激光金属加工使得复杂零部件的自动化和精确生产成为可能，无论是汽车工业还是医学。然而，传统方法需要耗费时间和资源的准备工作。研究人员现在正在使用机器学习来使激光过程更加精确、经济高效。
激光金属加工被认为在工业中特别多用途。例如，激光可以用于将组件精密焊接在一起，或通过3D打印生产更复杂的部件——快速、精确和自动化。这就是激光工艺在许多行业中的应用原因，例如汽车和航空工业，其中需要最大精度，或在医疗技术中，例如生产定制的钛植入物。
然而，尽管激光工艺高效，它们在技术上具有挑战性。激光与材料之间复杂的相互作用使得这一过程对微小的偏差非常敏感——无论是在材料特性还是激光参数的设置上。即使是轻微的波动也可能导致生产错误。
“为了确保激光加工过程中可以灵活应用并获得一致的结果，我们正在努力更好地理解、监测和控制这些过程，”Empa先进材料加工实验室的研究小组负责人Elia Iseli说。根据这些原则，他的团队中的两位研究人员Giulio Masinelli和Chang Rajani希望使用机器学习，使激光制造技术变得更实惠、更高效和更易于获取。
首先，这两位研究人员集中在增材制造，即使用激光进行金属3D打印。这一过程称为粉末床熔融（PBF），其工作方式与传统3D打印略有不同。激光在精确的位置熔化薄层金属粉末，从而逐渐“焊接”出最终组件。
PBF允许创建与其他工艺几乎无法实现的复杂几何形状。然而，在生产开始之前，几乎总是需要一系列复杂的预试验。这是因为激光金属加工基本上有两种模式，包括PBF：在导热模式下，金属只是简单地熔化。在钥匙孔模式下，有时甚至会蒸发。这种较慢的导热模式非常适合薄且精确的组件。钥匙孔模式的精确度稍逊一筹，但速度更快，并适用于较厚的工件。
这两种模式之间的界限究竟在哪里，取决于多种参数。为了获得最终产品的最佳质量，需要正确的设置——而这些设置因加工的材料而有很大不同。“即使是同一批次的新起始粉末，也可能需要完全不同的设置，”Masinelli说。
通常，在每批次之前必须进行一系列实验，以确定各个组件的最佳参数设置，例如扫描速度和激光功率。这需要大量材料，并且必须由专家监督。“这就是为什么许多公司根本无法承担PBF费用，”Masinelli说。
Masinelli和Rajani现在利用机器学习和已经集成在激光机中的光学传感器数据，优化了这些实验。研究人员通过这些光学数据“教会”他们的算法“观察”激光在测试运行中当前处于哪个焊接模式。基于此，算法确定下一个测试的设置。这减少了大约三分之二的预实验数量，同时保持了产品的质量。
“我们希望我们的算法能够让非专家使用PBF设备，”Masinelli总结道。将算法应用于工业中，只需设备制造商将其集成到激光焊接机的固件中。
PBF并不是唯一可以利用机器学习进行优化的激光过程。在另一个项目中，Rajani和Masinelli专注于激光焊接——但更进一步。他们不仅优化了预实验，而且还优化了焊接过程。即使在理想的设置下，激光焊接也可能是不确定的，例如当激光束碰到金属表面上的微小缺陷时。
“目前不可能实时影响焊接过程，”Chang Rajani说。“这超出了人类专家的能力。”数据的评估速度和决策的及时性对计算机来说都是一个挑战。这就是为什么Rajani和Masinelli为此任务使用了一种特殊类型的计算机芯片，称为现场可编程门阵列（FPGA）。“使用FPGA，我们准确知道它们何时执行命令以及执行将花费多长时间——而普通PC则没有这种情况，”Masinelli解释说。
尽管如此，他们系统中的FPGA仍然与PC相连，PC充当一种“后备大脑”。当专用芯片忙于观察和控制激光参数时，PC上的算法从这些数据中学习。“如果我们对算法在PC虚拟环境中的表现感到满意，我们可以将其‘转移’到FPGA中，使芯片瞬间变得更加智能，”Masinelli解释说。
这两位Empa研究人员深信机器学习和人工智能能够在激光金属加工领域贡献更多。因此，他们继续开发他们的算法和模型，并扩大应用领域——与研究和工业的合作伙伴一起。
