据中国激光杂志社网，于2023年07月13日报道， 北京航空航天大学激光团队管迎春教授课题组特邀综述被选为《中国激光》“人工智能赋能激光”专题亮点文章，主要从激光制造装备和工艺两个方面出发，总结了人工智能技术在激光制造领域的研究现状与应用情况，并对激光智能制造发展方向及应用前景进行了展望。
2021年中国激光加工设备行业市场规模821亿元，预计2026年达1877.65亿元，这昭示着“光加工”时代已经来临。以激光制造和人工智能结合为特征的激光智能制造是智能制造的重要组成部分，将有力推动我国制造业的转型升级。本文主要综述了智能化方法在光束整形、光束校正等系统装备以及激光焊接、激光切割、激光抛光、增材制造、微纳加工等制造工艺的应用。
1.智能化激光制造装备
1.1 光束调控
如何获得高质量、高精度的激光是激光技术基础研究和应用研究中广受关注的课题，而人工智能算法正是实现激光光束质量预测和调控的有效手段。针对现有简单仿真模型对复杂光学系统预测能力不足的问题，哈尔滨工业大学刘国栋团队将深度神经网络与Frantz-Nodvik方程相结合，提出了一种优于传统拟合方法的大功率ICF激光系统中主放大器输出能量预测新方法（图1）。国防科技大学周朴团队不仅利用深度学习技术实现了少模光纤激光器光束传播因子M2的准确预测，还通过深度学习网络补偿和优化算法消除了高功率模式可编程轨道角动量（OAM）光束相位差，保证了OAM光束的纯度。
随着制造品质需求不断提升，传统高斯光束单点加工方式难以满足当前激光微纳结构制造的高精度、高效率和跨尺度加工要求。因此需要利用光束整形技术调整光束的焦点、形状、强度分布，将光束轮廓塑造成特定的形状。随着光场所需特性的复杂性不断增加，此类系统的设计面临着许多挑战。相较传统方法，人工智能算法能够更加快速准确地实现复杂光场的调制。如图2所示，亚琛工业大学Buske等人通过衍射神经网络算法，将光束能量分布调整为平顶光、扶手椅和蝴蝶形状。此外，同济大学李鹏忠团队使用人工神经网络对U-Net神经网络算法进行改进，用于基于空间光调制器（SLM）的光束整形优化。
1.2 设备管理
人工智能在设备健康管理中的应用可以提高设备的可靠性、延长设备的使用寿命、减少停机时间和维修成本。它可以通过实时监测、预测性维护和故障诊断等方式，提供更智能、高效的设备管理和维护策略。德国基尔大学Khouloud Abdelli等人利用一种基于堆叠双向长短期记忆网络（BiLSTM）和卷积神经网络（CNN）的多任务学习方法实现了对光纤故障的检测、定位、表征和识别。
国防科技大学石峰教授团队基于光学元件小尺度损伤点数量与修复深度之间的相关性建立了高精度神经网络预测模型，可用于光学器件的高效修复。山西大学卢华东教授团队将BP神经网络算法和PID控制算法相结合，制造了一种新型、稳定的单频连续激光器温度控制器，防止高温对光学器件的损坏。
2.智能化激光制造技术
2.1 激光切割
激光切割因精度高、速度快、热响区小、不存在工具磨损等优点而广泛应用于汽车、航空航天、电器电子等诸多领域。人工智能在激光切割时，通过路径优化、实时监测、参数选择和缺陷检测等方式优化切割过程，可提高切割效率和切割质量。德国卡尔斯鲁厄理工学院Fernando团队使用RGB图像数据库和相应的粗糙度值训练卷积神经网络，可以准确估计切割边缘的粗糙度，平均误差达到3.6 µm。
比利时鲁汶大学Duflou团队开发了一种高效的切割边缘粗糙度预测算法，以更少的数据量对切割粗糙度进行预测。英国南安普敦大学 Zervas 团队利用深度学习方法从切割表面的显微图像中得到激光扫描速度，并进一步证明可以利用神经网络预测切割表面的外观形状。
2.2 激光抛光
激光抛光技术用于改善材料表面的光洁度、平整度和外观质量，是解决复杂表面和自由曲面特征零件高质量抛光难题的有力手段。为了达到良好的抛光效果，通常需要进行大量实验对工艺进行优化，导致生产成本过高。采用人工智能算法对抛光结果进行预测，可快速得到最佳工艺参数，实现降本增效。德国卡尔斯鲁厄理工学院Wilhelm博士等人构建了神经网络模型，并使用遗传算法对其进行优化，用于获得符合给定表面粗糙度和热影响要求的抛光工艺窗口。
激光抛光合金的微观结构对于表面强度及其性能至关重要。北京航空航天大学激光团队利用人工神经网络对激光选区熔化Ti-6Al-4V的抛光表面质量进行预测（图3），在使用推荐参数进行抛光后，不仅平均粗糙度Ra从10 μm降低到0.15 μm以下，而且显微硬度和抗变形性能得到显著增强。
2.3 激光截/钻骨
激光在骨科临床手术中的应用越来越广泛，能够有效避免传统机械骨科手术中存在的骨孔壁粗糙、微裂纹等问题。为减少手术中激光对健康组织的损伤，可使用人工智能算法对骨处理过程中产生的图像、光、声信号进行处理，实现对生物组织的实时分类识别，为患者提供更好的治疗效果和术后恢复。
瑞士巴塞尔大学的Bayhaqi团队利用基于深度学习的快速光学相干层析成像（OCT）图像去噪方法实现了对生物组织的分类。瑞士联邦材料科学与技术实验室Wasmer团队通过机器学习处理声信号来分类识别皮肤、脂肪、肌肉和骨骼，提升了激光截骨准确度。
北京航空航天大学激光团队利用光谱仪采集加工过程中产生的二次谐波信号用于定位和监测，实现了基于光谱响应的工艺参数优化（图4）。在此基础上，本团队在飞秒激光钻骨过程中使用卷积神经网络对光斑位置进行精准定位，展现了该方法在提升手术安全性方面的潜力。
2.4 激光焊接
激光焊接技术是激光制造领域应用最为广泛的技术之一，具有能量密度高、热影响区小、焊缝深宽比大、自动化程度高等优点。研究熔池和焊缝的特点可以帮助提升激光焊接的质量和效率。利用人工智能快速分析熔池的几何形态、深度、宽度以及熔池与基材之间的界面特征等参数，可以评估焊缝的质量，并优化焊接参数以实现所需的焊缝形态和性能。
华中科技大学蒋平教授团队使用图像处理技术提取激光熔池和小孔的特征，将多种神经网络集成来建立激光熔池、小孔特征与焊缝特征之间的关系（图5）。广东工业大学高向东团队基于传感器信号特征构建了用于焊缝缺陷检测的支持向量机（SVM）分类模型，可利用光学特征对焊接缺陷进行有效检测。
2.5 激光增材制造
激光增材制造技术为复杂结构、难加工零部件提供了定制化、个性化制造策略。材料、结构、工艺是决定增材制造部件性能的关键因素，因此通常在制造之前需大量试错预实验以获得最佳工艺条件，而这使得设计成本高昂、耗时且不可预测。利用人工智能进行材料成分设计、组织性能预测、工艺参数优化等，有助于实现增材零件的高质量、低成本制造。
新加坡制造技术研究院Tan等人利用机器学习方法开发了一种专用于增材制造的Fe-20.8Ni-6.2Ti-1.7Al （wt%）新型马氏体钢，具有优异的抗拉强度（1.54 GPa）和均匀延伸率（8.1%），如图6所示。日本东北大学Aoyagi教授根据不同工艺参数下内部缺陷与表面形态的关系，通过机器学习获得制造无缺陷零件的最佳工艺参数。
3.总结与展望
人工智能的发展和进步引发了制造业的巨大变革，推动制造业向自动化、智能化方向发展。激光制造作为当前制造业中极具前景的先进制造技术之一，两者结合是行业发展的必然趋势，人工智能在激光制造技术中的广泛应用促进了激光制造技术的持续进步。
然而，人工智能在激光制造中的应用仍存在不小的挑战：1）时间和金钱成本较高，需开发新方法提高数据利用率；2）激光制造过程复杂多样，需开发出能够适应复杂应用场景的数据采集和智能算法；3）缺乏统一应用标准，应构建数据共享平台，整合资源形成统一标准；4）激光智能装备仍存在精度、稳定性和可靠性等问题，需进一步加强技术研发和人才培养，加速推进激光智能装备的实际应用。
参考文献：
[1] Lu Z, Yuanchao G, Guodong L, et al. Energy prediction with physics-guided neural networks for high-power laser facility [J]. Proceedings of SPIE, 2022, 12169: 12169BK (6 pp.)-BK (6 pp.).
[2] Buske P, Voll A, Eisebitt M, et al. Advanced beam shaping for laser materials processing based on diffractive neural networks [J]. Optics Express, 2022, 30(13): 22798-816.
[3] Li Y H, Cheng X, Guan Y C. Ultrafine microstructure development in laser polishing of selective laser melted Ti alloy [J]. Journal of Materials Science & Technology, 2021, 83: 1-6.
[4] Song Y, Hu G Q, Zhang Z, et al. Real-time spectral response guided smart femtosecond laser bone drilling [J]. Optics and Lasers in Engineering, 2020, 128: 6.
[5] Cao L C, Zhang L L, Wu Y D. A data-driven model for weld bead monitoring during the laser welding assisted by magnetic field [J]. International Journal of Advanced Manufacturing Technology, 2020, 107(1-2): 475-87.
[6] Tan C, Li Q, Yao X, et al. Machine Learning Customized Novel Material for Energy-Efficient 4D Printing [J]. Advanced science (Weinheim, Baden-Wurttemberg, Germany), 2023: e2206607.
通信作者简介
管迎春，北京航空航天大学教授，机械工程及自动化学院博士生导师，国家特聘青年专家，大型金属构件增材制造国家工程实验室核心成员。从事激光精密制造研究十余年，专注激光精密制造应用基础研究及智能化激光精密制造装备和工艺研发，承担国家重点研发计划、973计划、国家自然基金等课题十余项，获中国机械工业技术发明二等奖等。发表SCI论文60余篇，出版英文专著5部，国际和国内发明专利30余项。
