本发明涉及自适应激光切割，更具体地说，本发明涉及一种基于工件特征的自适应激光切割方法及系统。
背景技术：
1、现有公开号为cn112643222a的中国专利申请提出一种激光切割方法及激光切割系统，通过对激光切割时的工艺参数进行调整，并使用调整后工艺参数的激光进行激光切割，可使激光切割所用的工艺参数与待切割工件的实际厚度相适应，解决了采用固定的预设参数切割不同厚度的待切割工件时产生的切割激光利用率不高或工件切割不完全的问题；
2、在现有技术中，针对待切割工件的实际厚度依次设置相适应的切割工艺参数，这需要设置人员有丰富的经验，才能准确地设置相适应的切割工艺参数，掌握不同经验的设置人员设置的切割工艺参数区别较大，导致与实际需求的切割工艺参数误差较大，无法保证切割精度；其次每次设置需要花费时间，严重影响了激光切割的效率；
3、在智能制造生产线中，无法对每个待切割工件的实际厚度进行实时输入，将待切割工件的实际厚度与预设范围值进行对比再调整激光切割时的工艺参数降低了激光切割的效率，并且无法保证切割精度；
4、鉴于此，本发明提出一种基于工件特征的自适应激光切割方法及系统以解决上述问题。
技术实现思路
1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：一种基于工件特征的自适应激光切割方法，包括：
2、采集m组历史切割状态数据，历史切割状态数据包括第一特征数据以及与第一特征数据对应的切割参数集合；第一特征数据包括工件厚度、工件材质和路径控制程序；切割参数集合包括切割功率集合、切割速度集合、辅助气体气压集合和焦点位置集合；
3、基于历史切割状态数据训练出预测切割参数集合的第一机器学习模型；
4、采集工件的实际尺寸；
5、根据路径控制程序路径坐标确定切割尺寸，将切割尺寸与实际尺寸比对分析，判断当前工件是否能进行激光切割，若能进行切割，则生成允许切割指令，若不能进行切割，则生成预警指令；
6、根据允许切割指令，采集工件实时第一特征数据，将实时第一特征数据输入训练完成的第一机器学习模型，获得切割参数集合编号，使用该编号所对应的切割参数集合进行本次激光切割控制。
7、进一步地，第一机器学习模型的训练方式包括：
8、将工件材质、路径控制程序以及切割参数集合分别进行数值化编号；
9、将历史切割状态数据转换为一组特征向量；
10、将每组特征向量作为第一机器学习模型的输入，所述第一机器学习模型以每组第一特征数据对应的预测切割参数集合编号作为输出，以每组第一特征数据对应的实际切割参数集合编号作为预测目标，对第一机器学习模型进行训练，直至预测准确度之和达到收敛时停止训练；将训练完成的第一机器学习模型部署在激光切割设备控制系统中。
11、进一步地，激光切割区域装有多盏明灯；切割功率集合为切割开始时至结束时，激光切割设备连续变化的功率；切割速度集合为切割开始时至结束时，激光切割设备连续变化的切割速度；辅助气体气压集合为切割开始时至结束时，激光切割头喷出辅助气体连续变化的压力；焦点位置集合为切割开始时至结束时，切割焦点与工件连续变化的焦距。
12、进一步地，根据路径控制程序路径坐标确定切割尺寸的方法包括：
13、；
14、式中，为切割尺寸，为第个路径坐标的横坐标，为第个路径坐标的纵坐标，为第个路径坐标的横坐标，为第个路径坐标的纵坐标，，为路径坐标数量；其中当时，，；
15、判断当前工件是否能进行激光切割的方法包括：
16、将工件的实际尺寸与切割尺寸进行对比分析，若实际尺寸大于切割尺寸，则能进行激光切割；若实际尺寸小于或等于切割尺寸，则不能进行激光切割。
17、进一步地，将切割参数集合内的切割功率集合、切割速度集合、辅助气体气压集合和焦点位置集合依次作为本次激光切割过程中a个连续的切割功率、切割速度、辅助气体气压和焦点位置。
18、进一步地，采集连续的切割功率建立实际切割功率集合，将预测切割功率集合内切割功率一一对应减去实际切割功率集合内的切割功率，使用获得的切割功率误差值建立切割功率误差集合。
19、进一步地，采用滑动窗口的方式将切割功率误差集合内的切割功率误差值转化为数据集，以训练预测未来节点切割功率误差值的第二机器学习模型；
20、根据预测切割功率误差值判断是否进行误差补偿，若进行误差补偿，将预测切割功率加上预测切割功率误差值作为对应未来节点激光切割的切割功率。
21、进一步地，第二机器学习模型的训练方法包括：
22、采用滑动窗口的方式将切割功率误差集合转换为第二特征数据与第二特征数据对应的标签，构建为第二机器学习模型的数据集；
23、将数据集作为第二机器学习模型的输入，第二机器学习模型以预测未来节点切割功率误差值作为输出；以实际切割功率误差值作为预测目标，以最小化第二机器学习模型损失函数值作为训练目标；当第二机器学习模型损失函数值小于等于预设的目标损失值时停止训练。
24、进一步地，判定是否进行误差补偿的方法包括：
25、设置允许误差范围，将预测切割功率误差值与允许误差范围进行对比分析，若预测切割功率误差值小于或等于允许误差范围，则不进行误差补偿；若预测切割功率误差值大于允许误差范围，则进行误差补偿。
26、一种基于工件特征的自适应激光切割系统，基于上述的一种基于工件特征的自适应激光切割方法实现，包括：
27、第一数据采集模块，采集m组历史切割状态数据，历史切割状态数据包括第一特征数据以及与第一特征数据对应的切割参数集合；第一特征数据包括工件厚度、工件材质和路径控制程序；切割参数集合包括切割功率集合、切割速度集合、辅助气体气压集合和焦点位置集合；
28、第一模型训练模块，基于历史切割状态数据训练出预测切割参数集合的第一机器学习模型；
29、第二数据采集模块，采集工件的实际尺寸；
30、预警模块，根据路径控制程序路径坐标确定切割尺寸，将切割尺寸与实际尺寸比对分析，判断当前工件是否能进行激光切割，若能进行切割，则生成允许切割指令，若不能进行切割，则生成预警指令；
31、程序设置模块，根据允许切割指令，采集工件实时第一特征数据，将实时第一特征数据输入训练完成的第一机器学习模型，获得切割参数集合编号，使用该编号所对应的切割参数集合进行本次激光切割控制。
32、本发明一种基于工件特征的自适应激光切割方法及系统的技术效果和优点：
33、1.在激光切割前进行预警，保证每个加工工件的实际尺寸符合所需的切割尺寸，防止激光切割时无法作用于工件表面；能自动根据工件的厚度和激光切割数控程序设置对应的切割状态数据，避免人工输入每个待切割工件的实际厚度以及切割状态数据的调整；省时省力，提高生产线效率以及切割精度。
34、2.通过滑动窗口的方式预测未来节点的切割功率误差值，将切割功率误差值与允许误差范围进行对比分析，判断是否对实际切割功率进行误差补偿，防止由于激光器或激光切割头受损，导致实际切割功率小于激光切割设备设定的切割功率，避免出现切割不断工件的现象，提高切割效率和切割精度。
35、其次，可以统计预测切割功率误差值大于允许误差范围的次数，根据工件切割精度的要求预设次数阈值，当次数大于次数阈值时，则预警并暂停激光切割，避免后续切割对工件造成更大的损伤，及时提示工作人员对激光切割设备进行更换或维护，实现激光切割设备的实时工作状态的预警。
1.一种基于工件特征的自适应激光切割方法，其特征在于，包括：
2.根据权利要求1所述的一种基于工件特征的自适应激光切割方法，其特征在于，第一机器学习模型的训练方式包括：
3.根据权利要求2所述的一种基于工件特征的自适应激光切割方法，其特征在于，激光切割区域装有多盏明灯；切割功率集合为切割开始时至结束时，激光切割设备连续变化的功率；切割速度集合为切割开始时至结束时，激光切割设备连续变化的切割速度；辅助气体气压集合为切割开始时至结束时，激光切割头喷出辅助气体连续变化的压力；焦点位置集合为切割开始时至结束时，切割焦点与工件连续变化的焦距。
4.根据权利要求3所述的一种基于工件特征的自适应激光切割方法，其特征在于，根据路径控制程序路径坐标确定切割尺寸的方法包括：
5.根据权利要求4所述的一种基于工件特征的自适应激光切割方法，其特征在于，将切割参数集合内的切割功率集合、切割速度集合、辅助气体气压集合和焦点位置集合依次作为本次激光切割过程中a个连续的切割功率、切割速度、辅助气体气压和焦点位置。
6.根据权利要求5所述的一种基于工件特征的自适应激光切割方法，其特征在于，采集连续的切割功率建立实际切割功率集合，将预测切割功率集合内切割功率一一对应减去实际切割功率集合内的切割功率，使用获得的切割功率误差值建立切割功率误差集合。
7.根据权利要求6所述的一种基于工件特征的自适应激光切割方法，其特征在于，采用滑动窗口的方式将切割功率误差集合内的切割功率误差值转化为数据集，以训练预测未来节点切割功率误差值的第二机器学习模型；
8.根据权利要求7所述的一种基于工件特征的自适应激光切割方法，其特征在于，第二机器学习模型的训练方法包括：
9.根据权利要求8所述的一种基于工件特征的自适应激光切割方法，其特征在于，判定是否进行误差补偿的方法包括：
10.一种基于工件特征的自适应激光切割系统，其用于实现权利要求1-9任一项所述一种基于工件特征的自适应激光切割方法，其特征在于，包括：
