机器学习装置、激光加工装置以及激光加工系统
技术领域
本发明涉及机器学习装置、激光加工装置以及激光加工系统。
背景技术
以往，已知一种激光加工装置，其在规定方向上对工件扫描激光光束来进行加工。
例如，专利文献1记载有如下内容：为了避免检流计镜(galvanometer mirror)或检流计扫描器(galvanometer scanner，振镜扫描器)的温度变化导致的加工位置精度降低，激光加工装置通过检流计镜来使激光光束偏转，通过fθ透镜来进行聚光加工，激光加工装置具有：对检流计镜的温度进行检测的检流计温度检测单元、对fθ透镜的温度进行检测的透镜温度检测单元、根据来自该检流计温度检测单元和透镜温度检测单元的温度，对检流计镜的偏转位移动作位置进行控制的单元。
此外，专利文献2记载有如下内容：检流计扫描器的控制装置具有：控制单元，其根据目标值与当前值的偏差来使镜致动器动作，控制射入到镜的光的射出角，使得即使摆动轴发生热变形也能够进行高精度的加工，检流计扫描器的控制装置具有：对供给到致动器的电流值与偏差量的关系进行存储的单元、根据供给到致动器的电流值推定偏差量的单元，控制单元在加工时根据电流值来推定偏差量，并对目标值进行校正，以抵消推定出的偏差量。
此外，专利文献3记载有如下内容：一种激光加工装置，其控制检流计反射镜来控制加工对象物的加工位置，对加工对象物进行激光加工，使得通过简单的结构就能准确地校正激光加工的位置偏差从而能够高精度地对加工对象物进行加工，激光加工装置具有：位置指令制作部，其根据偏移校正系数在规定时刻对加工目标坐标进行校正，并且根据温度校正系数在规定时刻对加工目标坐标进行校正，将校正结果作为位置指令信息进行输出，其中，偏移校正系数用于对基于加工位置偏差而计算出的加工目标坐标进行校正，温度校正系数用于对基于检流计反射镜的温度以及加工位置偏差而计算出的加工目标坐标进行校正；检流计镜控制部，其根据位置指令信息来控制检流计反射镜。
现有技术文献
专利文献1：日本特开2003-290944号公报
专利文献2：日本特开2005-292322号公报
专利文献3：日本特开2007-21507号公报
发明内容
在对激光加工机的激光光束的距目标位置的位置偏差进行校正时，位置偏差因加工中的检流计镜的温度变化导致的热变形等发生变化，而位置偏差受到多个光学部件以及结构部件影响，因此，存在难以与温度变化相对应地求出校正量这样的课题。
(1)本公开的第一方式提供一种机器学习装置，其对激光加工装置进行机器学习，所述激光加工装置具有对激光光束进行反射的多个检流计镜以及分别对所述多个检流计镜进行旋转驱动的多个检流计电动机，所述激光加工装置对工件扫描激光光束，所述机器学习装置具有：输入数据取得单元，其取得所述多个检流计镜以及所述多个检流计电动机中的至少2个检测温度作为输入数据；标签取得单元，其取得系数作为标签，其中，所述系数用于根据所述激光光束加工的所述工件的相对于加工目标位置的实际加工位置，求出所述加工目标位置；以及学习单元，其将所述标签与所述输入数据的组作为训练数据来进行监督学习，由此构建数学公式模型，其中，所述数学公式模型用于基于所述至少2个检测温度，根据所述工件的实际加工位置计算所述加工目标位置。
(2)本公开的第二方式提供一种激光加工装置，具有：上述(1)的机器学习装置；扫描头，其具有对激光光束进行反射的多个检流计镜以及分别对所述多个检流计镜进行旋转驱动的多个检流计电动机，所述扫描头对工件扫描激光光束；位置指令制作单元，其制作所述工件的加工目标位置；位置检测单元，其检测所述工件的相对于所述加工目标位置的实际加工位置；系数计算单元，其计算系数，其中，所述系数用于根据从所述位置检测单元输出的所述实际加工位置，求出从所述位置指令制作单元输出的所述加工目标位置；至少2个温度检测单元，其检测所述多个检流计镜以及所述多个检流计电动机中的至少2个检测温度；以及校正位置指令制作单元，其使用从所述机器学习装置输出的数学公式模型，根据由所述至少2个温度检测单元检测出的至少2个检测温度下的所述工件的所述加工目标位置，计算用于使所述加工目标位置为实际加工位置的校正后的加工目标位置，其中，所述数学公式模型用于基于所述至少2个检测温度，根据所述工件的相对于所述加工目标位置的实际加工位置，计算所述加工目标位置。
