如何獲得高質量、高精度的激光是激光技術基礎研究和應用研究中廣受關注的課題，而人工智能算法正是實現激光光束質量預測和調控的有效手段。針對現有簡單仿真模型對復雜光學系統預測能力不足的問題，哈爾濱工業大學劉國棟團隊將深度神經網絡與Frantz-Nodvik方程相結合，提出了一種優于傳統擬合方法的大功率ICF激光系統中主放大器輸出能量預測新方法（圖1）。國防科技大學周樸團隊不僅利用深度學習技術實現了少模光纖激光器光束傳播因子M²的準確預測，還通過深度學習網絡補償和優化算法消除了高功率模式可編程軌道角動量（OAM）光束相位差，保證了OAM光束的純度。

圖1 利用深度神經網絡進行主放大器輸出能量的預測。（a）主放大器內部光路及主要模塊；（b）光束輸入和輸出能量關系；（c）預測結果及擬合方法^[1]

隨著制造品質需求不斷提升，傳統高斯光束單點加工方式難以滿足當前激光微納結構制造的高精度、高效率和跨尺度加工要求。因此需要利用光束整形技術調整光束的焦點、形狀、強度分布，將光束輪廓塑造成特定的形狀。隨著光場所需特性的復雜性不斷增加，此類系統的設計面臨著許多挑戰。相較傳統方法，人工智能算法能夠更加快速準確地實現復雜光場的調制。如圖2所示，亞琛工業大學Buske等人通過衍射神經網絡算法，將光束能量分布調整為平頂光、扶手椅和蝴蝶形狀。此外，同濟大學李鵬忠團隊使用人工神經網絡對U-Net神經網絡算法進行改進，用于基于空間光調制器（SLM）的光束整形優化。

圖2 使用衍射神經網絡進行光束整形^[2]

1.2 設備管理

人工智能在設備健康管理中的應用可以提高設備的可靠性、延長設備的使用壽命、減少停機時間和維修成本。它可以通過實時監測、預測性維護和故障診斷等方式，提供更智能、高效的設備管理和維護策略。德國基爾大學Khouloud Abdelli等人利用一種基于堆疊雙向長短期記憶網絡（BiLSTM）和卷積神經網絡（CNN）的多任務學習方法實現了對光纖故障的檢測、定位、表征和識別。國防科技大學石峰教授團隊基于光學元件小尺度損傷點數量與修復深度之間的相關性建立了高精度神經網絡預測模型，可用于光學器件的高效修復。山西大學盧華東教授團隊將BP神經網絡算法和PID控制算法相結合，制造了一種新型、穩定的單頻連續激光器溫度控制器，防止高溫對光學器件的損壞。

2、智能化激光制造技術

2.1 激光切割

激光切割因精度高、速度快、熱響區小、不存在工具磨損等優點而廣泛應用于汽車、航空航天、電器電子等諸多領域。人工智能在激光切割時，通過路徑優化、實時監測、參數選擇和缺陷檢測等方式優化切割過程，可提高切割效率和切割質量。德國卡爾斯魯厄理工學院Fernando團隊使用RGB圖像數據庫和相應的粗糙度值訓練卷積神經網絡，可以準確估計切割邊緣的粗糙度，平均誤差達到3.6 µm。比利時魯汶大學Duflou團隊開發了一種高效的切割邊緣粗糙度預測算法，以更少的數據量對切割粗糙度進行預測。英國南安普敦大學 Zervas 團隊利用深度學習方法從切割表面的顯微圖像中得到激光掃描速度，并進一步證明可以利用神經網絡預測切割表面的外觀形狀。

2.2 激光拋光

激光拋光技術用于改善材料表面的光潔度、平整度和外觀質量，是解決復雜表面和自由曲面特征零件高質量拋光難題的有力手段。為了達到良好的拋光效果，通常需要進行大量實驗對工藝進行優化，導致生產成本過高。采用人工智能算法對拋光結果進行預測，可快速得到最佳工藝參數，實現降本增效。德國卡爾斯魯厄理工學院Wilhelm博士等人構建了神經網絡模型，并使用遺傳算法對其進行優化，用于獲得符合給定表面粗糙度和熱影響要求的拋光工藝窗口。激光拋光合金的微觀結構對于表面強度及其性能至關重要。北京航空航天大學激光團隊利用人工神經網絡對激光選區熔化Ti-6Al-4V的拋光表面質量進行預測（圖3），在使用推薦參數進行拋光后，不僅平均粗糙度Ra從10 μm降低到0.15 μm以下，而且顯微硬度和抗變形性能得到顯著增強。

圖3 神經網絡模型和表面形貌分析^[3]

2.3 激光截/鉆骨

激光在骨科臨床手術中的應用越來越廣泛，能夠有效避免傳統機械骨科手術中存在的骨孔壁粗糙、微裂紋等問題。為減少手術中激光對健康組織的損傷，可使用人工智能算法對骨處理過程中產生的圖像、光、聲信號進行處理，實現對生物組織的實時分類識別，為患者提供更好的治療效果和術后恢復。瑞士巴塞爾大學的Bayhaqi團隊利用基于深度學習的快速光學相干層析成像（OCT）圖像去噪方法實現了對生物組織的分類。瑞士聯邦材料科學與技術實驗室Wasmer團隊通過機器學習處理聲信號來分類識別皮膚、脂肪、肌肉和骨骼，提升了激光截骨準確度。

北京航空航天大學激光團隊利用光譜儀采集加工過程中產生的二次諧波信號用于定位和監測，實現了基于光譜響應的工藝參數優化（圖4）。在此基礎上，本團隊在飛秒激光鉆骨過程中使用卷積神經網絡對光斑位置進行精準定位，展現了該方法在提升手術安全性方面的潛力。

圖4 激光鉆骨實驗^[4]

2.4 激光焊接

激光焊接技術是激光制造領域應用最為廣泛的技術之一，具有能量密度高、熱影響區小、焊縫深寬比大、自動化程度高等優點。研究熔池和焊縫的特點可以幫助提升激光焊接的質量和效率。利用人工智能快速分析熔池的幾何形態、深度、寬度以及熔池與基材之間的界面特征等參數，可以評估焊縫的質量，并優化焊接參數以實現所需的焊縫形態和性能。華中科技大學蔣平教授團隊使用圖像處理技術提取激光熔池和小孔的特征，將多種神經網絡集成來建立激光熔池、小孔特征與焊縫特征之間的關系（圖5）。廣東工業大學高向東團隊基于傳感器信號特征構建了用于焊縫缺陷檢測的支持向量機（SVM）分類模型，可利用光學特征對焊接缺陷進行有效檢測。

圖5 不同神經網絡構建的熔池和鎖孔關系^[5]

2.5 激光增材制造

激光增材制造技術為復雜結構、難加工零部件提供了定制化、個性化制造策略。材料、結構、工藝是決定增材制造部件性能的關鍵因素，因此通常在制造之前需大量試錯預實驗以獲得最佳工藝條件，而這使得設計成本高昂、耗時且不可預測。利用人工智能進行材料成分設計、組織性能預測、工藝參數優化等，有助于實現增材零件的高質量、低成本制造。新加坡制造技術研究院Tan等人利用機器學習方法開發了一種專用于增材制造的Fe-20.8Ni-6.2Ti-1.7Al （wt%）新型馬氏體鋼，具有優異的抗拉強度（1.54 GPa）和均勻延伸率（8.1%），如圖6所示。日本東北大學Aoyagi教授根據不同工藝參數下內部缺陷與表面形態的關系，通過機器學習獲得制造無零件的最佳工藝參數。

圖6 Fe-Ni-Ti-Al新型馬氏體時效鋼的機器學習輔助成分設計示意圖^[6]

3、總結與展望

人工智能的發展和進步引發了制造業的巨大變革，推動制造業向自動化、智能化方向發展。激光制造作為當前制造業中前景的先進制造技術之一，兩者結合是行業發展的必然趨勢，人工智能在激光制造技術中的廣泛應用促進了激光制造技術的持續進步。

然而，人工智能在激光制造中的應用仍存在不小的挑戰：1）時間和金錢成本較高，需開發新方法提高數據利用率；2）激光制造過程復雜多樣，需開發出能夠適應復雜應用場景的數據采集和智能算法；3）缺乏統一應用標準，應構建數據共享平臺，整合資源形成統一標準；4）激光智能裝備仍存在精度、穩定性和可靠性等問題，需進一步加強技術研發和人才培養，加速推進激光智能裝備的實際應用。

參考文獻： 中國光學期刊網

您好，可以免費咨詢技術客服 

 筱曉(上海)光子技術有限公司 

歡迎大家給我們留言，私信我們會詳細解答，分享產品鏈接給您。

免責聲明：
資訊內容來源于互聯網，目的在于傳遞信息，提供專業服務，不代表本網站及新媒體平臺贊同其觀點和對其真實性負責。如對文、圖等版權問題存在異議的，請聯系我們將協調給予刪除處理。行業資訊僅供參考，不存在競爭的經濟利益。