CN102281984B

CN102281984B - 用于监视要在工件上实施的激光加工过程的方法和装置以及具有这种装置的激光加工头

Info

Publication number: CN102281984B
Application number: CN200980147217.2A
Authority: CN
Inventors: I·施托克格南特韦斯博格
Original assignee: PREZTER KG; PRECITEC ITM GmbH
Current assignee: PREZTER KG; PRECITEC ITM GmbH
Priority date: 2008-11-21
Filing date: 2009-11-20
Publication date: 2015-12-16
Anticipated expiration: 2029-11-20
Also published as: CA2743518C; CN102292187B; JP5763542B2; EP2365889A1; US9056368B2; KR20110095381A; US20110284512A1; CA2743522C; CN102281984A; MX2011005336A; ZA201104525B; JP2012509190A; KR20110099250A; US20110278277A1; EP2365889B1; KR101787510B1; EP2365890B1; WO2010057662A1; JP5762968B2; WO2010057661A1

Abstract

本发明涉及一种用于监视要在工件上实施的激光加工过程的方法，具有下面的步骤：借助至少一个监视激光加工过程的传感器检测至少两个当前测量值，根据所述至少两个当前测量值求得至少两个当前特性值，其中，所述至少两个当前特性值共同描述特性值空间中的一当前指纹，提供特性值空间中的一预确定的点集，通过检测当前指纹相对于特性值空间中的该预给定的点集的位置来对激光加工过程分类。

Description

用于监视要在工件上实施的激光加工过程的方法和装置以及具有这种装置的激光加工头

技术领域

本发明涉及一种用于监视要在工件上实施的激光加工过程的方法和装置以及一种具有这种装置的激光加工头。

背景技术

在激光材料加工中工件借助聚焦的激光射线切割或接合，其中，不仅在激光切割工序中而且在激光焊接工序中都使用过程监视系统和传感器。对于焊接或切割过程的监视例如使用传感器来检测来自由工作焦点确定的加工区或相互作用区的射线。在此按照标准设有射线传感器用于观察在相互作用区上形成的等离子并且设置反射传感器，该反射传感器检测来自激光射线和待加工工件之间的相互作用区的激光反射线。此外为了监视激光加工过程使用温度探测器或红外传感器，通过它们可以在加工时监视边缘熔化和温度断面。除了使用分别对于一定波长范围敏感的光电二极管外，还通过摄像机监视激光加工过程，这些摄像机也可以在预确定的波长范围内是敏感的。基于对摄像机拍摄的图像的图像处理也可以获得用于监视激光加工过程的特性值，如例如关于熔化的工件区域的参数。

该监视系统的第一目标是：首先根据工艺规定对加工质量分类。第二目标是：通过对工艺的控制和调节来改进加工质量。在当前的工业系统中，用于过程监视的传感器和摄像机被用来借助检测的传感器数据和借助图像处理法及数据分析对加工过程的当前状态进行分类。此时使用的方法针对加工工艺个别调整。当记录的传感器数据强烈偏差时，当前的加工工艺被分类为不足，其中，使用相应的调节机构，以便消除这种状态。但此时关于所记录的传感器数据的工艺参数调节调节只涉及相应传感器的对应测量数据。

发明内容

本发明基于这样的任务，提供一种用于监视在工件上实施的激光加工过程的方法和装置，通过它们改进激光加工状态的分类并且由此改进要在工件上实施的激光加工过程的加工质量。

根据本发明，提出一种用于监视、控制或调节要在工件上实施的激光加工过程的方法，该方法具有下面的步骤：借助至少一个监视激光加工过程的传感器检测至少两个当前测量值，根据所述至少两个当前测量值求得至少两个当前特性值，其中，所述至少两个当前特性值共同描述一个特性值空间中的一个当前指纹，提供该特性值空间中的预确定点集，通过检测当前指纹相对于特性值空间中的预给定点集的位置对激光加工过程分类。

在此为了高质量地加工工件，有利的是，在加工过程中直接反作用于借助本发明方法识别的“差”指纹，其中符合目的的是：根据本发明的方法附加地包含一个步骤，该步骤这样调节对应的致动器的至少一个过程参数，以致在当前指纹从特性值空间的点集中离开时该至少一个致动器被如此启用，使得对应的过程参数的变化符合特性值空间中的一个梯度，该梯度从该指纹出发向特性值空间中的预确定的点集的方向延伸。

在此有利的是，根据至少一个当前测量值求得当前特性值包含用于减少数据或降维的方法如主元分析、多维标度、支持向量机或支持向量分类。通过传感器数据的降维可以基于减小的点集通过计算机明显更快地进行分类，由此例如也能够实施激光加工过程的快速调节。

但也可以想象并且符合目的的是：借助神经网络根据至少一个当前测量值求得当前特性值。

在使用多个传感器(这些传感器的测量值通常不允许直接反推出加工情况)的情况下，有利的是，特性值空间内部的预确定的点集借助学习过程来确定。

在此为了调节加工过程符合目的的是：在特性值空间中的这些位置上求得依赖于不同区域中的过程参数的特性值空间梯度场：这些位置就该梯度而言代表各自的区域，其中，特性值空间的依赖于一个过程参数的梯度通过该过程参数在特性值空间的一个预确定位置上的变化来求得。

为了全面监视并求得多个有说服力的测量数据，符合目的的是：从一组传感器中选出所述至少一个传感器，该组传感器包括至少一个具有用于确定波长的滤波器的光电二极管、固体声接收器和空气声接收器和至少一个具有相应表面照明装置的摄像机单元。

为了获得具有高对比度的摄像机图像符合目的的是，被至少一个摄像机单元检测的摄像机图像以不同的曝光时间拍摄并且通过高动态范围方法相互计算处理(verrechnen)。

为了确保激光加工过程的全面调节符合目的的是，从一组致动器中选出至少一个致动器，该组致动器包括激光功率的控制、加工头相对于工件的速度控制、加工激光射线的焦点位置控制、加工头相对于工件的间距控制和横向错位的控制。

根据本发明还设有一用于实施本发明方法的装置，该装置包括：至少一个用于监视激光加工过程的、适合用于检测至少两个当前测量值的传感器，一个用于根据至少两个当前测量值求得至少两个特性值以便在特性值空间中建立当前指纹的数据处理单元，一个用于存储特性值空间内部的预确定的点集的存储单元，和一个分类单元，该分类单元适合于通过检测当前指纹相对于特性值空间中的所述预确定的点集的位置来评价激光加工过程。

为了在闭环调节的加工过程中使用根据本发明的装置，有利的是，该装置还这样包含用于调节对应的致动器的至少一个过程参数的调节单元，使得在当前指纹从特征空间的该点集离开时该至少一个致动器被如此启用，以致对应的过程参数的变化符合特性值空间中的一个梯度，该梯度从该指纹出发向该预确定的点集的方向延伸。

在此符合目的的是，从一组传感器中选择所述至少一个传感器，该组传感器包括至少一个具有用于确定波长的滤波器的光电二极管、固体声接收器和空气声接收器和至少一个具有相应的表面照明装置的摄像机单元。

此外有利地从一组致动器中选择所述至少一个致动器，该组致动器包括激光功率的控制、加工头相对于工件的速度控制、加工激光射线的焦点位置的控制、加工头到工件的间距的控制和横向错位的控制。

根据本发明还提出一种用于借助激光射线加工工件的激光加工头，该激光加工头包括根据本发明的装置。

附图说明

下面示例地借助附图详细描述本发明。附图示出：

图1按照本发明方法的工件加工过程的重要组元的流程图；

图2在根据本发明的方法中使用的用于监视和检测激光加工过程的传感器的概要图，

图3在根据本发明的加工过程中使用的构件大大简化的示意图，

图4A在根据本发明的方法中使用的致动器的一个部分在激光射线焊接过程中的大大简化的示意图，

图4B在根据本发明的方法中使用的致动器的一个部分在激光射线切割过程中的大大简化的示意图，

图5A在使用线性的以及非线性的降维器的情况下根据本发明方法建立指纹的流程图，

图5B在使用神经网络的情况下根据本发明方法建立指纹的流程图，

图6A在使用线性的以及非线性的降维器的情况下根据本发明方法的分类过程的流程图，

图6B在使用神经网络的情况下根据本发明方法的分类过程的流程图，

图7说明错误识别方法的示意简图，

图8说明根据本发明学习指纹或特性值或特征的流程图，

图9根据本发明的降维方法的流程图，

图10根据本发明评价当前加工过程的流程图，

图11根据本发明估算新的控制参数的流程图，

图12摄像机图像的示意图，该摄像机图像根据本发明用HDR方法处理，以及

图13根据本发明的HDR图像序列处理的方块图，

图14根据本发明在激光加工过程中在使用强化学习方法的情况下的分类过程的流程图，

图15根据本发明在激光加工过程中在使用判别分析方法的情况下的分类过程的流程图，

图16根据本发明在激光加工过程中借助通过降维获得的应有值进行的调节过程的流程图。

具体实施方式

在附图的不同图中，彼此相应的结构元件设有相同的附图标记。

根据本发明提供一种认知式激光材料加工系统，该激光材料加工系统通过机器学习和自学算法的使用而拥有认知能力。对应的本发明方法可以应用在激光材料加工中用于过程观察、过程控制和过程调节。

一个系统可以拥有两种认知能力：第一，对于外部观察者来说似乎被观察的系统拥有认知能力，例如学习能力和自身改进能力。第二：系统与自然生物体例如人脑类似地实现认知能力。

根据本发明的系统拥有认知能力如学习以及自主识别和改正错误，这些能力在激光材料加工中使用。认知能力的使用在激光材料加工领域内特别有利。加工过程如工件的分离或接合从一个过程到另一个过程是非常不同的。

到目前已知的是，首先个别地手动设定每个过程。在此在设定过程参数后只观察过程并且相应地手动适配过程。如果后一批工件例如是脏的或者在工件厚度方面与前一批工件有偏差，则必须经常手动地再调整该过程。对过程变化的适配或者完全不能够，或者只能在非常小的范围内实现。实际上，恰恰是希望在一个生产线上生产同样多车辆的车辆制造者要求，生产系统可以快速地并且适应性地适配于加工过程。

快速学习加工过程并且识别、改正和避免加工期间的错误是要通过根据本发明的加工系统的认知能力来满足的要求。

在图1中示意地示出根据本发明方法的流程图，具有该方法的重要组元，下面一步一步地解释这些组元。

在过程检测中，根据本发明，用具有至少一个传感器的传感器系统来检测加工过程的所有具有重要意义的信息。通过所使用的传感器获得关于过程的多个测量值和信息，以便能够根据监测加工过程的传感器的测量数据求得该过程的特征、过程图像、过程标志或者含义明确的指纹，它们在下面被称为特性值。该求值特别是通过对测量值的计算或者其它合适的、优选电子的处理来进行。

在图2中示出根据本发明使用的传感器的概要图，在图3中示出根据本发明的具有相应传感器的激光加工系统的构成。

除了已知的用于监视激光加工过程的传感器之外，根据本发明附加使用用于检测固体声和空气声的传感器。为了接收声，符合目的的是，使用至少两个传感器，各用于固体声和空气声。此外，固体声和空气声的传感器信号还视过程而定在预处理中被滤波、放大并且相应地采样。不同的方向特性适用于空气声接收。通过声音接收器的合适的布置接着可以计算声源的位置和传播方向。所以也可以减少不重要的源的干扰噪声以及背景噪声或者可以使用如主动消声(activenoisecancellation)等方法。

在激光加工头中还装有用于一定波长的辐射检测的传感器，这些传感器最好是对一定波长范围敏感的光电二极管。在此在相应的光电二极管之前还可以附加地安置光学带通滤波器用于选择一定的波长范围。这些传感器的测量值也被检测和采样。

此外，使用观察激光加工过程并且特别是观察激光加工区的摄像机来获得测量数据。所以可以使用过程中摄像机，该摄像机的观察光路同轴地耦合到加工头中的加工激光器的光路中，以便这样对激光加工区成像。替代地，摄像机也可以在加工头外部检测加工过程。被称为过程前摄像机的在前摄像机和被称为过程后摄像机的在后摄像机也可以检测激光加工过程。视加工过程不同，各种不同的工件照明方案适用于摄像机检测。所以根据本发明为了照明可以使用成本有利并且可以在宽的波长范围中发射的发光二极管或者使用不同波长的、具有用于聚焦到工件表面上的摄像区域上的相应光具的激光器。为了预处理摄像机数据，数据处理方法如“兴趣区域(RegionofInterest)”、“Qualas”或者几何数据分析处理是特别合适和优选的。附加地，根据本发明使用高动态范围(HighDynamicRange，HDR)方法，该方法有利地提高检测的摄像机图像的对比度。为此这些图像以不同的曝光时间检测并且通过HDR方法相互计算处理，使得产生具有非常高对比度的图像。

过程检测的质量随着使用的传感器的数量增加而提高，但系统的成本相应地提高。因此应当注意：本发明方法不局限于使用多个传感器，而是在使用仅一个传感器、例如过程中摄像机的情况下已经可以实施。

下面描述根据本发明方法在使用专门致动器的情况下的过程控制。

在激光材料加工中通常人工编制用于所有相关致动器的控制程序。在加工过程中该控制程序只通过过程监视来控制或者通过固定地指定的调节回路如激光切割时的电容式距离传感器来适配。

相反在根据本发明的方法中，了解正在进行的过程控制并且集成其它的新的过程控制可能性。

如图4A中所示，在激光射线焊接加工方法中，控制或者调节激光射线功率、加工头和工件之间的间距、加工头相对于工件的速度和加工激光射线的焦点位置。

在图4B中示出，在激光切割加工方法中，除了所述过程参数外，根据本发明附加地还控制或者调节过程气体导入。此外在两种加工方法中可以对控制信号在其强度方面以一定的频率调制，例如激光射线强度在90﹪到100﹪之间的调制。因为控制信号已知，所以可以通过传感器数据从系统响应中获得关于过程的认识，例如与不同测量区域中的过程参数有关的特性值空间梯度场。这些控制可以通过相应的线性轴、机器人控制或者其它控制接口实现。

虽然调节可能性随着使用的致动器的数量的增加而增加(因为可以控制更多过程参数)，但是系统的成本相应地提高。因此要注意：本发明方法不局限于使用多个制动器，而是在使用仅一个制动器(例如用于激光焊接的激光功率控制装置或者用于激光切割的过程气体控制装置)的情况下已经可以实施。

下面更详细地描述根据本发明方法的激光加工过程的分类步骤。

为了通过本发明激光加工系统实现自主识别和消除错误，必须从传感器数据中概括出技术认知，以便本发明系统能够自主地对致动器的控制作出决定。

此外有利的是：系统可以通过系统操作者教导并且可以自学。为了实现认知式激光材料加工，根据本发明规定，该系统已经自主地知道来自所有使用的传感器的重要特性值或者检测并学习这些特性值并且紧接着对过程控制作出决定。下面要描述根据本发明方法的三个阶段，即过程环境的学习、当前过程结果的分类和过程的控制或调节。

首先要解释过程环境的学习。为了认识过程，首先必须进行参考行驶或者测试加工。每个加工过程有一个希望的结果和一个与希望结果有偏差的结果。测试加工或者参考行驶必须包含两种结果并且理想地也包含其间的过渡以及系统对过程控制的响应。如果例如要在不锈钢搭接接头中获得具有指定的焊缝宽度Xmm和长度Ycm的焊缝，则必须进行至少一个参考行驶，在该参考行驶中使至少一个过程参数如此改变，使得在该参考行驶中既包含所指定过程参数也包含在该过程参数的两个方向上超出指定过程参数。

在这种情况下系统操作人员可以根据本发明以不断提高的激光功率作为过程参数实施参考行驶，对于该过程参数，在该过程中达到并且超过上指定边界和下指定边界。如果下指定边界例如是焊透并且上指定边界是焊缝陷入(Nahteinfall)，那么参考行驶可以以一还没有引起焊透的激光功率开始。在参考行驶期间如此控制激光功率，使得激光功率持续地增大，直到出现焊缝陷入。该过程通过所描述的接收相应测量值的过程传感机构观察并且被用于过程环境的学习。

另一例子涉及两批油污的和没有油污的工件之间的生产问题。在此，为了学习在参考行驶中必须也包含指定边界。操作者告知认知式激光材料加工系统指定边界在哪里，使得本发明系统能够学习区分这些区域。

为了学习过程环境，根据本发明设置两个不同的方法，它们在下面被描述。

如在图5A中示出，为了学习过程环境可以使用线性的以及非线性的降维器和多样性学习法如主元分析(PCA)、MDS(多维标度)、LLE(局部线性嵌入)和SVM(支持向量机)。这些方法既可以组合使用，也可以单独使用。为了学习过程环境可以使用一如下面更远处描述的判别分析。

如图5B中所示，另一用于学习过程环境的方案是使用人工神经网络(KNN)。

在第一方案中，简化来说，将大量的传感器数据合并和减少。在此保持尽可能获得所有重要的特征并且忽略冗余的信息。最后对于每个被观察的时间点存在由特性值组成的一个矩阵或一个向量，这些特性值从传感器的测量值中获得，但在数据量方面大大减少。通过该矩阵或向量应当可以明确地将过程状态分类，该向量也可以被称为过程指纹或标志。

使用人工神经网络的做法则不同，因为此时网络被训练并且学习的信息接着存在于网络中，然后这些信息可以将结果分类。因此输出神经元首先根据训练数据得出分类。接着可以根据分类来调节。

如果现在观察加工过程，必须检测当前的过程结果，将之前学习的应有区域与该过程结果比较并且必要时适配过程参数，如在图6A和6B中示出，该应有区域可以被理解为特性值空间中的点集。过程参数适配可以并且应当在从应有区域中出来之前已经进行。在此，预确定的、用于系统调节的点集被如此适配，使得在闭环调节情况下传感器系统的当前指纹在该指纹进入应有区域的边缘区域中时已经在一时间点离开该预确定的点集。

下面描述根据第一方法对当前过程结果的分类(图6A)。认知式激光材料加工系统已经在存储器的数据库中存储学习的过程环境、学习的特征或呈向量或矩阵形式的指纹。当前从过程获得的传感器测量值必须首先在数据量上减少并且为了比较而被引入到相同的数据空间即特性值空间中，如将特征向量或者指纹，由此在特性值空间中获得当前指纹作为减少的传感器数据向量或矩阵，该指纹与特性值空间中的学习的点集比较。由此可以获得当前检测的数据点最接近某一特征点的概率。在此已知该特征点是否还在应有区域内部，此外已知过程参数的可能必需的校正。

当前过程结果借助神经网络的分类(图6B)通过训练的网络进行。分类结果是：该过程是否还在应有区域中并且应当以哪种趋势适配过程参数。

根据本发明方法的过程控制或调节以下面的方式进行。借助分类结果，调节单元已经知道相应致动器必须被启用的方向和强度。可以使用不同的调节方法。所以例如可以使用希望的特征向量与结果向量之间的测地间距的最小化或者使用具有卡尔曼滤波器和最小均方误差的调节方法。此外可以从多维的特征空间或者特性值空间通过“支持向量”分类来求得用于调节的趋势。但该调节不允许超出之前指定的安全区域。

本发明可以在多个方法变型中应用，这里介绍其中的一些。

在过程监视中重要的是：清晰地讨论一些错误。在这里，使用认知式激光材料加工也显出好的结果。在该错误识别方法(如图7中描述的所示)中必须首先由操作者有意地激发一个错误，以便认知系统可以学习该错误。如果系统已经学习该错误，那么系统可以准确地探测该错误。这要以下面的例子描述。要用具有各种不同传感器的过程传感器机构以及过程中摄像机识别激光切割过程中在切割棱边上的毛刺或者飞边产生。操作者以除过程气体之外恒定的控制参数进行参考行驶，操作者通过控制装置使过程气体在参考行驶期间如此程度地下降，以致明显产生毛刺。如果参考行驶结束，认知式激光材料加工系统通过主元分析PCA或者所介绍的降维器的其它方法的组合从传感器数据计算相应的主元。现在操作者告知系统在工件的哪些位置产生了毛刺。认知系统紧接着可以根据在切割棱边上在哪里产生毛刺并且在哪些位置上从传感器数据计算相应的主元等这些信息来计算相应的组元，即向量或矩阵，这些组元包含针对毛刺的产生收集的特征或者指纹。然后可以在设备继续运行中从当前的传感器数据在过程期间用矩阵向量代数计算并且向操作者示出：是否出现了所学习的错误。

可以使用同样的方法来例如在激光射线焊接或激光切割时识别这些效果：错误的对象、焊缝陷入、焊透、切割宽度X、截面状况、切割棱边粗糙度、燃烧效果、焊缝宽度Y、焊入状况、焊透状况、结合横截面状况、搭接处的间隙、对接接头处的间隙、侧向错位、废料、内孔、洞。

本发明也可以被用于简化批次更换，批次更换之前要求适配激光材料加工系统。新批次的工件具有些许改变的特性，例如材料厚度或脏污度。又是首先实施学习阶段并且紧接着实施分类阶段。在分类阶段之后可以已经实现调节过程。但也可以估算用于过程变化的新的控制参数，这些控制参数例如由于批次更换而出现。

根据图8，在学习阶段中由参考行驶检测过程传感器机构的测量值。作为参考行驶重新设定恒定的过程控制参数，除了一个控制参数变化。对于激光射线焊接过程，例如激光功率在参考行驶期间始终不断增大。检测的数据被具有降维器的认知式激光材料加工系统加工，参见图9。每个使用的传感器的输出数据首先被相应的低通滤波器过滤。紧接着通过主元分析输出n个主元。这些数据紧接着被归一化并且消除平均值。在该处理步骤的最后获得所使用的传感器在每个被检测的时间段的特性值数据。相应的特征或指纹及其成像规则被存储在特征成像规则的数据库中。系统的操作者现在在工件上指定一个区域，该区域符合希望的结果。该指定被转化成一个向量，通过该向量可以训练分类器。为了可以实施分类，在该方法中使用支持向量机。在该情况下应用支持向量分类方法。它描述一种用于基于操作者的预先规定来区分希望的过程结果和不希望的过程结果的数学方法，该区分通过特征空间的多维分开实施。具有特征成像规则的数据库描述成像规则并且分类数据库描述特征空间的分开。

下面描述所学习的过程知识用于分类或者评价当前加工过程的应用(图10)。在学习阶段之后认知式激光材料加工系统按照前面学到的操作者希望来监视加工过程。基于一定特征成像规则的预先规定来对传感器数据降维。输出的数据位于预确定的特征空间或者特性值空间中。由操作者学习的通过支持向量分类方法的分类数据用于评价当前的加工过程。可以评价当前的过程结果是否位于被操作者指定的应有区域中并且通过过程控制参数的概率应当选取哪种趋势来用于过程调节。

现在要描述在由于批次更换而发生小的过程变化时估算新的控制参数或过程参数。如果加工过程在某一持续时间改变，例如由于在批次更换时工件特性轻微变化，可以估算新的控制参数。为此必须除了之前的参考行驶1之外实施新的参考行驶2。在参考行驶1和2中使用相同的控制参数。

如在图11中所示，参考行驶2的传感器参数或传感器测量值被重新降维。成像规则现在应用到参考行驶1的所记录的传感器数据上。通过根据本发明的支持向量分类方法，计算参考行驶1的特征在参考行驶2期间的出现概率。因此认知式激光材料加工系统可以根据工件上的位置或者根据在该处使用的控制参数和特征出现概率来计算：哪些控制参数在新的过程中引起与在前面的加工过程中非常类似或者几乎相同的结果。

在基于特征的调节方法中，如在前面描述的方法中那样，从过程数据中获得特征。这些特征通过开始的和规律地重复的参考行驶被操作者分类，具有相应的评价：控制参数是否应当被适配。相应的特征和对应的分类被存储在数据库中，必要时带有适配建议。即操作者以规律的间隔评价系统并且由此教导该系统。该系统可以首先确定：当前的过程结果是否还位于预给定的特征空间中并且系统是否应当实施控制参数的适配。因此，学习的特征和适配建议随着时间而增多并且系统在加工中变得越来越好。类似的特征和适配建议又可以被相互计算处理，以避免特征过量。

下面要更详细地揭示上面提及的高动态范围(HDR)方法。在该方法中成像传感器或者对每个图像多次地即至少两次地在不同的时间点采样，或者以不同的曝光时间或以多个摄像机建立多个图像、即两个三个或者更多个图像并且紧接着相互计算处理形成至少一个图像。该做法允许图像拍摄、图像序列拍摄或视频拍摄，这些拍摄同时使得在图像中可看到周围加工面、过程照明以及蒸汽毛细管或者小孔。在对激光加工过程拍摄图像时，所述这些区域在强度值方面在宽的范围内分布，该范围通过所述方法可以在一个图像中看到。为了在与具有相对低强度分辨率的过程监视系统或求值分析单元或控制单元相关联的屏幕或者显示器上显示，通过灰度值方法或色调映射方法适配地示出如此建立的图像或图像序列。

如在图12和13中所示，为了实施HDR方法或用于更好地使加工面、过程照明和蒸汽毛细管可视化的方法，根据本发明，将多个图像或像素阵列相互计算处理。

不同的图像可以通过一个成像传感器的多次采样产生，或者通过用多个摄像机同时拍摄图像产生，或者通过用一个摄像机但不同的曝光时间连续图像拍摄、即所谓多曝光技术产生。各个图像拍摄的计算处理可以以不同的方法类型进行。属于此的在最简单的情况下是将由至少两个图像拍摄组成的图像序列的多个图像的各个图像值相加和求平均值。为了更好地获得图像可以对由至少两个图像拍摄组成的图像序列的图像值或像素加权平均。

作为加权方法可以使用熵方法用于根据信息内容加权，或者可以在考虑摄像机响应函数(英语CameraResponseFunction)的情况下进行加权平均。为此必须反推出每个面的实际的或者近似实际的辐射能，该反推通过下面的函数给出：

x_{ij} = \frac{I^{- 1} (y_{ij})}{t_{i}}

单个辐射能的加权则是：

x_{j} = \frac{Σ_{i} w_{ij} * (x_{ij})}{Σ_{i} w_{ij}}

在此i是多个图像拍摄的图像序列的图像指数，j是像素位置，t_i是图像拍摄i的曝光时间或者采样时间，y_ij是图像拍摄i在位置j上的像素的强度值，I^-1()是摄像机响应函数的倒数，x_j是在像素位置j上估算的每个面的辐射能，w_ij是可靠模性型的加权函数。本发明明确地涉及所描述的HDR图像计算处理法在如材料的分开或接合那样的加工方法中的使用，特别是具有激光加工头和/或在激光加工头上连接的根据本发明的过程监视系统。

此外，下面还要更详细地描述所使用的传感器和分类方法。

原则上可以使用允许输出传感器数据的任何传感器作为传感机构。具体例如是麦克风或固体声接收器、摄像机、光电二极管、探测器、技术求值分析和监视信号以及执行机构参数，例如激光功率。

特征提取和降维：在此可以使用所有的减小数据量并且尽可能得到信息内容的方法。这里具体是主元分析(PCA)、独立元分析(ICA)、微波分析、傅里叶、快速傅里叶和拉普拉斯分析、特征和对象识别方法、局部线性嵌入、人工神经网络、多维标度等。

减少的数据量可以解释为一个多维空间的点云，该点云从一个较高维的空间获得。通过数据减少可以实现，将这些数据在最后时间与之前记录并且分类的或学习的数据量比较。在分类时可以确定：这些新的传感器数据是否类似于已经记录的传感器数据并且给该相似性分配一个概率。如果超过了之前记录的数据量的相似性概率的指定阈值，那么可以进行在其下之前存储的解决方案或控制方案或调节方案。如果超过了之前学习的数据量的近似性概率的阈值，那么该系统有新的状况。

这对新状况的行为方式可以通过询问操作人员来学习或者从迄今的数据和解决策略中按照相似原理试出。这里使用自学算法，这些算法根据规定目标在试出一个自开发的方案后紧接着检验是否实现了目标并且相应地评价所选择的解决方案。对于分类、经验值存储和解决策略以及作为自学算法可以使用下面的方法：支持向量机、支持向量分类、模糊逻辑、信息模糊网络、模糊K-近邻分类器、K-近邻分类器、强化学习、贝叶斯网络和贝叶斯知识数据库、朴素贝叶斯分类器、隐藏的马尔科夫链、人工神经网络、反向传播法、衰退分析、遗传规划或决策树。

根据分类生成的解决策略或者说调节器控制或执行机构控制可以简单地实施，它也可以控制数据获得方式。如果例如没有达到已知数据量的阈值，那么可以改变数据获得的方式。这例如可以通过使微波分析适配于新的频率范围或通过从PCA更换成ICA实现。

高动态范围方法(HDR方法)

HDR方法可以用于根据具有不同对比率的多个拍摄图像或者图像值矩阵和图像值向量计算一较高的对比率。为此可以在拍摄图像或者观察场景时摄取具有不同曝光时间的多个图像，接着可以从这些图像计算出具有改进的对比率的图像或图像序列。为了产生具有不同对比率的图像序列，可以按照所谓多曝光方法摄取具有不同曝光时间的多个图像。

但也可以在一个曝光时间期间对像点值多次采样。以这样的方式在一个曝光时间期间建立具有不同对比率的图像序列。在此涉及：在成像传感器上存在的表现像点的电荷可以被一次性调用并且之后不能第二次被调用。但存在这些技术，如无破坏的读取，也被称为无破坏读出(NDRO)，多斜率或者单斜率读出或冷成像器或电荷射入成像(CIS)、COMS上的薄膜(TFC)或者主动像素传感器(APS)或单斜率或相关双采样(CDS)，它们允许在一次唯一的曝光持续时间期间多次询问电荷(例如对于CMOS芯片)，不会通过采样而改变被询问的电荷值。这些技术根据本发明可以用于观察激光加工过程，以便由此实现一种观察方法或控制方法，其中，基于HDR方法能够在要实施激光焊接工序时同时观察和分析过程放射、蒸汽毛细管、焊接池、焊丝几何结构、焊缝引导，或者在已实施激光切割工序时同时观察和分析切割位置、切割棱边、过程照明以及毛刺产生和毛刺几何结构。在两种情况下都可以在必要时观察投影到待加工工件上的激光线(如也在图12中示出)。

强化学习(RL)

强化学习或者加强学习或也称为ReinforcementLearning(RL)表示机器学习的一个范围。它描述了一些方法，在这些方法中，系统或代理(英文agent)将行为(英文action)应用于环境(英文environment)，以使奖赏最大。此时RL对于一个或者多个系统状态或或者系统行为计划或行为(英文actions)的状态(英文state)发现成像规则或策略(英文policy)。根据本发明，RL的策略能够用于自动改进地控制和观察激光加工过程。

图14示出一种任何能够将RL集成到激光加工过程中的可行策略。要学习的值通过矩阵Q象征地表示。该Q矩阵由组分QS1，QSn，QSA，QDR，QR1，QRm组成，这些组分可以包含一个或者多个值。这些组分被以初始值初始化并且按照RL方法优化。该优化这样进行：实施一个行为，通过奖赏函数评价该行为并且该评价改变Q矩阵的值。可与剧场相比较，在剧场，演员被评论家评价并且该演员适配其行为。如前面所述，可以在一参考行驶中或者通过一学习阶段通过专家人员获得具有相应分类的点云。即在该分类中存储描述所希望的过程结果的标志或点云或特征或指纹或传感器测量值。这可以通过支持向量机或其它分类方法实现。该支持向量机可以描述一奖赏函数，RL方法按照该奖赏函数工作。即Q矩阵按照从人学来的奖赏函数优化。以此方式可以学习并优化权重值或调整参数，例如不同传感器相互间的权重(QS1，QSn)，为了控制或观察被引用的特定特征的选择(QDA)，用于各种不同调节方法的应有值的选择(QDR)，或者调节器调整参数，例如比例的P分量、积分的I分量和微分的D分量(QR1，QRm)。激光加工系统的控制特性、调节特性或观察特性能够以此方式越过使用持续时间而被优化。根据本发明，可以在激光材料加工中在强化学习或者其它机器学习方法中使用的方法如下：马尔可夫决策过程(英文Markovdecisionprocess，MDP)，Q学习(英文Qlearning)，自适应启发评价(AHC)，状态-动作-奖赏-状态-动作(SARSA)算法，自组织映射(SOM)，自适应谐振理论(ART)，多变量分析(MVA)，期望最大化(EM)算法，径向基函数网络，时间序列预测，自动目标识别(ATR)，径向基函数(RBF)以及类似方法。

判别分析和调节方法

判别分析(DA)或者说线性判别分析或者英文为lineardiscriminantanalysis(LDA)(也被称为费雪线性判别)是一种统计学分析方法，该分析方法与已经描述的主元分析具有类似的函数原则。与主元分析相反，DA还注意分类的类别属性。DA还可以替换降维用在本发明方法中，但它同时是降维和分类方法的组合。

因此可以如在图15中所示对传感器数据进行检测、降维并且用一种如已描述的那样的方法借助之前学习数据进行分类。分类结果则可以作为用于借助学习的应有值对一个或多个调节器进行实际值计算的基础被用来控制一个或者多个致动器或控制参数。根据本发明，DA可以与其它降维方法组合在激光材料加工中，使得例如可以首先实施主元分析并且然后实施DA。这也适用于其它已经描述的将传感器数据输入向量的维度Y降低到维度X的降维方法，其中X<Y。这些组合可以针对各个传感器而不同。因此已经提及的按照统计学独立性提取特征的独立元分析特别适合于声学传感器并且主元分析适合于图像传感器。根据本发明可以在所描述的激光材料加工系统中使用其它降维方法：运行系统核主元分析(英文：kernelprincipalcomponentanalysis)，局部线性嵌入(LLE)，HessianLLE，拉普拉斯特征映射(英文：LaplacianEigenmaps)，局部切空间排列(LTSA)，半定义嵌入(SDE)，最大方差展开(MVU)，曲线元分析(CCA)，数据驱动的高维标度(DD-HDS)，自动编码器，作为特殊变型的前向人工神经网络，玻尔兹曼机以及所有具有类似原理的方法。

根据本发明，主元分析或其它降维方法或特征提取或HDR方法也可以为了特别快的数据处理而在激光加工系统中在集成于图像检测单元中的细胞神经网络(CNN)上实施。CNN是一种类似于人工神经网络的并行计算方法。

此外，根据本发明，为了更快的处理数据，也可以如图16中所示直接用来自降维的应有值来调节激光加工过程，分类则可以用于确定具有优化的信噪比最佳应有值。以这样的方式可以实现非常高频的调节循环，同时通过考虑学习的分类结果而达到高的适应性。

Claims

1.用于监视要在工件上实施的激光加工过程的方法，具有下面的步骤：

-借助监视激光加工过程的至少一个传感器检测至少两个当前测量值，

-借助人工神经网络根据所述至少两个当前测量值求得至少两个当前特性值，其中，所述至少两个当前特性值共同描述一特性值空间中的当前指纹，

-提供该特性值空间中的一预确定的点集，其中，特性值空间内部的所述预确定的点集借助强化学习过程来确定；

-通过检测该当前指纹相对于特性值空间中的该预确定的点集的位置来对激光加工过程分类，其中，所述至少一个传感器包括至少一个光电二极管和用于对激光加工区成像的至少一个摄像机单元，且为了工件照明，使用具有用于聚焦到工件表面上的摄像区域上的光具的照明装置，以获得摄像机单元的关于熔化的工件区域的参数的当前测量值。

2.根据权利要求1的方法，其特征在于，所述至少一个光电二极管具有用于确定波长的滤波器。

3.根据权利要求1或2的方法，具有这样调节对应的致动器的至少一个过程参数的步骤：使得当当前指纹离开特性值空间的该预确定的点集时，所述至少一个致动器被如此启用，以致对应的过程参数的改变符合该特性值空间中的一个向量，该向量从指纹出发向特性值空间中的该预确定的点集的方向延伸。

4.根据权利要求1或2的方法，其特征在于，根据当前测量值求得当前特性值包括用于减少数据或降维的方法，分类包括支持向量机或支持向量分类。

5.根据权利要求4的方法，其特征在于，用于减少数据或降维的方法为主元分析或多维标度。

6.根据权利要求1或2的方法，其特征在于，特性值空间的与不同区域中的过程参数有关的梯度场在特性值空间中的一些位置上求得，这些位置就梯度而言代表对应的区域。

7.根据权利要求6的方法，其特征在于，特性值空间的与一个过程参数有关的梯度通过该过程参数在特性值空间的一预确定的位置上的变化来求得。

8.根据权利要求7的方法，其特征在于，为了确定特征值空间的梯度，以改变的过程参数实施参考行驶，其中，在该过程中达到并且超过上指定边界和下指定边界。

9.根据权利要求1的方法，其特征在于，被所述至少一个摄像机单元检测的摄像机图像以不同的曝光时间拍摄并且通过高动态范围方法相互计算处理。

10.根据权利要求1-2、7-9之一的方法，其特征在于，从一组致动器中选出至少一个致动器，该组致动器包括激光功率的控制器、加工头相对于工件的速度控制器、加工激光射线的焦点位置的控制器、加工头到工件的间距的控制器、横向错位的控制器和过程气体导入的控制器。

11.用于实施根据权利要求1-10之一的用于监视要在工件上实施的激光加工过程的方法的装置，具有：

-至少一个光电二极管和用于对激光加工区成像的至少一个摄像机单元，它们适合于检测至少两个当前测量值，

-用于照明要被加工的工件的照明装置，其具有用于聚焦到工件表面上的摄像区域上的光具，

-一个数据处理单元，用于根据至少两个当前测量值求得至少两个当前特性值，以便在特性值空间中建立当前指纹，其中，当前特性值的求得借助人工神经网络进行，

-一个存储单元，用于存储特性值空间内部的一预确定的点集，其中，特性值空间内部的所述预确定的点集借助强化学习过程来确定，以及

-一个分类单元，用于通过检测当前指纹相对于特性值空间中的该预确定的点集的位置来评价该激光加工过程。

12.根据权利要求11的装置，其特征在于，照明装置包括发光二极管或激光器。

13.根据权利要求11的装置，所述装置还具有一调节单元，用于这样调节对应的致动器的至少一个过程参数，使得在当前指纹从特征空间的该点集离开时所述至少一个致动器被如此启用，以致对应的过程参数的变化符合特性值空间中的一个梯度，该梯度从该指纹出发向该预确定的点集的方向延伸。

14.根据权利要求11或12的装置，其特征在于，从一组致动器中选择至少一个致动器，该组致动器包括激光功率的控制器、加工头相对于工件的速度的控制器、加工激光射线的焦点位置的控制器、加工头刀工件的间距的控制器、横向错位的控制器和过程气体导入的控制器。

15.用于借助激光射线加工工件的激光加工头，具有根据权利要求12至13之一的装置。