本發(fā)明屬于激光輔助加工、控制工程，具體涉及一種用于激光輔助加工的激光功率自適應(yīng)控制方法及系統(tǒng)。

背景技術(shù)：

1、硬脆材料光學元件在照明、成像和生物醫(yī)療設(shè)備領(lǐng)域有廣泛的應(yīng)用。但由于材料自身極高的硬度和脆性，導致加工過程中嚴重的金剛石刀具磨損，進而使得難以實現(xiàn)高質(zhì)量、高精度、高效率的硬脆材料光學元件加工。激光輔助金剛石車削(laser?assisteddiamond?turning,ladt)方法可以有效地提高硬脆材料加工質(zhì)量和金剛石刀具的使用壽命。然而，激光輔助金剛石車削很難保證激光加熱熱場的穩(wěn)定性，從而極易導致工件中心等加工線速度較低區(qū)域出現(xiàn)熱量累積和熱損傷，破壞硬脆材料光學元件的加工表面質(zhì)量。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是解決上述問題，提供一種可以根據(jù)激光輔助加工中加工點所處位置，自定義激光輸出功率大小，從而保證均一的激光加熱溫度及改性效果的激光功率自適應(yīng)控制方法。

2、為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案是：一種用于激光輔助加工的激光功率自適應(yīng)控制方法，包括以下步驟：

3、s1、熱學建模仿真及實驗測試獲得數(shù)據(jù)；步驟s1還包括以下分步驟：

4、s11、實驗設(shè)計：準備階段，需要設(shè)計一系列熱學建模仿真及實驗對象及過程，確定熱學模型的關(guān)鍵參數(shù)；

5、s12、實驗執(zhí)行：使用有限元分析軟件對光學元件的不同關(guān)鍵參數(shù)組合進行仿真處理，導出不同時間節(jié)點下不同關(guān)鍵參數(shù)組合下的溫度熱場分布的仿真結(jié)果，即不同參數(shù)組合下激光輸出功率—溫度分布的時序數(shù)據(jù)；

6、s13、數(shù)據(jù)記錄與整理：將仿真數(shù)據(jù)記錄在數(shù)據(jù)庫中，包括光學元件的各關(guān)鍵參數(shù)以及仿真后的典型數(shù)據(jù)，確保收集的數(shù)據(jù)集樣本數(shù)量多，覆蓋變量組合范圍廣。

7、s2、設(shè)計模型預測控制算法；

8、s3、執(zhí)行器控制軟件；

9、通過激光器控制軟件控制激光器的輸出功率，將模型預測控制算法的預測輸出功率作為控制軟件的輸入，以此實時動態(tài)更新激光器的輸出功率；

10、s4、設(shè)計傳感器并檢測。

11、進一步地，所述關(guān)鍵參數(shù)包括硬脆材料光學元件的材料屬性m、形狀尺寸s、加工厚度t、工件轉(zhuǎn)速n、進給速度f、激光輸出功率p、激光光斑半徑d以及激光波長λ。

12、進一步地，所述步驟s2還包括以下分步驟：

13、s21、數(shù)據(jù)預處理：對仿真數(shù)據(jù)集進行數(shù)據(jù)清洗、處理缺失值、標準化或歸一化數(shù)值特征的預處理，確保數(shù)據(jù)適合用于機器學習模型訓練；

14、s22、特征選擇：對預處理后的仿真數(shù)據(jù)進行特征選取，基于統(tǒng)計概率特征及時域、頻域分析提取特征形成模型訓練的特征訓練集；

15、s23、模型選擇：循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent?neural?network，rnn)是一類利用了輸入內(nèi)容的有序化特性的神經(jīng)網(wǎng)絡(luò)，這樣的輸入可以是一段文本、一段演說、時間序列或者其他任何序列中元素對其之前的元素有依賴的內(nèi)容，與前饋神經(jīng)網(wǎng)絡(luò)區(qū)別在于，隱藏層具有回路連接，回路的存在，使神經(jīng)元在某時刻的輸出再次作為輸入進入神經(jīng)元，即使得上一時刻t-1的狀態(tài)能傳遞至當前時刻t，當前時刻t的網(wǎng)絡(luò)狀態(tài)也能傳遞給下一時刻t+1；

16、s24、模型訓練與優(yōu)化：定義循環(huán)神經(jīng)網(wǎng)絡(luò)的模型架構(gòu)，將仿真數(shù)據(jù)的特征數(shù)據(jù)集分為訓練集和測試集比例為8:2，使用訓練數(shù)據(jù)集訓練模型；對模型進行評估與優(yōu)化，使用交叉驗證來評估模型的泛化能力，防止過擬合。

17、進一步地，所述rnn前向傳播可表示如下：

18、

19、其中，wxh為輸入至隱藏的權(quán)重矩陣，whh為隱藏層之間的連接權(quán)重矩陣，why為隱藏至輸出的權(quán)重矩陣；bh和by均為偏置量；xt為t時刻輸入量，ht為t時刻隱藏值，yt為t時刻輸出值；σ(x)＝1/(1+e-x)稱為sigmoid函數(shù)，是機器學習常用的非線性激活函數(shù)；根據(jù)公式遞歸可得，ht的計算需要依賴ht-1,ht-2,...，直至初始化值h0。

20、進一步地，所述使用交叉驗證來評估模型的泛化能力，是通過交叉驗證評估不同超參數(shù)組合下的模型性能，選擇使驗證集誤差最小的配置；通過網(wǎng)格搜索或隨機搜索調(diào)整模型的超參數(shù)，如學習率、正則化參數(shù)、隱藏層數(shù)量和節(jié)點數(shù)，以尋找最佳模型配置。

21、進一步地，所述步驟s4還包括以下分步驟：

22、s41、傳感器集成：在光學元件加工裝置的關(guān)鍵位置安裝各類傳感器；

23、s42、數(shù)據(jù)采集與實時傳輸：傳感器數(shù)據(jù)通過數(shù)據(jù)采集系統(tǒng)實時采集，并通過無線或有線方式傳輸?shù)街醒氡O(jiān)控系統(tǒng)，進行實時分析；

24、s43、數(shù)據(jù)存儲及更新：將傳感器收集整個加工過程的所有數(shù)據(jù)存儲至數(shù)據(jù)庫，并更新至模型預測算法模塊的輸入數(shù)據(jù)集，以提高模型的預測準確性。

25、進一步地，所述各類傳感器包括高精度熱成像儀和高精度力傳感器，高精度熱成像儀用于實時檢測加工過程中光學元件的表面平均溫度，結(jié)合熱成像儀檢測出的表面平均溫度與中心最高溫度關(guān)系的仿真結(jié)論，得到加工中心表面最高溫度；高精度力傳感器用于實時檢測刀具在光學元件加工過程中施加在元件上的切削力。

26、進一步地，所述用于激光輔助加工的激光功率自適應(yīng)控制方法形成閉環(huán)控制系統(tǒng)集成，包括以下步驟：

27、s51、根據(jù)被選定的加工光學工件和刀具材料的高溫物理特性，在納米壓痕平臺上進行高溫納米壓痕實驗，設(shè)置激光理想加熱溫度temopt；

28、s52、將加工關(guān)鍵參數(shù)輸入模型預測算法模塊預測當前時刻或機床對應(yīng)坐標點的輸出功率p(t0)或p(x0,y0,z0)；通過執(zhí)行器控制軟件實時調(diào)整激光器作用于光學元件的輸出功率；

29、s53、安裝在加工裝置的高精度傳感器采集加工過程中光學元件表面平均溫度，結(jié)合熱成像儀檢測出的表面平均溫度與中心最高溫度關(guān)系的仿真結(jié)論，推斷出加工表面的最高溫度temmax(t)；

30、s54、將該數(shù)據(jù)實時反饋至模型預測算法的前端輸入，保證實時采集的最高溫度temmax(t)與理想加熱溫度temopt偏差量小于設(shè)定閾值δ，即：|temmax(t)-temopt|≤δ；同時，高精度力傳感器同步記錄加工全過程的切削力變化f(t)，執(zhí)行器控制軟件記錄加工全過程的激光功率變化p(t)或p(x,y,z)，并進行濾波處理，得到該加工參數(shù)、激光參數(shù)和理想溫度條件下的切削力變化f(t)和激光功率輸出歷程變化p(t)或p(x,y,z)；

31、s55、對光學元件表面最高溫度temmax(t)、切削力f(t)和激光功率p(t)或p(x,y,z)的變化數(shù)據(jù)進行濾波、擬合分析，驗證激光器輸出功率的自適應(yīng)調(diào)節(jié)功能，以實現(xiàn)光學工件表面溫度的穩(wěn)定性。

32、本發(fā)明的有益效果是：

33、1、本發(fā)明所提供的一種用于激光輔助加工的激光功率自適應(yīng)控制方法，利用激光功率自適應(yīng)控制器將激光加熱溫度精確地保持在理想范圍內(nèi)，該范圍是由高溫納米壓痕試驗確定的。實驗結(jié)果表明，在自適應(yīng)激光功率的輔助下，可以獲得無熱缺陷的碳化鎢(wc)自由曲面光學器件。

34、2、本發(fā)明所提供的一種用于激光輔助加工的激光功率自適應(yīng)控制方法，利用該方法可以根據(jù)激光輔助加工中加工點所處位置，自定義激光輸出功率大小，從而保證均一的激光加熱溫度及改性效果。