Maschinelles Lernen optimiert Laser-3D-Druck für Metalle

THUN / LONDON (IT BOLTWISE) – Die additive Fertigung mit Metall, insbesondere das Laserstrahlschmelzen im Pulverbettverfahren, stellt hohe Anforderungen an die Prozesskontrolle und das Materialverständnis. Ein Forschungsteam der Schweizer Empa hat nun einen bedeutenden Fortschritt erzielt, indem es maschinelles Lernen einsetzt, um diese Herausforderungen zu meistern.

Die additive Fertigung mit Metall gilt als eine der anspruchsvollsten Disziplinen in der industriellen Produktion. Insbesondere das Laserstrahlschmelzen im Pulverbettverfahren ermöglicht die Herstellung komplexer Geometrien und dichter Bauteile. Doch die hohen Anforderungen an die Prozesskontrolle und das Materialverständnis stellen eine erhebliche Hürde dar. Ein Forschungsteam der Schweizer Empa hat sich dieser Herausforderung angenommen und setzt maschinelles Lernen ein, um die Qualität und Zugänglichkeit dieser Technologie zu verbessern.

Im Mittelpunkt der Forschung stehen die dynamischen Wechselwirkungen zwischen Laserstrahl und Metallpulver, die stark von Prozessparametern wie Laserleistung, Scangeschwindigkeit und Pulvereigenschaften abhängen. Zwei Bearbeitungsmodi, das reine Schmelzen im Conduction Mode und das partielle Verdampfen im Keyhole Mode, bieten unterschiedliche Vor- und Nachteile. Der Übergang zwischen diesen Modi ist materialabhängig und schwer exakt zu bestimmen, was normalerweise aufwendige Tests erfordert.

Um diese Prozesse besser zu verstehen und zu steuern, haben Giulio Masinelli und Chang Rajani von der Empa einen Algorithmus entwickelt, der auf Basis optischer Sensordaten den aktuellen Modus des Lasers erkennt. Die Software passt daraufhin automatisch die nächsten Parameter an. Erste Tests zeigen, dass sich so bis zu zwei Drittel der sonst üblichen Vorversuche einsparen lassen, ohne Einbußen bei der Bauteilqualität. Dies könnte die Nutzung von PBF-Geräten auch für Nicht-Experten erleichtern.

Ein weiterer Forschungsschwerpunkt liegt auf dem Laserstrahlschweißen. Hier gelingt es dem Team, Prozessdaten in Echtzeit mit sogenannten FPGAs (Field-Programmable Gate Arrays) auszuwerten und adaptive Korrekturen während des Schweißvorgangs vorzunehmen. Dies soll insbesondere bei unvorhergesehenen Störungen, wie Oberflächenunregelmäßigkeiten, die Prozesssicherheit erhöhen. Derzeit ist es nicht möglich, den Schweißprozess in Echtzeit zu beeinflussen, was die Möglichkeiten menschlicher Experten übersteigt.

Langfristig streben die Forschenden an, die entwickelten Modelle in industrielle Steuerungen zu integrieren. Ziel ist es, PBF-Systeme auch für kleinere Unternehmen zugänglich zu machen – mit geringerem Aufwand, zuverlässigerer Qualität und reduzierter Abhängigkeit von Expertensystemen. Diese Entwicklungen könnten die additive Fertigung mit Metall revolutionieren und neue Maßstäbe in der industriellen Produktion setzen.

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