2024-006742

この出願（以下「本願」という。）は、令和元年５月２０日に出願されたものであって、出願後の手続の経緯は、概略、以下のとおりである。

１ 令和４年１１月２９日付け

拒絶の理由を通知。

２ 令和５年 ３月 ６日

意見書及び手続補正書の提出。

３ 令和５年 ７月 ３日付け

最後の拒絶の理由を通知。

４ 令和５年１１月 ８日

意見書及び手続補正書の提出。

５ 令和６年 ２月１４日付け

補正の却下の決定及び拒絶をすべき旨の査定。

６ 令和６年 ４月１９日

審判請求書及び手続補正書の提出。

７ 令和７年 ７月１６日付け

拒絶の理由を通知（以下、この通知を「当審拒絶理由通知」という。）。

８ 令和７年 ９月１８日

意見書及び手続補正書の提出。

ア 発明の詳細な説明

「【０００１】

本発明は、レーザ発振器に供給される駆動電力データを含むレーザ加工条件データを学習する機械学習装置、レーザ加工システムおよび機械学習方法に関する。

・・・

【０００２】

続きを表示（全70行）

被加工物に対して、切断や溶接等の加工を行うためのレーザ加工システムにおいては、加工精度や加工品質が高い加工結果が高速で得られるように、最適なレーザ加工条件で加工するのが望ましい。

・・・

【００１５】

従って、本発明の目的は、以上のような状況を鑑み、多数のレーザ加工条件パラメータ、ならびにレーザ加工結果に影響を与える可能性のあるレーザ加工システムの多数の状態量が存在する場合であっても、レーザ加工システムの状態がレーザ加工の結果に及ぼす影響も考慮して高速で高品質かつ高精度な加工結果を得るために最適あるいは略最適な加工結果が得られるレーザ加工条件データを決定することができる機械学習装置、この機械学習装置を備えたレーザ加工システムおよび機械学習装置の機械学習方法を提供することにある。

・・・

【００１６】

前述した目的を達成するために１番目の発明によれば、少なくとも一つのレーザ発振器を備えた少なくとも一つのレーザ装置と、前記レーザ装置からのレーザ光を被加工物に出射する少なくとも一つ以上の加工ヘッドと、該加工ヘッドから出射されるレーザ光の光量を検出する少なくとも一つ以上の出力光検出部と、前記加工ヘッドから出射されて前記被加工物の表面あるいは表面近傍で反射して前記加工ヘッド内の光学系を経由して前記レーザ装置に向かって戻ってくる反射光を検出する少なくとも一つ以上の反射光検出部と、レーザ加工の途中およびレーザ加工後のうちの少なくとも一方における前記被加工物の加工状態および加工結果のうちの少なくとも一方を観測する少なくとも一つ以上の加工結果観測部と、前記加工ヘッドと前記被加工物の相対的位置関係を変更する少なくとも一つ以上の駆動装置と、を備えたレーザ加工システムのレーザ加工条件データを学習する機械学習装置であって、該機械学習装置は、前記レーザ加工システムの状態量を観測する状態量観測部と、前記レーザ加工システムによる加工結果を取得する動作結果取得部と、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け取り、前記レーザ加工条件データを、前記レーザ加工システムの前記状態量および前記加工結果に関連付けて学習する学習部と、前記学習部が学習した前記レーザ加工条件データを参照して、レーザ加工条件データを出力する意思決定部と、を備える、ことを特徴とする機械学習装置が提供される。

・・・

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、前記状態量観測部が観測する状態量には、前記レーザ装置のための光出力指令と前記レーザ装置から実際に出射される光出力との関係を示す前記レーザ装置の光出力特性、前記レーザ装置から出射される光出力、前記レーザ装置からの光出力に対する前記加工ヘッドから出射される光出力の比率、前記レーザ発振器に熱的に接続している部分の温度、前記レーザ装置内のレーザ発振に伴って温度が変化する部品を含む各部の温度、前記加工ヘッドの温度、レーザ光を前記レーザ装置から前記加工ヘッドに伝搬する光学系の温度、前記駆動装置の温度、前記加工ヘッドや前記駆動装置を支持している構造部品の温度、前記レーザ発振に伴って温度が上昇する部品を冷却するための流体の種類、温度および流量、前記レーザ装置内の空気の温度および湿度、前記レーザ装置周辺の環境温度および湿度、前記駆動装置の駆動用電動機の実電流、前記駆動装置の位置検出部からの出力、ならびに前記被加工物の厚さを含むサイズ、材質、比熱、密度、熱伝導率、温度および表面状態の内の少なくとも一つ以上が含まれている。

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、前記意志決定部（当審注：引用文献１には「意思決定部」と「意志決定部」とが混在しているが、これらは同じものと解される。）が出力するレーザ加工条件データには、各前記レーザ装置から出射するレーザ光の光出力、光出力波形、ビームモード、レーザ波長、レーザ光を出射する光学系の焦点距離、Ｆ値、透過率、前記被加工物に出射されるレーザ光の焦点と前記被加工物の加工面との時間変化を含む相対的位置関係、前記被加工物に出射されるレーザ光の前記被加工物の加工面におけるスポットサイズ、パワー密度、パワー密度分布、前記加工ヘッドと前記被加工物との時間変化を含む相対的位置関係、レーザ光の光軸と前記被加工物の加工面との成す角度、加工速度、アシストガスの種類と流量あるいは供給圧力の内の少なくとも一つ以上が含まれている。

５番目の発明によれば、２番目の発明において、前記学習部は、レーザ加工の内容に応じて異なるレーザ加工条件データを学習する学習モデルを備え、前記動作結果取得部が取得した加工速度あるいは所定の加工に要する時間を含むレーザ加工結果とそれぞれのレーザ加工の内容毎に設定されている加工速度あるいは所定の加工に要する時間を含む略理想的な加工結果あるいは目標とする加工結果との間の誤差を計算する誤差計算部と、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とを備える。

・・・

９番目の発明によれば、１番目から８番目のいずれかの機械学習装置を備えたレーザ加工システムであって、前記レーザ装置と、前記加工ヘッドと、前記出力光検出部と、前記反射光検出部と、前記加工結果観測部と、前記駆動装置とをそれぞれ少なくとも一つ以上備えると共に、前記レーザ装置と、前記加工ヘッドと、前記出力光検出部と、前記反射光検出部と、前記加工結果観測部と、前記駆動装置とを制御する制御装置を少なくとも一つ以上備えることを特徴とするレーザ加工システムが提供される。

・・・

１２番目の発明によれば、９番目から１１番目のいずれかの発明において、前記加工結果観測部の少なくとも一つが、デジタル二次元撮像装置、ＣＣＤ測定顕微鏡、接触式表面粗さ・形状測定装置、白色干渉計、レーザ顕微鏡、非接触三次元測定装置のいずれか一つであり、レーザによる切断面の平滑度あるいは面粗度、切断部近傍表裏面の数珠状付着物の単位切断長さ当たりの体積、裏面の単位面積当たりのスパッタ付着量、切断面の酸化物色濃度、切断寸法・形状精度、切断面の垂直度の観測結果データの内、少なくとも一つ以上のデータが、前記レーザ加工条件データの結果として、前記加工結果観測部から前記動作結果取得部に出力される。

１３番目の発明によれば、９番目から１１番目のいずれかの発明において、前記加工結果観測部の少なくとも一つが、デジタル二次元撮像装置、 ＣＣＤ測定顕微鏡、レーザ顕微鏡、光源と赤外線カメラから構成される光励起非破壊検査装置、超音波探傷試験装置、誘導加熱式非破壊検査装置、放射線透過撮像装置、アコースティックエミッション試験装置のいずれか一つであり、レーザによる溶接部のクラック、ブローホール、ピンホール、溶け込み不良、融合不良、アンダーカット・オーバーラップ、ハンピングの観測結果データの内、少なくとも一つ以上のデータが、前記レーザ加工条件データの結果として、前記加工結果観測部から前記動作結果取得部に出力される。

・・・

１６番目の発明によれば、レーザ加工システムの制御装置に出力するレーザ加工条件データを学習する機械学習方法であって、少なくとも一つ以上のレーザ装置からの出力データと、少なくとも一つ以上の加工ヘッドからの出力データと、加工ヘッドと被加工物の相対的位置関係を変えるための少なくとも一つ以上の駆動装置からの出力データとを含むレーザ加工システムの状態量を観測し、レーザ装置に戻ってくる反射光を検出する少なくとも一つ以上の反射光検出部からの出力データと、レーザ加工の途中およびレーザ加工後のうちの少なくとも一方における前記被加工物の加工状態および加工結果のうちの少なくとも一方を観測する少なくとも一つ以上の加工結果観測部からの出力データとをレーザ加工条件データの結果として受取り、前記レーザ加工条件データを前記レーザ加工システムの前記状態量および前記レーザ加工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。

・・・

【００１７】

１番目の発明においては、レーザ加工条件データを、レーザ加工システムの状態量と加工結果観測部から出力される加工結果に関連付けて機械学習させる。これにより、人間の介在無しに、あるいは最小限の人間の介在だけで、レーザ加工システムの状態に関わらず、常に略最適なレーザ加工条件で加工を行うことが可能になる。このため、安定的に高品質な加工結果を得ることができる。なお、レーザ加工システムの状態量は、レーザ光の出射によってレーザ加工中に変化する状態量も含む。

・・・

３番目の発明においては、レーザ加工システムの状態を表す多くの状態量を観測することでレーザ加工システムの状態の差によって生じうる加工結果の差を看過することなく学習できる。また、レーザ加工中に発熱等によってレーザ加工システムの状態が変化した場合であっても、その変化も取り入れて略最適なレーザ加工条件データを出力することができる。このため、加工精度や加工品質の低下を防ぐことができる。

４番目の発明においては、多くの加工条件パラメータを制御することによって、略理想的な加工結果あるいは目標とする加工結果に近い加工結果を得ることができる。略理想的な加工結果あるいは目標とする加工結果に近い加工結果を得るために、レーザ加工条件データに、波長やビームモードの異なる複数のレーザ装置や加工ヘッドの中から最適なレーザ装置や加工ヘッドを選択する指令を含めてもよい。

５番目の発明においては、機械学習の結果、レーザ加工の内容に関わらず、それぞれのレーザ加工の内容で、加工速度を含めてほぼ最適なレーザ加工条件データを出力できるようになる。レーザ加工の内容は切断、溶接、マーキング、表面改質、光造形等でありうる。

・・・

９番目の発明においては、機械学習装置を備えたレーザ加工システムにより、レーザ装置や加工ヘッドやレーザ光学系等の損傷を回避しながら、最適なレーザ加工条件でレーザ加工を行うことができるようになる。

・・・

１２番目の発明においては、レーザ加工条件データの結果として、切断面の加工精度や加工品質等の評価結果が、人間を介さずに取得でき、機械学習装置が、人間を介さずにレーザ加工条件データを学習できる。

１３番目の発明においては、レーザ加工条件データの結果として、溶接部の加工精度や加工品質等の評価結果が人間を介さずに取得でき、機械学習装置が、人間を介さずにレーザ加工条件データを学習できる。

・・・

１６番目の発明においては、レーザ加工条件データを、レーザ光の出射によってレーザ加工中に変化するレーザ加工システムの状態量も含めたレーザ加工システムの状態量と加工結果観測部から出力される加工結果に関連付けて機械学習する。このため、人間の介在無しに、あるいは最小限の人間の介在だけで、レーザ加工システムの状態に関わらず、常に略最適なレーザ加工条件で加工を行うことが可能になり、安定的に高品質な加工結果を得ることができるようになる。

・・・

【００２１】

図１は、本発明の一実施形態のレーザ加工システム１の概念的な構成を示すブロック図である。本実施形態のレーザ加工システム１は、少なくとも一つのレーザ発振器を備えた少なくとも一つのレーザ装置２と、レーザ装置２からのレーザ光１９を被加工物に出射するための少なくとも一つ以上の加工ヘッド３と、出力されるレーザ光１９の光量を検出する少なくとも一つ以上の出力光検出部４と、加工ヘッド３から出射されて被加工物７の表面あるいは表面近傍で反射して加工ヘッド３内の光学系を経由してレーザ装置２に向かって戻ってくる反射光を検出する少なくとも一つ以上の反射光検出部５と、レーザ加工中および／またはレーザ加工後の被加工物７の加工状態および／または加工結果を観測する少なくとも一つ以上の加工結果観測部６と、加工ヘッド３と被加工物７の相対的位置関係を変えるための少なくとも一つ以上の駆動装置８と、機械学習装置１０とを備える。ここで、機械学習装置１０は、状態量観測部１１と、動作結果取得部１２と、学習部１３と、意思決定部１４とを備える。

