CN113196186A - 激光切割方法的自动参数化 - Google Patents

激光切割方法的自动参数化 Download PDF

Info

Publication number
CN113196186A
CN113196186A CN201980075370.2A CN201980075370A CN113196186A CN 113196186 A CN113196186 A CN 113196186A CN 201980075370 A CN201980075370 A CN 201980075370A CN 113196186 A CN113196186 A CN 113196186A
Authority
CN
China
Prior art keywords
machining
data
result
laser
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201980075370.2A
Other languages
English (en)
Other versions
CN113196186B (zh
Inventor
斯特凡·维特韦尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Byson Laser Co ltd
Original Assignee
Byson Laser Co ltd
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
Application filed by Byson Laser Co ltd filed Critical Byson Laser Co ltd
Publication of CN113196186A publication Critical patent/CN113196186A/zh
Application granted granted Critical
Publication of CN113196186B publication Critical patent/CN113196186B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/36—Removing material
    • B23K26/38—Removing material by boring or cutting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/70—Auxiliary operations or equipment
    • B23K26/702—Auxiliary equipment
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45041—Laser cutting
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45165—Laser machining

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Mechanical Engineering (AREA)
  • Plasma & Fusion (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Laser Beam Processing (AREA)
  • Numerical Control (AREA)

Abstract

本发明涉及基于期望的加工结果的目标规格(Etarg)的激光切割方法的自动参数化，并且还涉及用于对设定激光器(L)的特定参数集的加工结果(E)进行预测。为此目的，访问确定性工艺模型(M)，该确定性工艺模型(M)存储在数据库(DB)中，并且该确定性工艺模型(M)尤其包括工艺特性(PKG)。

Description

激光切割方法的自动参数化
本发明涉及激光加工工具领域，并且更具体地涉及用于使激光装置或激光切割方法自动参数化并用于预测结果数据的方法和***。
根据期望的加工，当今可以使用不同类型的激光加工工具来生产高精度和高性能的制造部件。例如，Nd:YAG(1064nm)和CO2激光器用于微加工半导体衬底。通过使用具有若干千瓦输出功率的Yb:YAG纤维激光器和CO2激光器，尤其厚度达几十毫米的金属工件被以微细加工的方式切割。这些和其他应用示例表明，对质量、稳定性、生产率和其他变量的控制和监测对于借助于激光加工在所制造部件上产生的加工结果是必不可少的。例如，在某些应用中，重要的是监测切割边缘的倾斜角度，该倾斜角度尤其取决于激光束聚焦在工件上的聚焦位置。在该示例中，作为加工参数的聚焦位置与作为加工结果参数的切割边缘的倾斜角度之间的物理关系在此在确定用于激光加工的合适参数方面起着重要作用。
在现有技术中，如果期望实现某个加工结果(例如，所制造部件的特定质量测量，其有时可以反映在毛刺和/或熔渣的形成以及/或者切割边缘的粗糙度中)，则使用经验知识在具有相应技术特性(比如光束工具类型、喷嘴等)的相应机器上设定相应加工参数，使得可以实现期望的质量等级。明显的是，该过程一方面需要大量的经验，并且另一方面又不是可再现的，并且因此容易出错。此外，由于该方法不是可扩展的，所以该方法是耗时的，这是因为必须执行至少一次测试运行(以及频繁的多次测试运行迭代)以通过试错法确定产生期望结果(加工结果)的那些设定参数，其中，必须对每种材料和每种类型的装置重复该测试运行。
为了实现可再现性和可扩展性，通常期望能够计算操作激光加工工具的参数、相关联的物理工艺特性与所产生的加工结果之间的相互作用。
EP 2 533 934 B1公开了一种用于使用模拟程序确定加工结果质量的方法。该文件没有公开如何基于计算的比较值在操作期间调整、改进和开发生成的模型。此外，该文件没有指出对用于加工结果的期望的目标规格的参数集进行自动计算的任何参数化方法。
US 2017/0113300 A1公开了一种用于监测激光加工的方法，其中，在切割过程中断之后，检测工件上的加工质量并将其与质量规格进行比较。在偏差的情况下，可调整切割参数。然而，该文件没有描述应当如何调整切割参数。本领域技术人员不能通过该文件推断出关于具体应当如何改变设定参数以实现更好的切割结果的任何指令。此外，该文件也没有公开参数化方法。
因此，本发明解决了改进激光加工工具的操作的问题。特别地，应当简化用户的操作，提高方法的生产量，提高制造工艺的质量。此外，还应当计算加工过程的相关参数及这些相关参数与加工工艺和加工结果的物理关系(参数化方法)。
该问题通过根据所附独立专利权利要求的预测方法、参数化方法、计算机程序、参数化模块、预测模块、激光加工工具和***来解决，其中，上述对象访问至少三个不同的数据结构(加工参数、工艺特性、加工结果)。有利的实施方式、进一步的特征和优点将通过从属权利要求和下面的描述显现。
根据第一方面，本发明涉及一种用于激光加工方法的加工结果的预测方法。在预测方法中使用以下方法步骤：
-读入用于驱动激光加工工具的加工参数集；
-访问确定性工艺模型，以便对读入的参数集的加工结果的预测数据集进行计算。确定性工艺模型访问至少三个不同的数据结构，以便对以下项之间的物理多维关系进行建模：
ο相应的参数集；和
ο表示工艺区域中的物理激光加工工艺的工艺特性；以及
ο加工结果。
在本发明的有利实施方式中，预测方法可以包括进一步的处理步骤，所述进一步的处理步骤将计算的预测数据集存储在例如数据库中，并且/或者将计算的预测数据集输出至输出单元(例如，在监视器/终端上以图形方式)。此外，计算的预测数据集可以经受验证检查(例如，检查可信性、使用预定义规则或与历史数据和/或与统计平均值进行比较等)。
发明人已经认识到，用于操作激光加工工具的先前方法的缺陷在于，需要加工区域中的若干交互物理工艺的特定经验知识，以便能够相对于期望的加工结果以及利用用于设定激光器、整个激光加工装置、所生产的工件的轮廓和/或工件上的加工结果的特定参数集(在下面，该术语用于表示与术语加工参数集相同的意思)最佳地控制激光工艺，以便能够预测加工结果(关于制造的部件：切割边缘、粗糙度等)将如何出现。具体地，到目前为止，关于工件上的激光加工工艺的某些物理关系仅进行了经验分析。这些关系和相关变量无法计算。基于该初始情况，建立了确定性工艺模型，该模型对用于设定激光器的参数集、工艺区域中的工艺特性与加工结果之间的物理多因果关系进行了建模。用于激光加工的公知的等式的数学***(例如，R.Poprawe，“Lasertechnik fiir den Fertigung”[LaserTechnology for Manufacturing(用于制造的激光技术)]，Springer-Verlag2005，P.455)被适当地改编和简化，以便能够实现为工业应用定制的基于模型的算法的性能。所有上述方法步骤都可以统称为真实激光加工的模拟。
根据该方案，选择并简化了现有技术中众所周知的用于工业制造的等式***。模型核心的等式是时间相关的物理守恒等式。这些时间相关的物理守恒等式是普遍有效的，并且因此适用于激光加工工艺区域中的多个物理相关的操作。在模型中，用于与工艺区域相关的质量(或粒子)、能量和动量守恒变量的等式在固、液、气三种聚集状态下实施。用于液体聚集状态(溶体)和固定公式化中的这些等式经常在专业文献(例如D.Schuocker，“Dynamic Phenomena in Laser Cutting and Cut Quality(激光切割和切割质量中的动力学现象)”，Appl.Phys.B 40，p.9-14，1986年)中提到。这些公式使得在数学上和数值上可行，但是还对工艺区域中的切割物理进行了完整的建模，并且因此形成了用于解决问题的可扩展的数值框架。有利地，模型中的守恒等式从固定公式扩展至时间相关的公式。这在考虑到工业应用中工艺特性或参数集的有限计算能力的同时提供了最大的精确度。换句话说，该模型基于模型核心，在该模型核心中，守恒等式同时满足以下技术标准中的所有技术标准：他们在物理上是有效的，并且可以以数字的方式实施，使得他们可以在现场以合理的成本并且在合理的计算时间内直接在机器上进行计算。模型核心也是可扩展的。如果存在偏差，则可以使用预测加工结果与测量的实际加工结果之间的目标/实际比较来开发模型核心的新版本。
特别地，在工件的熔点Tm小于熔融表面的温度T的情况下，可以考虑在时域中对于加工的工件(代表加工结果)的切割边缘的液体状态的第一阶段模型核心的以下耦合守恒等式：
用于熔体的质量流的守恒等式：
Figure BDA0003066987090000041
用于熔体的能量流(功率平衡)的守恒等式：
Figure BDA0003066987090000042
用于熔体的动量流(力)的守恒等式：
Figure BDA0003066987090000043
(其中，p和B是矢量大小并且应当以粗体表示)。在工件的熔点Tm小于熔融表面温度T的情况下，可以考虑在时域中对于加工的工件的切割边缘的液体状态的在第二阶段的模型核心的以下守恒等式：
用于熔体的平均厚度(Dm)的守恒等式：
Figure BDA0003066987090000044
用于熔体的绝对温度、即表面温度(T)的守恒等式：
Figure BDA0003066987090000045
用于位于工件的底侧处的熔体的表面喷射速度vj的守恒等式：
Figure BDA0003066987090000046
(其中，v是矢量大小)，其中：
Figure BDA0003066987090000047
利用以下图例：
BE能量流(熔体能量的输入流减去输出流)的平衡函数
Bm质量流(熔体质量的输入流减去输出流)的平衡函数
Bp动量流(熔体动量的输入流减去输出流)的平衡函数，(矢量大小)
D工件的厚度
<Dm>熔体的平均厚度
Em熔体的热能量
T熔体的表面的温度
Ta周围温度(UmgeBungestemperatur)、环境温度
Tm工件的熔融温度
<bc>平均接合宽度
cp比热容
hm熔化比焓(潜热)
mm熔体的质量
pm熔体的动量，(矢量大小)
vc加工速度(给送量)，(矢量大小)
vj熔体的表面的喷射速度
t时间
μ熔体前倾角度的余弦
ρm熔体的质量密度。
工艺模型有利地提供具有若干可逆算法(用于预测方法的算法和用于参数化方法的算法)和至少三个不同的数据结构的模块化设计作为算法与外部世界之间的接口。由于算法的可逆性，确定性工艺模型的数据流可以颠倒；这样，它们既可以将输入数据映射到结果数据中，并且也可以将结果数据的逆函数映射至输入数据中。这具有的优点是，通过在相同的输入/结果数据上依次地执行两个算法，模型可以经历自检。
在本发明的优选实施方式中，预测方法可以另外包括如下步骤：
-利用(用于加工参数的)读入的参数集执行实际激光加工；
-(优选地自动地)测量加工结果作为实际值；
-将加工结果的测量的实际值与预测的数据集进行比较并且输出(计算的)比较值作为比较结果。
