(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2023-10-10
(45)【発行日】2023-10-18
(54)【発明の名称】機械学習装置、ノズル状態予測装置、及び制御装置
(51)【国際特許分類】
B23K 26/00 20140101AFI20231011BHJP
【ＦＩ】
B23K26/00 M
【請求項の数】
9
(21)【出願番号】P 2019225250
(22)【出願日】2019-12-13
(65)【公開番号】P2021094563
(43)【公開日】2021-06-24
【審査請求日】2022-10-21
(73)【特許権者】
【識別番号】390008235
【氏名又は名称】ファナック株式会社
(74)【代理人】
【識別番号】100106002
【弁理士】
【氏名又は名称】正林 真之
(74)【代理人】
【識別番号】100165157
【弁理士】
【氏名又は名称】芝 哲央
(74)【代理人】
【識別番号】100160794
【弁理士】
【氏名又は名称】星野 寛明
(72)【発明者】
【氏名】尾関 真一
【審査官】黒石 孝志
(56)【参考文献】
【文献】特開２０１９－１０２０８５（ＪＰ，Ａ）
【文献】特開２０１９－３９８７４（ＪＰ，Ａ）
【文献】特開２０１８－４１２０８（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｂ２３Ｋ ２６／００ － ２６／７０
(57)【特許請求の範囲】
【請求項1】
任意のレーザ加工機による任意のワークに対する任意のレーザ加工のレーザ加工条件と、前記レーザ加工条件によるレーザ加工前のノズルの劣化の度合いと、を含む入力データを取得する入力データ取得部と、前記入力データに含まれる前記レーザ加工条件によるレーザ加工後の前記ノズルの劣化の度合い、を示すラベルデータを取得するラベル取得部と、
前記入力データ取得部により取得された入力データと、前記ラベル取得部により取得されたラベルデータと、を用いて、教師あり学習を実行し、学習済みモデルを生成する学習部と、
を備える機械学習装置。
【請求項2】
前記レーザ加工条件は、少なくともレーザ光の出力、前記レーザ光の周波数、加工の時間又はレーザ照射時間、使用するガスの種類、前記ガスの噴出量、及び前記レーザ光を集光するレンズの焦点距離のうちの一部を含む、請求項１に記載の機械学習装置。
【請求項3】
請求項１又は請求項２に記載の機械学習装置により生成された学習済みモデルと、レーザ加工機によるこれから行うレーザ加工に先立って、前記レーザ加工に係るレーザ加工条件と、前記レーザ加工前のノズルの劣化の度合いと、を入力する入力部と、
前記学習済みモデルを用いて、前記入力部により入力された、前記レーザ加工条件によるレーザ加工後の前記ノズルの劣化の度合いを予測する予測部と、
を備えるノズル状態予測装置。
【請求項4】
前記予測部により予測された前記ノズルの劣化の度合いと、予め設定された閾値との比較に基づいて、前記ノズルが適正か否かを判定する決定部をさらに備える、請求項３に記載のノズル状態予測装置。
【請求項5】
前記決定部は、前記ノズルが適正でない場合、前記レーザ加工前に前記ノズルに対してメンテナンス又は交換を行う時期か否かを判定する、請求項４に記載のノズル状態予測装置。
【請求項6】
前記決定部は、前記ノズルが適正でない場合、前記予測部により予測された前記ノズルの劣化の度合いと、予め設定された閾値との比較に基づいて、前記ノズルの劣化の度合いが前記閾値を超過しないように、前記レーザ加工条件を変更する、請求項４に記載のノズル状態予測装置。
【請求項7】
前記学習済みモデルを、前記ノズル状態予測装置からネットワークを介してアクセス可能に接続されるサーバに備える、請求項３から請求項６のいずれか１項に記載のノズル状態予測装置。
【請求項8】
請求項１又は請求項２に記載の機械学習装置を備える、請求項３から請求項７のいずれか１項に記載のノズル状態予測装置。
【請求項9】
請求項３から請求項８のいずれか１項に記載のノズル状態予測装置を備える、制御装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、機械学習装置、ノズル状態予測装置、及び制御装置に関する。
【背景技術】
【0002】
レーザ加工機は、レンズで集光したレーザ光をノズルの開口部からワークに照射してワークの切断や穴あけ等のレーザ加工を行う。その際に、レーザ加工機は、レーザ光とともにガス（以下、「アシストガス」ともいう）をノズルの開口部から高速でワークに吹き付けることで、レーザ光により溶融したワークであるスパッタを吹き飛ばすことができる。
しかしながら、レーザ照射時の熱や、吹き飛ばされたスパッタの付着等により、ノズルが汚れたり、ノズルにキズが付いたり、又はノズルの形状が変形したりする。
図９は、ノズルの開口部の一例を示す図である。図９は、ノズルの真上（レーザ光の入射側）から見た開口部のノズル正常時（左側）とノズル変形時（右側）との形状をそれぞれ示す。図９の右側に示すように、ノズル変形時には、ノズルの開口部がレーザ照射時の熱により変形したことを示す。
この場合、レーザ加工の加工精度が落ちるため、ノズルの交換を行う必要がある。
この点、レーザ光を照射する光学ヘッド内に設けられたアライメントカメラを用いて、レーザ光路の上流側からノズルの開口部を撮影し、正常な状態のノズルの開口部の画像と使用後のノズルの開口部の画像とを比較することでノズル寿命判定を行う技術が知られている。例えば、特許文献１参照。
しかしながら、レーザ照射時の熱や、吹き飛ばされたスパッタの付着等により、ノズルが汚れたり、ノズルにキズが付いたり、又はノズルの形状が変形したりする。
図９は、ノズルの開口部の一例を示す図である。図９は、ノズルの真上（レーザ光の入射側）から見た開口部のノズル正常時（左側）とノズル変形時（右側）との形状をそれぞれ示す。図９の右側に示すように、ノズル変形時には、ノズルの開口部がレーザ照射時の熱により変形したことを示す。
この場合、レーザ加工の加工精度が落ちるため、ノズルの交換を行う必要がある。
この点、レーザ光を照射する光学ヘッド内に設けられたアライメントカメラを用いて、レーザ光路の上流側からノズルの開口部を撮影し、正常な状態のノズルの開口部の画像と使用後のノズルの開口部の画像とを比較することでノズル寿命判定を行う技術が知られている。例えば、特許文献１参照。
【先行技術文献】
【特許文献】
【0003】
【文献】特許第６１９４４６４号
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、正常な状態のノズルの開口部の画像と使用後のノズルの開口部の画像との比較からノズル寿命判定、すなわちノズルの洗浄等のメンテナンス又は交換のタイミングの見極めには、作業員の経験が必要となる。また、画像からわずかなキズや変形を検知することは困難である。さらに、アライメントカメラから撮影できない部分（死角）でキズや変形が発生していた場合も、画像から検知することは困難である。
【0005】
そこで、レーザ加工を行う前に、前記レーザ加工を行った場合のノズルの状態の良否を予測できる学習済みモデルを生成することが望まれている。
【課題を解決するための手段】
【0006】