(3)本公开的第三方式提供一种激光加工装置，具有：扫描头，其具有对激光光束进行反射的多个检流计镜以及分别对所述多个检流计镜进行旋转驱动的多个检流计电动机，所述扫描头对工件扫描激光光束；位置指令制作单元，其制作所述工件的加工目标位置；至少2个温度检测单元，其检测所述多个检流计镜以及所述多个检流计电动机中的至少2个检测温度；以及校正位置指令制作单元，其使用数学公式模型，根据由所述至少2个温度检测单元检测出的至少2个检测温度下的所述工件的所述加工目标位置，计算用于使所述加工目标位置为实际加工位置的校正后的加工目标位置，其中，所述数学公式模型是通过将所述至少2个检测温度作为输入数据、将系数作为标签的监督学习而获得的数学公式模型，所述系数用于根据所述激光光束加工的所述工件的相对于所述加工目标位置的实际加工位置，求出所述加工目标位置。
(4)本公开的第四方式提供一种激光加工系统，具有：上述(1)的机器学习装置以及激光加工装置，所述激光加工装置具有：扫描头，其具有对激光光束进行反射的多个检流计镜以及分别对所述多个检流计镜进行旋转驱动的多个检流计电动机，所述扫描头对工件扫描激光光束；位置指令制作单元，其制作所述工件的加工目标位置；位置检测单元，其检测所述工件的相对于所述加工目标位置的实际加工位置；系数计算单元，其计算系数，其中，所述系数用于根据从所述位置检测单元输出的所述实际加工位置，求出从所述位置指令制作单元输出的所述加工目标位置；至少2个温度检测单元，其检测所述多个检流计镜以及所述多个检流计电动机中的至少2个检测温度；以及校正位置指令制作单元，其使用从所述机器学习装置输出的数学公式模型，根据由所述至少2个温度检测单元检测出的至少2个检测温度下的所述工件的所述加工目标位置，计算用于使所述加工目标位置为实际加工位置的校正后的加工目标位置，其中，所述数学公式模型用于基于所述至少2个检测温度，根据所述工件的相对于所述加工目标位置的实际加工位置，计算所述加工目标位置。
发明效果
根据上述各方式，在对激光加工装置的激光光束距目标位置的位置偏差进行校正时，能够与温度变化相对应地进行受到多个光学部件以及结构部件影响的校正。
附图说明
图1是表示本公开的一实施方式的激光加工装置的机器学习中的结构的框图。
图2是表示本公开的一实施方式的激光加工装置的机器学习后的结构的框图。
图3是对激光加工装置中的扫描头的光学系统的一部分、CCD照相机以及温度传感器进行说明的图。
图4是表示扫描头的光学系统的整体结构的图。
图5是表示通过学习用程序而射出到工件上的激光光束的扫描路径的图。
图6是表示校正前的加工目标位置数据(x，y)的图。
图7是表示用于求出系数aij、bij的、联立数学公式1而得的行列式的图。
图8是表示指令位置与实际照射位置的、校正前与校正后的关系的说明图。
图9是表示机器学习部的结构的框图。
图10是表示深度学习的学习部的结构的说明图。
图11是表示本实施方式中的机器学习部的机器学习进行的动作的流程图。
图12是表示本公开的一实施方式的激光加工系统的结构的框图。
符号说明
10激光加工装置
20工件
30激光加工系统
100 控制部
101 程序解析部
102 激光指令输出部
103 位置指令制作部
104 头控制部
105 校正位置指令制作部
200 激光振荡器
300 扫描头
400 CCD照相机
500 温度传感器
600 系数计算部
700 机器学习部
L 激光光束
具体实施方式
以下，参照附图对本公开的实施方式进行说明。
[激光加工装置的整体结构]
图1是表示本公开的一实施方式的激光加工装置的机器学习中的结构的框图。图2是表示本公开的一实施方式的激光加工装置的机器学习后的结构的框图。图3是对激光加工装置中的扫描头(scanner head)的光学系统的一部分、CCD照相机以及温度传感器进行说明的图。
在图1以及图2中，激光加工装置10具有：控制部100、激光振荡器200、扫描头300、CCD照相机400、温度传感器500、系数计算部600以及机器学习部700。系数计算部600可以包含在机器学习部700中。
控制部100具有：程序解析部101、激光指令输出部102、位置指令制作部103、头控制部104、以及校正位置指令制作部105。校正位置指令制作部105可以包含在位置指令制作部103中。
在本实施方式中，在机器学习中，在不使校正位置指令制作部105动作的状态下，使控制部100、激光振荡器200、扫描头300、CCD照相机400、温度传感器500、系数计算部600、以及机器学习部700动作。激光加工装置10不进行对实际加工位置相对于机器学习用加工程序的加工目标位置的位置偏差进行抑制的控制。因此，在图1中，来自位置指令制作部103的加工目标位置数据不输入到校正位置指令制作部105，来自温度传感器500的检测温度不输入到校正位置指令制作部105。因此，在图1中，表示位置指令制作部103与校正位置指令制作部105之间的路径、以及温度传感器500与校正位置指令制作部105之间的路径不发挥功能的意思，这些路径用虚线表示。
另一方面，在本实施方式中，在机器学习后，在不使CCD照相机400、系数计算部600、以及机器学习部700动作的状态下，使控制部100、激光振荡器200、扫描头300、以及温度传感器500动作。激光加工装置10使用校正位置指令制作部105，来进行抑制实际加工位置相对于实际加工程序的加工目标位置的位置偏差的控制。因此，在图2中，来自CCD照相机400的输出不输入到系数计算部600，来自位置指令制作部103的输出不输入到系数计算部600。此外，来自系数计算部600的输出不输入到机器学习部700，来自温度传感器500的检测温度不输入到机器学习部700。因此，在图2中，表示系数计算部600、CCD照相机400和位置指令制作部103之间的路径、以及机器学习部700、系数计算部600和温度传感器500之间的路径不发挥功能的意思，这些路径用虚线表示。在机器学习后，激光加工装置可以构成为与CCD照相机400、系数计算部600、以及机器学习部700分离的，不具有CCD照相机400、系数计算部600以及机器学习部700的装置。
另外，为了不使各路线发挥功能，例如，设置成各路线的信号输出侧不输出信号，或设置成信号输入侧不接收信号，或者在各路线设置开关对信号的导通或者切断进行切换即可。
程序解析部101，在机器学习后的实际加工时从未图示的输入装置接收实际加工程序，在机器学习中从未图示的输入装置接收机器学习用加工程序(以下，称为学习用程序)，对实际加工程序或者学习用程序进行解析。
程序解析部101对实际加工程序或者学习用程序进行解析，根据该解析结果，生成从扫描头300射出的激光光束L的激光输出信息，将生成的激光输出信息输出给激光指令输出部102。此外，程序解析部101生成关于扫描头300的激光光束扫描方向和目标速度的动作指令信息，并将生成的动作指令信息输出给位置指令制作部103。
激光指令输出部102对激光振荡器200输出激光输出指令，使得从扫描头300射出的激光光束L成为基于从程序解析部101输出的激光输出信息的、所希望的激光输出。
激光振荡器200由激光介质、光共振器以及激发源等(都未图示)构成。激光振荡器200生成基于激光输出指令的激光输出的激光光束L，将生成的激光光束L射出到扫描头300。
扫描头300例如是如下的检流计扫描器：接受从激光振荡器200射出的激光光束L，能够对工件20扫描激光光束L。如图3所示，扫描头300具有：2个检流计镜301、302，其使从激光振荡器200射出的激光光束L反射；检流计电动机(galvanometer motor，振镜电机)311、312，其分别对检流计镜301、302进行旋转驱动；防护玻璃(cover glass)320。此外，如图4所示，扫描头300具有：3个聚焦透镜330、340、350、反射镜360。
防护玻璃320是圆柱状，其透过由检流计镜301、302依次反射而朝向工件20的激光光束L，并且具有保护扫描头300的内部的功能。
位置指令制作部103在机器学习中根据动作指令信息来制作加工目标位置数据，将加工目标位置数据作为位置指令输出给头控制部104和系数计算部600。位置指令制作部103是位置指令制作单元。位置指令制作部103在机器学习后将加工目标位置数据输出给校正位置指令制作部105，将由校正位置指令制作部105生成的、校正后的加工目标位置数据作为位置指令输出给头控制部104。另外，校正后的加工目标位置数据可以不经由位置指令制作部103，而直接从校正位置指令制作部105输出给头控制部104。
头控制部104将从位置指令制作部103输出的位置指令作为使检流计电动机311、312旋转的驱动控制数据，输出给扫描头300。扫描头300的检流计电动机311、312根据驱动控制数据使检流计镜301、302绕彼此正交的2个旋转轴J1、J2独立旋转，对从扫描头300射出到工件20的激光光束L的扫描进行控制。
适当控制检流计电动机311、312的旋转驱动而使检流计镜301、302各自的旋转角度变化，由此，从扫描头300射出到工件20上的激光光束L的扫描路径可以在图5所示的X、Y方向上任意变化。
图5是表示通过学习用程序而射出到工件上的激光光束的扫描路径的图。如图5所示，激光光束的扫描路径为格子状。激光光束的扫描路径并非特别限定于格子状，也可以是其他形状。
CCD照相机400拍摄工件20的加工位置，从加工轨迹的输出图像中求出加工位置数据(x’，y’)，将求出的加工位置数据(x’，y’)输出给系数计算部600。CCD照相机400是位置检测单元。
温度传感器500测量对激光光束扫描造成影响的检流计镜301、302以及检流计电动机311、312的温度，在机器学习中输出给机器学习部700，在机器学习后输出给校正位置指令制作部105。
温度传感器500例如是与检流计镜301、302相邻设置的非接触型温度传感器500a1、500b1、以及安装于检流计电动机311、312的接触型温度传感器500a2、500b2。温度传感器500是温度检测单元。
因检流计镜301、302的热变形、检流计镜301、302的固定部的热变形导致的组装变形、检流计电动机311、312的固定部的热变形导致的组装变形等，会产生实际加工位置相对于加工目标位置的位置偏差。
此外，因3个聚焦透镜330、340、350以及反射镜360的热变形、3个聚焦透镜330、340、350以及反射镜360的固定部的热变形导致的组装变形，也会产生加工位置相对于加工目标位置的位置偏差。
并且，因激光光束导致的发热、检流计电动机的发热、环境温度的变化等要因，会发生加工位置相对于加工目标位置的位置偏差。
在本实施方式中，列举通过非接触型温度传感器500a1、500b1来测量检流计镜301、302的温度变化，通过接触型温度传感器500a2、500b2来测量检流计电动机311、312的温度变化的示例，进行说明。
另外，在考虑了3个聚焦透镜330、340、350以及反射镜360的温度变化来进行激光加工装置的温度校正时，对3个聚焦透镜330、340、350以及反射镜360的每一个，安装接触型或者非接触型温度传感器。
系数计算部600从位置指令制作部103获得校正前的加工目标位置数据(x，y)。此外，系数计算部600从CCD照相机400获得加工位置数据(x’，y’)。另外，CCD照相机400将输出图像输出，系数计算部600可以进行根据输出图像求出加工位置数据(x’，y’)的处理。该情况下，CCD照相机400和系数计算部600的一部分是位置检测单元。
然后，系数计算部600联立数学公式1(也记载为数学式1)求出M2点。系数计算部600为系数计算单元。
【数学式1】
图6是表示M2点的测量点的图。图7是表示用于通过M2点的测量点的加工位置数据(x’，y’)和加工目标位置数据(x，y)求出系数aij、bij的、联立了数学公式1而得的行列式的图。如图7所示联立代入了M2点(M2≥(N+1)2)的测量点的加工位置数据(x’，y’)和加工目标位置数据(x，y)而得的数学式1，由此求出系数aij、bij。
机器学习部700将来自温度传感器500的检测温度T作为输入数据，将从系数计算部600输出的系数aij、bij作为标签，对数学公式2(也记载为数学式2)所示的数学公式模型的、针对检测温度T的系数a’ij(T)、b’ij(T)进行学习，将数学公式2的数学公式模型输出给校正位置指令制作部105。机器学习部700是机器学习装置。具有根据检测温度T确定的系数a’ij(T)、b’ij(T)的数学公式2的数学公式模型，是将图7的系数aij、bij置换为系数a’ij(T)、b’ij(T)而得的行列式。
【数学式2】
来自温度传感器500的检测温度T是来自非接触型温度传感器500a1、500b1、以及接触型温度传感器500a2、500b2的检测温度。
校正位置指令制作部105在机器学习后，使用从机器学习部700输出的、具有系数a’ij(T)、b’ij(T)的数学公式2的数学公式模型，根据来自温度传感器500的检测温度，对从位置指令制作部103输出的加工目标位置数据(x，y)进行校正，将校正后的加工目标位置数据(x”，y”)输出给位置指令制作部103。校正位置指令制作部105是校正位置指令制作单元。
可以通过将数学公式2的x、y置换为x”、y”，将x’、y’置换为x、y而得的数学公式3的数学公式模型(也称为数学式3)，求出校正后的加工目标位置数据(x”，y”)。
【数学式3】
位置指令制作部103将加工目标位置数据(x”，y”)作为位置指令输出给头控制部104。通过头控制部104来驱动扫描头300。
图8是表示指令位置与实际照射位置(加工位置)的、校正前与校正后的关系的说明图。
头控制部104在机器学习中，通过作为指令位置的加工目标位置数据(x，y)来对扫描头300进行扫描，系数计算部600从CCD照相机400中获得在工件20上对激光光束进行扫描而得的加工轨迹的输出图像，求出表示实际照射位置的加工位置数据(x’，y’)。在图8所示的示例中，加工位置数据(x’，y’)相对于加工目标位置数据(x，y)，关于x方向产生x坐标的绝对值变大这样的位置偏差，关于y方向产生y坐标的绝对值变小这样的位置偏差。
机器学习部700对将加工位置数据(x’，y’)作为加工目标位置数据(x，y)的、数学公式2的数学公式模型的、根据检测温度T确定的系数a’ij(T)、b’ij(T)进行学习。
校正位置指令制作部105在机器学习后，使用数学公式3所示的数学公式模型，根据来自温度传感器500的检测温度，对从位置指令制作部103输出的加工目标位置数据(x，y)进行校正，获得校正后的加工目标位置数据(x”，y”)。
位置指令制作部103将加工目标位置数据(x”，y”)作为位置指令输出给头控制部104。头控制部104根据作为指令位置的加工目标位置数据(x”，y”)，来对扫描头300进行扫描。通过扫描头300的扫描而获得的实际照射位置(加工位置)与加工目标位置数据(x，y)对应。
这样，可以获得抑制了实际加工位置相对于加工目标位置的位置偏差的激光加工装置。
接下来，使用图9，对作为机器学习装置的机器学习部700的结构以及动作进行进一步说明。图9是表示机器学习部的结构的框图。
如图9所示，机器学习部700具有：作为输入数据取得单元的输入数据取得部710、作为标签取得单元的标签取得部720、作为学习单元的学习部730、以及数学公式模型存储部740。
输入数据取得部710从温度传感器500取得检测温度T，将取得的输入数据输出给学习部730。来自温度传感器500的检测温度T在这里是来自非接触型温度传感器500a1、500b1、以及接触型温度传感器500a2、500b2的检测温度。
标签取得部720从系数计算部600取得系数aij、bij，将取得的标签输出给学习部730。
这样，作为输入数据的检测温度T与作为标签的系数aij、bij的组，被输入到学习部730。该输入数据和标签的组相当于机器学习中的训练数据。
学习部730根据这样输入的训练数据来进行监督学习，由此，求出根据检测温度T确定的系数a’ij(T)、b’ij(T)。这里，监督学习本身对于本领域技术人员而言是熟知的，因此省略详细的说明，对其概略进行说明。
例如由将感知器组合而构成的神经网络，来进行监督学习。具体来说，将包含在训练数据中的输入数据即检测温度T和标签即系数aij、bij的组给予神经网络，一边变更对于各感知器(perceptron)的权重一边重复学习，使得神经网络的输出与标签相同。
例如，在进行了正向传播(Forward-propagation)后，通过重复进行反向传播(Back-propagation，也称为误差反向传播法)这样的处理，调整权重值以降低各感知器的输出误差。
另外，供学习部730用于学习的神经网络可以是三层，也可以在此基础上进一步增加层。也可以通过所谓的深度学习(也称为深层学习。)来进行学习。图10是表示深度学习的学习部的结构的说明图。在图10中，神经网络由输入层、中间层、输出层构成，这里，中间层由3层构成。图10的温度T0～TL表示成为神经网络的输入的检测温度T，系数a00～aNN表示通过神经网络求出的系数。另外，这里温度T0～TL为T0～T3(L＝3)，温度T0～T3与来自非接触型温度传感器500a1、500b1、以及接触型温度传感器500a2、500b2的检测温度对应。
由此，学习训练数据的特征，归纳获得用于根据输入推定输出的系数a’ij(T)、b’ij(T)。
这里，监督学习是一边如上所述地使权重的值不同，一边使标签与输出数据的误差消失的学习。并且，本实施方式的标签是系数aij、bij，输入是检测温度T。因此，学习部730重复学习而求出的系数a’ij(T)、b’ij(T)，为了从加工位置数据(x’，y’)求出加工目标位置数据(x，y)，而成为数学公式2的系数。
