过程增值和生产率提高是客户永远的诉求。细化的过程控制和生产数据也为提高生产率提供可改善的基础数据。展望未来，过程增值会展现在人机界面软件，设置标准化，过程数据分析和自动上下料的这些环节。

一个“用户友好”的界面。

       什么是“用户友好”的人机操作界面？是足够方便操作的用户体验。例如我们使用的智能手机，几乎任何年龄和任何语言的人都可以学习和使用它。在制造领域，这意味着操作人员只需接受很少或根本不需要培训，并且可以在不同供应商系统之间切换操作。对于需要管理来自十几个供应商的十几个系统的工程师来说，他们可以立即访问和使用设备，而不必另外学习一个操作软件。当同样的问题出现时，不需要重新学习，从而为这些最有价值的人员节省了时间。

       图形化的操作界面（如图1），能够快速识别和选择每一个可以调整的参数，同时有一个图形指南，解释这些参数功能。参数调整有推荐范围，你只需要微调旋钮就行。

设置标准化

       对于任何系统，无论是处理单个部件还是多个不同部件的单机或者单元，在工人开始工作或者轮班或者排查问题时，验证机器是否设置正确所需的时间，会随着时间推移而增加。如果安装和设置方法不正确，会让操作人员一头雾水，甚至造成错误生产。

       对于激光加工，最大的问题是焦点位置，要知道焦点在哪并保持最佳位置。要定量而不是依赖使用样件的定性测试。图2是一个高精度相机，安装在标准化的治具上，定量确定焦点位置和光斑大小。

       对于激光焊接，不同零件的不同位置往往需要不同尺寸的焊点。设备需要能够快速得到最小光斑的位置，再上下移动放大光斑，以满足焊接需求。这些可以通过标准治具人为操作或者自动化完成。

过程数据分析

       10年前德国一个高科技战略集团考虑廉价的计算机，在机器学习的支持下如何影响生产优化时，创造了“工业4.0“的概念。而实现”工业4.0“的第一步就是数据收集。

       激光系统的许多部分，包括激光电源、光束、焦点、治具、气体保护和冷却系统，都可以被监控。监控的第一层级，是记录功能”有“和”无“。例如，我们是否有使用气体保护？零件是否正确地装入模具？第二层级，是统计数据的分布范围，例如激光功率和能量。

       随着时间的推移，大量的统计数据可以给出每一个参数的设置区间。但是，推荐的参数设置并不一定得到好的焊接结果。例如，三个参数都是在合理的设置范围，但组合在一起使用导致焊接不良。利用统计工具解决这个问题是一个挑战。但是，通过机器学习可以加速这一过程，并从相同的数据中得到更多的判定结果。故障预测、计划停机时间和维护时间都是可能的。那么，我们该怎么做？ 

      让我们看一下激光焊接：100%确定一个焊接是否OK的唯一方法，就是把它拉开检查机械强度和截面完整性，这是破坏性检查只能少量测试。第二个可采用的方法是由训练有素的人100%目测。我们希望的过程监控的目标是可靠的OK/NOK件的判定，减少检查成本、报废件数量和计划外的停机时间。激光焊接的过程监测已经使用有一段时间了，主要用于汽车行业的大功率焊接。对于小功率焊接，该系统由于不能有效减少检验成本和减少报废，即识别NOK件能力有限，且费用高，因此较少使用。

       图3 (a)表面有污染的激光微焊接的外观图片；(b)传感器清晰识别出该焊接过程偏离OKAY件数据。

       焊接过程监控数据通常有光学传感器（测量反射的激光），紫外线信号，焊缝位置的红外热量。从开始到结束的整个进程，记录大量数据。过程分析不是简单的采用上下限值的方式简单判断焊接结果，而是采用机器学习对采集数据进行分析，进行故障识别和过程偏移判定。

       机器学习的一个优势是使复杂的传感器数据能够迭代到一个具有成本效益的系统上。例如，声学传感器已经存在了几十年，但它的信号太复杂了，无法解析。但是机器学习可以解决这个问题，使得所有现有的传感器都可以被有效的低成本利用，为故障识别提供了多维度识别方法。虽然还没到那一步，但已经在路上了。

       图3显示了一个表面有污染的激光焊接的例子，这个缺陷容易被传感器发现（没有机器学习）。图4介绍了用传感器采集的数据经过机器学习，识别各种焊接缺陷。

总结

激光技术在各行各业的应用会持续增长。也许最大的创新就是过程增值，以实现100%的质量判定，从而进一步促进激光技术的广泛应用。