LDユニットの駆動電流に対する印加電圧と光出力の関係を個別に測定して、前記光出力特性記録部に測定時点の前記各LDユニットの光出力特性を追記していく。
9番目の発明によれば、7番目または8番目の発明において、複数の前記光出力検出部を備え、同時に、複数の前記LDユニットの前記光出力特性を測定する。
10番目の発明によれば、7番目から9番目のいずれかの発明において、前記学習部が、前記各LDユニットの特性の予測結果として少なくとも残存寿命の前記予測結果を含む前記LDユニット駆動条件データの結果として、学習結果を参照して推定した各LDユニットの推定残存寿命を前記駆動条件・状態量記録部に追記していき、第三時点の前記推定残存寿命から、前記第三時点より後の第四時点の前記推定残存寿命を差し引いた時間を、前記第三時点から前記第四時点迄の各LDユニットの実際の駆動時間を標準駆動条件における駆動時間に換算した各LDユニットの実効的駆動時間として、前記時点第四時点おける各LDユニットの前記推定残存寿命を前記第四時点における前記各LDユニットの残存寿命として出力または表示する。
11番目の発明によれば、7番目から10番目のいずれかの発明において、前記レーザ装置に対する光出力指令に対して、前記学習部による学習結果を参照して、前記各LDユニットの残存寿命と光出力特性の前記予測結果を含む前記LDユニット駆動条件データを出力する前記意思決定部が、LDユニットの駆動による前記各LDユニットの前記残存寿命の減少量の合計が最小値になると予測されたLDユニット駆動条件データを出力する寿命最優先モード、前記各LDユニットの前記残存寿命の減少量の合計が前記最小値に対して所定の倍率以下であると予測された条件範囲内で前記レーザ装置全体の光電変換効率が略最大効率になるLDユニット駆動条件データを出力する効率優先モード、前記レーザ装置全体の光電変換効率が最大効率から所定の低下率以下であるという条件範囲内で前記各LDユニットの前記残存寿命の減少量の合計が最小値になると予測されたLDユニット駆動条件データを出力する寿命優先モード、前記各LDユニットの前記残存寿命の減少量が前記各LDユニットの前記残存寿命に比例すると予測されたLDユニット駆動条件データを出力する同時交換モードの4つの駆動条件モード内の少なくとも1つの駆動条件モードを選択する条件、あるいは、前記駆動条件モード間で駆動条件モードを切り替える条件に設定する。
12番目の発明によれば、7番目から11番目のいずれかの発明において、前記レーザ装置に対する光出力指令に対して、前記意思決定部が出力して、前記駆動条件・状態量記録部に記録された前記LDユニット駆動条件データを、前記制御部が、読み出して、前記電源部、前記レーザ光学系、前記出力光検出部、前記光出力特性記録部に、前記電源部に指令する出力指令データを含む前記LDユニット駆動条件データを出力する。
13番目の発明によれば、7番目から12番目のいずれかの発明において、前記レーザ装置が複数存在しており、前記レーザ装置のそれぞれに設けられた複数の前記機械学習装置が、通信媒体を介して相互にデータを共有または交換するようになっている。
14番目の発明によれば、13番目の発明において、前記機械学習装置を、通信媒体を介して複数の前記レーザ装置で共有する。
15番目の発明によれば、電源部に指令する出力指令データおよび各LDユニットの特性の予測結果として少なくとも残存寿命の予測結果を含むLDユニット駆動条件データを学習する機械学習方法であって、前記電源部から出力される駆動電流と光出力より求まる前記各LDユニットの光出力特性の測定結果の履歴を記録する光出力特性記録部と、前記機械学習装置から出力された前記各LDユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記LDユニット駆動条件データの履歴と前記レーザ装置の状態量の履歴を記録する駆動条件・状態量記録部とからの出力データを含む前記レーザ装置の状態量を観測し、前記駆動条件・状態量記録部に記録されている少なくとも前記各LDユニットの残存寿命の予測結果を含む前記各LDユニットの特性の予測結果と、前記各LDユニットの光出力特性の測定結果および/または前記測定結果からの推定結果との差異をLDユニット駆動条件データの結果として受取り、前記電源部に指令する出力指令データおよび前記各LDユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記LDユニット駆動条件データを、前記レーザ装置の前記状態量および前記LDユニット駆動条件データの結果に関連付けて学習することを特徴とする機械学習方法が提供される。
16番目の発明によれば、15番目の発明において、前記機械学習装置から出力され、前記駆動条件・状態量記録部に記録される前記LDユニット駆動条件データには、前記各LDユニットの特性の予測結果として前記各LDユニットの光出力特性の予測結果も含まれており、前記LDユニット駆動条件データの結果として動作結果取得部が取得するデータに前記各LDユニットの光出力特性の予測結果と測定結果との差異が含まれており、学習部が、前記各LDユニットの特性の予測結果として少なくとも残存寿命の予測結果および光出力特性の予測結果を含む前記LDユニット駆動条件データを、前記レーザ装置の前記状態量および前記LDユニット駆動条件データの結果に関連付けて学習する。
