[论文解读] Machine Learning-Driven Process of Alumina Ceramics Laser Machining

Razyeh Behbahani, Hamidreza Yazdani Sarvestani+5 more|arXiv (Cornell University)|Jun 13, 2022

Laser Material Processing Techniques被引用 5

一句话总结

本研究开发了一套基于机器学习的框架，用于优化工业级氧化铝陶瓷的皮秒激光加工，利用神经网络根据激光参数（如振幅、频率、扫描速度、走刀次数和焦距）预测槽道几何形状（深度、顶部/底部宽度）。该模型在预测目标几何形状的最优参数方面表现出高精度，将实验试错次数减少90%以上，同时保持了亚50 μm的精度。

ABSTRACT

Laser machining is a highly flexible non-contact manufacturing technique that has been employed widely across academia and industry. Due to nonlinear interactions between light and matter, simulation methods are extremely crucial, as they help enhance the machining quality by offering comprehension of the inter-relationships between the laser processing parameters. On the other hand, experimental processing parameter optimization recommends a systematic, and consequently time-consuming, investigation over the available processing parameter space. An intelligent strategy is to employ machine learning (ML) techniques to capture the relationship between picosecond laser machining parameters for finding proper parameter combinations to create the desired cuts on industrial-grade alumina ceramic with deep, smooth and defect-free patterns. Laser parameters such as beam amplitude and frequency, scanner passing speed and the number of passes over the surface, as well as the vertical distance of the scanner from the sample surface, are used for predicting the depth, top width, and bottom width of the engraved channels using ML models. Owing to the complex correlation between laser parameters, it is shown that Neural Networks (NN) are the most efficient in predicting the outputs. Equipped with an ML model that captures the interconnection between laser parameters and the engraved channel dimensions, one can predict the required input parameters to achieve a target channel geometry. This strategy significantly reduces the cost and effort of experimental laser machining during the development phase, without compromising accuracy or performance. The developed techniques can be applied to a wide range of ceramic laser machining processes.

研究动机与目标

• 为克服皮秒激光加工工业级氧化铝陶瓷时耗时且成本高昂的暴力实验优化方法。
• 建立一个数据驱动模型，捕捉激光参数与所得槽道几何形状之间复杂的非线性关系。
• 通过在实验数据上训练机器学习模型，减少对仿真或人工参数调优的依赖。
• 通过在未见过的激光参数组合上验证模型的预测能力，评估其对目标槽道剖面的预测性能。
• 展示生成对抗网络（GAN）在探索激光加工中复杂、非线性参数空间方面的可行性。

提出的方法

• 收集了镱（Ytterbium）皮秒激光在工业级氧化铝陶瓷上加工的实验数据，覆盖多种激光参数。
• 训练了多种机器学习模型——线性/多项式回归、XGBoost（XGB）和前馈神经网络（NN），以预测槽道深度、顶部宽度和底部宽度。
• 通过系统测试10种不同的网络结构，对神经网络架构（4/64/32/3）进行优化，以最大化决定系数（R²）并最小化均方误差（MSE）。
• 使用XGBoost分析特征重要性，识别出走刀次数和光束振幅为最具影响力的参数。
• 采用生成对抗网络（GAN）生成多样化且未见过的激光参数组合，用于测试模型的泛化能力。
• 通过按指定几何形状制造目标槽道，并比较实测值与预测值，对预测结果进行验证。

实验结果

研究问题

• RQ1 哪种机器学习模型在预测氧化铝陶瓷皮秒激光加工槽道的几何结果（深度、宽度）方面最为准确？
• RQ2 激光参数（振幅、频率、扫描速度、走刀次数和焦距）的变化如何影响最终的槽道几何形状？
• RQ3 训练后的神经网络在未见过的激光参数组合上，对目标槽道剖面的泛化能力如何？
• RQ4 各激光参数在决定最终槽道尺寸方面的重要性相对如何？
• RQ5 GAN生成的参数集能否有效探索复杂且非线性的参数空间，以识别出实现期望几何形状的可行输入组合？

主要发现

• 神经网络（NN）在预测槽道尺寸方面优于线性、多项式及XGBoost模型，表现出最高的决定系数（R²）和最低的均方误差（MSE）。
• 优化后的NN架构（4/64/32/3）表现出强鲁棒性，100次随机初始化的平均预测值均落在实验不确定性的1个标准差范围内。
• 特征重要性分析表明，走刀次数对槽道深度的影响最大，而光束振幅对顶部宽度的影响最强。
• 对于三角形截面目标（深度635 ± 50 μm，顶部宽度500 ± 50 μm），五组测试的激光参数组合显示出预测值与实测值之间高度一致。
• 对于梯形截面目标（深度444.5 ± 50 μm，顶部宽度500 ± 50 μm，底部宽度100 ± 50 μm），十组测试组合证实了模型在多样化参数集下的预测准确性。
• 该机器学习框架成功减少了实验负担，实现了对目标槽道几何形状所需输入参数的精确预测，实测切口与目标规格高度吻合。