（１）本開示の機械学習装置の一態様は、任意のレーザ加工機による任意のワークに対する任意のレーザ加工のレーザ加工条件と、前記レーザ加工条件によるレーザ加工前のノズルの劣化の度合いと、を含む入力データを取得する入力データ取得部と、前記入力データに含まれる前記レーザ加工条件によるレーザ加工後の前記ノズルの劣化の度合い、を示すラベルデータを取得するラベル取得部と、前記入力データ取得部により取得された入力データと、前記ラベル取得部により取得されたラベルデータと、を用いて、教師あり学習を実行し、学習済みモデルを生成する学習部と、を備える。
【0007】
（２）本開示のノズル状態予測装置の一態様は、（１）に記載の機械学習装置により生成された学習済みモデルと、レーザ加工機によるこれから行うレーザ加工に先立って、前記レーザ加工に係るレーザ加工条件と、前記レーザ加工前のノズルの劣化の度合いと、を入力する入力部と、前記学習済みモデルを用いて、前記入力部により入力された、前記レーザ加工条件によるレーザ加工後の前記ノズルの劣化の度合いを予測する予測部と、を備える。
【0008】
（３）本開示の制御装置の一態様は、（２）に記載のノズル状態予測装置を備える。
【発明の効果】
【0009】
一態様によれば、レーザ加工を行う前に、前記レーザ加工を行った場合のノズルの状態の良否を予測できる学習済みモデルを生成することができる。
【図面の簡単な説明】
【0010】
【図1】一実施形態に係る数値制御システムの機能的構成例を示す機能ブロック図である。
【図3】ノズルの劣化の度合いの一例を示す図である。
【図4】ノズル管理テーブルの一例を示す図である。
【図5】運用フェーズにおけるノズル状態予測装置の予測処理について説明するフローチャートである。
【図7】数値制御システムの構成の一例を示す図である。
【図8】数値制御システムの構成の一例を示す図である。
【図9】ノズルの開口部の一例を示す図である
【発明を実施するための形態】
【0011】
以下、本開示の一実施形態について、図面を用いて説明する。
＜一実施形態＞
図１は、一実施形態に係る数値制御システムの機能的構成例を示す機能ブロック図である。図１に示すように、数値制御システムは、制御装置１０、レーザ加工機２０、ノズル状態予測装置３０、及び機械学習装置４０を有する。
＜一実施形態＞
図１は、一実施形態に係る数値制御システムの機能的構成例を示す機能ブロック図である。図１に示すように、数値制御システムは、制御装置１０、レーザ加工機２０、ノズル状態予測装置３０、及び機械学習装置４０を有する。
【0012】
制御装置１０、レーザ加工機２０、ノズル状態予測装置３０、及び機械学習装置４０は、図示しない接続インタフェースを介して互いに直接接続されてもよい。また、制御装置１０、レーザ加工機２０、ノズル状態予測装置３０、及び機械学習装置４０は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やインターネット等の図示しないネットワークを介して相互に接続されていてもよい。この場合、制御装置１０、レーザ加工機２０、ノズル状態予測装置３０、及び機械学習装置４０は、かかる接続によって相互に通信を行うための図示しない通信部を備えている。なお、後述するように、制御装置１０は、ノズル状態予測装置３０及び機械学習装置４０を含むようにしてもよい。また、レーザ加工機２０が制御装置１０を含むようにしてもよい。
【0013】
制御装置１０は、当業者にとって公知の数値制御装置であり、制御情報に基づいて動作指令を生成し、生成した動作指令をレーザ加工機２０に送信する。これにより、制御装置１０は、レーザ加工機２０の動作を制御する。また、制御装置１０は、当該制御情報をノズル状態予測装置３０にも出力する。
なお、制御情報は、制御装置１０に設定される加工プログラム、及びレーザ加工条件を含む。レーザ加工条件には、これから行うレーザ加工における、少なくともレーザ光の出力（Ｗ）、レーザ光の周波数（Ｈｚ）、レーザ照射時間（又は加工の時間）、使用するアシストガスの種類、アシストガスの噴出量（Ｌ／ｓｅｃ）、及びレーザ光を集光するレンズの焦点距離のうちの一部が含まれてもよい。
また、制御装置１０は、レーザ加工機２０に選択可能なノズルに関する識別情報（以下、「ノズルＩＤ」ともいう）の一覧を、ノズルデータテーブルとして図示しないＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等に記憶してもよい。
なお、ノズルデータテーブルには、ノズルＩＤのそれぞれと関連付けられた現時点のノズルの劣化の度合い等のデータが含まれてもよい。
なお、制御情報は、制御装置１０に設定される加工プログラム、及びレーザ加工条件を含む。レーザ加工条件には、これから行うレーザ加工における、少なくともレーザ光の出力（Ｗ）、レーザ光の周波数（Ｈｚ）、レーザ照射時間（又は加工の時間）、使用するアシストガスの種類、アシストガスの噴出量（Ｌ／ｓｅｃ）、及びレーザ光を集光するレンズの焦点距離のうちの一部が含まれてもよい。
また、制御装置１０は、レーザ加工機２０に選択可能なノズルに関する識別情報（以下、「ノズルＩＤ」ともいう）の一覧を、ノズルデータテーブルとして図示しないＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等に記憶してもよい。
なお、ノズルデータテーブルには、ノズルＩＤのそれぞれと関連付けられた現時点のノズルの劣化の度合い等のデータが含まれてもよい。
【0014】
また、アシストガスには、例えば、酸素、空気、窒素等の活性ガスと、アルゴン／ヘリウムの不活性ガスとがある。例えば、ワークの材質が炭素鋼、低合金鋼、ステンレス鋼の場合、酸素、空気、窒素等の活性ガスがアシストガスとして用いられてもよい。また、ワークの素材がアルミニウム合金の場合、酸素や空気の活性ガス、又はアルゴン／ヘリウムの不活性ガスがアシストガスとして用いられてもよい。また、ワークの素材がチタン合金の場合、アルゴン／ヘリウムの不活性ガス、又は窒素の活性ガスがアシストガスとして用いられてもよい。また、ワークの素材がアクリル、木材、紙、繊維の場合、窒素や空気の活性ガス、又はアルゴン／ヘリウムの不活性ガスがアシストガスとして用いられてもよい。
【0015】
レーザ加工機２０は、制御装置１０の動作指令に基づいて、レーザ光を加工対象のワークに照射しレーザ加工する機械である。レーザ加工機２０は、制御装置１０の動作指令に基づく動作状態を示す情報を、制御装置１０にフィードバックする。
【0016】
ノズル状態予測装置３０は、運用フェーズにおいて、レーザ加工機２０によるレーザ加工に先立って、制御装置１０からの制御情報に含まれる前記レーザ加工のレーザ加工条件を取得してもよい。また、ノズル状態予測装置３０は、例えば、少なくとも現時点のノズルの劣化の度合いを含む、制御装置１０のオペレータにより選択されたノズルの情報を取得してもよい。ノズル状態予測装置３０は、取得したレーザ加工条件と現時点のノズルの劣化の度合いとを、後述する機械学習装置４０から提供された学習済みモデルに入力することにより、選択されたノズルを用いたレーザ加工後のノズルの劣化の度合いを予測することができる。
【0017】
ノズル状態予測装置３０を説明する前に、「ノズルの劣化の度合い」及び学習済みモデルを生成するための機械学習について説明する。
【0018】
＜ノズルの劣化の度合いについて＞
「ノズルの劣化の度合い」は、図９に示すように、レーザ加工機２０によるレーザ加工で使用されたノズルの開口部における汚れや変形の度合いを示す。例えば、新品のノズル、又は洗浄等のメンテナンス直後のノズルは、図９の左側に示すように、開口部が円形の形状を有し最も良い状態であることから、メンテナンスや交換の必要がなく、「ノズルの劣化の度合い」は「０％」となる。そして、「ノズルの劣化の度合い」は、ノズルが使用されるに従い開口部にスパッタの付着やレーザ照射時の熱による変形が増加し、例えば、ノズルの交換を行う必要があるとき「１００％」となる。
なお、「ノズルの劣化の度合い」は、「０％」から「１００％」の範囲のパーセント値としたが、例えば、「ノズルの劣化の度合い」は、「０」から「１」の範囲の値等でもよい。
「ノズルの劣化の度合い」は、図９に示すように、レーザ加工機２０によるレーザ加工で使用されたノズルの開口部における汚れや変形の度合いを示す。例えば、新品のノズル、又は洗浄等のメンテナンス直後のノズルは、図９の左側に示すように、開口部が円形の形状を有し最も良い状態であることから、メンテナンスや交換の必要がなく、「ノズルの劣化の度合い」は「０％」となる。そして、「ノズルの劣化の度合い」は、ノズルが使用されるに従い開口部にスパッタの付着やレーザ照射時の熱による変形が増加し、例えば、ノズルの交換を行う必要があるとき「１００％」となる。
なお、「ノズルの劣化の度合い」は、「０％」から「１００％」の範囲のパーセント値としたが、例えば、「ノズルの劣化の度合い」は、「０」から「１」の範囲の値等でもよい。
【0019】
＜機械学習装置４０＞
機械学習装置４０は、例えば、予め、任意のレーザ加工機による任意のワークに対する任意のレーザ加工のレーザ加工条件と、当該レーザ加工条件によるレーザ加工前のノズルの劣化の度合いと、を含む入力データを取得する。
また、機械学習装置４０は、取得した入力データのレーザ加工条件によるレーザ加工後のノズルの劣化の度合い、を示すデータをラベル（正解）として取得する。
機械学習装置４０は、取得した入力データとラベルとの組の訓練データにより教師あり学習を行い、後述する学習済みモデルを構築する。
そうすることで、機械学習装置４０は、構築した学習済みモデルをノズル状態予測装置３０に提供することができる。
機械学習装置４０について、具体的に説明する。
機械学習装置４０は、例えば、予め、任意のレーザ加工機による任意のワークに対する任意のレーザ加工のレーザ加工条件と、当該レーザ加工条件によるレーザ加工前のノズルの劣化の度合いと、を含む入力データを取得する。
また、機械学習装置４０は、取得した入力データのレーザ加工条件によるレーザ加工後のノズルの劣化の度合い、を示すデータをラベル（正解）として取得する。
機械学習装置４０は、取得した入力データとラベルとの組の訓練データにより教師あり学習を行い、後述する学習済みモデルを構築する。
そうすることで、機械学習装置４０は、構築した学習済みモデルをノズル状態予測装置３０に提供することができる。
機械学習装置４０について、具体的に説明する。
【0020】
機械学習装置４０は、図１に示すように、入力データ取得部４０１、ラベル取得部４０２、学習部４０３、及び記憶部４０４を有する。
入力データ取得部４０１は、学習フェーズにおいて、図示しない通信部を介して、任意のレーザ加工機による任意のワークに対する任意のレーザ加工のレーザ加工条件と、前記レーザ加工条件によるレーザ加工前のノズルの劣化の度合いと、を入力データとして制御装置１０等から取得する。
なお、レーザ加工条件には、上述したように、レーザ光の出力（Ｗ）、レーザ光の周波数（Ｈｚ）、レーザ照射時間（又は加工の時間）、使用するアシストガスの種類、アシストガスの噴出量（Ｌ／ｓｅｃ）、及びレーザ光を集光するレンズの焦点距離等が含まれる。
入力データ取得部４０１は、取得した入力データを記憶部４０４に対して出力する。
入力データ取得部４０１は、学習フェーズにおいて、図示しない通信部を介して、任意のレーザ加工機による任意のワークに対する任意のレーザ加工のレーザ加工条件と、前記レーザ加工条件によるレーザ加工前のノズルの劣化の度合いと、を入力データとして制御装置１０等から取得する。
なお、レーザ加工条件には、上述したように、レーザ光の出力（Ｗ）、レーザ光の周波数（Ｈｚ）、レーザ照射時間（又は加工の時間）、使用するアシストガスの種類、アシストガスの噴出量（Ｌ／ｓｅｃ）、及びレーザ光を集光するレンズの焦点距離等が含まれる。
入力データ取得部４０１は、取得した入力データを記憶部４０４に対して出力する。
【0021】
ラベル取得部４０２は、入力データに含まれるレーザ加工条件によるレーザ加工後のノズルの劣化の度合い、を示すデータをラベルデータ（正解データ）として取得し、取得したラベルデータを記憶部４０４に対して出力する。
なお、ラベルは、上述したように、「０％」から「１００％」の範囲の値である。
なお、ラベルは、上述したように、「０％」から「１００％」の範囲の値である。
【0022】
学習部４０３は、上述の入力データとラベルとの組を訓練データとして受け付け、受け付けた訓練データを用いて、教師あり学習を行うことにより、加工対象のワークに対してこれから行うレーザ加工条件と、選択されたノズルの現時点のノズルの劣化の度合いとに基づいて、レーザ加工後のノズルの劣化の度合いを予測する学習済みモデル３５１を構築する。
そして、学習部４０３は、構築した学習済みモデル３５１をノズル状態予測装置３０に対して提供する。
そして、学習部４０３は、構築した学習済みモデル３５１をノズル状態予測装置３０に対して提供する。
【0023】
ここで、教師あり学習を行うための訓練データは、多数用意されることが望ましい。例えば、熟練者により、あらゆるレーザ加工条件とあらゆるノズルとの組合せそれぞれにおいて、レーザ加工前後のノズルの劣化の度合いが評価された訓練データを作成するようにしてもよい。あるいは、顧客の工場等で実際に稼動している様々な場所の制御装置１０のそれぞれから訓練データを取得するようにしてもよい。
【0024】
図２は、図１のノズル状態予測装置３０に提供される学習済みモデル３５１の一例を示す図である。ここでは、学習済みモデル３５１は、図２に示すように、これから行うレーザ加工条件と、選択されたノズルの現時点のノズルの劣化の度合いを入力層として、このレーザ加工条件によるレーザ加工後のノズルの劣化の度合い、を示すデータを出力層とする多層ニューラルネットワークを例示する。
ここで、これから行うレーザ加工条件には、レーザ光の出力、レーザ光の周波数、レーザ照射時間、アシストガスの種類、アシストガスの噴出量、及びレンズの焦点距離等が含まれる。
ここで、これから行うレーザ加工条件には、レーザ光の出力、レーザ光の周波数、レーザ照射時間、アシストガスの種類、アシストガスの噴出量、及びレンズの焦点距離等が含まれる。
【0025】
また、学習部４０３は、学習済みモデル３５１を構築した後に、新たな教師データを取得した場合には、学習済みモデル３５１に対してさらに教師あり学習を行うことにより、一度構築した学習済みモデル３５１を更新するようにしてもよい。
また、機械学習装置４０は、他の機械学習装置４０との間で学習済みモデル３５１を共有して教師あり学習を行うようにしてもよい。そうすることで、複数の機械学習装置４０それぞれにて学習済みモデル３５１を分散して教師あり学習を行うことが可能となり、教師あり学習の効率を向上させることが可能となる。
また、機械学習装置４０は、他の機械学習装置４０との間で学習済みモデル３５１を共有して教師あり学習を行うようにしてもよい。そうすることで、複数の機械学習装置４０それぞれにて学習済みモデル３５１を分散して教師あり学習を行うことが可能となり、教師あり学習の効率を向上させることが可能となる。
【0026】
上述した教師あり学習は、オンライン学習で行ってもよく、バッチ学習で行ってもよく、ミニバッチ学習で行ってもよい。
オンライン学習とは、レーザ加工機２０によるレーザ加工が行われ、訓練データが作成される都度、即座に教師あり学習を行うという学習方法である。また、バッチ学習とは、レーザ加工機２０によるレーザ加工が行われ、訓練データが作成されることが繰り返される間に、繰り返しに応じた複数の訓練データを収集し、収集した全ての訓練データを用いて、教師あり学習を行うという学習方法である。さらに、ミニバッチ学習とは、オンライン学習と、バッチ学習の中間的な、ある程度訓練データが溜まるたびに教師あり学習を行うという学習方法である。
オンライン学習とは、レーザ加工機２０によるレーザ加工が行われ、訓練データが作成される都度、即座に教師あり学習を行うという学習方法である。また、バッチ学習とは、レーザ加工機２０によるレーザ加工が行われ、訓練データが作成されることが繰り返される間に、繰り返しに応じた複数の訓練データを収集し、収集した全ての訓練データを用いて、教師あり学習を行うという学習方法である。さらに、ミニバッチ学習とは、オンライン学習と、バッチ学習の中間的な、ある程度訓練データが溜まるたびに教師あり学習を行うという学習方法である。
【0027】
記憶部４０４は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等であり、入力データ取得部４０１により取得された入力データ、ラベル取得部４０２により取得されたラベルデータ、及び学習部４０３により構築された学習済みモデル３５１等を記憶する。
以上、ノズル状態予測装置３０が備える学習済みモデル３５１を生成するための機械学習について説明した。
次に、運用フェーズにおけるノズル状態予測装置３０について説明する。以下の説明では、学習済みモデルとして図２に記載の学習済みモデル、すなわち、これから行うレーザ加工条件、及び選択されたノズルの劣化の度合いを入力層として、「ノズルの劣化の度合い」を出力層とする多層ニューラルネットワークを用いる場合を例示する。
以上、ノズル状態予測装置３０が備える学習済みモデル３５１を生成するための機械学習について説明した。
次に、運用フェーズにおけるノズル状態予測装置３０について説明する。以下の説明では、学習済みモデルとして図２に記載の学習済みモデル、すなわち、これから行うレーザ加工条件、及び選択されたノズルの劣化の度合いを入力層として、「ノズルの劣化の度合い」を出力層とする多層ニューラルネットワークを用いる場合を例示する。
【0028】
＜運用フェーズにおけるノズル状態予測装置３０＞
図１に示すように、運用フェーズにおけるノズル状態予測装置３０は、入力部３０１、予測部３０２、決定部３０３、通知部３０４、及び記憶部３０５を含んで構成される。
なお、ノズル状態予測装置３０は、図１の機能ブロックの動作を実現するために、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等の図示しない演算処理装置を備える。また、ノズル状態予測装置３０は、各種の制御用プログラムを格納したＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やＨＤＤ等の図示しない補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのＲＡＭといった図示しない主記憶装置を備える。
図１に示すように、運用フェーズにおけるノズル状態予測装置３０は、入力部３０１、予測部３０２、決定部３０３、通知部３０４、及び記憶部３０５を含んで構成される。
なお、ノズル状態予測装置３０は、図１の機能ブロックの動作を実現するために、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等の図示しない演算処理装置を備える。また、ノズル状態予測装置３０は、各種の制御用プログラムを格納したＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やＨＤＤ等の図示しない補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのＲＡＭといった図示しない主記憶装置を備える。
【0029】
そして、ノズル状態予測装置３０において、演算処理装置が補助記憶装置からＯＳやアプリケーションソフトウェアを読み込み、読み込んだＯＳやアプリケーションソフトウェアを主記憶装置に展開させながら、これらのＯＳやアプリケーションソフトウェアに基づいた演算処理を行う。この演算結果に基づいて、ノズル状態予測装置３０が各ハードウェアを制御する。これにより、図１の機能ブロックによる処理は実現される。つまり、ノズル状態予測装置３０は、ハードウェアとソフトウェアが協働することにより実現することができる。
【0030】
入力部３０１は、レーザ加工機２０によるレーザ加工に先立って、例えば、制御装置１０の制御情報から、前記レーザ加工に係るこれから行うレーザ加工条件と、オペレータにより選択されたノズルを示すノズルＩＤを入力する。入力部３０１は、後述する記憶部３０５に記憶されるノズル管理テーブル３５２と、入力されたノズルＩＤとに基づいて、現時点のノズルの劣化の度合いを取得する。
入力部３０１は、取得したこれから行うレーザ加工条件と、オペレータにより選択されたノズルの現時点の劣化の度合いとを、予測部３０２に対して出力する。
入力部３０１は、取得したこれから行うレーザ加工条件と、オペレータにより選択されたノズルの現時点の劣化の度合いとを、予測部３０２に対して出力する。
【0031】
予測部３０２は、これから行うレーザ加工条件と、オペレータにより選択されたノズルの現時点の劣化の度合いとを、図２の学習済みモデル３５１に入力し、レーザ加工後の選択されたノズルの劣化の度合いを予測する。
これにより、ノズル状態予測装置３０は、レーザ加工を行う前に、前記レーザ加工を行った場合のノズルの状態の良否を予測することができる。
これにより、ノズル状態予測装置３０は、レーザ加工を行う前に、前記レーザ加工を行った場合のノズルの状態の良否を予測することができる。
【0032】
決定部３０３は、予測部３０２により予測されたレーザ加工後のノズルの劣化の度合いに基づいて、選択されたノズルが適正か否かを判定する。
より具体的には、決定部３０３は、ノズルの劣化の度合いの予測値と予め設定された閾値との比較に基づいて、選択されたノズルが適正か否かを判定し、適正でない場合、ノズルに対するメンテナンス、又はノズルの交換を行う最適な時期を判定する。
より具体的には、決定部３０３は、ノズルの劣化の度合いの予測値と予め設定された閾値との比較に基づいて、選択されたノズルが適正か否かを判定し、適正でない場合、ノズルに対するメンテナンス、又はノズルの交換を行う最適な時期を判定する。
【0033】
図３は、ノズルの劣化の度合いの一例を示す図である。図３に示すように、例えば、ノズルは、交換直後又はメンテナンス直後において劣化の度合いが「０％」であったとしても、レーザ加工によるスパッタの付着やレーザ照射時の熱による溶損（変形）により、劣化の度合いは変化する。例えば、ノズルの劣化の度合いが「０％」から「３０％」の範囲の適正値の場合、ノズルは適切に機能する。一方、ノズルの劣化の度合いが適正値の範囲外の場合、ノズルは適切に機能しない。この場合、作業員は、ノズルの劣化の度合いが適正値となるように、ノズルの洗浄等のメンテナンスを行うか、ノズルの交換を行う必要がある。
以下の説明では、ノズルの劣化の度合いが「３０％」を下限の閾値α１とし、ノズルの劣化の度合いが「８０％」を上限の閾値α２とする。なお、閾値α１、α２は、加工対象のワークに対する加工精度や、レーザ加工機２０が設置された環境等に応じて適宜設定されてもよい。
以下の説明では、ノズルの劣化の度合いが「３０％」を下限の閾値α１とし、ノズルの劣化の度合いが「８０％」を上限の閾値α２とする。なお、閾値α１、α２は、加工対象のワークに対する加工精度や、レーザ加工機２０が設置された環境等に応じて適宜設定されてもよい。
【0034】
決定部３０３は、予測部３０２により予測されたノズルの劣化の度合いが、下限の閾値α１以下の適正値か否かを判定する。決定部３０３は、予測されたノズルの劣化の度合いが適正値の場合、入力部３０１により入力されたレーザ加工条件によるレーザ加工前に、ノズルのメンテナンス及び交換を行わないことを判定する。
一方、決定部３０３は、予測されたノズルの劣化の度合いが下限の閾値α１より高く、上限の閾値α２以下の場合、入力されたレーザ加工条件によるレーザ加工前に、ノズルのメンテナンスを行う時期として判定する。また、決定部３０３は、予測されたノズルの劣化の度合いが上限の閾値α２より高い場合、入力されたレーザ加工条件によるレーザ加工前に、ノズルの交換を行う時期として判定する。
これにより、数値制御システムは、レーザ加工機２０によるレーザ加工に先立って、オペレータにより選択されたノズルについて、これから行うレーザ加工条件でレーザ加工した後のノズルの劣化の度合いを予測することにより、ノズルのメンテナンスや交換を行う最適な時期を容易に検知することができる。換言すれば、数値制御システムは、レーザ加工中にノズルのメンテナンス又は交換が必要になるか否かを事前に検知することができる。
一方、決定部３０３は、予測されたノズルの劣化の度合いが下限の閾値α１より高く、上限の閾値α２以下の場合、入力されたレーザ加工条件によるレーザ加工前に、ノズルのメンテナンスを行う時期として判定する。また、決定部３０３は、予測されたノズルの劣化の度合いが上限の閾値α２より高い場合、入力されたレーザ加工条件によるレーザ加工前に、ノズルの交換を行う時期として判定する。
これにより、数値制御システムは、レーザ加工機２０によるレーザ加工に先立って、オペレータにより選択されたノズルについて、これから行うレーザ加工条件でレーザ加工した後のノズルの劣化の度合いを予測することにより、ノズルのメンテナンスや交換を行う最適な時期を容易に検知することができる。換言すれば、数値制御システムは、レーザ加工中にノズルのメンテナンス又は交換が必要になるか否かを事前に検知することができる。
【0035】
なお、オペレータが、レーザ加工条件を調整してもよい。例えば、オペレータは、レーザ加工条件に含まれる加工対象のワークが複数個ある場合、レーザ加工後におけるノズルの劣化の度合いが下限の閾値α１を超えないように、加工対象のワークの個数の調整として、レーザ照射時間を調整してもよい。これにより、数値制御システムは、レーザ加工開始前に、どの程度レーザ加工するとノズルのメンテナンス又は交換が必要になるタイミングを事前に予測することができる。そして、数値制御システムは、レーザ加工のきりのよい段階で、例えばレーザ加工機２０を停止して、ノズルのメンテナンスを行うか、又はノズルの交換を行うようにしてもよい。
さらに、決定部３０３が、後述するように、自動でレーザ加工条件を調整してもよい。
さらに、決定部３０３が、後述するように、自動でレーザ加工条件を調整してもよい。
【0036】
通知部３０４は、例えば、選択されたノズルが適正か否かの決定部３０３による判定結果を、制御装置１０及び／又はレーザ加工機２０に含まれる液晶ディスプレイ等の出力装置（図示しない）に出力してもよい。例えば、選択されたノズルが適正の場合、制御装置１０は、入力されたレーザ加工条件でレーザ加工機２０に対してレーザ加工を実行させてもよい。一方、通知部３０４は、選択されたノズルが適正でない場合、判定したノズルのメンテナンス又は交換の指示を、制御装置１０及び／又はレーザ加工機２０の出力装置（図示しない）に出力してもよい。また、通知部３０４は、スピーカ（図示せず）を介して音声により通知してもよい。
【0037】
記憶部３０５は、ＲＯＭやＨＤＤ等であり、各種の制御用プログラムとともに、学習済みモデル３５１及びノズル管理テーブル３５２を記憶してもよい。
【0038】
＜ノズル管理テーブル３５２＞
図４は、ノズル管理テーブル３５２の一例を示す図である。図４に示すように、ノズル管理テーブル３５２は、レーザ加工に使用可能に管理されるすべてのノズルをそれぞれ識別するための「ノズルＩＤ」を含む。また、ノズル管理テーブル３５２は、ノズルＩＤに対応する「ノズルの劣化の度合い」を含む。
図４は、ノズル管理テーブル３５２の一例を示す図である。図４に示すように、ノズル管理テーブル３５２は、レーザ加工に使用可能に管理されるすべてのノズルをそれぞれ識別するための「ノズルＩＤ」を含む。また、ノズル管理テーブル３５２は、ノズルＩＤに対応する「ノズルの劣化の度合い」を含む。
【0039】
ノズル管理テーブル３５２内の「ノズルＩＤ」は、制御装置１０のオペレータにより選択されるノズルを識別するための情報であり、前記オペレータにより予め設定される。図４では、ノズルＩＤとして、例えば、各ノズルに一意に割り当てられた１からｎの数字が設定されているが、アルファベット等で設定されてもよい。なお、ｎは２以上の整数である。
【0040】
ノズル管理テーブル３５２内の「ノズルの劣化の度合い」は、上述したノズルＩＤの各々が割り当てられたノズルにおける前回のレーザ加工後にオペレータにより判定された現時点のノズルの劣化の度合いが格納される。すなわち、ノズル管理テーブル３５２内の「ノズルの劣化の度合い」は、レーザ加工に使用される度にオペレータによりノズルの劣化の度合いが判定され、オペレータにより入力・更新される。
【0041】
＜運用フェーズにおけるノズル状態予測装置３０の予測処理＞
次に、本実施形態に係るノズル状態予測装置３０の予測処理に係る動作について説明する。
図５は、運用フェーズにおけるノズル状態予測装置３０の予測処理について説明するフローチャートである。
次に、本実施形態に係るノズル状態予測装置３０の予測処理に係る動作について説明する。
図５は、運用フェーズにおけるノズル状態予測装置３０の予測処理について説明するフローチャートである。
【0042】
ステップＳ１１において、入力部３０１は、レーザ加工機２０によるレーザ加工に先立って、制御装置１０の制御情報から、これから行うレーザ加工条件を取得するとともに、オペレータにより選択されたノズルのノズルＩＤに基づいて、ノズル管理テーブル３５２からノズルの劣化の度合いを取得する。
【0043】
ステップＳ１２において、予測部３０２は、ステップＳ１１で取得された、これから行うレーザ加工条件とオペレータにより選択されたノズルの劣化の度合いを学習済みモデル３５１に入力し、選択されたノズルのレーザ加工後の「ノズルの劣化の度合い」を予測する。
【0044】
ステップＳ１３において、決定部３０３は、ステップＳ１２で予測されたノズルの劣化の度合いと、閾値α１、α２との比較に基づいて、選択されたノズルが適正か否かを判定する。
【0045】
ステップＳ１４において、通知部３０４は、ステップＳ１３でノズルが適正でないと判定された場合、レーザ加工前にノズルのメンテナンス又は交換の指示を、制御装置１０及び／又はレーザ加工機２０の図示しない出力装置に出力する。
【0046】
以上により、一実施形態に係るノズル状態予測装置３０は、レーザ加工機２０によるレーザ加工に先立って、制御装置１０の制御情報から、前記レーザ加工に係るこれから行うレーザ加工条件、及びオペレータにより選択されたノズルの劣化の度合いを、学習済みモデル３５１に入力し、選択されたノズルのレーザ加工後の劣化の度合いを予測する。これにより、ノズル状態予測装置３０は、レーザ加工を行う前に、前記レーザ加工を行った場合のノズルの状態の良否（劣化の度合い）を予測することができる。そして、ノズル状態予測装置３０は、予測されたノズルの劣化の度合いと、予め設定された閾値α１、α２との比較により、レーザ加工中にノズルのメンテナンス又は交換が必要になるか否かを事前に検知することができる。
すなわち、ノズル状態予測装置３０は、選択されたノズルの劣化の度合いが閾値α１や閾値α２を超過する場合、レーザ加工前にノズルのメンテナンス又は交換の最適な時期として検知することができ、作業員の負担を減らすことができる。
また、学習済みモデル３５１が様々なノズルの教師データを用いて生成されるため、ノズル状態予測装置３０は、様々なノズルの状態の良否（劣化の度合い）を予測することができる。
すなわち、ノズル状態予測装置３０は、選択されたノズルの劣化の度合いが閾値α１や閾値α２を超過する場合、レーザ加工前にノズルのメンテナンス又は交換の最適な時期として検知することができ、作業員の負担を減らすことができる。
また、学習済みモデル３５１が様々なノズルの教師データを用いて生成されるため、ノズル状態予測装置３０は、様々なノズルの状態の良否（劣化の度合い）を予測することができる。
【0047】
以上、一実施形態について説明したが、ノズル状態予測装置３０、及び機械学習装置４０は、上述の実施形態に限定されるものではなく、目的を達成できる範囲での変形、改良等を含む。
＜変形例１＞
上述の実施形態では、機械学習装置４０は、制御装置１０、レーザ加工機２０及びノズル状態予測装置３０と異なる装置として例示したが、機械学習装置４０の一部又は全部の機能を、制御装置１０、レーザ加工機２０又はノズル状態予測装置３０が備えるようにしてもよい。
＜変形例１＞
上述の実施形態では、機械学習装置４０は、制御装置１０、レーザ加工機２０及びノズル状態予測装置３０と異なる装置として例示したが、機械学習装置４０の一部又は全部の機能を、制御装置１０、レーザ加工機２０又はノズル状態予測装置３０が備えるようにしてもよい。
【0048】
＜変形例２＞
上述の実施形態では、ノズル状態予測装置３０は、制御装置１０やレーザ加工機２０と異なる装置として例示したが、ノズル状態予測装置３０の一部又は全部の機能を、制御装置１０又はレーザ加工機２０が備えるようにしてもよい。
あるいは、ノズル状態予測装置３０の入力部３０１、予測部３０２、決定部３０３、通知部３０４及び記憶部３０５の一部又は全部を、例えば、サーバが備えるようにしてもよい。また、クラウド上で仮想サーバ機能等を利用して、ノズル状態予測装置３０の各機能を実現してもよい。
さらに、ノズル状態予測装置３０は、ノズル状態予測装置３０の各機能を適宜複数のサーバに分散される、分散処理システムとしてもよい。
上述の実施形態では、ノズル状態予測装置３０は、制御装置１０やレーザ加工機２０と異なる装置として例示したが、ノズル状態予測装置３０の一部又は全部の機能を、制御装置１０又はレーザ加工機２０が備えるようにしてもよい。
あるいは、ノズル状態予測装置３０の入力部３０１、予測部３０２、決定部３０３、通知部３０４及び記憶部３０５の一部又は全部を、例えば、サーバが備えるようにしてもよい。また、クラウド上で仮想サーバ機能等を利用して、ノズル状態予測装置３０の各機能を実現してもよい。
さらに、ノズル状態予測装置３０は、ノズル状態予測装置３０の各機能を適宜複数のサーバに分散される、分散処理システムとしてもよい。
【0049】
＜変形例３＞
また例えば、上述の実施形態では、図３の学習済みモデル３５１は、これから行うレーザ加工条件、及び１つのノズルの劣化の度合いを入力層として、「ノズルの劣化の度合い」を出力層とする多層ニューラルネットワークとしたがこれに限定されない。学習済みモデル３５１は、例えば、図６に示すように、これから行うレーザ加工条件、及びオペレータにより選択された複数（Ｍ個：Ｍ≧２）のノズルそれぞれの劣化の度合いを入力層として、Ｍ個のノズルそれぞれの「ノズルの劣化の度合い」を出力層とするニューラルネットワークであってもよい。
これにより、オペレータは、これから行うレーザ加工に使用できるノズルがＭ個あった場合に、Ｍ個のノズルＩＤを選択することで、ノズル状態予測装置３０により、Ｍ個のノズルそれぞれの「ノズルの劣化の度合い」の予測を並列に行うことができ、レーザ加工に適切なノズルを迅速に選定することができ、これにより、レーザ加工処理効率を高めることができる。
図６は、図１のノズル状態予測装置３０に提供される学習済みモデルの一例を示す図である。
なお、機械学習装置４０は、Ｍが２からｎの各々の場合の学習済みモデル３５１を予め構築し、ノズル状態予測装置３０は、オペレータにより選択されたノズルの数に応じた学習済みモデル３５１を選択するようにしてもよい。
また例えば、上述の実施形態では、図３の学習済みモデル３５１は、これから行うレーザ加工条件、及び１つのノズルの劣化の度合いを入力層として、「ノズルの劣化の度合い」を出力層とする多層ニューラルネットワークとしたがこれに限定されない。学習済みモデル３５１は、例えば、図６に示すように、これから行うレーザ加工条件、及びオペレータにより選択された複数（Ｍ個：Ｍ≧２）のノズルそれぞれの劣化の度合いを入力層として、Ｍ個のノズルそれぞれの「ノズルの劣化の度合い」を出力層とするニューラルネットワークであってもよい。
これにより、オペレータは、これから行うレーザ加工に使用できるノズルがＭ個あった場合に、Ｍ個のノズルＩＤを選択することで、ノズル状態予測装置３０により、Ｍ個のノズルそれぞれの「ノズルの劣化の度合い」の予測を並列に行うことができ、レーザ加工に適切なノズルを迅速に選定することができ、これにより、レーザ加工処理効率を高めることができる。
図６は、図１のノズル状態予測装置３０に提供される学習済みモデルの一例を示す図である。
なお、機械学習装置４０は、Ｍが２からｎの各々の場合の学習済みモデル３５１を予め構築し、ノズル状態予測装置３０は、オペレータにより選択されたノズルの数に応じた学習済みモデル３５１を選択するようにしてもよい。
【0050】
＜変形例４＞
また例えば、上述の実施形態では、ノズル状態予測装置３０の決定部３０３は、オペレータにより選択されたノズルのレーザ加工後のノズルの劣化の度合いが閾値α１や閾値α２を超過する場合、レーザ加工前に選択されたノズルに対してメンテナンス又は交換を行う時期として決定したが、これに限定されない。
前述したように、決定部３０３は、例えば、レーザ加工条件におけるレーザ照射時間がレーザ加工する複数個（例えば１０個等）のワークを含む場合、レーザ加工後のノズルの劣化の度合いが閾値を超えないように、ワークの個数の調整のためにレーザ照射時間を調整してもよい。
より具体的には、決定部３０３は、例えば、これから行うレーザ加工条件の「レーザ照射時間」で複数個のワークをレーザ加工することで、ノズルの劣化の度合いが閾値を超える場合、さらに、（オペレータの指示により）レーザ加工条件の「レーザ照射時間」を１つのワークに掛かるレーザ加工時間の整数倍（ｋ倍：ｋ≧１）とし、予測部３０２にノズルの劣化の度合いを予測させることで、閾値を超えないｋの値（例えば６個等）を探索してもよい。
そして、決定部３０３は、例えば、ｋ個のワークに対するレーザ加工後を、選択されたノズルのメンテナンス又は交換を行う時期として決定する。図１の数値制御システムは、決定された時期であるきりのよい段階で、レーザ加工機２０を停止させてノズルのメンテナンス又は交換を行うことができる。
これにより、数値制御システムは、レーザ加工開始前に、どの程度レーザ加工するとノズルのメンテナンス又は交換が必要になるかのタイミングを事前に予測することができる。そして、数値制御システムは、レーザ加工中にノズルのメンテナンス又は交換の必要性が発生することを回避することができ、加工品位の低下を回避することができる。
また例えば、上述の実施形態では、ノズル状態予測装置３０の決定部３０３は、オペレータにより選択されたノズルのレーザ加工後のノズルの劣化の度合いが閾値α１や閾値α２を超過する場合、レーザ加工前に選択されたノズルに対してメンテナンス又は交換を行う時期として決定したが、これに限定されない。
前述したように、決定部３０３は、例えば、レーザ加工条件におけるレーザ照射時間がレーザ加工する複数個（例えば１０個等）のワークを含む場合、レーザ加工後のノズルの劣化の度合いが閾値を超えないように、ワークの個数の調整のためにレーザ照射時間を調整してもよい。
より具体的には、決定部３０３は、例えば、これから行うレーザ加工条件の「レーザ照射時間」で複数個のワークをレーザ加工することで、ノズルの劣化の度合いが閾値を超える場合、さらに、（オペレータの指示により）レーザ加工条件の「レーザ照射時間」を１つのワークに掛かるレーザ加工時間の整数倍（ｋ倍：ｋ≧１）とし、予測部３０２にノズルの劣化の度合いを予測させることで、閾値を超えないｋの値（例えば６個等）を探索してもよい。
そして、決定部３０３は、例えば、ｋ個のワークに対するレーザ加工後を、選択されたノズルのメンテナンス又は交換を行う時期として決定する。図１の数値制御システムは、決定された時期であるきりのよい段階で、レーザ加工機２０を停止させてノズルのメンテナンス又は交換を行うことができる。
これにより、数値制御システムは、レーザ加工開始前に、どの程度レーザ加工するとノズルのメンテナンス又は交換が必要になるかのタイミングを事前に予測することができる。そして、数値制御システムは、レーザ加工中にノズルのメンテナンス又は交換の必要性が発生することを回避することができ、加工品位の低下を回避することができる。
【0051】
＜変形例５＞
また例えば、上述の実施形態では、ノズル状態予測装置３０は、機械学習装置４０から提供された学習済みモデル３５１を用いて、１つの制御装置１０から取得したこれから行うレーザ加工条件によるレーザ加工後のオペレータにより選択されたノズルの劣化の度合いを予測したが、これに限定されない。例えば、図７に示すように、サーバ５０は、機械学習装置４０により生成された学習済みモデル３５１を記憶し、ネットワーク６０に接続されたｍ個のノズル状態予測装置３０Ａ（１）－３０Ａ（ｍ）と学習済みモデル３５１を共有してもよい（ｍは２以上の整数）。これにより、新たなレーザ加工機、制御装置、及びノズル状態予測装置が配置されても学習済みモデル３５１を適用することができる。
なお、ノズル状態予測装置３０Ａ（１）－３０Ａ（ｍ）の各々は、制御装置１０Ａ（１）－１０Ａ（ｍ）の各々と接続され、制御装置１０Ａ（１）－１０Ａ（ｍ）の各々は、レーザ加工機２０Ａ（１）－２０Ａ（ｍ）の各々と接続される。
また、制御装置１０Ａ（１）－１０Ａ（ｍ）の各々は、図１の制御装置１０に対応する。レーザ加工機２０Ａ（１）－２０Ａ（ｍ）の各々は、図１のレーザ加工機２０に対応する。ノズル状態予測装置３０Ａ（１）－３０Ａ（ｍ）の各々は、図１のノズル状態予測装置３０に対応する。
あるいは、図８に示すように、サーバ５０は、例えば、ノズル状態予測装置３０として動作し、ネットワーク６０に接続された制御装置１０Ａ（１）－１０Ａ（ｍ）の各々に対して、これから行うレーザ加工条件におけるノズルの劣化の度合いを予測してもよい。これにより、新たなレーザ加工機及び制御装置が配置されても学習済みモデル３５１を適用することができる。
また例えば、上述の実施形態では、ノズル状態予測装置３０は、機械学習装置４０から提供された学習済みモデル３５１を用いて、１つの制御装置１０から取得したこれから行うレーザ加工条件によるレーザ加工後のオペレータにより選択されたノズルの劣化の度合いを予測したが、これに限定されない。例えば、図７に示すように、サーバ５０は、機械学習装置４０により生成された学習済みモデル３５１を記憶し、ネットワーク６０に接続されたｍ個のノズル状態予測装置３０Ａ（１）－３０Ａ（ｍ）と学習済みモデル３５１を共有してもよい（ｍは２以上の整数）。これにより、新たなレーザ加工機、制御装置、及びノズル状態予測装置が配置されても学習済みモデル３５１を適用することができる。
なお、ノズル状態予測装置３０Ａ（１）－３０Ａ（ｍ）の各々は、制御装置１０Ａ（１）－１０Ａ（ｍ）の各々と接続され、制御装置１０Ａ（１）－１０Ａ（ｍ）の各々は、レーザ加工機２０Ａ（１）－２０Ａ（ｍ）の各々と接続される。
また、制御装置１０Ａ（１）－１０Ａ（ｍ）の各々は、図１の制御装置１０に対応する。レーザ加工機２０Ａ（１）－２０Ａ（ｍ）の各々は、図１のレーザ加工機２０に対応する。ノズル状態予測装置３０Ａ（１）－３０Ａ（ｍ）の各々は、図１のノズル状態予測装置３０に対応する。
あるいは、図８に示すように、サーバ５０は、例えば、ノズル状態予測装置３０として動作し、ネットワーク６０に接続された制御装置１０Ａ（１）－１０Ａ（ｍ）の各々に対して、これから行うレーザ加工条件におけるノズルの劣化の度合いを予測してもよい。これにより、新たなレーザ加工機及び制御装置が配置されても学習済みモデル３５１を適用することができる。
【0052】
なお、一実施形態における、ノズル状態予測装置３０、及び機械学習装置４０に含まれる各機能は、ハードウェア、ソフトウェア又はこれらの組み合わせによりそれぞれ実現することができる。ここで、ソフトウェアによって実現されるとは、コンピュータがプログラムを読み込んで実行することにより実現されることを意味する。
【0053】
ノズル状態予測装置３０、及び機械学習装置４０に含まれる各構成部は、電子回路等を含むハードウェア、ソフトウェア又はこれらの組み合わせにより実現することができる。ソフトウェアによって実現される場合には、このソフトウェアを構成するプログラムが、コンピュータにインストールされる。また、これらのプログラムは、リムーバブルメディアに記録されてユーザに配布されてもよいし、ネットワークを介してユーザのコンピュータにダウンロードされることにより配布されてもよい。また、ハードウェアで構成する場合、上記の装置に含まれる各構成部の機能の一部または全部を、例えば、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ゲートアレイ、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＣＰＬＤ（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）等の集積回路（ＩＣ）で構成することができる。
【0054】
プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（Ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（Ｔａｎｇｉｂｌｅ ｓｔｏｒａｇｅ ｍｅｄｉｕｍ）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えば、フレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば、光磁気ディスク）、ＣＤ－ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ ＰＲＯＭ）、フラッシュＲＯＭ、ＲＡＭを含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（Ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は、無線通信路を介して、プログラムをコンピュータに供給できる。
【0055】
なお、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。
【0056】
以上を換言すると、本開示の機械学習装置、ノズル状態予測装置、及び制御装置は、次のような構成を有する各種各様の実施形態を取ることができる。
【0057】
（１）本開示の機械学習装置４０は、任意のレーザ加工機２０による任意のワークに対する任意のレーザ加工のレーザ加工条件と、レーザ加工条件によるレーザ加工前のノズルの劣化の度合いと、を含む入力データを取得する入力データ取得部４０１と、入力データに含まれるレーザ加工条件によるレーザ加工後のノズルの劣化の度合い、を示すラベルデータを取得するラベル取得部４０２と、入力データ取得部４０１により取得された入力データと、ラベル取得部４０２により取得されたラベルデータと、を用いて、教師あり学習を実行し、学習済みモデル３５１を生成する学習部４０３と、を備える。
この機械学習装置４０によれば、レーザ加工を行う前に、前記レーザ加工を行った場合のノズルの状態の良否（劣化の度合い）を予測できる学習済みモデルを生成することができる。
この機械学習装置４０によれば、レーザ加工を行う前に、前記レーザ加工を行った場合のノズルの状態の良否（劣化の度合い）を予測できる学習済みモデルを生成することができる。
【0058】
（２） （１）に記載の機械学習装置４０において、レーザ加工条件は、少なくともレーザ光の出力、レーザ光の周波数、加工の時間又はレーザ照射時間、使用するガスの種類、ガスの噴出量、及びレーザ光を集光するレンズの焦点距離のうちの一部を含んでもよい。
そうすることで、機械学習装置４０は、ノズルの状態の良否（劣化の度合い）を精度良く予測することができる学習済みモデル３５１を生成することができる。
そうすることで、機械学習装置４０は、ノズルの状態の良否（劣化の度合い）を精度良く予測することができる学習済みモデル３５１を生成することができる。
【0059】
（３）本開示のノズル状態予測装置３０は、（１）又は（２）に記載の機械学習装置により生成された学習済みモデル３５１と、レーザ加工機２０によるこれから行うレーザ加工に先立って、レーザ加工に係るレーザ加工条件と、レーザ加工前のノズルの劣化の度合いと、を入力する入力部と、学習済みモデル３５１を用いて、入力部３０１により入力された、レーザ加工条件によるレーザ加工後のノズルの劣化の度合いを予測する予測部３０２と、を備える。
このノズル状態予測装置３０によれば、レーザ加工を行う前に、前記レーザ加工を行った場合のノズルの状態の良否（劣化の度合い）を予測することができる。
このノズル状態予測装置３０によれば、レーザ加工を行う前に、前記レーザ加工を行った場合のノズルの状態の良否（劣化の度合い）を予測することができる。
【0060】
（４） （３）に記載のノズル状態予測装置３０において、予測部３０２により予測されたノズルの劣化の度合いと、予め設定された閾値との比較に基づいて、ノズルが適正か否かを判定する決定部３０３をさらに備えてもよい。
そうすることで、ノズル状態予測装置３０は、レーザ加工を行う前に、前記レーザ加工を行った場合のノズルの状態の良否（劣化の度合い）を精度良く判定することができる。
そうすることで、ノズル状態予測装置３０は、レーザ加工を行う前に、前記レーザ加工を行った場合のノズルの状態の良否（劣化の度合い）を精度良く判定することができる。
【0061】
（５） （４）に記載のノズル状態予測装置３０において、決定部３０３は、ノズルが適正でない場合、レーザ加工前にノズルに対してメンテナンス又は交換を行う時期か否かを判定してもよい。
そうすることで、ノズル状態予測装置３０は、レーザ加工中にノズルのメンテナンス又は交換を行うことを回避することができ、加工品位の低下を回避することができる。
そうすることで、ノズル状態予測装置３０は、レーザ加工中にノズルのメンテナンス又は交換を行うことを回避することができ、加工品位の低下を回避することができる。
【0062】
（６） （４）に記載のノズル状態予測装置３０において、決定部３０３は、ノズルが適正でない場合、予測部３０２により予測されたノズルの劣化の度合いと、予め設定された閾値との比較に基づいて、ノズルの劣化の度合いが閾値を超過しないように、レーザ加工条件を変更してもよい。
そうすることで、ノズル状態予測装置３０は、レーザ加工開始前に、どの程度レーザ加工するとノズルのメンテナンス又は交換が必要になるかのタイミングを事前に予測することができる。
そうすることで、ノズル状態予測装置３０は、レーザ加工開始前に、どの程度レーザ加工するとノズルのメンテナンス又は交換が必要になるかのタイミングを事前に予測することができる。
【0063】
（７） （３）から（６）のいずれかに記載のノズル状態予測装置３０において、学習済みモデル３５１を、ノズル状態予測装置３０からネットワーク６０を介してアクセス可能に接続されるサーバ５０に備えてもよい。
そうすることで、新たな制御装置１０、レーザ加工機２０、及びノズル状態予測装置３０が配置されても学習済みモデル３５１を適用することができる。
そうすることで、新たな制御装置１０、レーザ加工機２０、及びノズル状態予測装置３０が配置されても学習済みモデル３５１を適用することができる。
【0064】
（８） （３）から（７）のいずれかに記載のノズル状態予測装置３０において、（１）又は（２）に記載の機械学習装置４０を備えてもよい。
そうすることで、ノズル状態予測装置３０は、上述の（１）から（７）のいずれかと同様の効果を奏することができる。
そうすることで、ノズル状態予測装置３０は、上述の（１）から（７）のいずれかと同様の効果を奏することができる。
【0065】
（９）本開示の制御装置１０は、ノズル状態予測装置３０を備えてもよい。
この制御装置１０によれば、上述の（１）から（８）のいずれかと同様の効果を奏することができる。
この制御装置１０によれば、上述の（１）から（８）のいずれかと同様の効果を奏することができる。
【符号の説明】
【0066】
１０ 制御装置
２０ レーザ加工機
３０ ノズル状態予測装置
４０ 機械学習装置
３０１ 入力部
３０２ 予測部
３０３ 決定部
３０４ 通知部
３０５ 記憶部
３５１ 学習済みモデル
３５２ ノズル管理テーブル
４０１ 入力データ取得部
４０２ ラベル取得部
４０３ 学習部
４０４ 記憶部
２０ レーザ加工機
３０ ノズル状態予測装置
４０ 機械学習装置
３０１ 入力部
３０２ 予測部
３０３ 決定部
３０４ 通知部
３０５ 記憶部
３５１ 学習済みモデル
３５２ ノズル管理テーブル
４０１ 入力データ取得部
４０２ ラベル取得部
４０３ 学習部
４０４ 記憶部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】