2番目の発明においては、少なくとも学習初期は、残存寿命については、寿命末期を除くと、残存寿命の予測結果が正しいか否かの検証が困難である。一方、光出力特性は、常に正確に測定できて予測の精度が検証できると共に、所定の光出力が所定の駆動電流では得られなくなった時点を寿命が尽き、残存寿命=0時間とされるように、残存寿命と関連が深い。従って、LDUの特性の予測結果に光出力特性の予測結果も含めることによって、LDUの光出力特性の予測精度を向上させ、LDUの残存寿命の予測精度向上に繋げることができる。
3番目の発明においては、或る時点、例えば時点tmにおいて、それまでの光出力特性やLDU駆動条件データやレーザ装置の前記状態量の履歴に加えて、上記或る時点での最新の前記各LDUの光出力特性のデータも考慮して、各LDUの残存寿命を推定することにより、それ以前の時点で予測した残存寿命より精度の高い残存寿命が得られる。
4番目の発明においては、LDUあるいはLDUに熱的に接続している部材の温度を測定して、各LDUの温度条件をレーザ装置の状態量として取り入れている。これにより、例えば、冷媒の流入側から流出側にかけて、LDUの発熱により、冷媒温度が上昇して、温度勾配が発生するが、高温でLDUを駆動するとLDUの生涯寿命が短くなる等の温度条件も織り込んで適確なLDU駆動条件データの学習が可能になり、精度の良いLDUの残留寿命の予測精度が向上する。また、LDMの寿命に影響する可能性のあるLDU周辺の温度や湿度も考慮して学習することが可能になる。
5番目の発明においては、学習部は、残存寿命の予測結果と推定結果との差異が小さいとプラスの報酬を与え、残存寿命の予測結果と推定結果との差異が大きいとマイナスの報酬を与えることによって残存寿命を精度良く予測できるように学習する。更に、光出力特性の予測結果と測定結果との差異が小さいとプラスの報酬を与え、光出力特性の予測結果と測定結果との差異が大きいとマイナスの報酬を与えることによって残存寿命と関連の深い光出力特性を精度良く予測できるようになり、残存寿命を予測精度向上に繋げることができる。環境に影響を及ぼし、環境から報酬という形でフィードバックを得ることで学習することによって、学習のための適切な入力データと出力データがペアで与えられなくても学習を進めることができる。
6番目の発明においては、学習部は、残存寿命の予測結果と推定結果との誤差を計算して、誤差が小さくなるように学習モデルを更新することによって、残存寿命を精度良く予測できるように学習する。更に、光出力特性の予測結果と測定結果との誤差を計算して、誤差が小さくなるように学習モデルを更新することによって、残存寿命と関連の深い光出力特性を精度良く予測できるようになり、残存寿命を予測精度向上に繋げることができる。学習のための適切な入力データと出力データのペアが与えられることによって、比較的容易に学習を進めることができる。
7番目の発明においては、機械学習装置を備えたレーザ装置により、例えば、レーザ装置へのある光出力指令に対して、各LDUの残存寿命の減少量の合計が最も小さくなるように、各LDUに駆動電流を割振る等の設定条件に対して、最適な駆動条件で各LDUを駆動することが可能になる。
8番目の発明においては、所定のスケジュールに沿って、各LDUを個別に駆動して各LDUの光出力特性を測定して光出力特性記録部に追記して行くことによって、光出力特性の測定間隔の間に機械学習装置から出力されたLDU駆動条件データの結果として光出力特性がどのように変わって行ったかという履歴が記録され、状態量観測部が光出力特性の履歴も含めたレーザ装置の状態量を受け取ることによって、光出力特性の履歴がLDU駆動条件データの結果に与える影響を正確に学習することができる。
9番目の発明においては、学習機会を増やすために、各LDUの光出力特性の測定は、レーザ装置への光出力指令の合間などを利用して、比較的頻繁に実施することが望ましい。そのため、光出力特性の測定は短時間に行えることが要求されるが、複数の光出力検出部を備えることによって、複数のLDUの光出力特性の測定を同時に行うことが可能になり、全てのLDUの光出力特性の測定に要する時間が短縮できる。
10番目の発明においては、学習によって、それまでどのような駆動条件でLDUを駆動してきても、その時点までのLDUの駆動条件やレーザ装置の状態量等のあらゆる履歴も考慮された残存寿命が推定できるようになると、残存時間の変化量が、実際の駆動時間を標準駆動条件における駆動時間に換算した各LDUの実効的駆動時間になるので、寿命が尽きた時点で、標準駆動条件でのLDUの寿命保証や平均的生涯寿命との精度の良い比較等が可能になり、LDUの信頼性の評価や改善に繋がる正確な寿命関連情報も得ることができるようになる。
11番目の発明においては、LDUの駆動による残存寿命の減少量が正確に予想できるようになると、上記のような駆動条件モードによるLDUの駆動が可能になる。寿命最優先モードを選択すると、長寿命なレーザ装置が実現でき、効率優先モードを選択すると寿命を考慮しながらも高効率なレーザ装置が実現でき、寿命優先モードを選択すると、効率を考慮しながらも長寿命なレーザ装置が実現でき、同時交換モードを選択すると、全LDUの寿命がほぼ同時に尽きるのでメンテナンス回数を減らせる。ユーザの要望にあった駆動条件モードを選んで設定できるので、顧客満足度が高くなる。途中で駆動条件モードを切り替え、例えば、寿命後期になって同時交換モードに切替えることによって、長寿命でありながら、LDUの交換時期は同じになる等の設定が可能である。
