Maschinelles Lernen optimiert industrielle Laserverfahren

THUN / LONDON (IT BOLTWISE) – Die Empa-Forschenden in Thun setzen auf maschinelles Lernen, um die Effizienz und Zugänglichkeit von Laserverfahren in der Industrie zu steigern.

Die Anwendung von maschinellem Lernen in der Industrie eröffnet neue Möglichkeiten, insbesondere bei der Optimierung von Laserverfahren. Forschende der Empa in Thun, darunter Giulio Masinelli und Chang Rajani, haben sich zum Ziel gesetzt, laserbasierte Produktionsverfahren effizienter und kostengünstiger zu gestalten. Diese Verfahren, die in der Metallverarbeitung weit verbreitet sind, gelten als technisch anspruchsvoll, bieten jedoch eine bemerkenswerte Vielseitigkeit.

Ein besonderer Fokus liegt auf der additiven Fertigung, auch bekannt als 3D-Druck von Metallen. Hierbei wird das Verfahren der Powder Bed Fusion (PBF) eingesetzt, bei dem dünne Metallschichten durch gezielte Laserschmelzung zu komplexen Bauteilen geformt werden. Diese Methode ermöglicht die Herstellung von Geometrien, die mit herkömmlichen Verfahren kaum realisierbar sind. Allerdings sind aufwändige Vorversuche erforderlich, um die optimalen Lasereinstellungen zu bestimmen, was den Prozess teuer und zeitintensiv macht.

Masinelli und Rajani haben einen Algorithmus entwickelt, der diese Vorversuche mittels maschinellen Lernens optimiert. Durch die Nutzung optischer Sensordaten, die bereits in den Lasermaschinen vorhanden sind, kann der Algorithmus den Schweissmodus des Lasers erkennen und die Einstellungen für nachfolgende Versuche anpassen. Dies reduziert die Anzahl der benötigten Vorversuche um etwa zwei Drittel, ohne die Qualität des Endprodukts zu beeinträchtigen.

Ein weiterer Vorteil dieser Entwicklung ist die potenzielle Zugänglichkeit der Technologie für Nicht-Experten. Durch die Integration des Algorithmus in die Firmware der Laserschweissmaschinen könnten auch Unternehmen ohne spezialisierte Fachkräfte von den Vorteilen der PBF-Technologie profitieren. Dies könnte die Verbreitung und Akzeptanz dieser fortschrittlichen Fertigungsmethode in der Industrie erheblich steigern.

Ein weiteres Projekt der Forschenden zielt darauf ab, den Schweissvorgang selbst zu optimieren. Die Echtzeitbeeinflussung des Schweissprozesses stellt eine besondere Herausforderung dar, da die Geschwindigkeit der Datenverarbeitung selbst für Computer anspruchsvoll ist. Hierfür nutzen die Forschenden spezielle Computerchips, sogenannte Field-Programmable Gate Arrays (FPGA), um die erforderliche Rechenleistung zu gewährleisten.

Die Integration von maschinellem Lernen in industrielle Prozesse wie die Laserverarbeitung zeigt das Potenzial dieser Technologie, bestehende Verfahren zu revolutionieren. Durch die Reduzierung von Materialverschwendung und die Verbesserung der Effizienz könnten Unternehmen erhebliche Kosteneinsparungen erzielen und gleichzeitig die Qualität ihrer Produkte steigern. Die Entwicklungen der Empa-Forschenden könnten somit einen wichtigen Beitrag zur Wettbewerbsfähigkeit der Industrie leisten.

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