激光切割过程中参数的混合机制与数据驱动优化方法

《COMPUTERS IN INDUSTRY》：A hybrid mechanism and data-driven optimization method of process parameters in laser cutting

　　马帅|陈竹云|李泽豪|冷杰武|刘慧涛|杜一贤|张晓吉|刘强中国广东省广州市510006，广东工业大学精密电子制造技术及装备国家重点实验室摘要激光切割的质量直接受工艺参数的影响，这些参数决定了毛边的产生以及热影响区的范围。因此，选择并优化这些参数对于获得高质量的激光切割结果至关重要。机器学习技术通过建立将工艺参数与质量指标关联的替代模型，在工艺参数优化方面展现出显著效果。然而，这类模型往往忽视了激光切割过程中产生的重要温度场信息，而这些信息能为理解其机制提供宝贵线索。为克服这一局限，本文提出了一种混合机制与数据驱动的优化方法。首先构建了一个激光切割实验平台，并采用五因素三水平的全因子设计来收集数据。随后建立详细的激光切割物理模型，以模拟关键的温度场信息，弥补实际场景中此类数据的不足。接着设计了一种新型的物理信息神经网络，该网络具有双输入分支，可处理低维度的工艺参数和高维度的温度场数据。此外，该物理信息神经网络还包含一个带有注意力机制的聚焦融合层，用于有选择地整合与工艺参数最相关的机制特征。为进一步优化训练好的物理信息神经网络模型，本文还开发了一种基于聚类的多目标进化算法，该算法利用聚类策略筛选出与候选工艺参数最匹配的历史机制数据，从而确保替代模型的输入有效性并提升优化效率。实验验证表明，所提出的混合方法相比传统机器学习方法具有显著优势，能在激光切割工艺参数优化中实现更高的精度和可靠性。引言激光切割，又称激光烧蚀，是一种高精度、高效的材料加工方法，它利用激光束对材料进行局部加热。这种方法通过利用材料在高温下的熔化、气化或化学反应来实现切割功能（Ding等人，2025年）。与传统机械切割方法相比，激光切割具有诸多优势，如非接触式加工、无磨损、高精度以及高速性。正因如此，激光切割在制造业（Sherif等人，2014年）、医学领域（Lerner等人，2022年）以及金属加工行业（Chen等人，2024年）等领域展现出巨大潜力并得到广泛应用。在激光切割过程中，工艺参数是直接影响切割质量、效率及最终成果的关键因素。合理调整这些参数对于减小热影响区范围并获得平滑的切口边缘至关重要（Leone等人，2021年）。目前用于工艺参数优化的方法包括实验设计法（Dada等人，2020年；Nguyen等人，2022年；Vora等人，2021年）、数值模拟法（Duggirala等人，2021年；Farias等人，2021年；Tan等人，2019年）以及统计分析方法（Franczyk等人，2021年；Rathinasuriyan和Kumar，2021年）。诸如田口方法以及响应面法这样的实验设计技术能够系统地研究各参数的影响，并找出最优组合。Ramarao等人（2022年）运用田口方法优化了气体金属弧焊的参数。Liu等人也在2020年多次应用响应面法来优化激光焊接中的焊缝宽度及搭接剪切力。数值模拟方法，如有限元分析，可用于在模拟条件下预测工艺结果。Nisar等人（2023年）通过有限元模拟对AA5083铝合金进行了瞬态热分析，研究不同工艺参数的影响，而Rawa等人（2023年）则借助数值模拟研究了脉冲持续时间与频率对激光焊接中温度分布及速度场的影响。回归分析、方差分析以及灰色关联分析等统计方法则常被用于数据分析，以确定参数之间的关联关系。例如，Kanakavalli等人（2020年）证明，灰色关联分析是多标准下确定最优工艺参数的有效工具。Ghangas等人（2023年）则运用方差分析来评估摩擦搅拌焊接中工艺参数的影响。不过，这些方法都存在一定的局限性：第一，实验设计法需要大规模的实验，随着参数数量的增加，这种做法会变得不切实际，而且该方法假定参数之间存在线性或二次关系，难以模拟复杂的非线性相互作用；第二，数值模拟耗资源较多，且往往依赖于一些在现实复杂系统中可能不成立的简化假设；第三，统计方法对数据质量较为敏感，同时假定数据遵循特定的分布或关系，而这在面对高维度或复杂模型时可能并不适用，因此其在实际应用中的效果较差。机器学习作为人工智能的一个重要分支，近年来受到了广泛关注并取得了显著进展。传统的机器学习算法，如随机森林回归（Dang和Singh，2021年）、岭回归（Li和Niu，2024年）以及高斯过程回归（Cai等人，2020年），通过有效捕捉输入特征与输出结果之间的复杂关系，展现了在非线性系统建模方面的潜力。这些算法使得计算机系统能够在无需明确编程的情况下分析大量数据、识别模式，并做出预测或决策。随机森林回归和岭回归（Tynchenko等人，2021年）在确定电子束焊接的最佳工艺参数方面取得了良好效果，体现了其在工业应用中的灵活性。高斯过程回归（Liu和Wu等人，2020年）则被用于优化激光粉末床熔融工艺的加工窗口，证明了其在处理先进制造工艺中复杂参数空间时的有效性。高斯过程回归常常与贝叶斯优化相结合，用于探索复杂的参数空间。作为贝叶斯优化的替代模型，高斯过程回归能够近似描述工艺参数与质量指标之间的关系。通过评估模型预测的不确定性，贝叶斯优化能够找出最有可能提升性能的参数组合。Dillon等人（2015年）运用高斯过程回归来建模焊接参数与质量指标之间的关系，并结合贝叶斯优化寻找最优焊接参数。同样，Maier等人（2019年）也将高斯过程回归与约束贝叶斯优化相结合，用于车削工艺的优化，从而找到了最优工艺参数。尽管机器学习在工艺参数优化方面具有巨大潜力，但其在高维度、非线性系统中的应用仍面临诸多挑战。这些挑战包括容易过拟合、难以建模特征之间的复杂相互作用，以及精度与泛化能力之间的权衡问题。因此，传统的机器学习方法往往缺乏在复杂工业环境中有效应用的稳健性。深度学习作为机器学习的一个关键子领域，已发展成为一项重要的技术（Cai等人，2020年；Liang等人，2025年）。通过利用多层神经网络，深度学习能够从大规模数据中学习更复杂的特征表示，从而在计算机视觉（Mohammadkhorasani等人，2023年；Nahar等人，2025年）、热误差建模（Ma等人，2024年）以及预测与健康管理（Chen等人，2023年；Chen等人，2023年；Lin等人，2024年）等诸多领域带来重大突破。最近，深度学习技术也被用于工艺参数优化领域（Ma等人，2025年）。例如，Ma等人（2024年）提出了一种可解释的多任务神经网络，并结合粒子群优化方法，用于激光焊接的工艺参数优化。Cao等人（2017年）则开发了一种将径向基函数神经网络与遗传算法相结合的混合方法，用于激光焊接。Liu等人也在2020年多次展示了人工神经网络与遗传算法在优化激光束焊接工艺参数中的应用。此外，深度强化学习也为工艺参数优化提供了一种极具前景的方法。深度强化学习允许智能体在模拟环境中与工艺过程进行交互，通过不断试错来动态调整策略以优化参数。例如，Dharmadhikari等人（2023年）采用了基于无模型Q学习的强化学习方法用于工艺参数优化，而Li等人（2022年）则提出了基于深度强化学习的铣削工艺参数优化方案。Guo等人（2019年）开发了一种结合强化学习与人工神经网络的在线决策系统，用于实时调整注塑工艺参数。将深度学习与进化算法以及基于强化学习的优化方法相结合，可以为工艺参数优化提供更为先进的解决方案。在这种框架中，深度学习作为替代模型，用于建立参数与质量指标之间的关系，而进化算法则模拟自然选择的过程，用来生成并优化参数组合。由深度学习模型反馈得到的适应度函数则引导迭代优化过程朝着全局最优方向发展。这种方法充分利用了深度学习的预测能力以及进化算法的全局搜索能力，非常适合用于激光切割这类复杂的工业任务。强化学习则通过智能体与模拟环境之间的持续交互，进一步提升了工艺参数的优化效果。智能体通过不断试错调整策略，以适应复杂的工况。这种方法在动态、多维度的工业环境中尤为有效。不过，无论是深度学习还是进化算法，虽然功能强大，但在融入物理机理方面可能存在困难，尤其是在处理温度场这类动态变量时。同样，强化学习也面临着高维度相互作用以及需要在复杂工业系统中实现泛化的挑战。为了解决这些局限，探索基于物理原理的工艺参数优化方法，有望提升对动态过程以及复杂物理现象的理解和适应能力，进而提高优化过程的可靠性和准确性。仅依靠深度学习这类数据驱动的方法来对激光切割系统进行建模，往往忽视了其中的物理机理，尤其是温度场在决定质量指标方面的关键作用。为解决这一问题，本文提出了一种结合物理机制与数据驱动技术的激光切割优化方法。通过将物理模型与数据驱动技术相融合，该方法既提升了优化的可靠性，又增强了结果的可解释性，实现了数据分析与现有物理原理的优势互补。本文的主要贡献如下：（1）搭建了一个脉冲激光切割实验平台，采用五因素三水平的全因子设计，以确保能够收集到不同工艺参数组合下的全面数据。在此基础上，通过几何建模、网格划分、约束设置、热传导建模、求解以及后期处理等步骤，建立了激光切割的物理模型。这一过程能够提供详细的温度场信息，弥补了实际场景中此类数据的缺失。（2）设计了一种新型的物理信息神经网络，该网络具有两个输入分支：一个用于处理工艺参数，另一个用于处理来自物理模型的温度场信息。此外，还设计了一个聚焦融合层，用于有选择地整合最相关的特征，从而实现对截面毛边、切割表面毛边以及热影响区这三种关键质量指标的精准预测。（3）在优化阶段，本文提出了一种基于聚类的非支配排序遗传算法II的优化方法。以训练好的物理信息神经网络作为替代模型，非支配排序遗传算法II可以生成多个候选工艺参数组。随后通过聚类策略选出三个最为相似的工艺参数，再对相应的机制特征进行加权处理，以此优化模型中的机制部分输入参数。之后再定义优化所需的决策变量、约束条件以及目标函数。（4）通过实际测试评估了所提出的方法，并将其与传统优化方法进行了比较。实验结果表明，这种混合方法在提升激光切割质量方面效果显著，优于现有的优化方法。本文的其余内容安排如下：第2节介绍实验流程，第3节阐述所提出的方法，第4节进行案例验证，第5节分析实验结果，最后在第6节给出结论。段落摘录激光切割用材料与实验装置如图1所示，锂离子电池的正极采用“三明治”结构。中间层为30微米厚的铝箔，作为电流集流体，有助于实现良好的电导性。上下两层则为85微米厚的磷酸铁锂涂层，这是一种应用广泛的正极材料，以其优异的热稳定性、安全性以及循环寿命而著称。在锂离子电池的生产过程中，正极通常……所提出的方法如图3所示，所提出的方法分为两个阶段。第一阶段是对激光切割系统进行物理信息神经网络建模，主要工作是在不同的工艺参数下进行物理建模，以获取温度场信息，同时构建物理信息神经网络模型。第二阶段则是工艺参数的优化，此时使用已训练好的物理信息神经网络作为替代模型。CA-NSGA-II被用于优化替代模型。物理建模与温度场提取：采用COMSOL协同仿真平台建立电极切割过程的物理模型，模拟激光切割过程中的瞬态温度场。首先根据实际尺寸和形状构建电极的几何模型，以确保准确性。主要的热影响集中在切缝周围，远端区域的影响较小。为降低计算复杂度并提高效率，仿真仅关注一侧的情况。

比较方法的预测性能：图9展示了各种比较方法在训练集和测试集上的预测性能。总体而言，SVR和RR的性能最差，尤其是在测试集上，其R2值甚至低于零。这主要是由于本研究中的数据特征不适合这些方法。SVR对数据的规模和分布极为敏感，当特征差异较大或存在噪声时，其性能会显著下降。

结论：激光切割的质量在很大程度上取决于工艺参数，因此对其进行优化是一项具有挑战性的任务。尽管机器学习技术在模拟工艺参数与质量指标之间的非线性关系方面展现出潜力，但由于缺乏嵌入在物理模型中的先验知识，其有效性仍受到限制。为解决这一局限，本文提出了一种结合机理建模与数据驱动技术的混合优化方法。同时建立了一个激光切割实验平台。

CRediT作者贡献声明：
陈珠云：写作——审稿与编辑、指导、方法论、研究、概念设计。
马帅：写作——初稿撰写、可视化、验证、软件应用、方法论、研究、数据整理、概念设计。
刘强：写作——审稿与编辑、指导、项目管理、方法论、研究、概念设计。
张晓吉：验证、研究、数据整理。
杜益贤：验证、资源协调、研究、数据整理。
刘慧涛：

利益冲突声明：作者声明没有已知的可能影响本文所汇报工作的财务利益或个人关系。

致谢：本研究得到了中国国家自然科学基金项目（编号52575565）、中国国家重点研发计划项目（编号2023YFB3308100）、广州市科学技术协会青年人才支持项目（编号QT-2024–28）以及广东省杰出青年基金项目（编号2022B1515020006）的支持。