12番目の発明においては、機械学習装置のプロセッサの性能にもよるが、レーザ装置に対して光出力指令が出てから、学習部が状態量観測部と動作結果取得部からデータを受取り、出力するLDU駆動条件データを決定するまでに時間を要する場合が考えられる。そのような場合、連続した複数の光出力指令に対してリアルタイムでレーザ光を出射していると、LDU駆動条件データの決定が遅れ、レーザ光による加工がスムーズに行われない可能性がある。実際にレーザ光を出射する前に、一連の連続した光出力指令に対して、予め上記の処理を行い、出力するLDU駆動条件データを決定して、駆動条件・状態量記録部に記録し終わってから、制御部が、その記録を読み出して電源部を含むレーザ装置の各部にLDU駆動条件データに出力指令データを出力することによって、一連の光出力指令に対して間断なく指令通りのレーザ光を出射できるようになる。
13番目の発明においては、各レーザ装置が取得した学習結果を含むデータを共有することによって、より短時間により精度の高い学習効果が得られ、より適切なLDU駆動条件データが出力できるようになる。
14番目の発明においては、学習効果を共有できるだけでなく、データを集中管理すると共に、大規模な高性能プロセッサを利用して学習することが可能になり、学習速度、学習の精度が向上し、より適切なLDU駆動条件データが出力できる。また、出力するLDU駆動条件データの決定に要する時間も短縮できる。前記機械学習装置はクラウドサーバ上に存在しても良い。
15番目の発明においては、1番目の発明と概ね同様な効果が得られる。
16番目の発明においては、2番目の発明と概ね同様な効果が得られる。
機械学習装置6は、機械学習装置6に入力されたデータの集合の中にある有用な規則、ルール、知識表現、判断基準などを解析により抽出し、その判断結果を出力するとともに、知識の学習を行う機能を備えている。機械学習の手法は色々知られているが、「強化学習」、「教師あり学習」、「教師なし学習」等に大別できる。更に、これらの手法を実現するうえで、特徴量そのものの抽出を学習する、「深層学習(ディープラーニング:Deep Learning)」と呼ばれる手法がある。図1や図10は、強化学習の機械学習装置6を備えたレーザ装置1の例、図8は教師あり学習の機械学習装置6を備えたレーザ装置1の例を示している。
・レーザ装置1の機械学習部12は、レーザ装置1の状態を含む環境の状態を観測し、行動(LDU駆動条件データの出力)を決定する。
・環境は、何らかの規則に従って変化し、更に、行動が、環境に変化を与えることもある。
・行動する度に、報酬信号が帰ってくる。
・最大化したいのは、将来にわたっての報酬の合計である。
・行動が引き起こす結果を全く知らない、または、不完全にしか知らない状態から学習を開始する。
Q学習は、或る環境状態sの下で、行動aを選択する価値Q(s,a)を学習する方法であって、ある状態sのとき、価値Q(s,a)の最も高い行動aを最適な行動として選択すれば良い。しかし、最初は、状態sと行動aとの組合せについて、価値Q(s,a)の正しい値は分かっていないので、エージェント(行動主体)は、ある状態sの下で様々な行動aを選択し、その時の行動aに対して、報酬が与えられる。それにより、エージェントは、より良い行動の選択、すなわち、正しい価値Q(s,a)を学習していく。
2 レーザダイオードモジュールユニット(LDU、LDユニット)
3 電源部
4 制御部
5 レーザ光学系
6 機械学習装置
7 出力光検出部
8 光出力特性記録部
9 駆動条件・状態量記録部9
10 状態観測部
11 動作結果取得部
12 学習部
13 意志決定部
14 レーザ光
15 報酬計算部
16 価値関数更新部
17 温度検出部
18 冷却板
19 冷媒用配管
20 誤差計算部
21 学習モデル更新部
22 結果(ラベル)付きデータ記録部
Claims (16)
- 少なくとも1つ以上のレーザダイオードモジュールを含む複数のLDユニット(2)と、各LDユニットに個別に駆動電流を供給する電源部(3)と、前記電源部から前記各LDユニットに注入する駆動電流を前記LDユニット毎に独立に制御する制御部(4)とを備え、複数の前記LDユニットからのレーザ光をレーザ光源、あるいはレーザ発振のための励起光源として、レーザ光学系(5)を経由してレーザ光を出射するレーザ装置(1)の、前記電源部に指令する出力指令データを含むLDユニット駆動条件データを学習する機械学習装置(6)であって、
前記電源部と、
レーザ光の光出力を測定するための少なくとも一つ以上の光出力検出部(7)と、
前記電源部から出力される駆動電流と前記光出力より求まる前記各LDユニットの光出力特性の測定結果の履歴を記録する光出力特性記録部(8)と、
前記機械学習装置から出力された前記各LDユニットの特性の予測結果として少なくとも各LDユニットの残存寿命の予測結果を含む前記LDユニット駆動条件データの履歴と前記レーザ装置の状態量の履歴を記録する駆動条件・状態量記録部(9)とからの出力データを含む前記レーザ装置の状態量を観測する状態量観測部(10)と、
前記駆動条件・状態量記録部に記録されている少なくとも前記各LDユニットの残存寿命の予測結果を含む前記各LDユニットの特性の予測結果と、前記各LDユニットの光出力特性の測定結果および/または前記測定結果からの推定結果との差異を、LDユニット駆動条件データの結果として取得する動作結果取得部(11)と、
前記状態量観測部からの出力および前記動作結果取得部からの出力を受取り、前記各LDユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記LDユニット駆動条件データを、前記レーザ装置の前記状態量および前記LDユニット駆動条件データの結果に関連付けて学習する学習部(12)と、
前記学習部の学習結果を参照して、前記各LDユニットの特性の予測結果として少なくとも残存寿命の予測結果を含むLDユニット駆動条件データを決定する意思決定部(13)を備えることを特徴とする機械学習装置。 - 前記機械学習装置から出力され、前記駆動条件・状態量記録部に記録される前記LDユニット駆動条件データには、前記各LDユニットの特性の予測結果として前記各LDユニットの光出力特性の予測結果も含まれており、
前記LDユニット駆動条件データの結果として前記動作結果取得部が取得するデータに前記各LDユニットの光出力特性の予測結果と推定結果との差異が含まれており、
前記学習部が、前記各LDユニットの特性の予測結果として少なくとも残存寿命の予測結果および光出力特性の予測結果を含む前記LDユニット駆動条件データを、前記レーザ装置の前記状態量および前記LDユニット駆動条件データの結果に関連付けて学習することを特徴とする請求項1に記載の機械学習装置。 - 前記学習部は、或る時点における前記各LDユニットの光出力特性と、前記光出力特性記録部に記録されている前記或る時点までの前記各LDユニットの光出力特性の履歴と、前記駆動条件・状態量記録部に記録されている前記或る時点までの前記LDユニット駆動条件データの履歴および前記レーザ装置の前記状態量の履歴とに基づいて、各LDユニットの特性の予測結果として少なくとも残存寿命の予測結果を含むLDユニット駆動条件データの学習結果を参照して、前記或る時点での前記各LDユニットの残存寿命を推定する機能を有することを特徴とする請求項1または2に記載の機械学習装置。
- 前記各LDユニットおよび前記各LDユニットと熱的に接続している部材のうちの少なくとも一方の温度を検出する少なくとも一つ以上の温度検出部からの出力データと、前記各LDユニットを冷却するための冷媒の温度を検出する冷媒温度検出部からの出力データと、前記各LDユニットの環境温度を検出する環境温度検出部からの出力データと、前記冷媒の流量を検出する流量検出部からの出力データと、前記各LDユニットの環境湿度を検出する湿度検出器からの出力データとのうちの少なくとも一つの出力データが、前記状態量観測部に入力される前記レーザ装置の前記状態量に含まれることを特徴とする請求項1から3のいずれか一項に記載の機械学習装置。
- 前記学習部は、前記各LDユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記LDユニット駆動条件データの価値を定める価値関数を有しており、
前記機械学習装置は、さらに、報酬計算部(15)を備え、
該報酬計算部は、第一時点から該第一時点より後の第二時点までの間に各LDユニットに指令された前記LDユニット駆動条件データの結果として予測あるいは推定された前記各LDユニットの残存寿命における前記第一時点での推定結果を起点として予測され、前記駆動条件・状態量記録部に記録されている前記第二時点に対する予測結果と前記第二時点の推定結果との差異が所定の値あるいは所定に比率より小さい場合には、差異あるいは比率に応じてプラスの報酬を与え、
前記残存寿命の予測結果と推定結果との差異が所定の値あるいは所定の比率より大きい場合には、差異あるいは比率の大きさに応じてマイナスの報酬を与え、
前記LDユニット駆動条件データに前記各LDユニットの特性の予測結果として光出力特性の予測結果を含む場合には、前記第一時点から前記第二時点迄の間に各LDユニットに指令された前記LDユニット駆動条件データの結果として取得した前記各LDユニットの光出力特性における前記第一時点での測定結果を起点として予測され、前記駆動条件・状態量記録部に記録されている前記第二時点に対する予測結果と前記第二時点での測定結果との差異が所定の値あるいは所定の比率より小さい場合には、差異あるいは比率に応じてプラスの報酬を与え、
前記光出力特性の予測結果と測定結果との差異が所定の値あるいは所定に比率より大きい場合は差異あるいは比率に応じてマイナスの報酬を与えており、
前記機械学習装置は、さらに、前記報酬に応じて前記価値関数を更新する価値関数更新部(16)を備えることを特徴とする請求項1から4のいずれか一項に記載の機械学習装置。 - 前記学習部は、前記各LDユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記LDユニット駆動条件データを学習する学習モデルを有し、
前記機械学習装置は、さらに、誤差計算部(20)を備え、
該誤差計算部は、第一時点から該第一時点より後の第二時点迄の間に各LDユニットに指令された前記LDユニット駆動条件データの結果として予測あるいは推定された前記各LDユニットの残存寿命における前記第一時点での推定結果を起点として予測され、前記駆動条件・状態量記録部に記録されている前記第二時点に対する予測結果と前記第二時点での推定結果との誤差を計算し、更に、前記LDユニット駆動条件データに前記各LDユニットの特性の予測結果として光出力特性の予測結果を含む場合には、前記第一時点から前記第二時点迄の間に各LDユニットに指令された前記LDユニット駆動条件データの結果として取得した前記各LDユニットの光出力特性における前記第一時点での測定結果を起点として予測され、前記駆動条件・状態量記録部に記録されている前記第二時点に対する予測結果と前記第二時点での測定結果との誤差を計算しており、
前記機械学習装置は、さらに、前記誤差計算部と前記誤差に応じて前記学習モデルを更新する学習モデル更新部(21)を備えることを特徴とする請求項1から4のいずれか一項に記載の機械学習装置。 - 請求項1から6のいずれか一項に記載の機械学習装置を備えたレーザ装置であって、
