CN116944700B - 用于激光切割的检测及控制方法和系统 - Google Patents
用于激光切割的检测及控制方法和系统 Download PDFInfo
- Publication number
- CN116944700B CN116944700B CN202311134112.1A CN202311134112A CN116944700B CN 116944700 B CN116944700 B CN 116944700B CN 202311134112 A CN202311134112 A CN 202311134112A CN 116944700 B CN116944700 B CN 116944700B
- Authority
- CN
- China
- Prior art keywords
- data
- cutting
- cut
- parameter
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003698 laser cutting Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000005520 cutting process Methods 0.000 claims abstract description 589
- 239000000463 material Substances 0.000 claims abstract description 496
- 238000004088 simulation Methods 0.000 claims abstract description 52
- 238000013075 data extraction Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 59
- 238000002844 melting Methods 0.000 claims description 45
- 230000008018 melting Effects 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 38
- 239000010421 standard material Substances 0.000 claims description 32
- 238000001816 cooling Methods 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 26
- 238000007637 random forest analysis Methods 0.000 claims description 25
- 239000000203 mixture Substances 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000035772 mutation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 239000004033 plastic Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011545 laboratory measurement Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/36—Removing material
- B23K26/38—Removing material by boring or cutting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/70—Auxiliary operations or equipment
- B23K26/702—Auxiliary equipment
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Laser Beam Processing (AREA)
Abstract
本发明涉及激光切割检测技术领域，尤其涉及一种用于激光切割的检测及控制方法和系统。该方法包括以下步骤：获取待切割材料参数数据；对待切割材料参数数据进行切割材料特性数据提取以及切割需求数据提取，获取切割材料特性数据以及切割需求数据；根据切割需求数据对切割材料特性数据进行激光切割参数生成，从而获取激光切割参数数据；对待切割材料参数数据进行模拟模型构建，获取待切割材料模拟模型，并根据切割需求数据对待切割材料模拟模型进行最小损失切割点选择，获取切割点选择数据；根据激光切割参数数据以及切割点选择数据进行激光切割作业。本发明使得切割过程能够更加精确地适应不同材料的特性，从而提高了切割质量和效率。
Description
技术领域
本发明涉及激光切割检测技术领域，尤其涉及一种用于激光切割的检测及控制方法和系统。
背景技术
用于激光切割的检测及控制方法涉及到在激光切割过程中对切割质量、切割速度和切割精度的参数进行监测和调控，以确保切割过程的稳定性和质量。不同类型的材料在切割过程中表现出不同的特性，需要针对不同材料进行不同的参数调整和控制。而现有的解决方法往往只能解决单一材料的激光切割问题。
发明内容
本发明为解决上述技术问题，提出了一种用于激光切割的检测及控制方法及系统，以解决至少一个上述技术问题。
本申请提供了一种用于激光切割的检测及控制方法，包括以下步骤：
步骤S1：获取待切割材料参数数据；
步骤S2：对待切割材料参数数据进行切割材料特性数据提取以及切割需求数据提取，从而分别获取切割材料特性数据以及切割需求数据；
步骤S3：根据切割需求数据对切割材料特性数据进行激光切割参数生成，从而获取激光切割参数数据；
步骤S4：对待切割材料参数数据进行模拟模型构建，从而获取待切割材料模拟模型，并根据切割需求数据对待切割材料模拟模型进行最小损失切割点选择，从而获取切割点选择数据；
步骤S5：根据激光切割参数数据以及切割点选择数据进行激光切割作业，并实时获取切割检测状态数据，以对激光切割参数数据进行调整作业。
本发明中通过获取待切割材料参数数据，并结合切割材料特性数据和切割需求数据，生成激光切割参数和切割点选择数据。这使得切割过程能够更加精确地适应不同材料的特性，从而提高了切割质量和效率。通过根据切割需求数据对切割材料特性数据进行参数生成，确保激光切割参数在满足切割需求的同时，最大程度地优化切割效果，降低切割过程中的不良情况。通过实时获取切割检测状态数据并进行调整作业，在切割过程中进行动态调整，以适应材料的变化和切割条件的变动，避免潜在的切割问题，并提供更高的生产稳定性。通过模拟模型构建和最小损失切割点选择，可以在切割过程中选择最佳的切割点，减少了材料的浪费，节约了成本。通过从不同来源获取数据，如待切割材料参数、切割需求、模拟模型，可以提高了切割决策的准确性。在考虑材料特性的基础上进行切割参数生成，能够适应不同种类的材料，包括但不限于金属、塑料、陶瓷，从而具备了更广泛的适用性。
优选地，步骤S1具体为：
步骤S11：通过能谱仪对待切割材料数据进行材料成分采集，从而获取待切割材料成分数据；
步骤S12：根据待切割材料成分数据以及预设的待切割材料参数数据集进行切割参数匹配，从而获取初级待切割材料参数数据，其中初级待切割材料参数数据包括待切割材料硬度数据、待切割材料熔点数据、待切割材料导热系数数据；
步骤S13：获取待切割材料外观描述数据以及待切割材料目标数据，并将待切割材料外观描述数据、待切割材料目标数据以及初级待切割材料参数数据进行数据整合，从而获取待切割材料参数数据。
本发明中通过使用能谱仪对待切割材料进行成分采集，可以获得准确的材料成分数据。结合预设的待切割材料参数数据集，实现切割参数与材料成分之间的匹配，确保切割参数与材料的物性相匹配，从而提高切割的精准度和质量。通过根据待切割材料成分数据和预设的待切割材料参数数据集进行匹配，获得初级待切割材料参数数据，其中包括硬度、熔点和导热系数的重要物性参数。这使得生成的切割参数更加适合材料特性，有助于提高切割效率和质量。通过获取待切割材料的外观描述数据和目标数据。将这些信息与初级待切割材料参数数据整合，使得切割参数在综合考虑外观和目标需求的基础上生成，有助于满足客户的特定要求。通过获取多源数据，如成分数据、外观描述数据和目标数据，使得切割参数的生成更加数据驱动。这有助于确保切割参数在实际生产中更加符合材料的实际情况，从而优化切割过程。
优选地，切割材料特性数据包括切割可行性评估数据以及激光最大切割速度数据，切割需求数据包括几何形状处理数据以及尺寸精度数据，步骤S2具体为：
步骤S21：对待切割材料参数数据进行切割可行性评估，从而获取切割可行性评估数据；
步骤S22：确定切割可行性评估数据为不可行切割数据时，则返回至步骤S1；
步骤S23：确定切割可行性评估数据为可行切割数据时，则根据待切割材料成分数据种的材料分布数据对待切割材料参数数据进行材料熔点特征提取以及材料降温特征提取，从而获取材料熔点特征数据以及材料降温特征数据；
步骤S24：对材料熔点特征数据以及材料降温特征数据进行最大切割速度识别计算，从而获取激光最大切割速度数据；
步骤S25：根据待切割材料目标数据对待切割材料外观描述数据进行几何形状处理以及尺寸精度处理，从而获取几何形状处理数据以及尺寸精度数据。
本发明中通过步骤S21中的切割可行性评估，可以在初始阶段就对待切割材料进行评估，判断是否适合进行切割。这有助于避免在后续步骤中浪费时间和资源，提高了生产效率。如果步骤S22中判定切割不可行，返回至步骤S1，可以防止在不适合切割的材料上浪费时间和资源，减少错误切割的风险。在切割可行性评估数据为可行时，通过步骤S23和步骤S24的操作，可以基于材料的熔点特征和降温特征，确定激光最大切割速度数据。这使得切割参数更加精准地适应材料特性，提高切割效率和质量。通过步骤S25中的几何形状处理和尺寸精度处理，方法可以根据待切割材料的目标数据，对外观描述数据进行适应性处理，从而实现定制化切割需求。通过切割可行性评估和参数优化，方法可以避免在不合适的材料上进行切割，从而节约了资源和材料。通过对切割可行性的评估和参数的优化，可以实现切割过程的一致性，避免了因为不合适的切割导致的品质波动。
优选地，步骤S21具体为：
步骤S211：对待切割材料参数数据进行待切割材料属性数据提取，从而获取待切割材料属性数据，其中待切割材料属性数据包括待切割材料硬度数据、待切割材料熔点数据以及待切割材料密度数据；
步骤S212：根据待切割材料属性数据以及预设的历史材料属性参数集进行匹配，从而生成最大切割速度数据以及最小切割厚度数据；
步骤S213：根据待切割材料参数数据中的切割需求数据进行切割要求提取，从而获取切割要求数据，其中切割要求数据包括切割形状数据、切割尺寸精度数据以及切割材料类型数据；
步骤S214：根据最小切割厚度数据以及切割尺寸精度数据生成第一切割可行性评估数据；
步骤S215：根据最大切割速度数据、切割形状数据以及切割材料类型数据生成第二切割可行性评估数据；
步骤S216：获取用户需求数据，并根据用户需求数据对第一切割可行性评估数据以及第二切割可行性评估数据进行二次评估，从而获取切割可行性评估数据。
本发明中通过对待切割材料参数数据进行属性数据提取，获取包括硬度、熔点和密度在内的全面的材料属性数据。这有助于更全面地了解待切割材料的物性特点。通过与预设的历史材料属性参数集进行匹配，方法生成最大切割速度数据和最小切割厚度数据。这样可以根据历史经验调整切割参数，从而实现更优的切割效果。通过根据待切割材料参数数据中的切割需求数据，提取出切割形状、尺寸精度和材料类型的切割要求数据。这有助于明确切割的具体要求和限制。通过生成第一和第二切割可行性评估数据，从不同角度对切割的可行性进行评估。这有助于在切割参数生成之前，对切割过程的可行性进行全面的考量。通过获取用户需求数据，并将其应用于第一和第二切割可行性评估数据，实现了对切割可行性的用户需求的二次评估。这有助于确保切割过程符合用户的实际需求。通过切割可行性评估数据，可以为后续的切割参数生成提供指导。根据最大切割速度、最小切割厚度和切割要求的数据，生成更加适合材料和需求的切割参数，提高切割效率和质量。通过多次的属性匹配和切割可行性评估，方法可以在参数生成前进行多次的预估和验证，减少了试错过程，降低了生产成本和资源浪费。通过对切割要求的详细提取和用户需求的二次评估，可以根据不同客户的定制化需求，生成适合定制化生产的切割参数。
优选地，步骤S24中最大切割速度识别计算通过最大切割速度识别模型进行识别计算，最大切割速度识别模型的构建步骤具体为：
步骤S241：获取标准材料熔点特征数据、标准材料降温特征数据以及对应的标准激光最大切割速度数据；
步骤S242：对标准材料熔点特征数据、标准材料降温特征数据进行特征向量合并，从而获取材料特征向量数据；
步骤S243：对材料特征向量数据进行特征标准化，从而获取材料特征向量标准化数据；
步骤S244：根据材料特征向量标准化数据以及对应的标准激光最大切割速度数据进行随机森林模型构建，从而获取最大切割速度识别模型。
本发明中通过获取标准材料熔点特征数据、降温特征数据和对应的标准激光最大切割速度数据，基于丰富的数据构建最大切割速度识别模型。这样的模型可以准确地预测不同材料的最大切割速度，从而提高切割过程的效率。通过对熔点特征和降温特征的合并，以及对特征向量的标准化，充分利用了多维特征信息。这有助于提高模型的准确性和泛化能力。通过随机森林模型的构建，实现了数据驱动的最大切割速度预测。这有助于更好地适应不同材料的特性和需求，提高切割参数的精确性。随机森林模型通常具有较好的模型解释性，可以分析不同特征在预测中的重要性，更深入地理解材料特性与最大切割速度之间的关系。构建好的最大切割速度识别模型可以在实际切割过程中快速进行预测，从而实现切割参数的及时调整，应对不同材料和切割条件下的变化。通过准确的最大切割速度预测，避免在实际切割中尝试不同参数以寻找最佳的速度。这有助于降低试错成本和资源浪费。通过精准的最大切割速度预测，切割过程可以更加高效地进行，提高生产效率和产量。通过模型的构建，针对不同的材料类型进行最大切割速度预测，实现更好的切割适应性。
优选地，随机森林模型构建通过切割参数随机森林评估计算公式进行构建，其中切割参数随机森林评估计算公式具体为：
Vmax为预测最大切割速度数据，Fnormalized为第i个标准材料特征向量标准化数据，N为特征数量数据，i为特征序次项数据，Fmelt,i为第i个标准材料熔点特征数据，Fcool为第i个标准材料降温特征数据。
本发明构建了一种切割参数随机森林评估计算公式，该计算公式通过输入标准材料特征数据，可以利用该公式预测材料的最大切割速度，从而在切割过程中进行指导和调整。Fnormalized表示特征向量标准化数据，表示对特征数据进行标准化处理，以便在随机森林模型中进行统一的处理。公式中对不同特征数据的组合和标准化有助于将不同特征综合考虑，提高模型的准确性。公式中表示对标准材料熔点特征数据的导数，它影响了特征的重要性权重。通过该权重，模型可以更好地确定哪些特征在预测最大切割速度时起着重要作用。公式中sin(Fcool,i)表示标准材料降温特征数据的正弦值，用以表示降温特征对最大切割速度的影响。降温速率可能影响切割过程中材料的性能，因此将这一因素纳入模型考虑有助于更准确地预测切割速度。本发明考虑了不同特征之间的关系，从而在构建随机森林模型时，更准确地预测最大切割速度，提高切割过程的效率和质量。
优选地，步骤S3具体为：
根据切割需求数据对切割材料特性数据进行材料特性权重处理，从而获取切割材料特性权重数据；
获取历史激光切割参数数据，并根据历史激光切割参数数据对切割材料特性权重数据以及切割材料特性数据进行历史回归计算，从而获取激光切割参数数据。
本发明中通过根据切割需求数据对切割材料特性数据进行材料特性权重处理，根据具体切割需求调整切割材料特性的权重。这有助于生成个性化的切割参数，以适应不同的切割任务。过获取历史激光切割参数数据，利用这些数据进行历史回归计算。这样的计算可以探索历史切割数据与切割材料特性权重之间的关系，从而更好地预测合适的激光切割参数。历史回归计算可以为当前的切割任务提供指导，使得切割材料特性权重数据与历史激光切割参数数据之间形成关联，优化激光切割参数的选择，提高切割的质量和效率。基于历史数据回归，根据切割材料特性权重数据的变化，调整激光切割参数，应对不同材料、不同切割需求下的变化，使切割参数更加适应实际情况。利用历史激光切割参数数据进行回归计算，可以更准确地预测激光切割参数，减少试错过程，提高预测的精确性。
优选地，历史回归计算通过历史多元回归计算公式进行计算生成，其中历史多元回归计算公式具体为：
Y为激光切割参数输出值，α1为材料硬度数据的权重系数，X1为材料硬度数据，α2为材料密度数据的权重系数，X2为材料密度数据，α3为材料热导性数据的权重系数，X3为材料热导性数据，α4为材料厚度数据的权重系数，X4为材料厚度数据，α5为材料特性稳定性数据的权重系数，X5(M)为材料特性稳定性数据，M为材料特性数据。
本发明构建了一种历史多元回归计算公式，公式中的Y代表激光切割参数输出值，通过多个特征的线性组合来预测输出值。不同特征通过其权重系数α和相应的特征数据X进行综合考虑，这有助于考虑不同特征在预测中的贡献。每个特征都有一个权重系数α，这些权重系数可以根据特征的重要性进行调整。通过调整不同特征的权重，公式可以更准确地反映不同特征对激光切割参数的影响。代表切割材料特性X3的平方根，是材料的某种复杂性指标。log2 X4代表切割材料特性X4的自然对数，与材料的某种变化率有关。X5(M代表切割材料特性X5在材料特性数据M趋近正无穷时的极限值，，表示材料的稳定性。将不同的特性通过多元回归结合起来，从而实现精细化的分析切割材料的特性对激光切割参数的影响，从而提高模型的预测准确性。
优选地，待切割材料参数数据包括待切割材料图像数据，步骤S4具体为：
步骤S41：根据切割材料参数数据中的待切割材料外观描述数据进行三维模型构建，从而获取待切割材料三维模型；
步骤S42：根据切割材料参数数据对待切割材料三维模型进行参数描述，从而获取待切割材料模拟模型；
步骤S43：根据切割材料参数数据中的切割材料特性分布数据对切割材料模拟模型进行优化处理，从而获取切割材料优化模拟模型；
步骤S44：根据切割需求数据对待切割材料模拟模型进行切割点选择，从而获取切割点选择数据集；
步骤S45：对切割需求数据进行应用场景预测，从而获取应用场景预测数据；
步骤S46：根据应用场景预测数据对切割点选择数据集进行最优筛选，从而获取切割点选择数据。
本发明中步骤S41通过基于待切割材料外观描述数据进行三维模型构建，能够更准确地模拟材料的形状和结构，为后续步骤提供真实的材料几何信息。步骤S42对待切割材料三维模型进行参数描述，使模型可以用于模拟分析，在虚拟环境中模拟切割过程，预测切割效果，从而在实际切割前进行优化和调整。步骤S43通过利用切割材料特性分布数据对模拟模型进行优化处理，更好地反映材料的真实性能和特性，从而提高模型的准确度。步骤S44根据切割需求数据对待切割材料模拟模型进行切割点选择，可以智能地确定切割点，以满足几何形状、精度的切割要求。步骤S45的应用场景预测考虑了切割后材料可能应用的场景，这有助于更好地选择切割点，使切割结果更符合预期的用途。
优选地，本申请还提供了一种用于激光切割的检测及控制系统，用于执行如上所述的用于激光切割的检测及控制方法，该用于激光切割的检测及控制系统包括：
待切割材料参数数据获取模块，用于获取待切割材料参数数据；
数据提取模块，用于对待切割材料参数数据进行切割材料特性数据提取以及切割需求数据提取，从而分别获取切割材料特性数据以及切割需求数据；
激光切割参数生成模块，用于根据切割需求数据对切割材料特性数据进行激光切割参数生成，从而获取激光切割参数数据；
最小损失切割点选择模块，用于对待切割材料参数数据进行模拟模型构建，从而获取待切割材料模拟模型，并根据切割需求数据对待切割材料模拟模型进行最小损失切割点选择，从而获取切割点选择数据；
激光切割作业控制模块，用于根据激光切割参数数据以及切割点选择数据进行激光切割作业，并实时获取切割检测状态数据，以对激光切割参数数据进行调整作业。
本发明的有益效果在于：待切割材料参数数据中提取关键的切割材料特性数据和切割需求数据，使切割过程更具有针对性和个性化，，切割过程的决策和参数生成基于真实数据，而不是基于经验猜测，从而提高了切割的准确性和效率。将切割需求数据和切割材料特性数据相结合，生成激光切割参数，这种基于数据驱动的参数生成方法，可以更精准地适应不同材料和切割要求，从而获得更好的切割效果。将待切割材料参数数据进行模拟模型构建，并根据切割需求数据进行最小损失切割点选择，这种虚拟的模拟分析和优化能够在实际切割前预测切割效果，降低试错成本，提高切割的成功率。在激光切割作业中实时获取切割检测状态数据，以对激光切割参数进行调整作业，使得切割过程能够动态地根据实际情况进行调整，提高了切割的稳定性和可靠性。本发明通过数据驱动、模拟优化和实时调整，将激光切割过程变得更加精确、高效和智能化，大大提升了切割质量、效率和可控性。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了一实施例的用于激光切割的检测及控制方法的步骤流程图；
图2示出了一实施例的步骤S1的步骤流程图；
图3示出了一实施例的步骤S2的步骤流程图；
图4示出了一实施例的步骤S21的步骤流程图；
图5示出了一实施例的步骤S24的步骤流程图；
图6示出了一实施例的步骤S4的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图6，本申请提供了一种用于激光切割的检测及控制方法，包括以下步骤：
步骤S1：获取待切割材料参数数据；
具体地，例如通过光谱仪等设备，获取待切割材料的成分信息。利用显微镜或高分辨率摄像头获取待切割材料的外观图像。使用激光位移传感器的装置，测量待切割材料的尺寸和形状。
步骤S2：对待切割材料参数数据进行切割材料特性数据提取以及切割需求数据提取，从而分别获取切割材料特性数据以及切割需求数据；
具体地，例如利用图像处理技术，从待切割材料图像中提取出材料的几何形状和尺寸信息。分析待切割材料的成分数据，提取硬度、熔点的物理特性。从用户需求文档中提取切割形状、尺寸精度的切割要求数据。
步骤S3：根据切割需求数据对切割材料特性数据进行激光切割参数生成，从而获取激光切割参数数据；
具体地，例如根据切割需求数据和切割材料特性数据，采用数值优化算法(如遗传算法、粒子群算法)，生成激光切割参数，如功率、速度。如参数设置：从切割需求数据中获取目标切割形状、尺寸精度要求以及切割材料类型。设置算法参数，如种群大小、迭代次数、交叉概率、变异概率。生成初始种群：随机生成一组初始激光切割参数(如功率、速度)的种群。将这些参数应用于切割材料模拟模型，得到相应的性能评价指标，如切割质量、速度。适应度评价：定义适应度函数，将切割质量、速度等性能指标转化为一个评价分数，用于衡量当前参数组的优劣。适应度函数应综合考虑切割要求、材料特性、性能指标的因素。选择操作：根据适应度分数，使用选择操作从当前种群中选择一部分个体作为父代，用于后续的交叉和变异操作。选择操作可以使用轮盘赌选择、锦标赛选择的方法。交叉操作：随机选取一些父代个体，进行交叉操作，生成新的个体。交叉操作可以通过交换部分参数值来产生新的参数组合。变异操作：对新生成的个体进行变异操作，以引入一些随机性。变异可以是对单个参数进行微小调整。变异操作有助于在搜索空间中发现更多的可能解。性能评价：对经过交叉和变异操作后的个体，应用切割材料模拟模型，计算性能指标，如切割质量、速度。使用适应度函数对新生成的个体进行性能评价。迭代更新：将新生成的个体与原始种群合并，形成更新后的种群。根据适应度分数，选择新一代的个体。收敛判断：对种群的适应度进行监测，如果适应度达到满意的水平或者迭代次数达到预设值，停止迭代过程。最终的个体即为最优的激光切割参数组合。
步骤S4：对待切割材料参数数据进行模拟模型构建，从而获取待切割材料模拟模型，并根据切割需求数据对待切割材料模拟模型进行最小损失切割点选择，从而获取切割点选择数据；
具体地，例如基于待切割材料的物理特性数据，建立热传导和热膨胀的数学模型。利用数值模拟软件，对待切割材料模拟切割过程，找到最小损失切割点，如最小热影响区域。
步骤S5：根据激光切割参数数据以及切割点选择数据进行激光切割作业，并实时获取切割检测状态数据，以对激光切割参数数据进行调整作业。
具体地，例如在激光切割设备上设置生成的激光切割参数，开始切割作业。利用实时监控系统，收集切割过程中的温度、功率、速度的状态数据。根据实时监控数据，采用反馈控制算法(如PID控制算法)，对激光切割参数进行实时调整，以保持切割质量和效率。
本发明中通过获取待切割材料参数数据，并结合切割材料特性数据和切割需求数据，生成激光切割参数和切割点选择数据。这使得切割过程能够更加精确地适应不同材料的特性，从而提高了切割质量和效率。通过根据切割需求数据对切割材料特性数据进行参数生成，确保激光切割参数在满足切割需求的同时，最大程度地优化切割效果，降低切割过程中的不良情况。通过实时获取切割检测状态数据并进行调整作业，在切割过程中进行动态调整，以适应材料的变化和切割条件的变动，避免潜在的切割问题，并提供更高的生产稳定性。通过模拟模型构建和最小损失切割点选择，可以在切割过程中选择最佳的切割点，减少了材料的浪费，节约了成本。通过从不同来源获取数据，如待切割材料参数、切割需求、模拟模型，可以提高了切割决策的准确性。在考虑材料特性的基础上进行切割参数生成，能够适应不同种类的材料，包括但不限于金属、塑料、陶瓷，从而具备了更广泛的适用性。
优选地，步骤S1具体为：
步骤S11：通过能谱仪对待切割材料数据进行材料成分采集，从而获取待切割材料成分数据；
具体地，例如使用能谱仪(如X射线能谱仪)对待切割材料进行分析，获取其成分信息。根据能谱仪输出的能量谱数据，通过能谱分析技术确定材料中各种元素的含量。
步骤S12：根据待切割材料成分数据以及预设的待切割材料参数数据集进行切割参数匹配，从而获取初级待切割材料参数数据，其中初级待切割材料参数数据包括待切割材料硬度数据、待切割材料熔点数据、待切割材料导热系数数据；
具体地，例如利用已知的材料成分数据库或文献数据，将待切割材料的成分与相似材料进行对比和匹配。根据匹配结果，获取初级待切割材料参数数据，如硬度、熔点和导热系数。
步骤S13：获取待切割材料外观描述数据以及待切割材料目标数据，并将待切割材料外观描述数据、待切割材料目标数据以及初级待切割材料参数数据进行数据整合，从而获取待切割材料参数数据。
具体地，例如使用高分辨率摄像头或显微镜，捕捉待切割材料的外观特征，如纹理、颜色。根据用户提供的需求，获取待切割材料的目标数据，如切割形状和尺寸要求。将初级待切割材料参数数据、外观描述数据和目标数据整合，形成完整的待切割材料参数数据。
本发明中通过使用能谱仪对待切割材料进行成分采集，可以获得准确的材料成分数据。结合预设的待切割材料参数数据集，实现切割参数与材料成分之间的匹配，确保切割参数与材料的物性相匹配，从而提高切割的精准度和质量。通过根据待切割材料成分数据和预设的待切割材料参数数据集进行匹配，获得初级待切割材料参数数据，其中包括硬度、熔点和导热系数的重要物性参数。这使得生成的切割参数更加适合材料特性，有助于提高切割效率和质量。通过获取待切割材料的外观描述数据和目标数据。将这些信息与初级待切割材料参数数据整合，使得切割参数在综合考虑外观和目标需求的基础上生成，有助于满足客户的特定要求。通过获取多源数据，如成分数据、外观描述数据和目标数据，使得切割参数的生成更加数据驱动。这有助于确保切割参数在实际生产中更加符合材料的实际情况，从而优化切割过程。
优选地，切割材料特性数据包括切割可行性评估数据以及激光最大切割速度数据，切割需求数据包括几何形状处理数据以及尺寸精度数据，步骤S2具体为：
步骤S21：对待切割材料参数数据进行切割可行性评估，从而获取切割可行性评估数据；
具体地，例如使用图像处理技术对待切割材料进行分析，识别可能的缺陷、异物或不均匀区域。利用计算机视觉算法判断材料的表面平整度、均匀性以及是否满足切割条件。
步骤S22：确定切割可行性评估数据为不可行切割数据时，则返回至步骤S1；
具体地，例如若切割可行性评估数据显示切割不可行，系统返回到步骤S1，重新考虑材料选择或调整切割要求。
步骤S23：确定切割可行性评估数据为可行切割数据时，则根据待切割材料成分数据种的材料分布数据对待切割材料参数数据进行材料熔点特征提取以及材料降温特征提取，从而获取材料熔点特征数据以及材料降温特征数据；
具体地，例如基于待切割材料的成分数据，根据已知材料数据库或经验公式提取材料的熔点和降温特征。
步骤S24：对材料熔点特征数据以及材料降温特征数据进行最大切割速度识别计算，从而获取激光最大切割速度数据；
具体地，例如使用数值模拟方法，结合材料熔点和降温特征数据，计算激光在材料上的作用时间，以推导出可能的最大切割速度。
步骤S25：根据待切割材料目标数据对待切割材料外观描述数据进行几何形状处理以及尺寸精度处理，从而获取几何形状处理数据以及尺寸精度数据。
具体地，例如基于待切割材料的目标数据，利用CAD软件或几何处理算法生成切割路径和形状。使用数学计算，根据切割要求和材料特性，计算出切割时的尺寸精度和允许的偏差。
本发明中通过步骤S21中的切割可行性评估，可以在初始阶段就对待切割材料进行评估，判断是否适合进行切割。这有助于避免在后续步骤中浪费时间和资源，提高了生产效率。如果步骤S22中判定切割不可行，返回至步骤S1，可以防止在不适合切割的材料上浪费时间和资源，减少错误切割的风险。在切割可行性评估数据为可行时，通过步骤S23和步骤S24的操作，可以基于材料的熔点特征和降温特征，确定激光最大切割速度数据。这使得切割参数更加精准地适应材料特性，提高切割效率和质量。通过步骤S25中的几何形状处理和尺寸精度处理，方法可以根据待切割材料的目标数据，对外观描述数据进行适应性处理，从而实现定制化切割需求。通过切割可行性评估和参数优化，方法可以避免在不合适的材料上进行切割，从而节约了资源和材料。通过对切割可行性的评估和参数的优化，可以实现切割过程的一致性，避免了因为不合适的切割导致的品质波动。
优选地，步骤S21具体为：
步骤S211：对待切割材料参数数据进行待切割材料属性数据提取，从而获取待切割材料属性数据，其中待切割材料属性数据包括待切割材料硬度数据、待切割材料熔点数据以及待切割材料密度数据；
具体地，例如使用X射线衍射或能谱仪的技术，对待切割材料进行成分分析，获取材料硬度、熔点和密度等属性数据。
步骤S212：根据待切割材料属性数据以及预设的历史材料属性参数集进行匹配，从而生成最大切割速度数据以及最小切割厚度数据；
具体地，例如根据历史数据或已知材料数据库，将待切割材料属性数据与相似材料进行匹配，推导出最大切割速度和最小切割厚度的大致范围。
步骤S213：根据待切割材料参数数据中的切割需求数据进行切割要求提取，从而获取切割要求数据，其中切割要求数据包括切割形状数据、切割尺寸精度数据以及切割材料类型数据；
具体地，例如利用计算机视觉技术，对待切割材料的形状进行识别和提取，获取切割形状数据。使用测量仪器或精密测量设备，测量待切割材料的尺寸，并计算出尺寸精度数据。根据待切割材料的性质，如金属、塑料，获取切割材料类型数据。
步骤S214：根据最小切割厚度数据以及切割尺寸精度数据生成第一切割可行性评估数据；
具体地，例如结合最小切割厚度数据和切割尺寸精度数据，评估材料是否足够薄以及切割尺寸精度是否满足要求。
步骤S215：根据最大切割速度数据、切割形状数据以及切割材料类型数据生成第二切割可行性评估数据；
具体地，例如结合最大切割速度数据、切割形状数据以及切割材料类型数据，评估在特定条件下是否能在允许的时间内完成切割任务。
步骤S216：获取用户需求数据，并根据用户需求数据对第一切割可行性评估数据以及第二切割可行性评估数据进行二次评估，从而获取切割可行性评估数据。
具体地，例如收集用户需求数据，包括对切割速度、精度和材料的具体要求。根据用户需求，综合考虑第一切割可行性评估数据和第二切割可行性评估数据，进行二次评估，得出切割可行性评估数据，以确定是否满足用户要求。
具体地，例如收集用户对切割速度、精度和材料的要求。例如，用户可能要求在特定时间内完成切割任务，同时要求保持一定的切割精度。将用户需求与第一切割可行性评估数据(基于切割材料特性、切割形状的评估结果)和第二切割可行性评估数据(基于时间限制的评估结果)进行对比。根据用户的需求权重，综合考虑两种评估结果，判断切割方案是否满足用户要求。
本发明中通过对待切割材料参数数据进行属性数据提取，获取包括硬度、熔点和密度在内的全面的材料属性数据。这有助于更全面地了解待切割材料的物性特点。通过与预设的历史材料属性参数集进行匹配，方法生成最大切割速度数据和最小切割厚度数据。这样可以根据历史经验调整切割参数，从而实现更优的切割效果。通过根据待切割材料参数数据中的切割需求数据，提取出切割形状、尺寸精度和材料类型的切割要求数据。这有助于明确切割的具体要求和限制。通过生成第一和第二切割可行性评估数据，从不同角度对切割的可行性进行评估。这有助于在切割参数生成之前，对切割过程的可行性进行全面的考量。通过获取用户需求数据，并将其应用于第一和第二切割可行性评估数据，实现了对切割可行性的用户需求的二次评估。这有助于确保切割过程符合用户的实际需求。通过切割可行性评估数据，可以为后续的切割参数生成提供指导。根据最大切割速度、最小切割厚度和切割要求的数据，生成更加适合材料和需求的切割参数，提高切割效率和质量。通过多次的属性匹配和切割可行性评估，方法可以在参数生成前进行多次的预估和验证，减少了试错过程，降低了生产成本和资源浪费。通过对切割要求的详细提取和用户需求的二次评估，可以根据不同客户的定制化需求，生成适合定制化生产的切割参数。
优选地，步骤S24中最大切割速度识别计算通过最大切割速度识别模型进行识别计算，最大切割速度识别模型的构建步骤具体为：
步骤S241：获取标准材料熔点特征数据、标准材料降温特征数据以及对应的标准激光最大切割速度数据；
具体地，例如从材料数据库或实验室测量中获取一系列标准材料的熔点特征数据、降温特征数据以及对应的标准激光最大切割速度数据。
步骤S242：对标准材料熔点特征数据、标准材料降温特征数据进行特征向量合并，从而获取材料特征向量数据；
具体地，例如将每个标准材料的熔点特征数据和降温特征数据合并成一个特征向量，以表示材料的特性。
步骤S243：对材料特征向量数据进行特征标准化，从而获取材料特征向量标准化数据；
具体地，例如对合并后的特征向量进行标准化处理，使每个特征具有相同的尺度，以便于后续模型构建。例如，对特征向量中的每个特征进行零均值化和单位方差化。
步骤S244：根据材料特征向量标准化数据以及对应的标准激光最大切割速度数据进行随机森林模型构建，从而获取最大切割速度识别模型。
具体地，例如使用随机森林算法构建一个模型，将标准材料的特征向量标准化数据作为输入，将对应的标准激光最大切割速度数据作为输出。随机森林是一种集成学习算法，由多个决策树组成，用于进行回归分析或分类任务。如使用收集到的特征向量标准化数据作为训练集的输入，将对应的标准激光最大切割速度数据作为训练集的输出。使用随机森林算法构建一个包含多个决策树的集成模型。每个决策树都在随机子集数据上进行训练，从而减少过拟合风险。每个决策树都对输入的特征进行判断，最终的预测结果由多个决策树的投票或平均得出。
本发明中通过获取标准材料熔点特征数据、降温特征数据和对应的标准激光最大切割速度数据，基于丰富的数据构建最大切割速度识别模型。这样的模型可以准确地预测不同材料的最大切割速度，从而提高切割过程的效率。通过对熔点特征和降温特征的合并，以及对特征向量的标准化，充分利用了多维特征信息。这有助于提高模型的准确性和泛化能力。通过随机森林模型的构建，实现了数据驱动的最大切割速度预测。这有助于更好地适应不同材料的特性和需求，提高切割参数的精确性。随机森林模型通常具有较好的模型解释性，可以分析不同特征在预测中的重要性，更深入地理解材料特性与最大切割速度之间的关系。构建好的最大切割速度识别模型可以在实际切割过程中快速进行预测，从而实现切割参数的及时调整，应对不同材料和切割条件下的变化。通过准确的最大切割速度预测，避免在实际切割中尝试不同参数以寻找最佳的速度。这有助于降低试错成本和资源浪费。通过精准的最大切割速度预测，切割过程可以更加高效地进行，提高生产效率和产量。通过模型的构建，针对不同的材料类型进行最大切割速度预测，实现更好的切割适应性。
优选地，随机森林模型构建通过切割参数随机森林评估计算公式进行构建，其中切割参数随机森林评估计算公式具体为：
Vmax为预测最大切割速度数据，Fnormalized为第i个标准材料特征向量标准化数据，N为特征数量数据，i为特征序次项数据，Fmelt,i为第i个标准材料熔点特征数据，Fcool为第i个标准材料降温特征数据。
本发明构建了一种切割参数随机森林评估计算公式，该计算公式通过输入标准材料特征数据，可以利用该公式预测材料的最大切割速度，从而在切割过程中进行指导和调整。Fnormalized表示特征向量标准化数据，表示对特征数据进行标准化处理，以便在随机森林模型中进行统一的处理。公式中对不同特征数据的组合和标准化有助于将不同特征综合考虑，提高模型的准确性。公式中表示对标准材料熔点特征数据的导数，它影响了特征的重要性权重。通过该权重，模型可以更好地确定哪些特征在预测最大切割速度时起着重要作用。公式中sin(Fcool,i)表示标准材料降温特征数据的正弦值，用以表示降温特征对最大切割速度的影响。降温速率可能影响切割过程中材料的性能，因此将这一因素纳入模型考虑有助于更准确地预测切割速度。本发明考虑了不同特征之间的关系，从而在构建随机森林模型时，更准确地预测最大切割速度，提高切割过程的效率和质量。
优选地，步骤S3具体为：
根据切割需求数据对切割材料特性数据进行材料特性权重处理，从而获取切割材料特性权重数据；
具体地，例如从切割需求数据中获取关于切割任务的信息，如切割要求、材料类型。根据任务的重要性，对切割材料特性进行权重分配。例如，对于某些任务，切割速度可能更重要，而在其他情况下，尺寸精度可能是关键因素。这些权重可以表示为一组权重系数，例如ω_1、ω_2、ω_3，分别对应硬度、熔点和密度的特性。
具体地，例如从历史激光切割作业中获取已知的激光切割参数数据，包括切割速度、功率、焦距。
获取历史激光切割参数数据，并根据历史激光切割参数数据对切割材料特性权重数据以及切割材料特性数据进行历史回归计算，从而获取激光切割参数数据。
具体地，例如使用获取的历史激光切割参数数据和切割材料特性数据，计算历史激光切割作业中的各种材料特性与切割参数之间的关系。一种常见的方法是使用多元线性回归，建立一个回归模型，以预测切割参数(如切割速度)与切割材料特性之间的关系。
本发明中通过根据切割需求数据对切割材料特性数据进行材料特性权重处理，根据具体切割需求调整切割材料特性的权重。这有助于生成个性化的切割参数，以适应不同的切割任务。过获取历史激光切割参数数据，利用这些数据进行历史回归计算。这样的计算可以探索历史切割数据与切割材料特性权重之间的关系，从而更好地预测合适的激光切割参数。历史回归计算可以为当前的切割任务提供指导，使得切割材料特性权重数据与历史激光切割参数数据之间形成关联，优化激光切割参数的选择，提高切割的质量和效率。基于历史数据回归，根据切割材料特性权重数据的变化，调整激光切割参数，应对不同材料、不同切割需求下的变化，使切割参数更加适应实际情况。利用历史激光切割参数数据进行回归计算，可以更准确地预测激光切割参数，减少试错过程，提高预测的精确性。
优选地，历史回归计算通过历史多元回归计算公式进行计算生成，其中历史多元回归计算公式具体为：
Y为激光切割参数输出值，α1为材料硬度数据的权重系数，X1为材料硬度数据，α2为材料密度数据的权重系数，X2为材料密度数据，α3为材料热导性数据的权重系数，X3为材料热导性数据，α4为材料厚度数据的权重系数，X4为材料厚度数据，α5为材料特性稳定性数据的权重系数，X5(M)为材料特性稳定性数据，M为材料特性数据。
本发明构建了一种历史多元回归计算公式，公式中的Y代表激光切割参数输出值，通过多个特征的线性组合来预测输出值。不同特征通过其权重系数α和相应的特征数据X进行综合考虑，这有助于考虑不同特征在预测中的贡献。每个特征都有一个权重系数α，这些权重系数可以根据特征的重要性进行调整。通过调整不同特征的权重，公式可以更准确地反映不同特征对激光切割参数的影响。代表切割材料特性X3的平方根，是材料的某种复杂性指标。log2 X4代表切割材料特性X4的自然对数，与材料的某种变化率有关。X5(M代表切割材料特性X5在材料特性数据M趋近正无穷时的极限值，，表示材料的稳定性。将不同的特性通过多元回归结合起来，从而实现精细化的分析切割材料的特性对激光切割参数的影响，从而提高模型的预测准确性。
优选地，待切割材料参数数据包括待切割材料图像数据，步骤S4具体为：
步骤S41：根据切割材料参数数据中的待切割材料外观描述数据进行三维模型构建，从而获取待切割材料三维模型；
具体地，例如根据待切割材料参数数据中的待切割材料外观描述数据，使用计算机辅助设计(CAD)软件或其他相关工具，构建待切割材料的三维模型。使用图像处理技术将待切割材料图像数据转化为几何形状，创建精确的三维模型。
步骤S42：根据切割材料参数数据对待切割材料三维模型进行参数描述，从而获取待切割材料模拟模型；
具体地，例如根据切割材料参数数据，对待切割材料三维模型进行参数描述。这可能包括模型的尺寸、形状、边界条件。使用数值模拟软件，如有限元分析软件(如ANSYS、COMSOL)，根据参数描述构建待切割材料的模拟模型。
步骤S43：根据切割材料参数数据中的切割材料特性分布数据对切割材料模拟模型进行优化处理，从而获取切割材料优化模拟模型；
具体地，例如根据切割材料参数数据中的切割材料特性分布数据，可能包括硬度、熔点，将这些特性分布应用到模拟模型中。在模拟模型中考虑材料的非均匀性，进行优化处理，以更真实地模拟切割过程中的材料行为。
步骤S44：根据切割需求数据对待切割材料模拟模型进行切割点选择，从而获取切割点选择数据集；
具体地，例如根据切割需求数据，对待切割材料模拟模型进行切割点选择。这可能涉及到切割形状、位置等参数的设置。可以使用数值模拟、优化算法的方法，寻找最佳的切割点，以满足切割要求。
步骤S45：对切割需求数据进行应用场景预测，从而获取应用场景预测数据；
具体地，例如根据切割需求数据，考虑切割后的材料在实际应用中可能的使用情境。例如，切割后的零件在装配过程中的适配性、稳定性。使用预测模型或者基于历史数据的方法，进行应用场景的预测。
步骤S46：根据应用场景预测数据对切割点选择数据集进行最优筛选，从而获取切割点选择数据。
具体地，例如结合应用场景预测数据，对切割点选择数据集进行最优筛选。根据不同应用场景的需求，可能会有不同的权衡和选择标准。
具体地，例如数据收集与整合：收集应用场景预测数据，包括切割任务的要求、优先级、时间限制。将之前的切割点选择数据集与应用场景预测数据进行整合，以便在考虑应用场景需求的基础上进行筛选。筛选标准制定：根据不同应用场景的需求，制定切割点筛选的标准。这些标准可以包括切割精度、切割速度、切割质量的方面的要求。切割点筛选：根据制定的标准，对切割点选择数据集进行筛选。可能会使用权重或评分来衡量不同标准的重要性。
利用应用场景预测数据对每个切割点进行评估，根据标准进行排序或筛选。最优筛选结果：根据筛选后的结果，确定在特定应用场景下的最优切割点选择。这些切割点选择将更符合应用场景的要求和优先级。
本发明中步骤S41通过基于待切割材料外观描述数据进行三维模型构建，能够更准确地模拟材料的形状和结构，为后续步骤提供真实的材料几何信息。步骤S42对待切割材料三维模型进行参数描述，使模型可以用于模拟分析，在虚拟环境中模拟切割过程，预测切割效果，从而在实际切割前进行优化和调整。步骤S43通过利用切割材料特性分布数据对模拟模型进行优化处理，更好地反映材料的真实性能和特性，从而提高模型的准确度。步骤S44根据切割需求数据对待切割材料模拟模型进行切割点选择，可以智能地确定切割点，以满足几何形状、精度的切割要求。步骤S45的应用场景预测考虑了切割后材料可能应用的场景，这有助于更好地选择切割点，使切割结果更符合预期的用途。
优选地，本申请还提供了一种用于激光切割的检测及控制系统，用于执行如上所述的用于激光切割的检测及控制方法，该用于激光切割的检测及控制系统包括：
待切割材料参数数据获取模块，用于获取待切割材料参数数据；
数据提取模块，用于对待切割材料参数数据进行切割材料特性数据提取以及切割需求数据提取，从而分别获取切割材料特性数据以及切割需求数据；
激光切割参数生成模块，用于根据切割需求数据对切割材料特性数据进行激光切割参数生成，从而获取激光切割参数数据；
最小损失切割点选择模块，用于对待切割材料参数数据进行模拟模型构建，从而获取待切割材料模拟模型，并根据切割需求数据对待切割材料模拟模型进行最小损失切割点选择，从而获取切割点选择数据；
激光切割作业控制模块，用于根据激光切割参数数据以及切割点选择数据进行激光切割作业，并实时获取切割检测状态数据，以对激光切割参数数据进行调整作业。
本发明的有益效果在于：待切割材料参数数据中提取关键的切割材料特性数据和切割需求数据，使切割过程更具有针对性和个性化，，切割过程的决策和参数生成基于真实数据，而不是基于经验猜测，从而提高了切割的准确性和效率。将切割需求数据和切割材料特性数据相结合，生成激光切割参数，这种基于数据驱动的参数生成方法，可以更精准地适应不同材料和切割要求，从而获得更好的切割效果。将待切割材料参数数据进行模拟模型构建，并根据切割需求数据进行最小损失切割点选择，这种虚拟的模拟分析和优化能够在实际切割前预测切割效果，降低试错成本，提高切割的成功率。在激光切割作业中实时获取切割检测状态数据，以对激光切割参数进行调整作业，使得切割过程能够动态地根据实际情况进行调整，提高了切割的稳定性和可靠性。本发明通过数据驱动、模拟优化和实时调整，将激光切割过程变得更加精确、高效和智能化，大大提升了切割质量、效率和可控性。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附申请文件而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种用于激光切割的检测及控制方法，其特征在于，包括以下步骤：
步骤S1：获取待切割材料参数数据；
步骤S2：对待切割材料参数数据进行切割材料特性数据提取以及切割需求数据提取，从而分别获取切割材料特性数据以及切割需求数据；其中，步骤S2具体为：
步骤S21：对待切割材料参数数据进行切割可行性评估，从而获取切割可行性评估数据；其中，步骤S21具体为：
步骤S211：对待切割材料参数数据进行待切割材料属性数据提取，从而获取待切割材料属性数据，其中待切割材料属性数据包括待切割材料硬度数据、待切割材料熔点数据以及待切割材料密度数据；
步骤S212：根据待切割材料属性数据以及预设的历史材料属性参数集进行匹配，从而生成最大切割速度数据以及最小切割厚度数据；
步骤S213：根据待切割材料参数数据中的切割需求数据进行切割要求提取，从而获取切割要求数据，其中切割要求数据包括切割形状数据、切割尺寸精度数据以及切割材料类型数据；
步骤S214：根据最小切割厚度数据以及切割尺寸精度数据生成第一切割可行性评估数据；
步骤S215：根据最大切割速度数据、切割形状数据以及切割材料类型数据生成第二切割可行性评估数据；
步骤S216：获取用户需求数据，并根据用户需求数据对第一切割可行性评估数据以及第二切割可行性评估数据进行二次评估，从而获取切割可行性评估数据；
步骤S22：确定切割可行性评估数据为不可行切割数据时，则返回至步骤S1；
步骤S23：确定切割可行性评估数据为可行切割数据时，则根据待切割材料成分数据种的材料分布数据对待切割材料参数数据进行材料熔点特征提取以及材料降温特征提取，从而获取材料熔点特征数据以及材料降温特征数据；
步骤S24：对材料熔点特征数据以及材料降温特征数据进行最大切割速度识别计算，从而获取激光最大切割速度数据；
步骤S25：根据待切割材料目标数据对待切割材料外观描述数据进行几何形状处理以及尺寸精度处理，从而获取几何形状处理数据以及尺寸精度数据；
步骤S3：根据切割需求数据对切割材料特性数据进行激光切割参数生成，从而获取激光切割参数数据；
步骤S4：对待切割材料参数数据进行模拟模型构建，从而获取待切割材料模拟模型，并根据切割需求数据对待切割材料模拟模型进行最小损失切割点选择，从而获取切割点选择数据；
步骤S5：根据激光切割参数数据以及切割点选择数据进行激光切割作业，并实时获取切割检测状态数据，以对激光切割参数数据进行调整作业。
2.根据权利要求1所述的用于激光切割的检测及控制方法，其特征在于，步骤S1具体为：
步骤S11：通过能谱仪对待切割材料数据进行材料成分采集，从而获取待切割材料成分数据；
步骤S12：根据待切割材料成分数据以及预设的待切割材料参数数据集进行切割参数匹配，从而获取初级待切割材料参数数据，其中初级待切割材料参数数据包括待切割材料硬度数据、待切割材料熔点数据、待切割材料导热系数数据；
步骤S13：获取待切割材料外观描述数据以及待切割材料目标数据，并将待切割材料外观描述数据、待切割材料目标数据以及初级待切割材料参数数据进行数据整合，从而获取待切割材料参数数据。
3.根据权利要求1所述的用于激光切割的检测及控制方法，其特征在于，步骤S24中最大切割速度识别计算通过最大切割速度识别模型进行识别计算，最大切割速度识别模型的构建步骤具体为：
步骤S241：获取标准材料熔点特征数据、标准材料降温特征数据以及对应的标准激光最大切割速度数据；
步骤S242：对标准材料熔点特征数据、标准材料降温特征数据进行特征向量合并，从而获取材料特征向量数据；
步骤S243：对材料特征向量数据进行特征标准化，从而获取材料特征向量标准化数据；
步骤S244：根据材料特征向量标准化数据以及对应的标准激光最大切割速度数据进行随机森林模型构建，从而获取最大切割速度识别模型。
4.根据权利要求3所述的用于激光切割的检测及控制方法，其特征在于，随机森林模型构建通过切割参数随机森林评估计算公式进行构建，其中切割参数随机森林评估计算公式具体为：
；
为预测最大切割速度数据，/>为第/>个标准材料特征向量标准化数据，/>为特征数量数据，/>为特征序次项数据，/>为第/>个标准材料熔点特征数据，/>为第/>个标准材料降温特征数据。
5.根据权利要求1所述的用于激光切割的检测及控制方法，其特征在于，步骤S3具体为：
根据切割需求数据对切割材料特性数据进行材料特性权重处理，从而获取切割材料特性权重数据；
获取历史激光切割参数数据，并根据历史激光切割参数数据对切割材料特性权重数据以及切割材料特性数据进行历史回归计算，从而获取激光切割参数数据。
6.根据权利要求5所述的用于激光切割的检测及控制方法，其特征在于，历史回归计算通过历史多元回归计算公式进行计算生成，其中历史多元回归计算公式具体为：
;
为激光切割参数输出值，/>为材料硬度数据的权重系数，/>为材料硬度数据，/>为材料密度数据的权重系数，/>为材料密度数据，/>为材料热导性数据的权重系数，/>为材料热导性数据，/>为材料厚度数据的权重系数，/>为材料厚度数据，/>为材料特性稳定性数据的权重系数，/>为材料特性稳定性数据，/>为材料特性数据。
7.根据权利要求1所述的用于激光切割的检测及控制方法，其特征在于，待切割材料参数数据包括待切割材料图像数据，步骤S4具体为：
步骤S41：根据切割材料参数数据中的待切割材料外观描述数据进行三维模型构建，从而获取待切割材料三维模型；
步骤S42：根据切割材料参数数据对待切割材料三维模型进行参数描述，从而获取待切割材料模拟模型；
步骤S43：根据切割材料参数数据中的切割材料特性分布数据对切割材料模拟模型进行优化处理，从而获取切割材料优化模拟模型；
步骤S44：根据切割需求数据对待切割材料模拟模型进行切割点选择，从而获取切割点选择数据集；
步骤S45：对切割需求数据进行应用场景预测，从而获取应用场景预测数据；
步骤S46：根据应用场景预测数据对切割点选择数据集进行最优筛选，从而获取切割点选择数据。
8.一种用于激光切割的检测及控制系统，其特征在于，用于执行如权利要求1所述的用于激光切割的检测及控制方法，该用于激光切割的检测及控制系统包括：
待切割材料参数数据获取模块，用于获取待切割材料参数数据；
数据提取模块，用于对待切割材料参数数据进行切割材料特性数据提取以及切割需求数据提取，从而分别获取切割材料特性数据以及切割需求数据；
激光切割参数生成模块，用于根据切割需求数据对切割材料特性数据进行激光切割参数生成，从而获取激光切割参数数据；
最小损失切割点选择模块，用于对待切割材料参数数据进行模拟模型构建，从而获取待切割材料模拟模型，并根据切割需求数据对待切割材料模拟模型进行最小损失切割点选择，从而获取切割点选择数据；
激光切割作业控制模块，用于根据激光切割参数数据以及切割点选择数据进行激光切割作业，并实时获取切割检测状态数据，以对激光切割参数数据进行调整作业。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311134112.1A CN116944700B (zh) | 2023-08-31 | 2023-08-31 | 用于激光切割的检测及控制方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311134112.1A CN116944700B (zh) | 2023-08-31 | 2023-08-31 | 用于激光切割的检测及控制方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116944700A CN116944700A (zh) | 2023-10-27 |
| CN116944700B true CN116944700B (zh) | 2024-02-09 |
Family
ID=88447649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311134112.1A Active CN116944700B (zh) | 2023-08-31 | 2023-08-31 | 用于激光切割的检测及控制方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116944700B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117140757B (zh) * | 2023-10-30 | 2023-12-29 | 江苏盟星智能科技有限公司 | 用于半导体生产的切割控制方法及系统 |
| CN117583946B (zh) * | 2023-12-01 | 2024-08-02 | 浙江晨业金属科技有限公司 | 一种不锈钢法兰的智能切断装置及切断方法 |
| CN117900725B (zh) * | 2024-03-14 | 2024-06-11 | 深圳市艾雷激光科技有限公司 | 智能焊接机运行控制方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108857093A (zh) * | 2018-07-24 | 2018-11-23 | 湖北三江航天红阳机电有限公司 | 利用机器人激光切割的方法及装置 |
| CN112975164A (zh) * | 2021-04-29 | 2021-06-18 | 湖南大捷智能装备有限公司 | 一种激光切割方法及激光切割平台 |
| CN114799495A (zh) * | 2021-12-28 | 2022-07-29 | 华中科技大学 | 一种激光切割的控制方法及相关装置 |
| CN115453980A (zh) * | 2022-09-16 | 2022-12-09 | 广东宏石激光技术股份有限公司 | 一种激光切割性能的智能反馈闭环系统和智能反馈方法 |
| CN116213962A (zh) * | 2023-05-10 | 2023-06-06 | 杭州乾瑭云科技有限公司 | 一种基于状态预测的金属板材切割控制方法及系统 |
| CN116532825A (zh) * | 2023-05-29 | 2023-08-04 | 西安交通大学 | 一种激光制孔过程监测和调控组合防护方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6670961B1 (ja) * | 2019-02-27 | 2020-03-25 | 株式会社アマダホールディングス | 加工見積もり装置、加工見積もり方法、及び加工見積もりプログラム |
-
2023
- 2023-08-31 CN CN202311134112.1A patent/CN116944700B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108857093A (zh) * | 2018-07-24 | 2018-11-23 | 湖北三江航天红阳机电有限公司 | 利用机器人激光切割的方法及装置 |
| CN112975164A (zh) * | 2021-04-29 | 2021-06-18 | 湖南大捷智能装备有限公司 | 一种激光切割方法及激光切割平台 |
| CN114799495A (zh) * | 2021-12-28 | 2022-07-29 | 华中科技大学 | 一种激光切割的控制方法及相关装置 |
| CN115453980A (zh) * | 2022-09-16 | 2022-12-09 | 广东宏石激光技术股份有限公司 | 一种激光切割性能的智能反馈闭环系统和智能反馈方法 |
| CN116213962A (zh) * | 2023-05-10 | 2023-06-06 | 杭州乾瑭云科技有限公司 | 一种基于状态预测的金属板材切割控制方法及系统 |
| CN116532825A (zh) * | 2023-05-29 | 2023-08-04 | 西安交通大学 | 一种激光制孔过程监测和调控组合防护方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116944700A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116944700B (zh) | 用于激光切割的检测及控制方法和系统 | |
| CN112581263A (zh) | 一种基于灰狼算法优化广义回归神经网络的信用评估方法 | |
| CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
| CN110428270A (zh) | 基于逻辑回归算法的渠道潜在偏好客户识别方法 | |
| CN111815054A (zh) | 基于大数据的工业蒸汽热网短期负荷预测方法 | |
| CN110163429A (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
| JP7411977B2 (ja) | 機械学習支援方法及び機械学習支援装置 | |
| CN113537807A (zh) | 一种企业智慧风控方法及设备 | |
| CN114881101B (zh) | 一种基于仿生搜索的电力系统典型场景关联特征选择方法 | |
| CN117475806B (zh) | 基于多维传感数据反馈的显示屏自适应响应方法及其装置 | |
| CN115829683A (zh) | 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统 | |
| CN117436295A (zh) | 基于数字孪生的物料监测与3d仿真系统及方法 | |
| CN117574176B (zh) | 一种bipv光伏玻璃生产工艺优化方法 | |
| CN117763316A (zh) | 一种基于机器学习的高维数据降维方法及降维系统 | |
| CN117348525A (zh) | 一种基于ug软件的模具2d加工评估方法及系统 | |
| CN113435101A (zh) | 一种基于粒子群优化的支持向量机停电预测方法 | |
| CN112241832A (zh) | 一种产品质量分级评价标准设计方法及系统 | |
| CN117436334A (zh) | 一种油浸式电力变压器温度场的仿真方法及系统 | |
| CN114626655A (zh) | 一种区域综合能源系统多标准综合评价方法 | |
| CN116738214A (zh) | 一种基于高阶张量的数据降维预处理方法 | |
| CN108388673B (zh) | 一种用于经济管理分析数据的计算机系统 | |
| CN112506930B (zh) | 一种基于机器学习技术的数据洞察系统 | |
| Gumelar et al. | NFT coin price prediction (non-fungible token) using K-nearest neighbors method | |
| Torres et al. | Efficiency and Reliability Enhancement of High Pressure Die Casting Process Through a Digital Twin. | |
| CN118627867B (zh) | 基于人工智能的产品配方物料管理方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |