CN102497952B - 激光处理头以及用于补偿激光处理头的聚焦位置的改变的方法 - Google Patents

Abstract

本发明涉及通过工作激光束(108)处理工件的激光处理头(100)，具有：具有在束路径中布置在其前方的成像透镜系统(116)的相机(102)，用于观察由工作激光束(108)处理的工件的处理区域；用于将工作激光束(108)聚焦至工件表面(104)上或者聚焦至相对于工件表面(104)而定义的位置的聚焦透镜系统(114)；以及设计为通过成像透镜系统(116)在光轴方向上的调整行程(Δd_KL)来计算校正调整行程(Δz_OS，Δz_B)，以在聚焦透镜系统(114)的焦点偏移时重新聚焦图像的评估单元(122)，该校正调整行程补偿聚焦透镜系统(114)相对于工件表面(104)或相对于工件表面(104)而定义的位置的焦点偏移。

Description

激光处理头以及用于补偿激光处理头的聚焦位置的改变的方法

技术领域

本发明涉及激光处理头，并且涉及用于补偿该激光处理头的聚焦位置的改变的方法，特别是用于在激光材料处理期间对焦点位置和尺寸进行监测与闭环控制，以及用于对图像中的在计算上彼此结合的处理表面、熔体池(melt pool)、过程发射(process emission)与蒸汽毛细管(匙孔)进行可视化，以及也用于激光处理过程的技术认知操作。

背景技术

在通过激光处理头对材料进行处理期间，通过透镜系统聚焦激光辐射。然而，在材料处理期间，透镜系统自身被激光加热，因此所使用的透镜系统的光学性质也发生改变。这也导致激光的光束分布(profile)的聚焦位置的改变。聚焦位置相对于待处理的材料的位置的改变会产生未实现期望的处理结果的效果。

将不同监测系统用于激光材料处理过程中的过程监测。借助于光电二极管、其它光传感器或成像传感器技术，特别是相机，该监测系统部分基于过程发射的检测，即，特别是来自于激光束与工件之间的互相作用区域的电磁辐射的检测。为了实时或过程中监测的目的，通常借助于例如涂覆的半透明表面，将相机集成至激光处理头的光学系统中。

在现有技术中已经论述了借助于单独光电二极管的强度来确定聚焦位置相对于工件的改变的方法。

由此，已知的一种方法是对于进入所提供的激光的光纤中的不同波长引入两个光学传感器。在这种情况下，试图得出的结论是聚焦位置的改变基于这两个光学传感器的相对于彼此的强度的相对改变，以便随后补偿聚焦位置的改变，参见F.Haran、D.Hand、C.Peters以及J.Jones的“Real-timefocus control in laser welding”,Meas.Sci.Technol.,1996年，1095-1098页。

在另一已知方法中，在聚焦位置相对于工件变化的激光焊接过程期间，借助于光电二极管测量波长的强度。使用神经网络，近似出对应于光电二极管的输出的函数，并且随后将该函数用于聚焦位置的补偿控制，参见G.Hui、O.Flemming Ove的“Automatic Optimization of Focal Point Position inCO₂ Laser Welding with Neural Networks in Focus Control System”,1997年。

DE 19516376公开了：通过施加焦点振荡，由光电二极管强度的转换振幅和相位关系计算最优的聚焦位置

DE 19925413描述了用于确定焊接束的焦点位置的装置。

发明内容

本发明的目的是提供激光处理头以及用于补偿激光处理头的聚焦位置的改变的方法，由此可以在处理过程期间以有效方式保持相对于所处理的材料的所定义的相对聚焦位置。

该目的通过根据本发明的激光处理头以及方法来实现。

特别地，该目的通过检测聚焦位置相对于工件的改变以及在校正系数的相应计算之后改变聚焦位置来实现。

此外，当使用图像传感器单元时，也应当出现具有最高可能质量的处理过程的图像。

本发明的核心在于检测聚焦位置相对于处理表面的改变以及相应地校正激光材料处理过程中聚焦位置或焦斑直径。通过以下方式来实现该检测：成像监测传感器系统的图像清晰度、或激光处理头中的温度传感器、或从每时间间隔的光能量得到的所使用的辐射强度、或从不同激光辐射强度下的所测量的激光处理头的焦散曲线计算的近似模型、或考虑习得的经验值的自学习机制或技术认知方法、或这些检测可能性的多个元素中的一个以及通过改变激光处理头相对于处理表面的位置或通过改变所使用的光学系统的可移动部件来改变聚焦位置。

因此，本发明提出用于改变聚焦位置的激光处理头和方法。根据本发明的激光处理头包括：相机，具有在束路径中该相机的上游布置的相机透镜，并且该相机用于观察由工作激光束处理，特别是焊接或切割的工件的处理区域；聚焦光学单元，用于将工作激光束聚焦至工件；以及评估单元，适于通过相机透镜在光轴方向上的调整行程来计算用于补偿、或平衡、或减小聚焦光学单元的焦点位移或偏移的调整行程，相机透镜在光轴方向上的调整行程对于在聚焦光学单元的焦点发生位移时再次聚焦相机图像是必需的。根据本发明，还可以使用认知系统，该认知系统通过学习过程，根据处理时间或处理情况来控制聚焦光学单元的调整，使得激光束的工作聚焦一致位于工件表面上或相对于工件表面而定义的位置，从而得到最优的焊接或分割或激光处理结果。

根据本发明的实施例，激光处理头还包括照射装置，来自所述照射装置的光通过分束器同轴地耦合进入所述激光处理束的束路径，以照射所述工件的所述处理区域。

根据本发明的实施例，所述相机设计为使用高动态范围(HDR)方法来获得图像。

根据本发明的实施例，所述评估单元设计为：使用用于得到图像清晰度的方法，以确定对于再次聚焦所述相机图像是必需的、所述相机透镜在所述光轴方向上的所述调整行程，所述方法包括：方差法、模数偏差总和(SMD)法、信号功率(SP)法、傅立叶分析法、拉普拉斯算子或拉普拉斯聚焦函数法、或通过相机图像的特征点或目标对象追踪的聚焦法。

根据本发明的实施例，所述评估单元设计为，在根据所述相机透镜的所述调整行程计算所述聚焦光学单元的所述校正调整行程中，在所述计算中包括由于所述观察系统的波长与所使用的工作激光的波长不同而导致的所述相机透镜和所述聚焦光学单元的聚焦差。

根据本发明的实施例，激光处理头还包括致动器系统，所述致动器系统设计为：改变所述激光处理头相对于所述工件的处理表面或所述光学系统的可移动部件的位置，以行进所述校正调整距离，用以补偿所述聚焦光学单元的所述焦点位移。

根据本发明的实施例，所述评估单元设计为由所述致动器系统通过行进校正调整行程，来直接控制所述聚焦光学单元的所述焦点的位置。

根据本发明的实施例，所述评估单元还具有认知系统，所述认知系统通过学习过程，根据处理时间或处理情况来控制所述聚焦光学单元的调整，使得所述激光束的工作聚焦一直位于所述工件表面上或位于相对于所述工件表面而定义的位置。

根据本发明的实施例，激光处理头除了所述相机以外还包括至少一个传感器单元，其中，所述评估单元设计为：基于所述相机与所述至少一个附加的传感器单元的信号，关于所述工件的所述处理表面调节或控制所述聚焦光学单元的调整。