前記各LDユニットに駆動電流を供給する前記電源部、前記レーザ光学系、前記出力光検出部、前記光出力特性記録部、前記駆動条件・状態量記録部をそれぞれ制御する制御部を備えることを特徴とするレーザ装置。 - 前記制御部からの指令により、所定のスケジュールに沿って、前記各LDユニットの駆動電流に対する印加電圧と光出力の関係を個別に測定して、前記光出力特性記録部に測定時点の前記各LDユニットの光出力特性を追記していくことを特徴とする請求項7に記載のレーザ装置。
- 複数の前記光出力検出部を備え、同時に、複数の前記LDユニットの前記光出力特性を測定することを特徴とする請求項7または8に記載のレーザ装置。
- 前記学習部が、前記各LDユニットの特性の予測結果として少なくとも残存寿命の前記予測結果を含む前記LDユニット駆動条件データの結果として、学習結果を参照して推定した各LDユニットの推定残存寿命を前記駆動条件・状態量記録部に追記していき、
第三時点の前記推定残存寿命から、前記第三時点より後の第四時点の前記推定残存寿命を差し引いた時間を、前記第三時点から前記第四時点迄の各LDユニットの実際の駆動時間を標準駆動条件における駆動時間に換算した各LDユニットの実効的駆動時間として、前記時点第四時点おける各LDユニットの前記推定残存寿命を前記第四時点における前記各LDユニットの残存寿命として出力または表示することを特徴とする請求項7から9のいずれか一項に記載のレーザ装置。 - 前記レーザ装置に対する光出力指令に対して、前記学習部による学習結果を参照して、前記各LDユニットの残存寿命と光出力特性の前記予測結果を含む前記LDユニット駆動条件データを出力する前記意思決定部が、LDユニットの駆動による前記各LDユニットの前記残存寿命の減少量の合計が最小値になると予測されたLDユニット駆動条件データを出力する寿命最優先モード、前記各LDユニットの前記残存寿命の減少量の合計が前記最小値に対して所定の倍率以下であると予測された条件範囲内で前記レーザ装置全体の光電変換効率が略最大効率になるLDユニット駆動条件データを出力する効率優先モード、前記レーザ装置全体の光電変換効率が最大効率から所定の低下率以下であるという条件範囲内で前記各LDユニットの前記残存寿命の減少量の合計が最小値になると予測されたLDユニット駆動条件データを出力する寿命優先モード、前記各LDユニットの前記残存寿命の減少量が前記各LDユニットの前記残存寿命に比例すると予測されたLDユニット駆動条件データを出力する同時交換モードの4つの駆動条件モード内の少なくとも1つの駆動条件モードを選択する条件、あるいは、前記駆動条件モード間で駆動条件モードを切り替える条件に設定することを特徴とする請求項7から10のいずれか一項に記載のレーザ装置。
- 前記レーザ装置に対する光出力指令に対して、前記意思決定部が出力して、前記駆動条件・状態量記録部に記録された前記LDユニット駆動条件データを、前記制御部が、読み出して、前記電源部、前記レーザ光学系、前記出力光検出部、前記光出力特性記録部に、前記電源部に指令する出力指令データを含む前記LDユニット駆動条件データを出力することを特徴とする請求項7から11のいずれか一項に記載のレーザ装置。
- 前記レーザ装置が複数存在しており、
前記レーザ装置のそれぞれに設けられた複数の前記機械学習装置が、通信媒体を介して相互にデータを共有または交換するようになっていることを特徴とする請求項7から12のいずれか一項に記載のレーザ装置。 - 前記機械学習装置を、通信媒体を介して複数の前記レーザ装置で共有することを特徴とする請求項13に記載のレーザ装置。
- 電源部(3)に指令する出力指令データおよび各LDユニット(2)の特性の予測結果として少なくとも残存寿命の予測結果を含むLDユニット駆動条件データを学習する機械学習方法であって、
前記電源部から出力される駆動電流と光出力より求まる前記各LDユニットの光出力特性の測定結果の履歴を記録する光出力特性記録部(8)と、
機械学習装置(6)から出力された前記各LDユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記LDユニット駆動条件データの履歴とレーザ装置(1)の状態量の履歴を記録する駆動条件・状態量記録部(9)とからの出力データを含む前記レーザ装置の状態量を観測し、
前記駆動条件・状態量記録部に記録されている少なくとも前記各LDユニットの残存寿命の予測結果を含む前記各LDユニットの特性の予測結果と、前記各LDユニットの光出力特性の測定結果および/または前記測定結果からの推定結果との差異をLDユニット駆動条件データの結果として受取り、
前記電源部に指令する出力指令データおよび前記各LDユニットの特性の予測結果として少なくとも残存寿命の予測結果を含む前記LDユニット駆動条件データを、前記レーザ装置の前記状態量および前記LDユニット駆動条件データの結果に関連付けて学習することを特徴とする機械学習方法。 - 前記機械学習装置から出力され、前記駆動条件・状態量記録部に記録される前記LDユニット駆動条件データには、前記各LDユニットの特性の予測結果として前記各LDユニットの光出力特性の予測結果も含まれており、
前記LDユニット駆動条件データの結果として動作結果取得部が取得するデータに前記各LDユニットの光出力特性の予測結果と測定結果との差異が含まれており、