具有学习部730求出的系数a’ij(T)、b’ij(T)的数学公式2的数学公式模型，被输出给数学公式模型存储部740。
数学公式模型存储部740是对具有学习部730求出的系数a’ij(T)、b’ij(T)的数学公式2的数学公式模型进行存储的存储部。
校正位置指令制作部105在实际加工前，从数学公式模型存储部740取得数学公式2的数学公式模型，使用数学公式2的数学公式模型，来构建数学公式3的数学公式模型。该数学公式3的数学公式模型是从加工目标位置数据(x，y)获得校正后的加工目标位置数据(x”，y”)的数学公式模型。加工目标位置数据(x”，y”)是对加工目标位置数据(x，y)校正与检测温度T对应地产生的实际位置偏差而得的值。根据该加工目标位置数据(x”，y”)，对扫描头300进行扫描而获得的实际照射位置(加工位置)，是与加工目标位置数据(x，y)对应的。
以上，对机器学习部700的功能块进行了说明。为了实现这些功能块，机器学习部700具有CPU(Central Processing Unit)等运算处理装置。此外，机器学习部700具有存储了各种控制用程序的HDD(Hard Disk Drive)等辅助存储装置，或存储运算处理装置执行程序之后暂时需要的数据的RAM(Random Access Memory)这样的主存储装置。
并且，在机器学习部700中，运算处理装置从辅助存储装置中读入应用或OS，一边在主存储装置上展开读入的应用或OS，一边进行根据这些应用或OS的运算处理。此外，根据其运算结果，控制各装置具有的各种硬件。由此，实现本实施方式的机器学习部700的功能块。也就是说，本实施方式可以通过硬件与软件协作来实现。
作为具体例，机器学习部700可以通过个人计算机或服务器装置或者数值控制装置(CNC：Computerized Numerical Control)的一部分等来实现。
其中，关于机器学习部700，由于伴随机器学习的运算量增多，因此例如通过在个人计算机上搭载GPU(Graphics Processing Units，图形处理单元)，称为GPGPU(General-Purpose computing on Graphics Processing Units，图形处理单元上的通用计算)的技术，将GPU用于伴随机器学习的运算处理，则可以进行高速处理。并且，为了进行更高速的处理，可以使用多台搭载了这样的GPU的计算机来构筑计算机集群，通过包含在该计算机集群中的多个计算机来进行并行处理。
接下来，参照图11的流程对本实施方式的机器学习部700的机器学习进行的动作进行说明。
在步骤S11中，机器学习部700判断机器学习是否结束。
这里，在机器学习结束时，在步骤S11中判定为是(Yes)，处理结束。在机器学习没有结束时，在步骤S11中判定为否(No)处理向步骤S12推进。
在步骤S12以及步骤S13中，机器学习部700的输入数据取得部710以及标签取得部720取得输入数据和标签。这些数据的具体内容如上所述。
在步骤S14中，机器学习部700的学习部730使用输入的训练数据来执行机器学习。使用了该训练数据的机器学习的具体内容也如上所述。
在步骤S15中，学习部730将具有所求出的系数aij、bij的学习模型输出给数学公式模型存储部740，由此，对学习模型进行更新。之后，处理再次向步骤S11推进。
像这样在机器学习结束之前，重复步骤S11～步骤S15的处理，使得学习得以继续。另外，例如可以通过来自用户的指示来结束机器学习，也可以在机器学习重复了预先设定的次数时结束机器学习。
这样，可以构建用于抑制实际加工位置相对于加工目标位置的位置偏差的数学公式模型。
另外，本实施方式涉及的激光加工装置的扫描头可以具有通过彼此独立的检流计电动机而进行旋转的3个以上的检流计镜。
上述实施方式是本发明的优选实施方式，但是并非将本发明的范围仅限定于上述各实施方式，可以在不脱离本发明精神的范围内以实施了各种变更的方式来进行实施。例如，能够以实施了以下所记载那样的变更的方式来实施。
＜控制部具有系数计算部以及机器学习部中的至少一个的变形例＞
在上述实施方式中，通过与控制部100分开的装置构成了系数计算部600以及机器学习部700。但是，也可以通过控制部100来实现系数计算部600的功能的一部分或者全部。此外，还可以通过控制部100来实现机器学习部700的功能的一部分或者全部。
＜系统结构的自由度＞
在上述实施方式装置中，机器学习部700与控制部100、温度传感器500以及系数计算部600连接而构成激光加工装置，但是本实施方式的结构不限于这样的结构。
图12是表示本公开的一实施方式的激光加工系统的结构的框图。如图12所示，激光加工系统30具有n台激光加工部10A-1～10A-n、n台机器学习部700-1～700-n、以及网络800。另外，n是任意的自然数。n台机器学习部700-1～700-n与图1以及图2所示的机器学习部700对应。此外，激光加工部10A-1～10A-n的每一个与图1以及图2中不具有机器学习部700的激光加工装置10对应。
这里，激光加工部10A-1与机器学习部700-1为1对1的组，经由网络800能够通信地连接。激光加工部10A-2～10A-n和机器学习部700-2～700-n也与激光加工部10A-1和机器学习部700-1同样地连接。在图12中，激光加工部10A-1～10A-n与机器学习部700-1～700-n的n个组，经由网络800连接，而关于激光加工部10A-1～10A-n和机器学习部700-1～700-n的n个组，各组的激光加工部与机器学习部可以经由连接接口直接连接。激光加工部10A-1～10A-n与机器学习部700-1～700-n的n个组，例如可以在同一个工厂中设置多组，也可以分别设置于不同的工厂中。
网络800例如是在工厂内构建的LAN(Local Area Network，局域网)、互联网、公共电话网、或者它们的组合。对于网络800中具体的通信方式是有线连接还是无线连接等不做特别限定。
此外，1台机器学习部与多个激光加工部可以接或者经由网络能够通信地连接，实施各激光加工部的机器学习。
此时，可以为将机器学习部的各功能适当分散于多个服务器的分散处理系统。此外，机器学习部的各功能也可以在云上利用虚拟服务器功能等来实现。
此外，当存在多个相同型号名称、相同规格、或者相同系列的、图1以及图2所示那样的、多个激光加工装置时，可以构成为共享各激光加工装置中的学习结果。这样，能够构建更理想的模型。
＜在线学习、批量学习以及小批量学习＞
上述学习部730的监督学习可以通过在线学习来进行，也可以通过批量学习来进行，还可以通过小批量学习来进行。
所谓在线学习是由激光加工装置进行驱动制作训练数据时，立即进行监督学习这样的学习方法。此外，所谓批量学习是在重复由激光加工装置进行驱动制作训练数据的期间，收集与重复对应的多个训练数据，使用收集到的全部训练数据，进行监督学习这样的学习方法。进而，所谓小批量学习是在线学习与批量学习中间的学习方法，是每当积攒了某种程度训练数据时进行监督学习这样的学习方法。
此外，以上说明的实施方式可以通过硬件、软件或者它们的组合来实现。这里，所谓通过软件来实现，是通过由计算机读入程序进行执行从而实现。在由硬件构成时，例如，可以通过LSI(Large Scale Integrated circuit)、ASIC(Application SpecificIntegrated Circuit)、门阵列、FPGA(Field Programmable Gate Array)等集成电路(IC)来构成各实施方式的一部分或者全部。
此外，在通过软件与硬件的组合构成上述的实施方式的一部分或者全部时，在由对记述了流程图所示的机器学习装置的动作的全部或者一部分的程序进行存储的、硬盘、ROM等存储部、存储运算所需的数据的DRAM、CPU、以及连接各部的总线构成的计算机中，可以将运算所需的信息存储在DRAM中，可以通过CPU使该程序动作，由此来实现。
可以使用各种类型的计算机可读记录介质(computer readable medium)来存储程序并将该程序提供给计算机。计算机可读记录介质包含各种类型的有实体的记录介质(tangible storage medium)。计算机可读记录介质的示例包含：磁记录介质(例如，硬盘驱动器)、光-磁记录介质(例如，光磁盘)、CD-ROM(Read Only Memory)、CD-R、CD-R/W、半导体存储器(例如，掩模ROM、PROM(Programmable ROM)、EPROM(Erasable PROM)、闪存ROM、RAM(random access memory)。
