人工智能驱动的金属材料激光加工技术创新（中）

本篇承接7月刊p36

实时监控与自适应控制系统

人工智能显著增强了激光加工中的实时监控与自适应控制系统。这些系统依托传感器、相机和诊断工具的数据，持续监控加工过程并自动调整参数以应对偏差。实时监控对激光加工至关重要，因为即使激光功率、扫描速度或焦点等参数的微小波动，也会对最终产品质量产生重大影响。双路径快照压缩显微（DP-SCM）等先进技术，能够实现大视场高速高分辨率成像，支持超快激光加工过程中的原位实时观测。这些突破性进展极大增强了激光加工过程的监控能力，提供对材料变化的精细化、大范围观测。

此类能力对于追踪微观变化（如缺陷形成或结构转变）至关重要，这些变化可能影响最终产品质量。当与AI算法结合时，这些技术不仅能精确检测工艺偏差，还能促进激光加工参数的即时调整，确保过程持续处于最优状态。图3展示了激光定向能量沉积过程中用于检测潜在缺陷的监控系统配置，包含熔池几何形态、温度、粉末流动稳定性和声发射监测装置，通过集成化设计实现缺陷识别。AI驱动系统持续分析激光与材料数据，通过自动调整使工艺参数始终保持在最优区间。

 

图3：监控系统及其组成部件

通过持续分析来自相机、热成像仪及其他诊断工具的多源传感器数据，系统能够检测并校正光束偏移或材料不均等偏差。机器学习算法在实时识别参数模式、标记偏离最优工艺参数方面发挥关键作用。当检测到激光束偏移时，AI算法可自动调整光束位置或焦点使工艺恢复常态。在此类场景中，可采用集成激光束位移传感器的反馈回路系统。

 

图4：自动化焊接流程步骤：(a)扫描待焊接接头；(b)采集并处理接头轮廓；(c)使用人工智能进行接头类型分类；(d)定义焊接操作路径

同理，若检测到材料不均（如表面纹理或成分变化），AI可通过实时调整激光功率或扫描速度进行校正，从而保持产品质量。例如，AI能解译激光诱导等离子体的可视化空间结构以推断材料特性，实现实时调整并预防加工误差。该方法可提升加工精度、缩短周期时间并提高生产效率。譬如最新研究提出一种新型物理可解释端到端网络，通过结合卷积神经网络、门控循环单元与注意力机制，用于激光冲击强化中的应力监测。该方法不仅提升监测精度，更提供物理可解释性，增强质量控制的决策能力。

除传统监控技术外，光学相干断层扫描（OCT）已成为激光加工实时监测与控制的重要工具。相较于传统光学、声学、热学与电学传感方法，OCT具备高成像速度与分辨率，可直接测量激光加工中的深度与形貌特征。传统光学方法通常局限于表面观测，而OCT技术能捕获材料内部结构变化（如微裂纹形成或材料密度变化）。这种亚表面成像能力对于监控焊接或增材制造等复杂激光工艺至关重要，因为亚表面特征会显著影响最终产品质量。

当与AI驱动分析结合时，OCT可促进加工参数的快速调整，确保激光加工过程始终处于最优状态。OCT技术已广泛应用于激光焊接、增材制造与减材制造的实时监测。这些方法显著提升加工条件的精确性与可控性，尤其在高频脉冲工况下表现突出。同理，结合X射线成像的声学测量技术，为熔池动力学与缺陷形成等关键现象提供了强有力的实时观测手段。

然而，由于熔池动力学与锁孔行为等关键过程具有高度复杂性和动态特性，其监测仍面临挑战。受激光功率、材料特性及环境条件影响，熔池的几何形态与行为可能发生快速且不可预测的变化。特别需要强调的是，实时精准捕获熔池动力学特性需同时满足大视场、高空间分辨率与高时间分辨率的高速成像技术。

焊接过程中的小孔行为因其与激光束及材料的相互作用而带来诸多挑战。实时监测小孔的形成、稳定性和闭合过程对于保持工艺稳定性、减少气孔和未熔合等缺陷至关重要。通过将先进监测技术与基于人工智能的分析方法相结合，能够有效应对这些挑战，及时调整工艺参数，从而提升激光焊接的整体质量和效率。

 

图5：过程控制系统概述

人工智能助力激光加工过程动态适应变化条件。例如在焊接领域应用的AI驱动方法（如图4所示），通过激光扫描与信号处理技术实时优化焊接轨迹与工艺参数。同样地，人工智能在激光加工中能够实时校准激光参数，提升加工精度，并能自适应材料特性变化，从而有效减少缺陷并全面提升加工质量。

基于强化学习（RL）的控制器已被应用于适应激光重熔（LRM）工艺的复杂性，通过实时控制熔池温度分布来提升表面质量。该方法采用双竞争深度Q网络结构，在性能模拟中展现出更高的稳定性与更低的方差，为激光重熔过程的表面抛光控制和工艺优化提供了潜在解决方案。

除标准的人工智能方法外，强化学习技术（例如双竞争深度Q网络）为管理激光重熔等复杂激光加工过程提供了鲁棒性解决方案。通过实时学习最优控制策略，强化学习算法能够有效应对激光加工过程中固有的不确定性（如光束偏移或材料特性变化），确保持续的工艺优化与质量控制。图5展示了基于强化学习的激光重熔过程控制系统，其中控制器根据观测到的奖励信号不断学习并优化控制动作。

 

图6：高速相机图像显示：因前道焊缝成形不规则导致激光能量不足，可能引发未熔合缺陷

此外，基于图像的监测控制方法已逐步应用于窄间隙热丝激光焊接领域。通过语义分割技术，系统对采集的相机图像进行处理，实时监测焊接位置并检测未熔合等缺陷，从而以最简设备配置提升焊接过程的稳定性与质量。在此应用中，语义分割通过将焊接图像划分为具有工程意义的区域，有效隔离出可能存在未熔合、气孔或咬边等缺陷的特征区域，在缺陷检测中发挥着关键作用。

该方法可实现缺陷的实时检测，并能立即采取纠正措施（如调节激光功率或焊接速度），从而确保最佳焊接质量。通过持续监控焊接过程，语义分割技术不仅提升了缺陷检测能力，还有助于提高生产效率并减少焊后检测工作量。图6展示了因前道焊缝成形不规则导致激光能量不足时捕捉到的高速相机图像，该图像揭示了熔池形态如何预示未熔合缺陷的发生，这对维持焊缝质量具有关键指导意义。

之前有文献阐述了选择性激光熔融工艺的监测系统，重点探讨了在激光粉末床熔融过程中追踪工艺特征的重要性，以及使用机器学习实现实时缺陷检测与过程控制的应用——这些正是自适应人工智能驱动系统在激光加工中的核心要素。此外，基于红外相机的监测技术也已应用于激光焊接的实时过程监控，通过红外相机与图像处理技术可实时分析熔池特性与焊接质量。

该技术已被证明能有效分析焊接过程中熔池的温度波动，为质量控制提供了可靠方法。此外，利用外电场进行激光诱导等离子体监测的技术也被研究用于增强激光材料加工的原位监测能力。通过监测脉冲激光材料加工过程中诱导产生的等离子体信号，特别是在高频脉冲工况下，加工条件的精度与控制水平均获得显著提升。

采用光学、热学与声学技术的状态监测方法能够实现层裂、裂纹及气孔等缺陷的早期检测。为强化这些监测技术，机器学习模型已被应用于集成多传感器平台，从而提升激光焊接中的缺陷检测能力与自适应反馈水平。通过综合处理红外相机、高速相机和声学传感器等多源数据，机器学习算法能够实时分析检测数据，准确识别未熔合、裂纹及气孔等焊接缺陷。

这些多传感器平台能够实现持续监测与焊接参数的动态调整，确保持续保持高质量焊缝。机器学习算法不仅协助缺陷检测，还能预测潜在问题，从而实现早期干预并最大限度减少焊后检测需求。机器学习与多传感器系统的深度融合，由此在优化激光焊接工艺、保障其精度与可靠性方面发挥着至关重要的作用。

 

图7：基于卷积神经网络的焊道形貌预测模型架构：采用YOLO分割生成的张量掩模进行训练与评估

深度神经网络（特别是卷积神经网络）已应用于熔池分割与焊道形貌分析，实现了实时过程控制与稳定性评估。YOLO（You Only Look Once）模型生成的熔池掩模作为预测网络的输入，用于估算焊道宽度、高度及面积（图7）。这些网络采用带整流线性单元（ReLU）激活函数与批量归一化的卷积层结构，显著提升了过程监测的精度与效率。

 

图8：激光焊接中工艺参数、特征信号与质量指标的关联性

除语义分割外，卷积神经网络（CNNs）已有效应用于熔池分割与焊道形貌分析等任务。该网络架构在处理视觉数据方面表现出色，可通过训练高精度识别并分割焊接过程的关键特征（如熔池区域）。例如，即使在噪声或环境因素变化的条件下，CNNs仍能自动检测熔池边界，从而实现对熔池稳定性与温度分布的精准控制。

卷积神经网络在焊道形貌分析中同样发挥着关键作用。通过分析焊缝区域的图像，该网络能够精确测量焊道宽度、高度及熔深等关键参数。这些实时数据为工艺优化提供支持，通过动态调整焊接参数确保持续稳定的质量输出。精确的熔池分割对于诊断与质量控制至关重要，为实现焊接过程的实时调控提供了技术基础。

基于深度学习的分割工具（如卷积神经网络）在激光加工熔池与结构缺陷分析方面具有显著优势。首先，得益于深度神经网络从大数据集中学习并识别复杂模式的能力，这些工具能实现高精度分割。例如，即使在存在噪声、光照变化及外部条件不稳定的情况下，CNNs仍能有效识别熔池边界。

其次，深度学习支持实时数据处理，这对及时调整焊接或熔覆参数至关重要——通过动态控制熔池温度与激光速度，可最大限度降低裂纹或气孔等缺陷的发生概率。最后，基于深度学习的分割方法优于传统图像处理技术，后者对数据质量与特征变化的适应性较差。YOLO或全卷积网络（FCNs）等现代架构确保了更高精度与处理速度，推动其集成至自适应反馈系统中实现质量控制。

此外，机器学习在激光粉末床熔融的缺陷检测与工艺建模领域已得到广泛探索。多项研究强调集成智能多传感器平台对激光焊接监测的重要性，这类平台融合了数据集成与自适应反馈系统。基于深度学习的人工智能工具也被提出用于光学图像中熔池与结构缺陷的快速鲁棒分割，从而强化对工艺改进及构件表征的理解。基于光学诊断与人工智能的激光焊接监测技术同样得到研究，为焊接过程与缺陷检测提供了关键洞察。

此外，研究提出了一种混合模糊逻辑方法用于激光加工的多目标优化，以进一步提升激光切割工艺——特别是在优化激光速度与功率方面，从而改善3D打印薄板的表面质量与尺寸精度。由人工智能驱动的自适应控制系统可动态调整功率、光束焦距及加工速度等激光参数，以适应材料特性变化与外部因素干扰。这种动态调控能有效防止过热、材料过度熔化或能量损失等缺陷，从而提升生产效率并确保工艺稳定性。

将原位监测技术与先进光学传感及机器学习相结合，可显著提升激光焊接过程的精度与可靠性。这些方法能够实时分析熔池动力学和小孔行为等关键现象，从而确保最优工艺控制与卓越的产品质量。图8揭示了激光焊接中工艺参数、特征信号与质量指标之间的内在关联。

激光功率与扫描速度等参数决定了激光能量与材料的相互作用方式，进而影响加热、熔化和凝固过程。熔池形态等特征信号可捕获实时工艺特性，而焊缝缺陷与熔深等质量指标则定义了最终焊接质量。该图还概述了监测过程中的挑战，并提出三步解决方案：原位传感、数据分析与机器学习，以此推进实时控制并优化加工结果。

人工智能驱动的自适应控制系统通过最大限度减少热变形或不良微观结构变化等缺陷，有效提升表面质量。这在处理高品质材料或制造高精度公差部件时，尤为关键。基于实时数据的持续工艺调整使人工智能能够在整个生产过程中保持质量稳定性，无需额外返工。在此背景下，基于人工智能的建模与优化技术已应用于激光加工领域以进一步提升精度。

因此，人工智能驱动的实时监测与自适应控制系统对优化激光加工工艺至关重要。这些系统通过传感器与诊断工具持续追踪参数，自动调整以纠正偏差并提升效率。光学相干断层扫描及基于强化学习的控制器等技术，增强了实时缺陷检测与过程控制能力。包括卷积神经网络和深度学习在内的机器学习方法，助力实现更高效的监测、缺陷检测与预测性维护，确保激光加工始终保持在最佳性能参数范围内。随着机器学习与传感器技术的持续进步，这些系统将进一步完善，为更精准可靠的激光加工应用铺平道路。

 

激光加工中的数字孪生与虚拟仿真

数字孪生是一种在虚拟环境中模拟物理系统的高级方法。该技术通过建立高保真数字模型，对提升加工过程的动态质量控制起着关键作用。这些模型是推动工业4.0背景下加工工艺理解与优化的核心要素。

在激光加工领域，数字孪生是通过虚拟映射真实激光加工系统构成的数字化表征，涵盖设备组件、运行状态及激光-材料相互作用全过程。这类人工智能驱动的数字孪生使制造商能够模拟多种激光加工场景，从而在物理加工前测试并优化工艺参数。

 

图9：传统制造系统与数字孪生监督制造系统的差异

数字孪生技术通过虚拟环境模拟物理系统，提供了前沿的解决方案。在激光加工领域，该技术使制造商能够精准调整参数，确保结果的一致性。数字孪生对于金属增材制造等复杂且不可预测的工艺中的误差抑制，尤为有效。通过利用实时反馈与代理模型，数字孪生可实现预测性与纠正性双重调控，维持最佳加工状态。图9展示了数字孪生如何实现实时自主决策，将质量控制从被动响应转变为主动预防，从而显著减少生产缺陷。

之前，有文献探索了基于物理仿真与熔池传感器数据的融合应用，证明了数字孪生在激光粉末床熔融缺陷检测方面的能力。类似地，还有文献讨论了数字孪生在超精密加工设计与控制中的应用，展现了其提升运营性能的作用。加工条件与材料行为之间的动态相互作用，为通过数字孪生技术改进增材制造提供了宝贵见解。此外，其他文献探索了数字孪生如何利用嵌入式光纤传感器优化增材制造过程，从而深化对制造过程中应变与温度分布的理解。

通过集成传感器与监测系统的实时数据，数字孪生持续更新其模型。这种动态更新确保仿真系统能精确反映当前设备状态与加工材料特性。人工智能模型可预测不同激光参数（如扫描速度、光束模式与焦点位置）对材料的影响，使制造商能够优化工艺以获得最佳结果。这减少了试错实验，并为工艺开发提供了更高效的方法。将深度学习融入数字孪生进一步增强了质量改进流程。此外，物理信息神经网络的研究表明：将物理定律融入神经网络训练可加速仿真过程，例如预测激光定向能量沉积系统中的温度场。该方法在保持高精度的同时显著减少计算时间。

人工智能与数字孪生的融合为系统长期行为提供了宝贵洞察。机器学习算法能检测系统性能中的模式并预测潜在问题，从而实现主动决策与预防性维护。例如，人工智能可预测激光器性能下降时间或部件维护需求，确保及时维护并避免非计划停机。统计数字孪生与网络热物理系统的最新进展表明，通过将热力学模型与实时传感器数据相连接，可有效稳定、控制并优化激光重熔（LRM）等工艺过程。

激光加工中的数字孪生技术具有诸多优势：提升工艺精度、缩短测试周期、减少材料浪费。该技术还能深入揭示不同条件下系统行为特性，有助于优化加工工艺与整体生产流程。以激光粉末床熔融为例，数字孪生通过将物理建模与机器学习相结合，有效应对未熔合等缺陷。数字孪生方法通过实时调整工艺参数来预测并消除这类缺陷，确保动态调控以提升熔合质量，降低对试错方法的依赖。

研究还强调了数字孪生在强化激光加工质量控制和缺陷检测方面的重要性。有文献还提出了一种基于多传感器融合的数字孪生模型，用于激光定向能量沉积的早期缺陷检测，在预测局部质量属性方面实现了高精度。该研究采用深度学习技术实现智能熔池控制，具备实时温度预测与反馈控制能力。

近期研究中，数字孪生技术被广泛应用于提升激光制造工艺的质量与精度。有文献采用数字孪生实现激光粉末床熔融零件质量的快速原位评定，为精准预测气孔率与显微硬度等属性提供了创新方案。类似地，还有文献提出统计参数化模型，增强了对未熔合性气孔等缺陷的预测能力，为工艺优化提供了重要工具。另一项应用中，针对激光加工零件提出表面温度监测方法，将数字孪生与生成对抗网络（GANs）相结合，有效解决传统方法存在的计算延迟问题。

此外，将多种激光工艺集成于单一制造单元的多功能激光系统，能够通过数字孪生技术获得显著效益。采用数字孪生对集切割、连接与增材制造于一体的多功能激光机器人单元进行优化，有效加速了系统设计进程，减少生产误差并改善生产规划。

因此，数字孪生技术在激光加工领域的应用标志着精度、效率与过程控制能力的重大进步。该技术通过优化激光加工参数，有效减少误差、提升产品质量并缩短测试周期。与人工智能、机器学习及物理建模的融合，实现了参数的实时预测与调整，从而提升可靠性并降低生产成本。数字孪生在激光系统中的运用为提升制造质量与优化工艺流程开辟了新途径，尤其在增材制造与精密加工等领域展现出巨大潜力。

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。