学習部が、前記各LDユニットの特性の予測結果として少なくとも残存寿命の予測結果および光出力特性の予測結果を含む前記LDユニット駆動条件データを、前記レーザ装置の前記状態量および前記LDユニット駆動条件データの結果に関連付けて学習することを特徴とする請求項15に記載の機械学習方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016047324A JP6360090B2 (ja) | 2016-03-10 | 2016-03-10 | 機械学習装置、レーザ装置および機械学習方法 |
DE102017104438.8A DE102017104438B4 (de) | 2016-03-10 | 2017-03-03 | Vorrichtung zum maschinellen Lernen, Laservorrichtung und Verfahren zum maschinellen Lernen |
US15/454,724 US10242325B2 (en) | 2016-03-10 | 2017-03-09 | Machine learning apparatus, laser apparatus and machine learning method |
CN201710141433.2A CN107181163B (zh) | 2016-03-10 | 2017-03-10 | 机器学习装置、激光装置以及机器学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016047324A JP6360090B2 (ja) | 2016-03-10 | 2016-03-10 | 機械学習装置、レーザ装置および機械学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017163036A JP2017163036A (ja) | 2017-09-14 |
JP6360090B2 true JP6360090B2 (ja) | 2018-07-18 |
Family
ID=59700738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016047324A Active JP6360090B2 (ja) | 2016-03-10 | 2016-03-10 | 機械学習装置、レーザ装置および機械学習方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10242325B2 (ja) |
JP (1) | JP6360090B2 (ja) |
CN (1) | CN107181163B (ja) |
DE (1) | DE102017104438B4 (ja) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3523760B1 (en) * | 2016-11-04 | 2024-01-24 | DeepMind Technologies Limited | Reinforcement learning systems |
US11195137B2 (en) | 2017-05-18 | 2021-12-07 | International Business Machines Corporation | Model-driven and automated system for shared resource solution design |
US10990898B2 (en) * | 2017-05-18 | 2021-04-27 | International Business Machines Corporation | Automatic rule learning in shared resource solution design |
JP6640811B2 (ja) | 2017-10-06 | 2020-02-05 | ファナック株式会社 | 結露防止機能を備えたレーザ装置 |
JP6680809B2 (ja) | 2018-01-09 | 2020-04-15 | ファナック株式会社 | ファイバレーザ装置及び機械学習装置 |
JP6892400B2 (ja) * | 2018-01-30 | 2021-06-23 | ファナック株式会社 | レーザ装置の故障発生メカニズムを学習する機械学習装置 |
CN110340884A (zh) * | 2018-04-05 | 2019-10-18 | 发那科株式会社 | 测定动作参数调整装置、机器学习装置以及*** |
EP3561615B1 (en) * | 2018-04-23 | 2021-07-14 | Omron Corporation | Method for operating an automation system and automation system |
JP6923484B2 (ja) | 2018-05-15 | 2021-08-18 | ファナック株式会社 | 加工条件調整装置及び機械学習装置 |
EP3611588A1 (de) * | 2018-08-14 | 2020-02-19 | Siemens Aktiengesellschaft | Anordnung und verfahren zur prognose einer restnutzungsdauer einer maschine |
JP7135697B2 (ja) * | 2018-10-11 | 2022-09-13 | 株式会社島津製作所 | 分析装置、分析システムおよび分析方法 |
JP7428667B2 (ja) | 2019-02-07 | 2024-02-06 | ギガフォトン株式会社 | 機械学習方法、消耗品管理装置、及びコンピュータ可読媒体 |
CN116401604B (zh) * | 2019-05-13 | 2024-05-28 | 北京绪水互联科技有限公司 | 进行冷头状态分类检测和寿命预测的方法 |
WO2021126520A1 (en) * | 2019-12-18 | 2021-06-24 | Cymer, Llc | Predictive apparatus in a gas discharge light source |
JP7462220B2 (ja) | 2020-05-08 | 2024-04-05 | パナソニックIpマネジメント株式会社 | レーザ発振器 |
CN116882303B (zh) * | 2023-09-06 | 2023-12-22 | 深圳市联明电源有限公司 | 一种激光电源的寿命预测方法、***及存储介质 |
CN117458261B (zh) * | 2023-12-26 | 2024-04-16 | 东莞市湃泊科技有限公司 | 激光器封装***及其智能散热方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4046778B2 (ja) | 1995-04-05 | 2008-02-13 | ソニー株式会社 | 光学ディスク記録再生装置 |
JP2005235075A (ja) * | 2004-02-23 | 2005-09-02 | Toshiba Corp | 医療検査機器部品交換支援システム |
JP2005317178A (ja) | 2004-03-29 | 2005-11-10 | Sharp Corp | 記録再生装置、記録媒体、記録再生装置の駆動方法、半導体レーザの寿命予測方法、プログラム、プログラム記録媒体、半導体レーザ |
JP2005294493A (ja) | 2004-03-31 | 2005-10-20 | Toshiba Corp | レーザプロセスおよびレーザアニール装置 |
JP2005317841A (ja) * | 2004-04-30 | 2005-11-10 | Matsushita Electric Ind Co Ltd | 半導体レーザ装置 |
US7835642B2 (en) * | 2005-01-03 | 2010-11-16 | Finisar Corporation | Optical transceiver module end of life indication |
US20060159140A1 (en) | 2005-01-17 | 2006-07-20 | Fanuc Ltd | Laser oscillator and method of estimating the lifetime of a pump light source |
JP2006222411A (ja) * | 2005-01-17 | 2006-08-24 | Fanuc Ltd | レーザ発振器及びレーザ発振器の励起光源の寿命推定方法 |
JP5387877B2 (ja) * | 2008-03-18 | 2014-01-15 | 富士電機株式会社 | 油入電気機器の余寿命推定方法 |
JP2011086496A (ja) | 2009-10-15 | 2011-04-28 | Hitachi High-Technologies Corp | 有機el用マスククリーニング装置、有機elディスプレイの製造装置、有機elディスプレイおよび有機el用マスククリーニング方法 |
JP5166488B2 (ja) | 2010-07-05 | 2013-03-21 | 竹中オプトニック株式会社 | レーザダイオードの寿命予測システム |
EP2440016B1 (en) * | 2010-10-08 | 2019-01-23 | Lantiq Beteiligungs-GmbH & Co.KG | Laser diode control device |
CN103479319B (zh) | 2013-09-04 | 2015-02-18 | 深圳先进技术研究院 | 医用内窥镜、医用内窥镜冷光源***及其工作方法 |
JP6339603B2 (ja) * | 2016-01-28 | 2018-06-06 | ファナック株式会社 | レーザ加工開始条件を学習する機械学習装置、レーザ装置および機械学習方法 |
-
2016
- 2016-03-10 JP JP2016047324A patent/JP6360090B2/ja active Active
-
2017
- 2017-03-03 DE DE102017104438.8A patent/DE102017104438B4/de active Active
- 2017-03-09 US US15/454,724 patent/US10242325B2/en active Active
- 2017-03-10 CN CN201710141433.2A patent/CN107181163B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
JP2017163036A (ja) | 2017-09-14 |
DE102017104438B4 (de) | 2020-10-15 |
US20170262772A1 (en) | 2017-09-14 |
US10242325B2 (en) | 2019-03-26 |
CN107181163A (zh) | 2017-09-19 |
CN107181163B (zh) | 2019-04-12 |
DE102017104438A1 (de) | 2017-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6360090B2 (ja) | 機械学習装置、レーザ装置および機械学習方法 | |
JP6625914B2 (ja) | 機械学習装置、レーザ加工システムおよび機械学習方法 | |
US10990089B2 (en) | Machine learning device learning failure occurrence mechanism of laser device | |
JP6680809B2 (ja) | ファイバレーザ装置及び機械学習装置 | |
JP6339603B2 (ja) | レーザ加工開始条件を学習する機械学習装置、レーザ装置および機械学習方法 | |
JP6010204B1 (ja) | パワー素子の予測寿命を学習する機械学習装置及び方法並びに該機械学習装置を備えた寿命予測装置及びモータ駆動装置 | |
US20180260712A1 (en) | Laser processing apparatus and machine learning device | |
CN103649858B (zh) | 用于预测组件或***状况的方法和设备 | |
US9887514B2 (en) | Laser apparatus enabling calculation of effective driving time and remaining lifetime taking account of drive conditions including temperature | |
JP2018142256A (ja) | 在庫管理および予防保全を行う機能を有する在庫管理システム | |
KR102103006B1 (ko) | 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치 | |
US9952574B2 (en) | Machine learning device, motor control system, and machine learning method for learning cleaning interval of fan motor | |
US10985522B2 (en) | Laser apparatus | |
KR102656115B1 (ko) | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 | |
Abdelli et al. | Machine learning based data driven diagnostic and prognostic approach for laser reliability enhancement | |
Guan et al. | Remaining useful life prediction for degradation processes based on the Wiener process considering parameter dependence | |
Haghighi et al. | Rolling horizon optimal maintenance policy for a system subject to shocks and degradation under uncertain parameters | |
US11629856B2 (en) | Apparatus for managing combustion optimization and method therefor | |
Hatherall et al. | Load prediction based remaining discharge energy estimation using a combined online and offline prediction framework | |
Abdelli et al. | An interpretable machine learning approach for laser lifetime prediction | |
JP7436702B2 (ja) | 機械学習装置、制御装置、及び機械学習方法 | |
Kopka | Reliability Assessment of Technical Devices Based on Degradation Data and Stochastic Equations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180130 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180220 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180326 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20180529 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180621 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6360090 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |