用于激光加工信息物理系统的全自动数据采集

全球激光加工市场的增长速度约为传统加工市场的两倍。此外，由于激光加工系统几乎普遍兼容外部电气控制，因此，激光加工系统很容易与数字化生产相融合。激光制造有望成为实现工业4.0或社会5.0等未来大规模定制生产的关键工具。

 

图 1：由信息物理系统辅助的激光制造链

图1所示的是激光生产工作流程的信息物理系统概念。在即将到来的超级智能社会（或社会5.0）中，个性化制造被认为是实现包容性社会的关键因素。只有通过高度数字化的工业化方案，如工业4.0方案，才能实现这种大规模定制。个性化订单被发送到信息空间的主服务器，然后由该服务器选择在生产链的每个步骤中应使用哪些设备和流程和参数，完成制造任务。

要克服这一障碍，并将激光制造有效扩展到大规模定制生产，一种可行的方法是将工匠的经验和直觉转移到信息空间。在这里，个人经验与数据库中的信息相对应，而直觉则由模拟器模拟。订货方只需通过三维CAD数据提出要求，数据库和模拟器就能找出实现订单的最佳参数。该系统的可扩展性将取决于数字存储空间和计算能力，而这两个因素几十年来一直保持着持续增长的趋势。

要实现上述目标，最直接的方法就是创建一个基于物理理论的模拟器。事实上，第一原理计算和计算结果数据库已成为材料合成领域的强大工具，这种方法已被用于开发热电材料和锂离子电池材料。遗憾的是，由于许多基本物理过程仍在争论之中，因此对于激光加工来说，这仍然是一种困难的方法。我们以激光钻孔或切割中涉及的各种复杂过程为例进行说明。图 2显示了脉冲激光钻孔过程的示意图。

 

图 2：激光钻孔或切割过程中涉及的物理学。空间尺度从埃米到毫米，时间尺度从飞秒到毫秒

首先，激光脉冲击中表面，电子在材料中被激发；图中显示的是半导体或介电材料。由于光物质相互作用和电子激发过程已被深入研究，因此这一过程在微扰机制下相对广为人知，但非微扰相互作用却不那么为人所知。例如，在固态高次谐波发生的背景下，高强度光学光-物质相互作用仍存在争议。

 

图 3：如何为某个激光加工目标找到优化参数集的示意图。纵轴表示寻找参数的速度或质量

此外，相对成熟的理论（如凯尔迪什方程）和实验所预测的电子激发概率仍然存在很大差异。在金属的情况下，光到电子的能量转移被视为反轫致辐射过程；然而即使在这里，这仍然是一种简化的处理方法，忽略了材料中电子相干性的复杂特征。实时第一原理计算（如时变密度函数理论和时变密度矩阵法）是精确模拟高度非线性、非平衡电子动力学以及评估从激光到电子系统的能量转移的有力方法。然而，适当考虑电子相关性仍然是一项挑战。

其次，一般情况下，散射过程会在各种材料子系统内重新分配能量。电子-电子散射在10到 100飞秒内将电子能量分布重新分配为热分布，而电子-声子散射在100飞秒到100皮秒的时间尺度内产生光学和声学声子。声子散射在纳秒内产生热量，然后按照经典的热扩散方程扩散。在这些过程中，通过时间分辨反射率测量、时间分辨光发射光谱和超短脉冲X射线衍射等实验来研究每一步的散射强度或寿命。所获得的这些能量转移的时间常数与报告值仍有较大偏差。

 

图 4：用于处理配方查找的数据采集循环示意图。自动循环可为DNN 的构建获取足够的数据，从而实现有效的模拟器

在更宏观的尺度上，会出现上述能量流入的后果。首先，可能发生相爆，然后是更渐进的熔化、蒸发或材料表面的其他改变。对于这些过程，通常采用分子动力学计算来研究动力学。然而，模拟范围往往有限，因为受计算资源的限制，计算所需的原子数量通常不超过108个，这比一个脉冲烧蚀的原子数量（1013个）要少得多。第一性原理计算是了解激光加工的另一种方法，它在解释铜温和烧蚀的通量阈值等方面取得了成功。然而，第一性原理计算中的典型原子数量比分子动力学计算中的原子数量要少得多，因此也受到同样规模的限制。

最后，必须注意到，激光加工通常采用多脉冲方式。在前几个脉冲的形态发生变化后，后续脉冲会在孔的复杂形状中传播，从而改变其空间轮廓。激光产生的等离子体和碎片的散射效应也可能起到一定作用。总之，激光处理包含多尺度和复杂的物理，其特征时间尺度从飞秒到毫秒，空间尺度从埃米到毫米不等。要实现仅依靠物理理论来寻找优化参数的激光加工模拟，仍有许多研究工作要做。

代替纯理论方法的是人工智能（AI）方法，如深度学习，它可以有效地实现近期的实用模拟器。高质量的大型数据集可以有效利用神经网络来模拟激光加工的重要趋势。图3显示了参数查找方法的有效性，在十年或二十年内可能取得的进展。在弥合停滞不前的“经验和直觉”方法与尚未成熟的纯理论方法之间的鸿沟方面，“物理”人工智能解决方案将发挥重要作用。

事实上，这种基于计算机的优化方法近来已在化学和材料合成等多个领域得到了大力研发。通过将其与机器人自动化联系起来，将过去需要手工劳动的任务转变为完全自动化，已受到广泛关注。

这种基于人工智能的方法能否取得成功，在很大程度上取决于可用数据的质量和数量。人工智能只能从数据中存在的依赖关系中学习。此外，还需要足够数量的数据点（通常在几千到几万之间），才能让人工智能方法得出非特定数据的结论。

 

但是，这种数据集特征传统上很难通过激光处理来实现。激光加工的高度非线性特性使其难以控制，而其不可逆特性又使其难以收集大量数据。此外，大多数激光加工方法的破坏性也限制了数据的数量和质量。尽管如此，近年来光源质量和自动化技术的发展使这种大规模数据采集变得更加可行。

图4显示了研究团队设想的通用数据采集回路。在这里，需求或要求从左边开始。首先选择激光参数，如波长、脉冲持续时间和能量。然后选择加工参数，如扫描速度模式。加工完成后，通过一些测量设备（如三维显微镜或扫描电子显微镜）观察获得的形状和质量。测量数据会被提取到数据库中，然后换一组参数开始下一轮的加工和测量。经过多次往返后，输出最佳参数集。假定人工操作下一次迭代需要几十分钟，那么每天一到十次循环将是人工操作的实际循环次数。由此不难看出，对于深度学习方法来说，要达到所需的1000到10000次循环，所有自动循环都至关重要。

 

图 5：准确找到脉冲持续时间依赖性损伤阈值的实验装置示意图

一旦为某些特定处理构建了所需的深度神经网络（DNN），DNN就能发挥模拟器的功能，而无需任何额外的物理处理循环。DNN可以在几秒钟内给出不同参数的推论，让用户可以在实际时间内获得有希望的处理参数。我们注意到，这对于理论研究也是有利的。虽然DNN并不能直接告诉正确的物理学原理，但众多“正确解决方案”可以提供高质量的网络实验工具。如图1所示，这些人工智能知识可以作为真正的信息物理系统所需的信息物理反馈的支柱。这里的主要障碍是开发推动这种方法所需的自动化、高质量数据采集系统。

在本文中，我们展示了用于激光加工的自动化、高质量数据采集系统，并针对激光加工的不同方面介绍了四种不同的监测方法。通过光电二极管与等离子体监测相结合的自动压缩机系统，可精确测量与脉冲持续时间相关的损伤阈值，并可获得数千个数据点。我们展示了一个自动扫描电子显微镜测量系统，该系统可获取高质量、高数量的扫描电子显微镜数据，利用该系统研究了不同激光参数下的冲击钻孔。构建了一套自动三维干涉显微测量系统，用于观察激光开槽过程中脉冲到脉冲的表面形态变化。使用高速相机对加工表面的逐次射击表面散射模式进行现场检测的系统与DNN相结合，可在线预测烧蚀孔深度。最后，讨论了此类系统对于创建激光制造网络物理系统的关键作用。

 

实验过程

本节将介绍四种自动数据采集系统，分别使用光电二极管、扫描电子显微镜、三维显微镜和高速相机。

A.高精度和自动化损伤阈值测量系统
激光诱导损伤阈值是表征激光加工材料难易程度的重要参数。此外，与脉冲持续时间相关的阈值还应提供有关激光能量如何在材料内部耦合和耗散的信息。然而，损伤阈值通常很难精确测量，因为它对激光或材料参数的变化非常敏感。这与光到电子的能量转移包含高度非线性过程这一事实有关。因此，实验条件的微小变化很容易被放大，即使是“相同”的实验，损伤阈值也可能不同。为了提高损伤阈值最可能值的精度，测量次数变得至关重要。

 

图 6：显微镜拍摄的受损点图像（a）和每个点上相应的光电二极管信号（b）

为了在较大的脉冲持续时间范围内精确测量材料的损伤阈值，我们构建了一个自动阈值检测装置，该装置具有机械脉冲能量和脉冲持续时间控制功能。该装置如图5所示。光源采用的是自制的1MHz重复频率掺镱光纤激光器系统。脉冲持续时间可通过外部压缩器从0.5ps变为30ps，通量可通过自动半波板和偏振分束器改变。

该装置发出的激光脉冲照射到铜板上。为了检测材料在特定的照明脉冲持续时间/影响组合下是否受损，使用了一个光电二极管来检测材料表面的等离子体发射。图6显示了显微镜拍摄的受损点图像（a）和每个点上相应的光电二极管信号（b）。从图中可以看出，当材料受到破坏时，可以观察到一一对应的光发射信号。通过这种光电二极管观测，可以对该系统进行编程，使其自适应地探索仅接近损伤阈值的通量范围，从而获得阈值附近的大量有用数据。

研究人员设置的自动化和自适应特性使能够以约1%的精度评估阈值。需要注意的是，这一数值应与绝对精度区分开来，因为这一数值会随着表面粗糙度、纯度、聚焦区域和脉冲形状的变化而变化。在这种技术的帮助下，可以在8小时内获得10000个数据。

B.自动SEM测量
要利用机器学习方法优化网络物理系统中的处理参数，高质量的数据必不可少。在这里，具有高重现性和可追溯性的定量数据被称为“高质量”数据。虽然扫描电子显微镜（SEM）在烧蚀特征的定性评估中发挥着重要作用，但所获得的数据无疑也是上述意义上的高质量数据。

扫描电子显微镜图像尤其适用于评估光学显微镜不易观察到的激光加工质量。例如，通过观察类似熔体的特征来证明是否存在热损伤。因此，对电子显微镜图像进行定量评估可能成为优化此类质量的关键。得益于深度学习技术的最新进展，图像可以被常规量化为特征向量，然后用于图像识别、分割和特征提取等更具体的任务。为了获得如此强大的分析能力，深度学习需要大量的数据。然而，除了半导体制造厂的少数例外情况，使用扫描电子显微镜采集数据一直依赖于人工操作，即使是熟练的操作员，每天通常也只能采集几百张图像。

在这里，研究人员改装了一台电子显微镜并开发了一套测量系统，每小时最多可自动获取 300幅图像的数据。我们创建了一种结构化数据格式，用于描述加工和测量程序，从而将激光加工设备的操作与电子显微镜联系起来。这样，电子显微镜就能自动测量激光加工区域。测量图像与加工参数相关联，并自动上传到中央数据库。

 

图 7：使用该系统进行激光钻孔参数搜索的测量示例

图7显示了使用该系统进行激光钻孔参数搜索的测量示例。脉冲能量、重复率、焦点位置和照射脉冲数在10种条件下各不相同，共有10000种不同的参数组合。传统上，对如此大量处理点的电子显微镜图像的测量，仅限于获取一小部分典型数据。通过使用全自动电子显微镜测量系统，能够以与处理参数相关联的形式获取全部10000个数据点，并能轻松使用深度学习进行分析。

C.自动三维显微镜测量
脉冲到脉冲之间的形态变化不仅对加工策略的设计具有重大意义，而且对中间状态如何影响最终加工结果的基础研究也具有重大意义。三维显微镜是评估激光加工表面的有力工具。垂直分辨率可高达10纳米，与使用超短脉冲的单脉冲温和烧蚀率相当。同样，显微镜系统的工作距离较小，使得原位加工不切实际，而手动样品转移在安装/拆卸和校准方面花费的时间也不少。

为了克服这些困难，我们在激光拍摄平台和三维显微镜之间建立了一个自动传输系统。这里的位置横向重复精度高达0.1μm，远远低于显微镜的空间分辨率。图8显示了铜靶的空间形状如何随连续脉冲照射而变化。在这种情况下，可以看到第一个脉冲产生的不是一个孔，而是一个凸起。只有在随后的脉冲中才会形成一个孔。由于测量方案是逐个脉冲进行的，所以第一和第二个脉冲的作用才会如此不同。在这里，大约一分钟可以获得一个数据；相应地，一天可以获得1000个数据。利用这些数据，可以演示基于深度学习的三维形态模拟器的制作过程。

D.借助DNN进行现场监控的高速相机观测
工业领域对激光制造过程的实时监控有很高的要求。加工过程中孔或槽的深度信息可用于反馈，以实现所需的形状。加工表面的光散射图案虽然没有相位信息，因此无法完整地重建表面，但却包含了大量有关当前加工状态的信息。通过观察这种模式，可以预测当前加工的特征。

 

图 9：是实验装置的示意图

图9(a)是实验装置的示意图。使用频率为1kHz的飞秒钛：蓝宝石激光器进行激光开槽，同时使用频率为1kHz的高速相机监控材料表面的散射图案。通过监督学习技术对开槽深度进行了研究。深度学习利用了散射光的三个连续模式。从图9(b)中可以看出，DNN可以根据散射图案成功预测烧蚀深度。如果有正确的训练数据，还可以构建类似的DNN，以同时预测烧蚀体积和激光照射流。

在这一应用中，使用高速相机可以在1秒钟内获得1000个数据点。因此，与学习时间相比，不同激光参数的数据采集时间可以忽略不计。一旦实施，所构建DNN的推理时间仅为毫秒级，其速度足以使实时反馈控制在未来的实施中成为现实。这项技术可广泛应用于激光制造机的现场监控。近年来，低成本的简易CCD或CMOS摄像机的帧速率有了显著提高，在某些情况下，这类设备足以提供更简化的高速摄像机监控概念。

 

信息物理系统

最后，将讨论如何将这种自动化信息物理系统纳入未来的激光加工基础设施。如图1所示，基于激光的智能制造链必须为每个个性化订单计算出最佳加工设备和加工参数。这种决策可以通过筛选数据库或依靠DNN模拟器来完成。最重要的是，如果主服务器难以找到合适的参数，先进的自动化技术可以让人工智能进行自己的实验。

图 10

我们将第二节所述的各种仪器和测量方法结合起来，开发出了这样一种全自动激光加工、测量和评估系统。我们将这一设备命名为Meister数据生成器（MDG）。这套高度自动化的加工和测量设备可以进行基于人工智能的参数优化。这种优化人工智能（称之为“代理”）可以操作MDG，以各种测量仪器为向导，在试错的基础上找到优化的激光加工参数。每个人工智能代理都可以有自己的策略，例如贝叶斯优化策略，为手头的任务找到合适的解决方案。人工智能代理可以被视为人类工匠的网络模拟。

工匠各有所长，代理人也有不同的算法策略和方法。此外，他们还可以使用网络和物理资源，从而对二者进行各种独特的利用。有些代理可能会简单地研究过去的数据，这虽然比进行实际实验要快，但可能会导致参数存在很大的模糊性。另一些代理可能会选择使用MDG进行物理实验，这样做虽然准确，但成本也会更高。除了功能强大的数据管理系统之外，作为中间层的代理操作环境也实现了这种代理在网络空间和物理空间之间的灵活性。

这些MDG还可用于增强本地激光加工设备的功能。在现场的每台激光加工设备上安装先进的测量设备当然成本高昂。然而，正如智能手机可以作为互联网上大量信息的入口，而无需在本地存储或获取这些信息一样，这种“智能”激光加工设备也可以利用MDG和数据库的专业知识来发挥其优势。配备边缘处理功能后，理想情况下，智能激光加工设备将能够解释用户的请求，将其目标或优化所需的参数传达给MDG并执行返回的解决方案。

然后，用户可以从MDG获取信息，推断其结果的定量和定性特征，而无需拥有先进的测量设备。此外，利用通过千年发展目标开发的技术诀窍，初级传感器设备可以应用看似先进的功能，如实时反馈。利用两个或更多的监测和测量数据，将有助于建立一个更好的模拟器或反馈系统，从而形成一个更可靠的信息物理系统。

 

结论

在本文，研究人员展示了与激光加工中各种问题相关的自动数据采集系统，以便获得适合深度学习分析的高质量大数据集。这种策略可以有效地建立高质量的数据库和模拟器，这对推进激光加工的实践和理论研究非常重要。这些加工数据是构建激光加工信息物理系统的重要基石。此外，该系统提供的解决方案应在推进对强场光-物质相互作用的基本理解方面，发挥重要作用。

 

作者：Yohei Kobayashi、Takashi Takahashi等（东京大学固体物理研究所）

 

来源：荣格-《国际工业激光商情》

原创声明：
本站所有原创内容未经允许，禁止任何网站、微信公众号等平台等机构转载、摘抄，否则荣格工业传媒保留追责权利。任何此前未经允许，已经转载本站原创文章的平台，请立即删除相关文章。