WO2010057662A1 - Verfahren und vorrichtung zur überwachung eines an einem werkstück durchzuführenden laserbearbeitungsvorgangs sowie laserbearbeitungskopf mit einer derartigen vorrichtung - Google Patents

Verfahren und vorrichtung zur überwachung eines an einem werkstück durchzuführenden laserbearbeitungsvorgangs sowie laserbearbeitungskopf mit einer derartigen vorrichtung Download PDF

Info

Publication number
WO2010057662A1
WO2010057662A1 PCT/EP2009/008294 EP2009008294W WO2010057662A1 WO 2010057662 A1 WO2010057662 A1 WO 2010057662A1 EP 2009008294 W EP2009008294 W EP 2009008294W WO 2010057662 A1 WO2010057662 A1 WO 2010057662A1
Authority
WO
WIPO (PCT)
Prior art keywords
current
characteristic
control
camera
laser processing
Prior art date
Application number
PCT/EP2009/008294
Other languages
English (en)
French (fr)
Inventor
Ingo Stork Genannt Wersborg
Original Assignee
Precitec Kg
Precitec Itm Gmbh
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from DE200810058422 external-priority patent/DE102008058422A1/de
Priority to CA2743522A priority Critical patent/CA2743522C/en
Priority to MX2011005336A priority patent/MX2011005336A/es
Priority to EP09760110.8A priority patent/EP2365890B1/de
Priority to KR1020117014139A priority patent/KR101700896B1/ko
Priority to RU2011125341/02A priority patent/RU2529136C2/ru
Application filed by Precitec Kg, Precitec Itm Gmbh filed Critical Precitec Kg
Priority to CN200980155381.8A priority patent/CN102292187B/zh
Priority to US13/130,499 priority patent/US9056368B2/en
Priority to JP2011536789A priority patent/JP5763542B2/ja
Priority to BRPI0921512A priority patent/BRPI0921512A2/pt
Publication of WO2010057662A1 publication Critical patent/WO2010057662A1/de
Priority to ZA2011/04525A priority patent/ZA201104525B/en

Links

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
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/04—Automatically aligning, aiming or focusing the laser beam, e.g. using the back-scattered light
    • B23K26/046—Automatically focusing the laser beam
    • 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
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • 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
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • 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
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/04—Automatically aligning, aiming or focusing the laser beam, e.g. using the back-scattered light

