人工智能驱动的金属材料激光加工创新（上）

金属材料的激光加工在现代制造业中发挥着重要作用，广泛应用于航空航天、汽车、医疗器械和能源等行业。这种方法具有显著优势，包括精度高、加工速度快以及能够加工各种材料，因此非常适合生产复杂的定制部件。

激光加工的主要优势包括：局部加工区域能量密度高、热影响区最小、能量输入减少，所有这些都有助于最大限度地减少材料变形。传统机械加工涉及物理接触，会造成刀具磨损，而激光加工则不同，它使用的激光束直接与材料相互作用，确保了更高的精度。此外，激光加工相对容易实现自动化和灵活性，可适应各种生产要求。

然而，由于激光功率、空间分布、扫描速度和材料吸收率的变化等多个可调参数，激光加工过程具有内在的复杂性，这给优化工作带来了巨大挑战。其中一个关键挑战在于缺乏全面的模型来预测激光束与材料之间的相互作用，尤其是在涉及新材料或难加工材料的情况下。人工智能可以在弥补这一知识空白方面发挥关键作用。参数设置不当会导致加工效果不理想，包括表面质量差、内部缺陷和热效应失控，最终影响产品的功能性。

 

图1：神经网络拟合激光参数与超短脉冲特性之间的关系图。A是包含激活元素a的矩阵，代表网络各层神经元的输出值，y是神经网络要预测的目标变量

当前的工业数字化趋势，包括工业4.0和智能制造系统的兴起，正在推动旨在提高生产效率和质量的先进技术的整合。人工智能（AI）已成为实现实时自动化解决方案、改善流程管理和提高制造系统适应性的重要工具。在汽车、航空航天和生物医学行业，人工智能越来越多地应用于优化各种激光加工技术，如切割、焊接和微加工，以提高精度和效率。例如，人工智能方法可用于建模和优化激光切割参数，从而改善表面粗糙度和材料去除率等关键质量方面。

此外，在航空航天应用中，人工智能驱动的激光焊接参数优化显著提高了焊接接头的强度。在微加工领域，人工智能技术正被用于在金属材料上加工出高质量的孔，对孔的几何形状和表面质量进行精确控制，这对航空航天、汽车和医疗设备制造等行业至关重要。这些进步体现了人工智能如何通过提高加工效率、减少缺陷以及在各种工业应用中实现实时调整来改变激光加工。

使用机器学习（ML）和深度学习（DL）技术对于分析激光加工参数及其结果之间的复杂关系至关重要。这为开发能够预测加工行为、动态调整加工参数，并实时适应不断变化条件的智能系统带来了机遇。这些系统通过分析激光系统的数据，自动调整参数，最大限度地减少缺陷，保持高质量的结果，从而提高制造精度。这些系统还能实现先进的监控功能，预测设备磨损和潜在故障，从而降低运营成本，提高加工可靠性。

将人工智能集成到激光加工中可实现动态调整并增强自动化能力。它还扩大了可加工材料和部件的范围，最大限度地减少了人工干预，降低了操作员出错的风险，使人工智能成为推动高科技行业激光加工技术发展的关键。人工智能系统在加工过程中监控和调整热效应的能力是一大进步，特别是在微处理应用中，即使是轻微的温度变化也会严重影响产品质量。

此外，人工智能还能加强加工过程中的热效应管理，优化数字模型，提高生产率和产品质量，特别是在微加工和增材制造应用中。将人工智能与自由曲面光学技术相结合，可以对光束轮廓进行实时调整，从而提供更高的精度和适应性。此外，使用数字孪生——物理系统的虚拟复制品——可以通过机器学习进行持续监控和优化，从而减少缺陷、提高效率并改进整体流程。

基于人工智能的金属材料激光加工技术的进步

金属材料激光加工领域最重要的进步之一是确定特定材料和所需结果的最佳参数集。人工智能算法，尤其是基于ML的算法，可以分析数据和材料特性，从而确定最佳激光设置。这些算法可以从过去的实验中学习，并根据材料特性和加工目标预测激光功率、扫描速度、光束聚焦和其他设置的最佳组合。有了人工智能，制造商可以快速确定新材料或新应用的最佳激光参数，大大减少了试验和出错所花费的时间。

例如，在金属激光焊接方面，之前研究人员曾利用多任务神经网络预测了最佳参数，从而最大限度地减少了熔池中的缺陷，提高了接头质量。另外，还有研究人员开发了一种与马尔可夫决策过程相结合的序列人工神经网络（ANN）模型，用于预测激光透射焊接中接头的形态和强度，从而提高了金属材料焊接过程的效率和可靠性。

人工智能在航空航天激光焊接中的应用带来了重大改进，特别是在减少气孔和提高关键部件中使用的高性能合金焊接接头的结构完整性方面。同样，在一项关于脉冲光纤激光切割弧形薄钢板的研究中，深度神经网络的应用与改进的平衡优化器相结合，实现了工艺参数的优化，显著提高了切割质量，并最大限度地减少了热影响区。

在超短脉冲激光系统中，脉冲持续时间、能量和峰值功率等参数直接影响激光在金属加工中的性能，而人工智能技术已被证明非常有用。人工智能驱动的方法，特别是神经网络，已被证明能在金属材料激光加工中有效预测和优化这些参数，从而简化激光配置并提高材料加工效果。这代表了激光加工领域的一项重要进步，能够更高效、更精确地优化激光参数。

图1展示了关键激光参数与超短脉冲特性之间的关系。关键参数包括掺铒光纤中设定增益饱和阈值的可饱和能量（ES）、控制低输入功率放大的小信号增益系数（g0）以及输入脉冲持续时间（T0）。其他因素包括可饱和吸收功率（Psat）、掺铒光纤的非线性系数（γEDF）、单模光纤的非线性系数（γSMF），以及掺铒光纤的增益带宽（Ω）。这些参数被用于神经网络数值模型，以预测和优化脉冲特性，如持续时间、能量和峰值功率。这种整合不仅简化了最佳脉冲参数的确定过程，还能更深入地了解这些参数对激光加工性能的影响。

研究表明，人工智能算法不仅能优化激光参数，提高金属加工的加工质量，还能在加工薄金属材料时，通过最大限度地降低热损伤和微孔几何形状变形等缺陷的可能性，提高加工结果的稳定性。同样，这些算法还能适应材料特性的变化，帮助保持最终输出结果的一致性，从而提高整体可靠性，降低在不同加工条件下出现缺陷的风险。

人工智能在激光加工领域的另一项重大进步，是其在操作过程中的缺陷检测作用。经过训练的人工智能模型可以实时检测表面缺陷，如裂纹或切割不完整，从而立即采取纠正措施。高分辨率摄像头和传感器可捕捉视觉数据，人工智能算法可对这些数据进行分析，以便在潜在缺陷出现时立即加以识别。这样就能立即采取纠正措施，提高产品质量，确保有缺陷的部件不会进入生产的最后阶段。

例如，深度学习模型已被用于检测不锈钢高功率激光焊接中的运动飞溅缺陷，从而可以立即调整工艺以提高焊接质量并防止缺陷。这种基于深度学习的方法已被用于在激光氮化过程中实时检测钛合金的表面裂纹，为传统的裂纹检测方法提供了更高效、更准确的替代方案，而传统的裂纹检测方法往往耗时长、成本高。同样，ML方法也可应用于激光束表征和预测性维护，从而高精度地自动检测激光足迹中的衍射和斑点等问题。

通过整合实验、计算和ML方法，可以准确预测残余应力，这对防止增材制造中的变形和开裂等缺陷至关重要。在激光粉末床熔融中应用ML，可以减少生产过程中的不一致性，从而显著改善质量控制。此外，与传统方法相比，ML加快了金属基增材制造中的参数优化，可以更快地确定最佳参数。

此前，有研究人员采用了基于ML的系统来预测缺陷，如激光粉末床熔合中的熔合不足和锁孔缺陷，同时优化合金沉积参数。这样做既提高了效率又提高了质量，特别是对于增材制造工艺中使用的金属合金。同样，神经网络在管理焊接参数、提高焊接质量和降低与工件准备相关的成本方面也显示出了有效性。

此外，基于人工智能的模型可以合并传感器信号，预测并保持激光束焊接的焊接质量，为闭环质量控制奠定基础。为了简化复杂的多源传感器数据，使用了特征提取方法。从光电二极管信号和激光三角测量数据中提取基于统计和频率的特征。神经网络提取相关模式，降低预测任务的维度（图2）。图中的矩形表示法与传感器数据矩阵相对应，轴线代表数据阵列的维度。

这些技术使人工智能模型能够将各种数据统一到一个连贯的特征空间中，从而支持精确的质量预测和实时工艺优化。基于人工智能的模型越来越多地用于激光焊接，以整合实时传感器数据，解决激光发射参数以及几何缺陷和允许气孔率水平等关键因素，确保更高的焊接质量和流程控制，实现零缺陷制造。

事实证明，多种人工智能算法可有效优化激光加工过程。支持向量机（SVM）、决策树和K近邻（KNN）等ML模型被广泛用于分析加工数据、预测最佳参数和识别材料属性模式。深度学习模型，尤其是卷积神经网络（CNN），擅长处理大量视觉数据，例如来自摄像头或传感器的图像，以检测缺陷并实时监控激光束的稳定性，从而显著提高加工过程各阶段的缺陷预测准确性并加强质量控制。

此外，强化学习提供了一种强大的方法，使系统能够通过试错不断优化激光设置，并根据加工性能的反馈进行调整，这对于动态或复杂的应用尤为有效。研究表明，ANN和自适应神经模糊推理系统等人工智能方法可以有效预测和优化激光加工过程中产生的影响，如残余应力、塑性变形和材料损伤等，这为改善材料性能带来了新的机遇，如提高抗疲劳性和延长涡轮叶片及其他航空航天工业关键部件的使用寿命。

 

图2：对激光三角测量数据进行神经网络处理，将原始信号转换为用于质量预测的压缩特征

人工智能驱动的工艺优化还有助于激光加工系统适应新材料和新任务。通过学习不同材料的特性，人工智能系统可以自动调整参数，使制造商能够在不同材料或工艺之间进行切换，而无需进行大量的重新校准。这一点在3D打印和激光合金化领域的人工智能应用中尤为重要，深度学习和生成式对抗网络（GANs）等人工智能技术可以考虑各种材料的独特特性，改进对其特性的预测，并生成无机材料的化学成分。

这些进步极大促进了材料加工技术的发展及其特性分析。这种能力在增材制造等行业尤为重要，可解释人工智能（XAI）等人工智能技术被用于金属3D打印中的性能预测，从而改善材料加工和可预测性。在其他研究项目中，人工智能被用于根据加工参数和材料特性预测金属增材制造中的机械性能，从而提高了效率和可预测性，同时减少了对劳动密集型实验的需求。

而在其他研究案例中，机器学习算法（包括支持向量机和ANNs）被应用于增材制造，以预测打印部件的机械性能，从而实现工艺优化，提高材料质量和生产效率。人工智能还被用于激光焊接的质量控制和工艺优化，研究强调了人工智能支持的监控系统在激光束和混合焊接工艺中的作用。如前人研究结果所示，通过使用梯度提升等ML回归器来更有效地预测机械性能，这些进步得到了进一步加强。

激光加工通常需要调整参数，以适应不同材料的不同特性，因为每种材料对激光能量的反应各不相同。这就需要定制功率、速度和聚焦等参数。人工智能模型可以预测材料在不同条件下的表现，从而优化加工过程，获得最佳效果。这种预测能力大大提高了加工精度。有参考文献探讨了人工智能如何优化各种材料和应用的激光加工，提高效率和精度。文中强调，人工智能在提高激光加工在各种工业环境中的可预测性和适应性方面发挥着重要作用。

其他文献则采用了结合有限元建模、回归分析和ANNs的系统框架，确定了最佳激光焊接参数，最大限度地减少了角度变形，改善了机械性能，从而提高了接头的抗拉强度。有的文献采用了一种结合高保真模拟和ANNs的系统方法来优化钢材搭接激光焊接的激光功率和扫描速度，通过优化加工条件提高了焊接质量、减少了气孔并增强了剪切强度。

将人工智能集成到激光系统中，不仅能优化参数，还能适应加工过程中材料属性的变化，从而提高稳定性和产品质量。除了过程控制，人工智能还能增强激光加工中的设备维护。激光系统与任何复杂的机械设备一样，都会经历磨损，从而影响性能和质量。人工智能驱动的预测性维护系统可以分析设备的传感器数据，检测即将发生故障或需要维修的迹象。

通过在潜在问题发生前对其进行预测，人工智能有助于最大限度地减少停机时间，降低维护成本，并确保激光系统以最佳性能运行。这种预测能力对于保持稳定的产品质量和最大限度地提高生产运营效率至关重要。例如，3D打印和激光技术的进步使得以高空间分辨率合成新材料成为可能。

然而，尽管人工智能好处多多，但将其集成到激光加工中并非没有挑战。一个主要障碍是需要大量高质量的标注数据集，来有效训练算法。收集此类数据可能是资源密集型的，确保数据的准确性和一致性是人工智能驱动的优化取得成功的关键。此外，将人工智能系统集成到现有制造环境中也会带来巨大挑战。

展望未来，人工智能驱动的激光加工优化技术前景广阔。人工智能算法的不断进步，包括联合学习和迁移学习，将使这些系统具有更强的适应性和更高的数据效率，即使是较小的数据集。此外，人工智能与其他新兴技术（如物联网传感器、数字孪生和机器人技术）的整合将进一步增强激光加工系统的能力，从而实现更精确的自动化制造过程。在此背景下，有人提出了一种优化激光熔覆工艺的方法。

总之，人工智能驱动的创新正在改变金属材料的激光加工，显著提高精度、效率和产品质量。实时监控、预测分析和机器学习使制造商能够优化激光加工、减少缺陷并提高整体生产率。随着人工智能技术的不断发展，将其集成到激光加工系统中的应用将越来越广泛，从而进一步扩展这一重要制造工艺的能力和适应性。（未完待续）

作者：Serguei P. Murzin（维也纳工业大学客座教授、特邀研究员）

 

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。