WO2021044899A1

WO2021044899A1 - 機械学習装置、ａｍ装置、機械学習方法、および学習モデルの生成方法

Info

Publication number: WO2021044899A1
Application number: PCT/JP2020/031966
Authority: WO
Inventors: 篠崎　弘行
Original assignee: 株式会社荏原製作所
Priority date: 2019-09-04
Filing date: 2020-08-25
Publication date: 2021-03-11
Also published as: US20220334553A1; EP4026633A1; JP2021037716A; CN114340822A

Abstract

ＡＭ装置において、ヒュームやスパッタの発生を抑制しながら、造形時間を短縮するための技術を提供する。　一実施形態によれば、ＡＭ装置における造形条件を決定することを機械学習するための機械学習装置が提案される。かかる機械学習装置は、造形中の造形に関する物理量と、前記造形条件と、を含む状態変数を取得し、前記状態変数に基づいて、前記造形条件を決定するための学習モデルの学習および前記造形条件の決定を行う。

Description

機械学習装置、ＡＭ装置、機械学習方法、および学習モデルの生成方法

　本願は、機械学習装置、ＡＭ装置、機械学習方法、および学習モデルの生成方法に関する。

　三次元物体を表現したコンピュータ上の三次元データから、三次元物体を直接的に造形する技術が知られている。たとえば、Additive Manufacturing（ＡＭ）（付加製造）法が知られている。一例として、金属紛体を用いるＡＭ法においては、敷き詰められた金属紛体に対して、造形する部分に熱源であるレーザービームや電子ビームを照射して、金属紛体を溶融・凝固または焼結させることで三次元物体の各層を造形する。ＡＭ法においては、このような工程を繰り返すことで、所望の三次元物体を造形することができる。

国際公開第２０１５／１５１８３９号特開２０１８－１２３３８１号公報

　金属粉体を材料として用いるＡＭ装置においては、各層ごとにビームを走査して造形物の各層を形成していくので、造形物が大きくなると造形時間も長くなる。ＡＭ装置の課題の１つとして、造形時間を短縮することが望まれる。造形時間を短縮するために、１回の積層プロセスで金属粉体を厚く敷き詰めて、１回の積層プロセスで厚く造形する方策が考えられる。しかし、金属粉体を厚く敷き詰めると、材料の熱伝導特性により内部まで熱量が移動するのに一定の時間がかかるため、金属粉体層の表面のみが溶融し、内部が溶融せずに適切に造形できないことがある。また、ビームの照射エネルギーおよび走査速度を大きくして、造形時間を短縮する方策も考えられる。しかし、ビームの照射エネルギーを大きくすると、金属粉体層の表面が過昇温になり、ヒュームやスパッタが発生しやすくなる。ヒュームやスパッタが発生すると、造形物に欠陥を生じさせたり、ビームの照射系に障害を引き起こしたりすることがあり、安定した造形を維持できないことがある。また、安定した造形を維持できるようにＡＭ装置を適切なタイミングでメンテナンスすることが求められるが、メンテナンスの頻度が高いほど、ＡＭ装置の時間当たりの造形速度が低下すると共にランニングコストが増加し得る。そこで、本願は、ＡＭ装置において、ヒュームやスパッタの発生を抑制しながら、造形時間を短縮するための技術を提供することを１つの目的とする。また、本願は、ＡＭ装置において、適切なタイミングでのメンテナンスを行うための技術を提供することを１つの目的とする。

　一実施形態によれば、ＡＭ装置における造形条件を決定することを機械学習するための機械学習装置が提案され、かかる機械学習装置は、造形中の造形に関する物理量と、前記造形条件と、を含む状態変数を取得する。前記造形条件は、ビームの強度、材料上でのビームのサイズ、ビームの走査速度、ビームの照射角度、ビームの焦点オフセット量、ビームの焦点距離、材料の特性、材料の敷き詰め条件、シールドガス量、酸素濃度、ビームの重なり量、のうち少なくとも１つを含む。前記物理量は、撮像部により撮像された造形部位の撮像データ、当該撮像データを処理することにより得られる造形部外観、ビーム源の電流波形、ビーム源の電圧波形、ビームのエネルギー、造形チャンバ内の壁面温度、凝固部の厚み、造形ビード幅、スパッタ発生量、のうち少なくとも１つを含む。そして、機械学習装置は、前記状態変数に基づいて、前記造形条件を決定するための学習モデルの学習および前記造形条件の決定を行う。

　一実施形態によれば、ＡＭ装置における造形条件を決定することを機械学習するための機械学習方法が提案され、かかる機械学習方法は、造形中の造形に関する物理量と、前記造形条件と、を含む状態変数を取得する。前記造形条件は、ビームの強度、材料上でのビームのサイズ、ビームの走査速度、ビームの照射角度、ビームの焦点オフセット量、ビームの焦点距離、材料の特性、材料の敷き詰め条件、シールドガス量、酸素濃度、ビームの重なり量、のうち少なくとも１つを含む。前記物理量は、撮像部により撮像された造形部位の撮像データ、当該撮像データを処理することにより得られる造形部外観、ビーム源の電流波形、ビーム源の電圧波形、ビームのエネルギー、造形チャンバ内の壁面温度、凝固部の厚み、造形ビード幅、スパッタ発生量、のうち少なくとも１つを含む。そして、機械学習方法は、前記状態変数に基づいて、前記造形条件を決定するための学習モデルの学習および前記造形条件の決定を行う。

　一実施形態によれば、ＡＭ装置における造形条件を決定するための学習モデルの生成方法が提案され、かかる方法は、造形中の造形に関する物理量と、前記造形条件と、を含む状態変数を複数取得する。前記造形条件は、ビームの強度、材料上でのビームのサイズ、ビームの走査速度、ビームの照射角度、ビームの焦点オフセット量、ビームの焦点距離、材料の特性、材料の敷き詰め条件、シールドガス量、酸素濃度、ビームの重なり量、のうち少なくとも１つを含む。前記物理量は、撮像部により撮像された造形部位の撮像データ、当該撮像データを処理することにより得られる造形部外観、ビーム源の電流波形、ビーム源の電圧波形、ビームのエネルギー、造形チャンバ内の壁面温度、凝固部の厚み、造形ビード幅、スパッタ発生量、のうち少なくとも１つを含む。そして、前記方法は、前記取得した複数の状態変数に基づいて、前記状態変数を入力、前記造形条件を出力、とする学習モデルを生成する。

一実施形態による、造形物を製造するためのＡＭ装置を概略的に示す図である。本実施形態における機械学習装置の概略的な機能ブロック図である。ＳＵＳを加熱した場合の温度と状態変化を概略的に示す図である。材料の表面にビームを照射したときに、材料粉の表面から下方に熱が伝達していくときの温度上昇を説明するための図である。材料であるＳＵＳの表面を加熱した時の下面の温度上昇を概略的に示すグラフである。機械学習装置による、造形条件を決定することを機械学習する方法の一例を示すフローチャートである。変形例におけるＡＭシステムの構成概略を示す図である。