根据本发明的实施例，所述至少一个传感器单元是至少一个麦克风或固体载声传感器、至少一个附加的相机、至少一个光电二极管、探针和用于检测技术评估和监测信号以及诸如激光功率的致动器系统参数的传感器。

根据本发明的实施例，激光处理头还包括位于所述聚焦光学单元处的温度传感器和/或位于准直光学单元处的温度传感器，用以检测相关联的光学单元的温度。

根据本发明的实施例，所述评估单元设计为：将由所述温度传感器检测的所述准直光学单元的温度馈送至学习过程，以根据所述处理时间或所述处理情况来控制所述聚焦光学单元的调整。

根据本发明的实施例，所述评估单元还设计为：将时间间隔、激光功率、级数模型或认知经验值包括至学习过程中，用以根据所述处理时间或所述处理情况来调整所述聚焦光学单元。

根据本发明的实施例，所述评估单元设计为：使用分类算法或自学习算法，用以基于至少一个传感器的信号来调节或控制所述聚焦光学单元的调整行程，所述分类算法或自学习算法诸如是支持向量机、支持向量分类、模糊逻辑、信息模糊网络、模糊K-最近邻分类器、K-最近邻分类器、增强学习、贝叶斯网络以及贝叶斯知识数据库、朴素贝叶斯分类器、隐藏马尔可夫链、人工神经网络以及反向传播、回归分析、遗传规划或决策树。

根据本发明的另一方面，还公开了一种用于补偿激光处理头的聚焦位置的改变的方法，包括以下步骤：

-将所述工作激光束聚焦至工件上，以在所述工件上执行焊接或切割过程；

-将所述工作激光束的所述焦点沿处理表面上的处理线移动，其中聚焦光学单元与所述工件的处理表面之间的距离保持恒定；

-通过以校正调整行程来调整聚焦光学单元与所述工件的处理表面之间的距离，补偿所述聚焦光学单元的焦点位移，其中通过所述相机透镜在所述光轴方向上的调整行程来计算所述聚焦光学单元的所述校正调整行程，所述相机透镜在所述光轴方向上的调整行程对于在所述聚焦光学单元的所述焦点发生位移时再次聚焦所述相机的相机图像是必需的。

根据本发明的实施例，所述方法还使用认知系统，用以计算所述聚焦光学单元的所述调整行程，所述认知系统通过学习过程，根据处理时间或处理情况来控制所述聚焦光学单元的调整，使得所述工作激光束的工作聚焦一直位于所述工件表面上或相对于所述工件表面而定义的位置。

附图说明

通过参照附图示例的方式，以下更详细地解释本发明，其中：

图1示出根据本发明的激光处理头的大大简化的示意性视图；

图2示出对于工作聚焦位置过近、最优以及过远所拍摄的相片；

图3示出根据本发明的由HDR方法处理的相机图像的示意性视图；

图4示出根据本发明的HDR图像顺序处理的框图；

图5示出根据本发明的技术认知系统的框图；

图6示出根据本发明的另一技术认知系统的框图；

图7示出基于最清晰的图像S_max的相机透镜位置与透镜零位置或零偏置位置ZP的比较的z轴调整的闭合控制回路的框图；

图8示出人工神经网络的框图，将所施加的激光功率和用于控制相机透镜零点或零偏置位置的过程参数馈入该人工神经网络；

图9示出在每种情况下处理头以10mm的步长增加距离的同时，在焊接交叠结构的过程期间所记录的图像；

图10示出在±5mm的模拟焦点位移期间应用于同轴记录的过程内视频的清晰度估计技术的结果；

图11是示出对于各种激光功率和时间间隔所测量的各种光学系统的平均焦点位移的曲线图(实验1：1千瓦；实验2：2千瓦；实验3：4千瓦；实验4：6千瓦；实验5：5分钟后6千瓦；实验6：10分钟后6千瓦；实验7：20分钟后6千瓦)；以及

图12是示出使用基于实验结果的经验模型并且还借助于人工神经网络而计算的焦点位移的曲线图(1至10分钟：1千瓦；11至20分钟：2千瓦；21至30分钟：4千瓦；31至45分钟：6千瓦，Z_RF＝7.2mm)。

具体实施方式

图1示例了根据本发明的激光处理头100，其可以包含过程监测相机102、温度检测单元、包括可调整透镜或反射镜的光学系统、或者激光处理头100相对于处理表面104的位置控制单元。

激光处理头100的光学系统包括使来自于光纤110的波长为λ_L的激光束108准直的准直透镜106，其中通过聚焦光学单元114将通过分束器112的准直激光束聚焦至处理表面104或相对于处理表面104定义的位置。相机透镜116布置在相机102的上游并且可以在光轴方向上以校正值Δd_KL调整。激光处理头100还具有位于聚焦光学单元114处的温度传感器118以及位于准直透镜106处的温度传感器120，温度传感器118与温度传感器120都连接至评估和控制单元122。另外，过程监测传感器系统124连接至评估和控制单元122。

根据本发明的激光处理头100包括相机102、聚焦光学单元114以及评估单元122，其中在相机102的上游的光束路径中布置有相机透镜116，并且该相机102用于观察通过工作激光束108处理，特别是焊接或切割的工件的处理区域，该聚焦光学单元114用于将工作激光束108聚焦至工件上，并且评估单元122适合于通过相机透镜116在光轴方向上的调整行程来计算用于补偿或取消聚焦光学单元114的焦点位移的调整行程，这对于如果聚焦光学单元114的焦点发生位移时再次聚焦相机图像来说是必须的。

处理表面104可以由具有与所使用的处理激光波长λ_L不同的波长λ_K的光的照射装置(图1中未示例)来照射。为了从外侧照射工件表面104，可以将照射装置安装至激光处理头100的外侧。然而，也可以借助于分束器，将来自于照射装置的光同轴地耦合至激光处理束108的束路径中，从而能够将照射装置集成至激光处理头100的光学系统。

替代地或补充地，根据本发明，为了获得图像，也可以使用高动态范围(HDR)方法，其中或者一个成像传感器被扫描多次，即在不同的时间点每个图像至少两次，或者以不同曝光时间或以多个相机产生多个图像，即两个、三个或更多图像并且随后在计算上彼此结合以形成至少一个图像。这个过程使同时可视化图像中的围绕的处理区域、过程发射以及蒸汽毛细管或匙孔的图像记录、图像顺序记录或视频记录变得可能。在激光处理过程的图像记录的情况下，所提及的区域的强度值分布在宽范围上，通过所述方法能够使该强度值在一个图像中可视化。为了在与过程监测系统或评估或控制单元相关联的屏幕或者显示装置上以相当低密度的分辨率显示，由此产生的图像或图像序列以适合于灰度值或色调映射方法的方式来表示。

如图3和4中所示例的，为了执行HDR方法或者用于更好地可视化处理区域、过程发射以及蒸汽毛细管的方法，根据本发明，在计算上彼此结合多个图像或像素阵列。

在图3中，所示例的过程发射以参考符号1标记，并且所示例的蒸汽毛细管(匙孔)以参考符号2标记。此外，图3示出熔体池3、焊缝几何结构4以及处理表面5。

由于一个成像传感器的多次扫描、或者以多个相机的同时图像记录、或者称为多重曝光技术的以一个相机但是不同曝光时间的连续图像记录，能够产生不同图像。在计算上能够以各种类型的方法结合考虑各个图像记录。在最简单的情况下，这包括来自至少两个图像记录的图像序列的多个图像的各个图像值的求和与平均。为了更有效地获得图像，可以以加权的方式对来自至少两个图像记录的图像序列的图像值或像素取平均。

或者可以使用熵法作为加权方法来根据信息内容进行加权，或者可以考虑相机响应函数来执行加权平均。为此，有必要得出关于每面积的真实或现实的辐射能量的结论，这由以下函数得到：

$x_{\mathrm{ij}}=\frac{I^{-1}\left(y_{\mathrm{ij}}\right)}{t_i}$

然后对于各个辐射能量的加权写为：

$x_j=\frac{{\mathrm{\Σ}}_i{w}_{\mathrm{ij}}*x_{\mathrm{ij}}}{{\mathrm{\Σ}}_i{w}_{\mathrm{ij}}}$

在该情况下，i是来自多个图像记录的图像序列的图像索引，j是像素位置，t_i是图像记录i的曝光时间或扫描时间，y_ij是位于位置j的图像记录i的像素的强度值，I^-1()是逆相机响应函数，x_j是像素位置j的所估计的每面积的辐射能量，w_ij是可靠性模型的加权函数。本发明具体涉及这些所示例的HDR图像计算方法在诸如特别是借助于激光处理头和/或连接至其的过程监测系统进行的分离或接合材料的处理方法中的使用。

对于由聚焦位置相对于工件改变而得到的校正值，例如，适用以下公式：

$\begin{array}{c}\mathrm{\Δ}{z}_f=A*\mathrm{\Δ}{z}_B+B*\mathrm{\Δ}{z}_{\mathrm{OS}}\\ =C*\mathrm{\Δ}{d}_{\mathrm{KL}}+D*\mathrm{\ΔT}+E*\mathrm{\Δt}+F*\mathrm{\Δ}{P}_L+G*M+H*C_{\mathrm{OG}}\end{array}$

其中A、B、C、D、E、F、G、H是以可变方式待确定的并且也可以假设为“0”值的参数。

提出用于确定各个分量的方法如下：

能够单独地和组合地使用的用于校正值ΔZ_f的检测方法如下：

当设置过程监测系统时，图像处理传感器系统的聚焦单元设置为图像信号产生尽可能清晰的图像。在该情况下，能够通过不同方法确定最高可能的图像清晰度或分辨率。本发明包括用于聚焦或找出图像清晰度的所有常用方法，并且将具体提及一些重要方法：

方差：平均值周围的图像值与随后的总和之间的平方差。假定图像i(x,z)并且S为像素的数量，能够计算如下：

$\mathrm{VAR}=\frac{1}{S}{\mathrm{\Σ}}_{x=0}^m{\mathrm{\Σ}}_{y=0}^n[i(x,y)-m_g],$

以及 $\mathrm{VAR}=\frac{1}{S}{\mathrm{\Σ}}_{x=0}^m{\mathrm{\Σ}}_{y=0}^n{\left[i(x,y)\right]}^2{m}_g.$

高方差或者宽直方图意味着亮好的对比度。

模数偏差总和(SMD)：基于图像梯度测量，

${\▿}_i={\left[\frac{{\∂}_i(x,y)}{\∂x}\frac{{\∂}_i(x,y)}{\∂y}\right]}^T,$

以及它的绝对值

$\left|{\▿}_i\right|=\left[\sqrt{{\left(\frac{{\∂}_i(x,y)}{\∂x}\right)}^2+{\left(\frac{{\∂}_i(x,y)}{\∂y}\right)}^2}\right].$

SMD由下式确定

$\mathrm{SMD}=\frac{1}{S}{\mathrm{\Σ}}_{x=0}^m{\mathrm{\Σ}}_{y=0}^n\left|{\▿}_i\right|,$

在清晰图像的情况下，像素x与x+1之差非常大。

信号功率(SP)：SP的最大值

$\mathrm{SP}={\mathrm{\Σ}}_{x=0}^m{\mathrm{\Σ}}_{y=0}^n{\left[i(x,y)\right]}^2$

产生最好图像状态，也应用于根据Liao修改的阈值方法。

傅立叶分析：离散傅立叶变换

$I(u,v)=\frac{1}{\mathrm{mn}}{\mathrm{\Σ}}_{x=0}^m{\mathrm{\Σ}}_{y=0}^{n}i(x,y)e^{-2\mathrm{\πj}(\frac{\mathrm{xu}}{m}+\frac{\mathrm{xv}}{n})}$

以及能够更快速计算的快速傅立叶变换，使用下式

$I(u,v)=\frac{1}{\mathrm{mn}}{\mathrm{\Σ}}_{x=0}^m\left[{\mathrm{\Σ}}_{y=0}^{n}i(x,y)e^{-2\mathrm{\πjy}\left(\frac{v}{n}\right)}\right]*e^{-2\mathrm{\πjx}\left(\frac{u}{m}\right)}$

逐行和逐列地确定。在失焦图像中，通过功率频谱的总和计算出的高频范围相比于聚焦图像显著降低。

拉普拉斯算子或拉普拉斯聚焦函数：表示傅立叶频谱的二阶统计矩，

$L=k{\mathrm{\Σ}}_{u=0}^d{\mathrm{\Σ}}_{v=0}^f{\left|(u^2+v^2)I(u,v)\right|}^2,$

并且该二阶统计矩与高频相关联。通过运算子恒等式以及公式扩展，能够将其变换到时域。包含于其中的各个分量必须由二阶导数的近似来确定，由此可以获得并直接确定

$L=\mathrm{mn}{\mathrm{\Σ}}_{u=0}^d{\mathrm{\Σ}}_{v=0}^f{[i(x+1,y)+i(x-1,y)+i(x,y+1)+i(x,y-1)-4(x,y)]}^2.$

由特征点或对象追踪聚焦：特征点是具有区别性环绕物的像素，使得能够在相同图像序列中的不同图像中再次查找到它们。因此，可以确定图像序列中的运动趋势并且因此能够在正确方向上立即进行聚焦。此外，借助于已知图像序列中的对象识别算法，可以创建用于聚焦函数的聚焦窗并且从而能够实现目标对象的最优聚焦。许多方法能够用于该目的，但是本发明使用哈里斯角点检测器(Harris corner detector)、将图像分割为特定子区域、图像梯度以及阈值计算、平方差的和、用于自动聚焦的模糊逻辑、支持向量分类、主分量分析以及许多其它方法。

在根据本发明的方法中，在系统设置过程中，首先记录处理区域的参考图像，如果工作聚焦位置偏移，则用作与稍后记录的相机图像的比较中的图像清晰度的参考。该图像可以在处理过程期间或之前创建。

在处理操作期间，如果例如发生处理头100相对于工件的位置的改变或者由于激光的热影响造成光学系统的性质的改变，则图像信号会损失给定光学系统的恒定设置参数的清晰度。由于吸收激光功率造成的聚焦光学单元114的加热，聚焦光学单元114的折射率会改变，因此聚焦光学单元114的焦点在光轴方向上面对工件的一侧偏移。通常，聚焦光学单元114的焦点以及由此激束108的工作焦点，即由聚焦光学单元114在工件上产生的工作激光源的图像朝向聚焦光学单元114偏移。工作激光源可以是例如提供激光的光纤110的出射表面。

根据本发明，借助于自动聚焦算法，光学系统，特别是聚焦光学单元114的位置或激光处理头100的位置，在处理过程期间在光轴方向上改变以使得图像信号再次产生最高可能的图像清晰度或是尽可能地接近所纪录的参考图像。

在该情况下，根据本发明，通过以ΔZ_B改变激光处理头100相对于处理表面104的位置，或者通过改变光学系统的可移动部分，特别是聚焦光学单元114或其中的相应部件(变焦)(ΔZ_OS)，来实现光学系统的必要校正ΔZ_BS。

在一个特别优选的范例实施例中，为了避免由于适配过程中激光处理头100的调整或者聚焦光学单元的调整对处理结果的直接影响，可以通过仅以在光轴方向上的调整量来改变聚焦单元，特别是过程观察相机102的相机透镜116。

由调整确定的并且对于获得尽可能清晰的图像是必要的过程监测相机102的聚集单元106的校正值Δd_KL可以与用于直接或间接考虑光学系统的成像比而修改聚焦位置或焦斑直径的必要校正系数Δz_f有关。

换言之，借助于过程监测相机的图像清晰度，通过例如可调整透镜116或反射镜的独立聚焦单元来实现自动聚焦。通过改变参数，在过程中所产生的该改变以及该校正值Δd_KL可以与激光处理头100相对于处理表面104的聚焦位置直接有关，并且从而能够控制该改变以及该校正值Δd_KL。

根据本发明，在校正值Δd_KL与校正值Δz_f的关系的转换或参数化中，不仅要考虑过程观察相机102相对于工件表面104以及激光束源相对于工件表面104的成像比必须在计算上包括，还要考虑由于色差或其它取决于波长的效应的观察系统λ_K和所使用的处理激光波长λ_L的不同波长造成的聚焦差。

根据本发明，因此，根据波长差和成像差计算参数，然后可以根据该参数计算激光处理头100的工作聚焦的聚焦位置的位移。由于在光轴方向上焦点的位移，准直透镜106的加热同样造成工作激光束108的工作聚焦的位移，特别是在聚焦光学单元114的方向上远离工件，通过上述借助于相机102的聚焦单元116的自动聚焦改变的方法，不能检测到该位移。

因此，在本发明的另一配置中，提出了特别是借助于如下所述的控制器或者技术识别系统，能够甚至更好地执行工作激光束108的工作聚焦位置校正的方法，其中还避免了过调(overshooting)或不适当的校正。

根据本发明，使用基于提取的图像特征的分类，以根据可能具有减小的维数的图像数据获得关于聚焦被选择为过远还是过近的信息。人工神经网络、支持向量分类、模糊逻辑或模糊K-最近邻分类器、增强学习算法可以用作分类。图2用作图像清晰度差的范例。

用于z轴的一个特定控制方法，借助于模糊K-最近邻分类器对例如具有关于图像清晰度(SMD)的不同曝光时间的三个图像记录进行分类。将图像清晰度算法应用于具有不同曝光时间的每个图像。同样将其应用于关于图像记录的图像清晰度以及从具有不同图像清晰度的图像序列中提取的主分量的分类。对于具有不同曝光时间的这些图像记录，可以获得表示选择观察相机102的聚焦是否过远、最优或过近的分类结果。在该情况下，发现如果选择关于处理区域104的聚焦位置过远，即选择距离过大，则长曝光时间相当于高概率。如果与工件的距离过小，或者聚焦位置对于清晰图像而言在处理区域104之后过远，则短曝光时间具有更高分类概率。以这种方式，通过分类器基于图像特征来区分聚焦位置不得不受影响的方向，能够将HDR方法与自动聚焦联系起来。在该特定情况下，选择分类关联概率(class association probability)

$u_i\left(x\right)=\frac{{\mathrm{\Σ}}_{j=1}^k{u}_{\mathrm{ij}}\left(\frac{1}{{\left|\right|x-x_j\left|\right|}^{\frac{2}{m-1}}}\right)}{{\mathrm{\Σ}}_{j=1}^k\left(\frac{1}{{\left|\right|x-x_j\left|\right|}^{\frac{2}{m-1}}}\right)}$

来分类，其中k表示最近邻，而j表示运行变量(running variable)。u_i(x)表示样本x属于分类i的概率，u_jx(x)是所关注的k邻的已知概率，并且m是1与2之间的缩放参数。分类关联概率随着样本相对于分类的相对距离而减小。由良好、过近、过远分类而发生的总计分类概率可以用作用于z轴的PID控制器(比例积分微分控制器)的加权输入。对于这些步骤，当然也可以使用支持向量分类以及如在关于技术认知的部分所描述的其它分类方法以及其它控制方法。在任何情况下，均可以借助于激光处理头100的z轴来控制和调节相对于工件的聚焦位置。

不仅由波长差、温度分布以及其它更多，而且还由具有准直和聚焦光学单元的常规激光处理头的设计给出了对于更复杂控制方法的需求，即不仅仅产生图像清晰度与激光处理头100的工作聚焦位置之间的直接联系。如果观察系统与准直和聚焦单元之间的反射表面结合，则必须考虑由于热影响而造成的准直单元106的光学单元的改变未由过程监测相机102检测到情形。因此，也有必要通过如本发明中所提出的更复杂的控制方法来应对在补偿平衡聚焦位置的改变期间的改变。

除图像清晰度以外，处理头100以及从而光学系统的温度改变ΔT可以构成对于改变的聚焦位置的充分标准。由此，其由激光处理头中的相应传感器120来检测，并且能够直接和间接地与校正值Δz_f相关。

替代地，也可以使用用于控制器或技术认知系统的以下参数：

时间间隔Δt，在处理步骤中工作激光开启的时间间隔Δt能够导致改变的聚焦位置。由此，运行时间能够直接或间接地与校正值Δz_f相关。替代地或附加地，后者也能够用作用于控制器或技术认知系统的特征。

激光功率ΔP_L，即穿过激光处理头100的激光的光能量同样能够导致改变的聚焦位置。由此，激光功率能够直接或间接地与校正值Δz_f相关。替代地或附加地，后者也能够用作用于控制器或技术认知系统的特征。

级数(progression)模型M，其能够同样地产生关于改变的聚焦位置的语句(statement)。后者能够通过在不同激光功率和运行时间的启动之前，测量出现的激光辐射的焦散曲线(caustic curve)来获得。以该方式，能够测量聚焦偏移以及焦斑直径变化，并且能够线性近似与校正值Δz_f直接或间接相关的模型。替代地或附加地，后者也能够用作用于控制器或技术认知系统的特征。

类似于级数模型，可以找出认知经验值C_OG。后者表示基于认知技术系统的统计和自学习方法的习得经验，其将在以下更详细地解释。该经验值能够与校正值Δz_f直接或间接相关。

图5示例了具有相应控制器的技术认知系统。

该系统的基本的功能特征是基于许多传感器结果和输入信号的校正值Δz_f的调节或控制。其用于通过监测和分类许多输入信号并使用用于信号处理的习得的知识，来实现由专家定义的期望结果。

由于具有类似于人类的高度适应的能力或自然学习、问题解决以及决策能力，所以将该系统称为技术认知。当根据至少两个传感器单元或至少多维传感器数据集，一个系统以不是由人类专家预先精确预定的方式，而是以基于已经存在的或记录的以及分析的或习得的经验数据以及(如果合适)具有解决方法的设定目标(set target)的方式，操作至少一个致动器系统以及(如果合适)传感器数据采集，则该系统是技术认知的，其中通过特征识别和维数减少从存储在数据库中的更大的传感器数据集中提取该已经存在的或记录的以及分析的或习得的经验数据，并且由人类操作者直接预定或以从其中导出的方式产生该具有解决方法的设定目标。因此，技术认知系统致力于解决方案或控制或调节方法，直到它达到设定目标，并且随后依序监控目标达到，在未达到发生时，再一次修改习得的解决方法。图6示意性地描述了这样的技术认知系统。这样的系统能够用于控制机器人、产品安装并且实际也用于激光处理系统。

对于更详细的描述，现将解释所使用的各个元件和方法。

在原理上，能够实现传感器数据输出的任何传感器能够用作传感器系统124。特别是例如，麦克风或固体载声传感器、相机、光电二极管、探针、和用于检测技术评估和监测信号以及诸如激光功率的致动器系统参数的传感器。

特征提取和维数减小：在该情况下，可以使用所有减小数据体并最大程度地保持信息内容的方法。特别地，包括主分量分析(PCA)、独立分量分析(ICA)、小波分析、傅立叶、快速傅立叶以及拉普拉斯分析、特征与对象识别方法、ISOMAP、局部线性嵌入、人工神经网络、多维缩放以及更多方法。

减小的数据体可以解释为已经从更高维数空间获得的多维空间的点云(point cloud)。通过减小数据，可以在有限的时间内比较先前记录的和分类的和/或学习的数据体与后者。在该分类中，可以确定新的传感器数据是否类似于已经记录的传感器数据，并且对于该类似性赋予一概率。如果超过了先前记录的数据体的类似性概率的定义的阈值，则可以按照先前存储的解决方案或控制或调节方法。如果超过了与先前学习的数据体有关的类似性概率的阈值，则系统处于新的情况。

对于新情况的行为可以通过询问人类操作者来习得，或者根据类似性原理从先前数据和解决策略来试验得到。在此使用的自学习算法在于：根据设定目标，在试验得出自发展方法之后，随后检查是否实现目的，并且对应地评估所选择的解决方法。以下方法可以用于经验值的分类、存储以及解决策略，并且可以用作自学习算法：支持向量机、支持向量分类、模糊逻辑、信息模糊网络、模糊K-最近邻分类器、K-最近邻分类器、增强学习、贝叶斯网络以及贝叶斯知识数据库、朴素(naive)贝叶斯分类器、隐藏马尔可夫链、人工神经网络以及反向传播、回归分析、遗传规划(geneticprogramming)或决策树。

分类后得到的解决策略或控制器或致动器系统控制能够以简单的方式嵌入，但是也能够控制数据采集的类型。通过范例的方式，如果没有达到对于已知数据体的阈值，则能够改变数据采集的类型。例如，这能够通过对于新的频率范围适用小波分析或通过从PCA改变到ICA来实现。

大部分激光焊接头可以连接使用与激光束相同的聚焦光学单元的同轴相机。因此，由透镜的加热产生的焦点位移影响激光束并且也改变记录的视频数据。在所提出的方法中，所记录的视频数据的清晰度用于监测聚焦位移以及相对于工件表面的距离改变。借助于可控制的z轴来实现距离控制。附加的人工神经网络能够校正未补偿误差，诸如由准直器光学系统引起的位移。根据本发明，减小了由透镜加热引起的过程误差，并且改善了过程质量和其它传感器数据采集。

对于每个不同的车辆模型定制车辆生产线，如果一个或多个工具未被正确配置，则将导致长配置时间和停工时间。这使得日益需要具有能够独立地适合于新过程和过程环境的自学习处理工具的灵活生产线。它们或者是能够提供宽范围可控性的工具，或者是能够使用习得的知识以胜任新任务的智能系统。

激光束焊接是现代工业生产线中技术上最苛求的过程步骤之一。由于其主要用于车体的生产中，所以必须保证高精度和可靠性。因此，为了避免出现有缺陷的部分，过程性质的小改变需要重新校准该系统。

本发明涉及热透镜效应的补偿，也已知为聚焦偏移或聚焦位移。由于激光焊接头内的光学系统的持续能量吸收，激光束性质会在处理和焊接过程期间变化。可以在实验室中计算出聚焦位移的特性。然而，由于每个系统具有其自身的配置以及多种未知影响变量，这些结果难以应用于实际生产环境。

尽管由熔融的硅酸盐(SiO₂)构成的光学部件在由Nd：YAG激光源发射的1064nm的波长处具有较低的吸收率，但是激光功率的增加导致需要应对的聚焦位移的增加。近来的结果关注于包含新材料的改进的光学元件，诸如具有较高的热传导率的基于硫化锌(ZnS)的透镜。然而，该方法不能避免聚焦位移，而是确保恒定的焦斑直径。由能够改进激光束的光学校正的修改结构会获得类似的结果。

其它方法的目标在于通过检测传感器数据而不改变过程光学系统来测量和控制焦斑位置。这些方法主要基于对于不同频谱范围的光发射的分析和比较并且受益于色差。因此，能够控制过程光学系统与工件之间的相对距离，由此能够避免定位和聚焦位移误差。通过使用可控的光学元件，可以实现小的过程振荡，这使得能够估计相对于工件的焦斑位置。

由于这些技术使用过程发射，所以它们极大地依赖于所监测的过程并且因此对于所处理的每个过程需要不同的配置。为了能够解决这个问题，第一步在于具有用于分类光发射的人工神经网络的自学习技术。通过对于各种结构改变聚焦光学单元与工件之间的距离来进行训练。

在根据本发明的方法中，如果发生聚焦位移或者相对于工件的距离改变，则必须确保和适应相对于工件的恒定距离。这能够通过对来自同轴摄像机的记录的视频数据的分析来实现。相机部分地使用与激光束相同的聚焦光学单元并且因此遭受类似的导致非清晰图像的聚焦位移。对于相机并入可控光学单元使得能够计算用于z轴调整设备的控制信号，以便再次获得清晰图像。

首先，在下文中将简要描述聚焦偏移或位移，接着描述测试的清晰度估计技术、人工神经网络(ANN)以及整个系统结构。其次，将描述进行的实验，包括聚焦位移的测量、对距离变化期间所获得的图像数据的分析以及由ANN获得的结果。

首先，将解释理论背景。

为了研究出对策，必须描述并量化聚焦偏移或位移。假设包括仅具有一个准直透镜和一个聚集透镜的处理头的简单光学结构。基于它的光学性质，可以计算聚焦位移的程度并且从而估计z轴控制的所需精度。该控制基于计算清晰度、最大查找的算法以及通过PID控制器的控制信号的变更。为了处理由透镜加热引起的激光束的光束路径与相机图像之间的差，实施人工神经网络(ANN)。

激光焊接头包含用于准直入射束并将其聚焦于特定距离的一组透镜。相对于工件表面的焦点的定位取决于应用。假设光纤的直径为d_f，则可以计算出焦点的直径d₀，其中d₀＝f_foc/f_col*d_f。因此，焦距影响焦点相对于处理光学装置的尺寸和位置。

可以由下式计算薄透镜的焦距f：

$\frac{1}{f}=(n-1)(\frac{1}{R_1}-\frac{1}{R_2}+\frac{(n-1)d}{n{R}_1{R}_2})$

由此可知，透镜的焦距取决于折射率n和半径R_i。这两项都取决于所使用的材料的温度。对于系统的冷启动，可以假设透镜处于环境温度。在处理期间，透镜吸收一定比例的束功率并且增加了它们的温度。该改变量ΔT导致由dn/dT定义的折射率的变化Δn。对于熔融的硅酸盐，dn/dT的值在10^-5/K的范围内。在波长1064nm处的折射率在20℃为1.4496而在100℃升高到1.4503。由材料的膨胀引起半径的改变，这可以通过应用线性热膨胀系数α来近似。由于热透镜效应影响准直光学单元和聚焦光学单元两者，如果正确设计光学单元，则放大项f_foc/f_col能够保持恒定。聚焦位移的通常近似为

$\mathrm{\Δf}=-\frac{\mathrm{\Δ}{P}_{\mathrm{sbs}}}{2\mathrm{\π}{k}_w}\frac{f^2}{R_L^2}\frac{\mathrm{dn}}{\mathrm{dT}}$

其中ΔP_abs是吸收功率，k_W是热传导率并且R_L是透镜直径。温度升高减小了焦距，这需要重新定位焊接头。

可以以各种方式测量聚焦位移。一个常规方法是基于层的束分析，其中对于相对于处理光学单元的不同距离检测功率密度分布。为了能够比较对于不同光学单元的焦点位移，以对应的瑞利长度z_RF进行归一化。后者定义了与焦点的距离，束直径在焦点处改变√2因子。这导致以下公式：

$\frac{\mathrm{\Δf}}{z_{\mathrm{RF}}}\text{=}\frac{f_F(t,P_L)-f_F\left(0\right)}{z_{\mathrm{RF}}(t,P_L)}$

时间t的影响更难以描述并且其取决于一大组外部参数，诸如冷却系统、大气性质以及透镜的热传导率。结果表明直到聚焦位移朝向特定值收敛需要15分钟。此外，发现能够观察到数月时间内的长期影响。

布置在光学单元和工件之间的保护窗不应该影响光束路径，但是它们仍然能够改变焦点的位置。这里，功率吸收也导致了保护窗的几何性质以及折射率的改变。

以下将描述自动聚焦技术。

大多数现代图像记录设备装配有即使在物体距离未知时仍可获得清晰图像的自动聚焦技术。三种不同算法可以获得描述图像清晰度的值：借助于快速傅立叶变换(FFT)的频率分析、模数偏差总和(SMD)技术，以及使用Tenegrad方法的索贝尔(Sobel)算子。这些算子定义如下：

$i_x=\frac{1}{4}\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right],$ 以及 $i_y=\frac{1}{4}\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]$

将算子应用于图像的每个像素。对Q的值求和，其中Q＝i_x ²+i_y ²，Q大于所定义的阈值T，其得出与图像清晰度有关的标量值S。SMD算法具有简化的算子，其也不使用阈值：

i_x＝[-1   1]，以及 $i_y=\left[\begin{array}{c}-1\\ 1\end{array}\right]$

提取Q的根并对其求和以获得标量值S。为了在诸如图像传感器中所发现的细胞神经网络(CNN)中以简单的方式实施，可以使用Tenengrad技术和SMD，其中FFT技术用于执行质量比较。

这些技术都无法确定是否已经获得最清晰的图像，或者是否必须调整聚焦光学单元的方向。因此，为了获得对于聚焦光学单元的控制信号，必需检测至少两个图像。根据本发明的一个配置，图像记录设备上游的聚焦光学单元可以以其操作范围内的恒定方式驱动。因此，该图像的检测和处理得出具有全局最大值S_max的曲线。达到该最大值的聚焦光学单元位置使得可以获得具有最高清晰度的图像。

以下描述人工神经网络。

通过使用人工神经网络，可以对输入与输出信号之间的复杂关系进行建模。术语“网络”是指在连接于输入与输出层之间的不同层中排列的结点的集合体。每个结点连接至来自用于输入信号的先前层的一组结点，并且提供随后层用来分布其输出信号。结点i的特性性质是输入信号x_j的加权w_ij、偏置θ_i以及应用于所有输入信号和偏置之和的函数f_i。在人工神经网络的学习过程期间确定w_ij、θ_i以及该组结点。训练数据由一组输入信号组成，对于该组输入信号所需要的输出信号是已知的。由于在配置人工神经网络的同时提供该人工神经网络的结果，所以该方法已知为监督学习。该训练或学习过程可以以公式表示为误差最小化过程，在该误差最小化过程中结点性质被改变，直到所计算的与所设想的输出之间的差被最小化。

以该方式训练的人工神经网络可以用于传统的模式识别或分类任务。此外，其能够用于非线性系统识别。由此，人工神经网络(ANN)表示在训练期间确定其参数的非线性系统。如果存在待模拟的系统的分析模型，则能够改进该训练。

以下描述z轴控制。

激光焊接头可以装配有在准直光学单元与聚焦光学单元之间安装的同轴摄像机。当焦点相对于工件正确地定位时，为了获得熔体池的清晰图像需要另外的透镜。发生的焦点位移关系到激光束与视频信号两者。通过改变相机固有的光学单元，能够重建清晰图像。可以使用该变化以计算发生的焦距误差，并且由此调整z轴以保持正确的焦点定位。

在此应当注意，未观察到影响准直光学单元的热透镜效应，并且从而保持焦距位移误差。另外，由于色差，相机的焦距平面遭受与激光束焦点不同的焦距位移。通过控制相机透镜零点ZP能够减少这两种情况，其将在接下来的部分中描述。

以下描述具有控制回路的距离控制。

在该方法中，相机固有透镜与图像传感器之间的距离连续地改变。如果对于最清晰图像的透镜位置在两个连续的间隔之间偏离，则相对于工件的距离已经改变，或者对于激光束而言透镜加热影响了聚焦光学单元。

假设相机以1kHz的频率记录图像，而透镜以10Hz振荡，则能够达到20Hz的控制速率。因此，能够在50张图像中找出S_max。此外，如果聚焦光学单元允许对于清晰图像的范围为5mm，则系统的精度等于100μm。因此，能够检测到100μm或更大的焦面位移。

相机透镜的初始零点定位或零偏置位置指定为ZP。相对于最清晰图像的透镜位置的差为ΔZP。ΔZP用于馈入PID控制，PID控制的输出用于z轴调整的控制或调节。需要P部分以便缩放ΔZP到合适的控制信号，而I和D部分用于改变系统响应。在图7中示出整体系统。

以下描述焦点位移的建模。

所述的控制回路未对准直光学单元的焦距位移作出反应，所以焦点位移误差仍然保持。为了能够部分补偿该现象以及激光束与相机光学单元之间的焦面差，必须进行相机透镜零点或零偏置的校正。由于准直光学单元的直接监测是不可能的(远离上述位于准直光学单元处的温度传感器)，因此基于所施加的功率的知识，使用模型来估计激光束的焦距位移。

透镜加热效应表现出高度的非线性、与时间有关的特征。如图8中所示例，根据本发明，使用人工神经网络，对这些性质建模，其中将对个过程参数以及它们的关于时间的导数和积分馈送至人工神经网络。人工神经网络(ANN)的训练需要随时间变化的不同激光功率的输入以及关于所发生的焦点位移的信息。该信息可以通过借助于对应的测量仪器测量束焦散曲线而获得，其将在随后的实验部分中说明。

一旦已经建立所施加的激光功率与所发生的焦点位移之间的关系，则能够根据所施加的激光功率和其它系统参数来设置相机透镜的零点或零偏置。由此，基于图像清晰度的控制回路对处理头与光学单元之间的距离的快速改变作出反应，并且对透镜加热对于聚焦光学单元的影响作出反应，其中使用人工神经网络的目的在于最小化长期误差。

以下将给出实验结果。

进行第一实验以估计控制系统的各种部件的性能和性质。对所示的清晰度测量技术进行分析以决定哪个算法是最合适的。进行第二组实验以获得关于对于不同激光焊接头的焦点位移的一般信息。

热透镜效应的最明显的效果是聚焦偏移或聚焦位移，其导致焦平面与聚焦光学单元之间的距离减小。通过在过程期间沿激光焊接头的z轴的调整，能够实现对该效应的模拟，由此存在束焦点与工件表面之间的相对位置的改变。这包括功率密度的变化，由此在过程期间获得不同的焊接结果。

对于该实验，对0.7mm的软钢板的30cm的搭焊进行-5mm至+5mm的位移，导致在过程开始时工件相对于焊接头太近而在过程结束时工件相对于焊接头太远。通过同轴CMOS相机以帧率200fps以及解析度192×256像素记录该实验的视频。如图9中所示，外部相机记录光学过程发射的图像。首先，未实现完全穿透，这导致大的加热区域以及类火焰的过程发射。随着距离增加，功率密度上升并导致完全穿透事件，其可通过被处理的工件下方出现的火花流观察到。+5mm的位移不会中断该完全穿透过程，尽管未得到令人满意的结果。焊缝的随后分析表明仅对于1.5cm能够获得可接受的质量。

在具有1.5cm的行程距离的焊接过程期间，执行0.5mm的焦点偏移。因此，距离控制的精度要求是0.25mm或更好。

以所示的全部三个原理对每个记录的图像帧进行清晰度估计。在10帧范围内对算法的结果进行归一化并进行平滑以避免高频噪声。图10示出所得到的曲线。由此确定：所有三个函数具有不同的最大值，所以它们都处于小于0.5mm的z轴偏置的范围内。FFT与SMD结果的比较表明类似的性质，尽管以小于后者的程度强调局部最大值。Tenengrad函数表现出比FFT和SMD方法更低的变化并且具有较少的不同的局部最大值，所以该函数对于所提供的视频是最合适的函数。

以下描述焦点位移的测量。

通过对于不同光学配置分析激光束，获得对于所发生的焦点位移的深入理解。在该情况下，通过Primes FocusMonitor监测束焦散曲线，当相对于焦点具有不同距离的光束穿过样本时，该Primes FocusMonitor测量功率密度。重复该测量允许对于恒定或变化激光功率的光束的变化进行分析。该结果可随后用于训练人工神经网络。实验过程包括对于不同激光功率和时间间隔的多次测量，其中实验1至7中所施加的激光功率等于1kW、2kW、4kW、6kW、6kW、6kW、6kW并且初始化后分别与此对应的时间为0分钟、0分钟、0分钟、0分钟、5分钟、10分钟、20分钟。

测量设置包括6kW光纤激光器、具有400μm直径的光纤以及三个不同的光学单元：光学单元1(f_col～150mm；f_foc～250mm)、光学单元2(f_col～150mm；f_foc～250mm)以及光学单元3(f_col～125mm；f_foc～200mm)。对于光学单元1和光学单元2执行三次实验过程而对光学单元3执行一次实验过程。

图11示出Δz/z_RF的平均分布图。在初始焦点位置f_F(0)执行用于实验1的所测量的位移。可以清楚地辨别出增大激光功率的焦点位移的增大。实验2至4中的位移(激光功率分别增大2kW)表现出与激光功率实质上线性的关系。在实验4至7的情况下(恒定激光功率为6kW)，在10分钟后位移显示集中在1mm周围。因此，有必要考虑在数分钟的范围内的时间常数以用于控制。为了计算焦点位移的估计，可以通过系统理论的传统元件或者以人工神经网络的形式对这些性质建模，如将以下进一步描述的。

对于光学单元1和光学单元2，瑞利长度z_RF接近7.3mm，而对于光学单元3则是6.6mm，这导致高激光功率下大于0.5mm的绝对焦点移位。因此，控制系统能够有利于最小化所得到的生产误差。

以下描述根据本发明的特别优选的利用人工神经网络的聚焦位移估计。

理解所测量的焦点位移使得能够以取决于所施加的激光功率的方式对焦点位移建模。这对于人工神经网络对非线性系统的初始测试是有利的。以经验得出以下函数关系：

$\frac{\mathrm{\Δf}}{z_{\mathrm{RF}}}=\frac{P_L}{10z_{\mathrm{RF}}}(1+0.8\left({1-e}^{-\frac{t}{4}}\right))$

它以与先前部分的测试的光学单元相同的方式对增大的并且稳定状态的激光功率做出反应。连续施加10分钟的激光功率(1kW、2kW、4kW、6kW)的测试导致在每种情况下焦点位移估计如图12中所示。激光功率的改变导致焦距的立即改变，但是要花费10分钟直到达到恒定值。

在接下来的过程期间，使用由上述公式获得的输入和输出数据训练人工神经网络。

$P_L,\∫P_L\mathrm{dt},\∫\∫P_L\mathrm{dtdt},\frac{\∂P_L}{\∂t}\mathrm{und}\frac{{\∂}^2{P}_L}{{\∂t}^2}$

用作输入，而Δf用作输出。使用与先前实验相同的激光功率来进行该测试。图12示出该人工神经网络导致与经验模型非常类似的结果。从而能够假设，根据本发明，使用人工神经网络非常适合于模拟非线性系统。

对于在实际环境中的使用，有必要获得针对随后控制的处理头执行的所检测的焦点位移测量的训练特征。在该情况下，由于整个人工神经网络的训练将限制于少量样本，所以所执行的焦点位移测量的数量不会允许达到令人满意的结果。

以下将表明由所给出的结果得出的结论。

激光焊接头的焦点位移或焦点偏移会导致不令人满意的焊接结果，并且因此需要焦点位移补偿机制，以便即使在激光功率增加的情况下也能实现一致的质量标准。

相机固有的光学系统的连续控制以及借助于清晰度确定算法的进一步的图像处理，使得可以确定相对于工件的距离是否正确，以及确定z轴如何调整。根据本发明，Tenengrad清晰度估计技术表现出最合用的结果。

在三个不同处理头的情况下，聚焦位移的实验测量表明：如果意图将焦点位移限制在0.6mm，则在所施加的激光功率大于4kW的情况下，补偿是必需的。基于这些实验，设计焦点位移的经验模型，该经验模型用作人工神经网络的训练数据源。进一步的模拟确认：该人工神经网络能够根据本发明使用以调制非线性系统关系。

进一步工作的目标在于硬件的开发，诸如可控相机光学系统以及高精度z轴调整。此外，还意图减小光学像差的影响。

Claims (17)

1.一种用于通过工作激光束(108)来处理工件的激光处理头(100)，其特征在于包括：

-相机(102)，具有在束路径中所述相机(102)的上游布置的相机透镜(116)，并且所述相机(102)用于观察由所述工作激光束(108)处理的所述工件的处理区域；

-聚焦光学单元(114)，用于将所述工作激光束(108)聚焦至工件表面(104)上或者聚焦至相对于所述工件表面(104)而定义的位置；

-评估单元(122)，设计为通过所述相机透镜(116)在光轴方向上的调整行程(Δd_KL)来计算校正调整行程(Δz_OS，Δz_B)，所述校正调整行程(Δz_OS，Δz_B)补偿所述聚焦光学单元(114)相对于所述工件表面(104)或相对于所述工件表面(104)而定义的位置的焦点位移，所述相机透镜(116)在光轴方向上的调整行程(Δd_KL)对于在所述聚焦光学单元(114)的焦点发生位移时再次聚焦相机图像是必需的。

2.如权利要求1所述的激光处理头(100)，其特征在于还包括照射装置，来自所述照射装置的光通过分束器同轴地耦合进入所述工作激光束(108)的束路径，以照射所述工件的所述处理区域。

3.如权利要求1或2所述的激光处理头(100)，其特征在于：所述相机(102)设计为使用高动态范围(HDR)方法来获得图像。

4.如权利要求1或2所述的激光处理头(100)，其特征在于：所述评估单元(122)设计为：使用用于得到图像清晰度的方法，以确定对于再次聚焦所述相机图像是必需的、所述相机透镜(116)在所述光轴方向上的所述调整行程(Δd_KL)，所述方法包括：方差法、模数偏差总和(SMD)法、信号功率(SP)法、傅立叶分析法、拉普拉斯算子或拉普拉斯聚焦函数法、或通过相机图像的特征点或目标对象追踪的聚焦法。

5.如权利要求1或2所述的激光处理头(100)，其特征在于：所述评估单元(122)设计为，在根据所述相机透镜(116)的所述调整行程(Δd_KL)计算所述聚焦光学单元(114)的所述校正调整行程(Δz_OS，Δz_B)中，在所述计算中包括由于观察系统的波长与所使用的工作激光的波长不同而导致的所述相机透镜(116)和所述聚焦光学单元(114)的聚焦差。

6.如权利要求1或2所述的激光处理头(100)，其特征在于还包括致动器系统，所述致动器系统设计为：改变所述激光处理头(100)相对于所述工件表面(104)或光学系统的可移动部件的位置，以行进所述校正调整行程(Δz_OS，Δz_B)，用以补偿所述聚焦光学单元(114)的所述焦点位移。

7.如权利要求6所述的激光处理头(100)，其特征在于：所述评估单元(122)设计为由所述致动器系统通过行进校正调整行程(Δz_OS，Δz_B)，来直接控制所述聚焦光学单元(114)的所述焦点的位置。

8.如权利要求1或2所述的激光处理头(100)，其特征在于：所述评估单元(122)还具有认知系统，所述认知系统通过学习过程，根据处理时间或处理情况来控制所述聚焦光学单元(114)的调整，使得所述激光束(108)的工作聚焦一直位于所述工件表面(104)上或位于相对于所述工件表面(104)而定义的位置。

9.如权利要求8所述的激光处理头(100)，其特征在于除了所述相机(102)以外还包括至少一个传感器单元，其中，所述评估单元(122)设计为：基于所述相机(102)的信号以及所述至少一个传感器单元的信号，关于所述工件表面(104)调节或控制所述聚焦光学单元(114)的校正调整行程(Δz_OS，Δz_B)。

10.如权利要求9所述的激光处理头(100)，其特征在于：所述至少一个传感器单元是至少一个麦克风或固体载声传感器、至少一个附加的相机、至少一个光电二极管、探针和用于检测技术评估和监测信号以及致动器系统参数的传感器。

11.如权利要求8所述的激光处理头(100)，其特征在于还包括位于所述聚焦光学单元(114)处的温度传感器和/或位于准直光学单元(106)处的温度传感器，用以检测相关联的光学单元的温度。

12.如权利要求11所述的激光处理头(100)，其特征在于：所述评估单元(122)设计为：将由位于所述准直光学单元(106)处的所述温度传感器(120)检测的所述准直光学单元(106)的温度馈送至学习过程，以根据所述处理时间或所述处理情况来控制所述聚焦光学单元(114)的校正调整行程(Δz_OS，Δz_B)。

13.如权利要求8所述的激光处理头(100)，其特征在于：所述评估单元(122)还设计为：将时间间隔(Δt)、激光功率(P_L)、级数模型(M)或认知经验值(C_OG)包括至学习过程中，用以根据所述处理时间或所述处理情况来调整所述聚焦光学单元(114)。

14.如权利要求8所述的激光处理头(100)，其特征在于：所述评估单元(122)设计为：使用分类算法或自学习算法，用以基于至少一个传感器单元的信号来调节或控制所述聚焦光学单元(114)的校正调整行程(Δz_OS，Δz_B)，所述分类算法或自学习算法是支持向量机、支持向量分类、模糊逻辑、信息模糊网络、模糊K-最近邻分类器、K-最近邻分类器、增强学习、贝叶斯网络以及贝叶斯知识数据库、朴素贝叶斯分类器、隐藏马尔可夫链、人工神经网络以及反向传播、回归分析、遗传规划或决策树。

15.如权利要求10所述的激光处理头(100)，其特征在于：所述致动器系统参数是激光功率。

16.一种用于补偿如前述任一项权利要求所述的激光处理头(100)的聚焦位置的改变的方法，其特征在于包括以下步骤：

-将所述工作激光束(108)聚焦至工件上，以在所述工件上执行焊接或切割过程；

-将所述工作激光束(108)的所述焦点沿所述工件表面(104)上的处理线移动，其中聚焦光学单元(114)与所述工件表面(104)之间的距离保持恒定；

-通过以校正调整行程(Δz_OS，Δz_B)来调整聚焦光学单元(114)与所述工件表面(104)之间的距离，补偿所述聚焦光学单元(114)的焦点位移，其中通过所述相机透镜(116)在所述光轴方向上的调整行程(Δd_KL)来计算所述聚焦光学单元(114)的所述校正调整行程(Δz_OS，Δz_B)，所述相机透镜(116)在所述光轴方向上的调整行程(Δd_KL)对于在所述聚焦光学单元(114)的所述焦点发生位移时再次聚焦所述相机(102)的相机图像是必需的。

17.如权利要求16所述的方法，其特征在于：还使用认知系统，用以计算所述聚焦光学单元(114)的所述校正调整行程(Δz_OS，Δz_B)，所述认知系统通过学习过程，根据处理时间或处理情况来控制所述聚焦光学单元(114)的调整，使得所述工作激光束(108)的工作聚焦一直位于所述工件表面(104)上或相对于所述工件表面(104)而定义的位置。