CN115697610A - 用于分析激光加工过程的方法、用于分析激光加工过程的系统以及具有该系统的激光加工系统 - Google Patents

Abstract

本发明涉及一种用于分析用于加工工件的激光加工过程的方法，所述方法包括以下步骤：检测激光加工过程的至少一个传感器数据组；和借助于传递函数基于至少一个传感器数据组来确定激光加工过程的加工结果的至少一个物理特性的值，其中，传递函数通过已学习的神经网络形成。本发明还涉及一种用于分析激光加工过程的系统(200)以及具有该系统(200)的激光加工系统(100)。

Description

用于分析激光加工过程的方法、用于分析激光加工过程的系 统以及具有该系统的激光加工系统

技术领域

本发明涉及一种用于分析工件、特别是金属工件上的激光加工过程的方法、一种用于分析激光加工过程的系统以及一种具有这种系统的用于借助于激光束加工工件的激光加工系统。

背景技术

在用于借助于激光束加工工件的激光加工系统中，从激光源或激光传导光纤的端部射出的激光束借助于射束导向光学器件和聚焦光学器件聚焦或聚束到待加工的工件上，以便将工件局部地加热到熔化温度。所述加工可以例如包括接合、即工件的持久的连接、特别是激光焊接或激光钎焊和激光切割。特别是在工件的激光焊接或钎焊中重要的是，监测焊接过程或钎焊过程并且判断加工结果的质量、即工件之间产生的、由焊接缝或钎焊缝构成的连接的质量，以确保加工质量。用于监测激光加工过程并且判断在激光焊接时的质量的当前解决方案通常包括所谓的过程中和过程后监测和相应的监测系统。过程中监测也用于控制和调节激光加工过程。

为此例如在激光焊接时检测不同波长的由激光束与工件之间的相互作用区域发射的电磁辐射的强度、特别是等离子体辐射、温度辐射或由工件的表面反射或散射回的激光辐射的强度并且借助于数据处理分析所述强度。为了分析，将检测到的数据、例如相应的强度变化曲线与预定的参考曲线或包络曲线比较。基于预定的误差标准由监测系统输出误差。标准可以例如是变化曲线关于包络曲线的积分或者低于或超过包络曲线。

此外，图像传感器可以在激光加工过程期间检测熔池的图像信号。借助于图像处理可以在此识别熔池的几何特征、例如熔池的几何特征、特别是熔池的形状、大小和位置，并且考虑入监测中。在偏离预定的几何特征时同样可以输出误差。

基于识别出的误差，焊接连接可以被分类为“好”(即被连接的工件适合用于再处理或销售)或者被分类为“差”(即工件是次品)。此外，焊接可以被分成误差等级。在搭头焊接的情况中例如存在等级“缺陷的连接”、“间隙过大”或“孔”或“穿透”。此外，在正在进行激光加工过程期间可能影响过程的调节。

在激光切割时，切割边缘的粗糙度、毛刺高度、切割边缘的垂直度和切割前部的陡度形成说明激光加工过程质量的特征。所述特征典型地在过程之后被确定或被测量。切割断裂的识别在批量生产设备中不在加工过程期间实施。可靠的质量通过测量所述特征被确定。

在传统的监测系统中，从激光加工过程获得的数据的分析是复杂的，因为数据处理的参数和误差标准与多个因素相关并且也在改变焊接过程时必须被调整。参数的定义和调设因此通常通过专家进行。专家的经验因而决定可靠的监测。由于复杂性，检测到的数据的分析典型地彼此无关地进行。监测不在考虑所有数据的情况下进行，或者包含在数据中的信息的联合在此在加工链结束时才进行。复杂性也决定了这种监测系统的缺少的效率。

申请文件DE 10 2018 129 441.7和DE 10 2018 129 425.5描述了借助于深度堆叠神经网络对激光加工过程的监测。由此可以提高分类的效率和可靠性。

由于激光加工过程的使用的越来越增加的复杂性而要求用于判断所述过程或加工结果的更准确的分配和方案。两个或几个等级的划分例如不能确定加工误差的原因。不能实现推断描述所述过程或加工结果的一个或多个物理参量或物理特性。

然而焊缝必须符合预定的标准。焊缝特别是必须具有预定的强度、特别是抗拉强度、抗压强度或剪切强度。然而通过焊缝或焊接连接的前述分类不能实现将物理特性的值、例如强度、焊入深度或导电性量化。传统的监测系统可以因此仅仅提供加工结果的分类，然而不能以物理单位提供物理测量值或加工结果的物理特性的值，所述物理单位实现定量描述。

在激光切割时，被切割的材料必须同样符合呈物理测量值形式的标准。切割边缘的粗糙度和毛刺高度可以例如以μm为单位被测量，切割边缘的垂直度以度数为单位被测量。

为了测定加工结果的物理特性的值，因此必须在激光加工之后实施测量。为了确定焊缝的所述物理特性，焊缝或被焊接的工件必须经受材料检验。例如被焊接的工件经受拉伸试验，以便测定以牛顿为单位的拉力，在该拉力下焊缝断裂。所述值定义为焊缝的抗拉强度。在焊接电触点的情况中，焊缝的导电性能够以Siemens(西门)为单位被测定。但是用于材料检验的所述测量主要导致损坏工件，而因此不能对于所有工件进行。

发明内容

本发明的任务在于，给出下述方法，通过该方法可以无损坏地确定激光加工过程的物理特性的值或者激光加工过程、特别是焊接过程、钎焊过程或切割过程的加工结果，而不必进行所述值的测量。

此外，本发明的任务在于，给出下述方法，以将激光加工过程的物理特性的值的确定或者激光加工过程、特别是焊接过程、钎焊过程或切割过程的加工结果的确定简化或自动化。

该任务通过独立权利要求的主题来解决。有利的实施方式和进一步方案是相应的从属权利要求的内容。

根据本公开文件的第一方面给出一种用于分析用于借助于激光束加工工件的激光加工过程的方法，其中，所述方法包括以下步骤：检测激光加工过程的至少一个传感器数据组；和借助于传递函数基于至少一个传感器数据组来量化或确定激光加工过程的加工结果的至少一个物理特性的值，其中，传递函数通过已学习的神经网络形成。

激光加工过程可以包括工件的接合或连接。激光加工过程可以是激光切割过程、激光焊接过程或激光钎焊过程或者包括所述过程之一。激光加工过程的加工结果可以包括被切割的、被接合的或被连接的、即被焊接的或被钎焊的或被切割的工件。加工结果可以在这种情况中特别是表示被接合的工件之间的焊接连接或钎焊连接。焊接连接或钎焊连接可以通过焊缝形成。换句话说，加工结果可以在这种情况中表示焊缝或钎焊缝。加工结果也可以表示焊接连接或焊缝的部分或区域。在通过所述激光加工过程要连接的工件之间可能存在间隙，所述间隙影响焊接的结果。间隙可以在对头焊接的情况中称为在要连接的工件的对置的两个表面之间的空间，或者在搭头焊接的情况中称为要连接的工件之间的空间。被连接的工件的对置的表面之间的间距可以表示间隙大小。过大的间隙可以是激光加工过程的加工误差。在对头焊接的情况中，间隙在过程前、即在焊接之前被测定，在搭头焊接的情况中，间隙通过通过夹具技术被确定。

激光加工过程的加工结果也可以包括激光加工过程的中间结果、即(也或仅仅)在实施激光加工过程期间存在的特征。加工结果可以特别是包括蒸汽毛细管、也称为“Keyhole(钥匙孔)”和/或熔池。钥匙孔深度可以在此定义为蒸汽毛细管的底部与工件的表面的间距，激光束射入到该表面上。由钥匙孔深度可以推断出焊入深度。

加工结果的物理特性的值可以相应于用于测量加工结果的物理特性而预测的或评估的值。换句话说，对物理特性的值的确定可以视为对物理特性的测量值的预测或评估。物理特性的测量值的所述预测或评估可以替代实际测量进行，即不必进行值的测量。也就是说，借助于传递函数基于传感器数据组对加工结果的物理特性的值的确定可以为此进行，以便预测或评估加工结果的物理特性的测量值。

加工结果的至少一个物理特性可以包括以下至少一个：强度、特别是抗拉强度、抗压强度和/或剪切强度、通过所述激光加工过程建立的焊接连接或钎焊连接、通过所述激光加工过程建立的焊接连接或钎焊连接的导电性、钥匙孔深度、到工件中的焊入深度、通过所述激光加工过程连接的两个工件之间的间隙大小、通过所述激光加工过程切割的工件的切割边缘的粗糙度、通过所述激光加工过程切割的工件的切割边缘的毛刺或毛刺高度、切割前部的陡度和通过所述激光加工过程切割的工件的切割边缘的垂直度。当借助于根据本发明的方法确定或预测切割前部的钥匙孔深度或陡度时，在用于实施激光加工过程的激光加工系统中可以取消单独的测量装置、例如光学相干断层扫描。然而抗压强度的值的确定特别是在对头上连接的工件的情况中是重要的。激光切割时的加工结果可以通过物理特性、例如切割边缘的粗糙度或者切割边缘的毛刺或毛刺高度或者切割边缘的垂直度描述。

物理特性的值能够以物理单位、例如以“SI单位”(国际单位系统)被确定。强度例如能够以牛顿(N)或牛顿每单位面积(N/m2)被确定，焊入深度以μm被确定，间隙大小以μm被确定，并且导电性以Siemens(S，西门)被确定。切割边缘的粗糙度可以例如以单位μm被确定。

也就是说，本发明基于下述构思，借助于神经网络给出加工结果的物理特性的值、即将物理特性量化，其中，神经网络使用至少一个对于激光加工过程检测到的传感器数据组、优选地原始数据作为输入数据组。也就是说，借助于根据本发明的方法能实现，无损坏地确定激光加工过程的加工结果的物理特性的值，而不实施加工结果的值的测量。通过根据本发明的方法可以例如通过回归来定量地给出或测定对于激光加工过程检测到的传感器数据与加工结果的物理特性之间的关系。也就是说，通过根据本发明的方法能实现将物理特性的值配置给加工结果。物理特性可以是加工结果的质量特性，所述质量特性例如可以通过例如关于材料特性的标准或规则被预定。因此可以根据被确定的物理特性的值将加工结果的质量、例如焊接缝或钎焊缝和切割边缘的质量量化或者定量地描述和评估，以便由此给出精确的评估指标用于分析焊接缝或钎焊缝和切割边缘以及相应的激光加工过程。

也就是说，用作用于判断加工质量的可解释的质量特征的物理参量或物理特性根据本发明通过已学习的神经网络的传递函数断定。与加工结果的简单的分类相对地，神经网络的输入数据组不是仅仅被配置等级、例如“好”和“差”，而是被配置加工结果的物理特性的绝对值。也就是说，根据本发明的方法允许作为具有几个等级的分类的扩展的、到物理特性的值、优选地物理测量值的回归。在推理中，对于激光加工过程检测到的传感器数据组可以直接通过传递函数映射出回归结果、即物理特性的值。

至少一个传感器数据组可以包括下述传感器数据，该传感器数据基于优选地在被确定的波长下或者在确定的波长范围内测量激光加工过程的过程辐射。传感器数据组的检测、例如即激光加工过程的过程辐射的测量可以时间分辨地和/或在预定的时间段内进行。传感器数据组可以因此也称为“时间数据序列”。过程辐射可以包括电磁辐射，所述电磁辐射在实施激光加工过程期间从激光束与也称为“工艺区域”或“加工区域”的工件之间的相互作用区域被发射或反射。过程辐射可以包括温度辐射、等离子体辐射和由工件反射的和/或散射回的激光辐射。过程辐射可以此外空间分辨地和/或频率分辨地被测量。

至少一个传感器数据组可以包括下述传感器数据，该传感器数据基于激光加工过程的过程参数、例如激光束的焦点位置、激光束的焦点直径、实施激光加工过程的激光加工系统的激光加工头的位置或类似过程参数的测量。

过程辐射的测量可以包括过程辐射的辐射强度的测量。为此，辐射强度可以在预定的时间段内在至少一个预定的波长范围内和/或在至少一个预定的波长下被测量。对于每个波长范围或者对于每个波长可以分别检测传感器数据组，在该波长范围内或在该波长下测量辐射强度。因此，辐射强度的在预定的时间段内测量到的传感器数据在波长范围内或在波长下形成传感器数据组。此外，辐射强度可以空间分辨地和/或频率分辨地被测量。

过程辐射或由工件的表面发射的或反射的辐射的辐射强度的测量可以包括工件的表面的图像的拍摄。换句话说，传感器数据组可以包括工件的表面或表面的区段的至少一个图像。表面的区段可以包括加工区域。图像可以是灰度值图像。图像可以包括亮度信息和/或色彩信息。

物理特性的值可以还基于至少两个传感器数据组被确定。至少一个物理特性的值可以例如基于至少两个传感器数据组被确定，所述至少两个传感器数据组在同一时间段内由不同的传感器检测。传感器数据组可以分别包含在不同的波长范围内和/或在不同的波长下的过程辐射的传感器数据。替换地，第一传感器数据组可以基于过程辐射的测量，而第二传感器数据组基于至少一个过程参数的测量。通过同时考虑多个传感器数据组可以映射不同的参量。此外，特别是当使用无预处理的端到端处理时，加工结果的确定可以更可靠地并且更迅速地进行。由此可以更可靠地并且更准确地进行激光加工过程的监测。

至少一个传感器数据组可以在实施所述激光加工过程期间和/或在实施所述激光加工过程之后被检测。物理特性的值可以在实施激光加工过程期间或者在结束激光加工过程之后被确定。与此相应地，根据本发明的方法可以设计为过程中方法或过程后方法。物理特性的值可以用于尤其当物理特性的值在实施激光加工过程期间被确定时调节激光加工过程。例如可以激光加工过程这样被调节，以使得减小加工结果或后续的加工结果的物理特性的被确定的值与额定值之间的差。当物理特性是到工件中的焊入深度并且焊入深度的被确定的值偏离焊入深度的额定值时，则可以这样调整激光加工过程，以使得对于下一个激光加工过程减小焊入深度的被确定的值与当前的额定值之间的差。激光加工过程的调节可以包括激光束的焦点位置、焦点直径、激光功率和/或激光加工头的间距的调整。

根据本发明的方法可以在实施激光加工过程期间连续地和/或重复地被实施。换句话说，可以连续地和/或重复地对至少一个传感器数据组进行检测并且对至少一个物理特性的值进行确定。至少一个物理特性的确定可以实时地进行。

物理特性的值可以还基于激光加工过程的至少一个控制数据组被确定。控制数据组可以包括控制数据。控制数据可以由用于控制激光加工过程的上一级控制单元预定。控制数据可以包括过程参数的额定值。控制数据可以至少包括以下之一的数据：激光的输出功率、激光束的焦点位置、激光束的焦点直径、实施激光加工过程的激光加工系统的激光加工头的位置、加工速率、轨迹信号、工件材料和/或工件厚度。轨迹信号可以是激光加工系统的下述控制信号，该控制信号控制激光加工头相对于工件的运动。前述的控制数据可以在激光加工过程期间被检测并且实时地作为控制数据组被提供。控制数据组可以包括在预定的时间段内时间分辨的或与时间相关的控制数据和/或与时间无关的控制数据。

有利的是，包含在不同的数据组、即传感器数据组和/或控制数据组中的数据彼此相应。这会意味着，包含不同的数据组中的数据在同一时间段期间被检测或被记录。此外，这会意味着，数据在预定的时间段内在预定的时间点存在于所检测到的数据组中的每个数据组中。为此，传感器数据和/或控制数据能够以相同的采样频率被检测或被记录。替换地，传感器数据和/或控制数据可以被插值，或者传感器数据和/或控制数据可以被放弃。

传递函数通过已学习的或已训练的神经网络形成。神经网络可以通过误差反馈或反向传播算法来学习。神经网络可以是深度神经网络、例如深度堆叠神经网络或卷积网络。卷积网络可以具有至少一个所谓的“Fully-Connected(全连接)”层。

至少一个传感器数据组可以用作已学习的神经网络的输入数据组。多个检测到的或所记录的数据组可以在此组合成神经网络的输入张量。替换地，每个检测到的数据组可以形成单独的输入张量。在这种情况中，神经网络可以包括用于不同的检测到的数据组的单个网络，所述单个网络通过至少一个共同的输出层被耦合。已学习的神经网络特别是可以设置用于通过传递函数将由不同的检测到的数据组形成的输入张量映射出共同的输出张量。

已学习的神经网络或传递函数可以输出至少一个物理特性的值作为输出张量。神经网络或传递函数也可以同时确定多个物理特性的值并且作为输出张量输出。通过同时量化加工结果的多个物理特性可以更可靠地并且更准确地进行激光加工过程的监测。

已学习的神经网络可以设置用于迁移学习。迁移学习可以基于至少一个训练数据组进行。至少一个训练数据组可以包括改变的激光加工过程的至少一个训练传感器数据组和加工结果的至少一个物理特性的至少一个相应的预定的值。至少一个物理特性的预定值可以通过在被加工的工件上直接测量被确定。至少一个训练数据组还可以包括改变的激光加工过程的训练控制数据组。为了调整或训练神经网络可以使用多个训练数据组。

产生传递函数的神经网络由此可以关于改变的情况或改变的激光加工过程被调整。改变的情况可以例如在于，待加工的工件具有不同的材料、污染程度和/或厚度，或者激光加工的参数被改变。在迁移学习中，用于神经网络的训练或学习所使用的训练数据组可以被补充新的例子。也就是说，设置用于迁移学习的被训练的神经网络的使用具有的优点是，系统可以关于改变的情况、特别是改变的激光加工过程迅速地被调整。

神经网络可以是RNN(“Reccurent Neural Network，递归神经网络”)，包括LSTM层(“long short term memory，长短期记忆网络”)和/或至少一个GRU层(“gated reccurentunits，门控循环单元”)。由此可以改善神经网络的效率。

包含在传感器数据组中的传感器数据可以是未被处理的，即原始数据。传感器数据的映射可以因此借助于传递函数或已学习的神经网络在无数据预处理的情况下进行。在这种情况中进行“end-to-end，端到端”映射，而不预先由传感器数据特征提取、计算或者将其参数化。也就是说，已学习的神经网络可以直接基于原始数据确定至少一个物理特性的值。神经网络的结果神经元则可以直接输出物理特性的值。

根据本发明的一个另外的方面给出一种用于分析激光加工过程的系统，其中，所述系统设置用于实施前述的方法。所述系统包括传感器单元，所述传感器单元设置用于检测激光加工过程的至少一个传感器数据组；和分析单元，所述分析单元设置用于借助于通过已学习的神经网络形成的传递函数来确定物理特性的值。分析单元可以包含通过已学习的神经网络形成的传递函数。

传感器单元可以包括二极管、光电二极管、图像传感器、行扫描传感器、摄像机、光谱仪、多光谱传感器和/或高光谱传感器。

分析单元可以设置用于实时地确定所述值和/或将调节数据输出到实施激光加工过程的激光加工系统。

根据本发明的一个另外的方面给出一种用于借助于激光束加工工件的激光加工系统，其中，激光加工系统包括用于将激光束射入到待加工的工件上的激光加工头和用于分析加工结果的前述的系统。根据本发明的实施方式，激光加工系统也可以称为“被断定的监测系统”。激光加工系统可以是激光焊接系统、激光钎焊系统或激光切割系统。激光加工系统可以包括控制单元。分析单元可以被集成在控制单元中。

也就是说，根据本发明可以给加工结果定量地配置物理参量或物理特性，以确定加工结果的质量。物理特性的配置或定量的确定在此通过过程中和/或过程后系统基于检测到的传感器数据组、例如检测到的过程辐射进行。物理特性的值的确定优选地通过同时考虑多个不同的传感器数据组或不同类型的过程辐射进行。以所述方式更准确地并且更可靠地确定所述值。加工结果的物理特性的值的确定可以基于激光加工过程的原始数据(所谓的“end-to-end，端到端”数据处理)。因此可以取消数据预处理，从而所述方法可以更迅速地并且更容易地进行。

附图说明

下面借助附图具体地描述本发明的实施方式。

图1示出用于借助于激光束加工工件的激光加工系统的示意图和根据本发明的实施方式的用于分析激光加工过程的加工结果的系统。

图2示出根据本发明的实施方式的用于分析激光加工过程的加工结果的方法。

图3示出根据本发明的实施方式的在学习神经网络时的目标函数的图表。

具体实施方式

在下文中只要不另外注明，对于相同的和相同作用的元件使用相同的附图标记。

图1示出根据本公开文件的实施方式的用于借助于激光束加工工件的激光加工系统100的示意图。激光加工系统100设置用于激光加工过程、特别是激光焊接、激光钎焊或激光切割并且实施根据本发明的实施方式的用于分析激光加工过程的加工结果的方法。

激光加工系统100包括激光加工头101、特别是激光钎焊头、激光切割头或激光焊接头以及根据本发明的实施方式的用于分析激光加工过程的加工结果的系统200。激光加工系统100还包括用于控制激光加工系统100的控制单元120。激光加工头101用于提供激光束10(也称为“加工射束”或“加工激光束”)并且可以包含激光束10的光束成形和光束导向的元件(未示出)。在实施激光加工过程时，激光束10指向工件1或射入该工件。在此，工件1的材料被熔化和/或被蒸发，由此例如在焊接或钎焊时形成蒸汽毛细管和围绕蒸汽毛细管的熔池。激光束10与工件1之间的所述相互作用区域也可以称为“加工区域”。

激光加工系统100或者其部分、例如激光加工头101可以根据实施方式沿着加工方向20相对于工件1能运动。替换地或附加地，工件1可以相对于激光加工系统100或相对于其部分反向于加工方向20能运动。加工方向20可以是激光加工系统100、例如激光加工头101相对于工件1的切割方向、焊接方向、钎焊方向和/或运动方向。加工方向20尤其可以是水平方向。加工方向20也可以称为“进给方向”。

用于分析激光加工过程的加工结果的系统200包括用于检测激光加工过程的传感器数据组的传感器单元210。传感器数据组包括下述传感器数据，该传感器数据例如基于过程辐射的测量或者激光加工过程的来自加工区域的过程辐射的辐射强度和由工件的表面发射或反射的辐射的辐射强度的测量。过程辐射可以包括温度辐射、等离子体辐射和反射的或散射回的激光辐射。传感器单元210可以为此包括二极管、光电二极管、行扫描传感器、图像传感器、摄像机、光谱仪、多光谱传感器和/或高光谱传感器。数据可以例如在确定的波长范围内通过图像传感器被空间分辨地检测或者通过二极管被非空间分辨地检测或者通过光谱仪被频率分辨地检测。替换地或附加地，传感器数据组可以包括下述传感器数据，该传感器数据在激光加工过程期间对于一个或多个过程参数、例如对于焦点位置、焦点直径和/或激光加工头101与工件1的间距被检测。传感器单元210可以相应地包括用于检测所述过程参数的传感器、例如电容式或电感式间距传感器、光学相干断层扫描系统等。

用于分析加工结果的系统200包括分析单元220。分析单元220设置用于借助于传递函数基于对于通过激光加工系统100实施的激光加工过程检测到的至少一个传感器数据组来确定至少一个物理特性的值。分析单元220与传感器单元210连接，从而分析单元220可以接收由传感器单元210检测到的传感器数据组。

根据一个实施方式，分析单元220包含根据本发明的实施方式的用于测定物理单元的值的处理器。传递函数典型地被保存在分析单元220的存储器(未示出)中或者实现为电路、例如FPGA。传递函数通过已学习的、即预训练的神经网络形成。至少一个物理特性的值通过使用传递函数基于至少一个传感器数据组被确定。存储器可以设计用于存储另外的数据、例如被确定的值。分析单元220可以与激光加工系统100的控制单元120连接，以便将被确定的值传输到控制单元120。根据一个实施方式，分析单元220与控制单元120组合(未示出)。换句话说，分析单元220的功能性可以与控制单元120的功能性在共同的处理单元中组合。

此外，分析单元220可以设置用于接收激光加工系统100的控制单元120的控制数据并且同样使用控制数据用于确定物理特性的值。控制数据可以例如包括分别在给定的时间点的激光输出功率、加工头101与工件1的表面的额定间距、进给方向和进给速率。

根据实施方式，传感器单元210可以包括图像检测单元211，所述图像检测单元设计用于拍摄工件1的表面和/或激光加工过程的加工区域的图像并且作为传感器数据组传输到分析单元220。根据一个实施方式，图像检测单元211布置在加工头101上或者固定在所述加工头上。图像检测单元211例如可以关于加工方向20在后面布置在加工头101上。图像检测单元211可以与激光束共轴地或者相对于激光束10倾斜地定向。图像检测单元211可以包括例如具有入射Led照明装置的摄像机系统或立体摄像机系统。根据本发明，图像相应于工件表面的区段的二维映像。换句话说，检测到的图像描绘工件表面的二维图像。图像可以在预定的时间段内以预定的速率被拍摄。

此外，控制单元120可以设置用于控制加工头101和/或传感器单元210和/或图像检测单元211。

图2示出根据本发明的实施方式的用于分析激光加工过程的加工结果的方法。所述方法包括以下步骤：检测激光加工过程的至少一个传感器数据组(S1)；和借助于传递函数(S2)基于至少一个传感器数据组确定激光加工过程的加工结果的至少一个物理特性的值，其中，传递函数通过已学习的神经网络形成。关于图1前述的激光加工系统100或前述的用于分析加工结果的系统200设置用于实施图2中所示的方法。

根据实施方式，至少一个传感器数据组包括由激光加工过程的加工区域发射的温度辐射的辐射强度的测量值。根据另外的实施方式，另外的传感器数据组可以被检测并且被使用用于确定物理特性的值。传感器数据组可以例如包括辐射强度在不同的波长下的测量值、例如被发射的等离子体辐射的强度和/或也称为“反射辐射”的被反射的激光辐射的强度的测量值。此外，传感器数据组也可以包括激光加工过程的加工区域的图像。所有所述传感器数据组可以是用于神经网络的输入数据组。附加地，与过程相关的输入量或控制数据、例如预定的激光功率、预定的处理速率、工件材料和/或工件厚度也可以被用作用于神经网络的输入数据组。

根据本发明的实施方式，所研究的物理特是通过激光焊接过程连接的两个工件之间的焊接连接的强度、特别是抗拉强度性，所述物理特性的值通过根据本发明的方法被确定或预测。

为了确定强度的值，前述的数据在预定的时间段内、例如在激光焊接过程的持续时间内以预定的采样速率被检测或被记录。也就是说，传感器数据组的参量与激光焊接过程的采样速率和持续时间相关并且由此也与通过激光焊接过程建立的焊缝的长度相关。由此检测到的传感器数据组也称为“时间数据序列”或“时间序列”并且可以形成神经网络的输入矢量或输入张量。如果过程辐射在不同的波长下或在不同的波长范围内被测量，相应地检测到的传感器数据组可以组合成多维张量。如果图像或图像数据附加地还被检测并且被添加到传感器数据组，则产生更多维的张量。

为了在根据本发明的系统开始运行之前或者在实施根据本发明的方法之前学习、也即“训练”神经网络，生成用于神经网络的示例性的训练数据组。为此实施多个加工过程、例如焊接，并且相应的加工结果的所属的物理特性根据实验被测量。对于每个焊接，在激光加工过程期间对例如温度辐射的强度、被反射的激光辐射的强度和/或等离子体辐射的强度测量并且以至少一个传感器数据组被检测。然后加工结果的至少一个物理特性被测量。加工结果的物理特性优选地在参考测量系统中、例如在传统的用于测定拉力或抗拉强度的系统中被测定。给每个传感器数据组在训练数据组中配置物理特性的相应的测量到的值。

在用于量化抗拉强度的实例中，对于多个焊接过程对被发射的过程辐射、即温度辐射、反射回的激光辐射和等离子体辐射的强度在0.5s的焊接持续时间期间并且以50KHz的采样速率被拍摄必不能且由此形成3x25000维的张量。此外对于每个焊接过程测量拉力的值，在该拉力下所形成的焊缝断裂。测量例如通过参考测量系统进行。使焊缝断裂的拉力被定义为焊缝的抗拉强度。拉力的典型地以牛顿为单位的所述值被配置相应的张量，以产生训练数据组。特别是设计为例如具有由堆叠的层、LSTM层和/或完全联网的层构成的结构的深度神经网络的神经网络然后通过所述训练数据被训练，以便之后预测通过所述焊接过程建立的焊接缝的抗拉强度的值。

也就是说，在训练神经网络时将传感器数据组或时间序列映射出物理特性、例如抗拉强度。通过优化方法、例如反向传播算法将也称为“成本函数”的目标函数最小化。在将目标函数优化为零之后，物理特性的预测值或评估值、例如抗拉强度与测量到的实际值的配置关系形成直线，如同在图3中示出的那样。拉力的每个预测值或评估值在此相应于测量到的实际值。然而因为所述测量总是有误差的，所以图3中所示的曲线极强地被理想化。

在以目标函数的预定量结束训练之后获得下述模型，所述模型包含神经网络和神经网络的参数。所述模型可以根据本发明的实施方式的传递函数。在推理中、即在实施根据本发明的方法时，检测到的传感器数据组通过传递函数映射出回归值或物理特性的值。所述推理由此直接提供所断定的物理特性、在所述情况中为使焊缝断裂的拉力。所述工作方法可以对于可通过在由激光焊接过程建立的焊缝上测量而确定的所有物理特性被实施。为此的前提仅仅是，关于相应物理特性的被预测的测量值的信息包含在来自过程的信号。

即使前面本发明借助焊接过程的实例来说明，本发明也不局限于此。激光加工过程也可以是激光切割过程或激光钎焊过程。也就是说，为了判断激光切割过程也可以根据本发明将相应的物理特性、例如通过所述激光加工过程切割的工件的切割边缘的粗糙度、通过所述激光加工过程切割的工件的切割边缘的毛刺或毛刺高度、切割前部的陡度和通过所述激光加工过程切割的工件的切割边缘的垂直度进行量化，以分析激光切割过程。

根据本公开文件的实施方式的激光加工系统的使用者不必调设参数。神经网络的基本训练在用于分析激光加工过程的系统开始运行之前以训练数据实施，所述训练数据包含之前在现场收集的示例数据和加工结果的所研究的物理特性的配置给该示例数据的值。在激光加工过程的小的改变中可以实施已学习的神经网络的迁移学习。

也就是说，根据本发明，检测到的至少一个传感器数据组到至少一个物理特性的数值的回归可以通过已学习的神经网络进行。传感器数据组可以形成多维矢量，所述多维矢量典型地由例如温度辐射、等离子体辐射和/或被反射的激光辐射的时间序列数据构成，并且直接形成已学习的神经网络的输入张量。也就是说，优选地进行“端到端”映射，而不预先将特征提取、计算或者将其参数化。通过不同地考虑或组合输入数据则可以通过传递函数、即通过已学习的神经网络将不同的物理参量或物理特性量化。已学习的神经网络则直接输出回归结果、即物理特性的值。

通过从一个或多个传感器数据组到至少一个物理特性的值的映射和由此得出的精确的评估指标可以更好地分析激光加工过程并且关于材料波动或环境波动被调整。本发明实现基于在激光加工系统的生产生命周期期间聚集的数据的知识积累并且由此可以在生命过程中提供越来越准确的决策依据。

附图标记列表

工件1

激光束10

加工方向 20

激光加工系统 100

激光加工头 101

控制单元 120

用于分析加工结果的系统200

传感器单元210

图像检测单元211

分析单元220。

Claims (15)

1.一种用于分析激光加工过程的方法，所述方法包括以下步骤：

-检测(S1)所述激光加工过程的至少一个传感器数据组；和

-借助于传递函数基于所述至少一个传感器数据组来确定(S2)所述激光加工过程的加工结果的至少一个物理特性的值，

其中，所述传递函数通过已学习的神经网络形成。

2.根据权利要求1所述的方法，其中，至少一个传感器数据组的检测(S1)基于所述激光加工过程的过程辐射的测量和/或基于所述激光加工过程的至少一个过程参数的测量。

3.根据权利要求2所述的方法，其中，所述至少一个过程参数包括钥匙孔深度、焦点位置、焦点直径和/或实施所述激光加工过程的激光加工头(101)与工件(1)的间距。

4.根据前述权利要求中任一项所述的方法，其中，所述至少一个传感器数据组基于所述激光加工过程的过程辐射的辐射强度的测量和/或包括工件的被加工的表面的图像。

5.根据权利要求4所述的方法，其中，所述辐射强度在预定的时间段内和/或在至少一个预定的波长范围内和/或在至少一个预定的波长下和/或空间分辨地和/或频率分辨地被测量。

6.根据前述权利要求2至5中任一项所述的方法，其中，所述激光加工过程的过程辐射包括温度辐射、等离子体辐射和由工件的表面反射的激光辐射中的至少一个。

7.根据前述权利要求中任一项所述的方法，其中，所述至少一个物理特性的值基于至少两个传感器数据组被确定，所述至少两个传感器数据组在同一时间段内由不同的传感器检测。

8.根据前述权利要求中任一项所述的方法，其中，所述加工结果的物理特性从下述组来选择，所述组包括抗拉强度、抗压强度、导电性、钥匙孔深度、焊入深度、通过所述激光加工过程连接的两个工件之间的间隙的间隙大小、通过所述激光加工过程切割的工件的切割边缘的粗糙度、通过所述激光加工过程切割的工件的切割边缘的毛刺、通过所述激光加工过程切割的工件的切割边缘的毛刺高度、切割前部的陡度和通过所述激光加工过程切割的工件的切割边缘的垂直度。

9.根据前述权利要求中任一项所述的方法，其中，所述至少一个传感器数据组在实施所述激光加工过程期间和/或在实施所述激光加工过程之后被检测，和/或

其中，所述物理特性的值在实施所述激光加工过程期间和/或在结束所述激光加工过程之后被确定。

10.根据前述权利要求中任一项所述的方法，其中，所述物理特性的值还基于激光加工过程的至少一个控制数据组被确定。

11.根据权利要求9或10所述的方法，其中，所述至少一个控制数据组包括激光功率的控制数据、实施所述激光加工过程的激光加工头与工件的间距、焦点位置、焦点直径、轨迹信号、工件材料和/或工件厚度。

12.一种用于分析激光加工过程的系统(200)，其中，所述系统(200)设置用于实施根据前述权利要求中任一项所述的方法，所述系统(200)包括：

-传感器单元(210)，所述传感器单元设置用于检测所述激光加工过程的至少一个传感器数据组；和

-分析单元(220)，所述分析单元设置用于借助于通过已学习的神经网络形成的传递函数来确定至少一个物理特性的值。

13.根据权利要求12所述的系统(200)，其中，所述传感器单元(210)包括二极管、光电二极管、图像传感器、行扫描传感器、摄像机、光谱传感器、多光谱传感器和/或高光谱传感器。

14.根据权利要求12或13中任一项所述的系统(200)，其中，所述分析单元(220)设置用于实时地确定所述至少一个物理特性的值并且将调节数据输出到实施所述激光加工过程的激光加工系统(100)。

15.一种用于借助于激光束加工工件的激光加工系统(100)，其中，所述激光加工系统(100)包括：

-用于将激光束(10)射入到待加工的工件(1)上的激光加工头(101)；和

-根据权利要求12至14中任一项所述的系统(200)。

Images