机器学习简化了工业激光流程
基于激光的金属工艺被认为在工业中特别通用。 例如，激光可用于将组件精密焊接在一起或使用 3D 打印生产更复杂的部件 - 快速、精确和自动。 这就是为什么激光工艺被用于许多领域，例如需要最高精度的汽车和航空工业，或用于医疗技术，例如用于生产定制的钛植入物。 然而，尽管激光工艺效率高，但在技术上具有挑战性。 激光和材料之间的复杂相互作用使该过程对最小的偏差很敏感 - 无论是在材料特性还是在激光参数设置方面。 即使是微小的波动也可能导致生产错误。 “为了确保可以灵活使用基于激光的工艺并获得一致的结果，我们正在努力更好地理解、监测和控制这些工艺，“Empa 位于图恩的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，他团队的两名研究人员 Giulio Masinelli 和 Chang Rajani 希望使用机器学习，使基于激光的制造技术更实惠、更高效、更容易获得。 汽化还是熔化？ 首先，两位研究人员专注于增材制造，即 使用激光对金属进行 3D 打印。 此过程称为粉末床熔融 （PBF） 的工作原理与传统 3D 打印略有不同。 激光在正确的位置熔化金属粉末薄层，以便逐渐从中“焊接”出最终组件。 PBF 允许创建其他工艺几乎不可能的复杂几何形状。 然而，在开始生产之前，几乎总是需要进行一系列复杂的初步测试。 这是因为激光加工基本上有两种模式金属，包括 PBF：在导电模式下，金属被简单地熔化。 在锁孔模式下，它在某些情况下甚至会蒸发。 较慢的导通模式非常适合薄且非常精确的元件。 锁孔模式的精度略低，但速度要快得多，适用于较厚的工件。 这两种模式之间的边界究竟在哪里取决于各种参数。 为了获得最终产品的最佳质量，需要正确的设置——这些设置因在正在加工的材料上。 “即使是新批次的相同起始粉末也可能需要完全不同的设置，”Masinelli 说。 更少的实验，更好的质量 通常，在每批产品之前必须进行一系列实验，以确定相应组件的扫描速度和激光功率等参数的最佳设置。 这需要大量的材料，并且必须由专家监督。 “这就是为什么许多公司负担不起 PBF 的原因第一名，“Masinelli 说。 Masinelli 和 Rajani 现在已经使用机器学习和来自激光设备中已集成的光学传感器的数据优化了这些实验。 研究人员“教”他们的算法在使用这些光学数据进行测试期间“看到”激光器当前处于哪种焊接模式。 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所需的初步实验数量 —— 而保持产品质量。 “我们希望我们的算法能够让非专家也能使用 PBF 设备，”Masinelli 总结道。 该算法在工业中使用所需的只是设备制造商集成到激光焊接机的固件中。 实时优化 PBF 并不是唯一可以使用机器学习进行优化的激光工艺。 在另一个项目中，Rajani 和 Masinelli 专注于激光焊接，但更进一步进一步。 他们不仅优化了初步实验，还优化了焊接过程本身。 即使使用理想的设置，激光焊接也可能是不可预测的，例如，如果激光束击中金属表面的微小缺陷。 “目前无法实时影响焊接过程，”Chang Rajani 说。 “这超出了人类专家的能力范围。” 评估数据和做出决策的速度即使对计算机。 这就是为什么 Rajani 和 Masinelli 使用一种特殊类型的计算机芯片来完成这项任务，即所谓的现场可编程门阵列 （FPGA）。 “有了 FPGA，我们确切地知道它们何时执行命令以及执行需要多长时间 - 这是传统 PC 所不能的，”Masinelli 解释说。 尽管如此，他们系统中的 FPGA 也与 PC 相连，PC 充当一种“备份大脑”。 当专用芯片忙于观察和控制激光时参数，PC 上的算法会从这些数据中学习。 “如果我们对算法在 PC 虚拟环境中的性能感到满意，我们可以将其'转移'到 FPGA，并立即使芯片更加智能，”Masinelli 解释说。 两位 Empa 研究人员相信，机器学习和人工智能可以在金属激光加工领域做出更大的贡献。 这就是为什么他们继续开发他们的算法和模型并且正在与研究和工业界的合作伙伴合作，扩大其应用领域。