Maschinelles Lernen optimiert industrielle Laserprozesse

THUN / LONDON (IT BOLTWISE) – Die Metallverarbeitung mit Lasertechnologie hat sich in der Industrie als präzise und automatisierbare Methode etabliert, um komplexe Bauteile herzustellen. Doch die technischen Herausforderungen und die Notwendigkeit aufwändiger Vorversuche stellen viele Unternehmen vor Probleme. Forschende der Empa in Thun haben nun maschinelles Lernen eingesetzt, um diese Prozesse effizienter und kostengünstiger zu gestalten.

Die Anwendung von Lasertechnologie in der Metallverarbeitung bietet zahlreiche Vorteile, insbesondere in Branchen wie der Automobil- und Luftfahrtindustrie, wo höchste Präzision gefordert ist. Laser ermöglichen das präzise Zusammenschweißen von Komponenten und die Herstellung komplexer Bauteile im 3D-Druckverfahren. Trotz dieser Vorteile sind die Verfahren technisch anspruchsvoll und empfindlich gegenüber kleinsten Abweichungen in der Materialbeschaffenheit oder den Laserparametern.

Um die Flexibilität und Konsistenz laserbasierter Prozesse zu verbessern, arbeiten Forschende der Empa an einem besseren Verständnis und einer verbesserten Kontrolle dieser Verfahren. Giulio Masinelli und Chang Rajani, zwei Forscher aus der Abteilung ‘Advanced Materials Processing’, setzen maschinelles Lernen ein, um die Produktionsverfahren zugänglicher und effizienter zu machen.

Ein besonderer Fokus liegt auf der additiven Fertigung, auch bekannt als 3D-Druck von Metallen. Das Verfahren, genannt ‘Powder Bed Fusion’ (PBF), ermöglicht die Herstellung komplexer Geometrien, die mit anderen Methoden kaum realisierbar sind. Vor Beginn der Produktion sind jedoch oft aufwändige Vorversuche nötig, um die optimalen Einstellungen für die Laserparameter zu finden.

Masinelli und Rajani haben einen Algorithmus entwickelt, der die Anzahl der benötigten Vorversuche um zwei Drittel reduzieren kann. Der Algorithmus nutzt Daten aus optischen Sensoren in den Lasermaschinen, um den aktuellen Schweißmodus zu erkennen und die Einstellungen für den nächsten Versuch festzulegen. Dies spart Material und ermöglicht es auch Nicht-Experten, PBF-Geräte zu verwenden.

In einem weiteren Projekt haben die Forscher das Laserschweißen optimiert, indem sie nicht nur die Vorversuche, sondern auch den Schweißvorgang selbst in Echtzeit beeinflussen. Hierbei kommt ein spezieller Computerchip, ein Field-Programmable Gate Array (FPGA), zum Einsatz, der die Laserparameter überwacht und kontrolliert. Der Algorithmus lernt aus den Daten und kann bei Bedarf auf den FPGA übertragen werden, um den Schweißvorgang zu optimieren.

Die Forschenden sind überzeugt, dass maschinelles Lernen und künstliche Intelligenz noch viel zur Optimierung der Laserverarbeitung von Metallen beitragen können. Sie entwickeln ihre Algorithmen weiter und arbeiten mit Partnern aus Forschung und Industrie zusammen, um die Einsatzmöglichkeiten 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!