Definitions

  • the invention relates to a method and a device for monitoring a laser processing operation to be performed on a workpiece as well as to a laser processing head with such a device.
  • process monitoring systems and sensors are used both in a laser cutting process and in a laser welding process.
  • sensors are used to detect the radiation coming from a working or interaction zone determined by the working focus.
  • Radiation sensors for observing a plasma forming above the interaction zone and a back-reflection sensor are provided as standard and detect the reflection of the laser from the interaction zone between the laser beam and a workpiece to be machined.
  • temperature sensors or infrared sensors are used to monitor the laser processing operation, by which an edge melting and the temperature profile during processing can be monitored.
  • the laser processing operation is further monitored by cameras, which may also be sensitive in predetermined wavelength ranges. Due to the image processing of the images taken by the cameras, characteristic values for monitoring the laser processing process, such as parameters with regard to the melted workpiece area, can likewise be obtained.
  • the first objective of the monitoring systems is to first classify the processing quality according to the process specification.
  • the second goal is to improve the processing quality by controlling and regulating the processes.
  • the sensors and cameras used for process monitoring are used by means of the acquired Sensor data and using methods of image processing and data analysis to perform a classification of the current state of the machining process.
  • the processes used are individually adjusted to the machining processes.
  • the current machining process is classified as insufficient, with appropriate control mechanisms being used to remedy this condition.
  • the regulation of the process parameters with respect to the recorded sensor data relates only to the respective measurement data of the corresponding sensors.
  • An object of the present invention is to provide a method and apparatus for monitoring a laser processing operation to be performed on a workpiece by which the classification of a laser processing state and thereby the processing quality of a laser processing operation to be performed on a workpiece are improved.
  • a method for monitoring, controlling or regulating a laser processing operation to be carried out on a workpiece comprising the following steps: detecting at least two current measured values by means of at least one sensor monitoring the laser processing operation, determining at least two current characteristic values from the at least two current measured values, wherein the at least two current characteristic values jointly represent a current fingerprint in a characteristic space, providing a predetermined point quantity in the characteristic value space, and classifying the laser processing operation by detecting the position of the current fingerprint relative to the predetermined point quantity in the characteristic value space
  • the at least one sensor comprises at least one camera unit which records camera images with different exposure times and computes them with each other via a high dynamic range (HDR) method in order to be up-to-date All measurements provide high contrast images.
  • HDR high dynamic range
  • the camera images are expediently recorded by multiple scanning of an imaging sensor of the camera unit, by simultaneous image acquisition with multiple cameras or by sequential image acquisition with a camera with different exposure times.
  • the billing of the recorded camera images by the at least one camera unit is carried out according to the invention by means of a weighting method based on an entropy method or on the basis of a camera response function.
  • the camera images to be billed are recorded by means of a leading camera before the laser processing process, a camera which images the laser processing zone, and / or a trailing camera after the laser processing process.
  • the method according to the invention additionally comprises a step of controlling at least one process parameter an associated actuator such that when leaving the current fingerprint from the point set of the characteristic space, the at least one actuator is activated so that the change of the associated Sawpara- meters corresponds to a gradient in Kennwertraum, starting from the fingerprint in the direction of the predetermined Point set in characteristic space extends.
  • the determination of a current characteristic value from at least one current measured value involves a method for data reduction or
  • Ie Scaling, Support Vector Machines or a Support Vector Classifica- includes. Due to the dimensional reduction of the sensor data, it is possible that due to the reduced amount of data the classification can be done much faster by a computer, whereby, for example, a fast control of a laser processing operation can be performed.
  • the predetermined amount of points within the characteristic space is determined by means of a learning process.
  • the gradient field of the characteristic space is determined as a function of the process parameters in different areas at the points in the characteristic space which are representative of the gradient with respect to the gradient, the gradient of the characteristic space depending on a process parameter a variation of the process parameter at a predetermined location of the characteristic value space is determined.
  • the at least one sensor is selected from a group which comprises at least one photodiode with filters for specific wavelengths, body and airborne sound pickups, and at least one camera unit with a corresponding surface illumination includes.
  • the at least one actuator is selected from a group which controls the laser power, a speed control of the machining head relative to the workpiece, a control of the focus position of the machining laser beam, a control of the distance of the Machining head to the workpiece, and a control of the lateral offset comprises.
  • an apparatus for carrying out the method according to the invention which has at least one sensor for monitoring the laser processing operation, which is suitable for detecting at least two current measured values, a data processing unit for determining at least two characteristic values from the at least two current measured values for creating a current one Fingerprint in a characteristic space, a storage unit for storing a predetermined amount of points within the characteristic space, and a classification unit, which is suitable for evaluating the laser processing operation by detecting the position of the current fingerprint relative to the predetermined set amount in the characteristic space.
  • the device further comprises a control unit for controlling at least one process parameter of an associated actuator such that when leaving the current fingerprint from the point set of the characteristic space the at least one actuator is activated so that the change of the associated process parameter corresponds to a gradient in the characteristic space, which extends from the fingerprint in the direction of the predetermined point amount.
  • the at least one sensor is selected from a group which comprises at least one photodiode with filters for specific wavelengths, body and airborne sound pickups, and at least one camera unit with a corresponding surface illumination.
  • the at least one actuator is selected from a group comprising laser power control, speed control of the machining head relative to the workpiece, control of the focus position of the machining laser beam, control of the distance of the machining head to the workpiece, and lateral offset control.
  • a laser processing head for processing a workpiece by means of a laser beam is provided according to the invention, which comprises the device according to the invention.
  • the invention will be explained in more detail below, for example, with reference to the drawing. Show it:
  • FIG. 1 shows a flowchart with the essential components of the machining process of a workpiece according to the method according to the invention
  • FIG. 2 shows an overview of the sensors used in the method according to the invention for monitoring and detecting the laser processing process
  • FIG. 3 shows a greatly simplified schematic view of the components used in a machining process according to the invention
  • FIG. 4A shows a greatly simplified schematic view of part of the actuators used in the method according to the invention in a laser beam welding process
  • FIG. 4B shows a greatly simplified schematic view of part of the actuators used in the method according to the invention in a laser-cutting process
  • FIG. 5A shows a flowchart of the generation of a fingerprint according to the method according to the invention using linear as well as non-linear dimension reducers
  • FIG. 5B shows a flow chart of the generation of a fingerprint according to the method according to the invention using a neural network
  • FIG. 6A shows a flow chart of the classification process according to the method according to the invention using linear as well as non-linear dimensional reducers
  • FIG. 6B shows a flow chart of the classification process according to the method according to the invention using a neural network
  • FIG. 7 is a schematic diagram illustrating an error detection method
  • FIG. 8 shows a flow diagram which illustrates the learning of the fingerprints or the characteristic values or features according to the invention
  • FIG. 9 is a flow chart of the dimensional reduction method according to the invention.
  • FIG. 10 shows a flow chart of the assessment of the current machining process according to the invention
  • FIG. 11 is a flow chart of the estimation of new control parameters according to the invention.
  • Figure 12 is a schematic view of a camera image processed with an HDR method according to the invention.
  • FIG. 13 shows a block diagram of an HDR image sequence processing according to the invention.
  • FIG. 14 shows a flow chart of a classification process using a reinforcement learning method in a laser processing operation according to the invention
  • FIG. 15 shows a flowchart of a classification process using a discriminant analysis method in a laser processing operation according to the invention.
  • FIG. 16 is a flowchart of a control operation by means of set values obtained by dimensional reduction in a laser processing operation according to the invention.
  • a cognitive laser material processing system which has cognitive abilities through the use of machine learning and self-learning algorithms.
  • the associated inventive Appropriate methods can be used in laser material processing for process monitoring, process control, and process control.
  • a system can have two types of cognitive abilities: First, it appears to an external observer as if the observed system had cognitive abilities, such as the ability to learn and improve independently. Second, the system realizes cognitive abilities in a similar way to a natural organism, such as the human brain.
  • the system according to the invention possesses cognitive abilities such as learning as well as the independent recognition and improvement of errors that are used in laser material processing.
  • cognitive abilities is particularly advantageous in the field of laser material processing. Machining processes such as cutting or joining workpieces are very different from process to process.
  • the fast learning of machining processes and the recognition, improvement and avoidance of errors during machining are requirements that are met by the cognitive capabilities of the machining system according to the invention.
  • Fig. 1 is a flowchart of the method according to the invention with its essential components is shown schematically, which are explained below step by step.
  • process detection all relevant information of the machining process is detected according to the invention with a sensor system having at least one sensor.
  • the sensors used provide a multiplicity of measured values and information about the process in order to be able to determine features, process illustrations, process characteristics or clear fingerprints of the process, which are referred to below as characteristic values, from the measurement data of the sensors monitoring the machining process.
  • the determination takes place in particular by calculating or another suitable, preferably electronic processing of the measured values.
  • FIG. 2 An overview of the sensors used according to the invention is shown in FIG. 2 and a structure of a laser processing system according to the invention with the corresponding sensors is shown in FIG.
  • sensors according to the invention for detecting body and airborne sound are used in addition.
  • the sensor signals for body and airborne sound are filtered depending on the process in the preprocessing, amplified and scanned accordingly.
  • different directional characteristics are suitable.
  • Sensors for emission detection of specific wavelengths which are preferably photodiodes that are sensitive for a specific wavelength range are also provided in the laser processing head.
  • optical bandpass filters for selecting specific wavelength ranges may additionally be arranged in front of the corresponding photodiodes. The measured values of these sensors are also recorded and sampled.
  • cameras which observe the laser processing operation and in particular the laser processing zone are used for data acquisition.
  • an in-process camera can be used, whose observation Beam path coaxially coupled into the beam path of the working laser in the machining head, so as to image the laser processing zone.
  • a camera can also record the processing process outside the processing head.
  • a leading camera, called a pre-process camera, and a trailing camera, called a post-process camera, can also capture the laser processing process.
  • Various workpiece lighting concepts are suitable for camera acquisition, depending on the machining process.
  • light-emitting diodes that are cost-effective and can radiate in a wide wavelength range can be used for illumination, or lasers in different wavelengths with appropriate optics can be used to focus on the camera detail on the workpiece surface.
  • data processing methods such as "region of interest”, “qualas”, or geometry data evaluation are particularly suitable and preferred.
  • a high dynamic range (HDR) method is used, which advantageously increases the contrast ratio of the captured camera images.
  • the images are captured with different exposure times and compared with one another via an HDR method, so that images with a very high contrast ratio are created.
  • the inventive method is not limited to the use of the plurality of sensors, but already using only one sensor, such as the in-process camera, can be performed.
  • a control program In laser material processing, a control program is normally designed manually for all involved actuators. During the process, this control program is only monitored via process monitoring or adjusted with fixed control loops such as a capacitive distance sensor for laser cutting. In the method according to the invention, however, the current process control is accessed and further new process control options are integrated.
  • the laser beam power, the distance between the machining head and the workpiece, the speed of the machining head relative to the workpiece, and the position of the focal point of the machining laser beam are controlled.
  • laser cutting in the processing method additionally controls or regulates the supply of process gas.
  • control signals can be modulated in intensity with a particular frequency, e.g. a modulation of the laser radiation intensity between 90 and 100 percent. Since the control signal is known, knowledge about the process, such as, for example, a gradient field of the parameter space as a function of the process parameters in different measuring ranges, can be recovered from the system response via the sensor data.
  • the controls can be realized via corresponding linear axes, robot control or other control interfaces.
  • inventive method is not limited to the use of the plurality of actuators, but already using only one actuator, such as a laser power control for laser welding or a process gas control for the laser cutting can be performed.
  • the system can be trained by an operator of the system and is self-learning.
  • the invention provides that the system independently already knows the essential characteristic values from all the sensors used or detects and learns them and subsequently makes decisions for the process control.
  • three stages of the method according to the invention are to be represented, namely the learning of the process environment, the classification of the current process result and the control or regulation of the process.
  • test processing or homing are necessary. Each machining process has a desired result and a different one. Test processing or homing must include both results, and ideally also the transitions, as well as the system's response to process control. If, for example, a weld seam is to be achieved in the lap joint of stainless steel with a defined weld width of X mm and a length of Y cm, at least one reference run must be run in which at least one process parameter is varied so that both the defined as well as the definition violation in both directions of the process parameter is included.
  • the human system operator can carry out a reference run with an increasing laser power as process parameter, in which process the upper and lower definition limit occurs and is exceeded.
  • a reference run can start with a laser power that does not yet cause any penetration through.
  • the laser power is controlled to increase continuously until suturing occurs.
  • This process is monitored and used to learn the process environment using the described process sensors, which record the corresponding measurements.
  • Another example concerns production problems between two batches of greasy and non-greasy workpieces.
  • the definition limits must be included for learning during the reference run. The operator tells the cognitive laser material processing system where the definition limits lie, so that the system according to the invention can learn to distinguish between the areas.
  • linear and non-linear dimensional reducers and manifold learning methods such as Principal Component Analysis (PCA), MDS (Multidimensional Scaling), LLE (Locally Linear Embedding), and SVM (Support Vector Machines) can be used to understand the process environment. These methods can be used both in combination and alone. To learn the process environment, a discriminant analysis can be further used, as described below.
  • PCA Principal Component Analysis
  • MDS Multidimensional Scaling
  • LLE Long-Linear Embedding
  • SVM Small Vector Machines
  • KNN Artificial Neural Network
  • the procedure is different, since the network is trained here and the learned information is then available in the network, which can then classify the result.
  • the initial neurons thus initially provide a classification based on the trained data. Based on this classification can then be regulated. If the processing process is now observed, the current process result must be detected, compared with the previously learned target range, which can be regarded as a point quantity in the parameter space, and, if necessary, the process parameters are adapted, as shown in FIGS. 6A and 6B.
  • the process parameter adaptation can and should already take place before exiting the target range.
  • the predetermined amount of points which is used for the control of the system be adapted so that in a control case, the current fingerprint of the sensor system already leaves the predetermined amount of points at a time when the fingerprint enters an edge region of the desired range.
  • the cognitive laser material processing system has already stored in the database of a memory the learned process environment, the learned features or fingerprints in the form of a vector or a matrix.
  • the measured values of the sensors currently obtained by the process must first be reduced in the amount of data and brought into the same data space, ie the characteristic value space, such as the feature vectors or fingerprints, thus obtaining a current fingerprint as a reduced sensor data vector or matrix in the characteristic value space is compared with the learned point quantity in the characteristic value space.
  • the probability can be obtained that the currently detected data point is closest to a certain feature point. It is known here whether this feature point is still within the desired range, furthermore the probably necessary correction of the process parameter is known.
  • the classification of the current process result by means of neural networks is carried out by the trained network.
  • the classification result is whether the process is still within the target range and with which tendency the process parameter is to be adapted.
  • the control of the process according to the inventive method is carried out in the following manner.
  • the control unit already knows the direction and the strength with which the corresponding actuators must be activated.
  • Various control methods can be used. For example, minimizing the geodesic distance between desired feature vector and result vector or a control method with Kalman filter and minimizing the mean square error can be used.
  • the tendency to regulate from the multidimensional feature spaces or characteristic values can be determined via the "Support Vector" classification. The controller must not exceed the previously defined safety range.
  • the invention can be applied in several process variants, some of which are presented here.
  • the cognitive laser material processing system calculates the corresponding principal components from the sensor data via the PCA, Principal Components Analysis or a combination of the other methods of the presented dimension reducers.
  • the operator now tells the system where Gart originated.
  • the cognitive system can then calculate the corresponding component, a vector or matrix, from the information about where the ridge originated at the cutting edge and where the corresponding main components of the sensor data were calculated Contains fingerprint for the appearance of burr. From the current sensor data in the further operation of the system can then be calculated with matrix vector algebra during the process and the operator to see whether the learned error has occurred.
  • the same method can be used to detect, for example, effects in laser beam welding or laser cutting: Wrong Friend, Sew on, Weld Through, Cut Width X, Status Average,
  • the invention can also be used to simplify a batch change which previously required an adaptation of the laser material processing system.
  • the workpieces of the new batch have slightly changed properties, e.g. Material thickness or degree of contamination. It is again carried out first a learning phase and then a classification phase. After the classification phase, a control process can already be realized. However, new control parameters for a process change, e.g. due to a batch change.
  • the measured values of the process sensor system are detected by a reference travel.
  • constant process control parameters are again set, except for a control parameter that is varied.
  • the laser power can be increased steadily during reference travel.
  • the recorded data are processed by the cognitive laser material processing system with dimension reducers, cf. FIG. 9.
  • the output data of each sensor used are first filtered with a corresponding low-pass filter. Then the n principal components are output via the Principal Component Analysis. The data are then normalized and freed from the mean. At the end of this processing step, one obtains the feature expression data for the sensors used for each detected period of time.
  • the corresponding features or fingerprints and their depiction specification are filed in a database for feature mapping prescriptions.
  • the operator of the system now defines an area on the workpiece that corresponds to the desired result. This definition is transformed into a vector with which a classifier can be trained.
  • Support Vector Machines is used in this process.
  • a Support Vector Classification method is used. It describes a mathematical procedure for distinguishing between desired and not wanted process results that performed by a multi-dimensional separation of feature space based on the operator's specifications.
  • the feature mapping database describes the mapping rule and the classification database describes the separation of the feature spaces.
  • the cognitive laser material processing system monitors the machining process according to the previously learned operator wishes.
  • the sensor data is dimensionally reduced based on the specifications of the particular feature mapping rules.
  • the output data are in the predetermined feature space or feature space.
  • the classification data learned by the operator via the Support Vector Classification procedure are used to assess the current machining process. It can be judged whether the actual process result is within the operator-defined target range and what tendency to use a process control parameter probability to control the process.
  • the estimation of new control parameters or process parameters for small process changes by a batch change will be described. If the machining process is changed for a certain duration, e.g. By slightly changing the workpiece characteristics during a batch change, the new control parameters can be estimated. For this purpose, in addition to the previous homing 1, a new homing 2 must be performed. Homing 1 and 2 used the same control parameters.
  • the sensor data or the measured values of the sensors of reference travel 2 are again dimensionally reduced.
  • the mapping rules are now applied to the recorded sensor data of Homing 1.
  • the occurrence probabilities of the features from reference run 1 during reference run 2 are calculated.
  • the cognitive laser material processing system can thus be determined from the position on the workpiece or from the control parameters used at this point and the occurrence of the occurrence. characteristics of the features, which control parameters in the new process will produce a very similar or nearly the same result as in the previous processing.
  • features are obtained from the process data as in the previously described methods. These features are classified by initial and periodic homing by the operator, with appropriate assessment of whether the control parameter should be adjusted.
  • the corresponding characteristics and the associated classifications are stored in a database, possibly with an adjustment proposal.
  • the operator therefore assesses the system at regular intervals and thus trains it.
  • the system can thus first determine whether the current process result is still in the specified feature space and whether the system should perform an adjustment of the control parameters.
  • the learned features and customization suggestions thus become more and more over time and the system becomes better and better in processing. Similar features and customization proposals can be netted again to avoid a flood of features.
  • HDR high dynamic range
  • a picture or image sequence thus created is displayed adapted via a gray value or tone mapping method.
  • a gray value or tone mapping method As shown in FIGS. 12 and 13, in order to carry out an HDR method or a method for better visualization of the processing surface, process lamps and vapor capillaries, according to the invention a plurality of images or pixel arrays are charged together.
  • the different images can be created by multiple scanning of an imaging sensor or by simultaneous image acquisition with multiple cameras or by sequential image acquisition with a camera, but different exposure times, called multi-exposure technique.
  • the calculation of the individual image recordings can be made on different types of procedures. In the simplest case, this includes adding up and averaging the individual image values of several images of a sequence of images from at least two image recordings. For better image acquisition, the image values or pixels from an image sequence can be averaged out of at least two image recordings.
  • Either an entropy method can be used as the weighting method, for the weighting according to the information content, or a weighted averaging can be carried out taking into account the camera response function. For this, a conclusion must be drawn on the real or realistic radiation energy per area, which is given by the following function:
  • the weighting for the individual radiation energies is then:
  • i is the image index of an image sequence of several image recordings
  • j the pixel position
  • tj the exposure time or scan time of the image capture i
  • y the intensity value of the pixel of the image capture i at the position j
  • 1 the inverse Camera Response Function
  • x j the estimated radiation energy per area at pixel position j
  • wy the weighting function of the reliability model
  • any sensor that enables a sensor data output can be used as the sensor system.
  • these are, for example, microphones or body transducers, cameras, photodiodes, buttons, technical evaluation and monitoring signals and Aktorikparameter, such as the laser power.
  • PCA Principal Component Analysis
  • ICA Independent Component Analysis
  • Wavelet Analysis Fourier
  • Fast Fourier Fast Fourier
  • Laplace Analysis Feature and Object Recognition Techniques
  • the reduced amount of data can be interpreted as a point cloud of a multi-dimensional space obtained from a higher-dimensional space.
  • By reducing the data it is possible to compare them in finite time with previously recorded and classified or learned data sets. In this classification, it can be determined whether the new sensor data are similar to already recorded sensor data and this similarity is assigned a probability. If a defined threshold value for a likelihood of similarity of a previously recorded data quantity is exceeded, then the solution or control or regulation approach stored therebefore can be tracked. If the threshold for a likelihood of similarity to previously learned amounts of data is exceeded, the system has a new situation.
  • the behavior for a new situation can either be learned by inquiring from a human operator or can be tried out of the previous data and solution strategies according to the similarity principle.
  • self-learning algorithms are used which are based on an objective would then, after trying out a self-developed approach, check whether a goal has been achieved and evaluate the chosen approach accordingly.
  • Support Vector Machines Support Vector Classification, Fuzzy Logic, Information Fuzzy Networks, Fuzzy K-Nearest Neighbor Classifier, K-Nearest Neighbor Classifier, Reinforcement Lear - ning, Bayesian Networks and Bayesian Knowledge Databases, Naive Bayes Classifiers, Hidden Markov Chains, Artificial Neural Networks and Backpropagation, Regression Analysis, Genetic Programming or Decision Trees.
  • the solution strategy resulting from the classification, or a controller or actuator control can be carried out simply, but it can also control the type of data acquisition. If, for example, no threshold is reached for a known amount of data, then the type of data acquisition can be changed. For example, this can be done by adapting a wavelet analysis to new frequency ranges or by changing from PCA to ICA.
  • High Dynamic Range method (HDR method)
  • An HDR method may be used to calculate a higher contrast ratio from multiple captured images or image matrices and vectors having different contrast ratios. For this purpose, when taking a picture or observing a scene, several pictures with different exposure times can be taken, from which subsequently a picture or a picture sequence with improved contrast ratio can be calculated. In order to produce a sequence of images with different contrast ratios, several images with different exposure times can be recorded, according to the so-called multi-exposure method.
  • the pixel values can also be scanned repeatedly during an exposure time. In this way, an image sequence with different contrast ratios during an exposure time is created.
  • the existing on an imaging sensor Charges representing the pixels are retrieved once and thereafter can not be retrieved a second time.
  • non-destructive reading also called non-distructive readout (NDRO) or a multi-slope or single slope reading or Cooled Imager or Charge Injection Imaging (CIS) or Thin-Film on CMOS (TFC) or Active Pixel sensor (APS) or single-slope or Correlated Double Sampling (CDS), which allow the multiple interrogation of a charge, for example in a CMOS chip, during a single exposure time, without the interrogation of the interrogated charge value.
  • NDRO non-destructive readout
  • CIS Cooled Imager or Charge Injection Imaging
  • TFC Thin-Film on CMOS
  • APS Active Pixel sensor
  • CDS Correlated Double Sampling
  • these techniques can be used for observing a laser processing process in order to realize an observation or control method, whereby it is possible by the HDR method to carry out simultaneously the process emissions, the vapor capillary, the weld pool, the weld seam geometry during a laser welding operation to be carried out. observing and dissolving the weld seam guide, or simultaneously observing and resolving the interface, the cut edge, the process lighting, and the grade formation and the degree geometry during a laser cutting operation. In both cases it is possible, if necessary, to observe a laser line projected onto a workpiece to be machined (as also shown in FIG. 12).
  • RL Strengthening Learning or Reinforcement Learning
  • RL is an area of machine learning. It describes procedures in which systems or agents, English, action apply to environments to maximize a reward. RL finds mapping rules or procedures (Engl, policy) for one or more system states or states on system action plans or actions. The methods of RL can be used according to the invention for self-improving control and observation of laser processing processes.
  • FIG. 14 shows a possible procedure for how RL can be integrated in a laser processing process.
  • the values to be learned are symbolized by the matrix Q.
  • the Q matrix consists of the components QSl, QSn, QSA, QDR, QRl, QRm, these can contain one or more values. These components are initialized with a start value and optimized according to an RL procedure. This optimization takes place by performing an action, evaluating it with a reward function, and modifying the values of the Q Matrix. Comparable to a theater where an actor is judged by a critic, and the actor adjusts his actions. As described above, in a reference run or by a learning phase, a point cloud with appropriate classification can be obtained by a human expert.
  • the characteristics or point clouds or characteristics or fingerprints or sensor measured values which represent the desired process result are therefore stored in this.
  • This can be realized by a support vector machine or another classification method.
  • This can be a reward function that the RL method works for.
  • the Q matrix is thus optimized after this man-taught reward function.
  • weighting values or setting parameters can be learned and optimized, such as the weighting of different sensors among one another (QS1, QSn), the selection of specific features used for control or observation (QDA), the selection of desired values for various control methods (QDR ), or the controller setting parameters such as proportional, P component, integrated, I component, and differentiated, D component (QRL, QRm).
  • the control, monitoring or observation properties of a laser processing system can thus be optimized over the period of use.
  • Methods that can be used within a reinforcement learning or another machine learning method in laser material processing are the following according to the invention: Markov Decision Process (MDP), Q Learning Adaptive Heuristic Critic (AHC), State-Action-Reward-State-Action (SARSA) Algorithm, Self-Organizing Map (SOM), Adaptive Resonance Theory (ART), Multivariate Analysis (MVA), Expectation-Maximization (EM) Algorithm, Radial Basis Function Network, Time Series Prediction, Automatic Target Recognition (ATR), Radial Basis Function (RBF) and similar techniques.
  • MDP Markov Decision Process
  • AHC Q Learning Adaptive Heuristic Critic
  • SARSA State-Action-Reward-State-Action
  • SOM Self-Organizing Map
  • ART Adaptive Resonance Theory
  • ART Adaptive Resonance Theory
  • ART Adaptive Resonance Theory
  • ART Adaptive Resonance Theory
  • ART Adaptive Resonance Theory
  • ART Adaptive Re
  • a discriminant analysis (DA) or linear discriminant analysis or linear discriminant analysis (LDA) as well as Fisher's linear discriminant is a statistical analysis method which has a similar principle to the principal component analysis already described. In contrast to the principal component analysis, the DA also considers the class affiliation of a classification. Also, DA can alternatively be used for dimensional reduction in the method according to the invention, but at the same time represents a combination of dimension reduction and classification method.
  • sensor data can be detected, reduced in dimension and classified with previously learned data using a method as already described.
  • the classification result can then be used as the basis for an actual value calculation for one or more controllers with learned setpoint values for the control of one or more actuators or control parameters.
  • the DA can be combined with other dimension reduction methods in the laser material processing, so firstly a main component analysis can be carried out and then a DA can be carried out.
  • This also applies to the other dimension reduction methods already described, which reduce a sensor data input vector of dimension Y to a dimension X with X ⁇ Y.
  • the combinations may differ for the respective sensors.
  • the already mentioned Independent Component Analysis which extracts features for statistical independence, is particularly suitable for acoustic sensors and the principal component analysis for imaging sensors.
  • Further dimension reduction methods can be used according to the invention in a described laser material processing system: kernel principle component analysis (Kernel Principle Component Analysis), locally linear embedding (LLE), Hessian LLE, Laplace proper name and map (English Laplacian Eigenmaps) , Local Tangent Space Alignment (LTSA), Semi-Definite Embedding (SDE), Maximum Variance Unfolding (MVU), Curvilinear Component Analysis (CCA), Data-driven High-dimensional Scaling (DD-HDS), Autoencoders, as a special variant of a feed -Forward Artificial Neural Network, Boltzmann Machines as well as all procedures similar principle.
  • Kernel Principle Component Analysis kernel principle component analysis
  • LLE locally linear embedding
  • Hessian LLE Laplace proper name and map (English Laplacian Eigenmaps)
  • LTSA Local Tangent Space Al
  • a principal component analysis or other dimensional reduction methods or a feature extraction or an HDR method can also be carried out on a cellular neural network (CNN) integrated in an image acquisition unit in a laser processing system for particularly fast data processing.
  • CNN is a parallel calculation method similar to an artificial neural network.
  • a laser processing process can also be controlled directly with set values from a dimension reduction for faster data processing, a classification can then be used to determine the best set values with an optimization of a signal to signal to noise ratio. In this way, very high control cycles can be realized, while high adaptability by taking into account the learned classification results.

Abstract

Die Erfindung betrifft ein Verfahren zur Überwachung eines an einem Werkstück durchzuführenden Laserbearbeitungsvorgangs, mit den folgenden Schritten: Erfassen von zumindest zwei aktuellen Messwerten mittels zumindest einem Sensor, welcher den Laserbearbeitungsvorgang überwacht, Ermitteln von zumindest zwei aktuellen Kennwerten aus den zumindest zwei aktuellen Messwerten, wobei die die zumindest zwei aktuellen Kennwerte gemeinsam einen aktuellen Fingerabdruck in einem Kennwertraum darstellen, Bereitstellen einer vorbestimmten Punktmenge in dem Kennwertraum, und Klassifizieren des Laserbearbeitungsvorgangs durch Erfassen der Lage des aktuellen Fingerabdrucks relativ zur vorbestimmten Punktmenge im Kennwertraum, wobei der zumindest eine Sensor zumindest eine Kameraeinheit umfasst, die Kamerabilder mit unterschiedlichen Belichtungszeiten aufnimmt und diese über ein High Dynamic Range (HDR)-Verfahren miteinander verrechnet, um als aktuelle Messwerte Bilder mit hohem Kontrastverhältnis bereitzustellen.

Description

Verfahren und Vorrichtung zur Überwachung eines an einem Werkstück durchzuführenden Laserbearbeitungsvorgangs sowie Laserbearbeitungskopf mit einer derartigen Vorrichtung
Beschreibung
Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Überwachung eines an einem Werkstück durchzuführenden Laserbearbeitungsvorgangs sowie einen Laserbearbeitungskopf mit einer derartigen Vorrichtung.
In der Lasermaterialbearbeitung werden Werkstücke mittels fokussierter Laserstrahlung geschnitten oder gefügt, wobei sowohl bei einem Laserschneidvorgang als auch bei einem Laserschweißvorgang Prozessüberwachungssyste- me und Sensoren eingesetzt werden. Für die Überwachung des Schweiß- oder Schneidprozesses werden beispielsweise Sensoren zur Erfassung der aus einer durch den Arbeitsfokus bestimmten Arbeits- oder Wechselwirkungszone kommenden Strahlung eingesetzt. Hierbei sind standardmäßig Strahlungs- Sensoren zur Beobachtung eines sich über der Wechselwirkungszone bildenden Plasmas und ein Rückreflexsensor vorgesehen, der die Rückstrahlung des Lasers aus der Wechselwirkungszone zwischen Laserstrahl und einem zu bearbeitenden Werkstück erfasst. Ferner werden zur Überwachung des Laserbearbeitungsvorgangs Temperaturfühler oder Infrarotsensoren eingesetzt, durch die eine Randaufschmelzung und das Temperaturprofil bei der Bearbeitung überwacht werden können. Neben dem Einsatz von Fotodioden, wel- che jeweils für einen bestimmten Wellenlängenbereich sensitiv sind, wird der Laserbearbeitungsvorgang ferner durch Kameras überwacht, welche ebenfalls in vorbestimmten Wellenlängenbereichen sensitiv sein können. Aufgrund der Bildverarbeitung der durch die Kameras aufgenommenen Bilder können ebenfalls Kennwerte zur Überwachung des Laserbearbeitungsvorganges, wie beispielsweise Parameter hinsichtlich des aufgeschmolzenen Werkstückbereiches erhalten werden.
Erstes Ziel der Überwachungssysteme ist es, zunächst die Bearbeitungsqualität gemäß der Prozessvorgabe zu klassifizieren. Zweites Ziel ist es, die Bear- beitungsqualität durch eine Steuerung und Regelung der Prozesse zu verbessern. In aktuellen Industriesystemen werden die zur Prozessüberwachung eingesetzten Sensoren und Kameras dazu verwendet, mittels der erfassten Sensordaten und mittels Methoden der Bildverarbeitung und der Datenanalyse eine Klassifizierung des aktuellen Standes des Bearbeitungsprozesses durchzuführen. Hierbei werden die eingesetzten Verfahren auf die Bearbeitungsprozesse individuell eingestellt. Bei einer Intensitätsabweichung der aufgezeichneten Sensordaten wird der aktuelle Bearbeitungsprozess als ungenügend klassifiziert, wobei entsprechende Regelungsmechanismen eingesetzt werden, um diesen Zustand zu beheben. Hierbei bezieht sich die Regelung der Prozessparameter hinsichtlich der aufgezeichneten Sensordaten jedoch nur auf die jeweiligen Messdaten der entsprechenden Sensoren.
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren und eine Vorrichtung zur Überwachung eines an einem Werkstück durchzuführenden Laserbearbeitungsvorgangs zu schaffen, durch welchen die Klassifizierung eines Laserbearbeitungszustands und dadurch die Bearbeitungsqualität eines an einem Werkstück durchzuführenden Laserbearbeitungsvorgangs verbessert wird.
Diese Aufgabe wird durch das Verfahren nach Anspruch 1 , die Regelungsvorrichtung nach Anspruch 14, und durch den Laserbearbeitungskopf nach An- spruch 18 gelöst. Vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung werden in den Unteransprüchen dargelegt.
Erfindungsgemäß ist ein Verfahren zur Überwachung, Steuerung oder Regelung eines an einem Werkstück durchzuführenden Laserbearbeitungsvor- gangs vorgesehen, das die folgenden Schritte aufweist: Erfassen von zumindest zwei aktuellen Messwerten mittels zumindest einem Sensor, welcher den Laserbearbeitungsvorgang überwacht, Ermitteln von zumindest zwei aktuellen Kennwerten aus den zumindest zwei aktuellen Messwerten, wobei die die zumindest zwei aktuellen Kennwerte gemeinsam einen aktuellen Fingerab- druck in einem Kennwertraum darstellen, Bereitstellen einer vorbestimmten Punktmenge in dem Kennwertraum, und Klassifizieren des Laserbearbeitungsvorgangs durch Erfassen der Lage des aktuellen Fingerabdrucks relativ zur vorbestimmten Punktmenge im Kennwertraum, wobei der zumindest eine Sensor zumindest eine Kameraeinheit umfasst, die Kamerabilder mit unter- schiedlichen Belichtungszeiten aufnimmt und diese über ein High Dynamic Range (HDR)-Verfahren miteinander verrechnet, um als aktuelle Messwerte Bilder mit hohem Kontrastverhältnis bereitzustellen. Hierbei ist es vorteilhaft, wenn das HDR-Verfahren dazu ausgebildet ist, die Kamerabilder so zu verrechnen, dass bei einem durchgeführten Laserbearbeitungsvorgang gleichzeitig die umliegende Bearbeitungsfläche eines zu bearbeitenden Werkstücks sowie das Prozessleuchten in einem Bild sichtbar ge- macht werden können.
Dabei werden zweckmaßigerweise die Kamerabilder durch mehrfaches Abtasten eines bildgebenden Sensors der Kameraeinheit, durch simultane Bildaufnahme mit mehreren Kameras oder durch sequentielle Bildaufnahme mit ei- ner Kamera mit unterschiedlichen Belichtungszeiten aufgenommen.
Die Verrechnung der aufgenommenen Kamerabilder durch die zumindest eine Kameraeinheit wird erfindungsgemäß mittels eines Gewichtungsverfahrens anhand eines Entropie-Verfahres oder anhand einer Kamera-Antwort-Funkti- on durchgeführt.
Auch ist es vorteilhaft, wenn die zu verrechnenden Kamerabilder mittels einer vorlaufenden Kamera vor dem Laserbearbeitungsprozess, einer Kamera, welche die Laserbearbeitungszone abbildet, und /oder einer nachlaufenden Kamera nach dem Laserbearbeitungsprozess aufgenommen werden.
Für eine qualitativ hochwertige Bearbeitung eines Werkstück ist es dabei von Vorteil, wenn bei einem Bearbeitungsvorgang einem mittels des erfindungsgemäßen Verfahrens erkannten "schlechten" Fingerabdruck direkt entgegenge- wirkt wird, wobei es zweckmäßig ist, wenn das erfindungsgemäße Verfahren zusätzlich einen Schritt des Regeins zumindest eines Prozessparameters eines zugehörigen Aktors derart umfasst, dass bei einem Verlassen des aktuellen Fingerabdrucks aus der Punktmenge des Kennwertraums der zumindest eine Aktor so aktiviert wird, dass die Änderung des zugehörigen Prozesspara- meters einem Gradienten im Kennwertraum entspricht, der sich ausgehend von dem Fingerabdruck in Richtung der vorbestimmten Punktmenge im Kennwertraum erstreckt.
Hierbei ist es von Vorteil, wenn das Ermitteln eines aktuellen Kennwerts aus zumindest einem aktuellen Messwert ein Verfahren zur Datenreduktion oder
Dimensionsreduktion wie eine Hauptkomponentenanalyse, multidimensiona-
Ie Skalierung, Support Vector Machines oder eine Support Vector Classifica- tion umfasst. Durch die Dimensionsreduktion der Sensordaten wird es möglich, dass aufgrund der reduzierten Datenmenge die Klassifikation durch einen Rechner wesentlich schneller erfolgen kann, wodurch beispielsweise auch eine schnelle Regelung eines Laserbearbeitungsvorgangs durchgeführt werden kann.
Es ist jedoch auch vorstellbar und zweckmäßig, dass das Ermitteln eines aktuellen Kennwerts aus zumindest einem aktuellen Messwert mit Hilfe eines neuronalen Netzes erfolgt.
Im Falle eines Einsatzes einer Vielzahl von Sensoren, deren Messdaten oft nicht direkte Rückschlüsse auf eine Bearbeitungssituation zulassen, ist es von Vorteil, wenn die vorbestimmte Punktmenge innerhalb des Kennwertraums mittels eines Lernprozesses festgelegt wird.
Zur Regelung des Bearbeitungsprozesses ist es dabei zweckmäßig, wenn das Gradientenfeld des Kennwertraums in Abhängigkeit der Prozessparameter in unterschiedlichen Bereichen an den Stellen im Kennwertraum ermittelt wird, welche hinsichtlich des Gradienten repräsentativ für den jeweiligen Bereich sind, wobei der Gradient des Kennwertraums in Abhängigkeit eines Prozessparameters durch eine Variation des Prozessparameters an einer vorbestimmten Stelle des Kennwertraums ermittelt wird.
Für eine umfassende Überwachung und eine Ermittlung einer Vielzahl von aussagekräftigen Messdaten ist es zweckmäßig, wenn der zumindest eine Sensor aus einer Gruppe ausgewählt ist, welche zumindest eine Fotodiode mit Filtern für bestimmte Wellenlängen, Körper- und Luftschallaufnehmer, und zumindest eine Kameraeinheit mit einer entsprechenden Oberflächenbeleuchtung umfasst.
Zur Sicherstellung einer umfassenden Regelung des Laserbearbeitungsprozesses ist es zweckmäßig, wenn der zumindest eine Aktor aus einer Gruppe ausgewählt ist, welche eine Steuerung der Laserleistung, eine Geschwindigkeitssteuerung des Bearbeitungskopfes relativ zum Werkstück, eine Steue- rung der Fokuslage des Bearbeitungslaserstrahls, eine Steuerung des Abstands des Bearbeitungskopfes zum Werkstück, und eine Steuerung des Lateralversatzes umfasst. Erfindungsgemäß ist weiter eine Vorrichtung zur Durchführung des erfindungsgemäßen Verfahrens vorgesehen, die zumindest einen Sensor zur Überwachung des Laserbearbeitungsvorgang, welcher zur Erfassung von zumindest zwei aktuellen Messwerten geeignet ist, eine Datenverarbeitungseinheit zum Ermitteln von zumindest zwei Kennwerten aus den zumindest zwei aktuellen Messwerten zum Erstellen eines aktuellen Fingerabdrucks in einem Kennwertraum, eine Speichereinheit zum Speichern einer vorbestimmten Punktmenge innerhalb des Kennwertraums, und eine Klassifizierungseinheit umfasst, die zur Bewertung des Laserbearbeitungsvorgangs durch Erfassen der Lage des aktuellen Fingerabdrucks relativ zur vorbestimmten Punktmenge im Kennwertraum geeignet ist.
Für den Einsatz der erfindungsgemäßen Vorrichtung in einem geregelten Be- arbeitungsprozess ist hierbei von Vorteil, wenn die Vorrichtung ferner eine Regelungseinheit zum Regeln zumindest eines Prozessparameters eines zugehörigen Aktors derart umfasst, dass bei einem Verlassen des aktuellen Fingerabdrucks aus der Punktmenge des Kennwertraums der zumindest eine Aktor so aktiviert wird, dass die Änderung des zugehörigen Prozessparameters einem Gradienten im Kennwertraum entspricht, der sich ausgehend von dem Fingerabdruck in Richtung der vorbestimmten Punktmenge erstreckt.
Zweckmäßigerweise ist dabei der zumindest eine Sensor aus einer Gruppe ausgewählt, welche zumindest eine Fotodiode mit Filtern für bestimmte Wellenlängen, Körper- und Luftschallaufnehmer, und zumindest eine Kameraein- heit mit einer entsprechenden Oberflächenbeleuchtung umfasst.
Weiter ist vorteilhafterweise der zumindest eine Aktor aus einer Gruppe ausgewählt, welche eine Steuerung der Laserleistung, eine Geschwindigkeitssteuerung des Bearbeitungskopfes relativ zum Werkstück, eine Steuerung der Fokuslage des Bearbeitungslaserstrahls, eine Steuerung des Abstands des Bearbeitungskopfes zum Werkstück, und eine Steuerung des Lateralversatzes umfasst.
Ferner ist erfindungsgemäß ein Laserbearbeitungskopf zur Bearbeitung eines Werkstücks mittels eines Laserstrahls vorgesehen, der die erfindungsgemäße Vorrichtung umfasst. Die Erfindung wird im folgenden beispielsweise anhand der Zeichnung näher erläutert. Es zeigen:
Figur 1 ein Flussdiagramm mit den wesentlichen Komponenten des Bear- beitungsprozesses eines Werkstücks gemäß dem erfindungsgemäßen Verfahren,
Figur 2 eine Übersicht der im erfindungsgemäßen Verfahren eingesetzten Sensoren zur Überwachung und Erfassung des Laserbearbeitungsprozesses,
Figur 3 eine stark vereinfachte schematische Ansicht der in einem erfindungsgemäßen Bearbeitungsprozess eingesetzten Bauteile,
Figur 4A eine stark vereinfachte schematische Ansicht eines Teils der im erfindungsgemäßen Verfahren eingesetzten Aktoren bei einem Laserstrahl - schweißprozess,
Figur 4B eine stark vereinfachte schematische Ansicht eines Teils der im erfindungsgemäßen Verfahren eingesetzten Aktoren bei einem Laserstrahl- schneidprozess,
Figur 5A ein Flussdiagramm der Erstellung eines Fingerabdrucks gemäß dem erfindungsgemäßen Verfahren unter Einsatz von linearen sowie nichtlinearen Dimensionsreduzierern,
Figur 5B ein Flussdiagramm der Erstellung eines Fingerabdrucks gemäß dem erfindungsgemäßen Verfahren unter Einsatz eines neuronalen Netzes,
Figur 6A ein Flussdiagramm des Klassifizierungsvorgangs gemäß dem erfin- dungsgemäßen Verfahren unter Einsatz von linearen sowie nichtlinearen Dimensionsreduzierern, und
Figur 6B ein Flussdiagramm des Klassifizierungsvorgangs gemäß dem erfindungsgemäßen Verfahren unter Einsatz eines neuronalen Netzes,
Figur 7 eine schematische Skizze, welche ein Fehlererkennungsverfahren illustriert, Figur 8 ein Flussdiagramm, welches das erfindungsgemäße Erlernen der Fingerabdrücke bzw. der Kennwerte oder Merkmale illustriert,
Figur 9 ein Flussdiagramm der Dimensionsreduktionsmethode gemäß der Erfindung,
Figur 10 ein Flussdiagramm der erfindungsgemäßen Beurteilung des aktuellen Bearbeitungsprozesses,
Figur 1 1 ein Flussdiagramm der Schätzung von neuen Steuerparametern gemäß der Erfindung,
Figur 12 eine schematische Ansicht eines Kamerabildes, welches mit einem HDR-Verfahren gemäß der Erfindung verarbeitet ist, und
Figur 13 ein Blockschaltbild einer erfindungsgemäßen HDR-Bildsequenzver- arbeitung.
Figur 14 ein Flussdiagramm eines Klassifizierungsvorgangs unter Einsatz ei- nes Reinforcement Learning-Verfahrens bei einem Laserbearbeitungsvorgang gemäß der Erfindung
Figur 15 ein Flussdiagramm eines Klassifizierungsvorgangs unter Einsatz eines Diskriminanzanalyse -Verfahrens bei einem Laserbearbeitungsvorgang ge- maß der Erfindung, und
Figur 16 ein Flussdiagramm eines Regelungsvorgangs mittels Sollwerten, die durch Dimensionsreduktion gewonnen werden, bei einem Laserbearbeitungsvorgang gemäß der Erfindung.
In den verschiedenen Figuren der Zeichnung sind einander entsprechende Bauelemente mit gleichen Bezugszeichen versehen.
Erfindungsgemäß wird ein kognitives Lasermaterialbearbeitungssystem be- reitgestellt, welches durch den Einsatz von Maschinenlernen und selbstlernender Algorithmen kognitive Fähigkeiten besitzt. Das zugehörige erfindungs- gemäße Verfahren kann in der Lasermaterialbearbeitung zur Prozessbeobachtung, Prozesskontrolle, und Prozessregelung eingesetzt werden.
Ein System kann zwei Arten von kognitiven Fähigkeiten besitzen: Erstens, es erscheint für einen externen Betrachter, als ob das beobachtete System kognitive Fähigkeiten besäße, beispielsweise die Fähigkeit zu lernen und sich selbständig zu verbessern. Zweitens, das System realisiert die kognitiven Fähigkeiten in einer ähnlichen Weise wie ein natürlicher Organismus, beispielsweise das menschliche Gehirn.
Das erfindungsgemäße System besitzt kognitive Fähigkeiten wie das Lernen sowie das selbstständige Erkennen und Verbessen von Fehlern, die in der Lasermaterialbearbeitung eingesetzt werden. Der Einsatz von kognitive Fähigkeiten ist besonders vorteilhaft im Bereich der Lasermaterialbearbeitung. Be- arbeitungsprozesse wie das Trennen oder Fügen von Werkstücken unterscheiden sich sehr stark von Prozess zu Prozess.
Bisher ist es bekannt, jeden Prozess zunächst individuell manuell einzustellen. Nach einer Einstellung der Prozessparameter wird hierbei der Prozess nur beobachtet und entsprechend manuell angepasst. Für den Fall, dass eine nächste Charge an Werkstücken beispielsweise verschmutzt ist oder hinsichtlich der Werkstückdicke von der vorhergehenden Charge an Werkstücken abweicht, muss der Prozess häufig manuell nachgestellt werden. Eine automatische Adaption an Prozessänderungen war entweder überhaupt nicht oder nur in sehr geringem Umfang möglich. Tatsächlich gehen die Anforderungen gerade von Fahrzeugherstellern, die in einer Produktionsstraße gleich mehrere Fahrzeuge herstellen wollen, dahin, dass sich die Produktionssysteme schnell und adaptiv auf die Bearbeitungsprozesse anpassen können.
Das schnelle Erlernen von Bearbeitungsprozessen und das Erkennen, Verbessern und Vermeiden von Fehlern während der Bearbeitung sind Anforderungen die durch die kognitiven Fähigkeiten des erfindungsgemäßen Bearbeitungssystems erfüllt werden.
In Fig. 1 ist ein Flussdiagramm des erfindungsgemäßen Verfahrens mit seinen wesentlichen Komponenten schematisch dargestellt, welche im Folgenden Schritt für Schritt erläutert werden. Bei der Prozesserfassung werden erfindungsgemäß alle relevanten Informationen des Bearbeitungsprozesses mit einem Sensorsystem mit zumindest einem Sensor erfasst. Durch die eingesetzten Sensoren werden eine Vielzahl von Messwerten und Informationen über den Prozess erhalten, um Merkmale, Pro- zessabbildungen, Prozesscharakteristiken oder eindeutige Fingerabdrücke des Prozesses, welche im Folgenden als Kennwerte bezeichnet werden, aus den Messdaten der den Bearbeitungsprozesses überwachenden Sensoren ermitteln zu können. Das Ermitteln erfolgt insbesondere durch Errechnen oder eine andere geeignete, vorzugsweise elektronische Verarbeitung der Messwerte.
Eine Übersicht über die erfindungsgemäß eingesetzten Sensoren ist in Figur 2 und ein Aufbau eines erfindungsgemäßen Laserbearbeitungssystems mit den entsprechenden Sensoren ist in Figur 3 gezeigt.
Neben bereits bekannten Sensoren zur Überwachung eines Laserbearbeitungsprozesses werden erfindungsgemäß zusätzlich Sensoren zum Erfassen von Körper- und Luftschall eingesetzt. Zur Schallaufnahme ist es zweckmäßig, mindestens zwei Sensoren je für Körper- und Luftschall einzusetzen. Außerdem werden die Sensorsignale für Körper- und Luftschall noch je nach Prozess in der Vorverarbeitung gefiltert, verstärkt und entsprechend abgetastet. Für die Luftschallaufnahme eignen sich unterschiedliche Richtcharakteristiken. Durch geschickte Anordnung der Schallaufnehmer können im An- schluss die Orte der Schallquellen und die Ausbreitungsrichtung errechnet werden. So können auch Störgeräusche von nicht relevanten Quellen und Hintergrundsgeräusche reduziert oder Methoden wie aktive Rauschunterdrük- kung ("Active Noise Cancellation") angewandt werden.
Im Laserbearbeitungskopf sind ferner Sensoren zur Emissionserfassung bestimmter Wellenlängen angebracht, welche bevorzugterweise Photodioden sind, die für einen bestimmten Wellenlängenbereich sensitiv sind. Hierbei können zusätzlich noch optische Bandpassfilter zur Auswahl bestimmter Wellenlängenbereiche vor den entsprechenden Photodioden angeordnet sein. Die Messwerte dieser Sensoren werden ebenfalls erfasst und abgetastet.
Weiter werden Kameras, die den Laserbearbeitungsvorgang und insbesondere die Laserbearbeitungszone beobachten, zur Messdatengewinnung verwendet. So kann eine In-Prozess Kamera eingesetzt werden, deren Beobachtungs- strahlengang koaxial in den Strahlengang des Arbeitslasers im Bearbeitungskopf eingekoppelt ist, um somit die Laserbearbeitungszone abzubilden. Alternativ kann auch außerhalb des Bearbeitungskopfes eine Kamera den Bearbei- tungsprozess erfassen. Eine vorlaufende Kamera, genannt Pre-Prozess-Kame- ra, und eine nachlaufende Kamera, genannt Post-Prozess-Kamera, können den Laserbearbeitungsprozess ebenfalls erfassen. Für die Kameraerfassung sind diverse Werkstückbeleuchtungskonzepte je nach Bearbeitungsprozess geeignet. So können erfindungsgemäß zur Beleuchtung Leuchtdioden, welche kostengünstig sind und in einem breiten Wellenlängenbereich abstrahlen kön- nen, oder Laser in verschiedenen Wellenlängen mit entsprechender Optik zur Fokussierung auf den Kameraausschnitt auf der Werkstückoberfläche eingesetzt werden. Zur Vorverarbeitung der Kameradaten sind Datenverarbeitungsverfahren wie "Region of Interest", "Qualas", oder eine Geometriedatenauswertung besonders geeignet und bevorzugt. Zusätzlich wird erfindungsgemäß ein High Dynamic Range (HDR)-Verfahren eingesetzt, welches das Kontrastverhältnis der erfassten Kamerabilder vorteilhafterweise erhöht. Dazu werden die Bilder mit unterschiedlichen Belichtungszeiten erfasst und über ein HDR-Ver- fahren miteinander verrechnet, so dass Bilder mit sehr hohem Kontrastverhältnis entstehen.
Die Qualität der Prozesserfassung steigt mit der Anzahl der eingesetzten Sensoren, jedoch steigen die Kosten des Systems entsprechend. Es soll daher angemerkt werden, dass das erfindungsgemäße Verfahren nicht auf den Einsatz der Vielzahl von Sensoren beschränkt ist, sondern bereits unter Verwendung lediglich eines Sensors, beispielsweise der In-Prozesskamera, durchgeführt werden kann.
Im Folgenden wird die Prozesssteuerung gemäß dem erfindungsgemäßen Verfahren unter Verwendung von spezifischen Aktoren beschrieben.
In der Lasermaterialbearbeitung wird normalerweise ein Steuerprogramm für alle beteiligten Aktoren manuell entworfen. Während des Prozesses wird dieses Steuerprogramm nur über eine Prozessüberwachung kontrolliert oder mit fest definierten Regelkreisen wie einer kapazitiven Abstandssensorik beim La- serschneiden angepasst. Im erfindungsgemäßen Verfahren werden hingegen auf die laufende Prozesssteuerung zugegriffen und weitere neue Prozesssteuerungsmöglichkeiten integriert.
Wie in Fig. 4A gezeigt, werden bei dem Bearbeitungsverfahren Laserstrahlschweißen die Laserstrahlleistung, der Abstand zwischen Bearbeitungskopf und Werkstück, die Geschwindigkeit des Bearbeitungskopfes relativ zum Werkstück und die Lage des Fokuspunktes der bearbeitenden Laserstrahlung gesteuert oder geregelt.
Wie in Fig. 4B gezeigt, werden beim Bearbeitungsverfahren Laserschneiden neben den genannten Prozessparametern erfindungsgemäß zusätzlich noch die Prozessgaszufuhr gesteuert oder geregelt. Außerdem können bei beiden Bearbeitungsverfahren Steuersignale in Ihrer Intensität mit einer bestimmten Frequenz moduliert werden, z.B. eine Modulation der Laserstrahlungsintensität zwischen 90 und 100 Prozent. Da das Steuersignal bekannt ist, können aus der Systemantwort über die Sensordaten Erkenntnisse über den Prozess wie beispielsweise ein Gradientenfeld des Kennwertraums in Abhängigkeit der Prozessparameter in unterschiedlichen Messbereichen zurückgewonnen wer- den. Die Steuerungen können über entsprechende Linearachsen, Robotersteuerung oder sonstige Steuerschnittstellen realisiert werden.
Obwohl die Regelungsmöglichkeiten mit steigender Anzahl der eingesetzten Aktoren zunehmen, da mehr Prozessparameter gesteuert werden können, stei- gen entsprechend die Kosten des Systems. Daher soll angemerkt werden, dass das erfindungsgemäße Verfahren nicht auf den Einsatz der Vielzahl von Aktoren beschränkt ist, sondern bereits unter Verwendung lediglich eines Aktors, beispielsweise einer Laserleistungssteuerung für das Laserschweißen oder einer Prozessgassteuerung für das Laserschneiden durchgeführt werden kann.
Im folgenden wird der Schritt des Klassifizierens des Laserbearbeitungsvorgangs gemäß dem erfindungsgemäßen Verfahren genauer beschrieben.
Zur Realisierung eines selbstständigen Erkennens und Behebens von Fehlern durch das erfindungsgemäße Laserbearbeitungssystem muss die technische
Kognition aus den Sensordaten abstrahiert werden, damit das erfindungsge- mäße System selbstständig Entscheidungen für die Ansteuerung der Aktorik treffen kann.
Weiter ist es vorteilhaft, wenn das System durch einen Bediener des Systems geschult werden kann und selbst lernfähig ist. Zur Realisierung der kognitiven Lasermaterialbearbeitung ist erfindungsgemäß vorgesehen, dass das System die wesentlichen Kennwerte aus allen verwendeten Sensoren selbstständig bereits kennt oder diese erfasst und erlernt und anschließend Entscheidungen für die Prozesssteuerung trifft. Im folgenden sollen drei Stufen des er- findungsgemäßen Verfahrens dargestellt werden, nämlich das Erlernen der Prozessumgebung, die Klassifizierung des aktuellen Prozessergebnisses und die Steuerung oder Regelung des Prozesses.
Zunächst soll das Erlernen der Prozessumgebung erläutert werden. Um den Prozess kennenzulernen, sind zunächst Referenzfahrten bzw. Testbearbeitungen notwendig. Jeder Bearbeitungsprozess hat ein gewünschtes Ergebnis und ein davon abweichendes. Die Testbearbeitung oder Referenzfahrt muss beide Ergebnisse und idealerweise auch die Übergänge enthalten, sowie die Reaktion des Systems auf die Prozesssteuerung. Soll beispielsweise eine Schweiß- naht im Überlappstoß von Edelstahl mit einer definierten Schweißnahtbreite von X mm und einer Länge von Y cm erzielt werden, so muss mindestens eine Referenzfahrt gefahren werden, in der mindestens ein Prozessparameter so variiert wird, dass in dieser Referenzfahrt sowohl das definierte als auch die Definitionsüberschreitung in beiden Richtungen des Prozessparameters ent- halten ist.
In diesem Fall kann der menschliche Systembediener erfindungsgemäß eine Referenzfahrt mit einer steigenden Laserleistung als Prozessparameter durchführen, bei dem im Prozess die obere und untere Definitionsgrenze auftritt und überschritten wird. Ist die untere Definitionsgrenze beispielsweise die Durchschweißung und die obere Definitionsgrenze der Nahteinfall, so kann eine Referenzfahrt mit einer Laserleistung beginnen, die noch keine Durchschweißung hervorruft. Während der Referenzfahrt wird die Laserleistung so gesteuert, dass sie kontinuierlich steigt, bis ein Nahteinfall auftritt. Dieser Prozess wird mit der beschriebenen Prozesssensorik, die die entsprechenden Messwerte aufnimmt, beobachtet und zum Erlernen der Prozessumgebung verwendet. Ein anderes Beispiel betrifft Produktionsprobleme zwischen zwei Chargen von fettigen und nicht fettigen Werkstücken. Hier müssten zum Erlernen bei der Referenzfahrt ebenfalls die Definitionsgrenzen enthalten sein. Der Bediener teilt dem kognitiven Lasermaterialbearbeitungssystem mit, wo die Definitions- grenzen liegen, so kann das erfindungsgemäße System lernen, zwischen den Bereichen zu unterscheiden.
Zum Erlernen der Prozessumgebung sind erfindungsgemäß zwei unterschiedliche Verfahren vorgesehen, welche im Folgenden beschrieben werden.
Wie in Figur 5A gezeigt, können zur Erlernung der Prozessumgebung lineare sowie nichtlineare Dimensionsreduzierer und Mannigfaltigkeit-Lernmethoden wie Hauptkomponentenanalyse (PCA), MDS (Multidimensional Scaling), LLE (Locally Linear Embedding) und SVM (Support Vector Machines) eingesetzt werden. Diese Methoden können sowohl in Kombination als auch alleinstehend eingesetzt werden. Zur Erlernung der Prozessumgebung kann weiter eine Diskriminanzanalyse eingesetzt werden, wie weiter unten beschrieben wird.
Wie in Fig. 5B gezeigt, ist ein anderer Ansatz zur Erlernung der Prozessumgebung der Einsatz eines Künstlichen Neuronalen Netzes (KNN).
Im ersten Ansatz wird, vereinfacht beschrieben, die hohe Menge an Sensordaten fusioniert und reduziert. Dabei bleiben möglichst alle wesentlichen Merk- male erhalten und redundante Information werden vernachlässigt. Am Ende steht für jeden beobachteten Zeitpunkt ein Vektor bzw. eine Matrix aus Kennwerten, die aus den Messwerten der Sensoren gewonnen, jedoch in der Datenmenge stark reduziert wurden. Mit dieser Matrix bzw. Vektor, den man auch als Fingerabdruck des Prozesses oder Charakteristik bezeichnen kann, soll der Prozesszustand eindeutig klassifiziert werden können.
Mit Künstlichen Neuronalen Netzen ist das Vorgehen ein anderes, da hier das Netz trainiert wird und die gelernten Informationen anschließend im Netz vorhanden sind, welche das Ergebnis dann klassifizieren kann. Die Ausgangs- neuronen ergeben so zunächst eine Klassifizierung anhand der trainierten Daten. Anhand dieser Klassifizierung kann anschließend geregelt werden. Wird der Bearbeitungsprozess nun beobachtet, muss das aktuelle Prozessergebnis erfasst werden, mit dem vorher gelernten Sollbereich, welcher als Punktmenge im Kennwertraum aufgefasst werden kann, verglichen werden, und ggf. die Prozessparameter angepasst werden, wie in den Fig. 6A und 6B gezeigt. Die Prozessparameteranpassung kann und sollte bereits vor dem Austritt aus dem Sollbereich erfolgen. Hierbei kann die vorbestimmte Punktmenge, welche für die Regelung des Systems verwendet wird, so angepasst werden, dass in einem Regelungsfall der aktuelle Fingerabdruck des Sensorsystems die vorbestimmte Punktmenge bereits zu einem Zeitpunkt verläset, wenn der Fingerabdruck in einen Randbereich des Sollbereichs eintritt.
Im folgenden wird die Klassifizierung des aktuellen Prozessergebnisses nach der ersten Methode beschrieben (Fig. 6A). Das kognitive Lasermaterialbearbei- tungssystem hat bereits in der Datenbank eines Speichers die erlernte Pro- zessumgebung, die gelernten Merkmale oder Fingerabdrücke in Form von einem Vektor oder einer Matrix gespeichert. Die aktuell vom Prozess gewonnenen Messwerte der Sensoren müssen zunächst in der Datenmenge reduziert und zum Vergleich in den gleichen Datenraum, also den Kennwertraum, wie die Merkmalsvektoren oder Fingerabdrücke gebracht werden, somit wird ein aktueller Fingerabdruck als reduzierter Sensordatenvektor bzw. Matrix im Kennwertraum erhalten, der mit der erlernten Punktmenge im Kennwertraum verglichen wird. Somit kann die Wahrscheinlichkeit erhalten werden, dass der aktuell erfasste Datenpunkt am nächsten zu einem gewissen Merkmalspunkt ist. Hierbei ist bekannt, ob dieser Merkmalspunkt noch innerhalb des Sollbe- reiches ist, ferner ist die wahrscheinlich notwendige Korrektur des Prozessparameters bekannt.
Die Klassifizierung des aktuellen Prozessergebnisses mittels neuronaler Netze (Fig. 6B) erfolgt durch das trainierte Netz. Klassifizierungsergebnis ist, ob der Prozess noch im Sollbereich liegt und mit welcher Tendenz der Prozessparameter angepasst werden soll.
Die Steuerung bzw. Regelung des Prozesses gemäß dem erfindungsgemäßen Verfahren erfolgt auf die folgende Weise. Mittels des Klassifizierungsergebnis- ses kennt die Regelungseinheit bereits die Richtung und die Stärke, mit der die entsprechenden Aktoren aktiviert werden müssen. Verschiedene Regelverfahren können eingesetzt werden. So kann beispielsweise die Minimierung der geodesischen Distanz zwischen gewünschten Merkmalsvektor und Ergebnisvektor oder ein Regelverfahren mit Kaiman-Filter und Minimierung des mittleren quadratischen Fehlers eingesetzt werden. Zudem kann die Tendenz zur Regelung aus den multidimensionalen Merkmalsräumen oder Kennwerträu- men über die "Support Vector"-Klassifikation ermittelt werden. Der Regler darf den vorher definierten Sicherheitsbereich nicht überschreiten.
Die Erfindung kann in mehreren Verfahrensvarianten angewandt werden, von denen an dieser Stelle einige vorgestellt werden.
In der Prozessüberwachung ist es wichtig, einige Fehler sauber zu diskutieren. Auch hier zeigt der Einsatz von kognitiver Lasermaterialbearbeitung gute Ergebnisse. Beim Fehlererkennungsverfahren (wie in Fig. 7 illustriert) muss zunächst ein Fehler bewusst vom Bediener provoziert werden, damit das kog- nitive System diesen erlernen kann. Hat das System den Fehler gelernt kann es diesen genau detektieren. Dies soll mit folgendem Beispiel illustriert werden. Erkannt werden soll der Gart oder die Bart-Entstehung an den Schnittkanten bei einem Laserschneidprozess mit einer Prozesssensorik mit diversen Sensoren, u.a. einer In-Prozess Kamera. Der Bediener macht eine Referenz - fahrt mit konstanten Steuerparametern außer dem Prozessgas, welches er über die Steuerung während der Referenzfahrt so weit abfallen lässt, so dass Grat deutlich entsteht. Ist die Referenzfahrt beendet, errechnet das kognitive Lasermaterialbearbeitungssystern über die PCA, Principal Components Analyse oder eine Kombination aus den anderen Methoden der vorgestellte Dimen- sionsreduzierer, die entsprechenden Hauptkomponenten aus den Sensordaten. Der Bediener nennt dem System nun, an welchen Stellen des Werkstük- kes Gart entstanden ist. Aus der Information, wo der Grat an der Schnittkante entstanden ist und an welchen Stellen entsprechende Hauptkomponenten aus den Sensordaten errechnet wurden, kann das kognitive System anschlie- ßend die entsprechende Komponente, ein Vektor bzw. Matrix, errechnen, die die gesammelten Merkmale bzw. den Fingerabdruck für das Entstehen von Grat enthält. Aus den aktuellen Sensordaten im weiteren Betrieb der Anlage kann dann mit Matrix-Vektor Algebra während des Prozesses errechnet und dem Bediener angezeigt werden, ob der gelernte Fehler aufgetreten ist.
Das gleiche Verfahren kann eingesetzt werden, um beispielsweise Effekte beim Laserstrahlschweißen oder Laserschneiden zu erkennen: Falscher Freund, Nahteinfall, Durchschweißung, Schnittbreite X, Status Durchschnitt,
Schnittkantenrauhigkeit, Verbrennungseffekte, Schweißnahtbreite Y, Status Einschweißung, Status Durchschweißung, Status Anbindequerschnitt, Spalt im Überlappstoß, Spalt im Stumpfstoß, Lateralversatz, Auswürfe, Poren, Lö- eher.
Die Erfindung kann auch dazu eingesetzt werden, einen Chargenwechsel zu vereinfachen, der zuvor eine Anpassung des Lasermaterialbearbeitungssys- tems erforderte. Die Werkstücke der neuen Charge haben geringfügig geän- derte Eigenschaften, z.B. Materialdicke oder Verschmutzungsgrad. Es wird wieder zunächst eine Lernphase und anschließend eine Klassifizierungsphase durchgeführt. Nach der Klassifizierungsphase kann bereits ein Regelprozess realisiert werden. Es können aber auch neue Steuerparameter für eine Prozessänderung geschätzt werden, die z.B. durch einen Chargenwechsel auftre- ten.
In der Lernphase werden gemäß Figur 8 die Messwerte der Prozesssensorik von einer Referenzfahrt erfasst. Als Referenzfahrt werden erneut konstante Prozesssteuerungsparameter eingestellt, bis auf einen Steuerparameter, der variiert wird. Bei einem Laserstrahlschweißprozess kann beispielsweise die Laserleistung stetig während der Referenzfahrt gesteigert werden. Die erfass- ten Daten werden vom kognitiven Lasermaterialbearbeitungssystem mit Di- mensionsreduzierern bearbeitet, vgl. Figur 9. Die Ausgangsdaten jedes verwendeten Sensors werden zunächst mit einem entsprechenden Tiefpass gefil- tert. Anschließend werden über die Principal Component Analyse die n Hauptkomponenten ausgibt. Die Daten werden anschließend normiert und vom Mittelwert befreit. Am Ende dieses Verarbeitungsschrittes erhält man die Merkmalsausprägungsdaten für die verwendeten Sensoren zu jedem erfassten Zeitabschnitt. Die entsprechenden Merkmale oder Finger ab drücke und deren Ab- bildungsvorschrift werden in einer Datenbank für Merkmalsabbildungsvorschriften abgelegt. Der Bediener des Systems definiert nun auf dem Werkstück einen Bereich, der dem gewünschten Ergebnis entspricht. Diese Definition wird in einen Vektor überführt, mit welchem ein Klassifizierter trainiert werden kann. Um eine Klassifizierung durchführen zu können wird in diesem Verfahren Support Vector Machines verwendet. In diesem Fall wird ein Verfahren der Support Vector Classification angewandt. Es beschreibt ein mathematisches Verfahren zur Unterscheidung von gewünschten und nicht ge- wünschten Prozessergebnissen, die durch eine multidimensionale Trennung des Merkmalsraumes durchführt, basierend auf den Vorgaben des Bedieners. Die Datenbank mit Merkmalsabbildungsvorschriften beschreibt die Abbildungsvorschrift und die Klassifizierungsdatenbank beschreibt die Trennung der Merkmalsräume.
Im Folgenden wird die Anwendung des erlernten Prozesswissens zur Klassifizierung bzw. Beurteilung des aktuellen Bearbeitungsprozesses (Fig. 10) beschrieben. Nach der Lernphase überwacht das kognitive Lasermaterialbear- beitungssystem den Bearbeitungsprozess, nach den vorher eingelernten Bedienerwünschen. Die Sensordaten werden basierend auf den Vorgaben der bestimmten Merkmalsabbildungsvorschriften dimensionsreduziert. Auf die ausgegebenen Daten befinden sich im vorbestimmten Merkmalsraum oder Kennwertraum. Die vom Bediener gelernten Klassifizierungsdaten über das Sup- port Vector Classification Verfahren dienen zur Beurteilung des aktuellen Bearbeitungsprozesses. Es kann beurteilt werden, ob das aktuelle Prozessergebnis im vom Bediener definierten Sollbereich liegt und welche Tendenz über eine Wahrscheinlichkeit für den Prozesssteuerungsparameter zur Regelung des Prozesses eingeschlagen werden soll.
Nun soll die Schätzung von neuen Steuerparametern oder Prozessparametern bei kleinen Prozessänderungen durch einen Chargenwechsel beschrieben werden. Wird der Bearbeitungsprozess für eine gewisse Dauer abgeändert, z.B. durch eine leichte Änderung der Werkstückeigenschaften bei einem Chargen- Wechsel, können die neuen Steuerparameter geschätzt werden. Dazu muss neben der vorherigen Referenzfahrt 1 eine neue Referenzfahrt 2 durchgeführt werden. Bei Referenzfahrt 1 und 2 wurden die gleichen Steuerparameter angewendet.
Wie in Figur 1 1 gezeigt, werden die Sensordaten oder die Messwerte der Sensoren von Referenzfahrt 2 erneut dimensionsreduziert. Die Abbildungsvorschriften werden nun auf die aufgezeichneten Sensordaten der Referenzfahrt 1 angewandt. Über das erfindungsgemäße Verfahren der Support Vector Classification werden die Auftrittswahrscheinlichkeiten der Merkmale aus Refe- renzfahrt 1 während der Referenzfahrt 2 errechnet. Das kognitive Lasermate- rialbearbeitungssystem kann so aus der Position auf dem Werkstück bzw. aus den an dieser Stelle verwendeten Steuerparametern und den Auftrittswahr- scheinlichkeiten der Merkmale errechnen, welche Steuerparameter im neuen Prozess ein sehr ähnlich oder nahezu gleiches Ergebnis wie im vorherigen Be- arbeitungsprozess hervorrufen werden.
Im merkmalsbasierten Regelungsverfahren werden wie in den zuvor geschilderten Verfahren Merkmale aus den Prozessdaten gewonnen. Diese Merkmale werden durch anfängliche und regelmäßig wiederkehrende Referenzfahrten vom Bediener klassifiziert, mit entsprechender Bewertung, ob der Steuerparameter angepasst werden soll. Die entsprechenden Merkmale und die dazuge- hörigen Klassifizierungen werden in einer Datenbank ggf. mit Anpassungsvorschlag abgelegt. Der Bediener beurteilt also das System in regelmäßigen Abständen und schult es somit. Das System kann so zunächst feststellen, ob sich das aktuelle Prozessergebnis noch im vorgegebenen Merkmalsraum befindet und ob das System eine Anpassung der Steuerparameter durchführen soll. Die gelernten Merkmale und Anpassungsvorschläge werden somit über die Zeit mehr und das System wird in der Bearbeitung immer besser. Ähnliche Merkmale und Anpassungsvorschläge können miteinander wieder verrechnet werden, um einer Merkmalsflut zu entgehen.
Im Folgenden soll noch das erfindungsgemäße High Dynamic Range (HDR)- Verfahren genauer erläutert werden. Bei diesem Verfahren wird ein bildgebender Sensor entweder mehrfach, also mindestens zwei Mal, pro Bild zu unterschiedlichen Zeitpunkten abgetastet oder mehrere Bilder, also zwei, drei oder mehr Bilder mit unterschiedlichen Belichtungszeiten oder mit mehreren Ka- meras erstellt und anschließend miteinander zu mindestens einem Bild verrechnet. Dieses Vorgehen ermöglicht eine Bild-, Bildsequenz- oder Videoaufnahme, die zugleich die umliegende Bearbeitungsfläche, das Prozessleuchten sowie die Dampfkapillare bzw. das Keyhole in einem Bild sichtbar machen. Die genannten Bereiche liegen in den Intensitätswerten bei einer Bildaufnah- me von Laserbearbeitungsprozessen in einem weiten Bereich verteilt, der durch das genannte Verfahren in einem Bild sichtbar gemacht werden kann. Zur Anzeige auf einem Bildschirm oder Anzeigegerät im Zusammenhang mit einem Prozessüberwachungssystems bzw. einer Auswerte- oder Steuereinheit mit vergleichsweise niedriger Intensitätsauflösung wird ein so erstelltes Bild oder Bildsequenz über ein Grauwert- oder Tonemapping- Verfahren angepasst dargestellt. Wie in den Figuren 12 und 13 dargestellt, werden, um ein HDR- Verfahren oder ein Verfahren zur besseren Visualisierung von Bearbeitungsfläche, Prozessleuchten und Dampfkapillare durchzuführen, erfindungsgemäß mehrere Bilder oder Pixelarrays miteinander verrechnet.
Die unterschiedlichen Bilder können durch mehrfaches Abtasten eines bildgebenden Sensors entstehen oder durch simultane Bildaufnahme mit mehreren Kameras oder durch sequentielle Bildaufnahme mit einer Kamera, aber unterschiedlichen Belichtungszeiten, genannt Multi-Exposure-Technik. Die Ver- rechnung der einzelnen Bildaufnahmen kann auf verschiedene Verfahrensarten geschehen. Dazu gehört im einfachsten Fall das Aufaddieren und Mitteln der einzelnen Bildwerte von mehreren Bildern einer Bildsequenz aus mindestens zwei Bildaufnahmen. Für eine bessere Bildgewinnung können die Bildwerte oder Pixel aus einer Bildsequenz aus mindestens zwei Bildaufnahmen gewichtet gemittelt werden.
Als Gewichtungsverfahren kann entweder ein Entropie-Verfahren verwendet werden, zur Gewichtung nach dem Informationsgehalt, oder es kann eine ge- wichtete Mittelung unter Berücksichtigung der Kamera-Antwort-Funktion (engl. Camera Response Function), durchgeführt werden. Hierzu muss ein Rückschluss auf die reale oder realitätsnahe Strahlungsenergie pro Fläche erfolgen, der durch die folgende Funktion gegeben ist:
Die Gewichtung für die einzelnen Strahlungsenergien lautet dann:
∑ι wι] * xtJ J ∑,w„
Dabei ist i der Bildindex aus einer Bildsequenz mehrerer Bildaufnahmen, j die Pixel Position, tj die Belichtungszeit oder Abtastzeit der Bildaufnahme i, y^ der Intensitätswert des Pixels der Bildaufnahme i an der Position j, 1" 1O die inverse Camera Response Function, xj die geschätzte Strahlungsenergie pro Fläche an Pixelposition j, wy die Gewichtungsfunktion des Zuverlässigkeits- modells. Die Erfindung betrifft explizit den Einsatz dieser dargestellten HDR- Bildverrechnungsmethoden in Bearbeitungsverfahren wie Trennen oder Fügen von Materialien, insbesondere mit Laserbearbeitungsköpfen und/oder dem daran angeschlossenen erfindungsgemäßen Prozessüberwachungssystem.
Im Folgenden sollen ferner noch die eingesetzten Sensoren und Klassifizie- rungsverfahren genauer beschreiben werden.
Als Sensorik kann prinzipiell jeder Sensor verwendet werden, der eine Sensordatenausgabe ermöglicht. Konkret sind dies beispielsweise Mikrophone oder Körper schallaufnehmer, Kameras, Fotodioden, Taster, technische Auswerte- und Überwachungssignale sowie Aktorikparameter, wie beispielsweise die Laserleistung.
Merkmalsextrahierung und Dimensionsreduktion: Hierbei können alle Verfahren verwendet werden, die die Datenmenge reduzieren und den Informations- gehalt weitestgehend erhalten. Konkret sind hier die Hauptkomponentenanalyse (PCA), Independent Component Analyse (ICA), die Wavelet- Analyse, Fou- rier, Fast-Fourier und Laplace Analyse, Merkmals- und Objekterkennungsverfahren, Locally-Linear Embedding, Künstliche Neuronale Netze, Multidimensi- onal Scaling u.v.m..
Die reduzierte Datenmenge kann als eine Punktwolke eines multi-dimensiona- len Raumes interpretiert werden, die aus einem höher dimensionalen Raum gewonnen wurde. Durch die Reduzierung der Daten ist es möglich diese in endlicher Zeit mit zuvor aufgezeichneten und klassifizierten bzw. gelernten Datenmengen zu vergleichen. Bei dieser Klassifikation kann festgestellt werden, ob die neuen Sensordaten bereits aufgezeichneten Sensordaten ähneln und dieser Ähnlichkeit eine Wahrscheinlichkeit zugeordnet werden. Wird ein definierter Schwellwert für eine Ähnlichkeitswahrscheinlichkeit einer zuvor aufgezeichneten Datenmenge überschritten, so kann der darunter zuvor hin- terlegte Lösungs- bzw. Steuerungs- bzw. Regelungsansatz verfolgt werden. Wird der Schwellwert für eine Ähnlichkeitswahrscheinlichkeit zu zuvor gelernten Datenmengen überschritten, so hat das System eine neue Situation.
Die Verhaltensweise für eine neue Situation kann entweder durch Erfragen bei einem menschlichen Bediener gelernt werden oder aus den bisherigen Daten und Lösungsstrategien nach dem Ähnlichkeitsprinzip ausprobiert werden. Hier kommen selbstlernende Algorithmen zum Einsatz, die nach einer Zielvor- gäbe anschließend nach einem Ausprobieren eines selbst erschlossenen Ansatzes überprüfen, ob ein Ziel erreicht wurde und den gewählten Lösungsansatz entsprechend bewerten. Für die Klassifikation, Ablegung von Erfahrungswerten und Lösungsstrategien sowie als selbstlernende Algorithmen können die folgenden Verfahren eingesetzt werden: Support Vector Machines, Support Vector Klassifikation, Fuzzy Logic, Informations Fuzzy Netze, Fuzzy K-Nearest Neighbor Klassifikator, K-Nearest Neighbor Klassifikator, Reinforcement Lear- ning, Bayesian Networks und Bayesian Knowledge Datenbanken, Naive Bayes Klassifikatoren, Hidden Markov Ketten, Künstliche Neuronale Netze und Backpropagation, Regressions Analyse, genetische Programmierung oder Entscheidungsbäume.
Die nach der Klassifikation resultierende Lösungsstrategie, bzw. eine Regleroder Aktoriksteuerung kann einfach ausgeführt werden, sie kann aber auch die Art der Datengewinnung steuern. Wird zum Beispiel kein Schwellwert für eine bekannte Datenmenge erreicht, so kann die Art der Datengewinnung verändert werden. Beispielsweise kann dies durch Anpassung einer Wavelet Analyse hin auf neue Frequenzbereiche oder durch Wechsel von PCA zu ICA erfolgen.
High Dynamic Range-Verfahren (HDR Verfahren)
Ein HDR Verfahren kann zur Berechnung eines höheren Kontrastverhältnisses aus mehreren aufgenommenen Bildern oder Bildwertmatrizen und -vektoren mit unterschiedlichen Kontrastverhältnissen verwendet werden. Dazu können bei einer Bildaufnahme oder Beobachtung einer Szene mehrere Bilder mit unterschiedlichen Belichtungszeiten aufgenommen werden, aus denen anschließend ein Bild oder eine Bildfolge mit verbessertem Kontrastverhältnis errechnet werden kann. Um eine Bildfolge mit unterschiedlichen Kon- trastverhältnissen zu erzeugen können mehrere Bilder mit unterschiedlicher Belichtungszeit aufgenommen werden, nach dem sogenannten Multi-Exposure Verfahren.
Es können aber auch während einer Belichtungszeit die Bildpunktwerte mehrfach abgetastet werden. Auf diese Weise wird eine Bildfolge mit unterschiedlichen Kontrastverhältnissen während einer Belichtungszeit erstellt. Hier kommt es dazu, dass die auf einem bildgebenden Sensor vorhandenen Ladungen, die die Bildpunkte repräsentieren, einmal abgerufen werden und danach nicht ein zweites Mal abgerufen werden können. Es existieren jedoch Techniken, wie das zerstörungsfreie Lesen auch Non-Distructive Readout (NDRO) genannt oder eine Multi-Slope bzw. Single Slope Auslesen oder Cooled Imager oder Charge-Injection Imaging (CIS) oder Thin-Film on CMOS (TFC) oder Aktive Pixel-Sensor (APS) oder Single-slope oder Correlated Double Sampling (CDS), die das mehrfache Abfragen einer Ladung, beispielsweise bei einem CMOS Chip, während einer einzigen Belichtungsdauer ermöglichen, ohne dass sich der abgefragte Ladungswert durch die Abtastung ändert. Diese Techniken können erfindungsgemäß zur Beobachtung eines Laserbearbeitungsprozesses verwendet werden, um damit ein Beobachtungs- oder Steuerungsverfahren zu realisieren, wobei es aufgrund des HDR-Verfahrens möglich ist, bei einem durchzuführenden Laserschweißvorgang gleichzeitig die Prozessemissionen, die Dampfkapillare, das Schweißbad, die Schweißnahtgeo- metrie, die Schweißnahtführung zu beobachten und aufzulösen, oder bei einem durchgeführten Laserschneidvorgang gleichzeitig die Schnittstelle, die Schnittkante, das Prozessleuchten sowie die Gradentstehung und die Gradgeometrie zu beobachten und aufzulösen. In beiden Fällen ist es möglich, gegebenenfalls eine auf ein zu bearbeitendes Werkstück projizierte Laserlinie zu beobachten (wie auch in Figur 12 gezeigt).
Reinforcement Learning (RL)
Bestärkendes Lernen bzw. Verstärkendes Lernen oder auch Reinforcement Le- arning (RL) genannt bezeichnet ein Bereich des maschinellen Lernens. Es beschreibt Verfahren in denen Systeme oder Agenten, (Engl, agent), Handlungen (Engl, action) auf Umgebungen (Engl, environment) anwendet um eine Belohnung (Engl, reward) zu maximieren. RL findet dabei Abbildungsvorschriften oder Verfahrensweisen (Engl, policy) für einen oder mehrere Systemzustände oder Zustände (Engl. State) auf Systemaktionspläne oder Handlungen (Engl, actions). Die Verfahrensweisen von RL lassen sich erfindungsgemäß zur selbstverbessernden Steuerung und Beobachtung von Laserbearbeitungsprozessen einsetzen.
Fig. 14 zeigt eine mögliche Verfahrensweise, wie RL in einem Laserbearbei- tungsprozess integriert werden kann. Die zu lernenden Werte werden durch die Matrix Q symbolisiert. Die Q Matrix besteht aus den Komponenten QSl , QSn, QSA, QDR, QRl , QRm, diese können eine oder mehrere Werte enthalten. Diese Komponenten werden mit einem Startwert initialisiert und nach einem RL Verfahren optimiert. Diese Optimierung findet dadurch statt, dass eine Handlung ausgeführt wird, diese durch eine Belohnungsfunktion bewertet wird und diese Bewertung die Werte der Q Matrix abändern. Vergleichbar mit einem Theater, wo ein Schauspieler von einem Kritiker bewertet wird, und der Schauspieler seine Handlungen anpasst. Wie zuvor beschrieben, kann in einer Referenzfahrt oder durch eine Einlernphase eine Punktwolke mit entsprechender Klassifizierung durch einen menschlichen Experten gewonnen wer- den. In dieser sind also die Charakteristiken oder Punktwolken oder Merkmale oder Fingerabdrücke oder Sensormesswerte hinterlegt, die das gewünschte Prozessergebnis darstellen. Dies kann durch eine Support Vector Machine oder einem anderen Klassifikationsverfahren realisiert werden. Diese kann eine Belohnungsfunktion darstellen, nach der das RL Verfahren arbeitet. Die Q Matrix wird also nach dieser vom Menschen eingelernten Belohnungsfunktion optimiert. Auf diese Weise können Gewichtungswerte oder Einstellparameter gelernt und optimiert werden, wie zum Beispiel die Gewichtung unterschiedlicher Sensoren untereinander (QSl, QSn), die Auswahl spezieller Merkmale die zur Steuerung oder Beobachtung herangezogen werden (QDA), die Auswahl von Sollwerten für diverse Regelverfahren (QDR), oder auch die Reglereinstellparameter wie zum Beispiel proportional, P-Anteil, integriert, I- Anteil, und differenziert, D-Anteil (QRl , QRm). Die Steuerungs-, Regelungsoder Beobachtungseigentschaften eines Laserbearbeitungssystems können auf diese Weise über die Benutzungsdauer hinweg optimiert werden. Metho- den die innerhalb eines Reinforcement Learning oder einem anderen maschinellem Lernverfahren in der Lasermaterialverarbeitung zur Anwendung kommen können, sind erfindungsgemäß die folgenden: Markov Entscheidungspro- zess (Engl. Markov Decision Process (MDP), Q Lernen (Engl. Q Learning) Adaptive Heuristic Critic (AHC), State-Action-Reward-State-Action (SARSA) Al- gorithmus, Self-Organizing Map (SOM), Adaptive Resonance Theory (ART), Multivariate analysis (MVA), Expectation-Maximization (EM) Algorithmus, Radial Basis Function Network, Time Series Prediction, Automatic target recog- nition (ATR), Radial Basis Function (RBF) sowie ähnliche Verfahren. Diskriminanzanalyse und Regelungsverfahren
Eine Diskriminanzanlayse (DA) bzw. lineare Diskriminanzanalyse oder auf Englisch Linear Discriminant Analysis (LDA) wie auch Fisher's linear discri- minant genannt ist ein statistisches Analyseverfahren, welches ein ähnliches Funktionsprinzip aufweist wie die bereits beschriebene Hauptkomponentenanalyse. Im Gegensatz zur Hauptkomponentenanalyse beachtet die DA auch die Klassenzugehörigkeit einer Klassifikation. Auch DA kann alternativ zur Dimensionsreduktion in dem erfindungsgemäßen Verfahren eingesetzt wer- den, stellt aber gleichzeitig eine Kombination aus Dimensionsreduktion und Klassifikationsverfahren dar.
Es können damit, wie in Figur 15 dargestellt, Sensordaten erfasst werden, in Dimension reduziert werden und mit einem wie bereits beschriebenen Verfah- ren mit vorher gelernten Daten klassifiziert werden. Das Klassifikationsergebnis kann dann als Basis für eine Istwert Berechnung für einen oder mehrere Regler mit gelernten Sollwerten zur Steuerung von einem oder mehreren Aktoren oder Steuerparameter verwendet werden. Die DA ist mit anderen Di- mensionsreduktionsverfahren erfindungsgemäß in der Lasermaterialbearbei- tung kombinierbar, so kann zum Beispiel zunächst eine Hauptkomponenten Analyse durchgeführt werden und daraufhin eine DA durchgeführt werden. Dies gilt auch für die anderen bereits beschriebenen Dimensionsreduktions- verfahren, die einen Sensordateneingangsvektor der Dimension Y auf eine Dimension X mit X < Y reduzieren. Die Kombinationen können sich für die je- weiligen Sensoren unterscheiden. So ist die bereits erwähnte Independent Component Analysis, die Merkmale nach statistischer Unabhängigkeit extrahiert, besonders für akustische Sensoren geeignet und die Hauptkomponentenanalyse für bildgebende Sensoren. Weitere Dimensionsreduktionsverfahren können erfindungsgemäß in einem beschriebenen Lasermaterialverarbei- tungssystem zum Einsatz kommen: Betriebssystemkern Haupkomponentena- nalyse (Engl. Kernel Principle Component Analysis), locally linear embedding (LLE), Hessian LLE, Laplace Eigenname und -karte (Engl. Laplacian Eigen- maps), Local Tangent Space Alignment (LTSA), Semidefinite Embedding (SDE), Maximum Variance Unfolding (MVU), Curvilinear Component Analysis (CCA), Data-driven High-dimensional Scaling (DD-HDS), Autoencoders, als Spezial- variante eines Feed-Forward Künstlichen Neuronalen Netz, Boltzmann Machines sowie alle Verfahren ähnlichem Prinzips. Eine Hauptkomponentenanalyse oder andere Dimensionsreduktionsverfahren oder eine Merkmalsextraktion oder ein HDR Verfahren können erfindungsgemäß zur besonders schnellen Datenverarbeitung auch auf einem in einer Bilderfassungseinheit integrierten Cellular Neural Network (CNN) in einem La- serbearbeitungssystem ausgeführt werden. CNN ist ein paralleles Berechnungsverfahren ähnlich zu einem Künstlichem Neuronalen Netzwerk.
Ferner kann, wie in Figur 16 gezeigt, erfindungsgemäß zur schnelleren Datenverarbeitung auch direkt mit Sollwerten aus einer Dimensionsreduktion ein Laserbearbeitungsprozess geregelt werden, eine Klassifikation kann dann dazu dienen die besten Sollwerte mit einer Optimierung eines Signal zu Rauschabstandes bestimmt werden. Auf diese Weise können sehr hohe Regelungszyklen realisiert werden, bei gleichzeitig hoher Adaptivität durch Berücksichtigung der gelernten Klassifikationsergebnisse.

Claims

1 Patentansprüche
1. Verfahren zur Überwachung eines an einem Werkstück durchzuführenden Laserbearbeitungsvorgangs, mit den folgenden Schritten: - Erfassen von zumindest zwei aktuellen Messwerten mittels zumindest einem Sensor, welcher den Laserbearbeitungsvorgang überwacht,
Ermitteln von zumindest zwei aktuellen Kennwerten aus den zumindest zwei aktuellen Messwerten, wobei die die zumindest zwei aktuellen Kennwerte gemeinsam einen aktuellen Fingerabdruck in einem Kennwertraum dar-
J O stellen,
Bereitstellen einer vorbestimmten Punktmenge in dem Kennwertraum, und
Klassifizieren des Laserbearbeitungsvorgangs durch Erfassen der Lage des aktuellen Fingerabdrucks relativ zur vorbestimmten Punktmenge im
15 Kennwertraum, wobei der zumindest eine Sensor zumindest eine Kameraeinheit umfasst, die Kamerabilder mit unterschiedlichen Belichtungszeiten aufnimmt und diese über ein High Dynamic Range (HDR)-Verfahren miteinander verrechnet, um als aktuelle Messwerte Bilder mit hohem Kontrastverhältnis bereitzustellen. 0
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass das HDR- Verfahren dazu ausgebildet ist, die Kamerabilder so zu verrechnen, dass bei einem durchgeführten Laserbearbeitungsvorgang gleichzeitig die umliegende Bearbeitungsfläche eines zu bearbeitenden Werkstücks sowie das Prozess- 5 leuchten in einem Bild sichtbar gemacht werden können.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Kamerabilder durch mehrfaches Abtasten eines bildgebenden Sensors der Kameraeinheit, durch simultane Bildaufnahme mit mehreren Kameras oder 0 durch sequentielle Bildaufnahme mit einer Kamera mit unterschiedlichen Belichtungszeiten aufgenommen werden.
4. Verfahren nach Anspruch 1 , 2, oder 3, dadurch gekennzeichnet, dass die Verrechnung der aufgenommenen Kamerabilder durch die zumindest eine 5 Kameraeinheit mittels eines Gewichtungsverfahrens anhand eines Entropie- Verfahres oder anhand einer Kamera-Antwort-Funktion durchgeführt wird.
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass die zu verrechnenden Kamerabilder mittels einer vorlaufenden Kamera vor dem Laserbearbeitungsprozess, einer Kamera, welche die Laserbearbeitungszone abbildet, und /oder einer nachlaufenden Kamera nach dem Laser- bearbeitungsprozess aufgenommen werden.
6. Verfahren nach einem der vorstehenden Ansprüche, mit dem Schritt des Regeins zumindest eines Prozessparameters eines zugehörigen Aktors derart, dass, wenn der aktuelle Fingerabdruck die vorbestimmten Punktmenge des Kennwertraums verlässt, der zumindest eine Aktor so aktiviert wird, dass die Änderung des zugehörigen Prozessparameters einem Gradienten im Kennwertraum entspricht, der sich ausgehend von dem Fingerabdruck in Richtung der vorbestimmten Punktmenge im Kennwertraum erstreckt.
7. Verfahren nach nach einem der vorstehenden Ansprüche, dadurch gekennzeichnet, dass das Ermitteln eines aktuellen Kennwerts aus zumindest einem aktuellen Messwert, ein Verfahren zur Datenreduktion oder Dimensionsreduktion, wie eine Hauptkomponentenanalyse, multidimensionale Skalierung, Support Vector Machines oder eine Support Vector Classification umfasst.
8. Verfahren nach nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass das Ermitteln eines aktuellen Kennwerts aus zumindest einem aktuellen Messwert mit Hilfe eines neuronalen Netzes erfolgt.
9. Verfahren nach einem der vorstehenden Ansprüche, dadurch gekennzeichnet, dass die vorbestimmte Punktmenge innerhalb des Kennwertraums mittels eines Lernprozesses festgelegt wird.
10. Verfahren nach einem der vorstehenden Ansprüche, dadurch gekennzeichnet, dass das Gradientenfeld des Kennwertraums in Abhängigkeit der Prozessparameter in unterschiedlichen Bereichen an den Stellen im Kennwertraum ermittelt wird, welche hinsichtlich des Gradienten repräsentativ für den jeweiligen Bereich sind.
1 1. Verfahren nach Anspruch 10, dadurch gekennzeichnet, dass der Gradient des Kennwertraums in Abhängigkeit eines Prozessparameters durch eine Variation des Prozessparameters an einer vorbestimmten Stelle des Kennwertraums ermittelt wird.
12. Verfahren nach einem der vorstehenden Ansprüche, dadurch gekenn- zeichnet, dass der zumindest eine Sensor aus einer Gruppe ausgewählt ist, welche zumindest eine Fotodiode mit Filtern für bestimmte Wellenlängen, Körper- und Luftschallaufnehmer, und zumindest eine Kameraeinheit mit einer entsprechenden Oberflächenbeleuchtung umfasst.
13. Verfahren nach einem der vorstehenden Ansprüche, dadurch gekennzeichnet, dass der zumindest eine Aktor aus einer Gruppe ausgewählt ist, welche eine Steuerung der Laserleistung, eine Geschwindigkeitssteuerung des Bearbeitungskopfes relativ zum Werkstück, eine Steuerung der Fokuslage des Bearbeitungslaserstrahls, eine Steuerung des Abstands des Bearbei- tungskopfes zum Werkstück, und eine Steuerung des Lateralversatzes umfasst.
14. Vorrichtung zur Durchführung eines Verfahrens zur Überwachung eines an einem Werkstück durchzuführenden Laserbearbeitungsvorgangs gemäß den vorstehenden Ansprüchen, mit: zumindest einem Sensor zur Überwachung des Laserbearbeitungsvorgang, welcher zur Erfassung von zumindest zwei aktuellen Messwerten geeignet ist, einer Datenverarbeitungseinheit zum Ermitteln von zumindest zwei Kennwerten aus den zumindest zwei aktuellen Messwerten zum Erstellen eines aktuellen Fingerabdrucks in einem Kennwertraum, einer Speichereinheit zum Speichern einer vorbestimmten Punktmenge innerhalb des Kennwertraums, und einer Klassifizierungseinheit zur Bewertung des Laserbearbeitungsvor- gangs durch Erfassen der Lage des aktuellen Fingerabdrucks relativ zur vorbestimmten Punktmenge im Kennwertraum.
15. Vorrichtung nach Anspruch 14, ferner mit einer Regelungseinheit zum Regeln zumindest eines Prozessparameters eines zugehörigen Aktors derart, dass bei einem Verlassen des aktuellen Fingerabdrucks aus der Punktmenge des Kennwertraums der zumindest eine Aktor so aktiviert wird, dass die Änderung des zugehörigen Prozessparameters einem Gradienten im Kennwert- räum entspricht, der sich ausgehend von dem Fingerabdruck in Richtung der vorbestimmten Punktmenge erstreckt.
16. Vorrichtung nach Anspruch 14 oder 15, dadurch gekennzeichnet, dass der zumindest eine Sensor aus einer Gruppe ausgewählt ist, welche zumindest eine Fotodiode mit Filtern für bestimmte Wellenlängen, Körper- und Luftschallaufnehmer, und zumindest eine Kameraeinheit mit einer entsprechenden Oberflächenbeleuchtung umfasst.
17. Vorrichtung nach Anspruch 14, 15 oder 16, dadurch gekennzeichnet, dass der zumindest eine Aktor aus einer Gruppe ausgewählt ist, welche eine Steuerung der Laserleistung, eine Geschwindigkeitssteuerung des Bearbeitungskopfes relativ zum Werkstück, eine Steuerung der Fokuslage des Bearbeitungslaserstrahls, eine Steuerung des Abstands des Bearbeitungskopfes zum Werkstück, und eine Steuerung des Lateralversatzes umfasst.
18. Laserbearbeitungskopf zur Bearbeitung eines Werkstücks mittels eines Laserstrahls, mit einer Vorrichtung nach einem der Ansprüche 14 bis 17.
PCT/EP2009/008294 2008-11-21 2009-11-20 Verfahren und vorrichtung zur überwachung eines an einem werkstück durchzuführenden laserbearbeitungsvorgangs sowie laserbearbeitungskopf mit einer derartigen vorrichtung WO2010057662A1 (de)

Priority Applications (10)

Application Number Priority Date Filing Date Title
BRPI0921512A BRPI0921512A2 (pt) 2008-11-21 2009-11-20 método e dispositivo para monitorar uma operação de processamento a laser, a ser executada em uma peça a trabalhar e cabeçote de processamento a laser tendo tal dispositivo".
MX2011005336A MX2011005336A (es) 2008-11-21 2009-11-20 Metodo y dispositivo para monitorear una operacion de procesamiento laser a ser realizada sobre una pieza de trabajo y la cabeza de procesamiento laser que tiene dicho dispositivo.
EP09760110.8A EP2365890B1 (de) 2008-11-21 2009-11-20 Verfahren und vorrichtung zur überwachung eines an einem werkstück durchzuführenden laserbearbeitungsvorgangs sowie laserbearbeitungskopf mit einer derartigen vorrichtung
KR1020117014139A KR101700896B1 (ko) 2008-11-21 2009-11-20 공작물 레이저 가공 작업 모니터 방법 및 장치와 그 장치를 구비한 레이저 가공 헤드
RU2011125341/02A RU2529136C2 (ru) 2008-11-21 2009-11-20 Способ и устройство для контроля проводимого на обрабатываемой детали процесса лазерной обработки, а также лазерная обрабатывающая головка с подобным устройством
CA2743522A CA2743522C (en) 2008-11-21 2009-11-20 Method and device for monitoring a laser processing operation to be performed on a workpiece, and laser processing head having such a device
CN200980155381.8A CN102292187B (zh) 2008-11-21 2009-11-20 用于监控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
US13/130,499 US9056368B2 (en) 2008-11-21 2009-11-20 Method and device for monitoring a laser processing operation to be performed on a workpiece and laser processing head having such a device
JP2011536789A JP5763542B2 (ja) 2008-11-21 2009-11-20 工作物に対して実施されるべきレーザ加工作業をモニタリングするための方法および装置、ならびにかかる装置を有するレーザ加工ヘッド
ZA2011/04525A ZA201104525B (en) 2008-11-21 2011-06-20 Method and device for monitoring a laser processing operation to be performed on a workpiece and laser processing head having such a device

Applications Claiming Priority (8)

Application Number Priority Date Filing Date Title
DE102008058422.3 2008-11-21
DE200810058422 DE102008058422A1 (de) 2008-11-21 2008-11-21 Verfahren und Vorrichtung zur Überwachung eines an einem Werkstück durchzuführenden Laserbearbeitungsvorgangs sowie Laserbearbeitungskopf mit einer derartigen Vorrichtung
DE102009033881 2009-07-20
DE102009033881.0 2009-07-20
EP09010230.2 2009-08-07
EP09010230 2009-08-07
EP09011375 2009-09-04
EP09011375.4 2009-09-04

Publications (1)

Publication Number Publication Date
WO2010057662A1 true WO2010057662A1 (de) 2010-05-27

Family

ID=41666804

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/EP2009/008293 WO2010057661A1 (de) 2008-11-21 2009-11-20 Verfahren und vorrichtung zur überwachung eines an einem werkstück durchzuführenden laserbearbeitungsvorgangs sowie laserbearbeitungskopf mit einer derartigen vorrichtung
PCT/EP2009/008294 WO2010057662A1 (de) 2008-11-21 2009-11-20 Verfahren und vorrichtung zur überwachung eines an einem werkstück durchzuführenden laserbearbeitungsvorgangs sowie laserbearbeitungskopf mit einer derartigen vorrichtung

Family Applications Before (1)

Application Number Title Priority Date Filing Date
PCT/EP2009/008293 WO2010057661A1 (de) 2008-11-21 2009-11-20 Verfahren und vorrichtung zur überwachung eines an einem werkstück durchzuführenden laserbearbeitungsvorgangs sowie laserbearbeitungskopf mit einer derartigen vorrichtung

Country Status (11)

Country Link
US (2) US9056368B2 (de)
EP (2) EP2365890B1 (de)
JP (2) JP5763542B2 (de)
KR (2) KR101700896B1 (de)
CN (2) CN102292187B (de)
CA (2) CA2743518C (de)
HK (1) HK1164786A1 (de)
MX (2) MX2011005336A (de)
RU (2) RU2529136C2 (de)
WO (2) WO2010057661A1 (de)
ZA (2) ZA201104525B (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016181359A1 (de) 2015-05-13 2016-11-17 Bystronic Laser Ag Laserbearbeitungsvorrichtung
DE102020210988A1 (de) 2020-08-31 2022-03-03 Fronius International Gmbh Laser-Hybrid-Schweißverfahren und Laser-Hybrid-Schweißgerät zur Verschweißung von Werkstücken

Families Citing this family (90)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012000648A1 (en) * 2010-06-28 2012-01-05 Precitec Kg Method for closed-loop controlling a laser processing operation and laser material processing head using the same
US9053291B2 (en) * 2010-09-29 2015-06-09 Northeastern University Continuous annealing process fault detection method based on recursive kernel principal component analysis
EP2633301A1 (de) * 2010-10-26 2013-09-04 Sintokogio, Ltd. Beurteilungsverfahren und beurteilungssystem der aufschlagkraft von laserbestrahlung während des laser-peening und laser-peening-verfahren und laser-peening-system
JP2012148316A (ja) * 2011-01-19 2012-08-09 Keyence Corp レーザー加工装置
DE102011003717A1 (de) 2011-02-07 2012-08-09 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Vorrichtung und Verfahren zur Überwachung und insbesondere zur Regelung eines Laserschneidprozesses
DE102011122991B3 (de) 2011-06-03 2023-06-22 Lessmüller Lasertechnik GmbH Verfahren zum Überwachen der Bearbeitung sowie Vorrichtung zum Bearbeiten eines Werkstücks mit einem hochenergetischen Bearbeitungsstrahl
DE102011103282B4 (de) 2011-06-03 2015-09-03 Lessmüller Lasertechnik GmbH Verfahren zum Überwachen der Bearbeitung sowie Vorrichtung zum Bearbeiten eines Werkstücks mit einem hochenergetischen Bearbeitungsstrahl
DE102012202279B4 (de) * 2012-02-15 2014-06-05 Siemens Aktiengesellschaft Sicherstellung einer Prüfabdeckung bei einer manuellen Inspektion
US10315275B2 (en) * 2013-01-24 2019-06-11 Wisconsin Alumni Research Foundation Reducing surface asperities
US9842665B2 (en) 2013-02-21 2017-12-12 Nlight, Inc. Optimization of high resolution digitally encoded laser scanners for fine feature marking
KR102020912B1 (ko) 2013-02-21 2019-09-11 엔라이트 인크. 다층 구조의 레이저 패터닝
US10464172B2 (en) 2013-02-21 2019-11-05 Nlight, Inc. Patterning conductive films using variable focal plane to control feature size
US20140255620A1 (en) * 2013-03-06 2014-09-11 Rolls-Royce Corporation Sonic grain refinement of laser deposits
CN103264227B (zh) * 2013-04-11 2015-05-13 温州大学 一种激光直接刻蚀聚合物基体表面覆盖金属膜的方法
US11440141B2 (en) * 2013-09-13 2022-09-13 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Devices and methods for monitoring, in particular for regulating, a cutting process
DE102013218421A1 (de) * 2013-09-13 2015-04-02 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Vorrichtung und Verfahren zur Überwachung, insbesondere zur Regelung, eines Schneidprozesses
EP3065909B1 (de) * 2013-11-08 2024-02-21 Thermatool Corp. Wärmeenergieerfassung und -analyse für schweissverfahren
US9764469B1 (en) * 2013-12-13 2017-09-19 University Of South Florida Generating robotic trajectories with motion harmonics
DE102014202176B4 (de) * 2014-02-06 2015-10-22 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Verfahren zum Identifizieren einer Randkontur einer an einem Bearbeitungskopf gebildeten Öffnung und Bearbeitungsmaschine
US10069271B2 (en) 2014-06-02 2018-09-04 Nlight, Inc. Scalable high power fiber laser
US10618131B2 (en) 2014-06-05 2020-04-14 Nlight, Inc. Laser patterning skew correction
CN104007689B (zh) * 2014-06-09 2017-02-15 益阳市和天电子有限公司 一种电容生产现场用的智能监控系统
DE102014212682A1 (de) * 2014-07-01 2016-01-07 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Verfahren und Vorrichtung zum Bestimmen einer Werkstoffart und/oder einer Oberflächenbeschaffenheit eines Werkstücks
US10310201B2 (en) 2014-08-01 2019-06-04 Nlight, Inc. Back-reflection protection and monitoring in fiber and fiber-delivered lasers
JP2016078044A (ja) * 2014-10-14 2016-05-16 三菱電機株式会社 加工状態判定装置及び加工機
US10112262B2 (en) 2014-10-28 2018-10-30 General Electric Company System and methods for real-time enhancement of build parameters of a component
RU2599920C2 (ru) * 2014-11-20 2016-10-20 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых" Устройство управления технологическим процессом лазерного термоупрочнения
CN104880992B (zh) * 2014-12-23 2018-08-17 湘潭大学 基于Kriging代理模型的磁控电弧传感器参数优化方法
US9837783B2 (en) 2015-01-26 2017-12-05 Nlight, Inc. High-power, single-mode fiber sources
US10050404B2 (en) 2015-03-26 2018-08-14 Nlight, Inc. Fiber source with cascaded gain stages and/or multimode delivery fiber with low splice loss
CN104966088B (zh) * 2015-06-02 2018-10-23 南昌航空大学 基于成组小波-变分关联向量机断口图像识别方法
CN107924023B (zh) 2015-07-08 2020-12-01 恩耐公司 具有用于增加的光束参数乘积的中心折射率受抑制的纤维
JP2017030067A (ja) 2015-07-30 2017-02-09 ファナック株式会社 加工時間測定機能とオンマシン測定機能を有する制御装置付き加工装置
JP2017030088A (ja) * 2015-07-31 2017-02-09 ファナック株式会社 機械学習装置、ネジ締付システムおよびその制御装置
JP6438366B2 (ja) * 2015-08-28 2018-12-12 ファナック株式会社 電動機に対する動作指令を学習する機械学習方法および機械学習装置並びに該機械学習装置を備えた制御装置および電動機装置
US10073060B2 (en) 2015-11-19 2018-09-11 General Electric Company Non-contact acoustic inspection method for additive manufacturing processes
US9989495B2 (en) 2015-11-19 2018-06-05 General Electric Company Acoustic monitoring method for additive manufacturing processes
US9989396B2 (en) 2015-11-20 2018-06-05 General Electric Company Gas flow characterization in additive manufacturing
US10232439B2 (en) 2015-11-20 2019-03-19 General Electric Company Gas flow monitoring in additive manufacturing
US11179807B2 (en) 2015-11-23 2021-11-23 Nlight, Inc. Fine-scale temporal control for laser material processing
EP3380266B1 (de) 2015-11-23 2021-08-11 NLIGHT, Inc. Feinstufige zeitsteuerung für die lasermaterialbearbeitung
US10839302B2 (en) 2015-11-24 2020-11-17 The Research Foundation For The State University Of New York Approximate value iteration with complex returns by bounding
EP3389915B1 (de) 2016-01-19 2021-05-05 NLIGHT, Inc. Verfahren zur verarbeitung von kalibrierungsdaten in 3d-laserabtastsystemen
JP6339603B2 (ja) * 2016-01-28 2018-06-06 ファナック株式会社 レーザ加工開始条件を学習する機械学習装置、レーザ装置および機械学習方法
US10831180B2 (en) * 2016-02-25 2020-11-10 General Electric Company Multivariate statistical process control of laser powder bed additive manufacturing
JP6625914B2 (ja) * 2016-03-17 2019-12-25 ファナック株式会社 機械学習装置、レーザ加工システムおよび機械学習方法
DE102016206402A1 (de) * 2016-04-15 2017-10-19 Bühler Motor GmbH Kreiselpumpenmotor
CN106041296B (zh) * 2016-07-14 2017-07-28 武汉大音科技有限责任公司 一种在线式动态视觉激光精密加工方法
US10730785B2 (en) 2016-09-29 2020-08-04 Nlight, Inc. Optical fiber bending mechanisms
US10732439B2 (en) 2016-09-29 2020-08-04 Nlight, Inc. Fiber-coupled device for varying beam characteristics
CN109791252B (zh) 2016-09-29 2021-06-29 恩耐公司 可调整的光束特性
JP6438450B2 (ja) 2016-11-29 2018-12-12 ファナック株式会社 レーザ加工ロボットの加工順序を学習する機械学習装置、ロボットシステムおよび機械学習方法
US11205103B2 (en) 2016-12-09 2021-12-21 The Research Foundation for the State University Semisupervised autoencoder for sentiment analysis
JP6339655B1 (ja) 2016-12-19 2018-06-06 ファナック株式会社 光源ユニットの光学部品の調芯手順を学習する機械学習装置および光源ユニット製造装置
RU2638267C1 (ru) * 2017-01-09 2017-12-12 Федеральное государственное бюджетное образовательное учреждение высшего образования "Владимирский Государственный Университет имени Александра Григорьевича и Николая Григорьевича Столетовых" (ВлГУ) Способ лазерной сварки внахлест листов конструкционной стали и сплавов алюминия
RU2646515C1 (ru) * 2017-02-02 2018-03-05 Федеральное государственное бюджетное образовательное учреждение высшего образования "Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ" (КНИТУ-КАИ) Универсальная лазерная оптическая головка
CN110651218B (zh) 2017-04-04 2022-03-01 恩耐公司 用于检流计扫描仪校准的设备、系统和方法
DE102017208630B4 (de) * 2017-05-22 2022-03-31 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Verfahren zum Bestimmen von Wirkungsgrad oder Wirkungsgradänderungen einer Schlackeabsaugung und zugehörige Laserbearbeitungsmaschine
DE102017210098B4 (de) * 2017-06-16 2024-03-21 Jenoptik Optical Systems Gmbh Scanvorrichtung mit einer Scankopfvorrichtung zum Reflektieren oder Transmittieren von Strahlen für einen Scanner sowie Verfahren zum Reflektieren oder Transmittieren von Strahlen für einen Scanner
CN110020648B (zh) * 2018-01-10 2022-03-22 上银科技股份有限公司 工件量测及定位方法
JP6767416B2 (ja) * 2018-03-26 2020-10-14 ファナック株式会社 加工条件調整装置及び機械学習装置
JP7017985B2 (ja) * 2018-06-05 2022-02-09 株式会社日立製作所 システム及び処理条件の決定方法
EP3586973B1 (de) * 2018-06-18 2024-02-14 Rolls-Royce Corporation Systemsteuerung basierend auf ton- und bildsignalen
CN109031954B (zh) * 2018-08-03 2021-06-25 北京深度奇点科技有限公司 基于强化学习的焊接参数确定方法、焊接方法和设备
US11534961B2 (en) 2018-11-09 2022-12-27 General Electric Company Melt pool monitoring system and method for detecting errors in a multi-laser additive manufacturing process
DE102018129441B4 (de) * 2018-11-22 2023-11-16 Precitec Gmbh & Co. Kg System zur Überwachung eines Laserbearbeitungsprozesses, Laserbearbeitungssystem sowie Verfahren zur Überwachung eines Laserbearbeitungsprozesses
US11285671B2 (en) 2018-12-13 2022-03-29 General Electric Company Method for melt pool monitoring using Green's theorem
US10894364B2 (en) 2018-12-13 2021-01-19 General Electric Company Method for melt pool monitoring using geometric length
US10828837B2 (en) 2018-12-13 2020-11-10 General Electric Company Method for melt pool monitoring using algebraic connectivity
US10828836B2 (en) 2018-12-13 2020-11-10 General Electric Company Method for melt pool monitoring
US11020907B2 (en) 2018-12-13 2021-06-01 General Electric Company Method for melt pool monitoring using fractal dimensions
CN110132975B (zh) * 2019-03-28 2022-04-12 中核建中核燃料元件有限公司 一种用于核燃料棒包壳表面检测的方法、装置
US11447935B2 (en) 2019-04-30 2022-09-20 Deere & Company Camera-based boom control
US11653101B2 (en) 2019-05-17 2023-05-16 Samsung Electronics Co., Ltd. Imaging system for generating high dynamic range image
CN110133643B (zh) * 2019-05-22 2021-08-20 北京林业大学 植物根系探测方法及装置
DE102019114477A1 (de) * 2019-05-29 2020-12-03 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Automatische Materialerkennung mit Laser
DE102019208036A1 (de) * 2019-06-03 2020-12-03 Robert Bosch Gmbh Verfahren und Vorrichtung zum Überwachen eines Schweißprozesses
RU2723493C1 (ru) * 2019-07-15 2020-06-11 федеральное государственное бюджетное образовательное учреждение высшего образования "Пермский национальный исследовательский политехнический университет" Способ лазерной сварки с контролем процесса формирования сварного шва
EP3786736A1 (de) * 2019-08-28 2021-03-03 Bystronic Laser AG Steuerung für eine laserschneidkopfbewegung in einem schneidverfahren
CN114341754B (zh) * 2019-08-28 2023-05-26 百超激光有限公司 对切割处理中的激光切割头运动的控制方法及设备和介质
US11878365B2 (en) 2019-11-20 2024-01-23 Concept Laser Gmbh Focus adjustment and laser beam caustic estimation via frequency analysis of time traces and 2D raster scan data
DE102019218623A1 (de) * 2019-11-29 2021-06-02 Sms Group Gmbh Steuerungssystem für eine industrielle Anlage, insbesondere für eine Anlage zur Herstellung oder Verarbeitung von metallischen Bändern oder Blechen und Verfahren zum Steuern einer industriellen Anlage, insbesondere einer Anlage zur Herstellung oder Verarbeitung von metallischen Bändern oder Blechen
EP3885069A1 (de) 2020-03-25 2021-09-29 Bystronic Laser AG Qualitätskontrolle eines laserbearbeitungsprozesses mittels maschinellem lernen
CN111968072B (zh) * 2020-07-07 2024-04-02 南昌大学 一种基于贝叶斯网络的厚板t形接头焊接位置自主决策方法
CN112149725B (zh) * 2020-09-18 2023-08-22 南京信息工程大学 基于傅立叶变换的谱域图卷积3d点云分类方法
CN112044874B (zh) * 2020-09-27 2022-02-25 厦门理工学院 一种激光清洗的实时监测系统及其监测方法
RU2763706C1 (ru) * 2021-03-16 2021-12-30 федеральное государственное бюджетное образовательное учреждение высшего образования "Казанский национальный исследовательский технический университет им.А.Н. Туполева - КАИ" Способ лазерной сварки разнородных металлических сплавов
DE102021206302A1 (de) * 2021-06-18 2022-12-22 Trumpf Laser- Und Systemtechnik Gmbh Verfahren zur Laserbearbeitung und Laserbearbeitungsanlage sowie Steuereinrichtung hierfür
CN117283143B (zh) * 2023-10-08 2024-02-09 广东省源天工程有限公司 用于海洋内水下作业机器人的防腐蚀控制系统及方法
CN117532279B (zh) * 2024-01-08 2024-03-19 山西金鼎泰金属制品股份有限公司 一种用于高压管路的连接法兰加工方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5517420A (en) * 1993-10-22 1996-05-14 Powerlasers Ltd. Method and apparatus for real-time control of laser processing of materials
WO2001039919A2 (de) * 1999-11-27 2001-06-07 Thyssen Krupp Stahl Ag Verfahren und vorrichtung zur qualitätskontrolle der naht an mit einem laser stumpf geschweissten blechen oder bändern
DE10103255A1 (de) * 2001-01-25 2002-08-14 Bosch Gmbh Robert Verfahren zur automatischen Beurteilung von Laserbearbeitungsprozessen
EP1415755A2 (de) * 2002-07-31 2004-05-06 Unitek Miyachi International, Ltd. Laserschweissüberwachungssystem und -Verfahren

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5768137A (en) * 1995-04-12 1998-06-16 American Research Corporation Of Virginia Laser aligned robotic machining system for use in rebuilding heavy machinery
JPH08309578A (ja) * 1995-05-23 1996-11-26 Toyota Motor Corp 溶接ビード良否判定方法
US5940296A (en) * 1995-11-06 1999-08-17 Medar Inc. Method and system for interactively developing a graphical control-flow structure and associated application software for use in a machine vision system
ATE237793T1 (de) * 1996-07-29 2003-05-15 Elpatronic Ag Verfahren und vorrichtung zur kantenverfolgung und kantenprüfung
DE19716293C2 (de) 1997-04-18 2000-07-13 Daimler Chrysler Ag Vorrichtung zur Regelung der Fokuslage beim Laserstrahlschweißen
GB9719527D0 (en) 1997-09-12 1997-11-19 Powerlasers Ltd Fuzzy neural-network controller for laser welding systems
RU2155653C2 (ru) * 1998-06-08 2000-09-10 Курский государственный технический университет Видеосенсорное устройство
US6532454B1 (en) * 1998-09-24 2003-03-11 Paul J. Werbos Stable adaptive control using critic designs
JP2001276980A (ja) 2000-03-30 2001-10-09 Matsushita Electric Ind Co Ltd 接合装置
JP2002064304A (ja) * 2000-08-22 2002-02-28 Taiyo Yuden Co Ltd 積層型誘電体フィルタ
US7173245B2 (en) * 2001-01-04 2007-02-06 The Regents Of The University Of California Submicron thermal imaging method and enhanced resolution (super-resolved) AC-coupled imaging for thermal inspection of integrated circuits
TW565684B (en) 2001-02-14 2003-12-11 Honda Motor Co Ltd Welding state monitoring device
JP3512388B2 (ja) * 2001-02-15 2004-03-29 川崎重工業株式会社 レーザ加工モニタリング装置
JP2002346783A (ja) 2001-05-30 2002-12-04 Denso Corp レーザ溶接制御方法及びその装置
ES2363078T3 (es) * 2001-11-15 2011-07-20 PRECITEC VISION GMBH &amp; CO. KG Procedimiento y dispositivo para el registro de la calidad de un cordón de soldadura durante la soldadura de piezas de trabajo.
SE521787C2 (sv) 2002-04-05 2003-12-09 Volvo Aero Corp Anordning och förfarande för kontroll av ett svetsområde, inrättning och förfarande för styrning av en svetsoperation, datorprogram och datorprogramprodukt
JP2006088163A (ja) * 2004-09-21 2006-04-06 Fanuc Ltd レーザ装置
US7364306B2 (en) * 2005-06-20 2008-04-29 Digital Display Innovations, Llc Field sequential light source modulation for a digital display system
US8615374B1 (en) * 2006-06-09 2013-12-24 Rockwell Automation Technologies, Inc. Modular, configurable, intelligent sensor system
US8084706B2 (en) * 2006-07-20 2011-12-27 Gsi Group Corporation System and method for laser processing at non-constant velocities
US8242426B2 (en) * 2006-12-12 2012-08-14 Dolby Laboratories Licensing Corporation Electronic camera having multiple sensors for capturing high dynamic range images and related methods
WO2008083205A2 (en) 2006-12-29 2008-07-10 Gesturetek, Inc. Manipulation of virtual objects using enhanced interactive system
ATE455618T1 (de) * 2007-11-20 2010-02-15 Trumpf Werkzeugmaschinen Gmbh VERFAHREN ZUM BESTIMMEN EINER KENNGRÖßE FÜR DIE GENAUIGKEIT EINER NAHTLAGEREGELUNG
DE102008038332A1 (de) 2008-08-19 2009-01-22 Daimler Ag Verfahren und Vorrichtung zur Regelung eines Schweißprozesses

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5517420A (en) * 1993-10-22 1996-05-14 Powerlasers Ltd. Method and apparatus for real-time control of laser processing of materials
WO2001039919A2 (de) * 1999-11-27 2001-06-07 Thyssen Krupp Stahl Ag Verfahren und vorrichtung zur qualitätskontrolle der naht an mit einem laser stumpf geschweissten blechen oder bändern
DE10103255A1 (de) * 2001-01-25 2002-08-14 Bosch Gmbh Robert Verfahren zur automatischen Beurteilung von Laserbearbeitungsprozessen
EP1415755A2 (de) * 2002-07-31 2004-05-06 Unitek Miyachi International, Ltd. Laserschweissüberwachungssystem und -Verfahren

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FARSON D F ET AL: "INTELLIGENT LASER WELDING CONTROL", PROCEEDINGS OF LASER MATERIALS PROCESSING CONFERENCE ICALEO.PROCEEDINGS OF INTERNATIONAL CONGRESS ON THE APPLICATIONS OFLASERS AND ELECTRO-OPTICS, XX, XX, vol. 1722, 1 January 1991 (1991-01-01), pages 104 - 112, XP000490956 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016181359A1 (de) 2015-05-13 2016-11-17 Bystronic Laser Ag Laserbearbeitungsvorrichtung
DE102020210988A1 (de) 2020-08-31 2022-03-03 Fronius International Gmbh Laser-Hybrid-Schweißverfahren und Laser-Hybrid-Schweißgerät zur Verschweißung von Werkstücken

Also Published As

Publication number Publication date
US20110284512A1 (en) 2011-11-24
EP2365889B1 (de) 2016-07-06
ZA201104525B (en) 2012-03-28
CA2743518C (en) 2015-02-10
RU2011125341A (ru) 2012-12-27
HK1164786A1 (zh) 2012-09-28
KR101787510B1 (ko) 2017-10-18
CA2743522C (en) 2015-05-26
JP2012509190A (ja) 2012-04-19
KR20110095381A (ko) 2011-08-24
KR20110099250A (ko) 2011-09-07
JP2012509189A (ja) 2012-04-19
RU2529136C2 (ru) 2014-09-27
CN102292187A (zh) 2011-12-21
ZA201104527B (en) 2012-03-28
JP5763542B2 (ja) 2015-08-12
CA2743522A1 (en) 2010-05-27
US20110278277A1 (en) 2011-11-17
RU2011125317A (ru) 2012-12-27
CN102292187B (zh) 2015-12-09
CN102281984A (zh) 2011-12-14
MX2011005336A (es) 2011-10-14
EP2365890A1 (de) 2011-09-21
JP5762968B2 (ja) 2015-08-12
US9056368B2 (en) 2015-06-16
CA2743518A1 (en) 2010-05-27
CN102281984B (zh) 2015-12-16
WO2010057661A1 (de) 2010-05-27
RU2529135C2 (ru) 2014-09-27
KR101700896B1 (ko) 2017-01-31
US9492886B2 (en) 2016-11-15
EP2365889A1 (de) 2011-09-21
MX2011005335A (es) 2011-10-11
EP2365890B1 (de) 2017-03-22

Similar Documents

Publication Publication Date Title
EP2365890B1 (de) Verfahren und vorrichtung zur überwachung eines an einem werkstück durchzuführenden laserbearbeitungsvorgangs sowie laserbearbeitungskopf mit einer derartigen vorrichtung
EP2456592B1 (de) Laserbearbeitungskopf und verfahren zur kompensation der fokuslagenänderung bei einem laserbearbeitungskopf
DE102008058422A1 (de) Verfahren und Vorrichtung zur Überwachung eines an einem Werkstück durchzuführenden Laserbearbeitungsvorgangs sowie Laserbearbeitungskopf mit einer derartigen Vorrichtung
DE102018129441B4 (de) System zur Überwachung eines Laserbearbeitungsprozesses, Laserbearbeitungssystem sowie Verfahren zur Überwachung eines Laserbearbeitungsprozesses
EP2883647B1 (de) Verfahren zur Konfiguration einer Laserbearbeitungsvorrichtung
EP3102361B1 (de) Verfahren zum identifizieren einer randkontur einer an einem bearbeitungskopf gebildeten öffnung und bearbeitungsmaschine
EP0353409A1 (de) Automatische Helligkeits- und Kontrast-Steuerung einer Video-Kamera für industrielle/militärische Zwecke
EP3525975A1 (de) Verfahren und vorrichtung zur bestimmung und zur regelung einer fokusposition eines bearbeitungsstrahls
DE102019209376A1 (de) Vorrichtung und Verfahren zur Überwachung eines Laserbearbeitungsprozesses, Verwendung einer ereignisbasierten Kamera, Computerprogramm und Speichermedium
DE202011110730U1 (de) Kognitiver Bearbeitungskopf zum Bearbeiten von Werkstücken
EP3885069A1 (de) Qualitätskontrolle eines laserbearbeitungsprozesses mittels maschinellem lernen
DE102019101222A1 (de) Verfahren zur Auswahl von Kamerabildabschnitten
DE102021117714A1 (de) Automatische Nahterkennung für einen Schweißprozess
EP2808843B1 (de) Verfahren zur Parametrierung eines Bildverarbeitungssystems für die Überwachung einer Werkzeugmaschine
EP3961559A1 (de) Verfahren und vorrichtung zum ermitteln von defekten während eines oberflächenmodifizierungsverfahrens
DE102020110087A1 (de) Verfahren zur prozesskontrolle bei der lasermaterialbearbeitung
DE102012216928A1 (de) Verfahren und Vorrichtung zum Ermitteln von Laserbearbeitungskenngrößen
DE102020211702A1 (de) Verfahren zum Überwachen einer Immersionsflüssigkeit in einem Mikroskop
DE102021206302A1 (de) Verfahren zur Laserbearbeitung und Laserbearbeitungsanlage sowie Steuereinrichtung hierfür
EP4119284A1 (de) Kalibrierung eines qualitätsschätzers für ein laserschneidverfahren
WO2023186693A1 (de) Verfahren, computerprogrammprodukt, parkassistenzsystem und gebäude
DE102021121112A1 (de) Analysieren eines Laserbearbeitungsprozesses basierend auf einem Spektrogramm
EP4102332A1 (de) Verfahren zum steuern einer flugbewegung eines fluggeräts zum landen oder zum abwerfen einer ladung sowie fluggerät
WO2022037899A1 (de) Verfahren und vorrichtung zur additiven herstellung eines werkstücks
WO2016180407A1 (de) Verfahren zum bestimmen einer individuellen schärfe eines bildes einer iris und verfahren zur personenprüfung

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 200980155381.8

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 09760110

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2743522

Country of ref document: CA

WWE Wipo information: entry into national phase

Ref document number: 3704/DELNP/2011

Country of ref document: IN

WWE Wipo information: entry into national phase

Ref document number: MX/A/2011/005336

Country of ref document: MX

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2011536789

Country of ref document: JP

REEP Request for entry into the european phase

Ref document number: 2009760110

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2009760110

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 20117014139

Country of ref document: KR

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 2011125341

Country of ref document: RU

WWE Wipo information: entry into national phase

Ref document number: 13130499

Country of ref document: US

ENP Entry into the national phase

Ref document number: PI0921512

Country of ref document: BR

Kind code of ref document: A2

Effective date: 20110523