激光深熔焊小孔演化自编程：原理、实现与工程实战

激光深熔焊这个领域，做了这么多年工艺开发，我越来越觉得一个道理：焊得稳不稳，很多时候不取决于你参数表里那几档功率和速度，而是焊接过程中那个看不见摸不着的“小孔”到底在干什么。小孔（keyhole）的演化行为——膨胀、收缩、坍塌、喷发——几乎决定了气孔、飞溅、咬边这些现场最头疼的缺陷会不会出现。但传统做法里，小孔状态只能靠老师傅听声音、看熔池、最后切金相来反推，根本谈不上实时干预。我这两年一直在做“激光焊小孔演化的自编程技术”，目标很简单：让系统自己感知小孔动态，自己调整工艺参数，把小孔尽量稳定在理想状态。目前这套思路已经跑通了原型，也经过了不少现场验证，这篇文章把从原理到落地的完整过程梳理一遍，给同样在搞激光焊智能化的朋友做个参考。

1. 为什么激光焊的成败藏在小孔里

1.1 小孔不是“洞”，是一个动态腔体

很多人刚接触激光焊时，容易把小孔想象成一个被激光烧穿的固定“洞”。实际上，激光深熔焊里的小孔，是一个处于高度动态平衡的蒸气腔体：高功率密度的激光束照射到材料表面，金属瞬间汽化形成高压金属蒸气，蒸气反冲压力把熔融金属向四周推开，形成一个细长的孔腔，激光束在这个孔腔内壁发生多次反射吸收，能量利用率大幅提升，焊缝才能打得又深又窄。

但这个腔体从来不是静态的。小孔内部同时存在几股互相较劲的力：金属蒸气反冲压力想把孔撑开，熔融金属的表面张力想把孔口收小，重力和静水压力想把孔壁压塌，而流动的熔池又会不断改变孔口附近的边界条件。这几个力只要稍微失衡，小孔就会发生形态变化。我用一个直白的类比：小孔就像一扇不断被高压气体顶开、又被液体表面张力往回拉的“活门”，焊接过程中它其实一直在高速颤抖。

这就是为什么小孔状态会直接影响焊接质量。小孔开口如果周期性收窄，金属蒸气排出受阻，熔池内的气体就可能来不及逸出而被凝固前沿捕获，形成气孔；如果开口被完全封死，内部压力积累到一定程度再突然释放，就产生飞溅；如果孔壁某个位置发生局部坍塌，焊缝内部就会出现不规则空洞。所以在深熔焊的世界里，焊缝质量问题，本质上大部分是小孔演化问题。

1.2 小孔演化的典型失稳模式与缺陷对应

我这些年通过高速摄影、同轴光电信号和焊缝金相对照，总结了小孔演化的几种典型失稳模式，它们在信号特征和缺陷后果上都有明显区别，这也是后续做自编程判据的基础。

需要说明的是，这几种模式往往不是单独出现的。实际焊接过程中，小孔先开始高频颤动，接着开口逐渐收窄，最后某一瞬间发生坍塌或喷发，整个过程可能只有几十到几百毫秒。这就是为什么后置质检甚至普通摄像头监控都来不及——等你从焊缝表面看出问题，小孔早就折腾完一轮了。

这也是我做自编程技术的出发点：既然小孔演化是质量的“第一现场”，那就必须在它演化到恶化阶段之前，通过信号特征判断出趋势，提前把功率、速度、离焦量这些参数做微调。这比等缺陷形成后再去调参数要靠谱得多。

2. 让小孔“开口说话”：可量化的演化特征与传感手段

2.1 能反映小孔状态的物理量有哪些

要实现对“小孔演化”的自动干预，第一步是找到能实时表征小孔状态的物理量。这个环节看起来简单，实际是最考验工程判断力的，因为学术研究里常用的测量手段和工业现场能用的手段，差距非常大。

学术界研究小孔演化，最硬核的工具是同步辐射X射线成像，可以穿透金属直接看到小孔内部的动态过程。但大家都清楚，同步辐射光源是国家级大科学装置，不可能搬到车间里，所以工业可行的小孔状态感知，基本得靠间接信号。

我自己在工程中主要关注的物理量有这几个：

• 小孔开口面积与轮廓：可以通过高速相机同轴或侧向拍摄获得，最直观，但要获得可靠的开口面积需要图像处理，对实时性要求高。
• 同轴光信号强度：小孔内金属蒸气和等离子体发出的光，其强度与蒸气产量、小孔尺寸直接相关。用光电二极管对准焊接点采集，响应速度可以达到微秒级，是工业闭环里最常用的信号。
• 激光反射光的变化：小孔形成后，激光在小孔内部多次吸收，反射光强度会显著下降。通过监测反射光，可以判断小孔是否建立、是否闭合。
• 声发射与结构振动信号：小孔振荡会在工件中激发弹性波，用压电传感器贴在工作台或工件表面可以拾取，但现场噪声污染很严重，信噪比不高。
• 熔池热像：红外热像仪测熔池表面温度场分布，可以间接反映小孔开口附近的热状态，但普通红外相机的帧率往往不够用。

在我的系统里，主信号选择的是同轴光信号，因为它响应快、传感器成本低、安装位置可以集成在焊接头内部，便于工业部署。高速相机则作为辅助手段，主要做离线标定和故障诊断，不参与实时闭环。

2.2 不同传感方案的对比与选择逻辑

为了说清楚为什么这么选，我把几种常见传感方案放在一起做对比：

如果只是要做一个“缺陷报警器”，用反射光或者电荷传感器就够了。但要做自编程，也就是要让系统具备自动调节参数的能力，信息维度必须足够丰富，至少能区分出“开口振荡”“深度变浅”“即将坍塌”这些不同状态。同轴光信号虽然也是一维的，但它的频带很宽，包含了小孔壁振动、开口振荡、蒸气喷发等多种物理过程的频率特征，通过频域分析能拆出不少信息，这也是我最终选择它作为主信号的原因。

在选传感器的时候，有两点现场经验值得提醒：第一，光电二极管的响应带宽至少要到50kHz以上，否则小孔高频颤动的特征会被滤掉；第二，传感器前端的滤光片很重要，需要把1064nm波长的反射激光滤掉，同时让可见光和近紫外波段透过，否则传感器会饱和，动态范围被压缩得很厉害。

2.3 信号特征如何对应小孔演化状态

有了同轴光信号之后，接下来就是怎么从中提取“小孔状态信息”。这一步是整个自编程系统的信号处理核心，我通常从三个维度做特征提取：

时域统计特征。光强信号的均值反映平均蒸气产量，间接对应小孔的平均开口大小。方差或变异系数（CV = 标准差/均值）反映波动剧烈程度。通过滑窗计算这些特征，可以判断小孔处于“相对稳定”还是“剧烈振荡”状态。

频域特征。小孔的不同演化模式，在频谱上有不同的能量分布。比如小孔开口的周期性振荡通常表现为100Hz到几千Hz之间的窄带峰；小孔壁高频颤动则表现为更高频段的宽带能量抬升。具体频率范围与材料热物性、板厚、焊接速度都有关系，不能照搬别人的参数，需要现场标定。但一旦标定好，这个特征就非常稳定可靠。

事件特征。有些小孔失稳会以突变的形式出现，比如开口喷发会产生一个极短的强脉冲，深部坍塌会产生一个较快的台阶式下降。通过在信号中检测这些事件，统计单位时间内的发生次数，可以判断小孔是否处于“危险状态”。

把这些特征综合起来，就可以把小孔演化状态映射成一组数值指标。比如我常用的一个综合指标是“稳定性得分”，它由特征频带能量占比、变异系数和事件发生率三个子项加权组合而成。这个指标就是后面自编程控制器的输入变量。

3. 自编程技术的核心：从特征识别到参数自动闭环

3.1 “自编程”到底是什么：先厘清概念

很多同行听到“自编程”第一反应是数控加工里的自动编程，也就是根据零件模型自动生成G代码加工轨迹。但激光焊小孔演化的自编程，完全是另一回事，它更多指工艺参数的自适应生成与自整定。

简单来说，就是系统通过感知小孔演化状态，自动决定当前应该用多大的激光功率、多快的焊接速度、什么样的离焦量，并且在焊接过程中根据状态变化实时修正这些参数。整个过程不需要工艺人员提前做大量的试焊和参数标定，也不需要操作工盯守调节，系统自己就把参数的“寻优”工作做完了。

我把这个自编程拆成两个层面来理解：

第一层是离线自学习。系统在试焊过程中采集信号，自动识别特征频带、自动评估不同参数组合下的小孔稳定性，把“参数-小孔稳定性”的映射关系建立起来，生成可用的控制规则。传统工艺开发中，这摊子活是靠工艺工程师反复做DOE试验完成的，自编程的意义在于让这个过程的自动化程度更高。

第二层是在线自适应。正式焊接时，系统实时监测小孔状态指标，一旦发现稳定性偏离目标区间，就自动调整功率、速度等参数，把小孔拉回稳定状态。这才是“自编程”最核心的价值，也是实际焊接过程中最需要的功能。

3.2 控制器架构：传感层、特征层、决策层怎么衔接

我的系统在逻辑上分成三层，每层职责清晰，这样分工明确，不管换激光器还是换材料，都只需要调整对应层级的模块。

传感层：负责原始信号采集和预处理。同轴光电信号经过前置放大后，由数据采集卡以50kHz~100kHz的采样率连续采集；同时采集激光器实际输出功率、焊接速度等状态量，用于后续的逻辑判断。这个层面最重要的是保证时间同步，信号和工艺参数的采样时刻必须对齐，否则后续做相关性分析时会得出完全错误的结论。

特征层：负责把原始信号转换成状态指标。滑窗计算时域统计量、频带能量、事件频次，然后融合成稳定性得分。这一步运算量不大，但需要精心设计窗口长度和更新率。窗口太短，特征噪声大，指标抖动剧烈；窗口太长，响应滞后，来不及反应。经过反复试验，我目前用100ms左右的窗口，每20ms更新一次，既能滤掉部分噪声，又能保证对突变事件的响应速度。

决策层：负责根据稳定性指标生成参数调整量。决策逻辑可以是一张查表规则，也可以是一个简单的PID控制器，或者是基于模型预测的优化器。考虑到工业现场的可靠性和可解释性要求，我目前主力采用的是“规则+限幅PID”的混合结构，既保留了逻辑的透明性，又具备连续调节能力。

3.3 稳定性判据与控制规律的设计思路

自编程系统的质量，完全取决于两个核心计算环节：稳定性判据和控制规律。

稳定性判据，本质上是把小孔的“好状态”翻译成数学条件。我的做法是同时定义多个条件，全部满足才算稳定：

• 特征频带能量占比落在标定的正常区间内，既不能过低（可能小孔未充分建立），也不能过高（可能振动过于剧烈）；
• 光强变异系数低于阈值；
• 单位时间内喷发/坍塌事件数低于设定值。

这里要特别注意：不同材料、不同板厚，这三个指标的阈值都不一样，不存在“一套参数打天下”的可能性，所以系统必须支持阈值自标定，这也是自编程技术的一部分。

控制规律，简单的说法就是“偏差怎么变成参数增量”。以激光功率为例，当特征频带能量占比低于目标下界时，说明小孔尺寸有收缩趋势，需要适当增加功率或降低速度；当占比偏高时，说明摆动剧烈，需要适当降功率、增大离焦量来缓和。为了防止过调，调整量要限制在安全范围内，比如功率单次调整不超过200W，输出总功率限制在激光器允许范围之内。

另外还有一个非常重要的原则：不要追求对信号的每一次波动都做出响应。小孔本身就是一个高频动态系统，如果控制器的响应带宽做得太高，很容易与过程本身的振荡耦合，产生“控制诱导振荡”。我的经验是把有效控制带宽限制在20Hz以下，让系统只响应趋势性变化，对瞬时噪声不做反应。这个思路有点像开车时看远方而不是盯着车头前的路面看——盯着近处的坑洼猛打方向盘，车反而会失控。

4. 一个可落地的自编程原型系统：搭建与实现

4.1 硬件选型与信号链路配置

下面说一个具体可复用的原型配置，这些硬件都是市面上容易采购的，不一定是最贵或者最先进的，但足够用来跑通小孔演化自编程的闭环。

激光器：以6kW光纤激光器为例，必须具备外部模拟量或数字量控制接口，功率响应时间要短（通常几百微秒到几毫秒），这是做在线功率调节的前提。有些激光器内部有功率闭环，外部给定值变化后不会立刻反应到实际输出，这个延迟需要实测确认。

焊接头：选择带同轴观察窗口的焊接头，比如Precitec的YW系列或同类产品。同轴窗口就是自编程系统的“眼睛”——光电传感器从这个窗口对准焦点区域，采集小孔和等离子体的光辐射。

光电探测器：硅光电二极管配合前置放大电路，带宽做到50kHz以上，输出0~10V模拟信号。安装时加一组可更换的中性密度衰减片和带通滤光片，用于调节进光量，保证在低功率和高功率下都不饱和。

数据采集与控制单元：工业PC加一块多通道同步采集卡，采样率不低于100kS/s。控制指令可以通过模拟量输出口直接送激光器，如果激光器支持现场总线控制（比如EtherCAT），也可以走总线方式，响应更稳定。

辅助监控：一台高速相机（帧率2000fps以上），用于离线标定小孔开口形态与光信号特征的对应关系，不参与在线控制。这个配置能帮你省掉大量盲调时间。

整个信号链路的逻辑顺序：小孔光辐射 → 同轴窗口 → 滤光片 → 光电二极管 → 前置放大 → 采集卡 → 特征提取算法 → 稳定性评估 → 控制指令 → 激光器功率调整 → 小孔状态变化 → 再次被传感器感知。

4.2 核心算法示例：Python原型代码

这部分我提供一个简化但可运行的核心逻辑示例，方便理解特征提取和功率调整是怎么实现的。实际工程中会换成C++或者部署到实时系统，但算法骨架是通用的。

import numpy as np from scipy.signal import butter, sosfilt, find_peaks class KeyholeAutoTuner: """激光焊小孔演化自编程原型：同轴光信号特征提取 + 功率自适应调整""" def __init__(self, fs=50000, target_ratio=0.55, power_min=800, power_max=6000): self.fs = fs self.power_min = power_min self.power_max = power_max # 特征频带：这里以不锈钢中薄板为例，实际需现场标定 band = (300, 2500) self.sos_band = butter(4, [band[0] / (fs/2), band[1] / (fs/2)], btype='bandpass', output='sos') # 慢趋势滤波，用于计算信号均值 self.sos_lp = butter(4, 50 / (fs/2), btype='lowpass', output='sos') # 双缓冲：100ms滑窗，20ms处理一次 self.window = np.zeros(int(fs * 0.1)) self.target_ratio = target_ratio def add_sample(self, value): """每采集一个点调用一次，内部滑动窗口""" self.window[:-1] = self.window[1:] self.window[-1] = value def extract_features(self): """提取当前窗口内的稳定性特征""" sig = self.window # 慢变趋势 trend = np.mean(sosfilt(self.sos_lp, sig)) # 特征频带能量占比 band_sig = sosfilt(self.sos_band, sig) band_energy = np.mean(band_sig**2) total_energy = np.mean(sig**2) + 1e-12 ratio = band_energy / total_energy # 事件检测：基于MAD的鲁棒阈值 med = np.median(sig) mad = np.median(np.abs(sig - med)) + 1e-9 peaks, _ = find_peaks(np.abs(sig - med), height=8*mad, distance=int(self.fs * 0.002)) return trend, ratio, len(peaks) def compute_power_adjust(self, ratio, event_count, base_power, k_p=2000): """根据特征偏差和事件频次计算功率调整量""" err = self.target_ratio - ratio delta = k_p * err # 事件过多时额外降功率，保护焊接过程 if event_count > 3: delta -= 150 * event_count # 限幅，防止参数突变 delta = max(-300, min(300, delta)) return max(self.power_min, min(self.power_max, base_power + delta))

这个原型里需要注意的细节是：特征频带能量占比的计算用在线因果滤波实现，不能直接套用离线数据里常用的零相位滤波函数，否则会出现未来信息泄漏的问题，这部分我在下一章踩坑部分详细说。

4.3 参数整定与试运行流程

原型系统搭建完成后，最关键的一步不是写代码，而是整定特征频带、目标区间和控制参数。我整理了一套相对省时间的试运行流程：

第一步，参数扫描试焊。固定焊接速度，功率从低到高按台阶变化，每种功率下焊一段。同步采集同轴光信号，记录功率和信号数据。

第二步，特征带自动识别。对各段信号做频谱分析，找出小孔稳定段与不稳定段差异最大的频带，作为特征频带。也可以让算法自动扫描，选择区分度最高的频带组合，这本身就是一种“自编程”。

第三步，确定目标区间。把低功率段（热传导焊）和高功率喷射段的特征频带能量占比都统计出来，取稳定深熔焊段的占比作为目标值，划定上下限。

第四步，闭环试运行。先用保守的控制参数（较小的Kp）跑一段平焊，观察功率调节过程是否平顺，再逐步加大调节力度，直到发现控制的响应速度和稳定性达到平衡。

整个过程说起来快，实际操作至少需要大半天时间。但好处是一旦标定完成，这套参数可以长期复用，换相同材料相同板厚时几乎不用重新调。而且标定的数据积累下来，还能反过来训练更好的预测模型，让小孔演化的自编程越用越准。

5. 现场实战中的坑：几个差点让系统翻车的案例

5.1 光学窗口被飞溅污染引发的功率疯涨

这套系统第一次上现场做长焊缝试验的时候，出现过一个特别诡异的现象：焊到后半段，系统不断输出提高功率的指令，功率一路顶到设定上限，焊缝表面状态却越来越差，最后保护镜片直接烧裂了。

事后复盘发现问题出在光学窗口污染。同轴观察窗的镜片在焊接过程中被飞溅和金属蒸气污染，透光率持续下降，光电二极管接收到的光强也随之下降。算法把“光强下降”错误地解读为“小孔收缩”，判断需要提功率来重新建立小孔，于是功率被越拉越高，而功率提高带来的飞溅更多，污染更重，形成恶性循环。

这件事给我两个教训。第一，自编程系统的光学链路必须加强抗污染设计，比如窗口前端增加气帘，使用可换式保护玻璃，定期做光学校准。第二，算法里必须加入慢漂移校正机制，用长时间尺度的中位数作为基准，把传感器灵敏度漂移从真正的物理信号变化中剥离出来。从那以后，我在系统里加了一个10s尺度的基准跟踪模块，这类问题就没再发生过。

5.2 飞溅尖峰污染频带能量特征

小孔喷发产生的飞溅，会在光电信号上形成非常尖锐的短脉冲。如果用频谱来分析，这种尖峰脉冲的能量会散布到很宽的频带里，污染特征频带的能量计算，导致“稳定性得分”出现虚假偏高。

第一次遇到这个问题时，我在在线监控界面上看到特征频带能量占比剧烈波动，但对应时间点的焊缝切片并没有发现明显缺陷，说明算法判断出错了。排查了传感器和滤波逻辑，最后才想到是飞溅尖峰在作祟。

解决方案是增加事件脉冲的剔除逻辑：先基于MAD阈值检测尖峰事件，把存在事件污染的窗口段标记出来，在频带能量计算时只使用剔除事件后的信号；或者采用鲁棒统计量作为频带能量估计，降低少数极端值的影响。这个思路也适用于其他强干扰环境，比如焊接接头间隙变化引起的突发信号。

5.3 换材料之后特征频带完全失效

系统在2mm不锈钢上调试得很顺，特征频带设在300Hz~2500Hz，稳定性判据也很可靠。后来直接拿去试8mm碳钢，开焊就乱了，系统一会儿判定“小孔过强”降功率，一会儿判定“小孔收缩”提功率，输出功率来回抖动，焊缝比不用系统时还差。

原因不复杂：小孔的振荡特征和材料的导热系数、表面张力、金属蒸气的电离特性密切相关。铝、钢、镍基合金的导热和蒸发特性差异很大，小孔的固有振荡频带自然不同。在一种材料上标定的特征带，拿到另一种材料上完全不适用。

这提醒我，自编程系统必须自带“初始化标定”流程，不能假设参数可以跨材料复用。所以后来我开发了一个自动频带扫描功能：开始焊接的前2秒，用宽频带频谱分析自动识别当前材料的特征峰，动态确定特征频带，再进行闭环控制。把“人工标定”变成“自动标定”，这才是真正完整的自编程。

5.4 控制带宽过高引发的参数振荡

这个坑比较隐蔽，处理起来花了不少时间。系统在小信号层面一切正常，但把控制带宽调高之后，发现功率输出开始出现周期性振荡，振荡频率在几赫兹到十几赫兹之间，不太快也不太慢，但持续不断。

分析下来，问题出在控制带宽和过程动态特性的耦合上。小孔本身是一个高频振荡系统，而熔池的热惯量和激光器功率响应又引入了中频动态环节。如果控制器的调节频率与这些环节的固有特性发生共振，整个闭环就会进入自激振荡状态，表现为参数输出来回抖动，焊接质量急剧恶化。

解决方法是把控制器设计成“趋势控制”模式：用低通滤波后的慢变量做反馈，设置调节死区，只有当稳定性指标偏离目标超过一定范围时才调整参数；调节量也做平滑处理，避免阶跃式突变。把有效控制带宽压到20Hz以下后，系统立刻稳定下来。这也是一条普适经验：自编程的控制频率，永远不要试图跟小孔自身的动态频率比快，你只需要比它慢半拍地引导它就行。

5.5 在线滤波相位泄漏：一个非常隐蔽的信号处理坑

最后说一个可能只有亲手写过在线信号处理代码的人才能共鸣的坑。我们在调试时发现，系统偶尔会在信号突变发生之前就开始调整参数，表现得很“未卜先知”。刚开始以为是有延迟补偿逻辑起了作用，后来才发现这其实是一个bug。

原因是初期代码里直接使用了离线数据处理的零相位滤波（比如scipy的filtfilt），这种滤波会利用整个序列的未来数据来消除相位偏移。离线分析没问题，但放在在线滑窗里，相当于用了一部分“未来窗口”的信息，导致控制指令比真实物理变化提前了一拍。当时控制周期很短，这个问题没有被立刻察觉，但表现在实际焊接过程中，系统会出现“乱调参数”的现象——信号还没变呢，功率先动了。

正确的做法是在线因果滤波，比如scipy.signal.sosfilt，它引入的相位延迟是固定的，物理上也是合理的。如果你非要补偿相位，也只能用状态观测器或预测算法来做，不能靠引用未来数据来“开挂”。这个细节写出来，是希望后来的人少走这个弯路。

整套系统走到今天，已经能稳定地实现“自动感知小孔演化-自动调整工艺参数-自动恢复稳定状态”的闭环控制。我个人的体会是，激光焊自编程技术的难点，其实不在算法多先进，而在于对物理过程的理解够不够细、对现场干扰的估计够不够充分、对传感器和执行器的“脾性”摸得够不够透。把这几点做到位了，所谓自编程并不是科幻概念，它就是老师傅经验的一种工程化表达。