可选地，基于计算的比较值可以自动触发预配置的适配过程，以输出计算的比较值。具体地，通过适配工艺模型的至少三个数据结构中的值可以执行工艺模型的适配。优选地，相应适配过程可以直接在机器终端上执行。还可以集中地(例如，在服务器上)和/或在工作站上执行适配过程。在这种情况下，相应的计算机与在其上执行预测方法和/或提供比较结果的单元进行数据连接。此外，在识别的偏差的情况下，通过借助版本增量调整算法可以适配工艺模型。在基于识别的偏差进行调整之后，确定性工艺模型被认为是有效的。在测量基础设施中出现大偏差和/或维护干扰的情况下，例如如果检测到测量不准确，可以在外部、在外部世界中执行进一步的适配过程，例如作为机器上的维修。这些适配过程可以自动启动，并根据需要通过确认信号进行验证。
因此，有利地，工艺模型的质量可以连续地和动态地适应新的技术边界条件并进行扩展。有利地，这也可以在交付给客户之后直接在现场完成。优选地，比较结果在输出单元(例如，终端)上的机器(激光器)上本地输出或显示。
在本发明的有利的拓展方案中，可以借助于应用模拟算法和/或借助于制造预测算法进行对确定性工艺模型的访问。
根据第二方面，本发明涉及一种用于自动计算用于激光加工方法的参数化的参数集的参数化方法。参数化方法包括以下方法步骤：
-读入加工结果的目标(TARGET)值；
-对确定性工艺模型进行访问，以便对满足读入的目标值的加工结果的读入目标值的至少一个参数集进行计算，其中，确定性工艺模型使用至少三个数据结构并且对在以下项之间的物理多维关系进行建模：
ο加工结果的相应目标值；和
ο表示工艺区域中物理激光加工工艺的工艺特性；以及
ο加工结果。
在本发明的有利的实施方式中，可以执行以下操作：将(用于加工参数的)计算的参数集输出至激光加工装置的控制单元和/或读入到数据库中和/或输出至输出单元。
可以说，参数化方法是预测方法的数字对应物，并且在数学上与预测方法相反。如果使用输入矢量依次执行这两种方法，则必须再次产生相应的输入矢量。通过提供这两种方法——这两种方法都是由计算机实施的并且优选地一起在激光装置的一个模块上实施——有利地可以引入并应用附加的验证等级。因此，可以提高基于模型的自动化方法的可靠性。
在本发明的另一优选实施方式中，参数化方法还包括：
-利用计算的参数集加工实际工件；
-在制造的工件上测量加工结果的实际(ACTUAL)值；
-对加工结果的目标值与实际值进行比较，并且在存在偏差的情况下：
-输出计算的比较值作为比较结果。
计算的比较值可以在本发明的优选实施方式中用于：
-通过访问确定性工艺模型来对计算的参数集进行校准(以生成校准的参数集)，使得可以保持加工结果的读入目标值。
这样做的优点是，该模型可以在客户操作时连续地、动态地、现场地改进。
在本发明的有利的拓展方案中，可以使用计算的比较值来调节激光加工工艺。利用现有技术中的现场工艺监测，例如如在US 2017/0113300 A1中公开的，可以在加工期间(在现场)对工艺区域进行测量。也可以包括诸如熔体的接合宽度或拖尾效应等测量的变量作为工艺模型的至少三个数据结构中的一个数据结构中的计算的工艺特性。类似于上面记录的步骤，可以通过工艺特性的目标值和实际值确定比较结果，该比较结果可以用于加工参数集的连续重新计算。该方法是基于模型调整，其中，工艺监测的测量值被用作确定性工艺模型的对应算法的输入。在基于模型调整的情况下，反复重复加工、测量、比较和校准的步骤，直到加工结果的目标值与实际值之间的偏差降低到可预先配置的阈值以下为止。技术优点在于，可以直接基于实际生成的加工结果(工件上的测量值)进行调整。
在本发明的另一实施方式中，借助于应用校准算法和/或借助于应用计算算法对确定性工艺模型进行访问。这可以用于提供两个模块化应用，每个模块化应用在工艺模型上具有相反的功能。
根据另一有利实施方式，加工结果是预先配置的。加工结果是具有以下信息的数据元组：关于激光加工方法的质量的可测量信息、特别是关于熔体切割中的毛刺高度、火焰切割中的熔渣高度、边缘斜率、边缘波度和/或边缘轮廓高度、表面粗糙度、条纹高度和/或条纹频率的信息。有利地，还可以在应用期间现场配置对于加工结果要考虑的变量。这使得该工艺非常灵活。
根据另一有利实施方式，确定性工艺模型被用于训练神经网络。
在另一方面中，本发明涉及一种具有程序代码或程序装置的计算机程序，其中，在计算机程序在计算机或基于计算机的处理单元上执行的情况下，计算机程序可以存储在计算机可读介质上，其中，程序代码或程序装置使计算机执行根据上述参数化方法或预测方法的方法。
上面已经使用该方法描述了该问题的解决方案。以这种方式提及的特征、优点或替代性实施方式也将被转移到其他要求保护的主题，并且反之亦然。换言之，所讨论的设备权利要求(例如针对预测模块或参数化模块的设备权利要求)还可以利用与方法相关的描述和/或所要求保护的特征进一步改进，并且反之亦然。因此，该方法的对应功能特征由***或设备的对应模块、特别是由硬件模块或微处理器模块形成，并且反之亦然。
在另一方面中，本发明涉及一种用于激光加工工具的参数化模块，该参数化模块用于自动计算用于激光加工工具的参数化的参数集，其中，该参数化模块设计成执行如上所述的参数化方法。
参数化模块优选地包括接口、特别是网络接口(例如，根据ISO 11898标准的CAN总线)。
在另一方面中，本发明涉及一种用于激光加工工具的预测模块，该预测模块用于自动计算加工结果的预测数据集，其中，该预测模块设计成执行如上所述的预测方法。
在另一方面中，本发明涉及一种具有(电子)参数化模块和/或具有(电子)预测模块的激光加工工具。
在另一方面中，本发明涉及一种用于操作用于加工工件的激光加工工具的***。该***可以设计成包括：
-激光加工工具；
-用户界面，该用户界面用于输入和输出数据；
-存储器，该存储器用于存储确定性工艺模型，该确定性工艺模型包括：
ο第一数据结构，在第一数据结构中存储有一组参数，其中，第一数据结构表示关于激光加工工具的数据接口；
ο第二数据结构，在第二数据结构中存储有多个计算的工艺特性；
ο第三数据结构，在第三数据结构中存储有多个加工结果，其中，第三数据结构表示关于用于测量激光加工工具的加工结果的测量装置的数据接口；
-电子处理单元，电子处理单元设计为执行确定性工艺模型中的一组模型算法；
-数据结构、存储器、电子处理单元和激光加工工具之间数据连接。
在本发明的优选实施方式中，电子处理单元包括预测模块和/或参数化模块。
在另一优选实施方式中，确定性工艺模型通过以下方式进行自动自检：为每个输入依次执行逆模型算法、特别是应用模拟算法和制造预测算法以及应用校准算法和应用计算算法，并且检查来自依次执行的结果是否与输入相同。
在另一优选实施方式中，输入是参数集或加工结果的目标值。
用所提出的方法中的至少一个(或两个)方法计算的值的重要的有利方面在于，可以在客户现场的激光装置的操作期间直接提供相关的分析数据。例如，这些相关的分析数据可以用于触发进一步的措施(改变设定值等)。因此，例如，可以基于激光装置的实际测量数据和/或实际行为/数据以图形方式显示具有参考表面和熔渣粘附性的火焰切割边缘(例如15mm)的高度轮廓，并且在该图形中显示矩形，竖向切割边缘轮廓线的曲线在该矩形的水平边长度上被平均。这为在线且在操作期间直接分析物理激光加工工艺提供了重要工具。总体而言，激光加工的质量不仅可以关于切割边缘的质量参数、而且可以关于诸如熔渣和毛刺等其他质量参数来提高，并且可以促进和提高需要的调整的效率。
下面将更详细地解释本申请中使用的术语的含义。
确定性工艺模型是数字对象，其中，对表示工艺区域中的物理激光加工工艺和加工结果的相应的参数集与工艺特性之间的物理关系进行建模。应该明确指出的是，该工艺模型不是统计或随机模型，而是模拟模型，在该模拟模型中，通过各种质量参数再现以及模拟激光加工的相关物理相关性。除了算法之外，工艺模型包括至少三个独立的数据结构。质量参数与加工结果一起反映在第三数据结构中。因此，工艺模型包括各种质量参数的完整建模，各种质量参数不仅解决具有条纹和毛刺形成的切割边缘的质量，而且包括下面在第三数据结构的上下文中讨论的其他质量特征。此外，工艺模型还包括相应的质量特征或加工结果和参数集以及工艺特性之间的物理关系。
第一数据结构包括加工参数。这些加工参数也更简单地被称为参数。(加工)参数的数据记录包括：
-工艺气体、加工头、激光器、加工工具、喷嘴、光学元件和工件的规格；
-加工路径(轮廓)的限定；
-沿着加工路径(轮廓)的插值点数据，比如工艺气体压力、给送量、激光功率、聚焦位置、工件厚度等。
规格和加工路径由加工基础设施、用户定义的具体的应用(切割平面)和使用的工件确定。另一方面，插值点数据可以独立变化，并且因此必须既是预测模块的输入，又是参数化模块的输出。
第二数据结构包括工艺特性。工艺特性的数据记录仅分配给加工路径的一个插值点，并且尤其包括以下性质：
-激光束工具的性质，比如时间平均激光功率、焦距(瑞利长度)、工件表面处的光束半径；
-切口的性质，比如横截面积、平均切口宽度、平均锥角；
-切割边缘的性质，比如条纹角度、条纹频率、粗糙度值；
-熔体的性质，比如膜厚度、喷射速度、流特性、表面面积、出口面积；
-气体喷射工具的性质，比如压力耦合度、压力损失(由喷嘴与工件之间的面积引起)；
-光学元件的性质，比如放大率、取决于功率的焦点位置移位；
-工件的性质，比如利用激光束工具的切割体积、加工的稳定性或公差值、工艺效率。
通过工艺模型的算法来计算工艺特性。这种情况的例外是，一方面由用户指定的公差和稳定值，以及在参数化过程期间无法通过指定的加工结果计算的工艺特性(例如，压力耦合程度、切口宽度)。工艺特性可以包括测量数据(实际)以及计算数据(目标)。
加工结果包括在第三数据结构中。加工结果的数据记录包括由加工引起的加工的零件的那些性质。例如，这些性质包括毛刺高度、熔渣高度、切割边缘的轮廓高度、表面粗糙度、条纹频率、条纹角度(拖尾效应，滞后)。在确定性工艺模型中，加工结果一方面是具有加工结果的目标值的参数化方法的输入，并且另一方面是具有目标值的预测方法的计算结果的输入。加工结果的实际值由合适的表面测量方法确定。特别适合于此目的的是使用非接触式光学3D表面测量方法进行的对工件的靠近切口和切割边缘表面的底侧进行的测量。一方面加工结果的测量的实际值与另一方面加工结果的预测的数据集之间的比较是软件控制的，或者是经由可以在电子处理单元上实施的比较器电路来实现的。该比较完全自动地进行，并且优选地无需用户交互。这同样适用于一方面加工结果的测量的实际值与另一方面用户输入的加工结果的目标规格之间的比较。
记录比较结果。这是数字数据记录。在最简单的情况下，它可以是指示偏差的二进制标志。比较结果在激光加工工具上的输出单元上输出。可以将比较结果传送至进一步的应用进行进一步处理，以便启动适当的适配措施。
应用模拟算法、制造预测算法、应用校准算法和应用计算算法可以是应用或计算机程序的部分。因此，例如，应用模拟算法可以是应用模拟程序等的部分。对于更多细节，请参照附图的详细描述。
“算法”或“程序”被理解为是指包括机器可读指令的任何类型的计算机程序，所述机器可读指令用于在激光加工的情况下控制计算机的功能。计算机程序可以作为可执行程序文件存储在数据载体上，该可执行程序文件通常以所谓的机器代码的形式存储，该可执行程序文件被加载到计算机的主存储器中以供执行。该程序作为机器指令——即计算机的处理器的处理器指令——的序列来处理和执行。程序可以是可执行代码、源代码或解释代码的形式。
“接口”被理解为可以经由其接收和传输数据的接口(通信接口)。通信接口可以是基于接触的或非接触式的。通信接口可以是例如借助于线缆或无线连接到关联装置的内部接口或外部接口。通信可以经由网络进行。这里的“网络”是指与通信的连接的任何传输介质、特别是本地连接或本地网络、特别是局域网(LAN)、专用网、特别是内联网和虚拟专用网(VPN)。例如，计算机***可以具有用于连接至WLAN的标准无线电接口。它也可以是公共网络，比如互联网。根据实施方式，通信还可以经由移动无线电网络进行。
“存储器”被理解为是指易失性和非易失性电子存储器或数字存储介质两者。“非易失性存储器”被理解为是指用于永久存储数据的电子存储器。非易失性存储器可以配置为不可修改存储器，也被称为只读存储器(ROM)或可变存储器，还被称为非易失性存储器(NVM)。具体地，这可以是EEPROM，例如简称为“闪存”的闪存EEPROM。非易失性存储器的特征在于下述事实：即使在切断电源之后，存储在非易失性存储器上的数据仍然存在。这里，易失性电子存储器是用于临时存储数据的存储器，其特征在于所有数据在切断电源后丢失。具体地，这可以是处理器的易失性直接存取存储器，也被称为随机存取存储器(RAM)或易失性存储器。
(电子)“处理单元”被理解为是指下述电子模块，该电子模块可以设计为例如用于基于计算机的自动执行指令的处理器，并且可以包括用于执行程序指令的逻辑电路。该逻辑电路可以在一个或更多个分立部件上实施、特别是在芯片上实施。具体地，“处理器”被理解为是指包括多个处理器核心和/或多个微处理器的微处理器或微处理器***。处理单元可以包括预测模块和/或参数化模块。
该问题的另一解决方案提供了一种计算机程序产品，其具有用于当计算机程序在计算机上执行时执行上面更详细描述的方法的所有方法步骤的计算机程序代码。还可能的是，计算机程序存储在计算机可读的介质上。例如，计算机程序产品可以设计为存储的、可执行的文件，可能还具有其他部件(比如库、驱动器等)，或者计算机程序产品可以设计为具有已经安装了计算机程序的计算机。
在以下附图的详细描述中，将参照附图讨论具有非限制性示例性实施方式的特征和进一步优点的非限制性示例性实施方式。在这些附图中：
附图说明
图1示出了根据本发明的优选实施方式的用于激光加工工具上的激光加工的参数化和/或预测的***的示意性概图；
图2示出了基于模型的预测方法的示意图；
图3示出了用于激光器的基于模型的参数化方法的示意图；
图4示出了集成到激光加工中的参数化模块的概图；
图5示出了集成到激光加工中的预测模块的概图；
图6示出了根据本发明的优选实施方式的预测方法的流程图；
图7示出了根据本发明的优选实施方式的参数化方法的流程图；
图8示出了应用校准算法的流程图；
图9示出了用于图示锥角的制造部件的切口的示意图；
图10示出了根据本发明的优选实施方式的应用计算算法的流程图；
图11示出了根据本发明的优选实施方式的应用模拟算法的流程图；
图12示出了根据本发明的优选实施方式的制造预测算法的流程图；以及
图13示出了切割表面的轮廓高度的平均轮廓曲线的曲线图。
具体实施方式
本发明用于改进、并且特别是简化激光装置的操作。激光装置的设定或参数化需要对相关变量之间的关系有广泛的物理知识。因此，待设定或被设定的装置参数相对于加工结果具有多维耦合相关性。产生的复杂性使得直观地设定装置参数以实现特定的加工结果是困难或不可能的。此外，用户对在零件设计时加工工艺将如何运行了解甚少。用户同样对在加工时加工工艺将如何运行了解甚少。由于现有技术中缺乏工艺的特性化和模拟可能性，因此用户可以理解的工艺监测很难甚至是不可能的。对于用户来说还重要的是，知道在为加工结果指定目标值时必须设定哪些参数使得可以实现期望的加工结果，所述参数例如具有用于熔融切割中的毛刺高度或用于火焰切割中的熔渣高度、用于相应的制造零件的规格。
在此提出的方法的目的是用最少的数据输入来控制激光材料加工(应用)，从而实现最优制造。最少数据输入包括期望的零件形状(切割平面)和期望的材料(工件)以及装置和材料的规格。最优制造意味着实现最优加工结果，并且由至少三个数据结构自主确定。至少两个应用情况定义了至少三个数据结构之间的数据流，其中，每个应用情况具有至少两个快速算法。数据结构、应用情况、算法和数据流形成了激光材料加工(应用)的数字孪生。数字孪生是模块化的，并且尤其是使用经验值来保持算法的简单和快速，并确保数字孪生与真实的激光材料加工(应用)之间的可比性。该模型至少包括三个数据结构：
1.数据结构1包括参数集P的数据；
2.数据结构2包括工艺特性PKG；
3.数据结构3包括加工结果E的数据；
数据结构1形成激光材料加工的数字孪生与实际加工装置L之间的数据接口。数据结构3形成激光材料加工的数字孪生与实际激光材料加工(应用)的加工结果E之间的数据接口。三个数据结构中的最小的数据结构取决于最少数据输入，包括切割平面(用户输入)和工件规格(来自数据库的材料、厚度、尺寸)、经验值(来自数据库收集的各种类别的测量值的平均值)和/或被初始化为测量变量或计算变量的当前测量值(来自数据库)、以及如有必要进一步初始化的规格数据(来自数据库)。与现有技术中的已知方法相比的优点是，经验值现在也可以结合到模型中(在此是数字孪生)。
至少三个数据结构的数据(例如，以表格形式)存储在数据库***中。应用情况1和2的算法从表中读取数据或将数据写入表中。为此，算法使用共用的数据接口对象在数据库***上执行读写操作。算法本身将用于相应计算的数据存储在数字孪生的类实例中。数据库***和数字孪生的类有利地构造为面向对象并在类图中编码。
在本发明的优选实施方式中，提供了至少两种应用情况：
1.应用情况1是下述算法的顺序执行：
a.将加工结果E(数据结构3)的值映射到工艺特性PKG(数据结构2)上的应用校准算法；以及
b.将工艺特性PKG(数据结构2)映射到参数集P(数据结构1)的应用计算算法。
2.应用情况2是下述算法的顺序执行：
a.将参数集P(数据结构1)映射到工艺特性PKG(数据结构2)映射的应用模拟算法；以及
b.将工艺特性PKG(数据结构2)映射到加工结果E(数据结构3)的制造预测算法。
在下文中，将更详细地说明这三种数据结构。
具有用于激光材料加工的参数集P的数据结构1包括参数数据，该参数数据根据定义包括激光材料加工(应用)的所有影响变量。这意味着数据结构1中的全部数据定义了在零件制造之前、期间和之后的数字化参数数据或加工状态。因此，数据结构1是在给定装置上的实现的激光材料加工的数字表示。数据结构1具有加工装置与数字孪生之间的数据接口功能。数据结构1的影响变量被进一步细分。数据结构1的影响变量至少可以包括参数集的以下三个子数据结构(以下也称为“加工状态”)：
规格：
制造装置、激光源、加工头、工件以及其他影响部件的规格。
示例是指定的给送量或加工气体压力的最大值以及激光波长或工件的材料名称。
轮廓：
作为单个零件或作为切割平面的零件轮廓的几何形状。示例是轮廓上的特征点的坐标、长度、角度、曲率或旋转方向。
点数据：
可以在零件轮廓上改变的工件、装置及其部件的所有加工参数。示例是激光功率、给送量、加工气体压力、喷嘴间距、聚焦位置，而且还包括不同的工件性质，比如厚度或温度。
数据结构2(激光材料加工的数字孪生)包括工艺特性PKG，该工艺特性PKG包括工艺区域和加工工艺的所有基本几何和物理性质。数据结构2中的全部数据表示在工艺区域中相互作用的动态工艺，并且以数字指示熔体和所产生的切口的性质。除此之外，还有生产力指标、与安全相关的变量(例如，辐射损失的比例)和稳定性或公差值。工艺特性是应用情况1和2的对应算法对于零件轮廓的计算结果。该工艺特性的最重要的优点是：
·作为纯数学变量，它们描述了工艺区域的固有性质，不受测量数据中的变量的任何影响，因此它们是100％可再现的；
·工艺特性包括直接测量无法获取或难以获取但直接影响加工结果——这意味着与制造结果有强的相关性——的变量；
·工艺特性无论是与参数集还是与加工结果都存在理论上的形式和非经验关系。
工艺特性至少包括以下六个子数据结构：
光束工具：
用于聚焦在工件中的激光束的计算的变量。这些变量包括例如瑞利(Reyleigh)长度、平均激光功率和/或工件顶部边缘处的光束半径。
切口：
切口的几何特性，比如切割前沿的平均倾斜角度和/或各种接合宽度。
溶体膜：
熔体的几何特性和流-机械特性，比如溶体的喷射厚度或佩克莱数(Pécletnumber)，而且还包括溶体的喷射速度、以及基于熔体动力学的加工结果的进一步的目标值。
喷嘴：
包括喷嘴与工艺区域之间的空间的几何性质，而且特别是还包括压力耦合效率。
光学元件：
放大率和取决于功率的焦点移位的计算结果。
工件：
与给定材料相关的各种特性，例如所需的切割功率、路径能量、工艺效率和/或稳定性参数。
第三数据结构3包括加工结果。加工结果包括属于加工的结果的所有数据。从技术角度看，加工结果的值或变量是数字化及实现的零件制造的响应函数的结果。这包括：
·在完成的部件上测量的质量(例如毛刺或熔渣)；
·加工期间测量的动力学变量(有效驱动参数数据集的安装-内部测量)；
·加工期间记录的工艺信号；
·通过制造预测算法计算的质量预测。
与数据结构1类似，数据结构3也是数字图像，即完成的部件及其质量(加工结果)的数字图像。此外，并且类似于数据结构1，加工结果还用作零件制造和数字孪生的测量值与信号之间的数据接口。
质量变量 熔融切割 火焰切割
毛刺幅度 ×
熔渣幅度 ×
切割边缘轮廓高度 × ×
表面粗糙度 ×
条纹幅度 ×
条纹频率 ×
条纹拖尾效应 × ×
根据本发明，提供了一种确定性工艺模型，该确定性工艺模型在附图中由附图标记M标识，并且可以存储在存储器中，比如存储在数据库DB中。在该工艺模型的基础上，可以为实际的激光加工或相关联的物理工艺提供一种数字孪生。
下面将参照附图和若干示例性实施方式对本发明进行更详细地说明。
图1示出了经由电子处理单元V、例如控制计算机或基于微处理器的电路(例如，FPGA或ASIC或其他集成电路)控制的激光装置L。在该处理单元V中，工艺模型M以可执行形式存储。处理单元V还可以设计成执行各种算法，这将在下面更详细地描述。
在图3和图1中所示的第一应用中，用户输入期望的加工结果的目标值Etarg，或者从数据结构或消息获取目标值。根据加工结果的目标值Etarg，通过访问模型M来计算参数数据集Pcalcd，如图3所示，该参数数据集将被设定在激光装置L上，使得可以实现期望的值。
第一应用在图1中用虚线表示。从右下角开始，检测目标值Etarg并将其传送至模型M，模型M使用算法从模型M计算参数集Pcalcd。该计算的参数集Pcalcd可以被传送至激光装置L，以用于在随后的方法中进行控制。在输入进一步的相关变量(例如，切割平面和与工件相关的数据)之后，操作激光器L。随后，在制造的部件或工件上测量加工结果。这记录在测量的加工结果Eact中。可选地，可以执行电子分析、特别是事件控制和/或时间控制的进一步分析。具体地，现在可以在实际测量的加工结果Eact与最初指定或用户输入的目标值Etarg之间进行比较。比较结果VGL1优选地在激光器L的监测器或终端T上输出和/或用于启动进一步的步骤。特别地，该比较值可以用于调整激光加工方法。例如，可以利用所确定的比较值VGL1来确定期望加工结果的新目标值(new target value)：
Ftarget，new＝Etarget+VGL1
目标值的这种适配可以由VGL1的阈值控制。
图2示意性地示出了第二应用情况。在此，应当计算相反的情况。根据给定的参数数据集P，在访问模型M的同时创建加工结果的预测数据集Efcst。
在图1中，这表现为从输入参数集P开始，该参数集P被馈送至模型M，使得可以在给定参数P的情况下生成加工结果Eact的预测Efcst。根据上述比较过程，在应用1的情况下，即使在应用2的情况下，于是也可以在测量的加工结果的实际值Eact与预测值Efcst之间计算比较值VGL2。该比较值VGL2在终端T上输出。
关于比较值VGL2，技术优点在于可以使用来自模型的改进或校准的可再现偏差。优选地，在检测到这种可再现偏差时，版本步骤自动启动以产生校准模型M’。这在图1中由从比较VGL2至模型M的实线表示，该实线以较细的线宽绘制，以指示这是可选的，但是是本发明的优选实施方式。因此，在本发明的该优选实施方式中，可以使用比较值VGL2来自动校准模型M。此外，可以执行时间和/或统计评估，以评估在激光器的哪些加工阶段中没有偏差以及在哪些阶段中已经识别了偏差。例如，如果在初始阶段没有目标/实际偏差，但是在稍后的阶段已经确定偏差，则这可能指示聚焦光学元件的误差和/或逐渐变脏和/或其他磨损(例如，在工艺气体喷嘴的尖端上的磨损)。
结合图4，下面在示例性实施方式中对参数化模块ParM的操作模式进行说明。参数化模块ParM可以在电子处理单元V上实施，并且用于实施上面参照图3描述的第一应用情况。该模块用于在激光装置L的设定和参数化期间在激光装置L处支持用户。为此，用户在连接的终端T上输入加工结果的目标规格Etarg，在该连接终端T上可以提供用户界面UI。该数据记录经由相应的数据连接被转发至参数化模块ParM。然后，参数化模块ParM利用下面更详细说明的对应算法访问存储在数据库DB中的模型M，以便计算目标值Etarg的参数集Pcalcd。这可以在用户界面UI上输出，并且在检测到验证信号时，该计算的参数集Pcalcd可以被直接传输至激光器L，以便控制激光处理。
可选地，可以在随后的时段中执行对模型M的附加检查。这可以通过比较器模块KOMP借助于比较来完成。为此，在用参数集制造的部件上测量加工结果Eact，并将加工结果Eact传送至比较器KOMP。比较器KOMP还可以访问用户输入的命令Etarg，并可以比较这两个数据记录。比较结果例如在用户界面UI上输出。如果比较结果发出偏差信号，则这可以自动触发纠正操作。
如在图4中由曲线CL所指示的，上述部件不必直接在激光装置L上实施。优选地，用户界面UI布置在激光装置L和电子处理单元上或布置在激光装置L和电子处理单元处，电子处理单元比如为参数化模块ParM、比较器KOMP和/或模型M，它们可以作为分布式***设置并且设置在数据库DB中的不同平台上。此外，也可以将所有或选择的部件作为服务器设置在中央服务器S上或云CL中，中央服务器S或云CL可以经由网络连接来访问。
下面，通过示例并参照图5对预测模块ProgM的操作进行说明。预测模块ProgM用于实现上面已经参照图2描述的第二应用情况。预测模块ProgM的过程实质上对应于上面已经参照图4已经描述的过程。仅交换了输入(由用户指定或从数据源读入的参数P)和输出(加工结果的计算的预测Efcst)。
预测模块ProgM通过从输入的参数P访问对应的算法来计算预测Efcst。计算结果Efcst显示在用户界面UI上。
如上所述，激光器现在可以通过参数P实际操作。
在稍后的阶段中，可以测量该参数P的加工结果，并将加工结果馈送至比较器KOMP，以用于与计算的预测Efcst进行比较。在偏差的情况下，例如，这可以在用户界面UI上输出，以使用户有机会找到修改的参数化。此外，可以基于比较触发进一步的步骤。具体地，在检测到可再现偏差时，可以进行模型M的适配，并将该适配作为新版本进行测试并输入到操作中。
如图5所示的示例性实施方式中示出的，可以在中央服务器S上提供电子处理单元ProgM、DB。该变型也适用于图4中的参数化模块ParM。同样地，结合图4(基于云的解决方案)描述的变型也适用于预测模块ProgM。
图6是可以在不同的流变型中执行的预测方法的流程图。在可以在预测模块ProgM上执行的预测方法开始之后，在步骤S61中读入用于控制激光加工工具L的参数集P的数据。在步骤S62中，访问确定性工艺模型M，以在步骤S63中计算读入的参数集P的加工结果的预测数据集Efcst。在步骤S64中，可选地，可以在用户界面UI上显示计算结果Efcst，以允许用户直接改变输入。
在进一步的改进中，可以在步骤S65中执行具有读入的并可能经确认的参数集P的激光加工。随后，在步骤S66中，可以测量加工结果Eact，作为在步骤S67中为了一致性和偏差要与预测数据集Efcst进行比较的制造部件的实际值。在偏差的情况下，可以在步骤S68中将计算的比较值输出(例如，输出到UI上)和/或可以基于计算的比较值自动触发适配过程；具体地，可以在检测到可再现偏差时对模型M进行适配，并将适配作为新版本进行测试并输入到操作中。由于步骤S64、S65、S66、S67、S68是可选的，因此这些步骤在图6中用虚线描绘。
图7示出了可以在不同序列变型中执行的参数化方法的流程图。在该方法已经开始之后，在步骤S71中，读入加工结果的目标值Etarg。在步骤S72中，访问确定性工艺模型M以在步骤S73中计算用于读入的目标值Etarg的至少一个参数集Pcalcd。可选地，可以在步骤S74中例如在UI界面上输出计算的参数集Pcalcd。
在步骤S75中，可以可选地使用计算的参数集Pcalcd来加工工件。在步骤S76中，可以在所制造的工件上测量加工结果的实际值Eact。在步骤S77中，可以计算加工结果的目标值Etarg与实际值Eact之间的比较。如果存在偏差，则可以在步骤S78中输出计算的比较值。替代性地或附加地，可以基于计算的比较值来触发和执行适配过程。具体地，可以适配读入的目标值Etarg，使得可以保持测量的加工结果的实际值Eact。与图6一致，图7中的可选步骤也用虚线示出。
该方法具有至少两个应用情况，两个应用情况中的每个应用情况包括至少两个按顺序执行的算法。第一应用情况的算法是应用校准(算法1)和应用计算(算法2)。第二应用情况的算法是应用模拟(算法3)和制造预测(算法4)。这两个应用情况形成彼此相反的形式，这意味着算法1到算法4的顺序执行提供恒等映射，并允许数字孪生的自检。
下面将对应用情况的算法进行更详细地描述。
应用校准是激光材料加工(应用)的加工结果(数据结构3)的所有变量与工艺特性(数据结构2)之间的函数关系。此函数关系基于(异地)加工后获得的测量值。应用校准可以包括经验(统计)或计算(理论)函数。
应用校准算法在图8中的流程图中示出。该算法根据例如由用户输入的数据结构3中的目标加工结果计算对应的工艺特性PKG。
下面将参照图9对应用校准算法的应用示例进行更详细地描述。
图9中示出了以工件中不同焦点位置聚焦的两束激光束。这导致接合壁的不同倾斜度，该倾斜度由切割表面的倾斜角度<αf>的平均值指示。倾角度由校准函数确定：
Figure BDA0003066987090000211
在该校准函数中指定了工件厚度D，在标准中定义了接合高度的缩短Δa，并且切割边缘轮廓高度u是加工结果的值(作为相关联的测量方法的实际值，作为用户的目标值)。在模型假设中，u还是缩短的接合高度的端点处的光束半径之差：
u＝W(Δa)-W(D-Δa)
光束半径函数由下式给出：
Figure BDA0003066987090000212
其中，焦半径为W0，并且焦距为zR。
根据应用校准流程图，现在执行以下步骤：
1.首先，用户给出所需的切割边缘轮廓高度u作为加工结果(目标值)(或者在“自动模式”下从数据结构3读取u作为应用的当前测量值)；
2.应用校准算法使用上述校准函数<αf>计算工艺特性；
3.该算法将<αf>的计算值写入到工艺特性的数据结构2中。
在应用校准算法中，确定性模型为加工结果的每个附加变量提供校准函数。
应用计算的算法在图10中以流程图示出。因此，首先加载在先前执行的应用校准的算法中计算的加工结果变量。随后，必须输入切割平面和工件的详细信息。这通常由用户或由自动化制造流程中的上游控制单元完成。
在应用计算的中央过程中计算参数集P。特别地，计算可变加工参数(例如，给送量、功率、压力、焦点位置)，因为具有参数集P的数据结构2的很大一部分已经由规格和来自最少用户输入的数据给出。
当应用计算完成时，将显示并保存数据，并且开始或改变制造。在优选的改进中，可以基于计算的值通过在加工期间手动或自动改变计算的参数来控制制造或当前激光加工工艺。响应于目标/实际比较通过访问模型M来进行改变。
下面将参照详细描述的应用示例：“切割表面的倾斜角度”对应用计算的算法进行描述。
在应用校准算法一部分中，作为示例示出了如何通过加工结果u(作为对切割表面平坦度的测量的轮廓高度)计算工艺特性αf(切割表面的平均倾斜角度)。
应用计算现在加载切口的计算的锥角αf和所有其他当前工艺特性，并通过计算的锥角和所有其他当前工艺特性计算参数集P、特别是制造的可变加工参数。对于切割表面的平均倾斜角度的示例，下述超越方程提供了寻求的焦点位置z_0作为参数集的变量。在随后切割的样品上，可以再次测量u(作为Eact)并检查u：
Figure BDA0003066987090000221
该方法的应用情况2包括应用模拟，之后是制造预测。应用情况2是应用情况1的逆函数，包括应用校准，之后是应用计算。其结果是，应用校准和制造预测是互逆的算法，应用计算和应用模拟也是如此。
下面将参照图11对应用模拟进行更详细地描述。在应用模拟中，参数集P的数据被用来预测制造样品上的预期加工结果E。首先，加载已经固定的数据，例如规格。随后，输入切割平面(轮廓)和工件(几何形状、材料)：根据定义，这是最少的用户输入。最后，输入或从数据结构中读入可变加工参数(轮廓点处的数据)，例如功率、给送量和焦点位置。
如果参数集P的所有数据都完全可用，则应用模拟通过这些数据计算工艺特性PKG、显示它们并保存它们。
即使在制造已经在运行的情况下，参数集P的可变加工参数也可以改变。然后，每次都会自动更新制造和工艺特性的计算。
应用示例：“切割表面的倾斜角度”
在应用计算中，焦点位置z_0必须由超越方程进行数值确定。在此，在应用模拟中，使用逆过程，其中，焦点位置被指定为参数集P的数据结构1中的值。由此，利用下述公式来计算切割表面的倾斜角度，并将倾斜角度存储为数据结构2中的工艺特性PKG的值：
Figure BDA0003066987090000231
制造预测是应用校准的逆算法或逆函数，并且下面将参照图12对制造预测进行描述。
首先，加载通过应用模拟计算的工艺特性。然后，应用用于制造预测的算法的功能；作为这些计算的结果，可以获得计算的或预测的(预期)加工结果Etrarg的数据。例如，如果在实验或随机检查过程中确定必须重新测量制造预测(以及应用校准)，则执行对应的测量方法，由此获得加工结果的测量值Eact。
从相同的参数集P开始，计算的加工结果与测量的加工结果之间的比较Eact-Etarg提供了实际与目标之间的相关性，并且允许确定两种参数化算法的校正数据。
应用示例：切割表面的倾斜角度
通过参数集P计算并存储倾斜角度αf的工艺特性PKG。该值现在由制造预测读取(连同工艺特性的其他值)，并且通过下述公式计算轮廓高度u：
u＝(D-2Δa)·tan<αf>。
作为计算值，该加工结果数据集表示标称值，该标称值现在可以通过对应的测量来确定。
下面描述如何测量界面的轮廓高度，并且将界面的轮廓高度作为输入数据集馈送到上述算法中。
利用表面测量装置，记录样品上的切割表面的一部分(优选地以非接触方式)。利用光学检测设备(例如，具有可变焦面、白光干涉仪的CCD摄像机-宏观镜或显微镜)检测样品的图像，其中，示出例如厚度为15mm的结构钢的切割表面。切割表面具有火焰切割的典型特征(顶部形成周期性条纹，底部形成宽的且不规则的条纹，并具有拖尾效应)。在样品上方，具有高平坦度的参考表面被夹持在一起，以补偿夹持角。基本上，要在表面测量装置的测量空间中测量的样品与样品保持器中的参考表面被夹持在一起。平面参考表面与切割表面成直角，切割表面的取向可以归因于参考表面。这样的测量的结果可以以假彩色图像的形式显示和输出。
实际测量范围仅影响一个图像部分，使得只考虑切割表面的较小的矩形或多边形部分。该部分可以为大约13mm长和8mm宽，从而产生大约1毫米的Δa。现在，在该矩形测量范围内记录竖向方向上的切割表面的平均轮廓曲线。平均轮廓曲线以曲线图的方式在图13中示出。在轮廓曲线中，现在可以区分最小值(短划线)和最大值(点虚线)。最大值与最小值之间的差导致轮廓高度u作为加工结果Eact的测量变量。如果最小值的切割深度z(轮廓曲线的水平轴)小于最大值的切割深度z，则u的符号为正。
在确定轮廓高度u之后，将测量值写入加工结果E的数据结构3中。在先前关于切口锥角的应用示例的文本部分中，描述了如何将该值用于与计算的或用户输入的目标值进行比较。
最后，应当注意的是，本发明和示例性实施方式的描述不应理解为在本发明的特定物理实现方面进行限制。结合本发明的各个实施方式说明和示出的所有特征可以在根据本发明的主题中以不同的组合提供，以同时实现这些特征的有利效果。
特别地，对于本领域的技术人员来说明显的是，本发明不仅可以应用于用于切割的激光装置L，而且还可以应用于其他应用，比如焊接和/或标注和/或雕刻和/或钻孔。此外，终端T、比较器和电子处理单元V的部件可以结合在硬件单元中，或者也可以实现为分布在多个物理产品上。另外，上述部件可以直接安装在激光器上。同样，参数化模块ParM和/或预测模块ProgM可以在激光器上或在激光器处本地形成。替代性地，数化模块ParM和/或预测模块ProgM也可以设计为云***或设计在服务器上，并与激光器L进行数据交换。
本发明的保护范围由所附权利要求给出，并且不限于说明书中说明的或附图中示出的特征。

Claims (18)

1.一种用于预测激光加工方法的加工结果(E)的预测方法，具有以下方法步骤：
-读入(S61)用于驱动激光加工工具的参数集(P)；
-访问(S62)确定性工艺模型(M)，以便对读入的所述参数集(P)的所述加工结果的预测数据集(Efcst)进行计算(S63)，其中，所述确定性工艺模型(M)使用至少三个数据结构(P、E、PKG)，并且对表示物理激光加工工艺和所述加工结果(E)的相应的所述参数集(P)与工艺特性(PKG)之间的物理多维关系进行建模。
2.根据权利要求1所述的预测方法，其中，所述方法另外地包括：
-利用读入的所述参数集(P)执行(S65)激光加工；
-测量(S66)加工结果(Eact)作为实际值；
-将所述加工结果的测量的所述实际值(Eact)与所述预测数据集(Efcst)进行比较(S67)，并且在存在偏差的情况下：
-输出(S68)计算的比较结果。
3.根据紧接的前一权利要求所述的预测方法，其中，基于所计算的比较值自动启动适配过程，并且特别是对所述工艺模型(M)进行适配。
4.根据前述权利要求中的至少一项所述的预测方法，其中，借助于应用模拟算法和/或借助于制造预测算法对所述确定性工艺模型(M)进行访问。
5.一种用于自动计算用于激光加工方法的参数化的参数集(Pcalcd)的参数化方法，包括以下方法步骤：
-读入(S71)加工结果的目标值(Etarg)；
-访问(S72)确定性工艺模型(M)，以便对满足所述目标值的读入的所述加工结果的所述目标值(Etarg)的至少一个参数集(Pcalcd)进行计算(S73)，其中，所述确定性工艺模型(M)使用至少三个数据结构(P、E、PKG)，并且对表示物理激光加工工艺和所述加工结果(E)的所述目标值的相应的所述参数集(P)与工艺特性(PKG)之间的物理多维关系进行建模。
6.根据紧接的前一权利要求所述的参数化方法，其中，所述方法还包括：
-利用计算的所述参数集(Pcalc)对工件进行加工(S75)；
-对完成的工件测量(S76)所述加工结果的实际值(Eact)；
-在所述加工结果的所述目标值(Etarg)与所述加工结果的所述实际值(Eact)之间进行比较(S77)并且存在偏差：
-输出(S78)计算的比较值和/或基于计算的所述比较值：启动适配过程，特别地：通过对所述确定性工艺模型进行访问来适配所述工艺模型和/或校准计算的所述参数集，使得能够保持读入的所述加工结果的所述目标值(Etarg)。
7.根据前述权利要求中的一项所述的参数化方法，其中，反复重复加工(S75)步骤、测量(S76)步骤、比较(S77)步骤和输出(S78)步骤，直到所述加工结果的所述目标值与所述加工结果的所述实际值之间的偏差降低到可预先配置的阈值以下为止。
8.根据前述权利要求中的一项所述的参数化方法，其中，借助于应用校准算法和/或借助于应用计算算法对所述确定性工艺模型的进行访问。
9.根据前述权利要求中的一项所述的参数化方法，其中，所述加工结果(E)是具有以下信息的数据元组：关于所述激光加工方法的质量的可测量信息，特别是关于熔体切割中的毛刺高度、火焰切割中的熔渣高度、边缘斜率、边缘波度和/或边缘轮廓高度、表面粗糙度、条纹高度和/或条纹频率的信息。
10.根据前述权利要求中的一项所述的参数化方法，其中，所述确定性工艺模型(M)用于训练神经网络。
11.一种具有程序代码或程序装置的计算机程序，其中，在所述计算机程序在计算机或基于计算机的处理单元(V、ParM、ProgM)上执行的情况下，所述计算机程序能够存储在计算机可读介质上，其中，所述程序代码或所述程序装置使计算机执行根据前述参数化方法权利要求或预测方法权利要求中的一者所述的方法。
12.一种用于激光加工工具(L)的参数化模块(ParM)，所述参数化模块(ParM)用于对用于所述激光加工工具(L)的参数化的参数集(Pcalcd)进行自动计算，其中，所述参数化模块(ParM)设计成执行根据前述权利要求所述的参数化方法。
13.一种用于激光加工工具(L)的预测模块(ProgM)，所述预测模块(ProgM)用于对加工结果的预测数据集(Efcst)进行自动计算，其中，所述预测模块(ProgM)设计成执行根据前述权利要求所述的预测方法。
14.一种具有根据前述权利要求中的一项所述的参数化模块(ParM)和/或预测模块(ProgM)的激光加工工具(L)。
15.一种用于操作加工工件的激光加工工具(L)的***，包括：
-激光加工工具(L)；
-用户界面(UI)，所述用户界面(UI)用于输入和输出数据；
-存储器(DB)，所述存储器(DB)用于对具有以下数据结构的确定性工艺模型(M)进行存储：
■第一数据结构，在所述第一数据结构中存储有多个参数集(P)，其中，所述第一数据结构表示关于所述激光加工工具(L)的数据接口；
■第二数据结构，在所述第二数据结构中存储有多个计算的工艺特性(PKG)；
■第三数据结构，在所述第三数据结构中存储有多个加工结果(E)，其中，所述第三数据结构表示关于用于测量来自所述激光加工工具(L)的加工结果的测量装置的数据接口；
-电子处理单元(V)，所述电子处理单元(V)设计成在所述确定性工艺模型(M)上执行一组模型算法；
-所述数据结构、所述存储器(DB)、所述电子处理单元(V)和所述激光加工工具(L)之间的数据连接。
16.根据前一***权利要求所述的***，其中，所述电子处理单元(V)包括预测模块(ProgM)和/或参数化模块(ParM)。
17.根据前述***权利要求中的一项所述的***，其中，所述确定性工艺模型(M)通过以下方式进行自动自检：针对每个输入依次执行逆模型算法、特别是应用模拟算法和制造预测算法以及应用校准算法和应用计算算法，并且检查依次执行的结果是否与所述输入相同。
18.根据前述***权利要求中的一项所述的***，其中，所述输入是参数集(P)或所述加工结果的目标值(Etarg)。
CN201980075370.2A 2018-12-19 2019-12-16 激光切割方法的自动参数化 Active CN113196186B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP18214096.2A EP3671373A1 (de) 2018-12-19 2018-12-19 Prognoseverfahren zur prognose eines bearbeitungsergebnisses für ein laserbearbeitungsverfahren
EP18214096.2 2018-12-19
PCT/EP2019/085291 WO2020127004A1 (en) 2018-12-19 2019-12-16 Automatic parameterisation of a laser cutting method

Publications (2)

Publication Number Publication Date
CN113196186A true CN113196186A (zh) 2021-07-30
CN113196186B CN113196186B (zh) 2023-11-21

Family

ID=64746197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980075370.2A Active CN113196186B (zh) 2018-12-19 2019-12-16 激光切割方法的自动参数化

Country Status (5)

Country Link
US (1) US11467561B2 (zh)
EP (2) EP3671373A1 (zh)
JP (1) JP7087204B2 (zh)
CN (1) CN113196186B (zh)
WO (1) WO2020127004A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113888922A (zh) * 2021-10-22 2022-01-04 国网宁夏电力有限公司培训中心 一种电力变压器仿真培训***
CN115659830A (zh) * 2022-11-07 2023-01-31 北京科技大学 提高激光选区熔化零部件质量性能的工艺条件设计方法
CN116851856A (zh) * 2023-03-27 2023-10-10 浙江万能弹簧机械有限公司 纯水线切割加工工艺及其***
CN116931497A (zh) * 2023-09-15 2023-10-24 山东华诚新材料科技有限公司 一种基于人工智能的裁剪机控制***

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116133785A (zh) * 2020-09-18 2023-05-16 百超激光有限公司 用于通过优化工具改进激光切割工艺参数的计算机实现的方法和优化工具
CN115916451B (zh) * 2020-10-16 2024-02-20 百超激光有限公司 用于计算空间和时间分辨的、组合的设定点数据集的方法、控制单元和激光切割***
EP3984686A1 (de) * 2020-10-16 2022-04-20 Bystronic Laser AG Verfahren, regelungseinheit und laserschneidsystem für kombinierte bahn- und laserprozessplanung für hochdynamische echtzeit-systeme
EP4119284A1 (de) 2021-07-12 2023-01-18 Bystronic Laser AG Kalibrierung eines qualitätsschätzers für ein laserschneidverfahren
EP4235320A1 (de) * 2022-02-28 2023-08-30 Bystronic Laser AG Makro-basierte bestimmung von bearbeitungsparametern für einen laserbearbeitungsprozess
CN114589427B (zh) * 2022-03-11 2024-06-11 武汉科技大学 一种获取无取向硅钢片激光加工参数的方法
CN116300696B (zh) * 2023-05-17 2023-11-14 天津岳东天合科技有限公司 一种基于镀锌工艺优化的机加工控制方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130041482A1 (en) * 2010-04-19 2013-02-14 Abb Research Ltd Method and system for updating a model in a model predictive controller
CN104907700A (zh) * 2013-12-12 2015-09-16 百超激光股份公司 用于配置激光加工装置的方法
CN105385839A (zh) * 2014-09-09 2016-03-09 中国科学院沈阳自动化研究所 一种激光冲击强化自动化控制***和方法
JP2017164801A (ja) * 2016-03-17 2017-09-21 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

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4046852B2 (ja) * 1997-06-24 2008-02-13 株式会社アマダ レーザ加工機用支援装置及びこれを備えたレーザ加工機
JP3660328B2 (ja) * 2002-06-21 2005-06-15 ファナック株式会社 レーザ加工機
US8414565B2 (en) * 2002-12-16 2013-04-09 The Ohio State University Parametric model based ablative surgical systems and methods
US20100174392A1 (en) * 2003-06-10 2010-07-08 Fink Jeffrey E Optimal dimensional and mechanical properties of laser sintered hardware by thermal analysis and parameter optimization
US20060102601A1 (en) * 2004-11-12 2006-05-18 The Regents Of The University Of California Feedback controlled laser machining system
US7877154B2 (en) * 2005-09-30 2011-01-25 Fisher-Rosemount Systems, Inc. Method and system for controlling a batch process
DE102010007323A1 (de) 2010-02-08 2011-08-11 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V., 80686 Verfahren zum Bestimmen des Schneidergebnisses eines Laserschneidprozesses
CN104200063B (zh) * 2014-08-06 2017-07-14 北京工业大学 机床空间加工误差的非确定性描述及预测方法
PL3412399T3 (pl) 2015-10-23 2021-10-25 Bystronic Laser Ag Sposób kontrolowania procesów cięcia laserowego w zakresie dużej mocy z przerywaniem procesu cięcia, odpowiednie urządzenie i produkt w postaci programu komputerowego
US10372110B2 (en) * 2016-06-17 2019-08-06 Hamilton Sundstrand Corporation Controlled thin wall thickness of heat exchangers through modeling of additive manufacturing process
GB201615376D0 (en) * 2016-09-09 2016-10-26 Univ Of Warwick The Three-Dimensional shape error detection
US20180275621A1 (en) * 2017-03-24 2018-09-27 Mitsubishi Electric Research Laboratories, Inc. Model Predictive Control with Uncertainties
US20180356778A1 (en) 2017-06-13 2018-12-13 United Technologies Corporation Method for modeling additive manufacturing of a part
BE1025957B1 (fr) * 2018-01-26 2019-08-27 Laser Engineering Applications Méthode pour la détermination de paramètres d'usinage laser et dispositif d'usinage laser utilisant ladite méthode

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130041482A1 (en) * 2010-04-19 2013-02-14 Abb Research Ltd Method and system for updating a model in a model predictive controller
CN104907700A (zh) * 2013-12-12 2015-09-16 百超激光股份公司 用于配置激光加工装置的方法
CN105385839A (zh) * 2014-09-09 2016-03-09 中国科学院沈阳自动化研究所 一种激光冲击强化自动化控制***和方法
JP2017164801A (ja) * 2016-03-17 2017-09-21 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
伍文进 等: "基于正交实验与BP 神经网络的2AL2 激光切割工艺参数优化", 《机床与液压》 *
徐路宁 等: "基于CMAC 神经网络的激光切割加工工艺参数的选取", 《电加工与模具》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113888922A (zh) * 2021-10-22 2022-01-04 国网宁夏电力有限公司培训中心 一种电力变压器仿真培训***
CN115659830A (zh) * 2022-11-07 2023-01-31 北京科技大学 提高激光选区熔化零部件质量性能的工艺条件设计方法
CN116851856A (zh) * 2023-03-27 2023-10-10 浙江万能弹簧机械有限公司 纯水线切割加工工艺及其***
CN116851856B (zh) * 2023-03-27 2024-05-10 浙江万能弹簧机械有限公司 纯水线切割加工工艺及其***
CN116931497A (zh) * 2023-09-15 2023-10-24 山东华诚新材料科技有限公司 一种基于人工智能的裁剪机控制***
CN116931497B (zh) * 2023-09-15 2023-12-05 山东华诚新材料科技有限公司 一种基于人工智能的裁剪机控制***

Also Published As

Publication number Publication date
JP2022508394A (ja) 2022-01-19
EP3867708A1 (en) 2021-08-25
EP3671373A1 (de) 2020-06-24
US20220043421A1 (en) 2022-02-10
EP3867708B1 (en) 2022-08-24
CN113196186B (zh) 2023-11-21
JP7087204B2 (ja) 2022-06-20
US11467561B2 (en) 2022-10-11
WO2020127004A1 (en) 2020-06-25

Similar Documents

Publication Publication Date Title
CN113196186B (zh) 激光切割方法的自动参数化
US9827717B2 (en) Statistical predictive modeling and compensation of geometric deviations of 3D printed products
JP6871842B2 (ja) 加工シミュレーションの条件の適正化方法、加工シミュレーション装置、加工シミュレーションシステム及びプログラム
CN105785943B (zh) 补偿误差的方法、单元、***、测量设施、介质
Jiang et al. A practical sampling method for profile measurement of complex blades
CN113840675B (zh) 用于增材制造的原位监测***辅助材料和参数开发
CN112154040A (zh) 自动确定用于在工件上执行焊接的最佳焊接参数的方法
Campbell et al. Stereolithography build time estimation based on volumetric calculations
CN116618764B (zh) 一种镜面放电加工机的生产优化方法及***
US11809155B2 (en) Morphic manufacturing
Raghunandan et al. Selection of an optimum sample size for flatness error estimation while using coordinate measuring machine
TWI610749B (zh) 雷射切割功率調整系統及其功率調整方法
Vahabli et al. Hybrid estimation of surface roughness distribution in FDM parts using analytical modeling and empirical investigation
Odendahl et al. Higher efficiency modeling of surface location errors by using a multi-scale milling simulation
Kukreja et al. Estimation of scallop height in freeform surface CNC Machining
Shen et al. Measurement and evaluation of laser-scanned 3D profiles in wire arc hybrid manufacturing processes
US10852709B2 (en) Machine tool certification for part specific working volume
Gröning et al. Method of process optimization for LMD-processes using machine learning algorithms
CN116228766B (zh) 一种等离子加工设备的智能调控方法及***
CN113751887A (zh) 一种激光加工设备的检测方法、装置、设备及存储介质
Huang et al. Edge computing-based virtual measuring machine for process-parallel prediction of workpiece quality in metal cutting
Scheideler et al. Quality control of additive manufacturing using statistical prediction methods
Denkena et al. Automated process planning in milling of hybrid components
Mohanty et al. Achieving dimensional tolerances in metal additive manufacturing via numerical model based process optimization
Dong et al. In-situ optical monitoring and analysis of weld pool based on machine vision for wire and arc additive manufacturing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant