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

摘要

在一个方面中，本发明涉及一种计算工艺参数的方法，这些工艺参数被优化以用于通过激光机器加工具有特定材料特性的工件，该方法包括以下方法步骤：确定(S10)材料特性，应该针对所述材料特性来优化工艺参数；确定(S20)预先配置的初始工艺参数；通过访问具有统计模型的存储装置来执行重新优化算法(S30)，直到作为目标的目标函数被最小化或最大化，以用于计算优化的特定材料的工艺参数，其中，统计模型基于使用高斯过程作为先验的贝叶斯优化。

说明书

技术领域

本发明属于高功率加工领域，例如激光切割，并且尤其涉及用于计算工艺参数的方法、工具和产品，工艺参数针对要加工的特定材料进行优化。

背景技术

激光加工特别是激光切割是复杂的工艺，该工艺需要设置多个和各种各样不同的工艺参数，以便达到加工零件的所需质量和其他要求(例如效率和鲁棒性)。

一般来说，工艺参数的设置指的是通常显示出高度相关性的物理和机械参数。因此，寻找合适参数的过程是要求高且复杂的任务。通常，在激光工艺的控制系统中，测试工艺参数的不同组合涉及运行真正的闭环实验，这是耗时且昂贵的。因此，通常从工艺参数计算目标质量/结果以及从目标质量/结果计算工艺参数的函数是未知的或者计算起来是昂贵的。

在现有技术中，基于存储的(即硬编码的)专家知识和/或传感器数据来自动计算工艺参数的方法是已知的。例如，US 952 9343公开了一种通过存储的专家知识、机器传感器数据或切割零件的图像数据来优化切割参数计算的建议。

然而，一方面，这些方法的缺点是专家知识不适用于或不完全适用于稍微不同的设置，因此对于稍微不同的设置无效，其中，例如，要加工的材料不相同(例如，不同的材料厚度或不同的材料成分)或者机器显示出另一种设置或设备(例如，另一种激光头、另一种操作模式)。因此，存储的专家知识变得无用。

另一方面，如果一旦针对某个工艺确定了优化的工艺参数，则当针对“新”设置或“新”材料或“新”型的激光机器计算“新”工艺参数时，可以考虑该信息，这是非常有价值和珍贵的信息。该上下文中的“新”涉及确实不存在先验知识或先验实验的事实。

此外，已知在现有技术中使用来自人工智能的神经网络或工具来确定优化的工艺参数。例如，WO 2020/069889公开了一种用于计算针对激光加工机器的控制的最佳工艺参数的推荐的算法。该算法基于机器学习，以便将表示材料特性数据和目标质量的输入数据处理成输出数据，并且推荐优化的工艺参数，在此：切割参数。

然而，这些基于AI的方法需要资源密集型训练和测试阶段，其中针对特定任务(例如使用特定类型的激光机器切割特定类型的材料(具有特定厚度和特定成分))训练和测试神经网络。因此，基于AI的方法将需要更多的实验(即，时间和成本)以创建可靠的模型，该模型在完整的参数域中有效(即，在切割区域的损失中也有效，对优化无用)。

如果要加工稍微不同的材料成分或稍微不同的材料厚度，就会出现问题。于是，所计算的工艺参数不再有效，并且可能导致工艺结果的缺陷(例如，较低的质量)。

因此，在本领域中需要提供方法和工具，所述方法和工具能够在短时间内自动计算材料特定和机器特定的工艺参数，而不需要训练神经网络模型。此外，应该使工艺结果的评估更加可靠，并且工艺结果的评估应该不再依赖于用户对完整设置的所有先验实验的个人估计。

发明内容

该目的通过所附独立权利要求来解决。在从属权利要求和下面的描述中描述了优点、改进的实施方式和替选方案。

根据第一方面，本发明涉及一种用于计算工艺参数特别是切割参数的计算机实现的方法(要在与控制激光工艺相关的计算机上执行的应用)，这些参数被优化用于通过具有特定机器特性的激光机器来加工特别是切割具有特定材料特性的工件，该方法包括以下方法步骤：

-确定材料特性和/或机器特性，应该针对所述材料特性和/或机器特性来优化工艺参数；

-特别是基于确定的材料特性来确定预先配置的初始工艺参数；

-基于确定的偏好来重新定义重新优化算法的参数域。当考虑用户定义的偏好时，可以通过以下操作来得到用于重新优化的域：利用可接受性分类器，从最佳点扩展参数范围，直到所选质量不再可接受为止；

-通过访问具有统计模型的存储装置来执行重新优化算法，直到作为目标的目标函数被最小化或最大化(优化)，以用于计算正被优化的特定材料的工艺参数和/或特定机器的工艺参数，其中，重新优化算法的执行包括：

-利用所确定的预先配置的初始工艺参数来控制测试工艺的执行；

-通过使用基于测量的算法或基于偏好的算法来评估测试工艺，以用于确定测试工艺的偏好。

“确定的偏好”可以被解释为优化标准，该优化标准可以从由性能、质量、能量消耗等组成的组中确定。优选地，偏好是人机接口HMI上的输入。因此，可以通过在HMI上接收的用户输入针对每个激光工艺具体定制优化标准。例如，在第一设置中，质量被选择为关键优化标准，并且重新优化算法基于该关键优化标准，而在第二设置中，性能被选择为关键优化标准，重新优化算法被相应地调整并且基于优化性能，并且相应地，不同计算的工艺参数被计算。所确定的偏好可能涉及在之前步骤中特别是通过用户输入已经确定的材料特性和/或机器特性。

因此，根据本文中提出的建议的优化方法和/或优化工具可以将预先配置的初始工艺参数(例如其可以是标准设置)转换成优化的特定材料工艺参数，该工艺参数针对于具有特殊材料特性的特殊材料，该特殊材料需要在实际工艺条件下用特殊激光机器进行加工。材料特性可以例如与材料厚度或特定材料成分(例如合金)相关。通过使用基于贝叶斯优化的方法，所需实验的数量是有限的，集中于用于寻找最佳效果的最佳区域。这特别是与使用神经网络的基于AI的方法形成了对比，在基于AI的方法中需要一大组实验来提供标记的数据。

本发明涉及一种用于通过考虑材料和/或工艺细节或特性来确定激光工艺的重新优化的工艺参数的闭环控制。用于确定重新优化的工艺参数的闭环控制在校准阶段中被执行，该校准阶段在用于生产性激光加工例如用于执行切割计划的操作阶段之前。在真正的激光工艺开始之前，校准阶段基于一组(减少的)测试切割。在这个校准(时间)阶段中，执行测试切割，所述测试切割被评估并用于动态地或迭代地生成统计模型。通过在迭代过程中将测试切割的评估的反馈提供回至统计模型，控制环路在该校准阶段中是“闭合的”。这与开环控制形成对比，在开环控制中只计算参数，并且然后设置参数。

在完成校准过程之后，该工艺从校准阶段转移至“正常”操作阶段，可以通过使用具有一组计算出的重新优化工艺参数的重新优化算法的结果在开环控制中执行该“正常”操作阶段。在又一实施方式中，也可以通过借助于例如工艺内的相机或光学实体的形式的传感器单元对测试切割进行在线评估以闭环方式来控制操作阶段，该传感器单元附接在激光器的加工头内并被配置成用于获取工艺(例如，切割表面、切割边缘)的图像。

因此，在优选实施方式中，该工艺包括：

1.在校准阶段中通过执行测试切割进行的闭环控制，以及

2.在操作阶段中通过使用重新优化算法的结果进行的开环控制，该重新优化算法利用阶段1的一组计算出的重新优化的工艺参数。替选地，可以通过使用在线工艺传感器来闭环控制操作阶段。

优选地，激光工艺可以是高功率激光工艺，特别是激光切割工艺，并且相应地，工艺参数是用于切割工艺的切割参数。然而，所建议的方法也可以应用于其他类型的激光工艺，例如具有低功率的激光工艺，例如雕刻工艺。

工艺参数是表征激光工艺的物理参数或技术参数。工艺参数可以包括激光头的进给速率/速度、激光功率、焦点位置、气体压力、气体温度、喷嘴类型、喷嘴间隙高度等，但也可能涉及激光头的驱动器和机械动作者以及激光机器的相关部件。因此，工艺参数可以包括激光机器参数。

预先配置的初始工艺参数是如下一系列工艺参数，这些工艺参数已经被评估(通过在较早的时间使用这些工艺参数来执行切割)为最适合于特定材料特性和/或特定工艺和/或特定激光机器，或者这些工艺参数已经被评估(通过在较早的时间使用这些工艺参数来执行切割)为对于特定材料特性和/或特定工艺和/或特定激光机器是最佳的。预先配置的初始工艺参数用作各种典型(特别是：切割)工艺的通用参数集。然而，预先配置的工艺参数通常没有或没有完全被配置成和适于要加工的工件的实际特定材料特性以及/或者没有适应特定的加工环境(激光机器类型、……)。因此，预先配置的工艺参数可以是材料不可知的。因此，预先配置的工艺参数分别对于特定类型的材料和/或材料厚度是非特定的。可以基于先前的“实验”来提供预先配置的工艺参数。该上下文中的术语“实验”涉及测试工艺的执行，例如特别是具有测试切割结果的相关评估(例如，在质量、生产率等方面)的测试切割。预先配置的工艺参数通常针对要加工的典型工件而提供，因此涉及具有普通材料特性的“普通”材料。通常，材料特性可能随工件而改变。因此，要加工的实际的例如金属片或工件的材料特性可能不会与先前实验的材料特性(预先配置的工艺参数基于这些先前实验的材料特性)100％相同。

在又一个优选实施方式中，“确定预先配置的初始工艺参数”的步骤可以基于神经网络，该神经网络被训练成针对给定的材料特性和/或机器特性提供最佳的工艺参数，这些给定的材料特性和/或机器特性类似于要加工的材料特性和/或机器特性。然而，必须提及的是，用于重新优化工艺参数的重新优化算法不基于神经网络。

然而，在另一个优选实施方式中，重新优化算法是随机模型。重新优化算法优选地不使用神经网络。

根据另一优选实施方式，生成统计模型(基于有限的一组实验)，通过考虑测试工艺的评估，在迭代过程中更新和改进该统计模型。

优选地，测试加工可以在真正或实际加工之前在上游过程中被执行。测试加工可以优选地包括一组测试工艺，特别是测试切割。测试切割可以在10到20个测试切割的范围内。优选地，每个测试切割的结果被评估。该评估的结果被反馈至重新优化算法，特别是用于调整代理函数。反过来，重新优化算法使用该评估来改进计算的特定材料的工艺参数和/或特定工艺的工艺参数。“测试加工-测试加工的评估-工艺参数的改进(＝重新优化算法的执行)”的这个过程被迭代地执行，直到目标函数被优化。具有测试加工的重新优化算法将优选地花费20分钟到30分钟。

评估测试工艺(特别是：切割)是指判断加工的零件的工艺结果，并且可能特别涉及确定质量测量。质量测量被标准化和量化。为此目的，生成度量，即质量估计度量，度量可以基于不同的传感器数据(光学、声学、温度等)。估计的结果可以用一组数值来表示。可以手动(视觉、触觉)或自动执行评估测试切割。手动评估的结果是经由人机接口HMI接收的输入信号序列。自动确定质量测量可以优选地基于传感器信号。传感器可以包括二极管和/或相机。相机可以是工艺内相机。二极管可以与激光束同轴地或离轴地布置。如果手动执行测试切割的评估，则执行基于偏好的算法。为此目的，提供了在HMI上的特定输入模式，其允许以结构化的形式输入优化标准或偏好。应当注意，输入信号序列涉及定性估计或判断，而不涉及定量估计。可以根据两个加工的工件之间的比较(例如“工件A与工件B相比更好/相同/更差”)来表达偏好。替选地或另外地，可以在一组工件之中应用多星评级，特别是五星评级。在后者中，评级的工件之中的偏好被唯一地确定，并且被转发至系统以用于进一步的加工。如果自动执行测试切割的评估，则执行基于测量的算法。

重新优化算法用于计算材料特性特定的工艺参数，因此针对特定类型的材料(例如厚度和/或成分)和/或特定类型的加工环境例如加工机器(例如激光操作模式、激光类型)优化这些工艺参数。为了限制参数域，重新优化算法可以基于预先配置的测试工艺参数，这些工艺参数已经被确定为对于类似但偏离的加工环境或设置(例如尤其是类似的材料厚度、类似的材料成分和/或类似的加工约束)是最佳的。由于例如通过选择对于相似但不相同的环境和/或设置(例如，相似的厚度)而言“最佳的”测试工艺参数导致参数域已经被限制的事实，该算法被称为“重新优化”。已经被确定为最佳的初始工艺参数被进一步优化，因此针对工艺和材料特性并基于测试切割的评估被“重新优化”。

因此，重新优化算法利用针对类似的工艺/设置(例如类似的材料特性，比如材料厚度、材料类型)计算的或者作为在第一步骤中预先计算的最佳点而提供的鲁棒的最佳点，该鲁棒的最佳点可以用作所谓的预先配置的初始工艺参数。可获得选择n个最佳点(充分间隔开)的可能性。特别是，以所选点为中心的框被扩展，直到对于框中的所有点，都保证可接受的切割性能。这允许限制用于重新优化的优化参数域。具体而言，可以利用属于重新优化域的几个初始随机样本(例如，5个初始样本)来计算更新的基于高斯过程的模型，并且可以在执行重新优化的同时基于单个实验或一批实验(例如，5到10个样本)来迭代地更新更新的基于高斯过程的模型。通常，只有来自第一步骤的最佳点(参见上文)被用于推导随后的第二步骤中的输入变量的跨度。来自先前实验(例如，具有不同的厚度、材料特性或在不同的机器上)的数据可以用于建立统计模型的先验模型，一旦获取来自新的实验设置的数据，该模型就被改进。

在类似材料特性的最佳初步工艺参数集合已经可用(例如，类似的工件，例如板已经被优化，或者相同的板必须在不同的机器上被加工)的情况下，可以利用重新优化算法(或改进过程)。优化过程或重新优化过程以与对于全局优化相同的方式工作(即：没有一组初步工艺参数)。主要差异与工艺参数域的形成相关。在最佳工艺参数集合已经可用的情况下，考虑到改变指定百分比(例如，5％)的最佳参数的工艺窗口，可以从这样的初始参数集合开始形成工艺参数域。然后，以全局优化的相同方式，可以执行最佳参数集合的计算。

根据优选实施方式，计算的优化的特定材料工艺参数以及因此方法或计算的结果被用于直接控制激光工艺或激光机器。因此，工艺参数可以包括或可以被转换成用于开环控制或闭环控制的控制信号，所述控制信号将被传输至激光机器的控制器，以用于控制加工工艺，例如切割工艺。

通常，控制可以是开环控制(最佳参数设置)或闭环控制(在激光加工期间动态调整或优化工艺参数)。在例如用户接口上接收到来自用户的确认信号时，可以触发或发起计算的优化的特定材料工艺参数的自动使用。替选地，可以在成功执行验证过程之后自动提供确认信号，该验证过程可以基于与参考参数的比较。

通常，在执行测试工艺或测试切割之后，提供两个选项以用于评估测试切割的质量：

1.基于测量的算法，其优选地基于使用GP的BO，以及

2.基于偏好的算法，其优选地基于两个或更多个工件之间的比较，

将在下面更详细地说明这两个算法。

本发明提出了一种优化工具或问题求解器，其用于通过考虑例如要加工(例如要切割)的金属片的特定材料特性来计算优化的工艺参数P以用于实现目标质量Q的问题：

f：P-＞Q。

对于这个函数f，f的导数在符号上和数值上都是不可用的，而且f的导数的边界例如利普希茨常数(Lipschitz constants)通常也是不可用的。在激光切割中，导数信息是不可用的、不可靠的或者获得导数信息是不切实际的，例如，当对f进行求值很昂贵或有点噪声时，这使得大多数基于有限差异的方法很少或没有用。因此，本文中提出的建议基于一类无导数优化，参见Luis Miguel Rios·Nikolaos V.Sahinidis，“Derivative-freeoptimization:a review of algorithms and comparison of softwareimplementations”，载于：全球优化杂志(Journal of Global Optimization)，2009年11月(2013)56：1247–1293，DOI 10.1007/s10898-012-9951-y。

因此，根据另一个优选实施方式，基于测量的算法基于使用高斯过程(简称GP)的贝叶斯优化(简称BO)。BO是一种超参数优化技术，该技术可以使用高斯过程来确定其先验分布/后验分布。首先，假定f的先验分布，然后对函数f进行求值，并且使用所得数据来更新先验以形成f的后验分布。利用该后验分布，创建采集函数。这个采集函数确定下一个查询点(采集函数用于探索方面——下一步要看哪里)。

具体而言，在激光加工中，要考虑一大组相互依赖的输入变量或参数以用于计算最佳工艺参数。另外，可能需要提供两个单独工艺的工艺参数，即第一个用于激光工艺，而第二个用于辅助气体的气流工艺。这两个工艺都与材料相互作用。因此，提供了多个优化标准(例如，进给速率、激光功率、质量估计等)。优化标准可以用作(用户偏好确定的)输出，并且也可以用作重新优化算法的输入。因此，在不同的优化标准之间需要折衷，这些不同的优化标准可以由操作员根据具体的工艺需要来定制。通常，对于激光切割，已知使用惰性气体(例如氮气或氩气)或反应性气体(例如氧气)作为辅助气体来去除熔融材料。如果使用活性或反应性气体，则例如工件的金属材料在它已经被激光束加热至点火温度之后被燃烧和蒸发。氧气与工件的材料之间的反应会生成支持切割工艺的额外的热量。具有低粘度的熔融液体材料可以通过气体的剪切力从切割边缘或从切割间隙被去除。当用惰性气体切割时，工件的材料仅被激光功率熔化，并且可以被气流的动能从切割间隙吹出。在优选实施方式中，本发明还计算该辅助气体工艺的重新优化的工艺参数，该辅助气体工艺通常是整体工艺并与激光工艺相结合。

贝叶斯优化是一种寻找目标函数的极值(最大值、最小值)的非常强大的方法。已经证明，当函数求值是昂贵的，人们无法获得导数，问题不是凸的，或者可用的函数求值非常嘈杂时，贝叶斯优化方法特别有用。就所需的函数求值的次数而言，贝叶斯优化技术在最有效的方法之中。效率的大部分来自于贝叶斯优化考虑关于问题的先验假设和知识并且通过目标函数求值来更新该知识的能力。这样做时，总是在探索搜索空间与利用当前知识状态之间进行权衡。

贝叶斯优化是一种类型的黑盒全局优化，其中要优化的函数f(x)是未知的并且被建模为高斯过程。它旨在通过用代理函数替换要优化的函数来使函数求值的次数最小化。后者是通过对目标函数进行采样并用图对样本进行插值而获得的，与原始函数相比，对代理函数求值成本非常低。于是，代理函数被用来解决(便宜得多)全局优化问题，该全局优化问题决定原始函数必须在那里求值的新点。为了考虑到代理函数和真正的目标函数以未知方式彼此不同的事实，通常通过考虑这种不确定性的额外项(概率置信区间)来增强代理函数。因此，所得到的采集函数被最小化，而不是用于生成优化向量的新样本，从而在寻找代理函数小的新向量与寻找尚未被访问的可行空间的区域之间进行权衡。

与其他优化方法相比，贝叶斯优化创建目标函数的概率模型，并且然后通过添加更多的数据点在迭代过程中更新和改进该模型。在此的基本构思是：可以使用所有计算的数据点的全部信息，而不仅仅是最后一个特定数据点的局部梯度。贝叶斯定理用于生成和更新这个概率模型。

贝叶斯优化的另一个关键方面是：给定要优化的f(x)的值的条件分布，使用所谓的采集函数来确定要使用的下一个数据点。可以用各种方式定义的这个采集函数描述了模型的数据点的一种有用形式。通过确定该函数的最大值，选择要使用的下一个数据点，这允许实现具有良好结果的少量所需数据点。

高斯过程GP是一个随机过程，在该随机过程中，随机变量的每个有限子集是多维正态分布的。GP可以用作BO的先验。GP对关于要优化的函数f(x)的假设进行编码。

需要注意的是，与多维正态分布相比，高斯过程不是随机变量的分布，而是函数的分布。高斯过程可以被用作贝叶斯优化的概率模型的先验概率。使用函数值已知的数据点，然后可以计算模型的后验概率，并且因此更新模型。

在激光切割应用中，考虑几个目标(优化标准)，例如进给速率、直切质量或其他类型的质量估计、拐角质量等。对于这些目标中的每一个，描述机器参数与目标之间的关系的高斯过程被构建。因此，多目标函数f(x)被生成并且通过根据用户的需求对不同目标进行加权而被优化，以便为优化过程分配优先级。有了多标准优化，优化导致所有指定目标之间的折衷。在优选实施方式中，在单独的过程中，针对每个工艺参数不同地优化目标函数。

一般而言，本发明与纯基于规则的方法的显著不同之处在于：统计模型是基于对所执行的测试切割的评估而生成的，其中测试切割的次数将被减少。在校准阶段中，动态生成的统计模型在迭代过程中被更新和改进。

对于涉及使用GP作为先验的BO的更多详细信息，请参考Brochu，Eric，VladM.Cora和Nando De Freitas[尤其是第2.1、2.2、2.3节]，“Atutorial on Bayesianoptimization of expensive cost functions,with application to active usermodeling and hierarchical reinforcement learning.”，arXiv预印本arXiv:1012.2599(2010年)。

在另一个优选实施方式中，基于偏好的算法基于通过将每个测试加工结果与最佳实现的结果进行比较的成对比较算法。为了满足用户表达的偏好，代理函数是合适的。因此，针对不同输入参数来对代理函数进行求值并比较所获得的值，就可以描述用户的偏好。基于拟合的代理函数来创建平衡开发和探索的采集函数，并使用该采集函数来提出新的实验或一批实验。迭代这样的过程，直到执行了最大数量的实验或者获得了令人满意的结果为止。在该上下文中的“探索”是指在不确定性高的区域中进行搜索，并且“开发”是指在估计值高的区域中进行搜索。另外，在优化期间，可以考虑对指定质量度量的可接受性。对于涉及成对比较算法的更多详细信息，请参考以下文献：González,J.,Dai,Z.,Damianou,A.和Lawrence,N.D.，Preferential bayesian optimization(优先贝叶斯优化)，arXiv预印本arXiv:1704.03651(2017年)；Alberto Bemporad和Dario Piga，“Global optimizationbased on active preference learning with radial basis functions.”，机器学习，110，(2021年)。

技术优势是评估过程更快、更便宜并且更可靠。此外，它不需要任何外部测量，并且它仅基于操作员做出的偏好。这基于如下实验，在所述实验中，表明人类更善于表达偏好，而不是对一大组选项进行排序。此外，在另一个优选实施方式，其中比较基于总体估计(例如，加工的工件的整体切割质量)，用户不需要对不同的目标进行加权。

除了在论文(“Global optimization based on active preference learningwith radial basis functions”)中所描述的内容以外，在本发明中用于激光切割应用的目标函数已经被扩展，以便包含由用户接口上的操作员输入信号给出的第一偏好(特别是基于逐个比较的偏好，例如“第i个工件比第j个工件更好”)和第二(甚至是定量的)目标(例如，对切割损失的惩罚、对不可接受工件的惩罚等)两者。

作为优势，在本文中描述的方法和/或重新优化算法提供了将多样化输入作为测试工艺的评估来处理的可能性，其通过应用两种不同算法(基于偏好的算法和基于测量的算法)的选项被提供。具体而言，方法可以通过应用这两种算法来处理基于偏好的(用户)反馈和基于测量的信号反馈这两者。

所提出的方法的主要技术效果和优势是：由于使用了基于统计模型的优化工具，该统计模型将GP先验用于激光切割参数的BO，因此可以显著减少用于计算材料特性特定(和机器特定)工艺参数的处理时间。

根据另一优选实施方式，特定材料特性至少包括材料类型数据集和/或厚度数据集。材料数据集是具有数字数据的电子数据集。材料数据集可以表征要加工的材料的类型，例如金属片是钢或铝。材料数据集可以例如代表合金的成分。厚度数据集是具有数字数据的电子数据集。厚度数据集可以表征要加工或要切割的材料的厚度。在这方面，需要注意的是，不同厚度的不同类型的材料需要不同的工艺参数。

根据另一个优选实施方式，评估测试工艺基于生成包括一组质量指标的标准化质量度量，该标准化质量度量优选地由依赖于激光工艺的进给速率和/或鲁棒性的毛刺高度组成。可以通过访问一组预先配置的质量测量选择来定义其他质量测量。

在另一个优选实施方式中，可以通过应用自动质量估计算法——特别是基于在执行测试工艺之后离线获取的光学传感器数据——来执行评估测试工艺。光学传感器数据来源于光学传感器，例如一组相机和/或二极管。

在另一个优选实施方式中，通过从一组工艺参数中选择如下工艺参数来执行确定预先配置的初始工艺参数，所述工艺参数被确定为对于与所确定的材料特性相同或相似的材料特性而言是最佳的。这具有如下技术优势：要在用于寻找优化的特定材料工艺参数的重新优化算法中应用的搜索域可以被减小并且被形成为要解决的特定优化问题。这最终显著减少了计算时间。

在另一个优选实施方式中，为了重新定义参数域，使用物理模型以形成如上所述的优化初始化的参数域。

在另一个优选实施方式中，为了评估测试工艺，专门针对不同类型的传感器数据——尤其是通过使用一组光学传感器和/或二极管获取的光学传感器数据中的一种光学传感器数据——来确定标准化质量度量。可以针对其他类型的传感器数据(例如，轮廓偏差、声学传感器数据、温度传感器数据等)提供其他标准化质量测量。

光学传感器可以包括至少一个相机。相机可以位于激光头中，特别是与激光流同轴，作为工艺内相机。相机还可以被设置为外部相机，例如被设置在移动装置(智能电话等)中。计算机视觉算法可以被用来处理和预处理切割边缘的用于质量确定的所获取的图像(特别是在切割的情况下)。二极管可以是可以与激光束同轴地或离轴地布置的一组二极管。

在另一个优选实施方式中，重新优化算法优化目标函数，该目标函数是客户特定的以及/或者可以是用户定义的。目标函数可以包括：测试工艺(特别是测试切割)的至少一个质量指标的最大化、激光头的进给速率的最大化、以及/或者激光机器的功率消耗和气体消耗的最小化。如前面所提到的，描述输入参数(例如优化标准)与目标输出之间的关系的代理模型被用于通过基于测量的算法或基于偏好的算法来使目标函数最大化。

通常，提出的目标函数包含用户想要优化(一起和组合)的所有目标规范。优化将是所有定义的目标规范之间的折衷。例如，优化变量可以是避免切割损失的概率、切割质量(例如，使例如直切的质量最大化)、表面质量(使工件的侧表面质量/切割边缘质量最大化)等。

到目前为止，已经关于所要求保护的方法描述了本发明。已经关于方法描述的特征、优点或替选实施方式也可以分配给其他要求保护的主题(例如优化工具或计算机程序)，反之亦然。换句话说，可以利用在方法的上下文中描述或要求保护的特征来改进关于装置要求保护或描述的主题，反之亦然。在这种情况下，方法的功能特征分别由系统的结构单元来体现，反之亦然。通常，在计算机科学中，软件实现和相应的硬件实现是等同的。因此，例如，可以利用存储单元和要将数据写入至存储装置中的相应指令来执行用于“存储”数据的方法步骤。为了避免冗余，尽管装置也可以用于参考方法描述的替选实施方式中，但是不再针对装置明确描述这些实施方式。

根据另一个方面，本发明涉及一种优化工具，该优化工具是用于控制激光机器的装置或者可以在用于控制激光机器的装置中实现。优化工具可以被实现为控制器中的优化器。优化工具被配置成执行如上所述的方法。特别地，优化工具用于计算要在激光机器上执行的激光工艺的优化的特定材料的工艺参数。优化工具可以包括：

-特性接口，其用于接收确定的材料特性，应该针对所述材料特性来

优化工艺参数；

-参数接口，其用于接收预先配置的初始工艺参数；

-处理器，其用于通过访问具有统计模型的存储装置来执行重新优化算法，直到作为目标的目标函数被优化(最小化或最大化)，以用于计算优化的特定材料的工艺参数和/或特定工艺的工艺参数，其中，所

述处理器包括：

-控制器，其用于利用所确定的预先配置的初始工艺参数来控制

测试工艺的执行；

-评估模块，其用于通过使用基于测量的算法或基于偏好的算法

来评估测试工艺，以用于确定测试工艺的偏好；

-其中，所述处理器适于基于评估模块的所确定的偏好来重新定义重新优化算法的参数域。优选地，可以在重新优化算法开始时执行一次重新定义。

一种包括计算机程序代码的计算机程序，所述计算机程序代码在由处理器执行时使优化工具执行根据方法权利要求中任一项所述的方法的步骤。

在另一方面中，本发明涉及一种计算机可读介质，在所述计算机可读介质上存储或保存有计算机程序的程序代码段，所述程序代码段可加载至计算机节点中和/或可在计算机节点中执行，以使计算机节点执行用于针对要在激光机器上执行的激光工艺来计算优化的特定材料工艺参数的方法。计算机节点可以在激光机器中实现，或者可以与激光机器进行数据连接，并且可以在联网系统(例如基于云的联网系统)中的(例如中央)服务器上实现。

通过计算机程序产品和/或计算机可读介质实现本发明具有以下优点：可以通过软件更新容易地采用已经存在的计算基础设施，以便按照本发明提出的方式工作。

附图说明

图1示出了根据本发明的优选实施方式的具有用于计算优化的特定材料的工艺参数的优化工具的加工流水线；

图2示出了根据本发明的优选实施方式的材料特性数据集的元素的示意性框图；

图3是根据本发明的优选实施方式的控制激光机器的优化工具的电子模块的示意性框图；

图4是用于在激光机器内实现优化工具的图3中所示的实施方式的替选实施方式；

图5以示意性方式示出了根据本发明的优选实施方式的具有电子模块的处理器；

图6示出了具有用于生成预先配置的初始工艺参数的人工智能模块的加工流水线；

图7是根据本发明的优选实施方式的用于计算要在激光机器上执行的激光工艺的优化的特定材料的工艺参数的方法的流程图；

图8是根据本发明的方法的优选实施方式的由控制器控制的具有要加工的工件的激光机器的零件的示意图。

具体实施方式

总的来说，本发明涉及提供优化的工艺，特别是切割参数，针对特定材料特性和具有特定机器特性的特定激光机器环境即激光切割机器优化切割参数。

本发明的一个主要方面涉及应用基于测量的贝叶斯优化BO。所提出的目标函数包含用户想要优化——一起和组合——的所有目标规范，因此，优化将是所有已定义的规范之间的折衷。因此，该问题被公式化为多标准优化问题，即：所有不同标准的单个目标函数。例如，优化的输出可以旨在避免切割的损失、直线质量(使直线切割的质量最大化)、表面质量(使切割工件的侧面或边缘表面质量最大化)等。每个输出(优化目标，即切割工艺的选定输出)被独立建模为GP。GP被用于提供预测，以对用于指导BO的采集函数进行建模。随机初始化m个初始点(即，工艺参数(要执行切割的工艺参数)的集合，通常其中m＝1000)，并且然后m个初始点被用于预测采集函数的相应值。然后，n个最佳初始点(通常n＝5)被用于执行建模的采集函数的非线性优化，给出要在接下来的实验中使用的优化的工艺参数的集合。为了加速离线优化工艺，可以要求用户直接用这n＝5个参数进行实验，同时等待非线性优化问题的解。

优选地，对优化变量的测量(即，定义测量切割质量例如直线切割质量的方式)是标准化的，因为给予算法的所有测量应该是可靠的，以定义要由BO使用的可靠模型。另外，定义执行优化的范围(即，要由BO考虑的机器参数域)也是重要的。这应该足够大以包含最佳机器参数集合，但是也不能太大以避免由BO收敛所需的大量实验。也可以由专家用户定义(或默认给出)的参数是在探索和开发BO之间的指导性折衷的参数。

另一方面涉及基于偏好的优化。基于偏好的算法旨在从过去采样的决策向量和成对偏好中主动学习潜在(未知或可能无法量化)目标函数的代理。需要代理满足由决策者对现有样本表达的偏好。代理被用于基于采集函数的最大化来提出决策向量的新样本以与当前最佳候选进行比较，这也促进了对输入空间的探索。

优选地，工艺参数和指导探索/开发的参数的域的定义是重要的输入。在这种情况下，没有要提供给算法的测量，而只有作为信号从用户接口被提供和由用户表达的偏好。

可以用不同的手段来实现材料特性的确定。在简单的实施方式中，仅粗略地指定了材料，例如低碳钢、不锈钢、铝等。只要从头开始执行优化工艺，材料就仅在输入变量变化的间隔选择中起作用。在更先进的实施方式中，提供了允许更精确地知道材料特性和相关材料参数的手段。基本上有两种可能。要求材料制造商的材料证书的数字形式，例如以可扫描或可检测代码(例如2D条形码)的形式，或者使用例如光发射光谱仪测量合金成分。

基于偏好的算法基于两个或更多个工件之间的比较。考虑成对比较算法(即基于偏好的算法)，实现细节在上面和在以下文献中给出：Alberto Bemporad和Dario Piga，"Global optimization based on active preference learning with radial basisfunctions"，机器学习，110，(2021年)。由该方法给出的主要优点与以下事实相关：不需要定量测量，因此用户不需要定量估计“切割的良好性”。可以通过操作员目测检查零件或测量定量指标来执行质量估计，但最终只有用户的偏好被给予算法。以这种方式，考虑到判断过程执行得很好，因此生成的建模更可靠。事实上，众所周知，对于人类来说，通常表达两个选项之间的偏好(例如A比B更好)而不是给出对选项的定量评分要好得多。在不进行任何定量测量的情况下，实现了三个主要优点：避免使测量过程标准化(即，具有更可靠的判断过程)，避免对复杂测量系统的需要，因此在零件的比较方面更快且更便宜(这是在优化过程期间最耗时的过程)。

优选地，应用两步方法：

1.初始化优化

2.参数的改进。

步骤1：可以从头开始并基于上述算法执行全局优化。如果先前计算的优化参数不可用(例如，必须加工新材料或新厚度)，则需要这样做。在这种情况下，可以定义机器参数的“大”域，针对算法提供探索它以计算优化的机器参数的集合的可能性。

步骤2：如果对于与要切割的材料/厚度相似(但不完全相同)的材料/厚度，优化的机器参数的集合已经可用，则可以进行改进优化(例如，客户有两块厚度相同但材料特性略有不同(例如，材料合金成分有差异)的板材)。对于全局优化，算法是相同的(如上所述)。主要区别在于过程或特别是机器参数的域的定义。从先前计算的优化的机器参数的集合开始，该域可以被限制在有限的范围内，以便具有更快的优化过程(可以施加最佳机器参数的百分比变化，例如5％来计算用于优化的参数域)。相同的方法也可以应用于必须在不同的机器上切割相同的板材的情况，该不同的机器可能显示出稍微不同的最佳条件。

因此，步骤1和步骤2通过以下事实联系起来：对于类似的工件板材，优化的机器参数的集合已经可用。如果是这样，则来自步骤1的优化的机器参数可以用于初始化步骤2中的优化的域。

上述基于测量的方法在优化过程的标准化方面和多标准优化方面提供了优势。上述基于偏好的方法在判断(减少实验的时间和成本)和处理多样化信息的可能性方面提供了优势，同时具有包括偏好和定量测量两者的可能性。

在下文中，提供了伪代码以用于通过示例的方式来更详细地描述算法。前两个伪代码与基于测量的优化算法相关，其依赖于高斯过程建模和贝叶斯优化，而第三伪代码和第四伪代码与基于偏好的优化相关。第二伪代码和第四伪代码解决了针对新的(但相似的)机器设置和工件特性重新优化输入参数的问题。

1.用于激光应用的BO的伪代码：

1.用户定义他/她自己的优化的质量度量(例如，切割损失、直切质量、拐角质量、性能、能耗等)作为优化标准或参数(其稍后用作重新优化算法的输入参数)；

2.操作员定义了优化参数(例如，喷嘴大小、焦点位置等)；

3.对于每个优化参数，操作员定义了变化范围，在该变化范围内，切割必须是鲁棒的(即，相对于参数变化的可接受的切割性能)；

4.生成N个随机初始样本X＝{x1，...，xN}；

5.对于每个样本，测量质量度量并将结果提供给BO算法；

6.对于n＝1:nmax(优化迭代的最大次数)，进行如下操作：

a.对于每个质量度量：训练描述输入参数与目标输出之间的关系的代理模型(具体地，高斯过程)；

b.考虑到代理函数、惩罚(由于切割损失的高概率和具有指定权重的目标质量的阈值)、鲁棒性(在3中定义的输入范围内的最坏情况情境)以及参数域的探索，定义采集函数(例如，在以下文献中描述的预期改进：Brochu,Eric,Vlad M.Cora和Nando De Freitas，[第2.3节]，"A tutorial on Bayesian optimization of expensive cost functions,with application to active user modeling and hierarchical reinforcementlearning"，arXiv预印本arXiv:1012.2599(2010年))；

c.对采集函数进行优化，以计算用于实验的新一批切割参数；

d.进行实验；

e.对于提出的批次中的每个新样本，测量质量度量并将结果提供给BO算法。

2.使用预定义的最佳初始工艺参数对激光应用进行重新优化的伪代码，这些参数已经被确定为对于类似的工件特性和/或类似的设置是最佳的：

1.用户定义他/她自己的重新优化的质量度量(例如，切割损失、直切质量、拐角质量)；

2.操作员定义重新优化参数(例如，喷嘴大小、焦点位置等)；

3.对于每个重新优化参数，操作员定义变化范围，在该变化范围内，切割必须是鲁棒的(即，相对于参数变化的可接受的切割性能)；

4.在先前优化的类似工艺/设置的基础上，在先前的最佳点周围定义了重新优化域。以所选点为中心的框被扩展，直到对于框中的所有点，都保证可接受的切割性能为止。这允许限制用于重新优化的优化参数域；

5.生成N个随机初始样本X＝{x1，...，xN}；

6.对于每个样本，测量质量度量并将结果提供给BO算法；

7.对于n＝1:nmax(优化迭代的最大次数)，进行如下操作：

a.对于每个质量度量：训练GP以预测目标数量；

b.参见上面，根据Brochu来计算代理函数；

c.考虑到代理函数、惩罚(由于切割损失的高概率和具有指定权重的目标质量的阈值)、鲁棒性(在3中定义的输入范围内的最坏情况情境)以及参数域的探索，定义采集函数；

d.对采集函数进行优化，以计算用于实验的新一批切割参数；

e.进行实验；

f.对于提出的批次中的每个新样本，测量质量度量并将结果提供给BO算法。

3.用于激光应用的基于偏好的优化的伪代码：

1.用户定义他/她自己的优化的质量度量(例如，切割损失、直切质量、拐角质量)；

2.操作员定义优化参数(例如，喷嘴大小、焦点位置等)；

3.对于每个优化参数，操作员定义变化范围，在该变化范围内，切割必须是鲁棒的(即，相对于参数变化的可接受的切割性能)；

4.生成N个随机初始样本X＝{x1，...，xN}；

5.对于每个样本，质量度量的可接受性(是/否)由操作员说明；

6.操作员进行样本之间的成对比较，并且对于每一对，操作员表达他/她的偏好。在N个样本中，选择最好的样本；

7.对于n＝1:nmax(优化迭代的最大次数)，进行如下操作：

a.对于每个质量度量，训练提供可接受的切割性能的概率的分类器；

b.通过如在Brochu,Eric,Vlad M.Cora和Nando De Freitas，[第3节]，"Atutorial on Bayesian optimization of expensive cost functions,withapplication to active user modeling and hierarchical reinforcement learning"，arXiv预印本arXiv:1012.2599(2010年)中的GP或者通过如在González,J.,Dai,Z.,Damianou,A.和Lawrence,N.D.，Preferential bayesian optimization，arXiv预印本arXiv:1704.03651(2017年)；Alberto Bemporad和Dario Piga，"Global optimizationbased on active preference learning with radial basis functions"，机器学习,110,(2021年)中的约束学习来计算定义观察到的偏好的代理函数。在创建代理函数时实施约束，以保证经训练的代理满足用户表达的偏好；

c.考虑到代理函数、惩罚(由于具有指定权重的每个质量度量的不可接受切割的高概率)、鲁棒性(在3中定义的输入范围内的最坏情况情境)以及参数域的探索，定义采集函数；

d.对采集函数进行优化以计算用于实验的新一批切割参数；

e.进行实验；

f.对于提出的批次中的每个新样本，质量度量的可接受性(是/否)由操作员说明；

g.操作员在新批次内进行成对比较，并且对于每一对，操作员表达他/她的偏好。在新批次中，选择最好的样本，并将其与迄今为止获得的最好样本进行比较。

4.用于激光应用的基于偏好的重新优化的伪代码：

1.用户定义他/她自己的重新优化的质量度量(例如，切割损失、直切质量、拐角质量)；

2.操作员定义重新优化参数(例如，喷嘴大小、焦点位置等)；

3.对于每个重新优化参数，操作员定义变化范围，在该变化范围内，切割必须是鲁棒的(即，相对于参数变化的可接受的切割性能)；

4.在先前优化的类似工艺/设置的基础上，在先前的最佳点周围定义重新优化域。以所选点为中心的框被扩展，直到对于框中的所有点，都保证可接受的切割性能为止。这允许限制用于重新优化的优化参数域；

5.生成N个随机初始样本X＝{x1，...，xN}；

6.对于每个样本，质量度量的可接受性(是/否)由操作员说明；

7.操作员进行样本之间的成对比较，并且对于每一对，操作员表达他/她的偏好。在N个样本中，选择最好的样本；

8.对于n＝1:nmax(优化迭代的最大次数)，进行如下操作：

a.对于每个质量度量，训练提供可接受的切割性能的概率的分类器；

b.计算定义观察到的偏好的代理函数(参见上面)；

c.考虑到代理函数、惩罚(由于具有指定权重的每个质量度量的不可接受切割的高概率)、鲁棒性(在3中定义的输入范围内的最坏情况情境)以及参数域的探索，定义采集函数；

d.对采集函数进行优化以计算用于实验的新一批切割参数；

e.进行实验；

f.对于提出的批次中的每个新样本，质量度量的可接受性(是/否)由操作员说明；

g.操作员在新批次内进行成对比较，并且对于每一对，操作员表达他/她的偏好。在新批次中，选择最好的样本，并将其与迄今为止获得的最好样本进行比较。

在前面对四个伪代码示例的说明中，术语“优化参数”或“重新优化参数”应被理解为要被改进或重新优化的重新优化算法的输入参数。在HMI上接收输入参数。

在下文中，关于图1在与激光切割相关的示例性实施方式中描述了本发明。然而，值得注意的是，本发明也可以用于除切割之外的其他工艺，如例如雕刻。

优化方法利用优化工具，该优化工具可以被实现为电子模块T。优化工具T可以被实现在要被用于激光切割的激光机器L中，或者可以被设置为外部电子设备实例，经由相应的网络(LAN、WAN、总线等)进行数据连接。优化工具T被设置有相应的输入接口，以便接收预先配置的初始工艺参数和目标结果。目标结果可以例如涉及切割零件的切割质量和/或激光切割的性能和/或其他结果评估标准。结果评估标准可以在上游配置阶段中被预先配置。

通常，在激光切割中，应当注意的是，工艺参数取决于要加工的材料的类型。例如，第一组工艺参数必须应用于第一类型的材料，例如某种合金的3mm钢板，而第二组工艺参数必须应用于第二类型的材料，例如另一种合金的8mm钢板。此外，诸如焦点位置、进给速率、激光功率、气体压力、喷嘴间隙高度的工艺参数显示出高度的相关性，这意味着第一参数也可能对第二参数产生影响。这使得计算优化的工艺参数成为一项复杂任务。

通常，激光切割的结果尤其是切割的质量应该被优化。然而，在其他情况下，关注点可能放在工艺的鲁棒性或性能上，使得质量起次要作用。当计算一组优化的工艺参数时，必须考虑所有这些方面。

如可以在图1中看到的，优化工具T可以使用接收到的预先配置的初始加工参数作为优化过程的起点。优选地，预先配置的初始加工参数可能已经被确定为针对与要切割的工件的材料特性相比相似或甚至相同的材料特性进行了优化。此外，预先配置的初始加工参数可能已经被确定为针对激光机器L的相似或甚至相同的机器设置进行了优化。术语“机器设置”必须在工艺环境的意义上解释，例如某种类型的激光机器L，例如具有某些物理和/或机械部件，比如激光头。

在第一实施方式中，接收到的预先配置的初始加工参数可以与初步工艺参数同等地用于初始化重新优化过程。在第二实施方式中，接收到的预先配置的初始加工参数可以通过应用初始化函数计算初步工艺参数而被处理，以用于初始化重新优化过程。例如，初始化函数可以计算接收到的参数的平均值。替选地或附加地，与加工环境(激光机器的类型、温度等)相关的其他环境数据可以由初始化函数处理。

因此，通常接收到的预先配置的初始加工参数不是针对要切割的特定类型的材料进行优化的。在这种情况下，将应用根据本发明的优化方法。因此，在数学意义上，需要通过使用函数f将预先配置的初始加工参数转换成优化的特定材料的工艺参数。然而，这个函数f是未知的或者计算起来是昂贵的。因此，本发明建议执行所谓的“实验”，即利用一组初步工艺参数进行测试切割(测试工艺)，这些初步工艺参数还没有针对要切割的材料特性进行优化。这些初步工艺参数可以针对与要切割的工件的材料特性相比具有相似材料特性的工件进行优化。这些初步工艺参数在图1中用数量符号PP

如上面已经提及的，材料特性可能至少涉及两种不同的特性，例如要切割的材料的类型和材料的厚度。因此，处理两个不同的数据集，这两个不同的数据集在图2中示出：

1.材料类型数据集ty-ds；以及

2.厚度数据集th-ds。

在本发明的另一个更复杂的实施方式中，并且如上面所提及的，除了上面提及的材料特性之外，其他特性特别是与工艺环境相关的特性(例如激光机器L的配置或设置)也作为附加数据集被处理，以用于计算优化的材料特定工艺参数和激光机器配置特定工艺参数。

图3更详细地示出了根据本发明的优选实施方式的优化工具T的接口和模块。优化工具T包括特性接口PI，该特性接口PI适于接收材料特性，例如特定合金和/或要加工的工件的温度。可以实现几个选项以用于接收材料特性。在第一选项中，经由用户接口(人机接口，HMI)，通过用户输入接收材料特性。在第二选项中，从外部电子设备实例接收材料特性，该外部电子设备实例可以是特定工件的制造商的输出接口或者可以与特定工件的制造商的输出接口进行数据交换。在第三选项中，例如通过使用一组传感器例如相机和/或二极管从激光机器内部传感器接收材料特性，这些传感器适于自动检测材料特性。替选地或另外地，可以使用其他外部传感器，例如外部光发射光谱仪或手持XRF分析仪(XRF：X射线荧光)。

另外，优化工具T还包括参数接口PARI，该参数接口PARI适于接收预先配置的初始工艺参数par

优化工具T包括处理器P，该处理器P被配置成执行重新优化算法。为此目的，处理器P与存储装置S进行数据交换，在存储装置S中存储统计模型，特别是贝叶斯优化模型。在已经执行优化过程之后，处理器P可以在输出接口OUT上提供计算出的优化的材料特定工艺参数PP

图4示出了包括优化工具T的激光机器L。在该实施方式中，优化工具T直接在激光机器L上本地实现。在该实施方式中，所有参数优化都是机器特定的，因为它是本地执行的。

图5示意性地示出了根据本发明的优选实施方式的具有其电子模块的处理器P。可以看出，处理器P可以包括第二控制器C和评估模块EM。第二控制器C被配置成：在步骤S31中利用确定的预先配置的初始工艺参数如上所述控制测试切割的执行。评估模块EM被配置成：在步骤S32中通过使用基于测量的算法或基于偏好的算法来评估测试工艺以及因此评估切割零件的切割质量，以用于确定测试切割的偏好。处理器P被配置成：在步骤S33中基于评估模块EM的确定的偏好来重新定义参数域，并且特别是针对重新优化算法界定参数域。优选地，这被完成一次，通过执行该组测试切割的评估被完成。没有必要每次在一个单个测试切割之后都调整参数域。在优选实施方式中，控制器CON和第二控制器C可以被集成到一个单个单元。

图6示意性地示出了利用人工智能模块AI的另一有利实施方式。人工智能模块AI被配置成用于确定和提供预先配置的初始工艺参数。处理器P或另一个处理实体与人工智能模块AI进行功能连接。处理器P被配置成经由相应的(例如用户)接口接收指示目标切割质量的数据集。基于接收到的目标切割质量，处理器P和/或人工智能模块AI可以确定用于在激光机器L上进行测试切割的第一组初始工艺参数PP

评估模块EM可以被设置为外部电子模块(如在图6的示例中所示，因此评估模块EM不在激光机器L上实现，而是被设置为例如移动装置特别是通信装置(例如智能电话)，该移动装置配备有要用于获取切割零件的图像的相机以便估计其质量)，或者评估模块EM可以被设置为在激光机器L上内部地实现的电子模块。评估模块EM用于例如通过使用光学传感器来估计测试切割的质量。可以首先通过基于偏好的算法或者其次通过基于测量的算法来自动处理检测到的数字图像。基于偏好的算法被配置成不使用或不需要用于质量测量的绝对评级量表，而是被配置成依赖于标准化的质量量表。为此目的，可以优选地使用成对比较算法。

评估模块EM可以包括合格传感器(例如，工艺中的相机)，或者可以接收来自合格传感器的数据，所述合格传感器可以与激光束同轴地实现。另外地或替选地，评估模块EM可以包括量化传感器(例如二极管)或其他传感器类型，或者评估模块EM可以接收来自量化传感器(例如二极管)或其他传感器类型的数据，所述传感器可以与激光束同轴地或离轴地布置。

事实上将看到如下优势，由优化工具T优化并由贝叶斯优化使用的目标函数可以是由用户定义并且可以例如旨在使切割质量最大化的通用函数，其中，为了估计切割质量，生成质量标准度量，该质量标准度量包括一组多样化的质量指标，例如拐角质量、直切质量、侧面边缘质量、切割边缘的垂直度、轮廓正确性等。

图7示出了根据本发明的优选实施方式的优化过程的流程图。在开始优化(开始)之后，在步骤S10中确定材料特性。已经如上面所说明的，这可以自动执行或者通过用户交互来执行。在步骤S20中，确定预先配置的初始工艺参数。这也可以通过使用用户接口经过用户交互来执行，或者通过访问存储有带有先前工艺参数的历史数据的存储装置来执行。此外，步骤S20中的确定也可以基于机器学习算法来执行，如上面参照图6所说明的。在这方面，需要注意的是，输入变量确实相互作用。例如，切口宽度受焦点位置的影响。焦点位置又确定切割切口，从而确定将熔化多少材料。最大进给速率取决于必须熔化的材料的量和气体的体积流量。气体体积流量又取决于喷嘴大小、切割切口、喷嘴间隙高度等。气体喷射材料的行为取决于材料特性、激光功率、气体体积流量等。因此，考虑到这些相互依赖的输入变量和目标切割质量的优化是复杂的任务。

在优选实施方式中，步骤S10在步骤S20之前，因为预先配置的初始工艺参数取决于所确定的材料特性。然而，在替选实施方式中，对本领域技术人员来说，显然可以改变方法步骤的顺序。

随后在步骤S30中执行重新优化算法。重新优化算法的执行包括：在步骤S31中，利用所确定的预先配置的初始工艺参数来控制激光机器L上测试切割的执行；重新优化算法的执行还包括：在步骤S32中，通过使用基于测量的算法或基于偏好的算法来评估测试切割，以用于借助于评估模块EM来确定测试工艺的偏好。此外，重新优化算法的执行可以包括：在步骤S33中，基于由评估模块EM确定的所确定的偏好以及因此迄今为止所获得的结果来重新定义重新优化算法的参数域。在第一实施方式中，可以在执行重新优化算法之前定义参数域。根据第二实施方式，可以根据在重新优化算法的连续或迭代执行期间获得的结果来重新定义参数域。该步骤可以在处理器P上执行。此后，该方法可以反复迭代或者可以结束，使得优化的加工参数被激光机器L使用。替选地或附加地，具有计算出的优化的特定材料工艺参数的结果可以被发送至中央服务器SV，以用于激光机器群的进一步加工。优选地，一旦达到目标切割质量(作为输入而接收)，就停止优化。

图8示出了具有激光切割头CH的激光加工机器L，该激光切割头CH将在要切割的工件WP上方移动，在此在X+方向上移动。激光系统可以包括机器内部和/或外部传感器Sens，以监测加工(在加工期间)和加工结果(在加工之后)。传感器信号(在该示例中被示出为光学传感器)将它们的测量数据发送至评估模块EM。通过控制器C，CON来控制激光机器L。优选地，用户可以使用二元决策支持算法，该算法具有用于指示“结果正常”或“结果失败”的两个相应的用户界面按钮。该二元决策支持算法在评估模块上运行，并且可以被进一步处理。

通常并且在优选实施方式中，重新优化过程基于统计模型，而不是基于神经网络模型。这具有不需要训练和测试神经网络模型的优点。此外，不需要执行足够大的一组实验来提供具有标记数据的足够的训练数据。在根据切割计划开始激光切割之前，优化可以作为上游过程实时地动态地被执行。优化过程使计算材料和机器特定的优化的加工参数所需的切割实验的次数最小化。

然而，在本发明的另一个优选实施方式中，可以使用机器学习算法和神经网络结构，特别是用于确定预先配置的初始加工参数。

单个单元或装置可以实现权利要求中列举的几个项的功能。仅仅在相互不同的从属权利要求或实施方式中列举某些措施或手段的事实并不指示这些措施的组合不能用于有利的目的。

在没有明确描述的地方，关于附图描述的各个实施方式或它们的各个方面和特征可以彼此组合或交换，而不限制或扩大所描述的发明的范围，只要这样的组合或交换是有意义的并且在本发明的意义上即可。关于本发明的特定实施方式或关于特定附图描述的优点在任何适用的情况下也是本发明的其他实施方式的优点。