【００２２】

機械学習装置１０の学習部１３は、レーザ加工システム１の状態量を観測する状態量観測部１１からの出力およびレーザ加工システム１による加工結果を取得する動作結果取得部１２からの出力を受け取り、レーザ加工条件データを、レーザ加工システム１の状態量および加工結果に関連付けて学習する。そして、意思決定部１４が、学習部１３が学習したレーザ加工条件データを参照して、レーザ加工条件データを決定して制御装置９に出力する。

・・・

【００３０】

図１において、破線の矢印はレーザ光１９の光線を模擬的に表しているが、空間を伝搬する光線に限定されず、例えば、光ファイバ内を伝搬する光線等も含めて模擬的に示している。加工ヘッド３は、加工ヘッド３から出射されたレーザ光１９が被加工物７の略表面に焦点を結ぶように構成された光学系を備えていることが好ましい。

・・・

【００３３】

また、図２は反射光光量によってレーザ加工条件データが切替わり、光出力波形が変化する状態を模式的に例示したタイムチャートである。図２に例示したように、学習部１３は、或るレーザ加工条件データ１に基づいて被加工物７を加工中に、動作結果取得部１２からの出力の一つとして受け取った反射光検出部５で検出された反射光光量が、反射光により、加工ヘッド３、レーザ装置２、加工ヘッド３とレーザ装置２間のレーザ光伝搬用光学部品の内、少なくともいずれか一つが損傷を受ける可能性のある警報レベルより低く設定された第１所定レベルより更に低く設定された第２所定レベルを越えると、学習部１３が学習したレーザ加工条件データを参照して、他のレーザ加工条件データ２に変える。

【００３４】

他のレーザ加工条件データ２は、反射光検出部５で検出される反射光光量が第２所定レベルを越えずに、前述した或るレーザ加工条件データ１による加工結果に可能な範囲で近い加工結果が得られると予測されるレーザ加工条件データであるのが好ましい。

【００３５】

図２に示される例では、ＣＷ光からＣＷ光にパルス光が重畳したような出力波形に切替わっている。ただし、レーザ加工条件データの切替え前後におけるレーザ光１９の出力波形は、図２の場合に限定されない。また、レーザ加工条件データとしての出力波形を変更する代わりに、被加工物７の表面からレーザ光１９の焦点位置を離間させても良いし、レーザの出力波形とレーザ光１９の焦点位置の両方を変更しても良い。制御可能なレーザ加工条件のいずれを変更しても良い。

【００３６】

被加工物７の表面からの反射光のレベルが警報レベルに達する前に、学習部１３の学習結果を参照して、反射光が減少し、かつ略同等の加工結果が得られると予測されるレーザ加工条件に切替えているので、レーザ装置２や加工ヘッド３等の損傷を回避しながら、加工を継続することができる。

・・・

【００４９】

学習部１３は、切断、溶接、マーキング、表面改質、光造形（Ａｄｄｉｔｉｖｅ Ｍａｎｕｆａｃｔｕｒｉｎｇ）等のレーザ加工の内容によって、異なるレーザ加工条件データを学習する学習モデルを備えている。そして、学習部１３は、動作結果取得部１２が取得した加工速度あるいは所定の加工に要する時間を含むレーザ加工結果とそれぞれのレーザ加工内容毎に設定されている加工速度あるいは所定の加工に要する時間を含む略理想的な加工結果あるいは目標とする加工結果との間の誤差を計算する誤差計算部１５と、誤差に応じて学習モデルを更新する学習モデル更新部１６を備えている。

【００５０】

或るレーザ加工条件データに基づいて被加工物７を加工中に、動作結果取得部１２からの出力の一つとして受け取った反射光検出部５で検出された反射光光量が、第２所定レベルを越えると、誤差計算部１５は、レーザ加工条件データの加工結果に所定の誤差が生じたとする計算結果を出力する。そして、学習モデル更新部１６は該計算結果に応じて学習モデルを更新する。

【００５１】

他の加工結果が同等である場合には、加工速度が大きいか、あるいは所定の加工工程の完遂に要した加工時間が短い方が望ましい。このため、加工速度あるいは所定の加工に要する時間を含むレーザ加工結果とそれぞれのレーザ加工内容毎に設定されている略理想的な加工結果あるいは目標とする加工結果との間の誤差を計算して、誤差が小さくなるように、学習モデルを更新する。これにより、レーザ加工内容に関わらず、それぞれのレーザ加工内容について、加工速度あるいは所定の加工に要する時間を含めて最適あるいは略最適なレーザ加工条件データを教師あり学習で学習することができる。本発明では、入力（レーザ加工条件データとレーザ加工システム１の状態量）と出力（レーザ加工による加工結果）をペアで与えることができるので、教師あり学習が適している。ただし、本発明では、学習方法を教師あり学習に限定するものではない。具体的な他の学習方法については後述する。

