CN102147602B

CN102147602B - 用于监控激光加工工艺的质量的方法及相应的系统

Info

Publication number: CN102147602B
Application number: CN201110034033.4A
Authority: CN
Inventors: P·卡莱法蒂
Original assignee: Prima Industrie SpA
Current assignee: Prima Industrie SpA
Priority date: 2010-02-08
Filing date: 2011-02-01
Publication date: 2015-10-21
Anticipated expiration: 2031-02-01
Also published as: EP2357057B1; ITTO20100086A1; EP2357057A1; IT1397985B1; CN102147602A; JP2011183455A; US20110192825A1; JP5801564B2; US8558135B2

Abstract

本发明涉及用于监控激光加工工艺的质量的方法及相应的系统。该方法包括：把表示加工质量的参数与表示给定加工质量的所述参考参数进行比较，以便获得经过调节的工艺参数集合；得到标识加工工艺的对应状态的多个统计模型，所述状态包括缺陷状态；以及实时地执行辨识操作，所述辨识操作是包括所述经过调节的工艺参数集合在内的实时获取的工艺观测集合属于标识加工工艺的状态的所述多个统计模型当中的一个或更多个，所述辨识操作包括根据在所述辨识操作中辨识出的状态来识别缺陷的一种或更多种成因。

Description

用于监控激光加工工艺的质量的方法及相应的系统

技术领域

本发明涉及一种用于监控激光加工工艺的质量的方法，具体来说是切割或焊接工艺，并且还涉及一种相应的系统。

背景技术

在切割和焊接工艺（例如激光切割和焊接）以及诸如包层和热处理之类的加工工艺期间，实时调节技术参数并保持恒定加工质量对工业生产和产品质量具有重大影响。由切割/焊接机实施的智能加工允许优化及验证生产并且允许减少浪费。

在这方面已经知道通过操作员来实施生产控制和质量验证，或者借助于离线操作的专用仪器通过对工件进行分析来实施。这必然伴有缺陷，以致于到如下程度：在任何情况下都必须由负责机器的操作员监控生产，并且必须通过停下生产以及依照经验调节切割/焊接技术参数来离线执行对不良加工质量的校正。

同样还知道在生产期间在线操作的用于监控切割或焊接质量的方法，所述方法对于监控操作也使用参考信号，但是不允许校正不良加工并且不允许对技术参数进行实时调节。对技术参数的调节和校正被托付于操作员的经验。

发明内容

适合于所述上下文的本发明的目的在于提供进一步的改进，并且特别是改进监控精度并且允许在没有人类干预的情况下实时在线调节及校正技术参数。

根据本发明，所述目的通过具有形成主权利要求的主题的特征的一种监控方法以及通过一种相应的系统来实现。同样地，归功于从属权利要求的特征可以获得进一步的优点。

此外，本发明还涉及一种可以直接加载到计算机的存储器中并且包括软件代码部分的计算机程序产品，当在计算机上运行所述产品时，所述软件代码部分用于实施所述方法以便提高精度。在从属权利要求中给出了所述方法的优选实施例。

附图说明

下面将参照纯粹以非限制性实例的方式给出的附图详细描述本发明，其中：

－图1是实施根据本发明的方法的加工系统的透视图；

－图2是代表根据本发明的方法的方框图；

－图3代表关于根据本发明的方法的步骤；以及

－图4代表关于根据本发明的方法的另外步骤。

具体实施方式

简而言之，根据本发明的监控方法通过以下操作用来在工业生产期间确保激光加工工艺（特别是激光切割或焊接）的恒定质量：

－实时获取代表加工工艺的质量的信号；

－产生表示所期望的加工质量的参考参数（能量阈值）；

－对工艺信号进行实时处理；

－识别加工质量和可能的缺陷类型；以及

－通过实时调节加工操作（特别是激光切割或焊接）的技术参数来控制加工工艺并且校正可能的缺陷。

因此，在加工工艺期间保持所期望的质量是基于参考给定参数对代表工艺质量的信号进行分析，其中所述给定参数是从在加工具有所期望的质量或者在任何情况下具有预定质量的标准或参考件期间所生成并获取的信号当中获得的。