　以下に、本発明に係る造形物を製造するためのＡＭ装置の実施形態を添付図面とともに説明する。添付図面において、同一または類似の要素には同一または類似の参照符号が付され、各実施形態の説明において同一または類似の要素に関する重複する説明は省略することがある。また、各実施形態で示される特徴は、互いに矛盾しない限り他の実施形態にも適用可能である。

　図１は、一実施形態による、造形物を製造するためのＡＭ装置を概略的に示す図である。図１に示されるように、ＡＭ装置１００は、造形チャンバ１０２を含む。造形チャンバ１０２の底面１０４には、ビルドアップチャンバ１０６が取り付けられている。ビルドアップチャンバ１０６には、リフトテーブル１０８が設置されている。リフトテーブル１０８は、駆動機構１１０により上下方向（ｚ方向）に移動可能である。駆動機構１１０はたとえば、空圧式、油圧式の駆動機構としてもよく、モータおよびボールねじからなる駆動機構としてもよい。なお、図示しないが、リフトテーブル１０８には、造形チャンバ１０２の内壁との隙間を封止するための封止体が設けられている。また、図示しないが、造形チャンバ１０２に保護ガスを導入および排出するための入口および出口を配置してもよい。

　一実施形態において、図１に示されるように、リフトテーブル１０８の上には、ＸＹステージ１１２が配置される。ＸＹステージ１１２は、リフトテーブル１０８の平面に平行な二方向（ｘ方向、ｙ方向）に移動可能なステージである。ＸＹステージ１１２の上には、造形物の材料を支持するためのベースプレート１１４が配置される。

　造形チャンバ１０２内において、ビルドアップチャンバ１０６の上方に、造形物の材料を供給するための、材料供給機構１５０が配置されている。材料供給機構１５０は、造形物の材料となる粉末１５２、たとえば金属粉末を保持するための貯蔵容器１５４と、貯蔵容器１５４を移動させるための移動機構１６０と、を備える。貯蔵容器１５４には、材料粉末１５２をベースプレート１１４上に排出するための開口１５６が設けられている。開口１５６は、たとえば、ベースプレート１１４の一辺より長い直線状の開口１５６とすることができる。この場合、移動機構１６０を、開口１５６の直線に直交する方向にベースプレート１１４の他方の辺より長い範囲で移動させるように構成することで、ベースプレート１１４の全面に材料粉末１５２を供給することができる。また、貯蔵容器１５４は、開口１５６の開閉を制御するための弁１５８を備える。材料供給機構１５０は、貯蔵容器１５４から供給された材料粉末１５２を均すためのローラ１５９を備えてもよい。ローラ１５９は、粉末１５２に対して任意の圧力を作用させながら、ベースプレート１１４上に供給された粉末１５２を均すことができるように構成することができる。

　図１において、貯蔵容器１５４は１つだけ配置されているが、一実施形態として、貯蔵容器１５４を複数配置してもよい。複数の貯蔵容器１５４を設ける場合、各貯蔵容器１５４に異なる材料を保持するようにしてもよく、また、同一の材料であるが粒子径の異なる材料粉末１５２を保持するようにしてもよい。

　一実施形態において、図１に示されるように、ＡＭ装置１００は、ビーム源１７０、およびビーム源１７０から発されたビーム１７２をベースプレート１１４上の材料粉末１５２に向けて案内する走査機構１７４を備える。また、図１に示されるＡＭ装置１００は、照射するビームの強度を調整するための調整装置１７１を備える。かかる調整装置１７１は、ビーム源１７０としてのレーザー光源や電子ビーム源に供給する電流、電圧、または電力の大きさを調整するように構成することができる。さらに、図１に示されるＡＭ装置１００は、照射するビームの形状およびプロファイルを調整するためのビームシェイパ１７３を備える。走査機構１７４は、ベースプレート１１４上の造形面（フォーカス面）の任意の位置にビーム１７２を照射することができるように構成される。走査機構１７４は、例えば、ビーム源１７０としてレーザー光源が使用される場合には任意の光学系から構成することができ、ビーム源１７０として電子ビーム源が使用される場合には磁石などから構成することができる。図示の実施形態において、ビーム源１７０、調整装置１７１、ビームシェイパ１７３、および走査機構１７４は、造形チャンバ１０２内に配置されているが、これらの全部または一部は造形チャンバ１０２の外部に配置されてもよい。

　一実施形態において、ＡＭ装置１００は、材料粉末１５２へのビーム照射により形成される溶融池を観測するための溶融池モニタ１７５を備える。溶融池モニタ１７５は、非接触式のセンサを含むことができ、たとえば、測定波長約６５０ｎｍの単色放射温度計を用い、測定用のレーザーを金属溶融用のビーム軸に重ねて溶融池へ照射し、反射光をシリコンなどの検出素子で受ける方式を使用することができる。溶融池モニタ１７５は、溶融池の温度、液面形状、深さ、一層における凝固した材料の厚みなどを測定できるものとしてもよい。なお、測定用のレーザーは溶融用のビーム波長と異なる波長を使用する。溶融池モニタ１７５で測定された温度データは、制御装置２００に送られる。なお、溶融池モニタ１７５は、公知の溶融池モニタを含め任意のものを使用することができる。

　一実施形態において、ＡＭ装置１００は、造形物の形状を撮像するための撮像部２５０を備える。一実施形態において、撮像部２５０は、造形途中の造形物Ｍ１の表面形状を三次元で測定することができる３Ｄカメラとすることができる。撮像部２５０で撮影された撮影データは、制御装置２００に送られる。なお、撮像部２５０は、公知の撮像部を含め任意のものを使用することができる。

　一実施形態において、ＡＭ装置１００は、照射されるビームのエネルギーを検出するためのビームモニタ２５１を備える。ビームモニタ２５１は、ビームの経路に配置された受光素子やファラデーカップなどとすることができる。あるいは、ビームモニタ２５１は、反射したビームや、ビームの経路から透過したビームが到達する位置に配置してもよい。なお、ビームモニタ２５１は、公知のビームモニタを含め任意のものを使用することができる。

　一実施形態において、ＡＭ装置１００は、ビーム源１７０に流れる電流を計測する電流センサ２５２を備える。また、一実施形態において、ＡＭ装置１００は、ビーム源１７０に供給される電圧を計測する電圧センサ２５３を備える。なお、電流センサ２５２および電圧センサ２５３は、公知の電流センサおよび電圧センサを含め任意のものを使用することができる。

　一実施形態において、ＡＭ装置１００は、造形チャンバ１０２内の壁面の温度を検出するための温度計２５４を備える。なお、温度計２５４は、接触式であってもよいし、非接触式であってもよく、公知の温度計を含め任意のものを使用することができる。

　一実施形態において、ＡＭ装置１００は、造形チャンバ１０２内の酸素濃度を測定する濃度計２５５を備える。なお、濃度計２５５は、公知の酸素濃度計を含め任意のものを使用することができる。

　一実施形態において、ＡＭ装置１００は、貯蔵容器１５４から供給された材料粉末１５２を均すためのローラ１５９の移動機構の駆動トルクを検出するための駆動トルクモニタ２５６を備える。なお、駆動トルクモニタ２５６は、ローラ１５９の移動機構に流れる電流を計測するなど、任意のものを使用することができる。

　一実施形態において、ＡＭ装置１００は、リフトテーブル１０８の駆動機構１１０のトルクを検出するための駆動トルクモニタ２５７を備える。なお、駆動トルクモニタ２５７は、駆動機構１１０に流れる電流を計測するなど、任意のものを使用することができる。

　図１に示される実施形態において、ＡＭ装置１００は制御装置２００を有する。制御装置２００は、ＡＭ装置１００の各種の動作機構、たとえば上述の駆動機構１１０、移動機構１６０、ビーム源１７０、調整装置１７１、ビームシェイパ１７３、走査機構１７４、開口１５６の弁１５８などの動作を制御するように構成される。また、制御装置２００は、各種の計測機器、たとえば、溶融池モニタ１７５、撮像部２５０、ビームモニタ２５１、電流センサ２５２、電圧センサ２５３、温度計２５４、および駆動トルクモニタ２５６、２５７などから測定データを受け取るように構成される。制御装置２００は、ＣＰＵ、メモリ等を備え、ソフトウェアを用いて所定の機能を実現する一般的なコンピュータで構成されてもよいし、専用の演算処理を行うハードウェア回路で構成されてもよい。

　図１に示される実施形態によるＡＭ装置１００で三次元物体を造形する場合、概略、以下の手順で行われる。まず、造形対象物の三次元データＤ１が制御装置２００に入力される。制御装置２００は、入力された造形物の三次元データＤ１から、造形用のスライスデータを作成する。また、制御装置２００は、スライスデータと造形条件Ｓ２とに基づいて、どのような順序で走査を行うかを示す走査ルートを含む実行データを作成する。本実施形態では、造形条件Ｓ２は、機械学習装置２４０によって学習されて決定される。機械学習装置２４０、および機械学習装置２４０による学習、および造形条件Ｓ２の決定については後述する。ここで、造形条件Ｓ２は、たとえば、ビーム条件、ビーム走査条件、材料条件、材料の敷き詰め条件、および造形チャンバ１０２の雰囲気条件、のうち少なくとも１つを含む。ビーム条件は、ビームの強度、材料上でのビームのサイズ、（ＸＹ平面に対する）ビームの照射角度、材料上でのビームの焦点オフセット量、ビームの焦点距離、のうち少なくとも１つを含む。ビームの強度は、ビーム源１７０の電流、ビーム源１７０の電圧、ビーム１７２のエネルギーのうち少なくとも１つを含み、材料上でのビームのサイズは、ビーム１７２の走査方向に沿ったサイズ、ビーム１７２の走査方向に垂直なサイズ、のうち少なくとも１つを含む。ビーム走査条件は、ビームの走査速度、走査パターン、ビームの重なり量（走査間隔）、のうち少なくとも１つを含む。走査パターンとしては、たとえば、一方向に走査する場合、往復方向に走査する場合、ジグザグに走査する場合、小さい円を描きながら横方向に移動する場合などがある。材料条件は、材料粉末１５２の密度、比熱、熱伝導率、の少なくとも１つを含む。材料の敷き詰め条件は、材料の一層の敷き詰め厚さ、ローラ１５９によって材料に作用させる圧力、のうち少なくとも１つを含む。造形チャンバ１０２の雰囲気条件は、造形チャンバ１０２内に供給されるシールドガス量を含む。

　貯蔵容器１５４内に造形物の材料粉末１５２、たとえば金属粉末を入れる。ビルドアップチャンバ１０６のリフトテーブル１０８を上の位置まで移動させ、ベースプレート１１４の表面が、ビーム１７２のフォーカス面に来るようにする。次に、貯蔵容器１５４の開口１５６の弁１５８を開いて、貯蔵容器１５４を移動させて、材料粉末１５２をベースプレート１１４上に一様に供給する。材料供給機構１５０は、造形物の一層分に相当する材料粉末１５２をフォーカス面に供給するように制御装置２００により制御される。次に、ビーム源１７０からビーム１７２が発せられ、走査機構１７４により、所定の範囲にビーム１７２をフォーカス面に照射して、所定の位置の材料粉末を溶融および凝固、または焼結させて、一層分の造形物Ｍ１を形成する。この時、必要であれば、リフトテーブル１０８の上に配置されているＸＹステージ１１２も移動さて、ビーム１７２の照射位置を変更してもよい。

　一層分の造形が終了したら、ビルドアップチャンバ１０６のリフトテーブル１０８を一層分下げる。再び、材料供給機構１５０により、造形物の一層分に相当する材料粉末１５２をフォーカス面に供給する。そして、走査機構１７４によりビーム１７２をフォーカス面上で走査して、所定の位置の材料粉末１５２を溶融および凝固、または焼結させて、一層分の造形物Ｍ１を形成する。これらの動作を繰り返すことで、目標とする造形物Ｍ１の全体を粉末１５２から形成することができる。

　本実施形態では、ＡＭ装置１００は、造形条件を決定することを機械学習するための機械学習装置２４０を備えている。機械学習装置２４０は、ＣＰＵ、メモリ（メモリ２４０ａ）等を備え、ソフトウェアを用いて所定の機能を実現する一般的なコンピュータで構成されてもよいし、専用の演算処理を行うハードウェア回路で構成されてもよい。機械学習装置２４０は、有線または無線で制御装置２００と通信可能に構成される。なお、本実施形態では、機械学習装置２４０は、制御装置２００と別の構成として示されているが、機械学習装置２４０は、少なくとも一部が制御装置２００と一体に構成されてもよい。

　図２は、本実施形態における機械学習装置２４０の概略的な機能ブロック図である。機械学習装置２４０は、状態変数ＳＶを取得する状態変数取得部２４０２と、取得した状態変数ＳＶに基づいて学習モデルを学習・生成する学習モデル生成部２４０４と、取得した状態変数ＳＶと学習モデルとに基づいてＡＭ装置１００の造形条件を選択する（意思決定する）意思決定部２４０８と、を備える。

　状態変数取得部２４０２は、所定時間（例えば、数ｍｓｅｃ、数十ｍｓｅｃ）ごとに、状態変数ＳＶを取得する。一例として、所定時間は、学習モデル生成部２４０４による学習周期と同一または対応した時間とすることができる。状態変数取得部２４０２は、一例として、制御装置２００を通じて状態変数ＳＶを取得することができる。状態変数ＳＶは、造形中の造形に関する物理量Ｓ１（以下、単に「物理量Ｓ１」ともいう）と、上記したＡＭ装置１００による造形条件Ｓ２と、を含む。ここで、以下の説明では、物理量Ｓ１は、各種センサによって測定されるものを示し、造形条件Ｓ２は、制御装置２００による制御指令を示すものとするが、こうした例に限定されない。なお、一例として、状態変数取得部２４０２は、各種センサから直接に少なくとも一部の物理量Ｓ１を取得してもよい。また、一例として、状態変数取得部２４０２は、意思決定部２４０８によって決定されてメモリ２４０ａ（図１参照）に記憶された造形条件Ｓ２（１学習周期前に決定された造形条件Ｓ２）を参照することにより、少なくとも一部の造形条件Ｓ２を取得してもよい。

　物理量Ｓ１は、撮像部２５０により撮像された造形部位の撮像データ、撮像データを処理することにより得られる造形部外観、電流センサ２５２からのビーム源１７０の電流波形、電圧センサ２５３からのビーム源１７０の電圧波形、ビームモニタ２５１からのビームのエネルギー、温度計２５４からの造形チャンバ１０２内の壁面温度、溶融池モニタ１７５からの凝固部の厚み、溶融池モニタ１７５からの造形ビード幅、濃度計２５５からの酸素濃度、スパッタ発生量、のうち少なくとも１つを含む。なお、一例として、スパッタ発生量は、撮像部２５０により取得される撮像データを処理することにより、造形物（凝固部）に形成されたスパッタ痕から算出され得る。これらの物理量Ｓ１は、造形条件Ｓ２の少なくとも１つの要素が変更されることによって変化し得る物理量である。

　学習モデル生成部２４０４は、機械学習と総称される任意の学習アルゴリズムに従って、学習モデル（状態変数ＳＶに対するＡＭ装置１００の造形条件Ｓ２）を学習する。学習・生成される学習モデルは、メモリ２４０ａに記憶される。学習モデル生成部２４０４は、状態変数取得部２４０２によって取得される状態変数ＳＶに基づく学習を反復実行する。学習モデル生成部２４０４は、複数の状態変数ＳＶを取得し、状態変数ＳＶの特徴を識別して相関性を解釈する。また、学習モデル生成部２４０４は、現在の状態変数ＳＶに対して或る造形条件Ｓ２が決定されたときの、次回に取得される状態変数ＳＶの相関性を解釈する。そして、学習モデル生成部２４０４は、学習を繰り返すことにより、取得される状態変数ＳＶに対する造形条件Ｓ２の決定について最適化を図る。一例として、学習モデル生成部２４０４は、たとえば、後述する材料の穏やかな条件での溶融を実現することができるように、ビーム照射位置の温度が材料の融点＋２％～１０％の範囲となるように造形条件が決定されるよう、学習モデルを学習・生成する。また、一例として、学習モデル生成部２４０４は、造形対象物の三次元データＤ１（形状指令）に対する造形結果の追従度が高くなるように、つまり、造形された造形物が造形指令に対して誤差が少なくなるように、学習モデルを学習・生成する。また、一例として、学習モデル生成部２４０４は、造形物を造形するのにかかる時間が短くなるように、学習モデルを学習・生成する。なお、機械学習装置２４０は、状態変数ＳＶに基づいて、造形指令に対する造形結果の追従度や、造形物を造形するのにかかる時間について算出してもよい。また、一例として、学習モデル生成部２４０４は、造形中における造形条件Ｓ２の変化が小さくなるように、学習モデルを学習・生成する。

　学習モデル生成部２４０４は、機械学習と総称される任意の学習アルゴリズムに従って学習モデルを学習することができ、一例として、強化学習を実行することができる。機械学習は、ある環境において、現在状態（入力）に対して実行される行動（出力）に報酬を与え、最大の報酬が得られるような学習モデルを生成する手法である。強化学習を行う一例として、学習モデル生成部２４０４は、状態変数Ｓ１に基づいて評価値を計算する評価値計算部２４０５と、評価値に基づいて前記学習モデルの学習を行う学習部２４０６と、を有する。以下、機械学習の一例として、Ｑ学習（Ｑ－ｌｅａｒｎｉｎｇ）を使用した学習モデル生成部２４０４による学習手法を説明する。

　Ｑ学習では、行動主体の状態ｓ（本実施形態では状態変数ＳＶに相当）と、その状態で行動主体が選択し得る行動ａ（本実施形態では造形条件Ｓ２に相当）と、を独立変数として、状態ｓで行動ａを選択した場合の行動の価値を表す関数Ｑ（ｓ，ａ）を学習する手法である。状態ｓで価値Ｑ（ｓ，ａ）が最も高くなる行動ａを選択することが最適解となる。状態ｓと行動ａとの相関性が未知の状態でＱ学習を開始し、任意の状態ｓで種々の行動ａを選択する試行錯誤を繰り返すことで、価値関数Ｑを反復して更新し、最適解に近づける。関数Ｑ（ｓ，ａ）の更新式は以下の式で表される。

　ここで、ｓ_ｔおよびａ_ｔは、時刻ｔにおける状態および行動であり、行動ａ_ｔにより状態はｓ_ｔ＋１に変化する。ｒ_ｔ＋１は、状態ｓで行動ａを行ったときの報酬を意味する。ｍａｘＱの項は、時刻ｔ＋１で最大の価値Ｑになる（と時刻ｔで考えられている）行動ａを行ったときのＱの値を意味する。αは学習係数であり、０＜α≦１で任意に設定される。γは割引率であり、０＜γ≦１で任意に設定される。また、評価値計算部２４０５は、数式１において、状態変数ＳＶを状態ｓとして、造形条件Ｓ２を行動ａとして、報酬ｒを算出する。

　一例として、評価値計算部２４０５は、物理量Ｓ１の安定度が高いほど大きな報酬ｒを与える、つまり、前回取得した物理量Ｓ１と今回取得した物理量Ｓ１との変化が小さいほど大きな報酬ｒを与えるものとしてもよい。また、一例として、評価値計算部２４０５は、造形条件Ｓ２（制御指令）と、当該造形条件Ｓ２に対応する物理量Ｓ１との偏差が小さいほど大きな報酬ｒを与える、つまり、制御指令と実測値との偏差が小さいほど大きな報酬ｒを与えるものとしてもよい。また、一例として、評価値計算部２４０５は、スパッタ発生量が小さいほど大きな報酬ｒを与えるものとしてもよい。また、一例として、評価値計算部２４０５は、ＡＭ装置１００におけるエネルギー消費量が小さいほど、大きな報酬ｒを与えるものとしてもよい。また、一例として、評価値計算部２４０５は、形状指令に対する造形結果の追従度が高いほど、大きな報酬ｒを与えるものとしてもよい。また、一例として、評価値計算部２４０５は、造形にかかる時間が短いほど、大きな報酬ｒを与えるものとしてもよい。また、一例として、評価値計算部２４０５は、造形外観部の適否を２段階以上で区分けし、造形外観部が好ましい状態であるほど、大きな報酬ｒを与えるものとしてもよい。

　また、一例として、評価値計算部２４０５は、ビーム照射位置の温度が材料の融点＋２％～１０％の範囲となるときに、つまり、材料１５２が穏やかな条件で溶融するときに、大きな報酬ｒを与えるものとしてもよい。ここで、穏やかな溶融について説明する。以下の説明では、一例として、材料粉末１５２としてステンレス鋼（ＳＵＳ）を用いる場合について説明する。図３は、ＳＵＳを加熱した場合の温度と状態変化を概略的に示す図である。図３に示されるように、ＳＵＳを加熱すると融点（Ｔ１）に達して固体と液体が混ざった状態になる。さらに加熱を続けるとＳＵＳは全て液体の状態になる。さらにＳＵＳを加熱すると、沸点（Ｔ２）に達して、液体を気体が混ざった状態になり、さらに加熱することでＳＵＳは全て気体の状態になる。図３においては、一例として融点（Ｔ１）が１４５０℃、沸点（Ｔ２）が２７５０℃のＳＵＳを挙げているが、ＳＵＳであっても成分の違いにより沸点や融点などの物性は異なることに注意されたい。ＡＭ法においては、材料粉末を溶融・凝固させて所望の物体を造形していくので、材料粉末を融点以上に加熱する必要がある。

　図４は、材料の表面にビームを照射したときに、材料の表面から下方に熱が伝達していくときの温度上昇を説明するための図である。図４は、ビームが照射された材料粉末１５２を上方から見た状態と横方から見た状態を示している。図４に示されるように、直径ｄのビームが照射されているとする。図４に示されるように、直径ｄのビームスポット中の面積ΔＡ、厚さδの領域の熱伝導および温度上昇を考える。

　ビーム照射前の材料１５２の表面の温度（Ｔａ（０））は、材料の下面の温度（Ｔｂ（０））と同じである。すなわち、Ｔａ（０）＝Ｔｂ（０）である。ビームが照射されてから任意の時間ｔが経過したときの材料の下面の温度Ｔｂ（ｔ）は、
式（１）：　　Ｔｂ（ｔ）＝（Ｔａ（ｔ）－Ｔａ（０））×（１－ｅｘｐ（－ｔ／τｃ））＋Ｔｂ（０）
と表される。
ここでτｃは、時定数であり
式（２）：　τｃ＝（ｍ×ｃ）×Ｒ
と表される。
ただし、
ｍ：質量［ｋｇ］＝ΔＡ×δ×ρ
ρ：密度［ｋｇ／ｍ^３］
ｃ：比熱［Ｊ／ｋｇ・Ｋ］
ｍ×ｃ：熱容量［Ｊ／Ｋ］
Ｒ：熱抵抗［Ｋ／Ｗ］
である。
また、熱抵抗Ｒは、
式（３）：　Ｒ＝（δ／（λ×ΔＡ））
で表される。
ただし、
λ：熱伝導率［Ｗ／ｍ・Ｋ］
である。
また、時定数τｃは、式（２）および式（３）から
式（４）：　τｃ＝（ΔＡ×δ×ρ×ｃ）×（δ／（λ×ΔＡ））＝ρ×ｃ×δ^２／λ
と表すことができる。

　図５は、材料であるＳＵＳの表面Ｔａを加熱した時の下面Ｔｂの温度上昇を概略的に示すグラフである。図５中の曲線Ｌ１は、ビームの照射により材料の表面の温度がほぼ融点（Ｔ１＝１４５０℃）に達する条件（穏やかな条件）でビームを照射したときの材料の下面の温度変化を示している。すなわち、Ｔａ（ｔ）＝１４５０℃となる条件である。また、図５中の曲線Ｌ２は、ビームの照射により材料の表面の温度がほぼ沸点（Ｔ２＝２７５０℃）に達する条件（厳しい条件）でビームを照射したときの材料の下面の温度変化を示している。すなわち、Ｔａ（ｔ）＝２７５０℃となる条件である。時定数τｃは材料の物性および配置（厚さδ）により決定される条件であるので、式（１）および図５のグラフから分かるように、厳しい条件でビームを照射したときの方が、材料の下面が融点（Ｔ１）に達する時間Δｔが短くなる。すなわち、ビーム出力が大きいほど材料の下面が融点（Ｔ１）に達する時間Δｔが短くなる。よって、ＡＭ法において、造形時間を短くする１つの方策として、ビームの出力を大きくし、ビームの走査速度を大きくすることが考えられる。しかし、上述したように、ビームの照射エネルギーを大きくすると、材料粉末層の表面が過昇温になり、ヒュームやスパッタが発生しやすくなり、造形物に欠陥を生じさせたり、ＡＭ装置のビーム照射系に障害を引き起こしたりすることがある。そのため、一実施形において、学習モデル生成部２４０４は、穏やかな条件で造形時間が短縮されるように、学習モデルの学習・生成を行う。

　穏やかな条件によるビーム照射の場合、材料の表面温度Ｔａ（ｔ）は、ある瞬間に融点（Ｔ１＝１４５０℃）に達し、ビームの照射中のある時間Δｔの間に表面温度Ｔａ（ｔ）＝Ｔ１（＝１４５０℃）が維持されると仮定している。このような仮定に基づく穏やかな条件の場合、材料の表面から深さδの下表面の温度Ｔｂ（ｔ）が融点（Ｔ１＝１４５０℃）に達するために必要な時間Δｔは、
式（５）：　Δｔ≒４τｃ＝４×ρ×ｃ×δ^２／λ
となる。なお、式（５）は、式（１）において、Ｔｂ（ｔ）が、表面の温度上昇分（Ｔａ（ｔ）－Ｔａ（０））の約９８％に到達するまでの時間をΔｔとしている。より厳密には表面温度Ｔａ（ｔ）をＴ１（＝１４５０℃）に維持できる時間は材料が固体から液体に変態するに必要な潜熱の吸収とその間の熱伝導による拡散熱量により決まり、その時間を過ぎると、表面温度Ｔａ（ｔ）は上昇を始める。これにより下表面の温度Ｔｂ（ｔ）も上昇し融点以上に達することができる。また、表面温度Ｔａ（ｔ）を観測し、表面温度Ｔａ（ｔ）が材料の融点＋２％～１０％の範囲になるようにビームの照射エネルギーおよびビームの走査を制御する方法でも本願の意図する穏やかな溶融を実現できる。ここでは、材料毎の密度ρ、比熱ｃ、熱伝導率λ、厚みδと必要時間Δｔの関係を式（５）によりパラメータ比較（定性比較）でき、かつ相対的な定量比較できることを重視している。一実施形態において、穏やかな条件による造形を実現するために、ビームの照射時間が約２τｃから約４τｃの間で、材料の下表面の温度が融点に到達するように、ビームの強度および材料上でのビームサイズを決定してもよい。あるいは、ビームの照射時間を約３τｃから約４τｃの間で穏やかな条件による造形を実現するようにビームの強度および材料上でのビームサイズを決定してもよい。つまり、一例として、評価値計算部２４０５は、材料の下表面の温度が約２τｃから約４τｃの間で融点に達するときに、大きな評価ｒを与えるものとしてもよい。また、一例として、評価値計算部２４０５は、材料の下表面の温度が約３τｃから約４τｃの間で融点に達するときに、大きな報酬ｒを与えるものとしてもよい。

　式（４）および式（５）から分かるように、τｃは材料の厚さδの２乗に比例するので、材料の厚さδを小さくすれば時定数τｃが小さくなり、その結果、Δｔも小さくなる。このため、一例として、評価値計算部２４０５は、一層あたりの厚さδが小さいほど大きな評価ｒを与えるものとしてもよい。

　図２を再び参照する。意思決定部２４０８は、学習モデル生成部２４０４により学習・生成された学習モデルと、状態変数取得部２４０２により取得された状態変数ＳＶと、に基づいてＡＭ装置１００の造形条件を決定して制御装置２００へと出力する。なお、意思決定部２４０８による造形条件の決定は、学習モデル生成部２４０４による学習周期と同一または対応した時間ごとに行われてもよいし、学習周期よりも短いまたは長い時間ごとに行われてもよい。

　図６は、機械学習装置２４０による、造形条件を決定することを機械学習する方法の一例を示すフローチャートである。機械学習装置２４０（状態変数取得部２４０２）は、物理量Ｓ１と造形条件Ｓ２とを含む状態変数ＳＶを取得する（ステップＳ１２）。続いて、機械学習装置２４０（学習モデル生成部２４０４）は、取得した状態変数ＳＶに基づいて学習モデルの学習・生成を行う（ステップＳ１４）。そして、機械学習装置２４０（意思決定部２４０８）は、状態変数取得部２４０２が取得した状態変数ＳＶを、学習部２４０６において学習・生成された学習モデルに入力することにより、ＡＭ装置１００における造形条件を決定する（ステップＳ１６）。

　以上説明したように、本実施形態の機械学習装置２４０は、状態変数取得部２４０２において、造形中の造形に関する物理量Ｓ１と、ＡＭ装置１００の造形条件Ｓ２と、を含む状態変数ＳＶを取得する。ここで、造形条件Ｓ２は、ビームの強度、材料上でのビームのサイズ、ビームの走査速度、ビームの照射角度、ビームの焦点オフセット量、ビームの焦点距離、材料の特性、材料の敷き詰め条件、シールドガス量、ビームの重なり量、のうち少なくとも１つを含む。また、物理量Ｓ１は、撮像部２５０により撮像された造形部位の撮像データ、撮像データを処理することにより得られる造形部外観、ビーム源１７０の電流波形、ビーム源１７０の電圧波形、ビームのエネルギー、造形チャンバ１０２内の壁面温度、凝固部の厚み、造形ビード幅、酸素濃度、スパッタ発生量、のうち少なくとも１つを含む。そして、機械学習装置２４０は、取得した状態変数ＳＶに基づいて、造形条件を決定するための学習モデルの学習、および造形条件の決定を行う。これにより、ＡＭ装置において、適切な造形条件を決定することができる。

（変形例１）
　上記した機械学習装置２４０は、ＡＭ装置１００の造形条件Ｓ２を決定することを機械学習するものとした。機械学習装置２４０は、ＡＭ装置１００の造形条件Ｓ２に代えて、または加えて、ＡＭ装置１００のメンテナンス時期を決定することを機械学習するものとしてもよい。なお、機械学習装置２４０は、造形条件Ｓ２については強化学習によって学習モデルを学習・生成し、メンテナンス時期については教師あり学習によって学習モデルを学習・生成するなど、異なる機械学習のアルゴリズムを採用してもよい。また、一実施形態として、機械学習装置２４０は、ＡＭ装置１００の予め定められた構成のグループごとにメンテナンス時期を決定するものとしてもよい。

　一実施形態として、機械学習装置２４０によるメンテナンス時期の決定についての学習は、上記した状態変数ＳＶに基づいて行われる。一例として、状態変数ＳＶにおける物理量Ｓ１には、造形チャンバ１０２内の壁面温度、ＡＭ装置１００の機構系の駆動トルク、のうち少なくとも１つが含まれる。一例として、機械学習装置２４０は、造形チャンバ１０２内の壁面温度が高いほど、造形チャンバ１０２の内壁とリフトテーブル１０８とを封止するための封止体の劣化が促進されると考えられるため、メンテナンス時期が早く決定されるように、学習モデルを学習・生成する。また、一例として、機械学習装置２４０は、リフトテーブル１０８の駆動機構１１０による駆動トルクが大きいほど、封止体が劣化していると判断して、メンテナンス時期が早く決定されるように、学習モデルを学習・生成する。また、一例として、機械学習装置２４０は、メンテナンスの頻度が少なくなるよう、ＡＭ装置１００に異常が生じない範囲でメンテナンス時期が遅く決定されるように、学習モデルを学習・生成する。

　そして、機械学習装置２４０または制御装置２００は、機械学習装置２４０によって学習・生成された学習モデルに状態変数ＳＶを入力して、メンテナンス時期を出力する。ＡＭ装置１００は、出力されたメンテナンス時期を、表示器などの図示しない報知手段によってユーザーに放置するとよい。このように、機械学習装置２４０がＡＭ装置１００のメンテナンス時期の決定について学習モデルを学習・生成することにより、適切な時期にＡＭ装置１００のメンテナンスを行うことができ、ＡＭ装置１００の効率化を図ることができる。

（変形例２）
　上記した実施形態では、機械学習装置２４０は、ＡＭ装置１００に搭載されて、当該ＡＭ装置１００における状態変数ＳＶに基づいて、造形条件Ｓ２を決定するための学習モデルを学習・生成するものとした。しかしながら、こうした例に限定されず、機械学習装置２４０は、ＡＭ装置１００の外部に設けられて、有線または無線でＡＭ装置１００と通信可能に構成されてもよい。この場合、機械学習装置２４０は、通信によって状態変数ＳＶをＡＭ装置１００から取得し、取得した状態変数ＳＶに基づいて学習モデルの学習・生成をするとよい。この場合、一例として、機械学習装置２４０は、状態変数ＳＶに基づいてＡＭ装置１００の造形条件を決定してＡＭ装置１００へ送信してもよい。また、一例としてし、機械学習装置２４０は、更新された学習モデルをＡＭ装置１００へ送信するものとし、ＡＭ装置１００において更新された学習モデルを利用した造形条件の決定が行われてもよい。

　図７は、変形例におけるＡＭシステムの構成概略を示す図である。ＡＭシステムは、機械学習装置２４０と、有線または無線で通信可能に接続された複数のＡＭ装置（図４に示す例では、３つのＡＭ装置１０００Ａ，１０００Ｂ，１０００Ｃ）と、を備えている。変形例における機械学習装置２４０は、上記した実施形態における機械学習装置２４０と概して同一の機能を実現することができるように構成されており、重複する説明は省略する。変形例の機械学習装置２４０は、複数のＡＭ装置から状態変数ＳＶを取得することができる。これにより、機械学習装置２４０は、より多くの状態変数ＳＶを取得して、学習モデルの学習精度を向上させることができる。一例として、複数のＡＭ装置には、機械学習装置を備えないＡＭ装置１０００Ａが含まれてもよい。機械学習装置を備えていない場合、ＡＭ装置１０００Ａは、機械学習装置２４０において決定された造形条件Ｓ２によって造形を行うものとしてもよいし、機械学習装置２４０から送信されて更新される学習モデルを使用することにより造形条件Ｓ２を決定して造形を行うものとしてもよい。また、一例として、複数のＡＭ装置には、機械学習装置を備えるＡＭ装置１０００Ｂ，１０００Ｃが含まれてもよい。ＡＭ装置１０００Ｂ，１０００Ｃは、上記した実施形態における機械学習装置２４０と同一の機能・構成を有する機械学習装置２４０Ｂ，２４０Ｃを備えている。この場合、それぞれの機械学習装置２４０，２４０Ｂ，２４０Ｃは、各自が生成した学習モデルを互いに取得し、各機械学習装置２４０，２４０Ｂ，２４０Ｃにおいて、学習モデルの最適化を図るものとしてもよい。また、機械学習装置２４０，２４０Ｂ，２４０Ｃのうち、いずれかの機械学習装置が上位の機械学習装置として機能し、複数の学習モデルを取得して、学習モデルの最適化を図り、下位の機械学習装置へ更新された学習モデルを送信するように構成されてもよい。ここで、機械学習装置が行う学習モデルの最適化の例としては、複数の学習モデルに基づく蒸留モデルの生成が挙げられる。

　以上、いくつかの例に基づいて本発明の実施形態について説明してきたが、上記した発明の実施形態は、本発明の理解を容易にするためのものであり、本発明を限定するものではない。本発明は、その趣旨を逸脱することなく、変更、改良され得るとともに、本発明には、その均等物が含まれることはもちろんである。また、上述した課題の少なくとも一部を解決できる範囲、または、効果の少なくとも一部を奏する範囲において、特許請求の範囲および明細書に記載された各構成要素の任意の組み合わせ、または、省略が可能である。

　上述の実施形態から少なくとも以下の技術的思想が把握される。
［形態１］形態１によれば、ＡＭ装置における造形条件を決定することを機械学習するための機械学習装置が提案され、前記機械学習装置は、　造形中の造形に関する物理量と、前記造形条件と、を含む状態変数を取得し、　前記造形条件は、ビームの強度、材料上でのビームのサイズ、ビームの走査速度、ビームの照射角度、ビームの焦点オフセット量、ビームの焦点距離、材料の特性、材料の敷き詰め条件、シールドガス量、ビームの重なり量、のうち少なくとも１つを含み、　前記物理量は、撮像部により撮像された造形部位の撮像データ、当該撮像データを処理することにより得られる造形部外観、ビーム源の電流波形、ビーム源の電圧波形、ビームのエネルギー、造形チャンバ内の壁面温度、凝固部の厚み、造形ビード幅、酸素濃度、スパッタ発生量、のうち少なくとも１つを含み、　前記状態変数に基づいて、前記造形条件を決定するための学習モデルの学習および前記造形条件の決定を行う。形態１によれば、ＡＭ装置における適切な造形条件を決定することができる。

［形態２］形態２によれば、形態１において、前記機械学習装置は、前記状態変数に基づいて評価値を計算する評価値計算部と、前記評価値に基づいて前記学習モデルの学習を行う学習部と、を有する。

［形態３］形態３によれば、形態２において、前記機械学習装置は、前記状態変数に基づいて、形状指令に対する造形結果の追従度と、造形にかかる時間と、を算出し、　前記評価値計算部は、前記追従度が高いほど、および前記時間が短いほど、高い評価値を与える。形態３によれば、造形結果を形状指令に近づけるとともに造形にかかる時間を少なくすることができるように、造形条件を決定することができる。

［形態４］形態４によれば、形態２または３において、　前記評価値計算部は、　前記物理量の安定度が高いほど高い評価値を与える、　前記ＡＭ装置の制御指令と、当該制御指令に対応する前記物理量と、の偏差が小さいほど高い評価値を与える、　前記ＡＭ装置の制御指令に対する応答時間が短いほど高い評価値を与える、　前記スパッタ発生量が小さいほど高い評価値を与える、　前記ＡＭ装置におけるエネルギー消費量が小さいほど高い評価値を与える、　の少なくとも１つを満たす。

［形態５］形態５によれば、形態１から４において、　前記材料の敷き詰め条件は、材料の敷き詰め厚さ、材料の敷き詰め時に作用させる圧力、のうち少なくとも１つを含む。

［形態６］形態６によれば、形態１から５において、　前記ビームの強度は、ビーム源の電流、ビーム源の電圧、ビームのエネルギー、のうち少なくとも１つを含む。

［形態７］形態７によれば、形態１から６において、　前記材料上でのビームのサイズは、ビームの走査方向に沿ったサイズ、ビームの走査方向に垂直なサイズ、のうち少なくとも１つを含む。

［形態８］形態８によれば、形態１から７において、　前記材料の特性は、密度、比熱、熱伝導率、の少なくとも１つを含む。

［形態９］形態９によれば、形態１から８において、材料の表面温度が融点＋２％から１０％の温度となるように前記造形条件が決定されるように、前記学習モデルの学習を行う。

［形態１０］形態１０によれば、形態１から９において、　前記ＡＭ装置のメンテナンスタイミングを出力することができるように構成され、　前記状態変数に基づいて、前記メンテナンスタイミングを算出するための学習モデルの学習および前記メンテナンスタイミングの算出を行う。

［形態１１］形態１１よれば、形態１０において、　前記物理量は、造形チャンバ内の壁面温度、前記ＡＭ装置の機構系の駆動トルク、のうち少なくとも１つを含む。

［形態１２］形態１２によれば、形態１から１１の何れか１つに記載の機械学習装置を備え、　前記機械学習装置から出力された造形条件に基づいて造形物を造形する、ＡＭ装置が提案される。形態１２によれば、機械学習装置から出力された造形条件に基づいて、造形物を造形することができ、ヒュームやスパッタの発生を抑制しながら造形時間の短縮を図ることができる。

［形態１３］形態１３によれば、ＡＭ装置における造形条件を決定することを機械学習するための機械学習方法が提案され、前記機械学習方法は、　造形中の造形に関する物理量と、前記造形条件と、を含む状態変数を取得し、　前記造形条件は、ビームの強度、材料上でのビームのサイズ、ビームの走査速度、ビームの照射角度、ビームの焦点オフセット量、ビームの焦点距離、材料の特性、材料の敷き詰め条件、シールドガス量、ビームの重なり量、のうち少なくとも１つを含み、　前記物理量は、撮像部により撮像された造形部位の撮像データ、当該撮像データを処理することにより得られる造形部外観、ビーム源の電流波形、ビーム源の電圧波形、ビームのエネルギー、造形チャンバ内の壁面温度、凝固部の厚み、造形ビード幅、酸素濃度、スパッタ発生量、のうち少なくとも１つを含み、　前記状態変数に基づいて、前記造形条件を決定するための学習モデルの学習および前記造形条件の決定を行う。形態１３によれば、ＡＭ装置における適切な造形条件を決定することができる。

［形態１４］形態１４によれば、　ＡＭ装置における造形条件を決定するための学習モデルの生成方法が提案され、前記学習モデルの生成方法は、　造形中の造形に関する物理量と、前記造形条件と、を含む状態変数を複数取得し、　前記造形条件は、ビームの強度、材料上でのビームのサイズ、ビームの走査速度、ビームの照射角度、ビームの焦点オフセット量、ビームの焦点距離、材料の特性、材料の敷き詰め条件、シールドガス量、ビームの重なり量、のうち少なくとも１つを含み、　前記物理量は、撮像部により撮像された造形部位の撮像データ、当該撮像データを処理することにより得られる造形部外観、ビーム源の電流波形、ビーム源の電圧波形、ビームのエネルギー、造形チャンバ内の壁面温度、凝固部の厚み、造形ビード幅、酸素濃度、スパッタ発生量、のうち少なくとも１つを含み、　前記取得した複数の状態変数に基づいて、前記状態変数を入力、前記造形条件を出力、とする学習モデルを生成する。形態１４によれば、ＡＭ装置における適切な造形条件を決定することができる学習モデルを生成することができる。

　本願は、２０１９年９月４日出願の日本特許出願番号第２０１９－１６１２６７号に基づく優先権を主張する。日本特許出願番号第２０１９－１６１２６７号の明細書、特許請求の範囲、図面及び要約書を含む全ての開示内容は、参照により全体として本願に援用される。国際公開第２０１５／１５１８３９号（特許文献１）および特開２００５－０１２２３８号公報（特許文献２）の全ての開示は、参照により全体として本願に援用される。

　　１００…ＡＭ装置
　　１０２…造形チャンバ
　　１０６…ビルドアップチャンバ
　　１０８…リフトテーブル
　　１１０…駆動機構
　　１１２…ステージ
　　１１４…ベースプレート
　　１５０…材料供給機構
　　１５２…材料粉末
　　１５４…貯蔵容器
　　１５９…ローラ
　　１６０…移動機構
　　１７０…ビーム源
　　１７１…調整装置
　　１７２…レーザー
　　１７３…ビームシェイパ
　　１７４…走査機構
　　１７５…溶融池モニタ
　　２００…制御装置
　　２４０…機械学習装置
　　２４０２…状態変数取得部
　　２４０２…学習部モデル生成部
　　２４０４…学習モデル生成部
　　２４０５…評価値計算部
　　２４０６…学習部
　　２４０８…意思決定部
　　２５０…撮像部
　　２５１…ビームモニタ
　　２５２…電流センサ
　　２５３…電圧センサ
　　２５４…温度計
　　２５５…濃度計
　　２５６…駆動トルクモニタ
　　２５７…駆動トルクモニタ
　　Ｄ１…三次元データ
　　Ｍ１…造形物

Claims

　ＡＭ装置における造形条件を決定することを機械学習するための機械学習装置であって、
　造形中の造形に関する物理量と、前記造形条件と、を含む状態変数を取得し、
　前記造形条件は、ビームの強度、材料上でのビームのサイズ、ビームの走査速度、ビームの照射角度、ビームの焦点オフセット量、ビームの焦点距離、材料の特性、材料の敷き詰め条件、シールドガス量、ビームの重なり量、のうち少なくとも１つを含み、
　前記物理量は、撮像部により撮像された造形部位の撮像データ、当該撮像データを処理することにより得られる造形部外観、ビーム源の電流波形、ビーム源の電圧波形、ビームのエネルギー、造形チャンバ内の壁面温度、凝固部の厚み、造形ビード幅、酸素濃度、スパッタ発生量、のうち少なくとも１つを含み、
　前記状態変数に基づいて、前記造形条件を決定するための学習モデルの学習および前記造形条件の決定を行う、
　機械学習装置。
　前記機械学習装置は、前記状態変数に基づいて評価値を計算する評価値計算部と、前記評価値に基づいて前記学習モデルの学習を行う学習部と、を有する、請求項１に記載の機械学習装置。
　前記機械学習装置は、前記状態変数に基づいて、形状指令に対する造形結果の追従度と、造形にかかる時間と、を算出し、
　前記評価値計算部は、前記追従度が高いほど、および前記時間が短いほど、高い評価値を与える、請求項２に記載の機械学習装置。
　前記評価値計算部は、
　前記物理量の安定度が高いほど高い評価値を与える、
　前記ＡＭ装置の制御指令と、当該制御指令に対応する前記物理量と、の偏差が小さいほど高い評価値を与える、
　前記ＡＭ装置の制御指令に対する応答時間が短いほど高い評価値を与える、
　前記スパッタ発生量が小さいほど高い評価値を与える、
　前記ＡＭ装置におけるエネルギー消費量が小さいほど高い評価値を与える、
　の少なくとも１つを満たす、請求項２または３に記載の機械学習装置。
　前記材料の敷き詰め条件は、材料の敷き詰め厚さ、材料の敷き詰め時に作用させる圧力、のうち少なくとも１つを含む、請求項１から４の何れか１項に記載の機械学習装置。
　前記ビームの強度は、ビーム源の電流、ビーム源の電圧、ビームのエネルギー、のうち少なくとも１つを含む、請求項１から５の何れか１項に記載の機械学習装置。
　前記材料上でのビームのサイズは、ビームの走査方向に沿ったサイズ、ビームの走査方向に垂直なサイズ、のうち少なくとも１つを含む、請求項１から６の何れか１項に記載の機械学習装置。
　前記材料の特性は、密度、比熱、熱伝導率、の少なくとも１つを含む、請求項１から７の何れか１項に記載の機械学習装置。
　材料の表面温度が融点＋２％から１０％の温度となるように前記造形条件が決定されるように、前記学習モデルの学習を行う、請求項１から８の何れか１項に記載の機械学習装置。
　請求項１から９の何れか１項に記載の機械学習装置であって、
　前記ＡＭ装置のメンテナンスタイミングを出力することができるように構成され、
　前記状態変数に基づいて、前記メンテナンスタイミングを算出するための学習モデルの学習および前記メンテナンスタイミングの算出を行う、
　機械学習装置。
　前記物理量は、造形チャンバ内の壁面温度、前記ＡＭ装置の機構系の駆動トルク、のうち少なくとも１つを含む、請求項１０に記載の機械学習装置。
　請求項１から１１の何れか１項に記載の機械学習装置を備え、
　前記機械学習装置から出力された造形条件に基づいて造形物を造形する、ＡＭ装置。
　ＡＭ装置における造形条件を決定することを機械学習するための機械学習方法であって、
　造形中の造形に関する物理量と、前記造形条件と、を含む状態変数を取得し、
　前記造形条件は、ビームの強度、材料上でのビームのサイズ、ビームの走査速度、ビームの照射角度、ビームの焦点オフセット量、ビームの焦点距離、材料の特性、材料の敷き詰め条件、シールドガス量、ビームの重なり量、のうち少なくとも１つを含み、
　前記物理量は、撮像部により撮像された造形部位の撮像データ、当該撮像データを処理することにより得られる造形部外観、ビーム源の電流波形、ビーム源の電圧波形、ビームのエネルギー、造形チャンバ内の壁面温度、凝固部の厚み、造形ビード幅、酸素濃度、スパッタ発生量、のうち少なくとも１つを含み、
　前記状態変数に基づいて、前記造形条件を決定するための学習モデルの学習および前記造形条件の決定を行う、
　機械学習方法。
　ＡＭ装置における造形条件を決定するための学習モデルの生成方法であって、
　造形中の造形に関する物理量と、前記造形条件と、を含む状態変数を複数取得し、
　前記造形条件は、ビームの強度、材料上でのビームのサイズ、ビームの走査速度、ビームの照射角度、ビームの焦点オフセット量、ビームの焦点距離、材料の特性、材料の敷き詰め条件、シールドガス量、ビームの重なり量、のうち少なくとも１つを含み、
　前記物理量は、撮像部により撮像された造形部位の撮像データ、当該撮像データを処理することにより得られる造形部外観、ビーム源の電流波形、ビーム源の電圧波形、ビームのエネルギー、造形チャンバ内の壁面温度、凝固部の厚み、造形ビード幅、酸素濃度、スパッタ発生量、のうち少なくとも１つを含み、
　前記取得した複数の状態変数に基づいて、前記状態変数を入力、前記造形条件を出力、とする学習モデルを生成する、
　学習モデルの生成方法。