KI-gestützte Optimierung für 3D-Druck und Laserverfahren

THUN / LONDON (IT BOLTWISE) – Die Eidgenössische Materialprüfungs- und Forschungsanstalt (EMPA) in Thun hat einen bedeutenden Fortschritt in der laserbasierten Metallverarbeitung und im 3D-Druck erzielt. Durch den Einsatz von maschinellem Lernen wird das sogenannte Powder Bed Fusion (PBF) Verfahren effizienter und zugänglicher gestaltet.

Die Forschung der EMPA zielt darauf ab, die laserbasierte Metallverarbeitung und den 3D-Druck durch den Einsatz von maschinellem Lernen zu revolutionieren. Diese Technologien ermöglichen die präzise und automatisierte Herstellung komplexer Bauteile, die in Branchen wie der Automobilindustrie und der Medizin von großer Bedeutung sind. Traditionelle Methoden erfordern oft zeitaufwändige Vorversuche, um die optimalen Einstellungen für die Produktion zu finden.

Das Team um Elia Iseli, Leiter der Forschungsgruppe „Advanced Materials Processing“ bei EMPA, arbeitet daran, die Flexibilität und Konsistenz laserbasierter Prozesse zu verbessern. Durch ein besseres Verständnis und die Kontrolle dieser Prozesse sollen die Verfahren kostengünstiger und effizienter werden. Maschinelles Lernen spielt dabei eine zentrale Rolle, indem es die Anzahl der erforderlichen Vorversuche reduziert und die Qualität der Endprodukte konstant hält.

Ein besonderer Fokus liegt auf dem Powder Bed Fusion (PBF) Verfahren, bei dem ein Laser dünne Metallpulverschichten an präzise definierten Stellen schmilzt. Dieses Verfahren ermöglicht die Herstellung komplexer Geometrien, die mit anderen Techniken schwer umsetzbar sind. Die Herausforderung besteht darin, die optimalen Parameter für den Schweißprozess zu bestimmen, da diese je nach Material variieren können. Masinelli und Rajani von EMPA haben einen Algorithmus entwickelt, der mithilfe von Sensordaten den aktuellen Schweißmodus erkennt und die Einstellungen für den nächsten Versuch anpasst.

Durch den Einsatz von maschinellem Lernen konnten die Forscher die Anzahl der notwendigen Vorversuche um etwa zwei Drittel reduzieren, ohne die Qualität des Endprodukts zu beeinträchtigen. Dies macht die Technologie auch für Unternehmen zugänglich, die bisher aufgrund der hohen Kosten und des Materialverbrauchs von PBF abgeschreckt wurden. Die Integration des Algorithmus in die Firmware von Laserschweißmaschinen könnte die Nutzung dieser Technologie in der Industrie erheblich erleichtern.

Neben PBF optimieren die Forscher auch andere Laserverfahren. Ein weiteres Projekt konzentriert sich auf das Laserschweißen, bei dem sie nicht nur die Vorversuche, sondern auch den Schweißprozess selbst verbessern. Selbst bei optimalen Einstellungen bleibt das Laserschweißen unvorhersehbar, insbesondere wenn kleine Defekte auf der Metalloberfläche auftreten. Um diesen Herausforderungen zu begegnen, setzen die Forscher auf spezielle Computerchips, sogenannte Field-Programmable Gate Arrays (FPGAs), die eine Echtzeitüberwachung und Anpassung der Laserparameter ermöglichen.

Die Kombination aus maschinellem Lernen und FPGAs bietet großes Potenzial für die Laserverarbeitung von Metallen. Die Forscher sind überzeugt, dass ihre Entwicklungen die Effizienz und Zugänglichkeit dieser Technologien erheblich steigern werden. In Zusammenarbeit mit Partnern aus Forschung und Industrie arbeiten sie daran, ihre Algorithmen und Modelle weiterzuentwickeln und deren Anwendungsbereiche zu erweitern.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!