前面描述的操作优选地包括识别工件的几何结构和工艺的质量，其设想在机器的数控模块级别对于每一个所加工的部件识别加工（即切割或焊接）的质量。换句话说，所述数控模块通过考虑工件的每一个给定部件如何及何时被加工来操作，即考虑对质量进行评估的时刻以及加工路径（例如切割曲线）的哪一点对应于该时刻。具体来说，把加工方向纳入考虑。工件的几何结构与工艺质量之间的所述关联有利于实时地识别切割质量；也就是说，对于每一个给定的确定性时间并且对于所述数控模块所控制的给定的确定性空间执行监控操作。

图1是通过举例的方式提供的适于实施根据本发明的方法的激光机的原理方框图，其中510表示例如用于焊接或切割操作的激光机头，其向工件520发射焊接或切割激光束530。激光机加工头510被安装成可移动，以便通过致动器系统550在多个轴上操作。所述致动器系统550包括用于沿着各轴移位加工头510的致动器，并且同样包括用于调节工艺参数的致动器。所述激光机加工头510承载光学传感器540以用于接收在工艺期间（即在例如熔池的工件520上进行加工期间）反射的辐射R。通过放大器610放大光学传感器540的信号并且通过获取卡620 （acquisition card）（例如模拟－数字转换器）获取，以便生成工艺信号Xp，其被发送到处理系统700（例如个人计算机或其他计算机或处理器系统）。工艺信号Xp基本上是在正常加工期间发射的信号，例如此时机器处于非监督状态，也就是说没有监督加工质量的操作员。处理系统700适于通过用于控制机器致动器的模块400来实时驱动致动器系统550。处理系统700根据设定和机器程序实施所述控制，其中所述设定和机器程序将由机器根据数控机器和加工机器人的控制标准（其本身已知）来执行。在所述上下文中，处理系统700还特别提供激光束的功率值、切割/焊接操作的压力值以及隔开调节（standoff-regulation）值（比如有可能是透镜焦点在金属片上的位置值）。“隔开”意味着例如工具中心点（TCP）与金属片的距离。例如在切割/焊接工艺期间必须把所述隔开控制在已知值。根据本发明的一个重要方面，处理系统700被配置成用于根据工艺信号Xp以及根据从所述工艺信号Xp导出的关于工艺质量的信息在致动器控制模块400上对加工（特别是激光切割或焊接）的技术参数进行实时调节或校正。

图2是代表根据本发明的方法的方框图。

块500代表加工工艺，例如激光切割或焊接工艺。所述切割或焊接工艺由激光机400执行，例如参照图1描述的激光机。块600代表实时获取表示切割/焊接工艺的质量的信号的操作，其例如可以使用图1的模块610和620。因此所述操作600包括把光学传感器（比如传感器540）设定在激光加工工艺附近，以便检测在激光加工工艺期间反射的辐射R。在被传送到处理系统700之前，代表反射辐射R的强度值的所述光学传感器540的信号被放大并且可能被转换以便获得工艺信号Xp，即在给定时刻获取的反射辐射强度值的时间序列。

获取所述工艺信号Xp（即在激光切割/焊接操作期间生成的反射辐射值）是因为通常可以对其进行处理，以便获得代表工艺500的质量的信息。

为此目的，在预备步骤中，可以例如通过低通滤波器对于在激光切割/焊接操作期间生成的反射辐射值进行滤波并且在时间－频率表示中进行分析，随后可以对其进行分解以便识别出感兴趣的频带。按照这种方式识别出两个重要频带（significant frequency band）B1和B2，即工艺信号Xp的频谱围绕两个特定频率（其在这里被指定为F1和F2）的频率间隔，其被视为代表工艺的质量。所述频带例如可以具有围绕所述频率F1和F2的几赫兹的幅值。通过寻找其中能量在激光工艺期间随着加工质量的变化而发生变化的频带，例如存在最大变化的频带来识别所述重要频率F1和F2。另一方面，从本说明书的后续部分将会清楚看到，在选择了次优的频带B1和B2的情况下，这里描述的监控方法也操作。所述重要频率F1和F2优选地是落在可以在工业上下文中获得的频率范围内的激光加工工艺频率。举例来说，所述值大约为几千赫兹。一般在不同于加工步骤的分析步骤中实施刚刚描述的搜索重要频率的操作，并且把频率值F1和F2存储在处理模块700中以用于所提出的工艺。对于重要频率值F1和F2的识别一般可以只计算一次（例如作为出厂设定），根据本发明的监控方法不一定需要每当执行特定加工操作时都计算所述时间－频率分布，而是仅仅需要在其值事先已知的频率F1和F2处进行滤波（例如带通滤波）。

所述频率F1和F2处的工艺信号Xp的频带B1和B2、来自传感器540的所述工艺信号Xp的直流电压分量DC以及加工方向（例如切割方向）DIR被用于质量分析。可以通过滤波操作获得工艺信号Xp的直流电压分量DC。因此，所提出的方法优选地设想执行从工艺信号Xp中提取出重要能量200的操作，其包括预先对工艺信号Xp进行滤波，例如低通滤波。接下来，在步骤210中，应用两次带通滤波以便获得对应于重要频率F1和F2的两个频带B1和B2，从而按照这种方式选择用于所述重要频率F1和F2的频带（或者更确切地说带宽）。随后在步骤220中计算对应于所述重要频率F1和F2的所述频带B1和B2的能量E1和E2。利用在时域内计算信号能量的公式来计算能量E1和E2。用x^BPi _L表示时域内的一般信号，其中BPi是该信号的对应频带，则相应的能量E^BPi _L为：

在步骤210和220中，按照恒定的且确定性时间间隔在给定时刻（实时地）实施对工艺信号Xp的获取600和后续处理。举例来说，在确定性时间间隔期间（其可以优选地大约是数十毫秒）获取一个值，并且在所述时间间隔期间执行质量监控以及可能的技术参数校正。

此外设想把每一次获取操作600与机器的各轴的特定几何位置相关联，从而与加工路径的各点相关联。这优选地通过机器内插器（未在图1和2中示出）来实施。包括机器内插器和致动器伺服控制的用于激光机的实时伺服控制结构通常是已知的，并且这里将不进行详细讨论。

在启动对于加工工艺的分析模式之前，设想获得用于参考信号Xr的参考参数，其中所述参考信号Xr是关于特别具有所期望的或给定的质量的参考加工的工艺信号。为了产生所述参考信号Xr，设想执行标准或参考加工，例如设想以所期望的或给定的加工质量切割给定图标（icon）。对于每一项加工获得参考信号Xr，也就是说其对于特定材料、厚度、焦距值以及定义想要监控质量的特定加工类型的其他参数来说是特定的，并且提供参考参数，比如用于频率F1和F2的阈值能量或参考能量E1r和E2r以及直流参考DCr，所述参考参数被存储在机器技术数据库中。

随后设想把工艺信号Xp的能量与所存储的参考信号Xr的能量进行比较，以便关于给定质量参考对其进行调节。具体来说，所述比较包括在除法器230中对通过模块215获得的传感器信号Xp的能量E1和E2以及直流电压分量DC进行归一化，所述模块215例如关于在参考信号Xr的获取期间计算的参考阈值实施简单的滤波操作；也就是说，获得归一化量E1/E1r、E2/E2r、DC/DCr，其在图2中分别被指定为归一化信号N1、N2和NDC。

归一化信号N1、N2和NDC以及关于工艺信号Xp的方向DIR的信息构成（lie）定量分析的基础。

尽管一般有可能在没有关于方向DIR的信息的情况下进行操作，但是要考虑在真实的系统和工艺中正常存在的可能工艺不对称性和偏差，关于方向DIR的所述信息可能是重要的。

对于在如上所述地根据定义真实时间的确定性时间间隔（其例如为大约数十毫秒）固定的一系列时刻获取的工艺信号Xp的值进行归一化，并且所述归一化信号N1、N2、NDC、DIR被设置在矩阵中，从而它们将构成加工工艺的分析程序300的统计模型的数据观测x。

在这方面，在图2中用140指定例如位于控制加工工艺的处理模块700中的存储器模块，其存储定义每一个训练模型θ_k的统计参数集合(μ_k,Σ_k,Δ_k)，其中μ_k是均值，Σ_k是协方差矩阵，Δ_k是转移矩阵（transition matrix），所述统计参数集合是在模型的训练步骤期间获得的，下面将参照图4更清楚地说明。它们是标识用于各种加工条件的模型的统计等式的系数，其可以对应于加工缺陷状态、良好加工状态或者还有机器的其他状态，正如下面将参照光学诊断所例示的那样。

质量分析300的过程包括确立每一项数据观测x属于哪一个给定分类或模型，即确定其是哪一个给定分类或模型的成员，在本例中，x是4个数据或数据矩阵N1、N2、NDC、DIR的集合。

在此上下文中，在步骤310中通过一个等式计算概率（特别是d维高斯概率密度函数），所述等式具有通过训练步骤获得并且可以从存储器140得到的模型θ_k的所述统计参数(μ_k,Σ_k,Δ_k)作为常数，并且具有所述观测x作为变量，所述观测x即在特定时刻获取的归一化信号N1、N2和NDC以及加工方向DIR值，其被设置在归一化量的2x2矩阵中，其中第一行有归一化能量N1和N2，第二行有归一化直流分量NDC和加工方向DIR：

在各种实施例中，归一化量的矩阵还可以包含归一化量N1、N2、NDC和DIR的函数。

前面提到的概率等式由每一项数据观测的d维高斯概率密度函数g（在刚刚描述的观测x的矩阵的情况下，所述维度d是2）定义，其由下面的等式给出：

其中x是通过获取工艺信号Xp在特定时刻导出的瞬时观测（即前面描述的矩阵），μ是均值矢量，Σ是协方差矩阵。一般训练模型θ的统计量μ和Σ是表示d维高斯概率密度函数的等式的常数，所述函数被分别应用于每一个不同的模型θ_k，从而生成与模型θ_k的数目一样多的概率密度，将评估在特定时刻获取的观测x属于所述模型θ_k的概率。

由于在观测x属于给定分类或模型θ_k的情况下所述概率最大，于是在缺陷识别步骤330中，对每一项概率密度数据进行分类。具体来说，步骤330根据贝叶斯判定法则的原理操作：

所述通用公式表明，从由被标识为模型Θ的已知参数集合表征的一个分类集合q_k（其对应于模型θ_k）开始，总地被定义为X的观测在其后验概率最大的情况下属于一个所述分类q_k；也就是说，如果证实观测X属于第k分类的概率大于其属于第j分类的概率，则观测X属于给定分类q_k。

使用后验概率的贝叶斯法则为：

如果两个矢量等概率，则其属于同一分类。如果概率P(X|Θ)恒定就会发生这种情况。这会在概率P(q_k|X,Θ)与p(X|q_k,Θ)P(q_k|Θ)成比例的情况下发生：

以对数形式执行运算：

从而计算出对数最大似然性logP(q_k|X,Θ)。

这就允许（步骤330）关于表示加工缺陷状态和良好加工状态的模型θ_k识别出加工工艺的特定状态（其由特定时刻的工艺信号Xp的值标识），从而识别出加工质量好或坏。如果识别出缺陷，则还识别出缺陷D的成因。把缺陷D的所述成因提供到用于调节技术参数的模块340，其控制所述致动器控制模块400。

因此有可能通过实时调节激光加工（特别是切割或焊接）的技术参数来实施对于加工工艺的控制以及对于任何可能缺陷的校正。

一旦识别出加工工艺的特定状态以及工艺500的可能缺陷D的成因，下一步骤就是通过用于调节技术参数的模块340自动校正技术加工参数。其中所述模块发出校正指令C。如果存在工艺缺陷，则下一步骤是校正参数，比如产生低切割或焊接质量水平的激光压力或激光功率、焦距值、轴速度或者隔开。

例如在后继步骤中执行校正操作，并且继续迭代所述步骤必要的次数，以便恢复加工工艺的所期望的质量。如果存在同时识别出缺陷D的不同成因，首先校正影响最大的技术参数，随后校正其他参数。这等效于说前面特别关于利用贝叶斯分类的识别步骤330描述的概率研究还提供关于将要进行的技术校正的干预优先级。在这种情况下，实际上例如设想计算用于所有模型的概率。对于产生最高概率的相应缺陷进行校正，但是在已经进行的校正对应于最高可能概率的情况下，考虑第二最高的概率。

优选地，即使一起存在多个缺陷，在执行缺陷校正时也是每次考虑一个缺陷。随后当第一项校正终结时，开始第二项校正。一般来说，可以认为并不存在允许实现所期望的质量的单一技术参数集合，而是存在不同集合；因此所述方法优选地操作来获得恒等于所期望的质量的质量，而不是所选参数集合。

根据在加工工艺期间识别出的缺点D的成因，向用于调节技术参数的模块400发送一个字（例如16比特字），该模块是机器的数控模块，其例如通过相应的致动器来调节致动器系统550的工艺参数，从而调节技术参数以提高加工质量。例如以切割质量在所述工艺期间总是良好的方式执行对激光切割的技术参数的调节。在切割工艺期间调节的参数例如有：

－焦距；

－切割速度；

－切割压力；

－激光功率；以及

－切割隔开。

通过把信号与训练模型进行比较来调节技术参数不仅可以设想校正工艺参数，而且还可以诊断借之把激光束传递到工件上的光学系统。

举例来说，如果期望检查光学系统的故障是否影响加工缺陷的识别方法，则例如可以在实施加工的区域内（在加工路径之外但是在加工工具可以到达的一点处）提供例如LED的辐射源，其适于向加工头510中的光学传感器540发射辐射。当所述头540到达所述LED的位置时关断例如机器的激光辐射的源，从而光学传感器540接收到具有优选地类似于加工工艺的特性的已知特性的光辐射，但是所述辐射不受由光学系统引入的可能缺陷的影响，并且允许对源自光学系统下游的信号实施例如在图2中描述的分析程序300。在所述条件下，如果操作还是会遇到缺陷状态，则在光学系统中存在缺陷。更具体来说，设想训练对应的模型以用于识别出光学系统的一个或更多具体缺陷。

因此，根据本发明的另一方面，标识加工工艺500的对应状态的多个统计模型θ_k包括针对识别激光机的光学系统的一个或更多特定缺陷而训练的至少一个标识加工工艺状态的模型，其中通过不同于激光机的加工激光的源来确定工艺信号Xp，以便对机器的光学系统实施诊断。应当认识到，还可以在监控加工缺陷的过程之外训练及自主使用用于识别所述条件的所述模型，以便实施仅仅监控光学系统缺陷的功能。

图3示出了对其应用重要能量提取操作200的参考信号Xr的处理，这是通过在步骤210中在对应于重要频率F1和F2的两个频带B1和B2内应用两次带通滤波，从而获得所述两个频带B1和B2内的参考信号Xr。随后在步骤220中，对于所述频带B1和B2计算参考能量E1r和E2r。如前所述，参考能量E1r和E2r代表存储在机器技术数据库130中的信号阈值。此外还通过在块215中实施的滤波操作从参考信号Xr获取直流参考信号DCr，并且将其存储在机器技术数据库130中。如前所述，在加工开始时实施一次所述操作，并且从参考信号Xr获得的阈值被用于在加工期间监控质量，其中没有必要例如对所述监控进行监督。

图4示出了详细表示用于构造统计模型θ_k的训练步骤的方案。

所述构造统计模型的操作设想离线计算标识激光机的各种加工条件（切割/焊接）的模型的统计等式的系数。通过用于数据收集的测试活动（campaign）来执行模型训练。在所述数据收集过程中，收集用于激光机的各种加工模式（即切割/焊接）的获取，也就是说关于以下各项的数据收集：