・・・

【００５５】

図３Ａおよび図３Ｂに示されるように、図１に示す機械学習装置１０において、学習動作（学習処理）が開始すると、まず、レーザ加工システム１へのレーザ加工指令がある否かを判定し（ステップＳ１０１）、レーザ加工指令がある場合は、機械学習装置１０は、加工内容が切断か溶接か等、加工内容を確認する（ステップＳ１０２）。次いで、レーザ加工内容毎に設定された略理想的な加工結果あるいは目標とする加工結果を読出し（ステップＳ１０３）、状態量観測部１１から受取ったレーザ加工システム１の最新の状態量とレーザ加工内容に合った学習モデルを参照して、レーザ加工条件データを決定して出力する（ステップＳ１０４）。そして、レーザ加工条件データに基づいて、制御装置９は、レーザ装置２への光出力指令を含むレーザ加工システム１の各部への制御信号を出力し、レーザ装置２からレーザ光１９が出射されてレーザ加工が実行される（ステップＳ１０５）。

【００５６】

レーザ加工中においては、リアルタイムでフィードバックされてくる加工結果として、反射光検出部５で反射光光量を観察し、検出された反射光光量が第２所定レベルを越えないかを監視している（ステップＳ１０６）。機械学習部１３が出力したレーザ加工条件データの実行が終了したか否かを判断して（ステップＳ１０７）、レーザ加工条件データの実行が終了するまではステップＳ１０５に戻ってレーザ光１９を出射し続けてレーザ加工を継続する。

【００５７】

これに対し、レーザ加工条件データの実行が終了と判断された場合は、加工結果観測部６から出力されたレーザ加工の加工結果を受取る（ステップＳ１０８）。次いで、誤差計算部１５で、加工結果観測部６から取得した加工速度あるいは所定の加工に要する時間を含む加工結果と加工速度あるいは所定の加工に要する時間を含む略理想的な加工結果あるいは目標とする加工結果との間の誤差を計算する（ステップＳ１０９）。続いて、誤差の計算結果に応じて学習モデルを更新して（ステップＳ１１０）、ステップＳ１０１に戻り、再度、ステップ１０１以降のフローを実行する。

・・・

【００５９】

以上のステップＳ１０１～Ｓ１１２を繰返すことにより、学習部１３は、学習モデルの更新を継続して、レーザ加工条件データを学習する。・・・」

イ 図面

「【図１】

［図：0001435582000001.jpg］

・・・

【図３Ａ】

［図：0001435582000002.jpg］

【図３Ｂ】

［図：0001435582000003.jpg］

」

ア 段落００１５～００１７、００２１、００３０、００３５、００５９、及び図１の記載からみて、引用文献１には、被加工物７（当審注：図１では「被加工対象物」）の略表面に焦点を結ぶようにレーザ光１９が出射され、レーザ加工の内容は溶接でありうるレーザ装置２及び加工ヘッド３と、レーザ装置２及び加工ヘッド３等を対象に含むレーザ加工条件を学習する学習モデルを更新する機械学習装置１０と、を含むレーザ加工システム１について記載されている。そして、このレーザ加工システム１は、上記溶接でありうるレーザ加工の最適あるいは略最適なレーザ加工条件を決定することができる。

イ 段落００１５～００１７、００２２、００５１、及び図１の記載からみて、上記アの機械学習装置１０には、「入力（レーザ加工条件データとレーザ加工システム１の状態量）と出力（レーザ加工による加工結果）をペアで与えることができ」（段落００５１）、その学習部１３は、「レーザ加工システム１の状態量を観測する状態量観測部１１からの出力およびレーザ加工システム１による加工結果を取得する動作結果取得部１２からの出力」を受け取る（段落００２２）ものである。そして、状態量観測部１１には、意思決定部１４が出力するレーザ加工条件（図１の状態量観測部１１のブロックの左側に接続される「→」で入力を表示。）及び状態量観測部１１が観測する状態量（図１の状態量観測部１１のブロックの右側に接続される「←」で入力を表示。）であるデータが入力され、動作結果取得部１２には、加工結果観測部６が観測してレーザ加工条件の結果として出力するレーザ加工の加工結果（図１の動作結果取得部１２のブロックの右側に接続される「←」で入力を表示。）であるデータが入力される。

ウ 段落００４９～００５１、及び図１、図３Ａの記載からみて、上記イの学習部１３は、学習モデル更新部１６により、上記イのレーザ加工条件、状態量及び加工結果に基づいて、最適あるいは略最適なレーザ加工条件を決定する学習モデルを更新する。

エ 段落００２２、００５５、及び図３Ａの記載からみて、上記アの機械学習装置１０は、略理想的な加工結果あるいは目標とする加工結果を読出し、状態量観測部１１から受け取ったレーザ加工システム１の最新の状態量とレーザ加工内容に合った学習モデルを参照して、レーザ加工条件データを決定して出力する意思決定部１４を備える。

ア 発明の詳細な説明

「【０００１】

本発明は制御装置及び機械学習装置に関し、特に機械学習により状態量の変化が加工結果に及ぼす影響を予測することができる制御装置及び機械学習装置に関する。

・・・

【０００８】

本発明はこのような問題点を解決するためになされたものであって、機械学習により状態量の変化が加工結果に及ぼす影響を予測することができる制御装置及び機械学習装置を提供することを目的とする。

・・・

【発明を実施するための形態】

【００１２】

本発明の実施の形態について、図面を用いて説明する。

本発明の実施の形態にかかる制御装置１００は情報処理装置であり、ワークの加工中の状態量の変化と、加工結果とを収集し、両者の関係を機械学習によりモデル化する処理を行う（学習過程）。また、学習過程で作成したモデルを使用して、ワークの加工中の状態量の変化を観測して加工結果を予測する処理を行う（予測過程）。制御装置１００は、加工機械（例えば切削加工機等の工作機械、射出成形機、仕上げ加工を行うロボット等、ワークを加工するためのあらゆる機械を含む）を制御する装置（数値制御装置、ロボット制御装置等）であって良い。あるいは、加工機械の制御装置とは独立の情報処理装置であっても良い。

【００１３】

図１は制御装置１００の要部を示す概略的なハードウェア構成図である。・・・

【００１５】

状態量測定装置６０は、加工中の各種状態量を所定の時間間隔で計測、出力する。状態量とは、加工状態を示す情報であって、加工機械の周辺環境の情報と加工機械の状態とを含む。状態量は、例えば加工中の周辺温度、加工機械の温度、オーバライド量、モータ電流値、モータの負荷、入力電源の電圧又は電流、加工時に発生する音、光、振動等の測定値である。状態量測定装置６０は、例えば温度センサやサーモグラフィ、マイク、光センサや撮像装置、加速度センサ等により周辺温度、音、光、振動の測定値を取得できる。また状態量測定装置６０は、加工機械の制御装置からモータ電流値、モータの負荷、入力電源の電圧又は電流等を示す値を取得できる。状態量測定装置６０は、複数種類の状態量Ｓ１，Ｓ２，Ｓ３・・・を同時に取得できる。制御装置１００は、インタフェース１８を介して状態量測定装置６０から状態量を受信し、ＣＰＵ１１に渡す。

【００１６】

加工結果入力装置７０は、加工済みワークの加工結果の評価値を生成する。加工結果入力装置７０は例えば検査装置であって、加工済みワークの各所の寸法を計測し、要求された寸法と比較し、合否判定の結果を加工結果として出力する。あるいは、加工結果入力装置７０は入力装置であり、熟練の検査者等が加工済みワークを検査して得られた合否判定結果の入力を直接又はファイル等を介して受け付け、加工結果として出力するものであっても良い。制御装置１００は、インタフェース１９を介して加工結果入力装置７０から加工結果を受信し、ＣＰＵ１１に渡す。

・・・

【００１９】

図２に機能ブロックで示すように、制御装置１００が備える機械学習装置３００は、状態量の時系列データを環境の現在状態を表す状態変数Ｓとして観測する状態観測部３０６と、加工結果を判定データＤとして取得する判定データ取得部３０８と、状態変数Ｓと判定データＤとを用いて、状態量の変化と加工結果とを関連付けて学習する学習部３１０とを備える。

・・・

【００２２】

学習部３１０は、例えばプロセッサ３０１の一機能として構成できる。或いは学習部３１０は、例えばプロセッサ３０１を機能させるためのＲＯＭ３０２に記憶されたソフトウェアとして構成できる。学習部３１０は、機械学習と総称される任意の学習アルゴリズムに従い、状態量の変化と加工結果との相関関係を学習する。学習部３１０は、前述した状態変数Ｓと判定データＤとを含むデータ集合に基づく学習を反復実行することができる。

【００２３】

このような学習サイクルを繰り返すことにより、学習部３１０は状態量の変化と加工結果との相関性を暗示する特徴を自動的に識別することができる。・・・

【００２４】

上記したように、制御装置１００が備える機械学習装置３００は、状態観測部３０６が観測した状態変数Ｓと判定データ取得部３０８が取得した判定データＤとを用いて、学習部３１０が機械学習アルゴリズムに従い、加工結果を学習するものである。・・・

・・・

【００３６】

上記した制御装置１００及び機械学習装置３００の構成は、ＣＰＵ１１又はプロセッサ３０１が実行する機械学習方法（或いはソフトウェア）として記述できる。この機械学習方法は、状態量の変化に対応する加工結果を学習する機械学習方法であって、ＣＰＵ１１又はプロセッサ３０１が、状態量の変化を環境の現在状態を表す状態変数Ｓとして観測するステップと、加工結果を判定データＤとして取得するステップと、状態変数Ｓと判定データＤとを用いて、状態量の変化と加工結果とを関連付けて学習するステップとを有する。

【００３７】

本実施形態によれば、機械学習装置３００が、状態量の変化と加工結果との相関性を示すモデルを生成する。これにより、一度学習モデルを作成してしまえば、加工途中であっても、その時点までに取得できた状態量の変化に基づいて、加工結果を予測することが可能となる。

【００３８】

図５は、第２の実施の形態による制御装置１００を示す。制御装置１００は、機械学習装置３００と、データ取得部３３０とを備える。データ取得部２３０（当審注：「データ取得部３３０」の誤記と認める。）は、状態量測定装置６０や加工結果入力装置７０から、状態量の時系列データと加工結果とを取得する。

【００３９】

制御装置１００が有する機械学習装置３００は、第１の実施形態の機械学習装置３００が備える構成に加えて、学習部３１０が状態量の変化に基づいて推定した加工結果を、文字や画像、音又は音声等、又は任意の形式のデータとして出力する判定出力部３２０を含む。

【００４０】

判定出力部３２０は、例えばプロセッサ３０１の一機能として構成できる。或いは判定出力部３２０は、例えばプロセッサ３０１を機能させるためのソフトウェアとして構成できる。判定出力部３２０は、学習部３１０が状態量の変化に基づいて推定した加工結果を文字や画像、音又は音声等、又は任意の形式のデータとして外部に対して出力する。例えば判定出力部３２０は、加工結果が不合格と推定される場合、ユーザに対し加工の中断を促す通知を出力する。あるいは、単に不合格が予測される旨の通知を行っても良い。

【００４１】

上記構成を有する制御装置１００が備える機械学習装置３００は、前述した機械学習装置３００と同等の効果を奏する。特に第２の実施形態における機械学習装置３００は、判定出力部３２０の出力によって環境の状態を変化させることができる。他方、第１の実施形態の機械学習装置３００では、学習部１１０（当審注：「学習部３１０」の誤記と認める。）の学習結果を環境に反映させるための判定出力部３２０に相当する機能を、外部装置に求めることができる。

・・・

【００４５】

＜実施例１＞

実施例１として、制御装置１００が状態量の変化と加工結果との相関関係の学習モデルを生成し（学習過程）、当該学習モデルを用いて加工途中において加工結果を予測する（予測過程）処理について説明する。

【００４６】

図７のフローチャートを用いて、制御装置１００の学習過程における動作について説明する。

制御装置１００は、所望の精度の学習モデルを得るのに十分な数の状態変数Ｓと判定データＤとが得られるまで、ステップＳ１乃至Ｓ３までの処理を繰り返す。なおこの学習過程においては、１個のワークを加工する毎に１回の学習サイクル（ステップＳ１乃至Ｓ３の処理）が実施されることになる。

【００４７】

続いて、図８のフローチャートを用いて、制御装置１００の予測過程における動作について説明する。

・・・

【００４９】

＜実施例２＞

実施例２として、制御装置１００が、加工結果が不合格であることを予測した場合に、加工中断を促すことに加えて又は代えて、加工不良を回避するために適切な対応策を提示する構成を示す。説明の簡略化のため、実施例１との相違点のみ言及する。

・・・

【００５４】

ステップＳ１４及びステップＳ１５において、制御装置１００は、全ての推定用データセットについて予測結果が不合格であった場合、加工中断をユーザに促す。他方、ある推定用データセットでは予測結果が不合格であるが、他の推定用データセットでは予測結果が合格である場合、制御装置１００は、予測結果が合格であった推定用データセットにおける状態量の動きをユーザに提示する。

イ 図面

「【図１】

［図：0001435582000004.jpg］

【図２】

［図：0001435582000005.jpg］

【図７】

［図：0001435582000006.jpg］

【図８】

［図：0001435582000007.jpg］

」

ア 段落０００１、０００８～０００９、００１２～００１３、及び図１の記載からみて、引用文献２には、加工機械によるワークの加工中の状態量の変化と加工結果とを収集し両者の関係を機械学習によりモデル化する学習過程と、学習過程で作成したモデルを使用してワークの加工中の状態量の変化を観測してワークの加工結果を予測する予測過程と、を含む制御装置１００について、記載されている。

イ 段落００１５～００１６、００１９、００３６、００４６、及び図１～２、７の記載からみて、引用文献２には、上記アの制御装置１００の学習過程に関して、加工機械の状態（段落００１５記載の状態量測定装置６０が加工機械の制御装置から取得できるモータ電流値、モータの負荷、入力電源の電圧又は電流等を示す値）及び周辺環境の状態を含む前記状態量（段落００１５記載の状態量測定装置６０が温度センサやサーモグラフィ、マイク、光センサや撮像装置、加速度センサ等により取得できる周辺温度、音、光、振動の測定値）を含む時系列データを、環境の現在状態を表す状態変数Ｓとして観測し、加工結果を示す判定データＤを取得し、前記状態変数Ｓと前記判定データＤとを用いて、加工状態を示す状態量の変化と、加工結果とを関連付けて学習することについて、記載されている。

ウ 段落００３７、００４０、００４７、００５４、及び図８の記載からみて、引用文献２には、上記アの制御装置１００の予測過程に関して、あらかじめ設定されたタイミングで、所定の時間にわたって、状態量を取得し記憶し、取得した状態量の時系列データを状態変数Ｓとして機械学習装置３００に入力し、機械学習装置３００は、入力された状態変数Ｓに対応して学習済みモデルが出力した加工結果を示す予測値である判定データＤにより、加工結果の予測結果を合格あるいは不合格とすることについて、記載されている。

ア 「周辺環境の状態」の学習についての主張

引用文献２は、加工の途中状態から結果を推測する点で本願と似ているが、段落０００２の「加工条件が同一であっても、加工条件以外（＝環境）の状態量（周辺温度、モータ電流値、モータの負荷、音、光等）の変化によって、加工されるワークの形状は変化する」という状況に鑑み、加工条件以外の環境の状態量を学習することで、より正確なワークの形状を予測するものである。

引用文献２は、引用文献１よりも後の同一の出願人による出願に係る公報であって、引用文献２の「加工条件以外の状態量」とは、引用文献１の「レーザ加工条件」とは異なる条件であって、さらに考慮することが必要な条件を意味しており、引用文献１においては、引用文献２が学習している「加工条件以外の状態量」である「周辺環境の状態」は学習していないと理解されるから、合議体の引用文献１と引用文献２が、加工機械の状態と、周辺環境の状態、加工結果による機械学習を行う点で同じであるという認定は、上記段落０００２の記載に反している。

つまり、引用文献１に引用文献２を適用することは、引用文献１について「加工条件以外の状態量」も学習するように変更した上で、引用文献２を適用することになるから、いわゆる「容易の容易」となる。

イ 本願発明１の「前記レーザ溶接加工毎に実測により求められる物理量に基づく変数」についての主張

（上記意見書と同日の）補正により、学習する対象が「前記レーザ溶接加工毎に実測により求められる物理量に基づく変数」になった本願発明１は、「加工条件以外の状態量」も考慮を必須（上記アの段落０００２）として結果を推測する引用文献２とは、結果を推測するために考慮する状態変数の内容が異なるものとなっている。本願発明１の「物理量」に基づいて推測してワークの評価を行うことは、引用文献１及び引用文献２のいずれにも記載されていない。