－例如压力、功率、焦距的不同参数下的结果良好的切割/焊接；

－由于高焦点位置而导致的结果不良的切割/焊接；

－由于低焦点位置而导致的结果不良的切割/焊接；

－由于高切割/焊接压力而导致的结果不良的切割/焊接；

－由于低切割/焊接压力而导致的结果不良的切割/焊接；

－由于高切割/焊接速度而导致的结果不良的切割/焊接；

－由于低切割/焊接速度而导致的结果不良的切割/焊接；

－由于高激光功率而导致的结果不良的切割/焊接；

－由于低激光功率而导致的结果不良的切割/焊接；

－在切割/焊接工艺期间由于错误的隔开位置的而导致的结果不良的切割/焊接。

每一项所述数据收集确定对应的统计模型θ_k，其标识切割/焊接工艺的相应的第k个状态。

例如如果收集数据是前面例示的10项，则在训练结束时获得10个统计模型θ_k：

1. 良好切割/焊接模型

2. 不良切割/焊接模型－高焦点位置

3. 不良切割/焊接模型－低焦点位置

4. 不良切割/焊接模型－高切割/焊接压力

5. 不良切割/焊接模型－低切割/焊接压力

6. 不良切割/焊接模型－高切割/焊接速度

7. 不良切割/焊接模型－低切割/焊接速度

8. 不良切割/焊接模型－高激光功率

9. 不良切割/焊接模型－低激光功率

10. 不良切割/焊接模型－切割/焊接工艺期间的错误隔开位置

可以看出，除了良好切割/焊接（即没有缺陷或没有缺陷成因）之外，每一个所述训练模型θ_k都包含与缺陷D的对应成因相关联的统计值：高焦点位置、低焦点位置、高切割/焊接速度、低切割/焊接速度、低切割/焊接压力、高切割/焊接压力、高激光功率、低激光功率、错误隔开位置。可以清楚看出，所述列表不是穷举性的，而是取决于可能识别出的缺点D的成因以及取决于如何能够对缺陷D的所述成因进行分类。关于缺陷D的成因的信息可能不纯粹是定性的，或者可能仅仅识别出要干预的加工参数，但是也可能包含与缺陷成因相关联的参数（例如激光压力、切割速度、功率）的值或范围并且可能对其进行处理。

如前所述，训练模型θ_k由以下统计量构成：

a. 均值μ_k；

b. 协方差矩阵Σ_k；以及

c. 转移矩阵Δ_k。

转移矩阵Δ_k表示从给定状态转到另一状态的概率。举例来说，在这里描述的应用中，高焦点位置的工艺状态由具有4个不同值的给定观测x表示，所述4个不同值为归一化信号N1、N2、NDC和方向DIR。用于计算高斯概率的公式考虑均值和协方差。但是可以设想通过根据缺陷的加权关系把所述4个不同值相关联。所述加权关系对应于转移矩阵Δ_k。换句话说，这样也获得了从观测x的一项数据转移到相同观测的另一项数据的概率。如果观测x的4项数据属于同一模型θ_k，其也使得转移概率最大化。换句话说，在特定数据收集中的训练步骤期间，可以把转移概率值过低的观测合理地作为乱真数据而丢弃。所述转移矩阵、均值和协方差由离线训练程序提供，通过实施下文中描述的部分操作来执行所述离线训练程序。

应当提到的是，设想离线计算统计等式（其标识机器的各种加工条件（切割/焊接）的模型）的系数的统计模型的构造，使用相同的归一化信号N1、N2和NDC以及加工方向DIR的值，但是所述信号是在数据收集测试期间被获取的，随后使用训练程序350，其包括前面对于训练模型所描述的加工工艺的步骤310、330，但是为此目的还利用维特比程序。

为了训练特定模型θ_k（例如高焦点位置），训练方法350实际上设想对于由特定参数（例如在给定材料上且对于给定厚度切割）定义的特定样本，实施多项加工操作，例如在受到所述高焦点位置缺陷影响的这些加工操作当中的每一项中获得相同的形状，并且在给定时刻获取其工艺信号Xp的值，所述值在本情况中专用于训练。步骤310的等式被用于特别对于每一时刻构造对应的观测x的概率密度，这特别是通过对应于所述多项加工操作当中的每一项加工操作的相继步骤而实现的。在所述上下文中，在步骤320中，对随后获取的数据收集的观测执行高斯聚类的操作，随后是产生最大概率的维特比最大化收敛程序。所述维特比程序本身是已知的，其设想在所述概率不同于在前一步骤中获得的概率的情况下，对前一步骤获得的参数进行校正。

因此，对于训练步骤350的概率密度的计算在步骤310中是根据高斯混合法则进行的计算；在步骤320中，维特比程序使得概率最大化并且更新先验概率（即初始概率值）；同时在识别缺陷的下一步骤330中，可以采用根据贝叶斯法则的分类以作为关于维特比程序的概率选择标准。因此对于训练步骤350可以使用维特比－EM程序，该程序组合所述三项操作310、320、330。

在对于缺陷D的特定成因的数据收集结束时所定义的模型θ_k被存储在存储器140内以供随后在加工步骤中使用。当然，在构造及训练模型θ_k的同时，存储器140可以被用于存储中间值。

当然，在不偏离如所附权利要求书所限定的本发明范围的情况下，这里所描述及说明的构造细节和实施例可以有很大改变。

Claims

1.一种用于监控激光加工工艺（500）的质量的方法，其包括以下操作：

通过传感器装置（540）获取加工工艺信号（Xp），并且从表示工艺的所述信号（Xp）计算表示激光加工工艺期间的加工质量的参数（E1，E2，DC）；以及

得到表示给定加工质量的相应参考参数（E1r，E2r，DCr），所述参数是从通过所述传感器装置（540）获取的工艺参考信号（Xr）计算的，

所述方法的特征在于，其还包括以下操作：

把表示加工质量的所述参数（E1，E2，DC）与表示给定加工质量的所述参考参数（E1r，E2r，DCr）进行比较（230），以便获得经过调节的工艺参数集合（N1，N2，NDC）；

得到标识加工工艺（500）的相应状态的多个统计模型（θ_k），所述状态包括缺陷状态（D）；以及

实时地执行从属关系的辨识操作（300），所述从属关系是包括所述经过调节的工艺参数集合（N1，N2，NDC）在内的实时获取的工艺观测集合（x；N1，N2，NDC，DIR）关于标识加工工艺（500）的状态的所述多个统计模型（θ_k）当中的一个或更多个的从属关系，所述辨识操作（300）包括根据在所述辨识操作中辨识出的状态来识别（330）缺陷（D）的一种或更多种成因。

2.根据权利要求1的方法，其特征在于，所述激光加工工艺（500）包括激光切割或激光焊接工艺。

3.根据权利要求1的方法，其特征在于，所述传感器装置（540）包括光学传感器。

4.根据权利要求1的方法，其特征在于，所述辨识操作（300）包括：计算（310）关于所述工艺观测集合（x）属于一定状态的概率的数据，并且根据贝叶斯判定法则对每一项概率数据（P）进行分类（330）以便识别出所述状态和缺陷（D）的相应成因。

5.根据权利要求4的方法，其特征在于，所述方法包括：根据高斯混合计算法则来计算（310）所述概率数据。

6.根据在前权利要求之一的方法，其特征在于，从表示工艺的所述信号（Xp）或者从所述参考信号（Xr）计算表示激光加工工艺期间的加工质量的相应参数（E1，E2，DC）和表示给定加工质量的参考参数（E1r，E2r，DCr）的所述操作包括：通过滤波从所述工艺信号（Xp）和所述参考信号（Xr）之间选择（210）对于工艺信号（Xp）或参考信号（Xr）的特定频率（F1，F2）的对应频带（B1，B2），并且对于所述相应频带（B1，B2）计算工艺信号（Xp）或参考信号（Xr）的相应能量值（E1，E2，E1r，E2r）。

7.根据权利要求6的方法，其特征在于，把表示加工质量的所述参数（E1，E2，DC）与表示给定加工质量的所述参考参数（E1r，E2r，DCr）进行比较（230）以便获得经过调节的工艺参数集合（N1，N2，NDC）的所述操作包括：利用参考信号（Xr）的频带（B1，B2）的能量值（E1r，E2r）对工艺信号（Xp）的相应频带（B1，B2）的所述能量值（E1，E2）进行归一化。

8.根据权利要求1-5中任一项的方法，其特征在于，实时地获取的所述工艺观测集合（x；N1，N2，NDC，DIR）包括工艺信号（Xp）的归一化直流分量值（NDC）和加工方向（DIR）的值。

9.根据权利要求1-5中任一项的方法，其特征在于，得到标识加工工艺（500）的包括缺陷状态（D）在内的相应状态的多个统计模型（θ_k）的所述操作包括：预备执行构造及训练（350）所述统计模型（θ_k）并且存储（140）表示所述统计模型（θ_k）的数据的步骤。

10.根据权利要求9的方法，其特征在于，构造所述统计模型（θ_k）的所述步骤包括数据收集步骤，所述数据收集步骤包括收集关于缺陷（D）的成因的工艺信号（Xp），以及计算对应的统计参数集合（μ_k，Σ_k，Δ_k）。

11.根据权利要求10的方法，其特征在于，所述对应的统计参数集合（μ_k，Σ_k，Δ_k）包括均值（μ_k）、协方差矩阵（Σ_k）和转移矩阵（Δ_k）。

12.根据权利要求10的方法，其特征在于，计算所述统计参数集合（μ_k，Σ_k，Δ_k）的所述操作包括：采用维特比程序（320）来最大化概率，并且使用贝叶斯分类作为用于构造所述统计模型（θ_k）的概率选择标准。

13.根据权利要求10、权利要求11或权利要求12的方法，其特征在于，所述辨识操作包括：应用维特比－EM程序来计算所述统计参数集合（μ_k，Σ_k，Δ_k）。

14.根据权利要求9的方法，其特征在于，标识加工工艺（500）的对应状态的所述多个统计模型（θ_k）包括至少一个标识为了辨识激光机的光学系统的一个或更多特定缺陷而训练的加工工艺的状态的模型，其中，通过不同于激光机的加工激光的源来确定工艺信号（Xp），以便对该机的所述光学系统实施诊断。

15.根据在前权利要求1-5中任一项的方法，其特征在于，通过所述传感器装置（540）获取的所述工艺参考信号（Xr）是在标准或参考加工步骤中获取的。

16.根据权利要求15的方法，其特征在于，所述标准或参考加工步骤包括在工艺信号（Xp）获取之前的加工标准或参考工件的步骤。

17.根据在前权利要求1-5中任一项的方法，其特征在于，所述方法包括对技术加工参数实施调节（340），以便根据所识别出的缺陷（D）的一种或更多种成因实时地自动校正一个或更多个所述技术加工参数。

18.根据权利要求17的方法，其特征在于，所述校正操作包括在达到所期望的工艺质量以前迭代校正一个或更多个所述技术加工参数的相继步骤。

19.根据在前权利要求1-5中任一项的方法，其特征在于，所述方法包括：从利用贝叶斯分类的所述识别步骤（330）获得关于将要进行的校正的干预优先级。

20.根据权利要求17的方法，其特征在于，所述技术加工参数包括以下各项当中的一项或更多项：

－焦距；

－切割或焊接速度；

－切割或焊接压力；

－激光功率；

－切割或焊接隔开。

21.一种用于监控激光加工工艺的质量的系统，其包括：

用于获取加工工艺信号（Xp），并且从表示工艺的所述信号（Xp）计算表示激光加工工艺期间的加工质量的参数（E1，E2，DC）的模块，其中所述加工工艺信号（Xp）是通过传感器装置（540）获取的；以及

用于得到表示给定加工质量的相应参考参数（E1r，E2r，DCr）的模块，所述参数是从通过所述传感器装置（540）获取的工艺参考信号（Xr）计算的；

所述系统的特征在于，其还包括：

用于把表示加工质量的所述参数（E1，E2，DC）与表示给定加工质量的所述参考参数（E1r，E2r，DCr）进行比较（230），以便获得经过调节的工艺参数集合（N1，N2，NDC）的模块；

用于得到标识加工工艺（500）的相应状态的多个统计模型（θ_k）的模块，所述状态包括缺陷状态（D）；以及

用于实时地执行从属关系的辨识操作（300）的模块，所述从属关系是包括所述经过调节的工艺参数集合（N1，N2，NDC）在内的实时获取的工艺观测集合（x；N1，N2，NDC，DIR）关于标识加工工艺（500）的状态的所述多个统计模型（θ_k）当中的一个或更多个的从属关系，所述辨识操作（300）包括根据在所述辨识操作中辨识出的状态来识别（330）缺陷（D）的一种或更多种成因。

22.根据权利要求21的系统，其特征在于，所述传感器装置（540）被配置成获取表示工艺的所述信号（Xp）和指示具有给定质量的加工操作的所述工艺参考信号（Xr）。

23.根据权利要求21或权利要求22的系统，其特征在于，所述系统包括被配置成执行所述辨识操作的处理模块（700），包括所述经过调节的信号集合（N1，N2，NDC）在内的工艺观测集合（x）属于标识加工工艺的状态的一个或更多个所述统计模型（θ_k），所述处理模块（700）被配置成在存储器模块（140）中存储并且从所述存储器模块（140）中读取标识加工工艺的状态的所述统计模型（θ_k）。

24.根据权利要求23的系统，其特征在于，所述系统包括用于实施切割或焊接操作的激光机。

25.根据权利要求24的系统，其特征在于，所述处理模块（700）被配置成向所述激光机的致动器控制模块（400）发出针对校正技术加工参数的命令。